Phân vùng nguy cơ trượt lở dọc các tuyến đường giao thông trọng điểm miền núi tỉnh quảng nam bằng công nghệ GIS và máy học machine learning

Một số mô hình máy học được sử dụng trong thành lập bản đồ phân vùng nguy cơ trượt lở như: hồi quy logistic, cây quyết định, mạng nơ ron nhân tạo, K-means, K-nearest neighbor, máy vec tơ

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

ĐẶNG THỊ THÙY

PHÂN VÙNG NGUY CƠ TRƯỢT LỞ DỌC CÁC TUYẾN ĐƯỜNG GIAO THÔNG TRỌNG ĐIỂM MIỀN NÚI TỈNH QUẢNG NAM BẰNG CÔNG NGHỆ GIS VÀ MÁY HỌC (MACHINE LEARNING)

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội - 2020

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

ĐẶNG THỊ THÙY

PHÂN VÙNG NGUY CƠ TRƯỢT LỞ DỌC CÁC TUYẾN ĐƯỜNG GIAO THÔNG TRỌNG ĐIỂM MIỀN NÚI TỈNH QUẢNG NAM BẰNG CÔNG

NGHỆ GIS VÀ MÁY HỌC (MACHINE LEARNING)

LUẬN VĂN THẠC SĨ KHOA HỌC

Chuyên ngành: Bản đồ, Viễn thám và Hệ thông tin Địa lý

Mã số: 8440211.01

Người hướng dẫn khoa học: TS Dương Thị Toan

XÁC NHẬN HỌC VIÊN ĐÃ CHỈNH SỬA THEO GÓP Ý CỦA HỘI

i

Lời cam đoan

Tôi xin cam đoan đây là kết quả nghiên cứu của tôi dưới sự hỗ trợ của thầy

cô hướng dẫn Các nội dung nghiên cứu, kết quả trong luận văn này là trung thực và chưa được công bố dưới bất kỳ hình thức nào trước đây

Học viên cao học

Đặng Thị Thùy

Lời cảm ơn

Trong quá trình thực hiện luận văn Thạc sĩ, em đã nhận được sự giúp đỡ quý báu cả về vật chất và tinh thần cũng như các kiến thức chuyên môn từ các thầy cô

và bạn bè Trước tiên, em xin gửi lời cảm ơn sâu sắc đến PGS TS Đỗ Minh Đức và

TS Dương Thị Toan đã định hướng, hướng dẫn và chỉ bảo tận tình cho em trong suốt quá trình nghiên cứu thực hiện luận văn

Em xin chân thành cảm ơn các thầy, cô trong Khoa Địa lý – trường Đại học Khoa học Tự nhiên Hà Nội đã tạo điều kiện cho em trong suốt quá trình học tập tại khoa

Em cũng xin gửi lời cảm ơn đến đề “Nghiên cứu dự báo nguy cơ tai biến trượt lở mái dốc dọc các tuyến giao thông trọng điểm miền núi tỉnh Quảng Nam và

đề xuất giải pháp ứng phó”, mã số: ĐTĐL.CN-23/17 do PGS TS Đỗ Minh Đức làm chủ trì đã cung cấp các tài liệu hỗ trợ em trong quá trình thực hiện luận văn

Cuối cùng, em xin gửi lời cảm ơn tới gia đình, bạn bè, những người đã động viên, khích lệ em trong suốt thời gian học tập và nghiên cứu

Một lần nữa em xin chân thành cảm ơn!

Học viên cao học

Đặng Thị Thùy

iii

Mục lục

MỞ ĐẦU 1

CHƯƠNG I TỔNG QUAN VÀ CÁC PHƯƠNG PHÁP NGHIÊN CỨU 4

1.1 Khái quát về trượt lở 4

1.2 Tổng quan về ứng dụng GIS và máy học trong nghiên cứu trượt lở trên thế giới và Việt Nam 6

1.1.1 Thế giới 6

1.1.2 Việt Nam 11

1.2 Cơ sở tài liệu, quy trình và phương pháp nghiên cứu 16

1.2.1 Cơ sở tài liệu 16

1.3.2 Quy trình nghiên cứu 17

1.3.3 Phương pháp nghiên cứu 17

CHƯƠNG II ĐIỀU KIỆN TỰ NHIÊN – KINH TẾ XÃ HỘI KHU VỰC NGHIÊN CỨU 25

2.1 Vị trí địa lý 25

2.2 Đặc điểm tự nhiên 26

2.2.1 Đặc điểm địa hình 26

2.2.2 Đặc điểm mạng lưới thủy văn 27

2.2.3 Đặc điểm khí hậu 29

2.2.4 Đặc điểm địa chất 30

2.2.5 Đặc điểm thảm thực vật 34

2.2.6 Hiện trạng đất 34

2.3 Đặc điểm kinh tế - xã hội 36

2.3.1 Giao thông 36

2.3.2 Đặc điểm kinh tế 37

iv

2.3.3 Đặc điểm xã hội 38

2.4 Khái quát về các tuyến quốc lộ 38

CHƯƠNG III XÂY DỰNG VÀ ĐÁNH GIÁ BẢN ĐỒ PHÂN VÙNG NGUY CƠ TRƯỢT LỞ DỌC CÁC TUYẾN ĐƯỜNG GIAO THÔNG TRỌNG ĐIỂM MIỀN NÚI TỈNH QUẢNG NAM 41

3.1 Xây dựng cơ sở dữ liệu hiện trạng trượt lở và các yếu tố ảnh hưởng 41

3.1.1 Hiện trạng trượt lở 41

3.1.2 Xây dựng dữ liệu các yếu tố ảnh hưởng 51

3.2 Xây dựng bản đồ phân vùng nguy cơ trượt lở 56

KẾT LUẬN 67

TÀI LIỆU THAM KHẢO 69

vii

Danh mục hình

Hình 1 Mối quan hệ giữa AI, deep learning và machine learning 8

Hình 2 Phân loại máy học 9

Hình 3 Trượt lở ở quốc lộ 14G tỉnh Quảng Nam 16

Hình 4 Hoạt động của mạng nơ ron nhân tạo như hệ thống mạng nơ ron trong bộ não con người 19

Hình 5 Mạng lưới mạng nơ ron nhân tạo 20

Hình 6 Bài toán phân chia trong mặt phẳng 2 chiều 21

Hình 7 Bài toán phân chia trong mặt phẳng đa chiều 22

Hình 8 Mô phỏng biến đổi không gian của Kernel 22

Hình 9 Các bước xây dựng bản đồ phân vùng nguy cơ trượt lở 23

Hình 10 Mô phỏng AUC - ROC 24

Hình 11 Sơ đồ khu vực nghiên cứu 25

Hình 12 Công nhân tiến hành xúc dọn tại Km89+500 trên QL24C 43

Hình 13 Trượt lở tuyến quốc lộ 40B 43

Hình 14 Bản đồ hiện trạng trượt lở khu vực nghiên cứu 48

Hình 15 Trượt lở tại km 67 + 100 đường QL40B 49

Hình 16 Trượt lở gây trượt taluy âm tại km 72+650 đường QL40B 49

Hình 17 Trượt lở tại km 75 +810 đường QL40B 49

Hình 18 Trượt lở tại km 127 + 700 đường QL40B 49

Hình 19 Trượt lở tại km 138+650 đường QL40B 49

Hình 20 Trượt lở tại km 1373 + 200 đường HCM 49

Hình 21 Trượt lở tại km 1392 + 750 đường HCM 50

Hình 22 Trượt lở tại km 1401 + 400 đường HCM 50

Hình 23 Trượt lở tại km 80 + 670 đường QL24C 50

Hình 24 Trượt lở tại km 92 + 600 đường QL 24C 50

Hình 25 Trượt lở ở km 65 + 000 QL 14D 50

Hình 26 Trượt lở ở km 85 + 300 QL 14E 50

Hình 27 Cách thức tổ chức dữ liệu trong excel 56

Hình 28 Cách thức xây dựng mô hình 57

viii

Hình 29 Chạy mô hình trong phần mềm R 57 Hình 30 AUC của mô hình mạng nơ ron nhân tạo 58 Hình 31 AUC của mô hình máy vec tơ hỗ trợ 58 Hình 32 Phân vùng nguy cơ trƣợt lở tuyến Hồ Chí Minh và quốc lộ 14D theo mạng

nơ ron nhân tạo 61 Hình 33 Phân vùng nguy cơ trƣợt lở tuyến Hồ Chí Minh và quốc lộ 14D theo máy vec tơ hỗ trợ 62 Hình 34 Phân vùng nguy cơ trƣợt lở tuyến quốc lộ 14B và 14G theo mạng nơ ron nhân tạo 63 Hình 35 Phân vùng nguy cơ trƣợt lở tuyến quốc lộ 14B và 14G theo máy vec tơ hỗ trợ 63 Hình 36 Phân vùng nguy cơ trƣợt lở tuyến quốc lộ 40B và 24C theo mạng nơ ron nhân tạo 64 Hình 37 Phân vùng nguy cơ trƣợt lở tuyến quốc lộ 40B và 24C theo máy vec tơ hỗ trợ 65 Hình 38 Phân vùng nguy cơ trƣợt lở tuyến quốc lộ 14E theo mạng nơ ron nhân tạo 66 Hình 39 Phân vùng nguy cơ trƣợt lở tuyến quốc lộ 14E theo máy vec tơ hỗ trợ 66

ix

Danh mục bảng

Bảng 1 Phân loại trượt lở theo Varnes D.J [4] 4

Bảng 2 Phân loại trượt lở theo Ban Nghiên cứu đường Mỹ (1958) [1] 5

Bảng 3 Các nhóm đất, diện tích và phân bố 35

Bảng 4 Diện tích các loại đất lâm nghiệp (đơn vị: ha) 36

Bảng 5 Thống kê điểm trượt khu vực nghiên cứu 44

Bảng 6 Phân nhóm yếu tố độ cao 51

Bảng 7 Phân nhóm yếu tố độ dốc 52

Bảng 8 Phân nhóm yếu tố mật độ phân cắt sâu 52

Bảng 9 Phân nhóm yếu tố thạch học 53

Bảng 10 Phân nhóm yếu tố lớp phủ 53

Bảng 11 Phân nhóm yếu tố khoảng cách đến đường giao thông 54

Bảng 12 Phân nhóm yếu tố khoảng cách đến đứt gãy 54

Bảng 13 Phân nhóm yếu tố chỉ số ẩm ướt TWI 55

Bảng 14 Phân cấp nguy cơ trượt lở dọc các tuyến giao thông tỉnh Quảng Nam 59

Bảng 15 Đánh giá sự khác biệt kết quả phân vùng của hai mô hình 60

1

MỞ ĐẦU Tính cấp thiết

Tỉnh Quảng Nam với 6 huyện miền núi có địa hình rất đa dạng, cấu trúc địa chất phức tạp và xung yếu đặc biệt là các hoạt động tân kiến tạo gây ra sự phân cắt địa hình mạnh mẽ, một số tuyến giao thông miền núi phải đối mặt với tình trạng bị chia cắt do trượt lở mái dốc, đặc biệt vào mùa mưa Thực tế này cùng với những ảnh hưởng bất lợi của hoạt động nhân sinh, ở tỉnh Quảng Nam nói chung, các tuyến giao thông huyết mạch miền núi nói riêng luôn có nguy cơ về trượt lở mái dốc Những năm gần đây, hiện tượng trượt lở mái dốc xảy ra đặc biệt nghiêm trọng tại một số đoạn thuộc đường Hồ Chí Minh, các quốc lộ 14D, 14E, 14B, 40B, 24C Theo thống kê thiệt hại giai đoạn 2002 – 2019 trượt lở gây hư hỏng, vùi lấp hàng ngàn mét khối đường giao thông hàng năm, gây thiệt hại về người và tiền của để khắc phục sự cố, sửa chữa đường đảm bao lưu thông, đi lại của người dân Tổng thiệt hại hơn 1.000 tỷ đồng với khối lượng đất đá vùi lấp lên đến hàng triệu mét khối Đặc biệt trong đợt mưa lớn lịch sử cuối năm 2017 làm 4 người chết và 117 tỷ đồng với hàng trăm điểm trượt trên tất cả các tuyến quốc lộ, tỉnh lộ và đường huyện

Để đánh giá, phòng tránh và giảm thiểu tổn thương, thiệt hại do trượt lở ở các tuyến đường giao thông gây ra đòi hỏi phải có những tính toán, dự báo tin cậy

về khả năng phát triển tai biến Hiện nay, có nhiều phương pháp nghiên cứu và đánh giá, dự báo trượt lở khác nhau được công bố ở Việt Nam, trong đó có phương pháp ứng dụng hệ thống thông tin địa lý (GIS – Geographic Information System) và các

mô hình machine learning – máy học trong nghiên cứu trượt lở đang trở nên phổ biến và mang lại hiệu quả Máy học là tập con của AI, một phân ngành trong khoa máy học tính, với mục đích tạo ra cho máy tính khả năng học hỏi từ bộ dữ liệu sẵn

có Một số mô hình máy học được sử dụng trong thành lập bản đồ phân vùng nguy

cơ trượt lở như: hồi quy logistic, cây quyết định, mạng nơ ron nhân tạo, K-means, K-nearest neighbor, máy vec tơ hỗ trợ … Trong đó mô hình mạng nơ ron nhân tạo

và máy vec tơ hỗ trợ trong hầu hết các nghiên cứu trên Thế giới và Việt Nam cho ra

2

kết quả với độ chính xác (AUC) cao hơn so với các mô hình khác Vì vậy, trong luận văn này lựa chọn mô hình mạng nơ ron nhân tạo và máy vec tơ hỗ trợ kết hợp với GIS để xây dựng bản đồ phân vùng nguy cơ trượt lở dọc các tuyến đường giao thông trọng điểm miền núi tỉnh Quảng Nam Các tuyến đường nghiên cứu bao gồm

07 tuyến quốc lộ: Hồ Chí Minh, 14B, 14D, 14E, 14G, 40B và 24C

Hướng tiếp cận: dựa vào quá khứ dự báo tương lai, kết hợp với sự phát triển của khoa học máy tính để cho ra các kết quả dự báo chính xác hơn, loại bỏ yếu tố chủ quan Dữ liệu sử dụng cho mô hình bao gồm các dữ liệu về không gian: lịch sử trượt lở, các yếu tố ảnh đến trượt lở (địa hình, địa chất, thảm phủ, sông suối,…) Quá trình thu thập, xử lý, phân tích dữ liệu, chạy mô hình, xây dựng bản đồ được thực hiện bằng phần mềm ArcGIS Desktop và phần mềm R

Mục tiêu

Phân vùng nguy cơ trượt lở dọc theo một số tuyến đường giao thông theo các cấp nguy cơ: nguy cơ rất thấp, nguy cơ thấp, nguy cơ trung bình, nguy cơ cao và nguy cơ rất cao theo hai mô hình mạng nơ ron nhân tạo và máy vec tơ hỗ trợ, từ đó

đề xuất lựa chọn mô hình phân vùng nguy cơ phù hợp cho các tuyến giao thông tỉnh Quảng Nam

Nội dung nghiên cứu

Các nội dung nghiên cứu bao gồm:

- Tổng quan về các nghiên cứu ứng dụng GIS và máy học trong thành lập bản đồ phân vùng nguy cơ trượt lở trên thế giới, Việt Nam nói chung và tỉnh Quảng Nam nói riêng;

- Thu thập, xử lý dữ liệu: dữ liệu hiện trạng trượt lở: khoanh vùng các khối trượt Dữ liệu các yếu tố ảnh hưởng đến trượt lở: độ cao, độ dốc, mật độ phân cắt sâu, thạch học, chỉ số ẩm ướt của địa hình - topographical wetness index (TWI), khoảng cách đến đứt gãy, khoảng cách đến đường giao thông;

3

- Xây dựng và chạy mô hình: kết hợp GIS và hai mô hình mạng nơ ron nhân tạo và support vector machine: trên cơ sở dữ liệu đã được xử lý tiến hành chạy mô hình, đưa ra các cấp nguy cơ: rất thấp, thấp, trung bình, cao

và rất cao Tính toán độ chính xác AUC của từng mô hình;

- Đánh giá, kiểm tra kết quả của 02 mô hình -> hiệu chỉnh, tối ưu và lựa chọn mô hình phù hợp cho xây dựng bản đồ phân vùng nguy cơ các tuyến giao thông trọng điểm tỉnh Quảng Nam

Đối tượng nghiên cứu bao gồm

- Lịch sử trượt lở: vị trí, phạm vi khối trượt;

- Các yếu tố ảnh hưởng đến trượt lở;

- Phân vùng nguy cơ trượt lở

Phạm vi nghiên cứu: 07 tuyến đường quốc lộ khu vực miền núi tỉnh Quảng Nam: Hồ Chí Minh, 14B, 14D, 14E, 14G, 40B, 24C

Ý nghĩa khoa học và thực tiễn

Ý nghĩa khoa học: Đánh giả khả năng ứng dụng công nghệ GIS và mô hình máy học trong nghiên cứu dự đoán trượt lở, lựa chọn được mô hình tối ưu

Ý nghĩa thực tiễn: Bản đồ nguy cơ trượt lở cung cấp thông tin hỗ trợ đánh giá rủi ro, tổn thương do trượt lở gây ra ở dọc các tuyến giao thông Hỗ trợ quy hoạch sử dụng lãnh thổ, tài nguyên thiên nhiên; góp phần phòng tránh, giảm thiểu tác hại của trượt lở Kết hợp với dữ liệu mưa tiến hành cảnh báo sớm nguy cơ trượt

lở

Phân loại: Để phân loại trượt lở thường dựa vào một số tiêu chí sau: hình

thái mặt trượt (mặt trượt phẳng, cong, nêm); kiểu trượt (đổ, trượt, chảy); các kiểu vật liệu (đá gốc, vật liệu vụn, vật liệu rời); tốc độ dịch chuyển (trượt nhanh, trượt chậm) [7]

Hiện nay có nhiều phân loại trượt lở đất, trong đó đáng chú ý có bảng phân loại của Varnes D.J (1978) và bảng phân loại của Ban Nghiên cứu đường của Mĩ (1958) Varnes D.J đã dựa trên hai tiêu chí để phân loại trượt lở: kiểu chuyển động

và kiểu vật liệu; bảng phân loại này được sử dụng rộng rãi ở phương Tây [36]

Bảng 1 Phân loại trượt lở theo Varnes D.J [36]

Kiểu dịch chuyển

Kiểu vật liệu

Chủ yếu vật liệu vụn Chủ yếu vật liệu mịn

Thẳng

5

Theo Ban Nghiên cứu đường của Mĩ (1958) phân chia theo phương thức dịch chuyển và thành phần đất đá dịch chuyển, bao gồm: Đổ đá, trượt, chảy (khô, ướt) và hỗn hợp [5]

Bảng 2 Phân loại trượt lở theo Ban Nghiên cứu đường Mỹ (1958) [5]

Chảy đất

Các yếu tố ảnh hưởng đến trượt lở: các yếu tố ảnh hưởng đến trượt lở rất đa

dạng, bao gồm cả yếu tố tự nhiên và con người như địa mạo, địa chất, kiến tạo, khí hậu thủy văn, hoạt động kinh tế – xã hội của con người:

Nhóm yếu tố địa mạo tác động đến trượt lở bao gồm: độ dốc, hình thái, hướng sườn; mật độ phân cắt ngang, phân cắt sâu của địa hình Độ dốc sườn có sự liên quan chặt chẽ tới trượt lở, được xem là yếu tố gây trượt chính trong nhiều nghiên cứu Yếu tố độ dốc và độ cao có ảnh hưởng đến quá trình thủy văn, phong hóa làm mất ổn định sườn Hình dạng sườn có ảnh hưởng đến độ ổn định sườn trong những vùng địa hình dốc

6

Nhóm yếu tố địa chất: các kiểu thạch học, vỏ phong hóa, điều kiện địa chất công trình và địa chất thủy văn đều có tác động ít hoặc nhiều đến trượt lở Các kiểu thạch học ảnh hưởng đến độ dốc, hình thái sườn và đặc điểm của vỏ phong hóa.Nhóm các yếu tố kiến tạo: bao gồm các yếu tố chuyển động kiến tạo, đứt gãy hoạt động đã thúc đấy quá trình trượt lở Nơi các hoạt động kiến tạo hoạt động mạnh đất đá bị dập vỡ, vò nhàu gây mất ổn định dẫn đến trượt

Nhóm các yếu tố khí hậu thủy văn tác động đên trượt lở bao gồm: lượng mưa, dòng chảy mặt, mực nước ngầm… là những yếu tố chính gây trượt lở, đặc biệt

là lượng mưa Khí hậu nóng ẩm tạo điều kiện cho quá trình phong hóa diễn ra nhanh, đặc biệt là đất đá ở bề mặt dốc làm giảm độ bền của đất đá Kết hợp với lượng mưa lớn, kéo dài làm tăng lượng nước trong đất, thay đổi trạng thái ứng suất trong đất đá gây mất ổn định bờ dốc

Nhóm các yếu tố hoạt động kinh tế – xã hội của con người: đây là các yếu tố thức đẩy hiện tượng trượt lở gồm hoạt động xây dựng công trình, cắt xén bờ dốc, giảm mức độ che phủ thảm thực vật… làm cho trượt lở được kích hoạt và mạnh lên

ở một số khu vực

Tai biến trượt lở xảy ra có thể do một hoặc một vài nhóm yếu tố trên gây ra

và không phải vai trò của tất cả các yếu tố đều như nhau Do vậy, để dự báo trượt lở cần tổ hợp tất cả các yếu tố ảnh hưởng và tiến hành đánh giá định tính và cả định lượng các yếu tố để đưa ra dự báo chính xác nhất

1.2 Tổng quan về ứng dụng GIS và máy học trong nghiên cứu trượt lở trên thế giới và Việt Nam

Từ thực tế đó, nhiều quốc gia trên thế giới đã xây dựng nhiều giải pháp và ứng dụng công nghệ vào nghiên cứu tai biến trượt lở để giảm thiểu thiệt hại Trong

đó vào năm 2010, NASA đã phát hành một bản đồ về tình trạng trượt lở trên toàn cầu Cơ sở dữ liệu được tổng hợp từ các báo cáo về tình trạng trượt lở khắp nơi trên thế giới, bao gồm cả vị trí của nơi xảy ra trượt lở và cả loại mưa xảy ra tại khu vực

đó Với dữ liệu bản đồ này, NASA hy vọng các nhà dự báo thời tiết địa phương có thể đưa ra được những cảnh báo chính xác và kịp thời nhất tới người dân để hạn chế tối đa thiệt hại Trong dữ liệu bản đồ thể hiện, các khu vực xảy ra trượt lở thường tập trung chủ yếu ở Châu Á, nơi có mùa mưa kéo dài và hay chịu tác động từ các cơn bão nhiệt đới Thực tế, các công trình nghiên cứu đều đề cập đến các phương pháp tiếp cận bản chất của hiện tượng trượt lở để từ đó tìm ra nguyên nhân trực tiếp

và đề xuất các giải pháp phòng chống nhằm hạn chế thiệt hại do trượt lở gây ra Ở một số nước như Nga đã thành lập một loạt các bản đồ đánh giá dự báo, phân vùng tai biến môi trường cho toàn quốc và xuất bản một hệ các tác phẩm rất có giá trị, tổng kết nghiên cứu đánh giá tai biến môi trường nói chung và trượt lở nói riêng Tại Trung Quốc cũng đã thành lập bộ bản đồ tai biến môi trường toàn quốc trong đó

có bản đồ trượt lở cho từng tỉnh và từng khu vực quan trọng [40]

Việc sử dụng GIS – một phương pháp mới áp dụng các tiến bộ khoa học – kĩ thuật đã đem lại hiệu quả cao trong nghiên cứu, đánh giá và dự báo tai biến trượt lở Ứng dụng công nghệ GIS trên thế giới được đưa ra từ thế kỉ XX trước bởi Soeters

và Van Westen (1996), Carrara và Guzzetti (1995) và được áp dụng ở nhiều nước trên thế giới (Colombia, Cuba, Philippines, Trung Quốc, Nhật Bản, Ấn Độ,

8

Malaysia và một số nước Châu Âu) Kết hợp với sự phát triển mạnh mẽ của khoa học máy tính, trong đó có học máy, các nhà nghiên cứu đã kết hợp GIS và máy học xây dựng các bản đồ phân vùng nguy cơ trượt lở cho kết quả đáng tin cậy

Máy học - machine learning là một phương pháp phân tích dữ liệu mà sẽ tự động hóa việc xây dựng mô hình phân tích Sử dụng các thuật toán lặp để học từ dữ liệu, máy học cho phép máy tính tìm thấy những thông tin giá trị ẩn sâu mà không được lập trình một cách rõ ràng nơi để tìm Khía cạnh lặp lại của máy học là quan trọng bởi vì khi các mô hình này được tiếp xúc với dữ liệu mới thì chúng có thể thích ứng một cách độc lập Chúng học từ các tính toán trước đó để tạo ra những quyết định cũng như kết quả lặp lại và đáng tin cậy Đó là một ngành khoa học không mới - nhưng hiện nay đang dành được nhiều mối quan tâm để phát triển bùng

nổ Nhờ vào các công nghệ điện toán mới, khả năng tự động áp dụng các tính toán toán học phức tạp trên dữ liệu lớn - ngày càng lớn hơn và nhanh hơn - là một sự phát triển gần đây

Hình 1 Mối quan hệ giữa AI, deep learning và machine learning

9

Hình 2 Phân loại máy học

Sử dụng máy học có giám sát: Là các thuật toán áp dụng khi sử dụng một số các biến đầu vào để dự đoán hay phân loại đầu ra dựa vào dữ liệu có gán nhãn của biến đầu ra Trong nghiên cứu này tập trung đi sâu vào máy học có giám sát, bao gồm bài toán: Hồi quy và phân loại với các một số mô hình phổ biến: Hồi quy tuyến tính, hồi quy logistic, mạng nơ ron nhân tạo, naive bayes, cây quyết định, random forest, máy vec tơ hỗ trợ Trong đó 2 mô hình mạng nơ ron nhân tạo và support vector machine được thử nghiệm cho độ chính xác cao và được đánh giá trong một

số nghiên cứu trong những năm gần đây

Một số nghiên cứu ứng dụng GIS và máy học trong đánh giá trượt lở trên Thế giới liên quan trực tiếp đến nội dung luận văn: A AghaKouchak (2013) đã sử dụng dữ liệu mưa vệ tinh, địa hình, lớp phủ kết hợp với dữ liệu trượt lở của NASA thống kê trên toàn cầu để xây dựng mô hình trượt lở dựa trên mô hình support vector machine Dữ liệu đầu vào được chia thành 70% cho tập huấn luyện và 30% cho tập kiểm tra, lặp lại ngẫu liệu 100 lần cho ra kết quả dự đoán trượt lở sai số trung bình khoảng 7% cho mỗi 100 lần và 2% cho mỗi lần Có thể thấy phương pháp cho ra độ tin cậy khá cao, mô hình support vector machine đem lại hiệu quả trong dự đoán trượt lở Tuy nhiên, do nghiên cứu chỉ lựa chọn một mô hình để chạy, nên không có sự đánh giá so sánh sự tối ưu giữa các mô hình của machine learning [17]

Máy học

Máy học bán giám sát

Củng

cố

Máy học không giám sát

Máy học có giám sát

lở trong quá khứ Kết quả cho thấy mơ hình Kernel Logistic Regression (AUC = 0.894) cĩ độ chính xác cao hơn so với mơ hình Classification Regression Trees (AUC = 0.842) Cĩ thể thấy đây cũng là các mơ hình cho kết quả tốt trong phân vùng nhạy cảm trượt lở [24]

X Z Li and J M Kong (2018) sử dụng một số thuật tốn của support vector machine trong các trường hợp một yếu tố và đa yếu tố để dự đốn sự phát triển của trượt lở ở khu vực đập thủy điện ở tây nam Trung Quốc Kết quả dự đốn cho thấy

mơ hình GAM–SVM đa yếu tố cho độ chính xác là cao nhất với chỉ số RI là 0.9992 [39]

Phạm Bình Thái và nnk (2016) đã sử dụng 02 mơ hình support vector machines và naive Bayes trees để dự đốn khơng gian trượt lở ở Uttarakhand, Ấn

Độ Với 430 vị trí sạt lở trong lịch sử được chia thành 70% cho tập huấn luyện và 30% cho tập kiểm tra kết hợp với các yếu tố ảnh hưởng đến trượt lở: độ cao, độ dốc, thạch học, đất, độ che phủ, khoảng cách đến đường, khoảng cách đến sơng, khoảng cách đến dịng chảy và lượng mưa Kết quả cho thấy 2 mơ hình đều cho ra dự đốn với độ chính xác cao, trong đĩ mơ hình SVM (AUC = 0.881) cĩ độ chính xác cao hơn mơ hình nạve Bayes trees (AUC = 0.832) [21]

Phạm Bình Thái, Bùi Tiến Diệu, Indra Prakash, M.B Dholakia đã sử dụng

mơ hình Multilayer Perceptron Neural Networks trong nghiên cứu “Hybrid integration of Multilayer Perceptron Neural Networks and machine learning ensembles for landslide susceptibility assessment at Himalayan area (India) using GIS” để đánh giá nguy cơ trượt lở cho độ chính xác cao: AUC = 0.874 [22]

11

Nghiên cứu “A Comparative Assessment Between the Application of Fuzzy Unordered Rules Induction Algorithm and Decision Tree Models in Spatial Prediction of Shallow Landslides at Lang Son City, Vietnam” của Bùi Tiến Diệu, Biswajeet Pradhan, Inge Revhaug đã so sánh sự hiệu quả của 2 mô hình Fuzzy Unordered Rules Induction Algorithm và decision tree trong dự đoán trượt lở ở Lạng Sơn Dữ liệu trượt lở được chia ngẫu nhiên thành 70% cho tập train và 30% cho tập test; các yếu tố ảnh hưởng đến trượt lở bao gồm: độ dốc, thạch học, loại đất,

và khoảng cách đến đứt gãy Cả hai mô hình đều cho ra kết quả dự đoán nguy cơ trượt lở khá là tốt với FURIA có AUC = 0,802 và cây quyết định AUC = 0,783 [28]

Có thể thấy hai mô hình mạng nơ ron nhân tạo và máy vec tơ hỗ trợ được ứng dụng khá nhiều trong các nghiên cứu phân vùng nguy cơ trượt lở và cho độ chính xác cao hơn các mô hình phân loại khác Vì vậy, trong nghiên cứu này lựa chọn sử dụng hai mô hình mạng nơ ron nhân tạo và máy vec tơ hỗ trợ để xây dựng bản đồ phân vùng nguy cơ trượt lở dọc các tuyến giao thông trọng điểm tỉnh Quảng Nam

Một số vụ trượt lở gây thiệt hại lớn về người và tài sản ở Việt Nam: trượt lở tại bản Nà Lúm, xã Thái Học, huyện Bảo Lạc, tỉnh Cao Bằng tháng 9/1995 đã tàn phá một vùng rộng lớn Năm 1999 tại Quảng Trị, Thừa Thiên Huế, Quảng Nam, Quảng Ngãi, Bình Định xảy ra mưa lớn gây sạt lở làm 40 người bị vùi lấp, hàng trăm hộ dân phải di dời Tại thôn Sùng Hoàng, xã Phìn Ngan, huyện Bát Xát, tỉnh

12

Lào Cai xảy ra trượt lở làm 20 người mất tích, cuốn trôi tài sản của 4 hộ dân vào tháng 9/2004 Trượt lở tại xã Giang Ly, huyện Khánh Vĩnh, tỉnh Khánh Hòa vào tháng 28/02/2006 làm 9 người chết Mưa lớn kéo dài ở phía thượng lưu đã làm sạt

lở nghiêm trọng vùi lấp 15 nhà dân ở thôn 2, xã Đắk Búc So, huyện Tuy Đức (Đắc Nông) Vào sáng ngày 7/9/2012 xảy ra sạt lở núi tại xã La Pán Tẩn, huyện Mù Căng Chải, tỉnh Yên Bái làm vùi lấp 20 người trong đó tìm được 11 người, 3 người bị thương và 8 người chết Ngoài ra, trượt lở còn xảy ra trên các tuyến đường giao thông quan trọng như quốc lộ: 1A, 6, 279, 4D… gây ách tắc giao thông, thiệt hại về người và tài sản [2]

Trong nửa cuối thế kỉ XX và đầu thế kỉ XXI trên cả nước đã thực hiện nhiều

đề tài, dự án nghiên cứu về tai biến trượt lở trên phạm vi toàn quốc và một số khu vực cụ thể với nhiều cách tiếp cận và phương pháp nghiên cứu, đánh giá, dự báo, phòng tránh và giảm thiểu khác nhau Các công trình khoa học với quy mô lớn được

kể ra như: Nghiên cứu đánh giá trượt lở – lũ bùn đá một số vùng nguy hiểm miền núi Bắc Bộ, kiến nghị giải pháp phòng tránh, giảm nhẹ thiệt hại do Nguyễn Trọng Yêm chủ trì năm 2005 [15]; Đánh giá tính dễ bị tổn thương do trượt lở đất ở Việt Nam: Cơ sở nhận thức và phương pháp nghiên cứu đề xuất của Nguyễn Kim Lợi (2012); Nghiên cứu đánh giá tổng hợp các loại hình tai biến địa chất trên lãnh thổ Việt Nam và các giải pháp phòng tránh do Trần Trọng Huệ làm chủ nhiệm đề tài;

Đề án Điều tra, đánh giá và phân vùng cảnh báo nguy cơ trượt lở đất đá các vùng núi Việt Nam (2012) của Bộ Tài nguyên Môi trường… Các kết quả nghiên cứu đã đạt được những thành tựu đáng kể: thành lập các bản đồ hiện trạng trượt lở và phân loại các khu vực trượt lở với quy mô khác nhau, đánh giá cụ thể tác động của trượt

lở đến các công trình xây dựng quan trọng (giao thông, thủy điện), các cụm dân cư… Trong nhiều công trình đã khoanh vùng dự báo nguy cơ tiềm ẩn trượt lở, đưa

ra biện pháp phòng tránh và đánh giá rủi ro nếu trượt lở xảy ra nhằm phục vụ sự phát triển bền vững cho nền kinh tế – xã hội nước ta

Một số phương pháp nghiên cứu, tiếp cận tai biến trượt lở được công bố ở Việt Nam như phương pháp thành lập bản đồ địa mạo trực tiếp, phương pháp phân tích sự xuất hiện trượt lở, phương pháp sử dụng GIS và viễn thám để thành lập bản

đồ nguy cơ trượt lở, phương pháp đánh giá rủi ro trên các mô hình, phương pháp thống kê và các phương pháp nghiên cứu trượt lở dựa trên cơ sở phân tích đặc tính

cơ học của mô hình trượt lở để đưa ra những đánh giá, cảnh báo nguy cơ trượt lở nhằm giảm thiểu và phòng tránh tác động chúng [6]

13

Trong đó, việc sử dụng GIS – một phương pháp mới áp dụng các tiến bộ khoa học – kĩ thuật đã đem lại hiệu quả cao trong nghiên cứu, đánh giá và dự báo tai biến trượt lở Ứng dụng công nghệ GIS trên thế giới được đưa ra từ thế kỉ XX trước bởi Soeters và Van Westen (1996), Carrara và Guzzetti (1995) và được áp dụng ở nhiều nước trên thế giới (Colombia, Cuba, Philippines, Trung Quốc, Nhật Bản, Ấn

Độ, Malaysia và một số nước Châu Âu) [35] Ở Việt Nam, đã có nhiều nghiên cứu

về trượt lở ứng dụng công nghệ GIS kết hợp với phương pháp AHP ở một số khu vực như Quảng Trị (Nguyên Thám, Nguyễn Đăng Độ, Uông Đình Khanh) [6]; khu vực hồ thủy điện Sơn La (Trần Tuấn Anh, Nguyễn Tứ Dần); huyện Hòa Vang, Đà Nẵng (Lê Ngọc Hạnh, Trương Phước Minh) [8-11] Các nghiên cứu đã phân vùng vùng nguy cơ trượt lở theo các cấp, làm cơ sở đề quy hoạch phát triển, đánh giá, phòng tránh và giảm thiểu rủi ro do trượt lở gây ra Tuy nhiên các nhiên cứu trên còn mang tính định tính, mang yếu tố chủ quan vì vậy kết quả phân vùng còn chưa đem lại hiệu quả cao Trong những năm gần đây việc sử dụng một số mô hình máy học kết hợp với GIS trong nghiên cứu dự đoán trượt lở đang dần trở lên phổ biến và đem lại kết quả đáng tin cậy

Các đánh giá tổng quan chỉ ra rằng, hầu hết các nghiên cứu trượt lở đất tỷ lệ

vùng ở Việt Nam được tập trung ở việc phát triển các mô hình nhạy cảm trượt lở đất sử dụng nhiều phương pháp, công nghệ tại nhiều khu vực khác nhau, bao gồm:

(1) khu vực tỉnh Hòa Bình sử dụng các phương pháp thống kê và nhiều phương pháp máy học; (2) khu vực đường Quốc lộ 32 sử dụng các phương pháp máy học; (3) khu vực Lào Cai sử dụng phương pháp máy học kết hợp thuật toán tối ưu hóa; (4) khu vực Quỳ Hợp (tỉnh Nghệ An) sử dụng các phương pháp máy học; (5) khu vực thành phố Lạng Sơn sử dụng các công cụ máy học; (6) khu vực lưu vực nhà máy thủy điện Sơn La sử dụng nhiều công nghệ máy học; (7) khu vực huyện A Lưới (tỉnh Thừa Thiên Huế) sử dụng các phương pháp thống kê; (8) lưu vực trên của Sông Lô (Việt Nam) sử dụng các phương pháp thống kê; (9) khu vực Mù Cang Chải và huyện Lục Yên (tỉnh Yên Bái), cũng sử dụng các công nghệ máy học Hầu hết các bài báo trên được công bố ở các tạp chí quốc tế có thứ hạng cao trong danh mục ISI (tạp chí Landslides, Geomorphology, và Catena) và nhìn chung chúng có đóng góp tốt cho sự phát triển lý thuyết và thực hành về trượt lở

Trong nghiên cứu “A Comparative Assessment Between the Application of Fuzzy Unordered Rules Induction Algorithm and Decision Tree Models in Spatial Prediction of Shallow Landslides at Lang Son City, Vietnam” của Bùi Tiến Diệu đã

sử dụng thuật toán FURIA và mô hình cây quyết định để dự báo trượt lở ở thành phố Lạng Sơn Các dữ liệu hiện trạng và các yếu tố ảnh hưởng trượt lở được thu thập, xử lý và phân chia thành tập dữ liệu huấn luyện và tập dữ liệu kiểm tra theo tỷ

lệ 70:30 Dựa trên kết quả đánh giá độ chính xác của các mô hình cho thấy mô hình FURIA cho kết quả tốt nhất [28]

Hai mô hình LSSVM và ABC được thực hiện trong Nghiên cứu “Spatial prediction of rainfall-induced landslides for the Lao Cai area (Vietnam) using a hybrid intelligent approach of least squares support vector machines inference model and artificial bee colony optimization” của Bùi Tiến Diệu và nnk Cơ sở dữ liệu GIS với mười yếu tố ảnh hưởng đến trượt lở và 340 vị trí trượt lở xảy ra chủ yếu trong 20 năm qua được xây dựng Kết quả cho thấy khả năng dự đoán của mô hình là tốt với diện tích dưới đường cong (AUC) = 0,900, mô hình LSSVM-BC dự đoán tốt hơn so mới các mô hình SVM phổ biến Bản đồ độ nhạy cảm trượt lở tạo ra góp phần hỗ trợ cho quy hoạch sử dụng đất cho khu vực Lào Cai [27]

Trong nghiên cứu “A Comparative Study of Least Square Support Vector Machines and Multiclass Alternating Decision Trees for Spatial Prediction of Rainfall-Induced Landslides in a Tropical Cyclones Area” của Phạm Thái Bình và

15

nnk đã sử dụng hai mô hình LSSVM và MADT để phân vùng nguy cơ trượt lở ở huyện Lục Yên, tỉnh Yên Bái Mô hình được xây dựng dựa trên dữ liệu về lịch sử trượt lở (95 vị trí) và các yếu tố ảnh hưởng đến trượt lở: độ dốc, độ cao, thạch học,

sử dụng đất, khoảng cách đến đường, khoảng cách đến đứt gãy, khoảng cách đến sông và lượng mưa Kết quả cho thấy cả hai mô hình LSSVM và MADT đều có hiệu suất cao để dự đoán không gian về trượt lở trong khu vực nghiên cứu Tuy nhiên, mô hình MADT (AUC = 0,853) vượt trội hơn mô hình LSSVM (AUC = 0,804) [23]

Cho đến nay, đã có một số đề tài nghiên cứu các cấp đã được thực hiện liên quan đến vấn đề trượt lở tỉnh Quảng Nam Nguyễn Trọng Yêm và các cộng sự đã tiến hành điều tra hiện trạng trượt lở các tỉnh miền núi tỉnh Quảng Nam Trần Tân Văn và các cộng sự (2004, 2006) đã đi sâu nghiên cứu đánh giá điều kiện địa chất cấu trúc, kiến tạo tác động đến trượt lở vùng Duyên hải miền Trung, trong đó có tỉnh Quảng Nam Tác giả tập trung phân tích vai trò tác động của các yếu tố địa chất cấu tạo và vỏ phong hóa trong phát sinh trượt lở [12, 13] Công trình của Trần Trọng Huệ và các công sự (2006b, 2007) chủ yếu điều tra hiện trạng một số loại hình tai biến địa chất ở miền Trung và bước đầu đề xuất giải phát phòng tránh Ngoài ra còn có các nghiên cứu khác như “Đánh giá hiện trạng và phân vùng cảnh báo nguy cơ trượt lở tỉnh Quảng Nam” (Phạm Văn Hùng, 2008) [4]; “Nghiên cứu trượt lở ở vùng núi một số tỉnh duyên hải miền Trung - Phương pháp đánh giá” (Nghiêm Hữu Hạnh, 2010) [3]; Nghiên cứu đánh giá tai biến trượt lở bằng tích hợp các phương pháp địa chất, địa mạo, mô hình trọng số tối ưu của GIS ở các lưu vực sông khu vực Thừa Thiên Huế, Quảng Nam, Đà Nẵng, đề xuất các giải pháp phòng tránh (Mai Thành Tân, 2012) [9] Nhìn chung các công trình nghiên cứu trên đây đã đạt được những kết quả bước đầu: mô tả hiện tượng, thống kê thiệt hại, sáng tỏ các nguyên nhân chính gây ra trượt lở từ đó xây dựng được mô hình đánh giá tối ưu nguy cơ trượt lở trong khu vực, đưa ra bản đồ nguy cơ trượt lở và đề xuất các biện pháp phòng tránh giảm thiểu nguy cơ trượt lở

16

Hình 3 Trượt lở ở quốc lộ 14G tỉnh Quảng Nam Tuy nhiên, tại khu vực tỉnh Quảng Nam hiện chưa có nghiên cứu nào sử dụng các mô hình trong máy học để thành lập bản đồ phân vùng nguy cơ trượt lở dọc các tuyến giao thông Trên thực tế, các mô hình máy học đã chứng tỏ sự ưu việt

so với các mô hình truyền thống trong rất nhiều lĩnh vực, do vậy đề tài đã nghiên cứu áp dụng các phương pháp tính toán máy học để cải thiện độ chính xác trong phát hiện, dự báo và cảnh báo tai biến trượt lở Trong luận văn này, hai mô hình mạng nơ ron nhân tạo, máy vec tơ hỗ trợ được sử dụng để xây dựng bản đồ phân vùng nguy cơ trượt lở một số tuyến giao thông trọng điểm miền núi tỉnh Quảng Nam

1.2 Cơ sở tài liệu, quy trình và phương pháp nghiên cứu

1.2.1 Cơ sở tài liệu

Nguồn tài liệu sử dụng trong luận văn bao gồm số liệu trực tiếp thu thập ngoài thực địa, ảnh vệ tinh, và các nguồn tổng hợp từ đề tài liên quan đến trượt lở khu vực Quảng Nam với sự hỗ trợ từ đề tài “Nghiên cứu dự báo nguy cơ tai biến trượt lở mái dốc dọc các tuyến giao thông trọng điểm miền núi tỉnh Quảng Nam và

đề xuất giải pháp ứng phó”

Dữ liệu phục vụ xây dựng bản đồ phân vùng nguy cơ trượt lở bao gồm: lịch

sử trượt lở, các yếu tố ảnh hưởng đến trượt lở: Độ cao, độ dốc, mật độ phân cắt sâu, thạch học, khoảng cách đến đứt gãy, khoảng cách đến đường giao thông, chỉ số ẩm ướt của địa hình, lớp phủ Các dữ liệu được thu thập từ các bản đồ địa chất tỉ lệ

lộ - xử lý, biên tập trên phần mềm ArcGIS thành dữ liệu dạng vùng

1.3.2 Quy trình nghiên cứu

Các bước thực hiện:

1 Thu thập và xử lý số liệu

2 Lựa chọn, xây dựng mô hình dự đoán trượt lở -> tính toán, luận giải mô hình

3 Kiểm tra độ chính xác của mô hình

Thu thập, xử lý, làm sạch, chuyển đổi dữ liệu

Tiến hành thu thập, xử lý các dữ liệu không gian dựa trên phần mềm ArcGIS:

18

triển bởi nhóm R Development Core Team Phần mềm R là một trong những công

cụ phân tích thống kê học cũng như phân tích dữ liệu nói chung Trong 10 năm trở lại đây, R đã được nhiều trường đại học trên thế giới sử dụng rộng rãi Đây là phần mềm mã nguồn mở (miễn phí)

Ưu và nhược điểm của phần mềm R:

Ưu điểm:

 Phân tích biểu đồ;

 Mô hình thống kê mới nhất đều được hỗ trợ bởi R;

 Tính tương thích cao: chạy được trên nhiều platform (Hardoop, Linux);

 Tính linh động và các package được phát triển nhanh

Nhược điểm

 Nhiều package, chất lượng có thể không đồng bộ;

 Dùng nhiều bộ nhớ RAM

1.3.3.2 Mô hình mạng nơ ron nhân tạo và máy vector hỗ trợ

Trong nghiên cứu này sử dụng các mô hình trong máy học có giám sát: xây dựng một hàm từ dữ liệu huấn luyện bao gồm các cặp đối tượng đầu vào và đầu ra (đã được gán nhãn) Đầu ra của một hàm có thể là một giá trị liên tục (gọi là hồi quy), hay có thể là dự đoán một nhãn phân loại cho một đối tượng đầu vào (gọi là phân loại) Nhiệm vụ của chương trình học có giám sát là dự đoán giá trị của hàm cho một đối tượng bất kỳ là đầu vào hợp lệ, sau khi đã xem xét một số ví dụ huấn luyện (nghĩa là, các cặp đầu vào và đầu ra tương ứng)

Quá trình xây dựng mô hình mạng nơ ron nhân tạo và máy vec tơ hỗ trợ: Mô hình sẽ được xây dựng dựa trên việc phân tích các đối tượng dữ liệu đã được gán nhãn từ trước Tập các mẫu dữ liệu này còn được gọi là tập dữ liệu huấn luyện Sau khi xây dựng xong mô hình, cần phải sử dụng tập dữ liệu kiểm tra để tính độ chính xác của mô hình Dưới đây là lý thuyết của hai mô hình

19

a, Mô hình mạng nơ ron nhân tạo

Mạng nơ ron nhân tạo là mô hình toán học mô phỏng biểu hiện cho một số chức năng neuron trong hệ thống thần kinh con người (hình 4) Mô hình bao gồm tập hợp của các phương trình hồi quy tuyến tính

Hình 4 Hoạt động của mạng nơ ron nhân tạo như hệ thống mạng nơ ron trong bộ

não con người Cách thức hoạt động tín hiệu sẽ được truyền đi sang neuron khác (neurons fire) theo sợi trục (axon) Neural của model toán học ở đây cũng được mô phỏng tương tự như vậy Công thức mô phỏng đơn giản kết quả đầu ra y:

y = a(w1x1+w2x2+w3x3−θ) (1) Trong neural: weight – trọng số, θ ngưỡng (threshold), a là một function (activation function) - có nhiệm vụ là chuẩn hoá kết quả đầu ra Nếu không có activation function thì đầu ra y sẽ là 1 giá trị không có giới hạn Một vài Activation Function thường được sử dụng trong mô hình mạng nơ ron nhân tạo:

y = a(w1x1+w2x2+w3x3+b) (2) Trong đó: b là bias

Hình 5 Mạng lưới mạng nơ ron nhân tạo

Ưu điểm của mô hình mạng nơ ron nhân tạo:

 Tính linh động cao, có thể dung cho bài toán hồi quy và phân loại;

 Ưu điểm cho những mô hình không tuyến tính và có tương tác cao giữa các biến đầu vào;

 Độ chính xác thường cao hơn hầu hết các mô hình machine learning khác Nhược điểm:

 Yêu cầu lượng dữ liệu rất lớn để mô hình có độ chính xác cao;

 Bộ nhớ máy tính cao;

b, Mô hình máy vec tơ hỗ trợ

Máy vec tơ hỗ trợ là một thuật toán thuộc nhóm máy học có giám sát) dùng

để phân loại và phân tích hồi quy Máy vec tơ hỗ trợ là phương pháp phân loại rất hiệu quả được Vapnik giới thiệu vào năm 1995 để giải quyết nhận dạng mẫu hai lớp

sử dụng nguyên lý Cực tiểu hoá Rủi ro Cấu trúc (Structural Risk Minimization)

21

Nguyên lý của thuật toán này là cho trước một tập huấn luyện được biểu diễn trong không gian vector, phương pháp này tìm ra một mặt phẳng h quyết định tốt nhất có thể chia các điểm trên không gian này thành hai lớp riêng biệt tương ứng lớp + và lớp - Chất lượng của siêu mặt phẳng này được quyết định bởi khoảng cách (gọi là biên) của điểm dữ liệu gần nhất của mỗi lớp đến mặt phẳng này Khoảng cách biên càng lớn thì mặt phẳng quyết định càng tốt đồng thời việc phân loại càng chính xác Mục đích thuật toán máy vec tơ hỗ trợ tìm ra được khoảng cách biên lớn nhất để tạo kết quả phân loại tốt Sai số trung bình của mô hình này là 1.1%, tương đương với mô hình mạng nơ ron nhân tạo

Linear Classifier: bài toán phân chia trong mặt phẳng 2 chiều có thể có nhiều đáp án (hình 6)

Hình 6 Bài toán phân chia trong mặt phẳng 2 chiều Non-linear classifier: các chiều của biến đầu vào sẽ được biến đổi thành dữ liệu đa chiều để dễ dàng phân chia dữ liệu (hình 7)

22

Hình 7 Bài toán phân chia trong mặt phẳng đa chiều Kernel máy vec tơ hỗ trợ: tức việc áp dụng máy vec tơ hỗ trợ lên bài toán mà

dữ liệu giữa hai lớp là hoàn toàn không phân biệt tuyến tính (hình 8)

Ý tưởng cơ bản của kernel máy vec tơ hỗ trợ và các phương pháp kernel nói chung là tìm một phép biến đổi sao cho dữ liệu ban đầu là không phân biệt tuyến tính được biến sang không gian mới Ở không gian mới này, dữ liệu trở nên phân biệt tuyến tính

c) Hình 8 Mô phỏng biến đổi không gian của KernelKernel máy vec tơ hỗ trợ là việc đi tìm một hàm số biến đổi dữ liệu x từ không gian ban đầu thành dữ liệu trong một không gian mới bằng hàm số Φ(x)

23

Hàm số này cần thỏa mãn mục đích: trong không gian mới, dữ liệu giữa hai classes

là phân biệt tuyến tính hoặc gần như phần biệt tuyến tính

Một số hàm Kernel: Linear, Polynomial, Radial Basic Function, Sigmoid Trong nghiên cứu này sử dụng hàm Radial Basic Function

Radial Basic Function (RBF) kernel hay Gaussian kernel được sử dụng nhiều nhất trong thực tế Nó được định nghĩa bởi:

k(x,z) = exp(−γ||x−z|| ), γ>0 (3)

1.3.3.3 Xây dựng bản đồ phân vùng nguy cơ trượt lở

Quy trình xây dựng bản đồ cho 07 tuyến giao thông trọng điểm miền núi tỉnh Quảng Nam được thể hiện trong hình dưới đây

Hình 9 Các bước xây dựng bản đồ phân vùng nguy cơ trượt lở

24

Sau khi có kết quả từ hai mô hình cần tiến hành đánh giá độ chính xác của từng mô hình trên tập dữ liệu kiểm tra Công việc quan trọng nhất đối với bất kỳ mô hình tính toán nào là kiểm định các kết quả dự đoán Việc kiểm định có thể sử dụng một số tham số khác nhau Độ chính xác tổng thể được tính theo phương trình:

Ý nghĩa của AUCROC có thể diễn giải như sau: Là xác suất rằng một mẫu dương tính được lấy ngẫu nhiên sẽ được xếp hạng cao hơn một mẫu âm tính được lấy ngẫu nhiên Chỉ số AUC càng cao thì mô hình càng chính xác trong việc phân loại các lớp

Đường cong ROC biểu diễn các cặp chỉ số (TPR, FPR) tại mỗi ngưỡng với TPR là trục tục và FPR là trục hoành

Hình 10 Mô phỏng AUC - ROC

25

CHƯƠNG II ĐIỀU KIỆN TỰ NHIÊN – KINH TẾ XÃ HỘI KHU VỰC

NGHIÊN CỨU 2.1 Vị trí địa lý

Quảng Nam là một tỉnh ven biển thuộc vùng phát triển kinh tế trọng điểm của miền Trung, phía Bắc giáp thành phố Đà Nẵng, phía Đông giáp biển Đông với trên 125 km bờ biển, phía Tây giáp tỉnh Kon Tum và nước cộng hoà Dân chủ Nhân dân Lào, phía Nam giáp tỉnh Quảng Ngãi Quảng Nam có 16 huyện và 2 thành phố, trong đó có 6 huyện miền núi là Tây Giang, Đông Giang, Nam Giang, Phước Sơn, Bắc Trà My, Nam Trà My; 12 huyện, thành đồng bằng: thành phố Tam Kỳ, thành phố Hội An, huyện Điện Bàn, Duy Xuyên, Đại Lộc, Hiệp Đức, Tiên Phước, Nông Sơn, Thăng Bình, Quế Sơn, Núi Thành và Phú Ninh [1]

Diện tích tự nhiên của tỉnh là 10.406 km2

Hình 11 Sơ đồ khu vực nghiên cứu

26

Phạm vị nghiên cứu: Xây dựng bản đồ phân vùng cho 07 tuyến đường quốc

lộ khu vực miền núi tỉnh Quảng Nam: Hồ Chí Minh, 14B, 14D, 14E, 14G, 40B, 24C (hình 11)

2.2 Đặc điểm tự nhiên

2.2.1 Đặc điểm địa hình

Trên địa bàn tỉnh Quảng Nam, địa hình phân dị rất phức tạp, gồm cả địa hình núi, đồi, đồng bằng thung lũng sông và đồng bằng ven biển Chúng phát triển trên các thành tạo móng cấu trúc Proterozoi, Paleozoi và Mezozoi Các kiểu địa hình phân bố phản ánh những đặc trưng của cấu trúc tân kiến tạo và hiện đại khu vực

Núi trung bình bóc mòn - xâm thực phát triển trên cấu trúc nâng uốn nếp khối tảng địa lũy trong Tân kiến tạo phân bố dọc theo biên giới Việt - Lào, thuộc địa phận các huyện Tây Giang, Đông Giang, Nam Giang và Phước Sơn Các dãy núi chạy dài theo phương á kinh tuyến, cao trung bình từ 1600 - 1800m Chúng phát triển trên móng uốn nếp Paleozoi, do quá trình nâng lên tạo núi uốn nếp khối tảng dạng địa lũy trong giai đoạn Tân kiến tạo Địa hình bị phân cắt mạnh mẽ có dạng tuyến, hình thành các sườn dốc trên 450 Hình thái sườn thẳng, thuận lợi cho các quá trình bóc mòn, xâm thực, trượt lở Núi trung bình - thấp bóc mòn - xâm thực phát triển trên cấu trúc nâng uốn nếp khối tảng dạng địa lũy trong giai đoạn Tân kiến tạo phân bố chủ yếu trên địa bàn các huyện Đông Giang, Bắc Trà My và Nam Trà My Kiểu địa hình này phát triển trên móng uốn nếp Paleozoi bị nâng lên tạo núi uốn nếp khối tảng dạng địa lũy trong giai đoạn Tân kiến tạo, gồm các dãy núi chạy theo phương á vỹ tuyến, cao trung bình từ 1000-1200m Các quá trình sườn phát triển, phổ biến là bóc mòn, xâm thực, trượt lở đất Núi thấp bóc mòn - xâm thực phát triển trên cấu trúc uốn nếp vòm khối tảng trong giai đoạn Tân kiến tạo phân bố ở địa phận các huyện Nam Giang, Nông Sơn, Quế Sơn, Tiên Phước và Hiệp Đức Kiểu địa hình này phát triển trên móng uốn nếp Mezozoi bị nâng lên uốn nếp dạng vòm khối tảng trong giai đoạn Tân kiến tạo, gồm các dãy núi phát triển theo phương á vĩ tuyến và ĐB-TN, cao trung bình từ 700 - 1000m Các quá trình sườn phát triển: bóc mòn, xâm thực, tích tụ, trượt lở Đồi, núi thấp bóc mòn - xâm thực phát triển trên

27

cấu trúc uốn nếp khối tảng trong giai đoạn Tân kiến tạo phân bố ở các huyện Đại Lộc, Duy Xuyên, Hiệp Đức, Quế Sơn, Tiên Phước và Phú Ninh Chúng phát triển trên cấu trúc móng uốn nếp Mezozoi bị nâng yếu dạng uốn nếp khối tầng trong Tân kiến tạo, gồm các dãy núi thấp, đồi phát triển theo phương ĐB-TN và á vĩ tuyến, cao trung bình từ 200 - 600m Các quá trình sườn phát triển: bóc mòn, xâm thực, rửa trôi bề mặt và tích tụ Đồi bóc mòn - tích tụ phát triển trên cấu trúc nâng yếu uốn nếp khối tảng trong giai đoạn Tân kiến tạo, phân bố trên địa bàn các huyện Quế Sơn, Phú Ninh, Núi Thành, Tiên Phước và thành phố Tam Kỳ Chúng phát triển trên móng uốn nếp bị nâng lên yếu dạng uốn nếp khối tảng trong giai đoạn Tân kiến tạo, gồm các dãy đồi phát triển theo phương á vĩ tuyến, cao trung bình từ 100-300m Các quá trình sườn phát triển: xâm thực, rửa trôi bề mặt và tích tụ Ngoài ra còn các dạng địa hình đồng bằng theo các nguồn gốc khác nhau

Trên địa bàn tỉnh Quảng Nam còn phân bố các dạng địa hình có nguồn gốc xâm thực và kiến tạo Các dạng địa hình kiến tạo như: sườn kiến tạo, các vách, bậc kiến tạo và đoạn thung lũng kiến tạo phân bố chủ yếu dọc theo các thung lũng sông

Pô Cô, Bung, Vu Gia, Côn, Tranh, Đắc My; các đoạn thung lũng thẳng phát triển dọc theo đứt gãy Dạng địa hình ngoại sinh như: các thung lũng treo phân bố ở dọc sườn đông nam các dãy núi ở Quế Sơn, các dấu tích mặt sang bằng Miocen giữa, Miocen muộn, Pliocen muộn… còn tồn tại trên các bậc độ cao 1500-1800m, 900-1000m, 300-500m, 100-200m

2.2.2 Đặc điểm mạng lưới thủy văn

Trên địa bàn tỉnh Quảng Nam, mạng lưới thủy văn phát triển dày đặc với các dòng sông, suối ngắn, dốc và nhiều thác ghềnh Trong đó, nổi lên là hệ thống sông

Vu Gia - Thu Bồn và sông Tam Kỳ

Sông Thu Bồn là một trong những sông lớn nhất ở miền Trung nước ta, giữ vai trò quan trọng trong đời sống kinh tế - xã hội của tỉnh Quảng Nam Sông bắt nguồn từ sườn đông của dải núi Trường Sơn, gồm các phụ lưu chính: sông Tranh và sông Vu Gia Các thông số chính của sông Thu Bồn như sau: chiều dài sông 205km, chiều dài lưu vực 148km, diện tích lưu vực 10350km2 và đổ ra biển ở Cửa Đại Các

28

phụ lưu sông Vu Gia và sông Tranh hợp lưu với nhau tại xã Đại Hòa, huyện Đại Lộc Thượng nguồn sông Vu Gia gồm hai phụ nhánh: sông Bung ở phía Bắc và sông Đắc My ở phía nam Hai nhánh này hợp lưu tại Đại Sơn, huyện Đại Lộc

Sông Bung có phần thượng nguồn chảy theo phương á kinh tuyến trên địa phận huyện Tây Giang và phần hạ lưu chảy theo phương á vỹ tuyến trên địa bàn huyện Đông Giang Thung lũng sông Bung có lòng sông hẹp, sườn thung lũng sông dốc dứng, lòng sông có nhiều thác ghềnh Tại xã Za Hung, huyện Đông Giang, sông uốn khúc mạnh mẽ, nhiều chỗ uốn khúc đột ngột gần vuông góc, quá trình xâm thực sâu chiếm ưu thế Thung lũng sông Đắc My có lòng sông hẹp, sườn thung lũng dốc đứng, lòng sông phát triển nhiều thác ghềnh, uốn khúc mạnh mẽ, nhiều nơi sông uốn khúc gần vuông góc như ở khu vực Bến Giằng, Phước Hòa và Dak Nhe

Sông Tranh là phụ lưu của sông Thu Bồn, bắt nguồn từ phía nam tỉnh Quảng Nam, trên địa bàn các huyện Nam Trà My, Bắc Trà My, chảy theo phương á kinh tuyến từ phía nam lên phía bắc Phần thượng nguồn có lòng sông hẹp, dốc và nhiều thác ghềnh Quá trình xâm thực sâu chiếm ưu thế Ở phần trung lưu (từ huyện Bắc Trà My đến huyện Hiệp Đức), lòng sông mở rộng, uốn khúc mạnh mẽ, nhiều đoạn

có lắng đọng trầm tích Đệ tứ Phần hạ lưu, thung lũng sông chảy trong vùng đồi và đồng bằng theo phương tây bắc-đông nam trên địa bàn các huyện Tiên Phước, Hiệp Đức và Nông Sơn, lòng sông mở rộng, thoải, quá trình xâm thực ngang chiếm ưu thế

Hạ lưu sông Thu Bồn chảy trên địa bàn các huyện Duy Xuyên, Điện Bàn, Đại Lộc và thành phố Hội An, theo phương á vĩ tuyến với chiều dài khoảng 50km Lòng sông mở rộng, thoải, uốn khúc mạnh mẽ, quá trình xâm thực ngang chiếm ưu thế Sông Thu Bồn đổ ra biển qua một cửa chính (cửa Đại) và hai cửa phụ: một cửa phụ ở phía bắc tỉnh Quảng Nam và một cửa phụ ở khu vực Mỹ Á (huyện Núi Thành)

Sông Tam Kỳ bắt nguồn từ sườn phía bắc núi Chùa, trên độ cao từ 700 - 900m thuộc huyện Bắc Trà My và Núi Thành Sông Tam Kỳ chảy theo phương á kinh tuyến, qua các huyện Núi Thành, Phú Ninh rồi theo phương á vỹ tuyến chảy

29

qua thành phố Tam Kỳ đổ vào vũng An Hòa (huyện Núi Thành) Các khe suối có trắc diện ngang dạng hẻm dốc, trắc diện dọc dốc, nhiều thác ghềnh Quá trình xâm thực sâu của các sông, suối rất phát triển

Nhìn chung, mạng lưới thủy văn ở tỉnh Quảng Nam phát triển khá dày đặc với các hệ thống sông chính: Thu Bồn và Tam Kỳ chảy theo hai phương chính: á kinh tuyến và á vỹ tuyến Long sông dốc, nhiều thác ghềnh và chuyển khá đột ngột

từ miền núi xuống đồng bằng trũng thấp

2.2.3 Đặc điểm khí hậu

Tỉnh Quảng Nam nằm trong vùng khí hậu nhiệt đới gió mùa hiển hình, nhiệt

độ cao và ít biến động Khí hậu Quảng Nam là nơi chuyển tiếp, đan xen giữa khí hậu miền Bắc và miền Nam, với tính trội là khí hậu nhiệt đới điển hình ở phía Nam Mỗi năm có 2 mùa rõ rệt: mùa mưa kéo dài từ tháng 8 đến tháng 12 và mùa khô từ tháng 1 đến tháng 7, thỉnh thoảng có những đợt rét mùa đông nhưng không đậm và không kéo dài

Ngoài sự phân hóa theo chiều cao, khí hậu tỉnh Quảng Nam còn bị phân hóa theo mức độ ảnh hưởng của gió mùa Đông Bắc và gió mùa Tây Nam Chế độ gió thay đổi theo mùa rõ rệt và chịu ảnh hưởng nhiều về hướng phân bố của dải núi Trường Sơn Dãy núi Bạch Mã tách khỏi dải núi Trường Sơn, chạy theo phương á

vĩ tuyến đâm thẳng ra phía biển cùng với dãy núi Ngọc Linh ở phía nam với độ cao lớn, đạt 2598m, đã ảnh hưởng trực tiếp đến khí hậu ở tỉnh Quảng Nam Gió mùa đông thường ưu thế là gió Đông Bắc Xen kẽ giữa các đợt gió mùa Đông Bắc là những luồng gió Đông, Đông Nam phát triển Gió mùa hè là gió Tây Nam và Nam

Do ảnh hưởng của địa hình, khí hậu của tỉnh Quảng Nam bị phân hóa mạnh mẽ thành các tiểu vùng khí hậu khác nhau, ngay cả khi chịu tác động của cùng một hình thế thời tiết

Tỉnh Quảng Nam là nơi chịu tác động thường xuyên và mạnh mẽ của các nhiễu động khí quyển quy mô lớn như: bão, áp thấp nhiệt đới, front lạnh, hội tụ nhiệt đới Đây là các hình thể thời tiết thường gây ra mưa lớn trên phạm vi rộng Thêm vào đó, hầu như toàn bộ lượng mưa do các hình thế thời tiết gây ra lại tập

2.2.4 Đặc điểm địa chất

Lãnh thổ tỉnh Quảng Nam nằm trong vùng có cấu tạo địa chất phân dị phức tạp Đây là vùng bị phá hủy mạnh mẽ, rồi xây dựng lại qua nhiều thời kỳ địa chất khác nhau Các thành tạo địa chất lộ ra ở trên địa bàn Quảng Nam có tuổi từ Protezoizoi đến Kainozoi

2.2.4.1 Địa tầng

Hệ tầng Khâm Đức (NP kđ) bao gồm chủ yếu là các đá biến chất, phân bố

rộng rãi trên địa bàn tỉnh Quảng Nam Chúng tạo thành dải kéo dài từ Phước Sơn qua Tiên Phước đến Phú Ninh Thành phần thạch học gồm phiến muscovit, phiến biotit, phiến amphibol, phiến thạch anh - plagioclas - biotit, gneis biotit, phiến 2 mica - graphit, gneis biotit - granat Chiều dày chung của hệ tầng từ 5000 - 5800m

Hệ tầng Núi Vú (NP-1 nv) phân bố thành dải có phương á vỹ tuyến, từ Phước Sơn,

Bắc Trà My đến Tiên Phước Thành phần thạch học gồm: phiến amphibol, phiến thạch anh-mica, phiến thạch anh-sericit, phiến silic Chiều dày của

plagioclas-hệ tầng Núi Vú từ 1200 - 1600m

31

Hệ tầng A Vương (2-O1 av) phân bố thành những dải chạy theo phương á vỹ

tuyến từ Tây Giang đến Đông Giang và từ Tây Giang đến Phước Sơn Thành phần thạch học gồm: phiến sericit - thạch anh, phiến sét đen, cuội kết, cát kết quarzit, silic, đá hoa dạng khối, đá hoa dạng sọc dải, phiến sericit, carbonat xen lớp mỏng cát kết quarzit Bề dày chung của hệ tầng 3100m

Hệ tầng Long Đại (O1-S lđ) phân bố chủ yếu ở địa bàn huyện Tây Giang

Thành phần thạch học gồm: cát kết xen kẽ bột kết, phiến sét, các lớp mỏng hoặc thấu kính phun trào axit bị biến chất, phiến sét, bột kết

Hệ tầng Tân Lâm (D1-2 tl) phân bố ở BHa Lêê và A Tép (huyện Tây Giang)

Thành phần thạch học gồm cát kết ít khoáng, cát kết quarzit, cát bột kết, phiến sét, thấu kính cuội sạn kết và cuội kết Chiều dày từ 700 - 750m

Hệ tầng Ngũ Hành Sơn (C-P nhs) lộ ra thành chỏm nhỏ ở phía bắc huyện

Điện Bàn Thành phần chủ yếu là đá hoa màu xám trắng, xám sẫm, phớt hồng Trong đá hoa có kẹp một vài lớp đá phiến thạch anh-sericit mỏng Hệ tầng dày 500m

Hệ tầng Sông Bung (T1 sb) lộ ra ở khu vực ngã ba sông Bung và sông A

Vương, trên địa bàn huyện Tây Giang, phía tây huyện Nông Sơn và dọc biên giới Việt - Lào thuộc huyện Nam Giang Thành phần thạch học gồm: cát kết, cát kết tuf, ryolit porphyr, cát kết xen bột kết, bột kết chứa vôi xen các lớp ryolit Chiều dày của hệ tầng 1820m

Hệ tầng Nông sơn (T3n-r ns) phân bố ở các huyện Nông Sơn và Nam Giang

Thành phần thạch học gồm: cuội kết xen cát kết, bột kết, phiến sét và các lớp than Chiều dày của hệ tầng từ 950 - 1000m Các trầm tích Jura khá phổ biến ở các huyện Nông Sơn, Duy Xuyên, Nam Giang và Đông Giang

Các trầm tích Jura gồm ba hệ tầng: Bàn Cờ và Khe Rèn có tuổi Jura sớm và

hệ tầng Hữu Chánh có tuổi Jura giữa Hệ tầng Bàn Cờ (J1 bc) phân bố ở Nông Sơn

Thành phần thạch học gồm: cuội kết, sạn kết, cát kết thạch anh hạt thô, bột kết, cuội vôi xen kẽ nhau Tổng chiều dày là 754m Hệ tầng Khe Rèn (J1 kr) phân bố ở Đông

Giang và Duy Xuyên Thành phần thạch học gồm: sét vôi, vôi sét, bột kết chứa