Địa chỉ: 567 Lê Duẩn, Phường Ea Tam, Tp. Buôn Ma Thuột, tỉnh Đắk LắkĐiện thoại: 0262.3825185
* Phát triển cơ sở dữ liệu không gian dựa trên dữ liệu thứ cấp và GIS
Thu thập các dữ liệu liên quan
+ Dữ liệu thứ cấp: Thu thập các bản đồ rừng, sử dụng đất, bản đồ đất đai, bản đồ quy hoạch,...có sẵn tại tỉnh Đắk Lắk. Các dữ liệu này được chuẩn hóa và đưa về hệ tọa độ UTM Zone 49 để đồng nhất với các dữ liệu ảnh vệ tinh được thu thập từ USGS (United States Geological Survey).
+ Mô hình số độ cao DEM (Digital Elevation Model): tải từ Vertex (http:// vertex.daac.asf.alaska.edu/)
Phát triển cơ sở dữ liệu không gian GIS
+ Dựa trên DEM sử dụng phần mềm GIS để xây dựng các bản đồ liên quan đến độ dốc, độ cao, hướng phơi,..
+ Xây dựng bản đồ lượng mưa và phân vùng nhiệt độ:
-
Số liệu lượng mưa, nhiệt độ được xử lý dựa trên phương pháp thống kê chủ yếu bằng phần mềm Excel để phân tích, đánh giá xác định xu hướng biến đổi của các yếu tố khí tượng này.
-
Bản đồ phân vùng lượng mưa và nhiệt độ được xây dựng bằng phương pháp nội suy không gian Inverse Distance Weight (IDW) dưới sự hỗ trợ của các phần mềm chuyên dụng trong hệ thống thông tin địa lý (GIS). IDW được sử dụng để xây dựng tập giá trị các điểm chưa biết từ tập điểm đã biết trên cơ sở các dữ liệu nội suy có mối quan hệ không gian với nhau, tức là các điểm ở gần sẽ có giá trị tương đương nhau. IDW xác định các giá trị bằng cách tính trung bình của các điểm mẫu trong vùng lân cận của giá trị đó.
* Phương pháp xác định các chỉ số khô hạn dựa vào ảnh vệ tinh và chỉ số SPI từ dữ liệu quan trắc
+ Dữ liệu ảnh vệ tinh: Nghiên cứu thực hiện trong giai đoạn thời gian từ 2010 - 2022 do vậy dựa vào sự sẵn có của ảnh vệ tinh, tập hợp các cảnh ảnh Sentinel 2A (SE-2A), ảnh Landsat thế hệ 5,7, 8,9 trong giai đoạn từ năm 2010 đến năm 2022 được thu thập và tiền xử lý ảnh về địa hình, phổ, mây, bóng mây để nâng cao chất lượng ảnh trước khi sử dụng. Các bước thu thập và xử lý ảnh được thực hiện trên Google Earth Engine (GEE). Việc bước tiền xử lý ảnh được được thực hiện như Nguyen et al (2020) đã thực hiện.
Tính toán các chỉ số hạn từ ảnh vệ tinh
+ Các chỉ số liên quan trong nghiên cứu này được tính toán từ ảnh vệ tinh như: NDVI ; LST - Land Surface Temperature – nhiệt độ bề mặt; NDDI - Normalized Drought Dryness Index
– chỉ số khô hạn chuẩn hóa; NDWI - Normalized Difference Water Index – chỉ số khác biệt mặt nước chuẩn hóa; Các chỉ số này được tính toán giai đoạn nghiên cứu 2010-2020 từ dữ liệu ảnh viễn thám Landsat hoặc MODIS Một số chỉ số được tính toán minh họa như bảng dưới: Bảng 1. Minh họa cách tính các chỉ số từ ảnh vệ tinh
|
STT
|
Chỉ số
|
Công thức
|
Kênh phổ
|
|
1
|
LSWI
|
𝑵𝑰𝑹 − 𝑺𝑾𝑰𝑹
𝑳𝑺𝑾𝑰 = -----------------
𝑵𝑰𝑹 + 𝑺𝑾𝑰𝑹
|
Landsat 5: B4, B5
Landsat 8: B5, B6
|
|
2
|
NDVI
|
𝑵𝑰𝑹 − 𝑹𝑬𝑫
𝑵𝑫𝑽𝑰 = ---------------
𝑵𝑰𝑹 + 𝑹𝑬𝑫
|
Landsat 5: B4, B3
Landsat 8: B5, B4
|
|
3
|
NDWI
|
𝑮𝑹𝑬𝑬𝑵 − 𝑵𝑰𝑹
𝑵𝑫𝑾𝑰 = ---------------------
𝑮𝑹𝑬𝑬𝑵 + 𝑵𝑰𝑹
|
Landsat 5: B2, B4
Landsat 8: B3, B5
|
|
4
|
mNDWI
|
𝑮𝑹𝑬𝑬𝑵 − 𝑺𝑾𝑰𝑹
𝒎𝑵𝑫𝑾𝑰 = ----------------------
𝑮𝑹𝑬𝑬𝑵 + 𝑺𝑾𝑰𝑹
|
Landsat 5: B2, B5
Landsat 8: B3, B6
|
Ảnh 1. Minh họa cách tính các chỉ số từ ảnh vệ tinh
+ Tính toán chỉ số lượng mưa tiêu chuẩn SPI (Standardized Precipitation Index) từ số liệu quan trắc
Chỉ số SPI được phát triển bởi McKee và cs. (1995) để ước tính sự thiếu hụt lượng mưa. Nó biểu thị độ lệch chuẩn hóa của lượng mưa tích lũy quan sát được so với lượng mưa trung bình dài hạn. Chỉ số lượng mưa chuẩn hóa là một chỉ số quan trọng và được chấp nhận tốt cho giám sát hạn hán (Sesha Sai et al, 2016;). Vì vậy chỉ số này đã được nhiều nghiên cứu áp dụng để xác định khô hạn (Andres et al. 2016; Shah et al, 2015). Trong nghiên cứu này SPI cũng được tính toán để xác định các thời điểm hạn cũng như để so sánh với các chỉ số hạn được tính từ ảnh vệ tinh. SPI được tính toán bằng cách phù hợp giữa phân phối xác suất với mưa tích lũy trong khoảng thời gian quan tâm, do đó hàm xác suất tích lũy kết quả được chuyển sang phân phối bình thường. Giá trị của chỉ số SPI biến động từ -2,00 cho đến 2. SPI <0 được xem là hạn và được phân thành các ngưỡng như: từ 0 – (-0.99): hạn nhẹ; từ (-1,00) – (-1,49): hạn trung bình; từ (-1,50 – (-1.99): hạn nghiêm trọng; và SPI ≤ (-2,00) được xem là cực kỳ hạn.
Trên cơ sở này xác định các chỉ số khô hạn dựa trên ảnh vệ tinh được thu thập theo năm hạn và năm không hạn trong giai đoạn từ 2010 – 2022; đồng thời thiết lập mối quan hệ tuyến tính với SPI cho tương ứng cho từng thời điểm.
* Phương pháp xây dựng phân bố không gian của các loại thảm phủ (rừng và đất nông nghiệp) dựa trên dữ liệu viễn thám
Để xây dựng phân bố không gian của các loại thảm phủ, sử dụng ảnh vệ tinh đã được thu thập và tiền xử lý như đã thực hiện ở bước trên. Tiến hành thu thập mẫu, sử dụng thuật toán phân loại và đánh giá kết quả phân loại ảnh vệ tinh để lập bản đồ phân bố không gian các loại thảm phủ.
Thu thập dữ liệu mẫu
Dữ liệu mẫu ngẫu nhiên được dùng để phân loại và kiểm định trong nghiên cứu được thu thập dựa trên các nguồn: i) Điểm mẫu được lấy trên ảnh có độ phân giải siêu cao Google Earth và ảnh SE-2A; ii) kinh nghiệm; iii) các nguồn dữ liệu có sẵn đặc biêt iv) Thu thập mẫu trên thực địa. Đối với thảm phủ rừng, ít nhất có 30 điểm mẫu/kiểu rừng được điều tra thu thập.
Việc thu thập và giải đoán vùng mẫu được sử dụng kết hợp một cách linh hoạt và hỗ trợ cho nhau trong quá trình thực hiện. Dựa vào các dữ liệu bản đồ và số liệu sẵn có, cũng như các ảnh có độ phân giải cao và siêu cao đang có hiện nay, bộ mẫu được thu thập phân bố đều trên toàn bộ diện tích tương ứng với diện tích của các loại LULC, để đảm bảo tính chính xác, tránh khoanh nhầm vào các loại khác, mẫu được thu thập tại trung tâm của cá lcoại LULC. Tùy vào điều kiện đồng nhất của các lớp phủ mà số lượng mẫu sẽ khác nhau. Dự kiến có khoảng 1000 điểm mẫu được phân bố trên toàn diện tích của tỉnh để thực hiện việc phân loại và kiểm định kết qủa phân loại cho các các lớp phủ kể cả các lớp phủ nông nghiệp. Việc đánh giá độ chính xác cho từng lớp phủ và của toàn bộ ảnh phân loại được thực hiện dựa trên bảng ma trân sai số theo các tiêu chí như đề nghị của Congalton et al. (1999) và đã được sử dụng trong nhiều công bố của nhóm tác giả đăng ký thực hiện nhiệm vụ này (Nguyễn Thị Thanh Hương và cs., 2011-2022).
Phân loại Random Forest
Việc phân loại ảnh vệ tinh để thành lập bản đồ thảm phủ được thực hiện trong phần mềm xử lý ảnh chuyên dụng (chẳng hạn Envi, Erdas Image, eCognition, …) hoặc phân loại trên GEE. Đánh giá độ chính xác phân loại là một bước quan trọng và không thể thiếu trong phân loại ảnh vệ tinh. Theo đó nghiên cứu sử dụng 50% dữ liệu mẫu để phân loại (training data), 50% còn lại dùng để đánh giá kết quả phân loại. Như vậy có thể đảm bảo rằng bộ dữ liệu phân loại và kiểm định là hoàn toàn độc lập với nhau. Sử dụng các chỉ tiêu đánh giá như hướng dẫn của Congalton and Green (1999) sử dụng bảng ma trận để đánh giá độ chính xác dựa trên tiêu chí độ chính xác chung (Overall accuracy), độ chính xác người sản xuất (Producer accurary) và độ chính xác người sử dụng (Use accuracy). Ngoài ra, việc đánh giá mức độ quan hệ giữa thực tế và kết quả phân loại còn dựa vào chỉ số Kappa. Hệ số Kappa nằm trong phạm vi từ 0 đến 1 và biểu thị sự giảm theo tỷ lệ về sai số được thực hiện bằng một yếu tố phân loại hoàn toàn ngẫu nhiên.
Xây dựng phân bố không gian cho các loại cậy CNLN
Vì hạn chế độ phân giải không gian của các loại ảnh quang học sử dụng miễn phí như Landsat, MODIS, Sentinel, việc phân loại chi tiết với các loại thảm phủ/sử dụng đất là không khả thi. Do vậy trong nghiên cứu này, đối tượng chính để phân tích giới hạn trong loại hình sử dụng đất với một số loại cây công nghiệp lâu năm (CCNLN) như cà phê, tiêu,...
Môi trường không đồng nhất với nhiều loại thảm phủ khác nhau bao gồm thực vật trong đó đất nông nghiệp, CCNLN, rừng là chiếm diện tích lớn nhất. Trong nghiên cứu này ngoài việc sử dụng ảnh đa phổ để phân loại các loại thảm phủ, nghiên cứu còn sử dụng chỉ số NDVI trong giai đoạn để tìm hiểu căng thẳng nước của cây trồng CNLN và phân biệt giữa chúng với các thảm phủ thực vật khác. Dựa vào kiểm định thực tế, xác định các ngưỡng NDVI cho các loại đất CNLN, đồng thời chồng lớp ảnh thảm phủ đã được phân loại từ ảnh Landsat/Sentinel và NDVI để đánh giá độ chính xác phân ngưỡng NDVI. Từ kết quả phân loại có tính đến ngưỡng NDVI cho các loại thảm phủ, phân bố không gian của LULC sẽ được xác định và chiết tách cho các phân tích cụ thể trong những nội dung sau.
* Phương pháp đánh giá hiện trạng sử dụng đất với một số loại CCLN và nhu cầu sử dụng nước
Thu thập các loại bản đồ sẵn có như bản đồ hiện trạng sử dụng đất năm 2019, bản đồ quy hoạch sử dụng đất có sẵn đến năm 2030 tỷ lệ 1:100.000, hệ tọa độ VN 2000 tại Sở Tài nguyên Môi trườTng tỉnh Đắk Lắk. Các loại bản đồ xây dựng từ ảnh viễn thám được đưa về cùng tỷ lệ và hệ tọa độ trên để phục vụ quá trình chồng xếp bản đồ. Cụ thể:
-
Kết hợp bản đồ hiện trạng sử dụng đất sẵn có cùng với bản đồ CCNLN được xây dựng từ ảnh vệ tinh để phân tích biến động trong giai đoạn 2010-2022
-
Sử dụng ảnh vệ tinh giai đoạn từ 2010 – 2022 để đánh giá thay đổi nước mặt của tỉnh Đắk Lắk. Ngoài các band ảnh gốc, các chỉ số vật lý như NDVI, mNDWI, cũng được tính toán để hỗ trợ trong phân loại tài nguyên nước mặt trong cả giai đoạn để giám sát biến động. Sử dụng phương pháp phân loại RF như đề cập ở trên để chiết xuất thông tin mặt nước.
-
Sử dụng công cụ GIS chồng xếp các lớp thông tin không gian như bản đồ hiện trạng sử dụng đất và biến động diện tích nước mặt được thành lập từ ảnh viễn thám; bản đồ quy hoạch sử dụng đất; các lớp dữ liệu lượng mưa để có được dữ liệu thống kê về: diện tích nước mặt, diện tích một số CCNLN, lượng mưa... và các bản đồ biểu phân bố không gian về hiện trạng CCNLN trên nền bản đồ lượng mưa; bản đồ phân bố nước mặt với hiện trạng cây CCNLN.
* Phân vùng nguy cơ khô hạn nông nghiệp
Để đánh giá các điều kiện khô hạn trong môi trường không đồng nhất, sử dụng ảnh đã được phân loại ở kết quả trên để loại trừ các diện tích phi nông nghiệp. Nghiên cứu sẽ tính toán các điều kiện thực vật và điều tra biến động của hạn hán nông nghiệp trong khoảng thời gian hơn 10 năm bao gồm có những năm hạn và không hạn. Sử dụng chỉ số lượng mưa tiêu chuẩn SPI để xác định các năm hạn và không hạn.
Trên cơ sở này xác định các chỉ số khô hạn dựa trên ảnh vệ tinh được thu thập theo năm hạn và năm không hạn trong giai đoạn từ 2010 – 2022. Các chỉ số này được trích xuất theo từng loại thảm phủ, CCNLN trong giai đoạn nghiên cứu. Mỗi pixel được ấn định vào 1 loại thảm phủ được xác định trong cả thời gian hạn và không hạn.
Phương pháp phân tích và phân vùng nguy cơ khô hạn tỉnh Đắk Lắk là dựa trên phân tích chuỗi các chỉ số liên quan đến thực vật và khô hạn được tính toán từ ảnh viễn thám trong cả giai đoạn nghiên cứu 2010-2020 cho toàn tỉnh Đắk Lắk. Bản đồ phân vùng hiện trạng và biến động mức độ khô hạn được thành lập từ kết quả tính toán các chỉ số khô hạn. Việc phân tích nguy cơ khô hạn được đưa ra thông qua kết quả phân tích không gian mối quan hệ giữa hiện trạng CCNLN, xu thế biến động diện tích nước mặt và các bản đồ hiện trạng khô hạn; thống kê nhiệt độ, lượng mưa, bản đồ địa hình, phân cấp độ dốc của khu vực nghiên cứu cũng được sử dụng trong phân tích nguy cơ khô hạn.
Các chỉ số hạn được tính toán từ ảnh vệ tinh như: NDVI ; LST - Land Surface Temperature
– nhiệt độ bề mặt; NDDI - Normalized Drought Dryness Index – chỉ số khô hạn chuẩn hóa; NDWI - Normalized Difference Water Index – chỉ số khác biệt mặt nước chuẩn hóa; được tính toán cho cả giai đoạn nghiên cứu 2010-2020 từ dữ liệu ảnh viễn thám và được phân tích đánh giá mối tương quan với hiện trạng cây trồng, các dữ liệu thống kê khí tượng thủy văn để phục vụ đánh giá nguy cơ khô hạn tỉnh Đắk Lắk. Tất cả các lớp dữ liệu đầu được thu thập và chuẩn hóa đưa về cùng hệ tọa độ không gian trên nền dữ liệu cơ sở là chuỗi ảnh viễn thám được sử dụng để tính toán các chỉ số liên quan đến khô hạn. Một số chỉ số được tính toán minh họa như bảng dưới:
- Xây dựng mối quan hệ giữa các chỉ số hạn hán và biến số khí hậu, sản lượng cây trồng
Để có thể minh họa rộng hơn về mối tương quan giữa các biến khí hậu và các chỉ số khô hạn, mối quan hệ tuyến tính cũng được sử dụng để tìm ra mối tương quan giữa các biến khí hậu và chỉ số khô hạn trên từng pixel của các năm hạn. Hệ số tương quan xác định r được sử dụng để mô tả chiều hướng và mức độ quan hệ của chúng.
Chỉ số hạn được tính toán cũng cần được thẩm định thực tế bằng cách tính chỉ số năng suất dị thường YAI (crop yied anomanly index). Chỉ số này sẽ được so sánh với các chỉ số hạn hán để tìm ra mối tương đồng giữa năng suất cây trồng và thời gian hạn như là một cách để thẩm định. Công thức tính toán YAI được áp dụng:
Trong đó YAI: chỉ số năng suất dị thường; γ: Năng suất của cây trồng (được thu thập từ niên giám thống kế); µ: năng suất trung bình được tính trong giai đoạn; σ: độ lệch chuẩn. Mối quan hệ giữa YAI và chỉ số hạn được xác định để tìm ra sự tương đồng tốt hơn.
- Phân tích rủi ro hạn hán và khả năng dễ tổn thương do hạn hán
+ Xây dựng mô hình hồi quy logistic dự báo vùng khô hạn
Lập mô hình logistic để phân loại có hạn hay không hạn (có hoặc không theo hệ nhị phân); biến độc lập là các chỉ số dị thường dùng để phân tích khô hạn được tính từ ảnh vệ tinh (như NDVI, ...) và (có thể) chỉ số SPI. Các chỉ số dị thường này sẽ được trích ra theo từng loại CCNLN trong giai đoạn. Như vậy mỗi pixel được phân vào một loại thảm phủ sẽ được xác định có hay không khô hạn. Trong từng thảm phủ, thu thập ngẫu nhiên khoảng 10,000 pixel để phân tích hồi quy tuyến tính. Xác suất được tạo ra bởi mô hình logistic sẽ dự báo được nguy cơ hạn cho từng khu vực.
+ Phân tích rủi ro và dễ tổn thương do hạn hán
Rủi ro hạn hán là sản phẩm của nguy cơ khô hạn và khả năng dễ bị tổn thương do hạn hán (Zhong et al., 2018). Nguy cơ hạn hán được định nghĩa là xác suất xảy ra hạn hán theo mô hình logistic ở trên, trong khi tính dễ tổn thương là thước đo tương đối cho biết mức độ dễ bị thiệt hại của một hệ thống do có các hiện tượng có hại xuất hiện. Các chỉ số trong phạm vi nghiên cứu này là sản lượng một số loại cây trồng CNLN, mật độ dân số và (có thể) đất được tưới tiêu. Theo đó chỉ số hạn hán được tính dựa trên trung bình của các nhân tố này. Nguy cơ hạn hán sẽ được xác định một cách tương đối bằng cách nhân chỉ số rủi ro hạn hán và khả năng tổn thương do hạn hán, từ đó xác định các khu vực với các mức độ nguy cơ khác nhau làm cơ sở để có giải pháp trong quy hoạch hoặc điều chỉnh cơ cấu cây trồng thích hợp hoặc có dự án phát triển để thích ứng biến đổi khí hậu.
* Phân vùng thích nghi của một số sử dụng đất chính và đánh giá hiệu quả KT-XH-MT
Đánh giá thích nghi một số loại CCNLN theo FAO (2007)
Nghiên cứu sử dụng phương pháp đánh giá đất theo FAO (2007). Theo đó việc đánh giá được xem xét trên phạm vi rộng, bao gồm cả không gian, thời gian, tự nhiên, kinh tế và xã hội. Đặc điểm đánh giá đất của FAO là những tính chất đất đai có thể đo lường, ước lượng hay định lượng được và cần thiết có sự lựa chọn chỉ tiêu đánh giá đất thích hợp, có vai trò tác động trực tiếp tới đất đai của vùng/khu vực nghiên cứu. Trong nghiên cứu này, đối tượng chính là một số loại cây CNLN chính của tỉnh. Các biến tham gia trong quá trình phân tích là những biến số có sẵn, có mối quan hệ chặt với sinh trưởng và phát triển với cây trồng như nhiệt độ, lượng mưa, các nhân tố đất đai.
Sử dụng chức năng phân tích không gian trong phần mềm GIS như ArcGIS, QGIS để chồng lớp các bản đồ nhân tố để trích xuất các đơn vị đất đai cho từng loại sử dụng đất chủ lực của tỉnh. Một đơn vị đất đai được xem là rất thích nghi đối với một loại sử dụng đất khi tất cả các các nhân tố đều đảm bảo là rất thích nghi (cấp S1) với cây trồng đó. Ngược lại, nếu đơn vị đất đai có tối thiểu một nhân tố thuộc cấp không thích nghi (cấp N) thì đơn vị đất đai không thích nghi với loại sử dụng đất đó. Nếu không thuộc hai trường hợp này, đơn vị đất đai được coi là ít thích nghi với một loại sử dugnj đất khi trong các nhân tố có tối thiểu một nhân tố thuộc cấp ít thích nghi (cấp S3). Cuối cùng, đơn vị đất đai được coi là thích nghi trung bình khi không thuộc 3 trường hợp trên (cấp S2).
Từ các đơn vị đất thích nghi cho từng loại sử dụng đất trên các nhân tố đơn cũng như nhân tố tổng hợp, đánh giá hiện trạng cây trồng chủ lực của tỉnh trên các mức thích nghi này bằng cách chồng lớp bản đồ thích hợp với bản đồ sử dụng đất của các loại cây trồng chính/chủ lực để đánh giá thực trạng sử dụng đất với các loại cây trồng chính/chủ lực làm cơ sở để đề xuất các giải pháp cải thiện.
- Đánh giá hiệu quả KT-XH-MT của một số loại sử dụng đất CCNLN
- Xác định một số CCNLN trong vùng phân cấp khô hạn khác nhau và đánh giá hiệu quả kinh tế - xã hội - môi trường của các loại CCLN này
-
Liệt kê và xác định các loại sử dụng đất với CCNLN các vùng khô hạn đã được phân cấp ở trên kết hợp với kết quả phân vùng thích nghi để xác định các đối tượng tiềm năng để khảo sát.
-
Căn cứ vào diện tích của các loại sử dụng CCNLN trong Niên giám thống kê năm 2021 của tỉnh Đắk Lắk, đồng thời tham vấn ý kiến của Sở Nông nghiệp và Phát triển nông thôn để xác định, lựa chọn các loại CCNLN chính của tỉnh để điều tra, đánh giá.
-
Đánh giá hiệu quả KT-XH-MT
Phương pháp thu thập số liệu sơ cấp: Ngoài dữ liệu thứ cấp liên quan được thu thập, phiếu điều tra nông hộ đã lập sẵn cũng được thiết kế để phỏng vấn, thu thập thông tin về tình hình sử dụng đất sản xuất nông nghiệp các huyện thị trong tỉnh. Trong phạm vi thời gian và kinh phí của đề tài, lựa chọn 3 huyện điển hình thường xuyên có hạn hán để điều tra (như Easup, Buôn Đôn, Madrak). Tại mỗi huyện trong phạm vi phân vùng có hạn có canh tác loài cây trồng CNLN chủ lực của tỉnh để thu thập mẫu trực tiếp. Ước lượng có khoảng 100 mẫu được thu thập. Các hộ đại diện cho các nhóm kinh tế hộ cũng được lựa chọn để lấy mẫu. Quan tâm về các khu vực được phân cấp nguy cơ khô hạn cũng được tính đến trong quá trình chọn mẫu thu thập.
Phương pháp thống kê, tổng hợp, phân tích, so sánh và đánh giá
-
Thống kê các tài liệu, số liệu có liên quan đến công tác sử dụng đất sản xuất nông nghiệp.
-
Hệ thống hóa số liệu đã thống kê được trên cơ sở chọn ra số liệu tối ưu nhất liên quan đến tính hiệu quả sử dụng đất sản xuất nông nghiệp.
-
Từ những số liệu tổng hợp được dùng phương pháp phân tích, so sánh, đối chiếu, đánh giá rút ra những kết luận, đảm bảo tính xác thực.
-
Các số liệu thứ cấp và phiếu điều tra sau khi thu thập, được xử lý bằng phần mềm xử lý số liệu Microsoft Excel.
-
Các chỉ tiêu đánh giá hiệu quả sử dụng đất của các LUT (Land use type)
Đánh giá hiệu quả sử dụng đất của các loại sử dụng đất dựa trên 3 nhóm chỉ tiêu: kinh tế, xã hội, môi trường. Các chỉ tiêu được phân thành 3 cấp: cao, trung bình, thấp. Việc phân cấp dựa vào kết quả điều tra tính toán từ thực tế và tham vấn các nhà quản lý, các chuyên gia trong lĩnh vực nghiên cứu.
-
Hiệu quả kinh tế của nhóm đất sản xuất nông nghiệp được đánh giá thông qua các LUT trên nhóm đất này. LUT được điều tra hiệu quả trong 03 năm liên tiếp nhau. Số liệu được sử dụng để đánh giá hiệu quả kinh tế là kết quả trung bình của 03 năm của chỉ tiêu Giá trị sản xuất (GTSX), Chi phí trung gian (CPTG), Giá trị gia tăng (GTGT), Thu nhập thuần (TNT) và Hiệu quả đồng vốn (HQĐV).
-
Hiệu quả xã hội của nhóm đất sản xuất nông nghiệp được đánh giá thông qua các tiêu chí liên quan đến các LUT trên địa bàn tỉnh bao gồm mong đợi của nông hộ, khả năng thu hút lao động (ngày công lao động), giá trị ngày công lao động.
-
Hiệu quả môi trường của các nhóm đất sản xuất nông nghiệp được đánh giá qua các tiêu chí về độ che phủ đất của các LUT, mức độ sử dụng các biện pháp cải tạo và bảo vệ đất, lượng phân bón, thuốc BVTV của các LUT thải ra môi trường được tính toán và so sánh với các định mức trong Quyết định số 38/2013/QĐ-UBND ngày ngày 17 tháng 12 năm 2013 về việc ban hành định mức kinh tế- kỹ thuật một số cây trồng trong sản xuất nông nghiệp trên địa bàn tỉnh Đắk Lắk và Quyết định số 3763/QĐ-UBND ngày 19 tháng 12 năm 2019 về việc ban hành định mức kinh tế kỹ thuật tạm một số loại cây trồng sầu riêng, bơ, cam, quýt, chanh dây, nhãn, vải trên địa bàn tỉnh Đắk Lắk.
- Tổng hợp hiệu quả kinh tế, xã hội và môi trường: Hiệu quả tổng hợp được đánh giá dựa trên các tiêu chí kinh tế, xã hội và môi trường với các tiêu chí sau:
+ Hiệu quả: LUT không có loại hiệu quả nào ở mức thấp và có ít nhất 2 loại hiệu quả ở mức cao; LUT có hiệu quả trung bình: LUT không có loại hiệu quả nào ở mức thấp và có 1 loại hiệu quả ở mức cao hoặc cả 3 loại hiệu quả ở mức trung bình; LUT có hiệu quả thấp là LUT có ít nhất 1 loại hiệu quả ở mức thấp.