Tổng quan nghiên cứu

Xâm nhập mặn (XNM) là một trong những thách thức nghiêm trọng đối với Đồng bằng sông Cửu Long (ĐBSCL), đặc biệt tại tỉnh Sóc Trăng – vùng cửa ngõ cuối nguồn sông Hậu. Theo số liệu quan trắc, độ mặn cao nhất tại trạm đo mặn Đại Ngãi có thể lên tới 11,3 g/l trong các đợt xâm nhập mặn gay gắt, với phạm vi xâm nhập sâu vào nội đồng khoảng 40-55 km, tăng 10-15 km so với các năm trước. Hiện tượng này ảnh hưởng trực tiếp đến đời sống sinh hoạt và sản xuất nông nghiệp của hàng chục nghìn hộ dân, gây thiệt hại lớn về kinh tế và xã hội.

Luận văn tập trung xây dựng mô hình máy học phục vụ dự báo xâm nhập mặn tại trạm đo mặn Đại Ngãi, tỉnh Sóc Trăng, nhằm nâng cao độ chính xác và hiệu quả dự báo trong thời gian ngắn hạn (3-7 ngày). Phạm vi nghiên cứu bao gồm dữ liệu quan trắc độ mặn, thủy văn, khí tượng từ năm 2012 đến 2020, kết hợp với các yếu tố tự nhiên và xã hội đặc thù của tỉnh Sóc Trăng. Mục tiêu chính là phát triển mô hình dự báo dựa trên thuật toán máy học hiện đại như Random Forest (RF), Long Short-Term Memory (LSTM) và Bidirectional LSTM (BiLSTM), nhằm hỗ trợ công tác phòng chống và ứng phó kịp thời với xâm nhập mặn.

Nghiên cứu có ý nghĩa quan trọng trong bối cảnh biến đổi khí hậu và nước biển dâng ngày càng gia tăng, làm trầm trọng thêm tình trạng xâm nhập mặn tại ĐBSCL. Việc ứng dụng mô hình máy học giúp giảm thiểu chi phí, thời gian hiệu chỉnh so với các mô hình vật lý truyền thống, đồng thời nâng cao khả năng dự báo chính xác, góp phần bảo vệ nguồn nước ngọt và phát triển bền vững kinh tế - xã hội địa phương.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng lý thuyết của các mô hình máy học (Machine Learning - ML) và dự báo chuỗi thời gian (time series forecasting). Hai lý thuyết chính được áp dụng gồm:

  1. Lý thuyết học có giám sát (Supervised Learning): Thuật toán học từ dữ liệu đầu vào có nhãn (input-output pairs) để xây dựng hàm số dự báo. Trong nghiên cứu, các thuật toán hồi quy được sử dụng để dự báo giá trị độ mặn theo thời gian.

  2. Mô hình mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) và các biến thể:

    • Long Short-Term Memory (LSTM): Giải quyết vấn đề mất mát thông tin dài hạn trong chuỗi thời gian bằng cơ chế bộ nhớ (cell state) và các cổng điều khiển thông tin.
    • Bidirectional LSTM (BiLSTM): Mở rộng LSTM bằng cách xử lý chuỗi dữ liệu theo cả hai chiều thời gian, giúp mô hình nắm bắt tốt hơn các mối quan hệ phức tạp trong dữ liệu.

Các khái niệm chuyên ngành quan trọng bao gồm: độ mặn cao nhất, thời gian xuất hiện độ mặn cao nhất, phạm vi ảnh hưởng độ mặn ≥ 4‰, biến đổi khí hậu (BĐKH), nước biển dâng, và các chỉ số đánh giá mô hình như RMSE (Root Mean Square Error), NSE (Nash–Sutcliffe Efficiency).

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là bộ số liệu quan trắc độ mặn, mực nước, khí tượng thủy văn tại trạm Đại Ngãi, tỉnh Sóc Trăng, giai đoạn 2012-2020. Dữ liệu được xử lý bao gồm biến đổi logarit hóa và loại bỏ nhiễu bằng phép biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT).

Phương pháp phân tích gồm:

  • Xử lý dữ liệu: Chuẩn hóa, biến đổi và phân tách dữ liệu thành tập huấn luyện và kiểm tra.
  • Xây dựng mô hình:
    • Mô hình Random Forest (RF) với siêu tham số được tối ưu hóa.
    • Mô hình LSTM và BiLSTM được xây dựng trên nền tảng TensorFlow và Keras, với cấu trúc mạng gồm các lớp ẩn và cổng điều khiển bộ nhớ.
  • Đánh giá mô hình: Sử dụng các chỉ số RMSE, MAE (Mean Absolute Error), và NSE để so sánh hiệu quả dự báo của từng mô hình trên các khoảng thời gian dự báo 3, 5 và 7 ngày.

Cỡ mẫu dữ liệu khoảng 3.000 mẫu quan trắc, được chọn ngẫu nhiên theo phương pháp phân chia thời gian để đảm bảo tính đại diện và tránh hiện tượng rò rỉ dữ liệu. Thời gian nghiên cứu kéo dài từ năm 2019 đến 2022, bao gồm giai đoạn thu thập, xử lý dữ liệu, xây dựng và đánh giá mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả dự báo của mô hình BiLSTM vượt trội:
    Mô hình BiLSTM đạt RMSE trung bình khoảng 0,15 g/l và NSE trên 0,85 trong giai đoạn kiểm tra, cao hơn so với RF (RMSE ~0,25 g/l, NSE ~0,70) và LSTM (RMSE ~0,18 g/l, NSE ~0,80). Điều này chứng tỏ khả năng nắm bắt mối quan hệ phức tạp và thông tin theo cả hai chiều thời gian của BiLSTM giúp cải thiện độ chính xác dự báo.

  2. Dự báo ngắn hạn 3 ngày có độ chính xác cao nhất:
    Các mô hình đều cho kết quả tốt nhất ở khoảng thời gian dự báo 3 ngày với sai số trung bình thấp hơn 10% so với dự báo 7 ngày. Sai số tăng dần khi thời gian dự báo kéo dài, phản ánh tính phi tuyến và biến động mạnh của độ mặn theo mùa và điều kiện khí tượng.

  3. Ảnh hưởng của biến đổi khí hậu và nước biển dâng:
    Dữ liệu phân tích cho thấy độ mặn cao nhất thường xuất hiện vào tháng 4 hàng năm, chiếm khoảng 50% các đỉnh mặn trong năm, trùng với thời kỳ gió chướng hoạt động mạnh và lưu lượng nước thượng nguồn thấp nhất. Mức độ xâm nhập mặn có xu hướng tăng theo các kịch bản biến đổi khí hậu với nước biển dâng 100 cm, làm tăng diện tích ngập mặn lên tới 55,41% diện tích tỉnh.

  4. Mô hình dự báo dựa trên dữ liệu quan trắc có ưu thế về tính linh hoạt và chi phí:
    So với các mô hình vật lý truyền thống như MIKE 11, mô hình máy học yêu cầu ít dữ liệu đầu vào hơn, dễ hiệu chỉnh và cho kết quả dự báo nhanh chóng, phù hợp với công tác cảnh báo sớm và quản lý tài nguyên nước tại địa phương.

Thảo luận kết quả

Kết quả nghiên cứu khẳng định tính ưu việt của các mô hình mạng nơ-ron hồi quy, đặc biệt là BiLSTM, trong việc dự báo xâm nhập mặn tại trạm Đại Ngãi. Việc mô hình BiLSTM xử lý thông tin theo cả hai chiều thời gian giúp nắm bắt tốt hơn các đặc trưng phi tuyến và phụ thuộc dài hạn trong chuỗi dữ liệu độ mặn. Các biểu đồ so sánh sai số dự báo giữa các mô hình cho thấy BiLSTM duy trì sai số thấp ổn định hơn trong các khoảng thời gian dự báo khác nhau.

So sánh với các nghiên cứu trước đây sử dụng mô hình MIKE 11 hoặc ARIMA, mô hình máy học không chỉ giảm thiểu yêu cầu về dữ liệu đầu vào phức tạp mà còn nâng cao độ chính xác dự báo trong thời đoạn ngắn, phù hợp với nhu cầu cảnh báo sớm và ứng phó kịp thời tại địa phương. Tuy nhiên, mô hình máy học cũng phụ thuộc vào chất lượng và độ dài của dữ liệu quan trắc, do đó cần duy trì hệ thống quan trắc liên tục và chính xác.

Ý nghĩa thực tiễn của nghiên cứu là cung cấp công cụ dự báo xâm nhập mặn hiệu quả, giúp các cơ quan quản lý và người dân chủ động trong việc điều chỉnh kế hoạch sản xuất, bảo vệ nguồn nước ngọt và giảm thiểu thiệt hại do xâm nhập mặn gây ra. Dữ liệu và kết quả có thể được trình bày qua các biểu đồ đường thể hiện biến động độ mặn thực tế và dự báo, bảng tổng hợp chỉ số đánh giá mô hình, giúp minh bạch và dễ dàng ứng dụng.

Đề xuất và khuyến nghị

  1. Triển khai ứng dụng mô hình BiLSTM trong hệ thống cảnh báo sớm xâm nhập mặn:
    Cơ quan quản lý thủy lợi và khí tượng thủy văn nên tích hợp mô hình BiLSTM vào hệ thống dự báo hiện tại, nhằm nâng cao độ chính xác và thời gian phản hồi dự báo trong vòng 3-7 ngày. Thời gian thực hiện đề xuất này là trong vòng 12 tháng tới.

  2. Tăng cường hệ thống quan trắc và thu thập dữ liệu liên tục:
    Để đảm bảo chất lượng dự báo, cần duy trì và mở rộng mạng lưới trạm quan trắc độ mặn, mực nước và khí tượng tại các vị trí trọng yếu trong tỉnh Sóc Trăng. Chủ thể thực hiện là Sở Tài nguyên và Môi trường phối hợp với Đài Khí tượng Thủy văn khu vực Nam Bộ, với kế hoạch nâng cấp trong 2 năm tới.

  3. Đào tạo và nâng cao năng lực cho cán bộ vận hành mô hình:
    Tổ chức các khóa đào tạo chuyên sâu về máy học và xử lý dữ liệu cho cán bộ kỹ thuật tại các cơ quan liên quan, nhằm đảm bảo vận hành, hiệu chỉnh và cập nhật mô hình kịp thời. Thời gian đào tạo dự kiến trong 6 tháng đầu năm tiếp theo.

  4. Phát triển phần mềm dự báo tích hợp giao diện thân thiện:
    Xây dựng phần mềm dự báo xâm nhập mặn dựa trên mô hình BiLSTM với giao diện trực quan, dễ sử dụng cho các cán bộ quản lý và người dân địa phương. Chủ thể thực hiện là các đơn vị công nghệ thông tin hợp tác với các viện nghiên cứu, hoàn thành trong vòng 18 tháng.

  5. Nghiên cứu mở rộng mô hình dự báo cho các khu vực lân cận:
    Áp dụng và điều chỉnh mô hình cho các trạm đo mặn khác trong ĐBSCL để xây dựng hệ thống dự báo toàn vùng, góp phần quản lý tài nguyên nước hiệu quả hơn. Kế hoạch thực hiện trong 3 năm tới.

Đối tượng nên tham khảo luận văn

  1. Cơ quan quản lý thủy lợi và tài nguyên nước:
    Sở Nông nghiệp và Phát triển Nông thôn, Sở Tài nguyên và Môi trường tỉnh Sóc Trăng và các tỉnh ĐBSCL có thể sử dụng kết quả để nâng cao hiệu quả công tác dự báo và phòng chống xâm nhập mặn, từ đó xây dựng các chính sách quản lý phù hợp.

  2. Các nhà nghiên cứu và học viên chuyên ngành thủy văn, khí tượng:
    Luận văn cung cấp cơ sở lý thuyết và phương pháp ứng dụng máy học trong dự báo thủy văn, đặc biệt là xâm nhập mặn, giúp mở rộng kiến thức và phát triển các nghiên cứu tiếp theo.

  3. Doanh nghiệp công nghệ và phát triển phần mềm:
    Các công ty phát triển giải pháp công nghệ có thể tham khảo để xây dựng các sản phẩm dự báo, cảnh báo sớm dựa trên mô hình máy học, phục vụ quản lý tài nguyên nước và ứng phó biến đổi khí hậu.

  4. Người dân và cộng đồng địa phương:
    Thông qua các ứng dụng dự báo được phát triển từ nghiên cứu, người dân có thể chủ động điều chỉnh kế hoạch sản xuất nông nghiệp, bảo vệ nguồn nước sinh hoạt, giảm thiểu thiệt hại do xâm nhập mặn gây ra.

Câu hỏi thường gặp

  1. Mô hình máy học có ưu điểm gì so với mô hình vật lý truyền thống trong dự báo xâm nhập mặn?
    Mô hình máy học yêu cầu ít dữ liệu đầu vào phức tạp, dễ hiệu chỉnh, tính toán nhanh và có khả năng xử lý dữ liệu phi tuyến, nhiễu tốt hơn. Ví dụ, mô hình BiLSTM cho độ chính xác cao hơn và thời gian dự báo ngắn hơn so với mô hình MIKE 11 truyền thống.

  2. Dữ liệu quan trắc nào là quan trọng nhất để xây dựng mô hình dự báo xâm nhập mặn?
    Dữ liệu độ mặn, mực nước sông, khí tượng (nhiệt độ, độ ẩm, gió), và thủy triều là các yếu tố quan trọng. Việc thu thập liên tục và chính xác các dữ liệu này giúp mô hình dự báo hiệu quả hơn.

  3. Thời gian dự báo ngắn hạn bao lâu là phù hợp để ứng dụng trong thực tế?
    Thời gian dự báo từ 3 đến 7 ngày được đánh giá là phù hợp, giúp các cơ quan và người dân có đủ thời gian chuẩn bị và ứng phó kịp thời với tình hình xâm nhập mặn.

  4. Mô hình BiLSTM hoạt động như thế nào trong dự báo chuỗi thời gian?
    BiLSTM xử lý dữ liệu theo cả hai chiều thời gian (quá khứ và tương lai), giúp nắm bắt các mối quan hệ phức tạp và thông tin dài hạn trong chuỗi dữ liệu, từ đó nâng cao độ chính xác dự báo.

  5. Làm thế nào để áp dụng kết quả nghiên cứu vào công tác quản lý tài nguyên nước tại địa phương?
    Kết quả mô hình dự báo có thể được tích hợp vào hệ thống cảnh báo sớm, hỗ trợ ra quyết định điều tiết nước, xây dựng kế hoạch sản xuất nông nghiệp và bảo vệ nguồn nước sinh hoạt, giảm thiểu thiệt hại do xâm nhập mặn.

Kết luận

  • Đã xây dựng thành công mô hình máy học BiLSTM phục vụ dự báo xâm nhập mặn tại trạm đo mặn Đại Ngãi, tỉnh Sóc Trăng với độ chính xác cao (RMSE ~0,15 g/l, NSE >0,85).
  • Mô hình BiLSTM vượt trội hơn so với các mô hình RF và LSTM truyền thống trong việc dự báo chuỗi thời gian độ mặn ngắn hạn (3-7 ngày).
  • Dữ liệu quan trắc liên tục và chất lượng là yếu tố then chốt đảm bảo hiệu quả dự báo và ứng dụng thực tiễn.
  • Nghiên cứu góp phần nâng cao năng lực dự báo xâm nhập mặn, hỗ trợ công tác phòng chống thiên tai và quản lý tài nguyên nước tại ĐBSCL trong bối cảnh biến đổi khí hậu.
  • Đề xuất triển khai ứng dụng mô hình trong hệ thống cảnh báo sớm, đồng thời mở rộng nghiên cứu cho các khu vực lân cận nhằm phát triển hệ thống dự báo toàn vùng.

Tiếp theo, cần tập trung hoàn thiện phần mềm dự báo tích hợp, đào tạo cán bộ vận hành và mở rộng mạng lưới quan trắc để nâng cao hiệu quả ứng dụng mô hình trong thực tế. Các cơ quan quản lý và nhà nghiên cứu được khuyến khích phối hợp triển khai các giải pháp này nhằm bảo vệ nguồn nước và phát triển bền vững vùng ĐBSCL.