Mô hình mới giúp dự báo lũ lụt nhanh hơn

22/09/2023 09:54

Một trong những lĩnh vực trọng tâm đối với các nhà thủy văn lũ lụt là cung cấp thông tin chính xác về lũ lụt sắp xảy ra, giúp lập kế hoạch sơ tán cũng như thiết kế cơ sở hạ tầng nhằm giảm thiểu tác động của lũ lụt.

Để đạt được mục tiêu trên, trong thế kỷ qua, các nhà nghiên cứu đã phát triển và cải tiến các mô hình thủy động lực. Mô hình thủy động lực là mô hình số trị mô phỏng lũ lụt bằng cách chia một khu vực thành các khu vực nhỏ hơn (gọi là ô lưới), sau đó tính toán sự di chuyển của nước giữa các ô lưới đó.

Các mô hình thủy động lực đáng tin cậy có thể mô phỏng chính xác các sự kiện lũ lụt. Tuy nhiên, cần hàng triệu ô lưới để mô phỏng lũ lụt trên diện rộng với độ phân giải cao.

Việc giải các phương trình phức tạp cho hàng triệu ô lưới được kết nối với nhau là điều vô cùng khó khăn và tốn thời gian. Trong khi đó, lũ lụt di chuyển nhanh chóng và có thể xảy ra trước khi chúng ta có thể dự đoán bằng các mô hình này. Do vậy, cần một cách tiếp cận hiệu quả và chính xác hơn để dự đoán các sự kiện lũ lụt, cung cấp thông tin giá trị khi lũ lụt diễn ra, cũng như thiết kế cơ sở hạ tầng giúp giảm thiểu tác động của lũ lụt.

Nhóm nghiên cứu tại Đại học Melbourne đã phát triển mô hình Phân tích không gian và Học quy trình Gaussian có độ chính xác thấp (Low-fidelity, Spatial analysis, and Gaussian Process learning – LSG) – một phương pháp tiếp cận có thể dự đoán quy mô và độ sâu của lũ lụt nhanh hơn nhiều so với nước lũ dâng. Họ công bố kết quả chi tiết trên tạp chí Nature Water.

Ý tưởng của mô hình LSG là sử dụng mô hình thủy động lực có độ phân giải thấp để tính toán mức lũ ban đầu. Mô hình độ phân giải thấp cần tính toán ít hơn so với mô hình có độ phân giải cao truyền thống, song đổi lại, độ chính xác của chúng lại thấp hơn. Để khắc phục vấn đề này, dựa trên những phương pháp toán học, LSG nâng cấp có thể ước tính mức lũ ban đầu với độ phân giải và chính xác cao, tương tự các mô hình thủy động lực có độ phân giải cao. 

Trước đây người ta cho rằng phương pháp này chỉ giúp tăng tốc vừa phải (khoảng 10 lần) so với mô hình thủy động lực có độ phân giải cao, nhưng mô hình LSG mới có tốc độ nhanh hơn 1000 lần mà vẫn đảm bảo độ chính xác cao.

Họ phát triển và sử dụng một mô hình có độ chính xác thấp, đơn giản và vô cùng thô sơ. Mô hình này có các ô lưới bao phủ hơn một triệu mét vuông, nhưng với phương pháp của mô hình LSG, họ có thể nâng cấp khả năng tính toán để đưa ra dự đoán chính xác tương đương một mô hình có số ô lưới nhiều gấp 50 lần.

Việc thử nghiệm cho hai hệ thống sông lớn ở Úc, gồm vùng đồng bằng Chowilla (740 km2) và sông Burnett (1479 km2) cho thấy, mô hình này có thể mô phỏng diễn biến của lũ lụt trong cả hai trường hợp, cung cấp thông tin chính xác về thời gian, mức độ lũ và độ sâu đỉnh lũ với độ chính xác tương tự như mô hình thủy động lực học độ phân giải cao truyền thống – nhưng nhanh hơn rất nhiều.

Khi dự đoán lũ lụt trên vùng đồng bằng Chowilla, mô hình LSG mất 33 giây thay vì 11 giờ, và trong nghiên cứu về sông Burnett, mô hình này mất 27 giây, trong khi phương pháp truyền thông mất 36 giờ. Trong hai trường hợp, mô hình LSG cũng đạt được độ chính xác 99% so với mô hình thủy động lực có độ phân giải cao.

Kết quả này là một bước tiến lớn trong việc đưa ra những dự đoán lũ lụt hữu ích. Ngoài ra, nó cũng giúp chuyển từ dự đoán tất định sang dự báo xác suất dựa trên rủi ro – cung cấp khoảng tin cậy mô tả mức độ không chắc chắn của dự đoán. Nhờ đó, chúng ta sẽ có thông tin về nguy cơ ngập lụt của từng khu vực, giúp tập trung hoạt động ứng phó khẩn cấp vào những khu vực có nguy cơ cao nhất.

Ngoài ra, phương pháp này có thể hỗ trợ thiết kế cơ sở hạ tầng mạnh mẽ hơn thông qua các kỹ thuật tính toán – như phương pháp Monte Carlo – để mô phỏng cách kết hợp các nguyên nhân gây lũ khác nhau có thể ảnh hưởng đến mức độ nghiêm trọng của lũ lụt.

Nguyễn Thị Quyên - Phòng Quản lý Chuyên ngành (Sưu tầm)


Tìm kiếm theo chuyên mục - nội dung - ngày tháng

Tin Nóng
Tin tiêu điểm

Lịch công tác trống

Website liên kết
Thống kê truy cập
Hôm nay: 6
Đã truy cập: 1988273