Tính cấp thiết
Nguồn lợi hải sản không chỉ mang lại giá trị dinh dưỡng cao mà còn góp phần quan trọng vào sự phát triển kinh tế quốc gia Tuy nhiên, tình trạng suy giảm nguồn hải sản do khai thác quá mức đã dẫn đến việc nuôi trồng thuỷ hải sản trở thành xu hướng phát triển tất yếu Ngành khai thác hải sản hiện nay vẫn chủ yếu dựa vào kinh nghiệm của ngư dân, dẫn đến sản lượng khai thác không ổn định và hiệu quả thấp Với giá nhiên liệu ngày càng tăng và nguồn tài nguyên khan hiếm, sản lượng đánh bắt giảm sút, làm cho hoạt động khai thác trở nên kém hấp dẫn Để cải thiện tình hình, khoa học nghề cá, đặc biệt là dự báo ngư trường, sẽ cung cấp thông tin quan trọng về không gian và thời gian khai thác, từ đó nâng cao hiệu quả hoạt động khai thác hải sản.
Chlorophyll-a (Chl-a) là sắc tố quang hợp quan trọng trong tảo và thực vật phù du, được sử dụng để đại diện cho sinh khối cacbon của chúng Chl-a có vai trò thiết yếu trong chu trình cacbon giữa khí quyển và biển, quản lý dòng hải lưu, và giám sát nghề cá, đồng thời cũng là chỉ số đánh giá hiện trạng sinh thái môi trường biển Nhiệt độ bề mặt biển (SST) là yếu tố quan trọng trong nghiên cứu đại dương và khí quyển, ảnh hưởng đến trao đổi nhiệt và khí giữa hai môi trường này Bản đồ SST không chỉ hỗ trợ ngư dân trong việc đánh bắt cá mà còn cung cấp thông tin cho các mô hình dự báo khí hậu Dữ liệu về Chl-a và SST là đầu vào quan trọng cho các mô hình dự báo ngư trường, hiện đang được xây dựng cho các hạn như hạn mùa, hạn tháng và hạn tuần tại vùng biển Việt Nam.
Tại Trung tâm Dự báo ngư trường khai thác Hải sản – Viện Nghiên cứu Hải sản, các mô hình và quy trình dự báo từ đề tài KC.09.18/11-15 được đánh giá cao với độ chính xác trên 65% Dữ liệu để thiết lập DBNT khai thác được thu thập từ các chương trình điều tra khảo sát và nhật ký khai thác Tuy nhiên, việc thu thập dữ liệu khí tượng và hải dương gặp nhiều hạn chế như chi phí cao, cần nhiều nhân công, chuỗi dữ liệu bị gián đoạn và phụ thuộc vào thời tiết, dẫn đến khó khăn trong việc xây dựng DBNT do thiếu thông tin.
Hiện nay, công nghệ viễn thám đang được ứng dụng mạnh mẽ trong nghiên cứu môi trường biển nhờ vào khả năng cung cấp dữ liệu liên tục và rộng lớn về bề mặt Trái Đất Việc sử dụng dữ liệu viễn thám là cần thiết để đáp ứng kịp thời cho mô hình xây dựng các bản tin dự báo ngư trường Do đó, đề tài nghiên cứu “Ước tính hàm lượng chlorophyll-a và nhiệt độ bề mặt nước biển phục vụ dự báo ngư trường ở biển Việt Nam từ dữ liệu ảnh viễn thám” được lựa chọn, mang lại ý nghĩa quan trọng trong việc xây dựng mô hình dự báo ngư trường và khai thác hải sản tại Việt Nam.
Mục tiêu và nội dung nghiên cứu
Xác định các yếu tố như hàm lượng Chl-a và nhiệt độ bề mặt biển (SST) từ ảnh viễn thám MODIS Aqua là rất quan trọng để xây dựng cơ sở dữ liệu phục vụ cho việc khai thác tài nguyên biển tại vùng biển Việt Nam.
- Nội dung nghiên cứu: Để đạt được mục tiêu trên, luận văn cần phải thực hiện các nội dung sau:
Ứng dụng viễn thám trong nghiên cứu hàm lượng Chl-a và nhiệt độ bề mặt biển (SST) đóng vai trò quan trọng trong việc hiểu biết về điều kiện tự nhiên và mô hình động lực học biển tại khu vực nghiên cứu Nghiên cứu này tập trung vào việc tính toán và xác định các yếu tố hải dương như Chl-a và SST từ dữ liệu ảnh viễn thám MODIS Aqua, đồng thời phân tích sự biến động của chúng trong vùng biển được khảo sát.
Nghiên cứu này tập trung vào việc đánh giá mối quan hệ giữa các bộ số liệu tính toán từ dữ liệu ảnh viễn thám và các yếu tố hải dương học thực tế Đồng thời, nghiên cứu cũng thử nghiệm việc áp dụng dữ liệu này vào mô hình dự báo bão nhiệt đới (DBNT) tại vùng biển Việt Nam.
Phạm vi và đối tượng nghiên cứu
Phạm vi không gian của vùng biển Việt Nam bao gồm toàn bộ khu vực nội thủy, lãnh hải, vùng tiếp giáp lãnh hải và vùng đặc quyền kinh tế trên thềm lục địa, được xác định bởi bản đồ với tọa độ từ 5°N đến 23°N và từ 102°E đến 117°E.
Phạm vi thời gian: Từ tháng 1/2015 đến tháng 12/2020
Nghiên cứu khoa học này tập trung vào việc tính toán và xác định các yếu tố hải dương học như Chl-a và nhiệt độ bề mặt biển (SST) từ dữ liệu ảnh viễn thám MODIS Aqua Bài viết cũng phân tích sự biến động của các yếu tố này trong vùng biển Việt Nam.
- Đối tượng nghiên cứu: Yếu tố Chl-a và SST
Ý nghĩa khoa học và thực tiễn
Luận văn đã chứng minh và mở rộng khả năng ứng dụng phương pháp viễn thám trong phân tích các yếu tố môi trường biển như Chl-a và SST, đồng thời áp dụng công nghệ viễn thám vào việc đánh giá biến đổi môi trường tại vùng biển Việt Nam.
Nghiên cứu của luận văn sẽ cung cấp dữ liệu quan trọng về hải dương học nghề cá, hỗ trợ công tác dự báo biến đổi môi trường tại vùng biển Việt Nam, đặc biệt là mối quan hệ giữa cá và môi trường Luận văn cũng giúp phát hiện sớm các khu vực biển có hiện tượng nhiệt độ bất thường và ô nhiễm nước biển, như hiện tượng tảo nở hoa.
Cấu trúc luận văn
Ngoài phần mở đầu, kết luận, kiến nghị, tài liệu tham khảo, nội dung của luận văn được trình bày trong 3 chương:
Chương 1: Tổng quan về ứng dụng viễn thám trong ước tính hàm lượng Chl-a và SST phục vụ DBNT và phương pháp nghiên cứu
Chương 2: Cơ sở khoa học ước tính hàm lượng Chl-a và SST bằng tư liệu viễn thám
Chương 3: Phân tích hàm lượng Chl-a và SST từ dữ liệu ảnh viễn thám phục vụ DBNT tại vùng biển Việt Nam
Luận văn có tổng cộng 89 trang, được trình bày trên giấy A4 với định dạng văn bản gồm phần mở đầu và tài liệu tham khảo Nội dung bao gồm mục lục, danh mục hình ảnh, bảng biểu và từ viết tắt, sử dụng font chữ Times New Roman, cỡ chữ 13, khoảng cách dòng 1.5 Luận văn chứa 10 bảng biểu, 34 bản đồ, sơ đồ và hình ảnh, cùng với 44 tài liệu tham khảo bằng tiếng Việt và tiếng Anh.
TỔNG QUAN VỀ ỨNG DỤNG VIỄN THÁM TRONG ƯỚC TÍNH HÀM LƯỢNG CHL-A VÀ SST PHỤC VỤ DBNT VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Tổng quan nghiên cứu Chl-a và SST từ dữ liệu ảnh viễn thám
1.1.1 Một số vệ tinh sử dụng trong giám sát môi trường biển
Vệ tinh Orb View-2, được phóng lên quỹ đạo vào ngày 01 tháng 8 năm 1997, được trang bị cảm biến SeaWIFS để thu thập dữ liệu sinh học đại dương toàn cầu Vệ tinh này có khả năng theo dõi các đặc điểm của đại dương như hàm lượng Chl-a và độ trong của nước, với khả năng nghiêng tới 20 độ để tránh ánh nắng phản chiếu từ mặt biển, điều này đặc biệt quan trọng ở các vĩ độ xích đạo SeaWiFS đã sử dụng phao quang biển để hiệu chuẩn gián tiếp, với nhiệm vụ chính là cung cấp dữ liệu định lượng về tính chất quang sinh học đại dương toàn cầu Dữ liệu thu thập được giúp các nhà khoa học hiểu rõ hơn về vai trò của thực vật đại dương trong chu trình carbon của Trái Đất Vệ tinh này đã ngừng hoạt động vào ngày 11 tháng 6 năm 2010.
Vệ tinh EnviSat, được phóng vào quỹ đạo vào ngày 1 tháng 3 năm 2002 tại Trung tâm vũ trụ Guyana (Pháp) và vận hành bởi Cơ quan vũ trụ Châu Âu (ESA), đã thực hiện sứ mệnh cung cấp các thông số quan sát quan trọng để nâng cao nghiên cứu về môi trường Tuy nhiên, sau khi mất liên lạc vào ngày 8 tháng 4 năm 2012, ESA đã chính thức tuyên bố kết thúc sứ mệnh của EnviSat.
Vệ tinh Terra, thuộc hệ thống EOS - AM, được phóng vào quỹ đạo vào ngày 18 tháng 12 năm 1999 tại California, với sự hợp tác của các cơ quan nghiên cứu từ Canada, Nhật Bản và Mỹ Tên gọi Terra, có nguồn gốc từ tiếng Latinh nghĩa là "đất", chuyên nghiên cứu các hiện tượng như ô nhiễm, nóng lên toàn cầu và băng tan Vệ tinh hoạt động ở độ cao 705 km và bắt đầu thu thập dữ liệu từ thời điểm phóng.
Vào ngày 24 tháng 02 năm 2000, vệ tinh Terra thực hiện quỹ đạo bay từ Bắc xuống Nam qua xích đạo vào khoảng 10h30’ theo giờ Việt Nam, và vào ban đêm, vệ tinh này bay ngược lại từ Nam lên Bắc.
Vào khoảng 22h30’ theo giờ Việt Nam, vệ tinh với năm bộ cảm biến đã bắc qua xích đạo để theo dõi Trái Đất và những biến đổi khí hậu Các bộ cảm biến này bao gồm ASTER, CERES, MISD, MODIS và MOPITT.
Vệ tinh Aqua (EOS - PM) được phóng lên quỹ đạo vào ngày 4 tháng 5 năm 2002 tại California, Hoa Kỳ, hoạt động ở quỹ đạo cận cực với độ cao 702 km và thời gian bay quanh quỹ đạo là 98,8 phút Vệ tinh này thu thập dữ liệu toàn cầu về lượng mưa, bốc hơi, Chl-a, SST và nhiều yếu tố khác, với tên gọi Aqua có nguồn gốc từ tiếng Latinh nghĩa là “nước” Aqua được trang bị sáu bộ cảm biến chính để thực hiện nhiệm vụ nghiên cứu của mình.
+ Advanced Microwave Scanning Radiometer for EOS (AMSR-E),
+ Advanced Microwave Sounding Unit (AMSU),
+ Clouds and the Earths Radiant Energy System (CERES),
+ Humidity Sounder for Brazil (HSB),
+ Moderate Resolution Imaging Spectroradiometer (MODIS)
Trước khi đưa vào hệ thống vệ tinh Terra và Aqua, NASA cùng với Anh, Australia và Pháp đã thành lập bốn nhóm nghiên cứu về khí quyển, mặt đất, đại dương và định chuẩn phổ nhằm tính toán các yếu tố khí hậu Các nhóm nghiên cứu tập trung vào ứng dụng và hiệu chỉnh giá trị bức xạ từ vệ tinh, với độ rộng ảnh chụp lên tới 2330km và khả năng theo dõi đa thời gian Dữ liệu MODIS, với 36 kênh phổ từ 0,4 - 14 µm và độ phân giải không gian từ 250m đến 1000m, đã được sử dụng để theo dõi nhiều yếu tố như mây, chất lượng không khí, chỉ số thực vật, và diễn biến các khối băng Nhờ vào tính năng nổi bật, dữ liệu MODIS được áp dụng ở nhiều tỷ lệ khác nhau, từ cấp vùng đến quy mô lớn hơn.
Vệ tinh Terra và Aqua bay qua lãnh thổ Việt Nam bốn lần mỗi ngày vào các thời điểm 10h30’, 13h30’, 22h30’ và 1h30’ Nhờ đó, Việt Nam thu được bốn ảnh MODIS mỗi ngày Các sản phẩm MODIS liên quan đến đất liền có thể được truy cập trên website LP DAAC, trong khi các sản phẩm về màu nước biển và nhiệt độ nước biển được chia sẻ trên website Ocean Color.
Bảng 1.1 Kênh phổ và ứng dụng cơ bản của dữ liệu MODIS
Kênh Khoảng phổ (μm) Lưu trữ
(bit) Độ phân giải (m) Ứng dụng cơ bản
1 0,625 - 0,670 12 bit 250m Khoang ranh giới mây và đất
Nghiên cứu đặc tính mây và đất
Nghiên cứu về màu nước biển, sinh địa hoá học, phytopkankton
Nghiên cứu về hơi nước khí quyển
20 3,66 - 3,84 12 bit 1000m Đo nhiệt độ bề mặt/mây
24 4,433 - 4,498 12 bit 1000m Đo nhiệt độ khí quyển
Nghiên cứu về hơi nước trong khí quyển
30 9,580 - 9,880 12 bit 1000m Nghiên cứu tầng Ozone
31 10,780 - 11,280 12 bit 1000m Nghiên cứu nhiệt độ bề mặt/mây
Nghiên cứu mây ở vĩ độ cao
1.1.2 Nghiên cứu Chl-a và SST từ dữ liệu ảnh viễn thám MODIS trên thế giới Ứng dụng viễn thám nghiên cứu chất lượng môi trường nước biển đã được tiến hành trên thế giới từ cuối thập kỷ 70 của thế kỉ XX và cho đến nay đã đạt được nhiều thành tựu quan trọng Thành công rõ rệt nhất là những nghiên cứu cho vùng biển mở và đại dương Từ những nghiên cứu này, ngày nay cơ quan vũ trụ hàng không Hoa
NASA đã phát triển một loạt bản đồ quan trắc các thông số như Chl-a và SST trên toàn cầu với tần suất hàng ngày, hàng tuần và hàng tháng Ứng dụng viễn thám trong nghiên cứu biến động và quan trắc môi trường nước biển ven bờ đã đạt được nhiều thành tựu, nhưng vẫn gặp phải nhiều thách thức do sự phức tạp của thành phần và đặc tính nước biển ven bờ Các vấn đề còn tồn tại bao gồm sự không thống nhất trong mô hình tính toán thông số nước từ dữ liệu viễn thám, cũng như cần làm rõ các phương pháp xử lý ảnh cho các vùng nước khác nhau.
Việc ứng dụng viễn thám để nghiên cứu và quản lý môi trường ven biển đang trở nên quan trọng, đặc biệt là ở các vùng nước khác nhau Từ năm 1978, Mỹ đã sử dụng vệ tinh như MODIS, NOAA/AVHRR và CZCS để quan trắc chất lượng nước biển và thu thập thông tin về nhiệt độ, độ mặn và nồng độ Chl-a toàn cầu Tại Nhật Bản, viễn thám đã hỗ trợ ngành khai thác hải sản thông qua phân tích nhiệt độ bề mặt biển (SST) và màu đại dương Nghiên cứu cho thấy SST có ảnh hưởng đáng kể đến cường độ bão, với việc cường độ bão gia tăng khi đi qua vùng nước ấm do nhiệt ẩn và nhiệt hiện Hơn nữa, sự biến thiên của SST còn tác động đến trường gió bề mặt và hoạt động đối lưu, làm thay đổi cường độ bão Các nghiên cứu cũng chỉ ra rằng phân bố SST không đối xứng có thể ảnh hưởng đến hướng di chuyển của bão, do sự thay đổi trong ma sát bề mặt và dòng thông lượng nhiệt.
Gần đây, nghiên cứu tại Indonesia của S Antoni (2019) cho thấy khí hậu và nhiệt độ bề mặt biển (SST) đang gia tăng, đồng thời hàm lượng Chl-a giảm đi, trong bối cảnh băng tại hai cực tan chảy và nước biển dâng Tương tự, Saleh T Daqamseh (2019) đã sử dụng dữ liệu viễn thám MODIS để xác định SST, Chl-a và SSS cho khu vực cá tiềm năng ở Biển Đỏ, đồng thời phát triển thuật toán ước tính các chỉ số này Tại Hàn Quốc, các nhà khoa học đã nghiên cứu thuật toán POP để ước tính tỷ lệ cacbon hữu cơ thành Chl-a từ ảnh MODIS Aqua, áp dụng cho khu vực biển Nhật Bản.
1.1.3 Nghiên cứu Chl-a và SST từ dữ liệu ảnh viễn thám MODIS ở Việt Nam Trong thời gian qua, một số nhóm nghiên cứu thuộc các cơ quan chuyên môn của Viện Hàn lâm Khoa học Việt Nam, Bộ Tài nguyên và Môi trường, Bộ Nông nghiệp và Phát triển nông thôn đã tiến hành thử nghiệm ứng dụng dữ liệu ảnh viễn thám để tính toán SST và Chl-a trên biển Một số các đề tài, dự án điển hình như:
Nghiên cứu của Lê Minh Sơn (2008) đã sử dụng phần mềm SeaDAS trên hệ điều hành Linux để xác định dữ liệu SST và Chl-a từ ảnh viễn thám MODIS tại khu vực Biển Đông Kết quả cho thấy dữ liệu tính toán từ ảnh có độ chính xác cao, cung cấp thông tin hữu ích và kịp thời cho việc cảnh báo thiên tai và ô nhiễm môi trường biển Nghiên cứu cũng đề xuất một dự án thử nghiệm nhằm nâng cao độ chính xác trong việc tính toán hàm lượng Chl-a và SST từ ảnh vệ tinh.
Nghiên cứu của Dương Văn Khảm (2008) đã áp dụng công nghệ viễn thám vào lĩnh vực khí tượng thủy văn, với việc lựa chọn dữ liệu ảnh viễn thám MODIS là hợp lý Nghiên cứu đã sử dụng các thuật toán tính toán nhiệt độ bề mặt biển (SST) phổ biến trên thế giới để tính toán trường SST tại Việt Nam, cho kết quả chính xác Ba thuật toán tính toán SST đã được đánh giá, trong đó thuật toán bậc nhất có sai số nhỏ nhất (RMSE = 0,9 °C), tiếp theo là thuật toán bậc hai với sai số RMSE = 1,6 °C, và thuật toán bậc ba có sai số lớn nhất (RMSE > 3 °C).
Tổng quan nghiên cứu mô hình DBNT dựa trên quan hệ cá - môi trường từ dữ liệu viễn thám
1.2.1 Xây dựng DBNT trên thế giới
Mối quan hệ giữa yếu tố môi trường và ngư trường nguồn lợi cá khai thác rất chặt chẽ, với mọi thay đổi trong điều kiện môi trường dẫn đến biến động số lượng và phân bố của các đàn cá Nghiên cứu mối quan hệ giữa các yếu tố hải dương học như nhiệt độ, độ muối, dòng chảy, oxy hòa tan và năng suất sinh học sơ cấp đã được thực hiện thành công trên toàn cầu, giúp dự báo hiệu quả cho ngư dân Mỗi loài cá ở các vùng biển khác nhau yêu cầu các yếu tố môi trường khác nhau trong mô hình dự báo, do đó, việc nghiên cứu mối quan hệ này và lựa chọn yếu tố môi trường phù hợp cho từng loài là rất quan trọng Nhiều công trình khoa học gần đây đã được công bố về vấn đề này.
Trong hải dương học, nhiệt độ bề mặt biển (SST) đóng vai trò quan trọng trong hoạt động nghề cá, ảnh hưởng trực tiếp đến sự phân bố của đàn cá và gián tiếp thông qua tác động lên khu vực tập trung thức ăn cho chúng SST có khả năng tác động đến phạm vi phân bố địa lý của nhiều loài sinh vật biển Tuy nhiên, mối quan hệ giữa nhiệt độ và sự phân bố hay các tập tính sinh học của các loài sinh vật không phải lúc nào cũng rõ ràng, thường phải được phân tích thông qua các mối quan hệ khác, như trong trường hợp cá ngừ vây vàng và cấu trúc nhiệt đại dương.
Nhiệt độ là một yếu tố hải dương học quan trọng trong việc nghiên cứu môi trường sống của nhiều loài cá biển Mỗi loài cá có khoảng nhiệt độ thích ứng riêng, chẳng hạn như cá ngừ vằn ở vùng nhiệt đới thích ứng với nhiệt độ từ 14,7 - 30,0 oC, trong khi ở vùng biển Nhật Bản, chúng xuất hiện ở dải nước có nhiệt độ từ 18,0 - 28,0 oC Tương tự, đàn cá thu lớn ở vùng biển gần bờ miền trung Đại Tây Dương di cư trong khoảng nhiệt độ hẹp từ 8,0 - 13,0 oC.
Việc ứng dụng dữ liệu viễn thám biển trong dự báo khai thác các loài cá đã được nhiều nghiên cứu xác nhận, đặc biệt là mối quan hệ giữa sự phân bố của cá với Chl-a và SST Các nhà khoa học Ấn Độ đã sử dụng phương pháp phân tích không gian chồng bản đồ hàm lượng Chl-a và SST từ ảnh viễn thám độ phân giải cao (AVHRR) cùng với dữ liệu nghề cá để xác định khu vực tập trung cá Mansor và cộng sự đã phát triển hệ thống dự báo khai thác hải sản ở Biển Đông bằng cách phân tích dữ liệu về Chl-a và SST, từ đó xác định các khu vực tiềm năng có nước trồi, nước chìm và sự tập trung cao của thực vật phù du, dẫn đến việc xây dựng phần mềm DSS mang tên TroFFS cho dự báo đàn cá trong vùng biển nhiệt đới Tại Indonesia, các bản dự báo khai thác cá bạc má cũng được thiết lập dựa trên các yếu tố SST và Chl-a.
Năm 2011, một nghiên cứu đã phân tích mối quan hệ giữa năng suất khai thác cá ngừ vằn và hai yếu tố chính là nhiệt độ nước biển và hàm lượng Chl-a thu thập từ viễn thám Kết quả cho thấy các khoảng thích ứng sinh thái của cá ngừ vằn liên quan đến hai thông số này, từ đó giúp xây dựng dự báo cá ngừ vằn tại vùng Bone Bay - Flores Nhóm tác giả nhấn mạnh rằng nhiệt độ nước biển và hàm lượng Chl-a là những yếu tố quan trọng hơn so với các yếu tố khác Tại Đài Loan, các nhà khoa học cũng đã phát triển mô hình dự báo cá ngừ đại dương thông qua phân tích hồi quy tuyến tính, liên kết năng suất khai thác của nghề câu vàng cá ngừ đại dương với các yếu tố hải dương học như nhiệt độ, Chl-a và lớp đột biến nhiệt độ, đồng thời áp dụng phân tích thành phần.
20 chính PCA (Principal Components Analysis) ở vùng biển xích đạo Đại Tây Dương
Tại vùng biển Ấn Độ Dương, các nhà khoa học từ Học viện Công nghệ Châu Á, Nhật Bản và Sri Lanka đã áp dụng dữ liệu viễn thám của NOAA để xây dựng cơ sở dữ liệu nghề cá cho cá ngừ vây vàng, sử dụng các thông số như nhiệt độ nước biển, hàm lượng Chl-a và độ cao động lực bề mặt biển (SSH) Nghiên cứu cho thấy, mức sản lượng tối ưu cho cá ngừ vây vàng tương ứng với nhiệt độ 28,0 - 30,0ºC, hàm lượng Chl-a 0,1 - 0,4mg/m³ và độ cao bề mặt biển từ 205 - 215cm Các nghiên cứu của XJ Chen (2008) và Xinjun Chen (2009) đã áp dụng phương pháp hồi quy tuyến tính và chỉ số thích hợp sinh thái HSI để dự đoán các vùng đánh bắt tiềm năng cho cá ngừ mắt to (Thunnus obesus) và cá thu Nhật Bản (Scomberomorus niphonius) Đối với cá thu Nhật Bản, nhóm nghiên cứu đã xem xét các yếu tố môi trường như SST, SSS, Chl-a, độ cao mực nước biển và dị thường độ cao mực nước biển (SLA), trong khi cá ngừ mắt to được dự báo dựa trên SST, Chl-a và độ cao mực nước biển Tại Indonesia, Nurdin cũng đã phát triển các bản dữ liệu tiềm năng cho cá bạc má.
(2012) xây dựng dựa trên trường nhiệt bề mặt và hàm lượng Chl-a được phân tích từ dữ liệu ảnh viễn thám MODIS Aqua/Terra của NASA [31]
Sự phát triển công nghệ hiện đại như viễn thám, tàu khảo sát và trạm phao tự động đã tạo điều kiện cho việc dự báo biến động phân bố ngư trường và trữ lượng cá Thông tin từ các đội tàu đánh bắt cũng góp phần quan trọng trong việc xây dựng và triển khai các công nghệ này, phục vụ hiệu quả cho ngành công nghiệp đánh cá.
Sự kết hợp phân tích nhiều yếu tố như nhiệt độ, độ muối nước biển, độ cao mực biển, dòng chảy và địa hình đáy biển, cùng với sức sản xuất sơ cấp của thủy vực như hàm lượng Chl-a và chất hữu cơ hòa tan, cùng tập tính sinh thái và sinh học của đối tượng khai thác, đã tạo ra các sản phẩm chất lượng cao phục vụ cho ngành công nghiệp khai thác hải sản.
1.2.2 Nghiên cứu DBNT trong nước
Nghiên cứu thiết lập các bản dự báo nhu cầu thuỷ sản (DBNT) khai thác cá ở Việt Nam bắt đầu từ những năm 1970, mang lại nhiều kết quả đáng kể trong công tác dự báo khai thác cá Đặc biệt, việc thiết lập dự báo khai thác cá biển theo mùa vụ và theo quý đã được phát sóng trên Đài tiếng nói Việt Nam Công tác này được duy trì liên tục cho đến những năm 1980.
Do không có kinh phí hoạt động, nên DBNT khai thác hải sản bị gián đoạn vào năm
Trong giai đoạn 1991 - 1995, đề tài “Luận chứng khoa học cho việc dự báo biến động phân bố và sản lượng nguồn lợi cá” đã được triển khai nhằm xây dựng cơ sở khoa học cho việc dự báo cá ở vùng biển Việt Nam, đánh dấu nghiên cứu hải dương học nghề cá đầu tiên tại đây Đề tài đã chỉ ra vai trò quan trọng của biến động khí tượng và hải dương đối với sự phân bố và sản lượng cá, đồng thời nhấn mạnh sự cần thiết phải nghiên cứu một cách khoa học Tuy nhiên, trong quá trình xây dựng cơ sở dữ liệu, đã phát hiện nhiều bất cập, đặc biệt là sự thiếu hụt và không đồng bộ của dữ liệu thống kê nghề cá Để khắc phục, đề tài “Nghiên cứu cấu trúc ba chiều nhiệt muối và hoàn lưu Biển Đông” đã được triển khai với mô hình tiên tiến, cho thấy tính khả thi trong việc áp dụng các mô hình dự báo hiện đại, mặc dù mục tiêu vẫn chỉ dừng lại ở quy mô lớn mà chưa kết nối với dự báo cá khai thác.
Trong giai đoạn 2001 - 2004, đề tài “Xây dựng mô hình dự báo cá khai thác và các cấu trúc hải dương có liên quan” đã khởi đầu nghiên cứu mô hình dự báo cá tại vùng biển xa bờ Việt Nam, thiết lập hệ thống thông tin cho dự báo khai thác và các cấu trúc hải dương Giai đoạn 2007 - 2010, đề tài “Ứng dụng và hoàn thiện quy trình công nghệ DBNT phục vụ khai thác hải sản xa bờ” đã phát triển hệ thống thông tin DBNT xa bờ, bao gồm cơ sở dữ liệu hải dương học và nghề cá, cùng với các công cụ phân tích và dự báo Đặc biệt, đề tài đã thành công trong việc xây dựng các mô hình DBNT khai thác cá xa bờ, liên kết các mối quan hệ giữa ngư trường và các yếu tố sinh học, sinh thái Để nâng cao chất lượng DBNT cho nghề khai thác cá ngừ đại dương, Bộ Khoa học và Công nghệ đã phê duyệt đề tài “Nghiên cứu triển khai quy trình công nghệ DBNT phục vụ khai thác nguồn lợi cá ngừ đại dương” từ năm 2013 – 2015, với kết quả được đánh giá cao.
Trong giai đoạn 2015 - 2017, đề tài cấp Bộ "Nghiên cứu các giải pháp kỹ thuật nâng cao chất lượng dự báo ngư trường khai thác cá ngừ đại dương ở vùng biển Việt Nam" được thực hiện với mục tiêu phát triển các giải pháp kỹ thuật ứng dụng công nghệ viễn thám và sinh học Mục đích chính là nâng cao độ tin cậy của dự báo về các vùng khai thác tiềm năng cá ngừ đại dương, góp phần vào việc quản lý và phát triển bền vững nguồn lợi hải sản.
Đề tài này tập trung vào việc nâng cao chất lượng đánh bắt cá ngừ đại dương tại Việt Nam Mục tiêu chính là xác định mối liên hệ giữa vùng tập trung tiềm năng cá ngừ đại dương và các yếu tố hải dương như nhiệt độ, dòng chảy, xoáy nước và độ cao mực biển Ngoài ra, nghiên cứu cũng đã phát triển phương pháp và kỹ thuật giải đoán ảnh viễn thám biển, cùng với mô hình và phần mềm dự báo vùng khai thác tiềm năng cá ngừ đại dương Đây là cơ sở khoa học vững chắc cho việc đánh bắt cá ngừ tiềm năng tại vùng biển Việt Nam theo thời gian thực và gần thực.
Đề tài “Nghiên cứu DBNT khai thác nguồn lợi cá nổi nhỏ ở biển Việt Nam” do TS Bùi Thanh Hùng làm chủ nhiệm đã được triển khai từ 2018 đến 2020, với mục tiêu chính là xây dựng và cập nhật hệ thống thông tin dữ liệu phục vụ DBNT khai thác cá nổi nhỏ Nghiên cứu cũng tập trung vào việc phát triển quy trình công nghệ DBNT cho cá nổi nhỏ theo mùa và tháng, đồng thời hoàn thiện các công cụ dự báo cấu trúc hải dương Ngoài ra, nghiên cứu còn triển khai các mô hình và quy trình DBNT để kiểm chứng và đánh giá hiệu quả của các bản tin DBNT trong giai đoạn 2019 – 2020.
Sau 50 năm nghiên cứu, xây dựng cơ sở khoa học cho DBNT khai thác hải sản đã có những bước tiến đáng kể, với các mô hình và sản phẩm tiên tiến phản ánh mối quan hệ giữa ngư trường, sinh học và môi trường Việc ứng dụng khoa học công nghệ, đặc biệt là công nghệ viễn thám vào DBNT, đánh dấu một bước tiến quan trọng trong ngành thủy hải sản và kinh tế biển.
1.2.3 Mô hình DBNT và phát hành bản tin dự báo
Cách tiếp cận và phương pháp nghiên cứu
Để ứng dụng viễn thám trong dự báo đánh bắt hải sản, cần nghiên cứu các đặc điểm môi trường sinh thái như nhiệt độ mặt nước (SST) và nồng độ chlorophyll-a (Chl-a) Việc chiết xuất thông tin từ ảnh viễn thám sẽ hỗ trợ trong việc quản lý và khai thác hải sản hiệu quả.
Sử dụng công nghệ viễn thám để thu thập thông tin về nhiệt độ bề mặt biển (SST) và hàm lượng Chl-a, từ đó áp dụng vào mô hình xác định ngư trường khai thác hải sản.
- Tiếp cận công nghệ GIS và bản đồ để tính toán và thể hiện kết quả nghiên cứu 1.3.2 Phương pháp nghiên cứu
- Phương pháp phân loại và hệ thống hóa tài liệu
Dựa trên mục tiêu và nhiệm vụ nghiên cứu, tài liệu liên quan đến Chl-a và SST từ dữ liệu ảnh viễn thám sẽ được thu thập Các nguồn tài liệu này bao gồm nghiên cứu về viễn thám, MODIS Aqua, Chl-a, SST và DBNT Ngoài ra, tài liệu bản đồ, địa hình, tài nguyên, môi trường và khí hậu của khu vực nghiên cứu, cùng với kết quả khảo sát thực địa và các tài liệu số trên internet như bài báo, sách và báo cáo cũng sẽ được xem xét.
Phương pháp thu thập và phân tích dữ liệu thực đo là bước quan trọng trong việc xây dựng cơ sở dữ liệu đáng tin cậy Việc này được thực hiện từ đầu, dựa trên các nguồn số liệu và tài liệu có sẵn Cơ sở dữ liệu phục vụ nghiên cứu được hệ thống hóa, sắp xếp và cập nhật theo nội dung đề tài, đồng thời xác định rõ nguồn trích dẫn.
Học viên tại Trung tâm Dự báo ngư trường khai thác Hải sản - Viện Nghiên cứu Hải sản thường xuyên tham gia vào các dự án nghiên cứu, khảo sát thực địa, và thu thập dữ liệu hải dương học về vùng biển Việt Nam Điều này giúp học viên nâng cao hiểu biết về lĩnh vực nghiên cứu và cải thiện chất lượng tài liệu cho đề tài luận văn Phương pháp khảo sát bao gồm đo đạc, lấy mẫu và chụp ảnh hiện trạng các yếu tố hải dương, nhằm xây dựng một hệ thống cơ sở dữ liệu chi tiết và đồng bộ với dữ liệu ảnh viễn thám, từ đó tạo nền tảng cho việc xác định các đối tượng nghiên cứu.
Dữ liệu thực đo SST và Chl-a được thu thập bằng thiết bị tự ghi CTD - Conductivity Temperature Depth (Nhật Bản) với độ chính xác cao, sai số nhiệt độ là ± 0,01 o C và Chl-a là ± 0,1FS trong dải nhiệt từ 0 – 35 o C và độ sâu từ 0 - 600m Tại mỗi trạm đo, dữ liệu được lưu trữ thành file và thư mục riêng trên máy tính, bao gồm đầy đủ thông tin dự án, vùng biển, thời gian, và người quan trắc Sau khi hoàn thành đo, dữ liệu được trút ra và kiểm tra tại hiện trường; nếu phát hiện sai số hay nghi ngờ về độ chính xác, thiết bị sẽ được kết nối lại để tiến hành đo lại mẫu.
Phương pháp viễn thám sử dụng ảnh viễn thám để thu thập thông tin quan trọng về môi trường, cho phép ước tính hàm lượng Chl-a và nhiệt độ bề mặt biển (SST) thông qua các thuật toán do NASA phát triển Bằng cách sử dụng bức xạ điện từ, phương pháp này giúp điều tra và đo đạc các đặc tính của đối tượng nghiên cứu Quá trình phân tích và tách chiết thông tin từ dữ liệu ảnh viễn thám chủ yếu tập trung vào SST và hàm lượng Chl-a.
- Phương pháp phân tích thống kê
Sau khi ước tính dữ liệu số, phương pháp thống kê thông thường trong toán học được áp dụng để tính toán và xác định các giá trị đặc trưng cơ bản của chuỗi số liệu, bao gồm giá trị lớn nhất, nhỏ nhất và trung bình Những giá trị này được xác định cho các chuỗi số liệu theo ngày, tháng, mùa, năm và nhiều năm.
- Phương pháp bản đồ - GIS
Các số liệu thống kê trung bình được sử dụng để xây dựng biến trình theo thời gian và không gian cho các đặc trưng của yếu tố SST và hàm lượng Chl-a Kết quả được thể hiện dưới dạng biểu đồ, đồ thị và bản đồ nhằm phục vụ cho việc phân tích và đánh giá Để đảm bảo tính nhất quán và độ chính xác của các bản đồ, cần kết hợp với các công cụ GIS Trong nghiên cứu, các bản đồ SST và Chl-a được thành lập và phân tích liên tục Các file dữ liệu được đưa vào phần mềm Surfer và Mapinfo để vector hóa và biên tập thành bản đồ phân bố không gian Để thể hiện xu thế đặc trưng giữa hai mùa gió đông bắc và tây nam, các bản đồ trung bình cho từng mùa gió được tính toán và xây dựng từ chuỗi số liệu đã ước tính, với các đường đẳng thể hiện nhiệt độ và hàm lượng Chl-a trung bình theo tháng và mùa gió, sử dụng khoảng chia đều 0,5 °C cho SST và 0,2 mg/m³ cho Chl-a.
- Phương pháp xác định bộ chỉ số thích ứng sinh thái
Mỗi yếu tố môi trường sẽ được chia thành N khoảng dao động, từ giá trị nhỏ nhất đến lớn nhất, với khả năng chia không đều tùy thuộc vào bản chất và biến động của yếu tố Tại mỗi khoảng dao động thứ k (k = 1 N), chúng ta sẽ tính tổng giá trị CPUE tương ứng, ký hiệu là T_CPUEk, từ các số liệu CPUE tức thời đồng bộ với yếu tố môi trường Đồng thời, T_CPUEmax sẽ được xác định là giá trị lớn nhất trong các T_CPUEk Chỉ số SI của yếu tố môi trường cho khoảng dao động thứ k được tính theo công thức cụ thể.
Giá trị SIk dao động từ 0 đến 1, và tiêu chí đánh giá sự thích ứng sinh thái của cá đối với các yếu tố môi trường được trình bày trong Bảng 1.2 [7, 19, 20].
Bảng 1.2 Hiệu quả khai thác cá nổi nhỏ tương ứng với chỉ số SI của yếu tố môi trường
Giá trị SI Mức năng suất khai thác
Dựa trên các chỉ số thích ứng SI, mô hình HSI được tính toán để đánh giá mối quan hệ giữa năng suất khai thác cá nổi nhỏ và các yếu tố môi trường, thông qua một trong bốn mô hình phụ trợ.
- Mô hình tích số vô hạn (CPM)[23] HSI =SI1 x SI2 xSI3… x SIn (1.3)
- Mô hình tối thiểu (MINM)[40] HSI =Min (SI1 , SI2 , SI3… SIn) (1.4)
- Mô hình trung bình số học (AMM)[24] HSI =(SI1 +SI2+SI3+.…+SIn)/n (1.5)
Mô hình trung bình khoảng cách (GMM)
HSI = ( SI1 x SI2 xSI3… x SIn) 1/n (1.6)
Với cả bốn mô hình trên, tính phù hợp và tiêu chí thông tin Akaike (AIC) được xác định như sau:
L(data/θ) là khả năng quan sát tập dữ liệu với các tham số θ;
vector θ biểu thị vector của tất cả các tham số;
RAIi và HSIi là giá trị thực tế của HSI và mô hình, tương ứng tại điểm thứ
𝛿 là phương sai của chuỗi dữ liệu quan sát; m là số tham số mô hình (yếu tố hải dương);
Lmax là tối đa của L (data/θ)
Mô hình có tiêu chí AIC nhỏ nhất được xác định là tốt nhất và sẽ được sử dụng cho các thử nghiệm và hiệu chỉnh Quy trình tính toán mô hình HSI dựa trên chỉ số SI của từng yếu tố môi trường được minh họa trong Hình 1.4.
Mô hình HSI (Hệ số Sức khỏe Sinh thái) được áp dụng để dự báo năng suất khai thác cá nổi nhỏ tại biển Việt Nam Kết quả dự báo này được thể hiện qua giá trị HSI đầu ra, như trình bày trong Bảng 1.3 Hình 1.5 minh họa quá trình xây dựng Đề án Bảo tồn Nguồn lợi Thủy sản (DBNT) dựa trên mô hình HSI.
Bảng 1.3 Năng suất khai thác cá nổi nhỏ tương ứng với chỉ số HSI của yếu tố môi trường Giá trị HSI Năng suất khai thác (kg/ngày)
32 Hình 1.5 Mô phỏng quá trình xây dựng DBNT theo mô hình HSI (nguồn: TTDB)
CƠ SỞ KHOA HỌC ƯỚC TÍNH HÀM LƯỢNG CHL-A VÀ SST BẰNG TƯ LIỆU VIỄN THÁM
Nguồn dữ liệu sử dụng
2.1.1 Dữ liệu ảnh viễn thám
Ocean Color của NASA, được hỗ trợ bởi nhóm xử lý sinh học đại dương (OBPG) tại trung tâm chuyến bay không gian Goddard, chịu trách nhiệm thu thập, xử lý, hiệu chuẩn và xác nhận các sản phẩm liên quan đến đại dương từ nhiều nhiệm vụ viễn thám vệ tinh Hệ thống này cung cấp dữ liệu về màu đại dương, nhiệt độ bề mặt đại dương (SST) và độ muối bề mặt đại dương (SSS) cho cộng đồng nghiên cứu quốc tế Dữ liệu MODIS từ NASA được phân phối qua Ocean Color Web ở nhiều cấp độ khác nhau, trong khi hệ thống thu nhận của NASA xử lý dữ liệu MODIS toàn cầu để tạo ra các sản phẩm chuẩn phục vụ cho nghiên cứu và theo dõi tài nguyên môi trường trên bề mặt lục địa và đại dương.
Trong nghiên cứu này, luận văn sử dụng dữ liệu ảnh viễn thám MODIS Aqua cấp độ 2 hàng ngày với độ phân giải 1000m, thu thập từ 01/2015 đến 12/2020 qua trang web http://www.oceancolor.com Những cảnh ảnh có độ che phủ mây thấp (=5 hải lý ưu tiên sẽ được chọn để đánh giá độ tin cậy với số liệu viễn thám Nhiệt độ nước biển thay đổi trong ngày phụ thuộc vào từng thời điểm và vị trí địa lý Vì vậy để đồng bộ số liệu nhiệt độ, Chl-a từ dữ liệu ảnh viễn thám với thực đo, học viên đã đồng bộ số liệu theo thời gian tuần (7 ngày) và không gian là tâm ô lưới 0,25 o x 0,25 o
Các trạm thực đo thường có sự chênh lệch so với các tâm ô lưới, do đó việc đồng bộ hóa số liệu viễn thám với số liệu thực đo là cần thiết để đánh giá độ tin cậy.
Để bắt đầu, cần loại bỏ sai số thô từ số liệu thực đo, sau đó tách riêng số liệu nhiệt độ và Chl-a ở tầng mặt (độ sâu từ 0 – 1m) theo từng trạm đo, và lưu trữ chúng vào các tệp riêng biệt.
Bước 2: Sau khi trích xuất dữ liệu viễn thám dưới dạng file CSV với độ phân giải 0,1° x 0,1°, cần loại bỏ các sai số Chl-a nằm ngoài khoảng (0 - 20 mg/m³) và SST nằm ngoài khoảng (10 - 40°C) Tiếp theo, chọn ra những file có số liệu thực đo dựa trên thông tin ngày, tháng, năm và lưu trữ tệp riêng biệt Bước 3: Đồng bộ hóa số liệu viễn thám với số liệu thực đo theo tâm ô lưới 0,25° x 0,25° và thời gian trung bình hàng tuần tương ứng Đối với các vị trí nằm trên các đường kinh, vĩ tuyến, vị trí đó sẽ được tính cho cả hai ô lưới.
Bước 4: Tiến hành quét để tìm các tâm ô lưới có vị trí trùng nhau, sau đó nhập chuỗi số liệu thực đo và viễn thám đã được đồng bộ vào cùng một file trong thư mục Đồng thời, cần kiểm chứng số liệu từ dữ liệu ảnh viễn thám để đảm bảo tính chính xác và đáng tin cậy.
Kiểm chứng số liệu từ dữ liệu ảnh viễn thám là rất quan trọng vì độ chính xác của chúng ảnh hưởng trực tiếp đến chất lượng kết quả trong nhiều lĩnh vực Việc so sánh các số liệu ước tính từ viễn thám với các giá trị thực đo đáng tin cậy là bước thiết yếu để phát triển và cải thiện thuật toán Học viên áp dụng các phương pháp như phân tích tương quan hồi quy, một kỹ thuật hiệu quả trong việc dự đoán giá trị của biến phụ thuộc Y dựa trên các biến độc lập đã biết Mục tiêu của hồi quy là tìm ra một phương trình thể hiện mối quan hệ giữa các biến, giúp ước tính biến Y thông qua sự thay đổi của biến X.
Phương trình hồi quy tuyến tính đơn giản có dạng:
Yi = A + B*Xi + Ei (2.6) Trong đó:
Ei: Sai số ngẫu nhiên;
A: Giá trị trung bình của biến phụ thuộc Y khi biến độc lập X thay đổi
1 đơn vị (điểm cắt đường thẳng hồi quy và trục Y);
B: Diễn tả sự thay đổi của giá trị trung bình của biến phụ thuộc Y khi biến độc lập X thay đổi 1 đơn vị (hệ số góc)
Trong phân tích hồi quy, hệ số tương quan Pearson (R) đo lường mức độ liên kết tuyến tính giữa hai biến liên tục Đây là phương pháp ưu việt để xác định mối quan hệ giữa các biến nhờ vào hiệp phương sai Hệ số này cung cấp thông tin về độ mạnh và hướng của mối quan hệ Tương quan bình phương R², hay hệ số xác định, là một chỉ số thống kê quan trọng, thể hiện tỷ lệ phương sai của biến phụ thuộc có thể được giải thích bởi các biến độc lập R² cho biết mức độ phù hợp của dữ liệu với mô hình hồi quy và được tính bằng cách bình phương hệ số tương quan R.
Trong nghiên cứu này, hệ số tương quan R được sử dụng để đánh giá mối quan hệ tuyến tính giữa giá trị viễn thám và giá trị thực đo tại các trạm đồng bộ, với giá trị dao động từ -1 đến 1, trong đó giá trị hoàn hảo là 1 Hệ số tương quan lớn hơn cho thấy mối quan hệ tuyến tính chặt chẽ hơn, với hệ số dương phản ánh mối quan hệ đồng biến và hệ số âm biểu thị mối quan hệ nghịch biến Hệ số xác định R², nằm trong khoảng từ 0 đến 1, cho biết độ chính xác của kết quả nghiên cứu, với giá trị R² cao hơn đồng nghĩa với độ chính xác cao hơn Công thức tính hệ số tương quan R_Pearson được áp dụng trong nghiên cứu này.
Yi, Xi tương ứng là giá trị từ viễn thám và giá trị thực đo;
𝑌̅ , 𝑋̅ tương ứng là giá trị trung bình từ viễn thám và thực đo;
n là độ dài chuỗi số liệu
R > 0: mối tương quan tuyến tính thuận (cùng chiều);
R < 0: mối tương quan tuyến tính nghịch (ngược chiều);
R = ± 1: mối liên hệ chặt chẽ;
R = 0: không có mối liên hệ;
|R| càng gần 1: mối liên hệ càng chặt chẽ
Nếu |R|< 0,1 thì tương quan rất yếu;
Nếu |R| > 0,8: tương quan rất cao
2.3.3 Đánh giá sai số số liệu từ dữ liệu viễn thám
Trong mô hình dự báo, một số chỉ số quan trọng được sử dụng để đánh giá sai số giữa dữ liệu viễn thám và số liệu thực đo bao gồm: Sai số trung bình (ME - Mean Error), Sai số tuyệt đối trung bình (MAE - Mean Absolute Error) và Sai số trung phương (RMSE - Root Mean Square Error) Những chỉ số này giúp xác định độ chính xác của các dự báo và cải thiện chất lượng dữ liệu.
- Root Mean Square Error) Trong các công thức dưới đây: Yi là giá trị viễn thám, Xi là giá trị thực đo, n là số trạm đồng bộ
Sai số trung bình (ME) là chỉ số quan trọng thể hiện xu hướng lệch trung bình giữa giá trị viễn thám và giá trị thực đo ME dương cho thấy giá trị viễn thám cao hơn giá trị thực, trong khi ME âm chỉ ra giá trị viễn thám thấp hơn giá trị thực Khi ME bằng 0, điều này được coi là “hoàn hảo” vì không có sự thiên lệch Giá trị của ME có thể nằm trong khoảng từ -∞ đến +∞ Công thức tính sai số trung bình ME là
Sai số tuyệt đối trung bình (MAE) được tính bằng công thức ME = 1/n ∑(Y i − X i) và thể hiện biên độ trung bình của sai số Tuy nhiên, MAE không phản ánh xu hướng lệch giữa giá trị viễn thám và giá trị thực đo Khi MAE bằng 0, điều này cho thấy giá trị viễn thám hoàn toàn trùng khớp với giá trị thực đo, và mô hình được coi là “lý tưởng”.
MAE thường được sử dụng kết hợp với ME để đánh giá độ tin cậy của mô hình Nếu MAE có sự khác biệt lớn so với ME, việc hiệu chỉnh có thể trở nên rủi ro Ngược lại, khi MAE và ME gần gũi nhau, điều này cho phép thực hiện các điều chỉnh một cách an toàn hơn.
ME để hiệu chỉnh dữ liệu viễn thám một cách đáng tin cậy, giá trị MAE nằm trong khoảng (0, +∞) Công thức tính sai số tuyệt đối trung bình MAE:
Sai số trung phương RMSE là một đại lượng quan trọng thường được sử dụng để đánh giá hiệu quả của mô hình dự báo số trị RMSE biểu thị độ lớn trung bình của sai số và đặc biệt nhạy cảm với các giá trị sai số lớn Khi RMSE gần với MAE, điều này cho thấy mô hình ổn định hơn và khả năng hiệu chỉnh sản phẩm tốt hơn Cả MAE và RMSE đều không chỉ ra độ lệch giữa giá trị viễn thám và giá trị thực đo, với giá trị RMSE nằm trong khoảng (0, +∞) Khi so sánh, ta thấy rằng RMSE luôn lớn hơn hoặc bằng MAE, và chỉ bằng nhau khi tất cả các sai số có độ lớn giống nhau, tức là RMSE = MAE = 0 Công thức tính RMSE là: MAE = 1/n ∑(i=1 đến n) |Y_i − X_i|.
Quy trình thành lập bản đồ phân bố hàm lượng Chl-a và SST từ dữ liệu ảnh viễn thám MODIS
Quy trình thành lập bản đồ phân bố hàm lượng Chl-a và SST từ dữ liệu ảnh viễn thám MODIS được thể hiện trong Hình 2.3
Trong giai đoạn 2015 - 2020, các cảnh ảnh SST và Chl-a có độ che phủ mây thấp (
