Đánh giá biến động thảm phủ và sử dụng đất khu vực miền Trung dựa vào thuật toán ước tính mật độ hạt nhân
KHOA HỌC
CÔNG NGHỆ
ĐÁNH GIÁ BIẾN ĐỘNG THẢM PHỦ VÀ SỬ DỤNG ĐẤT
KHU VỰC MIỀN TRUNG DỰA VÀO THUẬT TOÁN ƯỚC TÍNH
MẬT ĐỘ HẠT NHÂN
Đỗ Hoài Nam, Phan Cao Dương, Hồ Việt Cường
Viện Khoa học Thủy lợi Việt Nam
Tóm tắt: Bài báo này giới thiệu một cách tiếp cận mới trong xây dựng bản đồ thảm phủ và sử
dụng đất (LULC) cho khu vực miền Trung từ nhiều nguồn ảnh viễn thám khác nhau. Cách tiếp
cận dựa vào thuật toán ước tính mật độ hạt nhân (KDE) để phân loại cho 9 dạng thảm phủ gồm
mặt nước, đô thị, lúa, cây hoa màu, cỏ, cây ăn quả, đất trống, rừng và rừng ngập mặn. Kết quả
cho thấy, phương pháp KDE có thể tạo ra bản đồ LULC với độ chính xác hơn 90 %. Khoảng 33
± 18 % diện tích khu vực nghiên cứu xuất hiện sự thay đổi dạng thảm phủ, đặc biệt là rừng và
nước mặt tăng mạnh tương ứng 2680 km2 và 570 km2. Đất trống và diện tích lúa giảm tương ứng
là 495 km2 và 485 km2 do sự chuyển đổi loại hình canh tác và đô thị hóa. Ngoài ra kết quả cũng
cho thấy sử dụng bản đồ toàn cầu cho các nghiên cứu với quy mô địa phương dường như có
nhiều sai số và thiếu tính nhất quán. Kết quả của nghiên cứu này rất cần thiết cho phát triển
chiến lược quản lý tài nguyên đất và nước.
Từ khóa: Thảm phủ và sử dụng đất, phân loại hình ảnh, đánh giá độ chính xác phân loại,
Landsat, ALOS / AVNIR-2 và ALOS-2 / PALSAR-2.
Summary: This paper introduces a new approach in constructing land use and land cover
(LULC) in Central Vietnam from various remote sensing images. The approach is based on the
algorithm of kernel density estimation (KDE) to classify 9 types of land cover including water
surface, urban area, rice, crop, grass, fruit tree, bare land, forest and mangrove. The results
show that the KDE method can create LULC maps with more than 90% accuracy. About 33 ±
18% of the area of the study area appears to be changed in the form of the land cover, especially
the forest and surface water, which increased sharply by 2680 km2 and 570 km2 respectively.
Bare land and rice area decreased by 495 km2 and 485 km2, respectively, due to the conversion
of cultivation and urbanization. In addition, the results also show that the use of global maps for
local studies seems to have large errors and inconsistencies. These findings are essential for
developing resource management strategies.
Key words: Land use/cover change, image classification, classification accuracy assessment,
Landsat, ALOS/AVNIR-2, and ALOS-2/PALSAR-2.
1. ĐẶT VẤN ĐỀ*
phát triển mạnh mẽ của công nghệ viễn thám
và học máy (trí tuệ nhân tạo - AI) trong những
năm gần đây, thông tin LULC được cập nhật
với nhiều tính năng ưu việt như tiết kiệm thời
gian và chi phí, bao phủ được diện rộng và đa
thời điểm. Tuy nhiên, không dễ dàng để đạt
được bộ dữ liệu LULC với độ chính xác cao
do một số hạn chế như: sự che phủ của mây,
thiếu dữ liệu vì các sự cố kỹ thuật và ưu tiên
Thông tin về thảm phủ và sử dụng đất (LULC)
là dữ liệu rất quan trọng trong hầu hết các
nghiên cứu về khoa học trái đất (môi trường,
hệ sinh thái, hệ thống khí hậu, v.v.). Với sự
Ngày nhận bài: 01/5/2019
Ngày thông qua phản biện: 06/6/2019
Ngày duyệt đăng: 12/6/2019
1
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
KHOA HỌC
CÔNG NGHỆ
tiếp cận dữ liệu cho một số vùng.
2.1. Vùng nghiên cứu
Để giải quyết vấn đề thiếu dữ liệu, gần đây Địa điểm nghiên cứu là khu vực miền Trung
một số nghiên cứu đã kết hợp nhiều loại ảnh (có tọa độ địa lý 13° 00′, 20° 00′ N, 105° 50′,
viễn thám (ví dụ: Landsat và L-band SAR) để 109° 12′ E) được bao quanh bởi đại dương ở
phân loại LULC [1] và tài nguyên rừng [2] phía Đông, Lào và Campuchia ở phía Tây,
trong khu vực cận nhiệt đới. Với sự phát triển Thanh Hóa tỉnh phía Bắc, và tỉnh Phú Yên và
ảnh viễn thám có độ phân giải khá tốt và tần Đăk Lăk ở phía Nam. Tổng diện tích của khu
suất chụp liên tục của cơ quan Vũ trụ Châu Âu vực vào khoảng 95.000 km2 với ba khu vực
như Sentinel 1, 2, 3 thì việc kết hợp nhiều loại chính: Bắc Trung Bộ, Nam Trung Bộ và Tây
cảm biến ảnh trở nên phổ biến và hiệu quả Nguyên (với độ cao cao nhất ở độ cao 3142 m
hơn. Sự kết hợp nhiều loại ảnh giữa quang học so với mực nước biển) với đa dạng cảnh quan
và radar sẽ giúp nhận ra sự đa dạng của các từ vùng đồng bằng, trung du, vùng núi hoặc
loại LULC hơn là dùng một loại ảnh đơn thuần vùng cao, đến vùng ven biển với khí hậu đa
[3]. Tuy nhiên, phần lớn các nghiên cứu hiện dạng từ cận nhiệt đới ẩm, gió mùa đến khí hậu
tại chỉ tập trung phân tích LULC cho một thời nhiệt đới savanna. Khí hậu của khu vực này có
điểm cụ thể hoặc cho một vài loại thảm phủ bốn mùa: mùa xuân (tháng 2 đến tháng 4),
nhất định như rừng, hoa màu và lúa [4]. Rất ít mùa hè (tháng 5 đến tháng 7), mùa thu (tháng
nghiên cứu sử dụng phương pháp tổ hợp nhiều 8 đến tháng 10) và mùa đông (tháng 11 đến
nguồn ảnh để phân tích đa dạng LULC. [5] đã tháng 1). Lượng mưa trung bình hàng năm là
sử dụng phương pháp tổ hợp để phân tích sự 700 - 5000 mm và nhiệt độ trung bình hàng
thay đổi thảm phủ cho miền Bắc. Tuy nhiên, năm là 23,9 - 25,9 ° C, ảnh hưởng đáng kể các
nghiên cứu này chưa xét để các chỉ số ảnh vụ mùa trên khu vực. Khí hậu đa dạng, địa
hưởng (spectral index) đối với từng loại thảm hình phức tạp và nhiều sắc tộc khác nhau dẫn
phủ cụ thể và chưa sử dụng ảnh có độ phân đến một khu vực địa lý và cảnh quan phức tạp
giải cao như Vệ tinh quan sát mặt đất công với các loại đất chiếm ưu thế là lúa, hoa màu,
nghệ cao cho dải màu nhìn thấy và cận hồng đồng cỏ, đất ngập nước, đô thị, rừng, đất trống
ngoại loại 2 (ALOS/AVNIR-2) để phân tích sự và rừng ngập mặn.
thay đa dạng LULC.
2.2. Dữ liệu và tiền xử lý dữ liệu
Mục đích chính của nghiên cứu này là xây
Nghiên cứu này sử dùng nhiều nguồn ảnh vệ
dựng bản đồ LULC độ phân giải cao cho khu
tinh (Bảng 1). Nhằm mục đích hạn chế độ
vực miền Trung ở thời điểm năm 2007 và
phức tạp của LULC, các ảnh được xử lý trong
2017, sử dụng thuật toán ước tính mật độ hạt
phạm vi nhỏ hơn hoặc bằng 1o x 1o kinh độ và
nhân (KDE) và nhiều nguồn ảnh viễn thám
vĩ độ. Phép nội suy song tuyến được sử dụng
khác nhau. Nghiên cứu cũng sẽ đánh giá tiềm
để đưa các ảnh về cùng một độ phân giải (10 x
năng của phương pháp tổ hợp nhiều loại ảnh
10 m) trên tọa độ trắc địa thế giới dạng kinh độ
và các nguồn dữ liệu thảm phủ trong phân
và vĩ độ. Các nguồn ảnh quang học sẽ được
loại và nhận diện các loại thảm phủ phức tạp
tiền xử lý ảnh hưởng của không khí, mây che
và phân theo mảnh. Từ bản đồ LULC có thể
phủ, và hiệu chỉnh hình học. Các loại ảnh
hiểu rõ hơn sự vận động của LULC ở khu vực
radar sẽ được xử lý hiệu ứng che khuất do địa
miền Trung và góp phần vào quản lý cũng
hình và lọc các lỗi đốm sáng trước khi dùng để
như đưa ra các chính sách phù hợp trong quản
phân loại.
lý tài nguyên.
Nhằm nâng cao độ chính xác trong việc phân
loại, các chỉ số quang học đặc trưng cho từng
2. SỐLIỆUVÀPHƯƠNGPHÁPTHỰCHIỆN
2
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
KHOA HỌC
CÔNG NGHỆ
loại LULC cụ thể được tính toán. Chỉ số xác
định vùng đô thị và đất trống (EBBI, [6]), Chỉ
số chênh lệch chuẩn hóa vùng đô thị (NDBI,
[7]), Chỉ số đô thị (UI, [6]) và Chỉ số chênh
lệch chuẩn hóa vùng đất trống (NDBaI, [8])
được sử dụng để phân biệt đất xây dựng và đất
trống. Chỉ số khác biệt chuẩn hóa thực vật
(NDVI, [9]), Chỉ số thực vật cải thiện (EVI;
[10]), Chỉ số đánh giá đất thảm phủ (SAVI,
[11]) và Chỉ số chuẩn hóa vùng nước mặt
(NDWI, [12]) có thể được sử dụng để theo dõi
kịp thời các vùng thực vật trong một cảnh
quan không đồng nhất phức tạp để phân biệt
nước, đất trồng trọt, rừng trồng và rừng.
and EVI
ALOS PALSAR
Mosaic
2007 HH and HV
ALOS-2
PALSAR-2
Mosaic
2017 HH and HV
SRTM30
2000
-
-
-
Open street
map
2.3. Phương pháp phân loại
Bảng 1: Loại dữ liệu, năm thu thập
và các băng tần được sử dụng
N m
ă
B
ă
ng t
ầ
ố
n
Nguồn
ảnh
quan
và ch
ỉ
s
sát
1, 2, 3, 4, and 8
NDVI, NDBI, EVI,
and UI
Sentinel 2
2017
2017
2007
2007
2007
1, 2, 3, 4, and 5
Hình 1: Trình tự các bước nghiên cứu và
đánh giá sự thay đổi của thảm phủ/
sử dụng đất ở miền Trung
NDVI,
NDBI,
Landsat 8 OLI
NDBaI,
Nghiên cứu này bao gồm ba giai đoạn chính:
tiền xử lý hình ảnh, phân loại LULC và đánh
giá độ chính xác, và phân tích thay đổi (Hình
1). Theo một phương pháp được mô tả trước
đây [13], nghiên cứu này sử dụng lý thuyết
Bayes cùng với ước tính mật độ trung tâm
(KDE) để xác định xác suất cho từng loại
LULC sau đó chọn loại LULC có giá trị sác
suất lớn nhất [14]. Cụ thể hơn, nghiên cứu xây
dựng hàm mật độ xác suất có điều kiện là tổng
của các hàm Gausian ứng với các tính năng
đầu vào (như chỉ số thực vật, băng tần, v.v.)
cho từng loại LULC. Sau đó sử dụng lý thuyết
Bayes để tính xác suất hậu nghiệm của từng
loại LULC cho một ảnh dữ liệu. Cuối cùng,
EVI, and EBBI
1, 2, 3, and 4
NDVI, NDBI, EVI,
and SAVI
ALOS AVNIR-
2
1, 2, 3, 4, 5, and 7
Landsat
ETM+
7
NDVI,
NDBI,
NDWI,
and EVI
1, 2, 3, 4, 5, and 7
Landsat 5 TM
NDVI,
NDBI,
NDWI,
3
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
KHOA HỌC
CÔNG NGHỆ
tích xác suất hậu nghiệm của tất cả các ảnh ở dưới đây:
cùng một vị trí sẽ là giá trị xác suất hậu
Nk
D
x x
1
1
d
n,d
nghiệm cuối cùng và quyết định loại LULC.
p(x |Ck )
K
(3)
n1d 1
Nk
hd
hd
Phương pháp này phù hợp để nhận diện thông
2
tin LULC trên diện rộng vì tính tự động hoàn
toàn của mô hình. Quan trọng hơn, cách tiếp
cận KDE này chính xác hơn các phương pháp
được sử dụng phổ biến hiện nay như “support
vector machine” (SVM) và phân loại khả năng
tối đa (MLC) [13].
1
u
2
K(u)
exp
(4)
(5)
2
hd N1/(D4).d
Trong đó, Nk là số lượng dữ liệu để luyện
mô hình của lớp Ck, hd là tham số được ước
tính theo công thức (5), N là tổng số dữ liệu
để luyện (N = N1 + N2 + ... + NM) và σd
biểu thị độ lệch chuẩn của bộ dự liệu đầu
vào thứ dth của dữ liệu để luyện mô hình
{xn,d | 1 ≤ n ≤ N}.
Chi tiết phương pháp được trình bày như sau.
Xác suất hậu nghiệm của một lớp sẽ được
tính dựa trên dữ liệu đầu vào x, cụ thể là các
băng tần, chỉ số, giá trị thời gian tại thời điểm
phân tích [t1, t2] như được trình bày trong
công thức (1).
Trong bước tiếp theo, tại mỗi vị trí, nghiên cứu
đã tích hợp xác suất hậu nghiệm ứng với từng
loại thảm phủ/sử dụng đất của tất cả các hình
ảnh chồng ghép nhau. Lớp thảm phủ/sử dụng
đất có tích xác suất hậu nghiệm cao nhất sẽ là
loại LULC được ước tính. Tuy nhiên, trong
thực tế, một số điểm ảnh bị mây che phủ hoặc
không đủ dữ liệu sẽ bị ước tính sai. Nghĩa là
xác suất hậu nghiệm p(Ck|x) của điểm ảnh đó
có thể bằng không. Nếu xảy ra, nó sẽ làm cho
tích của xác suất hậu nghiệm của loại Ck cũng
gần bằng hoặc gần bằng không, vì nhân với số
không luôn cho kết quả là không. Nghĩa là ngay
cả khi một vài ảnh có kết quả ước tính p(Ck|x)
cao và thậm chí bằng 1, dự đoán cuối cùng về
loại LULC sẽ không thể là lớp Ck. Để khắc
phục vấn đề này, xác suất hậu nghiệm của mỗi
hình ảnh không được quá nhỏ hoặc bằng không.
Để giải quyết vấn đề này, nghiên cứu đã sử
dụng phương trình (6) để giữ các giá trị xác
suất hậu nghiệm bé ở mức cho phép. Tích xác
suất hậu nghiệm cuối cùng của một loại LULC
Ck là p’(Ck) được ước tính theo công thức (7).
DOY
DOY
DOY
DOY
t1,t2 cos(2
, sin(2
(1)
max
max
Trong đó DOY là ngày trong năm (lịch Julian),
và DOYmax (= 365,25) là số ngày lớn nhất
trong năm nghiên cứu (tính trung bình).
Đối với mỗi ảnh, xác suất hậu nghiệm của một
loại thảm phủ Ck (k: là loại thảm phủ k, k = 1,
2, ... M; M là tổng số loại thảm phủ; M = 9)
được xác định bằng cách sử dụng lý thuyết
Bayes dựa trên dữ liệu đầu vào x trong công
thức (2).
p(Ck )p(x|Ck )
p(x)
p(Ck )p(x|Ck )
(2)
p(Ck | x)
M
p(C )p(x|C )
k
k
k1
Trong đó p(Ck) là xác suất tiền nghiệm của Ck
(được giả sử là phân phối đồng đều) và
p(x|Ck) là xác suất có điều kiện của x; p(x|Ck)
được ước tính dựa trên dữ liệu luyện mô hình
và sử dụng ước tính KDE. KDE được sử dụng
để tính phân phối xác suất của dữ liệu dưới
dạng tổng của các hàm con ứng với từng dữ
liệu luyện mô hình. Các hàm con KDE được
xây dựng dựa vào quy luật Gaussian như trình
bày ở công thức (3) và quy tắc ngón tay cái
của Scott được trình bày trong công thức (4)
1 a
p'(Ck | x) ap(Ck | x)
(6)
M
4
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
KHOA HỌC
CÔNG NGHỆ
S
những vị trí thay đổi trong suốt mười năm
(Hình 2). Độ chính xác của bản đồ được đánh
giá dựa vào ma trận lỗi như thể hiện trong
Bảng 2 và Bảng 3. Độ chính xác tổng thể của
các bản đồ cho năm 2007 và 2017 là 90,5%
(hệ số kappa là 90%) và 90,6% (hệ số kappa là
90%), theo thứ tự tương ứng. Hầu hết các lớp
có độ chính xác cho người dùng và nhà sản
xuất lớn hơn hoặc gần 90%, ngoại trừ cỏ và cây
ăn quả. Nước, đất trống, lúa và rừng có độ chính
xác cao nhất là hơn hoặc gần 95%, tiếp theo là
đô thị và cây trồng có độ chính xác tương ứng
khoảng 91% và 90%. Cây ăn quả và đồng cỏ có
độ chính xác thấp nhất (<85%) trong hai bản đồ.
Lý do phân loại sai về cây ăn quả và đồng cỏ có
thể là các đặc điểm phổ tương ứng giữa các
vườn cây, cỏ và các loại khác.
p'(C ) p' (C | x )
(7)
k
i
k
i
i1
trong đó a là giá trị không đổi (a = 0,7) và S là
số lượng hình ảnh tại một vị trí.
Việc xác định một loại LULC là loại có tích
xác suất hậu nghiệm của tất cả các ảnh chồng
ghép cao nhất trong số tất cả các loại. Giả sử,
tại một pixel r của một ảnh dự kiến phân ra hai
loại LULC là nước và đô thị, có tích xác suất
hậu nghiệm của nước: p'(Cnước) = 0,6 và tích
xác suất hậu nghiệm của đô thị: p'(Cđô thị) = 0,4
. Tích xác suất hậu nghiệm cao nhất của pixel
r là 0,6 và độ che phủ của pixel r sẽ là nước
trong trường hợp này.
3. KẾT QUẢ
Kết quả là bản đồ phân loại LULC khu vực
miền Trung ở thời điểm năm 2007 và 2017 và
Hình 2: Bản đồ che phủ đất trong (a) 2007, (b) 2017, (c) các khu vực thay đổi độ che phủ đất
trong giai đoạn 10 năm ở miền Trung Việt Nam và A, B và C là các địa điểm được chọn để
phân tích thay đổi ở Thừa Thiên Huế Các tỉnh Quảng Nam và Thanh Hóa tương ứng
Bảng 2: Đánh giá độ chính xác của các bản đồ LULC năm 2007
khu vực miền Trung, sử dụng ma trận lỗi
Lo
C
0
ạ
i th
ả
G
0
m phủ dự báo
W
644
0
0
0
U
0
1005
6
12
6
P
4
3
1138
8
0
O
0
B
0
2
15
6
1
F
0
0
2
6
0
M
11
0
58
2
Total PA (%)
659 97.8
1181 85.1
1236 92.1
1335 84.2
393 96.0
W
U
P
C
G
64
12
31
3
76
2
105
5
1123 73
377
0
4
0
5
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
KHOA HỌC
CÔNG NGHỆ
O
B
F
M
Total
0
0
1
8
7
0
0
2
0
1
34
1
0
11
1
1
637
1
60
0
886
71.9
0
496
0
45
0
986
0
0
0
0
495
566
87.5
0.00
737 86.5
506 98.1
1049 94.0
536 92.4
7632 91.8
89.6 90.5
23
16
0
2
0
668 1044 1172 1238 499
520 1039
95.4 94.9
0.01 0.03
UA (%) 96.5 96.3 97.1 90.8 75.6
Ka
0.02 0.05 0.02 0.02 0.00 0.00
0.15
0.9
Bảng 3: Đánh giá độ chính xác của các bản đồ LULC năm 2017
khu vực miền Trung, sử dụng ma trận lỗi
Lo
ại th
ả
m ph
ủ
d
O
0
ự
báo
W
2636
0
U
2
P
1
C
0
G
B
0
F
0
M
2
Total PA (%)
2645 99.7
2020 89.1
3051 97.4
3074 79.9
2281 79.9
1069 71.6
1367 92.5
3314 99.4
824 94.8
19645 89.4
89.1 90.6
W
4
58
0
U
P
1799
0
1
70
75
11
17
0
0
0
5
2971 17
28
28
46
54
0
19
C
2
33
74
12
60
0
157 2454 181
171
135
765
3
0
48
7
G
84
1
7
4
5
8
5
107 1821
0
O
153
16
3
72
7
0
8
B
12
0
1264
0
F
1
10
1
1
3291
22
0
M
Total
7
3
2
2
1
781
865
90.3
0.00
2747 1983 3159 2822 2146
1171
65.4
0.00
1283 3469
98.6 94.9
0.00 0.03
UA (%) 96.0 90.8 94.1 87.0 84.9
Ka 0.02 0.01 0.02 0.02 0.01
0.13
0.9
UA: Độ chính xác cho người sử dụng; PA: Độ chính xác của nhà xuất bản; and Ka: Hệ số
Kappa; W: Nước;
U: Đô thị; P: Lúa; C: Hoa màu; G: Cỏ; O: Cây ăn quả; B: Đất trống; F: Rừng; M: Rừng ngập mặn.
6
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
KHOA HỌC
CÔNG NGHỆ
7
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
KHOA HỌC
CÔNG NGHỆ
Hình 5: Các địa điểm được lựa chọn để phát hiện thay đổi LULC trong
giai đoạn 2007-2017 ở miền Trung Việt Nam; Địa điểm A, B và C lần lượt thuộc
các tỉnh Thừa Thiên Huế, Quảng Nam và Thanh Hóa.
sự phát triển bền vững môi trường và an ninh
lương thực. Kết quả cho thấy hơn 21 con đập
khổng lớn đã được xây dựng tại các con sông
ở thượng nguồn (ví dụ: Hương, Vu Gia -Thu
Bồn, Đồng Nai và Sre Pok) và nhiều dự án
khác hiện đang được lên kế hoạch. Những con
đập này có thể chặn trầm tích lơ lửng từ các
khu vực thượng nguồn, có thể gây xói mòn bờ
biển quy mô lớn và mất đất. Ngoài ra, việc xây
dựng các đập thượng nguồn hạn chế dòng chảy
hạ lưu dẫn đến mực nước tại các cửa sông
giảm, trong khi mực nước biển dự kiến sẽ
tăng. Điều này cũng có thể dẫn đến xói mòn
nghiêm trọng và xâm nhập mặn nghiêm trọng
ở vùng thấp, sau đó là sự mở rộng ảnh hưởng
của độ mặn đến tăng trưởng và năng suất của
cây như lúa, và chuyển đổi lúa gạo sang nuôi
trồng thủy sản hoặc các vùng đất khác dẫn đến
giảm năng suất lúa. Do Việt Nam là nước xuất
khẩu gạo lớn thứ hai trên thế giới, sản xuất
lương thực trong nước và thương mại gạo
quốc tế có thể gặp rủi ro trừ khi chiến lược
phát triển bền vững được xem xét trong tương
lai gần.
4. THẢO LUẬN
Khu vực miền Trung có thảm phủ phân mảnh
và phức tạp đã trải qua những thay đổi nhanh
chóng và rộng lớn trong giai đoạn 2007 đến
2017. Để quan sát sự chuyển đổi sử dụng đất ở
miền Trung do sự chuyển đổi kinh tế xã hội
gần đây, ba địa điểm thử nghiệm đã được
chọn. Các địa điểm thử nghiệm lần lượt là các
địa điểm A, B và C tại các tỉnh Thừa Thiên
Huế, Quảng Nam và Thanh Hóa (Hình 6). Tại
khu vực A, một số hồ chứa đã được xây dựng,
đó là một hiện tượng phổ biến ở miền Trung.
Những hồ chứa này đã chuyển đổi một số
vùng cây ăn quả sang nước mặt trong khi một
số khu rừng lân cận được chuyển sang trồng
trọt. Phát hiện này phù hợp với phân tích vệ
tinh khác [15] và có thể giải thích tại sao vườn
cây giảm trong khi đất trồng trọt tăng trong
một vài thập kỷ gần đây. Vị trí B minh họa
một sự thay đổi từ đất trồng trọt sang đất rừng,
đây là kết quả của chính sách gần đây do chính
phủ ban hành nhằm trồng lại rừng ỏ một số
vùng của Việt Nam thông qua việc cung cấp
các nguồn lực tài chính và kỹ thuật [16]. Mức
tăng diện tích rừng này cũng trùng khớp với
phân tích từ vệ tinh khác [17] và thống kê
nhân khẩu học [18] cho thấy diện tích rừng
tăng thêm 1.696 triệu ha trên quy mô quốc gia
từ năm 2005 đến 2015. Vị trí C trình bày sự
thay đổi của lúa sang trồng trọt hoặc đô thị lên
khu vực. Điều này có thể giải thích sự suy
giảm của các cánh đồng lúa và sự gia tăng của
các vùng trồng trọt trong khu vực. Một lý do
khác cho việc giảm ruộng lúa có thể là từ
chuyển đổi sang nuôi trồng thủy sản vì năng
suất lúa giảm do sự xâm nhập của nước mặn.
5. KẾT LUẬN
Áp lực từ các hoạt động của con người lên hệ
thống LULC đất ở miền Trung đang gia tăng
do quá trình phát triển kinh tế xã hội nhanh
chóng. Trong thập kỷ gần đây, các khu vực
rừng đã mở rộng đáng kể do những nỗ lực của
chính phủ khuyến khích trồng lại bằng cách
thay đổi chính sách và cung cấp các nguồn lực
kỹ thuật. Tuy nhiên, chất lượng rừng ở miền
Trung vẫn còn là một câu hỏi ngõ và là mối
quan tâm lớn trong việc đảm bảo quản lý rừng
ở Việt Nam và Mục tiêu phát triển bền vững
Khu vực miền Trung đã trải qua những thay (SDG). Các khu vực đô thị & cơ sở hạ tầng
đổi lớn, đặc biệt là sự suy giảm của các cánh khác đã mở rộng xung quanh các thành phố
đồng lúa và sự gia tăng của mặt nước nội địa đông đúc như Thanh Hóa, Vinh, Huế và Đà
có thể được phát hiện dễ dàng dựa trên nghiên Nẵng do sự gia tăng dân số và sự di chuyển
cứu này. Những thay đổi này có thể đã tạo ra của công dân từ nông thôn đến thành thị. Gia
các hệ sinh thái mới chưa từng có tác động đến tăng dân số cũng đi kèm với nhu cầu về nước,
8
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
KHOA HỌC
CÔNG NGHỆ
thủy lợi trong nước và công nghiệp và thủy học dữ liệu đầu vào thích hợp để nghiên cứu
điện ngày càng tăng, dẫn đến việc mở rộng và thảo luận thêm về quản lý môi trường đất.
mặt nước nội địa. Những thay đổi này có thể
LỜI CÁM ƠN
làm giảm tính bền vững của môi trường, đặc
Tác giả chân thành gửi lời cảm ơn đến Quỹ
biệt là do xói mòn bờ biển, mất đất và xâm
học bổng phát triển nguồn nhân lực của Chính
nhập mặn. Những phát hiện về động lực che
phủ Nhật Bản (JDS) đã tài trợ kinh phí thực
hiện các hoạt động của nghiên cứu này.
phủ đất cùng với việc giải thích các yếu tố
thúc đẩy có thể cung cấp cho các nhà hoạch
định chính sách và cộng đồng các nhà khoa
TÀI LIỆU THAM KHẢO
[1] N. Torbick, D. Chowdhury, W. Salas, and J. Qi, “Monitoring rice agriculture across myanmar
using time series Sentinel-1 assisted by Landsat-8 and PALSAR-2,” Remote Sens., 2017.
[2] J. Dong et al., “Mapping deciduous rubber plantations through integration of PALSAR and
multi-temporal Landsat imagery,” Remote Sens. Environ., 2013.
[3] J. Reiche et al., “Combining satellite data for better tropical forest monitoring,” Nature
Climate Change. 2016.
[4] J. D. T. De Alban, G. M. Connette, P. Oswald, and E. L. Webb, “Combined Landsat and
L-band SAR data improves land cover classification and change detection in dynamic
tropical landscapes,” Remote Sens., 2018.
[5] T. T. Hoang and K. N. Nasahara, “Phân Tích Biến Động Thảm Phủ Mặt Đất ở Miền Bắc
Việt Nam Sử Dụng Dữ Liệu Viễn Thám Phân Giải Cao,” in Hội thảo khoa học Quốc gia về
Khí tượng, Thủy văn, Môi trường và Biến đổi khí hậu, 2017, no. Vi, pp. 445–451.
[6] A. R. As-syakur, I. W. S. Adnyana, I. W. Arthana, and I. W. Nuarsa, “Enhanced built-UP
and bareness index (EBBI) for mapping built-UP and bare land in an urban area,” Remote
Sens., vol. 4, no. 10, pp. 2957–2970, 2012.
[7] Y. Zha, J. Gao, and S. Ni, “Use of normalized difference built-up index in automatically
mapping urban areas from TM imagery,” Int. J. Remote Sens., vol. 24, no. 3, pp. 583–594, 2003.
[8] Hongmei Zhao and Xiaoling Chen, “Use of normalized difference bareness index in
quickly mapping bare areas from TM/ETM+,” 2005.
[9] C. J. Tucker, “Red and photographic infrared linear combinations for monitoring
vegetation,” Remote Sens. Environ., vol. 8, no. 2, pp. 127–150, 1979.
[10] A. Huete, K. Didan, T. Miura, E. P. Rodriguez, X. Gao, and L. G. Ferreira, “Overview of
the radiometric and biophysical performance of the MODIS vegetation indices,” Remote
Sens. Environ., vol. 83, no. 1–2, pp. 195–213, 2002.
[11] A. R. Huete, “A soil-adjusted vegetation index (SAVI),” Remote Sens. Environ., vol. 25,
no. 3, pp. 295–309, 1988.
[12] T. J. Jackson et al., “Vegetation water content mapping using Landsat data derived
normalized difference water index for corn and soybeans,” in Remote Sensing of
Environment, 2004.
[13] S. Hashimoto, T. Tadono, M. Onosato, M. Hori, and T. Moriyama, “Probabilistic land cover
classification approach toward knowledge-based satellite data interpretations,” in International
9
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
CHUYỂN GIAO
CÔNG NGHỆ
Geoscience and Remote Sensing Symposium (IGARSS), 2012, pp. 1513–1516.
[14] S. Hashimoto, T. Tadono, M. Onosato, and M. Hori, “Land use and land cover inference in
large areas using multi-temporal optical satellite images,” in International Geoscience and
Remote Sensing Symposium (IGARSS), 2013.
[15] D. D. Khoi and Y. Murayama, “Forecasting areas vulnerable to forest conversion in the tam Dao
National Park region, Vietnam,” Remote Sens., vol. 2, no. 5, pp. 1249–1272, 2010.
[16] E. S. Nambiar, C. E. Harwood, and N. D. Kien, “Acacia plantations in Vietnam: research
and knowledge application to secure a sustainable future,” Southern Forests. 2015.
[17] P. Meyfroidt and E. F. Lambin, “Forest transition in Vietnam and its environmental
impacts,” Glob. Chang. Biol., 2008.
[18] FAO, “Global Forest Resources Assessment 2010,” 2010.
10
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019
Bạn đang xem tài liệu "Đánh giá biến động thảm phủ và sử dụng đất khu vực miền Trung dựa vào thuật toán ước tính mật độ hạt nhân", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- danh_gia_bien_dong_tham_phu_va_su_dung_dat_khu_vuc_mien_trun.pdf