Đánh giá sức khỏe của các khu vực nông lâm kết hợp dựa trên dữ liệu vệ tinh siêu phổ và chỉ số thực vật.

Kom Umbu, thuộc tỉnh Aswan, nằm ở miền nam Ai Cập, trên thượng nguồn sông Nile, gần hồ Nasser. Đây là một thành phố và ốc đảo quan trọng dọc sông Nile, với ngành nông nghiệp tưới tiêu phát triển tốt, chủ yếu trồng bông, ngũ cốc và rừng kinh tế, tạo nên một vùng nông nghiệp hỗn hợp. Do sự khác biệt về cấu trúc lá và tán cây, các chỉ số thực vật đơn lẻ truyền thống không thể đồng thời bao quát cả lâm nghiệp và nông nghiệp; do đó, cần kết hợp nhiều chỉ số để đánh giá.

Giới thiệu dự án

Gần đây, nhóm nghiên cứu hàng không vũ trụ Tây An thuộc Viện Hàn lâm Khoa học Trung Quốc đã sử dụng vệ tinh siêu phổ để chụp ảnh khu vực Kom Umbu thuộc tỉnh Aswan, Ai Cập (Hình 1). Trong phạm vi phủ sóng của dữ liệu siêu phổ, chỉ số thực vật tăng cường (Enhanced Vegetation Index - EVI) được sử dụng để sàng lọc và che phủ cây trồng, cũng như đánh giá độ xanh và hàm lượng diệp lục của cây trồng; chỉ số phản xạ anthocyanin 2 (Anthocyanin Reflectance Index 2) được sử dụng để đánh giá hàm lượng anthocyanin trong lá; và chỉ số tỷ lệ đỏ/xanh (Red-to-Green Ratio Index) được sử dụng để thể hiện hiệu quả sử dụng ánh sáng và tốc độ tăng trưởng của rừng. Các bản đồ chỉ số và bản đồ sức khỏe nông lâm kết hợp các chỉ số trên đã được tạo ra, có thể được sử dụng để đánh giá sự xuất hiện của sâu bệnh và đánh giá sản lượng khai thác gỗ của khu vực. Các hình ảnh đầu vào được chia thành chín loại dựa trên sức khỏe cây trồng, giúp đánh giá tình trạng sức khỏe tổng thể của cây trồng trong ảnh.

△ Hình 1. Hình ảnh kết hợp màu sắc chân thực của XIGUANG-003 được chồng lên bản đồ nền của Google.

△Hình 2 Chỉ số thực vật được cải tiến

Chỉ số thực vật nâng cao (EVI) là một chỉ số thực vật được tối ưu hóa, được thiết kế để cải thiện khả năng phản ứng với thảm thực vật và tăng cường khả năng giám sát thảm thực vật.Chỉ số này dựa trên Chỉ số thực vật khác biệt chuẩn hóa (NDVI) và được cải tiến bằng cách sử dụng sự kết hợp dải tần và thuật toán nghiêm ngặt hơn để loại bỏ một số biến thể trong điều kiện bức xạ liên quan đến góc mặt trời, địa hình, mây/bóng và điều kiện khí quyển, từ đó nâng cao khả năng phản ứng của EVI đối với thảm thực vật.

Công thức tính EVI là: EVI = (NIR - Red) / (NIR + 6*Red - 7.5*Blue + 1), trong đó NIR là độ phản xạ cận hồng ngoại, Red là độ phản xạ ánh sáng đỏ, và Blue là độ phản xạ ánh sáng xanh. Bằng cách điều chỉnh trọng số và hệ số của các dải tần này, EVI có thể phản ánh tốt hơn cấu trúc chi tiết và tình trạng sức khỏe của thảm thực vật.

Ưu điểm của EVI nằm ở độ nhạy bén với những thay đổi trong cấu trúc tán cây, bao gồm chỉ số diện tích lá (LAI), loại tán cây, giai đoạn sinh trưởng và cấu trúc tán cây. EVI có thể trích xuất tốt hơn các thông số sinh lý của thảm thực vật, chẳng hạn như hàm lượng diệp lục và sinh khối, từ đó nâng cao độ chính xác trong việc theo dõi trạng thái sinh trưởng và những thay đổi của thảm thực vật.

EVI có phạm vi ứng dụng rộng rãi, bao gồm nông nghiệp, lâm nghiệp, sinh thái học và khoa học môi trường. Trong nông nghiệp, EVI có thể được sử dụng để theo dõi sự phát triển của cây trồng, đánh giá tình trạng dinh dưỡng của cây trồng và dự đoán năng suất cây trồng. Trong lâm nghiệp, EVI có thể được sử dụng để theo dõi sức khỏe của rừng và đánh giá cấu trúc rừng cũng như chức năng sinh thái. Trong sinh thái học và khoa học môi trường, EVI có thể được sử dụng để theo dõi và đánh giá các vấn đề môi trường như thay đổi thảm thực vật, suy thoái đất và đô thị hóa.

△Hình 3 Chỉ số phản xạ anthocyanin 2

Chỉ số phản xạ anthocyanin 2 (ARI2) là một chỉ số viễn thám được sử dụng để theo dõi hàm lượng anthocyanin trong thực vật.Đây là một cải tiến so với chỉ số phản xạ anthocyanin 1 (ARI1), giúp cải thiện khả năng phản ứng với hàm lượng anthocyanin bằng cách điều chỉnh sự kết hợp dải tần và thuật toán.

Công thức tính ARI2 là: ARI2 = (NIR - 0,57*Đỏ - 0,2*Xanh lục) / (NIR + 0,88*Đỏ + 0,2*Xanh lục), trong đó NIR là độ phản xạ cận hồng ngoại, Đỏ là độ phản xạ ánh sáng đỏ, và Xanh lục là độ phản xạ ánh sáng xanh lục. So với ARI1, ARI2 có trọng số tăng lên ở dải ánh sáng đỏ và trọng số giảm xuống ở dải ánh sáng xanh lục, do đó cải thiện độ nhạy đối với hàm lượng anthocyanin.

Ưu điểm của ARI2 nằm ở khả năng phản ứng với hàm lượng anthocyanin trong tán lá cây. Anthocyanin là các sắc tố có mặt với nồng độ thấp trong thực vật nhưng lại có tác động đáng kể đến sự sinh trưởng và sức khỏe của cây. Bằng cách theo dõi sự thay đổi giá trị ARI2, có thể hiểu được sự thay đổi hàm lượng anthocyanin trong tán lá cây, từ đó suy ra tình trạng sinh trưởng và điều kiện căng thẳng của cây.

Ứng dụng của ARI2 chủ yếu bao gồm các lĩnh vực như sinh thái học, khoa học môi trường và nông nghiệp. Trong sinh thái học, ARI2 có thể được sử dụng để theo dõi sức khỏe và năng suất của các hệ sinh thái như rừng và đồng cỏ. Trong khoa học môi trường, ARI2 có thể được sử dụng để đánh giá tác động của các vấn đề môi trường như chất lượng đất, ô nhiễm và biến đổi khí hậu đối với thảm thực vật. Trong nông nghiệp, ARI2 có thể được sử dụng để theo dõi sự phát triển của cây trồng, đánh giá mức độ căng thẳng của cây trồng và xác định năng suất.

△Hình 4 Chỉ số tỷ lệ đỏ-xanh

Chỉ số tỷ lệ đỏ-xanh là một chỉ số viễn thám được sử dụng để theo dõi tình trạng sức khỏe và xu hướng tăng trưởng của thảm thực vật.Chỉ số này được tính bằng cách so sánh độ phản xạ của dải ánh sáng đỏ và xanh lá cây, công thức là: Chỉ số tỷ lệ đỏ-xanh lá cây = Đỏ / Xanh lá cây.

Ánh sáng đỏ thường phản ánh hàm lượng chất diệp lục trong thực vật, trong khi ánh sáng xanh phản ánh cấu trúc tổng thể và sức khỏe của chúng. Do đó, bằng cách tính toán chỉ số tỷ lệ đỏ/xanh, chúng ta có thể hiểu được tình trạng sinh trưởng và mức độ sức khỏe của thảm thực vật.

Chỉ số tỷ lệ đỏ/xanh (tỷ lệ R-Green) có ưu điểm là đơn giản, dễ tính toán và khả năng nhanh chóng thu thập thông tin về sự phát triển của thảm thực vật. Tuy nhiên, hạn chế của nó nằm ở độ nhạy tương đối thấp đối với cấu trúc tán cây và các yếu tố môi trường, có thể không phản ánh chính xác tình trạng căng thẳng của thực vật và các thông tin chi tiết khác. Mặc dù tỷ lệ R-Green là một chỉ số viễn thám tiện lợi có khả năng nhanh chóng thu thập thông tin về sự phát triển của thảm thực vật, nhưng nó có thể không phản ánh chính xác tình trạng căng thẳng của thực vật và các thông tin chi tiết khác. Trong các ứng dụng thực tế, cần phải kết hợp nó với các chỉ số viễn thám khác và dữ liệu khảo sát thực địa để hiểu một cách toàn diện về tình trạng sinh trưởng và mức độ sức khỏe của thảm thực vật.

△Hình 5 Sức khỏe cây trồng

Quan sát sự phân bố sức khỏe cây trồng trong Hình 5, người ta nhận thấy sức khỏe của một số khu vực nhìn chung cao hơn so với các khu vực xung quanh. Những khu vực này chủ yếu nằm ở những vùng tương đối xa thành phố và gần sông Nile cùng các nhánh sông, điều này cũng khẳng định mô hình nông nghiệp tưới tiêu trong khu vực vốn bị hạn chế về nguồn nước.

△Hình 6. Sức khỏe cây trồng ở vùng nóng và vùng lạnh

Bản đồ chỉ số thực vật trong Hình 2-5 có thể phản ánh sự phân bố sinh trưởng và sức khỏe của cây trồng, và có hiệu quả trực quan nhất định. Tuy nhiên, đối với các chỉ số có sự khác biệt quá lớn hoặc quá nhỏ giữa giới hạn trên và giới hạn dưới, hiệu quả trực quan sẽ bị ảnh hưởng. Do đó, chúng tôi đã lấy mẫu dữ liệu raster chỉ số sức khỏe cây trồng thành dữ liệu điểm theo lưới.

Tiếp theo, thống kê Getis-Ord Gi* được tính toán cho từng đặc trưng trong tập dữ liệu điểm. Thống kê Gi* được suy ra từ điểm z và giá trị p thu được. Đối với các điểm z dương có ý nghĩa thống kê, điểm z càng cao thì sự tập trung của các giá trị cao (điểm nóng) càng chặt chẽ. Đối với các điểm z âm có ý nghĩa thống kê, điểm z càng thấp thì sự tập trung của các giá trị thấp (điểm lạnh) càng chặt chẽ, và giá trị p được sử dụng để xác định mức độ tin cậy của kết quả.

Thông qua các phép tính trên, chúng ta có thể xác định được vị trí tập trung của các yếu tố có giá trị cao hoặc thấp trong không gian, và nhận diện các vùng lạnh và vùng nóng nơi sức khỏe cây trồng thấp hơn hoặc cao hơn đáng kể so với các khu vực xung quanh, từ đó thể hiện sức khỏe nông nghiệp của khu vực một cách trực quan hơn.

Hơn nữa, dựa trên ranh giới vectơ của các vùng nóng và lạnh, có thể số hóa các vùng, và phân tích sâu hơn hình dạng của các vùng, khoảng cách giữa chúng, và mối quan hệ giữa các vùng với sông ngòi và thành phố, nhằm mục đích nghiên cứu sâu hơn mô hình phát triển nông nghiệp địa phương.