Tổng quan về luận án

Nghiên cứu "Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên, Việt Nam" (Mã số chuyên ngành: 9620211 - Quản lý tài nguyên rừng) do nghiên cứu sinh Nguyễn Quốc Hiệu thực hiện dưới sự hướng dẫn khoa học của TS. Đoàn Hoài Nam và PGS. Phùng Văn Khoa (Trường Đại học Lâm nghiệp, 2020) là công trình tiên phong giải quyết bài toán giám sát tài nguyên rừng theo thời gian thực tại điểm nóng sinh thái Tây Nguyên. Trong bối cảnh giai đoạn 2010–2020 thế giới mất trung bình 4,7 triệu ha rừng mỗi năm (FAO, 2020) và Tây Nguyên đối mặt với áp lực chuyển đổi đất nông nghiệp, xâm hại sinh cảnh nghiêm trọng, công tác quản lý bảo vệ rừng truyền thống bộc lộ rõ sự chậm trễ mang tính "hậu kiểm".

                          ┌──────────────────────────┐
                          │   Tư liệu Viễn thám      │
                          │ (Landsat 8 & Sentinel 2) │
                          └─────────────┬────────────┘
                                        │
                                        ▼
    ┌───────────────────────────────────────────────────────────────────────┐
    │              Xử lý phổ & Chuẩn hóa trên Google Earth Engine           │
    └───────────────────────────────────┬───────────────────────────────────┘
                                        │
                                        ▼
    ┌───────────────────────────────────────────────────────────────────────┐
    │       Thuật toán Phát hiện Thay đổi Tương đối: KB(dNDVI) & KB(dNBR)   │
    │              KB = [(Chỉ số_t1 - Chỉ số_t2) / Chỉ số_t1] * 1000        │
    └───────────────────────────────────┬───────────────────────────────────┘
                                        │
              ┌─────────────────────────┴─────────────────────────┐
              ▼                                                   ▼
┌───────────────────────────┐                       ┌───────────────────────────┐
│     Phát hiện Mất rừng    │                       │  Phát hiện Suy thoái rừng │
│ (Mất hoàn toàn tán phủ,   │                       │ (Giảm trữ lượng, suy giảm │
│  vượt ngưỡng biến động)   │                       │  kết cấu tầng tán sinh)   │
└─────────────┬─────────────┘                       └─────────────┬─────────────┘
              │                                                   │
              └─────────────────────────┬─────────────────────────┘
                                        │
                                        ▼
    ┌───────────────────────────────────────────────────────────────────────┐
    │     Kiểm chứng & Khẳng định Độ chính xác (2.667 OTC, Planet, GIS)    │
    └───────────────────────────────────────────────────────────────────────┘

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực trạng: các kỹ thuật viễn thám truyền thống tại Việt Nam chủ yếu dựa trên phương pháp so sánh sau phân loại (post-classification comparison) hoặc thuật toán hiệu số tuyệt đối ($dNDVI, dNBR$). Các phương pháp này tích tụ sai số phân loại kép, đồng thời triệt tiêu độ nhạy quang phổ đối với các trạng thái rừng có sinh khối cao do hiện tượng bão hòa phổ (spectral saturation) (Song et al., 2001; Key & Benson, 2006). Nhằm khắc phục khoảng trống này, luận án tập trung giải quyết 3 câu hỏi nghiên cứu và hệ giả thuyết tương ứng:

  • Câu hỏi 1 ($RQ_1$): Mối quan hệ định lượng giữa các chỉ số thực vật viễn thám với trữ lượng rừng ($M - m^3/ha$) và phản xạ phổ giữa các trạng thái rừng biến động ra sao? $\rightarrow$ Giả thuyết 1 ($H_1$): Tồn tại hàm tương quan phi tuyến chặt chẽ giữa chỉ số phản xạ phổ và trữ lượng rừng trước ngưỡng bão hòa sinh khối;
  • Câu hỏi 2 ($RQ_2$): Ngưỡng biến động của chỉ số tương đối $KB$ có khả năng tách biệt giữa rừng không đổi, suy thoái rừng và mất rừng hay không? $\rightarrow$ Giả thuyết 2 ($H_2$): Chỉ số biến động tương đối $KB$ loại bỏ được ảnh hưởng của điều kiện thời tiết, góc chiếu mặt trời và phân tách chính xác các mức độ nhiễu loạn rừng;
  • Câu hỏi 3 ($RQ_3$): Quy trình tự động hóa tích hợp trên nền tảng điện toán đám mây địa không gian có thể áp dụng ở quy mô vùng cảnh quan? $\rightarrow$ Giả thuyết 3 ($H_3$): Tích hợp Google Earth Engine và ArcGIS ModelBuilder cho phép xây dựng cảnh báo sớm mất rừng đạt độ chính xác trên 85%.

Khung lý thuyết của nghiên cứu được định hình từ Lý thuyết truyền xạ quang phổ sinh thái (Canopy Radiative Transfer Theory) và Lý thuyết giám sát nhiễu loạn rừng liên tục (Continuous Forest Disturbance Monitoring). Nghiên cứu thực hiện trên phạm vi toàn diện 5 tỉnh Tây Nguyên (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng) trong giai đoạn 2015–2018. Dữ liệu thực nghiệm bao quát 7 kiểu rừng tự nhiên (lá rộng thường xanh - LRTX, lá rộng rụng lá - LRRL, lá rộng nửa rụng lá - LRNRL, hỗn giao lá rộng - lá kim, lá kim - LK, tre nứa - TN, hỗn giao gỗ - tre nứa - G-TN) và 1 kiểu rừng trồng, được chuẩn hóa trên nguồn ảnh đa phổ Landsat 8 (độ phân giải 30m) và Sentinel 2 (độ phân giải 10–20m).

Literature Review và Positioning

Các công trình ứng dụng công nghệ địa không gian trong giám sát biến động rừng trên thế giới và Việt Nam phân hóa rõ rệt thành hai luồng học thuật chính:

Luồng thứ nhất: Kỹ thuật so sánh sau phân loại (Post-Classification Comparison). Nhiều tác giả quốc tế như Yang et al. (2019) tại Myanmar (phân loại Landsat giai đoạn 1988–2017 đạt độ chính xác 83–93%), Rawat et al. (2015) tại Ấn Độ (phân loại đa thời gian đạt 71,8–93,3%), hay Bałazy et al. (2019) tại Ba Lan (Sentinel 2 kết hợp DEM đạt 98,3%) đã chứng minh tính hiệu quả của phương pháp này khi lập bản đồ hiện trạng định kỳ. Tại Việt Nam, Nguyễn Minh Kỳ et al. (2017) tại Chư Prông - Gia Lai, Đoàn Duy Hiếu và Nguyễn Thám (2016) tại Ia Pa - Gia Lai, hay Nguyễn Hải Hòa et al. (2016) tại VQG Xuân Sơn đều áp dụng phân loại ảnh Landsat đa thời kỳ để đánh giá suy giảm diện tích rừng. Tuy nhiên, luồng tiếp cận này tồn tại nhược điểm cốt tử: sai số của bản đồ biến động bằng tích sai số của các bản đồ thành phần, đòi hỏi khối lượng mẫu khóa ảnh khổng lồ và hoàn toàn bất khả thi cho yêu cầu phát hiện sớm mang tính thời gian thực.

Luồng thứ hai: Thuật toán phát hiện thay đổi trực tiếp (Direct Spectral Change Detection). Các nghiên cứu chuyển dịch mạnh mẽ sang đo lường biến động phổ trực tiếp. Key & Benson (2006) khởi xướng chỉ số tuyệt đối $dNBR = (NBR_{pre} - NBR_{post}) \times 1000$ để đánh giá mức độ cháy rừng. Tuy nhiên, Miller & Thode (2007) đã chỉ ra rằng $dNBR$ bị thiên lệch nghiêm trọng theo trạng thái tiền nhiễu loạn (pre-fire vegetation state) và đề xuất chỉ số tương đối $RdNBR$ tại vùng Sierra Nevada, Hoa Kỳ: $$RdNBR = \frac{NBR_{pre} - NBR_{post}}{\sqrt{|NBR_{pre}/1000|}}$$ Mở rộng hướng đi này, Parks et al. (2014) đề xuất chỉ số $RBR$ nâng cao độ chính xác phân loại cháy rừng lên 70,5% so với 68,4% của $dNDVI$. Tại Dominica, Duarte et al. (2018) đã trích xuất thành công suy thoái carbon rừng lá kim bằng chuỗi dữ liệu Landsat và Google Earth Engine đạt độ chính xác 70,7%. Tại Việt Nam, Nguyễn Hải Hòa et al. (2018, 2019) và Lê Tuấn Anh et al. (2018) bước đầu thử nghiệm các chỉ số tuyệt đối ($dNDVI, dNBR, dIRSI$) và sai khác cấp độ sáng ($S_sNDVI, S_sBright$) nhưng chủ yếu dừng lại ở quy mô cấp huyện hoặc khu bảo tồn đơn lẻ.

┌─────────────────────────────────────────────────────────────────────────────┐
│                          BẢN ĐỒ VỊ TRÍ HỌC THUẬT                            │
├──────────────────────────────────────┬──────────────────────────────────────┤
│  Phương pháp So sánh sau Phân loại   │    Thuật toán Phát hiện Thay đổi     │
│  (Post-Classification Comparison)    │      (Direct Change Detection)       │
├──────────────────────────────────────┼──────────────────────────────────────┤
│ • Yang et al. (2019) - Myanmar       │ • Key & Benson (2006) - Tuyệt đối    │
│ • Rawat et al. (2015) - Ấn Độ        │   $dNBR$                             │
│ • Nguyễn Minh Kỳ et al. (2017)       │ • Miller & Thode (2007) - $RdNBR$    │
│ • Đoàn Duy Hiếu & Nguyễn Thám (2016) │ • Parks et al. (2014) - RBR          │
│                                      │ • Duarte et al. (2018) - Dominica    │
├──────────────────────────────────────┴──────────────────────────────────────┤
│                       KHOẢNG TRỐNG KHOA HỌC XÁC LẬP                         │
│ • Thiếu khung đánh giá suy thoái rừng theo cấp trữ lượng ở rừng nhiệt đới.   │
│ • Chỉ số tuyệt đối gây sai số lớn do bão hòa phổ giữa rừng giàu và nghèo.   │
│ • Chưa có thuật toán tỷ số chuẩn hóa tích hợp đa vệ tinh (Landsat 8, S2).    │
├─────────────────────────────────────────────────────────────────────────────┤
│                    ĐÓNG GÓP TIÊN PHONG CỦA LUẬN ÁN                          │
│ Phát triển và xác lập ngưỡng chỉ số tương đối $KB(dNDVI)$ và $KB(dNBR)$     │
│ trên 2.667 ô tiêu chuẩn toàn vùng Tây Nguyên; phân tách định lượng mất rừng │
│ và suy thoái rừng theo thời gian thực trên nền tảng Google Earth Engine.     │
└─────────────────────────────────────────────────────────────────────────────┘

Luận án đã định vị chính xác điểm nghẽn học thuật: kế thừa đột phá về chỉ số tương đối của Miller & Thode (2007) và Parks et al. (2014) từ hệ sinh thái ôn đới để giải bài toán phức tạp hơn gấp nhiều lần: phân biệt mất rừng hoàn toàn và suy thoái từng phần (suy giảm tầng tán, giảm trữ lượng) tại các hệ sinh thái rừng nhiệt đới gió mùa đa tầng tán ở Tây Nguyên.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết phản xạ phổ thực vật (Vegetation Spectral Reflectance Theory) của Tucker (1979) và Asner et al. (2005) trong việc lượng hóa cấu trúc tán rừng nhiệt đới. Đóng góp lý thuyết then chốt thể hiện ở các điểm:

  1. Khắc phục nghịch lý bão hòa phổ: Chỉ ra giới hạn của các chỉ số tuyệt đối khi áp dụng cho rừng có độ tàn che $>0.8$. Khi sinh khối đạt ngưỡng cao, mức giảm tuyệt đối của $NDVI$ giữa rừng giàu bị suy thoái và rừng nghèo bị phá hoàn toàn có thể tương đương nhau ($dNDVI \approx 0.30$), dẫn đến việc nhận định sai bản chất biến động;
  2. Xác lập mô hình biến động tương đối: Chuẩn hóa sự suy giảm phổ theo giá trị nền ban đầu của từng kiểu rừng thông qua chỉ số $KB$, tạo ra thước đo vô thứ nguyên phản ánh đúng tỷ lệ mất mát sinh khối sinh thái học;
  3. Chuyển dịch hệ hình giám sát (Paradigm Shift): Chuyển từ hệ hình "đánh giá tĩnh ngắt quãng" (Static Periodic Classification) sang hệ hình "phát hiện biến động phổ động liên tục" (Continuous Dynamic Spectral Anomaly Detection).

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất của 3 trụ cột lý thuyết: (1) Lý thuyết quang phổ viễn thám thực vật; (2) Lý thuyết cấu trúc - động thái quần xã rừng nhiệt đới; (3) Lý thuyết không gian địa tin học xử lý dữ liệu lớn (Big Geospatial Data).

Thuật toán chỉ số tương đối $KB$ được xây dựng trên nguyên lý tỷ số khác biệt chuẩn hóa: $$KB(dNDVI) = \frac{NDVI_{t1} - NDVI_{t2}}{NDVI_{t1}} \times 1000$$ $$KB(dNBR) = \frac{NBR_{t1} - NBR_{t2}}{NBR_{t1}} \times 1000$$ Trong đó, $t1$ là thời điểm trước biến động, $t2$ là thời điểm sau biến động; $NDVI = \frac{NIR - RED}{NIR + RED}$; $NBR = \frac{NIR - SWIR2}{NIR + SWIR2}$. Việc nhân hệ số 1000 đưa giá trị về dạng số nguyên, tối ưu hóa tốc độ xử lý ma trận điểm ảnh raster.

Điều kiện biên (Boundary conditions): Thuật toán phát huy độ chính xác cao nhất trên dữ liệu ảnh đã hiệu chỉnh phản xạ đáy khí quyển (Surface Reflectance - BOAL1C/Level-2A), lọc bỏ hoàn toàn mây và bóng mây qua thuật toán Fmask, áp dụng cho chu kỳ biến động ngắn (dưới 6 tháng) nhằm hạn chế biến động sinh thái tự nhiên theo mùa (phenology).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án vận hành theo hệ hình thực chứng (Positivism) với thiết kế nghiên cứu định lượng thực nghiệm đa cấp độ (Multi-level empirical design): Cấp độ vi mô (điểm ảnh 10m/30m), cấp độ trung mô (ô tiêu chuẩn 1.000 $m^2$, lô rừng theo phân chia lâm nghiệp) và cấp độ vĩ mô (vùng cảnh quan 5 tỉnh Tây Nguyên với diện tích tự nhiên $54.641\text{ km}^2$).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được triển khai với tính chuẩn xác cao về mặt thống kê và kiểm định thực địa:

  • Tập mẫu điều tra thực địa: Phân tích dữ liệu từ 2.667 ô tiêu chuẩn (OTC) lâm nghiệp ngoài thực địa (Phụ lục 15) phân bố trên toàn vùng Tây Nguyên để xác lập mối tương quan giữa trữ lượng tầng gỗ ($M$) và tín hiệu phổ vệ tinh;
  • Tập mẫu xây dựng ngưỡng: Thiết lập 360 mẫu rừng không đổi (Phụ lục 05) để theo dõi biến động phổ theo mùa tự nhiên; 230 mẫu mất rừng và suy thoái rừng xác thực (Phụ lục 06) để hiệu chỉnh ngưỡng $KB$;
  • Tập mẫu kiểm chứng độc lập: Sử dụng 150 mẫu mất rừng độc lập (Phụ lục 07) và 90 mẫu suy thoái rừng độc lập (Phụ lục 08) để đánh giá độ chính xác;
  • Kỹ thuật tam giác đạc kiểm chứng (Triangulation): Kết hợp đối soát chéo ba chiều giữa số liệu đo đạc thực địa, dữ liệu phân tích phổ Landsat 8/Sentinel 2 và ảnh vệ tinh độ phân giải cao PlanetScope (độ phân giải 3m) tại các thời điểm trước và sau biến động (điển hình tại Lô 1 Khoảnh 8 TK 1737; Lô 27 Khoảnh 6 TK 1409).
┌───────────────────────────────────────────────────────────────────────────────────────────┐
│                        QUY TRÌNH XỬ LÝ DỮ LIỆU & KIỂM ĐỊNH RIGOROUS                       │
├───────────────────────────────────────────────────────────────────────────────────────────┤
│                                                                                           │
│   [ 2.667 Ô tiêu chuẩn thực địa ]  ───►  Mô hình hóa phi tuyến Trữ lượng M & NDVI/NBR     │
│                                                                                           │
│   [ 360 Mẫu rừng không đổi ]       ───►  Xác định dải dao động phổ nền tự nhiên           │
│                                                                                           │
│   [ 230 Mẫu biến động chuẩn ]      ───►  Tối ưu hóa ngưỡng phân định KB(dNDVI), KB(dNBR)  │
│                                                                                           │
│   [ 240 Mẫu kiểm chứng độc lập ]   ───►  Ma trận nhầm lẫn (Confusion Matrix) & Kappa      │
│   (150 Mất rừng + 90 Suy thoái)           ▲                                               │
│                                           │ (Đối soát chéo)                               │
│   [ Ảnh vệ tinh PlanetScope (3m) ] ───────┘                                               │
│                                                                                           │
└───────────────────────────────────────────────────────────────────────────────────────────┘

Data và phân tích

  1. Xử lý ảnh vệ tinh đa thời gian: Sử dụng nền tảng Google Earth Engine (GEE) viết mã JavaScript để tự động hóa trích xuất, lọc tỷ lệ mây ($<10%$, $10-30%$) và tính toán chuỗi chỉ số phổ trên hàng trăm cảnh ảnh Landsat 8 và Sentinel 2 giai đoạn 2015–2018;
  2. Kiểm định phi tham số: Do dữ liệu phổ các trạng thái rừng không tuân theo phân phối chuẩn, nghiên cứu áp dụng kiểm định Mann-Whitney U test để đánh giá sự khác biệt có ý nghĩa thống kê giữa từng cặp trạng thái rừng (LRTX, LRRL, LRNRL, LK, Tre nứa, G-TN, Rừng trồng) với chỉ số $NDVI$ và $NBR$;
  3. Mô hình hóa không gian: Tích hợp công cụ Raster Calculator và ModelBuilder trong phần mềm ArcGIS để tự động hóa chuỗi quy trình từ ảnh viễn thám đến bản đồ cảnh báo mất rừng, suy thoái rừng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Thứ nhất, quy luật tương quan giữa cấu trúc rừng và chỉ số quang phổ: Nghiên cứu chứng minh $NDVI$ và $NBR$ có tương quan phi tuyến chặt chẽ với trữ lượng thân gỗ ($M$). Ở các trạng thái rừng có trữ lượng thấp đến trung bình ($<150\text{ m}^3\text{/ha}$), $NDVI$ tăng mạnh theo trữ lượng ($R^2 > 0.65$); tuy nhiên khi trữ lượng $>200\text{ m}^3\text{/ha}$, $NDVI$ đạt trạng thái tiệm cận bão hòa ($NDVI \approx 0.78 - 0.85$). Kênh $SWIR2$ trong chỉ số $NBR$ thể hiện độ nhạy vượt trội hơn đối với độ ẩm tán lá và mức độ xáo trộn cấu trúc tầng dưới tán rừng khép tán.

Thứ hai, xác lập ngưỡng phân định trạng thái rừng bằng kiểm định Mann-Whitney: Kết quả kiểm định Mann-Whitney ($p < 0.001$) cho thấy sự khác biệt phổ rõ rệt giữa các nhóm kiểu rừng chính trên cả ảnh Landsat 8 và Sentinel 2. Trên cơ sở đó, luận án đã xác lập thành công ngưỡng chỉ số tương đối $KB$ để phân tách 3 trạng thái:

  • Rừng không thay đổi: $KB$ dao động quanh khoảng cân bằng sinh thái (Landsat 8: $-95 \le KB(dNDVI) \le 115$; Sentinel 2: $-85 \le KB(dNDVI) \le 105$);
  • Suy thoái rừng: Biên độ giảm phổ phản ánh sự suy giảm mật độ tán hoặc giảm trữ lượng từng phần mà chưa mất rừng hoàn toàn;
  • Mất rừng: Sự sụt giảm phổ vượt ngưỡng đột biến do thảm phủ bị triệt hạ hoàn toàn chuyển sang đất trống/đất nông nghiệp.
Loại tư liệu viễn thám Chỉ số ứng dụng Ngưỡng Rừng không đổi ($KB$) Ngưỡng Suy thoái rừng ($KB$) Ngưỡng Mất rừng ($KB$) Độ chính xác phát hiện Mất rừng Độ chính xác phát hiện Suy thoái
Landsat 8 (30m) $KB(dNDVI)$ $-95 \text{ đến } 115$ $116 \text{ đến } 340$ $> 340$ $88,67%$ $81,11%$
Landsat 8 (30m) $KB(dNBR)$ $-110 \text{ đến } 130$ $131 \text{ đến } 380$ $> 380$ $90,00%$ $83,33%$
Sentinel 2 (10-20m) $KB(dNDVI)$ $-85 \text{ đến } 105$ $106 \text{ đến } 320$ $> 320$ $92,67%$ $85,56%$
Sentinel 2 (10-20m) $KB(dNBR)$ $-95 \text{ đến } 120$ $121 \text{ đến } 360$ $> 360$ $94,00%$ $87,78%$

Thứ ba, ưu thế vượt trội của tư liệu Sentinel 2 và chỉ số $NBR$: Kết quả đánh giá trên 150 mẫu mất rừng và 90 mẫu suy thoái độc lập chỉ ra Sentinel 2 kết hợp $KB(dNBR)$ đạt độ chính xác phát hiện mất rừng cao nhất ($94,00%$) và phát hiện suy thoái rừng đạt $87,78%$. Độ phân giải không gian 10–20m của Sentinel 2 cho phép phát hiện sớm các vụ phá rừng quy mô nhỏ từ 0,05–0,3 ha (vốn bị bỏ sót hoàn toàn trên ảnh Landsat 30m).

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp bộ thông số thực nghiệm chuẩn hóa về phản xạ phổ của 7 kiểu rừng nhiệt đới Tây Nguyên, hoàn thiện lý thuyết viễn thám giám sát suy thoái rừng theo hướng định lượng;
  • Về mặt phương pháp luận: Chuẩn hóa quy trình viễn thám bán tự động có thể chuyển giao, tái lập trên bất kỳ khu vực sinh thái nào sử dụng nguồn tư liệu mở (Landsat 8, Sentinel 2);
  • Về mặt thực tiễn quản lý: Đề xuất quy trình phát hiện sớm mất rừng, suy thoái rừng giúp lực lượng Kiểm lâm và các Ban quản lý rừng chuyển đổi từ trạng thái "đi tuần ngẫu nhiên" sang "kiểm tra chính xác theo tọa độ cảnh báo vệ tinh", rút ngắn thời gian phát hiện từ vài tháng xuống dưới 5–10 ngày;
  • Về mặt chính sách: Cung cấp công cụ khách quan để giám sát chi trả Dịch vụ Môi trường Rừng (DVMTR), giảm thiểu tranh chấp số liệu và phục vụ trực tiếp cho cơ chế đo đếm, báo cáo, thẩm định (MRV) trong khuôn khổ chương trình quốc gia REDD+.

Limitations và Future Research

  1. Hạn chế về ảnh hưởng thời tiết và mây mù: Vùng Tây Nguyên có mùa mưa kéo dài kèm theo độ che phủ mây cao ($>30%$) từ tháng 5 đến tháng 10, làm gián đoạn chuỗi cung cấp ảnh quang học liên tục;
  2. Hạn chế về bão hòa phổ cấu trúc đứng: Các chỉ số quang học ($NDVI, NBR$) chỉ ghi nhận thông tin bề mặt tán rừng, chưa phản ánh đầy đủ sinh khối tầng cây tái sinh và thảm tươi dưới tán ở những khu rừng khép tán nhiều tầng;
  3. Biến động sinh lý theo mùa của rừng khộp (LRRL): Kiểu rừng lá rộng rụng lá rụng toàn bộ lá vào mùa khô tạo ra sự suy giảm phổ tự nhiên tương tự như suy thoái rừng, đòi hỏi phải tách lớp phân loại chuyên biệt trước khi áp ngưỡng $KB$.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Tích hợp công nghệ Radar khẩu độ tổng hợp (SAR) như Sentinel-1 (băng C) và ALOS-2 PALSAR (băng L) với ảnh quang học để xuyên mây, duy trì giám sát liên tục trong mùa mưa;
  • Ứng dụng kỹ thuật LiDAR kết hợp máy bay không người lái (UAV) để hiệu chuẩn chính xác mối quan hệ giữa chỉ số $KB$ và sự suy giảm cấu trúc lập thể 3D của rừng bị suy thoái;
  • Ứng dụng các thuật toán học sâu (Deep Learning / Transformer) trên chuỗi thời gian vệ tinh dày đặc để dự báo không gian có nguy cơ mất rừng cao.

Tác động và ảnh hưởng

  • Tác động học thuật (Academic Impact): Luận án đặt nền tảng phương pháp luận cho việc chuẩn hóa chỉ số viễn thám tương đối tại Việt Nam. Các kết quả công bố trên các tạp chí chuyên ngành uy tín trong nước là tài liệu tham khảo cốt lõi cho các nghiên cứu sinh, học viên cao học ngành Lâm nghiệp và Quản lý tài nguyên môi trường;
  • Chuyển đổi ngành Lâm nghiệp (Industry Transformation): Thay đổi căn bản phương thức tác nghiệp lâm sinh và quản lý rừng. Quy trình tự động hóa trên ArcGIS ModelBuilder và Google Earth Engine giúp các Chi cục Kiểm lâm địa phương làm chủ công nghệ viễn thám hiện đại mà không tốn chi phí bản quyền dữ liệu;
  • Tác động chính sách công (Policy Influence): Trực tiếp hỗ trợ Cục Kiểm lâm và Sở Nông nghiệp & PTNT 5 tỉnh Tây Nguyên trong công tác theo dõi diễn biến rừng hàng năm theo Thông tư số 33/2018/TT-BNNPTNT, nâng cao tính minh bạch, loại bỏ tính chủ quan trong báo cáo diện tích rừng;
  • Lợi ích xã hội và môi trường: Bảo vệ tính toàn vẹn của "lá phổi xanh" Tây Nguyên, góp phần bảo tồn nguồn nước cho các lưu vực sông lớn (Srepok, Sê San, sông Ba) và duy trì sinh cảnh đa dạng sinh học quý giá của dãy Trường Sơn.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học Địa tin học Lâm nghiệp: Tiếp cận hệ thống dữ liệu thực nghiệm mẫu lớn (2.667 OTC) và bộ ngưỡng chỉ số $KB$ chuẩn hóa làm tiền đề mở rộng cho các vùng sinh thái khác (Tây Bắc, Bắc Trung Bộ);
  • Cơ quan Quản lý Nhà nước & Lực lượng Kiểm lâm: Lãnh đạo Cục Kiểm lâm, Chi cục Kiểm lâm 5 tỉnh Tây Nguyên (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng) sở hữu công cụ cảnh báo sớm chính xác, tối ưu hóa nguồn lực tuần tra và bảo vệ rừng;
  • Các Chủ rừng & Doanh nghiệp Lâm nghiệp: Các Ban quản lý rừng phòng hộ, Vườn quốc gia, Khu bảo tồn thiên nhiên và Công ty lâm nghiệp nâng cao năng lực giám sát diện tích rừng được giao, phát hiện sớm các vụ lấn chiếm đất rừng trái phép;
  • Cộng đồng cư dân địa phương & Xã hội: Hưởng lợi gián tiếp từ việc giảm thiểu tác động của thiên tai, hạn hán, xói mòn đất và đảm bảo nguồn thu bền vững từ chi trả dịch vụ môi trường rừng.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Luận án mở rộng Lý thuyết phản xạ phổ thực vật (Tucker, 1979) và Lý thuyết chỉ số biến động tương đối của Miller & Thode (2007) bằng việc phát triển và chuẩn hóa toán học chỉ số tương đối $KB(dNDVI)$ và $KB(dNBR)$ cho hệ sinh thái rừng nhiệt đới đa tầng tán. Đóng góp này đã giải quyết triệt để bài toán "bão hòa phổ" và loại trừ nhiễu ngoại cảnh, cho phép phân định định lượng giữa suy thoái trữ lượng từng phần và mất rừng hoàn toàn.

2. Đột phá phương pháp luận của luận án khi so sánh với các công trình đi trước? So với các nghiên cứu so sánh sau phân loại (như Yang et al., 2019; Nguyễn Minh Kỳ et al., 2017) vốn chịu sai số kép và tốn kém mẫu khóa ảnh, hay các nghiên cứu dùng chỉ số tuyệt đối (Key & Benson, 2006; Nguyễn Hải Hòa et al., 2018) dễ nhầm lẫn giữa rừng giàu suy thoái và rừng nghèo mất trắng, luận án sử dụng thuật toán tỷ số tương đối $KB$ kết hợp xử lý đám mây trên Google Earth Engine. Phương pháp này nâng độ chính xác phát hiện mất rừng lên $94,00%$ và suy thoái rừng lên $87,78%$ trên ảnh Sentinel 2.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì? Chỉ số $NBR$ (vốn truyền thống chỉ dùng để đo mức độ cháy rừng) lại thể hiện độ nhạy và tính chính xác cao hơn rõ rệt so với chỉ số $NDVI$ trong việc phát hiện suy thoái rừng nhiệt đới không do lửa (khai thác chọn, tỉa thưa). Điều này được lý giải do kênh sóng ngắn hồng ngoại ($SWIR2$) phản ứng cực kỳ nhạy với sự suy giảm độ ẩm sinh khối tán và sự phơi lộ của lớp đất/vụn hữu cơ tầng dưới tán.

4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) hay không? Có. Luận án cung cấp chi tiết toàn bộ câu lệnh mã nguồn xử lý ảnh trên Google Earth Engine (Phụ lục 03, 04), quy trình vận hành trên ArcGIS Raster Calculator và ModelBuilder, cùng toàn bộ tọa độ, thông số kiểm định của 2.667 OTC và 680 mẫu kiểm chứng (Phụ lục 05 đến 15), đảm bảo khả năng tái lập quy trình 100%.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào? Tập trung vào 3 trọng tâm: (1) Xây dựng hệ thống giám sát thời gian thực tự động hóa hoàn toàn tích hợp đa nguồn dữ liệu quang học và SAR (Sentinel 1/2); (2) Ứng dụng trí tuệ nhân tạo (AI/Deep Learning) để nhận diện hình thái không gian các điểm nóng phá rừng; (3) Mở rộng bộ ngưỡng chỉ số $KB$ cho toàn bộ các hệ sinh thái rừng đặc thù tại Việt Nam (rừng ngập mặn, rừng trên núi đá vôi).

Kết luận

  1. Xác lập cơ sở khoa học định lượng vững chắc: Luận án đã làm sáng tỏ mối quan hệ tương quan phi tuyến giữa các chỉ số thực vật viễn thám ($NDVI, NBR$) với trữ lượng thân gỗ ($M$) trên 7 kiểu rừng tự nhiên và 1 kiểu rừng trồng vùng Tây Nguyên;
  2. Phát triển thành công thuật toán chỉ số tương đối $KB$: Xây dựng và kiểm định hoàn thiện hai chỉ số $KB(dNDVI)$ và $KB(dNBR)$, khắc phục hạn chế cố hữu của các phương pháp viễn thám truyền thống trong phân tách mất rừng và suy thoái rừng;
  3. Bộ ngưỡng phân loại chuẩn xác cao: Xác định chính xác hệ thống ngưỡng biến động $KB$ trên ảnh Landsat 8 và Sentinel 2, đạt độ chính xác phát hiện mất rừng $90,00 - 94,00%$ và phát hiện suy thoái rừng $83,33 - 87,78%$;
  4. Quy trình công nghệ có tính ứng dụng vượt trội: Tích hợp thành công nền tảng Google Earth Engine và ArcGIS ModelBuilder thành chuỗi xử lý bán tự động, giải quyết trực tiếp bài toán cảnh báo sớm của ngành lâm nghiệp;
  5. Đóng góp dữ liệu quy mô lớn: Cung cấp bộ cơ sở dữ liệu thực nghiệm chuẩn mực gồm 2.667 ô tiêu chuẩn lâm nghiệp và hệ thống mẫu kiểm chứng đa thời gian trên toàn vùng Tây Nguyên;
  6. Mở ra các hướng nghiên cứu liên ngành mới: Đặt nền móng cho các nghiên cứu kết hợp viễn thám đa nguồn (SAR-Optical Fusion), trí tuệ nhân tạo địa không gian (GeoAI) phục vụ giám sát tài nguyên thiên nhiên và ứng phó biến đổi khí hậu toàn cầu.