Lũ lụt là tai biến thiên nhiên phổ biến, gây ra nhiều thiệt hại về người và tài sản ở Việt Nam. Mặc dù chính phủ Việt Nam đã có những giải pháp xây dựng các công trình phòng chống lũ lụt như đê và hệ thống cảnh báo sớm, hiện nay vẫn thiếu các công cụ và phương pháp đánh giá rủi ro lũ lụt được phát triển ở cấp quốc gia và địa phương, và một khung quản lý rủi ro lũ lụt tích hợp. Khu vực bờ biển duyên hải miền Trung là khu vực dễ bị tổn thương lũ lụt nhất ở Việt Nam, sinh kế của người dân và 

sự phát triển kinh tế xã hội của khu vực bị ảnh hưởng nghiêm trọng. Trong đó, Quảng Bình là tỉnh thường xuyên chịu ảnh hưởng nặng nề do bão và lũ lụt.

Mục tiêu của nghiên cứu là xây dựng công cụ đánh giá rủi ro lũ lụt cho tỉnh Quảng Bình sử dụng các kỹ thuật học máy và học sâu kết hợp với các phương pháp phân tích ra quyết định đa tiêu chí. Các kỹ thuật học máy và học sâu là các kỹ thuật trí tuệ nhân tạo tiên tiến đã được áp dụng hiệu quả trong đánh giá và dự báo tai biến thiên nhiên. Các số liệu lũ lịch sử, thủy văn, mưa, thạch học, địa hình, địa mạo, phân loại sử dụng đất, và các số liệu thông kê về dân số, kinh tế xã hội được thu thập và phân tích, mô hình hóa sử dụng kỹ thuật học máy và học sâu  kết hợp với các công cụ đánh giá đa tiêu chí sau đó tích hợp cùng các công cụ GIS để xây dựng bản đồ đánh giá rủi ro lũ lụt tại khu vực nghiên cứu.

Các kết quả của đề xuất là một hệ phương pháp mô hình hóa mới để phát triển công cụ lập bản đồ đánh giá rủi ro lũ lụt sử dụng các mô hình trí tuệ nhân tạo kết hợp với các phương pháp phân tích ra quyết định đa tiêu chí. Hệ phương pháp sẽ không chỉ đóng góp vào sự phát triển lý thuyết và các phương pháp mô hình hóa đánh giá rủi ro lũ lụt mà còn là công cụ hỗ trợ các nhà quản lý, người ra quyết định, các nhà hoạch định chính sách trong việc phát triển các kế hoạch hành động phòng chống thiên tai, quản lý rủi ro lũ lụt.

Các kết quả từ nghiên cứu đã được công bố trên các tạp chí ISI quốc tế và được trình bày tại hội nghị khoa học quốc tế. Cụ thể như sau:

1. Bài báo đăng trên tạp chí trong nước trong danh mục Scopus (https://doi.org/10.15625/2615-9783/16626):

Trong bài báo này này, hai mô hình quan trọng, cụ thể là RBFC và FLDA, đã được sử dụng để lập mô hình tính nhạy cảm với lũ lụt cho một nghiên cứu điển hình của tỉnh Quảng Bình. Kết quả phân tích thống kê chỉ ra rằng thuật toán RBFC có hiệu suất tốt hơn và có thể xây dựng bản đồ chính xác về mức độ dễ bị lũ lụt của khu vực nghiên cứu. RBFC là một loại Mạng nơ-ron nhân tạo đã cho kết quả dự đoán tốt về mô hình tính nhạy cảm với lũ lụt; do đó nó cũng có thể được áp dụng ở các khu vực dễ bị lũ lụt khác. Ngoài ra, thuật toán RFBC có thể được kết hợp với các thuật toán ML khác để phát triển các mô hình dự đoán và ánh xạ chính xác hơn. Phương pháp đề xuất có thể được mở rộng cho các vùng khác có sẵn địa hình, thủy văn, địa chất, và sử dụng đất. Hạn chế của nghiên cứu này là chúng tôi đã áp dụng các mô hình đơn lẻ để lập mô hình tính nhạy cảm với lũ lụt; các mô hình kết hợp nên được phát triển để lập bản đồ tính nhạy cảm với lũ lụt trong khu vực cho các nghiên cứu tiếp theo. Các mô hình đã được kiểm chứng này có thể được sử dụng cho các vùng dễ bị lũ lụt khác, có tính đến các đặc điểm địa môi trường địa phương.

2. Bài báo đăng trên tạp chí SCIE, IF=3.158 (https://doi.org/10.1007/s11069-021-04821-7):

Nghiên cứu này đã xây dựng bản đồ đánh giá tính nhạy cảm với lũ lụt áp dụng cho tỉnh Quảng Bình sử dụng năm mô hình machine learning (NB Tree, LM Tree, REP Tree, AD Tree, and J48), vết lũ lịch sử và dữ liệu có sẵn về địa hình, thủy văn, địa chất và môi trường. Các phương pháp xác thực khác nhau, bao gồm cả đường cong ROC, đã được sử dụng để xác thực và so sánh các mô hình. Kết quả kiểm định cho thấy các mô hình đều thực hiện tốt công tác dự báo tính nhạy cảm với lũ tại khu vực nghiên cứu; tuy nhiên, hiệu suất của NB Tree là tốt nhất. Do đó, có thể kết luận rằng Cây NB là một mô hình đầy hứa hẹn để tạo ra một bản đồ nhạy cảm với lũ lụt chính xác. Ngoài ra, tất cả năm bản đồ mức độ nhạy cảm được tạo từ năm mô hình ML cũng hoạt động tốt, có thể hỗ trợ những người ra quyết định và chính quyền địa phương kiểm soát, giảm thiểu và chuyển giao các mối nguy ngập lụt. Việc áp dụng các kỹ thuật ML thống kê trong nghiên cứu này có thể củng cố phương pháp ML trong quản lý rủi ro lũ lụt và thúc đẩy việc sử dụng cơ sở dữ liệu thảm họa trong các ứng dụng chính sách. Trong các nghiên cứu trong tương lai, các mô hình đã được kiểm chứng này có thể được áp dụng cho các khu vực dễ bị ngập lụt khác trên toàn thế giới, có xem xét các đặc điểm địa lý-môi trường của một khu vực nhất định. Ngoài ra, các kỹ thuật ML tiên tiến hơn như mô hình lai hoặc mô hình học sâu cũng có thể được phát triển để lập bản đồ tính nhạy cảm với lũ lụt trong khu vực nghiên cứu này.

3. Bài báo đăng trên tạp chí SCI, IF=6.708 (https://doi.org/10.1016/j.jhydrol.2021.126500)

Trong nghiên cứu này, các phương pháp tính toán tập hợp dựa trên GIS đã được phát triển để tạo ra các bản đồ về mức độ nhạy cảm với lũ của tỉnh Quảng Bình, Việt Nam. Đây là lần đầu tiên mô hình PART được sử dụng làm công cụ phân loại cơ sở để phát triển các mô hình ML đồng bộ nhằm lập bản đồ và dự đoán các vùng nhạy cảm với lũ lụt. Phương pháp OneR được sử dụng để lựa chọn và ưu tiên mười yếu tố ảnh hưởng đến lũ lụt (độ cao, độ dốc, độ cong, hướng dòng chảy, tích tụ dòng chảy, mật độ sông, khoảng cách từ sông, lượng mưa, sử dụng đất và địa chất) để lập mô hình. Chỉ số AM thu được từ phương pháp OneR cho thấy các yếu tố Sử dụng đất (82,31), Địa chất (79,81), Độ dốc (74,73) ảnh hưởng lớn đến sự xuất hiện lũ lụt trong khu vực nghiên cứu. Các yếu tố khác cũng có giá trị AM tương đối cao hơn (47,68-74,52); do đó chúng cũng được sử dụng cho mô hình tính nhạy cảm với lũ lụt.

Kết quả kiểm chứng cho thấy mô hình RSSPART mới được phát triển với AUC = 0,959 vượt trội so với các mô hình khác trong việc dự đoán các khu vực dễ bị lũ lụt. Do đó, bản đồ tính nhạy cảm với lũ lụt được xây dựng bằng mô hình này có chất lượng cao và có thể được các nhà quy hoạch và ra quyết định sử dụng để lập kế hoạch quản lý lũ lụt đầy đủ thông tin hơn. Nghiên cứu cho thấy mô hình sử dụng đất đóng một vai trò rất quan trọng trong quá trình ngập lụt của khu vực nghiên cứu. Do đó, các hoạt động nhân tạo nên được lập kế hoạch phù hợp để giảm bớt và ngăn ngừa tác động của lũ lụt. Hạn chế của nghiên cứu của chúng tôi là chúng tôi chỉ xem xét lũ lụt trong mô hình. Các công trình trong tương lai có thể áp dụng các mô hình này cho cả lũ phù sa và lũ quét để làm cơ sở so sánh toàn diện hiệu suất của mô hình.

4. Bài báo đăng trên tạp chí SCIE, IF=4.080  (https://doi.org/10.1007/s10668-021-02041-4)

Nghiên cứu này đã phát triển một khung tích hợp các kỹ thuật ML và phương pháp tiếp cận MCDA để đánh giá rủi ro lũ lụt. Các mô hình ML đã được phát triển để tạo bản đồ mức độ nhạy cảm với lũ lụt. Tính dễ bị tổn thương do lũ lụt được đánh giá thông qua các chỉ số kinh tế-xã hội sử dụng phương pháp MCDA của AHP. Trong nghiên cứu này, rủi ro lũ lụt được xác định là mối quan hệ chức năng của hiểm họa và tình trạng dễ bị tổn thương. Kết quả bản đồ rủi ro lũ lụt có thể cung cấp thông tin hữu ích cho những người ra quyết định và chính quyền địa phương trong các biện pháp giảm thiểu rủi ro lũ lụt như quy hoạch sử dụng đất hợp lý và các chính sách phù hợp. Khung tích hợp được đề xuất này cũng cần được xác minh ở các khu vực dễ bị lũ lụt khác để mở rộng phương pháp khả thi.

5. Bài báo đăng trên tạp chí SCI, IF=4.302 (https://doi.org/10.1111/risa.14018)

Trong nghiên cứu này, bản đồ đánh giá rủi ro lũ lụt được tạo ra từ ngân hàng dữ liệu không gian địa lý và khung lý thuyết sử dụng thuật toán ML tích hợp và AHP. Đề tài đã sử dụng các chỉ số thống kê để xác thực và đánh giá hiệu suất của các mô hình. Nghiên cứu đánh giá rủi ro lũ lụt bằng cách xem xét ba yếu tố nguy hiểm, mức độ phơi nhiễm và tính dễ bị tổn thương. Các tiêu chí khác nhau đã được phân tích để đánh giá khả năng bị lũ lụt và tính dễ bị tổn thương. Ưu điểm của khung là không yêu cầu dữ liệu chuỗi thời gian dài về khí hậu, dòng chảy và mặt cắt ngang của sông. Việc phân tích và lập bản đồ rủi ro lũ lụt có thể cung cấp thông tin hữu ích cho các cơ quan chức năng và những người ra quyết định chuẩn bị cho các hoạt động ứng phó với lũ lụt. Nó cũng có lợi trong việc truyền thông về rủi ro lũ lụt trong khu vực vì sự an toàn của các cộng đồng bị ảnh hưởng.

6. Bài báo hội thảo quốc tế trong danh mục Scopus (https://doi.org/10.1007/978-981-16-7160-9_195)

Nghiên cứu này đã sử dụng một trong những mô hình cây quyết định tốt nhất, cây quyết định J48, để xây dựng bản đồ tính nhạy cảm với lũ lụt cho tỉnh Quảng Bình, Việt Nam. Kết quả nghiên cứu mô hình cho thấy J48 có hiệu quả cao trong việc dự đoán các vùng nhạy cảm với lũ lụt được chỉ ra bằng các biện pháp thống kê. Có thể kết luận rằng bản đồ mức độ nhạy cảm với lũ được tạo ra từ việc áp dụng thuật toán J48 có thể được sử dụng để đánh giá, giảm thiểu và quản lý rủi ro lũ lụt. Ngoài ra, các kỹ thuật ML tiên tiến hơn, chẳng hạn như các mô hình kết hợp, cũng có thể được phát triển để lập bản đồ tính nhạy cảm với lũ lụt ở khu vực này.

Không