Sử dụng dữ liệu ảnh Landsat và thuật toán học máy xác định biến động lớp phủ/sử dụng đất tại huyện Đắk Glong và Krông Nô - tỉnh Đắk Nông, giai đoạn 2010 - 2023
GIS và viễn thám
DOI:
https://doi.org/10.55250/Jo.vnuf.15.1.2026.070-079Từ khóa:
Biến động thảm phủ/sử dụng đất (LULCC), chỉ số chuẩn hóa thực vật (NDVI), Google Earth Engine (GEE), Landsat, Random Forest, Tây NguyênTóm tắt
Bài báo này phân tích biến động thảm phủ/sử dụng đất giai đoạn 2010–2023 tại huyện Đắk Glong và Krông Nô - tỉnh Đắk Nông bằng ảnh vệ tinh Landsat kết hợp các chỉ số phổ và thuật toán Rừng ngẫu nhiên. Chuỗi dữ liệu Landsat 5, 8 (Surface Reflectance Tier 1) được khai thác trên nền tảng Google Earth Engine, kết hợp với các chỉ số NDVI, NDWI, BSI và dữ liệu DEM nhằm nâng cao độ chính xác phân loại. Kết quả cho thấy mô hình Random Forest đạt độ chính xác tổng thể (OA) trên 82% và hệ số Kappa > 0,78. Trong giai đoạn 2010 – 2023, diện tích rừng thường xanh giảm gần 42.500 ha (≈ 37,5%), rừng bán thường xanh giảm 994 ha (≈ 25,5%), trong khi diện tích rừng trồng (RTG) tăng hơn 19.000 ha (gấp > 5 lần). Đất nông nghiệp, cao su, dân cư và đất khác có xu hướng mở rộng. Các kết quả này khẳng định hiệu quả của Landsat trong giám sát biến động thảm phủ dài hạn, đồng thời cung cấp cơ sở khoa học phục vụ quản lý tài nguyên rừng bền vững ở Tây Nguyên.
Tài liệu tham khảo
[1]. Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., Thau, D., Stehman, S. V., Goetz, S. J., Loveland, T. R., Kommareddy, A., Egorov, A., Chini, L., Justice, C. O. & Townshend, J. R. G. (2013). High-Resolution Global Maps of 21st-Century Forest Cover Change. Science. 342(6160): 850–853.
DOI: 10.1126/science.1244693.
[2]. Curtis, P. G., Slay, C. M., Harris, N. L., Tyukavina, A. & Hansen, M. C. (2018). Classifying drivers of global forest loss. Science. 361(6407): 1108–1111.
DOI: 10.1126/science.aau3445
[3]. Sở Khoa học và Công nghệ Đắk Lắk (2025). Ứng dụng dữ liệu Viễn thám và GIS để phân vùng khô hạn, đánh giá một số loại sử dụng đất làm cơ sở định hướng phát triển nông lâm nghiệp thích ứng với biến đổi khí hậu tại tỉnh Đắk Lắk. Truy cập từ:
https://www.ttn.edu.vn/index.php/pkhqhqtvb/5596-khqhqt1106032403
[4]. Nguyễn Thị Thanh Hương (2022). Phương pháp ứng dụng viễn thám và GIS trong lâm nghiệp. NXB Đại học Huế.
[5]. Zhu, H., Zhang, B., Song, W., Xie, Q., Chang, X. & Zhao, R. (2024). Forest Canopy Height Estimation by Integrating Structural Equation Modeling and Multiple Weighted Regression. Forests. 15(2): 369.
DOI: 10.3390/f15020369.
[6]. Belgiu, M. & Drăguț, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing. 114: 24–31.
DOI: 10.1016/j.isprsjprs.2016.01.011
[7]. Breiman, L. (2001). Random forests. Machine Learning. 45(1): 5-32. DOI: 10.1023/A:1010933404324.
[8]. Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M. & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing. 67: 93–104.
[9]. Dwyer, J. L., Roy, D. P., Sauer, B., Jenkerson, C. B., Zhang, H. K. & Lymburner, L. (2018). Analysis Ready Data: Enabling Analysis of the Landsat Archive. Remote Sensing. 10(9): 130. DOI: 10.3390/rs10091363
[10]. Rouse, J. W., Haas, R. H., Schell, J. A. & Deering, D. W. (1974). Monitoring Vegetation Systems in the Great Plains with Erts. NASA Special Publication. 351: 309–317.
[11]. McFeeters, S. K. (2007). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing. 17(7): 1425–1432.
DOI: 10.1080/01431169608948714
[12]. Rikimaru, A., Roy, P. & Miyatake, S. (2002). Tropical forest cover density mapping. Tropical Ecology. 43(1): 39–47.
[13]. USAID – Chương trình PEER (2021). Nghiên cứu phương pháp sử dụng đa dữ liệu trong bảo tồn đa dạng sinh học tại tỉnh Đắk Nông, Tây Nguyên, Việt Nam (2017–2021).
[14]. Sở Nông nghiệp và Phát triển Nông thôn Đắk Nông (2021). Ứng dụng Viễn thám và GIS để phân tích tình hình sử dụng đất nông lâm nghiệp trên địa bàn tỉnh Đắk Nông.
[15]. Nguyen, H. T. T., Doan, T. M. & Radeloff, V. (2018). Applying Random Forest Classification to Map Land Use/Land Cover Using Landsat 8 Oli. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XLII-3/W4: 363–367. DOI: 10.5194/isprs-archives-XLII-3-W4-363-2018, 2018.
[16]. Liu, J., Hu, Y., Feng, Z. & Xiao, C. (2025). A Review of Land Use and Land Cover in Mainland Southeast Asia over Three Decades (1990–2023). Land. 14(4): 828.
DOI: 10.3390/land14040828.
[17]. Hesketh, M. & Sánchez-Azofeifa, G. A. (2012). The effect of seasonal spectral variation on species classification in the Panamanian tropical forest. Remote Sensing of Environment. 117: 290–304.
DOI: 10.1016/j.rse.2011.11.005
[18]. Myers, D. T., Jones, D., Oviedo-Vargas, D., Schmit, J. P., Ficklin, D. L. & Zhang, X. (2024). Seasonal variation in land cover estimates reveals sensitivities and opportunities for environmental models. Hydrology and Earth System Sciences. 28(23): 5295–5310.
DOI: 10.5194/hess-28-5295-2024
[19]. Nguyen, A., Kovyazin, V. & Pham, C. (2025). Application of Remote Sensing and GIS in Monitoring Forest Cover Changes in Vietnam Based on Natural Zoning. Land. 14(5): 1037. DOI: 10.3390/land14051037.
