NGHIÊN CỨU THIẾT LẬP BẢN ĐỒ PHÂN BỐ RỪNG NGẬP MẶN  TẠI VIỆT NAM SỬ DỤNG ẢNH LANDSAT 8 OLI VÀ SENTINEL 1  ĐA THỜI GIAN TRÊN NỀN TẢNG ĐIỆN TOÁN ĐÁM MÂY CỦA GOOGLE EARTH ENGINE

Phạm Văn Duẩn; Lê Sỹ Doanh; Vũ Thị Thìn; Hoàng Văn Khiên; Phạm Thị Quỳnh

Từ khóa:

Google earth engine, , rừng ngập mặn, tần số độ che phủ tán, tần số độ ngập triều, tần số độ xanh

Tóm tắt

Do sự tác động của con người và biến đổi khí hậu, bản đồ phân bố rừng ngập mặn chính xác và cập nhật thường xuyên rất cần thiết phục vụ công tác quản lý, bảo vệ và xây dựng các kế hoạch quản lý bền vững. Trong nghiên cứu này, một thuật toán phân loại được phát triển bằng cách sử dụng các đặc tính sinh thái độc đáo của rừng ngập mặn ở Việt Nam. Cụ thể, bản đồ phân bố rừng ngập mặn được xây dựng thông qua: (1) tần số độ xanh; (2) tần số độ che phủ tán; (3) tần số độ ngập triều xác định từ tư liệu ảnh Landsat 8 OLI đa thời gian kết hợp với một số dữ liệu phụ trợ khác. Chỉ số thực vật khác biệt chuẩn hoá (NDVI) trung bình được xác định là một biến quan trọng trong việc xác định các ngưỡng tần số độ xanh, tần số độ che phủ tán, tần số độ ngập triều phù hợp để xác định khu vực có phân bố rừng ngập mặn. Ngoài ra, sự tích hợp của kênh VH trên ảnh Sentinel - 1 và chỉ số nước khác biệt biến đổi (mNDWI) cho thấy
tiềm năng lớn trong việc xác định các khu vực liên tục ngập nước trong năm không có khả năng phân bố rừng ngập mặn. Bản đồ phân bố rừng ngập mặn tạo ra ở độ phân giải không gian 30 m có độ chính xác tổng thể lớn hơn 93% khi kiểm chứng thực tế. Nghiên cứu này đã chứng minh tiềm năng của việc sử dụng tư liệu ảnh Landsat 8 OLI và Sentinel - 1 đa thời gian trên nền tảng điện toán đám mây của GEE để xác lập bản đồ phân bố rừng ngập mặn tại các vùng ven biển ở Việt Nam.

Tài liệu tham khảo

1. Chen. B, Xiao. X, Li. X, Pan. L, Doughty. R, Ma. J, Dong. J, Qin. Y, Zhao. B, Wu. Z, Sun. R, Lan. G, Xie. G, Clinton. N, Giri. C, 2017. A mangrove forest map of China in 2015: Analysis of time siries Landsat 7/8 and Sentinel - 1A imagery in Google Earth Engine cloud computing platform. Journal of Photogrammetry and Remote Sensing, No 131, pp104 - 120.

2. Dong. J, Xiao. X, Menarguez. MA, Zhang. G, Qin. Y, Thau. D, Biradar. C, Moore. B, 2016. Mapping paddy rice planting area in Northeastern Asia with Landsat 8 images, phenology - based algorithm and Google Earth Engine. Remote Sensing. Environ, No 185, pp 142 - 154.

3. Gao. B, 1996. NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sens. Environ. 58 (1996), 257 - 266.

4. Giri. C, Long. J, Abbas. S, Murali. RM, Qamer. FM, Pengra. B, Thau. D, 2015. Distribution and dynamics of mangrove forests of South Asia. Environ Manage, No 148, pp 101 - 111.

5. Giri. C, Ochieng. E, Tieszen. LL, Zhu. Z, Singh. A, Loveland. T, Masek. J, Duke. N, 2011. Status and distribution of mangrove forests of the world using earth observation satellite data. Global Ecol. Biogeogr, No 20, pp 154 - 159.

6. Hamilton. SE, Casey. D, 2016. Creation of a high spatio - temporal resolution global database of continuous mangrove forest cover for the 21st century (CGMFC - 21). Global Ecol. Biogeogr, No 25, pp 729 - 738.

7. Hansen. MC, Potapov. PV, Moore. R, Hancher. M, Turubanova. SA, Tyukavina. A, Thau. D, Stehman. SV, Goetz. SJ, Loveland. TR, Kommareddy. A, Egorov. A, Chini. L, Justice. CO, Townshend. JRG, 2013. High -resolution global maps of 21st - century forest cover change. Science, No 342, pp 850 - 853.

8. Huete. A, Didan. K, Miura. T, Rodriguez. EP, Gao. X, Ferreira. LG, 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens. Environ. No 83, pp 195 - 213.

9. Kirui. KB, Kairo. JG, Bosire. J, Viergever. KM, Rudra. S, Huxham. M, Briers. RA, 2013. Mapping of mangrove forest land cover change along the Kenya coastline using Landsat imagery. Ocean Coast Manage, No 83, pp 19 - 24.

10. Long. JB, Giri. C, 2011. Mapping the Philippines’ mangrove forests using landsat imagery. Sensors No 11, pp 2972 - 2981.

11. Nayak. S, Bahuguna. A, 2001. Application of remote sensing data to monitor mangroves and other coastal vegetation of India. Indian Journal of Marine Sciences. No 30, pp 195 - 213.

12. Qin. Y, Xiao. X, Dong. J, Zhou. Y, Zhu. Z, Zhang. G, Du. G, Jin. C, Kou. W, Wang. J, Li. X, 2015. Mapping paddy rice planting area in cold temperate climate region through analysis of time series Landsat 8 (OLI), Landsat 7 (ETM+) and MODIS imagery. ISPRS J. Photogramm, No 105, pp 220 - 233.

13. Rahman. AF, Dragoni. D, Didan. K, Barreto - Munoz. A, Hutabarat. JA, 2013. Detecting large scale conversion of mangroves to aquaculture with change point and mixed - pixel analyses of high - fidelity MODIS data. Remote Sens. Environ, No 130, pp 96 - 107.

14. Spalding. M, Kainuma, M, Collins. L, 2010. World atlas of mangroves. In: World Atlas of Mangroves. Routledge.

15. Tucker. CJ, 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens. Environ, No 8, pp 127 - 150.

16. Wu. P, Zhang. J, Ma. Y, Li. X, 2013. Remote sensing monitoring and analysis of the changes of mangrove resource in China in the past 20 years. Adv. Mar. Sci., 406 - 414.

17. Xiao. X, Biradar. CM, Czarnecki. C, Alabi. T, Keller. M, 2009. A simple algorithm for large - scale mapping of evergreen forests in tropical America, Africa and Asia. Remote Sens. 1, 355 - 374.

18. Xiao. X, Boles. S, Liu. J, Zhuang. D, Frolking. S, Li. C, Salas. W, BM, 2005. Mapping paddy rice agriculture in Southern China using multi - temporal MODIS images. Remote Sens Environ. 95, 480 - 492.

19. Xu. H, 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Remote Sens. 27, 3025 - 3033.

20. Zhou. Y, Xiao. X, Qin. Y, Dong. J, Zhang. G, Kou. W, Jin. C, Wang. J, Li. X, 2016. Mapping paddy rice planting area in rice - wetland coexistent areas through analysis of Landsat 8 OLI and MODIS images. Int. J. Appl. Earth Obs. 46, 1 - 12