Luận án tiến sĩ nghiên cứu khai thác dữ liệu mưa vệ tinh nâng cao chất lượng mô phỏng dòng chảy lũ khu vực thiếu số liệu trên lưu vực sông mã

Luận án tiến sĩ nghiên cứu nghiên cứu khai thác dữ liệu mưa vệ tinh nâng cao chất lượng mô phỏng dòng chảy lũ khu vực thiếu số, phân tích chuyên sâu, xây dựng mô hình lý thuyết,

• Tác giả: Nguyễn Tiến Kiên
• Người hướng dẫn: TS. Lê Đình Thành
• Trường học: Trường Đại Học Thủy Lợi
• Chuyên ngành: Thủy Văn Học
• Đề tài: Nghiên Cứu Khai Thác Dữ Liệu Mưa Vệ Tinh Để Cải Thiện Mô Phỏng Dòng Chảy Lũ
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU ỨNG DỤNG MƯA VỆ TINH
• 1.1. Tổng quan về mưa vệ tinh
• 1.2. Tổng quan về sản phẩm mưa vệ tinh
• 1.3. Các nghiên cứu đánh giá chất lượng mưa vệ tinh
• 1.4. Tổng quan các nghiên cứu khai thác sản phẩm mưa vệ tinh trên thế giới
• 1.4.1. Các nghiên cứu và phương pháp điển hình
• 1.4.2. Nghiên cứu ứng dụng mưa vệ tinh trong lĩnh vực thủy văn
• 1.4.3. Nhận xét các nghiên cứu trên thế giới
• 1.5. Tổng quan các nghiên cứu liên quan đến khai thác mưa vệ tinh ở Việt Nam
• 1.6. Lưu vực sông Mã và những đặc điểm liên quan đến đề tài luận án
• 1.6.1. Lưu vực sông Mã, địa hình và sông suối
• 1.6.2. Đặc điểm mưa trên lưu vực sông Mã
• 1.6.3. Đặc điểm dòng chảy trên lưu vực sông Mã
• 1.6.4. Các hình thế thời tiết chính gây mưa - lũ lớn trên lưu vực
• 1.6.5. Hiện trạng mạng lưới trạm đo mưa và những khó khăn trong tính toán dòng chảy lũ trên lưu vực sông Mã
• 1.7. Định hướng nghiên cứu của đề tài luận án
• 1.7.1. Những hạn chế, tồn tại trong nghiên cứu ứng dụng mưa vệ tinh cho lĩnh vực thủy văn và những khó khăn trong tính toán lũ trên lưu vực sông Mã
• 1.7.2. Định hướng nghiên cứu của đề tài luận án
• 1.8. Kết luận chương 1
• 2. CHƯƠNG 2: PHƯƠNG PHÁP HIỆU CHỈNH MƯA VỆ TINH VÀ XÂY DỰNG MÔ HÌNH MÔ PHỎNG LŨ SÔNG MÃ
• 2.1. Phân tích, lựa chọn mưa vệ tinh sử dụng trong nghiên cứu
• 2.1.1. Đánh giá chất lượng sản phẩm mưa vệ tinh GSMaP
• 2.1.2. Lựa chọn sản phẩm mưa GSMaP
• 2.2. Phương pháp hiệu chỉnh mưa vệ tinh
• 2.2.1. Phương pháp kết hợp, lân cận gần nhất và hiệu chỉnh theo vị trí trạm
• 2.2.2. Lựa chọn phương án hiệu chỉnh
• 2.2.3. Kết quả dữ liệu mưa lưới kết hợp giữa mưa vệ tinh và thực đo
• 2.3. Đánh giá dữ liệu mưa trong mô phỏng dòng chảy lũ
• 2.3.1. Các mô hình thủy văn thường được ứng dụng tính toán lũ
• 2.3.2. Lựa chọn mô hình thủy văn cho nghiên cứu
• 2.3.3. Một số đặc điểm chính của mô hình NAM
• 2.3.4. Phương pháp Muskingum
• 2.3.5. Thiết lập mô hình NAM cho lưu vực sông Mã
• 2.4. Lựa chọn thời gian xuất hiện mưa – lũ trên lưu vực sông Mã
• 2.5. Số liệu sử dụng trong nghiên cứu
• 2.5.1. Số liệu mưa thực đo từ các trạm bề mặt
• 2.5.2. Số liệu thủy văn
• 2.6. Kết luận chương 2
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU ỨNG DỤNG MƯA VỆ TINH NÂNG CAO CHẤT LƯỢNG MÔ PHỎNG DÒNG CHẢY LŨ SÔNG MÃ
• 3.1. Đánh giá chất lượng dữ liệu mưa không gian trong mô phỏng dòng chảy lũ sông Mã
• 3.2. Tính toán mô phỏng dòng chảy lũ sông Mã
• 3.3. Chỉ tiêu đánh giá
• 3.4. Cách đánh giá chất lượng dữ liệu mưa bằng mô hình thuỷ văn
• 3.5. Phân tích kết quả mô phỏng dòng chảy lũ trên lưu vực sông Mã
• 3.5.1. Mô phỏng dòng chảy lũ sử dụng mưa thực đo
• 3.5.2. Mô phỏng dòng chảy lũ sử dụng mưa GSMaP_NRT
• 3.5.3. Mô phỏng dòng chảy lũ sử dụng mưa kết hợp
• 3.5.4. Mô phỏng dòng chảy lũ sử dụng mưa lân cận gần nhất
• 3.5.5. Mô phỏng dòng chảy lũ sử dụng mưa hiệu chỉnh theo vị trí trạm
• 3.5.6. Đánh giá khả năng nâng cao chất lượng mô phỏng lũ
• 3.6. Kết luận chương 3
• MỞ ĐẦU
• KẾT LUẬN VÀ KIẾN NGHỊ
• 4. Những đóng góp mới của luận án
• 5. Kiến nghị và định hướng nghiên cứu tiếp theo
• DANH MỤC CÔNG TRÌNH ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về khai thác dữ liệu mưa vệ tinh

Nghiên cứu khai thác dữ liệu mưa vệ tinh đã trở thành một lĩnh vực quan trọng trong việc cải thiện mô phỏng dòng chảy lũ. Các sản phẩm dữ liệu mưa vệ tinh như GSMaP cung cấp thông tin cần thiết cho những khu vực thiếu số liệu thực đo. Việc sử dụng công nghệ vệ tinh giúp thu thập dữ liệu trên diện rộng, đặc biệt là ở những vùng khó tiếp cận. Theo báo cáo của Bộ Tài nguyên và Môi trường, mạng lưới trạm đo khí tượng hiện tại còn thưa thớt, không đáp ứng được yêu cầu dự báo và quản lý tài nguyên nước. Do đó, việc kết hợp dữ liệu mưa vệ tinh với số liệu thực đo là cần thiết để nâng cao độ chính xác trong mô phỏng dòng chảy lũ.

1.1. Tình hình nghiên cứu mưa vệ tinh

Nghiên cứu về mưa vệ tinh đã được thực hiện trên toàn cầu, với nhiều phương pháp khác nhau nhằm đánh giá chất lượng và hiệu quả của các sản phẩm này. Các nghiên cứu đã chỉ ra rằng dữ liệu mưa vệ tinh có thể cải thiện đáng kể độ chính xác của mô phỏng dòng chảy lũ. Tuy nhiên, vẫn còn nhiều thách thức trong việc hiệu chỉnh và áp dụng các sản phẩm này vào thực tiễn. Việc phân tích và đánh giá chất lượng dữ liệu mưa vệ tinh là một bước quan trọng để đảm bảo tính chính xác trong các mô hình thủy văn.

II. Phương pháp hiệu chỉnh dữ liệu mưa vệ tinh

Phương pháp hiệu chỉnh dữ liệu mưa vệ tinh là một trong những yếu tố quyết định đến chất lượng của mô phỏng dòng chảy lũ. Nghiên cứu đã áp dụng nhiều phương pháp khác nhau như phương pháp kết hợp, lân cận gần nhất và hiệu chỉnh theo vị trí trạm. Kết quả cho thấy rằng việc hiệu chỉnh dữ liệu mưa vệ tinh có thể làm giảm sai số và nâng cao độ tin cậy của các mô hình thủy văn. Việc lựa chọn phương pháp hiệu chỉnh phù hợp là rất quan trọng, đặc biệt trong bối cảnh các khu vực thiếu số liệu thực đo.

2.1. Đánh giá chất lượng dữ liệu mưa

Đánh giá chất lượng dữ liệu mưa là một bước quan trọng trong quá trình nghiên cứu. Các chỉ tiêu đánh giá như NSE và PBIAS được sử dụng để xác định độ chính xác của mô phỏng dòng chảy lũ. Kết quả cho thấy rằng dữ liệu mưa vệ tinh sau khi được hiệu chỉnh có thể đạt được độ chính xác cao hơn so với dữ liệu chưa hiệu chỉnh. Điều này chứng tỏ rằng việc áp dụng các phương pháp hiệu chỉnh là cần thiết để cải thiện chất lượng mô phỏng dòng chảy lũ.

III. Kết quả nghiên cứu ứng dụng mưa vệ tinh

Kết quả nghiên cứu cho thấy rằng việc ứng dụng dữ liệu mưa vệ tinh đã nâng cao chất lượng mô phỏng dòng chảy lũ trên lưu vực sông Mã. Các mô phỏng sử dụng dữ liệu mưa vệ tinh đã cho kết quả gần với thực tế hơn so với các mô phỏng chỉ sử dụng số liệu thực đo. Điều này cho thấy rằng dữ liệu mưa vệ tinh có thể đóng vai trò quan trọng trong việc cải thiện khả năng dự báo lũ, đặc biệt ở những khu vực thiếu số liệu thực đo.

3.1. Phân tích kết quả mô phỏng

Phân tích kết quả mô phỏng cho thấy rằng các mô hình thủy văn sử dụng dữ liệu mưa vệ tinh đã cải thiện đáng kể độ chính xác trong việc dự báo lũ. Các chỉ tiêu đánh giá như NSE và PBIAS cho thấy sự khác biệt rõ rệt giữa các mô phỏng sử dụng dữ liệu mưa vệ tinh và các mô phỏng chỉ dựa vào số liệu thực đo. Điều này khẳng định giá trị thực tiễn của việc kết hợp dữ liệu mưa vệ tinh vào trong các mô hình thủy văn.

IV. Ý nghĩa khoa học và thực tiễn

Nghiên cứu này không chỉ có ý nghĩa khoa học mà còn có giá trị thực tiễn cao trong việc quản lý tài nguyên nước và phòng chống thiên tai. Việc cải thiện mô phỏng dòng chảy lũ thông qua việc khai thác dữ liệu mưa vệ tinh sẽ giúp các cơ quan chức năng có được thông tin chính xác hơn trong công tác dự báo và cảnh báo lũ. Điều này góp phần giảm thiểu thiệt hại do thiên tai gây ra, bảo vệ môi trường và đảm bảo an toàn cho cộng đồng.

4.1. Định hướng nghiên cứu tiếp theo

Định hướng nghiên cứu tiếp theo sẽ tập trung vào việc phát triển các phương pháp hiệu chỉnh dữ liệu mưa vệ tinh mới, nhằm nâng cao hơn nữa độ chính xác trong mô phỏng dòng chảy lũ. Ngoài ra, việc mở rộng nghiên cứu ra các lưu vực khác cũng sẽ được xem xét, nhằm đánh giá tính khả thi và hiệu quả của các phương pháp đã áp dụng.

Nội dung chính

Tổng quan về luận án

Quản lý rủi ro thiên tai và cảnh báo lũ sớm tại các lưu vực sông xuyên biên giới là một trong những thách thức thủy văn phức tạp nhất hiện nay. Lưu vực sông Mã sở hữu tổng diện tích tự nhiên 28.400 km², trong đó phần diện tích thuộc lãnh thổ Cộng hòa Dân chủ Nhân dân Lào chiếm khoảng 38% (tương đương 10.800 km²). Khu vực thượng nguồn ngoài biên giới này hoàn toàn không có chuỗi số liệu quan trắc khí tượng thủy văn mặt đất được chia sẻ theo thời gian thực. Tại phần lãnh thổ Việt Nam, mạng lưới trạm đo phân bố rất không đồng đều: toàn lưu vực chỉ có khoảng 24 trạm đo mưa, đạt mật độ trung bình 1.183 km²/trạm; vùng thượng lưu đến trạm thủy văn Xã Là (diện tích 6.430 km²) chỉ có 5 trạm đo (mật độ 1.286 km²/trạm), và khu giữa từ Xã Là đến Hồi Xuân (diện tích 9.070 km²) chỉ có 4 trạm đo (mật độ 2.267 km²/trạm). Mật độ này thấp hơn rất nhiều so với quy chuẩn khuyến nghị của Tổ chức Khí tượng Thế giới (WMO) đối với vùng địa hình đồi núi phức tạp (100–250 km²/trạm).

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực trạng: các sản phẩm ước lượng mưa viễn thám từ vệ tinh (Satellite Rainfall Estimates - SRE) thô như GSMaP, TRMM hay CMORPH có sai số hệ thống (bias) và độ phân tán lớn do hạn chế về cảm biến nhiệt độ đỉnh mây hồng ngoại và thuật toán vi sóng tán xạ trên địa hình núi cao. Đồng thời, các nghiên cứu trước đây tại Việt Nam chủ yếu tiếp cận theo phương pháp đánh giá định tính hoặc chỉ hiệu chỉnh điểm - ô lưới (point-to-pixel) đơn giản, chưa giải quyết được bài toán phân bố trường mưa không gian liên tục để cung cấp đầu vào tin cậy cho mô hình toán thủy văn mô phỏng dòng chảy lũ.

Luận án xác lập 3 câu hỏi nghiên cứu và giả thuyết khoa học cụ thể:

1. RQ1: Sản phẩm mưa vệ tinh viễn thám độ phân giải cao nào phản ánh chính xác nhất động thái mưa theo không gian và thời gian ngắn (1 giờ, 3 giờ, 6 giờ) trên lưu vực sông Mã?
   H1: Dữ liệu GSMaP_NRT với độ phân giải 0,1° x 0,1° và bước thời gian 1 giờ tích hợp thuật toán Kalman Filter cho phép tái hiện tốt nhất tiến trình mưa bão cực đoan khi so sánh với các sản phẩm viễn thám khác.
2. RQ2: Thuật toán hiệu chỉnh sai số không gian nào tối ưu hóa được chất lượng mưa vệ tinh khi kết hợp với mạng lưới trạm mặt đất thưa thớt và vùng trống dữ liệu thượng nguồn?
   H2: Phương pháp hiệu chỉnh kết hợp trường sai số không gian (Spatial Bias Field Merging) xử lý triệt để hiện tượng thiên thấp của mưa vệ tinh, nâng cao hệ số tương quan tuyến tính so với các phương pháp lân cận gần nhất (NR) hay hồi quy vị trí trạm (MLR).
3. RQ3: Mức độ cải thiện độ chính xác của mô hình thủy văn mô phỏng lũ khi sử dụng mưa vệ tinh hiệu chỉnh so với mưa thực đo thưa thớt đạt được bao nhiêu?
   H3: Bộ dữ liệu mưa vệ tinh sau hiệu chỉnh làm đầu vào cho mô hình NAM kết hợp truyền lũ Muskingum sẽ nâng hệ số Nash-Sutcliffe (NSE) lên trên 0,75 và giảm sai số tổng lượng dòng chảy lũ (PBIAS) xuống dưới ±15% tại tất cả các trạm khống chế trọng điểm.

Khung lý thuyết của nghiên cứu được định hình trên sự giao thoa giữa Lý thuyết Hệ thống Thủy văn (Hydrological Systems Theory của Dooge và Chow), Thủy văn học Viễn thám (Satellite Hydrology) và Lý thuyết Cân bằng ẩm thổ nhưỡng (Soil Moisture Accounting). Phạm vi không gian nghiên cứu bao trùm phần lưu vực dòng chính sông Mã từ thượng nguồn tỉnh Điện Biên, qua lãnh thổ Lào đến trạm thủy văn Cẩm Thủy với diện tích 17.500 km² (chiếm 62,5% diện tích toàn lưu vực). Phạm vi thời gian tập trung tính toán chuỗi lũ lịch sử giai đoạn 2000–2012 và đánh giá các đợt mưa bão đặc biệt lớn giai đoạn 2017–2018 (lượng mưa phổ biến từ 400–600 mm). Nghiên cứu mang tính đột phá khi lần đầu tiên thiết lập thành công quy trình công nghệ tích hợp mưa vệ tinh hiệu chỉnh độ trễ ngắn cho một lưu vực sông xuyên biên giới có độ chia cắt địa hình phức tạp bậc nhất Việt Nam.

Literature Review và Positioning

Nghiên cứu ứng dụng mưa viễn thám trong mô hình hóa thủy văn trên thế giới đã phát triển qua 3 dòng học thuật (research streams) chính:

• Dòng nghiên cứu 1: Đánh giá độ chính xác và cấu trúc sai số của sản phẩm mưa vệ tinh. Bitew và nnk (2012) khi đánh giá 4 sản phẩm CMORPH, TMPA 3B42RT, TMPA 3B42 và PERSIANN trên lưu vực sông Koga (Ethiopia) đã chỉ ra rằng các sản phẩm viễn thám luôn tồn tại sự sai lệch đáng kể so với thực đo mặt đất, trong đó dữ liệu hiệu chỉnh 3B42RT và CMORPH đạt tính tương thích cao hơn PERSIANN. Tobin & Bennett (2009) tại lưu vực sông Rio Grande (Mỹ - Mexico) và Yan Yan và nnk (2022) tại tỉnh Hồ Nam (Trung Quốc) qua thử nghiệm các bộ dữ liệu TMPA 3B42, IMERG-early, IMERG-final, CMORPH-CRT đã đồng thuận kết luận: mưa vệ tinh thô luôn có xu thế thiên thấp (underestimation) nghiêm trọng khi xuất hiện các cơn bão nhiệt đới cực đoan.
• Dòng nghiên cứu 2: Phát triển các thuật toán hiệu chỉnh sai số thống kê và không gian. Lenderink và nnk (2007) đề xuất phương pháp tỷ lệ tuyến tính (Linear Scaling - LS); Schmidli và nnk (2006) phát triển phương pháp hiệu chỉnh cường độ cục bộ (LOCI); Leander & Buishand (2007) áp dụng biến đổi hàm mũ; trong khi Piani và nnk (2010), Guo và nnk (2018) và Theresa Modrick và nnk (2016) đẩy mạnh phương pháp phân phối tần suất lũy tích (Cumulative Distribution Function - CDF matching). ICHARM (Nhật Bản, 2012) phát triển thuật toán Type 1 dựa trên véc-tơ chuyển động của mây trên ảnh hồng ngoại.
• Dòng nghiên cứu 3: Đồng hóa và tích hợp mưa vệ tinh vào mô hình thủy văn. Artan và nnk (2007) sử dụng mô hình GeoSFM tại các lưu vực châu Phi và châu Á, Su và nnk (2008) ứng dụng mô hình VIC cho hệ thống La Plata, Yilmaz và nnk (2005) sử dụng mô hình SAC-SMA, và Ibrahim và nnk (2022) ứng dụng HEC-HMS trên lưu vực Bilate (Ethiopia).

                      TIẾN TRÌNH NGHIÊN CỨU VÀ ĐỊNH VỊ HỌC THUẬT

Trong bức tranh học thuật đó, tồn tại hai cuộc tranh luận lớn:

1. Tranh luận về phương thức hiệu chỉnh: Phương pháp truyền thống tiếp cận theo kiểu điểm - ô lưới (point-to-pixel) của Ibrahim (2022) hay Shrestha (2011) chỉ xử lý sai số cục bộ tại các vị trí có trạm quan trắc, hoàn toàn bất lực trong việc tái tạo trường mưa ở những vùng không có trạm đo. Ngược lại, việc nội suy trường sai số không gian (Spatial Error Field) cho phép mở rộng hiệu quả hiệu chỉnh sang các vùng trống dữ liệu.
2. Tranh luận về chiến lược mô hình hóa: Bitew và nnk (2012) cho rằng nên hiệu chỉnh lại toàn bộ thông số mô hình thủy văn cho từng loại mưa đầu vào để hấp thụ sai số viễn thám; trong khi trường phái của Shrestha (2011) và Immerzeel (2009) lập luận rằng cần phải tiền xử lý và chuẩn hóa dữ liệu mưa vệ tinh về mặt vật lý trước khi đưa vào mô hình để bảo toàn tính hiện thực của các thông số thủy lực mặt đệm.

Tại Việt Nam, các nghiên cứu của Ngô Đức Thành và nnk (2013), Vũ Thanh Hằng và nnk (2010), Mai Khánh Hưng và nnk (2020) chỉ dừng lại ở bước kiểm định thống kê thời đoạn ngày hoặc tháng. Đặng Ngọc Tĩnh (2012) và Bùi Tuấn Hải (2020) đã đưa dữ liệu GSMaP vào hệ thống IFAS nhưng chưa xây dựng được cơ chế hiệu chỉnh không gian chi tiết cho chuỗi thời gian ngắn (1 giờ - 6 giờ). Nghiên cứu định vị mình tại điểm giao thoa quan trọng: giải quyết triệt để bài toán hiệu chỉnh trường không gian của sản phẩm GSMaP_NRT trong thời gian gần thực, vượt qua các hạn chế của nghiên cứu Immerzeel (2009) trên dòng chính Mekong và nghiên cứu Ibrahim (2022) tại Ethiopia.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết Hệ thống Thủy văn (Dooge, 1973; Chow et al., 1988) bằng cách làm sáng tỏ cơ chế truyền dẫn sai số (error propagation mechanism) từ các pixel mưa viễn thám phi tuyến tính qua cấu trúc mặt đệm dạng bể chứa của mô hình thủy văn. Nghiên cứu chứng minh rằng sai số dòng chảy đầu ra không chỉ phụ thuộc vào độ lệch tổng lượng mưa (volume bias) mà chịu sự chi phối mạnh mẽ bởi cấu trúc phân bố không gian của các tâm mưa cục bộ trên sườn dốc lưu vực.

                    MÔ HÌNH KHÁI NIỆM TRUYỀN DẪN VÀ TRIỆT TIÊU SAI SỐ

Nghiên cứu thiết lập 3 mệnh đề lý thuyết (Theoretical Propositions):

• Mệnh đề P1: Mức độ thiên thấp của sản phẩm mưa viễn thám GSMaP có tương quan phi tuyến thuận với cường độ mưa bão và độ dốc địa hình do hiệu ứng che khuất địa hình (orographic shielding).
• Mệnh đề P2: Việc hiệu chỉnh trường sai số không gian (Spatial Bias Field) bảo toàn được tính biến thiên liên tục của trường ẩm khí quyển, triệt tiêu hiện tượng "bước nhảy gián đoạn" vốn xuất hiện trong phương pháp hiệu chỉnh điểm trạm truyền thống.
• Mệnh đề P3: Bộ lọc thủy văn mặt đệm (hydrological filtering) có khả năng làm mịn các sai số ngẫu nhiên thời đoạn ngắn (1 giờ) nhưng sẽ khuếch đại sai số hệ thống về tổng lượng nếu không được hiệu chuẩn trước khi đi vào tầng trữ ẩm thổ nhưỡng.

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất của 3 trụ cột lý thuyết:

1. Lý thuyết Ước lượng Mưa Viễn thám (Satellite Precipitation Physics): Khai thác kết hợp dữ liệu bức xạ vi sóng thụ động (PMW) từ các vệ tinh quỹ đạo thấp (TMI, AMSR-E, SSM/I) và thông tin mây hồng ngoại (IR) từ vệ tinh địa tĩnh (MTSAT, Himawari) thông qua thuật toán lọc Kalman của GSMaP.
2. Lý thuyết Hiệu chuẩn Không gian (Spatial Geostatistical Downscaling): Xây dựng ma trận sai số không gian giữa dữ liệu lưới vệ tinh $P_{sat}(x,y,t)$ và dữ liệu điểm trạm mặt đất $P_{obs}(i,t)$, từ đó thiết lập trường mưa kết hợp tối ưu: $$P_{corrected}(x,y,t) = P_{sat}(x,y,t) \times \Phi_{spatial}(x,y,t)$$ trong đó $\Phi_{spatial}$ là hàm trọng số không gian được nội suy liên tục.
3. Lý thuyết Cân bằng Nước Mặt đệm Khái niệm (Conceptual Hydrological Modeling): Ứng dụng cấu trúc bể chứa liên hoàn của mô hình NAM để phân tích quá trình bốc thoát hơi, trữ ẩm tầng mặt đệm ($U$), trữ ẩm vùng rễ cây ($L$), dòng chảy mặt ($QOF$), dòng chảy sát mặt ($QIF$) và dòng ngầm ($GW$). Quá trình vận động của sóng lũ trên dòng chính 512 km được giải quyết bằng phương trình vi phân truyền sóng lưu lượng Muskingum: $$S_2 - S_1 = \left[ x I_1 + (1-x) O_1 \right] K - \left[ x I_2 + (1-x) O_2 \right] K$$

Điều kiện biên lý thuyết (boundary conditions) được xác định rõ: Khung phân tích áp dụng hiệu quả nhất cho các lưu vực sông nhiệt đới gió mùa có diện tích từ 5.000 đến 30.000 km², địa hình chia cắt mạnh, chịu tác động của bão nhiệt đới, dải hội tụ nhiệt đới (ITCZ) hoặc không khí lạnh tăng cường nén rãnh thấp.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên lập trường triết học Thực chứng Phản biện (Critical Realism) kết hợp chủ nghĩa Thực nghiệm Thủy văn (Empirical Hydrology), tiếp cận lưu vực sông như một hệ thống hoàn chỉnh. Thiết kế nghiên cứu đa cấp độ (Multi-level design) được triển khai qua 3 tầng phân tích:

• Cấp vi mô (Micro-level): Ô lưới viễn thám GSMaP độ phân giải 0,1° x 0,1° (~11 km x 11 km) và dữ liệu trạm quan trắc mặt đất thời đoạn 1 giờ, 3 giờ, 6 giờ.
• Cấp trung mô (Meso-level): Phân chia lưu vực sông Mã thành 10 tiểu lưu vực độc lập dựa trên Mô hình số độ cao (DEM) và đặc tính thảm phủ GLCC.
• Cấp vĩ mô (Macro-level): Toàn bộ hệ thống sông chính dài 512 km khống chế tại các trạm thủy văn chiến lược: Xã Là (thượng lưu - 6.430 km²), Hồi Xuân (trung lưu - 15.500 km²), Cẩm Thủy (17.500 km²), Cửa Đạt (sông Chu - 6.170 km²), và Bái Thượng.

                    QUY TRÌNH PHƯƠNG PHÁP NGHIÊN CỨU TÍCH HỢP

Quy trình nghiên cứu rigorous

Quy trình thu thập và tiền xử lý số liệu tuân thủ các chuẩn mực quốc tế ngặt nghèo:

1. Chuẩn hóa dữ liệu mưa thực đo: Thu thập chuỗi số liệu từ 24 trạm khí tượng bề mặt và điểm đo mưa phân bố trên lưu vực và vùng lân cận. Toàn bộ số liệu được kiểm tra tính đồng nhất (homogeneity test), xử lý loại bỏ giá trị dị biệt (outliers) và bù khuyết dữ liệu bằng phương pháp tỷ lệ nghịch đảo khoảng cách (IDW).
2. Khai thác và giải mã mưa vệ tinh: Dữ liệu GSMaP_NRT và GSMaP_MVK dạng nhị phân/HDF5 được trích xuất tự động từ máy chủ JAXA/EORC, chuyển đổi tọa độ địa lý WGS84, cắt lớp không gian theo ranh giới lưu vực sông Mã từ kinh độ 103°05'10" đến 106°05'10" Đông và vĩ độ 19°50'00" đến 21°40'00" Bắc.
3. Quy trình Tam giác giác hóa (Triangulation):
   • Data Triangulation: Đối chiếu chéo giữa số liệu đo mưa tự động, trạm synop quốc gia, ảnh vệ tinh địa tĩnh MTSAT/Himawari và radar thời tiết.
   • Method Triangulation: Đánh giá song song bằng các chỉ số thống kê toán học độc lập kết hợp với kiểm định ngược qua mô hình toán thủy văn (hydrological inverse evaluation).
4. Đảm bảo độ tin cậy và giá trị đo lường: Tính hợp lệ của cấu trúc (construct validity) được đảm bảo thông qua việc kiểm soát chặt chẽ các chỉ số phát hiện hiện tượng mưa: Xác suất phát hiện ($POD = \frac{Hits}{Hits + Misses}$), Tỷ lệ cảnh báo sai ($FAR = \frac{False Alarms}{Hits + False Alarms}$), và Điểm số đe dọa ($CSI = \frac{Hits}{Hits + Misses + False Alarms}$).

Data và phân tích

Mô hình thủy văn NAM (thuộc bộ phần mềm MIKE 11 - DHI) được thiết lập với 11 thông số trạng thái độc lập được hiệu chỉnh chi tiết cho từng tiểu lưu vực: dung tích trữ ẩm mặt đệm cực đại ($U_{max} = 10 - 20$ mm), dung tích trữ ẩm vùng rễ cực đại ($L_{max} = 100 - 300$ mm), hệ số dòng chảy mặt ($CQOF = 0,1 - 0,9$), các hằng số thời gian tiêu thoát dòng chảy mặt ($CK_{1,2} = 10 - 30$ giờ), dòng chảy sát mặt ($CKIF = 200 - 1000$ giờ), và dòng chảy ngầm ($CKBF = 1000 - 4000$ giờ).

Đánh giá độ chính xác của kết quả tính toán mô phỏng dòng chảy lũ dựa trên hai chỉ tiêu thống kê chuẩn hóa toàn cầu theo tiêu chuẩn Moriasi và nnk (2007):

• Hệ số hiệu quả mô hình Nash-Sutcliffe (NSE): $$NSE = 1 - \frac{\sum_{i=1}^{n} (Q_{obs,i} - Q_{sim,i})^2}{\sum_{i=1}^{n} (Q_{obs,i} - \bar{Q}_{obs})^2}$$ (Phân loại: $NSE > 0,75$: Rất tốt; $0,65 < NSE \le 0,75$: Tốt; $0,50 < NSE \le 0,65$: Đạt yêu cầu; $NSE \le 0,50$: Không đạt).
• Độ sai lệch tổng lượng tương đối (PBIAS): $$PBIAS = \left[ \frac{\sum_{i=1}^{n} (Q_{obs,i} - Q_{sim,i})}{\sum_{i=1}^{n} Q_{obs,i}} \right] \times 100%$$ (Phân loại: $|PBIAS| < 10%$: Rất tốt; $10% \le |PBIAS| < 15%$: Tốt; $15% \le |PBIAS| < 25%$: Đạt yêu cầu; $|PBIAS| \ge 25%$: Kém).

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả nghiên cứu thực nghiệm trên 8 chuỗi lũ lịch sử đặc biệt lớn (năm 2000, 2002, 2003, 2005, 2006, 2007, 2008, 2012) mang lại 4 phát hiện mang tính bước ngoặt:

      SO SÁNH HIỆU QUẢ MÔ PHỎNG DÒNG CHẢY LŨ (CHỈ SỐ TRUNG BÌNH NSE)
         GSMaP_NRT   Mưa thực đo   Mưa NR       Mưa kết hợp (Bias)
           (Thô)      (Mặt đất)   (Lân cận)        (Đề xuất)

1. Phát hiện 1: GSMaP_NRT thô đánh giá thấp nghiêm trọng lượng mưa cực đoan. Khi phân tích các trận lũ lớn, dữ liệu GSMaP_NRT nguyên bản luôn đánh giá thấp lượng mưa thực tế từ 28% đến 46%. Khi đưa trực tiếp GSMaP_NRT thô vào mô hình NAM, kết quả mô phỏng dòng chảy lũ tại Cẩm Thủy cho hệ số NSE cực kỳ thấp, dao động từ -0,15 đến 0,42 (trung bình chỉ đạt 0,28), lưu lượng đỉnh lũ mô phỏng bị thiếu hụt từ 35% đến 55% và thời gian xuất hiện đỉnh lũ bị trễ từ 6 đến 18 giờ.
2. Phát hiện 2: Phương pháp mưa kết hợp không gian (Bias Field) vượt trội hoàn toàn so với các phương pháp khác. Phương pháp mưa kết hợp đã hiệu chỉnh triệt để sai số hệ thống, đưa hệ số tương quan trường mưa $R^2$ từ mức 0,41 lên 0,84. Tại Cẩm Thủy, chất lượng mô phỏng lũ đạt mức rất cao với NSE trung bình đạt 0,81 (trong đó lũ năm 2007 đạt NSE = 0,86; năm 2012 đạt NSE = 0,84) và chỉ số PBIAS luôn nằm trong khoảng $\pm 6,5%$.
3. Phát hiện 3: Mưa vệ tinh hiệu chỉnh cho kết quả mô phỏng vượt trội hơn cả việc chỉ dùng mưa thực đo thưa thớt. Tại trạm khống chế Cẩm Thủy, việc chạy mô hình NAM với đầu vào là mưa thực đo từ mạng lưới trạm thưa thớt chỉ đạt NSE trung bình 0,69 (PBIAS trung bình $\pm 14,2%$). Trong khi đó, việc sử dụng mưa kết hợp vệ tinh nâng chỉ số NSE lên 0,81 (tăng 17,4% về độ chính xác) và giảm sai số đỉnh lũ từ 18,5% xuống dưới 7,2%.
4. Phát hiện 4: Giải quyết triệt để bài toán thiếu số liệu tại trạm thượng nguồn Xã Là. Tại trạm Xã Là (chịu ảnh hưởng trực tiếp từ 38% diện tích lưu vực bên Lào hoàn toàn không có trạm đo), mưa thực đo mặt đất chỉ mang lại kết quả mô phỏng đạt NSE trung bình 0,64 do thiếu thông tin thượng nguồn. Khi tích hợp mưa vệ tinh hiệu chỉnh, mô hình NAM tái hiện xuất sắc quá trình lũ với NSE đạt từ 0,74 đến 0,82, khẳng định vai trò sống còn của dữ liệu viễn thám trong việc bù đắp khoảng trống xuyên biên giới.

Implications đa chiều

• Về mặt lý thuyết: Chứng minh rằng mô hình hóa thủy văn lưu vực xuyên biên giới bắt buộc phải tiếp cận theo hướng liên kết dữ liệu viễn thám đa nguồn, bác bỏ quan điểm truyền thống cho rằng dữ liệu mưa vệ tinh không đủ độ tin cậy cho tính toán thủy văn công trình.
• Về mặt phương pháp luận: Chuẩn hóa quy trình hiệu chỉnh sai số không gian (Spatial Bias Correction Pipeline) tích hợp mô hình NAM - Muskingum với khả năng tự động hóa cao, có thể chuyển giao áp dụng ngay lập tức cho các lưu vực sông xuyên biên giới tương đồng như sông Hồng, sông Cả, sông Kỳ Cùng - Bằng Giang.
• Về mặt thực tiễn và chính sách:
  • Kéo dài thời gian dự báo cảnh báo sớm lũ (flood forecast lead time) tại trung lưu và hạ lưu sông Mã từ 6–12 giờ lên 24–36 giờ.
  • Cung cấp cơ sở khoa học chính xác phục vụ quy trình vận hành liên hồ chứa trên lưu vực sông Mã (Hồ Trung Sơn, Thành Sơn, Hồi Xuân, Bá Thước 1 & 2, Cửa Đạt), tối ưu hóa dung tích phòng lũ và cắt giảm đỉnh lũ cho đồng bằng Thanh Hóa.
  • Hỗ trợ Ban Chỉ đạo Quốc gia về Phòng chống Thiên tai và UBND tỉnh Thanh Hóa xây dựng bản đồ ngập lụt động theo thời gian thực.

Limitations và Future Research

Nghiên cứu thẳng thắn thừa nhận 4 giới hạn nội tại:

1. Hiệu ứng tán xạ địa hình phức tạp: Các cảm biến vi sóng thụ động gặp khó khăn nhất định trong việc phân biệt giữa mây giông đối lưu gây mưa lớn và bề mặt đất bị đóng băng/đất lạnh tại các dãy núi cao trên 2.000 m ở thượng nguồn Lào vào mùa đông.
2. Phụ thuộc vào mạng lưới trạm hiệu chuẩn cơ sở: Phương pháp hiệu chỉnh không gian vẫn đòi hỏi một số lượng trạm đo mặt đất tối thiểu ở vùng trung du và hạ du để nội suy trường sai số. Nếu mạng lưới trạm này bị gián đoạn truyền tin trong thiên tai, độ chính xác của trường hiệu chỉnh sẽ suy giảm.
3. Độ trễ truyền dữ liệu vệ tinh: Dù GSMaP_NRT có thời gian trễ ngắn (khoảng 3–4 giờ sau quan trắc), khoảng trễ này vẫn là một thách thức đối với bài toán cảnh báo lũ quét (flash floods) trên các sông suối nhánh có thời gian tập trung dòng chảy dưới 2 giờ.
4. Cấu trúc mô hình tập trung: Mô hình NAM là mô hình khái niệm thông số tập trung, chưa mô phỏng chi tiết được sự biến đổi vi mô của độ ẩm đất theo từng ô lưới 2D như các mô hình thông số phân bố hoàn toàn (fully distributed models).

Chương trình nghiên cứu tương lai (Future Research Agenda) vạch ra 4 hướng đột phá:

• Ứng dụng Trí tuệ nhân tạo (AI/Machine Learning) với mạng nơ-ron tích chập sâu (Deep CNN - LSTM) để tự động hóa quá trình hiệu chỉnh phi tuyến trường mưa viễn thám.
• Tích hợp dữ liệu viễn thám thế hệ mới từ hệ thống vệ tinh GPM IMERG kết hợp dữ liệu độ ẩm đất viễn thám SMAP (Soil Moisture Active Passive).
• Mở rộng liên kết mô hình NAM với mô hình thủy lực 2D dòng tràn (MIKE 21 FM hoặc HEC-RAS 2D) để mô phỏng ngập lụt chi tiết vùng hạ du.
• Nghiên cứu cơ chế vận hành thời gian thực (Real-time operational forecasting) tích hợp sản phẩm dự báo mưa số trị hạn cực ngắn (GSMaP_RNC Nowcasting).

Tác động và ảnh hưởng

• Tác động học thuật (Academic Impact): Tạo nên chuẩn mực phương pháp luận mới trong nghiên cứu thủy văn viễn thám tại Việt Nam. Các kết quả của luận án đã được công bố trên các tạp chí khoa học chuyên ngành uy tín (Tạp chí Khoa học và Công nghệ Thủy lợi, Tạp chí Khí tượng Thủy văn), dự kiến tạo ra chỉ số trích dẫn cao trong các nghiên cứu về lưu vực sông xuyên biên giới và khu vực thiếu số liệu (ungauged basins).
• Chuyển đổi ngành và công nghệ (Industry Transformation): Chuyển giao trực tiếp công nghệ tiền xử lý dữ liệu viễn thám cho Trung tâm Dự báo Khí tượng Thủy văn Quốc gia và Đài KTTV khu vực Bắc Trung Bộ, nâng cao năng lực công nghệ dự báo số trị cho ngành tài nguyên nước.
• Tác động chính sách và an ninh nguồn nước (Policy & Water Security): Cung cấp luận cứ khoa học phục vụ đàm phán và hợp tác chia sẻ dữ liệu thủy văn xuyên biên giới giữa Việt Nam và CHDCND Lào trong khuôn khổ Ủy hội Mê Kông quốc tế và các hiệp định hợp tác song phương.
• Lợi ích kinh tế - xã hội (Societal Benefits): Việc nâng cao độ chính xác dự báo lũ giúp giảm thiểu thiệt hại kinh tế hàng trăm tỷ đồng mỗi năm do ngập lụt tại hạ lưu tỉnh Thanh Hóa, bảo vệ an toàn tính mạng cho hơn 3,6 triệu dân sinh sống ven sông Mã và sông Chu.

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung phương pháp luận hoàn chỉnh về xử lý sai số không gian viễn thám và bộ thông số thủy văn NAM đã được kiểm chứng chuẩn xác cho lưu vực sông miền núi.
• Chuyên gia dự báo Khí tượng Thủy văn: Sở hữu bộ công cụ tiền xử lý dữ liệu GSMaP_NRT tự động, độ trễ thấp, phục vụ đắc lực cho công tác tác nghiệp dự báo bão lũ khẩn cấp.
• Chủ đầu tư và Đơn vị Quản lý Hồ chứa Thủy điện/Thủy lợi: Tối ưu hóa bài toán điều tiết xả lũ hợp lý cho các công trình lớn như Thủy điện Trung Sơn (260 MW), Thủy điện Hủa Na (180 MW), và Cụm đầu mối Thủy lợi - Thủy điện Cửa Đạt, vừa bảo đảm an toàn công trình vừa gia tăng sản lượng điện và nguồn nước tưới.
• Cơ quan Quản lý Nhà nước và Ban Chỉ huy PCTT&TKCN: Nhận được các bản tin dự báo lũ sớm với độ tin cậy cao, tạo điều kiện kích hoạt kịp thời các phương án sơ tán dân cư, gia cố đê điều và giảm thiểu tối đa rủi ro thiên tai.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Nghiên cứu đã mở rộng Lý thuyết Hệ thống Thủy văn (Hydrological Systems Theory) trong môi trường lưu vực xuyên biên giới thiếu dữ liệu quan trắc mặt đất. Đóng góp độc đáo nhất là việc phát hiện và lượng hóa quy luật truyền dẫn - triệt tiêu sai số phi tuyến từ dữ liệu viễn thám qua các tầng trữ ẩm mặt đệm. Luận án chứng minh rằng sai số dòng chảy lũ không chỉ do tổng lượng mưa mà phụ thuộc quyết định vào cấu trúc không gian của trường sai số (spatial error structure), từ đó xác lập mô hình hiệu chỉnh trường không gian (Spatial Bias Field Merging) thay thế cho cách tiếp cận điểm trạm truyền thống.

2. Tính đổi mới về phương pháp luận khi so sánh với các nghiên cứu quốc tế tiền nhiệm?

So với nghiên cứu của Shrestha (2011) tại dãy Himalayas (Nepal) và Ibrahim và nnk (2022) tại Ethiopia vốn chỉ áp dụng hiệu chỉnh điểm - ô lưới (point-to-pixel) thuần túy thời đoạn ngày, luận án đã tạo bước đột phá khi:

• Xây dựng thuật toán hiệu chỉnh không gian động đa chiều cho bước thời gian ngắn (1 giờ - 6 giờ) với sản phẩm GSMaP_NRT độ phân giải cao 0,1°.
• Khắc phục triệt để hạn chế của nghiên cứu Immerzeel (2009) trên hạ lưu sông Mekong (vốn gây hiện tượng mô phỏng lũ thiên cao khi có bão) bằng cách thiết lập ma trận trọng số không gian thích ứng, giúp mô phỏng chính xác cả đỉnh lũ lẫn thời gian duy trì lũ.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ và có giá trị thực tiễn cao nhất là: Mô phỏng thủy văn sử dụng dữ liệu mưa vệ tinh sau hiệu chỉnh cho kết quả chính xác hơn so với việc sử dụng trực tiếp chuỗi số liệu mưa thực đo từ mạng lưới trạm mặt đất hiện có ($NSE = 0,81$ so với $NSE = 0,69$). Điều này chứng minh rằng trong điều kiện mạng lưới trạm mặt đất quá thưa thớt, việc nắm bắt được cấu trúc không gian liên tục của tâm mưa bão qua vệ tinh (sau khi đã khử bias) mang lại giá trị thủy văn vượt trội hơn nhiều so với việc chỉ dựa vào một vài điểm đo cục bộ tại mặt đất.

4. Luận án có cung cấp giao thức tái lập (Replication Protocol) hoàn chỉnh không?

Hoàn toàn có. Luận án cung cấp một giao thức nghiên cứu 4 bước chuẩn hóa:

• Giao thức 1: Pipeline tự động kết nối máy chủ FTP của JAXA/EORC để trích xuất dữ liệu GSMaP_NRT nhị phân theo thời gian thực.
• Giao thức 2: Thuật toán tính toán trường sai số Bias không gian dạng mở, cho phép nội suy tự động ma trận hiệu chỉnh từ các trạm quan trắc mặt đất sẵn có.
• Giao thức 3: Bộ thông số mô hình NAM chuẩn hóa (11 thông số) được hiệu chuẩn tối ưu cho 10 tiểu lưu vực sông Mã.
• Giao thức 4: Bộ tiêu chí kiểm định thống kê chuẩn mực (NSE, PBIAS, RMSE, POD, FAR, CSI) cho phép nhân rộng quy trình sang bất kỳ lưu vực sông nào khác.

5. Định hướng chương trình nghiên cứu 10 năm tới (10-year Research Agenda) được phác thảo ra sao?

Chương trình nghiên cứu dài hạn tập trung vào 3 trụ cột:

• Giai đoạn 2024–2026: Xây dựng hệ thống đồng hóa dữ liệu viễn thám thời gian thực (Real-time Data Assimilation System), tích hợp radar thời tiết và vệ tinh đa phổ GPM IMERG vào mô hình dự báo lũ tác nghiệp lưu vực sông Mã.
• Giai đoạn 2027–2030: Phát triển mô hình Deep Learning lai ghép (Physics-Informed Neural Networks - PINN) kết hợp giữa mô hình thủy văn truyền thống và AI nhằm dự báo lũ quét, sạt lở đất độ phân giải siêu cao (1 km x 1 km).
• Giai đoạn 2031–2034: Hoàn thiện nền tảng Bản sao số Thủy văn (Digital Twin River Basin) tích hợp quản lý tổng hợp tài nguyên nước và cảnh báo rủi ro thiên tai xuyên biên giới Việt - Lào trong bối cảnh biến đổi khí hậu cực đoan.

Kết luận

Luận án "Nghiên cứu khai thác dữ liệu mưa vệ tinh nâng cao chất lượng mô phỏng dòng chảy lũ khu vực thiếu số liệu trên lưu vực sông Mã" của NCS. Nguyễn Tiến Kiên đã giải quyết trọn vẹn bài toán khoa học và thực tiễn cấp bách trong quản lý tài nguyên nước và phòng chống thiên tai.

Các đóng góp cụ thể của công trình nghiên cứu bao gồm:

1. Đóng góp 1: Đánh giá toàn diện cấu trúc sai số và xác định sản phẩm mưa vệ tinh GSMaP_NRT (độ phân giải 0,1° x 0,1°, bước thời gian 1 giờ) là nguồn dữ liệu viễn thám tối ưu nhất cho bài toán mô phỏng lũ thời gian thực trên lưu vực sông nhiệt đới gió mùa có địa hình chia cắt mạnh.
2. Đóng góp 2: Đề xuất và ứng dụng thành công phương pháp hiệu chỉnh kết hợp trường sai số không gian (Spatial Bias Field Merging), triệt tiêu hiện tượng đánh giá thấp lượng mưa cực đoan của vệ tinh từ 28%–46% xuống dưới mức sai số ngẫu nhiên không đáng kể.
3. Đóng góp 3: Xây dựng thành công mô hình toán thủy văn NAM kết hợp mô hình truyền lũ Muskingum cho 17.500 km² lưu vực dòng chính sông Mã, nâng hệ số hiệu quả mô phỏng lũ $NSE$ từ 0,28 (với mưa vệ tinh thô) và 0,69 (với mưa thực đo thưa thớt) lên mức rất cao từ 0,74 đến 0,86 (với mưa vệ tinh hiệu chỉnh).
4. Đóng góp 4: Giải quyết dứt điểm "khoảng trống dữ liệu thủy văn" tại 38% diện tích lưu vực thuộc lãnh thổ CHDCND Lào, tái tạo chính xác các đợt lũ lịch sử tại trạm khống chế thượng nguồn Xã Là với chỉ số $PBIAS < \pm 8,5%$.
5. Đóng góp 5: Chuyển giao một quy trình công nghệ tính toán hoàn chỉnh, chi tiết và khả thi cao cho ngành khí tượng thủy văn Việt Nam, phục vụ đắc lực cho công tác cảnh báo sớm bão lũ và vận hành an toàn liên hồ chứa trên lưu vực sông Mã.

Công trình đã tạo nên một bước tiến quan trọng về mặt mô hình hóa thủy văn viễn thám, mở ra 3 hướng nghiên cứu học thuật mới: dự báo lũ cực hạn thời gian thực bằng AI, đồng hóa dữ liệu viễn thám đa nguồn, và xây dựng bản sao số cho các lưu vực sông xuyên biên giới. Kết quả nghiên cứu là tài liệu tham khảo học thuật có giá trị di sản lâu dài, đóng góp thiết thực vào sự nghiệp bảo vệ an toàn tính mạng, tài sản của nhân dân và thúc đẩy phát triển bền vững kinh tế - xã hội vùng Bắc Trung Bộ.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU ỨNG DỤNG MƯA VỆ TINH 1.1 Tổng quan về mưa vệ tinh Mưa luôn thay đổi theo không gian và thời gian, để có thông tin, số liệu mưa, các trạm quan trắc mưa được lắp đặt trên các lưu vực sông cũng như các vùng lãnh thổ. Mạng lưới trạm đo mưa hiện nay vẫn chưa đảm bảo mức độ chi tiết, chính xác về phân bố mưa theo không gian và thời gian trên phạm vi toàn cầu. Mặc dù có vai trò quan trọng đối với sự phát triển kinh tế xã hội, nhưng số liệu đo đạc ở các trạm bề mặt vẫn còn thưa thớt và phân bố không đều, chủ yếu ở các nước đang phát triển [2]. Mật độ mạng lưới trạm đo lượng mưa trên mặt đất ở các vùng nhiệt đới theo khuyến nghị là 600 - 900 km2/1 trạm đối với vùng bằng phẳng và 100 – 250 km2/1 trạm đối với vùng núi [3], [4].

Tuy nhiên, mạng lưới quan trắc mưa ở nhiều quốc gia không đáp ứng được mật độ trạm đo như vậy, đặc biệt ở các quốc gia đang phát triển [5]. Do nhiều yếu tố hạn chế khác nhau, bao gồm điều kiện khí hậu, địa lý, xã hội, các trạm đo mưa mặt đất có tình trạng thưa thớt hoặc không có phân bổ theo không gian và thời gian cần thiết [6]. Để khắc phục nhược điểm của trạm đo mưa chỉ cho kết quả trong một phạm vi hẹp, các nghiên cứu sử dụng dữ liệu radar ước đoán mưa đã được phát triển từ rất sớm. Tuy nhiên, kết quả ước tính số liệu mưa từ radar dễ bị sai số do kết quả ước tính phụ thuộc nhiều vào năng lượng phản hồi, hình dạng, kích thước hạt nước, phạm vi ảnh hưởng…[7].

Do chi phí lắp đặt và vận hành tốn kém, tương tự như các trạm đo mưa, các trạm radar cũng thường chỉ được lắp đặt ở những nơi thuận tiện. Vì vậy, không phải nơi nào cũng có thể sử dụng các dữ liệu mưa được ước tính từ radar thời tiết. Các quan trắc từ vệ tinh đã giúp cho việc ước tính mưa xảy ra gần như khắp mọi nơi ngay từ khi có vệ tinh không gian của thập niên 1960. Các hình ảnh của vệ tinh ban đầu từ các vệ tinh của Cục Quản lý Khoa học Môi trường Mỹ (ESSA) được sử dụng để phân tích cấu trúc và chuyển động của các hệ thống đám mây.

Các biểu đồ này mô tả các đặc điểm của đám mây, giúp cho việc phán đoán các kiểu thời tiết chính xác hơn [8], bao gồm các khu vực có thể bị ảnh hưởng bởi lượng mưa [9]. Do mưa rơi từ các đám mây, 7 luan an nên việc xác định được vị trí cũng như các thuộc tính của đám mây chính là bước đầu tiên trong bài toán xác định cường độ mưa [10]. Ngoài ra, cùng với sự phát triển của khoa học máy tính, hướng tiếp cận sử dụng phương pháp mô hình hoá nhằm mô phỏng, dự báo mưa theo không gian cũng đã được nghiên cứu. Các cấu trúc của mô hình khí hậu rất đa dạng từ dạng đơn giản như cân bằng năng lượng, đối lưu một chiều cho đến các mô hình phức tạp hai chiều hay ba chiều đầy đủ.

Tất cả các mô hình khí hậu đều cố gắng mô phỏng sự thay đổi để tính toán gần đúng nhất trạng thái của khí hậu.1 Tổng quan về sản phẩm mưa vệ tinh Các sản phẩm lượng mưa vệ tinh ngày càng nhiều và trở thành nguồn dữ liệu quan trọng cho các ứng dụng trong thủy văn [11]. Với ưu điểm vượt trội về độ bao phủ rộng lớn cả những vùng xa không có thiết bị quan trắc hoặc radar thì dữ liệu ảnh mưa vệ tinh là lựa chọn tốt nhất để khắc phục những nhược điểm của phương pháp radar và quan trắc truyền thống [12]. Độ phân giải theo không gian, thời gian, độ chính xác của các sản phẩm mưa vệ tinh liên tục được cải thiện do sự tiến bộ trong công nghệ cảm biến và kỹ thuật ước lượng. Một số sản phẩm lượng mưa có độ phân giải cao hiện đã có sẵn như Chương trình đo mưa nhiệt đới (TRMM), sản phẩm mưa (ARC) do trung tâm Dự báo khí hậu và Hải dương học Quốc Gia (NOAA-CPC), dự án mưa khí hậu toàn cầu GPCP (Global Precipitation Climatology Project),… là những sản phẩm phổ biến đã được áp dụng rộng rãi [13].

Đến thời điểm hiện tại, có nhiều bộ dữ liệu sản phẩm mưa vệ chính đang được khai thác sử dụng trên thế giới như GPCP CMORPH (CPC MORPHing technique), TRMM Multi-satellite Precipitation Analysis (TMPA), GSMaP (Global Satellite Mapping of Precipitation) [14],. Bộ dữ liệu mưa vệ tinh với các đặc điểm chính được trình bày ở Bảng 1. 8 luan an Bảng 1.1 Tổng hợp một số bộ dữ liệu mưa vệ tinh chính hiện nay [14] Bộ dữ liệu Độ phân giải Phạm Nguồn dữ liệu Thuật vi toán Không Thời gian gian Toàn GPI,OPI,SSM/I emission, GPCP 2,5o Tháng cầu TOVS Toàn SSM/I-TMPI, TOVS GPCP 1dd 1,0o Ngày cầu GPCP_pen Toàn OPI, SSM/I, GPI,MSU 2,5o 5 ngày v_22 cầu Toàn GPI, OPI, SSM/I scattering, CMAP 2,5 o Tháng cầu SSM/I emission, MSU, NCEP–NCAR Toàn GTS, COOP, NMAs CPC Global 0,5o Ngày cầu 50°S– TMI, tổ hợp TRMM, Phân phối o TRMM 3B43 0,25 Tháng 50°N SSM/I, SSMIS, AMSR-E, xác suất AMSU-B, MHS,GEO IR 50°S– TMI, tổ hợp TRMM, Phân phối o TRMM 3B42 0,25 3h/ngày 50°N SSM/I, SSMIS, AMSR-E, xác suất AMSU-B, MHS,GEO IR 60°S– TMI, AMSR-E, AMSR-E, Lọc o GSMaP 0,1 1h/ngày 60°N SSM/I, (MTSAT), Kalman Meteosat-7/8, GOES 11/12 60°S– Meteosat, GOES, GMS, Mạng thần PERSIANN_ 30’/ 0,04o 60°N SSM/I, radar cực/gần cực, kinh nhân CCS 3,6h tạo TMI, AMSR 60°S– GOES 8, GOES 10, PERSIANN_ 3,6h/ 60°N GMS-5, Metsat-6, Metsat- 0,25o CDR ngày 7, TRMM, NOAA 15, 16, 17, DMSP F13, F14, F1 60°S– TMI, SSM/I, AMSR- Kỹ thuật 0,25o/ 30’/3h/ 60°N CMORPH E,AMSU-B, Meteosat, Morphing 8km ngày GOES, MTSAT 30’/3h/ 60°S– GMI, AMSR-2, SSMIS, IMERG GPM 0,1 o ngày 60°N Madaras, MHS, Máy tạo âm vi sóng 3h/ Toàn CPC, GPCC, CMORPH, 0,1o/ MSWEP ngày cầu GSMaP-MVK, TMPA, 0,5o ERA-Interim, JRA-55 9 luan an Một số sản phẩm mưa vệ tinh thường được ứng dụng nhiều trong các hệ thống cảnh báo, dự báo thời tiết phổ biến như: + Số liệu ước lượng mưa thu thập từ vệ tinh cho vùng nhiệt đới TRMM (do cơ quan vũ trụ Mỹ NASA và cơ quan thám hiểm không gian Nhật Bản JAXA hợp tác) bắt đầu từ tháng XII/1997 với khả năng cung cấp sản phẩm ước lượng mưa 3 giờ, độ phân giải 0,250 và thời gian trễ khoảng 10 giờ. TRMM là dự án của NASA có nhiệm vụ đo đạc lượng mưa vùng nhiệt đới và cận nhiệt đới của trái đất và một số năng lượng khác.

Nhiệm vụ TRMM sử dụng 5 thiết bị: rađa đo lượng mưa (PR), máy chụp ảnh vi sóng TRMM (TMI), máy quét hồng ngoại và thị phổ (VIRS), hệ thống đo năng lượng bức xạ của đám mây & trái đất (CERES) và cảm biến sét (LSI). TMI và PR là những công cụ chính được sử dụng xác định mưa. Các thiết bị này được sử dụng một thuật toán tạo thành bộ dữ liệu hiệu chỉnh Công cụ kết hợp TRMM (TCI) (TRMM 2B31) cho phân tích lượng mưa đa vệ tinh (TMPA), cung cấp sản phẩm mưa trung bình tháng TMPA 3B43, sản phẩm mưa trung bình ngày và 3 giờ TMPA 3B42. Các sản phẩm 3B42 và 3B43 có độ phân theo giải không gian 0,25°, bao phủ trong phạm vi từ 50°N đến 50°S và hiện có từ năm 1998 cho đến nay [15].

+ Ước lượng mưa vệ tinh NOAA CPC_RFE 2.0: Cơ quan quản lý khí quyển và đại dương Quốc gia Hoa Kỳ (NOAA) đã phát triển một số kỹ thuật, thuật toán dựa trên dữ liệu vệ tinh để ước tính lượng mưa nhằm hỗ trợ các hoạt động giám sát thời tiết và lũ lụt của Cơ quan Phát triển quốc tế Hoa Kỳ (USAID), Cơ quan khảo sát địa chất Hoa Kỳ (USGS). Trong số đó có hệ thống được phát triển tại Trung tâm Dự báo Khí hậu (CPC) của NOAA được gọi là CPC_RFE 2. RFE ước tính lượng mưa trên toàn cầu theo lưới có độ phân giải 0,1° x 0,1° và được cung cấp cho hệ thống cảnh báo sớm nạn đói của USAID (FEWS) để hỗ trợ các hoạt động giám sát hạn hán ở châu Phi. Hệ thống kết hợp các ước lượng từ các dữ liệu vệ tinh khác nhau, giúp tăng độ chính xác bằng cách giảm độ sai lệch và sai số ngẫu nhiên so sánh với các nguồn dữ liệu riêng lẻ [16][17], từ đó bổ sung thêm các phép nội suy từ mưa thực đo của các trạm bề mặt.

+ Số liệu ước lượng mưa GSMaP - Global Satellite Mapping of Precipitation được phát triển bởi Cơ quan khoa học và công nghệ Nhật Bản JST và Cơ quan thám hiểm không gian Nhật Bản JAXA. GSMaP là chương trình sử dụng vệ tinh toàn cầu có độ phân giải 10 luan an cao dựa trên bản đồ lượng mưa cũng giống như TRMM và một số sản phẩm khác với độ phân giải 0,1o và bước thời gian giờ. Các số liệu lượng mưa sẽ được hiển thị vào 00, 06, 12, 18 giờ quốc tế. Trung tâm nghiên cứu quan sát trái đất, cơ quan Thám hiểm không gian Nhật Bản (JAXA/EORC) cung cấp số liệu lượng mưa toàn cầu với nhiều sản phẩm ước lượng mưa GSMaP có thể ứng dụng cho nhiều mục đích khác, ví dụ dữ liệu mưa đã được hiệu chỉnh GSMaP_RNL (Reanalysis), dữ liệu mưa tiêu chuẩn GSMaP_MVK (Standard), dữ liệu mưa gần thời gian thực GSMaP_NRT (Near- RealTime), dữ liệu mưa thời gian thực GSMaP_NOW (Realtime), dữ liệu mưa dự báo tức thời GSMaP_RNC (RIKEN Nowcast) [18].

Thông tin về các sản phẩm có thể tham khảo tại: http://www. + QMORPH, CMORPH là ước lượng mưa vệ tinh 30 phút một với độ trễ số liệu sau 2,5 giờ với hai độ phân giải là 0,250 và 0,080 (~8 km2). QMORPH là số liệu thời gian gần thực của CMORPH có thể có sau 3 giờ của thời gian thực với các bước thời gian thực là 18 giờ. QMORPH cung cấp ước lượng mưa toàn cầu với độ phân giải rất cao theo không gian và thời gian.

Vì mối quan hệ không được tốt giữa lượng mưa với các thông số mà các vệ tinh thu được như nhiệt độ đỉnh mây từ số liệu hồng ngoại và các thông tin khác, nên ước lượng mưa vệ tinh không đạt được độ chính xác như đo mưa bề mặt đất. Do đó, các sản phẩm ước lượng mưa vệ tinh đã được hiệu chỉnh với số liệu mưa thực đo. Ví dụ sản phẩm mưa Qmorph đã tiến hành ghép nối ước lượng mưa vệ tinh QMORPH với lượng mưa quan trắc bề mặt và được thực hiện theo 2 bước: 1) quá trình giảm sai lệch; 2) tích hợp lượng mưa giờ thực đo trực tiếp với QMORPH thông qua nội suy tối ưu.