ĐẶC TRƯNG PHẢN XẠ PHỔ RỪNG NGẬP MẶN TRÊN ẢNH MÁY BAY KHÔNG NGƯỜI LÁI ĐA PHỔ TẠI TỈNH CÀ MAU
DOI:
https://doi.org/10.70169/VJFS.1326Từ khóa:
Ảnh đa phổ UAV, chỉ số thực vật, độ cao bay, hiệu chỉnh bức xạ, rừng ngập mặnTóm tắt
Nghiên cứu xây dựng cơ sở khoa học cho việc dùng ảnh đa phổ từ máy bay không người lái (UAV) giám sát rừng ngập mặn qua ba nội dung: đặc trưng phản xạ phổ, vai trò của tấm hiệu chỉnh phản xạ và ảnh hưởng của độ cao bay. Ảnh được thu bằng thiết bị DJI Mavic 3 Multispectral trên khu rừng trồng 66 ha và khu rừng tự nhiên 71 ha tại tỉnh Cà Mau trong hai đợt tháng 5 và tháng 11 năm 2025, ở hai độ cao 100 m và 150 m, xử lý bằng Pix4D Mapper theo phương án có và không có tấm hiệu chỉnh. Phản xạ bốn kênh Green, Red, Red edge và NIR ổn định trong cùng chuyến bay ở cả hai độ cao, trong đó NIR và Red edge phân tách rừng với mặt nước rõ nhất, và độ chính xác phân loại bốn nhóm đối tượng đạt cao ở cả hai độ cao (90,0% ở 100 m và 96,0% ở 150 m). Khi xử lý không có tấm, phản xạ trên đối tượng rừng giảm 11,2 đến 18,5 lần nên không dùng được giá trị tuyệt đối; tuy vậy chín trong mười sáu chỉ số thực vật được khảo sát, đều thuộc dạng tỷ số thuần nhất, vẫn giữ hệ số tương quan từ 0,8 trở lên so với bản có hiệu chỉnh ở độ cao 150 m. Bay 100 m tiêu tốn gấp 1,75 đến 1,97 lần nguồn lực so với 150 m mà chất lượng dữ liệu không khác biệt đáng kể. Nghiên cứu khuyến nghị bay ở độ cao 150 m, dùng tấm hiệu chỉnh khi cần giá trị phản xạ tuyệt đối, và khi không đặt được tấm thì nhóm chỉ số đã sàng lọc vẫn dùng được cho giám sát tương đối.
Tài liệu tham khảo
1. Cao, J., Leng, W., Liu, K., Liu, L., He, Z. and Zhu, Y., 2021. Combining UAV-based hyperspectral and LiDAR data for mangrove species classification using the rotation forest algorithm. International Journal of Applied Earth Observation and Geoinformation 102: 102414. DOI: 10.1016/j.jag.2021.102414
2. Chen, Y., Shen, X., Yan, C., Jiang, B., Li, R. and Chai, M., 2026. Triple-feature fusion from UAV multispectral imagery enhances species-level mangrove carbon assessment. Scientific Reports 16: 11494. DOI: 10.1038/s41598-026-40303-1
3. Cottrell, B., Kalacska, M., Arroyo-Mora, J.-P., Lucanus, O., Inamdar, D., Løke, T. and Soffer, R.J., 2024. Limitations of a multispectral UAV sensor for satellite validation and mapping complex vegetation. Remote Sensing 16(13): 2463. DOI: 10.3390/rs16132463
4. Dandois, J.P., Olano, M. and Ellis, E.C., 2015. Optimal altitude, overlap, and weather conditions for computer vision UAV estimates of forest structure. Remote Sensing 7(10): 13895 - 13920. DOI: 10.3390/rs71013895
5. Donato, D.C., Kauffman, J.B., Murdiyarso, D., Kurnianto, S., Stidham, M. and Kanninen, M., 2011. Mangroves among the most carbon-rich forests in the tropics. Nature Geoscience 4(5): 293 - 297. DOI: 10.1038/ngeo1123
6. Đinh Bá Duy, Ngô Trung Dũng, Nguyễn Quốc Khánh, Trần Thị Nhàn, Nguyễn Hữu Việt Hiểu, Đặng Thị Ngọc, 2022. Xác định một số chỉ số thực vật đặc trưng cho hệ sinh thái rừng tại Khu Bảo tồn thiên nhiên Kon Chư Răng bằng dữ liệu ảnh UAV đa phổ. Tạp chí Khoa học và Công nghệ nhiệt đới 29: 23 - 31. DOI: 10.58334/vrtc.jtst.n29.03
7. Foody, G.M., 2004. Thematic map comparison: evaluating the statistical significance of differences in classification accuracy. Photogrammetric Engineering & Remote Sensing 70(5): 627 - 633. DOI: 10.14358/PERS.70.5.627
8. Gitelson, A.A. and Merzlyak, M.N., 1994. Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Journal of Plant Physiology 143(3): 286 - 292. DOI: 10.1016/S0176-1617(11)81633-0
9. Gitelson, A.A., Kaufman, Y.J. and Merzlyak, M.N., 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment 58(3): 289 - 298. DOI: 10.1016/S0034-4257(96)00072-7
10. Gitelson, A.A., Gritz, Y. and Merzlyak, M.N., 2003. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. Journal of Plant Physiology 160(3): 271 - 282. DOI: 10.1078/0176-1617-00887
11. Jia, M., Wang, Z., Mao, D., Ren, C., Wang, C. and Wang, Y., 2019. A new vegetation index to detect periodically submerged mangrove forest using single-tide Sentinel-2 imagery. Remote Sensing 11(17): 2043. DOI: 10.3390/rs11172043
12. Karang, I.W.G.A. and Basheer Ahammed, K.K., 2026. Narrowband red-edge indices effectively monitor species-level mangrove health in multisensor time series. ICES Journal of Marine Science 83(6): fsag093. DOI: 10.1093/icesjms/fsag093
13. Kumar, T., Dutta, D., Chatterjee, D., Chandrasekar, K., Rao, G.S. and Raj, U., 2019. Different statistical methods for the discrimination of tropical mangrove species using in-situ hyperspectral data. Journal of Hyperspectral Remote Sensing 9(2): 49 - 67. DOI: 10.29150/jhrs.v9.2.p49-67
14. Li, Y., Guo, S., Jia, S., Yan, Y., Jia, H. and Zhang, W., 2025. Quantifying the effects of UAV flight altitude on the multispectral monitoring accuracy of soil moisture and maize phenotypic parameters. Agronomy 15(9): 2137. DOI: 10.3390/agronomy15092137
15. Li, Z., Zan, Q., Yang, Q., Zhu, D., Chen, Y. and Yu, S., 2019. Remote estimation of mangrove aboveground carbon stock at the species level using a low-cost unmanned aerial vehicle system. Remote Sensing 11(9): 1018. DOI: 10.3390/rs11091018
16. Linh, T.V.K. and Vinh, T.V., 2025. Estimating biomass and above-ground carbon stocks of mangrove forests by using unmanned aerial systems (Southern Vietnam). IOP Conference Series: Earth and Environmental Science 1465: 012009. DOI: 10.1088/1755-1315/1465/1/012009
17. Luo, S., Jiang, X., Yang, K., Li, Y. and Fang, S., 2022. Multispectral remote sensing for accurate acquisition of rice phenotypes: impacts of radiometric calibration and unmanned aerial vehicle flight altitudes. Frontiers in Plant Science 13: 958106. DOI: 10.3389/fpls.2022.958106
18. Navarro, J.A., Algeet, N., Fernández-Landa, A., Esteban, J., Rodríguez-Noriega, P. and Guillén-Climent, M.L., 2019. Integration of UAV, Sentinel-1, and Sentinel-2 data for mangrove plantation aboveground biomass monitoring in Senegal. Remote Sensing 11(1): 77. DOI: 10.3390/rs11010077
19. Ngo, D.T., Nguyen, H.D., Nguyen, K.Q., Dang, C.H., Nguyen, H.H.V., Dang, N.T. and Pham, T.V., 2023. Application of multispectral UAV to estimate mangrove biomass in Vietnam: A case study in Dong Rui commune, Quang Ninh Province. One Ecosystem 8: e103760. DOI: 10.3897/oneeco.8.e103760
20. Ngo, D.T., Nguyen, H.H.V., Nguyen, B.T.T. and Dang, N.T., 2024. Protocol for establishing a map of mangrove species distribution using multispectral unmanned aerial vehicle data. STAR Protocols 5(4): 103425. DOI: 10.1016/j.xpro.2024.103425
21. Ngo Trung Dung, 2024. Assessing the characteristics and seasonal changes of mangrove forest in Dong Rui commune, Quang Ninh province, Vietnam based on multispectral UAV data. Landscape and Ecological Engineering 20(2): 223 - 235. DOI: 10.1007/s11355-024-00595-9
22. Otero, V., Van De Kerchove, R., Satyanarayana, B., Martínez-Espinosa, C., Fisol, M.A.B., Ibrahim, M.R.B., Sulong, I., Mohd-Lokman, H., Lucas, R. and Dahdouh-Guebas, F., 2018. Managing mangrove forests from the sky: forest inventory using field data and Unmanned Aerial Vehicle (UAV) imagery in the Matang Mangrove Forest Reserve, peninsular Malaysia. Forest Ecology and Management 411: 35 - 45. DOI: 10.1016/j.foreco.2017.12.049
23. Rouse, J.W., Haas, R.H., Schell, J.A. and Deering, D.W., 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA Special Publication 351: 309 - 317.
24. Seifert, E., Seifert, S., Vogt, H., Drew, D., van Aardt, J., Kunneke, A. and Seifert, T., 2019. Influence of drone altitude, image overlap, and optical sensor resolution on multi-view reconstruction of forest images. Remote Sensing 11(10): 1252. DOI: 10.3390/rs11101252
25. Stow, D., Nichol, C.J., Wade, T., Assmann, J.J., Simpson, G. and Helfter, C., 2019. Illumination geometry and glying height influence surface reflectance and NDVI derived from multispectral UAS imagery. Drones 3(3): 55. DOI: 10.3390/drones3030055
26. Sumarga, E., Syamsudin, T.S., Sarah, S., Qalbi, M.P., Tansy, B.C., Basyuni, M. and Larekeng, S.H., 2026. Mapping aboveground carbon in rehabilitated mangrove: evaluating the performance of regression modelling with satellite-derived vegetation indices and kriging interpolation. Journal of Multidisciplinary Applied Natural Science 6(1): 108 - 120. DOI: 10.47352/jmans.2774-3047.311
27. Tran, T.V., Reef, R. and Zhu, X., 2022. A review of spectral indices for mangrove remote sensing. Remote Sensing 14(19): 4868. DOI: 10.3390/rs14194868
28. Wang, T., Guan, T., Qiu, F., Liu, L., Zhang, X., Zeng, H. and Zhang, Q., 2025. Evaluation of scale effects on UAV-based hyperspectral imaging for remote sensing of vegetation. Remote Sensing 17(6): 1080. DOI: 10.3390/rs17061080
29. Yang, Y., Meng, Z., Zu, J., Cai, W., Wang, J., Su, H. and Yang, J., 2024. Fine-scale mangrove species classification based on UAV multispectral and hyperspectral remote sensing using machine learning. Remote Sensing 16(16): 3093. DOI: 10.3390/rs16163093
30. Zhang, H., Xia, Q., Dai, S., Zheng, Q., Zhang, Y. and Deng, X., 2023. Mangrove forest mapping from object-oriented multi-feature ensemble classification using Sentinel-2 images. Frontiers in Marine Science 10: 1243116. DOI: 10.3389/fmars.2023.1243116
