MỤC LỤC TẠP CHÍ KHÍ TƯỢNG THỦY VĂN SỐ THÁNG 3 NĂM 2025

TT	Tên bài và tác giả	Số Trang
1	Ứng dụng công nghệ UAV và WebGIS trong xây dựng bản đồ 3D trực tuyến Vũ Xuân Định^1* ¹ Bộ môn Trắc địa bản đồ và GIS, Viện Quản lý đất đai và PTNT, Trường Đại học Lâm nghiệp; dinh.vuxuan@gmail.com Tác giả liên hệ: dinh.vuxuan@gmail.com; Tel.: +84–989640422 Tóm tắt:* Nghiên cứu tập trung vào việc ứng dụng công nghệ UAV và hệ thống WebGIS để xây dựng bản đồ 3D trực tuyến cho Trường Đại học Lâm nghiệp Việt Nam (VNUF), nhằm cung cấp một công cụ quản lý hiện đại và hiệu quả. UAV Phantom 4 RTK đã được sử dụng để thu thập dữ liệu hình ảnh với độ phân giải cao (2,24 cm/pixel) trên toàn bộ khu vực nghiên cứu, bao gồm cả việc chụp chi tiết các công trình kiến trúc. Quá trình xử lý dữ liệu từ UAV đã tạo ra mô hình số địa hình (DTM), ảnh trực giao, và mô hình 3D của các công trình, đảm bảo độ chính xác cao và chất lượng vượt trội. Cơ sở dữ liệu bản đồ 3D của khu vực trung tâm VNUF đã được thiết lập trong QGIS và sau đó chuyển đổi thành bản đồ 3D trực tuyến. Hệ thống này cho phép người dùng tương tác và truy xuất thông tin, hỗ trợ hiệu quả cho công tác quản lý, giảng dạy và tham quan khuôn viên trường. Kết quả nghiên cứu khẳng định rằng sự kết hợp giữa công nghệ UAV và WebGIS là một công cụ hiệu quả trong việc tạo ra hệ thống bản đồ 3D trực tuyến hiện đại và chính xác. Phương pháp này không chỉ mang lại nhiều tiện ích cho việc quản lý và giám sát mà còn có tiềm năng ứng dụng rộng rãi tại nhiều khu vực khác ở Việt Nam. Từ khóa: Bản đồ 3D; Bản đồ trực tuyến; GIS; Trường Đại học Lâm nghiệp; UAV; WebGIS	1
2	Phân vùng nguy cơ trượt lở đất ứng dụng GIS, viễn thám và kỹ thuật đa yếu tố tại huyện Bù Đăng, tỉnh Bình Phước, Việt Nam Nguyễn Thị Kim Trang¹, Phạm Khắc Khoa¹, Nguyễn Nhật Nguyên¹, Ngô Trần Sang¹, Lê Trọng Diệu Hiền^1* ¹ Trường Đại học Thủ Dầu Một; 2128501010189@student.tdmu.edu.vn; phamkhoa855@gmail.com; 2128501010079@student.tdmu.edu.vn; 2128501010073@student.tdmu.edu.vn; hienltd@tdmu.edu.vn Tác giả liên hệ: hienltd@tdmu.edu.vn ; Tel.: +84–372831517 Tóm tắt:* Nghiên cứu này đã vận dụng kỹ thuật GIS và viễn thám kết hợp với phân tích nhiều yếu tố và thống kê chỉ số tai biến nhằm xác định mối quan hệ giữa các yếu tố chính ảnh hưởng trượt lở đất bao gồm thổ nhưỡng, lượng mưa, chỉ số thực vật (NDVI), chỉ số nước (NDWI), địa hình (độ cao, hướng sườn, độ cong tiếp tuyến, và độ cong địa hình), khoảng cách tới đường giao thông, và khoảng cách tới mặt nước. Bản đồ phân vùng nguy cơ trượt lở đất hình thành từ quá trình chồng xếp của 10 bản đồ phân lớp yếu tố ảnh hưởng, phân chia thành 3 mức độ: Thấp (1), trung bình (2), cao (3). Kết quả nghiên cứu chỉ ra rằng, nguy cơ trượt lở đất thấp với diện tích 73.273,5 ha, tiếp đến là nguy cơ trượt lở trung bình và cao với diện tích 44.884,6 ha và 29.886,8 ha lần lượt chiếm 49,5%; 30,3% và 20,2% diện tích tự nhiên. Bản đồ nguy cơ trượt lở đất được xác định bằng đường cong ROC sử dụng dữ liệu thử nghiệm 30%. Kết quả đối với diện tích dưới đường cong (AUC) tỷ lệ dự đoán là 50% đối với độ nguy cơ trượt lở đất cao, thấp và trung bình với độ chính xác là 75%. Bản đồ nhạy cảm trượt lở đất là công cụ hỗ trợ giám sát dự báo trượt lở đất cho người dân và chính quyền địa phương, hữu ích trong công tác quy hoạch và quản lý đất đai, nhằm giảm thiểu đáng kể rủi ro thiên tai do trượt lở gây ra. Từ khóa: GIS; Viễn thám; Kỹ thuật đa yếu tố; Trượt lở đất; Bình Phước.	15
3	Quan trắc các trường thủy động lực khu vực biển từ Hải Phòng tới Thái Bình trong giai đoạn bão Yagi (9/2024) *Nguyễn Kim Cương^1, Trần Ngọc Anh¹, Trần Thanh Huyền², Nguyễn Bá Thủy³, Nguyễn Xuân Lộc¹, Vũ Hải Đăng⁴** ¹ Trường ĐH Khoa học Tự nhiên, ĐH Quốc gia Hà Nội; cuongnk@hus.edu.vn; tranngocanh@hus.edu.vn; nxloc@hus.edu.vn ² Trường ĐH Littoral - Côte d'Opale (ULCO) - Pháp; huyen-thanh.tran@univ-littoral.fr ³ Trung tâm Dự báo Khí tượng Thủy văn Quốc gia, Tổng cục Khí tượng Thủy văn; thuybanguyen@gmail.com ⁴ Viện Địa chất và Địa vật lý Biển, Viện Hàn lâm Khoa học và Công nghệ Việt Nam; vuhaidang@hotmail.com Tác giả liên hệ: cuongnk@hus.edu.vn; Tel.: +84–949170184 Tóm tắt: Bài báo trình bày phương pháp quan trắc hiện đại các trường thủy động lực trên mặt biển và bộ số liệu hiếm có đã thu nhận được tại khu vực biển từ Hải Phòng tới Thái Bình trong giai đoạn trước và khi bão Yagi đi vào vịnh Bắc Bộ bằng hệ thống radar di động tần số cao. Các số liệu quan trắc mực nước, sóng và dòng chảy được trình bày và phân tích biến động theo không gian và thời gian. Từ số liệu quan trắc mực nước từ trạm hải văn Hòn Dấu cho thấy giai đoạn khi bão Yagi đổ bộ đã gây nước dâng và rút lớn nhất tương ứng là 124 cm và 84 cm. Các quan trắc radar với độ phân giải không gian và thời gian cao cho thấy độ cao sóng có nghĩa giai đoạn bão tác động trực tiếp tới bờ biển có thể đạt xấp xỉ 3 m và biến động lớn theo độ sâu. Bão đã làm đổi hướng dòng chảy về hướng đông nam thay vì hướng tây nam như giai đoạn trước đó do tác động của gió ở phía trái đường đi của bão. Từ khóa:* Bão Yagi; Radar biển; Độ cao sóng; Dòng chảy mặt biển.	30
4	Nghiên cứu xác định bản đồ lớp phủ sử dụng công nghệ học máy phục vụ đánh giá tác động của biến động lớp phủ đến chế độ dòng chảy trên lưu vực sông Đà ngoài lãnh thổ vào Việt Nam *Trần Mạnh Cường^1, Trần Anh Phương¹, Lê Mạnh An², Bùi Huyền Linh¹, Trần Văn Tú¹** ¹ Viện Khoa học tài nguyên nước, Bộ Tài nguyên và Môi trường; manhcuongkt11@gmail.com; phuongtran.monre@gmail.com; linhb.dctv@gmail.com; trantu.monre@gmail.com; ² Trung tâm Công nghệ Khí tượng thủy văn, Tổng Cục Khí tượng thủy văn, Bộ Tài nguyên và Môi trường; lemanhan82@gmail.com Tác giả liên hệ: manhcuongkt11@gmail.com; Tel.: +84–987986233 Tóm tắt:* Trong những năm qua, lớp phủ trên lưu vực sông Đà bên ngoài lãnh thổ Việt Nam có nhiều thay đổi, góp phần tác động đến dòng chảy vào Việt Nam. Tuy nhiên, do thiếu dữ liệu, việc đánh giá tác động này gặp nhiều thách thức. Bài báo này trình bày kết quả ứng dụng công nghệ học máy để xây dựng bản đồ lớp phủ từ ảnh viễn thám phục vụ đánh giá biến động của lớp phủ theo thời gian và tác động của nó đến dòng chảy trên lưu vực sông Đà ngoài lãnh thổ sử dụng mô hình SWAT. Dữ liệu lớp phủ các năm 2000 và 2020 làm đầu vào cho mô hình SWAT được xây dựng từ ảnh vệ tinh bằng thuật toán học máy trên nền tảng Google Earth Engine. Độ chính xác của lớp phủ được đánh giá bằng độ chính xác tổng thể và hệ số Kappa, cho thấy kết quả giải đoán ảnh tương đối tốt. Mô hình SWAT được thiết lập để so sánh sự thay đổi của lượng nước trên lưu vực tương ứng với lớp phủ năm 2000 (KB1) và năm 2020 (KB2). Lớp phủ xây dựng tại thời điểm năm 2000 và năm 2020 cho thấy diện tích khu vực xây dựng tăng 866,92%, rừng tăng 4,26%, đất trống tăng 3,39%, mặt nước tăng 63,89%, diện tích cây bụi - cỏ giảm 11,60%. Dòng chảy trong KB2 tăng lên so với KB1 trên phần lớn các tiểu lưu vực khi xét trong cả năm. Mùa khô dòng chảy trên toàn lưu vực giảm 0,15%, mùa mưa tăng 0,08% và cả năm tăng 0,04%. Từ khóa: Sông Đà; Lớp phủ; Mô hình SWAT; Google Earth Engine.	40
5	Đánh giá hiệu suất của mô hình CNN(Conv1D), CNN(Conv3D) trong phân tích dữ liệu GNSS Lê Đức Tình¹, Đỗ Thị Phương Thảo¹, Trần Đức Thắng², Đặng Trọng Hợp³, Nguyễn Gia Trọng^1,4* ¹ Trường Đại học Mỏ - Địa chất; leductinh@humg.edu.vn; dothiphuongthao@humg.edu.vn; nguyengiatrong@humg.edu.vn ² Công ty Cổ phần Tư vấn Xây dựng Điện; ducthangp10pecc1@gmail.com ³ Cục Chuyển đổi số và Thông tin Dữ liệu Tài nguyên Môi trường, Bộ Tài nguyên và Môi trường; dangtronghop244@gmail.com ⁴ Nhóm nghiên cứu Trắc địa cao cấp - môi trường, Trường Đại học Mỏ - Địa chất Tác giả liên hệ: nguyengiatrong@humg.edu.vn; Tel.: +84–963124980 Tóm tắt:* Nghiên cứu này đánh giá khả năng ứng dụng của mô hình học sâu CNN(Conv1D), CNN(Conv3D) trong phân tích dữ liệu 3D thay đổi theo thời gian với trường hợp điển hình là chuỗi dữ liệu GNSS theo thời gian. Theo đó, dữ liệu thu nhận được của trạm GNSS CORS có tên HYEN từ 10/8/2019 đến 18/3/2022 sau khi được xử lý bằng phần mềm Gamit/Globk để nhận được các thành phần tọa độ N, E, h hàng ngày. Nghiên cứu sử dụng ngôn ngữ lập trình python, với các hàm thư viện như pandas, sklearn, tensorflow… Nghiên cứu đã xây dựng mô đun chương trình dự đoán cho mô hình CNN(Conv1D), CNN(Conv3D). Kết quả thực nghiệm cho thấy, mô hình học sâu cho hiệu quả dự đoán tốt hơn dù tỷ lệ phân chia dữ liệu giữa tập dữ liệu huấn luyện với tập dữ liệu kiểm tra (60% - 40%) so với tỷ lệ tương ứng của mô hình ANN cao hơn (80% - 20%). Hiệu suất của mô hình CNN(Conv3D) khi dự đoán chuỗi dữ liệu GNSS theo thời gian thấp hơn so với kết quả dự đoán sử dụng mô hình CNN(Conv1D). Tuy nhiên, khi đưa thêm thời gian làm 1 lớp của dữ liệu đầu vào, hiệu suất dự đoán với mô hình CNN(Conv3D) được cải thiện một cách rõ nét. Các thông số đặc trưng cho hiệu suất dự đoán của mô hình CNN(Conv1D) như RMSE = 0,67 mm, MAE = 0,53 mm, R2 = 99,7% là rất cao chứng tỏ hiệu quả của mô hình trong dự đoán chuỗi dữ liệu GNSS theo thời gian. Từ khóa: Học sâu; Học sâu một chiều; Học sâu 3 chiều; Dữ liệu theo chuỗi thời gian.	55
6	Nghiên cứu xây dựng công trình đập dâng Xuân Quan - Long Tửu nhằm nâng cao hiệu quả lấy nước vào sông Đáy trong mùa kiệt *Nguyễn Duy Quang¹, Bùi Tuấn Hải^1, Nguyễn Văn Tuấn¹, Lưu Văn Quân², Nguyễn Quốc Tú¹** ¹ Viện Quy hoạch Thủy lợi, Bộ Nông nghiệp và Phát triển nông thôn; nguyenduyquang.wru@gmail.com; buituanhai@gmail.com; tuankyushu@gmail.com; tu0967603560@gmail.com ² Trường Đại học Thủy lợi, Bộ Nông nghiệp và Phát triển nông thôn; luuvanquan_tb@tlu.edu.vn Tác giả liên hệ: buituanhai@gmail.com; Tel.: +84–989336330 Tóm tắt:* Lưu vực sông Đáy là một trong những lưu vực lớn nằm trong lưu vực sông Hồng - Thái Bình. Trên địa bàn lưu vực có một số sông như sông Tích, sông Đáy, sông Nhuệ, sông Châu Giang và sông Đào Nam Định là những phân lưu của sông Hồng. Trong đó, sông Đáy lấy nước từ sông Hồng qua cống Cẩm Đình thuộc địa phận huyện Phúc Thọ - TP.Hà Nội là sông chính lớn nhất và dài nhất. Những năm gần đây cống Cẩm Đình không thể lấy nước trong mùa kiệt khiến nhiều đoạn sông Đáy trở thành sông chết do không có dòng chảy. Bài báo trình bày kết quả nghiên cứu đã sử dụng mô hình MIKE11 để mô phỏng, đánh giá tác động của việc xây dựng cụm đập dâng Xuân Quan - Long Tửu trên sông Hồng, sông Đuống tới khả năng nâng cao hiệu quả lấy nước vào sông Đáy trong mùa kiệt. Phương pháp nghiên cứu này cũng có thể sử dụng để đánh giá tác động khi xây dựng những đập dâng khác trên các lưu vực sông, đặc biệt là lưu vực sông Hồng - Thái Bình. Kết quả của nghiên cứu có thể được áp dụng giúp các cơ quan quản lý, cơ quan lập quy hoạch lựa chọn được tuyến công trình và cao trình công trình. Từ khóa: Đập dâng sông Hồng; Lưu vực sông Đáy; Hạ thấp mực nước; MIKE 11.	65
7	So sánh đánh giá hiệu suất dự toán của ba mô hình CNN, LSTM và CNN-LSTM dự đoán lưu lượng dòng chảy bằng thuật toán học máy *Nguyễn Thị Thùy Linh^1, Nguyễn Văn An²** ¹ Trường Đại học Sư Phạm, Đại học Đà Nẵng; linhpknguyen@gmail.com ² Trường Đại học Sư Phạm, Đại học Đà Nẵng; nvan@ued.udn.vn Tác giả liên hệ: linhpknguyen@gmail.com; Tel: +84–372251803 Tóm tắt:* Trước sự gia tăng các tác động của biến đổi khí hậu, dự đoán lưu lượng dòng chảy là công cụ thiết yếu trong quản lí tài nguyên nước và ứng phó với thiên tai. Việc dự báo chính xác dòng chảy là một vấn đề rất phức tạp thu hút sự quan tâm của nhiều nhà nghiên cứu trong và ngoài nước. Trong nghiên cứu này, mạng nơ ron tích chập (Convolutional Neural Network - CNN) được kết hợp mạng nơ-ron trí nhớ dài ngắn hạn (Long Short Term Memory - LSTM) tạo một mô hình mới là CNN-LSTM dùng để dự đoán lưu lượng dòng chảy. Với CNN trích dẫn đặc điểm thời gian và LSTM dự đoán lưu lượng. Mục tiêu chính của bài báo này là so sánh hiệu suất dự đoán của ba mô hình: CNN, LSTM và CNN-LSTM nhằm xác định mô hình nào có khả năng dự đoán lưu lượng dòng chảy tốt nhất. Kết quả thử nghiệm mô hình, CNN-LSTM có giá trị R2 (R2CNN = 0,950, R2LSTM = 0,956, R2CNN-LSTM = 0,960) và NSE (NSECNN = 0,948, NSELSTM = 0,953, NSECNN-LSTM = 0,958) cao nhất cho thấy mô hình này dự đoán dòng chảy với độ chính xác cao hơn hai mô hình còn lại. Với sai số RMSE thấp nhất (RMSECNN = 422,375, RMSELSTM = 402,139, RMSECNN-LSTM = 379,384) mô hình CNN-LSTM vượt trội hơn tất cả mô hình AI thông thường. Do đó CNN-LSTM có giá trị thực tế lớn trong dự báo lưu lượng dòng chảy. Từ khóa: Dự đoán dòng chảy; CNN, LSTM, CNN-LSTM.	79
8	Đánh giá độ chính xác kết quả phân loại sử dụng đất trên ảnh viễn thám Sentinel 2 bằng các thuật toán học máy *Nguyễn Thị Phương Hoa^1, Nguyễn Thị Thanh Bình¹, Lê Thành An², Nguyễn Duy Phương²** ¹Cục Viễn thám quốc gia, Bộ Tài nguyên và Môi trường; ntphoa19@gmail.com; binhntt1191@gmail.com ²Học Viện quốc tế, Bộ Công an; minhtn122019@gmail.com; nanh22022022@gmail.com Tác giả liên hệ: ntphoa19@gmail.com; Tel.: +84–386635353 Tóm tắt:* Nghiên cứu sử dụng 4 thuật toán phân loại học máy tiêu biểu như cây quyết định (CART), thuật toán rừng ngẫu nhiên (RF), Support Vector Machines (SVM), eXtreme Gradient Boosting (XGBoost) để phân loại sử dụng đất tỉnh Nam Định trên ảnh viễn thám quang học Sentinel 2. Bằng cách sử dụng cùng một bộ mẫu huấn luyện và tập dữ liệu đánh giá độ chính xác, nghiên cứu này đánh giá độ chính xác của các mô hình phân loại từ ảnh viễn thám quang học Sentinel 2 cho 7 loại sử dụng đất tỉnh Nam Định năm 2024. Kết quả đánh giá độ chính xác sau phân loại đã chỉ ra rằng với diện tích khoảng 1.700 km2 trên quy mô cấp tỉnh thuật toán XGBoost cho độ chính xác cao nhất với hệ số Kappa là 0,7 và độ chính xác toàn cục đạt 78,8%, mô hình CART cho độ chính xác thấp nhất với Kappa là 0,58. Các đối tượng sử dụng đất có diện tích nhỏ như đất làm muối không nhận diện được bằng mô hình CART và SVM. Tuy nhiên, đối tượng mặt nước hai mô hình này cho độ chính xác cao hơn khi sử dụng thuật toán RF và XGBoost. Từ khóa: Phân loại ảnh; Phân loại sử dụng đất; Viễn thám; Cây quyết định CART; Random Forest (RF); Support Vector Machines (SVM); Extreme Gradient (XCBoost).	90