Từ khóa: Quảng Bình, học máy; nguy cơ trượt lở đất; viễn thám.

Giới thiệu 

Trượt lở đất xảy ra do sự chuyển động nhanh chóng của đất đá là một trong những hiện tượng địa chất nguy hiểm nhất, có tác động rất lớn tới tự nhiên, xã hội và con người [1]. Do mật độ dân số ngày càng tăng và hoạt động khai thác của con người ở những vùng có nguy cơ trượt lở đất cao đã khiến cho số người thiệt mạng do trượt lở đất tăng lên đáng kể trong Thế kỷ 20, xu hướng này vẫn đang tiếp tục tăng lên trong Thế kỷ 21 [2]. Vì vậy, việc phân vùng các khu vực có nguy cơ trượt lở đất cao giúp cho người dân và các cấp chính quyền chủ động trong việc đối phó với thiên thai và giảm thiểu các thiệt hại do chúng gây ra.

Các mô hình học máy và học sâu đã được sử dụng trong các nghiên cứu về trượt lở đất và cũng đã chứng minh được hiệu quả tốt hơn các mô hình thông thường dựa trên kiến thức chuyên gia như analytic hierarchy process (AHP) hoặc dựa trên dữ liệu như frequency ratio (FR) và Shannon Entropy (SE) [3]. Mặc dù, lĩnh vực trí tuệ nhân tạo đã được áp dụng trong nghiên cứu đánh giá nguy cơ trượt lở đất, tuy nhiên hiện chưa có một tiêu chuẩn nào cho việc lựa chọn các mô hình tốt nhất cho từng khu vực cụ thể. Các giải pháp vẫn liên tục được cập nhật nhằm tăng cường kiến thức với đa đạng phương pháp học máy, học sâu, kết hợp các thuật toán tối ưu [3]. 

Trong nghiên cứu này, chúng tôi sử dụng các mô hình học máy phổ biến hiện nay: Cây phân loại và hồi quy CART, (2) Random Forest (RF), và (3) Gradient Tree Boost (GTB), đánh giá và lựa chọn một mô hình có độ chính xác cao nhất để thành lập bản đồ nguy cơ trượt lở đất áp dụng cho tỉnh Quảng Bình. 

Khu vực nghiên cứu 

Khu vực được lựa chọn nghiên cứu là khu vực tỉnh Quảng Bình, đây là khu vực có địa hình đặc trưng là hẹp và dốc thường xuyên hứng chịu những đợt mưa lũ và trượt lở đất. Quảng Bình là một tỉnh miền núi ven biển nằm ở Bắc Trung Bộ Việt Nam, có diện tích tự nhiên là 8.065 km2, trong đó, 85% diện tích tự nhiên là đồi núi. Toàn tỉnh được chia thành: vùng núi cao, vùng đồi và trung du, vùng đồng bằng, vùng cát ven biển. Mùa mưa từ tháng 9 đến tháng 3 năm sau và mùa khô từ tháng 4 đến tháng 8, trong đó, tháng 6,7,8 là ba tháng có nhiệt độ cao nhất.

Dữ liệu 

Dữ liệu thực địa

Trong nghiên cứu hiện tại đã xác định được 267 điểm nguy cơ trên khu vực được khảo sát. Các điểm được lấy mẫu, được xác minh lại trong các đợt thực địa mùa mưa bão năm 2022. Để phục vụ cho mục đích huấn luyện mô hình học máy, 267 điểm được coi là không có nguy cơ xảy ra tai biến địa chất được tạo lập ngẫu nhiên phân bố trên toàn vùng. 

Dữ liệu viễn thám

Kết hợp với tổng quan các công trình nghiên cứu, tiến hành chọn ra 8 yếu tố qan trọng nhất. Để chuẩn hóa, toàn bộ các yếu tố được chuyển đổi thành dạng dữ liệu raster, với hệ tọa độ World Geodetic System (WGS) 1984, phép chiếu phẳng UTM (Universal Transverse Mercator) Vùng 480N (Bắc), với độ phân giải không gian 10 m. 

Độ cao là yếu tố đầu tiên có liên quan trực tiếp đến trượt lở đất. Trong nghiên cứu này sử dụng mô hình số độ cao từ các sản phẩm của vệ tinh ALOS để triết tách giá trị độ cao. 

Độ dốc là yếu tố được đánh giá có trọng số hàng đầu trong các nghiên cứu liên quan đến nguy cơ trượt lở đất và lũ quét. Trong nghiên cứu này, phép phân tích không gian được áp dụng trên mô hình số độ cao để tính toán ra raster giá trị độ dốc. 

Hướng dốc thể hiển hướng của mái dốc. Hướng dốc cũng liên quan đến việc xảy ra các nguy cơ tai biến thiên tai địa chất do ảnh hưởng bởi nắng, gió, điều kiện thực phủ và độ ẩm đất. Hướng dốc có giá trị từ 0 đến 3600 và được chia thành 9 giá trị riêng gồm Bắc, Nam, Đông, Tây, Đông Bắc, Đông Nam, Tây Bắc, Tây Nam, và hướng phẳng. 

Lượng mưa được đánh giá là một trong những nguyên nhân kích hoạt trượt lở đất và lũ quét. Trong nghiên cứu này sử dụng lượng mưa vệ tinh từ các sản phẩm của Climate Hazards Group InfraRed Precipitation with Station Data (CHIRPS). 

Bản đồ chuyên đề đất tỉnh Quảng Bình đã được chuẩn hóa phục vụ nghiên cứu. Bản đồ được xây dựng theo quy chuẩn phân loại đất của FAO/ UNESCO nhưng được bổ sung chi tiết theo hệ thống phân loại của Việt Nam. 

Đới đứt gãy địa chất được nhiều nghiên cứu đánh giá là nguyên nhân hàng đầu liên quan đến tai biến trượt lở và lũ quét. Vì vậy, đường đứt gãy được triết tách và sử dụng chức năng phân tích không gian Euclidean distance để tạo lập raster vùng đệm theo khoảng cách tới đới đứt gãy.

Giá trị chỉ số thực vật đại diện cho mức độ che phủ thực vật trên khu vực nghiên cứu. Nghiên cứu này sử dụng chỉ số thực vật NDVI (Normalized Difference Vegetation Index) được tính toán từ ảnh vệ tinh Sentinel 2 sử dụng kênh cận hồng ngoại (kênh 8) và kênh đỏ (kênh 4) có độ phân giải 10m theo công thức dưới đây: 

Chỉ số khác biệt nước chuẩn hóa ((Normalized Difference Water Index – NDWI) cũng được tích hợp nhằm mục đích xem xét mối quan hệ giữa các khu vực thủy văn có liên quan đến quá trình trượt lở đất và lũ quét. Chỉ số được tính trên ảnh Sentinel 2 sử dụng kênh lục (kênh 3) và kênh cận hồng ngoại (kênh 8):

Thuật toán học máy 

Nghiên cứu lựa chọn và thử nghiệm 03 thuật toán học máy gồm (1) cây phân loại và hồi quy Classification And Regression Tree (CART), (2) Random Forest (RF), và (3) Gradient Tree Boost (GTB).

Đánh giá độ chính xác

Hiệu suất của các mô hình khác nhau được đánh giá bằng cách sử dụng đường cong ROC (Receiver Operating Characteristic). Các chỉ số thống kê chính được sử dụng để đo lường độ chính xác của mô hình là Tỷ lệ dương thực (TPR), Tỷ lệ dương giả (FPR) và chỉ số AUC (Area Under the Curve). TPR, còn được gọi là độ nhạy, phản ánh tỷ lệ các trường hợp dương tính được phân loại chính xác trong số tất cả các trường hợp dương tính, trong khi FPR, còn được gọi là độ đặc hiệu, đo lường khả năng một trường hợp âm tính thực sự được phân loại là âm tính. Phạm vi giá trị của AUC kéo dài từ 0 đến 1. Giá trị truy xuất của AUC càng gần 1 thì hiệu suất của mô hình càng tốt:

Trong đó, dương thực (True Positive - TP) và âm thực (TN – True Negative) lần lượt là các giá trị của pixel trượt lở và không trượt lở đất được phân loại chính xác; âm giả (True Negative - TN) và dương giả (False Positive - FP) lần lượt là các giá trị của pixel trượt lở đất và không trượt lở đất được phân loại không chính xác; P và N là tổng số pixel trượt lở và không trượt lở tương ứng. 

Kết quả và thảo luận

Đường cong ROC và giá trị AUC đã cho thấy, độ chính xác phân loại của mô hình. Theo đó, RF là thuật toán học máy đạt được độ chính xác cao nhất với giá trị AUC = 0,795. Tiếp theo đó là thuật toán GTB với giá trị AUC thấp hơn một chút 0.789. Cuối cùng là thuật toán CART với giá trị AUC = 0,706. Mặc dù, sai khác về độ chính xác của các thuật toán dựa trên giá trị AUC không nhiều, tuy nhiên, đường cong ROC cho thấy, mô hình CART có độ chính xác tương đối thấp hơn so với hai mô hình còn lại là RF và GTB. Điều này được lý giải bởi CART là thuật toán hồi quy dựa trên 1 nhân. Nghiên cứu sẽ sử dụng mô hình có độ chính xác cao nhất, thuật toán RF để thành lập bản đồ nguy cơ trượt lở

Hình 1. Đánh giá độ chính xác của các các mô hình dự báo 

Các thuật toán RF, CART và, GTB đều là các thuật tóa dựa trên cây quyết định. Vì vậy, có thể phân tích được mức độ quan trọng của từng biến số cho mô hình. Có thể thấy, trong khi phương pháp RF phân phối đều mức độ đóng góp của các biến số trong mô hình, phương pháp GTB chỉ ra chỉ số NDVI có mức độ đóng góp quan trọng nhất, trong khi đất và độ dốc là hai yếu tố đóng góp quan trọng nhất cho mô hình CART. 

Hình 2. Mức độ quan trọng của các yếu tố đóng góp cho việc xây dựng mô hình cảnh bảo nguy cơ trượt lở và lũ quét

Bản đồ nguy cơ trượt lở được thành lập dựa trên mô hình RF, phương pháp phân ngưỡng Natural Break cho thấy, các vùng núi cao là nơi có nguy cơ cao nhất. Trong khi đó các khu vực ven biển có nguy cơ rất thấp. Thống kê diện tích cho thấy, phần trăm diện tích tỉnh Quảng Bình có nguy cơ rất thấp đạt 16,89%, nguy cơ thấp đạt 21,03%, nguy cơ trung bình đạt 24,38%, nguy cơ cao đạt 24,03%, và nguy cơ rất cao chiếm 13,67%.

Hình 3. Bản đồ và thống kê diện tích (%) theo các mức độ nguy cơ trượt lở đất tỉnh Quảng Bình dựa trên phương pháp phân ngưỡng natural break

Kết luận

Nghiên cứu chứng minh khả năng dự báo thành công mô hình nguy cơ xảy ra tai biến thiên tai địa chất cho khu vực vùng núi ven biển Việt Nam thông qua các mô hình học máy tiên tiến. 8 yếu tố đầu vào độc lập để xây dựng mô hình đã được trình bày gồm độ cao, độ dốc, hướng dốc, lượng mưa, đất, khoảng cách tới đới đứt gãy, NDVI, và NDWI. Các mô hình học máy được ứng dụng bao gồm RF, CART, GTB. Cần nghiên cứu thêm để cải thiện hiểu biết của chúng tôi liên quan đến ảnh hưởng của các yếu tố điều hòa khác nhau, yếu tố không gian đầu vào, phương pháp lấy mẫu dữ liệu, kỹ thuật tiên tiến và khả năng chuyển đổi mô hình để phân tích không gian quy mô lớn. Nghiên cứu đã đóng góp vào lĩnh vực phân vùng nhạy cảm trượt lở đất dựa trên GIS ở Việt Nam, tạo khả năng cảnh báo sớm các nguy cơ thảm họa và các nỗ lực giảm thiểu không chỉ dựa trên kiến thức mà còn bằng chứng thống kê, đặc biệt trong bối cảnh biến đổi khí hậu không chắc chắn trong tương lai.

Lời cảm ơn: Nghiên cứu này được hỗ trợ bởi Đề tài: “Xây dựng quy trình cảnh báo sớm lũ quét và sạt lở đất do mưa diện rộng tích hợp các công nghệ mới cho tỉnh Quảng Bình, nâng cao khả năng thích ứng và chống chịu của cộng đồng dân cư với biến đổi khí hậu”, Mã số nhiệm vụ: CT0000.10/21-23 do Viện Hàn lâm Khoa học và Công nghệ Việt Nam cấp kinh phí.

Tài liệu tham khảo

1.    Highland, L. M., and Bobrowsky, P. (2008). The landslide Handbook - a guide to understanding landslides. Reston, VA: US Geological Survey Circular;

2.    Froude, M. J., and Petley, D. N. (2018). Global fatal landslide occurrence from 2004 to 2016. Nat. Hazards Earth Syst. Sci. 18, 2161–2181. doi:10.5194/nhess-18-2161-2018;

3.    Hoa PV, Tuan NQ, Hong PV, Thao GTP and Binh NA (2023) GIS-based modeling of landslide susceptibility zonation by integrating the frequency ratio and objective–subjective weighting approach: a case study in a tropical monsoon climate region. Front. Environ. Sci. 11:1175567. doi: 10.3389/fenvs.2023.1175567.

PHẠM VIỆT HÒA, NGUYỄN NGỌC ẨN, NGUYỄN CAO HANH, NGUYỄN AN BÌNH

Viện Địa lý tài nguyên TP. Hồ Chí Minh, Viện Hàn lâm Khoa học và Công nghệ Việt Nam

Nguồn: Tạp chí Tài nguyên và Môi trường số 23 (Kỳ 1 tháng 12) năm 2023