Nghiên cứu đánh giá tác động của thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy trên lưu vực sông cả

Tính cấp thiết của luận án

Khu vực Bắc Trung Bộ đã chứng kiến sự phát triển nhanh chóng về kinh tế - xã hội trong những năm gần đây, dẫn đến tốc độ đô thị hóa gia tăng và những thay đổi đáng kể về thảm phủ bề mặt Sự suy giảm độ che phủ đất nông nghiệp và rừng đã ảnh hưởng đến các lưu vực sông, làm thay đổi nhanh chóng các yếu tố thủy văn Mối quan hệ chặt chẽ giữa thảm phủ và tài nguyên nước cho thấy rằng thảm phủ tác động đến quá trình mưa và dòng chảy, dẫn đến biến đổi dòng chảy và lưu lượng trong sông suối Những biến động này có thể gây ảnh hưởng tích cực và tiêu cực đến tài nguyên nước theo không gian và thời gian giữa các tiểu lưu vực trong khu vực Bắc Trung Bộ.

Biến đổi khí hậu đang làm gia tăng các yếu tố khí hậu như nhiệt độ tăng cao, lượng mưa trong mùa khô giảm và lượng mưa trong mùa lũ tăng, dẫn đến sự gia tăng tần suất và tính bất thường của các hiện tượng thời tiết cực đoan Những thay đổi này, đặc biệt là về nhiệt độ và lượng mưa, sẽ ảnh hưởng trực tiếp đến tài nguyên nước tại khu vực Bắc Trung Bộ, đặc biệt là lưu vực sông Cả.

Nước là yếu tố thiết yếu cho sự sống và phát triển, đóng vai trò quan trọng trong sản xuất nông lâm nghiệp và công nghiệp Tuy là nguồn tài nguyên quý giá, nước ngày càng khan hiếm, với dự báo tổng lượng nước mặt tại Việt Nam sẽ giảm xuống còn 96% so với hiện nay vào năm 2025 Đến năm 2030, nhu cầu nước cho các mục đích kinh tế - xã hội và dân sinh dự kiến sẽ đạt khoảng 122 tỷ m³/năm, tăng 1,5 lần so với hiện tại Điều này nhấn mạnh tầm quan trọng của các biện pháp bảo vệ nguồn nước, đặc biệt là từ các lưu vực sông Sông Cả, dài 513 km với diện tích lưu vực 27.200 km², là một trong những lưu vực lớn tại Việt Nam cần được chú trọng Để quản lý và bảo vệ tài nguyên nước hiệu quả, cần hiểu rõ sự thay đổi của tài nguyên nước lưu vực sông Cả dưới tác động của biến đổi khí hậu và sự thay đổi thảm phủ.

Mô phỏng biến động thảm phủ theo không gian và thời gian là rất quan trọng để dự đoán và xây dựng kịch bản thảm phủ trong tương lai của khu vực nghiên cứu Kịch bản thảm phủ tương lai kết hợp với các kịch bản biến đổi khí hậu sẽ hỗ trợ nghiên cứu quá trình hình thành dòng chảy và đánh giá tác động của sự thay đổi thảm phủ cũng như biến đổi khí hậu đến dòng chảy lưu vực sông Cả Tại Việt Nam, đã có một số nghiên cứu về ảnh hưởng của sự thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy, nhưng các nghiên cứu kết hợp cả hai vấn đề này vẫn còn hạn chế.

Luận án tập trung vào nghiên cứu các luận cứ khoa học và thực tiễn để định lượng tác động đồng thời của sự thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy lưu vực sông Cả trong tương lai Nghiên cứu này nhằm hỗ trợ cho công tác quản lý và bảo vệ tài nguyên nước.

Mục tiêu của luận án

Mô phỏng sự thay đổi thảm phủ và dự tính kịch bản thảm phủ lưu vực sông Cả trong tương lai được thực hiện bằng phương pháp phân tích chuỗi Markov và Cellular Automata Bài viết cũng đánh giá định lượng tác động đồng thời của sự thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy lưu vực sông Cả trong tương lai.

Câu hỏi nghiên cứu

Phân tích chuỗi Markov và Cellular Automata có khả năng mô phỏng sự thay đổi và dự đoán thảm phủ tương lai cho lưu vực sông Cả Việc áp dụng các phương pháp này giúp hiểu rõ hơn về các yếu tố ảnh hưởng đến môi trường và quản lý tài nguyên nước hiệu quả hơn Sử dụng công nghệ này sẽ cung cấp cái nhìn sâu sắc về xu hướng phát triển và biến đổi của hệ sinh thái trong khu vực.

Dòng chảy lưu vực sông Cả trong tương lai sẽ bị ảnh hưởng đáng kể bởi sự thay đổi của thảm phủ và biến đổi khí hậu Những yếu tố này không chỉ tác động đến lượng nước trong sông mà còn ảnh hưởng đến chất lượng nước, sinh thái và các hoạt động kinh tế liên quan Việc hiểu rõ những biến đổi này là cần thiết để xây dựng các chiến lược quản lý tài nguyên nước hiệu quả, bảo vệ môi trường và phát triển bền vững cho khu vực.

Luận điểm bảo vệ

Phân tích chuỗi Markov và Cellular Automata có khả năng mô phỏng sự thay đổi thảm phủ trong quá khứ và dự đoán thảm phủ tương lai Các mô hình này dựa trên các tác nhân, ràng buộc và quy tắc chuyển đổi được xây dựng từ các điều kiện của lưu vực sông Cả.

Sự thay đổi thảm phủ và biến đổi khí hậu đồng thời sẽ ảnh hưởng đến dòng chảy của lưu vực sông Cả trong tương lai, dự báo sẽ có xu hướng khắc nghiệt hơn.

Hướng tiếp cận và phương pháp nghiên cứu của luận án

Hướng tiếp cận của luận án

Tiếp cận đa ngành là yếu tố quan trọng trong nghiên cứu và đề xuất giải pháp cho các vấn đề liên quan đến tài nguyên nước, đặc biệt là dòng chảy bề mặt lưu vực sông Cả Việc đánh giá tác động của sự thay đổi thảm phủ cần xem xét tổng thể các điều kiện tự nhiên như khí hậu, thủy văn, địa hình, địa mạo, môi trường, sinh học và sinh thái học, cùng với các điều kiện xã hội như văn hóa lịch sử, phong tục tập quán và quan điểm sử dụng tài nguyên Do đó, cần tích hợp kiến thức chuyên gia từ cả khoa học tự nhiên và khoa học xã hội, nhân văn để có cái nhìn toàn diện và chính xác hơn.

Việc tiếp cận phân tích định tính và định lượng là rất quan trọng trong nghiên cứu tài nguyên nước Phân tích định lượng được thực hiện sau khi đã hoàn thành phân tích định tính, nhằm xác định mối quan hệ giữa các yếu tố tài nguyên nước và các yếu tố ảnh hưởng như thảm phủ, mưa, nhiệt độ, và địa hình.

Tiếp cận lịch sử và logic trong nghiên cứu bao gồm việc thu thập thông tin và tài liệu lịch sử về dữ liệu khu vực nghiên cứu thông qua nhiều phương pháp khác nhau, như xem xét số liệu thứ cấp và thực hiện điều tra hoặc phiếu câu hỏi Từ đó, chúng ta có thể xác định xác suất thống kê trong nhiều năm về sự biến đổi của các lớp phủ đất.

Đánh giá rủi ro tài nguyên nước cần xem xét sự biến đổi dòng chảy mặt theo không gian và thời gian Điều này đòi hỏi phải xác định rõ sự khác biệt về khu vực địa lý và các tháng trong năm để hiểu rõ hơn về tác động cụ thể.

Tiếp cận nhân – quả là phương pháp phân tích các yếu tố liên quan đến nguyên nhân và kết quả Một nguyên nhân có thể dẫn đến một hậu quả duy nhất hoặc nhiều hậu quả khác nhau Ngược lại, nhiều nguyên nhân cũng có thể dẫn đến một hậu quả chung Việc phân tích các nguyên nhân khác nhau ảnh hưởng đến tài nguyên nước sẽ giúp đưa ra các giải pháp phù hợp nhằm bảo vệ và quản lý hiệu quả nguồn tài nguyên này.

Việc nghiên cứu và đánh giá tác động của biến động thảm phủ đến tài nguyên nước trong lưu vực nghiên cứu cần tiếp cận phân tích tổng hợp từ nhiều yếu tố chỉ thị liên quan Điều này giúp đưa ra các lựa chọn chính xác và phù hợp với điều kiện địa phương, đồng thời xác định những yếu tố quan trọng và các lớp phủ đất đặc trưng có vai trò chính trong việc ảnh hưởng đến tài nguyên nước.

Phương pháp nghiên cứu của luận án

1) Phương pháp thu thập, thống kê, tổng hợp tài liệu Phương pháp này được thực hiện trên cơ sở kế thừa, phân tích và tổng hợp các nguồn tài liệu, tư liệu, số liệu thông tin có liên quan một cách có chọn lọc, từ đó, đánh giá chúng theo yêu cầu và nội dung nghiên cứu Nghiên cứu sẽ tiến hành thu thập, tổng hợp và tính toán các dữ liệu đặc trưng của khu vực nghiên cứu Số liệu được thu thập thường rất nhiều và hỗn độn (bao gồm cả các dữ liệu khảo sát thực địa và các dữ liệu thu thập được từ các nguồn chính thống khác như: hiện trạng sử dụng đất, số liệu viễn thám,…), các dữ liệu đó chưa đáp ứng được cho quá trình nghiên cứu Để có hình ảnh tổng quát về tổng thể nghiên cứu, số liệu thu thập phải được xử lý tổng hợp, trình bày, tính toán các số đo

2) Phương pháp điều tra khảo sát thực địa Phương pháp điều tra khảo sát thực địa nhằm thu thập bổ sung các số liệu, tài liệu thực tế tại cái khu vực điển hình trong khu vực nghiên cứu của luận án, làm cơ sở cho việc đánh giá độ chính xác và tính phù hợp của các kết quả, các kết luận trong khi nghiên cứu Việc khảo sát thực địa được thực hiện vào giai đoạn đầu thực hiện luận án, nhằm lấy các điểm mẫu và phân loại các loại thảm phủ bề mặt khu vực nghiên cứu như: giao thông, đất rừng, mặt nước, lúa – hoa màu, đất trống, Các dữ liệu thực địa này sẽ được đưa vào mô hình phân tích biến động thảm phủ và phục vụ việc kiểm chứng các kết quả sau này

3) Phương pháp chuyên gia Trong các nghiên cứu nói chung, nhất là các nghiên cứu có quy mô lớn, phương pháp chuyên gia được coi là một phương pháp quan trọng và hiệu quả Phương pháp này huy động được kinh nghiệm và hiểu biết của nhóm chuyên gia liên ngành về lĩnh vực nghiên cứu, từ đó sẽ cho các kết quả có tính thực tiễn và khoa học cao, tránh được những trùng lặp với những nghiên cứu đã có, đồng thời kế thừa các thành quả nghiên cứu đã đạt được Để loại bỏ hoặc rút gọn các lớp phủ đất chính, cũng như xác định trọng số để tính toán, phương pháp tham vấn chuyên gia cũng được sử dụng hoặc bằng phiếu lấy ý kiến hoặc thông qua các hội thảo tham vấn ý kiến của các chuyên gia trong các lĩnh vực liên quan

4) Phương pháp mô hình hóa

Mô hình hóa tích hợp chuỗi Markov và Cellular Automata được xây dựng dựa trên các lớp bản đồ thảm phủ, từ đó tạo ra ma trận chuyển đổi Quá trình này giúp xác định xác suất thay đổi của các loại thảm phủ và cung cấp bản đồ biến động thảm phủ.

Mô hình hóa chế độ thủy văn, cụ thể là mô hình SWAT (Soil and Water Assessment Tool), là một trong những công cụ phù hợp nhất để mô phỏng các yếu tố thủy văn dưới tác động của các kịch bản thảm phủ và biến đổi khí hậu SWAT là mô hình thủy văn bán phân bố, cho phép mô hình hóa nhiều quá trình vật lý trên cùng một lưu vực.

5) Phương pháp viễn thám

Sử dụng dữ liệu viễn thám từ quá khứ và hiện tại để điều tra và xác định những thay đổi về đặc tính của lớp phủ bề mặt là rất quan trọng Mỗi đối tượng trên bề mặt Trái Đất có những đặc trưng riêng về bức xạ, phản xạ và hấp thu các tia sóng điện từ Những đặc trưng này được ghi chụp và thể hiện dưới dạng ảnh, phản ánh trung thực nhất về sự thay đổi lớp phủ bề mặt tại khu vực nghiên cứu, đồng thời là những yếu tố chính tác động đến dòng chảy bề mặt.

Phương pháp Delphi là một kỹ thuật hỗ trợ thảo luận nhóm nhằm tìm ra giải pháp cho các vấn đề cụ thể Xuất phát từ phương pháp dự báo tương tác, phương pháp này dựa vào bảng câu hỏi và ý kiến của các chuyên gia Mục tiêu của phương pháp Delphi là tạo điều kiện thuận lợi cho sự tham gia tương tác, khai thác kiến thức và quan điểm của các bên liên quan để đánh giá mức độ đồng thuận về các nội dung cần tham vấn.

Ý nghĩa khoa học và thực tiễn của luận án

Ý nghĩa khoa học

Các luận cứ khoa học và thực tiễn, cùng với quy trình mô phỏng và dự tính kịch bản thảm phủ tương lai cho lưu vực sông Cả, đóng vai trò quan trọng trong việc xây dựng cơ sở khoa học Những kết quả này có thể được áp dụng cho các lưu vực tương tự, giúp nâng cao khả năng quản lý và bảo vệ môi trường.

Kết quả mô phỏng và dự tính thảm phủ tương lai cho thấy 5 lớp phủ chủ yếu: Rừng, Nông nghiệp, Xây dựng, Vùng nước, và Đất trống Những thông tin này cung cấp cái nhìn sâu sắc và đáng tin cậy về thảm phủ lưu vực sông Cả, từ đó hỗ trợ các nghiên cứu liên quan đến tài nguyên đất, nước và môi trường trong khu vực này.

Kết quả đánh giá tác động đồng thời của sự thay đổi thảm phủ và biến đổi khí hậu đến tài nguyên nước, đặc biệt là dòng chảy bề mặt lưu vực sông Cả, cung cấp thêm hiểu biết cho các nhà khoa học trong nghiên cứu tài nguyên nước tại khu vực này, nhất là trong bối cảnh biến đổi khí hậu đang diễn ra.

Ý nghĩa thực tiễn

Kịch bản thảm phủ lưu vực sông Cả đến năm 2030 sẽ hỗ trợ các nhà hoạch định chính sách trong việc quy hoạch và lập kế hoạch, đồng thời đưa ra phương án quản lý hiệu quả vấn đề sử dụng đất tại lưu vực sông Cả, cũng như cho toàn vùng Nghệ An và Hà Tĩnh.

Luận cứ khoa học và kết quả luận án có thể hỗ trợ quản lý tổng thể tài nguyên nước, đặc biệt là dòng chảy mặt, đồng thời cung cấp cơ sở khoa học cho việc điều chỉnh, bổ sung và sửa đổi các văn bản pháp quy Điều này nhằm giảm nhẹ tác động tiêu cực của biến đổi khí hậu đến tài nguyên nước trong khu vực nghiên cứu.

Đóng góp mới của luận án

Luận án đã xác định các tác nhân và ràng buộc, đồng thời xây dựng quy tắc chuyển đổi phù hợp với điều kiện của lưu vực sông Cả Nghiên cứu này mô phỏng sự thay đổi thảm phủ và dự tính thảm phủ tương lai dựa trên năm lớp phủ chính: Rừng, Nông nghiệp, Xây dựng, Vùng nước và Đất trống của lưu vực sông Cả.

Luận án đã phân tích sự biến đổi dòng chảy của lưu vực sông Cả dưới tác động của biến đổi khí hậu, đồng thời xem xét ảnh hưởng của việc thay đổi thảm phủ trong tương lai.

Cấu trúc luận án

Ngoài phần Mở đầu và Kết luận, Luận án gồm 3 chương:

Chương 1: Tổng quan về đánh giá tác động của thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy trên lưu vực sông Cả;

Chương 2: Nghiên cứu cơ sở khoa học và phương pháp đánh giá tác động của sự thay đổi thảm phủ cùng với biến đổi khí hậu đến dòng chảy của lưu vực sông Cả.

Chương 3: Đánh giá tác động của thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy lưu vực sông Cả

Kết luận và Kiến nghị.

TỔNG QUAN VỀ ĐÁNH GIÁ TÁC ĐỘNG CỦA THAY ĐỔI THẢM PHỦ VÀ BIẾN ĐỔI KHÍ HẬU ĐẾN DÒNG CHẢY TRÊN LƯU VỰC SÔNG CẢ

Một số khái niệm chung

1.1.1 Khái niệm về thảm phủ và sự thay đổi thảm phủ

Có nhiều định nghĩa về thảm phủ (land cover):

Thảm phủ là lớp thực bì của Trái đất và các bộ phận hợp thành khác nhau của nó [106]

Thảm phủ là các quần thể thực vật bao phủ bề mặt Trái Đất, tạo thành một lớp thảm xanh Theo định nghĩa của Tổ chức Nông Lương Liên Hợp Quốc (FAO), thảm phủ được mô tả là lớp vỏ vật lý sinh học quan sát được trên bề mặt Trái Đất.

Định nghĩa này bao gồm tất cả những yếu tố tồn tại trên bề mặt đất, như thực vật, nước, băng, đá và đất trống, cùng với các lớp được hình thành từ hoạt động của con người như nông nghiệp và đô thị.

Thảm phủ (land cover) và sử dụng đất (land use) là hai khái niệm có mối liên hệ chặt chẽ nhưng khác biệt quan trọng Sử dụng đất đề cập đến cách con người tương tác với bề mặt Trái đất, trong khi thảm phủ chỉ đơn thuần là lớp vật chất bao phủ bề mặt Theo định nghĩa của FAO, sử dụng đất được xác định bởi các hoạt động, sắp xếp và đầu vào mà con người thực hiện trong một loại thảm phủ nhất định để sản xuất, thay đổi hoặc duy trì nó Ví dụ, mặt hồ có thể được coi là nước tự nhiên trong thảm phủ, nhưng nếu nó được sử dụng cho thủy lợi, thì trong bối cảnh sử dụng đất, nó sẽ được xem là nước phục vụ cho mục đích thủy lợi.

Việc sử dụng đất và thảm phủ cung cấp cái nhìn tổng quan về một khu vực cụ thể, bao gồm cả yếu tố tự nhiên và cách sử dụng lớp phủ bề mặt Dữ liệu về độ che phủ đất ghi nhận mức độ bao phủ của khu vực bởi rừng, đất ngập nước, bề mặt không thấm nước, nông nghiệp, cùng với các loại đất và nước khác.

Việc sử dụng đất phản ánh cách con người quản lý cảnh quan, bao gồm phát triển, bảo tồn và sử dụng hỗn hợp Quan trọng là phân biệt giữa thảm phủ và sử dụng đất, vì thông tin có thể được xác định từ từng loại này.

Thay đổi thảm phủ đất phản ánh sự biến đổi liên tục của các đặc điểm đất đai như kiểu thực vật và tính chất đất, trong khi thay đổi sử dụng đất liên quan đến cách thức quản lý và sử dụng diện tích đất bởi con người Những thay đổi này thường bị ảnh hưởng chủ yếu bởi phát triển kinh tế - xã hội, mặc dù các nguyên nhân tự nhiên cũng có thể góp phần vào sự thay đổi thảm phủ Tuy nhiên, sự can thiệp của con người đóng vai trò chủ đạo trong việc thay đổi sử dụng đất Do đó, để hiểu rõ về sự thay đổi thảm phủ, cần xem xét cả hai yếu tố: thảm phủ và sử dụng đất.

Trong Luận án, sự thay đổi thảm phủ (LULC) bao gồm cả sự thay đổi thảm phủ và thay đổi sử dụng đất.

1.1.2 Khái niệm về biến đổi khí hậu

Biến đổi khí hậu là sự thay đổi lâu dài của khí hậu do tác động của các yếu tố tự nhiên và hoạt động của con người Hiện nay, biến đổi khí hậu được thể hiện qua hiện tượng nóng lên toàn cầu, mực nước biển dâng cao và sự gia tăng các hiện tượng khí tượng thủy văn cực đoan.

Biến đổi khí hậu đang diễn ra ngày càng nhanh chóng do tác động của hoạt động con người, đặc biệt là việc sử dụng nhiên liệu hóa thạch trong giao thông và sản xuất công nghiệp, dẫn đến phát thải khí nhà kính Điều này làm cho hệ thống khí hậu ấm lên và gây ra những thay đổi rộng rãi trong môi trường.

Theo Báo cáo của Nhóm công tác I trong Đánh giá lần thứ 6 của IPCC AR6 WGI, Trái đất sẽ ấm lên 1,5°C trong tất cả các kịch bản, với khả năng đạt mức này vào những năm 2030 Trong kịch bản phát thải tham vọng nhất, nhiệt độ có thể vượt quá 1,6°C nhưng sẽ giảm về 1,4°C vào cuối thế kỷ Đối với Việt Nam, theo kịch bản RCP4.5, nhiệt độ trung bình năm dự kiến tăng từ 1,9-2,4°C ở phía Bắc và 1,5-1,9°C ở phía Nam, trong khi lượng mưa hàng năm có thể tăng từ 10-20% Nhiệt độ cực trị và lượng mưa cực trị cũng có xu hướng gia tăng rõ rệt trong cả hai kịch bản, đặc biệt là về cuối thế kỷ.

Hệ thống khí hậu ấm lên và thay đổi đang dẫn đến sự gia tăng tần suất và độ khó dự đoán của các hiện tượng thời tiết cực đoan Bên cạnh đó, hiện tượng băng tan và nước biển dâng gây ra nhiều ảnh hưởng nghiêm trọng, đặc biệt đối với Việt Nam và toàn cầu.

Hiện tại, chưa có báo cáo nào đánh giá toàn diện các tác động của tất cả các yếu tố biến đổi khí hậu Do đó, trong khuôn khổ Luận án, chỉ tập trung vào hai yếu tố biến đổi khí hậu có ảnh hưởng lớn và dễ nhận thấy nhất đối với tài nguyên nước lưu vực sông Cả, đó là nhiệt độ và lượng mưa.

1.1.3 Khái niệm về đánh giá tác động

Trước hết, tác động được định nghĩa là:

According to the Organization for Economic Cooperation and Development (OECD), impact refers to the positive and negative effects—both direct and indirect, intentional and unintentional—that arise from developmental interventions These impacts can be both short-term and long-term, highlighting the complexity of development efforts.

Theo Roche, tác động được định nghĩa là sự thay đổi lâu dài hoặc đáng kể trong cuộc sống của con người, có thể là tích cực hoặc tiêu cực, có chủ đích hoặc không, do một hành động hoặc chuỗi hành động gây ra.

Từ đó có thể định nghĩa đánh giá tác động là:

Đánh giá tác động là quá trình phân tích những thay đổi có thể xảy ra do một can thiệp cụ thể, như dự án, chương trình hoặc chính sách, bao gồm cả những dự định và lý tưởng cũng như những thay đổi ngoài ý muốn.

Các nghiên cứu về mô phỏng biến động thảm phủ trong và ngoài nước

Mô phỏng biến động thảm phủ đã được nghiên cứu trong nhiều năm, với nhiều tiến bộ lý thuyết và thực nghiệm Tuy nhiên, vẫn còn ít nhà nghiên cứu phát triển được mô hình có khả năng dự đoán chính xác biến động này.

Khái niệm chuỗi Markov, được giới thiệu lần đầu vào năm 1906 bởi nhà khoa học Andrei Andreyevich Markov, mô tả chuỗi các sự kiện mà xác suất của mỗi sự kiện chỉ phụ thuộc vào trạng thái của sự kiện trước đó Từ đó, chuỗi Markov đã được ứng dụng rộng rãi trong vật lý, đặc biệt là khoa học thống kê, để mô hình hóa nhiều quá trình trong lý thuyết hàng đợi và thống kê Phân tích chuỗi Markov giúp dự báo tình hình sử dụng đất trong giai đoạn tiếp theo Tuy nhiên, nó chỉ là một mô hình toán học cho phép dự đoán xác suất chuyển đổi giữa các trạng thái mà không thể hiện không gian của hệ Đến đầu thập kỷ 1950, Cellular Automata (hệ tự hành dạng tế bào - CA) bắt đầu được nghiên cứu như một phương pháp mô phỏng hệ sinh thái, nhưng chỉ đến những năm 1980, CA mới được Stephen Wolfram nghiên cứu một cách toàn diện với "Lý thuyết của các hệ phức tạp".

Mô hình toán học "Hệ tự hành dạng tế bào" đã được phát triển và ứng dụng rộng rãi, sử dụng máy tính để mô phỏng các phương án phong phú của nó Đây được coi là một phương pháp nghiên cứu khoa học mới, hiệu quả và có triển vọng để mô tả và giải thích nhiều hiện tượng phức tạp trong tự nhiên Chuỗi Markov có khả năng dự đoán tốt xác suất thay đổi về mặt thống kê, trong khi CA là mô hình mạnh mẽ trong việc thể hiện các thay đổi theo không gian.

1.2.1 Các nghiên cứu trên thế giới về mô phỏng biến động thảm phủ

Phân tích chuỗi Markov và mô hình Cellular Automata đã được áp dụng rộng rãi trong việc xây dựng kịch bản thảm phủ tương lai Phân tích chuỗi Markov giúp dự đoán các thay đổi lớp phủ dựa trên ma trận xác suất chuyển đổi cho từng loại lớp phủ đất, với ma trận này phản ánh xác suất có điều kiện để hệ thống chuyển đổi sang trạng thái mới Sau đó, mô hình Cellular Automata được sử dụng để tái tạo ma trận chuyển đổi Markov thành một tập hợp dữ liệu rõ ràng về mặt không gian.

Mô hình CA dự đoán không gian dựa trên xác suất chuyển đổi lớp phủ đất và vị trí trước đây của các loại lớp phủ đất.

Với sự phát triển mạnh mẽ của khoa học kỹ thuật, kỹ thuật viễn thám đã chứng minh là phương pháp hiệu quả trong phân loại thảm phủ mặt đất, tiết kiệm chi phí so với các phương pháp đo đạc truyền thống Nền tảng viễn thám cung cấp ảnh vệ tinh đa phổ, đa thời gian và nhiều độ phân giải không gian khác nhau, đáp ứng yêu cầu về độ chính xác cho các loại bản đồ thảm phủ Hiện nay, ảnh đa phổ Landsat 8 và Sentinel 2 được sử dụng phổ biến nhờ vào các đặc tính vượt trội như độ phân giải không gian cao từ 15 – 100 mét, khả năng phục vụ nhiều mục đích khác nhau và tần suất bay lặp cao, với 2 cảnh mỗi tháng cho Landsat 8 và 6 cảnh mỗi tháng cho Sentinel 2 Mặc dù Landsat 8 và Sentinel 2 có cùng dải phổ từ 400nm – 2300nm, nhưng số băng phổ lại khác nhau.

13 băng phổ của ảnh Sentinel 2 so với 9 băng phổ của ảnh Landsat 8 Với Sentinel

Ảnh vệ tinh có độ phân giải không gian từ 10m đến 60m, với các kênh phổ như Red, Green, Blue, NIR và hồng ngoại sóng ngắn LANDSAT 8 cung cấp độ phân giải 30m cho các kênh đa phổ và 15m cho kênh toàn sắc Cả Landsat 8 và Sentinel 2 đều có các băng phổ phù hợp cho nhiệm vụ theo dõi và hiệu chỉnh biến động lớp phủ.

Năm 2011, trường đại học Zanjan, Iran đã thực hiện nghiên cứu mang tên “Đánh giá và dự báo sự thay đổi sử dụng đất ảnh hưởng tới khu vực đô thị bằng ảnh vệ tinh đa phổ.” Nghiên cứu này nhằm phân tích và dự đoán các biến đổi trong việc sử dụng đất, từ đó cung cấp cái nhìn sâu sắc về tác động của những thay đổi này đến các khu vực đô thị.

Nghiên cứu đã ứng dụng kỹ thuật viễn thám và GIS để phát hiện và đánh giá sự thay đổi sử dụng đất tại vùng Zanjan, so sánh ảnh LANDSAT TM chụp năm 1984 và 2011 Các phương pháp phân tích như phân biệt hình ảnh, phân tích thành phần chính và phân loại Fuzzy ARTMAP được áp dụng để đánh giá các thay đổi Kết quả cho thấy khoảng 44% tổng diện tích sử dụng đất đã thay đổi, bao gồm sự chuyển đổi từ đất nông nghiệp sang đất ở, xây dựng khu công nghiệp và đường cao tốc Bên cạnh đó, cơ cấu mùa màng cũng có sự thay đổi, như sự chuyển đổi giữa đất trồng cây ăn quả và đất nông nghiệp Nghiên cứu còn kết hợp Cellular Automata với phân tích chuỗi Markov để dự báo tác động của con người đến năm 2020.

Nghiên cứu của Trung tâm Khoa học Biển, Sông, Khí quyển và Mặt đất (CORAL) đã áp dụng mô hình Cellular Automata - Markov để dự đoán kịch bản sử dụng đất và che phủ đất trong tương lai, dựa trên xu hướng thủy văn trong quá khứ của lưu vực Choudwar, Ấn Độ Qua việc phân tích các loại hình sử dụng đất và thảm phủ đất trong các năm 1972, 1990, 1999 và 2005, nhóm nghiên cứu đã phát hiện rằng các yếu tố vật lý, sinh học và kinh tế xã hội, bao gồm sự phát triển công nghiệp, khu dân cư và hạ tầng giao thông, đã tác động đến phân bố không gian của các loại hình sử dụng đất, dẫn đến sự gia tăng khu vực nông nghiệp và nhà ở Kết quả nghiên cứu chỉ ra rằng sự mở rộng nông nghiệp là động lực chính gây ra mất rừng, đất ngập nước và đầm lầy tại lưu vực sông Choudwar, với khả năng tiếp tục gia tăng trong tương lai.

Trung tâm Khoa học Tài nguyên Môi trường thuộc trường Đại học Hubei đã nghiên cứu "Mô hình Markov-Kalman về dự báo biến động sử dụng đất ở lưu vực XiuHe, Trung Quốc" Nghiên cứu này đã dự đoán các biến động tài nguyên đất tại khu vực sông XiuHe nhằm đặc tả các loại hình sử dụng đất Dữ liệu nghiên cứu được lấy từ ảnh LANDSAT 3 trong các năm 1990, 2000 và 2010, kết hợp giữa phương pháp Markov và Kalman, tạo thành mô hình lọc Markov-Kalman Mô hình này được áp dụng để mô phỏng biến động sử dụng đất, với dự báo về các loại hình sử dụng đất trong tương lai dựa trên mô hình Markov Các sai số do ước lượng từ ảnh LANDSAT được hiệu chỉnh bằng mô hình lọc Kalman Kết quả thu được là các dự báo định lượng về biến động loại hình sử dụng đất, chứng minh rằng phương pháp Markov-Kalman hiệu quả trong việc cải thiện độ chính xác của các dự báo sử dụng đất, đặc biệt tại lưu vực XiuHe, Trung Quốc.

Nghiên cứu của tác giả Mohammad Sayemuzzaman và Manoj K Jha tại trường đại học Nông nghiệp và Kỹ thuật Bắc Carolina đã sử dụng mô hình Markov-Cellular Automata để dự đoán sự thay đổi thảm phủ và sử dụng đất tại Bắc Carolina Trước nghiên cứu này, chưa có mô hình nào dự đoán sự thay đổi sử dụng đất trong tương lai (LCLU) cho toàn bang Nghiên cứu tích hợp dữ liệu bản đồ che phủ đất từ vệ tinh năm 1992, 2001 và 2006, áp dụng đánh giá đa tiêu chí (MCE) để tạo ra hình ảnh tương lai Kết quả cho thấy dự báo LCLU cho năm 2030 sẽ có 20% tăng diện tích đất xây dựng, giảm 17% diện tích đất lâm nghiệp so với năm 1992, và khoảng 7% đất nông nghiệp giảm so với năm 2001 Sự mở rộng đô thị chủ yếu diễn ra ở phía Nam, giữa và giữa-phía Bắc của bang, trong khi mất rừng chủ yếu dự đoán ở phía Tây và giữa-Tây.

Năm 2015, nghiên cứu giữa đại học Payame Noor và đại học Công nghệ Isfahan ở Iran đã chỉ ra rằng mô hình hóa biến động thảm phủ/sử dụng đất là cần thiết cho quy hoạch và quản lý sử dụng đất, đặc biệt ở Arak, nơi đã trải qua sự mở rộng đô thị nhanh chóng do công nghiệp hóa và tăng trưởng dân số Nghiên cứu sử dụng ảnh hàng không và ảnh vệ tinh Landsat TM cùng IRS-P6 LISS-III để dự đoán sự thay đổi thảm phủ/sử dụng đất tại Arak, với các bản đồ được xây dựng từ bốn lớp thông tin nội suy trực quan và phương pháp phân loại mạng thần kinh nhân tạo ANN Kết quả cho thấy độ chính xác trên 95% cho cả hai phương pháp phân loại Chuỗi Markov và mô hình Cellular Automata Markov đã được áp dụng để dự đoán và mô phỏng bản đồ thảm phủ/sử dụng đất cho năm 2025, chứng minh rằng việc kết hợp ảnh viễn thám, GIS và mô hình Markov cung cấp thông tin hữu ích cho quy hoạch sử dụng đất trong tương lai.

Hình 1.1 Bản đồ mô phỏng thảm phủ năm 2025 ở Arak, Iran

Năm 2015, Muhammad Isma’il và Saidu Abubakar từ Đại học Ahmadu Bello, Nigeria đã tiến hành nghiên cứu về sự thay đổi thảm phủ ở làng Wudil, bang Kano Wudil, một thị trấn cổ ở Tây Bắc Nigeria, đang trải qua quá trình đô thị hóa nhanh chóng Tuy nhiên, thông tin chính xác về tỷ lệ và các loại hình đất đô thị hóa còn thiếu, điều này rất cần thiết cho sự phát triển tương lai của khu vực Nghiên cứu áp dụng các kỹ thuật GIS để phân tích sự thay đổi thảm phủ đất đai từ năm 2000 đến nay.

Nghiên cứu này sử dụng Phân tích Chuỗi Markov kết hợp với ảnh Landsat để dự báo sự thay đổi sử dụng đất của Wudil từ năm 2014 đến 2028, nhằm hiểu các loại hình đất đô thị trong tương lai và khả năng chuyển đổi giữa các lớp sử dụng đất Kết quả cho thấy diện tích xây dựng đã tăng hơn 12%, trong khi diện tích đất canh tác giảm khoảng 9% Diện tích xây dựng có xác suất 82,4% duy trì trong 14 năm tới, trong khi đất trống có xác suất 80,3% chuyển thành đất xây dựng, nhưng thảm thực vật chỉ có xác suất 41,8% giữ lại trạng thái hiện tại Những phát hiện này cung cấp thông tin giá trị cho việc thiết kế kế hoạch tổng thể phát triển đô thị bền vững trong tương lai.

Hình 1.2 Bản đồ thảm phủ/sử dụng đất dự tính ở Wudil năm 2028

Các nghiên cứu trong và ngoài nước về đánh giá tác động của thảm phủ tới dòng chảy lưu vực sông

1.3.1 Các nghiên cứu trên thế giới về đánh giá tác động của thảm phủ tới dòng chảy lưu vực sông

Trong những năm gần đây, nghiên cứu về tác động của sự thay đổi sử dụng đất đến chu trình thủy văn đã thu hút sự quan tâm lớn Nhiều nghiên cứu đã được thực hiện để định lượng ảnh hưởng của nạn phá rừng và chuyển đổi diện tích rừng sang đất nông nghiệp đối với dòng chảy của lưu vực J.M Bosch và J.D Hewlett đã tiến hành đánh giá 94 thí nghiệm lưu vực để xác định tác động của thay đổi thảm thực vật đến thủy lợi và thoát hơi nước Kết quả cho thấy sự thay đổi hướng dòng chảy sau các hoạt động lâm nghiệp có thể được dự đoán với độ chính xác hợp lý, khi 93/94 thí nghiệm chỉ ra rằng việc giảm sản lượng nước liên quan đến việc giảm độ che phủ, trong khi tăng sản lượng nước liên quan đến sự gia tăng của độ che phủ.

Năm 1987, Peck A.J và Williamson D.R đã nghiên cứu tác động của mất rừng đối với nước ngầm qua 5 lưu vực trong 10 năm Kết quả cho thấy, ở các lưu vực có lượng mưa lớn, đường bề mặt chiết áp dưới lớp phủ rừng thay đổi từ 1-4m sau mỗi mùa lũ, trong khi ở các lưu vực có lượng mưa trung bình, sự thay đổi hiếm khi vượt quá 1m Đặc biệt, ở các lưu vực đã hoàn toàn chuyển đổi sang đất nông nghiệp, đường bề mặt chiết áp có xu hướng dịch chuyển lên trên trung bình khoảng 2,6m mỗi năm, tương ứng với việc tầng chứa nước được bổ sung 6-12% tổng lượng mưa hàng năm Các khu vực chỉ chuyển đổi một phần rừng sang đất nông nghiệp có sự thay đổi chậm hơn, khoảng 0,9m mỗi năm Nghiên cứu cũng chỉ ra rằng, sự thay đổi thảm phủ bề mặt có ảnh hưởng lớn đến tài nguyên nước, cả trên bề mặt và dưới bề mặt Đối với vùng nhiệt đới, Costa và cộng sự (2003) phát hiện rằng nếu tỷ lệ chuyển đổi đất rừng thành đất nông nghiệp đạt khoảng 30% diện tích lưu vực, lưu lượng trung bình năm sẽ tăng thêm khoảng 24%.

Hình 1.6 Lưu lượng nước trung bình cho 2 giai đoạn của sông Tocantins

Dựa trên dữ liệu điều tra nông nghiệp, tác giả ước tính rằng vào năm 1960, khoảng 30% lưu vực được sử dụng cho nông nghiệp, và đến năm 1995, diện tích nông nghiệp đã tăng đáng kể lên khoảng 49% diện tích đất được sử dụng làm đồng cỏ Tác giả so sánh giai đoạn 1 (1949 - 1968) với những thay đổi nhỏ trong độ che phủ đất với giai đoạn 2 (1979 - 1998), trong đó giai đoạn 2 ghi nhận những thay đổi lớn hơn về độ che phủ đất Mặc dù lượng mưa trên lưu vực không khác biệt về mặt thống kê giữa hai giai đoạn, nhưng lưu lượng trung bình hàng năm trong giai đoạn 2 lớn hơn 24% so với giai đoạn 1 Các phân tích cho thấy sự thay đổi của lớp phủ thực vật đã làm thay đổi phản ứng thủy văn của khu vực, đặc biệt có thể xuất hiện những thay đổi lớn hơn trong chế độ thủy văn của sông Tocantins khi áp lực thay đổi diện tích đất tiếp tục gia tăng.

Theo Nisbet (2001), rừng có khả năng giảm dòng chảy mặt và chống xói mòn hiệu quả Tuy nhiên, các hoạt động tác động đến rừng như xây dựng đường giao thông, làm đất trồng rừng, chăm sóc rừng và khai thác có thể làm tăng dòng chảy mặt và xói mòn trong lưu vực.

Farley và cộng sự (2005) chỉ ra rằng việc chuyển đổi từ đất trảng cỏ và đất cây bụi sang rừng trồng dẫn đến giảm 44% và 31% lượng dòng chảy hàng năm Tác động này làm giảm dòng chảy kiệt của rừng trồng rõ rệt hơn so với lượng dòng chảy trung bình hàng năm Nhiều nghiên cứu khác cũng cho thấy rằng việc trồng rừng đã làm giảm lượng nước bình quân và dòng chảy trong mùa khô của lưu vực, với nhiều trường hợp dòng chảy kiệt giảm đáng kể sau khi trồng rừng.

Ge Sun cho biết việc trồng rừng tại Trung Quốc đã làm giảm lưu lượng dòng chảy từ 50 mm/năm ở vùng khô đến 300 mm/năm ở vùng ẩm ướt Điều này tương ứng với sự sụt giảm trung bình hàng năm của lượng nước ở mức 20.

- 40% [112] Tuy nhiên, trong một số trường hợp nó lại làm tăng dòng chảy ngầm và dòng chảy kiệt nhờ việc làm tăng tính thấm nước của đất

Theo Zhang và cộng sự (2007), các chỉ số về trạng thái thảm thực vật rừng như cấu trúc, loại đất và địa hình ảnh hưởng đến dòng chảy của lưu vực, trong khi phân bố không gian của rừng cũng đóng vai trò quan trọng, đặc biệt ở những khu vực gần hệ thống tích nước như sông, suối, hồ Rừng trồng có tác động đến dòng chảy mặt và ngầm, từ đó ảnh hưởng đến độ mặn của nước trong lưu vực Ở những nơi có lượng muối cao ở lớp đất mặt, ảnh hưởng này sẽ rõ rệt trong vòng 2 - 5 năm sau khi trồng rừng Ngược lại, ở vùng có nguồn mặn chủ yếu ở tầng nước ngầm, tác động sẽ chậm hơn tùy thuộc vào đặc điểm của hệ thống nước ngầm Ngoài ra, các khoảng trống trên sườn dốc có thể dẫn đến sản lượng nước thấp hơn ở phần dưới sườn dốc.

Theo nghiên cứu của Guardiola và cộng sự (2010), việc thay thế rừng cây bản địa bằng rừng cao su ở Nam Keng (Trung Quốc) và Pang Khum (miền Bắc Thái Lan) đã dẫn đến sự gia tăng bốc thoát hơi nước, làm giảm dòng chảy và lượng nước tích trữ trong lưu vực Mặc dù trồng rừng và các biện pháp bảo tồn đất có tác dụng nhất định trong việc giảm đỉnh lũ, nhưng hiếm khi thấy các biện pháp này có khả năng làm tăng dòng chảy kiệt.

1.3.2 Các nghiên cứu trong nước về đánh giá tác động của thảm phủ tới dòng chảy lưu vực sông

Trong 20 năm qua, khu vực Bắc Trung Bộ đã trải qua sự phát triển kinh tế - xã hội nhanh chóng, dẫn đến những tác động đáng kể đến thảm phủ bề mặt, bao gồm giảm độ che phủ đất nông nghiệp và suy giảm độ che phủ rừng Tốc độ đô thị hóa gia tăng cũng góp phần làm thay đổi mạnh mẽ các lưu vực trong khu vực Do đó, quản lý tài nguyên nước trở thành một vấn đề cấp thiết và cần được chú trọng trong thời gian tới.

Trong những năm qua, nhiều nghiên cứu đã được thực hiện về ứng dụng các mô hình đánh giá chế độ thủy văn tại Việt Nam Mô hình SWAT (Soil and Water Assessment Tool) nổi bật trong việc đánh giá và mô phỏng mối quan hệ giữa đất và nước trong lưu vực Được phát triển bởi Cục nghiên cứu nông nghiệp Hoa Kỳ và Trung tâm nghiên cứu nông nghiệp Texas A&M vào đầu những năm 1990, SWAT nhằm dự báo ảnh hưởng của quản lý sử dụng đất đến tài nguyên nước, sự bồi lắng và lượng hóa chất phát sinh từ hoạt động nông nghiệp trên các lưu vực lớn và phức tạp trong thời gian dài.

Mô hình SWAT được xây dựng dựa trên cơ sở vật lý, kết hợp với các phương trình hồi quy mô tả mối quan hệ giữa các biến đầu vào và đầu ra Mô hình yêu cầu thông tin về thời tiết, thuộc tính đất, tài liệu địa hình, thảm phủ và việc sử dụng đất trong lưu vực Các quá trình vật lý như chuyển động nước, chuyển động bùn cát, canh tác và chu trình chất dinh dưỡng được mô tả trực tiếp qua dữ liệu đầu vào Mô hình chia lưu vực thành các vùng nhỏ, giúp việc mô phỏng dòng chảy trở nên tiện lợi khi có đủ dữ liệu về sử dụng đất và đặc tính đất.

Năm 2003, Trần Thục và Huỳnh Thị Lan Hương đã áp dụng mô hình SWAT để đánh giá ảnh hưởng của sự thay đổi sử dụng đất đến dòng chảy lưu vực sông Trà Khúc Nghiên cứu chỉ ra rằng rừng đóng vai trò quan trọng trong việc điều hòa dòng chảy và hỗ trợ phòng chống lũ Kết quả cho thấy, từ năm 1993 đến 2000, khi lớp phủ rừng tăng lên, tổng lượng dòng chảy năm giảm trung bình khoảng 31.106 m³, đồng thời lưu lượng đỉnh lũ cũng giảm Mô hình SWAT được nhận định là linh hoạt, dễ điều chỉnh và cho kết quả mô phỏng tốt, có thể áp dụng cho nhiều loại lưu vực mà không bị giới hạn diện tích, đồng thời cung cấp đầu vào cho các bài toán khác như mô hình thủy lực và tính toán cân bằng nước Ngoài ra, mô hình còn có khả năng mô phỏng xói mòn bề mặt, vận chuyển bùn cát và các chất hóa học.

Năm 2003, tác giả Phạm Thị Hương Lan từ Đại học Thủy lợi đã tổng quan và giới thiệu nhiều mô hình toán thủy văn như HEC1, SSARR, HEC-HMS, MIKE BASIN, USDAHL, RAINRUN, và đề xuất sử dụng mô hình SWAT để giải quyết các bài toán quản lý tổng hợp tài nguyên nước lưu vực sông Mục tiêu là lồng ghép mô hình vào sơ đồ quy hoạch và quản lý lưu vực nhằm đánh giá hiệu quả và hoàn thiện công tác quản lý Trong nghiên cứu, tác giả đã sử dụng các thông số và số liệu thống kê về sử dụng đất, diện tích và chất lượng rừng, đồng thời áp dụng thí điểm cho lưu vực sông Nậm Mức thuộc lưu vực sông Đà để đánh giá các phương án quy hoạch.

Trong nghiên cứu giai đoạn 2003-2004, Vũ Văn Tuấn và Phạm Thị Hương Lan đã ứng dụng mô hình SWAT để đánh giá ảnh hưởng của rừng đến các đặc trưng thuỷ văn tại lưu vực Mù Căng Chải, Tây Bắc Kết quả cho thấy rừng có tác dụng điều tiết dòng chảy, đặc biệt rõ rệt ở dòng chảy kiệt hơn là dòng chảy lũ Việc thay đổi diện tích rừng ở vùng thượng lưu ảnh hưởng mạnh mẽ hơn đến vùng hạ lưu Tuy nhiên, các tác giả nhấn mạnh đây chỉ là nghiên cứu bước đầu và cần tiến hành thêm ở các lưu vực khác nhau với phương pháp và số liệu hoàn thiện hơn để khái quát các xu thế tác động thành quy luật chung.

Từ năm 2004 đến 2006, đề tài “Nghiên cứu xây dựng khung hỗ trợ ra quyết định trong quản lý tài nguyên nước lưu vực sông Cả” do TS Hoàng Minh Tuyển chủ nhiệm đã áp dụng mô hình SWAT để mô phỏng dòng chảy lưu vực sông Cả Mô hình SWAT được trang bị các thông số quan trọng liên quan đến đất, nước ngầm, và quản lý lưu vực, sử dụng 9 trạm khí tượng đại diện để tính toán Nghiên cứu đã đưa ra 03 kịch bản về tác động của biến đổi khí hậu và thay đổi rừng trên lưu vực Dữ liệu dòng chảy và ETo hàng ngày được sử dụng làm đầu vào cho mô hình IQQM Lưu vực sông Cả được chia thành 29 tiểu lưu vực, với 8 lưu vực có phân bố rừng được đánh giá dựa trên các giả thiết kịch bản về sự thay đổi lớp phủ rừng.

Tiểu kết chương 1

Thảm phủ có ảnh hưởng rõ rệt đến dòng chảy của các lưu vực sông thông qua sự thay đổi địa hình, tính chất đất, khả năng thấm hút và sử dụng nước Biến đổi khí hậu tác động đến nhiệt độ, thời gian và lượng mưa, dẫn đến sự thay đổi tỷ lệ dòng chảy và gia tăng khả năng xảy ra cũng như mức độ nghiêm trọng của hạn hán và lũ lụt Nghiên cứu cho thấy những thay đổi nhỏ về nhiệt độ và lượng mưa có thể gây ảnh hưởng lớn đến dòng chảy, với dòng chảy giảm từ 3-12% khi nhiệt độ tăng 2°C và 7-21% khi nhiệt độ tăng 4°C Do đó, việc đánh giá tác động của thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy là vấn đề cấp thiết.

Tổng quan các nghiên cứu trong nước cho thấy hầu hết chỉ dừng lại ở việc xây dựng các biến động thảm phủ mà chưa đưa ra các kịch bản cụ thể Nhiều nghiên cứu chỉ đánh giá ảnh hưởng của sự thay đổi thảm phủ hoặc biến đổi khí hậu tới tài nguyên nước, mà chưa có nghiên cứu nào kết hợp cả hai yếu tố này để đánh giá tác động đến tài nguyên nước, đặc biệt là dòng chảy Trong khi đó, các nghiên cứu quốc tế đã lý thuyết hóa vấn đề này, nhưng việc áp dụng thực tế và xây dựng mô hình mô phỏng lại phụ thuộc vào khả năng hiểu biết của từng nhóm nghiên cứu về các lưu vực cụ thể.

Nghiên cứu quốc tế cho thấy mô hình mô phỏng Markov-Cellular Automata được sử dụng phổ biến để mô phỏng biến động thảm phủ và dự đoán các kịch bản thảm phủ tương lai Mô hình Markov, với cơ sở là xác suất chuyển đổi từ thời điểm ‘t-1’ sang ‘t’ để dự đoán tương lai ‘t+1’, tuy nhiên, chỉ sử dụng mô hình này không đủ, vì nó không xem xét phân bố không gian giữa các loại LULC và xác suất chuyển đổi không đồng nhất giữa các trạng thái LULC Do đó, mô hình Markov chỉ có thể dự báo sự thay đổi LULC về mặt định lượng.

Mô hình Markov có thể khắc phục sự thiếu hụt của nó bằng cách tích hợp với các mô hình khác, chú trọng đến thành phần không gian Một trong những ưu điểm nổi bật của mô hình này là khả năng dự báo các thay đổi trong thảm phủ trong tương lai, bao gồm cả biến động tự nhiên và những thay đổi do con người trong việc sử dụng đất thông qua phương pháp xác suất.

Ahmed (2013) đã đánh giá khả năng của ba mô hình mô phỏng thay đổi thảm phủ họ Markov, bao gồm Mô hình Markov thống kê (Stochastic Markov), Hệ tự hành dạng tế bào Markov (Markov-Cellular Automata), và Mạng nơ-ron đa tầng Markov (Multi Layer Perceptron Markov) Kết quả mô phỏng của ba mô hình được kiểm chứng qua nhiều phương pháp khác nhau, cho thấy MLP_Markov có hiệu suất mô phỏng tốt nhất với giá trị 0,974, trong khi CA_Markov đạt 0,924 và St_Markov là 0,701 Mặc dù CA_Markov và MLP_Markov có khả năng mô phỏng tương đương, việc áp dụng MLP_Markov đòi hỏi nhiều quy tắc chuyển đổi cho mỗi nơ-ron, tạo ra khối lượng công việc lớn và yêu cầu dữ liệu phong phú Do đó, trong nghiên cứu này, mô hình lai Markov-Cellular Automata kết hợp các lý thuyết về Chuỗi Markov, Hệ tự hành dạng tế bào, Đánh giá đa tiêu chí và Kết hợp tuyến tính có trọng số được xem là phương pháp phù hợp hơn để mô phỏng biến động LULC cả về trạng thái và không gian, đặc biệt trong trường hợp lưu vực sông Cả.

Nghiên cứu cho thấy việc áp dụng lý thuyết Markov để dự báo biến đổi lớp phủ và mô hình Cellular Automata để biểu diễn phân bố không gian là khả thi Độ chính xác của mô hình phụ thuộc vào ma trận xác suất chuyển đổi loại đất, yêu cầu xác suất thay đổi không đổi cho đến thời điểm dự báo Tuy nhiên, các nghiên cứu đã chứng minh rằng việc sử dụng ảnh viễn thám kết hợp dữ liệu sử dụng đất trong khoảng 20 năm có thể đạt độ chính xác trên 90% cho mô hình dự báo kịch bản thảm phủ tương lai.

Các mô hình đánh giá thủy văn như MARINE, SSARR, TANK và MIKE đã được ứng dụng rộng rãi với độ chính xác cao Tuy nhiên, mô hình SWAT (Soil and Water Assessment Tool) nổi bật hơn cả trong việc đánh giá mối quan hệ giữa đất và nước trong lưu vực SWAT là mô hình thủy văn bán phân bố, giúp dự báo tác động của quản lý sử dụng đất đến tài nguyên nước, sự bồi lắng và lượng hóa chất từ hoạt động nông nghiệp trong các lưu vực lớn và phức tạp Mô hình này cũng cho phép mô phỏng ảnh hưởng của thay đổi đầu vào như sử dụng đất, quản lý đất đai và khí hậu Với những ưu điểm đó, SWAT rất phù hợp để mô phỏng và đánh giá dòng chảy của lưu vực lớn như lưu vực sông Cả dưới tác động của thay đổi thảm phủ và biến đổi khí hậu.

Việc đánh giá tác động của sự thay đổi thảm phủ đến dòng chảy trong điều kiện biến đổi khí hậu là rất quan trọng đối với nước ta hiện nay Các tài liệu trong và ngoài nước đều chỉ ra rằng cần xây dựng mô hình mô phỏng sự thay đổi thảm phủ, sử dụng kịch bản thảm phủ tương lai bằng Markov-Cellular Automata Đồng thời, việc áp dụng mô hình SWAT để đánh giá kết hợp tác động của sự thay đổi thảm phủ và biến đổi khí hậu tới dòng chảy là phương án phù hợp nhằm giải quyết bài toán của luận án.

CƠ SỞ KHOA HỌC, PHƯƠNG PHÁP ĐÁNH GIÁ TÁC ĐỘNG CỦA THAY ĐỔI THẢM PHỦ VÀ BIẾN ĐỔI KHÍ HẬU ĐẾN DÒNG CHẢY LƯU VỰC SÔNG CẢ

Cơ sở khoa học đánh giá tác động của thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy lưu vực sông

2.1.1 Cơ sở khoa học của mô phỏng thảm phủ dựa trên chuỗi Markov và hệ tự hành dạng tế bào Cellular Automata

2.1.1.1 Phương pháp phân loại thảm phủ

Các phương pháp phân loại thảm phủ từ ảnh vệ tinh đã được nghiên cứu trong nhiều năm và được chia thành hai loại chính: phân loại không giám sát và phân loại có giám sát Hai phương pháp này tập trung vào việc phân loại cô lập pixel dựa trên thông tin về phổ.

Phân loại không giám sát không yêu cầu mẫu huấn luyện, mà chỉ định số lượng lớp mong muốn để máy tính tự động nhóm các pixel tương tự về mặt thống kê thành các lớp phủ qua các thuật toán phân cụm như K-means, C-means, và ISODATA Quá trình này lặp đi lặp lại cho đến khi các “lớp phổ” được gán nhãn, tạo thành lớp phân loại chứa thông tin về lớp phủ Phương pháp này rất hữu ích khi thiếu dữ liệu thực địa hoặc kiến thức trước đó về khu vực nghiên cứu Nhiều nghiên cứu cũng đã áp dụng sự kết hợp giữa phân loại không giám sát, phân loại có giám sát và khảo sát thực địa.

Trong phân loại có giám sát, nhà phân tích chọn mẫu huấn luyện cho từng lớp và sử dụng chúng để hướng dẫn máy tính xác định các khu vực có phổ tương đồng Việc lựa chọn mẫu huấn luyện có thể dựa trên dữ liệu thực địa hoặc kiến thức chuyên môn Các phương pháp phân loại có giám sát phổ biến bao gồm Hợp lý cực đại, Song song, Khoảng cách tối thiểu, Cây quyết định và Rừng ngẫu nhiên Trong đó, phương pháp phân loại hợp lý cực đại có sai số thấp hơn các phương pháp khác, giúp kết quả ước tính ít chịu ảnh hưởng bởi sai số trong tập mẫu và duy trì độ chính xác ngay cả khi số lượng mẫu tăng.

Phân loại hợp lý cực đại, với bản chất là một phương pháp thống kê, có khả năng cung cấp các số liệu phục vụ cho phân tích thống kê như chuẩn sai, phân phối chuẩn và ước lượng khoảng tin cậy Những dữ liệu này hỗ trợ hiệu quả cho công tác mô phỏng thảm phủ tương lai trong luận án.

Phương pháp phân loại được sử dụng trong luận án là Phân loại hợp lý cực đại (Maximum Likelihood Classification - MLC), một kỹ thuật phân loại có giám sát Phương pháp này dựa trên một tập hợp các pixel mẫu nhất định để xác định các pixel có đặc điểm quang phổ tương tự Tiếp theo, Định lý Bayes được áp dụng để quyết định các pixel khác thuộc cùng một lớp phủ Định lý Bayes là công thức toán học dùng để xác định xác suất có điều kiện của một sự kiện, dựa trên kết quả đã xảy ra trước đó của sự kiện.

Xác suất là một khái niệm quan trọng trong thống kê và xác suất Trong đó, \( P(A) \) đại diện cho xác suất xảy ra của sự kiện A, trong khi \( P(B) \) là xác suất xảy ra của sự kiện B Khi xem xét sự kiện B đã xảy ra, \( P(A|B) \) thể hiện xác suất xảy ra của sự kiện A Ngược lại, \( P(B|A) \) cho biết xác suất xảy ra của sự kiện B khi sự kiện A đã xảy ra Cuối cùng, \( P(A \cap B) \) là xác suất xảy ra đồng thời cả hai sự kiện A và B.

Trong bài toán phân loại lớp phủ, phương pháp Phân loại hợp lý cực đại MLC giả định rằng thống kê cho mỗi lớp trong mỗi dải băng phủ được phân phối chuẩn Phương pháp này tính xác suất cho một pixel cụ thể thuộc về một lớp phủ nhất định Tất cả các pixel đều được phân loại trừ khi có ngưỡng xác suất được chọn Mỗi pixel sẽ được gán cho lớp phủ có xác suất cao nhất, và quá trình tính toán cho mỗi pixel trong một bức ảnh được thực hiện thông qua một hàm xác định.

Trong đó: i là lớp phủ thứ i x là dữ liệu n-chiều (n là số band ảnh)

𝜌(𝜔 𝑖 ) là xác suất để lớp phủ (𝜔 𝑖 ) xuất hiện trong ảnh và được giả định là giống nhau cho tất cả các lớp phủ

|∑ 𝑖| là ma trận hiệp phương sai của dữ liệu trong lớp phủ (𝜔 𝑖 )

∑ 𝑖 −1 là ma trận nghịch đảo của |∑ 𝑖|

Giá trị trung bình vector (𝑚 𝑖) là một khái niệm quan trọng trong nguyên tắc MLC, được chứng minh qua các nghiên cứu của Foody và Strahler Phương pháp phân loại ảnh này được sử dụng rộng rãi và mang lại độ chính xác phân loại tương đối cao.

Trong luận án, dữ liệu Landsat được phân loại bằng phương pháp hợp lý cực đại, kết hợp với các dữ liệu phụ trợ như DEM, dữ liệu sử dụng đất, chỉ số thảm thực vật và phân tích hình ảnh từ ảnh Landsat Việc sử dụng ý kiến chuyên gia giúp nâng cao độ chính xác của quá trình phân loại.

2.1.1.2 Phương pháp mô phỏng, dự tính biến động trạng thái thảm phủ bằng phân tích chuỗi Markov

Mô phỏng biến động và dự báo thảm phủ đã được nghiên cứu trong nhiều năm, nhưng cải thiện độ chính xác dự báo vẫn là thách thức lớn cho các nhà khoa học Để xây dựng mô hình dự báo chuỗi thời gian hiệu quả, cần có sự kết nối giữa dữ liệu tương lai và dữ liệu lịch sử Việc thiết lập mối quan hệ giữa giá trị dữ liệu tại thời điểm t và các giá trị tại các thời điểm trước đó như t-1, t-2,… là rất quan trọng.

∝ 𝑝 ′ 𝑋 𝑡−𝑝 ′ = 𝜀 𝑡 + 𝜃 1 𝜀 𝑡−1 + ⋯ + 𝜃 𝑞 𝜀 𝑡−𝑞 ta được mô hình hồi quy tuyến tính ARIMA

Nhiều chuỗi thời gian không biến đổi tuyến tính, như biến đổi thảm phủ, đòi hỏi các mô hình dự báo phi tuyến tính Mặc dù có một số mô hình dự báo phi tuyến tính, chúng thường giả định dữ liệu tuân theo phân phối chuẩn Một lựa chọn khác là sử dụng mô hình mạng thần kinh nhân tạo (ANN), trong đó phương pháp vector học máy được áp dụng cho bài toán phân lớp và dự báo Tuy nhiên, nhược điểm lớn nhất của phương pháp này là yêu cầu tính toán khổng lồ khi tập đào tạo lớn, cũng như độ phức tạp của bài toán hồi quy tuyến tính Để khắc phục những hạn chế này, các mô hình kết hợp (hay mô hình lai) đã được phát triển nhằm nâng cao độ chính xác của dự báo Trong đó, mô hình sử dụng chuỗi Markov được kết hợp với các mô hình phi tuyến tính khác, như mô hình Cellular Automata, cho kết quả dự báo chính xác hơn so với việc chỉ sử dụng một mô hình đơn lẻ.

Phân tích chuỗi Markov, hay còn gọi là quá trình Markov, là quá trình chuyển đổi ngẫu nhiên của một hệ thống, trong trường hợp này là hệ thống thảm phủ sông Cả, từ trạng thái này sang trạng thái khác tại các bước thời gian từ ‘t’ đến.

Ma trận xác suất chuyển đổi được sử dụng để mô hình hóa sự thay đổi của các lớp thảm phủ qua các năm 2005, 2010 và 2015, với giả định rằng xác suất chuyển đổi chỉ phụ thuộc vào trạng thái hiện tại mà không liên quan đến các trạng thái trước đó Nghiên cứu này nhằm dự đoán thảm phủ cho năm 2030 dựa trên khả năng chuyển đổi giữa các lớp thảm phủ, thể hiện qua ma trận xác suất chuyển đổi.

Trong bài viết này, chúng ta xem xét ma trận xác suất chuyển đổi P, trong đó các giá trị P ij thể hiện xác suất chuyển đổi từ thảm phủ i sang thảm phủ j trong khoảng thời gian từ năm bắt đầu đến năm kết thúc Điều kiện 0 ≤ P ij ≤ 1 và tổng các xác suất từ i đến n phải bằng 1, với n là số lớp thảm phủ.

Ma trận xác suất chuyển đổi phải tuân thủ hai điều kiện quan trọng: (1) giá trị xác suất \( P_{ij} \) luôn phải lớn hơn hoặc bằng 0 và nhỏ hơn hoặc bằng 1, và (2) tổng giá trị xác suất \( P_{ij} \) từ 1 đến n phải bằng 1.

Phương pháp đánh giá tác động của thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy lưu vực sông Cả

Luận án đề xuất phương pháp luận mô phỏng biến động thảm phủ đến dòng chảy qua hai giai đoạn chính Đầu tiên, xây dựng mô hình dự đoán biến động thảm phủ trong tương lai bằng cách sử dụng mô hình tích hợp Markov - Cellular Automata Tiếp theo, phát triển mô hình mô phỏng tác động của biến động thảm phủ đến dòng chảy thông qua mô hình SWAT.

Hình 2.6 Khung nghiên cứu mô phỏng biến động thảm phủ và biến đổi khí hậu đến dòng chảy

Trong giai đoạn đầu tiên, ảnh Landsat được phân loại và các lớp LULC được chuẩn bị Giai đoạn thứ hai bao gồm việc tính toán ma trận xác suất chuyển đổi và các khu vực chuyển đổi thông qua phân tích chuỗi Markov, đồng thời thiết lập các yếu tố và ràng buộc cho từng loại sử dụng đất Hàm mờ được áp dụng cho từng yếu tố, với giá trị Boolean (0 hoặc 1) gán cho các ràng buộc Quy trình phân tích thứ bậc và so sánh theo cặp được sử dụng để xác định trọng số của từng yếu tố Hệ số trọng số và hệ số hạn chế Boolean được áp dụng trong hàm MCE-WLC để tạo bản đồ phù hợp cho từng loại LULC Trong giai đoạn thứ ba, tất cả các thành phần trước đó được đưa vào mô-đun Cellular Automata để xuất ra bản đồ LULC dự kiến cho giai đoạn tiếp theo (2015) Cuối cùng, trong giai đoạn đánh giá kết quả, bản đồ LULC dự kiến được so sánh với bản đồ LULC thực tế bằng hệ số Kappa Nếu kết quả đánh giá cho thấy thỏa thuận không đạt yêu cầu, các yếu tố trọng số và ràng buộc Boolean sẽ được xem xét lại; nếu không, mô hình đã sẵn sàng để dự đoán bản đồ LULC trong tương lai.

Giai đoạn mô phỏng lưu vực sẽ thu thập và phân tích dữ liệu khí tượng, thủy văn, và tài nguyên đất từ quá khứ, kết hợp với bản đồ LULC để thực hiện phân tích hồi quy và hiệu chỉnh tham số hóa mô hình Sau khi được hiệu chỉnh, mô hình sẽ được sử dụng để nghiên cứu quá trình mưa – dòng chảy và đánh giá tác động của biến động thảm phủ tới dòng chảy vào năm 2030, với dữ liệu đầu vào là LULC.

2030 và dữ liệu mưa nhiệt dự báo tới năm 2030

2.2.2 Quy trình mô phỏng sự thay đổi thảm phủ và dự tính kịch bản thảm phủ tương lai

Luận án áp dụng mô hình kết hợp Markov - Cellular Automata (Markov-CA) để dự đoán những biến đổi của LULC trong lưu vực sông Cả vào năm 2030 Quá trình tiền xử lý dữ liệu và thống nhất định dạng được thực hiện thông qua các phần mềm GIS.

Mô hình Markov-CA, hỗ trợ bởi phần mềm TerrSet do Clark Labs tại Đại học Clark phát triển, là một công cụ GIS tích hợp cho phép phân tích và mô hình hóa không gian hiệu quả Phần mềm này cung cấp khả năng giám sát và mô phỏng, giúp tối ưu hóa quy trình thực hiện mô phỏng một cách trực quan và dễ hiểu.

* MCE-WLC: Đánh giá đa tiêu chí-Kết hợp tuyến tính có trọng số Hình 2.7 Quy trình mô phỏng biến động thảm phủ

2.2.2.1 Xử lý và phân loại thảm phủ a) Thu thập, xử lý dữ liệu Để đánh giá một cách chính xác sự thay đổi LULC từ năm 2005 đến 2015, hình ảnh phản xạ bề mặt đã được hiệu chỉnh trong khí quyển Landsat 5 TM và Landsat 8 Operational Land Imager (OLI) và Cảm biến hồng ngoại nhiệt (TIRS) đã được thu thập từ trang web của Cục Khảo sát Địa chất Hoa Kỳ (USGS) Tất cả các cảnh đã được xác minh về độ chính xác hình học và tất cả dữ liệu được chiếu trên hệ quy chiếu WGS 1984, hệ tọa độ phẳng UTM vùng 48N Cụ thể các dữ liệu dùng để phân loại và kiểm định được nêu chi tiết trong mục 2.3 Dữ liệu sử dụng b) Tiền xử lý ảnh

Chuyển đổi giá trị cấp độ xám (DN) của ảnh Landsat thành giá trị bức xạ và phản xạ là một bước quan trọng trong việc phân tích dữ liệu hình ảnh Sau khi tải về, ảnh Landsat cần được chuyển đổi từ giá trị số DN sang giá trị vật lý của bức xạ tại cảm biến và giá trị phản xạ ở tầng khí quyển của đối tượng điều tra Việc này đặc biệt quan trọng trong việc xác định biến động, vì DN không có đơn vị đo lường cụ thể; cùng một đối tượng nhưng từ các cảm biến khác nhau hoặc thời gian chụp khác nhau sẽ cho ra các DN khác nhau Chuyển đổi giá trị này giúp giảm sự khác biệt giữa giá trị ghi lại trong ảnh và giá trị phản xạ phổ thực của bề mặt, giảm sự khác biệt giá trị phản xạ phổ của đối tượng giữa các loại cảm biến khác nhau, và giảm sự khác biệt giữa các cảnh ảnh khác nhau.

Gộp kênh ảnh vệ tinh giúp đơn giản hóa quá trình tổ hợp màu và chuyển đổi giá trị ảnh Phương pháp này giảm thiểu việc mở quá nhiều ảnh cùng lúc, từ đó giúp việc xử lý trở nên dễ dàng và hiệu quả hơn.

Một điểm nổi bật khác là khả năng nâng cao độ phân giải của ảnh Landsat sau khi gộp ảnh Điều này cho phép bạn có được một bức ảnh tích hợp nhiều kênh hình ảnh với độ phân giải không gian cao, thuận tiện cho việc áp dụng vào thực tiễn.

Tăng độ phân giải ảnh:

Trên mỗi ảnh Landsat 8 gồm 11 band ảnh trong đó :8 band có độ phân giải không gian là 30m, 1 band có độ phân giải không gian là 15m (kênh toàn sắc –band

8) và 2 band có độ phân giải không gian là 100m Sau khi ảnh được tải về, tiến hành chuẩn hóa và tổ hợp màu thì ảnh tổ hợp màu do bộ cảm OLI chụp có độ phân giải không gian là 30m Để nâng cao độ phân giải không gian của ảnh toàn sắc thường dùng kĩ thuật để trộn chúng với ảnh Panchromatic (Band 8) Sau khi trộn, độ phân giải không gian của ảnh tổ hợp màu là 15m, việc này giúp việc giải đoán các đối tượng vùng bờ dễ dàng hơn Ảnh sau khi được trộn một số đối tượng cần giải đoán có thể sáng quá hoặc tối quá Để khắc phục hiện tượng này cần phải tăng cường chất lượng ảnh

Ghép ảnh vệ tinh là một bước xử lý ảnh quan trọng, đặc biệt với ảnh vệ tinh Landsat, vì không phải lúc nào một tấm ảnh cũng bao quát toàn bộ khu vực nghiên cứu cần thiết Nếu không thực hiện ghép ảnh, việc xử lý từng tấm riêng lẻ sẽ tốn rất nhiều thời gian và công sức.

Tăng cường chất lượng ảnh:

Tăng cường chất lượng ảnh là quá trình xử lý nhằm làm nổi bật hình ảnh, giúp người xem dễ dàng nhận biết nội dung Tùy thuộc vào từng ứng dụng và loại ảnh cụ thể, người xử lý cần điều chỉnh độ sáng, mức độ tương phản, cũng như sử dụng các bộ lọc và phối màu phù hợp.

Tăng cường độ tương phản:

Các kênh ảnh vệ tinh thường có giá trị các phần tử ảnh phân bố hẹp so với khả năng hiển thị, với 8 bit cho phép hiển thị 256 giá trị Khi hiển thị, từng kênh ảnh có xu hướng tối hoặc sáng Tăng cường độ tương phản giúp biến đổi khoảng giá trị cấp độ xám của ảnh gốc về khoảng mà thiết bị hiển thị có thể thể hiện, từ đó cải thiện cấp độ xám của ảnh, tránh tình trạng quá sáng hoặc quá tối, và làm cho màu sắc đồng đều hơn.

Phần mềm ENVI cung cấp nhiều phép tính tự động để tăng cường độ tương phản của ảnh Để điều chỉnh mức độ tăng cường theo ý muốn, người dùng cần thực hiện các thao tác lựa chọn phù hợp.

Interactive Stretching cho phép người dùng tùy chọn từng kênh R/G/B để điều chỉnh mức độ kéo giãn, nhập khoảng giá trị cần thiết hoặc kết hợp kéo giãn với các thuật toán tăng cường tự động nhằm đạt được kết quả tối ưu.

Nắn chỉnh hình học:

Dữ liệu sử dụng

2.3.1 Dữ liệu sử dụng mô phỏng sự thay đổi thảm phủ và dự tính thảm phủ tương lai

2.3.1.1 Dữ liệu viễn thám Để nghiên cứu sự thay đổi của thảm phủ trong giai đoạn 2005-2015, cần phải xây dựng được các bản đồ thảm phủ của từng giai đoạn 2005-2010-2015 Các bản đồ này được xây dựng dựa trên dữ liệu hình ảnh LANDSAT của Cơ quan Khảo sát Địa chất Hoa Kỳ (USGS) Các ảnh thu thập được là LANDSAT 5 TM và LANDSAT 8 OLI/TIRS với cùng độ phân giải 30m (Bảng 2.3), trong đó ảnh của cột 127 hàng 47 là ảnh có độ phủ lớn nhất, xấp xỉ 80% diện tích toàn lưu vực sông

Ảnh được lựa chọn dựa trên tiêu chí độ che phủ mây thấp, không bị nhiễu, và thời gian giữa các ảnh không cách nhau quá xa, đặc biệt là ảnh 127-47 Ảnh Landsat 5 TM bao gồm sáu dải quang phổ với độ phân giải không gian cao.

Ảnh Landsat 8 OLI và TIRS bao gồm chín dải quang phổ với độ phân giải không gian 30 mét cho các dải tần từ 1 đến 7 và 9.

Dải 1 (ultra-blue) rất quan trọng cho nghiên cứu sol khí và vùng ven biển, trong khi băng tần 9 hữu ích để phát hiện mây ti, loại mây mỏng thường ảnh hưởng đến chất lượng hình ảnh Độ phân giải của Dải tần 8 (kênh toàn sắc) đạt 15 mét Các dải tần nhiệt 10 và 11 cung cấp thông tin chính xác hơn về nhiệt độ bề mặt với độ phân giải 100 mét Đối với phân loại LULC, các ảnh được thu thập như trong Bảng 2.3 sẽ là nguồn dữ liệu chính để phân loại thảm phủ cho vùng lưu vực sông Cả phía Lào, do hạn chế trong việc thu thập dữ liệu bên kia biên giới.

Các ảnh độ phân giải cao từ Google Earth và bản đồ hiện trạng sử dụng đất của Cục Khảo sát, Bản đồ và Thông tin Địa lý Việt Nam được sử dụng để xác thực và kiểm chứng kết quả phân loại.

Bảng 2.3 Danh sách các nguồn và loại dữ liệu sử dụng

Năm Loại tư liệu và độ phân giải

18 th May 2005 https://earthexplorer.us gs.gov/

127-47 18 th May 2005 128-46 23 rd April 2005 128-47 07 th April 2005

08 th Nov 2010 https://earthexplorer.us gs.gov/

127-47 08 th Nov 2010 128-46 21 st April 2010 128-47 30 th Oct 2010

30 th May 2015 https://earthexplorer.us gs.gov/

127-47 30 th May 2015 128-46 28 th Oct 2015 128-47 28 th Oct 2015

2.3.1.2 Mô hình số độ cao – DEM

Dữ liệu mô hình số độ cao toàn cầu ASTER 2.0 (GDEM 2.0) được phát triển bởi Bộ Kinh tế, Thương mại và Công nghiệp Nhật Bản (METI) cùng với Cơ quan Hàng không và Vũ trụ Hoa Kỳ (NASA), dựa trên thông tin thu thập từ Cơ quan Khảo sát Địa chất Hoa Kỳ.

GDEM 2.0, được công bố bởi METI và NASA vào giữa tháng 10/2011, kế thừa hầu hết các tính năng của GDEM 1.0 với độ phân giải 30 m, bao phủ từ vĩ độ 83° Bắc đến 83° Nam Đặc biệt, GDEM 2.0 có độ phân giải cao hơn nhờ vào việc sử dụng nhân tương quan 5x5 thay vì 9x9 như GDEM 1.0 Tổng độ chính xác của GDEM 2.0 đạt 17 m, cải thiện so với 20 m của GDEM 1.0, với độ chắc chắn lên đến 95%.

Dữ liệu DEM cho khu vực nghiên cứu được thu thập từ vĩ độ 18° đến 19° Bắc và kinh độ 103° đến 105° Đông Công cụ ArcSWAT được sử dụng để tính toán hướng dòng chảy, tích tụ dòng chảy, tạo khu vực tiểu lưu vực, cũng như thiết lập lưới dòng chảy và cửa xả.

2.3.1.3 Dữ liệu hiện trạng sử dụng đất

Bắt đầu từ năm 1999, theo Chỉ thị 24/1999/CT-TTg của Thủ tướng Chính phủ, việc kiểm kê đất đai đã được chỉ đạo và chính thức ban hành vào năm 2000 Kể từ đó, công tác kiểm kê và lập bản đồ hiện trạng sử dụng đất đã được thực hiện vào các năm 2005.

2010, 2015 (Hình 2.9) Số liệu kiểm kê đất đai và các bản đồ sử dụng đất này là tài liệu có giá trị trong phân loại LULC a) b) c)

Hình 2.9 Hiện trạng sử dụng đất lưu vực sông Cả (a) 2005; (b) 2010; (c) 2015

(nguồn Cục Đo đạc, Bản đồ và Thông tin địa lý Việt Nam)

Bản đồ hiện trạng sử dụng đất thể hiện sự phân bố các loại đất theo mục đích sử dụng tại thời điểm kiểm kê Để lập bản đồ này, cần dựa vào bản đồ địa chính và đối chiếu với dữ liệu thực địa cùng số liệu kiểm kê đất đai Nếu chưa có bản đồ địa chính, ảnh hàng không hoặc ảnh vệ tinh có độ phân giải cao sẽ được sử dụng kết hợp với dữ liệu thực địa để tạo ra bản đồ hiện trạng Trong trường hợp không có bản đồ nào, bản đồ hiện trạng từ thời kỳ trước sẽ được kiểm tra lại với dữ liệu thực địa và số liệu kiểm kê đất đai.

Thảm phủ bề mặt được phân loại theo mục đích sử dụng, bao gồm nông nghiệp, lâm nghiệp, nuôi trồng thủy sản, làm muối, xây dựng và các lĩnh vực chuyên dụng như quốc phòng, an ninh, giao thông, y tế và giáo dục Các loại thảm phủ này có thể được tổ chức thành năm lớp chính: Rừng, Nông nghiệp, Xây dựng, Vùng nước và Đất trống, như đã trình bày trong Bảng 1, mục Đối tượng nghiên cứu.

2.3.1.4 Dữ liệu quy hoạch sử dụng đất

Quy hoạch sử dụng đất là quá trình phân bổ và khoanh vùng đất đai nhằm phát triển kinh tế - xã hội, quốc phòng, an ninh, bảo vệ môi trường và thích ứng với biến đổi khí hậu Việc này dựa trên tiềm năng đất đai và nhu cầu sử dụng của các ngành, lĩnh vực tại từng vùng kinh tế - xã hội và đơn vị hành chính trong một khoảng thời gian nhất định.

Mặc dù Luật Đất đai năm 2013 quy định việc lập và công bố bản đồ quy hoạch sử dụng đất, hiện tại chỉ một phần nhỏ các bản đồ này đã được hoàn thiện tại các tỉnh, cụ thể là 9/13 huyện/thị xã ở Hà Tĩnh và 15/21 huyện/thị xã ở Nghệ An Tuy nhiên, thông tin vẫn có thể được thu thập thông qua các Nghị quyết và Quyết định về quy hoạch sử dụng đất cũng như phát triển kinh tế xã hội của các tỉnh Mặc dù không có sự hỗ trợ về mặt không gian, những dữ liệu liên quan đến mục tiêu phát triển kinh tế xã hội cùng các chỉ tiêu diện tích và cơ cấu (%) quy hoạch sử dụng đất vẫn đóng vai trò quan trọng trong việc xây dựng các quy tắc chuyển đổi.

Hình 2.10 Quy hoạch sử dụng đất Nghệ An – Hà Tĩnh 2020 2.3.1.5 Dữ liệu thực địa

Dữ liệu thực địa được thu thập nhằm phân loại và kiểm chứng kết quả phân loại, với tổng số 120 mẫu Phân loại thảm phủ được thực hiện cho ba thời kỳ 2005, 2010 và 2015, trong đó các khu vực lấy mẫu trải qua thay đổi, như khu vực phục hồi sau hỏa hoạn, sẽ bị loại trừ khỏi điều tra Thông qua tham khảo ý kiến của người dân địa phương, năm lớp thảm phủ được chọn lấy mẫu bao gồm: Rừng, Nông nghiệp, Xây dựng, Vùng nước và Đất trống, với khoảng 20 mẫu dữ liệu cho mỗi lớp Một số dữ liệu thử nghiệm cũng được lựa chọn và thu thập thêm bằng phương pháp chuyên gia thông qua việc sử dụng công cụ Google Maps với thuật toán điểm ngẫu nhiên.

Hình 2.11 cho thấy vị trí các điểm thực địa trong khu vực sông Cả Mục 2.3.2 trình bày dữ liệu được sử dụng để mô phỏng dòng chảy của lưu vực dưới ảnh hưởng của sự thay đổi thảm phủ và biến đổi khí hậu.

Hình 2.12 Dữ liệu DEM lưu vực sông Cả

Tiểu kết chương 2

Chương 2 trình bày các cơ sở khoa học cho luận án, khẳng định rằng việc mô phỏng và dự tính thảm phủ tương lai năm 2030 bằng mô hình M-CA là khả thi về lý thuyết Đồng thời, việc kết hợp hai kịch bản biến đổi khí hậu và thảm phủ tương lai vào mô hình SWAT để đánh giá dòng chảy lưu vực sông Cả cũng đảm bảo độ tin cậy khoa học.

Phương pháp luận để thực hiện mô phỏng và đánh giá dòng chảy lưu vực sông Cả được xây dựng dựa trên các cơ sở khoa học vững chắc và mang tính kế thừa Quy trình thực hiện được trình bày rõ ràng, bao gồm từng bước từ thu thập và xử lý dữ liệu đến kiểm định, hiệu chỉnh và đưa vào mô phỏng Đặc biệt, phương pháp xây dựng các tác nhân, ràng buộc và quy tắc chuyển đổi nhằm dự tính kịch bản thảm phủ tương lai cho lưu vực sông Cả được chú trọng trong luận án Phương pháp mô phỏng tác động của thay đổi thảm phủ đến dòng chảy được kế thừa từ các nghiên cứu trước đây.

Mô hình SWAT đã được sử dụng để mô phỏng đồng bộ các số liệu Kịch bản thảm phủ và Kịch bản biến đổi khí hậu tương lai, đảm bảo tính phù hợp về không gian và thời gian Điều này góp phần nâng cao độ chính xác trong việc dự đoán dòng chảy tương lai.

ĐÁNH GIÁ TÁC ĐỘNG CỦA THAY ĐỔI THẢM PHỦ VÀ BIẾN ĐỔI KHÍ HẬU ĐẾN DÒNG CHẢY LƯU VỰC SÔNG CẢ

Mô phỏng sự thay đổi thảm phủ theo không gian, thời gian cho lưu vực sông Cả

Để mô phỏng biến động thảm phủ theo không gian và thời gian cho lưu vực sông Cả, quy trình mô phỏng được thực hiện qua các bước cụ thể, với kết quả chi tiết cho từng bước như sau:

Các ảnh Landsat 5 TM và Landsat 8 OLI cùng với cảm biến TIRS đã được thu thập và hiệu chỉnh về độ chính xác hình học theo hệ quy chiếu WGS 1984, UTM múi 48N Sau khi trải qua các bước tiền xử lý, các ảnh được xếp chồng và phân tích bằng phần mềm ENVI và ArcGIS, đồng thời phân loại bằng thuật toán hợp lý cực đại (MLC) Kết quả phân loại được trình bày trong Hình 3.1.

Hình 3.1 Bản đồ phân loại thảm phủ lưu vực sông Cả

Từ năm 2005 đến 2015, độ chính xác của dữ liệu phân loại đã được đánh giá thông qua 175 mẫu thử nghiệm Trong số đó, 90 mẫu là các điểm GPS thu thập tại thực địa, trong khi phần còn lại được chọn ngẫu nhiên từ Google Maps, sử dụng hình ảnh vệ tinh QuickBird và IKONOS với độ phân giải rất cao.

Trong thời kỳ phân loại, các số liệu được cung cấp một cách trực quan, cho phép người đọc dễ dàng nắm bắt thông tin Nghiên cứu đã tiến hành tính toán và đánh giá các chỉ số PA, UA, CA và Kappa cho dữ liệu phân loại trong các năm.

2005, 2010 và 2015 Kết quả được trình bày trong Bảng 3.1

Bảng 3.1 Đánh giá độ chính xác phân loại thảm phủ

PA (%) UA (%) PA (%) UA (%) PA (%) UA (%) Nông nghiệp 68.40 74.28 77.77 80.00 83.33 85.71

Độ chính xác của nhà sản xuất (PA) và độ chính xác của người dùng (UA) cho mỗi lớp phủ đều đạt trên 75% trong các kết quả phân loại năm 2010 và 2015 Đặc biệt, năm 2005, PA của nông nghiệp chỉ đạt 68,40% và UA của đất trống chỉ đạt 65,71%, trong khi PA và UA của các lớp phủ khác vẫn duy trì trên 75% trong cả ba năm Tổng thể, độ chính xác phân loại của dữ liệu cho các năm 2005 cho thấy sự chênh lệch trong các lớp phủ khác nhau.

Từ năm 2010 đến 2015, tỷ lệ phân loại lần lượt đạt 77,14%, 85,71% và 90,86% Chỉ số Kappa cho các năm 2005, 2010 và 2015 lần lượt là 0,71, 0,82 và 0,88 Chỉ số CA và Kappa của năm 2005 tương đối thấp hơn so với các năm khác, điều này có thể được giải thích bởi dữ liệu kiểm tra được thu thập vào năm 2018, dẫn đến sự khác biệt nhất định so với năm 2005.

3.1.2 Tính toán ma trận xác suất chuyển đổi, ma trận diện tích chuyển đổi

Các ma trận được tính toán thông qua việc lập bảng so sánh chéo giữa các cặp ảnh thảm phủ trong các giai đoạn 2005 - 2010 và 2010 - 2015 Những ảnh này đã được điều chỉnh sai số tỷ lệ, với mức sai số trong trường hợp Phân loại hợp lý cực đại là 0,15 Kết quả là một tập ảnh thể hiện xác suất chuyển đổi, trong đó mỗi tập ảnh bao gồm các cặp lớp phủ như Rừng 2005 - Rừng.

Vào năm 2010, các nghiên cứu về rừng và nông nghiệp từ năm 2005 đến 2010 đã được thực hiện, tương tự như giai đoạn 2010 - 2015 Phần mềm TerrSet hỗ trợ tính toán các ma trận xác suất chuyển đổi và ma trận diện tích chuyển đổi từ các tập ảnh này Kết quả tính toán được trình bày trong Bảng 3.2 và Bảng 3.3.

Bảng 3.2 Ma trận xác suất chuyển đổi giai đoạn 2005 - 2010 và 2010 - 2015 lưu vực sông Cả (%)

Bảng 3.2 chỉ ra rằng trong giai đoạn 2005-2010, khả năng chuyển đổi của đất nông nghiệp và đất trống cao hơn so với rừng, đất xây dựng và vùng nước Đặc biệt, đất xây dựng và vùng nước chỉ có khoảng 15% khả năng chuyển đổi thành các loại đất che phủ khác trong giai đoạn 2010-2015.

Ma trận diện tích chuyển đổi ghi lại số ô hoặc pixel dự báo sẽ thay đổi từ lớp thảm phủ này sang lớp thảm phủ khác trong giai đoạn tiếp theo Ma trận này được tạo ra bằng cách nhân các cột trong ma trận xác suất chuyển đổi với số pixel của lớp thảm phủ tương ứng được tính trong ảnh thứ hai Kết quả của ma trận diện tích chuyển đổi được trình bày trong Bảng 3.3.

Bảng 3.3 Ma trận diện tích chuyển đổi giai đoạn 2005 - 2010 và 2010 - 2015 lưu vực sông Cả (pixel)

Nông nghiệp (pixel) Đất trống (pixel)

Bảng 3.3 cung cấp cái nhìn rõ nét về sự biến đổi số lượng pixel giữa các lớp khác nhau Đặc biệt, lớp rừng cho thấy sự thay đổi lớn nhất trong cả hai giai đoạn, tiếp theo là lớp nông nghiệp Ngược lại, lớp vùng nước có sự thay đổi ít nhất.

3.1.3 Xác định các tác nhân, ràng buộc để mô phỏng thay đổi thảm phủ về mặt không gian

Một Cellular Automaton (CA) bao gồm bốn thành phần chính: (1) không gian lưới L nơi mô hình hoạt động, (2) trạng thái ô Q trong không gian lưới, (3) quy tắc chuyển đổi f xác định quá trình chuyển đổi không gian, và (4) trạng thái của vùng lân cận ∆ ảnh hưởng đến ô trung tâm Trong đó, quy tắc chuyển đổi f đóng vai trò quan trọng nhất, ảnh hưởng lớn đến độ chính xác của mô hình.

Quy tắc chuyển đổi f được hình thành từ mối liên hệ giữa các yếu tố kinh tế xã hội, sinh thái và không gian, chẳng hạn như đất xây dựng có xu hướng phát triển gần đường xá Ngoài ra, còn có các ràng buộc đối với từng loại lớp phủ, ví dụ như các khu vực rừng được quy hoạch để bảo tồn Do đó, các yếu tố ảnh hưởng và ràng buộc là hai thành phần quyết định đến quy tắc chuyển đổi f Những quy tắc này được thể hiện qua các bản đồ tính phù hợp, mỗi bản đồ tương ứng với một lớp phủ, cho thấy khả năng chuyển đổi của các pixel thảm phủ về mặt không gian dựa trên số lượng pixel đã được xác định trong mô hình Markov Khả năng chuyển đổi này nằm trong khoảng từ 0 đến 255, trong đó 255 tương ứng với khả năng cao nhất và 0 là thấp nhất.

Việc lựa chọn các tác nhân và ràng buộc ảnh hưởng đến sự thay đổi thảm phủ không gian phụ thuộc vào điều kiện tự nhiên và kinh tế - xã hội của lưu vực sông nghiên cứu Quá trình này được thực hiện thông qua việc tham vấn ý kiến của các chuyên gia bằng phương pháp Delphi.

Danh mục các tác nhân và ràng buộc được tổng hợp từ các nghiên cứu trước đây, trong đó nghiên cứu của Agarwal đã xem xét 19 mô hình mô phỏng thay đổi thảm phủ, chia thành ba nhóm: mô hình sinh lý, mô hình không gian-thời gian và mô hình hỗ trợ quyết định Mô hình MCA thuộc nhóm không gian-thời gian với bốn tác nhân: độ cao, độ dốc, đường xá và phạm vi khu đô thị Nghiên cứu của Hao Wu sử dụng phương pháp Machine Learning, cụ thể là Rừng ngẫu nhiên, để xác định các tác nhân chính ảnh hưởng đến thảm phủ trong giai đoạn 2010-2020 Nghiên cứu đã đánh giá 24 tác nhân, bao gồm 3 tác nhân lý sinh (độ cao, độ dốc, địa mạo) và 21 tác nhân con người, được phân thành 6 mục chính Kết quả cho thấy độ cao, địa mạo, dịch vụ kinh doanh và hạ tầng nông nghiệp là các tác nhân quan trọng nhất trong thay đổi sử dụng đất, với các tác nhân lý sinh ảnh hưởng mạnh đến đất tự nhiên và các tác nhân con người ảnh hưởng lớn đến đất xây dựng và đất trống.

Kết hợp với các nghiên cứu như Araya & Cabral, 2010; Arsanjani, 2011; Balzter, 1998; Behera, 2012; Guan, 2011; Hadi Memarian, 2012; Halmy, 2015; Houet & Hubert-Moy, 2006; Jokar Arsanjani, 2013; Louca, 2015; Lu Q., 2018; Moreno, 2009; Palmate, 2017; Rimal, 2017; Shafizadeh Moghadam, 2013; Veldkamp, 2001 [39], [42], [44], [54], [60], [61], [62], [64], [71], [81], [82], [86],

Đánh giá tác động của thay đổi thảm phủ và biến đổi khí hậu đến dòng chảy lưu vực sông Cả

3.2.1 Phân chia tiểu lưu vực Định nghĩa lưu vực được chia thành năm bước:

1 Thiết lập bản đồ mô hình số độ cao DEM,

2 Định nghĩa sông (Stream Definition),

3 Xác định cửa đổ nước vào/ra của tiểu lưu vực (Outlet and Inlet Definition)

4 Lựa chọn cửa thoát nước của lưu vực (Watershed Outlets selection and Definition)

5 Tính toán các tham số của tiểu lưu vực (Calculation of Subbasin Parameters)

Trong quá trình phân chia lưu vực, có hai phương pháp xác định mạng lưới sông ngòi trong SWAT: (1) dựa trên bản đồ độ cao số DEM và (2) sử dụng bản đồ lưu vực cùng mạng lưới sông ngòi có sẵn Luận án này sử dụng dữ liệu DEM của lưu vực sông Cả và lựa chọn phương pháp (1) để mô hình tự động phân chia các tiểu lưu vực.

Sau khi lựa chọn phương pháp dựa trên DEM, mô hình sẽ xác định hướng dòng chảy và tích lũy dòng chảy, nhằm phục vụ cho việc xác định mạng lưới sông ngòi và ranh giới lưu vực.

Bước tiếp theo là xác định diện tích giới hạn để xác định nguồn nước của sông ngòi Diện tích giới hạn càng nhỏ, mạng lưới sông ngòi mà mô hình tự động tạo ra sẽ càng chi tiết hơn.

Dựa trên mạng lưới dòng chảy đã được mô phỏng, chúng ta sẽ chọn điểm đầu ra (cửa xả) cho toàn bộ lưu vực Cuối cùng, mô hình sẽ thực hiện tính toán các thông số của các tiểu lưu vực và các đoạn sông suối Khi quá trình tính toán các thông số hoàn tất, việc phân chia ranh giới lưu vực sẽ được hoàn thành.

Kết quả phân định lưu vực là chia lưu vực thành các tiểu lưu vực

Hình 3.7 Bản đồ phân chia các tiểu lưu vực

3.2.2 Phân tích đơn vị thủy văn HRU

Tiểu lưu vực có thể được chia thành các đơn vị thủy văn, trong đó các cell trong mỗi đơn vị này đồng nhất về thuộc tính sử dụng đất và quản lý SWAT giả định rằng không có sự tác động lẫn nhau giữa các đơn vị thủy văn trong tiểu lưu vực, với các quá trình rửa trôi, bồi lắng và di chuyển dinh dưỡng được tính toán độc lập cho từng đơn vị Kết quả của các quá trình này sau đó sẽ được tổng hợp cho toàn bộ tiểu lưu vực, giúp tăng độ chính xác dự báo Thông thường, mỗi tiểu lưu vực có từ 1 đến 12 đơn vị thủy văn.

Sau khi phân định lưu vực thành công, bản đồ sử dụng đất và đất được đưa vào SWAT Giá trị mã số của từng loại hình sử dụng đất được gán theo bảng mã của SWAT và phân chia lại Độ dốc, yếu tố quan trọng xác định lượng nước, sự di chuyển bồi lắng, rửa trôi và dinh dưỡng, trong lưu vực được chia thành 5 lớp: lớp 1 từ 0 - 8%; lớp 2 từ 8 - 16%; lớp 3 từ 16 - 23%; lớp 4 từ 23 - 35%; và lớp 5 trên 35%.

Bước tiếp theo trong phân tích HRU là định nghĩa HRUs Có ba cách xác định HRUs

(1)Sử dụng đất chiếm ưu thế, đất, độ dốc ;

(2) chọn một HRU chiếm ưu thế;

(3) số lượng mục tiêu HRUs,

Phương pháp (4) được lựa chọn vì nó mô tả rõ ràng hơn tính không đồng nhất trong lưu vực và mô phỏng chính xác hơn các quá trình thủy văn.

Kết quả phân loại sử dụng đất, thổ nhưỡng theo SWAT, phân cấp độ dốc hiển thị như hình 3.8

Hình 3.8 Kết quả phân loại sử dụng đất, thổ nhưỡng, phân cấp độ dốc

Bước cuối cùng là thiết lập ngưỡng diện tích sử dụng đất, thổ nhưỡng và độ dốc tương ứng là 30%, 30%, 20%

Hình 3.9 Định nghĩa đơn vị thủy văn

3.2.3 Thiết lập dữ liệu đầu vào mô hình

Dữ liệu thời tiết cần thiết cho mô hình SWAT bao gồm lượng mưa, nhiệt độ không khí lớn nhất và nhỏ nhất, bức xạ mặt trời, tốc độ gió và độ ẩm tương đối Những dữ liệu này có thể được đưa vào SWAT từ các số liệu quan trắc hàng ngày trong quá khứ tại các trạm đo trên hoặc gần lưu vực.

Dữ liệu nghiên cứu được thu thập bao gồm lượng mưa hàng ngày qua các năm cùng với các yếu tố khí tượng như nhiệt độ không khí lớn nhất và nhỏ nhất, bức xạ Mặt Trời, tốc độ gió và độ ẩm tương đối.

Sau khi mô phỏng dữ liệu khí hậu, bước tiếp theo là thiết lập các dữ liệu đầu vào cần thiết để chạy mô hình SWAT

Hình 3.10 Nhập dữ liệu khí tượng

Chạy mô hình: Sau khi đã thiết lập xong dữ liệu khí tượng, tiến hành chạy mô hình Thời gian tính toán mô phỏng từ ngày 01/01/2000 đến 31/12/2016

Hình 3.11 Thiết lập các tùy chọn và chạy mô hình

3.2.4 Hiệu chỉnh, kiểm định, xác định bộ thông số mô phỏng 3.2.4.1 Phân tích độ nhạy các thông số

Mô hình SWAT là một hệ thống bán phân bố với các tham số biến đổi theo không gian, do đó, phân tích độ nhạy trở thành bước quan trọng để xác định các thông số ảnh hưởng quyết định đến kết quả mô phỏng Việc này giúp việc hiệu chỉnh mô hình trở nên thuận tiện hơn, chỉ cần tập trung vào các thông số có độ nhạy cao.

Phân tích độ nhạy dựa trên dòng chảy mặt cho thấy các thông số nhạy nhất trong mô phỏng thủy văn là CN2, ALPHA_BF, GW_DELAY và GWQMN Bốn thông số này đã được lựa chọn để hiệu chỉnh thông qua SWAT-CUP.

3.2.4.2 Hiệu chỉnh, kiểm định kết quả mô phỏng Để kiểm tra khả năng của mô hình, bước hiệu chỉnh và kiểm nghiệm cần phải được tiến hành Không chỉ đánh giá trực quan thông qua biểu đồ so sánh lưu lượng thực đo và mô phỏng, các chỉ số thống kê cũng cần được tính toán và xem xét Ba chỉ tiêu để đánh giá mô hình thủy văn đó là: hệ số hiệu quả Nash & Sutcliffe, hệ số bình phương R 2 và PBIAS

Chỉ tiêu phân loại mức độ chính xác của kết quả mô phỏng thủy văn (nguồn

Rất tốt 0.75< NSE & R 2 ≤ 1 |PBIAS|