Xây dựng chỉ số thực vật kết hợp giữa ảnh vệ tinh quang học và radar (CORVI) phục vụ phân loại lớp phủ ven biển tại miền Bắc Việt Nam

Nguyễn Văn Thị; Nguyễn Hải Hòa; Lê Sỹ Doanh

doi:10.55250/Jo.vnuf.15.7.2026.092-101

Các tác giả

Nguyễn Văn Thị Công ty Cổ phần Thương mại Công nghệ Xuân Mai Green
Nguyễn Hải Hòa Trường Đại học Lâm nghiệp
Lê Sỹ Doanh Trường Đại học Lâm nghiệp

DOI:

https://doi.org/10.55250/Jo.vnuf.15.7.2026.092-101

Từ khóa:

CORVI, Random Forest, rừng ngập mặn, Sentinel-1, Sentinel-2, tích hợp quang học và Radar

Tóm tắt

Nghiên cứu xây dựng chỉ số thực vật kết hợp giữa ảnh quang học Sentinel-2 và Radar Sentinel-1, gọi là CORVI (Combined Optical and Radar Vegetation Index), nhằm đánh giá khả năng phân loại lớp phủ ven biển miền Bắc Việt Nam. CORVI được xây dựng từ chỉ số RVI (Radar Vegetation Index) của Sentinel-1 và hai kênh SWIR B11, B12 của Sentinel-2. Năm lớp phủ được phân loại gồm rừng ngập mặn, cây nông nghiệp, công trình xây dựng, đất trống và mặt nước. Các chỉ số NDVI (Normalized Different Vegetation Index), RVI và CORVI được tính từ ảnh tổ hợp Quý 4 năm 2025 và đưa vào mô hình Random Forest (RF) theo sáu kịch bản đầu vào. Độ chính xác được đánh giá bằng kiểm định chéo 5-fold và báo cáo dưới dạng trung bình ± độ lệch chuẩn. Kết quả cho thấy các chỉ số đơn lẻ chưa đủ để phân biệt hiệu quả toàn bộ lớp phủ ven biển; trong đó NDVI đạt độ chính xác cao nhất trong nhóm đơn biến với OA = 60,71 ± 0,71%. Khi kết hợp NDVI với CORVI, OA tăng lên 70,98 ± 0,77%. Kịch bản tích hợp đầy đủ NDVI, RVI và CORVI đạt kết quả tốt nhất với OA = 82,93 ± 0,32%, Kappa = 0,7792 ± 0,0042 và Macro-F1 = 80,25 ± 0,52%. Đối với lớp RNM, kịch bản này đạt PA = 95,21 ± 1,75%, UA = 89,14 ± 1,56% và F1-score = 92,05 ± 0,67%. Kết quả cho thấy CORVI là biến tích hợp hữu ích trong mô hình đa biến, có tiềm năng hỗ trợ lập bản đồ RNM và giám sát lớp phủ ven biển từ dữ liệu Sentinel-1/Sentinel-2.

Tài liệu tham khảo

[1]. Daniel M. Alongi (2022). Present state and future of the world's mangrove forests. Environmental Conservation. 29(3): 331-349.

DOI: 10.1017/S0376892902000231.

[2]. N. C. Duke, J.-O. Meynecke, S. Dittmann, A. M. Ellison, K. Anger, U. Berger, S. Cannicci, K. Diele, K. C. Ewel, C. D. Field, N. Koedam, S. Y. Lee, C. Marchand, I. Nordhaus & F. Dahdouh-Guebas (2007). A world without mangroves. Science. 317(5834): 41-42.

DOI: 10.1126/science.317.5834.41b.

[3]. M. Spalding, M. Kainuma & L. Collins (2010). World Atlas of Mangroves. Earthscan/Routledge.

DOI: 10.4324/9781849776608.

[4]. Donato D. C., Kauffman J. B., Murdiyarso D., Kurnianto S., Stidham M. & Kanninen M. (2011). Mangroves among the most carbon-rich forests in the tropics. Nature Geoscience. 45(5): 293–297.

DOI: 10.1038/ngeo1123

[5]. Rovai A. S., Twilley R. R., Castañeda-Moya E., Midway S. R., Bouillon S., Rivera-Monroy V. H. & Simard M. (2018). Global controls on carbon storage in mangrove forests. Nature Climate Change. 8(6): 534-538. DOI: 10.1038/s41558-018-0162-5.

[6]. Giri C., Ochieng E., Tieszen L. L., Zhu Z., Singh A., T. Loveland & Duke N. (2011). Status and distribution of mangrove forests of the world using earth observation satellite data. Global Ecology and Biogeography. 20(1): 154-159. DOI: 10.1111/j.1466-8238.2010.00584.x.

[7]. P. Bunting, A. Rosenqvist, L. Hilarides, R. M. Lucas, N. Thomas, T. Tadono, T. A. Worthington, M. Spalding, N. J. Murray & L.-M. Rebelo (2022). Global Mangrove Extent Change 1996–2020: Global Mangrove Watch Version 3.0. Remote Sensing. 14(15): 3657. DOI: 10.3390/rs14153657.

[8]. Claudia Kuenzer, Andrea Bluemel, Steffen Gebhardt, Tuan Vo Quoc & Stefan Dech (2011). Remote sensing of mangrove ecosystems: A review. Remote Sensing. 3(4): 878–928. DOI: 10.3390/rs3050878.

[9]. Le Wang, Mingming Jia, Dameng Yin & Jinyan Tian (2019). A review of remote sensing for mangrove forests: 1956–2018. Remote Sensing of Environment. 231. DOI: 10.1016/j.rse.2019.111223.

[10]. T. D. Pham, N. Yokoya, D. T. Bui, K. Yoshino & D. A. Friess (2019). Remote sensing approaches for monitoring mangrove species, structure, and biomass: Opportunities and challenges. Remote Sensing. 11(3): 230. DOI: 10.3390/rs11030230.

[11]. Thuong V. Tran, Ruth Reef & Xuan Zhu (2022). A Review of Spectral Indices for Mangrove Remote Sensing. Remote Sensing. 14(19): 4868. DOI: 10.3390/rs14194868.

[12]. European Space Agency. (2015). Sentinel-2 User Handbook. ESA Standard Document.

[13]. Compton J. Tucker (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment. 8(2): 127-150. DOI: 10.1016/0034-4257(79)90013-0.

[14]. Rouhollah Nasirzadehdizaji, Fusun Balik Sanli, Saygin Abdikan, Ziyadin Cakir, Aliihsan Sekertekin & Mustafa Ustuner (2019). Sensitivity Analysis of Multi-Temporal Sentinel-1 SAR Parameters to Crop Height and Canopy Coverage. Applied Sciences. 9(4): 655.

DOI: 10.3390/app9040655.

[15]. D. Mandal, V. Kumar, D. Ratha, S. Dey, A. Bhattacharya, J. M. Lopez-Sanchez, H. McNairn & Y. S. Rao (2020). Dual polarimetric radar vegetation index for crop growth monitoring using Sentinel-1 SAR data. Remote Sensing of Environment. 247: 111954.

DOI: 10.1016/j.rse.2020.111954.

[16]. D. Phiri, M. Simwanda, S. Salekin, V. R. Nyirenda, Y. Murayama & M. Ranagalage (2020). Sentinel-2 data for land cover/use mapping: A review. Remote Sensing. 12(14): 2291. DOI: 10.3390/rs12142291.

[17]. Breiman, L. (2001). Random forests. Machine Learning. 45(1): 5–32. DOI: 10.1023/A:1010933404324

[18]. M. Belgiu & L. Drăguţ (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.

[19]. Encyclopaedia Britannica. (2024). Vietnam - Climate. Encyclopaedia Britannica.

[20]. European Space Agency (2024). Sentinel-1. European Space Agency.

[21]. Google Earth Engine (2024a). Harmonized Sentinel-2 MSI: MultiSpectral Instrument, Level-2A. Google Developers.

Truy cập từ: https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR_HARMONIZED.

[22]. Google Earth Engine (2024b). Sentinel-2 MSI: MultiSpectral Instrument, Level-2A Data. Google Developers.

Truy cập từ: https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR.

[23]. Google Earth Engine (2024c). ImageCollection reductions. Google Developers.

Truy cập từ: https://developers.google.com/earth-engine/guides/reducers_image_collection.

[24]. Sentinel Hub (2024). Sentinel-2 Bands. Sentinel Hub Custom Scripts.

Truy cập từ: https://custom-scripts.sentinel-hub.com/custom-scripts/sentinel-2/bands/.

[25]. G. M. Foody (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment. 80(1): 185-201.

DOI: 10.1016/S0034-4257(01)00295-4.

[26]. R. G. Congalton & K. Green (2019). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices (3rd ed.). CRC Press. DOI: 10.1201/9780429052729.

[27]. M. Sokolova & G. Lapalme (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management. 45(4): 427-437. DOI: 10.1016/j.ipm.2009.03.002.

[28]. A. Ghorbanian, A. Mohammadzadeh, S. Jamali, C. A. Silva & M. R. Sahebi (2021). Mangrove ecosystem mapping using Sentinel-1 and Sentinel-2 satellite images and Random Forest algorithm in Google Earth Engine. Remote Sensing. 13(13): 2565.

DOI: 10.3390/rs13132565.

[29]. L. Hu, N. Xu, J. Liang, Z. Li, L. Chen & F. Zhao (2020). Advancing the mapping of mangrove forests at national-scale using Sentinel-1 and Sentinel-2 time-series data with Google Earth Engine: A case study in China. Remote Sensing. 12(19): 3120.

DOI: 10.3390/rs12193120.

[30]. Bộ Nông nghiệp và Môi trường (2026). Công bố hiện trạng rừng toàn quốc năm 2025. Quyết định số 1106/QĐ-BNNMT ngày 31 tháng 3 năm 2026.