Bài dịch: " Giám sát carbon: Nỗ lực lập mô hình giúp ước tính nhanh chóng và chính xác sinh khối rừng"

Các nhà nghiên cứu từ Đại học Connecticut đang tìm cách đẩy nhanh quá trình này bằng cách sử dụng dữ liệu viễn thám. Những phát hiện của họ đã được công bố trên tạp chí Scientific Reports.

Nhóm nghiên cứu từ Khoa Tài nguyên Thiên nhiên và Môi trường thuộc Trường Cao đẳng Nông nghiệp, Sức khỏe và Tài nguyên Thiên nhiên, bao gồm nghiên cứu sinh tiến sĩ Shashika Himandi Gardeye Lamahewage, trợ lý giáo sư Chandi Witharana, phó giáo sư Robert Fahey và trợ lý giảng viên khuyến nông Thomas Worthley. Tác giả chính Lamahewage giải thích rằng sinh khối trên mặt đất (AGB) về cơ bản mô tả các thành phần của cây trên mặt đất, và các phương pháp đo lường AGB thông thường rất phức tạp và thường không thực tế. "Bạn có thể hình dung điều này giống như việc chúng ta đếm từng hạt cát trên bãi biển. Điều này thực sự không khả thi, dù ở cấp tiểu bang hay khu vực", Lamahewage nói. "Rừng cũng không đồng nhất, và chúng ta thường đưa ra ước tính không chính xác vì mất quá nhiều thời gian, và khi bạn đo xong thì cây đã lớn rồi."

Việc biết được lượng AGB được lưu trữ trong rừng có ý nghĩa rộng hơn đối với các vấn đề như mô hình hóa carbon, quản lý rừng và các quyết định bảo tồn, theo Witharana. Ví dụ, một công ty muốn chặt phá 50 mẫu Anh rừng và chuyển đổi thành một trang trại năng lượng mặt trời. Điều quan trọng là các nhà quy hoạch và cơ quan cấp phép phải ước tính xem việc này có đáng giá hay không. Hoặc là giữ nguyên hiện trạng rừng để nó có thể tiếp tục hấp thụ carbon, hoặc là khai hoang và xây dựng một trang trại năng lượng mặt trời tạo ra điện xanh. Khu rừng này có thể hấp thụ bao nhiêu carbon trong một khoảng thời gian nhất định? Chúng ta cần một ước tính định lượng về sinh khối. Việc biết được lượng carbon đã được lưu trữ và khả năng lưu trữ của rừng là rất quan trọng để đưa ra các quyết định quản lý. Ở những khu vực có rừng rậm, như Connecticut, các phương pháp hiện tại dựa vào một mạng lưới các ô đất thưa thớt, nơi Cơ quan Lâm nghiệp Hoa Kỳ có được ước tính sơ bộ.

"Các ô đất nằm rải rác về mặt không gian, vì vậy bạn có thể có được một số ước tính chung ở cấp quận, nhưng chúng tôi cần những ước tính chi tiết hơn về mặt không gian", Witharana nói.

Các nhà nghiên cứu đã tìm cách xây dựng một phương pháp nhanh chóng và hiệu quả để ước tính AGB. Để làm được điều này, họ đã phát triển một mô hình để đối chiếu các phép đo hiện trường về dữ liệu cấu trúc cây với dữ liệu viễn thám, bao gồm ảnh vệ tinh Landsat và Sentinel-2, và dữ liệu LiDAR. Sau đó, họ phân tích mối quan hệ giữa các nguồn này, Witharana giải thích. "Một khi tìm ra các biến chính xác nhất hoặc mạnh nhất, chúng ta có thể huấn luyện mô hình của mình. Khi mô hình mạnh, ý tưởng là chúng ta có thể dễ dàng ước tính sinh khối của một khu vực nhất định bằng cách sử dụng viễn thám", Witharana nói.

Các nhà nghiên cứu tập trung vào Connecticut vì tiểu bang này có rất nhiều dữ liệu LiDAR. Lamahewage cho biết điều này rất có giá trị, vì dữ liệu đám mây điểm LiDAR giúp hiểu rõ hơn về cấu trúc của các khu rừng. "Một trong những mục tiêu của chúng tôi là sử dụng càng nhiều dữ liệu công khai càng tốt", Lamahewage nói. "Chúng tôi đã huấn luyện các mô hình học máy dựa trên dữ liệu của một năm, do đó chúng tôi chỉ có khoảng 100 mẫu." Đây là một sự đánh đổi khó khăn nhưng quan trọng giữa quy mô mẫu nhỏ trong dữ liệu công khai, nhưng các nhà nghiên cứu đã thành công. Lamahewage cho biết vì mẫu huấn luyện của họ nhỏ, họ phải tinh chỉnh mô hình một cách toàn diện, gần giống như việc tìm kiếm tín hiệu rõ ràng trên radio, để đảm bảo mô hình hoạt động tối ưu. Họ đã xác định 67 biến giữa dữ liệu sơ đồ và các quan sát từ xa để huấn luyện mô hình. Để làm được điều này, họ đã sử dụng học máy để phân tích mối quan hệ phi tuyến tính giữa các biến. Lamahewage cho biết mô hình đã xác định được 28 biến có giá trị cao trong việc ước tính sinh khối, và trong số đó, 68% là các biến được lấy từ LiDAR.

"Một điều thú vị khác là từ dữ liệu Sentinel-2, mô hình của chúng tôi đã thu được suy luận sóng ngắn, cho chúng ta biết thông tin gián tiếp về sinh lý của cây và cũng cung cấp thông tin về sức khỏe của cây", Lamahewage nói.

Thông qua quá trình tinh chỉnh toàn diện này, Lamahewage đã phát triển chín mô-đun được huấn luyện trong các cài đặt siêu tham số khác nhau để đạt được hiệu suất tốt nhất. Witharana cho biết hiện tại họ có thể sử dụng mô hình này để kết nối nguồn dữ liệu quý giá từ Cơ quan Lâm nghiệp Hoa Kỳ và Tiểu bang Connecticut để đưa ra ước tính AGB có độ phân giải cao hơn và chính xác về mặt không gian. "Nghiên cứu này là điểm khởi đầu", Witharana nói. "Chúng tôi đang kết nối các điểm và tạo ra các sản phẩm nguồn mở hữu ích." Witharana cho biết các nghiên cứu trong tương lai sẽ áp dụng mô hình này cho các tập dữ liệu công khai lớn hơn từ các lô đất ở New Hampshire và New York để giảm thiểu hơn nữa sự không chắc chắn, cải thiện mô hình và phát triển các mô hình mới.

Lamahewage cho biết việc thúc đẩy nghiên cứu này là rất quan trọng và cho thấy giá trị của dữ liệu nguồn mở, ngay cả những tập dữ liệu tương đối nhỏ, trong việc giải quyết những thách thức to lớn như biến đổi khí hậu. "Khi tôi nói chuyện với các nhà nghiên cứu đồng nghiệp, đôi khi họ từ bỏ loại nghiên cứu này vì thiếu dữ liệu thực địa", Lamahewage nói. "Đây cũng là một nỗ lực để xem xét lượng dữ liệu công khai của chúng tôi có thể xây dựng các mô hình chính xác đến mức nào, có khả năng mở rộng ra các khu vực rộng lớn hơn, trong trường hợp này là lập bản đồ sinh khối, lập bản đồ hoặc mô hình hóa carbon. "Thật đáng tiếc khi thấy mọi người đang từ bỏ nghiên cứu này hoặc dữ liệu thực địa quý giá trong nhiều thập kỷ vì những hạn chế trong việc tiếp cận nó."

More information: Shashika Himandi Gardeye Lamahewage et al, Aboveground biomass estimation using multimodal remote sensing observations and machine learning in mixed temperate forest, Scientific Reports (2025). DOI: 10.1038/s41598-025-15585-6

Journal information: Scientific Reports 

by Elaina Hancock, University of Connecticut edited by Lisa Lock, reviewed by Robert Egan