Luận án Tiến sĩ: Nghiên cứu phát triển phương pháp học máy kết hợp thông tin không gian cho bài toán phân loại chất lượng nước ngầm

Chất lượng nước uống an toàn là một thách thức toàn cầu cấp bách, ảnh hưởng đến sức khỏe cộng đồng, tính bền vững môi trường và phát triển kinh tế. Khi dân số toàn cầu tăng lên, áp lực lên tài nguyên nước ngày càng lớn, và khoảng hai tỷ người vẫn thiếu nước uống được quản lý an toàn. Các phương pháp đánh giá chất lượng nước truyền thống, dựa vào lấy mẫu thủ công và phân tích phòng thí nghiệm, tỏ ra kém hiệu quả và không thể mở rộng quy mô, đặc biệt ở các khu vực hạn chế về tài nguyên. Trong bối cảnh này, các phương pháp học máy (ML) và học sâu (DL) hiện đại nổi lên như công cụ mạnh mẽ để dự đoán chất lượng nước. Tuy nhiên, chúng thường gặp phải hạn chế nghiêm trọng là "mù không gian", bỏ qua mối tương quan không gian giữa các mẫu, dẫn đến các dự đoán không đáng tin cậy. Nghiên cứu này nhằm giải quyết vấn đề này bằng cách phát triển một khung học máy không gian kết hợp (ensemble spatial machine learning) mới, được tối ưu hóa để phân loại khả năng uống được của nước ngầm một cách chính xác và đáng tin cậy, đặc biệt nhấn mạnh tầm quan trọng của bối cảnh không gian.

Nghiên cứu sinh, học giả, kỹ sư, và nhà quản lý tài nguyên nước trong các lĩnh vực học máy, hệ thống thông tin địa lý, chất lượng nước và thủy văn.

Nghiên cứu này trình bày một khung học máy không gian kết hợp tiên tiến để phân loại khả năng uống được của nước ngầm, giải quyết những hạn chế cố hữu của các phương pháp đánh giá chất lượng nước truyền thống và các mô hình học máy hiện có. Các phương pháp truyền thống thường kém hiệu quả, chậm và không thể mở rộng, trong khi nhiều mô hình AI bỏ qua sự tương quan không gian, dẫn đến các dự đoán không chính xác và thiếu khả năng khái quát hóa. Để khắc phục điều này, luận án đề xuất một phương pháp tổng hợp kết hợp học máy định lượng với phân tích không gian định tính, bao gồm các giai đoạn thu thập và tiền xử lý dữ liệu, phát triển mô hình, trực quan hóa không gian địa lý và đánh giá mô hình. Các mô hình lai mới, AI-LGBM và PSO-SCNN (Particle Swarm Optimized Spatial Convolutional Neural Network), được thiết kế để đạt được độ chính xác dự đoán vượt trội bằng cách tích hợp trí thông minh không gian. Cụ thể, PSO-SCNN là một đổi mới về phương pháp luận, kết hợp tính năng trích xuất không gian dựa trên học sâu với tối ưu hóa tiến hóa. Khung này đã đạt được độ chính xác lên tới 98,8%, vượt trội so với các phương pháp truyền thống từ 8-13%. Nó cung cấp các công cụ thiết thực cho quản lý tài nguyên nước, bao gồm bản đồ không gian độ phân giải cao để xác định các điểm nóng ô nhiễm, tạo điều kiện phát hiện ô nhiễm sớm và tối ưu hóa phân bổ nguồn lực. Ngoài ra, khả năng mở rộng toàn cầu của khung cho phép tích hợp các thuộc tính địa phương và sử dụng học chuyển giao, giúp ứng dụng hiệu quả trong các môi trường mới, ngay cả khi dữ liệu hạn chế. Công trình này đóng góp đáng kể vào lĩnh vực thủy thông tin học bằng cách cung cấp một giải pháp mạnh mẽ, có thể mở rộng và minh bạch cho việc phân loại chất lượng nước ngầm.