Phương pháp xây dựng cơ sở dữ liệu phục vụ thành lập bản đồ ngập lụt cho các vùng ven biển sử dụng kết hợp trí tuệ nhân tạo và công nghệ GIS

  • Cơ quan:

    1 Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam
    2 Nhóm nghiên cứu Trắc địa cao cấp - môi trường, Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam
    3 Cục Biển và Hải đảo Việt Nam, Hà Nội, Việt Nam
    4 Đoàn Đo đạc, biên vẽ hải đồ và nghiên cứu biển, Hải Phòng, Việt Nam
    5 Công ty Cổ phần tư vấn xây dựng giao thông An Giang, An Giang, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 20-03-2023
  • Sửa xong: 23-07-2023
  • Chấp nhận: 17-08-2023
  • Ngày đăng: 31-08-2023
Trang: 12 - 21
Lượt xem: 1189
Lượt tải: 49
Yêu thích: 1.0, Số lượt: 2
Bạn yêu thích

Tóm tắt:

Là một quốc gia có đường bờ biển trải dài từ Bắc xuống Nam, trong những năm gần đây, thiên tai, đặc biệt là lũ lụt, ngập lụt đã gây ảnh hưởng nặng nề về người và tài sản tại Việt Nam. Để phục vụ cho công tác phòng, chống thiên tai, thích ứng với biển đổi khí hậu, đã có nhiều công trình nghiên cứu thành lập các loại bản đồ liên quan đến ngập lụt ở nước ta. Trong số các phương pháp thành lập bản đồ ngập lụt, phương pháp ứng dụng trí tuệ nhân tạo kết hợp với công nghệ GIS có ưu điểm nổi trội do có khả năng xử lý hỗn hợp nhiều loại dữ liệu đầu vào trong một không gian địa lý thống nhất. Đây là phương pháp đang được sử dụng một cách phổ biến trên thế giới và tại Việt Nam. Khi ứng dụng phương pháp nêu trên, một vấn đề hết sức quan trọng là phải xây dựng được cơ sở dữ liệu đầu vào của các mô hình học máy, trí tuệ nhân tạo. Bài báo giới thiệu phương pháp xây dựng cơ sở dữ liệu là dữ liệu đầu vào khi thành lập bản đồ ngập lụt sử dụng học máy, trí tuệ nhân tạo kết hợp với công nghệ GIS. Trên cơ sở dữ liệu ảnh vệ tinh Sentinel-1, ảnh vệ tinh Landsat 8/9, mô hình số độ cao (DEM), bản đồ thổ nhưỡng, các tác giả đã xây dựng được bộ cơ sở dữ liệu đầu vào để mô hình hóa bằng các mô hình trí tuệ nhân tạo. Quy trình tính toán được chia làm 2 bước: (1) biên tập các lớp dữ liệu thành phần từ dữ liệu đầu vào; (2) chuẩn hóa để đưa các lớp dữ liệu thành phần đã xây dựng về cùng một đơn vị với định dạng dữ liệu theo chuẩn của phần mềm Weka. Kết quả nghiên cứu đã xây dựng được 11 lớp dữ liệu bao gồm bản đồ lũ trong quá khứ, độ cao, độ dốc, hướng dốc, độ cong, năng lượng địa hình, địa chất, sử dụng đất, thổ nhưỡng, NDVI, NDWI cho tỉnh Quảng Nam.

Trích dẫn
Nguyễn Gia Trọng ., Nguyễn Viết Nghĩa, Phạm Ngọc Quang ., Nguyễn Văn Cương, Dương Anh Quân, Nguyễn Đình Hải và Nguyễn Hoàng Nhi, 2023. Phương pháp xây dựng cơ sở dữ liệu phục vụ thành lập bản đồ ngập lụt cho các vùng ven biển sử dụng kết hợp trí tuệ nhân tạo và công nghệ GIS, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 64, kỳ 4, tr. 12-21.
Tài liệu tham khảo

Akshayasimha Channarayapatna Harshasimha, Chandra Mohan Bhatt, (2023), Flood Vulnerability Mapping Using MaxEnt Machine Learning and Analytical Hierarchy Process (AHP) of Kamrup Metropolitan District, Assam,

Environ. Sci. Proc. 2023, 25, 73. https://doi.org/10.3390/ECWS-7-14301.

Chau, V. N., Cassells, S., and Holland, J., (2015). Economic impact upon agricultural production from extreme flood events in Quang Nam, central Vietnam. Natural Hazards75, 1747-1765, DOI 10.1007/s11069-014-1395-x.

Costache, R., Țîncu, R., Elkhrachy, I., Pham, Q. B., Popa, M. C., Diaconu, D. C., ... and Bui, D. T., (2020a). New neural fuzzy-based machine learning ensemble for enhancing the prediction accuracy of flood susceptibility mapping. Hydrological Sciences Journal65(16), 2816-2837, DOI: 10.1080/02626667.2020.1842412.

Costache, R., Popa, M. C., Bui, D. T., Diaconu, D. C., Ciubotaru, N., Minea, G., and Pham, Q. B., (2020b). Spatial predicting of flood potential areas using novel hybridizations of fuzzy decision-making, bivariate statistics, and machine learning. Journal of Hydrology585, 124808, https://doi.org/10.1016/j.jhydrol.2020.124808.

Diaconu, D. C., Costache, R., and Popa, M. C., (2021). An Overview of Flood Risk Analysis Methods. Water 2021, 13, 474. https://doi.org/10.3390/w13040474.

Dodangeh, E., Choubin, B., Eigdir, A. N., Nabipour, N., Panahi, M., Shamshirband, S., and Mosavi, A., (2020). Integrated machine learning methods with resampling algorithms for floodsusceptibility prediction. Science of the Total Environment705, 135983,https://doi.org/10.1016/j.scitotenv.2019.135983.

Mcleod, E., Poulter, B., Hinkel, J., Reyes, E., and Salm, R., (2010). Sea-level rise impact models and environmental conservation: A review of models and their applications. Ocean and Coastal Management53(9), 507-517.

Nghĩa, N. V., and Cường, N. C., (2020). Ứng dụng mạng Nơ-ron nhân tạo đa lớp trong thành lập mô hình phân vùng lũ quét khu vực miền núi Tây Bắc, thực nghiệm tại tỉnh Yên Bái. Tạp chí Khoa học Đo đạc và Bản đồ, (44), 56-64.

Pham, B. T., Luu, C., Van Phong, T., Nguyen, H. D., Van Le, H., Tran, T. Q., ... and Prakash, I., (2021). Flood risk assessment using hybrid artificial intelligence models integrated with multi-criteria decision analysis in Quang Nam Province, Vietnam. Journal of Hydrology592, 125815, https://doi.org/10.1016/j.jhydrol.2020.125815.

Rahman, M., Ningsheng, C., Islam, M. M., Dewan, A., Iqbal, J., Washakh, R. M. A., and Shufeng, T., (2019). Flood susceptibility assessment in Bangladesh using machine learning and multi-criteria decision analysis. Earth Systems and Environment3, 585-601, https://doi.org/10.1007/s41748-019-00123-y.

Luu, C., Von Meding, J., and Kanjanabootra, S. (2018). Assessing flood hazard using flood marks and analytic hierarchy process approach: a case study for the 2013 flood event in Quang Nam, Vietnam. Natural Hazards90, 1031-1050; DOI 10.1007/s11069-017-3083-0.

Luu, C., and Von Meding, J. (2018). A flood risk assessment of Quang Nam, Vietnam using spatial multicriteria decision analysis. Water10(4), 461; DOI:10.3390/w10040461.

Các bài báo khác