Dự báo lũ lụt chính xác và kịp thời là chìa khóa để giảm thiểu thiệt hại do lũ quét gây ra. Dự án hợp tác giữa Cơ quan Quản lý Thảm họa Tiểu bang Himachal Pradesh (SDMAHP) và Ngân hàng Thế giới tại lưu vực thượng nguồn sông Ravi, trong khuôn khổ chương trình TechEmerge, tập trung vào việc nâng cao khả năng dự báo này, nhằm bảo vệ tính mạng và tài sản của cộng đồng.
Cụ thể, SDMAHP đã ứng dụng mô hình thủy động lực học 2D/1D 3Di để dự báo lượng mưa, từ đó tính toán lưu lượng dòng chảy và vùng ngập lụt tiềm ẩn. Công cụ này giúp cải thiện đáng kể độ chính xác của các cảnh báo lũ, hỗ trợ các cơ quan chức năng trong việc triển khai các biện pháp ứng phó kịp thời.
Thách thức trong việc dự báo lũ lụt
Để có thể dự báo lũ lụt trong lưu vực, mô hình cần có những khả năng sau:
- Có thể dự đoán phạm vi không gian và độ sâu của lũ
- Phải có thể đưa ra kết quả đủ nhanh để chính quyền địa phương có thời gian chuẩn bị trước lũ lụt
- Đảm bảo yếu tố chính xác về mực nước, độ sâu và thời điểm mực nước đạt đỉnh.
Giải pháp của chúng tôi
Thiết lập mô hình
Mô hình bao gồm toàn bộ lưu vực sông Ravi ở thượng nguồn đập Chamera I. Đây là mô hình phân tán dùng để tính toán dòng chảy hai chiều trên bề mặt. Các quá trình thủy văn quan trọng nhất mà mô hình có thể đưa ra được là lượng mưa, tuyết tan, thấm, đọng nước, dòng chảy và dòng chảy bề mặt.
Tất cả các quá trình này được tính toán bằng mô hình dòng chảy hai chiều (2D). Mưa rơi trực tiếp vào các ô 2D và lượng mưa có thể không đổi hoặc theo thời gian và không gian. Các khu vực phủ tuyết bị loại khỏi mô hình bề mặt 2D và tuyết tan được sơ đồ hóa thành lưu lượng xả ngang tại 53 vị trí.
Sự khan hiếm dữ liệu
Các nỗ lực mô hình hóa bị ảnh hưởng rất nhiều bởi thực trạng thiếu dữ liệu chẳng hạn như độ phân giải thời gian của dữ liệu lượng mưa và chất lượng cũng như độ phân giải không gian của dữ liệu độ cao, khiến cho việc hiệu chuẩn mô hình trở nên khó khăn hơn.
Độ phân giải thời gian của dữ liệu lượng mưa
Độ phân giải thời gian của lượng mưa đầu vào trong lịch sử dữ liệu được tổng hợp theo ngày. Điều này hạn chế khả năng xác thực của mô hình vì độ phân giải cao cần được tổng hợp theo giờ. Dữ liệu lượng mưa dự báo có độ phân giải thời gian là một giờ và có thể được sử dụng để xác minh mô hình. Trong giai đoạn gió mùa tiếp theo, việc kiểm định mô hình sẽ được diễn ra để tìm thêm các phương hướng cải thiện. Đây là một phần quan trọng của quá trình dự báo lũ lụt.
Chất lượng và độ phân giải không gian của dữ liệu độ cao
Chất lượng đầu ra của mô hình phụ thuộc rất nhiều vào độ phân giải và độ chính xác của mô hình số độ cao (DEM). Đặc biệt 3Di có thể sử dụng dữ liệu có độ phân giải cao cho các lưu vực lớn, nhờ vào kỹ thuật lưới phụ (subgrid).
Nhiều mô hình độ cao từ các nhà cung cấp khác nhau đã được đưa vào mô hình. Chất lượng tốt nhất được tìm thấy với MERIT HydroDEM (đã điều chỉnh thủy văn), mặc dù nó là dòng chảy (+độ phân giải ngang 90m) và cũng dẫn đến ước tính quá cao độ sâu của nước trong Sông Ravi tại nhiều địa điểm khác nhau. Một kết luận công bằng là, ở những khu vực mô hình miền núi cực kỳ dốc này, dữ liệu độ cao có độ phân giải cao là cực kỳ quan trọng.
Tham quan thực tế
Các dữ liệu thu thập khi quan sát của các địa điểm đập không đi kèm với dữ liệu về kiểm soát hoạt động của đập, do vậy sự quan sát của chúng tôi chỉ mang tính tương đối chủ quan. May mắn thay, chúng tôi đã có thể đi đến lưu vực và điều tra các đập trong chuyến thăm thực địa. Sau đó, các đập đã được triển khai với thiết kế và kiểm soát hoạt động chính xác.
Trong lần công tác này, chúng tôi cũng đã đào tạo Cơ quan quản lý thảm họa của tiểu bang Himachal Pradesh, Cơ quan quản lý thảm họa của quận Chamba và các đối tác khác về hệ thống cảnh báo sớm lũ lụt của sông Ravi.
Hiệu suất mô hình
Điểm nổi trội nhất của mô hình tại thời điểm hiện tại, bao gồm các quá trình thủy văn liên quan, là tốc độ. Mô hình hiện tại đủ nhanh để có đủ thời gian chuẩn bị trước lũ lụt (chúng tôi chỉ mất 18 phút để tính toán cho một dự đoán cho 12 giờ tiếp theo). Về độ chính xác trong phạm vi không gian và độ sâu, mô hình thực hiện đủ, nhưng vẫn còn chỗ để cải thiện. Mô hình sẽ hoạt động tốt nhất khi có thể sử dụng DEM với độ phân giải xyz cao hơn.
Kết quả
Nhìn chung, đây là một cơ sở vững chắc để SDMAHP hướng tới một dịch vụ toàn diện cảnh báo sớm về lũ lụt. Mô hình sông Ravi có sẵn trong một dịch vụ thông tin lũ lụt hiện đại có thể truy cập thông qua Internet. Không cần máy tính xách tay và máy chủ nặng để chạy mô hình và mô phỏng lũ lụt, giúp dịch vụ này rất dễ tiếp cận đối với SDMAHP.
Ngoài ra, còn có những điểm cụ thể cần cải thiện. Những cải tiến cần thực hiện khá dễ tiếp cận về mặt công nghệ có sẵn trên thị trường để tăng chất lượng DEM và tăng độ phân giải không gian và thời gian của các quan sát lượng mưa.