Luận án Tiến sĩ Kỹ thuật: Nghiên cứu xây dựng mô hình dự báo cho đánh giá rủi ro do xâm nhập mặn ở đồng bằng sông Cửu Long bằng công nghệ địa tin học và trí tuệ nhân tạo

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:219

Thêm vào BST

Báo xấu

6
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận án Tiến sĩ Kỹ thuật "Nghiên cứu xây dựng mô hình dự báo cho đánh giá rủi ro do xâm nhập mặn ở đồng bằng sông Cửu Long bằng công nghệ địa tin học và trí tuệ nhân tạo" trình bày các nội dung chính sau: Cơ sở khoa học xây dựng mô hình dự báo xâm nhập mặn bằng công nghệ địa tin học và trí tuệ nhân tạo; Nghiên cứu phát triển mô hình dự báo xâm nhập mặn; Đánh giá rủi ro thiên tai do xâm nhập mặn.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận án Tiến sĩ Kỹ thuật: Nghiên cứu xây dựng mô hình dự báo cho đánh giá rủi ro do xâm nhập mặn ở đồng bằng sông Cửu Long bằng công nghệ địa tin học và trí tuệ nhân tạo

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT BÙI DUY QUỲNH NGHIÊN CỨU XÂY DỰNG MÔ HÌNH DỰ BÁO CHO ĐÁNH GIÁ RỦI RO DO XÂM NHẬP MẶN Ở ĐỒNG BẰNG SÔNG CỬU LONG BẰNG CÔNG NGHỆ ĐỊA TIN HỌC VÀ TRÍ TUỆ NHÂN TẠO LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội - 2025
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT BÙI DUY QUỲNH NGHIÊN CỨU XÂY DỰNG MÔ HÌNH DỰ BÁO CHO ĐÁNH GIÁ RỦI RO DO XÂM NHẬP MẶN Ở ĐỒNG BẰNG SÔNG CỬU LONG BẰNG CÔNG NGHỆ ĐỊA TIN HỌC VÀ TRÍ TUỆ NHÂN TẠO Ngành: Kỹ thuật Trắc địa - Bản đồ Mã số: 9.520503 LUẬN ÁN TIẾN SĨ KỸ THUẬT Người hướng dẫn khoa học: 1. PGS.TS TRẦN XUÂN TRƯỜNG 2. PGS.TS LƯU THỊ DIỆU CHINH Hà Nội - 2025
i LỜI CAM ĐOAN Tôi xin cam đoan các số liệu, kết quả trong luận án là trung thực và chưa từng được công bố trong bất kỳ công trình nào của các tác giả khác. Việc tham khảo các nguồn tài liệu đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định. Hà Nội, ngày tháng năm 2025 Tác giả luận án Bùi Duy Quỳnh
ii LỜI CẢM ƠN Tác giả xin gửi lời cảm ơn đến Trường Đại học Mỏ - Địa chất, Trường Đại học Xây dựng Hà Nội đã tạo điều kiện thuận lợi cho tác giả trong quá trình nghiên cứu và hoàn thành luận án. Với lòng kính trọng và biết ơn sâu sắc, tác giả xin gửi lời cảm ơn đặc biệt tới hai thầy cô hướng dẫn là PGS. TS Trần Xuân Trường và TS. Lưu Thị Diệu Chinh đã tận tình giúp đỡ tác giả từ những bước đầu tiên xây dựng đề cương nghiên cứu, cũng như trong suốt quá trình nghiên cứu và hoàn thành luận án. Hai thầy cô luôn ủng hộ, động viên và hỗ trợ những điều kiện tốt nhất để tác giả hoàn thành luận án. Tác giả chân thành cảm ơn các thầy cô ở bộ môn Đo ảnh và Viễn thám của trường Đại học Mỏ - Địa chất, bộ môn Trắc địa của trường Đại học Xây dựng Hà Nội, các chuyên gia, các nhà khoa học và các cơ quan hữu quan đã có những góp ý về khoa học cũng như hỗ trợ các nguồn tài liệu, số liệu cho tác giả trong suốt quá trình thực hiện luận án. Tác giả chân thành cảm ơn chủ nhiệm đề tài và các chuyên gia của đề tài “Nghiên cứu phương pháp đánh giá rủi ro xâm nhập mặn có xét tới ảnh hưởng của biến đổi khí hậu” (CT.2022.01.XDA.04) đã tạo điều kiện thuận lợi để tác giả được tham gia nghiên cứu. Tác giả xin chân thành cảm ơn những người thân trong gia đình đã luôn ở bên cạnh, động viên cả về vật chất lẫn tinh thần, giúp tác giả hoàn thành tốt luận án này. Tác giả
iii MỤC LỤC LỜI CAM ĐOAN ................................................................................................................. i LỜI CẢM ƠN....................................................................................................................... ii MỤC LỤC ...........................................................................................................................iii DANH MỤC TỪ VIẾT TẮT ............................................................................................vii DANH MỤC HÌNH VẼ ...................................................................................................... x DANH MỤC BẢNG BIỂU..............................................................................................xiii MỞ ĐẦU .............................................................................................................................. 1 1. Tính cấp thiết của đề tài ......................................................................................1 2. Mục tiêu...............................................................................................................2 3. Nội dung nghiên cứu ...........................................................................................3 4. Đối tượng nghiên cứu..........................................................................................3 5. Phạm vi nghiên cứu .............................................................................................3 6. Phương pháp nghiên cứu .....................................................................................4 7. Những điểm mới của luận án ..............................................................................5 8. Các luận điểm bảo vệ ..........................................................................................5 9. Ý nghĩa khoa học và thực tiễn.............................................................................5 9.1. Ý nghĩa khoa học .............................................................................................5 9.2. Ý nghĩa thực tiễn ..............................................................................................6 10. Cấu trúc luận án ................................................................................................6 CHƯƠNG 1. TỔNG QUAN VỀ CÁC VẤN ĐỀ NGHIÊN CỨU .................................. 7 1.1. Tổng quan về xâm nhập mặn .....................................................................7 1.1.1. Khái niệm ........................................................................................................ 7 1.1.2. Các ảnh hưởng của xâm nhập mặn ............................................................... 8 1.1.3. Các mô hình dự báo xâm nhập mặn truyền thống..................................... 12 1.2. Công nghệ địa tin học và mô hình trí tuệ nhân tạo trong xây dựng mô hình dự báo xâm nhập mặn ...................................................................................16 1.2.1. Khái niệm công nghệ địa tin học................................................................. 16 1.2.2. Khái niệm về mô hình trí tuệ nhân tạo ....................................................... 17
iv 1.2.3. Các nghiên cứu công nghệ địa tin học và mô hình trí tuệ nhân tạo trong xâm nhập mặn................................................................................................................. 20 1.3. Rủi ro thiên tai và các khung lý thuyết đánh giá rủi ro thiên tai ..............26 1.3.1. Rủi ro thiên tai ............................................................................................... 26 1.3.2. Khung lý thuyết đánh giá rủi ro thiên tai .................................................... 27 1.4. Luận giải những vấn đề cần nghiên cứu ..................................................30 1.5. Tiểu kết chương 1.....................................................................................31 CHƯƠNG 2. CƠ SỞ KHOA HỌC XÂY DỰNG MÔ HÌNH DỰ BÁO XÂM NHẬP MẶN BẰNG CÔNG NGHỆ ĐỊA TIN HỌC VÀ TRÍ TUỆ NHÂN TẠO ................... 33 2.1. Dữ liệu địa tin học trong xây dựng mô hình dự báo xâm nhập mặn ........33 2.1.1. Mạng lưới quan trắc mặn ............................................................................. 33 2.1.2. Dữ liệu viễn thám ......................................................................................... 33 2.1.3. Dữ liệu đo độ mặn ........................................................................................ 38 2.1.4. Công cụ Google Earth Engine trong xử lý dữ liệu viễn thám .................. 39 2.1.5. Đề xuất thêm các dữ liệu đầu vào ............................................................... 39 2.2. Các mô hình trí tuệ nhân tạo, chỉ số thống kê, phân tích trong dự báo xâm nhập mặn ...............................................................................................................41 2.2.1. Mô hình trí tuệ nhân tạo ............................................................................... 41 2.2.2. Phương pháp hệ số tương quan r................................................................. 48 2.2.3. Phương pháp BMA trong lựa chọn các nhân tố đầu vào .......................... 49 2.2.4. Các chỉ số đánh giá hiệu suất mô hình dự báo ........................................... 50 2.3. Đánh giá rủi ro thiên tai do xâm nhập mặn ..............................................52 2.3.1. Khung lý thuyết đánh giá rủi ro thiên tai xâm nhập mặn.......................... 52 2.3.2. Xác định trọng số bằng phương pháp phân tích thứ bậc AHP ................. 60 2.3.3. Xác định trọng số theo phương pháp bất cân bằng Iyengar-Sudarshan .. 62 2.4. Tiểu kết chương 2.....................................................................................65 CHƯƠNG 3. NGHIÊN CỨU PHÁT TRIỂN MÔ HÌNH DỰ BÁO XÂM NHẬP MẶN. 66 3.1. Khu vực nghiên cứu .................................................................................66 3.2. Các nguồn dữ liệu địa tin học sử dụng .....................................................67
v 3.2.1. Dữ liệu độ mặn.............................................................................................. 67 3.2.2. Dữ liệu ảnh viễn thám .................................................................................. 68 3.3. Quy trình thực nghiệm .............................................................................69 3.4. Kết quả và thảo luận .................................................................................72 3.4.1. Kết quả xác định hệ số tương r giữa các trạm quan trắc mặn .................. 72 3.4.2. Kết quả lựa chọn các nhân tố đầu vào và mô hình dự báo tối ưu bằng phương pháp BMA ........................................................................................................ 74 3.4.3. Bộ số liệu phát triển mô hình....................................................................... 81 3.4.4. Phát triển mô hình dự báo xâm nhập mặn từ ảnh Landsat 8. ................... 85 3.4.5. Phát triển mô hình dự báo xâm nhập mặn từ ảnh Sentinel-2. .................. 95 3.4.6. Phát triển mô hình dự báo xâm nhập mặn từ ảnh Sentinel-1B ................ 98 3.4.7. Đánh giá độ chính xác mô hình với các dữ liệu đầu vào đề xuất........... 101 3.5. Tiểu kết chương 3...................................................................................101 CHƯƠNG 4. ĐÁNH GIÁ RỦI RO THIÊN TAI DO XÂM NHẬP MẶN................ 103 4.1. Dữ liệu sử dụng ......................................................................................103 4.1.1. Dữ liệu thứ cấp ............................................................................................ 103 4.1.2. Tổng hợp dữ liệu......................................................................................... 103 4.2. Quy trình đánh giá rủi ro xâm nhập mặn ...............................................104 4.3. Kết quả đánh giá .....................................................................................106 4.3.1. Phân tích thống kê ...................................................................................... 106 4.3.2. Xây dựng bản đồ hiểm họa xâm nhập mặn ............................................. 106 4.3.3. Xây dựng bản đồ mức độ phơi bày xâm nhập mặn ................................ 108 4.3.4. Xây dựng chỉ số và bản đồ tính dễ bị tổn thương với xâm nhập mặn ... 113 4.3.5. Xây dựng chỉ số và bản đồ rủi ro thiên tai do xâm nhập mặn ................ 116 4.4. Tiểu kết chương 4...................................................................................118 KẾT LUẬN VÀ KIẾN NGHỊ......................................................................................... 120 DANH MỤC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ ....................................... 122 TÀI LIỆU THAM KHẢO ............................................................................................... 124 PHỤ LỤC ......................................................................................................................... 141
vi Phụ lục 1: Các nghiên cứu xâm nhập mặn ứng dụng công nghệ địa tin học và trí tuệ nhân tạo đã có ................................................................................................142 Phụ lục 2: Dữ liệu đô mặn tại một số trạm quan trắc ..........................................148 Phụ lục 3: Chi tết và số lượng ảnh sử dụng trong luận án ..................................153 Phụ lục 4. Kết quả xác định mối quan hệ tương quan r giữa các trạm đo mặn ..160 Phụ lục 5: Bộ dữ liệu phát triển mô hình xâm nhập mặn ....................................164 Phụ lục 6: Code mô hình dự báo xâm nhập mặn bằng ngôn ngữ Python ...........177 Phụ lục 7. Dữ liệu của các tiêu chí thành phần mức độ phơi bày và mức độ dễ bị tổn thương (mức độ nhạy cảm và năng lực thích ứng). ......................................181 Phụ lục 8. Kết quả tính toán chí số mức độ phơi bày, tính dễ bị tổn thương ......191
vii DANH MỤC TỪ VIẾT TẮT AHP Analytic Hierarchy Process Phân tích thứ bậc AI Artificial Intelligence Mô hình trí tuệ nhân tạo ANN Artificial Neural Network Mạng nơ ron nhân tạo BAR Bagging Regression Mô hình hồi quy đóng gói Bagging BĐKH Biến đổi khí hậu Bidirectional Gated Recurrent BiRNN Mạng nơ ron tái phát hai chiều Unit BMA Bayesian Model Averaging Phương pháp BMA BSA Bird Swarm Algorithm Thuật toán tìm kiếm bầy chim Classification And Regression CART Mô hình phân loại và hồi quy Tree Convolutional Neural CNN Mạng nơ ron tích chập Networks Canopy Response CRSI Chỉ số phản ứng độ mặn Salinity Index ĐBSCL Đồng bằng sông Cửu Long Deep Convolutional Neural DCNNs Mạng nơ ron tích chập sâu Networks DEM Digital Elevation Model Mô hình số độ cao DL Deep Learning Mô hình học sâu EVI Enhanced Vegetation Index Chỉ số thực vật tăng cường Food and Agriculture Tổ chức Lương thực và Nông FAO Organization nghiệp Liên Hợp Quốc Geographic Information GIS Hệ thống thông tin địa lý System Grasshopper Optimization Thuật toán tối ưu hóa đàn châu GOA Algorithm chấu GP Gaussian Processes Quy trình Gaussian Geographically Weighted GWR Mô hình hồi quy có trọng số địa lý Regression Thuật toán tối ưu hóa chim ưng HHO Harris Hawk Optimization Harris Intergovernmental Panel on Ủy ban liên chính phủ về biến đổi IPCC Climate Change khí hậu KH&CN Khoa học và Công nghệ
viii kNN K-Nearest Neighbour Người hàng xóm gần nhất LSTM Long Short-Term Memory Bộ nhớ dài ngắn hạn ML Machine Leaning Mô hình học máy Multi-Layer Perceptron Neural MLPNN Mạng lưới thần kinh nhiều lớp Network MLR Multi Linear Regrssion Mô hình hồi quy đa biến MSA Moth Search Algorithm Thuật toán tìm kiếm bầy bướm đêm MSI Moisture Stress Index Chỉ số độ ẩm Multi-Error-Removed- Mô hình dữ liệu địa hình cải tiến MERIT Improved-Terrain loại bỏ nhiều lỗi NBD Nước biển dâng Normalised Difference NDVI Chỉ số khác biệt thực vật Vegetation Index NGTK Niên giám thống kê NIR Near-Infrared Kênh cận hồng ngoại PCTT Phòng chống thiên tai PSO Particle Swarm Optimization Thuật toán tối ưu bầy đàn Radian Basis Function Neural RBFNN Mạng nơ ron hàm cơ bản Network RF Random Forest Mô hình rừng ngẫu nhiên RNN Recurrent Neural Network Mạng nơ ron tái phát Recurrent Neural Network Mạng nơ ron tái phát cổng tái phát RNN-GRU Gated Recurrent Unit đơn vị Recurrent Neural Network Mạng nơ ron tái phát bộ nhớ ngắn RNN-LSTM Long Short-Term Memory hạn RRTT Rủi ro thiên tai SI Salinity Index Chỉ số độ mặn SSA Sparrow Search Algorithm Thuật toán tìm kiếm bầy chim sẻ SVM Support Vector Machine Mô hình máy hỗ trợ SVR Support Vector Regression Mô hình máy hỗ trợ hồi quy Short-Wave infrared – Hồng ngoại SWIR Short-Wave InfRared sóng ngắn TDBTT Tính dễ bị tổn thương TLĐ Trượt lở đất TTKTTV Trung tâm khí tượng thủy văn
ix United Nations Development Chương trình Phát triển Liên Hợp UNDP Programe Quốc United Nations International UNICEP Quỹ nhi đồng Liên Hợp Quốc Children's Emergency Fund United Nations Office for Chiến lược quốc tế của Liên hợp UNISDR Disaster Risk Reduction quốc về giảm nhẹ thiên tai VSSI Vegetation Soil Salinity Index Chỉ số độ mặn của đất thực vật World Meteorological WMO Tổ chức khí tượng thế giới Organization Extreme Gradient Boosting Mô hình hồi quy tăng cường độ dốc XGBoost R Regression cấp cao XNM Xâm nhập mặn
x DANH MỤC HÌNH VẼ Hình 1.1. Biến đổi khí hậu ảnh hưởng đến lâm nghiệp [33] ........................................... 10 Hình 1.2. Mối liên hệ giữa AI, học máy và học sâu [177]............................................... 17 Hình 1.3. Các bài toán học máy và các ứng dụng [171] .................................................. 18 Hình 1.4. Sơ đồ cấu trúc mạng nơ ron thần kinh đơn giản và mạng nơ ron thần kinh học sâu [174] .............................................................................................................................. 19 Hình 1.5. Khung đánh giá rủi ro của IPCC [95] ............................................................... 26 Hình 1.6. Khung đánh giá rủi ro của Davidson, Bollin và Hidajat, Dewan [60]. .......... 28 Hình 1.7. Rủi ro gồm hiểm họa, tính dễ bị tổn thương và mức độ phơi bày [160]. ....... 28 Hình 1.8. Kết hợp ba thành phần rủi ro: xác suất, yếu tố phơi bày và TDBTT [105]. .. 29 Hình 1.9. Quy trình tổng quát đánh giá tính dễ bị tổn thương ở Việt Nam [110]. ......... 29 Hình 2.1. Đường cong phản xạ phổ của thực vật, nước và đất [131] ............................. 33 Hình 2.2. Đường phản xạ phổ của muối tại các bước sóng khác nhau [112] ................. 34 Hình 2.3. Cấu trúc cây quyết định- Decision Tree ........................................................... 42 Hình 2.4. Cấu trúc mô hình hồi quy đóng gói- Bagging Regression .............................. 43 Hình 2.5. Cấu trúc thuật toán hồi quy rừng ngẫu nhiên – Random Forest Regression . 45 Hình 2.6. Mô phỏng quá trình cập nhật vị trí của các cá thể trong PSO [138]............... 46 Hình 2.7. Sơ đồ của mô hình PSO_Bagging và PSO_RandomForest đề xuất .............. 47 Hình 2.8. Cấu trúc của phương pháp phân tích phân cấp [136] ...................................... 61 Hình 3.1. Phạm vi nghiên cứu XNM tại 6 tỉnh đồng bằng sông Cửu Long ................... 66 Hình 3.2. Vị trí các trạm đo mặn khu vực ĐBSCL .......................................................... 67 Hình 3.3. Quy trình thực nghiệm xây dựng mô hình XNM ............................................ 70 Hình 3.4. Hình ảnh các trạm quan trắc mặn tại thực địa (Nguồn: NCS khảo sát trực tiếp tại ĐBSCL vào tháng 10/2022 và tháng 02/2023) ........................................................... 73 Hình 3.5. Kết quả tổng hợp hệ số tương quan r giữa các trạm quan trắc mặn ............... 73 Hình 3.6. Kết quả tương quan giữa các trạm quan trắc mặn trên nhánh sông Hậu cửa Trần Đề................................................................................................................................ 73 Hình 3.7. Tần suất xuất hiện của các biến được xác định theo phương pháp BMA từ dữ liệu Landsat 8 ...................................................................................................................... 74
xi Hình 3.8. Năm mô hình tốt nhất theo phương pháp BMA với dữ liệu Landsat 8.......... 75 Hình 3.9. Tần suất xuất hiện các biến được xác định theo phương pháp BMA từ dữ liệu Sentinel-2 ............................................................................................................................ 77 Hình 3.10. Năm mô hình tốt nhất theo phương pháp BMA với dữ liệu Sentinel-2 ..... 78 Hình 3.11. Tần suất xuất hiện các biến được xác định theo phương pháp BMA từ dữ liệu Sentinel-1B ......................................................................................................................... 79 Hình 3.12. Năm mô hình tốt nhất theo phương pháp BMA với dữ liệu Sentinel-1B .. 80 Hình 3.13. Kết quả so sánh độ mặn giữa giá trị thực đo và dự báo ngày 06/01/2020 ... 88 Hình 3.14. Kết quả phân vùng xâm nhập mặn ngày 06/01/2020 và ngày 23/02/2020 bằng mô hình PSO_RandomForest (thu nhỏ từ tỷ lệ 1:500 000) ............................................. 89 Hình 3.15. Biểu đồ so sánh tương quan giữa giá trị thực đo và giá trị dự báo từ mô hình cho năm 2021 và 2022. ...................................................................................................... 91 Hình 3.16. Kết quả so sánh độ mặn giữa giá trị thực đo và dự báo ngày 03/01/2020 ... 97 Hình 3.17. Kết quả phân vùng xâm nhập mặn ngày 06/01/2020 bằng mô hình PSO_RandomForest (thu nhỏ từ tỷ lệ 1:500 000) ............................................................ 98 Hình 3.18. Kết quả so sánh độ mặn giữa giá trị thực đo và dự báo ngày 14/01/2020 . 100 Hình 3.19. Kết quả phân vùng xâm nhập mặn bằng mô hình PSO_RandomForest (thu nhỏ từ tỷ lệ 1:500 000) ..................................................................................................... 100 Hình 3.20. Kết quả so sánh mô hình với dữ liệu có và không có biến đề xuất ............ 101 Hình 4.1. Các chỉ thị thành phần của khung đánh giá rủi ro XNM............................... 103 Hình 4.2. Quy trình đánh giá rủi ro thiên tai do XNM................................................... 105 Hình 4.3. Bản đồ nội suy độ mặn ngày 23/02/2020 (thu nhỏ từ tỷ lệ 1:500000) ......... 107 Hình 4.4. Bản đồ mức độ hiểm họa XNM (thu nhỏ từ tỷ lệ 1:500000) ........................ 108 Hình 4.5. Khoảng phân vị và phân cấp của mức độ phơi bày E do XNM ................... 111 Hình 4.6. Bản đồ chỉ số hiểm họa do XNM (thu nhỏ từ tỷ lệ 1:500.000) .................... 112 Hình 4.7. Khoảng phân vị và phân cấp của mức độ nhạy cảm S và tính DBTT V ..... 114 Hình 4.8. Bản đồ chỉ số nhạy cảm do XNM (thu nhỏ từ tỷ lệ 1:500.000).................... 114 Hình 4.9. Bản đồ chỉ số năng lực ứng phó với XNM (thu nhỏ từ tỷ lệ 1:500.000) ..... 115 Hình 4.10. Bản đồ tính dễ bị tổn thương do XNM (thu nhỏ từ tỷ lệ 1:500.000) ......... 116
xii Hình 4.11. Khoảng phân vị và phân cấp chỉ số rủi ro do XNM .................................... 116 Hình 4.12. Bản đồ rủi ro thiên tai do XNM (thu nhỏ từ tỷ lệ 1:500.000) ..................... 117 Hình 4.13. Chỉ số tự tương quan Moran’s I cho dữ liệu rủi ro ...................................... 118
xiii DANH MỤC BẢNG BIỂU Bảng 1.1. Các mô hình thủy lực, thủy văn đã áp dụng tại ĐBSCL ................................ 16 Bảng 2.1. Các chỉ số quang phổ và kênh tỷ số chiết tách từ ảnh Landsat 8. .................. 35 Bảng 2.2. Các chỉ số quang phổ và kênh tỷ số chiết tách từ ảnh Sentinel-2. ................. 36 Bảng 2.3. Các chỉ số biến cấu trúc từ ảnh Sentinel-1B. ................................................... 37 Bảng 2.4. Hệ số tương quan r và ý nghĩa của nó [116, 43] ............................................. 49 Bảng 2.5. Chỉ thị và tiêu chí của thành phần mức độ phơi bày do XNM ....................... 54 Bảng 2.6. Tiêu chí và chỉ thị của thành phần TDBTT do XNM ..................................... 57 Bảng 2.7. Tầm quan trọng khi so sánh cặp tương đối theo đề xuất của Saaty [136] ..... 61 Bảng 2.8. Chỉ số nhất quán ngẫu nhiên [136]................................................................... 62 Bảng 3.1. Dữ liệu độ mặn ở một số thời điểm tại trạm quan trắc Bình Đại [7] ............ 68 Bảng 3.2. Số liệu đầu vào từ ảnh Landsat 8...................................................................... 82 Bảng 3.3. Số liệu đầu vào từ ảnh Sentinel-2 ..................................................................... 84 Bảng 3.4. Số liệu đầu vào từ ảnh Sentinel-1B .................................................................. 86 Bảng 3.5. Bảng thông số các mô hình dự báo XNM với dữ liệu Landsat 8 ................... 87 Bảng 3.6. Kết quả so sánh độ chính xác của mô hình theo dữ liệu Landsat 8. .............. 87 Bảng 3.7. Số liệu dự báo XNM năm 2021, 2022 từ dữ liệu ảnh viễn thám Landsat 8 .. 92 Bảng 3.8. Bảng sai số cho phép Smax trong năm 2021 ................................................... 94 Bảng 3.9. Bảng sai số cho phép Smax trong năm 2022 ................................................... 95 Bảng 3.10. Bảng thông số các mô hình dự báo XNM với dữ liệu Sentinel-2 ................ 96 Bảng 3.11. Kết quả so sánh độ chính xác của mô hình theo dữ liệu Sentinel-2............. 96 Bảng 3.12. Bảng thông số các mô hình dự báo XNM với dữ liệu Sentinel-1B ............. 98 Bảng 3.13. Kết quả so sánh độ chính xác của mô hình theo dữ liệu Sentinel-1B .......... 99 Bảng 4.1. Bảng kết quả phân tích thống kê .................................................................... 106 Bảng 4.2. Bảng giá trị của các tiêu chí trong thành phần E ........................................... 110 Bảng 4.3. Trọng số của các chỉ thị và tiêu chí thuộc thành phần mức độ phơi bày E. 110 Bảng 4.4. Trọng số của các chỉ thị và tiêu chí thuộc thành phần S và AC. .................. 113
1 MỞ ĐẦU 1. Tính cấp thiết của đề tài Trong các năm gần đây, biến đổi khí hậu (BĐKH) đã tạo ra các hình thái thời tiết bất thường, không theo quy luật, trong đó hạn hán, xâm nhập mặn (XNM), mực nước biển dâng, mưa lớn và lũ lụt đã xảy ra ngày càng nghiêm trọng, gây thiệt hại rất lớn đến kinh tế - xã hội [96]. XNM là hiện tượng phổ biến ở các khu vực ven biển, thường được dự báo bằng các mô hình thủy lực thủy văn 1-3 chiều. Tuy nhiên, phương pháp này đòi hỏi chi phí cao, dữ liệu phức tạp và thường chỉ áp dụng cho khu vực nhỏ. Trong bối cảnh biến đổi khí hậu, dữ liệu viễn thám kết hợp với GIS và quan trắc độ mặn ngày càng được sử dụng để giám sát, lập bản đồ phân bố độ mặn theo không gian, thời gian, hỗ trợ cảnh báo sớm, đánh giá rủi ro, và giảm thiểu tác hại của XNM. Theo Ủy ban Liên chính phủ về biến đổi khí hậu (Intergovernmental Panel on Climate Change - IPCC), đánh giá tác động của hiểm họa XNM là xác định thiệt hại tiềm tàng về con người, tài sản, môi trường, cơ sở hạ tầng và kinh tế - xã hội. Quá trình này đòi hỏi thông tin liên ngành, các mô phỏng kịch bản và sự tham gia của chuyên gia nhiều lĩnh vực. Hiện nay, các giải pháp chủ yếu là ứng phó khẩn cấp, chưa bền vững. XNM hình thành từ cả yếu tố tự nhiên và hoạt động con người, thêm vào đó là diễn biến phức tạp của BĐKH, khiến vấn đề khó lường hơn. Do đó, cần dự báo và đánh giá rủi ro toàn diện, lâu dài để giảm thiểu tác động hiệu quả. Với sự phát triển của công nghệ 4.0, trí tuệ nhân tạo, đặc biệt là học máy và học sâu, đang được ứng dụng rộng rãi trong quản lý thiên tai. Các thuật toán học máy giúp xây dựng mô hình dự báo hiểm họa, rủi ro với độ chính xác cao, hạn chế ý kiến chủ quan. Hiện nay, cách tiếp cận này được áp dụng hiệu quả trong dự báo và đánh giá nguy cơ lũ lụt, lũ quét, sạt lở đất dựa trên dữ liệu lớn (big data). Việc xây dựng bản đồ dự báo dựa trên dữ liệu lớn khác biệt đáng kể so với phương pháp truyền thống, do hiểm họa thường là kết quả của nhiều yếu tố phức tạp tương tác. Điều này yêu cầu các thuật toán xử lý dữ liệu phải liên tục cập nhật, phát
2 triển và tự động hóa để cung cấp mô hình dự báo chính xác, đáng tin cậy trên phạm vi không gian và thời gian rộng. Tuy nhiên, việc áp dụng trí tuệ nhân tạo, xây dựng khung lý thuyết đánh giá rủi ro, và thu thập đủ tiêu chí phục vụ đánh giá vẫn là thách thức lớn đối với quản lý, phòng chống và giảm thiểu rủi ro thiên tai. Đồng bằng Sông Cửu Long (ĐBSCL) có hệ thống sông ngòi dày đặc với 37 sông lớn, tổng chiều dài 1.706 km, bao phủ 13 tỉnh, thành phố trên diện tích 3,9 triệu ha, dân số khoảng 19 triệu người. Khu vực này đóng vai trò quan trọng trong sản xuất lương thực, thủy sản, và cây ăn trái, góp phần lớn vào giá trị xuất khẩu quốc gia. Tuy nhiên, do địa hình thấp, nằm cuối nguồn và chịu ảnh hưởng của thủy triều từ biển Đông và Tây, ĐBSCL thường xuyên đối mặt với xâm nhập mặn vào mùa khô, gây thiếu nước ngọt cho sản xuất nông nghiệp và sinh hoạt, đặc biệt ở vùng ven biển. Gần đây, tác động của thời tiết cực đoan, khai thác thượng nguồn và chuyển đổi sản xuất từ lúa sang nuôi tôm làm tình trạng xâm nhập mặn ngày càng nghiêm trọng và khó lường hơn. Xuất phát từ những yêu cầu trên, đề tài “Nghiên cứu xây dựng mô hình dự báo cho đánh giá rủi ro do xâm nhập mặn ở đồng bằng sông Cửu Long bằng công nghệ địa tin học và trí tuệ nhân tạo” đã được Nghiên cứu sinh lựa chọn. Với mục đích nghiên cứu xây dựng mô hình dự báo XNM dòng chảy nước mặt trên hệ thống sông Cửu Long dựa trên cơ sở kết hợp các dữ liệu địa lý, các biến đầu vào được chiết tách từ ảnh viễn thám và đánh giá ảnh hưởng của XNM trên cơ sở ứng dụng công nghệ địa tin học và trí tuệ nhân tạo. Đây là một vấn đề khoa học có tính cấp thiết và thực tiễn cao trong lĩnh vực viễn thám nói chung và quản lý rủi ro thiên tai XNM nói riêng tại Việt Nam. 2. Mục tiêu Mục tiêu nghiên cứu của đề tài là phát triển mô hình dự báo yếu tố không gian XNM dòng chảy nước mặt tại hệ thống sông Cửu Long phục vụ cho đánh giá rủi ro do XNM trên cơ sở ứng dụng công nghệ địa tin học và các mô hình trí tuệ nhân tạo. Cụ thể như sau:
3 - Phát triển được mô hình dự báo về yếu tố không gian XNM dòng chảy nước mặt cho hệ thống sông Cửu Long dựa trên công nghệ địa tin học và trí tuệ nhân tạo. - Đánh giá rủi ro do XNM cho một số tỉnh tại khu vực đồng bằng sông Cửu Long theo quy định của Bộ Tài nguyên và Môi trường. 3. Nội dung nghiên cứu Để đạt được các mục tiêu đề ra, đề tài tập trung nghiên cứu một số nội dung chính sau: - Ứng dụng công nghệ địa tin học trong thu thập, xây dựng các dữ liệu đầu vào cho mô hình dự báo XNM. - Phát triển một số mô hình trí tuệ nhân tạo trong dự báo không gian XNM dòng chảy nước mặt tại hệ thống sông Cửu Long. - Đánh giá hiệu suất và độ chính xác của các mô hình dự báo đã phát triển. - Đánh giá rủi ro do XNM dựa trên phương pháp trọng số bất cân bằng Iyengar-Sudarshan. 4. Đối tượng nghiên cứu Đối tượng nghiên cứu của đề tài: Xâm nhập mặn dòng chảy nước mặt khu vực sông Cửu Long do BĐKH, công nghệ địa tin học (Viễn thám+ GIS), công nghệ trí tuệ nhân tạo, thuật toán xử lý dữ liệu viễn thám và khung đánh giá rủi ro do XNM. 5. Phạm vi nghiên cứu + Về phạm vi không gian: Nghiên cứu tiến hành thực nghiệm dự báo không gian XNM dòng chảy nước mặt tại hệ thống sông Cửu Long và đánh giá rủi ro do XNM tại 6 tỉnh bao gồm: Tiền Giang, Vĩnh Long, Hậu Giang, Bến Tre, Trà Vinh và Sóc Trăng. + Về phạm vi thời gian: Nghiên cứu tiến hành thu thập dữ liệu trong khoảng thời gian mùa khô năm 2019-2020. + Phạm vi nghiên cứu lý thuyết: nghiên cứu lý thuyết cơ bản về phương pháp trí tuệ nhân tạo và lý thuyết về khung đánh giá rủi ro XNM.
4 6. Phương pháp nghiên cứu Các phương pháp chính được thực hiện nhằm đạt được các mục tiêu đề ra trong luận án bao gồm: - Phương pháp điều tra thực địa: Thu thập, chụp ảnh, mô tả các trạm quan trắc, điểm lấy mẫu đo mặn, số liệu đo mặn để xây dựng hệ thống cơ sở dữ liệu đầy đủ, chi tiết và đồng bộ với ảnh viễn thám. Bên cạnh đó, khảo sát hệ thống thủy văn, cống ngăn mặn ở khu vực thực nghiệm phục vụ đánh giá rủi ro do XNM. - Phương pháp thống kê và phân tích dữ liệu: Thống kê tổng hợp, phân tích các dữ liệu mặn thu thập tại các trạm quan trắc, thống kê các thời điểm ảnh của ảnh viễn thám để đồng bộ các dữ liệu đo mặn và các giá trị đo trên ảnh viễn thám. Ngoài ra, phân tích thống kê các dữ liệu từ niên giám thống kê, dữ liệu lượng mưa, dữ liệu dân cư, các dữ liệu liên quan khác phục vụ đánh giá rủi ro do XNM. - Phương pháp trí tuệ nhân tạo: Nhằm phát triển các thuật toán giúp máy tính học từ dữ liệu và tạo ra dự đoán hoặc quyết định. Phương pháp này sử dụng các mô hình đã được huấn luyện để dự báo XNM. - Phương pháp mô hình hóa: Được sử dụng để tạo ra và sử dụng mô hình dự báo XNM cho khu vực nghiên cứu thông qua việc xử lý và phân tích dữ liệu. - Phương pháp viễn thám và GIS: Sử dụng dữ liệu ảnh viễn thám đa thời gian để chiết tách thông tin qua các giá trị đo được trên ảnh phục vụ nghiên cứu về XNM. GIS ngoài các chức năng như thu thập, lưu trữ, thể hiện thông tin thì chức năng phân tích không gian cho phép tính toán, phân tích dựa trên các số liệu để đánh giá sự phân bố về không gian của XNM. Việc chuẩn hóa và xây dựng cơ sở dữ liệu trong GIS dựa trên các kết quả tính toán từ ảnh vệ tinh, phân tích kết hợp với các mô hình tính toán thống kê không gian trong GIS, biên tập bản đồ phân vùng XNM trong GIS.
5 - Phương pháp thực nghiệm: Tiến hành các thử nghiệm để kiểm chứng mô hình dự báo XNM cho khu vực nghiên cứu. - Phương pháp chuyên gia: Thông qua hội thảo, tham vấn ý kiến các chuyên gia, cố vấn khoa học về lĩnh vực trắc địa - bản đồ, khí tượng thủy văn, … để tránh các thiếu sót không đáng có và làm tăng hàm lượng khoa học cũng như tính khả thi của nội dung nghiên cứu trong luận án. 7. Những điểm mới của luận án - Lựa chọn được các dữ liệu địa tin học thích hợp, phục vụ phát triển mô hình dự báo không gian XNM dòng chảy nước mặt trên cơ sở ứng dụng phương pháp học máy theo mô hình thống kê Bayes (Bayesian Model Averaging -BMA). - Phát triển và thực nghiệm được các mô hình học máy kết hợp trong dự báo không gian XNM đối với dòng chảy nước mặt dựa trên dữ liệu địa tin học (dữ liệu viễn thám) đa nguồn. - Đề xuất và sử dụng phương pháp trọng số bất cân bằng Iyengar-Sudarshan trong xác định trọng số cho nhiều tiêu chí đánh giá rủi ro do XNM tới các khía cạnh dân sinh – kinh tế, giúp hạn chế tối đa các ý kiến chủ quan của con người. 8. Các luận điểm bảo vệ Luận điểm 1: Mô hình học máy kết hợp PSO_Bagging và PSO_RandomForest cho phép dự báo không gian XNM dòng chảy nước mặt cho hệ thống sông Cửu Long với độ chính xác cao hơn so với các mô hình học máy đơn lẻ. Luận điểm 2: Đánh giá rủi ro do XNM theo phương pháp trọng số bất cân bằng Iyengar-Sudarshan trên cơ sở xem xét các khía cạnh dân sinh - kinh tế cho thấy mức độ hiệu quả và phù hợp với điều kiện của khu vực nghiên cứu. 9. Ý nghĩa khoa học và thực tiễn 9.1. Ý nghĩa khoa học - Luận án đã đóng góp một số mô hình trí tuệ nhân tạo trong dự báo XNM với mức độ tin cậy cao trong lĩnh vực dự báo không gian XNM dòng chảy nước mặt cho hệ thống sông Cửu Long. Kết quả dự báo xâm nhập mặn của luận án góp phần đa