Tổng quan về luận án

Nghiên cứu của tác giả Đoàn Thị Nam Phương (2023) với đề tài "Lựa chọn mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và hệ thông tin địa lý" thuộc ngành Kỹ thuật Trắc địa – Bản đồ (mã số: 9520503) tại Trường Đại học Mỏ - Địa chất, dưới sự hướng dẫn của GS.TS. Bùi Tiến Diệu và PGS.TS. Nguyễn Văn Trung, đại diện cho một bước đột phá trong ứng dụng công nghệ địa tin học (Geoinformatics) vào quản lý thảm họa môi trường tại Việt Nam.

                      +------------------------------------------+
                      |   KHUNG PHÂN TÍCH KHÔNG GIAN ĐA TẦNG      |
                      +------------------------------------------+
                                           |
         +---------------------------------+---------------------------------+
         |                                 |                                 |
+------------------+             +-------------------+             +------------------+
| DỮ LIỆU ĐỊA HÌNH |             | QUANG HỌC & NHIỆT |             | DỮ LIỆU KHÍ HẬU  |
| - DEM SRTM 30m   |             | - Sentinel-2 MSI  |             | - WorldClim      |
| - Độ dốc, Hướng  |             | - Landsat 8 LST   |             | - CHIRPS         |
| - Độ cao         |             | - MODIS ET        |             | - Trạm mặt đất   |
+------------------+             +-------------------+             +------------------+
         |                                 |                                 |
         +---------------------------------+---------------------------------+
                                           |
                                           v
                      +------------------------------------------+
                      |  NỀN TẢNG CLOUD GOOGLE EARTH ENGINE     |
                      |  (Xử lý song song & Chuẩn hóa 9 lớp CSDL)|
                      +------------------------------------------+
                                           |
         +---------------------------------+---------------------------------+
         |                                                                   |
+------------------+                                               +------------------+
|  MÔ HÌNH ĐA TIÊU |                                               | MÔ HÌNH HỌC MÁY  |
|  CHÍ TRUYỀN THỐNG|                                               | PHI TUYẾN TÍNH   |
|  - AHP (Saaty)   |                                               | - Random Forest  |
+------------------+                                               | - SVM (RBF)      |
         |                                                         | - CART           |
         |                                                         +------------------+
         |                                                                   |
         +---------------------------------+---------------------------------+
                                           |
                                           v
                      +------------------------------------------+
                      | ĐÁNH GIÁ ĐỘ CHÍNH XÁC & TỐI ƯU HÓA (ROC) |
                      | Random Forest đạt AUC vượt trội          |
                      +------------------------------------------+

Bối cảnh khoa học của công trình bắt nguồn từ áp lực biến đổi khí hậu toàn cầu và sự suy giảm chất lượng rừng nhiệt đới. Tại Việt Nam, dù tỷ lệ che phủ rừng đạt 42,02% năm 2021, chất lượng rừng tự nhiên vẫn suy thoái nghiêm trọng do tác động nhân sinh và cháy rừng. Dẫn chứng từ số liệu Cục Lâm nghiệp trong luận án nêu rõ: "trong 10 năm của giai đoạn 2009 - 2018, cháy rừng đã thiêu hủy gần 22 nghìn ha rừng ở nước ta, gây thiệt hại lớn về kinh tế cho đất nước, trong đó cao điểm nhất là năm 2010 với khoảng 6.723 ha rừng đã bị lửa thiêu rụi".

Khoảng trống nghiên cứu (research gap) trọng tâm nằm ở chỗ: các phương pháp cảnh báo truyền thống tại Việt Nam phụ thuộc nặng nề vào các trạm khí tượng bề mặt phân bố thưa thớt, ngoại suy điểm thành diện với độ phân giải không gian thấp, không phản ánh được tính phi tuyến và dị thường nhiệt độ vi khí hậu trên địa hình đồi núi phức tạp.

Luận án giải quyết khoảng trống này thông qua hai câu hỏi nghiên cứu cốt lõi:

  1. Tổ hợp các lớp thông tin không gian nào từ viễn thám và GIS đại diện tối ưu nhất cho nguy cơ cháy rừng nhiệt đới gió mùa?
  2. Mô hình học máy phi tuyến nào mang lại độ chính xác dự báo vượt trội so với phương pháp phân tích thứ bậc đa tiêu chí (AHP)?

Tác giả thiết lập hai giả thuyết khoa học:

  • Giả thuyết H1: Hệ thống 09 lớp chỉ số không gian chiết xuất từ ảnh vệ tinh đa phổ và mô hình số độ cao (DEM) có khả năng giải thích đầy đủ sự phân hóa không gian của nguy cơ cháy rừng tại khu vực chuyển tiếp khí hậu.
  • Giả thuyết H2: Thuật toán Rừng ngẫu nhiên (Random Forest) với cơ chế học tập hợp (ensemble learning) sẽ đạt độ chính xác dự báo (ROC-AUC) vượt trội so với Máy hỗ trợ vector (SVM), Cây phân loại và hồi quy (CART) và Phương pháp phân tích thứ bậc (AHP).

Nghiên cứu lấy địa bàn thực nghiệm là khu vực phía Tây tỉnh Nghệ An – địa phương có diện tích rừng lớn nhất cả nước với hơn 1.741.000 ha và tỷ lệ che phủ đạt 58,41%. Nơi đây tập trung các huyện miền núi trọng điểm gồm Kỳ Sơn, Tương Dương, Quế Phong, Con Cuông, Quỳ Châu, Quỳ Hợp, Tân Kỳ và Nghĩa Đàn, chịu ảnh hưởng khắc nghiệt của gió phơn Tây Nam với mùa cháy kéo dài tới 10 tháng/năm.

Literature Review và Positioning

Lịch sử nghiên cứu dự báo nguy cơ cháy rừng khởi nguồn từ các mô hình khí tượng thực nghiệm đầu thế kỷ XX. Công trình kinh điển của Nesterov (1949) tại Liên Xô cũ đã đặt nền móng cho việc xác định chỉ số khí tượng tổng hợp $P$ thông qua công thức tích số giữa nhiệt độ và độ hụt bão hòa không khí lúc 13h00:

$$P = \sum_{i=1}^{n} K \cdot T_{13^\circ} \cdot D_{13^\circ}$$

Trong đó $K$ là hệ số điều chỉnh lượng mưa ngày, $T_{13^\circ}$ là nhiệt độ thời điểm cao điểm và $D_{13^\circ}$ là độ chênh lệch bão hòa không khí. Mô hình Nesterov sau đó được Shetinsky (1994) chuẩn hóa thang bậc nguy hiểm từ cấp I ($P < 300$) đến cấp V ($P > 10000$). Tại Việt Nam, Bộ Nông nghiệp và Phát triển Nông thôn (2000) đã nội địa hóa bảng tra với cấp V đạt ngưỡng $P > 20000$. Tiếp đó, các học giả như Phạm Ngọc Hưng (1988, 2004), Võ Đình Tiến (1995), Vương Văn Quỳnh (2005), Trần Văn Hùng (2010), và Nguyễn Phương Văn (2019) đã liên tục hiệu chỉnh chỉ số $P$ và $P_t$ bằng cách bổ sung độ ẩm vật liệu cháy, vận tốc gió và trạng thái lâm phần.

Tuy nhiên, cuộc tranh luận học thuật nảy sinh giữa hai trường phái:

  • Trường phái khí tượng cổ điển: Cho rằng cháy rừng hoàn toàn bị chi phối bởi độ khô hạn khí quyển và lượng mưa tích lũy trạm mặt đất.
  • Trường phái sinh thái cảnh quan và địa không gian: Khẳng định nguy cơ cháy là kết quả tương tác không gian phức tạp giữa nhiệt độ bề mặt thực tế (LST), chỉ số thực vật, độ bốc thoát hơi nước, địa hình chia cắt và áp lực nhân sinh.

Trên bình diện quốc tế, Hệ thống Thông tin Cháy rừng Châu Âu (EFFIS) ra đời năm 2000 đã tích hợp dữ liệu vệ tinh MODIS, VIIRS, Sentinel-2 để giám sát xuyên biên giới. Tại Bắc Mỹ, Wimberly và cộng sự (2008) tại dãy Appalachians (Hoa Kỳ) đã chứng minh vai trò của chỉ số cháy $dNBR$ từ ảnh Landsat trong việc định lượng mức độ tổn thương thảm phủ. Tại Canada, Chowdhury và cộng sự (2013) sử dụng ảnh MODIS kết hợp chỉ số hạn đa phổ NMDI, độ ẩm thực vật nhiệt độ TVWI và nhiệt độ bề mặt LST tại Alberta, phân loại chính xác 91,63% các điểm cháy thực tế vào cấp nguy cơ rất cao. Nghiên cứu của Iban và Sekertekin (2022) tại Thổ Nhĩ Kỳ so sánh 7 thuật toán học máy (LR, SVM, LDA, RF, GB, XGB, AB) và xác nhận Random Forest đạt hiệu năng tối ưu nhất.

Luận án của Đoàn Thị Nam Phương định vị chính xác tại điểm giao thoa giữa viễn thám hiện đại và trí tuệ nhân tạo. Bằng việc chuyển dịch từ phân tích ảnh cục bộ trên phần mềm đóng gói (như ENVI/IDL trong nghiên cứu của Doãn Hà Phong, 2007) sang khai thác kiến trúc điện toán đám mây Google Earth Engine (GEE), luận án giải quyết triệt để rào cản về dung lượng tính toán và độ trễ thời gian trong xử lý dữ liệu địa không gian quy mô lớn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào Lý thuyết Sinh thái cảnh quan (Landscape Ecology Theory) và Lý thuyết Tai biến tự nhiên (Natural Hazard Theory) bằng cách mở rộng các mô hình tương quan tĩnh sang mô hình xác suất không gian động. Nghiên cứu chứng minh rằng cháy rừng trong điều kiện nhiệt đới gió mùa chịu sự kiểm soát đồng thời của ba nhóm động lực: Động lực lý - sinh học thảm phủ, Động lực nhiệt - ẩm khí quyển vi mô và Động lực nhân sinh - địa mạo.

Khung lý thuyết của luận án xác lập mối quan hệ hàm số xác suất:

$$\text{Fire Risk Index (FRI)} = f(\text{Topography}, \text{Biophysical}, \text{Atmospheric}, \text{Anthropogenic})$$

Mô hình phá vỡ giả định tuyến tính truyền thống trong đánh giá đa tiêu chí AHP bằng việc tích hợp các cấu trúc cây quyết định tập hợp (Random Forest), chứng minh rằng tương tác giữa nhiệt độ bề mặt đất ($LST$) và hướng phơi sườn dốc ($Aspect$) tạo ra các hiệu ứng cộng hưởng nhiệt phi tuyến mà các hàm số trọng số tĩnh không thể mô tả được.

Khung phân tích độc đáo

Khung phân tích của nghiên cứu tích hợp liên ngành giữa Vật lý viễn thám (Remote Sensing Physics), Hệ thông tin địa lý (GIScience) và Trí tuệ nhân tạo (AI):

+-----------------------------------------------------------------------------------+
|                        KHUNG PHÂN TÍCH 09 LỚP BIẾN SỐ KHÔNG GIAN                  |
+-----------------------------------------------------------------------------------+
| 1. Nhóm Địa mạo - Địa hình (SRTM DEM 30m):                                       |
|    - Độ cao (Elevation): Phân hóa vành đai khí hậu và nhiệt độ                    |
|    - Độ dốc (Slope): Ảnh hưởng tốc độ truyền lửa và suy giảm ẩm đất               |
|    - Hướng sườn (Aspect): Chi phối bức xạ mặt trời nhận được                      |
+-----------------------------------------------------------------------------------+
| 2. Nhóm Lý - Sinh & Khí quyển (Landsat 8 TIRS, Sentinel-2 MSI, MODIS, WorldClim): |
|    - Nhiệt độ bề mặt (LST): Chiết xuất từ kênh hồng ngoại nhiệt Band 10           |
|    - Chỉ số thực vật (NDVI): Đo lường sinh khối và độ tươi xanh của tán rừng      |
|    - Độ bốc thoát hơi nước (ET): Đo lường mức độ thâm hụt ẩm hệ sinh thái         |
|    - Lượng mưa trung bình tháng: Phản ánh nền ẩm khí hậu                          |
|    - Tốc độ gió trung bình: Động lực cung cấp oxy và lan tràn lửa                 |
+-----------------------------------------------------------------------------------+
| 3. Nhóm Nhân sinh (WorldPop Database & GIS Spatial Analysis):                    |
|    - Mật độ dân cư: Đại diện cho nguồn phát sinh tia lửa từ sinh hoạt/canh tác    |
+-----------------------------------------------------------------------------------+

Điều kiện biên (boundary conditions) của khung phân tích được xác lập nghiêm ngặt: Áp dụng tối ưu cho các khu vực đồi núi nhiệt đới có mùa khô phân hóa sâu sắc, độ dốc phân cắt mạnh và có hoạt động canh tác nương rẫy giáp ranh đất rừng tự nhiên.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án vận hành theo hệ hình thực chứng hậu hiện đại (post-positivism), kết hợp định lượng không gian đa biến và khai phá dữ liệu học máy. Thiết kế đa tầng tích hợp các nguồn dữ liệu vệ tinh đa độ phân giải không gian và thời gian:

+------------------+-----------------------+---------------------+----------------------+
| Nguồn dữ liệu    | Cảm biến / Vệ tinh    | Độ phân giải K.gian | Vai trò trong CSDL   |
+------------------+-----------------------+---------------------+----------------------+
| Ảnh quang học    | Sentinel-2 MSI (ESA)  | 10m - 20m           | Tính toán NDVI       |
| Hồng ngoại nhiệt | Landsat 8 OLI/TIRS    | 30m (TIRS 100m res) | Tính toán LST        |
| Thoát hơi nước   | MODIS (Terra/Aqua)    | 500m                | Chiết xuất ẩm thảm   |
| Mô hình độ cao   | SRTM DEM (NASA/USGS)  | 30m                 | Độ cao, dốc, hướng   |
| Khí hậu toàn cầu | WorldClim / CHIRPS    | ~1000m              | Tốc độ gió, lượng mưa|
| Dân số không gian| WorldPop              | 100m                | Mật độ dân cư        |
+------------------+-----------------------+---------------------+----------------------+

Quy trình nghiên cứu thực nghiệm

                             TIỀN XỬ LÝ TRÊN GOOGLE EARTH ENGINE
               (Hiệu chỉnh khí quyển, Lọc mây QA Band, Mosaic, Cắt theo ranh giới)
                                              |
                                              v
                             CHIẾT TÁCH 09 LỚP THÔNG TIN CHUYÊN ĐỀ
          (LST Landsat 8, NDVI Sentinel-2, DEM SRTM -> Slope/Aspect, MODIS ET, WorldPop)
                                              |
                                              v
                              THIẾT LẬP TẬP MẪU HUẤN LUYỆN & KIỂM ĐỊNH
                   - Điểm cháy lịch sử (FireWatch Cục Kiểm lâm & MODIS/VIIRS Active Fire)
                   - Điểm không cháy (Random Non-fire Sampling) tỷ lệ 70:30
                                              |
                                              v
                      +-----------------------+-----------------------+
                      |                                               |
                      v                                               v
        MÔ PHỎNG ĐA TIÊU CHÍ (AHP)                         HUẤN LUYỆN THUẬT TOÁN HỌC MÁY
   - Xây dựng ma trận so sánh cặp $9 \times 9$         - Random Forest ($ntree = 3, 100, 200$)
   - Kiểm định tỷ số nhất quán $CR < 0.10$             - Support Vector Machine ($C = 25, 30$)
   - Chuẩn hóa thang điểm Saaty (1-9)                  - CART Decision Tree ($maxNodes = 5, 30$)
                      |                                               |
                      +-----------------------+-----------------------+
                                              |
                                              v
                                   KIỂM ĐỊNH ĐỘ CHÍNH XÁC
                     - Vẽ đường cong đặc tính máy thu (ROC Curve)
                     - Tính diện tích dưới đường cong (AUC)
                     - Xuất bản đồ phân vùng 5 cấp nguy cơ (I -> V)

Quy trình chuẩn hóa ma trận so sánh cặp AHP tuân thủ định lý Saaty:

$$\lambda_{\max} = \frac{1}{n} \sum_{i=1}^{n} \frac{(A \cdot w)i}{w_i}, \quad CI = \frac{\lambda{\max} - n}{n - 1}, \quad CR = \frac{CI}{RI} < 0.10$$

Trong đó $RI$ tra cứu theo kích thước ma trận bậc 9 ($RI = 1.45$).

Tham số hóa các thuật toán học máy

  • Random Forest (RF): Thuật toán xây dựng một rừng các cây quyết định bằng kỹ thuật Bootstrap Aggregating (Bagging). Nghiên cứu khảo sát hiệu năng tại các mức siêu tham số $ntree = 3$, $ntree = 100$, và $ntree = 200$. Việc phân nhánh tại mỗi nút dựa trên chỉ số suy giảm Gini (Gini Impurity Decrease).
  • Support Vector Machine (SVM): Sử dụng hàm nhân phi tuyến Radial Basis Function (RBF kernel). Tối ưu hóa siêu tham số phạt biên (Penalty parameter) tại các mức $C = 25$ và $C = 30$ nhằm cân bằng giữa cực tiểu sai số huấn luyện và độ rộng dải phân cách (margin).
  • Classification and Regression Trees (CART): Cấu trúc phân nhánh nhị phân với việc kiểm soát độ sâu thông qua thông số số nút tối đa ($maxNodes = 5$ và $maxNodes = 30$) nhằm ngăn chặn hiện tượng quá khớp (overfitting).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt trội của Random Forest: Phân tích đường cong ROC xác nhận mô hình Random Forest ở cấu hình tối ưu ($ntree = 100$ đến $200$) đạt giá trị AUC cao nhất, vượt trội rõ rệt so với SVM, CART và phương pháp bán định lượng AHP. Mô hình AHP bộc lộ hạn chế lớn khi phụ thuộc vào tính chủ quan của chuyên gia trong việc gán trọng số ma trận cặp.
       ĐƯỜNG CONG ĐẶC TÍNH MÁY THU (ROC) VÀ HIỆU NĂNG MÔ HÌNH (AUC)
  1.0 +-------------------------------------------------------+/ (RF: Tối ưu nhất)
      |                                                   ..-*
      |                                              ..---   |
  0.8 |                                         ..--*        |  -- Random Forest (RF)
      |                                    ..--*   :         |  -- SVM (C=30)
  0.6 |                               ..--*        :         |  -- CART (maxNodes=30)
      |                          ..--*             :         |  -- AHP
  0.4 |                     ..--*                  :         |
      |                ..--*                       :         |
  0.2 |           ..--*                            :         |
      |      ..-*                                  :         |
  0.0 +------------------------------------------------------+--+
      0.0        0.2         0.4         0.6         0.8        1.0
                 Tỷ lệ Dương tính Giả (1 - Specificity)
  1. Vai trò hạt nhân của Nhiệt độ bề mặt (LST) và Địa hình: Lớp thông tin LST chiết xuất từ dải sóng hồng ngoại nhiệt Landsat 8 kết hợp với hướng sườn dốc (Aspect) hướng Tây và Tây Nam là hai biến số có quyền số đóng góp cao nhất vào nguy cơ bùng phát cháy. Các khu vực sườn đón gió phơn Tây Nam có tốc độ suy giảm sinh khối và ẩm độ vật liệu cháy nhanh gấp 2,4 lần so với các sườn khuất gió.
  2. Phân hóa không gian nguy cơ cháy cấp V (Cực kỳ nguy hiểm): Toàn bộ các dải rừng tự nhiên nghèo và rừng trồng sản xuất thuộc ba huyện Kỳ Sơn, Tương Dương và Quế Phong bị xếp vào vùng nguy cơ cấp IV (Nguy hiểm) và cấp V (Cực kỳ nguy hiểm) liên tục từ tháng 3 đến tháng 8 hàng năm, giải thích hoàn toàn thực tế thống kê lịch sử cháy rừng tại Nghệ An.
  3. Đột phá về tốc độ xử lý dữ liệu với Google Earth Engine: Tích hợp thuật toán học máy trực tiếp vào môi trường GEE Code Editor cho phép cắt giảm thời gian tiền xử lý ảnh viễn thám từ hàng tuần xuống còn vài giây, tạo nền tảng cho việc tự động hóa cập nhật bản đồ cảnh báo định kỳ.
+------------------------------------------------------------------------------------+
|                SO SÁNH ĐẶC TÍNH CÁC MÔ HÌNH DỰ BÁO TRONG NGHIÊN CỨU                 |
+-------------------+--------------------+--------------------+----------------------+
| Mô hình           | Độ phức tạp tính   | Khả năng kháng     | Khả năng mô hình hóa |
|                   | toán               | Overfitting        | quan hệ phi tuyến    |
+-------------------+--------------------+--------------------+----------------------+
| AHP (Saaty)       | Thấp               | Kém (chủ quan)     | Không (tuyến tính)   |
| CART (maxNodes=30)| Trung bình         | Trung bình         | Khá                  |
| SVM (C=30, RBF)   | Cao                | Cao                | Tốt                  |
| Random Forest     | Cao (GEE xử lý tốt)| Rất cao            | Xuất sắc             |
+-------------------+--------------------+--------------------+----------------------+

Implications đa chiều

  • Về mặt học thuật: Thiết lập một tiêu chuẩn phương pháp luận mới cho ngành Trắc địa - Bản đồ và Quản lý tài nguyên tại Việt Nam: chuyển dịch từ phân tích đơn biến sang mô hình hóa không gian đa tầng bằng trí tuệ nhân tạo.
  • Về mặt công nghệ: Chứng minh tính khả thi của việc xây dựng hệ thống WebGIS cảnh báo sớm theo thời gian thực dựa trên nền tảng điện toán đám mây mã nguồn mở.
  • Về mặt thực tiễn và chính sách: Cung cấp cho Chi cục Kiểm lâm tỉnh Nghệ An và Cục Kiểm lâm bộ công cụ phân vùng chính xác đến từng lô/khoảnh rừng, cho phép tối ưu hóa việc phân bổ trạm quan sát lửa rừng, hồ chứa nước dập lửa và lực lượng tuần tra cơ động trong những tháng cao điểm nắng nóng.

Limitations và Future Research

Nghiên cứu duy trì tính khách quan khoa học khi thẳng thắn chỉ ra 04 hạn chế kỹ thuật:

  1. Hiện tượng che phủ mây trong ảnh quang học: Trong các giai đoạn giao mùa, độ che phủ mây tại khu vực nhiệt đới làm gián đoạn chuỗi dữ liệu quang học Sentinel-2 và Landsat, buộc phải sử dụng ảnh tổng hợp trung bình tháng thay vì dữ liệu tức thời theo ngày.
  2. Sai số không gian do nội suy khí hậu: Dữ liệu khí tượng (gió, mưa) từ mạng lưới trạm mặt đất khi nội suy bằng Kriging/IDW trên địa hình đồi núi hiểm trở có thể tạo ra sai số cục bộ tại các thung lũng hẹp.
  3. Độ phân giải nhiệt giới hạn: Kênh nhiệt Landsat 8 TIRS có độ phân giải gốc 100m (được USGS nội suy về 30m) vẫn còn khá thô để phát hiện các biến đổi vi nhiệt độ dưới các tán rừng nguyên sinh khép tán dày.

Chương trình nghiên cứu tiếp theo (Future Research Agenda):

  • Tích hợp dữ liệu Radar khẩu độ tổng hợp (SAR) Sentinel-1 C-band nhằm xuyên mây và theo dõi độ ẩm đất mặt đất liên tục bất kể điều kiện thời tiết.
  • Kết nối cảm biến IoT mặt đất đo độ ẩm vật liệu cháy theo thời gian thực truyền về hệ thống GEE qua mạng LoRaWAN.
  • Ứng dụng các kiến trúc Học sâu không gian - thời gian (Spatio-Temporal Deep Learning như CNN-LSTM hoặc Graph Neural Networks) để dự báo đường lan tràn của đám cháy dưới tác động của trường gió động lực.

Tác động và ảnh hưởng

Luận án tạo ra tác động lan tỏa mạnh mẽ trên nhiều phương diện:

  • Học thuật: Định hình hướng nghiên cứu mũi nhọn trong việc kết hợp Trí tuệ nhân tạo và Công nghệ Địa không gian tại Việt Nam, đóng vai trò tài liệu tham khảo chuẩn mực cho các chương trình đào tạo sau đại học ngành Viễn thám, GIS và Lâm nghiệp.
  • Kinh tế - Xã hội: Giúp giảm thiểu thiệt hại tài nguyên rừng hàng nghìn tỷ đồng mỗi năm thông qua việc ngăn ngừa các vụ cháy quy mô lớn, bảo vệ đa dạng sinh học và sinh kế cho hơn 10% dân số sống phụ thuộc vào rừng tại khu vực miền núi Tây Nghệ An.
  • Chính sách & Quốc tế: Hỗ trợ đắc lực cho các cam kết quốc gia về giảm phát thải khí nhà kính (cháy rừng phát thải lượng lớn khí CO2 theo Kolari, 2008), phục vụ trực tiếp cho Đề án phát triển thị trường tín chỉ carbon và các chương trình REDD+ tại Việt Nam.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên: Tiếp cận một quy trình phương pháp luận chuẩn xác về tích hợp thuật toán học máy (RF, SVM, CART) trên nền tảng Google Earth Engine.
  • Lực lượng Kiểm lâm và Ban Quản lý Rừng phòng hộ/Đặc dụng: Nhận được bản đồ phân vùng nguy cơ cháy có độ chính xác cao, hỗ trợ chỉ huy tác chiến phòng cháy chữa cháy rừng (PCCCR) chuẩn xác.
  • Cơ quan Hoạch định Chính sách cấp Tỉnh/Bộ: Có cơ sở khoa học định lượng để phân bổ ngân sách đầu tư trang thiết bị PCCC và quy hoạch rừng phòng hộ đầu nguồn bền vững.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc tích hợp thành công mô hình bức xạ nhiệt viễn thám ($LST$) và các chỉ số sinh thái thảm phủ ($NDVI$, $ET$) vào khung lý thuyết đánh giá nguy cơ cháy rừng nhiệt đới gió mùa, chứng minh tính vượt trội của cấu trúc quan hệ phi tuyến học máy so với các mô hình khí tượng điểm cổ điển của Nesterov.

2. Điểm cải tiến phương pháp luận cốt lõi so với các nghiên cứu tiền nhiệm tại Việt Nam là gì? So với các nghiên cứu trước đây (như Doãn Hà Phong 2007 xử lý cục bộ trên ENVI/IDL), luận án đã tự động hóa toàn bộ chu trình trích xuất, tiền xử lý và chạy mô hình học máy trên nền tảng điện toán đám mây Google Earth Engine API, nâng độ phân giải không gian từ cấp trạm/huyện lên mức raster 30m toàn diện tích phía Tây Nghệ An.

3. Phát hiện bất ngờ nhất từ thực nghiệm dữ liệu là gì? Độ dốc và hướng sườn đón gió phơn Tây Nam có trọng số tác động cao hơn cả lượng mưa trung bình tháng trong việc kích hoạt nguy cơ cháy cấp V, do gió phơn tạo ra hiệu ứng sấy khô thảm thực bì chỉ trong vòng 48 đến 72 giờ.

4. Nghiên cứu có cung cấp giao thức tái lập (replication protocol) không? Có. Luận án mô tả chi tiết toàn bộ chuỗi thuật toán, cấu trúc mã lệnh API trên GEE, nguồn CSDL mở quốc tế (USGS, ESA, NASA, WorldPop) và các bộ tham số chuẩn hóa của ma trận AHP, RF ($ntree$), SVM ($C$), CART ($maxNodes$), đảm bảo khả năng tái lập hoàn toàn trên bất kỳ vùng địa lý nào khác.

5. Định hướng lộ trình nghiên cứu 10 năm tới là gì? Tiến tới xây dựng Hệ thống Bản sao số (Digital Twin) giám sát tài nguyên rừng Việt Nam theo thời gian thực, tích hợp AI đa phương thức (ảnh vệ tinh SAR, cảm biến IoT, camera nhiệt tầm xa và máy bay không người lái UAV).

Kết luận

Luận án tiến sĩ của tác giả Đoàn Thị Nam Phương là một công trình khoa học mẫu mực với 05 đóng góp cốt lõi:

  1. Xác lập thành công hệ thống 09 lớp thông tin không gian đặc trưng tối ưu cho dự báo nguy cơ cháy rừng nhiệt đới miền Trung Việt Nam.
  2. Xây dựng quy trình tự động hóa xử lý dữ liệu lớn địa không gian trên nền tảng điện toán đám mây Google Earth Engine.
  3. Chứng minh thực nghiệm thuật toán Rừng ngẫu nhiên (Random Forest) đạt hiệu năng dự báo (AUC) cao nhất trong các mô hình so sánh.
  4. Thành lập bản đồ phân vùng nguy cơ cháy rừng tỷ lệ chi tiết cho toàn bộ khu vực phía Tây tỉnh Nghệ An.
  5. Đóng góp công cụ thực tiễn trực tiếp hỗ trợ công tác quản lý, giám sát và cảnh báo sớm thảm họa cháy rừng, bảo tồn hệ sinh thái rừng bền vững.