ỨNG DỤNG ẢNH GOOGLE EARTH VÀ MÔ HÌNH YOLO TRONG PHÁT HIỆN, LẬP BẢN ĐỒ PHÂN BỐ VÀ ƯỚC TÍNH TRỮ LƯỢNG CARBON CÂY XANH ĐÔ THỊ
DOI:
https://doi.org/10.70169/VJFS.1336Tóm tắt
Quản lý hiệu quả không gian cây xanh có vai trò quan trọng trong duy trì các dịch vụ hệ sinh thái và nâng cao chất lượng môi trường tại các đô thị. Nghiên cứu được thực hiện nhằm đánh giá khả năng ứng dụng mô hình YOLO26 để phát hiện và lập bản đồ phân bố cây xanh từ ảnh Google Earth tại phường Tân Bình, Thành phố Hồ Chí Minh. Kết quả điều tra ghi nhận 41 loài thuộc 20 họ thực vật, với đường kính và chiều cao trung bình lần lượt đạt 26,44 cm và 7,52 m; sinh khối và trữ lượng carbon trung bình lần lượt đạt 0,37 và 0,17 tấn/cây. Trong đó, Viết (Mimusops elengi) chiếm ưu thế với 39,4%, tiếp theo là Bằng lăng nước (Lagerstroemia speciosa, 10,6%) và Bò cạp nước (Cassia fistula, 8,6%). Họ Hồng xiêm (Sapotaceae) có tỷ lệ số cây cao nhất (40,2%), tiếp đến là họ Đậu (Fabaceae: 21,6%) và họ Bằng lăng (Lythraceae: 10,6%). Mô hình YOLO26m sau 200 epoch cho kết quả trên tập kiểm tra với khoảng tin cậy 95% của Precision: 0,502 - 0,681; Recall: 0,576 - 0,765; mAP50 = 0,533 - 0,687; và mAP50 - 95 = 0,228 - 0,342. Kết quả cho thấy mô hình có tiềm năng phát hiện cây xanh đô thị, nhưng độ chính xác định vị còn hạn chế ở các ngưỡng IoU cao. Thông qua mô hình YOLO26m dự đoán mật độ trung bình đạt 13,5 cây/ha, sinh khối 4,98 tấn/ha và trữ lượng carbon 2,29 tấn/ha. Với diện tích phường khoảng 2,12 km² (~212 ha), ước tính có khoảng 2.856 cây, tương ứng 1.056,72 tấn sinh khối và 485,52 tấn carbon. Kết quả cho thấy tiềm năng của ảnh Google Earth kết hợp YOLO26m trong giám sát và đánh giá tài nguyên cây xanh đô thị.
Tài liệu tham khảo
1. Abbas I, Damaševičius R, 2025. Tree detection in RGB satellite imagery using YOLO-based deep learning models. Computers, Materials and Continua 85: 483-502. DOI: 10.32604/cmc.2025.066578.
2. Alfarhood M, Alabdullah N, 2026. Satellite-based tree detection for urban green space monitoring in arid environments. Frontiers in Environmental Science 14(2026):1-11. DOI: 10.3389/fenvs.2026.1888242.
3. Bao B, 2026. Crown-level, tree-only mapping of urban aboveground carbon stocks in dense city cores using deep learning. Urban Forestry & Urban Greening 121: 129477. DOI: 10.1016/j.ufug.2026.129477.
4. Barbierato E, Bernetti I, Capecchi I, Saragosa C, 2020. Integrating remote sensing and street view images to quantify urban forest ecosystem services. Remote Sensing 12: 329. DOI: 10.3390/rs12020329.
5. Brown S, 2002. Measuring carbon in forests: current status and future challenges. Environmental pollution (Barking, Essex : 1987). 116(3): 363-72. DOI: 10.1016/s0269-7491(01)00212-3.
6. Bộ Nông nghiệp và Môi trường, 2026. Bản đồ tra cứu các đơn vị hành chính Việt Nam. Nhà xuất bản Tài nguyên - Môi trường và Bản đồ Việt Nam. https://sapnhap.bando.com.vn/ (truy cập ngày 22/8/2026).
7. Eggleston HS, Buendia Leandro, Miwa Kyoko, Ngara Todd, Tanabe Kiyoto, 2006. IPCC guidelines for national greenhouse gas inventories. Institute for global environmental strategies: Hayama, Kanagawa, Japan.
8. Guo C, Hu Y, Qin J, Xu L, Chu M, Wang H, 2023. Image-based estimation of crown volume of individual street trees by plane calculation of angle disparity. Urban Forestry & Urban Greening 86: 128029. DOI: 10.1016/j.ufug.2023.128029.
9. Jocher G, Qiu J, Liu M, Lyu S, Akyon FC, Kalfaoglu ME, 2026. Ultralytics YOLO26: unified real-time end-to-end vision models. arXiv preprint arXiv. DOI: 10.48550/arXiv.2606.03748.
10. Lian X, Liu Z, Jiao L, Liu D, 2026. Mapping individual urban trees in arid cities: linking canopy coverage to land surface temperature variability using remote sensing. GIScience & Remote Sensing 63: 2640262. DOI: 10.1080/15481603.2026.2640262.
11. Nguyễn Minh Cảnh, Võ Trường Sơn, Mạc Văn Chăm, Nguyễn Thị Minh Hải, 2025. Đánh giá thực trạng và khả năng hấp thụ CO2 của cây xanh tại Công viên Gia Định, thành phố Hồ Chí Minh. Tạp chí Khoa học và Công nghệ Lâm nghiệp, 14: 13-24.
12. Redmon J, Divvala S, Girshick R, Farhadi A. 2016. You Only Look Once: Unified, Real-Time Object Detection. Pages 779-788. DOI: 10.55250/Jo.vnuf.14.5.2025.013-024
13. Sengun E, Aksoy S, Sertel E, Fransson JES, 2025. Comparative analysis of YOLOv8 and YOLOv11 on tree detection using UAV RGB and Laser scanning data. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci. X-2/W2-2025: 173-179. DOI: 10.5194/isprs-annals-X-2-W2-2025-173-2025.
14. Stubbings P, Peskett J, Rowe F, Arribas-Bel D, 2019. A hierarchical urban forest index using street-level imagery and deep learning. Remote Sensing 11: 1395. DOI: 10.3390/rs11121395.
15. Tang Y, Chen A, Zhao S, 2016. Carbon storage and sequestration of urban street trees in Beijing, China. Frontiers in Ecology and Evolution 4: .1-8. DOI: 10.3389/fevo.2016.00053.
16. Trần Hợp, 2002. Tài nguyên cây gỗ Việt Nam. Hà Nội: Nhà xuất bản Nông nghiệp.
17. Tran N-S, Doan CC, 2024. Above ground biomass and carbon sequestration of urban green spaces in Danang City, Vietnam. Asian Journal of Biology 20: 1-8. DOI: 10.9734/ajob/2024/v20i6409.
18. Trần Ngọc Huyền T, 2025. Tích hợp ảnh UAV, Deep Learning và WebGIS phục vụ công tác quản lý cây xanh đô thị -Trường hợp nghiên cứu tại TP.HCM. Xây dựng 7: 6.
19. Tuan NT, Tuan PV, Hung NT, Duc Duong T, 2026. Individual tree detection and crown segmentation for Pinus kesiya using UAV–LiDAR and deep learning models. Dendrobiology 95: 156-169. DOI: 10.12657/denbio.095.011.
20. Velasquez-Camacho L, Etxegarai M, de-Miguel S, 2023. Implementing deep learning algorithms for urban tree detection and geolocation with high-resolution aerial, satellite, and ground-level images. Computers, Environment and Urban Systems 105: 102025. DOI: 10.1016/j.compenvurbsys.2023.102025.
21. Velasquez-Camacho L, Cardil A, Mohan M, Etxegarai M, Anzaldi G, de-Miguel S, 2021. Remotely sensed tree characterization in urban areas: A Review. Remote Sensing 13: 4889. DOI: 10.3390/rs13234889.
22. Yang M, Mou Y, Liu S, Meng Y, Liu Z, Li P, Xiang W, Zhou X, Peng C, 2022. Detecting and mapping tree crowns based on convolutional neural network and Google Earth images. International Journal of Applied Earth Observation and Geoinformation 108: 102764. DOI: 10.1016/j.jag.2022.102764.
23. Yoo J, Qi Y, Ashe-McNalley I, MacDonald B, Wilson JP, 2026. An open and transferable deep learning framework for mapping urban tree canopy using NAIP imagery. Remote Sensing 18: 1899. DOI: 10.3390/rs18121899
24. Zanne AE, 2009. Global wood density database. Dryad.
25. Zheng Y, Wu G, 2022. YOLOv4-Lite-Based urban plantation tree fetection and positioning with high-resolution remote sensing imagery. Frontiers in Environmental Science 9: 1-12. DOI: 10.3389/fenvs.2021.756227.
