Tóm tắt Luận án Tiến sĩ: Nghiên cứu xây dựng mô hình nguy cơ trượt lở đất sử dụng trí tuệ nhân tạo và dữ liệu địa không gian hỗ trợ công tác vận hành giao thông đường bộ khu vực miền núi phía Bắc Việt Nam

Tình trạng trượt lở đất đang ngày càng gia tăng về tần suất và mức độ nghiêm trọng tại các khu vực miền núi phía Bắc Việt Nam, nơi hệ thống giao thông đường bộ đóng vai trò huyết mạch, đặt ra thách thức lớn đối với an toàn và vận hành. Trong bối cảnh này, nhu cầu về một mô hình cảnh báo sớm nguy cơ trượt lở đất hiệu quả và chính xác trở nên cấp thiết. Sự phát triển mạnh mẽ của công nghệ địa không gian và trí tuệ nhân tạo mang lại cơ hội đột phá, cho phép xây dựng các mô hình cảnh báo có độ chính xác cao và khả năng cập nhật linh hoạt. Do đó, việc tích hợp các công nghệ tiên tiến này để đánh giá và dự báo nguy cơ trượt lở đất là một hướng nghiên cứu có ý nghĩa khoa học và giá trị thực tiễn to lớn, góp phần đảm bảo an toàn giao thông và giảm thiểu thiệt hại.

Các nhà nghiên cứu trong lĩnh vực địa kỹ thuật, viễn thám, trí tuệ nhân tạo, quy hoạch giao thông; các kỹ sư, chuyên gia làm việc tại các cơ quan quản lý đường bộ, phòng chống thiên tai và các tổ chức liên quan đến phát triển hạ tầng và an toàn giao thông.

Nghiên cứu này phát triển một mô hình dự báo nguy cơ trượt lở đất với độ chính xác cao, đặc biệt tập trung vào các tuyến đường bộ huyết mạch tại khu vực miền núi phía Bắc Việt Nam, nhằm hỗ trợ công tác vận hành giao thông và phòng chống thiên tai. Luận án tổng hợp và đánh giá các phương pháp kiểm kê trượt lở đất, dữ liệu địa không gian và thuật toán trí tuệ nhân tạo. Phương pháp nghiên cứu bao gồm việc đề xuất một quy trình kiểm kê trượt lở đất dựa trên ảnh viễn thám đa thời gian (Sentinel-1, Sentinel-2, PlanetScope) và giải đoán địa mạo, cho phép xây dựng chuỗi bản đồ kiểm kê trượt lở đất hàng năm từ 2018-2022. Điều này cải thiện đáng kể tính thời gian và không gian của dữ liệu đầu vào so với phương pháp truyền thống. Bên cạnh đó, luận án cũng nghiên cứu khả năng ứng dụng của các mô hình học máy kết hợp (ví dụ: Random Forest, Extreme Gradient Boosting) trong phân loại lớp phủ bề mặt và tích hợp chúng vào bộ dữ liệu GIS phục vụ mô hình hóa. Điểm đột phá là việc thử nghiệm và đánh giá hiệu quả của thuật toán lai MLP-GB (Multilayer Layer Perceptron - Gradient Boosting), một phương pháp chưa từng được áp dụng rộng rãi trong mô hình nguy cơ trượt lở đất, so sánh với các thuật toán đã có. Kết quả của nghiên cứu không chỉ mang lại giá trị khoa học thông qua việc chứng minh tính hiệu quả của việc tích hợp dữ liệu địa không gian đa nguồn và thuật toán học máy tiên tiến, mà còn có ý nghĩa thực tiễn sâu sắc. Các bản đồ phân vùng nguy cơ trượt lở đất độ chính xác cao được tạo ra sẽ là tài liệu hữu ích cho các cơ quan quản lý giao thông, hỗ trợ quy hoạch và khảo sát nâng cấp hạ tầng đường bộ, đồng thời là cơ sở quan trọng để phát triển các hệ thống cảnh báo sớm, góp phần giảm thiểu thiệt hại do trượt lở đất gây ra cho hệ thống giao thông và cộng đồng tại các khu vực chịu ảnh hưởng.