ỨNG DỤNG MÔ HÌNH CUBIST TRONG ƯỚC TÍNH SINH KHỐI TRÊN MẶT ĐẤT RỪNG LÁ RỘNG THƯỜNG XANH TỪ DỮ LIỆU KẾT HỢP SENTINEL-1, SENTINEL-2 VÀ THỰC ĐỊA TẠI XÃ NẬM LẦU TỈNH SƠN LA

Đinh Phương Thảo; Nguyễn Hải Hòa; Vũ Văn Tuân; Nguyễn Văn Hùng; Hoàng Thị Thanh Tuyền; Nguyễn  Hồng Hải; Vũ Văn Trường; Vũ Xuân Định; Lê Hùng Chiến

doi:10.70169/VJFS.1338

ỨNG DỤNG MÔ HÌNH CUBIST TRONG ƯỚC TÍNH SINH KHỐI TRÊN MẶT ĐẤT RỪNG LÁ RỘNG THƯỜNG XANH TỪ DỮ LIỆU KẾT HỢP SENTINEL-1, SENTINEL-2 VÀ THỰC ĐỊA TẠI XÃ NẬM LẦU TỈNH SƠN LA

Các tác giả

Đinh Phương Thảo Trường Đại học Lâm nghiệp
Nguyễn Hải Hòa
Vũ Văn Tuân Trung tâm Khoa học Lâm nghiệp Tây Bắc
Nguyễn Văn Hùng
Hoàng Thị Thanh Tuyền
Nguyễn Hồng Hải
Vũ Văn Trường
Vũ Xuân Định
Lê Hùng Chiến

DOI:

https://doi.org/10.70169/VJFS.1338

Từ khóa:

Chỉ số thực vật, mô hình Cubist, rừng lá rộng thường xanh, Sentinel-2, sinh khối trên mặt đất, viễn thám

Tóm tắt

Rừng lá rộng thường xanh (LRTX) có vai trò quan trọng trong điều hòa khí hậu, chống sạt lở đất, duy trì đa dạng sinh học và tích lũy các-bon. Sinh khối trên mặt đất (AGB) là chỉ tiêu cơ bản để đánh giá trữ lượng các-bon rừng, song việc điều tra AGB bằng phương pháp thực địa thường tốn nhiều thời gian, chi phí và khó mở rộng trên phạm vi lớn. Nghiên cứu xây dựng mô hình ước tính AGB rừng LRTX bằng thuật toán học máy Cubist tại xã Nậm Lầu, tỉnh Sơn La dựa trên ba nhóm biến độc lập, gồm nhóm biến chỉ số thực vật, kênh phổ đơn lẻ từ dữ liệu Sentinel-2; nhóm biến từ Sentinel-1 (giá trị tán xạ ngược, chỉ số, kết cấu Radar), và nhóm biến từ DEM, giá trị AGB quan sát từ 38,81 đến 213,99 Mg/ha, độ tin cậy của mô hình được đánh giá thông qua hệ số xác định R², RMSE (Root Mean Square Error), MAE (Mean Absolute Error) và sai lệch hệ thống Bias. Kết quả đánh giá mô hình cho thấy mô hình AGB được xây dựng từ biến NDREn, dải phân cực (VV_VH), đặc trưng địa hình có độ tin cậy (MH1), được sử dụng để xây dựng bản đồ AGB (từ 9,77 đến 250,88 Mg/ha) và AGC (từ 4,59 đến 116,76 Mg/ha) rừng LRTX, với hệ số xác định trên tập kiểm định (R² = 0,835) và 10-fold CV (R²= 0,713), sai số RMSE kiểm định thấp nhất 14,94 Mg/ha, MAE là 12,15 Mg/ha và Bias kiểm định là -1,61%. MH1 được khuyến nghị sử dụng để lập bản đồ phân bố AGB rừng LRTX tại xã Nậm Lầu và các khu vực có đặc điểm địa hình tương đồng.

Tài liệu tham khảo

1. Boegh, E., Soegaard, H., Broge, N., Hasager, C. B., Jensen, N. O., Schelde, K., Thomsen, A., 2002. Airborne multispectral data for quantifying leaf area index, nitrogen concentration, and photosynthetic efficiency in agriculture. Remote Sensing of Environment, 81(2–3), 179–193. DOI: 10.1016/S0034-4257(01)00342-X

2. Dang, A. T. N., Nandy, S., Srinet, R., Nguyen, V. L., Ghosh, S., Senthil Kumar, A., 2019. Forest aboveground biomass estimation using machine learning regression algorithm in Yok Don National Park, Vietnam. Ecological Informatics, 50, 24–32. DOI: 10.1016/j.ecoinf.2018.12.010

3. Dang, H. N., Ba, D. D., Trung, D. N., Viet, H. N. H., 2022. A novel method for estimating biomass and carbon sequestration in tropical rainforest areas based on remote sensing imagery: A case study in the Kon Ha Nung Plateau, Vietnam. Sustainability, 14(24), 16857. DOI:10.3390/su142416857

4. Delegido, J., Verrelst, J., Alonso, L., Moreno, J., 2011. Evaluation of Sentinel-2 red-edge bands for empirical Estimation of green LAI and chlorophyll content. Sensors, 11(7), 7063–7081. https://doi.org/10.3390/s110707063

5. Delwart, S. (2015, July 24). Sentinel-2 user handbook [User Handbook]. ESA.

6. Fan, X., He, G., Zhang, W., Long, T., Zhang, X., Wang, G., Sun, G., Zhou, H., Shang, Z., Tian, D., Li, X., Song, X., 2022. Sentinel-2 images based modeling of grassland above-ground biomass using random forest algorithm: A case study on the tibetan plateau. Remote Sensing, 14(21), 5321. DOI:10.3390/rs14215321

7. Fang, G., Yu, H., Fang, L., Zheng, X., 2023. Synergistic use of Sentinel-1 and Sentinel-2 based on different preprocessing for predicting forest aboveground biomass. Forests, 14(8), 1615. DOI:10.3390/f14081615

8. Feroz, S. M., Enamul Kabir, Md., Hagihara, A., 2015. Species composition, diversity and stratification in subtropical evergreen broadleaf forests along a latitudinal thermal gradient in the Ryukyu Archipelago, Japan. Global Ecology and Conservation, 4, 63–72. DOI:10.1016/j.gecco.2015.05.002

9. Gao, B., 1996. NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257–266. DOI:10.1016/S0034-4257(96)00067-3

10. Georgopoulos, N., Sotiropoulos, C., Stefanidou, A., Gitas, I. Z., 2022. Total stem biomass estimation using Sentinel-1 and -2 Data in a dense coniferous forest of complex structure and terrain. Forests, 13(12), 2157. DOI:10.3390/f13122157

11. Gitelson, A. A., 2004. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation. Journal of Plant Physiology, 161(2), 165–173. DOI:10.1078/0176-1617-01176

12. Gitelson, A., Merzlyak, M. N., 1994. Spectral reflectance changes associated with Autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral features and relation to chlorophyll estimation. Journal of Plant Physiology, 143(3), 286–292. DOI:10.1016/S0176-1617(11)81633-0

13. Global Forest Resources Assessment 2020., 2020. FAO. DOI:10.4060/ca9825en

14. Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., Ferreira, L. G., 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1–2), 195–213. DOI:10.1016/S0034-4257(02)00096-2

15. Huete, A. R., 1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309. DOI:10.1016/0034-4257(88)90106-X

16. Hunt Jr, E., Rock, B., 1989. Detection of changes in leaf water content using Near- and Middle-Infrared reflectances☆. Remote Sensing of Environment, 30(1), 43–54. DOI:10.1016/0034-4257(89)90046-1

17. Latterini, F., Camarretta, N., Watt, M. S., 2025. Remote sensing for planning harvesting operations and monitoring their effects on the forest ecosystem: State of the art and future perspectives. Forest Ecology and Management, 597, 123175. DOI:10.1016/j.foreco.2025.123175

18. Levy, P. E., Cannell, M. G. R., Friend, A. D., 2004. Modelling the impact of future changes in climate, CO2 concentration and land use on natural ecosystems and the terrestrial carbon sink. Global Environmental Change, 14(1), 21–30. DOI:10.1016/j.gloenvcha.2003.10.005

19. Lima, C. D. S., Soares, A. J. T., Nogueira, B. D. S., Vian, A. L., Carvalho, I. R., Bredemeier, C., 2026. Methodology for Selecting Stable UAV-Based Vegetation Indices for Prediction of Agronomic Variables in Maize Using a Multispectral Sensor. Plants, 15(12), 1782. DOI:10.3390/plants15121782

20. Ma, T., Zhang, C., Ji, L., Zuo, Z., Beckline, M., Hu, Y., Li, X., Xiao, X., 2024. Development of forest aboveground biomass estimation, its problems and future solutions: A review. Ecological Indicators, 159, 111653. DOI:10.1016/j.ecolind.2024.111653

21. Muhe, S., Argaw, M., 2022. Estimation of above-ground biomass in tropical afro-montane forest using Sentinel-2 derived indices. Environmental Systems Research, 11(1), 5. DOI:10.1186/s40068-022-00250-y

22. Ngo, D. T., Dinh, T. V. A., Ngo, D. T., Nguyen, H. D., Pham, T. V., Dang, N. T., 2026. Estimation of the tree aboveground biomass and carbon stock of the Bai Tu Long National Park forest ecosystem from Sentinel-2 images via regression models. Discover Sustainability, 7(1), 277. DOI:10.1007/s43621-026-02667-2

23. Nguyen, T. D., Kappas, M., 2020. Estimating the aboveground biomass of an evergreen broadleaf forest in Xuan Lien Nature Reserve, Thanh Hoa, Vietnam, Using SPOT-6 data and the random forest algorithm. International Journal of Forestry Research, 2020, 1–13. DOI:10.1155/2020/4216160

24. Nhung Đ. T., Hùng N. Đ., Hải P. N., Phương Đ. Đ. L., My N. T. D., Mạnh P. V., 2023. Ước tính sinh khối trên mặt đất bằng viễn thám tích hợp và thuật toán học máy: Nghiên cứu điểm tại Khu dự trữ sinh quyển miền Tây Nghệ An, Việt Nam. Tạp chí Khoa học và Công nghệ Lâm nghiệp, 12(4), 81–92. DOI:10.55250/jo.vnuf.12.4.2023.081-092

25. Quinlan, R. J., 1992. Learning with continuous classes. AI ’92, 343–348.

26. Tan, Z.-H., Zhang, Y.-P., Schaefer, D., Yu, G.-R., Liang, N., Song, Q.-H., 2011. An old-growth subtropical Asian evergreen forest as a large carbon sink. Atmospheric Environment, 45(8), 1548–1554. DOI:10.1016/j.atmosenv.2010.12.041

27. TCVN 14287:2024. 2024. Phương pháp xác định sinh khối và trữ lượng các-bon rừng (Tiêu chuẩn Việt Nam TCVN 14287:2024). Bộ Khoa học và Công nghệ.

28. Vinh N. Q., Hải N. T. T., Hải P. N., Anh P. T., Đức N. H., 2025. Ước tính sinh khối trên mặt đất trong rừng kín lá rộng thường xanh bằng viễn thám UAV‑RGB: Nghiên cứu điểm tại xã A Lưới 4, thành phố Huế. Tạp chí Khoa học và Công nghệ Lâm nghiệp, 15(3), 117–126. DOI: 10.55250/Jo.vnuf.15.3.2026.117-126

29. Xue, J., Su, B., 2017. Significant remote sensing vegetation indices: A review of developments and applications. Journal of Sensors, 2017, 1–17. DOI:10.1155/2017/1353691

30. Yan, X., Li, J., Smith, A.R., Yang, D., Ma, T., Su, Y., Shao, J., 2023. Evaluation of machine learning methods and multi-source remote sensing data combinations to construct forest above-ground biomass models, International Journal of Digital Earth, 16:2, 4471-4491, DOI: 10.1080/17538947.2023.2270459

31. Zoltán, L., Tanács, E., Standovár, T., 2023. Validation and limitations of large-scale forest condition indicators – An example from Hungary. Ecological Indicators, 154, 110539. DOI:10.1016/j.ecolind.2023.110539

Đã Xuất bản

23-10-2026

Cách trích dẫn

[1]

Đinh Phương Thảo và c.s. 2026. ỨNG DỤNG MÔ HÌNH CUBIST TRONG ƯỚC TÍNH SINH KHỐI TRÊN MẶT ĐẤT RỪNG LÁ RỘNG THƯỜNG XANH TỪ DỮ LIỆU KẾT HỢP SENTINEL-1, SENTINEL-2 VÀ THỰC ĐỊA TẠI XÃ NẬM LẦU TỈNH SƠN LA. TẠP CHÍ KHOA HỌC LÂM NGHIỆP. (tháng 10 2026). DOI:https://doi.org/10.70169/VJFS.1338.