Giám sát mùa vụ lúa ở Đồng bằng sông Cửu Long và Đồng bằng sông Hồng sử dụng dữ liệu viễn thám Sentinel-1

Kỷ yếu Hội nghị: Nghiên cứu cơ bản trong “Khoa học Trái đất và Môi trường” DOI: 10.15625/vap.2019.000123 230 GIÁM SÁT MÙA VỤ LÚA Ở ĐỒNG BẰNG SÔNG CỬU LONG VÀ ĐỒNG BẰNG SÔNG HỒNG SỬ DỤNG DỮ LIỆU VIỄN THÁM SENTINEL-1 Hoàng Phi Phụng1,2, Lâm Đạo Nguyên1 1 Trung tâm Ứng dụng Công nghệ Vũ trụ TP.HCM - Trung tâm Vũ trụ Việt Nam, Viện Hàn lâm Khoa học và Công nghệ Việt Nam (VAST), Email: ldnguyen@vnsc.org.vn 2 Học viện Khoa học và Công nghệ, VAST, Email: hpphung@vnsc.org.vn TÓM TẮT Lúa là một trong những cây trồng nông nghiệp chính đóng vai trò quan trọng trong vấn đề an ninh lương thực. Nên việc thiết lập công cụ giám sát phân bố diện tích trồng lúa và cơ cấu mùa vụ là rất cần thiết. Từ năm 2014, việc cung cấp một cách liên tục và miễn phí dữ liệu viễn thám radar (SAR) Sentinel-1, không bị ảnh hưởng bởi điều kiện khí quyển, mây che và ánh sáng mặt trời, cung cấp giải pháp bền vững cho các thách thức về lập bản đồ và giám sát mùa vụ lúa ở những quốc gia nằm trong khu vực gió mùa nhiệt đới như Việt Nam. Trong bài báo này, vùng trồng lúa năm 2018 ở hai đồng bằng lớn nhất Việt Nam gồm đồng bằng sông Cửu Long (ĐBSCL) và đồng bằng sông Hồng (ĐBSH) được phân tích bằng cách sử dụng dữ liệu ảnh Sentinel-1A, cho thấy ứng dụng tiềm năng của dữ liệu SAR đa thời gian cho lập bản đồ diện phân bố lúa phục vụ cho quản lý nông nghiệp ở quy mô cấp vùng. Từ khóa: Sentinel-1, C-band, Mùa vụ lúa, Đồng bằng sông Cửu Long, Đồng bằng sông Hồng. 1. GIỚI THIỆU Công nghệ viễn thám là một cách tiếp cận đáng tin cậy và hiệu quả để giám sát các đối tượng trên bề mặt đất ở các quy mô khác nhau, đặc biệt là cây lúa, một trong những cây trồng nông nghiệp chính đóng một vai trò quan trọng trong vấn đề an ninh lương thực. Trong khi đó, các phương pháp truyền thống trong việc xác định diện tích và mùa vụ lúa trên một khu vực rộng lớn là bị giới hạn về mặt không gian và bị chi phối bởi các cuộc điều tra tốn kém, tốn nhiều công sức, thời gian và ẩn chứa sai số. Không giống như các cảm biến quang thụ động, cảm biến radar có khả năng tạo ảnh bề mặt Trái Đất ngay cả trong điều kiện mây che phủ, vì vậy sẽ hiệu quả hơn trong việc giám sát ruộng lúa (Le Toan et al., 1997). Đối với nền nông nghiệp canh tác lúa, lúa được trồng trong đất ngập nước, sự thay đổi các giai đoạn sinh trưởng cây lúa có thể làm thay đổi giá trị tán xạ ngược trên ảnh radar (Li et al. 2016). Dựa vào đặc điểm này của tán xạ ngược radar đối với ruộng lúa có thể thành lập bản đồ vùng trồng lúa và bản đồ cơ cấu mùa vụ lúa. Viễn thám radar được công nhận là một công cụ hữu hiệu để xác định bản đồ cánh đồng lúa (Bouvet et al., 2009). Dữ liệu SAR kênh C đặc biệt phù hợp để theo dõi và lập bản đồ lúa (Torres et al., 2012) vì độ nhạy của cảm biến kênh C đối với sinh khối thực vật phụ thuộc vào loại cây trồng (Ferrazzoli, et al., 1997). Mặc dù dữ liệu SAR không bị ảnh hưởng bởi mây hoặc ánh sáng mặt trời, các phương pháp dựa trên SAR đã không được sử dụng để lập bản đồ lúa quy mô lớn do những hạn chế trước đây về dữ liệu có sẳn và chi phí mua ảnh (Bouvet et al., 2009). Tuy nhiên, đến năm 2014 vệ tinh Sentinel-1A được phóng và cung cấp dữ liệu miễn phí cho người dùng với độ phân giải không gian cao 20 m (Interferometric Wide Swath (IW) Mode), dải quét rộng 250 km và chu kỳ lặp lại 12 ngày. Đến năm 2016, vệ tinh Sentinel-1B (Torres et al., 2012) được phóng cho phép thu được ảnh kết hợp với Sentinel-1A với chu kỳ lặp lại 6 ngày ở một số khu vực nhất định. Chuỗi thời gian dày đặc của dữ liệu Sentinel-1 và khả năng truy cập miễn phí ở độ phân giải không gian cao mang đến cơ hội thuận lợi trong giám sát sự tăng trưởng lúa gần thời gian thực ở khu vực nghiên cứu. Dữ liệu ảnh Sentinel-1 sử dụng trong nhiều ứng dụng như giám sát diện tích, mùa vụ lúa (Ferrant et al., 2017). Mục tiêu của bài báo này là sử dụng dữ liệu SAR Sentinel-1A trong giám sát phân bố diện tích vùng trồng lúa và thành lập bản đồ cơ cấu mùa vụ lúa cho hai vùng ĐBSCL và ĐBSH. Kỷ yếu Hội nghị: Nghiên cứu cơ bản trong “Khoa học Trái đất và Môi trường” 231 2. PHƢƠNG PHÁP 2.1. Dữ liệu sử dụng Nghiên cứu sử dụng dữ liệu Sentinel-1 chế độ GRD thu nhận từ ngày 01/12/2017 đến ngày 31/12/2018 cho ĐBSCL và từ ngày 01/01/2018 đến ngày 30/12/2018 cho vùng ĐBSH. Dữ liệu kiểm chứng là những mẫu được thu thập tại thực địa ở ĐBSCL và ĐBSH. Mục đích của việc chọn mẫu là để kiểm chứng kết quả thành lập bản đồ mùa vụ gồm các thông tin được thu thập như: tọa độ vị trí mẫu; thông tin lớp phủ là lúa một vụ, hai vụ hay ba vụ được điều tra từ nông dân. Số lượng mẫu thu thập để kiểm chứng gồm 271 điểm ở ĐBSCL và 147 điểm ở ĐBSH. 2.2. Phƣơng pháp Các bước xử lý gồm: a) tiền xử lý dữ liệu như multi-looking, định chuẩn, hiệu chỉnh địa hình, lọc nhiễu; b) lập bản đồ mùa vụ lúa bằng phương pháp đa thời gian; c) lập bản đồ cơ cấu mùa vụ lúa. Dữ liệu Sentinel-1 được xử lý để tạo ra ảnh hệ số tán xạ ngược (sigma0 hoặc sigma naught), sử dụng các bước xử lý trong phần mềm Sentinel Application Platform (SNAP). Sau khi định chuẩn dữ liệu và hiệu chỉnh địa hình để loại bỏ các hiệu ứng địa hình bằng cách sử dụng mô hình độ cao số (DEM) của Shuttle Radar Topography Mission với độ phân giải 1 arcs second. Dữ liệu SAR được thực hiện lọc nhiễu đa thời gian để giúp làm giảm tác động của nhiễu đốm trước khi được phân loại bằng cây quyết định dựa trên giai đoạn sinh trưởng. Căn cứ vào hành vi tán xạ ngược của dữ liệu Sentinel-1 phân cực VH theo các giai đoạn sinh trưởng của cây lúa, dữ liệu chuỗi thời gian được sử dụng để xác định đối tượng lúa. Tán xạ ngược radar của ruộng lúa có biên độ thay đổi lớn hơn 5 dB so với các lớp phủ khác thì có tán xạ ngược tương đối ổn định như mặt nước, cây ăn trái và khu dân cư,... Nghiên cứu sử dụng phương pháp đa thời gian để tách biệt giữa đất có lúa và không có lúa. Dựa vào các bản đồ lúa được thành lập để xác định cơ cấu mùa vụ lúa ở hai đồng bằng. Việc đánh giá độ chính xác phân loại được thực hiện dựa trên việc lấy mẫu ngẫu nhiên và phụ thuộc điều kiện đi lại tại địa phương. Các điểm mẫu thực địa được phân thành các lớp (một vụ, hai vụ, ba vụ, không lúa, mặt nước) theo kết quả phân loại. Sử dụng điểm mẫu kiểm tra và mỗi lớp được chọn có số mẫu tối thiểu là 20 mẫu (Congalton and Green 2009). Tập dữ liệu kiểm chứng 147 điểm cho ĐBSH và 271 mẫu cho ĐBSCL được sử dụng để đánh giá kết quả phân loại mùa vụ. 3. KẾT QUẢ VÀ THẢO LUẬN 3.1. Bản đồ mùa vụ lúa năm 2018 ở Đồng bằng sông Cửu Long Bản đồ vùng trồng lúa được thành lập từ chuỗi dữ liệu Sentinel-1 thu nhận trong khoảng thời gian vụ lúa Đông Xuân, Hè Thu và Thu Đông năm 2018 ở ĐBSCL. Kết quả bản đồ cơ cấu mùa vụ lúa ở ĐBSCL từ dữ liệu ảnh Sentinel-1 thể hiện trên hình 1. Kết quả phân loại cho thấy hầu hết các tỉnh ở ĐBSCL trồng lúa hai hoặc ba vụ. Để đánh giá kết quả bản đồ cơ cấu mùa vụ lúa năm 2018 thu được từ dữ liệu ảnh Sentinel-1 sử dụng bộ dữ liệu đánh giá được khảo sát từ 30/08-05/09/2018. Bộ dữ liệu kiểm chứng gồm 271 điểm mẫu được phân bố khắp cả ĐBSCL. Kết quả đánh giá thu được độ chính xác toàn cục của bản đồ mùa vụ là 93 % và hệ số Kappa là 0,86. 3.2. Bản đồ mùa vụ lúa năm 2018 ở Đồng bằng sông Hồng Tương tự như ĐBSCL, bản đồ vùng trồng lúa ở ĐBSH được thành lập từ chuỗi dữ liệu Sentinel-1 thu nhận trong khoảng thời gian vụ Đông Xuân, vụ Mùa năm 2018. Kết quả bản đồ cơ cấu mùa vụ lúa ở ĐBSH từ dữ liệu ảnh Sentinel-1 gồm bốn lớp phân loại là lúa một vụ, lúa hai vụ, không lúa và mặt nước (Hình 1). Kết quả phân loại cho thấy hầu hết các tỉnh ở ĐBSH trồng lúa một hoặc hai vụ, trong đó phổ biến là các vùng trồng lúa hai mùa vụ. Để đánh giá kết quả bản đồ cơ cấu mùa vụ lúa năm 2018, sử dụng bộ dữ liệu đánh giá được khảo sát từ 05-12/09/2018. Bộ dữ liệu Hồ Chí Minh, tháng 11 năm 2019 232 kiểm chứng gồm 147 điểm mẫu được phân bố khắp cả ĐBSH. Kết quả đánh giá thu được độ chính xác toàn cục của bản đồ cơ cấu mùa vụ là 94% và hệ số Kappa là 0,77. Hình 1. Bản đồ mùa vụ lúa năm 2018 ở Đồng bằng sông Cửu Long (trái) và Đồng bằng sông Hồng (bên phải). 4. KẾT LUẬN Các vệ tinh Sentinel-1 cung cấp dữ liệu liên tục và miễn phí đã thay đổi tính khả dụng của dữ liệu và cho phép truy cập với dữ liệu SAR, kênh C ở độ phân giải không gian và thời gian cao. Kết quả nghiên cứu đã chứng tỏ rằng dữ liệu Sentinel-1 được sử dụng để lập bản đồ cơ cấu mùa vụ lúa năm 2018 ở cả hai đồng bằng một cách chính xác và chi tiết. Phương pháp phân loại sử dụng trong nghiên cứu đã cung cấp một trong những giải pháp sử dụng hiệu quả bộ dữ liệu này nhằm mục đích lập bản đồ phân bố cơ cấu mùa vụ lúa năm 2018 ở độ phân giải không gian cao 20 m. Kết quả bản đồ cơ cấu mùa vụ lúa cả hai đồng bằng đã được kiểm chứng bằng dữ liệu thực địa, chứng minh tính khả thi trong việc lập bản đồ cơ cấu mùa vụ với độ chính xác toàn cục là 93 % và hệ số Kappa là 0,86 ở ĐBSCL và 94% và 0,77 ở ĐBSH. TÀI LIỆU THAM KHẢO [1]. Bouvet, A. et al., 2009. Monitoring of the rice cropping system in the Mekong delta using ENVISAT/ASAR dual polarization data. IEEE Trans. Geosci. Remote Sens., 47, p. 517–526. [2]. Congalton, R. G., and K. Green. 2009. Assessing the Accuracy of Remotely Sensed Data – Principles and Practices. Boca Raton, FL: CRC Press, Taylor & Francis Group. [3]. Dobermann, A., and T. Fairhurst. 2000. Rice - Nutrient Disorders and Nutrient Management. Manila: International Rice Research Institute. [4]. Ferrant, S., Selles, A., Le Page, M., Herrault, P.A., Pelletier, C., Al-Bitar, A., Mermoz, S., Gascoin, S., Bouvet, A., Saqalli, M., et al. 2017. Detection of irrigated crops from Sentinel-1 and Sentinel-2 data to estimate seasonal groundwater use in South India. Remote Sens., 9, p. 1119. [5]. Ferrazzoli, P., Paloscia, S., Pampaloni, P., Schiavon, G., Sigismondi, S., Solimini, D., 1997. The potential of multifrequency polarimetric SAR in assessing agricultural and arboreous biomass. IEEE Trans. Geosci. Remote Sens., 35, p. 5–17. [6]. Le Toan, T., Ribbes, F., Wang, L.F., Floury, N., Ding, K.H., Kong, J.A., Fujita, M., Kurosu, T. 1997. Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results. IEEE Trans. Geosci. Remote Sens., 35, p. 41–56. [7]. Li, S., Ni, P., Cui, G., He, P., Liu, H., Li, L., Liang, Z. 2016. Estimation of rice biophysical parameters using multitemporal RADARSAT-2 images. In IOP Conference Series: Earth and Environmental Science; IOP Publishing: Bristol, UK, Volume 34, p. 012019. Kỷ yếu Hội nghị: Nghiên cứu cơ bản trong “Khoa học Trái đất và Môi trường” 233 [8]. Torres, R., Snoeij, P., Geudtner, D., Bibby, D., Davidson, M., Attema, E., Potin, P., Rommen, B., Floury, N., et al., 2012. GMES Sentinel-1 mission. Remote Sens. Environ. 120, p. 9–24. MONITORING RICE CROP IN THE MEKONG DELTA AND RED RIVER DELTA USING SENTINEL-1 DATA Hoang Phi Phung 1 , Lam Dao Nguyen 2 1 HCMC Space Technology Application Center – Vietnam National Space Center – Vietnam Academy of Science and Technology (VAST), Email: ldnguyen@vnsc.org.vn 2 Graduate University of Science and Technology, VAST, Email: hpphung@vnsc.org.vn ABSTRACT Rice is one of the main agricultural crops that plays an important role in food security. Therefore, building a tool for monitoring changes of rice cultivated area and rice cropping system is essential. From 2014, Sentinel-1A satellite have been providing continuously and free SAR data that is not affected by atmospheric, sunlight conditions and clouds. Using SAR data can provide sustainable solutions to the challenges on rice mapping and monitoring in the countries located tropical monsoon, such as Vietnam. In the paper, rice planted areas in the Mekong Delta and Red River Delta in 2018 were detected by using multi-temporal Sentinel-1A images with C-band and 20 m spatial resolution. The study showed the potential application of time-series SAR data for rice crop mapping serving for agricultural management in regions. Key words: Sentinel-1, SAR, C-band, Rice mapping, Mekong Delta, Red River Delta.