Giám sát rừng ngập mặn bằng dữ liệu vệ tinh

Quang cảnh rừng ngập mặn tại Vườn Quốc gia Mũi Cà Mau.

Việc giám sát định lượng sức khỏe rừng ngập mặn sẽ hỗ trợ các cơ quan quản lý trong việc phát hiện sớm các dấu hiệu suy thoái, từ đó đưa ra chiến lược bảo tồn phù hợp.

Tạo bước đột phá

TS Nguyễn An Bình - Viện Địa lý tài nguyên TPHCM (nay là Viện Khoa học sự sống) - Viện Hàn lâm Khoa học và Công nghệ Việt Nam đã tạo bước đột phá trong giám sát rừng ngập mặn (RNM) nhờ ứng dụng dữ liệu vệ tinh Sentinel-2 và nền tảng điện toán đám mây Google Earth Engine (GEE).

Kết quả nghiên cứu đã cung cấp quy trình hoàn chỉnh để ước tính các đặc điểm chức năng sinh thái của RNM, mở ra hướng tiếp cận mới, giúp phát hiện sớm các dấu hiệu suy thoái, hỗ trợ hiệu quả công tác quản lý và bảo tồn hệ sinh thái RNM tại Việt Nam.

TS Nguyễn An Bình cho biết, việc giám sát định lượng sức khỏe RNM sẽ hỗ trợ các cơ quan quản lý trong việc phát hiện sớm các dấu hiệu suy thoái, từ đó đưa ra chiến lược bảo tồn phù hợp.

Dựa trên lý thuyết về tương tác quang phổ giữa thực vật và ánh sáng, nhóm nghiên cứu đã phát triển phương pháp tiên tiến, kết hợp mô hình truyền bức xạ với thuật toán học máy để ước tính chính xác các đặc tính sinh lý - sinh thái của RNM.

Các kỹ thuật xử lý dữ liệu và phân tích chuỗi thời gian cũng được tối ưu hóa nhằm thích ứng với điều kiện khí hậu nhiệt đới gió mùa đặc trưng của Việt Nam. Cách tiếp cận này giúp nâng cao độ tin cậy của kết quả phân tích, tạo nền tảng cho việc giám sát dài hạn và xây dựng các chiến lược bảo tồn bền vững.

Là vành đai sinh thái ven biển quan trọng, RNM không chỉ bảo vệ bờ biển khỏi xói lở, nước biển dâng và bão mà còn điều hòa khí hậu, hấp thụ carbon và duy trì đa dạng sinh học. Tuy nhiên, những năm gần đây, RNM tại Việt Nam và trên thế giới đang suy giảm nhanh chóng do tác động của biến đổi khí hậu và hoạt động của con người.

Nước biển dâng, thời tiết cực đoan, cùng với việc chuyển đổi đất rừng thành ao nuôi trồng thủy sản, khai thác gỗ và ô nhiễm môi trường đã khiến diện tích RNM toàn cầu giảm từ 20 - 35% trong vài thập kỷ qua, kéo theo những hệ lụy nghiêm trọng về môi trường và sinh kế của người dân ven biển.

Thêm vào đó, hệ sinh thái nhạy cảm này thực sự nhận được ít sự quan tâm nghiên cứu do khó tiếp cận và phân bố hẹp dọc theo vùng ven biển.

Trước đây, việc theo dõi RNM chủ yếu dựa vào khảo sát thực địa, tuy có độ chính xác cao nhưng lại đòi hỏi chi phí cao, thời gian dài và khó thực hiện trên quy mô lớn. Sự phát triển của công nghệ viễn thám và các nền tảng điện toán đám mây đã mở ra hướng đi mới, cho phép theo dõi các đặc tính sinh lý và sinh thái của RNM với độ bao phủ rộng và tần suất cập nhật cao.

Cách tiếp cận tiên tiến

TS Nguyễn An Bình cho biết, nhóm nghiên cứu đã sử dụng dữ liệu vệ tinh Sentinel-2, mô hình mô phỏng quang phổ vật lý, thuật toán học máy để xây dựng quy trình ước tính, đồng thời tích hợp vào nền tảng điện toán đám mây Google Earth Engine (GEE) nhằm giám sát liên tục và quy mô rộng các đặc tính sinh lý - sinh thái của RNM.

Các nhà khoa học đã triển khai phương pháp kết hợp giữa mô hình truyền bức xạ lá - tán PROSAIL và thuật toán Gaussian Processes Regression (GPR). Đây là cách tiếp cận tiên tiến, cho phép ước lượng chính xác các đặc điểm chức năng thực vật ngập mặn như chỉ số diện tích lá, hàm lượng diệp lục, nước, sinh khối khô trong lá.

Quá trình huấn luyện và tối ưu hóa mô hình GPR dựa trên dữ liệu mô phỏng PROSAIL, kết hợp với kỹ thuật chọn mẫu học chủ động, giúp cải thiện độ chính xác và giảm thiểu dữ liệu huấn luyện không cần thiết. Khi so sánh với dữ liệu đo đạc thực địa, các mô hình đạt độ chính xác cao.

Nhóm đã lựa chọn khu vực nghiên cứu bao gồm các cảnh quan RNM đa dạng như hệ sinh thái tự nhiên (Vườn Quốc gia Mũi Cà Mau) và lâm phần RNM xen kẽ ao nuôi thủy sản (mô hình sinh kế sinh thái tôm - rừng) tại huyện Ngọc Hiển tỉnh Cà Mau, để nghiên cứu thử nghiệm quy trình ước tính trên ảnh viễn thám Sentinel-2 giai đoạn 5 năm gần đây.

Một trong những điểm nổi bật của công trình là việc diễn giải thuật toán học máy GPR và tích hợp nó vào nền tảng GEE, giúp xử lý tự động chuỗi dữ liệu vệ tinh Sentinel-2 từ năm 2019 đến 2023.

Đồng thời, nhóm đã áp dụng kỹ thuật làm đầy khoảng trống mây che phủ bằng kiến trúc tái cấu trúc dữ liệu Whittaker. Nhờ đó, nhóm đã tạo ra các sản phẩm bản đồ hoàn thiện và liên tục về các đặc tính chức năng của RNM và ước lượng mức độ bất định tại từng điểm ảnh.

Trong tương lai, nhóm nghiên cứu dự kiến tiếp tục phát triển các mô hình phân tích sâu hơn về động thái của RNM, đồng thời thử nghiệm tích hợp dữ liệu từ nhiều nguồn cảm biến khác nhằm nâng cao độ chính xác của dự báo.