Tác giả

Lê Ngọc Thanh 1 , Trần Đăng An 2* , Lưu Hải Tùng 3

Đơn vị công tác

1 Khoa Du lịch, Trường Đại học Nguyễn Tất Thành; lnthanh@ntt.edu.vn

2 Phân hiệu Trường Đại học Thủy lợi; antd@tlu.edu.vn

3Viện Địa lý tài nguyên Thành phố Hồ Chí Minh; lhtung@hcmig.vast.vn

*Tác giả liên hệ: antd@tlu.edu.vn; Telephone: +84–965398649

Tóm tắt

Phân vùng nguy cơ sạt lở là cơ sở để thiết lập vùng an toàn và đề xuất các giải pháp quản lý rủi ro đối với đời sống và hoạt động phát triển kinh tế - xã hội khu vực Bàu Trắng tỉnh Bình Thuận. Bản đồ phân vùng các cấp độ nguy cơ gây ra do sạt lở khu vực này được thiết lập bằng phương pháp phân tích thứ bậc (AHP) dựa vào số liệu khảo sát hiện trạng 53 điểm sạt lở trên địa bàn khu vực nghiên cứu từ ngày 14 đến ngày 16 tháng 3 năm 2024. Sáu yếu tố thành phần đã được lựa chọn gồm địa chất trầm tích, cao độ địa hình, độ dốc, môi trường đất, khả năng xâm nhập nước vào bờ và tính thấm của đất. Kết quả cho thấy rằng có 3 địa điểm khảo sát nằm trong các vùng nguy cơ rất cao, bao gồm điểm sạt lở đã xảy ra. Các vùng có nguy cơ sạt lở từ rất thấp, thấp, trung bình, cao đến rất cao lần lượt chiếm 45,47%; 37,31%; 5,23%; 9,52% và 2,45% toàn diện tích phân vùng. Trầm tích gió Holocen (vQ21-2); địa hình thấp đến trung bình (cao độ 35-37 m); độ dốc thay đổi nhiều, từ 5 đến > 25o, đất cát trắng vàng; khả năng xâm nhập nước vào bờ ở mức cao đến rất cao; và tính thấm của đất ở mức khá cao đến cao là các yếu tố tự nhiên dẫn đến sạt lở bờ Bàu Bà. Kết quả nghiên cứu là tài liệu khoa học và thực tiễn giúp đề xuất các giải pháp công trình và phi công trình bảo vệ bờ khu vực Bàu Trắng.

Từ khóa

Sạt lở; Phân loại nguy cơ; Bàu Trắng; Bình Thuận.

Trích dẫn bài báo

Thanh, L.N.; An, T.Đ.; Tùng, L.H. Nghiên cứu đánh giá và phân vùng nguy cơ sạt lở khu vực Bàu Trắng, huyện Bắc Bình, tỉnh Bình Thuận. Tạp chí Khí tượng Thuỷ văn 2025, 774, 13-23.

Tài liệu tham khảo

1. de Carvalho, R.F.; do Carmo, J.S.A. Landslides into reservoirs and their impacts on banks. Environ. Fluid Mech. 2007, 7(6), 481–493. doi: 10.1007/s10652-007-9039-2.

2. Wu, Y.; Yang, Z. A depth-averaged SPH-FV landslide dynamic model for evaluating hazard zones. Comput. Geotech. 2024, 169, 106210.

3. Yin, D.B.; Zheng, Q.; Zhou, A.; Shen, S.L. Enhancing landslide hazard prevention: Mapping vulnerability via considering the effects of human factors. Int. J. Disaster Risk Reduct. 2024, 108, 104509. https://doi.org/10.1016/j.ijdrr.2024.104509.

4. Grelle, G. et al. VERE Py-framework: Dual environment for physically-informed machine learning in seismic landslide hazard mapping driven by InSAR. Environ. Modell. Software. 2025, 185, 106287.

5. Tesfa, C.; Sewnet, D. GIS-based MCDM approach for landslide hazard zonation mapping in east Gojjam zone, central Ethiopia. Quat. Sci. Adv. 2024, 15, 100210.

6. Heo, S.; Sohn, W.; Park, S.; Lee, D.K. Multi-hazard assessment for flood and Landslide risk in Kalimantan and Sumatra: Implications for Nusantara, Indonesia's new capital. Heliyon 2024, 10(18), e37789.

7. Li, N.; Hu, X.; Zheng, H.; Wang, J.; Jing, X.; Li, W. A novel back analysis framework for the probabilistic risk assessment of subaerial landslide-induced tsunami hazard. Eng. Geol. 2024, 343, 107801.

8. Zeng, P.; Sun, X.; Xu, Q.; Li, T.; Zhang, T. 3D probabilistic landslide run-out hazard evaluation for quantitative risk assessment purposes. Eng. Geol. 2021, 293, 106303.

9. Di Napoli, M.; Eroglu, C.; van den Bout, B.; Di Martire, D.; Tanyas, H.; Lombardo, L. Space-time modeling of cascading hazards: Chaining wildfires, rainfall and landslide events through machine learning. CATENA 2024, 246, 108452.

10. Asmare, D. Landslide hazard zonation and evaluation around Debre Markos town, NW Ethiopia A GIS-based bivariate statistical approach. Sci. Afr. 2022, 15, e01129.

11. Sundriyal, Y. et al. An integrated approach of machine learning and remote sensing for evaluating landslide hazards and risk hotspots, NW Himalaya. Remote Sens. Appl.: Soc. Environ. 2024, 33, 101140.

12. Yang, H.; Wu, Q.; Dong, J.; Xie, F.; Zhang, Q. Landslide risk mapping using the weight-of-evidence method in the Datong mining area, Qinghai province. Sustainability 2023, 15(14), 11330.

13. Yang, Y. et al. Multi-scale analysis of the susceptibility of different landslide types and identification of the main controlling factors. Ecol. Indic. 2024, 168, 112797.

14. Goyes-Peñafiel, P.; Hernandez-Rojas, A. Landslide susceptibility index based on the integration of logistic regression and weights of evidence: A case study in Popayan, Colombia. Eng. Geol. 2021, 280, 105958.

15. Jin, J. et al. Prediction of river damming susceptibility by landslides based on a logistic regression model and InSAR techniques: A case study of the Bailong River Basin, China. Eng. Geol. 2022, 299, 106562.

16. Chowdhury, M.S.; Rahman, M.N.; Sheikh, M.S.; Sayeid, M.A.; Mahmud, K.H.; Hafsa, B. GIS-based landslide susceptibility mapping using logistic regression, random forest and decision and regression tree models in Chattogram District, Bangladesh. Heliyon, 2024, 10(1), e23424.

17. Sun, D.; Xu, J.; Wen, H.; Wang, D. Assessment of landslide susceptibility mapping based on Bayesian hyperparameter optimization: A comparison between logistic regression and random forest. Eng. Geol. 2021, 281, 105972.

18. Prathom, K.; Sujitapan, C. Performance of logistic regression and support vector machine conjunction with the GIS and RS in the landslide susceptibility assessment: Case study in Nakhon Si Thammarat, southern Thailand. J. King Saud Univ. Sci. 2024, 36(8), 103306.

19. Zangmene, F.L. et al. Landslide susceptibility zonation using the analytical hierarchy process (AHP) in the Bafoussam-Dschang region (West Cameroon). Adv. Space Res. 2023, 71(12), 5282–5301.

20. Saygin, F.; Şişman, Y.; Dengiz, O.; Şişman, A. Spatial assessment of landslide susceptibility mapping generated by fuzzy-AHP and decision tree approaches. Adv. Space Res. 2023, 71(12), 5218–5235.

21. Panchal, S.; Shrivastava, A.K. Landslide hazard assessment using analytic hierarchy process (AHP): A case study of National Highway 5 in India. Ain Shams Eng. J. 2022, 13(3), 101626.

22. Mandal, B.; Mandal, S. Analytical hierarchy process (AHP) based landslide susceptibility mapping of Lish river basin of eastern Darjeeling Himalaya, India.  Adv. Space Res. 2018, 62(11), 3114–3132.

23. Ahmad, M.S.; MonaLisa.; Khan, S. Comparative analysis of analytical hierarchy process (AHP) and frequency ratio (FR) models for landslide susceptibility mapping in Reshun, NW Pakistan. Kuwait J. Sci. 2023, 50(3), 387–398.

24. Tuan, T.; Dan, N. Nghiên cứu nhạy cảm và phân vùng nguy cơ trượt -lở đất khu vực hồ thủy điện Sơn La theo phương pháp phân tích cấp bậc SAATY. 2012, tr. 223-232.

25. Hiệp, H.V.; Trí, H.H.; Công, N.T.; Truyền, N.G. Nghiên cứu nguyên nhân sạt lở bờ sông: trường hợp nghiên cứu tỉnh Trà Vinh. J. Hydro-Meteorol, 2022.

26. Dung, B.T.; Pradhan, B.; Lofman, O.; Revhaug, I.; Dick, O.B. Landslide susceptibility mapping at Hoa Binh province (Vietnam) using an adaptive neuro-fuzzy inference system and GIS. Comput. Geosci. 2012, 45, 199–211.

27. Dang, K.B et al. Comparison between U-shaped structural deep learning models to detect landslide traces. Sci. Total Environ. 2024, 912, 169113.

28. Pham, N.T.T.; Nong D.; Garschagen, M. Natural hazard's effect and farmers' perception: Perspectives from flash floods and landslides in remotely mountainous regions of Vietnam. Sci. Total Environ. 2021, 759, 142656.

29. Dung, B.T.; Pradhan, B.; Lofman, O.; Revhaug, I.; Dick, O.B. Landslide susceptibility assessment in the Hoa Binh province of Vietnam: A comparison of the Levenberg-Marquardt and Bayesian regularized neural networks. Geomorphology, 2012, 171-172, 12–29.

30. Tran, V.A.; Khuc, T.D.; Truong, X.Q.; Nguyen, A.B.; Phi, T.T. Application of potential machine learning models in landslide susceptibility assessment: A case study of Van Yen district, Yen Bai province, Vietnam. Quat. Sci. Adv. 2024, 14, 100181.

31. Luu, C et al. Flash flood and landslide susceptibility analysis for a mountainous roadway in Vietnam using spatial modeling. Quat. Sci. Adv. 2023, 11, 100083.

32. Dang, K.B et al. Deep learning models integrating multi-sensor and -temporal remote sensing to monitor landslide traces in Vietnam. Int. J. Disaster Risk Reduct. 2024, 105, 104391.

33. Dung, B.T.; Hoang, N.D.; Nguyen, H.; Tran, X.L. Spatial prediction of shallow landslide using Bat algorithm optimized machine learning approach: A case study in Lang Son Province, Vietnam. Adv. Eng. Inf.         2019, 42, 100978.

34. Viet, N.T et al. Exploring deep learning models for roadside landslide prediction: Insights and implications from comparative analysis. Phys. Chem. Earth. Parts A/B/C 2024, 136, 103741.

35. Dung, B.T.; Pradhan, B.; Lofman, O.; Revhaug, I.; Dick, O.B. Spatial prediction of landslide hazards in Hoa Binh province (Vietnam): A comparative assessment of the efficacy of evidential belief functions and fuzzy logic models. CATENA 2012, 96, 28–40.

36. Thanh, P.T.N.; Nong, D.; Raghavan Sathyan, A.; Garschagen, M. Vulnerability assessment of households to flash floods and landslides in the poor upland regions of Vietnam. Clim. Risk Manage. 2020, 28, 100215.

37. Pham, N.T.T.; Nong, D.; Garschagen, M. Farmers’ decisions to adapt to flash floods and landslides in the Northern Mountainous Regions of Vietnam. J. Environ. Manage. 2019, 252, 109672.

38. Luu, C.; Ha, H.; Thong, X.T.; Ha, T.V.; Duy, B.Q. Landslide susceptibility and building exposure assessment using machine learning models and geospatial analysis techniques. Adv. Space Res. 2024, doi: https://doi.org/10.1016/j.asr.2024.08.046.

39. Goepel, K. Implementing the Analytic Hierarchy Process as a Standard Method for Multi-Criteria Decision Making in Corporate Enterprises – A New AHP Excel Template with Multiple Inputs. 2013.

40. Sultana, N.; Tan, S.; Hossen, M.F. Landslide risk assessment by integrating hazards and vulnerability indices in Southeast Bangladesh. Int. J. Disaster Risk Reduct. International. 2024, 114, 104991.