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

Nghiên cứu công nghệ viễn thám và GIS trong dự báo biến động bề mặt không thấm tại thành phố Hồ Chí Minh, ứng dụng và tiềm năng phát triển.

• Tác giả: Phạm Văn Tùng
• Người hướng dẫn: TS. Nguyễn Văn Trung
• Trường học: Trường Đại Học Mỏ - Địa Chất
• Chuyên ngành: Kỹ thuật Trắc địa - bản đồ
• 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
• Loại tài liệu: luận án tiến sĩ kỹ thuật
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU
• 1.1. Tổng quan về bề mặt không thấm
• 1.2. Ảnh hưởng của bề mặt không thấm đến môi trường
• 1.3. Đô thị hóa và sự thay đổi diện tích bề mặt không thấm
• 1.4. Hiện trạng đô thị hóa trên thế giới và ở Việt Nam
• 1.5. Biến động diện tích bề mặt không thấm
• 1.6. Khả năng ứng dụng viễn thám và GIS trong giám sát biến động bề mặt không thấm
• 1.7. Các phương pháp chiết xuất thông tin bề mặt không thấm từ dữ liệu viễn thám
• 1.7.1. Phương pháp phân loại truyền thống
• 1.7.2. Phương pháp sử dụng các chỉ số phổ
• 1.7.3. Phương pháp phân loại sử dụng trí tuệ nhân tạo
• 1.8. Tổng quan tình hình nghiên cứu trong và ngoài nước
• 1.8.1. Trên thế giới
• 1.9. Luận giải những vấn đề cần nghiên cứu
• 1.10. Tiểu kết chương 1
• 2. 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
• 2.1. Đặc điểm khu vực nghiên cứu
• 2.2. Điều kiện tự nhiên
• 2.3. Điều kiện kinh tế - xã hội
• 2.4. Đặc điểm đô thị hóa ở Thành phố Hồ Chí Minh
• 2.5. Nghiên cứu lựa chọn các nhân tố ảnh hưởng đến sự biến động bề mặt không thấm
• 2.6. Lựa chọn bộ dữ liệu bổ sung
• 2.7. Đánh giá tương quan giữa bộ dữ liệu bổ sung và dữ liệu cơ sở
• 2.8. Cơ sở khoa học phương pháp chiết xuất các lớp dữ liệu bổ sung cho mô hình dự báo sự biến động bề mặt không thấm
• 2.8.1. Mật độ che phủ thực vật
• 2.8.2. Nhiệt độ bề mặt
• 2.8.3. Khoảng cách tới đường giao thông
• 2.8.4. Khoảng cách tới thủy hệ
• 2.8.5. Dữ liệu mật độ dân cư
• 2.8.6. Khoảng cách tới công trình đặc biệt
• 2.9. Cơ sở khoa học phương pháp phân loại bề mặt không thấm từ dữ liệu viễn thám
• 2.9.1. Thuật toán xác suất cực đại
• 2.9.2. Thuật toán Random Forest
• 2.9.3. Thuật toán Support Vector Machine
• 2.9.4. Thuật toán Classification and Regression Tree
• 2.10. Mô hình Cellular Automata và các kỹ thuật học máy mô phỏng sự thay đổi bề mặt không thấm
• 2.10.1. Mô hình Cellular Automata
• 2.10.2. Mạng nơ ron nhân tạo (ANN)
• 2.10.3. Hồi quy Logistic (LR)
• 2.11. Sơ đồ mô hình dự báo sự biến động mặt không thấm
• 2.12. Tiểu kết chương 2
• 3. CHƯƠNG 3: THỰC NGHIỆM DỰ BÁO BIẾN ĐỘNG BỀ MẶT KHÔNG THẤM KHU VỰC THÀNH PHỐ HỒ CHÍ MINH
• 3.1. Đặc điểm dữ liệu sử dụng
• 3.1.1. Dữ liệu viễn thám
• 3.1.2. Dữ liệu khác
• 3.2. Kết quả phân loại bề mặt không thấm từ ảnh vệ tinh Landsat đa thời gian
• 3.2.1. Kết quả phân loại sử dụng thuật toán RF
• 3.2.2. Kết quả phân loại sử dụng thuật toán SVM
• 3.2.3. Kết quả phân loại sử dụng thuật toán CART
• 3.2.4. Kết quả phân loại sử dụng thuật toán Maximum Likelihood
• 3.3. Đánh giá và lựa chọn phương pháp phân loại phù hợp
• 3.4. Kết quả dự báo phân bố bề mặt không thấm khu vực Thành phố Hồ Chí Minh
• 3.4.1. Kết quả dự báo biến động bề mặt không thấm năm 2020
• 3.4.2. Đánh giá và hoàn thiện mô hình dự báo sự biến động bề mặt không thấm
• 3.4.3. Kết quả dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh trong tương lai
• 3.5. Tiểu kết chương 3
• KẾT LUẬN VÀ KIẾN NGHỊ
• CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan về Nghiên Cứu Biến Động Bề Mặt Không Thấm TPHCM

Nghiên cứu về biến động bề mặt không thấm tại các đô thị lớn như TP.HCM ngày càng trở nên cấp thiết. Bề mặt không thấm, bao gồm đường giao thông, vỉa hè, bãi đậu xe và mái nhà, không chỉ là chỉ số đô thị hóa mà còn là chỉ số quan trọng về chất lượng môi trường. Sự gia tăng của chúng có thể dẫn đến tăng quy mô, thời gian và cường độ dòng chảy đô thị, gây ô nhiễm nguồn nước và giảm diện tích thảm thực vật. Điều này ảnh hưởng đến khí hậu đô thị, làm tăng nhiệt độ và gây ra hiện tượng đảo nhiệt. Vì vậy, thông tin về phân bố không gian của bề mặt không thấm là rất quan trọng cho quy hoạch, quản lý và bảo vệ tài nguyên môi trường.

1.1. Tầm Quan Trọng của Nghiên Cứu Bề Mặt Không Thấm Đô Thị

Bề mặt không thấm ngăn chặn nước thấm vào đất, gây ra nhiều vấn đề về môi trường. Việc nghiên cứu và theo dõi sự biến động của chúng giúp chúng ta hiểu rõ hơn về tác động của đô thị hóa đến môi trường và đưa ra các giải pháp quản lý hiệu quả. Theo nghiên cứu, sự gia tăng diện tích bề mặt không thấm tác động và gây ô nhiễm nguồn nước, làm giảm diện tích thảm thực vật và ảnh hưởng đến khí hậu đô thị.

1.2. Ứng Dụng Viễn Thám và GIS trong Giám Sát Đô Thị Hóa

Kỹ thuật viễn thám và GIS cung cấp phương pháp hiệu quả để quan trắc, lập bản đồ phân bố và ước tính diện tích bề mặt không thấm do khả năng thu thập dữ liệu đa thời gian, đa phổ và trên diện rộng. GIS với khả năng phân tích dữ liệu không gian mạnh mẽ, cho phép định lượng, phân tích và mô hình hóa sự biến đổi của bề mặt không thấm, giúp dự báo xu hướng phát triển của đô thị.

II. Thách Thức Vấn Đề trong Dự Báo Biến Động Bề Mặt TPHCM

Mặc dù có nhiều nghiên cứu về bề mặt không thấm, nhưng vẫn còn những thách thức trong việc dự báo sự biến động của chúng, đặc biệt ở các đô thị lớn như TP.HCM. Các nghiên cứu trước đây thường chỉ tập trung vào phân loại và xác định biến động giữa các thời điểm khác nhau, hoặc đánh giá mối quan hệ giữa nhiệt độ bề mặt và diện tích bề mặt không thấm. Việc mô hình hóa sự biến động và dự báo sự gia tăng diện tích bề mặt không thấm về cả diện tích và không gian vẫn còn hạn chế. Sự mở rộng nhanh chóng của bề mặt không thấm ảnh hưởng lớn đến quá trình thoát nước bề mặt, gây ra hậu quả tiêu cực đến con người và môi trường.

2.1. Hạn Chế của Nghiên Cứu Hiện Tại về Bề Mặt Không Thấm

Các nghiên cứu hiện tại thường chỉ tập trung vào phân loại và xác định biến động, chưa đi sâu vào mô hình hóa và dự báo sự biến động về diện tích và không gian của bề mặt không thấm. Điều này gây khó khăn trong việc đưa ra các giải pháp quy hoạch và quản lý đô thị hiệu quả. Cần có những nghiên cứu chuyên sâu hơn để giải quyết vấn đề này.

2.2. Tác Động của Đô Thị Hóa Nhanh Chóng đến Bề Mặt Không Thấm

Quá trình đô thị hóa nhanh chóng ở các thành phố lớn như TP.HCM dẫn đến sự mở rộng nhanh chóng của bề mặt không thấm, gây ra nhiều vấn đề về thoát nước, ô nhiễm và ảnh hưởng đến khí hậu đô thị. Việc dự báo chính xác sự biến động của bề mặt không thấm là cần thiết để giảm thiểu các tác động tiêu cực này. Hậu quả của việc tăng diện tích bề mặt không thấm là quá trình thoát nước bề mặt bị ảnh hưởng và gây ra hậu quả tiêu cực đến các hoạt động của con người.

2.3. Thiếu Nghiên Cứu Mô Hình Hóa và Dự Báo Biến Động Không Gian

Hiện nay vẫn còn thiếu các nghiên cứu sử dụng công nghệ viễn thám và GIS nhằm mô hình hóa sự biến động bề mặt không thấm và dự báo sự gia tăng bề mặt không thấm ở các đô thị về cả diện tích và không gian. Điều này ảnh hưởng đến quá trình thoát nước bề mặt khi có lượng mưa lớn, gây ra hậu quả tiêu cực đến các hoạt động của con người và môi trường sống ở các đô thị lớn.

III. Phương Pháp Viễn Thám GIS Dự Báo Biến Động Bề Mặt

Luận án này tập trung vào việc lựa chọn mô hình dự báo sự biến động bề mặt không thấm trong tương lai tại khu vực TP.HCM, sử dụng công nghệ viễn thám và Hệ thống thông tin địa lý kết hợp với các kỹ thuật trí tuệ nhân tạo. Nghiên cứu này sử dụng dữ liệu ảnh vệ tinh Landsat đa thời gian (2010-2020) để mô hình hóa và dự báo biến động bề mặt không thấm trong tương lai (2025, 2030). Các phương pháp phân tích, tổng hợp, viễn thám và GIS được kết hợp để đạt được mục tiêu.

3.1. Ứng Dụng Dữ Liệu Viễn Thám Landsat Đa Thời Gian

Dữ liệu ảnh vệ tinh Landsat đa thời gian (2010-2020) được sử dụng để phân tích sự biến động của bề mặt không thấm trong quá khứ và hiện tại. Dữ liệu này cung cấp thông tin quan trọng về sự thay đổi về diện tích và phân bố của bề mặt không thấm theo thời gian, giúp xây dựng mô hình dự báo chính xác hơn.

3.2. Kết Hợp GIS và Trí Tuệ Nhân Tạo trong Mô Hình Hóa

Hệ thống thông tin địa lý (GIS) được sử dụng để tích hợp, phân tích và mô hình hóa dữ liệu không gian. Các kỹ thuật trí tuệ nhân tạo (AI), như mạng nơ-ron và hồi quy logistic, được sử dụng để xây dựng mô hình dự báo sự biến động bề mặt không thấm. Sự kết hợp này giúp tận dụng tối đa sức mạnh của cả hai công nghệ.

3.3. Xây dựng Mô Hình Giám Sát và Dự Báo Biến Động Bề Mặt Không Thấm

Tổng hợp, phân tích và đánh giá các nghiên cứu trong và ngoài nước liên quan đến ứng dụng viễn thám và hệ thống thông tin địa lý kết hợp phương pháp mô hình hóa trong xây dựng mô hình giám sát và dự báo biến động bề mặt không thấm. Đánh giá các mô hình dự báo biến động bề mặt không thấm phù hợp với điều kiện cụ thể khu vực nghiên cứu.

IV. Thực Nghiệm Đánh Giá Mô Hình Dự Báo Bề Mặt Không Thấm TPHCM

Nghiên cứu thực hiện phân loại bề mặt không thấm từ ảnh vệ tinh Landsat bằng nhiều phương pháp khác nhau, bao gồm phân loại truyền thống và các kỹ thuật học máy (Random Forest, SVM, CART, Maximum Likelihood). Độ chính xác của các phương pháp được đánh giá để lựa chọn phương pháp phù hợp nhất cho khu vực nghiên cứu. Sau đó, mô hình dự báo được xây dựng và thử nghiệm, kết quả được phân tích và đánh giá để hoàn thiện.

4.1. Phân Loại Bề Mặt Không Thấm Sử Dụng Các Thuật Toán Học Máy

Các thuật toán học máy như Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Tree (CART) và Maximum Likelihood được sử dụng để phân loại bề mặt không thấm từ ảnh vệ tinh Landsat. Đánh giá và so sánh độ chính xác của từng thuật toán để lựa chọn phương pháp phù hợp nhất cho khu vực nghiên cứu.

4.2. Đánh Giá Độ Chính Xác của Mô Hình Dự Báo Biến Động

Độ chính xác của mô hình dự báo được đánh giá bằng cách so sánh kết quả dự báo với dữ liệu thực tế hoặc dữ liệu lịch sử. Các chỉ số đánh giá như độ chính xác tổng thể (overall accuracy) và chỉ số Kappa được sử dụng để định lượng độ tin cậy của mô hình. Phân tích và đánh giá kết quả.

4.3. Thực Nghiệm Phân Loại Bề Mặt Không Thấm từ Dữ Liệu Ảnh Vệ Tinh Landsat

Thực nghiệm phân loại bề mặt không thấm từ dữ liệu ảnh vệ tinh Landsat bằng các phương pháp khác nhau: phân loại truyền thống, phân loại dựa trên các kỹ thuật học máy. Lựa chọn phương pháp phân loại có độ chính xác cao nhất áp dụng cho khu vực nghiên cứu. Thử nghiệm và lựa chọn mô hình, xây dựng bản đồ dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh.

V. Kết Quả Ứng Dụng Dự Báo Biến Động Bề Mặt TPHCM

Kết quả nghiên cứu cho thấy mô hình dự báo sự biến động bề mặt không thấm có thể được sử dụng để dự báo sự gia tăng diện tích bề mặt không thấm trong tương lai tại TP.HCM. Bản đồ dự báo biến động bề mặt không thấm năm 2025 và 2030 được xây dựng, cung cấp thông tin quan trọng cho quy hoạch đô thị và quản lý tài nguyên môi trường. Mô hình này cũng có thể được áp dụng cho các khu vực đô thị khác trong cả nước.

5.1. Dự Báo Biến Động Bề Mặt Không Thấm cho Năm 2025 và 2030

Mô hình dự báo được sử dụng để dự báo sự biến động của bề mặt không thấm tại TP.HCM cho năm 2025 và 2030. Kết quả dự báo cung cấp thông tin chi tiết về sự thay đổi về diện tích và phân bố của bề mặt không thấm, giúp các nhà quy hoạch và quản lý đô thị đưa ra các quyết định sáng suốt.

5.2. Ứng Dụng Thực Tế trong Quy Hoạch Đô Thị và Môi Trường

Thông tin từ bản đồ dự báo biến động bề mặt không thấm có thể được sử dụng để quy hoạch đô thị bền vững, quản lý tài nguyên nước, giảm thiểu ô nhiễm và ứng phó với biến đổi khí hậu. Ví dụ, có thể sử dụng để xác định các khu vực có nguy cơ ngập lụt cao do sự gia tăng bề mặt không thấm.

VI. Kết Luận Hướng Nghiên Cứu Tiếp Theo Về Bề Mặt Không Thấm

Nghiên cứu đã thành công trong việc xây dựng và thử nghiệm mô hình dự báo sự biến động bề mặt không thấm tại TP.HCM, sử dụng công nghệ viễn thám và GIS kết hợp trí tuệ nhân tạo. Kết quả nghiên cứu cung cấp thông tin quan trọng cho quy hoạch đô thị và quản lý môi trường. Hướng nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của mô hình, tích hợp thêm các yếu tố ảnh hưởng khác và mở rộng phạm vi ứng dụng.

6.1. Đánh Giá và Tổng Kết Kết Quả Nghiên Cứu

Nghiên cứu đã đạt được mục tiêu đề ra là xây dựng và thử nghiệm mô hình dự báo sự biến động bề mặt không thấm tại TP.HCM. Mô hình này cung cấp thông tin quan trọng và hữu ích cho quy hoạch đô thị và quản lý môi trường. Đánh giá mô hình dự báo cũng có thể áp dụng cho các khu vực đô thị khác trong cả nước.

6.2. Đề Xuất Hướng Nghiên Cứu Mở Rộng và Phát Triển

Hướng nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của mô hình bằng cách sử dụng dữ liệu có độ phân giải cao hơn, tích hợp thêm các yếu tố ảnh hưởng khác như biến đổi khí hậu và chính sách phát triển đô thị. Ngoài ra, có thể mở rộng phạm vi ứng dụng của mô hình để hỗ trợ quản lý tài nguyên nước, giảm thiểu ô nhiễm và ứng phó với biến đổi khí hậu.

Nội dung chính

Tổng quan về 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" do nghiên cứu sinh Phạm Văn Tùng thực hiện dưới sự hướng dẫn khoa học của PGS.TS. Nguyễn Văn Trung và PGS.TS. Vũ Xuân Cường, bảo vệ tại Trường Đại học Mỏ - Địa chất Hà Nội (Mã số chuyên ngành: 9520503 - Kỹ thuật Trắc địa - bản đồ). Công trình giải quyết bài toán cấp bách về mặt khoa học và thực tiễn trong bối cảnh đô thị hóa bùng nổ tại các siêu đô thị (megacities) thuộc các quốc gia đang phát triển, nơi quá trình nhân tạo hóa bề mặt diễn ra với tốc độ chưa từng có tiền lệ.

Bề mặt không thấm (impervious surface) — bao gồm hệ thống đường giao thông, vỉa hè, sân bãi bê tông, mái nhà và các công trình hạ tầng nhân tạo — không chỉ đơn thuần là chỉ dấu vật lý của quá trình mở rộng không gian xây dựng, mà còn được giới khoa học môi trường toàn cầu xác lập là thông số cốt lõi phản ánh sức khỏe sinh thái đô thị. Sự gia tăng mất kiểm soát của bề mặt không thấm làm suy thoái nghiêm trọng chức năng thủy văn tự nhiên, triệt tiêu khả năng thấm của tầng đất mặt, gia tăng thể tích và vận tốc dòng chảy mặt (surface runoff), từ đó làm tăng đột biến tần suất và cường độ ngập lụt đô thị. Đồng thời, sự thay đổi cân bằng bức xạ nhiệt mặt đất dẫn tới việc hình thành các "đảo nhiệt đô thị" (Urban Heat Island - UHI) nghiêm trọng.

Khoảng trống nghiên cứu (research gap) cốt lõi mà luận án tập trung lấp đầy là: Mặc dù các kỹ thuật viễn thám (Remote Sensing - RS) và Hệ thống Thông tin Địa lý (GIS) đã được ứng dụng rộng rãi tại Việt Nam để giám sát hiện trạng lớp phủ hoặc đánh giá mối tương quan tĩnh giữa diện tích bề mặt không thấm và nhiệt độ bề mặt đất (Land Surface Temperature - LST), song vẫn hoàn toàn thiếu vắng một khung phương pháp luận tích hợp có khả năng mô hình hóa động học không gian - thời gian (spatio-temporal dynamics) để dự báo đa kịch bản sự mở rộng bề mặt không thấm trong tương lai. Sự kết hợp giữa năng lực xử lý dữ liệu lớn (Big Data) trên nền tảng điện toán đám mây Google Earth Engine (GEE), các thuật toán học máy (Machine Learning) tiên tiến và mô hình toán học biến đổi không gian Cellular Automata (CA) tích hợp Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) vẫn chưa được hoàn thiện cho điều kiện đặc thù của vùng đồng bằng châu thổ nhiệt đới gió mùa tại Thành phố Hồ Chí Minh.

Luận án thiết lập hệ thống câu hỏi nghiên cứu (Research Questions - RQ) và giả thuyết khoa học (Hypotheses - H) cụ thể:

• RQ1: Thuật toán học máy giám sát nào (Random Forest, SVM, CART, hay Maximum Likelihood) mang lại độ chính xác chiết xuất bề mặt không thấm tối ưu từ chuỗi ảnh vệ tinh đa thời gian Landsat trong điều kiện cảnh quan phân mảnh và phức tạp của Thành phố Hồ Chí Minh?
• RQ2: Những nhân tố không gian, tự nhiên và kinh tế - xã hội bổ sung nào đóng vai trò là động lực chi phối mạnh mẽ nhất đến quy luật mở rộng bề mặt không thấm?
• RQ3: Mô hình dự báo không gian dựa trên Cellular Automata kết hợp Mạng nơ-ron nhân tạo (CA-ANN) có vượt trội hơn mô hình tích hợp Hồi quy Logistic (CA-LR) trong việc mô phỏng xu thế phát triển không gian đô thị đến năm 2025 và 2030?
• H1: Việc tích hợp dữ liệu viễn thám quang học đa phổ với các trường thông tin không gian đa nguồn (LST, NDVI, DEM, cự ly giao thông, thủy hệ, mật độ dân số, điểm công trình đặc biệt) cho phép xây dựng mô hình chuyển đổi xác suất có độ tin cậy vượt trội.
• H2: Mô hình lai ghép CA-ANN có khả năng giải quyết các tương tác phi tuyến tính của động lực đô thị hóa, mang lại hệ số tương quan không gian (r) lớn hơn 0,70 so với dữ liệu thực nghiệm kiểm chứng.

Phạm vi nghiên cứu bao trùm toàn bộ ranh giới hành chính Thành phố Hồ Chí Minh với chuỗi dữ liệu ảnh vệ tinh Landsat TM, Landsat 8 OLI/TIRS giai đoạn 2010 - 2020 (các mốc chuẩn 2010, 2015, 2020) và chu kỳ dự báo không gian mở rộng tới các mốc thời gian 2025 và 2030.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy các hướng tiếp cận chiết xuất và mô hình hóa bề mặt không thấm đã trải qua ba giai đoạn tiến hóa căn bản. Khung khái niệm V-I-S (Vegetation - Impervious Surface - Soil) do Ridd (1995) khởi xướng đã đặt nền móng cho việc phân rã thành phần cảnh quan đô thị thành ba cấu phần cơ bản. Tiếp nối tư tưởng này, hàng loạt chỉ số phổ đã được các học giả quốc tế phát triển nhằm tách biệt bề mặt nhân tạo khỏi nền đất trống và thực vật, tiêu biểu như Chỉ số Đô thị UI (Kawamura et al.), Chỉ số Khác biệt Đất Xây dựng NDBI (Zha et al., 2003), Chỉ số Đất Xây dựng và Đất trống Tăng cường EBBI (As-Syakur et al., 2012), Chỉ số Đất trống Khô hạn DBSI (Rasul et al., 2018), và Chỉ số Đất trống Hiệu chỉnh MBI (Nguyen Trong Can et al., 2021).

Song song đó, những tranh luận học thuật sâu sắc về tác động môi trường của bề mặt không thấm đã được định lượng hóa rõ rệt:

1. Tranh luận về ngưỡng suy thoái thủy văn đô thị: Theo nghiên cứu của Dennison và cộng sự (2009), trên bề mặt thấm tự nhiên, dòng chảy mặt (surface flow) chiếm tỷ lệ không đáng kể so với dòng chảy ngấm dưới bề mặt (subsurface flow). Fernando (2018) đã chứng minh thực nghiệm rằng: đối với bề mặt thấm tự nhiên, 40% lượng nước mưa bốc thoát hơi, 10% tạo dòng chảy mặt, 25% thấm nông và 25% ngấm sâu; ngược lại, trên bề mặt không thấm nhân tạo, lượng bốc hơi giảm còn 30%, lượng nước thấm xuống đất chỉ còn 15% (10% thấm nông, 5% thấm sâu), trong khi lượng nước tích tụ trên bề mặt tạo dòng chảy lũ vọt lên tới 55%. Báo cáo của tổ chức Flood Defenders (Hoa Kỳ) khẳng định khi lượng mưa đạt 3 inch (3''), khu vực đô thị có tỷ lệ che phủ bề mặt không thấm 85% sẽ sinh ra dòng chảy bề mặt lên tới 2,5'', gấp hơn 4 lần so với khu vực rừng tự nhiên (0,6'').
2. Tranh luận về ngưỡng suy thoái chất lượng nước mặt: Nghiên cứu của Liu và cộng sự (2013) tại Thâm Quyến (Trung Quốc) xác lập rằng ngưỡng mật độ bề mặt không thấm vượt quá 36,9% tại lưu vực sẽ khiến các chỉ số ô nhiễm hóa học (COD, NH3-N) tăng vọt phi tuyến tính ($R^2 > 0,8$). Đồng thời, Kim và cộng sự (2016) nhấn mạnh chỉ cần mật độ bề mặt không thấm vượt quá 10% diện tích lưu vực sông là hệ sinh thái thủy sinh bắt đầu bị biến đổi tiêu cực nghiêm trọng. Luo và cộng sự (2018) tại hồ Điền Trì (Côn Minh, Trung Quốc) chứng minh khi tỷ lệ bề mặt không thấm quanh hồ tăng từ 1,84% lên 34,32% (giai đoạn 1988 - 2017), hàm lượng chất diệp lục (Chl-a), tổng oxy hòa tan (DO) và độ đục của nước đã gia tăng đồng biến đột biến.

Trên bình diện toàn cầu, cơ sở dữ liệu GMIS của Colstoun và cộng sự (2018) cùng nghiên cứu của Gong và cộng sự (2018) chỉ ra diện tích bề mặt không thấm toàn cầu năm 2018 đã đạt mức 797.076 km², tăng gấp 1,5 lần so với năm 1990, trong đó Trung Quốc và Hoa Kỳ chiếm trên 50% tổng diện tích toàn cầu. So sánh với các nghiên cứu quốc tế tại các đại đô thị châu Á:

• Trường hợp Vùng thủ đô Delhi (Ấn Độ): Nghiên cứu giai đoạn 1972 - 2014 ghi nhận diện tích đất xây dựng tăng gấp 17 lần, đẩy nhiệt độ bề mặt đất trung bình tăng từ 3 - 5°C, suy giảm độ ẩm và vận tốc gió mặt đất cục bộ.
• Trường hợp Vùng Vịnh Lớn Quảng Đông - Hồng Kông - Ma Cao (Trung Quốc): Liu và cộng sự (2020) chỉ ra diện tích mặt không thấm tăng từ 1.939,95 km² (1987) lên 12.488,95 km² (2017), tăng hơn 6 lần với tốc độ trung bình 351,52 km²/năm, đạt đỉnh điểm chuyển đổi vào giai đoạn 2007 - 2012 trước khi giảm tốc độ do quỹ đất tự nhiên cạn kiệt.

Tại Việt Nam, các nghiên cứu của Hà và Weng (2016) tại Hà Nội ghi nhận mức tăng 305% diện tích bề mặt không thấm giai đoạn 1988 - 2015. Trịnh Lê Hùng và cộng sự (2019) chứng minh hệ số tương quan giữa NDBI và LST tại Hà Nội tăng liên tục từ 0,65 lên 0,816 trong chuỗi thời gian 2000 - 2019. Tại Thành phố Hồ Chí Minh, Lê Văn Hạo và Lê Thị Pha Mi (2020) cho thấy diện tích bề mặt không thấm năm 1989 chỉ chiếm 1,6% (tương đương 3.365,6 ha), nhưng đến năm 2019 đã chiếm 19,2% tổng diện tích tự nhiên (khoảng 40.300 ha), đạt tốc độ tăng trưởng trung bình 1.214,6 ha/năm với hướng lan tỏa chủ đạo về phía Bắc, Đông Bắc và Tây Bắc.

Vị thế khoa học của luận án được xác lập rõ nét: Đây là công trình đầu tiên tại Việt Nam không dừng lại ở việc đánh giá hiện trạng hay phân tích tương quan tĩnh, mà đã giải quyết hoàn chỉnh chu trình: Thu nhận dữ liệu đám mây (GEE) $\rightarrow$ Tối ưu hóa phân loại học máy (Machine Learning) $\rightarrow$ Định lượng tương quan không gian đa nhân tố $\rightarrow$ Mô hình hóa động lực học tế bào (CA-ANN) $\rightarrow$ Đánh giá độ chính xác và kiểm chứng quy hoạch không gian.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào sự phát triển của lý thuyết Cảnh quan Đô thị (Urban Landscape Ecology) và Lý thuyết Hệ thống Thích ứng Phức hợp (Complex Adaptive Systems) thông qua ba luận điểm lý thuyết nền tảng:

1. Mở rộng mô hình sinh thái đô thị V-I-S: Luận án bổ sung vào khung phân tích V-I-S của Ridd (1995) các biến tương tác nhiệt - ẩm nội tại (LST, NDVI) và các trường lực hấp dẫn không gian (Spatial Gravity Fields) bắt nguồn từ hệ thống cơ sở hạ tầng giao thông và các cực phát triển kinh tế xã hội. Bề mặt không thấm không chỉ là trạng thái vật lý thụ động mà là một tác tử biến đổi động lực tương tác liên tục với môi trường vi khí hậu.
2. Hình thức hóa toán học quy tắc chuyển đổi ô tế bào (Transition Rules): Thay thế các quy tắc chuyển đổi tất định (deterministic rules) cứng nhắc bằng hàm xác suất chuyển đổi phi tuyến tính học được từ Mạng nơ-ron nhân tạo (ANN). Phương pháp này giúp mô hình hóa được tính phi tuyến, tính trễ và tính tự tổ chức của quá trình đô thị hóa trong điều kiện chuyển đổi kinh tế nhanh.
3. Xác lập điều kiện biên không gian (Boundary Conditions): Luận án chứng minh rằng trong điều kiện một siêu đô thị nằm trên nền địa hình đồng bằng tích tụ châu thổ trũng thấp ven biển có hệ thống sông rạch dày đặc như Thành phố Hồ Chí Minh, khoảng cách tới mạng lưới đường giao thông chính và các công trình đầu mối giữ vai trò là biến quyết định chi phối xác suất bê tông hóa bề mặt, vượt qua các ràng buộc tự nhiên về độ cao hay thủy hệ.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành ba trụ cột phương pháp luận:

• Trụ cột 1: Phân tích quang phổ và truyền xạ nhiệt (Radiative Transfer & Spectral Indexing): Khai thác kênh phổ phản xạ hồng ngoại sóng ngắn (SWIR1, SWIR2), cận hồng ngoại (NIR) và dải hồng ngoại nhiệt (TIR) của cảm biến Landsat TM/OLI/TIRS để chiết xuất chính xác các chỉ số chuyên đề bao gồm NDVI, NDBI, NDWI, EBBI và nhiệt độ bề mặt đất (LST).
• Trụ cột 2: Học máy tối ưu hóa không gian (Spatial Machine Learning Optimization): So sánh đối sánh hiệu năng phân loại của 4 thuật toán: Xác suất cực đại (Maximum Likelihood Classification - MLC), Phân loại và Cây hồi quy (Classification and Regression Tree - CART), Máy hỗ trợ vector (Support Vector Machine - SVM), và Rừng ngẫu nhiên (Random Forest - RF) trên nền tảng điện toán đám mây Google Earth Engine (GEE).
• Trụ cột 3: Động lực học biến đổi ô tế bào Cellular Automata (CA): Kết hợp ma trận lân cận Moore/Neumann với xác suất chuyển đổi tiềm năng từ mạng đa tầng nơ-ron nhân tạo (Multi-Layer Perceptron Back-Propagation ANN) và Hồi quy Logistic đa biến (LR) thông qua module MOLUSCE tích hợp trong môi trường mã nguồn mở QGIS.

       [ Chuỗi ảnh vệ tinh Landsat TM, OLI/TIRS (2010, 2015, 2020) ]
       [ Đánh giá & Phân loại học máy: RF, SVM, CART, MaxLikelihood ]
       [ Bản đồ Hiện trạng Bề mặt không thấm (2010, 2015, 2020) ]
[ 7 Lớp Nhân tố Động lực ]                               [ Ma trận Chuyển đổi ]
- Mật độ thực vật (NDVI)                                  (Markov Chain State)
            [ Phân tích Tương quan Không gian Pearson (r) ]
            [ Huấn luyện Tiềm năng Chuyển đổi: ANN vs. LR ]
            [ Mô hình Ô tế bào Cellular Automata (MOLUSCE/QGIS) ]
     [ Dự báo & Hiệu chỉnh: 2020 (Validation r=0.715) -> 2025 & 2030 ]
       [ Đánh giá Tác động Môi trường & Đối sánh Quy hoạch Không gian ]

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được thiết kế theo trường phái thực chứng (Positivism) kết hợp mô hình hóa không gian định lượng chặt chẽ. Luận án triển khai quy trình nghiên cứu đa tầng bậc gồm 4 giai đoạn logic khép kín:

1. Giai đoạn tiền xử lý và chiết xuất dữ liệu lớn: Tự động hóa quá trình hiệu chỉnh hình học, hiệu chỉnh bức xạ và loại trừ mây trên nền tảng Google Earth Engine bằng ngôn ngữ lập trình JavaScript/Java API cho các cảnh ảnh Landsat ngày 11/02/2010 (Landsat 5 TM), ngày 09/02/2015 (Landsat 8 OLI/TIRS) và ngày 23/02/2020 (Landsat 8 OLI/TIRS).
2. Giai đoạn phân loại và kiểm định chất lượng chuyên đề: Áp dụng song song 4 thuật toán phân loại giám sát per-pixel, đánh giá độ chính xác tổng thể (Overall Accuracy - OA) và hệ số tin cậy Kappa thông qua ma trận nhầm lẫn (Confusion Matrix) với tập mẫu kiểm chứng thực địa độc lập.
3. Giai đoạn chuẩn hóa và phân tích không gian các nhân tố chi phối: Xây dựng bộ cơ sở dữ liệu 7 lớp biến động lực không gian từ CSDL Nền địa lý quốc gia tỷ lệ 1:50.000, dữ liệu thống kê dân số năm 2021 và dữ liệu không gian mở (opendata.vn). Toàn bộ dữ liệu được raster hóa và chuẩn hóa về miền giá trị liên tục $[0, 1]$ ở độ phân giải lưới ô vuông $30\text{ m} \times 30\text{ m}$.
4. Giai đoạn mô hình hóa động thái và dự báo không gian: Thiết lập quy tắc chuyển đổi trạng thái bằng mạng ANN và hàm Logistic, chạy mô phỏng CA trên module MOLUSCE (Modules for Land Use Change Evaluation) trong QGIS 2.18, tiến hành kiểm định chéo (cross-validation) kết quả dự báo năm 2020 với bản đồ phân loại thực nghiệm trước khi thực hiện phóng chiếu không gian cho các năm 2025 và 2030.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ các chuẩn mực đo đạc và bản đồ hiện đại:

• Khai thác dữ liệu ảnh vệ tinh chuẩn hóa: Sử dụng sản phẩm Landsat Surface Reflectance (Level-2) với độ phân giải không gian kênh đa phổ 30m, kênh toàn sắc (Panchromatic) 15m và các kênh nhiệt TIR (độ phân giải thu nhận 60m - 100m, được tái nội suy về 30m).
• Trích xuất các chỉ số phổ và trường nhiệt độ bề mặt:
  • Chỉ số Thực vật NDVI: Tính toán từ kênh Đỏ và Cận hồng ngoại (NIR) để biểu thị độ che phủ sinh khối.
  • Chỉ số Đất xây dựng NDBI: Tính toán từ kênh NIR và SWIR1 để làm nổi bật bề mặt không thấm.
  • Nhiệt độ bề mặt đất LST: Chiết xuất từ kênh hồng ngoại nhiệt (TIR) thông qua việc đảo ngược phương trình bức xạ Planck, hiệu chỉnh độ phát xạ bề mặt dựa trên phân số thực vật ($P_v$).
• Xử lý các lớp nhân tố động lực địa lý:
  • Khoảng cách tới mạng lưới giao thông (Euclidean Distance to Roads): Tạo lập từ dữ liệu mạng lưới giao thông bộ tỷ lệ 1:50.000, chuẩn hóa thang độ $0 - 1$.
  • Khoảng cách tới mạng lưới thủy hệ (Euclidean Distance to Waterbodies): Tính toán từ hệ thống sông, kênh, rạch tự nhiên.
  • Khoảng cách tới các công trình đặc biệt (Distance to Special POIs): Xác định cự ly tới các trung tâm hành chính, khu công nghiệp tập trung, cảng biển, sân bay.
  • Mô hình số độ cao DEM: Khai thác từ dữ liệu địa hình độ cao CSDL 1:50.000.
  • Mật độ dân số: Raster hóa số liệu thống kê mật độ dân số cấp quận/huyện năm 2021 của Thành phố Hồ Chí Minh.
• Phân tích tương quan Pearson: Xác định mức độ liên hệ tuyến tính giữa các lớp biến bổ sung và sự phân bố của bề mặt không thấm nhằm chọn lọc bộ biến độc lập tối ưu cho mô hình dự báo.

Data và phân tích

Để đánh giá tính vững chắc (robustness), luận án thiết lập ma trận kiểm thử chi tiết giữa 4 thuật toán phân loại cho các năm 2010 và 2015:

Thuật toán Phân loại	Độ chính xác Tổng thể (OA) 2010	Hệ số Kappa ($\kappa$) 2010	Độ chính xác Tổng thể (OA) 2015	Hệ số Kappa ($\kappa$) 2015
Random Forest (RF)	Tối ưu nhất	Cao nhất	Tối ưu nhất	Cao nhất
Support Vector Machine (SVM)	Cao	Tương đương RF	Cao	Tương đương RF
CART (Decision Tree)	Trung bình khá	Trung bình	Trung bình khá	Trung bình
Maximum Likelihood (MLC)	Thấp nhất	Thấp nhất	Thấp nhất	Thấp nhất

Kết quả thực nghiệm khẳng định Random Forest (RF) và SVM vượt trội hoàn toàn so với thuật toán thống kê truyền thống Maximum Likelihood nhờ khả năng xử lý tốt cấu trúc dữ liệu đa chiều, giảm thiểu tối đa hiện tượng lẫn phổ giữa đất trống đô thị, công trình xây dựng và đất nông nghiệp sau thu hoạch. Do đó, kết quả phân loại từ thuật toán RF được lựa chọn làm dữ liệu đầu vào chuẩn xác để chạy mô hình dự báo.

Trong pha mô hình hóa biến động ô tế bào (Cellular Automata):

• Cấu hình mạng nơ-ron nhân tạo (ANN): Mạng truyền thẳng đa tầng huấn luyện bằng giải thuật lan truyền ngược sai số (Back-Propagation), sử dụng vùng lân cận Moore kích thước $3 \times 3$ pixel, tốc độ học (learning rate) được tinh chỉnh, số lượng vòng lặp (iterations) đảm bảo hàm mất mát (loss function) hội tụ.
• So sánh đối chứng mô hình: Mô hình tích hợp CA-ANN thể hiện sự thích ứng vượt trội so với mô hình Hồi quy Logistic (CA-LR) trong việc tái tạo không gian phức tạp và khớp nối với bản đồ kiểm chứng năm 2020, đạt hệ số tương quan $r = 0,715$.

Phát hiện đột phá và implications

Những phát hiện then chốt

1. Sự ưu việt vượt trội của thuật toán Rừng ngẫu nhiên (Random Forest) trên Google Earth Engine: Thuật toán RF cho phép phân lập chính xác ranh giới bề mặt không thấm tại các khu vực đô thị hóa đan xen nông thôn phức tạp (vùng ven TP.HCM), triệt tiêu phần lớn hiện tượng phân loại nhầm do hiện tượng bẫy phổ giữa đất trống và bê tông.
2. Xác lập trật tự thứ bậc của các nhân tố chi phối: Phân tích tương quan Pearson chỉ ra rằng khoảng cách tới đường giao thông chính, mật độ dân số và nhiệt độ bề mặt đất (LST) là 3 nhân tố có tương quan thuận mạnh mẽ nhất đối với xác suất chuyển đổi sang bề mặt không thấm. Địa hình độ cao và khoảng cách tới thủy hệ có vai trò định hình không gian tiêu cực (hạn chế xây dựng tại các vùng trũng ngập ven sông Soài Rạp, Lòng Tàu).
3. Mô hình CA-ANN đạt độ chính xác dự báo cao với $r = 0,715$: Khi sử dụng dữ liệu nền 2010 - 2015 để dự báo cho năm 2020 và so sánh trực tiếp với bản đồ hiện trạng phân loại năm 2020, mô hình CA-ANN đạt hệ số tương quan không gian $r = 0,715$. Điều này chứng minh mạng nơ-ron nhân tạo đã học thành công các quy luật chuyển đổi không gian ngầm định phức tạp.
4. Xu thế mở rộng không gian bề mặt không thấm giai đoạn 2020 - 2030: Dự báo chỉ ra sự bùng nổ diện tích bề mặt không thấm tập trung mãnh liệt dọc theo các hành lang phát triển kinh tế:
   • Hành lang phía Đông và Đông Bắc: Thành phố Thủ Đức (quận 2, quận 9, Thủ Đức cũ) với hạt nhân là các khu đô thị mới, khu công nghệ cao và các trục hạ tầng vành đai, cao tốc.
   • Hành lang phía Tây Bắc và Tây: Các huyện Hóc Môn, Bình Chánh, Quận 12 ghi nhận tốc độ bê tông hóa nhanh do áp lực chuyển đổi đất nông nghiệp thành các cụm công nghiệp và khu dân cư tự phát.
   • Khu vực phía Nam (Nhà Bè, Cần Giờ): Tốc độ gia tăng bề mặt không thấm diễn ra chậm hơn và mang tính chọn lọc dọc theo các trục đường chính nối cụm cảng Hiệp Phước, bảo tồn được cấu trúc sinh thái rừng ngập mặn Cần Giờ.
5. Mức độ tương thích và sai lệch so với Quy hoạch sử dụng đất đến năm 2025: Khi so sánh kết quả dự báo phân bố bề mặt không thấm năm 2025 từ mô hình CA-ANN với Bản đồ Quy hoạch sử dụng đất Thành phố Hồ Chí Minh đến năm 2025, luận án phát hiện nhiều điểm nóng (hotspots) đô thị hóa tự phát tại vùng ven vượt ra ngoài ranh giới quy hoạch đô thị chính thức, đe dọa các vùng đệm sinh thái nông nghiệp và hành lang thoát lũ tự nhiên.

       [ Hướng lan tỏa Bề mặt Không thấm TP.HCM giai đoạn 2020 - 2030 ]
                                         - Phát triển chọn lọc hạ tầng Cảng Hiệp Phước
                                         - Duy trì vùng đệm Rừng ngập mặn sinh thái

Implications đa chiều

• Ý nghĩa lý thuyết: Xác lập một mô hình lý thuyết hoàn chỉnh giải thích động lực biến đổi cảnh quan tại các siêu đô thị vùng châu thổ nhiệt đới. Nghiên cứu bổ sung dẫn chứng thực nghiệm khẳng định tính phi tuyến của quá trình nhân tạo hóa bề mặt dưới tác động kép của hạ tầng giao thông và gia tăng dân số.
• Đổi mới phương pháp luận: Thiết lập quy trình công nghệ tích hợp từ khâu tiền xử lý đám mây tự động (GEE script) đến mô hình hóa tế bào cục bộ (QGIS MOLUSCE), cung cấp công cụ có khả năng chuyển giao hoàn chỉnh và áp dụng linh hoạt cho các đô thị khác tại Việt Nam như Hà Nội, Hải Phòng, Đà Nẵng, Cần Thơ.
• Ứng dụng thực tiễn trong quản lý đô thị: Cung cấp cơ sở dữ liệu số hóa dạng không gian có độ chính xác cao về nguy cơ suy thoái lớp phủ, giúp các nhà quy hoạch nhận diện trước các khu vực có nguy cơ quá tải hệ thống thoát nước do bề mặt không thấm gia tăng vượt ngưỡng sinh thái.
• Khuyến nghị chính sách:
  1. Đề nghị UBND TP.HCM, Sở Tài nguyên và Môi trường (DONRE), Sở Quy hoạch - Kiến trúc (DPA) ứng dụng trực tiếp bản đồ dự báo biến động bề mặt không thấm vào việc thẩm định các đồ án điều chỉnh quy hoạch chung thành phố.
  2. Ban hành quy chuẩn bắt buộc về "Tỷ lệ diện tích bề mặt thấm tối thiểu" đối với tất cả các dự án khu dân cư và khu công nghiệp mới (bắt buộc áp dụng hạ tầng xanh - Green Infrastructure, bê tông xốp thấm nước, hồ điều hòa phi tập trung).
  3. Kiểm soát nghiêm ngặt hành lang xây dựng dọc theo hệ thống sông Sài Gòn, sông Đồng Nai để giữ nguyên năng lực thoát nước mặt tự nhiên trong bối cảnh biến đổi khí hậu và triều cường.

Limitations và Future Research

Luận án thẳng thắn chỉ ra các giới hạn nghiên cứu khoa học cần được tiếp tục hoàn thiện:

1. Giới hạn về độ phân giải không gian của tư liệu viễn thám: Dữ liệu ảnh Landsat với độ phân giải không gian $30\text{ m} \times 30\text{ m}$ gây ra hiệu ứng điểm ảnh hỗn hợp (mixed pixels) tại các khu vực đô thị có mật độ ngõ hẻm nhỏ hẹp, nhà ở liền kề đan xen cây xanh sân vườn, khiến việc bóc tách tỷ lệ phần trăm bề mặt không thấm dưới mức điểm ảnh (sub-pixel) còn tồn tại sai số nhất định.
2. Giới hạn về dữ liệu viễn thám quang học do mây: Thành phố Hồ Chí Minh nằm trong vùng khí hậu nhiệt đới gió mùa có độ che phủ mây rất cao trong mùa mưa, dẫn đến việc thu thập chuỗi ảnh quang học sạch mây đồng nhất giữa các năm gặp nhiều thách thức, buộc phải chọn ảnh vào giai đoạn mùa khô (tháng 1 - tháng 3).
3. Các biến động chính sách và kinh tế vĩ mô chưa được lượng hóa toàn diện: Mô hình CA-ANN chủ yếu dựa trên các quy luật không gian quá khứ và các nhân tố vật lý - kinh tế xã hội dạng tĩnh, chưa mô phỏng hết các kịch bản đột biến kinh tế vĩ mô, biến động thị trường bất động sản hoặc các quyết định điều chỉnh địa giới hành chính đột xuất (như việc thành lập Thành phố Thủ Đức).

Định hướng nghiên cứu tiếp theo:

• Ứng dụng nguồn ảnh vệ tinh độ phân giải cao và đa cảm biến (Sentinel-2 10m, PlanetScope 3m kết hợp ảnh Radar khẩu độ tổng hợp Sentinel-1 SAR) để triệt tiêu ảnh hưởng của mây và bóc tách bề mặt không thấm chi tiết ở cấp độ công trình.
• Phát triển các thuật toán học sâu không gian - thời gian (Spatio-Temporal Deep Learning) như mạng tích chập kết hợp bộ nhớ dài ngắn (ConvLSTM, Graph Neural Networks) để nâng cao độ chính xác dự báo động học đô thị.
• Tích hợp kết quả dự báo bề mặt không thấm với các mô hình thủy văn - thủy lực chuyên sâu (SWMM, MIKE FLOOD) để dự báo định lượng nguy cơ ngập úng đô thị theo các kịch bản biến đổi khí hậu và nước biển dâng.

Tác động và ảnh hưởng

• Tác động học thuật: Luận án mở ra hướng nghiên cứu tiên phong tại Việt Nam về mô hình hóa không gian tích hợp Machine Learning và Cellular Automata trong kỹ thuật Trắc địa - Bản đồ và Quản lý đất đai. Các bài báo khoa học xuất bản từ luận án tạo lập chỉ số trích dẫn cao trong các nghiên cứu về viễn thám đô thị tại khu vực Đông Nam Á.
• Chuyển đổi ngành và quản trị công: Nghiên cứu đặt nền tảng cho việc chuyển dịch phương thức quy hoạch đô thị từ "quy hoạch tĩnh truyền thống" sang "giám sát và mô phỏng động lực học thời gian thực", tối ưu hóa chi phí đầu tư hàng nghìn tỷ đồng cho hệ thống thoát nước đô thị.
• Hiệu quả môi trường - xã hội: Góp phần cảnh báo sớm nguy cơ suy giảm không gian xanh và gia tăng hiệu ứng đảo nhiệt đô thị (UHI), giúp bảo vệ sức khỏe cộng đồng cư dân đô thị trước các đợt sóng nhiệt cực đoan và thiên tai ngập úng cục bộ.

Đối tượng hưởng lợi

• Nghiên cứu sinh, học viên cao học và nhà khoa học chuyên ngành: Tiếp cận quy trình công nghệ mẫu về xử lý ảnh viễn thám trên Google Earth Engine, mã nguồn phân tích học máy và kỹ thuật vận hành mô hình CA-ANN trong GIS mã nguồn mở.
• Các cơ quan quản lý nhà nước (Bộ TN&MT, UBND TP.HCM, Sở Xây dựng, Sở QHKT): Sở hữu cơ sở khoa học xác đáng và bộ bản đồ dự báo hiện đại phục vụ việc rà soát quy hoạch chung xây dựng đô thị, quy hoạch phân khu và quy hoạch chi tiết.
• Các doanh nghiệp phát triển hạ tầng và công ty tư vấn quy hoạch: Ứng dụng mô hình dự báo để lựa chọn vị trí đầu tư bền vững, tính toán tải lượng dòng chảy mặt thiết kế hệ thống tiêu thoát nước đô thị đạt chuẩn sinh thái.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của công trình là gì? Trả lời: Đóng góp lý thuyết độc đáo nhất là việc mở rộng khung phân tích hình thái sinh thái đô thị V-I-S của Ridd (1995) thông qua việc lượng hóa và tích hợp thành công trường nhiệt độ bề mặt đất (LST) cùng 6 nhân tố động lực không gian vào hàm xác suất chuyển đổi phi tuyến tính của Mạng nơ-ron nhân tạo (ANN) lồng ghép trong mô hình tế bào Cellular Automata.

2. Điểm cải tiến phương pháp luận cốt lõi so với các nghiên cứu tiền nhiệm là gì? Trả lời: Khắc phục hoàn toàn hạn chế của các phương pháp phân loại per-pixel truyền thống (như Maximum Likelihood) bằng việc tối ưu hóa thuật toán học máy Random Forest trên nền tảng điện toán đám mây GEE; đồng thời thay thế các mô hình ngoại suy xu thế đơn giản bằng mô hình lai ghép CA-ANN đạt hệ số tương quan thực chứng $r = 0,715$, vượt trội hơn hẳn so với mô hình CA-Logistic Regression.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất trong nghiên cứu? Trả lời: Tốc độ mở rộng của bề mặt không thấm tại các vùng ven đô (Hóc Môn, Bình Chánh, Quận 12) có tính chất phân tán và bám dọc theo mạng lưới đường giao thông nhánh với tốc độ nhanh hơn đáng kể so với khu vực nội thành cũ, trong đó nhiều khu vực có xu hướng vượt ra ngoài phạm vi quy hoạch sử dụng đất chính thức đến năm 2025.

4. Luận án có cung cấp đầy đủ giao thức để tái lặp nghiên cứu (Replication Protocol) không? Trả lời: Luận án cung cấp đầy đủ giao diện, cấu trúc mã nguồn (code) xử lý trên nền tảng Google Earth Engine, tham số chi tiết của mạng ANN và hồi quy Logistic, cùng hệ thống bảng số liệu kiểm chứng điểm đo thực địa, cho phép tái lập quy trình trên các địa bàn nghiên cứu khác hoàn toàn minh bạch.

5. Chương trình nghị sự nghiên cứu 10 năm tới được định hình như thế nào? Trả lời: Định hướng mở rộng sang tích hợp chuỗi dữ liệu ảnh viễn thám siêu phổ (Hyperspectral) và Radar giao thoa (InSAR) kết hợp mô hình học sâu Spatio-temporal Transformer để mô phỏng đồng thời 3 chiều: biến động bề mặt không thấm - lún võng mặt đất đô thị - ngập lụt thủy văn.

Kết luận

1. Luận án đã giải quyết trọn vẹn mục tiêu nghiên cứu, xây dựng thành công cơ sở khoa học và quy trình công nghệ ứng dụng viễn thám và GIS trong dự báo biến động bề mặt không thấm cho siêu đô thị Thành phố Hồ Chí Minh.
2. Khẳng định tính ưu việt của thuật toán học máy Random Forest (RF) trong chiết xuất bề mặt không thấm từ dữ liệu ảnh vệ tinh Landsat đa thời gian so với SVM, CART và Maximum Likelihood.
3. Đề xuất và xây dựng thành công bộ dữ liệu đầu vào gồm 7 lớp nhân tố động lực địa lý - sinh thái - kinh tế xã hội được chuẩn hóa không gian ở độ phân giải 30m.
4. Minh chứng mô hình Cellular Automata tích hợp Mạng nơ-ron nhân tạo (CA-ANN) mang lại độ chính xác dự báo cao vượt trội, đạt hệ số tương quan thực nghiệm $r = 0,715$.
5. Cung cấp bức tranh toàn cảnh về xu thế mở rộng bề mặt không thấm đến năm 2025 và 2030, hỗ trợ trực tiếp cho các nhà hoạch định chiến lược trong việc kiểm soát đô thị hóa tự phát, giảm thiểu nguy cơ ngập lụt và ứng phó hiệu ứng đảo nhiệt đô thị hướng tới phát triển bền vững.

Trích đoạn nội dung tài liệu

chương 1. 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. Đặc điểm khu vực nghiên cứu. Điều kiện tự nhiên.

Điều kiện kinh tế - xã hội. Đặc điểm đô thị hóa ở Thành phố Hồ Chí Minh. Nghiên cứu lựa chọn các nhân tố ảnh hưởng đến sự biến động bề mặt không thấm. Lựa chọn bộ dữ liệu bổ sung.

Đánh giá tương quan giữa bộ dữ liệu bổ sung và dữ liệu cơ sở. Cơ sở khoa học phương pháp chiết xuất các lớp dữ liệu bổ sung cho mô hình dự báo sự biến động bề mặt không thấm. Mật độ che phủ thực vật. Nhiệt độ bề mặt.

Khoảng cách tới đường giao thông. Khoảng cách tới thủy hệ. Dữ liệu mật độ dân cư. Khoảng cách tới công trình đặc biệt.

Cơ sở khoa học phương pháp phân loại bề mặt không thấm từ dữ liệu viễn thám. Thuật toán xác suất cực đại. Thuật toán Random Forest. Thuật toán Support Vector Machine.

Thuật toán Classification and Regression Tree. Mô hình Cellular Automata và các kỹ thuật học máy mô phỏng sự thay đổi bề mặt không thấm. Mô hình Cellular Automata. Mạng nơ ron nhân tạo (ANN).

Hồi quy Logistic (LR). Sơ đồ mô hình dự báo sự biến động mặt không thấm. Tiểu kết chương 2. THỰC NGHIỆM DỰ BÁO BIẾN ĐỘNG BỀ MẶT KHÔNG THẤM KHU VỰC THÀNH PHỐ HỒ CHÍ MINH.

Đặc điểm dữ liệu sử dụng. Dữ liệu viễn thám. Dữ liệu khác. Kết quả phân loại bề mặt không thấm từ ảnh vệ tinh Landsat đa thời gian.

Kết quả phân loại sử dụng thuật toán RF. Kết quả phân loại sử dụng thuật toán SVM. Kết quả phân loại sử dụng thuật toán CART. Kết quả phân loại sử dụng thuật toán Maximum Likelihood.

Đánh giá và lựa chọn phương pháp phân loại phù hợp. Kết quả dự báo phân bố bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Kết quả dự báo biến động bề mặt không thấm năm 2020. Đánh giá và hoàn thiện mô hình dự báo sự biến động bề mặt không thấm ………118 3.

Kết quả dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh trong tương lai. Tiểu kết chương 3. 131 KẾT LUẬN VÀ KIẾN NGHỊ. 134 CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ.

135 TÀI LIỆU THAM KHẢO. Giao diện và mã code phân loại bề mặt không thấm trên nền tảng Google Earth Engine (GEE). Thông tin về các điểm dùng để so sánh kết quả dự báo phân bố bề mặt không thấm năm 2025 và bản đồ quy hoạch đến năm 2025. 168 DANH MỤC CHỮ VIẾT TẮT Tên viết tắt Tên đầy đủ tiếng anh Tên đầy đủ tiếng việt ANN Artificial Neural Network Mạng nơ-ron nhân tạo CA Cellular Automata CART Classification and Regression Phân loại và cây hồi quy Tree CSDL Cơ sở dữ liệu DEM Digital Elevation Model Mô hình số độ cao EBBI Enhanced Built-up and Bareness Chỉ số đất xây dựng và đất trống Index tăng cường ETM+ Enhanced Thematic Mapper Plus Bộ cảm biến ETM+ GIS Geographical Information Hệ thông tin địa lý System LST Land surface temperature Nhiệt độ bề mặt MIR Middle Infrared Hồng ngoại trung MSI MultiScanner Instrument Thiết bị quét đa phổ NDBI Normalized Difference Built-up Chỉ số khác biệt đất xây dựng Index NDVI Normalized Difference Chỉ số khác biệt thực vật Vegetation Index NDWI Normalized Difference Water Chỉ số khác biệt nước Index NIR Near Infrared Cận hồng ngoại OLI Operational Land Image Bộ cảm biến OLI RF Random Forest Rừng ngẫu nhiên SRTM Space Shuttle Radar Topography Mission SVM Support Vector Machine Máy hỗ trợ vector SWIR Shortware Infrared Hồng ngoại sóng ngắn TIR Thermal Infrared Hồng ngoại nhiệt TM Thematic Mapper Bộ cảm biến TM UHI Urban Heat Island Đảo nhiệt đô thị UI Urban Index Chỉ số đô thị DANH MỤC BẢNG BIỂU Bảng 1.

Các thế hệ vệ tinh Landsat. Đặc điểm các kênh phổ ảnh vệ tinh Landsat 8/9 [153]. Giá trị tương quan của các lớp dữ liệu bổ sung. Đặc điểm ảnh hồng ngoại nhiệt Landsat.

Diện tích, dân số và mật độ dân số năm 2021 khu vực Thành phố Hồ Chí Minh phân theo quận/huyện. Ma trận sai số khi phân loại bằng thuật toán RF đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác khi phân loại bằng thuật toán RF đối với ảnh Landsat khu vực nghiên cứu năm 2010. Ma trận sai số khi phân loại bằng thuật toán RF đối với ảnh Landsat khu vực nghiên cứu năm 2015.

Độ chính xác khi phân loại bằng thuật toán RF đối với ảnh Landsat khu vực nghiên cứu năm 2015. Ma trận sai số khi phân loại bằng thuật toán SVM đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác khi phân loại bằng thuật toán SVM đối với ảnh Landsat khu vực nghiên cứu năm 2010. Ma trận sai số khi phân loại bằng thuật toán SVM đối với ảnh Landsat khu vực nghiên cứu năm 2015.

Độ chính xác khi phân loại bằng thuật toán SVM đối với ảnh Landsat khu vực nghiên cứu năm 2015. Ma trận sai số khi phân loại bằng thuật toán CART đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác khi phân loại bằng thuật toán CART đối với ảnh Landsat khu vực nghiên cứu năm 2010. Ma trận sai số khi phân loại bằng thuật toán CART đối với ảnh Landsat khu vực nghiên cứu năm 2015.

Độ chính xác khi phân loại bằng thuật toán CART đối với ảnh Landsat khu vực nghiên cứu năm 2015. Ma trận sai số khi phân loại bằng thuật toán xác suất cực đại đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác khi phân loại bằng thuật toán xác suất cực đại đối với ảnh Landsat khu vực nghiên cứu năm 2010. Ma trận sai số khi phân loại bằng thuật toán xác suất cực đại đối với ảnh Landsat khu vực nghiên cứu năm 2015.

Độ chính xác khi phân loại bằng thuật toán xác suất cực đại đối với ảnh Landsat khu vực nghiên cứu năm 2015. Độ chính xác tổng thể và chỉ số Kappa của các thuật toán phân loại đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác tổng thể và chỉ số Kappa của các thuật toán phân loại đối với ảnh Landsat khu vực nghiên cứu năm 2015. Các tham số sử dụng trong thuật toán ANN.

Các tham số sử dụng trong thuật toán hồi quy Logistic. Diện tích của các đối tượng giai đoạn 2010 - 2025. Diện tích biến động của các đối tượng giai đoạn 2020 - 2025 và 2025 - 2030 129 DANH MỤC HÌNH VẼ Hình 1. Mô tả về bề mặt không thấm [151].

So sánh khả năng thấm nước của bề mặt không thấm và bề mặt thấm [46]. Định lượng hóa khả năng thấm nước của bề mặt không thấm và bề mặt thấm [49]. So sánh dòng chảy bề mặt đối với các bề mặt khác nhau khi lượng mưa đạt 3 inch [152]. Tác động của sự gia tăng bề mặt không thấm đến chất lượng nước khu vực hồ Dianchi (Trung Quốc) [78].

Nhiệt độ bề mặt các khu vực với lớp phủ bề mặt khác nhau [26]. Dự báo tỉ lệ dân cư đô thị tại các nước ở châu Á đến năm 2050 [84]. Thay đổi diện tích đất xây dựng ở thủ đô Ấn Độ giai đoạn 1972 - 2014 [105]. Thay đổi diện tích đất xây dựng khu vực Quảng Đông-Hồng Kông-Ma Cao (Trung Quốc) giai đoạn 1987 – 2017 từ dữ liệu ảnh Landsat [75].

Biến động diện tích bề mặt không thấm khu vực Thành phố Hồ Chí Minh giai đoạn 1989 - 2019 [9]. Biến động diện tích bề mặt không thấm khu vực thành phố Thanh Hóa giai đoạn 2015 - 2021 [87]. Phân loại đất trống đô thị từ các chỉ số khác nhau trong nghiên cứu của Nguyen Trong Can và cộng sự (2021) [116]. Kết quả phân loại đất trống bằng chỉ số NDLI giai đoạn 2007 – 2013 trong nghiên cứu của Li và cộng sự (2017) [72].

Kết quả phân loại đất trống bằng chỉ số BI khu vực thành phố Bắc Kinh (Trung Quốc) trong nghiên cứu của Lin và cộng sự (2005)[74]. Mật độ bề mặt không thấm ở một số thành phố lớn trên thế giới [44]. So sánh kết quả phân loại bề mặt không thấm bằng phương pháp MSMT_RF và một số bố dữ liệu khác [132]. Dự báo phân bố bề mặt không thấm khu vực Milwaukee, Wisconsin đến năm 2050 [73].

Biến động bề mặt không thấm khu vực thành phố Cần Thơ giai đoạn 2000 - 2020 [15]. Vị trí địa lý Thành phố Hồ Chí Minh. Gia tăng diện tích đất đô thị ở Thành phố Hồ Chí Minh giai đoạn 1990 – 2015 [130]. Mô tả mối quan hệ tương quan giữa 2 lớp dữ liệu.

Chỉ số thực vật NDVI khu vực Thành phố Hồ Chí Minh, chiết xuất từ dữ liệu ảnh Landsat 8 ngày 23/2/2020. Kết quả xác định lớp dữ liệu mật độ che phủ thực vật khu vực Thành phố Hồ Chí Minh từ ảnh Landsat 8 ngày 23/2/2020. Kết quả xác định lớp dữ liệu nhiệt độ bề mặt khu vực Thành phố Hồ Chí Minh từ ảnh vệ tinh Landsat ngày 23/2/2020 sau khi chuẩn hóa về thang giá trị 0-1. Lớp dữ liệu độ cao xây dựng từ CSDL nền địa lý quốc gia tỉ lệ 1:50 000 khu vực Thành phố Hồ Chí Minh sau khi chuẩn hóa về thang giá trị 0-1.

Lớp dữ liệu khoảng cách tới đường giao thông khu vực Thành phố Hồ Chí Minh sau khi chuẩn hóa về thang giá trị 0-1. Lớp dữ liệu khoảng cách tới đường giao thông khu vực Thành phố Hồ Chí Minh sau khi được phân vùng. Lớp dữ liệu khoảng cách tới thủy hệ khu vực Thành phố Hồ Chí Minh sau khi chuẩn hóa về thang giá trị 0-1. Lớp dữ liệu khoảng cách tới thủy hệ khu vực Thành phố Hồ Chí Minh sau khi được phân vùng.

Lớp dữ liệu mật độ dân cư khu vực Thành phố Hồ Chí Minh Minh sau khi chuẩn hóa về thang giá trị 0-1. Lớp dữ liệu khoảng cách tới công trình đặc biệt khu vực Thành phố Hồ Chí Minh sau khi chuẩn hóa về thang giá trị 0-1. Cơ sở khoa học thuật toán phân loại xác suất cực đại. Sơ đồ nguyên lý phân loại bằng thuật toán RF.

Nguyên lý hoạt động của thuật toán phân loại SVM. Mô tả nguyên lý hoạt động của thuật toán phân loại CART. Định nghĩa vùng lân cận Moore và Neumann trong mô hình Cellular Automata hai chiều. Kiến trúc của mạng nơ ron nhân tạo.20: Mô hình toán học của một nút xử lý trong mạng nơ ron nhân tạo .