Tác giả

Doãn Hà Phong 1* , Nguyễn Huệ 2

Đơn vị công tác

1 Viện khoa học Khí tượng Thủy văn và Biến đổi khí hậu; doanhaphong@gmail.com

2 Sở Tài nguyên và Môi trường Quảng Bình; nghue66@gmail.com

*Tác giả liên hệ: doanhaphong@gmail.com; Tel.: +84–913212325            

Tóm tắt

Các-bon dioxide (CO2) là một trong những khí nhà kính quan trọng có tác động mạnh mẽ và góp phần lớn trong việc biến đổi khí hậu, việc theo dõi xu hướng phát thải khí nhà kính là hết sức cần thiết để có cái nhìn tổng thể nhằm có giải pháp ứng phó biến đổi khí hậu tốt hơn. Ước tính trữ lượng CO2 trong khí quyển bằng vệ tinh viễn thám là một nghiên cứu khoa học được phát triển nhanh chóng, từ đó có những cơ sở nhất định về chu trình cacbon trên toàn cầu và cung cấp cái nhìn sâu sắc về sự hiện diện của CO2 trên bề mặt của Trái Đất. Trong nghiên cứu, từ dữ liệu vệ tinh Ra-đa Sentinel 1 tác giả sẽ tiến hành giải đoán lớp phủ và phân tách được riêng lớp phủ rừng. Sau đó sử dụng phần mềm tính toán AFOLU để tính được tổng CO2 tương đương cho lớp phủ rừng tỉnh Quảng Bình. Đánh giá độ chính xác thảm phủ rừng từ Sentinel–1 có độ chính xác từ nhà sản xuất và độ chính xác từ người dùng lần lượt là 95.83 và 82.14 % cho thấy khả thi trong việc sử dụng ảnh Sentinel 1 để giải đoán rừng. Đến năm 2021, theo tính toán từ AFOLU, nếu thực hiện tốt các biện pháp cải tạo, bảo vệ rừng, Quảng bình tạo ra khoảng trên 68 triệu tấn CO2 (bao gồm cả giảm phát thải và tăng hấp thụ các–bon rừng) trong thời gian thực hiện đề án từ 2018–2025 và ước đạt trên 400 triệu tấn CO2e vào năm 2025.

Từ khóa

Lớp phủ rừng; CO2t; Sentinel–1; AFOLU; Quảng Bình.

Trích dẫn bài báo

Phong, D.H.; Huệ, N. Giám sát và kiểm kê phát thải khí nhà kính (CO2 tương đương) trên cơ sở phân loại lớp phủ bằng ảnh Sentinel 1 tỉnh Quảng Bình. Tạp chí Khí tượng Thủy văn 2022, 735, 63-73. 

Tài liệu tham khảo

1. Đề án “Phát triển vùng nguyên liệu gỗ rừng trồng gắn với trồng rừng gỗ lớn tỉnh Quảng Bình giai đoạn 2019–2025”.

2. Iizuka, K.; Tateishi, R. Estimation of CO2 Sequestration by the Forests in Japan by Discriminating Precise Tree Age Category using Remote Sensing Techniques. Remote Sens. 2015, 7, 15082-15113.

3. Dự án sáng kiến REDD+ tỉnh Quảng Bình, 2016.

4. Band Radar (PolSAR) and Landsat 8 Multispectral Imagery – Richards Island, Canada, (2014). Remote Sens. 2014, 6, 8565–8593.

5. Mngadi, M.; Odindi, J.; Mutanga, O. The Utility of Sentinel-2 Spectral Data in Quantifying Above-Ground Carbon Stock in an Urban Reforested Landscape. Remote Sens. 2021, 13, 4281. https://doi.org/10.3390/rs13214281.

6. Ullmann, T.; Schmitt, A.; Roth, A.; Duffe, J.; Dech, S.; Hubberten, H.W.; Baumhauer, R.  Land Cover Characterization and Classification of Arctic Tundra Environments by Means of Polarized Synthetic Aperture X– and C–.

7. Verrelst, J.; Rivera, J.P.; Veroustraete, F.; Muñoz–Marí, J.; Clevers, J.G.P.W.; Camps–Valls, G.; Moreno, J. Experimental Sentinel–2 LAI estimation using parametric, non–parametric and physical retrieval methods – A comparison. ISPRS J. Photogramm. Remote Sens. 2015, 108, 260–272.

8. Betts, R.A.; Falloon, P.D.; Goldewijk, K.K.; Ramankutty, N. Biogeophysical effects of land use on climate: Model simulations of radiative forcing and large-scale temperature change. Agric. For. Meteorol. 2007, 142, 216–233. https://doi.org/10.1016/j.agrformet.2006.08.021.

9. Berners-Lee, M.; Hoolohan, C.; Cammack, H.; Hewitt, C.N. The relative greenhouse gas impacts of realistic dietary choices. Energy Policy 2021, 43, 184–190. https://doi.org/10.1016/j.enpol.2011.12.054.

10. Branca, G.; Hissa, H.; Benez, M.C.; Medeiros, K.; Lipper, L.; Tinlot, M.; Bockel, L.; Bernoux, M. Capturing synergies between rural development and agricultural mitigation in Brazil. Land Use Policy 2013, 30, 507–518. https://doi.org/10.1016/j. landusepol.2012.04.021.

11. Frampton, W.J.; Dash, J.; Watmough, G.; Milton, E.J. Evaluating the capabilities of Sentinel–2 for quantitative estimation of biophysical variables in vegetation. ISPRS J. Photogramm. Remote Sens. 2013, 82, 83–92.

12. Gao, B. NDWI–A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sens. Environ. 1996, 257–266.

13. Torres, R.; Snoeij, P.; Geudtner, D.; Bibby, D.; Davidson, M.; Attema, E.; Rostan, F. GMES Sentinel–1 mission. Remote Sens. Environ. 2012, 120, 9–24.

14. Gessner, U.; Machwitz, M.; Conrad, C.; Dech, S. Estimating the fractional cover of growth forms and bare surface in savannas. A multi–resolution approach based on regression tree ensembles. Remote Sens. Environ. 2013, 129, 90–102.

15. Abdalla, M.; Osborne, B.; Lanigan, G.; Forristal, D.; Williams, M.; Smith, P.; Jones, M.B. Conservation tillage systems: a review of its consequences for greenhouse gas emissions. Soil Use Manage. 2013, 29, 199–209.

16. Bathiany, S.; Claussen, M.; Brovkin, V.; Raddatz, T.; Gayler, V. Combined biogeophysical and biogeochemical effects of large-scale forest cover changes in the MPI earth system model. Biogeosciences 2010, 7, 1383–1399. https://doi.org/10.5194/bg-7-1383-2010.

17. Forkuor, G.; Conrad, C.; Thiel, M.; Ullmann, T.; Zoungrana, E. Integration of Optical and Synthetic Aperture Radar Imagery for Improving Crop Mapping in Northwestern Benin, West Africa. Remote Sens. 2014, 6, 6472–6499.