Hồ Hòa Bình vừa là hồ thủy điện lớn, vừa cung cấp không gian cho nuôi cá lồng và nhiều hoạt động kinh tế khác. Với một thủy vực có diện tích rộng và điều kiện nước thay đổi theo vị trí, thời gian, việc lấy mẫu tại một số điểm rồi đưa về phòng thí nghiệm chỉ cho thấy từng lát cắt của hiện trạng.

PGS.TS. Hoàng Thị Thu Hương, Trưởng khoa Khoa Khoa học và Công nghệ Môi trường, Trường Hóa và Khoa học Sự sống, Đại học Bách khoa Hà Nội, cùng các cộng sự chọn một hướng khác. Nhóm kết hợp dữ liệu lấy trực tiếp trên hồ với thông tin từ viễn thám và các mô hình học máy để thử xây dựng phương pháp giám sát tình trạng phú dưỡng trên phạm vi rộng hơn.

Đây là một phần trong nhiệm vụ khoa học do PGS.TS. Hoàng Thị Thu Hương làm chủ nhiệm, triển khai đến đầu năm 2026, hướng tới việc đánh giá và giám sát phú dưỡng tại hồ thủy điện Hòa Bình phục vụ nuôi trồng thủy sản bền vững.

PGS.TS. Hoàng Thị Thu Hương tại seminar về ứng dụng ảnh siêu phổ và trí tuệ nhân tạo trong đánh giá biochar, tháng 3/2026. Ảnh: Trường Hóa và Khoa học Sự sống, Đại học Bách khoa Hà Nội.

Không chỉ nhìn nước ở một điểm

Phú dưỡng xảy ra khi thủy vực nhận lượng chất dinh dưỡng lớn, đặc biệt là các hợp chất chứa nitơ và phospho, tạo điều kiện cho tảo phát triển mạnh và làm thay đổi chất lượng nước. Tuy nhiên, trạng thái của một hồ lớn không đồng nhất ở mọi nơi. Khu vực gần lồng nuôi cá, vùng nhận dòng chảy từ đất nông nghiệp hay những nơi nước lưu thông khác nhau có thể mang những đặc điểm riêng.

Trong một khảo sát thuộc hướng nghiên cứu này, mẫu nước được thu tại 34 điểm trên hồ Hòa Bình. Nhóm phân tích độ pH, độ trong, chất rắn lơ lửng, oxy hòa tan, nhu cầu oxy sinh hóa, nhu cầu oxy hóa học cùng hàm lượng một số dạng nitơ và phospho. Thành phần thực vật phù du cũng được xem xét để bổ sung thông tin về trạng thái sinh thái của thủy vực.

Kết quả không cho phép nói toàn bộ hồ Hòa Bình đang ở cùng một mức phú dưỡng. Một số khu vực có dấu hiệu tích tụ dinh dưỡng và nguy cơ cao hơn, trong khi các khu vực khác ở mức thấp hơn. Sự khác biệt này chính là một trong những lý do cần quan sát hồ theo không gian thay vì dựa vào một vài điểm đo cố định.

Với PGS.TS. Hoàng Thị Thu Hương, đây cũng nối tiếp một hướng nghiên cứu đã được chị theo đuổi nhiều năm về các quá trình sinh thái trong thủy vực nước ngọt, chỉ thị chất lượng môi trường và việc sử dụng mô hình để đọc những biến đổi khó nhận biết bằng quan sát thông thường.

PGS.TS. Hoàng Thị Thu Hương (áo hồng tím, hàng đầu) cùng các đại biểu tại seminar khoa học ở Đại học Bách khoa Hà Nội tháng 3/2026. Ảnh: Trường Hóa và Khoa học Sự sống, Đại học Bách khoa Hà Nội.

Nối mẫu nước với tín hiệu từ vệ tinh

Bước tiếp theo của nhóm là tìm cách mở rộng những quan sát tại hiện trường bằng dữ liệu viễn thám. Thay vì coi ảnh vệ tinh đơn thuần là hình ảnh bề mặt, nghiên cứu khai thác thông tin phổ phản xạ của nước và kiểm tra mối liên hệ giữa chúng với các chỉ số chất lượng nước đã đo tại thực địa.

Một công bố từ nhiệm vụ này tại hội nghị quốc tế về kỹ thuật tri thức và hệ thống năm 2025 sử dụng các mô hình từ hồi quy cơ sở đến học máy tổ hợp và học sâu để ước tính những chỉ số chất lượng nước từ dữ liệu phổ. PGS.TS. Hoàng Thị Thu Hương là thành viên của nhóm tác giả; công trình ghi rõ mã nhiệm vụ NAFOSTED mà chị chủ nhiệm.

Kết quả thử nghiệm cho thấy các mô hình hiện đại có khả năng dự đoán tốt hơn những cách tiếp cận cơ sở được đem ra so sánh trong nghiên cứu. Tuy nhiên, điều đó không đồng nghĩa AI có thể thay thế việc lấy mẫu nước hay tự mình kết luận tình trạng của hồ.

Dữ liệu thực địa vẫn giữ vai trò làm căn cứ để hiệu chỉnh và kiểm tra mô hình. Viễn thám cung cấp khả năng quan sát không gian rộng hơn, còn học máy giúp tìm quan hệ trong lượng dữ liệu lớn. Ba lớp thông tin này bổ sung cho nhau thay vì loại bỏ lẫn nhau.

Cách làm đó mở ra khả năng rút ngắn khoảng cách giữa hai đợt khảo sát trên hồ. Khi dữ liệu vệ tinh được cập nhật và mô hình tiếp tục được kiểm chứng bằng quan trắc tại chỗ, những khu vực có tín hiệu bất thường có thể được khoanh vùng để ưu tiên kiểm tra.

AI không thay thế một chai mẫu nước

Điểm cần giữ khi đọc kết quả là nghiên cứu mới cho thấy tiềm năng của phương pháp giám sát dựa trên dữ liệu. Công trình không chứng minh hệ thống đã trở thành một mạng cảnh báo vận hành thường xuyên tại hồ Hòa Bình, cũng chưa phải bằng chứng rằng mọi đợt tảo phát triển có thể được dự báo chính xác.

Điều kiện quang học của nước, mây che phủ, thời điểm vệ tinh đi qua, số lượng mẫu thực địa và sự khác biệt giữa các mùa đều có thể ảnh hưởng đến chất lượng mô hình. Một thuật toán đạt kết quả tốt trên bộ dữ liệu nghiên cứu vẫn cần được kiểm tra tiếp khi điều kiện môi trường thay đổi.

Vì vậy, giá trị của hướng nghiên cứu không nằm ở việc thay người quan trắc bằng AI. Nó nằm ở cách ghép những công cụ vốn tách rời thành một quy trình gồm lấy mẫu tại hồ, quan sát từ xa và xử lý dữ liệu, từ đó tăng lượng thông tin có thể sử dụng khi theo dõi một thủy vực lớn.

Đoàn Khoa Khoa học và Công nghệ Môi trường, Trường Hóa và Khoa học Sự sống, Đại học Bách khoa Hà Nội trong chuyến làm việc tại Ghent University Global Campus, Hàn Quốc tháng 7/2026. Đoàn do PGS.TS. Hoàng Thị Thu Hương dẫn đầu. Ảnh: Trường Hóa và Khoa học Sự sống, Đại học Bách khoa Hà Nội.

Tháng 3/2026, một hướng ứng dụng khác của PGS.TS. Hoàng Thị Thu Hương tiếp tục cho thấy cách chị đưa các công cụ phân tích dữ liệu vào nghiên cứu môi trường. Tại một seminar hợp tác Việt Nam – Vương quốc Anh, PGS.TS. Hoàng Thị Thu Hương giới thiệu dự án sử dụng ảnh siêu phổ kết hợp học máy và AI trong đánh giá biochar, vật liệu than sinh học có thể được tạo ra từ sinh khối.

Hai bài toán khác nhau, một bên là nước hồ, một bên là vật liệu. Nhưng điểm gặp nhau nằm ở cách lấy tín hiệu vật lý hoặc hóa học, biến chúng thành dữ liệu rồi dùng mô hình để tìm những đặc trưng khó đánh giá nhanh bằng phương pháp thông thường. Đây cũng là hướng nghiên cứu phù hợp với chuyên môn mà PGS.TS. Hoàng Thị Thu Hương theo đuổi về mô hình sinh thái và ứng dụng AI trong nghiên cứu môi trường.

Những lớp dữ liệu trong bài toán hồ Hòa Bình

- Mẫu nước được lấy trực tiếp tại nhiều điểm trên hồ.

- Các thông số hóa lý giúp mô tả chất lượng nước và nguồn dinh dưỡng.

- Thực vật phù du bổ sung thông tin về trạng thái sinh thái.

- Viễn thám mở rộng khả năng quan sát theo không gian.

- Học máy được thử nghiệm để ước tính một số chỉ số chất lượng nước từ dữ liệu phổ.

- Kết quả mô hình vẫn cần được kiểm tra bằng dữ liệu thực địa.