Tác giả

Đặng Kinh Bắc 1* , Phạm Hạnh Nguyên 2 , Nguyễn Thành Vĩnh 2 , Trần Ngọc Cường 2 , Nguyễn Văn Quân 3 , Trịnh Thị Thúy Chinh 4 , Vũ Thị Phương 5

Đơn vị công tác

1 Khoa Địa lý, trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội; dangkinhbac@hus.edu.vn;

2 Cục Bảo tồn Thiên nhiên và Đa dạng Sinh học, Tổng cục Môi trường, Bộ Tài nguyên và Môi trường; nguyenph.nbca@gmail.com;

3 Công ty TNHH MTV Trắc địa Bản đồ, Cục Bản Đồ, Bộ Tổng tham mưu; quannguyen26795@gmail.com;

4 Công ty cổ phần dược phẩm Hoa Anh, 14/1 Pháo Đài Láng, Đống Đa, Hà Nội; trinha2698@gmail.com;

5 Đại học Hồng Đức, 565 Quang Trung, Thanh Hóa; vuthiphuong@hdu.edu.vn;

*Tác giả liên hệ: dangkinhbac@hus.edu.vn; Tel.: +84–389542557

Tóm tắt

Sự suy thoái và chuyển đổi đất ngập nước đã được cảnh báo trong 10 năm qua, nhưng việc kiểm kê và giám sát những thay đổi này vẫn còn gặp nhiều khó khăn do thiếu khả năng tiếp cận và công nghệ. Do đó, việc trang bị cho các nhà quản lý những công cụ để phân loại và giám sát các hệ sinh thái đất ngập nước theo thời gian thực là điều cần thiết. Mục đích của nghiên cứu này là phát triển mô hình hữu ích phân loại 7 loại đất ngập nước nội địa tại Vườn quốc gia Ba Bể, tỉnh Bắc Kạn cùng các hệ sinh thái lân cận được phân loại trong hệ thống RAMSAR và MONRE (Ministry of Natural Resources and Environment – Bộ Tài Nguyên và Môi trường). Từ đó, mô hình ResU–Net (Deep Residual U–Net) sử dụng chức năng tối ưu hóa Adadelta đã được sử dụng để phân loại 7 loại đất ngập nước và 3 loại hình hệ sinh thái lân cận ở Vườn quốc gia Ba Bể, dựa trên ảnh vệ tinh Sentinel–2, với độ chính xác cao hơn 85%. Hiệu suất tốt hơn của mô hình này so với các phương pháp  Random forest (RF) và Support Vector Machine (SVM) đã được chứng minh. Mô hình ResU–Net sau khi tối ưu hóa, cũng được sử dụng để lập bản đồ các khu vực đất ngập nước nội địa tại vùng núi Bắc Kạn. Mô hình này có khả năng cập nhật các kiểu đất ngập nước mới tại Việt Nam nhằm giám sát biến động đất ngập nước trong thời gian thực.

Từ khóa

Đất ngập nước; RAMSAR; Vườn quốc gia Ba Bể; U–Net; Viễn thám.

Trích dẫn bài báo

Bắc, Đ.K.; Nguyên, P.H.; Vĩnh, N.T.; Cường, T.N.; Quân, N.V.; Chinh, T.T.T.; Phương, V.T. Nghiên cứu ứng dụng mô hình học máy trong phân loại hệ sinh thái đất ngập nước nội địa tại Vườn Quốc gia Ba Bể, tỉnh Bắc Kạn. Tạp chí Khí tượng Thủy văn 2022, 739, 81-91. 

Tài liệu tham khảo

1. Dang, K.B.; Nguyen, M.H.; Nguyen, D.A.; Phan, T.T.H.; Giang, T.L.; Pham, H.H.; Nguyen, T.N.; Van Tran, T.T.; Bui, D.T. Coastal Wetland Classification with Deep U–Net Convolutional Networks and Sentinel–2 Imagery: A Case Study at the Tien Yen Estuary of Vietnam. Remote Sens. 2020, 12, 1–26. doi:10.3390/rs12193270.

2. Sannigrahi, S.; Chakraborti, S.; Joshi, P.K.; Keesstra, S.; Sen, S.; Paul, S.K.; Kreuter, U.; Sutton, P.C.; Jha, S.; Dang, K.B. Ecosystem Service Value Assessment of a Natural Reserve Region for Strengthening Protection and Conservation. J. Environ. Manage. 2019, 244, 208–227. doi:10.1016/j.jenvman.2019.04.095.

3. Cục Bảo vệ Môi trường Việt Nam. Tổng Quan Hiện Trạng Đất Ngập Nước Việt Nam Sau 15 Năm Thực Hiện Công Ước Ramsar. Cục Bảo vệ Môi trường Việt Nam: Hà Nội, Việt Nam, 2005.

4. Huyền, N.T.T.; Minh, P.T.N.; Thủy, Đ.T.T. Bảo Tồn Đa Dạng Sinh Học Biển và Đất Ngập Nước (Kinh nghiệm từ một số Dự án nhỏ GRF). Viện Nghiên cứu GEF: Hà Nội, 2015.

5. He, Z.; He, D.; Mei, X.; Hu, S. Wetland Classification Based on a New Efficient Generative Adversarial Network and Jilin–1 Satellite Image. Remote Sens. 2019, 11, 1–16. doi:10.3390/rs11202455.

6. Ozesmi, S.L.; Bauer, M.E. Satellite Remote Sensing of Wetlands. Wetl. Ecol. Manag. 2002, 10, 381–402. doi:10.1023/A:1020908432489.

7. Đặng, T.H. Du Lịch Sinh Thái Vườn Quốc Gia Ba Bể, Huyện Ba Bể, Tỉnh Bắc Kan. Tạp chí kinh tế sinh thái 2017, 54, 12.

8. Thủ tướng Chính phủ. QĐ 83/TTg, Quyết Định Phê Duyệt Luận Chứng Kinh Tế – Kỹ Thuật Đầu Tư Xây Dựng Vườn Quốc Gia Ba Bể (Giai Đoạn I), 1992.

9. MONRE. Thông Tư 07/2020/TT–BTNMT Ngày 31/08/2020 về Hướng Dẫn Điểm c Khoản 1 Điều 31 Nghị Định 66/2019/NĐ–CP về Bảo Tồn và Sử Dụng Bền Vững Các Vùng Đất Ngập Nước, Hà Nội, 2020.

10. Perez, H.; Tah, J.H.M.; Mosavi, A. Deep Learning for Detecting Building Defects Using Convolutional Neural Networks. Sensors 2019, 19. doi:10.3390/s19163556.

11. Stoian, A.; Poulain, V.; Inglada, J.; Poughon, V.; Derksen, D. Land Cover Maps Production with High Resolution Satellite Image Time Series and Convolutional Neural Networks: Adaptations and Limits for Operational Systems. Remote Sens. 2019, 11, 1–26. doi:10.3390/rs11171986.

12. Giang, T.L.; Dang, K.B.; Toan Le, Q.; Nguyen, V.G.; Tong, S.S.; Pham, V.M. U–Net Convolutional Networks for Mining Land Cover Classification Based on High–Resolution UAV Imagery. IEEE Access 2020, 8, 186257–186273. doi:10.1109/access.2020.3030112.

13. Lin, T.Y.; Goyal, P.; Girshick, R.; He, K.; Dollar, P. Focal Loss for Dense Object Detection. IEEE Trans. Pattern Anal. Mach. Intell. 2020, 42, 318–327. doi:10.1109/TPAMI.2018.2858826.

14. Choung, Y.J.; Jo, M.H. Comparison between a Machine–Learning–Based Method and a Water–Index–Based Method for Shoreline Mapping Using a High–Resolution Satellite Image Acquired in Hwado Island, South Korea. Sensors 2017, 2017. doi:10.1155/2017/8245204.

15. Pouliot, D.; Latifovic, R.; Pasher, J.; Duffe, J. Assessment of Convolution Neural Networks for Wetland Mapping with Landsat in the Central Canadian Boreal Forest Region. Remote Sens. 2019, 11. doi:10.3390/rs11070772.

16. Diakogiannis, F.I.; Waldner, F.; Caccetta, P.; Wu, C. ResUNet–a: A deep learning framework for semantic segmentation of remotely sensed data. ISPRS J. Photogramm. Remote Sens. 2020, 162, 94–114. doi:10.1016/j.isprsjprs.2020.01.013