Tác giả

Doãn Hà Phong 1* , Trần Hữu Thế 2

Đơn vị công tác

1 Viện Khoa học Khí tượng Thủy văn và Biến đổi Khí hậu; dhphong@gmail.com

2 Tỉnh ủy Phú Yên; thetranpy@gmail.com

*Tác giả liên hệ: dhphong@gmail.com; Tel.: +84–913212325

Tóm tắt

Theo kịch bản biến đổi khí hậu 2020 của BTNMT, Tp Hồ Chí Minh là một khu vực có nguy cơ ngập cao vơi 17,15% diện tích có nguy cơ ngập . Sự gia tăng về cường độ và số lượng các sự kiện ngập lụt do sự kết hợp của biến đổi khí hậu, nước biển dâng và các yếu tố con người thúc đẩy nhu cầu áp dụng các giải pháp thời gian thực để lập bản đồ nguy cơ ngập và rủi ro lũ lụt. Trong nghiên cứu này, một khung phương pháp luận được đề xuất cho phép đánh giá mức độ nghiêm trọng của nguy cơ ngập và rủi ro một cách linh hoạt bằng cách kết hợp cảm biến từ xa (Sentinel–1) và dữ liệu dựa trên GIS từ năm 2015–2022 cho khu vực thành phố Hồ Chí Minh. Các kỹ thuật học máy khác nhau đã được sử dụng, để đánh giá nguy cơ ngập. Kết quả cho thấy mô hình Rừng ngẫu nhiên đạt được điểm F1 cao nhất (khoảng 0,99), trong số những mô hình được sử dụng để tạo bản đồ nguy cơ ngập do nước biển dâng. Bản đồ nguy cơ ngập ứng dụng trí tuệ nhân tạo cho thấy khu vực TP Hồ Chí Minh vẫn là khu vực có nguy cơ ngập cao, với khu vực quận Bình Tân, Bình Chánh là các khu vực có nguy cơ ngập cao nhất.

Từ khóa

Nguy cơ ngập; Dữ liệu viễn thám; GIS; Học máy; Rừng ngẫu nhiên.

Trích dẫn bài báo

Phong, D.H.; Thế, T.H. Ứng dụng trí tuệ nhân tạo trong xây dựng bản đồ nguy cơ ngập do nước biển dâng cho thành phố Hồ Chí Minh. Tạp chí Khí tượng Thủy văn 2023, 746, 96-107. 

Tài liệu tham khảo

1. Pinos, J.; Quesada–Román, A. Flood Risk–Related Research Trends in Latin America and the Caribbean. Water 2022, 14, 10.

2. Van Loenhout, J.; McClean, D. Human Cost of Disasters. An Overview of the Last 20 Years 2000–2019. UN Office for Disaster Risk Reduction (UNDRR) and Centre for Research on the Epidemiology of Disasters (CRED): Brussels, Belgium, 2020.

3. Quesada–Román, A.; Ballesteros–Cánovas, J.A.; Granados–Bolaños, S.; Birkel, C.; Stoffel, M. Dendrogeomorphic reconstruction of floods in a dynamic tropical river. Geomorphology 2020, 359, 107133.

4. Quesada–Román, A.; Ballesteros–Cánovas, J.A.; Granados–Bolaños, S.; Birkel, C.; Stoffel, M. Improving regional flood risk assessment using flood frequency and dendrogeomorphic analyses in mountain catchments impacted by tropical cyclones. Geomorphology 2022, 396, 108000.

5. Said, N.; Ahmad, K.; Riegler, M.; Pogorelov, K.; Hassan, L.; Ahmad, N.; Conci, N. Natural disasters detection in social media and satellite imagery: A survey. Multimed. Tools Appl. 2019, 78, 31267–31302.

6. Yu, M.; Yang, C.; Li, Y. Big Data in Natural Disaster Management: A Review. Geosciences 2018, 8, 165.

7. Arshad, B.; Ogie, R.; Barthélemy, J.; Pradhan, B.; Verstaevel, N.; Perez, P. Computer Vision and IoT–Based Sensors in Flood Monitoring and Mapping: A Systematic Review. Sensors 2019, 19, 5012.

8. Dottori, F.; Kalas, M.; Salamon, P.; Bianchi, A.; Thielen Del Pozo, J.; Feyen, L. A near real–time procedure for flood hazard mapping and risk assessment in Europe. In Proceedings of the 36th IAHR World Congress, The Hague, The Netherlands, 28 June–3 July 2015. International Association for Hydro–Environment Engineering and Research (IAHR): Thessaloniki, Greece, 2015, pp. 4968–4975.

9. Constantinescu, G.; Garcia, M.; Hanes, D. River Flow 2016: Iowa City. CRC Press: Boca Raton, FL, USA, 2016.

10. EXCIMAP. Handbook on Good Practices for Flood Mapping in Europe. European Commision: Den Haag, The Netherlands, 2007.

11. Ekeu–wei, I.; Blackburn, G. Applications of Open–Access Remotely Sensed Data for Flood Modelling and Mapping in Developing Regions. Hydrology 2018, 5, 39.

12. Díez–Herrero, A.; Lain–Huerta, L.; Llorente, M. A Handbook on Flood Hazard Mapping Methodologies. Geological Survey of Spain: Madrid, Spain, 2009.

13. Spachinger, K.; Dorner, W.; Metzka, R.; Serrhini, K.; Fuchs, S. Flood Risk and Flood hazard maps–Visualisation of hydrological risks. IOP Conf. Ser. Earth Environ. Sci. 2008, 4, 012043.

14. Wagenaar, D.; Curran, A.; Balbi, M.; Bhardwaj, A.; Soden, R.; Hartato, E.; Mestav Sarica, G.; Ruangpan, L.; Molinario, G.; Lallemant, D. Invited perspectives: How machine learning will change flood risk and impact assessment. Nat. Hazards Earth Syst. Sci. 2020, 20, 1149–1161.

15. Global Facility for Disaster Reduction and Recovery (GFDRR). Machine Learning for Disaster Risk Management. 2018. Available online: 

https://www.gfdrr.org/sites/default/files/publication/181222_WorldBank_

DisasterRiskManagement_Ebook_D6.pdf 

(accessed on 17 January 2020).

16. Klemas, V. Remote Sensing of Floods and Flood–Prone Areas: An Overview. J. Coast. Res. 2015, 31, 1005–1013.

17. Kuenzer, C.; Guo, H.; Huth, J.; Leinenkugel, P.; Li, X.; Dech, S. Flood Mapping and Flood Dynamics of the Mekong Delta: ENVISAT–ASAR–WSM Based Time Series Analyses. Remote Sens. 2013, 5, 687–715.

18. Van Ackere, S.; Verbeurgt, J.; De Sloover, L.; Gautama, S.; Wulf, A.; De Maeyer, P. A Review of the Internet of Floods: Near Real–Time Detection of a Flood Event and Its Impact. Water 2019, 11, 2275.

19. Bộ tài nguyên và môi trường. Kịch bản biến đổi khí hậu, 2020.

20. Opella, J.M.A.; Hernandez, A.A. Developing a Flood Risk Assessment Using Support Vector Machine and Convolutional Neural Network: A Conceptual Framework. Proceedings of the 2019 IEEE 15th International Colloquium on Signal Processing Its Applications (CSPA), Penang, Malaysia, 8–9 March 2019, pp. 260–265.

21. Mpakratsas, M.; Moumtzidou, A.; Gialampoukidis, I.; Vrochidis, S.; Kompatsiaris, I. A Deep Neural Network Slope Reduction Model on Sentinel–1 Images for Water Mask Extraction. Proceedings of the 40th Asian Conference on Remote Sensing (ACRS 2019), Daejeon, Korea, 14–18 October 2019.

22. Friuli Venezia Giulia Region. Piano Stralcio per l’assetto Piano Stralcio per l’assetto Idrogeologico dei Bacini di Interesse Regionale (Bacini Idrografici dei Tributari della Laguna di Marano–Grado, ivi Compresa la Laguna Medesima, del Torrente Slizza e del Levante). 2016.

23. Eastern Alps River Basin District Authority–AAWA. Flood Risk Management Plan of the Eastern Alps Hydrographic District. Decree of the President of the Italian Council of Ministers of 27 October 2016, 2017.

24. Rahmati, O.; Yousefi, S.; Kalantari, Z.; Uuemaa, E.; Teimurian, T.; Keesstra, S.; Pham, T.D.; Tien Bui, D. Multi–Hazard Exposure Mapping Using Machine Learning Techniques: A Case Study from Iran. Remote Sens. 2019, 11, 1943.

25. Cortes, C.; Vapnik, V. Support–vector networks. Mach. Learn. 1995, 20, 273–297.

26. Tin Kam, H. Random decision forests. Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, Canada, 14–16 August 1995, 1, pp. 278–282.