Những con số không thể quen

Sáng sớm 10/9/2024, khi hoàn lưu bão Yagi vẫn trút mưa xuống các tỉnh miền núi phía Bắc, cả một sườn núi phía trên thôn Làng Nủ (khi đó thuộc xã Phúc Khánh, huyện Bảo Yên, tỉnh Lào Cai) đổ xuống. Khối đất đá khoảng 1,1 triệu mét khối biến thành dòng bùn đá chảy dọc theo khe suối, di chuyển hơn 4 km trước khi ập vào khu dân cư đang ngủ. Ba mươi bảy ngôi nhà bị vùi lấp, 67 người thiệt mạng.

Nghiên cứu công bố trên tạp chí quốc tế Landslides năm 2025 của nhóm tác giả Việt Nam mô tả khối trượt dài khoảng 370 m, rộng 190 m, sâu tới 45 m, di chuyển với vận tốc trung bình ước tính khoảng 10 m/giây. Cũng theo nghiên cứu này, bão Yagi và mưa lũ sau bão đã làm 333 người chết và mất tích trên cả nước, trong đó khoảng 79% số nạn nhân là do sạt lở đất – riêng Lào Cai chiếm 124 trường hợp.

Điểm đáng suy nghĩ nhất của Làng Nủ không nằm ở quy mô khối trượt, mà ở khoảng cách: nơi khởi phát cách khu dân cư hơn bốn kilômét. Với các bản đồ phân vùng nguy cơ tỷ lệ nhỏ đang lưu hành, khu vực này không nằm trong danh mục "chân sườn dốc nguy hiểm" cần di dời khẩn cấp. Nói cách khác, ngay cả khi biết vùng nào có nguy cơ, chúng ta vẫn thiếu câu trả lời cho vế thứ hai: lượng mưa bao nhiêu, rơi ở đâu, trong bao lâu thì đủ để kích hoạt tai họa đó.

Một năm sau, câu hỏi ấy lặp lại ở quy mô lớn hơn. Năm 2025, Biển Đông ghi nhận 21 cơn bão và áp thấp nhiệt đới – mức cao nhất từ trước đến nay. Từ cuối tháng 9 đến đầu tháng 12, các cơn bão số 9 đến số 13 rồi số 15 nối nhau đổ bộ, kết hợp với không khí lạnh, dải hội tụ nhiệt đới và nhiễu động gió đông trên cao, tạo ra những đợt mưa kéo dài nhiều ngày. Lũ vượt mức lịch sử trên 21 tuyến sông ở Bắc Bộ và Trung Bộ; hệ thống đê điều ghi nhận 185 sự cố.

Theo báo cáo tại Hội nghị toàn quốc về công tác phòng, chống thiên tai tổ chức đầu năm 2026, thiên tai năm 2025 đã làm 484–485 người chết và mất tích, 811 người bị thương, tổng thiệt hại kinh tế ước tính trên 104.733 tỷ đồng. Thống kê của Cục Quản lý đê điều và Phòng, chống thiên tai đến ngày 20/12/2025 cho thấy 1.259 km đường giao thông bị hư hại với khối lượng đất đá sạt lở lên tới 15,1 triệu mét khối. Riêng đợt mưa lũ 16–20/11/2025 ở miền Trung đã làm 102 người chết và mất tích, hơn 200.900 ngôi nhà bị ngập.

Ngành đường bộ có một con số riêng cũng đủ nói lên mức độ tổn thương của hạ tầng miền núi: trong năm 2025, mưa bão gây sạt taluy dương tại 5.173 vị trí trên các quốc lộ do bốn Khu Quản lý đường bộ trực tiếp quản lý, với gần 1,7 triệu mét khối đất đá.

Sáu tháng đầu năm 2026, tình hình dịu hơn nhiều – 30 người tử vong, thiệt hại khoảng 570,7 tỷ đồng. Nhưng các cơ quan chuyên môn không xem đó là tín hiệu để yên tâm. Nhận định đầu năm 2026 của cơ quan khí tượng cho rằng dù tổng lượng mưa cả năm có thể xấp xỉ hoặc thấp hơn trung bình nhiều năm, xu thế mưa cường suất rất lớn trong thời gian ngắn lại đang gia tăng – đúng loại hình dễ gây lũ quét và sạt lở nhất, đặc biệt trong các giai đoạn chuyển mùa.

Vì sao cảnh báo lũ quét vẫn là bài toán khó

Nhiều người vẫn hình dung cảnh báo sạt lở là chuyện của các nhà địa chất: khảo sát sườn dốc, xác định điểm xung yếu, cắm biển cảnh báo. Thực tế, phần khó nhất lại nằm ở phía khí tượng.

Sạt lở đất và lũ quét được kích hoạt bởi mưa ở quy mô rất nhỏ – một sườn núi, một khe suối, đôi khi chỉ vài kilômét vuông. Trong khi đó, các mô hình dự báo thời tiết toàn cầu đang vận hành nghiệp vụ có "ô lưới" rộng từ 9 đến 25 km, còn mô hình khu vực của Việt Nam thường ở mức 3–9 km. Hình dung đơn giản: mô hình nhìn thấy cả một huyện như một điểm ảnh duy nhất. Dự báo có thể đúng rằng "khu vực này sẽ mưa rất to", nhưng lệch vị trí tâm mưa vài chục kilômét là chuyện bình thường – và với một thôn bản cụ thể, sai lệch đó khiến bản tin gần như mất giá trị hành động.

Khó khăn thứ hai là bản tin hiện nay chủ yếu mang tính khẳng định: một con số, một kịch bản. Trong khi bản chất của mưa đối lưu cực đoan là ngẫu nhiên rất cao. Cùng một hình thế thời tiết, tâm mưa có thể rơi vào lưu vực A hoặc lưu vực B kế bên. Cách xử lý đúng đắn về mặt khoa học là đưa ra xác suất – "khả năng mưa 24 giờ vượt 250 mm tại lưu vực này là 70%" – thay vì một con số duy nhất. Nhưng muốn tính được xác suất thì phải chạy hàng chục đến hàng trăm phương án dự báo song song, gọi là dự báo tổ hợp. Chạy tổ hợp với mô hình truyền thống ở độ phân giải cao đòi hỏi siêu máy tính, chi phí đầu tư và vận hành vượt quá khả năng của phần lớn cơ quan khí tượng khu vực.

Khó khăn thứ ba là thời gian. Muốn sơ tán an toàn một thôn bản miền núi – nơi đường sá dễ bị chia cắt, người già và trẻ nhỏ chiếm tỷ lệ cao – cần tối thiểu 6 đến 12 giờ. Trong khi đó, cảnh báo dựa trên mưa đã đo được thực tế chỉ cho thời gian phản ứng vài chục phút đến vài giờ. Nhiều vụ sạt lở lại xảy ra vào rạng sáng, khi cả bản đang ngủ.

Khó khăn thứ tư là dữ liệu. Mật độ trạm đo mưa tự động ở vùng núi cao còn thưa. Ra-đa thời tiết bị chính địa hình che khuất, tạo ra những "vùng mù" ngay tại nơi cần quan sát nhất. Và cơ sở dữ liệu kiểm kê các vụ sạt lở – có tọa độ, thời điểm, khối lượng, thiệt hại – vẫn chưa được chuẩn hóa và cập nhật liên tục, dù đây là "nguyên liệu" bắt buộc để xác định ngưỡng mưa gây trượt lở cho từng vùng.

Cuối cùng là một đặc điểm ít được nói đến: hiệu ứng tổn thương chồng lấn. Sau một đợt mưa lớn kéo dài, đất đá trên sườn dốc ngậm nước và giữ trạng thái bão hòa trong nhiều tuần, thậm chí nhiều tháng. Khi đó, một trận mưa cường độ chỉ ở mức trung bình cũng có thể gây sạt lở. Ngưỡng an toàn quen thuộc không còn đúng nữa – điều đã được ghi nhận ở nhiều tỉnh miền núi phía Bắc trong năm 2025, sau khi lớp phủ đã "no nước" từ mùa mưa 2024.

Về mặt pháp lý, khung thể chế cho công tác này không thiếu. Quyết định số 18/2021/QĐ-TTg quy định chi tiết việc dự báo, cảnh báo, truyền tin thiên tai và cấp độ rủi ro thiên tai. Chiến lược quốc gia phòng, chống thiên tai đến năm 2030, tầm nhìn đến năm 2050 ban hành theo Quyết định số 379/QĐ-TTg đặt mục tiêu nâng cao năng lực dự báo, cảnh báo. Đặc biệt, Quyết định số 1262/QĐ-TTg ngày 27/10/2023 đã phê duyệt hẳn một đề án riêng: "Cảnh báo sớm sạt lở đất, lũ quét khu vực miền núi, trung du Việt Nam", triển khai trên địa bàn 37 tỉnh, thành phố từ năm 2023 đến 2030, với mục tiêu hoàn thiện hệ thống thông tin – cảnh báo sớm liên thông và bộ bản đồ phân vùng rủi ro tỷ lệ lớn cho khu vực nguy cơ rất cao.

Nghĩa là hành lang chính sách đã mở. Vấn đề còn lại là công cụ kỹ thuật để lấp khoảng trống giữa "dự báo mưa cho cả vùng" và "cảnh báo cho từng thôn bản".

Earth2Studio là gì?

Đây là chỗ một công nghệ mới bước vào câu chuyện.

Earth2Studio là một gói phần mềm mã nguồn mở viết bằng ngôn ngữ Python, do NVIDIA phát triển. Cách gọi chính xác nhất có lẽ là "bộ công cụ lắp ghép": bản thân nó không phải một mô hình dự báo thời tiết, mà là hạ tầng phần mềm giúp người dùng nối các mô hình trí tuệ nhân tạo về thời tiết, các nguồn dữ liệu khí tượng toàn cầu và các mô-đun xử lý thành một quy trình chạy hoàn chỉnh.

Nếu ví các mô hình dự báo bằng AI là những động cơ, thì Earth2Studio là khung xe và hộp số cho phép lắp động cơ này, tháo ra thay động cơ khác mà không phải làm lại toàn bộ hệ thống. Đó chính là giá trị thực tế của nó: một cơ quan nghiên cứu có thể thử nghiệm năm, sáu mô hình khác nhau trên cùng một bộ dữ liệu, so sánh khách quan, rồi chọn cái phù hợp nhất với điều kiện địa phương.

Gói phần mềm này gồm bốn nhóm thành phần chính.

Thứ nhất là các nguồn dữ liệu.

Earth2Studio cung cấp cách truy cập thống nhất tới nhiều kho dữ liệu khí tượng: sản phẩm của các mô hình số trị nghiệp vụ như GFS của Mỹ hay IFS của châu Âu, bộ số liệu tái phân tích ERA5, dữ liệu vệ tinh, dữ liệu ra-đa, số liệu trạm quan trắc mặt đất, và cả các tệp dữ liệu lưu trên máy người dùng. Toàn bộ được trả về theo một định dạng và hệ tọa độ chung. Chi tiết này nghe kỹ thuật nhưng rất quan trọng: nó cho phép ghép dữ liệu quan trắc trong nước vào cùng một quy trình mà không phải viết lại phần mềm.

Thứ hai là các mô hình dự báo.

Earth2Studio hiện tích hợp một danh sách dài các mô hình AI hàng đầu thế giới: FourCastNet 3 của NVIDIA, GraphCast của Google DeepMind, Pangu-Weather của Huawei, AIFS của Trung tâm Dự báo thời tiết hạn vừa châu Âu, Aurora của Microsoft, cùng nhóm mô hình Earth-2 mới. Người dùng có thể hoán đổi các mô hình này trong cùng một quy trình chỉ bằng vài dòng lệnh.

Thứ ba là các mô hình xử lý bổ trợ.

Trong đó quan trọng nhất với Việt Nam là nhóm mô hình "hạ quy mô" – tức là biến bản đồ dự báo thô thành bản đồ chi tiết hơn nhiều lần.

Thứ tư là nhóm mô hình đồng hóa dữ liệu.

Ggiúp đưa số liệu quan trắc thực tế vào trường dự báo ban đầu – công đoạn vốn tiêu tốn hàng giờ trên siêu máy tính, nay có thể rút xuống vài giây trên card đồ họa chuyên dụng.

Bước ngoặt đến vào tháng 01/2026, khi NVIDIA công bố mở toàn bộ họ mô hình Earth-2 tại hội nghị thường niên của Hội Khí tượng Hoa Kỳ, gồm mô hình dự báo hạn vừa tới 15 ngày với hơn 70 biến khí quyển, mô hình dự báo cực ngắn dựa trên dữ liệu vệ tinh và ra-đa, cùng mô hình đồng hóa dữ liệu toàn cầu. Định hướng được nêu rõ: giúp các quốc gia, doanh nghiệp và cơ quan nghiên cứu tự xây dựng năng lực dự báo trên hạ tầng của chính mình, thay vì phụ thuộc vào dịch vụ bên ngoài. Một số cơ quan khí tượng như Cơ quan Khí tượng Đài Loan hay Cơ quan Thời tiết Quốc gia Hoa Kỳ đã tham gia thử nghiệm.

Hai con số đáng chú ý về hiệu năng. Mô hình FourCastNet 3 có thể tạo một bản dự báo toàn cầu 60 ngày, độ phân giải 0,25 độ, bước thời gian 6 giờ, trong chưa đầy 4 phút trên một card đồ họa duy nhất – nhanh hơn từ 8 đến 60 lần so với các phương pháp cạnh tranh. Còn mô hình hạ quy mô CorrDiff, khi được huấn luyện cho khu vực Đài Loan, chạy nhanh hơn ít nhất 22 lần và tiêu tốn năng lượng ít hơn khoảng 1.300 lần so với mô hình số trị đã tạo ra dữ liệu huấn luyện cho nó – vốn phải chạy trên 928 lõi CPU.

Chính chênh lệch hai đến ba bậc độ lớn về chi phí này mới là điều đáng nói, chứ không phải bản thân độ chính xác.

Nếu áp dụng ở Việt Nam, được gì?

Đưa Earth2Studio vào công tác cảnh báo sớm không phải là cài phần mềm rồi bấm nút. Có thể hình dung một hệ thống hoàn chỉnh gồm bốn tầng, trong đó Earth2Studio đảm nhận hai tầng đầu.

Tầng thứ nhất – nhìn xa 3 đến 7 ngày.

Chạy đồng thời hai hoặc ba mô hình AI khác nhau, mỗi mô hình sinh 50 đến 100 phương án dự báo. Sản phẩm không phải một con số lượng mưa, mà là bản đồ xác suất: khả năng mưa tích lũy 24 giờ vượt các ngưỡng nguy hiểm tại từng khu vực. Với hiệu năng đã nêu, một tổ hợp 100 phương án cho hạn 10 ngày có thể hoàn thành trong vài chục phút trên một máy chủ trang bị 8 card đồ họa – khoản đầu tư trong tầm với của một viện nghiên cứu, chứ không cần siêu máy tính.

Giá trị của tầng này là "cảnh báo cấp chiến lược". Ba đến bảy ngày là khoảng thời gian đủ để rà soát các khu dân cư nguy cơ cao, chuẩn bị lực lượng và vật tư theo phương châm "bốn tại chỗ", hạ mực nước hồ chứa đón lũ, và quan trọng nhất là để chính quyền cơ sở chuyển sang trạng thái sẵn sàng thay vì bị động.

Tầng thứ hai – phóng to bản đồ về 1–2 km.

Đây là nơi mô hình hạ quy mô phát huy tác dụng. Kinh nghiệm từ Đài Loan cho thấy loại mô hình này học khá hiệu quả chỉ với khoảng ba năm dữ liệu độ phân giải cao – yêu cầu hoàn toàn khả thi với kho dữ liệu Việt Nam đang có. Kết quả là bản đồ mưa xác suất đủ chi tiết để phân biệt các tiểu lưu vực khác nhau trong cùng một xã, cập nhật theo chu kỳ một đến ba giờ thay vì hai lần mỗi ngày như hiện nay.

Tầng thứ ba – chuyển từ mưa sang nguy cơ.

Đây là phần Earth2Studio không làm được và Việt Nam bắt buộc phải tự phát triển. Nó gồm ba mảnh ghép: bản đồ nhạy cảm sạt lở tỷ lệ chi tiết cho từng sườn dốc; bộ ngưỡng mưa gây trượt lở phân theo vùng địa chất – địa mạo, có tính đến độ ẩm sẵn có của đất; và công đoạn chiếu tổ hợp dự báo mưa lên bộ ngưỡng đó để ra bản đồ xác suất tai biến. Không có tầng này, mọi dự báo mưa dù chính xác đến đâu cũng chỉ dừng ở mức thông tin khí tượng, chưa thành cảnh báo thiên tai.

Tầng thứ tư – ra quyết định và truyền tin.

Bản đồ xác suất được chuyển thành các cấp cảnh báo tương thích với cấp độ rủi ro thiên tai theo Quyết định 18/2021/QĐ-TTg, kèm theo các ngưỡng hành động thống nhất trước – nghĩa là ở mức xác suất nào thì tự động kích hoạt di dời, không cần chờ họp bàn. Kênh truyền tin gồm truyền thanh cơ sở, tin nhắn di động theo vùng và ứng dụng di động, kèm bản đồ trực quan tới cấp thôn bản.

Quay lại trường hợp Làng Nủ để hình dung cụ thể. Một hệ thống như vậy có dự báo được thảm họa đó không? Câu trả lời trung thực là: không dự báo được vị trí khối trượt. Cơ chế phá hoại ở độ sâu 45 m liên quan đến cấu trúc địa chất và điều kiện nước ngầm mà không mô hình khí tượng nào chạm tới được. Nhưng vì sự kiện xảy ra sau nhiều ngày mưa tích lũy rất lớn, một hệ thống có khả năng ước lượng xác suất vượt ngưỡng ở quy mô tiểu lưu vực hoàn toàn có thể phát tín hiệu "nguy cơ rất cao" cho khu vực đó trước hàng chục giờ. Đó không phải phép màu, nhưng là chênh lệch giữa một cảnh báo chung chung cho cả tỉnh và một cảnh báo đủ cụ thể để một chủ tịch xã dám ra quyết định đưa dân đi trong đêm.

Những gì công nghệ không làm được

Cần nói thẳng về giới hạn, bởi kỳ vọng quá mức vào AI cũng nguy hiểm không kém sự chậm trễ.

Mô hình AI có xu hướng "làm hiền" các giá trị cực đoan.

Cách huấn luyện phổ biến khiến mô hình học được giá trị trung bình rất tốt nhưng lại làm mịn những đỉnh mưa cực lớn – đúng vùng giá trị mà cảnh báo lũ quét quan tâm. Các kiến trúc mới đã cải thiện đáng kể điều này, nhưng bắt buộc phải kiểm tra riêng trên dữ liệu Việt Nam trước khi tin dùng.

Mô hình học từ quá khứ, còn thiên tai thì đang phá vỡ quy luật quá khứ.

Năm 2025, hàng chục kỷ lục về lượng mưa bị xô đổ, lũ vượt mức lịch sử trên 21 tuyến sông. Khi gặp những sự kiện chưa từng có trong dữ liệu huấn luyện, kỹ năng của mô hình AI có thể suy giảm. Đây là lý do vững chắc để duy trì song song hệ thống dự báo số trị truyền thống, chứ không thay thế.

Phần mềm không thay được trạm quan trắc.

Với các hiện tượng cực ngắn như dông lốc – ví dụ vụ dông lốc trên vịnh Hạ Long ngày 19/7/2025 làm 39 người chết và mất tích – năng lực của mọi mô hình, kể cả AI, đều rất hạn chế nếu không có mạng lưới ra-đa và trạm đo đủ dày. Đầu tư phần mềm mà bỏ quên phần cứng quan trắc là đầu tư lệch.

Cảnh báo sai nhiều lần sẽ tự vô hiệu hóa chính nó.

Tăng độ chi tiết và tần suất cảnh báo mà không kiểm soát tỷ lệ báo động sai sẽ dẫn tới tâm lý "mệt mỏi vì cảnh báo" trong cộng đồng. Đến lần thứ năm được yêu cầu rời nhà mà không có gì xảy ra, người dân sẽ ở lại. Vì vậy, ngưỡng hành động phải được cân nhắc trên cơ sở chi phí và tổn thất thực tế, và hiệu quả hệ thống phải được công bố định kỳ.

Vẫn cần con người ở khâu cuối.

Bản tin cảnh báo có hệ quả pháp lý và hành chính. Một hệ thống "hộp đen" không giải thích được vì sao đưa ra kết luận sẽ khó được chấp nhận trong quy trình nghiệp vụ. Nguyên tắc phù hợp là "dự báo viên được tăng cường bằng AI", không phải AI thay thế dự báo viên.

Và chi phí không bằng không.

Ngoài máy chủ, còn ba khoản bắt buộc: hạ tầng lưu trữ cho hàng chục đến hàng trăm terabyte dữ liệu; chi phí huấn luyện lại mô hình hạ quy mô riêng cho Việt Nam – chỉ phát sinh một lần nhưng đòi hỏi tài nguyên lớn; và nhân lực am hiểu cả khí tượng lẫn học máy. Khoản thứ ba mới là nút thắt khó gỡ nhất.

Đường đi nào cho Việt Nam

Từ thực tế trên, một lộ trình thận trọng nhưng khả thi có thể gồm ba bước.

Giai đoạn đầu, khoảng 12–18 tháng: thử nghiệm và kiểm chứng.

Cài đặt Earth2Studio trên hạ tầng trong nước, chạy "hồi báo" – tức là dùng dữ liệu quá khứ giả lập tình huống thời gian thực – trên ít nhất 30 sự kiện điển hình giai đoạn 2021–2026. Bắt buộc phải có đợt Yagi tháng 9/2024, đợt mưa lũ Trung Bộ tháng 10–11/2025 và các đợt lũ quét Tây Bắc mùa hè 2025. Song song, chuẩn hóa cơ sở dữ liệu kiểm kê sạt lở. Kết quả cần trả lời được một câu hỏi rất cụ thể: nếu có hệ thống này vào tháng 9/2024, cảnh báo cho Làng Nủ sẽ khác đi ra sao?

Giai đoạn hai, khoảng 18–36 tháng: bản địa hóa.

Huấn luyện mô hình hạ quy mô riêng cho địa hình và khí hậu Việt Nam; xây dựng bộ ngưỡng mưa gây trượt lở phân vùng; tích hợp mạng lưới trạm đo mưa tự động và ra-đa quốc gia vào quy trình.

Giai đoạn ba, khoảng 36–60 tháng: thí điểm nghiệp vụ.

Vận hành song song với hệ thống hiện hành tại ba đến năm tỉnh miền núi trọng điểm, xây dựng quy chế truyền tin và ngưỡng hành động, đánh giá độc lập trước khi mở rộng.

Lộ trình này khớp với mốc thời gian của Đề án 1262/QĐ-TTg, vốn đặt mục tiêu đến năm 2030 hoàn thiện hệ thống thông tin – cảnh báo sớm liên thông giữa các bộ, ngành, địa phương, có sự phối hợp hai chiều giữa cơ quan quản lý, cơ quan dự báo và người dân.

Bên cạnh đó là bốn việc mang tính nền tảng.

Một là cơ chế phối hợp. Bản tin dự báo do cơ quan khí tượng thủy văn ban hành, bản đồ nguy cơ do cơ quan địa chất xây dựng, quyết định sơ tán thuộc chính quyền cơ sở. Việc chuyển sang mô hình chính quyền địa phương hai cấp trong năm 2025 càng đòi hỏi làm rõ ai chịu trách nhiệm cho khâu chuyển từ dự báo mưa sang cảnh báo tai biến.

Hai là dữ liệu. Không có cơ sở dữ liệu sạt lở chuẩn hóa – tọa độ, thời điểm, khối lượng, thiệt hại – thì không thể huấn luyện, cũng không thể kiểm chứng bất kỳ mô hình nào. Đây là việc không hào nhoáng nhưng quyết định.

Ba là hạ tầng tính toán. Cần đưa yêu cầu về năng lực máy chủ chuyên dụng vào kế hoạch đầu tư hạ tầng số của ngành, đồng thời tận dụng hợp tác quốc tế và hợp tác công – tư để chia sẻ chi phí huấn luyện mô hình.

Bốn là con người. Cần chương trình đào tạo chuyên sâu để đội ngũ dự báo viên hiểu và làm chủ công cụ mới, thay vì chỉ sử dụng như một hộp đen.

Lời kết

Công nghệ không ngăn được sườn núi sạt xuống. Nó cũng không thay được việc quy hoạch lại dân cư ra khỏi vùng nguy hiểm, trồng lại rừng phòng hộ, hay siết chặt quản lý việc cắt xẻ sườn dốc để mở đường và xây dựng – những giải pháp căn cơ mà không phần mềm nào thay thế được.

Nhưng trong khoảng thời gian chờ các giải pháp căn cơ ấy phát huy tác dụng – vốn tính bằng thập kỷ – thì mỗi giờ cảnh báo sớm hơn đều có giá trị đo được bằng sinh mạng. Điều mà Earth2Studio và các mô hình dự báo bằng trí tuệ nhân tạo mang lại không phải khả năng nhìn thấy tương lai, mà là khả năng nhìn kỹ hơn, sớm hơn, và với chi phí mà một quốc gia đang phát triển có thể chi trả.

Sau những gì đã xảy ra ở Làng Nủ, ở miền Trung cuối năm 2025, và ở hàng nghìn sườn núi khác trên cả nước, đó là một khả năng đáng để thử nghiệm nghiêm túc.

TÀI LIỆU THAM KHẢO

Văn bản pháp luật và chỉ đạo điều hành

1. Quốc hội. (2013). Luật Phòng, chống thiên tai số 33/2013/QH13 (được sửa đổi, bổ sung năm 2020).

2. Thủ tướng Chính phủ. (2021). Quyết định số 379/QĐ-TTg ngày 17/3/2021 phê duyệt Chiến lược quốc gia phòng, chống thiên tai đến năm 2030, tầm nhìn đến năm 2050.

3. Thủ tướng Chính phủ. (2021). Quyết định số 18/2021/QĐ-TTg ngày 22/4/2021 quy định về dự báo, cảnh báo, truyền tin thiên tai và cấp độ rủi ro thiên tai.

4. Thủ tướng Chính phủ. (2023). Quyết định số 1262/QĐ-TTg ngày 27/10/2023 phê duyệt Đề án Cảnh báo sớm sạt lở đất, lũ quét khu vực miền núi, trung du Việt Nam.

5. Thủ tướng Chính phủ. (2025). Công điện số 189/CĐ-TTg ngày 07/10/2025 về việc tập trung phòng, chống lũ, lụt, lũ ống, lũ quét, sạt lở đất ở Bắc Bộ.

Báo cáo, tin bài về thiên tai

6. Báo Nhân Dân. (2025, ngày 24 tháng 12). Một năm chống chọi mưa, lũ lịch sử. https://nhandan.vn

7. Cổng Thông tin điện tử Chính phủ – Xây dựng chính sách. (2026, ngày 02 tháng 4). Năm 2026: Thiên tai tiếp tục phức tạp, nguy cơ xuất hiện bão rất mạnh, siêu bão, khó dự báo. https://xaydungchinhsach.chinhphu.vn

8. Cục Đường bộ Việt Nam. (2026, ngày 21 tháng 01). Thiên tai cực đoan năm 2025: Thách thức chưa từng có đối với kết cấu hạ tầng đường bộ. https://drvn.gov.vn

9. VietnamNet. (2025, ngày 25 tháng 11). Bão lũ bất thường khiến 409 người chết và mất tích, thiệt hại hơn 85.000 tỷ đồng. https://vietnamnet.vn

10. VnExpress. (2026, ngày 13 tháng 01). Năm 2026 có thể ít bão nhưng thiên tai khó dự báo hơn. https://vnexpress.net

11. VOV. (2026, ngày 17 tháng 7). Thiên tai 6 tháng đầu năm 2026 khiến 30 người chết, thiệt hại hơn 570 tỷ đồng. https://vov.vn

12. Báo Dân trí. (2025, ngày 30 tháng 9). Cảnh báo rủi ro thiên tai cấp cao nhất do lũ quét, sạt lở đất tại 4 tỉnh. https://dantri.com.vn

Tài liệu về Earth2Studio và các mô hình dự báo bằng trí tuệ nhân tạo

13. NVIDIA. (2026). Earth2Studio documentation. https://nvidia.github.io/earth2studio/

14. NVIDIA. (2026, ngày 26 tháng 01). NVIDIA Earth-2 open models span the whole weather stack. https://huggingface.co/blog/nvidia/earth-2-open-models

15. Bonev, B., Kurth, T., Mahesh, A., Bisson, M., Kossaifi, J., Kashinath, K., Anandkumar, A., Collins, W. D., Pritchard, M. S., & Keller, A. (2025). FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale (arXiv:2507.12144). arXiv.

16. Mardani, M., Brenowitz, N., Cohen, Y., Pathak, J., Chen, C.-Y., Liu, C.-C., Vahdat, A., Nabian, M. A., Ge, T., Subramaniam, A., Kashinath, K., Kautz, J., & Pritchard, M. (2025). Residual corrective diffusion modeling for km-scale atmospheric downscaling. Communications Earth & Environment, 6, 124.

Nghiên cứu khoa học về trượt lở đất tại Việt Nam

17. Tien, P. V., Minh, V. C., Duc, D. M., Hung, T. Q., Trinh, P. T., Nhat, L. M., Loi, D. H., Nguyen, D. H., & Dang, K. (2025). Rainfall-induced catastrophic rapid and long-traveling landslide in Lang Nu hamlet: The worst natural landslide disaster in Vietnam. Landslides, 22, 1761–1767.