Viễn thám được ứng dụng như thế nào đối với công tác đánh gía hiện trạng và biến động rong, cỏ biển?

Để tiến hành giải đoán các loại nền đáy khác nhau từ nguồn ảnh viễn thám (trong đó có rong, cỏ biển), có ba nhóm yếu tố cần được chú ý. Thứ nhất là các kĩ thuật loại nhiễu từ khí quyển và môi trường nước. Tiếp đến là nhóm kĩ thuật phân loại ảnh. Cuối cùng là loại ảnh viễn thám được sử dụng. Do vậy, độ chính xác của bản đồ được thành lập phụ thuộc vào rất nhiều yếu tố, sự sẵn có của dữ liệu thực địa cũng như khả năng giải đoán của người thực hiện.

Để loại bỏ một phần hoặc hoàn toàn sự ảnh hưởng của khí quyển lên giá trị bức xạ thu nhận tại mỗi điểm ảnh, ở mức độ xử lý tối thiểu, giá trị bức xạ sẽ được tính chuyển về giá trị phản xạ tại thượng tầng khí quyển (RefTOA). Sau đó, kĩ thuật loại bỏ các điểm ảnh tối được sử dụng (DOS: Dark of Substract)[1]⁠[2]⁠. Tuy vậy, mức độ này chưa loại bỏ được ảnh hưởng khi ánh sáng đi qua tầng khí quyển (dưới thượng tầng khí quyển). Mô hình 6S (Second Simulation of the Satellite Signal in the Solar Spectrum) được khuyến cáo sử dụng trong trường hợp này[3]⁠. Tương tự 6S, mô hình sử dụng bảng tìm kiếm (look-up table) cũng được áp dụng để tính chuyển giá trị RefTOA về giá trị phản xạ tại đáy của khí quyển (RefBOA: Bottom of Atmospheric). Bên cạnh đó, việc ứng dụng các tham số hồi quy thực nghiệm cũng là một lựa chọn rộng rãi (mô hình FLAASH).

Ở giai đoạn tiếp theo, để thu được giá trị phản xạ từ nền đáy, sự ảnh hưởng của cột nước lên giá trị bức xạ của ảnh cần được loại trừ[4]⁠[5]⁠. Nhiều kĩ thuật đã và đang được áp dụng, thay đổi phụ thuộc vào sự sẵn có của dữ liệu từ thực địa, độ phức tạp của thuật toán cũng như số băng phổ của ảnh viễn thám. Chỉ số bất biến theo độ sâu (DII: Depth Invariant Index) là kĩ thuật phổ biến nhất được sử dụng với giả định đồng nhất về môi trường trong cột nước[4]⁠[6]⁠. Trước đó, Bierwith đề xuất phương pháp tính theo các tầng độ sâu khác nhau để giảm thiểu tác động của môi trường nước lên giá trị bức xạ của điểm ảnh[7]⁠. Sagawa (2010) đề xuất tính chỉ số phản xạ nền đáy với sự hỗ trợ của dữ liệu độ sâu tại các khu vực đồng nhất về nền đáy[8]⁠. Trong một nghiên cứu khác, các tham số quang sinh được ước tính để hỗ trợ cho quá trình hiệu chỉnh[9]⁠[10]⁠. Kĩ thuật này tuy hiệu chỉnh tốt hơn nhưng yêu cầu cao về nguồn dữ liệu quang sinh tại thủy vực thực hiện.

Sau khi loại bỏ nhiễu từ khí quyển và cột nước, các loại nền đáy có thể được nhận biết nhờ vào nhóm kĩ thuật phân loại, trong đó phân loại có kiểm định dựa trên đặc điểm của điểm ảnh được sử dụng nhiều nhất. Xét về mức độ phổ biến, phân loại theo thuật toán xác suất cực đại (MLH: Maxiumum Likelihood) là kĩ thuật được lựa chọn trong nhiều nghiên cứu[2]⁠⁠[4]⁠[11]⁠. Trong trường hợp việc tách lớp gặp khó khăn do kích thước dưới điểm ảnh hoặc nhiều về phổ của các đối tượng, kĩ thuật phân tích mạng thần kinh (NN:Neural Network) được sử dụng[12]⁠. Ngoài ra, Support Vector Machine (SVM) cũng là một hướng tiếp cận rất đáng lưu ý do khả năng phân tách tốt các nhóm đối tượng khác nhau và có thể tối ưu các tham số trong quá trình thực thi[13]⁠. Ở một hướng khác, thư viện phổ của các đối tượng được sử dụng nhằm tăng độ chính xác của kết quả phân loại[14]⁠[15]⁠⁠⁠. Ở những mô hình phức tạp hơn, thuật toán chuyển đổi bức xạ (raditive transfer modeling) được sử dụng kết hợp với thư viện phổ của các đối tượng dưới nước, giúp quá trình phân loại dễ dàng và đạt được độ chính xác cao hơn[16]⁠[12]⁠.

Ngoài quá trình hiệu chỉnh ảnh, bản thân ảnh viễn thám là một đối tượng cần được lưu ý. Do đặc điểm phổ[15]⁠ cũng như kích thước đa dạng của các thảm cỏ, mức độ chi tiết và độ chính xác của bản đồ phân loại sẽ phụ thuộc vào số lượng và đặc điểm băng phổ cũng như độ phân giải không gian của ảnh. Đối với các nghiên cứu có yêu cầu đánh giá biến động theo thời gian, tần suất bay và thời gian tồn tại của vệ tinh là yếu tố quan trọng cần chú ý[4]⁠[17]⁠.

Liên quan đến đặc điểm băng phổ, hiện tại ảnh đa phổ và ảnh siêu phổ, ảnh máy bay là các nguồn ảnh được sử dụng, trong đó ảnh đa phổ được áp dụng rộng rãi hơn. Ảnh siêu phổ có đặc điểm băng thông phổ rất hẹp (giúp nhận diện và phân loại ảnh đến từng loài cỏ khác nhau) với độ phân giải cao (CASI, độ phân giải không gian 0,5m) hoặc độ phân giải rất thấp (HICO). Đây vừa là ưu điểm nhưng cũng là nhược điểm của ảnh siêu phổ trong quá trình lập bản đồ rong, cỏ biển. Ngoài ra, ảnh hàng không [18]⁠[17]⁠[19]⁠hoặc kết hợp với dữ liệu khảo sát bằng sóng âm [20]⁠cũng là một lựa chọn[21]⁠. Trong trường hợp ảnh đa phổ, các thế hệ ảnh Landsat được sử dụng phổ biến nhất (Landsat 4 – Landsat 8)[2]⁠[22]⁠[23]⁠[24]⁠, SPOT[25]⁠[11]⁠, Ikonos[11]⁠, Quickbird[6]⁠. Từ năm 2013, người sử dụng có thêm một lựa chọn mới với nguồn ảnh Sentinel 2[26]⁠[27]⁠.

Bên cạnh đặc điểm phổ, độ phân giải không gian của ảnh là yếu tố được lưu tâm đặc biệt. Đối với các thảm rong, cỏ biển, độ phân giải không gian được áp dụng rất đa dạng, có thể từ trung bình (30m), cao (10-30m) và rất cao (0,5-5m). Việc lựa chọn độ phân giải nào phụ thuộc vào kích thước của bãi rong cỏ cũng như độ chính xác của bản đồ được lập.

HIỆN TRẠNG ỨNG DỤNG VIỄN THÁM TRONG THÀNH LẬP BẢN ĐỒ HIỆN TRẠNG RONG, CỎ BIỂN TẠI VIỆT NAM

Tại Việt Nam, bản đồ các thảm rong, cỏ biển được thành lập dựa trên nguồn ảnh đa phổ với độ phân giải không gian từ trung bình đến cao. Về địa điểm thực hiện, bản đồ rong, cỏ biển được thành lập tại các vùng đầm phá, biển ven bờ, và đảo. Một số khu vực tiêu biểu có thể kể đến như đầm Lăng Cô (Thừa Thiên Huế)[28]⁠, đầm Thủy Triều (Khánh Hòa), đảo Cù Lao Chàm (Quảng Nam), đảo Lý Sơn (Quảng Ngãi), vùng biển ven bờ Hải Vân Sơn Chà[29]⁠, đảo Ba Mùn (thuộc khu bảo tồn biển Bạch Long Vĩ). Tuy vậy, mức độ chi tiết của bản đồ không có tính đồng nhất cao, một số khu vực chỉ thể hiện theo các điểm thu mẫu, chưa có phân bố đầy đủ theo các bãi rong, cỏ biển. Bên cạnh đó, một số nghiên cứu chưa đi kèm với phần đánh giá độ chính xác của bản đồ thành lập.

Trong quá trình giải đoán ảnh, hầu hết các nghiên cứu đều thực hiện giai đoạn hiệu chỉnh khí quyển. Tuy nhiên, mức độ xử lý không đồng đều giữa các kết quả. Tất cả các nghiên cứu đều tính chuyển về giá trị phản xạ tại thượng tầng khí quyển. Ở bước tiếp theo, kĩ thuật hiệu chỉnh với bảng tìm kiếm (look-up table) được áp dụng để chuyển về giá trị phản xại tại đáy khí quyển. Hiện tại, kĩ thuật này mới chỉ được áp dụng cho ảnh Sentinel 2 theo quy trình khuyến cáo bởi cơ quan vũ trụ châu Âu (ESA). Mô hình hiệu chỉnh 6S không được ghi nhận trong các tài liệu. Ngoài ra, kĩ thuật DOS cũng không được áp dụng trong danh sách các tài liệu đã công bố. Một trong những nguyên nhân là các khu vực phân bố rong, cỏ biển thường là vùng nước cạn, do vậy, không có đủ các điểm đen với giá trị phản xạ khi rời mặt nước bằng 0 (hoặc gần bằng 0) để thực hiện kĩ thuật DOS (DOS1 – DOS4).

Một điều đáng lưu ý, tất cả kết quả giải đoán được thực hiện sau khi ảnh được loại bỏ ảnh hưởng của cột nước, một bước bắt buộc phải có trong quá trình xây dựng bản đồ phân bố rong, cỏ biển (Green, 2000). Trong trường hợp này, hầu hết các công trình sử dụng chỉ số bất biến theo độ sâu (DII) để chuyển về giá trị phản xạ đáy. Tuy vậy, kĩ thuật này bị giới hạn được ở những khu vực đầm phá nước cạn hoặc vùng nước ven bờ, cửa sông nơi môi trường nước là không đồng nhất. Để khắc phục hạn chế này, kĩ thuật tính chỉ số phản xạ đáy (BRI) được một số tác giả thực hiện và cho kết quả khả quan. Tuy vậy, phương pháp chỉ số phản xạ đáy chỉ đạt kết quả tốt nhất khi có đủ thông tin về hệ số suy giảm ánh sáng theo độ sâu, hệ số suy giảm của ánh sáng trong khí quyển và dữ liệu về độ sâu của khu vực thực hiện. Điều này là một trở ngại lớn trong điều kiện thực tế tại Việt Nam. Ở một hướng khác, Thắng và Sơn (2012) đã dựa trên các băng tính chuyển từ chỉ số phản xạ đáy để xây dựng nên một chỉ số mới, giúp nhận diện chính xác hơn các thảm cỏ biển, qua đó, nâng cao độ chính xác của kết quả giải đoán. Quá trình phân tích tài liệu cho thấy chưa có nghiên cứu nào được thực hiện dựa trên đối sánh với thư viện phổ của các đối tượng rong, cỏ biển hay kết hợp phân tích dữ liệu quang sinh của môi trường nước.

Liên quan đến nguồn ảnh viễn thám, có nhiều bộ cảm khác nhau được sử dụng. Bộ cảm được sử dụng phổ biến bao gồm Landsat 5, Landsat 7 ETM, Landsat 8[28]⁠, SPOT 4, SPOT 5, ALOS AVNIR -2, Formosat 2, Sentinel 2. Danh sách này cho thấy bản đồ rong, cỏ biển được xây dựng từ nguồn ảnh đa phổ, sử dụng chủ yếu các băng phổ Blue, Green và Red. Độ phân giải không gian dao động từ 10m đến 30m. Ngoài ra, kĩ thuật nâng cao chất lượng ảnh cũng được thực hiện trong nhiều nghiên cứu, tuy vậy, kĩ thuật ghép ảnh để nâng cao độ phân giải không gian không được thực hiện trong tất cả các nghiên cứu. Khác với các đối tượng ở trên cạn, ảnh hưởng của cột nước lên giá trị bức xạ có thể làm thay đổi giá trị tại mỗi điểm ảnh sau khi được ghép. Do vậy, ghép ảnh nâng cao độ phân giải không gian không phải là một lựa chọn tối ưu trong trường hợp lập bản đồ rong, cỏ biển.

Một điểm khác cần lưu ý đó là việc đánh giá biến động theo thời gian của các thảm rong, cỏ biển chưa được thực hiện nhiều. Hiện tại, mới chỉ có nghiên cứu của Thắng (2013) đánh giá biến động thảm cỏ biển tại đầm Lập An dựa trên nguồn ảnh Landsat 5, Landsat 7 ETM và Landsat 8. Sơn (2012) tại đầm Thủy Triều. Việc đánh giá độ chính xác của bản đồ thành lập trong quá khứ gặp khó khăn do thiếu dữ liệu phân bố tại các thời điểm đó.

TÀI LIỆU THAM KHẢO

[1] P. S. Chavez, “An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data,” Remote Sens. Environ., vol. 24, no. 3, pp. 459–479, Apr. 1988.

[2] M. Gullström, B. Lundén, M. Bodin, J. Kangwe, M. C. Öhman, M. S. P. Mtolera, and M. Björk, “Assessment of changes in the seagrass-dominated submerged vegetation of tropical Chwaka Bay (Zanzibar) using satellite remote sensing,” Estuar. Coast. Shelf Sci., vol. 67, no. 3, pp. 399–408, Apr. 2006.

[3] E. F. Vermote, D. Tanre, J. L. Deuze, M. Herman, and J.-J. Morcette, “Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: an overview,” IEEE Trans. Geosci. Remote Sens., vol. 35, no. 3, pp. 675–686, May 1997.

[4] E. P. Green, P. J. Mumby, A. J. Edwards, and C. D. Clark, “A review of remote sensing for the assessment and management of tropical coastal resources,” Coast. Manag., vol. 24, no. 1, pp. 1–40, Jan. 1996.

[5] P. J. Mumby, C. D. Clark, E. P. Green, and A. J. Edwards, “Benefits of water column correction and contextual editing for mapping coral reefs,” Int. J. Remote Sens., vol. 19, no. 1, pp. 203–210, Jan. 1998.

[6] M. A. Amran, “Estimation of seagrass coverage by Depth Invariant Indices on Quickbird imagery.” Seameo, Biotrop, 2010.

[7] P. N. Bierwirth, T. J. Lee, and R. V. (Marine S. R. C. Burne Washington, DC (United States) Michigan Environmental Research Inst., Ann Arbor (United States)), “Shallow sea-floor reflectance and water depth derived by unmixing multispectral imagery,” 1993.

[8] T. Sagawa, E. Boisnier, T. Komatsu, K. Ben Mustapha, A. Hattour, N. Kosaka, and S. Miyazaki, “Using bottom surface reflectance to map coastal marine areas: a new application method for Lyzenga’s model,” Int. J. Remote Sens., vol. 31, no. 12, pp. 3051–3064, Jun. 2010.

[9] S. Maritorena, A. Morel, and B. Gentili, “Diffuse reflectance of oceanic shallow waters: Influence of water depth and bottom albedo,” Limnol. Oceanogr., vol. 39, no. 7, pp. 1689–1703, Nov. 1994.

[10] D. Yang and C. Yang, “Detection of Seagrass Distribution Changes from 1991 to 2006 in Xincun Bay, Hainan, with Satellite Remote Sensing,” Sensors, vol. 9, no. 2, pp. 830–844, Feb. 2009.

[11] A. Vela, V. Pasqualini, V. Leoni, A. Djelouli, H. Langar, G. Pergent, C. Pergent-Martini, L. Ferrat, M. Ridha, and H. Djabou, “Use of SPOT 5 and IKONOS imagery for mapping biocenoses in a Tunisian Coastal Lagoon (Mediterranean Sea),” Estuar. Coast. Shelf Sci., vol. 79, no. 4, pp. 591–598, Sep. 2008.

[12] P. V. Nagamani, P. Chauhan, N. Sanwlani, and M. M. Ali, “Artificial Neural Network (ANN) Based Inversion of Benthic Substrate Bottom Type and Bathymetry in Optically Shallow Waters – Initial Model Results,” J. Indian Soc. Remote Sens., vol. 40, no. 1, pp. 137–143, Mar. 2012.

[13] E. O. Afriyie, C. L. Khan, and H. M. Nacorda, “Support vector machine for seagrass and benthic bottom types classification using high resolution coastal digital aerial images,” Far East J. Electron. Commun., pp. 69–76, Sep. 2016.

[14] E. M. Louchard, R. P. Reid, F. C. Stephens, C. O. Davis, R. A. Leathers, and D. T. Valerie, “Optical remote sensing of benthic habitats and bathymetry in coastal environments at Lee Stocking Island, Bahamas: A comparative spectral classification approach,” Limnol. Oceanogr., vol. 48, no. 1part2, pp. 511–521, Jan. 2003.

[15] S. K. Fyfe, “Spatial and temporal variation in spectral reflectance: Are seagrass species spectrally distinct?,” Limnol. Oceanogr., vol. 48, no. 1part2, pp. 464–479, Jan. 2003.

[16] H. M. Dierssen, R. C. Zimmerman, R. A. Leathers, T. V. Downes, and C. O. Davis, “Ocean color remote sensing of seagrass and bathymetry in the Bahamas Banks by high-resolution airborne imagery,” Limnol. Oceanogr., vol. 48, no. 1part2, pp. 444–455, Jan. 2003.

[17] A. Dekker, V. Brando, J. Anstee, S. Fyfe, T. Malthus, and E. Karpouzli, “Remote Sensing of Seagrass Ecosystems: Use of Spaceborne and Airborne Sensors,” in SEAGRASSES: BIOLOGY, ECOLOGYAND CONSERVATION, Dordrecht: Springer Netherlands, pp. 347–359.

[18] M. Finkbeiner, B. Stevenson, and R. Seaman, “Guidance for benthic habitat mapping: an aerial photographic approach,” 2001.

[19] R. G. Lathrop, P. Montesano, and S. Haag, “A Multi-scale Segmentation Approach to Mapping Seagrass Habitats Using Airborne Digital Camera Imagery,” Photogramm. Eng. Remote Sens., vol. 72, no. 6, pp. 665–675, Jun. 2006.

[20] C. J. Brown, S. J. Smith, P. Lawton, and J. T. Anderson, “Benthic habitat mapping: A review of progress towards improved understanding of the spatial ecology of the seafloor using acoustic techniques,” Estuar. Coast. Shelf Sci., vol. 92, no. 3, pp. 502–520, May 2011.

[21] V. Pasqualini, C. Pergent-Martini, P. Clabaut, and G. Pergent, “Mapping of Posidonia oceanicausing Aerial Photographs and Side Scan Sonar: Application off the Island of Corsica (France),” Estuar. Coast. Shelf Sci., vol. 47, no. 3, pp. 359–367, Sep. 1998.

[22] C. M. Roelfsema, S. R. Phinn, N. Udy, and P. Maxwell, “An integrated field and remote sensing approach for mapping Seagrass Cover, Moreton Bay, Australia,” J. Spat. Sci., vol. 54, no. 1, pp. 45–62, Jun. 2009.

[23] S. VICENTESERRANO, F. PEREZCABELLO, and T. LASANTA, “Assessment of radiometric correction techniques in analyzing vegetation variability and change using time series of Landsat images,” Remote Sens. Environ., vol. 112, no. 10, pp. 3916–3934, Oct. 2008.

[24] C. A. Meyer and R. Pu, “Seagrass resource assessment using remote sensing methods in St. Joseph Sound and Clearwater Harbor, Florida, USA,” Environ. Monit. Assess., vol. 184, no. 2, pp. 1131–1143, Feb. 2012.

[25] V. Pasqualini, C. Pergent-Martini, G. Pergent, M. Agreil, G. Skoufas, L. Sourbes, and A. Tsirika, “Use of SPOT 5 for mapping seagrasses: An application to Posidonia oceanica,” Remote Sens. Environ., vol. 94, no. 1, pp. 39–45, Jan. 2005.

[26] K. Topouzelis, S. Charalampis Spondylidis, A. Papakonstantinou, and N. Soulakellis, “The use of Sentinel-2 imagery for seagrass mapping: Kalloni Gulf (Lesvos Island, Greece) case study,” 2016, p. 96881F.

[27] J. Hedley, C. Roelfsema, B. Koetz, and S. Phinn, “Capability of the Sentinel 2 mission for tropical coral reef mapping and coral bleaching detection,” Remote Sens. Environ., vol. 120, pp. 145–155, May 2012.

[28] H. N. Thắng and H. T. Trang, “Đánh giá hiện trạng phân bố thảm cỏ biển từ nguổn ảnh đa phổ Landsat 8 tại đầm Lập An, Thừa thiên Huế,” Tạp chí Khoa học Đại học Huế; T. 104, S. 5 Chuyên san Nông nghiệp và Phát triển Nông thôn, 2015.

[29] Bộ môn QLNLTS, “Thành lập khu bảo tồn biển Hải Vân Sơn Chà,” 2010.

Bài thực hiện bởi Soulextremely. Yêu cầu dẫn nguồn từ http://oceanrs.com trong trường hợp sử dụng lại bài viết.

Comments are closed.