Khoa học tự nhiên

Dự báo các dòng chảy? (19/11/2020)

Các nhà quản lý nguồn nước đang sử dụng những mô hình dự báo để đảm bảo đủ nguồn cung cấp nước cũng như phòng ngừa những rủi ro và thiên tai từ sông nước.

Lưu vực sông Hằng (Ấn Độ) nhìn từ vũ trụ.

Sông ngòi nuôi dưỡng cuộc sống và là nhiên liệu cho các nền văn minh. Chúng cung cấp nước uống, tưới cây lương thực và giúp chúng ta tạo ra mọi thứ từ ô tô đến máy tính. Nước làm quay các turbine thủy điện tạo ra năng lượng sạch. Sông thậm chí đã hỗ trợ phát triển vật lý hạt nhân làm thay đổi cục diện chiến tranh thế giới khi các tổ hợp thủy điện của Dự án lưu vực Columbia và Cơ quan quản lý Thung lũng Tennessee tham gia vào các dự án làm giàu uranium và plutonium tốn nhiều năng lượng trong đại Dự án Manhattan.  Sông luôn là con đường giao thông quan trọng. Quá trình khai phá, định cư và phát triển kinh tế của châu Mỹ phụ thuộc rất nhiều vào giao thông đường sông. Sông Danube cũng đóng vai trò tuyến đường thương mại ở châu Âu giống như con đường La Mã 2000 năm trước và ngày nay nó chuyên chở hàng hóa thương mại xuyên lục địa.  Các con sông cũng là mái nhà của các hệ sinh thái quý giá. Sông nuôi cá và cũng là nơi vui chơi giải trí và là nguồn thu du lịch quan trọng. Đó là chưa kể đến giá trị văn hóa to lớn của chúng: văn học Mỹ sẽ khác rất nhiều nếu không có hồi ức của Mark Twain về những trải nghiệm lái thuyền trên sông Mississippi. Nhưng sông cũng có thể làm con người thiệt mạng. Lũ lụt là lực lượng thiên nhiên tàn phá nặng nề; hạn hán nhỏ hơn lũ lụt nhưng được coi là gây thiệt hại hơn trên quy mô toàn cầu.  Mặc dù các cuộc chiến tranh về nước được Phó chủ tịch Ngân hàng Thế giới Ismail Serageldin dự đoán vào năm 1995 nhưng khó có thể thành hiện thực khi đó. Thực tế cho thấy, các cuộc cạnh tranh về nguồn nước khan hiếm cũng đã dẫn đến bạo lực, ví dụ Israel và Syria giao tranh vào giữa những năm 1960 về nguồn nước ở lưu vực sông Jordan. Việc dự đoán sự biến động và những thay đổi dài hạn của dòng chảy sông rất quan trọng để quản lý tài nguyên nước một cách tối ưu và tránh rủi ro. Các dự báo thủy văn như vậy được thực hiện trên nhiều thang thời gian cho nhiều mục đích. Dự báo lũ lụt được thực hiện trước sự kiện thời tiết vài giờ đến vài ngày và được sử dụng để đưa ra các quyết định sơ tán khẩn cấp. Còn để đánh giá lâu dài về tác động của việc sử dụng đất và biến đổi khí hậu, các quy hoạch cần được thực hiện trong nhiều thập kỷ hoặc thậm chí nhiều thế hệ. Để dự báo được thành công chúng ta cần một loạt các phương pháp mô hình định lượng liên ngành.

Mạng lưới sông là một ví dụ cổ điển về hình học fractal và lý thuyết hỗn loạn hiện đang giới hạn khả năng dự đoán của thời tiết trong khoảng thời gian lý thuyết khoảng hai tuần. Hiện không có khái niệm toán học hiện đại nào xuất hiện rõ ràng trong các mô hình dự đoán dòng chảy sông nên cách tiếp cận theo hướng Hệ phức hợp có thể kết hợp các mô hình lại.

Các mô hình thủy văn địa hình hoạt động thế nào và dựa trên những nguyên tắc vật lý nào? Mỗi mô hình thường bao gồm kiến thức của nhiều ngành: kỹ thuật dân dụng, địa vật lý, kỹ thuật nông nghiệp, khí tượng, khoa học khí hậu, băng hà và những ngành khác. Với sự phức tạp đó các nhà thủy văn học làm thế nào chọn ra các cấu phần và quy trình nào để đưa vào mô hình cuối? Làm thế nào lựa chọn mẫu đại diện phù hợp và chạy mô hình một cách hiệu quả? Tóm lại, vật lý học đằng sau các mô hình dự đoán dòng sông là gì?

Điều gì đang ẩn giấu?

Các mô hình dự báo sông thường được thực hiện trên quy mô lưu vực - toàn bộ diện tích đất mà nước trên đó thoát đến những điểm nhất định trên dòng sông. Lưu vực thường được ngăn cách bởi địa hình, chẳng hạn như một sườn núi ngăn cách một đầu nguồn của lưu vực sông này với lưu vực sông khác.  Nhiều quá trình địa vật lý và lý sinh như đóng băng và tan chảy tuyết, lượng mưa xâm nhập, dòng nước ngầm, bốc hơi và thoát hơi nước của thực vật tạo nên thủy văn của lưu vực. Bằng cách tính toán các quá trình đó, một mô hình tái tạo và dự đoán động lực của dòng nước trong toàn bộ lưu vực và cuối cùng là tại một điểm xác định trên sông. Thường thì điểm đó được chọn trùng với vị trí đo lưu lượng sông hay còn gọi là trạm thủy văn, cũng là nơi thu thập dữ liệu quan sát cần thiết để xây dựng và thử nghiệm mô hình. Điểm quan tâm cũng có thể được chọn để giúp trả lời một câu hỏi thực tế như liệu điểm có thích hợp cho một nhà máy điện cần nước để làm mát hay không. Đầu ra của mô hình thường là một chuỗi thời gian của tốc độ dòng chảy trung bình của sông, thường tính bằng mét khối trên giây, tại một hoặc nhiều điểm quan tâm. Tần suất trung bình theo thời gian phổ biến nhất là hằng ngày, nhưng nó có thể dao động từ hằng phút đến hằng năm.  Trong nhóm mô phỏng, các mô hình dựa hoàn toàn trên vật lý sử dụng phương trình cơ bản của chuyển động chất lỏng là phương trình Navier - Stokes. Các phương trình phi tuyến hoàn chỉnh chưa bao giờ được sử dụng trực tiếp cho mô hình thủy văn lưu vực vì chúng rất khó có thể giải bằng số và không thực tế để triển khai ở các độ phân giải và quy mô không thời gian trong bài toán thủy văn. Năm 1969, Allan Freeze và Richard Harlan đưa ra một phương pháp được cho là tiêu chuẩn vàng cho mô hình thủy văn: Xuất phát từ các phương trình Navier – Stokes đầy đủ với các giả định đơn giản hóa, phương pháp tiếp cận theo hướng vật lý mô tả và dự đoán thiên nhiên thông qua một hệ thống các phương trình vi phân biểu thị lưu lượng nước thông qua các yếu tố cảnh quan.

Các dòng sông và nguồn nước thay đổi thích nghi với các yếu tố tự nhiên và con người. (a) Xã hội tiên tiến trong tàn tích Ancestral Puebloan (trước đây gọi là Anasazi) gần Los Alamos, New Mexico, di chuyển vào khoảng năm 1200 sau Công nguyên, một phần là do khí hậu khô hạn. (b) Hồ Nevada’s Walker là tàn tích của Hồ Lahontan thời kỳ băng hà; mực nước của nó đã giảm 55 m kể từ thế kỷ 19, chủ yếu do chuyển hướng nhu cầu cho nông nghiệp. (c) Sông McKenzie bắt nguồn từ một tầng chứa nước núi lửa tại Thác Tamolitch ở Oregon Cascades là một minh chứng ấn tượng về sự tương tác giữa sông và tầng chứa nước. Việc nắm bắt chính xác các hiệu ứng trữ nước có thể rất quan trọng đối với việc dự báo lưu lượng sông. (d) Sông Los Angeles là địa điểm quay phim yêu thích của những cuộc rượt đuổi bằng ô tô trong các bộ phim Hollywood. Những con sông đô thị hóa cao như vậy không còn cơ chế lưu trữ và giải phóng nước tự nhiên như ở sông McKenzie. Do đó, chúng thay đổi nhiều hơn và dễ xảy ra lũ lụt hơn, điều này làm cho việc dự báo chính xác trở nên quan trọng và thách thức hơn

Các mô hình được áp dụng mới chỉ dựa trên hai điều: động lực di chuyển của nước trên mặt đất và sự cân bằng nước tổng thể của lưu vực sông. Những yếu tố đó tạo nên cốt lõi của bất kỳ mô hình dự đoán sông cơ học nào. Nhưng một con sông và đầu nguồn của nó có thể có nhiều thành phần khác nhau, chẳng hạn như cây cối, tòa nhà, đầm lầy và cánh đồng băng. Trong thực tế, hầu hết các mô hình mô phỏng quá trình đều ở dạng mô-đun; ngoài cốt lõi của chúng, chúng thường tích hợp một số mô hình con đại diện cho các yếu tố môi trường có thể ảnh hưởng đến luồng nước.  Các mô hình con cũng giống như các lõi nhưng khác nhau về cách tiếp cận và mức độ chi tiết. Chúng có thể đại diện cho sự thoát hơi nước của rừng và mùa màng, bốc hơi từ các hồ và bề mặt đất, tích tụ và tan chảy của băng tuyết, hoặc băng tan từ các sông băng trên núi, khác với tuyết tan theo mùa. Chúng cũng có thể giải thích cho các động lực khí tượng thủy văn gần bề mặt, như sự phụ thuộc của pha mưa vào nhiệt độ và độ cao, có thể thay đổi đáng kể ở các lưu vực núi hiểm trở.  Các mô hình cũng có thể tính đến các biến đổi tự nhiên hoặc nhân tạo như kết hợp những thay đổi trong việc sử dụng đất, tác động rừng làm giảm tán cây hoặc đô thị hóa các vùng đất nông nghiệp làm tăng diện tích không thấm nước. Điều này có thể giúp dự đoán những thay đổi tương ứng về thoát hơi nước, động lực tuyết và xâm nhập. Những thay đổi đó có thể ảnh hưởng đến dòng chảy của sông, chẳng hạn, làm tăng tần suất và mức độ lũ lụt.

Nhà thủy văn học thời dữ liệu

Không giống như các mô hình mô phỏng quá trình, các phương pháp phân tích dữ liệu xem mỗi lưu vực sông như một bộ lọc động lực học với các tín hiệu đầu vào và đầu ra như lượng mưa và dòng chảy. Mô hình ngầm mô tả toàn bộ các quá trình vật lý vào trong một hàm chuyển, hàm này sẽ ánh xạ từ đầu vào đến đầu ra một cách thực nghiệm. Phương pháp dự đoán dựa trên dữ liệu tiếp cận từ trên xuống như vậy sử dụng các kỹ thuật thống kê và máy học và đang bổ sung sức mạnh và độ linh hoạt cho các mô hình vật lý là cách tiếp cận từ dưới lên. Mô hình thống kê Gaussian tuyến tính từ lâu đã được sử dụng để dự đoán dòng chảy sông. Ví dụ, trong những năm 1960 mô hình Thomas – Fiering được dùng các quá trình chuỗi thời gian tuyến tính tiêu chuẩn để dự báo dòng chảy sông ngắn hạn. Mô hình này cũng được sử dụng rộng rãi để đưa ra dự đoán từ các bộ dữ liệu có tính tồn tại lâu dài theo thời gian.  Mô hình Máy học là một nhánh của trí tuệ nhân tạo (AI) sử dụng các thuật toán để phát hiện các mối quan hệ trong dữ liệu và sau đó sử dụng các mối quan hệ đó để đưa ra dự đoán. Cách đây 25 năm đã bắt đầu xuất hiện việc áp dụng máy học vào thủy văn; và bây giờ cách tiếp cận này hiện đang trở nên thịnh hành khi AI tràn ngập thế giới hàng ngày. Ngay cả Google cũng đang vào cuộc bằng cách sử dụng AI để thử nghiệm dự báo lũ lụt quy mô lớn ở Ấn Độ.

Một nhà máy thủy điện trên dòng sông Mekong, phần chảy qua Lào.

Các chương trình nghiên cứu và phát triển R&D hiện tại về học máy trong dự đoán dòng chảy sông đang thu hẹp khoảng cách giữa nghiên cứu hàn lâm và hệ thống dự báo hoạt động trực tiếp. Các giải pháp kết hợp kết hợp AI với các yêu cầu kỹ thuật và quản lý cụ thể, bao gồm cả tính dễ sử dụng và phù hợp với kiến ​​thức thuỷ văn hiện có, đang diễn ra tích cực. Các mô hình theo hướng dữ liệu có thể dễ dàng kiểm tra tác động của việc cập nhật các thông tin mới có ích cho các biến số dự báo. Các nhà khí hậu học thường xuyên tổng hợp dữ liệu nhiệt độ đại dương liên quan đến các hiện tượng như vậy vào một chỉ số ngắn gọn như chỉ số Niño. Các nhà thủy văn có thể dễ dàng kết hợp các chỉ số đó với các biến dự báo khác trong mô hình hồi quy WSF hoặc mô hình dựa trên AI để cải thiện độ chính xác của nó. Cách làm như vậy khá là phổ biến trong các hoạt động dự báo. Do khoa học khí hậu phát triển nhanh chóng nên các mô hình theo hướng dữ liệu hiện đang giúp cho việc kiểm định các giá trị dự đoán dòng chảy sông của dữ liệu phát sinh trở nên đơn giản. Chúng đang là những công cụ quan trọng để cho những nghiên cứu về khí hậu thủy văn sau này.

Ráp các mô hình thành chuỗi

Thủy văn lưu vực là một thành phần của một môi trường lớn hơn, vì vậy nhiều mô hình thường được liên kết với nhau để có một cái nhìn toàn diện hơn. Ví dụ như đầu vào cho các mô hình dự báo dòng chảy sông chính là đầu ra của các mô hình dự báo thời tiết số. Chuỗi mô hình đó tạo cơ sở cho việc dự báo lũ, cung cấp thông tin quan trọng cho việc quản lý khẩn cấp và an toàn đập; hay tạo điều kiện thuận lợi cho việc đưa ra quyết định xem có nên đưa ra thông báo sơ tán hay xả nước từ hồ chứa. Các cơ quan chính phủ và các nhà điều hành đập tạo ra và sử dụng những thông tin đó hằng ngày.

Phương pháp tiếp cận theo hướng vật lý mô tả và dự đoán thiên nhiên thông qua một hệ thống các phương trình vi phân biểu thị lưu lượng nước thông qua các yếu tố cảnh quan.

Đầu ra từ các mô hình thủy văn đầu nguồn cũng có thể là đầu vào cho các mô hình thủy văn sông để lập bản đồ ngập lụt và lan truyền. Các mô hình đó dự đoán nước lũ sẽ đi đến đâu và sẽ đạt được bao xa. Kết quả của họ được sử dụng để lên kế hoạch khẩn cấp, thậm chí tính ra tỷ lệ bảo hiểm nhà và dự đoán lũ lụt ở các con sông lớn như Mississippi, nơi sóng lũ từ các cơn bão ở xa thượng nguồn có thể mất nhiều ngày để lan truyền xuống hạ lưu. Các mô hình thủy lực cũng cung cấp thông tin đánh giá tác động môi trường, bảo tồn sinh vật. Chuỗi mô hình cũng được sử dụng để đánh giá các tác động có thể có của biến đổi khí hậu đối với các con sông. Kết quả từ các mô hình khí hậu toàn cầu có thể được sử dụng để thúc đẩy dự báo về dòng sông; tuy nhiên các kết quả đầu ra trước tiên phải được giảm tỷ lệ và hiệu chỉnh phù hợp để điều chỉnh tính hệ thống và cung cấp thông tin về các lực đẩy khí tượng ở quy mô không gian và thời gian thích hợp.

Độ phức tạp, sự lựa chọn và sự kết hợp

Dự đoán dòng chảy sông có thể sử dụng nhiều nguồn dữ liệu khác nhau. Ví dụ như mô tả đặc điểm bề mặt đất, như bản đồ lớp phủ thực vật và diện tích bề mặt không thấm nước; các chỉ số thời tiết, chẳng hạn như nhiệt độ, lượng mưa, tốc độ gió và bức xạ Mặt trời; mô hình độ cao số và mạng lưới sông ngòi; và các bản đồ về đặc điểm địa chất thủy văn chẳng hạn như các loại đất. Các nguồn dữ liệu này được cung cấp từ các trạm quan trắc môi trường dài hạn, viễn thám trên không và vệ tinh và kết quả từ các mô hình khác. Việc lựa chọn mô hình dự báo dòng chảy sông phải phản ánh phần nào dữ liệu có sẵn: Sử dụng mô hình dự báo thủy văn đơn giản khi có nhiều loại dữ liệu và dữ liệu lớn có thể giảm khả năng trích xuất thông tin từ dữ liệu, trong khi sử dụng mô hình phức tạp nhưng không đủ dữ liệu có thể tạo ra cảm giác sai lệch về năng lực dự báo và có khả năng kết quả không chính xác. Người ta thường ít đánh giá về ưu và nhược điểm của mô hình mà quan trọng là tìm được công cụ phù hợp cho mỗi công việc. Điều này cũng có thể là một thách thức bởi có rất nhiều mô hình dự đoán dòng chảy sông. Nói chung, các mô hình hướng vật lý rất phù hợp để kiểm tra các định luật thủy văn bởi vì chúng dựa trên các quá trình xác định cụ thể. Các lưu vực ảo của chúng cũng có thể mô phỏng trực tiếp các kịch bản của biến đổi khí hậu, đô thị hóa, cháy rừng và những thay đổi môi trường dài hạn khác. Mặt khác, các mô hình theo hướng dữ liệu lại có chi phí xây dựng và vận hành thấp hơn nhiều. Các mô hình này cũng có khả năng đưa ra các dự báo ngắn hạn về nguồn cung nước và lũ lụt chính xác hơn, cũng như đưa ra khoảng tin cậy tốt hơn.

Giá trị của dự đoán

Dự đoán dòng chảy sông là một vấn đề được đặt cược cao và ngày càng cao. Ước lượng một cách khiêm tốn thì những cải tiến về độ chính xác của WSF cũng có thể tạo thêm giá trị hơn 100 triệu đô la hàng năm cho một lưu vực sông. Độ chính xác và thời gian thực hiện của các dự báo lũ cũng ngày càng trở nên quan trọng hơn: Rủi ro lũ lụt đang leo thang cùng với sự phát triển ngày càng tăng của các vùng đồng bằng ngập lụt, các hiện tượng mưa cực đoan hơn do biến đổi khí hậu và các tổn thất do đô thị hóa gây ra trong khả năng hấp thụ mưa của cảnh quan.  Hơn nữa, vẫn còn hai tỷ người hiện đang sống mà không được tiếp cận đầy đủ với nước uống và UNESCO dự kiến ​​nhu cầu nước toàn cầu sẽ tăng 55% trong vài thập kỷ tới do dân số và tăng trưởng kinh tế. Việc tránh những tổn thất toàn cầu và mất ổn định kinh tế xã hội khi đáp ứng các nhu cầu cấp nước cơ bản sẽ đòi hỏi chúng ta có các phương pháp quản lý nước tốt hơn dựa trên nền tảng kiến thức và khả năng dự đoán về động lực dòng chảy sông trên nhiều phạm vi không gian và thời gian.  Những việc cần làm khá rõ ràng là: Kỹ năng dự đoán cần được cải thiện trong những môi trường khó khăn như sa mạc, lưu vực núi cao và các thành phố đông đúc. Cần chú ý hơn đến khoa học Hệ phức hợp, một lĩnh vực đã thu hút sự quan tâm lớn trong cơ học thống kê, sinh thái học và vật lý xã hội học. Mạng lưới sông là một ví dụ cổ điển về hình học fractal và lý thuyết hỗn loạn hiện đang giới hạn khả năng dự đoán của thời tiết trong khoảng thời gian lý thuyết khoảng hai tuần. Nói chung, không có khái niệm toán học hiện đại nào xuất hiện rõ ràng trong các mô hình dự đoán dòng chảy sông; một cách tiếp cận theo hướng Hệ phức hợp có thể kết hợp các mô hình lại. Nếu chúng ta tiếp tục tận dụng cuộc cách mạng dữ liệu sẽ thúc đẩy tiến bộ trong ngành thủy văn. Các yếu tố như phát triển các kiểu dữ liệu mới, khám phá thông tin dự báo về khí hậu, và khám phá các hướng phân tích mới để hỗ trợ giám sát và dự đoán môi trường tất cả đều mang lại cơ hội phát triển. Đẩy mạnh các hướng nghiên cứu và ứng dụng đó sẽ là yếu tố quan trọng để quản lý các con sông và tài nguyên nước trong một tương lai ngày càng không chắc chắn.

Nguồn: Nguyễn Quang/tiasang.com.vn

Ngày cập nhật: 14/11/2020

https://tiasang.com.vn/-doi-moi-sang-tao/Du-bao-cac-dong-chay-26639