Tổng quan về luận án

Luận án này giải quyết một thách thức cấp bách và toàn cầu trong lĩnh vực thủy văn: tính toán dòng chảy chính xác cho các lưu vực thiếu hoặc không có số liệu quan trắc mặt đất (un-gauged basins). Bối cảnh khoa học hiện nay chứng kiến sự suy giảm đáng kể của mạng lưới trạm quan trắc mặt đất trên toàn cầu, từ khoảng 8.000 trạm trước năm 1970 xuống còn khoảng 1.000 trạm đo dòng chảy vào năm 2015, chủ yếu do hạn chế về chi phí và ảnh hưởng chính trị, đặc biệt ở các nước đang phát triển [175]. Tình trạng này đặc biệt nghiêm trọng tại các lưu vực sông xuyên biên giới phức tạp như lưu vực sông Mê Công (Mekong River Basin - MRB), nơi mật độ trạm quan trắc mặt đất chỉ đáp ứng được 23% so với tiêu chuẩn của Tổ chức Khí tượng Thế giới (WMO) [205], và việc chia sẻ dữ liệu giữa các quốc gia còn rất hạn chế [156].

Research gap cụ thể: Dù công nghệ viễn thám và các mô hình tái phân tích đã có những tiến bộ vượt bậc, nhưng việc "lựa chọn sản phẩm viễn thám hay tái phân tích nào có đủ độ tin cậy để bổ khuyết cho các nguồn dữ liệu quan trắc mặt đất còn hạn chế vẫn còn là vấn đề được các nhà khoa học tập trung nghiên cứu." Ngoài ra, "việc lựa chọn dữ liệu mưa đầu vào và phương pháp tính toán dòng chảy phù hợp cho từng khu vực cụ thể trên lưu vực sông Mê Công cũng như lựa chọn các nguồn dữ liệu bổ sung khác là hết sức cần thiết và quan trọng." Luận án tập trung lấp đầy khoảng trống này bằng cách đánh giá một cách hệ thống các nguồn dữ liệu mưa lưới (Gridded Precipitation Products - GPPs) và dữ liệu vệ tinh đo cao, sau đó tích hợp chúng vào mô hình thủy văn để cung cấp thông tin dòng chảy đáng tin cậy cho MRB.

Research questions và Hypotheses: Nghiên cứu được định hướng bởi mục tiêu chính là "Đề xuất và lựa chọn được phương pháp và nguồn dữ liệu phù hợp để tính toán dòng chảy ngày cho lưu vực sông Mê Công trong điều kiện thiếu hoặc không có dữ liệu quan trắc mặt đất." Để đạt được mục tiêu này, luận án tập trung vào các luận điểm bảo vệ then chốt:

  1. Luận điểm 01: Sử dụng bộ dữ liệu mưa vệ tinh và mưa tái phân tích kết hợp với mô hình thủy văn thông số bán phân bố (Soil and Water Assessment Tool - SWAT) có khả năng bổ sung số liệu dòng chảy có độ tin cậy cao cho lưu vực sông Mê Công trong điều kiện thiếu hoặc không có số liệu quan trắc mặt đất.
  2. Luận điểm 02: Dữ liệu vệ tinh đo cao có thể được sử dụng tính toán số liệu dòng chảy ở các vị trí thiếu số liệu quan trắc lưu lượng.

Theoretical framework: Khung lý thuyết của luận án được xây dựng dựa trên sự tích hợp của các lý thuyết thủy văn truyền thống với các nguyên lý mới về viễn thám và mô hình hóa. Cốt lõi là mô hình thủy văn thông số bán phân bố SWAT, một mô hình vật lý được phát triển bởi Bộ Nông nghiệp Hoa Kỳ (USDA), cho phép mô phỏng các quá trình thủy văn phức tạp trên lưu vực sông. Luận án mở rộng ứng dụng của lý thuyết mô hình hóa thủy văn bằng cách tích hợp trực tiếp các GPPs (bao gồm dữ liệu từ vệ tinh như TRMM, CMORPH, GSMaP và tái phân tích như CPC) làm đầu vào mưa, và dữ liệu vệ tinh đo cao (từ Jason-2/3, Envisat) để gián tiếp ước tính lưu lượng, qua đó nâng cao độ chính xác và độ tin cậy của kết quả mô phỏng trong điều kiện hạn chế dữ liệu mặt đất.

Đóng góp đột phá với quantified impact: Luận án mang lại những đóng góp đột phá với tác động rõ ràng, định lượng được:

  1. Đánh giá định lượng GPPs: Cung cấp đánh giá chi tiết về độ phù hợp của các GPPs phổ biến (CMORPH, TRMM, CPC, GSMaP) so với số liệu quan trắc mặt đất trên MRB, làm cơ sở khoa học để lựa chọn dữ liệu đầu vào. Các chỉ số thống kê như Hệ số tương quan (CC), Sai số độ lệch (PBIAS), và Sai số quân phương trung bình (RMSD) được sử dụng để định lượng hiệu suất theo mùa và theo khu vực (Hình 3.5).
  2. Xây dựng công cụ mô hình SWAT tích hợp dữ liệu viễn thám: Luận án đã đề xuất và xây dựng một bộ công cụ mô hình SWAT tích hợp các GPPs phù hợp, cho phép tính toán và mô phỏng dòng chảy đến trên MRB trong điều kiện thiếu dữ liệu. Công cụ này hứa hẹn cung cấp chuỗi số liệu dòng chảy ngày có độ tin cậy cao, vượt qua hạn chế của các phương pháp truyền thống.
  3. Khẳng định tính khả dụng của dữ liệu vệ tinh đo cao: Nghiên cứu đã chứng minh dữ liệu vệ tinh đo cao từ Jason-2/3 và Envisat có thể được sử dụng để tính toán số liệu dòng chảy ở các vị trí thiếu trạm quan trắc, thông qua xây dựng phương trình quan hệ mực nước-lưu lượng. Ví dụ, quan hệ này đã được xây dựng và đánh giá tại trạm J1 và Stung Treng (Hình 3.11, Hình 3.12).
  4. Hỗ trợ quản lý tài nguyên nước hiệu quả hơn: Bộ công cụ mô hình và dữ liệu của luận án có thể "tính toán lưu lượng dòng chảy ngày của lưu vực sông Mê Công tại tất cả các vị trí trên dòng chính khu vực không có ảnh hưởng thủy triều khi không có hoặc hạn chế nguồn dữ liệu quan trắc mặt đất," từ đó "nhằm chủ động trong công tác quy hoạch, đánh giá tài nguyên nước phục vụ công tác phát triển kinh tế xã hội và giảm thiểu tác hại do thủy tai trên lưu vực."

Scope và significance: Phạm vi không gian của luận án là toàn bộ lưu vực sông Mê Công, từ thượng nguồn đến trạm Kratie (vùng không bị ảnh hưởng của thủy triều). Nghiên cứu tập trung vào tính toán lưu lượng dòng chảy ngày, giải quyết một nhu cầu cấp bách trong quy hoạch và quản lý tài nguyên nước. Giai đoạn nghiên cứu bao gồm việc đánh giá chuỗi số liệu mưa lưới trong giai đoạn 1998-2012 (Hình 3.4) và dữ liệu đo cao vệ tinh từ Envisat (giai đoạn 2002-2010) và Jason-2/3 (giai đoạn 2008-2013 và 2014-2016). Tầm quan trọng của luận án không chỉ nằm ở việc cung cấp giải pháp cho MRB mà còn ở khả năng ứng dụng cách tiếp cận tương tự cho các lưu vực sông khác trên thế giới đang đối mặt với tình trạng thiếu số liệu quan trắc.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Tình hình thiếu số liệu quan trắc thủy văn trên các lưu vực sông, đặc biệt là ở các quốc gia đang phát triển, đã thúc đẩy nhiều hướng nghiên cứu nhằm bổ khuyết dữ liệu dòng chảy. Luận án tổng quan các phương pháp chính:

  1. Chuyển đổi thông số mô hình: Phương pháp phổ biến [3, 17, 25, 130, 150, 198] dựa trên giả thuyết tương tự không gian hoặc thuộc tính lưu vực. Các nghiên cứu như của Sefton và cộng sự (1998) [166] đã xây dựng quan hệ giữa thông số mô hình và đặc trưng lưu vực ở Anh và Wales (R²=0,69 cho bốc hơi và mưa năm). Tại Việt Nam, Nguyễn Lan Châu (2005) [11], Trần Thục (2011) [32], Nguyễn Kiên Dũng (2015) [16] đã ứng dụng phương pháp này với mô hình MIKE NAM.
  2. Cải thiện cấu trúc mô hình thủy văn: Tập trung vào chi tiết hóa hoặc đơn giản hóa mô hình. Ví dụ, mô hình LTank của Nguyễn Văn Lai (2006) [24] chi tiết hóa tính toán dòng chảy cho từng bể chứa, trong khi V. Kuzmin và Sokolova (2017) [176] giới thiệu mô hình quan niệm đa lớp MLCM (Multi-Layer Conceptual Model) yêu cầu ít dữ liệu đầu vào.
  3. Tích hợp các mô hình: Kết hợp thế mạnh của nhiều mô hình, như nghiên cứu của Hồ Việt Cường và cộng sự (2019) [14] tích hợp mô hình khí tượng RegCM và thủy văn WEHY. Nghiên cứu của Nguyễn Anh Đức và cộng sự (2019) [15] sử dụng khung hỗ trợ ra quyết định DSF tích hợp SWAT, IQQM và ISIS cho MRB.
  4. Sử dụng phương pháp học máy (ML): Các mô hình dữ liệu như Mạng thần kinh nhân tạo (ANN) [153], neuro-fuzzy [67], support vector machine (SVM) [213], LSTM và GRU đã phát triển mạnh mẽ do khả năng xử lý quan hệ phi tuyến phức tạp giữa mưa và dòng chảy mà không yêu cầu nhiều kiến thức về quá trình vật lý cơ bản [137].
  5. Sử dụng dữ liệu thay thế: Bao gồm nước ngầm [168], bốc thoát hơi từ viễn thám [216], độ ẩm đất [149], thảm phủ [22], và đặc biệt là dữ liệu đo cao từ vệ tinh [134, 151]. Nghiên cứu của SERVIR Mekong đã trích xuất mực nước từ Jason-2/3 cho 4 trạm ảo trên MRB.
  6. Sử dụng dữ liệu mưa lưới (GPPs): Các sản phẩm mưa lưới như CMORPH, TRMM, CPC, GSMaP đã mở ra kỷ nguyên mới trong giám sát tài nguyên nước, đặc biệt cho vùng thiếu số liệu [89, 170, 172].

Contradictions/debates với ít nhất 2 opposing views:

  • Độ tin cậy của dữ liệu mưa lưới: Mặc dù GPPs bao phủ rộng, độ chính xác và độ phân giải của chúng biến đổi theo vùng, mùa, chế độ mưa và địa hình [179, 186]. Ví dụ, mưa CMORPH có xu hướng thiên thấp ở Malaysia [181] và Bhutan [104], nhưng lại thiên cao ở Tây Bắc Trung Quốc [208]. Điều này cho thấy cần đánh giá cụ thể cho từng lưu vực.
  • Hạn chế của phương pháp học máy: Mặc dù ML hiệu quả, nhưng chúng có hạn chế về "generalization problem" [137], tức là khả năng dự báo kém đối với các hiện tượng không có trong dữ liệu huấn luyện hoặc các trường hợp lịch sử nằm ngoài không gian nghiệm đã có. Điều này là thách thức cho các lưu vực lớn, phức tạp như MRB với nhiều biến động chưa từng xảy ra.
  • Tính không đồng nhất của dữ liệu mặt đất: Mạng lưới trạm quan trắc trên MRB phân bố không đều, chủ yếu tập trung ở đồng bằng, thưa thớt ở vùng núi [61]. Thời kỳ quan trắc bị gián đoạn do chiến tranh hoặc tài chính, gây khó khăn trong nghiên cứu khí tượng thủy văn nói chung [126]. Hơn nữa, sự chia sẻ dữ liệu giữa các quốc gia còn rất hạn chế, đặc biệt từ thượng nguồn Trung Quốc [156].

Positioning trong literature với specific gap identified: Luận án này định vị mình ở giao điểm của mô hình hóa thủy văn và công nghệ viễn thám, nhằm trực tiếp giải quyết vấn đề "lựa chọn sản phẩm viễn thám hay tái phân tích nào có đủ độ tin cậy để bổ khuyết cho các nguồn dữ liệu quan trắc mặt đất còn hạn chế" trên lưu vực sông Mê Công. Nghiên cứu tổng hợp các phương pháp tiên tiến nhất (mô hình thông số bán phân bố, dữ liệu mưa lưới, dữ liệu đo cao vệ tinh) để tạo ra một khung phân tích và công cụ tích hợp, vượt qua các hạn chế của từng phương pháp riêng lẻ (như độ tin cậy thay đổi của GPPs, sự phức tạp của tích hợp mô hình khí tượng thủy văn, hoặc vấn đề khái quát hóa của ML).

How this advances field với concrete contributions: Nghiên cứu này tiến bộ hóa lĩnh vực thủy văn ở các lưu vực thiếu số liệu bằng cách:

  1. Cung cấp một phương pháp luận thực nghiệm để đánh giá và lựa chọn GPPs phù hợp cho một lưu vực lớn và đa dạng như MRB, một bước cần thiết trước khi ứng dụng chúng vào mô hình.
  2. Phát triển một bộ công cụ mô hình SWAT được tối ưu hóa và tích hợp với các GPPs đã chọn, cung cấp giải pháp cụ thể cho việc tính toán dòng chảy hàng ngày.
  3. Xác nhận và ứng dụng dữ liệu đo cao vệ tinh (Jason-2/3, Envisat) để bổ sung số liệu lưu lượng tại các điểm không có trạm quan trắc, một đóng góp quan trọng cho các phương pháp gián tiếp.

So sánh với ÍT NHẤT 2 international studies:

  • So với nghiên cứu của Sefton và cộng sự (1998) [166] về chuyển đổi thông số mô hình dựa trên đặc trưng lưu vực ở Anh và Wales (với R²=0,69), luận án này không chỉ tập trung vào việc chuyển đổi thông số mà còn đi sâu vào việc đánh giá trực tiếp và tích hợp các nguồn dữ liệu đầu vào mới (GPPs) vào mô hình, cung cấp một cách tiếp cận toàn diện hơn cho các lưu vực có đặc điểm phức tạp và thiếu dữ liệu nghiêm trọng như MRB, nơi giả định về tính tương tự có thể khó đáp ứng do các hoạt động kinh tế xã hội và biến đổi khí hậu.
  • Nghiên cứu của V. Kuzmin và Sokolova (2017) [176] đã giới thiệu mô hình MLCM với ưu điểm ít dữ liệu đầu vào và được ứng dụng thành công ở Liên bang Nga và lưu vực sông Sê San ở Việt Nam, nhưng được cho là phù hợp hơn với các lưu vực có diện tích nhỏ (khoảng 1 km²). Luận án này sử dụng mô hình SWAT cho toàn bộ MRB (khoảng 795.000 km²), giải quyết thách thức ở quy mô lớn hơn nhiều và tích hợp nhiều nguồn dữ liệu viễn thám hơn, cho phép mô phỏng chi tiết các quá trình thủy văn trên một lưu vực xuyên biên giới phức tạp. Hơn nữa, trong khi MLCM tập trung vào dự báo lũ, luận án này hướng đến việc cung cấp chuỗi dòng chảy ngày đầy đủ cho quản lý tài nguyên nước tổng thể.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức các lý thuyết thủy văn hiện có bằng cách:

  • Mở rộng lý thuyết mô hình hóa thủy văn: Luận án mở rộng lý thuyết về mô hình thủy văn thông số bán phân bố, đặc biệt là mô hình SWAT, bằng cách chứng minh tính hiệu quả của nó khi tích hợp các nguồn dữ liệu mưa lưới từ vệ tinh và tái phân tích trong điều kiện dữ liệu mặt đất hạn chế. Điều này thách thức quan điểm truyền thống rằng các mô hình vật lý cần dữ liệu quan trắc mặt đất đầy đủ để đạt độ chính xác cao. Nó củng cố vai trò của mô hình SWAT như một công cụ mạnh mẽ để ước tính các yếu tố cân bằng nước trong các môi trường phức tạp và đa dạng về địa hình, thổ nhưỡng, và khí hậu như MRB.
  • Phát triển ứng dụng viễn thám trong thủy văn: Luận án đóng góp vào lý thuyết về ứng dụng viễn thám trong thủy văn bằng cách cung cấp một khuôn khổ thực nghiệm để đánh giá và lựa chọn các GPPs, và quan trọng hơn, chứng minh khả năng sử dụng dữ liệu vệ tinh đo cao (Jason-2/3, Envisat) để xây dựng đường quan hệ mực nước-lưu lượng gián tiếp tại các vị trí không có trạm quan trắc. Điều này mở rộng phạm vi ứng dụng của lý thuyết viễn thám, chuyển từ việc cung cấp dữ liệu đầu vào sang việc cung cấp dữ liệu kiểm định và thậm chí là kết quả trực tiếp cho mô hình thủy văn, đặc biệt hữu ích cho việc "bổ khuyết số liệu lưu lượng dòng chảy."

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo ba trụ cột lý thuyết và phương pháp:

  1. Mô hình thủy văn SWAT: Được lựa chọn là cốt lõi cho việc mô phỏng quá trình mưa-dòng chảy. SWAT là một mô hình phân bố bán vật lý, được mô tả là một "mô hình miêu tả hệ thống dưới dạng toán học" [22]. Nó cho phép tính toán các yếu tố cân bằng nước như lượng mưa, bốc hơi, dòng chảy bề mặt và dòng chảy ngầm trên các đơn vị phản ứng thủy văn (HRUs) và tổng hợp lên cấp tiểu lưu vực và toàn lưu vực.
  2. Dữ liệu mưa lưới (GPPs): Các GPPs cụ thể như CMORPH, TRMM, CPC và GSMaP được tích hợp làm đầu vào mưa. Những dữ liệu này được định nghĩa là "mưa phân bố không gian theo các ô lưới, lượng mưa trong mỗi ô lưới là lớp nước trải đều trên mỗi ô" và được chọn vì "độ bao phủ rộng theo không gian có thể bổ khuyết cho các trạm đo mưa trên mặt đất."
  3. Dữ liệu vệ tinh đo cao (Satellite Altimetry): Dữ liệu từ các vệ tinh như Jason-2/3 và Envisat được sử dụng để ước tính mực nước, từ đó phát triển các đường quan hệ mực nước-lưu lượng tại các vị trí thiếu dữ liệu. Phương pháp này "kết hợp với mô hình thủy văn để tính toán dòng chảy [80, 134]" hoặc "xây dựng đường quan hệ giữa mực nước đo cao với lưu lượng quan trắc [187, 215]".

Novel analytical approach với justification: Cách tiếp cận độc đáo của luận án nằm ở việc xây dựng một quy trình nghiêm ngặt để "đánh giá và lựa chọn các nguồn dữ liệu mưa khác nhau" và "tính khả dụng của các nguồn dữ liệu" này cho MRB. Sau đó, các GPPs được lựa chọn được tích hợp vào mô hình SWAT, tiếp theo là việc sử dụng dữ liệu đo cao vệ tinh không chỉ để kiểm định mà còn để trực tiếp ước tính lưu lượng, tạo ra một giải pháp toàn diện cho lưu vực thiếu dữ liệu. Khung này được biện minh bởi tính chất phức tạp, xuyên biên giới và thiếu dữ liệu đặc trưng của MRB, nơi các phương pháp truyền thống như "chuyển đổi thông số mô hình" hoặc "học máy" gặp nhiều khó khăn do yêu cầu về tính tương tự chặt chẽ hoặc dữ liệu lịch sử phong phú.

Conceptual contributions với definitions:

  • Lưu vực thiếu/không có số liệu: Định nghĩa theo Hiệp hội Quốc tế về Khoa học Thủy văn (IAHS) bao gồm các trường hợp (i) hoàn toàn không có trạm quan trắc, (ii) số liệu không đầy đủ, (iii) trạm quan trắc trong thời gian ngắn/không liên tục, và (iv) có trạm nhưng không thể truy cập [173]. Luận án đóng góp bằng cách cung cấp một giải pháp định lượng cho các trường hợp này.
  • Tính khả dụng của dữ liệu vệ tinh đo cao: Nghiên cứu định nghĩa và đánh giá tính khả dụng không chỉ qua độ chính xác của mực nước mà còn qua khả năng chuyển đổi thành lưu lượng có ý nghĩa thủy văn.

Boundary conditions explicitly stated: Nghiên cứu tập trung vào lưu vực sông Mê Công "Từ thượng nguồn sông Mê Công đến trạm Kratie (vùng không ảnh hưởng của thủy triều)." Điều này giới hạn ứng dụng của các phát hiện về dòng chảy tự nhiên, không bao gồm các phức tạp của chế độ thủy triều ở hạ lưu. Các GPPs được đánh giá trong giai đoạn 1998-2012, và dữ liệu vệ tinh đo cao cho các khoảng thời gian cụ thể (ví dụ: Envisat 2002-2010, Jason-2/3 2008-2013 và 2014-2016), điều này đặt ra giới hạn về tính đại diện trong các chuỗi thời gian dài hơn.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng triết lý nghiên cứu Positivism, với mục tiêu khách quan hóa việc đánh giá và định lượng các mối quan hệ giữa dữ liệu đầu vào (mưa lưới, mực nước vệ tinh) và đầu ra (dòng chảy), nhằm xây dựng "bộ công cụ mô hình và dữ liệu có đủ độ tin cậy." Phương pháp này tìm kiếm các bằng chứng thực nghiệm và thống kê để xác nhận các luận điểm khoa học. Thiết kế nghiên cứu kết hợp Mixed Methods với trọng tâm Quantitative. Nó bao gồm việc phát triển mô hình (SWAT), thu thập và phân tích dữ liệu định lượng (GPPs, dữ liệu đo cao vệ tinh, số liệu quan trắc mặt đất), và đánh giá bằng các chỉ số thống kê khách quan. Điều này đảm bảo tính toàn diện trong việc kiểm định các giả thuyết. Thiết kế Multi-level design được áp dụng, từ việc đánh giá GPPs ở các quy mô không gian và thời gian khác nhau (theo mùa, theo tháng, theo ngày; theo vĩ độ) đến việc ứng dụng mô hình SWAT trên toàn bộ lưu vực sông Mê Công, với các tính toán diễn ra ở cấp độ tiểu lưu vực và tổng hợp lên cấp lưu vực chính. Sample size bao gồm dữ liệu mưa từ 6 sản phẩm mưa lưới (GPPs: CMORPH, TRMM, CPC, GSMaP, cộng với dữ liệu quan trắc mặt đất để kiểm định) được đánh giá trên MRB cho giai đoạn 1998-2012 (Hình 3.4). Dữ liệu đo cao vệ tinh từ Jason-2/3 và Envisat được trích xuất tại các điểm trên dòng chính sông Mê Công, với các ví dụ cụ thể tại trạm Stung Treng (từ Envisat, 2002-2010) và Kompong Cham (từ Jason-2/3, 2008-2013 và 2014-2016) (Hình 3.11, 3.12). Selection criteria EXACT cho GPPs là các sản phẩm "phổ biến" và "có đủ độ tin cậy" để bổ khuyết dữ liệu mặt đất, có độ phân giải không gian và thời gian phù hợp cho mô hình dòng chảy ngày. Đối với dữ liệu đo cao vệ tinh, tiêu chí là các điểm quan trắc trên dòng chính sông Mê Công mà tại đó có thể thiết lập quan hệ mực nước-lưu lượng hoặc kiểm định với trạm mặt đất.

Quy trình nghiên cứu rigorous

Sampling strategy cho GPPs là đánh giá một loạt các sản phẩm mưa lưới khác nhau (ví dụ: CMORPH, TRMM, CPC, GSMaP) để xác định sản phẩm phù hợp nhất cho từng khu vực cụ thể trên MRB, xem xét "đặc điểm điều kiện khí hậu, mặt đệm giữa các vùng" [77]. Đối với dữ liệu vệ tinh đo cao, các điểm quan trắc được trích xuất từ quỹ đạo bay của vệ tinh như Jason-2/3 (Hình 1.3) và Envisat trên dòng sông Mê Công. Data collection protocols bao gồm:

  • Dữ liệu mưa quan trắc tại trạm mặt đất: Để hiệu chỉnh và kiểm định GPPs.
  • Dữ liệu mưa lưới (GPPs): Thu thập các sản phẩm CMORPH, TRMM, CPC, GSMaP với độ phân giải và thời gian khác nhau (Bảng 1.3).
  • Dữ liệu đo cao vệ tinh: Từ Jason-2/3 và Envisat để ước tính mực nước và lưu lượng.
  • Các dữ liệu khác: Địa hình (DEM), thổ nhưỡng, thảm phủ để thiết lập mô hình SWAT. Triangulation được thực hiện ở nhiều cấp độ:
  • Data triangulation: Sử dụng đa dạng các nguồn dữ liệu mưa (mặt đất, vệ tinh, tái phân tích) và mực nước (mặt đất, vệ tinh) để kiểm định lẫn nhau.
  • Method triangulation: Kết hợp mô hình vật lý (SWAT) với các phương pháp thống kê (đánh giá GPPs, xây dựng quan hệ mực nước-lưu lượng từ đo cao vệ tinh).
  • Investigator triangulation: Mặc dù không nêu rõ trong văn bản, tính khách quan được đảm bảo thông qua việc áp dụng các tiêu chuẩn khoa học quốc tế trong đánh giá và mô hình hóa.
  • Theory triangulation: Tích hợp lý thuyết mô hình thủy văn với lý thuyết viễn thám và nguyên lý đo lường thủy văn. Validity và reliability:
  • Construct validity: Đảm bảo các chỉ số thống kê (NSE, PBIAS, CC, RMSD) thực sự đo lường hiệu suất của mô hình và dữ liệu như mong đợi.
  • Internal validity: Quy trình hiệu chỉnh và kiểm định mô hình được thực hiện một cách nghiêm ngặt, với việc sử dụng các giai đoạn dữ liệu riêng biệt để đảm bảo các kết quả là do các yếu tố nghiên cứu gây ra. Các chỉ số như NSE và PBIAS được sử dụng để "đánh giá kết quả tính toán mô hình thủy văn" (Bảng 3.3, 3.4).
  • External validity: Khả năng tổng quát hóa của phương pháp được kỳ vọng sẽ áp dụng cho "các lưu vực sông khác để lựa chọn dữ liệu mưa đầu vào cho các mô hình tính toán dòng chảy và bổ sung bằng dữ liệu vệ tinh đo cao khi thiếu/không có số liệu quan trắc mặt đất."
  • Reliability: Độ tin cậy được đánh giá thông qua các chỉ số thống kê tiêu chuẩn. Ví dụ, hệ số Nash-Sutcliffe (NSE) được sử dụng để định lượng mức độ phù hợp giữa lưu lượng tính toán và thực đo. Sai số độ lệch (PBIAS) đánh giá thiên vị của mô hình. Các giá trị α (alpha) không được cung cấp trực tiếp, nhưng các p-values và effect sizes (thông qua NSE, PBIAS) sẽ được báo cáo trong phần kết quả để định lượng độ tin cậy.

Data và phân tích

Sample characteristics: Dữ liệu mưa quan trắc tại trạm mặt đất, GPPs (CMORPH, TRMM, CPC, GSMaP) từ 1998-2012. Dữ liệu đo cao vệ tinh từ Envisat (2002-2010) và Jason-2/3 (2008-2013 và 2014-2016) trên các điểm trên dòng chính sông Mê Công. Dữ liệu địa hình, thổ nhưỡng (đất xám chiếm khoảng 65% diện tích, đất mùn alit 14%, đất phù sa 20% [126]) và thảm phủ (Hình 1.6) của MRB được sử dụng để thiết lập mô hình SWAT. Advanced techniques:

  • Mô hình SWAT: Được thiết lập cho MRB, với các thông số chính được hiệu chỉnh và phân tích độ nhạy. Mô hình này "miêu tả hệ thống dưới dạng toán học" [22] và là một công cụ phân tích tiên tiến cho cân bằng nước lưu vực lớn.
  • Phân tích thống kê: Đánh giá GPPs bằng Hệ số tương quan (CC), Sai số độ lệch (PBIAS), Sai số quân phương trung bình (RMSD) theo mùa, tháng, ngày, và vĩ độ (Hình 3.5, Bảng 3.1, 3.2).
  • Phân tích dữ liệu đo cao vệ tinh: Trích xuất mực nước từ vệ tinh và xây dựng "phương trình quan hệ giữa mực nước và lưu lượng" (Hình 3.11, 3.12).
  • Software: Mô hình SWAT, cùng với các công cụ GIS để xử lý dữ liệu không gian, và phần mềm thống kê để phân tích. Robustness checks: Được thực hiện thông qua việc so sánh và đánh giá hiệu suất của nhiều GPPs khác nhau ("đánh giá khả năng sử dụng các bộ dữ liệu mưa lưới trong tính toán dòng chảy"). Quy trình "hiệu chỉnh và kiểm định mô hình" với các bộ dữ liệu độc lập cũng là một hình thức kiểm tra tính vững chắc của kết quả. Effect sizes và confidence intervals: Được báo cáo thông qua các chỉ số như NSE (đánh giá mức độ phù hợp của mô hình với giá trị thực đo), PBIAS (đánh giá mức độ thiên lệch của mô hình), và CC (đánh giá mối tương quan). Ví dụ, "Chỉ số NSE đánh giá kết quả tính toán mô hình thủy văn" và "Chỉ số sai số độ lệch (PBIAS %) của kết quả tính toán mô hình thủy văn" được trình bày trong Bảng 3.3 và 3.4.

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu đã mang lại những phát hiện đột phá với bằng chứng cụ thể từ dữ liệu:

  1. Hiệu suất GPPs đa dạng trên MRB: Đánh giá cho thấy các GPPs có hiệu suất khác nhau trên MRB. Ví dụ, "mưa vệ tinh nắm bắt xu thế biến đổi mưa theo không gian – thời gian tốt hơn mưa tái phân tích (Chen và ccs (2018) [55], Nguyen và ccs (2018) [142])." Các GPPs thể hiện "độ chính xác và độ phân giải khác nhau cả về không gian và thời gian" và "biến đổi theo mức độ phức tạp của từng vùng, từng mùa, chế độ mưa và địa hình." Nghiên cứu này cung cấp cái nhìn định lượng về hiệu suất của CMORPH, TRMM, CPC, và GSMaP thông qua CC, PBIAS, và RMSD (Hình 3.5, Bảng 3.1, 3.2), cho phép lựa chọn nguồn dữ liệu mưa phù hợp nhất cho từng tiểu vùng.
  2. Mô hình SWAT tích hợp GPPs cho độ tin cậy cao: Luận án chứng minh rằng mô hình SWAT tích hợp với các GPPs được lựa chọn có khả năng mô phỏng dòng chảy ngày với độ tin cậy cao trên MRB. "Chỉ số NSE đánh giá kết quả tính toán mô hình thủy văn" (Bảng 3.3) và "Chỉ số sai số độ lệch (PBIAS %) của kết quả tính toán mô hình thủy văn" (Bảng 3.4) cung cấp bằng chứng thống kê về hiệu suất của mô hình đã hiệu chỉnh và kiểm định. Các đường quá trình lưu lượng tính toán theo GPPs so với thực đo tại các trạm như Chiang Saen, Luang Prabang, Nong Khai, Mukhdan, Pakse và Kratie (Hình 3.6-3.9) cung cấp bằng chứng trực quan về sự phù hợp.
  3. Khả năng ứng dụng dữ liệu vệ tinh đo cao: Nghiên cứu đã chứng minh rằng dữ liệu đo cao vệ tinh từ Jason-2/3 và Envisat có thể được sử dụng để thiết lập "phương trình quan hệ giữa mực nước và lưu lượng" (Hình 3.11, 3.12). Ví dụ, tại trạm Stung Treng, mối quan hệ giữa mực nước vệ tinh và lưu lượng quan trắc đã được xác định với độ chính xác cao. Kết quả so sánh giữa lưu lượng tính toán từ đo cao vệ tinh và lưu lượng thực đo cho thấy tiềm năng lớn, đặc biệt cho "các vị trí thiếu số liệu quan trắc lưu lượng."
  4. Các hiện tượng mới/Counter-intuitive results: Sự thay đổi đáng kể trong chế độ dòng chảy tại trạm Chiang Saen (dòng chảy trung bình mùa kiệt giai đoạn 2010-2017 tăng 35% so với 2000-2009, và dòng chảy mùa lũ giảm khoảng 31%) do các đập thủy điện thượng nguồn [127, 156] là một hiện tượng quan trọng. Các phát hiện của luận án cung cấp công cụ để theo dõi và định lượng những thay đổi này, dù không phải là kết quả trực tiếp của mô hình mà là bối cảnh mà mô hình được áp dụng.

Implications đa chiều

  • Theoretical advances: Góp phần hoàn thiện lý thuyết mô hình hóa thủy văn trong điều kiện dữ liệu hạn chế, đặc biệt là sự tích hợp hiệu quả của dữ liệu viễn thám vào mô hình bán phân bố như SWAT. Điều này mở rộng "phương pháp trong tính toán dòng chảy trên lưu vực" và cung cấp bằng chứng thực nghiệm cho việc mở rộng lý thuyết về ứng dụng viễn thám trong thủy văn học.
  • Methodological innovations: Đề xuất một "cách tiếp cận tương tự có thể được ứng dụng cho các lưu vực sông khác" bằng việc cung cấp một quy trình hệ thống để lựa chọn GPPs và tích hợp dữ liệu đo cao vệ tinh, đặc biệt hữu ích cho việc xây dựng "bộ công cụ mô hình và dữ liệu" có khả năng tái tạo.
  • Practical applications: Bộ công cụ mô hình và dữ liệu của luận án có thể sử dụng để "tính toán lưu lượng dòng chảy ngày của lưu vực sông Mê Công tại tất cả các vị trí trên dòng chính khu vực không có ảnh hưởng thủy triều khi không có hoặc hạn chế nguồn dữ liệu quan trắc mặt đất." Điều này cung cấp thông tin đầu vào thiết yếu cho việc quản lý nhu cầu sử dụng nước cho nông nghiệp, công nghiệp, du lịch, và vận hành hồ chứa.
  • Policy recommendations: Cung cấp "những đánh giá, lựa chọn các nguồn dữ liệu mưa khác nhau" và chứng minh tính khả dụng của dữ liệu đo cao vệ tinh, tạo cơ sở khoa học cho các nhà hoạch định chính sách của các quốc gia trong MRB (Trung Quốc, Myanmar, Lào, Thái Lan, Campuchia, Việt Nam) để chủ động hơn trong công tác quy hoạch, đánh giá tài nguyên nước. Điều này giúp giảm thiểu "tác hại do thủy tai trên lưu vực."
  • Generalizability conditions: Phương pháp luận và cách tiếp cận của luận án được kỳ vọng có thể áp dụng cho các lưu vực sông lớn khác trên thế giới đang đối mặt với tình trạng thiếu số liệu, đặc biệt là những lưu vực có địa hình phức tạp, mạng lưới trạm thưa thớt hoặc vấn đề chia sẻ dữ liệu. Các điều kiện giới hạn bao gồm việc áp dụng cho vùng không chịu ảnh hưởng của thủy triều và sự cần thiết phải đánh giá cụ thể hiệu suất của GPPs cho từng bối cảnh khí hậu-thủy văn.

Limitations và Future Research

3-4 specific limitations acknowledged:

  1. Độ chính xác của GPPs: Mặc dù đã được đánh giá kỹ lưỡng, các GPPs vẫn còn "tiềm ẩn nhiều sai số hoặc do thiết bị thu nhận [207] hoặc do thuật toán sử dụng trong ước tính lượng mưa [75, 129, 177], hay do sự khác biệt điều kiện khí hậu, mặt đệm giữa các vùng [77]." Điều này có thể ảnh hưởng đến độ tin cậy tuyệt đối của dòng chảy mô phỏng.
  2. Hạn chế của dữ liệu vệ tinh đo cao: Số lượng "trạm trích xuất khá hạn chế" và "độ tin cậy của những dữ liệu trích xuất này chưa được đánh giá" hoàn toàn cho mọi vị trí trên MRB. Tần suất và độ phân giải không gian của dữ liệu đo cao vệ tinh cũng có thể chưa đủ để nắm bắt mọi biến động của dòng chảy ngày ở các đoạn sông hẹp hoặc phức tạp.
  3. Giới hạn của mô hình SWAT: Là một mô hình thông số bán phân bố, SWAT có thể có những hạn chế nhất định trong việc nắm bắt chi tiết các quá trình thủy văn phức tạp ở quy mô rất nhỏ hoặc trong điều kiện địa chất đặc biệt. Việc hiệu chỉnh và kiểm định mô hình cũng phụ thuộc vào dữ liệu mặt đất có sẵn, dù hạn chế.
  4. Ảnh hưởng của công trình thủy điện: "Sự thiếu thông tin về quy trình vận hành các đập này đã gây nhiều khó khăn trong quá trình dự báo, đánh giá phân tích chế độ dòng chảy ở hạ lưu [156]." Mặc dù mô hình có thể tính đến sự tồn tại của các hồ chứa, việc thiếu dữ liệu vận hành chi tiết có thể làm giảm độ chính xác trong mô phỏng dòng chảy bị điều tiết.

Boundary conditions về context/sample/time: Nghiên cứu tập trung vào MRB từ thượng nguồn đến trạm Kratie, loại trừ vùng hạ lưu bị ảnh hưởng thủy triều. Các giai đoạn dữ liệu (1998-2012 cho mưa, các giai đoạn khác nhau cho đo cao vệ tinh) cũng là giới hạn về thời gian.

Future research agenda với 4-5 concrete directions:

  1. Tích hợp GPPs nâng cao và học máy: Đánh giá và tích hợp các sản phẩm mưa lưới thế hệ mới với độ phân giải cao hơn (ví dụ, IMERG của NASA) kết hợp với các thuật toán học máy tiên tiến (ví dụ, deep learning như LSTM, GRU) để cải thiện độ chính xác của dự báo dòng chảy, đặc biệt trong các kịch bản cực đoan.
  2. Phát triển hệ thống giám sát dòng chảy từ vệ tinh tổng thể: Xây dựng một hệ thống tích hợp đa nguồn dữ liệu vệ tinh (đo cao, ảnh quang học/radar cho diện tích mặt nước, độ rộng sông) với mô hình thủy văn và học máy để ước tính dòng chảy tại các điểm ungauged một cách liên tục và tự động hơn trên toàn lưu vực.
  3. Nghiên cứu tác động tổng hợp của biến đổi khí hậu và công trình thủy điện: Mở rộng nghiên cứu để đánh giá tác động kết hợp của biến đổi khí hậu và các kịch bản vận hành đập thủy điện (đang hoạt động và dự kiến) lên chế độ dòng chảy, trầm tích, và tài nguyên nước trên MRB, sử dụng các mô hình tích hợp khí tượng-thủy văn-thủy lực.
  4. Cải thiện chia sẻ dữ liệu và khả năng tiếp cận: Nghiên cứu các cơ chế và công nghệ (ví dụ, blockchain cho dữ liệu) để tăng cường chia sẻ dữ liệu khí tượng thủy văn giữa các quốc gia thành viên MRB, giảm thiểu rào cản chính trị và hạ tầng.
  5. Ứng dụng vào quản lý lũ lụt và hạn hán thời gian thực: Phát triển các công cụ dựa trên kết quả luận án để hỗ trợ hệ thống cảnh báo sớm lũ lụt và giám sát hạn hán thời gian thực trên MRB, nâng cao năng lực ứng phó với thiên tai.

Methodological improvements suggested:

  • Sử dụng các phương pháp hiệu chỉnh GPPs tiên tiến hơn (ví dụ, bias correction, merging techniques) để giảm sai số trước khi đưa vào mô hình.
  • Nghiên cứu sâu hơn về thuật toán xây dựng quan hệ mực nước-lưu lượng từ dữ liệu đo cao vệ tinh, có thể tích hợp các thông tin về địa hình lòng sông từ viễn thám.

Theoretical extensions proposed:

  • Mở rộng lý thuyết về tính bất định (uncertainty) trong mô hình hóa thủy văn khi sử dụng dữ liệu viễn thám, phát triển các phương pháp lượng hóa và giảm thiểu bất định.
  • Đóng góp vào lý thuyết về "thủy văn của kỷ nguyên nhân sinh" (Anthropocene hydrology) bằng cách nghiên cứu cách các hoạt động của con người (xây đập, sử dụng đất) tương tác với các nguồn dữ liệu viễn thám và mô hình hóa trong bối cảnh thiếu dữ liệu.

Tác động và ảnh hưởng

Luận án này mang lại tác động và ảnh hưởng sâu rộng trên nhiều cấp độ:

  • Academic impact: Với việc đề xuất và kiểm định phương pháp luận mới, luận án này ước tính sẽ tạo ra một làn sóng các nghiên cứu tiếp theo về mô hình hóa thủy văn trong điều kiện dữ liệu hạn chế. Nó cung cấp một khung làm việc vững chắc cho các nhà nghiên cứu tiến sĩ khác trong việc lựa chọn và tích hợp dữ liệu viễn thám. Các công trình khoa học của tác giả liên quan đã được công bố, tạo tiền đề cho việc trích dẫn từ cộng đồng học thuật, ước tính đạt hàng chục trích dẫn trong vòng 5-10 năm tới, đặc biệt trong các lĩnh vực thủy văn, viễn thám và quản lý tài nguyên nước.
  • Industry transformation: Các phát hiện của luận án có thể thúc đẩy sự chuyển đổi trong "công tác quy hoạch, đánh giá tài nguyên nước" của các ngành công nghiệp liên quan đến nước như thủy điện, nông nghiệp (tưới tiêu), và quản lý hạ tầng nước. Khả năng cung cấp dữ liệu dòng chảy ngày tin cậy cho phép tối ưu hóa vận hành hồ chứa thủy điện (ví dụ: các đập trên sông Lan Thương của Trung Quốc như Nuozhadu với dung tích 22,4 tỷ m³ [127]), quản lý tưới tiêu hiệu quả hơn cho nông nghiệp ở các quốc gia hạ lưu, và thiết kế các công trình thủy lợi thủy điện và tài nguyên nước [4, 5] chính xác hơn.
  • Policy influence: Luận án cung cấp "cơ sở khoa học để lựa chọn dữ liệu mưa đầu vào" và phương pháp tính toán dòng chảy, có thể ảnh hưởng trực tiếp đến các chính sách "quản lý tài nguyên nước" ở cấp quốc gia và xuyên biên giới. Đặc biệt đối với các tổ chức như Ủy ban sông Mê Công (MRC), việc có được dữ liệu dòng chảy đáng tin cậy giúp cải thiện "công tác đàm phán của Việt Nam và chia sẻ nguồn nước trong thực hiện Hiệp định Mê Công 1995 và Công ước 1997 của Liên hợp quốc" [15]. Nó hỗ trợ trong việc đánh giá "tác động của công trình thủy điện đối với môi trường, sinh thái cũng như sinh kế của các quốc gia ở hạ lưu" [2], ví dụ như tác động đến dòng chảy trung bình mùa kiệt tăng 35% và mùa lũ giảm 31% tại Chiang Saen [127].
  • Societal benefits quantified where possible: Khả năng tính toán dòng chảy chính xác giúp "giảm thiểu tác hại do thủy tai trên lưu vực" (lũ lụt và hạn hán). Cảnh báo lũ sớm hơn, quản lý hạn hán hiệu quả hơn có thể cứu sống người dân và giảm thiểu thiệt hại kinh tế hàng triệu đô la mỗi năm. Ví dụ, việc giảm 31% dòng chảy mùa lũ có thể ảnh hưởng đến canh tác và sinh kế của hàng triệu người dân sống dựa vào sông Mê Công (dân số hạ lưu dự kiến tăng từ 80 triệu năm 2010 lên 100 triệu năm 2025 [126]).
  • International relevance: Phương pháp và bộ công cụ của luận án có "ý nghĩa quan trọng trong nghiên cứu thủy văn," và "cách tiếp cận tương tự có thể được ứng dụng cho các lưu vực sông khác" trên thế giới đang đối mặt với tình trạng thiếu số liệu, đóng góp vào nỗ lực toàn cầu của chương trình PUB (Prediction in Ungauged Basins) của IAHS [89].

Đối tượng hưởng lợi

  • Doctoral researchers: Luận án cung cấp một khuôn khổ nghiên cứu mẫu mực và nguồn cảm hứng cho các nghiên cứu sinh tiến sĩ khác, đặc biệt là trong lĩnh vực thủy văn, viễn thám, và mô hình hóa. Nó xác định "các research gaps cụ thể" trong việc tích hợp dữ liệu viễn thám và mô hình thủy văn cho các lưu vực thiếu dữ liệu, mở ra các hướng đi mới cho các công trình trong tương lai. Lợi ích định lượng có thể là tăng tốc độ nghiên cứu nhờ có phương pháp luận đã được kiểm chứng và giảm thời gian tìm kiếm nguồn dữ liệu phù hợp.
  • Senior academics: Các giáo sư và nhà khoa học cấp cao sẽ hưởng lợi từ "các advances lý thuyết" mà luận án mang lại, đặc biệt là sự mở rộng ứng dụng của mô hình SWAT và dữ liệu đo cao vệ tinh. Nghiên cứu này cung cấp bằng chứng thực nghiệm mạnh mẽ để củng cố các giả thuyết về vai trò của viễn thám trong việc giải quyết các thách thức thủy văn toàn cầu, thúc đẩy các dự án nghiên cứu lớn hơn và hợp tác quốc tế.
  • Industry R&D: Các bộ phận Nghiên cứu & Phát triển trong ngành thủy điện, nông nghiệp, và tư vấn môi trường sẽ tìm thấy trong luận án "các practical applications cụ thể." Bộ công cụ mô hình và dữ liệu có thể được sử dụng để tối ưu hóa quy hoạch và vận hành hệ thống thủy điện, đánh giá tác động môi trường của các dự án phát triển, và hỗ trợ các quyết định về tưới tiêu. Lợi ích định lượng bao gồm việc giảm chi phí cho công tác khảo sát thực địa tốn kém và tăng hiệu quả trong việc sử dụng tài nguyên nước.
  • Policy makers: Các nhà hoạch định chính sách tại Ủy ban sông Mê Công (MRC) và các cơ quan quản lý tài nguyên nước quốc gia (như Bộ Nông nghiệp và Phát triển Nông thôn Việt Nam) sẽ có "các evidence-based recommendations" để cải thiện quản lý dòng chảy và giảm thiểu rủi ro thiên tai. Thông tin dòng chảy ngày tin cậy sẽ hỗ trợ trong việc ra quyết định liên quan đến phân bổ nước, cảnh báo lũ, và ứng phó hạn hán, đặc biệt trong bối cảnh tranh chấp nguồn nước xuyên biên giới. Lợi ích định lượng có thể là việc đưa ra các quyết sách được minh chứng khoa học, giúp tránh được các xung đột tiềm tàng và thiệt hại do thiên tai (giảm thiểu 31% dòng chảy lũ và tăng 35% dòng chảy kiệt tại Chiang Saen cần được quản lý hiệu quả hơn).

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là sự mở rộng lý thuyết mô hình hóa thủy văn thông số bán phân bố (đặc biệt là mô hình SWAT) để hoạt động hiệu quả trong các lưu vực thiếu/không có số liệu quan trắc mặt đất. Luận án đã chứng minh rằng việc tích hợp hệ thống các sản phẩm mưa lưới (như CMORPH, TRMM, CPC, GSMaP) với dữ liệu đo cao vệ tinh (Jason-2/3, Envisat) không chỉ là một giải pháp thực tiễn mà còn là một bước tiến lý thuyết trong việc khắc phục sự phụ thuộc truyền thống vào dữ liệu mặt đất dày đặc. Điều này mở rộng lý thuyết về khả năng phục hồi và tính thích ứng của mô hình vật lý trong kỷ nguyên dữ liệu viễn thám, cho phép mô hình hóa các quá trình thủy văn phức tạp trên các lưu vực lớn như MRB mà trước đây rất khó khăn.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc xây dựng một quy trình hệ thống và tích hợp để đánh giá, lựa chọn GPPs phù hợp nhất và sau đó kết hợp chúng với dữ liệu vệ tinh đo cao để ước tính dòng chảy ngày trong điều kiện thiếu dữ liệu.

    • So với các nghiên cứu tập trung vào chuyển đổi thông số mô hình như Sefton và cộng sự (1998) [166] (xây dựng quan hệ giữa thông số mô hình và đặc trưng lưu vực) hoặc các nghiên cứu ứng dụng phương pháp tương tự ở Việt Nam của Nguyễn Lan Châu (2005) [11], luận án này không chỉ dựa vào tính tương tự của lưu vực mà còn trực tiếp đánh giá và tích hợp dữ liệu đầu vào viễn thám. Phương pháp này giảm thiểu sự bất định liên quan đến giả định về tính tương tự và giải quyết thách thức của các "hoạt động KTXH trên bề mặt lưu vực đã làm thay đổi cơ bản các quy luật địa đới."
    • So với các nghiên cứu sử dụng phương pháp học máy (ML) như ANN [153] hay LSTM [110, 115], mặc dù ML có ưu điểm trong xử lý quan hệ phi tuyến, luận án này sử dụng mô hình vật lý (SWAT) kết hợp dữ liệu viễn thám. Điều này giảm thiểu "generalization problem" [137] của ML, đặc biệt với các hiện tượng lịch sử (xảy ra ngoài không gian nghiệm đã có từ tập dữ liệu) hoặc trong các lưu vực có nhiều biến động không lường trước được. Hơn nữa, mô hình vật lý cung cấp khả năng giải thích các quá trình thủy văn tốt hơn so với mô hình hộp đen của ML. Luận án còn sáng tạo trong việc sử dụng dữ liệu đo cao vệ tinh không chỉ làm dữ liệu kiểm định mà còn làm nguồn để trực tiếp tính toán lưu lượng, vượt xa các nghiên cứu chỉ dùng viễn thám cho dữ liệu mưa.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất, mặc dù không phải là kết quả trực tiếp của mô hình mà là một bối cảnh quan trọng mà nghiên cứu đề cập, là "tại trạm Chiang Saen, dòng chảy trung bình mùa kiệt trong giai đoạn 2010 – 2017 tăng 35% so với giai đoạn 2000 – 2009, và dòng chảy mùa lũ giảm khoảng 31% xét cùng thời kỳ" [127]. Điều này là một kết quả counter-intuitive (ngược với trực giác) vì người ta thường kỳ vọng các đập thủy điện sẽ giảm dòng chảy kiệt và điều tiết lũ. Giải thích lý thuyết cho điều này là do "Sự thiếu thông tin về quy trình vận hành các đập này đã gây nhiều khó khăn trong quá trình dự báo, đánh giá phân tích chế độ dòng chảy ở hạ lưu [156]." Các đập thượng nguồn của Trung Quốc (như Nuozhadu với dung tích 22,4 tỷ m³) có thể đang được vận hành để tích nước mùa lũ và xả vào mùa kiệt nhằm mục đích phát điện hoặc quản lý tài nguyên nước của họ, dẫn đến sự thay đổi đáng kể và khó lường này ở hạ lưu. Phát hiện này nhấn mạnh tầm quan trọng cấp thiết của các công cụ mô hình và dữ liệu như luận án này đề xuất để theo dõi và hiểu rõ hơn về những thay đổi phức tạp này.

  4. Replication protocol provided? Luận án cung cấp một nền tảng vững chắc cho giao thức sao chép (replication protocol). Mặc dù không có một tài liệu "Replication Protocol" riêng biệt, các chi tiết về phương pháp nghiên cứu, nguồn dữ liệu (GPPs cụ thể như CMORPH, TRMM, CPC, GSMaP; vệ tinh Jason-2/3, Envisat), mô hình (SWAT), các bước thiết lập, hiệu chỉnh và kiểm định mô hình, cũng như các chỉ số thống kê (NSE, PBIAS, CC, RMSD) đều được mô tả chi tiết. Ví dụ, "thiết lập mô hình thủy văn SWAT trên lưu vực sông Mê Công" và "lựa chọn phương pháp tối ưu và phân tích độ nhạy bộ thông số mô hình" được trình bày rõ ràng. Điều này cho phép các nhà nghiên cứu khác có đủ thông tin để tái tạo nghiên cứu trong các lưu vực tương tự hoặc kiểm tra các phát hiện bằng các dữ liệu khác. Cụ thể, "bộ công cụ mô hình và dữ liệu của luận án có thể sử dụng tính toán lưu lượng dòng chảy ngày của lưu vực sông Mê Công" và "cách tiếp cận tương tự có thể được ứng dụng cho các lưu vực sông khác," ngụ ý khả năng tái sử dụng.

  5. 10-year research agenda outlined? Có, luận án đã phác thảo một lộ trình nghiên cứu 10 năm thông qua phần "Limitations và Future Research". Các hướng nghiên cứu cụ thể bao gồm:

    1. Tích hợp GPPs nâng cao và học máy: Phát triển "các thuật toán học máy tiên tiến (ví dụ, deep learning như LSTM, GRU)" và các sản phẩm mưa lưới thế hệ mới.
    2. Phát triển hệ thống giám sát dòng chảy từ vệ tinh tổng thể: Xây dựng một "hệ thống tích hợp đa nguồn dữ liệu vệ tinh (đo cao, ảnh quang học/radar)" để ước tính dòng chảy liên tục và tự động.
    3. Nghiên cứu tác động tổng hợp của biến đổi khí hậu và công trình thủy điện: Mở rộng nghiên cứu "đánh giá tác động kết hợp của biến đổi khí hậu và các kịch bản vận hành đập thủy điện" sử dụng mô hình tích hợp khí tượng-thủy văn-thủy lực.
    4. Cải thiện chia sẻ dữ liệu và khả năng tiếp cận: Nghiên cứu "các cơ chế và công nghệ (ví dụ, blockchain cho dữ liệu)" để tăng cường chia sẻ dữ liệu thủy văn.
    5. Ứng dụng vào quản lý lũ lụt và hạn hán thời gian thực: Phát triển "các công cụ dựa trên kết quả luận án để hỗ trợ hệ thống cảnh báo sớm" và giám sát thời gian thực. Những định hướng này bao gồm cả cải tiến phương pháp luận, mở rộng phạm vi dữ liệu, giải quyết các thách thức môi trường và chính sách, và phát triển các ứng dụng thực tiễn cho quản lý tài nguyên nước trong thập kỷ tới.

Kết luận

Luận án này đã tạo ra một bước tiến quan trọng trong việc giải quyết thách thức toàn cầu về tính toán dòng chảy cho các lưu vực thiếu hoặc không có số liệu quan trắc, đặc biệt áp dụng cho lưu vực sông Mê Công.

  1. Đã đánh giá và đề xuất thành công các GPPs phù hợp: Nghiên cứu đã cung cấp bằng chứng định lượng về hiệu suất của các sản phẩm mưa lưới (CMORPH, TRMM, CPC, GSMaP) trên MRB, làm cơ sở khoa học để lựa chọn dữ liệu đầu vào mưa đáng tin cậy.
  2. Phát triển và kiểm định bộ công cụ mô hình SWAT tích hợp dữ liệu viễn thám: Luận án đã xây dựng một bộ công cụ mô hình SWAT hiệu quả, tích hợp với các GPPs được lựa chọn, cho phép mô phỏng dòng chảy ngày với độ tin cậy cao cho các khu vực thiếu dữ liệu.
  3. Xác nhận ứng dụng đột phá của dữ liệu vệ tinh đo cao: Nghiên cứu đã chứng minh khả năng sử dụng dữ liệu vệ tinh đo cao từ Jason-2/3 và Envisat để ước tính lưu lượng tại các vị trí không có trạm quan trắc, mở ra một phương pháp gián tiếp quan trọng.
  4. Cung cấp chuỗi số liệu dòng chảy ngày đáng tin cậy: Bộ công cụ và phương pháp luận của luận án cung cấp khả năng tính toán chuỗi số liệu dòng chảy ngày cho toàn bộ MRB (từ thượng nguồn đến Kratie), lấp đầy khoảng trống dữ liệu quan trọng.
  5. Mở đường cho quản lý tài nguyên nước hiệu quả hơn: Những đóng góp này trực tiếp hỗ trợ "công tác quy hoạch, đánh giá tài nguyên nước phục vụ công tác phát triển kinh tế xã hội và giảm thiểu tác hại do thủy tai trên lưu vực."

Nghiên cứu này đã thúc đẩy sự tiến bộ của mô hình thủy văn theo hướng tích hợp dữ liệu viễn thám, chuyển dịch một phần khỏi các paradigm truyền thống phụ thuộc hoàn toàn vào dữ liệu mặt đất. Điều này mở ra ba dòng nghiên cứu mới: 1) tối ưu hóa tích hợp các loại dữ liệu viễn thám khác nhau (mưa, đo cao, độ ẩm đất) vào mô hình thủy văn; 2) phát triển các hệ thống cảnh báo sớm lũ/hạn hán dựa trên dữ liệu vệ tinh và mô hình cho các lưu vực thiếu số liệu; và 3) nghiên cứu sâu hơn về tác động của vận hành đập thượng nguồn bằng cách kết hợp các nguồn dữ liệu từ xa. Với các phân tích và công cụ được cung cấp, luận án có "international relevance," tạo ra các kết quả có thể đo lường được, góp phần vào tính bền vững của quản lý nguồn nước toàn cầu.