XÂY DỰNG MÔ HÌNH ƯỚC TÍNH SINH KHỐI TRÊN MẶT ĐẤT RỪNG NGẬP MẶN SỬ DỤNG DỮ LIỆU KẾT HỢP SENTINEL-1 VÀ SENTINEL-2 TẠI MIỀN BẮC VIỆT NAM
DOI:
https://doi.org/10.70169/VJFS.1285Từ khóa:
Chỉ số viễn thám, kết hợp quang học và Radar, mô hình sinh khối, rừng ngập mặn, ước tính sinh khốiTóm tắt
Rừng ngập mặn là hệ sinh thái ven biển có vai trò quan trọng trong bảo vệ bờ biển, duy trì đa dạng sinh học và tích lũy các-bon. Sinh khối trên mặt đất là chỉ tiêu cơ bản để đánh giá trữ lượng các-bon rừng, tuy nhiên việc điều tra sinh khối bằng phương pháp thực địa thường tốn nhiều thời gian, chi phí và khó mở rộng trên phạm vi không gian lớn. Nghiên cứu này hướng tới xây dựng và so sánh các mô hình ước tính sinh khối trên mặt đất rừng ngập mặn tại miền Bắc Việt Nam dựa trên ba chỉ số viễn thám gồm chỉ số thực vật Radar RVI (Radar Vegetation Index), các kênh hồng ngoại sóng ngắn SWIRS (Short-Wave Infrared) và chỉ số thực vật kết hợp quang học và Radar CORVI (Combined Optical and Radar Vegetation Index). Trong đó, RVI được tính từ hai phân cực VH và VV của Sentinel-1; SWIRS được xác định từ tổng phản xạ hai kênh hồng ngoại sóng ngắn B11 và B12 của Sentinel-2; CORVI là chỉ số kết hợp giữa RVI và SWIRS theo công thức . Với mỗi biến độc lập, bốn dạng hàm được kiểm định gồm tuyến tính, lũy thừa, logarit và hàm mũ. Các mô hình được xây dựng dựa trên 322 ô mẫu với phạm vi AGB quan sát từ 15,4 - 282,8 Mg/ha và đánh giá bằng hệ số xác định R2, sai số căn phương trung bình RMSE và sai lệch hệ thống Bias. Kết quả nghiên cứu cho thấy mô hình hồi quy lũy thừa sử dụng chỉ số CORVI là mô hình phù hợp nhất để ước tính AGB rừng ngập mặn, với độ chính xác kiểm định cao nhất (R2 = 0,5240), sai số RMSE kiểm định thấp nhất (28,77 Mg/ha) và Bias kiểm định là 2,11 Mg/ha; do đó, mô hình này được khuyến nghị sử dụng để lập bản đồ phân bố sinh khối trên mặt đất rừng ngập mặn tại khu vực nghiên cứu.
Tài liệu tham khảo
1. Alongi, D. M., 2002. Present state and future of the world’s mangrove forests. Environmental Conservation, 29(3), 331-349. DOI: 10.1017/S0376892902000231.
2. Alongi, D. M., 2014. Carbon cycling and storage in mangrove forests. Annual Review of Marine Science, 6(1), 195-219. DOI: 10.1146/annurev-marine-010213-135020.
3. Aslan, A., Rahman, A. F., Sánchez-Azofeifa, G. A., 2021. Remote sensing-based carbon stock estimation in mangrove forests. Remote Sensing of Environment, 257, 112329.
4. Castillo, J. A. A., Apan, A. A., Maraseni, T. N., & Salmo, S. G., 2017. Estimation and mapping of above-ground biomass of mangrove forests and their replacement land uses in the Philippines using Sentinel imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 134, 70-85. DOI: 10.1016/j.isprsjprs.2017.10.016
5. Donato, D. C., Kauffman, J. B., Murdiyarso, D., Kurnianto, S., Stidham, M., Kanninen, M., 2011. Mangroves among the most carbon-rich forests in the tropics. Nature Geoscience, 4(5), 293-297. DOI: 10.1038/ngeo1123.
6. Duke, N. C., Meynecke, J. O., Dittmann, S., Ellison, A. M., Anger, K., Berger, U., 2007. A world without mangroves? Science, 317(5834), 41-42. DOI: 10.1126/science.317.5834.41b.
7. Fatoyinbo, T. E., Simard, M., 2013. Height and biomass of mangroves in Africa from ICESat/GLAS and SRTM. International Journal of Remote Sensing, 34(2), 668-681. DOI: 10.1080/01431161.2012.712224.
8. Feller, I. C., Friess, D. A., Krauss, K. W., Lewis, R. R., 2017. The state of the world’s mangroves in the 21st century under climate change. Hydrobiologia, 803, 1-12. DOI: 10.1007/s10750-017-3331-z
9. Ghosh, S. M., Behera, M. D., Paramanik, S., 2021. Aboveground biomass estimates of tropical mangrove forest using Sentinel-1 SAR coherence data: The superiority of deep learning over semi-empirical model. Computers & Geosciences, 150, 104737. DOI: 10.1016/j.cageo.2021.104737.
10. Giri, C., Ochieng, E., Tieszen, L. L., Zhu, Z., Singh, A., Loveland, T., 2011. Status and distribution of mangrove forests of the world using earth observation satellite data. Global Ecology and Biogeography, 20(1), 154-159. DOI: 10.1111/j.1466-8238.2010.00584.x.
11. Giri, C., Long, J., Abbas, S., Murali, R. M., Qamer, F. M., Pengra, B., Thau, D., 2015. Distribution and dynamics of mangrove forests of South Asia. Journal of Environmental Management, 148, 101-111. DOI: 10.1016/j.jenvman.2014.01.020.
12. Nguyen Hai Hoa, Vu Van Truong, Nguyen Thi Thu Hien, Ha Tri Son, Nguyen Van Thi, Nguyen Trong Cuong, Nguyen Thi Bich Hao, Tran Thi Huong, Phan Duc Le, Phan Van Dung, Thai Thi Thuy An, Le Phu Tuan, 2024. Mangrove above-ground carbon estimation from Sentinel-1A (SAR) and field-based data in Tien Yen district, Quang Ninh province. Journal of Forestry Science and Technology, 9(1), 073-085. DOI: 10.55250/jo.vnuf.9.1.2024.073-085
13. Huang, Z., Tian, Y., Zhang, Q., Huang, Y., Liu, R., Huang, H., Zhou, G., Wang, J., Tao, J., Yang, Y., Zhang, Y., Lin, J., Tan, Y., Deng, J., Liu, H., 2022. Estimating mangrove above-ground biomass at Maowei Sea, Beibu Gulf of China using machine learning algorithm with Sentinel-1 and Sentinel-2 data. Geocarto International, 37(27), 15778-15805. DOI: 10.1080/10106049.2022.2102226
14. Kauffman, J. B., Donato, D. C., 2012. Protocols for the measurement, monitoring and reporting of structure, biomass and carbon stocks in mangrove forests. CIFOR Working Paper No. 86. Bogor, Indonesia: Center for International Forestry Research. DOI: 10.17528/cifor/003749.
15. Kuenzer, C., Bluemel, A., Gebhardt, S., Quoc, T. V., Dech, S., 2011. Remote sensing of mangrove ecosystems: A review. Remote Sensing, 3(5), 878-928. DOI: 10.3390/rs3050878.
16. Lagomasino, D., Fatoyinbo, T. E., Lee, S. K., Feliciano, E., Trettin, C., Shapiro, A., & Mangora, M. M, 2019. Measuring mangrove carbon loss and gain in deltas. Environmental Research Letters, 14(2), 025002. DOI: 10.1088/1748-9326/aaf0de.
17. Luong, N. V., Tu, T. T., Khoi, A. L., Hoan, T. N., Thuy, T. L. H., 2018. Biomass estimation and mapping of Can Gio mangrove biosphere reserve in South of Viet Nam using ALOS-2 PALSAR-2 data. Applied Ecology and Environmental Research, 17(1), 15-31. DOI: 10.15666/aeer/1701_015031
18. Murdiyarso, D., Purbopuspito, J., Kauffman, J. B., Warren, M. W., Sasmito, S. D., Donato, D. C., Kurnianto, S, 2015. The potential of Indonesian mangrove forests for global climate change mitigation. Nature Climate Change, 5(12), 1089-1092. DOI: 10.1038/nclimate2734.
19. Nasirzadehdizaji, R., Sanli, F. B., Abdikan, S., Cakir, Z., Sekertekin, A., Ustuner, M, 2019. Sensitivity analysis of multi-temporal Sentinel-1 SAR parameters to crop height and canopy coverage. Applied Sciences, 9(4), 655. DOI: 10.3390/app9040655.
20. Nguyễn Văn Huy, Phạm Thị Thanh Hương, Lê Xuân Phương, 2020. Hiện trạng và biến động diện tích rừng ngập mặn Việt Nam giai đoạn 2000 - 2020. Tạp chí Nông nghiệp và Phát triển Nông thôn, 21(4), 112-124.
21. Pham, T. D., Yoshino, K., Le, N. N., Bui, D. T., 2018. Estimating aboveground biomass of a mangrove plantation on the Northern coast of Vietnam using machine learning techniques with an integration of ALOS-2 PALSAR-2 and Sentinel-2A data. International Journal of Remote Sensing, 39(22), 7761-7788. DOI: 10.1080/01431161.2018.1471544.
22. Pham, T. D., Yokoya, N., Xia, J., Ha, N. T., Le, N. N., Nguyen, T. T. T., Dao, T. H., Vu, T. T. P., Pham, T. D., Takeuchi, W., 2020. Comparison of machine learning methods for estimating mangrove above-ground biomass using multiple source remote sensing data in the Red River Delta Biosphere Reserve, Vietnam. Remote Sensing, 12(8), 1334. DOI: 10.3390/rs12081334.
23. Rovai, A. S., Twilley, R. R., Castañeda-Moya, E., 2018. Global controls on carbon storage in mangrove soil. Nature Climate Change, 8(6), 534-538. DOI: 10.1038/s41558-018-0162-5.
24. Simard, M., Fatoyinbo, L., Smetanka, C., Rivera-Monroy, V. H., Castaneda-Moya, E., Thomas, N., Van der Stocken, T., 2019. Mangrove canopy height globally related to precipitation, temperature and cyclone frequency. Nature Geoscience, 12(1), 40-45. DOI: 10.1038/s41561-018-0279-1.
