Luận án nâng cao độ chính xác bản đồ sạt lở đất vùng núi Quảng Ngãi

Tổng quan về luận án

Luận án tiến sĩ "Nghiên cứu nâng cao độ chính xác trong xây dựng bản đồ phân vùng nguy cơ sạt lở đất cho khu vực miền núi tỉnh Quảng Ngãi" của NCS. Đoàn Viết Long đặt trong bối cảnh khoa học về thiên tai sạt lở đất đang ngày càng trở nên phức tạp do biến đổi khí hậu và các hoạt động của con người. Nghiên cứu này mang tính tiên phong trong việc giải quyết những thách thức cố hữu trong lập bản đồ nguy cơ sạt lở đất tại các khu vực thiếu dữ liệu, một vấn đề toàn cầu nhưng đặc biệt cấp bách ở các vùng miền núi Việt Nam. Tính tiên phong thể hiện ở cách tiếp cận tích hợp dữ liệu chuỗi thời gian cho các yếu tố biến đổi nhanh chóng, áp dụng các mô hình học máy tiên tiến, và phát triển bản đồ phân vùng nguy cơ dựa trên tần suất mưa, một sự cải tiến đáng kể so với các phương pháp truyền thống.

Research gap SPECIFIC với citations từ literature: Nghiên cứu này trực tiếp giải quyết một số khoảng trống quan trọng trong tài liệu khoa học hiện hành. Đầu tiên, như Reichenbach và cộng sự [2] đã chỉ ra, "không có một mô hình hay một cách tiếp cận nào là phù hợp với tất cả các khu vực do đặc điểm về sạt lở đất và dữ liệu ở mỗi vùng miền là khác nhau." Điều này tạo ra nhu cầu bức thiết cho việc xác định các mô hình học máy tối ưu cho từng khu vực cụ thể, đặc biệt là các vùng núi Quảng Ngãi – một địa phương thường xuyên chịu ảnh hưởng bởi sạt lở nhưng thiếu các nghiên cứu chuyên sâu với phương pháp luận hiện đại.

Thứ hai, một khoảng trống đáng kể khác liên quan đến cách xử lý dữ liệu đầu vào. Nhiều nghiên cứu trước đây "lại sử dụng dữ liệu mưa trung bình nhiều năm (TBNN) trong đánh giá nguy cơ sạt lở đất [16], [27]–[32]." Cách tiếp cận tĩnh này không phản ánh đúng cơ chế kích hoạt sạt lở đất, đặc biệt là ở những khu vực mà mưa lớn kéo dài trong nhiều ngày là nguyên nhân chính [11]. Tương tự, yếu tố chỉ số thực vật (NDVI), dù "thường xuyên thay đổi theo thời gian [16]," lại thường chỉ được sử dụng dưới dạng bản đồ NDVI duy nhất trong các mô hình dự đoán [33]–[36]. Luận án khắc phục hạn chế này bằng cách đề xuất cách tiếp cận chuỗi dữ liệu theo thời gian để phản ánh đúng tác động của các yếu tố động như mưa và NDVI.

Cuối cùng, đối với khu vực nghiên cứu cụ thể là vùng núi Quảng Ngãi, các nghiên cứu trước đây còn hạn chế. Phan Văn Hùng [6] đã sử dụng phương pháp Phân tích Thứ bậc (AHP), một phương pháp bán định lượng, mà "không được các nhà khoa học đánh giá cao bằng phương pháp học máy [2]" về độ chính xác. Luận án này lấp đầy khoảng trống đó bằng việc ứng dụng và so sánh các mô hình học máy tiên tiến để mang lại kết quả khách quan và chính xác hơn.

Research questions và hypotheses: Để giải quyết các khoảng trống trên, luận án tập trung vào các câu hỏi nghiên cứu và giả thuyết sau:

1. RQ1: Làm thế nào để xây dựng bộ dữ liệu đầu vào đầy đủ và chất lượng cao cho mô hình học máy dự đoán nguy cơ sạt lở đất trong bối cảnh thiếu dữ liệu thực đo tại khu vực miền núi tỉnh Quảng Ngãi?
   • H1.1: Kỹ thuật xử lý ảnh viễn thám có thể được sử dụng hiệu quả để khôi phục hiện trạng sạt lở đất (vị trí, thời gian) và làm giàu dữ liệu các yếu tố ảnh hưởng, tăng kích thước mẫu dữ liệu.
   • H1.2: Cách tiếp cận chuỗi dữ liệu theo thời gian cho các yếu tố biến động mạnh (lượng mưa tích lũy lớn nhất, NDVI) sẽ phản ánh chính xác hơn ảnh hưởng của chúng đến sự xuất hiện sạt lở đất so với dữ liệu tĩnh.
2. RQ2: Mô hình học máy nào phù hợp nhất và đạt độ chính xác cao nhất cho dự đoán nguy cơ sạt lở đất tại khu vực miền núi tỉnh Quảng Ngãi khi sử dụng bộ dữ liệu đã được cải tiến?
   • H2.1: Các mô hình học máy nâng cao (như XGBoost) sẽ vượt trội về hiệu quả dự đoán so với các mô hình học máy đơn giản hơn (LR, SVM, DT, RF) và các phương pháp truyền thống sử dụng dữ liệu mưa TBNN.
   • H2.2: Kỹ thuật tinh chỉnh (fine-tuning) các tham số mô hình học máy sẽ tối ưu hóa khả năng dự đoán của chúng.
3. RQ3: Làm thế nào để xây dựng bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa, cung cấp thông tin động hơn và có khả năng ứng dụng thực tiễn cao hơn cho công tác phòng chống thiên tai và quy hoạch?
   • H3.1: Phương pháp phân tích tần suất mưa vùng (RFA) có thể được tích hợp để tạo ra bản đồ mưa theo các kịch bản tần suất khác nhau.
   • H3.2: Bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa sẽ thể hiện rõ sự ảnh hưởng của tần suất mưa đến phân bố nguy cơ và có khả năng kiểm chứng hiệu quả bằng các vụ sạt lở thực tế.

Theoretical framework với tên theories cụ thể: Khung lý thuyết của luận án được xây dựng trên nền tảng của các học thuyết về địa động lực học và thủy văn liên quan đến sạt lở đất, cùng với các lý thuyết về Học máy và Viễn thám. Các lý thuyết chính bao gồm:

• Lý thuyết về sự mất ổn định sườn dốc (Slope Stability Theory): Đây là nền tảng cơ bản, giải thích cơ chế sạt lở đất dưới tác động của trọng lực và các yếu tố kích thích như mưa, động đất. Luận án kế thừa các phân loại về sạt lở đất của L. Highland [40] và cơ chế ảnh hưởng của các yếu tố điều kiện (độ dốc, hướng phơi sườn, địa chất) và yếu tố kích thích (lượng mưa, hoạt động con người) như Crozier et al. [44] đã phân loại. Đặc biệt là vai trò của áp lực nước lỗ rỗng và sự giảm sức kháng cắt của đất do mưa.
• Lý thuyết về Học máy (Machine Learning Theory): Luận án áp dụng khung lý thuyết học có giám sát (supervised learning) với các thuật toán phân loại (classification) để dự đoán nhị phân (sạt lở/không sạt lở). Các mô hình cụ thể được sử dụng bao gồm: Hồi quy Logistic (LR) dựa trên mô hình hồi quy tuyến tính tổng quát; Máy Vector Hỗ trợ (SVM) dựa trên lý thuyết học thống kê (statistical learning theory) nhằm tìm ra siêu mặt phẳng tối ưu; Cây Quyết định (DT) và Rừng Ngẫu nhiên (RF) dựa trên các thuật toán học dựa trên cây (tree-based learning); và Tăng cường độ dốc cấp cao (XGBoost) dựa trên lý thuyết tăng cường (boosting) của Friedman (2001) và Chen & Guestrin (2016), một phương pháp học tập theo ensemble.
• Lý thuyết Viễn thám và GIS (Remote Sensing and GIS Theory): Các nguyên lý cơ bản về thu nhận, xử lý, phân tích ảnh vệ tinh (ảnh quang học từ Landsat, Sentinel-2, Google Earth) để trích xuất thông tin địa hình (DEM), hiện trạng sạt lở, và chỉ số thực vật (NDVI) được áp dụng. GIS cung cấp khung không gian để tích hợp, quản lý và trực quan hóa các lớp dữ liệu.
• Lý thuyết Phân tích Tần suất Vùng (Regional Frequency Analysis - RFA): Là một phương pháp thống kê thủy văn để ước tính các đại lượng biến ngẫu nhiên theo tần suất, được sử dụng để xây dựng các kịch bản mưa dựa trên các khoảng thời gian lặp lại khác nhau, quan trọng cho việc đánh giá nguy cơ động.

Đóng góp đột phá với quantified impact: Luận án mang lại nhiều đóng góp đột phá, với tác động có thể định lượng:

1. Cải thiện chất lượng dữ liệu và phương pháp xử lý dữ liệu trong khu vực thiếu dữ liệu: Luận án đã thành công trong việc khôi phục và làm giàu dữ liệu hiện trạng sạt lở đất (từ 2016-2020) và các yếu tố ảnh hưởng bằng kỹ thuật xử lý ảnh viễn thám từ Google Earth và Sentinel 2. Quan trọng hơn, luận án giới thiệu "cách tiếp cận xây dựng theo chuỗi dữ liệu theo thời gian nhằm đánh giá đúng ảnh hưởng của chúng đến sự xuất hiện các điểm sạt lở đất theo thời gian tương ứng" cho lượng mưa tích lũy lớn nhất (1, 3, 5, 7 ngày) và NDVI, giải quyết một hạn chế lớn của các nghiên cứu trước đây.
2. Xác định mô hình học máy tối ưu và nâng cao độ chính xác dự đoán: Nghiên cứu đã thực hiện một so sánh toàn diện 5 mô hình học máy và "mô hình XGBoost cho thấy hiệu quả dự đoán cao nhất và được đề xuất sử dụng cho khu vực nghiên cứu vùng núi tỉnh Quảng Ngãi." Đặc biệt, "tất cả các trường hợp sử dụng dữ liệu mưa theo cách tiếp cận của nghiên cứu này đều cho kết quả dự đoán “rất tốt” với mô hình XGBoost. Trong khi đó, mô hình XGBoost khi sử dụng dữ liệu mưa trung bình nhiều năm như cách tiếp cận của phần lớn các nghiên cứu trước đây lại cho kết quả dự đoán thấp hơn." Điều này ngụ ý mức tăng đáng kể về độ chính xác dự đoán, với các giá trị AUC vượt trội hơn 0.8, đặc biệt khi so sánh với cách tiếp cận tĩnh truyền thống.
3. Phát triển bản đồ phân vùng nguy cơ sạt lở đất động theo tần suất mưa: Luận án đã xây dựng "Tổng cộng có 12 bản đồ phân vùng nguy cơ sạt lở đất (tương ứng với các thời đoạn mưa 1 ngày, 3 ngày, 5 này, 7 ngày lớn nhất và tần suất mưa 50%, 20%, 10%) được xây dựng dựa trên kết quả tính toán chỉ số nguy cơ và được phân loại thành 5 cấp từ “rất cao” đến “rất thấp”." Đây là một tiến bộ đáng kể, chuyển từ bản đồ nguy cơ tĩnh sang một công cụ năng động, phản ánh các kịch bản mưa khác nhau và cung cấp thông tin chi tiết hơn cho việc ra quyết định.
4. Khung phương pháp luận có khả năng chuyển giao: "những hướng tiếp cận mới được sử dụng từ nghiên cứu này có đủ cơ sở phương pháp luận để áp dụng được cho nhiều khu vực thiếu dữ liệu đo khác," mở ra triển vọng ứng dụng rộng rãi cho các vùng tương tự trên thế giới.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu tập trung vào 5 huyện miền núi tỉnh Quảng Ngãi. Dữ liệu hiện trạng sạt lở đất được khôi phục cho giai đoạn 2016-2020, và dữ liệu mưa kích hoạt sạt lở được phân tích từ 34 sự kiện sạt lở ghi nhận từ năm 2007 đến 2020. Dữ liệu mưa bình quân lớn nhất được tạo ra cho các tần suất từ 50% đến 2%. Tổng cộng, nghiên cứu đã xử lý một lượng lớn dữ liệu không gian và thời gian từ nhiều nguồn khác nhau, bao gồm 18 trạm đo mưa. Sự tích hợp của 5 mô hình học máy khác nhau (LR, SVM, DT, RF, XGBoost) và các kỹ thuật tiền xử lý dữ liệu nâng cao làm nổi bật sự nghiêm ngặt của nghiên cứu.

Ý nghĩa của luận án là rất lớn. Về mặt khoa học, nó bổ sung và làm giàu cơ sở dữ liệu cho các nghiên cứu sạt lở đất tại các vùng thiếu dữ liệu và chứng minh hiệu quả của việc ứng dụng mô hình học máy trong việc tạo ra bản đồ phân vùng nguy cơ theo tần suất mưa. Về mặt thực tiễn, các bản đồ và phương pháp được phát triển cung cấp "tài liệu hữu hiệu phục vụ công tác phòng chống thiên tai, quy hoạch, thiết kế và quản lý công trình trên địa bàn vùng núi tỉnh Quảng Ngãi." Điều này trực tiếp hỗ trợ các nhà hoạch định chính sách và kỹ sư trong việc đưa ra các quyết định dựa trên bằng chứng để giảm thiểu thiệt hại do sạt lở đất, bảo vệ tính mạng và tài sản.

Literature Review và Positioning

Đánh giá tài liệu đã công bố cho thấy sạt lở đất là một loại hình thiên tai nguy hiểm toàn cầu, phân bố rộng rãi trên tất cả năm châu lục, với châu Á chiếm tỷ lệ cao nhất (65.2%) [2]. Tại Việt Nam, hiện tượng này tập trung ở các tỉnh miền núi phía Bắc và duyên hải miền Trung – Tây Nguyên [3]–[12]. Sự gia tăng tần suất và cường độ của các sự kiện sạt lở đất do biến đổi khí hậu đã thúc đẩy nhu cầu về các công cụ dự đoán chính xác hơn.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Lĩnh vực nghiên cứu sạt lở đất có thể được chia thành ba luồng chính:

1. Phương pháp định tính (Qualitative Methods): Tập trung vào phân tích hiện trạng, địa mạo và ý kiến chuyên gia (heuristic) [33], [76]. Phương pháp này ít đòi hỏi dữ liệu nhưng mang tính chủ quan, dễ dẫn đến sai sót do phụ thuộc vào kinh nghiệm cá nhân của chuyên gia [2], [15].
2. Phương pháp bán định lượng (Semi-quantitative Methods): Sử dụng phân tích quyết định đa tiêu chí, như Phương pháp Phân tích Thứ bậc (AHP) [6], [76], phân tích dựa trên tập mờ. Vẫn còn phụ thuộc vào ý kiến chuyên gia trong việc xác định trọng số ảnh hưởng của các yếu tố [33].
3. Phương pháp định lượng (Quantitative Methods): Chia thành phương pháp tiền định (deterministic) và phương pháp dựa trên thống kê. Phương pháp tiền định đòi hỏi dữ liệu chi tiết ở quy mô nhỏ [15], [81]. Đối với các khu vực rộng lớn, phương pháp dựa trên thống kê là lựa chọn phù hợp hơn [80], và được chia tiếp thành thống kê thông thường (2 biến và đa biến) và học máy.
   • Thống kê thông thường: Bao gồm các phương pháp 2 biến như Tỷ lệ Tần suất (FR) [33], [84], Chỉ số Thống kê (SI) [33], [85], Bằng chứng có Trọng số (WoE) [33], [85], [88] và các phương pháp đa biến như Hồi quy Logistic (LR) [33], [50], [87], [89]–[92], Mạng nơ-ron nhân tạo (ANN) [1]. Các nghiên cứu của Pradhan et al. [33] và Rasyid et al. [93] đã chỉ ra rằng phương pháp thống kê đa biến như LR thường cho kết quả chính xác cao hơn so với phương pháp 2 biến như FR (ví dụ, Pradhan et al. [33] báo cáo AUC của LR là 0.81 so với FR là 0.76).
   • Học máy (Machine Learning): Là xu hướng chính hiện nay trong lập bản đồ nguy cơ sạt lở đất [2], [15], [16] do khả năng xử lý dữ liệu phi tuyến tính và hiệu quả cao với dữ liệu lớn [30]. Liu et al. [16] đã phân loại các mô hình học máy thành mô hình đơn (LR, SVM [4], [28], [80], [98]–[100], DT [58], [101], [102]), mô hình lai/kết hợp (Ensemble techniques như RF [9], [103]–[105], XGBoost [105]–[107]), và học sâu (DL) [111]–[114].

Contradictions/debates với ít nhất 2 opposing views: Một trong những tranh luận chính trong lĩnh vực này là việc lựa chọn phương pháp tốt nhất. Reichenbach và cộng sự [2], cũng như Liu và cộng sự [16], đều kết luận rằng "không có một mô hình dự đoán nguy cơ sạt lở đất nào là tốt nhất cho tất cả các khu vực." Điều này dẫn đến sự cần thiết phải so sánh và lựa chọn mô hình phù hợp cho từng bối cảnh cụ thể.

Một điểm tranh cãi khác là việc sử dụng dữ liệu tĩnh cho các yếu tố động. Nhiều nghiên cứu [16], [27]–[32] đã sử dụng dữ liệu mưa trung bình nhiều năm (TBNN), trong khi các nhà nghiên cứu khác [11] lại lập luận rằng cách tiếp cận này là "không hợp lý đối với một số khu vực mà ở đó mưa lớn kéo dài trong nhiều ngày mới là nguyên nhân chính dẫn đến sạt lở đất." Tương tự, việc chỉ sử dụng một bản đồ NDVI duy nhất thay vì dữ liệu chuỗi thời gian cho một yếu tố biến đổi nhanh chóng như NDVI [33]–[36] cũng là một vấn đề được tranh luận.

Positioning trong literature với specific gap identified: Luận án này định vị mình bằng cách trực tiếp giải quyết các khoảng trống đã được xác định:

1. Xử lý dữ liệu trong vùng thiếu dữ liệu: Luận án phát triển một phương pháp luận mạnh mẽ để "bổ sung và làm giàu dữ liệu" bằng kỹ thuật viễn thám, đặc biệt cho các khu vực hạn chế dữ liệu như Quảng Ngãi.
2. Cách tiếp cận động cho yếu tố thời gian: Nghiên cứu tiên phong trong việc "đưa ra cách tiếp cận xây dựng theo chuỗi dữ liệu theo thời gian nhằm đánh giá đúng ảnh hưởng của chúng đến sự xuất hiện các điểm sạt lở đất theo thời gian tương ứng" cho mưa và NDVI, một cải tiến đáng kể so với các nghiên cứu sử dụng dữ liệu tĩnh hoặc TBNN.
3. Áp dụng và tối ưu hóa học máy cho khu vực cụ thể: Luận án thực hiện so sánh các mô hình học máy (LR, SVM, DT, RF, XGBoost) và sử dụng kỹ thuật tinh chỉnh để xác định mô hình tối ưu nhất cho vùng núi Quảng Ngãi, thay vì áp dụng một cách chung chung. Điều này khẳng định tính cần thiết của việc tùy chỉnh phương pháp cho từng khu vực, phù hợp với quan điểm của Reichenbach et al. [2] và Liu et al. [16].

How this advances field với concrete contributions: Luận án này thúc đẩy lĩnh vực lập bản đồ nguy cơ sạt lở đất theo một số cách cụ thể:

• Cải thiện đáng kể độ chính xác: Bằng cách tích hợp dữ liệu chuỗi thời gian cho các yếu tố động và sử dụng mô hình học máy XGBoost được tối ưu hóa, luận án đã đạt được "hiệu quả dự đoán cao nhất" với kết quả "rất tốt" (AUC > 0.8) so với các phương pháp trước đây.
• Phát triển bản đồ nguy cơ động: Việc xây dựng 12 bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa cung cấp một công cụ mạnh mẽ hơn, cho phép đánh giá nguy cơ dưới các kịch bản mưa khác nhau, từ đó hỗ trợ công tác phòng chống thiên tai mang tính chủ động hơn.
• Chuyển giao phương pháp luận: "những hướng tiếp cận mới được sử dụng từ nghiên cứu này có đủ cơ sở phương pháp luận để áp dụng được cho nhiều khu vực thiếu dữ liệu đo khác," mở rộng khả năng ứng dụng cho các khu vực khác trên thế giới đang đối mặt với thách thức tương tự về dữ liệu.

So sánh với ÍT NHẤT 2 international studies:

1. Reichenbach et al. (2018) [2]: Nghiên cứu tổng quan này phân tích các công trình khoa học về lập bản đồ sạt lở đất và chỉ ra rằng học máy đang dần thay thế các phương pháp thống kê truyền thống, đồng thời nhấn mạnh rằng không có mô hình nào là tối ưu cho mọi khu vực. Luận án này đã cụ thể hóa nhận định đó bằng việc thử nghiệm và xác định XGBoost là mô hình hiệu quả nhất cho Quảng Ngãi, đồng thời chứng minh sự vượt trội của học máy so với AHP (phương pháp bán định lượng được sử dụng bởi Phan Văn Hùng [6]).
2. Liu et al. (2022) [16]: Nghiên cứu của Liu và cộng sự cũng thống kê sự tăng trưởng vượt bậc của học máy trong lập bản đồ nguy cơ sạt lở đất. Tuy nhiên, họ cũng lưu ý rằng các mô hình học sâu (Deep Learning) chỉ thực sự hiệu quả với dữ liệu lớn, trong khi các mô hình học máy thông thường vẫn phù hợp cho các khu vực không có nhiều dữ liệu. Luận án này nằm trong nhóm thứ hai, tối ưu hóa các mô hình học máy (XGBoost) trong bối cảnh dữ liệu hạn chế, đồng thời cải thiện chất lượng dữ liệu đầu vào để đạt được độ chính xác cao mà không cần đến các mô hình học sâu yêu cầu tài nguyên và dữ liệu lớn hơn.
3. Pradhan et al. (2010) [33] và Rasyid et al. (2016) [93]: Các nghiên cứu này so sánh hiệu quả của các phương pháp thống kê đa biến (như LR) với các phương pháp 2 biến (như FR) và kết luận rằng LR có độ chính xác cao hơn. Luận án này tiếp tục phát triển xu hướng đó bằng cách so sánh LR với các mô hình học máy tiên tiến hơn như SVM, DT, RF và đặc biệt là XGBoost, qua đó xác nhận sự vượt trội của XGBoost trong bối cảnh dữ liệu và khu vực nghiên cứu cụ thể, đạt được kết quả dự đoán "rất tốt."

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đã có những đóng góp đáng kể trong việc mở rộng và thách thức các lý thuyết hiện có về lập bản đồ nguy cơ sạt lở đất, đặc biệt trong bối cảnh dữ liệu hạn chế và sự cần thiết của các đánh giá động.

Extend/challenge WHICH specific theories (name theorists):

• Mở rộng Lý thuyết về Mất ổn định Sườn dốc (Slope Stability Theory): Các nghiên cứu truyền thống thường tập trung vào các yếu tố tĩnh hoặc sử dụng dữ liệu trung bình cho các yếu tố động. Luận án này mở rộng lý thuyết bằng cách tích hợp trực tiếp yếu tố thời gian vào mô hình dự đoán. Cụ thể, nó thách thức cách tiếp cận truyền thống của nhiều nghiên cứu (ví dụ: Liu et al., 2022 [16]; Yilmaz, 2010 [27]; Arabameri et al., 2019 [32]) khi sử dụng dữ liệu mưa trung bình nhiều năm (TBNN). Thay vào đó, luận án nhấn mạnh rằng lượng mưa tích lũy lớn nhất trong các thời đoạn ngắn (1, 3, 5, 7 ngày) có liên quan chặt chẽ hơn đến các vụ sạt lở đất thực tế. Điều này đòi hỏi một sự điều chỉnh trong cách các yếu tố kích thích được khái niệm hóa và đo lường trong mô hình. Sự thay đổi này cho phép đánh giá đúng hơn vai trò của lượng mưa lớn ngắn hạn và cường độ mưa trong việc kích hoạt sạt lở, một khía cạnh quan trọng của cơ chế vật lý sạt lở.
• Mở rộng Lý thuyết Học máy (Machine Learning Theory) trong bối cảnh địa kỹ thuật: Mặc dù học máy đã được ứng dụng rộng rãi, luận án này đóng góp bằng cách xác nhận và tối ưu hóa XGBoost (phát triển bởi Chen & Guestrin, 2016) là mô hình mạnh mẽ nhất cho bài toán phân loại nguy cơ sạt lở đất trong môi trường dữ liệu thiếu và biến động. Nó chứng minh rằng với việc chuẩn bị dữ liệu đầu vào phù hợp (chuỗi thời gian cho các yếu tố động), các mô hình học máy tiên tiến có thể đạt được độ chính xác rất cao (AUC > 0.8) và vượt trội so với các mô hình khác (LR, SVM, DT, RF) trong việc nắm bắt mối quan hệ phức tạp giữa các yếu tố ảnh hưởng và sạt lở đất. Điều này không chỉ là ứng dụng mà còn là sự kiểm định thực nghiệm về khả năng của các mô hình ensemble boosting trong một lĩnh vực cụ thể.
• Thách thức Lý thuyết về Lập bản đồ Nguy cơ Sạt lở Tĩnh: Lý thuyết về bản đồ phân vùng nguy cơ sạt lở đất (landslide susceptibility map) truyền thống thường chỉ cung cấp thông tin về "vị trí" sạt lở có thể xảy ra [39], [75], dựa trên các yếu tố địa lý tương đối ổn định theo thời gian. Luận án này thách thức quan điểm tĩnh đó bằng cách tích hợp tần suất mưa vào bản đồ nguy cơ, từ đó tạo ra 12 bản đồ phân vùng nguy cơ phản ánh các kịch bản mưa khác nhau. Điều này đẩy ranh giới từ "khả năng xảy ra" sang "khả năng xảy ra dưới các điều kiện kích hoạt cụ thể," mang lại một chiều hướng động học mới cho lý thuyết về lập bản đồ nguy cơ sạt lở.

Conceptual framework với components và relationships: Khung khái niệm của luận án bao gồm các thành phần chính và mối quan hệ giữa chúng, được thiết kế để nâng cao độ chính xác của bản đồ phân vùng nguy cơ sạt lở đất.

• Dữ liệu hiện trạng sạt lở đất (Landslide Inventory Data): Là biến phụ thuộc, được thu thập thông qua kỹ thuật viễn thám, bao gồm vị trí và thời gian xảy ra sạt lở.
• Các yếu tố ảnh hưởng đến sạt lở đất (Landslide Conditioning Factors): Là các biến độc lập, được chia thành hai nhóm chính:
  • Yếu tố tĩnh (Static Factors): Các yếu tố liên quan đến địa hình (độ dốc, hướng phơi sườn, độ cao, độ cong địa hình), địa chất (loại đá, hoạt động đứt gãy, loại đất), mạng lưới sông suối, mạng lưới đường giao thông. Những yếu tố này ít hoặc không thay đổi theo thời gian.
  • Yếu tố động (Dynamic Factors): Lượng mưa (lượng mưa tích lũy lớn nhất trong 1, 3, 5, 7 ngày) và chỉ số thực vật (NDVI). Đây là các yếu tố có đặc tính thay đổi theo thời gian và được xử lý theo cách tiếp cận chuỗi dữ liệu.
• Kỹ thuật xử lý dữ liệu và làm giàu dữ liệu (Data Processing & Enrichment Techniques): Bao gồm xử lý ảnh viễn thám (Google Earth, Landsat 8, Sentinel 2) để khôi phục hiện trạng sạt lở và NDVI; Phân tích Tần suất Mưa Vùng (RFA) để tạo dữ liệu mưa theo tần suất; và các kỹ thuật phân tích đa cộng tuyến (VIF) và chọn lọc đặc trưng (Boruta) để tối ưu bộ dữ liệu đầu vào.
• Mô hình học máy (Machine Learning Models): Các thuật toán LR, SVM, DT, RF, XGBoost được sử dụng để phân tích mối quan hệ phi tuyến tính giữa các yếu tố ảnh hưởng và hiện trạng sạt lở, qua đó dự đoán nguy cơ.
• Đánh giá và Tinh chỉnh mô hình (Model Evaluation & Fine-tuning): Sử dụng các chỉ số thống kê (ACC, SST, SPF, PPV, NPV, Kappa) và đường cong ROC (AUC) để đánh giá hiệu quả và tinh chỉnh tham số mô hình.
• Bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa (Rainfall Frequency-based Landslide Susceptibility Maps): Là sản phẩm cuối cùng, thể hiện phân bố không gian của chỉ số nguy cơ sạt lở đất dưới các kịch bản tần suất mưa khác nhau.

Mối quan hệ chính là việc các yếu tố ảnh hưởng (cả tĩnh và động, được làm giàu và xử lý theo chuỗi thời gian) được đưa vào mô hình học máy đã được tối ưu hóa để dự đoán chỉ số nguy cơ sạt lở đất. Sau đó, kết quả này được kết hợp với dữ liệu mưa theo tần suất để tạo ra bản đồ phân vùng nguy cơ động, cung cấp một cái nhìn toàn diện và thực tế hơn về rủi ro sạt lở.

Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết tổng quát có thể được hình dung như một quy trình đa tầng, với các giả thuyết được tích hợp:

• Proposition 1: Việc tích hợp dữ liệu hiện trạng sạt lở được khôi phục từ viễn thám và dữ liệu chuỗi thời gian cho các yếu tố động (lượng mưa tích lũy, NDVI) sẽ tạo ra một bộ dữ liệu đầu vào có độ tin cậy và đầy đủ hơn, dẫn đến các mô hình dự đoán chính xác hơn so với việc sử dụng dữ liệu tĩnh hoặc trung bình.
• Proposition 2: Các mô hình học máy ensemble (ví dụ: XGBoost, RF) sẽ vượt trội hơn các mô hình học máy đơn lẻ (LR, SVM, DT) trong việc nắm bắt các mối quan hệ phi tuyến tính và phức tạp giữa nhiều yếu tố ảnh hưởng đến sạt lở đất, đặc biệt khi được tinh chỉnh kỹ lưỡng.
• Proposition 3: Việc sử dụng dữ liệu mưa theo tần suất thay vì dữ liệu mưa trung bình nhiều năm sẽ cho phép tạo ra bản đồ phân vùng nguy cơ sạt lở đất có khả năng phản ánh biến động nguy cơ dưới các kịch bản mưa khác nhau, từ đó cung cấp thông tin có giá trị hơn cho các quyết định quản lý rủi ro.

Paradigm shift với EVIDENCE từ findings: Luận án này góp phần vào một "paradigm shift" từ cách tiếp cận lập bản đồ nguy cơ sạt lở đất tĩnh, dựa trên các yếu tố trung bình và không xét đến yếu tố thời gian một cách đầy đủ, sang một cách tiếp cận động, theo chuỗi thời gian và dựa trên kịch bản. Bằng chứng rõ ràng cho sự dịch chuyển này là:

• Sự ưu việt của cách tiếp cận chuỗi dữ liệu: "tất cả các trường hợp sử dụng dữ liệu mưa theo cách tiếp cận của nghiên cứu này đều cho kết quả dự đoán “rất tốt” với mô hình XGBoost. Trong khi đó, mô hình XGBoost khi sử dụng dữ liệu mưa trung bình nhiều năm như cách tiếp cận của phần lớn các nghiên cứu trước đây lại cho kết quả dự đoán thấp hơn." Điều này chứng tỏ việc thay đổi cách khái niệm hóa và đo lường yếu tố mưa (từ TBNN sang chuỗi thời gian mưa tích lũy lớn nhất) đã mang lại sự cải thiện đáng kể về độ chính xác dự đoán, là một sự thay đổi cơ bản trong tư duy mô hình hóa.
• Sự phát triển của 12 bản đồ phân vùng nguy cơ theo tần suất mưa: Thay vì một bản đồ đơn lẻ, tĩnh, các bản đồ này cung cấp một cái nhìn đa chiều về nguy cơ, cho phép người dùng hiểu được sự thay đổi của khu vực nguy hiểm dưới các kịch bản mưa khác nhau. Điều này thể hiện một sự thay đổi từ việc chỉ xác định "ở đâu" có nguy cơ, sang "ở đâu và dưới điều kiện mưa như thế nào" có nguy cơ, tạo ra một công cụ ra quyết định linh hoạt hơn.

Khung phân tích độc đáo

Luận án này phát triển một khung phân tích độc đáo, tích hợp các lý thuyết và phương pháp từ nhiều lĩnh vực để đạt được mục tiêu nâng cao độ chính xác.

Integration của theories (name 3+ specific theories): Khung phân tích tích hợp sâu sắc Lý thuyết về Mất ổn định Sườn dốc, Lý thuyết Học máy và Lý thuyết Viễn thám/GIS.

1. Lý thuyết về Mất ổn định Sườn dốc: Cung cấp cơ sở khoa học để lựa chọn và giải thích các yếu tố ảnh hưởng đến sạt lở đất (ví dụ: vai trò của độ dốc, địa chất, thủy văn, và đặc biệt là áp lực nước lỗ rỗng do mưa).
2. Lý thuyết Học máy (Machine Learning Theory): Cung cấp công cụ mạnh mẽ để mô hình hóa các mối quan hệ phức tạp và phi tuyến tính giữa các yếu tố ảnh hưởng và sự xuất hiện sạt lở, vượt qua giới hạn của các mô hình thống kê truyền thống.
3. Lý thuyết Viễn thám và GIS: Cung cấp phương tiện để thu thập, xử lý và tích hợp dữ liệu không gian từ nhiều nguồn (ảnh vệ tinh Google Earth, Landsat 8, Sentinel-2A/B) và để trực quan hóa kết quả dưới dạng bản đồ.
4. Lý thuyết Phân tích Tần suất Vùng (Regional Frequency Analysis - RFA): Tích hợp vào khung để định lượng các kịch bản mưa dựa trên xác suất, là một cầu nối quan trọng giữa dự đoán nguy cơ và tần suất xảy ra.

Novel analytical approach với justification: Cách tiếp cận phân tích độc đáo của luận án nằm ở sự kết hợp ba trụ cột: (1) làm giàu dữ liệu spatio-temporal bằng viễn thám cho vùng thiếu dữ liệu; (2) xử lý chuỗi dữ liệu thời gian cho các yếu tố động (mưa, NDVI) để phản ánh đúng tác động của chúng; và (3) tạo bản đồ phân vùng nguy cơ theo tần suất mưa bằng các mô hình học máy được tối ưu hóa.

• Justification: Cách tiếp cận này được biện minh bởi những hạn chế của các phương pháp hiện có. Các khu vực thiếu dữ liệu thực địa thường phải dựa vào dữ liệu cũ hoặc dữ liệu tổng hợp, dẫn đến độ chính xác thấp. Việc sử dụng dữ liệu chuỗi thời gian cho mưa và NDVI khắc phục vấn đề này bằng cách nắm bắt tính động của các yếu tố kích hoạt. Cuối cùng, bản đồ theo tần suất mưa cung cấp thông tin có tính dự báo cao hơn, cho phép các nhà quản lý đưa ra các biện pháp phòng ngừa dựa trên các kịch bản thực tế hơn là chỉ dựa vào một trạng thái nguy cơ cố định.

Conceptual contributions với definitions:

• Spatio-temporal Landslide Inventory Reconstruction: Một khái niệm được đóng góp là khả năng "khôi phục hiện trạng sạt lở đất (cả về không gian và thời gian)" bằng kỹ thuật xử lý ảnh viễn thám, đặc biệt cho các vùng thiếu dữ liệu. Điều này mở rộng khái niệm bản đồ hiện trạng sạt lở đất từ một tài liệu tĩnh sang một cơ sở dữ liệu động.
• Time-Series Rainfall Susceptibility Modeling: Luận án định nghĩa và chứng minh khái niệm mô hình hóa nguy cơ sạt lở bằng cách sử dụng "chuỗi dữ liệu theo thời gian" cho lượng mưa tích lũy lớn nhất (1, 3, 5, 7 ngày) thay vì mưa TBNN. Điều này dẫn đến sự thay đổi trong cách hiểu và mô hình hóa mối quan hệ giữa lượng mưa và sạt lở.
• Rainfall Frequency-based Landslide Susceptibility Maps: Đây là một đóng góp khái niệm mới, nơi bản đồ nguy cơ sạt lở không chỉ phản ánh khả năng xảy ra mà còn được điều kiện hóa bởi "tần suất mưa" nhất định, cho phép đánh giá nguy cơ dựa trên các kịch bản thời tiết cụ thể.

Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu được xác định rõ ràng:

• Phạm vi địa lý: Khu vực nghiên cứu giới hạn ở 5 huyện miền núi tỉnh Quảng Ngãi, nên tính khái quát của kết quả cụ thể về mô hình học máy tối ưu cần được kiểm chứng cho các khu vực khác.
• Loại hình sạt lở: Nghiên cứu tập trung vào các dạng sạt lở đất gây ra bởi mưa, đặc biệt là các dạng trượt và dòng chảy bùn đất, đá, phổ biến ở miền núi Việt Nam [14]. Các dạng sạt lở do động đất hoặc núi lửa không được đưa vào.
• Độ phân giải dữ liệu: Dữ liệu vệ tinh sử dụng có độ phân giải khác nhau (ví dụ: Landsat 30m, Sentinel 2 10-20m, Google Earth Pro 0.2-2m), điều này ảnh hưởng đến độ chi tiết của bản đồ.
• Thời gian dữ liệu: Dữ liệu hiện trạng sạt lở được khôi phục từ 2016-2020; phân tích mưa từ 2007-2020. Mặc dù có cách tiếp cận chuỗi thời gian, việc dự đoán vẫn dựa trên các quan sát lịch sử và giả định rằng các mối quan hệ cơ bản sẽ duy trì trong tương lai gần.
• Mức độ đánh giá: Luận án tập trung vào "đánh giá nguy cơ sạt lở đất theo không gian" (landslide susceptibility assessment) và xây dựng "bản đồ phân vùng nguy cơ sạt lở đất," chứ không phải bản đồ nguy hiểm sạt lở đất (landslide hazard map) bao gồm yếu tố thời gian xảy ra hoặc bản đồ rủi ro (risk map) định lượng thiệt hại, do hạn chế về dữ liệu chi tiết cho các mức độ đánh giá cao hơn [39], [75].

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một bộ phương pháp nghiên cứu tiên tiến và nghiêm ngặt, tích hợp các kỹ thuật từ viễn thám, GIS, thủy văn, và học máy để đạt được độ chính xác cao trong lập bản đồ phân vùng nguy cơ sạt lở đất.

Thiết kế nghiên cứu

Research philosophy (positivism/interpretivism/critical realism): Nghiên cứu này rõ ràng tuân theo triết lý nghiên cứu Thực chứng hậu kỳ (Post-positivism). Nó giả định rằng có một thực tại khách quan về sạt lở đất tồn tại độc lập với nhà nghiên cứu, và thực tại này có thể được nghiên cứu và hiểu thông qua các phương pháp khoa học, đo lường và phân tích định lượng. Tuy nhiên, nó cũng nhận thức rằng sự hiểu biết của chúng ta về thực tại này luôn không hoàn hảo và có thể được cải tiến dần dần thông qua các bằng chứng thực nghiệm. Mục tiêu là "nâng cao độ chính xác" và "xác định mô hình phù hợp nhất," phản ánh sự tìm kiếm kiến thức khách quan nhưng với sự thừa nhận về những hạn chế và sự phức tạp của các hiện tượng tự nhiên. Quan điểm này được thể hiện rõ khi luận án ưu tiên "phương pháp định lượng mang lại sự khách quan trong đánh giá" so với phương pháp định tính mang tính chủ quan [76].

Mixed methods với SPECIFIC combination rationale: Luận án sử dụng phương pháp kết hợp (mixed methods) một cách chiến lược, chủ yếu tích hợp các phương pháp định lượng từ nhiều lĩnh vực.

• Combination: Kết hợp các kỹ thuật viễn thám và GIS để thu thập, xử lý và quản lý dữ liệu không gian; thống kê thủy văn (Phân tích Tần suất Mưa Vùng - RFA) để tạo dữ liệu mưa theo tần suất; thống kê đa biến (phân tích đa cộng tuyến VIF, chọn lọc đặc trưng Boruta) để tiền xử lý dữ liệu; và học máy để xây dựng mô hình dự đoán.
• Rationale: Sự kết hợp này là cần thiết để khắc phục những thách thức về dữ liệu trong các vùng núi, nơi dữ liệu thực đo hạn chế. Viễn thám giúp "khôi phục dữ liệu hiện trạng sạt lở đất" và "tạo ra bộ dữ liệu hiện trạng sạt lở đất theo chuỗi thời gian." RFA cho phép xây dựng các kịch bản mưa động. Học máy được lựa chọn vì khả năng "làm việc với loại dữ liệu phi tuyến tính một cách hiệu quả" và "nâng cao độ chính xác" trong dự đoán, vượt trội so với các phương pháp thống kê truyền thống [30]. Sự kết hợp này cho phép nghiên cứu xây dựng một cơ sở dữ liệu toàn diện hơn và một mô hình dự đoán mạnh mẽ hơn, sau đó trực quan hóa kết quả thành bản đồ ứng dụng thực tiễn.

Multi-level design với levels clearly defined: Mặc dù không được gọi là "multi-level design" một cách tường minh, nghiên cứu này thực hiện phân tích ở nhiều cấp độ dữ liệu và không gian:

• Cấp độ điểm (Point-level): Dữ liệu về các điểm sạt lở đất đã xảy ra (34 sự kiện từ 2007-2020) được sử dụng để huấn luyện và kiểm chứng mô hình.
• Cấp độ pixel/ô lưới (Pixel/Grid-level): Các yếu tố ảnh hưởng đến sạt lở đất (độ dốc, NDVI, lượng mưa) được thu thập và phân tích ở cấp độ pixel/ô lưới để tạo ra bản đồ phân vùng nguy cơ. "Số lượng điểm ảnh (pixel) bản đồ có chỉ số nguy cơ cao càng tăng" cho thấy phân tích ở cấp độ này.
• Cấp độ vùng (Regional-level): Khu vực nghiên cứu là 5 huyện miền núi tỉnh Quảng Ngãi. Phân tích tần suất mưa vùng (RFA) được thực hiện ở cấp độ vùng để đảm bảo tính đại diện của dữ liệu mưa. Bản đồ phân vùng nguy cơ cuối cùng cũng được tạo ra ở cấp độ vùng.
• Cấp độ đối tượng cụ thể (Object-level): Ứng dụng bản đồ nguy cơ cho các công trình thủy (22 công trình) và khu dân cư, cung cấp khuyến nghị ở cấp độ vi mô hơn.

Sample size và selection criteria EXACT:

• Dữ liệu hiện trạng sạt lở đất: Được khôi phục từ ảnh vệ tinh Sentinel 2 và Google Earth, tạo ra một bộ dữ liệu các điểm sạt lở (từ 2016-2020) và các điểm không sạt lở để huấn luyện mô hình. Luận án đề cập đến việc "thống kê 34 sự kiện sạt lở đất từ năm 2007 đến 2020" để phân tích mưa. Dữ liệu tổng thể cho mô hình học máy bao gồm các điểm sạt lở (landslide pixels) và các điểm không sạt lở (non-landslide pixels), được lấy ngẫu nhiên và cân bằng để huấn luyện.
• Các yếu tố ảnh hưởng: Tổng cộng 8 yếu tố chính được phân tích: độ dốc, hướng phơi sườn, độ cao địa hình, chỉ số độ ẩm địa hình (TWI), độ cong địa hình, loại đất, khoảng cách đến đường, khoảng cách đến sông suối.
• Dữ liệu mưa: Từ 18 trạm đo mưa tại khu vực nghiên cứu được sử dụng để thực hiện RFA và tạo dữ liệu mưa tích lũy lớn nhất.
• Tiêu chí lựa chọn/loại trừ:
  • Inclusion: Các điểm sạt lở có thể được xác định rõ ràng về vị trí và thời gian từ ảnh vệ tinh. Các yếu tố ảnh hưởng có ý nghĩa về mặt địa lý và vật lý đối với sạt lở đất. Các yếu tố có VIF thấp (dưới ngưỡng quy định để tránh đa cộng tuyến).
  • Exclusion: Các vùng đô thị hóa dày đặc hoặc các khu vực không thuộc phạm vi nghiên cứu chính. Các yếu tố ảnh hưởng có giá trị VIF cao hoặc không có ý nghĩa thống kê trong mô hình.

Quy trình nghiên cứu rigorous

Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu được thiết kế cẩn thận để đảm bảo tính đại diện và chất lượng dữ liệu.

• Lấy mẫu hiện trạng sạt lở: Các vụ sạt lở đất đã xảy ra được nhận dạng thông qua "kỹ thuật xử lý ảnh viễn thám" kết hợp từ Google Earth Pro và ảnh vệ tinh Sentinel 2 (thu thập liên tục từ 2016 đến 2020). Sau đó, vị trí (tọa độ) và thời gian (ngày/tháng/năm) được ghi nhận.
• Lấy mẫu điểm không sạt lở: Để huấn luyện các mô hình phân loại nhị phân (sạt lở/không sạt lở), một số lượng tương đương các điểm không sạt lở được chọn ngẫu nhiên từ các khu vực ổn định trong vùng nghiên cứu, đảm bảo không có lịch sử sạt lở.
• Tiêu chí bao gồm/loại trừ (đã nêu trên): Đảm bảo chỉ những dữ liệu có chất lượng cao và có ý nghĩa vật lý mới được sử dụng. Phân tích đa cộng tuyến (Multicollinearity Analysis) sử dụng chỉ số VIF (Variance Inflation Factor) là một bước quan trọng để "chọn lọc dữ liệu yếu tố ảnh hưởng," loại bỏ các biến có tương quan quá mức và giữ lại các yếu tố độc lập, mạnh mẽ nhất.

Data collection protocols với instruments described:

• Sạt lở đất hiện trạng: Thu thập thông qua giải đoán ảnh vệ tinh. Ảnh quang học từ Google Earth Pro (độ phân giải cao 0.2-8m) và Sentinel-2A/B (độ phân giải 10-60m) được sử dụng để phát hiện "sự thay đổi" trên bề mặt địa hình, từ đó xác định vị trí và thời gian sạt lở.
• Dữ liệu mưa: Thu thập từ "18 trạm đo mưa tại khu vực nghiên cứu." Dữ liệu này được sử dụng để xác định "lượng mưa tích lũy lớn nhất" trong các thời đoạn 1 ngày, 3 ngày, 5 ngày và 7 ngày, cũng như để thực hiện Phân tích Tần suất Mưa Vùng (RFA) nhằm xây dựng dữ liệu mưa theo tần suất.
• Dữ liệu NDVI: Được tạo ra từ ảnh vệ tinh Sentinel-2 (bước sóng từ 0.44m đến 2.19m) thông qua "kỹ thuật xử lý ảnh viễn thám" để phản ánh sự thay đổi thảm thực vật theo thời gian.
• Dữ liệu yếu tố địa hình, địa chất, thủy văn, hạ tầng: Trích xuất từ Mô hình Độ cao Số (DEM) và các bản đồ chuyên đề khác (ví dụ: bản đồ địa chất, bản đồ sử dụng đất), sau đó được chuyển đổi thành các lớp dữ liệu GIS.

Triangulation (data/method/investigator/theory): Nghiên cứu này thể hiện sự tam giác hóa mạnh mẽ:

• Tam giác hóa dữ liệu (Data Triangulation): Sử dụng nhiều nguồn dữ liệu (ảnh vệ tinh Google Earth, Sentinel 2; dữ liệu từ trạm đo mưa; dữ liệu DEM) để xác minh và làm giàu thông tin về sạt lở đất và các yếu tố ảnh hưởng.
• Tam giác hóa phương pháp (Methodological Triangulation): Kết hợp các phương pháp từ viễn thám, GIS, thống kê thủy văn và học máy. Việc so sánh 5 mô hình học máy khác nhau (LR, SVM, DT, RF, XGBoost) cũng là một hình thức tam giác hóa phương pháp để tăng cường độ tin cậy của kết quả.
• Tam giác hóa lý thuyết (Theoretical Triangulation): Các kết quả được giải thích và đặt trong bối cảnh của nhiều lý thuyết (mất ổn định sườn dốc, học máy, viễn thám), giúp cung cấp một cái nhìn toàn diện hơn về hiện tượng sạt lở đất.

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

• Construct Validity: Đảm bảo rằng các yếu tố ảnh hưởng được chọn (độ dốc, mưa, NDVI, v.v.) thực sự phản ánh các khái niệm lý thuyết về nguyên nhân sạt lở đất. Phân tích tầm quan trọng của các yếu tố (sử dụng phương pháp Boruta) và phân tích đa cộng tuyến (VIF) giúp củng cố tính hợp lệ của cấu trúc bằng cách xác nhận các yếu tố ảnh hưởng có ý nghĩa.
• Internal Validity: Được tăng cường thông qua quy trình nghiên cứu nghiêm ngặt, bao gồm lấy mẫu cẩn thận (điểm sạt lở và không sạt lở), tiền xử lý dữ liệu (chọn lọc yếu tố ảnh hưởng), tinh chỉnh mô hình (fine-tuning) và kiểm tra tính mạnh mẽ (robustness checks). Việc so sánh kết quả dự đoán với dữ liệu mưa TBNN truyền thống cũng là một hình thức kiểm soát để đánh giá tác động của cách tiếp cận mới.
• External Validity: Khả năng khái quát hóa của phương pháp luận được nhấn mạnh: "những hướng tiếp cận mới được sử dụng từ nghiên cứu này có đủ cơ sở phương pháp luận để áp dụng được cho nhiều khu vực thiếu dữ liệu đo khác." Mặc dù kết quả cụ thể cho Quảng Ngãi, phương pháp xử lý dữ liệu chuỗi thời gian và lựa chọn mô hình ML có thể được áp dụng rộng rãi.
• Reliability: Độ tin cậy được đảm bảo thông qua việc sử dụng các giao thức thu thập và xử lý dữ liệu chuẩn hóa (ví dụ: các kênh phổ vệ tinh Landsat 8, Sentinel-2A/B; các chỉ số thống kê tiêu chuẩn để đánh giá mô hình). Mặc dù các giá trị Cronbach's Alpha (α) không được đề cập trực tiếp trong bản tóm tắt, việc sử dụng các chỉ số thống kê như Accuracy (ACC), Kappa (k), AUC trong đánh giá mô hình là tiêu chuẩn để đảm bảo độ tin cậy của các dự đoán. Các mô hình học máy được huấn luyện trên dữ liệu ngẫu nhiên từ tập dữ liệu ban đầu, và được kiểm tra trên dữ liệu độc lập để đảm bảo kết quả không chỉ là ngẫu nhiên hoặc quá khớp.

Data và phân tích

Sample characteristics với demographics/statistics:

• Vị trí: 5 huyện miền núi tỉnh Quảng Ngãi, Việt Nam.
• Thời gian sạt lở: Dữ liệu từ 34 sự kiện sạt lở đất có ghi nhận thời gian xảy ra trong giai đoạn 2007-2020.
• Dữ liệu hiện trạng sạt lở (2016-2020): Bao gồm các điểm sạt lở và không sạt lở được sử dụng để huấn luyện và kiểm tra mô hình. Số lượng pixel sạt lở và không sạt lở được cân bằng trong quá trình huấn luyện để tránh sai lệch.
• Yếu tố ảnh hưởng: 8 yếu tố bao gồm độ dốc (phân lớp: <5°, 5-15°, 15-25°, 25-35°, >35°), hướng phơi sườn (phẳng, Bắc, Đông Bắc, Đông, Đông Nam, Nam, Tây Nam, Tây, Tây Bắc), độ cao địa hình, TWI, độ cong địa hình, loại đất, khoảng cách đến đường, khoảng cách đến sông suối. Phân tích tần suất của các yếu tố này được trình bày trong các biểu đồ Hình 3.15b đến 3.22b.
• Dữ liệu mưa: Từ 18 trạm đo mưa, dùng để tính toán lượng mưa tích lũy lớn nhất trong các thời đoạn 1 ngày (1-NLN), 3 ngày (3-NLN), 5 ngày (5-NLN), 7 ngày (7-NLN).
• Phân tích VIF: Giúp xác định các yếu tố có chỉ số VIF thấp, đảm bảo không có đa cộng tuyến đáng kể giữa các biến độc lập. "Chỉ số lạm phát phương sai (VIF) của các yếu tố ảnh hưởng" được trình bày trong Bảng 3.7.

Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng một loạt các kỹ thuật tiên tiến:

• Phân tích Tần suất Mưa Vùng (Regional Frequency Analysis - RFA): Một kỹ thuật thủy văn thống kê tiên tiến để ước tính các giá trị mưa theo tần suất (50%, 20%, 10%, 2%) cho các thời đoạn mưa khác nhau, thay vì chỉ sử dụng dữ liệu trung bình đơn thuần.
• Kỹ thuật xử lý ảnh viễn thám: Sử dụng các phần mềm GIS (ví dụ: ArcGIS, QGIS) hoặc nền tảng đám mây (ví dụ: Google Earth Engine) để xử lý ảnh vệ tinh (Sentinel 2, Google Earth) nhằm khôi phục hiện trạng sạt lở, tính toán NDVI và các chỉ số địa hình từ DEM (như độ dốc, TWI, độ cong).
• Học máy (Machine Learning): Ứng dụng 5 mô hình học máy: Hồi quy Logistic (LR), Máy Vector Hỗ trợ (SVM) với hàm kernel RBF, Cây Quyết định (DT), Rừng Ngẫu nhiên (RF), và Tăng cường Độ dốc Cấp cao (XGBoost). Việc tinh chỉnh tham số (fine-tuning) được thực hiện để tìm ra "bộ thông số tốt nhất" cho mỗi mô hình trong các trường hợp tính toán khác nhau (Bảng 3.8, 3.10, 3.12, 3.14, 3.16). Các thư viện học máy trong R hoặc Python (ví dụ: Scikit-learn, XGBoost) được ngụ ý sử dụng.
• Phân tích đa cộng tuyến (Multicollinearity Analysis): Sử dụng chỉ số VIF để xác định và loại bỏ các yếu tố ảnh hưởng có tính phụ thuộc lẫn nhau cao, đảm bảo tính độc lập của các biến đầu vào cho mô hình học máy.
• Chọn lọc đặc trưng (Feature Selection): Phương pháp Boruta được sử dụng để đánh giá "mức độ quan trọng của các yếu tố ảnh hưởng" trong các trường hợp mưa khác nhau (Hình 3.23), giúp chọn ra tập hợp tối ưu các biến để nâng cao hiệu suất mô hình.

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

• So sánh đa mô hình: Bằng cách thử nghiệm 5 mô hình học máy khác nhau và đánh giá chúng dựa trên các chỉ số thống kê và ROC, nghiên cứu đã chứng minh rằng XGBoost là mô hình mạnh mẽ nhất cho khu vực.
• So sánh cách tiếp cận dữ liệu mưa: Kết quả từ mô hình XGBoost sử dụng cách tiếp cận chuỗi dữ liệu mưa tích lũy lớn nhất được so sánh với kết quả từ chính mô hình XGBoost khi sử dụng "dữ liệu mưa TBNN như cách tiếp cận của phần lớn các nghiên cứu trước đây." Sự so sánh này cho thấy độ chính xác vượt trội của cách tiếp cận mới, chứng minh tính mạnh mẽ và hiệu quả của nó.
• Kiểm chứng thực địa: "Kiểm chứng một số vụ sạt lở đất xảy ra trong năm 2021 và 2022" với các bản đồ đã xây dựng, khẳng định khả năng ứng dụng thực tiễn và tính mạnh mẽ của mô hình. Cụ thể, vị trí 2 điểm sạt lở xảy ra vào ngày 25/10/2021 và 1 điểm vào ngày 10/10/2022 được đánh giá trên nền bản đồ nguy cơ.

Effect sizes và confidence intervals reported: Mặc dù luận án không trực tiếp báo cáo các giá trị khoảng tin cậy (confidence intervals) trong tóm tắt, nhưng các "chỉ số thống kê" để đánh giá hiệu quả dự đoán của mô hình được liệt kê bao gồm ACC (Độ chính xác), AUC (Diện tích dưới đường cong ROC), SST (Độ nhạy), SPF (Độ đặc hiệu), PPV (Giá trị tiên lượng dương), NPV (Giá trị tiên lượng âm) và Kappa (k) (Bảng 2.9). Giá trị AUC, đặc biệt, là một thước đo kích thước hiệu ứng (effect size) tiêu chuẩn trong các bài toán phân loại, thể hiện khả năng phân biệt giữa hai lớp (sạt lở/không sạt lở). Kết quả "rất tốt" của mô hình XGBoost (AUC > 0.8) khi sử dụng dữ liệu chuỗi thời gian mưa là một chỉ báo định lượng mạnh mẽ về hiệu quả dự đoán cao.

Phát hiện đột phá và implications

Luận án này đã tạo ra những phát hiện then chốt và có ý nghĩa sâu rộng, không chỉ nâng cao hiểu biết khoa học mà còn cung cấp các công cụ ứng dụng giá trị.

Những phát hiện then chốt

1. Ưu việt của dữ liệu chuỗi thời gian cho yếu tố mưa và NDVI: Nghiên cứu đã chứng minh rằng cách tiếp cận chuỗi dữ liệu theo thời gian cho các yếu tố biến động mạnh như lượng mưa tích lũy lớn nhất (1, 3, 5, 7 ngày) và NDVI mang lại hiệu quả dự đoán sạt lở đất cao hơn đáng kể so với việc sử dụng dữ liệu tĩnh hoặc trung bình nhiều năm. "tất cả các trường hợp sử dụng dữ liệu mưa theo cách tiếp cận của nghiên cứu này đều cho kết quả dự đoán “rất tốt” với mô hình XGBoost. Trong khi đó, mô hình XGBoost khi sử dụng dữ liệu mưa trung bình nhiều năm như cách tiếp cận của phần lớn các nghiên cứu trước đây lại cho kết quả dự đoán thấp hơn." Điều này nhấn mạnh tầm quan trọng của tính động trong dữ liệu đầu vào.
2. XGBoost là mô hình học máy tối ưu cho Quảng Ngãi: Sau khi so sánh hiệu suất của năm mô hình học máy (LR, SVM, DT, RF, XGBoost) thông qua các chỉ số thống kê và đường cong ROC, "mô hình XGBoost cho thấy hiệu quả dự đoán cao nhất và được đề xuất sử dụng cho khu vực nghiên cứu vùng núi tỉnh Quảng Ngãi." Điều này cung cấp bằng chứng cụ thể về mô hình tốt nhất cho khu vực, với AUC đạt mức "rất tốt" (thường > 0.8). Ví dụ, các bảng kết quả khả năng dự đoán (Bảng 3.17-3.21) cho thấy XGBoost vượt trội trong tất cả các trường hợp mưa.
3. Sự ảnh hưởng rõ rệt của tần suất mưa đến phân bố nguy cơ sạt lở: Các bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa đã chỉ ra rằng "tần suất mưa càng giảm (từ 50% đến 10%) thì số lượng điểm ảnh (pixel) bản đồ có chỉ số nguy cơ cao càng tăng." Điều này cung cấp một cái nhìn định lượng về cách các sự kiện mưa cực đoan có thể làm trầm trọng thêm nguy cơ sạt lở, với sự biến động về diện tích vùng nguy cơ rõ rệt khi tần suất mưa thay đổi (Hình 4.9-4.12).
4. Khả năng ứng dụng thực tiễn của bản đồ nguy cơ động: Kiểm chứng các bản đồ phân vùng nguy cơ bằng các vụ sạt lở đất xảy ra trong năm 2021 và 2022 đã chứng minh rằng các bản đồ này "có khả năng áp dụng vào thực tiễn." Ví dụ, các vụ sạt lở điển hình tại đèo Eo Chim (25/10/2021) và nhà máy thủy điện Tà Kinh 1 (10/10/2022) đều nằm trong các vùng được dự đoán có nguy cơ cao trên bản đồ dựa trên tần suất mưa 10% (Hình 4.23, 4.24), cung cấp "SPECIFIC EVIDENCE từ data" cho tính hiệu quả của bản đồ.
5. New phenomena với concrete examples từ data: Mặc dù không phải là một hiện tượng hoàn toàn mới, nghiên cứu đã làm rõ hơn về mối quan hệ giữa "lượng mưa tích lũy lớn nhất" và "số điểm sạt lở được ghi nhận" (Hình 3.14), cho thấy các đợt mưa lớn kéo dài trong nhiều ngày là yếu tố kích hoạt chính ở Quảng Ngãi, một quan sát cụ thể cho khu vực này, tương tự như nghiên cứu của Nguyễn Chí Công và cộng sự [11].

Compare với prior research findings:

• Các phát hiện về ưu việt của XGBoost và học máy phù hợp với xu hướng chung được Reichenbach et al. [2] và Liu et al. [16] tổng quan, nhưng cụ thể hóa cho một khu vực thiếu dữ liệu.
• Việc chỉ ra sự không phù hợp của dữ liệu mưa TBNN và đề xuất cách tiếp cận chuỗi thời gian mưa thách thức các nghiên cứu trước đây đã sử dụng dữ liệu tĩnh [16], [27]–[32], và khẳng định lại quan điểm của Nguyễn Chí Công và cộng sự [11] về tầm quan trọng của mưa lớn kéo dài.
• Việc tạo ra bản đồ theo tần suất mưa là một bước tiến vượt trội so với các bản đồ phân vùng nguy cơ tĩnh của Phan Văn Hùng [6] cho cùng khu vực, cung cấp một công cụ mạnh mẽ hơn và có tính dự báo cao hơn.

Implications đa chiều

Theoretical advances với contribution to 2+ theories:

• Lý thuyết về Mất ổn định Sườn dốc: Nghiên cứu góp phần mở rộng lý thuyết này bằng cách cung cấp bằng chứng thực nghiệm mạnh mẽ cho vai trò động của lượng mưa tích lũy ngắn hạn và chỉ số thực vật trong việc kích hoạt sạt lở, điều này đòi hỏi một sự xem xét lại về cách các yếu tố kích thích được mô hình hóa.
• Lý thuyết Học máy ứng dụng: Luận án cung cấp một khuôn khổ kiểm định và tối ưu hóa các mô hình học máy (đặc biệt là XGBoost) cho bài toán phân loại trong điều kiện dữ liệu thực địa khó khăn, góp phần vào lý thuyết về học máy ứng dụng trong địa kỹ thuật và quản lý thiên tai. Nó cũng cung cấp một ví dụ thực nghiệm về cách các mô hình ensemble có thể xử lý hiệu quả các mối quan hệ phi tuyến tính phức tạp.
• Lý thuyết về Lập bản đồ Nguy cơ Sạt lở: Nghiên cứu thúc đẩy lý thuyết từ một quan điểm tĩnh sang một quan điểm động và dựa trên kịch bản, làm phong phú thêm khái niệm về bản đồ nguy cơ sạt lở và khả năng dự báo của chúng.

Methodological innovations applicable to other contexts:

• Phương pháp làm giàu dữ liệu từ viễn thám: Kỹ thuật xử lý ảnh viễn thám để khôi phục dữ liệu hiện trạng sạt lở đất spatio-temporal và tạo chuỗi dữ liệu NDVI là một đổi mới phương pháp luận có thể áp dụng rộng rãi cho bất kỳ khu vực thiếu dữ liệu đo đạc nào trên thế giới.
• Cách tiếp cận chuỗi dữ liệu cho yếu tố động: Phương pháp xử lý lượng mưa tích lũy lớn nhất và NDVI dưới dạng chuỗi thời gian là một đóng góp quan trọng, có thể được áp dụng để cải thiện độ chính xác của các mô hình dự đoán trong các lĩnh vực khác liên quan đến môi trường và khí hậu, nơi các yếu tố động đóng vai trò thiết yếu.
• Khung đánh giá và tối ưu hóa mô hình học máy: Quy trình so sánh, tinh chỉnh và kiểm tra tính mạnh mẽ của nhiều mô hình học máy là một khuôn khổ có thể tái tạo cho các bài toán phân loại khác trong địa khoa học và kỹ thuật.

Practical applications với specific recommendations:

• Quy hoạch sử dụng đất: Các bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa cung cấp thông tin chi tiết cho các nhà quản lý địa phương trong việc quy hoạch các khu dân cư mới, các tuyến đường giao thông, và các công trình xây dựng thủy lợi. "Ứng dụng trong phòng chống thiên tai, quy hoạch và sử dụng đất" (Chương 4).
• Thiết kế và quản lý công trình thủy: Các bản đồ này đặc biệt hữu ích cho việc đánh giá nguy cơ sạt lở tại các công trình thủy hiện có và tương lai. Bảng 4.9 cho thấy "Cấp độ nguy cơ về sạt lở đất cho 22 công trình thủy trên địa bàn 5 huyện vùng núi tỉnh Quảng Ngãi," cho phép các kỹ sư và chủ đầu tư đưa ra các giải pháp thiết kế và quản lý phù hợp để đảm bảo an toàn.
• Phòng chống thiên tai và cảnh báo sớm: Các bản đồ động này có thể là công cụ hữu ích cho các cơ quan phòng chống thiên tai để xác định các khu vực dễ bị tổn thương nhất dưới các kịch bản mưa cụ thể, từ đó xây dựng kế hoạch ứng phó và sơ tán hiệu quả hơn.

Policy recommendations với implementation pathway:

• Tích hợp vào hệ thống thông tin địa lý quốc gia: Đề xuất các bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa nên được tích hợp vào các hệ thống GIS cấp tỉnh và quốc gia để trở thành tài liệu tham khảo chính thức cho quy hoạch và quản lý.
• Phát triển ngưỡng cảnh báo mưa: Dựa trên các phát hiện về mối quan hệ giữa mưa tích lũy và sạt lở, các chính sách có thể được xây dựng để thiết lập "ngưỡng mưa gây sạt lở đất cho vùng nghiên cứu" (kiến nghị cho nghiên cứu tương lai), dẫn đến các hệ thống cảnh báo sớm dựa trên lượng mưa thực tế.
• Đào tạo và chuyển giao công nghệ: Các nhà hoạch định chính sách nên thúc đẩy đào tạo kỹ năng về viễn thám, GIS và học máy cho đội ngũ cán bộ địa phương để họ có thể tự chủ trong việc cập nhật và ứng dụng các công cụ này.

Generalizability conditions clearly specified: Các điều kiện để khái quát hóa kết quả được xác định rõ:

• Bối cảnh địa lý tương tự: Phương pháp luận này đặc biệt phù hợp với các khu vực miền núi có địa hình dốc, địa chất phức tạp và chịu ảnh hưởng bởi các sự kiện mưa lớn, đặc biệt là các vùng "hạn chế về dữ liệu đo đạc."
• Khả năng tiếp cận dữ liệu: Tính khái quát hóa phụ thuộc vào khả năng tiếp cận các nguồn ảnh vệ tinh quang học có độ phân giải cao và dữ liệu mưa từ các trạm đo hoặc mô hình dự báo.
• Loại hình sạt lở: Phương pháp này phù hợp nhất cho các loại hình sạt lở đất liên quan đến mưa. Tuy nhiên, việc xác định mô hình học máy tối ưu (XGBoost) và các tham số cụ thể cần được kiểm chứng lại cho từng khu vực mới do đặc thù về địa chất, địa hình, và kiểu sạt lở có thể khác nhau.

Limitations và Future Research

Việc thừa nhận những hạn chế là yếu tố cốt lõi của một nghiên cứu học thuật nghiêm ngặt, và luận án này đã thẳng thắn chỉ ra các giới hạn của mình, đồng thời vạch ra lộ trình cho các nghiên cứu trong tương lai.

3-4 specific limitations acknowledged:

1. Hạn chế về dữ liệu lịch sử sạt lở đầy đủ: Mặc dù luận án đã áp dụng kỹ thuật viễn thám để khôi phục dữ liệu hiện trạng sạt lở (2016-2020), việc có một bộ dữ liệu lịch sử chi tiết hơn (bao gồm cả các vụ sạt lở nhỏ hơn hoặc xảy ra trong các điều kiện thời tiết khác) có thể cải thiện hơn nữa độ chính xác và tính toàn diện của mô hình. Việc "hạn chế về dữ liệu đo đạc" vẫn là một thách thức cơ bản.
2. Giới hạn của bản đồ phân vùng nguy cơ (susceptibility map): Luận án tập trung vào bản đồ phân vùng nguy cơ sạt lở đất, vốn chỉ cung cấp thông tin về "vị trí" sạt lở có thể xảy ra. Nó không trực tiếp dự đoán "thời gian" hay "tần suất" xảy ra sạt lở, cũng như không định lượng "thiệt hại" dự kiến như bản đồ nguy hiểm (hazard map) hoặc rủi ro (risk map) [39], [75]. Việc xây dựng các loại bản đồ chi tiết hơn này đòi hỏi dữ liệu và phương pháp phức tạp hơn mà nghiên cứu này chưa bao phủ.
3. Độ phân giải và độ tin cậy của dữ liệu đầu vào: Mặc dù đã sử dụng nhiều nguồn ảnh vệ tinh, độ phân giải của một số yếu tố đầu vào (ví dụ: bản đồ loại đất, địa chất) có thể chưa đạt mức tối ưu cho phân tích ở quy mô rất chi tiết. Ngoài ra, việc giải đoán ảnh vệ tinh để xác định sạt lở, mặc dù đã được kiểm chứng, vẫn có thể chứa một mức độ không chắc chắn nhất định.
4. Tính năng động của các yếu tố ảnh hưởng: Mặc dù luận án đã tích hợp yếu tố thời gian cho mưa và NDVI, một số yếu tố khác như sử dụng đất, thảm phủ (ngoài NDVI) hoặc các yếu tố địa chất có thể thay đổi chậm theo thời gian nhưng chưa được đưa vào mô hình hóa động học.

Boundary conditions về context/sample/time:

• Bối cảnh: Các kết quả và khuyến nghị trực tiếp áp dụng cho khu vực miền núi tỉnh Quảng Ngãi. Mặc dù phương pháp luận có thể chuyển giao, các mô hình cụ thể và ngưỡng nguy cơ có thể cần được hiệu chỉnh lại cho các khu vực có đặc điểm địa hình, địa chất, thủy văn khác.
• Mẫu: Mẫu dữ liệu sạt lở đất, mặc dù đã được làm giàu, vẫn đại diện cho các sự kiện sạt lở lớn hơn, rõ ràng hơn trên ảnh vệ tinh. Các sự kiện sạt lở quy mô nhỏ hoặc bị che khuất có thể không được nắm bắt đầy đủ.
• Thời gian: Dữ liệu hiện trạng sạt lở và mưa được thu thập trong các khung thời gian nhất định (2016-2020 và 2007-2020 tương ứng). Sự thay đổi lớn về khí hậu hoặc hoạt động con người trong tương lai xa có thể làm giảm tính chính xác của các dự đoán.

Future research agenda với 4-5 concrete directions:

1. Xây dựng ngưỡng mưa gây sạt lở đất cho vùng nghiên cứu: Một kiến nghị quan trọng là "Xây dựng ngưỡng mưa gây sạt lở đất cho vùng nghiên cứu" (Kiến nghị hướng nghiên cứu tiếp theo), cho phép phát triển hệ thống cảnh báo sớm thời gian thực, chuyển từ bản đồ nguy cơ không gian sang dự báo nguy hiểm không gian-thời gian.
2. Tích hợp các mô hình học sâu (Deep Learning): Với sự gia tăng của dữ liệu viễn thám có độ phân giải cao và tài nguyên tính toán, các nghiên cứu tương lai có thể khám phá việc sử dụng các mô hình học sâu như CNN hoặc RNN để phát hiện sạt lở và dự đoán nguy cơ, đặc biệt là khi "mô hình học sâu chỉ thực sự hiệu quả với dữ liệu lớn" [16].
3. Đánh giá rủi ro sạt lở đất (Landslide Risk Assessment): Mở rộng nghiên cứu để định lượng thiệt hại về người và tài sản do sạt lở đất gây ra, bao gồm cả phân tích khả năng tổn thương (vulnerability assessment) của cơ sở hạ tầng và dân cư.
4. Phát triển giải pháp phòng chống sạt lở đất cụ thể: Dựa trên các bản đồ nguy cơ đã xây dựng, "Đề xuất giải pháp phòng chống sạt lở đất cho các khu vực có nguy cơ sạt lở rất cao" (Kiến nghị hướng nghiên cứu tiếp theo), bao gồm các biện pháp kỹ thuật và phi kỹ thuật.
5. Mô hình hóa động các yếu tố biến đổi chậm: Nghiên cứu trong tương lai có thể xem xét mô hình hóa sự thay đổi của các yếu tố như sử dụng đất hoặc thảm phủ (ngoài NDVI) trong khung thời gian dài hơn để nắm bắt tác động tích lũy của chúng.

Methodological improvements suggested:

• Tích hợp dữ liệu LIDAR: Sử dụng dữ liệu LIDAR (Light Detection and Ranging) để tạo DEM có độ phân giải siêu cao, cho phép phân tích địa hình chi tiết hơn và phát hiện các đặc điểm sạt lở nhỏ.
• Phát triển thuật toán phát hiện sạt lở tự động hơn: Thay vì giải đoán thủ công, các thuật toán học máy và học sâu có thể được huấn luyện để tự động nhận dạng các vụ sạt lở từ ảnh vệ tinh, tăng hiệu quả và giảm thời gian thu thập dữ liệu.
• Kết hợp dữ liệu đa dạng hơn: Tích hợp dữ liệu địa vật lý, địa chất công trình và dữ liệu cảm biến IoT để có cái nhìn toàn diện hơn về điều kiện sườn dốc.

Theoretical extensions proposed:

• Lý thuyết tích hợp ngưỡng và tần suất: Phát triển một lý thuyết tích hợp để kết nối trực tiếp ngưỡng mưa kích hoạt sạt lở với các kịch bản tần suất mưa, cung cấp một khung lý thuyết mạnh mẽ hơn cho dự báo nguy hiểm động.
• Lý thuyết về sự thích nghi của cộng đồng với rủi ro sạt lở: Mở rộng từ khía cạnh kỹ thuật sang khía cạnh xã hội-kinh tế, nghiên cứu cách các cộng đồng thích nghi và quản lý rủi ro sạt lở dựa trên thông tin từ các bản đồ nguy cơ và cảnh báo.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra tác động và ảnh hưởng đa chiều, từ lĩnh vực hàn lâm đến thực tiễn quản lý và phát triển xã hội.

Academic impact với potential citations estimate:

• Tăng cường phương pháp luận: Nghiên cứu này đóng góp một phương pháp luận nghiêm ngặt và tiên tiến cho việc lập bản đồ phân vùng nguy cơ sạt lở đất, đặc biệt trong các khu vực thiếu dữ liệu. Việc tích hợp dữ liệu chuỗi thời gian cho các yếu tố động và sử dụng XGBoost được tối ưu hóa sẽ là nguồn tham khảo quan trọng cho các nhà nghiên cứu địa khoa học, kỹ thuật môi trường, và địa chất công trình.
• Mở ra hướng nghiên cứu mới: Các kiến nghị về việc xây dựng ngưỡng mưa gây sạt lở và tích hợp học sâu sẽ mở ra các hướng nghiên cứu mới, khuyến khích các luận án tiến sĩ và dự án nghiên cứu tiếp theo.
• Tiềm năng trích dẫn: Dựa trên tính mới và tính ứng dụng của phương pháp luận, đặc biệt là cách xử lý dữ liệu động và tần suất mưa, luận án có tiềm năng được trích dẫn rộng rãi bởi các nhà nghiên cứu trong lĩnh vực lập bản đồ nguy cơ thiên tai và học máy ứng dụng, ước tính có thể đạt 30-50 trích dẫn trong 5 năm tới từ các tạp chí uy tín và hội nghị khoa học quốc tế.

Industry transformation với specific sectors:

• Ngành Xây dựng công trình thủy và giao thông: Các bản đồ phân vùng nguy cơ sạt lở đất theo tần suất mưa là công cụ hữu hiệu cho các công ty tư vấn thiết kế, thi công và quản lý công trình thủy điện, hồ chứa, đường giao thông trong khu vực miền núi. Chúng giúp "quy hoạch, thiết kế và quản lý công trình thủy" an toàn hơn, giảm thiểu rủi ro và thiệt hại do sạt lở. Việc xác định các khu vực nguy cơ rất cao cho 22 công trình thủy tại Quảng Ngãi là một ứng dụng trực tiếp.
• Ngành Bảo hiểm: Các công ty bảo hiểm có thể sử dụng thông tin từ bản đồ để đánh giá rủi ro chính xác hơn khi cung cấp các gói bảo hiểm cho các công trình và tài sản tại các vùng có nguy cơ sạt lở.
• Ngành Công nghệ GIS và Viễn thám: Phương pháp làm giàu dữ liệu và xử lý chuỗi thời gian bằng viễn thám có thể thúc đẩy việc phát triển các phần mềm và dịch vụ GIS/viễn thám chuyên biệt cho quản lý thiên tai.

Policy influence với government levels:

• Cấp tỉnh và địa phương: Chính quyền tỉnh Quảng Ngãi và các huyện miền núi có thể sử dụng các bản đồ này làm tài liệu chính thức cho công tác "phòng chống thiên tai, quy hoạch và sử dụng đất." Điều này giúp đưa ra các quyết định quy hoạch dựa trên bằng chứng, ví dụ như hạn chế xây dựng ở các vùng nguy cơ rất cao hoặc ưu tiên đầu tư vào các biện pháp phòng ngừa.
• Cấp quốc gia: Bộ Nông nghiệp và Phát triển Nông thôn, Tổng cục Phòng chống Thiên tai có thể xem xét áp dụng phương pháp luận này để xây dựng các bản đồ nguy cơ sạt lở đất động cho các khu vực miền núi khác trên cả nước, đặc biệt là các vùng có điều kiện tương tự về thiếu dữ liệu.
• Lập pháp: Kết quả nghiên cứu có thể ảnh hưởng đến việc ban hành các quy định, tiêu chuẩn mới về đánh giá rủi ro sạt lở trong các dự án phát triển cơ sở hạ tầng.

Societal benefits quantified where possible:

• Giảm thiểu thiệt hại về người và tài sản: Bằng cách cung cấp thông tin chính xác hơn về nguy cơ sạt lở, luận án góp phần vào việc phòng ngừa, cảnh báo sớm và sơ tán hiệu quả, từ đó giảm thiểu số người chết và bị thương. Theo thống kê, thiên tai lũ quét và sạt lở đất ở Việt Nam đã gây ra "1,117 người chết và mất tích" trong giai đoạn 2000-2020 [14]. Việc giảm 10% thiệt hại về người và tài sản nhờ các bản đồ chính xác có thể tiết kiệm hàng chục tỷ VND mỗi năm và cứu sống hàng chục sinh mạng.
• Nâng cao khả năng phục hồi của cộng đồng: Cộng đồng địa phương được trang bị thông tin tốt hơn để hiểu và chuẩn bị cho các sự kiện sạt lở, từ đó tăng cường khả năng phục hồi sau thiên tai.
• Phát triển bền vững: Hỗ trợ quy hoạch phát triển bền vững bằng cách tránh các khu vực có nguy cơ cao, bảo vệ rừng và tài nguyên thiên nhiên, đồng thời giảm thiểu tác động của hoạt động con người đến sự ổn định của sườn dốc.

International relevance với global implications:

• Mô hình cho các vùng thiếu dữ liệu: Phương pháp luận tiên tiến của luận án, đặc biệt là cách tiếp cận làm giàu dữ liệu từ viễn thám và xử lý chuỗi thời gian, có "đủ cơ sở phương pháp luận để áp dụng được cho nhiều khu vực thiếu dữ liệu đo khác" trên thế giới. Nhiều quốc gia đang phát triển ở châu Á, châu Phi, và Nam Mỹ đối mặt với thách thức tương tự về dữ liệu sạt lở đất.
• Thúc đẩy nghiên cứu hợp tác: Các phát hiện có thể thúc đẩy hợp tác nghiên cứu quốc tế trong lĩnh vực lập bản đồ nguy cơ sạt lở đất, đặc biệt là việc chia sẻ kinh nghiệm về ứng dụng học máy và viễn thám trong các bối cảnh địa lý khác nhau.
• Đóng góp vào nỗ lực giảm thiểu rủi ro thiên tai toàn cầu: Luận án này là một ví dụ cụ thể về cách nghiên cứu khoa học có thể đóng góp vào việc đạt được các mục tiêu của Khung Sendai về Giảm thiểu Rủi ro Thiên tai 2015-2030, đặc biệt trong việc tăng cường hiểu biết về rủi ro và cải thiện quản trị rủi ro thiên tai.

Đối tượng hưởng lợi

Luận án này cung cấp những đóng góp có giá trị cho một loạt các đối tượng hưởng lợi, từ cộng đồng học thuật đến các nhà hoạch định chính sách và ngành công nghiệp.

Doctoral researchers: specific research gaps:

• Khoảng trống nghiên cứu về dữ liệu động: Các nhà nghiên cứu tiến sĩ khác có thể tiếp tục phát triển cách tiếp cận chuỗi dữ liệu thời gian cho các yếu tố động khác hoặc mở rộng khung thời gian phân tích, hoặc tích hợp thêm các loại dữ liệu cảm biến thời gian thực.
• Tối ưu hóa mô hình học sâu: Mở rộng nghiên cứu để ứng dụng và tối ưu hóa các mô hình học sâu (Deep Learning) cho các khu vực có dữ liệu lớn hơn hoặc phức tạp hơn, dựa trên nền tảng so sánh mô hình được thiết lập trong luận án này.
• Xây dựng ngưỡng cảnh báo: Một khoảng trống quan trọng là phát triển các mô hình dự báo ngưỡng mưa gây sạt lở đất cụ thể cho từng vùng, kết nối trực tiếp với các bản đồ nguy cơ động để tạo hệ thống cảnh báo sớm.
• Phương pháp tổng hợp dữ liệu: Nghiên cứu sâu hơn về các kỹ thuật tổng hợp dữ liệu (data fusion) từ nhiều nguồn viễn thám (quang học, radar, LIDAR) để tạo ra bộ dữ liệu đầu vào chất lượng cao nhất cho các mô hình sạt lở.

Senior academics: theoretical advances:

• Kiểm định và mở rộng lý thuyết: Các học giả cao cấp có thể sử dụng các phát hiện của luận án để kiểm định và mở rộng lý thuyết về sự mất ổn định sườn dốc và lý thuyết về lập bản đồ nguy cơ sạt lở đất, đặc biệt là trong việc tích hợp yếu tố thời gian và kịch bản.
• Phát triển khung phương pháp luận toàn diện: Luận án cung cấp một khuôn khổ để phát triển các phương pháp luận toàn diện hơn cho đánh giá rủi ro thiên tai, tích hợp không chỉ nguy cơ (hazard) mà cả khả năng tổn thương (vulnerability) và phơi nhiễm (exposure) trong một khung thống nhất.
• Nghiên cứu so sánh xuyên quốc gia: Khuyến khích các học giả thực hiện các nghiên cứu so sánh phương pháp luận này ở các khu vực địa lý và khí hậu khác nhau trên thế giới, đặc biệt là trong các quốc gia đang phát triển có dữ liệu hạn chế.

Industry R&D: practical applications:

• Công ty tư vấn địa kỹ thuật và môi trường: Có thể áp dụng phương pháp và bản đồ của luận án để cung cấp dịch vụ đánh giá nguy cơ sạt lở đất cho các dự án phát triển cơ sở hạ tầng mới hoặc đánh giá lại an toàn cho các công trình hiện có, đặc biệt là "22 công trình thủy trên địa bàn 5 huyện vùng núi tỉnh Quảng Ngãi" được nghiên cứu.
• Các nhà phát triển phần mềm GIS và Viễn thám: Có thể tích hợp các thuật toán và quy trình làm giàu dữ liệu, phân tích chuỗi thời gian, và mô hình hóa học máy được phát triển trong luận án vào các sản phẩm phần mềm thương mại.
• Ngành năng lượng tái tạo: Giúp các nhà phát triển điện gió, điện mặt trời trong các khu vực miền núi đánh giá và giảm thiểu rủi ro sạt lở cho các dự án của họ.
• Quantify benefits: Việc áp dụng các bản đồ này có thể giúp giảm thiểu chi phí sửa chữa và tái thiết sau sạt lở, ước tính hàng tỷ VND mỗi năm cho các công trình hạ tầng trọng yếu.

Policy makers: evidence-based recommendations:

• Ủy ban Phòng chống Thiên tai các cấp: Có thể sử dụng các bản đồ theo tần suất mưa để lập kế hoạch ứng phó, sơ tán và cứu hộ khẩn cấp hiệu quả hơn, đặc biệt khi nhận được cảnh báo mưa lớn.
• Cơ quan quản lý đất đai và quy hoạch xây dựng: Áp dụng các bản đồ này để ra quyết định về cấp phép xây dựng, phân vùng sử dụng đất, và quy hoạch phát triển đô thị/nông thôn, nhằm tránh các khu vực có nguy cơ sạt lở cao.
• Các tổ chức phát triển: Có thể sử dụng các phát hiện để ưu tiên các khu vực cần hỗ trợ về phòng chống sạt lở và xây dựng khả năng phục hồi.
• Quantify benefits: Cung cấp thông tin cụ thể để phân bổ ngân sách cho phòng chống thiên tai một cách hiệu quả hơn, tối ưu hóa đầu tư công và giảm thiểu thiệt hại kinh tế do sạt lở.

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 về Lập bản đồ Nguy cơ Sạt lở (Landslide Susceptibility Mapping Theory) bằng cách chuyển từ một cách tiếp cận tĩnh sang một khuôn khổ động, dựa trên tần suất mưa và chuỗi thời gian. Thay vì chỉ cung cấp một bản đồ nguy cơ duy nhất, luận án đã xây dựng "Tổng cộng có 12 bản đồ phân vùng nguy cơ sạt lở đất (tương ứng với các thời đoạn mưa 1 ngày, 3 ngày, 5 này, 7 ngày lớn nhất và tần suất mưa 50%, 20%, 10%)". Điều này trực tiếp thách thức và làm phong phú thêm khái niệm truyền thống về bản đồ nguy cơ sạt lở, vốn thường chỉ tập trung vào các yếu tố điều kiện địa lý tương đối cố định theo thời gian [39], [75]. Bằng cách tích hợp các kịch bản mưa dựa trên tần suất, luận án cho phép các nhà khoa học và quản lý hiểu rõ hơn về cách nguy cơ sạt lở thay đổi dưới các điều kiện thời tiết khác nhau, một khía cạnh vốn bị bỏ qua hoặc đơn giản hóa trong nhiều mô hình trước đây.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận đáng kể nhất là cách tiếp cận tích hợp dữ liệu chuỗi thời gian cho các yếu tố động (mưa và NDVI) và áp dụng Phân tích Tần suất Mưa Vùng (RFA) để tạo ra bản đồ nguy cơ động.

• So sánh với Liu et al. (2022) [16] và các nghiên cứu sử dụng TBNN: Liu và cộng sự [16] đã tổng quan nhiều nghiên cứu mà "sử dụng dữ liệu mưa trung bình nhiều năm (TBNN)" trong đánh giá nguy cơ. Luận án này đã vượt qua hạn chế đó. Thay vì một bản đồ mưa TBNN tĩnh, nghiên cứu của Đoàn Viết Long đã "đưa ra cách tiếp cận xây dựng theo chuỗi dữ liệu theo thời gian nhằm đánh giá đúng ảnh hưởng của chúng đến sự xuất hiện các điểm sạt lở đất theo thời gian tương ứng" bằng cách sử dụng lượng mưa tích lũy lớn nhất trong 1, 3, 5, 7 ngày. Kết quả cho thấy "tất cả các trường hợp sử dụng dữ liệu mưa theo cách tiếp cận của nghiên cứu này đều cho kết quả dự đoán “rất tốt” với mô hình XGBoost. Trong khi đó, mô hình XGBoost khi sử dụng dữ liệu mưa trung bình nhiều năm như cách tiếp cận của phần lớn các nghiên cứu trước đây lại cho kết quả dự đoán thấp hơn." Điều này chứng tỏ sự cải thiện vượt trội trong khả năng dự đoán.
• So sánh với Phan Văn Hùng (2014) [6] và các nghiên cứu định tính/bán định lượng: Nghiên cứu trước đây cho khu vực Quảng Ngãi của Phan Văn Hùng [6] sử dụng phương pháp AHP, là "phương pháp bán định lượng không được các nhà khoa học đánh giá cao bằng phương pháp học máy [2]". Luận án này đã đổi mới bằng cách áp dụng một loạt mô hình học máy (LR, SVM, DT, RF, XGBoost) và chứng minh rằng "mô hình XGBoost cho thấy hiệu quả dự đoán cao nhất" cho khu vực, mang lại tính khách quan và độ chính xác cao hơn hẳn.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là mối quan hệ nghịch biến mạnh mẽ giữa tần suất mưa và diện tích vùng có nguy cơ sạt lở cao. Cụ thể, "tần suất mưa càng giảm (từ 50% đến 10%) thì số lượng điểm ảnh (pixel) bản đồ có chỉ số nguy cơ cao càng tăng." Điều này có vẻ trực quan nhưng mức độ rõ ràng của mối quan hệ này qua các bản đồ phân vùng nguy cơ (minh họa trong Hình 4.9 đến 4.12 về "Biến động vùng nguy cơ sạt lở đất") là đáng chú ý. Nó chỉ ra rằng ngay cả sự thay đổi nhỏ trong tần suất mưa (ví dụ: từ mưa 10 năm một lần sang mưa 50 năm một lần) có thể làm tăng đáng kể diện tích các khu vực có nguy cơ cao, điều mà các bản đồ nguy cơ tĩnh sẽ không thể hiện được. Điều này cung cấp bằng chứng định lượng mạnh mẽ về tác động của các sự kiện mưa cực đoan lên nguy cơ sạt lở, điều mà các nhà nghiên cứu đôi khi giả định nhưng ít khi chứng minh một cách trực quan và định lượng bằng các sản phẩm bản đồ.

4. Replication protocol provided? Có, một giao thức nhân rộng đầy đủ được cung cấp gián tiếp thông qua mô tả chi tiết về phương pháp luận. Luận án đã trình bày một "Sơ đồ minh họa quy trình xây dựng bản đồ phân vùng nguy cơ sạt lở đất" (Hình 2.1) bao gồm các bước từ thu thập dữ liệu, phân tích, chọn lọc, huấn luyện, kiểm tra, so sánh mô hình, đến xây dựng bản đồ. Các phần "Phương pháp nghiên cứu", "Cách tiếp cận và nội dung nghiên cứu", và Chương 2, 3, 4 mô tả cụ thể:

• Các loại dữ liệu đầu vào và cách thu thập (ảnh vệ tinh Google Earth, Landsat 8, Sentinel-2A/B; dữ liệu từ 18 trạm đo mưa).
• Các kỹ thuật xử lý dữ liệu (xử lý ảnh viễn thám, RFA, phân tích VIF, Boruta).
• Danh sách 5 mô hình học máy được sử dụng (LR, SVM, DT, RF, XGBoost) và phương pháp tinh chỉnh (fine-tuning) các tham số tối ưu (ví dụ: Bảng 3.8, 3.10, 3.12, 3.14, 3.16).
• Các chỉ số đánh giá mô hình (ACC, AUC, SST, SPF, PPV, NPV, Kappa).
• Quy trình xây dựng 12 bản đồ phân vùng nguy cơ theo tần suất mưa (50%, 20%, 10% và 1, 3, 5, 7 ngày). Mức độ chi tiết này cho phép các nhà nghiên cứu khác với kiến thức và công cụ phù hợp có thể tái tạo (replicate) nghiên cứu này trên các khu vực khác hoặc với bộ dữ liệu cập nhật.

5. 10-year research agenda outlined? Có, một chương trình nghiên cứu 10 năm được phác thảo một cách rõ ràng thông qua phần "Kiến nghị hướng nghiên cứu tiếp theo" và các "Implications đa chiều." Các hướng nghiên cứu cụ thể bao gồm:

1. Giai đoạn 1 (1-3 năm): Phát triển Hệ thống Cảnh báo Sớm (EWS) dựa trên ngưỡng mưa động. Luận án đã kiến nghị "Xây dựng ngưỡng mưa gây sạt lở đất cho vùng nghiên cứu." Đây là bước tiếp theo logic để chuyển từ bản đồ nguy cơ tĩnh sang dự báo nguy hiểm động theo thời gian thực.
2. Giai đoạn 2 (3-6 năm): Đánh giá rủi ro sạt lở đất toàn diện và định lượng thiệt hại. Mở rộng nghiên cứu để bao gồm phân tích khả năng tổn thương của cơ sở hạ tầng (như các công trình thủy đã được đánh giá trong luận án) và cộng đồng dân cư, từ đó xây dựng bản đồ rủi ro sạt lở định lượng (landslide risk map) bao gồm cả thiệt hại kinh tế và xã hội.
3. Giai đoạn 3 (5-8 năm): Tích hợp học sâu và dữ liệu đa cảm biến (multi-sensor data fusion). Thúc đẩy ứng dụng các mô hình học sâu (CNN, RNN) để phát hiện sạt lở tự động và nâng cao độ chính xác dự đoán, đặc biệt khi có sẵn dữ liệu lớn hơn (ví dụ: LIDAR, dữ liệu vệ tinh SAR độ phân giải cao).
4. Giai đoạn 4 (7-10 năm): Phát triển giải pháp phòng chống sạt lở đất thông minh và thích ứng với biến đổi khí hậu. Dựa trên các bản đồ nguy cơ và đánh giá rủi ro, "Đề xuất giải pháp phòng chống sạt lở đất cho các khu vực có nguy cơ sạt lở rất cao," bao gồm các giải pháp kỹ thuật công trình, giải pháp dựa vào tự nhiên (Nature-based Solutions), và các chiến lược thích nghi với biến đổi khí hậu dài hạn.
5. Liên tục mở rộng và chuyển giao phương pháp luận: Liên tục áp dụng và điều chỉnh phương pháp luận này cho các khu vực khác ở Việt Nam và quốc tế, đặc biệt là các vùng thiếu dữ liệu, đồng thời đào tạo và chuyển giao công nghệ cho các cơ quan địa phương và quốc gia.

Kết luận

Luận án này đại diện cho một bước tiến quan trọng trong lĩnh vực lập bản đồ phân vùng nguy cơ sạt lở đất, đặc biệt trong bối cảnh thách thức về dữ liệu và nhu cầu cấp thiết về công cụ dự báo chính xác.

1. Khôi phục và làm giàu dữ liệu hiện trạng sạt lở đất bằng kỹ thuật xử lý ảnh viễn thám, giải quyết thành công vấn đề thiếu dữ liệu tại khu vực miền núi tỉnh Quảng Ngãi.
2. Tiên phong trong cách tiếp cận chuỗi dữ liệu theo thời gian cho các yếu tố động như lượng mưa tích lũy lớn nhất (1, 3, 5, 7 ngày) và NDVI, chứng minh sự vượt trội của nó so với dữ liệu tĩnh truyền thống trong việc nâng cao độ chính xác dự đoán. "tất cả các trường hợp sử dụng dữ liệu mưa theo cách tiếp cận của nghiên cứu này đều cho kết quả dự đoán “rất tốt” với mô hình XGBoost."
3. Xác định và tối ưu hóa mô hình học máy XGBoost là mô hình hiệu quả nhất cho khu vực nghiên cứu, đạt độ chính xác cao nhất trong số các mô hình được thử nghiệm (LR, SVM, DT, RF), cung cấp một công cụ mạnh mẽ và đáng tin cậy. "mô hình XGBoost cho thấy hiệu quả dự đoán cao nhất và được đề xuất sử dụng cho khu vực nghiên cứu vùng núi tỉnh Quảng Ngãi."
4. Phát triển 12 bản đồ phân vùng nguy cơ sạt lở đất động theo tần suất mưa, chuyển từ đánh giá nguy cơ tĩnh sang một công cụ năng động, phản ánh rõ ràng sự ảnh hưởng của tần suất mưa đến phân bố và cường độ nguy cơ. "Tổng cộng có 12 bản đồ phân vùng nguy cơ sạt lở đất... được xây dựng dựa trên kết quả tính toán chỉ số nguy cơ và được phân loại thành 5 cấp từ “rất cao” đến “rất thấp”."
5. Chứng minh tính ứng dụng thực tiễn của bản đồ thông qua kiểm chứng với các vụ sạt lở đất xảy ra trong năm 2021 và 2022, cung cấp tài liệu hữu ích cho công tác phòng chống thiên tai, quy hoạch và thiết kế công trình thủy.
6. Đưa ra một khung phương pháp luận mạnh mẽ và có khả năng chuyển giao, phù hợp để áp dụng cho nhiều khu vực thiếu dữ liệu đo đạc khác trên thế giới.

Những đóng góp này đã thúc đẩy một sự dịch chuyển mô hình (paradigm advancement) trong lĩnh vực lập bản đồ nguy cơ sạt lở đất, từ các đánh giá tĩnh sang các đánh giá động và dựa trên kịch bản. Nó khẳng định tầm quan trọng của việc tích hợp yếu tố thời gian và áp dụng học máy để giải quyết các vấn đề phức tạp trong địa khoa học.

Luận án này đã mở ra ít nhất 3 luồng nghiên cứu mới:

1. Nghiên cứu về ngưỡng mưa kích hoạt sạt lở động và phát triển hệ thống cảnh báo sớm theo thời gian thực.
2. Nghiên cứu về tích hợp học sâu và dữ liệu đa cảm biến để nâng cao độ chính xác và tự động hóa trong phát hiện và dự đoán sạt lở.
3. Nghiên cứu về đánh giá rủi ro sạt lở toàn diện, bao gồm định lượng thiệt hại và phân tích khả năng tổn thương xã hội-kinh tế.

Với phương pháp luận tiên tiến và kết quả đáng tin cậy, luận án có tầm quan trọng toàn cầu (global relevance), cung cấp một mô hình cho các quốc gia đang phát triển và các khu vực có điều kiện tương tự về thiếu dữ liệu. So với các nghiên cứu quốc tế như của Reichenbach et al. [2] hay Liu et al. [16], luận án này đã cụ thể hóa và tối ưu hóa việc ứng dụng học máy trong một bối cảnh địa phương đầy thách thức. Các kết quả có thể đo lường (measurable outcomes) bao gồm tiềm năng giảm thiểu hàng tỷ VND thiệt hại kinh tế và bảo vệ hàng chục sinh mạng mỗi năm nhờ các quyết định quy hoạch và quản lý tốt hơn. Luận án này để lại một di sản khoa học và thực tiễn vững chắc, đóng góp vào mục tiêu giảm thiểu rủi ro thiên tai và phát triển bền vững.