Sử dụng ảnh Landsat 8 và Google Earth Engine để phát hiện sớm mất rừng, suy thoái rừng khu vực Tây Nguyên: Trường hợp ở tỉnh Đắk Nông

Quản lý Tài nguyên rừng & Môi trường

SỬ DỤNG ẢNH LANDSAT 8 VÀ GOOGLE EARTH ENGINE ĐỂ

PHÁT HIỆN SỚM MẤT RỪNG, SUY THOÁI RỪNG KHU VỰC

TÂY NGUYÊN: TRƯỜNG HỢP Ở TỈNH ĐẮK NÔNG

Phùng Văn Khoa¹, Nguyễn Quốc Hiệu², Nguyễn Quang Huy¹

¹Trường Đại học Lâm nghiệp

²Tổng Cục Lâm nghiệp

TÓM TẮT

Đối với ngành Lâm nghiệp ở nước ta, ảnh viễn thám đã được nghiên cứu và ứng dụng có hiệu quả trong việc

đánh giá những thay đổi tài nguyên rừng ở những giai đoạn khác nhau nhưng việc ứng dụng ảnh viễn thám

trong phát hiện sớm mất rừng, suy thoái rừng còn ít được nghiên cứu. Trong bài báo này, chúng tôi xây dựng

phương pháp để phát hiện sớm mất rừng và suy thoái rừng từ ảnh Landsat 8 và Google Earth Engine thông qua

chỉ số KB% (chỉ số về sự thay đổi giá trị tương đối theo thời gian của chỉ số NDVI). Kết quả từ nghiên cứu đã

xác lập được ngưỡng xác định những khu rừng ổn định (không thay đổi), rừng bị suy thoái, rừng bị mất có giá

trị KB lần lượt là: 4,5 - 20,1%; 20,1 - 52,5% và 52,5 - 70,0%. Phương pháp phát hiện sớm mất rừng, suy thoái

rừng đã được đánh giá cho khu vực tỉnh Đắk Nông (năm 2018) với tỷ lệ phát hiện vùng mất rừng là 80,0% và

độ chính xác về phát hiện diện tích rừng bị mất là 85,3%; tỷ lệ phát hiện vùng suy thoái rừng là 70,0% và độ

chính xác về phát hiện diện tích rừng bị suy thoái là 72,0%. Kết quả của nghiên cứu này có ý nghĩa thực tiễn

trong việc phát hiện sớm mất rừng và suy thoái rừng nhất là vào các tháng thuộc mùa khô (tháng 1, 2, 3 và 4) ở

tỉnh Đắk Nông. Đồng thời, có thể ứng dụng phương pháp này để phát hiện sớm mất rừng, suy thoái rừng ở khu

vực Tây Nguyên và các khu vực khác có điều kiện tương tự trong cả nước.

Từ khóa: Google Earth Engine, Landsat 8, mất rừng, suy thoái rừng, Tây Nguyên.

được nghiên cứu ứng dụng mạnh mẽ trong việc

theo dõi diến biến tài nguyên rừng (Trần

Quang Bảo và cộng sự, 2017; Nguyễn Hải Hòa

và cộng sự, 2018; Nguyễn Đăng Vỹ, 2018).

Mặc dù ảnh viễn thám kết hợp với hệ thống

thông tin địa lý (GIS) đã được ứng dụng rộng

rãi và có hiệu quả trong việc phân tích diễn

biến tài nguyên rừng trên thế giới cũng như tại

Việt Nam nhưng việc ứng dụng ảnh viễn thám

trong việc phát hiện sớm mất rừng và suy thoái

rừng còn ít được nghiên cứu và ứng dụng vào

thực tế. Phát hiện sớm mất rừng, suy thoái

rừng được hiểu là khả năng phát hiện sớm nhất

kể từ khi xảy ra sự kiện mất rừng hoặc suy

thoái rừng. Điều này phụ thuộc vào loại ảnh sử

dụng, chu kỳ bay chụp của ảnh và độ che phủ

của mây, bóng mây (đối với ảnh quang học).

Đối với ảnh Landat, chu kỳ bay chụp là 16

ngày, do đó nếu ảnh không có mây, bóng mây

thì dùng ảnh Landsat sẽ có thể phát hiện được

sớm mất rừng, suy thoái rừng sau 16 ngày.

Phát hiện sớm mất rừng, suy thoái rừng dựa

vào chỉ số NDVI được xác định là khi có sự

thay đổi đột ngột giữa hai mốc thời gian của

chỉ số NDVI.

1. ĐẶT VẤN ĐỀ

Theo Tổ chức Lương thực và Nông nghiệp

Liên Hiệp Quốc (FAO, 2015) định nghĩa: mất

rừng là việc chuyển đổi đất có rừng sang đất sử

dụng vào mục đích khác hoặc giảm độ che phủ

của rừng dưới ngưỡng 10% trong một thời gian

dài. Suy thoái rừng là làm giảm khả năng của

rừng trong việc cung cấp gỗ và dịch vụ từ

rừng. Theo Luật Lâm nghiệp số 16/2017/QH14

thì suy thoái rừng là sự suy giảm về hệ sinh

thái rừng, làm giảm chức năng của rừng. Theo

số liệu công bố của Tổng cục Lâm nghiệp,

trong giai đoạn 2014 - 2018, diện tích rừng tự

nhiên vùng Tây Nguyên bị mất là 46.828 ha

(chiếm 2,08%), trong đó Đắk Nông là tỉnh có

rừng tự nhiên bị mất nhiều nhất với diện tích là

14.705 ha.

Đã có khá nhiều nghiên cứu trên thế giới

ứng dụng ảnh viễn thám trong việc phân tích

những thay đổi tài nguyên rừng, trong đó có

thể kể đến một số nghiên cứu điển hình của

một số tác giả như: N I Fawzi et al., 2018; An

Vo Quang et al., 2019; Mathieu Rahm et al.,

2013; Nanki Sidhu et al., 2018; Nicola Puletti

et al., 2019... Ở Việt Nam ảnh viễn thám cũng

106

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

Quản lý Tài nguyên rừng & Môi trường

Trong nghiên cứu này, chúng tôi sử dụng

ảnh vệ tinh Landsat 8 SR (độ phân giải không

gian 30 m), Google Earth Engine (GEE),

ArcGIS, Planet.com kết hợp với dữ liệu đã

được kiểm chứng thực tế về mất rừng, suy

thoái rừng trên địa bàn tỉnh Đắk Nông nhằm

các mục tiêu: (1) đánh giá khả năng sử dụng

ảnh Landsat 8 khu vực nghiên cứu trong giám

sát tài nguyên rừng; (2) xác định ngưỡng thay

đổi về chỉ số thực vật để phát hiện khu rừng

không thay đổi, mất rừng và suy thoái rừng và

(3) đánh giá độ chính xác của phương pháp

phát hiện sớm mất rừng, suy thoái rừng. Các

kết quả của nghiên cứu này có thể được ứng

dụng vào thực tiễn nhằm hỗ trợ cho lực lượng

Kiểm lâm, chủ rừng và các nhà quản lý rừng

trong công tác phát hiện sớm những trường

hợp xâm hại rừng, từ đó đưa ra các giải pháp

kịp thời và thích hợp cho vùng Tây Nguyên

cũng như các tỉnh khác có điều kiện tài nguyên

rừng tương tự.

Đắk Nông là 1 trong 5 tỉnh có diện tích rừng bị

mất, suy thoái nhiều nhất vùng Tây Nguyên

trong 5 năm gần đây. Hơn nữa tài nguyên rừng

tỉnh Đắk Nông có các trạng thái rừng phổ biến

cho vùng Tây Nguyên. Vì vậy, nhóm tác giả đã

chọn tỉnh Đắk Nông để thực hiện nghiên cứu.

Nghiên cứu được thực hiện trên 5 kiểu rừng

chính của tỉnh Đắk Nông, bao gồm: rừng gỗ tự

nhiên lá rộng thường xanh, rừng gỗ cây lá kim,

rừng tre nứa, rừng trồng Keo, rừng hỗn giao gỗ

- tre nứa. Các kiểu rừng khác (rừng rụng lá,

rừng nửa rụng lá, rừng trồng Cao su) không

thuộc phạm vi của nghiên cứu này. Chúng tôi

sử dụng bản đồ nền kết quả kiểm kê rừng tỉnh

Đắk Nông năm 2015 (Nguồn: Chi cục Kiểm

lâm tỉnh Đắk Nông) để xác định 5 trạng thái

rừng được lựa chọn nghiên cứu.

Để thực hiện nghiên cứu này, nhóm tác giả

đã lựa chọn và thu thập 200 vùng mẫu (gọi tắt

là mẫu), trong đó: 100 mẫu để xác định

ngưỡng rừng không thay đổi, 50 mẫu để xác

định ngưỡng mất rừng, 20 mẫu để đánh giá độ

chính xác phát hiện sớm mất rừng và 30 mẫu

để đánh giá độ chính xác phát hiện sớm suy

thoái rừng (Hình 1).

2. PHƯƠNG PHÁP NGHIÊN CỨU

2.1. Phạm vi và mẫu nghiên cứu

Mất rừng và suy thoái rừng là hiện tượng

khá phổ biến trên thế giới và ở Việt Nam. Khu

vực Tây Nguyên đã thể hiện rõ điều này và

Hình 1. Khu vực và vị trí các vùng mẫu

nghiên cứu

Hình 2. Quy trình xác định ngưỡng phát hiện

mất rừng và suy thoái rừng

diễn biến tài nguyên rừng khu vực nghiên cứu.

Đồng thời, nghiên cứu sử dụng 6 ảnh Landsat

8 SR (Surface Reflectance) trong khoảng thời

gian từ tháng 1 đến tháng 4 các năm 2016,

2017, 2018 để xác định khu rừng không thay

đổi, mất rừng, suy thoái rừng và đánh giá độ

chính xác của phương pháp.

2.2. Dữ liệu ảnh vệ tinh

Nghiên cứu sử dụng dữ liệu ảnh Landsat 8

SR trong GEE gồm 2 cảnh ảnh (124051 và

124052) khu vực tỉnh Đắk Nông với thời gian

chụp từ 01/01/2015 đến 31/12/2018 và xác

định tỷ lệ mây trên ảnh nhằm đánh giá khả

năng sử dụng ảnh Landsat 8 trong giám sát

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

107

Quản lý Tài nguyên rừng & Môi trường

Bảng 1. Dữ liệu ảnh Landsat 8 SR trong Google Earth Engine sử dụng trong nghiên cứu

Độ phân giải

không gian các

TT

Mã ảnh

Thời gian

Tỷ lệ mây (%)

band sử dụng

(m)

30

1

2

3

4

5

6

LC08_124052_20160104

LC08_124052_20160308

LC08_124052_20170106

LC08_124052_20170327

LC08_124052_20180109

LC08_124052_20180415

04/01/2016

08/03/2016

06/01/2017

27/03/2017

09/01/2018

15/04/2018

33,89

2,11

13,69

38,05

23,70

24,32

Nguồn: Google Earth Engine

chỉ số sử dụng trong viễn thám như: NDVI,

NBR, MSAVI, EVI... Trong nghiên cứu này,

các khu vực rừng bị mất, bị suy thoái được xác

định dựa vào sự thay đổi giữa hai mốc thời

gian của Chỉ số Thực vật khác biệt chuẩn hóa

(Normalized Difference Vegetation Index -

NDVI) và được chúng tôi ký hiệu là KB. Công

thức tính KB như sau:

2.3. Phần mềm, Website sử dụng

Trong nghiên cứu này, chúng tôi đã sử dụng

ArcGIS Desktop, Google Earth Engine,

Google Earth Pro và Planet.com để phân tích

ảnh vệ tinh và phát hiện khu rừng không thay

đổi, mất rừng, suy thoái rừng. Phần mềm

ArcGIS được sử dụng để phân tích chỉ số KB

và xác định những khu vực rừng có sự thay

đổi; Google Earth Engine được sử dụng để

chọn ảnh theo thời gian cho khu vực nghiên

cứu, lọc mây/bóng mây, vẽ biểu đồ thay đổi

chỉ số NDVI theo thời gian; Google Earth Pro

và Planet.com được sử dụng để hỗ trợ kiểm

chứng nhanh khu vực có sự thay đổi rừng

trong quá khứ.

KB = 100 * (T₁-T₂)/T₁

(1)

Trong đó: T₁, T₂là giá trị NDVI tại thời

điểm trước và sau xảy ra mất rừng, suy thoái

rừng;

Chỉ số thực vật NDVI được xác định theo

công thức:

)

NDVI = ₍⁽

(2)

ꢀꢁꢂꢃ

ꢇ ꢀꢁꢂꢃ

ꢄꢅꢆ

ꢆꢈꢉ

)

ꢀꢁꢂꢃ

ꢊ ꢀꢁꢂꢃ

ꢄꢅꢆ

ꢆꢈꢉ

2.4. Xác định khả năng sử dụng ảnh

Landsat 8 trong giám sát diễn biến tài

nguyên rừng

Trong đó: Đối với ảnh Landsat 8 SR,

Band_NIR(kênh cận hồng ngoại) là Band 5 và

Band_RED(kênh đỏ) là Band 4.

Chúng tôi tiến hành lấy thông tin về tỷ lệ

mây của tất cả ảnh vệ tinh Landsat 8 khu vực

tỉnh Đắk Nông với 2 cảnh ảnh 124051 và

124052 trong thời gian 4 năm bao gồm: 2015,

2016, 2017, 2018. Sau đó, tỷ lệ mây của các

ảnh được tính trung bình cộng theo từng tháng

trong thời gian liên tục 4 năm. Kết quả về tỷ lệ

mây của các ảnh Landsat 8 theo 12 tháng trong

năm được sử dụng để xem xét khả năng sử

dụng ảnh Landsat 8 cho phát hiện sớm mất

rừng và suy thoái rừng.

Ảnh chỉ số thực vật tại 2 thời điểm (T₁, T₂)

là các ảnh có sẵn trong cơ sở dữ liệu của GEE.

Các cảnh ảnh Landsat 8 đã được chuyển giá trị

từ (Digital Number - DN) về giá trị phản xạ

phổ bề mặt (Surface Reflectance - SR).

Để giảm ảnh hưởng của các yếu tố nhiễu đến

kết quả phát hiện vùng mất rừng, suy thoái

rừng, chung tôi đã giới hạn phạm vi của ảnh tại

2 thời điểm (T₁và T₂) như sau: (1) là diện tích

có rừng với 5 kiểu rừng đã chọn theo bản đồ

kiểm kê rừng năm 2015 tỉnh Đắk Nông; (2)

những khu vực ảnh có mây được loại bỏ bằng

các lệnh lập trình trong GEE; (3) dựa theo kết

quả nghiên cứu của Yang, Y. và các cộng sự

2.5. Chỉ số viễn thám và chỉ số đánh giá sự

thay đổi rừng

Chỉ số viễn thám là khái niệm chung chỉ các

108

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

Quản lý Tài nguyên rừng & Môi trường

(2019), thì khu vực có chỉ số NDVI nhỏ hơn

hoặc bằng 0,2 là khu vực không có thảm thực

vật che phủ, vì vậy những khu vực này cũng

được loại bỏ bằng các lệnh lập trình trong GEE.

Các vùng được phát hiện là mất rừng, suy

thoái rừng từ kết quả nghiên cứu phải có diện

tích bằng hoặc lớn hơn 0,5 ha mới được lựa

chọn. Với độ phân giải không gian của ảnh

Landsat (30 m), chúng tôi đã thử nghiệm và

thấy rằng với diện tích rừng bị mất, rừng bị suy

thoái từ 0,5 ha trở lên thì việc phát hiện được

bằng ảnh Landsat 8 với việc sử dụng chỉ số

NDVI có độ chính xác cao hơn so với các diện

tích bị mất, suy thoái dưới 0,5 ha.

2.6. Xác định vùng rừng không thay đổi

Việc xác định ngưỡng chỉ số về khu rừng

không thay đổi có ý nghĩa rất quan trọng cho

quá trình phát hiện sự thay đổi rừng (mất rừng,

suy thoái rừng). Chúng tôi đã rút ngẫu nhiên

20 vùng mẫu cho mỗi kiểu rừng với tổng số

mẫu là 100 vùng. Nhóm tác giả nghiên cứu sự

thay đổi giá trị NDVI của 100 mẫu trong

khoảng thời gian 4 tháng mùa khô (từ ngày 01

tháng 01 đến ngày 15 tháng 4) của các năm

2016, 2017, 2018.

Chúng tôi sử dụng GEE để xác định giá trị

NDVI lớn nhất (NDVI_Max) và giá trị NDVI nhỏ

nhất (NDVI_Min) cho từng vùng. Sau đó, chúng

tôi tính chỉ số KB theo công thức (1) với T₁là

giá trị NDVI_Maxvà T₂là giá trị NDVI_Min. Tiếp

theo, chúng tôi tính giá trị KB trung bình của

các kiểu rừng theo từng năm. Và ngưỡng phát

hiện rừng không thay đổi (KB_khongthaydoi) được

chúng tôi xác định là có giá trị nằm trong

khoảng (a, b), trong đó: a là giá trị KB nhỏ

nhất (Min) và b là giá trị KB lớn nhất (Max)

của 5 kiểu rừng trong 3 năm nghiên cứu.

Bước 1: Tính giá trị KB năm 2016 (ký hiệu

là KB₂₀₁₆). Chỉ số KB được tính theo công thức

(1) bằng công cụ Spatial Analyst Tools trong

phần mềm ArcGIS.

Bước 2. Chiết xuất giá trị KB₂₀₁₆với tham

số giá trị trung bình (Mean) cho 50 mẫu nghiên

cứu, sử dụng công cụ Zonal Statistic trong

phần mềm ArcGIS để thực hiện.

Bước 3. Xác định ngưỡng phát hiện mất

rừng. Từ kết quả ở bước 2, với bảng số liệu về

giá trị Mean của 50 vùng mẫu nghiên cứu,

ngưỡng phát hiện mất rừng (KB_matrung) được

xác định là có giá trị nằm trong khoảng (c, d),

trong đó: c là giá trị KB nhỏ nhất trong 50

mẫu và d là giá trị KB lớn nhất trong 50 mẫu

nghiên cứu.

2.8. Xác định vùng suy thoái rừng

Nghiên cứu xác định diện tích rừng bị suy

thoái có ngưỡng KB_suythoairunglớn hơn ngưỡng

KB_khongthaydoi(rừng không thay đổi) và nhỏ hơn

ngưỡng KB_matrung(rừng bị mất).

2.9. Đánh giá độ chính xác của phương pháp

xác định mất rừng, suy thoái rừng

Chúng tôi đã lựa chọn 20 mẫu rừng bị mất

và 30 mẫu rừng bị suy thoái trong khoảng thời

gian từ tháng 1 đến tháng 4 năm 2018 tại tỉnh

Đắk Nông và đối chiếu với kết quả xác định

các diện tích mất rừng, suy thoái rừng từ ảnh

vệ tinh Landsat 8 SR để đưa ra kết quả đánh

giá độ chính xác của phương pháp phát hiện

sớm mất rừng, suy thoái rừng tại khu vực

nghiên cứu.

3. KẾT QUẢ VÀ THẢO LUẬN

3.1. Hiện trạng ảnh Landsat 8 khu vực

nghiên cứu

Kết quả đánh giá hiện trạng ảnh Landsat 8

tại khu vực nghiên cứu có ý nghĩa trong việc

xác định khả năng thực tiễn sử dụng ảnh

Landsat 8 để phát hiện sớm mất rừng, suy

thoái rừng do ảnh Landsat 8 thường có nhiều

mây đặc biệt vào các tháng mùa mưa ở vùng

Tây Nguyên nói chung và khu vực nghiên cứu

nói riêng.

2.7. Xác định vùng mất rừng

Chúng tôi đã lựa chọn 50 mẫu là các lô rừng

bị mất trong khoảng thời gian tháng 1, 2 và 3

năm 2016 ở tỉnh Đắk Nông để thực hiện

nghiên cứu này. Quy trình xác định ngưỡng

KB để phát hiện mất rừng được nghiên cứu

thực hiện như ở Hình 02 gồm 03 bước như sau:

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

109

Quản lý Tài nguyên rừng & Môi trường

Bảng 2. Tỷ lệ (%) mây trung bình tháng trong 4 năm (2015 - 2018) ảnh Landsat 8

khu vực tỉnh Đắk Nông

Tổng số ảnh Landsat 8

Tỷ lệ mây trung bình (%)

TT Tháng

Cảnh 124051 Cảnh 124052

Cảnh 124051

Cảnh 124052

28,91

1

2

1

2

8

54,90

33,62

25,32

18,86

41,82

60,28

69,63

57,80

46,41

53,82

67,28

70,88

16,05

3

7

8

16,07

4

8

7

16,51

5

8

48,30

6

7

62,87

7

8

69,79

8

57,53

9

7

53,81

10

11

12

10

11

12

7

47,45

8

48,79

8

58,70

Tổng cộng

92

Tỷ lệ mây trung bình (%) theo từng tháng

trong thời gian 4 năm liên tục ở bảng 2 đã

cho thấy rằng: ảnh Landsat 8 khu vực nghiên

cứu có tỷ lệ mây từ 16,05% đến 70,88%. Đối

với cảnh 124051, có 10/12 tháng ảnh có tỷ lệ

mây trên 30% trong khi đó ảnh có tỷ lệ mây

trên 30% là 8/12 tháng ở cảnh 124052. Ảnh

có tỷ lệ mây dưới 30% được xác định là phù

hợp với việc xác định sớm mất rừng, suy

thoái rừng. Như vậy, tại khu vực nghiên cứu

ảnh Landsat 8 có khả năng đáp ứng được

việc phát hiện sớm mất rừng, suy thoái rừng

trong khoảng thời gian từ tháng 1 đến tháng

4 hàng năm.

3.2. Xác định ngưỡng phát hiện rừng không

thay đổi, mất rừng và suy thoái rừng bằng

chỉ số KB%

3.2.1. Xác định ngưỡng phát hiện rừng

không thay đổi

Để xác định ngưỡng phát hiện rừng không

thay đổi, nghiên cứu đã sử dụng dữ liệu 100

vùng mẫu (thuộc 5 kiểu rừng) và GEE để phân

tích sự thay đổi chỉ số thực vật NDVI với các

ảnh Landsat 8 SR trong khoảng thời gian mùa

khô (4 tháng) từ ngày 01 tháng 01 đến ngày 15

tháng 04 của các năm 2016, 2017, 2018.

Hình 3. Phân tích thay đổi giá trị NDVI trong GEE

đối với kiểu rừng tự nhiên lá rộng thường xanh năm 2018

Tỷ lệ thay đổi giá trị NDVI (KB%) đã được

tính toán cho các kiểu rừng trong 3 năm được

trình bày ở bảng 3.

110

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

Quản lý Tài nguyên rừng & Môi trường

Bảng 3. Giá trị KB% trung bình mẫu theo các kiểu rừng các năm 2016, 2017 và 2018

Giá trị trung bình của chỉ số KB%

TT

Trạng thái rừng

Số lượng mẫu

Năm 2016

6,5

Năm 2017

8,3

Năm 2018

7,7

1

2

3

4

5

Rừng tự nhiên lá rộng thường xanh

Rừng tự nhiên lá kim

20

11,2

6,1

4,5

6,8

Rừng tự nhiên hỗn giao gỗ - tre nứa

Rừng lồ ô, tre nứa

12,4

10,0

11,3

12,6

10,6

Rừng trồng (loài cây Keo)

Giá trị nhỏ nhất (Min)

18,6

11,7

20,1

4,5

20,1

Giá trị lớn nhất (Max)

Kết quả tổng hợp số liệu ở bảng 3 đã cho

thấy, KB có giá trị nhỏ nhất bằng 4,5% và có

giá trị lớn nhất bằng 20,1%. Từ đó, chúng tôi

đã xác định ngưỡng để phát hiện rừng không

thay đổi ở khu vực nghiên cứu có KB từ 4,5

đến 20,1%.

3.2.2. Xác định ngưỡng phát hiện mất rừng

và suy thoái rừng

Dữ liệu 50 vùng mẫu mất rừng tại khu vực

nghiên cứu đã được chúng tôi kiểm chứng là

các vùng rừng đã bị mất trong thời gian từ

01/01/2016 đến 31/03/2016.

(a) Ảnh NDVI thời điểm trước mất rừng

(04/01/2016)

(b) Ảnh NDVI thời điểm sau mất rừng

(08/03/2016)

(c) Ảnh trên Planet trước mất rừng

(04/01/2016)

(d) Ảnh trên Planet sau mất rừng

(06/03/2016)

Hình 4. Phân tích giá trị NDVI trước và sau mất rừng trong GEE (a, b) và hình ảnh mất rừng

trên Planet (c, d) thuộc lô 1 khoảnh 8 tiểu khu 1737

Để xác định ngưỡng phát hiện mất rừng,

nghiên cứu đã tính giá trị KB theo công thức

(1) và trích xuất giá trị KB theo 50 mẫu nghiên

cứu, kết quả được trình bày trong bảng 4.

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

111

Quản lý Tài nguyên rừng & Môi trường

Bảng 4. Xác định ngưỡng mất rừng với giá trị KB% của 50 vùng mất rừng

Diện tích

(ha)

1,54

4,72

0,89

1,62

0,89

2,45

0,98

0,76

1,86

0,70

0,62

0,77

0,54

0,87

0,51

0,56

0,59

0,70

0,80

0,88

0,97

1,05

0,78

1,29

2,78

0,72

0,51

0,62

5,33

2,26

1,52

0,64

0,82

0,60

0,76

0,77

0,54

0,92

6,16

0,70

2,02

1,00

0,87

0,57

1,40

1,39

1,17

0,64

0,83

0,90

TT

Mã vùng

X

Y

Mean

Range

Std

1

2

3

4

5

6

7

8

1001

1002

1003

1004

1005

1006

1007

1008

1009

1010

1011

1012

1013

1014

1015

1016

1017

1018

1019

1020

1021

1022

1023

1024

1025

1026

1027

1028

1029

1030

1031

1032

1033

1034

1035

1036

1037

1038

1039

1040

1041

1042

1043

1044

1045

1046

1047

1048

1049

1050

805325 1342022

821978 1351832

822274 1351987

822420 1351822

813211 1320424

813084 1320551

807732 1322976

807709 1323060

807608 1323047

807739 1323352

816544 1324707

806569 1325917

806119 1325197

813541 1326133

812278 1326532

809029 1327353

807762 1328047

808189 1327792

807795 1328710

808447 1329044

809764 1329889

808593 1329877

808429 1329767

809335 1331203

809372 1331246

826013 1323571

825125 1323967

823973 1326758

820533 1329290

820682 1329500

824284 1330307

824284 1330420

806965 1333236

810963 1334466

810709 1334634

809837 1334726

805503 1336582

805583 1336623

826117 1333732

826287 1333567

764414 1313947

764276 1314007

781378 1339998

781352 1339989

781350 1340579

781193 1340613

781321 1340717

757819 1353473

757817 1353557

794454 1333338

61,9

53,8

52,8

54,7

58,2

60,7

65,4

64,1

64,7

67,9

60,4

54,9

54,0

52,8

57,6

57,4

60,2

54,0

57,4

55,4

54,9

66,8

61,3

62,6

61,6

60,7

57,5

60,6

70,2

63,0

56,2

57,1

60,6

64,8

65,6

60,5

62,3

63,6

55,6

57,8

55,2

52,6

58,9

53,5

55,1

56,8

58,1

63,5

55,2

52,5

70,0

30,8

14,2

4,8

11,3

8,2

40,8

23,7

39,3

22,0

12,0

4,7

6,7

6,5

7,0

15,2

9,1

8,3

3,0

1,4

2,9

2,8

8,3

7,4

12,2

7,0

4,0

1,6

2,3

2,5

2,3

5,6

3,9

4,3

3,2

7,2

3,7

2,8

7,2

3,4

6,1

6,6

5,6

4,9

6,2

4,9

7,6

3,7

2,1

5,0

7,1

4,3

5,4

3,2

6,1

5,4

1,8

3,9

2,5

4,1

5,1

6,1

4,2

6,2

4,9

4,0

1,4

12,2

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

12,0

9,2

22,0

11,5

7,7

24,7

10,9

21,7

26,5

13,9

11,5

17,3

20,2

32,2

12,9

6,5

15,9

17,9

13,1

13,9

9,6

20,1

25,7

6,3

12,7

8,7

14,8

15,8

21,5

14,4

21,1

15,6

14,2

10,6

4,7

Giá trị nhỏ nhất (Min):

Giá trị lớn nhất (Max):

40,8

112

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

Quản lý Tài nguyên rừng & Môi trường

Số liệu được tổng hợp ở bảng 4 đã cho thấy,

trong tổng số 50 mẫu nghiên cứu, chỉ số KB có

giá trị nhỏ nhất là 52,5% và có giá trị lớn nhất

là 70,0%. Từ đó, chúng tôi đã xác định ngưỡng

để phát hiện mất rừng tại khu vực nghiên cứu

có KB từ 52,5 đến 70,0%.

Từ kết quả xác định ngưỡng rừng không

thay đổi và ngưỡng phát hiện mất rừng tại khu

vực nghiên cứu, chúng tôi đã xác định được

ngưỡng KB để phát hiện vùng suy thoái rừng

là từ 20,1 đến 52,5%.

3.3.1. Độ chính xác phát hiện sớm mất rừng

Chúng tôi đã xác định các vùng mất rừng

trên ảnh Landsat 8 SR thông qua chỉ số KB với

thời điểm T1 (thời điểm rừng chưa bị tác động)

là ngày 09 tháng 01 năm 2018 và thời điểm T2

(thời điểm để phát hiện sớm rừng bị mất) là

ngày 15 tháng 04 năm 2018. Nhóm tác giả lựa

chọn 20 mẫu rừng bị mất trong khoảng thời

gian từ 01/01/2018 đến 15/04/2018 để kiểm

chứng với kết quả xác định sớm mất rừng từ

ảnh Landsat 8 SR.

3.3. Đánh giá độ chính xác của phương pháp

phát hiện sớm mất rừng, suy thoái rừng

Bảng 5. Đánh giá độ chính xác phương pháp phát hiện sớm mất rừng với dữ liệu 20 mẫu mất rừng ở

tỉnh Đắk Nông năm 2018

Diện

Thời điểm

phát hiện

mất rừng

bằng ảnh

Diện tích Tỷ lệ sai

xác định khác về

Thời điểm

trước khi

tích

kiểm

chứng

(ha)

1,41

0,88

0,91

1,13

1,65

1,42

0,87

1,22

1,18

0,65

1,50

0,78

3,53

1,14

0,81

0,72

0,91

2,22

2,08

0,72

Thời điểm bị

tác động

TT

X

Y

trên ảnh

(ha)

diện

tích (%)

bị tác động

1

2

3

4

5

6

7

8

9

807001 1333219 09/01/2018

808421 1333528 09/01/2018

808721 1334191 09/01/2018

807992 1335966 09/01/2018

818703 1318650 09/01/2018

817557 1317459 09/01/2018

818822 1318792 09/01/2018

819026 1318676 09/01/2018

819279 1318134 09/01/2018

9/1-15/4/2018

15/04/2018

NA

0,48

0,72

1,61

1,42

0,78

1,07

0,97

0,63

1,25

0,74

2,37

0,88

0,81

NA

47,3

36,3

2,4

0,0

10,3

12,3

17,8

3,1

16,7

5,1

32,9

22,8

0,0

10 811556 1332407 09/01/2018

11 811603 1335998 09/01/2018

12 811923 1336113 09/01/2018

13 812751 1336222 09/01/2018

14 791429 1349179 09/01/2018

15 812622 1324797 09/01/2018

16 818589 1316399 09/01/2018

17 799468 1343016 09/01/2018

18 811341 1332401 09/01/2018

19 811796 1335899 09/01/2018

20 818985 1317498 09/01/2018

NA

1,99

1,75

0,71

10,4

15,9

1,4

Tỷ lệ sai khác trung bình về diện tích (%)

14,7

Ghi chú: NA – Không phát hiện

Số liệu được tổng hợp ở bảng 5 đã cho thấy:

trong số 20 mẫu kiểm chứng có tổng 16 vùng

mất rừng đã được phát hiện trên ảnh vệ tinh

(chiếm 80,0%) và 4 vùng mất rừng ảnh vệ tinh

không phát hiện được (chiếm 20,0%). Độ

chính xác về diện tích vùng rừng bị mất được

phát hiện từ ảnh Landsat 8 là 85,3% (tỷ lệ sai

khác về diện tích là 14,7%).

3.3.2. Độ chính xác phát hiện sớm suy

thoái rừng

Chúng tôi đã xác định các vùng suy thoái

rừng trên ảnh Landsat 8 SR thông qua chỉ số

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

113

Quản lý Tài nguyên rừng & Môi trường

KB với thời điểm T₁(thời điểm rừng chưa bị

tác động) là ngày 09 tháng 01 năm 2018 và

thời điểm T₂(thời điểm để phát hiện sớm rừng

bị suy thoái) là ngày 15 tháng 04 năm 2018.

Nhóm tác giả lựa chọn 30 mẫu rừng bị suy

thoái trong khoảng thời gian từ 01/01/2018 đến

15/04/2018 để kiểm chứng với kết quả phát

hiện sớm suy thoái rừng từ ảnh Landsat 8 SR.

Bảng 6. Đánh giá độ chính xác phương pháp phát hiện sớm suy thoái rừng với dữ liệu 30 mẫu suy

thoái rừng ở tỉnh Đắk Nông năm 2018

Diện

Thời điểm

phát hiện

suy thoái

Diện

tích

kiểm

tích

phát

hiện

Tỷ lệ sai

khác về

diện

Thời điểm

trước khi bị

tác động

Thời điểm bị

tác động

TT

X

Y

rừng bằng chứng

trên ảnh tích (%)

(ha)

ảnh

(ha)

09/01/2018

9/1-15/4/2018

15/04/2018

1

2

3

4

5

6

7

8

9

807792 1335100

805446 1336737

805371 1336679

805551 1336775

807867 1328256

807325 1334641

807466 1334868

817447 1318067

817178 1318409

1,05

0,85

0,96

0,80

0,90

1,36

0,64

0,72

0,54

1,20

0,73

0,85

0,99

0,55

0,79

12,97

1,81

1,20

1,23

0,71

1,04

0,73

0,69

0,86

0,76

0,65

1,63

0,57

0,67

0,64

0,58

44,8

NA

0,55

0,70

NA

38,9

48,5

0,62

0,50

0,63

0,50

0,67

13,9

7,4

10 795627 1337887

11 795361 1337088

12 797434 1343058

13 797351 1343004

14 799010 1342661

15 797370 1341932

16 797567 1341679

17 793844 1335990

18 794396 1336311

19 796691 1337855

20 796358 1337721

21 752038 1332756

22 752095 1332757

23 818014 1316138

24 818078 1316145

25 818067 1317508

26 818416 1316649

27 818218 1316277

28 817987 1317446

29 818117 1316948

30 818101 1316724

47,5

31,5

21,2

32,3

0,67

NA

3,71

1,43

0,92

0,71

0,41

1,00

0,73

0,57

0,84

0,68

NA

71,4

21,0

23,3

42,3

3,8

0,0

17,4

2,3

10,5

0,70

57,1

12,3

0,50

NA

Tỷ lệ sai khác trung bình về diện tích (%)

28,0

Ghi chú: NA – Không phát hiện

Số liệu được tổng hợp ở bảng 6 đã cho thấy:

trong số 30 mẫu suy thoái rừng kiểm chứng có

21 vùng suy thoái rừng đã được phát hiện trên

ảnh vệ tinh (chiếm 70,0%) và 9 vùng suy thoái

114

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

Quản lý Tài nguyên rừng & Môi trường

rừng ảnh vệ tinh không phát hiện được (chiếm

30,0%). Độ chính xác về diện tích vùng rừng

bị suy thoái được phát hiện từ ảnh Landsat 8 là

72,0% (tỷ lệ sai khác về diện tích là 28%).

3.4. Thảo luận

Trong thực tiễn quản lý bảo vệ rừng ở nước

ta, các vụ vi phạm về xâm hại rừng không phải

trường hợp nào cũng được phát hiện ngay, dẫn

đến diện tích rừng bị xâm hại có nguy cơ bị mở

rộng thêm mà không có sự can thiệp kịp thời

của các nhà quản lý liên quan. Từ đó cho thấy,

rất cần giải pháp để hỗ trợ cán bộ quản lý bảo

vệ rừng trong việc xác định sớm nhất thời điểm

phá rừng và diện tích rừng bị phá để có giải

pháp ngăn chặn kịp thời.

không bị tác động hoặc có bị tác động nhưng

không đáng kể. Đối với giá trị KB_Max, theo lý

thuyết giá trị NDVI lớn nhất bằng 1 (đây là

khu vực thực vật có mật độ cao nhất), khi rừng

chuyển sang các trạng thái khác thì giá trị

NDVI giảm xuống. Trường hợp ảnh Landsat 8

bị mây thì chỉ số NDVI bằng 0 (Nguyễn Đăng

Vỹ, 2018), lúc này chỉ số KB bằng 100%. Hay

trường hợp khác, theo Yang, Y. et al. (2019)

khu vực đất trống có giá trị NDVI bằng và

dưới 0,2 khi đó, chỉ số KB sẽ lớn hơn hoặc

bằng 80%. Từ việc phân tích giá trị KB_Minvà

KB_Maxcho thấy, tùy thuộc vào vào loại rừng

hay thay đổi loại hình sử dụng đất mà giá trị

KB_Minvà KB_Maxcó giá trị khác nhau.

Kết quả của nghiên cứu về hiện trạng ảnh

Landsat 8 tại tỉnh Đắk Nông đã cho thấy, ảnh

Landsat 8 đáp ứng được việc phát hiện sớm

mất rừng, suy thoái rừng tại khu vực nghiên

cứu vào các tháng mùa khô (tháng 1, 2, 3 và

4). Đây là các tháng có lượng mưa trung bình

dưới 100 mm/tháng. Trong khi đó, lượng mưa

của các tháng còn lại từ 200 đến 600 mm/tháng

(Theo Niên giám thống kê tỉnh Đắk Nông năm

2017). Mặt khác, theo số liệu theo dõi các vụ

vi phạm liên quan đến mất rừng, suy thoái

rừng trên địa bàn tỉnh Đắk Nông giai đoạn

2016 – 2018 chúng tôi thấy rằng: các vụ vi

phạm về phá rừng tập trung vào các tháng mùa

khô trong năm. Điều này cho thấy, mặc dù ảnh

Landsat 8 không đáp ứng được phát hiện sớm

mất rừng, suy thoái rừng cho cả 12 tháng trong

năm nhưng đối với các tháng mùa khô (thời

điểm tập trung nhiều các vụ vi phạm) thì ảnh

Landsat 8 có thể đã đáp ứng được. Do đó, việc

áp dụng ảnh Landsat 8 để phát hiện sớm mất

rừng, suy thoái rừng tại tỉnh Đắk Nông là có ý

nghĩa thực tiễn.

Nghiên cứu đã xác định được tỷ lệ thay đổi

chỉ số về NDVI (KB%) để phát hiện khu rừng

không thay đổi, mất rừng và suy thoái rừng tại

khu vực nghiên cứu với các giá trị lần lượt là:

4,5 – 20,1; 20,1 – 52,5 và 52,5 – 70%. Trong

nghiên cứu này, chỉ số KB dao động từ giá trị

nhỏ nhất (KB_Min= 4,5%) đến giá trị lớn nhất

(KB_Max= 70%). Về mặt lý thuyết, rừng không

thay đổi tuyệt đối đồng nghĩa với việc giá trị

NDVI tại thời điểm T1 và T2 bằng nhau nên

giá trị KB_Minbằng 0% nhưng trong thực tế các

trạng thái rừng thay đổi theo thời gian. Nên

rừng không thay đổi ở đây được hiểu là rừng

Đánh giá độ chính xác của phương pháp

phát hiện sớm mất rừng, suy thoái rừng với

việc sử dụng ảnh Landsat 8 SR và Google

Earth Engine với dữ liệu mất rừng, suy thoái

rừng năm 2018 của tỉnh Đắk Nông đã cho thấy

ảnh Landsat 8 có thể phát hiện sớm được mất

rừng, suy thoái rừng cho các khu vực ảnh

không bị mây, bóng mây với diện tích từ 0,5 ha

trở lên. Đối với 4 khu vực mất rừng và 9 khu

vực suy thoái rừng năm 2018 không phát hiện

được theo phương pháp này là do những khu

vực này có mây, bóng mây nên đã bị loại bỏ từ

đầu trong quá trình phân tích ảnh và tính toán

chỉ số KB hoặc có thể do dữ liệu mẫu với thời

gian mất rừng, suy thoái rừng chưa sát thực.

Phương pháp sử dụng chỉ số KB về tỷ lệ thay

đổi chỉ số thực vật để phát hiện sớm mất rừng,

suy thoái rừng có thể ứng dụng cho các kiểu

rừng tương đồng của các tỉnh khác trong vùng

Tây Nguyên cũng như trong toàn quốc. Kết quả

của nghiên cứu có ý nghĩa thực tiễn góp phần

nâng cao hiệu quả quản lý bảo vệ rừng trong đó

có nhiệm vụ cập nhật diễn biến rừng một cách

thường xuyên và liên tục tại các địa phương.

4. KẾT LUẬN

Trong nghiên cứu này, tỷ lệ thay đổi chỉ số

thực vật đã được tính toán với việc sử dụng

ảnh Landsat 8 SR và Google Earth Engine để

từ đó xác định ngưỡng phù hợp cho việc phát

hiện sớm mất rừng, suy thoái rừng (chỉ số KB).

Phương pháp xây dựng chỉ số KB thông qua sử

dụng ảnh Landsat 8 SR và GEE để phát hiện

sớm mất rừng, suy thoái rừng có ý nghĩa thực

tiễn đối với tỉnh Đắk Nông vào các tháng 1, 2,

3 và 4 trong năm. Phương pháp này cho thấy

triển vọng lớn trong việc áp dụng cho các vùng

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019

115

Quản lý Tài nguyên rừng & Môi trường

optical remote sensing. Proc. “ESA Living Planet

Symposium 2013”, Edinburgh, UK 9–13 September 2013.

5. Nanki, S.; Edzer, P.; Gilberto, C. (2018). Using

Google Earth Engine to detect land cover change:

Singapore as a use case. European Journal of Remote

Sensing, 51:1, 486-500.

6. Nicola, P.; Marco, B. (2019). Towards a Tool for

Early Detection and Estimation of Forest Cuttings by

Remotely Sensed Data. Land 2019, 8, 58.

7. Trần Quang Bảo, Nguyễn Đức Lợi, Lã Nguyên

Khang (2017). Ứng dụng GIS và viễn thám trong phân

tích thực trạng và đánh giá diễn biến tài nguyên rừng tại

huyện Vĩnh Cửu, tỉnh Đồng Nai. Tạp chí Khoa học và

Công nghệ Lâm nghiệp số 6/2017.

8. Nguyễn Hải Hòa, Phùng Văn Khoa, Lê Văn Sơn,

Tôn Thất Minh (2018). Ứng dụng công nghệ viễn thám

xác định thay đổi diện tích rừng tại khu dự trữ sinh

quyển thế giới Langbiang giai đoạn 1995 – 2017. Tạp

chí Nông nghiệp và Phát triển nông thôn số 24/2018.

9. Nguyễn Đăng Vỹ (2018). Ứng dụng ảnh viễn

thám đa thời gian và hệ chuyên gia để tự động hóa quá

trình theo dõi biến động diện tích lớp thực phủ. Tạp chí

Khoa học và Công nghệ Thủy lợi số 43/2018.

khác có điều kiện tương tự.

Thách thức lớn cho việc áp dụng phương

pháp xác định sớm mất rừng, suy thoái rừng ở

khu vực Tây Nguyên đó là ảnh Landsat 8 có tỷ

lệ mây lớn vào thời điểm mùa mưa trong năm.

Do đó, cần có thêm nghiên cứu sử dụng các tư

liệu ảnh vệ tinh khác như: ảnh Sentinel 1,

Sentinel 2, ảnh SPOT... để có thể mở rộng

phạm vi về thời gian, không gian cũng như

nâng cao độ chính xác trong việc áp dụng ảnh

viễn thám cho mục đích phát hiện sớm mất

rừng, suy thoái rừng ở vùng Tây Nguyên.

TÀI LIỆU THAM KHẢO

1. FAO (2015). The Forest Resources Assessment

(FRA): Terms and Definitions.

2. N. I. Fawzi, V. N. Husna; J. A. Helms (2018).

Measuring deforestation using remote sensing and its

implication for conservation in Gunung Palung National

Park, West Kalimantan, Indonesia. Earth and

Environmental Science 149 (2018).

3. An Vo Quang; Gabriel, J.; Nicolas D. (2019). The

challenge of mapping forest cover changes: forest

degradation detection by optical remote sensing time

series analysis. Geophysical Research Abstracts Vol. 21,

EGU2019-5005-2, 2019.

10. Planet Team (2017). Planet Application Program

Interface: In Space for Life on Earth. San Francisco,

CA. https://api.planet.com.

11. Yang, Y.; Wang, S.; Bai, X.; Tan, Q.; Li, Q.; Wu, L.;

Tian, S.; Hu, Z.; Li, C.; Deng, Y. (2019) Factors Affecting

Long-Term Trends in Global NDVI. Forests, 10, 372.

4. Mathieu, R.; Joeri, V. W.; Anton, V.; Benoit, M.

(2013). Detecting forest degradation in the Congo Basin by

USING LANDSAT 8 AND GOOGLE EARTH ENGINE FOR EARLY

DETECTION OF DEFORESTATION, FOREST DEGRADATION

IN THE CENTRAL HIGHLANDS REGION:

A CASE STUDY IN DAK NONG PROVINCE

Phung Van Khoa¹, Nguyen Quoc Hieu², Nguyen Quang Huy¹

¹Vietnam National University of Forestry

²Vietnam Administration of Forestry

SUMMARY

For the forestry sector in our country, remote sensing images have been studied and applied effectively in

assessing changes in forest resources at different stages, but the application of remote sensing images in early

detection of deforestation and forest degradation have been poorly studied. In this paper, we build a method for

early detection of deforestation and forest degradation using Landsat 8 images and Google Earth Engine

through the KB% index (index of relative value change over time of NDVI index). The results from this study

have established the threshold to identify the stable forest areas (unchanged), forest degradation, deforestation

with the KB values respectively: 4.5 - 20.1%; 20.1 - 52.5% and 52.5 - 70.0%. The method for early detection of

deforestation and forest degradation has been tested for the area of Dak Nong province (in 2018) with the

detection ratio of deforestation is 80.0% and the accuracy of detecting the lost forest area is 85.3%; the

detection ratio of forest degradation is 70.0% and the accuracy of detecting degraded forest area is 72.0%. The

results of this study have practical implications for early detection of deforestation and forest degradation,

especially in the dry season months (January, February, March and April) in Dak Nong province. This method

can be applied for early detecting deforestation and forest degradation in the Central Highlands region and in

other areas with similar conditions throughout the country.

Keywords: Central Highlands, deforestation, forest degradation, Google Earth Engine, Landsat 8.

Ngày nhận bài

: 26/8/2019

: 25/9/2019

: 02/10/2019

Ngày phản biện

Ngày quyết định đăng

116

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019