ĐẠI HỌC BÁCH KHOA HÀ NỘI

TRƯỜNG CÔNG NGHỆ THÔNG TIN TRUYỀN THÔNG

BÁO CÁO PHÂN TÍCH THIẾT KẾ HỆ THỐNG

ĐỀ TÀI: “Đánh giá, cảnh báo tác động của các yếu tố môi trường và tài nguyên
đối với sự phát triển của rừng ngập mặn tại khu bảo tồn sinh thái.”

LỚP 141334
(Nội dung 6.10.1 và 6.10.2)

P
Nhóm thực hiện Thành viên nhóm
20 Nguyễn Tuấn Anh
Nguyễn Duy Khánh Linh
Đỗ Tùng Dương
Hà Văn Quang
Trần Việt Hùng
Hà Nội – 2023

2
 DANH MỤC CÁC CÔNG VIỆC
Bài toán số 1: Đánh giá, cảnh báo tác động của các yếu tố môi trường và tài
nguyên đối với sự phát triển của rừng ngập mặn tại khu bảo tồn sinh thái.
STT Tên nội dung công việc Người thực hiện
1 6.10.1. Phân tích yêu cầu người dùng và các Trần Việt Hùng
Nguyễn Duy Khánh
yếu tố ảnh hưởng đến bảo tồn sinh thái.
Linh

2 6.10.2. Phân tích các yếu tố về môi trường Hà Văn Quang

Đỗ Tùng Dương
trong xây dựng mô hình AI.
Nguyễn Tuấn Anh
Trần Việt Hùng
 MỤC LỤC
DANH MỤC HÌNH ẢNH.....................................................................................1
DANH MỤC BẢNG..............................................................................................2
MỞ ĐẦU.................................................................................................................3
CHƯƠNG 1: PHÂN TÍCH YÊU CẦU NGƯỜI DÙNG VÀ CÁC YẾU TỐ
ẢNH HƯỞNG ĐẾN BẢO TỒN SINH THÁI.................................................4
1.1. Tổng quan về khu bảo tồn Thái Thụy.........................................................4
1.2. Quy trình quản lý khu bảo tồn sinh thái......................................................4
1.2.1. Bảo tồn sinh thái là gì?......................................................................4
1.2.2. Quy trình quản lý khu bảo tồn Thái Thụy.........................................5
1.3. Các yếu tố ảnh hưởng đến bảo tồn sinh thái...............................................6
1.3.1. Đối tượng chịu tác động....................................................................6
1.3.2. Các yếu tố ảnh hưởng đến hệ sinh thái rừng ngập mặn.....................7
1.4. Phân tích yêu cầu người dùng trong bảo tồn sinh thái..............................10
CHƯƠNG 2: PHÂN TÍCH CÁC YẾU TỐ VỀ MÔI TRƯỜNG TRONG XÂY
DỰNG MÔ HÌNH AI......................................................................................12
1.1. Tổng quan về trí tuệ nhân tạo và các yếu tố về môi trường trong xây dựng
mô hình AI.........................................................................................................12
1.1.1. Các khái niệm cơ bản về trí tuệ nhân tạo........................................12
1.1.2. Quy trình xây dựng mô hình AI......................................................13
1.1.3. Tổng quan về các yếu tố môi trường trong xây dựng mô hình AI. .14
1.2. Phân tích các yếu tố về môi trường trong xây dựng mô hình AI..............15
1.2.1. Tổng quan về phân tích các yếu tố môi trường trong xây dựng mô
hình AI 15
1.2.2. Phân tích dữ liệu trong xây dựng mô hình AI hỗ trợ nghiên cứu và
ứng phó với biến đổi khí hậu..........................................................................16
1.2.3. Phân tích dữ liệu trong xây dựng mô hình AI dự báo kết cấu đất và
suy thoái thực vật sử dụng mạng thần kinh nhân tạo.....................................22
1.3. Ứng dụng của mô hình AI trong bảo tồn sinh thái...................................25
 1.3.1. Ứng dụng của AI trong bảo tồn sinh thái........................................25
1.3.2. AI tác động và thay đổi quá trình bảo tồn sinh thái như thế nào?...26
KẾT LUẬN..........................................................................................................28
TÀI LIỆU THAM KHẢO...................................................................................29

5
 DANH MỤC HÌNH ẢNH

Hình 1. Rừng bần chua 6

Hình 2. Các phương pháp học máy khác nhau và các ứng dụng tiềm năng 19
Hình 3. Cấu trúc perceptron đa lớp 21

1
 DANH MỤC BẢNG

Bảng 1. Ngưỡng sinh trưởng phát triển cây bần chua 8

Bảng 2. Chín khía cạnh cơ bản của mô hình khí hậu 16
Bảng 3. Các tham số đầu vào và đầu ra trong mô hình ANN 22

2
 MỞ ĐẦU

Trong thời đại công nghệ 4.0, trí tuệ nhân tạo (AI) và các ứng dụng của nó
đang trở thành một trong những chủ đề được quan tâm hàng đầu trên toàn thế giới.
Trong lĩnh vực bảo tồn sinh thái, việc sử dụng công nghệ AI để phân tích và đánh
giá các yếu tố ảnh hưởng đến môi trường là một trong những giải pháp hiệu quả để
bảo vệ và phát triển bền vững các hệ sinh thái.
Hai chuyên đề: “6.10.1. Phân tích yêu cầu người dùng và các yếu tố ảnh hưởng
đến bảo tồn sinh thái và 6.10.2. Phân tích các yếu tố về môi trường trong xây dựng
mô hình AI” sẽ tập trung vào việc phân tích các yếu tố ảnh hưởng đến bảo tồn sinh
thái và xây dựng mô hình AI để giám sát và dự báo tình trạng môi trường.
Bằng cách sử dụng các công nghệ tiên tiến như học máy và học sâu, đề tài sẽ
đưa ra các phương pháp phân tích và đánh giá các yếu tố về môi trường, từ đó giúp
cho việc quản lý và bảo vệ các hệ sinh thái trở nên hiệu quả hơn.
Với sự phát triển không ngừng của công nghệ AI, đề tài này sẽ đóng góp vào
việc nâng cao nhận thức của cộng đồng về tầm quan trọng của bảo tồn sinh thái và
giúp cho việc bảo vệ môi trường trở nên bền vững hơn.

3
 CHƯƠNG 1: PHÂN TÍCH YÊU CẦU NGƯỜI DÙNG VÀ CÁC
YẾU TỐ ẢNH HƯỞNG ĐẾN BẢO TỒN SINH THÁI

1.1. Tổng quan về khu bảo tồn Thái Thụy

Khu bảo tồn sinh thái Thái Thụy là một trong những khu bảo tồn quan trọng
nhất tại Việt Nam. Khu bảo tồn này nằm ở huyện Thái Thụy, tỉnh Thái Bình, cách
Hà Nội khoảng 120 km về phía Đông Nam. Khu bảo tồn có diện tích khoảng 7.610
ha, bao gồm các lưu vực sông, đầm, hồ nhân tạo, rừng ngập mặn và bãi than chìm,
trong đó rừng ngập mặn chiếm 1/3 diện tích khu bảo tồn (khoảng 2.559,2 ha). Đối
với diện tích rừng ngập mặn, rừng bần chiếm khoảng 80% diện tích toàn khu vực,
còn lại là rừng trang, sú, vẹt, ... Ngoài ra, khu bảo tồn sinh thái Thái Thụy có sự đa
dạng sinh học phong phú, với hơn 1.000 loài thực vật và động vật được ghi nhận.
Trong đó, có khoảng 200 loài thực vật và 300 loài động vật được xếp vào danh
mục các loài quý hiếm và đang bị đe dọa. Khu bảo tồn Thái Thụy cũng là nơi sinh
sống của nhiều loài động vật quý hiếm như khỉ đầu chó, hươu núi, gấu trúc và hổ,
cùng với nhiều loài chim quý hiếm như cò trắng, cò đỏ, bồ nông và bồ câu đất.
Tuy nhiên, các loài này đang bị đe dọa do mất môi trường sống và săn bắn trái
phép [1].
Tuy nhiên, khu bảo tồn sinh thái Thái Thụy đang đối mặt với nhiều thách thức
trong việc quản lý và bảo vệ môi trường, như mất rừng, đánh bắt trái phép và khai
thác khoáng sản. Theo báo cáo của Sở Tài nguyên và Môi trường tỉnh Thái Bình,
diện tích rừng tự nhiên trong khu bảo tồn đã giảm từ 4.000 ha vào năm 1990
xuống còn khoảng 2.000 ha vào năm 2010. Do đó, việc tăng cường giám sát, quản
lý và giảm thiểu các hoạt động đe dọa đến hệ sinh thái là cần thiết.

1.2. Quy trình quản lý khu bảo tồn sinh thái

1.2.1. Bảo tồn sinh thái là gì?

Bảo tồn sinh thái là một khái niệm quan trọng trong việc bảo vệ và duy trì sự
đa dạng sinh học trên Trái đất. Nó bao gồm các hoạt động nhằm bảo vệ và phục
hồi các hệ sinh thái tự nhiên, bảo vệ các loài động thực vật và động vật hoang
dã, và duy trì các môi trường sống tự nhiên cho các sinh vật [2].
Bảo tồn sinh thái là một phần quan trọng của việc bảo vệ môi trường tự nhiên
và đảm bảo sự phát triển bền vững của con người. Nó giúp đảm bảo rằng các hệ

4
sinh thái tự nhiên vẫn có thể cung cấp các dịch vụ sinh thái quan trọng cho con
người, bao gồm cung cấp nước sạch, khí quyển trong lành, đất màu mỡ và các
nguồn tài nguyên thiên nhiên khác.
Bảo tồn sinh thái cũng giúp đảm bảo rằng các loài động thực vật và động vật
hoang dã vẫn có thể tồn tại và phát triển trong môi trường tự nhiên của chúng.
Điều này là cực kỳ quan trọng vì các loài này đóng vai trò quan trọng trong việc
duy trì sự đa dạng sinh học và cung cấp các dịch vụ sinh thái quan trọng cho con
người.
Tuy nhiên, bảo tồn sinh thái không chỉ đơn thuần là việc bảo vệ các hệ sinh
thái tự nhiên và các loài động thực vật và động vật hoang dã. Nó còn bao gồm
việc quản lý và sử dụng các nguồn tài nguyên thiên nhiên một cách bền vững,
đảm bảo rằng chúng được sử dụng một cách hiệu quả và không gây hại cho môi
trường.
Các hoạt động bảo tồn sinh thái có thể bao gồm việc thiết lập các khu bảo tồn
thiên nhiên, quản lý các khu vực đất hoang dã, giám sát và đánh giá các loài
động thực vật và động vật hoang dã, và đào tạo và giáo dục cộng đồng về tầm
quan trọng của bảo tồn sinh thái.
Trong thời đại hiện đại, bảo tồn sinh thái trở nên càng quan trọng hơn bao
giờ hết. Sự suy thoái của môi trường tự nhiên và sự mất mát đa dạng sinh học
đang trở thành một vấn đề ngày càng nghiêm trọng, và việc bảo tồn sinh thái là
một phần quan trọng trong việc giải quyết vấn đề này.

1.2.2. Quy trình quản lý khu bảo tồn Thái Thụy

Đầu tiên, khi xảy ra các hoạt động xâm phạm hoặc các yếu tố tác động tiêu
cực đến khu bảo tồn sinh thái, người phát hiện cần có trách nhiệm báo cáo với
ủy ban nhân dân (UBND) cấp xã. Việc này giúp UBND cấp xã có thể nhanh
chóng có biện pháp xử lý trong phạm vi thẩm quyền hoặc báo cáo với UBND
huyện hoặc phòng Nông nghiệp và phát triển nông thôn (NN&PTNT) huyện qua
đường công văn hoặc trình báo trực tiếp.
Tiếp theo, UBND huyện hoặc phòng NN&PTNT huyện sẽ liên hệ với Ban
quản lý khu bảo tồn thiên nhiên trực thuộc Sở NN&PTNT để có biện pháp xử lý.
Ban quản lý khu bảo tồn thiên nhiên sẽ đánh giá tình hình và đưa ra các biện
pháp cần thiết để bảo vệ và duy trì khu bảo tồn sinh thái.

5
 Trong trường hợp các vấn đề vượt quá thẩm quyền của UBND tỉnh, tỉnh sẽ
yêu cầu Sở NN&PTNT tham mưu UBND tỉnh ban hành công văn xin ý kiến Bộ
NN&PTNT chỉ đạo giải quyết. Việc này giúp đảm bảo rằng các vấn đề liên quan
đến khu bảo tồn sinh thái được giải quyết một cách nghiêm túc và đúng quy
trình.
Tóm lại, việc thực hiện đúng quy trình này giúp đảm bảo rằng các khu bảo
tồn sinh thái được bảo vệ và duy trì một cách hiệu quả, đồng thời giúp đảm bảo
sự phát triển bền vững của con người và môi trường tự nhiên.

1.3. Các yếu tố ảnh hưởng đến bảo tồn sinh thái

1.3.1. Đối tượng chịu tác động

Hệ thống rừng ngập mặn ven biển huyện Thái Thụy đóng vai trò quan trọng
trong việc bảo vệ cơ sở hạ tầng ven biển trước thiên tai và biến đổi khí hậu, bảo
vệ các hệ sinh thái và đóng góp vào sự phát triển bền vững kinh tế biển cho
huyện Thái Thụy và tỉnh Thái Bình. Vì vậy, để giải quyết bài toán sinh thái, đề
tài đã chọn rừng ngập mặn ven biển của huyện Thái Thụy làm đối tượng nghiên
cứu. Bên cạnh đó, rừng bần chiếm 80% diện tích rừng ngập mặn, nên chúng tôi
sẽ tập trung vào việc phân tích các ảnh hưởng tác động lên hệ sinh thái của cây
bần.

Hình 1. Rừng bần chua

Cây bần là trong những cây phổ biến ở rừng ngập mặn trong khu bảo tồn
Thái Thụy. Cây bần là loài cây thân gỗ, có chiều cao tới 15m hoặc hơn nữa là
trên 25m, ở khu vực rừng ngập mặn tỉnh Trà Vinh, đường kính có thể lên tới
60cm [3]. Tán lá của cây bần chua thưa và rộng có thể đạt tới đường kính 30m.
Các nhánh non có hình vuông, cạnh màu đỏ nhạt. Lá đơn, mọc đối, phiến lá hình

6
tròn dài, đầu nhọn, thường có màu đỏ ở cuống lá và gân chính. Ra hoa vào tháng
4 và tháng 5, quả chín vào tháng 8 đến tháng 11. Quả bần chua chín rộ vào cuối
tháng 10 đến đầu tháng 11. Quả khi chín nặng 100 - 150gr, quả tròn có đường
kính 3 - 5cm, cao 1,5 - 2cm, màu xanh lục, với 6 tai đài xếp phẳng. Trong quả
chứa nhiều hạt (từ 500 - 800 hạt/quả).
Cây bần có thể sinh trưởng và phát triển tốt trong môi trường ngập mặn, nơi
mà nước biển thường xuyên tràn vào và rút ra. Bần chua thích hợp với đất bùn
mềm, độ thành thục thấp. Nhiệt độ trung bình hàng năm từ 22 oC đến 27oC.
Lượng mưa hàng năm từ 1.500-3.000mm/năm. Độ mặn thích hợp dao động từ 5-
20‰. Là cây ngập mặn chịu rét kém, khi nhiệt độ không khí giảm xuống dưới
10oC cây sinh trưởng chậm và bị héo lá, ngọn non và nếu hiện tượng thời tiết
lạnh kéo dài như vậy sẽ dẫn tới chết cây. Cây bần cũng có khả năng chịu đựng lũ
lụt và gió mạnh [3].
Bộ rễ của cây bần là rễ khí sinh hình măng tây, toả tròn, rễ đâm từ đất lên có
thể cao tới 70cm, với đường kính rễ sát mặt đất có thể có kích thước đến 2 -
3cm. Cây bần có khả năng phát triển rễ khí sinh để hấp thụ oxy và chịu đựng
môi trường ngập nước và độ mặn cao, do đó, nó thường được sử dụng trong các
chương trình phục hồi và bảo vệ môi trường ven biển.
Tóm lại, cây bần là một loài cây quan trọng trong rừng ngập mặn và có nhiều
đặc điểm sinh học và sinh trưởng đáng chú ý. Việc bảo vệ và phát triển cây bần
sẽ giúp duy trì và phát triển môi trường sống của nhiều loài động vật và thực vật
trong khu vực rừng ngập mặn. Đồng thời, đóng vai trò quan trọng trong việc bảo
vệ cơ sở hạ tầng ven biển trước thiên tai và biến đổi khí hậu và đóng góp vào sự
phát triển bền vững kinh tế biển cho huyện Thái Thụy và tỉnh Thái Bình.

1.3.2. Các yếu tố ảnh hưởng đến hệ sinh thái rừng ngập mặn
Các yếu tố môi trường như sự biến động về diện tích rừng ngập mặn, điều
kiện địa hình (độ cao và độ dốc), độ che phủ rừng đóng vai trò quan trọng trong
việc xác định sự phát triển và bảo tồn của rừng ngập mặn.
Sự biến động về diện tích rừng ngập mặn là một trong những yếu tố tác động
lớn nhất đến sự phát triển của cây bần. Việc giảm diện tích rừng ngập mặn sẽ
làm giảm khả năng sinh trưởng và phát triển của cây bần, gây ảnh hưởng đến hệ
sinh thái rừng ngập mặn. Diện tích rừng ngập mặn phụ thuộc vào nhiều yếu tố
như tình trạng khai thác, biến đổi khí hậu, sự phát triển của các khu công nghiệp,
đô thị, du lịch, ... [4].

7
 Điều kiện địa hình như độ cao và độ dốc cũng ảnh hưởng đến sự phát triển
của rừng ngập mặn, vì nó ảnh hưởng đến lượng nước và chất dinh dưỡng cung
cấp cho cây trồng. Đất có độ dốc cao sẽ làm giảm khả năng giữ nước và dinh
dưỡng, gây ảnh hưởng đến sự phát triển của cây bần.
Độ che phủ rừng cũng là một yếu tố quan trọng đối với sự phát triển của rừng
ngập mặn, vì nó ảnh hưởng đến lượng ánh sáng và năng lượng mặt trời cung cấp
cho cây trồng. Nếu rừng bị chặt hạ quá nhiều, độ che phủ sẽ giảm, làm giảm khả
năng giữ nước và dinh dưỡng, gây ảnh hưởng đến sự phát triển của cây bần.
Ngoài ra, các thông số ngưỡng phát triển lý tưởng đối với cây bần chua cũng
đóng vai trò quan trọng trong việc xác định sự phát triển của rừng ngập mặn.
Các thông số này bao gồm nhiệt độ không khí, lượng mưa, độ mặn, độ kiềm, pH,
NH3, H2S, nhiệt độ nước biển, As, Cd, Pb, Cu, Zn,… [5].
Bảng 1. Ngưỡng sinh trưởng phát triển cây bần chua

Giá trị cho

Thông số Đơn vị Chuẩn so sánh
phép
Nhiệt độ không QCVN 10 – MT:
oC 22 - 27
khí 2015/BTNMT
Lượng mưa mm/năm 1500 - 3000 nt
Độ mặn ‰ 5 ÷ 20 nt
Độ kiềm mg/l 60 ÷ 180 nt
pH 6.5 - 8.5 nt
NH3 mg/l < 0.3 nt
H2S mg/l < 0.05 nt
Nhiệt độ nước nt
oC 18 ÷ 28
biển
BOD5 mg/l 50 nt
COD mg/l 150 nt
TSS mg/l 50 nt
As mg/kg đất khô 12 TCVN 5300:2009
Cd mg/kg đất khô 2 nt
Pb mg/kg đất khô 100 nt

8
Cu mg/kg đất khô 70 nt
Zn mg/kg đất khô 200 nt

Nhiệt độ không khí là yếu tố quan trọng ảnh hưởng đến sự phát triển của cây
trồng và các loài động vật trong rừng ngập mặn. Nhiệt độ cao có thể làm giảm
độ ẩm của không khí, gây ra sự mất nước của cây và động vật, gây ra sự suy
giảm sức khỏe và sinh trưởng của chúng.
Mặc dù rừng ngập mặn có nhiều nước, tuy nhiên, lượng mưa vẫn là yếu tố
quan trọng ảnh hưởng đến sự phát triển của rừng ngập mặn. Lượng mưa ít hơn
so với mức bình thường có thể gây ra sự suy giảm đáng kể về lượng nước trong
rừng ngập mặn, đặc biệt là trong mùa khô. Nếu lượng mưa ít hơn quá nhiều,
nước trong rừng ngập mặn có thể bị cạn kiệt, gây ra sự suy giảm sức khỏe và
sinh trưởng của cây trồng và động vật trong rừng ngập mặn.
Độ mặn là yếu tố quan trọng khác ảnh hưởng đến sự phát triển của rừng ngập
mặn. Nếu độ mặn quá cao, nước trong môi trường sẽ có nồng độ muối cao hơn
so với nước trong tế bào của cây trồng và động vật, dẫn đến sự mất nước và mất
chất dinh dưỡng của chúng. Điều này có thể gây ra sự suy giảm sức khỏe và sinh
trưởng của cây trồng và động vật, và cuối cùng là sự chết của chúng.
Độ kiềm và pH cũng ảnh hưởng đến sự phát triển của rừng ngập mặn. Nếu
độ kiềm hoặc pH quá cao hoặc quá thấp, nó sẽ làm cho đất trở nên kiềm, gây ra
sự suy giảm sức khỏe của cây trồng và động vật. Do đó, việc kiểm soát độ kiềm
và pH là rất quan trọng trong việc quản lý và bảo tồn rừng ngập mặn. Các biện
pháp như sử dụng phân bón hữu cơ, thay đổi phương pháp canh tác, sử dụng các
loại cây trồng phù hợp với điều kiện đất và nước, và kiểm soát lượng phân bón
và hóa chất được sử dụng trong khu vực rừng ngập mặn có thể giúp kiểm soát độ
kiềm và pH và bảo vệ sức khỏe của cây trồng và động vật trong rừng ngập mặn.
NH3 và H2S là các chất độc hại có thể gây ra sự suy giảm sức khỏe và sinh
trưởng của cây trồng và động vật trong rừng ngập mặn. Chính vì vậy, việc giảm
thiểu nồng độ NH3 và H2S trong môi trường nước là rất quan trọng để bảo vệ
sức khỏe và sinh trưởng của cây trồng và động vật trong rừng ngập mặn. Các
biện pháp như giảm thiểu sử dụng phân bón hóa học, xử lý nước thải và giảm
thiểu các hoạt động công nghiệp có thể giúp giảm thiểu nồng độ NH3 và H2S
trong môi trường nước.

9
 Nhiệt độ nước biển cũng ảnh hưởng đến sự phát triển của rừng ngập mặn.
Nếu nhiệt độ nước biển quá cao hoặc quá thấp, cây trồng và động vật sẽ không
thể sống sót được. Khi nhiệt độ nước biển quá cao, nó có thể gây ra sự mất nước
của cây trồng và động vật, gây ra sự suy giảm sức khỏe và sinh trưởng của
chúng. Ngược lại, nếu nhiệt độ nước biển quá thấp, nó có thể làm giảm tốc độ
trao đổi chất của cây trồng và động vật, gây ra sự suy giảm sinh trưởng và sinh
sản của chúng. Ngoài ra, nhiệt độ nước biển cao quá hoặc thấp quá cũng có thể
gây ra sự suy giảm nồng độ oxy trong nước, gây ra sự suy giảm sinh vật phù du
và các loài động vật khác trong rừng ngập mặn.
As, Cd, Pb, Cu, Zn là các kim loại nặng có thể gây ra sự ô nhiễm môi trường
trong rừng ngập mặn. Những chất độc hại này có thể xuất hiện trong nước, đất
và không khí, và có thể được hấp thụ bởi cây trồng và động vật trong rừng ngập
mặn. Ngoài ra, các kim loại nặng cũng có thể gây ra sự suy giảm đa dạng sinh
học trong rừng ngập mặn. Chúng có thể ảnh hưởng đến sự phát triển của các loài
thực vật và động vật, và có thể gây ra sự suy giảm số lượng và đa dạng của
chúng. Do đó, việc giám sát và kiểm soát các kim loại nặng trong rừng ngập mặn
là rất quan trọng để bảo vệ sức khỏe của con người và đa dạng sinh học của môi
trường.
Các thông số này ảnh hưởng đến sự phát triển của cây trồng và cũng ảnh
hưởng đến sự phát triển của các loài động vật và thực vật khác trong rừng ngập
mặn. Việc xác định các thông số này sẽ giúp quản lý và bảo tồn rừng ngập mặn
một cách hiệu quả hơn, đồng thời đưa ra các giải pháp phát triển bền vững cho
rừng ngập mặn.

1.4. Phân tích yêu cầu người dùng trong bảo tồn sinh thái

Hệ thống cần quản lý tài khoản theo các cấp như chuyên gia, UBND cấp xã,
UBND cấp huyện, UBND cấp tỉnh và phòng Nông nghiệp và phát triển nông thôn
(NN&PTNT), ... Các tài khoản cấp cao sẽ tiếp nhận các báo cáo từ các cơ quan cấp
thấp hơn để có các biện pháp xử lý phù hợp. Ngoài ra, hệ thống sẽ cho phép người
dân (khách – không cần có tài khoản) báo cáo lên các cơ quan có thẩm quyền khi
xảy ra các hoạt động xâm phạm hoặc các yếu tố tác động tiêu cực đến khu bảo tồn
sinh thái. Báo cáo bao gồm các mô tả cụ thể về các yếu tố tiêu cực trên kèm theo
video và hình ảnh.
Bên cạnh đó, hệ thống có khả năng tiếp nhận các dữ liệu thu thập từ vệ tinh,
camera, các cảm biến như độ cao, độ dốc, nhiệt độ, độ ẩm, độ kiềm, nồng độ các

10
kim loại, ... Các dữ liệu này sẽ được phân loại, tiền xử lý và cuối cùng là phân tích
bằng mô hình AI, từ đó mô hình sẽ đưa ra các dự báo và phán đoán xem mức độ
ảnh hưởng của các yếu tố này trong tương lai dựa trên ngưỡng sinh trưởng phát
triển của cây bần. Lúc này hệ thống sẽ cảnh báo trực tiếp đến các tài khoản của các
cơ quan có thẩm quyền. Các dự đoán này sau đó sẽ được chuyển đến cho các
chuyên gia xem xét và đánh giá tính đúng đắn. Sau đó, các chuyên gia sẽ gửi các
hướng dẫn khắc phục đến các tài khoản của các cơ quan có thẩm quyền để kịp thời
có các biện pháp can thiệp ngăn chặn ảnh hưởng đến khu bảo tồn.
Ngoài ra, hệ thống cũng cần có khả năng giám sát sự biến động về diện tích và
độ che phủ rừng ngập mặn ven biển. Thêm vào đó hệ thống có thể dựa trên các chỉ
số kinh tế của khu vực hay thiên tai, địa chất, ... để dự đoán sự biến động về diện
tích hay độ che phủ rừng trong tương lai dài hạn. Nhờ vào đó các cơ quan có các
biện pháp ngăn chặn các nguy cơ sớm nhất có thể.
Đối với các ảnh hưởng cơ bản như độ pH giảm mạnh, nồng độ H2S và NH3
tăng cao, ..., hệ thống còn có thể đề xuất các phương pháp giải quyết hiệu quả đã
được các chuyên gia gợi ý và kiểm chứng trước đó tùy vào từng trường hợp.

11
 CHƯƠNG 2: PHÂN TÍCH CÁC YẾU TỐ VỀ MÔI TRƯỜNG
TRONG XÂY DỰNG MÔ HÌNH AI

1.1. Tổng quan về trí tuệ nhân tạo và các yếu tố về môi trường trong xây
dựng mô hình AI

Cách mạng công nghiệp lần thứ tư đang tạo ra những bước phát triển vượt bậc
cho xã hội, bằng cách áp dụng các công nghệ máy tính hiện đại mà trước đây chỉ
có trong giới khoa học và công nghệ thông tin. Điều này đang mở ra nhiều cơ hội
để sáng tạo và biến những giấc mơ trở thành hiện thực.
Việc áp dụng trí tuệ nhân tạo và học máy đã cải thiện đáng kể dịch vụ y tế,
giúp chẩn đoán và điều trị bệnh tốt hơn, đồng thời giảm thiểu sai sót trong quá
trình chẩn đoán. Ngoài ra, các ứng dụng thực tế khác như xe tự lái, hệ thống giám
sát thông minh, hệ thống nhận diện giọng nói cũng đều đã và đang làm cuộc sống
của chúng ta trở nên dễ dàng hơn và tiện lợi hơn [6].
Học máy, một trong những công nghệ cốt lõi của trí tuệ nhân tạo, đóng một vai
trò cực kỳ quan trọng trong cách mạng công nghiệp lần này. Với khả năng tự động
học hỏi và tối ưu hóa hiệu suất, học máy đang cải thiện và tối ưu hóa các quy trình
sản xuất và khoa học, đồng thời cũng đang thay đổi cách giáo dục và học tập. Học
máy cho phép tùy chỉnh các phương pháp và quy trình giảng dạy để phù hợp với
nhu cầu và năng lực học tập của từng học sinh, giúp đem lại trải nghiệm học tập
tốt hơn và hiệu quả hơn.
Cụ thể, các thiết bị di động thông minh hiện nay đã bắt đầu được áp dụng
những công nghệ trí tuệ nhân tạo, giúp đọc và phân tích thông tin từ hình ảnh và
giọng nói, đem lại trải nghiệm học tập tuyệt vời cho các học sinh. Ngoài ra, học
máy còn được ứng dụng rộng rãi trong nhiều lĩnh vực khác như tài chính, thương
mại điện tử, y tế, … để cải thiện hiệu quả kinh doanh và chăm sóc sức khỏe, tạo ra
nhiều tiện ích và giá trị cho xã hội. Chính vì vậy, học máy đang là một trong
những công nghệ đang phát triển nhanh nhất và ngày càng trở nên quan trọng hơn
trong đời sống của con người.

1.1.1. Các khái niệm cơ bản về trí tuệ nhân tạo

Trí tuệ nhân tạo (Artificial Intelligence - AI) là một lĩnh vực khoa học máy
tính liên quan đến việc phát triển các hệ thống có khả năng tự học, tự động và

12
thực hiện các tác vụ thông minh mà trước đây chỉ có con người mới có thể thực
hiện được. Trong lĩnh vực này, học máy (Machine Learning) là một phương
pháp giúp cho máy tính có khả năng học hỏi và cải thiện hiệu suất của chúng
theo thời gian [7].
Học máy là quá trình giúp cho máy tính học hỏi từ dữ liệu mà không cần
được lập trình trực tiếp. Thay vào đó, máy tính sẽ sử dụng các thuật toán và mô
hình học máy để phân tích dữ liệu và tìm ra các mẫu và quy luật trong dữ liệu
đó. Sau đó, máy tính sẽ sử dụng các quy luật và mẫu đó để dự đoán và phân loại
các dữ liệu mới [8].
Học máy được sử dụng rộng rãi trong nhiều lĩnh vực, bao gồm nhận dạng
giọng nói, nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, dự báo tài chính, và
nhiều ứng dụng khác. Học máy cũng đóng vai trò quan trọng trong việc phát
triển các hệ thống trí tuệ nhân tạo như chatbot, xe tự lái, và các hệ thống thông
minh khác. Tuy nhiên, học máy cũng đặt ra nhiều thách thức, bao gồm việc thu
thập và xử lý dữ liệu lớn, đảm bảo tính an toàn và độ tin cậy của các hệ thống
học máy, và đảm bảo tính minh bạch và trách nhiệm của các quyết định được
đưa ra bởi các hệ thống học máy.

1.1.2. Quy trình xây dựng mô hình AI

Xây dựng mô hình AI là một quá trình phức tạp và đòi hỏi chuyên môn cao
trong lĩnh vực khoa học máy tính. Tuy nhiên, có thể tóm tắt quy trình này thành
các bước chính như sau [9]:
1. Thu thập dữ liệu: Đây là bước đầu tiên và quan trọng nhất trong quy trình xây dựng
mô hình AI. Dữ liệu được thu thập từ nhiều nguồn khác nhau và phải được xử lý để đảm
bảo tính chính xác và đầy đủ.
2. Tiền xử lý dữ liệu: Sau khi thu thập được dữ liệu, chúng ta cần tiền xử lý để loại bỏ
các giá trị nhiễu, xử lý các giá trị thiếu và chuẩn hóa dữ liệu.
3. Chọn mô hình: Sau khi tiền xử lý dữ liệu, chúng ta cần chọn một mô hình phù hợp để
huấn luyện. Có nhiều loại mô hình khác nhau như mạng nơ-ron, cây quyết định, máy
vector hỗ trợ, và học sâu.
4. Huấn luyện mô hình: Sau khi chọn được mô hình, chúng ta cần huấn luyện mô hình
với dữ liệu đã được tiền xử lý. Quá trình này có thể mất nhiều thời gian và tài nguyên
tính toán.
5. Đánh giá mô hình: Sau khi huấn luyện mô hình, chúng ta cần đánh giá mô hình để
đảm bảo tính chính xác và độ tin cậy của nó. Có nhiều phương pháp đánh giá khác nhau
như cross-validation, confusion matrix, và ROC curve.

13
 6. Tinh chỉnh mô hình: Nếu mô hình không đạt được kết quả như mong đợi, chúng ta
cần tinh chỉnh mô hình bằng cách thay đổi các tham số hoặc thử các mô hình khác.
7. Triển khai mô hình: Sau khi mô hình đã được đánh giá và tinh chỉnh, chúng ta có thể
triển khai mô hình để sử dụng trong thực tế.

Ngoài ra, mỗi mô hình đều có các tham số là các giá trị được sử dụng để điều
chỉnh hoạt động của mô hình. Việc điều chỉnh các tham số để cải thiện hiệu suất
của mô hình là rất quan trọng trong xây dựng mô hình AI. Dưới đây là một số ví
dụ về các tham số trong mô hình [10]:
Learning rate: Là một tham số quan trọng trong các mô hình học máy, phụ trách quy định
tốc độ học của mô hình. Nếu learning rate quá cao, mô hình có thể bị quá khớp và không
thể hội tụ. Nếu learning rate quá thấp, mô hình có thể mất nhiều thời gian để hội tụ.
Số lượng lớp ẩn: Là một tham số quan trọng trong các mô hình mạng nơ-ron, số lượng
lớp ẩn quyết định độ phức tạp của mô hình. Nếu số lượng lớp ẩn quá ít, mô hình có thể
không đủ mạnh để học được các mối quan hệ phức tạp trong dữ liệu. Nếu số lượng lớp
ẩn quá nhiều, mô hình có thể bị quá khớp và không thể tổng quát hóa được.
Số lượng nơ-ron trong mỗi lớp: Là một tham số quan trọng trong các mô hình mạng nơ-
ron, số lượng nơ-ron trong mỗi lớp quyết định độ phức tạp của mô hình.
Hàm kích hoạt: Là một tham số quan trọng trong các mô hình mạng nơ-ron, hàm kích
hoạt quyết định cách mà các nơ-ron trong mô hình phản hồi với đầu vào. Các hàm kích
hoạt phổ biến bao gồm sigmoid, ReLU và tanh.
Số lượng cây trong mô hình: Là một tham số quan trọng trong các mô hình cây quyết
định, số lượng cây quyết định độ phức tạp của mô hình.

Bên cạnh đó, các mô hình trong học máy và trí tuệ nhân tạo có những loại
tham số chung nhau, nhưng cũng có những loại tham số riêng biệt phù hợp với
từng loại mô hình. Ví dụ, trong mô hình mạng nơ-ron, các tham số như số lượng
lớp ẩn, số lượng nơ-ron trong mỗi lớp, và hàm kích hoạt là rất quan trọng. Trong
mô hình cây quyết định, các tham số như số lượng cây và độ sâu của cây là rất
quan trọng.

1.1.3. Tổng quan về các yếu tố môi trường trong xây dựng mô hình AI
Các yếu tố môi trường trong xây dựng mô hình AI trong bài toán quản lý bảo
tồn sinh thái cho rừng ngập mặn có thể bao gồm các loại sau:
Dữ liệu địa lý và hành chính: Bao gồm thông tin về vị trí địa lý của khu vực nghiên
cứu, các ranh giới hành chính, thông tin về biển đảo, sông ngòi, hệ thống dòng chảy
nước, và các yếu tố địa hình khác. Dữ liệu này giúp định vị chính xác vị trí và môi
trường của rừng ngập mặn.

14
 Dữ liệu về đất và môi trường: Bao gồm thông tin về loại đất, hàm lượng muối, độ pH,
chất lượng nước, hàm lượng chất dinh dưỡng, độ mặn, và sự biến đổi của môi trường.
Các thông tin này cung cấp cái nhìn tổng quan về điều kiện môi trường và độ ảnh hưởng
lên sinh thái của rừng ngập mặn.
Dữ liệu về cây và thực vật: Bao gồm thông tin về các loài cây, cây bụi và thực vật phổ
biến trong rừng ngập mặn. Thông tin này bao gồm đặc điểm sinh học, phân bố địa lý, tần
suất xuất hiện, diện tích phủ cây, tốc độ sinh trưởng và khả năng tái sinh của cây, cũng
như thông tin về các loài cây đe dọa hoặc quý hiếm.
Dữ liệu về động vật: Bao gồm thông tin về các loài động vật sinh sống trong rừng ngập
mặn, bao gồm động vật hoang dã, chim, cá, động vật thủy sinh và loài động vật đe dọa.
Dữ liệu này bao gồm thông tin về đa dạng sinh học, phân bố, sinh thái học và hành vi
sinh thái của các loài.
Dữ liệu khí hậu và thời tiết: Bao gồm thông tin về biến đổi khí hậu, mô hình dự báo
thời tiết, mưa, nhiệt độ, độ ẩm, lượng ánh sáng mặt trời, sức gió và các thông số khí
tượng khác. Dữ liệu này giúp hiểu sự tương tác giữa khí hậu và rừng ngập mặn, và có thể
dùng để dự đoán những thay đổi tiềm năng trong môi trường.
Dữ liệu về con người: Bao gồm thông tin về hoạt động con người và tác động của hoạt
động như khai thác, nuôi trồng, đô thị hóa và du lịch lên rừng ngập mặn. Dữ liệu này
cung cấp cái nhìn về tác động của con người lên môi trường và sinh thái rừng ngập mặn.

Các dữ liệu trên được thu thập từ nhiều nguồn khác nhau, bao gồm các
nghiên cứu trước đây, các cơ quan chính phủ, tổ chức quản lý môi trường, viện
nghiên cứu và trung tâm nghiên cứu, cũng như thông qua việc triển khai các hoạt
động nghiên cứu và giám sát trên thực địa [11].

1.2. Phân tích các yếu tố về môi trường trong xây dựng mô hình AI

1.2.1. Tổng quan về phân tích các yếu tố môi trường trong xây dựng mô
hình AI
Trong xây dựng mô hình AI cho bài toán bảo tồn sinh thái, các yếu tố về môi
trường tự nhiên cần được xem xét và phân tích kỹ lưỡng để đảm bảo tính hiệu
quả và bền vững của mô hình. Các yếu tố này bao gồm:
Các yếu tố liên quan tới khí hậu: nhiệt độ không khí, nhiệt độ nước biển, lượng mưa.
Khi thời tiết thay đổi các yếu tố này cũng sẽ thay đổi theo. Do đó, mô hình AI cần được
thiết kế để có thể dự đoán được sự thay đổi của các yếu tố này khi thời tiết thay đổi, từ đó
cảnh báo tới cơ quan phụ trách để có thể có những biện pháp hạn chế ảnh hưởng của khí
hậu tới rừng ngập mặn.
Các yếu tố liên quan đến môi trường: độ mặn, độ kiềm và pH; nồng độ oxy; nồng độ
NH3 và H2S; nồng độ các kim loại nặng như As, Cd, Pb, Cu, Zn. Các yếu tố này ảnh

15
 hưởng trực tiếp tới chất lượng đất và nước trong rừng ngập mặn [12]. Mô hình AI cần có
khả năng dự đoán phân tích ảnh hưởng của các yếu tố này đến chất lượng đất và nước để
từ đó có các biện pháp kiểm soát nồng độ các chất trong đất và nước sao cho phù hợp với
ngưỡng phát triển của cây bần.
Các yếu tố liên quan tới địa hình: độ cao, độ dốc. Đất có độ dốc cao sẽ làm giảm khả
năng giữ nước và dinh dưỡng. Do đó, mô hình AI cần dự đoán và tính toán thời điểm cần
bổ sung nước và dinh dưỡng để đảm bảo sự phát triển của rừng bần.
Các yếu tố liên quan đến cạnh tranh và không gian trong môi trường sống: sự biến
động về diện tích rừng ngập mặn, độ che phủ rừng, sự đa dạng sinh học. Mô hình AI cần
được xây dựng để có thể dự đoán và đánh giá sự tương tác cùng loài và khác loài [13].
Bên cạnh đó, dựa vào các chỉ số kinh tế, môi trường của khu vực, mô hình cần dự đoán
được sự thay đổi về diện tích và độ che phủ rừng để có thể duy trì được sự phát triển của
rừng ngập mặn.

Cuối cùng mô hình AI cần xác định được sự liên kết giữa các yếu tố trên để
có được một các nhìn tổng quan về môi trường phát triển của rừng ngập mặn. Từ
đó mô hình có thể tăng độ chính xác cho các dự đoán của nó trong tương lai.
Dựa trên các bộ dữ liệu thu thập được từ vệ tinh, trạm quan trắc đa chỉ tiêu
và thiết bị thông minh, các dữ liệu sẽ được phân loại, phân tích, xử lý để phục vụ
nghiên cứu xây dựng mô hình AI. Và khi triển khai, các thông số này sẽ được
phân tích tổng hợp bằng mô hình để đưa ra các giải pháp bảo tồn và phát triển
bền vững cho rừng ngập mặn.
Tóm lại, Mô hình AI có thể giúp quản lý và theo dõi các thông số này một
cách tự động và nhanh chóng, giúp cho việc quản lý và bảo tồn rừng ngập mặn
trở nên hiệu quả hơn. Để xây dựng một mô hình AI hiệu quả và bền vững cho
bài toán bảo tồn sinh thái, các yếu tố về môi trường tự nhiên cần được xem xét
và phân tích kỹ lưỡng.

1.2.2. Phân tích dữ liệu trong xây dựng mô hình AI hỗ trợ nghiên cứu và
ứng phó với biến đổi khí hậu
Từ những năm 1950, dự báo thời tiết số đã tiến bộ đáng kể. Tuy nhiên, do
việc giới hạn tài nguyên tính toán, nên các phương trình chưa được giải trên một
lưới không gian tổng quát. Mô phỏng các quy trình nhỏ không thể giải quyết
được thông qua các phương pháp đơn giản gọi là “mô hình hoá thông số”, điều
này có thể hạn chế khả năng dự báo. Sự gia tăng gần đây về sức mạnh tính toán
cho phép mô hình dự báo thời tiết với độ phân giải cực kỳ cao, với lưới mạng có
độ phân giải gần như là kilomet. Mặc dù nhiều quá trình vẫn được mô hình hoá

16
thông số, nhưng các lưới càng mịn cho phép tính toán tường minh về quỹ đạo
bão, hệ thống mây mesoscale và sự kiện cháy nổ sâu [14].
Trước tiên, với các phương pháp học máy (ML) ta sẽ cải tiến hoặc khám phá
các mối liên hệ mới giữa các khía cạnh trong dữ liệu (ví dụ: những đặc điểm
nhiệt độ mặt biển giúp dự báo thời tiết sau vài tháng trên các vùng đất). Từ đó ta
có thể xây dựng mô hình AI dựa trên những kết nối mà ML khám phá được, để
cung cấp cảnh báo và lời khuyên tự động cho xã hội về những thời tiết cực đoan
sắp tới
Bảng 2. Chín khía cạnh cơ bản của mô hình khí hậu

Khía cạnh Bình luận

Hướng kinh độ Các biến thể khu vực rộng lớn xảy ra trong khí hậu,
ngay cả ở cùng vĩ độ.
Hướng vĩ độ Các thuộc tính khí hậu chính, chẳng hạn như nhiệt độ
và lượng mưa, có độ dốc mạnh ở vị trí vĩ độ.
Hướng thẳng đứng Tất cả các biến khí tượng cho thấy sự phụ thuộc lớn về
độ cao, và bao gồm cả sự tương tác với các đám mây
và thông lượng bức xạ khí quyển.
Thời gian Tất cả các mô hình khí hậu đều đưa ra dự đoán về sự
thay đổi do con người gây ra cũng như mô phỏng sự
biến đổi tự nhiên, đối với vị trí và độ cao cũng như ở
các khoảng thời gian từ thế kỷ cho đến dưới giờ.
Các mô hình khí hậu Có khoảng 20 trung tâm nghiên cứu khí hậu toàn cầu,
khác nhau tạo ra khoảng 40 biến thể ESM trong cơ sở dữ liệu
CMIP5.
Quần thể mô hình khí Sự biến đổi hỗn loạn bên trong của hệ thống khí hậu
hậu trong bất kỳ thập kỷ nhất định nào có thể đưa ra các
dự báo hoàn toàn khác nhau, thậm chí từ cùng một
ESM. Các quần thể được xây dựng bằng cách khởi tạo
cấu trúc mô hình giống hệt nhau, nhưng với các nhiễu
loạn cực nhỏ đối với các điều kiện ban đầu.

17
 Trạng thái ban đầu ESM thường được vận hành với các trạng thái ban đầu
khác nhau khác nhau. Ví dụ, trạng thái đại dương ban đầu khi bắt
đầu cuộc cách mạng công nghiệp có thể không chắc
chắn.
Vật lý nhiễu loạn Trong trường hợp các quy trình không được hiểu đầy
chạy đủ, thay vào đó, các phạm vi tiềm năng của các tham
số liên quan được biết đến. Một số nhóm ESM đã thực
hiện các mô phỏng với các tham số thay thế, quét các
phạm vi tham số này để xác định tác động của chúng
đối với các dự đoán trong tương lai.
Phát thải khác nhau Các kịch bản phát thải thay thế trong tương lai sẽ gây
trong tương lai ra những diễn biến khác nhau về mức khí nhà kính
trong khí quyển, từ đó gây ra các trạng thái khí hậu
tương phản.

Với chín khía cạnh như trên việc phân tích dữ liệu là vô cùng khó. Do đó, các
phương pháp giảm số chiều đã ra đời, trong đó tiêu biểu là bốn phương pháp
sau:
Nondimensionalisation (Không chiều hóa): Phương pháp này xác định độ lớn của các
thành phần phương trình, từ đó tạo ra một tập hợp giảm số chiều các phần của phương
trình liên kết.
Dimensional analysis (Phân tích chiều): Kỹ thuật này giúp thu gọn sự phức tạp và liên
kết các dữ liệu khác nhau mà không cần một mô hình cơ bản ban đầu.
Statistical techniques (Kỹ thuật thống kê): Sử dụng các phương pháp thống kê như
hàm phương sai thống kê, có thể giảm số chiều không gian bằng cách sử dụng các hàm
đa biến để mô tả một tập dữ liệu.
Emergent constraints (Ràng buộc xuất hiện): Phương pháp này tìm kiếm các quan hệ
hồi quy giữa các biến trong các mô hình khí hậu và các biến có thể được đo lường ngay
bây giờ, để giới hạn các ước lượng về các biến trong tương lai.

Tuy nhiên biến đổi khí hậu không chỉ phụ thuộc vào chín khía cạnh trên mà
còn bị chi phối bởi rất nhiều khía cạnh khác không thể liệt kê hết được. Do đó
các khía cạnh đã được chia ra làm ba loại chính để dễ dàng trong việc phân tích,
ba khía cạnh đó bao gồm:
"Known knowns" (Đã biết): Đó là những khía cạnh đã được mã hoá chính xác dưới
dạng các phương trình trong các mô hình hệ thống khí hậu (ESMs). Máy học và trí tuệ

18
 nhân tạo có thể giúp giảm số chiều và làm rõ các tương tác quan trọng trong các phương
trình này.
"Known unknowns" (Đã biết nhưng chưa rõ): Đây là những tác động ảnh hưởng đến
sự thay đổi khí hậu, nhưng việc tham số hóa các phương trình chưa chắc chắn đã tạo ra
sự chênh lệch giữa các mô hình khí hậu. Hoặc dữ liệu chỉ ra một tác động quan trọng,
nhưng chưa có các phương trình để mô tả sự bao gồm nó trong ESMs.
"Unknown unknowns" (Chưa biết và chưa rõ): Đây là những bất ngờ không mong
muốn trong lĩnh vực khí hậu. Ví dụ phổ biến nhất là các điểm chuyển đổi bất ngờ
(tipping points), nơi Hệ thống Trái đất thay đổi không đối xứng với sự tăng lượng khí
thải nhẹ của khí nhà kính, có thể gây ra sự thay đổi khí hậu không kiểm soát. Máy học có
thể giúp xác định các yếu tố chuyển đổi này và nâng cao phân tích tiền đề.

Với các khía cạnh ẩn và vô cùng phức tạp như vậy con người không thể nào
có thể thống kê và phân tích chúng với các công cụ thông thường. Do đó, AI và
ML đã được ứng dụng vào để giải quyết vấn đề này theo một số cách sau:
Xác định teleconnections (các mối liên kết phức tạp giữa các thành phần Hệ thống
Trái đất): ML có thể giúp khám phá những mối liên kết ẩn trong nhiều chiều không gian
của khí hậu, mà con người khó có thể nhận ra thông qua việc quan sát trực quan. Các
teleconnections có thể tạo ra cảnh báo xã hội về các sự kiện thời tiết cực đoan sắp xảy ra.
Phát hiện các hiện tượng khí hậu mới: Nếu nghiên cứu dựa trên ML phát hiện những
hiện tượng khí hậu mới không thể được giải thích bằng hiểu biết hiện tại, điều này cho
thấy sự tồn tại của các "unknown unknowns" cần được điều tra và mô hình hóa trong
ESMs.
Xây dựng các phương trình khí hậu: ML có thể áp dụng mạng thần kinh để xây dựng
các phương trình vi phân cơ bản từ dữ liệu. Nếu các phương trình này khác biệt đáng kể
so với những gì được kỳ vọng, các thuật ngữ phương trình mới có thể chỉ ra sự tồn tại
của các "unknown unknowns".

Thông thường trong phân tích dữ liệu, các phương pháp ML được chia thành
hai loại chính: giám sát và không giám sát [15].
Phương pháp giám sát (supervised) dựa trên việc xác định trước một biến
phản hồi và ánh xạ đầu vào thành đầu ra của hệ thống. Đầu vào là các biến giải
thích, ví dụ như các yếu tố tỷ lệ lớn như mức độ khí nhà kính, các yếu tố điều
khiển liên kết, hoặc quan sát của một phần cụ thể trong Hệ thống Trái đất. Đầu
ra là các biến phản hồi mà chúng ta quan tâm, ví dụ như các tác động khí hậu
cục bộ. Phương pháp giám sát sử dụng một tập dữ liệu huấn luyện, trong đó cả
đầu vào và đầu ra đã được đo lường.

19
 Phương pháp không giám sát (unsupervised) chỉ sử dụng đầu ra của dữ liệu
thu thập, và mục tiêu là khám phá các mẫu thú vị trong dữ liệu và liên kết với
đầu vào, nhưng không được liệt kê trước đó. Học không giám sát có thể giúp
phát hiện các mối quan hệ mới, hoặc liên kết qua các chiều khác nhau của mô
hình khí hậu. Trong đó, thách thức lớn nhất là nếu một phương pháp không giám
sát tiết lộ các kết nối hệ thống mới. Điều này đòi hỏi sự hiểu biết cơ chế. Tuy
nhiên, sự linh hoạt là lợi thế của các phương pháp ML, nó cho phép mô phỏng
các phi tuyến tính mạnh, ảnh hưởng đến nhiều đặc điểm của biến đổi khí hậu, mà
không thể được mô tả bằng các phương pháp hồi quy tiêu chuẩn.

Hình 2. Các phương pháp học máy khác nhau và các ứng dụng tiềm năng

Hình vẽ trên trình bày các phương pháp ML khác nhau và các ứng dụng tiềm
năng của chúng. Mỗi ô trong cột đầu tiên hiển thị các mô phỏng cho cùng một
khung mô hình và các yếu tố đẩy, phát triển theo thời gian và cho các ESM khác
nhau (ESM1, ESM2, ...), do đó đại diện cho năm chiều đầu tiên của bảng 1. Hai
ô khác nhau (nền màu vàng hoặc xanh lá cây) đại diện cho hai tập mô phỏng
được chọn để bao quát một trong bốn chiều mở rộng khác của bảng 1, như cũng

20
được chỉ ra trong cột xám: các thành viên của hợp đồng bắt được các đặc điểm
hỗn loạn nội bộ, ước lượng khác nhau về trạng thái ban đầu với quy mô lớn, thí
nghiệm với lực học bị rối và ước lượng khác nhau về khí thải khí nhà. Cột thứ ba
hiển thị bốn phương pháp ML/AI chính được xác định. Cột thứ tư là sơ đồ của
các ứng dụng tiềm năng. Phương pháp giảm dần gradient có thể xác định các
phản ứng chức năng, ví dụ như phản ứng của hệ sinh thái đối với nhiệt độ. Quá
trình Gaussian có thể cho phép ngoại suy dữ liệu thưa thớt từ trạm thời tiết
(chấm đen) để tạo ra tập dữ liệu lưới về các đặc điểm thời tiết lịch sử. Các suy
diễn phi tuyến không Gaussian có thể điều chỉnh các tham số quan trọng của
ESM, được cập nhật theo mức tăng khi có thêm dữ liệu. Các phương pháp học
sâu (ví dụ: NNs) có thể mô phỏng các thành phần tốn nhiều thời gian tính toán
của ESMs, ảnh hưởng đến, ví dụ, các hồi quy chiều dọc của các biến dự đoán
bao gồm nhiệt độ. Mô phỏng như vậy cho phép mô phỏng kéo dài hơn, bộ sưu
tập lớn hơn hoặc chức năng bổ sung. Hiểu biết dựa trên ML được cải thiện về
chẩn đoán ESM và đánh giá hiệu suất dựa trên dữ liệu sẽ hỗ trợ mô phỏng tốt
hơn bởi thế hệ tiếp theo của các mô hình khí hậu - như được chỉ ra bởi mũi tên
phía dưới từ phải sang trái ở phía dưới cùng.
Ngoài ra, các phương pháp học sâu (deep learning) và các mạng thần kinh đã
thu hút sự chú ý gần đây trong việc khám phá mối quan hệ trong dữ liệu phi
tuyến. Các phương pháp học sâu sử dụng một đồ thị hướng đi. Dữ liệu được
nhập vào ở phía dưới, được biến đổi qua các lớp ẩn, và đầu ra ở phía trên của đồ
thị. Các đồ thị có trọng số được gắn với các cạnh và các 'bias' (lệch) được gắn
với các nơ-ron (đỉnh), trong đó các trọng số xác định mức độ kết nối giữa các
nơ-ron từ các lớp khác nhau, và bias là một giá trị lệch điều chỉnh độ nhạy của
nơ-ron. Một hàm kích hoạt được sử dụng để tỷ lệ tín hiệu tại mỗi nơ-ron, dựa
trên đầu vào có trọng số từ lớp trước đó. Bộ dữ liệu huấn luyện cập nhật các
trọng số và bias này cho đến khi đạt được mức độ lỗi cho phép. Sau khi được
huấn luyện, các đồ thị hướng đi này có thể đưa ra dự đoán cho dữ liệu kiểm tra
nằm ngoài tập huấn luyện. Tương tự như quá trình Gaussian, trong nghiên cứu
khí hậu, khả năng của mô hình này để bắt các đặc trưng của những biến cố gần
đây (tức là các sự kiện 'ngoài tập huấn luyện') tăng cường sự tin tưởng trong việc
dự báo các dịch vụ trong tương lai, có thể trở nên phổ biến.
Phương pháp học sâu và mạng thần kinh tránh việc chỉ định một mô hình dựa
trên quy trình (ví dụ: như cần thiết cho phương pháp Sequential Monte Carlo và
Bayesian). Phương pháp tiếp cận dựa trên dữ liệu này có thể cải thiện hiểu biết

21
của chúng ta về các mối quan hệ đa biến trong các hệ thống phi tuyến. Các ứng
dụng gần đây của mạng thần kinh trong lĩnh vực khoa học khí hậu bao gồm rối
loạn ở vùng đất khô (Buckland et al 2019), các vấn đề nghịch đảo trong viễn
thám [16] và thay thế các thành phần tốn kém của các mô hình khí hậu [17]. Quá
trình học này sau đó hỗ trợ xây dựng mô hình cơ chế. Một khái niệm thú vị và
mới nổi trong mô hình thủy văn là phương pháp kết hợp, trong đó các mạng thần
kinh sử dụng dữ liệu để mô tả mối quan hệ giữa lượng mưa và dòng chảy trong
thời gian ngắn, nhưng cũng bị ràng buộc bởi tri thức trước đây về các yếu tố vật
lý của lưu vực địa lý [18]. Các quy trình tĩnh nhưng cụ thể vị trí có thể bao gồm,
ví dụ, thông số hóa địa hình, đặc tính đất và bao phủ mặt đất [14].

1.2.3. Phân tích dữ liệu trong xây dựng mô hình AI dự báo kết cấu đất và
suy thoái thực vật sử dụng mạng thần kinh nhân tạo
Chất lượng đất phụ thuộc vào ba khía cạnh chính gồm đặc điểm vật lý, hóa
học và sinh học. Các khía cạnh này thường được sử dụng để đánh giá sự suy
thoái của đất trong nhiều hệ sinh thái [19]. Cụ thể, kết cấu đất là một trong
những đặc tính quan trọng nhất, nó ảnh hưởng đến nhiều đặc tính vật lý và hóa
học như khả năng giữ nước, năng suất và độ thoáng của đất. Ngoài ra, lượng
nước được lưu trữ trong đất cũng là một yếu tố quan trọng. Sự suy thoái môi
trường có thể gây ảnh hưởng lớn đến các khu bảo tồn sinh thái và cũng có thể
làm giảm mật độ thực vật và sự đa dạng sinh học trong rừng ngập mặn. Chính vì
vậy, các phương pháp quản lý và bảo vệ hiệu quả đã được ra đời, trong đó dự
báo suy thoái đất là một phương pháp mới để dự báo và giảm thiểu các thiệt hại
này. Các phương pháp để dự báo suy thoái đất, bao gồm phân tích hồi quy đa
biến (MLR), mô hình địa hình kỹ thuật số (DTM), các phương pháp truyền
thống, thông thường. Ngoài ra, mạng nơ-ron nhân tạo (ANN) cũng được sử dụng
để ước tính và dự báo suy thoái đất. Phương pháp sử dụng mạng nơ-ron nhân tạo
có khả năng mô hình hóa, ước tính và dự báo khá tốt. Đồng thời, phương pháp
này còn có các ưu điểm như tính đơn giản và độ linh hoạt cao.

22
 Hình 3. Cấu trúc perceptron đa lớp

Phần này đề cập tới việc áp dụng ANNs, đặc biệt là multilayer perceptron,
như một phương pháp thay thế cho các kỹ thuật thống kê truyền thống [20, 21]
trong việc xây dựng mô hình AI dự đoán kết cấu đất và suy thoái thực vật. Cấu
trúc perceptron đa lớp được hiển thị trong Hình 3 [22]. Trong cấu trúc này, mối
quan hệ giữa đầu vào và đầu ra được tính toán như một ước lượng hàm [23].
Trong Phương trình (1), perceptron phát triển một hàm tuyến tính để tính toán
đầu ra với một hàm chuyển đổi. Tín hiệu đầu ra được tạo ra trong ANN thông
qua một hàm chuyển đổi.

( )
n
y=f ∑ ❑ wi xi +b (1)
i =1

Trong Phương trình (1), y là lớp đầu ra, w i là trọng số kết nối của mỗi
neuron, xi là dữ liệu đầu vào, b là giá trị bias, và f là hàm chuyển đổi. Đối với
mỗi thành phần đất (đất sét, phù sa và cát), đã phát triển sáu mô hình ANN với
một số lớp ẩn, hàm chuyển đổi và neuron khác nhau. Trong quá trình huấn luyện
mạng, các mẫu được chia ngẫu nhiên thành ba loại tập dữ liệu, bao gồm huấn
luyện (70% dữ liệu), xác thực (15% dữ liệu) và kiểm tra (15% dữ liệu). Số lượng
neuron, lớp và hàm đã được xác định dựa trên thử và lỗi để đạt được độ chính
xác cao nhất. Số lượng neuron thay đổi từ 5 đến 30. Quá trình huấn luyện mạng
được bắt đầu với số lượng neuron tối thiểu và tiếp tục với việc tăng số lượng
neuron để đạt được độ chính xác cao hơn. Các hàm kích hoạt tuyến tính và
hiperbolic tangent và thuật toán huấn luyện Levenberg-Marquardt được sử dụng
trong ANN. Mục tiêu của mỗi thuật toán học là giảm thiểu sai số tổng bình
phương của MSE. Việc chọn kích thước lớp ẩn khó khăn và phụ thuộc vào số
lượng và chất lượng các mẫu huấn luyện. Độ chính xác của các mô hình được

23
tính bằng cách so sánh kết quả và các chỉ số tính toán bao gồm hệ số xác định
(R), sai số tuyệt đối trung bình (MAE) và sai số bình phương trung bình (MSE).
Các biến đầu vào và đầu ra được phân loại và mô tả trong Bảng 3 [24]. Trong
mô hình đất, biến đầu vào bao gồm nhân tố con người và địa hình, trong khi đầu
ra là hạt sét, hạt bùn và hạt cát ở các độ sâu khác nhau. Trong mô hình cây trồng,
biến đầu vào bao gồm nhân tố con người, địa hình và sinh thái học, trong khi đầu
ra là chỉ số đa dạng loài Margalef và chỉ số đa dạng sinh học Simpson. Các yếu
tố sinh thái trong mô hình cây trồng bao gồm các thuộc tính vật lý và hóa học
của đất. Trong mô hình đề xuất này, giá trị cao nhất của chỉ số R trong kết cấu
đất và chỉ số đa dạng sinh học được xác định cho các thành phần như sét, cát,
phù sa và chỉ số Margalef. Dựa trên phân tích độ nhạy, các biến như khoảng
cách từ đường, độ dốc và hướng của độ dốc trong mô hình đất, cũng như khoảng
cách từ đường, độ ẩm của đất và hướng của độ dốc trong mô hình thực vật đã
được xác định là các biến hiệu quả nhất để dự đoán suy thoái đất và mức phủ
thực vật.

Bảng 3. Các tham số đầu vào và đầu ra trong mô hình ANN

Tham số
Đầu vào (Mô Yếu tố con người Khoảng cách đường m
hình Công viên rừng khoảng cách
kết cấu đất) đường (Fp)m
Khoảng cách khu vực quân sự
(Ma)m
Khoảng cách khu dân cư (Ra)m
Khoảng cách nguồn (So)
Khoảng cách đồn cảnh sát (Ps)
Yếu tố sinh lý Chiều cao (H)
Độ dốc (S)
Khía cạnh (A)
Đầu ra Cấu tạo của đất Đất sét
Cát
Phù sa

24
Đầu vào (Thực Yếu tố con người Khoảng cách đường (R)
vật) Công viên rừng khoảng cách
đường (Fp)
Khoảng cách khu vực quân sự
(Ma)
Khoảng cách khu dân cư (Ra)
Khoảng cách nguồn (So)
Khoảng cách đồn cảnh sát (Ps)
Yếu tố sinh lý Chiều cao (H)
Độ dốc (S)
Khía cạnh (A)
Yếu tố sinh thái Mật độ lớn (Bd)
Mật độ hạt (Pd)
Độ xốp (P)
Sỏi (G)
Hàm lượng nước (WHC)
Đất sét
Cát
Phù sa
pH
Độ dẫn điện (Ec)
Đầu ra Chỉ số đa dạng sinh
Simpson
học
Chỉ số đa dạng loài Margalef

Mạng nơ-ron nhân tạo (ANN) là một kỹ thuật phù hợp để mô hình hóa trong
khoa học sinh thái. Chất lượng của các mô hình được phát triển bằng ANN đã
được chứng minh trong nhiều nghiên cứu về khoa học tự nhiên [21], nhưng
Gevrey (2003) [25] cũng đã khảo sát bảy phương pháp mô hình hóa khác trong
nghiên cứu sinh thái của họ và kết luận rằng ANN có kết quả thành công hơn
trong phân tích vấn đề phức tạp. Việc sử dụng ANN trong các nghiên cứu về
biến đổi khí hậu cũng được đề cập, với những kết quả chính xác hơn so với các

25
phương pháp truyền thống. Trong mô hình đề xuất này, kết quả nghiên cứu [24]
cho thấy rằng các yếu tố có tác động mạnh nhất đối với cấu trúc đất là khoảng
cách từ đường, độ dốc và khía cạnh địa lý. Trong đó, khía cạnh địa lý có tác
động tương đối đến cấu trúc đất ở những khu vực dốc nơi có cấu trúc đất nặng
hơn. Một số nghiên cứu cũng cho thấy một số đặc tính đất, như hàm lượng độ
ẩm, thay đổi cấu trúc đất và cuối cùng ảnh hưởng đến cây cối. Theo Koulouri và
Giourga (2007), độ dốc là nguyên nhân chính gây ra hiện tượng xói mòn đất.
Xói mòn đất, gây ra bởi sự thay đổi cấu trúc đất, bắt đầu ở độ dốc 25% và gia
tăng ở độ dốc 40%. Vì độ dốc cao hơn sẽ thay đổi tác động của rừng cây, sự hủy
hoại đất sẽ gia tăng ở những độ dốc này. Shi et al. (2008) tại Trung Quốc cho
biết đường giao thông gây ra sự hủy hoại đất đáng kể, đặc biệt là xói mòn, vì
khoảng cách từ đường được công nhận là một yếu tố quan trọng trong thay đổi
đất trong nghiên cứu này. Ngoài ra, kết quả của phân tích nhạy cảm trong mô
hình hóa cây cối cho thấy các biến như khoảng cách từ đường, độ ẩm đất và khía
cạnh địa lý là các tham số có tác động mạnh nhất trong dự đoán đất và thực vật
trong công viên quốc gia. Kết quả này tương thích với nghiên cứu của Liu et al.
(2011) về tác động của đường giao thông đến sự thành phần cây cối ở Trung
Quốc. Theo nghiên cứu của Liu et al. (2011), đường giao thông dài với khoảng
cách ngắn từ cây cối và gần làng xóm sẽ có tác động đáng kể đến cây cối. Họ
cũng tìm thấy một mối quan hệ quan trọng giữa địa hình và cây cối. Ngoài ra,
Galhidy et al. (2006) tìm thấy rằng ánh sáng và độ ẩm đất là các yếu tố quan
trọng trong phân bố và số lượng các loài quan trọng, và điều này xác nhận kết
quả của nghiên cứu chúng tôi trong mô hình hóa chỉ số đa dạng và phong phú.
Độ ẩm trong đất bề mặt có liên quan đến lượng sỏi trong đất, làm giảm độ ẩm
đất và gây ra sự nén và phá hủy.

1.3. Ứng dụng của mô hình AI trong bảo tồn sinh thái

1.3.1. Ứng dụng của AI trong bảo tồn sinh thái

Bảo tồn sinh thái là một trong những vấn đề quan trọng nhất của thế giới hiện
nay. Với sự gia tăng của dân số và sự phát triển của kinh tế, các môi trường sống
của động vật và thực vật đang bị đe dọa và suy giảm nghiêm trọng. Trong bối
cảnh này, ứng dụng trí tuệ nhân tạo đang được sử dụng để giúp bảo tồn sinh thái
một cách hiệu quả hơn.
Một trong những ứng dụng AI trong bảo tồn sinh thái là việc sử dụng hệ
thống giám sát và phân tích hình ảnh để theo dõi và bảo vệ các loài động vật quý

26
hiếm. Ví dụ, hệ thống giám sát bằng camera và phân tích hình ảnh có thể giúp
nhận diện các loài động vật, các dữ liệu thu được sẽ được phân tích và chỉ ra sự
phân bố và số lượng các loài động vật và thực vật trong khu bảo tồn để giúp các
nhà quản lý khu bảo tồn đưa ra các quyết định hiệu quả về việc bảo vệ và duy trì
môi trường tự nhiên [26].
Các hệ thống AI còn có thể được sử dụng để giám sát các hoạt động bất hợp
pháp của con người trong khu bảo tồn, như đánh bắt trái phép, khai thác rừng
trái phép, ... Bằng cách sử dụng các cảm biến và hệ thống giám sát, AI có thể
phát hiện các hoạt động này và cảnh báo cho các nhà quản lý khu bảo tồn. Ví dụ,
hệ thống giám sát bằng camera và phân tích hình ảnh có thể giúp nhận diện các
phương tiện vận chuyển gỗ trái phép và cảnh báo cho các cơ quan chức năng để
có biện pháp xử lý kịp thời.
Ngoài ra, AI có thể được sử dụng để giúp dự đoán và đánh giá tác động của
các hoạt động con người cũng như biến đổi khí hậu đến môi trường sống của các
loài động vật và thực vật. Ví dụ, hệ thống AI có thể phân tích dữ liệu về thời tiết,
nhiệt độ, độ ẩm và các yếu tố khác để dự đoán các tác động của biến đổi khí hậu
đến môi trường tự nhiên trong khu bảo tồn. Thậm chí, hệ thống còn có thể mô
phỏng và dự đoán có thể giúp đánh giá tác động của các dự án xây dựng đến môi
trường sống của các loài động vật và thực vật, từ đó đưa ra các biện pháp bảo vệ
phù hợp.
Tóm lại, AI có thể đóng vai trò quan trọng trong việc giám sát và bảo vệ khu
bảo tồn sinh thái. Các hệ thống AI có thể giúp các nhà quản lý khu bảo tồn phát
hiện các hoạt động trái phép, dự đoán các tác động của biến đổi khí hậu và phân
tích dữ liệu về động vật và thực vật trong khu bảo tồn. Việc áp dụng AI trong
quản lý khu bảo tồn sinh thái sẽ giúp đảm bảo sự bảo vệ và duy trì môi trường tự
nhiên một cách hiệu quả và bền vững.

1.3.2. AI tác động và thay đổi quá trình bảo tồn sinh thái như thế nào?
Một trong những ảnh hưởng của AI đến quá trình bảo tồn sinh thái là việc
giám sát và phân tích dữ liệu. AI có thể giúp cho các nhà khoa học và chuyên gia
bảo tồn sinh thái thu thập và phân tích dữ liệu một cách nhanh chóng và chính
xác hơn. Điều này giúp cho các chuyên gia có thể đưa ra các quyết định và hành
động bảo tồn sinh thái hiệu quả hơn [27].
Ngoài ra, việc sử dụng AI sẽ giúp giảm thiểu vai trò của con người trong quá
trình bảo tồn sinh thái. Cụ thể, AI có thể dẫn đến việc loại bỏ hoặc giảm thiểu

27
vai trò của các chuyên gia bảo tồn sinh thái và các cộng đồng địa phương trong
quá trình quản lý và bảo vệ môi trường.
Tuy nhiên, việc sử dụng AI cũng đặt ra nhiều thách thức. Một trong những
thách thức đó là việc đảm bảo tính minh bạch và độ tin cậy của các mô hình AI.
Việc mô hình AI đưa ra những dữ liệu thiếu chính xác và không kịp thời sẽ ảnh
hưởng vô cùng nghiêm trọng đến việc quản lý bảo tồn sinh thái. Từ đó cần xây
dựng mô hình AI với những dữ liệu chính xác, đầy đủ, những thuật toán tối ưu
hiệu quả... để quá trình bảo tồn sinh thái được diễn ra hiệu quả nhất.
Tóm lại, việc sử dụng AI có thể đem lại nhiều lợi ích cho quá trình bảo tồn
sinh thái. Tuy nhiên, để đảm bảo tính minh bạch và độ tin cậy của các mô hình
AI, cần có sự đào tạo và kiểm tra cẩn thận. Ngoài ra, cần đảm bảo vai trò của
con người vẫn được giữ nguyên trong quá trình bảo tồn sinh thái.

28
 KẾT LUẬN

Việc sử dụng các công nghệ trí tuệ nhân tạo như học máy và học sâu trong
phân tích môi trường và bảo tồn sinh thái đang trở thành xu hướng phát triển mới
trong lĩnh vực này. Điều này đòi hỏi sự đầu tư vào lượng dữ liệu dồi dào, tốc độ
tính toán của máy tính nhanh hơn và các kỹ thuật nâng cao để huấn luyện neural
network.
Các ứng dụng của machine learning và deep learning trong phân tích môi
trường và bảo tồn sinh thái đang ngày càng được phát triển và ứng dụng rộng rãi,
từ việc phân tích yêu cầu người dùng, đánh giá các yếu tố ảnh hưởng đến bảo tồn
sinh thái, đến phân tích các yếu tố về môi trường trong xây dựng mô hình AI. Các
thuật toán machine learning và deep learning cũng đang được áp dụng để phân tích
dữ liệu và đưa ra các đánh giá trong lĩnh vực này.
Tuy nhiên, để phát triển sâu rộng hơn, cần có sự đầu tư vào nghiên cứu và phát
triển các thuật toán mới, cũng như đào tạo nguồn nhân lực chuyên môn cao trong
lĩnh vực này. Chuyên đề này đã đưa ra các thuật toán machine learning và deep
learning tiếp cận phân tích trong phân tích môi trường và bảo tồn sinh thái, đồng
thời đưa ra khái quát tiếp cận học máy, học sâu trong phân tích môi trường và bảo
tồn sinh thái, thay đổi ứng dụng công nghệ mới trong việc quản lý và bảo vệ môi
trường.
Có thể nói machine learning và deep learning đang trở thành một hệ thống giáo
dục mới, giúp cho việc phân tích và bảo vệ môi trường trở nên hiệu quả hơn. Tuy
nhiên, để đạt được sự phát triển bền vững, cần có sự đầu tư và phát triển liên tục
trong lĩnh vực này. Chuyên đề này đã đưa ra một số đánh giá và khái quát về tiếp
cận học máy, học sâu trong phân tích môi trường và bảo tồn sinh thái, đóng góp
vào việc thay đổi ứng dụng công nghệ mới trong việc quản lý và bảo vệ môi
trường.

29
 TÀI LIỆU THAM KHẢO

[1 T. T. Nguyễn, “Nghiên cứu đánh giá hiện trạng quản lý và sử dụng rừng
] ngập mặn tại xã Thụy Trường, huyện Thái Thụy, tỉnh Thái Bình,” Luận văn
thạc sỹ, Đại học Quốc gia Hà Nội, Việt Nam, 2018.
[2 J. M. Fryxell, A. R. E. Sinclair và G. Caughley, Wildlife ecology,
] conservation, and management, John Wiley & Sons, 2014.
[3 L. V. Vũ và T. T. Trần, “Đánh giá đất đai cho phát triển cây bần chua
] (Sonneratia caseolaris (L.) ENGL.) tại khu vực rừng ngập mặn ven biển tỉnh
Nghệ An,” Tạp chí khoa học, tập 50, số 3A/2021, 2021.
[4 S. Martinuzzi , W. A. Gould, A. E. Lugo và E. Medina, “Conversion and
] recovery of Puerto Rican mangroves: 200 years of change,” Forest Ecology
and Management, số 257(1), pp. 75-84, 2009.
[5 C. McMillan, “Environmental Factors Affecting Seedling Establishment of
] the Black Mangrove on the Central Texas Coast,” Ecology, số 52(5), pp.
927-930, 1971.
[6 K. J. Kim và B. S. Cho, “A Comprehensive Overview of the Applications of
] Artificial Life,” Artificial Life, tập 1, số 12, pp. 153-182, 2006.
[7 L. Longo, R. Goebel, F. Lecue, P. Kieseberg và A. Holzinger, “Explainable
] Artificial Intelligence: Concepts, Applications, Research Challenges and
Visions,” pp. 1-16, 2020.
[8 S. Achuta Rao, K. Kondaiah, G. Rajesh Chandra và K. Kiran Kumar, “A
] Survey on Machine Learning: Concept, Algorithms and Applications,”
International Journal of Innovative Research in Computer and
Communication Engineering, số 5(2), pp. 1301-1309, 2017.
[9 M. Binbasioglu, “Key features for model building decision support
] systems,” European Journal of Operational Research, số 82(3), pp. 422-
437, 1995.

30
[1 G. Gottlob, F. Scarcello và M. Sideri, “Fixed-parameter complexity in AI
0] and nonmonotonic reasoning,” Artificial Intelligence, số 138 (1-2), pp. 55-
86, 2002.
[1 S. E. Haupt, A. Pasini và C. Marzban, Artificial intelligence methods in the
1] environmental sciences, Springer Science & Business Media, 2008.
[1 National Research Council, Soil and water quality: An agenda for
2] agriculture, National Academies Press, 1993.
[1 M. Saleem, J. Hu và A. Jousset, “More than the sum of its parts:
3] microbiome biodiversity as a driver of plant growth and soil health,”
Annual Review of Ecology, Evolution, and Systematics, số 50, pp. 145-168,
2019.
[1 C. Huntingford, E. S. Jeffers, M. B. Bonsall, H. M. Christensen, T. Lees và
4] H. Yang, “Machine learning and artificial intelligence to aid climate change
research and preparedness,” Environmental Research Letters, số 14(12),
2019.
[1 K. P. Murphy, Machine learning: a probabilistic perspective, MIT press,
5] 2012.
[1 V. M. Krasnopolsky và H. Schiller, “Some neural network applications in
6] environmental sciences. Part I: forward and inverse problems in geophysical
remote measurements,” Neural Networks, số 16(3-4), pp. 321-334, 2003.
[1 P. Gentine, . M. Pritchard, . S. Rasp, . G. Reinaudi và G. Yacalis, “Could
7] machine learning break the convection parameterization deadlock?,”
Geophysical Research Letters, số 45(11), pp. 5742-5751, 2018.
[1 F. Kratzert, D. Klotz, M. Herrnegger, A. . K. Sampson, S. Hochreiter và G.
8] S. Nearing, “Toward improved predictions in ungauged basins: Exploiting
the power of machine learning,” Water Resources Research, số 55(12), pp.
11344-11354, 2019.
[1 V. K. Too, C. T. Omuto, E. K. Biamah và J. . P. O. Obiero, “Suitability of
9] Soil Water Retention Characteristic Models (SWRC) in Regions and Soil
Depth,” Journal of Water Resource and Protection, số 11(06), p. 740, 2019.
[2 E. Jahani, . S. J. Mousavi , N. A. Zadeh và J. H. Kim , “Assessing the role
0] of foresight on future streamflows in storage-yield-reliability analysis of
surface water reservoirs,” Procedia Engineering, số 154, pp. 1163-1168,

31
 2016.
[2 H. H. Aghdam và E. J. Heravi, Guide to convolutional neural networks,
1] New York: NY: Springer, 2017.
[2 M. R. Zadeh, S. Amin, D. Khalili và V. . P. Singh , “Daily outflow
2] prediction by multi layer perceptron with logistic sigmoid and tangent
sigmoid activation functions,” Water resources management, số 24, pp.
2673-2688, 2010.
[2 A. N. Saiphoo và Z. Vahedi, “A meta-analytic review of the relationship
3] between social media use and body image disturbance,” Computers in
human behavior, số 101, pp. 259-275, 2019.
[2 Z. Mosaffaei, A. Jahani, M. A. Z. Chahouki, H. Goshtasb, V. Etemad và M.
4] Saffariha , “Soil texture and plant degradation predictive model (STPDPM)
in national parks using artificial neural network (ANN),” Modeling Earth
Systems and Environment, số 6, pp. 715-729, 2020.
[2 J. D. Olden, M. . K. Joy và R. . G. Death, “An accurate comparison of
5] methods for quantifying variable importance in artificial neural networks
using simulated data,” Ecological modelling, số 178(3-4), pp. 389-397,
2003.
[2 A. Lamba , P. Cassey, R. R. Segaran và L. P. Koh, “Deep learning for
6] environmental conservation,” Current Biology, số 29(19), pp. 977-982,
2019.
[2 S. Makridakis, “The forthcoming Artificial Intelligence (AI) revolution: Its
7] impact on society and firms,” Futures, số 90, pp. 46-60, 2017.

32