Tổng quan luận án

Luận án tiến sĩ kỹ thuật với 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" được thực hiện bởi nghiên cứu sinh Phạm Văn Tùng tại Trường Đại học Mỏ - Địa chất (Hà Nội, năm 2023), thuộc ngành Kỹ thuật Trắc địa - bản đồ (mã số: 9520503) dưới sự hướng dẫn khoa học của PGS.TS Nguyễn Văn Trung và PGS.TS Vũ Xuân Cường.

Tính cấp thiết và khoảng trống nghiên cứu

Bề mặt không thấm (impervious surface) là các bề mặt nhân tạo ngăn chặn nước mưa ngấm tự nhiên vào đất (như đường giao thông, vỉa hè, bãi đậu xe, mái nhà). Trong nghiên cứu đô thị, bề mặt không thấm được xem là chỉ số đo lường mức độ đô thị hóa và chất lượng môi trường. Việc gia tăng diện tích bề mặt không thấm làm tăng lưu lượng, tốc độ và đỉnh lũ của dòng chảy bề mặt, cản trở thoát nước tự nhiên, gây ô nhiễm nước mặt, nước ngầm, làm suy giảm thảm thực vật và hình thành hiệu ứng đảo nhiệt đô thị (Urban Heat Island - UHI).

Công nghệ viễn thám và Hệ thông tin địa lý (GIS) cung cấp khả năng quan trắc đa thời gian, đa phổ trên phạm vi không gian rộng lớn để định lượng và phân tích biến động lớp phủ. Tuy nhiên, các nghiên cứu trong nước trước đây chủ yếu dừng lại ở việc giải đoán, phân loại bề mặt không thấm giữa các mốc thời gian hoặc đánh giá tương quan giữa bề mặt không thấm và nhiệt độ bề mặt. Khoảng trống nghiên cứu được luận án xác định là: chưa có công trình nào tại Việt Nam tích hợp viễn thám, GIS và các kỹ thuật học máy để xây dựng mô hình dự báo sự biến động bề mặt không thấm ở quy mô đô thị một cách đồng thời về cả quy mô diện tích và phân bố không gian.

Mục tiêu nghiên cứu

Mục tiêu tổng quát của luận án là lựa chọn và thiết lập mô hình dự báo sự biến động bề mặt không thấm trong tương lai tại khu vực Thành phố Hồ Chí Minh trên cơ sở sử dụng công nghệ viễn thám và GIS kết hợp các kỹ thuật trí tuệ nhân tạo.

Văn bản xác định 7 nội dung nghiên cứu cụ thể:

  1. Tổng quan về quá trình đô thị hóa, ảnh hưởng của sự gia tăng bề mặt không thấm đến môi trường đô thị, các phương pháp chiết xuất thông tin từ dữ liệu viễn thám và tình hình nghiên cứu dự báo biến động trong và ngoài nước.
  2. Xác lập cơ sở khoa học xây dựng mô hình dự báo biến động bề mặt không thấm từ dữ liệu viễn thám và GIS.
  3. Phân tích đặc điểm tự nhiên, kinh tế - xã hội khu vực Thành phố Hồ Chí Minh.
  4. Xây dựng các lớp dữ liệu đầu vào cho mô hình dự báo.
  5. Thực nghiệm phân loại bề mặt không thấm từ ảnh vệ tinh Landsat bằng các phương pháp phân loại truyền thống và học máy; lựa chọn thuật toán tối ưu cho khu vực nghiên cứu.
  6. Thử nghiệm, hiệu chỉnh và lựa chọn mô hình mô phỏng; thành lập bản đồ dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh các năm 2025 và 2030.
  7. Phân tích, đánh giá kết quả mô phỏng và dự báo.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Bề mặt không thấm và các mô hình dự báo sự biến động bề mặt không thấm dựa trên sự tích hợp của dữ liệu viễn thám, GIS và các thuật toán học máy.
  • Phạm vi không gian: Toàn bộ ranh giới hành chính Thành phố Hồ Chí Minh.
  • Phạm vi thời gian: Sử dụng chuỗi dữ liệu ảnh vệ tinh Landsat các năm 2010, 2015 và 2020 để mô hình hóa và dự báo phân bố bề mặt không thấm đến các năm 2025 và 2030.
  • Phạm vi khoa học: Tập trung vào các thuật toán phân loại ảnh vệ tinh quang học độ phân giải trung bình và các mô hình mô phỏng không gian kết hợp Cellular Automata (CA) với kỹ thuật học máy.

Tổng quan tài liệu và vị trí của luận án

Luận án tổng hợp các hướng nghiên cứu chính trong và ngoài nước liên quan đến việc giám sát, định lượng và mô hình hóa bề mặt không thấm đô thị:

Tác động môi trường của bề mặt không thấm

  • Thoát nước và ngập lụt: Dennison và cộng sự (2009) chỉ ra sự khác biệt rõ rệt về tỷ lệ dòng chảy bề mặt giữa bề mặt thấm và không thấm. Fernando (2018) định lượng: ở bề mặt thấm có 40% nước mưa bốc hơi, 10% lưu giữ bề mặt, 25% thấm nông và 25% thấm sâu; trong khi ở bề mặt không thấm có 30% bốc hơi, 55% chuyển thành dòng chảy bề mặt, 10% thấm nông và chỉ 5% thấm sâu. Số liệu từ tổ chức Flood Defenders (Hoa Kỳ) ghi nhận với lượng mưa 3 inch, dòng chảy bề mặt tại khu vực rừng (0% không thấm) đạt 0,6 inch; khu dân cư (38% không thấm) đạt 1,6 inch; và khu đô thị (85% không thấm) đạt 2,5 inch.
  • Chất lượng nước: Liu và cộng sự (2013) tại Thâm Quyến (Trung Quốc) sử dụng ảnh Landsat TM và mô hình hồi quy tuyến tính, chỉ ra các thông số chất lượng nước có tương quan cao ($R^2 > 0$) với diện tích bề mặt không thấm và khuyến nghị ngưỡng kiểm soát dưới 36,9%. Kim và cộng sự (2016) xác định ngưỡng tỷ lệ bề mặt không thấm trên 10% tại các lưu vực sông gây ảnh hưởng nghiêm trọng đến nước mặt. Luo và cộng sự (2018) tại hồ Dianchi (Côn Minh, Trung Quốc) giai đoạn 1988–2017 chứng minh mật độ bề mặt không thấm tăng từ 1,84% lên 34,32% đi kèm sự biến động của hàm lượng diệp lục Chl-a, oxy hòa tan DO và độ đục.
  • Nhiệt độ bề mặt và đảo nhiệt đô thị (UHI): Trịnh Lê Hùng và cộng sự (2000–2019) tại Hà Nội chỉ ra hệ số tương quan thuận giữa chỉ số NDBI và nhiệt độ bề mặt (LST) tăng dần từ năm 2000 đến đạt 0,816 vào năm 2019. Đặng Như Duẩn và cộng sự (2017) tại thành phố Thanh Hóa ghi nhận khu vực có mật độ xây dựng dưới 10% có nhiệt độ bề mặt trung bình 26°C, trong khi khu vực có mật độ xây dựng trên 75% có nhiệt độ bề mặt đạt 32,5°C (chênh lệch 5–6°C).

Thực trạng biến động bề mặt không thấm

  • Trên thế giới: Gong và cộng sự (2020) lập bản đồ bề mặt không thấm toàn cầu giai đoạn 1985–2018 bằng ảnh Landsat trên Google Earth Engine (GEE), ghi nhận tổng diện tích đạt 797.076 km² vào năm 2018 (tăng 1,5 lần so với năm 1990), trong đó Hoa Kỳ và Trung Quốc chiếm trên 50%. Sati và Mohan (2018) xác định diện tích đất xây dựng vùng thủ đô Ấn Độ tăng 17 lần giai đoạn 1972–2014, nhiệt độ tăng 3–5°C. Liu và cộng sự (2020) tại vùng Quảng Đông - Hồng Kông - Ma Cao ghi nhận diện tích bề mặt không thấm tăng từ 1.939,338 km² (1987) lên 12.384,95 km² (2017). Tại châu Phi, giai đoạn 2000–2020 diện tích bề mặt không thấm tăng 116,49%, tập trung lớn nhất ở Nam Phi (8.840,31 km²).
  • Tại Việt Nam: Hung Q. Ha và Weng ghi nhận bề mặt không thấm tại Hà Nội tăng 305% giai đoạn 1988–2015. Lê Văn Hạo và Lê Thị Pha Mi (2020) tại Thành phố Hồ Chí Minh chỉ ra diện tích bề mặt không thấm tăng từ 1,6% (3.308,6 ha) năm 1989 lên 19,2% (39.754,2 ha) năm 2019, với tốc độ tăng bình quân 1.214,8 ha/năm. Nguyễn Viết Nghĩa và cộng sự (2015–2021) ghi nhận sự suy giảm không gian xanh tại thành phố Thanh Hóa.

Các phương pháp chiết xuất và mô hình hóa

  • Chỉ số phổ đô thị: Mô hình V-I-S của Ridd (1995); chỉ số Urban Index (UI) của Kawamura và cộng sự; chỉ số khác biệt đất xây dựng NDBI của Zha và cộng sự (2003); chỉ số EBBI của As-Syakur và cộng sự (2012); chỉ số MNDISI; chỉ số đất trống NDBaI (Zhao, 2005); chỉ số đất trống BI (Chen et al., 2004; Lin et al., 2005); chỉ số MBI của Nguyen Trong Can và cộng sự (2021); chỉ số NDLI của Li và cộng sự (2017); chỉ số DBSI của Rasul và cộng sự (2018).
  • Phân loại bằng trí tuệ nhân tạo: Ứng dụng các thuật toán Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Tree (CART), mạng nơ-ron nhân tạo (ANN) và bộ dữ liệu toàn cầu GMIS (Colstoun et al., 2010).

Vị trí và khoảng trống luận án giải quyết

Luận án kế thừa các phát triển về viễn thám và GIS để giải quyết vấn đề mô hình hóa không gian tại Thành phố Hồ Chí Minh, kết hợp chuỗi ảnh Landsat đa thời gian với các lớp dữ liệu không gian bổ sung thông qua mô hình tự động tế bào (Cellular Automata) tích hợp mạng nơ-ron nhân tạo (ANN).

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các khái niệm cốt lõi

  • Bề mặt không thấm (Impervious Surface): Được định nghĩa là các bề mặt cản trở nước mưa ngấm vào đất, làm biến đổi chu trình thủy văn và vi khí hậu đô thị.
  • Mô hình V-I-S (Vegetation - Impervious Surface - Soil): Khung khái niệm phân tích cảnh quan đô thị thành ba thành phần cơ bản gồm thảm thực vật, bề mặt không thấm và đất trống.
  • Mô hình Cellular Automata (CA): Mô hình toán học rời rạc không gian và thời gian, trong đó trạng thái của mỗi ô lưới (cell) tại thời điểm $t+1$ được quyết định bởi trạng thái của chính nó và vùng lân cận (lân cận Moore hoặc von Neumann) tại thời điểm $t$ thông qua tập quy tắc chuyển đổi.
  • Mạng nơ-ron nhân tạo (ANN) và Hồi quy Logistic (LR): Được sử dụng để xác định xác suất chuyển đổi tiềm năng của các ô lưới dựa trên tập các nhân tố động lực không gian.

Nguồn tư liệu và dữ liệu sử dụng

  1. Dữ liệu viễn thám: Ảnh vệ tinh Landsat được xử lý qua nền tảng Google Earth Engine (GEE), bao gồm:
    • Cảnh ảnh Landsat 5 TM ngày 11/02/2010.
    • Cảnh ảnh Landsat 8 OLI/TIRS ngày 09/02/2015.
    • Cảnh ảnh Landsat 8 OLI/TIRS ngày 23/02/2020.
  2. Dữ liệu không gian và thống kê bổ sung:
    • Cơ sở dữ liệu nền địa lý quốc gia tỷ lệ 1:50.000 để chiết xuất mạng lưới giao thông, thủy hệ, mô hình số độ cao (DEM/SRTM).
    • Bản đồ quy hoạch sử dụng đất Thành phố Hồ Chí Minh đến năm 2025.
    • Dữ liệu vị trí các công trình đặc biệt từ nguồn dữ liệu mở (opendata.vn).
    • Số liệu thống kê diện tích, dân số và mật độ dân số năm 2021 phân theo quận/huyện tại Thành phố Hồ Chí Minh.
Thế hệ vệ tinh Ngày phóng Ngày dừng hoạt động Bộ cảm biến
Landsat 1 23/06/1972 06/01/1978 RBV, MSS
Landsat 2 21/01/1975 25/02/1982 MSS
Landsat 3 05/03/1978 31/03/1983 MSS
Landsat 4 16/07/1982 15/06/2001 TM, MSS
Landsat 5 01/03/1984 05/06/2013 TM
Landsat 6 05/03/1993 Hỏng khi phóng ETM
Landsat 7 15/04/1999 Đang hoạt động ETM+
Landsat 8 11/02/2013 Đang hoạt động OLI, TIRS
Landsat 9 27/09/2021 Đang hoạt động OLI, TIRS
Kênh phổ Landsat 8/9 Tên kênh Bước sóng ($\mu$m) Độ phân giải không gian (m)
Band 1 Coastal aerosol 0,43 – 0,45 30
Band 2 Blue (Xanh lam) 0,45 – 0,51 30
Band 3 Green (Xanh lục) 0,53 – 0,59 30
Band 4 Red (Đỏ) 0,64 – 0,67 30
Band 5 NIR (Cận hồng ngoại) 0,85 – 0,88 30
Band 6 SWIR 1 (Hồng ngoại sóng ngắn 1) 1,57 – 1,65 30
Band 7 SWIR 2 (Hồng ngoại sóng ngắn 2) 2,11 – 2,29 30
Band 8 Panchromatic (Toàn sắc) 0,50 – 0,68 15
Band 9 Cirrus 1,36 – 1,38 30
Band 10 TIRS 1 (Hồng ngoại nhiệt 1) 10,60 – 11,19 100 (tái lấy mẫu 30m)
Band 11 TIRS 2 (Hồng ngoại nhiệt 2) 11,50 – 12,51 100 (tái lấy mẫu 30m)

Phương pháp nghiên cứu thực tế

  • Phương pháp xử lý viễn thám: Lập trình bằng JavaScript trên nền tảng Google Earth Engine để tính toán các chỉ số phổ (NDVI, NDBI, NDWI, EBBI), chiết xuất nhiệt độ bề mặt đất (LST) từ kênh hồng ngoại nhiệt.
  • Phương pháp phân loại ảnh: Thực nghiệm và so sánh 4 thuật toán: Xác suất cực đại (Maximum Likelihood), Rừng ngẫu nhiên (Random Forest - RF), Máy hỗ trợ vector (Support Vector Machine - SVM), và Cây phân loại và hồi quy (Classification and Regression Tree - CART). Đánh giá độ chính xác qua ma trận sai số và hệ số Kappa.
  • Phương pháp GIS và phân tích không gian: Chuẩn hóa các biến nhân tố ảnh hưởng về thang giá trị $0 - 1$ trên phần mềm QGIS, bao gồm: khoảng cách tới đường giao thông, khoảng cách tới thủy hệ, khoảng cách tới công trình đặc biệt, độ cao địa hình, mật độ dân cư.
  • Phương pháp phân tích tương quan: Sử dụng hệ số tương quan Pearson để kiểm định mối quan hệ giữa các lớp dữ liệu bổ sung và sự phân bố bề mặt không thấm.
  • Phương pháp mô hình hóa dự báo: Tích hợp mô hình Cellular Automata với mạng nơ-ron nhân tạo (CA-ANN) và hồi quy Logistic (CA-LR) thông qua mô-đun MOLUSCE trong phần mềm QGIS 2.18.

Nội dung chính theo từng chương

Chương 1. Tổng quan về vấn đề nghiên cứu

Chương này tập trung trình bày các khái niệm cơ bản về bề mặt không thấm và phân biệt với bề mặt thấm; phân tích chi tiết cơ chế tác động của sự gia tăng bề mặt không thấm đến môi trường đô thị (gia tăng dòng chảy mặt gây lũ lụt đô thị, suy giảm chất lượng nước mặt và hình thành đảo nhiệt đô thị). Chương 1 tổng hợp các xu hướng đô thị hóa trên thế giới theo Seto và cộng sự (2013), thống kê thực trạng đô thị hóa tại Việt Nam với 888 đô thị tính đến tháng 12/2022 (tỷ lệ đô thị hóa khu vực nội thị đạt 41,7%, toàn đô thị đạt 53,5%).

Về mặt công nghệ, chương phân tích các nguồn dữ liệu viễn thám quang học từ Landsat 1 đến Landsat 9; đánh giá ưu nhược điểm của các phương pháp chiết xuất bề mặt không thấm theo 3 nhóm: phương pháp phân loại truyền thống per-pixel và hướng đối tượng (object-oriented); phương pháp sử dụng các chỉ số phổ (UI, NDBI, EBBI, MNDISI, NDBaI, BI, MBI, NDLI, DBSI); và phương pháp phân loại dựa trên trí tuệ nhân tạo (RF, SVM, ANN, học sâu, phân loại mờ). Cuối chương luận giải sự cần thiết phải ứng dụng mô hình toán học dự báo biến động không gian tại đô thị lớn như Thành phố Hồ Chí Minh.

Chương 2. Cơ sở khoa học phương pháp dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh sử dụng công nghệ viễn thám và GIS

Chương 2 trình bày điều kiện tự nhiên, kinh tế - xã hội và đặc điểm đô thị hóa của Thành phố Hồ Chí Minh. Tác giả tiến hành xác định và chuẩn hóa các nhân tố động lực ảnh hưởng đến biến động bề mặt không thấm:

  • Lớp dữ liệu mật độ che phủ thực vật (chiết xuất từ chỉ số NDVI).
  • Lớp dữ liệu nhiệt độ bề mặt đất (LST chiết xuất từ kênh nhiệt Landsat).
  • Lớp dữ liệu địa hình (độ cao xây dựng từ CSDL nền địa lý 1:50.000).
  • Lớp dữ liệu khoảng cách tới đường giao thông (phân tích khoảng cách Euclidean và phân vùng).
  • Lớp dữ liệu khoảng cách tới hệ thống thủy văn/thủy hệ.
  • Lớp dữ liệu mật độ dân cư (tính toán theo đơn vị hành chính cấp quận/huyện năm 2021).
  • Lớp dữ liệu khoảng cách tới các công trình đặc biệt.

Chương 2 xây dựng cơ sở toán học cho 4 thuật toán phân loại ảnh (Maximum Likelihood, RF, SVM, CART), phân tích cấu trúc mô hình Cellular Automata (định nghĩa vùng lân cận Moore và von Neumann), mạng nơ-ron nhân tạo (cấu trúc nơ-ron, hàm kích hoạt, lan truyền ngược) và mô hình hồi quy Logistic. Từ đó, luận án thiết lập sơ đồ quy trình công nghệ tích hợp module MOLUSCE trên QGIS 2.18 để mô phỏng không gian.

Chương 3. Thực nghiệm dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh

Chương 3 tiến hành xử lý chuỗi ảnh Landsat các năm 2010, 2015 và 2020 trên Google Earth Engine. Kết quả đánh giá độ chính xác phân loại lớp phủ/bề mặt không thấm cho thấy thuật toán Random Forest (RF) đạt độ chính xác tổng thể và chỉ số Kappa cao nhất so với SVM, CART và Maximum Likelihood trên cả hai tập dữ liệu ảnh năm 2010 và 2015.

Tác giả sử dụng kết quả phân loại giai đoạn 2010–2015 để hiệu chỉnh mô hình dự báo phân bố bề mặt không thấm cho năm 2020 bằng 2 phương pháp: mô hình CA kết hợp ANN và mô hình CA kết hợp hồi quy Logistic. Kết quả kiểm chứng với bản đồ phân loại thực tế năm 2020 chỉ ra rằng mô hình CA-ANN đạt độ chính xác và tương quan vượt trội ($R = 0,715$).

Sau khi hoàn thiện mô hình CA-ANN, luận án thực hiện dự báo phân bố bề mặt không thấm khu vực Thành phố Hồ Chí Minh đến năm 2025 và 2030; đồng thời đối chiếu kết quả dự báo năm 2025 với bản đồ quy hoạch sử dụng đất thành phố đến năm 2025 thông qua tập điểm lấy mẫu kiểm chứng độc lập.

Kết quả và những đóng góp mới

Những đóng góp mới của luận án

  1. Về mặt phương pháp và cơ sở dữ liệu: Đề xuất và xây dựng được bộ dữ liệu đầu vào chuẩn hóa tích hợp từ ảnh viễn thám Landsat đa thời gian, cơ sở dữ liệu nền địa lý quốc gia tỷ lệ 1:50.000, dữ liệu không gian mở và số liệu thống kê kinh tế - xã hội phục vụ bài toán mô phỏng biến động bề mặt không thấm tại Thành phố Hồ Chí Minh.
  2. Về mặt mô hình hóa: Xác lập và lựa chọn được mô hình dự báo biến động không gian bề mặt không thấm tối ưu cho khu vực đô thị Thành phố Hồ Chí Minh dựa trên sự kết hợp giữa mô hình toán học Cellular Automata (CA) và mạng nơ-ron nhân tạo (ANN), với hệ số tương quan kiểm chứng đạt $0,715$.
  3. Về mặt công cụ: Xây dựng mã nguồn và quy trình tự động hóa tiền xử lý, phân loại ảnh trên nền tảng điện toán đám mây Google Earth Engine (GEE) kết hợp xử lý mô phỏng không gian trong phần mềm mã nguồn mở QGIS.

Các luận điểm bảo vệ

  • Luận điểm 1: Dữ liệu viễn thám đa thời gian và các lớp thông tin bổ sung (mật độ lớp phủ thực vật, nhiệt độ bề mặt, độ cao, khoảng cách tới đường giao thông, khoảng cách tới thủy hệ, khoảng cách tới công trình đặc biệt, mật độ dân cư) cho phép xây dựng mô hình dự báo sự biến động bề mặt không thấm phù hợp với điều kiện khu vực Thành phố Hồ Chí Minh.
  • Luận điểm 2: Mô hình toán học Cellular Automata (CA) kết hợp mạng nơ-ron nhân tạo (ANN) giúp dự báo xu thế biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh với độ chính xác cao, trong đó hệ số tương quan so với kết quả phân loại đạt 0,715.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung và phạm vi nghiên cứu được văn bản công bố:

  • Hạn chế về độ phân giải không gian: Nghiên cứu sử dụng nguồn ảnh vệ tinh Landsat có độ phân giải không gian trung bình (30m), do đó hiện tượng lẫn phổ (mixed pixel) ở các khu vực đô thị có cấu trúc phân mảnh cao vẫn là yếu tố ảnh hưởng đến độ chi tiết của đường biên bề mặt không thấm.
  • Dữ liệu thống kê xã hội: Dữ liệu mật độ dân cư được thu thập ở cấp quận/huyện, chưa đạt độ phân giải không gian mịn ở cấp phường/xã hay ô lưới quy mô nhỏ.
  • Hướng nghiên cứu tiếp: Mở rộng áp dụng quy trình công nghệ và mô hình CA-ANN cho các chuỗi dữ liệu ảnh vệ tinh có độ phân giải không gian cao hơn (như Sentinel-2 hoặc ảnh thương mại); tích hợp thêm các nhân tố điều kiện vi khí hậu, địa chất công trình và áp dụng mô hình cho các vùng đô thị khác trên cả nước.

Giá trị tham khảo

  • Đối với nghiên cứu sinh, học viên và giảng viên ngành Trắc địa - Bản đồ, Viễn thám và GIS: Cung cấp tài liệu tham khảo chi tiết về quy trình lập trình xử lý ảnh trên Google Earth Engine, phương pháp chiết xuất các chỉ số phổ, thuật toán học máy phân loại ảnh và phương pháp vận hành module MOLUSCE trong QGIS.
  • Đối với các cơ quan quản lý và quy hoạch đô thị: Cung cấp bức tranh định lượng và bản đồ dự báo không gian về xu thế biến động bề mặt không thấm tại Thành phố Hồ Chí Minh đến năm 2025 và 2030, hỗ trợ việc lập kế hoạch quy hoạch sử dụng đất, thiết kế hệ thống thoát nước phòng chống ngập úng và giảm thiểu tác động của đảo nhiệt đô thị.

Câu hỏi thường gặp

1. Luận án sử dụng các thuật toán học máy nào để phân loại bề mặt không thấm từ ảnh Landsat và thuật toán nào cho kết quả tốt nhất?

Luận án đã tiến hành thực nghiệm và so sánh 4 thuật toán phân loại: Rừng ngẫu nhiên (Random Forest - RF), Máy hỗ trợ vector (Support Vector Machine - SVM), Cây phân loại và hồi quy (Classification and Regression Tree - CART) và thuật toán phân loại truyền thống Xác suất cực đại (Maximum Likelihood). Kết quả đánh giá trên ảnh Landsat năm 2010 và 2015 cho thấy thuật toán Random Forest (RF) đạt độ chính xác tổng thể và chỉ số Kappa cao nhất.

2. Mô hình dự báo nào được luận án lựa chọn và kết quả kiểm chứng đạt độ chính xác bao nhiêu?

Luận án lựa chọn mô hình Cellular Automata kết hợp mạng nơ-ron nhân tạo (CA-ANN). Khi thử nghiệm dự báo sự biến động bề mặt không thấm năm 2020 và đối chiếu với bản đồ phân loại thực tế năm 2020, mô hình CA-ANN đạt hệ số tương quan $R = 0,715$, cao hơn so với mô hình Cellular Automata kết hợp hồi quy Logistic (CA-LR).

3. Những nhân tố bổ sung nào được đưa vào mô hình để dự báo sự biến động bề mặt không thấm tại Thành phố Hồ Chí Minh?

Các lớp dữ liệu nhân tố bổ sung được chuẩn hóa về thang giá trị $0 - 1$ bao gồm:

  • Mật độ che phủ thực vật (từ chỉ số NDVI).
  • Nhiệt độ bề mặt đất (LST từ kênh hồng ngoại nhiệt).
  • Độ cao xây dựng từ cơ sở dữ liệu nền địa lý 1:50.000.
  • Khoảng cách tới mạng lưới giao thông.
  • Khoảng cách tới hệ thống thủy văn (thủy hệ).
  • Khoảng cách tới các công trình đặc biệt.
  • Mật độ dân số phân theo quận/huyện năm 2021.

4. Dữ liệu viễn thám được sử dụng trong luận án gồm những mốc thời gian nào và xử lý trên nền tảng gì?

Luận án sử dụng 3 cảnh ảnh vệ tinh Landsat: ảnh Landsat 5 TM ngày 11/02/2010, ảnh Landsat 8 OLI/TIRS ngày 09/02/2015 và ảnh Landsat 8 OLI/TIRS ngày 23/02/2020. Toàn bộ công tác thu thập, tiền xử lý và chiết xuất các chỉ số phổ được thực hiện trên nền tảng điện toán đám mây Google Earth Engine (GEE).

5. Luận án thực hiện dự báo biến động bề mặt không thấm cho những mốc thời gian nào trong tương lai?

Sau khi kiểm chứng mô hình với dữ liệu năm 2020, luận án thực hiện dự báo phân bố và diện tích bề mặt không thấm khu vực Thành phố Hồ Chí Minh đến năm 2025 và năm 2030, đồng thời đối chiếu kết quả dự báo năm 2025 với bản đồ quy hoạch sử dụng đất thành phố đến năm 2025.

Kết luận

Luận án tiến sĩ của tác giả Phạm Văn Tùng đã thiết lập cơ sở khoa học và quy trình công nghệ tích hợp viễn thám, GIS và trí tuệ nhân tạo nhằm giám sát và mô phỏng xu thế biến động bề mặt không thấm tại Thành phố Hồ Chí Minh. Bằng việc kết hợp xử lý chuỗi ảnh Landsat đa thời gian trên nền tảng Google Earth Engine với mô hình không gian Cellular Automata - Mạng nơ-ron nhân tạo (CA-ANN), nghiên cứu đã dự báo thành công phân bố không gian và diện tích bề mặt không thấm đến các năm 2025 và 2030. Kết quả đạt được cung cấp cơ sở dữ liệu và công cụ khoa học phục vụ công tác quy hoạch đô thị, quản lý tài nguyên và kiểm soát tác động môi trường tại các đô thị lớn.