Tác giả

Trần Thị Minh Hằng 1* , Trần Thị Hạnh 2 , Trần Thiện Cường 1

Đơn vị công tác

1 Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, 334 Nguyễn Trãi, Thanh Xuân, Hà Nội; hangttm@hus.edu.vn; tranthiencuong@hus.edu.vn

2 Ban Quản lý vịnh Hạ Long, 166 Lê Thánh Tông, Hạ Long, Quảng Ninh; tranthihanhbqlv@gmail.com

*Tác giả liên hệ: hangttm@hus.edu.vn; Tel.: +84–902168955

Tóm tắt

Nghiên cứu này được thực hiện để đánh giá chất lượng quản lý một số hang động đang khai thác trên vịnh Hạ Long sử dụng chỉ số chỉ số đánh giá quản lý (MEI, management effective index) kết hợp với phương pháp điều tra ý kiến các bên liên quan. Kết quả nghiên cứu đánh giá cho thấy các hang động đang khai thác được quản lý ở mức khá tốt với chỉ số MEI từ 51 đến 78. Hang Thiên Cung và Sửng Sốt có điểm MEI trung bình là 76 và 77. Hệ thống chiếu sáng của động Mê Cung sử dụng đèn Halogen, đường đi của hang Đầu Gỗ sử dụng vật liệu gỗ là các tiêu chí làm giảm đáng kể giá trị trung bình của MEI. Đối với hang Cặp La và Hang Luồn, các tiêu chí về sự liên kết, khả năng tiếp cận cận hang động, tính sẵn có của cơ sở vật chất địa phương đáp ứng yêu cầu khai thác và quản lý cũng như sức tải đối với du khách. Điểm mạnh của hai hang động này là không có hệ thống chiếu sáng trong hang và hệ sinh thái trong hang được bảo tồn khá nguyên vẹn. Để khai thác và phát triển bền vững hệ thống hang động vịnh Hạ Long cần phân luồng lại các tuyến điểm du lịch hang động, đánh giá sức tải các điểm tham quan và cải thiện cơ sở hạ tầng.

Từ khóa

Hang động Karst; Du lịch hang động; Quản lý hang động; Vịnh Hạ Long.

Trích dẫn bài báo

Hằng, T.T.M.; Hạnh, T.T.; Cường, T.T. Đánh giá hiệu quả quản lý của một số hang động trên vịnh Hạ Long, Quảng Ninh. Tạp chí Khí tượng Thuỷ văn 2024, 757, 86-98.

Tài liệu tham khảo

1. Shi, X.; Wu, J.; Ye, S.; Zhang, Y.; Xue, Y.; Wei, Z.; Yu, J. Regional land subsidence simulation in Su-xi-Chang area and Shanghai City, China. Eng. Geol. 2008, 100(1-2), 27–42.

2. Rahmati, O.; Golkarian, A.; Biggs, T.; Keesstra, S.; Mohammadi, F.N.; Daliakopoulos, I.N. Land subsidence hazard modeling: Machine learning to identify predictors and the role of human activities. J. Environ. Manage. 2019, 236, 466–480.

3. Abdollahi, S.; Pourghasemi, H.R.; Ghanbarian, G.A.; Safaeian, R. Prioritization of effective factors in the occurrence of land subsidence and its susceptibility mapping using an SVM model and their different kernel functions. Bull. Eng. Geol. Environ. 2019, 78, 4017–4034.

4. Hakim, W.L.; Achmad, A.R.; Lee, C. Land Subsidence Susceptibility Mapping in Jakarta Using Functional and Meta-Ensemble Machine Learning Algorithm Based on Time-Series InSAR Data. Remote Sens. 2020, 12(21), 3627.

5. Shi, L.; Gong, H.; Chen, B.; Zhou, C. Land Subsidence Prediction Induced by Multiple Factors Using Machine Learning Method. Remote Sens. 2020, 12(24), 4044.

6. Sardooi, E.R.; Pourghasemi, H.R.; Azareh, A.; Sardoo, F.S.; Clague, J.J. Comparison of statistical and machine learning approaches in land subsidence modelling. Geocarto Int. 2022, 37(21), 6165–6185.

7. Wang, H.; Jia, C.; Ding, P.; Feng, K.; Yang, X.; Zhu, X. Analysis and prediction of regional land subsidence with InSAR technology and machine learning algorithm. KSCE J. Civ. Eng. 2023, 27(2), 782–793.

8. Mohammadifar, A.; Gholami, H.; Golzari, S. Stacking-and voting-based ensemble deep learning models (SEDL and VEDL) and active learning (AL) for mapping land subsidence. Environ. Sci. Pollut. Res. 2023, 30, 26580–26595.

9. Dung, B.T.; Shahabi, H.; Shirzadi, A.; Chapi, K.; Pradhan, B.; Chen, W.; Saro, L. Land subsidence susceptibility mapping in south Korea using machine learning algorithms. Sensors 2018, 18(8), 2464.

10. Erban, L.E.; Gorelick, S.M.; Zebker, H.A. Groundwater extraction, land subsidence, and sea-level rise in the Mekong Delta, Vietnam. Environ. Res. Lett. 2014, 9(8), 084010.

11. Anh, T.V. Monitoring Subsidence in Ca Mau City and Vicinities using the Multi Temporal Sentinel-1 Radar Images. Proceeding of the 4th Asia Pacific Meeting on Near Surface Geoscience & Engineering. European Association of Geoscientists & Engineers. 2021, 2021(1), 1–5.

12. Cortes, C.; Vladimir, N. Vapnik. Support Vector Networks. Mach. Learn. 1995, 20, 273–297.

13. Drucker, H.; Burges, C.; Kaufman, L.; Smola, A; Vapnik, V. Support Vector Regression Machines. Neural Inf. Process. Syst. 1997, 9, 155–161.

14. EMSN062_final. Copernicus 2019. Trực tuyến: https://emergency.copernicus.eu/mapping/list-of-components/EMSN062.

15. Tran, V.A.; Khuc, T.D.; Ha, T.K.; Tran; H.H.; Le; T.N.; Pham T.T.H.; Nguyen, Q.D. Land subsidence susceptibility mapping using machine learning in the google earth engine platform. Proceeding of the International Conference on Intelligence of Things. Springer Nature Switzerland. 2023, pp. 55–64.

16. Li, H.; Zhu, L.; Guo, G.; Zhang, Y.; Dai, Z.; Li, X.; Teatini, P. Land subsidence due to groundwater pumping: hazard probability assessment through the combination of Bayesian model and fuzzy set theory. Nat. Hazards Earth Syst. Sci. 2021, 21(2), 823–835.

17. Trung tâm Quy hoạch và Điều tra Tài nguyên nước Quốc gia, Bộ Tài nguyên và Môi trường. Niên giám tài nguyên nước vùng Nam Trung Bộ, 2021.

18. Anh, T.V.; Hanh, T.H.; Nga, N.Q.; Nghi, L.T.; Quang, T.X.; Dong, K.T.; Anh, T.T. Determination of illegal signs of coal mining expansion in Thai Nguyen Province, Vietnam from a combination of radar and optical imagery. International Conference on Geo-Spatial Technologies and Earth Resources. Cham: Springer International Publishing. 2022, 225–242.

19. Truong, X.Q.; Dang, N.H.D.; Do, T.H.; Tran, N.D.; Do, T.T.N.; Tran, V.A.; Khuc, T.D. Random forest analysis of land use and land cover change using sentinel-2 data in Van Yen, Yen Bai province, Vietnam. In International Conference on Geo-Spatial Technologies and Earth Resources. Cham: Springer International Publishing. 2022, pp. 429–445.