Ứng dụng tư liệu vệ tinh trong nghiên cứu tai biến thiên nhiên tại việt nam: tiếp cận, phương pháp và triển vọng

1. GIỚI THIỆU

Việt Nam là một trong những quốc gia có mức độ phơi lộ cao nhất thế giới trước các loại hình tai biến thiên nhiên. Với địa hình phức tạp kéo dài theo chiều kinh tuyến, bờ biển dài hơn 3.200 km và chịu ảnh hưởng của chế độ khí hậu nhiệt đới gió mùa, lãnh thổ Việt Nam thường xuyên phải đối mặt với lũ lụt, trượt lở đất, hạn hán, bão và xói lở bờ biển. Theo số liệu thống kê của Tổng cục Phòng chống thiên tai, mỗi năm thiên tai gây thiệt hại kinh tế ước tính từ 1 đến 2% GDP và cướp đi hàng trăm sinh mạng con người.

Trong bối cảnh biến đổi khí hậu toàn cầu đang diễn ra ngày càng phức tạp, việc nâng cao năng lực dự báo, cảnh báo sớm và ứng phó với tai biến thiên nhiên là một trong những ưu tiên hàng đầu của chiến lược phát triển bền vững quốc gia. Công nghệ viễn thám và hệ thông tin địa lý (GIS) đã được chứng minh là những công cụ hữu hiệu và hiệu quả về chi phí trong việc quan trắc, đánh giá và quản lý rủi ro thiên tai ở quy mô khu vực đến toàn cầu.

Từ những thập kỷ cuối thế kỷ 20, viễn thám đã được ứng dụng vào nghiên cứu tai biến địa chất tại Việt Nam, ban đầu chủ yếu qua phân tích ảnh Landsat để nghiên cứu cấu trúc địa chất và trượt lở dọc các tuyến đường miền núi (Ngoi và Ha, 2008). Sự ra đời của các thế hệ vệ tinh mới như Sentinel (ESA), Landsat 8/9 (NASA/USGS), ALOS-2 (JAXA) và đặc biệt là sự phát triển mạnh mẽ của trí tuệ nhân tạo đã mở ra những khả năng chưa từng có trong việc xử lý và phân tích dữ liệu không gian quy mô lớn, đáp ứng yêu cầu giám sát thời gian thực với độ chính xác cao.

Bài báo này nhằm mục tiêu hệ thống hóa các cách tiếp cận và phương pháp ứng dụng tư liệu vệ tinh trong nghiên cứu tai biến thiên nhiên tại Việt Nam, đồng thời đánh giá triển vọng và thách thức trong thời gian tới. Bài báo tập trung vào ba nhóm tai biến chính là lũ lụt, trượt lở đất và hạn hán - những tai biến gây thiệt hại nặng nề nhất và có tiềm năng lớn nhất trong việc ứng dụng viễn thám.

2. TƯ LIỆU VỆ TINH SỬ DỤNG TRONG NGHIÊN CỨU TAI BIẾN

2.1. Tổng quan về các nguồn dữ liệu vệ tinh

Các nghiên cứu tai biến thiên nhiên tại Việt Nam hiện nay khai thác đa dạng nguồn tư liệu vệ tinh, từ dữ liệu quang học đa phổ đến radar khẩu độ tổng hợp (SAR). Mỗi loại tư liệu có những ưu điểm và hạn chế riêng, do đó việc kết hợp đa nguồn dữ liệu thường mang lại kết quả tốt hơn so với sử dụng đơn lẻ.

Dữ liệu quang học, điển hình là Landsat 8/9 và Sentinel-2, cung cấp thông tin phong phú về bề mặt đất thông qua nhiều kênh phổ từ khả kiến đến hồng ngoại gần và hồng ngoại sóng ngắn. Các chỉ số viễn thám như NDVI, NDWI, MNDWI có thể được chiết xuất dễ dàng từ các ảnh này để phục vụ giám sát lũ lụt, đánh giá thiệt hại thảm thực vật và xác định hạn hán. Ảnh Landsat 8 đã được ứng dụng rộng rãi trong nghiên cứu độ ẩm đất tại khu vực Tây Nguyên (Ngô Thị Dinh và Nguyễn Thị Thu Hà, 2018) cũng như theo dõi biến động lớp phủ mặt đất theo chuỗi thời gian.

Bảng 1. Đặc điểm các nguồn tư liệu vệ tinh chính được sử dụng trong nghiên cứu tai biến thiên nhiên tại Việt Nam

Nguồn: Tổng hợp từ các công bố khoa học, 2015 - 2024

Dữ liệu SAR, đặc biệt là Sentinel-1 (băng C) và ALOS-2 PALSAR-2 (băng L), đóng vai trò then chốt trong giám sát lũ lụt nhờ khả năng thu nhận xuyên mây và hoạt động độc lập với điều kiện chiếu sáng. Khi lũ lụt xảy ra, bề mặt nước mở tạo ra tán xạ gương, làm giảm mạnh tín hiệu phản xạ ngược trong ảnh SAR so với vùng đất khô. Sự khác biệt này được khai thác để chiết xuất ranh giới ngập lụt với độ chính xác cao, ngay cả trong điều kiện trời nhiều mây mà ảnh quang học không thể quan sát được (Dang và Kumar, 2017).

Gần đây, vệ tinh ASNARO-2 của Nhật Bản với độ phân giải cao đã được ứng dụng trong lập bản đồ lũ lụt quy mô lớn tại tỉnh Quảng Nam bằng cách kết hợp với các mô hình học sâu như U-Net, LinkNet, PSPNet và DeepLabV3Plus, đạt kết quả phân đoạn vùng ngập lụt với độ chính xác vượt trội so với phương pháp ngưỡng truyền thống (Dung và cs., 2025).

2.2. Chỉ số viễn thám trong đánh giá tai biến

Các chỉ số viễn thám đóng vai trò quan trọng như các biến điều kiện trong bản đồ nhạy cảm tai biến. Một số chỉ số được sử dụng phổ biến nhất bao gồm:

• NDVI (Normalized Difference Vegetation Index): phản ánh mật độ và sức khỏe thảm thực vật, đặc biệt hữu ích trong đánh giá tổn thất do lũ lụt và trượt đất;

• MNDWI (Modified Normalized Difference Water Index): phân biệt vùng ngập nước với vùng đất, rất hiệu quả trong lập bản đồ lũ lụt đô thị;

• NDMI (Normalized Difference Moisture Index): ước tính độ ẩm lớp phủ thực vật, thường được dùng trong giám sát hạn hán;

- BSI (Bare Soil Index): xác định vùng đất trống, hỗ trợ đánh giá nguy cơ trượt lở và xói mòn đất.

3. ỨNG DỤNG TRONG NGHIÊN CỨU LŨ LỤT

3.1. Giám sát và lập bản đồ lũ lụt

Lũ lụt là loại hình tai biến gây thiệt hại lớn nhất tại Việt Nam, đặc biệt ở vùng đồng bằng sông Cửu Long và miền Trung. Ứng dụng viễn thám trong nghiên cứu lũ lụt tại Việt Nam đã trải qua nhiều thế hệ phát triển, từ phân tích ảnh thị giác đơn giản đến tích hợp dữ liệu đa nguồn trong các mô hình học máy và học sâu phức tạp.

Ảnh SAR đã được sử dụng rộng rãi để lập bản đồ phạm vi ngập lụt trong điều kiện thời tiết xấu - điều mà ảnh quang học không thể thực hiện được. Kỹ thuật so sánh ảnh trước và sau sự kiện lũ (change detection) kết hợp ngưỡng phân loại và phân tích kết cấu ảnh (texture analysis) cho phép chiết xuất ranh giới ngập lụt tự động với độ chính xác cao. Nghiên cứu của Dang và Kumar (2017) đã ứng dụng kết hợp viễn thám và mô hình thủy văn để phân tích rủi ro lũ tại Thành phố Hồ Chí Minh, cho thấy tiềm năng lớn của phương pháp tiếp cận đa nguồn dữ liệu.

Tại khu vực miền Trung Việt Nam - nơi thường xuyên chịu ảnh hưởng của bão và lũ quét - các nghiên cứu sử dụng kết hợp dữ liệu Landsat, Sentinel-1 và mô hình số độ cao (DEM) từ SRTM hoặc TanDEM-X đã cho phép xây dựng bản đồ nhạy cảm lũ lụt với AUC đạt 0,95-0,99 (Nguyễn H.D. và cs., 2022). Sự kiện lũ lịch sử tháng 10 năm 2020 tại tỉnh Thừa Thiên Huế, khi mực nước sông Bồ vượt đỉnh lũ năm 1999, đã được nghiên cứu chi tiết thông qua tư liệu vệ tinh đa thời kỳ, góp phần hiểu rõ hơn mối quan hệ giữa mất rừng và gia tăng rủi ro lũ lụt (Nguyễn H.D. và cs., 2022).

3.2. Đánh giá tính nhạy cảm lũ lụt bằng học máy

Bản đồ nhạy cảm lũ lụt (Flood Susceptibility Mapping - FSM) là công cụ quan trọng trong quy hoạch sử dụng đất và phòng chống thiên tai. Các phương pháp học máy kết hợp với dữ liệu vệ tinh đã đạt được những tiến bộ vượt bậc trong lĩnh vực này.

Nghiên cứu về đánh giá tính nhạy cảm lũ lụt tại Hà Nội (Do và cs., 2025) đã tích hợp ảnh viễn thám độ phân giải cao với mô hình mạng nơ-ron nhân tạo (ANN) được tối ưu hóa bằng thuật toán di truyền (GA), kết hợp 14 yếu tố điều kiện bao gồm độ dốc, độ cao, lưu vực, khoảng cách đến sông, lớp phủ đất và mật độ đô thị hóa. Kết quả cho thấy mô hình ANN-GA đạt độ chính xác vượt trội so với các phương pháp học máy truyền thống. Nghiên cứu này đặc biệt có ý nghĩa trong bối cảnh đô thị hóa nhanh chóng tại Hà Nội đang làm gia tăng rủi ro ngập lụt đô thị.

Nghiên cứu đa tai biến tại khu vực Bắc Trung Bộ (Nguyễn C.C. và cs., 2023) đã đồng thời đánh giá nguy cơ lũ lụt và trượt lở đất bằng ba thuật toán là Support Vector Machine (SVM), Random Forest (RF) và AdaBoost. Tập dữ liệu bao gồm 4.591 điểm lũ lụt, 1.315 điểm trượt lở và 13 yếu tố điều kiện chiết xuất từ ảnh vệ tinh và dữ liệu địa không gian. Kết quả AUC của SVM đạt 0,98-0,99, xác nhận khả năng ứng dụng thực tiễn cao của hướng tiếp cận này.

Đánh giá ảnh hưởng của biến động lớp phủ đất đến nguy cơ lũ lụt tại tỉnh Thừa Thiên Huế (Nguyễn H.D. và cs., 2022) đã sử dụng kết hợp dữ liệu Landsat theo chuỗi thời gian, mô hình thay đổi sử dụng đất LCM và thuật toán SVM, RF để dự báo mức độ ngập lụt trong các kịch bản biến đổi khí hậu và biến động đất đai đến năm 2030. Kết quả khẳng định vai trò quan trọng của rừng nguyên sinh trong việc giảm nguy cơ lũ lụt và nhấn mạnh sự cần thiết tích hợp thông tin lớp phủ đất từ viễn thám vào quy hoạch phòng chống thiên tai.

4. ỨNG DỤNG TRONG NGHIÊN CỨU TRƯỢT LỞ ĐẤT

4.1. Đánh giá trượt lở bằng viễn thám và GIS

Trượt lở đất là tai biến phổ biến và nguy hiểm ở vùng núi phía Bắc và miền Trung Việt Nam, gây ra thiệt hại nghiêm trọng về người và cơ sở hạ tầng, đặc biệt trong mùa mưa bão. Ứng dụng viễn thám trong nghiên cứu trượt lở đất tại Việt Nam bắt đầu từ những năm đầu thập kỷ 2000 với việc phân tích mối quan hệ giữa cấu trúc địa chất và đặc điểm địa hình chiết xuất từ ảnh vệ tinh (Ngoi và Ha, 2008).

Nghiên cứu dọc tuyến đường 4D từ Sa Pa đến Lào Cai (Ngoi và Ha, 2008) đã áp dụng kỹ thuật phân tích ảnh vệ tinh kết hợp với dữ liệu địa chất và địa mạo để xác định các khu vực có nguy cơ trượt lở cao. Đây là một trong những nghiên cứu tiên phong trong ứng dụng tư liệu viễn thám cho mục đích đánh giá tai biến địa chất tại Việt Nam, đặt nền móng cho các hướng nghiên cứu tiếp theo.

Tư liệu vệ tinh quang học độ phân giải cao được khai thác để xây dựng kiểm kê trượt lở (landslide inventory) thông qua giải đoán mục tiêu về thay đổi lớp phủ, sẹo đất trượt và phân bố các khu vực sạt lở mới. Kết hợp với DEM từ SRTM hoặc ALOS PALSAR, các nhân tố điều kiện như độ dốc, hướng sườn, độ cong địa hình (curvature) và khoảng cách đến đứt gãy được tính toán để xây dựng bộ dữ liệu đầu vào cho các mô hình đánh giá nhạy cảm.

4.2. Học sâu và tối ưu hóa bầy đàn trong đánh giá trượt lở

Những tiến bộ gần đây trong học máy và học sâu đã mang lại những bước đột phá trong đánh giá nguy cơ trượt lở đất. Nghiên cứu tại tỉnh Thừa Thiên Huế (Nguyễn H.D. và cs., 2024) đã xây dựng mô hình đánh giá nhạy cảm trượt lở sử dụng mạng nơ-ron sâu (DNN) kết hợp với tám thuật toán tối ưu hóa bầy đàn, bao gồm Adam, SGD, ARO, TSO, SCSO, HBA, MPA và PSO. Tập dữ liệu bao gồm 945 vị trí trượt lở ghi nhận trong giai đoạn 2012–2022 và 14 yếu tố điều kiện chiết xuất từ dữ liệu vệ tinh và bản đồ địa chất. Kết quả cho thấy mô hình DNN kết hợp PSO đạt AUC = 0,97, vượt trội so với các phương pháp học máy truyền thống như Random Forest và SVM.

Bảng 2. So sánh độ chính xác các phương pháp đánh giá tính nhạy cảm

 tai biến thiên nhiên tại Việt Nam

Nguồn: Tổng hợp từ các nghiên cứu giai đoạn 2020 - 2024

Một trong những thách thức lớn nhất trong đánh giá trượt lở bằng viễn thám là vấn đề chất lượng và tính đại diện của bộ kiểm kê trượt lở. Do đặc tính địa hình hiểm trở của các khu vực miền núi, nhiều vị trí trượt lở không thể được xác minh bằng khảo sát thực địa, đòi hỏi phải phát triển các kỹ thuật chiết xuất thông tin từ ảnh vệ tinh một cách tự động và đáng tin cậy hơn. Các tiến bộ trong phân tích chuỗi thời gian ảnh vệ tinh và phân tích giao thoa SAR (InSAR) đang mở ra những khả năng mới để phát hiện sụt lún và biến dạng đất trước khi trượt lở xảy ra.

4.3. Phân tích biến động lớp phủ và mối liên hệ với trượt lở

Việc giám sát biến động lớp phủ rừng từ ảnh vệ tinh đa thời kỳ là một hướng tiếp cận quan trọng để hiểu mối liên hệ giữa hoạt động con người và gia tăng nguy cơ trượt lở. Nghiên cứu tại Việt Nam sử dụng thuật toán phân đoạn chuỗi thời gian Landsat kết hợp với phân loại Random Forest đã thành công trong việc lập bản đồ biến động lớp phủ đất và xáo trộn rừng ở quy mô quốc gia (Nguyen và cs., 2023). Kết quả cho thấy mất rừng và suy thoái rừng có mối tương quan chặt chẽ với sự gia tăng tần suất và quy mô trượt lở trong giai đoạn 2000–2020, đặc biệt ở các tỉnh miền núi phía Bắc và miền Trung.

5. ỨNG DỤNG TRONG GIÁM SÁT HẠN HÁN VÀ XÓI LỞ BỜ BIỂN

5.1. Giám sát hạn hán bằng chỉ số viễn thám

Hạn hán là một trong những tai biến khí hậu nghiêm trọng nhất tại Việt Nam, đặc biệt ở vùng Nam Trung Bộ và Tây Nguyên trong các năm El Niño. Viễn thám vệ tinh cung cấp những công cụ hiệu quả để giám sát hạn hán ở quy mô khu vực thông qua các chỉ số như NDVI, EVI, VCI (Vegetation Condition Index), TCI (Temperature Condition Index) và TVDI (Temperature Vegetation Dryness Index).

Nghiên cứu sử dụng ảnh Landsat để lập bản đồ hạn hán tại Tây Nguyên trong các năm El Niño (Ha và cs., 2016) đã minh họa rõ khả năng của viễn thám trong giám sát không gian-thời gian của hạn hán nông nghiệp. Bằng cách phân tích sự biến đổi của NDVI và chỉ số độ ẩm đất từ ảnh Landsat 8 theo chuỗi thời gian, nghiên cứu đã chỉ ra những khu vực chịu ảnh hưởng hạn hán nặng nề nhất và xu hướng gia tăng của hạn hán theo thời gian.

Dữ liệu MODIS với độ phân giải thời gian cao (hàng ngày) đặc biệt phù hợp cho giám sát hạn hán ở quy mô vùng. Sản phẩm LST (Land Surface Temperature) và NDVI từ MODIS Terra/Aqua cho phép tính toán TVDI và các chỉ số hạn hán kết hợp, cung cấp thông tin cập nhật liên tục về tình trạng hạn hán. Kết hợp với dữ liệu mưa từ các sản phẩm vệ tinh như TRMM, GPM hoặc GSMaP, có thể xây dựng hệ thống cảnh báo sớm hạn hán tổng hợp với độ tin cậy cao.

5.2. Xói lở bờ biển và biến động đường bờ

Với đường bờ biển dài hơn 3.200 km, xói lở bờ biển là một vấn đề nghiêm trọng tại nhiều địa phương ven biển Việt Nam. Tư liệu vệ tinh đa thời kỳ cung cấp phương tiện hiệu quả để giám sát biến động đường bờ, đánh giá tốc độ xói lở và bồi tụ, và dự báo xu hướng trong tương lai.

Ứng dụng ảnh Landsat đa thời kỳ kết hợp với chỉ số NDWI và MNDWI để trích xuất đường bờ biển và phân tích biến động đã được thực hiện tại nhiều vùng bờ biển Việt Nam. Kỹ thuật phân tích chuỗi thời gian dài (từ thập kỷ 1980 đến nay) sử dụng bộ lưu trữ ảnh Landsat miễn phí của USGS/Google Earth Engine cho phép đánh giá xu hướng biến động đường bờ với chi phí tối thiểu. Kết hợp với mô hình số địa hình ven bờ từ dữ liệu LiDAR hoặc ICESat-2, độ chính xác của phân tích biến động đường bờ được nâng cao đáng kể.

6. PHƯƠNG PHÁP TÍCH HỢP TƯ LIỆU VỆ TINH VÀ HỌC MÁY

6.1. Quy trình xử lý và tích hợp dữ liệu

Quy trình ứng dụng tư liệu vệ tinh trong nghiên cứu tai biến thiên nhiên thường bao gồm các bước chính: (1) thu thập và tiền xử lý dữ liệu vệ tinh đa nguồn; (2) chiết xuất các yếu tố điều kiện tai biến từ tư liệu viễn thám; (3) xây dựng cơ sở dữ liệu kiểm kê tai biến; (4) lựa chọn và huấn luyện mô hình học máy; (5) đánh giá và kiểm định kết quả; và (6) trực quan hóa bản đồ nguy cơ và tính nhạy cảm.

Nền tảng Google Earth Engine (GEE) đã cách mạng hóa cách xử lý dữ liệu vệ tinh quy mô lớn bằng cách cung cấp khả năng tính toán đám mây kết hợp với kho dữ liệu vệ tinh lịch sử khổng lồ. Điều này cho phép các nhà nghiên cứu xử lý chuỗi thời gian dài nhiều thập kỷ của ảnh Landsat, Sentinel và MODIS mà không cần phần cứng tính toán mạnh tại địa phương. Nền tảng này đặc biệt hữu ích cho các ứng dụng giám sát lũ lụt, phát hiện thay đổi và phân tích hạn hán ở quy mô quốc gia.

6.2. Các mô hình học máy và học sâu

Sự phát triển của học máy và học sâu đã nâng cao đáng kể độ chính xác của bản đồ nguy cơ tai biến từ tư liệu vệ tinh. Random Forest và SVM là hai thuật toán được sử dụng phổ biến nhất trong các nghiên cứu tai biến thiên nhiên tại Việt Nam do khả năng xử lý tốt dữ liệu nhiều chiều, chống overfitting và cung cấp thông tin về tầm quan trọng của các biến đầu vào. Trong nghiên cứu đa tai biến tại Bắc Trung Bộ, RF và AdaBoost đều đạt AUC > 0,95 trong dự báo đồng thời nguy cơ lũ lụt và trượt lở (Nguyễn C.C. và cs., 2023).

Học sâu, đặc biệt là các kiến trúc mạng nơ-ron tích chập (CNN) và Transformer, đã mở ra những khả năng mới trong phân tích ảnh vệ tinh. Mô hình U-Net và các biến thể của nó đã được chứng minh đặc biệt hiệu quả trong phân đoạn ngữ nghĩa ảnh vệ tinh để xác định vùng ngập lụt, phát hiện trượt lở và lập bản đồ thiệt hại sau thiên tai. Nghiên cứu sử dụng ảnh ASNARO-2 SAR kết hợp bốn kiến trúc học sâu (U-Net, LinkNet, PSPNet, DeepLabV3Plus) với các bộ mã hóa tiên tiến đã đạt kết quả phân đoạn vùng ngập xuất sắc trong sự kiện siêu lũ tại Quảng Nam (Dung và cs., 2025).

Tích hợp dữ liệu đa nguồn (data fusion) là xu hướng được chú trọng hiện nay, kết hợp ảnh quang học, SAR, DEM, dữ liệu khí tượng và thông tin địa chất-địa mạo trong một khung mô hình thống nhất. Phương pháp này cho phép khai thác tối đa thông tin bổ trợ từ các nguồn dữ liệu khác nhau, đặc biệt trong các tình huống mà mỗi nguồn đơn lẻ có những hạn chế nhất định.

6.3. Xâm nhập mặn và ứng dụng tích hợp

Ngoài các tai biến kể trên, tư liệu vệ tinh còn được ứng dụng trong nghiên cứu xâm nhập mặn - một vấn đề ngày càng nghiêm trọng tại đồng bằng sông Cửu Long. Nghiên cứu của Nguyễn T.G. và cs. (2021) đã kết hợp dữ liệu viễn thám với học máy để dự báo xâm nhập mặn tại các vùng thiếu số liệu đo đạc, mở ra hướng tiếp cận mới cho quản lý tài nguyên nước trong điều kiện biến đổi khí hậu.

7. THÁCH THỨC VÀ TRIỂN VỌNG

7.1. Các thách thức hiện tại

Mặc dù đã đạt được nhiều thành tựu đáng kể, ứng dụng viễn thám trong nghiên cứu tai biến thiên nhiên tại Việt Nam vẫn còn đối mặt với nhiều thách thức quan trọng:

Thứ nhất, chất lượng và tính đầy đủ của dữ liệu kiểm kê tai biến còn hạn chế. Nhiều vùng núi hẻo lánh thiếu số liệu thực địa đáng tin cậy về lịch sử tai biến, gây khó khăn cho việc huấn luyện và kiểm định các mô hình học máy.

Thứ hai, vấn đề mây che phủ nghiêm trọng trong mùa mưa hạn chế khả năng ứng dụng ảnh quang học đúng thời điểm tai biến xảy ra. Mặc dù dữ liệu SAR phần nào khắc phục hạn chế này, song việc xử lý và giải đoán ảnh SAR đòi hỏi kỹ năng chuyên môn cao.

Thứ ba, khả năng chuyển giao kết quả nghiên cứu vào thực tiễn quản lý và ứng phó thiên tai còn chưa cao. Khoảng cách giữa nghiên cứu học thuật và ứng dụng trong hệ thống cảnh báo sớm hoạt động thực tế vẫn còn lớn.

Thứ tư, phần lớn các mô hình đánh giá tính nhạy cảm tai biến chưa tích hợp được yếu tố động (thay đổi theo thời gian như biến động lớp phủ, đô thị hóa, biến đổi khí hậu) một cách có hệ thống.

7.2. Triển vọng và hướng phát triển

Nhìn về tương lai, ứng dụng viễn thám trong nghiên cứu tai biến thiên nhiên tại Việt Nam có những triển vọng rất khả quan:

Sự phát triển của các chùm vệ tinh quan sát Trái đất thế hệ mới, bao gồm các vệ tinh thương mại tư nhân với độ phân giải không gian dưới 0,5 m và tần suất chụp lại hàng ngày, sẽ cung cấp dữ liệu chi tiết hơn nhiều cho phân tích trước, trong và sau tai biến. Kết hợp với khả năng tính toán ngày càng mạnh mẽ của GEE và các nền tảng điện toán đám mây khác, việc xử lý và phân tích dữ liệu thời gian thực sẽ trở nên khả thi hơn.

Tích hợp mô hình nền tảng (Foundation Models) và học tự giám sát (self-supervised learning) vào phân tích ảnh vệ tinh đang mở ra hướng mới đầy triển vọng. Các mô hình như Prithvi (IBM/NASA), SatMAE và GeoChat được huấn luyện trên hàng tỷ pixel ảnh vệ tinh có thể được tinh chỉnh (fine-tuned) cho các nhiệm vụ đặc thù như phát hiện lũ lụt, trượt lở hay cháy rừng với lượng dữ liệu gán nhãn tương đối ít.

Về phía chính sách, Việt Nam đang thúc đẩy phát triển hạ tầng dữ liệu không gian quốc gia, bao gồm các vệ tinh quan sát Trái đất nội địa (VNREDSat) và hệ thống GIS quốc gia. Sự tích hợp của các dữ liệu này với tư liệu vệ tinh quốc tế sẽ tạo ra một hệ sinh thái dữ liệu phong phú hơn, hỗ trợ hiệu quả hơn công tác phòng chống giảm nhẹ thiên tai.

8. KẾT LUẬN

Tư liệu vệ tinh đã và đang đóng vai trò ngày càng quan trọng trong nghiên cứu tai biến thiên nhiên tại Việt Nam. Từ những ứng dụng đơn giản ban đầu như phân tích cấu trúc địa chất từ ảnh quang học, lĩnh vực này đã phát triển vượt bậc với các hướng tiếp cận tinh vi, tích hợp đa nguồn dữ liệu vệ tinh với các thuật toán học máy và học sâu tiên tiến nhất.

Các nghiên cứu tổng hợp cho thấy: (1) Dữ liệu SAR, đặc biệt Sentinel-1, là công cụ không thể thiếu cho giám sát lũ lụt trong điều kiện mây mù; (2) Kết hợp ảnh quang học đa phổ với DEM và dữ liệu địa chất tạo cơ sở dữ liệu đầu vào tốt nhất cho mô hình đánh giá nhạy cảm trượt lở; (3) Chuỗi thời gian MODIS và Landsat phục vụ hiệu quả giám sát hạn hán và biến động lớp phủ; (4) Các mô hình kết hợp (ensemble) học máy và học sâu nhất quán cho kết quả AUC > 0,95, vượt trội so với phương pháp thống kê truyền thống.

Để nâng cao hiệu quả ứng dụng thực tiễn, cần tập trung vào: cải thiện chất lượng dữ liệu kiểm kê tai biến thông qua kết hợp chiết xuất tự động từ viễn thám với khảo sát thực địa; phát triển các mô hình động tích hợp yếu tố biến đổi theo thời gian; và tăng cường chuyển giao kết quả nghiên cứu vào hệ thống cảnh báo sớm thiên tai quốc gia. Đây là những hướng ưu tiên nghiên cứu trong giai đoạn tới nhằm giảm thiểu thiệt hại do thiên tai gây ra trong bối cảnh biến đổi khí hậu ngày càng phức tạp tại Việt Nam.

TÀI LIỆU THAM KHẢO

 [1] Dang, A.T.N., Kumar, L. (2017). Application of remote sensing and GIS-based hydrological modelling for flood risk analysis: a case study of District 8, Ho Chi Minh city, Vietnam. Geomatics, Natural Hazards and Risk, 8(2), 1792–1811.

[2] Do, A.N.T., và cs. (2025). Assessing flood susceptibility in Hanoi using machine learning and remote sensing: implications for urban health and resilience. Natural Hazards. https://doi.org/10.1007/s11069-025-07211-5

[3] Dung, N.B., Long, N.Q., An, D.T., Minh, D.T. (2021). Multi-geospatial flood hazard modelling for a large and complex river basin with data sparsity: a case study of the Lam River Basin. Natural Hazards.

[4] Dung, N.B., và cs. (2025). AI-based flood mapping from high-resolution ASNARO-2 images: case study of a severe event in the Center of Vietnam. Natural Hazards. https://doi.org/10.1007/s11069-025-07485-9

[5] Ha, N.T.T., và cs. (2016). Mapping Droughts over the Central Highland of Vietnam in El Niño Years Using Landsat Imageries. VNU Journal of Science, 32(1S), 255–263.

[6] Ha, N.T.T., Canh, B.D., Thao, N.T.P., Nhi, B.T. (2016). First experience in modeling spatial distribution of Chlorophyll-a concentration and TSI in the West Lake water using Sentinel-2A Image. VNU Journal of Science, 32(2S), 123–132.

[7] Ha, N.T.T., Koike, K., Nhuan, M.T. (2014). Improved Accuracy of Chlorophyll-a Concentration Estimates from MODIS Imagery Using a Two-Band Ratio Algorithm and Geostatistics: Application to Tien Yen Bay. Remote Sensing, 6, 421–442.

[8] Ha, N.T.T., Koike, K., Nhuan, M.T., Canh, B.D., Thao, N.T.P., Michael, P. (2017). Landsat 8/OLI Two Bands Ratio Algorithm for Chlorophyll-A Concentration Mapping in Hypertrophic Waters: Application to West Lake in Hanoi. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.

[9] Ngo-Thi, D., Ha, N.T.T., Quy, T.D., Koike, K., Nhuan, M.T. (2019). Effective Band Ratio of Landsat 8 Images Based on VNIR-SWIR Reflectance Spectra of Topsoils for Soil Moisture Mapping in a Tropical Region. Remote Sensing, 11(6), 716.

[10] Ngô Thị Dinh, Nguyễn Việt Hà, Nguyễn Thiên Phương Thảo, Đặng Trung Tú, Nguyễn Thị Thu Hà (2018). Nghiên cứu tính toán độ ẩm của đất khu vực Bắc Tây Nguyên sử dụng ảnh Landsat 8. Tạp chí Tài nguyên và Môi trường, số 9(287).

[11] Ngoi, C.V., Ha, N.T.T. (2008). Landslide assessment along the road 4D (Sa Pa - Lao Cai) based on analysis of relationship between geological structure and topographic features. Vietnam Journal of Geology, 305, 1-8.

[12] Nguyen, C.C., Vo, P., Doan, V.L., Nguyen, Q.B., và cs. (2023). Multi-hazard assessment using machine learning and remote sensing in the North Central region of Vietnam. Transactions in GIS. https://doi.org/10.1111/tgis.13091

[13] Nguyen, H.D., Pham, V.D., và cs. (2020). An optimal search for neural network parameters using the Salp swarm optimization algorithm: a landslide application. Remote Sensing Letters.

[14] Nguyen, H.D., Dang, D.K., Nguyen, Q.-H., Bui, Q.-T., Petrisor, A.-I. (2022). Evaluating the effects of climate and land use change on the future flood susceptibility in the central region of Vietnam. Natural Hazards.

[15] Nguyen, H.D., và cs. (2024). Landslide susceptibility prediction using machine learning and remote sensing: Case study in Thua Thien Hue province, Vietnam. Geological Journal, 59(2), 636–658.

[16] Nguyen, H.D., Bui, Q.-T., Nguyen, Q.-H., và cs. (2021). A novel combination of deep neural network and manta ray foraging optimization for flood susceptibility mapping in Quang Ngai province. Geocarto International.

[17] Nguyen, T.G., Tran, N.A., Vu, P.L., Nguyen, Q.-H., Nguyen, H.D., Bui, Q.-T. (2021). Salinity intrusion prediction using remote sensing and machine learning in data-limited regions: A case study in Vietnam's Mekong Delta. Geoderma Regional, 27, e00424.

[18] Nguyen, V.D., và cs. (2023). Mapping Land Use/Land Cover Changes and Forest Disturbances in Vietnam Using a Landsat Temporal Segmentation Algorithm. Remote Sensing, 15(3), 851.

[19] Pham, Q.V., Ha, N.T.T., Pahlevan, N., Oanh, L.T., Nguyen, T.B., Nguyen, N.T. (2018). Using Landsat-8 Images for Quantifying Suspended Sediment Concentration in Red River (Northern Vietnam). Remote Sensing, 10(11), 1841.

[20] Truong, X.Q., và cs. (2022). Machine Learning and Remote Sensing Application for Extreme Climate Evaluation: Example of Flood Susceptibility in the Hue Province, Central Vietnam Region. Water, 14(10), 1617.

[21] Vinh, P.Q., Ha, N.T.T., Binh, N.T., Thang, N.N., Thao, N.T.P. (2019). Developing algorithm for estimating chlorophyll-a concentration in the Thac Ba Reservoir surface water using Landsat 8 Imagery. Vietnam Journal of Earth Sciences, 41(1), 10–20.

[22] Nhuận, M.T., Hà, N.T.T., và cs. (2015). Sự thay đổi của cực đoan khí hậu và thiên tai tới hệ sinh thái và nhân sinh. Trong: Báo cáo đặc biệt của Việt Nam về quản lý rủi ro thiên tai. NXB Tài nguyên – Môi trường và Bản đồ Việt Nam, tr. 140-185.