PHÂN BỐ KHÔNG GIAN THÀNH PHẦN LOÀI CÂY NGẬP MẶN TẠI VƯỜN QUỐC GIA XUÂN THUỶ (TỈNH NINH BÌNH) DỰA TRÊN HỌC MÁY VÀ DỮ LIỆU ẢNH VIỄN THÁM ĐA CẢM BIẾN

Abstract

Mangrove forests play a critical role in improving coastal water quality, regulating coastal climate, mitigating the impacts of climate change, and protecting shorelines from waves and wind, while also providing essential ecosystem services for natural ecosystems and coastal communities. The classification of mangrove species (including monospecific stands and mixed-species assemblages) supports the assessment of spatial distribution and ecological characteristics of mangrove ecosystems, thereby contributing to biodiversity monitoring and conservation efforts. In this study, twelve dominant mangrove species were identified based on 121 field survey plots. Five widely used machine learning algorithms, including Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), CatBoost, Multi-layer Perceptron (MLP), and Maximum Likelihood Classifier (MLC), were applied in combination with multi-sensor remote sensing data, including Sentinel-2 optical imagery and Sentinel-1 radar data. The objective of this study is to model the spatial distribution and estimate the area of each mangrove species across Xuan Thuy National Park, Giao Minh commune, Ninh Binh province (formerly Nam Dinh province), Northern Vietnam – the first Ramsar site in Southeast Asia and the core zone of the Red River Delta World Biosphere Reserve. The results show that three dominant compositional types, including Kandelia obovata, K. obovata–Aegiceras corniculatum, and K. obovata–Rhizophora stylosa, account for approximately 83% of the total mangrove area. Among monospecific stands, K. obovata is the most dominant, followed by A. corniculatum, R. stylosa, Sonneratia caseolaris, and Avicennia marina. Among the evaluated models, CatBoost achieved the highest overall accuracy (OA = 0.95), followed by MLP (0.94), XGBoost (0.94), SVM (0.82), and MLC (0.50).

Tóm tắt

Rừng ngập mặn (RNM) đóng vai trò quan trọng trong cải thiện chất lượng nước biển ven bờ, điều hòa khí hậu khu vực ven biển, giảm thiểu tác động của biến đổi khí hậu và bảo vệ bờ biển trước sóng, gió; đồng thời cung cấp các dịch vụ thiết yếu cho hệ sinh thái tự nhiên và cộng đồng dân cư ven biển. Việc phân loại thành phần loài cây ngập mặn (bao gồm đơn loài và tổ hợp loài) hỗ trợ đánh giá phân bố không gian và các đặc trưng sinh thái của RNM, qua đó phục vụ công tác giám sát và bảo tồn đa dạng sinh học. Trong nghiên cứu này, mười hai loài cây ngập mặn chủ yếu được xác định dựa trên 121 điểm khảo sát thực địa. Năm thuật toán học máy phổ biến, gồm: Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Categorical Boosting (CatBoost), Multi-layer Perceptron (MLP) và Maximum Likelihood Classifier (MLC), được áp dụng kết hợp với dữ liệu viễn thám đa cảm biến, bao gồm ảnh quang học Sentinel-2 và dữ liệu radar Sentinel-1. Mục tiêu của nghiên cứu là mô phỏng phân bố không gian và ước tính diện tích của từng loài cây ngập mặn trong toàn bộ khu vực Vườn Quốc gia Xuân Thủy, tỉnh Ninh Bình (tỉnh Nam Định cũ) - khu Ramsar đầu tiên của khu vực Đông Nam Á và là vùng lõi của Khu Dự trữ Sinh quyển Thế giới châu thổ sông Hồng. Kết quả cho thấy, ba loài gồm: Trang (Kandelia obovata), Trang - Sú (K. obovata - A. corniculatum) và Trang - Đước vòi (K. obovata - R. stylosa) chiếm đa số, với tổng diện tích gần 83%. Trong các đơn loài, Trang chiếm ưu thế rõ rệt, tiếp theo là Sú, Đước vòi, Bần chua/Bần không cánh (Sonneratia caseolaris/Sonneratia apetala) và Mấm biển (Avicennia marina). Trong số các mô hình được đánh giá, CatBoost đạt độ chính xác cao nhất với OA (độ chính xác tổng thể) = 0,95, tiếp theo là MLP (0,94), XGBoost (0,94), SVM (0,82) và MLC (0,50).