Thích ứng và phục hồi với biến đổi khí hậu thông qua dữ liệu lớn

Tóm tắt

Tác động tiêu cực của biến đổi khí hậu đang dần gia tăng trên toàn thế giới và các nước đang phát triển là những nước chịu nhiều thiệt hại hơn. Tiềm năng của dữ liệu lớn có thể là một công cụ hiệu quả để đưa ra chiến lược của cộng đồng nhằm thích ứng phù hợp và tăng cường khả năng phục hồi. Nghiên cứu này nhằm mục đích khám phá tiềm năng của dữ liệu lớn để đưa ra chiến lược phù hợp chống lại các tác động của biến đổi khí hậu cũng như tăng cường khả năng phục hồi trước tác động tiêu cực của biến đổi khí hậu. Nghiên cứu này lập luận rằng khả năng phục hồi là một quá trình phục hồi trở lại trạng thái trước đó sau khi đối mặt với bất kỳ tác động tiêu cực nào. Nghiên cứu cũng tập trung vào chức năng tích hợp của khả năng thích ứng, hấp thụ và chuyển đổi của cộng đồng cũng như cá nhân hoặc nhà nước để đối mặt với bất kỳ thảm họa thiên nhiên nào. Công nghệ dữ liệu lớn có khả năng hiển thị thông tin về các vấn đề sắp diễn ra, các vấn đề hiện tại và các giai đoạn phục hồi đối với tác động tiêu cực của biến đổi khí hậu. Những phát hiện của nghiên cứu này sẽ cho phép các nhà hoạch định chính sách và các bên liên quan đưa ra các chiến lược thích ứng phù hợp để tăng cường khả năng phục hồi của cộng đồng ở các khu vực bị ảnh hưởng.

Walker và Salt [3] đã tuyên bố rằng 'khả năng phục hồi' bắt nguồn từ nghiên cứu sinh thái, trong đó Holling [4] tìm cách phân biệt giữa một hệ sinh thái duy trì trong điều kiện cân bằng hoặc ổn định và phản ứng của hệ sinh thái này khi bị tác động làm thay đổi khỏi trạng thái cân bằng này. Quan điểm về khả năng phục hồi là sự hiểu biết về khả năng thích ứng của hệ thống [5]. Quản lý thảm họa là một quá trình tích hợp của sự chuẩn bị, ứng phó, phục hồi và giảm thiểu. Cả bốn quá trình đều là công cụ tăng cường khả năng thích ứng, hấp thụ và chuyển đổi của một cá nhân, nhóm hoặc cộng đồng và đảm bảo khả năng phục hồi. Khả năng phục hồi là một khái niệm toàn diện cho phép một đơn vị xã hội phục hồi từ tình trạng bị ảnh hưởng trở lại tình trạng bình thường trước đó sau khi đối mặt với bất kỳ tác động nào do biến đổi khí hậu gây ra [6]. Khả năng phục hồi thực sự tập trung vào khả năng đa chiều của một đơn vị xã hội để đối mặt với thảm họa và quản lý thành công thông qua việc giảm thiểu tình trạng dễ bị tổn thương và tăng cường năng lực [7].

I. Giới thiệu

Biến đổi khí hậu được coi là một thách thức toàn cầu. Các nước đang phát triển đang phải đối mặt với tình trạng dễ bị tổn thương ngày càng tăng do biến đổi khí hậu toàn cầu. Một cách tiếp cận dài hạn dựa trên công nghệ là cần thiết để giảm thiểu tình trạng dễ bị tổn thương và rủi ro thiên tai. Do bản chất của biến đổi khí hậu toàn cầu rất phức tạp nên cần có cách tiếp cận sáng tạo theo bối cảnh cụ thể để phát triển năng lực thích ứng, hấp thụ và chuyển đổi của hệ thống xã hội. Năng lực nâng cao của một đơn vị xã hội giúp đơn vị đó có khả năng phục hồi trước tác động bất lợi của biến đổi khí hậu [1]. Chiến lược thích ứng của các cộng đồng dễ bị tổn thương không thể giúp ích đúng mức trước những thiệt hại trực tiếp và gián tiếp của thiên tai vì nó là do biến đổi khí hậu [2]. Hiện nay, công nghệ có thể giúp phát triển chiến lược quản lý thiên tai từ cảnh báo sớm về thảm họa đến quản lý sau thảm họa. Trong mọi bước quản lý thiên tai, các nhà hoạch định chính sách, nhà lãnh đạo, nhà nghiên cứu và quản trị viên có thể sử dụng công nghệ để quản lý tác động bất lợi của biến đổi khí hậu.

Khả năng phục hồi cũng có thể giải quyết tất cả các nguyên nhân gốc rễ của thảm họa thông qua chiến lược thích ứng dựa trên bối cảnh. Nó thực sự tập trung vào cách xây dựng năng lực của con người để mọi người có thể giảm thiểu tình trạng dễ bị tổn thương, mối đe dọa tiềm tàng, thách thức và rủi ro liên quan đến thiên tai. Công nghệ dữ liệu lớn có thể giúp tăng cường khả năng phục hồi khí hậu bằng chính sách cụ thể theo bối cảnh kinh tế, quản lý, nghiên cứu và lãnh đạo [8].

Là một mô hình mới, phương pháp tiếp cận dữ liệu lớn được coi là phương pháp hiệu quả nhất để đưa ra quyết định nhanh chóng và hiệu quả [9]. Nó có thể phân tích lượng dữ liệu khổng lồ thu được từ nhiều nguồn khác nhau như dữ liệu thời tiết, phương tiện truyền thông xã hội, phương tiện truyền thông điện tử và báo in, các tổ chức phi chính phủ, các tổ chức cộng đồng tự nguyện và nhiều trang mạng xã hội khác nhau. Dữ liệu lớn cung cấp một cơ hội lớn để giao tiếp, có thể giúp những người dễ bị tổn thương trong cộng đồng về mối đe dọa, thách thức, rủi ro và thảm họa sắp tới [10].

Giao tiếp cung cấp một cách để giao tiếp với nhau trước, trong và sau thảm họa để thông báo tình hình cho nhau và chuẩn bị cũng như đóng vai trò là nguồn dữ liệu lớn [11]. Dữ liệu lớn khuyến khích các nhà nghiên cứu và nhà hoạch định chính sách tiến hành phân tích chuyên sâu dữ liệu giao tiếp từ điện thoại di động, phương tiện truyền thông xã hội và các thiết bị giao tiếp khác có tính hợp lý lớn đối với khả năng phục hồi sau thảm họa.

Nhiều nghiên cứu đã được thực hiện về tác động của biến đổi khí hậu [12,13], quản lý thảm họa [14], khả năng phục hồi sau thảm họa [8,10] và ứng dụng dữ liệu lớn trong lĩnh vực quản lý môi trường [10-12] nhưng tiềm năng của dữ liệu lớn đối với khả năng phục hồi sau thảm họa vẫn còn thiếu. Vì biến đổi khí hậu gây ra thiên tai, tình trạng dễ bị tổn thương và khan hiếm tài nguyên thiên nhiên, nên dữ liệu lớn có thể là một cách tiếp cận hiệu quả để tăng cường khả năng phục hồi sau thảm họa. Thiên tai thường xuyên cũng là hậu quả của các điều kiện khí hậu thay đổi nhanh chóng. Một chiến lược hiệu quả dựa trên dữ liệu lớn có thể hữu ích để tăng khả năng phục hồi. Do đó, nghiên cứu này nhằm mục đích khám phá tiềm năng của dữ liệu lớn trong việc tăng cường khả năng phục hồi trước biến đổi khí hậu.

II. Phương pháp nghiên cứu

Nghiên cứu này dựa trên phương pháp định tính, đặc biệt là tham khảo, đánh giá tài liệu có hệ thống đã được thực hiện để đánh giá tài liệu trong 10 năm qua.

Dữ liệu gần đây đã được thu thập để tham gia vào cuộc hội thảo đang diễn ra về tiềm năng của dữ liệu lớn đối với khả năng phục hồi khí hậu. Nghiên cứu này chủ yếu xem xét các phương pháp tiếp cận dữ liệu lớn có tiềm năng đóng góp vào việc tăng cường khả năng phục hồi khí hậu. Đánh giá tài liệu được coi là một phần không thể thiếu trong việc phát triển một mô hình mới của khám phá tiềm năng của dữ liệu lớn trong việc tăng cường khả năng phục hồi trước biến đổi khí hậu. Các từ khóa như “biến đổi khí hậu, khả năng phục hồi, thảm họa, dễ bị tổn thương, thích ứng, hấp thụ và chuyển đổi năng lực, dữ liệu lớn và quản lý thảm họa” đã được sử dụng. Việc thu thập dữ liệu đã được thực hiện từ tháng 10 đến tháng 11 năm 2019. Việc xem xét tài liệu được hướng dẫn bởi một số tiêu chí nhất định như (a) nghiên cứu này có tập trung vào dữ liệu lớn để phục hồi khí hậu không? (b) Nghiên cứu này có nêu rõ về việc thích ứng với biến đổi khí hậu bằng cách sử dụng các phương pháp tiếp cận dữ liệu lớn không? và (c) Có toàn văn của nghiên cứu này không?

III. Kết quả

1. Kết quả phân tích hệ thống

Việc lựa chọn tài liệu định tính đã được thực hiện theo hướng dẫn của Systematic Review and MetaAnalysis (PRISMA) [17]. Phương pháp PRISMA bao gồm bốn giai đoạn để lựa chọn tài liệu chất lượng như nhận dạng, sàng lọc, đủ điều kiện và bao gồm. Sau khi tìm kiếm các cơ sở dữ liệu nổi tiếng, nghiên cứu này đã thu được 529 tài liệu từ tìm kiếm chính với 5 tài liệu khác từ danh sách tham khảo. Trong giai đoạn sàng lọc, 397 tài liệu đã bị loại bỏ sau khi sàng lọc tóm tắt. Tương tự như vậy, trong giai đoạn đủ điều kiện, 109 tài liệu đã bị loại bỏ do không có toàn văn, không liên quan và các tài liệu không tập trung đúng mức vào dữ liệu lớn và khả năng phục hồi khí hậu. Cuối cùng, 28 tài liệu có liên quan nhất đã được xem xét để phân tích chuyên sâu bao gồm các bài báo trên tạp chí, sách, chương sách và các bài báo nghiên cứu (Hình 1).

2. Kết quả phân tích

a) Nguồn dữ liệu lớn: Nghiên cứu này phân tích 28 tài liệu có liên quan. Các nguồn dữ liệu lớn chính là ảnh vệ tinh, ảnh hàng không và video, mạng lưới cảm biến không dây, Light Detection and Ranging (LiDAR), dữ liệu mô phỏng, dữ liệu không gian, crowdsourcing, GPS, phương tiện truyền thông và cuộc gọi đã được ghi âm. Các đặc điểm và nguồn dữ liệu lớn được đề xuất được trình bày trong Bảng I.

Bảng 1: Nguồn dữ liệu lớn

b) Các giai đoạn quản lý thảm họa được khuyến nghị: Phần lớn các nhà nghiên cứu đề xuất bốn bước chính của quản lý thảm họa và khả năng phục hồi trước biến đổi khí hậu như chuẩn bị, giảm nhẹ, ứng phó và phục hồi có thể sử dụng trực tiếp công nghệ dữ liệu lớn để quản lý thảm họa. Nghiên cứu này xem xét tất cả các công nghệ thích ứng với biến đổi khí hậu có thể giúp tăng cường khả năng phục hồi của những người bị ảnh hưởng. Bên cạnh đó, hầu hết các nghiên cứu cũng đề xuất một số thành phần phụ của quản lý thảm họa và khả năng phục hồi, tạo cơ hội sử dụng các công nghệ dữ liệu lớn vào đúng thời điểm và địa điểm Bảng 2.

Bảng 2: Các giai đoạn quản lý thảm họa

IV. Thảo luận

1. Nguồn dữ liệu lớn

1) Ảnh vệ tinh: Ảnh vệ tinh cung cấp dữ liệu định lượng và định tính để quản lý thảm họa, có thể giúp thực hiện hoạt động quản lý cũng như giảm thiểu rủi ro. Nó có thể thường xuyên được sử dụng để đánh giá tình trạng sau thảm họa [18]. Đóng góp chính của dữ liệu vệ tinh như hình ảnh độ phân giải cao, đa kỹ thuật và đa chiều hỗ trợ cho việc lập kế hoạch đánh giá trước và sau thảm họa. Ảnh vệ tinh cung cấp thông tin về việc thay đổi hệ thống sử dụng đất, các vùng nước, các hạng mục bị hư hại của khu vực bị ảnh hưởng [19]. Thông tin này có thể giúp đưa ra quyết định đúng đắn về các phương pháp cứu hộ. Nó không chỉ cung cấp hình ảnh chung mà còn cung cấp hình ảnh ba chiều có thể dễ dàng giúp phát hiện các khu vực bị ảnh hưởng và mức độ thiệt hại [16]. Nó cũng giúp xác định các tòa nhà bị hư hại và khối lượng của các khu vực bị ảnh hưởng bởi thảm họa. Ảnh vệ tinh được coi là một trong những phương pháp chính để quản lý thảm họa do được sử dụng để giảm rủi ro liên quan đến lũ lụt, lở đất và khu định cư của con người [20].

2) Hình ảnh trên không và video: Các phương tiện bay không người lái (UAV) đã được sử dụng để chụp ảnh trên không, có thể đóng vai trò quan trọng trong việc tạo ra nhận thức về tình huống [16]. Nó được coi là phương pháp tốt hơn so với hình ảnh vệ tinh do tính tức thời và độ phân giải không gian của hình ảnh. Nó có thể được sử dụng như một công cụ cấp cao để phát hiện các vết nứt nhỏ, cấu trúc bị hư hỏng và mức độ hư hỏng. UAV bao gồm các loại cảm biến khác nhau như camera, cảm biến hồng ngoại, cực tím, bức xạ và thời tiết cùng với máy phân tích quang phổ [21]. UAV được coi là nguồn dữ liệu xác thực có thể giúp xác định thiệt hại thực sự do thảm họa gây ra.

3) Mạng cảm biến không dây: Công nghệ liên quan đến mạng cảm biến không dây (wireless sensor web - WSW) có thể được sử dụng cho các hệ thống cảnh báo dễ dàng giúp cứu hộ tài sản khỏi thảm họa thiên nhiên [22]. Nhận thức tình huống có thể được thực hiện bằng cách sử dụng WSW [23]. Việc sử dụng tích hợp WSW có thể tăng cường thời gian phản hồi, giảm độ trễ cũng như tăng khả năng thành công. Các công nghệ này cũng đảm bảo kết nối giữa người dân bị ảnh hưởng và đội cứu hộ. Công nghệ IoT dựa trên WSW cung cấp khả năng giao tiếp tốt hơn ở các khu vực bị ảnh hưởng bởi thảm họa, nơi các hình thức liên lạc giao tiếp bị hư hại do thảm họa thiên nhiên [24].

4) Phát hiện và đo khoảng cách bằng ánh sáng (LiDAR): LiDAR có thể dễ dàng phát hiện các điều kiện mặt đất chính xác của các khu vực bị thiên tai ảnh hưởng bằng cách sử dụng mô hình độ cao tiên tiến [12]. Mặc dù tốn một chút thời gian và tốn kém, nhưng nó cung cấp thông tin xác thực và đáng tin cậy. Nó thể hiện tình trạng thực tế bằng cách cung cấp hình ảnh độ phân giải cao [23]. Khả năng của LiDAR rất hữu ích cho địa chất, các đặc điểm và lập bản đồ. Người ta công nhận rằng LiDAR có thể cung cấp dữ liệu chính xác để đánh giá nước và lũ lụt cũng như dự đoán lũ lụt trong tương lai [13]. Nó cũng cung cấp thông tin đáng tin cậy thiệt hại về cấu trúc cũng như những thay đổi về độ cao do thiên tai gây ra.

5) Dữ liệu mô phỏng: Mô phỏng là một phương pháp tiếp cận chính để dự đoán. Mô phỏng số có thể là một phương pháp tiếp cận tốt để dự đoán các thảm họa thiên nhiên trong tương lai bằng cách phân tích các hiện tượng khí tượng và bề mặt đất cũng như các loại ô nhiễm khác nhau [24]. Nó cũng cung cấp mô hình 3D có thể giúp dự đoán thiệt hại có thể xảy ra do thiên tai. Nhìn chung, dữ liệu lớn được tạo ra tại thời điểm xảy ra thảm họa. Quản lý thảm họa đòi hỏi phải thực hiện, xác minh, xác thực và cải thiện dữ liệu phù hợp để khám phá sự phức tạp thực sự do thiên tai gây ra [25]. Dữ liệu mô phỏng cũng hữu ích để đánh giá các thay đổi về môi trường thông qua mô hình dựa trên tác nhân. Một mô hình sinh thái có thể cung cấp thông tin thực tế về lở đất bằng cách sử dụng dữ liệu mô phỏng [13].

6) Dữ liệu không gian: Dữ liệu không gian hữu ích cho việc quản lý thảm họa, đặc biệt là đánh giá mức độ dễ bị tổn thương và dự đoán các mối nguy hiểm tự nhiên. Tomaszewski et al. [18] đã tiến hành một nghiên cứu về hệ thống thông tin địa lý (GIS) và đề cập rằng dữ liệu GIS như FEMA, nguồn cấp dữ liệu, bản đồ đường phố quốc gia cũng rất hữu ích cho việc quản lý thảm họa. Dữ liệu không gian thường được sử dụng để phục hồi thảm họa ở các nước đang phát triển.

7) Huy động vốn từ cộng đồng: Crowdsourcing cung cấp một cơ hội làm việc với nhiều người trên một nền tảng trực tuyến để đạt được mục tiêu chung. Trong hoạt động huy động cộng đồng liên quan đến thảm họa, nhiều người bị ảnh hưởng có thể chia sẻ ý tưởng, kinh nghiệm và thực tiễn của họ để quản lý thảm họa [26]. Trong nền tảng đó, nạn nhân thảm họa có thể chia sẻ thông tin theo thời gian thực. Mặc dù đây là nguồn dữ liệu lớn tốt, nhưng vẫn có một số thách thức, đặc biệt là từ độ tin cậy của dữ liệu đến việc ra quyết định [17]. Việc thu thập, xử lý và phân tích dữ liệu do cộng đồng cung cấp đòi hỏi các công cụ tiên tiến do bản chất và khối lượng của nó. Dữ liệu do cộng đồng cung cấp cũng hữu ích để tìm ra vị trí của khu vực bị ảnh hưởng bởi thảm họa [27]. Người ta tin rằng việc thu thập dữ liệu do cộng đồng cung cấp bằng cách sử dụng nền tảng di động và trực tuyến.

8) Phương tiện truyền thông xã hội: Ngày nay, phương tiện truyền thông xã hội đang đóng vai trò quan trọng trong hầu hết mọi khía cạnh của cuộc sống. Đây là một trong những nguồn dữ liệu lớn chính. Phương tiện truyền thông xã hội được coi là một trong những công cụ truyền thông hàng đầu để cung cấp thông tin quản lý thiên tai [26]. Nó cung cấp một phần thông tin đa chiều liên quan đến các sự kiện thiên tai, mặc dù phương tiện truyền thông xã hội có những hạn chế do các loại dữ liệu khác nhau, nhưng nó vẫn hiệu quả trong việc quản lý thiên tai [28]. Truyền thông để quản lý thiên tai được xử lý bởi các tổ chức tham gia, nạn nhân và người dân bị ảnh hưởng, cộng đồng dễ bị tổn thương và các khu vực theo mô hình truyền thống [29], nhưng các công nghệ dựa trên dữ liệu lớn có thể dễ dàng xử lý các vấn đề rất chính xác và kịp thời [41]. Vì các thể loại thảm họa khác nhau như cảnh báo sớm, hướng dẫn và tương tác ngay lập tức có liên quan đến loại thảm họa, giai đoạn và nguyên nhân, nên truyền thông dựa trên công nghệ có thể đẩy nhanh quá trình quản lý thiên tai [30].

Phương tiện truyền thông xã hội có thể được sử dụng theo nhiều cách khác nhau để quản lý thảm họa. Dữ liệu phương tiện truyền thông xã hội cần được thu thập cẩn thận và sau đó xử lý, phân tích và ra quyết định là cần thiết để quản lý thảm họa [21]. Tương tự như vậy, quyết định về thảm họa có thể dễ dàng lan truyền bằng phương tiện truyền thông xã hội. Học giả nhận ra tầm quan trọng của phương tiện truyền thông xã hội đối với các giai đoạn quản lý thảm họa và đảm bảo khả năng phục hồi.

9) GPS di động và ghi lại dữ liệu cuộc gọi: Điện thoại di động đóng vai trò là công cụ quan trọng trong tình huống thiên tai để liên lạc với gia đình, người thân và bạn bè cũng như biết vị trí để di chuyển đến nơi an toàn. Các cảm biến tích hợp của điện thoại di động giúp xác định những người bị ảnh hưởng nhiều nhất là cũng như nhu cầu cấp thiết về tài nguyên [17]. Nhưng đôi khi thiên tai làm gián đoạn kết nối điện gây ra sự gián đoạn trong việc nhận dịch vụ điện thoại di động ở những nơi bị ảnh hưởng bởi thiên tai. GPS trên thiết bị di động là một cách quan trọng để thu thập dữ liệu cảm biến trên thiết bị di động nhằm phát hiện hành vi và chuyển động của mọi người tại thời điểm xảy ra thiên tai [18]. Nó giúp có được dữ liệu thời gian thực về thảm họa liên quan đến phản ứng của con người đối với tác động của thiên tai cũng như quá trình cảnh báo và sơ tán [12]. GPS giúp xác định vị trí, độ cao, quy mô và các vấn đề liên quan đến thiên tai. GPS thường hoạt động dựa trên ba tiêu chí cơ bản như vị trí thích hợp, chuyển động so sánh và thời gian thực.

Bản ghi chi tiết cuộc gọi (CDR) của các công ty di động có thể ghi lại tất cả các cuộc gọi trong thảm họa, cung cấp một lượng lớn dữ liệu theo thời gian thực và dựa trên nhu cầu [42]. Nhân viên quản lý thảm họa có thể dễ dàng sử dụng dữ liệu lớn này để đưa ra quyết định nhanh chóng nhằm đảm bảo dịch vụ ngay lập tức cho những người bị ảnh hưởng bởi thảm họa [11]. Vì kích thước của dữ liệu CDR lớn nên các phương pháp tiếp cận dữ liệu lớn có thể tận dụng cơ hội để xử lý dữ liệu này. Các công cụ CDR cũng có thể thu thập dữ liệu liên quan đến chuyển động của con người cũng như hành vi trong mạng xã hội liên quan đến thiên tai [43]. Cách tiếp cận này cũng có thể thu thập danh tính của người gửi và người nhận cũng như dữ liệu cuộc gọi và tin nhắn SMS. Từ dữ liệu CDR, nhân viên liên quan có thể biết mật độ dân số và quy mô của tổng dân số trong khu vực bị ảnh hưởng bởi thiên tai [9]. Vì tất cả các thuê bao đều nằm trong mạng di động nên việc có được dữ liệu chính xác bằng cách sử dụng cách tiếp cận này rất hữu ích.

2. Phương pháp tiếp cận dữ liệu lớn cho khả năng phục hồi khí hậu

Tính dễ bị tổn thương là một khái niệm mới nổi trên nhiều lĩnh vực, hữu ích trong việc hiểu và đánh giá tình trạng của con người khi đối mặt với các mối nguy hiểm tự nhiên. Các đặc điểm chính của tính dễ bị tổn thương do biến đổi khí hậu là thay đổi, ảnh hưởng đến hệ thống xã hội và sinh học của con người. Cần có sự huy động đáng kể từ chính phủ, các tổ chức phi chính phủ, các nhà nghiên cứu và người dân để phát triển các chiến lược thích ứng thành công [44]. Người dân ở các nước đang phát triển là những cộng đồng dễ bị tổn thương do phụ thuộc quá nhiều vào nông nghiệp và có thu nhập thấp. Tuy nhiên, những gánh nặng này có thể thúc đẩy việc khám phá các năng lực thích ứng tiềm tàng của các cộng đồng nghèo tài nguyên [45]. Mức độ dễ bị tổn thương của người dân tăng lên do tính dễ bị tổn thương ngày càng tăng trước các mối nguy hiểm tự nhiên ở hầu hết mọi lĩnh vực của cuộc sống, như các khía cạnh xã hội, vật lý, con người, tài chính và tự nhiên [46]. Mặc dù tác động của các mối nguy hiểm tự nhiên có thể là thỉnh thoảng, theo mùa hoặc quanh năm, nhưng mức độ phơi nhiễm không giống nhau đối với tất cả các cộng đồng.

1) Chuẩn bị: Thiệt hại do biến đổi khí hậu có thể giảm bớt bằng cách phát hiện và giám sát hiệu quả. Dữ liệu vệ tinh thường là nguồn dữ liệu lớn giúp phát hiện mọi bất thường về thời tiết và khả năng xảy ra thảm họa. Viễn thám vệ tinh cũng có thể được sử dụng để phát hiện tác động tiêu cực của biến đổi khí hậu. Một số thảm họa thiên nhiên như lũ lụt và hỏa hoạn có thể được theo dõi bằng hình ảnh vệ tinh giúp đưa ra các biện pháp thích hợp để giảm thiểu.

Phát hiện sớm giúp cung cấp thông tin cơ bản cho người dân để họ có thể chuẩn bị nhằm giảm thiểu thiệt hại. Phương tiện truyền thông xã hội đóng vai trò là nguồn dữ liệu lớn dễ dàng được tạo ra bởi giao tiếp của mọi người [35]. Trong trường hợp này, những người trên phương tiện truyền thông xã hội chia sẻ dữ liệu liên quan đến thảm họa và hoạt động như một cảm biến. Phương tiện truyền thông xã hội cung cấp dữ liệu thời gian thực có thể giúp xác định điểm nóng của thảm họa. Nó cũng tạo điều kiện cung cấp thông tin liên quan đến khả năng thiệt hại, vị trí, thời gian, khoảng cách và mức độ của thảm họa thiên nhiên.

2) Giảm thiểu: Hình ảnh vệ tinh có thể dễ dàng được sử dụng để phát hiện các điều kiện bất lợi sắp tới liên quan đến biến đổi khí hậu do mối liên hệ của nó với vị trí địa lý. Nhiều học giả đã phát triển nhiều công cụ và hệ thống khác nhau như lập bản đồ lũ lụt dựa trên hình ảnh độ phân giải trung bình (MODIS) để theo dõi hiệu quả các sự kiện thiên tai [16]. Phân tích mức độ dễ bị tổn thương và chuỗi thời gian cũng giúp đánh giá rủi ro có thể xảy ra của thiên tai. Đánh giá rủi ro có thể được thực hiện bằng cách sử dụng dữ liệu do người dùng tạo và dự đoán các sự kiện có thể xảy ra của thiên tai. Nó có thể ngăn chặn thiệt hại lớn như tài sản sinh kế của người dân, cơ sở hạ tầng, y tế và các hệ thống dịch vụ công cơ bản khác. Thực hiện huy động cộng đồng cũng được sử dụng để đánh giá rủi ro, đặc biệt là đối với ngành dầu mỏ thông qua việc đánh giá các tác động tiềm ẩn như mùi và khói [26]. Siêu dữ liệu di động có thể là nguồn dữ liệu lớn tuyệt vời và hữu ích cho những người ra quyết định để tránh mọi tình huống bất ngờ liên quan đến thiên tai [25]. Nó cũng được sử dụng để đánh giá rủi ro liên quan đến lũ lụt có thể được giảm thiểu bằng cách sử dụng dữ liệu không gian và hệ thống hỗ trợ quyết định.

3) Phản hồi: Ảnh viễn thám là công cụ chính để đánh giá thiệt hại do thiên tai gây ra. Yêu cầu về ảnh phụ thuộc vào kỹ thuật và quy trình.

Đánh giá ban đầu nhanh chóng đòi hỏi dữ liệu viễn thám có quy mô lớn nhưng độ phân giải thấp, có thể giúp đề xuất sáng kiến thích hợp cho khu vực ưu tiên [31]. Hình ảnh độ phân giải 3D là cần thiết để đánh giá thiệt hại của đường sá và tòa nhà, cơ sở vật chất, hạ tầng. Thiệt hại về nơi ở của người dân và mạng lưới giao thông đòi hỏi hình ảnh viễn thám có độ phân giải cao, nó cũng được sử dụng để phát hiện không gian mở của các khu vực bị ảnh hưởng bởi thảm họa. Máy bay có người lái cũng được sử dụng để có được hình ảnh tốt dựa trên hệ thống trên không, UAV có thể dễ dàng sử dụng để phát hiện các khu vực bị ảnh hưởng bởi thảm họa. Crowdsource là một công cụ quan trọng để đánh giá thiệt hại [23]. Nó hoạt động dựa trên dữ liệu do người dân ở các khu vực bị thiên tai cung cấp cho nền tảng crowdsourcing.

Các khu vực bị ảnh hưởng bởi biến đổi khí hậu phải đối mặt với nhiều vấn đề như thiếu thông tin liên lạc, phối hợp của đội cứu hộ và thiếu nhận thức của các bên liên quan. Những vấn đề này tạo ra rào cản trong giai đoạn hậu thảm họa và làm giảm khả năng phục hồi. Thảm họa thường gây ra thiệt hại cho các nguồn lực địa phương, đồng thời tạo ra rào cản đối với công tác quản lý sau thảm họa [32]. Những rào cản này có thể dễ dàng được giải quyết bằng cách sử dụng phân tích dữ liệu lớn thông qua việc đánh giá tình trạng của các khu vực bị ảnh hưởng và tận dụng tối đa các nguồn lực hạn chế. Mạng di động bị cản trở ở một số khu vực bị ảnh hưởng, điều này cũng gây ra rào cản đối với khả năng phục hồi sau thảm họa nhưng vấn đề này có thể được giải quyết bằng các mạng “aerial ad hoc” đảm bảo kết nối giữa những người dùng ở các khu vực bị ảnh hưởng [47]. Phân tích dữ liệu lớn có thể đóng vai trò quan trọng trong việc thích ứng với biến đổi khí hậu thông qua việc xác định điểm nóng để ứng phó khẩn cấp, phối hợp mọi người di chuyển ra khỏi rủi ro và xác định phương pháp ứng phó phù hợp [48].

4) Phục hồi: Giai đoạn phục hồi liên quan đến việc phục hồi con người và tài sản của họ, đưa họ trở lại trạng thái bình thường giúp tăng cường khả năng phục hồi. Nhiều loại cơ sở hạ tầng khác nhau là cần thiết để lập kế hoạch phù hợp cho việc phục hồi nhanh chóng như thông tin liên quan đến việc phân phối cứu trợ, xác nhận an toàn, phối hợp các hoạt động tình nguyện và cung cấp hậu cần [32]. Các mạng lưới truyền thông bị hư hỏng cần được phục hồi và cải thiện nhanh chóng. Dữ liệu lớn có thể giúp cải thiện việc tối ưu hóa thường xuyên cũng như thích ứng để tăng cường mạng lưới cơ sở hạ tầng như một phần thiết yếu của quá trình phục hồi sau thảm họa [34]. Cơ chế truyền thông và thích ứng có thể được thực hiện đúng cách bằng cách sử dụng các nguồn lực hạn chế theo các phương pháp tiếp cận của dữ liệu lớn. Hình ảnh vệ tinh có thể là nguồn dữ liệu lớn quan trọng trong giai đoạn hậu thảm họa. Các khu vực bị ảnh hưởng bởi biến đổi khí hậu và đánh giá phục hồi có thể dễ dàng được thực hiện bằng cách sử dụng dữ liệu, hình ảnh viễn thám.

V. Kết luận

Tính dễ bị tổn thương do biến đổi khí hậu được coi là một thách thức chung trên toàn thế giới. Tiềm năng của dữ liệu lớn có thể là một cách tiếp cận chính để xử lý tác động tiêu cực của biến đổi khí hậu trên toàn cầu. Do đó, nghiên cứu này tập trung vào việc phát triển chiến lược thích ứng theo bối cảnh cụ thể để tăng cường khả năng phục hồi trước biến đổi khí hậu bằng cách sử dụng công nghệ dữ liệu lớn. Nghiên cứu này lập luận rằng khả năng phục hồi là một quá trình phục hồi trở lại trạng thái trước đó sau khi đối mặt với bất kỳ tác động tiêu cực nào. Công nghệ dữ liệu lớn có thể hiển thị thông tin liên quan đến các vấn đề sắp tới, các vấn đề hiện tại và các giai đoạn phục hồi của tác động tiêu cực của biến đổi khí hậu. Nghiên cứu cũng lập luận rằng dữ liệu lớn là một công cụ tiềm năng để các nhà hoạch định chính sách, quản trị viên và các bên liên quan thực hiện các hành động cần thiết trong và sau thảm họa như hệ thống cảnh báo sớm, dự báo thời tiết, sơ tán khẩn cấp, phản ứng ngay lập tức, phân phối cứu trợ, đánh giá nhu cầu đào tạo và tăng cường đào tạo cá nhân. Để đạt được lợi ích tối đa từ phương pháp tiếp cận dữ liệu lớn cho khả năng phục hồi biến đổi khí hậu, nghiên cứu này đề xuất giải quyết các vấn đề liên quan như thách thức trong việc thu thập dữ liệu, phân tích, cơ sở hạ tầng, khoảng cách giữa năng lực của con người và công nghệ và độ chính xác. Nghiên cứu này khuyến nghị triển khai cơ sở hạ tầng, công nghệ, công cụ và chuyên môn phù hợp để đảm bảo sử dụng đúng dữ liệu lớn cho khả năng phục hồi khí hậu.

Tài liệu tham khảo

1. R. Pandey, S. K. Jha, J. M. Alatalo, K. M. Archie, and A. K. Gupta, “Sustainable livelihood framework-based indicators for assessing climate change vulnerability and adaptation for Himalayan communities,” Ecol. Indic., vol. 79, pp. 338–346, 2017.

2. S. A. P. Kumar, S. Bao, V. Singh, and J. Hallstrom, “Flooding disaster resilience information framework for smart and connected communities,” J. Reliab. Intell. Environ., vol. 5, no. 1, pp. 3–15. 2019.

3. B. Walker and D. Salt, “Practicing Resilience in Different Ways,” in Resilience Practice, B. Walker and D. Salt, Eds. Washington, DC: Island Press/Center for Resource Economics, 2012, pp. 145–167.

4. C. S. Holling, “Resilience and Stability of Ecological Systems,” Annu. Rev. Ecol. Syst., vol. 4, no. 1, pp. 1–23, Nov. 1973.

5. FAO, Analysing Resilience for Better Targeting and Action. Food and Agriculture Organization of the United Nations, Rome, Italy, 2016.

6. C. Folke, “Resilience: The emergence of a perspective for social–ecological systems analyses,” Glob. Environ. Chang., vol. 16, no. 3, pp. 253–267, 2006.

7. W. N. Adger, T. P. Hughes, C. Folke, S. R. Carpenter, and J. Rockstrom, “Social-Ecological Resilience to Coastal Disasters,” Science (80)., vol. 309, no. 5737, pp. 1036–1039, Aug. 2005.

8. C. Yang, G. Su, and J. Chen, “Using big data to enhance crisis response and disaster resilience for a smart city,” in 2017 IEEE 2nd International Conference on Big Data Analysis, ICBDA 2017, 2017, pp. 504–507.

9. K. Amjad and K. Almustafa, “Architecture Considerations for Big Data Management,” Int. J. Adv. Comput. Sci. Appl., vol. 7, no. 8, 2016.

10.  J. R. Ragini, P. M. R. Anand, and V. Bhaskar, “Big data analytics for disaster response and recovery through sentiment analysis,” Int. J. Inf. Manage., vol. 42, no. May, pp. 13–24, Oct. 2018.

11.  H. Maryam, M. Ali, Q. Javaid, and M. Kamran, “A Survey on Smartphones Systems for Emergency Management (SPSEM),” Int. J. Adv. Comput. Sci. Appl., vol. 7, no. 6, pp. 301–311, 2016.

12.  L. Bizikova, P. Larkin, S. Mitchell, and R. Waldick, “An indicator set to track resilience to climate change in agriculture: A policy-maker’s perspective,” Land use policy, vol. 82, no. December 2018, pp. 444-456, 2019.

13.  W. Hein et al., “Climate change and natural disasters: Government mitigation activities and public property demand response,” Land use policy, vol. 82, no. August 2018, pp. 436–443, 2019.

14.  M. N. I. Sarker, Q. Cao, M. Wu, M. A. Hossin, G. M. Alam, and R. C. Shouse, “Vulnerability and livelihood resilience in the face of natural disaster : A critical conceptual review,” Appl. Ecol. Environ. Res., vol. 17, no. 6, pp. 12769–12785, 2019.

15.  N. Agrawal, “Disaster Resilience,” in Natural Disasters and Risk Management in Canada, N. Agrawal, Ed. Springer Science+Business Media B.V., 2018, pp. 147–191.

16.  M. Yu, C. Yang, and Y. Li, “Big data in natural disaster management: A review,” Geosciences, vol. 8, no. 5, pp. 1–26, 2018.

17.  D. Moher et al., “Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement,” PLoS Med., vol. 6, no. 7, 2009.

18.  J. Qadir, A. Ali, R. Rasool, A. Zwitter, A. Sathiaseelan, and J. Crowcroft, “Crisis analytics : big data-driven crisis response,” J. Int. Humanit. Action, vol. 1, no. 12, pp. 1–21, 2016.

19.  B. Tomaszewski, M. Judex, J. Szarzynski, C. Radestock, and L. Wirkus, “Geographic Information Systems for Disaster Response: A Review,” J. Homel. Secur. Emerg. Manag., vol. 12, no. 3, pp. 571–602, 2015.

20.  C. H. Park and E. W. Johnston, “An Event-Driven Lens for Bridging Formal Organizations and Informal Online Participation: How Policy Informatics Enables Just-in-Time Responses to Crises,” in Policy Analytics, Modelling, and Informatics, vol. 25, 2018, pp. 343–361.

21.  M. Anbarasan et al., “Detection of flood disaster system based on IoT, big data and convolutional deep neural network,” Comput. Commun., vol. 150, no. November 2019, pp. 150–157, 2020.

22.  A. Adeel et al., “A Survey on the Role of Wireless Sensor Networks and IoT in Disaster Management,” in Geological Disaster Monitoring Based on Sensor Networks, T. S. Durrani, W. Wang, and S. M. Forbes, Eds. Singapore: Springer Singapore, 2019, pp. 57–66.

23.  R. I. Ogie, R. J. Clarke, H. Forehead, and P. Perez, “Crowdsourced social media data for disaster management: Lessons from the PetaJakarta.org project,” Comput. Environ. Urban Syst., vol. 73, pp. 108–117, Jan. 2019.

24.  K. Ha, “Integrating the resources of Korean disaster management research via the Johari window,” Eval. Program Plann., vol. 77, no. June, p. 101724, 2019.

25.  S. Shan, F. Zhao, Y. Wei, and M. Liu, “Disaster management 2.0: A real-time disaster damage assessment model based on mobile social media data—A case study of Weibo (Chinese Twitter),” Saf. Sci., vol. 115, pp. 393–413, Jun. 2019.

26.  K. M. Carley, M. Malik, P. M. Landwehr, J. Pfeffer, and M. Kowalchuck, “Crowd sourcing disaster management: The complex nature of Twitter usage in Padang Indonesia,” Saf. Sci., vol. 90, no. May, pp. 48–61, Dec. 2016.

27.  M. Hyslop, “Comments on Standards in Information Security, Disaster Recovery, Business Continuity and Business Resilience,” in Critical Information Infrastructures, no. January, Boston, MA: Springer US, 2007, pp. 94–144.

28.  R. I. I. Ogie, R. J. J. Clarke, H. Forehead, and P. Perez, “Crowdsourced social media data for disaster management: Lessons from the PetaJakarta.org project,” Comput. Environ. Urban Syst., vol. 73, no. September 2018, pp. 108–117, Jan. 2019.

29.  N. Clark and F. Guiffault, “Seeing through the clouds: Processes and challenges for sharing geospatial data for disaster management in Haiti,” Int. J. Disaster Risk Reduct., vol. 28, no. February, pp. 258–270, Jun. 2018.

30.  L. Resnyansky, “Social media data in the disaster context,” Prometh. (United Kingdom), vol. 33, no. 2, pp. 187–212, 2015.

31.  T. Schempp, H. Zhang, A. Schmidt, M. Hong, and R. Akerkar, “A framework to integrate social media and authoritative data for disaster relief detection and distribution optimization,” Int. J. Disaster Risk Reduct., vol. 39, no. April, p. 101143, Oct. 2019.

32.  A. Gupta, A. Deokar, L. Iyer, R. Sharda, and D. Schrader, “Big Data & Analytics for Societal Impact: Recent Research and Trends,” Inf. Syst. Front., vol. 20, no. 2, pp. 185–194, Apr. 2018.

33.  Z. Lv, X. Li, and K. K. R. Choo, “E-government multimedia big data platform for disaster management,” Multimed. Tools Appl., vol. 77, no. 8, pp. 10077–10089, 2018.

34.  F. E. A. Horita, J. P. de Albuquerque, V. Marchezini, and E. M. Mendiondo, “Bridging the gap between decision-making and emerging big data sources: An application of a model-based framework to disaster management in Brazil,” Decis. Support Syst., vol. 97, pp. 12–22, May 2017.

35.  M. Enenkel, S. M. Saenz, D. S. Dookie, L. Braman, N. Obradovich, and Y. Kryvasheyeu, “Social Media Data Analysis and Feedback for Advanced Disaster Risk Management,” in Social Web in Emergency and Disaster Management 2018, 2018, pp. 1–5.

36.  S. B. Goldenberg et al., “The 2012 Triply Nested, High-Resolution Operational Version of the Hurricane Weather Research and Forecasting Model (HWRF): Track and Intensity Forecast Verifications,” Weather Forecast., vol. 30, no. 3, pp. 710–729, Jun. 2015.

37.  T. Masood, E. So, and D. McFarlane, “Disaster Management Operations – Big Data Analytics to Resilient Supply Networks,” Dec. 2015.

38.  M. Di Felice, A. Trotta, L. Bedogni, K. R. Chowdhury, and L. Bononi, “Self-organizing aerial mesh networks for emergency communication,” in 2014 IEEE 25th Annual International Symposium on Personal, Indoor, and Mobile Radio Communication (PIMRC), 2014, pp. 1631–1636.

39.  Z. Lu, G. Cao, and T. La Porta, “TeamPhone: Networking SmartPhones for Disaster Recovery,” IEEE Trans. Mob. Comput., vol. 16, no. 12, pp. 3554–3567, Dec. 2017.

40.  D. Contreras, G. Forino, and T. Blaschke, “Measuring the progress of a recovery process after an earthquake: The case of L’aquila, Italy,” Int. J. Disaster Risk Reduct., vol. 28, pp. 450–464, Jun. 2018.

41.  E. Alreshidi, “Smart Sustainable Agriculture (SSA) solution underpinned by Internet of Things (IoT) and Artificial Intelligence (AI),” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 5, pp. 93–102, 2019.

42.  A. Ahmad, R. Othman, M. Fauzan, and Q. M. Ilyas, “A semantic ontology for disaster trail management system,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 10, pp. 77–90, 2019.

43.  A. A. R. Madushanki, M. N. Halgamuge, W. A. H. S. Wirasagoda, and A. Syed, “Adoption of the Internet of Things (IoT) in agriculture and smart farming towards urban greening: A review,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 4, pp. 11–28, 2019.

44.  J. Cinnamon, S. K. Jones, and W. N. Adger, “Geoforum Evidence and future potential of mobile phone data for disease disaster management,” Geoforum, vol. 75, pp. 253–264, 2016.

45.  J. R. Ragini, P. M. R. Anand, and V. Bhaskar, “International Journal of Information Management Big data analytics for disaster response and recovery through sentiment analysis,” Int. J. Inf. Manage., vol. 42, no. September 2017, pp. 13–24, 2018.

46.  M. N. I. Sarker, M. Wu, G. M. Alam, and R. C. Shouse, “Livelihood resilience of riverine island dwellers in the face of natural disasters: Empirical evidence from Bangladesh,” Land use policy, vol. 95, no. 2, p. 104599, Jun. 2020.

47.  V. Mali, M. Rao, and S. S. Mantha, “AHP driven GIS based emergency routing in disaster management,” in Communications in Computer and Information Science, 2013, pp. 237–248.

48.  D. Kuroshima and T. Tian, “Detecting public sentiment of medicine by mining twitter data,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 10, pp. 1–5, 2019.

49.  Nguồn: (IJACSA - www.ijacsa.thesai.org) International Journal of Advanced Computer Science and Applications