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

Phân vùng nguy cơ dòng bùn đá tại khu vực Than Uyên, tỉnh Lai Châu bằng mô hình học máy

DOI:10.46326/JMES.2026.67(1).05

  • Cơ quan:

    1 Khoa Địa lý, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, Việt Nam
    2 UBND xã Mường Kim, tỉnh Lai Châu, Việt Nam
    3 Hội Đệ tứ - Địa mạo Việt Nam, Tổng hội Địa chất Việt Nam, Hà Nội, Việt Nam
    4 Viện Các Khoa học Trái Đất, Viện Hàn lâm Khoa học và Công nghệ Việt Nam, 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: 23-07-2025
  • Sửa xong: 09-11-2025
  • Chấp nhận: 04-12-2025
  • Ngày đăng: 31-12-2025
Trang: 54 - 69
Lượt xem: 25
Xem onlineXem online
Lượt tải: 1
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Dòng bùn đá là một trong những loại hình thiên tai phổ biến và nguy hiểm tại các khu vực miền núi Việt Nam, đặc biệt tại khu vực Than Uyên, tỉnh Lai Châu - nơi đặc trưng bởi địa hình dốc, lượng mưa lớn, thảm phủ suy giảm và nền đất yếu tạo điều kiện dễ kích hoạt hiện tượng dòng chảy bùn đá. Nghiên cứu này nhằm đánh giá nguy cơ dòng bùn đá thông qua mô hình hồi quy tuyến tính và Random Forest (RF), kết hợp với dữ liệu viễn thám, GIS và điều tra thực địa. Sau khi lựa chọn mười biến đầu vào, hai mô hình được huấn luyện qua 422 điểm mẫu. RF thể hiện hiệu suất vượt trội với độ chính xác 86% và AUC đạt 0,91, so với 74% và R² = 0,65 của mô hình hồi quy. Để đảm bảo độ tin cậy và tính ứng dụng thực tiễn, kết quả mô hình RF được sử dụng để xây dựng bản đồ phân vùng nguy cơ tai biến trên toàn khu vực. Kiểm chứng thực địa tại các xã Khoen On, Tà Mung và Mường Cang cho thấy sự trùng khớp cao giữa phân vùng nguy cơ và các điểm dòng bùn đá thực tế. Nghiên cứu khuyến nghị triển khai các hệ thống cảnh báo sớm, giám sát liên tục và lập kế hoạch di dời dân cư khỏi vùng nguy cơ cao, đồng thời lồng ghép kết quả vào quy hoạch không gian nhằm nâng cao khả năng thích ứng với biến đổi khí hậu và thiên tai vùng núi.

Trích dẫn
Đặng Kinh Bắc, Nguyễn Thanh Hương, Nguyễn Trọng Hưởng, Nguyễn Hiệu, Ngô Văn Liêm, Đặng Văn Bào, Đào Minh Đức và Nguyễn Minh Hiếu, 2025. Phân vùng nguy cơ dòng bùn đá tại khu vực Than Uyên, tỉnh Lai Châu bằng mô hình học máy, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 1, kỳ 67, tr. 54-69.
Tài liệu tham khảo

An, P. V. (2023). Phân tích các dạng trượt lở mái dốc các khu tái định cư thủy điện Sơn La và định hướng giải pháp xử lý.

Anh T. T., Tứ D. N. (2012). Nghiên cứu nhạy cảm và phân vùng nguy cơ trượt-lở đất khu vực hồ thủy điện Sơn La, Theo phương pháp phân tích cấp bậc Saaty. Các Khoa học về Trái đất, 34(3), 223-232.

Chu, V. N. và Nguyễn, T. T. H. (2008). Đánh giá nguy cơ tai biến trượt lở dọc tuyến đường 4D trên cơ sở nghiên cứu mối quan hệ giữa cấu trúc địa chất và địa hình. Tạp chí Địa chất, 305, 1-8.

Dang, K. B., Burkhard, B., Müller, F. và Dang, V. B. (2018). Modelling and mapping natural hazard regulating ecosystem services in Sapa, Lao Cai province, Vietnam. Paddy and Water Environment, 16(4), 767-781. https://doi.org/10.1007/s10333-018-0667-6.

Dang, K. B., Nguyen, C. Q., Tran, Q. C., Nguyen, H., Nguyen, T. T., Nguyen, D. A., Tran, T. H., Bui, P. T., Giang, T. L., Lenh, T. A., Ngo, V. L., Yasir, M., Nguyen, T. T. và Ngo, H. H. (2024). Comparison between U-shaped structural deep learning models to detect landslide traces. Science of the Total Environment, 912, 169113. https://doi.org/10.1016/j.scitotenv.2023.169113.

Doan, V. L., Nguyen, B., Nguyen, C. C. và Nguyen, C. T. (2024). Effect of time-variant rainfall on landslide susceptibility : A case study in Quang Ngai Province , Vietnam. 46, 203-221.

Geertsema, M., Highland, L. và Vaugeouis, L. (2009). Environmental impact of landslides. In K. Sassa và P. Canuti (Eds.), Landslides -- Disaster Risk Reduction (pp. 589-607). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-69970-5_31.

Hung, P. V., Son, P. Q. và Dung, N. V. (2015). The study evaluated arming of risk of lanslide in Hoa Binh and Son La reservoir hydropower area on the basis of analyzing high-resolution remote sensing and geographic information systems. Vietnam Journal of Earth Sciences, 37(3), 193-203.

Jakob, M., and Hungr, O. (Eds.). (2005). Debris-flow hazards and related phenomena. Springer Praxis books. Springer-Verlag Berlin Heidelberg. https://doi.org/10.1007/3-540-27129-5.

JAXA. (2008). ALOS Data Users Handbook. Earth observation research and application center Japan aerospace exploration agency, 158. http://www.eorc.jaxa.jp/ALOS/en/doc/fdata/ALOS_HB_RevC_EN.pdf.

Lary, D. J., Alavi, A. H., Gandomi, A. H. và Walker, A. L. (2016). Machine learning in geosciences and remote sensing. Geoscience Frontiers, 7(1), 3-10. https://doi.org/10.1016/j.gsf.2015.07.003.

Malet, J. P. và Maquaire, O. (2012). Risk assessment methodologies for soil threats. In Framework. https://doi.org/10.2788/ 47096.

Nguyen, C. N., Nguyen, V. D., Ha, T. G., Dinh, Q. Van, Nguyen, L. M., Huang, B.-S., Pham, T. T., Nguyen, T. H., Le, Q. K. và Nguyen, H. H. (2022). Automatic earthquake detection and phase picking and Muong Te, Lai Chau region: an application of machine learning in observational seismology in Vietnam. Vietnam Journal of Earth Science, 43(3), 430-446. https://doi.org/https://doi.org/10.15625/2615-9783/17253.

Piralilou, S. T., Shahabi, H., Jarihani, B., Ghorbanzadeh, O., Blaschke, T., Gholamnia, K., Meena, S. R. và Aryal, J. (2019). Landslide detection using multi-scale image segmentation and different machine learning models in the higher himalayas. Remote Sensing, 11(21). https://doi.org/10.3390/rs11212575.

Schmitter, P., Dercon, G., Hilger, T., Thi Le Ha, T., Huu Thanh, N., Lam, N., Duc Vien, T. và Cadisch, G. (2010). Sediment induced soil spatial variation in paddy fields of Northwest Vietnam. Geoderma, 155(3-4), 298-307. https://doi.org/10.1016/j.geoderma.2009.12.014.

Takahashi, T. (2014). Debris Flow: Mechanics, Prediction and Countermeasures (2nd ed.). CRC Press, Taylor and Francis Group. ISBN: 978-1-4665-5304-7. ttps://doi.org/10.1201/b173 07.

Tehrani, F. S., Santinelli, G. và Herrera Herrera, M. (2021). Multi-Regional landslide detection using combined unsupervised and supervised machine learning. Geomatics, Natural Hazards and Risk, 12(1), 1015-1038. https://doi.org/10.1080/19475705.2021.1912196.

Tran, V. A., Khuc, T. D., Truong, X. Q., Nguyen, A. B. và Phi, T. T. (2024). Application of potential machine learning models in landslide susceptibility assessment: A case study of Van Yen district, Yen Bai province, Vietnam. Quaternary Science Advances, 14, 100181. https://doi.org/10.1016/j.qsa.2024.100181.

Varnes, D. J. (1978). Slope Movement Types and Processes. In R. L. Schuster and R. J. Krizek (Eds.), Landslides: Analysis and Control (pp. 11-33). Transportation Research Board Special Report 176. National Academy of Sciences.

Vũ, T. M. H., Đặng, T. K. P., Ngô, L. A. và Đặng, T. H. V. (2017). Nghiên cứu đánh giá tác động của các hồ chứa Lai Châu, Sơn La và Hòa Bình đến dòng chảy mùa kiệt trên sông Đà. Tạp chí khoa học kỹ thuật thủy lợi và môi trường, 57, 26-32.

Zhao, C. và Lu, Z. (2018). Remote sensing of landslides-A review. Remote Sensing, 10(2), 8-13. https://doi.org/10.3390/rs10020279.

Zhou, W., Zhou, Y., Liu, R., Yin, H. và Nie, H. (2025). Predictive modeling of river blockage severity from debris flows: Integrating statistical and machine learning approaches with insights from Sichuan Province, China. Catena, 248. https://doi.org/10.1016/j.catena.2024.108576.

Các bài báo khác