Phát hiện mất rừng tự động sử dụng thuật toán học máy và ảnh Sentinel-2 trên Google Earth Engine: Nghiên cứu tại tỉnh Cà Mau

Tóm tắt

Nghiên cứu này trình bày việc xây dựng và thử nghiệm các mô hình học máy nhằm tự động phát hiện mất rừng tại tỉnh Cà Mau. Toàn bộ quy trình, từ tiền xử lý dữ liệu ảnh vệ tinh Sentinel-2 (Phản xạ bề mặt - L2A) huấn luyện và đánh giá mô hình được thực hiện trên nền tảng điện toán đám mây Google Earth Engine (GEE). Nghiên cứu đã sử dụng kỹ thuật lọc mây để có được ảnh với mây che phủ dưới 40%, đồng thời trích xuất 10 kênh phổ và 8 chỉ số thực vật, trong đó các chỉ số delta (ΔNDVI, ΔEVI, ΔNBR, ΔSAVI) phục vụ huấn luyện và đánh giá mô hình. Ba thuật toán học máy được sử dụng bao gồm Random Forest, Support Vector Machine (SVM) và Gradient Boosting Trees (GBT). Nghiên cứu sử dụng 2.500 điểm mẫu được thu thập với tỷ lệ cân bằng 50% mất rừng và 50% không mất rừng, sau khi trích xuất các đặc trưng cho các điểm mẫu tiến hành chia dữ liệu huấn luyện chiếm 80% (train và validation), 20% dữ liệu kiểm chứng (test), đảm bảo duy trì tỷ lệ 50:50 trong mỗi tập. Kết quả đánh giá cho thấy mô hình Gradient Boosting Trees đạt hiệu suất cao nhất với độ chính xác tổng thể 85,40%, recall 72,00%, precision 98,36% và F1-score 83,14%. Với recall đạt mức khả quan và precision rất cao, hệ thống cho thấy độ tin cậy cao khi cảnh báo mất rừng, đồng thời phát hiện được phần lớn các trường hợp mất rừng thực tế. Nghiên cứu đã xây dựng thành công một công cụ phát hiện mất rừng tự động trên GEE, cung cấp thông tin hỗ trợ hiệu quả cho công tác quản lý rừng tại địa phương. Tuy nhiên, cần nghiên cứu tiếp về tích hợp dữ liệu radar Sentinel-1 để khắc phục hạn chế về mây che phủ trong mùa mưa và nâng cao hơn nữa khả năng phát hiện.

Từ khóa: machine learning, random forest, sentinel-2, Cà Mau, phát hiện mất rừng