Bản đồ phá rừng được tạo ra để sử dụng trên nền tảng ICE CoT.

ICE CoT EUDR Deforestation Maps được cung cấp theo giấy phép từ ICE

Benchmark Administration Limited.

Space Intelligence tạo bản đồ lớp phủ đất với độ phân giải 10 m để hỗ trợ các nhà kinh doanh hàng hóa và nhà vận hành thực hiện nghĩa vụ tuân thủ EUDR..

Các bản đồ chúng tôi tạo ra xác lập đường cơ sở về những nơi là rừng và không phải rừng tính đến ngày 31 tháng 12 năm 2020, cũng như những nơi đã xảy ra phá rừng và rừng mới đã phát triển từ thời điểm đó đến nay.

Các bản đồ này tuân theo định nghĩa về rừng của EUDR:

‘Rừng’ là vùng đất có diện tích trên 0,5 hecta với cây cao trên 5 mét và độ che phủ tán trên 10%, hoặc có cây có khả năng đạt các ngưỡng đó tại chỗ, không bao gồm đất chủ yếu được sử dụng cho nông nghiệp hoặc đô thị.

Và định nghĩa về phá rừng của EUDR, được xác định như sau:

‘Phá rừng’ là việc chuyển đổi rừng sang mục đích sử dụng nông nghiệp, dù

do con người gây ra hay không [sau ngày khóa sổ 31 tháng 12 năm 2020]

Việc tuân theo các định nghĩa này đòi hỏi một quy trình khó khăn là xác định chính xác nơi có hoạt động nông nghiệp vào năm 2020 và hiện nay, mặc dù hoạt động nông nghiệp đó thường nằm dưới tán cây hoặc bản thân nó là cây (ví dụ trong các hệ thống nông lâm kết hợp như ca cao hoặc cà phê). Trên thực tế, các khu vực có cây có thể không đáp ứng định nghĩa rừng vì nhiều lý do:

Chúng tôi sử dụng các dataset vệ tinh sau, thu thập ảnh trong suốt cả năm để có thông tin về sự thay đổi của từng mảnh đất theo các mùa khác nhau. Để xử lý sự khác biệt về độ phân giải ban đầu và phép chiếu bản đồ, tất cả các dataset được căn chỉnh và hiệu chỉnh địa hình về cùng một lưới có kích thước pixel 10 m x 10 m. Lưới này sử dụng phép chiếu đồng diện tích (ESPG: 6933) để đảm bảo mọi pixel có cùng kích thước.

Chúng tôi sử dụng mọi dữ liệu thực địa có được từ các quốc gia đang được lập bản đồ, các chuyến khảo sát thực địa do chúng tôi thực hiện riêng, ảnh mở có định vị địa lý, các dataset bản đồ hiện có, và các chuyên gia của chúng tôi phân tích dữ liệu vệ tinh độ phân giải rất cao (<1 m), để tạo ra một tập polygon mà chúng tôi rất tin tưởng thuộc về các lớp phủ đất cụ thể.

Việc này bao gồm nỗ lực lớn để tạo ra các polygon chắc chắn là rừng trồng, cây trồng lâu năm và nông nghiệp dưới tán cây, cũng như rừng thưa và rừng kín. Các polygon này rất quan trọng trong việc phân tách các lớp này, vốn thường trông khá giống nhau trên dữ liệu vệ tinh.

Chúng tôi cũng tạo một dataset kiểm tra độc lập gồm các điểm, không dùng để tạo bản đồ, mà dùng để xác định khi nào bản đồ đủ chính xác để sử dụng.

Các dataset vệ tinh được kết hợp thành các khối dữ liệu (data cube) bao phủ khoảng thời gian sáu tháng. Khoảng thời gian này bao gồm sáu tháng cuối năm 2020 (để tạo bản đồ thể hiện tình trạng đến ngày 31 tháng 12 năm 2020) và sáu tháng gần nhất (để bao phủ giai đoạn đến hiện tại). Giai đoạn gần đây sẽ được cập nhật hằng năm, sử dụng dữ liệu đến ngày 30 tháng 9 của

năm dương lịch đó.

Mây và bóng mây được loại bỏ khỏi dữ liệu vệ tinh quang học, và tất cả dataset đều được hiệu chỉnh địa hình, hiệu chỉnh bức xạ và căn chỉnh.

Sau đó, các nhà khoa học dữ liệu của chúng tôi huấn luyện và chạy một thuật toán học máy kết hợp các polygon tham chiếu thực địa với khối dữ liệu vệ tinh, để dự đoán bản đồ cho cuối năm 2020 và giai đoạn gần nhất. Các bản đồ này được kiểm tra với dataset kiểm tra độc lập. Dựa trên kết quả và việc kiểm tra trực quan bản đồ của các chuyên gia, chúng tôi cải thiện bản đồ bằng cách chạy lại với các thay đổi đối với polygon tham chiếu thực địa, các dataset vệ tinh được sử dụng, hoặc các tham số của thuật toán

học máy, cho đến khi có được bản đồ cuối cùng cho một quốc gia đáp ứng các yêu cầu về độ chính xác của chúng tôi.

Các bản đồ độ phân giải 10m được hậu xử lý với các thay đổi sau:

Việc hiểu rõ hiệu năng (‘độ chính xác’) của các sản phẩm lớp phủ đất là rất quan trọng để biết bản đồ có phù hợp với mục đích của một trường hợp sử dụng cụ thể hay không.

Tại Space Intelligence, chúng tôi rất coi trọng điều này và đánh giá độ chính xác của sản phẩm cũng như độ bất định của chúng một cách chặt chẽ về mặt thống kê, tuân theo

thực hành tốt được mô tả trong tài liệu khoa học1 và các tiêu chuẩn quốc tế (2,3). Chúng tôi đặt mục tiêu hiệu năng dựa trên yêu cầu của từng hợp đồng cụ thể.

Độ chính xác có thể được kiểm tra theo nhiều cách, nhưng phương pháp duy nhất cho phép đánh giá có ý nghĩa về độ chính xác của một pixel ngẫu nhiên trên bản đồ đầu ra là phương pháp 4. Đây là phương pháp được Verra sử dụng trong Consolidated REDD+ Methodology (VM0048) mới và được hướng dẫn thực hành tốt khuyến nghị (1-3), nhưng không phải lúc nào cũng được các công ty muốn phô trương số liệu độ chính xác cao tuân theo. Xem trang 4 để biết thêm đánh giá về từng phương pháp.

Cần nhấn mạnh rằng việc sử dụng một chỉ số duy nhất (như độ chính xác tổng thể) không phải là cách đáng tin cậy để mô tả độ chính xác của bản đồ.

Một cách dễ diễn giải và minh bạch hơn nhiều là sử dụng ma trận sai số thể hiện độ chính xác về sai số nhầm lẫn (commission) và sai số bỏ sót (omission) cho từng lớp (về cơ bản là đánh giá xem bản đồ đang dự đoán thừa hay thiếu một số lớp nhất định). Ví dụ, ở một khu vực có tỷ lệ phá rừng 1%, việc báo cáo không có phá rừng sẽ cho độ chính xác tổng thể 99% nhưng hoàn toàn không phù hợp với mục đích. Trong trường hợp này, tốt hơn nên báo cáo rằng bản đồ có độ chính xác 100% đối với rừng không thay đổi và 0% đối với phá rừng: và do đó rõ ràng là không phù hợp.

Đối với EUDR, trọng tâm là phân tách rừng tự nhiên khỏi tất cả các loại lớp phủ đất khác (phải bao gồm cả các lớp có cây, như ca cao). Điều này cho phép đánh giá độ chính xác khả dĩ của nhận định rằng một polygon cụ thể, chẳng hạn vào năm 2020, tại thời điểm đó là rừng tự nhiên hay đã không còn là rừng.

Tại Space Intelligence, chúng tôi tin rằng đánh giá độc lập các điểm riêng lẻ theo thực hành tốt nhất là cách tốt nhất để đánh giá độ chính xác của bản đồ rừng/không phải rừng (phương pháp 4 đã nêu ở trên). Việc này được thực hiện bởi các nhà sinh thái học và nhà khoa học dữ liệu giàu kinh nghiệm của chúng tôi, đánh giá ‘mù’ hàng trăm điểm theo một sơ đồ lấy mẫu hợp lệ về mặt thống kê, sử dụng ảnh vệ tinh hoặc ảnh hàng không độ phân giải cao, bao gồm mọi dữ liệu thực địa hiện có khác từ các đối tác địa phương. Để phù hợp với cách bản đồ của chúng tôi được sử dụng cho việc kiểm tra trên ICE CoT, trong đó các pixel ‘core forest’ (lõi rừng) hơi tách biệt khỏi rìa được xem xét, các điểm rất gần rìa của mảng rừng sẽ bị loại khỏi đánh giá.

Mục tiêu của chúng tôi là vượt mức độ chính xác commission và omission 90% cho cả lớp rừng và không phải rừng, với Độ chính xác tổng thể trên 95%.

Chúng tôi thường vượt xa mức này, nhưng điều đó phụ thuộc vào các loại

thực vật và độ phức tạp của cảnh quan. Ví dụ, ở một cảnh quan tại Brazil

có những khối rừng nhiệt đới lớn và những cánh đồng đậu nành rộng, với diện tích khai hoang trung bình lên đến hàng chục hecta, chúng tôi kỳ vọng độ chính xác tổng thể trên 99%. Nhưng ở một cảnh quan phức tạp với nông hộ nhỏ, các mảng phá rừng nhỏ (<1 ha) và cây trồng có xen cây (ví dụ ca cao), mức độ chính xác như vậy là không thể đạt được và nên được nhìn nhận với sự hoài nghi.

Nhờ sử dụng các phương pháp tiên tiến (kết hợp nhiều loại dữ liệu vệ tinh) và

kiến thức địa phương, độ chính xác commission và omission trên 90% là khả thi ngay cả ở những cảnh quan phức tạp này.

Các kiểm tra mà ICE CoT thực hiện trên bản đồ của chúng tôi dựa trên độ chính xác của bản đồ, cùng với hiểu biết rằng sai số trên bản đồ tập trung đặc biệt ở rìa rừng và rìa các khu vực phá rừng, cũng như độ chính xác khả dĩ của các thiết bị GPS thực địa dùng để lập bản đồ ranh giới ruộng.

Campuchia là một cảnh quan có tỷ lệ phá rừng cao, với phần lớn hoạt động khai hoang ở quy mô nhỏ cho nhiều loại cây trồng, bao gồm cả cây trồng lâu năm như cọ dầu, cao su và cau. Rừng ở đây là sự pha trộn phức tạp giữa rừng khô, rừng ẩm và rừng ướt, bao gồm cả các vùng đầm lầy và rừng ngập mặn.

Như một nghiên cứu điển hình, dưới đây chúng tôi tóm tắt kết quả của bản đồ lớp phủ đất năm 2020 mà Space Intelligence đã thực hiện, nằm trong bộ bản đồ nghiên cứu diễn biến lớp phủ đất của quốc gia này trong hơn 13 năm. Các bản đồ cho thấy độ chính xác cao và rất ít nhầm lẫn giữa rừng và không phải rừng, với việc chúng tôi đã loại trừ thành công rừng trồng gỗ, cây trồng lâu năm và đồn điền cao su khỏi lớp rừng, đúng như yêu cầu đối với đánh giá theo EUDR.

Bảng 1: Độ chính xác theo chủ đề của đường cơ sở rừng Campuchia của Space Intelligence cho năm 2023, được đánh giá độc lập bằng thiết kế lấy mẫu xác suất, cho thấy độ chính xác tổng thể cao và mức nhầm lẫn thấp giữa các lớp. Tất cả các giá trị đều bao gồm khoảng tin cậy 95%.

Hình 1: Một phần đường cơ sở rừng Campuchia của Space Intelligence, thể hiện rừng màu xanh lá, không phải rừng màu đen và nước màu xanh dương. Các chấm đỏ là một số trong hàng nghìn điểm đánh giá độ chính xác ngẫu nhiên được dùng để đánh giá độ chính xác của bản đồ.

Độ chính xác có thể được kiểm tra theo nhiều cách, nhưng phương pháp duy nhất cho phép đánh giá có ý nghĩa về độ chính xác của một pixel ngẫu nhiên trên bản đồ đầu ra là phương pháp 4. Đây là phương pháp được Verra sử dụng trong Consolidated REDD+ Methodology (VM0048) mới và được hướng dẫn thực hành

tốt1-3 khuyến nghị, nhưng không phải lúc nào cũng được các công ty muốn phô trương số liệu độ chính xác cao tuân theo.

Phương pháp 1: So sánh dữ liệu huấn luyện đầu vào (thường là các polygon được vẽ bằng mắt với các lớp như ‘rừng’ hoặc ‘không phải rừng’) với bản đồ đầu ra. Thông thường, đơn vị được dùng là tỷ lệ pixel được phân loại đúng (‘độ chính xác tổng thể’), với từng pixel riêng lẻ là đơn vị đánh giá, chứ không phải toàn bộ polygon.

Đánh giá: Dù phổ biến, phương pháp này không phù hợp về mặt khoa học vì không có sự độc lập giữa dataset kiểm tra và dataset huấn luyện.

Một vấn đề khác là việc sử dụng pixel thay vì polygon làm cơ sở so sánh. Các pixel lân cận (ví dụ tất cả các pixel tạo nên một cánh đồng được khai hoang trong rừng) được coi là các mẫu độc lập, trong khi thực tế chúng là các pixel kề nhau và có nhiều đặc điểm chung hơn nhiều so với hai pixel ngẫu nhiên trên bản đồ đầu ra.

Vì cả hai lý do này, phương pháp này chắc chắn sẽ phóng đại độ chính xác.

Phương pháp 2: So sánh tương tự giữa bản đồ đầu ra với các polygon, nhưng sử dụng các polygon được tạo độc lập, không dùng để huấn luyện bản đồ. Thông thường, đơn vị được dùng là tỷ lệ pixel được phân loại đúng (‘độ chính xác tổng thể’), với từng pixel riêng lẻ là đơn vị đánh giá, chứ không phải toàn bộ polygon.

Đánh giá: Phương pháp này có chung vấn đề nêu trên là coi các pixel lân cận không độc lập như thể độc lập, dẫn đến phóng đại độ chính xác

Phương pháp 3: Sử dụng dữ liệu thu thập tại chỗ (dữ liệu thực địa).

Dữ liệu thực địa thường được xem là ‘tiêu chuẩn vàng’ của dữ liệu xác thực, và được cho là có độ chính xác cao hơn các nguồn dữ liệu khác.

Đánh giá: Tuy nhiên, do hạn chế về khả năng tiếp cận và chi phí cao so với, chẳng hạn, việc giải đoán dữ liệu viễn thám độ phân giải cao, kích thước mẫu nhỏ và tỷ lệ diện tích có thể lấy mẫu hẹp khiến kết quả không thể ngoại suy một cách đáng tin cậy cho các vùng rộng lớn.

Phương pháp này cũng có xu hướng bị thiên lệch về không gian, điều có thể gây vấn đề khi đánh giá các sản phẩm lớp phủ đất, vì các khu vực dễ tiếp cận thường bị xáo trộn nhiều hơn.

Phương pháp 4: Đánh giá độc lập một tập hợp các điểm riêng lẻ, được đặt trên toàn bộ bản đồ đầu ra theo một phương pháp lấy mẫu hợp lệ về mặt thống kê (thường là lưới hoặc mẫu ngẫu nhiên phân tầng).

Đánh giá: phương pháp này cung cấp đánh giá đáng tin cậy về độ chính xác của các lớp khác nhau trên bản đồ, cùng với khoảng tin cậy của đánh giá đó. Có thể bổ sung thêm điểm theo cách hợp lệ về mặt thống kê cho đến khi khoảng tin cậy của đánh giá độ chính xác đủ hẹp để đáp ứng yêu cầu.