Ứng dụng IoT trong cảnh báo sớm sạt lở đất: Tổng quan và định hướng phát triển tại Việt Nam

TÓM TẮT:

Sạt lở đất là một trong những loại hình thiên tai nguy hiểm, thường xuyên xảy ra tại các khu vực miền núi ở Việt Nam, gây thiệt hại nghiêm trọng về người và tài sản. Trong những năm gần đây, sự phát triển của Internet of Things (IoT) đã tạo điều kiện cho việc xây dựng các hệ thống giám sát và cảnh báo sớm dựa trên dữ liệu thời gian thực.

 Bài báo này trình bày tổng quan về ứng dụng IoT trong cảnh báo sạt lở đất, bao gồm các công nghệ cảm biến, cấu trúc hệ thống và phương pháp xử lý dữ liệu. Đồng thời, bài báo phân tích khả năng ứng dụng tại Việt Nam, chỉ ra những khó khăn trong triển khai thực tế và đề xuất một số định hướng phát triển phù hợp với điều kiện trong nước.

Từ khóa: sạt lở đất, hệ thống giám sát, dự báo, cảnh báo sớm, cảm biến, IoT.

1. Đặt vấn đề

Sạt lở đất là hiện tượng phổ biến tại các khu vực có địa hình dốc và lượng mưa lớn. Tại Việt Nam, hiện tượng này xảy ra thường xuyên ở khu vực miền núi phía Bắc và miền Trung, đặc biệt trong mùa mưa bão. Nhiều vụ sạt lở đã gây thiệt hại nghiêm trọng về người, nhà ở và cơ sở hạ tầng.

Các phương pháp dự báo truyền thống chủ yếu dựa trên số liệu mưa hoặc kinh nghiệm thực tế, do đó thông tin cảnh báo còn hạn chế về độ chính xác và khả năng cảnh báo sớm. Trong bối cảnh đó, việc ứng dụng Internet of Things (IoT) cho phép thu thập dữ liệu liên tục từ hiện trường, góp phần nâng cao hiệu quả giám sát và cảnh báo sớm.

Bài báo này giới thiệu tổng quan các nghiên cứu gần đây ở trong và ngoài nước, trên cơ cở đánh giá khả năng ứng dụng IoT trong công tác dự báo, cảnh báo sớm sạt lở đất phù hợp với điều kiện của Việt Nam.

Cơ chế sạt lở đất và sự cần thiết của hệ thống

Sạt lở đất là hiện tượng mất ổn định của khối đất đá trên sườn dốc khi lực gây trượt vượt quá lực kháng cắt của vật liệu. Về cơ bản, trạng thái ổn định của mái dốc được duy trì nhờ sự cân bằng giữa trọng lực của khối đất và sức kháng trượt do ma sát và lực dính trong đất. Khi cân bằng này bị phá vỡ, hiện tượng sạt lở sẽ xảy ra. Trong các yếu tố tác động, nước đóng vai trò quan trọng nhất. Khi mưa lớn kéo dài, nước thấm vào đất làm tăng độ ẩm và khối lượng riêng của đất, đồng thời làm tăng áp lực nước lỗ rỗng. Sự gia tăng áp lực này làm giảm ứng suất hữu hiệu trong đất, dẫn đến suy giảm đáng kể lực ma sát giữa các hạt đất. Đây là cơ chế chính làm giảm độ ổn định và gây sạt lở của mái dốc.

Quá trình sạt lở thường diễn ra theo 3 giai đoạn: giai đoạn tích lũy khi độ ẩm đất tăng dần nhưng chưa xuất hiện biến dạng rõ rệt; giai đoạn mất ổn định khi xuất hiện các vết nứt, xuất hiện biến dạng cục bộ và giai đoạn phá hoại khi khối đất vượt ngưỡng ổn định và bị trượt.

Ngoài mưa, các yếu tố như địa hình dốc lớn, cấu trúc địa chất yếu, mất lớp phủ thực vật, động đất và hoạt động của con người cũng góp phần làm gia tăng nguy cơ sạt lở.

Hiểu rõ cơ chế này là cơ sở quan trọng để xác định các tham số cần giám sát trong hệ thống Internet of Things, bao gồm độ ẩm đất, áp lực nước lỗ rỗng, độ nghiêng và chuyển vị bề mặt. Đây là nền tảng để xây dựng các mô hình cảnh báo sớm hiệu quả.

Công nghệ cảm biến trong hệ thống IoT

Trong các hệ thống giám sát sạt lở đất dựa trên Internet of Things, cảm biến hiện trường đóng vai trò quan trọng trong việc thu thập dữ liệu phục vụ phân tích và cảnh báo sớm. Các loại cảm biến (Bảng 1) trong hệ thống IoT được dùng để đo các thông số đặc trưng như: đo độ ẩm đất; đo áp lực nước lỗ rỗng; đo độ nghiêng và chuyển vị;  đo lượng mưa.

Bảng 1. Các loại cảm biến thường dùng trong hệ thông IoT

Việc sử dụng đơn lẻ một loại cảm biến thường không đủ để đánh giá chính xác nguy cơ sạt lở. Do đó, xu hướng hiện nay là tích hợp đa cảm biến nhằm nâng cao độ tin cậy và giảm sai số trong hệ thống giám sát. Đồng thời cũng cần cân nhắc giữa độ chính xác, chi phí và điều kiện địa hình triển khai nhằm đảm bảo mục tiêu hiệu quả của hệ thống

Cấu trúc hệ thống IoT dùng trong hệ thống cảnh báo sạt lở đất

Hệ thống giám sát và cảnh báo sạt lở đất dựa trên Internet of Things (IoT) thường được thiết kế theo cấu trúc phân lớp nhằm đảm bảo khả năng thu thập, truyền tải và xử lý dữ liệu một cách hiệu quả. Một hệ thống điển hình bao gồm 4 lớp chính: lớp cảm biến, lớp truyền thông, lớp xử lý và lớp ứng dụng (Hình 1).

Lớp cảm biến: Lớp cảm biến là thành phần đầu tiên của hệ thống, có nhiệm vụ thu thập dữ liệu trực tiếp từ môi trường.

Các cảm biến được lắp đặt tại hiện trường để đo các thông số quan trọng như độ ẩm đất, lượng mưa, áp lực nước lỗ rỗng và chuyển vị mái dốc. Các nút cảm biến thường bao gồm: bộ vi điều khiển; các cảm biến đo lường; module truyền thông và nguồn cấp (pin hoặc năng lượng mặt trời). Yêu cầu quan trọng của lớp này là tiêu thụ năng lượng thấp, hoạt động ổn định trong điều kiện môi trường khắc nghiệt và có khả năng truyền dữ liệu định kỳ.

 Lớp truyền thông: Lớp truyền thông chịu trách nhiệm truyền dữ liệu từ các nút cảm biến đến trung tâm xử lý.

Trong các hệ thống IoT cho sạt lở đất, các công nghệ truyền thông không dây thường được sử dụng bao gồm: LoRa ; NB-IoT; mạng di động 5G. Dữ liệu từ các cảm biến thường được gửi về một cổng kết nối (gateway) trước khi chuyển lên máy chủ trung tâm. Đặc điểm của loại thiết bị này được trình bày trong Bảng 2. Việc lựa chọn công nghệ truyền thông phụ thuộc vào điều kiện địa hình, khoảng cách và yêu cầu về năng lượng.

Dữ liệu có thể được xử lý theo hình thức xử lý phân tán (Edge computing), hoặc xử lý điện toán đám mây (Cloud computing). Trong đó, hình thức xử lý điện toán đám mây phù hợp với hệ thống quy mô lớn còn hình thức xử lý phân tán phù hợp với việc xử lý các thông tin gần nguồn dữ liệu. Trong lớp xử lý dữ liệu, các thuật toán phân tích được áp dụng để lọc nhiễu và phân tích dữ liệu nhằm phát hiện bất thường, dự báo nguy cơ sạt lở. Các phương pháp được áp dụng từ đơn giản (ngưỡng, thống kê) đến nâng cao (learning machine, tuệ nhân tạo) hoặc kết hợp các phương pháp tùy theo yêu cầu hệ thống.

Lớp ứng dụng: Lớp ứng dụng cung cấp giao diện cho người sử dụng và hệ thống cảnh báo. Các chức năng chính bao gồm: hiển thị dữ liệu theo thời gian thực; phân tích xu hướng; gửi cảnh báo (SMS, app, email). Thông tin cảnh báo cần được truyền tải nhanh chóng và dễ hiểu để hỗ trợ việc ra quyết định kịp thời.

Phương pháp xử lý dữ liệu và dự báo

Trong hệ thống IoT cảnh báo sạt lở đất, dữ liệu thu thập từ hiện trường thường có đặc điểm nhiễu cao và không liên tục do ảnh hưởng của môi trường khắc nghiệt. Do đó, quy trình xử lý dữ liệu đóng vai trò quyết định đến độ chính xác của hệ thống cảnh báo sớm. Để đảm bảo chất lượng dữ liệu đầu vào trước khi đưa vào các mô hình dự báo các dữ liệu thu thập cần được tiến hành qua bước tiền xử lý dữ liệu, Các kỹ thuật chính thường dùng bao gồm: Lọc nhiễu; nội suy dữ liệu và chuẩn hóa dữ liệu.

- Lọc nhiễu: Sử dụng bộ lọc trung bình trượt (Moving Average) hoặc bộ lọc Kalman để loại bỏ các biến động bất thường do nhiễu điện từ hoặc sai số tức thời của thiết bị cảm biến.

- Nội suy dữ liệu: Xử lý các khoảng trống dữ liệu phát sinh do mất kết nối mạng trong truyền dẫn không dây (LoRa  hay NB-IoT).

- Chuẩn hóa: Đưa dữ liệu từ các cảm biến khác nhau (độ ẩm đất, áp lực nước lỗ rỗng, độ nghiêng) về cùng một thang đo để phục vụ phân tích đa biến.

Các phương pháp xử lý dữ liệu để đưa ra dữ liệu thông tin dự báo thường dùng là: phương pháp ngưỡng; phương pháp thống kê; phương pháp học máy; phương pháp lai kết hợp. Các phương pháp này được mô tả khái quát như sau:

Phương pháp ngưỡng: là cách tiếp cận đơn giản và được sử dụng rộng rãi trong thực tế. Hệ thống sẽ phát cảnh báo khi một hoặc nhiều thông số vượt quá giá trị giới hạn xác định trước. Ví dụ: độ ẩm đất vượt ngưỡng; lượng mưa tích lũy vượt ngưỡng; áp lực nước lỗ rỗng tăng đột biến.

Ưu điểm của phương pháp này là dễ triển khai và không yêu cầu tính toán phức tạp. Tuy nhiên, hạn chế là khó xác định ngưỡng chính xác và dễ xảy ra cảnh báo sai.

Phương pháp thống kê: phương pháp này được sử dụng để phân tích mối quan hệ giữa các yếu tố ảnh hưởng đến sạt lở đất. Một số kỹ thuật thường dùng: hồi quy tuyến tính; phân tích tương quan; phân tích đa biến.

Các phương pháp này giúp xác định xu hướng và mức độ ảnh hưởng của từng yếu tố, tuy nhiên phụ thuộc nhiều vào chất lượng dữ liệu đầu vào.

Phương pháp học máy: Trong phân tích dữ liệu sạt lở, các mô hình học máy thường dùng như Random Forest, Support Vector Machine (SVM) và Neural Network. Các mô hình này có khả năng xử lý từ dữ liệu lịch sử để dự đoán nguy cơ sạt lở với độ chính xác cao hơn so với phương pháp truyền thống. Tuy nhiên, chúng yêu cầu lượng dữ liệu lớn và khả năng xử lý thông tin cao.

Phương pháp kết hợp (Hybrid Methods): Là phương pháp sử dụng kết hợp các phương pháp khác nhau, ví dụ: kết hợp mô hình vật lý với học máy; kết hợp ngưỡng với phân tích thống kê. Đặc điểm của mỗi phương pháp được tổng hợp trong Bảng 3.

Việc lựa chọn phương pháp phân tích dự báo tối ưu thường phụ thuộc vào các yếu tố cốt lõi như quy mô hệ thống, năng lực xử lý thông tin và nguồn dữ liệu sẵn có.

Để khắc phục những hạn chế của các phương pháp đơn lẻ, xu hướng hiện nay tập trung vào việc phát triển các mô hình kết hợp, đó là sự giao thoa giữa mô hình vật lý với học máy, hoặc tích hợp phương pháp ngưỡng cùng phân tích thống kê.

Kết luận và khuyến nghị

Thông qua việc phân tích và tổng hợp các nghiên cứu trong và ngoài nước gần đây, bài báo xác nhận công nghệ Internet of Things (IoT) là chìa khóa để hiện đại hóa công tác giám sát-cảnh báo sớm sạt lở đất. Một số kết luận đã được rút  ra về xu hướng công nghệ hiện nay và các giao thức truyền thông cần được ưu tiên:

- Công nghệ hiện nay có xu hướng dịch chuyển từ các trạm đo đơn lẻ sang mạng lưới tích hợp đa cảm biến (biến dạng, chuyển vị, độ ẩm, áp lực nước lỗ rỗng, lượng mưa). Việc kết hợp các tham số này giúp loại bỏ các báo động giả và tăng độ tin cậy cho hệ thống.

- Các giao thức năng lượng thấp như LoRa và NB-IoT đã giải quyết triệt để rào cản về địa hình hiểm trở, cho phép duy trì kết nối liên tục với mức tiêu thụ năng lượng tối thiểu.

- Trí tuệ nhân tạo (AI) và Các thuật toán học máy đang dần thay thế các phương pháp ngưỡng truyền thống, giúp xử lý các tập dữ liệu lớn và đưa ra dự báo có độ chính xác cao hơn trong những kịch bản địa chất phức tạp.

Các khuyến nghị:

Để đảm bảo tính khả thi và bền vững khi triển khai áp dụng hệ thống giám sát, cảnh báo sớm sạt lở đất tại Việt Nam, hệ thống cần được xây dựng dựa trên các trụ cột sau:

Thiết kế tăng khả năng thích nghi và phân lớp: Cấu trúc hệ thống cần linh hoạt để có thể phân kỳ đầu tư theo từng giai đoạn, phù hợp với ngân sách địa phương nhưng vẫn đảm bảo khả năng mở rộng trong tương lai.

Ưu tiên giải pháp thực tế: Trong ngắn hạn, nên sử dụng phương pháp ngưỡng đa tham số để tối ưu chi phí. Tuy nhiên, cần xây dựng cơ sở dữ liệu số hóa ngay từ đầu để làm tiền đề cho việc ứng dụng AI và tự động hóa công tác dự báo - cảnh báo trong dài hạn.

Tự chủ năng lượng và hạ tầng: Đẩy mạnh việc tích hợp năng lượng tái tạo tại chỗ và ưu tiên sử dụng sóng LoRa thay cho các hạ tầng viễn thông phụ thuộc (5G/4G) vốn dễ bị tổn thương trong điều kiện thiên tai khắc nghiệt.

TÀI LIỆU THAM KHẢO:

N.D. Mạnh, L.V. Dũng, P.B. Hưng (2021), “Sụt trượt trên các tuyến giao thông vùng núi khu vực miền Trung và giải pháp giảm thiểu”, Tuyển tập Hội nghị khoa học toàn quốc 'Cơ học đá - Những vấn đề đương đại' - VIETROCK.

Nguyễn Đức Mạnh, Nguyễn Đình Dũng, Lê Anh Đức (2024), “Internet kết nối vạn vật - công nghệ hiệu quả trong giám sát và cảnh báo sụt trượt đất đá”, Tạp chí Khoa học và Công nghệ Việt Nam, số 8, trang 61-63.

M.D. Nguyen, N.V. Thang, A. Wakai, et al. (2021), “Identification, monitoring, and assessment of an active landslide in Tavan-Hauthao, Sapa, Laocai, Vietnam - A multidisciplinary approach”, Journal of Disaster Research, 16(4), pp.501-511.

Aman Sharma, Rajni Mohana, Ashima Kukkar, Varun Chodha, Pranjal Bansa  (2023), “An ensemble learning-based experimental framework forsmart landslide detection, monitoring, prediction, andwarning in IoT‑cloud environment”,  Environmental Science and Pollution Research  30:122677-122699.

E. Intrieri, G. Gigli, T. Gracchi, et al. (2018), “Application of an ultra-wide band sensor-free wireless network for ground monitoring”, Engineering Geology, 238(1), pp.1-14, DOI: 10.1016/j.enggeo.2018.02.017.

Zewei Ding, Qijuan Wu, Mingyu Wang, Jingjing Liu, Xiaoyang Zeng, Wenhong Li, Wei Huang, Zhi Liu, Xiao-Ping Zhang (2024), "A Multimode Neuromorphic Vision Sensor With Improved Brightness Measurement Performance by Pulse Coding Method", IEEE Internet of Things Journal, vol.11, no.4, pp.6266-6277.

Daowang, F.; Teng, L.; Tao, H. (2010),   "Square-root second-order extended Kalman filter and its application in target motion analysis", IET Radar, Sonar & Navigation, vol 4, pp 329-335.

T. Watteyne, A. Mehta, and K. Pister, “Reliability Through Frequency Diversity: Why Channel Hopping Makes Sense (2009)”,  in ACM Symp. Performance Evaluation of Wireless Ad Hoc, Sensor, and Ubiquitous Networks, pp. 116-23.

Kelesoglu, M.K (2016), “The evaluation of three-dimensional effects on slope stability by the strength reduction method”. KSCE J. Civ. Eng. Vol 20, pp 229-242.

Huang, M.S.; Fan, X.P.; Wang, H.R (2017), “Three-dimensional upper bound stability analysis of slopes with weak interlayer based on rotational-translational mechanisms”, Eng. Geol. Vol 223, pp 82-91.