Luận án Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên, Việt Nam

Sens. 2019, 11, 1719. 
158 
69. Motlagh, M. G., Kafaky, S. B., Mataji, A., Akhavan, R. (2018). Estimating 
and mapping forest biomass using regression models and Spot-6 images (case 
study: Hyrcanian forests of north of Iran). Environmental Monitoring and 
Assessment; Dordrecht Vol. 190, Iss. 6. 
70. Muhd-Ekhzarizal, M. E., Mohd-Hasmadi, I., Hamdan, O., Mohamad-
Roslan, M. K., Noor-Shaila, S. (2017). Estimation of aboveground biomass in 
mangrove forests using vegetation indices from SPOT 5 image. Journal of 
Tropical Forest Science 30(2): 224–233. 
71. Na-U-Dom, T., Mo, X., and Garcia, M. (2017). Assessing the Climatic 
Effects on Vegetation Dynamics in the Mekong River Basin. Environments 
2017, 4, 17. 
72. Parks, S. A., Dillon, G. K., Miller, C. (2014). A New Metric for Quantifying 
Burn Severity: The Relativized Burn Ratio. Remote Sens. 2014, 6, 1827-1844. 
Remote Sensing; Basel Vol. 6, Iss. 12. 
73. Pandey, P. C., Anand, A., Srivastava, P. K. (2018). Spatial distribution of 
mangrove forest species and biomass assessment using field inventory and 
earth observation hyperspectral data. Biodiversity and Conservation 28:2143–
2162. 
74. Planet Team (2017). Planet Application Program Interface: In Space for 
Life on Earth. San Francisco, CA. https://api.planet.com. 
75. Shishir, S. and Tsuyuzaki, S. (2018). Hierarchical classification of land use 
types using multiple vegetation indices to measure the effects of urbanization. 
Environ Monit Assess (2018) 190: 342. 
76. Santos, S. M. B, António Bento-Gonçalves, A., Franca-Rocha, W. and 
Baptista, G. (2020). Assessment of Burned Forest Area Severity and Postfire 
159 
Regrowth in Chapada Diamantina National Park (Bahia, Brazil) Using dNBR 
and RdNBR Spectral Indices. Geosciences; Basel Vol. 10, Iss. 3, (2020): 106. 
77. Santana, N. C., Júnior, O. A. D. C., Gomes, R. A. T., and Guimarães, R. F. 
(2018). Burned-Area Detection in Amazonian Environments Using 
Standardized Time Series Per Pixel in MODIS Data. Remote Sens. 2018, 10, 1904. 
78. Thaís, A. L., Beuchle, R., Langner, A., Grecchi, R. C., Griess, V. C. et al. 
(2019). Comparing Sentinel-2 MSI and Landsat 8 OLI Imagery for Monitoring 
Selective Logging in the Brazilian Amazon. Remote Sensing; 
Basel Vol. 11, Iss. 8. 
79. Thompson, I. D., Guariguata, M. R., Okabe, K., Bahamondez, C., Nasi, R., 
Heymell, V., and Sabogal, C. (2013). An operational framework for defining 
and monitoring forest degradation. Ecology and Society 18(2): 20. 
80. UNEP/CBD/SBSTTA (2001). Main Theme: Forest Biological Diversity. 
Report Of The Ad HocTechnical Expert Group On Forest Biological Diversity. 
Subsidiary Body On Scientific, Technical And Technological Advice, Seventh 
Meeting, Montreal, 12-16 November 2001. 
81. UNDP, UNEP, World Bank & World Resources Institute (2001). World 
Resources 2000-2001 – People and Ecosystems: The Fraying Web of Life. 
82. Vorovencii, I. (2014). Assessment of some remote sensing techniques used 
to detect land use/land cover changes in South-East Transilvania, Romania. 
Environmental Monitoring and Assessment. Dordrecht Vol. 186, Iss. 5. 
83. Vorovencii, I. (2014). A change vector analysis technique for monitoring 
land cover changes in Copsa Mica, Romania, in the period 1985–2011. 
Environ Monit Assess (2014) 186:5951–5968. 
160 
84. Yang, R., Luo, Y., Yang, K., Liang, H., Zhou, X. (2019). Analysis of Forest 
Deforestation and its Driving Factors in Myanmar from 1988 to 2017. 
Sustainability. Basel Vol. 11, Iss. 11. 
85. Yang, Y., Wang, S., Bai, X., Tan, Q., Li, Q., Wu, L., Tian, S., Hu, Z., Li, 
C., Deng, Y. (2019). Factors Affecting Long-Term Trends in Global NDVI. 
Forests, 10, 372. 
86. Zhong-Ze ZHAN, Hong-Bin LIU, Hui-Ming LI, Wei WU, Bin ZHONG 
(2011). The Relationship between NDVI and Terrain Factors: A Case Study of 
Chongqing. Procedia Environmental Sciences 12 (2012), 765 – 771. 
87. Wang, F. and ·Xu, Y. J. (2010). Comparison of remote sensing change 
detection techniques for assessing hurricane damage to forests. Environ Monit 
Assess (2010) 162:311–326. 
88. https://earthengine.google.com. 
PHỤ LỤC 
Phụ lục 01. Tóm tắt một số nghiên cứu trên thế giới liên quan đến luận án 
TT Tác giả 
Địa điểm 
nghiên 
cứu 
Loại ảnh viễn 
thám được sử 
dụng 
Độ chính 
xác phân 
loại (%) 
1 Akay et al. (2017) 
Thổ Nhĩ 
Kỳ 
Landsat 5 TM, 
Landsat 8 
85,0 
2 Amani et al. (2019) Iran Landsat 8 74,0 
3 Azzouzi et al. (2015) Algeria Landsat 5, 7 94,0 
4 Bhagwat et al. (2017) Myanmar Landsat 5, 7, 8 80,0 
5 Dash et al. (2017) Ấn Độ Landsat và IRS 71,8 – 93,3 
6 Deus (2016) Tanzania 
Landsat TM kết 
hợp ALOS PALSA 
71,0 
7 Devaney et al. (2015) Ai Len ALOS PALSA 97,4 
8 Guler et al. (2007) 
Thổ Nhĩ 
Kỳ 
Landsat TM, MSS, 
ETM+ 
83,8 - 87,6 
9 Hashemi et al. (2011) Iran Landsat ETM+ 86,0 
10 Hoscilo et al. (2019) Ba Lan Sentinel 2, DEM 94,8 – 98,3 
11 Kimutai et al. (2016) Kenya 
Landsat 5, 7, 8 và 
DEM 
88,45 
12 Yang et al. (2019) Myanmar Landsat 5, 7, 8 83,0 – 93,0 
13 Vorovencii (2014) Romania Landsat 5 85,9 - 88,2 
Phụ lục 02. Tóm tắt một số nghiên cứu ở Việt Nam liên quan đến luận án 
TT Tác giả 
Địa điểm 
nghiên 
cứu 
Loại ảnh viễn thám 
được sử dụng 
Độ chính 
xác phân 
loại (%) 
1 
Trần Quang Bảo và 
cộng sự (2018) 
Đồng Nai Google Earth 81,0 
2 
Trần Quang Bảo và 
cộng sự (2010) 
Hòa Bình Landsat TM 86,0; 80,0 
3 
Chu Thị Bình và 
cộng sự (2015) 
Hòa Bình Landsat MSS/TM 90,0 
4 
Nguyễn Quang Giáp 
(2015) 
Bắc Kạn Landsat 8 81,0 
5 
Trần Thu Hà và cộng 
sự (2016) 
Hòa Bình 
Landsat ETM, Landsat 8, 
VN RedSat-1, SPOT 6 
83,0 
6 
Nguyễn Hữu Hải và 
cộng sự (2019) 
Quảng 
Nam 
Landsat 5 TM, Landsat 8 90,0 
7 
Nguyễn Thu Hiền và 
cộng sự (2013) 
Quảng 
Ninh 
SPOT 4 
82,74; 80,97; 
89,33 
8 
Đoàn Duy Hiếu và 
cộng sự (2016) 
Gia Lai Landsat TM, Landsat 8 93,6; 91,6 
9 
Nguyễn Hải Hòa 
(2016) 
Hải Phòng Landsat 5, Landsat 8 87,0 – 93,0 
10 
Nguyễn Hải Hòa 
(2016) 
Quảng 
Ninh 
Landsat 5, Landsat 8 83,0 – 92,0 
11 
Nguyễn Hải Hòa và 
cộng sự (2016) 
Phú Thọ 
Landsat 5, Landsat 7, 
Landsat 8 
81,7 - 86,5 
TT Tác giả 
Địa điểm 
nghiên 
cứu 
Loại ảnh viễn thám 
được sử dụng 
Độ chính 
xác phân 
loại (%) 
12 
Võ Minh Hoàn và 
cộng sự (2017) 
Tp. Hồ 
Chí Minh 
Landsat 8 83,0 
13 
Nguyễn Minh Kỳ và 
cộng sự (2019) 
Gia Lai Landsat 7, Landsat 8 76,0 
14 
Nguyễn Văn Lợi và 
cộng sự (2014) 
Sơn La SPOT 5 87,5 
15 
Nguyễn Văn Lợi 
(2012) 
Thừa 
Thiên Huế 
Landsat 7 87,3 – 87,9 
16 
Nguyễn Thị Ngọc 
Quyên và cộng sự 
(2016) 
Tây 
Nguyên 
Landsat 8 73,53 
17 
Nguyễn Văn Thị và 
cộng sự (2014) 
Hà Tĩnh SPOT 5 76,0 
18 
Phạm Quang Vinh 
và cộng sự (2015) 
Điện Biên Landsat 7, Landsat 8 83,0 – 90,0 
Phụ lục 03. Một số câu lệnh xử lý ảnh Landsat 8 trong Google Earth 
Engine 
var startdate = '2015-01-01'; 
var enddate = '2018-12-31'; 
var start1 = '2016-01-01'; 
var end1 = '2017-01-31'; 
var start2 = '2017-05-01'; 
var end2 = '2017-12-31' 
// Function to cloud mask from the pixel_qa band of Landsat 8 SR data. 
function maskcollectionsr(image) { 
 // Bits 3 and 5 are cloud shadow and cloud, respectively. 
 var cloudShadowBitMask = 1 << 3; 
 var cloudsBitMask = 1 << 5; 
 // Get the pixel QA band. 
 var qa = image.select('pixel_qa'); 
 // Both flags should be set to zero, indicating clear conditions. 
 var mask1 = qa.bitwiseAnd(cloudShadowBitMask).eq(0) 
 .and(qa.bitwiseAnd(cloudsBitMask).eq(0)); 
 var mask2 = image.select('B.*').gt(0).reduce('min'); 
 // Return the masked image, scaled to TOA reflectance, without the QA 
bands. 
 return image.updateMask(mask1.and(mask2)).divide(10000) 
 .select("B[0-9]*") 
 .copyProperties(image, ["system:time_start"]); 
} 
// Map the function over one year of data. 
var collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') 
 .filterDate('2015-01-01', '2016-12-31') 
 .filterBounds(myArea) 
 .map(maskcollectionsr); 
var composite = collection.reduce(ee.Reducer.percentile([25])); 
// Display the results. 
Map.addLayer(composite.clip(myArea), {bands: ['B4_p25', 'B3_p25', 
'B2_p25'], min: 0, max: 0.15}, 'Tohop_RGB:432'); 
print(collection); 
 var imagesize = collection.size(); 
print('Number of images: ', imagesize); 
print(collection.count()); 
// Map a function over the Landsat 8 TOA collection to add an NDVI band. 
var withNDVI1 = collection.map(function(image) { 
 var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI'); 
 return image.addBands(ndvi); 
}); 
var withNDVI = withNDVI1.map(function(image) { 
 var nbr = image.normalizedDifference(['B5', 'B7']).rename('NBR'); 
 return image.addBands(nbr); 
}); 
print('My NDVI and NBR:', withNDVI); 
var myImagesList = withNDVI.toList(1000); //Make this number larger than 
how many images you expect 
print('Images',withNDVI); 
var imageIDs = myImagesList.map(function(img){ 
 img = ee.Image(img); 
 return img.get('system:index'); 
}); 
print(imageIDs); 
imageIDs.evaluate( 
 function(imageIDsClient) { 
 imageIDsClient.map(function(ID){ 
 var img = 
withNDVI.select('NDVI','NBR').filter(ee.Filter.equals('system:index',ID)); 
 img = ee.Image(img.first()); 
 Export.image.toDrive({ 
 image: img.float(), 
 description: ID, 
 scale: 30, // Set this to resolution (in meters) you want for image 
 region: myArea 
 }); 
 }); 
 } 
Phụ lục 04. Một số câu lệnh xử lý ảnh Sentinel 2 trong Google Earth 
Engine 
var startdate = '2015-11-01'; 
var enddate = '2019-05-31'; 
var start1 = '2016-11-01'; 
var end1 = '2017-03-31'; 
var start2 = '2017-04-01'; 
var end2 = '2018-05-31' 
function maskS2clouds(image) { 
 var qa = image.select('QA60'); 
// Bits 10 and 11 are clouds and cirrus, respectively. 
 var cloudBitMask = 1 << 10; 
 var cirrusBitMask = 1 << 11; 
// Both flags should be set to zero, indicating clear conditions. 
 var mask = qa.bitwiseAnd(cloudBitMask).eq(0).and( 
 qa.bitwiseAnd(cirrusBitMask).eq(0)); 
// Return the masked and scaled data, without the QA bands. 
 return image.updateMask(mask).divide(10000) 
 .select("B.*") 
 .copyProperties(image, ["system:time_start"]); 
} 
// Select the Sentinel-2 collection-image (ID: COPERNICUS/S2_SR)- Product 
L2 level BOA 
// and filter it by date, roi and select all bands and aplying cloud mask 
var CoimbraBOAS2 = ee.ImageCollection('COPERNICUS/S2') 
 .filterDate(startdate, enddate) // Put one day more 
 .select('B1','B2','B3','B4','B5','B6','B7','B8','B8A','B9','B11','B12','QA60') 
 // Pre-filter to get less cloudy granules. 
 .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10)) 
 .filterBounds(roi) 
 .map(maskS2clouds); 
// Compute Normalized Difference Vegetation Index. 
var NDVI = function(image) { 
 return image.normalizedDifference(['B8', 'B4']); 
}; 
var NBR = function(image) { 
 return image.normalizedDifference(['B8', 'B12']); 
}; 
// Display the clipped collection and the NDVI, with the NDVI palette for 
NDVI for visualization 
var palette = ['FFFFFF','CE7E45','DF923D','F1B555','FCD163','99B718', 
 '74A901','66A000','529400','3E8601','207401','056201', 
 '004C00', '023B01', '012E01', '011D01', '011301']; 
// Visualize the point on the map 
Map.addLayer(CenterNuno, {color: COLOR.CenterNuno}); 
//Add the NDVI as band to do the serie 
var NDVIserie1 = CoimbraBOAS2.map(function(image) { 
 var NDVI=image.normalizedDifference(['B8', 'B4']).rename('NDVI'); 
 return image.addBands(NDVI); 
}); 
NDVIserie = NDVIserie1.map(function(image) { 
 var NBR=image.normalizedDifference(['B8', 'B12']).rename('NBR'); 
 return image.addBands(NBR); 
}); 
// The same collection but now we select NDVI only in the selected roi/point 
var NDVIserie = NDVIserie.filterBounds(myArea).select('NDVI', 'NBR'); 
print(NDVIserie); 
print (CenterNunoTimeSeries); 
print('Done') 
//print (NDVICenterNunoTimeSeries); 
var S2 = ee.ImageCollection('COPERNICUS/S2') 
 .filterDate(startdate, enddate) // Put one day more 
 .select('B1','B2','B3','B4','B5','B6','B7','B8','B8A','B9','B11','B12','QA60') 
 // Pre-filter to get less cloudy granules. 
 .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10)) 
 .filterBounds(roi) 
// Export properties (including ID) for each image to a csv file 
var imageProperties_OK = S2.map(function(img){ 
 var fout1 = ee.Feature(img.geometry()); 
 return fout1.copyProperties(img); 
}); 
var myImagesList = NDVIserie.toList(1000); //Make this number larger than 
how many images you expect 
print('Images',NDVIserie); 
var imageIDs = myImagesList.map(function(img){ 
 img = ee.Image(img); 
 return img.get('system:index'); 
}); 
print(imageIDs); 
imageIDs.evaluate( 
 function(imageIDsClient) { 
 imageIDsClient.map(function(ID){ 
 var img = NDVIserie.filter(ee.Filter.equals('system:index',ID)); 
 img = ee.Image(img.first()); 
 Export.image.toDrive({ 
 image: img, 
 description: ID, 
 crs: 'EPSG:4326', 
 scale: 10, 
 region:myArea 
 }); 
 }); 
 } 
); 
Phụ luc 05. Thông tin về 360 mẫu rừng không đổi để đánh giá biến động chỉ số viễn 
thám theo thời gian và xác định ngưỡng KB rừng không đổi 
TT Tên tỉnh Kiểu rừng X Y TK 
Khoản
h 
Lô 
Diện 
tích 
(ha) 
1 Kon Tum G-TN 
78448
9 
158526
1 688 3 7 47.41 
2 Kon Tum G-TN 
78433
7 
159124
4 660 7 4 45.58 
3 Kon Tum G-TN 
77946
0 
158217
3 692 1 3 97.96 
4 Kon Tum G-TN 
79416
0 
158156
8 634 5 3 76.14 
5 Kon Tum G-TN 
79433
7 
158281
7 634 2 2 47.25 
6 Kon Tum G-TN 
78816
0 
158990
8 662 7 5 53.05 
7 Kon Tum G-TN 
79042
8 
159008
5 662 6 4 54.55 
8 Kon Tum G-TN 
77060
6 
159133
4 668 2 8 5.9 
9 Kon Tum G-TN 
76092
7 
158258
8 681 8 4 18.47 
10 Kon Tum G-TN 
78709
5 
159000
6 677 1 2 40.16 
11 Kon Tum G-TN 
76212
2 
158411
8 681 5 5 44.53 
12 Kon Tum G-TN 
77056
0 
159017
3 668 7 1 14.77 
13 Kon Tum G-TN 
77382
1 
159919
7 646 1 1 112.2 
14 Kon Tum G-TN 
75985
3 
158317
8 680 3 4c 26.77 
15 Kon Tum G-TN 
79358
7 
157608
2 642 2 1 80.04 
16 Kon Tum G-TN 
78288
8 
158764
7 670 4 2 53.28 
17 Kon Tum G-TN 
76834
7 
158707
9 682 3 1 26.37 
18 Kon Tum G-TN 
79157
8 
158240
5 635 2 1 95.12 
19 Kon Tum G-TN 
77684
5 
157995
4 693 4 3 34.34 
20 Kon Tum G-TN 
76715
3 
159031
4 666 4 15 20.04 
21 Kon Tum G-TN 
78419
7 
158667
0 688 1 4 44.63 
22 Kon Tum G-TN 
78468
9 
158918
1 660 11 3 23.45 
23 Kon Tum G-TN 
78531
7 
159511
5 649 9 3 42.47 
24 Kon Tum G-TN 
78624
4 
159370
9 654 2 3 56.66 
25 Kon Tum G-TN 
77771
3 
157788
2 698 7 1 51.15 
26 Kon Tum G-TN 
78235
9 
158487
6 687 5 4 92.17 
27 Kon Tum G-TN 
78446
2 
159643
4 648 9 4 41.33 
28 Kon Tum G-TN 
78844
8 
157609
6 701 10 3 87.7 
29 Kon Tum G-TN 
78873
8 
157869
8 701 4 2 110.54 
30 Kon Tum G-TN 
77376
9 
155761
8 758 7 1 130.06 
31 Lâm Đồng G-TN 
78476
8 
129867
1 399 8 4 68.8 
32 Lâm Đồng G-TN 
78094
5 
129788
5 417 6 12 33.02 
33 Lâm Đồng G-TN 
77897
0 
129367
4 428 7 3 60.39 
34 Lâm Đồng G-TN 
78076
4 
129498
6 430 2 6 14.08 
35 Lâm Đồng G-TN 
75933
9 
129998
4 497 7 5 62.75 
36 Lâm Đồng G-TN 
76013
6 
130026
6 497 7 4 21.6 
37 Lâm Đồng G-TN 
75375
5 
129476
5 501 5 2 74.97 
38 Lâm Đồng G-TN 
75194
3 
129290
5 501 8 3 143.82 
39 Lâm Đồng G-TN 
75529
8 
129527
7 502 2 3 103.45 
40 Lâm Đồng G-TN 
75842
5 
129306
4 509B 3 5 40.07 
41 Lâm Đồng G-TN 
76207
6 
129978
7 504B 2 4 17.51 
42 Lâm Đồng G-TN 
76105
4 
129835
3 504B 4 6 29.67 
43 Lâm Đồng G-TN 
77025
8 
129597
5 507 6 6 35.52 
44 Lâm Đồng G-TN 
76918
1 
129530
1 507 8 2 35.55 
45 Lâm Đồng G-TN 
76440
1 
129509
7 508A 8 14 21.02 
46 Lâm Đồng G-TN 
76227
3 
129633
5 509A 3 7 56.85 
47 Lâm Đồng G-TN 
75929
6 
129547
5 509A 7 2 61.07 
48 Lâm Đồng G-TN 
77064
2 
128947
7 527 6 5 78.67 
49 Lâm Đồng G-TN 
76836
0 
128426
7 536 10 2 30.19 
50 Lâm Đồng G-TN 
76726
6 
128345
7 536 11 7 32.18 
51 Lâm Đồng G-TN 
77035
2 
128693
0 536 6 2 22.98 
52 Lâm Đồng G-TN 
77022
1 
128541
8 536 7 6 54.84 
53 Lâm Đồng G-TN 
78381
4 
128501
3 523 10 1 94.33 
54 Lâm Đồng G-TN 
78177
4 
128388
6 540 6 1 120.29 
55 Lâm Đồng G-TN 
77881
1 
129220
4 520 6 1 68.38 
56 Lâm Đồng G-TN 
78320
2 
128207
2 541 5 1 162.66 
57 Lâm Đồng G-TN 
78520
0 
128199
4 544A 3 3 100.91 
58 Lâm Đồng G-TN 
78111
0 
128023
8 545 4 2 76.04 
59 Lâm Đồng G-TN 
78690
3 
127975
6 557 4 3 111.49 
60 Lâm Đồng G-TN 
78645
3 
127758
5 561 7 1 135.92 
61 Kon Tum LK 
78273
5 
168006
0 31 3 2 80.16 
62 Kon Tum LK 
80691
5 
167576
8 65 1 6 45.31 
63 Kon Tum LK 
82669
6 
165174
4 237 2 45a 10.61 
64 Kon Tum LK 
78054
2 
167972
1 29 14 5 66.86 
65 Kon Tum LK 
77505
5 
165954
2 118 8 1 134.43 
66 Kon Tum LK 
77439
7 
165686
0 122 8 1 72.56 
67 Kon Tum LK 
78695
7 
168393
3 15 5 4 76.68 
68 Kon Tum LK 
81082
6 
166560
3 75 8 1 142.47 
69 Kon Tum LK 
80381
0 
167525
9 64 4 27 36.58 
70 Kon Tum LK 
78580
2 
166383
5 42 5 1 52.52 
71 Kon Tum LK 
78472
8 
167695
1 30 16 1 90.66 
72 Kon Tum LK 
80448
3 
165856
5 203 8 17 10.31 
73 Kon Tum LK 
80518
1 
165983
4 203 6 4 6.8 
74 Kon Tum LK 
81096
7 
166747
1 75 5 1 100.5 
75 Kon Tum LK 
78453
5 
166447
3 43 4 2 48.35 
76 Kon Tum LK 
77323
2 
166012
4 118 6 2 134.37 
77 Kon Tum LK 
78072
5 
165773
1 119 9 2 82.86 
78 Kon Tum LK 
77204
9 
165807
2 122 4 1 109.71 
79 Kon Tum LK 
77704
3 
165805
1 123 2 2 108.16 
80 Kon Tum LK 
80271
2 
167482
7 63 4 13 22.69 
81 Kon Tum LK 
78373
5 
167304
5 34 10 1 120.82 
82 Kon Tum LK 
80575
5 
165946
4 203 5 32 6.56 
83 Kon Tum LK 
78167
3 
168188
7 29 6 4 52.01 
84 Kon Tum LK 
82823
4 
165141
4 237 4 25 8.92 
85 Kon Tum LK 
82908
1 
165141
2 237 6 19 6.77 
86 Kon Tum LK 
78461
3 
167874
8 30 11 1 90.76 
87 Kon Tum LK 
78349
5 
168116
8 31 1 1 77.26 
88 Kon Tum LK 
78284
4 
167653
7 31 16 2 89.25 
89 Kon Tum LK 
78237
7 
167893
2 31 9 1 126.01 
90 Kon Tum LK 
78378
3 
167519
9 34 2 2 95.11 
91 Lâm Đồng LK 
89463
4 
133502
7 122 12 8 7.97 
92 Lâm Đồng LK 
89378
4 
134330
0 123 3 17 4.01 
93 Lâm Đồng LK 
89527
3 
134332
3 123 4 18 7.63 
94 Lâm Đồng LK 
89628
0 
133474
2 129 3 9 1.73 
95 Lâm Đồng LK 
89574
9 
133390
3 129 6 11 4.3 
96 Lâm Đồng LK 
89546
6 
133818
9 130 3 5 16.64 
97 Lâm Đồng LK 
89417
9 
134521
5 93 7 7 37.07 
98 Lâm Đồng LK 
89288
3 
134274
8 94B 7 6 7.14 
99 Lâm Đồng LK 
88748
5 
133683
5 121 4 11 18.91 
100 Lâm Đồng LK 
88819
7 
133705
9 121 5 22 7.63 
101 Lâm Đồng LK 
89066
6 
133778
0 121 7 1 8.45 
102 Lâm Đồng LK 
89050
4 
134348
1 94A 8 10 30.22 
103 Lâm Đồng LK 
88984
7 
133513
6 132 2 14 11.74 
104 Lâm Đồng LK 
89010
5 
133539
6 132 2 8 10.52 
105 Lâm Đồng LK 
88881
4 
133056
7 134 4 20 10.43 
106 Lâm Đồng LK 
88835
3 
133011
9 134 5 14 11.6 
107 Lâm Đồng LK 
89047
2 
133178
8 135 1 7 26.07 
108 Lâm Đồng LK 
89796
0 
133179
5 137 1 11 8.07 
109 Lâm Đồng LK 
89671
3 
133159
9 137 2 4 12.55 
110 Lâm Đồng LK 
89701
6 
133073
6 137 2 12 6.12 
111 Lâm Đồng LK 
89651
4 
132901
8 137 5 5 59.2 
112 Lâm Đồng LK 
89999
2 
133116
9 138 2 11 5.87 
113 Lâm Đồng LK 
89892
0 
133169
4 138 3 1 13.48 
114 Lâm Đồng LK 
90057
3 
132965
1 138 4 20 21.35 
115 Lâm Đồng LK 
89927
1 
133021
5 138 4 6 12.02 
116 Lâm Đồng LK 
89957
9 
132696
4 138 7 4 54.38 
117 Lâm Đồng LK 
89569
6 
132657
0 139 2 2 51.82 
118 Lâm Đồng LK 
89559
6 
132848
7 139 3 1 35.95 
119 Lâm Đồng LK 
89642
5 
132804
1 139 4 3 5.02 
120 Lâm Đồng LK 
89790
4 
132855
4 139 6 3 24.95 
121 Đắk Lắk RL 
79639
5 
141612
5 522 6 18 2.63 
122 Đắk Lắk RL 
79464
7 
141612
7 522 5 28 4.98 
123 Đắk Lắk RL 
79270
9 
1