I. Thông tin chung và bối cảnh
Rạn san hô là một trong những hệ sinh thái biển quan trọng nhất, đóng vai trò bảo vệ bờ biển, cung cấp môi trường sống cho nhiều loài sinh vật và thúc đẩy du lịch sinh thái. Tuy nhiên, rạn san hô đang bị đe dọa nghiêm trọng bởi biến đổi khí hậu, ô nhiễm môi trường và các hoạt động của con người.
Vì vậy, giám sát định kỳ rạn san hô là một yêu cầu cấp thiết nhằm nắm bắt tình trạng, diễn biến của hệ sinh thái này để từ đó đề xuất các giải pháp quản lý và phục hồi hiệu quả.
Tại Khu bảo tồn biển Cù Lao Chàm, với diện tích rạn san hô khoảng 356,4 ha phân bố quanh các đảo, từ năm 2011 Ban Quản lý (BQL) đã áp dụng phương pháp ReefCheck để giám sát tại 10 điểm rạn (hình 1).
Hình 1. Sơ đồ trạm giám sát rạn san hô tại KBTB Cù Lao Chàm
Sau 14 năm triển khai, BQL đã xây dựng được một bộ cơ sở dữ liệu lớn, hỗ trợ công tác theo dõi và quản lý tài nguyên rạn san hô.
Tuy nhiên, phương pháp ReefCheck vẫn còn một số hạn chế:
- Thiếu nhân lực có kỹ năng cao để đảm nhận chỉ tiêu hợp phần đáy
- Số liệu phụ thuộc hoàn toàn vào quan sát viên, thiếu tính kiểm chứng.
- Quá trình thu thập dữ liệu mất nhiều thời gian, phụ thuộc vào sức khỏe người lặn.
- Chưa thể xác định đến cấp giống san hô.
- Chưa kết nối với mạng lưới giám sát rạn san hô toàn cầu.
Để khắc phục các tồn tại nêu trên, việc áp dụng các kỹ thuật hiện đại trong giám sát rạn san hô là xu hướng tất yếu. Một số công nghệ tiên tiến đang được áp dụng toàn cầu gồm:
- Công nghệ GIS (Hệ thống thông tin địa lý)
Công nghệ GIS cho phép thu thập, quản lý và phân tích dữ liệu không gian một cách chính xác và hiệu quả. GIS được sử dụng để tạo bản đồ chi tiết về phân bố rạn san hô, giúp các nhà quản lý theo dõi sự thay đổi về diện tích và sức khỏe của rạn san hô theo thời gian. Bản đồ này cũng hỗ trợ trong việc lập kế hoạch bảo tồn và quản lý tài nguyên biển, đồng thời phát hiện sớm các khu vực có nguy cơ cao để có biện pháp can thiệp kịp thời.
- Công nghệ Viễn thám
Viễn thám là một công nghệ quan trọng trong việc giám sát các hệ sinh thái biển từ xa. Các hình ảnh vệ tinh và máy bay không người lái (drone) cung cấp thông tin về hiện trạng và sự biến đổi của rạn san hô mà không cần tiếp xúc trực tiếp. Công nghệ này được sử dụng để giám sát nhiệt độ nước biển, mức độ ô nhiễm và tình trạng tẩy trắng san hô, từ đó giúp đưa ra các biện pháp ứng phó kịp thời.
- Hệ thống giám sát tự động dưới nước
Các hệ thống giám sát tự động dưới nước, bao gồm cảm biến và máy quay, cho phép theo dõi liên tục tình trạng rạn san hô. Những thiết bị này có khả năng ghi lại dữ liệu về chất lượng nước, dòng chảy, và sự phát triển của san hô. Hệ thống này giúp thu thập dữ liệu một cách liên tục và chi tiết, cung cấp cơ sở khoa học cho việc nghiên cứu và bảo vệ rạn san hô.
- Trí tuệ nhân tạo (AI)
Trí tuệ nhân tạo và machine learning đang ngày càng được ứng dụng rộng rãi trong nghiên cứu và bảo vệ môi trường. AI được sử dụng để phân tích hình ảnh và dữ liệu từ các hệ thống giám sát, giúp nhận diện và phân loại các loài san hô, phát hiện sớm các dấu hiệu suy thoái và đề xuất các biện pháp phục hồi phù hợp. Công nghệ này giúp tiết kiệm thời gian và nâng cao độ chính xác trong công tác giám sát.
- Hợp tác quốc tế và chia sẻ dữ liệu
Hợp tác quốc tế và chia sẻ dữ liệu là yếu tố quan trọng trong việc bảo vệ rạn san hô. Các dự án hợp tác với các tổ chức quốc tế giúp tiếp cận với các công nghệ và phương pháp giám sát tiên tiến, đồng thời chia sẻ kinh nghiệm và dữ liệu để nâng cao hiệu quả bảo tồn. Việc tham gia vào các mạng lưới giám sát rạn san hô toàn cầu cũng giúp cập nhật và ứng dụng các tiêu chuẩn và phương pháp mới nhất trong công tác bảo vệ môi trường.
Trong số 5 công nghệ kể trên, với năng lực hiện tại, BQL đã lựa chọn công nghệ AI và hợp tác quốc tế, chia sẻ dữ liệu là hướng đi phù hợp trong thời gian tới.
Theo đó, từ năm 2024, BQL đã tiếp cận và áp dụng thử nghiệm ứng dụng nền tảng ReefCloud – một công cụ mã nguồn mở sử dụng AI để phân tích hình ảnh rạn san hô do Viện Khoa học biển Úc (AIMS) phát minh.
II. Giới thiệu ReefCloud
Khoảng 70% rạn san hô trên thế giới hiện đang được giám sát thường xuyên nhưng có thể mất nhiều năm để tập hợp tất cả dữ liệu có sẵn, tổng hợp các định dạng và phương pháp thu thập dữ liệu khác nhau. Với ReefCloud một nền tảng truy cập mã nguồn mở được thiết kế để thu thập và phân tích dữ liệu một cách nhanh chóng và hiệu quả nhằm cải thiện việc ra quyết định và cung cấp thông tin cho hoạt động bảo tồn trên toàn thế giới. ReefCloud cho phép quản lý hình ảnh tại hiện trường và tải lên đám mây lưu trữ. Sau đó tiến hành phân tích tự động dựa trên việc sao chép các kết quả định loại của chuyên gia với độ tin cậy 80-90% để đưa ra ước tính chính xác về thành phần đáy rạn san hô nhanh hơn 700 lần so với đánh giá thủ công.
Bảng 2. Hiệu quả của ReefCloud
| ReefCloud | Hiệu quả | Hình ảnh minh họa |
| Thu thập & quản lý hình ảnh giám sát
| Gửi ảnh rạn san hô cùng với dữ liệu liên quan như: vị trí, thời gian, môi trường, độ sâu để giúp đánh giá nhanh tình trạng của rạn san hô. Một hệ thống tự động bảo mật và sắp xếp dữ liệu này và có các tùy chọn để chia sẻ dữ liệu ở nhiều cấp độ nhằm thúc đẩy sự hợp tác giữa các nhà khoa học và các tổ chức. |  |
| Phân tích và tự động chú thích hình ảnh bằng AI
| ReefCloud được thiết kế để máy học từ các chuyên gia để tự động phân tích hình ảnh và trích xuất thông tin có liên quan, chẳng hạn như độ phủ san hô và thành phần rạn san hô một cách nhanh chóng và hiệu quả. Điều này giúp các nhà khoa học tăng hiệu quả phân tích dữ liệu, trích xuất chi tiết phân loại nâng cao từ hình ảnh. |  |
| Tổng hợp thông tin chi tiết và xem báo cáo được cập nhật tự động | Bảng thông tin tương tác, bảng báo cáo và công cụ truy cập dữ liệu cho phép diễn giải, báo cáo và truyền đạt nhanh chóng về tình trạng rạn san hô trên khắp các vùng địa lý. |  |
| Chia sẻ và hợp tác bảo tồn | Quản lý và chia sẻ dữ liệu để hợp tác và đưa ra lời khuyên kịp thời để quản lý rạn san hô với kiến thức tốt hơn, dễ tiếp cận hơn hỗ trợ việc ra quyết định để bảo vệ rạn san hô hiện tại và tương lai. |  |
III. Quá trình ứng dụng ReefCloud trong giám sát san hô tại KBTB Cù Lao Chàm
3.1. Thời gian và địa điểm
Kế thừa thời gian và địa điểm giám sát rạn san hô bằng phương pháp Reefcheck của BQL từ các năm trước.
3.2. Phương pháp
a. Phương pháp thu thập số liệu
Việc thu thập số liệu được tiến hành như đối với phương pháp Reefcheck. Tại mỗi điểm giám sát, rải 2 dây mặt cắt (mỗi dây có độ dài 100m) tại 2 mặt cắt cạn và sâu, điểm đầu và điểm cuối của dây mặt cắt ở các vị trí giám sát đã được cố định từ những năm trước để tránh tính trạng sai số trong quá trình rải dây. Sau khi dây mặt cắt được rải, người tham gia giám sát bơi dọc theo dây, đếm sinh vật (cá, động vật đáy) và chụp hình hợp phần đáy dọc theo dây mặt cắt tại các vị trí cách nhau 0,5m, chụp khổ ảnh 50 x 50cm, vị trí máy ảnh cách nền đáy 50cm, ở 4 đoạn trên 1 dây mặt cắt, mỗi đoạn dài 20m (các đoạn cách nhau 5m) (Hình 2,3 &4).
Hình 2. Dây mặt cắt giám sát cá, động vật không xương sống và các hợp phần đáy (theo Hodgson & Waddell, 1997)
Các hình ảnh sau khi thu thập xong được tải lên ReefCloud để tiếp tục phân tích.
b. Phương pháp phân tích dữ liệu ảnh để xác định hợp phần đáy
Phân tích độ phủ các hợp phần đáy bằng cách sử dụng mô hình máy học trên hệ thống ReefCloud (Gozalez-Rivero et al 2020; AIMS, 2024). ReefCloud sử dụng mô hình máy học (Deep Learning Convolutional Neural Networks) để phân tích tự động hình ảnh dựa trên 20-30% số điểm ảnh đã được phân tích bởi con người. Trong đó máy sẽ học 70% số lượng điểm ảnh theo phương pháp nội suy từ các điểm ảnh được con người gắn nhãn và 30% còn lại để kiểm tra mức độ sai số (hình 5).
Mô hình máy học của ReefCloud đã được sử dụng trong chương trình quan trắc dài hạn của AIMS, người phân tích dữ liệu đã được đào tạo bởi AIMS.
Độ tin cậy của mô hình được kiểm định thông qua chỉ số F1 (Gozalez-Rivero et al 2020). Đối với mỗi dự án được thiết lập trên ReefCloud, yêu cầu chỉ số F1 > 0,64 và độ sai số error < 5 thì kết quả mới đạt độ tin cậy cao.
Hình 5. Mô hình máy học (Nguồn: Gozalez-Rivero et al 2020)
c. Phương pháp phân tích số liệu
Số liệu phân tích trên hệ thống ReefCloud sử dụng mô hình phân tích thống kê. Độ phủ san hô, rong và các thành phần của nền đáy được tính toán bởi tỷ lệ % số lượng điểm ảnh của từng hợp phần.
IV. Kết quả ứng dụng ReefCloud trong giám sát san hô tại KBTB Cù Lao Chàm
Kết quả đã thu thập được hình ảnh tại 10 điểm giám sát với tổng số lượng ảnh tải lên ReefCloud là 2.720 ảnh tương đương với 136.000 điểm ảnh được ReefCloud sử dụng để phân tích hợp phần đáy rạn san hô. Trong số đó, đã có 55% số lượng điểm ảnh được cán bộ BQL và các chuyên gia từ AIMS, Viện Hải dương học gắn nhãn (hình 6)
Hình 6. Tổng quan dự án giám sát rạn san hô Cù Lao Chàm trên ReefCloud
Kết quả học máy đối với dự án giám sát rạn san hô tại Cù Lao Chàm đã được kiểm định bằng chỉ số F1 và chỉ số error đảm bảo tiêu chuẩn theo yêu cầu, trong đó chỉ số F1 = 0,76, chỉ số error tại các điểm giám sát đối với từng chỉ tiêu đều nhỏ hơn 5% (hình 7&8).
Hình 7. Chỉ số F1 của dự án
Hình 8. Chỉ số độ sai số (error) của dự án
Như vậy, sau khi kiểm định các chỉ số về độ sai số, độ chính xác thì các dữ liệu được máy học và phân tích đủ độ tin cậy để có thể sử dụng phân tích, đánh giá hiện trạng rạn san hô tại Cù Lao Chàm.
So sánh kết quả giám sát san hô từ ReefCheck và ReefCloud cho thấy 6/10 điểm có độ phủ san hô cứng tương đồng nhau, 4 điểm còn lại có sự chênh lệch khá lớn gồm: Bãi Bắc, Bãi Tra, Hòn Mồ, Hòn Dài (hình 9). Sự chênh lệch này cần phải thực hiện và theo dõi thêm ở các năm tiếp theo để đưa ra kết luận chính xác nguyên nhân, đồng thời việc giám sát cần một quá trình lâu dài với cùng phương pháp, cùng địa điểm thì mới có thể dùng kết quả để so sánh và theo dõi diễn biến.
Hình 9. So sánh độ phủ san hô cứng giữa Reefcheck và ReefCloud
V. Kết luận và kiến nghị
Việc ứng dụng kỹ thuật tiên tiến, đặc biệt là AI thông qua nền tảng ReefCloud, đã mở ra hướng đi mới trong công tác giám sát và bảo tồn rạn san hô tại KBTB Cù Lao Chàm. Đây không chỉ là bước tiến trong công nghệ mà còn thể hiện sự chủ động hội nhập quốc tế, góp phần bảo vệ tài nguyên thiên nhiên và đa dạng sinh học một cách bền vững.
Tuy nhiên, để đạt được hiệu quả cao nhất, cần tiếp tục đầu tư cơ sở hạ tầng, trang thiết bị để áp dụng công nghệ mới, đồng thời tăng cường hợp tác quốc tế và nâng cao năng lực của cán bộ BQL thông qua các khóa đào tạo, tập huấn chuyên sâu.
Một số kiến nghị cụ thể để nâng cao hiệu quả giám sát rạn san hô và đa dạng sinh học trong KBTB Cù Lao Chàm như sau:
- Tập huấn chuyên sâu về công nghệ GIS và viễn thám cho 2-3 cán bộ để theo dõi tổng thể diễn biến các hệ sinh thái;
- Tiếp tục hợp tác với AIMS và Viện Hải dương học để tập huấn và duy trì việc sử dụng ReefCloud trong giám sát rạn san hô;
- Đầu tư trang thiết bị (máy ảnh dưới nước, hệ thống giám sát tự động dưới nước) để tăng cường hiệu quả giám sát rạn san hô;
- Bố trí nguồn kinh phí hàng năm cho hoạt động giám sát rạn san hô nói riêng và giám sát đa dạng sinh học nói chung tại KBTB Cù Lao Chàm;
Tiếp tục kết hợp cả 02 phương pháp Reefcheck và ReefCloud để giám sát rạn san hô định kỳ tại KBTB CLC ở các năm tiếp theo.
Trần Thị Phương Thảo – BQL Khu bảo tồn biển Cù Lao Chàm