Tại Hội nghị khu vực về Hệ thống hướng dẫn cảnh báo lũ quét khu vực Đông Nam Á (SeAFFGS) tổ chức tại Hà Nội tháng 11/2026, nhóm nghiên cứu thuộc Trung tâm Nghiên cứu Thủy văn, Viện Khoa học Khí tượng Thủy văn, Môi trường và Biển đã trình bày tham luận “Giới thiệu hệ thống cảnh báo lũ quét VNOFFG và những nâng cấp mô hình”, do TS. Lương Hữu Dũng, TS. Ngô Thị Thủy và ThS. Văn Thị Hằng thực hiện.
Tham luận giới thiệu tổng quan về hệ thống cảnh báo lũ quét VNOFFG (Vietnam Operational Flash Flood Guidance), được xây dựng nhằm nhận định khả năng xuất hiện lũ quét trong các khoảng thời gian dự kiến 1 giờ, 3 giờ và 6 giờ. Hệ thống hiện phân chia và tính toán trên 17.580 tiểu lưu vực trên phạm vi cả nước, với diện tích trung bình từ 10–30 km², cho phép nhận diện chi tiết các khu vực có điều kiện thuận lợi hình thành dòng chảy lũ nhanh.
VNOFFG tích hợp nhiều nguồn dữ liệu đầu vào, gồm lượng mưa vệ tinh, số liệu quan trắc tại các trạm khí tượng mặt đất và mưa dự báo từ mô hình WRF. Trên cơ sở đó, hệ thống sử dụng các thành phần mô hình FMAP, ASM (mô hình độ ẩm đất Sacramento – SAC-SMA), FFG (ngưỡng mưa sinh lũ quét), FFT (nguy cơ sinh lũ quét) và Qb (ngưỡng dòng chảy đầy bờ) để tính toán, xác định nguy cơ. Hệ thống được cập nhật 4 lần mỗi ngày, đồng thời bổ sung dữ liệu khi có thông tin mới, cung cấp bản đồ và sản phẩm cảnh báo phục vụ công tác dự báo, chỉ đạo phòng, chống thiên tai.
Kết quả đánh giá giai đoạn 2018–2026 cho thấy hệ thống đã ghi nhận 86 trận lũ quét, trong đó có 58 trường hợp được cảnh báo nguy cơ cao và 6 trường hợp được cảnh báo nguy cơ trung bình. Khả năng phát hiện lũ quét (POD) trong nhiều năm đạt mức tương đối tốt, tuy nhiên tỷ lệ cảnh báo khống (FAR) vẫn ở mức cao, dao động từ 0,93 đến 0,99. Điều này cho thấy yêu cầu cấp thiết phải nâng cao chất lượng dữ liệu đầu vào, hiệu chỉnh mô hình và tối ưu hóa ngưỡng cảnh báo nhằm giảm số lượng cảnh báo chưa phù hợp với thực tế.
Để nâng cao hiệu quả hệ thống, nhóm nghiên cứu đề xuất một số hướng cải tiến trọng tâm: tăng cường tích hợp dữ liệu radar, vệ tinh và quan trắc mặt đất; rà soát, hiệu chỉnh cấu trúc và thông số mô hình thủy văn SAC-SMA; điều chỉnh ngưỡng FFG/FFT theo đặc trưng từng khu vực; đồng thời ứng dụng trí tuệ nhân tạo (AI), đặc biệt là thuật toán học máy XGBoost, trong hiệu chỉnh sai số mô phỏng dòng chảy và hỗ trợ sàng lọc các cảnh báo khống.
Đáng chú ý, nghiên cứu đã thử nghiệm thuật toán tối ưu Harmony Search để tự động hiệu chỉnh thông số mô hình SAC-SMA, tích hợp mô hình học máy XGBoost nhằm nâng cao chất lượng dự báo dòng chảy và nghiên cứu kết nối mô hình thủy văn với mô phỏng vận hành hồ chứa. Các kết quả bước đầu cho thấy tiềm năng cải thiện chất lượng dự báo, đặc biệt trong việc nâng cao độ tin cậy của thông tin cảnh báo tại các lưu vực.
Trong thời gian tới, nhóm nghiên cứu định hướng tiếp tục làm chủ công nghệ mô hình SAC-SMA, phát triển mô hình tích hợp SAC-IMHEMS trên phạm vi toàn quốc, kết hợp AI, GIS và tối ưu hóa trong mô phỏng dòng chảy, độ ẩm đất; đồng thời tích hợp bài toán vận hành hồ chứa và từng bước chuyển đổi sang mô hình bán phân bố. Đây là những hướng nghiên cứu quan trọng nhằm nâng cao độ chính xác, tính kịp thời và độ tin cậy của hệ thống cảnh báo lũ quét, góp phần hỗ trợ hiệu quả công tác dự báo, cảnh báo và phòng, chống thiên tai tại Việt Nam.