So sánh mô hình hồi quy CORVI với các thuật toán học máy và học sâu trong ước tính sinh khối rừng ngập mặn trên mặt đất từ dữ liệu Sentinel-1 và Sentinel-2 tại miền Bắc Việt Nam
Year: 2026
Type: article
Abstract: Rừng ngập mặn (RNM) là hệ sinh thái ven biển có chức năng bảo vệ bờ biển, duy trì đa dạng sinh học và tích lũy các-bon xanh. Sinh khối trên mặt đất (AGB) là chỉ tiêu cơ bản để ước tính trữ lượng các-bon rừng, nhưng điều tra thực địa cần nhiều thời gian, chi phí lớn và khó mở rộng trên phạm vi lớn. Nghiên cứu so sánh mô hình hồi quy CORVI dạng lũy thừa với các thuật toán học máy và học sâu gồm Random Forest (RF), Cubist, Support Vector Machine (SVM), eXtreme Gradient Boosting (XGBoost) và Convolutional Neural Network (CNN) trong ước tính AGB RNM tại miền Bắc Việt Nam. Dữ liệu thực địa gồm 322 OTC phân bố tại Quảng Ninh, Hải Phòng, Hưng Yên và Ninh Bình. AGB được tính từ các chỉ tiêu đo đạc thực địa theo loài hoặc nhóm loài và quy đổi về đơn vị Mg/ha. Các biến đầu vào gồm dữ liệu Sentinel-1, Sentinel-2 và chỉ số kết hợp quang học–Radar CORVI. Độ chính xác mô hình được kiểm định chéo 5-fold thông qua thông qua các chỉ tiêu: R², RMSE, MAE và Bias. Kết quả cho thấy, trong kịch bản CORVI đơn biến với mô hình hồi quy lũy thừa đạt hiệu quả kiểm định ổn định nhất hoặc tương đương nhóm mô hình tốt nhất, với R² = 0,6056 ± 0,0647, RMSE = 27,9263 ± 1,2988 Mg/ha và MAE = 23,0128 ± 1,4570 Mg/ha. RF và XGBoost có nguy cơ quá khớp khi thông tin đầu vào bị giới hạn. Nghiên cứu khẳng định CORVI là biến tích hợp có giá trị trong mô hình hóa AGB rừng ngập mặn, nhưng cần được kết hợp với các biến quang học, radar, đặc trưng không gian và điều kiện lập địa để nâng cao khả năng dự báo ở quy mô rộng.
Language: Vietnamese
Subfield: Forestry
Domain: Life Sciences
Open Access status: hybrid
OpenAlex ID: W7212402768