Tổng quan về luận án

Sạt lở đất (landslide) là một trong những loại hình tai biến địa chất nguy hiểm và phổ biến nhất trên quy mô toàn cầu, phân bố rộng khắp trên cả năm châu lục, trong đó châu Á là khu vực chịu ảnh hưởng nặng nề nhất khi chiếm tới 65,2% tổng số các vụ trượt lở trên thế giới (Reichenbach et al., 2018). Tại Việt Nam, địa hình đồi núi chiếm hơn 3/4 diện tích lãnh thổ, kết hợp với chế độ khí hậu nhiệt đới gió mùa có lượng mưa tập trung cường suất lớn, khiến các tỉnh miền núi phía Bắc, duyên hải miền Trung và Tây Nguyên thường xuyên trở thành điểm nóng của thảm họa địa chất. Theo thống kê chính thức từ Tổng cục Phòng chống thiên tai – Bộ Nông nghiệp và Phát triển nông thôn, chỉ trong giai đoạn 2000–2020, thiên tai lũ quét và sạt lở đất đã làm 1.117 người chết và mất tích, 671 người bị thương, cùng 12.038 ngôi nhà bị sập đổ hoàn toàn. Đặc biệt, đợt thiên tai lịch sử tháng 10 năm 2020 tại miền Trung đã cướp đi sinh mạng của 111 người qua các sự cố thảm khốc như thủy điện Rào Trăng 3, Trạm Kiểm lâm 67, Đoàn Kinh tế - Quốc phòng 337 và sạt lở tại Trà Leng, Trà Vân.

+-------------------------------------------------------------------------------+
|             KHUNG TIẾP CẬN DỮ LIỆU ĐỘNG & HỌC MÁY TRONG DỰ ĐOÁN LSM           |
|                                                                               |
|   [Khôi phục Viễn thám]       [Phân tích Tần suất Mưa]    [Đặc trưng Địa hình]|
|   Sentinel-2 + Landsat 8      RFA (GEV/GLO/Pearson III)   NASADEM 30m + GIS   |
|   -> Chuỗi NDVI biến động     -> Mưa 1, 3, 5, 7-NLN       -> Slope, Aspect,   |
|   -> Dữ liệu trượt lở         -> Tần suất 50%, 20%, 10%      TWI, Lithology   |
|              \                          |                          /          |
|               \                         |                         /           |
|                +------------------------+------------------------+            |
|                                         |                                     |
|                       [Lọc Đa cộng tuyến VIF + Boruta]                        |
|                                         |                                     |
|                      [Tối ưu hóa Siêu tham số & K-Fold CV]                    |
|                        LR - SVM - DT - RF - XGBOOST                           |
|                                         |                                     |
|                [12 Bản đồ Phân vùng Nguy cơ Sạt lở Đất (LSM)]                 |
|                   5 Cấp độ: Rất thấp -> Thấp -> TB -> Cao -> Rất cao          |
|                                         |                                     |
|            [Kiểm chứng Thực địa 2021-2022 & 22 Công trình Thủy điện]          |
+-------------------------------------------------------------------------------+

Trước thách thức bức thiết đó, luận án tiến sĩ kỹ thuật mang tên "Nghiên cứu nâng cao độ chính xác trong xây dựng bản đồ phân vùng nguy cơ sạt lở đất cho khu vực miền núi tỉnh Quảng Ngãi" (chuyên ngành Kỹ thuật xây dựng công trình thủy, mã số 9580202) do Nghiên cứu sinh Đoàn Việt Long thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Chí Công và TS. Nguyễn Tiến Cường tại Trường Đại học Bách khoa – Đại học Đà Nẵng (2024), đã giải quyết trực diện những khoảng trống học thuật cốt lõi trong mô hình hóa nguy cơ trượt lở.

Khoảng trống nghiên cứu (Research Gap): Phần lớn các công trình lập bản đồ phân vùng nguy cơ sạt lở đất (Landslide Susceptibility Mapping - LSM) trước đây thường mặc định sử dụng lượng mưa trung bình nhiều năm (TBNN) hoặc chỉ dùng một lớp dữ liệu chỉ số thực vật (NDVI) tĩnh duy nhất đại diện cho chuỗi dữ liệu trượt lở thu thập qua nhiều năm (Liu et al., 2021; Chen et al., 2017). Cách tiếp cận này bộc lộ sự sai lệch nghiêm trọng vì trượt lở đất ở miền Trung thực chất bị kích hoạt bởi các đợt mưa cực đoan tích lũy ngắn ngày (1–7 ngày) và sự suy giảm tức thời của thảm phủ sinh thái. Tại địa bàn 5 huyện miền núi tỉnh Quảng Ngãi (Ba Tơ, Minh Long, Sơn Hà, Sơn Tây, Trà Bồng), dữ liệu quan trắc trượt lở trong quá khứ bị phân mảnh và thiếu hụt nghiêm trọng, trong khi nghiên cứu trước đó chỉ dừng lại ở phương pháp bán định lượng AHP còn mang nặng tính chủ quan của chuyên gia (Phan Văn Hùng, 2019).

Câu hỏi và Giả thuyết nghiên cứu:

  • RQ1: Làm thế nào để khôi phục và làm giàu cơ sở dữ liệu hiện trạng sạt lở đất và các yếu tố biến động theo thời gian tại vùng thiếu dữ liệu quan trắc? $\rightarrow$ H1: Kỹ thuật viễn thám đa thời gian (Sentinel-2, Landsat 8, Google Earth Pro) kết hợp phân tích chuỗi thời gian cho phép tái lập chính xác không gian - thời gian các vết trượt lịch sử và động thái NDVI tương ứng.
  • RQ2: Mô hình học máy nào tối ưu hóa độ chính xác dự đoán nguy cơ sạt lở đất khi tích hợp chuỗi lượng mưa tích lũy lớn nhất thay vì lượng mưa TBNN? $\rightarrow$ H2: Mô hình tăng cường độ dốc cấp cao (XGBoost) với thuật toán tối ưu hóa siêu tham số sẽ vượt trội hơn các mô hình học máy truyền thống và đạt diện tích dưới đường cong ROC (AUC) cao nhất.
  • RQ3: Tần suất mưa kích hoạt ảnh hưởng như thế nào đến sự phân bố không gian của các cấp độ nguy cơ sạt lở đất? $\rightarrow$ H3: Phân tích tần suất mưa vùng (RFA) tích hợp vào mô hình học máy cho phép thiết lập bộ 12 bản đồ nguy cơ động theo các kịch bản tần suất mưa thực tế (50%, 20%, 10%), cung cấp độ tin cậy thực chứng cao cho các công trình hạ tầng thủy lợi, thủy điện.

Phạm vi và Ý nghĩa thực tiễn: Luận án bao quát toàn bộ diện tích 5 huyện miền núi tỉnh Quảng Ngãi, tích hợp chuỗi số liệu quan trắc 18 trạm đo mưa, 34 sự kiện sạt lở có mốc thời gian chuẩn xác giai đoạn 2007–2020, phân tích viễn thám 2016–2020, và kiểm chứng thực địa trên các thảm họa sạt lở thực tế năm 2021–2022 cùng 22 công trình thủy điện trên địa bàn.

Literature Review và Positioning

Lịch sử phát triển của các phương pháp đánh giá nguy cơ sạt lở đất trên thế giới đã trải qua bốn thế hệ chính: (1) Phương pháp định tính dựa trên khảo sát địa mạo và ý kiến chuyên gia (Heuristic geomorphological mapping); (2) Phương pháp bán định lượng dựa trên phân tích thứ bậc AHP (Analytic Hierarchy Process) và lý thuyết tập mờ (Fuzzy Logic); (3) Phương pháp định lượng thống kê hai biến và đa biến (Bivariate statistical methods như FR - Frequency Ratio, WoE - Weights of Evidence; Multivariate statistical methods như LR - Logistic Regression, Discriminant Analysis); và (4) Phương pháp trí tuệ nhân tạo, học máy nâng cao (Machine Learning & Ensemble Learning: SVM, Random Forest, XGBoost, Deep Neural Networks) (Guzzetti et al., 1999; Varnes, 1984; Reichenbach et al., 2018).

+-------------------------------------------------------------------------------+
|                    TIẾN TRÌNH TIẾP CẬN MÔ HÌNH HÓA NGUY CƠ SẠT LỞ             |
|                                                                               |
|  [Định tính (Heuristic)]                                                      |
|   Khảo sát thực địa, kinh nghiệm chuyên gia -> Sai số chủ quan cao            |
|         |                                                                     |
|         v                                                                     |
|  [Bán định lượng (Semi-Quantitative)]                                         |
|   AHP, Trọng số mờ -> Phụ thuộc ma trận so sánh cặp chuyên gia                |
|         |                                                                     |
|         v                                                                     |
|  [Thống kê truyền thống (Bivariate/Multivariate)]                             |
|   FR, WoE, Logistic Regression (LR) -> Giả định tuyến tính, AUC ~ 0.75 - 0.81 |
|         |                                                                     |
|         v                                                                     |
|  [Học máy & Khai phá dữ liệu động (Luận án Đoàn Việt Long, 2024)]             |
|   XGBoost + RFA + Chuỗi Mưa tích lũy (1,3,5,7-NLN) + Dynamic NDVI -> AUC >0.90|
+-------------------------------------------------------------------------------+

Trong y văn quốc tế, tồn tại hai luồng tranh luận học thuật sâu sắc:

  • Tranh luận 1 (Mô hình vật lý cơ học đất vs. Mô hình học máy hướng dữ liệu): Các nhà địa kỹ thuật truyền thống bảo vệ mô hình cơ học thấm - trượt dựa trên phương trình cân bằng giới hạn (Deterministic physical models) vì tính minh bạch vật lý (Iverson, 2000). Tuy nhiên, trường phái thống kê hiện đại (Reichenbach et al., 2018; Liu et al., 2021) chứng minh rằng ở quy mô lưu vực và vùng lãnh thổ rộng lớn thiếu dữ liệu địa chất công trình chi tiết, mô hình vật lý không thể đáp ứng do sự biến thiên phức tạp của các lớp đất đá. Mô hình học máy với khả năng xử lý phi tuyến tính cực mạnh là giải pháp tối ưu hơn cả.
  • Tranh luận 2 (Dữ liệu mưa tĩnh TBNN vs. Dữ liệu mưa động kích hoạt tích lũy): Đa số các nghiên cứu quốc tế trước đây vẫn lạm dụng bản đồ đẳng trị lượng mưa TBNN để mô hình hóa trượt lở không gian (spatial susceptibility) (Pradhan et al., 2010; Pham et al., 2017). Ngược lại, các nghiên cứu chuyên sâu về cơ chế trượt (Guzzetti et al., 2007; Công et al., 2020) khẳng định rằng lượng mưa trung bình năm hoàn toàn triệt tiêu các đỉnh xung kích của các trận bão nhiệt đới – nguyên nhân thực sự gây vỡ áp lực nước lỗ rỗng trong mái dốc.

Vị thế học thuật và so sánh quốc tế: Luận án định vị tiên phong bằng cách giải quyết bài toán thiếu dữ liệu thông qua tích hợp chuỗi viễn thám độ phân giải cao và phân tích tần suất mưa vùng (RFA). So với nghiên cứu kinh điển của Pradhan et al. (2010) tại cao nguyên Cameron Highlands (Malaysia) – nơi mô hình hồi quy Logistic (LR) chỉ đạt AUC = 0,81 so với FR (AUC = 0,74), hay công trình của Rasyid et al. (2016) tại núi Lompobattang (Indonesia), nghiên cứu của Đoàn Việt Long đã tiến một bước dài khi thiết lập mô hình học máy tích hợp tập hợp tăng cường độ dốc (Extreme Gradient Boosting - XGBoost) đạt chỉ số AUC vượt trội trên 0,90 trong các kịch bản mưa kích hoạt, đồng thời khắc phục triệt để nhược điểm của các nghiên cứu tại Việt Nam (Bùi Tiến Diệu et al., 2016; Nguyễn Chí Công et al., 2020) vốn chỉ sử dụng một bản đồ mưa tích lũy tĩnh duy nhất cho một tập hợp trượt lở nhiều năm.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm phong phú ba nền tảng lý thuyết cốt lõi trong cơ học đất và khoa học địa chất tai biến:

  1. Lý thuyết Ứng suất Hữu hiệu Terzaghi & Tiêu chuẩn Phá hủy Mohr-Coulomb trong Điều kiện Thấm Không Ổn định: Luận án mở rộng lý thuyết cân bằng giới hạn mái dốc bằng việc chứng minh toán học và thực nghiệm rằng sức kháng cắt của đất đá bị suy giảm đột ngột dưới tác động của lượng mưa tích lũy cực hạn $1, 3, 5, 7$ ngày lớn nhất ($1\text{-NLN}, 3\text{-NLN}, 5\text{-NLN}, 7\text{-NLN}$). Sự gia tăng áp lực nước lỗ rỗng dương ($u$) và áp lực hút dính mao dẫn suy giảm trong tầng phong hóa bão hòa nước làm giảm ứng suất pháp hiệu dụng $\sigma' = (\sigma - u)$, biến mái dốc từ trạng thái ổn định sang trạng thái phá hủy trượt phẳng hoặc trượt xoay.
  2. Lý thuyết Phân tầng Đánh giá Tai biến Trượt lở của Guzzetti & Varnes: Luận án tạo ra bước chuyển dịch mô hình (paradigm shift) từ đánh giá nguy cơ không gian thuần túy (Static Landslide Susceptibility) sang đánh giá phân vùng nguy cơ động liên kết tần suất khí tượng (Frequency-Coupled Dynamic Susceptibility Mapping), thu hẹp khoảng cách giữa bản đồ nguy cơ không gian (Susceptibility) và bản đồ hiểm họa thời gian (Hazard map).
  3. Lý thuyết Học máy Thống kê Vapnik & Cấu trúc Tăng cường Cây Quyết định (Gradient Boosting Decision Trees - Chen & Guestrin, 2016): Luận án chứng minh định lý về khả năng khái quát hóa tối ưu của thuật toán XGBoost trong không gian dữ liệu địa lý đa chiều, giải quyết triệt để hiện tượng quá khớp (overfitting) thông qua chính quy hóa hàm mục tiêu (Objective Regularization) khi xử lý các biến số môi trường bất đồng nhất.
+-------------------------------------------------------------------------------+
|             KHUNG LÝ THUYẾT TÍCH HỢP ĐA NGÀNH TRONG LUẬN ÁN                   |
|                                                                               |
|   [Cơ học Đất & Thủy văn Thấm]       [Học thống kê & Tối ưu hóa Ensemble]     |
|   - Nguyên lý ứng suất Terzaghi      - Cấu trúc cây quyết định XGBoost        |
|   - Tiêu chuẩn phá hủy Mohr-Coulomb  - Giảm thiểu Residual Loss phi tuyến     |
|   - Trạng thái bão hòa tầng đất nông - Regularization chống Overfitting       |
|                   \                              /                            |
|                    \                            /                             |
|                     v                          v                              |
|          [Lý thuyết Phân tích Tần suất Cực trị Vùng (RFA - Hosking)]          |
|          - Mô hình hóa phân bố mưa cực đoan (1, 3, 5, 7-NLN)                  |
|          - Chu kỳ lặp P = 50%, 20%, 10%                                       |
|                                     |                                         |
|                                     v                                         |
|          [HỆ MÔ HÌNH PHÂN VÙNG NGUY CƠ TRƯỢT LỞ ĐỘNG (DYNAMIC LSM)]           |
+-------------------------------------------------------------------------------+

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất tuần hoàn giữa ba trụ cột: Xử lý ảnh viễn thám không gian – thời gian, Phân tích tần suất mưa vùng (RFA), và Mô hình hóa dự đoán học máy (Machine Learning Benchmarking).

Định nghĩa các biến số cốt lõi:

  • Chỉ số Nguy cơ Sạt lở Đất (Landslide Susceptibility Index - LSI): Hàm xác suất đầu ra liên tục từ thuật toán phân loại $[0, 1]$, phản ánh khả năng phát sinh trượt lở tại từng pixel ảnh địa lý.
  • Lượng mưa tích lũy lớn nhất ($k\text{-NLN}$): Tổng lượng mưa đo được trong khoảng thời gian liên tục $k$ ngày ($k \in {1, 3, 5, 7}$) đạt giá trị cực đại trong năm kích hoạt trượt lở.
  • Phân tích tần suất mưa vùng (RFA): Phương pháp ước lượng các phân bố xác suất mưa cực trị (GEV, GLO, Pearson III) cho các vùng đồng nhất khí hậu, khắc phục hạn chế chuỗi số liệu đo mưa ngắn tại các trạm miền núi.
  • Mật độ sạt lở (Landslide Density - LD): Tỷ lệ phần trăm diện tích hoặc số điểm trượt lở thực tế rơi vào từng cấp nguy cơ dự đoán, dùng làm thước đo kiểm định tính chân thực của mô hình.

Điều kiện biên (Boundary Conditions): Khung phân tích áp dụng nghiêm ngặt cho vùng nhiệt đới gió mùa có địa hình đồi núi phân cắt mạnh, tầng vỏ phong hóa dày từ 2–10m, cơ chế kích hoạt chính là mưa tập trung, và độ dốc sườn núi dao động từ $15^\circ$ đến trên $45^\circ$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng hậu thực chứng (Post-positivism / Critical Realism), kết hợp thiết kế nghiên cứu thực nghiệm định lượng đa tầng (Multi-level quantitative experimental design):

  • Cấp độ 1 (Dữ liệu nền & Không gian số): Mô hình số độ cao NASADEM độ phân giải không gian $30\text{ m} \times 30\text{ m}$ trích xuất 6 biến hình thái: Độ dốc (Slope angle), Hướng phơi sườn (Slope aspect), Độ cao địa hình (Elevation), Độ cong bề mặt (Curvature), Chỉ số độ ẩm địa hình (Topographic Wetness Index - TWI), và Mạng lưới thủy văn.
  • Cấp độ 2 (Viễn thám & Sinh thái biến động): Khai thác tổ hợp cảm biến OLI/TIRS trên Landsat 8 (11 kênh phổ, chu kỳ 16 ngày) và cảm biến đa phổ MSI trên vệ tinh Sentinel-2A/B (13 kênh phổ, độ phân giải 10–20m, chu kỳ 5 ngày) kết hợp ảnh lập thể độ phân giải siêu cao trên Google Earth Pro ($0,5\text{ m} - 2\text{ m}$) nhằm trích xuất chỉ số thực vật biến tính thời gian (Dynamic Normalized Difference Vegetation Index - NDVI).
  • Cấp độ 3 (Khí tượng thủy văn cực trị): Dữ liệu chuỗi đo mưa ngày lịch sử từ 18 trạm khí tượng thủy văn trong và lân cận khu vực nghiên cứu giai đoạn 2007–2020.
+-------------------------------------------------------------------------------+
|                    QUY TRÌNH NGHIÊN CỨU RIGOROUS ĐA BƯỚC                      |
|                                                                               |
|  [Khôi phục Viễn thám]  -> [Sàng lọc Đa cộng tuyến] -> [Huấn luyện Siêu tham số] |
|   Sentinel-2/Landsat 8      VIF < 5                    5-Fold Cross Validation |
|   Phát hiện 34 sự kiện      Boruta Feature Selection   Bayesian Grid Search   |
|         |                            |                           |            |
|         +----------------------------+---------------------------+            |
|                                      |                                        |
|                                      v                                        |
|                          [Đánh giá Đa tiêu chí ROC]                           |
|                           AUC, ACC, SST, SPF, Kappa                           |
|                                      |                                        |
|                                      v                                        |
|                     [Phân vùng 12 Kịch bản RFA & Kiểm chứng]                  |
+-------------------------------------------------------------------------------+

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được thiết kế khép kín nhằm loại bỏ triệt để sai số:

  1. Chiến lược lấy mẫu và xây dựng tập dữ liệu: Từ 34 sự kiện sạt lở lớn có mốc thời gian cụ thể (2007–2020) và hàng trăm vết trượt được giải đoán chính xác bằng ảnh vệ tinh giai đoạn 2016–2020, luận án thiết lập tập dữ liệu nhị phân cân bằng (1:1) gồm các điểm trượt lở ($Y=1$) và các điểm không trượt lở ($Y=0$) được lấy mẫu ngẫu nhiên có kiểm soát trên toàn bộ 5 huyện miền núi. Dữ liệu được phân tách độc lập: 70% dành cho huấn luyện mô hình (Training set) và 30% dành cho kiểm định độc lập (Testing/Validation set).
  2. Kiểm định đa cộng tuyến (Multicollinearity Test): Sử dụng hệ số lạm phát phương sai (Variance Inflation Factor - VIF) và độ chấp nhận (Tolerance) để loại bỏ các yếu tố tương quan chéo cao. Tất cả các biến số được giữ lại đều có hệ số $\text{VIF} < 5$ (đảm bảo tính độc lập tuyệt đối giữa các nhân tố).
  3. Lựa chọn đặc trưng tự động bằng thuật toán Boruta: Thuật toán Boruta dựa trên bộ bao bọc Random Forest được triển khai để xếp hạng tầm quan trọng của các yếu tố ảnh hưởng, loại bỏ các thuộc tính bóng (Shadow attributes) không có ý nghĩa thống kê.
+-----------------------------------------------------------------------------------+
|               BẢNG CHỈ SỐ LẠM PHÁT PHƯƠNG SAI (VIF) CÁC BIẾN ĐẦU VÀO              |
+--------------------------+--------+------------------+----------------------------+
| Yếu tố ảnh hưởng         | VIF    | Tolerance (1/VIF)| Trạng thái đa cộng tuyến   |
+--------------------------+--------+------------------+----------------------------+
| Độ dốc (Slope)           | 1.842  | 0.543            | Hoàn toàn độc lập (Đạt)    |
| Lượng mưa tích lũy       | 2.135  | 0.468            | Hoàn toàn độc lập (Đạt)    |
| Chỉ số thực vật (NDVI)   | 1.456  | 0.687            | Hoàn toàn độc lập (Đạt)    |
| Khoảng cách đường giao thông| 1.218| 0.821           | Hoàn toàn độc lập (Đạt)    |
| Loại đất (Soil type)     | 1.392  | 0.718            | Hoàn toàn độc lập (Đạt)    |
| Độ ẩm địa hình (TWI)     | 1.764  | 0.567            | Hoàn toàn độc lập (Đạt)    |
| Độ cong (Curvature)      | 1.105  | 0.905            | Hoàn toàn độc lập (Đạt)    |
| Khoảng cách sông suối    | 1.341  | 0.746            | Hoàn toàn độc lập (Đạt)    |
| Độ cao (Elevation)       | 2.450  | 0.408            | Hoàn toàn độc lập (Đạt)    |
+--------------------------+--------+------------------+----------------------------+

Data và phân tích

Luận án triển khai đồng thời 5 thuật toán học máy đại diện cho các trường phái từ đơn giản đến phức hợp cao cấp:

  • Hồi quy Logistic (LR): Mô hình tuyến tính tổng quát hóa với hàm liên kết Sigmoid.
  • Máy vector hỗ trợ (SVM): Sử dụng hàm nhân Radial Basis Function (RBF Kernel) với tối ưu hóa siêu tham số phạt $C$ và hệ số bức xạ $\gamma$.
  • Cây quyết định (DT): Phân chia nhánh dựa trên chỉ số tạp chất Gini và độ phức tạp chi phí cắt tỉa ($cp$).
  • Rừng ngẫu nhiên (RF): Thuật toán Ensemble phương pháp Bagging với $n_{\text{estimators}} = 500$, tối ưu hóa số thuộc tính ngẫu nhiên tại mỗi điểm phân chia ($m_{\text{try}}$).
  • Tăng cường độ dốc cấp cao (XGBoost): Thuật toán Ensemble phương pháp Boosting tuần tự tối ưu hóa hàm suy hao bậc hai, tốc độ học (learning rate $\eta$), độ sâu cây tối đa (max depth), và tỷ lệ lấy mẫu con (subsample ratio).

Hiệu năng mô hình được đánh giá toàn diện qua ma trận nhầm lẫn (Confusion Matrix) và phân tích đường cong ROC: $$\text{Accuracy (ACC)} = \frac{TP + TN}{TP + TN + FP + FN}$$ $$\text{Sensitivity (SST)} = \frac{TP}{TP + FN}, \quad \text{Specificity (SPF)} = \frac{TN}{TN + FP}$$ $$\text{Chỉ số Kappa } (k) = \frac{P_o - P_e}{1 - P_e}, \quad \text{Diện tích dưới đường cong (AUC)}$$

+-----------------------------------------------------------------------------------+
|             SO SÁNH HIỆU NĂNG 5 MÔ HÌNH HỌC MÁY (KỊCH BẢN MƯA 3-NLN)              |
+-----------------------+--------+--------+--------+--------+--------+--------------+
| Mô hình               | ACC (%)| SST (%)| SPF (%)| PPV (%)| NPV (%)| ROC-AUC      |
+-----------------------+--------+--------+--------+--------+--------+--------------+
| Logistic Regression   | 78.4   | 76.5   | 80.3   | 79.5   | 77.4   | 0.824        |
| Support Vector Machine| 83.1   | 81.8   | 84.4   | 84.0   | 82.3   | 0.871        |
| Decision Tree (DT)    | 79.2   | 78.0   | 80.4   | 79.9   | 78.5   | 0.819        |
| Random Forest (RF)    | 86.7   | 85.2   | 88.2   | 87.8   | 85.6   | 0.912        |
| XGBOOST (Tối ưu nhất) | 89.5   | 88.6   | 90.4   | 90.2   | 88.8   | 0.945        |
+-----------------------+--------+--------+--------+--------+--------+--------------+

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. XGBoost xác lập đỉnh cao chính xác tuyệt đối: Trong tất cả 4 kịch bản chuỗi mưa tích lũy ($1\text{-NLN}, 3\text{-NLN}, 5\text{-NLN}, 7\text{-NLN}$), mô hình XGBoost đều đạt hiệu suất dự đoán cao nhất với chỉ số $\text{AUC} > 0,90$ (đạt $0,945$ ở kịch bản $3\text{-NLN}$), vượt trội có ý nghĩa thống kê ($p < 0,001$) so với SVM ($\text{AUC} = 0,871$), RF ($\text{AUC} = 0,912$), DT ($\text{AUC} = 0,819$) và LR ($\text{AUC} = 0,824$).
  2. Sự sụp đổ của giả định mưa TBNN truyền thống: Khi nạp dữ liệu mưa TBNN vào mô hình XGBoost, chỉ số AUC sụt giảm nghiêm trọng xuống mức thấp bất thường, đồng thời biểu đồ phân bố điểm trượt không phản ánh được tính tập trung tai biến. Ngược lại, việc tích hợp dữ liệu mưa tích lũy lớn nhất $1, 3, 5, 7$ ngày đã nâng độ chính xác phân loại lên từ $12%$ đến $18%$.
  3. Quy luật biến động diện tích nguy cơ theo tần suất mưa (RFA): Khi tần suất mưa chuyển từ $P = 50%$ (mưa bình thường chu kỳ 2 năm) sang $P = 10%$ (mưa cực đoan chu kỳ 10 năm), tỷ lệ pixel ảnh thuộc vùng nguy cơ "Rất cao" và "Cao" tăng đột biến từ $18,4%$ lên đến $37,8%$ toàn vùng lãnh thổ. Điều này chứng minh rằng tần suất mưa cực đoan là biến số điều khiển không gian trượt lở có tính quyết định.
  4. Xếp hạng tầm quan trọng của các yếu tố (Boruta Feature Ranking): Ba yếu tố giữ vai trò thống trị gây mất ổn định sườn dốc tại miền núi Quảng Ngãi lần lượt là: (1) Độ dốc địa hình (đặc biệt tập trung ở dải $25^\circ - 45^\circ$), (2) Lượng mưa tích lũy ngắn ngày lớn nhất, và (3) Khoảng cách đến mạng lưới đường giao thông (do hoạt động bạt mái taluy nhân tạo làm mất chân sườn dốc).
  5. Kiểm chứng thực địa hoàn hảo trên các thảm họa 2021–2022: Bản đồ phân vùng nguy cơ xây dựng ở kịch bản mưa $3\text{-NLN}$ tần suất $10%$ đã dự báo chính xác $100%$ các tọa độ trượt lở thảm khốc xảy ra sau thời gian nghiên cứu: Vụ sạt lở taluy dương và taluy âm tuyến đường đèo Eo Chim đi Trà Nham (Trà Bồng) ngày 25/10/2021 và vụ vùi lấp sạt trượt kinh hoàng tại Nhà máy Thủy điện Kà Tinh 1 ngày 10/10/2022 đều nằm trọn vẹn trong vùng phân ranh "Nguy cơ Rất cao" (Very High Susceptibility Zone).
+-------------------------------------------------------------------------------+
|        ĐỐI CHIẾU DỰ BÁO BẢN ĐỒ NGUY CƠ VỚI CÁC VỤ SẠT LỞ THỰC TẾ 2021-2022    |
|                                                                               |
|   Sự kiện sạt lở thực tế              Cấp nguy cơ trên bản đồ dự báo (P=10%)  |
|   ----------------------------------  --------------------------------------  |
|   1. Đèo Eo Chim, Trà Bồng            [ RẤT CAO / VERY HIGH ] (Khớp 100%)    |
|      (Xảy ra: 25/10/2021)             -> Mật độ trượt LD cực đại              |
|                                                                               |
|   2. Thủy điện Kà Tinh 1, Trà Bồng    [ RẤT CAO / VERY HIGH ] (Khớp 100%)    |
|      (Xảy ra: 10/10/2022)             -> Vùng sườn dốc phong hóa bão hòa nước|
|                                                                               |
|   3. Khu dân cư Sơn Long, Sơn Tây     [ CAO / HIGH ] (Khớp hoàn toàn)         |
|      (Xảy ra cuối năm 2021)           -> Bạt taluy đường giao thông           |
+-------------------------------------------------------------------------------+

Implications đa chiều

  • Về mặt học thuật: Khẳng định tính ưu việt của việc giải mã dữ liệu chuỗi thời gian viễn thám kết hợp mô hình Ensemble Learning trong địa kỹ thuật tai biến.
  • Về mặt phương pháp luận: Cung cấp một bộ khung chuẩn hóa (Standardized Protocol) có thể chuyển giao và áp dụng ngay lập tức cho các tỉnh miền núi dọc dải Trường Sơn và Tây Nguyên thiếu trạm đo thực địa.
  • Về ứng dụng thực tiễn và chính sách: Bộ 12 bản đồ phân vùng chi tiết tỷ lệ lớn cung cấp luận cứ khoa học chuẩn xác để UBND tỉnh Quảng Ngãi, Sở Nông nghiệp & PTNT, Sở Xây dựng điều chỉnh quy hoạch sử dụng đất, di dời dân cư vùng xung yếu, và đặc biệt là rà soát an toàn cho 22 công trình thủy điện bậc thang trên địa bàn.

Limitations và Future Research

Nhìn nhận một cách khách quan và nghiêm cẩn học thuật, luận án tồn tại 4 giới hạn nghiên cứu:

  1. Rào cản mây che phủ trong ảnh quang học: Việc sử dụng nguồn ảnh quang học Sentinel-2 và Landsat 8 trong mùa mưa bão nhiệt đới thường xuyên bị che khuất bởi mây dày, dẫn đến một số thời điểm trượt lở không thể xác định chính xác đến từng ngày mà phải thu hẹp trong khung thời gian giữa hai cảnh ảnh quang đãng.
  2. Độ phân giải mô hình DEM: Sử dụng NASADEM độ phân giải $30\text{ m}$ tuy phù hợp cho quy mô cấp vùng (5 huyện) nhưng chưa đủ mịn để mô phỏng các vết sạt lở nhỏ cục bộ ven mép taluy đường giao thông nông thôn (dưới $5\text{ m}$).
  3. Thiếu vắng dữ liệu quan trắc mực nước ngầm và biến dạng sâu: Mô hình chưa tích hợp được số liệu đo đạc cảm biến biến dạng áp lực nước lỗ rỗng theo thời gian thực (Piezometer) trong lòng thân trượt do hạn chế kinh phí lắp đặt thiết bị đo sâu tại vùng sâu vùng xa.
  4. Giả định đồng nhất địa chất cục bộ: Các lớp bản đồ địa chất tỷ lệ 1:200.000 chưa phản ánh hết các vi đứt gãy kiến tạo cấp 4 và đới vò nát kiến tạo siêu nhỏ.

Chương trình nghiên cứu 10 năm tiếp theo (Future Research Agenda):

  • Tích hợp công nghệ Radar khẩu độ tổng hợp giao thoa đa thời gian (InSAR - Multi-temporal InSAR) từ vệ tinh Sentinel-1A/B để theo dõi tốc độ dịch chuyển bề mặt mái dốc tới cấp milimet bất kể điều kiện mây mù.
  • Xây dựng đường bao ngưỡng mưa kích hoạt cục bộ ($I-D$ curves: Cường độ - Thời lượng mưa) kết hợp công nghệ cảm biến IoT truyền tin không dây cảnh báo sớm thời gian thực (Early Warning System) cho các vị trí trọng điểm như Thủy điện Kà Tinh, Đèo Eo Chim.
  • Ứng dụng các kiến trúc học sâu không gian - thời gian (Spatial-temporal Deep Learning: ConvLSTM, Graph Neural Networks) để nâng cao khả năng tự học biểu diễn đặc trưng địa mạo.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật (Academic Impact): Luận án đặt nền móng phương pháp luận mới cho các công trình nghiên cứu sinh và đề tài cấp Nhà nước về tai biến địa chất, với tiềm năng trích dẫn quốc tế cao trong các tạp chí ISI nhóm Q1 (Landslides, Catena, Geomorphology, Engineering Geology).
  • Chuyển đổi ngành Thủy điện & Giao thông: Đóng góp bộ công cụ đánh giá an toàn cho 22 nhà máy thủy điện (Hà Nang, Kà Tinh 1, Sông Riềng, Sơn Tây...) và hệ thống quốc lộ, tỉnh lộ huyết mạch (ĐT 626, Quốc lộ 24B), giúp các chủ đầu tư và cơ quan quản lý chuyển dịch từ bị động ứng phó sang chủ động gia cố kết cấu công trình.
  • Tác động chính sách Nhà nước: Cung cấp cơ sở khoa học định lượng phục vụ trực tiếp Nghị quyết 76/NQ-CP của Chính phủ về công tác phòng, chống thiên tai và Đề án quốc gia "Cảnh báo sớm sạt lở đất, lũ quét khu vực miền núi, trung du Việt Nam".
+-------------------------------------------------------------------------------+
|                    MA TRẬN TÁC ĐỘNG VÀ ĐỐI TƯỢNG HƯỞNG LỢI                    |
+--------------------------+----------------------------------------------------+
| Nhóm đối tượng           | Giá trị thụ hưởng & Ứng dụng thực chứng            |
+--------------------------+----------------------------------------------------+
| Nghiên cứu sinh &        | Kế thừa khung phương pháp luận kết hợp RFA-ML;     |
| Giới Viện - Trường       | Khai thác nguồn dữ liệu ảnh vệ tinh đa thời gian.  |
+--------------------------+----------------------------------------------------+
| Chủ đầu tư Thủy điện     | Bộ chỉ số rủi ro trượt lở cho 22 công trình;       |
| & Kỹ sư Địa kỹ thuật     | Thiết kế thông số gia cố mái taluy đón lũ.         |
+--------------------------+----------------------------------------------------+
| Ban chỉ huy PCTT & TKCN  | 12 Bản đồ nguy cơ phân giải cao theo kịch bản mưa; |
| cấp Tỉnh / Huyện         | Phương án sơ tán dân cư cục bộ theo chu kỳ lặp.    |
+--------------------------+----------------------------------------------------+
| Cơ quan Quy hoạch Đô thị | Phân ranh vùng cấm xây dựng hạ tầng kiên cố;       |
| & Quản lý Đất đai        | Định hướng hành lang phát triển kinh tế miền núi.  |
+--------------------------+----------------------------------------------------+

Đối tượng hưởng lợi

  1. Nghiên cứu sinh và Giới học thuật: Tiếp cận một quy trình chuẩn hóa từ khâu khôi phục dữ liệu thiếu bằng viễn thám đến tinh chỉnh siêu tham số mô hình học máy tiên tiến.
  2. Kỹ sư R&D và Thiết kế Công trình Thủy: Ứng dụng trực tiếp thông số lượng mưa tích lũy và bản đồ nguy cơ để tính toán ổn định thấm mái dốc cho đập dâng, nhà máy thủy điện, hồ chứa nước.
  3. Cơ quan Quản lý Quy hoạch và Xây dựng: Loại bỏ nguy cơ quy hoạch hạ tầng dân sinh vào các cung trượt cổ hoặc đới xung yếu có chỉ số nguy cơ $LSI > 0,8$.
  4. Cộng đồng dân cư 5 huyện miền núi Quảng Ngãi: Được bảo vệ an toàn tính mạng và sinh kế thông qua các phương án phòng tránh thiên tai chuẩn xác dựa trên kịch bản dự báo tần suất mưa.

Câu hỏi chuyên sâu

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

Trả lời: Đóng góp lý thuyết độc đáo nhất là việc hợp nhất thành công Lý thuyết Phân tích Tần suất Mưa Cực trị Vùng (RFA) vào Lý thuyết Học máy Phân vùng Không gian (Spatial Machine Learning Susceptibility). Luận án đã phá vỡ khuôn mẫu tĩnh truyền thống của trường phái Guzzetti bằng cách chứng minh rằng nguy cơ trượt lở không phải là một đại lượng bất biến trong không gian, mà là một hàm biến thiên động theo chuỗi lượng mưa tích lũy ngắn ngày lớn nhất ($1, 3, 5, 7\text{-NLN}$) tương ứng với các chu kỳ lặp xác suất ($P = 50%, 20%, 10%$).

2. Sự đổi mới về phương pháp luận so với các nghiên cứu tiền nhiệm biểu hiện ra sao?

Trả lời: So sánh với hai nghiên cứu quốc tế điển hình là Pradhan et al. (2010) (chỉ dùng mô hình thống kê đa biến LR tĩnh) và Pham et al. (2017) (dùng mô hình học máy trên dữ liệu mưa TBNN), luận án của Đoàn Việt Long tạo ra bước đột phá kép: (1) Khôi phục toàn diện dữ liệu trượt lở đa thời gian bằng chuỗi ảnh quang học đa phổ độ phân giải cao kết hợp Google Earth Pro; (2) Thực hiện quy trình chuẩn hóa từ kiểm tra đa cộng tuyến (VIF), lọc đặc trưng (Boruta), tinh chỉnh siêu tham số đến so chuẩn đồng thời 5 mô hình học máy (LR, SVM, DT, RF, XGBoost), xác lập hiệu năng vượt trội của thuật toán XGBoost ($\text{AUC} = 0,945$).

3. Phát hiện bất ngờ nhất (counter-intuitive) có bằng chứng số liệu chứng minh là gì?

Trả lời: Phát hiện bất ngờ nhất là những sườn dốc có góc nghiêng lớn nhất ($> 50^\circ$) không phải là nơi có mật độ trượt lở cao nhất. Dữ liệu thống kê tần suất chỉ ra rằng sạt lở tập trung áp đảo ở dải độ dốc trung bình cao từ $25^\circ$ đến $45^\circ$. Bằng chứng cơ học giải thích cho hiện tượng này là các vách đá dốc $> 50^\circ$ tại Quảng Ngãi chủ yếu trơ đá gốc có độ bền liên kết cao, không giữ được tầng phong hóa dày; trong khi các sườn núi $25^\circ - 45^\circ$ có tầng đất phong hóa feralit dày, tích tụ lượng nước ngầm lớn khi mưa kéo dài, dẫn đến trọng lượng bản thân tăng vọt và phá hủy lực dính cắt $c, \varphi$.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp chi tiết không?

Trả lời: Hoàn toàn đầy đủ và chi tiết. Luận án công khai toàn bộ tọa độ trạm đo mưa, bảng thông số siêu tham số tối ưu (Hyperparameters: Learning rate, Max depth, Subsample, Gamma của XGBoost; Hệ số $C, \gamma$ của SVM; Chỉ số $cp$ của DT; $n_{\text{estimators}}$ của RF), quy trình trích xuất chỉ số phổ từ ảnh viễn thám, và tiêu chí phân chia 5 cấp nguy cơ bằng phương pháp Natural Breaks trên hệ thống GIS, cho phép bất kỳ nhà khoa học nào cũng có thể tái lập nguyên vẹn quy trình nghiên cứu.

5. Lộ trình nghiên cứu phát triển 10 năm tới được vạch ra như thế nào?

Trả lời: Luận án định hình lộ trình ba giai đoạn: (1) 2024–2026: Tích hợp Radar Sentinel-1 SAR/InSAR giải quyết điểm mù do mây trong mùa mưa; (2) 2026–2030: Xây dựng hệ thống trích xuất đường ngưỡng mưa kích hoạt ($I-D$) thời gian thực kết hợp trạm quan trắc tự động IoT; (3) 2030–2034: Phát triển mô hình Trí tuệ nhân tạo không gian - thời gian tự động hóa (Automated GeoAI) tích hợp trực tiếp vào Trung tâm điều hành thông minh (IOC) tỉnh Quảng Ngãi.

Kết luận

  1. Khôi phục thành công hệ cơ sở dữ liệu sạt lở không gian - thời gian: Ứng dụng xuất sắc công nghệ viễn thám đa nguồn (Sentinel-2, Landsat 8, Google Earth Pro) giải mã chính xác lịch sử trượt lở và động thái thảm phủ thực vật (NDVI) cho vùng miền núi thiếu dữ liệu đo đạc.
  2. Chứng minh vai trò quyết định của chuỗi mưa tích lũy kích hoạt: Khẳng định việc thay thế lượng mưa TBNN bằng lượng mưa tích lũy lớn nhất $1, 3, 5, 7$ ngày ($1\text{-NLN} - 7\text{-NLN}$) là bước tiến mang tính cách mạng, nâng cao độ chính xác dự báo nguy cơ sạt lở thêm $12% - 18%$.
  3. Xác lập mô hình tối ưu XGBoost: Thuật toán tăng cường độ dốc cấp cao XGBoost được chứng minh là mô hình ưu việt nhất cho khu vực miền núi tỉnh Quảng Ngãi với chỉ số $\text{AUC} = 0,945$, vượt trội hoàn toàn so với các thuật toán LR, SVM, DT và RF.
  4. Xây dựng thành công bộ 12 bản đồ phân vùng nguy cơ theo tần suất mưa cực trị (RFA): Lần đầu tiên cung cấp bức tranh toàn cảnh định lượng về sự dịch chuyển không gian nguy cơ sạt lở đất tương ứng với các kịch bản tần suất mưa thực tế ($50%, 20%, 10%$).
  5. Độ tin cậy thực chứng cao: Bản đồ dự báo đã vượt qua các thử nghiệm kiểm chứng thực địa nghiêm ngặt đối với các thảm họa sạt lở lớn năm 2021–2022 (đèo Eo Chim, thủy điện Kà Tinh 1) và đánh giá mức độ an toàn trực tiếp cho 22 công trình thủy điện miền núi.
  6. Mở ra các hướng nghiên cứu liên ngành đột phá: Mở đường cho việc tích hợp công nghệ ảnh Radar giao thoa InSAR, mô hình học sâu GeoAI và hệ thống cảm biến IoT cảnh báo sớm thời gian thực phục vụ bảo vệ tính mạng con người và phát triển bền vững cơ sở hạ tầng miền núi Việt Nam.