- ÁP DỤNG PHƯƠNG PHÁP K - NEAREST NEIGHBORS ĐỂ ƯỚC LƯỢNG GIÁ TRỊ LÂM PHẦN LÁ RỘNG THƯỜNG XANH DỰA VÀO ẢNH VỆ TINH ĐA PHỔ SPOT 5. - Nghiên cứu này đã sử dụng phương pháp kNN (k-Nearest Neighbors) để ước lượng trữ lượng lâm phần rừng tự nhiên lá rộng thường xanh đã bị tác động ở các mức độ khác nhau. - Nghiên cứu đã thử nghiệm với các giải pháp khác nhau, bao gồm lâm phần được ước lượng chung và ước lượng theo các khối trạng thái rừng. - dữ liệu ảnh được ước lượng là ảnh chỉ số khác biệt thực vật NDVI (Normalized difference vegetation index) được tính từ ảnh SPOT 5 và ảnh đa phổ SPOT 5. - Kết quả việc ước lượng bằng phương pháp kNN với dữ liệu từng khối trạng thái và ước lượng chung cho toàn lâm phần cho thấy nếu lâm phần được chia thành các khối tương đối đồng nhất thì việc ước lượng sẽ đạt kết quả tốt hơn so với việc ước lượng chung cho toàn bộ lâm phần, đặc biệt là đối với các khối trạng thái ít bị tác động. - Tính chung cho toàn lâm phần sai số ước lượng bằng dữ liệu SPOT 5 đạt kết quả tốt hơn so với sử dụng dữ liệu NDVI. - 15,6% nếu sử dụng ảnh SPOT5 để ước lượng thì sai số này của ảnh NDVI là 37,7 và 20,9%. - Tuy nhiên, với lâm phần đã bị tác động mạnh (lớp1), kết quả ước lượng trữ lượng sử dụng dữ liệu NDVI cho thấy hiệu quả hơn so với ảnh đa phổ. - Sai số ước lượng bằng ảnh đa phổ là 37 m 3 ha-1tương ứng với RMSE% là 37,3%, trong khi sai số này khi ước lượng bằng ảnh NDVI là 25 m 3 ha-1 với RMSE% là 28%.. - Áp dụng phương pháp k - Nearest Neighbors để ước lượng giá trị lâm phần lá rộng thường xanh dựa vào ảnh vệ tinh đa phổ SPOT 5. - Các hạn chế về thời gian cũng như tài chính không cho phép điều tra toàn bộ tổng thể lâm phần, chính vì vậy cần thiết kế lấy mẫu để ước lượng cho toàn bộ lâm phần. - Trong những năm gần đây việc kết hợp điều tra thực địa với ảnh vệ tinh là mối quan tâm cao trong điều tra rừng vì đã tạo ra các khả năng sử dụng dữ liệu hiện trường chính xác cùng với ảnh vệ tinh phủ trong vùng khá rộng. - Nhiều nghiên cứu vẫn đang thực hiện để tìm các ứng dụng ảnh vệ tinh quang học trong ước lượng các nhân tố điều tra rừng ở cấp độ lâm phần với độ chính xác thích hợp cho xây dựng bản đồ rừng cũng như trong điều chế rừng với ảnh vệ tinh có độ phân giải cao hoặc ảnh hàng không (Holmgren and Thuresson, 1998). - Tuy nhiên, cải thiện độ chính xác ước lượng có thể đạt được bằng việc phối hợp thông tin từ các nguồn khác nhau như Cohen and Spies (1992) hay bằng việc bổ sung thêm dữ liệu bổ trợ như thông tin về chiều cao cây như nghiên cứu của Nilsson (1997) hoặc dữ liệu có sẵn của lâm phần như Tomppo et al. - Việc phối hợp nguồn đa dữ liệu trong ước lượng tài nguyên đã chứng minh được tính hiệu quả của nó. - Một số giải pháp toán học đã được sử dụng để ước lượng giá trị của lâm phần trong đó có phương pháp k-Nearest Neighbors (kNN). - Phương pháp này đã được sử dụng lần đầu tiên trong điều tra rừng toàn quốc của Phần Lan (Tomppo, 1990). - Phương pháp này đã tạo nên một công cụ ước lượng nhân tố lâm phần rừng một cách hiệu quả trong điều tra rừng bằng đa dữ liệu (Holmström &Fransson, 2003). - Việc ước lượng nhân tố điều tra rừng có thể thực hiện chung cho toàn bộ ( Nguyen Thi Thanh Huong , 2011) hoặc có thể ước lượng trên các khối rừng tương đối đồng nhất. - Trong tiếp cận này, ảnh vệ tinh được phân loại theo các lớp đồng nhất và các lớp này sau đó được sử dụng để ước. - (2002) việc bố trí ô mẫu trên từng khối trạng thái sẽ làm giảm đáng kể sai số ước lượng, thậm chí nếu ô mẫu độc lập với các lớp đã phân loại thì việc ước lượng theo từng lớp cũng làm tăng độ chính xác ước lượng.. - Mục tiêu của nghiên cứu này là đánh giá độ chính xác ước lượng trữ lượng lâm phần sử dụng phương pháp phi tham số kNN trên các lâm phần được phân khối và không phân khối dựa vào ảnh vệ tinh SPOT 5.. - 2.1 Dữ liệu và phần mềm. - được điều tra trên thực địa được sử dụng trong nghiên cứu này.. - Dữ liệu số liên quan được thu thập trong nghiên cứu này bao gồm bản đồ địa hình, sông suối, đường giao thông, bản đồ sử dụng đất, bản đồ hiện trạng rừng. - Các dữ liệu này được sử dụng để tham khảo trong quá trình phân tích.. - Nghiên cứu đã sử dụng 84 ô mẫu để thực hiện các ước lượng và sử dụng 27 ô mẫu còn lại để đánh giá kết quả ước lượng. - Mô hình tương quan thể tích với đường kính và chiều cao sử dụng từ kết quả nghiên cứu của Nguyen Thi Thanh Huong (2011). - 2.2 Phương pháp. - 2.2.1 Phân chia rừng thành các khối đồng nhất Nghiên cứu đã sử dụng kết hợp 2 phương pháp phân loại có kiểm định và không kiểm định để phân chia rừng thành các khối đồng nhất đồng thời loại bỏ những diện tích không phải rừng xen lẫn trong khu vực nghiên cứu. - Ngoài ra, nghiên cứu còn sử dụng các dữ liệu có sẵn như bản đồ sử dụng đất, bản đồ hiện trạng rừng để phục vụ cho việc phân khối rừng (stratification).. - Do vậy, nghiên cứu đã sử dụng nhân tố này để làm các vùng mẫu (training sites) để phân loại.. - Kết quả phân loại cần được kiểm tra trước khi thành lập bản đồ thành quả cuối cùng. - Sử dụng các mẫu độc lập (không trùng với mẫu dùng làm các vùng mẫu) để đánh giá kết quả phân loại. - Kết quả đánh giá dựa trên các chỉ tiêu độ chính xác chung (Overall accuracy), độ chính xác người sản xuất (Producer accurary) và độ chính xác người sử dụng (User accuracy).. - Độ chính xác người sử dụng (User accurary) là khả năng mà một loại thảm phủ nào đó trên bản đồ trùng khớp với loại thảm phủ tương ứng trên thực địa. - Độ chính xác người sử dụng (Use accurary):. - n là tổng số pixel trong bộ dữ liệu.. - Ngoài ra, việc đánh giá mức độ quan hệ giữa thực tế và kết quả phân loại còn dựa vào chỉ số Kappa với các mức độ phân biệt được căn cứ vào Bảng 1:. - Ngoài ra, một số phần mềm cũng được sử dụng để hỗ trợ trong quá trình thành lập bản đồ và xử ý ảnh vệ tinh như ArcGIS và ENVI.. - 2.2.2 Phương pháp ước lượng trữ lượng bằng thuật toán kNN. - Trong phương pháp này nhân tố điều tra rừng Yi (trữ lượng) trong từng pixel cần được ước lượng được tính theo trọng số trung bình của ô mẫu k gần nhất. - Khoảng cách không gian đối tượng (feature space) d được tính theo khoảng cách hình học Euclidean của không gian phổ (spectral space) của ảnh SPOT 5 từ ô mẫu đến các pixel cần ước lượng.. - Khoảng cách không gian phổ d pi , p được tính trong không gian đối tượng từ pixel p cần ước lượng đến pixel pi được tham chiếu trên thực địa (dựa vào ô mẫu đã điều tra) được tính theo công thức sau:. - Nghiên cứu này đã sử dụng phần mềm kNN của Stümer (2004) (k Nearest Neighbors) để ước lượng trữ lượng. - Ước lượng được thử nghiệm cho. - toàn bộ lâm phần và theo từng khối trạng thái đồng nhất. - Dữ liệu ảnh được sử dụng bao gồm ảnh SPOT 5 và ảnh NDVI. - Quá trình ước lượng được thực hiện trên từng khối trạng thái riêng rẽ và ước lượng chung cho toàn bộ lâm phần. - Để so sánh độ chính xác của các thử nghiệm, dữ liệu độc lập (dữ liệu không tham gia ước lượng) được dùng để đánh giá bằng tiêu chuẩn sai số trung phương (RMSE):. - 3 KẾT QUẢ VÀ THẢO LUẬN. - 3.1 Phân chia rừng thành các khối đồng nhất Dựa trên thông tin từ ô mẫu điều tra thực địa, ô mẫu đã rơi vào các lớp phân loại phi giám định cùng với quan sát thực tế, các vùng mẫu được tạo để phân loại có giám sát và đánh giá kết quả phân loại. - Ngoài các vùng mẫu được sử dụng để phân loại, các vùng mẫu độc lập tức là vùng mẫu không tham gia phân loại được sử dụng để đánh giá kết quả phân loại. - Bản đồ phân loại được thể hiện ở Hình 3 và kết quả đánh giá được trình bày trong Bảng 2.. - Hình 4: Bản đồ phân khối trạng thái rừng Bảng 2: Bảng ma trận đánh giá kết quả phân loại rừng thành 4 lớp (lớp). - Từ kết quả trên có thể dễ dàng nhận thấy đối với rừng bị tác động như khu vực nghiên cứu, trạng thái rừng được phân loại thành 4 lớp có độ chính xác toàn bộ khoảng 86% với hệ số Kappa 0,79 thể hiện mức độ chặt chẽ khá cao giữa kết quả phân loại và thực tế.. - Từ dữ liệu thực địa và kết quả phân loại, sự khác biệt trữ lượng như giá trị trung bình, giá trị cực đại, cực tiểu cùng với đặc trưng và biến động của trữ lượng trong từng khối trạng thái được mô tả như trong Bảng 3.. - 3.2 Kết quả ước lượng trữ lượng bằng phương pháp kNN. - Ước lượng. - này chia làm 2 tiếp cận: i) ước lượng cho toàn lâm phần và ii) ước lượng theo từng khối trạng thái như đã phân tích. - Dữ liệu ảnh dùng ước lượng là ảnh SPOT và ảnh NDVI. - Dựa vào kết quả phân loại ở trên, ảnh SPOT 5 và NDVI được tách ra (subset) theo 4 trạng thái. - Dựa trên các ảnh đã được subset tiến hành ước lượng trữ lượng cho từng khối và ước lượng chung cho toàn bộ khu vực. - Các ảnh được ước lượng theo từng khối riêng rẽ sau đó được kết hợp lại để tạo bản đồ trữ lượng chung cho toàn bộ khu vực như minh họa trong Hình 5.. - Hình 5: Bản đồ ước lượng trữ lượng rừng: a) rừng nghèo b) toàn bộ khu vực. - 3.3 Đánh giá độ chính xác của kết quả ước lượng. - Kết quả ước lượng được so sánh với bộ dữ liệu độc lập bằng tiêu chuẩn sai số trung phương. - Kết quả được tổng hợp trong Bảng 4.. - Nhìn vào bảng kết quả cho thấy việc ước lượng rất khả quan khi sai số ước lượng thấp, đặc biệt khi lâm phần được phân chia thành các khối tương đối đồng nhất. - Đối với ảnh SPOT, khi ước lượng chung cho toàn lâm phần, sai số trung phương là 46,86 m 3 ha -1 tương ứng với sai số trung phương tương đối 25,21%. - Tuy nhiên, kết quả được cải thiện rõ rệt khi ước lượng riêng cho từng khối trạng thái. - Khi phân theo từng khối trạng thái kết quả ước lượng thấp nhất rơi vào lớp 1 tương ứng với rừng nghèo kiệt. - Kết quả ước lượng với độ chính xác thấp nhất với RMSE gần 33 m 3 ha -1 với sai số trung phương tương đối RMSE% đạt 37,27%.. - Chênh lệch giữa thực tế và ước lượng ở các trạng thái khác đều rất khả quan với RMSE% <15%.. - Tính chung các lớp sai số ước lượng đạt gần 28 m 3 ha -1 với RMSE% là 15,64%. - Kết quả này cho thấy phương pháp phi tham số kNN khá hiệu quả để ứng dụng trong việc ước lượng trữ lượng lâm phần đặc biệt khi phân chia rừng thành các khối trạng thái tương đối đồng nhất. - Ngoài ra, kết quả cũng chỉ ra với đối tượng rừng tương đối ổn định việc ước lượng trữ lượng mang lại kết quả chính xác hơn so với các đối tượng rừng đã bị tác động mạnh, thể hiện ở các lớp 2, 3, và 4 là các lớp rừng bị tác động ở mức vừa và mức thấp sai số ước lượng rất thấp đạt <15% trong khi đó rừng bị tác động mạnh như ở lớp 1 sai số ước lượng trên 25%.. - Bảng 4: Đánh giá kết quả ước lượng bằng phương pháp kNN với dữ liệu SPOT và NDVI. - Ước lượng không phân lớp . - Kết quả cũng tương tự khi ước lượng cho dữ liệu NDVI. - Khi chia lâm phần thành các khối trạng thái, kết quả ước lượng đều được cải thiện đáng kể.. - trong khi sai số này ở kết quả không phân khối là gần 29%. - Trong từng trạng thái độ chính xác của kết quả ước lượng thấp nhất vẫn là lớp 1, tuy vậy vẫn có sự sai khác nhỏ giữa các lớp còn lại so với ước lượng ảnh SPOT. - Hầu hết sai số của ước lượng đối với ảnh SPOT đều cho sai số thấp hơn so với ảnh NDVI. - Điều này cho thấy kết quả ước lượng khả quan hơn khi sử dụng nhiều band phổ để tính toán. - Riêng lớp 1 cho kết quả sai số cao hơn khi ước lượng bằng ảnh SPOT 5. - Điều này là do khi lâm phần bị tác động mạnh sự khác biệt thực vật trở nên quan trọng, vì vậy sử dụng ảnh NDVI để ước lượng đã cho kết quả tốt hơn so với sử dụng ảnh gốc SPOT.. - Tóm lại, khi chia lâm phần thành các khối đồng nhất và các ước lượng được thực hiện riêng rẽ trên từng khối trạng thái cho kết quả chính xác cao hơn so với việc ước lượng chung cho toàn bộ lâm phần.. - pháp kNN ước lượng chung cho toàn bộ lâm phần đã cho kết quả thấp hơn so với việc ước lượng riêng cho từng khối trạng thái. - Những lâm phần bị tác động ở mức vừa và thấp, việc ước lượng cũng thể hiện tốt hơn so với lâm phần bị tác động mạnh.. - Điều này là do lâm phần bị tác động mạnh dẫn đến cấu trúc rừng bị phá vỡ, rừng bị vỡ tán, do vậy việc ước lượng trở nên kém hiệu quả hơn so với các lâm phần ổn định.. - Mặc dù đã có một số nghiên cứu ứng dụng dữ liệu viễn thám vào việc quản lý nguồn tài nguyên rừng, tuy vậy hầu hết các nghiên cứu thường tập trung vào việc xác định số lượng như xây dựng các bản đồ hiện trạng, thảm phủ hơn là ước lượng chất lượng rừng như xây dựng bản đồ trữ lượng rừng.. - Phương pháp phi tham số kNN gần như chưa được ứng dụng để ước lượng các đặc điểm tài nguyên rừng ở Việt Nam, tuy nhiên kết quả nghiên cứu này cho thấy được tiềm năng của nó trong ước lượng trữ lượng rừng để giảm chi phí, thời gian cũng như nhân vật lực. - Chất lượng ước lượng đạt khá cao với độ chính xác gần bằng hoặc >80%. - Độ chính xác ước lượng khi dùng ảnh chỉ số thực vật NDVI gần 80% trong khi sử dụng ảnh SPOT độ chính xác đạt gần 85%. - Khi lâm phần được phân chia thành các khối tương đối đồng nhất, kết quả đã có sự cải thiện rõ rệt so với việc ước lượng chung cho lâm phần, cụ thể nếu ước lượng chung cho lâm phần sai số ước lượng >25% và 28%. - Nếu xét riêng cho từng khối trạng thái, ngoài trừ lâm phần đã bị tác động mạnh, sai số ước lượng khoảng 25% (đối với ảnh SPOT) và 28% (đối với ảnh NDVI), các lớp còn lại hầu hết đều đạt độ chính xác >80%, thậm chí có lớp đạt độ chính xác gần 90%. - Kết quả này rất khả quan để quan tâm ứng dụng trong điều tra chất lượng rừng.. - Mặc dù độ chính xác của kết quả cho thấy đã cải thiện hơn khá nhiều so với các nghiên cứu trước tuy nhiên cũng cần có thêm dữ liệu ở các khu vực khác có cùng điều kiện để kiểm định tính khả thi của nó khi áp dụng, đồng thời cần có những thử nghiệm đối với các kiểu rừng khác như rừng khộp hoặc rừng hỗn giao là các kiểu rừng khá phổ biến ở Tây Nguyên để có thể phát triển và hệ thống hóa được phương pháp;. - Nghiên cứu này là một phần trong kết quả đề tài Nghiên cứu cấp Bộ - Bộ Giáo dục và Đào tạo. - “Xây dựng phương pháp sử dụng đa dữ liệu trong điều tra và giám sát rừng tự nhiên tại Tây Nguyên”, được thực hiện từ năm 2013-2015