Tạp chí
 
Năm 2025
 
Số 1, Kỳ 67, [12 - 2025] - Xem trước

Ứng dụng mô hình học sâu và DSAS trong đánh giá biến động đường bờ vịnh Đà Nẵng

DOI:10.46326/JMES.2026.67(1).04

  • Cơ quan:

    1 Trường Khoa học tự nhiên, Đại học Quốc gia Hà Nội, Việt Nam.
    2 Viện Việt Nam học và Khoa học phát triển, Đại học Quốc Gia Hà Nội, Việt Nam
    3 Văn phòng Chính phủ, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 28-07-2025
  • Sửa xong: 21-11-2025
  • Chấp nhận: 15-12-2025
  • Ngày đăng: 31-12-2025
Trang: 41 - 53
Lượt xem: 57
Xem onlineXem online
Lượt tải: 4
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Tốc độ đô thị hóa nhanh kết hợp với tác động của biến đổi khí hậu đang làm gia tăng áp lực lên hệ thống bờ biển tại nhiều khu vực. Trong khi đó, xói lở và bồi tụ bờ biển là những tai biến thiên nhiên tác động nghiêm trọng tới người dân, đặc biệt tại vịnh Đà Nẵng - nơi chịu tác động mạnh mẽ từ cả yếu tố tự nhiên và hoạt động nhân sinh. Mục tiêu của nghiên cứu này là đánh giá biến động đường bờ biển khu vực vịnh Đà Nẵng dưới tác động của mực nước biển dâng trong bão và đô thị hoá. Tác giả đã ứng dụng mô hình học sâu UNet trên ảnh UAV độ phân giải cao kết hợp với công cụ DSAS để phân tích biến động đường bờ biển giai đoạn 2002÷2024. Kết quả cho thấy mô hình UNet đạt độ chính xác tổng thể 98,5% với hệ số Kappa 0,97, chứng minh hiệu quả của phương pháp kết hợp UNet - DSAS trong phân tích biến động đường bờ. Khu vực phía nam sông Cu Đê có xu hướng xói lở mạnh với tốc độ cực đại 3,43 m/năm, trong khi cửa sông Cu Đê có hiện tượng bồi tụ rõ rệt, gây cản trở giao thông thủy. Đô thị Đa Phước có xu hướng bồi tụ mạnh do quá trình lấn biển, với tốc độ cực đại 22,78 m/năm. Kết quả phân tích cho thấy việc tích hợp mô hình UNet giúp nâng cao độ chính xác trong xác định đường bờ trong, mở ra hướng tiếp cận hiệu quả trong giám sát và quản lý bờ biển. Sản phẩm cung cấp cơ sở khoa học cho quy hoạch và bảo vệ bờ biển bền vững tại vịnh Đà Nẵng.

Trích dẫn
Giang Tuấn Linh ., Nguyễn Thị Chinh, Đặng Kinh Bắc và Nguyễn Quốc Cường, 2025. Ứng dụng mô hình học sâu và DSAS trong đánh giá biến động đường bờ vịnh Đà Nẵng, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 1, kỳ 67, tr. 41-53.
Tài liệu tham khảo

Apostolopoulos, D., and Nikolakopoulos, K. (2021). A review and meta-analysis of remote sensing data, GIS methods, materials and indices used for monitoring the coastline evolution over the last twenty years. European Journal of Remote Sensing, 54(1), 240–265. https://doi.org/10.1080/22797254.2021.1904293.

Boak, E. H., and Turner, I. L. (2005). Shoreline Definition and Detection: A Review. Journal of Coastal Research, 214(214), 688–703. https://doi.org/10.2112/03-0071.1

Dang, K. B., Dang, V. B., Ngo, V. L., Vu, K. C., Nguyen, H., Nguyen, D. A., Nguyen, T. D. L., Pham, T. P. N., Giang, T. L., Nguyen, H. D., and Hieu Do, T. (2022). Application of deep learning models to detect coastlines and shorelines. Journal of Environmental Management, 320, 115732. https://doi.org/10.1016/j.jenvman.2022.115732.

Giang, T. L., Bui, Q. T., Nguyen, T. D. L., Dang, V. B., Truong, Q. H., Phan, T. T., Nguyen, H., Ngo, V. L., Tran, V. T., Yasir, M., and Dang, K. B. (2023). Coastal landscape classification using convolutional neural network and remote sensing data in Vietnam. Journal of Environmental Management, 335, 117537. https://doi.org/10.1016/j.jenvman.2023.117537.

McAllister, E., Payo, A., Novellino, A., Dolphin, T., and Medina-Lopez, E. (2022). Multispectral satellite imagery and machine learning for the extraction of shoreline indicators. Coastal Engineering, 174, 104102. https://doi.org/10.1016/j.coastaleng.2022.104102.

Ngo, V. L., Dang, V. B., Dang, K. B., Ngo, C. C., Pham, T. P. N., Benjamin, B., and Giap, T. K. C. (2020). Assessment of shoreline changes for setback zone establishment from Son Tra (Da Nang city) to Cua Dai (Hoi An city), Vietnam. Science of the Earth, 42(2), 363–383. https://doi.org/10.15625/0866-7187/42/4/15410.

O’Carroll, S. (2010). Coastal Erosion and Shoreline Classification in Stratford , Prince Edward Island. May, 96 p. www.atlanticadaptation.ca.

Ronneberger, O., Fischer, P., and Brox, T. (2015). UNet: Convolutional networks for biomedical image segmentation. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9351, 234–241. https://doi.org/10.1007/978-3-319-24574-4_28.

Thao, N. Van, Thanh, T. D., Saito, Y., and Gouramanis, C. (2013). Monitoring Coastline Change in the Red River Delta Using Remotely Sensed Data. Tạp Chí Khoa Học và Công Nghệ Biển, 13(2), 151–160. https://doi.org/10.15625/jmst.v13i2.3518.

Van Puijenbroek, M. E. B., Nolet, C., De Groot, A. V, Suomalainen, J. M., Riksen, M. J. P. M., Berendse, F., and Limpens, J. (2017). Exploring the contributions of vegetation and dune size to early dune development using unmanned aerial vehicle (UAV) imaging. Biogeosciences, 14(23), 5533–5549. https://doi.org/10.5194/bg-14-5533-2017.

Vos, K., Splinter, K. D., Harley, M. D., Simmons, J. A., and Turner, I. L. (2019). CoastSat: A Google Earth Engine-enabled Python toolkit to extract shorelines from publicly available satellite imagery. Environmental Modelling and Software, 122, 104528. https://doi.org/10.1016/j.envsoft.2019.104528

Các bài báo khác