Results for THÔNG TIN

Giải thích dễ hiểu về Hybrid Machine learning

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 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

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 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

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 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

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.


Sử dụng dữ liệu viễn thám miễn phí để giám sát thiên tai và biến động môi trường Sử dụng dữ liệu viễn thám miễn phí để giám sát thiên tai và biến động môi trường Reviewed by VinhHD on 09:48 Rating: 5

Danh sách tạp chí ISI ngành tài nguyên nước mới nhất 2022

22:45


 Hệ số ảnh hưởng Impact Factor (IF) của năm 2021 cho các tạp chí thuộc danh mục ISI vừa mới được Web of Science cập nhật vào cuối tháng 6/2022. Theo đó, trong ngành TÀI NGUYÊN NƯỚC có 103 tạp chí lọt vào danh sách này. Tạp chí WATER RESEARCH của NXB Pergamon-Elsevier (thuộc vương quốc Anh), đứng đầu bảng xếp hạng với chỉ số ảnh hưởng IF lên tới 13.400. Top 25 tạp chí đứng đầu nằm trong Q1 của ngành tài nguyên nước có chỉ số IF nằm trong khoảng 4.295 - 13.400. Các tạp chí thuộc Q2 có IF từ 3.050 - 4.206; Q3 có IF nằm trong khoảng 2.000 - 3.007 và 103 tạp chí nằm trong Q4 có IF < 1.977.

Sau đây là danh sách toàn bộ 103 tạp chí ISI ngành tài nguyên nước theo công bố của Clarivate.






                                                                                                     https://jcr.clarivate.com/








Danh sách tạp chí ISI ngành tài nguyên nước mới nhất 2022 Danh sách tạp chí ISI ngành tài nguyên nước mới nhất 2022 Reviewed by VinhHD on 22:45 Rating: 5

Trao đổi về cách ghi tên tác giả trong các công bố khoa học

16:22
Một trao đổi của TS. Nguyễn Ngọc Bình, hiện đang giảng dạy tại Đại học Hosei (Nhật Bản) về vấn đề ghi tên của các tác giả Việt Nam trong các công bố khoa học với suy nghĩ: "Kính mong các thầy cô, các nhà khoa học, các anh chị quan tâm cùng trao đổi và đi đến thống nhất".

Bài viết được copy và paste từ nguồn https://bigschool.vn/trao-doi-ve-cach-ghi-ten-tac-gia-trong-cac-cong-bo-khoa-hoc

Thân kính gửi các thầy cô và các anh chị,
Tôi xin nêu lại vấn đề này đã từng nêu cách đây gần 20 năm (ngày 6/10/1998) trên diễn đàn VKS của lưu học sinh và thực tập sinh Việt Nam ở nước ngoài, vì thực tế người Việt chúng ta hiện nay chưa nhất quán trong cách ghi tên tác giả trong các công bố khoa học, mà ngày càng “trăm hoa đua nở!”. Cũng trong một nghị quốc tế mà người Việt ghi họ tên mình với nhiều cách khác nhau. Chẳng hạn, gần đây các hội nghị quốc tế ở VN như ATC, KSE, SoICT, NICS… dùng các cách ghi họ tên khác nhau trong các bài báo. Thậm chí, trong một bài báo mà nhóm tác giả lại ghi mỗi người mỗi cách (!). Nên chăng, đã đến lúc chúng ta thống nhất cách ghi tên tác giả người Việt để dễ nhận biết, tiện thống kê và bên ngoài nhìn vào thấy người Việt có cách ghi nhất quán, chứ không nên tùy ý vì … "tôi thích thế"?!
TS. Nguyễn Ngọc Bình tại Hội thảo khoa họcTS. Nguyễn Ngọc Bình tại Hội thảo khoa học
(1) Tên người Việt chúng ta thường ở dạng “Họ Đệm Tên” và viết theo thứ tự đó, ví dụ Nguyễn Văn Hùng
(2) Người Việt hiện nay gọi theo TÊN, không gọi theo HỌ. Người có tên trên được gọi là Hùng, không gọi là Nguyễn. Trừ một số trường hợp đặc biệt gọi bằng HỌ do "giao thời" như: Cụ Phan (Phan Bội Châu), Bác Hồ (Hồ Chí Minh), Bác Tôn (Tôn Đức Thắng),… Từ thế hệ lãnh đạo sau Bác Hồ đều gọi theo TÊN (Tướng Giáp chứ không gọi Tướng Võ, …). Ấy nhưng gần đây một số người trong giới showbiz và báo chí có vẻ muốn dùng lại việc gọi theo họ hay viết họ ở cuối trong tiếng Việt (Mr. Đàm, Hà Trần,…) ?!
(3) Tên các lãnh đạo và người Việt Nam khi ghi trên báo chí bằng tiếng nước ngoài đều phiên âm đúng thứ tự của tiếng Việt, tức ghi Nguyen Van Hung. Chẳng hạn, tên các nhà lãnh đạo đều được ghi sang tiếng Anh như: Ho Chi Minh, Vo Nguyen Giap, Pham Van Dong, Le Duan, Nguyen Van Linh, Do Muoi, Nguyen Phu Trong, Nguyen Tan Dung, Nguyen Thi Kim Ngan, Nguyen Xuan Phuc… (Chứ không ghi Chi Minh Ho / Minh Chi Ho, Giap Nguyen Vo / Nguyen Giap Vo, Dong Van Pham / Van Dong Pham, Duan Le, Thi Kim Ngan Nguyen,…). Tên các nhà khoa học cũng được ghi theo thứ tự tên Việt Nam: Tran Huy Lieu, Ton That Tung, Hoang Tuy, … Khi viết tắt trong công bố khoa học, tên người Việt được ghi tắt họ và đệm, tên được ghi cuối, như TH Lieu, TT Tung, H Tuy, … Khi các đoàn ngoại giao tiếp người Việt Nam thì họ đều gọi người Việt theo TÊN hoặc họ tên đầy đủ theo thứ tự tiếng Việt, chứ không theo HỌ (vì hiểu và tôn trọng văn hóa Việt Nam).
(4) Đa số các nước châu Âu, Mỹ, Úc và châu Á xưng nhau theo HỌ và thường viết HỌ ở cuối, như Donald John Trump / Donald J. Trump / D.J. Trump / Donald Trump hay viết HỌ lên đầu thì phải có dấu phẩy theo sau như Trump, Donald John / Trump, Donald J. / Trump, D.J., v.v. Người Trung Quốc, người Nhật Bản, người Hàn Quốc ghi tên bằng tiếng của họ cũng theo thứ tự Họ Đệm Tên, như tên các lãnh đạo 習近平 (Xi Jinping = Tập Cận Bình), 安倍 晋三 (Abe Shinzo). Khi sang tiếng Anh thì họ ghi ở dạng ĐệmTên Họ (Jinping Xi, Shinzo Abe) hay Đệm-Tên Họ (Jin-Ping Xi) và người ta gọi là Mr. Xi, Mr. Abe – đúng theo phong tục gọi theo HỌ của người Âu/Á (TQ, HQ hay Nhật Bản). "Last name" của người Âu, Mỹ cũng chính là HỌ hay FAMILY NAME.
(5) Nguyễn Văn Hùng – tên người Việt sang tiếng Anh nên ghi thế nào? Nhiều cách viết khác nhau mà chúng ta đang gặp hiện nay:
(5.1) Nguyen Van Hung [viết tắt: N.V. Hung hay NV Hung]
(5.2) Van Hung Nguyen [V.H. Nguyen]
(5.3) Hung Van Nguyen [H.V. Nguyen]
(5.4) VanHung Nguyen [V.H. Nguyen]
(5.5) Van-Hung Nguyen [V.-H. Nguyen]
(5.6) Nguyen, Van Hung [Nguyen, V. H.]
(5.7) Hung V. Nguyen [H.V. Nguyen]
(5.8) Hung Nguyen [H. Nguyen]
(5.9) Nguyen-Van Hung [N.-V. Hung]
(5.10) Hung Nguyen-Van [H. Nguyen-Van]
(5.11) NguyenVan Hung [N. Hung],
(5.12) Hung Nguyen Van [Hung N.V.]
(5.13) Nguyen Van-Hung [N. Van-Hung]
v.v.
Quả là phiền và phân vân nên lấy theo cách nào cho … "chuẩn" (chưa kể họ tên dài như "Nguyễn Vũ Thị Hoài An", "Tôn Tằng Công Nữ Huế Thương",…)
(6) Khảo sát nhanh trong giới khoa học Việt Nam (trên scholar.google.com) khi viết tên sang tiếng Anh:
(6.1) Viện Hàn lâm KHCN VN (VAST): đa số các nhà khoa học dùng theo (5.1), xin phép các Giáo sư có tên nêu dưới đây dùng cách viết tắt trong các bài báo, như
- Viện/ngành Toán: H Tuy, NK Son, NV Trung, HH Khoai, TV Nhung, NT Cuong, LT Hoa, D Dung, ND Tan, NHV Hung, NH Du, H Mui, DH Thang, PK Anh, PT Long, ND Yen, PH Hai, NTH An, DN Hao …
- Viện/ngành Vật lý: DV Duc, NP Thuy, TX Hoai, DT Don, NA Viet, N Chau, BT Cong, NH Luong, NH Duc, ND Chien, NN Dinh, NQ Bau, BG Duong, NT Hien, HN Nhat, PD Thang …
- Viện/ngành CNTT: BH Khang, PD Dieu, NT Hai, H Kiem, VD Thi, PT Tuoi, LC Mai, NQ Tao, NT Thang, … (thư thoảng có dùng (5.2))
(6.2) Các cơ sở đào tạo và nghiên cứu khác: theo các cách khác nhau, dùng cả (5.1) – (5.13), nhưng phổ biến là (5.1), (5.5), (5.3) và (5.6).
(6.3) Khi học Lý thuyết tối ưu, chúng ta học định lý Hoàng Tụy mà tiếng Anh gọi là “Tuy’s theorem”, chứ không gọi “Hoang’s theorem”. Khi học Xử lý ảnh, chúng ta gặp "Phong shadow" lấy theo tên tác giả người Việt là Bùi Tường Phong (1942-1975), một nhà khoa học Việt-Pháp-Mỹ, ông mất khi mới 33 tuổi. Người ta phải giải thích cách dùng tên người Việt: "In this Vietnamese name Bùi Tường Phong, the family name is Bui. According to Vietnamese custom, this person should properly be referred to by the given name Phong". Hay phương pháp mổ gan nổi tiếng của GS Tôn Thất Tùng sang tiếng Anh là "Ton That Tung’s livers" hay "Tung’s livers" method… Thật tự hào với các nhà khoa học Việt Nam, và họ đã dùng tên trong tiếng Anh theo (5.1).
(6.4) Nhiều nhà khoa học trẻ ra nước ngoài học tập, nghiên cứu hoặc khi bắt đầu viết báo bằng tiếng Anh thường "chiếu" việc dùng tên theo "nghĩa" với quy ước của của người nước ngoài, tức ghi HỌ cuối cùng (và tự biến tên gọi của mình từ Hùng sang Nguyễn), đánh mất thứ tự họ tên Việt của mình. Hoặc khi khai hồ sơ du học thì khai theo "nghĩa", đặt đúng họ (Nguyen) vào "Family name" nên sau này không muốn đổi lại thành thứ tự như tiếng Việt, do vậy, bỏ mất cách viết (5.1).
(6.5) Sự phân vân trong các cách dùng (5.*) dễ được quyết định khi khai vào form nào đó có ghi "Full name (as printed in passport)" thì rõ ràng cứ (5.1) mà khai. Hoặc form hỏi "First name", "Middle name", "Last name" thì cũng theo (5.1) mà ghi là "chuẩn Việt" và trùng 2 bên ta và Tây/Á! 
(6.6) Bản thân tôi cũng dùng cách ghi (5.1) cho … lành! Có lần Ban biên tập tạp chí IEICE hỏi tôi phải ghi là “N.B. Nguyen” chứ, tôi giải thích: người Việt chúng tôi không gọi nhau theo HỌ mà gọi theo “Last name” J, “Last name” của tôi là BINH, đề nghị ghi Nguyen Ngoc BINH (N.N. Binh). Họ chấp nhận và từ đó in theo (5.1) cho đến nay! J Rồi khi gửi bài hội nghị ở Đức (EURO-DAC), tôi ghi tên có dấu là “N.N. Bình”, Ban biên tập hỏi bỏ dấu huyền được không, tôi trả lời là tên tôi tiếng Việt viết đúng là phải có dấu, cũng giống như người Đức các ông dùng nguyên âm u có hai chấm ở trên, và họ in “N.N. Bình”! J Bây giờ có Unicode thì việc in ấn đúng tên tiếng Việt có dấu sẽ thuận lợi. Rõ ràng ghi Hung thì không rõ là Hùng hay Hưng, Hung thì chắc là không phải (mà lại ghi!?)! Nhưng những năm 1998-2000 tôi công tác ở JAIST, sếp dùng (5.2) nên tôi phải theo (5.2) là “N.B. Nguyen”. Trở về nước năm 2000 tôi dùng lại (5.1). Tuy nhiên, gần đây các học trò lại “thuyết phục” tôi theo (5.5) (!) và tôi đề nghị dùng theo (5.1). Tôi tin là chuyện tương tự cũng xảy ra trong các nhóm nghiên cứu của các thầy cô và các anh chị khi dùng các cách viết tên khác nhau trong tiếng Anh, và lấy cách viết của người trưởng nhóm làm chung cho cả nhóm, chứ không nên dùng lẫn các kiểu (5.*) trong một bài báo.
(7) Kiến nghị: Theo các phân tích trên, người Việt nên viết tên mình sang tiếng nước ngoài theo đúng thứ tự họ tên viết trong tiếng Việt, tức dùng (5.1), như trong hộ chiếu và gọi theo TÊN (là "last name" trong cách viết tiếng Việt), không nên để người nước ngoài gọi mình theo HỌ. Dù là quyền và tự do cá nhân, nhưng nên thống nhất trong cộng đồng với văn hóa người Việt.
Có lẽ chỉ người Việt chúng ta mới gặp phải vấn đề này? Chuyện tuy nhỏ, nhưng có gì đó canh cánh và bất an… Chẳng nhẽ Tây/Á tôn trọng văn hóa ta, còn ta lại tự làm mất (tên) mình???!!!
Kính mong các thầy cô, các nhà khoa học, các anh chị và các cơ quan quản lý hữu quan liên quan đến định danh (nhất là các cơ quan khoa học/đào tạo, các ban biên tập các tạp chí hay kỷ yếu xuất bản bằng tiếng Anh) lên tiếng trao đổi và đi đến thống nhất, "mất công một lần để cho thống nhất từ nay…", góp phần chuẩn mực tin học hóa và cải cách hành chính trong khoa học, đào tạo và đối ngoại. 
"Nước Việt Nam là một, dân tộc Việt Nam là một…", nên "Tên người Việt Nam cũng chỉ nên dùng một cách viết thống nhất"!
Nếu như đã có quy định rồi (mà lâu nay chưa thực hiện) thì xin ai biết vui lòng chỉ giúp. Quy định cách nào chúng ta sẽ theo cách đó cho sớm thống nhất.
Xin lỗi các thầy cô và các anh chị chưa dùng theo (5.1) thì vui lòng xem xét giúp.
Nếu có làm ai phật ý điều gì thì xin được lượng thứ.
Xin cảm ơn!
TS. Nguyễn Ngọc Bình
BigSchool: Tác giả Nguyễn Ngọc Bình là học sinh chuyên toán ĐHSP Vinh (1972-1975), tốt nghiệp Toán ứng dụng lại Liên-xô (1981), Thạc sĩ và Tiến sĩ ngành Khoa học máy tính tại Nhật Bản (1995, 1998). Công tác tại ĐHBKHN (1982-2006), ĐHQGHN (2006-nay). Hiện đang giảng dạy tại ĐH Hosei (Nhật Bản).

Trao đổi về cách ghi tên tác giả trong các công bố khoa học Trao đổi về cách ghi tên tác giả trong các công bố khoa học Reviewed by VinhHD on 16:22 Rating: 5

Free charge SCI Journal in Earth Sciences & Environmental fields

17:41


Here are some SCI Journals in Earth Sciences & Environmental fields, that helpful for scientists who need public their research without charge.

No
Name of Journal
Subcategory
IF 2019
Issues/year
1
Geography
0.773
2
2
Geography
0.54
4
3
Geography
1.836
4
4
Meteorology and Climatology
5.668
24
5
Meteorology and Climatology
3.4
Open access
6
Meteorology and Climatology
1.87
Open access
7
Meteorology and Climatology
8.166
12
8
Meteorology and Climatology
3.47
Open access
9
Meteorology and Climatology
1.984
9
10
Meteorology and Climatology
2.457
Open access
11
Meteorology and Climatology
2.364
12
12
Meteorology and Climatology
2.224
12
13
Meteorology and Atmospheric
4.158
12
14
Meteorology and Atmospheric
3.282
12
15
Environmental Sciences
2.735
12
16
Environmental Sciences
0.689
4
17
Environmental Sciences
1.689
4
18
Environmental Sciences
1.462
6
19
Water resources
1.743
4
20
Environmental Sciences
0.907
2
21
Meteorology and Atmospheric
6.192
4
22
Environmental Sciences
4.375
4

Update August, 22th 2019
Free charge SCI Journal in Earth Sciences & Environmental fields Free charge SCI Journal in Earth Sciences & Environmental fields Reviewed by VinhHD on 17:41 Rating: 5
ads 728x90 B
Được tạo bởi Blogger.