Tổng quan về ứng dụng dữ liệu Sentinel-1 và Sentinel-2  trong ước tính sinh khối và các-bon rừng tại Đông Dương

Touksamphanh Maokhamphiou; Nguyễn Hải Hòa; Bùi Thế Đồi; Trần Thanh Tùng

doi:10.55250/Jo.vnuf.15.7.2026.102-111

Các tác giả

Touksamphanh Maokhamphiou Bộ Nông Lâm Lào và Môi trường, Viêng Chăn, CHDCND Lào
Nguyễn Hải Hòa Trường Đại học Lâm nghiệp
Bùi Thế Đồi Trường Đại học Lâm nghiệp
Trần Thanh Tùng Quỹ Bảo vệ và Phát triển rừng tỉnh Lâm Đồng

DOI:

https://doi.org/10.55250/Jo.vnuf.15.7.2026.102-111

Từ khóa:

Các-bon rừng, Đông Dương, mô hình học máy, Sentinel-1, Sentinel-2 , sinh khối rừng

Tóm tắt

Nghiên cứu tổng quan việc ứng dụng dữ liệu Sentinel-1 (SAR) và Sentinel-2 trong ước tính trữ lượng các-bon rừng tại khu vực Đông Dương - cơ sở khoa học quan trọng phục vụ quản lý rừng bền vững và phát triển các cơ chế tài chính các-bon. Dựa trên phân tích chuyên sâu 35 công trình công bố giai đoạn 2016-2023, kết quả cho thấy việc tích hợp dữ liệu radar Sentinel-1 và quang học Sentinel-2 với dữ liệu điều tra thực địa thông qua thuật toán học máy giúp cải thiện đáng kể độ chính xác của mô hình ước tính trữ lượng các-bon rừng so với việc khai thác đơn lẻ từng loại dữ liệu. Tuy nhiên, các nghiên cứu tại Đông Dương hiện còn tản mạn, thiếu các phương trình sinh khối (allometric) đặc thù và chưa hình thành hệ thống cơ sở dữ liệu giám sát rừng đồng bộ. Trên cơ sở đó, nghiên cứu đề xuất 7 nhóm giải pháp kỹ thuật nhằm tối ưu hóa hiệu suất mô hình, bao gồm: (i) chuẩn hóa thiết kế hệ thống ô điều tra thực địa; (ii) xây dựng dữ liệu cơ sở về sinh khối rừng chất lượng; (iii) tăng cường khai thác, xử lý dữ liệu viễn thám trên nền tảng điện toán đám mây; (iv) lựa chọn biến và phát triển mô hình học máy; (v) sử dụng ngoại suy không gian để lập bản đồ sinh khối và trữ lượng các-bon, (vi) đánh giá độ không chắc chắn mô hình; và (vii) phân tích biến động rừng tích hợp vào hệ thống giám sát rừng quốc gia. Đồng thời, bài viết nhấn mạnh hai định hướng ưu tiên cốt lõi: phát triển hàm allometric địa phương và xây dựng hệ thống giám sát rừng liên tục trên nền tảng điện toán đám mây.

Tài liệu tham khảo

[1]. J. Chave, Réjou Méchain, M., Búrquez, A., Chidumayo, E., Colgan, M. S., Delitti, W. B., & Vieilledent, G (2014). Improved allometric models to estimate the aboveground biomass of tropical trees. Global Change Biology. 20(10): 3177–3190.

[2]. M. Drusch, Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., & Bargellini, P (2012). Sentinel 2: ESA’s optical high resolution mission for GMES operational services. Remote Sensing of Environment. 120: 25–36.

[3]. R. Torres, Snoeij, P., Geudtner, D., Bibby, D., Davidson, M., Attema, E., & Rostan, F. (2012). GMES Sentinel 1 mission. Remote Sensing of Environment. 120: 9–24.

[4]. S. Solberg, Astrup, R., & Breidenbach, J (2019). Combining Sentinel 1 and Sentinel 2 for improved forest biomass mapping. International Journal of Remote Sensing. 40(7): 2461–2478.

[5]. G. Mountrakis, Im, J., & Ogole, C (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing. 66(3): 247–259.

[6]. M. Immitzer, Vuolo, F., & Atzberger, C (2016). First experience with Sentinel 2 data for crop and tree species classifications in central Europe. Remote Sensing of Environment. 8(3): 166-169.

[7]. Bùi Thế Đồi & Nguyễn Hải Hòa (2023). Nghiên cứu ứng dụng tổ hợp dữ liệu Sentinel 1 và Sentinel 2 trong ước tính sinh khối rừng ngập mặn tại khu vực Đông Dương, Hội thảo khoa học: Carbon rừng, Trường Đại học Lâm nghiệp.

[8]. O. Mutanga, & Skidmore, A. K. (2020). Saturation in remote sensing: A review and implications for estimating biomass. International Journal of Remote Sensing. 41(4): 1269–1284.

[9]. A. Bourbia, Boussema, M. R., & Habaieb, H (2020). Forest above ground biomass estimation using Sentinel 1 data in a Mediterranean forest. Geocarto International. 35(12): 1323–1343.

[10]. J. Reiche, Hamunyela, E., Verbesselt, J., Hoekman, D., & Herold, M (2018). Improving near real time deforestation monitoring in tropical dry forests by combining dense Sentinel 1 time series with Landsat and ALOS 2 PALSAR 2. Remote Sensing of Environment. 204: 147–161.

[11]. S. Englhart, Keuck, V., & Siegert, F (2011). Aboveground biomass retrieval in tropical forests – The potential of combined X and L band SAR data use. Remote Sensing of Environment. 115(5): 1260–1271.

[12]. L. T. H. Pham, Brabyn, L., & Ashraf, S (2020). Combining Sentinel 1 and Sentinel 2 data for mangrove mapping and biomass estimation in the Red River Delta, Vietnam. GIScience & Remote Sensing. 57(7): 638–659.

[13]. M. Belgiu, & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing. 114: 24–31.

[14]. Y. Wang, Ziv, G., Adami, M., de Almeida, C. A., Antunes, J. F. G., Coutinho, A. C., & Galbraith, D (2021). Mapping Brazil’s forest restoration trajectories. Nature Ecology & Evolution. 5(4): 477–478.

[15]. P. Watanachaturaporn, Arora, M. K., & Varshney, P. K (2008). Multisource classification using support vector machines and decision trees. Photogrammetric Engineering & Remote Sensing. 74(2): 239–246.

[16]. J. Chave, Davies, S. J., Phillips, O. L., Lewis, S. L., Sist, P., Schepaschenko, D. & Zo Bi, I. C. (2019). Ground data are essential for biomass remote sensing missions. Surveys in Geophysics. 40(4): 863–880.