Sạt lở đất là một trong những hiểm họa thiên tai nghiêm trọng nhất ở vùng đồi núi vì nó xảy ra nhanh, khó dự báo, và gây hậu quả nặng nề cho người dân sống trong vùng bị ảnh hưởng. Nếu có thể dự báo trước những khu vực dễ xảy ra sạt lở, chúng ta sẽ có thêm thời gian để chuẩn bị đối phó, cảnh báo nhân dân phòng tránh và giảm thiểu rủi ro.

      Tại Khoa Kỹ thuật Tài nguyên Nước – Trường Đại học Thủy lợi, các giảng viên và sinh viên đã ứng dụng trí tuệ nhân tạo (AI), cụ thể là các mô hình học máy (machine learning), để xây dựng bản đồ cảnh báo nguy cơ sạt lở đất một cách chính xác và dễ hiểu.

      Nghiên cứu được thực hiện thử nghiệm tại huyện Inje (Hàn Quốc) – nơi thường xuyên xảy ra sạt lở. Nhóm nghiên cứu đã sử dụng các dữ liệu được thu thập từ nhiều năm trước đây gồm có: thông tin địa hình, lượng mưa, loại đất, vị trí các vụ sạt lở từng xảy ra, ….  Các Dữ liệu này được đưa vào các mô hình học máy như Random Forest (RF), XGBoost (XGB), SVM, KNN… để cho ra kết quả dự báo sạt lở đất.

      Kết quả nghiên cứu nổi bật như sau:

• RF và XGB là hai mô hình có hiệu suất dự báo cao nhất, với độ chính xác trên 94%.
• Bản đồ nguy cơ sạt lở được tạo ra với độ phân giải cao (10 m), vùng nghiên cứu được phân loại thành nhiều mức độ nguy cơ khác nhau làm cơ sở để ứng phó và phòng tránh.
• Kỹ thuật SHAP được sử dụng để giải thích các biến đầu vào mô hình: nó cho biết yếu tố nào ảnh hưởng mạnh đến kết quả dự báo sạt lở (ví dụ: TWI, độ sâu đất, ...).
• Nghiên cứu này đã đánh giá ảnh hưởng của từng yếu tố đầu vào bằng cách loại bỏ từng biến và tính toán lại hiệu quả mô hình (biểu đồ Kappa).

     Khác với bản đồ truyền thống, AI không chỉ đưa ra bản đồ kết quả dự báo mà còn “giải thích” được vì sao mô hình dự đoán như vậy – điều này rất quan trọng trong ứng dụng thực tế cảnh báo sạt trượt đất ở vùng đồi núi.

🎓 Sinh viên Khoa Kỹ thuật Tài nguyên Nước được tiếp cận các kỹ thuật tiên tiến, hiện đại như học máy, xử lý dữ liệu không gian, xây dựng bản đồ phân tích rủi ro, nhờ đó sinh viên có khả năng giải quyết các bài toán về môi trường và phòng chống thiên tai bằng công nghệ cao.

     Hình 1: Quy trình xây dựng mô hình AI từ dữ liệu đến bản đồ đầu ra.

     Hình 2: Bản đồ nguy cơ sạt lở đất (LSM) tại Inje – thể hiện xác suất theo từng mức độ.

      Hình 3: Biểu đồ SHAP – đánh giá ảnh hưởng của từng yếu tố đến kết quả dự báo mô hình: (A) KNN, (B) SVM, (C) RF, (D) XGB, (E) LGB.

      Hình 4: So sánh điểm Kappa khi loại từng biến đầu vào khỏi mô hình. Biểu đồ cho thấy tầm quan trọng của từng yếu tố (như độ sâu đất, độ dốc, TWI, điều kiện thảm phủ thực vật...) đối với hiệu quả của các mô hình AI. Nếu Kappa giảm mạnh khi thiếu một biến nào đó, chứng tỏ biến đó có ảnh hưởng lớn đế