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

Nghiên cứu giải pháp nâng cao độ chính xác bản đồ phân vùng nguy cơ sạt lở đất tại miền núi Quảng Ngãi. Ứng dụng công nghệ mới, giảm thiểu rủi ro thiên tai.

• Tác giả: Đoàn Việt Long
• Người hướng dẫn: TS. Nguyễn Chí Công
• Trường học: Trường Đại học Bách khoa - Đại học Đà Nẵng
• Chuyên ngành: Kỹ thuật xây dựng công trình thủy
• Đề tài: 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
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2024
• Địa điểm: Đà Nẵng

Mục lục chi tiết

• LỜI CAM ĐOAN
• TÓM TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Khái niệm về sạt lở đất
• 1.2. Các dạng sạt lở đất
• 1.3. Nguyên nhân và các yếu tố ảnh hưởng đến sạt lở đất
• 1.4. Thiệt hại do sạt lở đất
• 1.5. Mục đánh giá sạt lở đất và bản đồ sạt lở đất
• 1.6. Mức độ đánh giá sạt lở đất
• 1.7. Các loại bản đồ sạt lở đất
• 1.8. Các phương pháp xây dựng mô hình dự đoán nguy cơ sạt lở đất
• 1.8.1. Phương pháp định tính
• 1.8.2. Phương pháp bán định lượng
• 1.8.3. Phương pháp định lượng
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT CÁC PHƯƠNG PHÁP SỬ DỤNG XÂY DỰNG BẢN ĐỒ PHÂN VÙNG NGUY CƠ SẠT LỞ ĐẤT
• 2.1. Quy trình xây dựng bản đồ phân vùng nguy cơ sạt lở đất bằng phương pháp học máy
• 2.2. Phương pháp khôi phục hiện trạng sạt lở đất bằng kỹ thuật xử lý ảnh viễn thám
• 2.3. Cơ sở dữ liệu ảnh vệ tinh
• 2.4. Kỹ thuật phân tích
• 2.5. Phương pháp xây dựng chuỗi dữ liệu mưa và NDVI dùng trong dự đoán nguy cơ sạt lở đất
• 2.6. Phương pháp phân tích tần suất mưa vùng
• 2.7. Phân chia vùng đồng nhất
• 2.8. Phân tích tần suất mưa vùng
• 2.9. Phương pháp phân tích và chọn lọc dữ liệu yếu tố ảnh hưởng
• 2.10. Đánh giá tầm quan trọng của các yếu tố ảnh hưởng
• 2.11. Lý thuyết các mô hình dự đoán nguy cơ sạt lở đất
• 2.11.1. Mô hình hồi quy Logistic (LR)
• 2.11.2. Mô hình máy vector hỗ trợ (SVM)
• 2.11.3. Mô hình cây quyết định (DT)
• 2.11.4. Mô hình rừng ngẫu nhiên (RF)
• 2.11.5. Mô hình tăng cường độ dốc cấp cao (XGBoost)
• 2.12. Phương pháp đánh giá và so sánh mô hình dự đoán nguy cơ sạt lở đất
• 2.12.1. Phương pháp dựa trên chỉ số thống kê
• 2.12.2. Phương pháp ROC
• 2.13. Phương pháp xây dựng bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa
• 3. CHƯƠNG 3: NGHIÊN CỨU XÁC ĐỊNH MÔ HÌNH DỰ ĐOÁN NGUY CƠ SẠT LỞ ĐẤT PHÙ HỢP CHO KHU VỰC VÙNG NÚI TỈNH QUẢNG NGÃI
• 3.1. Giới thiệu và khu vực nghiên cứu
• 3.2. Trình tự xây dựng mô hình dự đoán nguy cơ sạt lở đất phù hợp cho khu vực nghiên cứu
• 3.3. Xây dựng và phân tích cơ sở dữ liệu dùng trong dự đoán nguy cơ sạt lở đất
• 3.3.1. Dữ liệu hiện trạng sạt lở đất
• 3.3.2. Dữ liệu mưa kích thích sạt lở đất
• 3.3.3. Dữ liệu NDVI
• 3.3.4. Dữ liệu các yếu tố ảnh hưởng khác
• 3.4. Phân tích tần suất các yếu tố ảnh hưởng
• 3.5. Phân tích và chọn lọc dữ liệu yếu tố ảnh hưởng
• 3.6. Kết quả mô hình dự đoán nguy cơ sạt lở đất
• 3.6.1. Mô hình hồi quy Logistic (LR)
• 3.6.2. Mô hình máy vector hỗ trợ (SVM)
• 3.6.3. Mô hình cây quyết định (DT)
• 3.6.4. Mô hình rừng ngẫu nhiên (RF)
• 3.6.5. Mô hình tăng cường độ dốc cấp cao (XGBoost)
• 3.7. Đánh giá sự cải thiện và độ chính xác của mô hình dự đoán nguy cơ sạt lở đất
• 4. CHƯƠNG 4: PHÂN VÙNG NGUY CƠ SẠT LỞ ĐẤT THEO TẦN SUẤT MƯA CHO KHU VỰC VÙNG NÚI TỈNH QUẢNG NGÃI
• 4.1. Thiết lập cơ sở dữ liệu mưa để xây dựng bản đồ
• 4.2. Cơ sở dữ liệu vùng khu vực nghiên cứu
• 4.3. Kết quả phân chia vùng đồng nhất
• 4.4. Kết quả phân tích tần suất mưa vùng
• 4.5. Kết quả bản đồ mưa bình quân lớn nhất
• 4.6. Xây dựng bản đồ phân vùng nguy cơ sạt lở đất theo kịch bản tần suất mưa
• 4.7. Lập bản đồ chỉ số nguy cơ sạt lở đất
• 4.8. Lập bản đồ phân vùng nguy cơ sạt lở đất theo kịch bản tần suất mưa
• 4.9. Đánh giá hiệu quả của bản đồ phân vùng nguy cơ sạt lở đất theo kịch bản tần suất mưa xây dựng
• 4.10. Đánh giá sự biến động vùng nguy cơ sạt lở đất
• 4.11. Đánh giá chỉ số mật độ sạt lở đất (LD)
• 4.12. Kiểm chứng bản đồ phân vùng nguy cơ sạt lở đất
• 4.13. Ứng dụng của bản đồ phân vùng nguy cơ sạt lở đất
• 4.13.1. Ứng dụng trong phòng chống thiên tai, quy hoạch và thiết kế công trình thủy lợi
• KẾT LUẬN VÀ KIẾN NGHỊ
• Những kết quả đạt được của luận án
• Những hạn chế của luận án
• Kiến nghị hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH VẼ

Tóm tắt

I. Tổng Quan Nghiên Cứu Dự Báo Sạt Lở Đất Quảng Ngãi 55

Sạt lở đất là một trong những loại hình thiên tai nguy hiểm, gây ra nhiều thiệt hại về người và tài sản, đặc biệt tại các khu vực miền núi. Nghiên cứu về dự báo sạt lở đất có vai trò quan trọng trong việc phòng tránh và giảm thiểu rủi ro. Luận án này tập trung vào nghiên cứu nâng cao độ chính xác của dự báo sạt lở đất cho khu vực miền núi tỉnh Quảng Ngãi, một khu vực thường xuyên chịu ảnh hưởng bởi thiên tai này. Việc xây dựng bản đồ phân vùng nguy cơ sạt lở đất Quảng Ngãi là một công cụ quan trọng, cung cấp thông tin về các khu vực có khả năng xảy ra sạt lở. Nhiều nghiên cứu đã được thực hiện về mô hình dự báo nguy cơ sạt lở, nhưng hiệu quả của chúng thường khác nhau tùy thuộc vào đặc điểm địa phương và dữ liệu đầu vào. Luận án này hướng đến việc giải quyết vấn đề này, đặc biệt trong bối cảnh thiếu hụt dữ liệu thực địa.

1.1. Tầm quan trọng của dự báo sạt lở đất miền núi

Dự báo sạt lở đất có ý nghĩa sống còn đối với cộng đồng dân cư sinh sống tại các khu vực miền núi. Các thông tin dự báo chính xác giúp chính quyền và người dân chủ động thực hiện các biện pháp phòng tránh, di dời dân cư đến nơi an toàn, giảm thiểu thiệt hại về người và tài sản. Theo thống kê, lũ quét và sạt lở đất gây ra thiệt hại lớn về người và tài sản mỗi năm, đặc biệt trong giai đoạn từ 2010-2020. Việc nâng cao độ chính xác của dự báo sẽ góp phần bảo vệ cuộc sống và sinh kế của người dân.

1.2. Thực trạng nghiên cứu dự báo sạt lở đất hiện nay

Hiện nay, có nhiều phương pháp và mô hình dự báo nguy cơ sạt lở đất được sử dụng, từ các phương pháp định tính dựa trên kinh nghiệm đến các phương pháp định lượng sử dụng mô hình toán học và thống kê. Tuy nhiên, mỗi phương pháp đều có những ưu và nhược điểm riêng, và hiệu quả của chúng phụ thuộc vào đặc điểm địa phương và dữ liệu đầu vào. Các nghiên cứu chỉ ra rằng không có một mô hình duy nhất phù hợp với tất cả các khu vực. Vì vậy, việc nghiên cứu và phát triển các mô hình dự báo phù hợp với từng khu vực cụ thể là rất cần thiết.

II. Thách Thức Dự Báo Chính Xác Sạt Lở Đất 58

Việc dự báo chính xác sạt lở đất miền núi gặp nhiều thách thức, đặc biệt tại các khu vực thiếu dữ liệu thực địa. Các phương pháp dự báo dựa trên dữ liệu thống kê đòi hỏi một lượng lớn dữ liệu lịch sử về các vụ sạt lở, đặc điểm địa hình, địa chất, khí hậu và các yếu tố khác. Tuy nhiên, nhiều khu vực miền núi, trong đó có Quảng Ngãi, lại thiếu hụt dữ liệu này. Điều này gây khó khăn cho việc xây dựng và kiểm định các mô hình dự báo. Ngoài ra, các yếu tố ảnh hưởng đến sạt lở đất thường phức tạp và tương tác lẫn nhau, gây khó khăn cho việc xác định các yếu tố quan trọng nhất và mô hình hóa mối quan hệ giữa chúng.

2.1. Hạn chế về dữ liệu đầu vào cho mô hình dự báo

Thiếu hụt dữ liệu thực địa là một trong những thách thức lớn nhất trong dự báo sạt lở đất. Các dữ liệu cần thiết bao gồm thông tin về các vụ sạt lở trong quá khứ, đặc điểm địa hình, địa chất, khí hậu, thảm thực vật và các yếu tố khác. Tuy nhiên, việc thu thập và cập nhật các dữ liệu này thường tốn kém và mất thời gian, đặc biệt tại các khu vực miền núi có địa hình phức tạp và giao thông khó khăn. Điều này dẫn đến sự thiếu chính xác của các mô hình dự báo.

2.2. Yếu tố phức tạp ảnh hưởng đến sạt lở đất

Sạt lở đất là một hiện tượng phức tạp, chịu ảnh hưởng của nhiều yếu tố khác nhau, bao gồm địa hình, địa chất, khí hậu, thảm thực vật và hoạt động của con người. Các yếu tố này thường tương tác lẫn nhau và có thể thay đổi theo thời gian. Ví dụ, mưa lớn có thể gây ra sạt lở đất tại các khu vực có độ dốc cao và đất yếu. Hoạt động khai thác khoáng sản và phá rừng cũng có thể làm tăng nguy cơ sạt lở đất. Việc mô hình hóa mối quan hệ phức tạp giữa các yếu tố này là một thách thức lớn.

III. Cách Nâng Cao Độ Chính Xác Dự Báo Giải Pháp 59

Để nâng cao độ chính xác dự báo sạt lở đất Quảng Ngãi trong điều kiện thiếu dữ liệu, luận án này đề xuất một số giải pháp chính. Đầu tiên, sử dụng kỹ thuật xử lý ảnh viễn thám để khôi phục dữ liệu hiện trạng sạt lở đất, tạo ra bộ dữ liệu theo chuỗi thời gian. Thứ hai, phân tích dữ liệu mưa để xác định loại mưa gây sạt lở đất. Kết quả phân tích cho thấy dữ liệu mưa tích lũy lớn nhất trong các thời đoạn 1 ngày, 3 ngày, 5 ngày và 7 ngày có liên quan chặt chẽ đến các vụ sạt lở đất đã xảy ra. Thứ ba, sử dụng các mô hình học máy hiện đại để xây dựng mô hình dự báo nguy cơ sạt lở đất.

3.1. Sử dụng kỹ thuật viễn thám để bổ sung dữ liệu sạt lở

Kỹ thuật xử lý ảnh viễn thám là một công cụ hiệu quả để thu thập thông tin về sạt lở đất từ xa. Ảnh vệ tinh có thể cung cấp thông tin về diện tích, vị trí và thời gian xảy ra của các vụ sạt lở. Kỹ thuật này cũng có thể được sử dụng để tạo ra dữ liệu về chỉ số thực vật (NDVI), một yếu tố có ảnh hưởng đến sạt lở đất. Việc sử dụng ảnh viễn thám giúp bổ sung dữ liệu lịch sử và hiện trạng sạt lở, cải thiện độ chính xác của mô hình dự báo.

3.2. Phân tích dữ liệu mưa để xác định ngưỡng gây sạt lở

Mưa là một trong những yếu tố quan trọng nhất gây ra sạt lở đất. Phân tích dữ liệu mưa có thể giúp xác định ngưỡng mưa gây sạt lở, tức là lượng mưa tối thiểu cần thiết để gây ra sạt lở đất. Luận án này thực hiện phân tích dữ liệu các vụ sạt lở có ghi nhận thời gian xảy ra để xác định loại mưa gây sạt lở đất. Kết quả cho thấy dữ liệu mưa tích lũy lớn nhất trong các thời đoạn 1 ngày, 3 ngày, 5 ngày và 7 ngày có liên quan chặt chẽ đến các vụ sạt lở đất đã xảy ra.

3.3. Ứng dụng mô hình học máy dự báo nguy cơ sạt lở đất

Các mô hình học máy, như hồi quy Logistic (LR), máy vector hỗ trợ (SVM), cây quyết định (DT), rừng ngẫu nhiên (RF) và tăng cường độ dốc cấp cao (XGBoost), có khả năng học hỏi từ dữ liệu và dự đoán nguy cơ sạt lở đất với độ chính xác cao. Luận án này sử dụng nhiều mô hình học máy khác nhau để xây dựng mô hình dự báo nguy cơ sạt lở đất theo các kịch bản dữ liệu về lượng mưa. Kỹ thuật tinh chỉnh (fine-tuning) được sử dụng để tìm ra bộ thông số tốt nhất cho mỗi mô hình.

IV. Mô Hình XGBoost Dự Báo Sạt Lở Đất Hiệu Quả 60

Kết quả nghiên cứu cho thấy mô hình XGBoost cho hiệu quả dự báo sạt lở đất cao nhất so với các mô hình khác. Bên cạnh đó, tất cả các trường hợp sử dụng dữ liệu mưa theo cách tiếp cận của nghiên cứu này đều cho kết quả dự báo rất tốt với mô hình XGBoost. Trong khi đó, mô hình XGBoost khi sử dụng dữ liệu mưa trung bình nhiều năm lại cho kết quả dự báo thấp hơn. Điều này cho thấy rằng, các nghiên cứu về bổ sung, chọn lọc dữ liệu và áp dụng phương pháp học máy hiện đại đã nâng cao độ chính xác trong dự báo nguy cơ sạt lở đất.

4.1. So sánh hiệu quả các mô hình học máy khác nhau

Luận án này so sánh hiệu quả dự báo của nhiều mô hình học máy khác nhau, bao gồm hồi quy Logistic (LR), máy vector hỗ trợ (SVM), cây quyết định (DT), rừng ngẫu nhiên (RF) và tăng cường độ dốc cấp cao (XGBoost). Kết quả cho thấy mô hình XGBoost cho hiệu quả dự báo cao nhất, với độ chính xác và khả năng phân loại tốt hơn so với các mô hình khác. Điều này có thể là do XGBoost có khả năng xử lý dữ liệu phức tạp và tương tác giữa các yếu tố ảnh hưởng đến sạt lở đất.

4.2. Ưu điểm của việc sử dụng dữ liệu mưa theo chuỗi thời gian

Nghiên cứu này sử dụng dữ liệu mưa theo chuỗi thời gian, thay vì dữ liệu mưa trung bình nhiều năm. Kết quả cho thấy việc sử dụng dữ liệu mưa theo chuỗi thời gian giúp cải thiện đáng kể độ chính xác của mô hình dự báo. Điều này là do dữ liệu mưa theo chuỗi thời gian phản ánh chính xác hơn sự thay đổi của lượng mưa theo thời gian và tác động của nó đến nguy cơ sạt lở đất. Các nghiên cứu trước đây thường sử dụng dữ liệu mưa trung bình nhiều năm, bỏ qua sự biến động của lượng mưa và có thể dẫn đến kết quả dự báo không chính xác.

V. Xây Dựng Bản Đồ Phân Vùng Nguy Cơ Sạt Lở 57

Mô hình dự báo được lựa chọn là cơ sở để xây dựng bản đồ phân vùng nguy cơ sạt lở đất. Ở giai đoạn xây dựng bản đồ phân vùng nguy cơ sạt lở đất, nghiên cứu này xây dựng bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa dựa vào mô hình đã xây dựng và dữ liệu lượng mưa bình quân lớn nhất, áp dụng cho khu vực vùng núi tỉnh Quảng Ngãi. Phương pháp phân tích tần suất mưa vùng (RFA), một phương pháp phân tích mưa hiện đại được áp dụng để tạo ra dữ liệu mưa bình quân lớn nhất theo các thời đoạn 1 ngày, 3 ngày, 5 ngày, 7 ngày tương ứng với các tần suất mưa từ 50% đến 2%.

5.1. Ứng dụng phương pháp phân tích tần suất mưa vùng RFA

Phương pháp phân tích tần suất mưa vùng (RFA) là một phương pháp hiện đại để phân tích dữ liệu mưa và ước tính lượng mưa cực đoan cho một khu vực. Phương pháp này dựa trên việc phân chia khu vực nghiên cứu thành các vùng đồng nhất về đặc điểm mưa và sử dụng các mô hình thống kê để ước tính lượng mưa cực đoan cho từng vùng. RFA có ưu điểm là có thể sử dụng dữ liệu mưa từ nhiều trạm đo khác nhau và cho kết quả chính xác hơn so với các phương pháp truyền thống.

5.2. Bản đồ nguy cơ sạt lở đất theo tần suất mưa

Kết quả phân tích biểu đồ chỉ số nguy cơ theo các kịch bản dữ liệu mưa cho thấy sự ảnh hưởng rõ rệt của tần suất mưa đến phân bố chỉ số nguy cơ sạt lở đất. Theo đó, tần suất mưa càng giảm (từ 50% đến 10%) thì số lượng điểm ảnh (pixel) bản đồ có chỉ số nguy cơ cao càng tăng. Tổng cộng có 12 bản đồ phân vùng nguy cơ sạt lở đất (tương ứng với các thời đoạn mưa 1 ngày, 3 ngày, 5 ngày, 7 ngày lớn nhất và tần suất mưa 50%, 20%, 10%) được xây dựng dựa trên kết quả tính toán chỉ số nguy cơ và được phân loại thành 5 cấp từ “rất cao” đến “rất thấp”.

VI. Ứng Dụng Bản Đồ Dự Báo Sạt Lở Đất Thực Tế 58

Các bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa được thực hiện ở nghiên cứu này là tài liệu hữu ích phục vụ cho công tác phòng chống thiên tai, quy hoạch và thiết kế công trình thủy. Ngoài ra, những hướng tiếp cận mới được sử dụng từ nghiên cứu này có đủ cơ sở phương pháp luận để áp dụng được cho nhiều khu vực thiếu dữ liệu đo khác. Kết quả phân tích biến động về diện tích vùng nguy cơ, mật độ sạt lở đất và kiểm chứng một số vụ sạt lở đất xảy ra trong năm 2021 và 2022 đã cho thấy các bản đồ này có khả năng áp dụng vào thực tiễn.

6.1. Ứng dụng trong phòng chống thiên tai và quy hoạch đất

Bản đồ phân vùng nguy cơ sạt lở đất là một công cụ quan trọng cho công tác phòng chống thiên tai. Bản đồ này cung cấp thông tin về các khu vực có nguy cơ sạt lở cao, giúp chính quyền và người dân chủ động thực hiện các biện pháp phòng tránh, di dời dân cư đến nơi an toàn, xây dựng các công trình phòng chống sạt lở. Bản đồ này cũng có thể được sử dụng trong quy hoạch sử dụng đất để tránh xây dựng các công trình và khu dân cư tại các khu vực có nguy cơ sạt lở cao.

6.2. Ứng dụng trong thiết kế và quản lý công trình thủy

Bản đồ phân vùng nguy cơ sạt lở đất cũng có thể được sử dụng trong thiết kế và quản lý các công trình thủy, như hồ chứa nước, đập thủy điện và hệ thống kênh mương. Bản đồ này giúp xác định các khu vực có nguy cơ sạt lở cao, từ đó có thể thiết kế các công trình có khả năng chống chịu sạt lở hoặc tránh xây dựng các công trình tại các khu vực nguy hiểm. Bản đồ này cũng có thể được sử dụng để quản lý các công trình hiện có và thực hiện các biện pháp bảo trì và sửa chữa để đảm bảo an toàn.

Nội dung chính

Tổng quan luận án

Sạt lở đất là một trong những loại hình thiên tai nguy hiểm và phổ biến trên thế giới, phân bố ở cả 5 châu lục, trong đó châu Á là khu vực ghi nhận nhiều vị trí sạt lở nhất (chiếm 65,2%), tiếp theo là châu Âu (23,8%), châu Mỹ, châu Phi và châu Đại Dương chiếm tỷ lệ còn lại (Reichenbach và cộng sự, 2018). Tại Việt Nam, sạt lở đất xảy ra thường xuyên tại các tỉnh miền núi phía Bắc và khu vực duyên hải miền Trung – Tây Nguyên. Dù thường xuất hiện trong phạm vi hẹp và thời gian ngắn, hiện tượng này gây tổn thất lớn về tính mạng và tài sản. Theo thống kê của Tổng cục Phòng chống thiên tai – Bộ Nông nghiệp và Phát triển nông thôn, trong giai đoạn 2000–2020, thiên tai lũ quét và sạt lở đất tại Việt Nam đã làm 1.117 người chết và mất tích, 671 người bị thương, cùng 12.038 ngôi nhà bị sập đổ. Đặc biệt, trong tháng 10 năm 2020, khu vực miền Trung đã xảy ra liên tiếp 18 trận sạt lở đất và lũ quét nghiêm trọng tại các địa bàn như Thủy điện Rào Trăng 3, Tiểu khu 67, Đoàn Kinh tế – Quốc phòng 337, Đồn Biên phòng Cửa khẩu Quốc tế Cha Lo, xã Trà Mai, xã Trà Vân, xã Trà Leng.

Bản đồ phân vùng nguy cơ sạt lở đất là tài liệu cơ bản hỗ trợ công tác quy hoạch không gian, phòng chống thiên tai và thiết kế công trình xây dựng. Tuy nhiên, việc xây dựng loại bản đồ này tại các khu vực hạn chế về dữ liệu quan trắc gặp nhiều thách thức. Phần lớn các nghiên cứu trước đây tại Việt Nam sử dụng dữ liệu lượng mưa trung bình nhiều năm (TBNN) và một lớp bản đồ chỉ số thực vật (NDVI) tĩnh duy nhất để đưa vào mô hình dự đoán. Cách tiếp cận này chưa phản ánh đúng bản chất kích hoạt sạt lở của các đợt mưa lớn tích lũy kéo dài nhiều ngày, đồng thời bỏ qua tính biến động theo thời gian của thảm phủ thực vật. Khu vực miền núi tỉnh Quảng Ngãi là địa bàn có tần suất sạt lở cao nhưng hạn chế về chuỗi dữ liệu thực đo chi tiết. Đề tài "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" của nghiên cứu sinh Đoàn Việt Long (chuyên ngành Kỹ thuật xây dựng công trình thủy, mã số 9580202, Trường Đại học Bách khoa – Đại học Đà Nẵng, năm 2024) được thực hiện nhằm giải quyết khoảng trống kỹ thuật này.

Mục tiêu nghiên cứu

• Mục tiêu tổng quát: Nâng cao độ chính xác trong xây dựng bản đồ phân vùng nguy cơ sạt lở đất cho khu vực hạn chế dữ liệu.
• Mục tiêu cụ thể:
  1. Xây dựng được bộ dữ liệu đầu vào cho mô hình học máy dự đoán nguy cơ sạt lở đất.
  2. Xác định được mô hình dự đoán nguy cơ sạt lở đất phù hợp, có độ chính xác cao cho một khu vực nghiên cứu cụ thể.
  3. Xây dựng được bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu:
  • Các vụ sạt lở đất đã xảy ra trong quá khứ.
  • Mô hình học máy dự đoán nguy cơ sạt lở đất.
  • Các phương pháp đánh giá mô hình và đánh giá bản đồ phân vùng.
  • Hệ thống công trình thủy trong phạm vi khu vực nghiên cứu.
• Phạm vi không gian: Địa bàn 5 huyện miền núi thuộc tỉnh Quảng Ngãi (gồm Ba Tơ, Minh Long, Sơn Hà, Sơn Tây, Trà Bồng).
• Phạm vi thời gian: Phân tích chuỗi số liệu các sự kiện sạt lở đất lịch sử giai đoạn 2007–2020; khôi phục hiện trạng trượt lở qua ảnh viễn thám giai đoạn 2016–2020; kiểm chứng và đánh giá thực tế trên các sự kiện sạt lở năm 2021, 2022 và khảo sát thực địa năm 2023.

---

Tổng quan tài liệu và vị trí của luận án

Luận án đã hệ thống hóa các hướng nghiên cứu xây dựng bản đồ phân vùng nguy cơ sạt lở đất trên thế giới và tại Việt Nam:

Nhóm phương pháp	Phương pháp cụ thể	Đặc điểm và hạn chế theo tổng quan tài liệu
Định tính (Qualitative)	Đánh giá hiện trạng sạt lở, phân tích địa mạo, đánh giá chuyên gia (heuristic).	Không đòi hỏi quá nhiều dữ liệu đo đạc, nhưng mang tính chủ quan, phụ thuộc lớn vào kinh nghiệm chuyên gia khảo sát (Shano và cộng sự, 2020).
Bán định lượng (Semi-quantitative)	Phân tích thứ bậc (AHP), tập mờ (fuzzy logic), phân tích lớp phủ có trọng số.	Gán trọng số thứ bậc cho các nhân tố gây trượt. Vẫn tồn tại yếu tố chủ quan khi xác lập ma trận so sánh cặp (Phan Văn Hùng, 2019; Shano và cộng sự, 2020).
Định lượng tiền định (Deterministic)	Phân tích cơ học cân bằng giới hạn, tính toán hệ số an toàn mái dốc.	Độ chính xác cao, mô tả đúng cơ chế vật lý nhưng đòi hỏi dữ liệu địa chất công trình, địa kỹ thuật và thủy lực chi tiết, chỉ áp dụng hiệu quả cho phạm vi hẹp (Reichenbach và cộng sự, 2018).
Định lượng thống kê hai biến	Tỷ lệ tần suất (FR), Chỉ số thống kê (SI), Bằng chứng có trọng số (WoE), Chỉ số Entropy (IoE).	Kết hợp từng yếu tố với mật độ trượt lở. Dễ áp dụng trên GIS nhưng không xét đến tương tác đồng thời giữa nhiều biến và phụ thuộc vào cách phân lớp (Pradhan và cộng sự, 2010).
Định lượng thống kê đa biến	Hồi quy Logistic (LR), Mạng nơ-ron nhân tạo (ANN), Phân tích biệt số (DA).	Khắc phục hạn chế của thống kê hai biến, xử lý đồng thời nhiều yếu tố. LR và ANN là hai phương pháp phổ biến nhất (Pradhan và cộng sự, 2010; Rasyid và cộng sự, 2016).
Học máy & Học sâu (Machine Learning & Deep Learning)	Cây quyết định (DT), Máy vector hỗ trợ (SVM), Rừng ngẫu nhiên (RF), Tăng cường độ dốc (XGBoost), CNN, RNN.	Mô hình hóa phi tuyến hiệu quả trên không gian dữ liệu lớn. Các kỹ thuật Ensemble (RF, XGBoost) cải thiện độ chính xác và giảm thiểu hiện tượng quá khớp (Liu và cộng sự, 2021).

Tổng quan của Reichenbach và cộng sự (2018) từ 565 công trình khoa học công bố đến năm 2016 chỉ ra 596 yếu tố ảnh hưởng đến sạt lở đất, trong đó độ dốc, hướng phơi sườn và địa chất là các nhân tố có ảnh hưởng mạnh nhất. Khảo sát của Liu và cộng sự (2021) giai đoạn 2015–2021 cho thấy sự gia tăng của các mô hình học máy trong dự đoán không gian sạt lở.

Tại Việt Nam, Viện Khoa học Địa chất và Khoáng sản (2019) đã thực hiện điều tra hiện trạng trượt lở tại miền núi tỉnh Quảng Ngãi nhưng chưa thành lập bản đồ phân vùng nguy cơ chi tiết gắn với kịch bản mưa. Nghiên cứu của Phan Văn Hùng (2019) sử dụng phương pháp bán định lượng AHP. Một số công trình sử dụng lượng mưa tích lũy như Bùi Tiến Diệu và cộng sự (mưa 8 ngày lớn nhất), Nguyễn Chí Công và cộng sự (mưa 3 ngày lớn nhất), song phần lớn chỉ sử dụng một bản đồ mưa tĩnh áp cho toàn bộ tập dữ liệu sạt lở nhiều năm.

Khoảng trống nghiên cứu luận án lựa chọn giải quyết:

1. Khắc phục tình trạng thiếu hụt dữ liệu vị trí và thời gian sạt lở tại khu vực miền núi Quảng Ngãi bằng phương pháp khôi phục dữ liệu từ ảnh viễn thám đa thời gian.
2. Thay thế cách tiếp cận dùng lượng mưa TBNN và NDVI tĩnh bằng chuỗi dữ liệu động theo thời gian: lượng mưa tích lũy lớn nhất tại thời đoạn gây trượt và chỉ số NDVI tương ứng trước thời điểm xảy ra sự kiện.
3. Ứng dụng phương pháp phân tích tần suất mưa vùng (RFA) để tích hợp yếu tố mưa cực đoan vào mô hình học máy, từ đó xây dựng bản đồ phân vùng nguy cơ sạt lở đất theo các kịch bản tần suất xuất hiện lượng mưa.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và phân loại sạt lở

Luận án áp dụng khái niệm sạt lở đất theo Guzzetti (2005) và Varnes (1978): sạt lở đất là sự dịch chuyển của khối đất đá trên sườn dốc dưới tác động của trọng lực. Theo Highland (2008), sạt lở được phân chia theo hình thức vận động và vật liệu:

• Trượt (Slides): Trượt xoay (rotational slide) và trượt phẳng (translational slide).
• Rơi (Falls): Đá rơi, đất rơi và rơi hỗn hợp trên các sườn dốc 45°–90°.
• Chảy (Flows): Trượt dạng dòng bùn đất đá (debris flows), sạt lở do băng tan (debris avalanche), trượt từ biến (creep).
• Dòng chảy tràn (Lateral spread): Mở rộng khối vật liệu kết hợp sụt lún dọc theo đới đứt gãy.

Theo Guzzetti (2005, 2006), các cấp độ đánh giá sạt lở đất gồm: Phân vùng sạt lở đất (landslide zonation), Đánh giá nguy cơ theo không gian (landslide susceptibility assessment), Đánh giá nguy cơ theo không gian – thời gian (landslide hazard assessment), Đánh giá tổn thương (vulnerability assessment) và Đánh giá rủi ro (risk assessment). Luận án định vị trọng tâm vào đánh giá nguy cơ theo không gian gắn với kịch bản tần suất mưa.

Dữ liệu và kỹ thuật thu thập

• Dữ liệu ảnh viễn thám:
  • Google Earth Pro: Sử dụng ảnh độ phân giải cao từ các vệ tinh Landsat 7 ETM+ (30 m), SPOT, FORMOSAT-2 (0,538 m), WorldView-1, WorldView-2 (0,5 m), GeoEye-1, IKONOS (0,2 m) để đối chiếu, nhận dạng vết trượt không có thảm phủ và xác định tọa độ.
  • Landsat 8 (OLI/TIRS): 11 kênh phổ, độ phân giải không gian từ 15 m đến 100 m, chu kỳ chụp lặp lại 16 ngày, sử dụng trích xuất NDVI và kiểm tra biến động bề mặt.
  • Sentinel-2A/B: Độ phân giải không gian 10 m, 20 m và 60 m, cung cấp dữ liệu phổ quang học đa thời gian để phát hiện biến động thảm phủ trước và sau trượt lở.
• Dữ liệu mô hình số độ cao (DEM): Sử dụng NASADEM độ phân giải 30 m để trích xuất các thông số địa hình: độ dốc (slope), hướng phơi sườn (aspect), độ cao địa hình (elevation), độ cong bề mặt (curvature), và chỉ số độ ẩm địa hình (Topographic Wetness Index - TWI).
• Dữ liệu chuyên ngành: Bản đồ địa chất, loại đất, mạng lưới sông suối, mạng lưới đường giao thông (tính toán khoảng cách đến sông suối, khoảng cách đến đường giao thông).
• Dữ liệu khí tượng thủy văn: Số liệu quan trắc từ 18 trạm đo mưa trên khu vực nghiên cứu và lân cận, thu thập chuỗi số liệu lượng mưa ngày phục vụ phân tích tần suất mưa vùng.

Phương pháp phân tích và xử lý dữ liệu

1. Khôi phục hiện trạng sạt lở đất: Kết hợp phân tích biến động chỉ số thực vật trên ảnh Sentinel-2 với việc giải đoán trực quan trên không gian 3 chiều của Google Earth Pro nhằm xác định vị trí không gian và thời gian xuất hiện vết trượt.
2. Xây dựng chuỗi dữ liệu mưa và NDVI: Phân tích các sự kiện sạt lở lịch sử có ghi nhận thời gian để tính toán lượng mưa tích lũy lớn nhất tại các thời đoạn 1 ngày (1-NLN), 3 ngày (3-NLN), 5 ngày (5-NLN) và 7 ngày (7-NLN). Trích xuất giá trị NDVI tương ứng tại thời điểm trước khi xảy ra trượt lở.
3. Lựa chọn đặc trưng và kiểm tra đa cộng tuyến: Sử dụng hệ số phóng đại phương sai (VIF) để loại bỏ các biến có hiện tượng đa cộng tuyến (ngưỡng VIF > 5 hoặc 10). Áp dụng thuật toán Boruta (dựa trên thuật toán Random Forest) để đánh giá mức độ quan trọng của các yếu tố ảnh hưởng.
4. Phân tích tần suất mưa vùng (RFA): Phân chia vùng đồng nhất khí tượng, kiểm tra tính đồng nhất, lựa chọn hàm phân phối xác suất phù hợp để xây dựng bản đồ lượng mưa bình quân lớn nhất cho các thời đoạn 1, 3, 5, 7 ngày ứng với các tần suất thiết kế $P = 50%$, $20%$, $10%$, $5%$, $2%$.
5. Mô hình hóa học máy (Machine Learning): Thử nghiệm và tinh chỉnh siêu tham số (fine-tuning) 5 thuật toán:
   • Hồi quy Logistic (LR)
   • Máy vector hỗ trợ (SVM) với hàm nhân RBF (Radial Basis Function)
   • Cây quyết định (DT)
   • Rừng ngẫu nhiên (RF) – kỹ thuật Bagging
   • Tăng cường độ dốc cấp cao (XGBoost) – kỹ thuật Boosting
6. Đánh giá mô hình và bản đồ: Sử dụng đường cong ROC và chỉ số diện tích dưới đường cong (AUC), độ chính xác toàn thể (ACC), hệ số Kappa ($k$), độ nhạy (SST), độ đặc hiệu (SPF), giá trị tiên lượng dương (PPV), giá trị tiên lượng âm (NPV). Kiểm chứng bản đồ phân vùng qua chỉ số mật độ sạt lở (LD) và đối chiếu các sự kiện sạt lở thực tế xảy ra trong giai đoạn 2021–2022.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 tổng kết các cơ sở lý luận về hiểm họa sạt lở đất, các dạng trượt lở phổ biến theo phân loại của Varnes (1978) và Highland (2008), các nhân tố hình thành và kích hoạt trượt lở. Chương này phân tích các cấp độ đánh giá sạt lở từ phân vùng nguy cơ, đánh giá hiểm họa đến đánh giá rủi ro.

Tác giả điểm luận chi tiết 3 nhóm phương pháp xây dựng mô hình dự đoán (định tính, bán định lượng, định lượng). Phân tích cho thấy phương pháp học máy (thuộc nhóm định lượng thống kê) sở hữu ưu thế vượt trội trong việc xử lý mối quan hệ phi tuyến giữa các yếu tố môi trường và vị trí trượt lở. Chương 1 chỉ ra các hạn chế của nghiên cứu trong nước: thiếu dữ liệu không gian – thời gian chi tiết dẫn đến việc lạm dụng lượng mưa TBNN và thảm phủ tĩnh, đồng thời khẳng định sự cần thiết phải lựa chọn mô hình học máy tối ưu cho khu vực miền núi tỉnh Quảng Ngãi.

Chương 2: Cơ sở lý thuyết các phương pháp sử dụng xây dựng bản đồ phân vùng nguy cơ sạt lở đất

Chương 2 trình bày chi tiết quy trình 5 bước xây dựng bản đồ phân vùng nguy cơ sạt lở đất bằng học máy:

[Thu thập dữ liệu hiện trạng & yếu tố ảnh hưởng]
[Phân tích, kiểm tra VIF & chọn lọc đặc trưng Boruta]
[Huấn luyện 5 mô hình học máy & Tinh chỉnh tham số]
[Kiểm tra, so sánh hiệu năng bằng ROC/AUC & Chỉ số thống kê]
[Tích hợp bản đồ mưa RFA lập Bản đồ phân vùng theo tần suất]

Nội dung chương mô tả chi tiết:

• Cơ sở dữ liệu ảnh viễn thám quang học: Google Earth Pro, Landsat 8 (11 kênh phổ), Sentinel-2A/B.
• Quy trình kết hợp ảnh Sentinel-2 và Google Earth để xác định tọa độ và thời gian sạt lở.
• Cơ sở toán học của kỹ thuật phân tích tần suất mưa vùng (RFA) để xác lập lượng mưa thiết kế theo vùng đồng nhất.
• Phương pháp phân tích đa cộng tuyến (VIF) và thuật toán Boruta.
• Thuật toán của 5 mô hình dự đoán: Logistic Regression, Support Vector Machine (hàm nhân RBF), Decision Tree, Random Forest và XGBoost.
• Các công thức tính toán chỉ tiêu thống kê kiểm chuẩn mô hình: ACC, SST, SPF, PPV, NPV, Kappa ($k$) và diện tích dưới đường cong ROC (AUC).

Chương 3: Nghiên cứu xác định mô hình dự đoán nguy cơ sạt lở đất phù hợp cho khu vực vùng núi tỉnh Quảng Ngãi

Chương 3 triển khai xây dựng cơ sở dữ liệu và huấn luyện mô hình cho 5 huyện miền núi tỉnh Quảng Ngãi:

• Dữ liệu sạt lở: Phân tích 34 sự kiện sạt lở đất có ghi nhận thời gian xảy ra trong giai đoạn 2007–2020 trên địa bàn 5 huyện miền núi. Kết quả chỉ ra lượng mưa tích lũy các thời đoạn 1 ngày, 3 ngày, 5 ngày và 7 ngày có tương quan chặt chẽ với sự xuất hiện sạt lở. Khôi phục thành công các điểm sạt lở giai đoạn 2016–2020 từ ảnh viễn thám kết hợp với các điểm không sạt lở để tạo tập mẫu nhị phân.
• Các yếu tố ảnh hưởng: Thành lập các lớp dữ liệu chuyên đề gồm độ dốc, hướng phơi sườn, độ cao địa hình, TWI, độ cong địa hình, loại đất, khoảng cách đến đường giao thông, khoảng cách đến sông suối, chuỗi NDVI trước trượt lở, và chuỗi lượng mưa tích lũy lớn nhất.
• Sàng lọc dữ liệu: Phân tích VIF cho thấy các yếu tố đều có VIF < 5 (không có hiện tượng đa cộng tuyến nghiêm trọng). Thuật toán Boruta khẳng định tất cả các yếu tố được chọn đều đóng góp ý nghĩa vào khả năng dự đoán trong cả 4 trường hợp mưa (1-NLN, 3-NLN, 5-NLN, 7-NLN).
• Huấn luyện và so sánh mô hình: Thực hiện tinh chỉnh thông số (fine-tuning) cho 5 mô hình (LR, SVM, DT, RF, XGBoost) trên 4 kịch bản chuỗi mưa tích lũy (TH1: 1-NLN, TH2: 3-NLN, TH3: 5-NLN, TH4: 7-NLN) và 1 kịch bản mưa TBNN truyền thống.

Kết quả đánh giá cho thấy mô hình XGBoost đạt hiệu năng dự đoán cao nhất ở tất cả các kịch bản chuỗi mưa tích lũy. Khi sử dụng dữ liệu mưa TBNN, độ chính xác (AUC) của XGBoost giảm đáng kể so với khi sử dụng chuỗi mưa tích lũy lớn nhất, chứng minh tính ưu việt của cách tiếp cận dữ liệu động theo thời gian.

Chương 4: Phân vùng nguy cơ sạt lở đất theo tần suất mưa cho khu vực vùng núi tỉnh Quảng Ngãi

Chương 4 ứng dụng mô hình XGBoost tối ưu từ Chương 3 và phương pháp RFA để thành lập bản đồ phân vùng:

• Phân tích RFA: Sử dụng số liệu 18 trạm đo mưa, kiểm tra tính đồng nhất vùng và xác định hàm phân phối xác suất tối ưu để ngoại suy lượng mưa bình quân lớn nhất các thời đoạn 1-NLN, 3-NLN, 5-NLN, 7-NLN tương ứng với các tần suất $P = 50%$, $20%$, $10%$.
• Thành lập bản đồ: Tính toán chỉ số nguy cơ sạt lở đất (LSI) cho toàn bộ lưới pixel khu vực nghiên cứu, phân chia thành 5 cấp nguy cơ: "Rất thấp", "Thấp", "Trung bình", "Cao", "Rất cao". Tổng cộng có 12 bản đồ phân vùng nguy cơ sạt lở đất được thành lập (4 thời đoạn mưa $\times$ 3 tần suất mưa).
• Phân tích biến động diện tích: Khi tần suất mưa giảm (từ 50% xuống 10%, tức mưa càng cực đoan), số lượng điểm ảnh (pixel) và tỷ lệ diện tích thuộc cấp nguy cơ "Cao" và "Rất cao" gia tăng rõ rệt.
• Kiểm chứng thực tế:
  • Sự kiện ngày 25/10/2021: Hai điểm sạt lở ta luy dương và ta luy âm trên tuyến đường từ đèo Eo Chim vào trung tâm xã Trà Nham, huyện Trà Bồng đối chiếu khớp chính xác vào vùng nguy cơ "Rất cao" trên bản đồ mưa 3-NLN tần suất 10%.
  • Sự kiện ngày 10/10/2022: Điểm sạt lở tại Nhà máy Thủy điện Cà Tinh 1 nằm hoàn toàn trong vùng nguy cơ "Rất cao" trên bản đồ mưa 1-NLN tần suất 10%.
• Ứng dụng thực tiễn: Đánh giá mức độ nguy cơ sạt lở cho 22 công trình thủy trên địa bàn 5 huyện miền núi Quảng Ngãi (bao gồm đập thủy điện Hà Nang, đập và nhà máy thủy điện Cà Tinh 1, thủy điện Sơn Tây...); đánh giá chi tiết nguy cơ trượt lở cho cụm cơ quan hành chính huyện Sơn Tây và khu dân cư dọc tuyến ĐT626 qua thị trấn Di Lăng, huyện Sơn Hà.

---

Kết quả và những đóng góp mới

Những đóng góp mới về mặt lý luận và khoa học

1. Phương pháp luận làm giàu dữ liệu cho vùng hạn chế quan trắc: Thiết lập quy trình công nghệ kết hợp ảnh viễn thám đa nguồn (Sentinel-2, Google Earth Pro, Landsat 8) để khôi phục cơ sở dữ liệu hiện trạng trượt lở theo chuỗi thời gian (xác định cả tọa độ không gian và thời điểm xuất hiện vết trượt).
2. Tiếp cận chuỗi dữ liệu động: Đề xuất và chứng minh tính hiệu quả của việc đưa các yếu tố biến động theo thời gian (lượng mưa tích lũy lớn nhất 1-NLN, 3-NLN, 5-NLN, 7-NLN tại thời điểm trượt và chỉ số thực vật NDVI trước trượt) vào huấn luyện mô hình học máy, thay thế cách làm truyền thống dùng lượng mưa TBNN và bản đồ NDVI tĩnh.
3. Tích hợp phân tích tần suất mưa vùng (RFA) với mô hình học máy: Đề xuất khung phương pháp kết hợp kỹ thuật thủy văn RFA và thuật toán XGBoost để thành lập bản đồ phân vùng nguy cơ sạt lở đất gắn trực tiếp với các kịch bản tần suất mưa thiết kế.

Những đóng góp mới về mặt thực tiễn

1. Bộ bản đồ phân vùng nguy cơ sạt lở đất chuyên đề: Xây dựng hoàn chỉnh 12 bản đồ phân vùng nguy cơ sạt lở đất (tương ứng 4 thời đoạn mưa 1, 3, 5, 7 ngày và 3 cấp tần suất 50%, 20%, 10%) với 5 cấp độ phân vùng cho 5 huyện miền núi tỉnh Quảng Ngãi.
2. Cơ sở dữ liệu an toàn công trình thủy: Đánh giá định lượng cấp độ nguy cơ sạt lở đất cho 22 công trình thủy (hồ chứa, đập dâng, nhà máy thủy điện) trên địa bàn 5 huyện miền núi tỉnh Quảng Ngãi, cung cấp căn cứ kỹ thuật phục vụ công tác quản lý an toàn đập và vận hành công trình mùa mưa lũ.
3. Hỗ trợ quy hoạch dân sinh và hạ tầng giao thông: Nhận diện và khoanh vùng nguy cơ sạt lở cụ thể tại các khu vực trọng điểm như trung tâm hành chính huyện Sơn Tây và khu dân cư dọc tuyến đường ĐT626 (đoạn qua thị trấn Di Lăng, huyện Sơn Hà).

Kiến nghị và giải pháp đề xuất

• Ứng dụng bộ bản đồ phân vùng nguy cơ theo tần suất mưa vào công tác lập quy hoạch sử dụng đất, rà soát di dời dân cư vùng có nguy cơ sạt lở rất cao tại các huyện Ba Tơ, Minh Long, Sơn Hà, Sơn Tây, Trà Bồng.
• Tích hợp bản đồ nguy cơ vào quy trình vận hành hồ chứa và phương án ứng phó thiên tai của các chủ quản lý công trình thủy điện, thủy lợi miền núi.
• Triển khai giải pháp gia cố công trình và phi công trình đối với các mái dốc dọc tuyến giao thông huyết mạch (như ĐT626, đường đèo Eo Chim) và các vị trí xung yếu quanh các nhà máy thủy điện.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

• Về dữ liệu viễn thám: Việc khôi phục hiện trạng trượt lở từ ảnh quang học (Sentinel-2, Landsat) phụ thuộc vào độ che phủ mây; các đợt mưa bão kéo dài tại miền Trung thường gây khó khăn trong việc thu nhận ảnh quang học sạch mây ngay sau thời điểm sạt lở.
• Về phân giải thời gian: Luận án mới chỉ đánh giá nguy cơ sạt lở theo không gian ứng với các kịch bản tần suất mưa ngày (1, 3, 5, 7 ngày tích lũy), chưa mô hình hóa theo thời gian thực (real-time early warning) do hạn chế về mạng lưới trạm đo mưa tự động đo theo giờ và dữ liệu quan trắc dịch chuyển mái dốc liên tục.
• Về phạm vi kiểm chứng: Số lượng vụ sạt lở có ghi nhận chính xác thời gian theo giờ/ngày trong quá khứ còn hạn chế, ảnh hưởng đến quy mô mẫu huấn luyện ban đầu.

Hướng nghiên cứu tiếp theo

1. Xây dựng ngưỡng mưa gây sạt lở đất cho vùng nghiên cứu: Nghiên cứu kết hợp cường độ mưa ngắn hạn ($I$) và thời gian mưa ($D$) hoặc lượng mưa tích lũy để xác lập đường ngưỡng mưa ($I-D$ threshold) phục vụ hệ thống cảnh báo sớm thời gian thực.
2. Đề xuất giải pháp phòng chống sạt lở đất cho các khu vực có nguy cơ sạt lở rất cao: Tập trung nghiên cứu các giải pháp công trình (kết cấu tường chắn, neo đất, thoát nước ngầm mái dốc) và phi công trình (trồng cây thảm phủ sâu, bản đồ sơ tán dân) cho các vị trí xung yếu đã được nhận diện (các công trình thủy điện và khu dân cư ĐT626).

---

Giá trị tham khảo

Luận án mang lại giá trị tham khảo khoa học và ứng dụng thực tiễn cho nhiều nhóm đối tượng:

• Nghiên cứu sinh, học viên cao học và giảng viên:
  • Ngành Kỹ thuật Xây dựng Công trình Thủy, Địa kỹ thuật Xây dựng, Kỹ thuật Tài nguyên nước: Tham khảo phương pháp đánh giá an toàn sườn dốc và công trình thủy dưới tác động của mưa cực đoan.
  • Chuyên ngành Bản đồ, Viễn thám và GIS, Trí tuệ Nhân tạo / Khoa học Dữ liệu: Tham khảo quy trình tiền xử lý chuỗi dữ liệu ảnh viễn thám đa nguồn (Google Earth, Landsat 8, Sentinel-2), kỹ thuật phân tích Boruta, VIF và phương pháp huấn luyện, tinh chỉnh các mô hình học máy (XGBoost, RF, SVM, DT, LR).
• Cơ quan quản lý nhà nước và hoạch định chính sách:
  • Ban Chỉ huy Phòng chống thiên tai và Tìm kiếm cứu nạn tỉnh Quảng Ngãi; Sở Nông nghiệp và Phát triển nông thôn; Sở Xây dựng; Sở Giao thông vận tải tỉnh Quảng Ngãi.
  • Tài liệu trực tiếp phục vụ công tác quy hoạch bố trí dân cư vùng thiên tai, cắm biển cảnh báo trượt lở trên các tuyến giao thông miền núi, và xây dựng kịch bản ứng phó sự cố thiên tai cấp tỉnh, cấp huyện.
• Đơn vị tư vấn, thiết kế và quản lý vận hành công trình thủy:
  • Các ban quản lý dự án thủy điện, công ty khai thác công trình thủy lợi trên địa bàn miền Trung sử dụng 12 bản đồ phân vùng và bảng đánh giá nguy cơ 22 công trình thủy để lập quy trình quan trắc, bảo dưỡng mái dốc và vùng hạ lưu công trình.

---

Câu hỏi thường gặp

1. Vì sao luận án đề xuất dùng chuỗi mưa tích lũy lớn nhất (1-NLN, 3-NLN, 5-NLN, 7-NLN) thay cho lượng mưa trung bình nhiều năm (TBNN)?

Lượng mưa TBNN là giá trị tĩnh, làm phẳng các biến động thời tiết và không thể hiện được cơ chế gây trượt lở tại miền Trung – nơi sạt lở đất chủ yếu bị kích hoạt bởi các trận mưa bão lớn dồn dập trong vài ngày làm bão hòa đất và tăng áp lực nước lỗ rỗng. Kết quả thực nghiệm của luận án trong Chương 3 cho thấy mô hình XGBoost khi sử dụng chuỗi mưa tích lũy lớn nhất đạt độ chính xác phân loại (AUC) vượt trội so với khi dùng mưa TBNN.

2. Nguồn dữ liệu ảnh viễn thám nào đã được sử dụng để khôi phục hiện trạng sạt lở đất tại miền núi Quảng Ngãi?

Luận án kết hợp dữ liệu ảnh quang học đa nguồn:

• Sentinel-2A/B (10–20 m): Phân tích biến động phổ và chỉ số NDVI trước và sau các đợt mưa bão để phát hiện vị trí mất thảm phủ.
• Google Earth Pro: Sử dụng các lớp ảnh lịch sử độ phân giải cao (từ các vệ tinh SPOT, WorldView-1/2, GeoEye-1, Landsat 7 ETM+) để kiểm tra vết trượt trên mô hình địa hình 3D và xác định tọa độ.
• Landsat 8 (OLI/TIRS): Trích xuất chuỗi chỉ số thực vật NDVI trước thời điểm xảy ra sự kiện sạt lở.

3. Mô hình học máy nào cho kết quả dự đoán nguy cơ sạt lở đất tốt nhất và được đánh giá qua những chỉ số nào?

Mô hình Tăng cường độ dốc cấp cao (XGBoost) cho kết quả dự đoán tốt nhất trong số 5 mô hình thử nghiệm (LR, SVM, DT, RF, XGBoost) ở tất cả các kịch bản mưa tích lũy. Hiệu năng mô hình được đánh giá toàn diện qua diện tích dưới đường cong ROC (AUC), độ chính xác toàn thể (ACC), hệ số Kappa ($k$), độ nhạy (SST), độ đặc hiệu (SPF), giá trị tiên lượng dương (PPV) và giá trị tiên lượng âm (NPV).

4. Phương pháp phân tích tần suất mưa vùng (RFA) đóng vai trò gì trong luận án?

Kỹ thuật RFA được sử dụng để xử lý số liệu quan trắc từ 18 trạm đo mưa, kiểm tra tính đồng nhất vùng và xác định hàm phân phối xác suất tối ưu. Từ đó, tác giả xây dựng bản đồ phân bố lượng mưa bình quân lớn nhất theo các thời đoạn (1, 3, 5, 7 ngày) tương ứng với các tần suất thiết kế ($P = 50%$, $20%$, $10%$), làm dữ liệu đầu vào để lập 12 bản đồ phân vùng nguy cơ sạt lở đất mang tính động.

5. Bản đồ phân vùng nguy cơ sạt lở đất của luận án được kiểm chứng bằng những sự kiện thực tế nào?

Bản đồ được kiểm chứng qua các sự kiện sạt lở có ghi nhận tọa độ và thời gian trong năm 2021 và 2022:

• Vụ sạt lở ta luy dương và ta luy âm ngày 25/10/2021 trên tuyến đường từ đèo Eo Chim vào trung tâm xã Trà Nham, huyện Trà Bồng (trùng khớp với vùng nguy cơ "Rất cao" trên bản đồ mưa 3-NLN tần suất 10%).
• Vụ sạt lở ngày 10/10/2022 tại Nhà máy Thủy điện Cà Tinh 1 (trùng khớp với vùng nguy cơ "Rất cao" trên bản đồ mưa 1-NLN tần suất 10%).

---

Kết luận

Luận án tiến sĩ của NCS. Đoàn Việt Long đã giải quyết bài toán nâng cao độ chính xác trong phân vùng nguy cơ sạt lở đất cho vùng hạn chế dữ liệu đo đạc tại 5 huyện miền núi tỉnh Quảng Ngãi. Bằng việc ứng dụng ảnh viễn thám đa nguồn để khôi phục dữ liệu quá khứ và xây dựng chuỗi dữ liệu động (NDVI, lượng mưa tích lũy lớn nhất), tác giả đã chứng minh mô hình học máy XGBoost đạt hiệu năng dự đoán vượt trội so với các mô hình truyền thống. Việc kết hợp phân tích tần suất mưa vùng (RFA) với XGBoost đã thành lập thành công 12 bản đồ phân vùng nguy cơ sạt lở đất theo kịch bản tần suất mưa, được kiểm chứng chuẩn xác qua các sự kiện sạt lở thực tế năm 2021–2022. Đây là tài liệu khoa học có độ tin cậy cao, phục vụ trực tiếp cho công tác phòng chống thiên tai, quy hoạch dân cư và quản lý an toàn 22 công trình thủy trên địa bàn tỉnh Quảng Ngãi.

Trích đoạn nội dung tài liệu

Đ¾I HàC ĐÀ NÀNG TR¯àNG Đ¾I HàC BÁCH KHOA ĐOÀN VI¾T LONG NGHIÊN CĀU NÂNG CAO Đà CHÍNH XÁC TRONG XÂY DĂNG BÀN Đà PHÂN VÙNG NGUY C¡ S¾T LÞ ĐÂT CHO KHU VĂC MIÀN NÚI TàNH QUÀNG NGÃI LU¾N ÁN TI¾N S) Kþ THU¾T ĐÀ NẴNG – 2024 i Đ¾I HàC ĐÀ NÀNG TR¯àNG Đ¾I HàC BÁCH KHOA ĐOÀN VI¾T LONG NGHIÊN CĀU NÂNG CAO Đà CHÍNH XÁC TRONG XÂY DĂNG BÀN Đà PHÂN VÙNG NGUY C¡ S¾T LÞ ĐÂT CHO KHU VĂC MIÀN NÚI TàNH QUÀNG NGÃI Ngcnh: Kÿ thu¿t xây dăng công trình thÿy M愃̀ s÷: 9580202 LU¾N ÁN TI¾N S) Kþ THU¾T H°ớng d¿n khoa hác: 1.TS Nguyễn Chí Công 2. Nguyễn TiÃn C°ßng ĐÀ NẴNG – 2024 ii LàI CAM ĐOAN Tôi xin cam oan ß tci luÁn án tiÃn sĩ <Nghiên cāu 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= lc kÃt quÁ căa quá trình hác tÁp, nghiên cÿu căa riêng tôi. Các s÷ lißu °ÿc sā dāng trong luÁn án hocn tocn °ÿc thu thÁp tÿ thÿc tÃ, chính xác, áng tin cÁy, có ngußn g÷c rõ rcng, °ÿc xā lý trung thÿc vc khách quan. Tôi xin cam oan rằng mái sÿ giúp ÿ cho vißc thÿc hißn LuÁn án 愃̀ °ÿc cÁm ¢n vc các thông tin trích d¿n trong LuÁn án 愃̀ °ÿc chá rõ ngußn g÷c vc trích d¿n Åy ă.

Nghiên cāu sinh thăc hißn Lu¿n án (Ký và ghi rõ họ tên) NCS. Đoàn Vi¿t Long iii TÓM TÀT S¿t lá Ãt lc m⌀t trong nh³ng lo¿i hình thiên tai nguy hiऀm xuÃt hißn nhißu n¢i trên thà giới. Hißn t°ÿng ncy tuy xÁy ra trên ph¿m vi hẹp vc thßi gian ngÃn nh°ng 愃̀ gây ra tán thÃt vß ng°ßi vc thißt h¿i lớn vß kinh tÃ. Trong công tác phòng ch÷ng lo¿i hình thiên tai ặc bißt nguy hiऀm ncy, bÁn ß phân vùng nguy c¢ s¿t lá Ãt lc m⌀t tci lißu hÃt sÿc quan tráng.

BÁn ß ncy cung cÃp thông tin cÅn thiÃt vß <vß trí= các khu vÿc có khÁ năng xuÃt hißn s¿t lá Ãt. ĐÃn nay, rÃt nhißu nghiên cÿu °ÿc thÿc hißn liên quan Ãn mô hình dÿ oán nguy c¢ s¿t lá Ãt. Tuy nhiên, các nghiên cÿu cũng chá ra rằng không có m⌀t mô hình hay m⌀t cách tiÃp cÁn nco lc phù hÿp với tÃt cÁ các khu vÿc do ặc iऀm vß s¿t lá Ãt vc d³ lißu á mỗi vùng mißn lc khác nhau. Đ÷i với các vùng thiÃu d³ lißu, vißc xây dÿng bÁn ß phân vùng nguy c¢ s¿t lá Ãt gặp nhißu khó khăn khi sā dāng cách tiÃp cÁn dÿa trên d³ lißu th÷ng kê.

Với māc ích nâng cao ⌀ chính xác trong xây dÿng bÁn ß phân vùng nguy c¢ s¿t lá Ãt cho vùng thiÃu d³ lißu thÿc o, luÁn án 愃̀ thÿc hißn các nghiên cÿu cÅn thiÃt nhằm bá sung vc lcm gicu d³ lißu, lÿa chán mô hình dÿ oán phù hÿp. Vùng núi tánh QuÁng Ng愃̀i th°ßng xuyên xÁy ra s¿t lá Ãt nh°ng h¿n chà vß d³ lißu o ¿c lc khu vÿc °ÿc lÿa chán áp dāng trong nghiên cÿu ncy. Đ÷i với d³ lißu Åu vco cho mô hình dÿ oán, luÁn án 愃̀ sā dāng kỹ thuÁt xā lý Ánh viễn thám ऀ khôi phāc d³ lißu hißn tr¿ng s¿t lá Ãt (cÁ vß không gian vc thßi gian), t¿o ra b⌀ d³ lißu hißn tr¿ng s¿t lá Ãt theo chuỗi thßi gian. Ngoci ra, kỹ thuÁt xā lý Ánh viễn thám còn °ÿc ÿng dāng ऀ t¿o ra d³ lißu chá s÷ thÿc vÁt (NDVI), lc yÃu t÷ có Ánh h°áng Ãn s¿t lá Ãt.

Đ÷i với d³ lißu m°a, luÁn án 愃̀ thÿc hißn phân tích d³ lißu các vā s¿t lá có ghi nhÁn thßi gian xÁy ra trong giai o¿n tÿ 2007 Ãn 2020 ऀ xác ßnh lo¿i m°a gây s¿t lá Ãt. KÃt quÁ phân tích chá ra rằng d³ lißu m°a tích lũy lớn nhÃt trong các thßi o¿n 1 ngcy, 3 ngcy, 5 ngcy vc 7 ngcy có liên quan chặt chÁ Ãn các vā s¿t lá Ãt 愃̀ xÁy ra vc °ÿc ß xuÃt sā dāng trong nghiên cÿu ncy. Với các yÃu t÷ Ánh h°áng có ặc tính thay ái theo thßi gian (l°ÿng m°a tích lũy lớn nhÃt vc NDVI), nghiên cÿu ncy °a ra cách tiÃp cÁn xây dÿng theo chuỗi d³ lißu theo thßi gian nhằm ánh giá úng Ánh h°áng căa chúng Ãn sÿ xuÃt hißn các i iऀm s¿t lá Ãt theo thßi gian t°¢ng ÿng. Ngoci các yÃu t÷ trên, các yÃu t÷ liên quan Ãn ßa hình, ßa chÃt, m¿ng l°ới sông su÷i, m¿ng l°ới °ßng giao thông cũng °ÿc thu thÁp ऀ t¿o thcnh m⌀t b⌀ d³ lißu hocn chánh cho mô hình dÿ oán.

Đ÷i với mô hình dÿ oán, nghiên cÿu ncy sā dāng nhißu mô hình hác máy khác nhau, tÿ ¢n giÁn Ãn phÿc t¿p ऀ xây dÿng mô hình dÿ oán nguy c¢ s¿t lá Ãt theo các kßch bÁn d³ lißu vß l°ÿng m°a. Các mô hình °ÿc sā dāng gßm có: Hßi quy Logistic (LR), Máy vector hỗ trÿ (SVM), Cây quyÃt ßnh (DT), Rÿng ng¿u nhiên (RF), Tăng c°ßng ⌀ d÷c cÃp cao (XGBoost). Đ÷i với mỗi mô hình, kỹ thuÁt tinh chánh (fine-tuning) °ÿc sā dāng ऀ tìm ra b⌀ thông s÷ t÷t nhÃt. KÃt quÁ dÿ oán căa các mô hình °ÿc ánh giá thông qua các chá s÷ th÷ng kê vc ph°¢ng pháp ROC.

Theo ó, mô hình XGBoost cho thÃy hißu quÁ dÿ oán cao nhÃt vc °ÿc ß xuÃt sā dāng cho khu vÿc nghiên cÿu vùng núi tánh QuÁng Ng愃̀i. Bên c¿nh ó, tÃt cÁ các tr°ßng hÿp sā dāng d³ lißu m°a theo cách tiÃp cÁn căa nghiên cÿu ncy ßu cho kÃt quÁ dÿ oán <rÃt t÷t= với mô hình XGBoost. Trong khi ó, mô hình XGBoost khi sā dāng d³ lißu m°a trung bình nhißu năm nh° cách tiÃp cÁn căa phÅn lớn các nghiên cÿu tr°ớc ây l¿i cho kÃt quÁ dÿ oán thÃp h¢n. Đißu ncy cho thÃy rằng, các nghiên cÿu vß bá sung, chán lác d³ lißu vc áp dāng ph°¢ng pháp hác máy hißn ¿i 愃̀ nâng cao ⌀ chính xác trong dÿ oán nguy c¢ s¿t lá Ãt cho khu vÿc vùng núi tánh QuÁng Ng愃̀i.

Mô hình dÿ oán °ÿc lÿa chán lc c¢ sá ऀ xây dÿng bÁn ß phân vùng nguy c¢ s¿t lá Ãt. à giai o¿n xây dÿng bÁn ß phân vùng nguy c¢ s¿t lá Ãt, nghiên cÿu ncy xây dÿng bÁn ß phân vùng nguy c¢ s¿t lá Ãt theo tÅn suÃt m°a dÿa vco mô hình 愃̀ xây dÿng vc d³ lißu l°ÿng m°a bình quân lớn nhÃt, áp dāng cho khu vÿc vùng núi tánh QuÁng Ng愃̀i. Ph°¢ng pháp phân tích tÅn suÃt m°a vùng (RFA), m⌀t ph°¢ng pháp phân tích m°a hißn ¿i °ÿc áp dāng ऀ t¿o ra d³ lißu m°a bình quân lớn nhÃt theo các thßi o¿n 1 ngcy, 3 ngcy, 5 ngcy, 7 ngcy t°¢ng ÿng với các tÅn suÃt m°a tÿ 50% Ãn 2%. KÃt quÁ phân tích biऀu ß chá s÷ nguy c¢ theo các kßch bÁn d³ lißu m°a cho thÃy sÿ Ánh h°áng rõ rßt căa tÅn suÃt m°a Ãn phân b÷ chá s÷ nguy c¢ s¿t lá Ãt.

Theo ó, tÅn suÃt m°a ccng giÁm (tÿ 50% Ãn 10%) thì s÷ l°ÿng iऀm Ánh (pixel) bÁn ß ii có chá s÷ nguy c¢ cao ccng tăng. Táng c⌀ng có 12 bÁn ß phân vùng nguy c¢ s¿t lá Ãt (t°¢ng ÿng với các thßi o¿n m°a 1 ngcy, 3 ngcy, 5 ncy, 7 ngcy lớn nhÃt vc tÅn suÃt m°a 50%, 20%, 10%) °ÿc xây dÿng dÿa trên kÃt quÁ tính toán chá s÷ nguy c¢ vc °ÿc phân lo¿i thcnh 5 cÃp tÿ <rÃt cao= Ãn <rÃt thÃp=. KÃt quÁ phân tích biÃn ⌀ng vß dißn tích vùng nguy c¢, mÁt ⌀ s¿t lá Ãt vc kiऀm chÿng m⌀t s÷ vā s¿t lá Ãt xÁy ra trong năm 2021 vc 2022 愃̀ cho thÃy các bÁn ß ncy có khÁ năng áp dāng vco thÿc tiễn. Các bÁn ß phân vùng nguy c¢ s¿t lá Ãt theo tÅn suÃt m°a °ÿc thÿc hißn á nghiên cÿu ncy lc tci lißu h³u ích phāc vā cho công tác phòng ch÷ng thiên tai, quy ho¿ch vc thiÃt kà công trình thăy.

Ngoci ra, nh³ng h°ớng tiÃp cÁn mới °ÿc sā dāng tÿ nghiên cÿu ncy có ă c¢ sá ph°¢ng pháp luÁn ऀ áp dāng °ÿc cho nhißu khu vÿc thiÃu d³ lißu o khác. iii MĀC LĀC DANH MĀC CÁC CHĂ VIÂT TÂT. i DANH MĀC HÌNH VÀ .iv DANH MĀC BÀNG BIàU. Giới thißu chung.

Māc tiêu nghiên cÿu. Mục tiêu tổng quát. Mục tiêu cụ thể. Đ÷i t°ÿng vc ph¿m vi nghiên cÿu.

Đối t°ợng nghiên cāu. Phạm vi nghiên cāu. Ph°¢ng pháp nghiên cÿu. Cách tiÃp cÁn vc n⌀i dung nghiên cÿu.

Ý nghĩa khoa hác vc thÿc tiễn căa luÁn án. Ý nghĩa khoa học. Ý nghĩa thực tiễn .6 Ch°¢ng 1 TàNG QUAN. Khái niệm về sạt lở đất.

Các dạng sạt lở đất. Nguyên nhân và các yếu tố ảnh h°ởng đến sạt lở đất. Thiệt hại do sạt lở đất. Mÿc ⌀ ánh giá s¿t lá Ãt vc bÁn ß s¿t lá Ãt.

Māc độ đánh giá sạt lở đất. Các loại bản đồ sạt lở đất. Các ph°¢ng pháp xây dÿng mô hình dÿ oán nguy c¢ s¿t lá Ãt. Ph°¡ng pháp định tính.

Ph°¡ng pháp bán định l°ợng. Ph°¡ng pháp định l°ợng .25 Ch°¢ng 2 C¡ Sà LÝ THUYÂT CÁC PH¯¡NG PHÁP SĀ DĀNG XÂY DþNG BÀN ĐÞ PHÂN VÙNG NGUY C¡ S¾T Là ĐÂT. Quy trình xây dÿng bÁn ß phân vùng nguy c¢ s¿t lá Ãt bằng ph°¢ng pháp hác máy. Ph°¢ng pháp khôi phāc hißn tr¿ng s¿t lá Ãt bằng kỹ thuÁt xā lý Ánh viễn thám 28 2.

C¡ sở dữ liệu ảnh vệ tinh. Kỹ thuật phân tích. Ph°¢ng pháp xây dÿng chuỗi d³ lißu m°a vc NDVI dùng trong dÿ oán nguy c¢ s¿t lá Ãt. Ph°¢ng pháp phân tích tÅn suÃt m°a vùng.

Phân chia vùng đồng nhất. Phân tích tần suất m°a vùng. Ph°¢ng pháp phân tích vc chán lác d³ lißu yÃu t÷ Ánh h°áng. Phân tích đa cộng tuyến.

Đánh giá tầm quan trọng cÿa các yếu tố ảnh h°ởng. Lý thuyÃt các mô hình dÿ oán nguy c¢ s¿t lá Ãt. Mô hình hồi quy Logistic (LR). Mô hình máy vector h̀ trợ (SVM).

Mô hình cây quyết định (DT). Mô hình rư뀀ng ng̀u nhiên (RF). Mô hình tăng c°ờng độ dốc cấp cao (XGBoost). Ph°¢ng pháp ánh giá vc so sánh mô hình dÿ oán nguy c¢ s¿t lá Ãt.

Ph°¡ng pháp dựa trên chỉ số thống kê. Ph°¡ng pháp ROC. Ph°¢ng pháp xây dÿng bÁn ß phân vùng nguy c¢ s¿t lá Ãt theo tÅn suÃt m°a .56 ii Ch°¢ng 3 NGHIÊN C¯U XÁC ĐkNH MÔ HÌNH Dþ ĐOÁN NGUY C¡ S¾T Là ĐÂT PHÙ H£P CHO KHU VþC VÙNG NÚI TàNH QUÀNG NGÃI. Giới thißu vß khu vÿc nghiên cÿu.

Trình tÿ xây dÿng mô hình dÿ oán nguy c¢ s¿t lá Ãt phù hÿp cho khu vÿc nghiên cÿu .