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

áp 
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 Diện tích Tỷ lệ sai 
 Thời điểm tích 
 Thời điểm bị phát hiện xác định khác về 
TT X Y trước khi kiểm 
 tác động mất rừng trên ảnh diện 
 bị tác động chứng 
 bằng ảnh (ha) tích (%) 
 (ha) 
 1 807001 1333219 09/01/2018 9/1-15/4/2018 15/04/2018 1,41 NA 
 2 808421 1333528 09/01/2018 9/1-15/4/2018 15/04/2018 0,88 NA 
 3 808721 1334191 09/01/2018 9/1-15/4/2018 15/04/2018 0,91 0,48 47,3 
 4 807992 1335966 09/01/2018 9/1-15/4/2018 15/04/2018 1,13 0,72 36,3 
 5 818703 1318650 09/01/2018 9/1-15/4/2018 15/04/2018 1,65 1,61 2,4 
 6 817557 1317459 09/01/2018 9/1-15/4/2018 15/04/2018 1,42 1,42 0,0 
 7 818822 1318792 09/01/2018 9/1-15/4/2018 15/04/2018 0,87 0,78 10,3 
 8 819026 1318676 09/01/2018 9/1-15/4/2018 15/04/2018 1,22 1,07 12,3 
 9 819279 1318134 09/01/2018 9/1-15/4/2018 15/04/2018 1,18 0,97 17,8 
10 811556 1332407 09/01/2018 9/1-15/4/2018 15/04/2018 0,65 0,63 3,1 
11 811603 1335998 09/01/2018 9/1-15/4/2018 15/04/2018 1,50 1,25 16,7 
12 811923 1336113 09/01/2018 9/1-15/4/2018 15/04/2018 0,78 0,74 5,1 
13 812751 1336222 09/01/2018 9/1-15/4/2018 15/04/2018 3,53 2,37 32,9 
14 791429 1349179 09/01/2018 9/1-15/4/2018 15/04/2018 1,14 0,88 22,8 
15 812622 1324797 09/01/2018 9/1-15/4/2018 15/04/2018 0,81 0,81 0,0 
16 818589 1316399 09/01/2018 9/1-15/4/2018 15/04/2018 0,72 NA 
17 799468 1343016 09/01/2018 9/1-15/4/2018 15/04/2018 0,91 NA 
18 811341 1332401 09/01/2018 9/1-15/4/2018 15/04/2018 2,22 1,99 10,4 
19 811796 1335899 09/01/2018 9/1-15/4/2018 15/04/2018 2,08 1,75 15,9 
20 818985 1317498 09/01/2018 9/1-15/4/2018 15/04/2018 0,72 0,71 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: phát hiện từ ảnh Landsat 8 là 85,3% (tỷ lệ sai 
trong số 20 mẫu kiểm chứng có tổng 16 vùng khác về diện tích là 14,7%). 
mất rừng đã được phát hiện trên ảnh vệ tinh 3.3.2. Độ chính xác phát hiện sớm suy 
(chiếm 80,0%) và 4 vùng mất rừng ảnh vệ tinh thoái rừng 
không phát hiện được (chiếm 20,0%). Độ Chúng tôi đã xác định các vùng suy thoái 
chính xác về diện tích vùng rừng bị mất được 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 Nhóm tác giả lựa chọn 30 mẫu rừng bị suy 
tác động) là ngày 09 tháng 01 năm 2018 và thoái trong khoảng thời gian từ 01/01/2018 đến 
thời điểm T2 (thời điểm để phát hiện sớm rừng 15/04/2018 để kiểm chứng với kết quả phát 
bị suy thoái) là ngày 15 tháng 04 năm 2018. 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 Diện 
 tích Tỷ lệ sai 
 Thời điểm phát hiện tích 
 Thời điểm bị phát khác về 
TT X Y trước khi bị suy thoái kiểm 
 tác động hiện diện 
 tác động rừng bằng chứng 
 trên ảnh tích (%) 
 ảnh (ha) 
 (ha) 
 1 807792 1335100 09/01/2018 9/1-15/4/2018 15/04/2018 1,05 0,58 44,8 
 2 805446 1336737 09/01/2018 9/1-15/4/2018 15/04/2018 0,85 NA 
 3 805371 1336679 09/01/2018 9/1-15/4/2018 15/04/2018 0,96 NA 
 4 805551 1336775 09/01/2018 9/1-15/4/2018 15/04/2018 0,80 NA 
 5 807867 1328256 09/01/2018 9/1-15/4/2018 15/04/2018 0,90 0,55 38,9 
 6 807325 1334641 09/01/2018 9/1-15/4/2018 15/04/2018 1,36 0,70 48,5 
 7 807466 1334868 09/01/2018 9/1-15/4/2018 15/04/2018 0,64 NA 
 8 817447 1318067 09/01/2018 9/1-15/4/2018 15/04/2018 0,72 0,62 13,9 
 9 817178 1318409 09/01/2018 9/1-15/4/2018 15/04/2018 0,54 0,50 7,4 
10 795627 1337887 09/01/2018 9/1-15/4/2018 15/04/2018 1,20 0,63 47,5 
11 795361 1337088 09/01/2018 9/1-15/4/2018 15/04/2018 0,73 0,50 31,5 
12 797434 1343058 09/01/2018 9/1-15/4/2018 15/04/2018 0,85 0,67 21,2 
13 797351 1343004 09/01/2018 9/1-15/4/2018 15/04/2018 0,99 0,67 32,3 
14 799010 1342661 09/01/2018 9/1-15/4/2018 15/04/2018 0,55 NA 
15 797370 1341932 09/01/2018 9/1-15/4/2018 15/04/2018 0,79 NA 
16 797567 1341679 09/01/2018 9/1-15/4/2018 15/04/2018 12,97 3,71 71,4 
17 793844 1335990 09/01/2018 9/1-15/4/2018 15/04/2018 1,81 1,43 21,0 
18 794396 1336311 09/01/2018 9/1-15/4/2018 15/04/2018 1,20 0,92 23,3 
19 796691 1337855 09/01/2018 9/1-15/4/2018 15/04/2018 1,23 0,71 42,3 
20 796358 1337721 09/01/2018 9/1-15/4/2018 15/04/2018 0,71 0,41 42,3 
21 752038 1332756 09/01/2018 9/1-15/4/2018 15/04/2018 1,04 1,00 3,8 
22 752095 1332757 09/01/2018 9/1-15/4/2018 15/04/2018 0,73 0,73 0,0 
23 818014 1316138 09/01/2018 9/1-15/4/2018 15/04/2018 0,69 0,57 17,4 
24 818078 1316145 09/01/2018 9/1-15/4/2018 15/04/2018 0,86 0,84 2,3 
25 818067 1317508 09/01/2018 9/1-15/4/2018 15/04/2018 0,76 0,68 10,5 
26 818416 1316649 09/01/2018 9/1-15/4/2018 15/04/2018 0,65 NA 
27 818218 1316277 09/01/2018 9/1-15/4/2018 15/04/2018 1,63 0,70 57,1 
28 817987 1317446 09/01/2018 9/1-15/4/2018 15/04/2018 0,57 0,50 12,3 
29 818117 1316948 09/01/2018 9/1-15/4/2018 15/04/2018 0,67 NA 
30 818101 1316724 09/01/2018 9/1-15/4/2018 15/04/2018 0,64 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: 21 vùng suy thoái rừng đã được phát hiện trên 
trong số 30 mẫu suy thoái rừng kiểm chứng có 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 không bị tác động hoặc có bị tác động nhưng 
30,0%). Độ chính xác về diện tích vùng rừng không đáng kể. Đối với giá trị KBMax, theo lý 
bị suy thoái được phát hiện từ ảnh Landsat 8 là thuyết giá trị NDVI lớn nhất bằng 1 (đây là 
72,0% (tỷ lệ sai khác về diện tích là 28%). khu vực thực vật có mật độ cao nhất), khi rừng 
3.4. Thảo luận chuyển sang các trạng thái khác thì giá trị 
 Trong thực tiễn quản lý bảo vệ rừng ở nước NDVI giảm xuống. Trường hợp ảnh Landsat 8 
ta, các vụ vi phạm về xâm hại rừng không phải bị mây thì chỉ số NDVI bằng 0 (Nguyễn Đăng 
trường hợp nào cũng được phát hiện ngay, dẫn Vỹ, 2018), lúc này chỉ số KB bằng 100%. Hay 
đến diện tích rừng bị xâm hại có nguy cơ bị mở trường hợp khác, theo Yang, Y. et al. (2019) 
rộng thêm mà không có sự can thiệp kịp thời khu vực đất trống có giá trị NDVI bằng và 
của các nhà quản lý liên quan. Từ đó cho thấy, dưới 0,2 khi đó, chỉ số KB sẽ lớn hơn hoặc 
rất cần giải pháp để hỗ trợ cán bộ quản lý bảo bằng 80%. Từ việc phân tích giá trị KBMin và 
vệ rừng trong việc xác định sớm nhất thời điểm KBMax cho thấy, tùy thuộc vào vào loại rừng 
phá rừng và diện tích rừng bị phá để có giải hay thay đổi loại hình sử dụng đất mà giá trị 
pháp ngăn chặn kịp thời. KBMin và KBMax có giá trị khác nhau. 
 Kết quả của nghiên cứu về hiện trạng ảnh Đánh giá độ chính xác của phương pháp 
Landsat 8 tại tỉnh Đắk Nông đã cho thấy, ảnh phát hiện sớm mất rừng, suy thoái rừng với 
Landsat 8 đáp ứng được việc phát hiện sớm việc sử dụng ảnh Landsat 8 SR và Google 
mất rừng, suy thoái rừng tại khu vực nghiên Earth Engine với dữ liệu mất rừng, suy thoái 
cứu vào các tháng mùa khô (tháng 1, 2, 3 và rừng năm 2018 của tỉnh Đắk Nông đã cho thấy 
4). Đây là các tháng có lượng mưa trung bình ảnh Landsat 8 có thể phát hiện sớm được mất 
dưới 100 mm/tháng. Trong khi đó, lượng mưa rừng, suy thoái rừng cho các khu vực ảnh 
của các tháng còn lại từ 200 đến 600 mm/tháng không bị mây, bóng mây với diện tích từ 0,5 ha 
(Theo Niên giám thống kê tỉnh Đắk Nông năm trở lên. Đối với 4 khu vực mất rừng và 9 khu 
2017). Mặt khác, theo số liệu theo dõi các vụ vực suy thoái rừng năm 2018 không phát hiện 
vi phạm liên quan đến mất rừng, suy thoái được theo phương pháp này là do những khu 
rừng trên địa bàn tỉnh Đắk Nông giai đoạn vực này có mây, bóng mây nên đã bị loại bỏ từ 
2016 – 2018 chúng tôi thấy rằng: các vụ vi đầu trong quá trình phân tích ảnh và tính toán 
phạm về phá rừng tập trung vào các tháng mùa chỉ số KB hoặc có thể do dữ liệu mẫu với thời 
khô trong năm. Điều này cho thấy, mặc dù ảnh gian mất rừng, suy thoái rừng chưa sát thực. 
Landsat 8 không đáp ứng được phát hiện sớm Phương pháp sử dụng chỉ số KB về tỷ lệ thay 
mất rừng, suy thoái rừng cho cả 12 tháng trong đổi chỉ số thực vật để phát hiện sớm mất rừng, 
năm nhưng đối với các tháng mùa khô (thời suy thoái rừng có thể ứng dụng cho các kiểu 
điểm tập trung nhiều các vụ vi phạm) thì ảnh rừng tương đồng của các tỉnh khác trong vùng 
Landsat 8 có thể đã đáp ứng được. Do đó, việc Tây Nguyên cũng như trong toàn quốc. Kết quả 
áp dụng ảnh Landsat 8 để phát hiện sớm mất của nghiên cứu có ý nghĩa thực tiễn góp phần 
rừng, suy thoái rừng tại tỉnh Đắk Nông là có ý nâng cao hiệu quả quản lý bảo vệ rừng trong đó 
nghĩa thực tiễn. có nhiệm vụ cập nhật diễn biến rừng một cách 
 Nghiên cứu đã xác định được tỷ lệ thay đổi thường xuyên và liên tục tại các địa phương. 
chỉ số về NDVI (KB%) để phát hiện khu rừng 4. KẾT LUẬN 
không thay đổi, mất rừng và suy thoái rừng tại Trong nghiên cứu này, tỷ lệ thay đổi chỉ số 
khu vực nghiên cứu với các giá trị lần lượt là: thực vật đã được tính toán với việc sử dụng 
4,5 – 20,1; 20,1 – 52,5 và 52,5 – 70%. Trong ảnh Landsat 8 SR và Google Earth Engine để 
nghiên cứu này, chỉ số KB dao động từ giá trị từ đó xác định ngưỡng phù hợp cho việc phát 
nhỏ nhất (KBMin = 4,5%) đến giá trị lớn nhất hiện sớm mất rừng, suy thoái rừng (chỉ số KB). 
(KBMax = 70%). Về mặt lý thuyết, rừng không Phương pháp xây dựng chỉ số KB thông qua sử 
thay đổi tuyệt đối đồng nghĩa với việc giá trị dụng ảnh Landsat 8 SR và GEE để phát hiện 
NDVI tại thời điểm T1 và T2 bằng nhau nên sớm mất rừng, suy thoái rừng có ý nghĩa thực 
giá trị KBMin bằng 0% nhưng trong thực tế các tiễn đối với tỉnh Đắk Nông vào các tháng 1, 2, 
trạng thái rừng thay đổi theo thời gian. Nên 3 và 4 trong năm. Phương pháp này cho thấy 
rừng không thay đổi ở đây được hiểu là rừng 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 
 khác có điều kiện tương tự. optical remote sensing. Proc. “ESA Living Planet 
 Thách thức lớn cho việc áp dụng phương Symposium 2013”, Edinburgh, UK 9–13 September 2013. 
 5. Nanki, S.; Edzer, P.; Gilberto, C. (2018). Using 
 pháp xác định sớm mất rừng, suy thoái rừng ở Google Earth Engine to detect land cover change: 
 khu vực Tây Nguyên đó là ảnh Landsat 8 có tỷ Singapore as a use case. European Journal of Remote 
 lệ mây lớn vào thời điểm mùa mưa trong năm. Sensing, 51:1, 486-500. 
 Do đó, cần có thêm nghiên cứu sử dụng các tư 6. Nicola, P.; Marco, B. (2019). Towards a Tool for 
 liệu ảnh vệ tinh khác như: ảnh Sentinel 1, Early Detection and Estimation of Forest Cuttings by 
 Remotely Sensed Data. Land 2019, 8, 58. 
 Sentinel 2, ảnh SPOT... để có thể mở rộng 7. Trần Quang Bảo, Nguyễn Đức Lợi, Lã Nguyên 
 phạm vi về thời gian, không gian cũng như Khang (2017). Ứng dụng GIS và viễn thám trong phân 
 nâng cao độ chính xác trong việc áp dụng ảnh tích thực trạng và đánh giá diễn biến tài nguyên rừng tại 
 viễn thám cho mục đích phát hiện sớm mất huyện Vĩnh Cửu, tỉnh Đồng Nai. Tạp chí Khoa học và 
 rừng, suy thoái rừng ở vùng Tây Nguyên. Công nghệ Lâm nghiệp số 6/2017. 
 8. Nguyễn Hải Hòa, Phùng Văn Khoa, Lê Văn Sơn, 
 TÀI LIỆU THAM KHẢO Tôn Thất Minh (2018). Ứng dụng công nghệ viễn thám 
 1. FAO (2015). The Forest Resources Assessment xác định thay đổi diện tích rừng tại khu dự trữ sinh 
(FRA): Terms and Definitions. quyển thế giới Langbiang giai đoạn 1995 – 2017. Tạp 
 2. N. I. Fawzi, V. N. Husna; J. A. Helms (2018). chí Nông nghiệp và Phát triển nông thôn số 24/2018. 
Measuring deforestation using remote sensing and its 9. Nguyễn Đăng Vỹ (2018). Ứng dụng ảnh viễn 
implication for conservation in Gunung Palung National thám đa thời gian và hệ chuyên gia để tự động hóa quá 
Park, West Kalimantan, Indonesia. Earth and trình theo dõi biến động diện tích lớp thực phủ. Tạp chí 
Environmental Science 149 (2018). Khoa học và Công nghệ Thủy lợi số 43/2018. 
 3. An Vo Quang; Gabriel, J.; Nicolas D. (2019). The 10. Planet Team (2017). Planet Application Program 
challenge of mapping forest cover changes: forest Interface: In Space for Life on Earth. San Francisco, 
degradation detection by optical remote sensing time CA. https://api.planet.com. 
series analysis. Geophysical Research Abstracts Vol. 21, 11. Yang, Y.; Wang, S.; Bai, X.; Tan, Q.; Li, Q.; Wu, L.; 
EGU2019-5005-2, 2019. Tian, S.; Hu, Z.; Li, C.; Deng, Y. (2019) Factors Affecting 
 4. Mathieu, R.; Joeri, V. W.; Anton, V.; Benoit, M. Long-Term Trends in Global NDVI. Forests, 10, 372. 
(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 
 Ngày phản biện : 25/9/2019 
 Ngày quyết định đăng : 02/10/2019 
 116 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 5 - 2019