Professional Documents
Culture Documents
VQMInh FULLTEXT GISRSdubodichhailua11 8 2010
VQMInh FULLTEXT GISRSdubodichhailua11 8 2010
VQMInh FULLTEXT GISRSdubodichhailua11 8 2010
net/publication/266494462
Ứng dụng công nghệ GIS và ảnh Modis trong quản l`y dự báo dịch hại lúa ở DJổng
Bằng sông Cửu long
CITATIONS READS
0 1,750
1 author:
Vo Quang Minh
Can Tho University
238 PUBLICATIONS 1,221 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Quan hệ giữa hiện trạng thực vật che phủ khu vực vườn quốc gia U Minh Hạ, Cà Mau với giá trị DN (Digital Number) của ảnh viễn thám Worldview View project
Soil-improving cropping systems for sustainable rice production in the Vietnamese Mekong delta (SUSRICE) View project
All content following this page was uploaded by Vo Quang Minh on 14 February 2015.
Ngoài chỉ số khác biệt thực vật thì chỉ số trạng thái thực vật VCI được tính toán trên cơ
sở phân tích chuỗi số liệu NDVI cũng là thước đo để đánh giá trạng thái sinh trưởng và phát triển
của lớp phủ bề mặt. Chỉ số này được đưa ra lần đầu tiên bởi Kogan (1997), thể hiện mối quan hệ
giữa NDVI của tháng hiện hành với NDVI cực trị được tính toán từ chuỗi số liệu:
Trong đó: NDVI , NDVI được tính toán từ chuỗi số liệu i cho từng tháng (hoặc tuần)
max min
và j là chỉ số của tháng (tuần) hiện thời. Điều kiện của lớp phủ thực vật được thể hiện thông qua
chỉ số VCI có thứ nguyên là phần trăm. Giá trị VCI dao động trong khoảng 50% phản ảnh thực
vật phát triển bình thường. Giá trị VCI >50% thể hiện thực vật phát triển tốt. Khi giá trị VCI đạt
100%, NDVI của tháng đó (tuần đó) bằng với NDVI , cây trồng phát triển tốt nhất.
max
Trong nghiên cứu sử dụng ảnh viễn thám để theo dõi các thông số của chỉ số thực vật, có
nhiều loại ảnh viễn thám, trong đó thường sử dụng các band phổ của ảnh SPOT, Landsat. Tuy
nhiên do các loại ảnh này mặc dù có độ phân giải mặt đất tương đối cao, từ vài mét đến vài chục
mét, nhưng lại có chu kỳ lập lại từ 2 đến 3 tuần, trong khi đó hiện nay với sự phát triển của vệ
tinh MODIS, với dải quét rộng 2.330km, vệ tinh MODIS quan sát được mọi điểm trên Trái Ðất
1-2 ngày lần với 36 kênh phổ riêng biệt, MODIS cải tiến trên cơ sở kế thừa thiết bị đo phổ phân
giải cao (AVHRR) của NOAA và theo dõi các dấu hiệu quan trọng của trái đất rộng hơn bất kỳ
cảm biến Terra nào. Với ảnh MODIS, có thể sử dụng trong quan trắc thay đổi sinh quyển, nghiên
cứu chu trình Carbon toàn cầu, đặc biệt ảnh MODIS có thể đo đạc hoạt động quang hợp của cây
trồng cho hiệu suất ước lượng độ lớn khí nhà kính trong quan trắc và trong quan sát sản lượng
cây trồng cùng vớ bộ cảm biến đo nhiệt độ bề mặt trái đất. Những đo đạc sinh quyển của ảnh
MODIS giúp cho các nhà khoa học theo dõi được nguồn tài nguyên và các nguồn Carbon
dioxide do sự thay đổi khí hậu. Với 36 kênh phổ được chụp định kỳ 1-2 ngày, ảnh MODIS được
ứng dụng rất rộng rãi trong nhiều lĩnh vực, tuỳ vào mục đích nghiên cứu có thể sử dụng các kênh
phổ khác này của ảnh MODIS. Trong đó 2 kênh phổ quan trọng cho việc giám sát tiến độ xuống
giống lúa là kênh đỏ và cận hồng ngoại, được sử dụng tính toán các chỉ số thực vật (NDVI)
Bảng 1. Các kênh phổ của đầu đo MODIS được sử dụng trong việc tính toán chỉ số thực
vật
Kênh MODIS Bước sóng (mµ) Độ rộng bước sóng (mµ) Độ phân giải (m)
1 0.620-0.670 0.005 250
2 0.841-0.876 0.035 250
Hình 1 : Bản đồ phân vùng khả năng bị nhiểm rầy ở các tháng trong năm 2008, giải
đoán từ ảnh MODIS, qua phân tích chỉ số NDVI.
3. ỨNG DỤNG KỸ THUẬT THÔNG TIN ĐỊA LÝ (GIS) QUẢN LÝ DỬ LIỆU BẢO VỆ
THỰC VẬT PHỤC VỤ DỰ BÁO DỊCH HẠI
Trong việc ứng dụng công nghệ thông tin phục vụ các lảnh vực có liên quan, ảnh viễn
thám được xem như là một nguồn dử liệu quan trọng cung cấp các thông tin tài nguyên, môi
trường khá chính xác và nhanh chóng. Tuy nhiên việc xử lý các thông tin ảnh viễn thám cũng
như các thông tin về hiện trạng, đo đạc, điều tra thực địa phục vụ cho các ứng dụng, đặc biệt
trong dự báo dịch hại đòi hỏi phải sử dụng những kỹ thuật khá phức tạp. Với kỹ thuật thông tin
địa lý (GIS), có khả năng quản lý và xử lý các thông tin cả 2 dạng không gian và thuộc tính.
Trong quản lý dử lịêu bảo vệ thực vật phục vụ dự tính dự báo, kỹ thuật có khả năng dự đoán sự
phân bố của dịch hại ở những điểm không quan sát, dựa trên sự tương quan không gian của các
yếu có liên quan đến dịch hại.
Trong mô phỏng sự phân bố của rầy nây, các số liệu thu thập được xác định mối tương
quan tuyến tính giữa các điều kiện khí hậu, canh tác, v.v với mật số rầy nâu. Các yếu tố có tương
quan sẽ được chọn để xác định hồi quy tương quan, phương trình hồi quy được sử dụng để dự
đoán mật số rầy dựa trên công thức:
Mật số rầy (con/m2) = A. x1 + B x2 + C. x3 +…+ Z.xn
Trong đó: A, B, C,..Z là hằng số, x1, …xn : Là các yếu tố ảnh hương
Kỹ thuật GIS và thống kê địa lý được sử dụng trong xây dựng mô hình biến động, và nội
suy không gian xác định sự phân bố mật độ rầy nâu. Kết quả nội suy dự báo được so sánh độ
lệch chuẩn so với kết quả khảo sát thực tế. Tương quan tuyến tính của các yếu tố ảnh hưởng đến
mật số rầy được xác định, từ kết quả tương quan này, hồi quy tuyến tính của các yếu tố đối với
mật số rầy nâu được xây dựng. Dựa trên tương quan hồi quy này, mật số rầy nâu được dự đoán
dựa trên các yếu tố ảnh hưởng, kết quả dự đoán cho tất cả điểm khảo sát được so sánh với kết
quả khảo sát thực tế. Từ kết quả dự đoán và kết quả thực tế, mô hình biến động không gian sự
phân bố mật số rầy nâu được thiết lập và được sử dụng để nội suy sự phân bố của mật số rầy nâu
cho toàn khu vực khảo sát, có so sánh với kết quả thực tế về sự phân bố mật số rầy và độ lệch
chuẩn của sự phân bố này.
Trường hợp nghiên cứu ở xã Trung An, thốt nốt, tại 120 ruộng, đã tìm được các yếu tố
ảnh hưởng đến mật số rầy nâu với mức độ ý nghĩa cao, ở vụ thì mực nước ruộng và số lá không
có tương quan với mật số rầy, tuy nhiên yếu tố code màu lá lúa và ẩm độ không khí có tương
quan với mật số rầy. Bên cạnh đó yếu tố số lần phun thuốc sâu có ý mối tương quan nghịch với
mật số rầy. Phương trình hồi quy mật số rầy với các yếu tố ảnh hưởng của cả vụ như sau:
Mật số Rầy nâu (con/m2) = - 182,66 + (2,12 x thiên địch) + (37,84 x tuổi rầy) + (13,70 x nhiệt độ
không khí) + (72,19 x so màu lá lúa) – (4,88 x ẩm độ không khí) – (14,80 x
số lần phun thuốc trừ sâu).
Kết quả đánh giá cho thấy mật số rầy dự báo dựa trên hồi quy tương quan của các yếu tố
với mật số rầy, với hệ số tương quan r2 = 0,63** cho cả vụ (n = 120). Qua đó cho thấy việc dự
báo mật số rầy có thể dựa trên các yếu tố ảnh hưởng có liên quan. Hình 2 cho thấy có khuynh
hướng biến động giữa mật số rầy thực tế với dự đoán, khi mật số rầy dự báo tăng thì mật số rầy
thực tế cũng tăng, và ngược lại cho cả vụ. Tuy nhiên vẫn có các ruộng có mật số rầy thực tế lớn,
hoặc ít hơn so với dự báo. Điều này cho thấy mật số rầy thực tế còn chịu ảnh hưởng bởi các yếu
tố khác mà ta chưa kiểm soát được.
Mật sô rầy thưc tế
800
y = 0.9937x + 2.3126
700 2
R = 0.404
600
500
400
300
200
100
0
0 100 200 300 400 500
Mật sô rây thưc tế
Hình 2: Biến động và tương quan giữa mật số rầy thực tế và dự đoán cả vụ ở các điểm
khảo sát
Từ kết quả dư đoán và sử dụng phương pháp thống kê không gian sử dụng phương pháp
nội suy krigging trong mô phỏng sự phân bố mật số rầy nâu được đánh giá cho toàn khu vực
khảo sát được Bảng 2 cho thấy mô hình biến động không gian của mật số rầy nâu dự báo và
thực tế của cả vụ. Kết quả cho thấy mô hình biến động không gian cho cả vụ có hệ số xác định
(R2) khá cao. Ðiều này cho thấy mật số rầy nâu có quan hệ và biến động theo không gian, với
khoảng cách biến động dự đoán trong khoảng 3,0 km, và biến động thực tế khoãng 1,5 km.
Bảng 2: Mô hình biến động không gian của mật số rầy thực tế và dự đoán cả vụ (Trường hợp
nghiên cứu ở Trung An, Thốt Nốt, Cần Thơ)
Mật độ rầy nâu (con/m2) Mô hình Co Co+C R2 C/C+Co Ao (m) A (m)
Cả Vụ Dự đoán Gausian 1970 18840 0,940 0,895 1.747 3.025
Thực tế Gausian 9870 34330 0,740 0,712 889 1.539
Co : Phương sai số tồn đọng giữa các điểm khảo sát.
C+Co : Ngưỡng tham gia biến động.
Ao : Khoảng cách tham gia biến động.
A : Khoảng cách lớn nhất còn tham gia biến động.
R2 : Hệ số biến động.
C/C+Co : Phần trăm giá trị biến động
Kết quả nội suy cho thấy mật độ rầy nâu được dự đoán dựa trên các yếu tố ảnh hưởng
tương đối phù hợp với sự phân bố của mật độ rầy nâu thực tế (R2thực tế=0,740 và R2dự đoán=0,940
cho cả vụ) với mô hình biến động cho cả vụ là Gausian. Tuy nhiên kết quả dự đoán mật số rầy
nâu có thấp hơn so với mật số rầy thực tế, có thể do mật số rầy nâu thực tế chịu ảnh hưởng nhiều
yếu tố để bộc phát. Bên cạnh các yếu tố khí hậu thời tiết, kỹ thuật canh tác, còn có các yếu tố ảnh
hưởng mà ta chưa kiểm soát được như ảnh hưởng của gió, giông lúa, kỹ thuật chăm sóc, v.v. Kết
quả nội suy phân bố mật độ rầy nâu dự đoán dựa trên sự tương quan của các yếu tố ảnh hưởng
đến mật độ rầy nâu, và kết quả nội suy không gian mật độ rầy nâu thực tế cả vụ được trình bày ở
Hình 3.
Bên cạnh đó, độ lệch chuẩn của kết quả đự đoán cũng cho thấy ở các vị trí gần với địa
điểm khảo sát thì độ lệch chuẩn thấp hơn so với những điểm ở xa. Ðiều này cho thấy độ tin cậy
của kết quả dự đoán cũng sẽ phụ thuộc nhiều vào khoảng cách của các điểm khảo sát. Vị trí của
các điểm khảo sát cần bố trí ở điểm với các khoảng cách bảo đảm kết quả dự báo có độ tin cậy
cao và độ lệch chuẩn thấp nhất. Trong nghiên cứu này, khoảng cách bố trí các điểm khảo sát tốt
nhất không vượt qua 3km (giá trị A ở mô hình dự đóan cho cả vụ).
Hình 3: Biến động không gian mật độ rầy nâu thực tế và dự đoán và độ lệch chuẩn vụ
Đông Xuân
4. KẾT LUẬN & KIẾN NGHỊ
Phương pháp ứng dụng kỹ thuật GIS và nội suy không gian có thể được áp dụng trong các
nghiên cứu đánh giá hiện trạng tình hình gây hại và dự đoán xu thế ảnh hưởng của các đối tượng
khác theo không gian và thời gian phục vụ cho việc dự tính dự báo trong chuyên ngành bảo vệ
thực vật cũng như các chuyên ngành khác.
Ứng dụng ảnh viễn thám kết hợp kỹ thuật GIS được xây dựng có các khả năng quản lý tiến độ
gieo sạ và loại giống lúa gieo trồng, giám sát tình hình dịch hại của địa phương theo thời gian,
xây dựng các bản đồ thời vụ gieo trồng, phân bố giống, tỉ lệ giống sử dụng theo khuyến cáo, dịch
hại phát sinh theo từng thời điểm, bản đồ dự báo nguy cơ nhiễm dịch hại rầy nâu, đa dạng hóa
cây trồng trên nền đất lúa.
Ðể đạt được kết quả dự báo với độ tin cậy cao cần thiết lập các mô hình dự báo cho từng giai
đoạn sinh trưởng, thời vụ canh tác, với các giống khác nhau, cũng như nghiên cứu bổ sung các
yếu tố khác ảnh hưởng đến sự hiện diện và phân bố của rầy nâu như hướng và tốc độ gió, sự hiện
diện của cỏ dại, lọai và lượng phân bón sử dụng, thời điểm bón phân, v.v. Ðể đạt được yêu cầu
trên cần có nhiều hơn nửa các điểm khảo sát với khoảng cách khảo sát tương đối đồng nhất nhằm
giảm bớt các sai số trong quá trình nội suy, gia tăng độ chính xác của kết quả dự báo.
Nếu được triển khai sử dụng rộng hệ thống sẽ là một công cụ trợ giúp đắc lực cho các nhà quản
lý trồng trọt và bảo vệ thực vật các cấp trong công tác quản lý mùa vụ, hỗ trợ công tác phòng
tránh dịch hại hiệu quả.