Tác giả

Lê Thị Thu Hà 1,2* , Giang Thị Phương Thảo 3

Đơn vị công tác

1 Trường Đại học Mỏ - Địa chất; lethithuha@humg.edu.vn

2 Nhóm nghiên cứu Công nghệ Địa tin học trong Khoa học Trái đất (GES), Trường Đại học Mỏ - Địa chất; lethithuha@humg.edu.vn

3 Viện Địa lý tài nguyên thành phố Hồ Chí Minh, Viện Hàn lâm Khoa học và Công nghệ Việt Nam; gtpthao@hcmig.vast.vn

*Tác giả liên hệ: lethithuha@humg.edu.vn; Tel.: +84–983115967

Tóm tắt

Sản xuất nông nghiệp toàn cầu đang phải đối mặt với áp lực ngày càng tăng bao gồm: gia tăng dân số, nhu cầu dinh dưỡng, và điều kiện khí hậu khắc nghiệt. Để đối phó với những thác thức này, yêu cầu cấp thiết là phải giám sát lúa một cách chính xác, trên quy mô rộng lớn, với tần suất đều đặn. Nghiên cứu này đề xuất một phương pháp mới để ước tính các chỉ số hóa sinh đặc trưng cho sự phát triển của cây lúa, từ dữ liệu ảnh vệ tinh đa phổ và bộ xử lý hóa sinh thực vật PROSAIL. Kết quả của nghiên cứu đã thành lập bản đồ chỉ số hóa sinh theo các giai đoạn phát triển của cây lúa ở tỉnh Đồng Tháp dựa trên chuỗi ảnh vệ tinh Sentinel-2 từ tháng 10/2022 đến tháng 12/2023. Nghiên cứu đã sử dụng thuật toán phân loại học máy Random Forest và 994 điểm thực địa đã phản ánh chính xác về điều kiện canh tác lúa thực tế ở tỉnh Đồng Tháp. Từ đó cho phép giám sát theo thời gian các mô hình trồng lúa trên quy mô không gian đối với các khu vực có lịch canh tác riêng biệt. Định lượng các biến số hóa sinh và áp dụng để quan sát trên chuỗi dữ liệu vệ tinh đa thời gian cho phép hiểu biết sâu sắc trong canh tác lúa tại đồng bằng sông Cửu Long của lãnh thổ Việt Nam.

Từ khóa

Sự phát triển của cây lúa; Sentinel-2; Mô hình PROSAIL; Đồng Tháp.

Trích dẫn bài báo

Hà, L.T.T.; Thảo, G.T.P. Sử dụng ảnh vệ tinh Sentinel-2 trong giám sát sự phát triển của cây lúa tại tỉnh Đồng Tháp, Việt Nam. Tạp chí Khí tượng Thuỷ văn 2024, 764, 93-108.

Tài liệu tham khảo

1. Le Toan, T.; Ribbes, F.; Wang, L.F.; Floury, N.; Ding, K.H.; Kong, J.A.; Fujita, M.; Kurosu, T. Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results. IEEE Trans. Geo. Remote Sen. 1997, 35, 41–56.
2. Maclean, J.; Hardy, B.; Hettel, G. Rice Almanac. Proceeding of the 4th (Eds.): International Rice Research Institute: Los Bahos, Philippines, 2013, pp. 283. ISBN 978-971-22-0300-8.
3. Chen, C.F.; Son, N.T.; Chang, L.Y. Monitoring of rice cropping intensity in the upper Mekong Delta, Vietnam using time-series MODIS data. Adv. Spa. Res. 2012, 49, 292–301.
4. Xuan, V.T. Rice Cultivation in the Mekong Delta. Jpn. J. Sou. Asi. Stud. 1975, 13, 88–111.
5. Weiss, M.; Jacob, F.; Duveiller, G. Remote sensing for agricultural applications: A meta-review. Remote Sen. Environ. 2020, 236, 111402.
6. Avtar, R.; Herath, S.; Saito, O.; Gera, W.; Singh, G.; Mishra, B.; Takeuchi, K. Application of remote sensing techniques toward the role of traditional water bodies with respect to vegetation conditions. Environ. Dev. Sus. 2014, 16, 995–1011.
7. Xiao, X.; Boles, S.; Frolking, S.; Li, C.; Babu, J.Y.; Salas, W.; Moore, B. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images. Remote Sen. Environ. 2006, 100, 95–113.
8. Dinesh Kumar, S.; Srinivasa Rao, S.; Sharma, J.R. Radar vegetation index as an alternative to NDVI for monitoring of soyabean and cotton. Proceedings of the Indian Cartographer, Jodhpur, India, 19–21 September 2013, XXXIII, pp. 91–96.
9. Ottinger, M.; Clauss, K.; Kuenzer, C. Opportunities and challenges for the estimation of aquaculture production based on earth observation data. Remote Sen. 2018, 10, 1076.
10. Jiang, T.; Liu, X.; Wu, L. Method for mapping rice fields in complex landscape areas based on pre-trained convolutional neural network from HJ-1 A/B data. ISPRS Int. J. Geo-Inf. 2018, 7, 418.
11. Avtar, R.; Suzuki, R.; Takeuchi, W.; Sawada, H. PALSAR 50 m mosaic data based national level biomass estimation in Cambodia for implementation of REDD+ mechanism. PLoS ONE 2013, 8, e74807.
12. Qiu, B.; Li, W.; Tang, Z.; Chen, C.; Qi, W. Mapping paddy rice areas based on vegetation phenology and surface moisture conditions. Eco. Ind. 2015, 56, 79–86.
13. Darvishzadeh, R.; Matkan, A.A.; Ahangar, A.D. Inversion of a radiative transfer model for estimation of rice canopy chlorophyll content using a lookup-table approach. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2012, 5(4), 1222–1230.
14. Richter, K.; Atzberger, C.; Vuolo, F.; Weihs, P.; D’Urso, G. Experimental assessment of the Sentinel-2 band setting for RTM-based LAI retrieval of sugar beet and maize. Can. J. Remote Sen. 2009, 35(3), 230–247.
15. Baret, F.; Hagolle, O.; Geiger, B.; Bicheron, P.; Miras, B.; Huc, M.; Berthelot, B.; Niño, F.; Weiss, M.; Samain, O.; Roujean, J.L.; Leroy, M. LAI, fAPAR and fCover CYCLOPES global products derived from VEGETATION: Part 1: Principles of the algorithm. Remote Sen. Environ. 2007, 110(3), 275–286.
16. Atzberger, C.; Darvishzadeh, R.; Immitzer, M.; Schlerf, M.; Skidmore, A.; le Maire, G. Comparative analysis of different retrieval methods for mapping grassland leaf area index using airborne imaging spectroscopy. Int. J. App. Ear. Obs. Geo. 2015, 43, 19–31.
17. van der Tol, C.; Timmermans, J.; Verhoef, A.; Su, Z. An integrated model of soil-canopy spectral radiances, photosynthesis, fluorescence, temperature and energy balance. Biogeosciences 2009, 6(12), 3109–3129.
18. Bowyer, P.; Danson, F.M. Sensitivity of spectral reflectance to variation in live fuel moisture content at leaf and canopy level. Remote Sen. Environ. 2004, 92(3), 297–308.
19. Jacquemoud, S.; Verhoef, W.; Baret, F.; Bacour, C.; Zarco-Tejada, P.J.; Asner, G.P.; François, C.; Ustin, S.L. PROSPECT+SAIL models: A review of use for vegetation characterization. Remote Sen. Environ. 2009, 113, S56–S66.
20. Jacquemoud, S.; Baret, F. PROSPECT: A model of leaf optical properties spectra. Remote Sen. Environ. 1990, 34(2), 75–91.
21. Kuusk, A. A multispectral canopy reflectance model. Remote Sen. Environ. 1994, 50(2), 75–82.
22. Braswell, B.H.; Schimel, D.S.; Moore III, B.; Emery, W.J.; Sulzman, E.W.; Hudak, A.T. Extracting ecological and biophysical information from AVHRR optical data: An integrated algorithm based on inverse modeling. J. Geo. Res.: Atm. 1996, 101(D18), 23335–23348.
23. Binh, N.A.; Nhut, H.S.; An, N.N.; Phuong, T.A.; Hanh, N.C.; Thao, G.T.P.; Pham, T.T.; Hong, P.V.; Ha, L.T.T.; Bui, D.T.; et al. Thirty-year dynamics of LULC at the Dong Thap Muoi area, Southern Vietnam, using google earth engine. ISPRS Int. J. Geo-Inf. 2021, 10, 226.
24. Dương, V.K.; Chu, M.T.; Nguyễn, T.H.; Bùi, Đ.G. Sử dụng tư liệu viễn thám đa thời gian để đánh giá biến động chỉ số thực vật lớp phủ và một số phân tích về thời vụ và trạng thái sinh trưởng của cây lúa ở Đồng bằng sông Hồng và sông Cửu Long. Tạp chí Khí tượng Thủy văn 2010, 595, 36–42.
25. Vũ, T.T.; Bảo, L.T.; Nhân, N.T.; Khánh, N.V.; Tuấn, Đ.M.; Nhất, T.T. Đánh giá thiệt hại tiềm năng diện tích đất trồng lúa do hạn mặn năm 2018 ở khu vực huyện Ba Tri, tỉnh Bến Tre. Tạp chí Khí tượng Thuỷ văn 2023, 749, 1–11.
26. Hiền, T.T.; Minh, V.Q.; Hương, H.T.T.; Dân, T.T.; Chiến, H.V.; An, N.H.; Thành, N.P. Theo dõi hiện trạng trà lúa và cảnh báo dịch hại trên cơ sở sử dụng công nghệ viễn thám và hệ thống thông tin địa lý GIS. Tạp chí Khoa học Trường Đại học Cần Thơ 2013, 143–151.
27. Hoang-Phi, P.; Nguyen, L.D.; Thong, N.H.; Thuy, L.T.; Apan, A.A. Monitoring rice growth status in the Mekong Delta, Vietnam using multitemporal Sentinel-1 data. J. App. Remote Sen. 2020, 14(1), 1–23.
28. Trực tuyến: https://dongthap.gov.vn/dieu-kien-tu-nhien-dong-thap.
29. Atkinson, P.M.; Jeganathan, C.; Dash, J.; Atzberger, C. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology. Remote Sen. Environ. 2012, 123, 400–417.
30. Atzberger, C.; Eilers, P.H.C. A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America. Int. J. Digit. Earth 2011, 4(5), 365–386.