Dự đoán xâm nhập mặn ngắn hạn cho vùng ven biển ĐBSCL bằng máy học
Xâm nhập mặn gây nhiều hệ quả đáng kể cho sản xuất nông nghiệp, các nguồn nước ngọt và sự thịnh vượng của các cộng đồng ven biển. Đây là lý do mà một nhóm các nhà nghiên cứu ở ĐH Khoa học tự nhiên (ĐHQG TPHCM) và ĐH Yamanashi, Nhật Bản đã sử dụng các phương pháp máy học để dự đoán các mức xâm nhập mặn cho vùng ven biển ĐBSCL.
Quản lý nước là vấn đề tối quan trọng của các xã hội do tác động của nó với vô số khía cạnh của đời sống, ảnh hưởng đến sức khỏe con người, sản xuất nông nghiệp, năng lượng và môi trường. Trong những năm gần đây, việc quản lý nước và chất lượng đất, đặc biệt là các vùng ven biển và gần cửa sông, trở thành một thách thức lớn do xâm nhập mặn. Sự lan rộng của nước mặn sâu trong đất liền do nhiều nhân tố, bao gồm mức triều, gió, khai thác nước, nhiệt độ nước…
Với ĐBSCL, xâm nhập mặn là một thách thức lớn. Sự ảnh hưởng của xâm nhập mặn khá bền vững, với nhiều hậu quả cho nông nghiệp. Thêm vào đó, chất lượng và số lượng của các nguồn nước ngọt, vốn quan trọng cho nước sinh hoạt, tưới tiêu và nuôi trồng thủy sản. Do đó, xâm nhập mặn cũng tác động tiêu cực đến sức khỏe và sự thịnh vượng của các cộng đồng địa phương, những người phụ thuộc vào các nguồn nước ngầm cho sinh hoạt hằng ngày.
Để giảm thiểu được những thiệt hại này, cần phải có những giải pháp dự đoán được xâm nhập mặn để chính quyền và nông dân các tỉnh ven biển có thời gian lập kế hoạch phòng bị. Đây cũng là lý do mà các nhà khoa học trên thế giới đã áp dụng nhiều phương pháp khác nhau để dự đoán xâm nhập mặn, trong đó có các mô phỏng số kiểm tra xâm nhập mặn. Tuy nhiên việc sử dụng các mô hình này cũng gặp giới hạn do thiếu các dữ liệu thủy văn cũng như các chi tiết toàn diện về địa mạo vùng cửa sông mở rộng trong khi đây là yếu tố quan trọng để phân tích động lực của xâm nhập mặn ở vùng cửa sông.
Trong khi đó, việc quản lý xâm nhập mặn ở ĐBSCL đòi hỏi sự mô phỏng chính xác để sử dụng các nguồn nước hiệu quả. Cả mô hình vật lý và các thuật toán máy học đều có điểm mạnh và điểm yếu trong mô phỏng sự xâm nhập mặn của vùng, ví dụ các mô hình vật lý thì mô tả toàn diện các quá trình cơ bản nhưng lại đòi hỏi nhiều dữ liệu đầu vào. Nhiều nghiên cứu về xâm nhập mặn ở ĐBSCL đã tận dụng ưu thế của học máy, tuy nhiên mới chỉ tập trung vào một số vùng cụ thể hoặc chỉ một thuật toán đơn lẻ để dự đoán. Các nhà nghiên cứu ĐHQG TPHCM và ĐH Yamanashi đã xem xét việc sử dụng một cách nhìn toàn diện vào tiềm năng của máy học dựa trên vô số tham số liên quan đến xâm nhập mặn như dữ liệu mặn theo giờ, dữ liệu mực nước.. để phát triển và sử dụng nhiều thuật toán với mục tiêu dự đoán xâm nhập mặn ngắn hạn với ĐBSCL.
Nghiên cứu của họ hướng vào hai mục tiêu 1) phát triển các thuật toán học máy được thiết kế riêng cho dự đoán xâm nhập mặn ngắn hạn ở ĐBSCL; 2) so sánh hiệu quả của các thuật toán khác nhau trong dự đoán xâm nhập mặn. Trong nghiên cứu này, các nhà khoa học cho biết đã áp dụng nhiều phương pháp máy học để tập trung vào xử lý những phức tạp của dữ liệu thủy văn như hồi quy rừng ngẫu nhiên (RFR), hồi quy vector hỗ trợ (SVR), bộ nhớ dài hạn (LSTM), các mạng thần kinh nhân tạo (ANN)… Các phương pháp này được dùng để giải quyết và so sáng hiệu quả trong mô hình hóa thủy văn nhằm nhận diện mô hình phù hợp nhất trong dự đoán.
Thuật toán dự đoán xâm nhập mặn
Nghiên cứu được thực hiện ở Sóc Trăng, nơi chịu ảnh hưởng của khí hậu nhiệt đới gió mùa với hai mùa rõ rệt là mùa mưa (tháng 5 đến tháng 10) và mùa khô (tháng 11 đến tháng 4). Sóc Trăng được hưởng nhiều lợi ích từ vị thế địa lý độc đáo, khi nằm ở điểm nơi dòng sông Hậu đổ ra biển, và có 72 km đường bờ biển, khiến cho nó vừa có tiềm năng phát triển kinh tế biển vừa phải chịu nhiều thiệt hại do xâm nhập mặn hằng năm.
Vào tháng 3/2020, mức xâm nhập mặn cao nhất trong lịch sử đã được quan sát ở nhiều trạm thủy lợi, ví dụ trạm Trần Đề trên sông Hậu, độ mặn chạm tới 22,5‰, trong khi Đại Ngãi, cách sông Hậu 35 km, độ mặn đo được là 10,5‰, và An Lạc Tây, chạm đến 5,5‰. Xâm nhập mặn ảnh hưởng đến mọi khía cạnh đời sống của Sóc Trăng, ảnh hưởng đến cả sản xuất và đời sống thường nhật. Dẫu nhiều nghiên cứu về hiện tượng xâm nhập mặn sử dụng mô hình hóa, viễn thám, đánh giá nhanh đều tập trung vào những vùng như Tiền Giang, Cần Thơ, Bến Tre nhưng Sóc Trăng vẫn chưa được quan tâm.
Các nhà nghiên cứu đã áp dụng các thuật toán Hồi quy rừng ngẫu nhiên (RFR), hồi quy vector hỗ trợ (SVR), hồi quy Ridge (RR), mạng thần kinh nhân tạo (ANN), Bộ nhớ ngắn dài (LSTM), và giải thuật XGBoost để dự đoán xâm nhập mặn của Sóc Trăng nhờ những tiềm năng trong việc nắm bắt một cách hiệu quả và mô hình hóa những mối quan hệ phức tạp giữa độ mặn và vô số nhân tố ảnh hưởng. Họ sử dụng dữ liệu theo giờ được thu thập trong mùa khô từ năm năm 2013 đến 2020 và dữ liệu thực địa, gồm các phép đo độ mặn được thực hiện hai giờ một lần tại các trạm Trần Đề, Long Phú, Đại Ngãi, An Lạc Tây và Sóc Trăng, cùng với các phép đo mực nước hàng giờ từ trạm đo Trần Đề và dữ liệu lưu lượng hàng giờ từ trạm thủy văn Cần Thơ.
Họ đã tạo ra sáu mô hình dự đoán độ mặn. Trong số sáu kịch bản thì kịch bản số 6, bao gồm sự kết hợp của các thông số đầu vào như độ mặn tại các trạm Trần Đề, Long Phú, Đại Ngãi, Sóc Trăng, lưu lượng và mực nước, được chọn để khám phá sự khác biệt giữa các mô hình. Các mô hình của họ cho thấy cả thuật toán mạng thần kinh nhân tạo và hồi quy vector hỗ trợ có thể xử lý các tập dữ liệu môi trường phức tạp, phi tuyến tính và đa chiều. Hơn nữa, họ phát hiện sự ảnh hưởng ở mức tối thiểu của dòng chảy tại trạm Cần Thơ đối với nồng độ độ mặn dự đoán.
Các kết quả cho thấy, phần lớn các mô hình đều có hiệu quả cao trong việc dự báo độ mặn trong giai đoạn dự báo trước 16 giờ. Do thông báo sớm là rất quan trọng trong việc cung cấp thông tin cho cộng đồng, cho phép họ thực hiện các biện pháp kịp thời để ứng phó với tình trạng xâm nhập nước mặn. Thời gian chuẩn bị 16 giờ có thể tạo ra sự cân bằng tối ưu giữa độ chính xác và khoảng thời gian dự đoán cho các mô hình nghiên cứu, khiến nó trở thành một công cụ có giá trị để thông tin và hỗ trợ cộng đồng ứng phó với các thách thức về xâm nhập nước mặn.
Những phát hiện này cùng nhau làm nổi bật tiềm năng của các mô hình học máy trong việc dự đoán và quản lý mức độ mặn, cung cấp những hiểu biết có giá trị và các giải pháp cảnh báo sớm để giải quyết các vấn đề xâm nhập nước mặn. Điều này có thể đóng góp đáng kể vào việc giảm thiểu các thách thức liên quan đến xâm nhập mặn ở ĐBSCL và nâng cao hiểu biết chung về dự đoán độ mặn ở các vùng ven biển.
Với những kết quả thu được, các thuật toán học máy dự đoán độ mặn đã chứng tỏ được giá trị của mình và tỏ rõ tiềm năng ứng dụng thực tế. Các nhà khoa học cho rằng, cần có các nghiên cứu tiếp theo có thể tiếp tục phát triển các mô hình học máy để tìm hiểu sự lan rộng của độ mặn ở ĐBSCL, giải quyết dự đoán xâm nhập nước mặn cũng như giải quyết các thách thức trong ứng dụng các thuật toán học máy tiên tiến. Những nỗ lực này có tiềm năng trở thành những phát triển mang tính chuyển đổi trong lĩnh vực áp dụng học máy vào nghiên cứu thủy văn.
Kết quả được nêu chi tiết trong bài “Short-term salinity prediction for coastal areas of the Vietnamese Mekong Delta using various machine learning algorithms: a case study in Soc Trang Province”, xuất bản trên tạp chí Applied Water Science.
Thanh Phương dịch từ “Short-term salinity prediction for coastal areas of the Vietnamese Mekong Delta using various machine learning algorithms: a case study in Soc Trang Province”, Applied Water Science.
Nguồn: https://link.springer.com/article/10.1007/s13201-025-02419-z
