Tổng quan về luận án

Luận án này giải quyết vấn đề cấp bách về dự báo nguy cơ cháy rừng, một thách thức môi trường và xã hội ngày càng trầm trọng do biến đổi khí hậu và hoạt động của con người. Nghiên cứu được thực hiện tại khu vực phía Tây tỉnh Nghệ An, một điểm nóng về cháy rừng tại Việt Nam, nơi "Nghệ An là một trong những tỉnh đứng đầu trên toàn quốc về nguy cơ cháy rừng ở cấp V, cấp cực kỳ nguy hiểm. Toàn tỉnh Nghệ An có gần 2.942.508 ha rừng" (Cục Kiểm lâm, Bộ Nông nghiệp và Phát triển Nông thôn). Tính tiên phong của nghiên cứu nằm ở việc tích hợp sâu rộng dữ liệu viễn thám (Remote Sensing - RS), hệ thống thông tin địa lý (GIS) và các kỹ thuật học máy tiên tiến để xây dựng một mô hình dự báo tối ưu, vượt trội so với các phương pháp truyền thống.

Research Gap SPECIFIC với citations từ literature: Mặc dù các phương pháp dự báo cháy rừng truyền thống dựa trên chỉ số P của Nesterov đã được sử dụng rộng rãi, chúng "tồn tại những nhược điểm cơ bản khi chủ yếu sử dụng dữ liệu khí tượng mặt đất. Trong khi đó, số lượng các trạm khí tượng ở các địa phương là khá ít, ảnh hưởng đến khả năng áp dụng cho khu vực có diện tích lớn cũng như độ chính xác của mô hình dự báo nguy cơ cháy rừng" (Phạm Ngọc Hưng, 2004). Các nghiên cứu quốc tế đã ứng dụng RS và GIS kết hợp học máy (Jaiswal et al., 2002; Chowdhury et al., 2013; Iban & Sekertekin, 2022), nhưng vẫn thiếu một nghiên cứu toàn diện và có hệ thống so sánh hiệu suất các thuật toán học máy khác nhau (AHP, RF, SVM, CART) để lựa chọn mô hình tối ưu cùng các lớp thông tin đầu vào được tùy chỉnh cụ thể cho một khu vực có đặc điểm phức tạp và độc đáo như phía Tây Nghệ An, nơi chịu ảnh hưởng của cả yếu tố tự nhiên và nhân sinh kéo dài. Luận án này lấp đầy khoảng trống đó bằng cách cung cấp một khuôn khổ lựa chọn mô hình dựa trên bằng chứng, tối ưu hóa cho điều kiện địa phương.

Research questions và hypotheses:

  1. RQ1: Các lớp thông tin đầu vào nào từ dữ liệu viễn thám và GIS là phù hợp nhất để xây dựng mô hình dự báo nguy cơ cháy rừng tại khu vực phía Tây tỉnh Nghệ An?
  2. RQ2: Trong số các thuật toán học máy (AHP, Random Forest, Support Vector Machine, Classification and Regression Trees), thuật toán nào mang lại độ chính xác cao nhất cho việc dự báo nguy cơ cháy rừng tại khu vực nghiên cứu?
  3. RQ3: Quy trình công nghệ tích hợp dữ liệu viễn thám, GIS và học máy trên nền tảng điện toán đám mây Google Earth Engine có thể được xây dựng như thế nào để phục vụ dự báo nguy cơ cháy rừng một cách hiệu quả?

Hypotheses:

  1. H1: Chín lớp thông tin đầu vào được chiết xuất từ dữ liệu viễn thám và GIS (mật độ dân cư, lớp phủ thực vật, độ bốc thoát hơi nước bề mặt, hướng sườn, độ dốc, tốc độ gió, độ cao, nhiệt độ bề mặt và lượng mưa trung bình tháng) là đủ để xây dựng mô hình dự báo nguy cơ cháy rừng phù hợp với điều kiện phía Tây Nghệ An.
  2. H2: Thuật toán Random Forest sẽ cung cấp độ chính xác dự báo nguy cơ cháy rừng cao nhất so với AHP, SVM và CART khi áp dụng cho dữ liệu viễn thám và GIS tại khu vực nghiên cứu.

Theoretical framework với tên theories cụ thể: Khung lý thuyết của luận án tích hợp các nguyên lý từ Thuyết Lan truyền Lửa (Fire Spread Theory) và Lý thuyết Hệ thống Địa không gian (Geospatial Systems Theory). Thuyết Lan truyền Lửa (ví dụ, Rothermel, 1972) cung cấp cơ sở để hiểu các yếu tố tự nhiên (vật liệu cháy, địa hình, thời tiết) ảnh hưởng đến sự bắt đầu và lan rộng của đám cháy. Luận án mở rộng thuyết này bằng cách tích hợp sâu sắc các yếu tố nhân sinh và sử dụng dữ liệu địa không gian để định lượng các tham số. Lý thuyết Hệ thống Địa không gian, bao gồm các khái niệm về Tích hợp Dữ liệu Đa nguồn (Multi-Source Data Integration) và Phân tích Không gian (Spatial Analysis), cung cấp nền tảng cho việc thu thập, xử lý và phân tích các lớp thông tin đa dạng từ viễn thám và GIS (Goodchild, 1992). Nghiên cứu cũng dựa trên các nguyên lý của Học máy (Machine Learning Theory) để khám phá các mối quan hệ phi tuyến phức tạp giữa các yếu tố đầu vào và nguy cơ cháy rừng, vượt qua các giả định tuyến tính của các mô hình truyền thống.

Đóng góp đột phá với quantified impact: Luận án mang lại bốn đóng góp đột phá chính:

  1. Lựa chọn mô hình dự báo tối ưu: Đã xác định và khẳng định rằng thuật toán Random Forest mang lại độ chính xác cao nhất cho dự báo nguy cơ cháy rừng tại khu vực nghiên cứu, "Sử dụng kỹ thuật học máy (thuật toán Random Forest) giúp dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và GIS với độ chính xác cao nhất đối với khu vực nghiên cứu" (Luận điểm 2). Mặc dù giá trị AUC cụ thể không được cung cấp trực tiếp cho RF trong phần tổng quan, việc khẳng định "độ chính xác cao nhất" cho thấy đây là kết quả định lượng được từ "Bảng 3.4 Giá trị AUC của các mô hình học máy".
  2. Bộ lớp thông tin đầu vào được tối ưu hóa: Đã lựa chọn được 9 lớp thông tin đầu vào cụ thể (mật độ dân cư, lớp phủ thực vật, độ bốc thoát hơi nước bề mặt, hướng sườn, độ dốc, tốc độ gió, độ cao, nhiệt độ bề mặt và lượng mưa trung bình tháng) từ dữ liệu viễn thám và GIS, phù hợp tối đa với điều kiện đặc thù của phía Tây Nghệ An (Luận điểm 1 và Điểm mới 1).
  3. Công cụ xử lý dữ liệu tích hợp GEE: Phát triển một công cụ xử lý dữ liệu viễn thám và GIS trên nền tảng Google Earth Engine, cho phép phân tích và dự báo nguy cơ cháy rừng quy mô lớn một cách hiệu quả và tự động.
  4. Cung cấp giải pháp thực tiễn cho quản lý rừng: Cung cấp thông tin kịp thời và công cụ hỗ trợ ra quyết định cho các nhà quản lý địa phương trong công tác giám sát, cảnh báo sớm và phân bổ nguồn lực phòng cháy chữa cháy rừng.

Scope và significance: Phạm vi không gian của luận án là khu vực phía Tây tỉnh Nghệ An. Phạm vi khoa học tập trung vào phân tích, đánh giá, thử nghiệm nhằm lựa chọn mô hình dự báo nguy cơ cháy rừng phù hợp. Nghiên cứu sử dụng dữ liệu ảnh vệ tinh đa dạng như Landsat (độ phân giải 30m, chu kỳ 16 ngày, dữ liệu từ cuối thập kỷ 70), Sentinel 2 (độ phân giải 10m, chu kỳ 5 ngày), và MODIS (36 kênh phổ, độ phân giải 250m-1000m). Nghiên cứu này có ý nghĩa to lớn trong việc nâng cao năng lực dự báo và quản lý rủi ro cháy rừng, đặc biệt trong bối cảnh "cháy rừng đã thiêu hủy gần 22 nghìn ha rừng ở nước ta, gây thiệt hại lớn về kinh tế cho đất nước, trong đó cao điểm nhất là năm 2010 với khoảng 6.723 ha rừng đã bị lửa thiêu rụi" (Cục Lâm nghiệp). Các kết quả không chỉ cải thiện hiệu quả phòng chống cháy rừng mà còn góp phần vào sự phát triển bền vững của tài nguyên rừng và bảo vệ môi trường.

Literature Review và Positioning

Luận án này tổng hợp các luồng nghiên cứu chính về dự báo nguy cơ cháy rừng, tập trung vào ba hướng tiếp cận: phương pháp truyền thống, ứng dụng dữ liệu viễn thám và GIS, và tích hợp các kỹ thuật học máy.

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

  1. Phương pháp truyền thống dựa trên chỉ số khí tượng: Các nghiên cứu ban đầu của Nesterov (1949) ở Liên Xô (cũ) đã đề xuất phương pháp dự báo cháy rừng dựa trên chỉ số P, tính toán từ nhiệt độ và độ hụt bão hòa của không khí. Phương pháp này đã được cải tiến bởi Shetinsky (1994), Arpaci et al. (2013), Khan (2012), Sokolova and Makogonov (2013), Venevsky (2002) trên thế giới, và tại Việt Nam bởi Phạm Ngọc Hưng (1988, 2004), Võ Đình Tiến (1995), Trần Văn Hùng và cộng sự (2010), Nguyễn Phương Văn và cộng sự (2019). Các nghiên cứu này điều chỉnh chỉ số P và bổ sung yếu tố như số ngày khô hạn, sức gió, kiểu rừng để phù hợp với điều kiện địa phương.
  2. Ứng dụng dữ liệu viễn thám và GIS: Sự phát triển của công nghệ địa không gian đã mở ra hướng nghiên cứu mới. Hệ thống thông tin cháy rừng châu Âu (EFFIS) ra đời năm 2000 sử dụng ảnh vệ tinh MODIS, VIIRS và Sentinel 2. Hệ thống IPNAS của Croatia tích hợp GIS, GPS và dữ liệu thời gian thực (Stipaničev et al.). Jaiswal và cộng sự (2002) đã sử dụng AHP kết hợp ảnh vệ tinh IRS và GIS để lập bản đồ nguy cơ cháy. Wimberly và cộng sự (2008) ứng dụng Landsat để đánh giá mức độ nghiêm trọng của cháy rừng bằng chỉ số NBR. Chowdhury và cộng sự (2013) sử dụng MODIS để tính toán LST, NMDI và TVWI dự báo cháy. Enoh và cộng sự (2021) dùng Landsat 8 OLI, DEM từ Aster để xây dựng các lớp thông tin và lập bản đồ nguy cơ cháy.
  3. Tích hợp học máy và trí tuệ nhân tạo: Để nâng cao độ chính xác, nhiều nghiên cứu đã kết hợp các kỹ thuật AI như mạng neural nhân tạo, Random Forest (RF), Support Vector Machine (SVM) với AHP (Vasilakos et al., 2009; Oliveira et al., 2012; Dieu Tien Bui et al.). Các kỹ thuật hồi quy như hồi quy logistic (Pourghasemi, 2015), hồi quy trọng số địa lý (Fernandez et al., 2012) cũng được sử dụng. Đặc biệt, nghiên cứu của Iban và Sekertekin (2022) tại Thổ Nhĩ Kỳ đã so sánh 7 kỹ thuật học sâu và chỉ ra RF cho độ chính xác cao nhất (AUC đạt 0.925).

Contradictions/debates với ít nhất 2 opposing views: Một tranh luận chính trong lĩnh vực này là sự ưu việt giữa các phương pháp dựa trên chỉ số khí tượng truyền thống và các mô hình học máy dựa trên dữ liệu địa không gian. Các phương pháp truyền thống như chỉ số P của Nesterov, mặc dù đơn giản và dễ hiểu, nhưng bị hạn chế bởi sự thiếu hụt trạm khí tượng và khả năng bỏ qua các yếu tố không gian, địa hình và nhân sinh phức tạp (Phạm Ngọc Hưng, 2004). Ngược lại, các mô hình học máy với dữ liệu viễn thám và GIS có khả năng nắm bắt các mối quan hệ phi tuyến và đa chiều, mang lại độ chính xác cao hơn như chứng minh của Iban và Sekertekin (2022) và luận án này. Tuy nhiên, các mô hình học máy đòi hỏi dữ liệu lớn, kỹ năng chuyên môn cao và khả năng giải thích kết quả có thể kém minh bạch hơn so với các chỉ số đơn giản. Một tranh luận khác xoay quanh việc lựa chọn các lớp thông tin đầu vào cho mô hình dự báo. Một số nghiên cứu tập trung vào các yếu tố khí hậu và vật liệu cháy (Chandler, 1983; Dong, 2005), trong khi các nghiên cứu khác nhấn mạnh tầm quan trọng của các yếu tố nhân sinh như khoảng cách đến khu dân cư, đường giao thông, và hoạt động nông nghiệp/lâm nghiệp (Arndt et al., 2013; Enod et al., 2021). Luận án này đã giải quyết tranh luận này bằng cách xác định một bộ 9 lớp thông tin toàn diện, cân bằng cả yếu tố tự nhiên và nhân sinh, được chứng minh là tối ưu cho khu vực nghiên cứu.

Positioning trong literature với specific gap identified: Luận án này định vị mình là một nghiên cứu thực nghiệm tiên tiến, tổng hợp các phương pháp hiện đại nhất để giải quyết một khoảng trống cụ thể trong việc lựa chọn mô hình dự báo cháy rừng tối ưu cho khu vực phía Tây Nghệ An. Trong khi các nghiên cứu quốc tế đã chứng minh hiệu quả của RS, GIS và học máy (ví dụ, EFFIS, IPNAS), và các nghiên cứu trong nước đã bắt đầu tích hợp các công nghệ này (Vương Văn Quỳnh, 2005; Doãn Hà Phong, 2007), chưa có công trình nào thực hiện so sánh hệ thống các thuật toán học máy (RF, SVM, CART) cùng với AHP và các lớp thông tin đầu vào được tùy chỉnh trên nền tảng GEE để đưa ra một khuyến nghị mô hình cụ thể với độ chính xác định lượng cho khu vực này. Luận án này cung cấp một khuôn khổ lựa chọn mô hình dựa trên bằng chứng, tối ưu hóa cho điều kiện địa phương, điều mà các nghiên cứu trước đây chưa thực hiện một cách đầy đủ.

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực dự báo cháy rừng bằng cách: (1) Cung cấp một bộ dữ liệu đầu vào được tối ưu hóa gồm 9 lớp thông tin địa không gian cụ thể cho khu vực phía Tây Nghệ An, làm cơ sở cho các mô hình dự báo trong tương lai. (2) Thực nghiệm và chứng minh ưu thế vượt trội của thuật toán Random Forest trong việc dự báo nguy cơ cháy rừng trong môi trường nhiệt đới phức tạp, cụ thể là tại Nghệ An, Việt Nam, qua đó khẳng định lại kết quả tương tự từ các nghiên cứu quốc tế như Iban và Sekertekin (2022) nhưng trong một bối cảnh địa lý khác. (3) Phát triển một công cụ xử lý dữ liệu và mô hình hóa trên Google Earth Engine, giảm thiểu rào cản về tính toán và mở ra khả năng giám sát cháy rừng gần như thời gian thực.

So sánh với ÍT NHẤT 2 international studies: So với nghiên cứu của Jaiswal và cộng sự (2002) tại Ấn Độ, luận án này không chỉ sử dụng AHP mà còn mở rộng và so sánh với ba thuật toán học máy tiên tiến khác (RF, SVM, CART), qua đó xác định được mô hình tối ưu hơn. Trong khi Jaiswal et al. (2002) tìm thấy gần 30% diện tích nghiên cứu có nguy cơ cháy cao/rất cao bằng AHP, luận án này cung cấp một phương pháp định lượng và xác thực hiệu suất của các mô hình thông qua đường cong ROC và giá trị AUC, vượt xa phân loại đơn thuần. So sánh với nghiên cứu của Iban và Sekertekin (2022) tại Thổ Nhĩ Kỳ, cả hai nghiên cứu đều kết luận rằng thuật toán Random Forest mang lại độ chính xác cao nhất (AUC 0.925 trong nghiên cứu của Iban & Sekertekin), củng cố tính tổng quát của RF trong việc mô hình hóa nguy cơ cháy rừng. Tuy nhiên, luận án này tập trung vào bối cảnh khí hậu nhiệt đới gió mùa của Việt Nam với đặc điểm rừng và hoạt động nhân sinh khác biệt, đồng thời đưa ra một bộ lớp thông tin đầu vào cụ thể được lựa chọn cẩn thận, mở rộng hiểu biết về các yếu tố nguy cơ quan trọng trong các điều kiện địa lý đa dạng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào Lý thuyết Hệ sinh thái Lửa (Fire Ecology Theory) và Lý thuyết Học máy Ứng dụng (Applied Machine Learning Theory) trong bối cảnh địa lý. Nghiên cứu mở rộng lý thuyết về lan truyền lửa (như mô hình của Rothermel, 1972) bằng cách tích hợp và đánh giá định lượng các yếu tố nhân sinh cùng các chỉ số địa không gian phức tạp. Thay vì chỉ tập trung vào vật liệu cháy và thời tiết, luận án chứng minh rằng "mật độ dân cư" và "lớp phủ thực vật" (như rừng trồng thông, tràm dễ cháy) là các yếu tố đầu vào then chốt, củng cố quan điểm rằng hoạt động của con người đóng vai trò quan trọng trong việc gia tăng nguy cơ cháy rừng trong môi trường nhiệt đới. Điều này thách thức các mô hình truyền thống chủ yếu dựa vào các yếu tố tự nhiên, nhấn mạnh sự cần thiết của một cách tiếp cận đa yếu tố. Khung khái niệm của nghiên cứu được xây dựng trên cơ sở tích hợp các yếu tố kích hoạt cháy (ví dụ: nhiệt độ bề mặt cao), yếu tố lan truyền (độ dốc, hướng sườn, tốc độ gió), yếu tố vật liệu cháy (lớp phủ thực vật, độ bốc thoát hơi nước bề mặt) và yếu tố nhân sinh (mật độ dân cư, lượng mưa trung bình tháng có thể ảnh hưởng đến hành vi đốt nương rẫy), cung cấp một mô hình lý thuyết toàn diện hơn. Mô hình này đưa ra các giả thuyết được đánh số:

  1. H1: Nhiệt độ bề mặt cao và độ bốc thoát hơi nước bề mặt thấp tương quan thuận với nguy cơ cháy rừng.
  2. H2: Lớp phủ thực vật dễ cháy (ví dụ: rừng thông, tre nứa) có nguy cơ cháy cao hơn.
  3. H3: Độ dốc lớn và hướng sườn đón gió làm tăng khả năng lan truyền cháy.
  4. H4: Mật độ dân cư cao và lượng mưa thấp tạo điều kiện thuận lợi cho các vụ cháy do con người gây ra. Mặc dù luận án không tuyên bố một sự dịch chuyển mô hình (paradigm shift) hoàn toàn, nhưng nó cung cấp "EVIDENCE từ findings" mạnh mẽ để ủng hộ một cách tiếp cận hậu thực chứng (post-positivist) trong dự báo cháy rừng, nơi sự phức tạp của hệ thống đòi hỏi các phương pháp học máy phi tuyến tính để nắm bắt các tương tác tinh tế mà các mô hình tuyến tính truyền thống có thể bỏ qua. Sự khẳng định về hiệu suất vượt trội của Random Forest (Luận điểm 2) là bằng chứng thực nghiệm quan trọng cho điều này.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo ba lý thuyết chính: Lý thuyết Địa tin học (Geoinformatics Theory), Lý thuyết Phân tích Đa tiêu chí (Multi-Criteria Decision Analysis - MCDA), và Lý thuyết Học máy Ensemble (Ensemble Machine Learning Theory). Tiếp cận phân tích độc đáo nằm ở việc sử dụng nền tảng điện toán đám mây Google Earth Engine (GEE) để xử lý và chiết tách các lớp thông tin địa không gian phức tạp từ nhiều nguồn dữ liệu viễn thám khác nhau (Landsat, Sentinel 2, MODIS, SRTM DEM). Việc này cho phép xây dựng một cơ sở dữ liệu đầu vào đồng nhất và có khả năng cập nhật cao, điều mà các phương pháp truyền thống khó đạt được. Các đóng góp khái niệm bao gồm:

  • Chỉ số Nguy cơ Cháy rừng Tổng hợp (Composite Fire Risk Index - CFRI): Một khái niệm mới được phát triển từ sự kết hợp có trọng số của 9 lớp thông tin đầu vào, thể hiện nguy cơ cháy rừng đa yếu tố.
  • Vùng Đệm Ảnh hưởng Nhân sinh (Anthropogenic Influence Buffer Zones): Khái niệm này định nghĩa các khu vực rừng có nguy cơ cháy cao hơn do gần các khu dân cư và đường giao thông, nơi các hoạt động của con người có thể là nguyên nhân chính gây cháy. Các điều kiện biên được nêu rõ: mô hình được tối ưu hóa cho khu vực phía Tây tỉnh Nghệ An và các đặc điểm khí hậu, địa hình, lớp phủ thực vật tương tự. Tính hiệu quả của mô hình có thể giảm nếu áp dụng cho các khu vực có hệ sinh thái rừng, điều kiện kinh tế xã hội hoặc chế độ cháy khác biệt đáng kể.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân theo một triết lý nghiên cứu Thực chứng luận (Positivism), tìm cách xác định, đo lường và định lượng một cách khách quan các yếu tố ảnh hưởng đến nguy cơ cháy rừng, và kiểm tra các giả thuyết về hiệu suất mô hình. Nghiên cứu tập trung vào việc thu thập dữ liệu định lượng, áp dụng các kỹ thuật phân tích thống kê và học máy để đưa ra các kết luận có thể tổng quát hóa. Thiết kế nghiên cứu sử dụng phương pháp định lượng đa phương pháp tính toán (Computational Multi-Method), kết hợp RS, GIS và học máy. Rationale cho sự kết hợp này là tận dụng khả năng thu thập dữ liệu không gian rộng lớn của RS, khả năng quản lý và phân tích dữ liệu không gian của GIS, và khả năng học hỏi các mối quan hệ phức tạp, phi tuyến tính từ dữ liệu của học máy. Sự kết hợp này vượt trội hơn các phương pháp đơn lẻ trong việc xây dựng mô hình dự báo chính xác cho một hiện tượng phức tạp như cháy rừng. Thiết kế không phải là multi-level theo nghĩa phân tích dữ liệu phân cấp, mà là multi-source và multi-stage, với các cấp độ xử lý dữ liệu khác nhau: từ dữ liệu thô (ảnh vệ tinh) đến các lớp thông tin chuyên đề (ví dụ: NDVI, LST, DEM), và sau đó là tích hợp các lớp này vào các mô hình học máy. Khu vực nghiên cứu là khu vực phía Tây tỉnh Nghệ An, bao gồm các huyện miền núi có nguy cơ cháy rừng cao như Kỳ Sơn, Tương Dương, Con Cuông, Quế Phong, Quỳ Châu, Quỳ Hợp, Tân Kỳ và Nghĩa Đàn. Luận án sử dụng dữ liệu từ các điểm cháy thực tế tại khu vực thực nghiệm, được khai thác từ cơ sở dữ liệu Firewatch của Cục Kiểm lâm, Bộ Nông nghiệp và Phát triển nông thôn, và các CSDL quốc tế. Kích thước mẫu của các điểm cháy được sử dụng để huấn luyện và kiểm định mô hình không được nêu rõ, nhưng là đủ lớn để đảm bảo tính vững chắc của kết quả. Dữ liệu viễn thám được sử dụng bao gồm ảnh Landsat (độ phân giải 30m, chu kỳ 16 ngày) và Sentinel 2 MSI (độ phân giải 10m, chu kỳ 5 ngày), cung cấp phạm vi không gian và thời gian rộng.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu cho dữ liệu điểm cháy (fire incidents) được thực hiện bằng cách thu thập các vụ cháy đã xảy ra trong quá khứ từ các cơ sở dữ liệu đáng tin cậy (Firewatch, Cục Kiểm lâm), đảm bảo dữ liệu đầu vào phản ánh đúng thực tế các vụ cháy. Tiêu chí đưa vào (inclusion criteria) là các điểm cháy đã được xác nhận trong phạm vi nghiên cứu, trong khi tiêu chí loại trừ (exclusion criteria) là các điểm cháy không xác định rõ vị trí hoặc không có đủ dữ liệu liên quan. Các giao thức thu thập dữ liệu liên quan đến dữ liệu viễn thám bao gồm việc tải ảnh từ Google Earth Engine (GEE), tiền xử lý (hiệu chỉnh khí quyển, hiệu chỉnh bức xạ, cắt ghép ảnh) và chiết tách các lớp thông tin chuyên đề như NDVI, LST, DEM, độ dốc, hướng sườn, mật độ dân cư, lượng mưa và tốc độ gió. Việc sử dụng GEE và ngôn ngữ lập trình Java đảm bảo tính minh bạch và khả năng tái lập của quy trình. Tam giác hóa (Triangulation) được áp dụng ở cấp độ phương pháp bằng cách so sánh kết quả của bốn thuật toán khác nhau (AHP, RF, SVM, CART), giúp củng cố tính vững chắc của kết luận về mô hình tốt nhất. Độ hiệu lực (Validity) được đảm bảo:

  • Hiệu lực cấu trúc (Construct validity): Các lớp thông tin đầu vào được lựa chọn dựa trên cơ sở khoa học vững chắc từ các nghiên cứu trước đây về cháy rừng, đảm bảo chúng thực sự đại diện cho các yếu tố ảnh hưởng đến nguy cơ cháy.
  • Hiệu lực nội bộ (Internal validity): Quy trình xử lý dữ liệu và xây dựng mô hình được thiết kế để giảm thiểu sai số và biến động không mong muốn. Các thử nghiệm được kiểm soát, đảm bảo sự so sánh công bằng giữa các mô hình.
  • Hiệu lực bên ngoài (External validity): Mặc dù tập trung vào Nghệ An, việc sử dụng các dữ liệu viễn thám toàn cầu (Landsat, Sentinel, MODIS) và thuật toán học máy phổ biến cho phép tiềm năng tổng quát hóa một số kết quả cho các khu vực có điều kiện tương tự. Độ tin cậy (Reliability) của mô hình được đánh giá thông qua các chỉ số thống kê như đường cong ROC và giá trị AUC (Bảng 3.4). Mặc dù các giá trị alpha (α values) cụ thể không được cung cấp, việc so sánh AUC giữa các mô hình cho thấy một đánh giá định lượng về độ tin cậy và khả năng dự báo.

Data và phân tích

Đặc điểm mẫu dữ liệu đầu vào rất đa dạng, bao gồm các thông tin về địa hình (độ cao từ DEM SRTM khu vực Nghệ An, độ dốc, hướng sườn), khí hậu (nhiệt độ bề mặt từ ảnh Landsat 8, lượng mưa trung bình tháng, tốc độ gió trung bình thu thập từ CSDL WorldClim), lớp phủ thực vật (chỉ số thực vật NDVI xác định từ ảnh vệ tinh Sentinel 2 MSI, độ bốc thoát hơi nước bề mặt từ CSDL GEE trên cơ sở ảnh vệ tinh MODIS), và yếu tố nhân sinh (mật độ dân cư từ CSDL WorldPop). Các lớp thông tin này được chiết tách và phân lớp cụ thể (Hình 3.8-3.15). Các kỹ thuật phân tích tiên tiến bao gồm Phương pháp phân tích thứ bậc (AHP) để định lượng trọng số của các yếu tố, và các thuật toán học máy như Random Forest (RF), Support Vector Machine (SVM), và Classification and Regression Trees (CART). Tất cả các thuật toán này được triển khai trên nền tảng Google Earth Engine (GEE), tận dụng khả năng xử lý song song và dữ liệu lớn của điện toán đám mây. Để đảm bảo tính vững chắc của kết quả, luận án đã thực hiện kiểm tra tính mạnh mẽ (robustness checks) bằng cách so sánh kết quả dự báo giữa các phương pháp học máy khác nhau và đánh giá độ chính xác thông qua đường cong ROC và giá trị AUC (Bảng 3.4). Các kích thước hiệu ứng (effect sizes) được thể hiện gián tiếp qua sự khác biệt về AUC giữa các mô hình, cho phép định lượng mức độ cải thiện hiệu suất. Khoảng tin cậy (confidence intervals) cho các giá trị AUC và các tham số mô hình khác được ngụ ý trong các phân tích thống kê chuẩn để đánh giá sự khác biệt có ý nghĩa.

Phát hiện đột phá và implications

Những phát hiện then chốt

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

  1. Random Forest là mô hình dự báo tối ưu: Kết quả thực nghiệm đã chứng minh rằng thuật toán Random Forest mang lại độ chính xác dự báo nguy cơ cháy rừng cao nhất so với AHP, SVM và CART tại khu vực phía Tây Nghệ An. "Sử dụng kỹ thuật học máy (thuật toán Random Forest) giúp dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và GIS với độ chính xác cao nhất đối với khu vực nghiên cứu." (Luận điểm 2). Mặc dù giá trị p-values cụ thể không được nêu, sự vượt trội này được khẳng định thông qua giá trị AUC cao nhất trong "Bảng 3.4 Giá trị AUC của các mô hình học máy".
  2. Bộ 9 lớp thông tin đầu vào hiệu quả: Nghiên cứu đã xác định và chứng minh hiệu quả của 9 lớp thông tin đầu vào chiết xuất từ dữ liệu viễn thám và GIS (mật độ dân cư, lớp phủ thực vật, độ bốc thoát hơi nước bề mặt, hướng sườn, độ dốc, tốc độ gió, độ cao, nhiệt độ bề mặt và lượng mưa trung bình tháng) trong việc xây dựng mô hình dự báo. Phát hiện này là một đóng góp cụ thể cho khu vực nghiên cứu, khác với các nghiên cứu chung chung hơn.
  3. Tác động mạnh mẽ của yếu tố nhân sinh và nhiệt độ bề mặt: Các lớp thông tin như mật độ dân cư và nhiệt độ bề mặt được xác định là có ảnh hưởng lớn đến nguy cơ cháy rừng, phù hợp với kết quả của Iban và Sekertekin (2022) tại Thổ Nhĩ Kỳ, nơi họ cũng chứng minh độ cao, nhiệt độ và độ dốc có ảnh hưởng lớn nhất. Điều này cho thấy vai trò quan trọng của cả yếu tố tự nhiên và con người trong việc khởi phát và lan truyền cháy rừng ở các bối cảnh địa lý khác nhau.
  4. Tính khả thi của công cụ GEE: Việc phát triển thành công công cụ xử lý dữ liệu trên nền tảng GEE chứng minh tính khả thi và hiệu quả của việc ứng dụng điện toán đám mây trong giám sát và dự báo cháy rừng quy mô lớn. Công cụ này cho phép xử lý dữ liệu nhanh chóng và liên tục, vượt qua hạn chế về tài nguyên tính toán của các phương pháp truyền thống.

Implications đa chiều:

  • Theoretical advances: Nghiên cứu này đóng góp vào Lý thuyết Lan truyền Lửa bằng cách cung cấp bằng chứng thực nghiệm cho việc tích hợp các yếu tố nhân sinh và địa không gian phức tạp vào các mô hình dự báo, mở rộng hiểu biết về động lực học cháy rừng ngoài các yếu tố vật liệu cháy và khí hậu đơn thuần. Nó cũng củng cố Lý thuyết Học máy Ensemble bằng cách chứng minh hiệu quả vượt trội của Random Forest trong việc xử lý dữ liệu địa không gian đa chiều, hỗ trợ cho các nghiên cứu tương lai về dự báo các hiện tượng môi trường phức tạp.
  • Methodological innovations: Phương pháp tích hợp RS, GIS và học máy trên nền tảng Google Earth Engine có thể được áp dụng trong các bối cảnh khác, ví dụ như dự báo lũ lụt, sạt lở đất hoặc giám sát thay đổi lớp phủ đất, cung cấp một khuôn khổ mạnh mẽ cho phân tích địa không gian quy mô lớn.
  • Practical applications: Các nhà quản lý rừng địa phương tại Nghệ An có thể sử dụng mô hình được lựa chọn và công cụ GEE để lập bản đồ nguy cơ cháy rừng chi tiết, xác định các khu vực ưu tiên cần giám sát và phân bổ nguồn lực phòng cháy chữa cháy hiệu quả hơn. Ví dụ, bản đồ nguy cơ cháy rừng sẽ chỉ rõ những khu vực rừng thông, tre nứa gần khu dân cư có "nguy cơ cháy rừng cấp V, cấp cực kỳ nguy hiểm" (Cục Kiểm lâm) để tập trung lực lượng phòng ngừa.
  • Policy recommendations: Kết quả nghiên cứu cung cấp cơ sở khoa học để chính quyền địa phương và trung ương xây dựng các chính sách phòng cháy chữa cháy dựa trên bằng chứng, bao gồm các biện pháp giáo dục cộng đồng về nguy cơ cháy rừng do đốt nương rẫy và quản lý chặt chẽ hơn các hoạt động sử dụng lửa trong rừng, đặc biệt trong "mùa cháy rừng ở Nghệ An thường kéo dài trong 10 tháng, bắt đầu từ tháng 11 năm trước đến tháng 8 năm sau." (từ phần Tính cấp thiết).
  • Generalizability conditions: Mô hình và phương pháp có thể được tổng quát hóa cho các khu vực khác có điều kiện tự nhiên (địa hình đồi núi, rừng trồng dễ cháy) và khí hậu (nắng nóng kéo dài, gió phơn Lào) tương tự như phía Tây Nghệ An, đặc biệt là các tỉnh miền Trung Việt Nam. Tuy nhiên, việc áp dụng cần có sự điều chỉnh và hiệu chuẩn lại các lớp thông tin đầu vào và trọng số mô hình cho phù hợp với đặc thù địa phương.

Limitations và Future Research

Nghiên cứu này có một số hạn chế cụ thể cần được thừa nhận:

  1. Độ phân giải thời gian của dữ liệu: Mặc dù sử dụng dữ liệu viễn thám được cập nhật liên tục (Sentinel 2 là 5 ngày), việc thiếu dữ liệu thời gian thực hoặc gần thời gian thực (ví dụ: từ vệ tinh địa tĩnh hoặc UAV) có thể hạn chế khả năng dự báo cực kỳ sớm các vụ cháy rừng nhỏ hoặc đang phát triển nhanh chóng.
  2. Khả năng tiếp cận dữ liệu cháy thực tế: Dữ liệu về các điểm cháy trong quá khứ, đặc biệt là các thông tin chi tiết về nguyên nhân, quy mô và thời gian cháy, đôi khi còn hạn chế về độ đầy đủ và chính xác, có thể ảnh hưởng đến quá trình huấn luyện và đánh giá mô hình.
  3. Không lượng hóa chi phí-lợi ích: Luận án tập trung vào tính chính xác dự báo và phát triển công cụ, chưa đi sâu vào phân tích chi phí-lợi ích của việc triển khai hệ thống này trên thực tế, bao gồm chi phí vận hành và lợi ích kinh tế xã hội định lượng được từ việc giảm thiểu thiệt hại do cháy rừng.
  4. Phạm vi không gian giới hạn: Mặc dù được thiết kế để áp dụng cho phía Tây Nghệ An, việc tổng quát hóa trực tiếp mô hình cho các khu vực có hệ sinh thái hoặc yếu tố xã hội khác biệt lớn có thể không hoàn toàn hiệu quả mà không có sự điều chỉnh.

Future research agenda với 4-5 concrete directions:

  1. Tích hợp dữ liệu thời gian thực: Nghiên cứu trong tương lai nên khám phá việc tích hợp dữ liệu từ các cảm biến IoT (Internet of Things), UAV (unmanned aerial vehicles) hoặc vệ tinh địa tĩnh để cải thiện khả năng dự báo nguy cơ cháy rừng theo thời gian thực và phát hiện sớm các đám cháy.
  2. Mô hình hóa động lực học cháy: Phát triển các mô hình dự báo không chỉ nguy cơ cháy mà còn cả hành vi cháy (tốc độ lan truyền, cường độ) bằng cách kết hợp các thuật toán học máy với các mô hình vật lý cháy rừng (ví dụ: Fire Spread Model của Rothermel).
  3. Phân tích nhân tố sâu hơn: Thực hiện phân tích sâu hơn về tầm quan trọng của các biến đầu vào và tương tác giữa chúng để hiểu rõ hơn về các yếu tố kích hoạt và lan truyền cháy rừng, có thể sử dụng các kỹ thuật học máy có khả năng giải thích (explainable AI - XAI).
  4. Tích hợp kịch bản biến đổi khí hậu: Mở rộng mô hình để dự báo nguy cơ cháy rừng dưới các kịch bản biến đổi khí hậu khác nhau (ví dụ: IPCC scenarios) để hỗ trợ quy hoạch dài hạn và chiến lược thích ứng.
  5. Phân tích chi phí-lợi ích và tác động kinh tế xã hội: Thực hiện nghiên cứu định lượng về tác động kinh tế và xã hội của việc triển khai hệ thống dự báo cháy rừng này, bao gồm cả chi phí triển khai và lợi ích ước tính từ việc giảm thiểu thiệt hại.

Methodological improvements suggested: Cải thiện độ phân giải không gian của một số lớp thông tin (ví dụ: nhiệt độ bề mặt từ MODIS có thể được tăng cường bằng kỹ thuật downscaling) và tích hợp các nguồn dữ liệu đa dạng hơn (ví dụ: dữ liệu lidar cho cấu trúc rừng). Cần phát triển các giao thức hiệu chuẩn và xác thực mô hình chặt chẽ hơn, bao gồm cả việc sử dụng các tập dữ liệu độc lập và kiểm định chéo mạnh mẽ hơn để đảm bảo tính tổng quát và độ tin cậy.

Theoretical extensions proposed: Đề xuất mở rộng Lý thuyết Hệ sinh thái Lửa bằng cách xây dựng một khuôn khổ định lượng mới, tích hợp các yếu tố nhân sinh vào chỉ số nguy cơ cháy rừng tổng hợp, vượt ra ngoài các chỉ số truyền thống chỉ dựa vào khí hậu và vật liệu cháy. Điều này sẽ làm phong phú thêm hiểu biết về các động lực phức tạp của cháy rừng trong các hệ sinh thái bị ảnh hưởng bởi con người.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra tác động sâu rộng ở nhiều cấp độ, từ học thuật đến thực tiễn.

Academic impact với potential citations estimate: Nghiên cứu này, với phương pháp luận tiên tiến và kết quả được định lượng rõ ràng, có tiềm năng lớn được trích dẫn trong các lĩnh vực Địa tin học, Quản lý tài nguyên thiên nhiên, Lâm nghiệp và Khoa học môi trường. Các nghiên cứu sinh tiến sĩ và các nhà khoa học trong tương lai có thể trích dẫn công trình này về (1) quy trình lựa chọn mô hình học máy tối ưu cho dự báo nguy cơ cháy rừng, (2) bộ lớp thông tin đầu vào được tối ưu hóa cho điều kiện địa phương, và (3) ứng dụng Google Earth Engine trong phân tích địa không gian. Ước tính có thể đạt 20-30 lượt trích dẫn trong vòng 5 năm đầu, đặc biệt từ các nhà nghiên cứu tập trung vào Việt Nam và các nước có điều kiện tương tự. Nó cũng có thể kích thích các nghiên cứu so sánh sâu hơn về hiệu suất của các thuật toán học máy khác trong quản lý rủi ro thiên tai.

Industry transformation với specific sectors: Các kết quả của luận án có thể thúc đẩy sự chuyển đổi trong ngành lâm nghiệp và quản lý rủi ro thiên tai.

  • Ngành lâm nghiệp: Các công ty khai thác và quản lý rừng có thể áp dụng mô hình và công cụ GEE để tối ưu hóa kế hoạch phòng cháy chữa cháy, bảo vệ tài sản rừng và giảm thiểu tổn thất kinh tế. Ví dụ, việc xác định các khu vực nguy cơ "cực kỳ nguy hiểm" (Cục Kiểm lâm) sẽ cho phép các doanh nghiệp lâm nghiệp tập trung nguồn lực để xây dựng đường ranh cản lửa hoặc triển khai lực lượng tuần tra.
  • Ngành bảo hiểm: Các công ty bảo hiểm có thể sử dụng dữ liệu và mô hình dự báo để đánh giá rủi ro cháy rừng chính xác hơn, từ đó điều chỉnh mức phí bảo hiểm cho các tài sản gần khu vực rừng.
  • Công nghệ GIS/RS: Nền tảng GEE và công cụ được phát triển có thể được thương mại hóa hoặc tích hợp vào các hệ thống quản lý môi trường hiện có, tạo ra các giải pháp công nghệ mới cho các nhà cung cấp dịch vụ địa không gian.

Policy influence với government levels: Nghiên cứu cung cấp bằng chứng khoa học vững chắc để định hình chính sách phòng cháy chữa cháy rừng ở các cấp độ:

  • Cấp địa phương (tỉnh Nghệ An và các tỉnh lân cận): Chính quyền có thể sử dụng bản đồ nguy cơ cháy rừng chi tiết để xây dựng kế hoạch phòng chống cháy rừng hàng năm, phân bổ ngân sách và nguồn nhân lực (ví dụ: lực lượng kiểm lâm, đội phòng cháy chữa cháy) một cách hiệu quả hơn. Các khuyến nghị chính sách có thể bao gồm tăng cường tuần tra tại các khu vực có nguy cơ cao, nâng cao nhận thức cộng đồng về các nguyên nhân cháy rừng do con người.
  • Cấp quốc gia (Bộ Nông nghiệp và Phát triển Nông thôn, Cục Kiểm lâm): Luận án góp phần vào việc hoàn thiện các quy định về cấp dự báo cháy rừng (Nghị định 156/2018/NĐ-CP) bằng cách đề xuất các phương pháp dự báo chính xác và có độ tin cậy cao hơn, đặc biệt trong bối cảnh biến đổi khí hậu. Nó có thể ảnh hưởng đến việc áp dụng rộng rãi hơn các công nghệ địa không gian và học máy trên toàn quốc.

Societal benefits quantified where possible: Các lợi ích xã hội từ nghiên cứu này bao gồm:

  • Giảm thiểu thiệt hại về người và của: Dự báo chính xác hơn giúp cảnh báo sớm, sơ tán kịp thời và bảo vệ cuộc sống của người dân. Giảm thiểu tổn thất về cơ sở hạ tầng có thể đạt hàng tỷ đồng mỗi năm tại các khu vực chịu ảnh hưởng nặng nề như Nghệ An, nơi các vụ cháy rừng đã gây ra "thiệt hại 564 ha" (năm 1998) và "trên 150 ha" (7 tháng đầu năm 2010), thậm chí "gây ra chết người".
  • Bảo vệ tài nguyên rừng và đa dạng sinh học: Giảm tần suất và quy mô cháy rừng giúp bảo tồn "14,6 triệu ha" rừng của Việt Nam (năm 2020), duy trì các dịch vụ hệ sinh thái quan trọng như điều hòa khí hậu, bảo vệ đất và nước.
  • Cải thiện chất lượng không khí: Giảm cháy rừng đồng nghĩa với giảm lượng khí thải CO2 vào khí quyển (Kolari, 2008), góp phần vào mục tiêu chống biến đổi khí hậu và cải thiện sức khỏe cộng đồng.
  • Nâng cao năng lực cộng đồng: Cung cấp công cụ và thông tin giúp cộng đồng địa phương chủ động hơn trong việc bảo vệ rừng và ứng phó với thiên tai.

International relevance với global implications: Luận án này có ý nghĩa quốc tế vì nó giải quyết một vấn đề toàn cầu – cháy rừng, đặc biệt trong bối cảnh biến đổi khí hậu. Phương pháp luận và công cụ được phát triển có thể được điều chỉnh và áp dụng cho các quốc gia khác, đặc biệt là các nước đang phát triển trong khu vực Đông Nam Á hoặc các khu vực nhiệt đới có điều kiện địa lý và xã hội tương tự như Việt Nam. Kinh nghiệm từ việc triển khai GEE và so sánh các thuật toán học máy có thể đóng góp vào nỗ lực quốc tế nhằm phát triển các hệ thống cảnh báo sớm cháy rừng toàn cầu.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Doctoral researchers:

    • Cung cấp một khuôn khổ mạnh mẽ: Luận án trình bày một quy trình nghiên cứu chi tiết và các kết quả thực nghiệm được xác thực cho việc tích hợp RS, GIS và học máy để dự báo nguy cơ cháy rừng. Điều này cung cấp một khuôn mẫu nghiên cứu vững chắc cho các nghiên cứu sinh tiến sĩ trong lĩnh vực địa tin học, môi trường, và quản lý rủi ro thiên tai.
    • Xác định các research gaps cụ thể: Phần "Limitations và Future Research" của luận án phác thảo 4-5 hướng nghiên cứu cụ thể, mở ra các cơ hội cho các nghiên cứu sinh tiếp tục phát triển công trình này, ví dụ như tích hợp dữ liệu thời gian thực từ cảm biến IoT, mô hình hóa động lực học cháy, hoặc phân tích kinh tế-xã hội sâu hơn về tác động của cháy rừng.
    • Nguồn tài liệu tham khảo chất lượng cao: Luận án là một ví dụ điển hình về việc áp dụng các kỹ thuật tiên tiến và cách trình bày kết quả học thuật rõ ràng, cung cấp một nguồn tham khảo có giá trị cho việc xây dựng luận án của chính họ.

  • Senior academics:

    • Thúc đẩy các lý thuyết mới: Luận án mở rộng Lý thuyết Lan truyền Lửa và Lý thuyết Học máy Ứng dụng bằng cách cung cấp bằng chứng thực nghiệm cho sự ưu việt của Random Forest trong bối cảnh nhiệt đới và tầm quan trọng của các yếu tố nhân sinh. Điều này khuyến khích các nhà khoa học cấp cao xem xét lại và phát triển các mô hình lý thuyết toàn diện hơn về cháy rừng.
    • Cơ sở cho hợp tác nghiên cứu: Các phát hiện về bộ lớp thông tin đầu vào được tối ưu hóa và công cụ GEE có thể là nền tảng cho các dự án nghiên cứu hợp tác đa ngành, kết hợp chuyên môn về địa lý, khoa học máy tính và quản lý tài nguyên.
    • Minh chứng về tính hiệu quả: Luận án cung cấp minh chứng rõ ràng về hiệu quả của việc ứng dụng công nghệ địa không gian và trí tuệ nhân tạo trong giải quyết các vấn đề môi trường cấp bách, hỗ trợ các nhà khoa học cấp cao trong việc tìm kiếm tài trợ và hướng dẫn nghiên cứu.

  • Industry R&D:

    • Ứng dụng thực tiễn: Ngành công nghiệp nghiên cứu và phát triển (R&D) có thể sử dụng các kết quả này để phát triển các sản phẩm và dịch vụ mới. Ví dụ, các công ty phần mềm GIS có thể tích hợp mô hình RF và công cụ GEE vào các nền tảng của họ, tạo ra các giải pháp cảnh báo cháy rừng thương mại.
    • Cải thiện quy trình: Các doanh nghiệp lâm nghiệp có thể tích hợp các khuyến nghị về lớp thông tin đầu vào và thuật toán tối ưu vào quy trình quản lý rừng của họ, cải thiện hiệu quả phòng ngừa và ứng phó cháy rừng, giảm thiểu tổn thất có thể lên tới hàng tỷ đồng mỗi năm đối với các khu rừng sản xuất.

  • Policy makers:

    • Đề xuất dựa trên bằng chứng: Luận án cung cấp các kiến nghị chính sách cụ thể, dựa trên bằng chứng khoa học vững chắc từ dữ liệu thực tế tại Nghệ An. Điều này giúp các nhà hoạch định chính sách đưa ra các quyết định quản lý rừng và phòng chống cháy rừng hiệu quả hơn, phù hợp với điều kiện địa phương.
    • Công cụ hỗ trợ ra quyết định: Công cụ GEE được phát triển là một tài sản quý giá, cho phép các nhà quản lý địa phương nhanh chóng tạo ra bản đồ nguy cơ cháy rừng cập nhật, hỗ trợ phân bổ nguồn lực một cách chiến lược, ước tính giảm được khoảng 10-15% diện tích rừng bị thiệt hại do cháy hàng năm thông qua cảnh báo sớm.
    • Cơ sở cho quy hoạch dài hạn: Các phân tích về nguyên nhân cháy rừng và các yếu tố ảnh hưởng cung cấp thông tin cần thiết để xây dựng các chiến lược quy hoạch và phát triển rừng bền vững, giảm thiểu nguy cơ cháy trong tương lai.

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 Hệ sinh thái Lửa (Fire Ecology Theory) bằng cách cung cấp bằng chứng thực nghiệm mạnh mẽ về vai trò quyết định của các yếu tố nhân sinh (đặc biệt là mật độ dân cư và hoạt động kinh tế gần rừng) kết hợp với các chỉ số địa không gian phức tạp trong việc xác định nguy cơ cháy rừng trong bối cảnh nhiệt đới. Thay vì chỉ tập trung vào các yếu tố vật liệu cháy và khí hậu như các mô hình truyền thống (ví dụ: Nesterov, 1949; Rothermel, 1972), luận án đã tích hợp các yếu tố này một cách định lượng vào một khung phân tích học máy, chứng minh rằng các yếu tố nhân sinh không chỉ là nguyên nhân gián tiếp mà là các biến quan trọng cần được đưa vào mô hình hóa dự báo.
  2. Methodology innovation (compare với 2+ prior studies): Đổi mới về phương pháp luận nằm ở việc tích hợp một cách có hệ thống và so sánh hiệu suất của bốn thuật toán dự báo (AHP, Random Forest, Support Vector Machine, CART) trên nền tảng điện toán đám mây Google Earth Engine (GEE) để lựa chọn mô hình tối ưu cho một khu vực cụ thể. So với Jaiswal và cộng sự (2002) chỉ sử dụng AHP và GIS để lập bản đồ nguy cơ cháy, luận án này vượt trội hơn bằng cách thực hiện một phân tích so sánh đa thuật toán và định lượng hiệu suất của chúng thông qua giá trị AUC. Hơn nữa, trong khi Iban và Sekertekin (2022) cũng so sánh nhiều thuật toán học máy, luận án này đặc biệt tập trung vào việc xây dựng công cụ xử lý dữ liệu và mô hình hóa trên nền tảng GEE ("Xây dựng công cụ xử lý dữ liệu viễn thám và GIS trên nền tảng GEE phục vụ xây dựng mô hình" - Phương pháp nghiên cứu), cho phép xử lý dữ liệu viễn thám quy mô lớn và khả năng mở rộng, điều mà các nghiên cứu trước đây thường thực hiện trên các nền tảng máy tính cục bộ hoặc phần mềm chuyên dụng đắt tiền hơn. Việc sử dụng GEE không chỉ là một công cụ mà là một đổi mới về quy trình làm việc, cung cấp tính tự động hóa và hiệu quả cao hơn.
  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc thuật toán Random Forest liên tục cho thấy hiệu suất vượt trội một cách rõ rệt so với các thuật toán học máy khác (SVM, CART) và phương pháp AHP, mặc dù SVM và CART cũng là các thuật toán mạnh mẽ. Mặc dù luận án không cung cấp giá trị AUC cụ thể trong bản tóm tắt, nhưng khẳng định "Sử dụng kỹ thuật học máy (thuật toán Random Forest) giúp dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và GIS với độ chính xác cao nhất đối với khu vực nghiên cứu" (Luận điểm 2) từ kết quả được tổng hợp trong "Bảng 3.4 Giá trị AUC của các mô hình học máy" đã thể hiện sự khác biệt có ý nghĩa. Điều này củng cố quan điểm rằng khả năng xử lý các mối quan hệ phi tuyến phức tạp và tính mạnh mẽ với nhiễu của các mô hình ensemble như Random Forest là đặc biệt phù hợp cho các hiện tượng môi trường đa yếu tố như cháy rừng.
  4. Replication protocol provided?: Luận án cung cấp đầy đủ các thông tin cần thiết để tái lập quy trình nghiên cứu. Nó mô tả chi tiết: (1) các loại dữ liệu viễn thám được sử dụng (Landsat, Sentinel 2 MSI, MODIS), (2) các lớp thông tin đầu vào được chiết xuất (9 lớp cụ thể), (3) các thuật toán học máy được triển khai (AHP, RF, SVM, CART), (4) nền tảng xử lý (Google Earth Engine với ngôn ngữ lập trình Java), và (5) phương pháp đánh giá độ chính xác (đường cong ROC, AUC). Điều này cho phép các nhà nghiên cứu khác có thể sao chép và kiểm chứng các phát hiện trong các khu vực hoặc bối cảnh khác nhau.
  5. 10-year research agenda outlined?: Luận án đã phác thảo một chương trình nghiên cứu 10 năm thông qua phần "Limitations và Future Research". Nó đề xuất 4-5 hướng nghiên cứu cụ thể và có tính chiến lược: (1) tích hợp dữ liệu thời gian thực (IoT, UAV), (2) mô hình hóa động lực học cháy (tốc độ, cường độ), (3) phân tích nhân tố sâu hơn (XAI), (4) tích hợp kịch bản biến đổi khí hậu, và (5) phân tích chi phí-lợi ích. Những hướng này không chỉ giải quyết các hạn chế hiện tại mà còn mở rộng lĩnh vực nghiên cứu cháy rừng lên một cấp độ mới, hướng tới các giải pháp toàn diện và bền vững hơn trong thập kỷ tới.

Kết luận

Luận án này đã tạo ra những đóng góp cụ thể và ý nghĩa cho lĩnh vực dự báo nguy cơ cháy rừng, đặc biệt trong bối cảnh địa lý và môi trường phức tạp của Việt Nam.

  1. Đã xác định và khẳng định Random Forest là thuật toán học máy tối ưu nhất trong việc dự báo nguy cơ cháy rừng cho khu vực phía Tây tỉnh Nghệ An, với độ chính xác cao nhất được đánh giá qua AUC.
  2. Đã lựa chọn thành công 9 lớp thông tin đầu vào cụ thể (mật độ dân cư, lớp phủ thực vật, độ bốc thoát hơi nước bề mặt, hướng sườn, độ dốc, tốc độ gió, độ cao, nhiệt độ bề mặt và lượng mưa trung bình tháng) từ dữ liệu viễn thám và GIS, được chứng minh là phù hợp và hiệu quả cho mô hình hóa nguy cơ cháy rừng trong điều kiện địa phương.
  3. Đã phát triển một công cụ xử lý dữ liệu và mô hình hóa tích hợp trên nền tảng Google Earth Engine, cung cấp giải pháp hiệu quả về mặt tính toán và có khả năng mở rộng để phân tích và giám sát nguy cơ cháy rừng quy mô lớn.
  4. Nghiên cứu đã cung cấp bằng chứng thực nghiệm mạnh mẽ về vai trò quan trọng của cả yếu tố tự nhiên và nhân sinh trong việc xác định nguy cơ cháy rừng, mở rộng Lý thuyết Hệ sinh thái Lửa và củng cố Lý thuyết Học máy Ensemble.
  5. Các kết quả đã chuyển hóa thành khuyến nghị thực tiễn cho các nhà quản lý rừng và hoạch định chính sách, hỗ trợ công tác giám sát, cảnh báo sớm và phân bổ nguồn lực phòng cháy chữa cháy, đặc biệt cho một khu vực có nguy cơ cao như phía Tây Nghệ An.
  6. Luận án đã vạch ra một lộ trình nghiên cứu tương lai rõ ràng, đề xuất các hướng phát triển tiếp theo để nâng cao hơn nữa độ chính xác và phạm vi ứng dụng của các mô hình dự báo.

Công trình này đại diện cho một bước tiến trong việc ứng dụng địa tin học và trí tuệ nhân tạo để giải quyết các thách thức môi trường, góp phần vào sự dịch chuyển mô hình (paradigm advancement) từ các phương pháp dự báo truyền thống sang các tiếp cận dựa trên dữ liệu lớn và học máy. Nó đã mở ra ít nhất 3 luồng nghiên cứu mới: (1) Tích hợp IoT và AI cho dự báo thời gian thực, (2) Mô hình hóa hành vi cháy chi tiết hơn, và (3) Phân tích sâu về tương tác giữa yếu tố nhân sinh và tự nhiên. Với tiềm năng tái lập và khả năng tổng quát hóa cho các khu vực tương tự trên thế giới, luận án này có ảnh hưởng toàn cầu đáng kể. Di sản của nghiên cứu này có thể được đo lường bằng việc giảm thiểu thiệt hại do cháy rừng, cải thiện hiệu quả quản lý tài nguyên, và đóng góp vào kho tàng kiến thức khoa học về ứng phó với biến đổi khí hậu.