Luận án TS: Viễn thám và GIS dự báo biến động bề mặt không thấm TP.HCM

Tổng quan về luận án

Luận án này tập trung vào một trong những thách thức môi trường đô thị cấp bách nhất hiện nay: sự biến động của bề mặt không thấm (impervious surface) và tác động của nó. Trong bối cảnh đô thị hóa nhanh chóng, đặc biệt tại các đô thị lớn ở Việt Nam như Thành phố Hồ Chí Minh, việc giám sát và dự báo sự gia tăng của bề mặt không thấm là vô cùng cần thiết. Các bề mặt không thấm, bao gồm đường giao thông, vỉa hè, bãi đậu xe và mái nhà, không chỉ là thước đo của quá trình đô thị hóa mà còn là yếu tố chính ảnh hưởng đến chất lượng môi trường đô thị, gây ra các vấn đề như ngập lụt, ô nhiễm nguồn nước và hiện tượng đảo nhiệt đô thị (Urban Heat Island – UHI) [75], [123].

Research Gap SPECIFIC với citations từ literature

Mặc dù có nhiều nghiên cứu trong nước đã ứng dụng công nghệ viễn thám (Remote Sensing - RS) và hệ thống thông tin địa lý (Geographical Information System - GIS) để phân loại và theo dõi biến động bề mặt không thấm, phần lớn các nghiên cứu này chỉ dừng lại ở việc xác định hiện trạng và thay đổi giữa các thời điểm khác nhau. Như luận án đã chỉ rõ, "Mặc dù đã có một số nghiên cứu trong nước đề cập đến vấn đề này, tuy nhiên các nghiên cứu chỉ mới tập trung phân loại bề mặt không thấm từ ảnh viễn thám và xác định các biến động giữa các thời điểm khác nhau." Điều này để lại một khoảng trống đáng kể trong việc phát triển các mô hình dự báo không gian và thời gian của sự gia tăng bề mặt không thấm. Một cách cụ thể, "Cho đến nay, chưa có nghiên cứu nào ở Việt Nam sử dụng công nghệ viễn thám và GIS nhằm mô hình hóa sự biến động bề mặt không thấm và dự báo sự gia tăng bề mặt không thấm ở các đô thị về cả diện tích và không gian." Khoảng trống này đặc biệt nghiêm trọng ở các thành phố lớn như Thành phố Hồ Chí Minh, nơi quá trình đô thị hóa mạnh mẽ làm cho sự mở rộng bề mặt không thấm diễn ra nhanh chóng, gây ra những hệ quả tiêu cực đáng kể đến môi trường và cuộc sống con người.

Research questions và hypotheses

Luận án hướng tới việc giải quyết khoảng trống nghiên cứu này thông qua các câu hỏi và giả thuyết sau:

1. RQ1: Làm thế nào để xây dựng một bộ dữ liệu đầu vào toàn diện và phù hợp từ dữ liệu viễn thám, GIS và các số liệu thống kê để mô hình hóa sự biến động bề mặt không thấm tại Thành phố Hồ Chí Minh?
2. RQ2: Phương pháp phân loại ảnh viễn thám nào, bao gồm các thuật toán học máy, đạt độ chính xác cao nhất trong việc chiết xuất thông tin bề mặt không thấm cho khu vực nghiên cứu?
3. RQ3: Mô hình dự báo tích hợp nào (kết hợp mô hình toán học và kỹ thuật học máy) có thể dự báo chính xác sự biến động bề mặt không thấm về cả diện tích và không gian trong tương lai tại Thành phố Hồ Chí Minh?

Hypotheses:

1. H1: Dữ liệu viễn thám đa thời gian cùng với các lớp thông tin bổ sung (mật độ che phủ thực vật, nhiệt độ bề mặt, độ cao, khoảng cách tới đường giao thông, thủy hệ, công trình đặc biệt, mật độ dân cư) có thể được tích hợp thành công để xây dựng một bộ dữ liệu đầu vào phù hợp cho mô hình dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh.
2. H2: Các thuật toán học máy như Random Forest (RF), Support Vector Machine (SVM) và Artificial Neural Network (ANN) sẽ vượt trội hơn các phương pháp phân loại truyền thống như Maximum Likelihood trong việc chiết xuất thông tin bề mặt không thấm từ ảnh Landsat, đặc biệt là trong môi trường đô thị phức tạp.
3. H3: Sự kết hợp giữa mô hình Cellular Automata (CA) và các kỹ thuật học máy (đặc biệt là ANN) sẽ cung cấp một mô hình dự báo biến động bề mặt không thấm với độ chính xác cao hơn so với các phương pháp đơn lẻ, thể hiện qua hệ số tương quan đáng kể so với kết quả phân loại thực tế.

Theoretical framework với tên theories cụ thể

Khung lý thuyết của luận án được xây dựng dựa trên sự tích hợp của ba lĩnh vực chính: Lý thuyết Viễn thám (Remote Sensing Theory), Lý thuyết Hệ thống thông tin Địa lý (GIS Theory) và Lý thuyết Mô hình hóa hệ thống phức tạp (Complex Systems Modeling Theory). Trong đó, các lý thuyết cụ thể được áp dụng bao gồm:

• Lý thuyết phổ phản xạ (Spectral Reflectance Theory): Được sử dụng để chiết xuất thông tin bề mặt không thấm từ dữ liệu ảnh vệ tinh Landsat đa phổ, dựa trên sự khác biệt trong phản ứng phổ của các loại vật liệu bề mặt khác nhau (Zha et al., 2003).
• Lý thuyết Học máy (Machine Learning Theory): Các thuật toán như Random Forest (Breiman, 2001), Support Vector Machine (Cortes & Vapnik, 1995), và Artificial Neural Network (McCulloch & Pitts, 1943) được sử dụng để phân loại bề mặt không thấm và mô hình hóa mối quan hệ phức tạp giữa các yếu tố ảnh hưởng.
• Lý thuyết Cellular Automata (CA Theory): Đây là một mô hình toán học rời rạc được sử dụng rộng rãi để mô phỏng các hệ thống phức tạp, đặc biệt là sự thay đổi sử dụng đất và mở rộng đô thị (Batty & Longley, 1994). CA cho phép mô phỏng sự biến động bề mặt không thấm dựa trên các quy tắc chuyển đổi cục bộ và tương tác với các ô lân cận.
• Lý thuyết Hồi quy Logistic (Logistic Regression Theory): Được sử dụng để phân tích xác suất xảy ra một sự kiện (ví dụ: chuyển đổi thành bề mặt không thấm) dựa trên một tập hợp các biến độc lập, là cơ sở để xác định trọng số ảnh hưởng của các yếu tố đầu vào trong mô hình CA-ML (Hosmer & Lemeshow, 2000).

Đóng góp đột phá với quantified impact

Luận án mang lại những đóng góp đột phá về mặt lý thuyết và thực tiễn với tác động định lượng rõ ràng:

1. Phát triển mô hình dự báo tích hợp CA-ANN: Đóng góp chính là việc "Lựa chọn được mô hình dự báo sự biến động bề mặt không thấm từ dữ liệu viễn thám và GIS trên cơ sở kết hợp phương pháp mô hình toán học Cellular Automata (CA) và mạng neural nhân tạo (ANN) ứng dụng cho khu vực Thành phố Hồ Chí Minh." Điều này cung cấp một công cụ mạnh mẽ hơn để hiểu và dự đoán xu hướng mở rộng đô thị so với các phương pháp truyền thống. Độ chính xác của mô hình này được định lượng thông qua "hệ số tương quan so với kết quả phân loại đạt 0,715," minh chứng cho khả năng dự báo đáng tin cậy.
2. Xây dựng bộ dữ liệu đầu vào đa chiều chuẩn hóa: Luận án đã "Đề xuất và xây dựng được bộ dữ liệu đầu vào từ dữ liệu viễn thám và GIS cùng các số liệu thống kê phục vụ xây dựng mô hình dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh." Bộ dữ liệu này bao gồm mật độ che phủ thực vật, nhiệt độ bề mặt, độ cao, khoảng cách tới đường giao thông, thủy hệ, công trình đặc biệt và mật độ dân cư, cung cấp một khung dữ liệu chi tiết chưa từng có cho nghiên cứu biến động bề mặt không thấm tại Việt Nam.
3. Nâng cao độ chính xác phân loại bề mặt không thấm: Thông qua việc thử nghiệm và lựa chọn phương pháp phân loại ảnh viễn thám tiên tiến, luận án đã đạt được độ chính xác cao trong việc chiết xuất thông tin bề mặt không thấm từ dữ liệu ảnh vệ tinh Landsat đa thời gian. Kết quả chi tiết về độ chính xác tổng thể (Overall Accuracy) và chỉ số Kappa (Kappa Coefficient) từ việc so sánh các thuật toán RF, SVM, CART và Maximum Likelihood sẽ cho thấy sự cải thiện đáng kể so với các phương pháp truyền thống.
4. Cung cấp thông tin dự báo chiến lược cho quy hoạch: Luận án cung cấp các bản đồ dự báo phân bố bề mặt không thấm cho các năm 2025 và 2030. Những thông tin này "Cung cấp thông tin kịp thời và có độ chính xác cao về xu thế biến động bề mặt không thấm, cả về diện tích và không gian," có tiềm năng định hình các "quyết sách hợp lý nhằm làm giảm tối đa các ảnh hưởng tiêu cực tới các hoạt động của con người và môi trường sống."

Scope (sample size, timeframe) và significance

Phạm vi nghiên cứu không gian của luận án là toàn bộ khu vực Thành phố Hồ Chí Minh. Về phạm vi thời gian, nghiên cứu sử dụng dữ liệu ảnh vệ tinh Landsat cho ba thời điểm cụ thể: năm 2010, 2015 và 2020. Trên cơ sở phân tích dữ liệu này, mô hình được xây dựng để dự báo sự biến động bề mặt không thấm cho các năm 2025 và 2030.

Ý nghĩa khoa học của luận án nằm ở việc "góp phần hoàn thiện cơ sở khoa học và minh chứng tính hiệu quả của phương pháp ứng dụng dữ liệu viễn thám, GIS và phương pháp mô hình hóa trong dự báo biến động bề mặt không thấm khu vực đô thị." Về ý nghĩa thực tiễn, kết quả nghiên cứu là một nguồn thông tin có giá trị cao cho các nhà quản lý, quy hoạch đô thị và các nhà hoạch định chính sách tại Thành phố Hồ Chí Minh nói riêng và các đô thị khác ở Việt Nam nói chung, giúp họ đưa ra các quyết định dựa trên bằng chứng để phát triển đô thị bền vững.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể

Nghiên cứu về bề mặt không thấm đã phát triển mạnh mẽ trên thế giới, tập trung vào hai dòng chính: (1) kỹ thuật chiết xuất và giám sát bề mặt không thấm từ dữ liệu viễn thám, và (2) mô hình hóa và dự báo biến động bề mặt không thấm.

Trong dòng nghiên cứu thứ nhất, các phương pháp chiết xuất đã tiến hóa từ phân loại truyền thống dựa trên điểm ảnh (per-pixel classification) như thuật toán xác suất cực đại (Maximum Likelihood) được sử dụng bởi Haack và Jacces (1985) hay Lillesand và Kiefer (1987), sang các phương pháp phức tạp hơn như phân loại hướng đối tượng (object-oriented classification) (Blaschke, 2010; Im et al., 2008), đặc biệt hiệu quả với ảnh độ phân giải cao. Một bước tiến quan trọng là việc phát triển các chỉ số phổ (spectral indices) để chiết xuất bề mặt không thấm. Ridd (1995) đã đề xuất mô hình V-I-S (Vegetation-Impervious surface-Soil) và Kawamura et al. (1996) giới thiệu chỉ số đô thị (Urban Index - UI). Zha et al. (2003) đã phát triển Chỉ số khác biệt đất xây dựng (Normalized Difference Built-up Index - NDBI) sử dụng Landsat TM kênh 4 và 5, áp dụng thành công tại Nam Kinh, Trung Quốc. As-Syakur et al. (2012) đề xuất chỉ số đất xây dựng và đất trống tăng cường (Enhanced Built-up and Bareness Index - EBBI) cho Bali, Indonesia. Gần đây, các thuật toán học máy (Machine Learning - ML) như Random Forest (RF), Support Vector Machine (SVM) và Artificial Neural Network (ANN) đã chứng tỏ hiệu quả vượt trội trong phân loại bề mặt không thấm do khả năng xử lý dữ liệu phức tạp và giảm thiểu lỗi lẫn phổ (Chen et al., 2015; Belgiu & Drăguţ, 2016).

Dòng nghiên cứu thứ hai tập trung vào mô hình hóa và dự báo. Nhiều nghiên cứu đã sử dụng các mô hình dựa trên Cellular Automata (CA), thường kết hợp với các kỹ thuật khác. Ví dụ, Li và Yeh (2002) đã kết hợp CA với Markov chain để mô phỏng sự mở rộng đô thị. Tuy nhiên, việc tích hợp CA với các kỹ thuật học máy tiên tiến như ANN hoặc Hồi quy Logistic (Logistic Regression) để dự báo biến động bề mặt không thấm vẫn là một hướng nghiên cứu cần được khám phá sâu hơn, đặc biệt trong bối cảnh cụ thể của Việt Nam.

Contradictions/debates với ít nhất 2 opposing views

Trong lĩnh vực phân loại bề mặt không thấm, tồn tại một số tranh luận về phương pháp tối ưu.

• Độ phân giải không gian của dữ liệu: Một số nghiên cứu cho rằng ảnh độ phân giải cao (ví dụ, QuickBird, WorldView) là cần thiết để đạt độ chính xác cao trong việc phân biệt các thành phần đô thị nhỏ lẻ (Im et al., 2008), sử dụng phương pháp phân loại hướng đối tượng. Ngược lại, những nhà nghiên cứu khác, như Gong et al. (2020) và Colstoun et al. (2015), đã chứng minh rằng dữ liệu Landsat độ phân giải trung bình (30m) vẫn có thể được sử dụng hiệu quả để lập bản đồ bề mặt không thấm ở quy mô toàn cầu hoặc khu vực rộng lớn, đặc biệt khi kết hợp với các thuật toán học máy tiên tiến và nền tảng điện toán đám mây như Google Earth Engine (GEE). Họ lập luận rằng dữ liệu độ phân giải cao đắt đỏ, khó xử lý trên diện rộng và gặp vấn đề với bóng đổ hoặc nhầm lẫn phổ trong môi trường đô thị phức tạp (Li et al., 2017). Luận án này ủng hộ quan điểm thứ hai bằng cách tận dụng dữ liệu Landsat miễn phí và GEE để giải quyết bài toán quy mô lớn.
• Hiệu quả của các phương pháp phân loại: Có những tranh luận về hiệu quả tương đối của các thuật toán phân loại. Các phương pháp truyền thống như Maximum Likelihood Classifier (MLC) thường đơn giản và nhanh chóng nhưng dễ bị ảnh hưởng bởi vấn đề lẫn phổ (mixed pixels) trong môi trường đô thị, dẫn đến độ chính xác thấp hơn (Lillesand & Kiefer, 1987). Ngược lại, các thuật toán học máy như Random Forest (RF) và Support Vector Machine (SVM) đã được chứng minh là mạnh mẽ hơn trong việc xử lý dữ liệu phi tuyến tính và đạt độ chính xác cao hơn (Belgiu & Drăguţ, 2016). Tuy nhiên, các thuật toán học máy đòi hỏi tập dữ liệu huấn luyện lớn và chất lượng cao, đồng thời cần tối ưu hóa tham số phức tạp hơn (Zhang et al., 2016). Luận án này thực hiện một sự so sánh chặt chẽ giữa các phương pháp này để lựa chọn phương pháp tối ưu, cho thấy một cách tiếp cận dựa trên bằng chứng để giải quyết tranh luận này.

Positioning trong literature với specific gap identified

Luận án này định vị mình trong lĩnh vực nghiên cứu biến động bề mặt không thấm bằng cách tập trung vào mô hình hóa và dự báo không gian sử dụng công nghệ viễn thám và GIS, kết hợp các kỹ thuật học máy tiên tiến. Cụ thể, nó giải quyết một khoảng trống đáng kể trong tài liệu khoa học Việt Nam khi "chưa có nghiên cứu nào ở Việt Nam sử dụng công nghệ viễn thám và GIS nhằm mô hình hóa sự biến động bề mặt không thấm và dự báo sự gia tăng bề mặt không thấm ở các đô thị về cả diện tích và không gian." Bằng cách tích hợp mô hình Cellular Automata (CA) với Mạng nơ-ron nhân tạo (ANN), luận án không chỉ theo dõi mà còn chủ động dự đoán xu hướng mở rộng của bề mặt không thấm.

How this advances field với concrete contributions

Nghiên cứu này thúc đẩy lĩnh vực bằng cách:

• Phát triển một khung dự báo tiên tiến: Tích hợp CA với ANN, tạo ra một mô hình mạnh mẽ hơn cho dự báo đô thị so với các mô hình CA-Markov truyền thống hoặc các phương pháp học máy đơn lẻ. Điều này được minh chứng qua Luận điểm 2, nêu rõ "Mô hình toán học Cellular Automata (CA) kết hợp mạng nơ ron nhân tạo (ANN) giúp dự báo xu thế biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh với độ chính xác cao, trong đó hệ số tương quan so với kết quả phân loại đạt 0,715."
• Tận dụng điện toán đám mây quy mô lớn: Sử dụng Google Earth Engine (GEE) và ngôn ngữ Java để xử lý dữ liệu viễn thám đa thời gian trên diện rộng, vượt qua các hạn chế về phần cứng và thời gian của phương pháp truyền thống. Đây là một bước tiến quan trọng trong ứng dụng công nghệ viễn thám cho các bài toán đô thị quy mô lớn.
• Xây dựng bộ dữ liệu tổng hợp: Đề xuất một bộ dữ liệu đầu vào đa dạng, bao gồm các yếu tố tự nhiên (mật độ che phủ thực vật, nhiệt độ bề mặt, độ cao, khoảng cách tới thủy hệ) và kinh tế-xã hội (mật độ dân cư, khoảng cách tới đường giao thông, công trình đặc biệt), cung cấp một nền tảng dữ liệu toàn diện cho các nghiên cứu tương lai.

So sánh với ÍT NHẤT 2 international studies

1. So sánh với nghiên cứu của Liu et al. (2013) tại Thâm Quyến (Trung Quốc): Nghiên cứu của Liu và cộng sự đã sử dụng ảnh vệ tinh Landsat TM để chiết xuất thông tin bề mặt không thấm và đánh giá mối quan hệ với các thông số chất lượng nước thông qua hồi quy tuyến tính. Kết quả của họ cho thấy mối tương quan cao (hệ số R2 > 0.8) giữa bề mặt không thấm và chất lượng nước, đồng thời chỉ ra ngưỡng 36,9% mật độ bề mặt không thấm có thể gây ảnh hưởng tiêu cực. Trong khi nghiên cứu của Liu tập trung vào mối quan hệ hiện tại và ngưỡng tác động, luận án này của Phạm Văn Tùng tiến xa hơn bằng cách không chỉ chiết xuất và đánh giá biến động mà còn mô hình hóa và dự báo xu thế biến động bề mặt không thấm trong tương lai về cả diện tích và không gian, sử dụng các kỹ thuật học máy tiên tiến hơn và tích hợp CA.
2. So sánh với nghiên cứu của Sati và Mohan (2018) tại Ấn Độ: Nghiên cứu này đã sử dụng dữ liệu viễn thám giai đoạn 1972-2014 để đánh giá sự thay đổi diện tích đất xây dựng ở vùng thủ đô Ấn Độ, cho thấy diện tích bề mặt không thấm tăng 17 lần và nhiệt độ bề mặt tăng 3-5 độ. Mặc dù Sati và Mohan cung cấp bằng chứng về sự thay đổi lịch sử và tác động đến nhiệt độ, họ không đi sâu vào việc phát triển một mô hình dự báo không gian cụ thể cho tương lai. Luận án hiện tại của Phạm Văn Tùng, ngoài việc xác định biến động, đã phát triển và kiểm định một mô hình CA-ANN để dự báo chi tiết phân bố không gian của bề mặt không thấm cho các năm 2025 và 2030, cung cấp công cụ dự đoán hữu ích hơn cho quy hoạch đô thị so với việc chỉ đánh giá xu hướng lịch sử.
3. So sánh với nghiên cứu của Colstoun và cộng sự (2015) và Gong và cộng sự (2020) về bản đồ bề mặt không thấm toàn cầu: Các nghiên cứu này đã lập bản đồ bề mặt không thấm toàn cầu hàng năm (GMIS) sử dụng dữ liệu Landsat và GEE, cung cấp các bộ dữ liệu quy mô lớn (ví dụ, diện tích bề mặt không thấm toàn thế giới đạt 797.076 km2 vào năm 2018 theo Gong et al.). Mặc dù các công trình này rất quan trọng trong việc xây dựng cơ sở dữ liệu và hiểu biết về biến động ở cấp độ vĩ mô, chúng thường tập trung vào việc lập bản đồ và giám sát sự thay đổi đã xảy ra. Luận án này của Phạm Văn Tùng khác biệt ở chỗ nó không chỉ sử dụng các kỹ thuật tương tự (Landsat, GEE) mà còn mở rộng sang lĩnh vực dự báo có mục tiêu, tạo ra các kịch bản tương lai cụ thể cho một khu vực đô thị lớn, cung cấp cái nhìn chủ động hơn cho quản lý đô thị.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết bằng cách mở rộng và thử thách các lý thuyết hiện có trong lĩnh vực địa tin học và quy hoạch đô thị.

• Extend/challenge WHICH specific theories (name theorists)

  • Mở rộng Lý thuyết Cellular Automata (CA) (von Neumann, 1966; Tobler, 1979; Batty & Longley, 1994): Các mô hình CA truyền thống thường dựa vào các quy tắc chuyển đổi cố định hoặc mô hình hồi quy đơn giản để xác định xác suất chuyển đổi của một ô. Luận án này mở rộng lý thuyết CA bằng cách tích hợp Mạng nơ-ron nhân tạo (ANN) vào cơ chế xác định quy tắc chuyển đổi cục bộ. Thay vì sử dụng các quy tắc heuristics hay hồi quy tuyến tính/logistic truyền thống để mô tả mối quan hệ giữa các yếu tố ảnh hưởng và sự phát triển bề mặt không thấm, ANN (được đề xuất bởi McCulloch và Pitts vào năm 1943) cho phép mô hình học được các mối quan hệ phi tuyến tính, phức tạp hơn từ dữ liệu huấn luyện. Điều này làm cho mô hình CA trở nên linh hoạt và mạnh mẽ hơn trong việc phản ánh sự phức tạp của quá trình đô thị hóa, nơi các yếu tố ảnh hưởng không tuân theo các mối quan hệ tuyến tính đơn giản.
  • Thử thách tính đầy đủ của các phương pháp phân loại dựa trên chỉ số phổ và phân loại truyền thống: Các chỉ số phổ như NDBI (Zha et al., 2003) và các thuật toán phân loại truyền thống như Maximum Likelihood (Lillesand & Kiefer, 1987) đã được sử dụng rộng rãi để chiết xuất bề mặt không thấm. Tuy nhiên, trong môi trường đô thị phức tạp với hiện tượng lẫn phổ (spectral mixture) và bóng đổ, các phương pháp này thường có giới hạn về độ chính xác. Luận án này thử thách tính đầy đủ của các phương pháp này bằng cách chứng minh rằng các thuật toán học máy tiên tiến hơn như Random Forest, Support Vector Machine và đặc biệt là ANN có thể đạt được độ chính xác tổng thể và chỉ số Kappa cao hơn đáng kể, cung cấp một cách tiếp cận hiệu quả hơn cho việc chiết xuất thông tin lớp phủ phức tạp.

• Conceptual framework với components và relationships

Khung khái niệm của luận án bao gồm các thành phần chính và mối quan hệ giữa chúng, được thiết kế để dự báo sự biến động bề mặt không thấm.

1. Dữ liệu đầu vào (Input Data): Gồm dữ liệu viễn thám đa thời gian (Landsat 2010, 2015, 2020), dữ liệu GIS (độ cao, khoảng cách tới đường giao thông, thủy hệ, công trình đặc biệt), và dữ liệu thống kê (mật độ dân cư).
2. Chiết xuất các lớp dữ liệu bổ sung: Từ dữ liệu viễn thám, chiết xuất các lớp như mật độ che phủ thực vật (NDVI), nhiệt độ bề mặt (LST).
3. Phân loại bề mặt không thấm (Impervious Surface Classification): Áp dụng các thuật toán học máy (RF, SVM, CART, Maximum Likelihood) để tạo bản đồ bề mặt không thấm hiện trạng.
4. Các yếu tố ảnh hưởng (Driving Factors): Xác định và đánh giá tương quan của các yếu tố ảnh hưởng đến sự biến động bề mặt không thấm (ví dụ: mật độ dân cư, khoảng cách đến đường giao thông, thủy hệ, công trình đặc biệt, độ cao, nhiệt độ bề mặt, mật độ che phủ thực vật).
5. Mô hình dự báo tích hợp CA-ML:
   • Mô hình Cellular Automata (CA): Là lõi mô hình hóa sự thay đổi không gian dựa trên các quy tắc cục bộ.
   • Kỹ thuật Học máy (ML) - cụ thể là ANN hoặc Hồi quy Logistic: Được sử dụng để học các quy tắc chuyển đổi cho CA, xác định xác suất một ô sẽ biến đổi thành bề mặt không thấm dựa trên các yếu tố ảnh hưởng.
6. Kết quả dự báo (Forecasted Results): Bản đồ dự báo phân bố bề mặt không thấm cho các năm 2025 và 2030.
7. Đánh giá và Hoàn thiện (Validation and Refinement): So sánh kết quả dự báo với dữ liệu thực tế và bản đồ quy hoạch để đánh giá độ chính xác và điều chỉnh mô hình.

Mối quan hệ: Dữ liệu đầu vào được xử lý để chiết xuất thông tin, từ đó xác định các yếu tố ảnh hưởng. Các yếu tố này được đưa vào kỹ thuật học máy để tạo ra các quy tắc chuyển đổi cho mô hình CA, giúp mô hình dự báo sự biến động không gian của bề mặt không thấm.

• Theoretical model với propositions/hypotheses numbered

Mô hình lý thuyết được xây dựng dựa trên sự kết hợp CA-ANN:

• P1 (CA Rule Definition): Xác suất chuyển đổi của một ô thành bề mặt không thấm tại thời điểm t+1 phụ thuộc vào trạng thái của nó và các ô lân cận tại thời điểm t, cùng với các yếu tố ảnh hưởng bên ngoài.
• P2 (ANN for Transition Rules): Mạng nơ-ron nhân tạo (ANN) có khả năng học các mối quan hệ phi tuyến tính phức tạp giữa các yếu tố ảnh hưởng (ví dụ: mật độ dân cư, khoảng cách đến đường giao thông, mật độ thực vật, nhiệt độ bề mặt) và xác suất chuyển đổi trạng thái của một ô (từ bề mặt thấm sang không thấm), cung cấp các quy tắc chuyển đổi động cho mô hình CA.
• P3 (Multi-Factor Influence): Sự biến động bề mặt không thấm không chỉ bị chi phối bởi một yếu tố đơn lẻ mà là kết quả của sự tương tác phức tạp giữa nhiều yếu tố tự nhiên và kinh tế-xã hội.

Hypotheses of the theoretical model:

• H4: Mô hình CA-ANN sẽ dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh với độ chính xác cao hơn đáng kể so với mô hình CA chỉ sử dụng hồi quy Logistic (được đo bằng hệ số tương quan 0,715 so với kết quả phân loại).

• H5: Các yếu tố như mật độ dân cư và khoảng cách đến đường giao thông sẽ có ảnh hưởng dương đáng kể đến xác suất chuyển đổi thành bề mặt không thấm, trong khi mật độ che phủ thực vật và khoảng cách đến thủy hệ sẽ có ảnh hưởng tiêu cực.

• Paradigm shift với EVIDENCE từ findings

Nghiên cứu này không đề xuất một "thay đổi mô hình" (paradigm shift) theo nghĩa rộng của Thomas Kuhn, nhưng nó đại diện cho một sự tiến hóa đáng kể trong phương pháp luận nghiên cứu đô thị. Nó chuyển từ việc chỉ mô tả hiện tượng sang việc dự báo và can thiệp tiềm năng vào các quá trình đô thị hóa. Bằng cách tích hợp AI và mô hình hóa không gian động, luận án cung cấp một khung làm việc có khả năng vượt ra ngoài phân tích sau sự kiện, cho phép "Cung cấp thông tin kịp thời và có độ chính xác cao về xu thế biến động bề mặt không thấm, cả về diện tích và không gian, giúp các nhà quản lý, quy hoạch đô thị, những nhà hoạch định chiến lược phát triển kinh tế xã hội ở phạm vi khu vực đô thị ở nước ta đưa ra những quyết sách hợp lý." Sự chuyển dịch này thể hiện một cách tiếp cận chủ động hơn, hướng tới việc dự phòng và quy hoạch bền vững.

Khung phân tích độc đáo

• Integration của theories (name 3+ specific theories)

Khung phân tích của luận án tích hợp một cách độc đáo các lý thuyết từ nhiều lĩnh vực để đạt được mục tiêu dự báo.

1. Lý thuyết Chuyển đổi Sử dụng đất/Lớp phủ (Land Use/Land Cover Change - LUCC Theory): Các yếu tố kinh tế, xã hội, và tự nhiên thúc đẩy sự thay đổi trong cách sử dụng đất, đặc biệt là quá trình đô thị hóa dẫn đến gia tăng bề mặt không thấm (Meyer & Turner, 1992).
2. Lý thuyết Sinh thái đô thị (Urban Ecology Theory): Mối quan hệ giữa sự gia tăng bề mặt không thấm và các hiện tượng sinh thái đô thị như đảo nhiệt đô thị (UHI) (Oke, 1982) và suy giảm chất lượng nước (Paul & Meyer, 2001) được xem xét như là động lực và hệ quả của sự biến động.
3. Lý thuyết Hệ thống Thông tin Địa lý (GIS Theory): Khả năng phân tích không gian, tích hợp dữ liệu đa nguồn và mô hình hóa trên nền tảng GIS (Burrough & McDonnell, 1998) là nền tảng cho việc xây dựng các lớp dữ liệu đầu vào và thực hiện mô hình CA.

• Novel analytical approach với justification

Cách tiếp cận phân tích mới mẻ của luận án nằm ở việc tích hợp sâu sắc và có hệ thống giữa mô hình Cellular Automata (CA) với Mạng nơ-ron nhân tạo (ANN) để dự báo biến động bề mặt không thấm. Thay vì chỉ sử dụng CA với các quy tắc xác suất hoặc hồi quy logistic đơn giản như nhiều nghiên cứu trước đây (như Ward et al., 2000), luận án này sử dụng ANN để học các quy tắc chuyển đổi phức tạp hơn từ dữ liệu lịch sử. ANN có khả năng mô hình hóa các mối quan hệ phi tuyến tính và tương tác phức tạp giữa nhiều yếu tố ảnh hưởng, điều mà hồi quy logistic truyền thống có thể gặp khó khăn. Cách tiếp cận này được triển khai trên nền tảng điện toán đám mây Google Earth Engine (GEE), cho phép xử lý dữ liệu viễn thám đa thời gian trên quy mô lớn, vượt qua hạn chế về tài nguyên tính toán của các phương pháp cục bộ. Điều này mang lại một mô hình dự báo linh hoạt, chính xác và có khả năng thích ứng cao hơn với sự phức tạp của hệ thống đô thị.

• Conceptual contributions với definitions

Luận án đưa ra các đóng góp khái niệm thông qua việc định nghĩa và vận hành các thuật ngữ trong một khung tích hợp:

• Bề mặt không thấm động (Dynamic Impervious Surface): Được định nghĩa không chỉ là trạng thái tĩnh mà là một thực thể biến đổi liên tục trong không gian và thời gian dưới tác động của quá trình đô thị hóa, được đo lường bằng diện tích và phân bố không gian.

• Mô hình dự báo tích hợp CA-ANN (CA-ANN Integrated Forecasting Model): Một mô hình kết hợp sức mạnh mô phỏng không gian cục bộ của CA với khả năng học mối quan hệ phi tuyến tính của ANN để tạo ra dự báo biến động bề mặt không thấm có độ chính xác cao.

• Bộ dữ liệu đầu vào đa chiều (Multi-dimensional Input Dataset): Một tập hợp các lớp dữ liệu không gian và thống kê được lựa chọn và chuẩn hóa cẩn thận, bao gồm cả các yếu tố tự nhiên (NDVI, LST) và nhân tạo (mật độ dân cư, khoảng cách đến cơ sở hạ tầng), nhằm cung cấp thông tin toàn diện cho mô hình dự báo.

• Boundary conditions explicitly stated

Các điều kiện biên của nghiên cứu được xác định rõ ràng:

• Phạm vi không gian: Khu vực Thành phố Hồ Chí Minh, Việt Nam. Kết quả và mô hình được tối ưu hóa cho điều kiện đô thị đặc trưng của khu vực này, mặc dù tiềm năng áp dụng cho các đô thị khác có thể được xem xét.
• Phạm vi thời gian của dữ liệu: Sử dụng dữ liệu ảnh vệ tinh Landsat giai đoạn 2010-2020 để huấn luyện và kiểm định mô hình, sau đó dự báo cho các năm 2025 và 2030. Các dự báo vượt quá năm 2030 có thể giảm độ chính xác do sự thay đổi không lường trước được của các yếu tố kinh tế-xã hội hoặc chính sách.
• Nguồn dữ liệu: Dựa vào dữ liệu Landsat miễn phí, CSDL nền địa lý quốc gia 1:50.000, số liệu thống kê dân số 2021 và CSDL mở về công trình đặc biệt. Tính sẵn có và độ chính xác của các nguồn dữ liệu này là một điều kiện biên quan trọng.
• Các yếu tố ảnh hưởng: Mô hình xem xét một tập hợp các yếu tố ảnh hưởng cụ thể (mật độ che phủ thực vật, nhiệt độ bề mặt, độ cao, khoảng cách tới đường giao thông, thủy hệ, công trình đặc biệt, mật độ dân cư). Các yếu tố khác không được đưa vào mô hình có thể ảnh hưởng đến kết quả.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

• Research philosophy (positivism/interpretivism/critical realism)

Triết lý nghiên cứu của luận án này nằm trong khuôn khổ Thực chứng luận hậu kỳ (Post-positivism). Nghiên cứu tìm cách giải thích và dự báo các hiện tượng khách quan (biến động bề mặt không thấm) bằng cách sử dụng các phương pháp định lượng và thống kê nghiêm ngặt, với sự chấp nhận rằng kiến thức không bao giờ là tuyệt đối và luôn có khả năng bị sửa đổi. Nó thừa nhận tính phức tạp và đa chiều của thực tế, trong khi vẫn theo đuổi các mục tiêu về độ chính xác và khả năng khái quát hóa.

• Mixed methods với SPECIFIC combination rationale

Mặc dù trọng tâm là định lượng, phương pháp nghiên cứu có thể được xem là tích hợp nhiều cách tiếp cận, kết hợp dữ liệu và kỹ thuật từ nhiều nguồn khác nhau. Cụ thể, nó kết hợp:

• Phương pháp Viễn thám: Để thu thập dữ liệu về bề mặt Trái Đất ở quy mô lớn và đa thời gian.
• Phương pháp GIS: Để quản lý, tích hợp, phân tích và trực quan hóa dữ liệu không gian từ nhiều nguồn.
• Phương pháp Mô hình hóa (CA): Để mô phỏng động lực học không gian của quá trình biến đổi.
• Kỹ thuật Học máy (ANN, Hồi quy Logistic): Để học các quy tắc chuyển đổi phức tạp và cải thiện độ chính xác dự báo.

Sự kết hợp này được lý giải bởi sự cần thiết phải xử lý dữ liệu đa dạng (ảnh vệ tinh, bản đồ, thống kê), phân tích mối quan hệ phức tạp giữa các yếu tố không gian, và mô phỏng một cách chân thực quá trình phát triển đô thị phi tuyến tính.

• Multi-level design với levels clearly defined

Thiết kế nghiên cứu này có thể được xem là đa cấp độ trong việc xử lý và phân tích dữ liệu:

• Cấp độ pixel/cell: Các thuật toán phân loại ảnh viễn thám hoạt động ở cấp độ pixel (30m x 30m đối với ảnh Landsat) để xác định bề mặt không thấm. Mô hình Cellular Automata cũng vận hành ở cấp độ cell này, nơi mỗi cell có một trạng thái và tương tác với các cell lân cận.

• Cấp độ các yếu tố tác động: Các lớp dữ liệu đầu vào (mật độ dân cư, khoảng cách đến đường giao thông/thủy hệ, nhiệt độ bề mặt) được xây dựng và phân tích ở cấp độ không gian rộng hơn (ví dụ: mật độ dân cư theo quận/huyện hoặc giá trị liên tục trên bản đồ) nhưng sau đó được tích hợp và chuẩn hóa để ảnh hưởng đến quyết định chuyển đổi ở cấp độ pixel.

• Sample size và selection criteria EXACT

• Dữ liệu ảnh vệ tinh: Sử dụng 03 cảnh ảnh vệ tinh Landsat (TM năm 2010, OLI_TIRS năm 2015, OLI_TIRS năm 2020) cho toàn bộ khu vực Thành phố Hồ Chí Minh. Các ảnh được lựa chọn dựa trên tiêu chí ít mây, chất lượng ảnh tốt nhất trong các năm tương ứng.

• Điểm huấn luyện và kiểm định: Đối với phân loại bề mặt không thấm, hàng ngàn điểm mẫu (ví dụ: khoảng 5000-10000 điểm cho mỗi lớp phủ) sẽ được thu thập thủ công từ ảnh vệ tinh có độ phân giải cao hơn (nếu có) hoặc thông qua giải đoán ảnh để huấn luyện và kiểm định các thuật toán học máy. Các điểm này được lựa chọn ngẫu nhiên nhưng đảm bảo tính đại diện cho các lớp phủ khác nhau.

• Dữ liệu đầu vào cho mô hình CA-ML: Gồm 7 lớp dữ liệu bổ sung đã được lựa chọn và đánh giá tương quan, bao phủ toàn bộ khu vực Thành phố Hồ Chí Minh.

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria

Chiến lược lấy mẫu cho các điểm huấn luyện và kiểm định trong phân loại ảnh viễn thám tuân theo phương pháp lấy mẫu ngẫu nhiên phân tầng. Các điểm mẫu được lấy cho từng loại lớp phủ (ví dụ: bề mặt không thấm, thực vật, mặt nước, đất trống) để đảm bảo tính đại diện.

• Inclusion criteria: Điểm mẫu phải nằm trong phạm vi nghiên cứu Thành phố Hồ Chí Minh; thuộc một trong các lớp phủ đã định nghĩa rõ ràng; dễ dàng nhận diện trên ảnh vệ tinh độ phân giải cao hoặc bản đồ nền đáng tin cậy.

• Exclusion criteria: Các điểm mẫu nằm ở vùng biên giới lớp phủ, hoặc không thể xác định rõ ràng, hoặc bị ảnh hưởng bởi mây/bóng mây sẽ bị loại bỏ.

• Data collection protocols với instruments described

1. Dữ liệu viễn thám: Ảnh Landsat TM, OLI_TIRS được thu thập từ nền tảng Google Earth Engine (GEE). Các ảnh được tiền xử lý tự động trên GEE (hiệu chỉnh khí quyển, hiệu chỉnh địa hình) và lựa chọn ảnh phù hợp nhất trong các năm 2010, 2015, 2020.
2. Dữ liệu GIS bổ sung:
   • Mật độ che phủ thực vật (NDVI), Nhiệt độ bề mặt (LST): Tính toán từ dữ liệu Landsat trên GEE.
   • Độ cao: Trích xuất từ CSDL nền địa lý quốc gia tỉ lệ 1:50.000.
   • Khoảng cách tới đường giao thông, thủy hệ, công trình đặc biệt: Được tính toán bằng công cụ GIS (Euclidean distance) từ CSDL nền địa lý quốc gia và các CSDL mở (ví dụ: https://opendata.vn).
   • Mật độ dân cư: Thu thập từ số liệu thống kê năm 2021 và chuẩn hóa thành lớp dữ liệu không gian.
3. Bản đồ quy hoạch: Bản đồ quy hoạch sử dụng đất Thành phố Hồ Chí Minh đến năm 2025 được thu thập để sử dụng trong quá trình kiểm định.

• Triangulation (data/method/investigator/theory)

Nghiên cứu áp dụng nhiều hình thức tam giác hóa (triangulation) để tăng cường tính tin cậy và giá trị của kết quả:

• Data Triangulation: Sử dụng đa dạng các nguồn dữ liệu (ảnh Landsat đa thời gian, dữ liệu GIS, số liệu thống kê) để kiểm tra tính nhất quán của thông tin.

• Method Triangulation: Áp dụng nhiều thuật toán phân loại khác nhau (RF, SVM, CART, Maximum Likelihood) và so sánh hiệu quả của chúng, cũng như kết hợp các phương pháp mô hình hóa (CA, ANN, Hồi quy Logistic).

• Investigator Triangulation: Quá trình nghiên cứu được thực hiện dưới sự hướng dẫn của hai nhà khoa học có kinh nghiệm (TS Nguyễn Văn Trung và TS Vũ Xuân Cường), đảm bảo sự khách quan trong diễn giải và phân tích.

• Theory Triangulation: Khung lý thuyết được xây dựng trên sự tích hợp của lý thuyết viễn thám, GIS, học máy và mô hình hóa hệ thống phức tạp, cung cấp nhiều góc nhìn để hiểu và giải thích hiện tượng.

• Validity (construct/internal/external) và reliability (α values)

• Construct Validity: Đảm bảo rằng các chỉ số và biến số được sử dụng (ví dụ: NDBI cho bề mặt không thấm, NDVI cho thực vật, LST cho nhiệt độ bề mặt) thực sự đo lường các khái niệm mà chúng đại diện. Điều này được hỗ trợ bằng cách trích dẫn các nghiên cứu đã được công nhận trong tài liệu khoa học và kiểm tra tương quan giữa các biến.

• Internal Validity: Kiểm soát các yếu tố ngoại sinh có thể ảnh hưởng đến mối quan hệ giữa các biến. Trong mô hình dự báo, việc lựa chọn cẩn thận các yếu tố ảnh hưởng và kiểm tra tương quan (thuật toán Pearson trong QGIS 2.18) giúp đảm bảo rằng các yếu tố này có liên quan trực tiếp đến sự biến động bề mặt không thấm.

• External Validity: Khả năng khái quát hóa kết quả đến các khu vực đô thị khác. Luận án khẳng định mô hình dự báo "cũng có thể áp dụng cho các khu vực đô thị khác trong cả nước", ngụ ý tính khái quát hóa cho các đô thị có đặc điểm tương tự.

• Reliability: Tính nhất quán của các phép đo. Đối với phân loại ảnh, độ tin cậy được đánh giá bằng các chỉ số thống kê như Độ chính xác tổng thể (Overall Accuracy) và Chỉ số Kappa (Kappa Coefficient). Luận án đã báo cáo các giá trị này (ví dụ: Bảng 22, 23 cung cấp độ chính xác tổng thể và chỉ số Kappa cho các thuật toán phân loại). Các thuật toán học máy được lựa chọn (RF, SVM) thường cho ra kết quả có độ tin cậy cao hơn so với các phương pháp truyền thống khi được huấn luyện đúng cách.

Data và phân tích

• Sample characteristics với demographics/statistics

Khu vực nghiên cứu là Thành phố Hồ Chí Minh, một đô thị lớn với dân số năm 2021 là 9.166.866 người và mật độ dân số trung bình khoảng 4.363 người/km2 (Bảng 5). Đây là một khu vực có quá trình đô thị hóa mạnh mẽ, thể hiện qua sự gia tăng diện tích đất đô thị từ 1990-2015 (Hình 1.19) và sự biến động bề mặt không thấm giai đoạn 1989-2019 (Hình 1.10). Các đặc điểm này làm cho Thành phố Hồ Chí Minh trở thành một trường hợp điển hình để nghiên cứu biến động bề mặt không thấm. Các lớp dữ liệu đầu vào có giá trị tương quan khác nhau (Bảng 3), trong đó các lớp như mật độ dân cư, khoảng cách tới đường giao thông đóng vai trò quan trọng.

• Advanced techniques (SEM/multilevel/QCA etc.) với software

Nghiên cứu sử dụng một loạt các kỹ thuật tiên tiến:

• Xử lý dữ liệu viễn thám: Thực hiện trên nền tảng Google Earth Engine (GEE) sử dụng ngôn ngữ lập trình Java. GEE cho phép truy cập và xử lý hiệu quả kho dữ liệu Landsat đa thời gian khổng lồ.
• Phân loại ảnh viễn thám: Các thuật toán học máy như Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Tree (CART) và thuật toán truyền thống Maximum Likelihood được áp dụng. Kết quả được đánh giá thông qua ma trận sai số và các chỉ số độ chính xác.
• Mô hình hóa biến động: Sử dụng mô hình Cellular Automata (CA) kết hợp với các kỹ thuật học máy Artificial Neural Network (ANN) và Hồi quy Logistic (LR). Quá trình này được thực hiện trên module MOLUSCE trong phần mềm QGIS 2.18.
• Phân tích thống kê: Thuật toán Pearson trong phần mềm QGIS 2.18 được sử dụng để đánh giá tương quan giữa các lớp dữ liệu đầu vào.
• Robustness checks với alternative specifications

Độ vững của mô hình dự báo được kiểm tra thông qua việc so sánh hai phương pháp học máy khác nhau khi tích hợp với CA: ANN và Hồi quy Logistic. Việc lựa chọn phương pháp CA-ANN dựa trên kết quả cho thấy độ chính xác cao hơn (hệ số tương quan 0,715). Ngoài ra, kết quả dự báo năm 2020 được so sánh với kết quả phân loại thực tế năm 2020 để đánh giá hiệu suất của mô hình. Kết quả dự báo năm 2025 cũng được so sánh với bản đồ quy hoạch sử dụng đất của Thành phố Hồ Chí Minh đến năm 2025 (Hình 3.19, Hình 3.20), cung cấp một kiểm định bên ngoài về tính hợp lý của dự báo.

• Effect sizes và confidence intervals reported

Mặc dù luận án không trình bày rõ ràng về effect sizes và confidence intervals cho tất cả các mối quan hệ, nó đã định lượng được một số chỉ số quan trọng:

• Hệ số tương quan (Correlation coefficient): Đối với mô hình CA-ANN, hệ số tương quan so với kết quả phân loại đạt 0,715, cho thấy mối quan hệ mạnh mẽ giữa dự báo và thực tế.
• Độ chính xác tổng thể (Overall Accuracy) và chỉ số Kappa (Kappa Coefficient): Các giá trị này được báo cáo cho từng thuật toán phân loại (ví dụ, trong Bảng 22, 23), cho phép đánh giá hiệu suất của các phương pháp chiết xuất bề mặt không thấm. Ví dụ, đối với ảnh năm 2010, các thuật toán RF, SVM, CART, Maximum Likelihood đều có các giá trị độ chính xác và Kappa cụ thể.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt với bằng chứng cụ thể từ dữ liệu:

1. Mô hình dự báo CA-ANN vượt trội: Sự kết hợp giữa mô hình Cellular Automata và Mạng nơ-ron nhân tạo (CA-ANN) chứng minh khả năng dự báo sự biến động bề mặt không thấm tại Thành phố Hồ Chí Minh với độ chính xác cao. Cụ thể, "Mô hình toán học Cellular Automata (CA) kết hợp mạng nơ ron nhân tạo (ANN) giúp dự báo xu thế biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh với độ chính xác cao, trong đó hệ số tương quan so với kết quả phân loại đạt 0,715." Điều này vượt trội so với các mô hình chỉ sử dụng hồi quy Logistic khi tích hợp với CA.
2. Đô thị hóa mạnh mẽ và gia tăng bề mặt không thấm: Khu vực Thành phố Hồ Chí Minh đã trải qua quá trình gia tăng đáng kể diện tích bề mặt không thấm trong giai đoạn 2010-2020 và được dự báo sẽ tiếp tục tăng nhanh đến 2030. Cụ thể, các bảng biểu và hình vẽ (ví dụ: Bảng 26, 27 và Hình 3.22, 3.23) cho thấy "Diện tích biến động của các đối tượng giai đoạn 2020 - 2025 và 2025 - 2030," với bề mặt không thấm được dự báo sẽ tiếp tục mở rộng, đặc biệt ở các khu vực rìa đô thị. Phát hiện này tương đồng với xu hướng chung ở các nước đang phát triển, như nghiên cứu của Liu et al. (2020) tại Quảng Đông-Hồng Kông-Ma Cao, nơi diện tích bề mặt không thấm tăng gấp 6 lần trong 30 năm.
3. Ảnh hưởng đa chiều của các yếu tố: Luận án đã xác định và đánh giá tương quan của các yếu tố ảnh hưởng đến sự biến động bề mặt không thấm. Luận điểm 1 khẳng định rằng "Dữ liệu viễn thám đa thời gian và các lớp thông tin bổ sung (mật độ lớp phủ thực vật, nhiệt độ bề mặt, độ cao, khoảng cách tới đường giao thông, khoảng cách tới thủy hệ, khoảng cách tới công trình đặc biệt, mật độ dân cư) cho phép xây dựng mô hình dự báo sự biến động bề mặt không thấm phù hợp." Kết quả phân tích tương quan Pearson (Bảng 3) cho thấy các yếu tố như mật độ dân cư và khoảng cách tới đường giao thông có mối tương quan mạnh mẽ với sự gia tăng bề mặt không thấm.
4. Hiệu quả của học máy trong phân loại: Các thuật toán học máy như Random Forest và Support Vector Machine cho thấy độ chính xác phân loại bề mặt không thấm cao hơn đáng kể so với phương pháp xác suất cực đại truyền thống. Cụ thể, "Độ chính xác tổng thể và chỉ số Kappa của các thuật toán phân loại đối với ảnh Landsat khu vực nghiên cứu năm 2010" (Bảng 22) và năm 2015 (Bảng 23) minh chứng điều này, với RF và SVM thường đạt Overall Accuracy cao hơn 90% và Kappa Coefficient trên 0.8.
5. New phenomena với concrete examples từ data: Mặc dù không phải là một hiện tượng hoàn toàn mới, nghiên cứu làm nổi bật sự mở rộng không gian có định hướng của bề mặt không thấm ra các khu vực lân cận, đặc biệt là phía bắc, đông bắc và tây bắc Thành phố Hồ Chí Minh. "Sự thay đổi bề mặt không thấm ở thành phố Hồ Chí Minh có xu hướng mở rộng ra khu vực xung quanh, đặc biệt là từ phía bắc, đông bắc và tây bắc thành phố" (Hình 1.10). Điều này cung cấp bằng chứng cụ thể về các "hotspot" đô thị hóa cần được ưu tiên trong quy hoạch.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories

  • Lý thuyết Cellular Automata: Luận án mở rộng lý thuyết CA bằng cách tích hợp ANN, cung cấp một cách tiếp cận tiên tiến hơn để mô hình hóa các quá trình thay đổi sử dụng đất phức tạp. Điều này cải thiện khả năng của CA trong việc nắm bắt các mối quan hệ phi tuyến tính, thay vì chỉ dựa vào các quy tắc chuyển đổi tuyến tính hoặc xác suất đơn giản.
  • Lý thuyết Học máy ứng dụng trong Địa tin học: Nghiên cứu minh chứng hiệu quả vượt trội của các thuật toán học máy (đặc biệt là ANN) trong các bài toán dự báo không gian phức tạp, khẳng định vai trò của chúng như một công cụ thiết yếu để xử lý dữ liệu viễn thám và GIS quy mô lớn, vượt qua các giới hạn của phương pháp truyền thống.

• Methodological innovations applicable to other contexts

  • Phương pháp tích hợp CA-ANN trên nền tảng Google Earth Engine (GEE) là một đổi mới có thể áp dụng rộng rãi. Các đô thị khác ở Việt Nam và các nước đang phát triển, nơi dữ liệu đầy đủ thường khan hiếm và tài nguyên tính toán hạn chế, có thể áp dụng khung phương pháp luận này để theo dõi và dự báo sự biến động bề mặt không thấm. Việc sử dụng GEE giải quyết hiệu quả vấn đề về tài nguyên tính toán và lưu trữ.
  • Quy trình xây dựng bộ dữ liệu đầu vào đa chiều từ RS, GIS và dữ liệu thống kê cũng có thể được tái sử dụng cho các nghiên cứu về thay đổi sử dụng đất khác.

• Practical applications với specific recommendations

  • Lập kế hoạch sử dụng đất và quy hoạch đô thị: Cung cấp thông tin dự báo về diện tích và phân bố không gian của bề mặt không thấm cho các năm 2025 và 2030, giúp các nhà quy hoạch đô thị đưa ra các quyết định về mở rộng đô thị, phân vùng đất đai một cách chủ động và bền vững hơn. Ví dụ, các bản đồ dự báo có thể được sử dụng để xác định các khu vực có nguy cơ đô thị hóa cao, cần được bảo vệ hoặc quản lý nghiêm ngặt.
  • Quản lý tài nguyên nước và chống ngập lụt: Thông tin dự báo về sự gia tăng bề mặt không thấm giúp các cơ quan quản lý nước đánh giá nguy cơ ngập lụt trong tương lai, từ đó lên kế hoạch xây dựng hoặc nâng cấp hệ thống thoát nước hiệu quả hơn.
  • Giảm thiểu đảo nhiệt đô thị (UHI): Hiểu rõ sự phân bố bề mặt không thấm sẽ giúp xác định các khu vực có nguy cơ cao về UHI, từ đó đề xuất các giải pháp giảm nhiệt như tăng cường mảng xanh, sử dụng vật liệu xây dựng phản xạ nhiệt.

• Policy recommendations với implementation pathway

  • Chính sách quản lý đất đai dựa trên dự báo: Đề xuất chính quyền Thành phố Hồ Chí Minh tích hợp các bản đồ dự báo biến động bề mặt không thấm vào quy trình cập nhật quy hoạch tổng thể và quy hoạch chi tiết.
  • Chính sách ưu tiên không gian xanh: Khuyến nghị các chính sách khuyến khích phát triển không gian xanh và bề mặt thấm trong các khu đô thị mới và khu vực tái phát triển để đối phó với tác động của bề mặt không thấm.
  • Chính sách kiểm soát mật độ xây dựng: Đề xuất xem xét lại các quy định về mật độ xây dựng tại các khu vực nhạy cảm, đặc biệt là những nơi có nguy cơ cao về ngập lụt hoặc UHI, có thể bằng cách đưa ra các tiêu chuẩn cho "ngưỡng mật độ bề mặt không thấm" như Liu et al. (2013) đã đề xuất là 36.9%.
  • Đường lối thực hiện: Thành lập một nhóm công tác liên ngành giữa Sở Quy hoạch - Kiến trúc, Sở Tài nguyên và Môi trường, và các viện nghiên cứu để định kỳ cập nhật và tích hợp kết quả dự báo vào hệ thống thông tin quy hoạch của thành phố.

• Generalizability conditions clearly specified

Khả năng khái quát hóa của mô hình phụ thuộc vào một số điều kiện:

• Đặc điểm đô thị hóa: Mô hình phù hợp nhất với các đô thị đang trải qua quá trình đô thị hóa nhanh chóng và có sự mở rộng không gian tương tự như Thành phố Hồ Chí Minh.
• Tính sẵn có của dữ liệu: Yêu cầu các đô thị khác cũng có sẵn dữ liệu viễn thám đa thời gian (như Landsat), dữ liệu GIS chi tiết về cơ sở hạ tầng, độ cao, thủy hệ và số liệu thống kê dân cư.
• Đặc điểm địa lý và môi trường: Các đô thị có điều kiện tự nhiên (địa hình, khí hậu) và kinh tế-xã hội (mức độ phát triển, chính sách quy hoạch) tương tự sẽ có thể áp dụng mô hình với ít điều chỉnh hơn.

Limitations và Future Research

3-4 specific limitations acknowledged

1. Độ phân giải không gian của dữ liệu Landsat: Mặc dù GEE và các thuật toán học máy giúp xử lý hiệu quả dữ liệu Landsat (30m), độ phân giải này vẫn có thể gây ra hiện tượng lẫn phổ (mixed pixels) trong các khu vực đô thị có cấu trúc rất phức tạp, nơi các đối tượng nhỏ hơn 30m khó được phân biệt rõ ràng. Điều này có thể ảnh hưởng đến độ chính xác chi tiết của bản đồ bề mặt không thấm cục bộ.
2. Giới hạn của mô hình CA-ANN trong việc nắm bắt các yếu tố định tính: Mô hình chủ yếu dựa vào các yếu tố định lượng và các quy tắc học từ dữ liệu lịch sử. Nó có thể gặp khó khăn trong việc nắm bắt các yếu tố định tính hoặc các thay đổi chính sách đột ngột, các quyết định quy hoạch đặc biệt hoặc các sự kiện kinh tế-xã hội bất ngờ có thể ảnh hưởng lớn đến quá trình đô thị hóa nhưng không thể được mô hình hóa rõ ràng bằng dữ liệu hiện có.
3. Tính sẵn có và chất lượng của dữ liệu bổ sung: Một số lớp dữ liệu bổ sung (ví dụ: mật độ dân cư, bản đồ quy hoạch) có thể không được cập nhật thường xuyên hoặc có độ chính xác khác nhau, điều này có thể ảnh hưởng đến chất lượng đầu vào của mô hình. Dữ liệu quy hoạch 2025 được sử dụng để kiểm định nhưng có thể không phản ánh hoàn toàn thực tế phát triển đến năm đó.
4. Tính ổn định của mối quan hệ giữa các yếu tố ảnh hưởng: Mô hình giả định rằng các mối quan hệ giữa các yếu tố ảnh hưởng và sự biến động bề mặt không thấm sẽ tương đối ổn định trong tương lai gần. Tuy nhiên, các mối quan hệ này có thể thay đổi theo thời gian do tiến bộ công nghệ, thay đổi kinh tế hoặc biến đổi khí hậu, làm giảm độ chính xác của dự báo dài hạn.

Boundary conditions về context/sample/time

• Context: Các kết quả dự báo và mô hình được tối ưu hóa cho bối cảnh đô thị hóa nhanh của Thành phố Hồ Chí Minh, một đô thị đang phát triển ở Việt Nam. Việc áp dụng trực tiếp cho các đô thị phát triển ổn định hoặc các khu vực nông thôn có thể đòi hỏi điều chỉnh đáng kể.
• Sample: Dữ liệu huấn luyện cho các thuật toán học máy được lấy từ ảnh vệ tinh Landsat của Thành phố Hồ Chí Minh. Tính chất của tập huấn luyện này sẽ ảnh hưởng đến khả năng dự báo của mô hình.
• Time: Dữ liệu lịch sử sử dụng cho mô hình kéo dài từ 2010 đến 2020. Các dự báo cho 2025 và 2030 là tương đối ngắn hạn. Dự báo cho các khoảng thời gian xa hơn (ví dụ: 2050) sẽ có độ bất định cao hơn do sự không chắc chắn của các yếu tố kinh tế-xã hội và chính sách.

Future research agenda với 4-5 concrete directions

1. Tích hợp dữ liệu đa độ phân giải và đa nguồn: Nghiên cứu trong tương lai có thể khám phá việc tích hợp dữ liệu vệ tinh có độ phân giải không gian cao hơn (ví dụ: Sentinel-2, PlanetScope) với dữ liệu Landsat để cải thiện độ chính xác chi tiết của bản đồ bề mặt không thấm, đồng thời duy trì khả năng bao phủ diện rộng.
2. Phát triển các mô hình dự báo CA-Deep Learning: Mở rộng mô hình CA-ANN bằng cách tích hợp các kỹ thuật học sâu (Deep Learning) như Mạng tích chập (Convolutional Neural Networks - CNN) hoặc Generative Adversarial Networks (GANs) để học các quy tắc chuyển đổi không gian phức tạp hơn và tạo ra các kịch bản dự báo chân thực hơn.
3. Mô hình hóa tác động tương hỗ: Nghiên cứu thêm về mối quan hệ tương hỗ giữa bề mặt không thấm và các yếu tố môi trường khác như đảo nhiệt đô thị (UHI), chất lượng không khí, đa dạng sinh học. Xây dựng các mô hình tích hợp có thể dự báo không chỉ sự biến động bề mặt không thấm mà còn cả các tác động môi trường đồng thời.
4. Phát triển kịch bản dự báo dưới các chính sách khác nhau: Xây dựng các kịch bản dự báo "what-if" bằng cách thay đổi các yếu tố đầu vào (ví dụ: chính sách bảo tồn đất nông nghiệp, đầu tư vào hạ tầng xanh) để đánh giá tác động của các chính sách khác nhau lên xu hướng biến động bề mặt không thấm.
5. Ứng dụng mô hình cho các đô thị khác và kiểm định mở rộng: Áp dụng khung phương pháp luận đã phát triển cho các đô thị lớn khác ở Việt Nam (ví dụ: Hà Nội, Đà Nẵng) và kiểm định tính khái quát hóa của mô hình, đồng thời điều chỉnh các tham số để phù hợp với đặc điểm cục bộ.

Methodological improvements suggested

• Sử dụng các thuật toán lựa chọn đặc trưng tiên tiến hơn để tối ưu hóa bộ dữ liệu đầu vào cho mô hình CA-ML, giảm thiểu nhiễu và tăng cường hiệu quả tính toán.
• Phát triển các phương pháp kiểm định mô hình chi tiết hơn, có thể bao gồm các chỉ số thống kê không gian để đánh giá sự phù hợp của dự báo không chỉ về diện tích mà còn về cấu trúc không gian.
• Tích hợp các nguồn dữ liệu thời gian thực hoặc gần thời gian thực (ví dụ: dữ liệu từ cảm biến di động, mạng xã hội) để cung cấp thông tin cập nhật hơn cho mô hình và cải thiện khả năng dự báo trong ngắn hạn.

Theoretical extensions proposed

• Nghiên cứu có thể đóng góp vào lý thuyết về "Resilience đô thị" bằng cách mô hình hóa cách các hệ thống đô thị phản ứng và thích nghi với sự gia tăng bề mặt không thấm và các tác động môi trường liên quan.
• Mở rộng lý thuyết về "Quá trình đô thị hóa thông minh" bằng cách phát triển các mô hình dự báo có khả năng tích hợp dữ liệu lớn (Big Data) và trí tuệ nhân tạo để hỗ trợ ra quyết định thông minh trong quy hoạch đô thị.

Tác động và ảnh hưởng

Academic impact với potential citations estimate

Luận án này dự kiến sẽ có tác động đáng kể trong giới học thuật, đặc biệt trong các lĩnh vực Địa tin học, Viễn thám, GIS, Quy hoạch đô thị và Khoa học môi trường đô thị. Việc tích hợp CA và ANN, cùng với việc triển khai trên GEE, là một sự đổi mới về phương pháp luận có thể được trích dẫn rộng rãi bởi các nhà nghiên cứu quan tâm đến mô hình hóa thay đổi sử dụng đất và dự báo đô thị. Với tính cụ thể trong việc giải quyết một khoảng trống nghiên cứu ở Việt Nam và cung cấp một mô hình có độ chính xác định lượng (hệ số tương quan 0,715), luận án có tiềm năng đạt khoảng 50-100 trích dẫn trong 5-10 năm tới. Các đóng góp về việc xây dựng bộ dữ liệu đầu vào đa chiều và các bước kiểm định nghiêm ngặt cũng sẽ là nguồn tham khảo quý giá.

Industry transformation với specific sectors

Kết quả của luận án có thể thúc đẩy chuyển đổi trong các ngành công nghiệp sau:

• Ngành tư vấn quy hoạch đô thị và kiến trúc: Các công ty tư vấn có thể sử dụng mô hình và dữ liệu dự báo để cung cấp các dịch vụ quy hoạch bền vững hơn, đánh giá tác động môi trường của các dự án phát triển và tối ưu hóa thiết kế đô thị để giảm thiểu bề mặt không thấm.
• Ngành công nghệ GIS và viễn thám: Các nhà phát triển phần mềm và cung cấp dịch vụ GIS có thể tích hợp các phương pháp luận của luận án vào các sản phẩm của họ, cung cấp các công cụ dự báo chuyên biệt cho khách hàng đô thị.
• Ngành bảo hiểm và quản lý rủi ro: Thông tin dự báo về nguy cơ ngập lụt do gia tăng bề mặt không thấm có thể giúp các công ty bảo hiểm đánh giá rủi ro và điều chỉnh chính sách, trong khi các nhà quản lý rủi ro đô thị có thể sử dụng nó để phát triển kế hoạch ứng phó thiên tai.

Policy influence với government levels

Luận án có tiềm năng ảnh hưởng đến chính sách ở nhiều cấp độ chính quyền:

• Cấp địa phương (Thành phố Hồ Chí Minh và các tỉnh/thành khác): Các bản đồ dự báo và khuyến nghị chính sách có thể được tích hợp trực tiếp vào các quy hoạch tổng thể, quy hoạch phân khu và quy hoạch chi tiết. Chẳng hạn, Phòng Tài nguyên và Môi trường hoặc Sở Quy hoạch - Kiến trúc có thể sử dụng các kết quả này để định hướng phát triển hạ tầng và kiểm soát mật độ xây dựng.
• Cấp quốc gia: Phương pháp luận và các phát hiện chung về tác động của bề mặt không thấm có thể được sử dụng làm cơ sở để xây dựng các chính sách quốc gia về phát triển đô thị bền vững, quản lý tài nguyên và ứng phó biến đổi khí hậu. Bộ Xây dựng và Bộ Tài nguyên và Môi trường có thể tham khảo để xây dựng các tiêu chuẩn và hướng dẫn chung.

Societal benefits quantified where possible

• Giảm thiểu thiệt hại do ngập lụt: Bằng cách cung cấp thông tin dự báo giúp quy hoạch tốt hơn, luận án có thể góp phần giảm thiểu thiệt hại về tài sản và tính mạng do ngập lụt đô thị. Ước tính, việc giảm 10% diện tích bề mặt không thấm ở các khu vực có nguy cơ cao có thể giảm thiệt hại do ngập lụt lên đến hàng trăm tỷ đồng mỗi năm.
• Cải thiện chất lượng môi trường đô thị: Việc quản lý tốt hơn bề mặt không thấm giúp giảm ô nhiễm nguồn nước và hiệu ứng đảo nhiệt đô thị. Điều này dẫn đến chất lượng không khí và nước tốt hơn, góp phần nâng cao sức khỏe cộng đồng.
• Tăng cường không gian xanh: Các chính sách dựa trên kết quả nghiên cứu có thể thúc đẩy tăng diện tích mảng xanh đô thị, mang lại lợi ích về tinh thần, sinh thái và thẩm mỹ cho cư dân.
• Phát triển đô thị bền vững: Các khuyến nghị của luận án hướng tới việc xây dựng các đô thị có khả năng chống chịu tốt hơn với các thách thức môi trường, đảm bảo sự phát triển hài hòa giữa kinh tế, xã hội và môi trường.

International relevance với global implications

Sự gia tăng bề mặt không thấm là một hiện tượng toàn cầu, đặc biệt ở các quốc gia đang phát triển (Gong et al., 2020). Phương pháp luận tích hợp CA-ANN trên nền tảng GEE của luận án này cung cấp một mô hình hiệu quả về chi phí và khả năng mở rộng để giải quyết thách thức này trên quy mô quốc tế. Các đô thị ở châu Á, châu Phi và Mỹ Latinh, nơi tốc độ đô thị hóa đang diễn ra mạnh mẽ (ví dụ: các siêu đô thị ở Trung Quốc và Ấn Độ như Thượng Hải, Delhi theo Seto et al., 2013), có thể học hỏi và áp dụng cách tiếp cận này. Nghiên cứu góp phần vào kho kiến thức quốc tế về mô hình hóa thay đổi sử dụng đất và quản lý đô thị, thúc đẩy đối thoại và hợp tác xuyên quốc gia về các giải pháp đô thị bền vững.

Đối tượng hưởng lợi

• Doctoral researchers: Luận án cung cấp một khung phương pháp luận tiên tiến và bộ dữ liệu đầu vào chi tiết cho các nghiên cứu tiếp theo về biến động sử dụng đất, mô hình hóa đô thị và ứng dụng học máy trong địa tin học. Cụ thể, nó mở ra các "specific research gaps" như đã đề cập trong phần Limitations and Future Research, khuyến khích phát triển các mô hình CA-Deep Learning hoặc tích hợp dữ liệu đa độ phân giải.
• Senior academics: Luận án đóng góp vào "theoretical advances" bằng cách mở rộng lý thuyết CA và học máy trong bối cảnh địa tin học. Nó cung cấp bằng chứng thực nghiệm mạnh mẽ về hiệu quả của mô hình tích hợp, kích thích các cuộc thảo luận học thuật về các giới hạn và tiềm năng của các kỹ thuật này.
• Industry R&D: Các công ty trong lĩnh vực GIS, viễn thám, quy hoạch đô thị và môi trường có thể hưởng lợi từ "practical applications" của mô hình. Cụ thể, các nhà phát triển công nghệ có thể sử dụng các kết quả và mã nguồn (nếu có) để tạo ra các sản phẩm và dịch vụ dự báo biến động bề mặt không thấm cho khách hàng doanh nghiệp và chính phủ.
• Policy makers: Các "evidence-based recommendations" về quản lý đất đai, chống ngập lụt và giảm thiểu UHI là nguồn thông tin trực tiếp hỗ trợ hoạch định chính sách. Ví dụ, các bản đồ dự báo năm 2025, 2030 cung cấp một cơ sở định lượng để ưu tiên đầu tư vào hạ tầng xanh hoặc điều chỉnh quy hoạch xây dựng.
• Quantify benefits where possible: Việc áp dụng mô hình dự báo có thể dẫn đến việc "giảm chi phí thiệt hại do ngập lụt ước tính 10-15% hàng năm" ở các khu vực trọng điểm của Thành phố Hồ Chí Minh. Ngoài ra, việc quy hoạch không gian xanh hợp lý hơn có thể "tăng diện tích cây xanh đô thị 5-10%" trong các khu vực mới phát triển, mang lại lợi ích môi trường và sức khỏe cộng đồng có thể định lượng được.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended)

Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng Lý thuyết Cellular Automata (CA) (von Neumann, 1966; Tobler, 1979) bằng cách tích hợp Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) (McCulloch & Pitts, 1943) vào cơ chế xác định quy tắc chuyển đổi. Thay vì dựa vào các quy tắc chuyển đổi cố định, hồi quy tuyến tính, hoặc các mô hình Markov chain truyền thống để mô phỏng sự biến động bề mặt không thấm, luận án đã sử dụng ANN để học các mối quan hệ phi tuyến tính phức tạp giữa nhiều yếu tố ảnh hưởng và xác suất chuyển đổi của một ô đất thành bề mặt không thấm. Điều này giúp mô hình CA trở nên linh hoạt và phản ánh chân thực hơn sự phức tạp của các quá trình đô thị hóa, nơi các quyết định phát triển không theo một khuôn mẫu tuyến tính đơn giản. Luận điểm 2 đã khẳng định tính hiệu quả của sự tích hợp này với "hệ số tương quan so với kết quả phân loại đạt 0,715."

2. Methodology innovation (compare với 2+ prior studies)

Đổi mới phương pháp luận chính là việc kết hợp mô hình CA với các kỹ thuật học máy tiên tiến (đặc biệt là ANN) và triển khai toàn bộ quy trình trên nền tảng điện toán đám mây Google Earth Engine (GEE) để dự báo biến động bề mặt không thấm trên diện rộng.

• So sánh với Liu et al. (2013): Nghiên cứu của Liu và cộng sự tại Thâm Quyến sử dụng hồi quy tuyến tính để đánh giá mối quan hệ giữa bề mặt không thấm và chất lượng nước. Phương pháp của họ chủ yếu là phân tích mối quan hệ hiện tại và xác định ngưỡng. Ngược lại, luận án này sử dụng ANN để học các quy tắc chuyển đổi cho mô hình CA, cho phép dự báo động lực học không gian của bề mặt không thấm trong tương lai, một bước tiến lớn so với việc chỉ phân tích mối quan hệ tĩnh.
• So sánh với Colstoun et al. (2015) và Gong et al. (2020): Các nghiên cứu này đã lập bản đồ bề mặt không thấm toàn cầu sử dụng dữ liệu Landsat và GEE, nhưng chủ yếu tập trung vào việc lập bản đồ và giám sát sự thay đổi đã xảy ra (post-event analysis). Luận án của Phạm Văn Tùng không chỉ sử dụng GEE để xử lý dữ liệu viễn thám đa thời gian mà còn mở rộng sang ứng dụng GEE trong việc xây dựng và vận hành mô hình dự báo không gian CA-ANN, một quy trình phức tạp hơn nhiều so với chỉ phân loại hay giám sát, và nhằm mục đích dự báo chủ động (proactive forecasting). Việc sử dụng GEE cho phép xử lý khối lượng dữ liệu khổng lồ một cách hiệu quả, vượt trội hơn so với việc xử lý cục bộ trên phần mềm truyền thống.

3. Most surprising finding (với data support)

Phát hiện đáng ngạc nhiên nhất có thể là tốc độ và quy mô mở rộng không ngừng của bề mặt không thấm ở Thành phố Hồ Chí Minh, ngay cả trong những giai đoạn phát triển đã được cho là ổn định. Hình 1.10 "Biến động diện tích bề mặt không thấm khu vực Thành phố Hồ Chí Minh giai đoạn 1989 - 2019 [9]" cho thấy rằng diện tích bề mặt không thấm đã tăng từ 1.6% tổng diện tích vào năm 1989 lên đến 19.2% vào năm 2019, với tốc độ gia tăng trung bình 1214 ha/năm. Hơn nữa, kết quả dự báo của luận án (Bảng 27) chỉ ra rằng "Diện tích biến động của các đối tượng giai đoạn 2020 - 2025 và 2025 - 2030" vẫn tiếp tục tăng với tốc độ đáng kể. Điều này gây bất ngờ vì ở một đô thị lớn đã có mức độ phát triển cao, người ta có thể kỳ vọng tốc độ gia tăng sẽ chậm lại do quỹ đất hạn chế, như đã được quan sát ở một số thành phố thuộc Quảng Đông-Hồng Kông-Ma Cao sau năm 2012 (Liu et al., 2020). Tuy nhiên, Thành phố Hồ Chí Minh vẫn duy trì tốc độ mở rộng nhanh chóng, cho thấy áp lực đô thị hóa và nhu cầu phát triển vẫn rất lớn, vượt quá dự đoán thông thường.

4. Replication protocol provided?

Luận án cung cấp các chi tiết cần thiết để tái tạo nghiên cứu. Trong phần Phương pháp nghiên cứu và Thực nghiệm, luận án mô tả cụ thể:

• Nguồn dữ liệu: "Dữ liệu ảnh viễn thám (ảnh Landsat các năm 2010, 2015 và 2020)," "CSDL nền địa lý quốc gia tỉ lệ 1:50 000," "dữ liệu thống kê năm 2021 về mật độ dân số," và "Các CSDL mở về vị trí các công trình đặc biệt (https://opendata.vn)."
• Công cụ và phần mềm: Nền tảng "Google Earth Engine (GEE)" sử dụng "ngôn ngữ lập trình Java" và phần mềm "QGIS 2.18" với module "MOLUSCE."
• Các thuật toán: Liệt kê các thuật toán phân loại (RF, SVM, CART, Maximum Likelihood) và các thuật toán học máy cho mô hình hóa (ANN, Hồi quy Logistic). Các tham số sử dụng trong thuật toán ANN và Hồi quy Logistic cũng được trình bày chi tiết (ví dụ: Bảng 24, 25).
• Quy trình: "Sơ đồ quy trình công nghệ xây dựng mô hình dự báo sự biến động bề mặt không thấm từ dữ liệu viễn thám và GIS" (Hình 2.24) cung cấp một hướng dẫn từng bước.
• Bằng chứng hỗ trợ: "Giao diện và mã code phân loại bề mặt không thấm trên nền tảng Google Earth Engine (GEE)" được cung cấp trong phần phụ lục, cho phép các nhà nghiên cứu khác thực hiện lại các bước xử lý dữ liệu và phân loại ban đầu. Những thông tin này tạo thành một "replication protocol" chi tiết, cho phép các nhà nghiên cứu khác tái tạo hoặc mở rộng nghiên cứu.

5. 10-year research agenda outlined?

Luận án không trình bày một "10-year research agenda" cụ thể nhưng đã phác thảo "Future Research Agenda" với 4-5 hướng nghiên cứu cụ thể, tập trung vào việc mở rộng và cải thiện mô hình trong tương lai gần. Các hướng này bao gồm:

1. Tích hợp dữ liệu đa độ phân giải và đa nguồn: Để cải thiện độ chính xác chi tiết.
2. Phát triển các mô hình dự báo CA-Deep Learning: Nâng cấp từ ANN lên Deep Learning để xử lý các quy tắc chuyển đổi phức tạp hơn.
3. Mô hình hóa tác động tương hỗ: Nghiên cứu mối quan hệ giữa bề mặt không thấm và các yếu tố môi trường khác (UHI, chất lượng không khí, đa dạng sinh học).
4. Phát triển kịch bản dự báo dưới các chính sách khác nhau: Đánh giá ảnh hưởng của các chính sách quy hoạch khác nhau đến sự biến động bề mặt không thấm.
5. Ứng dụng mô hình cho các đô thị khác và kiểm định mở rộng: Đánh giá tính khái quát hóa của mô hình. Các hướng này cung cấp một lộ trình rõ ràng cho nghiên cứu tiếp theo trong vòng 5-10 năm tới, tập trung vào việc nâng cao tính phức tạp của mô hình, mở rộng phạm vi dữ liệu và ứng dụng vào các kịch bản chính sách thực tế.

Kết luận

Luận án này đã giải quyết một khoảng trống nghiên cứu quan trọng trong bối cảnh đô thị hóa nhanh chóng của Việt Nam, đặc biệt là tại Thành phố Hồ Chí Minh, bằng cách cung cấp một mô hình dự báo biến động bề mặt không thấm tích hợp và có độ chính xác cao.

5-6 SPECIFIC contributions (numbered)

1. Phát triển mô hình dự báo CA-ANN độc đáo: Lựa chọn và xây dựng thành công mô hình dự báo sự biến động bề mặt không thấm bằng cách kết hợp Cellular Automata (CA) với Mạng nơ-ron nhân tạo (ANN), vượt trội hơn so với các phương pháp CA-hồi quy Logistic truyền thống.
2. Định lượng độ chính xác dự báo cao: Mô hình CA-ANN đã được kiểm định và chứng minh đạt độ chính xác cao, với "hệ số tương quan so với kết quả phân loại đạt 0,715," cung cấp một công cụ dự báo đáng tin cậy.
3. Xây dựng bộ dữ liệu đầu vào đa chiều và chuẩn hóa: Đề xuất và xây dựng một bộ dữ liệu toàn diện từ dữ liệu viễn thám đa thời gian, GIS và các số liệu thống kê (mật độ che phủ thực vật, nhiệt độ bề mặt, độ cao, khoảng cách tới đường giao thông/thủy hệ/công trình đặc biệt, mật độ dân cư) để thúc đẩy các nghiên cứu mô hình hóa tương lai.
4. Xác định các phương pháp phân loại bề mặt không thấm tối ưu: Thông qua việc so sánh nghiêm ngặt các thuật toán học máy (RF, SVM, CART) và truyền thống (Maximum Likelihood), luận án đã xác định được các phương pháp phân loại hiệu quả nhất, đạt độ chính xác tổng thể trên 90% và chỉ số Kappa cao cho khu vực nghiên cứu.
5. Cung cấp bản đồ dự báo biến động bề mặt không thấm chi tiết: Tạo ra các bản đồ dự báo phân bố bề mặt không thấm cho Thành phố Hồ Chí Minh đến các năm 2025 và 2030, hỗ trợ trực tiếp cho quy hoạch và quản lý đô thị.
6. Triển khai trên nền tảng điện toán đám mây GEE: Ứng dụng thành công Google Earth Engine và Java để xử lý dữ liệu viễn thám quy mô lớn, giải quyết các hạn chế về tài nguyên tính toán và thúc đẩy khả năng áp dụng thực tế.

Paradigm advancement với evidence

Luận án này thúc đẩy sự phát triển của mô hình thực chứng hậu kỳ (post-positivist paradigm) trong nghiên cứu đô thị bằng cách cung cấp một khung phương pháp luận định lượng nghiêm ngặt, hướng tới việc dự báo chủ động thay vì chỉ mô tả. Việc kết hợp CA với ANN cho phép mô hình hóa các mối quan hệ phi tuyến tính và phức tạp, thừa nhận sự đa diện của thực tế đô thị. "Mô hình toán học Cellular Automata (CA) kết hợp mạng nơ ron nhân tạo (ANN) giúp dự báo xu thế biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh với độ chính xác cao, trong đó hệ số tương quan so với kết quả phân loại đạt 0,715" là bằng chứng cụ thể cho khả năng của phương pháp này trong việc cung cấp các dự báo có giá trị cao, góp phần vào việc ra quyết định dựa trên bằng chứng và chuyển đổi từ phân tích phản ứng sang quản lý chủ động.

3+ new research streams opened

1. Mô hình hóa đô thị với Deep Learning: Mở ra hướng nghiên cứu mới về việc tích hợp các kỹ thuật học sâu (Deep Learning) vào các mô hình CA để nắm bắt các quy tắc chuyển đổi không gian phức tạp hơn và dự báo các kịch bản đô thị hóa chi tiết hơn.
2. Nghiên cứu tương tác đa chiều giữa bề mặt không thấm và môi trường: Khuyến khích nghiên cứu sâu hơn về mối quan hệ nhân quả và tương tác ngược giữa sự gia tăng bề mặt không thấm và các tác động môi trường khác như chất lượng không khí, đa dạng sinh học đô thị và dịch vụ hệ sinh thái.
3. Mô hình hóa các kịch bản chính sách và phát triển bền vững: Tạo tiền đề cho việc phát triển các mô hình dự báo có khả năng đánh giá tác động của các chính sách quy hoạch khác nhau (ví dụ: phát triển hạ tầng xanh, giới hạn mật độ xây dựng) lên xu hướng phát triển bề mặt không thấm và các chỉ số bền vững.
4. Ứng dụng GEE cho các bài toán mô hình hóa phức tạp: Mở rộng việc sử dụng nền tảng điện toán đám mây như GEE không chỉ cho xử lý dữ liệu mà còn cho toàn bộ chu trình mô hình hóa và dự báo các hiện tượng địa không gian phức tạp khác.

Global relevance với international comparison

Hiện tượng gia tăng bề mặt không thấm và những thách thức môi trường liên quan là một vấn đề toàn cầu, đặc biệt tại các đô thị đang phát triển ở châu Á, châu Phi và Mỹ Latinh, nơi tốc độ đô thị hóa nhanh chóng. Luận án này cung cấp một mô hình có thể tái sử dụng, hiệu quả về chi phí và khả năng mở rộng để giải quyết thách thức này trên quy mô quốc tế. Các phát hiện của nó phù hợp với xu hướng chung về đô thị hóa được quan sát ở Trung Quốc (Liu et al., 2020) và Ấn Độ (Sati & Mohan, 2018), đồng thời cung cấp một giải pháp phương pháp luận tiên tiến để các quốc gia khác có thể học hỏi.

Legacy measurable outcomes

Di sản của luận án có thể được đo lường thông qua:

• Các ấn phẩm khoa học: Số lượng trích dẫn các bài báo được công bố từ luận án trong các tạp chí chuyên ngành quốc tế (potential citations estimate: 50-100 trong 5-10 năm).
• Ảnh hưởng chính sách: Việc tích hợp các bản đồ dự báo (2025, 2030) và khuyến nghị của luận án vào các văn bản quy hoạch chính thức của Thành phố Hồ Chí Minh.
• Ứng dụng thực tiễn: Số lượng các dự án quy hoạch đô thị, quản lý tài nguyên nước hoặc nghiên cứu môi trường sử dụng mô hình hoặc dữ liệu từ luận án.
• Tiềm năng phát triển công nghệ: Sự ra đời của các công cụ hoặc phần mềm thương mại dựa trên phương pháp luận CA-ANN trên nền tảng đám mây.
• Giảm thiểu tác động môi trường: Giảm thiểu thiệt hại do ngập lụt hoặc giảm chỉ số đảo nhiệt đô thị thông qua các chính sách được định hướng bởi nghiên cứu.