BỘ GIÁO DỤC VÀ ĐÀO TẠO

BỘ NÔNG NGHIỆP & PTNT

TRƯỜNG ĐẠI HỌC LÂM NGHIỆP

NGUYỄN VĂN DỰ

ỨNG DỤNG CÔNG NGHỆ GIS VÀ VIỄN THÁM TRONG
ĐÁNH GIÁ DIỄN BIẾN TÀI NGUYÊN RỪNG
Ở XÃ ĐẮC LUA, HUYỆN TÂN PHÚ, TỈNH ĐỒNG NAI

LUẬN VĂN THẠC SỸ KHOA HỌC LÂM NGHIỆP

Đồng Nai, 2017


BỘ GIÁO DỤC VÀ ĐÀO TẠO

BỘ NÔNG NGHIỆP & PTNT

TRƯỜNG ĐẠI HỌC LÂM NGHIỆP

NGUYỄN VĂN DỰ

ỨNG DỤNG CÔNG NGHỆ GIS VÀ VIỄN THÁM
TRONG ĐÁNH GIÁ DIỄN BIẾN TÀI NGUYÊN RỪNG
Ở XÃ ĐẮC LUA, HUYỆN TÂN PHÚ, TỈNH ĐỒNG NAI

CHUYÊN NGÀNH: LÂM HỌC
MÃ SỐ: 60 62 02 01

Luận văn Thạc sỹ khoa học lâm học: “Ứng dụng công nghệ GIS và Viễn
thám trong đánh giá diễn biến tài nguyên rừng ở xã Đắc Lua, huyện Tân Phú,
tỉnh Đồng Nai” đƣợc hoàn thành theo chƣơng trình Đào tạo Sau đại học của trƣờng
Đại học lâm nghiệp Việt Nam Cơ sở 2.
Có đƣợc luận văn này, tác giả xin bày tỏ lòng biết ơn sâu sắc tới Ban giám
hiệu, các thầy cô trong Khoa đào tạo sau đại học, các thầy cô giáo trực tiếp giảng
dạy đã tạo điều kiện giúp đỡ, động viên tác giả hoàn thành luận văn này. Đặc biệt
tác giả xin bày tỏ lòng biết ơn chân thành và sâu sắc tới TS. Trần Quốc Hoàn ngƣời hƣớng dẫn khoa học, đã tận tình hƣớng dẫn tác giả từ khi hình thành phát
triển ý tƣởng đến xây dựng đề cƣơng, phƣơng pháp luận, tìm tài liệu và có những
chỉ dẫn khoa học quý báu trong suốt quá trình triển khai nghiên cứu và hoàn thành
đề tài.
Xin chân thành cảm ơn sự quan tâm, giúp đỡ nhiệt tình, tạo điều kiện của
Hạt Kiểm lâm, cán bộ, nhân dân xã Đắk Lua, huyện Tân Phú đối với tác giả trong
quá trình thu thập số liệu ngoại nghiệp và hoàn thiện luận văn.
Tác giả xin bày tỏ và gửi lời cảm ơn đến bạn bè, đồng nghiệp và ngƣời thân
trong gia đình đã động viên giúp đỡ tác giả hoàn thành bản luận văn này.
Mặc dù đã nỗ lực hết mình, nhƣng do trình độ hạn chế về nhiều mặt, nên
luận văn không thể tránh khỏi những thiếu sót nhất định. Tác giả rất mong nhận
đƣợc những ý kiến đóng góp và xin chân thành tiếp thu mọi ý kiến đóng góp đó.
Xin chân trọng cảm ơn!
Đồng Nai, 27 tháng 3 năm 2017
Tác giả

Nguyễn Văn Dự


iii

DANH MỤC CÁC TỪ VIẾT TẮT
Từ viết tắt

Mẫu khóa ảnh.

NDVI

(Normalized Difference Vegetation Index): Chỉ số thực vật khác
biệt chuẩn hóa.

NIR

Kênh cận hồng ngoại của ảnh vệ tinh.

ÔTC

Ô Tiêu chuẩn.

RED

Kênh đỏ của ảnh

RS

(Remote Sensing): Viễn thám

RVI

(ratio vegetion index): Tỷ số chỉ số thực vật.

TRRI

(total ratio reflectance index): Tỷ số tổng giá trị cấp độ xám

2.2. Các nguồn tài nguyên .........................................................................................26
2.2.1. Tài nguyên đất .................................................................................................26
2.2.2. Tài nguyên rừng ..............................................................................................26
2.2.3. Tài nguyên khoáng sản....................................................................................27
2.2.4. Tài nguyên nƣớc ..............................................................................................27
2.2.5. Tài nguyên nhân văn .......................................................................................27


v

2.3. Thực trạng phát triển kinh tế xã hội ...................................................................28
2.4. Thực trạng phát triển cơ sở hạ tầng ....................................................................28
2.4.1. Giao thông .......................................................................................................28
2.4.2. Thủy lợi ...........................................................................................................28
2.4.3. Xây dựng cơ bản .............................................................................................28
2.4.4. Giáo dục - Y tế ................................................................................................29
2.5. Đời sống xã hội ..................................................................................................29
2.6 Đánh giá chung ...................................................................................................30
Chƣơng 3.MỤC TIÊU, ĐỐI TƢỢNG, PHẠM VI, NỘI DUNG VÀ PHƢƠNG
PHÁP NGHIÊN CỨU............................................................................................... 31
3.1. Mục tiêu nghiên cứu...........................................................................................31
3.1.1. Mục tiêu chung ................................................................................................31
3.1.2. Mục tiêu cụ thể ................................................................................................31
3.2. Đối tƣợng, phạm vi nghiên cứu .........................................................................31
3.2.1. Đối tƣợng nghiên cứu: ....................................................................................31
3.2.2. Phạm vi nghiên cứu:........................................................................................31
3.3. Nội dung nghiên cứu ..........................................................................................32
3.4. Phƣơng pháp nghiên cứu. ...................................................................................32
3.4.1. Chuẩn bị ..........................................................................................................33
2.4.2. Xây dựng mẫu phân loại .................................................................................33

PHỤ LỤC .................................................................................................................. 70


vii

DANH MỤC CÁC BẢNG
Bảng 1.1. Thông số kỹ thuật của một số loại ảnh viễn thám đƣợc sử dụng phổ biến
hiện nay ....................................................................................................................... 5
Bảng 1.2. Bảng ma trận biến động giữa hai thời điểm ............................................. 14
Bảng 3.1. Ma trận sai số phân loại ............................................................................ 36
Bảng 4.1. Số lƣợng MKA theo sinh cảnh ................................................................. 42
Bảng 4.2 Một số hình ảnh đại diện cho bộ MKA đề tài đã xây dựng. ...................... 43
Bảng 4.3: Kết quả lựa chọn tham số phù hợp. .......................................................... 46
Bảng 4.4: Ngƣỡng phân loại của các tham số ........................................................... 43
Bảng 4.5: Ma trận sai số giải đoán ............................................................................ 47
Bảng 4.6: Diện t ch các sinh cảnh sau giải đoán ....................................................... 50
Hình 4.5: Bản đồ hiện trạng rừng năm 2016 ............................................................. 52
Bảng 4.7 So sánh diện t ch sinh cảnh các trạng thái ................................................. 52
Bảng 4.8: Quy đổi hệ thống phân loại ...................................................................... 55
Bảng 4.9: So sánh diện t ch các sinh cảnh ................................................................ 56
Bảng 4.10: Ma trận biến động ................................................................................... 58


viii

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 3.1. Sơ đồ các bƣớc xây dựng bản đồ rừng từ ảnh vệ tinh spot6 ..................... 32
Hình 4.1: Bản đồ tuyến điều tra MKA ...................................................................... 41
Hình 4.2. Kết quả phân loại không kiểm định với bộ tham số phù hợp ................... 47
Hình 4.3: Bản đồ giải đoán hiện trạng rừng 2016 ..................................................... 45

dàng xác định đƣợc biến động rừng và đặc biệt là xu hƣớng của biến động.
Đắk Lua là một xã vùng sâu, vùng xa của huyện Tân Phú có tài nguyên rừng
của xã rất lớn (39.004,69 ha), chiếm 93,17% tổng diện t ch tự nhiên của xã. Chủ
yếu là rừng đặc dụng (38.794,74 ha), có tác dụng chống xói mòn, rửa trôi, bảo vệ
đất đai và môi trƣờng. Ngoài ra, nơi đây còn tập hợp nhiều động thực vật quý hiếm,
nằm trong Vƣờn Quốc gia Cát Tiên.


2

Để đƣa ra các chiến lƣợc hay kế hoạch phát triển rừng bền vững, cần đặc biệt
chú trọng công tác theo dõi, đánh giá và dự báo xu thế diễn biến rừng. Nhận thấy
tầm quan trọng của chúng, tôi tiến hành nghiên cứu “Ứng dụng công nghệ GIS và
Viễn thám trong đánh giá diễn biến tài nguyên rừng ở xã Đắc Lua, huyện Tân
Phú, tỉnh Đồng Nai”


3

Chƣơng 1
TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU
1.1. Trên thế giới
1.1.1. Các nghiên cứu về điều tra thành lập bản đồ hiện trạng rừng từ ảnh viễn
thám
Điều tra rừng là một hệ thống các phƣơng pháp thu thập dữ liệu về đặc điểm
tài nguyên rừng trên một diện t ch xác định, các chỉ tiêu điều tra ch nh bao gồm: tổ
thành loài, đƣờng k nh ngang ngực, chiều cao, tuổi, t nh toán trữ lƣợng, tăng trƣởng
của lâm phần và xây dựng các bản đồ tài nguyên rừng. Điều tra rừng đƣợc thực hiện
nhằm mục đ ch kiểm kê, đánh giá và phân t ch biến động của tài nguyên rừng. Cùng
với sự phát triển của khoa học công nghệ, phƣơng pháp và sản phẩm của điều tra

gần (0.3m – 0.9m), vì vậy có thể phản ánh những thông tin mà mắt thƣờng không
thấy đƣợc. Nhƣợc điểm của ảnh hàng không là rất khó chụp, lƣu giữ, hiệu chỉnh và
giải đoán. Ngoài ra việc giải đoán bằng mắt là rất chủ quan phụ thuộc vào trình độ,
kinh nghiệm ngƣời giải đoán, kết quả không đồng nhất, khó triển khai trên diện
rộng, thời gian thực hiện lâu và tốn kém nhiều nhân lực. Ở Việt nam, công nghệ giải
đoán bằng mắt cũng đã và đang đƣợc áp dụng đối với ảnh vệ tinh trong phân loại
rừng và đã bộc lộ rất nhiều tồn tại.
Trong vòng khoảng 35 năm trở lại đây, ảnh vệ tinh với phƣơng pháp xử lý số
đã đƣợc sử dụng rộng rãi và dần thay thế ảnh hàng không trong xây dựng các bản
đồ tài nguyên rừng phục vụ công tác điều tra và kiểm kê rừng (Lambin EF, Turner
BL, Helmut J, et al, 2001) [17]. Phƣơng pháp xử lý số có ƣu điểm nổi bật là thời
gian xử lý ngắn, việc phân loại các đối tƣợng đƣợc tiến hành nhanh chóng trên
phạm vi rộng mà không cần công đi thực địa, công việc đƣợc thực hiền hoàn toàn
dựa vào cấp độ xám của các pixel, nên kết quả thu đƣợc khách quan không phụ
thuộc vào chủ quan của nguời giải đoán. Tuỳ thuộc vào yêu cầu sử dụng, ảnh vệ
tinh sẽ cho phép xây dựng các bản đồ tài nguyên rừng với quy mô và tỷ lệ khác
nhau một cách nhanh chóng, hoặc đánh giá đƣợc biến động của hiện trạng rừng ở
hiện tại so sánh với các thời điểm trong quá khứ. Với những ƣu điểm nhƣ vậy, đã có
rất nhiều chuyên gia và các nhà nghiên cứu sử dụng ảnh vệ tinh để khoanh vẽ lớp


5

phủ thực vật trên bề mặt trái đất từ quy mô nhỏ đến toàn cầu (Yichun Xie, Zongyao
Sha and Mei Yu, 2008) [24]. Hiện nay, trên thế giới có rất nhiều vệ tinh cung cấp
ảnh có độ phân giải không gian, bƣớc sóng, số lƣợng kênh phổ và chu kỳ bay chụp
khác nhau, từ các ảnh đa phổ (multispectral sensors) tới ảnh siêu phổ
(hyperspectral), bƣớc sóng biến động từ nhìn thấy tới sóng siêu cao tần, độ phân
giải không gian từ
gia
- Phân loại lớp phủ (vd:

AVHRR

Độ phân giải thấp 1km từ các vệ tinh rừng, độ thị, mặt nƣớc...)
NOAA; Trƣờng phủ 2400km x 6400km;
Ảnh có từ 1980 đến nay.


6

2. Ảnh đa phổ có độ phân giải trung bình (Multispectral Moderate Resolution
Sensors)
Landsat TM

Độ phân giải thấp đến trung bình (30m - - Quy mô bản đồ: khu
120m); Trƣờng phủ 185km x 185km; vực
Chu kỳ bay chụp 16 ngày; Ảnh từ năm - Phân loại rừng ở cấp độ
1982 đến nay;

quần xã

Landsat

Độ phân giải thấp đến trung bình (15m - - Quy mô bản đồ: khu

ETM+

120m); Trƣờng phủ 185km x 185km. vực

thể

Độ phân giải rất cao (1m – 4m); Trƣờng - Quy mô bản đồ: khu
phủ 11km x 11km; Chu kỳ bay chụp 3- vực, địa phƣơng hoặc
5ngày
nhỏ hơn
Độ phân giải rất cao (0.6m – 2.4m); - Phân loại rừng chi tiết ở
Trƣờng phủ 16.5km x 16.5km. Chu kỳ cấp độ quần xã hoặc các
bay chụp 1-3.5 ngày tuỳ thuộc vào vĩ độ. loài cụ thể;
- Thƣờng đƣợc sử dụng
để kiểm tra kết quả phân
loại từ các nguồn khác.

4. Ảnh siêu phổ (Hyperspectral Sensors)


7

AVIRIS

Ảnh siêu phổ với 224 kênh từ bƣớc sóng - Quy mô bản đồ: khu
nhìn thấy tới sóng ngắn hồng ngoại; Tuỳ vực, địa phƣơng hoặc
thuộc vào vĩ độ của vệ tinh mà ảnh có độ nhỏ hơn;
phân giải > 1m, trƣờng phủ > 1km.
- Phân loại rừng chi tiết ở
cấp độ quần xã hoặc các
loài cụ thể; ảnh chỉ chụp
theo yêu cầu 1 lần, vì vậy
không th ch hợp với theo
dõi diễn biến rừng.

8

thực vật ở nhiều tỷ lệ và quy mô khác nhau. Với những ƣu điểm nhƣ vậy, ảnh SPOT
đã có nhiều ứng dụng rộng rãi trong phân loại rừng, và thực vật nói chung.
Huang và Siegert (2006) (Dẫn theo Phạm Văn Duẩn (2012) [4]) đã sử dụng
ảnh đa thời gian SPOT VGT để giám sát quá trình sa mạc hoá thông qua theo dõi sự
biết động của thực vật ở vùng bắc Trung Quốc và đi đến kết luận, ảnh SPOT VGT
rất th ch hợp cho việc nghiên cứu biến động lớp phủ thực vật ở quy mô lớn. Kết quả
này cũng tƣơng đồng với nghiên cứu của Cabral (2006) (Dẫn theo Phạm Văn Duẩn
(2012) [4]) trong việc phân loại lớp phủ ở ph a nam châu Phi. Ngoài ra, ảnh SPOT
cũng rất hiệu quả trong việc giám sát sinh trƣởng và phân bố của rừng ở quy mô
nhỏ, hoặc các loài cụ thể, kết quả đƣợc thể hiện trong các nghiên cứu: phân bố sinh
cảnh của chim Công ở New Zealand (Mathieu, 2006) ; biến động thực vật ven biển
ở Hải Nam – Trung Quốc (Millward, 2006). (Dẫn theo Phạm Văn Duẩn (2012) [4])
+ IKONOS
IKONOS là ảnh vệ tinh thƣơng mại đầu tiên có độ phân giải cao từ năm
1999. Trong đó, kênh toàn sắc có độ phân giải 1m, còn các kênh đa phổ (nhìn thấy
đến hồng ngoại gần) có độ phân giải 4m, trƣờng phủ là 11km và chu kỳ bay chụp là
3-5 ngày. Vì vậy, ảnh IKONOS th ch hợp cho phân loại rừng có kết cấu phức tạp và
xây dựng những bản đồ có tỷ lệ cao, quy mô nhỏ. Theo nghiên cứu của Goward
(2003) (Dẫn theo Phạm Văn Duẩn (2012) [4]), ảnh IKONOS rất th ch hợp cho việc
kiểm định kết quả phân loại rừng từ các vệ tinh có độ phân giải thấp hơn.
+ QuickBird
QuickBird có độ phân giải không gian rất cao, 0.6m-0.7m với kênh toàn sắc
và 2.4m-2.8m với kênh đa phổ. Với độ phân giải cao nhƣ vậy, QuickBird có thể
phân loại rừng một cách ch nh xác, mà còn đƣợc ứng dụng trong theo dõi động thái
và cấu trúc rừng. Do giá thành rất cao, nên QuickBird chỉ thƣờng đƣợc sử dụng ở
quy mô nhỏ và chi tiết. Wolter (2005) (Dẫn theo Phạm Văn Duẩn (2012) [4])đã sử
dụng ảnh QuickBird để phân loại thực vật ngập nƣớc ở cho 3 điểm vùng hồ Great
Lakes – Hoa Kỳ; Coops (2006) (Dẫn theo Phạm Văn Duẩn (2012) [4]) sử dụng ảnh

Phƣơng pháp phân loại có giám sát dựa vào việc lựa chọn các vùng mẫu trên
ảnh đƣợc gán tƣơng ứng với các kiểu sử dụng đất hoặc kiểu rừng. Vì vậy, khi bổ
sung thêm kiểu che phủ mới thì không làm thay đổi các kiểu che phủ đƣợc tạo lập
trƣớc đó. Thuật toán xác suất cực đại (ML) đƣợc xem là truyền thống và sử dụng


10

phổ biến cho phƣơng pháp phân loại có giám sát, nguyên lý của thuật toán này là:
mỗi điểm ảnh đƣợc t nh xác suất thuộc vào một lớp nào đó và đƣợc gán vào lớp mà
xác suất thuộc vào lớp đó là lớn nhất (Sohn và Rebello, 2002). Tuy nhiên, thuật
toán xác suất cực đại cũng chƣa phải là giải pháp tối ƣu, khi mà nó giả định phân bố
cấp độ sáng của điểm ảnh là phân bố chuẩn, vì vậy nó không th ch hợp cho việc
phân loại ở những nơi có lớp phủ phức tạp nhƣ phân loại rừng ở vùng nhiệt đới.
+ Phương pháp phân loại cải tiến (Improved Methods)
Trong thực tế, cùng một kiểu rừng vẫn có thể có nhiều giá trị phản xạ phổ
khác nhau, ngƣợc lại các kiểu rừng khác nhau lại có thể có giá trị phản xạ phổ giống
nhau. Vì vậy, nếu sử dụng các phƣơng pháp truyền thống nhƣ phân loại có giám sát,
hoặc không giám sát thì rất khó có thể tách biệt và phân loại hiện trạng rừng một
cách ch nh xác. Nhìn chung, các phƣơng pháp cải tiến thƣờng đƣợc phát triển trên
cơ sở phƣơng pháp truyền thống có bổ sung thêm các thuật toán nhằm đạt đƣợc kết
quả phân loại ch nh xác nhất. Có rất nhiều nghiên cứu phát triển các phƣơng pháp
phân loại lớp phủ thực vật. Stuart (2006) đã sử dụng phƣơng pháp phân loại liên tục
(Continuous Classification) và ảnh Landsat để xây dựng bản đồ hiện trạng rừng
(rừng thƣờng xanh, rừng rụng lá, cây gỗ rải rác...) cho vùng nhiệt đới ở trung mỹ.
Các tác giả đã chứng minh rằng phƣơng pháp phân loại liên tục là tốt hơn phƣơng
pháp xác suất cực đại, đặc biệt là ở những khu vực có kiểu thảm thực vật phức tạp.
Sohn và Rebello (2002) đã phát triển phƣơng pháp phân loại SAC (Spectral Angle
Classifiers) từ phƣơng pháp phân loại có giám sát và không giám sát. Phƣơng pháp
SAC có t nh đến sự biến động phản xạ phổ trong một kiểu rừng là do ảnh hƣởng

các đối tƣợng dựa trên tri thức chuyên gia và đặc t nh phổ của chúng. Phƣơng pháp
này có ƣu điểm là xử lý nhanh, không có giả thuyết toán học và có thể xử lý dữ liệu
ở nhiều cấp độ khác nhau. Hansen (2006) (Dẫn theo Phạm Văn Duẩn (2012) [4]) đã
sử dụng phƣơng này với chỉ số NDVI và ảnh AVHRR để xây dựng bản đồ hiện
trạng rừng toàn cầu. Các tác giả Xu M, Watanachaturaporn P, Varshney PK, et al,
(2005) [23] đã sử dụng 3 phƣơng pháp DT, ANN và ML với 2 loại ảnh đa phổ và
siêu phổ để phân loại lớp phủ thực vật. Kết luận cho thấy phƣơng pháp DT chỉ th ch
hợp với loại ảnh đa phổ. Trong một vài trƣờng hợp, phƣơng pháp DT cũng rất th ch
hợp với lớp phủ thực vật có biến động mạnh liên quan chặt với điều kiện lập địa
nhƣ điều kiện đất và địa hình (He, 2005) (Dẫn theo Phạm Văn Duẩn (2012) [4]).


12

Ngoài ra, các kỹ thuật/phƣơng pháp phân loại nhƣ SPARK (SPAtial
Reclassification Kernel) và ADCM (Ancillary Data Classification Model) nâng độ
ch nh xác của kết quả phân loại ở những nơi có phân bố thực vật không đồng nhất
(Sluiter R, 2005) [20].
Nhìn chung, có rất nhiều phƣơng pháp/thuật toán phân loại đƣợc phát triển
và ứng dụng trong nhiều lĩnh vực khác nhau. Trong một vài trƣờng hợp, khi liên kết
nhiều phƣơng pháp với nhau có thể nâng cao chất lƣợng phân loại lớp phủ thực vật.
Lo CP, Choi J (2004) [19] đã đề xuất phƣơng pháp phân loại kết hợp (Hybrid
Method), trên cơ sở sử dụng những ƣu điểm của cả 2 phƣơng pháp phân loại có
giám sát và phân loại không giám sát, để xây dựng bản đồ lớp phủ cho vùng đô thị
Atlanta – Hoa Kỳ bằng ảnh Landsat ETM+. Tuy nhiên, các phƣơng pháp/thuật toán
phân loại cải tiến thƣờng đƣợc phát triển để nâng cao chất lƣợng phân loại ảnh
trong từng trƣờng hợp cụ thể. Trong khi đó, mỗi loài thực vật lại có một phổ riêng
biệt, phụ thuộc rất lớn vào hình thái, hàm lƣợng các chất hoá học, độ ẩm của lá
cây.Vì vậy, phát triển các phƣơng pháp phân loại ảnh vệ tinh vẫn là một chủ đề
nhận đƣợc nhiều sự quan tâm của các nhà nghiên cứu, bởi vì không có một phƣơng

Trong đó:
DN (1) - giá trị DN của pixel trong ảnh chụp ở thời gian (1), DN (2) - giá
trị DN của pixel trong ảnh chụp ở thời gian (2),
DN (1, 2) - giá trị DN của pixel ảnh biến động giữa thời gian 1- 2, Nếu DN
= 0, không biến động, DN>0 biến động theo hƣớng 1, DN
L3

L13

L23

L33

L43

L4

L14

L24

L34

L44

Ảnh B

Trên ma trận, theo cột và theo hàng là tên các đối tƣợng đã đƣợc phân
loại theo 2 thời điểm a và b. Theo đƣờng chéo là các đối tƣợng không có sự
biến động, còn lại là những biến động chi tiết của từng đối tƣợng. Ví dụ: L23 là
đối tƣợng L2 của thời điểm a biến thành đối tƣợng L3 của thời điểm b.
* Xây dựng bản đồ biến động tài nguyên sử dụng kết hợp giữa bản đồ và
ảnh viễn thám
Phƣơng pháp đánh giá biến động có sự kết hợp giữa viễn thám và
GIS: Để đánh giá biến động theo phƣơng pháp này thì ta cần thành lập bản đồ