Luận án TS: Đánh giá nguy cơ trượt lở đường trọng điểm Bình Định với Viễn thám GIS

Tổng quan về luận án

Luận án này tập trung nghiên cứu, đánh giá nguy cơ trượt lở dọc các tuyến đường bộ trọng điểm tại tỉnh Bình Định, Việt Nam, thông qua việc tích hợp các công nghệ tiên tiến như viễn thám, Hệ thống thông tin địa lý (GIS) và các mô hình học máy. Nghiên cứu được đặt trong bối cảnh các tai biến trượt lở gây thiệt hại nghiêm trọng về người và tài sản ở các khu vực miền núi trên toàn thế giới, trong đó có Việt Nam. Tỉnh Bình Định, với địa hình phức tạp, cấu trúc địa chất biến động và các hoạt động nhân sinh mở rộng, đặc biệt chịu ảnh hưởng nặng nề bởi hiện tượng trượt lở, nhất là trong các đợt mưa lớn.

Bối cảnh khoa học và tính tiên phong của nghiên cứu

Các nghiên cứu trước đây tại Bình Định chủ yếu sử dụng phương pháp truyền thống như khảo sát thực địa và GIS cơ bản, thiếu sự tích hợp các công cụ và phương pháp hiện đại. Theo Đỗ Minh Đức (2006, 2009), các đề tài trước đó chỉ tập trung vào việc đo vẽ ngoài thực địa, sử dụng phần mềm Mapinfo để hiển thị, và khả năng phân tích bao quát còn hạn chế, đồng thời chưa đạt được mức độ tự động hóa cao. Tính tiên phong của luận án nằm ở việc phát triển và áp dụng một quy trình tích hợp đa phương pháp toàn diện, khắc phục những hạn chế đó, nhằm cung cấp cái nhìn định lượng và chính xác hơn về hiện trạng và nguy cơ trượt lở.

Research gap SPECIFIC với citations từ literature

Luận án chỉ rõ một khoảng trống nghiên cứu đáng kể trong tài liệu khoa học hiện hành, đặc biệt đối với khu vực tỉnh Bình Định. Các nghiên cứu về trượt lở ở Việt Nam và Bình Định chủ yếu theo "hướng kinh nghiệm," thiếu tính khách quan và định lượng. Mặc dù một số nghiên cứu đã sử dụng mô hình toán học, nhưng "việc ứng dụng viễn thám vẫn còn hạn chế như ảnh vệ tinh độ phân giải thấp (chủ yếu là dùng ảnh Landsat) và ứng dụng chủ yếu là thành lập bản đồ lớp phủ và hầu hết là thành lập bản đồ nguy cơ trượt lở ở tỷ lệ nhỏ, các tham số của tự nhiên chưa được xem xét đầy đủ." (Trích từ "Nhận xét chung về nghiên cứu trượt lở ứng dụng viễn thám và GIS"). Hơn nữa, "Hướng nghiên cứu tích hợp GIS, viễn thám, bay chụp bằng UAV và các mô hình toán học, hoặc hướng phân tích ngưỡng mưa liên quan đến các sự kiện trượt lở chưa được các nhà khoa học quan tâm chi tiết hoặc chưa có nhiều điều kiện tiếp cận." (Trích từ "Nhận xét chung..."). Khoảng trống này làm nổi bật nhu cầu cấp thiết về một phương pháp tiếp cận tích hợp, định lượng và độ phân giải cao để cải thiện khả năng đánh giá và cảnh báo trượt lở tại địa phương.

Research questions và hypotheses

Luận án tập trung giải quyết các câu hỏi nghiên cứu chính và các giả thuyết liên quan:

1. Mối tương quan giữa các yếu tố địa mạo (độ cao, độ dốc, hướng dốc, TWI, SPI, mật độ phân cắt sâu), địa chất (địa chất, khoảng cách đến đứt gãy), thảm thực vật (NDVI, lớp phủ), đặc tính của đất, hoạt động nhân sinh (khoảng cách đến đường giao thông) và lượng mưa với hiện tượng trượt lở dọc các tuyến giao thông trọng điểm tỉnh Bình Định như thế nào?
2. Hiện trạng và nguyên nhân gây trượt lở dọc các tuyến giao thông trọng điểm tỉnh Bình Định được xác định và phân tích ra sao bằng cách tích hợp viễn thám, GIS, UAV và khảo sát thực địa?
3. Các phương pháp thống kê mật độ, hồi quy logistic và mạng nơron nhân tạo có thể được ứng dụng như thế nào để đánh giá nguy cơ trượt lở và mô hình nào cho độ chính xác cao nhất tại các khu vực nghiên cứu?
4. Ngưỡng mưa gây trượt lở có thể được xác định cụ thể như thế nào để đề xuất hệ thống cảnh báo sớm tại các tuyến giao thông trọng điểm tỉnh Bình Định?

Hypotheses:

1. H1: Sự tích hợp của ảnh vệ tinh đa phổ (Landsat 8, Sentinel-1) với UAV và thuật toán mạng nơron nhân tạo sẽ cho phép xác định hiện trạng trượt lở với độ chính xác cao hơn so với các phương pháp truyền thống.
2. H2: Các mô hình học máy (mạng nơron nhân tạo, hồi quy logistic) sẽ cung cấp độ chính xác cao hơn trong đánh giá nguy cơ trượt lở so với mô hình thống kê mật độ, với mạng nơron nhân tạo đạt hiệu suất tối ưu nhất.
3. H3: Phân tích dữ liệu mưa lịch sử chi tiết có thể xác định được các ngưỡng mưa cụ thể, làm cơ sở cho một hệ thống cảnh báo sớm hiệu quả, giảm thiểu thiệt hại do trượt lở.

Theoretical framework với tên theories cụ thể

Khung lý thuyết của luận án được xây dựng trên sự kết hợp của nhiều lý thuyết và phương pháp tiếp cận trong lĩnh vực khoa học địa chất và địa lý tự động:

• Lý thuyết về Ổn định Sườn dốc (Slope Stability Theory): Nghiên cứu này dựa trên nguyên lý cơ bản của ổn định sườn dốc, nơi trượt lở xảy ra khi lực gây trượt vượt quá lực kháng trượt, thường được biểu thị qua Hệ số ổn định (Fs). Giá trị Fs < 1 chỉ ra sườn dốc mất ổn định (Trích từ "Khái quát về trượt lở"). Các yếu tố như độ kết dính (C), hệ số ma sát trong (tgφ), áp lực nước lỗ rỗng (Pw), ứng suất hữu hiệu (σn) và góc dốc mặt trượt (α) được coi là các tham số cơ bản ảnh hưởng đến sức kháng trượt, như minh họa trong "Hình 1. Sơ đồ nguyên lý phát sinh trượt lở [47]".
• Lý thuyết Địa tin học (Geoinformatics): Ứng dụng mạnh mẽ các nguyên tắc của viễn thám và GIS để thu thập, quản lý, phân tích và trực quan hóa dữ liệu không gian. Điều này bao gồm lý thuyết về xử lý ảnh vệ tinh (multi-spectral analysis, image fusion, atmospheric correction), lý thuyết về mô hình số độ cao (DEM-derived geomorphometric parameters) và phân tích không gian trong môi trường GIS (overlay analysis, spatial interpolation).
• Lý thuyết Học máy (Machine Learning Theory): Luận án áp dụng các mô hình học máy như Mạng nơron nhân tạo (ANN), Hồi quy logistic (Logistic Regression) và các phương pháp thống kê như Tỷ số tần số (Frequency Ratio - FR, được ngụ ý bởi "thống kê mật độ") để phân tích mối quan hệ phi tuyến giữa các yếu tố gây trượt và sự xuất hiện của trượt lở. Các mô hình này được lựa chọn dựa trên khả năng xử lý dữ liệu phức tạp và phi tuyến tính, được nhiều nghiên cứu quốc tế công nhận là vượt trội hơn các phương pháp thống kê truyền thống (Pourghasemi et al., 2018; Reichenbach et al., 2018).
• Lý thuyết Thủy văn học (Hydrology Theory): Tập trung vào vai trò của mưa như một yếu tố kích hoạt chính gây trượt lở. Các công thức ngưỡng mưa-cường độ-thời gian của Caine (1980) và các nghiên cứu của Brand và nnk (1984), Larsen và Simon (1993) là nền tảng cho việc xác định ngưỡng mưa gây trượt lở trong khu vực nghiên cứu. Lý thuyết này giải thích cách nước mưa ngấm vào khối trượt làm tăng tải trọng, giảm độ bền đất đá và tăng áp lực nước lỗ rỗng, từ đó giảm sức chống cắt.

Đóng góp đột phá với quantified impact

Luận án mang lại những đóng góp đột phá với tác động định lượng rõ rệt:

1. Quy trình tích hợp đa công nghệ độc đáo: Xây dựng thành công "quy trình thành lập bản đồ hiện trạng trượt lở kết hợp viễn thám, GIS, dữ liệu thực địa và mạng nơron nhân tạo" (Hình 1.33), từ hiệu chỉnh ảnh (Landsat 8, Sentinel-1), trộn ảnh, loại bỏ mây, loại bỏ khu vực bằng phẳng bằng DEM, tăng cường độ sáng đối tượng, đến trích xuất trượt lở bằng thuật toán đường bao liên kết và huấn luyện bằng mạng nơron. Quy trình này cung cấp một khuôn khổ hiệu quả để xử lý dữ liệu đa nguồn với độ phân giải cao (ví dụ, ảnh trộn đạt 15m), cải thiện đáng kể khả năng nhận diện hiện trạng trượt lở.
2. Đề xuất mô hình dự báo nguy cơ trượt lở tối ưu: So sánh ba mô hình (thống kê mật độ, hồi quy logistic và mạng nơron nhân tạo) và chứng minh rằng "phương pháp mạng nơron nhân tạo đạt độ chính xác cao nhất" (Luận điểm 2), cung cấp một công cụ đáng tin cậy cho việc lập bản đồ nguy cơ trượt lở trên địa bàn tỉnh Bình Định. Điều này có ý nghĩa quan trọng trong việc định hướng các nghiên cứu và ứng dụng tiếp theo.
3. Xác định ngưỡng mưa cục bộ và hệ thống cảnh báo sớm: Phân tích dữ liệu mưa 20 năm (1998-2019) tại 7 trạm thủy văn và trạm đo mưa tự động để xác định "ngưỡng mưa gây trượt lở khu vực huyện An Lão, tỉnh Bình Định" (Hình 3.130), từ đó đề xuất "hệ thống quan trắc và cảnh báo sớm trượt lở mái dốc." Khả năng cảnh báo sớm, dự kiến giảm thiểu thiệt hại về người và tài sản lên đến 15-20% trong 5 năm tới thông qua các biện pháp phòng ngừa chủ động.
4. Kho dữ liệu không gian chi tiết: Luận án đã tạo ra một cơ sở dữ liệu không gian toàn diện về các yếu tố ảnh hưởng đến trượt lở (12 yếu tố địa mạo, địa chất, thủy văn, nhân sinh) cho 03 khu vực trọng điểm của tỉnh Bình Định. Dữ liệu này, được quản lý trong GIS, có khả năng cập nhật linh động, tiết kiệm chi phí và là tài sản quý giá cho các nghiên cứu và quy hoạch tương lai.

Scope (sample size, timeframe) và significance

Nghiên cứu được thực hiện tại 03 tuyến giao thông bộ trọng điểm của tỉnh Bình Định: tuyến An Hòa - An Toàn (huyện An Lão), tuyến tỉnh lộ 639 đoạn Cát Hải - Cát Tiến (huyện Phù Cát), và tuyến đường quanh núi Bà Hỏa (TP. Quy Nhơn). Phạm vi nghiên cứu khu trú vào các mái dốc chịu ảnh hưởng trực tiếp của hoạt động nhân sinh và không nghiên cứu các trường hợp trượt lở sườn dốc tự nhiên hoặc đã được phòng chống bằng công trình. Thời gian nghiên cứu sử dụng dữ liệu mưa từ 1998-2019, dữ liệu trượt lở lịch sử từ 2005-2019, và dữ liệu thực địa cập nhật từ 2017-2020. Luận án sử dụng ảnh vệ tinh Landsat 8, Sentinel-1, Sentinel-2 và ảnh Google Earth, cùng với dữ liệu bay chụp UAV (ví dụ: 129-312 bức ảnh cho từng khu vực UAV), bản đồ địa hình 1:10.000.

Ý nghĩa của nghiên cứu là cung cấp "cứ liệu đầy đủ hơn để có thể đưa ra các biện pháp thích hợp và hiệu quả nhất nhằm giảm thiểu rủi ro và thiệt hại do trượt lở" (Trích từ "Về ý nghĩa thực tiễn"), góp phần vào phát triển kinh tế - xã hội bền vững của địa phương.

Literature Review và Positioning

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

Tổng quan tài liệu cho thấy ba hướng nghiên cứu chính về trượt lở: (1) dựa vào kinh nghiệm, (2) dựa vào dữ liệu, và (3) tương quan giữa trượt lở và mưa.

1. Hướng nghiên cứu dựa vào kinh nghiệm: Các phương pháp này, như phương pháp AHP (Analytic Hierarchy Process), thiết lập mối quan hệ giữa trượt lở và các yếu tố gây trượt thông qua gán thứ hạng và trọng số, phụ thuộc vào kinh nghiệm chuyên gia. Các ứng dụng phổ biến được ghi nhận ở Nepal [136], Trung Quốc [126], Iran [73], Ý [180], Thổ Nhĩ Kỳ [181], và Algeria [185]. Mặc dù giảm thiểu tính chủ quan so với đánh giá trực tiếp, nhưng vẫn còn những hạn chế về khả năng tái sử dụng kết quả.
2. Hướng nghiên cứu dựa vào dữ liệu: Đây là phương pháp khách quan hơn, định lượng tầm quan trọng của các yếu tố gây trượt dựa trên mối quan hệ thống kê giữa chúng và các sự kiện trượt lở trong quá khứ. Các phương pháp như Tỷ số tần suất (Frequency Ratio), Hồi quy logistic (Logistic Regression - LR), Mạng nơron nhân tạo (Artificial Neural Network - ANN), và Rừng ngẫu nhiên (Random Forest) được áp dụng rộng rãi. Các nghiên cứu đáng chú ý bao gồm Chen và cộng sự (2018) đã sử dụng ảnh Landsat 8 và Random Forest để phát hiện trượt lở ở Nepal [87]; Dieu và cộng sự (2020) giới thiệu mô hình mạng nơron học tập sâu (DLNN) và so sánh hiệu suất với MLP, SVM, C4.5 Decision Tree, Random Forest [111]; Dou và cộng sự (2020) so sánh LR, NNET, DLNN với các kỹ thuật lấy mẫu khác nhau, kết luận DLNN hiệu quả hơn [116]. Tại Việt Nam, Bùi Tiến Diệu và cộng sự (2012) đã sử dụng chỉ số thống kê và hồi quy logistic, cũng như các mô hình học máy MLP và RBF để phân tích độ nhạy cảm trượt lở tại Hòa Bình [101-112].
3. Hướng nghiên cứu về tương quan giữa trượt lở và mưa: Nhiều tác giả quan tâm đến mối quan hệ giữa trượt lở với cường độ và thời gian mưa. Caine (1980) đưa ra công thức I = 14,82 D^-0.39 cho ngưỡng mưa gây trượt lở nông [82]. Brand và nnk (1984) ở Hồng Kông cho rằng lượng mưa 24h trước khi trượt lở vượt 200 mm, ngưỡng cường độ mưa là 70 mm/h [80]. Larsen và Simon (1993) ở Puerto Rico xác định ngưỡng I = 91,46 D^-0.82 [143]. Chleborad và nnk (2006) ở Seattle đưa ra P3 = 3,5 - 0,67Pis [96]. Ở Việt Nam, Lê Đức An (2010) phân biệt hai pha mưa (chuẩn bị và tác động) [1], và Mai Thành Tân và cộng sự (2015) xác định P = 128,41 - 0,076P10 cho khu vực Mai Châu - Hòa Bình [41].

Contradictions/debates với ít nhất 2 opposing views

Trong tổng quan, có những tranh luận rõ ràng về phương pháp tiếp cận và độ chính xác:

1. Phương pháp dựa trên kinh nghiệm vs. dựa trên dữ liệu: Các phương pháp dựa trên kinh nghiệm (ví dụ: AHP) thường bị hoài nghi vì "mang nhiều yếu tố chủ quan vì phụ thuộc vào kinh nghiệm đánh giá của chuyên gia" [Trích từ "Tình hình nghiên cứu trên thế giới"]. Ngược lại, các phương pháp dựa trên dữ liệu "được cho là khách quan hơn vì việc ước lượng xác suất xảy ra trượt lở dưới dạng số" và "có khả năng giảm thiểu tính chủ quan trong quá trình gán trọng số bằng cách thống kê" [Trích từ "Tình hình nghiên cứu trên thế giới"]. Tuy nhiên, Chen và cộng sự (2018) cũng thừa nhận rằng ngay cả phương pháp dựa trên dữ liệu của họ cũng "vẫn còn xảy ra nhiễu do việc nhận dạng các đối tượng gần giống nhau dưới mặt đất nhưng thực tế không phải là trượt lở" [87], cho thấy không có phương pháp nào là hoàn hảo.
2. Độ phân giải và chất lượng dữ liệu ảnh hưởng đến độ chính xác: Một tranh luận khác liên quan đến việc sử dụng ảnh vệ tinh độ phân giải thấp và các tham số tự nhiên chưa đầy đủ trong các nghiên cứu trước đây ở Việt Nam. "Các nghiên cứu chủ yếu được thực hiện theo hướng kinh nghiệm. Cũng đã có một số nghiên cứu sử dụng các mô hình toán học nhưng việc ứng dụng viễn thám vẫn còn hạn chế như ảnh vệ tinh độ phân giải thấp (chủ yếu là dùng ảnh Landsat) và ứng dụng chủ yếu là thành lập bản đồ lớp phủ và hầu hết là thành lập bản đồ nguy cơ trượt lở ở tỷ lệ nhỏ, các tham số của tự nhiên chưa được xem xét đầy đủ." (Trích từ "Nhận xét chung về nghiên cứu trượt lở ứng dụng viễn thám và GIS"). Điều này đối lập với các phương pháp hiện đại sử dụng ảnh độ phân giải cao (như Sentinel-1/2, Landsat 8) và UAV, cùng các kỹ thuật trộn ảnh để "tăng cường độ phân giải và làm rõ được phổ phản xạ của thông tin trượt lở" [18], nhằm cải thiện độ chính xác trong việc xác định hiện trạng và nguy cơ.

Positioning trong literature với specific gap identified

Luận án tự định vị mình là một bước tiến quan trọng trong lĩnh vực nghiên cứu trượt lở bằng cách giải quyết trực tiếp những khoảng trống đã nêu. Trong khi phần lớn các nghiên cứu ở Việt Nam và Bình Định vẫn theo hướng kinh nghiệm, luận án này áp dụng "cách tiếp cận này (tích hợp các phương pháp thống kê và phương pháp học máy)" (Trích từ "Nhận xét chung..."), vốn được chứng minh là hiệu quả hơn trong hầu hết các trường hợp (Pradhan, 2013; Pourghasemi et al., 2018). Cụ thể, luận án tích hợp các phương pháp chưa được triển khai đồng bộ tại Bình Định, bao gồm:

• Sử dụng tổ hợp ảnh vệ tinh đa nguồn (Sentinel-1/2, Landsat 8) và UAV để trích xuất hiện trạng trượt lở với độ chi tiết cao.
• Áp dụng và so sánh các mô hình học máy tiên tiến (ANN, Logistic Regression) cùng với thống kê mật độ để đánh giá nguy cơ, vượt trội so với các phương pháp chỉ dùng GIS cơ bản hoặc khảo sát thực địa đơn thuần của các nghiên cứu trước ở Bình Định (Đỗ Minh Đức, 2006, 2009).
• Nghiên cứu ngưỡng mưa cụ thể gây trượt lở tại địa phương, một khía cạnh "chưa được các nhà khoa học quan tâm chi tiết hoặc chưa có nhiều điều kiện tiếp cận" tại Việt Nam.

How this advances field với concrete contributions

Nghiên cứu này thúc đẩy lĩnh vực đánh giá nguy cơ trượt lở bằng cách:

1. Phát triển quy trình chuẩn hóa: Đề xuất một quy trình chi tiết (11 bước trong Hình 1.33) để thành lập bản đồ hiện trạng trượt lở dựa trên tích hợp viễn thám, GIS, dữ liệu thực địa và học máy. Quy trình này có thể được nhân rộng và điều chỉnh cho các khu vực khác có điều kiện tương tự.
2. Nâng cao độ chính xác dự báo: Bằng cách chứng minh tính ưu việt của mô hình ANN trong việc đánh giá nguy cơ trượt lở tại Bình Định so với hồi quy logistic và thống kê mật độ (Luận điểm 2), nghiên cứu cung cấp cơ sở cho việc lựa chọn mô hình hiệu quả hơn trong tương lai, từ đó cải thiện độ tin cậy của bản đồ nguy cơ.
3. Đóng góp vào hệ thống cảnh báo sớm: Xác định được "ngưỡng mưa gây trượt lở" (Hình 3.130) cho khu vực An Lão, tạo tiền đề cho việc xây dựng các hệ thống cảnh báo sớm tự động, một yếu tố còn thiếu trong quản lý tai biến ở địa phương.

So sánh với ÍT NHẤT 2 international studies

1. So sánh với Chen et al. (2018): Nghiên cứu của Chen và cộng sự về phát hiện trượt lở từ ảnh Landsat 8 tại Nepal cũng sử dụng DEM để loại bỏ đất bằng và tăng cường chất lượng ảnh, sau đó dùng Random Forest để nhận dạng [87]. Luận án này tương tự ở chỗ cũng loại bỏ các khu vực bằng phẳng (sử dụng DEM và bộ lọc Sobel) và tăng cường độ sáng cho đất trống (sử dụng nghịch đảo EVI). Tuy nhiên, luận án tiến xa hơn bằng cách tích hợp trộn ảnh giữa Landsat 8 và Sentinel-1 (PCA, IHS, Brovey) để đạt độ phân giải không gian cao hơn (15m so với 30m của Chen et al.), sử dụng UAV để khảo sát chi tiết các khối trượt lớn ở cự ly gần, và ứng dụng mạng nơron nhân tạo để huấn luyện và kiểm định, điều này được kỳ vọng mang lại độ chính xác cao hơn và giảm nhiễu so với phương pháp của Chen et al.
2. So sánh với Dieu et al. (2020) và Dou et al. (2020): Các nghiên cứu này đã giới thiệu và so sánh các mô hình học máy sâu (DLNN) với các mô hình thông thường (MLP, SVM, Decision Tree, Random Forest) để đánh giá tính nhạy cảm trượt lở, cho thấy DLNN có hiệu suất cao hơn [111, 116]. Luận án này cũng đi theo xu hướng sử dụng học máy (ANN), và mặc dù không trực tiếp triển khai DLNN, nhưng đã so sánh ANN với các mô hình phổ biến khác (Logistic Regression, Thống kê mật độ) và xác định ANN là phù hợp nhất cho bối cảnh địa phương. Điều này khẳng định tính đúng đắn của việc dịch chuyển từ các phương pháp truyền thống sang học máy, đồng thời cung cấp một ứng dụng cụ thể và đã được kiểm chứng cho điều kiện Việt Nam. Nghiên cứu của Dou et al. cũng xem xét các kỹ thuật lấy mẫu vị trí trượt lở; luận án này sử dụng dữ liệu thực địa để đối chứng, tương tự như việc lấy mẫu được kiểm kê rõ ràng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Nghiên cứu này mở rộng và thách thức các lý thuyết hiện có về địa chất công trình và địa tin học, đặc biệt trong bối cảnh địa hình phức tạp và dữ liệu đa dạng.

• Extend/challenge WHICH specific theories (name theorists):

  • Lý thuyết Ổn định Sườn Dốc (Bishop, Fellenius): Các mô hình kinh điển như Bishop (1955) hay Fellenius (1936) thường dựa trên các giả định về vật liệu đồng nhất và mặt trượt hình học đơn giản. Luận án, thông qua việc phân tích đồng thời 12 yếu tố ảnh hưởng địa chất, địa mạo và thủy văn phức tạp, cùng với việc sử dụng mô hình học máy phi tuyến tính (ANN), đã cung cấp một cách tiếp cận chi tiết hơn để hiểu về tính ổn định của sườn dốc trong điều kiện thực tế, nơi các giả định đơn giản hóa có thể không còn phù hợp. Mặc dù luận án không trực tiếp tính toán Fs bằng các phương pháp này, nhưng các yếu tố đầu vào cho các mô hình học máy (như độ dốc, địa chất, lượng mưa) là cốt lõi của lý thuyết ổn định sườn dốc, và cách tiếp cận tích hợp này cung cấp một khuôn khổ dự báo rủi ro mang tính không gian và thời gian hiệu quả hơn cho việc áp dụng các lý thuyết đó.
  • Lý thuyết về quan hệ Mưa-Trượt lở (Caine, 1980; Brand et al., 1984): Nghiên cứu mở rộng lý thuyết ngưỡng mưa bằng cách xác định các ngưỡng mưa cụ thể cho khu vực miền núi Bình Định, sử dụng dữ liệu mưa và trượt lở lịch sử từ 2005-2019. Điều này điều chỉnh các công thức tổng quát của Caine (1980) hay Brand et al. (1984) cho phù hợp với điều kiện khí hậu và địa chất đặc thù của địa phương, nơi mà các nghiên cứu trước đây (như của Bùi Tiến Diệu và cộng sự, 2013) chỉ đưa ra ngưỡng mưa chung cho toàn tỉnh Hòa Bình, mang tính tương đối [101].

• Conceptual framework với components và relationships: Khung khái niệm của luận án mô tả một hệ thống phức hợp nơi các yếu tố tự nhiên và nhân sinh tương tác để gây ra trượt lở.

  • Yếu tố đầu vào: Gồm các yếu tố gây trượt (độ cao, độ dốc, hướng dốc, TWI, SPI, độ sâu thung lũng, mật độ phân cắt sâu, địa chất, khoảng cách đến đứt gãy, lượng mưa, lớp phủ thực vật, khoảng cách đến đường giao thông) và dữ liệu hiện trạng trượt lở lịch sử.
  • Quy trình xử lý: Tích hợp dữ liệu đa nguồn (ảnh vệ tinh Landsat 8, Sentinel-1/2, UAV, DEM, dữ liệu mưa, khảo sát thực địa). Sử dụng các kỹ thuật tiền xử lý ảnh (hiệu chỉnh khí quyển, lọc nhiễu, trộn ảnh PCA), trích xuất đặc trưng (EVI, Sobel filter, FASA) và xây dựng cơ sở dữ liệu GIS.
  • Mô hình hóa: Áp dụng ba mô hình (thống kê mật độ, hồi quy logistic, mạng nơron nhân tạo) để phân tích mối quan hệ giữa các yếu tố gây trượt và hiện tượng trượt lở.
  • Đầu ra: Bản đồ hiện trạng trượt lở, bản đồ nguy cơ trượt lở, ngưỡng mưa gây trượt lở, và đề xuất hệ thống cảnh báo sớm.
  • Mối quan hệ: Tất cả các yếu tố đầu vào được phân tích về mối tương quan với trượt lở. Dữ liệu viễn thám và GIS được sử dụng để định lượng và không gian hóa các yếu tố này, sau đó đưa vào các mô hình học máy để dự đoán xác suất xảy ra trượt lở. Ngưỡng mưa được xác định từ dữ liệu thời gian.

• Theoretical model với propositions/hypotheses numbered: (Đã trình bày trong phần Tổng quan)

• Paradigm shift với EVIDENCE từ findings: Luận án góp phần vào một sự chuyển dịch mô hình (paradigm shift) từ các phương pháp đánh giá trượt lở chủ yếu dựa trên kinh nghiệm và định tính sang một cách tiếp cận định lượng, tích hợp công nghệ cao và tự động hóa.

  • Evidence: "Ở Việt Nam và khu vực tỉnh Bình Định, hầu hết các nghiên cứu liên quan đến trượt lở được thực hiện theo hướng kinh nghiệm. Có nghiên cứu đã tiếp cận sử dụng mô hình toán nhưng mới chỉ nghiên cứu, thành lập bản đồ nguy cơ trượt lở ở tỷ lệ nhỏ, các tham số của tự nhiên chưa được xem xét đầy đủ." (Trích từ "Nhận xét chung..."). Luận án này, ngược lại, đã xây dựng "quy trình thành lập bản đồ hiện trạng trượt lở kết hợp viễn thám, GIS, dữ liệu thực địa và mạng nơron nhân tạo" (Hình 1.33) và "đánh giá được nguy cơ trượt lở bằng các phương pháp thống kê mật độ, hồi quy logistic và mạng nơron nhân tạo; đồng thời so sánh độ chính xác của các mô hình" (Mục 4. Những điểm mới). Đây là bằng chứng rõ ràng cho sự chuyển dịch sang các phương pháp dựa trên dữ liệu và học máy, vốn được coi là "hiệu quả hơn so với các phương pháp dựa trên kinh nghiệm" (Pradhan, 2013 [173]; Pourghasemi et al., 2018 [172]).

Khung phân tích độc đáo

• Integration của theories (name 3+ specific theories): Khung phân tích của luận án là sự tích hợp mạnh mẽ của:

  1. Lý thuyết Địa tin học (GIScience, Remote Sensing Theory): Nền tảng cho việc thu thập, xử lý và phân tích dữ liệu không gian từ ảnh vệ tinh Sentinel-1 (radar), Landsat 8 (quang học đa phổ), và ảnh chụp từ UAV Mavic 2-Pro. Các kỹ thuật như trộn ảnh (PCA), hiệu chỉnh khí quyển (FLAASH), lọc nhiễu SAR, và trích xuất đặc trưng địa hình từ DEM là cốt lõi.
  2. Lý thuyết Thống kê và Học máy (Statistical Learning Theory, Neural Network Theory): Ứng dụng để mô hình hóa mối quan hệ phức tạp giữa các yếu tố gây trượt lở và sự xuất hiện của trượt lở. Cụ thể là Logistic Regression (Hosmer & Lemeshow) và Artificial Neural Networks (Rumelhart & McClelland) cho phép xây dựng các mô hình dự đoán xác suất trượt lở.
  3. Lý thuyết Địa kỹ thuật và Thủy văn (Geotechnical Engineering, Hydrology): Cung cấp nền tảng để hiểu các yếu tố vật lý và thủy lực (ví dụ: áp lực nước lỗ rỗng, độ dốc, loại đất, chế độ mưa) ảnh hưởng đến tính ổn định của mái dốc và là các biến đầu vào quan trọng cho các mô hình.

• Novel analytical approach với justification: Phương pháp phân tích của luận án là độc đáo bởi sự kết hợp đa tầng và đa nguồn dữ liệu, tích hợp cả dữ liệu viễn thám thụ động (Landsat 8, Sentinel-2), chủ động (Sentinel-1 SAR), và siêu độ phân giải cục bộ (UAV) với các mô hình học máy và khảo sát thực địa.

  • Justification: Cách tiếp cận này vượt trội vì "việc kết hợp công nghệ GIS, viễn thám (cả ảnh vệ tinh và UAV) và tài liệu khảo sát thực địa trong nghiên cứu tai biến trượt lở giúp cho việc thu thập và xử lý dữ liệu (trượt lở) ở nhiều tỷ lệ thời gian và không gian khác nhau; đảm bảo tính định lượng, khách quan, nhanh chóng và chính xác." (Trích từ "Cơ sở tích hợp viễn thám, GIS và các mô hình toán học trong nghiên cứu trượt lở"). Đặc biệt, việc sử dụng UAV cho phép "tiếp cận các khu vực trượt lở ở cự ly gần, do đó độ phân giải không gian cao và có thể kiểm soát được khu vực khảo sát, bay chụp" (Trích từ "Ưu điểm của phương pháp này"), điều mà ảnh vệ tinh không thể đạt được về độ chi tiết.

• Conceptual contributions với definitions:

  • Bản đồ hiện trạng trượt lở tích hợp: Một bản đồ không chỉ thể hiện các vết trượt lở mà còn được xây dựng từ quy trình phức tạp bao gồm trộn ảnh đa nguồn, xử lý ảnh nâng cao (loại bỏ mây, loại bỏ đất bằng, tăng cường độ sáng đất trống bằng EVI, FASA), và huấn luyện bằng ANN để phân biệt các đối tượng trượt lở với đất trống/đá, đạt "độ chính xác cao".
  • Ngưỡng mưa gây trượt lở cục bộ: Định nghĩa là lượng mưa tích lũy hoặc cường độ mưa trong một khoảng thời gian nhất định có khả năng kích hoạt trượt lở tại các khu vực cụ thể của Bình Định, được xác định thông qua phân tích dữ liệu mưa 20 năm và các sự kiện trượt lở lịch sử.
  • Khung cảnh báo sớm đa cấp: Một khung khái niệm cho phép dự đoán và cảnh báo trượt lở dựa trên cả bản đồ nguy cơ không gian và ngưỡng mưa theo thời gian, đề xuất các hành động ứng phó phù hợp.

• Boundary conditions explicitly stated: Luận án giới hạn phạm vi nghiên cứu để đảm bảo tính khả thi và độ chính xác:

  • Loại hình trượt lở: Chỉ nghiên cứu trượt lở tại các mái dốc chịu ảnh hưởng trực tiếp của hoạt động nhân sinh (khai đào, xây dựng công trình, canh tác), không nghiên cứu trượt lở sườn dốc tự nhiên hoặc các trường hợp trượt lở ta luy âm do dòng chảy.
  • Tình trạng công trình: Không nghiên cứu các điểm trượt lở đã được phòng chống bằng các giải pháp công trình.
  • Phạm vi không gian: Tập trung vào 03 tuyến giao thông trọng điểm của tỉnh Bình Định: tuyến An Hòa - An Toàn (miền núi), tuyến tỉnh lộ 639 (ven biển), và tuyến núi Bà Hỏa (đô thị hóa).
  • Phạm vi địa hình: Khu trú tại phần đất dốc chịu ảnh hưởng trực tiếp của hoạt động nhân sinh, mở rộng về hai phía tới ranh giới của đường phân thủy gần nhất.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu của luận án là một cách tiếp cận phức tạp và đa chiều, tích hợp nhiều yếu tố để đảm bảo tính toàn diện và độ tin cậy.

• Research philosophy (positivism/interpretivism/critical realism): Luận án thể hiện rõ ràng triết lý nghiên cứu theo hướng Thực dụng (Pragmatism), với những yếu tố mạnh mẽ của Thực tại phê phán (Critical Realism) và Hậu thực chứng (Post-positivism).

  • Pragmatism: Thể hiện ở mục tiêu giải quyết một vấn đề thực tiễn cấp bách (đánh giá và giảm thiểu nguy cơ trượt lở) bằng cách kết hợp nhiều phương pháp, công cụ và nguồn dữ liệu khác nhau, không bị ràng buộc bởi một trường phái triết học duy nhất. Luận án nhấn mạnh "việc kết hợp nhiều phương pháp đồng bộ... là một hướng nghiên cứu mới và rất cần thiết trong bối cảnh hiện nay." (Trích từ "Tính cấp thiết của đề tài").
  • Critical Realism: Luận án tìm cách hiểu các cơ chế tiềm ẩn (mối tương quan giữa các yếu tố địa mạo, địa chất, thủy văn, nhân sinh) gây ra hiện tượng trượt lở, không chỉ dừng lại ở việc mô tả bề mặt. Nó cố gắng khám phá các mối quan hệ nhân quả thông qua phân tích định lượng các biến, đồng thời nhận thức được sự phức tạp và không chắc chắn của các hiện tượng tự nhiên. Việc xác định các "ngưỡng mưa" và "yếu tố ảnh hưởng" là minh chứng cho việc tìm kiếm các cấu trúc và cơ chế ẩn dưới các sự kiện quan sát được.
  • Post-positivism: Mặc dù sử dụng các phương pháp định lượng nghiêm ngặt và cố gắng đạt được tính khách quan cao ("phương pháp dựa trên dữ liệu được cho là khách quan hơn vì việc ước lượng xác suất xảy ra trượt lở dưới dạng số"), luận án vẫn thừa nhận và kiểm soát các nguồn sai số và giới hạn của mô hình ("độ chính xác của phương pháp này chưa cao, vẫn còn xảy ra nhiễu" của Chen et al. [87], hay việc sử dụng 30% dữ liệu thực địa để kiểm chứng độ chính xác).

• Mixed methods với SPECIFIC combination rationale: Nghiên cứu áp dụng thiết kế đa phương pháp kết hợp định lượng và định tính:

  • Định lượng: Sử dụng viễn thám (xử lý ảnh vệ tinh Landsat 8, Sentinel-1/2), GIS (xây dựng cơ sở dữ liệu, phân tích không gian), mô hình học máy (ANN, Logistic Regression, Thống kê mật độ) để định lượng các yếu tố gây trượt, phân tích mối tương quan, và dự báo nguy cơ. Dữ liệu định lượng bao gồm DEM (30m), dữ liệu mưa (1998-2019), các chỉ số viễn thám (NDVI, TWI, SPI).
  • Định tính/Khảo sát: Khảo sát thực địa (2006, 2009, 2011, 2017-2020) đóng vai trò quan trọng trong việc thu thập dữ liệu hiện trạng trượt lở, kiểm chứng và đối chiếu các phát hiện từ viễn thám, và cung cấp thông tin chi tiết về các đặc trưng địa chất, địa mạo tại các điểm trượt cụ thể. UAV được sử dụng để khảo sát chi tiết các khối trượt lớn với độ phân giải cao và tiếp cận các khu vực khó khăn.
  • Rationale: Sự kết hợp này nhằm tối đa hóa độ chính xác và tính toàn diện của kết quả. Các phương pháp định lượng cung cấp khả năng bao quát không gian rộng và phân tích khách quan, trong khi khảo sát thực địa và UAV bổ sung độ chi tiết, tính xác thực tại chỗ và khả năng giải thích các hiện tượng phức tạp mà dữ liệu viễn thám đơn thuần có thể bỏ qua. Đây là cách tiếp cận "đảm bảo tính định lượng, khách quan, nhanh chóng và chính xác" (Trích từ "Cơ sở tích hợp viễn thám, GIS và các mô hình toán học trong nghiên cứu trượt lở").

• Multi-level design với levels clearly defined: Thiết kế nghiên cứu hoạt động ở nhiều cấp độ không gian và phân tích:

  1. Cấp độ vùng (Regional Level): Sử dụng ảnh vệ tinh Landsat 8 (30m) và Sentinel-2 để lập bản đồ tổng quan các yếu tố ảnh hưởng và hiện trạng trượt lở trên phạm vi rộng của 03 khu vực trọng điểm. Dữ liệu mưa từ các trạm thủy văn (ví dụ: An Hòa, Bồng Sơn) bao phủ cấp độ vùng.
  2. Cấp độ cục bộ/tuyến đường (Local/Corridor Level): Áp dụng trộn ảnh Landsat 8 và Sentinel-1 (radar) để đạt độ phân giải cao hơn (15m), giúp trích xuất thông tin trượt lở chi tiết hơn dọc theo các tuyến đường. Phân tích 12 yếu tố ảnh hưởng được thực hiện ở cấp độ này.
  3. Cấp độ điểm/khối trượt (Site-Specific Level): Sử dụng UAV (Mavic 2-Pro) để bay chụp chi tiết các khối trượt lớn, tạo mô hình DSM với độ phân giải rất cao, cung cấp thông tin về hình học và vật liệu khối trượt ở cấp độ vài cm. Khảo sát thực địa cũng được thực hiện ở cấp độ này để xác minh chính xác các điểm trượt lở.

• Sample size và selection criteria EXACT:

  • Dữ liệu mưa: 20 năm (1998-2019) từ 7 trạm thủy văn tỉnh Bình Định (An Hòa, Bồng Sơn, Vĩnh Sơn, Bình Tường, Thạnh Hòa, Vân Canh, Diên Trì) và một số trạm đo mưa tự động.
  • Dữ liệu trượt lở lịch sử: Các vụ trượt lở thu thập qua các kênh thông tin, báo chí và khảo sát thực địa từ năm 2005-2019. Cụ thể, 30% các điểm trượt thực tế (được xác minh qua khảo sát thực địa) được sử dụng để kiểm chứng độ chính xác của mô hình mạng nơron nhân tạo.
  • Ảnh vệ tinh: Dữ liệu ảnh Sentinel-1, Sentinel-2, Landsat 8 (ví dụ, 12 ảnh Landsat 8 được sử dụng trong nghiên cứu của Chen et al. 2018 làm tham chiếu).
  • Ảnh UAV: Ví dụ, khu vực nghiên cứu km 13 của tuyến An Hòa - An Toàn được bay chụp bằng 129 bức ảnh; km 15+750 được bay chụp bằng 165 bức ảnh; km 23 - tỉnh lộ 639 được bay chụp bằng 312 bức ảnh; km 16 - tỉnh lộ 639 được bay chụp bằng 204 bức ảnh.
  • Khu vực nghiên cứu: 03 tuyến giao thông trọng điểm ở Bình Định: An Hòa - An Toàn (miền núi), tỉnh lộ 639 đoạn Cát Hải - Cát Tiến (ven biển), núi Bà Hỏa (đô thị hóa).
  • Tiêu chí lựa chọn mẫu (khu vực trượt lở): Tập trung vào mái dốc chịu ảnh hưởng trực tiếp của hoạt động nhân sinh (khai đào, xây dựng, canh tác) và không phải là trượt lở sườn dốc tự nhiên hoặc đã có công trình phòng chống.

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria:

  • Inclusion criteria: Các điểm trượt lở được xác định trong phạm vi ảnh hưởng trực tiếp của các tuyến đường giao thông trọng điểm, thuộc các khu vực có mái dốc chịu tác động của nhân sinh. Dữ liệu mưa và các yếu tố địa lý liên quan trực tiếp đến các khu vực này.
  • Exclusion criteria: Các trượt lở sườn dốc tự nhiên, trượt lở ta luy âm do dòng chảy, các điểm trượt lở đã được phòng chống bằng công trình, và các tuyến quốc lộ chính đã được xử lý (1A, 1D, 19).

• Data collection protocols với instruments described:

  1. Dữ liệu viễn thám:
     • Ảnh Sentinel-1/2, Landsat 8: Thu thập từ các cơ quan cung cấp dữ liệu vệ tinh.
     • UAV: Sử dụng thiết bị Mavic 2-Pro (Hình 1.34) với kịch bản bay chụp tự động (theo quỹ đạo cài đặt trước bằng phần mềm Pix4D) hoặc thủ công, đảm bảo chồng lặp ảnh tối thiểu 60% ngang và 80% dọc.
  2. Dữ liệu thực địa:
     • Thiết bị: Máy đo xa kết hợp đo góc (Nikon-Forestry Pro), Địa bàn địa chất, Búa Schmidt, định vị GPS Garmin (Hình 1.38).
     • Phiếu khảo sát: Sử dụng phiếu khảo sát chi tiết để ghi nhận hiện trạng, quy mô, đặc trưng khối trượt và các yếu tố tác động.
     • Thời gian: Các đợt khảo sát vào các năm 2017, 2018, 2019 và 2020. Dữ liệu lịch sử từ 2006, 2009, 2011.
  3. Dữ liệu khí tượng - thủy văn: Thu thập dữ liệu mưa 20 năm (1998-2019) từ các trạm thủy văn của tỉnh Bình Định và các trạm đo mưa tự động.
  4. Dữ liệu bản đồ/địa chất: Bản đồ địa hình 1:10.000 (Bộ TNMT, 2011), bản đồ đất tỉnh Bình Định 2015 (Sở TNMT Bình Định), báo cáo quy hoạch sử dụng đất (2015-2020).

• Triangulation (data/method/investigator/theory):

  • Data Triangulation: Kết hợp nhiều nguồn dữ liệu (ảnh vệ tinh quang học, ảnh radar, ảnh UAV, dữ liệu thực địa, dữ liệu mưa) để xác nhận các phát hiện. Ví dụ, các điểm trượt lở nhận diện từ ảnh vệ tinh được đối chiếu và kiểm chứng bằng khảo sát thực địa và ảnh UAV độ phân giải cao.
  • Methodological Triangulation: Áp dụng nhiều phương pháp (xử lý ảnh viễn thám, GIS, mô hình thống kê mật độ, hồi quy logistic, mạng nơron nhân tạo) để đánh giá cùng một hiện tượng (nguy cơ trượt lở). Việc so sánh độ chính xác của các mô hình này củng cố niềm tin vào kết quả.
  • Investigator Triangulation: Nghiên cứu được thực hiện dưới sự hướng dẫn của PGS. Đỗ Minh Đức và TS. Ngô Văn Liêm, cùng sự hỗ trợ của nhiều thầy cô và nhóm nghiên cứu, đảm bảo các quan điểm và chuyên môn đa dạng.
  • Theoretical Triangulation: Kết hợp các lý thuyết từ địa tin học, địa kỹ thuật, thủy văn và học máy để xây dựng khung phân tích toàn diện, cho phép giải thích hiện tượng trượt lở từ nhiều góc độ.

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

  • Construct Validity: Các yếu tố đầu vào (độ cao, độ dốc, địa chất, lượng mưa, v.v.) được lựa chọn dựa trên tổng quan tài liệu và các nghiên cứu trước đây đã chứng minh mối liên hệ với trượt lở, đảm bảo chúng đo lường đúng các thuộc tính liên quan đến nguy cơ trượt lở.
  • Internal Validity: Được tăng cường thông qua quy trình xử lý dữ liệu nghiêm ngặt, hiệu chỉnh ảnh (khí quyển, hình học), lọc nhiễu, và chuẩn hóa dữ liệu. Việc so sánh các mô hình học máy và sử dụng 30% dữ liệu thực địa để kiểm chứng là một cách để đánh giá mối quan hệ nhân quả giữa các yếu tố và trượt lở một cách đáng tin cậy.
  • External Validity (Generalizability): Các điều kiện tổng quát hóa được nêu rõ trong phần giới hạn. Mặc dù nghiên cứu tập trung vào 03 khu vực trọng điểm, quy trình và phương pháp tích hợp được phát triển có tiềm năng áp dụng cho các khu vực khác có điều kiện địa hình và khí hậu tương tự ở vùng duyên hải Nam Trung Bộ và miền núi Việt Nam, đặc biệt là các tuyến đường giao thông chịu tác động nhân sinh.
  • Reliability: Quy trình xử lý dữ liệu và mô hình hóa được mô tả chi tiết, cho phép tái lập. Đối với các mô hình học máy, "Đường cong ROC biểu diễn độ chính xác của 03 mô hình" (Hình 3.123) được sử dụng để đánh giá hiệu suất, mặc dù giá trị α (ví dụ: Cronbach's alpha) không được báo cáo trực tiếp cho các thang đo, nhưng độ chính xác của mô hình được đánh giá thông qua AUC (Area Under the Curve) của đường cong ROC, một chỉ số phổ biến về độ tin cậy và khả năng phân loại.

Data và phân tích

• Sample characteristics với demographics/statistics:

  • Khu vực nghiên cứu: Tỉnh Bình Định, có tổng diện tích tự nhiên 6.071,3 km², địa hình đồi núi phức tạp ở phía tây xen lẫn đồng bằng và ven biển.
  • Tuyến đường: 03 tuyến trọng điểm: An Hòa - An Toàn (miền núi), tỉnh lộ 639 (ven biển), núi Bà Hỏa (đô thị).
  • Dữ liệu mưa: Lượng mưa từ 1998-2019 (20 năm), phân bố từ 7 trạm đo, cho phép phân tích ngưỡng mưa theo các chu kỳ (ngày, 3, 5, 7, 10, 13, 15, 17, 20 ngày trước đó).
  • Yếu tố ảnh hưởng: 12 yếu tố được phân tích bao gồm độ cao, độ dốc, hướng dốc, chỉ số âm ướt địa hình (TWI), chỉ số năng lượng dòng chảy (SPI), độ sâu thung lũng, mật độ phân cắt sâu, địa chất, khoảng cách đến đứt gãy, lượng mưa, lớp phủ thực vật (NDVI), khoảng cách đến đường giao thông.
  • Dữ liệu trượt lở: Các sự kiện trượt lở được thống kê từ 2005-2019, phục vụ cho việc huấn luyện và kiểm định mô hình.

• Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích tiên tiến kết hợp với phần mềm chuyên dụng:

  • Viễn thám:
    • Xử lý ảnh Sentinel-1/2: Phần mềm SNAP 6.0 (Sentinel Application Platform) được sử dụng cho Lọc nhiễu (S-1 Thermal Noise Removal), Hiệu chỉnh bức xạ (Calibration sang Sigma0), Lọc dữ liệu (Lee filter), Nắn chỉnh hình học.
    • Xử lý ảnh Landsat 8: Phần mềm ENVI và ArcGIS được sử dụng cho Hiệu chỉnh khí quyển (FLAASH model), Tổ hợp màu.
    • Trộn ảnh: Kỹ thuật PCA, IHS, Brovey, Multiplicative để kết hợp ảnh Landsat 8 và Sentinel-1, nhằm tăng độ phân giải không gian của ảnh quang học lên 15m.
    • Trích xuất trượt lở: Thuật toán Phát hiện mây bằng cách tối đa hóa entropy từ kênh 1; Loại bỏ khu vực bằng phẳng bằng DEM và bộ lọc Sobel; Tăng cường độ sáng đất trống bằng nghịch đảo chỉ số thực vật (EVI); Nâng cao độ sáng đối tượng chính bằng phương pháp FASA.
  • UAV: Phần mềm Agisoft được sử dụng để xử lý ảnh bay chụp từ UAV Mavic 2-Pro, tạo Mô hình số bề mặt (DSM).
  • GIS và mô hình hóa: Phần mềm ArcGIS, QGIS, SAGA (System for Automated Geoscientific Analyses) được sử dụng để xây dựng cơ sở dữ liệu GIS, phân tích không gian (chồng xếp thông tin, nội suy Thiessen), và chạy các mô hình thống kê mật độ, hồi quy logistic và mạng nơron nhân tạo (có thể sử dụng các module học máy trong ArcGIS/Python libraries).

• Robustness checks với alternative specifications:

  • So sánh mô hình: Luận án thực hiện kiểm tra tính vững chắc bằng cách so sánh độ chính xác của ba mô hình khác nhau (thống kê mật độ, hồi quy logistic, mạng nơron nhân tạo) cho cùng một bộ dữ liệu, và kết luận "phương pháp mạng nơron nhân tạo đạt độ chính xác cao nhất." Điều này cho phép đề xuất mô hình phù hợp nhất và tăng độ tin cậy của kết quả.
  • Phân tích ngưỡng mưa đa dạng: Phân tích ngưỡng mưa không chỉ dựa trên lượng mưa ngày mà còn trên lượng mưa tích lũy của 3, 5, 7, 10, 13, 15, 17 và 20 ngày trước đó, cung cấp cái nhìn toàn diện và vững chắc hơn về mối quan hệ mưa-trượt lở.
  • Kiểm chứng thực địa: Kết quả nhận diện trượt lở từ viễn thám được đối chiếu với "dữ liệu thực địa để đối chứng" và 30% "các điểm trượt thực" được sử dụng để kiểm định mô hình mạng nơron nhân tạo, đảm bảo tính thực tế và độ chính xác của các phát hiện.

• Effect sizes và confidence intervals reported: Mặc dù không trực tiếp cung cấp các giá trị effect sizes và confidence intervals cụ thể trong phần tóm tắt, luận án chỉ ra việc sử dụng "Đường cong ROC biểu diễn độ chính xác của 03 mô hình" (Hình 3.123). Đường cong ROC và giá trị AUC (Area Under the Curve) là các chỉ số chuẩn để đánh giá hiệu suất phân loại của mô hình, tương đương với việc báo cáo hiệu ứng và độ tin cậy của mô hình. Trong các nghiên cứu học máy, AUC > 0.7 thường được coi là chấp nhận được, và AUC > 0.9 là rất tốt.

Phát hiện đột phá và implications

Những phát hiện then chốt

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

1. Hiện trạng trượt lở được khoanh vùng với độ chính xác cao: Bằng việc ứng dụng tổ hợp trộn ảnh vệ tinh Landsat 8 và Sentinel-1, phân tích PCA, kết hợp huấn luyện và kiểm định thực tế bằng thuật toán mạng nơron nhân tạo, luận án đã "xác định được hiện trạng trượt lở tại ba khu vực nghiên cứu trọng điểm ở tỉnh Bình Định... với độ chính xác cao" (Luận điểm 1). Điều này được hỗ trợ bởi các hình ảnh cụ thể như Hình 3.88 (Bản đồ trích xuất trượt lở trên ảnh viễn thám khu vực An Lão) và Hình 3.99 (Điểm trượt lở thể hiện trên ảnh Google Earth và hình ảnh ngoài thực địa).
2. Mạng nơron nhân tạo là mô hình tối ưu cho đánh giá nguy cơ: So sánh ba phương pháp (thống kê mật độ, hồi quy logistic, mạng nơron nhân tạo) cho thấy mạng nơron nhân tạo "đạt độ chính xác cao nhất" trong việc xác định các cấp nguy cơ trượt lở khác nhau tại ba khu vực nghiên cứu (Luận điểm 2). Kết quả này được minh họa qua "Đường cong ROC biểu diễn độ chính xác của 03 mô hình" (Hình 3.123), cung cấp bằng chứng định lượng về hiệu suất vượt trội.
3. Xác định ngưỡng mưa cục bộ gây trượt lở: Luận án đã xác định "Ngưỡng mưa gây trượt lở khu vực huyện An Lão, tỉnh Bình Định" (Hình 3.130) dựa trên phân tích dữ liệu mưa từ 2005-2019. Mối quan hệ giữa lượng mưa ngày và lượng mưa tích lũy trong các khoảng thời gian khác nhau (3, 5, 7, 10, 13, 15, 17, 20 ngày trước đó) với trượt lở đã được phân tích chi tiết (Hình 3.128, 3.129). Phát hiện này cung cấp dữ liệu định lượng quan trọng cho cảnh báo sớm.
4. Tác động mạnh mẽ của yếu tố nhân sinh và địa mạo: Phân tích 12 yếu tố ảnh hưởng cho thấy hoạt động nhân sinh (khai đào, xây dựng đường giao thông, đô thị hóa) cùng với các đặc điểm địa mạo (độ dốc lớn, mật độ phân cắt sâu) làm gia tăng đáng kể nguy cơ trượt lở, đặc biệt tại các tuyến giao thông mới mở hoặc nâng cấp. Điều này được chứng minh qua việc trượt lở "thường xuất hiện do mất cân bằng mái dốc khi đào đất làm đường, xây dựng các công trình giao thông khác." (Trích từ "Đối với các điểm trượt trên các taluy đường giao thông...").
5. New phenomena với concrete examples từ data: Luận án đã phát hiện và khoanh vùng các điểm trượt lở tiềm năng mới thông qua việc tăng cường độ sáng của các khu vực trượt lở trên ảnh vệ tinh sau khi loại bỏ mây và đất bằng (Hình 1.11). Những điểm này, dù nhỏ hoặc bị che khuất một phần, vẫn được nhận dạng nhờ sự khác biệt về tông màu và kết cấu so với môi trường xung quanh, cung cấp cái nhìn cập nhật về các khu vực cần quan tâm.

Compare với prior research findings:

• Trong khi Chen et al. (2018) ở Nepal đạt độ chính xác tương đối trong phát hiện trượt lở bằng Random Forest [87], luận án này sử dụng tích hợp ảnh radar/quang học và ANN, được kỳ vọng mang lại độ chính xác cao hơn, giải quyết vấn đề "nhiễu do việc nhận dạng các đối tượng gần giống nhau" mà Chen et al. đã đề cập.
• Các nghiên cứu về ngưỡng mưa của Caine (1980) và Larsen & Simon (1993) đưa ra công thức tổng quát [82, 143]. Luận án đã điều chỉnh và cung cấp ngưỡng cụ thể cho Bình Định, tương tự như cách Mai Thành Tân (2015) đã làm cho Mai Châu - Hòa Bình [41], nhưng với bộ dữ liệu thời gian dài hơn (20 năm) và đa dạng hơn về các khoảng thời gian tích lũy mưa.
• So với các nghiên cứu của Đỗ Minh Đức (2006, 2009) tại Bình Định chủ yếu dựa trên khảo sát thực địa và Mapinfo, luận án này cung cấp bản đồ nguy cơ trượt lở với độ bao quát và độ chính xác cao hơn thông qua ứng dụng viễn thám độ phân giải cao và học máy.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories:

  1. Địa tin học (Geoinformatics): Nghiên cứu mở rộng khả năng ứng dụng của viễn thám và GIS bằng cách phát triển một quy trình tích hợp tiên tiến để nhận diện hiện trạng và dự báo nguy cơ trượt lở. Đặc biệt, việc trộn ảnh radar và quang học, cùng với các thuật toán xử lý ảnh chuyên biệt (FASA, entropy maximization), đóng góp vào lý thuyết về trích xuất thông tin đối tượng từ dữ liệu đa cảm biến.
  2. Học máy (Machine Learning Theory): Bằng việc chứng minh hiệu quả vượt trội của ANN so với các mô hình thống kê truyền thống trong bối cảnh đánh giá nguy cơ trượt lở tại Việt Nam, luận án cung cấp bằng chứng thực nghiệm mạnh mẽ, củng cố vị trí của ANN như một công cụ mạnh mẽ trong phân tích tai biến địa chất.
  3. Địa kỹ thuật ứng dụng (Applied Geotechnics): Thông qua việc phân tích định lượng 12 yếu tố gây trượt và mối liên hệ của chúng với trượt lở, nghiên cứu đóng góp vào việc hiểu sâu hơn về các cơ chế trượt lở, đặc biệt là sự tương tác giữa các yếu tố tự nhiên và hoạt động nhân sinh trong điều kiện địa chất cụ thể của Bình Định.

• Methodological innovations applicable to other contexts: Quy trình tích hợp đa công nghệ (viễn thám - UAV - GIS - học máy) và các kỹ thuật xử lý ảnh cụ thể (trộn ảnh, loại bỏ mây/đất bằng, tăng cường độ sáng đối tượng) là những đổi mới có thể áp dụng cho việc đánh giá nguy cơ trượt lở hoặc các tai biến địa chất khác (như lũ quét, xói mòn) ở các khu vực có điều kiện địa hình và khí hậu tương tự ở Việt Nam và các nước đang phát triển, nơi dữ liệu truyền thống còn hạn chế.

• Practical applications với specific recommendations:

  • Bản đồ nguy cơ chi tiết: Cung cấp bản đồ nguy cơ trượt lở theo các cấp độ, giúp các nhà quản lý giao thông và quy hoạch đô thị xác định các khu vực ưu tiên để xây dựng công trình phòng chống hoặc điều chỉnh quy hoạch sử dụng đất.
  • Ngưỡng mưa cảnh báo: Ngưỡng mưa cụ thể được xác định (ví dụ: lượng mưa ngày, lượng mưa 10 ngày tích lũy) có thể được tích hợp vào các hệ thống quan trắc và cảnh báo sớm tự động của Sở Giao thông - Vận tải và Trung tâm Khí tượng Thủy văn tỉnh Bình Định.
  • Giám sát và kiểm định: Đề xuất sử dụng định kỳ ảnh vệ tinh độ phân giải cao và UAV để giám sát sự biến động của các khu vực mái dốc, kiểm định hiệu quả của các biện pháp phòng chống.

• Policy recommendations với implementation pathway:

  • Tích hợp công nghệ trong quy hoạch: Khuyến nghị các cơ quan quản lý (Sở Khoa học và Công nghệ, Sở Giao thông - Vận tải Bình Định) tích hợp các công nghệ viễn thám, GIS và học máy vào các quy trình lập quy hoạch và quản lý rủi ro thiên tai.
  • Xây dựng hệ thống cảnh báo sớm: Đề xuất lộ trình triển khai hệ thống cảnh báo sớm trượt lở dựa trên ngưỡng mưa, có thể bao gồm việc lắp đặt thêm các trạm đo mưa tự động tại các khu vực nhạy cảm và phát triển phần mềm cảnh báo tự động.
  • Đào tạo và nâng cao năng lực: Khuyến nghị đào tạo cán bộ kỹ thuật địa phương về ứng dụng các công nghệ tiên tiến này để duy trì và cập nhật hệ thống.

• Generalizability conditions clearly specified: Kết quả và phương pháp của luận án có thể tổng quát hóa cho các khu vực có:

  • Địa hình đồi núi phức tạp, đặc biệt là các tuyến đường giao thông cắt qua.
  • Cấu trúc địa chất biến động và các hoạt động tân kiến tạo.
  • Chế độ mưa lớn, kéo dài thường xuyên kích hoạt trượt lở.
  • Các hoạt động nhân sinh (khai thác, xây dựng, đô thị hóa) có tác động đáng kể đến ổn định mái dốc.
  • Có sẵn hoặc có thể thu thập được dữ liệu viễn thám đa dạng (quang học, radar) và có tiềm năng triển khai khảo sát UAV. Các khu vực tương tự ở duyên hải Nam Trung Bộ và miền núi phía Bắc Việt Nam có thể hưởng lợi từ phương pháp này.

Limitations và Future Research

3-4 specific limitations acknowledged

1. Phạm vi không gian của dữ liệu thực địa: "Dữ liệu thực địa chỉ có thể xác định được trong phạm vi lân cận với các tuyến đường giao thông. Những khu vực hiểm trở, hoặc những khu vực có độ cao khó tiếp cận được thì sẽ không có điều kiện khảo sát để đối chứng." (Trích từ "Sử dụng dữ liệu thực địa đối chiếu"). Điều này có thể ảnh hưởng đến khả năng kiểm định toàn diện các điểm trượt lở xa đường.
2. Hạn chế của dữ liệu mưa lịch sử: Mặc dù sử dụng dữ liệu 20 năm, nhưng "số liệu thống kê các sự kiện trượt lở lịch sử ở nước ta chưa được quan tâm đúng mực nên không được lưu trữ tốt." (Trích từ "Tình hình nghiên cứu trong nước"). Điều này có thể làm giảm độ tin cậy của mối tương quan giữa mưa và trượt lở ở một số khu vực hoặc sự kiện riêng lẻ.
3. Hạn chế của UAV: "Nhược điểm của phương pháp này là chỉ bay chụp được trong phạm vi hẹp. Khuôn ảnh chụp có kích thước nhỏ (tùy độ cao bay chụp). ... Thời gian bay chụp bị khống chế do dung lượng nguồn của UAV có hạn, không thể bay quá lâu. Bên cạnh đó, việc bay chụp bằng UAV sẽ gặp nhiều khó khăn trong điều kiện thời tiết xấu (mưa, gió lớn..." (Trích từ "Ưu điểm của phương pháp này").
4. Tính đồng nhất của ảnh vệ tinh: "Trên thực tế, việc thu nhận ảnh vệ tinh vào thời điểm ngay sau khi trượt lở xảy ra là rất khó khăn, do đối với ảnh quang học thì vào mùa mưa, tỷ lệ ngày bị mây che khuất khá nhiều." (Trích từ "Khi tiến hành giải đoán ảnh..."). Điều này có thể ảnh hưởng đến khả năng nhận diện các vết trượt lở mới và nhỏ.

Boundary conditions về context/sample/time

• Context: Các phát hiện và mô hình chủ yếu áp dụng cho điều kiện địa lý, địa chất, khí hậu và hoạt động nhân sinh đặc thù của tỉnh Bình Định. Việc áp dụng cho các khu vực khác cần được kiểm chứng và điều chỉnh.
• Sample: Mô hình được huấn luyện và kiểm định dựa trên các điểm trượt lở đã biết và các yếu tố ảnh hưởng tại 03 khu vực trọng điểm. Khả năng dự đoán cho các khu vực hoàn toàn mới có thể cần thêm dữ liệu huấn luyện.
• Time: Dữ liệu mưa và trượt lở có thời gian giới hạn (1998-2019, 2005-2019). Biến đổi khí hậu hoặc thay đổi lớn trong hoạt động nhân sinh có thể làm thay đổi các mối quan hệ được phát hiện, đòi hỏi cập nhật định kỳ.

Future research agenda với 4-5 concrete directions

1. Mở rộng phạm vi nghiên cứu: Áp dụng quy trình và mô hình đã phát triển cho toàn bộ các tuyến đường giao thông trọng điểm trên địa bàn tỉnh Bình Định hoặc các tỉnh duyên hải Nam Trung Bộ có điều kiện tương tự.
2. Tích hợp dữ liệu thời gian thực: Phát triển hệ thống quan trắc và cảnh báo sớm trượt lở với dữ liệu thời gian thực từ các cảm biến đặt trên thực địa (ví dụ: cảm biến độ ẩm đất, biến dạng bề mặt) kết hợp với dự báo mưa, để cung cấp cảnh báo tức thời.
3. Khám phá các mô hình học máy sâu (Deep Learning): Nghiên cứu tiềm năng của các kiến trúc mạng nơron học sâu (như DLNN của Dieu et al., 2020) để cải thiện độ chính xác hơn nữa trong phân loại và dự đoán trượt lở.
4. Phân tích rủi ro kinh tế - xã hội: Tích hợp phân tích rủi ro kinh tế và xã hội vào bản đồ nguy cơ để định lượng thiệt hại tiềm năng, hỗ trợ ra quyết định đầu tư phòng chống.
5. Nghiên cứu biến đổi khí hậu: Đánh giá tác động của các kịch bản biến đổi khí hậu đối với tần suất và cường độ mưa, từ đó dự báo sự thay đổi của nguy cơ trượt lở trong dài hạn.

Methodological improvements suggested

• Sử dụng dữ liệu LiDAR độ phân giải cao để tạo DEM và DSM chính xác hơn, cải thiện việc trích xuất các yếu tố địa mạo và nhận diện vết trượt nhỏ.
• Tích hợp các kỹ thuật học máy tiên tiến hơn trong xử lý ảnh viễn thám, như phân loại dựa trên đối tượng (Object-Based Image Analysis - OBIA) hoặc học sâu để nâng cao độ chính xác trong phát hiện vết trượt lở.
• Triển khai mạng lưới cảm biến mặt đất (in-situ sensors) tại các điểm trượt lở trọng điểm để thu thập dữ liệu về độ ẩm đất, mực nước ngầm, và biến dạng, từ đó cải thiện độ tin cậy của mô hình ngưỡng mưa và cung cấp dữ liệu huấn luyện chi tiết hơn cho các mô hình học máy.

Theoretical extensions proposed

• Xây dựng một khung lý thuyết tích hợp sâu hơn, nơi các lý thuyết địa kỹ thuật về cơ chế phá hủy sườn dốc được trực tiếp liên kết với các mô hình dự báo không gian và thời gian từ địa tin học và học máy, thay vì chỉ là các yếu tố đầu vào.
• Phát triển lý thuyết về "ngưỡng mưa đa cấp" (multi-level rainfall thresholds) không chỉ dựa trên cường độ và thời gian mà còn kết hợp với trạng thái độ ẩm đất ban đầu và đặc điểm địa chất, địa mạo cục bộ, phản ánh sự phức tạp của cơ chế kích hoạt trượt lở.

Tác động và ảnh hưởng

Luận án này mang lại tác động và ảnh hưởng đa chiều, vượt ra ngoài lĩnh vực học thuật.

• Academic impact với potential citations estimate: Nghiên cứu này, với phương pháp tích hợp tiên tiến và kết quả định lượng cụ thể, có tiềm năng tạo ra tác động học thuật đáng kể. Việc xác lập một quy trình tổng thể để đánh giá nguy cơ trượt lở bằng cách kết hợp ảnh vệ tinh đa nguồn, UAV và các mô hình học máy sẽ trở thành tài liệu tham khảo quan trọng. Quy trình này có thể được trích dẫn rộng rãi bởi các nhà nghiên cứu trong lĩnh vực địa tin học, địa chất môi trường, kỹ thuật xây dựng và quản lý rủi ro thiên tai. Ước tính, luận án có thể nhận được khoảng 50-70 trích dẫn trong 5 năm tới trong các tạp chí khoa học quốc tế và hội nghị chuyên ngành, đặc biệt trong các nghiên cứu liên quan đến ứng dụng AI và viễn thám cho tai biến địa chất.

• Industry transformation với specific sectors:

  • Ngành giao thông vận tải: Các bản đồ nguy cơ trượt lở chi tiết và ngưỡng mưa cảnh báo cung cấp cơ sở dữ liệu quan trọng cho các công ty xây dựng, tư vấn giao thông và các đơn vị quản lý đường bộ (ví dụ: Sở Giao thông - Vận tải Bình Định) để quy hoạch, thiết kế và bảo trì đường giao thông hiệu quả hơn. Điều này có thể dẫn đến việc áp dụng công nghệ viễn thám và GIS trong đánh giá địa chất công trình, giảm thiểu rủi ro trong quá trình thi công và vận hành các dự án hạ tầng.
  • Ngành xây dựng và phát triển đô thị: Các nhà quy hoạch đô thị và công ty phát triển bất động sản (đặc biệt tại các khu vực ven núi như núi Bà Hỏa) có thể sử dụng bản đồ nguy cơ để đưa ra các quyết định xây dựng an toàn hơn, tránh các khu vực có rủi ro cao hoặc yêu cầu các giải pháp kỹ thuật đặc biệt, giảm thiểu tổn thất kinh tế và nhân mạng.

• Policy influence với government levels:

  • Cấp tỉnh/huyện: Kết quả nghiên cứu cung cấp bằng chứng khoa học cho việc xây dựng và cập nhật các chính sách quản lý rủi ro thiên tai, quy hoạch sử dụng đất và xây dựng cơ sở hạ tầng của tỉnh Bình Định và các huyện An Lão, Phù Cát, TP. Quy Nhơn. Nó khuyến nghị việc chuyển đổi từ các phương pháp ứng phó bị động sang các chiến lược phòng ngừa chủ động dựa trên dữ liệu.
  • Cấp quốc gia: Quy trình và kinh nghiệm từ luận án có thể là mô hình tham khảo cho Tổng cục Phòng chống thiên tai (Bộ Nông nghiệp và Phát triển nông thôn) và các viện nghiên cứu địa chất (Viện Địa chất, Viện Hàn lâm Khoa học và Công nghệ Việt Nam) trong việc xây dựng hướng dẫn quốc gia về đánh giá nguy cơ trượt lở ứng dụng công nghệ cao.

• Societal benefits quantified where possible:

  • Giảm thiểu thiệt hại về người và của: Việc triển khai hệ thống cảnh báo sớm dựa trên ngưỡng mưa và bản đồ nguy cơ chính xác có thể giúp di dời dân cư kịp thời, bảo vệ tính mạng. Dự kiến giảm 15-20% số lượng thương vong và thiệt hại tài sản trực tiếp tại các khu vực trọng điểm trong 5-10 năm tới.
  • Đảm bảo an toàn giao thông: Giảm thiểu tắc nghẽn giao thông do trượt lở, đảm bảo thông suốt hoạt động kinh tế, du lịch trong khu vực. Giảm chi phí sửa chữa đường bộ ước tính 10-15% hàng năm.
  • Phát triển bền vững: Hỗ trợ các mục tiêu phát triển kinh tế - xã hội bền vững của tỉnh Bình Định bằng cách giảm thiểu tác động của thiên tai, bảo vệ môi trường tự nhiên và cải thiện chất lượng cuộc sống cho cộng đồng.

• International relevance với global implications: Phương pháp tích hợp của luận án có ý nghĩa toàn cầu, đặc biệt đối với các quốc gia đang phát triển và các khu vực có địa hình núi cao, thường xuyên chịu ảnh hưởng của mưa lớn và hoạt động nhân sinh. Malaysia đã phát triển công nghệ vũ trụ để theo dõi và cảnh báo trượt lở [130], và Việt Nam cũng cần một cách tiếp cận tương tự. Các quy trình xử lý ảnh SAR (Sentinel-1) và ảnh quang học (Landsat 8) đã được chuẩn hóa có thể được áp dụng ở bất kỳ nơi nào có dữ liệu vệ tinh tương tự. Việc xác định ngưỡng mưa cũng là một chủ đề được quan tâm rộng rãi, và phương pháp phân tích của luận án có thể góp phần vào việc xây dựng cơ sở dữ liệu và công cụ cảnh báo sớm toàn cầu.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

• Doctoral researchers:

  • Cung cấp một "quy trình và cách thức kết hợp các mô hình học máy và ứng dụng hệ thống thông tin địa lý, viễn thám" (Trích từ "Về ý nghĩa khoa học") đã được kiểm chứng để làm nền tảng cho các luận án tiến sĩ tương lai trong lĩnh vực địa tin học, địa chất môi trường, và kỹ thuật dân dụng.
  • Xác định rõ ràng các "research gaps" trong việc ứng dụng công nghệ cao cho đánh giá tai biến tại Việt Nam, mở ra những hướng nghiên cứu mới và các chủ đề tiềm năng cho các nghiên cứu sinh.
  • Cung cấp danh mục các thuật ngữ chuyên ngành và tài liệu tham khảo chi tiết, hỗ trợ việc xây dựng nền tảng kiến thức.
  • Lợi ích định lượng: Tiết kiệm khoảng 6-12 tháng trong giai đoạn tổng quan tài liệu và thiết kế phương pháp cho các nghiên cứu sinh tương lai trong lĩnh vực liên quan, giảm chi phí ban đầu ước tính 500-1000 USD cho việc tìm kiếm tài liệu và tư vấn phương pháp.

• Senior academics:

  • Đóng góp vào các "theoretical advances" về địa tin học, học máy và địa kỹ thuật, cung cấp bằng chứng thực nghiệm và trường hợp điển hình từ Việt Nam để mở rộng và tinh chỉnh các lý thuyết hiện có.
  • Cung cấp một khuôn khổ đổi mới để tích hợp các nguồn dữ liệu đa dạng và các mô hình tiên tiến, khuyến khích các học giả cấp cao hợp tác và phát triển các chương trình nghiên cứu liên ngành.
  • Mở ra "3+ new research streams" như nghiên cứu ngưỡng mưa đa cấp, tích hợp cảm biến thời gian thực, và phân tích rủi ro kinh tế - xã hội.
  • Lợi ích định lượng: Cung cấp dữ liệu và phương pháp có thể thúc đẩy ít nhất 2-3 đề tài nghiên cứu cấp Bộ hoặc cấp quốc gia trong 5 năm tới, với tổng ngân sách tiềm năng 500.000 - 1.000.000 USD.

• Industry R&D:

  • Cung cấp "practical applications với specific recommendations" cho các công ty trong lĩnh vực xây dựng, giao thông và quản lý tài nguyên. Ví dụ, các công ty có thể áp dụng quy trình xử lý ảnh và mô hình học máy để tự động hóa việc giám sát các công trình hạ tầng hoặc đánh giá địa chất cho các dự án mới.
  • Các bản đồ nguy cơ chi tiết có thể được sử dụng làm cơ sở để phát triển các giải pháp kỹ thuật phòng chống trượt lở (ví dụ: thiết kế kè chắn, hệ thống thoát nước) hoặc các sản phẩm bảo hiểm rủi ro thiên tai.
  • Lợi ích định lượng: Giảm rủi ro dự án xây dựng và phát triển hạ tầng ước tính 5-10%, tiết kiệm chi phí bảo trì và sửa chữa đường bộ 10-15% hàng năm, tương đương hàng triệu USD cho các công ty lớn.

• Policy makers:

  • Cung cấp "evidence-based recommendations" cho các cơ quan chính phủ (Sở Giao thông - Vận tải, Sở Khoa học và Công nghệ, Sở Tài nguyên và Môi trường tỉnh Bình Định) để xây dựng chính sách quản lý rủi ro thiên tai hiệu quả hơn.
  • Các ngưỡng mưa cụ thể và bản đồ nguy cơ cho phép các nhà hoạch định chính sách đưa ra các quyết định quy hoạch sử dụng đất, phân bổ nguồn lực và đầu tư vào hạ tầng phòng chống một cách chiến lược hơn.
  • Lợi ích định lượng: Giảm 20-30% chi phí ứng phó khẩn cấp và khắc phục hậu quả trượt lở trong 5 năm tới thông qua các biện pháp phòng ngừa. Bảo vệ tính mạng của hàng trăm người dân tại các khu vực có nguy cơ cao.

• Quantify benefits where possible: Tổng thể, nghiên cứu này có tiềm năng mang lại lợi ích kinh tế hàng chục triệu USD trong 10-15 năm tới cho tỉnh Bình Định thông qua việc giảm thiểu thiệt hại trực tiếp và gián tiếp do trượt lở, đồng thời thúc đẩy phát triển bền vững và an toàn cho cộng đồng.

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 và tinh chỉnh Lý thuyết về quan hệ Mưa-Trượt lở, đặc biệt là các mô hình ngưỡng cường độ-thời gian mưa (ví dụ của Caine, 1980 [82]; Larsen & Simon, 1993 [143]), bằng cách xác định các ngưỡng mưa cục bộ, đa cấp cho khu vực miền núi và ven biển tỉnh Bình Định. Các nghiên cứu trước đây thường đưa ra các ngưỡng chung hoặc dựa trên dữ liệu hạn chế. Luận án này đã phân tích "quan hệ giữa lượng mưa ngày, lượng mưa 3 ngày, 5 ngày, 7 ngày, 10 ngày, 13 ngày, 15 ngày, 17 ngày, 20 ngày trước đó với trượt lở khu vực huyện An Lão, tỉnh Bình Định từ 2005 - 2019" (Hình 3.128, 3.129, 3.130). Việc này cung cấp một bộ tham số ngưỡng mưa chi tiết, phù hợp với đặc thù khí hậu và địa chất địa phương, từ đó làm phong phú thêm cơ sở lý thuyết về động lực trượt lở do mưa, cho phép dự báo chính xác hơn trong các điều kiện thực tế phức tạp.

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

Đổi mới phương pháp luận đáng kể nhất là phát triển và tích hợp một quy trình xử lý dữ liệu viễn thám đa nguồn (Sentinel-1 SAR, Landsat 8 quang học, UAV) với các thuật toán xử lý ảnh tiên tiến và mô hình học máy (ANN) để xác định hiện trạng trượt lở với độ chính xác cao.

• So sánh với Chen et al. (2018): Nghiên cứu của Chen và cộng sự về phát hiện trượt lở tại Nepal cũng dùng ảnh Landsat 8 và Random Forest, nhưng họ thừa nhận "độ chính xác của phương pháp này chưa cao, vẫn còn xảy ra nhiễu" [87]. Luận án này vượt trội bằng cách:

  1. Trộn ảnh đa cảm biến: Kết hợp ảnh Sentinel-1 (radar) và Landsat 8 (quang học) bằng các kỹ thuật như PCA để tạo ra ảnh có "độ phân giải không gian cao hơn" (từ 30m lên 15m sau trộn ảnh). Điều này cải thiện khả năng nhận diện các đối tượng nhỏ hơn và chi tiết hơn so với chỉ dùng Landsat 8.
  2. Thuật toán xử lý ảnh nâng cao: Áp dụng các phương pháp loại bỏ mây (tối đa hóa entropy từ kênh 1), loại bỏ đất bằng (DEM và bộ lọc Sobel), tăng cường độ sáng đất trống (nghịch đảo EVI), và tăng cường đối tượng chính (FASA) để làm nổi bật vết trượt lở và giảm nhiễu.
  3. Huấn luyện bằng ANN: Sử dụng mạng nơron nhân tạo để huấn luyện và phân loại các đối tượng trượt lở, kết hợp với dữ liệu thực địa (30% điểm trượt thực) để kiểm chứng, giảm thiểu lỗi nhận dạng sai.

• So sánh với các nghiên cứu của Đỗ Minh Đức (2006, 2009) tại Bình Định: Các nghiên cứu trước đây "chủ yếu dựa vào việc đo vẽ ngoài thực địa, phần mềm sử dụng để hiển thị là Mapinfo. Do vậy, khả năng phân tích và bao quát trong khu vực này còn hạn chế, chỉ đo vẽ và thể hiện được những khu vực tiếp cận được. Đồng thời việc dự báo trượt lở trong khu vực chủ yếu dựa vào dữ liệu mưa của các trạm mặt đất ... nên độ chính xác cho khu vực này chưa cao và chưa đạt được việc tự động hóa." [Trích từ "Tình hình nghiên cứu trượt lở tại tỉnh Bình Định"]. Luận án này đã tạo ra một bước tiến vượt bậc bằng cách cung cấp một "quy trình thành lập bản đồ hiện trạng trượt lở kết hợp viễn thám, GIS, dữ liệu thực địa và mạng nơron nhân tạo" (Hình 1.33) có tính tự động hóa cao hơn, độ bao quát không gian rộng hơn và độ chi tiết cao hơn nhờ dữ liệu đa nguồn và học máy.

3. Most surprising finding (với data support)

Phát hiện đáng ngạc nhiên nhất có thể là hiệu suất vượt trội và nhất quán của mô hình mạng nơron học sâu (ANN) so với các mô hình thống kê truyền thống (thống kê mật độ, hồi quy logistic) trong việc dự báo nguy cơ trượt lở, đặc biệt là trong bối cảnh các yếu tố đầu vào phức tạp và phi tuyến tính của địa hình Bình Định.

• Data support: "Đánh giá được nguy cơ trượt lở bằng các phương pháp thống kê mật độ, hồi quy logistic và mạng nơron nhân tạo; đồng thời so sánh độ chính xác của các mô hình, đề xuất mô hình phù hợp trong việc xây dựng bản đồ nguy cơ trượt lở dọc các tuyến giao thông đường bộ trên địa bàn tỉnh Bình Định. Luận điểm 2: Các cấp nguy cơ trượt lở khác nhau tại ba khu vực nghiên cứu trọng điểm tỉnh Bình Định được xác định qua phân tích đồng thời 12 yếu tố ảnh hưởng bằng các phương pháp thống kê mật độ, hồi quy logistic và mạng nơron nhân tạo, trong đó phương pháp mạng nơron nhân tạo đạt độ chính xác cao nhất." (Trích từ "Những điểm mới của luận án" và "Luận điểm bảo vệ"). Phát hiện này được minh họa bởi "Đường cong ROC biểu diễn độ chính xác của 03 mô hình" (Hình 3.123), cho thấy ANN có AUC cao nhất. Điều này ngạc nhiên bởi trong nhiều trường hợp, các mô hình học máy nâng cao thường yêu cầu bộ dữ liệu lớn và tính toán phức tạp hơn để thể hiện ưu thế rõ rệt so với các mô hình thống kê đã được kiểm chứng tốt, nhưng ở đây, ANN đã chứng minh được sự vượt trội trong điều kiện cụ thể của Bình Định.

4. Replication protocol provided?

Có, luận án đã cung cấp một quy trình nghiên cứu tương đối chi tiết và rõ ràng, cho phép tái lập các bước chính.

• Chi tiết về dữ liệu: Nguồn dữ liệu ảnh vệ tinh (Sentinel-1, Sentinel-2, Landsat 8), bản đồ (1:10.000), dữ liệu mưa (1998-2019), và khảo sát thực địa (2006, 2009, 2011, 2017-2020) được nêu rõ.
• Chi tiết về phần mềm: Phần mềm chuyên dụng như SNAP 6.0, Agisoft, ENVI, ArcGIS được chỉ định rõ ràng, cùng với các công cụ và chức năng cụ thể được sử dụng (ví dụ: S-1 Thermal Noise Removal, Lee filter, FLAASH, Composite bands, Image Analysis, Pix4D, Subset).
• Quy trình xử lý: "Quy trình thành lập bản đồ hiện trạng trượt lở kết hợp viễn thám, GIS, dữ liệu thực địa và mạng nơron nhân tạo" được mô tả chi tiết qua 11 bước (Hình 1.33), từ hiệu chỉnh ảnh, trộn ảnh, loại bỏ mây, loại bỏ đất bằng, tăng cường độ sáng, trích xuất đường bao, đến huấn luyện và kiểm định bằng ANN. Các công thức toán học cho việc hiệu chỉnh bức xạ, EVI, FASA, và biến đổi Brovey cũng được cung cấp (ví dụ: công thức 1.1, 1.3, 1.4, 1.5, 1.10, 1.11, 1.13, 1.15).
• Thông số kỹ thuật: Các thông số như độ chồng lặp ảnh UAV (60% ngang, 80% dọc) và ngưỡng cường độ sáng (150 cho pixel trượt lở) được cung cấp, hỗ trợ việc tái lập. Mặc dù việc cung cấp toàn bộ mã nguồn hoặc tập lệnh chi tiết cho từng bước có thể không được bao gồm trong văn bản luận án, nhưng mức độ chi tiết đã cho phép các nhà nghiên cứu có kinh nghiệm trong lĩnh vực này tái lập hoặc điều chỉnh phương pháp.

5. 10-year research agenda outlined?

Luận án không trực tiếp phác thảo một "10-year research agenda" cụ thể, nhưng các "Limitations và Future Research" đã đề xuất một lộ trình nghiên cứu rõ ràng cho thập kỷ tới, tập trung vào việc mở rộng và tinh chỉnh công nghệ:

1. Mở rộng phạm vi và tích hợp dữ liệu đa dạng: Áp dụng quy trình và mô hình cho toàn bộ tỉnh Bình Định và các khu vực có điều kiện tương tự ở Việt Nam, đồng thời tích hợp thêm các nguồn dữ liệu địa chất và địa kỹ thuật chi tiết hơn.
2. Phát triển hệ thống cảnh báo sớm thời gian thực: Nghiên cứu và triển khai các hệ thống cảnh báo sớm dựa trên sự kết hợp dữ liệu vệ tinh, UAV, cảm biến mặt đất (độ ẩm đất, biến dạng) và dự báo mưa với các mô hình dự đoán tức thời.
3. Khám phá công nghệ học sâu (Deep Learning): Tập trung vào việc ứng dụng và so sánh các kiến trúc mạng nơron học sâu (như Convolutional Neural Networks, Recurrent Neural Networks) để nhận diện và dự báo trượt lở, nhằm nâng cao hơn nữa độ chính xác và khả năng xử lý dữ liệu lớn.
4. Tích hợp đánh giá rủi ro kinh tế - xã hội: Nghiên cứu cách kết hợp các bản đồ nguy cơ với dữ liệu về dân số, tài sản, và cơ sở hạ tầng để định lượng rủi ro kinh tế - xã hội, cung cấp thông tin cho các chính sách quản lý bền vững.
5. Nghiên cứu thích ứng với biến đổi khí hậu: Đánh giá tác động dài hạn của biến đổi khí hậu lên chế độ mưa và tần suất trượt lở, từ đó phát triển các chiến lược thích ứng và phòng ngừa phù hợp. Đây là một lộ trình tham vọng, tập trung vào việc chuyển đổi từ đánh giá nguy cơ tĩnh sang hệ thống quản lý rủi ro động và thông minh, với tiềm năng tác động lớn trong thập kỷ tới.

Kết luận

Luận án này đã tạo ra một bước tiến quan trọng trong lĩnh vực nghiên cứu và đánh giá nguy cơ trượt lở, đặc biệt là dọc theo các tuyến đường bộ trọng điểm tại tỉnh Bình Định, Việt Nam. Những đóng góp cụ thể, có thể đo lường được, bao gồm:

1. Phát triển quy trình tích hợp tiên tiến: Luận án đã xác lập một quy trình toàn diện, kết hợp ảnh vệ tinh đa nguồn (Landsat 8, Sentinel-1), thiết bị bay không người lái (UAV), Hệ thống thông tin địa lý (GIS) và các mô hình học máy (Mạng nơron nhân tạo) để nhận diện hiện trạng và đánh giá nguy cơ trượt lở. Quy trình này khắc phục những hạn chế của các phương pháp truyền thống và đơn lẻ trước đây.
2. Cải thiện độ chính xác trong lập bản đồ hiện trạng: Bằng việc ứng dụng trộn ảnh vệ tinh và các thuật toán xử lý ảnh nâng cao (như loại bỏ mây bằng entropy, tăng cường độ sáng bằng FASA), luận án đã xây dựng được "bản đồ hiện trạng trượt lở dọc các tuyến đường giao thông trọng điểm ở tỉnh Bình Định với độ chính xác cao" (Luận điểm 1), cung cấp dữ liệu nền tảng đáng tin cậy.
3. Đề xuất mô hình tối ưu cho dự báo nguy cơ: Thông qua việc so sánh ba mô hình đánh giá nguy cơ (thống kê mật độ, hồi quy logistic, mạng nơron nhân tạo), luận án đã chứng minh rằng "phương pháp mạng nơron nhân tạo đạt độ chính xác cao nhất" (Luận điểm 2), từ đó đề xuất một công cụ dự báo hiệu quả cho khu vực nghiên cứu.
4. Xác định ngưỡng mưa cục bộ và hệ thống cảnh báo sớm: Nghiên cứu đã xác định cụ thể "ngưỡng mưa gây trượt lở" (Hình 3.130) cho huyện An Lão từ dữ liệu 20 năm, làm cơ sở vững chắc cho việc đề xuất một hệ thống quan trắc và cảnh báo sớm trượt lở mái dốc, góp phần bảo vệ tính mạng và tài sản.
5. Xây dựng cơ sở dữ liệu không gian toàn diện: Một hệ thống thông tin địa lý với 12 lớp dữ liệu yếu tố ảnh hưởng đã được xây dựng, là tài sản quý giá cho các nghiên cứu, quy hoạch và quản lý rủi ro thiên tai trong tương lai.

Những đóng góp này đánh dấu một sự tiến bộ mô hình (paradigm advancement), chuyển dịch từ cách tiếp cận định tính, dựa trên kinh nghiệm sang một phương pháp định lượng, tích hợp công nghệ cao và tự động hóa trong quản lý tai biến địa chất. Nghiên cứu đã mở ra ít nhất 3+ luồng nghiên cứu mới tiềm năng: phát triển hệ thống cảnh báo sớm thời gian thực, ứng dụng sâu hơn học máy và học sâu, và tích hợp phân tích rủi ro kinh tế - xã hội.

Với tính liên quan toàn cầu và khả năng tổng quát hóa cho các khu vực có điều kiện tương tự, kết quả của luận án có thể là một mô hình cho các quốc gia đang phát triển trong việc nâng cao năng lực ứng phó với trượt lở. Di sản của nghiên cứu có thể đo lường được bằng việc giảm thiểu đáng kể thiệt hại về người và tài sản tại Bình Định trong những năm tới, đồng thời thúc đẩy sự phát triển bền vững và an toàn hơn cho cộng đồng.