SAVE & SHARE

Dự đoán độ sâu ngập lụt từ ảnh viễn thám, AI và DEM

Study region

Nhat Le river basin, the floodplains of Central coast of Vietnam.

Study focus

Flood disasters have a significant impact on population and economies worldwide. To accurately assess flood damage, it is crucial to estimate the water depth and predict the potential spread of damage. However, conventional methods of estimating flood depth can be time-consuming and costly due to the large amount of data required from hydraulic and rain-runoff models. To overcome these limitations, we propose a new approach that integrates a machine learning (ML) algorithm with a floodwater depth estimation tool (FwDET) based on SAR imagery and digital elevation models (DEMs). To evaluate our approach, we trained and tested six ML regression algorithms using 804 sets of inventory flood depth data from the historic flood on the Nhat Le River in Vietnam in October 2020 as the dependent variable. This approach significantly improves flood depth prediction accuracy, enabling a faster and more cost-effective estimation of flood damage.

New hydrological insights for the region

Our research shows that by combining ML with FwDET, we were able to significantly enhance water depth prediction accuracy. We observed a 25.05% increase in the R2 coefficient and a 13.46% increase in the R coefficient. We recommend integrating satellite imagery, DEM, and ML for flood depth predictions, especially for floodplains with similar topographical conditions as the Nhat Le basin. This approach offers a practical, cost-effective, and near real-time solution for flood response. Implementing this approach can help improve flood damage assessment and mitigate the potential impacts of flood disasters on communities and economies.

Citation: Liou, Y.-A.*, Hoang, D.V., 2024: Improved flood depth estimation with SAR image, digital elevation model, and machine learning schemes. Journal of Hydrology: Regional Studies. (SCI, IF = 5.436, RF=13/131, WATER RESOURCES).

https://www.sciencedirect.com/science/article/pii/S221458182400123X

Dự đoán độ sâu ngập lụt từ ảnh viễn thám, AI và DEM

Reviewed by VinhHD on 12:28 Rating: 5

Định lượng tác động của con người với nguy cơ xảy ra lũ quét

VinhHD 12:21

Mặc dù trong những năm gần đây, có vô số nghiên cứu đánh giá về mức độ nhạy cảm với lũ lụt dựa trên sự tối ưu của các mô hình dự đoán nguy cơ lũ quét nhưng vẫn còn khoảng trống về phân tích toàn diện tích hợp các yếu tố động (độ biến động cao) và tĩnh (độ biến động thấp) để kiểm tra những thay đổi theo thời gian trong xác suất lũ lụt.

Nghiên cứu sinh Hoàng Đức Vinh (Phòng thí nghiệm Trọng điểm Quốc gia về Động lực học sông biển, Viện Khoa học Thủy lợi Việt Nam) và cộng sự ở Trung tâm Nghiên cứu vũ trụ và Viễn thám, ĐH Quốc lập Trung ương Đài Loan) đã thử dùng thuật toán học máy để dự đoán các khu vực có nguy cơ xảy ra lũ quét trong giai đoạn 2013 -2022. Kết quả được công bố trong bài báo “Assessing the influence of human activities on flash flood susceptibility in mountainous regions of Vietnam” (Đánh giá sự ảnh hưởng của các hoạt động con người lên nguy cơ xảy ra lũ quét ở vùng núi cao Việt Nam), tạp chí Ecological Indicators (Chi tiết bài báo xem tại đây)

Hai thập kỷ qua, sự tăng trưởng về kinh tế nhanh của Việt Nam đã kéo theo quá trình đô thị hóa, chuyển đổi mục tiêu sử dụng đất, giảm diện tích rừng tự nhiên, làm trầm trọng thêm sự nguy hiểm của lũ quét. Hiện tượng thiên tai này đã gây ra rất nhiều thiệt hại đến tính mạng con người, cơ sở hạ tầng và tài sản ở các vùng núi Việt Nam. Một trong những công cụ quan trọng để giúp cư dân những vùng dễ xảy ra lũ quét là lập các bản đồ nguy cơ dựa trên mối tương quan giữa những sự kiện lũ đã từng xảy ra và những nhân tố ảnh hưởng. Nghiên cứu sinh Hoàng Đức Vinh và cộng sự tập trung vào Mường La, một huyện miền núi của tỉnh Sơn La, phía Bắc Việt Nam, sử dụng dữ liệu từ Tổng cục Phòng chống thiên tai và các dữ liệu hiện trường từ Viện Khoa học Thủy lợi Việt Nam. Khu vực mà họ nghiên cứu có 226 điểm dễ xảy ra lũ quét trong các năm từ 2013 đến 2022.

Để tìm hiểu thêm những yếu tố liên quan đến khả năng xảy ra lũ quét, nghiên cứu sinh Hoàng Đức Vinh và cộng sự đã đánh giá một cách định lượng ảnh hưởng của các hoạt động con người trong giai đoạn 2001 đến 2022. Với một số thuật toán học máy sẵn có, họ đã phân tích 15 nhân tố độc lập và kiểm tra 452 điểm dữ liệu lịch sử để dự đoán xác suất xảy ra lũ quét và xây dựng bản đồ nguy cơ lũ quét thời kỳ 2013-2022. Với các điều kiện thời tiết tương đồng có khả năng kích hoạt lũ quét, họ đã ước tính xác suất lũ quét và phân bố về mặt không gian của lũ quét giai đoạn 2001–2020.

Để đánh giá tác động của con người, họ đã thực hiện một phân tích chi tiết về các mẫu hình sử dụng đất và sử dụng các chỉ số như Chỉ số Thực vật khác biệt được chuẩn hóa (NDVI) và chỉ số Xây dựng khác biệt được chuẩn hóa (NDBI), hai yếu tố đóng vai trò quan trọng trong định hình vai trò định hình những khác biệt trong xác suất giữa hai giai đoạn. Kết quả cho thấy những xu hướng nguy cơ và tiết lộ sự gia tăng đáng kể xác xuất lũ quét tới 7,69% và 4,01% trong các khu vực được phân loại cao và khả năng nguy cơ rất cao trong hai thập kỷ qua.

Kịch bản nguy cơ lũ quét được đánh giá cho giai đoạn vừa qua (2001–2010) bằng cách phân tích sự biến động của các yếu tố LULC (chuyển đổi mục tiêu sử dụng đất), NDVI và NDBI, trong đó những thay đổi về LULC có thể ảnh hưởng đến dòng chảy bề mặt, tốc độ thấm và mô hình thoát nước, do đó ảnh hưởng đến khả năng và mức độ nghiêm trọng của lũ lụt, NDVI tương quan chặt chẽ với tần suất lũ quét, NDBI càng cao thì càng dễ bị lũ quét hơn do dòng chảy tích tụ nhanh chóng khi có lượng mưa lớn. Do đó, nghiên cứu đã định lượng được tác động của con người đối với khả năng xảy ra lũ quét trong khu vực. Cụ thể, các hoạt động của con người trong hai thập kỷ qua đã làm tăng khả năng xảy ra lũ quét, dẫn đến mức tăng lần lượt là 7,69% và 4,01% ở các vùng có nguy cơ lũ quét cao và rất cao.

Phân tích cho thấy những thay đổi ở rừng tự nhiên, diện tích mặt nước, đất nông nghiệp và khu vực xây dựng đã dẫn đến giá trị NDVI giảm và giá trị NDBI tăng trong giai đoạn 2001–2010 và 2013–2022. Những biến đổi do con người gây ra đã góp phần làm tăng xác suất và mức độ nghiêm trọng của lũ quét, qua đó nhấn mạnh trách nhiệm của con người trong việc thay đổi mức độ nghiêm trọng của thiên tai.

Theo Anh Vũ

Báo Tia Sáng

https://tiasang.com.vn/tin-tuc/dinh-luong-tac-dong-cua-con-nguoi-voi-nguy-co-xay-ra-lu-quet/?fbclid=IwAR1OCyhBbnX91RgdRtL_sHBd7ojbzZSf-jasK13n0VIZqYNUdPj7bxCSdw8

Định lượng tác động của con người với nguy cơ xảy ra lũ quét

Reviewed by VinhHD on 12:21 Rating: 5

Tài liệu về thủy lực

VinhHD 09:40

Chia sẻ một số tài liệu quan trọng về thủy lực công trình.

1. Hydraulic design of highway culverts

Đây là tài liệu Thiết kế Thủy lực cho Cống trên Đường cao tốc, do Cục Quản lý Đường cao tốc Liên bang Mỹ (FHWA) phát hành. Tài liệu này cung cấp hướng dẫn chi tiết về thiết kế thủy lực của cống, bao gồm các cân nhắc về dòng chảy lũ, kiểm soát đầu vào và đầu ra, và kích thước cống. Mặc dù chủ yếu tập trung vào cống, nhiều nguyên tắc và phương pháp cũng có thể được áp dụng cho thoát nước đường hầm.

Link download tại Google driver

https://drive.google.com/file/d/1OuvLhPhitJumENvTWtkAjIuvhfbujTzu/view?usp=share_link

2. Hydraulic Design of Flood Control Channels

Đây là sách hướng dẫn về thiết kế thủy lực cho các kênh kiểm soát lũ do U.S. Army Corps of Engineers (USACE) phát hành năm 1994. Sách cung cấp hướng dẫn về các nguyên tắc và phương pháp thiết kế thủy lực cho các kênh, có thể áp dụng cho hệ thống thoát nước đường hầm dài. Mặc dù tập trung vào các kênh mở, sổ tay bao gồm các khía cạnh khác nhau của thủy lực dòng chảy, bao gồm định tuyến lũ và tính toán dung lượng kênh.

Link download tại Google driver

https://drive.google.com/file/d/1UztCXw2s2f08Vnx2gAqKtoiQFdTGxVrT/view?usp=sharing

3. Floodway design guide

Đây là sách hướng dẫn thiết kế đường giao thông thoát lũ của chính phủ Tây Úc. Rất hữu ích cho các kỹ sư khi thiết kế đường giao thông qua các khu vực có thể bị ngập.

Link download tại Google driver:

https://drive.google.com/file/d/1h3Fcx3yuBUmYMZwttDMIEL3668T8DzT8/view?usp=sharing

4. 2D Hydraulic Modeling for Highways in the River Environment

Đây là tài liệu tham khảo hướng dẫn lập mô hình thủy lực 2D cho đường cao tốc trong khu vực có dòng chảy (sông, lũ...) do cục đường bộ Mỹ ban hành năm 2019

Link download tại Google driver:

https://drive.google.com/file/d/1RmdDZTSI8lspl_XbhGxC0GLBBpg-JF1f/view?usp=sharing

Tài liệu về thủy lực

Reviewed by VinhHD on 09:40 Rating: 5

Giải thích dễ hiểu về Hybrid Machine learning

VinhHD 14:47

Hybrid Machine learning (HML) là loại mô hình học máy lai, đã được sử dụng phổ biến trong thời gian gần đây. Chúng ta có thể đã ứng dụng nó đâu đó nhưng không nhận ra nó. Vì thế, việc hiểu về HML là cần thiết. Hôm nay, chúng ta sẽ đi tìm hiểu khái niệm cơ bản về mô hình học máy lai, phương pháp của nó thế nào và cách nó hoạt động ra làm sao.

Bài viết được lược dịch sang tiếng Việt từ bài gốc: "Hybrid Machine Learning Explained in Nontechnical Terms" của tác giả Fatai Anifowose, đăng trên Journal of Petroleum technology. Link gốc bài viết hãy xem ở đây: https://jpt.spe.org/hybrid-machine-learning-explained-nontechnical-terms

1. Giới thiệu tổng quan

Chúng ta đã khá quen thuộc với công nghệ trí tuệ nhân tạo (AI) và cách nó liên quan đến học máy (ML). Về cơ bản, AI là một lĩnh vực con của khoa học máy tính tập trung vào thiết kế và phát triển các hệ thống thông minh dưới dạng phần cứng, phần mềm hoặc cả hai. AI là công nghệ áp dụng cho nhiều lĩnh vực và tiên tiến như robot, xử lý ngôn ngữ tự nhiên, hệ thống chuyên gia và ML. ML là khía cạnh tính toán của AI sử dụng các quy trình khai thác kiến thức, nhận diện mẫu và khai thác dữ liệu để tự động học từ dữ liệu và phát triển các luồng công việc dự đoán. Phương pháp ML giám sát truyền thống bao gồm trình bày dữ liệu đầu vào (biến dự báo và biến mục tiêu) cho một mô hình được đào tạo. Quá trình đào tạo tìm kiếm để xác định thông qua một quy trình lặp lại một tập hợp các thông số mô hình tối đa hóa mối quan hệ giữa biến dự báo (đặc trưng đầu vào) và biến mục tiêu. Mô hình đã được đào tạo nhận dữ liệu đầu vào mới cho các biến dự báo và sử dụng mẫu được nhận dạng để ước tính biến mục tiêu. Hình 1 trình bày đơn giản hóa của phương pháp này.

Hình 1. Sơ đồ đơn giản hóa của thuật toán ML truyền thống

Hầu hết các phương pháp ML ngày nay đề sử dụng sơ đồ này. Ví dụ như các thuật toán ANN, decision tree, hay SVM. Các phương pháp này đã được sử dụng trong hơn 4 thập kỷ. Gần đây, học máy lai (HML) đã được sử dụng như một phương pháp mới tiên tiến hơn.

Vậy HML là gì? Hiểu được những gì đưa vào thuật toán của HML giúp chúng ta có thể nắm được nguyên lý cơ bản, phương pháp hoạt động để ứng xử với chúng tốt hơn trong các bài toán cụ thể, giảm thiểu hiện tượng "hộp đen" trong nghiên cứu khoa học.

2. Hybrid machine learning là gì?

Hầu hết chúng ta có lẽ đã sử dụng các thuật toán HML dưới một hình thức nào đó mà không nhận ra. Chúng ta có thể đã sử dụng các phương pháp kết hợp của các phương pháp hiện có hoặc kết hợp với các phương pháp được nhập từ các lĩnh vực khác. Đôi khi chúng ta áp dụng các phương pháp biến đổi dữ liệu như phân tích thành phần chính (PCA) hoặc phân tích tương quan tuyến tính đơn giản trên dữ liệu của chúng ta trước khi đưa chúng vào một phương pháp ML. Một số người thực hành sử dụng các thuật toán tiến hóa để tự động hóa tối ưu hóa các thông số của các phương pháp ML hiện có. Thuật toán HML dựa trên một kiến trúc ML khác một chút so với cách truyền thống. Chúng ta có vẻ đã coi nhẹ các thuật toán ML khi chúng ta đơn giản chỉ sử dụng chúng như một sản phẩm sẵn có, thường là không xem xét chi tiết về cách các thành phần tương tác với nhau.

HML là một tiến bộ của phương pháp ML kết hợp liền mạch các thuật toán, quy trình hoặc thủ tục từ các lĩnh vực hoặc khu vực ứng dụng tương đồng hoặc khác biệt với mục tiêu bổ sung cho nhau. Vì không có một phương pháp nào phù hợp cho tất cả các vấn đề, không có một phương pháp ML nào có thể áp dụng cho tất cả các vấn đề. Một số phương pháp tốt trong việc xử lý dữ liệu nhiễu (noisy data) nhưng có thể không xử lý được đầu vào đa chiều. Một số phương pháp khác có khả năng áp dụng tốt trên đầu vào đa chiều nhưng không xử lý được dữ liệu thưa. Điều này là tiền đề tốt để áp dụng HML nhằm bổ sung cho các phương pháp tiềm năng và sử dụng một phương pháp để khắc phục điểm yếu của các phương pháp khác. Hình 2 cho thấy một khung khái niệm của phương pháp HML.

Hình 2. Sơ đồ đơn giản hóa của Hybrid Machine learning

Có vô số khả năng để kết hợp các phương pháp học máy truyền thống, và điều này có thể được thực hiện cho mỗi phương pháp nhằm xây dựng các mô hình lai mới theo cách khác nhau. Để đơn giản hóa, bài viết này sẽ thảo luận về ba cách: tích hợp kiến trúc, điều chỉnh dữ liệu và tối ưu hóa thông số mô hình.

3. HML dựa trên tích hợp kiến trúc

Loại lai tạo này này kết hợp kiến trúc của hai hoặc nhiều thuật toán truyền thống, hoàn toàn hoặc một phần, một cách bổ sung để phát triển một thuật toán mạnh mẽ hơn là đứng độc lập. Ví dụ phổ biến nhất là hệ thống suy diễn mờ thích nghi (ANFIS). ANFIS đã được sử dụng trong thời gian khá dài và thường được coi là một phương pháp học máy truyền thống độc lập. Thực tế, nó là sự kết hợp giữa các nguyên tắc của logic mờ và ANN. Như được thể hiện trong Hình 3, kiến trúc của ANFIS bao gồm năm lớp. Ba lớp đầu tiên được lấy từ logic mờ, trong khi hai lớp còn lại được lấy từ ANN. Thông tin kỹ thuật chi tiết hơn về ANFIS, đặc biệt là vai trò của mỗi lớp, có thể được tìm thấy trong [1] Anifowose et al. (2013).

Hình 3. Kiến trúc của mô hình ANFIS

Một ví dụ khác về phương pháp HML dựa trên tích hợp kiến trúc là cây Naïve Bayes hoặc NBTree. Như được minh họa trong Hình 4, đó là sự kết hợp của các thuật toán naïve Bayes và Decision tree. Các nút cây quyết định chứa các phân chia đơn biến giống như cây quyết định thông thường, nhưng các lá lại chứa các bộ phân loại Naïve Bayes (Kohavi 1996). Các bộ phân loại này được sử dụng để khắc phục những hạn chế của decision tree. Nghiên cứu đã lưu ý rằng hiệu suất của thuật toán naïve Bayes là tuyệt vời; tuy nhiên, nó không thể mở rộng tốt với dữ liệu có nhiều chiều hơn. Ngược lại, decision tree có khả năng mở rộng dễ dàng trong cùng điều kiện, nhưng lại dễ bị overfitting. Một sự kết hợp của hai phương pháp này trở nên cần thiết để trích lợi từ những đặc tính bổ sung của hai phương pháp.

Hình 4. Kiến trúc của mô hình NBTree

4. HML dựa trên việc điều chỉnh dữ liệu

(Chỗ này dịch là "điều chỉnh dữ liệu" nghe có vẻ không chuẩn lắm. Gốc của nó là "Data manipulation")

Loại lai tạo này kết hợp các quy trình xử lý dữ liệu với các phương pháp ML truyền thống một cách mượt mà với mục tiêu bổ sung kết quả của phương pháp trước với đầu ra của phương pháp sau. Các ví dụ sau là những khả năng hợp lý cho loại phương pháp kết hợp này:

Nếu thuật toán Fuzzy ranking (FR) được sử dụng để xếp hạng và chọn trước các đặc trưng tối ưu trước khi áp dụng thuật toán SVM trên dữ liệu, điều này có thể được gọi là một mô hình kết hợp FR-SVM (Hình 5).
Nếu một mô-đun PCA được sử dụng để trích xuất một phần ma trận dữ liệu đủ để giải thích dữ liệu gốc trước khi áp dụng mạng neural trên dữ liệu, chúng ta có thể gọi đó là một mô hình PCA-ANN kết hợp.
Nếu một thuật toán Singular value decomposition (SVD) được sử dụng để giảm chiều dữ liệu trước khi áp dụng một mô hình Extreme learning machine (ELM), thì chúng ta có thể gọi đó là một mô hình SVD-ELM kết hợp.
Phương pháp logic mờ có thể được xem như là một cách lai nếu các quy trình mờ hóa và giải mờ mà đứng trước và sau inference engine được xem như các nhiệm vụ tiền xử lý và sau xử lý được tích hợp một cách mượt mà với inference engine.

Hình 5. Kiến trúc của mô hình lai giữa Fuzzy ranking - SVM

Các phương pháp lai (hybrid) dựa trên việc lựa chọn đặc trưng, một loại quá trình xử lý dữ liệu tìm kiếm bổ sung cho quá trình lựa chọn mô hình tích hợp sẵn của các phương pháp học máy truyền thống, đã trở nên phổ biến. Mỗi thuật toán học máy có cách lựa chọn mô hình tốt nhất dựa trên một tập hợp đặc trưng đầu vào tối ưu. Do đó, nghiên cứu gần đây [2,3] (Anifowose et al. 2014; Sasikala 2016) đã đề xuất thực hiện quá trình này bằng một thuật toán bên ngoài như một bước tiền xử lý để bổ sung cho quá trình nội tại bằng cách giảm độ phức tạp tính toán, từ đó tăng độ chính xác của các thuật toán học máy truyền thống.

5. HML dựa trên tối ưu hóa thông số mô hình

Chúng ta biết rằng, mỗi phương pháp truyền thống của Học máy đều sử dụng một thuật toán tối ưu hoặc tìm kiếm nhất định như gradient descent hoặc grid search để xác định các thông số điều chỉnh tối ưu của nó. Loại học máy lai này tìm kiếm cách bổ sung hoặc thay thế phương pháp tối ưu hóa thông số điều chỉnh tích hợp bằng cách sử dụng một số phương pháp nâng cao dựa trên các thuật toán tiến hóa. Do đó, có rất nhiều cách để tối ưu hóa các thông số. Các ví dụ về những khả năng đó là:

Nếu thuật toán tối ưu hóa đàn hồi (PSO) được sử dụng để tối ưu hóa các thông số huấn luyện của một mô hình ANN, thì mô hình trở thành phương pháp kết hợp PSO-ANN.
Khi thuật toán di truyền (GA) được sử dụng để tối ưu hóa các thông số huấn luyện của phương pháp ANFIS, thì phương pháp trở thành một mô hình kết hợp GANFIS.
Tương tự, với các thuật toán tối ưu hóa tiến hóa khác như Bee, Ant, Bat và Fish Colony được kết hợp với các phương pháp truyền thống Học máy để tạo thành các mô hình kết hợp tương ứng của chúng.

6. Một vài ví dụ sử dụng HML

(chỗ này không lấy ví dụ của tác giả chính, mà lấy ví dụ liên quan đến ứng dụng HML trong dự đoán lũ lụt)

Hiện nay, có nhiều học giả trên thế giới đã giới thiệu phương pháp học máy lai để dự đoán về lũ lụt hoặc lũ quét. Ở đây, giới thiệu 2 bài của 2 tác giả Việt nam.

Trong công bố năm 2023 tác giả Nguyễn Hữu Duy đã ứng dụng một loạt các thuật toán tối ưu kết hợp với một thuật toán ML để dự đoán tai biến lũ lụt ở Hà Tĩnh. Thuật toán ANFIS đã được kết hợp với các thuật toán tối ưu gồm Gradient-Based Optimizer (GBO), Chaos Game Optimization (CGO), Sine Cosine Algorithm (SCA), Grey Wolf Optimization (GWO), và Differential Evolution (DE). Kết quả cho thấy, mô hình lai ANFIS-GBO cho độ chính xác cao nhất [4]. Xem chi tiết tại tài liệu tham khảo số [4].

Một nghiên cứu khác của Bùi Tiến Diệu và cộng sự năm 2019, là sự kết hợp giữa Multivariate Adaptive Regression Splines (MARS) and Particle Swarm Optimization (PSO) để dự đoán khu vực nhạy cảm với lũ quét ở miền núi tây bắc Việt Nam [5].

Hai ví dụ trên là hai mô hình học máy lai HML dựa trên sự tối ưu hóa của các thông số đầu vào. Thực tế, có rất nhiều cách lai tạo khác đã được công bố trong dự đoán lũ lụt. Đó cũng chính là cơ hội để thử nghiệm một vài cách mới trong lĩnh vực này.

7. Kết luận

Phương pháp học máy lai HML đã trở nên phổ biến trong các ứng dụng gần đây. Chúng ta có thể đã sử dụng một số trong số chúng mà không nhận ra. Tuy nhiên, cần phải biết về chúng trong bối cảnh hiểu các khái niệm cơ bản của phương pháp và cách chúng hoạt động. Hy vọng bài viết này sẽ khuyến khích các chuyên gia trẻ và những người đam mê ML khác trang bị kiến thức cơ bản về cách xây dựng các mô hình hybrid của riêng họ bằng cách sử dụng bất kỳ chiến lược nào như tích hợp kiến trúc, điều chỉnh dữ liệu và tối ưu hóa thông số mô hình hoặc bất kỳ chiến lược phù hợp nào khác.

Tài liệu tham khảo

[1]Anifowose, F.A., Labadin, J., and Abdulraheem, A. 2013. Prediction of Petroleum Reservoir Properties Using Different Versions of Adaptive Neuro-Fuzzy Inference System Hybrid Models. Inter. J. of Computer Information Systems and Industrial Management Applications 5: 413–426.

[2] Anifowose, F., Labadin, J., and Abdulraheem, A. 2014. Nonlinear Feature Selection-Based Hybrid Computational Intelligence Models for Improved Natural Gas Reservoir Characterization. J. of Natural Gas Science and Engineering 21: 397–401

[3] Sasikala, S., Balamurugan, S.A., and Geetha, S. 2016. Multi-Filtration Feature Selection (MFFS) To Improve Discriminatory Ability in Clinical Data Set. Applied Computing and Informatics 12 (2): 117–127.

[4] Huu Duy Nguyen, 2023. Spatial modeling of flood hazard using machine learning and GIS in Ha Tinh province, Vietnam. Journal of Water and climate change. Vol 14 No1,200

[5] Bui Tien Dieu, et al. 2019. A New Intelligence Approach Based on GIS-Based Multivariate Adaptive Regression Splines and Metaheuristic Optimization for Predicting Flash Flood Susceptible Areas at High-frequency Tropical Typhoon Area. Journal of Hydrology (2019)

Giải thích dễ hiểu về Hybrid Machine learning

Reviewed by VinhHD on 14:47 Rating: 5

Vai trò của Viễn thám trong việc lập bản đồ khẩn cấp ứng phó thiên tai

VinhHD 15:27

Tất cả các thảm họa đều có tính không gian, vì thế viễn thám (RS) đóng vai trò quan trọng trong việc lập bản đồ khẩn cấp ứng phó với thảm họa thiên nhiên. Quyết định cũng có thể được đưa ra thông qua phân tích các lớp địa lý và thông tin hệ thống (GIS) khác nhau. Hiện nay, dữ liệu kinh tế-xã hội và không gian địa lý rất hữu ích cho việc quản lý và lập kế hoạch ứng phó với thiên tai cũng như xử lý các điều kiện thảm họa. Nhiều tổ chức đang tích hợp GIS và vai trò viễn thám trong bản đồ khẩn cấp. Ngoài ra, GIS, RS & GPS rất hữu ích trong các ứng dụng quản lý thiên tai và đưa ra quyết định. Sự tiến hóa của công nghệ máy tính và sự có sẵn của phần cứng rất hữu ích cho sự mở rộng nhanh chóng của GIS trong nghiên cứu và quản lý thiên tai.

Bài viết này được Hoàng Đức Vinh dịch sang tiếng Việt từ bài gốc: "Remote Sensing Role in Emergency Mapping for Disaster Response" đăng trên Aeologic.com ngày 10/11/2022.

Link bài gốc: https://www.aeologic.com/blog/remote-sensing-role-in-emergency-mapping-for-disaster-response/

GIS hữu ích cho việc lập bản đồ vùng nguy hiểm và trong tình huống khẩn cấp, việc giảm thiểu nguy hiểm cho người dân có thể được thực hiện dễ dàng thông qua các bản đồ này. GIS và RS rất hữu ích trong các chiến lược giảm thiểu nguy hiểm và kế hoạch chuẩn bị. Dữ liệu địa lý thời gian thực đang cải thiện việc phân bổ tài nguyên cho ứng phó. Vai trò viễn thám trong bản đồ khẩn cấp rất hữu ích trong việc mô hình hóa rủi ro thiên tai và sự thích nghi của con người với các mối hiểm nguy. Ngoài ra, nó đang cung cấp một hệ thống hỗ trợ quyết định trong quản lý thiên tai.

1. Hệ thống quản lý thiên tai

Giảm thiểu: Phòng chống thiên tai là chủ đề về xử lý và tránh các rủi ro. Đó là một nguyên tắc yêu cầu các biện pháp được thực hiện để kiểm soát hoặc giảm thiểu tác động của một sự kiện thảm khốc dự kiến hoặc đã xảy ra.

Phòng ngừa: Đây là cách chúng ta thay đổi hành vi để giới hạn tác động của các sự kiện thảm khốc đối với con người.

Ứng phó: Một kế hoạch hiệu quả cho sức khỏe cộng đồng và người dân trong quá trình thảm họa xảy ra sẽ tập trung vào các hoạt động nhằm giảm thiểu tác động của thảm họa.

Phục hồi sau thảm họa: Mục tiêu của giai đoạn phục hồi là khôi phục khu vực bị ảnh hưởng trở lại trạng thái trước đó. Những nỗ lực phục hồi liên quan đến các quyết định và vấn đề phải được đưa ra sau khi các nhu cầu ngay lập tức được giải quyết.

Hơn nữa, quản lý thiên tai được thực hiện bằng cách tuân theo các bước:

Lập kế hoạch và phân tích
Nhận thức về tình huống
Quản lý dữ liệu
Vận hành trên thực địa

2. Lập kế hoạch và phân tích

Vai trò viễn thám trong bản đồ khẩn cấp là hệ thống thông tin đầy đủ nhất để mô hình hóa, phân tích dữ liệu không gian và hiển thị sự dễ tổn thương của cộng đồng. Khi chúng ta xác định các vị trí nguy hiểm với cơ sở hạ tầng quan trọng, các mô hình GIS được xử lý sẽ hỗ trợ việc xác định tác động của sự kiện và các yêu cầu giảm thiểu cần thiết. Sự chuẩn bị là rất quan trọng khi một sự kiện khẩn cấp xảy ra. Do đó, việc phân tích các rủi ro và mối đe dọa là có lợi trong chương trình quản lý khẩn cấp.

3. Nhận thức về tình huống

Nhận thức về tình hình thiên tai và quản lý khẩn cấp là một việc quan trọng. Công nghệ địa tầng từ xa trong bản đồ khẩn cấp đóng vai trò quan trọng để cung cấp thông tin về vị trí của sự kiện, tức là nơi sự kiện đang xảy ra và điều gì đang diễn ra chính xác trong thời gian thực. Giao diện bản đồ GIS là quan trọng trong xử lý các tình huống khẩn cấp.

4. Quản lý dữ liệu

Trong GIS, tích hợp thông tin từ các nguồn khác là khả thi. Việc sắp xếp chính xác dữ liệu GIS cung cấp thông tin hữu ích trong các tình huống khẩn cấp.

5. Vận hành trên thực địa

Dữ liệu thực địa rất quan trọng trong các ứng dụng GIS. Và GIS di động cung cấp thông tin quan trọng. Nhóm thực địa sẽ thu thập thông tin và gửi lại cho người dùng. Do đó, thông tin thực địa hữu ích để nhận biết điều kiện sự kiện thực tế. Sau đó truyền dữ liệu mới đến đội ngũ hoạt động trên thực địa (nơi xảy ra thảm họa), để họ có thông tin để bảo vệ sinh mạng và đảm bảo an toàn cho mọi người. Dù đó là giai đoạn phản ứng hay khôi phục, GIS di động đang cung cấp thông tin chính xác.

Một số mục tiêu quan trọng của việc tạo cơ sở dữ liệu GIS là:

Các nhà quản lý thiên tai từ cấp trung ương, tỉnh, thành phố và cấp làng xã sử dụng cơ sở dữ liệu GIS cho quá trình lập kế hoạch ứng phó với thiên tai.

Lập kế hoạch và sự chuẩn bị cho thiên tai
Dự báo và cảnh báo sớm về các sự kiện thiên tai
Quản lý cứu trợ, các hoạt động cứu hộ và các dự án liên quan

Cơ sở dữ liệu GIS với các chủ đề khác nhau phục vụ cho các nhà quản lý thiên tai trong quá trình ra quyết định khi xảy ra các sự kiện tai hoạ.

6. Kết luận

Các vùng ngập lụt nguy hiểm như đồng bằng, ven biển và các vị trí bị xói mòn, sạt lở... có thể được nhận ra bằng cách sử dụng hình ảnh viễn thám để hỗ trợ các hoạt động giảm thiểu rủi ro. Vai trò của viễn thám trong bản đồ khẩn cấp được sử dụng để nghiên cứu hậu quả của biến đổi khí hậu, chẳng hạn như thay đổi về sử dụng đất. Hình ảnh vệ tinh có thể được sử dụng để theo dõi những ảnh hưởng này trên quy mô toàn cầu. Viễn thám đang được ứng dụng rộng rãi trong các hiện tượng thiên tai và quản lý thiên tai, đặc biệt là do biến đổi khí hậu.

Vai trò của Viễn thám trong việc lập bản đồ khẩn cấp ứng phó thiên tai

Reviewed by VinhHD on 15:27 Rating: 5

Vai trò của AI trong quản lý rủi ro thiên tai

VinhHD 11:50

Vai trò của Trí tuệ nhân tạo (artificial intelligence - AI) trong quản lý rủi ro thiên tai nên là ưu tiên hàng đầu của mỗi Quốc gia. Bởi vì các thảm họa có thể có nhiều hình thái khác nhau. Từ các thảm họa tự nhiên như cháy rừng và bão lụt đến đại dịch và các cuộc tấn công khủng bố, công dân phải sẵn sàng. Tác động của một thảm họa có thể gây thiệt hại nghiêm trọng, cho cả những người bị ảnh hưởng và cho nền kinh tế.

Bài viết này được dịch sang tiếng Việt từ bài gốc: "Role of Artificial Intelligence in Disaster Risk Management" đăng trên aeologic.com ngày 6/12/2022.

Link bài gốc: https://www.aeologic.com/blog/role-of-artificial-intelligence-in-disaster-risk-management/

Vai trò của AI trong quản lý và giảm thiểu rủi ro thiên tai, đặc biệt là học máy (ML), đóng một vai trò quan trọng. Từ việc dự báo các sự kiện cực đoan đến phát triển chiến lược giảm thiểu rủi ro. Và cung cấp thông tin tình hình thời gian thực và hỗ trợ ra quyết định.

Để giảm thiểu thiệt hại gây ra bởi các thảm họa thiên tai, việc hiểu vai trò của trí tuệ nhân tạo trong chiến lược quản lý rủi ro thảm họa là rất quan trọng. Chắc chắn, nhiều chuyên gia tin rằng AI có thể đóng một vai trò quan trọng trong việc cải thiện quản lý rủi ro và phản ứng đối phó với thảm họa.

Đầu tiên, hãy xem xét cách mà trí tuệ nhân tạo và học máy (Machine Learning - ML) sẽ hỗ trợ khi xảy ra thảm họa thiên tai. AI sử dụng các thuật toán để học từ dữ liệu. ML là một loại AI cho phép hệ thống máy tính cải thiện từ kinh nghiệm mà không cần được lập trình để làm như vậy.

Trong quá trình ứng phó với thiên tai, các nhà quản lý có thể sử dụng AI và ML cho một loạt các hoạt động, chẳng hạn như:

1. Đánh giá thiệt hại một cách tự động

Một trong những bước đầu tiên và quan trọng nhất trong việc ứng phó với thiên tai là đánh giá thiệt hại. Thông thường, việc này sẽ được các đội đến hiện trường để đánh giá mức độ thiệt hại. Đánh giá tự động thiệt hại bằng cách sử dụng AI và ML sẽ giúp tăng tốc quá trình này.

Ví dụ, chúng ta có thể sử dụng thuật toán thị giác máy tính để phân tích hình ảnh và video để xác định các tòa nhà bị hư hại. Thông tin này sau đó có thể được tích hợp để tạo ra bản đồ cho thấy các khu vực bị ảnh hưởng. Bên cạnh đó, các công ty có thể sử dụng AI để xử lý lượng lớn dữ liệu từ các nguồn khác nhau (ví dụ: mạng xã hội, hình ảnh vệ tinh). Điều này sẽ cung cấp một bức tranh đầy đủ về thiệt hại gây ra bởi một thảm họa thiên tai.

2. Phân tích dữ liệu tiên đoán cho việc sơ tán

Một cách khác mà AI có thể hỗ trợ trong khi xảy ra thảm họa là sử dụng phân tích dữ liệu tiên đoán để dự đoán khi nào và nơi nào sẽ cần sơ tán. Chúng ta có thể phân tích dữ liệu từ các cảm biến địa chấn, dữ liệu thời tiết và hình ảnh vệ tinh. Chuyên gia sau đó có thể sử dụng dữ liệu này để tạo ra một mô hình dự đoán một trận lũ diễn ra. Hơn nữa, việc dự đoán cường độ của thiên tai (ví dụ mức độ lớn của con lũ, cơn bão) để đòi hỏi sơ tán và khi nào nó có thể xảy ra để các cơ quan chức năng chuẩn bị ứng phó thảm họa một cách hiệu quả.

3. Định tuyến nguồn lực khẩn cấp

Trong một tình huống thiên tai, thời gian là rất quan trọng. Do đó, chúng ta cần phải tăng tốc độ thực hiện nhiều nhiệm vụ trong quá trình ứng phó với thiên tai. Điều này có thể giúp cứu sống người và giảm thiểu thiệt hại. Ngoài ra, chúng ta có thể tạo ra các mô hình phân tích hình ảnh vệ tinh và xác định vị trí thiệt hại. Các cơ quan chức năng có thể tích hợp thông tin này để triển khai các dịch vụ khẩn cấp một cách hiệu quả hơn.

Các thuật toán tìm kiếm thông minh được xem xét để tìm ra tuyến đường tốt nhất cho việc sơ tán. Vai trò của trí tuệ nhân tạo trong quản lý rủi ro thảm họa là định tuyến các nguồn lực khẩn cấp. Điều này đảm bảo chúng được triển khai một cách nhanh chóng và hiệu quả hơn. Hơn nữa, chúng ta có thể sử dụng các giải pháp dựa trên trí tuệ nhân tạo để dự đoán đường đi, mức độ (ví dụ con bão) của một thảm họa tự nhiên.

4. Phòng ngừa

Vai trò của trí tuệ nhân tạo trong quản lý rủi ro thiên tai không chỉ trong việc phản ứng và phục hồi mà còn liên quan đến phòng ngừa. Trí tuệ nhân tạo có thể xác định các yếu tố nguy cơ dẫn đến một thảm họa. Ví dụ, nó có thể sử dụng học máy để phân tích dữ liệu lịch sử và xác định các mô hình có thể dẫn đến một thảm họa sắp tới.

Kết luận: Trí tuệ nhân tạo và Quản lý rủi ro thiên tai

Quản lý rủi ro thiên tai là một vấn đề phức tạp và đa diện. AI và ML có thể giúp cải thiện ứng phó với thảm họa trong nhiều cách khác nhau. Từ đánh giá tự động thiệt hại đến phân tích dự đoán cho sơ tán. Bằng cách đó, trí tuệ nhân tạo đang tạo ra sự khác biệt đáng kể trong việc giảm thiểu tác động của một thảm họa.

Vai trò của AI trong quản lý rủi ro thiên tai

Reviewed by VinhHD on 11:50 Rating: 5

Sử dụng dữ liệu viễn thám miễn phí để giám sát thiên tai và biến động môi trường

VinhHD 09:48

Sử dụng dữ liệu từ vệ tinh quay quanh trái đất, những công việc như theo dõi các biến động trong rừng nhiệt đới Amazon, xem trọn vẹn cảnh bão hoặc tìm ra các vùng cần được hỗ trợ sau khi xảy ra thảm họa... trở nên dễ dàng hơn rất nhiều.

Bài viết được dịch sang tiếng Việt từ bài gốc tiếng Anh của tác giả Quisheng Wu - Phó giáo sư khoa Geography and Sustainability, Trường ĐH Tennessee, Hoa Kỳ đăng trên website https://theconversation.com/ ngày 14/3/2023

Link trực tiếp bài viết gốc tại ĐÂY

Trước đây, dữ liệu vệ tinh chỉ được truy cập giới hạn bởi các nhà nghiên cứu hoặc chuyên gia trong lĩnh vực viễn thám và xử lý hình ảnh. Tuy nhiên, ngày nay, hầu như bất cứ ai cũng có thể lấy được dữ liệu này bởi nhờ vào dữ liệu mở open -access từ các vệ tinh của chính phủ như Landsat, Sentinel cũng như các tài nguyên đám mây miễn phí như Amazong web services, Google earth engine hay Microsoft Planetary Computer.

Giáo sư Quisheng Wu chuyên nghiên cứu về dữ liệu lớn địa không gian, và ông đã đưa ra các hướng dẫn nhanh về cách tìm ảnh vệ tinh, cùng với công cụ miễn phí, đơn giản để có thể tạo ra hình ảnh time-lapse.

Ví dụ, các nhà quy hoạch đô thị – hoặc những người đang xem xét một ngôi nhà mới – có thể theo dõi thời gian các con sông đã di chuyển như thế nào, quá trình xây dựng len lỏi vào các khu vực đất hoang hoặc bờ biển bị xói mòn.

Các nhóm nghiên cứu môi trường có thể theo dõi nạn phá rừng, tác động của biến đổi khí hậu đối với hệ sinh thái và cách các hoạt động khác của con người như tưới tiêu đang làm thu hẹp các vùng nước như Biển Aral ở Trung Á. Và các nhà quản lý thảm họa, các nhóm viện trợ, các nhà khoa học và bất kỳ ai quan tâm đều có thể theo dõi các thảm họa thiên nhiên như núi lửa phun trào và cháy rừng.

Hình ảnh GOES cho thấy sự suy giảm của hồ Mead trên sông Colorado, kể từ những năm 1980 và sự phát triển của Las Vegas. Qiusheng Wu, NOAA GOES

Ảnh Time-lapse của vệ tinh GOES cho thấy vụ phun trào núi lửa Hunga Tonga vào ngày 15 tháng 1 năm 2022. Qiusheng Wu, NOAA GOES

Sử dụng ảnh Landsat và Sentinel

Ngày nay, có hơn 8000 vệ tinh quay quanh Trái đất. Bạn có thể xem bản đồ trực tiếp của chúng tại keeptrack.space.

Một số truyền và nhận tín hiệu vô tuyến để liên lạc. Một số khác cung cấp dịch vụ hệ thống định vị toàn cầu (GPS) để điều hướng. Những thứ chúng ta quan tâm là các vệ tinh quan sát Trái đất, thu thập hình ảnh của Trái đất, cả ngày lẫn đêm.

Landsat: Là vệ tinh hoạt động lâu đời nhất, Landsat đã thu thập hình ảnh về Trái đất từ năm 1972. Vệ tinh mới nhất trong chuỗi, Landsat 9, được NASA phóng vào tháng 9 năm 2021.

Nói chung, dữ liệu vệ tinh Landsat có độ phân giải không gian khoảng 30 mét. Nếu bạn nghĩ về pixel trên ảnh phóng to, thì mỗi pixel sẽ có kích thước 30 x 30m. Landsat có độ phân giải thời gian là 16 ngày, nghĩa là cùng một vị trí trên Trái đất được chụp ảnh khoảng 16 ngày một lần. Với cả Landsat 8 và 9 trên quỹ đạo, chúng ta có thể có được vùng phủ sóng toàn cầu của Trái đất cứ sau 8 ngày. Điều đó làm cho so sánh dễ dàng hơn.

Dữ liệu Landsat đã được cung cấp miễn phí cho công chúng kể từ năm 2008. Trong trận lũ lụt năm 2022 ở Pakistan, các nhà khoa học đã sử dụng dữ liệu Landsat và tài nguyên điện toán đám mây miễn phí để xác định mức độ lũ lụt và ước tính tổng diện tích bị ngập lụt.

Hình ảnh vệ tinh Landsat cho thấy sự so sánh song song vào tháng 8 năm 2021 (một năm trước lũ lụt) và tháng 8 năm 2022 (bên phải) ở miền nam Pakistan. Qiusheng Wu, NASA Landsat

Sentinel: Trong chương trình Copernicus, các vệ tinh quan sát Trái đất Sentinel được Cơ quan Vũ trụ Châu Âu (ESA) phóng từ năm 2014. Các vệ tinh Sentinel-2 đã thu thập hình ảnh quang học của Trái đất từ năm 2015 ở độ phân giải không gian là 10 mét và độ phân giải thời gian là 10 ngày.

GOES: Những hình ảnh bạn sẽ thấy thường xuyên nhất trong dự báo thời tiết của Hoa Kỳ đến từ Vệ tinh Môi trường Hoạt động Địa tĩnh của NOAA, hay GOES. Chúng quay quanh phía trên đường xích đạo với cùng tốc độ Trái đất quay, vì vậy chúng có thể cung cấp khả năng giám sát liên tục bầu khí quyển và bề mặt Trái đất, cung cấp thông tin chi tiết về thời tiết, khí hậu và các điều kiện môi trường khác. GOES-16 và GOES-17 có thể chụp ảnh Trái đất ở độ phân giải không gian khoảng 1,2 dặm (2 km) và độ phân giải thời gian từ 5 đến 10 phút.

Cách tạo ảnh biến động của riêng bạn

Trước đây, việc tạo hoạt ảnh tua nhanh thời gian Landsat của một khu vực cụ thể đòi hỏi nhiều kỹ năng xử lý dữ liệu và mất vài giờ hoặc thậm chí vài ngày làm việc. Tuy nhiên, ngày nay, có sẵn các chương trình miễn phí và thân thiện với người dùng để cho phép bất kỳ ai cũng có thể tạo hoạt ảnh chỉ bằng vài cú nhấp chuột trên trình duyệt internet.

Chẳng hạn, tác giả Qiusheng Wu đã tạo một ứng dụng web tương tác cho sinh viên của mình mà bất kỳ ai cũng có thể sử dụng để tạo hoạt ảnh tua nhanh thời gian một cách nhanh chóng. Người dùng phóng to bản đồ để tìm một khu vực quan tâm, sau đó vẽ một hình chữ nhật xung quanh khu vực đó để lưu dưới dạng tệp GeoJSON – một tệp chứa tọa độ địa lý của khu vực đã chọn. Sau đó, người dùng tải tệp GeoJSON lên ứng dụng web, chọn vệ tinh để xem và chọn ngày rồi gửi tệp đó. Ứng dụng mất khoảng 60 giây để tạo hoạt ảnh tua nhanh thời gian.

Ngoài ra, có một số công cụ hữu ích khác để dễ dàng tạo hoạt ảnh vệ tinh. Những thứ khác để thử bao gồm Snazzy-EE-TS-GIF, Ứng dụng Earth Engine để tạo hoạt ảnh Landsat và Planetary Computer Explorer, một trình khám phá để tìm kiếm và trực quan hóa hình ảnh vệ tinh một cách tương tác.