Ứng dụng viễn thám trong ước tính độ ẩm đất phục vụ nông nghiệp: Xu hướng công nghệ và cơ hội triển khai tại Việt Nam

Nghiên cứu được thực hiện theo quy trình PRISMA, phân tích 64 công trình khoa học được lựa chọn từ 379 bài báo công bố trong giai đoạn 2016–2024. Các nghiên cứu tập trung vào ứng dụng dữ liệu quang học, nhiệt, vi ba và dữ liệu UAV để xác định độ ẩm đất trong sản xuất nông nghiệp. Báo cáo cho thấy dữ liệu vệ tinh hiện chiếm ưu thế với khoảng 73% số nghiên cứu nhờ khả năng bao phủ rộng và tính liên tục theo thời gian, trong khi UAV ngày càng được sử dụng nhiều trong các đánh giá chi tiết ở quy mô cục bộ. 

Một trong những xu hướng nổi bật của lĩnh vực này là tích hợp đa nguồn dữ liệu viễn thám. Các hệ thống radar khẩu độ tổng hợp (SAR) như Sentinel-1 cho phép quan sát trong mọi điều kiện thời tiết, đặc biệt hữu ích tại các khu vực nhiều mây hoặc mùa mưa kéo dài. Trong khi đó, dữ liệu quang học và nhiệt từ Sentinel-2, Landsat-8 hoặc MODIS lại cung cấp các chỉ số thực vật và thông tin nhiệt độ bề mặt có giá trị cho đánh giá trạng thái cây trồng và nước trong đất. Báo cáo nhấn mạnh rằng việc kết hợp dữ liệu quang học, nhiệt và vi ba đang trở thành chiến lược chủ đạo nhằm khắc phục hạn chế của từng loại cảm biến riêng lẻ. 

Trong số các phương pháp xử lý, nhóm mô hình học máy và học sâu hiện là hướng tiếp cận phổ biến nhất, chiếm khoảng 54% số nghiên cứu được khảo sát. Các thuật toán như Random Forest (RF), Support Vector Machine (SVM), Convolutional Neural Network (CNN) hay Long Short-Term Memory (LSTM) cho phép mô hình hóa các quan hệ phi tuyến phức tạp giữa tín hiệu viễn thám và độ ẩm đất. Sự phát triển mạnh của trí tuệ nhân tạo cùng với nguồn dữ liệu vệ tinh mở từ chương trình Copernicus đã tạo điều kiện cho các mô hình dự báo có độ chính xác ngày càng cao.

Báo cáo cũng chỉ ra nhiều thách thức kỹ thuật trong quá trình ước tính độ ẩm đất. Lớp phủ thực vật dày đặc có thể làm sai lệch tín hiệu tán xạ radar, đặc biệt với các hệ thống SAR băng tần C như Sentinel-1. Ngoài ra, độ nhám bề mặt, biến thiên hằng số điện môi của đất và thiếu dữ liệu đo đạc thực địa phục vụ hiệu chỉnh cũng là các nguồn sai số lớn. Để giảm thiểu các hạn chế này, nghiên cứu khuyến nghị sử dụng dữ liệu radar bước sóng dài hơn (L-band hoặc P-band), kết hợp đa cảm biến, tích hợp dữ liệu khí tượng, địa hình và áp dụng các kỹ thuật giảm tỷ lệ dữ liệu (downscaling). 

Đối với Việt Nam, các kết quả của nghiên cứu này có ý nghĩa thực tiễn rất lớn. Việt Nam là quốc gia có nền nông nghiệp nhiệt đới gió mùa với đặc điểm thời tiết phức tạp, lượng mây lớn và phân hóa sinh thái mạnh giữa các vùng miền. Điều này khiến việc theo dõi độ ẩm đất bằng các phương pháp truyền thống gặp nhiều khó khăn và chi phí cao. Trong bối cảnh đó, viễn thám radar SAR có tiềm năng đặc biệt quan trọng vì khả năng hoạt động xuyên mây và giám sát liên tục trong mùa mưa.

Tại Đồng bằng sông Cửu Long, dữ liệu Sentinel-1 kết hợp Sentinel-2 có thể hỗ trợ theo dõi hạn hán, xâm nhập mặn và tối ưu lịch tưới cho lúa. Các chỉ số NDVI, NDWI hoặc GNDVI được đề cập trong nghiên cứu có thể được tích hợp vào hệ thống giám sát cây trồng quốc gia nhằm đánh giá tình trạng sinh trưởng và nhu cầu nước của cây trồng theo thời gian thực. Đối với khu vực Tây Nguyên, nơi thường xuyên chịu tác động của hạn hán mùa khô, dữ liệu viễn thám có thể phục vụ điều tiết nước cho cây công nghiệp như cà phê, hồ tiêu và cao su.

Ngoài ra, Việt Nam đang thúc đẩy chuyển đổi số ngành nông nghiệp và tài nguyên môi trường, tạo điều kiện thuận lợi để triển khai các nền tảng giám sát độ ẩm đất tự động dựa trên điện toán đám mây và trí tuệ nhân tạo. Các nền tảng như Google Earth Engine kết hợp dữ liệu Copernicus có thể hỗ trợ xây dựng hệ thống cảnh báo sớm hạn hán quy mô quốc gia với chi phí thấp hơn nhiều so với mạng quan trắc truyền thống. Điều này đặc biệt phù hợp với điều kiện ngân sách và hạ tầng quan trắc còn hạn chế tại nhiều địa phương.

Tuy nhiên, để triển khai hiệu quả tại Việt Nam cần giải quyết một số vấn đề then chốt. Thứ nhất là thiếu dữ liệu đo đạc thực địa phục vụ hiệu chỉnh mô hình học máy. Báo cáo cho thấy nhiều quốc gia vẫn gặp khó khăn do mạng lưới quan trắc đất chưa đồng đều. Việt Nam cần xây dựng hệ thống điểm kiểm chứng độ ẩm đất đại diện cho các vùng sinh thái khác nhau nhằm nâng cao độ tin cậy của sản phẩm viễn thám. Thứ hai là năng lực xử lý dữ liệu lớn và vận hành mô hình AI vẫn còn hạn chế tại nhiều cơ quan địa phương. Việc đào tạo nguồn nhân lực chuyên sâu về viễn thám, trí tuệ nhân tạo và mô hình môi trường là yêu cầu cấp thiết trong thời gian tới.

Báo cáo cũng dự báo các sứ mệnh vệ tinh mới như NISAR, ROSE-L và CHIME sẽ mở ra khả năng giám sát độ ẩm đất với độ phân giải và tần suất quan sát cao hơn trong tương lai. Đây là cơ hội để Việt Nam tiếp cận các công nghệ giám sát nông nghiệp tiên tiến, phục vụ xây dựng nền nông nghiệp thông minh, thích ứng biến đổi khí hậu và quản lý tài nguyên nước bền vững.

Tài liệu tham khảo

1. Teixeira, A.C., Bakon, M., Lopes, D., Cunha, A., Sousa, J.J. (2025). A systematic review on soil moisture estimation using remote sensing data for agricultural applications. Science of Remote Sensing, Vol. 12, 100328. 

2. Tripathi, A., Tiwari, R.K. (2020). Synergetic utilization of Sentinel-1 SAR and Sentinel-2 optical remote sensing data for surface soil moisture estimation. Geocarto International. 

3. Greifeneder, F., Notarnicola, C., Wagner, W. (2021). A machine learning-based approach for surface soil moisture estimations with Google Earth Engine. Remote Sensing. 

4. Kerr, Y. et al. (2001). Soil Moisture and Ocean Salinity (SMOS) mission. IEEE Transactions on Geoscience and Remote Sensing.