Luận văn thạc sĩ về mô hình dự báo dòng chảy lũ trên lưu vực sông Hương

• Tác giả: Bùi Đình Lập
• Người hướng dẫn: TS. Nguyễn Văn Lai
• Trường học: Trường Đại học Thủy lợi
• Chuyên ngành: Thủy văn học
• Đề tài: Nghiên Cứu Mô Hình Dự Báo Dòng Chảy Lũ Trên Lưu Vực Sông Hương
• Loại tài liệu: luận văn
• Năm xuất bản: 2010
• Địa điểm: Hà Nội

• LỜI CẢM ƠN
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN CÁC NGHIÊN CỨU MÔ HÌNH TOÁN TRONG DỰ BÁO DÒNG CHẢY LŨ
• 1.1. Tổng quan các nghiên cứu mô hình toán thuỷ văn trong dự báo dòng chảy lũ trên thế giới
• 1.2. Tổng quan các nghiên cứu mô hình toán thuỷ văn trong dự báo dòng chảy lũ ở Việt Nam
• 2. CHƯƠNG 2: ĐIỀU KIỆN TỰ NHIÊN, QUY LUẬT HÌNH THÀNH LŨ SÔNG HƯƠNG
• 2.1. Đặc điểm địa lý tự nhiên và quy luật hình thành lũ sông Hương
• 2.1.1. Khái quát đặc điểm địa lý tự nhiên lưu vực sông Hương
• 2.1.2. Đặc điểm mưa và nhân tố hình thành lũ
• 2.1.3. Đặc điểm dòng chảy lũ sông Hương
• 2.2. Các thông tin về mạng lưới trạm điện báo mưa, mực nước và tình hình hồ chứa trên lưu vực sông Hương
• 2.2.1. Tình hình quan trắc hiện tượng thủy văn trên lưu vực
• 2.2.2. Các công trình xây dựng trên sông Hương từ trước đến nay
• 3. CHƯƠNG 3: MÔ HÌNH GBHM VÀ NGHIÊN CỨU ỨNG DỤNG
• 3.1. Cơ sở lý luận của mô hình
• 3.1.1. Cấu trúc mô hình GBHM
• 3.1.2. Phương pháp mô phỏng lưu vực trong mô hình
• 3.1.3. Ứng dụng công nghệ GIS xây dựng các lớp bản đồ phục vụ đầu vào cho mô hình GBHM
• 3.1.3.1. Xác định outlet và tạo Watershed từ DEM
• 3.1.3.2. Sử dụng phương pháp Pfafstetter Basin Numbering System tạo các subbasins
• 3.1.3.3. Tạo bản đồ slope, bedslope và xác định Geo-morphology cho các subbasins
• 3.1.3.4. Xây dựng bản đồ phân vùng ảnh hưởng các trạm mưa, soil, land use cho lưu vực sông Hương
• 3.2. Xây dựng mới các phần mềm bổ trợ đầu vào mô hình
• 3.2.1. Phần mềm tự động truy vấn dữ liệu mưa, mực nước thực đo từ SDL
• 3.2.2. Phần mềm đọc và chuyển đổi dữ liệu mưa sang dạng grid để mô hình dự báo HRM, ETA với mô hình GBHM
• 4. CHƯƠNG 4: ỨNG DỤNG MÔ HÌNH GBHM LẬP PHƯƠNG ÁN DỰ BÁO LŨ CHO LƯU VỰC SÔNG HƯƠNG
• 4.1. Cấu trúc dữ liệu và vận hành mô hình GBHM
• 4.1.1. Cấu trúc dữ liệu mô hình GBHM
• 4.1.2. Vận hành mô hình GBHM
• 4.1.3. Vấn đề hồ chứa trong mô hình và phương pháp khắc phục
• 4.1.4. Giải pháp khắc phục vấn đề hồ chứa trong mô hình GBHM
• 4.2. Hiệu chỉnh bộ thông số của mô hình
• 4.2.1. Thông số trong mô hình GBHM và phương pháp hiệu chỉnh thông số
• 4.2.2. Hiệu chỉnh thông số mô hình
• 4.3. Kiểm định và đánh giá khả năng ứng dụng của mô hình GBHM
• 4.3.1. Tài liệu khí tượng, thủy văn phục vụ kiểm định, đánh giá mô hình
• 4.3.2. Chỉ tiêu kiểm định mô hình
• 4.3.3. Kết quả kiểm định và đánh giá khả năng ứng dụng của mô hình
• KẾT LUẬN VÀ KIẾN NGHỊ
• 5.1. Các kết quả luận văn đã đạt được
• 5.2. Những đóng góp mới của luận văn
• 5.3. Những tồn tại và kiến nghị
• 5.4. Hướng mở rộng của luận văn
• TÀI LIỆU THAM KHẢO

I. Tổng quan về mô hình dự báo dòng chảy lũ

Nghiên cứu mô hình dự báo dòng chảy lũ trên lưu vực sông Hương tập trung vào việc ứng dụng các công nghệ hiện đại trong lĩnh vực thủy văn. Mô hình dòng chảy lũ được xem như một công cụ quan trọng trong việc quản lý và phòng ngừa lũ lụt, đặc biệt trong bối cảnh biến đổi khí hậu. Mô hình dự báo được xây dựng dựa trên các dữ liệu lịch sử và các yếu tố khí tượng, thủy văn ảnh hưởng đến dòng chảy. Các nghiên cứu trước đây cho thấy rằng việc sử dụng mô hình toán học trong dự báo dòng chảy lũ có thể cải thiện độ chính xác của dự báo, giúp giảm thiểu thiệt hại do thiên tai. Theo đó, việc lựa chọn mô hình phù hợp cho lưu vực sông Hương là cực kỳ cần thiết để đảm bảo hiệu quả trong công tác quản lý lũ.

1.1. Tính cần thiết của mô hình dự báo

Việc áp dụng mô hình dự báo thời tiết trong lĩnh vực thủy văn đã trở thành một xu hướng quan trọng. Mô hình GBHM (Geomorphology-Based Hydrological Model) được lựa chọn vì khả năng tính toán chính xác và khả năng xử lý dữ liệu lớn. Thực tế cho thấy, các mô hình thủy văn truyền thống thường gặp khó khăn trong việc dự báo chính xác dòng chảy lũ do sự phức tạp của địa hình và các yếu tố tự nhiên khác. Chính vì vậy, việc phát triển và ứng dụng mô hình GBHM sẽ giúp nâng cao khả năng dự báo, từ đó giảm thiểu thiệt hại do lũ lụt gây ra.

II. Đặc điểm tự nhiên và quy luật hình thành lũ sông Hương

Lưu vực sông Hương có đặc điểm địa lý tự nhiên đa dạng, ảnh hưởng lớn đến quá trình hình thành lũ. Các yếu tố như lượng mưa, địa hình và thảm phủ thực vật đều có tác động trực tiếp đến dòng chảy lũ. Đặc biệt, lưu vực sông Hương thường xuyên chịu ảnh hưởng của các đợt mưa lớn, dẫn đến tình trạng ngập úng nghiêm trọng. Việc phân tích các yếu tố này là rất quan trọng trong việc xây dựng mô hình dự báo. Các nghiên cứu trước đây đã chỉ ra rằng, sự biến đổi khí hậu cùng với việc khai thác tài nguyên nước không hợp lý đã làm gia tăng nguy cơ lũ lụt tại khu vực này. Do đó, việc áp dụng mô hình dự báo cần phải tính đến những thay đổi này để có thể đưa ra các giải pháp kịp thời.

2.1. Các yếu tố ảnh hưởng đến dòng chảy lũ

Các yếu tố tự nhiên như lượng mưa, độ dốc địa hình và loại đất đều đóng vai trò quan trọng trong việc hình thành lũ. Đặc biệt, lượng mưa trong mùa mưa lớn có thể gia tăng đáng kể dòng chảy lũ. Theo số liệu thống kê, các trận lũ lớn thường xảy ra sau những đợt mưa kéo dài, với cường độ mưa lớn. Việc nắm bắt được quy luật hình thành lũ sẽ giúp cải thiện độ chính xác của mô hình dự báo. Bên cạnh đó, các yếu tố nhân tạo như xây dựng công trình thủy lợi cũng có thể tác động đến dòng chảy, cần được xem xét trong quá trình nghiên cứu.

III. Ứng dụng mô hình GBHM trong dự báo lũ

Mô hình GBHM đã được áp dụng để dự báo dòng chảy lũ trên lưu vực sông Hương. Mô hình này cho phép phân tích các yếu tố địa hình, thảm phủ và các yếu tố khí tượng một cách hiệu quả. Việc sử dụng công nghệ GIS trong mô hình giúp nâng cao độ chính xác của dự báo. Thực tế cho thấy, mô hình GBHM có khả năng xử lý dữ liệu lớn và đưa ra các kết quả dự báo nhanh chóng. Kết quả từ mô hình này cho thấy sự phù hợp với thực tế, từ đó cung cấp thông tin hữu ích cho công tác quản lý lũ và phòng chống thiên tai.

3.1. Quy trình ứng dụng mô hình

Quy trình ứng dụng mô hình GBHM bao gồm các bước thu thập dữ liệu, phân tích và mô phỏng. Đầu tiên, các dữ liệu về lượng mưa, mực nước và các yếu tố khác được thu thập từ các trạm quan trắc. Sau đó, dữ liệu này sẽ được đưa vào mô hình để thực hiện mô phỏng. Cuối cùng, kết quả từ mô hình sẽ được phân tích và so sánh với dữ liệu thực tế để đánh giá độ chính xác của dự báo. Việc thực hiện quy trình này một cách bài bản sẽ giúp nâng cao hiệu quả của mô hình trong công tác dự báo lũ.

IV. Kết luận và kiến nghị

Nghiên cứu đã chỉ ra rằng mô hình GBHM có tiềm năng lớn trong việc dự báo dòng chảy lũ trên lưu vực sông Hương. Tuy nhiên, để nâng cao hiệu quả của mô hình, cần tiếp tục nghiên cứu và hoàn thiện các thuật toán, cũng như cải thiện chất lượng dữ liệu đầu vào. Bên cạnh đó, việc kết hợp mô hình này với các phương pháp dự báo khác sẽ giúp tăng cường độ chính xác và khả năng ứng dụng trong thực tế. Các cơ quan chức năng cần xem xét việc áp dụng mô hình này trong công tác quản lý lũ và phòng ngừa thiên tai, nhằm bảo vệ an toàn cho người dân và tài sản.

4.1. Đề xuất cải tiến mô hình

Để nâng cao độ chính xác của mô hình GBHM, cần có các nghiên cứu sâu hơn về các yếu tố ảnh hưởng đến dòng chảy lũ. Việc cải tiến thuật toán và cập nhật dữ liệu thường xuyên sẽ giúp mô hình hoạt động hiệu quả hơn. Ngoài ra, việc đào tạo nguồn nhân lực có chuyên môn trong lĩnh vực này cũng là một yếu tố quan trọng để đảm bảo mô hình được áp dụng một cách hiệu quả.

Tổng quan nghiên cứu

Lưu vực sông Hương, với diện tích khoảng 2.830 km², là một trong những lưu vực thủy văn quan trọng tại tỉnh Thừa Thiên Huế, chịu ảnh hưởng mạnh mẽ của biến đổi khí hậu và các hiện tượng thiên tai ngày càng phức tạp. Trung bình mỗi năm, lưu vực này đón nhận tổng lượng nước mặt khoảng 9,975 tỷ m³, trong đó lượng nước từ các sông nhánh chính như sông Bồ chiếm khoảng 33% diện tích lưu vực. Thành phố Huế, nằm trong vùng hạ lưu sông Hương, chịu ảnh hưởng trực tiếp từ các đợt lũ lụt với khoảng 2/3 dân số bị tác động, gây thiệt hại nghiêm trọng về người và tài sản.

Vấn đề dự báo dòng chảy lũ trên lưu vực sông Hương trở nên cấp thiết nhằm nâng cao hiệu quả công tác phòng chống và giảm nhẹ thiên tai. Tuy nhiên, đặc điểm địa hình dốc, sông ngắn, lượng mưa phân bố không đồng đều theo không gian và thời gian, cùng với mạng lưới sông suối phức tạp đã tạo ra thách thức lớn cho các phương pháp dự báo truyền thống. Mục tiêu nghiên cứu của luận văn là ứng dụng mô hình thủy văn thông số phân bố GBHM (Geomorphology-Based Hydrological Model) kết hợp công nghệ GIS để dự báo dòng chảy lũ ngắn hạn tại lưu vực sông Hương, đặc biệt tại trạm thuỷ văn Kim Long, nhằm đa dạng hóa các phương án dự báo hiện có và nâng cao độ chính xác dự báo phục vụ công tác phòng chống thiên tai.

Phạm vi nghiên cứu tập trung vào lưu vực sông Hương với dữ liệu thu thập từ các trạm khí tượng thủy văn trong giai đoạn nhiều năm, đặc biệt là các năm 2009-2010. Ý nghĩa nghiên cứu được thể hiện qua việc cải thiện chất lượng dự báo lũ, giảm thiểu thiệt hại do lũ gây ra, đồng thời góp phần phát triển các công cụ dự báo hiện đại, phù hợp với điều kiện địa phương và xu hướng ứng dụng công nghệ cao trong thủy văn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: mô hình toán thủy văn và công nghệ GIS trong thủy văn. Mô hình toán thủy văn được phân loại thành mô hình ngẫu nhiên, mô hình xác định và mô hình kết hợp xác định-ngẫu nhiên. GBHM thuộc nhóm mô hình thủy văn thông số phân bố, mô phỏng quá trình mưa - dòng chảy trên lưu vực bằng cách chia lưu vực thành các ô lưới (grid), mỗi ô được xem như một phần tử thủy văn riêng biệt, xét đến các yếu tố địa hình, thảm phủ, loại đất và phân bố mưa theo không gian và thời gian.

Ba khái niệm chính được sử dụng trong nghiên cứu gồm:

• Mô hình thủy văn thông số phân bố (Distributed Hydrological Model): Mô hình tính toán dòng chảy dựa trên phân bố không gian của các yếu tố thủy văn, khác với mô hình tập trung chỉ xét giá trị trung bình trên toàn lưu vực.
• Công nghệ GIS (Geographic Information System): Hỗ trợ xử lý dữ liệu địa hình số (DEM), bản đồ sử dụng đất, đất đai, mạng lưới sông suối, giúp tạo dữ liệu đầu vào dạng lưới cho mô hình GBHM.
• Hiệu chỉnh tham số mô hình: Quá trình điều chỉnh các tham số mô hình dựa trên dữ liệu thực đo nhằm nâng cao độ chính xác của mô hình trong dự báo dòng chảy lũ.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm số liệu mưa, mực nước, và dự báo mưa số trị HRM từ Trung tâm Dự báo Khí tượng Thủy văn Trung ương, cùng các bản đồ địa hình số (DEM), bản đồ sử dụng đất và đất đai thu thập qua GIS. Cỡ mẫu dữ liệu được lấy từ các trạm khí tượng thủy văn như Kim Long, Phú ốc, Thượng Nhật, Nam Đông trong giai đoạn từ 1977 đến 2010, đảm bảo tính đại diện và độ tin cậy.

Phương pháp phân tích bao gồm:

• Xử lý và chuyển đổi dữ liệu đầu vào sang dạng lưới (grid) phù hợp với mô hình GBHM.
• Sử dụng phần mềm GIS (ArcGIS, MapInfo, Arclnfo Workstation) để phân tích địa hình, phân vùng lưu vực, xác định outlet, watershed và các subbasins.
• Lập trình và hiệu chỉnh mô hình GBHM bằng ngôn ngữ FORTRAN và Visual Studio, xây dựng phần mềm tự động truy xuất và chuyển đổi dữ liệu đầu vào.
• Kiểm định mô hình bằng cách so sánh kết quả mô phỏng với số liệu thực đo tại trạm Kim Long trong các năm 2009 và 2010, sử dụng các chỉ tiêu đánh giá như hệ số Nash-Sutcliffe, sai số trung bình tuyệt đối.

Timeline nghiên cứu kéo dài trong khoảng 2 năm, từ thu thập dữ liệu, xây dựng mô hình, hiệu chỉnh đến kiểm định và đánh giá khả năng ứng dụng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình GBHM trong dự báo lũ: Mô hình GBHM đã mô phỏng chính xác quá trình dòng chảy lũ tại trạm Kim Long với hệ số Nash-Sutcliffe đạt khoảng 0,85, sai số trung bình tuyệt đối dưới 10%, cho thấy khả năng dự báo lũ ngắn hạn hiệu quả, vượt trội so với các mô hình tập trung truyền thống.

2. Ảnh hưởng của phân bố mưa không đồng đều: Kết quả phân tích cho thấy lượng mưa phân bố không đồng đều theo không gian và thời gian, đặc biệt tại các vùng núi cao như A Lưới và Nam Đông với lượng mưa năm lên đến 5.000-8.600 mm, ảnh hưởng lớn đến quá trình hình thành lũ. Mô hình GBHM với khả năng xử lý dữ liệu phân bố không gian đã phản ánh tốt đặc điểm này.

3. Tốc độ truyền lũ nhanh và cường suất lớn: Thời gian truyền lũ từ thượng nguồn (Thượng Nhật) đến hạ lưu (Kim Long) chỉ khoảng 5-6 giờ với tốc độ truyền lũ trung bình 12 km/h, cường suất lũ lên đến 259 cm/h tại Kim Long, cho thấy thách thức lớn trong dự báo và cảnh báo sớm.

4. Tác động của hồ chứa và công trình thủy lợi: Việc xây dựng các hồ chứa như Bình Điền, Bê Luông, Cổ Bi có ảnh hưởng điều tiết dòng chảy, tuy nhiên các hồ này chưa được mô hình hóa đầy đủ trong các phương pháp truyền thống. Mô hình GBHM đã tích hợp thuật toán khắc phục vấn đề hồ chứa, giúp cải thiện độ chính xác dự báo.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả mô hình GBHM là do khả năng mô phỏng phân bố không gian của các yếu tố thủy văn như mưa, thảm phủ, địa hình, loại đất, giúp phản ánh chính xác quá trình hình thành và truyền lũ trên lưu vực có địa hình phức tạp như sông Hương. So sánh với các nghiên cứu trước đây sử dụng mô hình TANK, Mike11 hay Marine, GBHM cho kết quả dự báo lũ có độ chính xác cao hơn, đặc biệt trong điều kiện mưa lớn, lũ lên nhanh.

Dữ liệu có thể được trình bày qua biểu đồ so sánh lưu lượng thực đo và mô phỏng tại trạm Kim Long, bảng thống kê các chỉ tiêu đánh giá mô hình, bản đồ phân bố mưa và lưu vực phân chia theo subbasins. Kết quả này khẳng định tính ưu việt của mô hình thủy văn thông số phân bố trong dự báo lũ tại các lưu vực miền Trung có đặc điểm địa hình dốc và mưa phân bố không đồng đều.

Đề xuất và khuyến nghị

1. Triển khai ứng dụng mô hình GBHM trong công tác dự báo lũ tại Trung tâm Dự báo KTTV Trung ương: Tự động hóa quy trình nhập liệu và vận hành mô hình để rút ngắn thời gian dự báo, nâng cao độ chính xác dự báo lũ ngắn hạn, đặc biệt tại trạm Kim Long. Thời gian thực hiện: 1 năm; chủ thể: Trung tâm Dự báo KTTV Trung ương.

2. Mở rộng mô hình GBHM cho các lưu vực khác có đặc điểm tương tự: Áp dụng mô hình cho các lưu vực miền Trung và Tây Nguyên nhằm đa dạng hóa công cụ dự báo, phục vụ công tác phòng chống thiên tai hiệu quả hơn. Thời gian: 2 năm; chủ thể: Viện Khoa học Thủy lợi và các đơn vị nghiên cứu.

3. Tăng cường thu thập và cập nhật dữ liệu khí tượng thủy văn chất lượng cao: Đầu tư nâng cấp mạng lưới trạm đo mưa, mực nước tự động, tích hợp dữ liệu vệ tinh và dự báo số trị để cung cấp đầu vào chính xác cho mô hình. Thời gian: liên tục; chủ thể: Bộ Tài nguyên và Môi trường, Trung tâm Dự báo KTTV.

4. Đào tạo và nâng cao năng lực chuyên môn cho cán bộ vận hành mô hình: Tổ chức các khóa đào tạo về mô hình GBHM, GIS và phân tích dữ liệu thủy văn nhằm đảm bảo vận hành mô hình hiệu quả và khai thác tối đa tiềm năng của công nghệ. Thời gian: 6 tháng; chủ thể: Trường Đại học Thủy lợi, Trung tâm Dự báo KTTV.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và chuyên gia thủy văn: Luận văn cung cấp cơ sở lý thuyết và thực nghiệm về mô hình thủy văn thông số phân bố GBHM, giúp nâng cao hiểu biết và phát triển các mô hình dự báo lũ hiện đại.

2. Cán bộ dự báo khí tượng thủy văn: Tài liệu hướng dẫn chi tiết về ứng dụng mô hình GBHM trong dự báo lũ ngắn hạn, hỗ trợ cải thiện chất lượng dự báo và cảnh báo thiên tai.

3. Quản lý tài nguyên nước và phòng chống thiên tai: Cung cấp thông tin khoa học về đặc điểm lưu vực sông Hương, giúp xây dựng các chính sách quản lý, quy hoạch và ứng phó thiên tai hiệu quả.

4. Sinh viên và học viên cao học chuyên ngành thủy văn, tài nguyên nước: Là tài liệu tham khảo quý giá cho việc nghiên cứu, học tập về mô hình thủy văn, công nghệ GIS và ứng dụng trong dự báo lũ.

Câu hỏi thường gặp

1. Mô hình GBHM có ưu điểm gì so với các mô hình thủy văn truyền thống?
   GBHM mô phỏng phân bố không gian của các yếu tố thủy văn như mưa, địa hình, đất đai, giúp dự báo lũ chính xác hơn, đặc biệt tại lưu vực có địa hình phức tạp và mưa phân bố không đồng đều. Ví dụ, tại trạm Kim Long, GBHM đạt hệ số Nash-Sutcliffe 0,85, vượt trội so với mô hình tập trung.

2. Dữ liệu đầu vào cho mô hình GBHM gồm những gì?
   Bao gồm số liệu mưa, mực nước, bản đồ địa hình số (DEM), bản đồ sử dụng đất, đất đai và các thông tin về mạng lưới sông suối. Dữ liệu được xử lý bằng GIS để tạo dạng lưới phù hợp cho mô hình.

3. Thời gian dự báo lũ ngắn hạn của mô hình GBHM là bao lâu?
   Mô hình có khả năng dự báo lũ ngắn hạn với thời gian dự báo từ 6 đến 12 giờ, phù hợp với yêu cầu cảnh báo sớm tại lưu vực sông Hương, giúp giảm thiểu thiệt hại do lũ gây ra.

4. Làm thế nào để hiệu chỉnh tham số mô hình GBHM?
   Hiệu chỉnh dựa trên so sánh kết quả mô phỏng với số liệu thực đo tại các trạm thuỷ văn, sử dụng các chỉ tiêu đánh giá như hệ số Nash-Sutcliffe, sai số trung bình tuyệt đối, nhằm tối ưu hóa các tham số mô hình cho phù hợp với điều kiện thực tế.

5. Mô hình GBHM có thể áp dụng cho các lưu vực khác không?
   Có, GBHM có tính linh hoạt cao và có thể áp dụng cho các lưu vực có đặc điểm địa hình và khí hậu tương tự, đặc biệt là các lưu vực miền Trung và Tây Nguyên, giúp đa dạng hóa công cụ dự báo lũ.

Kết luận

• Luận văn đã thành công trong việc ứng dụng mô hình thủy văn thông số phân bố GBHM kết hợp GIS để dự báo dòng chảy lũ ngắn hạn tại lưu vực sông Hương, đặc biệt tại trạm Kim Long.
• Mô hình GBHM cho kết quả dự báo lũ có độ chính xác cao, phù hợp với đặc điểm địa hình dốc, mưa phân bố không đồng đều của lưu vực.
• Nghiên cứu đã xây dựng phần mềm tự động hóa nhập liệu và vận hành mô hình, rút ngắn thời gian dự báo, đáp ứng yêu cầu tác nghiệp tại Trung tâm Dự báo KTTV Trung ương.
• Kết quả nghiên cứu góp phần đa dạng hóa các phương án dự báo lũ, nâng cao hiệu quả công tác phòng chống và giảm nhẹ thiên tai tại Thừa Thiên Huế.
• Đề xuất mở rộng ứng dụng mô hình GBHM cho các lưu vực khác và tăng cường đầu tư dữ liệu, đào tạo cán bộ để phát huy tối đa tiềm năng của mô hình.

Next steps: Triển khai ứng dụng mô hình GBHM trong công tác dự báo lũ tại Trung tâm Dự báo KTTV Trung ương, đồng thời nghiên cứu mở rộng cho các lưu vực khác trong khu vực.

Call to action: Các cơ quan quản lý, nhà nghiên cứu và cán bộ dự báo thủy văn nên phối hợp triển khai và phát triển mô hình GBHM nhằm nâng cao năng lực dự báo và ứng phó thiên tai hiệu quả hơn.