Nguyễn Thị Mai Anh
Trường Đại học Công nghiệp Quảng Ninh, Việt Nam
Nguyễn Gia Trọng
Trường Đại học Mỏ - Địa chất, Việt Nam
Nguyễn Huyền Thanh
Trường Đại học Công nghiệp Quảng Ninh, Việt Nam
Trịnh Lê Hùng
Trường Đại học Công nghiệp Quảng Ninh, Việt Nam
Tô Thanh Vũ
Công ty Cổ phần thiết kế xây dựng đo đạc thương mại dịch vụ Đức Sang, Việt Nam
Tóm tắt (Abstract)
Bài báo trình bày một số phương pháp xây dựng chỉ số xáo trộn cảnh quan (Disturbance Index - DI) nhằm đánh giá mức độ tác động của con người lên hệ sinh thái tại tỉnh Thanh Hóa. Nghiên cứu sử dụng phương pháp tích hợp và phân tích dữ liệu GIS, kết hợp dữ liệu lớp phủ đất (LULC), mật độ dân số (WorldPop) và mạng lưới giao thông từ OpenStreetMap để xây dựng, chuẩn hóa, gán trọng số và so sánh các phương án xác định DI. Đối với dữ liệu lớp phủ đất, các loại hình sử dụng đất được tái phân loại thành 10 nhóm và gán trọng số xáo trộn khác nhau tùy theo mức độ tác động của hoạt động nhân sinh. Bên cạnh đó, dữ liệu dân số và giao thông được chuẩn hóa và tích hợp nhằm phản ánh áp lực nhân sinh lên cảnh quan sinh thái. Kết quả nghiên cứu cho thấy chỉ số DI có sự phân bố không đồng đều theo không gian. Các khu vực đồng bằng, ven biển và đô thị thường có giá trị DI cao do tập trung dân cư, phát triển hạ tầng và hoạt động sản xuất mạnh. Trong khi đó, các khu vực miền núi phía Tây và Tây Bắc có giá trị DI thấp hơn nhờ diện tích rừng tự nhiên lớn và mức độ tác động của con người còn hạn chế. Nghiên cứu cũng cho thấy phương pháp tích hợp đồng thời dữ liệu lớp phủ đất, dân số và giao thông giúp phản ánh toàn diện hơn mức độ xáo trộn cảnh quan so với việc chỉ sử dụng một nguồn dữ liệu riêng lẻ. Kết quả nghiên cứu góp phần hỗ trợ đánh giá cấu trúc cảnh quan, giám sát tác động nhân sinh và phục vụ công tác quản lý tài nguyên, môi trường theo hướng phát triển bền vững.
The paper presents several methods for constructing the Disturbance Index (DI) to assess the level of human impact on ecosystems in Thanh Hoa province. The study uses an integrated GIS data analysis method, combining land cover data (LULC), population density (WorldPop), and transportation network data from OpenStreetMap to construct, standardize, weight, and compare different DI determination methods. For land cover data, land use types were reclassified into 10 groups and assigned different disturbance weights depending on the level of impact caused by human activities. In addition, population and transportation data were standardized and integrated to reflect anthropogenic pressure on the ecological landscape. The research results show that the DI is unevenly distributed spatially. The plains, coastal, and urban areas of Thanh Hoa province generally have high DI values due to concentrated population, infrastructure development, and intensive production activities, while the western and northwestern mountainous areas have lower DI values thanks to large areas of natural forest and the still limited level of human impact. The study also indicates that the method integrating land cover, population, and transportation data simultaneously provides a more comprehensive representation of landscape disturbance levels compared to using only a single data source. The research results contribute to supporting landscape structure assessment, monitoring anthropogenic impacts, and serving natural resource and environmental management toward sustainable development.
Tài liệu tham khảo
[1]. Turner, M.G.(2010). Disturbance and landscape dynamics in a changing world. Ecology . 91(10): p. 2833-2849. https://doi.org/10.1890/10-0097.1
[2]. Monica G. Turner. 2005. Landscape Ecology: What Is the State of the Science?. Annual Review Ecology, Evolution, and Systematics. 36:319-344. https://doi.org/10.1146/annurev.ecolsys.36. 102003.152614
[3]. Rogan, J., et al. (2006). Integrating GIS and remotely sensed data for mapping forest disturbance and change. Understanding forest disturbance spatial pattern: Remote sensing GIS approaches, p. 133-172.
[4]. Rodrigues, É.T., A.M.V. Monteiro, and M.I.S. Escada.(2025). Assessing forest landscape disturbance and structural integrity through synthetic indices in the Brazilian Amazon. Environmental Sustainability Indicators, 28: p. 101009. https://doi.org/10.1016/j.indic. 2025.101009
[5]. Van Beynen, P. and K. Townsend. (2005). A disturbance index for karst environments. Environmental Management. 36(1): p. 101-116. https://doi.org/10.1007/s00267-004-0265-9
[6]. Van Beynen, P.E. and K.M. van Beynen. (2011). Human disturbance of karst environments, in Karst management. Springer. p. 379-397. https://doi.org/10.1007/978-94-007-1207-2_17
[7]. Xu, W., et al. (2025). Assessing Landscape Ecological Risk from Mining in the River Source Region of the Yellow River Basin. Land. 14(11): p. 2152. https://doi.org/10.3390/land14112152
[8]. Ren, S., et al. (2023). Influence of natural and social economic factors on landscape pattern indices-the case of the Yellow River basin in Henan Province. Water. 15(23): p. 4174. https://doi.org/10.3390/w15234174
[9]. Hansen, M.C., et al. (2013). High-resolution global maps of 21st-century forest cover change. Science, 2013. 342(6160): p. 850-853. DOI: 10.1126/science.1244693
[10].Kennedy, R.E., Z. Yang, and W.B. Cohen. (2010). Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr-Temporal segmentation algorithms. Remote Sensing of Environment. 114(12): p. 2897-2910. https://doi.org/10.1016/j.rse.2010. 07.008
[11].Cohen, W.B., Z. Yang, and R. Kennedy. (2010). Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync-Tools for calibration and validation. Remote Sensing of Environment. 114(12): p. 2911-2924. https://doi.org/10.1016/j.rse.2010. 07.010
[12].Nguyen, H.T., et al. (2017). Mapping forest disturbance and recovery for forest dynamics over large areas using Landsat time-series remote sensing. in Remote Sensing for Agriculture, Ecosystems, and Hydrology XIX. SPIE. https://doi.org/10.1117/12.2276913
[13].Viana-Soto, A. and C. Senf. (2025). The European Forest Disturbance Atlas: a forest disturbance monitoring system using the Landsat archive. Earth System Science Data. 17(6): p. 39 2373-2404. https://doi.org/10.5194/essd-17-2373-2025
[14].Tyukavina, A., et al. (2017). Types and rates of forest disturbance in Brazilian Legal Amazon, 2000-2013. Science advances. 3(4): p. e1601047. DOI: 10.1126/sciadv.1601047
[15].Molnár, T. and G. Király. (2024) Forest disturbance monitoring using cloud-based Sentinel-2 satellite imagery and machine learning. Journal of imaging. 10(1): p. 14. https://doi.org/10.3390/ jimaging10010014
[16].Hải, P.M. and Đ.T. Hoài. (2019). Nghiên cứu cơ sở khoa học trong lựa chọn chỉ số cảnh quan phù hợp phục vụ công tác giám sát biến đổi cấu trúc rừng ngập mặn. Thực nghiệm tại rừng ngập mặn mũi Cà Mau. Tạp chí Khoa học Đo đạc và Bản đồ. (42): p. 20-25.
[17].Tâm, P.M., P.H. Hải, and P.V. Mạnh. (2020). Ứng dụng viễn thám và độ đo cảnh quan trong phân tích xu thế biến động sử dụng đất khu vực huyện Văn Chấn, tỉnh Yên Bái giai đoạn 2008- 2017. Tạp chí Khoa học Trường Đại học Sư phạm Thành phố Hồ Chí Minh. 17(6): p. 1063-1063. DOI: 10.54607/hcmue.js.17.6.2753(2020)
[18].Cường, H.T. (2025). Phân tích Gradient đánh giá xu hướng mở rộng đô thị hóa tại khu vực phía Bắc và Tây Bắc của thành phố Hồ Chí Minh, in Hội thảo khoa học quản lý đất đai toàn quốc lần thứ 3, Quản lý đất đai bền vững (SLM2025).
[19].Đặng Đỗ Lâm, P., et al. (2025). Đánh giá tác động của phát triển du lịch đến mẫu dạng cảnh quan quần đảo Côn Đảo bằng phương pháp tích hợp GeoAI và độ đo không gian. Tạp chí Khoa học và Công nghệ lâm nghiệp. 14(7): p. 112-123.
[20].Kim, T.H., et al. (2025). Đánh giá chất lượng môi trường sinh thái vùng Đồng bằng sông Cửu Long ứng dụng công nghệ viễn thám và GIS. Tạp chí Khoa học Đại học Cần Thơ. 61: p. 10-23. DOI: 10.22144/ctujos.2025.053
[21].Eric W. Sanderson, M.J., Marc A. Levy, Kent H. Reford, Antointte V. Wannebo, Gillan Woolmer. (2002). The Human Footprint and the Last of the Wild: The human footprint is a global map of human influence on the land surface, which suggests that human beings are stewards of nature, whether we like it or not. BioScience. 52(10): p. 891 - 904. https://doi.org/10.1641/0006- 3568(2002)052[0891:THFATL]2.0.CO;2
[22].Woolmer, G., et al. (2008). Rescaling the human footprint: a tool for conservation planning at an ecoregional scale. Landscape and Urban Planning. 87(1): p. 42-53. https://doi.org/10.1016/ j.landurbplan.2008.04.005
[23].Forman, R.T. and L.E. Alexander. (1998). Roads and their major ecological effects. Annual Review of Ecology and Systematics. 29(1): p. 207-231. https://doi.org/10.1146/annurev. ecolsys.29.1.207
[24].Haddad, N.M., et al. (2015). Habitat fragmentation and its lasting impact on Earth’s ecosystems. Science advances. 1(2): p. e1500052. DOI: 10.1126/sciadv.1500052
[25].McGarigal, K., Cushman, S. A., Neel, M. C., Ene, E. (2002). FRAGSTATS: spatial pattern analysis program for categorical maps. Computer software program produced by the authors at the University of Massachusetts.
[26].Li, X. and A.G.-O. Yeh. (2004). Analyzing spatial restructuring of land use patterns in a fast growing region using remote sensing and GIS. Landscape Urban planning. 69(4): p. 335-354. https://doi.org/10.1016/j.landurbplan.2003.10.033
[27].Do, T.P.T., et al. (2024). Establishing a plastic waste map using remote sensing data in the coastal area of Thanh Hoa province (Vietnam). Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 5(5): p. 116 - 122. https://doi.org/10.33271/nvngu/2024-5/116
[28].Thi Phuong, T. (2024). et al. Assessment of land cover changes using sentinel-2 satellite image data: A case study of Thanh Hoa coastal area, Viet Nam. in IOP Conference Series: Earth and Environmental Science. IOP Publishing. DOI 10.1088/1755-1315/1345/1/012026
[29].Tatem, A.J. (2017). WorldPop, open data for spatial demography. Scientific data. 4(1): p. 170004. https://doi.org/10.1038/sdata.2017.4
[30].Lloyd, C.T., A. Sorichetta, and A.J. Tatem. (2017). High resolution global gridded data for use in population studies. Scientific data. 4(1): p. 170001. https://doi.org/10.1038/sdata.2017.1
[31].Bersabe, J.T. and B.-W. Jun. (2025). Exploring the Impact of Multi-Source Gridded Population Datasets on Flood-Exposed Population Estimates in Gangnam, Seoul. ISPRS International Journal of Geo-Information. 14(7): p. 262. https://doi.org/10.3390/ijgi14070262
[32].Boeing, G. (2017). OSMnx: New methods for acquiring, constructing, analyzing, and visualizing complex street networks. Computers, environment urban systems. 65: p. 126-139. https://doi.org/10.1016/j.compenvurbsys.2017.05.004
[33].Barrington-Leigh, C. and A. Millard-Ball. (2017). The world’s user-generated road map is more than 80% complete. PloS one. 12(8): p. e0180698. https://doi.org/10.1371/journal.pone.0180698
[34].Tadono, T., et al. (2014). Precise global DEM generation by ALOS PRISM. ISPRS Annals of the Photogrammetry, Remote Sensing Spatial Information Sciences. 2: p. 71-76. https://doi.org/10.5194/isprsannals-II-4-71-2014
[35]. Shimada, M., et al. (2014). New global forest/non-forest maps from ALOS PALSAR data (2007- 2010). Remote Sensing of environment. 155: p. 13-31. https://doi.org/10.1016/j.rse.2014.04.014
[36]. Han, J., Pei, J., & Tong, H. (2022). Data mining: concepts and techniques. Morgan kaufmann.
[37]. Trong, N. G., Quang, P. N., Cuong, N. V., Le, H. A., Nguyen, H. L., & Tien Bui, D. (2023). Spatial Prediction of Fluvial Flood in High-Frequency Tropical Cyclone Area Using TensorFlow 1D_x0002_Convolution Neural Networks and Geospatial Data. Remote Sensing, 15(22), 5429. https://doi.org/10.3390/rs15225429
