NGHIÊN CỨU PHÁT TRIỂN MÔ HÌNH TRÍ TUỆ NHÂN TẠO TRONG PHÂN VÙNG NGUY CƠ LŨ QUÉT Ở VIỆT NAM

Nghiên cứu phát triển mô hình trí tuệ nhân tạo (AI) trong phân vùng nguy cơ lũ quét tại Việt Nam. Giải pháp hiệu quả để dự báo và giảm thiểu rủi ro thiên tai.

• Tác giả: Ngô Thị Phương Thảo
• Người hướng dẫn: TS. Nguyễn Quang Khánh
• Trường học: Trường Đại học Mỏ - Địa chất
• Chuyên ngành: Kỹ thuật Trắc địa - Bản đồ
• Đề tài: Nghiên cứu phát triển mô hình trí tuệ nhân tạo trong phân vùng nguy cơ lũ quét ở Việt Nam
• Loại tài liệu: Luận án Tiến sĩ Kỹ thuật
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG BIỂU
• DANH MỤC CÁC HÌNH
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU LŨ QUÉT
• 1.1. Khái niệm và lũ quét
• 1.2. Tổng quan tình hình nghiên cứu lũ quét trên thế giới
• 1.3. Tổng quan tình hình nghiên cứu lũ quét tại Việt Nam
• 1.4. Điểm mới được phát triển trong luận án
• 2. CHƯƠNG 2: KHU VỰC NGHIÊN CỨU VÀ CƠ SỞ KHOA HỌC
• 2.1. Lựa chọn khu vực nghiên cứu
• 2.2. Phương pháp luận phát hiện lũ quét sử dụng Ảnh Radar Sar Sentinel-1
• 2.3. Nghiên cứu xây dựng mô hình mạng Nơ-ron nhân tạo FA-LM-ANN cho phân vùng nguy cơ lũ quét
• 2.4. Nghiên cứu xây dựng mô hình PSO-ELM cho phân vùng nguy cơ lũ quét
• 2.5. Nghiên cứu xây dựng mô hình Ensemble learning trong phân vùng nguy cơ lũ quét
• 2.6. Đánh giá độ chính xác mô hình
• 3. CHƯƠNG 3: THỰC NGHIỆM VÀ KẾT QUẢ
• 3.1. Quy trình xây dựng mô hình trí tuệ nhân tạo trong phân vùng nguy cơ lũ quét
• 3.2. Xây dựng cơ sở dữ liệu lũ quét
• 3.3. Thành lập bản đồ hiện trạng lũ quét
• 3.4. Xây dựng các bản đồ thành phần
• 3.5. Xây dựng dữ liệu huấn luyện và dữ liệu kiểm tra
• 3.6. Phân tích thống kê tuyến và lựa chọn các bản đồ thành phần
• 3.7. Xây dựng mô hình tích hợp FA-LM-ANN cho phân vùng nguy cơ lũ quét
• 3.7.1. Quy trình xây dựng mô hình tích hợp FA-LM-ANN
• 3.7.2. Kết quả của mô hình
• 3.7.3. Thành lập bản đồ phân vùng nguy cơ lũ quét
• 3.8. Xây dựng mô hình tích hợp PSO-ELM cho phân vùng nguy cơ lũ quét
• 3.8.1. Quy trình xây dựng mô hình tích hợp PSO-ELM
• 3.8.2. Kết quả của mô hình
• 3.8.3. Thành lập bản đồ phân vùng nguy cơ lũ quét
• 3.9. Xây dựng mô hình Ensemble learning cho phân vùng nguy cơ lũ quét
• 3.9.1. Quy trình xây dựng mô hình tích hợp Ensemble learning
• 3.9.2. Kết quả của mô hình
• 3.9.3. Thành lập bản đồ phân vùng nguy cơ lũ quét
• KẾT LUẬN VÀ KIẾN NGHỊ
• NHỮNG CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA NCS
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Nguy Cơ Lũ Quét ở Việt Nam Hiện Nay

Lũ lụt là một trong những thảm họa thiên nhiên gây nhiều thiệt hại nhất, cả về người và tài sản. Các khu vực thường xuyên chịu ảnh hưởng của bão và áp thấp nhiệt đới đặc biệt dễ bị tổn thương. Năm 2013, thiệt hại do lũ lụt trên toàn cầu ước tính vượt quá 50 tỷ USD, và dự kiến con số này sẽ còn tăng lên đáng kể trong tương lai do biến đổi khí hậu và gia tăng dân số. Việt Nam là một trong 10 quốc gia chịu ảnh hưởng nặng nề nhất của biến đổi khí hậu. Lũ lụt đã ảnh hưởng đến khoảng 71% dân số và 59% diện tích đất của Việt Nam, gây thiệt hại ước tính khoảng 0,62% GDP trong giai đoạn 1996-2015. Nghiên cứu về lũ lụt trở nên cấp thiết để bảo vệ cộng đồng, tài sản và môi trường, phù hợp với chương trình mục tiêu ứng phó với biến đổi khí hậu của Chính phủ. Theo Trung tâm nghiên cứu dách tễ hãc vß thÁm hãa sau thiên tai (Centre for Research on the Epidemiology of Disasters - CRED), Việt Nam thuác khu vực Đông Nam Á, n¡i cháu Ánh h°çng căa bão và áp thấp nhiệt đãi.

1.1. Khái niệm cơ bản về Lũ quét và đặc điểm nguy hiểm

Lũ quét là một dạng lũ lụt đặc biệt, diễn ra nhanh chóng với cường độ mạnh, thường xảy ra trong thời gian ngắn, dưới 6 giờ. Khác với lũ thường, lũ quét mang tính đột ngột và khó dự đoán. Ở Việt Nam, đặc biệt tại các tỉnh miền núi phía Bắc, lũ quét là vấn đề nghiêm trọng do mưa lớn, xói mòn, và địa hình dốc. Phát triển dân số và sử dụng đất không hợp lý cũng làm tăng nguy cơ lũ quét. Do đó, nghiên cứu và xây dựng các mô hình dự báo lũ quét là rất quan trọng để giúp cộng đồng và chính quyền địa phương chuẩn bị ứng phó và giảm thiểu thiệt hại.

1.2. Tổng quan Nghiên cứu Lũ quét trên Thế giới và Việt Nam

Việt Nam đã thực hiện nhiều nghiên cứu về lũ quét, tập trung vào xác định, dự báo và cảnh báo nguy cơ tại các khu vực cụ thể. Các mô hình không gian và bản đồ dự báo nguy cơ lũ quét đã được sử dụng rộng rãi. Tuy nhiên, việc áp dụng các mô hình truyền thống vẫn còn nhiều hạn chế do yêu cầu nguồn dữ liệu quan trắc đầy đủ và chính xác. Lũ quét là quá trình phức tạp, liên quan đến nhiều yếu tố khác nhau, gây khó khăn cho việc dự báo chính xác. Vì vậy, cần có cách tiếp cận khoa học mới để nâng cao độ chính xác, giảm sự phụ thuộc vào dữ liệu quan trắc và áp dụng tiến bộ khoa học công nghệ.

II. Thách Thức Dự Báo Lũ Quét Giới Hạn Mô Hình Hiện Tại

Các mô hình dự báo lũ quét truyền thống thường dựa trên mối liên hệ giữa thủy văn, thủy lực, dòng chảy và địa hình. Tuy nhiên, việc áp dụng các mô hình này đòi hỏi nguồn dữ liệu quan trắc đầy đủ và mật độ điểm quan trắc lớn để đảm bảo tính chính xác của dự báo. Lũ quét là một quá trình phát triển phức tạp, diễn biến nhanh, bất ngờ và liên quan đến nhiều yếu tố tác động khác nhau. Điều này làm cho việc dự báo lũ quét trở nên vô cùng khó khăn. Do vậy, độ chính xác của các mô hình truyền thống ở Việt Nam vẫn còn hạn chế, chưa đáp ứng hết các yêu cầu thực tiễn hiện nay, bao gồm cả việc cung cấp cảnh báo chính xác về vị trí lũ quét.

2.1. Hạn Chế của Mô hình Truyền thống trong Dự báo Lũ Quét

Các mô hình dự báo lũ quét truyền thống thường dựa vào các trạm quan trắc để thu thập dữ liệu về lượng mưa, mực nước, và các yếu tố khác. Tuy nhiên, lũ quét thường xảy ra ở những khu vực có ít trạm quan trắc, gây khó khăn cho việc thu thập dữ liệu đầy đủ và chính xác. Hơn nữa, các mô hình này thường không thể mô phỏng được sự phức tạp của quá trình lũ quét, do đó độ chính xác của dự báo còn hạn chế.

2.2. Yêu Cầu Cấp Thiết về Cách Tiếp Cận Khoa học mới và chính xác

Vì vậy, cần thiết phải có một cách tiếp cận khoa học mới trong việc mô hình hóa nhằm nâng cao độ chính xác. Điều này bao gồm việc giảm sự phụ thuộc vào dữ liệu từ các trạm quan trắc cũng như áp dụng tiến bộ của khoa học công nghệ và khả năng xử lý dữ liệu địa không gian trong nghiên cứu cảnh báo lũ quét. Trong những năm gần đây, sự phát triển nhanh chóng của công nghệ đã thúc đẩy nghiên cứu và dự báo lũ quét sang một hướng mới. Cần sử dụng công nghệ viễn thám, hệ thống thông tin địa lý (GIS), địa thống kê và trí tuệ nhân tạo để có các giải pháp hiệu quả hơn.

III. Giải Pháp AI Nghiên Cứu Mô Hình Trí Tuệ Nhân Tạo trong Phân vùng

Trong những năm gần đây, sự phát triển của công nghệ đã mở ra hướng mới trong nghiên cứu và dự báo lũ quét. Các công nghệ như viễn thám, GIS, thống kê và trí tuệ nhân tạo (AI) đóng vai trò quan trọng trong việc cung cấp giải pháp hiệu quả hơn. Ảnh Radar Sentinel-1A và B miễn phí, độ phân giải cao (10 m) cung cấp giải pháp mới cho phát hiện vùng ngập lụt và hiện trạng lũ quét. GIS và các phương pháp thống kê mới tạo điều kiện thuận lợi cho xử lý và phân tích mối quan hệ của nhiều yếu tố đầu vào liên quan đến lũ quét. Mô hình AI với khả năng xử lý dữ liệu phi tuyến và đa biến, đóng góp quan trọng trong xây dựng và kiểm định các mô hình dự báo lũ quét với độ chính xác tốt. Thực tế, cách tiếp cận mới này đã được áp dụng thành công trong nghiên cứu lũ quét tại nhiều khu vực khác nhau trên thế giới.

3.1. Tiềm Năng của Trí Tuệ Nhân Tạo trong Dự báo Lũ Quét chính xác

Trí tuệ nhân tạo có khả năng xử lý lượng lớn dữ liệu từ nhiều nguồn khác nhau, bao gồm dữ liệu địa hình, khí tượng, thủy văn, và viễn thám. Các thuật toán học máy như mạng nơ-ron nhân tạo (ANN), máy học sâu (Deep Learning), và cây quyết định (Decision Trees) có thể học được các mối quan hệ phức tạp giữa các yếu tố này và nguy cơ lũ quét, giúp cải thiện độ chính xác của dự báo.

3.2. Các Thuật Toán Học Máy Phù Hợp trong ứng dụng dự báo chính xác

Các thuật toán học máy phổ biến được sử dụng trong dự báo lũ quét bao gồm mạng nơ-ron nhân tạo (ANN), máy vector hỗ trợ (SVM), và cây quyết định (Decision Trees). Mỗi thuật toán có ưu và nhược điểm riêng, và việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán. Các nghiên cứu gần đây cho thấy các thuật toán học sâu như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN) có tiềm năng lớn trong việc dự báo lũ quét do khả năng học được các đặc trưng phức tạp từ dữ liệu.

IV. Thực Nghiệm và Kết Quả Mô Hình AI Phân Vùng Nguy Cơ Lũ Quét

Nghiên cứu này tập trung vào xây dựng các mô hình trí tuệ nhân tạo trong phân vùng lũ quét có độ chính xác cao, ứng dụng ảnh Radar Sentinel-1, kỹ thuật GIS và địa thống kê. Khu vực tỉnh Lào Cai (Việt Nam) được chọn làm địa điểm thực nghiệm. Đối tượng nghiên cứu chính là dữ liệu địa không gian, các mô hình dự báo và phân vùng nguy cơ lũ quét, bao gồm: (i) Ảnh viễn thám Radar đa thời gian; (ii) Cơ sở dữ liệu GIS; (iii) Thuật toán phát hiện và chiết xuất điểm lũ quét; (iv) Các mô hình khai phá dữ liệu, trí tuệ nhân tạo và thuật toán tối ưu hóa. Phương pháp nghiên cứu kết hợp tổng hợp thống kê, bản đồ, viễn thám, GIS và mô hình hóa. Đánh giá độ chính xác được thực hiện bằng dữ liệu thực địa và phương pháp thống kê.

4.1. Quy Trình Xây Dựng Mô Hình Trí Tuệ Nhân Tạo phân vùng nguy cơ

Quy trình xây dựng mô hình AI trong phân vùng nguy cơ lũ quét bao gồm các bước sau: (1) Thu thập và tiền xử lý dữ liệu địa hình, khí tượng, thủy văn và viễn thám; (2) Lựa chọn và xây dựng mô hình AI phù hợp; (3) Huấn luyện mô hình bằng dữ liệu lịch sử; (4) Kiểm tra và đánh giá hiệu suất của mô hình; (5) Áp dụng mô hình để phân vùng nguy cơ lũ quét và tạo bản đồ nguy cơ.

4.2. Đánh Giá Độ Chính Xác và Hiệu Quả của Mô Hình AI trong thực tế

Độ chính xác và hiệu quả của mô hình AI được đánh giá bằng các chỉ số thống kê như RMSE, MSE, ROC, AUC, Kappa, TP, TN, FP, và FN. Kết quả cho thấy mô hình AI có khả năng dự báo lũ quét với độ chính xác cao hơn so với các mô hình truyền thống. Bản đồ phân vùng nguy cơ lũ quét được tạo ra có thể được sử dụng để hỗ trợ công tác quy hoạch, quản lý rủi ro thiên tai, và giảm thiểu thiệt hại do lũ quét gây ra.

4.3. Các mô hình tích hợp cụ thể FA LM ANN PSO ELM Ensemble Learning

Luận án đi sâu vào 3 mô hình tích hợp chính. Mô hình FA-LM-ANN kết hợp thuật toán Firefly và Levenberg Marquardt để tối ưu trọng số của mô hình ANN, từ đó nâng cao độ chính xác dự báo. Mô hình PSO-ELM kết hợp thuật toán máy học cực đoan ELM và thuật toán tối ưu hóa Particle Swarm Optimization. Cuối cùng, mô hình Ensemble Learning tích hợp thuật toán di truyền GA, thuật toán luật mờ FURIA, và thuật toán cây quyết định, tạo ra một mô hình dự báo lũ quét mạnh mẽ và linh hoạt.

V. Ưu Điểm của AI Các Luận Điểm Bảo Vệ và Điểm Mới Của Luận Án

Luận án bảo vệ ba luận điểm chính: (1) Sử dụng ảnh Sentinel-1 đa thời gian và kỹ thuật phát hiện thay đổi cho phép xác định các khu vực bị ảnh hưởng bởi lũ quét. (2) Sử dụng các bản đồ thành phần từ các nguồn dữ liệu địa không gian đa dạng cho phép thực hiện mô hình hóa và dự báo khu vực có nguy cơ bị ảnh hưởng bởi lũ quét. (3) Tích hợp các thuật toán máy học và tối ưu hóa cho phép xây dựng một mô hình phân vùng nguy cơ lũ quét với độ chính xác cao. Điểm mới của luận án là phát triển các mô hình FA-LM-ANN, PSO-ELM, và Ensemble Learning mới cho cảnh báo lũ quét.

5.1. Tính ứng dụng và hiệu quả thực tế của mô hình AI dự báo lũ quét

Các mô hình AI xây dựng hoàn toàn có khả năng ứng dụng vào thực tế phục vụ cho việc lập kế hoạch sử dụng đất, thiết kế quy hoạch và giảm thiểu thiên tai. Bản đồ phân vùng và dự báo lũ quét có độ chính xác cao là cơ sở để phát triển hệ thống dự báo sớm, đánh giá tổn thất tiềm năng. Quy trình xây dựng bản đồ phân vùng và dự báo lũ quét là tài liệu hướng dẫn mới giúp thực hiện tại các vùng có điều kiện tương tự.

5.2. Ý nghĩa khoa học và thực tiễn của các mô hình AI trong việc phòng chống lũ quét

Về mặt khoa học, các mô hình này giúp hình thành cơ sở lý luận cho việc ứng dụng các kỹ thuật mới kết hợp với hệ thống thông tin địa lý và viễn thám, từ đó dự báo và phân vùng lũ quét trên diện rộng với độ chính xác cao. Về mặt thực tiễn, sản phẩm bản đồ có thể hỗ trợ việc quy hoạch sử dụng đất, giảm thiểu thiên tai. Nghiên cứu này cung cấp nền tảng để phát triển các hệ thống dự báo sớm và đánh giá tổn thất tiềm năng.

VI. Kết Luận Hướng Nghiên Cứu và Phát Triển Mô Hình AI Tương Lai

Nghiên cứu này đã chứng minh tiềm năng của trí tuệ nhân tạo trong việc phân vùng nguy cơ lũ quét ở Việt Nam. Các mô hình AI được xây dựng có độ chính xác cao hơn so với các mô hình truyền thống và có thể được sử dụng để hỗ trợ công tác quy hoạch, quản lý rủi ro thiên tai, và giảm thiểu thiệt hại do lũ quét gây ra. Trong tương lai, cần tiếp tục nghiên cứu và phát triển các mô hình AI tiên tiến hơn, tích hợp nhiều nguồn dữ liệu khác nhau, và có khả năng dự báo lũ quét trong thời gian thực.

6.1. Mở Rộng Phạm Vi Nghiên Cứu và Ứng Dụng cho Các Khu Vực Khác

Các mô hình AI được phát triển trong nghiên cứu này có thể được mở rộng và áp dụng cho các khu vực khác ở Việt Nam và trên thế giới. Cần thực hiện các nghiên cứu so sánh hiệu suất của các mô hình khác nhau để lựa chọn mô hình phù hợp nhất cho từng khu vực cụ thể.

6.2. Tích Hợp Dữ Liệu Thời Gian Thực và Xây Dựng Hệ Thống Cảnh Báo Sớm

Để nâng cao hiệu quả của công tác phòng chống lũ quét, cần tích hợp dữ liệu thời gian thực từ các trạm quan trắc và hệ thống viễn thám vào mô hình AI. Điều này sẽ giúp cải thiện khả năng dự báo lũ quét trong thời gian thực và xây dựng hệ thống cảnh báo sớm hiệu quả.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ kỹ thuật với đề tài "Nghiên cứu phát triển mô hình trí tuệ nhân tạo trong phân vùng nguy cơ lũ quét ở Việt Nam" do nghiên cứu sinh Ngô Thị Phương Thảo thực hiện tại Bộ môn Đo ảnh và Viễn thám, Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất, dưới sự hướng dẫn khoa học của TS. Nguyễn Quang Khánh (Trường Đại học Mỏ - Địa chất) và GS.TS. Bùi Tiến Diệu (University of South-Eastern Norway, Na Uy). Luận án thuộc chuyên ngành Kỹ thuật Trắc địa - Bản đồ, mã số 9520503, bảo vệ năm 2024 tại Hà Nội.

Tính cấp thiết và khoảng trống nghiên cứu

Lũ lụt và lũ quét là những hiểm họa thiên tai gây thiệt hại nghiêm trọng về tính mạng con người và tài sản trên quy mô toàn cầu cũng như tại Việt Nam. Theo các báo cáo quốc tế, Việt Nam nằm trong nhóm 10 quốc gia chịu tác động nặng nề nhất do biến đổi khí hậu; trong đó lũ lụt đã ảnh hưởng đến khoảng 71% dân số và 59% diện tích đất đai. Giai đoạn 1996–2015, tổng thiệt hại do bão và lũ ước tính chiếm khoảng 0,62% GDP quốc gia (tương đương 2,12 tỷ USD). Đặc biệt tại các tỉnh miền núi phía Bắc, hiện tượng lũ quét xảy ra thường xuyên với cường độ dữ dội, diễn biến nhanh (thường dưới 6 giờ), bắt nguồn từ các trận mưa lớn cực đoan kết hợp với địa hình phân cắt mạnh, độ dốc lớn và các hoạt động dân sinh như phá rừng, sử dụng đất thiếu quy hoạch.

Khoảng trống nghiên cứu được luận án chỉ ra gồm hai điểm chính:

1. Hạn chế của các mô hình truyền thống: Các mô hình thủy văn - thủy lực mô phỏng quá trình mưa - dòng chảy đòi hỏi hệ thống chuỗi dữ liệu quan trắc dài hạn và mạng lưới trạm quan trắc dày đặc. Tại các vùng núi hiểm trở ở Việt Nam, mật độ trạm đo rất thưa thớt, khiến các mô hình truyền thống khó đạt độ chính xác cao trong cảnh báo không gian.
2. Khó khăn trong thành lập bản đồ hiện trạng lũ quét: Việc điều tra vết lũ ngoài thực địa bằng GPS thủ công rất tốn kém và mất thời gian, trong khi ảnh viễn thám quang học thường bị hạn chế bởi mây mù dày đặc trong mùa mưa bão. Ảnh radar trước đây có chu kỳ lặp dài và độ phân giải thấp. Do đó, việc ứng dụng ảnh Radar SAR Sentinel-1 kết hợp với các thuật toán học máy và tối ưu hóa metaheuristic để giải quyết bài toán phân loại không gian ("on-off") là hướng tiếp cận cần thiết nhằm lấp đầy khoảng trống này.

Mục tiêu nghiên cứu

Mục tiêu tổng quát của luận án là xây dựng các mô hình trí tuệ nhân tạo có độ chính xác cao phục vụ phân vùng nguy cơ lũ quét, trên cơ sở ứng dụng ảnh viễn thám Radar Sentinel-1, kỹ thuật hệ thống thông tin địa lý (GIS) và địa thống kê; thực nghiệm áp dụng cho khu vực vùng núi tỉnh Lào Cai.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu:
  1. Dữ liệu địa không gian đa thời gian từ ảnh viễn thám Radar Sentinel-1A phục vụ chiết xuất hiện trạng lũ quét.
  2. Cơ sở dữ liệu GIS gồm các yếu tố: địa hình, địa mạo, loại đất, địa chất, khí hậu và thủy văn.
  3. Thuật toán chiết xuất điểm lũ quét dựa trên kỹ thuật phát hiện thay đổi (Change Detection).
  4. Các mô hình trí tuệ nhân tạo, thuật toán máy học và kỹ thuật tối ưu hóa metaheuristic (FA-LM-ANN, PSO-ELM, FURIA-GA-Ensemble).
• Phạm vi không gian: Tỉnh Lào Cai, trong đó khu vực nghiên cứu thực nghiệm tập trung tại hai huyện Bắc Hà và Bảo Yên với tổng diện tích 1.510,4 km² (tọa độ từ 22°5′ đến 22°40′ vĩ độ Bắc và từ 104°10′ đến 105°37′ kinh độ Đông; độ cao biến thiên từ 38,9 m đến 1.878,69 m; 85,4% diện tích có độ dốc từ 10° đến 40°).
• Phạm vi khoa học: Các thuật toán xử lý ảnh viễn thám SAR đa thời gian, phân tích dữ liệu không gian trên GIS, kỹ thuật phân loại nhị phân ("on-off") và các mô hình học máy tích hợp tối ưu hóa toàn cục.

---

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu lũ quét trên thế giới

Tổng quan y văn quốc tế được luận án hệ thống thành ba nhóm mô hình chính:

• Nhóm 1 - Các mô hình phân tích thống kê: Sử dụng chuỗi số liệu mực nước và lưu lượng từ các trạm quan trắc để xây dựng phương trình hồi quy và ngoại suy (như mô hình Copula, mô hình Gumbel hỗn hợp, mô hình tích hợp Gumbel–Hougaard Copula, phân bố tần suất thống kê). Nhược điểm lớn là đòi hỏi chuỗi số liệu quan trắc liên tục, dài hạn.
• Nhóm 2 - Các mô hình mô phỏng mưa - dòng chảy: Mô phỏng các quá trình thủy văn - thủy lực dòng chảy mặt dựa trên hệ phương trình vi phân và các tham số vật lý (tiêu biểu như HEC-HMS/RAS, HYDROTEL, Wetspa, SWAT, MIKE, KINEROS2/AGWA, HiResFlood-UCI). Nhóm mô hình này gặp trở ngại lớn khi áp dụng tại các lưu vực thiếu trạm đo.
• Nhóm 3 - Các mô hình dựa trên giả thuyết thống kê "on-off" (Binary Pattern Recognition): Tiếp cận bài toán phân vùng nguy cơ lũ quét dưới dạng bài toán phân loại nhị phân hai lớp (lũ quét và không lũ quét), dựa trên nguyên lý: khu vực có điều kiện địa lý - môi trường tương đồng với nơi từng xảy ra lũ quét trong quá khứ sẽ có nguy cơ cao xảy ra lũ quét. Các phương pháp đã phát triển gồm: phân tích thứ bậc AHP, hồi quy Logistic, trọng số Bayesian, hệ mờ nơ-ron (ANFIS), cây quyết định (Decision Trees), máy vectơ hỗ trợ (SVM), mạng nơ-ron nhân tạo nhiều lớp (MLPNN), rừng ngẫu nhiên (Random Forest).

Điểm luận các nghiên cứu lũ quét tại Việt Nam

Luận án điểm lại các công trình tiêu biểu trong nước theo trật tự thời gian và phương pháp:

• Cao Đặng Dư và cộng sự: Điều tra thống kê lũ quét giai đoạn 1951–2001 trên toàn quốc, xác định lượng mưa là yếu tố kích hoạt quan trọng nhất và đề xuất phân vùng nguy cơ thành 4 cấp (rất cao, cao, trung bình, thấp).
• Đào Minh Đức và cộng sự: Nghiên cứu nguy cơ lũ quét lưu vực suối Nghĩa Đô (Bảo Yên, Lào Cai) bằng phương pháp thống kê, chỉ ra ngưỡng mưa 24 giờ vượt quá 29 mm là điều kiện đủ kích hoạt lũ quét.
• Đào Văn Thánh; Nguyễn Ngọc Việt: Sử dụng kiến thức chuyên gia kết hợp điều tra hiện trạng để gán trọng số cho các bản đồ địa hình, địa chất, khí hậu; phương pháp mang tính định tính và phụ thuộc chủ quan vào chuyên gia.
• Dương Thị Lợi và Đặng Phương Lan; Nguyễn Ngọc Thạch: Ứng dụng quy trình phân tích thứ bậc (AHP) kết hợp GIS và bổ sung nhân tố dòng chảy tích lũy để thành lập bản đồ phân vùng nguy cơ tại Vĩnh Phúc, Bắc Kạn.
• Hồ Tiến Chung và cộng sự: Dự báo lũ quét và sạt lở đất dọc Quốc lộ 32 (Yên Bái - Lai Châu) giai đoạn 2008–2010.
• Lã Thanh Hà và cộng sự: Tái hiện trận lũ quét lịch sử tại suối Phà (Văn Chấn, Yên Bái) năm 2005 bằng mô hình thủy văn - thủy lực HEC-HMS và HEC-RAS tích hợp trong ArcView.
• Ngô Thị Phượng và cộng sự: Nghiên cứu hiện trạng và dự báo nguy cơ trượt lở, lũ bùn đá tại Hoàng Su Phì, Xín Mần, Yên Minh (Hà Giang).
• Nguyễn Khắc Hải: Thử nghiệm ứng dụng mạng nơ-ron nhân tạo mô phỏng lưu lượng lũ quét cho một số lưu vực sông nhỏ (sông Dinh, Nậm La, sông Vệ).
• Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu: Thực hiện đề án điều tra, phân vùng và cảnh báo lũ quét miền núi Việt Nam giai đoạn 2010–2018 (giai đoạn 1 tại 14 tỉnh miền núi phía Bắc; giai đoạn 2 tại miền Trung và Tây Nguyên).
• Bùi Tiến Diệu, Hoàng Nhật Đức và cộng sự: Phát triển các mô hình học máy lai ghép như Neural-Fuzzy tối ưu hóa và mô hình tích hợp thống kê Bayes (BayGmmKda) trong phân vùng không gian lũ quét không phụ thuộc trạm thủy văn.

Khoảng trống luận án lựa chọn giải quyết

Luận án tập trung giải quyết ba vấn đề kỹ thuật trọng tâm:

1. Xây dựng quy trình tự động phát hiện và thành lập bản đồ hiện trạng lũ quét từ ảnh Radar SAR Sentinel-1A đa thời gian thông qua kỹ thuật phát hiện thay đổi (Change Detection), khắc phục tình trạng thiếu hụt dữ liệu vết lũ.
2. Tích hợp thuật toán tối ưu hóa bầy đom đóm (Firefly Algorithm - FA) và Levenberg–Marquardt (LM) vào mạng nơ-ron nhân tạo (ANN) nhằm khắc phục hiện tượng rơi vào cực tiểu cục bộ và cải thiện tốc độ hội tụ.
3. Ứng dụng thuật toán máy học cực đại (ELM) kết hợp tối ưu hóa bầy đàn (PSO), cùng mô hình học tập kết hợp Ensemble Learning (tích hợp FURIA, thuật toán di truyền GA và các kỹ thuật Bagging, AdaBoost, LogitBoost trên nền cây quyết định C4.5) để nâng cao độ chính xác phân loại không gian nguy cơ lũ quét.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và khái niệm

• Khung quản lý rủi ro thiên tai Sendai (UNISDR): Luận án vận dụng cấu trúc 3 chặng của Khung Sendai gồm: (1) Khu vực đánh giá và công tác chuẩn bị; (2) Phân tích rủi ro kỹ thuật; (3) Sử dụng kết quả và xây dựng quyết định.
• Khái niệm lũ quét: Tổng hợp theo định nghĩa của WMO, AMS và các nhà khoa học Việt Nam, lũ quét được xác định là hiện tượng ngập lụt cục bộ xuất hiện đột ngột trong thời gian ngắn (dưới 6 giờ), dòng chảy xiết mang hàm lượng bùn đất, đá cao, có sức tàn phá lớn tại các lưu vực sườn dốc miền núi.
• Giả thuyết thống kê phân loại nhị phân ("on-off"): Toàn bộ các pixel trong khu vực được phân thành 2 lớp: lớp lũ quét ($C_2 = +1$) và lớp không lũ quét ($C_1 = -1$). Xác suất đầu ra thuộc lớp lũ quét đóng vai trò là chỉ số nguy cơ lũ quét.

Phương pháp nghiên cứu thực tế

1. Phương pháp Viễn thám:
   • Dữ liệu: 4 cảnh ảnh vệ tinh Sentinel-1A chế độ Interferometric Wide-Swath (IW), định dạng Level-1 GRD, phân cực kép VV, độ phân giải không gian 10 m, chụp vào các ngày 23/07/2017, 30/07/2017 (trước lũ quét) và 04/08/2017, 10/10/2017 (sau lũ quét).
   • Quy trình tiền xử lý trên phần mềm SNAP Toolbox: Lọc bỏ nhiễu nhiệt (Thermal Noise Removal); hiệu chỉnh bức xạ đưa về hệ số tán xạ ngược Sigma Nought ($\sigma^0$); lọc nhiễu đốm bằng bộ lọc Lee; nắn chỉnh hình học bằng mô hình số độ cao SRTM DEM về phép chiếu UTM Zone 48N - WGS84; tạo ảnh tổ hợp màu đa thời gian và khoanh vùng vết lũ quét; kiểm chứng thực địa bằng máy đo GPS cầm tay.
2. Phương pháp GIS và Địa thống kê:
   • Xây dựng hệ thống cơ sở dữ liệu gồm 12 bản đồ thành phần: Độ cao (DEM), Độ dốc (Slope), Hướng dốc (Aspect), Độ cong địa hình (Curvature), Hình thái địa mạo (Toposhape), Chỉ số độ ẩm địa hình (TWI), Chỉ số năng lượng dòng chảy (SPI), Mật độ sông suối (Stream Density), Chỉ số thực vật (NDVI), Lượng mưa (Rainfall), Loại đất (Soil type), Thạch học (Lithology).
   • Kiểm tra đa cộng tuyến bằng hai chỉ số: Hệ số dung sai (Tolerance - TOL) và Hệ số phóng đại phương sai (Variance Inflation Factor - VIF).
3. Phương pháp mô hình hóa học máy và tối ưu hóa:
   • Mô hình FA-LM-ANN: Mạng nơ-ron truyền thẳng nhiều lớp với hàm kích hoạt Log-sigmoid; thuật toán Firefly Algorithm (FA) tìm kiếm không gian toàn cục để khởi tạo không gian trọng số tối ưu; thuật toán Levenberg–Marquardt (LM) tối ưu hóa cục bộ dựa trên ma trận Jacobian để tăng tốc độ hội tụ và giảm thiểu hàm mất mát MSE.
   • Mô hình PSO-ELM: Mạng Extreme Learning Machine (ELM) với cấu trúc một lớp ẩn, các trọng số đầu ra được tính giải tích qua ma trận nghịch đảo Moore–Penrose; thuật toán tối ưu hóa bầy đàn (PSO) tối ưu hóa các vector trọng số đầu vào và độ lệch nhằm hạn chế việc gán ngẫu nhiên ban đầu.
   • Mô hình Ensemble Learning: Thuật toán mờ không thứ tự FURIA kết hợp giải thuật di truyền GA để tinh lọc luật mờ và lựa chọn thuộc tính; tích hợp kỹ thuật lấy mẫu lặp Bootstrap (Bagging), tăng cường thích ứng (AdaBoost) và tăng cường Logistic (LogitBoost) trên nền cây quyết định C4.5.
4. Phương pháp đánh giá độ chính xác:
   • Phân chia tập dữ liệu thành tập huấn luyện (Training Set - 70%) và tập kiểm tra (Testing Set - 30%), kết hợp kiểm tra chéo (10-fold cross-validation và 5-fold cross-validation).
   • Các chỉ số đo lường hiệu suất: Sai số toàn phương trung bình (MSE), Căn bậc hai sai số toàn phương trung bình (RMSE), Sai số tuyệt đối trung bình (MAE), Sai số trung bình (ME).
   • Đánh giá phân loại: Ma trận nhầm lẫn (True Positive - TP, False Positive - FP, True Negative - TN, False Negative - FN), độ chính xác phân loại tổng thể, hệ số Kappa, đường cong đặc trưng máy thu (ROC) và diện tích dưới đường cong (AUC).
   • Kiểm định thống kê phi tham số: Kiểm nghiệm Wilcoxon signed-rank test để đánh giá mức độ khác biệt có ý nghĩa thống kê giữa các mô hình.

Yếu tố đầu vào / Bản đồ thành phần	Nguồn dữ liệu gốc	Ý nghĩa trong phân vùng lũ quét
Ảnh Radar Sentinel-1A (GRD)	ESA Copernicus Open Access Hub	Chiết xuất vết lũ quét và thành lập bản đồ hiện trạng
Độ cao (DEM), Độ dốc, Hướng dốc	Dữ liệu SRTM DEM (độ phân giải 30 m)	Xác định năng lượng thế năng, hướng và vận tốc dòng chảy
Độ cong (Curvature), Toposhape	Xử lý phái sinh từ DEM trên GIS	Phân tích mức độ tích tụ, phân tán dòng chảy mặt
Chỉ số TWI, Chỉ số SPI	Tính toán thủy văn từ DEM	Đánh giá độ ẩm bão hòa và sức cắt xói mòn của dòng nước
Mật độ sông suối (Stream Density)	Bản đồ thủy văn và mạng lưới thủy đồ	Mức độ tập trung nước và thoát lũ lưu vực
Chỉ số thực vật (NDVI)	Xử lý từ ảnh Landsat / Sentinel-2	Khả năng giữ nước, cản trở dòng chảy của thảm phủ
Lượng mưa (Rainfall)	Số liệu trạm khí tượng và trích xuất không gian	Tác nhân kích hoạt trực tiếp hình thành lưu lượng đỉnh lũ
Loại đất (Soil), Thạch học (Lithology)	Bản đồ thổ nhưỡng, bản đồ địa chất	Khả năng ngấm, mức độ phong hóa và cung cấp bở rời cho bùn đá

---

Nội dung chính theo từng chương

Mở đầu

Phần Mở đầu thiết lập tính cấp thiết của đề tài trong bối cảnh các hiểm họa lũ quét liên tiếp gây thiệt hại nghiêm trọng tại vùng núi phía Bắc Việt Nam. Trình bày tổng quan mục tiêu nghiên cứu, đối tượng, phạm vi địa lý (huyện Bắc Hà và Bảo Yên, tỉnh Lào Cai), phạm vi khoa học, phương pháp luận nghiên cứu tiếp cận, 3 luận điểm bảo vệ, ý nghĩa khoa học và giá trị thực tiễn của luận án.

Chương 1: Tổng quan về nghiên cứu lũ quét

Chương 1 cung cấp bức tranh toàn diện về cơ sở lý thuyết và lịch sử nghiên cứu lũ quét:

• Phân tích khung quy trình đánh giá rủi ro thảm họa thiên tai của UNISDR (3 chặng chính).
• Chuẩn hóa các khái niệm, định nghĩa về lũ quét trên thế giới và tại Việt Nam.
• Đánh giá ưu nhược điểm của 3 nhóm mô hình lũ quét trên thế giới: mô hình thống kê, mô hình mô phỏng mưa - dòng chảy (HEC-HMS, SWAT, MIKE) và mô hình phân loại "on-off" theo nhận dạng mẫu nhị phân.
• Tổng kết tình hình nghiên cứu lũ quét tại Việt Nam từ các giai đoạn điều tra thống kê truyền thống, mô hình đa chỉ tiêu AHP, mô hình chuyên gia, đến các ứng dụng bước đầu của mạng trí tuệ nhân tạo.
• Xác lập 2 điểm mới phát triển của luận án: (1) Ứng dụng ảnh Radar Sentinel-1A đa thời gian để lập bản đồ hiện trạng lũ quét; (2) Phát triển các mô hình học máy tích hợp tối ưu hóa metaheuristic mới (FA-LM-ANN, PSO-ELM, FURIA-GA-Ensemble).

Chương 2: Khu vực nghiên cứu và cơ sở khoa học

Chương 2 mô tả chi tiết điều kiện tự nhiên - kinh tế - xã hội của vùng nghiên cứu và luận giải cơ sở toán học của các thuật toán:

• Khu vực nghiên cứu: Phân tích đặc điểm địa hình hiểm trở, hệ thống sông ngòi (sông Hồng, sông Chảy), chế độ khí hậu nhiệt đới gió mùa vùng núi (lượng mưa năm tại trạm Bắc Hà đạt 1.843,7 mm, tập trung hơn 80% vào mùa mưa từ tháng 4 đến tháng 9), dân số 145.208 người với tập quán canh tác sườn dốc dễ bị tổn thương.
• Quy trình chiết xuất hiện trạng lũ từ ảnh Sentinel-1A: Cơ sở vật lý của độ tán xạ ngược sóng radar C-band phân cực VV đối với bề mặt nước và đất ướt sau lũ; các bước tiền xử lý ảnh trên SNAP (lọc nhiệt, hiệu chuẩn Sigma nought, lọc Lee, nắn hình học SRTM DEM).
• Cơ sở toán học của mô hình FA-LM-ANN: Thiết lập kiến trúc mạng nơ-ron 3 lớp, công thức hàm biến đổi, cơ chế tối ưu hàm mất mát MSE bằng thuật toán Levenberg–Marquardt qua ma trận Jacobian, và thuật toán tìm kiếm vị trí tối ưu của cá thể đom đóm theo cường độ ánh sáng $I(r)$ và khoảng cách không gian đa chiều $r_{ij}$.
• Cơ sở toán học của mô hình PSO-ELM: Thiết lập phương trình mạng ELM với ma trận nghịch đảo Moore–Penrose tính trọng số lớp ra; phương trình cập nhật vận tốc $V_i$ và vị trí $X_i$ của bầy hạt PSO để tối ưu hóa trọng số đầu vào $IW$ và độ lệch $BA$.
• Cơ sở toán học của mô hình Ensemble Learning: Quy tắc luật mờ của thuật toán FURIA, toán tử mờ T-Norm, cơ chế chọn lọc - đột biến - lai ghép của thuật toán di truyền GA, và nguyên lý tạo tập con Bootstrap của kỹ thuật Bagging, kết hợp AdaBoost và LogitBoost trên nền cây quyết định C4.5.

Chương 3: Thực nghiệm và kết quả

Chương 3 trình bày toàn bộ quy trình thực nghiệm, xử lý dữ liệu và kết quả đạt được:

• Xây dựng CSDL và bản đồ hiện trạng: Chiết xuất thành công các vị trí vết lũ từ ảnh Sentinel-1A và đối soát với dữ liệu kiểm chứng GPS thực địa; xây dựng 12 lớp bản đồ thành phần không gian dạng raster.
• Phân tích đa cộng tuyến: Xác định các chỉ số TOL và VIF cho 12 bản đồ thành phần, chứng minh không có hiện tượng đa cộng tuyến nghiêm trọng giữa các biến đầu vào, đảm bảo tính độc lập để đưa vào mô hình hóa.
• Thực nghiệm mô hình FA-LM-ANN:
  • Phân tích quá trình hội tụ tối ưu của thuật toán lai ghép FA-LM so với LM-ANN truyền thống.
  • Đánh giá hiệu suất dự báo của mô hình FA-LM-ANN so với các mô hình LM-ANN, FA-ANN, SVM và cây quyết định (CT).
  • Thành lập bản đồ phân vùng nguy cơ lũ quét tương ứng cho khu vực nghiên cứu.
• Thực nghiệm mô hình PSO-ELM:
  • Đánh giá sự biến thiên giá trị tối ưu theo số vòng lặp trong quá trình huấn luyện; độ khớp của PSO-ELM trên tập huấn luyện và hiệu suất dự báo trên tập kiểm tra.
  • So sánh diện tích dưới đường cong AUC của PSO-ELM với các thuật toán cơ sở; thành lập bản đồ phân vùng nguy cơ lũ quét từ mô hình PSO-ELM và phân tích đặc trưng các lớp nguy cơ.
• Thực nghiệm mô hình Ensemble Learning:
  • Đánh giá tầm quan trọng của các bản đồ thành phần theo phương pháp tiếp cận học máy.
  • Huấn luyện và kiểm định 3 mô hình tích hợp: FURIA-GA-LogitBoost, FURIA-GA-AdaBoost, FURIA-GA-Bagging.
  • So sánh độ chính xác phân loại, chỉ số ROC-AUC, Recall, Precision, tỷ lệ phần trăm mật độ tương đối lũ quét trên tập huấn luyện và tập kiểm tra.
  • Thực hiện kiểm nghiệm thống kê phi tham số Wilcoxon trên tập dữ liệu kiểm tra để xác nhận tính vượt trội và khác biệt có ý nghĩa thống kê của các mô hình đề xuất; xuất bản đồ phân vùng nguy cơ lũ quét tương ứng.

Kết luận và kiến nghị

Tổng kết các kết quả khoa học chính đã đạt được, khẳng định tính đúng đắn của các luận điểm bảo vệ; kiến nghị áp dụng bản đồ phân vùng nguy cơ lũ quét vào quy hoạch sử dụng đất, xây dựng công trình phòng chống thiên tai và phát triển các hệ thống cảnh báo sớm tại địa phương.

---

Kết quả và những đóng góp mới

Luận điểm bảo vệ của luận án

1. Luận điểm 1: Sử dụng ảnh Sentinel-1 đa thời gian và kỹ thuật phát hiện thay đổi (Change Detection) cho phép xác định chính xác các khu vực bị ảnh hưởng bởi lũ quét ngoài thực địa mà không phụ thuộc vào điều kiện thời tiết hay mây mù.
2. Luận điểm 2: Việc sử dụng tổ hợp 12 bản đồ thành phần (độ cao, độ dốc, hướng dốc, độ cong địa hình, hình thái địa mạo, TWI, SPI, NDVI, lượng mưa, loại đất, thạch học, mật độ sông suối) từ các nguồn dữ liệu địa không gian đa dạng cho phép thực hiện mô hình hóa và dự báo tin cậy các khu vực có nguy cơ xảy ra lũ quét.
3. Luận điểm 3: Sự tích hợp của các thuật toán máy học và tối ưu hóa metaheuristic (FA-LM-ANN, PSO-ELM, FURIA-GA-Ensemble) cho phép xây dựng mô hình phân vùng nguy cơ lũ quét với độ chính xác cao vượt trội so với các mô hình đơn lẻ truyền thống.

Những đóng góp mới về mặt khoa học và thực tiễn

• Về mặt khoa học:
  • Thiết lập thành công khung phương pháp luận khai thác ảnh vệ tinh Radar SAR Sentinel-1A (phân cực VV, chế độ IW) để tự động phát hiện vết lũ và xây dựng bản đồ hiện trạng lũ quét tại các vùng núi nhiệt đới có mây phủ dày đặc.
  • Phát triển mô hình tích hợp mới FA-LM-ANN, kết hợp thuật toán tối ưu bầy đom đóm (FA) tìm kiếm toàn cục với thuật toán Levenberg–Marquardt (LM) tìm kiếm nội bộ, giúp tự động tìm kiếm, cập nhật và tối ưu hóa trọng số của mạng nơ-ron nhân tạo cho bài toán dự báo lũ quét.
  • Phát triển mô hình tích hợp mới PSO-ELM, kết hợp giải thuật tối ưu hóa bầy đàn (PSO) với máy học cực đại (ELM), giải quyết triệt để nhược điểm gán trọng số ngẫu nhiên ban đầu của ELM.
  • Phát triển hệ mô hình Ensemble Learning mới kết hợp thuật toán di truyền (GA), hệ luật mờ không thứ tự (FURIA) với các kỹ thuật tổ hợp Bagging, AdaBoost và LogitBoost trên nền cây quyết định C4.5.
• Về mặt thực tiễn:
  • Cung cấp bộ bản đồ phân vùng nguy cơ lũ quét chi tiết với độ chính xác cao cho hai huyện trọng điểm Bắc Hà và Bảo Yên (tỉnh Lào Cai).
  • Cung cấp một tài liệu hướng dẫn quy trình công nghệ hoàn chỉnh từ xử lý ảnh viễn thám, tích hợp GIS đến mô hình hóa AI, có khả năng chuyển giao và áp dụng tương tự cho các vùng miền núi khác tại Việt Nam mà không yêu cầu số liệu trạm quan trắc thủy văn dày đặc.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

• Mô hình tiếp cận dựa trên giả thuyết phân loại nhị phân không gian ("on-off") tập trung vào việc xác định vị trí và xác suất không gian có nguy cơ xảy ra lũ quét, chưa giải quyết được bài toán dự báo thời điểm chính xác khi nào lũ quét sẽ xảy ra trong tương lai theo thời gian thực.
• Dữ liệu thực nghiệm của luận án mới chỉ tập trung trên phạm vi địa bàn hai huyện Bắc Hà và Bảo Yên thuộc tỉnh Lào Cai do các giới hạn về nguồn lực khảo sát thực địa và kinh phí nghiên cứu.

Hướng nghiên cứu tiếp

• Mở rộng phạm vi thử nghiệm mô hình hóa sang các lưu vực sông suối và các tỉnh miền núi khác có điều kiện địa chất, địa mạo và khí hậu khác biệt (như khu vực Tây Bắc, miền Trung và Tây Nguyên).
• Nghiên cứu tích hợp chuỗi số liệu dự báo mưa thời gian thực độ phân giải cao và các mô hình viễn thám khí tượng nhằm nâng cấp mô hình phân vùng tĩnh thành hệ thống cảnh báo sớm lũ quét động theo cả không gian và thời gian.

---

Giá trị tham khảo

Luận án là tài liệu chuyên khảo có giá trị học thuật và ứng dụng thực tiễn cao cho nhiều nhóm đối tượng:

• Nghiên cứu sinh, học viên cao học và giảng viên: Thuộc các chuyên ngành Kỹ thuật Trắc địa - Bản đồ, Viễn thám và GIS, Địa lý tự nhiên, Thủy văn, Quản lý tài nguyên môi trường và Trí tuệ nhân tạo ứng dụng. Luận án cung cấp chi tiết cơ sở toán học, phương trình giải tích và quy trình tích hợp các thuật toán Metaheuristic (FA, PSO, GA) vào mạng nơ-ron và máy học.
• Cán bộ quản lý và cơ quan hoạch định chính sách: Ban chỉ huy Phòng thủ dân sự, Phòng chống thiên tai và Tìm kiếm cứu nạn các cấp, Sở Tài nguyên và Môi trường, Sở Nông nghiệp và Phát triển nông thôn các tỉnh miền núi. Kết quả phân vùng nguy cơ là căn cứ khoa học trực tiếp phục vụ quy hoạch bố trí dân cư an toàn, lập kế hoạch sử dụng đất và xây dựng các công trình giảm thiểu rủi ro thiên tai.
• Các phần đáng tham khảo nhất:
  1. Quy trình tiền xử lý ảnh Radar SAR Sentinel-1A trên phần mềm SNAP Toolbox để chiết xuất hiện trạng lũ (Mục 2.2).
  2. Phương pháp tích hợp thuật toán lai ghép FA-LM cho mạng ANN và PSO cho mậng ELM (Mục 2.3 và 2.4).
  3. Bộ tiêu chí 12 bản đồ thành phần không gian và kỹ thuật kiểm tra đa cộng tuyến TOL - VIF phục vụ mô hình hóa hiểm họa lũ quét (Chương 3).

---

Câu hỏi thường gặp

1. Khu vực nghiên cứu thực nghiệm của luận án có những đặc điểm tự nhiên nào khiến lũ quét thường xuyên xảy ra?

Khu vực nghiên cứu gồm hai huyện Bắc Hà và Bảo Yên (tỉnh Lào Cai) có diện tích 1.510,4 km², độ cao biến thiên từ 38,9 m đến 1.878,69 m (trung bình 538,1 m). Địa hình đặc trưng miền núi hiểm trở với 85,4% diện tích có độ dốc từ 10° đến 40°. Vùng có hai hệ thống sông lớn chảy qua là sông Hồng (dài 28,7 km qua khu vực) và sông Chảy (dài 91,6 km, độ dốc lớn, dòng chảy xiết). Chế độ mưa tập trung cao độ từ tháng 4 đến tháng 9, chiếm hơn 80% tổng lượng mưa năm (lượng mưa năm tại trạm Bắc Hà đạt 1.843,7 mm), trong đó các tháng 6, 7, 8 chiếm trên 50% lượng mưa cả năm. Địa hình dốc kết hợp mưa lớn cục bộ là nguyên nhân chính hình thành các trận lũ quét dữ dội.

2. Vì sao luận án lựa chọn ảnh Radar SAR Sentinel-1A thay vì ảnh viễn thám quang học để thành lập bản đồ hiện trạng lũ quét?

Lũ quét tại miền núi thường xảy ra trong điều kiện thời tiết mưa bão cực đoan, bầu trời bị bao phủ bởi mây mù dày đặc, khiến ảnh viễn thám quang học (như Landsat hay Sentinel-2) bị che khuất và không thể ghi nhận được bề mặt đất. Ảnh Radar SAR Sentinel-1A sử dụng sóng viba C-band (bước sóng 3,5 cm, tần số 4–8 GHz) có khả năng xuyên mây và hoạt động không phụ thuộc vào điều kiện ánh sáng ngày/đêm. Với độ phân giải không gian 10 m, chu kỳ chụp lặp 12 ngày và định dạng phân cực kép VV, ảnh Sentinel-1A cho phép phát hiện rõ nét sự thay đổi hệ số tán xạ ngược của bề mặt đất ướt và vết lũ sau thiên tai.

3. Nguyên lý hoạt động của mô hình tích hợp FA-LM-ANN trong luận án là gì?

Mô hình FA-LM-ANN là sự kết hợp giữa mạng nơ-ron nhân tạo nhiều lớp (ANN) với hai thuật toán tối ưu:

• Thuật toán bầy đom đóm (FA): Đóng vai trò là công cụ tìm kiếm và tối ưu hóa toàn cục, dựa trên quy luật tương tác và độ sáng giữa các cá thể đom đóm trong không gian đa chiều để xác định vùng trọng số tiềm năng ban đầu, giúp mạng tránh rơi vào bẫy cực tiểu cục bộ.
• Thuật toán Levenberg–Marquardt (LM): Đóng vai trò là công cụ tìm kiếm nội bộ cục bộ, sử dụng ma trận sai số Jacobian để cập nhật và hiệu chỉnh trọng số với tốc độ hội tụ nhanh và độ ổn định cao.

4. Thuật toán PSO đã khắc phục nhược điểm cốt lõi nào của máy học cực đại (ELM)?

Mô hình máy học cực đại ELM truyền thống có ưu điểm là tốc độ huấn luyện rất nhanh do trọng số đầu ra được tính toán bằng phương pháp giải tích thông qua ma trận nghịch đảo tổng quát Moore–Penrose. Tuy nhiên, nhược điểm lớn của ELM là các vector trọng số đầu vào và độ lệch (bias) của lớp ẩn lại được khởi tạo hoàn toàn ngẫu nhiên, dẫn đến việc không tối ưu và có thể làm giảm hiệu suất dự báo trong nhiều trường hợp. Thuật toán tối ưu hóa bầy đàn (PSO) được tích hợp để mô phỏng trí thông minh tập thể của bầy chim, tự động tìm kiếm và tối ưu hóa toàn bộ các trọng số đầu vào và độ lệch trước khi tính toán trọng số đầu ra.

5. Những chỉ số thống kê nào được luận án sử dụng để kiểm chứng và so sánh độ chính xác của các mô hình?

Luận án sử dụng một hệ thống chỉ số thống kê toàn diện gồm:

• Chỉ số sai số số học: Căn bậc hai sai số toàn phương trung bình (RMSE), Sai số bình phương trung bình (MSE), Sai số tuyệt đối trung bình (MAE), Sai số trung bình (ME).
• Chỉ số phân loại: Ma trận nhầm lẫn (TP, TN, FP, FN), Tỷ lệ phân loại chính xác tổng thể, Hệ số tương đồng Kappa.
• Đường cong và diện tích: Đường cong đặc tính máy thu (ROC) và Diện tích dưới đường cong ROC (AUC) trên cả tập huấn luyện (70%) và tập kiểm tra (30%), kết hợp phương pháp kiểm tra chéo 10-fold và 5-fold cross-validation.
• Kiểm định phi tham số: Kiểm nghiệm Wilcoxon signed-rank test để chứng minh sự khác biệt về mặt thống kê giữa mô hình đề xuất và các mô hình cơ sở.

---

Kết luận

Luận án tiến sĩ của NCS Ngô Thị Phương Thảo đã giải quyết một bài toán khoa học và thực tiễn có ý nghĩa cấp bách trong công tác phòng chống thiên tai tại Việt Nam thông qua việc phát triển các mô hình trí tuệ nhân tạo tích hợp mới (FA-LM-ANN, PSO-ELM, FURIA-GA-Ensemble). Công trình đã thiết lập thành công quy trình công nghệ hoàn chỉnh từ khâu khai thác ảnh vệ tinh Radar SAR Sentinel-1A đa thời gian để thành lập bản đồ hiện trạng vết lũ, xử lý 12 lớp dữ liệu địa không gian GIS, đến khâu mô hình hóa học máy tối ưu hóa metaheuristic đạt độ chính xác cao. Kết quả phân vùng nguy cơ lũ quét tại huyện Bắc Hà và Bảo Yên (Lào Cai) là cơ sở khoa học tin cậy phục vụ quy hoạch không gian, quản lý rủi ro thiên tai và bảo vệ an toàn dân sinh ở các vùng miền núi.

Trích đoạn nội dung tài liệu

MỞ ĐẦU. 1 CHƯ¡NG 1: TỔNG QUAN VỀ NGHIÊN CỨU Li QUÉT.2 Khái niệm vß lũ quét .3 Tổng quan tình hình nghiên cứu lũ quét trên thÁ giãi .4 Tổng quan tình hình nghiên cứu lũ quét t¿i Việt Nam .5 Điám mãi đ°ÿc phát trián trong luÃn án. 21 CHƯ¡NG 2: KHU VþC NGHIÊN CỨU VÀ C¡ SỞ KHOA HỌC .1 Lựa chãn khu vực nghiên cứu. Ph°¡ng pháp luÃn phát hiện lũ quét sÿ dāng Ánh Radar Sar Sentinel- .2 Nghiên cứu xây dựng mô hình m¿ng N¡-ron nhân t¿o FA-LM- ANN cho phân vùng nguy c¡ lũ quét .3 Nghiên cứu xây dựng mô hình PSO-ELM cho phân vùng nguy c¡ lũ quét .4 Nghiên cứu xây dựng mô hình Ensemble learning trong phân vùng nguy c¡ lũ quét .3 Đánh giá đá chính xác mô hình.

42 CHƯ¡NG 3: THþC NGHIỆM VÀ KẾT QUẢ. Quy trình xây dựng mô hình trí tuệ nhân t¿o trong phân vùng nguy c¡ lũ quét. Xây dựng c¡ sç dā liệu lũ quét. Thành lÃp bÁn đã hiện tr¿ng lũ quét.

Xây dựng các bÁn đã thành phần. Xây dựng dā liệu huấn luyện và dā liệu kiám tra. Phân tích đa cáng tuyÁn và lựa chãn các bÁn đã thành phần. Xây dựng mô hình tích hÿp FA-LM-ANN cho phân vùng nguy c¡ lũ quét.

Quy trình xây dựng mô hình tích hÿp FA-LM-ANN.2 KÁt quÁ căa mô hình .3 Thành lÃp bÁn đã phân vùng nguy c¡ lũ quét. Xây dựng mô hình tích hÿp PSO-ELM cho phân vùng nguy c¡ lũ quét .1 Quy trình xây dựng mô hình tích hÿp PSO-ELM. KÁt quÁ căa mô hình .3 Thành lÃp bÁn đã phân vùng nguy c¡ lũ quét. Xây dựng mô hình Ensemble learning cho phân vùng nguy c¡ lũ quét .1 Quy trình xây dựng mô hình tích hÿp PSO-ELM cho phân vùng nguy c¡ lũ quét .2 KÁt quÁ căa mô hình .3 Thành lÃp bÁn đã phân vùng nguy c¡ lũ quét.

84 KẾT LUẬN VÀ KIẾN NGHỊ. 89 NHỮNG CÔNG TRÌNH Đà CÔNG BỐ CỦA NCS. 92 DANH MĀC TÀI LIỆU THAM KHẢO. 94 PHĀ LĀC iv DANH MĀC CÁC CHþ VI¾T TÀT Chÿ vi¿t tÁt Chÿ vi¿t đÅy đă AHP Analytical Hierarchy Process AI Artificial Intelligence ANN Artificial Neural Network AUC Area Under the Curve BO Bat Optimization CSO Cuckoo Search Optimization DT Decision Tree ELM Extreme Learning Machines FA Firefly Algorithm FA-LM -ANN Firefly Algorithm- Levenberg–Marquardt - Artificial Neural Network FN False Negative FP False Postive FR Frequency Ratio FURIA Fuzzy Unordered Rule Induction Algorithm GA Genetic Algorithm GRD Ground Range Detected LM Levenberg–Marquardt LMB Levenberg–Marquardt Backpropagation LMS Least Means Squares v Chÿ vi¿t tÁt Chÿ vi¿t đÅy đă LMT Logistic Model Tree LVQ Learning Vector Quantization MAE Mean Absolute Error MBO Monarch ButterflyOptimizaation ME Mean Error ML Machine Learning MLPNN Multilayer Perceptron Neural Network MSE Mean Squared Error PSO Particle Swarm Optimization RMSE Root Mean Squared Error ROC Receiver Operating Characteristic SPI Stream Power Index SVM Support Vector Machine TN True Negative TOL Tolerance TP True Postive TWI Topgraphic Wetness Index VIF Variance Inüation Factor vi DANH MĀC CÁC BÀNG BIÂU TT Tên bÁng Trang BÁng 2.

Đặc điám căa Ánh vệ tinh Sentinel-1. Ành SAR Sentinel-1A sÿ dāng cho việc phát hiện lũ quét. Phân tích đa cáng tuyÁn cho các bÁn đã thành phần. Hiệu suất dự báo căa mô hình FA-LM ANN.

So sánh hiệu suất căa mô hình FA-LM-ANN vãi các mô hình LM-ANN, FA-ANN, SVM, và CT. Hiệu suất căa mô hình vãi ph°¡ng pháp kiám tra chéo ten-fold. Đánh giá hiệu suất căa mô hình PSO-EML. Đánh giá đá chính xác căa các mô hình.

Đặc điám căa các lãp có nguy c¡ cao lũ quét cho khu vực nghiên cứu từ mô hình PSO-ELM. Đánh giá sÿ dāng FSMs và đá chính xác phân lo¿i. Đánh giá tầm quan trãng căa bÁn đã thành phần lũ quét theo ph°¡ng pháp VLQ. Hiệu suất căa mô hình trên tÃp dā liệu huấn luyện.

Đánh giá đá chính xác mô hình kiám tra. Tÿ lệ phần trăm mÃt đá t°¡ng đái lũ quét trên tÃp dā liệu huấn luyện. Tÿ lệ phần trăm mÃt đá t°¡ng đái lũ quét trên tÃp dā liệu kiám tra. KÁt quÁ kiám nghiệm tháng kê Wilicoxon trên bá dā liệu kiám tra.

87 vii DANH MĀC CÁC HÌNH TT Tên hình Trang Hình 1. Khung quy trình đánh giá răi ro thÁm hãa thiên tai - UNISDR .1 Vá trí khu vực nghiên cứu. Ph°¡ng pháp luÃn phát hiện lũ quét sÿ dāng Ánh Sentinel-1. Phát hiện lũ quét trên Ánh tổ hÿp màu Sentinel-1A đa thåi gian.

Cấu trúc mát mô hình ANN cho phân vùng nguy c¡ lũ quét. Quy trình xây dựng mô hình trí tuệ nhân t¿o trong phân vùng nguy c¡ lũ quét. Vá trí các điám khÁo sát khu vực nghiên cứu. Quy trình xây d°ng c¡ sç dā liệu lũ quét.

Khu vực lũ quét từ Ánh SAR Sentinel-1 căa vùng nghiên cứu. Các bÁn đã thành phần cho nghiên cứu lũ quét .5 S¡ đã quy trình xây dựng mô hình tích hÿp FA-LM-ANN cho phân vùng nguy c¡ lũ quét. Quá trình tái °u hóa căa căa ph°¡ng pháp hßn hÿp FA-LM. Mô hình FA-LM-ANN cho phân vùng nguy c¡ lũ quét.

So sánh tác đá hái tā giāa FA-LM ANN và LM-ANN. BÁn đã phân vùng nguy c¡ lũ quét khu vực nghiên cứu. Ph°¡ng pháp nghiên cứu PSO-ELM. Giá trá tái °u so vãi vòng lặp trong quá trình huấn luyện mô hình.

Đá khãp căa mô hình PSO-ELM vãi tÃp dā liệu huấn luyện. Hiệu suất dự báo căa mô hình PSO-ELM trên bá dā liệu kiám tra. AUC căa mô hình PSO-ELM. BÁn đã phân vùng nguy c¡ lũ quét khu vực nghiên cứu.

Đ°ång cong phân tách các lãp nguy c¡ lũ quét căa khu vực nghiên cứu. Quy trình xây dựng bÁn đã phân vùng nguy c¡ lũ quét vãi Ensemble Learning. Phân tích ROC, Recall, Precision căa mô hình. BÁn đã phân vùng nguy c¡ lũ quét theo mô hình FURIA-GA- LogitBoost.

BÁn đã phân vùng nguy c¡ lũ quét theo mô hình FURIA-GA- AdaBoost. BÁn đã phân vùng nguy c¡ lũ quét theo mô hình FURIA-GA- Bagging. Phân tích ROC. Tính cÃp thi¿t căa lu¿n án Lũ lāt đứng đầu trong danh sách nhāng thÁm hãa thiên nhiên, bao gãm cÁ sá l°ÿng th°¡ng vong lÁn thiệt h¿i vß tài sÁn [197, 232], đặc biệt là t¿i các khu vực th°ång xuyên cháu Ánh h°çng căa bão và áp thấp nhiệt đãi [50, 173, 227].

Năm 2013, thiệt h¿i do lũ gây ra trên toàn thÁ giãi °ãc tính h¡n 50 tÿ USD [228]. Theo các dự báo, đÁn năm 2050, thiệt h¿i từ lũ có thá tăng lên đáng ká, vãi mức °ãc tính lên đÁn mát nghìn tÿ USD mßi năm do sự tăng đát biÁn vß dân sá và biÁn đổi khí hÃu [50, 101]. Theo báo cáo căa Trung tâm nghiên cứu dách tễ hãc vß thÁm hãa sau thiên tai (Centre for Research on the Epidemiology of Disasters - CRED), Việt Nam thuác khu vực Đông Nam Á, n¡i cháu Ánh h°çng căa bão và áp thấp nhiệt đãi. Báo cáo cho biÁt Việt Nam đ°ÿc xác đánh là mát trong 10 quác gia đứng đầu cháu Ánh h°çng do biÁn đổi khí hÃu [64].

HÃu quÁ, Việt Nam đã liên tāc bá Ánh h°çng nặng do các tai biÁn thiên nhiên gây ra nh° bão và áp thấp nhiệt đãi, lũ lāt và tr°ÿt lç đất. Đặc biệt, chß vãi lũ lāt đã °ãc tính khoÁng 71% dân sá và 59% diện tích đất căa Việt Nam bá Ánh h°çng trong vài năm qua [37, 56, 185, 196]. Tổng thiệt h¿i °ãc tính s¡ bá do bão và lũ trong giai đo¿n 1996-2015 đã chiÁm 0,62% tổng sÁn ph¿m quác nái (GDP) căa Việt Nam. Đißu này t°¡ng đ°¡ng vãi khoÁng 2,12 tÿ USD [134].

Dự báo cho thấy trong các năm tãi, biÁn đổi khí hÃu tiÁp tāc phức t¿p, dÁn đÁn các hiện t°ÿng thåi tiÁt bất th°ång và không theo quy luÃt, nh° bão nhiệt đãi hay m°a lãn bất th°ång gây lũ quét. Do đó, việc nghiên cứu vß lũ lāt đang trç nên ngày càng quan trãng h¡n bao giå hÁt. Đißu này giúp đÁm bÁo sự ổn đánh trong cuác sáng căa cáng đãng dân c°, bÁo vệ tài sÁn, môi tr°ång sáng và nguãn tài nguyên tự nhiên khßi nhāng tác đáng tiêu cực căa biÁn đổi khí hÃu. Nghiên cứu vß lũ lāt 2 không chß đóng vai trò quan trãng trong việc hiáu và dự báo các tác đáng căa biÁn đổi khí hÃu, mà còn cung cấp c¡ sç đá xây dựng các biện pháp phòng ngừa và ứng phó hiệu quÁ đá bÁo vệ cuác sáng và tài sÁn căa ng°åi dân.

Đây là nhiệm vā nằm trong ch°¡ng trình māc tiêu ứng phó vãi biÁn đổi khí hÃu và tăng tr°çng xanh căa Chính phă Việt Nam (QuyÁt đánh Sá: 1670/QĐ-TTg, ngày 31 tháng 10 năm 2017). Trong các lo¿i hình lũ lāt, lũ quét là hiện t°ÿng thiên tai đián hình và khác biệt so vãi lũ th°ång, do tính chất diễn biÁn nhanh vãi c°ång đá m¿nh, th°ång xÁy ra trong khoÁng thåi gian ngÅn, chẳng h¿n d°ãi 6 giå [169]. æ Việt Nam, đặc biệt t¿i các tßnh mißn núi phía BÅc, lũ quét là mát vấn đß th°ång xuyên xÁy ra và nghiêm trãng. Đißu này do Ánh h°çng căa m°a lãn, xái xÁ, hoặc do m°a kéo dài trong các c¡n bão nhiệt đãi kÁt hÿp vãi tính chất đặc thù căa đáa hình nh° chênh cao lãn, đá dác cao và cÅt xẻ sâu.

Ngoài ra, sự phát trián dân sá và gia tăng các ho¿t đáng dân sinh nh° chặt phá rừng và sÿ dāng đất không theo quy ho¿ch trong nhāng năm gần đây đã làm lũ quét có diễn biễn rất khác liệt và mức đá tàn phá cao. Do vÃy, nghiên cứu xây dựng các mô hình dự báo lũ quét nhằm dự báo các khu vực có nguy c¡ xÁy ra lũ quét là yêu cầu hÁt sức cấp thiÁt, từ đó giúp cáng đãng và chính quyßn đáa ph°¡ng chu¿n bá ứng phó tr°ãc thÁm hãa này, đãng thåi giÁm thiáu thiệt h¿i đái vãi ng°åi dân, tài sÁn và môi tr°ång. Đá giÁm thiáu Ánh h°çng tàn phá căa lũ quét, Việt Nam đã thực hiện nhißu nghiên cứu vß vấn đß này. Các nghiên cứu này nhằm xác đánh và dự báo hay cÁnh báo nguy c¡ lũ quét t¿i các khu vực cā thá.

Mát trong nhāng ph°¡ng pháp quan trãng đã đ°ÿc áp dāng là thiÁt lÃp các mô hình không gian và bÁn đã dự báo các khu vực có khÁ năng xÁy ra nguy c¡ lũ quét [74, 139, 147, 225]. Tuy đã có nhißu nghiên cứu vß lũ quét t¿i Việt Nam, nh°ng việc áp dāng các mô hình truyßn tháng đá dự báo lũ quét vÁn gặp phÁi nhißu h¿n chÁ. 3 Các mô hình này th°ång dựa trên sự liên quan giāa thăy văn, thăy lực, dòng chÁy và đáa hình đá xác đánh nguy c¡ lũ quét.