Đánh giá xâm nhập mặn vùng cửa sông từ dữ liệu viễn thám kết hợp quan trắc mặt đất

50 SCIENCE & TECHNOLOGY DEVELOPMENT JOURNAL: 
 SCIENCE OF THE EARTH & ENVIRONMENT, VOL 2, ISSUE 2, 2018 
Đánh giá xâm nhập mặn vùng cửa sông từ 
dữ liệu viễn thám kết hợp quan trắc mặt đất 
Nguyễn Nguyên Vũ, Lê Văn Trung, Trần Thị Vân 
Tóm tắt—Xâm nhập mặn làm giảm năng suất 
cây trồng, gây thoái hóa đất, giảm chất lượng nước, 
ảnh hưởng nghiêm trọng đến sản xuất nông nghiệp, 
môi trường cũng như đời sống dân sinh. Trước diễn 
biến của biến đổi khí hậu và hoạt động nhân sinh từ 
phía thượng nguồn sông Mê Kông, vùng hạ lưu 
thuộc hai cửa Định An và Cung Hầu thuộc tỉnh Trà 
Vinh cũng bị tác động đáng kể của xâm nhập mặn 
từ biển Đông. Bài báo giới thiệu giải pháp tích hợp 
kỹ thuật viễn thám và GIS trong giám sát và thành 
lập bản đồ xâm nhập mặn. Dữ liệu sử dụng là ảnh vệ 
tinh Landsat 8 kết hợp với số liệu quan trắc độ mặn 
của nước được thu thập từ các trạm quan trắc thực 
tế vào mùa khô. Phân tích cho thấy có sự tương 
quan có ý nghĩa thống kê giữa giá trị quan trắc độ 
mặn của nước và giá trị pixel của ảnh thành phần 
chính thứ nhất. Mô phỏng phân bố không gian từ 
nghiên cứu cho thấy xâm nhập mặn hiện đang tiến 
sâu vào nội đồng với khoảng cách tính từ cửa sông 
vào khoảng từ 30 đến 48 km tùy thời điểm vào mùa 
khô. Kết quả nghiên cứu này sẽ hỗ trợ cho các nhà 
quản lý có thể hoạch định chiến lược vùng lương 
thực an toàn trước nguy cơ của xâm nhập mặn hiện 
nay. 
Từ khóa—tương quan, nước biển dâng, phân 
tích không gian, xâm nhập mặn 
1 GIỚI THIỆU 
âm nhập mặn là hiện tượng nước mặn từ 
biển với nồng độ mặn từ 4‰ theo các sông, 
kênh, rạch xâm nhập sâu vào nội đồng gây mặn 
trên diện rộng khi xảy ra triều cường, nước biển 
dâng hoặc do cạn kiệt nguồn nước ngọt từ các 
Ngày nhận bản thảo: 27-11-2018; Ngày chấp nhận đăng: 
25-12-2018; Ngày đăng: 31-12-2018 
Nguyễn Nguyên Vũ, Trường ĐH Bách Khoa, ĐHQG-
HCM (e-mail: 1680965@hcmut.edu.vn) 
Lê Văn Trung, Trường ĐH Bách Khoa, ĐHQG-HCM 
(e-mail: lvtrung@hcmut.edu.vn) 
Trần Thị Vân, Trường ĐH Bách Khoa, ĐHQG-HCM 
(email: tranthivankt@hcmut.edu.vn ) 
sông ở thượng nguồn trong mùa khô. Mặn xâm 
nhập sâu vào nội đồng khiến đất bị nhiễm mặn 
(mặn hóa) không những làm giảm năng suất của 
hầu hết các loại thực vật mà còn làm xấu đi các 
tính chất lý, hóa học của đất, ảnh hưởng tiêu cực 
đến cân bằng sinh thái trong vùng. 
Quá trình xâm nhập mặn thường diễn biến 
phức tạp, khó dự đoán và gây ảnh hưởng trên một 
khu vực rộng lớn, trong khi công tác giám sát, 
phân tích và cảnh báo xâm nhập mặn hiện nay còn 
nhiều hạn chế do mạng lưới quan trắc thưa thớt, 
xuống cấp, công tác điều tra xâm nhập mặn được 
thực hiện chủ yếu bằng phương pháp truyền thống 
như đo đạc, lấy mẫu ở thực địa,  tốn kém chi 
phí, thời gian, nhân lực, khó cung cấp thông tin 
kịp thời cho hệ thống cảnh báo sớm [2]. 
Công nghệ viễn thám với dữ liệu ảnh đa phổ, 
đa thời gian có khả năng giám sát liên tục sự biến 
động chất lượng nước (độ đục, độ mặn, chất rắn 
lơ lửng, ) trên phạm vi rộng lớn mà không bị 
hạn chế bởi số lượng trạm quan trắc. Trên thế giới 
đã có các nghiên cứu ứng dụng viễn thám để giám 
sát độ mặn trong nước thông qua khảo sát tương 
quan giữa giá trị phổ của ảnh vệ tinh và độ mặn 
đo ở thực địa [1, 3, 4]. Mối tương quan có ý nghĩa 
thống kê được tìm thấy giữa độ mặn thực địa và 
giá trị phản xạ phổ của các kênh ảnh trong dải 
sóng khả kiến và cận hồng ngoại [7]. Mô hình hồi 
quy giám sát độ mặn được xây dựng dựa trên sự 
kết hợp giữa dữ liệu viễn thám và dữ liệu đo mặn 
thực địa và mô hình này được áp dụng để thành 
lập bản đồ mô phỏng độ mặn cho khu vực rộng 
lớn [4, 5]. Các nghiên cứu này cho thấy công nghệ 
viễn thám là công cụ hiệu quả để hỗ trợ phương 
pháp truyền thống trong công tác giám sát và cảnh 
báo xâm nhập mặn. 
Ngoài những ưu điểm nêu trên thì dữ liệu viễn 
thám cũng có một số hạn chế như: độ phân giải 
ảnh không cao, ảnh bị nhiễu hay bị ảnh hưởng bởi 
X 
TẠP CHÍ PHÁT TRIỂN KHOA HỌC & CÔNG NGHỆ: 51 
CHUYÊN SAN KHOA HỌC TRÁI ĐẤT & MÔI TRƯỜNG, TẬP 2, SỐ 2, 2018 
điều kiện môi trường, vấn đề nhầm lẫn phổ giữa 
các đối tượng, điều này gây khó khăn cho công 
tác giải đoán hoặc làm giảm độ chính xác của kết 
quả giải đoán các đối tượng trên ảnh. 
Bài báo trình bày phương pháp kết hợp ảnh vệ 
tinh có độ phân giải không gian và thời gian phù 
hợp với số liệu quan trắc độ mặn của nước từ các 
trạm đo mặn cố định, từ đó, xác định sự tương 
quan giữa giá trị độ mặn thực tế tại các trạm quan 
trắc với giá trị phản xạ của pixel tại cùng vị trí và 
cùng thời điểm bởi từng kênh phổ trên ảnh vệ 
tinh. Sự kết hợp này được thực hiện trên cơ sở 
tích hợp công nghệ viễn thám và hệ thống thông 
tin địa lý (GIS) để tận dụng ưu thế của hai kỹ 
thuật này trong việc thu thập, lưu trữ, phân tích và 
xử lý dữ liệu địa lý để nâng cao hiệu quả trong 
việc xây dựng, cập nhật và phân tích dữ liệu 
không gian. 
2 PHƯƠNG PHÁP NGHIÊN CỨU 
2.1 Khu vực nghiên cứu 
Khu vực nghiên cứu tại tỉnh Trà Vinh – tỉnh 
Duyên hải Đồng bằng sông Cửu Long, phía Đông 
giáp Biển Đông, phía Tây giáp Vĩnh Long, phía 
Nam giáp Sóc Trăng, phía Bắc giáp Bến Tre, có 
65 km bờ biển - vị trí địa lý từ 9o31’46” đến 
10o04’05’ vĩ độ Bắc và từ 105o57’16” đến 
106o36’04” kinh độ Đông, được bao bọc bởi sông 
Tiền và sông Hậu với hai cửa sông Định An và 
Cung Hầu (Hình 1). 
Đồng bằng sông Cửu Long (ĐBSCL) là vùng 
sản xuất nông nghiệp lớn của cả nước, đóng góp 
quan trọng cho xuất khẩu cũng như cung cấp 
lương thực cho người dân. Nằm trong khu vực 
này, tỉnh Trà Vinh đang chịu ảnh hưởng nặng nề 
bởi mực nước biển dâng, biến đổi khí hậu và tác 
động tiêu cực từ các công trình ngăn nước ở 
thượng nguồn. Điều này làm cho tình trạng xâm 
nhập mặn diễn ra ngày càng nghiêm trọng và dự 
báo sẽ còn tiếp tục với những diễn biến tiêu cực, 
khó lường trong thời gian tới. 
Hình 1. Khu vực nghiên cứu (bên trong đường màu đỏ) và vị 
trí các điểm đo mặn 
2.2 Dữ liệu 
2.2.1 Dữ liệu mặt đất 
Để giám sát xâm nhập mặn trên các con sông 
và kênh rạch chính thuộc sông Cửu Long, dữ liệu 
đo mặn của 11 trạm quan trắc phân bố tại các cửa 
sông và dọc các sông do Đài Khí tượng Thủy văn 
khu vực Nam Bộ cung cấp vào năm 2014 được sử 
dụng. Các trạm cung cấp dữ liệu độ mặn liên tục 
trong ngày (2 giờ/lần) từ tháng 1 đến tháng 6 
trong năm. Dữ liệu được tổ chức, lưu trữ và quản 
lý trong GIS để tạo cơ sở đánh giá xu hướng xâm 
nhập mặn theo không an và thời gian. 
2.2.2 Dữ liệu ảnh vệ tinh 
Ảnh vệ tinh Landsat 8 (độ phân giải không 
gian 30 m) thu nhận lúc 10 giờ sáng các ngày 
22/02/2014, 10/3/2014, 26/3/2014, 27/4/2014, 
13/5/2014. Kích thước của mỗi cảnh ảnh là 185 
km x 180 km. Các ảnh Landsat 8 được tải xuống 
từ trang web của Hiệp hội Khảo sát địa chất Hoa 
Kỳ (United States Geological Survey - USGS) với 
định dạng GeoTIFF. Các pixel mặt nước trên ảnh 
Landsat 8 được tách riêng để so sánh với giá trị độ 
mặn được đo cùng thời điểm tại vị trí tương ứng 
ngoài thực địa. 
2.3 Tách đối tượng mặt nước trên ảnh viễn thám 
Mục tiêu của nghiên cứu là giám sát xâm nhập 
mặn trong nước dựa vào mối quan hệ giữa dữ liệu 
viễn thám và giá trị độ mặn trong nước đo đạc tại 
52 SCIENCE & TECHNOLOGY DEVELOPMENT JOURNAL: 
 SCIENCE OF THE EARTH & ENVIRONMENT, VOL 2, ISSUE 2, 2018 
thực địa. Do đó, các pixel mặt nước trên ảnh viễn 
thám cần được tách riêng để so sánh với giá trị độ 
mặn tại vị trí tương ứng ngoài thực địa. Để chiết 
tách mặt nước trong khu vực nghiên cứu, chỉ số 
NDWI (Normalized Difference Water Index) [8] 
được sử dụng như sau: 
(Green - NIR)
NDWI = 
(Green + NIR)
Trong đó, Green là giá trị độ sáng của kênh 3, 
NIR là giá trị độ sáng của kênh 5 đối với ảnh 
Landsat 8. Chỉ số NDWI nhằm làm nổi bật khả 
năng phản xạ của nước trong bước sóng Green 
(0,525-0,600 μm) so với bước sóng cận hồng 
ngoại NIR (0,845-0,885 μm). Các pixel có giá trị 
NDWI dương (0 < NDWI < 1) đại diện cho đối 
tượng mặt nước trên ảnh. 
2.4 Đặc trưng phản xạ phổ của muối trong nước 
Phổ phản xạ là thông tin quan trọng nhất mà 
viễn thám thu được về các đối tượng trên Trái đất. 
Dựa vào đặc điểm phổ phản xạ (cường độ, dạng 
đường cong ở các dải bước sóng khác nhau) có 
thể phân tích, so sánh và nhận diện các đối tượng 
trên bề mặt. Thành phần muối trong nước bao 
gồm sự kết hợp giữa các anion (chlorides, 
carbonates, bicarbonates, sulfates) và các cation 
(sodium, calcium, magnesium, potassium) như: 
Halite (NaCl), Gypsum (CaSO4.2H2O), Calcium 
carbonate (CaCO3), Sodium bicarbonate 
(NaHCO3), Sodium sulfate (Na2SO4)  Nghiên 
cứu thực nghiệm tại các dải bước sóng khác nhau 
cho thấy đặc trưng phản xạ phổ của các thành 
phần muối thể hiện như Hình 2 [7]. 
Hình 2. Đường đặc trưng phản xạ phổ của muối tại các bước 
sóng khác nhau [7] 
Biểu đồ cho thấy tất cả các loại muối sodium 
sulfate, halite, gypsum, calcium carbonate, 
sodium bicarbonate đều phản xạ mạnh (hơn 80%) 
trong dải bước sóng từ 0,4 đến 1,4 μm (từ kênh 
khả kiến đến cận hồng ngoại). Đây là cơ sở đặt ra 
giả thuyết có thể sử dụng các kênh khả kiến (Kênh 
2, Kênh 3, Kênh 4) và kênh cận hồng ngoại (Kênh 
5) của ảnh Landsat 8 để phát triển mô hình mô 
phỏng độ mặn trong nước. 
2.5 Phân tích thành phần chính (Principal 
Component Analysis – PCA) 
Ảnh viễn thám chụp ở các kênh phổ gần nhau 
có độ tương quan rất cao, vì vậy thông tin của 
chúng bị trùng lặp lớn gây nhiễu ảnh hoặc dư thừa 
thông tin. Bản chất của phương pháp phân tích 
thành phần chính là một thuật toán thống kê nhằm 
biến đổi tập dữ liệu đa biến tương quan vào một 
tập dữ liệu đa biến không tương quan (gọi là các 
thành phần chính - PC). Các thành phần chính này 
loại bỏ những thông tin trùng lắp, từ đó tạo ảnh 
mới chứa thông tin chủ yếu dễ nhận biết hơn so 
với ảnh gốc, giúp làm nổi bật hơn đặc tính phổ 
của một số đối tượng trên bề mặt Trái đất [10]. 
Như đã trình bày ở mục 2.4, các loại muối chủ 
yếu phản xạ mạnh tại dải bước sóng từ 0,4 – 1,4 μm 
tương ứng với các kênh ảnh 1, 2, 3, 4, 5 của ảnh 
Landsat 8, do đó, nghiên cứu thực hiện phân tích 
thành phần chính riêng cho các kênh ảnh này và 
hàm lượng thông tin trong các thành phần chính 
này được thể hiện trong Bảng 1: 
Bảng 1. Phân tích thành phần chính từ kênh 1 đến kênh 5 
của ảnh Landsat 8 
Thành phần 
chính 
Lượng 
thông tin 
(%) 
Thành phần 
chính 
Lượng 
thông tin 
(%) 
PC1 88,6053 PC4 0,1223 
PC2 8,9432 PC5 0,0322 
PC3 2,2976 
Trong năm thành phần chính từ PC1 đến PC5 
thì thành phần chính đầu tiên PC1 chứa phần lớn 
lượng thông tin ảnh (88,6%). 
2.6 Phát triển mô hình giám sát xâm nhập mặn 
từ ảnh Landsat 8 
Nghiên cứu phát triển các mô hình thực 
nghiệm để ước lượng độ mặn trong nước thông 
qua hàm số với các biến đầu vào là giá trị phổ của 
TẠP CHÍ PHÁT TRIỂN KHOA HỌC & CÔNG NGHỆ: 53 
CHUYÊN SAN KHOA HỌC TRÁI ĐẤT & MÔI TRƯỜNG, TẬP 2, SỐ 2, 2018 
các kênh ảnh và các thành phần chính có tương 
quan cao với độ mặn thực địa, mối tương quan 
này được xác định dựa vào hệ số tương quan 
Pearson (r). 
Kỹ thuật phân tích hồi quy tuyến tính và phi 
tuyến, với đơn biến và đa biến được sử dụng để 
định lượng mối quan hệ giữa giá trị phản xạ của 
ảnh vệ tinh và giá trị độ mặn trong nước từ đó 
phát triển các mô hình thực nghiệm. Nghiên cứu 
sử dụng 40/55 giá trị của bộ dữ liệu giá trị độ mặn 
thực địa và giá trị phản xạ phổ của ảnh Landsat 8 
(tại vị trí và thời gian tương ứng với thời gian đo 
mặn ở thực địa) để xây dựng các mô hình mô 
phỏng độ mặn trong nước từ giá trị phản xạ bề 
mặt. 15 giá trị còn lại trong bộ dữ liệu được dùng 
để đánh giá sự phù hợp của các mô hình thông 
qua việc tính toán căn bậc hai của sai số toàn 
phương trung bình (Root Mean Square Error – 
RMSE). Mô hình tối ưu nhất được lựa chọn là mô 
hình có hệ số xác định bội R2 lớn nhất và RMSE 
nhỏ nhất. Trong các mô hình này, giá trị độ mặn 
đóng vai trò là biến phụ thuộc, trong khi đó giá trị 
các kênh ảnh và các thành phần chính là các biến 
độc lập. 
3 KẾT QUẢ VÀ THẢO LUẬN 
3.1 Tương quan giữa dữ liệu viễn thám và dữ 
liệu độ mặn trong nước 
Trước khi xây dựng mô hình cần khảo sát sự 
tương quan giữa các biến độc lập (giá trị phổ của 
ảnh viễn thám) và biến phụ thuộc (giá trị độ mặn) 
để làm cơ sở lựa chọn các biến độc lập phù hợp, là 
các biến có tương quan cao với biến phụ thuộc. 
Mức độ tương quan giữa các biến được thể hiện 
qua hệ số tương quan Pearson. 
Tương quan giữa các kênh phổ ảnh Landsat 8 
(từ kênh 1 đến kênh 5) tại năm thời điểm ảnh 
22/02/2014, 10/3/2014, 26/3/2014, 27/4/2014, 
13/5/2014 và giá trị độ mặn đo tại 11 trạm đo mặn 
của Đài Khí tượng Thủy văn Nam bộ tại cùng vị 
trí và cùng thời điểm thu nhận ảnh thể hiện trong 
Bảng 2 dưới đây: 
Bảng 2. Hệ số tương quan (r) giữa các kênh ảnh Landsat 8 
và độ mặn đo ở thực địa 
 Hệ số tương quan (r) 
Kênh 1 - Coastal Aerosol 0,67790 
Kênh 2 - Blue 0,785104 
Kênh 3 - Green 0,81233 
Kênh 4 - Red 0,82786 
Kênh 5 - Near Infrared (NIR) -0,58903 
Bảng 2 cho biết kênh 1, kênh 2, kênh 3, kênh 
4, kênh 5 có tương quan tốt với giá trí độ mặn 
thực địa (hệ số Pearson r > 0,5). Trong đó, kênh 4 
(kênh khả kiến Red, bước sóng 0,525 – 0,60 μm) 
có tương quan mạnh nhất với hệ số Pearson 
r = 0,83. Kết quả trên cho thấy có thể sử dụng giá 
trị các kênh khả kiến và cận hồng ngoại (bước 
sóng từ 0,4 – 1,4 μm) của ảnh Landsat 8 để phát 
triển mô hình mô phỏng độ mặn trong nước. 
Cùng với việc phân tích tương quan giữa các 
kênh phổ 1, 2, 3, 4, 5 của ảnh Landsat 8 và giá trị 
độ mặn thực địa, nghiên cứu này tiến hành khảo 
sát tương quan giữa độ mặn thực địa và các thành 
phần chính tính toán từ năm kênh ảnh Landsat 8 
gốc này. Các thành phần chính này loại bỏ được 
những thông tin trùng lắp nên nó chứa các thông 
tin chủ yếu dễ nhận biết hơn so với ảnh gốc, giúp 
làm nổi bật hơn đặc tính phổ của các đối tượng, vì 
vậy, nó là biến số có thể đưa vào để phát triển mô 
hình mô phỏng độ mặn. Kết quả tính toán hệ số 
tương quan Pearson giữa năm thành phần chính 
PC1 đến PC5 với giá trị độ mặn thực địa được thể 
hiện trong Bảng 3. 
Bảng 3. Hệ số tương quan (r) giữa các thành phần chính 
và độ mặn thực tế 
 Hệ số tương quan (r) 
PC1 0,860305 
PC2 0,562152 
PC3 -0,503505 
PC4 -0,26186 
PC5 0,240409 
Bảng 3 cho thấy thành phần chính thứ nhất 
PC1 có tương quan mạnh nhất với giá trị độ mặn 
thực địa (hệ số Pearson r = 0,86). Từ đó, nghiên 
cứu lựa chọn thành phần chính PC1 để đưa vào bộ 
dữ liệu phát triển mô hình mô phỏng độ mặn. 
3.2 Mô hình thống kê mô phỏng độ mặn 
Nghiên cứu tiến hành phát triển mô hình thực 
nghiệm ước lượng độ mặn (Bảng 4) dựa vào 40 
mẫu quan sát, các mô hình này có thể được sử 
dụng để mô phỏng sự phân bố không gian của độ 
mặn dựa vào năng lượng phản xạ phổ của ảnh vệ 
tinh. 
54 SCIENCE & TECHNOLOGY DEVELOPMENT JOURNAL: 
 SCIENCE OF THE EARTH & ENVIRONMENT, VOL 2, ISSUE 2, 2018 
Bảng 4. Các mô hình thực nghiệm ước lượng độ mặn (S) dùng 
các kênh phổ Blue (B), Green (G), Red (R) và thành phần chính 
PC1 của ảnh Landsat 8 
TT Mô hình R2 RMSE 
1 S = 0,0014.e0,0006.(PC1) 0,8195 1,592 
2 S = 0,0001.e0,0011.(G) 0,7859 2,029 
3 S = 0,0131.e0,0007.(R) 0,751 2,073 
4 S = 0,0042.(PC1) – 54,015 0,7401 2,317 
5 S = 0,00001.e0,0012.(B) 0,7269 2,651 
6 S = 0,0053.(R) – 41,889 0,6854 2,761 
7 S = 0,0081.(G) – 74,6 0,6599 3,601 
8 S = 0,0095.(B) – 94,186 0,6164 4,081 
Các mô hình trong Bảng 4 đều có hệ số xác 
định bội R2 lớn hơn 0,6. Các mô hình dạng phi 
tuyến có hệ số xác định bội R2 cao hơn so với các 
mô hình dạng tuyến tính (0,73 – 0,82 so với 0,61 
– 0,74). Các mô hình tuyến tính và phi tuyến sử 
dụng thành phần chính PC1 có hệ số xác định bội 
R2 lớn hơn các mô hình sử dụng kênh khả kiến. 
Như vậy, mô hình phù hợp nhất là mô hình phi 
tuyến số 1 dạng Exponential sử dụng thành phần 
chính PC1 có hệ số xác định bội R2 lớn nhất và sai 
số RMSE nhỏ nhất. 
Các thông số thống kê của mô hình số 1 như 
giá trị kiểm định t-stat = 5,68 và trị số p-value = 
0,00075 (< 0,05) cho thấy có mối liên hệ giữa giá 
trị độ mặn đo ở thực địa và giá trị thành phần 
chính PC1 của ảnh Landsat 8 tại cùng thời điểm 
và cùng vị trí đo mặn, và mối liên hệ này có ý 
nghĩa thống kê. Trị số R2 = 0,8195 cho biết mối 
liên hệ chặt chẽ giữa hai biến độ mặn và PC1 và 
mô hình số 1 giải thích được khoảng 82% các 
khác biệt về độ mặn thực địa giữa các vị trí khác 
nhau trên ảnh thành phần chính PC1. 
Hình 3 cho thấy mối quan hệ phi tuyến giữa 
giá trị độ mặn thực địa và giá trị thành phần chính 
PC1 thể hiện thông qua mô hình số 1. Hình 4 thể 
hiện sự tương quan chặt chẽ giữa dữ liệu thực địa 
và dữ liệu ước tính từ mô hình (trên cơ sở bộ dữ 
liệu kiểm tra gồm 15 mẫu quan sát) thể hiện thông 
qua mối quan hệ tuyến tính với hệ số R2 = 0,8948 
(hệ số tương quan r = 0,945; kiểm định t = 
10,705; p-value = 8,116e-8). 
Hình 3 thể hiện biểu đồ tương quan giữa 40 
giá trị độ mặn quan trắc thực tế và giá trị phản xạ 
phổ tương ứng của ảnh thành phần chính PC1 với 
sai số bình phương nhỏ nhất (RMSE=1,592) và 
hình 4 thể hiện kết quả đánh giá mô hình giám sát 
xâm nhập mặn trên 15 giá trị độ mặn quan trắc 
thực tế. 
Hình 3. Mô hình giám sát xâm nhập mặn từ ảnh Landsat 8 
Hình 4. Đánh giá kết quả theo số liệu thực tế tại 
các trạm quan trắc 
3.3 Xây dựng bản đồ xâm nhập mặn từ ảnh 
Landsat 8 
Bản đồ xâm nhập mặn được thành lập dựa trên 
mô hình: S = 0,0014.e0,0006.(PC1) cho các ảnh 
Landsat 8 ở các thời điểm thu nhận khác nhau. 
Trong đó, các giá trị độ sáng của pixel ảnh PC1 
được chuyển thành giá trị độ mặn và được vector 
hóa bởi phần mềm GIS để thể hiện sự phân bố 
không gian của độ mặn trên các con sông chính từ 
hai cửa sông Cung Hầu và Định An, tỉnh Trà 
Vinh. Cấp độ mặn được phân thành 4 cấp dựa trên 
ngưỡng mặn ảnh hưởng đến sinh trưởng của cây 
trồng là 4 g/l, bao gồm: (1) độ mặn nhỏ hơn 4 g/l; 
(2) độ mặn trong khoảng từ 4 đến 7 g/l; (3) độ 
mặn trong khoảng từ 7 đến 10 g/l; (4) độ mặn lớn 
hơn 10 g/l. 
Hình 5 là kết quả phân vùng độ mặn theo 4 
cấp cho thấy, vào tháng 2, ranh mặn 4 g/l có xu 
hướng xâm nhập vào nội đồng theo cửa sông 
Cung hầu và Định An sâu hơn thời điểm tháng 5. 
Ranh mặn 4 g/l xâm nhập sâu hơn 50 km vào nội 
TẠP CHÍ PHÁT TRIỂN KHOA HỌC & CÔNG NGHỆ: 55 
CHUYÊN SAN KHOA HỌC TRÁI ĐẤT & MÔI TRƯỜNG, TẬP 2, SỐ 2, 2018 
đồng vào tháng 2/2014, trong khi vào tháng 5, 
nước mặn rút dần, chiều sâu xâm nhập của ranh 
mặn 4 g/l chỉ còn xấp xỉ 30 km (Bảng 5). 
Bảng 5. Chiều dài xâm nhập mặn dọc sông từ 
cửa sông Cung Hầu và Định An 
Cửa sông 22/02/2014 13/5/2014 
Cửa Cung Hầu 48 km 36 km 
Cửa Định An 38 km 30 km 
Từ cuối tháng 2 đến giữa tháng 5/2014 gần 
như toàn bộ tỉnh Trà Vinh đã bị nước mặn xâm 
nhập, trong đó huyện Cầu Ngang, huyện ven biển 
Duyên Hải và một phần huyện Trà Cú nằm trong 
ranh mặn lớn từ 7 g/l đến hơn 10 g/l. 
Xem xét xu hướng xâm nhập mặn ở 2 mốc 
thời gian từ các cửa sông chính Cung Hầu và 
Định An trên sông Cửu Long vào nội đồng cho 
thấy giải pháp ứng dụng ảnh vệ tinh Landsat 8 thể 
hiện khá phù hợp sự phân bố không gian của tiến 
trình xâm nhập mặn. Việc tạo công cụ GIS phân 
tích trực quan ở nhiều cấp độ mặn khác nhau, có 
thể hỗ trợ hiệu quả cho công tác giám sát xâm 
nhập mặn trên toàn bộ mạng lưới sông và kênh 
rạch trên địa bàn ĐBSCL. 
a) Ảnh ngày 22/02/2014 b) Ảnh ngày 13/05/2014 
Hình 5. Phân vùng độ mặn trên các nhánh chính từ cửa sông Cung Hầu và Định An, tỉnh Trà Vinh 
4 KẾT LUẬN 
Mật độ các trạm quan trắc dọc sông Cửu Long 
hiện nay chưa đủ để xác định cụ thể xâm nhập 
mặn theo không gian và thời gian (tác động đến 
từng xã và công trình ngăn mặn). Bài báo đề xuất 
giải pháp phối hợp dữ liệu quan trắc thực tế với 
dữ liệu ảnh viễn thám Landsat 8, nhằm thành lập 
bản đồ và giám sát xâm nhập mặn hiệu quả dọc 
các nhánh sông chính từ cửa sông Cung Hầu, 
Định An, tỉnh Trà Vinh nói riêng và vùng ĐBSCL 
nói chung. Kết quả đạt được có thể cung cấp 
thông tin trực quan cho các nhà khoa học kết hợp 
mô hình về thủy triều và lưu lượng nước từ 
thượng nguồn để tạo các hệ thống cảnh báo sớm. 
Ngoài ra, giải pháp đề xuất nhằm hỗ trợ nhà quản 
lý đưa ra giải pháp ứng phó xâm nhập mặn phù 
hợp, phân vùng ảnh hưởng mặn trong các khu vực 
canh tác nông nghiệp ở nội đồng, lập kế hoạch 
mùa vụ nhằm hạn chế thiệt hại do xâm nhập mặn. 
LỜI CẢM ƠN 
Nghiên cứu được tài trợ bởi Trường Đại học 
Bách khoa – ĐHQG-HCM trong khuôn khổ Đề 
tài mã số TNCS-MTTN-2017-11. Các tác giả xin 
trân trọng cảm ơn. 
TÀI LIỆU THAM KHẢO 
[1] A. Akhtar, Kh.H. Shahbaz, Nisar, A.H. Munir, and A. Suad, 
“Characterizing soil salinity in irrigated agriculture using a 
remote sensing approach”, Phys. Chem. Earth, pp.1-10, 
2013. 
56 SCIENCE & TECHNOLOGY DEVELOPMENT JOURNAL: 
 SCIENCE OF THE EARTH & ENVIRONMENT, VOL 2, ISSUE 2, 2018 
[2] Cục Thông tin KH&CN Quốc gia, “Xâm nhập mặn tại 
ĐBSCL: nguyên nhân, tác động và các giải pháp ứng phó”, 
2016. 
[3] El Saadi, A.M., Yousry, M.M. Jahin, H.S, “Statistical 
estimation of rosetta branch water quality using multi-
spectral data”, Water Sci., vol.28, pp. 18-30, 2014. 
[4] Han. L., Jordan, K.J., “Estimating and mapping chlorophyll-
a concentration in Pensacola Bay, Florida using Landsat 
ETM+ data”, Int. J. Remote Sens, vol.26, pp. 5245-5254, 
2005. 
[5] Hellweger, F., Schlosser, P., Lall, U. and Weissel, J., “Use 
of satellite imagery for water quality studies in New York 
harbor”, Estuar. Coast. Shelf Sci, vol. 61, pp. 437-448, 2004. 
[6] M. Haji Gholizadeh, M. Melesse, and L. Reddi, “A 
Comprehensive Review on Water Quality Parameters 
Estimation Using Remote Sensing Techniques”, Sensors, 
vol. 16, pp. 1-43, 2016. 
[7] Metternicht G.I, J.A. Zinck, “Remote sensing of soil 
salinity: potentials and constraints”, Remote Sensing of 
Environment, vol.85, pp. 1-20, 2003. 
[8] S.K. McFeeters, “The use of the Normalized Difference 
Water Index (NDWI) in the delineation of open water 
features”, International Journal of Remote Sensing, vol. 17, 
pp. 1425-1432, 1996. 
[9] Somvanshi, S., Kunwar, P., Singh, N., Shukla, S. and 
Pathak, “Integrated remote sensing and GIS approach for 
water quality analysis of gomti river, Uttar Pradesh”, Int. J. 
Environ. Sci., vol. 3, pp. 62-74, 2012. 
[10] T.L. Hùng, “Phương pháp phân tích thành phần chính trong 
xác định sự phân bố khoáng vật sét, oxit sắt bằng tư liệu ảnh 
vệ tinh Landsat”, Tạp chí Khoa học ĐHSP TP.HCM., vol. 
51, pp. 148-157, 2013. 
Evaluating salinity intrusion in estuaries 
using remote sensing data 
integrated in-situ observation 
Nguyen Nguyen Vu, Le Van Trung, Tran Thi Van* 
Ho Chi Minh City University of Technology, VNU-HCM 
*Corresponding author: tranthivankt@hcmut.edu.vn 
Received: 27-11-2018, Accepted: 25-12-2018, Published: 31-12-2018 
Abstract—Saline intrusion reduces crop 
productivity, causes land degradation, decreases 
water quality, and severely affects agricultural 
production, the environment as well as livelihoods. 
Under the evolution of climate change and human 
activities from the upstream of the Mekong, the 
downstream areas of Dinh An and Cung Hau 
estuaries in Tra Vinh province are also 
significantly affected by saline intrusion from the 
East Sea. This article presents the integrated 
solution of remote sensing and GIS in monitoring 
and mapping salinity intrusion. The data used are 
Landsat 8 satellite images combined with salinity 
water monitoring data collected from actual 
observation stations during the dry season. 
Analysis showed that there was a statistically 
significant correlation between the observed 
salinity value of the water and the pixel value of 
the first principal component image. Simulation of 
spatial distribution from the study indicates that 
saline intrusion is now entering the interior with a 
distance from the estuary to about 30 - 48 km 
depending on the time of the dry season. The 
results of this study will assist managers in 
planning food safety strategies at the risk of saline 
intrusion.
Index Terms—correlation, mean sea level rise, spatial analysis, salinity intrusion