Bài báo khoa học

Nguy cơ lũ quét hiện đang là vấn đề nhức nhối ở nhiều vùng của Việt Nam. Trong nghiên cứu này, chúng tôi sử dụng bốn phương pháp học máy, cụ thể là Kernel Logistic Regression (KLR), Radial Basis Function Classifier (RBFC), Multinomial Naïve Bayes (NBM) và Logistic Model Tree (LMT) để tạo bản đồ nhạy cảm với lũ quét tại một phần nhỏ của tỉnh Nghệ An thuộc vùng Trung tâm (Việt Nam) nơi đang trải qua các vấn đề lũ lụt thường xuyên. Hiệu quả của bốn phương pháp này được đánh giá để chọn ra phương pháp tốt nhất cho việc lập bản đồ tính nhạy cảm với lũ quét. Trong các nghiên cứu mô hình, mười yếu tố điều hòa lũ quét, cụ thể là đất, độ dốc, độ cong, mật độ sông, hướng dòng chảy, khoảng cách với sông, độ cao, khía cạnh, sử dụng đất và địa chất, đã được chọn dựa trên địa hình và điều kiện địa môi trường của Địa điểm. Để xác nhận các mô hình, khu vực trong Đặc tính hoạt động của máy thu (ROC), Khu vực dưới đường cong (AUC) và các chỉ số thống kê khác nhau đã được sử dụng. Kết quả chỉ ra rằng hiệu suất của tất cả các mô hình là tốt để tạo bản đồ nhạy cảm với lũ quét (AUC = 0,983–0,988). Tuy nhiên, hiệu suất của mô hình LMT là tốt nhất trong bốn phương pháp (LMT: AUC = 0,988; KLR: AUC = 0,985; RBFC: AUC = 0,984; và NBM: AUC = 0,983). Nghiên cứu này sẽ hữu ích cho việc xây dựng các bản đồ nhạy cảm lũ quét chính xác với mục tiêu xác định các khu vực / vùng dễ bị ngập lụt để quản lý rủi ro lũ quét thích hợp.