Bài báo “Extraction of Rubber Plantations on Hainan Island, China, Using Multi-Source Remote Sensing Images During 2021–2025” của nhóm tác giả Xiangyu Liu, Jingjuan Liao, Ruofan Jing, Huichun Ye và Lingling Teng được công bố trên tạp chí Forests năm 2025 đã cung cấp một nghiên cứu toàn diện về ứng dụng dữ liệu viễn thám đa nguồn trong giám sát rừng cao su tại đảo Hải Nam, Trung Quốc. Nghiên cứu được thực hiện trong bối cảnh cao su tự nhiên tiếp tục là nguyên liệu chiến lược quan trọng đối với nhiều ngành công nghiệp như sản xuất ô tô, hàng không, xây dựng và y tế; đồng thời cũng là cây trồng có ý nghĩa kinh tế đặc biệt đối với khu vực nhiệt đới và cận nhiệt đới ở châu Á. Theo nhóm tác giả, Hải Nam hiện là một trong những vùng sản xuất cao su trọng điểm của Trung Quốc, tuy nhiên việc quản lý diện tích và theo dõi biến động rừng cao su đang gặp nhiều thách thức do tác động của biến đổi khí hậu, thiên tai và thay đổi sử dụng đất. Trên cơ sở đó, nghiên cứu đã đề xuất một quy trình giám sát rừng cao su bằng công nghệ viễn thám tích hợp nhiều nguồn dữ liệu khác nhau, gồm ảnh Landsat 8, Sentinel-1, Sentinel-2, ảnh độ phân giải cao GF-1 và dữ liệu mô hình số độ cao DEM. Các dữ liệu này được xử lý trên nền tảng điện toán đám mây Google Earth Engine (GEE), cho phép tự động hóa quá trình xử lý ảnh và xây dựng bản đồ phân bố rừng cao su trong giai đoạn 2021–2025. Nhóm tác giả nhấn mạnh rằng việc tích hợp đồng thời dữ liệu quang học và dữ liệu radar là giải pháp quan trọng nhằm khắc phục hạn chế do mây che phủ thường xuyên tại khu vực nhiệt đới, vốn là trở ngại lớn đối với các nghiên cứu sử dụng ảnh quang học đơn thuần. Một trong những điểm nổi bật của nghiên cứu là áp dụng thuật toán Otsu để xác định tự động các ngưỡng phân loại tối ưu giữa rừng cao su và các lớp phủ bề mặt khác. Trước hết, nhóm nghiên cứu sử dụng chỉ số NDVI tính toán từ ảnh Sentinel-2 nhằm phân biệt lớp phủ thực vật với các khu vực phi thực vật như đất trống hoặc khu dân cư. Sau đó, thuật toán Otsu tiếp tục được áp dụng để tách riêng rừng cao su và các kiểu thảm thực vật dày đặc khác. Kết quả cho thấy ngưỡng NDVI xác định cho rừng cao su dao động khoảng 0,73–0,75 trong các năm nghiên cứu. Tiếp theo, nghiên cứu sử dụng phép biến đổi Tasseled Cap Transformation (TCT) trên ảnh Landsat 8 để xây dựng các thành phần Brightness, Greenness và Wetness. Theo Liu và cộng sự, rừng cao su có đặc điểm Greenness cao, Brightness tương đối lớn và Wetness thấp hơn so với nhiều kiểu rừng tự nhiên khác. Nhờ đó, việc kết hợp các thành phần này đã giúp loại bỏ đáng kể hiện tượng nhầm lẫn giữa rừng cao su với đất nông nghiệp, cây bụi hoặc rừng tự nhiên. Đồng thời, dữ liệu DEM được sử dụng để loại bỏ các khu vực có độ cao trên 650 m hoặc độ dốc trên 30°, là những nơi không phù hợp với canh tác cao su. Để nâng cao độ chính xác, nhóm nghiên cứu tiếp tục khai thác dữ liệu radar Sentinel-1 với hai phân cực VV và VH nhằm nhận dạng đặc trưng cấu trúc tán cây cao su. Theo bài báo, giá trị tán xạ ngược của rừng cao su thường nằm trong khoảng từ −8,5 dB đến −6 dB đối với phân cực VV và từ −14 dB đến −12 dB đối với phân cực VH. Việc kết hợp đặc trưng radar với dữ liệu quang học và địa hình đã giúp nâng cao đáng kể khả năng nhận dạng rừng cao su trong điều kiện thời tiết phức tạp. Kết quả nghiên cứu cho thấy phương pháp tích hợp dữ liệu viễn thám đa nguồn đạt độ chính xác rất cao. Trong toàn bộ giai đoạn 2021–2025, độ chính xác tổng thể (Overall Accuracy) luôn vượt 90%, hệ số Kappa lớn hơn 0,85 và chỉ số F1 vượt 0,93. Các tác giả cho rằng đây là mức độ tin cậy đủ cao để phục vụ công tác giám sát, thống kê và quản lý rừng cao su trên quy mô lớn. Khi so sánh với các thuật toán học máy phổ biến như Random Forest (RF) và Support Vector Machine (SVM), phương pháp phân đoạn ngưỡng nhiều bước của nghiên cứu vẫn cho kết quả tương đương hoặc nhỉnh hơn về độ ổn định và khả năng triển khai thực tiễn. Về mặt không gian, bản đồ phân bố rừng cao su cho thấy diện tích trồng cao su tại Hải Nam tập trung chủ yếu ở khu vực phía Bắc và Tây Bắc đảo, đặc biệt tại Danzhou, Qiongzhong và Baisha. Trong khi đó, các khu vực địa hình đồi núi cao như Wuzhishan hoặc các vùng ven biển phát triển mạnh nuôi trồng thủy sản như Wenchang có diện tích cao su thấp hơn đáng kể. Diễn biến diện tích rừng cao su giai đoạn 2021–2025 cũng phản ánh khá rõ tác động của điều kiện tự nhiên và định hướng phát triển kinh tế địa phương. Theo số liệu nghiên cứu, diện tích rừng cao su giai đoạn 2021–2023 tương đối ổn định, dao động quanh mức 4.500–4.600 km². Tuy nhiên, năm 2024 ghi nhận mức giảm mạnh gần 150 km² so với năm trước, có thể liên quan tới bão, hạn hán hoặc thay đổi mục đích sử dụng đất. Sang năm 2025, diện tích cao su tăng trở lại khoảng 300 km², cho thấy xu hướng phục hồi đầu tư và mở rộng sản xuất. Nghiên cứu cũng đánh giá sâu về ảnh hưởng của độ phân giải ảnh viễn thám đối với kết quả phân loại. Theo nhóm tác giả, ảnh Landsat 8 độ phân giải 30 m phù hợp cho giám sát quy mô lớn nhưng hạn chế trong nhận dạng các vùng cao su nhỏ lẻ hoặc phân mảnh. Trong khi đó, Sentinel-2 với độ phân giải 10 m cho phép xác định ranh giới rừng cao su chính xác hơn. Đặc biệt, dữ liệu GF-1 độ phân giải 2 m có thể nhận diện được các đường lâm nghiệp, khu rừng cao su non hoặc các chi tiết cấu trúc tán cây mà dữ liệu độ phân giải thấp không thể hiện được. Từ những kết quả đạt được, bài báo khẳng định rằng việc tích hợp dữ liệu viễn thám đa nguồn kết hợp với các thuật toán phân loại phù hợp là hướng tiếp cận hiệu quả cho giám sát rừng cao su quy mô lớn. Bộ dữ liệu bản đồ thu được không chỉ hỗ trợ thống kê diện tích mà còn có thể phục vụ dự báo sản lượng, quản lý tài nguyên đất, đánh giá tác động môi trường và xây dựng chính sách phát triển nông nghiệp bền vững. Đồng thời, nhóm tác giả cũng lưu ý rằng khi áp dụng phương pháp này cho các khu vực khác cần hiệu chỉnh các ngưỡng phân loại phù hợp với điều kiện địa hình, khí hậu và đặc điểm sinh trưởng của cây cao su tại từng địa phương. Tài liệu tham khảoLiu, X.; Liao, J.; Jing, R.; Ye, H.; Teng, L. Extraction of Rubber Plantations on Hainan Island, China, Using Multi-Source Remote Sensing Images During 2021–2025. Forests, 2025, 16, 1773. DOI: 10.3390/f16121773.