View
226
Download
1
Category
Preview:
Citation preview
1
SỬ DỤNG ẢNH VỆ TINH LANDSAT VÀ GIS ĐỂ ƯỚC TÍNH VÀ GIÁM SÁT
LƯỢNG CO2 HẤP THỤ CỦA RỪNG KHỘP (DIPTEROCARP FOREST) TỈNH ĐĂK LĂK
Huỳnh Thị Kiều Trinh
Viện Khoa học Lâm nghiệp Nam Trung Bộ và Tây Nguyên
Tóm tắt
Hệ sinh thái rừng khộp là hệ sinh thái (HST) độc đáo, hiếm có trên thế giới. Rừng khộp được
hình thành trong điều kiện khắc nghiệt nên rất khó để thay thế những loại cây trồng khác đặc
biệt độc canh cây nông nghiệp, cây công nghiệp. Ở Việt Nam, nó là HST đặc trưng cho Tây
Nguyên và tỉnh Đăk Lăk, mang lại nhiều giá trị đa dạng sinh học và khả năng hấp thụ, lưu giữ
được một lượng lớn CO2, rừng khộp chưa được nhận thức đầy đủ về những giá trị đa dạng
sinh học, sinh thái môi trường tiềm ẩn và “bị xem” là khu rừng kém giá trị về mặt kinh tế sau
nhiều năm khai thác gỗ. Để ước tính, giám sát lượng CO2 hấp thụ cho một khu vực có diện
tích rộng, cần phải có dữ liệu sinh khối rừng, carbon lưu giữ trên bản đồ theo không gian và
thời gian. Do đó, ứng dụng GIS để xây dựng mối quan hệ giữa nhân tố sinh khối, trữ lượng
carbon với giá trị ảnh cho rừng khộp để giám sát lượng CO2 hấp thụ rất cần thiết và ý nghĩa
và là một hướng đi cần được tiếp thu và phát triển để hỗ trợ việc cung cấp dữ liệu phát thải
CO2 khi Việt Nam tham gia chương trình REDD+.
Kết quả nghiên cứu giải đoán ảnh và quản lý trong ArcGIS thông qua các mô hình sinh trắc
cho thấy rừng khộp ở hai huyện Ea Soup và Ea H’Leo tỉnh Đăk Lăk có các giá trị sau: Tổng
diện tích rừng khộp là 125.404,8ha. Tổng sinh khối trên và dưới mặt đất của cây rừng là
8.156.667,6 tấn. Tổng lượng carbon tích lũy 4.093.501,1 tấn. Tổng lượng CO2 hấp thụ của
rừng khộp được là 15.023.149,1 tấn.
Từ khóa: Hệ sinh thái rừng khộp, sinh khối, Carbon lưu giữ và CO2 hấp thụ, GIS, giải đoán
ảnh.
Abtract
Estimating Carbon for Dipterocarp Forest by Remote sensing Landsat
image and GIS in Dak Lak province
Huynh Thi Kieu Trinh
Forest Science Institute of Central Highlands and South of Central Viet Nam
Dipterocarp forest ecosystems are uniqueness, rare on the world. Dipterocarp forest was being
formed in the hash conditions so difficult to replace by other crops, especially monoculture
agriculture, industrial plants. It’s typical ecosystem in Central Highlands and Dak Lak
province bring various values such as biodiversity, capacity to absorb and store CO2 but the
people not enough to awareness about the value of biodiversity also ecological potential and
“was seen” with less economically valuable after years of logging.Estimating, monitoring
CO2 absorbed for large area we are need forest biomass data, carbon stored on the maps by
space and time. Therefore, building the relationships between biomass factor, carbon stock
2
with digital value for dipterocarp forest that vital, mean, the direction should be to acquire and
develop to support for provide CO2 emission data when Vietnam participate in REDD+.
The value from the research result satellite image interpretation and management in ArcGIS
software through allometric equations model showed the dipterocarp forest in Ea Soup and Ea
Hleo distric (Dak Lak province): Total area is 125,404.8 hectares, Total biomass above and
below under ground of trees is 8,156,667.6 tons. Total carbon stored is 4,093,501.1 tons in
forest. Total CO2 absorbed is 15,023,149.1 tons.
Keyword:Dipterocarp forest ecosystems,biomass, carbon stored,CO2 absorbed, GIS, satellite
image interpretation.
I. ĐẶT VẤN ĐỀ
Hệ sinh thái rừng khộp mang lại nhiều giá trị cho con người đặc biệt là giá trị đa dạng sinh
học và khả năng hấp thụ và lưu giữ được một lượng lớn CO2. Tuy nhiên, rừng khộp chưa
được nhận thức đầy đủ về những giá trị đa dạng sinh học, sinh thái môi trường tiềm ẩn và “bị
xem” là khu rừng kém giá trị về mặt kinh tế sau nhiều năm khai thác gỗ. Chương trình
REDD+ra đời là một cơ hội cho lâm nghiệp Việt Nam nhưng để tiếp nhận và thực hiện tốt
những cam kết ở hiện tại cũng như trong tương lai thì Việt Nam cần có nghiên cứu phương
pháp đo tính, giám sát sự thay đổi lượng carbon lưu giữ và CO2 hấp thụ của rừng tự nhiên.
Đồng thời, dựa trên công nghệ GIS và viễn thám để theo dõi, cung cấp thông tin, dữ liệu có
cơ sở khoa học, đáng tin cậy về sự thay đổi của các bể chứa carbon cho từng hệ sinh thái rừng
cụ thể và chứng minh giảm phát thải khí gây hiệu ứng nhà kính CO2 trong việc thực hiện quản
lý rừng tốt hơn ở các kiểu rừng cụ thể, trong đó rừng khộp là một trong kiểu rừng cần được
nghiên cứu.
Nghiên cứu và ứng dụng công nghệ GIS và viễn thám đã được nhiều nước ứng dụng trong
điều tra quản lý tài nguyên rừng. Dữ liệu vệ tinh có thể được sử dụng để ước tính sinh khối và
carbon lưu giữ trên mặt đất. Công nghệ viễn thám có thể thực hiện qui mô toàn cầu để giám
sát thảm thực vật và chu trình carbon[10], [11].Nghiên cứu “Xác định lượng CO2 hấp thụ của
rừng lá rộng thường xanh vùng Tây Nguyên làm cơ sở tham gia chương trình giảm thiểu khí
thải phát từ suy thoái rừng và mất rừng” của Bảo Huy và cộng sự (2010-2012) [1], [2], [5], là
nghiên cứu đầu tiên cho rừng tự nhiên lá rộng thường xanh của Việt Nam đã xây dựng mối
quan hệ giữa nhân tố sinh khối, trữ lượng carbon với giá trị ảnh cho rừng lá rộng thường xanh
cho khu vực Tây Nguyên [3, [4].
Tuy nhiên, trữ lượng carbon sẽ biến thiên theo loại rừng và những vùng sinh thái, tùy thuộc
vào các yếu tố vật lý như đất, thảm thực vật…nó không đồng nhất trong một khu vực trên
quốc gia.
Những nghiên cứu ước tính lượng CO2 hấp thụ đối với rừng khộp trên thế giới, [6], [7], [8],
[9], nhưng chưa xây dựng mối quan hệ giữa nhân tố sinh khối, trữ lượng carbon với giá trị
ảnh cho rừng khộp để giám sát lượng CO2 hấp thụ. Ở Việt Nam, nghiên cứu của Nguyễn Việt
Lương (2012) [13]đã tính tổng sinh khối trên và dưới mặt đất ở khu vực vườn quốc gia Yok
Đôn theo hàm allometric equations được xây dựng bởi Chaivo et al (2010) trên khu vực rừng
khộp ở Thái Lan dựa vào hai tham số chính H và DBH. Tuy nhiên, mỗi kiểu rừng khác nhau,
3
trạng thái khác nhau sẽ hấp thụ lượng CO2 và carbon lưu giữ không giống nhau. Nhưng chưa
có nghiên cứu nào xây dựng mối quan hệ giữa nhân tố sinh khối, trữ lượng carbon với giá trị
ảnh cho rừng khộp ở khu vực Tây Nguyên. Để ước tính, giám sát lượng CO2 hấp thụ cho một
khu vực có diện tích rộng, cần phải có dữ liệu sinh khối rừng, carbon lưu giữ trên bản đồ theo
không gian và thời gian. Do vậy, nghiên cứu này rất cần thiết và ý nghĩa và là một hướng đi
cần được tiếp thu và phát triển để hỗ trợ việc cung cấp dữ liệu phát thải CO2 khi Việt Nam
tham gia chương trình REDD+.Trước bối cảnh này câu hỏi đặt ra cho nghiên cứu là: Làm thế
nào để ước tính, giám sát sự thay đổi CO2 hấp thụ cho rừng khộp trên diện rộng?Hiệu quả
giảm phát thải khí CO2 gây hiệu ứng nhà kính trong việc thực hiện quản lý rừng tốt hơn như
thế nào ở rừng khộp? Viễn thám và công nghệ GIS sẽ giúp việc ước tính sinh khối, theo dõi
biến động CO2 theo thời gian sẽ mang lại hiệu quả, giảm chi phí khi tham gia REDD+ ra
sao?Vì vậy việc nghiên cứu“Sử dụng ảnh vệ tinh Landsat và GIS để ước tính và giám sát
lượng CO2 hấp thụ của rừng khộp tỉnh Đăk Lăk” sẽ góp phần giải quyết vấn đề trên.
II. PHẠM VI, ĐỐI TƯỢNG NGHIÊN CỨU
Phạm vi nghiên cứu:Nghiên cứu lượng carbon tích lũy trong các bộ phận trên mặt đất của
thực vật thân gỗ; Nghiên cứu mối quan hệ giữa sinh khối, carbon rừng để suy ra CO2 hấp thụ
trong cây gỗ trên mặt đất với các dữ liệu ảnh vệ tinh Landsat.
Đối tượng nghiên cứu:Các lâm phần rừng khộp với các trạng thái khác nhau thuộc hai huyện
phân bố rừng khộp chính: huyện Ea Soup và huyện Ea Hleo, tỉnh Đăk Lăk; Sinh khối và
carbon trong thân cây gỗ trên mặt đất;
III. MỤC TIÊU, NỘI DUNG, PHƯƠNG PHÁP NGHIÊN CỨU
3.1 Mục tiêu nghiên cứu:Xây dựng kỹ thuật ứng dụng ảnh vệ tinh Landsat và công nghệ GIS
để ước tính và giám sát lượng CO2 hấp thụ hoặc phát thải của rừng khộp, làm cơ sở tham gia
chương trình REDD+.
3.2 Nội dung nghiên cứu:
i) Thử nghiệm hai phương pháp phân loại ảnh vệ tinh kết hợp với ba phương pháp điều tra ô
mẫu để trong ước tính sinh khối và carbon rừng.
ii) Ứng dụng công nghệ GIS để xây dựng giải pháp quản lý, giám sát sinh khối và lượng CO2
hấp thụ hoặc phát thải của rừng khộp.
3.3 Phương pháp nghiên cứu
3.3.1 Cơ sở dữ liệu ảnh và mặt đất
Nguồn vật liệu:
- Ảnh vệ tinh Landsat năm 2010 có độ phân giải 30x30m, cảnh ảnh có kích thước 170km
phương Bắc – Nam và 183km phương Đông - Tây. Ảnh có 7 kênh mang số thứ tự từ 1 đến 7
và kênh toàn sắc (Panchromatic hay viết tắt là PAN). Kênh 1, 2 và 3 thuộc vùng bức xạ nhìn
thấy; kênh 4, 5 và 7 thuộc vùng hồng ngoại có độ phân giải 30m; kênh 6 thuộc vùng hồng
ngoại nhiệt có độ phân giải 30m và kênh Pan có độ phân giải 15m. Các kênh có kèm theo
bước sóng và độ phân giải được thể hiện ở bảng 3.1.
Bảng 3.1: Đặc điểm ảnh Landsat
Kênh Bước sóng (micromet) Độ phân giải (m)
4
Kênh 1 0.45- 0.515 30
Kênh 2 0.525-0.605 30
Kênh 3 0.63- 0.69 30
Kênh 4 0.75-0.90 30
Kênh 5 1.55-1.75 30
Kênh 6 10.40- 12.5 30
Kênh 7 2.09-2.35 30
Pan 0.52- 0.90 15
- Các bản đồ cơ sở như địa hình, sông suối, hành chính khu vực Ea Soup và Ea H’Leo.
- Các phần mềm xử lý ảnh ENVI 4.7, phần mềm GIS: ArcGIS và phần mềm thống kê
Statgraphics Centurion Plus.
Hiệu chỉnh hình học ảnh:Việc nắn chỉnh được tiến hành trong phần mềm ENVI.
Phân loại vùng nghiên cứu cứu thành vùng có rừng và không rừng, trên cơ sở đó giải đoán
ảnh chỉ trong vùng có rừng: Trên ảnh tạo các vùng quan tâm (ROI – Region of Interest) như
các vùng mẫu cho 2 đối tượng có rừng và vùng mẫu không có rừng. Dựa trên các vùng mẫu
này, sử dụng phương pháp phân loại có kiểm định Maximum Likelihood để phân thành 2 loại
thảm phủ có rừng vào không rừng trên ảnh đã được hiệu chỉnh hình học trong phần mềm
ENVI.
3.3.2 Thu thập số liệu ô mẫu mặt đất, chặt hạ cây để lập mô hình tính toán sinh khối và
carbon phần cây gỗ trên mặt đất.
Lập ô tiêu chuẩn 50x50m và chặt hạ cây để thu thập số liệu sinh khối cây gỗ trên mặt đất:
Tổng các ô mẫu rải đều trên các trạng thái và khu vực gồm 18 ÔTC với 1 ô trạng thái giàu, 5
ô trạng thái rừng trung bình, 8 ô trạng thái nghèo, 4 ô rừng non. Trong đó, khu vực huyện Ea
Soup điều tra 10 ô và 8 điều tra ở huyện Ea Hleo. Tại mỗi ô điều tra thu thập các số liệu ban
đầu của ô mẫu như:
+ Vị trí ô mẫu; Tọa độ địa lý (phải lấy chính xác); Nhân tố lâm phần và sinh thái;
+ Ô mẫu sơ cấp kích thước 50x50(m): Điều tra cây gỗ có D1.3>30cm với nhân tố điều tra gồm
loài, D1.3(cm), H(m).
+ 5 ô mẫu thứ cấp 10x10(m) trong ô sơ cấp: Trong đó một ô đặt ở tâm và 4 ô ở 4 góc của ô
mẫu sơ cấp. Điều tra cây gỗ có 5cm < D1.3 30cm. Nhân tố điều tra là Loài, D1.3 (cm), H(m).
+ 5 ô mẫu phụ 2x2(m) trong ô thứ cấp: Điều tra cây gỗ tái sinh có D1.3<5cm và H >1.3m.
Nhân tố điều tra gồm Loài, D1.3(cm), H(m). Trong ô mẫu phụ 2x2(m)- ô trung tâm, điều tra
các chỉ tiêu sinh thái như G(m2), loại đất, nhiệt độ, độ ẩm, pH đất, tọa độ GPS, độ tàn che,
loài cây gỗ, thực bì.
Kế thừa số liệu của Bộ môn Quản lý Tài nguyên rừng và Môi trường (Trường Đại học Tây
Nguyên, năm 2011) với173 cây chặt hạ rải theo cấp kính ở các ô mẫu 2500m2, có tổng số373
mẫu phân tích sinh khối và carbon, trong đó: 94 thân, 93 mẫu lá, 92 mẫu cành, 94 mẫu vỏ.
Thiết lập được các hàm sinh trắc (Allometric equations)dựa trên quan hệ giữa sinh khối,
carbon lưu giữ của cây rừng với hai nhân tố DBH và H để tính sinh khối cây gỗ trên mặt đất
(TAGTB, tấn/ha) và carbon cây gỗ trên mặt đất (TAGTC, tấn/ha) với cây gỗ có DBH ≥ 5 cm.
5
Lập 3 kiểu dạng ô điều tra để giải đoán ảnh vệ tinh:
Điều tra 43 ô giải đoán ảnh được phân bố rải đều trong các trạng thái và vùng nghiên cứu ở
hai huyện có rừng khộp là Ea Soup và Ea Hleo. Thiết lập ô với 3 dạng ô mẫu chồng trên cùng
một điểm: Ba kiểu dạng ô mẫu được thiết lập là Ô Prodan 5.5 cây, ô tròn phân tầng 1000m2
và ô vuông 30x30m.
Đối với ô vuông 30 x 30m được chia thành 9 ô thứ cấp 10 x10m.
Đối với ô tròn phân tầng 1000m2 được đề nghị dùng trong điều tra carbon rừng ở Việt Nam
của Bảo Huy (2010). Dùng dây có thắt nút bằng dải màu ở các bán kính của các ô mẫu phụ
lần lượt là 1m ứng với bán kính 3,14m2 (màu xanh chuối), trong bán kính này chỉ đo đếm cây
tái sinh; 5,64m ứng với bán kính 100m2 (màu vàng); 12,62m ứng với bán kính 500m2 (màu
xanh biển) và 17,84m ứng với bán kính 1000m2 (màu đỏ). Để thuận tiện cho việc đo đếm cần
8 dây có thắt nút kéo theo 8 hướng của ô tròn hoặc nếu dùng 4 dây cần phải di chuyển các
múi ô. Trong vùng bán kính từ 1m đến 5.64m chỉ đo những cây có DBH từ 6cm trở lên. Từ
bán kính 5.64m-2.62m đo những cây có DBH từ 22cm trở lên. Từ bán kính 12.62m-17.84m
đo những cây có DBH từ 42cm trở lên.
Đối với ô Prodan dùng thước dây xác định 6 cây gần tâm nhất với đường kính D1.3 từ 6cm
trở lên. Cây xa tâm nhất được xác định là cây thứ 6.Sau khi thiết lập 3 dạng ô giải đoán, tiến
hành đo các chỉ tiêu trong ô lần lượt theo các ô thứ cấp 10 x 10m. Xác định loài, đo chiều cao
(m), đường kính D1.3 (cm) của các cây có đường kính từ 6cm trở lên trong ô. Đồng thời, dựa
vào cấp kính đã được phân trong ô tròn và tiêu chí chọn cây Prodan để đánh dấu các cây
thuộc ô tròn, thuộc ô Prodan hay ô tròn ngoài vuông (những cây thuộc cấp kính trong ô tròn
phân tầng nhưng nằm ngoài ô vuông).
Từ số liệu thu thập cho 3 dạng ô mẫu:Tính mật độ (số cây/ha) và trữ lượng (m3/ha) cho 3
dạng ô. Sử dụng các hàm sinh trắc (Allometric equations) của cây rừng để ước tính sinh khối
cây gỗ trên mặt đất của lâm phần (TAGTB, tấn/ha) và carbon cây gỗ trên mặt đất lâm phần
(TAGTC, tấn/ha), chỉ tính cho cây có DBH từ 6cm trở lên với 3 dạng ô:
+ Đối với ô vuông 30x30m, tính tổng sinh khối và carbon theo công thức 3.1 và công thức
3.2:
34
10*)/(*900
10 tan/ha)( câykgAGBTAGTB (CT III.1)
34
10*)/)((*900
10 tan/ha)( câykgAGBCTAGTC (CT III.2)
+ Đối với ô tròn phân tầng, tính tổng sinh khối và carbon theo công thức3.3 và 3.4:
310**)()(tan/ NkgAGBhaTAGTB (CT III.3)
310**))(()(tan/ NkgAGBChaTAGTC (CT III.4)
Trong đó, mật độ đối với từng cỡ kính được tính theo công thức 3.5, 3.6 và 3.7
)226(.100
10/
4
cmDNno
haN (CT III.5)
6
)4222(.500
10/
4
cmDNno
haN (CT III.6)
)42(.1000
10/
4
cmDNno
haN (CT III.7)
Với: no là số ô điều tra
+ Đối với ô Prodan tính TAGTB, TAGTC theo công thức 3.8 và 3.9:
3
2
4
10*)(**
10)(tan/ kgAGB
rhaTAGTB
(CT III.8)
3
2
4
10*))((**
10)(tan/ kgAGBC
rhaTAGTC
(CT III.9)
Đây là cơ sở dữ liệu để nghiên cứu thiết lập quan hệ giữa ảnh với lượng sinh khối trên mặt đất
theo 3 kiểu ô mẫu khác nhau.
3.3.3Thử nghiệm các phương pháp ứng dụng ảnh vệ tinh trong ước lượng sinh khối và
carbon rừng theo 3 kiểu ô mẫu:
Thử nghiệm các phương pháp khác nhau:Phương pháp nghiên cứu chủ yếu là xác lập mối
quan hệ giữa sinh khối, carbon rừng ở 3 kiểu ô mẫu với dữ liệu ảnh, làm cơ sở ước lượng sinh
khối, carbon rừng và lập bản đồ, quản lý cơ sở dữ liệu carbon rừng thông qua ảnh viễn thám
và GIS.
i) Phương pháp phân loại ảnh phi giám định và lập quan hệ với sinh khối rừng cho 3
dạng ô mẫu:
Phương pháp này nhằm mục đích thử nghiệm khả năng phân loại ảnh dựa vào giá trị ảnh và
quan hệ của nó với sinh khối, carbon rừng trên mặt đất để phân loại rừng và ước lượng sinh
khối, carbon rừng. Cùng với dữ liệu điều tra 3 dạng ô mẫu tròn, vuông và Prodan, tìm mối
quan hệ giữa phương pháp phân loại ảnh và phương pháp lập ô tốt nhất cho kiểu rừng khộp.
7
Hình 3.1: Sơ đồ tiếp cận nghiên cứu phân loại ảnh phi giám định và lập quan hệ với sinh
khối rừng
Phân loại phi giám định dựa vào tập hợp các phần tử có cùng giá trị ảnh. Số lượng các nhóm
phân loại tùy thuộc vào người phân loại, đây là quá trình lặp đi lặp lại của việc nhóm các lớp
theo các chỉ tiêu người phân loại đặt ra gồm số lần lặp tối đa (Maximum iteration), số pixel tối
thiểu trong một nhóm/lớp (Minimum Pixel in Class), độ lệch chuẩn tối đa của nhóm
(Maximum Class Stdv), số Pixel tối thiểu khi kết nhóm (Maximum Merge pairs) cho đến khi
thỏa mãn các điều kiện đã đặt ra thì quá trình này dừng lại. Trong đó phương pháp ISODATA
được áp dụng do đây là phương pháp mềm dẻo, tự nhiên, không cần cố định số các lớp. Dựa
vào trung bình các lớp/loại như nhau về dữ liệu không gian, sau đó sắp xếp lại các pixel bằng
cách sử dụng khoảng cách tối thiểu. Mỗi một đặc trưng của pixel được phân loại lại tạo ra một
trung bình. Các lớp được tách, hợp nhất, và xóa được thực hiện trên cơ sở dữ liệu ngưỡng
tham số. Tất cả các pixel được phân loại vào lớp gần nhất, trừ khi một sai tiêu chuẩn hay
ngưỡng tham số nằm ngoài, trong trường hợp đó một số pixel có thể được phân loại lại nếu
chúng không đạt các tiêu chuẩn lựa chọn. Quá trình này tiếp tục cho đến khi số lượng các
điểm ảnh trong mỗi lớp thay đổi ít hơn hoặc số lần tối đa của các lần lặp là đạt được.
Việc phân loại thành bao nhiêu lớp và số lượng pixel trong mỗi lớp do người xử lý quyết
định; trong thực tế các trạng thái rừng, mức độ che phủ có bức xạ quang phổ khác nhau. Do
đó, nếu chọn số lượng các lớp (Class) khác nhau khi phân loại có ý nghĩa như là phân chia
rừng thành các lớp có độ chi tiết, chỉ số ảnh khác nhau; từ đây dò tìm mối quan hệ có các lớp
phân chia khác nhau với sinh khối, trữ lượng carbon đã điều tra trong ô mẫu, đây là cơ sở để
thiết lập hệ thống phân loại ảnh phi giám định trên cơ sở tương quan với sinh khối, carbon
rừng.
Thử nghiệm phân loại tự động với 3 hệ thống class:
+ Phân chia từ 2 - 4 class: Tạo ra 3 lớp
+ Phân chia từ 3 - 5 class: Tạo ra 4 lớp
+ Phân chia từ 4 - 6 class: Tạo ra 5 lớp
Lập quan hệ giữa tổng sinh khối, carbon cây gỗ trên mặt đất theo 3 dạng ô mẫu với các mã số
class (id_class) đã phân loại trên ảnh: TAGTB, TAGTC =f(Class_id) theo các tổ hợp giữa 3
lớp, 4 lớp, 5 lớp.Mô hình quan hệ sinh khối, carbon (yi) với các giá trị điều tra, giá trị ảnh (xi)
được thiết lập dạng yi = f(xi); trong đó yi và xi được đổi biến số lần lượt là log, sqrt, exp, 1/yi,
xi và tổ hợp biến để tìm hàm và biến số thích hợp.Chọn mô hình quan hệ sinh khối theo các
nhân tố điều tra, hệ thống lớptheo các chỉ tiêuthống kê như: hệ số quan hệ R2%adj cao nhất,
AIC(Akaike Information Criterion), CF(Correction factor), Cp (Tiêu chuẩn Mallow’Cp)và
S1%, S2%(được tính theo công thức biến động trung bình S1% và sai số tương đối S2%) bé
nhất.So sánh mô hình quan hệ sinh khối với các nhân tố điều tra, hệ thống class, lựa chọn ra
một mô hình tốt nhất tương ứng với tổ hợp hệ thống class, đó chính là số hệ thống class cần
phân chia có mối quan hệ chặt chẽ nhất với sinh khối và carbon rừng trên mặt đất theo kiểu
dạng ô mẫu thích hợp cho rừng khộp.
8
Cuối cùng kết quả phân loại sinh khối, carbon trên ảnh thông qua mô hình được đánh giá sai
số với các giá trị sinh khối thực tế của cácô mẫu.Sử dụng tiêu chuẩn T bắt cặp theo Paired
Two Sample for Means để kiểm tra sự sai khác giữa giá trị ước tính trên ảnh với thực tế, nếu
P(T<=t) one-tail (một chiều) > 0.05 chấp nhận Ho, nghĩa là giá trị ước tính theo lý thuyết và
thực tế không có sự khác biệt với độ tin cậy 95%và ngược lại thì bác bỏ Ho. Việc sử dụng T
bắt cặp là do tại mỗi vị trí ô mẫu có hai giá trị được so sánh là lý thuyết và thực tế, tức là bắt
cặp nhau và sử P một chiều (one tail) để đánh giá sự chênh lệch dữ liệu theo một chiều hướng
(lớn hay nhỏ thua).
ii) Phương pháp phân loại ảnh có giám định và phân chia rừng theo cấp sinh khối
Phương pháp này cũng dựa trên 3 kiểu ô mẫu, mỗi kiểu có 43 ô mẫu quan sát thực địa để
phân loại ảnh thành các lớp đồng nhất về sinh khối và carbon rừng. Các bước tiến hành:
- Phân cấp sinh khối dựa vào 3 kiểu ô mẫu
- Phân lập ảnh theo cấp sinh khối của 3 kiểu ô mẫu: Các ô mẫu là vùng ROI đại diện cho từng
cấp. Sử dụng thuật toán phân loại Maximum Likelihood để phân thành các lớp sinh khối,
carbon trong phần mềm ENVI.
- Sử dụng 15 trong 18 ô mẫu 50x50m độc lập để đánh giá độ tin cậy của phân loại ảnh thành
các cấp sinh khối, carbon trong ENVI.
Hình III.1: Sơ đồ tiếp cận nghiên cứu phân loại ảnh có giám định và phân chia rừng
theo cấp sinh khối theo 3 kiểu ô mẫu
3.3.4 Ứng dụng GIS trong quản lý, giám sát sinh khối, carbon rừng
Trên cơ sở ảnh vệ tinh đã được giải đoán và phân loại theo từng cấp sinh khối, carbon, tiến
hành lập cơ sở dữ liệu sinh khối, carbon cho một khu vực:Chuyển file ảnh thành vector với
thuộc tính là sinh khối/ha (TAGTB, tấn ha) đã thực hiện trong nghiên cứu giải đoán ảnh vệ
tinh trong ArcGIS; Sử dụng các mô hình allometric equations lâm phần để tính gián tiếp các
giá trị sinh khối, carbon trong các bể chứa khác và toàn lâm phần; Biên tập bản đồ sinh khối,
carbon rừng và xuất ra cơ sở dữ liệu; Theo dõi và cập nhật thay đổi diện tích, trữ lượng
carbon trong ArcGIS thông qua chức năng cập nhật của các trường theo các hàm allometric
equations.
9
Hình 3.2: Sơ đồ tiếp cận nghiên cứu ứng dụng GIS trong quản lý, giám sát sinh khối,
carbon rừng
IV. KẾT QUẢ NGHIÊN CỨU
4.1 Ứng dụng ảnh vệ tinh trong ước tính và giám sát sinh khối, carbon rừng
4.1.1 Thiết lập các mô hình sinh trắc ước tính sinh khối và carbon cây rừng phân trên
mặt đất (AGB) và C(AGB)
Từ số liệu cây chặt hạ đã phân tích sinh khối và carbon, thiết lập được các mô hình ước tính
sinh khối trên mặt đất (AGB) và carbon tương ứng C(AGB) theo hai nhân tố điều tra cây rừng
là DBH và H. Dựa vào các tiêu chí thống kê lựa chọn hàm, biến số và chỉ tiêu hàm tối ưu đã
lựa chọn được các mô hình ở bảng 4.1.
Bảng 4.1: Các mô hình sinh trắc để ước tính sinh khối và carbon cây rừng phần trên
mặt đất
Dạng hàm R2adj P_Value AIC CF Cp S1%
Ln(AGB_kg) = -3.13468 +
2.68072*ln(DBH_cm) 96.71 0.00 -418.79 1.04 0.00 22.8
Ln(AGB_kg) = -3.25897 +
0.183087*Ln(H_m) +
2.5682*Ln(DBH_cm)
95.92 0.00 -387.99 1.05 1.00 25.8
Ln(AGB_kg) = -3.5857 +
1.56326*Ln(DBH_cm*H_m) 89.47 0.00 -232.79 1.13 2.00 41.12
Ln(AGB_kg) = -3.57369 +
1.00666*Ln(DBH_cm^2*H_m) 93.02 0.00 -302.68 1.09 2.00 33.48
Ln(C_AGB__kg) = -4.22693 +
2.83379*ln(DBH_cm) 96.97 0.00 -199.91 1.04 0.00 24.8
Ln(C_AGB__kg) = -4.35124 +
2.56549*Ln(DBH_cm) +
0.366245*Ln(H_m)
96.51 0.00 -195.31 1.05 1.00 26.3
Ln(C_AGB__kg) = -4.63988 +
1.04451*Ln(DBH_cm^2*H_m) 93.71 0.00 -149.27 1.10 2.00 36.73
10
Dạng hàm R2adj P_Value AIC CF Cp S1%
Ln(C_AGB__kg) = -4.74468 +
1.63498*Ln(DBH_cm*H_m)
91.23 0.00 -119.29 1.14 2.00 42.55
Kết quả trên cho thấy, nếu chỉ sử dụng biến số DBH để ước tính sinh khối và carbon rừng thì
chưa phản ánh hết đầy đủ sinh khối và lượng carbon rừng vì cùng trong một cấp kính nhưng
khác nhau về chiều cao sẽ tạo ra lượng sinh khối và carbon khác nhau. Vì vậy, nghiên cứu sử
dụng phương trình 4.1 ước tính sinh khối và phương trình 4.2 để ước tính carbon của cây rừng
theo hai biến DBH và H:
Ln(AGB_kg) = -3.25897 + 0.183087*Ln(H_m) + 2.5682*Ln(DBH_cm) (PT 4.1)
Với R2.adj = 95.92; P value = 0.00; AIC = -387.99; CF = 1.05; Cp = 1.00 và S1% =25.8
Ln(C_AGB_kg) = -4.35124 + 2.56549*Ln(DBH_cm) + 0.366245*Ln(H_m) (PT 4.2)
Với R2.adj = 96.51; P value = 0.00; AIC = -195.31; CF = 1.05; Cp = 1.00 và S1% =26.3
Trên cơ sở các mô hình AGB và C(AGB), tính toán được tổng sinh khối trên mặt đất
(TAGTB, tấn/ha) và tổng carbon của cây rừng phần trên mặt đất (TAGTC, tấn/ha) cho 43 ô
mẫu giải đoán ảnh theo 3 kiểu dạng ô là hình tròn (1000m2), vuông (30 x 30m) và Prodan 5,5
cây.
4.1.2 Hiệu chỉnh hình học ảnh, phân loại thành vùng có rừng và không có rừng
a) Hiệu chỉnh hình học ảnh
Ảnh Landsat đã được hiệu chỉnh hình học dựa trên các điểm khống chế thu thập được trên
mặt đất (GCP- Ground control points).Để hiệu chỉnh ảnh cho vùng rừng khộp phân bố ở hai
huyện Ea Hleo và Ea Soup,thu thập 27 điểm khống chế bằng GPS cầm tay. Ảnh đã được đăng
ký theo phép chiếu UTM zone 49, với ellip thực dụng là WGS 84. Phương pháp “nearest
neighbor – người láng giềng gần nhất” được áp dụng với độ phân giải không gian 30x30m để
bảo toàn tính nguyên vẹn của các giá trị pixel.
b) Phân loại vùng có rừng và không có rừng
Kết quả phân loại mặc định theo thứ tự không có rừng mang giá trị 1, trong khi có rừng
mang giá trị 2. Dựa trên ảnh đã được phân loại, tiến hành tạo mặt nạ cho vùng có rừng. Dựa
trên mặt nạ có rừng này, cắt ảnh (Subset) theo vùng có rừng để nghiên cứu. Kết quả sẽ cho
được ảnh chỉ có vùng có rừng.
4.1.3 Phân loại ảnh vệ tinh bằng phương pháp phi giám định và lập mối quan hệ sinh
khối, carbon rừng với các lớp phân loại
Thử nghiệm phân chia thành 3, 4, 5 lớp (class) (dựa vào thực tế biến đổi trạng thái rừng có
khả năng ít nhất là 3 nhiều là 5 lớp trạng thái). Trong phân chia tự động chọn số pixel tối thiểu
trong một lớp (Minimum Pixel in Class) là 6 pixel (mỗi pixel của ảnh Landsat có kích thước
là 30 x 30m) ứng với 5.400m2, lý do chọn số pixel này là để một đơn vị lớp phân loại có thể
bao phủ toàn bộ diện tích 1 ô mẫu (1.000m2), đồng thời phù hợp với quy định kiểm kê rừng
của Việt Nam là một trạng thái rừng chỉ được tách ra khi có diện tích lớn hơn 5.000m2.Trên
cơ sở các ảnh đã được phân loại thành hệ thống lớp khác nhau, chuyển đổi dữ liệu dạng raster
của ảnh đã phân loại phi giám định thành vector với các lớp nói trên.
11
Sau đó, chồng lớp tọa độ các ô mẫu đã tính toán sinh khối phần trên mặt đất TAGTB
(tấn/ha)theo 3 dạng ô mẫu gắn với 3 lớp phân loại theo 3, 4 và 5 class, Tạo được cơ sở dữ liệu
quan hệ giữa sinh khối và carbon rừng ứng với các hệ thống class đã phân loại khác nhau
được tổ hợp từ 3, 4 và 5 class.
Cơ sở dữ liệu được tạo ra trong ArcGIS với 3 dạng ô: ô vuông, ô tròn phân tầng và ô Prodan
của các điểm điều tra giải đoán ảnh và đã tính toán TAGTB; chồng với 3 hệ thống phân loại
class được xuất sang dạng file database để xây dựng phương trình quan hệ:
TAGTB (tấn/ha) = f(Class_3_id, Class_4_id, Class_5_id); trong đó có 3 hệ thống phân loại
thành các Class_id là ứng với 3, 4, 5 lớp.
Trong mỗi tổ hợp cấp phân loại tìm mối quan hệ giữa sinh khối rừng với các class_id cho
từng dạng ô mẫu.Kết quả phân loại phi giám định thành các class khác nhau sẽ tạo ra một lớp
không phân loại là unclasssified. Do vậy,một số ô mẫu lọt trong lớp không phân loại này sẽ
không sử dụng trong lập mô hình. Kết quảcó 34 ô mẫu được chồng lên ảnh phân loại thành 3
lớp-4 lớp; và 32 ô mẫu chồng lên ảnh phân loại thành 3-4-5 lớp hoặc 3-5 lớp.Ứng với mỗi mô
hình quan hệ TAGTB với các tổ hợp class, chọn mô hình có các tiêu chí thông kế tốt nhất như
hệ số quan hệ lớn nhấtR2adj (cao nhất) và tồn tại với P <0.05, S1% và S2% (bé nhất), AIC (đại
số) và CF (bé nhất).Cuối cùng đánh giá sai khác giữa giá trị TAGTB ước tính qua ảnh với
thực tế ô mẫu theo tiêu chuẩn T bắt cặp có P(T<=t) một chiều > 0.05, tức là chưa có sự sai
khác ở mức P >95%.
Xác định được mô hình đạt các chỉ tiêu thống kê phù hợp nhất trong các mô hình lập được
theo từng dạng ô mẫu với các tổ hợp class khác nhau chính là xác định được phương pháp
phân loại ảnh phi giám định kết hợp cùng với phương pháp lập ô.Bảng trình bày các mô hình
tối ưu cho từng dạng ô cùng với các tổ hợp class phân loại ảnh theo phi giám định.
Bảng 4.2: Mô hình quan hệ giữa sinh khối lâm phần (TAGTB (tấn/ha) của 3 kiểu ô mẫu
với các class ảnh được phân loại phi giám định
Mô hình quan hệ R2%
Adj
P-
Value
n Cp CF AIC
S1% S2% P(T<=t)
one-tail
TAGTB_CY của
(Ô tròn)
với tổ hợp phân
loại thành 3 và 4
class
Ln(TAGTB_CY) /Class_4_Id = 3.96753 + 0.709204*Ln(Class_3_Id)^2
- 2.84193 * Ln (Class_4_Id)
92.49 0.00 34 1.00 1.06 -68.80 61.14 21.11 0.360
TAGTB_SQ (Ô
vuông) với tổ
hợp phân loại
thành 3, 4 và 5
class
Ln(TAGTB_SQ) /Class_4_Id = 3.94929 +
0.101204*SQRT(Class_3_Id^3*Class_5_Id) - 3.02242*Ln(Class_4_Id)
94.07 0.00 32 3.00 1.05 -71.03 48.17 13.20 0.970.
TAGTB_PR (Ô
Prodan) với tổ
hợp phân loại
Ln(TAGTB_PR)/Class_5_Id= 3.18606 - 1.60526 *ln(Class_3_Id) +
1.56692 * Ln (Class_3_Id /Class_5_Id)
72.27 0.00 32 1.00 1.16 -33.96 86.71 43.51 0.282
12
thành 3, và 5
class
Trong đó: Class_3_id là mã số các lớp phân loại trên ảnh theo 3 lớp (Class) là 1, 2 và 3 bằng
phương pháp phi giám định.Tương tự như vậy cho Class_4_Id và Class_5_Id là phân loại ảnh
thành 4 (mã 1, 2, 3 và 4) và 5 class (mã 1, 2, 3, 4 và 5).
Với dạng ô mẫu hình tròn (Cycle: CY) phân tầng sinh khối có quan hệ chặt với ảnh phân loại
phi giám định được tổ hợp từ 3-4 lớp với sai số tương đối S2%= 21.11% và không có sự sai
khác giữa giá trị ước tính qua ảnh với thực tế ô mẫu với độ tin cậy 95% (kiểm tra t bắt cặp với
P one tail = 0.36 > 0.05).
Dạng ô mẫu hình vuông (Square: SQ) sinh khối có quan hệ cao nhất với ảnh phân loại được tổ
hợp từ 3-4-5 lớp với sai số tương đối S2%=13.20% và không có sự sai khác giữa giá trị ước
tính qua ảnh với thực tế ô mẫu với độ tin cậy 95% (kiểm tra t bắt cặp với P one tail = 0.97 >
0.05).
Dạng ô mẫu Prodan (PR) sinh khối có quan hệ với ảnh phân loại được tổ hợp từ 3-5 lớp, cósai
số tương đối khá cao với S2%=43.51% và không có sự sai khác giữa giá trị ước tính qua ảnh
với thực tế ô mẫu với độ tin cậy 95% (kiểm tra t bắt cặp với P one tail = 0.28 > 0.05.
Kết quả trên cho thấy:
- Giá trị sinh khối lâm phần (TAGTB, tấn/ha) có quan hệ chặt chẽ với các giá trị phân loại ảnh
theo phương pháp phi giám định với tổ hợp các lớp phân loại theo 3, 4 và 5 class. Kiểm tra
cuối cùng bằng tiêu chuẩn t cho thấy chưa có sự sai khác với thực tế ô mẫu khi ước lượng qua
ảnh bằng phương pháp phân loại phi giám định theo tổ hợp các class được chồng xếp lên
nhau.
- Với các kiểu ô mẫu (3 kiểu) khác nhau thì giá trị TAGTB cũng có quan hệ với các tổ hợp
class 3, 4 và 5 class và chưa có sự sai khác với thực tế ô mẫu qua kiểm tra t, nhưng có độ tin
cậy và sai số khác nhau. Trong đó ô hình vuông (30x30m) cho mối quan hệ TAGTB với các
lớp phân loại ảnh có sai số bé nhất là 13.2%, trong khi đó ô Prodan có sai số lớn nhất là
43.5%. Ô hình tròn diện tích 1000m2 có sai số tương đối trung bình là 21.1%; trong khi đó ô
hình tròn dễ lập, thích hợp trên địa hình dốc, phức tạp. Vì vậy, ô này cũng có thể áp dụng
trong những điều kiện như vậy và sai số có thể sẽ cao hơn ô vuông.
Cuối cùng, từ đánh giá nói trên theo các chỉ tiêu thống kê và sai số, cho thấy đối với rừng
khộp, phân ảnh phi giám định và tổ hợp chồng xếp 3-4-5 lớp để lập quan hệ với TAGTB của
ô vuông sẽ cho mối quan hệ giữa sinh khối cây rừng trên mặt đất và chỉ số ảnh là tốt nhất.Mô
hình lựa chọn là mô hình quan hệ giữa sinh khối rừng TAGTB thu thập và tính toán từ dạng ô
mẫu hình vuông (kích thước 30x30m)với tổ hợp chồng xếp 3-4-5 class theo phương trình 4.3
sau:
Ln(TAGTB_SQ)/Class_4_Id = 3.94929 + 0.101204*Sqrt (Class_3_Id^3*
Class_5_Id) - 3.02242*ln(Class_4_Id) (PT 4.1.3)
Với R2 adj= 94.07%; P <0.000; n=32; Cp= 3.00; CF= 1.05 AIC =-71.03; S1%=48.17%; S2%=
13.20%; T bắt cặp có P(T<=t) one tail = 0.970> 0.05.
13
Sử dụng mô hình này sẽ cho kết quả ước lượng sinh khối lâm phần trên mặt đất qua ảnh phân
loại có sai số tương đối là13.20%. Hay nói khác, dùng phương pháp phi giám định theo 3, 4,
và 5 class và tổ hợp lại để ước lượng TAGTB qua mô hình sẽ đạt độ tin cậy 86.80%.
Từ kết quả lựa chọn mô hình nói trên, với dữ liệu ảnh phân loại thành 3-4-5 lớp, tiến hành gộp
các class bằng chức năng disolve 3, 4, 5 class trong ArcGIS và dùng chức năng interset để
chồng xếp các class lên thành 3, 4, 5 class; tạo thành tổ hợp 60 đơn vị (3*4*5class = 60 đơn
vị). Sử dụng mô hình TAGTB quan hệ với dữ liệu ảnh vệ tinh theo tổ hợp 3-4-5 class ước tính
được TAGTB (tấn/ha) cho 60 tổ hợp 3 hệ thống class đã phân loại trên ảnh.
Kết quả thống kê tần số các đơn vị tổ hợp 3-4-5 class theo TAGTB cho giá trị sinh khối nhỏ
nhất là 0.6 tấn/ha và lớn nhất là 428.5 tấn/ha và phân bố các đơn vị tổ hợp giảm dần khai
TAGTB tăng lên; có nghĩa là sinh khối của rừng khộp ở Đăk Lăk tập trung ở các cấp nhỏ và
giảm dần ở cấp sinh khối lớn. Rừng khộp ở đây tập trung là rừng có trữ lượng thấp sau đó đến
trung bình, rừng có trữ lượng cao còn rất ít. Thực hiện chia thành 4 cấp sinh khối trong
ArcGIS với giá trị sinh khối cấp 1: TAGTB<100 tấn; Cấp 2: 100 tấn<TAGTB< 200 tấn; Cấp
3: 200 tấn<TAGTB< 300 tấn và cấp 4 có TAGTB>400 tấn/ha.Kết quả cho thấy tần số các
đơn vị phân loại giảm khi cấp sinh khối tăng.
Sử dụng chức năng Disolve để gộp trường dữ liệu theo cấp TAGTB ([capTAGTB]) và tính
giá trị sinh khối TAGTB trung bình theo từng cấp. Với sinh khối trung bình cấp 1 là 37.3
tấn/ha; trung bình cấp 2 là 135.8 tấn/ha, cấp 3 có trung bình sinh khối là 238.4 tấn/ha, trung
bình cao nhất là cấp 4 với 381.4 tấn/ha. Tuy nhiên, rừng khộp hiện nay bị giảm đi rất nhiều về
trữ lượng rừng. Do đó, đa số chỉ còn lại là rừng nghèo với trữ lượng thấp.Qua phân tích ảnh
thì sinh khối cấp 1 chiếm diện tích rất lớn với diện tích 103,223.3 ha. Diện tích của cấp 4 thấp
nhất chỉ có 64.4 ha. Trên cơ sở TAGTB theo cấp sinh khối, lập được bản đồ phân khối rừng
theo sinh khối.
4.1.4 Phân loại ảnh vệ tinh bằng phương pháp có giám định trên cơ sở phân chia rừng
theo cấp sinh khối
Áp dụng phương pháp này để phân chia ảnh theo cấp sinh khối dựa vào dữ liệu ô mẫu theo 3
kiểu ô.
a) Phân chia cấp sinh khối TAGTB cho 3 dạng ô
Từ 43 ô điều tra nằm trong vùng ảnh có rừng, qua mô hình sinh trắc allometric equation xác
định được TAGTB (tấn/ha) cho mỗi ô theo từng dạng ô vuông, ô tròn và Prodan. Từ giá trị
sinh khối tính biến động trong độ tin cậy P = 99% và chia thành 3 cấp cho 3 dạng ô. Cấp 1:
sinh khối thấp nằm ở phía trái của ước lượng 99%. Cấp 2: trung bình nằm trong phạm vi ước
lượng 99% và cấp 3: sinh khối cao nằm ở phía phải của ước lượng 99%. Đối với dạng ô
vuông cấp sinh khối nhỏ nhất 19.46 tấn/ha - lớn nhất 200.07 tấn/ha và dạng ô tròn cấp sinh
khối nhỏ nhất 13.80 tấn/ha - lớn nhất 167.53 tấn/ha (theo bảng 4.3). Đối với dạng ô Prodan
sinh khối biến động lớn hơn hai dạng ô trên với cấp sinh khối nhỏ nhất 3.17 tấn/ha - lớn nhất
264.56 tấn/ha (theo bảng 4.4).
Bảng 4.34.1: Trung bình và biến động sinh khối dạng ô vuông và ô tròn
TAGTB_SQtan/ha (Ô vuông) TAGTB_CYtan/ha (Ô tròn)
14
Mean 71.45549
Standard Error 5.703733
Median 66.40582
Mode #N/A
Standard Deviation 37.40188
Sample Variance 1398.901
Kurtosis 2.063795
Skewness 1.228766
Range 180.6132
Minimum 19.46503
Maximum 200.0783
Sum 3072.586
Count 43
Confidence Level(99.0%) 15.38905
Mean 66.8393
Standard Error 5.383537
Median 61.45489
Mode #N/A
Standard Deviation 35.30221
Sample Variance 1246.246
Kurtosis 0.686958
Skewness 0.978532
Range 153.7303
Minimum 13.80326
Maximum 167.5335
Sum 2874.09
Count 43
Confidence Level(99.0%) 14.52514
Bảng 4.4: Trung bình và biến động sinh khối dạng ô Prodan
TAGTB_PR tan/ha (Ô Prodan)
Mean 64.34209 Skewness 2.039609
Standard Error 8.33455 Range 261.3901
Median 52.88445 Minimum 3.171219
Mode #N/A Maximum 264.5613
Standard Deviation 54.6533 Sum 2766.71
Sample Variance 2986.983 Count 43
Kurtosis 4.958097 Confidence Level(99.0%) 22.48717
Mỗi dạng ô biến động sinh khối khác nhau, do vậy các cấp sinh khối được phân chia cũng
khác nhau cho 3 dạng ô. Kết quả chia cấp TAGTB (tấn/ha) được thể hiện ở bảng 4.5.
Bảng 4.5: Phân cấp TAGTB (tấn.ha) theo ô vuông, ô tròn và ô Prodan
Cấp
Sinh
khối
TAGTB_SQ(Vuông)
(tấn/ha)
TAGTB_CY (Tròn)
(tấn/ha)
TAGTB_PR(Prodan)
(tấn/ha)
Min Max Min Max Min Max
1 19.5 56.1 13.8 52.3 3.2 41.9
2 56.1 87.8 52.3 81.4 41.9 86.8
3 87.8 200.1 81.4 167.5 86.8 264.6
b) Phân loại ảnh có giám định theo 3 cấp sinh khối cho 3 dạng ô
Với 43 ô mẫu đã phân chia theo 3 cấp sinh khối cho 3 dạng ô, tiến hành tạo thành file shape
trong ArcGIS. Sử dụng thuật toán Maximum likelihood để phân thành cáccấp sinh khối cho
từng kiểu ô.
15
Sử dụng file ảnh đã cắt vùng có rừng để phân loại thành 3 cấp sinh khối cho 3 dạng ô trong
Envi. Đối với mỗi dạng ô chồng file tọa độ (dạng file shape) phân loại trong ArcGIS lên ảnh
và chuyển thành file ROI. Chọn Convert each record of an EVF layer to a new ROI và chọn
trường dùng để phân cấp (Cấp TAGTB).Mở file ROI vừa tạo để gộp các ROI có cùng cấp đã
phân chia:Vào Overlay/ region of Interest. Trong hộp thoại ROI tool chọn ROI type với dạng
điểm (Point), vào option chọn Merge ROI.Gộp các ROI có cùng cấp và lưu các file ROI.Tiến
hành phân loại giám định thành các cấp sinh khối dựa vào ROI đã tạo cho 3 dạng ô. Sử dụng
chức năng phân loại trong Envi:Classification/Superviser/ Maximum Likelihood. Chọn ảnh,
chọn mặt nạ có rừng và chọn ROI để phân loại.
c) Đánh giá độ tin cậy của phân loại ảnh theo cấp sinh khối ở các kiểu dạng ô mẫu khác
nhau
Sử dụng 15 ô mẫu kích thước 50 x 50m đã tính toán TAGTB (tấn/ha) độc lập không tham gia
phân loại ảnh để kiểm định kết quả phân loại.Kết quả đánh giá dựa trên các tiêu chí thống kê
độ chính xác toàn bộ (overall accuracy), độ chính xác của người sản xuất (Producer
asccuracy) và độ chính xác của người sử dụng. Với 3 dạng ô mẫu khi sử dụng ô độc lập để
đánh giá cho các kết quả nhưbảng 4.6.
Bảng 4.6: Đánh giá kết quả phân loại ảnh theo cấp sinh khối của 3 dạng ô mẫu
Phân loại ảnh thành 3 cấp
sinh khối theo 3 dạng ô
Độ tin cậy toàn bộ
Overall Accuracy
Hệ số tương quan
Kappa Coefficient
Ô vuông 41.66% 0.1250
Ô tròn 50.00% 0.2088
Ô Prodan 25.00% -0.2135
Qua kết quả đánh giá cho thấy độ tin cậy của phương pháp phân loại rừng theo phương pháp
có giám định theo cấp sinh khối cho 3 dạng ô là thấp. Độ tin cậy toàn bộ cho 3 dạng ô khác
nhau. Dạng ô tròn có kết quả đánh giá cao nhất với độ tin cậy đạt 50%, dạng ô vuông đạt
41.66% và thấp nhất là dạng ô Prodan chỉ có 25.00%. Sự biến động về sinh khối giữa các cấp
sinh khối của từng dạng ô ảnh hưởng đến kết quả phân loại. Tại trên cùng một địa điểm điều
tra nhưng sự khác biệt về trữ lượng và sinh khối dạng ô Prodan luôn lớn hơn ô tròn và ô
vuông.
So sánh hai phương pháp phân loại ảnh để ước tính sinh khối trên mặt đất rừng với ba kiểu
dạng ô mẫu mặt đất cho thấy:
Phương pháp phân loại phi giám định và tổ hợp 3-4-5 class với dữ liệu TAGTB_SQ mặt
đất từ ô vuông đạt độ tin cậy cao nhất theo mô hình:TAGTB_SQ=f(Class_Id từ tổ hợp 3-4-5
class) đạt độ tin cậy 86.8%.
Phương pháp phân loại giám định theo cấp sinh khối cho 3 dạng ô: Ô tròn đạt độ tin cậy
cao nhất là 50.0%
Vì vậy, phương pháp phân loại phi giám định và thiết lập quan hệ giữa sinh khối (TAGTB) từ
ô vuông 900m2với dữ liệu ảnh chồng lớp từ 3-4-5 class đạt hiệu quả và đơn giản nhất. Trong
phân loại ảnh vệ tinh và ước lượng sinh khối, carbon cho rừng khộp nên sử dụng phương
pháp này, đồng thời kết hợp với thiết lập ô mẫu dạng hình vuông (30x30m) sẽ cho kết quả
16
ước tính đạt độ tin cậy cao. Bên cạnh đó, sử dụng ô hình tròn sẽ phù hợp cho địa hình rừng
phức tạp, độ dốc cao (cần cải bằng ô mẫu). Vì rừng tự nhiên có cấu trúc, thành phần loài phức
tạp và phân bố không đồng đều các cỡ kính nên áp dụng phương pháp lập ô Prodan sẽ gây sai
số lớn, nó phụ thuộc vào cỡ kính và khoảng cách của 6 cây gần tâm ô nhất. Dạng ô này áp
dụng cho rừng trồng hoặc rừng tự nhiên có cấu trúc phân bố chuẩn. Do đó, áp dụng phương
pháp lập ô hình vuông sẽ phù hợp cho điều kiện của rừng khộp (địa hình bằng phẳng).
4.2 Ứng dụng GIS trong quản lý, giám sát sinh khối carbon rừng
Qua kết quả thử nghiệm phương pháp phân tích ảnh vệ tinh Landsat và phương pháp lập dạng
ô mẫu điều tra cho thấy phương pháp phân loại ảnh phi giám định có quan hệ chặt với sinh
khối rừng trên mặt đất từ ô vuông của rừng khộp (30x30m). Sử dụng phương pháp này để
phân chia rừng thành tổ hợp của 3-4-5 lớp và tính giá trị trung bình sinh khối của từng tổ hợp
được xác định thông qua mô hình quan hệ đã được thiết lập.
Trên cơ sở dữ liệu 18 ô mẫu 50 x 50m và các mô hình ước tính sinh khối và carbon cây rừng
trên và dưới mặt đất (AGB) và C(AGB) theo hai nhân tố DBH và H, tính được các giá trị sinh
khối và carbon của cây rừng phần trên và dưới mặt đất: TAGTB, TAGTC, TGBTB và
TGBTC (đơn vị tấn/ha).
Nghiên cứu lập mô hình quan hệ giữa sinh khối và carbon của các bể chứa dưới mặt đất với
TAGTB (biến số đã được xác định quả ảnh).Đối với rừng khộp có đặc thù là kiểu rừng cháy
hằng năm nên lượng thảm tươi, thảm mục và gỗ chết chiếm tỷ trọng nhỏ. Đồng thời, carbon
trong đất rừng khá ổn định nên không đưa vào hệ thống quản lý, giám sát trong GIS. Trên cơ
sở các chỉ tiêu thống kê lựa chọn mô hình tối ưu, đã lựa chọn được các mô hình ở bảng 4.7 để
ước tính sinh khối và carbon trên dưới mặt đất theo biến số TAGTB đã được ước tính dựa vào
ảnh.
Bảng 4.7: Các mô hình ước tính sinh khối và carbon lâm phần trên và dưới mặt đất theo
TAGTB đã được ước tính qua giải đoán ảnh
Mô hình R2% (Adj) P value n Cp CF AIC S1%
TBGTB
=f(TAGTB)
Ln(TBGTB_t_ha) = (-0.927495 + 1.21604 * sqrt (ln(TAGTB_t_ha)))^2
95.20 0.00 18 0.0 1.00 -122.0 6.54
TAGTC =
f(TAGTB)
TAGTC_t_ha = (-0.261063 + 0.759504*sqrt(TAGTB_t_ha))^2
99.84 0.00 18 0.0 1.00 -100.1 1.51
TBGTC =
f(TAGTB)
TBGTC_t_ha = sqrt(-2.54323 + 0.160415*TBGTB_t_ha^2)
99.32 0.00 18 0.0 1.00 33.4 6.49
Từ các mô hình trên tính được tổng sinh khối cây gỗ dưới mặt đất (TBGTB, tấn/ha), tổng
carbon của cây rừng phần trên mặt đất (TAGTC, tấn/ha) và tổng carbon của cây rừng phần
dưới mặt đất (TBGTC, tấn/ha) theo TAGTB đã được xác định qua ảnh bằng phương pháp phi
giám định với tổ hơp 3-4-5 class. Tổng sinh khối, carbon cho lâm phần trên và dưới mặt đất
được xác định trên ảnh cho từng cấp tính theo công thức:
Tổng sinh khối cây gỗ trên và dưới mặt đất: TTB (t/ha)= TAGTB+TBGTB
Tổng lượng carbon tích lũy trong cây gỗ trên và dưới mặt đất: TTC (t/ha) = TAGTC +
TBGTC.
17
Tổng sinh khối và carbon TTBcấp và TTCcấp theo từng cấp sinh khối đã phân chia trên
cơ sở diện tích của mỗi tổ hợp class đã được phân loại trên ảnh:
TTB cấp (tấn) = TTB (t/ha)* Diện tích từng cấp
TTC cấp (tấn) = TTC (t/ha)* Diện tích từng cấp
Lượng CO2 hấp thụ ở từng thời điểm của từng cấp: TCO2cấp (tấn)= TTCcấp (tấn)*3.67
Các cơ sở dữ liệu đầu vào của phân loại ảnh vệ tinh Landsat với thông tin cơ bản là class của
3-4-5 class được tổ hợp, phân cấp sinh khối và tính diện tích mỗi cấp, tính giá trị trung bình
theo cấp sinh khối TAGTB (t/ha) được tạo lập trong ArcGIS. Dùng các mô hình sinh trắc để
tính toán giá trị sinh khối, carbon cho các trường mới bằng cách mở các trường dữ liệu sinh
khối và carbon: TBGTB, TAGTC, TBGTC, TTB, TTC, TTBcap, TTCcap, TCO2cap.Với dữ
liệu sinh khối, carbon trong ArcGIS có thể được chuyển cơ sở dữ liệu sang Excel để tính toán
tổng hợp và báo cáo.
Bảng 4.8: Tổng hợp sinh khối, carbon và CO2 hấp thụ khu vực rừng khộp huyện Ea
Soup và Ea Hleo tỉnh Đăk Lăk
Cấp_
TAGTB
Diện tích
(ha)
TAG
TB
(t/ha)
TBG
TB
(t/ha
)
TAG
TC
(t/ha)
TB
G
TC
(t/ha
)
TTB
(t/ha)
TTC
(t/ha)
TTB
cap
(tấn)
TTC
cap
(tấn)
TCO2_
cap
(tấn)
1 103,223.3 37.3 6.8 19.2 2.2 44.1 21.4 4,552,147.5 2,208,978.6 8,106,951.5
2 21,528.2 135.8 22.7 73.8 9.0 158.5 82.8 3,412,219.7 1,782,535.0 6,541,903.5
3 588.9 238.4 39.5 131.5 15.7 277.9 147.2 163,655.3 86,686.1 318,138.0
4 64.4 381.4 63.4 212.3 25.3 444.8 237.6 28,645.1 15,301.4 56,156.1
Tổng 125,404.8
8,156,667.6 4,093,501.1 15,023,149.1
Tại thời điểm giải đoán ảnh, tổng diện tích rừng khộp khu vực nghiên cứu 125.404,8 ha, tổng
sinh khối trên và dưới mặt đất của cây rừng tương ứng với diện tích trên là 8.156.667,6tấn,
tổng lượng carbon tích lũy 4.093.501,1 tấn và lượng CO2 hấp thụ của rừng khộp là
15.023.149,1 tấn. Lượng CO2 hấp thụ hoặc phát thải do mất rừng theo thời gian được tính
toán theo phương pháp Diference stock method (IPCC, 2006), tức là so sánh lượng CO2 của
khu vực ở hai thời điểm giám sát:
12
12
tt
CCC tt
B
(CT 4.1.1)
Trong đó:
BC : Thay đổi sinh khối, carbon, CO2 rừng
Ct*: Sinh khối, carbon, CO2 ở thời điểm 1 hoặc 2
t: Thời điểm đo tính
Trong đó, sinh khối, carbon và CO2 ở thời điểm sau được cập nhật nhanh chóng thông qua
phân loại ảnh vệtinh phi giám định và quan hệ với TAGTB, sau đó chỉ cần cập nhật trường dữ
liệu TAGTB thì tất cả các cơ sở dữ liệu sẽ tự động tính toán lại theo các mô hình allometric
equations và cho biết giá trị sinh khối, carbon và CO2 ở kỳ giám sát sau, từ đó tính được
lượng hấp thụ hoặc phát thải CO2 trong quản lý rừng.
18
V. KẾT LUẬN
5.1 Ứng dụng ảnh vệ tinh Landsat trong ước tính và giám sát sinh khối, carbon rừng
khộp
Phân loại ảnh bằng phương pháp phi giám định thành 3-4-5 lớp và chồng ghép tạo
thành tổ hợp các lớp có quan hệ chặt chẽ với TAGTB được xác định từ ô mẫu hình vuông
(30x30m).Mô hình lựa chọn để ước tính TAGTB (tấn/ha) thông qua ảnh vệ tinh Landsat theo
tổ hợp 3-4-5 class được phân loại phi giám định là:
Ln(TAGTB_SQ)/Class_4_Id = 3.94929 + 0.101204 *Sqrt (Class_3_Id^3 *Class_5_Id)
- 3.02242*ln(Class_4_Id).
Sử dụng phương pháp và mô hình này sẽ đạt độ tin cậy 86.8% khi ước lượng sinh khối,
carbon rừng khộp qua ảnh Landsat.
Áp dụng phương pháp phân loại ảnh vệ tinh có giám định theo cấp sinh khối dựa vào 3 kiểu
dạng ô mẫu tròn (1.000m2), vuông (30 x 30m) và Prodan 5,5 cây cho thấy:
Dạng ô tròn (1000m2) có kết quả đánh giá cao nhất với độ tin cậy đạt 50%, dạng ô vuông
(900m2) đạt 41.66% và thấp nhất là dạng ô Prodan chỉ có 25.00%. Do vậy, phương pháp này
không được đề nghị sử dụng trong ước tính sinh khối và carbon rừng khộp thông qua ảnh
Landsat.
Kết quả của hai phương pháp phân loại ảnh,kết hợp với 3 kiểu dạng ô mẫu hiện trường chỉ ra
rằng việc áp dụng phương pháp phân loại phi giám định và chống ghéptheo tổ hợp 3-4-5 class
để lập quan hệ với sinh khối từ ô vuông (30x30m) sẽ cho độ tin cậy cao nhất. Với độ tin cậy
là 86.8% thì có thể chấp nhận để ước tính, giám sát carbon rừng, biến động CO2 khi tham gia
REDD+.
5.2. Ứng dụng GIS trong quản lý, giám sát sinh khối, carbon rừng:
Với hệ thống mô hình sinh trắc ươc tính sinh khối và carbon của lâm phần ở các bể chứa khác
theo sinh khối trên mặt đất (TAGTB) giải đoán được trên ảnh bằng phương pháp phi giám
đinh 3-4-5- class; hệ thống GIS (ArcGIS) dễ dàng quản lý, cập nhật sự biến động trữ lượng
carbon và hấp thụ, phát thải CO2 theo thời gian.
Từ kết quả nghiên cứu giải đoán ảnh và quản lý trong ArcGIS thông qua các mô hình sinh
trắc cho thấy rừng khộp ở hai huyện Ea Soup và Ea H’Leo có các giá trị sau: i) Tổng diện tích
rừng khộp là 125.404,8 ha; ii) Tổng sinh khối trên và dưới mặt đất của cây rừng là
8.156.667,6 tấn, iii) Tổng lượng carbon tích lũy 4.093.501,1 tấn và iv). Tổng lượng CO2 hấp
thụ của rừng khộp đượclà 15.023.149,1 tấn.
19
20
TÀI LIỆU THAM KHẢO
1. Bảo Huy và cộng sự: Nguyễn Thị Thanh Hương, Võ Hùng, Cao Thị Lý, Nguyễn Công Tài
Anh, Phạm Đoàn Phú Quốc, Hoàng Trọng Khánh, Hồ Đình Bảo, Nguyễn Đức Định, Nguyễn
Thế Hiển (2010- 2012): Xác định lượng CO2 hấp thụ của rừng lá rộng thường xanh vùng Tây
Nguyên làm cơ sở tham gia chương trình giảm thiểu khí phát thải từ suy thoái và mất rừng.
Đề tài khoa học và công nghệ cấp Bộ.
2. Bảo Huy(2012): Xây dựng phương pháp đo tính và giám sát carbon rừng có sự tham gia
của cộng đồng ở Việt Nam. Đề án thử nghiệm được sự hỗ trợ của dự án HB-REDD của SNV
và được tư vấn bởi nhóm tư vấn Quản lý tài nguyên rừng và môi trường (FREM), trường Đại
học Tây Nguyên.
3. Bảo Huy (2012): Hướng dẫn ứng dụng ảnh vệ tinh để ước tính, giám sát sinh khối và
carbon rừng. Báo cáo đề tài khoa học và công nghệ cấp Bộ.
4. Bảo Huy (2012): Mô hình sinh trắc và công nghệ viễn thám- GIS để xác định lượng CO2
hấp thụ của rừng lá rộng thường xanh vùng Tây Nguyên. Kết quả nghiên cứu đề tài khoa học
công nghệ trọng điểm cấp Bộ (Bộ giáo dục và Đào tạo)- đạt loại xuất sắc năm 2012.
5. Bảo Huy (2012): Thiết lập mô hình ước tính sinh khối và carbon của cây rừng lá rộng
thường xanh vùng Tây Nguyên. Tạp chí Rừng và Môi trường, 51(2012): 21-29.
6. Basuki (2012):Quantifying Tropical Forest Biomass, chapter 2: Allometric Equations for
estimating the above- ground biomass in tropical lowland dipterocarp forest: 36.
7. Basuki (2012): Quantifying Tropical Forest Biomass, chapter 3: The potential of spectral
mixture analysis to improve the estimation accuracy of tropical forest biomass: 48-56.
8. Carbon inventory of rehabilitated Dipterocarp Forest in Sabah, Malaysia, (2009)
9. Chackapong Chaiwong1, Soontorn Khamyong1, Niwat Anongrak1, Prasit
Wangpakapattanawong2 , and Suprarb Paramee3 (2011): Carbon Storages in Dry Dipterocarp
Forest on Volcanic Rock and Sandstone at Huai Hong Khrai Royal Development Study
Center, Chiang Mai Province, Thailand. 1Depeartment of Plant Science and Natural
Resources, Faculty of Agriculture, Chiang Mai University, Chiang Mai 50200, Thailand. 2Department of Biology, Faculty of Science, Chiang Mai University, Chiang Mai 50200,
Thailand. 3Department of National Park, Wildlife and Plant Conservation, Bangkok 10900,
Thailand.
10. De Jong, B.H.J., Hellier, A., Castillo-Santiago, M.A., Tipper, R. In press (2004):
Application of the “climafor” approach to estimate baseline carbon emissions of a forest
conservation project in the Selva Lacandona, Chiapas, Mexico. Mitigation and Adaptation
Strategies for Global Change Available online (01-09-04).
11. Dong, J., Kaufmann, R.K., Myneni, R.B., Tucker, C.J., Kauppi, P., Liski, J., Buermann,
W., Alexeyev, V. & Hughes, M.K (2003): Remote sensing estimates of boreal and temperate
forest woody biomass: carbon pools, sources, and sinks. Remote Sensing of Environment 84:
393–410.
12. Hussin, Y.A. and Bijker , W.: Inventory of remote sensing application in forestry for
sustainable management. The International Institute for Aerospace Survey and Earth Science
21
(ITC) 7500 AA, Enschede, The Netherlands.
13. Nguyen V. Luong (2012): Estimation of biomass for calculating carbon storage and CO2
sequestration using remote sensing technology in Yok Don National Park, Central Highlands
of Vietnam. J. Viet. Env. 2012, Vol. 3, No. 1, pp. 14-18.
Recommended