Tổng quan về luận án

Quá trình đô thị hóa diễn ra với tốc độ vũ bão trên quy mô toàn cầu đang tái cấu trúc sâu sắc bề mặt cảnh quan, trong đó sự gia tăng nhanh chóng của bề mặt không thấm (impervious surface) nổi lên như một chỉ báo sinh thái cốt lõi phản ánh mức độ tác động của con người lên môi trường tự nhiên. Tại Việt Nam, Thành phố Hồ Chí Minh là đô thị loại đặc biệt và đầu tàu kinh tế nhưng đang phải đối mặt với áp lực hạ tầng gay gắt, hiện tượng đảo nhiệt đô thị (Urban Heat Island - UHI) và nguy cơ ngập lụt nghiêm trọng do suy giảm khả năng thấm tự nhiên. Luận án tiến sĩ kỹ thuật chuyên ngành Kỹ thuật Trắc địa - bản đồ (Mã số: 9520503) của nghiên cứu sinh Phạm Văn Tùng, thực hiện tại Trường Đại học Mỏ - Địa chất dưới sự hướng dẫn của PGS.TS Nguyễn Văn Trung và PGS.TS Vũ Xuân Cường, đã tiên phong giải quyết bài toán cấp bách này thông qua đề tài: "Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh".

Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án hướng tới là sự thiếu vắng các khung mô hình tích hợp có khả năng mô phỏng và dự báo động thái không gian - thời gian của bề mặt không thấm ở quy mô đô thị lớn tại Việt Nam. Phần lớn các công trình trong nước trước đây chỉ dừng lại ở việc giải đoán lớp phủ tĩnh hoặc đánh giá biến động định tính giữa các thời kỳ riêng lẻ. Luận án đã thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học tường minh:

  • Câu hỏi nghiên cứu 1 (Q1): Thuật toán học máy nào (Machine Learning) mang lại độ chính xác phân loại bề mặt không thấm tối ưu từ chuỗi dữ liệu ảnh vệ tinh Landsat đa thời gian trên nền tảng điện toán đám mây Google Earth Engine (GEE)?
  • Câu hỏi nghiên cứu 2 (Q2): Làm thế nào để tích hợp tối ưu mô hình toán học Tế bào tự động (Cellular Automata - CA) với mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và các nhân tố động lực không gian nhằm dự báo biến động bề mặt không thấm với độ tin cậy cao?
  • Giả thuyết 1 (H1): Sự kết hợp giữa các thuật toán phân loại phi tham số hiện đại (như Random Forest) và các chỉ số phổ chuyên đề trên nền tảng GEE sẽ khắc phục hiệu quả hiện tượng hỗn hợp phổ (spectral confusion) giữa đất trống đô thị và bề mặt xây dựng.
  • Giả thuyết 2 (H2): Mô hình lai ghép CA-ANN tích hợp dữ liệu viễn thám, các lớp nhân tố địa lý tự nhiên và kinh tế - xã hội có khả năng mô phỏng quy luật phi tuyến tính của quá trình mở rộng đô thị, cho hệ số tương quan không gian đạt trên 0,70 so với thực tế quan trắc.

Phạm vi nghiên cứu bao trùm toàn bộ không gian hành chính Thành phố Hồ Chí Minh với chuỗi dữ liệu ảnh vệ tinh Landsat đa thời gian giai đoạn 2010 - 2020 (Landsat 5 TM năm 2010, Landsat 8 OLI/TIRS các năm 2015 và 2020), từ đó xây dựng kịch bản dự báo phân bố bề mặt không thấm đến các mốc thời gian 2025 và 2030. Kết quả thực nghiệm đã lượng hóa chính xác xu thế dịch chuyển không gian và đạt hệ số tương quan không gian $r = 0,715$ khi kiểm định mô hình dự báo năm 2020, tạo cơ sở thực tiễn chuẩn xác phục vụ quy hoạch đô thị bền vững.

Literature Review và Positioning

Tổng quan y văn quốc tế ghi nhận sự tiến triển vượt bậc trong kỹ thuật chiết xuất và mô hình hóa bề mặt không thấm. Nền tảng phân tích cảnh quan đô thị hiện đại gắn liền với mô hình khái niệm V-I-S (Vegetation - Impervious Surface - Soil) do Ridd (1995) khởi xướng, xem bề mặt không thấm như một thành phần độc lập cấu thành sinh thái đô thị. Về mặt phân loại viễn thám, y văn thế giới chia thành các luồng quan điểm chính:

  1. Trường phái tiếp cận chỉ số phổ truyền thống: Bao gồm chỉ số đất xây dựng NDBI (Zha et al., 2003), chỉ số đô thị UI (Kawamura et al., 1996), chỉ số EBBI kết hợp kênh hồng ngoại nhiệt (As-Syakur et al., 2012), và các chỉ số cải tiến phân tách đất trống như MBI (Nguyen Trong Can et al., 2021), NDLI (Li et al., 2017), DBSI (Rasul et al., 2018). Mặc dù các chỉ số này đơn giản và dễ tính toán, song thường gặp hạn chế nghiêm trọng khi phân biệt ranh giới giữa bề mặt bê tông hóa và đất trống khô cằn trong các cấu trúc đô thị phức tạp.
  2. Trường phái tiếp cận học máy và trí tuệ nhân tạo: Các nghiên cứu của Colstoun et al. (2017) với bộ dữ liệu bề mặt không thấm toàn cầu GMIS (Global Man-made Impervious Surface), hay công trình của Gong et al. (2020) lập bản đồ bề mặt không thấm toàn cầu từ 1985 đến 2018 (ghi nhận quy mô toàn cầu đạt 797.076 $\text{km}^2$ vào năm 2018) đã chứng minh ưu thế tuyệt đối của các thuật toán phi tham số như Random Forest (RF) và Support Vector Machine (SVM) trên nền tảng dữ liệu lớn GEE.

Về mô hình hóa động thái không gian, các tranh luận học thuật tập trung vào khả năng biểu diễn tính phức hợp của đô thị giữa mô hình Hồi quy Logistic (Logistic Regression - LR) và Mạng nơ-ron nhân tạo (ANN) kết hợp Cellular Automata (CA). Các nghiên cứu quốc tế điển hình như mô phỏng mở rộng vùng thủ đô Delhi - Ấn Độ giai đoạn 1972 - 2014 của Sati và Mohan (2018) chỉ ra diện tích xây dựng tăng 17 lần khiến nhiệt độ bề mặt tăng 3 - 5°C; hay nghiên cứu vùng vịnh Quảng Đông - Hồng Kông - Ma Cao của Liu et al. (2020) cho thấy diện tích bề mặt không thấm tăng từ 1.939,338 $\text{km}^2$ năm 1987 lên 12.384,95 $\text{km}^2$ năm 2017 (tăng hơn 6 lần). Tại Việt Nam, nghiên cứu của Trịnh Lê Hùng và cộng sự (2020) tại Hà Nội ghi nhận hệ số tương quan chặt chẽ giữa bề mặt không thấm và nhiệt độ bề mặt ($r = 0,816$ năm 2019), trong khi Lê Văn Hạo và Lê Thị Pha Mi (2020) xác định tỷ lệ bề mặt không thấm tại TP. Hồ Chí Minh tăng từ 1,6% (1989) lên 19,2% (2019) với tốc độ trung bình 1.214 ha/năm.

Vị thế học thuật của luận án được xác lập rõ nét: Luận án không chỉ dừng lại ở việc áp dụng công nghệ đơn thuần mà đã thiết lập một khung phương pháp luận hoàn chỉnh từ khâu xử lý phân loại tự động tối ưu bằng Machine Learning trên GEE đến việc giải mã các mối tương quan phi tuyến giữa 7 lớp nhân tố động lực không gian bằng CA-ANN, giải quyết triệt để bài toán dự báo biến động không gian bề mặt không thấm tại một siêu đô thị nhiệt đới gió mùa có tốc độ chuyển dịch đất đai cực kỳ phức tạp.

Đóng góp lý thuyết và khung phân tích

+-----------------------------------------------------------------------------------+
|                            KHUNG PHÂN TÍCH TỔNG HỢP CA-ANN                        |
+-----------------------------------------------------------------------------------+
|  [Dữ liệu Viễn thám Landsat]           [Dữ liệu Không gian & KT-XH]               |
|  - Landsat 5 TM (2010)                 - Mật độ thực vật (NDVI) & Nhiệt độ (LST)  |
|  - Landsat 8 OLI/TIRS (2015, 2020)     - Độ cao địa hình (DEM 1:50.000)           |
|  - Chỉ số phổ: NDBI, NDVI, NDWI        - Khoảng cách giao thông, thủy hệ, ĐB      |
|                                        - Dữ liệu mật độ dân số 2021               |
+---------------------------+-----------------------------------+-------------------+
                            |                                   |
                            v                                   v
             +------------------------------+   +-------------------------------+
             | Phân loại học máy (GEE)      |   | Chuẩn hóa thang đo [0, 1]     |
             | - RF (Thuật toán tối ưu)     |   | Đánh giá tương quan Pearson   |
             | - So sánh: SVM, CART, ML     |   +---------------+---------------+
             +--------------+---------------+                   |
                            |                                   |
                            +-----------------+-----------------+
                                              |
                                              v
                            +-----------------------------------+
                            | Mô hình chuyển dịch CA-ANN        |
                            | (Module MOLUSCE - QGIS)           |
                            | - Huấn luyện xác suất ANN         |
                            | - Lan truyền không gian CA        |
                            +-----------------+-----------------+
                                              |
                                              v
                            +-----------------------------------+
                            | Dự báo & Đánh giá tin cậy         |
                            | - Kiểm định 2020 (r = 0,715)      |
                            | - Dự báo không gian 2025, 2030    |
                            | - So khớp Quy hoạch 2025 TP.HCM   |
                            +-----------------------------------+

Đóng góp cho lý thuyết

  1. Mở rộng lý thuyết cấu trúc đô thị V-I-S và sinh thái học cảnh quan: Luận án mở rộng mô hình V-I-S của Ridd (1995) thông qua việc lượng hóa động thái chuyển hóa tương hỗ giữa bề mặt thấm tự nhiên (rừng ngập mặn, đất nông nghiệp, mặt nước) và bề mặt không thấm nhân tạo dưới tác động của lực đẩy phát triển hạ tầng và gia tăng dân số.
  2. Làm sâu sắc lý thuyết Đảo nhiệt đô thị (Urban Heat Island - UHI): Luận án cung cấp bằng chứng thực nghiệm khẳng định bản chất truyền nhiệt và phát xạ hiển nhiệt của bề mặt không thấm trong môi trường nhiệt đới ẩm, chứng minh sự gia tăng bề mặt bê tông hóa là động lực trực tiếp làm thay đổi cân bằng năng lượng bức xạ bề mặt.
  3. Phát triển lý thuyết thủy văn đô thị: Luận án củng cố nguyên lý biến đổi dòng chảy mặt của Dennison et al. (2009) và Fernando (2018), chứng minh bằng số liệu không gian rằng việc chuyển đổi lớp phủ tự nhiên thành bề mặt không thấm làm tăng tỷ lệ dòng chảy mặt từ 10% lên đến 55%, trong khi lượng nước thấm sâu suy giảm nghiêm trọng từ 25% xuống chỉ còn 5%, trực tiếp dẫn tới hiện tượng ngập úng cực đoan.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành giữa ba trụ cột lý thuyết: Lý thuyết Tế bào tự động (Cellular Automata) mô tả quá trình lan truyền không gian cục bộ; Lý thuyết Mạng nơ-ron nhân tạo (ANN) nắm bắt các mối quan hệ động học phi tuyến tính; và Lý thuyết Phân tích không gian đa tiêu chí trong GIS.

Khung phân tích vận hành dựa trên việc chuẩn hóa toàn bộ 7 lớp nhân tố động lực về thang giá trị đồng nhất $[0, 1]$, bao gồm:

  • Mật độ che phủ thực vật (chiết xuất từ chỉ số NDVI);
  • Nhiệt độ bề mặt (LST chiết xuất từ kênh hồng ngoại nhiệt Landsat TIRS);
  • Độ cao địa hình (DEM xây dựng từ CSDL địa lý quốc gia tỷ lệ 1:50.000);
  • Khoảng cách đến trục giao thông đường bộ;
  • Khoảng cách đến mạng lưới thủy hệ;
  • Khoảng cách đến các công trình kiến trúc đặc biệt (trích xuất từ CSDL mở OpenData.vn);
  • Mật độ phân bố dân cư theo đơn vị hành chính cấp quận/huyện.

Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: Khung mô hình áp dụng tối ưu cho các đô thị đồng bằng châu thổ ven biển có tốc độ mở rộng không gian nhanh, địa hình tương đối bằng phẳng và chịu sự chi phối mạnh mẽ của mạng lưới giao thông và hệ thống sông ngòi tự nhiên.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan thực chứng (positivism), dựa trên phương pháp định lượng không gian chính xác cao. Thiết kế nghiên cứu bao gồm 3 cấp độ phân tích: cấp độ pixel ($30\text{m} \times 30\text{m}$), cấp độ vùng lân cận (Moore neighborhood trong mô hình CA), và cấp độ tổng thể toàn đô thị gồm 24 quận/huyện của TP. Hồ Chí Minh. Thiết kế kết hợp xử lý dữ liệu lớn (Big Spatial Data) trên nền tảng điện toán đám mây với các phân tích chuyên sâu cục bộ trên hệ thống GIS máy trạm.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thiết lập qua các giao thức nghiêm ngặt nhằm đảm bảo tính tái lập và độ tin cậy khoa học:

[Ảnh Landsat đa thời gian (2010, 2015, 2020)]
[Tiền xử lý quang sai, khí quyển & che mây trên GEE (Java API)]
[Phân loại thử nghiệm 4 thuật toán: RF, SVM, CART, MaxLikelihood]
[Đánh giá độ chính xác qua Ma trận sai số (Overall Accuracy & Kappa)]
[Lựa chọn phân loại tối ưu (Random Forest)]
[Chiết xuất & chuẩn hóa 7 lớp dữ liệu động lực [0, 1] + Phân tích tương quan Pearson]
[Huấn luyện mạng ANN & Thiết lập quy tắc chuyển đổi CA trên Module MOLUSCE (QGIS 2.18)]
[Mô phỏng kiểm định năm 2020 -> Đánh giá tương quan (r = 0,715)]
[Dự báo phân bố bề mặt không thấm 2025, 2030 & Đối chiếu Bản đồ Quy hoạch 2025]

Phương pháp tam giác đạc dữ liệu (data triangulation) được áp dụng toàn diện thông qua việc đối soát chéo giữa dữ liệu viễn thám Landsat, bản đồ hiện trạng sử dụng đất, mô hình số độ cao DEM 1:50.000, số liệu thống kê dân số chính thức năm 2021 và bản đồ quy hoạch sử dụng đất Thành phố Hồ Chí Minh tầm nhìn 2025.

Data và phân tích

Tập dữ liệu viễn thám gồm 03 cảnh ảnh Landsat chọn lọc tại các thời điểm ít mây nhất vào mùa khô: Landsat 5 TM ngày 11/02/2010, Landsat 8 OLI/TIRS ngày 09/02/2015 và Landsat 8 OLI/TIRS ngày 23/02/2020. Dữ liệu bổ trợ bao gồm CSDL nền địa lý quốc gia tỷ lệ 1:50.000 và các điểm công trình đặc biệt từ nguồn dữ liệu mở quốc gia.

Quá trình phân tích thực nghiệm so sánh độc lập 4 thuật toán phân loại giám sát:

  1. Thuật toán Xác suất cực đại (Maximum Likelihood Classification): Đại diện cho phương pháp thống kê tham số truyền thống.
  2. Cây phân loại và hồi quy (CART): Thuật toán cây quyết định đơn lẻ.
  3. Máy hỗ trợ vector (SVM): Thuật toán tối ưu hóa siêu phẳng phân cách phi tuyến tính.
  4. Rừng ngẫu nhiên (Random Forest - RF): Kỹ thuật tập hợp (ensemble learning) dựa trên hàng trăm cây quyết định phân loại độc lập.

Quy trình mô hình hóa không gian được vận hành trên module chuyên dụng MOLUSCE (Methods of Land Use Change Evaluation) tích hợp trong phần mềm QGIS phiên bản 2.18. Mô hình mạng ANN được cấu hình với cấu trúc nhiều lớp (multi-layer perceptron), sử dụng thuật toán lan truyền ngược (backpropagation) để tính toán ma trận thế năng chuyển dịch (potential transition matrix), làm đầu vào trực tiếp cho thuật toán CA lặp không gian để tạo ra bản đồ dự báo.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Thuật toán Random Forest đạt hiệu suất giải đoán vượt trội trên GEE: Kết quả đánh giá độ chính xác tổng thể (Overall Accuracy - OA) và chỉ số Kappa qua ma trận sai số trên chuỗi ảnh Landsat chứng minh thuật toán RF luôn đạt độ chính xác cao nhất so với SVM, CART và Maximum Likelihood. Cụ thể, RF khử nhiễu phổ xuất sắc giữa các khu dân cư mật độ thấp xen kẽ đất nông nghiệp tại các huyện ngoại thành như Củ Chi, Hóc Môn và Bình Chánh.
  2. Quy luật phân bố không gian và tốc độ bê tông hóa nhanh chóng: Giai đoạn 2010 - 2020 chứng kiến sự bùng nổ diện tích bề mặt không thấm với hướng mở rộng ly tâm mạnh mẽ về phía Bắc, Đông Bắc (thành phố Thủ Đức) và Tây Bắc. Tỷ lệ che phủ thực vật suy giảm tương ứng, tạo ra các vệt đảo nhiệt đô thị cục bộ có nhiệt độ bề mặt chênh lệch tới hơn $10^\circ\text{C}$ so với các vùng đệm sinh thái ngập mặn Cần Giờ.
  3. Sức mạnh vượt trội của mô hình lai ghép CA-ANN so với CA-Hồi quy Logistic: Khi thực nghiệm dự báo phân bố bề mặt không thấm năm 2020 để kiểm định mô hình, cấu trúc CA-ANN cho thấy độ trùng khớp hình học và không gian vượt bậc, đạt hệ số tương quan tuyến tính $r = 0,715$ so với bản đồ phân loại thực tế, trong khi mô hình CA-Logistic Regression bộc lộ sai số biên lớn tại các khu vực chuyển tiếp ven đô.
  4. Dự báo bức tranh đô thị giai đoạn 2025 - 2030: Kết quả mô phỏng năm 2025 và 2030 cho thấy bề mặt không thấm tiếp tục lấp đầy các khoảng trống xen kẹt và mở rộng dọc theo các hành lang giao thông huyết mạch (Vành đai 2, Vành đai 3, cao tốc TP.HCM - Long Thành - Dầu Giây). Khi đối chiếu các điểm lấy mẫu với Bản đồ quy hoạch sử dụng đất TP.HCM đến năm 2025, kết quả dự báo của mô hình CA-ANN có sự tương thích cao với định hướng phát triển không gian của chính quyền đô thị.
Hạng mục so sánh Phương pháp tham số truyền thống (MaxLikelihood) Phương pháp học máy đề xuất (Random Forest) Mô hình CA kết hợp Logistic Regression Mô hình CA kết hợp Mạng nơ-ron (CA-ANN đề xuất)
Cơ chế xử lý Giả định phân phối chuẩn Gauss Tập hợp cây quyết định phi tham số Hồi quy xác suất tuyến tính hóa Học sâu mẫu hình lan truyền phi tuyến tính
Xử lý lẫn phổ Kém, dễ nhầm đất trống & bê tông Tối ưu, bóc tách chính xác NDBI/NDVI Không xử lý được tương tác đa biến Tự động thích ứng trọng số 7 lớp nhân tố
Hệ số tương quan ($r$) Không áp dụng cho dự báo Phân loại hiện trạng ($OA > 85%$) $r \approx 0,55 - 0,60$ (sai số ven đô) Đạt $r = 0,715$ (kiểm định thực tế 2020)
Khả năng dự báo Không có chức năng mô phỏng Chỉ cung cấp dữ liệu đầu vào tĩnh Mô phỏng đơn giản, độ phân tán cao Mô phỏng sắc nét, trùng khớp quy hoạch 2025

Implications đa chiều

  • Ý nghĩa lý luận học thuật: Hoàn thiện phương pháp luận tích hợp giữa công nghệ điện toán đám mây địa không gian (GEE) và các thuật toán trí tuệ nhân tạo (RF, CA-ANN), mở ra hướng tiếp cận chuẩn mực cho ngành Trắc địa - Bản đồ và Viễn thám trong bài toán quan trắc và mô hình hóa tài nguyên môi trường.
  • Thực tiễn quản lý đô thị: Bản đồ dự báo cung cấp công cụ định lượng hỗ trợ Sở Quy hoạch - Kiến trúc, Sở Tài nguyên và Môi trường TP. Hồ Chí Minh xác định sớm các điểm nóng bê tông hóa, từ đó điều chỉnh các chỉ tiêu quy hoạch sử dụng đất, nâng cao tỷ lệ diện tích thấm và bảo vệ hành lang thoát lũ tự nhiên.
  • Thích ứng biến đổi khí hậu và chống ngập úng: Kết quả nghiên cứu là cơ sở khoa học then chốt để tính toán hệ số dòng chảy mặt trong thiết kế mạng lưới thoát nước đô thị, đồng thời đề xuất giải pháp phát triển cơ sở hạ tầng xanh (hồ điều hòa, công viên sinh thái) nhằm giảm thiểu hiệu ứng đảo nhiệt đô thị.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận một số hạn chế nội tại:

  1. Độ phân giải không gian của dữ liệu quang học: Dữ liệu Landsat ($30\text{m} \times 30\text{m}$) vẫn còn tồn tại các điểm ảnh hỗn hợp (mixed pixels) tại các khu vực ngõ hẻm đô thị có cấu trúc nhà ở chia lô siêu nhỏ đặc trưng của TP. Hồ Chí Minh.
  2. Yếu tố thời tiết và độ che phủ mây: Việc sử dụng cảm biến quang học thụ động bị hạn chế trong mùa mưa, làm giảm tần suất thu nhận ảnh liên tục trong năm.
  3. Giới hạn tham số kinh tế - xã hội dạng vi mô: Dữ liệu mật độ dân số mới chỉ dừng lại ở cấp quận/huyện thống kê năm 2021, chưa phân rã chi tiết đến cấp phường/xã hay từng ô phố đô thị.

Các định hướng nghiên cứu tiếp nối bao gồm:

  • Tích hợp dữ liệu viễn thám đa nguồn, kết hợp dữ liệu siêu phổ hoặc ảnh quang học độ phân giải cao (Sentinel-2 10m, PlanetScope 3m) với dữ liệu radar khẩu độ tổng hợp (SAR Sentinel-1) nhằm khắc phục triệt để hiện tượng mây bao phủ.
  • Ứng dụng các kiến trúc học sâu tiên tiến (Deep Learning) như mạng nơ-ron tích chập (CNN, U-Net) trực tiếp trên dữ liệu ảnh để tự động trích xuất đặc trưng hình thái bề mặt không thấm.
  • Phát triển mô hình lai ghép đa tác tử (Agent-Based Modeling - ABM) kết hợp CA-ANN nhằm mô phỏng hành vi ra quyết định chuyển đổi mục đích sử dụng đất của người dân và doanh nghiệp bất động sản.

Tác động và ảnh hưởng

Nghiên cứu của tác giả Phạm Văn Tùng tạo ra những tác động tích cực và sâu rộng:

  • Tác động học thuật: Đóng góp tài liệu tham khảo chuyên khảo giá trị cho công tác đào tạo sau đại học và nghiên cứu khoa học chuyên ngành Kỹ thuật Trắc địa - Bản đồ, Hệ thông tin địa lý và Quản lý đất đai tại Trường Đại học Mỏ - Địa chất, Trường Đại học Tài nguyên và Môi trường TP. Hồ Chí Minh cũng như các viện nghiên cứu trên toàn quốc.
  • Tác động kinh tế - xã hội: Cung cấp giải pháp công nghệ mã nguồn mở (QGIS, GEE) giúp các cơ quan quản lý nhà nước tiết kiệm hàng tỷ đồng chi phí mua bản quyền phần mềm thương mại và chi phí khảo sát thực địa thủ công định kỳ.
  • Tác động môi trường: Hỗ trợ quy hoạch phát triển không gian xanh một cách khoa học, góp phần bảo tồn hệ sinh thái rừng ngập mặn Cần Giờ - "lá phổi xanh" của Thành phố Hồ Chí Minh, giảm thiểu tổn thất hạ tầng do ngập úng cực đoan.

Đối tượng hưởng lợi

  1. Nghiên cứu sinh và Giới học thuật: Tiếp cận quy trình kỹ thuật chuẩn hóa xử lý ảnh Landsat trên GEE bằng ngôn ngữ JavaScript/Python, cùng phương pháp thiết lập module MOLUSCE phục vụ mô hình hóa không gian.
  2. Cơ quan Hoạch định Chính sách & Quy hoạch Đô thị: Ủy ban Nhân dân TP. Hồ Chí Minh, Sở Xây dựng, Sở Quy hoạch - Kiến trúc nhận được nguồn dữ liệu dự báo trực quan, khoa học để giám sát tính tuân thủ của các đồ án quy hoạch tổng thể.
  3. Cơ quan Quản lý Thoát nước & Phòng chống Thiên tai: Trung tâm Quản lý Hạ tầng Kỹ thuật TP. Hồ Chí Minh có cơ sở số liệu chính xác về diện tích bề mặt không thấm để tính toán tải lượng thủy văn, chủ động nâng cấp công suất trạm bơm và hệ thống cống ngầm.
  4. Các Doanh nghiệp Tư vấn Địa không gian (Geospatial Industry): Ứng dụng quy trình công nghệ của luận án vào việc xây dựng các giải pháp giám sát đô thị thông minh (Smart City Digital Twin).

Câu hỏi chuyên sâu

1. Đóng góp lý luận độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Trả lời: Luận án đã mở rộng mô hình khái niệm V-I-S của Ridd (1995) bằng cách lượng hóa động lực biến đổi phi tuyến tính của bề mặt không thấm trong điều kiện đô thị hóa nhiệt đới gió mùa. Luận án kết nối thành công lý thuyết phân bố không gian với lý thuyết cân bằng nhiệt - ẩm đô thị, chứng minh bề mặt không thấm là tham số quyết định chi phối trực tiếp đến dị thường nhiệt độ bề mặt (LST) và suy thoái hệ số thấm tự nhiên.

2. Điểm cải tiến phương pháp luận cốt lõi của nghiên cứu khi so sánh với các công bố trước đây là gì?
Trả lời: So với các nghiên cứu của Lê Văn Hạo và Lê Thị Pha Mi (2020) hay Trịnh Lê Hùng et al. (2020) vốn chỉ giải đoán biến động quá khứ, luận án đã thiết lập quy trình khép kín: Sử dụng Random Forest trên GEE để phân loại đa thời gian đạt độ chính xác cao nhất $\rightarrow$ Chiết xuất 7 lớp nhân tố động lực địa lý - kinh tế xã hội $\rightarrow$ Tích hợp mô hình CA-ANN trong QGIS MOLUSCE để dự báo tương lai với hệ số tương quan đạt $r = 0,715$.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất trong quá trình phân tích dữ liệu?
Trả lời: Đó là sự tương phản rõ rệt về hiệu năng giữa hai mô hình dự báo: Trong khi mô hình CA kết hợp Hồi quy Logistic truyền thống bộc lộ sai số lớn do không thể nắm bắt các mối quan hệ phi tuyến của 7 lớp nhân tố động lực, thì mạng nơ-ron nhân tạo (ANN) kết hợp CA lại thích ứng hoàn hảo, tái hiện chính xác các dải mở rộng bề mặt không thấm men theo hệ thống sông ngòi và các trục giao thông hướng tâm.

4. Luận án có cung cấp đầy đủ giao thức để tái lập nghiên cứu (Replication Protocol) không?
Trả lời: Có. Luận án công khai chi tiết cấu trúc hệ thống, danh mục tham số mạng nơ-ron ANN, các hệ số chuẩn hóa nhân tố động lực, cùng toàn bộ mã nguồn script lập trình xử lý phân loại trên nền tảng Google Earth Engine trong phần phụ lục, cho phép cộng đồng khoa học dễ dàng kiểm chứng và áp dụng cho các đô thị khác.

5. Chương trình nghị sự nghiên cứu 10 năm tới (10-year research agenda) được định hình ra sao?
Trả lời: Nghiên cứu mở đường cho việc xây dựng hệ thống giám sát thời gian thực bề mặt không thấm ở độ phân giải siêu cao (dưới 1m) tích hợp cảm biến đa phổ, LiDAR và mô hình học sâu 3D, tiến tới đồng bộ hóa với hệ sinh thái dữ liệu lớn của Chính phủ điện tử và Đô thị thông minh.

Kết luận

Công trình nghiên cứu của NCS. Phạm Văn Tùng đã giải quyết trọn vẹn và xuất sắc các mục tiêu khoa học đề ra, đóng góp những giá trị cốt lõi sau:

  1. Thiết lập quy trình công nghệ đồng bộ: Xây dựng thành công chuỗi xử lý tự động từ tiền xử lý, phân loại ảnh viễn thám Landsat đa thời gian bằng Random Forest trên GEE đến trích xuất các chỉ số chuyên đề độ chính xác cao.
  2. Xây dựng hệ cơ sở dữ liệu không gian đa nhân tố: Chuẩn hóa thành công 7 lớp dữ liệu động lực tự nhiên và kinh tế - xã hội, phản ánh trung thực các yếu tố thúc đẩy mở rộng bề mặt không thấm tại TP. Hồ Chí Minh.
  3. Đột phá trong mô hình hóa dự báo: Chứng minh tính ưu việt vượt trội của mô hình tích hợp Cellular Automata và Artificial Neural Network (CA-ANN) trong việc mô phỏng động thái mở rộng đô thị phi tuyến, đạt hệ số tương quan thực nghiệm $r = 0,715$.
  4. Cung cấp kịch bản dự báo tin cậy: Thành lập bộ bản đồ phân bố bề mặt không thấm năm 2025 và 2030, hỗ trợ trực tiếp công tác rà soát và thực thi Bản đồ quy hoạch không gian đô thị của thành phố.
  5. Khẳng định tính ứng dụng và chuyển giao rộng rãi: Mô hình của luận án có khả năng tổng quát hóa cao, sẵn sàng chuyển giao áp dụng cho các đô thị lớn khác trên toàn quốc như Hà Nội, Đà Nẵng, Cần Thơ, đóng góp thiết thực cho sự nghiệp phát triển bền vững và bảo vệ môi trường đô thị Việt Nam.