Tích hợp dữ liệu Landsat và Sentinel để đánh giá rừng ngập mặn và trữ lượng khí sinh thái tại Cà Mau
DOI:
https://doi.org/10.5281/zenodo.17224281Từ khóa:
vùng đất ngập nước, Rừng ngập mặn, Viễn thám, Sinh khối, Carbon và oxyTóm tắt
Vùng đất ngập nước là một trong những hệ sinh thái quan trọng nhất trên Trái Đất, đóng vai trò thiết yếu trong việc bảo tồn đa dạng sinh học, lọc nước, hấp thụ carbon và sản sinh oxy cho khí quyển. Trong bối cảnh biến đổi khí hậu ngày càng nghiêm trọng, việc giám sát và đánh giá các khu vực này là vô cùng cần thiết. Viễn thám từ lâu đã được ứng dụng rộng rãi trong theo dõi tài nguyên và môi trường, đặc biệt là với sự hỗ trợ từ các nguồn dữ liệu miễn phí như Landsat và Sentinel. Nghiên cứu này tập trung sử dụng dữ liệu viễn thám đa phổ từ Landsat 8 và Sentinel-2 để xác định khu vực rừng ngập mặn ven biển tại Cà Mau, Việt Nam. Thông qua việc tính toán các chỉ số thực vật như NDVI, NDWI,... nhóm nghiên cứu đã ước lượng được sinh khối trên mặt đất, trữ lượng carbon, khả năng hấp thụ carbon và nồng độ oxy. Kết quả nghiên cứu đã lập được bản đồ phân bố rừng ngập mặn, bản đồ trữ lượng carbon và oxy tương ứng. Những kết quả này góp phần hỗ trợ việc giám sát, bảo tồn và quản lý hiệu quả hệ sinh thái đất ngập nước, đồng thời cung cấp dữ liệu đầu vào quan trọng cho các nghiên cứu khí hậu và môi trường tại Việt Nam.
Downloads
Tài liệu tham khảo
[1] Grace, J. Carbon Cycle. In S. A. Levin (Ed.), Encyclopedia of Biodiversity (2nd ed., Vol. 1, pp. 674–684). Academic Press, 2013.
[2] IPCC. 2006 IPCC Guidelines for National Greenhouse Gas Inventories. Institute for Global Environmental Strategies (IGES), Japan, 2006.
[3] Shokoufeh Salimi; Suhad A. N. Almuktar; Miklas Scholz. Impact of climate change on wetland ecosystems: A critical review of experimental wetlands. Journal of Environmental Management 286, 112160-112175, 2021.
[4] Pan, Y., et al. A large and persistent carbon sink in the world’s forests. Science, 333(6045), 988–993, 2011.
[5] Bindu, G., et al. Carbon stocks assessment of mangroves using remote sensing and GIS. Egypt Journal of Remote Sensing and Space Sciences, 23, 1–9, 2020.
[6] Vườn quốc gia Cà Mau, https://vuonqgmcm.camau.gov.vn (ngày truy cập cuối: 28/09/2025)
[7] Alisa, L.G. (2015). The Challenges of Remote Monitoring of Wetlands. Remote Sensing, 7(8), 10938-10950, 2015.
[8] Meng, G., et al. A Review of Wetland Remote Sensing. Sensors, 17(4), 777, 2017.
[9] Kaplan, G., & Avdan, U. Monthly Analysis of Wetlands Dynamics Using Remote Sensing Data. Int. Journal Geo-Information, 7(10), 411, 2018.
[10] Ansa, S., et al. Leveraging machine learning and remote sensing to monitor long-term spatial-temporal wetland changes. Applied Geography, 151, 102868, 2023.
[11] Bo-cai, G. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58, 257–266, 1996.
[12] Huete, A. R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309, 1988.
[13] Reichle, D.E.Dynamic properties of the global carbon cycle. In The Global Carbon Cycle and Climate Change (2nd ed.), Elsevier, 2023
[14] Michael, S., & Malcolm, W.J.D. Aboveground Forest Biomass Estimation Combining L- and P-Band SAR. Remote Sensing, 10(7), 1151, 2018.
[15] Ghosh, S.M., & Behera, M.D. Aboveground biomass estimation using multi-sensor data synergy and machine learning algorithms. Applied Geography, 98, 29–40, 2018.
[16] Avitabile, V., Herold, M., Heuvelink, G. B. M., et al. An integrated pan-tropical biomass map using multiple reference datasets. Global Change Biology, 22(4), 1406–1420, 2016.
[17] IPCC. Refinement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventories. Intergovernmental Panel on Climate Change, 2019.
[18] Brown, S. Measuring carbon in forests: current status and future challenges. Environmental Pollution, 116(3), 363–372, 2002.
[19] Lu, D. The Potential and Challenges of Remote Sensing-Based Biomass Estimation. International Journal of Remote Sensing, 27(7), 1297–1328. 2006.
[20] Gitelson, A. A., Kaufman, Y. J., & Merzlyak, M. N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58(3), 289–298, 2003.
[21] Le Toan, T., Quegan, S., Davidson, M. W. J., et al. The BIOMASS mission: Mapping global forest biomass to better understand the terrestrial carbon cycle. Remote Sensing of Environment, 115(11), 2850–2860, 2011.
[22] Imhoff, M. L.Radar backscatter and biomass saturation: Ramifications for global biomass inventory. IEEE Transactions on Geoscience and Remote Sensing, 33(2), 511–518, 1995.
[23] Lucas, R., et al. The development of a forest biomass retrieval algorithm using L-band SAR and model inversion. Remote Sensing of Environment, 114(6), 1387–1402, 2010.
[24] Asner, G. P., Kellner, J. R., Kennedy-Bowdoin, T., et al. High-resolution mapping of forest carbon stocks in the Colombian Amazon. Biogeosciences, 9(7), 2683–2696, 2012.
[25] Dubayah, R. O., et al. The Global Ecosystem Dynamics Investigation: High-resolution laser ranging of the Earth’s forests and topography. Science of Remote Sensing, 1, 100002, 2020.
[26] Saatchi, S. S., et al. Benchmark map of forest carbon stocks in tropical regions across three continents. Proceedings of the National Academy of Sciences, 108(24), 9899–9904, 2011.
[27] Landsat 8. https://www.usgs.gov/ (ngày truy cập cuối 28/09/2025)
[28] Sentinel - 2 Level-2A. https://sentinels.copernicus.eu/ (ngày truy cập 28/09/2025)
[29] Giri, C., Zhu, Z., & Tieszen, L. L. Mangrove forest distributions and dynamics (1975–2005) of the tsunami-affected region of Asia. Journal of Biogeography, 34(3), 519–528, 2007
[30] Thenkabail, P. S., Lyon, J. G., & Huete, A. (Eds.). Hyperspectral Remote Sensing of Vegetation. CRC Press, 2011.
[31] Tucker, C. J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127–150, 1979.
[32] Gao, B. C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257–266, 1996.
[33] Nguyen, H. T., Le, Q. T., & Vo, Q. T. A novel coastal mangrove recognition index (CMRI) using Sentinel-2 imagery: Case study in Vietnam. Remote Sensing Letters, 11(4), 345–354, 2020.
[34] Rahman, M. M., Ahmed, M., Ismail, H., et al. Estimating above-ground biomass in mangrove ecosystems: A comparison of multiple regression and machine learning algorithms. International Journal of Remote Sensing, 34(22), 7885–7906, 2013.
[35] Makundi, W. R., & Sathaye, J. A. GHG mitigation potential and cost in tropical forestry—Relative role for agroforestry. Environment, Development and Sustainability, 6(1), 235–260, 2004.
[36] Drusch, M., et al. Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of Environment, 120, 25–36, 2012.
[37] Roy, D. P., et al. Landsat-8: Science and Product Vision for Terrestrial Global Change Research. Remote Sensing of Environment, 145, 154–172, 2014.
Lượt tải xuống
Đã Xuất bản
Số
Chuyên mục
Giấy phép
Tác phẩm này được cấp phép theo Giấy phép Creative Commons Ghi công 4.0 Quốc tế.
Giấy phép CC 4.0
