Skip to content

Bài 11: Từ mô hình thủy lực truyền thống đến AI thủy văn

Đỗ Đức Dũng

Tóm tắt

Mô hình thủy văn – thủy lực truyền thống đã và đang là nền tảng quan trọng trong tính toán dòng chảy, dự báo lũ, quy hoạch tài nguyên nước, thiết kế công trình và vận hành hệ thống thủy lợi. Các mô hình như NAM, Tank, SSARR, HEC-HMS, HEC-RAS, MIKE, SWAT và nhiều mô hình khác đã giúp con người mô phỏng quá trình mưa – dòng chảy, truyền lũ, dòng chảy trong sông, ngập lụt, xâm nhập mặn và vận hành hồ chứa. Tuy nhiên, trước những biến động ngày càng cực đoan của khí hậu, sự gia tăng dữ liệu thời gian thực, nhu cầu dự báo nhanh và yêu cầu ra quyết định linh hoạt hơn, các mô hình truyền thống bộc lộ một số hạn chế: phụ thuộc mạnh vào tham số, dữ liệu đầu vào, điều kiện biên, hiệu chỉnh chuyên gia và thời gian tính toán. Trong bối cảnh đó, AI thủy văn không nên được xem là sự thay thế đơn giản cho mô hình vật lý, mà là một lớp năng lực mới giúp bổ sung, hiệu chỉnh, tăng tốc, phát hiện sai số, học từ dữ liệu lớn và hỗ trợ ra quyết định. Bài viết phân tích quá trình chuyển đổi từ mô hình truyền thống sang AI thủy văn, làm rõ điểm mạnh, điểm yếu của từng cách tiếp cận và đề xuất hướng đi phù hợp cho Việt Nam: phát triển mô hình lai vật lý – dữ liệu – AI trên nền tảng dữ liệu chuyên ngành và tri thức chuyên gia.

Từ khóa: mô hình thủy văn, mô hình thủy lực, AI thủy văn, học máy, LSTM, mô hình lai, NAM, Tank, SSARR, HEC-HMS, HEC-RAS, MIKE, SWAT, dự báo lũ.

1. Đặt vấn đề

Trong nhiều thập kỷ, mô hình thủy văn – thủy lực là một trong những công cụ quan trọng nhất của ngành tài nguyên nước và thủy lợi.

Không có mô hình, chúng ta rất khó trả lời các câu hỏi cơ bản:

  • Mưa bao nhiêu thì sinh ra dòng chảy bao nhiêu?
  • Lũ từ thượng lưu về hạ lưu mất bao lâu?
  • Đỉnh lũ sẽ đến khi nào?
  • Mực nước trong sông sẽ tăng đến mức nào?
  • Nếu hồ chứa xả với lưu lượng này thì hạ du bị ảnh hưởng ra sao?
  • Nếu xây đê bao, cống, kênh, hồ điều tiết thì chế độ dòng chảy thay đổi thế nào?
  • Nếu biến đổi khí hậu làm mưa cực đoan tăng thì vùng nào ngập sâu hơn?

Nhờ mô hình, người làm nghề có thể chuyển hiện tượng tự nhiên phức tạp thành các hệ phương trình, tham số, điều kiện biên và kịch bản tính toán. Từ đó, chúng ta có cơ sở để quy hoạch, thiết kế, vận hành và phòng chống thiên tai.

Tuy nhiên, thế giới đang thay đổi rất nhanh.

Dữ liệu ngày càng nhiều hơn. Trạm đo tự động, ảnh vệ tinh, radar thời tiết, IoT, dữ liệu vận hành hồ chứa, WebGIS và các nền tảng số đang tạo ra khối lượng dữ liệu lớn hơn nhiều so với trước đây. Đồng thời, biến đổi khí hậu làm cho các hiện tượng thủy văn cực đoan hơn, khó dự báo hơn. WMO cho rằng chu trình thủy văn toàn cầu đang trở nên thất thường hơn, với nhiều cực đoan về lũ, hạn và biến động nguồn nước trên phạm vi toàn cầu.

Trong bối cảnh đó, AI thủy văn xuất hiện như một hướng tiếp cận mới.

Nhưng câu hỏi quan trọng là:

AI thủy văn có thay thế mô hình thủy văn – thủy lực truyền thống không?
Hay nó sẽ bổ sung, cải tiến và tái cấu trúc cách chúng ta xây dựng mô hình?

Theo tôi, câu trả lời đúng không nằm ở hai cực “truyền thống” hoặc “AI”. Tương lai của ngành nước sẽ là mô hình lai, nơi hiểu biết vật lý, dữ liệu lớn, AI và kinh nghiệm chuyên gia cùng tham gia vào quá trình dự báo và ra quyết định.

2. Phương pháp tiếp cận

Bài viết tiếp cận vấn đề theo hướng lịch sử – kỹ thuật – quản trị.

Thứ nhất, nhìn lại vai trò của các mô hình thủy văn – thủy lực truyền thống trong ngành nước, đặc biệt là các mô hình mưa – dòng chảy, mô hình truyền lũ, mô hình thủy lực sông, mô hình hồ chứa và mô hình lưu vực.

Thứ hai, phân tích các hạn chế của mô hình truyền thống khi đối mặt với dữ liệu lớn, biến đổi khí hậu, yêu cầu dự báo thời gian thực và nhu cầu hỗ trợ quyết định nhanh.

Thứ ba, giới thiệu các hướng AI thủy văn hiện nay, từ học máy, mạng nơ-ron, LSTM, mô hình dự báo lũ toàn cầu, đến mô hình lai có ràng buộc vật lý.

Thứ tư, đề xuất định hướng phù hợp cho Việt Nam: không chạy theo AI như một phong trào, mà xây dựng năng lực mô hình lai dựa trên dữ liệu chuyên ngành, mô hình truyền thống đã có và kinh nghiệm của đội ngũ chuyên gia.

Các nguồn tham khảo chính gồm tài liệu mô hình HEC-HMS, HEC-RAS của U.S. Army Corps of Engineers, tài liệu mô hình SWAT, MIKE, SSARR, các nghiên cứu học máy thủy văn tiêu biểu như LSTM trong mô hình mưa – dòng chảy, nghiên cứu dự báo lũ toàn cầu bằng AI, các tài liệu của WMO và các định hướng pháp lý của Việt Nam về tài nguyên nước.

3. Trước hết cần phân biệt mô hình thủy văn và mô hình thủy lực

Trong thực tế, nhiều khi chúng ta gọi chung là “mô hình thủy lực”, nhưng về chuyên môn cần phân biệt tương đối rõ giữa mô hình thủy văn và mô hình thủy lực.

Mô hình thủy văn thường tập trung vào quá trình hình thành dòng chảy trên lưu vực. Nó trả lời câu hỏi: từ mưa, bốc hơi, thấm, độ ẩm đất, thảm phủ, địa hình và sử dụng đất, lưu vực sẽ sinh ra dòng chảy bao nhiêu, lúc nào, phân bố ra sao.

Các mô hình mưa – dòng chảy như NAM, Tank, HEC-HMS, SWAT hay nhiều mô hình khác thuộc nhóm này. HEC-HMS được thiết kế để mô phỏng quá trình mưa – dòng chảy của các hệ thống lưu vực dạng cây, trong khi SWAT là mô hình quy mô lưu vực dùng để mô phỏng số lượng và chất lượng nước mặt, nước dưới đất, đồng thời đánh giá tác động của sử dụng đất, quản lý đất và biến đổi khí hậu.

Mô hình thủy lực thường tập trung vào chuyển động của nước trong sông, kênh, hồ, vùng ngập, cống, cầu, hệ thống thoát nước hoặc vùng ven biển. Nó trả lời câu hỏi: với lưu lượng đầu vào và điều kiện biên nhất định, mực nước, vận tốc, độ sâu, phạm vi ngập và thời gian truyền lũ sẽ như thế nào.

Các mô hình như HEC-RAS, MIKE 11, MIKE 21, MIKE FLOOD, TELEMAC, SOBEK và nhiều mô hình khác thuộc nhóm này. HEC-RAS cho phép tính toán dòng chảy ổn định một chiều, dòng chảy không ổn định một chiều và hai chiều, vận chuyển bùn cát, chất lượng nước và một số thành phần thủy lực khác.

Trong thực tế, hai nhóm mô hình này thường kết hợp với nhau. Mô hình thủy văn tạo ra dòng chảy đến, mô hình thủy lực tính truyền lũ, mực nước và ngập lụt. Mô hình vận hành hồ chứa lại nằm giữa thủy văn, thủy lực và bài toán ra quyết định.

AI thủy văn có thể tham gia vào cả hai nhóm này, nhưng trước hết nó phát triển mạnh trong bài toán mưa – dòng chảy và dự báo dòng chảy.

4. Các mô hình truyền thống đã giúp ngành nước làm được gì?

Không thể bàn về AI thủy văn nếu không ghi nhận vai trò rất lớn của các mô hình truyền thống.

Trong nhiều thập kỷ, các mô hình này đã giúp ngành nước:

  • mô phỏng quan hệ mưa – dòng chảy;
  • tính toán lũ thiết kế;
  • dự báo lũ;
  • truyền lũ trong sông;
  • tính mực nước dọc sông;
  • xây dựng bản đồ ngập;
  • đánh giá tác động công trình;
  • quy hoạch hồ chứa, đê, kênh, cống;
  • phân bổ nguồn nước;
  • mô phỏng xâm nhập mặn;
  • đánh giá chất lượng nước;
  • hỗ trợ vận hành hồ chứa và liên hồ.

Các mô hình như NAM và Tank có ưu điểm là cấu trúc tương đối gọn, phản ánh các kho chứa nước trong lưu vực, dễ hiệu chỉnh và được dùng phổ biến trong nhiều bài toán mưa – dòng chảy. DHI mô tả mô-đun rainfall-runoff trong MIKE HYDRO Basin có thể tính dòng chảy mặt, thấm xuống nước dưới đất và NAM được dùng để mô phỏng quá trình mưa – dòng chảy. Tank model cũng là một mô hình mưa – dòng chảy dạng khái niệm, được sử dụng rộng rãi trong nhiều nghiên cứu và ứng dụng ở châu Á.

SSARR có truyền thống trong mô phỏng dòng chảy, truyền lũ và điều tiết hồ chứa; phương pháp routing SSARR trong HEC-ResSim được mô tả là triển khai phương pháp truyền lũ của hệ thống Streamflow Synthesis and Reservoir Regulation do USACE phát triển và được dùng trong dự báo, vận hành.

HEC-HMS, HEC-RAS, SWAT, MIKE và các mô hình tương tự đã trở thành những công cụ quen thuộc trong đào tạo, nghiên cứu và thực hành kỹ thuật trên thế giới.

Điểm mạnh nhất của các mô hình truyền thống là chúng dựa trên hiểu biết vật lý hoặc bán vật lý về hệ thống nước. Người làm mô hình có thể giải thích vì sao tham số thay đổi, vì sao mực nước tăng, vì sao đỉnh lũ trễ, vì sao vùng ngập mở rộng. Đây là ưu điểm rất quan trọng trong các quyết định kỹ thuật và pháp lý.

5. Nhưng mô hình truyền thống cũng có những giới hạn

Dù rất quan trọng, mô hình truyền thống không phải không có hạn chế.

5.1. Phụ thuộc mạnh vào dữ liệu đầu vào

Mô hình tốt đến đâu cũng khó cho kết quả tốt nếu dữ liệu mưa, địa hình, mặt cắt, công trình, sử dụng đất, điều kiện biên hoặc số liệu hiệu chỉnh không tốt.

Trong nhiều lưu vực, dữ liệu còn thiếu, thưa, không liên tục hoặc không đồng nhất giữa các giai đoạn. Đây là thách thức rất lớn ở các nước đang phát triển.

5.2. Phụ thuộc vào hiệu chỉnh tham số

Nhiều mô hình có tham số cần hiệu chỉnh. Một bộ tham số có thể cho kết quả tốt trong giai đoạn này nhưng chưa chắc tốt trong giai đoạn khác.

Hiện tượng “nhiều bộ tham số cùng cho kết quả tương tự” là một vấn đề quen thuộc trong mô hình thủy văn. Nó khiến việc giải thích tham số và dự báo trong điều kiện mới trở nên khó hơn.

5.3. Khó mô phỏng đầy đủ các hệ thống phức tạp

Các hệ thống như Đồng bằng sông Cửu Long có kênh rạch dày đặc, triều, lũ thượng nguồn, mưa nội đồng, đê bao, cống, trạm bơm, vận hành công trình, sản xuất nông nghiệp và đô thị hóa cùng tác động. Mô hình vật lý càng chi tiết càng đòi hỏi dữ liệu, thời gian xây dựng và hiệu chỉnh lớn.

5.4. Thời gian tính toán và vận hành

Một số mô hình thủy lực 2D, mô hình tích hợp hoặc mô hình kịch bản có thể cần thời gian tính toán đáng kể. Trong tình huống vận hành khẩn cấp, người ra quyết định cần kết quả nhanh hơn.

5.5. Khó tự học từ dữ liệu mới

Mô hình truyền thống thường không tự động học từ dữ liệu mới nếu không có quy trình cập nhật, hiệu chỉnh và đồng hóa dữ liệu.

Trong khi đó, hệ thống quan trắc thời gian thực tạo ra dữ liệu liên tục. Nếu không có phương pháp khai thác dữ liệu mới, mô hình có thể không tận dụng hết giá trị của dữ liệu hiện đại.

Những hạn chế này không làm mất vai trò của mô hình truyền thống. Nhưng chúng mở ra nhu cầu tích hợp AI.

6. AI thủy văn là gì?

AI thủy văn có thể hiểu là việc sử dụng các phương pháp trí tuệ nhân tạo, học máy và học sâu để phân tích, dự báo, mô phỏng hoặc hỗ trợ ra quyết định trong các bài toán thủy văn – tài nguyên nước.

AI thủy văn có thể gồm nhiều dạng:

  • mô hình học máy dự báo dòng chảy;
  • mạng nơ-ron nhân tạo;
  • LSTM và các mô hình chuỗi thời gian;
  • mô hình học sâu kết hợp dữ liệu khí tượng – thủy văn;
  • mô hình phát hiện bất thường trong dữ liệu quan trắc;
  • mô hình hiệu chỉnh sai số dự báo;
  • mô hình thay thế tính toán nhanh cho mô hình vật lý;
  • mô hình lai có ràng buộc vật lý;
  • AI hỗ trợ tra cứu và giải thích tài liệu chuyên ngành;
  • AI hỗ trợ vận hành và cảnh báo.

Trong đó, LSTM là một hướng được nghiên cứu nhiều trong bài toán mưa – dòng chảy vì có khả năng học quan hệ theo chuỗi thời gian và ghi nhớ trạng thái quá khứ. Nghiên cứu của Kratzert và cộng sự năm 2018 cho thấy LSTM có thể được dùng cho mô hình mưa – dòng chảy, trong bối cảnh các phương pháp thủy văn bao gồm từ mô hình vật lý, mô hình khái niệm đến mô hình hoàn toàn dựa trên dữ liệu.

Một điểm đáng chú ý là các nghiên cứu sau đó cho thấy LSTM có thể khai thác dữ liệu từ nhiều lưu vực để học hành vi thủy văn vùng, thậm chí cải thiện dự báo ở lưu vực chưa có số liệu đo trực tiếp.

Đây là điểm khác biệt lớn so với nhiều mô hình truyền thống vốn thường được hiệu chỉnh riêng cho từng lưu vực.

7. AI có thể bổ sung mô hình truyền thống ở những khâu nào?

AI không nhất thiết thay thế toàn bộ mô hình truyền thống. Nó có thể bổ sung ở nhiều khâu rất cụ thể.

7.1. Kiểm tra và làm sạch dữ liệu

AI có thể phát hiện số liệu bất thường, mất dữ liệu, sai đơn vị, sai mã trạm hoặc mối quan hệ không hợp lý giữa các trạm.

Đây là ứng dụng rất thực tế. Trước khi dùng AI để dự báo lớn, ngành nước nên dùng AI để làm sạch và kiểm soát dữ liệu.

7.2. Hiệu chỉnh sai số dự báo

Một mô hình thủy văn truyền thống có thể có sai số có hệ thống. AI có thể học sai số đó từ dữ liệu quá khứ và điều chỉnh đầu ra.

Ví dụ, mô hình truyền thống dự báo đỉnh lũ thường thấp hơn thực đo trong một số dạng mưa nhất định. AI có thể nhận dạng kiểu sai số và hiệu chỉnh.

7.3. Hỗ trợ hiệu chỉnh tham số

AI có thể hỗ trợ tìm bộ tham số tốt hơn, rút ngắn thời gian hiệu chỉnh và đánh giá độ nhạy tham số.

7.4. Mô hình thay thế tính toán nhanh

Với các mô hình thủy lực 2D nặng, AI có thể học từ nhiều kịch bản mô phỏng trước đó để tạo mô hình thay thế cho phép dự báo nhanh phạm vi ngập hoặc mực nước tương đối trong vận hành.

7.5. Dự báo nhanh trong thời gian thực

AI có thể dự báo dòng chảy, mực nước hoặc nguy cơ vượt ngưỡng dựa trên dữ liệu mới nhất mà không cần chạy toàn bộ mô hình vật lý chi tiết trong mọi tình huống.

7.6. Kết hợp nhiều nguồn dữ liệu

AI có thể kết hợp số liệu trạm, ảnh vệ tinh, dự báo mưa, dữ liệu radar, độ ẩm đất, vận hành hồ chứa và dữ liệu lịch sử.

7.7. Truy vấn và tổng hợp tri thức

AI ngôn ngữ có thể hỗ trợ tìm kiếm báo cáo, trích xuất số liệu, tổng hợp căn cứ pháp lý, giải thích quy trình vận hành và hỗ trợ viết báo cáo nhanh.

Như vậy, AI có thể nằm ở nhiều tầng trong chuỗi mô hình, không chỉ ở tầng dự báo cuối cùng.

8. Các mô hình AI hiện đại cho thấy điều gì?

Một bước ngoặt đáng chú ý là các nghiên cứu gần đây đã cho thấy AI có thể đạt kết quả rất tốt trong dự báo lũ và dòng chảy, kể cả ở những lưu vực thiếu dữ liệu.

Nghiên cứu đăng trên Nature năm 2024 về dự báo lũ cực đoan toàn cầu cho thấy mô hình AI có thể đạt độ tin cậy khi dự báo các sự kiện lũ sông cực đoan ở lưu vực không có trạm đo đến hạn 5 ngày, tương đương hoặc tốt hơn độ tin cậy của nowcast từ hệ thống mô hình toàn cầu hiện đại như GloFAS. Google Flood Hub cũng mô tả hệ thống của họ cung cấp dự báo lũ sông theo thời gian thực, với dự báo lên đến 7 ngày và phục vụ các chính phủ, tổ chức cứu trợ địa phương và cộng đồng có rủi ro lũ.

Những kết quả này rất đáng chú ý vì bài toán lưu vực không có số liệu đo luôn là một thách thức lớn của thủy văn.

Tuy nhiên, cần nhìn nhận cẩn trọng. Thành công của AI trong một số bài toán không có nghĩa là mọi bài toán tài nguyên nước đều có thể giao cho AI. Các mô hình AI quy mô lớn thường cần dữ liệu rất lớn, hạ tầng tính toán mạnh, quy trình kiểm định nghiêm ngặt và đội ngũ chuyên gia để đánh giá.

Với các bài toán có yêu cầu pháp lý, an toàn công trình và trách nhiệm xã hội cao, AI phải được kiểm chứng rất cẩn thận trước khi đưa vào vận hành.

9. Hạn chế của AI thủy văn

AI có những tiềm năng lớn, nhưng cũng có các hạn chế rất rõ.

9.1. AI phụ thuộc vào dữ liệu

Nếu dữ liệu quá ít, sai, lệch, không đại diện hoặc không phản ánh điều kiện cực đoan, AI có thể dự báo kém.

Đặc biệt, lũ cực đoan thường là những sự kiện hiếm. Nếu lịch sử dữ liệu không có đủ các sự kiện tương tự, AI khó học đầy đủ.

9.2. AI có thể thiếu giải thích vật lý

Một mô hình AI có thể cho kết quả tốt nhưng khó giải thích vì sao.

Trong kỹ thuật thủy lợi, không chỉ cần kết quả, mà cần hiểu cơ chế. Người ra quyết định cần biết tại sao mực nước tăng, tại sao đỉnh lũ lệch, tại sao vùng ngập mở rộng.

9.3. AI có thể sai trong điều kiện ngoài phạm vi huấn luyện

Nếu lưu vực thay đổi mạnh do đô thị hóa, phá rừng, xây hồ chứa, thay đổi đê bao hoặc biến đổi khí hậu, quan hệ học từ quá khứ có thể không còn đúng.

9.4. AI có thể tạo niềm tin giả

AI có thể đưa ra câu trả lời rất tự tin. Nhưng sự tự tin trong ngôn ngữ không đồng nghĩa với độ tin cậy khoa học.

9.5. AI cần được kiểm định theo chuẩn chuyên ngành

Trong tài nguyên nước, dự báo sai có thể gây thiệt hại lớn. Do đó, AI phải được kiểm định với dữ liệu độc lập, nhiều trận lũ, nhiều mùa kiệt, nhiều điều kiện biên và nhiều kịch bản cực đoan.

Vì vậy, AI thủy văn phải được phát triển cùng với nguyên tắc quản trị rủi ro, minh bạch và trách nhiệm giải trình.

10. Mô hình lai: hướng đi có triển vọng nhất

Theo tôi, hướng đi phù hợp nhất không phải là chọn giữa mô hình truyền thống và AI, mà là xây dựng mô hình lai.

Mô hình lai có thể hiểu theo nhiều cấp độ.

10.1. AI hiệu chỉnh đầu ra mô hình vật lý

Mô hình vật lý chạy trước, AI học sai số và hiệu chỉnh kết quả.

10.2. AI hỗ trợ hiệu chỉnh tham số

AI tìm tham số hoặc vùng tham số tốt cho mô hình truyền thống.

10.3. AI làm mô hình thay thế tính toán nhanh

Mô hình thủy lực chạy nhiều kịch bản offline, AI học quan hệ đầu vào – đầu ra để hỗ trợ dự báo nhanh online.

10.4. AI được ràng buộc bởi quy luật vật lý

Mô hình AI được thiết kế để không vi phạm các nguyên lý cơ bản như cân bằng nước, tính liên tục, giới hạn vật lý của dòng chảy.

10.5. Mô hình vật lý khả vi

Một hướng mới là làm cho mô hình vật lý có thể tích hợp vào quá trình học máy, giúp tham số và cấu trúc mô hình được học từ dữ liệu nhưng vẫn giữ các phương trình quá trình. Các nghiên cứu gần đây gọi đây là differentiable hydrologic modeling hoặc physics-informed machine learning.

Đây là hướng rất đáng quan tâm vì nó cố gắng giải quyết điểm yếu của cả hai phía: mô hình vật lý có giải thích nhưng đôi khi kém linh hoạt; AI linh hoạt và có khả năng dự báo tốt nhưng có thể thiếu ràng buộc vật lý.

Mô hình lai vì vậy là con đường trung dung nhưng rất mạnh: dữ liệu giúp mô hình học tốt hơn, vật lý giúp AI đáng tin hơn.

11. Từ mô hình “chạy theo dự án” sang nền tảng mô hình sống

Một vấn đề thực tế trong nhiều dự án thủy lợi, tài nguyên nước là mô hình thường được xây dựng theo dự án.

Dự án kết thúc, mô hình cũng kết thúc.

File mô hình nằm trong máy tính của tư vấn hoặc nhóm nghiên cứu.

Dữ liệu đầu vào không được cập nhật.

Bộ tham số không được quản lý phiên bản.

Người kế thừa khó hiểu mô hình đã được hiệu chỉnh thế nào.

Khi cần tính lại, nhiều khi phải làm lại từ đầu.

Trong kỷ nguyên AI, cách làm đó không còn phù hợp.

Cần chuyển từ mô hình theo dự án sang nền tảng mô hình sống.

Một nền tảng mô hình sống cần có:

  • cơ sở dữ liệu cập nhật;
  • kho mô hình chuẩn;
  • quản lý phiên bản mô hình;
  • metadata cho dữ liệu và mô hình;
  • quy trình hiệu chỉnh và kiểm định;
  • dashboard đánh giá sai số;
  • khả năng kết nối dữ liệu thời gian thực;
  • khả năng kết hợp AI;
  • tài liệu hóa tri thức chuyên gia;
  • cơ chế kế thừa lâu dài.

Đây chính là nền tảng để tiến tới Digital Twin lưu vực sông, hồ chứa hoặc hệ thống thủy lợi.

AI chỉ có thể phát huy hiệu quả nếu được đặt trong một nền tảng như vậy.

12. Việt Nam nên tiếp cận AI thủy văn như thế nào?

Đối với Việt Nam, tôi cho rằng không nên bắt đầu bằng mục tiêu quá lớn là xây dựng ngay một hệ AI thủy văn toàn quốc.

Nên bắt đầu theo lộ trình thực tế.

Bước 1: Chuẩn hóa và kiểm kê dữ liệu

Cần biết có dữ liệu mưa, mực nước, lưu lượng, hồ chứa, mặt cắt, DEM, công trình, bản đồ ngập, hạn, mặn ở đâu, chất lượng thế nào, thời đoạn nào, hệ tọa độ và hệ cao độ ra sao.

Đây là nền móng.

Bước 2: Số hóa mô hình hiện có

Các mô hình NAM, HEC-HMS, HEC-RAS, MIKE, SWAT, mô hình vận hành hồ chứa, mô hình ngập lụt đã từng xây dựng cần được kiểm kê, lưu trữ, chuẩn hóa và quản lý phiên bản.

Không nên để mỗi mô hình tồn tại riêng lẻ sau từng dự án.

Bước 3: Xây AI kiểm tra chất lượng dữ liệu

Đây là ứng dụng có tính thực tế cao và rủi ro thấp hơn so với AI tự động quyết định vận hành.

AI có thể giúp phát hiện dữ liệu bất thường, thiếu, sai đơn vị, sai mã hoặc không phù hợp quan hệ không gian – thời gian.

Bước 4: Xây AI hiệu chỉnh sai số dự báo

Trên nền mô hình truyền thống, AI có thể học sai số quá khứ để hiệu chỉnh dự báo mực nước, lưu lượng, ngập, hạn, mặn.

Bước 5: Xây mô hình lai cho một số lưu vực ưu tiên

Nên chọn một số bài toán cụ thể:

  • dự báo lũ miền Trung;
  • dự báo mực nước ĐBSCL;
  • vận hành hồ chứa liên hồ;
  • dự báo hạn Tây Nguyên;
  • dự báo xâm nhập mặn vùng ven biển;
  • cảnh báo ngập đô thị.

Bước 6: Kết nối mô hình với WebGIS và dashboard

Kết quả mô hình không nên chỉ nằm trong file. Nó cần được đưa lên bản đồ, biểu đồ, cảnh báo, báo cáo nhanh và công cụ hỗ trợ quyết định.

Bước 7: Tiến tới Digital Twin

Sau khi có dữ liệu, mô hình, AI, dashboard và quy trình cập nhật, có thể tiến tới bản sao số cho lưu vực, hồ chứa hoặc hệ thống thủy lợi.

Đây là lộ trình có tính kế thừa, không đốt cháy giai đoạn.

13. Liên hệ với Đồng bằng sông Cửu Long

Đồng bằng sông Cửu Long là một ví dụ rất rõ cho nhu cầu mô hình lai.

Ở đây, hệ thống nước chịu tác động đồng thời của:

  • dòng chảy thượng nguồn Mekong;
  • Biển Hồ;
  • thủy triều biển Đông và biển Tây;
  • mưa nội đồng;
  • hệ thống kênh rạch;
  • đê bao, ô bao;
  • cống, trạm bơm;
  • sản xuất nông nghiệp;
  • xâm nhập mặn;
  • sụt lún;
  • nước biển dâng;
  • thay đổi vận hành thượng nguồn.

Một mô hình thủy lực truyền thống chi tiết là rất cần thiết để hiểu cơ chế truyền lũ, triều, mặn và ngập.

Nhưng AI cũng có thể hỗ trợ nhiều việc:

  • kiểm tra nhanh sai số dự báo mực nước tại các trạm;
  • phát hiện trạm có xu thế vượt ngưỡng;
  • học quan hệ giữa thượng nguồn, triều và mực nước nội đồng;
  • hỗ trợ cảnh báo ô bao có nguy cơ tràn;
  • tổng hợp bản tin lũ, mặn và vùng rủi ro;
  • so sánh mùa lũ hiện tại với các năm lịch sử;
  • hỗ trợ người quản lý truy vấn nhanh dữ liệu và báo cáo.

Đây chính là nơi AI không thay thế mô hình thủy lực, mà làm cho mô hình thủy lực trở nên gần hơn với vận hành thực tế.

14. Những điều cần tránh

Khi đưa AI vào thủy văn, có một số điều cần tránh.

Thứ nhất, tránh xem AI như phép màu

AI không thể bù đắp hoàn toàn cho dữ liệu kém, trạm đo thiếu, mặt cắt sai, DEM không chuẩn hoặc mô hình không được kiểm định.

Thứ hai, tránh phủ định mô hình vật lý

Các mô hình truyền thống chứa đựng nhiều hiểu biết khoa học và kinh nghiệm thực tiễn. AI cần học cùng chúng, không nên phủ định chúng.

Thứ ba, tránh chạy theo thuật toán mà quên bài toán

Không nên bắt đầu bằng câu hỏi “dùng LSTM hay Transformer”. Nên bắt đầu bằng câu hỏi “cần dự báo gì, cho ai, với thời gian bao lâu, sai số chấp nhận được là bao nhiêu, quyết định nào phụ thuộc vào dự báo đó”.

Thứ tư, tránh thiếu chuyên gia kiểm chứng

AI thủy văn không thể chỉ do kỹ sư AI làm. Phải có chuyên gia thủy văn, thủy lực, quy hoạch, vận hành và địa phương tham gia.

Thứ năm, tránh mất chủ quyền dữ liệu

Dữ liệu thủy văn, công trình, vận hành, ngập lụt, hạ du là tài sản chiến lược. Khi hợp tác với đối tác công nghệ, cần kiểm soát rõ quyền dữ liệu, mô hình và sản phẩm sinh ra từ dữ liệu.

15. Kết luận

Mô hình thủy văn – thủy lực truyền thống đã và vẫn sẽ là nền tảng của ngành tài nguyên nước.

AI không đến để xóa bỏ nền tảng đó.

AI đến để bổ sung một lớp năng lực mới: học từ dữ liệu lớn, phát hiện sai số, dự báo nhanh, hiệu chỉnh mô hình, hỗ trợ vận hành, truy vấn tri thức và xây dựng hệ thống ra quyết định thông minh hơn.

Tương lai không phải là “mô hình vật lý hoặc AI”.

Tương lai là mô hình lai:

  • vật lý để giữ tính giải thích;
  • dữ liệu để cập nhật thực tế;
  • AI để học từ kinh nghiệm và tăng tốc dự báo;
  • chuyên gia để kiểm chứng và chịu trách nhiệm;
  • thể chế để bảo đảm an toàn, minh bạch và công bằng.

Đối với Việt Nam, con đường phù hợp không phải là bỏ các mô hình truyền thống đã tích lũy nhiều năm. Con đường đúng là số hóa, chuẩn hóa, kế thừa và nâng cấp chúng bằng dữ liệu và AI.

Đó cũng là cách để ngành tài nguyên nước chuyển từ tính toán theo từng nhiệm vụ sang quản trị bằng hệ thống dữ liệu – mô hình – tri thức sống.

Một suy nghĩ bổ sung

Làm mô hình thủy văn – thủy lực là một công việc vừa khoa học, vừa nghệ thuật.

Khoa học vì nó dựa trên phương trình, số liệu, tham số, kiểm định và sai số.

Nghệ thuật vì người làm nghề phải hiểu lưu vực, hiểu dòng sông, hiểu trận lũ, hiểu công trình, hiểu những gì mô hình chưa thể nói hết.

AI có thể học rất nhanh từ dữ liệu. Nhưng AI không có ký ức nghề nghiệp như những người đã sống nhiều năm với một con sông, một vùng đồng bằng, một hồ chứa hay một hệ thống thủy lợi.

Vì vậy, điều tốt nhất không phải là để AI thay con người làm mô hình.

Điều tốt nhất là để AI học cùng con người, hỗ trợ con người và giúp tri thức của con người được lưu giữ, kiểm chứng và phát triển.

Từ mô hình thủy lực truyền thống đến AI thủy văn không phải là sự đoạn tuyệt.

Đó là một quá trình tiếp nối.

Nếu thế hệ trước đã cho chúng ta các mô hình, các phương pháp và kinh nghiệm tính toán, thì thế hệ hôm nay cần biến những giá trị đó thành nền tảng dữ liệu, mô hình lai và AI chuyên ngành cho tương lai.

Trong ngành nước, công nghệ có thể thay đổi.

Nhưng trách nhiệm với dòng sông, với hạ du, với người dân và với sự phát triển bền vững thì không thay đổi.

Tài liệu tham khảo

  1. WMO. Hydrological Services.
  2. WMO. WMO launches Community of Practice on Flood Forecasting.
  3. U.S. Army Corps of Engineers. HEC-HMS Technical Reference Manual.
  4. U.S. Army Corps of Engineers. HEC-HMS Technical Reference Manual, CPD-74B.
  5. U.S. Army Corps of Engineers. HEC-RAS River Analysis System.
  6. U.S. Army Corps of Engineers. Introduction to HEC-RAS.
  7. FAO. Soil and Water Assessment Tool — SWAT.
  8. Texas A&M University. SWAT — Soil & Water Assessment Tool.
  9. DHI. MIKE HYDRO Basin.
  10. U.S. Army Corps of Engineers. SSARR Routing Method.
  11. USGS. User’s guide to SSARRMENU.
  12. Lee, J. W. et al. A Review of Tank Model and Its Applicability to Various Countries. Water, 2020.
  13. Kratzert, F. et al. Rainfall–runoff modelling using Long Short-Term Memory networks. Hydrology and Earth System Sciences, 2018.
  14. Kratzert, F. et al. Towards Improved Predictions in Ungauged Basins: Exploiting the Power of Machine Learning. Water Resources Research, 2019.
  15. Nearing, G. et al. Global prediction of extreme floods in ungauged watersheds. Nature, 2024.
  16. Google Research. Flood Forecasting.
  17. Xu, Q. et al. Physics-aware Machine Learning Revolutionizes Scientific Paradigm for Machine Learning and Process-based Hydrology.
  18. Bhasme, P. et al. Enhancing predictive skills in physically-consistent way: Physics Informed Machine Learning for Hydrological Processes.
  19. Quốc hội Việt Nam. Luật Tài nguyên nước số 28/2023/QH15.
  20. Cục Quản lý tài nguyên nước. Luật Tài nguyên nước 2023 và định hướng quản trị tài nguyên nước trên nền tảng công nghệ số.