Ứng dụng AI đa tầng trong cảnh báo nguy cơ trượt lở đất
Bài viết trình bày nghiên cứu ứng dụng mô hình trí tuệ nhân tạo (AI) đa tầng (Stacking Ensemble) để dự báo và cảnh báo trượt lở đất tại tỉnh Bắc Giang (cũ) nay là tỉnh Bắc Ninh. Bằng cách kết hợp nhiều thuật toán AI và kỹ thuật lọc dữ liệu thông minh, hệ thống đã tạo ra bản đồ phân vùng nguy cơ trượt lở (LSM) với độ tin cậy vượt trội. Thành quả này cung cấp cơ sở khoa học để chính quyền địa phương quy hoạch hạ tầng, cảnh báo sớm và di dời dân cư an toàn.
Trượt lở đất - Nỗi lo thường trực nơi vùng cao Bắc Giang
Trượt lở đất từ lâu đã được xem là một trong những loại hình hiểm họa địa chất nguy hiểm nhất, gây ra những tổn thất to lớn về tính mạng, tài sản và môi trường trên phạm vi toàn cầu [1]. Tại Việt Nam, thiên tai này xảy ra thường xuyên tại các vùng miền núi và trung du, đòi hỏi phải có những chiến lược giảm thiểu rủi ro dựa trên việc xác định chính xác các điểm có nguy cơ trượt lở.
Tỉnh Bắc Giang, nay là tỉnh Bắc Ninh và các khu vực lân cận nằm ở vùng Đông Bắc Việt Nam, là nơi có địa hình chia cắt mạnh và chịu ảnh hưởng của khí hậu nhiệt đới gió mùa với lượng mưa hằng năm rất lớn, dao động từ 1.500 đến 2.000 mm [2]. Chính lượng mưa tập trung cao độ vào mùa mưa (từ tháng 5 đến tháng 10) là tác nhân kích hoạt chính khiến đất đá mất ổn định.
Một đặc điểm địa chất đáng chú ý tại Bắc Giang là khu vực này chịu ảnh hưởng mạnh mẽ của các hệ thống đứt gãy hoạt động như Sông Cầu, Bắc Giang - Lạng Sơn và các đới siết ép kiến tạo. Những cấu trúc này tạo ra các đới dập vỡ, làm suy giảm đáng kể khả năng chịu lực của đất đá. Hệ quả là tại đây, nguy cơ trượt lở luôn hiện hữu ngay cả ở những khu vực có độ dốc trung bình [3-4], khiến việc dự báo trở nên khó khăn hơn so với các vùng núi cao dốc đứng.
Qua các đợt khảo sát thực địa, nhóm nghiên cứu đề tài đã nhận diện được nhiều hình thái trượt lở đa dạng tại hiện trường như trượt trong vỏ phong hóa, trượt tịnh tiến hay các dạng trượt hỗn hợp phức tạp (hình 1). Những diễn biến ngầm bên trong lòng đất này tạo ra những "tín hiệu yếu" mà các phương pháp dự báo truyền thống khó lòng nhận diện chính xác, đặt ra yêu cầu cấp bách về việc ứng dụng những công nghệ thông minh để bảo vệ cộng đồng.
Khi dữ liệu "biết nói": 16 nhân tố quyết định độ ổn định mặt dốc
Để giải mã được nguy cơ trượt lở, nhóm nghiên cứu không chỉ dựa vào quan sát bề mặt mà phải tiến hành xây dựng một bộ cơ sở dữ liệu địa chất cho toàn bộ khu vực nghiên cứu. Thông qua việc giải đoán các dữ liệu từ vệ tinh Sentinel-2, đối chiếu với các ghi chép lịch sử và thực hiện những chuyến khảo sát thực địa bằng GPS, một hệ thống dữ liệu đa tầng đã được thiết lập.
Thay vì chỉ nhìn vào một vài nguyên nhân đơn lẻ, mô hình nghiên cứu đã lựa chọn và phân tích đồng thời 16 nhân tố điều kiện khác nhau (Hình 2). Những nhân tố này giống như những mảnh ghép của một bức tranh toàn cảnh, được chia thành ba nhóm chính để máy tính có thể "học" và phân tích [5-6]:
Nhóm Địa hình và Thuỷ văn: Bao gồm độ cao, độ dốc, độ phân cắt địa hình, mật độ sông suối và chỉ số ẩm ướt. Đây là nhóm nhân tố quyết định tác động của dòng chảy và trọng lực lên các sườn dốc.
Nhóm Địa chất và Nội sinh: Bao gồm các đới đứt gãy, đới siết ép kiến tạo, loại đất và bề dày vỏ phong hóa. Tại Bắc Giang, các yếu tố này làm suy yếu cấu trúc đá gốc, tạo điều kiện cho trượt lở đất xảy ra.
Nhóm Môi trường và Tác động ngoại lực: Tập trung vào các yếu tố biến động theo thời gian như lượng mưa, mật độ che phủ thực vật (NDVI), hiện trạng sử dụng đất và khoảng cách tới đường giao thông.
Điểm khác biệt của nghiên cứu này so với các phương pháp trước đây là việc tích hợp sâu các yếu tố cấu trúc nội sinh như mật độ đứt gãy và các đới siết ép. Các nhà khoa học quan niệm nếu lượng mưa là tác nhân kích hoạt thì cấu trúc địa chất chính là yếu tố nền tảng đã có sẵn trong lòng đất. Việc cung cấp cho mô hình AI đầy đủ 16 nhân tố này giúp nó không bỏ sót bất kỳ một yếu tố tiềm ẩn nào, từ đó đưa ra những dự báo có độ tin cậy cao nhất cho từng vị trí cụ thể trên bản đồ.
Công nghệ AI đa tầng: "Hội đồng chuyên gia" dự báo trượt lở
Trong lĩnh vực dự báo thiên tai, việc chỉ tin tưởng vào một thuật toán duy nhất thường dẫn đến những sai sót đáng tiếc do tính chất phức tạp của địa chất. Để giải quyết vấn đề này, nhóm nghiên cứu đã ứng dụng mô hình Học máy tổ hợp phân tầng (Stacking Ensemble) - một giải pháp đột phá vận hành tương tự như một mô hình tổng hợp [7-8]. Thay vì đưa ra quyết định độc lập, hệ thống này được xây dựng theo cấu trúc hai tầng (hình 3).
Tầng thứ nhất - Các mô hình cơ sở: Tại đây, 4 thuật toán AI tiên tiến (bao gồm RF, XGBoost, LightGBM và mạng nơ-ron sâu DNN) cùng tham gia phân tích 16 nhân tn tiến (b đầu vào. Mỗi mô hình có thế mạnh riêng trong việc phân loại hoặc xử lý các mối quan hệ dữ liệu phức tạp.
Tầng thứ hai - Mô hình tổng hợp: Một bộ học siêu cấp (Logistic Regression) đóng vai trò tổng hợp kết quả từ các mô hình cơ sở ở tầng dưới. Mô hình này không chỉ đơn thuần cộng dồn các dự báo mà sẽ đánh giá trọng số, hiệu chỉnh sai số và chắt lọc những thông tin tin cậy nhất để đưa ra kết luận cuối cùng về nguy cơ trượt lở đất.
Một điểm yếu của các mô hình AI truyền thống là dễ bị đánh lừa bởi các dữ liệu không chuẩn xác- ví dụ như việc máy tính nhầm lẫn giữa một vùng thực sự an toàn với một vùng vốn có nguy cơ trượt lở nhưng chưa xảy ra sự cố. Để khắc phục, nhóm nghiên cứu đã triển khai kỹ thuật lọc dữ liệu (PU-Bagging).
Công nghệ này đóng vai trò như một màng lọc thông minh, giúp mô hình chỉ học từ những mẫu dữ liệu chuẩn xác nhất, từ đó loại bỏ hiện tượng dự báo sai lệch [9-10]. Sự kết hợp giữa mô hình tổng hợp đa tầng và quy trình lọc dữ liệu đã giúp hệ thống đạt được độ chính xác cao và tin cậy vượt trội so với các phương pháp đơn lẻ thông thường, mở ra một hướng tiếp cận mới trong việc nhận diện sớm các hiểm họa từ lòng đất [11].
Xác định những khu vực nguy cơ trượt lở cao
Sau khi huấn luyện thành công hệ thống AI đa tầng, nhóm nghiên cứu đã tiến hành bước quan trọng nhất: giải mã xem yếu tố nào thực sự đang chi phối các vụ trượt lở đất tại Bắc Ninh. Kết quả định lượng từ mô hình (hình 4) đã đã cung cấp những phân tích khách quan về cơ chế phát sinh trượt lở tại địa phương.
Tác nhân hàng đầu được xác định không phải là một yếu tố tự nhiên thuần túy, mà chính là mức độ gần đường giao thông, chiếm tới 32,3% mức độ ảnh hưởng. Đây là một minh chứng cụ thể, phản ánh tác động nhân tác sâu sắc tại khu vực nghiên cứu. Việc đào cắt ta-luy để mở đường đã vô tình làm mất ổn định chân dốc tự nhiên, biến các hành lang giao thông huyết mạch thành những khu vực dễ tổn thương nhất khi có mưa lớn.
Xếp ngay sau đó là yếu tố độ dốc với tỉ lệ đóng góp 22,4%. Một điểm đặc thù tại Bắc Ninh là do hệ thống đất đá đã bị dập vỡ mạnh từ trước, nên trượt lở không chỉ xảy ra ở những vách núi dựng đứng mà ngay cả ở những vùng đồi dốc trung bình, nguy cơ vẫn luôn hiện hữu.
Bên cạnh đó, nghiên cứu còn chỉ ra những đặc điểm kiến tạo như các đới siết ép và mật độ đứt gãy đóng vai trò là những ràng buộc vật lý nền tảng. Các cấu trúc này làm suy yếu cường độ kháng cắt cố hữu của đá gốc, tạo điều kiện cho các nhân tố kích hoạt như lượng mưa hay hoạt động xây dựng gây ra trượt lở.
Để khẳng định tính đúng đắn của những phát hiện này, nhóm nghiên cứu đã thực hiện một phép so sánh về hiệu suất giữa các mô hình AI khác nhau (bảng 1). Kết quả cho thấy, việc kết hợp mô hình tổng hợp với kỹ thuật lọc dữ liệu thông minh đã mang lại độ tin cậy vượt trội, giúp nhận diện chính xác các khu vực trượt lở và giảm thiểu sai số trong dự báo vị trí nguy cơ.
Bảng 1. Hiệu suất so sánh các kịch bản mô hình (Rút gọn).
Việc xác định được các nhân tố chi phối trượt lở này không chỉ có giá trị về mặt học thuật mà còn là kim chỉ nam cho các nhà quản lý trong việc ưu tiên nguồn lực bảo vệ các cung đường huyết mạch và những khu vực có đặc điểm địa chất nhạy cảm.
Từ bản đồ số đến hành động bảo vệ cộng đồng
Thành quả cuối cùng và quan trọng nhất của toàn bộ quy trình công nghệ phức tạp này chính là Bản đồ phân vùng nguy cơ trượt lở đất (LSM) (Hình 5). Thay vì những bảng số liệu khô khan, các vị trí nguy cơ về hiểm hoạ giờ đây đã được hiện diện một cách trực quan trên nền bản đồ số với các cấp độ nguy hiểm khác nhau.
Để nâng cao hiệu quả quản trị rủi ro, nhóm nghiên cứu đã đề xuất áp dụng giải pháp phân ngưỡng xác suất cao. Hiểu một cách đơn giản, thay vì chia đều các cấp độ nguy cơ, các nhà khoa học chỉ tập trung vào những khu vực có xác suất trượt lở cao (trên 97%). Kỹ thuật này đóng vai trò như một bộ lọc thông minh, giúp loại bỏ các thông tin gây nhiễu và khoanh vùng chính xác những vị trí thực sự nguy hiểm dọc theo các đới đứt gãy địa chất và các hành lang giao thông huyết mạch.
Kết quả phân tích từ bản đồ cho thấy các huyện miền núi phía Đông như Sơn Động, Lục Ngạn là những khu vực cần được ưu tiên bảo vệ đặc biệt. Đây là những nơi mà sự kết hợp giữa địa hình chia cắt, đứt gãy địa chất và hoạt động xây dựng đường sá diễn ra mạnh mẽ nhất.
Ý nghĩa của nghiên cứu không chỉ dừng lại ở những trang báo cáo khoa học. Bản đồ này chính là nền tảng khoa học vững chắc để chính quyền địa phương thực hiện:
Quy hoạch hạ tầng an toàn: Hạn chế hoặc tránh xây dựng các công trình trọng điểm và khu dân cư tại những vùng được cảnh báo có nguy cơ trượt lở đất rất cao.
Thiết lập hệ thống cảnh báo sớm: Ưu tiên lắp đặt các thiết bị quan trắc tại các khu vực nguy cơ cao đã được mô hình AI nhận diện.
Di dân và ứng phó: Chủ động xây dựng và triển khai phương án di dời người dân khỏi các vùng nguy hiểm trước mùa mưa bão để giảm thiểu tối đa thiệt hại về người và tài sản.
Nghiên cứu này là kết quả của sự phối hợp chặt chẽ giữa Viện Địa vật lý ứng dụng (VUSTA) và Sở Khoa học và Công nghệ tỉnh Bắc Giang, nay là Bắc Ninh trong khuôn khổ dự án mã số DA.02-2/25. Với sự hỗ trợ của AI, chúng ta đang từng bước xây dựng một "lá chắn" công nghệ hiệu quả, giúp cộng đồng chung sống an toàn hơn trước những thách thức của thiên tai.
Thông tin địa chỉ nhóm tác giả:
(1) Viện Địa vật lý ứng dụng - Liên hiệp các Hội Khoa học và Kỹ thuật Việt Nam (VUSTA); (2) Trường Đại học Mỏ - Địa chất.
TÀI LIỆU THAM KHẢO
[1] U. Haque, A.P.F. Silva, G. Devoli, et al. (2019), “The human cost of global warming: Deadly landslides and their triggers (1995-2014)”, Science of The Total Environment, 682, pp.673-684, DOI: 10.1016/j.scitotenv.2019.03.415.
[2] Trung tâm Thông tin, Lưu trữ và Bảo tàng Địa chất (2014), Báo cáo địa chất về việc thành lập các tờ bản đồ địa chất khu vực tỉnh Bắc Giang.
[3] H.D. Nguyen, T.C. Vu, P. Bretcan, et al. (2024), “Assessing the relationship between landslide susceptibility and land cover change using machine learning”, Vietnam Journal of Earth Sciences, 46(3), pp.339-359, DOI: 10.15625/2615-9783/20706.
[4] M. Ullah, H. Qiu, W. Huangfu, et al. (2025), “Integrated Machine Learning Approaches for Landslide Susceptibility Mapping”, Land, 14(1), 172p, DOI: 10.3390/land14010172.
[5] P. Tzampoglou, D. Loukidis, A. Anastasiades, et al. (2025), “Advanced machine learning techniques for enhanced landslide susceptibility mapping”, Earth Science Informatics, 18, 357p, DOI: 10.1007/s12145-025-01761-9.
[6] Y. Achour, H.R. Pourghasemi (2020), “How do machine learning techniques help in increasing accuracy of landslide susceptibility maps?”, Geoscience Frontiers, 11(3), pp.871-883, DOI: 10.1016/j.gsf.2019.10.001.
[7] W. He, G. Chen, J. Zhao, et al. (2023), “Landslide susceptibility evaluation of machine learning based on information volume and frequency ratio”, Sensors, 23(5), 2549p, DOI: 10.3390/s23052549.
[8] D.H. Wolpert (1992), Stacked generalization, Neural Networks, 5(2), pp.241-259, DOI: 10.1016/S0893-6080(05)80023-1.
[9] J. Lu, Y. He, Q. Zhang, et al. (2024), “Ensemble learning landslide susceptibility assessment with optimized non-landslide samples selection”, Geomatics, Natural Hazards and Risk, 15(1), DOI: 10.1080/19475705.2024.2378176.
[10] B. Wu, J. Jia, N. Liu, et al. (2020), “Landslide susceptibility modeling using bagging-based positive-unlabeled learning”, IEEE Geoscience and Remote Sensing Letters, 18(4), pp.766-770, DOI: 10.1109/LGRS.2020.2989497.
[11] T. Gu, M. Wang, J. Li, et al. (2024), “Effects of non-landslide sampling strategies on machine learning models in landslide susceptibility mapping”, Scientific Reports, 14, 7201. DOI: 10.1038/s41598-024-57964-5./.