Ứng dụng công nghệ địa không gian và thuật toán học máy lập bản đồ nguy cơ cháy rừng nhiệt đới theo mùa khu vực Tây Nguyên, Việt Nam
DOI:
https://doi.org/10.55250/Jo.vnuf.14.4.2025.107-118Từ khóa:
Cháy rừng, công nghệ địa không gian, Fuzzy AHP, Tây Nguyên, thuật toán học máyTóm tắt
Cháy rừng nhiệt đới theo mùa (FFTs) đang trở thành mối đe dọa lớn đối với tài nguyên rừng, dẫn đến những hậu quả nặng nề về kinh tế và môi trường. Xây dựng bản đồ nguy cơ cháy rừng nhiệt đới đóng vai trò trong việc dự báo sớm khả năng cháy nhằm hạn chế ảnh hưởng đến sự suy giảm đa dạng sinh học và biến đổi khí hậu. Nghiên cứu đã tiến hành thành lập bản đồ phân bố không gian của FFTs và phân định các vùng dễ xảy ra cháy rừng ở khu vực Tây Nguyên, Việt Nam. Dựa trên bốn nhóm yếu tố ảnh hưởng đến FFTs, nghiên cứu lựa chọn 10 chỉ số từ dữ liệu địa hình, khí tượng-thủy văn, vật liệu cháy và dữ liệu kinh tế-xã hội. Thuật toán máy vectơ hỗ trợ (SVM) với hàm cơ sở xuyên tâm được sử dụng để phân loại các đối tượng lớp phủ và sử dụng đất (LULC). Phương pháp phân tích thứ bậc mờ (fuzzy AHP) được áp dụng nhằm thành lập bản đồ nguy cơ cháy rừng nhiệt đới tại Tây Nguyên. Kết quả phân loại dựa trên đối tượng cho thấy thuật toán SVM đạt được độ chính xác tổng thể tối ưu là 89% và hệ số Kappa là 0,88. Khu vực có nguy cơ rất cao và cao chiếm 40,57% tổng diện tích toàn vùng, trong đó 79% (N = 822) các điểm cháy được ghi nhận trong năm 2024 nằm trong các vùng này. Nhìn chung, phương pháp tổng hợp này có thể là một công cụ hiệu quả để lập kế hoạch, xây dựng chiến lược phòng chống và giảm thiểu nguy cơ cháy rừng tại các khu vực đã xác định.
Tài liệu tham khảo
[1]. United Nations Department of Economic and Social Affairs (2023). The Sustainable Development Goals Report: Special Edition. in The Sustainable Development Goals Report. United Nations. Doi: 10.18356/9789210024914.
[2]. Ganteaume A., Barbero R., M. Jappiot M. & Maillé E. (2021). Understanding future changes to fires in southern Europe and their impacts on the wildland-urban interface. Journal of Safety Science and Resilience. 2(1): 20-29. Doi: 10.1016/j.jnlssr.2021.01.001.
[3]. Uthappa A. R., Das B., Raizada A., Kumar P., Jha P. & Prasad P. V. V. (2025). Forest fire susceptibility mapping using multi-criteria decision making and machine learning models in the Western Ghats of India. Journal of Environmental Management. 379. Doi: 10.1016/j.jenvman.2025.124777.
[4]. Meriame Mohajane, Romulus Costache, Firoozeh Karimi, Quoc Bao Pham, Ali Essahlaoui, Hoang Nguyen, Giovanni Laneve & Fatiha Oudija (2021). Application of remote sensing and machine learning algorithms for forest fire mapping in a Mediterranean area. Ecological Indicators. 129. Doi: 10.1016/j.ecolind.2021.107869.
[5]. Oishi Bhattacharya, Suman Sinha, Varun Narayan Mishra, Maya Kumari, Fahdah Falah Ben Hasher, Jonmenjoy Barman & Mohamed Zhran (2025). Harnessing geospatial tools to map the forest fire: Risk zonation in Pauri Garhwal, Uttarakhand. Results in Engineering. 25. Doi: 10.1016/j.rineng.2024.103694.
[6]. PanNature (2024). Giữ màu xanh cho đại ngàn Tây Nguyên.
Available: https://nature.org.vn/vn/2023/04/giu-mau-xanh-cho-dai-ngan-tay-nguyen/.
[7]. Chi Cục kiểm lâm vùng VI (2024). Các tỉnh Tây Nguyên tiếp tục đối mặt với nguy cơ cháy rừng rất cao. Available: https://kiemlamvung4.org.vn/2024/03/21/cac-tinh-tay-nguyen-tiep-tuc-doi-mat-voi-nguy-co-chay-rung-rat-cao/
[8]. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Thị Thanh An, Phí Đăng Sơn & Phạm Văn Duẩn (2019). Sử dụng chỉ số thực vật khác biệt chuẩn hóa (NDVI) để xác định nhanh một số trạng thái rừng ở khu vực Tây Nguyên, Việt Nam. Tạp chí Khoa học và Công nghệ Lâm Nghiệp. 5: 081–089.
[9]. Trần Quang Bảo, Lã Nguyên Khang, Lê Sỹ Doanh, Nguyễn Văn Thị, Phạm Văn Duẩn, Nguyễn Thị Mai Dương, Bùi Thị Minh Nguyệt & Nguyễn Trọng Cương (2023). Thực trạng và nguyên nhân suy giảm diện tích rừng khộp ở Tây Nguyên. Tạp chí Khoa học và Công nghệ Lâm nghiệp. 4: 065–077.
Doi: 10.55250/jo.vnuf.2022.4.065-077
[10]. Thi Nhung D., Do Lam Phuong D., Thi Diem My N., Quang Thanh B., Ngoc Hai P. & Van Manh P. (2024). Assessing Carbon Stocks in A Tropical Forest Ecosystem of High Conservation Value: A Case Study in Bac Kan Province, Vietnam. VNU Journal of Science: Earth and Environmental Sciences. Doi: 10.25073/2588-1094/vnuees.5069.
[11]. Van-Manh Pham, Son Van Nghiem, Cu Van Pham, Mai Phuong Thi Luu & Quang-Thanh Bui (2021). Urbanization impact on landscape patterns in cultural heritage preservation sites: a case study of the complex of Huế Monuments, Vietnam. Landscape Ecology. 36 (4): 1235–1260. Doi: 10.1007/s10980-020-01189-0.
[12]. Fatih Sivrikaya, Alkan Günlü, Ömer Küçük & Okan Ürker (2024). Forest fire risk mapping with Landsat 8 OLI images: Evaluation of the potential use of vegetation indices. Ecological Informatics. Doi: 10.1016/j.ecoinf.2024.102461.
[13]. Zahra Parvar, Sepideh Saeidi & Seyedhamed Mirkarimi (2024). Integrating meteorological and geospatial data for forest fire risk assessment. Journal of Environmental Management. 358. Doi: 10.1016/j.jenvman.2024.120925.
[14]. Hatef Dastour & Quazi K. Hassan (2024). A multidimensional machine learning framework for LST reconstruction and climate variable analysis in forest fire occurrence. Ecological Informatics. Doi: 10.1016/j.ecoinf.2024.102849.
[15]. Nicole Lambrou, Crystal Kolden, Anastasia Loukaitou-Sideris, Erica Anjum & Charisma Acey (2023). Social drivers of vulnerability to wildfire disasters: A review of the literature. Landscape and Urban Planning. 237. Doi: 10.1016/j.landurbplan.2023.104797.
[16]. Diem-My Thi Nguyen, Thi-Nhung Do, Son Van Nghiem, Jiwnath Ghimire, Kinh-Bac Dang, Van-Trong Giang, Kim-Chi Vu & Van-Manh Pham (2024). Flood inundation assessment of UNESCO World Heritage Sites using remote sensing and spatial metrics in Hoi An City, Vietnam. Ecological Informatics. Doi: 10.1016/j.ecoinf.2023.102427.
[17]. Van-Manh Pham, Son Van Nghiem, Quang-Thanh Bui, Tam Minh Pham & Cu Van Pham (2019). Quantitative assessment of urbanization and impacts in the complex of Huế Monuments, Vietnam. Applied Geography. 112. Doi: 10.1016/j.apgeog.2019.102096.
