Dự báo rủi ro lũ sông Nhật Lệ-Kiến Giang: Tích hợp học sâu & mô hình sử dụng đất

Khám phá ứng dụng học sâu và mô hình sử dụng đất trong dự báo rủi ro lũ tại lưu vực sông Nhật Lệ, hỗ trợ quản lý thiên tai hiệu quả.

• Tác giả: Nguyễn Hữu Duy
• Trường học: Trường Đại học Khoa học Tự nhiên
• Đề tài: Tích hợp mô hình biến đổi sử dụng đất và học sâu trong dự báo rủi ro lũ: Áp dụng cho lưu vực sông Nhật Lệ-Kiến Giang
• Loại tài liệu: Đề tài nghiên cứu khoa học
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Tóm tắt

I. Bối cảnh và tầm quan trọng của dự báo rủi ro lũ sông Nhật Lệ

Trong những thập kỷ qua, quá trình đô thị hóa và biến đổi sử dụng đất đã diễn ra với tốc độ nhanh chóng trên toàn cầu. Theo ước tính của Ngân hàng Thế giới, dân số đô thị sẽ tăng từ 2,8 tỷ người năm 2000 lên 5 tỷ người vào năm 2030, cùng với đó diện tích đất đô thị sẽ tăng gấp ba lần. Những biến đổi này có tác động đáng kể đến chế độ thủy văn của lưu vực, đặc biệt là tần suất và cường độ của hiện tượng lũ lụt. Khu vực Châu Á được coi là khu vực có tốc độ biến đổi sử dụng đất nhanh nhất, nơi tập trung một lượng lớn người và tài sản trong các vùng đồng bằng trũng, dễ bị ảnh hưởng bởi lũ. Việt Nam đã dành 229 triệu đô la ngân sách cho kiểm soát lũ, nhấn mạnh tầm quan trọng của quản lý rủi ro lũ trong bối cảnh phát triển đô thị.

1.1. Tác động của đô thị hóa đến chế độ dòng chảy

Sự mở rộng đô thị tác động trực tiếp đến chế độ nước mưa chảy tràn, đỉnh lũ và cường độ lũ. Mặt nước không thấm nước trong các khu đô thị tăng dẫn đến giảm khả năng thấm nước của đất, làm gia tăng lưu lượng chảy mặt và tần suất lũ. Các nghiên cứu chứng minh sự gia tăng rủi ro lũ liên quan trực tiếp đến gia tăng dân số và chuyển đổi sử dụng đất, đặc biệt là phá rừng và đô thị hóa.

1.2. Nhu cầu cấp thiết của các công cụ dự báo hiện đại

Trong bối cảnh biến đổi khí hậu, các phương pháp dự báo truyền thống không còn đủ hiệu quả. Cần thiết phát triển các công cụ dựa trên học sâu (deep learning) và mô hình biến đổi sử dụng đất để nâng cao độ chính xác dự báo rủi ro lũ, giúp chính quyền địa phương đưa ra các biện pháp quản lý rủi ro hiệu quả.

II. Khái niệm rủi ro lũ và các thành phần cơ bản

Rủi ro lũ được định nghĩa là sự kết hợp của ba yếu tố chính: hiểm họa (Hazard), mức độ phơi nhiễm (Exposure) và tính dễ bị tổn thương (Vulnerability). Theo định nghĩa của IPCC (2012), hiểm họa là khả năng xảy ra trong tương lai của các hiện tượng tự nhiên có tác động bất lợi, phụ thuộc vào tính nhạy cảm và khả năng xuất hiện của khu vực. Mức độ phơi nhiễm được định nghĩa là sự hiện diện của con người, sinh kế, dịch vụ và tài nguyên, cơ sở hạ tầng nằm trong các khu vực chịu ảnh hưởng của hiểm họa. Tính dễ bị tổn thương đề cập đến khuynh hướng của các yếu tố bị tác động bất lợi khi tiếp xúc với hiểm họa. Công thức tính rủi ro được biểu diễn: R = H × E × V, trong đó H liên quan đến độ ngập sâu, E mô tả các yếu tố liên quan đến sử dụng đất, và V đại diện cho mức độ thiệt hại.

2.1. Hiểm họa lũ và đặc trưng của lũ lụt

Hiểm họa lũ được xác định bởi độ ngập sâu, thời gian ngập, và cơ chế xảy ra lũ. Ở lưu vực sông Nhật Lệ-Kiến Giang, các yếu tố địa hình, khí hậu và chế độ mưa tạo điều kiện thuận lợi cho lũ. Sử dụng các mô hình thủy văn kết hợp với dữ liệu lịch sử giúp xác định tần suất lũ và dự báo đỉnh lũ trong tương lai.

2.2. Phơi nhiễm và tính dễ bị tổn thương liên quan đến sử dụng đất

Mức độ phơi nhiễm phụ thuộc vào phân bố dân cư, cơ sở hạ tầng và giá trị tài sản trong các khu vực ngập lũ. Sử dụng đất ảnh hưởng trực tiếp đến khả năng chịu tác động của lũ - khu vực có mặt phủ xanh cao chịu tác động nhẹ hơn khu vực đô thị. Đánh giá tính dễ bị tổn thương yêu cầu phân tích các yếu tố kinh tế xã hội như mức sống cộng đồng, khả năng phục hồi.

III. Ứng dụng học sâu trong dự báo rủi ro lũ

Học sâu (Deep Learning) là một công nghệ tân tiến cho phép xử lý và phân tích những tập dữ liệu lớn với độ chính xác cao. Trong bối cảnh dự báo rủi ro lũ, các mô hình mạng nơ-ron nhân tạo sâu (Deep Neural Networks) có khả năng học nhận dạng các mẫu phức tạp từ dữ liệu lịch sử về mưa, độ ngập, và các đặc trưng địa hình. So với các mô hình thống kê truyền thống, mô hình học sâu có ưu thế vượt trội trong việc xử lý dữ liệu không tuyến tính và dữ liệu đa chiều. Các mô hình này có thể được huấn luyện để dự báo độ sâu ngập, vùng ngập lụt, và mức độ rủi ro tại các vị trí khác nhau trong lưu vực sông Nhật Lệ. Kết hợp học sâu với mô hình biến đổi sử dụng đất cho phép dự báo động những biến đổi trong rủi ro lũ theo thời gian.

3.1. Các kiến trúc mạng nơ ron sâu phù hợp

Các kiến trúc như Convolutional Neural Networks (CNN) và Recurrent Neural Networks (RNN) được ứng dụng hiệu quả. CNN thích hợp cho phân tích ảnh vệ tinh về sử dụng đất và bản đồ độ cao kỹ thuật số (DEM). RNN, đặc biệt là Long Short-Term Memory (LSTM), giúp nắm bắt chuỗi thời gian của mưa và lưu lượng sông. Kết hợp hai kiến trúc này tạo ra mô hình lai mạnh mẽ cho dự báo.

3.2. Dữ liệu đầu vào và tiền xử lý

Các dữ liệu đầu vào bao gồm dữ liệu mưa, độ cao địa hình, sử dụng đất, loại đất và lưu lượng sông lịch sử. Tiền xử lý dữ liệu bao gồm chuẩn hóa, làm sạch dữ liệu và xử lý giá trị khuyết. Tập dữ liệu huấn luyện từ các năm có lũ lịch sử giúp mô hình học các mẫu đặc trưng của lũ ở lưu vực sông Nhật Lệ.

IV. Tích hợp mô hình biến đổi sử dụng đất và ứng dụng thực tiễn

Biến đổi sử dụng đất có tác động trực tiếp đến hiểm họa lũ thông qua thay đổi trong khả năng thấm nước, dòng chảy mặt và cấu trúc sinh thái. Các mô hình mô phỏng biến đổi sử dụng đất dự báo các kịch bản phát triển như tiếp tục đô thị hóa, bảo vệ rừng, hoặc phục hồi sinh thái. Bằng cách tích hợp những kịch bản này vào mô hình học sâu, có thể dự báo rủi ro lũ trong tương lai dưới các điều kiện sử dụng đất khác nhau. Áp dụng cho lưu vực sông Nhật Lệ-Kiến Giang, kết quả giúp lập kế hoạch quản lý rủi ro, phát triển bền vững, và thích ứng với biến đổi khí hậu. Các bản đồ rủi ro lũ động được tạo ra có thể hỗ trợ quyết định của chính quyền về kiểm soát lũ và sử dụng đất hợp lý.

4.1. Các kịch bản biến đổi sử dụng đất và tác động đến rủi ro

Các kịch bản gồm: (1) tiếp tục đô thị hóa hiện tại dẫn đến tăng rủi ro lũ; (2) bảo vệ rừng giảm tác động lũ; (3) phục hồi sinh thái trong các khu vực đã hoang tàn. Mô hình biến đổi sử dụng đất như Land Use Change Modeling (LUCC) dự báo những thay đổi này. Học sâu sau đó học cách rủi ro lũ thay đổi dưới mỗi kịch bản, tạo ra bản đồ rủi ro không gian-thời gian chi tiết.

4.2. Ứng dụng hỗ trợ quyết định và quản lý rủi ro

Kết quả nghiên cứu tạo ra các công cụ dự báo rủi ro lũ để hỗ trợ quản lý thảm họa ở lưu vực sông Nhật Lệ-Kiến Giang. Bản đồ rủi ro lũ động giúp xác định khu vực ưu tiên cần biện pháp bảo vệ. Công cụ này hỗ trợ lập kế hoạch sử dụng đất bền vững, quy hoạch đô thị an toàn, và chiến lược thích ứng với biến đổi khí hậu dài hạn.

Trích đoạn nội dung tài liệu

Đặt vấn đề Trong những thập kỷ qua, việc mở rộng đô thị trên khắp thế giới đã và đang diễn ra với tốc độ nhanh chóng (Angel, Parent et al. 2011, Seto, Güneralp et al. Theo ước tính của Ngân hàng thế giới, dân số đô thị sẽ tăng từ 2,8 tỷ người năm 2000 lên 5 tỷ người vào năm 2030; cùng với đó là diện tích đất đô thị sẽ tăng gấp ba lần trong thời kỳ này (Seto, Güneralp et al. Sự biến đổi này có thể gây ra các tác động đến chế độ thủy văn của lưu vực, trong đó có lũ (Kim and Newman 2020), một số nghiên cứu đã nhấn mạnh tác động của việc mở rộng đô thị và biến đổi sử dụng đất đến chế độ nước mưa chảy tràn, đỉnh lũ, cường độ lũ (Mahe, Paturel et al.

2005, Chang, Franczyk et al. 2009, Zhang and Zhu 2011). Một vài nghiên cứu khác đã chứng mình sự gia tăng rủi 1 ro lũ liên quan tới quá trình gia tăng dân số và chuyển đổi sử dụng đất (đô thị hóa, phá rừng.) (Robinson, Cognard-Plancq et al. 2003, Chen, Xie et al.

2019, Song, Xu et al. 2019, Aredo, Hatiye et al. Khu vực Châu Á được coi là khu vực có tốc độ biến đổi sử dụng đất nhanh nhất trên thế giới, khoảng 50% quá trình đô thị hóa trên thế giới sẽ diễn ra ở khu vực này, nơi tập trung một lượng lớn người và tài sản trong các vùng đồng bằng trũng và rất dễ bị ảnh hưởng bởi lũ (Nicholls and Cazenave 2010, Hallegatte, Green et al. Vì thế, nhiều quốc gia đã đầu tư những khoản ngân sách lớn vào các biện pháp kiểm soát lũ; Nhật Bản đã dành ngân sách xấp xỉ 10 tỉ đô la mỗi năm (Kazama, Sato et al.

2009), Việt Nam dành 229 triệu đô la ngân sách cho 5 năm (Sở Tài chính Hà Nội, 2012). Những chi phí đầu tư này góp phần nâng cao môi trường sống an toàn cho cộng đồng dân cư, tuy nhiên do sự thay đổi về điều kiện môi trường, các điều kiện kinh tế xã hội, đặc biệt trong bối cảnh biến đổi khí hậu đã tác động đáng kể đến tần suất và thời gian xảy ra lũ. Vì thế, quản lý rủi ro do lũ đóng vai trò quan trọng trong kiểm soát lũ toàn diện, đặc biệt trong bối cảnh phát triển đô thị hóa. Theo báo cáo SREX của IPCC (2012), rủi ro thiên tai được coi là các sản phẩm ngẫu nhiên của hiểm họa và tiềm năng tổn thất của nó.

Do đó, trong cách tiếp cận này rủi ro được coi là sự kết hợp của 3 yếu tố: hiểm hỏa, mức độ phơi nhiễm và tính dễ bị tổn thương. Trong đó, hiểm họa (H) là khả năng xảy ra trong tương lai của các hiện tượng tự nhiên hoặc do con người gây ra, có tác động bất lợi đến các đối tượng dễ bị tổn thương và nằm trong phạm vi ảnh hưởng của hiểm họa đó (Kron 2005, Allen, Cardona et al. 2012, Pearson and Pelling 2015). Nó cũng phụ thuộc vào tính nhạy cảm với thiên tai của khu vực, khả năng xuất hiện của nó (Pham, Luu et al.

Ngược lại, mức độ phơi nhiễm có thể được định nghĩa là sự hiện diện của con người, sinh kế, dịch vụ và tài nguyên, cơ sở hạ tầng hoặc tài sản kinh tế xã hội,… nằm trong các khu vực chịu ảnh hưởng bất lợi bởi các hiểm họa và vì thế sẽ bị tổn hại, mất mát, hư hỏng tiềm tàng trong tương lai (Allen, Cardona et al. 2012, Winsemius, Van Beek et al. Tính dễ bị tổn thương đề cập đến khuynh hướng của các yếu tố dễ bị tác động của hiểm họa như con người, cuộc sống của họ và tài sản bị ảnh hưởng bất lợi khi bị tác động bởi các hiểm họa. Cũng như hướng tiếp cận của IPCC, nhiều nghiên cứu xác định rủi ro lũ dựa vào 3 yếu tố: hiểm họa, mức độ phơi nhiễm và tính dễ bị tổn thương.

Budiyono, Aerts et al. (2015) đánh giá rủi ro lũ bằng cách kết hợp 3 yếu tố trên: R= H x E x V. Trong đó, H liên quan đến độ ngập sâu; E mô tả các yếu tố liên quan đến sử dụng đất; tính dễ bị tổn thương đại diện cho mức độ thiệt hại do lũ gây ra. Hadipour, Vafaie et al.

(2020) đã xác định rủi ro là hàm phân tích của 3 thành phần: H x E x V. Trong đó H đại diện cho các yếu tô: Thủy triều, triều cường, sóng; E đại diện cho mật độ dân số; V đại diện cho các yếu tố: tỷ lệ trẻ em, tỷ lệ người gia, tỷ lệ phụ nữ và tỷ lệ người khuyết tật. Koks, Jongman et al. (2015) đánh giá rủi ro lũ là hàm tích của 3 yếu tố trên.

Trong đó, H đại diện cho độ ngập sâu; độ phơi nhiễm đại diên cho mật độ xây dựng; tính dễ bị tổn thương là sự kết hợp của mức độ thu nhập, độ tuổi và dân tộc. Zeleňáková, Gaňová et al. (2015) đánh giá rủi ro lũ lụt tại lưu vực sông Bodva, Slovakia là sự kết hợp của hiểm họa lũ lụt và khả năng khắc phục hậu quả. Mức độ nguy hiểm là quy mô lũ và nó được xác định trên cơ sở một chỉ số: độ dốc, diện tích đất canh tác.Tính dễ bị tổn thương được xác định dựa trên hai tiêu chí, đó là: loại công 2 trình xây dựng và mật độ khu vực xây dựng.

Muis, Güneralp et al. (2015) đã đánh giá rủi ro lũ lụt tại Indonesia bằng kết hợp 3 chỉ số gồm hiểm họa lũ lụt, mức độ phơi nhiễm và tính dễ bị tổn thương. Trong đó, hiểm họa lũ lụt dựa vào kịch bản biến đổi khí hậu; mức độ phơi nhiễm là sự kết hợp giữa chỉ số tăng trưởng kinh tế và kịch bản biến đổi sử dụng đất; tính dễ bị tổn thương được tính toán dựa trên hàm thiệt hại từ 12 loại hình sử dụng đất khác nhau (nông nghiệp, đất giáo dục, khu công nghiệp. Kết quả cho thấy rằng việc mở rộng đô thị là nguyên nhân chính dẫn đến rủi ro lũ lụt gia tăng trong tương lai, nên việc thực hiện các biện pháp thích ứng ngày càng cấp thiết.

Jhong, Tachikawa et al. (2020) cũng xác định rủi ro là sự kết hợp của ba thành phần: R= H x E x V, trong đó tính dễ bị tổn thương bao gồm đặc điểm bên trong của người dân như độ tuổi, tỷ lệ nghèo, tỷ lệ người khuyết tật, và khả năng chống chịu của người dân; E mô tả các yếu tố liên quan đến mật độ dân số và hiểm họa (H) liên quan đến cường độ, vị trí xảy ra sự kiện lũ. Kết quả cho thấy rằng chính phủ nên quan tâm đến việc giảm dân số ở các vùng dễ bị lũ lụt và áp dụng các chiến lược thích ứng đa dạng để giảm hiểm họa lũ lụt cho người dân. Một số nghiên cứu đã chỉ ra rằng gia tăng mức độ phơi nhiễm là nguyên nhân chính dẫn đến gia tăng rủi ro lũ (Visser, Petersen et al.

Trong những thập kỷ tới, rủi ro lũ được dự báo sẽ tiếp tục gia tăng do phát triển kinh tế xã hội và biến đổi khí hậu (Visser, Petersen et al. 2014, Muis, Güneralp et al. Theo ước tính của Ngân hàng quốc tế, khoảng 40% (195.000 km2) diện tích đất đô thị được dự báo sẽ nằm trong các khu vực có hiểm họa lũ cao vào năm 2030, so với 30% trong năm 2000 (Güneralp, Güneralp et al. Theo IPCC (2013), mực nước biển toàn cầu có khả năng tăng từ 0,26 m đến 0,82 m vào năm 2100 so với năm 1986 –2005, dẫn đến lũ càng nghiêm trọng hơn, đặc biệt tại các khu vực đô thị.

Thiệt hại liên quan đến lũ ngày càng tăng đòi hỏi các chiến lược giảm thiểu rủi ro hiệu quả và chính xác (Barredo and Engelen 2010). Với sự phát triển của khoa học kỹ thuật, thế giới đã có nhiều thay đổi trong cách tiếp cận để giảm thiểu những tác động của lũ. Phương pháp kiểm soát lũ truyền thống, tức là kiểm soát hiểm họa lũ thông qua các biện pháp phòng vệ công trình như đê, kè, etc. đã dần dần nhường chỗ cho các mô hình quản lý rủi ro lũ toàn diện hơn (Meyer, Haase et al.

Nền tảng của quản lý rủi ro lũ là kiến thức đầy đủ về xác suất và hậu quả tiềm ẩn của các sự kiện lũ, dựa trên các nghiên cứu đánh giá rủi ro tính đến hiểm họa lũ lụt (nghĩa là phạm vi không gian, các thông tin về độ sâu mực nước và xác suất xảy ra), vị trí địa lý và đặc điểm của các yếu tố tiếp xúc (Falter, Dung et al. 2016, Figueiredo, Romão et al. 2020), cũng như sự thay đổi về điều kiện môi trường, các điều kiện kinh tế xã hội, mối quan hệ tương hỗ của chúng. Một số nghiên cứu trước đây đã tích hợp hiểm họa lũ lụt với điều kiện về kinh tế xã hội bằng cách sử dụng các phương pháp khác nhau như mô hình thủy văn, thủy lực (Farooq, Shafique et al.

2019, Jacob, Bisht et al. 2020, Zhang, Zhang et al. 2020); GIS và Viễn thám (Isma'il and Saanyol 2013, Wang and Xie 2018). Ngày nay, các phương pháp Học máy (ML) đang được sử dụng để đánh giá tính nhạy cảm và hiểm họa của lũ.

Các phương pháp này bao gồm Artificial Neural Networks (ANN) (Khoirunisa, Ku et al. 2021), Random Forest (RF) (Chen, Li et al. 2020), Support Vector Machine (SVM) (Tehrany, Pradhan et al. 2014), Neural-Fuzzy (NF) (Hong, Panahi et al.

2018), Logistic Regression (LR) (Al-Juaidi, Nassar et al. 2018), Adaptive neuro Fuzzy Inference Systems (ANFIS) (Termeh, 3 Kornejady et al. 2018), Naïve Bayes (NB) (Chen, Li et al. 2020), Decision Trees (DT) (Wang, Wang et al.

Gần đây hơn, học sâu đã được sử dụng để cải thiện hiệu suất của các mô hình dự báo trong nhiều lĩnh vực, bao gồm cả các hiểm họa tự nhiên. Trong khi đó, một số nghiên cứu cũng đã sử dụng quy trình phân tích thứ bậc (AHP) để phân tích mức độ phơi nhiễm và tính dễ bị tổn thương. Balica, Wright et al. (2012) đã xây dựng chỉ số dễ bị tổn thương do lũ lụt tại các thành phố ven biển dựa trên mức độ phơi nhiễm (như cơ sở hạ tầng, hàng hóa, di sản văn hóa, lĩnh vực nông nghiệp và con người), tính nhạy cảm và khả năng chống chịu của cộng đồng dân cư.

Từ nghiên cứu tổng quan có thể thấy phần lớn các nghiên cứu trước đây khi xem xét đánh giá rủi ro lũ tập trung chủ yếu vào các thông số thủy lực/thủy văn như lưu lượng, mực nước hoặc mức độ ngập lụt, các yếu tố liên quan đến quá trình phát triển xã hội thường được bỏ quên và mặc nhiên giả định là hằng số.