Làm thế nào để xác định các khu vực trồng cọ dầu bằng dữ liệu viễn thám vệ tinh?

Cây cọ dầu là một loại cây trồng kinh tế quan trọng, và thông tin về phân bố của nó rất cần thiết cho việc giám sát nông nghiệp, đánh giá sử dụng đất và quản lý tài nguyên. Bài báo này đề xuất một phương pháp viễn thám đa nguồn kết hợp dữ liệu Sentinel-1 và Sentinel-2 để trích xuất thông tin phân bố cây cọ dầu với độ chính xác cao. Sentinel-1 cung cấp ảnh radar mọi thời điểm, không bị ảnh hưởng bởi điều kiện thời tiết; Sentinel-2 cung cấp ảnh quang học chứa nhiều thông tin phong phú như chỉ số thực vật và đặc điểm kết cấu. Tính bổ sung của hai nguồn này tạo điều kiện thuận lợi cho việc nhận dạng cây cọ dầu.
Phương pháp nghiên cứu
Một khu vực cụ thể ở Indonesia đã được chọn làm vùng nghiên cứu (Hình 1). Diện tích trồng trọt trong khu vực này vào năm 2025 đã được trích xuất, và thời gian chọn dữ liệu là từ ngày 1 tháng 6 năm 2024 đến ngày 31 tháng 5 năm 2025. Dữ liệu được xử lý sơ bộ bằng nền tảng GEE, bao gồm trích xuất băng tần, tính toán chỉ số và khử nhiễu dữ liệu SAR, như thể hiện trong Hình 2. Sau đó, dữ liệu được lấy mẫu lại với độ phân giải 10 mét, sử dụng hệ tọa độ WGS84.

Hình 1 Khu vực nghiên cứu

Hình 2(a) VV
Hình 2(b) NDVI
Hình 3 thể hiện các đặc điểm dữ liệu được sắp xếp bằng hệ số Gini. Tổng cộng 14 đặc điểm từ dữ liệu Sentinel-1 và Sentinel-2 đã được chọn để tính hệ số Gini, với 8 đặc điểm từ Sentinel-2 và 6 đặc điểm từ Sentinel-1. Sử dụng dữ liệu SAR làm đặc điểm chính để phân loại, các dải VH và VV và sự khác biệt giữa chúng cho thấy mối tương quan cao trong mô hình phân loại, làm cho các đặc điểm này trở nên quan trọng để phát hiện các đồn điền cọ dầu. Hơn nữa, thông tin về kết cấu và chỉ số thực vật cũng có thể được sử dụng để phân loại thảm thực vật; các đặc điểm kết cấu cải thiện độ chính xác phát hiện cọ dầu hiệu quả hơn so với các chỉ số thực vật.

Hình 3. Xếp hạng hệ số Gini
Kết quả chiết xuất
Các thông số VV, VH, B3, B8, NDVI, cùng với entropy kết cấu và độ tương phản, đã được chọn để xây dựng các đặc trưng. Sau đó, các vùng trồng cọ dầu trong khu vực nghiên cứu được trích xuất bằng thuật toán rừng ngẫu nhiên. Kết quả trích xuất được thể hiện trong Hình 4.

Hình 4. Kết quả khai thác từ khu vực trồng cọ dầu.
Bài báo này sử dụng phương pháp kết hợp dữ liệu từ vệ tinh Sentinel-1 và Sentinel-2 để trích xuất các khu vực trồng cọ dầu. Thông qua việc xây dựng đặc trưng và kỹ thuật rừng ngẫu nhiên, việc xác định khu vực trồng trọt với độ chính xác cao đã được thực hiện. Nghiên cứu chỉ ra rằng việc kết hợp dữ liệu viễn thám đa nguồn là một hướng quan trọng để nâng cao khả năng nhận dạng thảm thực vật nông nghiệp. Công việc trong tương lai có thể tiếp tục khám phá các phương pháp phân đoạn ngữ nghĩa dựa trên học sâu để cải thiện độ chính xác ranh giới và khả năng phân tích động theo chuỗi thời gian.

