Tổng quan về luận án

Luận án này tiên phong giải quyết những thách thức cấp bách trong công tác quản lý và phòng chống thiên tai tại Việt Nam, đặc biệt là cháy rừng và sạt lở đất, vốn đang gia tăng mức độ phức tạp dưới tác động của biến đổi khí hậu. Trong bối cảnh khoa học hiện đại, việc ứng dụng các kỹ thuật phân loại dữ liệu tiên tiến từ học máy và học sâu vào thành lập bản đồ nguy cơ thiên tai trở nên cực kỳ quan trọng, hứa hẹn cung cấp thông tin chính xác và kịp thời cho công tác dự báo, cảnh báo sớm và hoạch định chiến lược.

Nghiên cứu này xác định một research gap cụ thể trong bối cảnh Việt Nam, nơi các phương pháp truyền thống còn tồn tại nhiều hạn chế. Cụ thể, các nghiên cứu trước đây về dự báo cháy rừng tại Việt Nam thường "tập trung vào việc sử dụng chỉ số đốt cháy được tính toán từ dữ liệu thời tiết [16] hoặc bổ sung thêm một số yếu tố khác [17]. Tuy nhiên, những nghiên cứu này thường bỏ qua các thuộc tính không gian quan trọng và thiếu sự kiểm chứng chính xác." (trang 16). Tương tự, trong lĩnh vực sạt lở đất, "các phương pháp thống kê truyền thống vẫn được áp dụng phổ biến để lập bản đồ hiểm họa [18], [19], chưa khai thác được tiềm năng của các phương pháp học máy tiên tiến." (trang 16). Luận án này khẳng định rằng mặc dù các phương pháp dựa trên thống kê và chỉ số có thể cung cấp cái nhìn tổng quan, nhưng chúng "thường thiếu độ chính xác khi phải xử lý các bộ dữ liệu địa không gian phức tạp [20], [21]." (trang 16). Ngoài ra, luận án còn chỉ ra hai thách thức khoa học chính: (1) thiếu quy trình chuẩn hóa để thu thập và tiền xử lý dữ liệu đa nguồn không đồng nhất, bị thiếu hoặc nhiễu; và (2) hạn chế trong việc xây dựng mô hình học máy hiệu quả cho từng loại thiên tai, đặc biệt là thiếu phương pháp đánh giá toàn diện và tiêu chí rõ ràng để lựa chọn, tối ưu hóa mô hình.

Để giải quyết những khoảng trống này, luận án tập trung vào các research questions sau:

  1. Phương pháp thu thập, xử lý, tiền xử lý các bộ dữ liệu thiên tai đa nguồn như thế nào để đảm bảo tính đồng nhất và chất lượng?
  2. Những mô hình học máy hiệu quả nào có thể được xây dựng để phân vùng nguy cơ cháy rừng và sạt lở đất ở các khu vực nghiên cứu tại Việt Nam, và chúng ta đánh giá hiệu năng những mô hình đề xuất như thế nào?
  3. Những hướng nghiên cứu nào trong tương lai có thể được đề xuất để ứng dụng các kỹ thuật học máy tiên tiến vào hệ thống cảnh báo sớm cho các thảm họa tự nhiên tại Việt Nam?

Luận án xây dựng một theoretical framework vững chắc dựa trên sự kết hợp của Học sâu (Deep Learning) và Học tổng hợp (Ensemble Learning). Các lý thuyết nền tảng bao gồm kiến trúc Mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN), các thuật toán học máy cơ sở như Máy vector hỗ trợ (Support Vector Machine - SVM), Rừng ngẫu nhiên (Random Forests - RF), và các thuật toán tối ưu hóa tiên tiến như Ước lượng moment Thích ứng (Adaptive Moment Estimation - Adam), Tối ưu hóa dựa trên Địa sinh học (Biogeography-Based Optimization - BBO), và Tiến hóa vi phân (Differential Evolution - DE).

Các đóng góp đột phá của nghiên cứu có tác động lượng hóa đáng kể. Luận án "đề xuất một số kỹ thuật tổng hợp, xử lý, phân loại dữ liệu phục vụ phân vùng nguy cơ cháy rừng và sạt lở đất" (trang 19) và "sử dụng các kết quả phân loại kể trên để thành lập các bản đồ phân vùng nguy cơ cháy rừng ở tỉnh Gia Lai và sạt lở đất ở huyện Than Uyên, tỉnh Lai Châu" (trang 19). Cụ thể, hiệu suất của mô hình Deep-NC cho cháy rừng đã vượt trội so với các mô hình tham chiếu như RVM, SVM, RF, đạt AUC trên bộ kiểm tra lên đến 0.904, cải thiện đáng kể so với các mô hình truyền thống (Bảng 2-5). Đối với sạt lở đất, mô hình BBO-DE-StreeEns đề xuất cũng chứng minh hiệu suất vượt trội với AUC đạt 0.98 trên bộ dữ liệu kiểm tra, đặc biệt với tỷ lệ mẫu 70:30 là tối ưu nhất (tham khảo Saha et al. [88] với cùng tỷ lệ mẫu), cung cấp độ chính xác cao hơn hẳn các mô hình đối chứng (Bảng 3-6).

Scope của nghiên cứu bao gồm việc thu thập và phân tích dữ liệu đa nguồn cho hai vùng nghiên cứu cụ thể: tỉnh Gia Lai (cho cháy rừng) và huyện Than Uyên, tỉnh Lai Châu (cho sạt lở đất). Dữ liệu này bao gồm các yếu tố ảnh hưởng như địa hình (độ dốc, độ cao, hướng dốc), khí hậu (nhiệt độ, lượng mưa, độ ẩm, tốc độ gió), thảm thực vật (NDVI, NDWI, NDMI), và yếu tố con người (sử dụng đất, khoảng cách đến đường giao thông, sông, đứt gãy địa chất). Luận án được thực hiện và hoàn thành vào năm 2025, cho thấy tính thời sự và khả năng ứng dụng trong tương lai gần. Significance của luận án nằm ở khả năng cung cấp các công cụ dự báo và bản đồ nguy cơ chi tiết, hỗ trợ các nhà quản lý và hoạch định chính sách trong việc đưa ra quyết định dựa trên bằng chứng, từ đó giảm thiểu thiệt hại về kinh tế, xã hội và môi trường do thiên tai gây ra, đặc biệt trong bối cảnh biến đổi khí hậu ngày càng phức tạp tại Việt Nam.

Literature Review và Positioning

Luận án này tổng hợp các luồng nghiên cứu chính về dự đoán cháy rừng và sạt lở đất, nhận diện những hạn chế hiện có và định vị đóng góp độc đáo của mình.

Synthesis của major streams: Trong lĩnh vực dự đoán cháy rừng, các nghiên cứu quốc tế đã tiến triển từ các "Mô hình địa không gian và phương pháp thống kê" của Chuvieco và đồng nghiệp [2] hay Guo và đồng nghiệp [46] sử dụng hồi quy logistic và hàm K của Ripley, sang các "Mô hình học máy" (Machine Learning - ML) tiên tiến hơn. Tehrany và đồng nghiệp [48] đã tiên phong áp dụng dữ liệu địa không gian kết hợp học máy ensemble để phân tích cháy rừng nhiệt đới ở Việt Nam, trong khi Naderpour và cộng sự [49] nhấn mạnh khả năng dự đoán chính xác của ML và các thuật toán ensemble. Gần đây, "Các mô hình học sâu" (Deep Learning - DL) như mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN) đã được áp dụng, với Zhang và cộng sự [55] nghiên cứu CNN cho lập bản đồ các khu vực dễ bị cháy rừng, và Yingshu Penga, Yi Wang [56] sử dụng học sâu cho phát hiện khói và cháy rừng. Tại Việt Nam, nghiên cứu về cháy rừng đã phát triển qua hai giai đoạn: Giai đoạn cuối thế kỷ XX và đầu thế kỷ XXI dựa trên phương pháp Nesterov của Phạm Ngọc Hưng [57] và Võ Đình Tiến [58], sau đó bổ sung chỉ số khí hậu Qi bởi Lê Sỹ Doanh và Vương Văn Quỳnh [20]. Từ đầu thế kỷ XXI, các nghiên cứu của Vương Văn Quỳnh [61], [62] và Doãn Hà Phong [63] bắt đầu sử dụng dữ liệu viễn thám (Landsat TM, MODIS) để xây dựng phần mềm cảnh báo.

Đối với dự đoán sạt lở đất, các phương pháp đã được phân loại thành năm dạng chính: (1) "thống kê vị trí trượt lở đất" (như Westen và Terlien [67]); (2) "dựa trên chỉ số" (ví dụ A-Xing Zhu và cộng sự [69] sử dụng GIS và fuzzy logic); (3) "dựa trên thống kê" (ví dụ Pradhan [70] và Oh & Lee [71]); (4) "theo tiếp cận xác định" (như Harp và cộng sự [73], [74]); và (5) "dựa trên học máy" (trang 40-41), vốn ngày càng phổ biến hơn so với thống kê [76], [77], [78], [79], [80]. Đặc biệt, "các phương pháp dựa trên mô hình học kết hợp" (Ensemble Learning) đã được nhiều nghiên cứu áp dụng, như Pourghasemi [83], Youssef [84], và Di Napoli [85] đã kết hợp ANN, boosting và entropy tối đa. Tại Việt Nam, nghiên cứu sạt lở đất chủ yếu mang tính định tính trên diện rộng [18]. Các dự án quy mô lớn như "Điều tra, đánh giá và phân vùng cảnh báo nguy cơ trượt lở đất các vùng miền núi Việt Nam" của Viện Khoa học Địa chất và Khoáng sản (2012-2018) và Đề tài cấp Nhà nước VT/ƯD-03/13-15 của Viện Địa chất (2013-2015) đã sử dụng phương pháp đánh giá đa tiêu chí không gian (SMCE) kết hợp kiến thức chuyên gia và Phân tích thứ bậc (AHP) [86].

Contradictions/debates: Một cuộc tranh luận lớn trong cả hai lĩnh vực là sự đánh đổi giữa tính giải thích và độ chính xác của mô hình. Trong khi các phương pháp thống kê truyền thống hay chỉ số cung cấp cái nhìn tổng quan và dễ giải thích, chúng "thường thiếu độ chính xác khi phải xử lý các bộ dữ liệu địa không gian phức tạp [20], [21]." (trang 16). Ngược lại, "các mô hình học máy và học sâu có khả năng tiếp thu và học hỏi từ các mô hình phức tạp và quan hệ phi tuyến tính trong các bộ dữ liệu lớn [48]", đạt hiệu suất vượt trội, nhưng lại đối mặt với vấn đề "sự khó hiểu trong quá trình các mô hình này đưa ra quyết định, thường được ví như là “hộp đen” [48]" (trang 36), cùng với yêu cầu về khối lượng lớn dữ liệu đào tạo và nguồn lực tính toán đáng kể. Vấn đề "quá khớp" (overfitting) cũng là một thách thức, đặc biệt với các mô hình học sâu đòi hỏi "nhiều thí nghiệm cần được thực hiện để tìm kiếm kiến trúc mạng và các siêu tham số tối ưu" (trang 37).

Positioning trong literature: Luận án này định vị mình là cầu nối giải quyết những khoảng trống hiện có bằng cách:

  1. Vượt qua hạn chế của phương pháp truyền thống: Luận án không chỉ nhận diện mà còn trực tiếp giải quyết sự thiếu hụt độ chính xác của các phương pháp thống kê và chỉ số truyền thống khi đối mặt với dữ liệu địa không gian phức tạp.
  2. Khai thác tiềm năng của học sâu và học tổng hợp trong bối cảnh địa phương: Luận án tiên phong trong việc "chưa có nhiều nghiên cứu tại Việt Nam sử dụng học sâu trong việc xây dựng bản đồ phân vùng nguy cơ cháy rừng" (trang 40) và "chưa có nhiều các nghiên cứu về việc xây dựng bản đồ nguy cơ xảy ra sạt lở đất ở các vùng núi tại Việt Nam" (trang 45) bằng cách đề xuất các mô hình học sâu và học tổng hợp lai tạo (Deep-NC, BBO-DE-StreeEns) được tùy chỉnh cho điều kiện cụ thể của Việt Nam.
  3. Thiết lập quy trình chuẩn hóa dữ liệu: Luận án giải quyết "thách thức 1: Xây dựng quy trình chuẩn hoá để thu thập và tiền xử lý dữ liệu đa nguồn cho bài toán dự đoán thiên tai" (trang 17), một khía cạnh thường bị bỏ qua hoặc thiếu quy trình chặt chẽ trong các nghiên cứu trước đây.
  4. Nâng cao tính khách quan trong đánh giá mô hình: Bằng cách áp dụng các tiêu chí đánh giá toàn diện và so sánh với nhiều mô hình tham chiếu, luận án khắc phục "thiếu phương pháp đánh giá toàn diện hiệu năng của các mô hình khác nhau" (trang 17).

How this advances field: Luận án tiến xa hơn bằng cách tích hợp sâu rộng Hệ thống Thông tin Địa lý (GIS) và dữ liệu viễn thám đa nguồn với các kỹ thuật Học sâu và Học tổng hợp để tạo ra các bản đồ nguy cơ có độ chính xác cao. Điều này cho phép "phân tích không gian chi tiết, giúp xác định chính xác các khu vực có nguy cơ cao" (trang 16), một sự cải thiện đáng kể so với các nghiên cứu bỏ qua thuộc tính không gian hoặc chỉ dùng thống kê. Cụ thể, việc đề xuất mô hình BBO-DE-StreeEns là một bước tiến vượt bậc trong việc tối ưu hóa các siêu tham số và kết hợp nhiều cây quyết định, mang lại "độ chính xác cao nhất, với tỷ lệ mẫu 70:30 là tối ưu nhất, đạt 98 so với các tỷ lệ mẫu khác" (trang 44) cho sạt lở đất, dựa trên nghiên cứu tương tự của Saha và đồng nghiệp [88].

So sánh với ít nhất 2 international studies:

  1. So với Yong Piao và cộng sự (2020) [64] về dự đoán cháy rừng ở Gangwon-do, Hàn Quốc: Nghiên cứu này cũng sử dụng các thuật toán học máy (CART, RF, BRT) và GEE. Tuy nhiên, luận án này đề xuất mô hình Deep-NC, một kiến trúc học sâu, vốn được đánh giá là có khả năng "học các mẫu cực kỳ phức tạp và biểu diễn đặc trưng theo cấp độ từ các bộ dữ liệu lớn" (trang 37), vượt trội hơn các mô hình học máy truyền thống như RF và BRT được Piao et al. sử dụng. Trong khi Piao et al. đạt AUC khoảng 0.85-0.89, mô hình Deep-NC của luận án đã đạt AUC lên tới 0.904 (Bảng 2-5), chứng minh hiệu suất dự báo tốt hơn.
  2. So với Mohsen Naderpour và cộng sự (2020) [65] về dự đoán rủi ro cháy rừng ở Sydney, Australia: Nghiên cứu này cũng sử dụng Mạng nơ-ron sâu không gian (MLP) với 36 chỉ số quan trọng. Tuy nhiên, luận án này không chỉ áp dụng một loại mạng nơ-ron đơn thuần (MLPNeuNet là một trong các mô hình tham chiếu), mà còn phát triển kiến trúc Deep-NC được tối ưu hóa bằng các thuật toán hiện đại (Adam, SGD, RMSprop, AdaDelta) để phù hợp hơn với đặc điểm dữ liệu và môi trường Việt Nam. Hơn nữa, luận án còn mở rộng sang sạt lở đất với một mô hình ensemble lai BBO-DE-StreeEns, thể hiện cách tiếp cận đa thiên tai, vượt ra ngoài phạm vi chỉ cháy rừng của Naderpour et al.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mang lại những đóng góp lý thuyết đáng kể thông qua việc mở rộng và thách thức các lý thuyết hiện có, đồng thời xây dựng một khung phân tích độc đáo.

Extend/challenge WHICH specific theories:

  1. Lý thuyết học máy truyền thống và học tổng hợp: Luận án mở rộng lý thuyết về học tổng hợp bằng cách tích hợp các kỹ thuật tối ưu hóa tiến hóa (BBO, DE) vào quá trình xây dựng cây quyết định của các mô hình ensemble. Cụ thể, mô hình BBO-DE-StreeEns không chỉ đơn thuần kết hợp các cây quyết định như trong Rừng ngẫu nhiên của Leo Breiman [31], mà còn tối ưu hóa siêu tham số của thuật toán cây SPAARC (Split-Point And Attribute Reduced Classifier) thông qua Biogeography-Based Optimization (BBO) của Dan Simon [42] và Differential Evolution (DE) của Storn và Price [43]. Điều này vượt ra ngoài cách tiếp cận "Bagging (Bootstrap Aggregating)" [28] truyền thống bằng cách tinh chỉnh quá trình tạo cây để tăng cường tính đa dạng và hiệu suất, thay vì chỉ dựa vào lấy mẫu ngẫu nhiên.
  2. Lý thuyết Mạng nơ-ron nhân tạo và Học sâu: Luận án mở rộng ứng dụng của Học sâu, đặc biệt là kiến trúc Mạng nơ-ron đa tầng (MLPNeuNet) của Rosenblatt [33] và các mô hình Học sâu như CNN, RNN [25], bằng cách phát triển mô hình Deep-NC. Mô hình này được tối ưu hóa bằng các thuật toán như Adam của Kingma và Ba [40], thay vì chỉ các phương pháp tối ưu hóa cơ bản như SGD [39]. Việc áp dụng Deep-NC vào phân vùng nguy cơ cháy rừng tại Việt Nam, một lĩnh vực còn ít nghiên cứu học sâu, mở rộng phạm vi ứng dụng và kiểm chứng hiệu quả của các kiến trúc mạng sâu trong bài toán dự đoán thiên tai địa lý phức tạp.

Conceptual framework với components và relationships: Khung lý thuyết của luận án xoay quanh mối quan hệ giữa các yếu tố ảnh hưởng đa chiều đến thiên tai và khả năng dự đoán của các mô hình học máy tiên tiến.

  • Các yếu tố đầu vào (Independent Variables): Bao gồm các yếu tố địa hình (độ dốc, độ cao, hướng dốc, độ cong, năng lượng địa hình), khí hậu (nhiệt độ, lượng mưa, độ ẩm, tốc độ gió), thảm thực vật (NDVI, NDWI, NDMI), địa chất, và yếu tố con người (sử dụng đất, khoảng cách đến đường giao thông, sông, đứt gãy địa chất). Các yếu tố này được thu thập từ dữ liệu viễn thám và GIS.
  • Quy trình tiền xử lý và tích hợp dữ liệu: Đây là thành phần cầu nối, biến dữ liệu thô, không đồng nhất thành các đặc trưng có cấu trúc và sẵn sàng cho mô hình, giải quyết "khó khăn trong việc dữ liệu bị thiếu hoặc nhiễu" (trang 17).
  • Mô hình Học sâu và Học tổng hợp lai tạo (Core Models): Gồm Deep-NC (cho cháy rừng) và BBO-DE-StreeEns (cho sạt lở đất). Các mô hình này đóng vai trò trung tâm trong việc học các mối quan hệ phi tuyến phức tạp giữa các yếu tố đầu vào và nguy cơ thiên tai.
  • Kết quả đầu ra (Dependent Variables): Bản đồ phân vùng nguy cơ cháy rừng và sạt lở đất với các cấp độ nguy cơ được xác định rõ ràng.

Mối quan hệ chính là việc các yếu tố đầu vào (được xử lý và chọn lọc) được đưa vào các mô hình học máy và học sâu lai tạo. Các mô hình này sau đó học các mối tương quan và mô hình phức tạp để dự đoán xác suất xảy ra thiên tai. Kết quả dự đoán được biểu diễn dưới dạng bản đồ, cung cấp thông tin trực quan cho các quyết định thực tiễn.

Theoretical model với propositions/hypotheses numbered:

  1. Proposition 1: Việc tích hợp dữ liệu đa nguồn từ viễn thám và GIS, kết hợp với quy trình tiền xử lý chuẩn hóa, sẽ cung cấp các đặc trưng đầu vào toàn diện và chất lượng cao hơn, từ đó nâng cao hiệu suất dự đoán của mô hình học máy so với việc chỉ sử dụng các tập dữ liệu hạn chế hoặc xử lý không chuẩn hóa.
  2. Hypothesis 1.1: Quy trình tiền xử lý dữ liệu chuẩn hóa của luận án sẽ giảm thiểu sự không đồng nhất về định dạng và độ phân giải, cải thiện độ tin cậy của dữ liệu đầu vào.
  3. Proposition 2: Các mô hình học sâu và học tổng hợp lai tạo, đặc biệt là Deep-NC và BBO-DE-StreeEns, có khả năng học các mối quan hệ phi tuyến tính phức tạp và mẫu dữ liệu đa chiều hiệu quả hơn so với các phương pháp học máy truyền thống hoặc thống kê.
  4. Hypothesis 2.1: Mô hình Deep-NC sẽ đạt hiệu suất dự đoán nguy cơ cháy rừng cao hơn (được đo bằng AUC và Fscore) so với các thuật toán như RVM, SVM, và RandomForest trong bối cảnh địa phương cụ thể của Gia Lai. (Được xác nhận bởi Bảng 2-5, Deep-NC đạt AUC 0.904, cao hơn RVM (0.835), SVM (0.852), RF (0.890)).
  5. Hypothesis 2.2: Mô hình BBO-DE-StreeEns sẽ đạt hiệu suất dự đoán nguy cơ sạt lở đất cao hơn (được đo bằng AUC và Fscore) so với các mô hình tham chiếu khác trong bối cảnh Than Uyên, Lai Châu. (Được xác nhận bởi Bảng 3-6, BBO-DE-StreeEns đạt AUC 0.98, cao hơn các mô hình tham chiếu).
  6. Proposition 3: Việc tối ưu hóa siêu tham số của mô hình bằng các thuật toán tiến hóa (BBO, DE) sẽ cải thiện đáng kể hiệu suất và khả năng tổng quát hóa của các mô hình học máy.
  7. Hypothesis 3.1: Mô hình Deep-NC được tối ưu hóa bằng thuật toán Adam sẽ cho hiệu suất tốt hơn so với các thuật toán tối ưu hóa khác như SGD, RMSprop và AdaDelta khi dự đoán cháy rừng. (Được xác nhận bởi Bảng 2-7, Adam đạt Accuracy 0.90, PPV 0.90, Sens 0.88, Fscore 0.89, Kappa 0.80, vượt trội trong đa số các chỉ số).

Paradigm shift với EVIDENCE từ findings: Nghiên cứu này không hoàn toàn đề xuất một sự thay đổi mô hình triệt để (paradigm shift) theo nghĩa Kuhn, nhưng nó đẩy mạnh một sự chuyển dịch đáng kể trong cách tiếp cận dự đoán thiên tai ở Việt Nam từ các phương pháp truyền thống sang các kỹ thuật dựa trên học máy và học sâu. Sự thay đổi này được minh chứng bằng hiệu suất vượt trội của các mô hình đề xuất. Cụ thể, việc Deep-NC và BBO-DE-StreeEns đạt AUC cao (0.904 và 0.98) so với các mô hình tham chiếu (Bảng 2-5 và Bảng 3-6) cung cấp bằng chứng thực nghiệm cho thấy các mô hình học sâu và học tổng hợp lai tạo có thể xử lý hiệu quả độ phức tạp của dữ liệu địa không gian, điều mà các phương pháp thống kê và học máy truyền thống thường gặp khó khăn [20], [21]. Sự chuyển dịch này không chỉ là về công nghệ mà còn là về một tư duy mới trong việc khai thác dữ liệu lớn và các mối quan hệ phi tuyến để đưa ra dự đoán chính xác hơn.

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt độc đáo nhờ sự tích hợp đa lý thuyết và phương pháp tiếp cận mới.

Integration của theories (name 3+ specific theories): Khung phân tích kết hợp một cách sáng tạo:

  1. Lý thuyết học sâu (Deep Learning Theory) [25]: Được áp dụng thông qua kiến trúc Deep-NC, cho phép học các biểu diễn cấp cao và mối quan hệ phi tuyến từ dữ liệu.
  2. Lý thuyết học tổng hợp (Ensemble Learning Theory) [28]: Đặc biệt là các nguyên tắc của Bagging (như trong Random Forests của Breiman [31]) và Stacking, được mở rộng trong mô hình BBO-DE-StreeEns.
  3. Lý thuyết tối ưu hóa tiến hóa (Evolutionary Optimization Theory): Cụ thể là Biogeography-Based Optimization (BBO) của Simon [42] và Differential Evolution (DE) của Storn và Price [43], được sử dụng để tối ưu hóa siêu tham số và cấu trúc mô hình.
  4. Lý thuyết Hệ thống Thông tin Địa lý (GIS Theory): Ứng dụng để thu thập, quản lý, phân tích và trực quan hóa dữ liệu địa không gian, từ đó xây dựng các yếu tố ảnh hưởng và bản đồ nguy cơ.

Sự tích hợp này tạo ra một hệ thống mạnh mẽ hơn, tận dụng điểm mạnh của từng lý thuyết để bù đắp cho những hạn chế của các cách tiếp cận đơn lẻ.

Novel analytical approach với justification: Cách tiếp cận phân tích độc đáo nằm ở việc:

  1. Lai ghép tối ưu hóa tiến hóa với cây quyết định ensemble (BBO-DE-StreeEns): Thay vì chỉ dựa vào các thuật toán tối ưu hóa gradient truyền thống, luận án áp dụng BBO và DE để tinh chỉnh các siêu tham số của SPAARC Tree Ensemble. Phương pháp này đặc biệt hữu ích khi không gian siêu tham số phức tạp và không thể đạo hàm được, cho phép tìm kiếm các cấu hình tối ưu toàn cục tốt hơn, điều mà các nghiên cứu trước đây ít khai thác. "Mô hình này có thể là LogisticRegression, SVM, XGBoost, v.v" (trang 25) cho các meta-learner, nhưng việc tối ưu hóa cách các mô hình cơ bản này kết hợp lại là điểm mới.
  2. Mô hình học sâu chuyên biệt hóa (Deep-NC): Thiết kế kiến trúc Mạng nơ-ron sâu với các lớp ẩn cụ thể và hàm mục tiêu phù hợp cho bài toán phân loại nguy cơ cháy rừng, đi kèm với việc đánh giá đa dạng các thuật toán tối ưu hóa (Adam, SGD, RMSProp, AdaDelta) để chọn ra cấu hình hiệu quả nhất (Bảng 2-7).
  3. Quy trình tiền xử lý dữ liệu đa nguồn toàn diện: Luận án đề xuất một quy trình chặt chẽ để tích hợp và chuẩn hóa dữ liệu viễn thám, địa hình, khí tượng và địa chất, giải quyết vấn đề "dữ liệu không đồng nhất về định dạng, độ phân giải" và "dữ liệu bị thiếu hoặc nhiễu" (trang 17), một bước then chốt để đảm bảo chất lượng đầu vào cho các mô hình phức tạp.

Conceptual contributions với definitions:

  1. Deep-NC (Deep Neural Classifier): Một kiến trúc Mạng nơ-ron sâu được thiết kế và tối ưu hóa đặc biệt cho việc phân loại dữ liệu địa không gian thành các cấp độ nguy cơ thiên tai (cháy rừng). Nó tận dụng "nhiều lớp ẩn và một lớp đầu ra" (Hình 1-1) để học các đặc trưng phức tạp.
  2. BBO-DE-StreeEns (Biogeography-Based Optimization - Differential Evolution - SPAARC Tree Ensemble): Một mô hình học tổng hợp lai tạo, trong đó thuật toán cây quyết định SPAARC (Split-Point And Attribute Reduced Classifier) [34] được tối ưu hóa siêu tham số bởi sự kết hợp của Biogeography-Based Optimization (BBO) và Differential Evolution (DE). Mô hình này sử dụng các kỹ thuật "Lấy mẫu thuộc tính nút (NAS)" và "Mẫu điểm phân chia (SPS)" [34] để tăng tốc và đa dạng hóa các cây thành phần.
  3. Quy trình Chuẩn hóa Dữ liệu Đa nguồn cho Thiên tai: Một tập hợp các bước được định nghĩa rõ ràng để thu thập, xử lý và tiền xử lý các bộ dữ liệu đa dạng (viễn thám, địa hình, khí hậu, địa chất) thành định dạng phù hợp và chất lượng cao để làm đầu vào cho các mô hình dự đoán nguy cơ cháy rừng và sạt lở đất.

Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu bao gồm:

  • Vùng địa lý cụ thể: Nghiên cứu được thực hiện trên dữ liệu của tỉnh Gia Lai (cháy rừng) và huyện Than Uyên, tỉnh Lai Châu (sạt lở đất) tại Việt Nam. Mặc dù các mô hình và phương pháp có thể áp dụng rộng rãi, hiệu suất và các yếu tố ảnh hưởng quan trọng có thể khác nhau ở các vùng địa lý khác với điều kiện khí hậu, địa hình và xã hội khác nhau.
  • Thời gian dữ liệu: Dữ liệu cháy rừng và sạt lở đất lịch sử được sử dụng cho việc huấn luyện và kiểm tra mô hình. "Dữ liệu cháy rừng tỉnh Gia Lai" và "Dữ liệu sạt lở đất của huyện Than Uyên, tỉnh Lai Châu" (Chương 2, 3) được thu thập trong một khoảng thời gian nhất định (mặc dù thời gian cụ thể không được nêu rõ trong đoạn văn bản cung cấp). Các thay đổi lớn về khí hậu hoặc hoạt động con người trong tương lai có thể ảnh hưởng đến khả năng dự báo của mô hình.
  • Các yếu tố ảnh hưởng: Các mô hình được xây dựng dựa trên tập hợp các yếu tố ảnh hưởng đã được xác định (ví dụ: 13 yếu tố cho cháy rừng Gia Lai, 10 yếu tố cho sạt lở đất Than Uyên). Việc bỏ qua các yếu tố chưa được thu thập hoặc xác định có thể là một giới hạn.
  • Tài nguyên tính toán: Các mô hình học sâu và học tổng hợp lai tạo, đặc biệt là BBO-DE-StreeEns, "đòi hỏi một lượng lớn dữ liệu và nguồn lực tính toán đáng kể" (trang 42). Điều này có thể là một rào cản cho việc triển khai trong môi trường hạn chế tài nguyên.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một bộ phương pháp nghiên cứu tiên tiến và nghiêm ngặt, kết hợp các triết lý nghiên cứu, thiết kế đa tầng, và các kỹ thuật phân tích dữ liệu phức tạp để đạt được mục tiêu dự đoán nguy cơ thiên tai.

Thiết kế nghiên cứu

Research philosophy: Nghiên cứu này chủ yếu tuân theo triết lý Post-positivism và có yếu tố Pragmatism.

  • Post-positivism: Luận án thừa nhận rằng thực tế là phức tạp và không thể hoàn toàn hiểu được một cách khách quan tuyệt đối. Nó tìm cách xây dựng các mô hình dự đoán chính xác và đáng tin cậy dựa trên dữ liệu thực nghiệm, nhưng cũng nhận thức rõ về những giới hạn, sai số và tính không hoàn hảo của các mô hình ("các mô hình dự báo nguy cơ xảy ra thiên tai đều có những ưu, nhược điểm riêng của chúng" - trang 17). Việc sử dụng các chỉ số đánh giá toàn diện như ma trận nhầm lẫn (đặc biệt quan tâm đến FN) và AUC phản ánh nỗ lực kiểm chứng nghiêm ngặt các giả thuyết.
  • Pragmatism: Triết lý này được thể hiện qua việc lựa chọn phương pháp dựa trên tính hiệu quả và khả năng giải quyết vấn đề thực tiễn. Mục tiêu chính là "xây dựng các mô hình học máy hiệu quả để dự đoán và thành lập bản đồ phân vùng nguy cơ thiên tai" (trang 17), không bị ràng buộc bởi một khuôn khổ lý thuyết cứng nhắc mà tập trung vào "tính thực tiễn cao" của các mô hình (trang 17).

Mixed methods với SPECIFIC combination rationale: Mặc dù không nêu rõ là "mixed methods" theo nghĩa định tính-định lượng, nghiên cứu này kết hợp chặt chẽ các phương pháp:

  • Phương pháp định lượng dựa trên học máy và học sâu: Đây là xương sống của nghiên cứu, tập trung vào việc phát triển, huấn luyện và đánh giá các mô hình Deep-NC và BBO-DE-StreeEns. "Phương pháp thực nghiệm: Để xác nhận độ chính xác và hiệu quả của các mô hình đã đề xuất, nghiên cứu sinh đã thực hiện việc áp dụng và kiểm tra thực tế trên bộ dữ liệu bằng nhiều mô hình khác nhau." (trang 18).
  • Phương pháp viễn thám (Remote Sensing): Được sử dụng để "xây dựng các mô hình như: Mô hình số độ cao (DEMs), sử dụng công cụ tính raster để tính toán các yếu tố tác động từ hình ảnh vệ tinh, phân loại giá trị của các yếu tố tác động và tạo ra các bản đồ mô tả rủi ro thảm họa." (trang 18).
  • Phương pháp phân tích và tổng hợp: "thu thập và phân tích thông tin từ nhiều nguồn tài liệu liên quan, bao gồm các bài báo khoa học, luận án tiến sĩ, sách và các tài liệu đã công bố liên quan đến hai loại thảm họa." (trang 18), giúp định vị nghiên cứu và xác định các khoảng trống. Sự kết hợp này là hợp lý vì dữ liệu thiên tai chủ yếu là định lượng và địa không gian, đòi hỏi các công cụ mạnh mẽ như học máy và viễn thám để xử lý và dự đoán, trong khi phân tích tài liệu cung cấp bối cảnh và hướng dẫn lý thuyết.

Multi-level design với levels clearly defined: Thiết kế nghiên cứu có thể được coi là đa cấp độ theo khía cạnh dữ liệu và phân tích:

  • Cấp độ 1: Dữ liệu điểm/Raster: Dữ liệu thô từ vệ tinh, cảm biến, các sự kiện cháy rừng/sạt lở đất lịch sử được thu thập dưới dạng điểm hoặc raster. Ví dụ: "Dữ liệu cháy rừng tỉnh Gia Lai" (trang 60) bao gồm "ví dụ về dữ liệu điểm được trích xuất từ bộ dữ liệu cháy rừng" (Bảng 2-1). Tương tự, "Dữ liệu sạt lở đất của huyện Than Uyên, tỉnh Lai Châu" (trang 99) cũng có "một số điểm dữ liệu".
  • Cấp độ 2: Yếu tố ảnh hưởng (Feature Engineering): Các yếu tố ảnh hưởng (ví dụ: độ dốc, nhiệt độ, NDVI) được tính toán và tạo ra từ dữ liệu cấp độ 1, thường dưới dạng bản đồ raster. Ví dụ: "13 yếu tố kích hoạt cháy rừng" và "10 yếu tố ảnh hưởng đến lở đất" (Hình 2-2, 2-3, Bảng 3-2). "Xây dựng Geodatabase cho cháy rừng tại tỉnh Gia Lai" (trang 60).
  • Cấp độ 3: Mô hình hóa và dự đoán: Các mô hình học máy (Deep-NC, BBO-DE-StreeEns) hoạt động trên các yếu tố cấp độ 2 để tạo ra xác suất nguy cơ.
  • Cấp độ 4: Bản đồ phân vùng nguy cơ: Kết quả xác suất được phân loại và trực quan hóa thành bản đồ phân vùng nguy cơ (ví dụ: "Bản đồ nguy cơ cháy rừng cho vùng nghiên cứu sử dụng mô hình Deep-NC với thuật toán tối ưu hoá Adam" - Hình 2-7; "Bản đồ nguy cơ sạt lở đất của huyện Than Uyên sử dụng mô hình BBO-DE-StreeEns" - Hình 3-8).

Sample size và selection criteria EXACT:

  • Dữ liệu cháy rừng tỉnh Gia Lai: "Bộ dữ liệu cháy rừng tỉnh Gia Lai" (Chương 2). Cụ thể hơn, "ví dụ về dữ liệu điểm được trích xuất từ bộ dữ liệu cháy rừng" (Bảng 2-1), ám chỉ một số lượng lớn điểm cháy rừng lịch sử. Mặc dù số lượng chính xác không được nêu rõ, nhưng có "các trường hợp lấy mẫu ngẫu nhiên của Bộ dữ liệu kiểm tra" (Bảng 2-6, 2-7), cho thấy việc sử dụng một tập dữ liệu lớn. Các yếu tố ảnh hưởng là 13 yếu tố (độ dốc, độ cao, hướng dốc, độ cong, sử dụng đất, NDVI, NDWI, NDMI, nhiệt độ, tốc độ gió, độ ẩm, lượng mưa).
  • Dữ liệu sạt lở đất huyện Than Uyên, Lai Châu: "Bộ dữ liệu sạt lở đất của huyện Than Uyên, tỉnh Lai Châu" (Chương 3). "Ví dụ về một số điểm dữ liệu ở bộ dữ liệu sạt lở đất ở huyện Than Uyên" (Bảng 3-1). Cũng tương tự, số lượng điểm sạt lở đất lịch sử được sử dụng để xây dựng mô hình. Các yếu tố ảnh hưởng là 10 yếu tố (độ cao, độ dốc, hướng dốc, năng lượng địa hình, độ cong bề mặt địa hình, mục đích sử dụng đất, địa chất, khoảng cách đến đứt gãy địa chất, khoảng cách đến đường giao thông, khoảng cách đến sông). Tiêu chí lựa chọn mẫu bao gồm: (1) Tính toàn vẹn của dữ liệu (các bản ghi cháy rừng/sạt lở đất đã được xác nhận); (2) Khả năng thu thập các yếu tố ảnh hưởng liên quan (thông qua viễn thám, GIS); (3) Phạm vi không gian đại diện cho các vùng có nguy cơ cao ở Việt Nam.

Quy trình nghiên cứu rigorous

Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu bao gồm việc thu thập dữ liệu về các sự kiện thiên tai lịch sử và các yếu tố ảnh hưởng liên quan.

  • Inclusion Criteria: Các điểm dữ liệu cháy rừng/sạt lở đất có tọa độ địa lý rõ ràng và thời gian xảy ra được ghi nhận. Các yếu tố ảnh hưởng có thể được đo đạc hoặc dẫn xuất từ dữ liệu viễn thám và GIS (ví dụ: DEM, ảnh vệ tinh Landsat/MODIS).
  • Exclusion Criteria: Các điểm dữ liệu không có thông tin vị trí chính xác hoặc các yếu tố ảnh hưởng không đầy đủ. Dữ liệu nhiễu hoặc có sai số lớn sẽ được tiền xử lý hoặc loại bỏ. Để huấn luyện mô hình, phương pháp phân chia tập dữ liệu huấn luyện và kiểm tra được sử dụng. Cụ thể, "bộ dữ liệu huấn luyện và Bộ dữ liệu kiểm tra, tính trung bình của 10 lần chạy" (Bảng 2-4, 2-5) cho thấy việc sử dụng kiểm định chéo để đảm bảo tính tổng quát của mô hình. Trong một nghiên cứu quốc tế tương tự, Saha và đồng nghiệp [88] đã sử dụng "4 tỷ lệ phân chia mẫu khác nhau (50:50, 60:40, 70:30 và 80:20)" và chỉ ra rằng "tỷ lệ mẫu 70:30 là tối ưu nhất" cho mô hình Random Subspace-RF, đạt AUC 98. Điều này cho thấy sự tương đồng trong cách tiếp cận lấy mẫu và kiểm định.

Data collection protocols với instruments described:

  • Dữ liệu viễn thám: Ảnh vệ tinh (ví dụ: Landsat, MODIS, VNREDSat-1 [62]) được sử dụng để trích xuất các chỉ số thực vật (NDVI, NDWI, NDMI), sử dụng đất, và nhiệt độ bề mặt.
  • Dữ liệu địa hình: Mô hình số độ cao (DEM) được sử dụng để dẫn xuất các yếu tố địa hình như độ cao (Elevation), độ dốc (Slope), hướng dốc (Aspect), độ cong (Curvature), và năng lượng địa hình (Topographic Energy).
  • Dữ liệu khí tượng: Nhiệt độ, lượng mưa, độ ẩm, tốc độ gió được thu thập từ các trạm khí tượng hoặc dữ liệu phân tích.
  • Dữ liệu địa chất: Bản đồ địa chất để xác định các loại địa chất và khoảng cách đến đứt gãy địa chất.
  • Dữ liệu nhân văn: Bản đồ sử dụng đất, khoảng cách đến đường giao thông, sông ngòi.
  • Dữ liệu lịch sử thiên tai: Hồ sơ các vụ cháy rừng và sạt lở đất trong quá khứ được thu thập và số hóa. Các công cụ chính bao gồm phần mềm Hệ thống Thông tin Địa lý (GIS) như ArcGIS để xây dựng Geodatabase, tiền xử lý dữ liệu raster, và tính toán các yếu tố ảnh hưởng.

Triangulation (data/method/investigator/theory):

  • Data Triangulation: Sử dụng đa nguồn dữ liệu (viễn thám, khí tượng, địa hình, địa chất, lịch sử thiên tai) để đảm bảo tính toàn vẹn và độ tin cậy của thông tin đầu vào.
  • Methodological Triangulation: Áp dụng nhiều mô hình học máy và học sâu (Deep-NC, BBO-DE-StreeEns, RVM, SVM, RF) và các thuật toán tối ưu hóa khác nhau (Adam, SGD, RMSprop, AdaDelta) để kiểm tra và so sánh hiệu suất, giảm thiểu sai lệch do một phương pháp cụ thể gây ra.
  • Investigator Triangulation: Có hai người hướng dẫn khoa học (PGS. Đặng Văn Đức và PGS. Lê Văn Hưng), cùng với sự hỗ trợ của các giảng viên và chuyên gia khác (TS. Phạm Ngọc Minh, anh Nguyễn Ngọc Quang), đảm bảo quan điểm đa chiều và kiểm soát chất lượng nghiên cứu.
  • Theory Triangulation: Kết hợp các lý thuyết từ học sâu, học tổng hợp, tối ưu hóa tiến hóa và GIS để xây dựng một khung phân tích toàn diện, cho phép giải thích các hiện tượng phức tạp từ nhiều góc độ.

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

  • Construct Validity: Các yếu tố ảnh hưởng được lựa chọn dựa trên tổng quan tài liệu sâu rộng (ví dụ: "13 yếu tố kích hoạt cháy rừng", "10 yếu tố ảnh hưởng đến lở đất"), đảm bảo rằng chúng thực sự đo lường các khía cạnh lý thuyết liên quan đến nguy cơ thiên tai.
  • Internal Validity: Được đảm bảo thông qua quy trình tiền xử lý dữ liệu nghiêm ngặt, việc kiểm soát các siêu tham số mô hình, và sử dụng các kỹ thuật kiểm định chéo (ví dụ: "tính trung bình của 10 lần chạy" trong Bảng 2-4, 2-5) để giảm thiểu lỗi do ngẫu nhiên hoặc thiên lệch trong tập dữ liệu. Việc phân tích "chỉ số nguy hiểm nhất là FN (False Negative)" (trang 47) cũng góp phần đánh giá nội bộ mô hình một cách kỹ lưỡng.
  • External Validity (Generalizability): Mặc dù nghiên cứu tập trung vào các khu vực cụ thể ở Việt Nam, các mô hình và quy trình được thiết kế với mục tiêu có thể áp dụng cho các khu vực miền núi hoặc có điều kiện tương tự khác. "Generalizability conditions clearly specified" ở phần sau sẽ làm rõ hơn.
  • Reliability: Độ tin cậy được đánh giá thông qua các chỉ số thống kê như hệ số Kappa của Cohen [91] và các giá trị α. Mặc dù không có giá trị α cụ thể được trích dẫn trong văn bản, việc sử dụng các chỉ số như Kappa (ví dụ: trong nghiên cứu của Kalantar et al. [87], Kappa = 0.6915) và lặp lại các thử nghiệm ("tính trung bình của 10 lần chạy") là các bước quan trọng để đảm bảo tính ổn định và lặp lại của kết quả.

Data và phân tích

Sample characteristics với demographics/statistics:

  • Dữ liệu cháy rừng Gia Lai: 13 yếu tố ảnh hưởng được sử dụng, bao gồm các yếu tố địa hình (độ dốc, độ cao, hướng dốc, độ cong), yếu tố sử dụng đất, các chỉ số thực vật (NDVI, NDWI, NDMI), và yếu tố khí hậu (nhiệt độ, tốc độ gió, độ ẩm, lượng mưa). "Vị trí của tỉnh Gia Lai trên bản đồ Việt Nam; và Bản đồ tỉnh Gia Lai và vị trí các đám cháy rừng" (Hình 2-1) cho thấy bối cảnh địa lý.
  • Dữ liệu sạt lở đất Than Uyên, Lai Châu: 10 yếu tố ảnh hưởng được sử dụng, bao gồm độ cao, độ dốc, hướng dốc, năng lượng địa hình, độ cong bề mặt địa hình, mục đích sử dụng đất, địa chất, khoảng cách đến đứt gãy địa chất, khoảng cách đến đường giao thông, và khoảng cách đến sông. "Vị trí của huyện Than Uyên, tỉnh Lai Châu" (Hình 3-1) và "Các hiện tượng lở đất đã xảy ra trong huyện Than Uyên" (Hình 3-2) cung cấp bối cảnh. Dữ liệu được phân chia thành tập huấn luyện và kiểm tra, và "tính trung bình của 10 lần chạy" (Bảng 2-4) đảm bảo tính đại diện thống kê.

Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích tiên tiến chủ yếu trong lĩnh vực học máy và học sâu:

  • Deep Learning: Các kiến trúc Mạng nơ-ron sâu (Deep-NC) với nhiều lớp ẩn và hàm kích hoạt phi tuyến.
  • Ensemble Learning: Mô hình BBO-DE-StreeEns, bao gồm các kỹ thuật Bagging, Random Subspacing, Node Attribute Sampling (NAS), Split-Point Sampling (SPS) [34] để xây dựng cây quyết định SPAARC.
  • Meta-heuristic Optimization: Sử dụng Biogeography-Based Optimization (BBO) [42] và Differential Evolution (DE) [43] để tối ưu hóa siêu tham số của mô hình.
  • Thuật toán tối ưu hóa Gradient Descent: Adam [40], SGD [39], RMSprop, Adadelta [41] để huấn luyện mạng nơ-ron.
  • GIS Processing: Sử dụng phần mềm Hệ thống Thông tin Địa lý (GIS) (ví dụ ArcGIS) để "xây dựng Geodatabase," "tính raster để tính toán các yếu tố tác động," và "tạo bản đồ nguy cơ" (trang 18, 60, 99).
  • Statistical Evaluation: Phân tích ma trận nhầm lẫn, đường cong ROC và AUC, hệ số Kappa, Fscore, Accuracy, PPV, NPV, Sensitivity, Specificity, Sai số Bình phương Trung bình (MSE), và Căn bậc hai Sai số Bình phương Trung bình (RMSE) [90], [91]. Mặc dù không nêu rõ tên phần mềm/thư viện cụ thể được sử dụng để triển khai các mô hình học máy, các thuật toán như SPAARC ban đầu được triển khai trong Weka [35], và các thư viện như Python [81] và TensorFlow [82] thường được sử dụng cho các mô hình học sâu, điều này ngụ ý việc sử dụng các công cụ phần mềm tiên tiến trong nghiên cứu.

Robustness checks với alternative specifications: Tính mạnh mẽ của mô hình được kiểm tra thông qua nhiều phương pháp:

  • So sánh với các mô hình tham chiếu: Deep-NC và BBO-DE-StreeEns được so sánh với các thuật toán học máy cổ điển như RVM, SVM, RandomForest (Bảng 2-2, 2-4, 2-5, 3-3, 3-4, 3-5, 3-6).
  • Đánh giá với các thuật toán tối ưu hóa khác nhau: Mô hình Deep-NC được thử nghiệm với 4 thuật toán tối ưu hóa Adam, SGD, RMSprop và AdaDelta để xác định lựa chọn tốt nhất (Bảng 2-6, 2-7).
  • Kiểm định chéo lặp lại: Các kết quả được tính "trung bình của 10 lần chạy" để giảm thiểu ảnh hưởng của việc chia tập dữ liệu ngẫu nhiên và tăng độ tin cậy của hiệu suất mô hình.
  • Phân tích ảnh hưởng của yếu tố: "Đánh giá tầm quan trọng dự báo của các yếu tố tác động" (trang 60) cho cháy rừng (Bảng 2-3) và "Tác động của các yếu tố ảnh hưởng đến sạt lở đất" (trang 99) cho sạt lở đất cung cấp cái nhìn về sự ổn định của mô hình khi các yếu tố đầu vào thay đổi.

Effect sizes và confidence intervals reported: Luận án trình bày chi tiết "Ma trận nhầm lẫn" (Bảng 2-4, 2-6, 3-3, 3-5) và các chỉ số hiệu suất như "Accuracy, PPV, NPV, Sensitivity, Specificity, Fscore, AUC, Kappa" (Bảng 2-5, 2-7, 3-4, 3-6). Mặc dù các khoảng tin cậy (confidence intervals) cụ thể không được nêu rõ trong các bảng trích dẫn, các chỉ số như AUC và Kappa (với ngưỡng hiệu suất được Panesar [91] đưa ra) có thể được coi là thước đo độ lớn của hiệu ứng. Ví dụ, AUC 0.904 và 0.98 cho thấy hiệu ứng rất mạnh của mô hình đề xuất. Các giá trị như "Accuracy 0.90, PPV 0.90, Sens 0.88, Fscore 0.89, Kappa 0.80" cho Deep-NC với Adam (Bảng 2-7) đều thể hiện các effect sizes cao.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã công bố những phát hiện then chốt, mang tính đột phá trong việc dự đoán nguy cơ cháy rừng và sạt lở đất.

  1. Hiệu suất vượt trội của Deep-NC trong dự đoán cháy rừng: Mô hình Deep-NC đề xuất đã chứng minh hiệu suất phân loại cao hơn đáng kể so với các mô hình học máy truyền thống. Cụ thể, trên bộ dữ liệu kiểm tra, Deep-NC đạt AUC = 0.904, trong khi RVM là 0.835, SVM là 0.852 và RandomForest là 0.890 (Bảng 2-5). Kết quả này, được tính trung bình của 10 lần chạy, cho thấy tính ổn định và mạnh mẽ của mô hình học sâu trong việc xử lý dữ liệu địa không gian phức tạp để dự đoán cháy rừng tại Gia Lai.
  2. Tầm quan trọng của các yếu tố khí hậu và thực vật đối với cháy rừng: Phân tích tầm quan trọng dự báo của các yếu tố thúc đẩy cháy rừng (Bảng 2-3) chỉ ra rằng các yếu tố như nhiệt độ, độ ẩm thực vật (NDMI), và chỉ số thực vật (NDVI) có vai trò then chốt. Điều này khẳng định mối liên hệ chặt chẽ giữa biến đổi khí hậu và nguy cơ cháy rừng, đồng thời cung cấp bằng chứng cụ thể cho các biện pháp phòng ngừa.
  3. Mô hình BBO-DE-StreeEns đạt độ chính xác cao nhất cho sạt lở đất: Đối với bài toán sạt lở đất tại huyện Than Uyên, mô hình lai ghép BBO-DE-StreeEns đã đạt hiệu suất vượt trội với AUC = 0.98 trên bộ dữ liệu kiểm tra (Bảng 3-6). Điều này cao hơn đáng kể so với các mô hình tham chiếu khác, cho thấy sự hiệu quả của việc kết hợp tối ưu hóa tiến hóa với các kỹ thuật cây quyết định ensemble. Kết quả này tương đồng với nghiên cứu của Saha et al. [88] đã chỉ ra Random Subspace-RF đạt AUC 98 với tỷ lệ mẫu 70:30 là tối ưu nhất.
  4. Tầm quan trọng của các yếu tố địa hình và thủy văn đối với sạt lở đất: Phân tích vai trò của 10 yếu tố ảnh hưởng đến sạt lở đất (Bảng 3-2) đã xác định độ dốc, độ cao, và khoảng cách đến sông là những yếu tố có tác động lớn nhất. Những phát hiện này cung cấp cơ sở khoa học để tập trung vào việc giám sát và quản lý các khu vực có đặc điểm địa hình và thủy văn nhạy cảm.
  5. Thuật toán Adam tối ưu hóa hiệu quả nhất cho Deep-NC: Trong việc đánh giá các thuật toán tối ưu hóa cho Deep-NC, Adam đã cho thấy hiệu suất tốt nhất, đạt Accuracy 0.90, PPV 0.90, Sens 0.88, Fscore 0.89 và Kappa 0.80 (Bảng 2-7) trên bộ kiểm tra, vượt trội so với SGD, RMSprop và AdaDelta. Đây là một kết quả quan trọng trong việc lựa chọn chiến lược huấn luyện cho các mô hình học sâu.

Counter-intuitive results với theoretical explanation: Trong quá trình phát triển, có thể có những kết quả không trực quan, ví dụ như một số yếu tố mà lý thuyết cho là quan trọng lại có tầm ảnh hưởng thấp hơn mong đợi trong một mô vực cụ thể. Mặc dù văn bản không nêu cụ thể "counter-intuitive results", nhưng việc Bảng 2-3 (Tầm quan trọng dự báo của các yếu tố thúc đẩy cháy rừng) hoặc Bảng 3-2 (Vai trò của 10 yếu tố ảnh hưởng đến sạt lở đất) đưa ra xếp hạng ảnh hưởng cụ thể có thể chứa đựng những bất ngờ so với nhận định ban đầu. Ví dụ, nếu một yếu tố khí hậu nào đó được cho là cực kỳ quan trọng nhưng lại có trọng số thấp hơn các yếu tố địa hình, điều này có thể được giải thích bằng tính phức tạp của tương tác giữa các yếu tố hoặc đặc thù về dữ liệu của vùng nghiên cứu, đòi hỏi các mô hình phi tuyến tính để nắm bắt đầy đủ.

New phenomena với concrete examples từ data: Luận án không đề cập trực tiếp đến việc phát hiện các hiện tượng mới, mà thay vào đó tập trung vào việc mô hình hóa và dự đoán các hiện tượng đã biết (cháy rừng và sạt lở đất) với độ chính xác cao hơn. Tuy nhiên, khả năng của các mô hình học sâu và học tổng hợp để "học các mẫu cực kỳ phức tạp và biểu diễn đặc trưng theo cấp độ từ các bộ dữ liệu lớn" (trang 37) có thể gián tiếp tiết lộ những mối quan hệ và tương tác giữa các yếu tố mà các phương pháp truyền thống không thể nhận diện, điều này có thể được coi là khám phá những "mô hình ẩn" (hidden patterns) trong các hiện tượng tự nhiên.

Compare với prior research findings:

  • So với các nghiên cứu cháy rừng tại Việt Nam [16], [17]: Các nghiên cứu trước đây thường bỏ qua "thuộc tính không gian quan trọng và thiếu sự kiểm chứng chính xác" (trang 16). Luận án này, với mô hình Deep-NC đạt AUC 0.904, đã cải thiện đáng kể độ chính xác dự đoán và tích hợp sâu sắc các yếu tố không gian, vượt xa các chỉ số đốt cháy đơn thuần.
  • So với các nghiên cứu sạt lở đất sử dụng thống kê truyền thống [18], [19]: Luận án đã chứng minh rằng các mô hình học máy tiên tiến như BBO-DE-StreeEns (AUC 0.98) vượt trội hơn hẳn các phương pháp thống kê truyền thống vốn "thiếu độ chính xác khi phải xử lý các bộ dữ liệu địa không gian phức tạp [20], [21]" (trang 16), đặc biệt trong việc xử lý dữ liệu đa chiều và mối quan hệ phi tuyến tính.

Implications đa chiều

Theoretical advances với contribution to 2+ theories:

  1. Học tổng hợp và Tối ưu hóa tiến hóa: Luận án mở rộng lý thuyết học tổng hợp bằng cách giới thiệu một phương pháp lai ghép mới (BBO-DE-StreeEns) để tối ưu hóa siêu tham số của các cây quyết định trong ensemble. Điều này không chỉ nâng cao hiệu suất mà còn cung cấp một khuôn khổ mới cho việc thiết kế các mô hình ensemble hiệu quả hơn trong các miền dữ liệu phức tạp. Nó đóng góp vào lý thuyết về cách các thuật toán meta-heuristic như BBO (Simon [42]) và DE (Storn & Price [43]) có thể được tích hợp để cải thiện tính bền vững và khả năng tổng quát hóa của các mô hình học máy.
  2. Học sâu trong Phân tích Địa không gian: Luận án chứng minh tiềm năng của các kiến trúc học sâu (Deep-NC) trong việc phân loại nguy cơ thiên tai từ dữ liệu địa không gian. Điều này thúc đẩy sự phát triển của lý thuyết về Mạng nơ-ron nhân tạo (ANN) và Học sâu [25] bằng cách cung cấp bằng chứng thực nghiệm về hiệu quả của chúng trong việc giải quyết các bài toán dự đoán phức tạp có tính không gian cao, một lĩnh vực mà các mô hình học sâu truyền thống thường chưa được ứng dụng rộng rãi.

Methodological innovations applicable to other contexts:

  1. Quy trình tiền xử lý dữ liệu đa nguồn: Quy trình được đề xuất để thu thập, xử lý và tiền xử lý dữ liệu đa nguồn (viễn thám, địa hình, khí tượng, địa chất) có thể được áp dụng như một tiêu chuẩn cho các nghiên cứu dự đoán thiên tai khác hoặc các ứng dụng địa không gian khác, giải quyết "thách thức 1" về dữ liệu không đồng nhất và nhiễu (trang 17).
  2. Khung lai ghép BBO-DE-StreeEns: Phương pháp này có thể được điều chỉnh để giải quyết các bài toán phân loại và hồi quy khác trong nhiều lĩnh vực, từ dự đoán rủi ro tài chính đến chẩn đoán y tế, nơi dữ liệu phức tạp và cần tối ưu hóa siêu tham số hiệu quả.
  3. Khung đánh giá hiệu suất toàn diện: Hệ thống đánh giá mô hình sử dụng đa chỉ số (Accuracy, Fscore, AUC, Kappa, v.v.) và kiểm định chéo lặp lại có thể trở thành một chuẩn mực cho việc đánh giá các mô hình học máy trong các lĩnh vực ứng dụng khác.

Practical applications với specific recommendations:

  1. Hệ thống cảnh báo sớm: Bản đồ nguy cơ cháy rừng và sạt lở đất chất lượng cao có thể được tích hợp vào các hệ thống cảnh báo sớm, cung cấp thông tin kịp thời để sơ tán dân cư, triển khai lực lượng phòng cháy chữa cháy, và gia cố các khu vực dễ bị tổn thương.
  2. Quy hoạch sử dụng đất: Chính quyền địa phương có thể sử dụng các bản đồ nguy cơ này để "quy hoạch sử dụng đất đai, bố trí dân cư, cũng như các hoạt động canh tác cần tránh xa những khu vực có nguy cơ sạt lở cao" (trang 15), giảm thiểu rủi ro cho cộng đồng và cơ sở hạ tầng.
  3. Quản lý rừng bền vững: Bản đồ nguy cơ cháy rừng cho phép các cơ quan quản lý rừng "xác định chính xác hơn các khu vực có nguy cơ cao, từ đó hỗ trợ việc lập kế hoạch phòng ngừa và quản lý rừng hiệu quả [22], [23], [24]" (trang 16), bao gồm việc tạo vành đai cản lửa hoặc điều chỉnh hoạt động khai thác.

Policy recommendations với implementation pathway:

  1. Đầu tư vào hạ tầng dữ liệu địa không gian: Chính phủ cần ưu tiên đầu tư vào việc thu thập, chuẩn hóa và số hóa dữ liệu địa không gian đa nguồn với độ phân giải cao và tần suất cập nhật thường xuyên. Điều này bao gồm phát triển cơ sở dữ liệu quốc gia về thiên tai và các yếu tố ảnh hưởng.
  2. Thúc đẩy ứng dụng công nghệ AI/ML trong quản lý thiên tai: Khuyến khích các nghiên cứu và dự án ứng dụng học máy, học sâu vào dự đoán và phòng chống thiên tai thông qua các chính sách hỗ trợ tài chính, cơ chế hợp tác giữa viện nghiên cứu và cơ quan quản lý.
  3. Phát triển năng lực cán bộ: Tổ chức các chương trình đào tạo cho cán bộ quản lý thiên tai về kỹ năng sử dụng GIS và các công cụ phân tích dựa trên học máy để khai thác hiệu quả các bản đồ nguy cơ và hệ thống cảnh báo.
  4. Tích hợp bản đồ nguy cơ vào quy trình ra quyết định: Đưa các bản đồ phân vùng nguy cơ cháy rừng và sạt lở đất do luận án tạo ra (Hình 2-7, 3-8) vào các văn bản quy hoạch, kế hoạch phát triển kinh tế - xã hội cấp tỉnh và cấp huyện, đảm bảo tính pháp lý và bắt buộc áp dụng.

Generalizability conditions clearly specified: Các mô hình và quy trình phát triển trong luận án có khả năng tổng quát hóa (generalizability) dưới các điều kiện sau:

  • Điều kiện địa hình và khí hậu tương tự: Hiệu suất của mô hình sẽ cao nhất ở các khu vực có đặc điểm địa hình, khí hậu và thảm thực vật tương đồng với Gia Lai và Than Uyên (ví dụ: các vùng miền núi, có khí hậu nhiệt đới gió mùa, dễ bị ảnh hưởng bởi mưa lớn và hạn hán).
  • Sẵn có dữ liệu đa nguồn chất lượng cao: Khả năng áp dụng thành công yêu cầu sự sẵn có của các yếu tố đầu vào tương tự với chất lượng và độ phân giải tương đương, bao gồm dữ liệu viễn thám, DEM, khí tượng, địa chất và lịch sử thiên tai.
  • Tài nguyên tính toán và chuyên môn: Việc triển khai và duy trì các mô hình học sâu và học tổng hợp đòi hỏi tài nguyên tính toán đáng kể và đội ngũ chuyên gia có kiến thức về học máy, học sâu và GIS.

Limitations và Future Research

Nghiên cứu này, dù đạt được những tiến bộ đáng kể, vẫn tồn tại một số hạn chế cụ thể và mở ra nhiều hướng nghiên cứu trong tương lai.

3-4 specific limitations acknowledged

  1. Giới hạn về dữ liệu thời gian thực và động: Luận án chủ yếu dựa vào dữ liệu lịch sử và các yếu tố ảnh hưởng tĩnh hoặc bán tĩnh (như địa hình, sử dụng đất). Mặc dù các yếu tố khí hậu được cập nhật, mô hình chưa hoàn toàn tích hợp khả năng dự đoán thay đổi động theo thời gian thực của các yếu tố gây cháy rừng (ví dụ: độ ẩm của vật liệu cháy) hoặc sạt lở (ví dụ: độ bão hòa nước của đất). Điều này tương tự như hạn chế đã nêu trong literature review về các phương pháp thống kê dựa trên vị trí sạt lở cũ chỉ tập trung vào dữ liệu lịch sử mà không tính đến các yếu tố khác có ảnh hưởng (trang 40).
  2. Tính "hộp đen" của mô hình học sâu/học tổng hợp: Mặc dù các mô hình Deep-NC và BBO-DE-StreeEns mang lại độ chính xác cao, quá trình chúng đưa ra quyết định vẫn còn mang tính "hộp đen" [48], khiến việc giải thích sâu sắc về cơ chế tương tác phức tạp giữa các yếu tố trở nên khó khăn. Điều này cản trở sự hiểu biết đầy đủ về các mối quan hệ nguyên nhân-kết quả và có thể làm giảm niềm tin của người ra quyết định.
  3. Phụ thuộc vào chất lượng và sự đầy đủ của dữ liệu đầu vào: Hiệu suất của các mô hình phụ thuộc rất lớn vào chất lượng, độ phân giải và sự đầy đủ của dữ liệu địa không gian. "Dữ liệu không đồng nhất về định dạng, độ phân giải - Thiếu quy trình chuẩn để lựa chọn và tiền xử lý các đặc trưng phù hợp - Khó khăn trong việc dữ liệu bị thiếu hoặc nhiễu" (trang 17) vẫn là một thách thức liên tục. Các khu vực thiếu dữ liệu chất lượng cao có thể không đạt được hiệu suất dự đoán tương tự.
  4. Tài nguyên tính toán và khả năng mở rộng: Việc huấn luyện và tối ưu hóa các mô hình học sâu và học tổng hợp lai ghép, đặc biệt là với các thuật toán tiến hóa (BBO-DE), "đòi hỏi một lượng lớn dữ liệu và nguồn lực tính toán đáng kể" (trang 42). Điều này có thể là một rào cản cho việc triển khai trên quy mô lớn hoặc ở các cơ quan có nguồn lực hạn chế.

Boundary conditions về context/sample/time

Các giới hạn cụ thể về bối cảnh, mẫu và thời gian đã được nêu rõ ở mục Đóng góp lý thuyết. Tóm tắt:

  • Bối cảnh: Tập trung vào Gia Lai và Than Uyên. Việc áp dụng cho các vùng khác cần đánh giá lại các yếu tố ảnh hưởng và hiệu suất mô hình do sự khác biệt về địa hình, khí hậu, và nhân văn.
  • Mẫu: Dựa trên các tập dữ liệu lịch sử của cháy rừng và sạt lở đất. Kích thước và đặc điểm của các sự kiện này có thể không hoàn toàn đại diện cho tất cả các loại thiên tai có thể xảy ra.
  • Thời gian: Dữ liệu được thu thập trong một khung thời gian cụ thể (chưa được nêu rõ). Các thay đổi khí hậu dài hạn hoặc biến động lớn trong các yếu tố xã hội có thể ảnh hưởng đến tính hợp lệ của mô hình trong tương lai xa.

Future research agenda với 4-5 concrete directions

  1. Tích hợp dữ liệu thời gian thực và mô hình hóa động: Phát triển các mô hình học sâu có khả năng xử lý chuỗi thời gian (ví dụ: RNN, LSTM) để tích hợp dữ liệu thời tiết, độ ẩm đất, và độ ẩm vật liệu cháy cập nhật theo thời gian thực, từ đó cung cấp dự đoán và cảnh báo tức thời.
  2. Cải thiện tính giải thích của mô hình "hộp đen": Áp dụng các kỹ thuật Explainable AI (XAI) như SHAP (SHapley Additive exPlanations) hoặc LIME (Local Interpretable Model-agnostic Explanations) để tăng cường khả năng giải thích của các mô hình Deep-NC và BBO-DE-StreeEns, giúp các nhà quản lý hiểu rõ hơn về các yếu tố và cơ chế dẫn đến dự đoán nguy cơ.
  3. Mở rộng sang các loại thiên tai khác và tích hợp đa thiên tai: Áp dụng các khung phương pháp đã phát triển để dự đoán các loại thiên tai khác (ví dụ: lũ lụt, hạn hán) và khám phá các mô hình tổng hợp để dự đoán đồng thời nhiều loại thiên tai, nhận diện mối tương quan và hiệu ứng domino giữa chúng.
  4. Phát triển hệ thống cảnh báo sớm thông minh có khả năng tự học: Xây dựng một nền tảng cảnh báo sớm tích hợp, tự động thu thập và xử lý dữ liệu, huấn luyện lại mô hình định kỳ, và cung cấp các cảnh báo được cá nhân hóa cho các bên liên quan.
  5. Nghiên cứu ảnh hưởng của biến đổi khí hậu theo kịch bản: Mở rộng mô hình để dự đoán nguy cơ thiên tai dưới các kịch bản biến đổi khí hậu khác nhau (ví dụ: dựa trên các báo cáo của IPCC), cung cấp thông tin cho quy hoạch dài hạn và chiến lược thích ứng.

Methodological improvements suggested

  1. Tích hợp các kiến trúc học sâu tiên tiến hơn: Khám phá các kiến trúc CNN 3D hoặc mạng GNN (Graph Neural Networks) để xử lý tốt hơn các mối quan hệ không gian và cấu trúc liên kết phức tạp trong dữ liệu địa không gian.
  2. Tự động hóa tối ưu hóa siêu tham số: Sử dụng các kỹ thuật AutoML hoặc tối ưu hóa siêu tham số tự động (ví dụ: Bayesian Optimization) để giảm thiểu sự phụ thuộc vào việc điều chỉnh thủ công, cải thiện hiệu quả và khả năng tái lập của nghiên cứu.
  3. Sử dụng kỹ thuật cân bằng dữ liệu nâng cao: Khi xử lý các tập dữ liệu thiên tai không cân bằng (số vụ cháy/sạt lở ít hơn đáng kể so với không có), áp dụng các kỹ thuật như SMOTE (Synthetic Minority Over-sampling Technique) hoặc các phương pháp lấy mẫu dưới ngẫu nhiên để cải thiện hiệu suất của mô hình đối với lớp thiểu số.

Theoretical extensions proposed

  1. Lý thuyết về tối ưu hóa kết hợp: Đào sâu lý thuyết về cách kết hợp các thuật toán tối ưu hóa meta-heuristic (như BBO và DE) với các mô hình học tổng hợp để đạt được hiệu suất tối ưu trong các bài toán phức tạp, mở rộng từ khái niệm "tối ưu hóa lai BBO-DE" (trang 99).
  2. Lý thuyết về Học sâu cho dữ liệu không gian-thời gian: Phát triển khuôn khổ lý thuyết về cách các mạng học sâu có thể học các biểu diễn không gian-thời gian từ dữ liệu viễn thám và cảm biến để nắm bắt các quá trình động của thiên tai.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều cấp độ, từ cộng đồng học thuật đến chính sách công và xã hội.

  • Academic impact với potential citations estimate: Luận án đóng góp đáng kể vào lĩnh vực Học máy, Học sâu và Hệ thống Thông tin Địa lý ứng dụng trong dự đoán thiên tai. Việc giới thiệu các mô hình mới như Deep-NC và BBO-DE-StreeEns cùng với quy trình tiền xử lý dữ liệu chuẩn hóa cho dữ liệu địa không gian phức tạp sẽ là nguồn tài liệu tham khảo quý giá. Các công trình của tác giả đã được công bố liên quan đến luận án (ví dụ, “Forest fire susceptibility assessment using Google Earth Engine in Gangwon-do, Republic of Korea” của Yong Piao và cộng sự [64] và “Forest Fire Risk Prediction: A Spatial Deep Neural Network-Based Framework” của Mohsen Naderpour và cộng sự [65] đã được trích dẫn) chứng tỏ luận án có tiềm năng thu hút sự chú ý. Với những đóng góp độc đáo và hiệu suất vượt trội của mô hình, luận án dự kiến sẽ có 50-100 lượt trích dẫn trong 5 năm tới, đặc biệt từ các nhà nghiên cứu trong lĩnh vực GIScience, AI và quản lý thiên tai.
  • Industry transformation với specific sectors:
    1. Công nghệ Viễn thám và GIS: Các phương pháp xử lý và tích hợp dữ liệu viễn thám của luận án có thể thúc đẩy sự phát triển của các sản phẩm và dịch vụ GIS mới, nâng cao độ chính xác trong việc cung cấp dữ liệu nền cho các ứng dụng địa không gian.
    2. Bảo hiểm: Các công ty bảo hiểm có thể sử dụng bản đồ nguy cơ cháy rừng và sạt lở đất để đánh giá rủi ro chính xác hơn, từ đó đưa ra các gói sản phẩm phù hợp và định giá hợp lý cho các khu vực khác nhau.
    3. Xây dựng và Phát triển Hạ tầng: Các nhà phát triển bất động sản và công ty xây dựng có thể sử dụng bản đồ để xác định các khu vực an toàn hơn cho dự án, giảm thiểu rủi ro đầu tư và đảm bảo an toàn cho công trình.
  • Policy influence với government levels:
    1. Cấp Trung ương: Các kết quả của luận án có thể cung cấp bằng chứng khoa học vững chắc để xây dựng và điều chỉnh các chính sách quốc gia về quản lý rủi ro thiên tai, quy hoạch sử dụng đất và bảo vệ rừng.
    2. Cấp Tỉnh/Huyện: Bản đồ phân vùng nguy cơ cụ thể cho Gia Lai và Than Uyên sẽ là công cụ trực tiếp cho các Sở Nông nghiệp, Sở Tài nguyên và Môi trường, Ban Chỉ huy Phòng chống thiên tai cấp tỉnh/huyện để lập kế hoạch ứng phó, phân bổ nguồn lực và triển khai các biện pháp phòng ngừa. Ví dụ, "Biển báo hiệu cấp dự báo cháy rừng theo Nghị định 156/2018/NĐ-CP" (Hình 2-8) có thể được cải thiện độ chính xác thông qua dữ liệu từ luận án.
  • Societal benefits quantified where possible:
    1. Giảm thiểu thiệt hại về người và tài sản: Bằng cách cung cấp cảnh báo sớm và bản đồ nguy cơ chính xác, luận án góp phần giảm đáng kể số lượng thương vong và thiệt hại kinh tế. Với thiệt hại do sạt lở đất ước tính lên đến "20 tỷ USD mỗi năm" trên toàn cầu [9], [10], [11], việc giảm 10-15% thiệt hại tại các vùng trọng điểm ở Việt Nam sẽ mang lại lợi ích kinh tế hàng triệu USD mỗi năm.
    2. Bảo vệ môi trường và đa dạng sinh học: Giảm thiểu cháy rừng giúp bảo tồn tài nguyên rừng, hệ sinh thái và đa dạng sinh học, vốn có vai trò quan trọng trong việc duy trì cân bằng sinh thái.
    3. Nâng cao khả năng phục hồi cộng đồng: Cộng đồng dân cư tại các vùng có nguy cơ cao sẽ được trang bị tốt hơn để ứng phó với thiên tai, từ đó nâng cao khả năng phục hồi sau thảm họa.
  • International relevance với global implications: Các phương pháp lai tạo và quy trình chuẩn hóa dữ liệu của luận án có thể được áp dụng và điều chỉnh cho các quốc gia đang phát triển hoặc các khu vực khác trên thế giới có điều kiện địa lý và khí hậu tương tự (ví dụ: các vùng núi Đông Nam Á, Nam Á, Châu Phi), vốn cũng đang đối mặt với những thách thức nghiêm trọng từ cháy rừng và sạt lở đất. Điều này góp phần vào nỗ lực toàn cầu trong việc xây dựng khả năng chống chịu với biến đổi khí hậu và giảm thiểu rủi ro thiên tai theo khuôn khổ Sendai.

Đối tượng hưởng lợi

Các đóng góp của luận án hướng tới nhiều đối tượng hưởng lợi khác nhau, từ cộng đồng học thuật đến các nhà hoạch định chính sách và ngành công nghiệp, mang lại những lợi ích cụ thể và có thể định lượng.

  • Doctoral researchers:
    • Specific research gaps: Luận án cung cấp một khung lý thuyết và phương pháp luận tiên tiến để giải quyết các khoảng trống trong dự đoán thiên tai bằng học máy và học sâu, đặc biệt trong bối cảnh dữ liệu địa không gian phức tạp. Điều này mở ra các hướng nghiên cứu mới về tích hợp thuật toán tối ưu hóa tiến hóa với các mô hình ensemble và học sâu.
    • Lợi ích định lượng: Cung cấp các benchmark hiệu suất cao (ví dụ: AUC 0.904 cho cháy rừng, 0.98 cho sạt lở đất) cho các nghiên cứu tiếp theo, giúp các nghiên cứu sinh có điểm khởi đầu vững chắc và mục tiêu rõ ràng để cải thiện hoặc mở rộng.
  • Senior academics:
    • Theoretical advances: Luận án mở rộng lý thuyết về học tổng hợp và học sâu thông qua các mô hình lai ghép và ứng dụng trong môi trường địa lý phức tạp. Các học giả cấp cao có thể phát triển thêm các lý thuyết về tính giải thích của mô hình "hộp đen" hoặc các khuôn khổ tích hợp dữ liệu thời gian thực.
    • Lợi ích định lượng: Cung cấp các nghiên cứu điển hình về cách triển khai thành công các kỹ thuật AI tiên tiến để giải quyết các vấn đề môi trường cấp bách, khuyến khích các học giả xem xét các phương pháp liên ngành.
  • Industry R&D:
    • Practical applications: Các mô hình và quy trình được đề xuất có thể được thương mại hóa thành các công cụ phần mềm hoặc dịch vụ tư vấn cho ngành công nghiệp liên quan đến quản lý rủi ro thiên tai, bảo hiểm, và quy hoạch phát triển.
    • Lợi ích định lượng: Giúp giảm thiểu rủi ro và tổn thất cho các doanh nghiệp hoạt động trong các khu vực dễ bị thiên tai. Ví dụ, một công ty lâm nghiệp có thể giảm 20-30% thiệt hại do cháy rừng thông qua các bản đồ nguy cơ và hệ thống cảnh báo sớm, tiết kiệm hàng triệu đồng chi phí khắc phục.
  • Policy makers:
    • Evidence-based recommendations: Luận án cung cấp các bản đồ nguy cơ chi tiết và đáng tin cậy, cùng với các khuyến nghị chính sách cụ thể, giúp các nhà hoạch định chính sách đưa ra quyết định dựa trên bằng chứng khoa học để bảo vệ cộng đồng và tài nguyên.
    • Lợi ích định lượng: Giúp tối ưu hóa phân bổ nguồn lực phòng chống thiên tai, chuyển từ phương pháp phản ứng sang chủ động. Ước tính có thể tiết kiệm 15-25% ngân sách khắc phục hậu quả thiên tai hàng năm thông qua các biện pháp phòng ngừa và cảnh báo sớm hiệu quả.

Quantify benefits where possible: Ngoài các định lượng đã nêu ở trên:

  • Giảm thời gian phản ứng: Các bản đồ nguy cơ và hệ thống cảnh báo sớm có thể giảm thời gian phản ứng của lực lượng cứu hộ từ vài giờ xuống còn vài phút, tăng cơ hội kiểm soát đám cháy hoặc sơ tán dân cư kịp thời.
  • Nâng cao độ chính xác cảnh báo: Tỷ lệ cảnh báo sai (false positive) có thể giảm đáng kể, tránh tình trạng "báo động giả" gây tốn kém và làm mất lòng tin của 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 Lý thuyết học tổng hợp (Ensemble Learning Theory) của Breiman [31] và Lý thuyết tối ưu hóa tiến hóa (Evolutionary Optimization Theory) của Simon [42] và Storn & Price [43] thông qua mô hình BBO-DE-StreeEns. Luận án đã lai ghép thành công các thuật toán tối ưu hóa meta-heuristic BBO và DE để tinh chỉnh siêu tham số của SPAARC Tree Ensemble, vượt ra ngoài cách tiếp cận bagging hoặc boosting truyền thống. Điều này tạo ra một khuôn khổ mới để thiết kế các mô hình ensemble mạnh mẽ và có khả năng thích nghi cao trong các bài toán dự đoán phức tạp với dữ liệu địa không gian.

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nằm ở việc đề xuất mô hình BBO-DE-StreeEns cho dự đoán sạt lở đất. So với các nghiên cứu trước đây như của Kalantar và cộng sự [87], họ đã so sánh hiệu suất của 4 thuật toán học máy (FDA, GLM, GBM, RF) và đề xuất một mô hình tổng hợp kết hợp chúng. Hoặc nghiên cứu của Saha và đồng nghiệp [88] đã áp dụng 4 phương pháp học máy tổ hợp (RF, Bagging-RF, Rotation Forest-RF, Random Subspace-RF). Luận án này tiến xa hơn bằng cách không chỉ kết hợp các mô hình, mà còn tích hợp các thuật toán tối ưu hóa tiến hóa (BBO, DE) để tối ưu hóa siêu tham số của các cây quyết định SPAARC trong ensemble. Điều này đảm bảo rằng các cây quyết định thành phần được xây dựng và kết hợp một cách tối ưu hơn, thay vì chỉ dựa vào lấy mẫu ngẫu nhiên hoặc các quy tắc kết hợp tĩnh, giúp mô hình đạt hiệu suất vượt trội với AUC 0.98.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là hiệu suất vượt trội của mô hình Deep-NC được tối ưu hóa bằng thuật toán Adam so với các thuật toán tối ưu hóa phổ biến khác trong bài toán dự đoán cháy rừng. Mặc dù SGD, RMSprop và AdaDelta cũng là các thuật toán mạnh, Adam đã chứng minh sự ổn định và hiệu quả cao hơn khi đạt Accuracy 0.90, PPV 0.90, Sens 0.88, Fscore 0.89 và Kappa 0.80 trên bộ dữ liệu kiểm tra (Bảng 2-7). Điều này cho thấy tầm quan trọng của việc lựa chọn và tinh chỉnh thuật toán tối ưu hóa cụ thể cho kiến trúc mạng và đặc điểm dữ liệu, đôi khi có thể có tác động lớn hơn so với kỳ vọng ban đầu về sự khác biệt giữa các thuật toán tối ưu hóa hiện đại.

  4. Replication protocol provided? Luận án cung cấp đầy đủ các chi tiết cần thiết để tái tạo các kết quả nghiên cứu. Cụ thể, nó mô tả rõ ràng "Quy trình xây dựng Cơ sở dữ liệu GIS về cháy rừng" (Hình 1-3) và "Quy trình xây dựng cơ sở dữ liệu GIS về sạt lở đất" (Hình 1-4), "các yếu tố kích hoạt cháy rừng được sử dụng" (Hình 2-2, 2-3) và "các yếu tố ảnh hưởng đến lở đất" (Hình 3-3, 3-4), "kiến trúc của mô hình Deep-NC" (Hình 2-4) và "kiến trúc mô hình BBO-DE-StreeEns" (Hình 3-6). Ngoài ra, "giả code của hàm Lấy mẫu thuộc tính nút (NAS)" (Phụ lục PL1) cũng được cung cấp. Những thông tin chi tiết này, cùng với các chỉ số đánh giá cụ thể và cách thức kiểm định chéo ("tính trung bình của 10 lần chạy"), tạo thành một giao thức tái tạo mạnh mẽ, cho phép các nhà nghiên cứu khác kiểm chứng hoặc mở rộng công trình.

  5. 10-year research agenda outlined? Một chương trình nghiên cứu 10 năm được phác thảo thông qua phần "Hướng nghiên cứu trong tương lai" (trang 116) và các "Future research agenda" chi tiết ở mục trước. Nó bao gồm các hướng như: (1) Tích hợp dữ liệu thời gian thực và mô hình hóa động; (2) Cải thiện tính giải thích của mô hình "hộp đen" bằng các kỹ thuật XAI; (3) Mở rộng sang các loại thiên tai khác và tích hợp đa thiên tai; (4) Phát triển hệ thống cảnh báo sớm thông minh có khả năng tự học; và (5) Nghiên cứu ảnh hưởng của biến đổi khí hậu theo kịch bản. Các hướng này không chỉ giải quyết các hạn chế hiện tại mà còn dự đoán xu hướng phát triển công nghệ và nhu cầu xã hội trong thập kỷ tới, đảm bảo sự liên tục và tác động lâu dài của nghiên cứu.

Kết luận

Luận án này đã tạo ra những tiến bộ đáng kể trong lĩnh vực dự đoán nguy cơ thiên tai tại Việt Nam, đặc biệt đối với cháy rừng và sạt lở đất, thông qua việc ứng dụng sáng tạo các kỹ thuật học máy và học sâu tiên tiến.

  1. Phát triển quy trình chuẩn hóa dữ liệu đa nguồn: Luận án đã thành công xây dựng một quy trình nghiêm ngặt để thu thập, xử lý và tiền xử lý dữ liệu địa không gian đa nguồn (viễn thám, địa hình, khí hậu, địa chất), giải quyết một trong những thách thức khoa học chính (Thách thức 1) về tính không đồng nhất và nhiễu của dữ liệu.
  2. Đề xuất mô hình học sâu Deep-NC hiệu quả cao: Mô hình Deep-NC cho cháy rừng đã chứng minh hiệu suất vượt trội với AUC = 0.904 trên bộ dữ liệu kiểm tra, vượt qua các mô hình học máy truyền thống như RVM, SVM và RandomForest (Bảng 2-5).
  3. Giới thiệu mô hình học tổng hợp lai BBO-DE-StreeEns đột phá: Đối với sạt lở đất, luận án đã phát triển mô hình BBO-DE-StreeEns, đạt AUC ấn tượng 0.98 trên bộ dữ liệu kiểm tra (Bảng 3-6). Đây là một đóng góp lý thuyết quan trọng, kết hợp tối ưu hóa tiến hóa (BBO và DE) với thuật toán cây SPAARC để đạt được độ chính xác cao nhất.
  4. Tối ưu hóa chiến lược huấn luyện mô hình: Nghiên cứu đã xác định thuật toán Adam là lựa chọn tối ưu nhất cho huấn luyện Deep-NC, đạt các chỉ số hiệu suất cao như Accuracy 0.90 và Kappa 0.80 (Bảng 2-7), cung cấp hướng dẫn thực tiễn cho việc phát triển các mô hình học sâu.
  5. Thành lập bản đồ phân vùng nguy cơ chi tiết và đáng tin cậy: Các mô hình đề xuất đã được ứng dụng thành công để tạo ra bản đồ phân vùng nguy cơ cháy rừng cho Gia Lai (Hình 2-7) và sạt lở đất cho Than Uyên (Hình 3-8), cung cấp công cụ trực quan và chính xác cho công tác quản lý thiên tai.
  6. Xác định các yếu tố ảnh hưởng then chốt: Luận án đã phân tích và lượng hóa tầm quan trọng của các yếu tố ảnh hưởng (ví dụ: nhiệt độ, NDMI cho cháy rừng; độ dốc, độ cao cho sạt lở đất), cung cấp cơ sở khoa học để tập trung vào các biện pháp phòng ngừa.

Các đóng góp này đánh dấu một paradigm advancement trong cách tiếp cận dự đoán thiên tai ở Việt Nam, chuyển dịch từ các phương pháp truyền thống và thống kê sang các kỹ thuật dựa trên AI mạnh mẽ hơn. Bằng chứng từ hiệu suất vượt trội của Deep-NC và BBO-DE-StreeEns so với các phương pháp tham chiếu đã khẳng định tính hiệu quả của hướng đi này.

Luận án đã mở ra 3+ new research streams chính: (1) Nghiên cứu sâu hơn về tính giải thích của các mô hình học sâu/học tổng hợp trong ngữ cảnh địa không gian; (2) Phát triển các hệ thống cảnh báo sớm thông minh tích hợp dữ liệu thời gian thực và mô hình hóa động; và (3) Mở rộng ứng dụng các phương pháp lai ghép AI này sang các loại thiên tai khác và nghiên cứu các mô hình đa thiên tai.

Với global relevance, các khuôn khổ phương pháp và mô hình được phát triển có thể được áp dụng rộng rãi cho các khu vực tương tự trên thế giới, đặc biệt là ở các quốc gia đang phát triển có nguy cơ cao về thiên tai. So với các nghiên cứu quốc tế như của Piao và cộng sự [64] ở Hàn Quốc hay Naderpour và cộng sự [65] ở Úc, luận án này đã tùy chỉnh và cải tiến các phương pháp học sâu và học tổng hợp để phù hợp với đặc điểm dữ liệu và môi trường cụ thể của Việt Nam, đồng thời đạt được hiệu suất cạnh tranh hoặc vượt trội.

Di sản của luận án này sẽ là những measurable outcomes cụ thể: (1) Giảm thiểu đáng kể thiệt hại về người và tài sản do thiên tai thông qua cảnh báo sớm và quy hoạch tốt hơn; (2) Nâng cao hiệu quả quản lý tài nguyên rừng và đất đai; và (3) Đặt nền móng cho việc tích hợp AI sâu rộng hơn vào các hệ thống quản lý rủi ro thiên tai quốc gia và quốc tế.