Mô hình swat: Khái niệm, nguyên lý và ứng dụng

Giới thiệu về mô hình SWAT

Soil and Water Assessment Tool (SWAT) là mô hình thủy văn bán phân bố được phát triển bởi Agricultural Research Service (ARS) thuộc Bộ Nông nghiệp Hoa Kỳ (USDA) từ đầu những năm 1990. SWAT mô phỏng quá trình thu nước mưa, dòng chảy bề mặt, thấm vào tầng đất và vận chuyển trầm tích, dinh dưỡng trên quy mô lưu vực. Mục tiêu chính của SWAT là đánh giá tác động lâu dài của quản lý đất đai và nước đối với chất lượng và lượng nước tại lưu vực sông lớn (USDA SWAT Model Overview).

Mô hình được thiết kế để phân tích kịch bản quản lý nông nghiệp, lâm nghiệp và đô thị, bao gồm các hoạt động như canh tác, sử dụng phân bón, chăn nuôi và xây dựng cơ sở hạ tầng. SWAT cho phép xem xét tác động của biến đổi khí hậu, thay đổi sử dụng đất và các biện pháp bảo tồn đất, nước đến dòng chảy bề mặt, dòng ngầm, cũng như nồng độ nitrat và phosphate trong suối, sông. Độ tin cậy của mô hình đã được chứng minh qua nhiều nghiên cứu đánh giá thực nghiệm tại các lưu vực đa dạng về khí hậu và địa hình.

Cộng đồng người dùng SWAT bao gồm các nhà khoa học, kỹ sư môi trường và nhà quản lý nguồn nước trên toàn thế giới. Giao diện tích hợp GIS (ArcSWAT, QGIS–SWAT) giúp thu thập, xử lý và trực quan hóa dữ liệu không gian để phân vùng lưu vực. Tài liệu lý thuyết và hướng dẫn sử dụng chi tiết có sẵn trong bản “SWAT Theoretical Documentation” của Texas A&M University (Neitsch et al., 2011), hỗ trợ người dùng trong việc xây dựng và hiệu chỉnh mô hình.

Cấu trúc và thành phần chính của SWAT

SWAT chia lưu vực nghiên cứu thành nhiều tiểu lưu vực (subbasins) dựa vào đường chia nước từ mô hình địa hình số (DEM). Mỗi tiểu lưu vực lại được chia tiếp thành các vùng sử dụng đất – đất đai (Hydrologic Response Units, HRUs) theo các lớp sử dụng đất, loại đất và độ dốc. Phân chia HRU cho phép mô hình tập trung tính toán chi tiết quy trình thủy văn ở những khu vực có đặc tính địa lý và quản lý khác nhau.

Các module chính của SWAT bao gồm:

• Thủy văn bề mặt: mô phỏng sự hình thành dòng chảy bề mặt thông qua phương pháp SCS Curve Number.
• Thẩm thấu và dòng ngầm: tính toán dòng chảy dưới mặt đất và sự chuyển từ tầng đất bão hòa xuống dòng chảy kênh.
• Dòng chảy kênh và trầm tích: sử dụng phương trình Muskingum routing để mô tả vận chuyển trầm tích và nước trong hệ thống kênh.
• Chất dinh dưỡng và hóa chất: mô phỏng quá trình rửa trôi nitrat, phosphate, và vận chuyển hóa chất nông nghiệp.

Việc tích hợp GIS giúp xác định thuộc tính địa lý cho từng subbasin và HRU, bao gồm độ cao, độ dốc, lớp sử dụng đất, loại đất và tuyến đường dòng chảy. Giao diện ArcSWAT (ArcGIS) hoặc QGIS–SWAT (QGIS) cung cấp công cụ trực quan để thiết lập mô hình, phân tích kết quả và xuất bản bản đồ chuyên đề.

Nguyên tắc toán học và cân bằng nước

SWAT dựa trên phương trình cân bằng nước để mô phỏng các thành phần dòng chảy và lưu trữ nước trong lưu vực. Phương trình tổng quát cho mỗi HRU được viết dưới dạng:

$\Delta S = P - Q_{surf} - ET - Q_{lat} - Q_{gw}$

• $\Delta S$: biến đổi dự trữ nước trong tầng đất
• $P$: lượng mưa
• $Q_{surf}$: dòng chảy bề mặt
• $ET$: bốc hơi xuyên lá và bốc hơi thực
• $Q_{lat}$, $Q_{gw}$: dòng chảy bên và dòng ngầm

Ngoài cân bằng khối lượng nước, SWAT còn áp dụng các phương trình động lực để tính toán vận chuyển trầm tích (Universal Soil Loss Equation – USLE) và sự hấp thụ, chuyển hóa dinh dưỡng trong đất. Các thông số như hệ số rửa trôi, hằng số phân hủy hữu cơ, hệ số dòng ngầm được hiệu chỉnh dựa trên điều kiện thực nghiệm của từng lưu vực.

Quá trình tính toán diễn ra theo bước thời gian ngày hoặc giờ để phản ánh biến động thủy văn ngắn hạn, sau đó tổng hợp kết quả hàng tháng hoặc hàng năm phục vụ phân tích lâu dài. Điều này giúp SWAT linh hoạt trong việc đánh giá cả hiện tượng ngắn hạn (lũ lụt) và xu hướng dài hạn (khô hạn, tích tụ dinh dưỡng).

Dữ liệu đầu vào và đầu ra

Dữ liệu đầu vào bắt buộc cho SWAT bao gồm:

• Digital Elevation Model (DEM): xác định địa hình và đường chia nước.
• Bản đồ sử dụng đất (land use) và bản đồ đất đai (soil): phân vùng HRU.
• Dữ liệu khí hậu: lượng mưa, nhiệt độ tối đa – tối thiểu, bức xạ, độ ẩm, tốc độ gió.
• Thông số quản lý đất đai: quy trình canh tác, lịch trình bón phân, bán ngập.

SWAT xuất ra dạng time-series cho từng tiểu lưu vực và hệ thống kênh, bao gồm:

Biến	Đơn vị	Mô tả
Dòng chảy (Flow)	mm/day hoặc m³/s	Lượng nước chảy tại điểm quan trắc
Trầm tích (Sed)	t/ha	Sản lượng xói mòn trên HRU
Nitrat (NO₃)	kg/ha	Khối lượng nitrat rửa trôi
Phosphate (PO₄)	kg/ha	Phản ánh quá trình rửa trôi và lắng đọng

Người dùng có thể xuất kết quả theo cấp độ HRU, tiểu lưu vực hoặc toàn lưu vực, sau đó phân tích trong GIS hoặc phần mềm thống kê để đánh giá hiệu quả quản lý và thiết kế biện pháp bảo tồn.

Hiệu chỉnh và xác nhận mô hình

Hiệu chỉnh (calibration) SWAT là quá trình điều chỉnh các thông số mô hình để kết quả đầu ra khớp với dữ liệu quan trắc thực tế, thường thực hiện trên dòng chảy và nồng độ chất dinh dưỡng. Các thông số quan trọng bao gồm hệ số phân số Curve Number (CN), tốc độ thấm, hệ số truyền dẫn kênh và hằng số phân hủy hữu cơ. Công cụ SWAT-CUP (SWAT Calibration and Uncertainty Programs) hỗ trợ hiệu chỉnh tự động và phân tích độ nhạy bằng phương pháp SUFI-2, GLUE hoặc ParaSol (SWAT-CUP).

Quy trình mô hình chia làm hai giai đoạn: hiệu chỉnh và xác nhận. Trong giai đoạn hiệu chỉnh, dữ liệu quan trắc (thường 5–10 năm) được dùng để điều chỉnh tham số sao cho các chỉ số hiệu suất như Nash–Sutcliffe efficiency (NSE > 0.5), percent bias (PBIAS ± 25%) và hệ số xác định R² (>0.6) đạt ngưỡng chấp nhận. Giai đoạn xác nhận sử dụng tập dữ liệu độc lập để kiểm tra khả năng dự báo của mô hình và tránh quá khớp.

Việc đánh giá độ tin cậy còn dựa trên phân tích xác suất bất định (uncertainty analysis) để xác định khoảng tin cậy của kết quả. Các báo cáo hiệu chỉnh thường trình bày cả đồ thị quan trắc – mô phỏng và thống kê đánh giá, giúp người quản lý hiểu rõ phạm vi tin cậy và giới hạn sử dụng của mô hình trong các kịch bản quản lý và chính sách.

Ứng dụng trong quản lý lưu vực

SWAT được sử dụng rộng rãi để đánh giá tác động của thay đổi sử dụng đất, biến đổi khí hậu và biện pháp bảo tồn đất – nước (BMPs). Ví dụ, mô phỏng kết quả bón phân theo các kịch bản khác nhau cho phép xác định mức độ rửa trôi nitrat, từ đó đề xuất lịch bón phù hợp nhằm giảm ô nhiễm nguồn nước (Arnold et al., 2012).

Trong quản lý lũ lụt và hạn hán, SWAT giúp dự báo dòng chảy cực đại và cực tiểu hàng năm. Kịch bản biến đổi khí hậu sử dụng dữ liệu đầu ra từ GCM (General Circulation Models) để mô phỏng thay đổi mưa và nhiệt độ tương lai. Kết quả hỗ trợ xây dựng kế hoạch dự trữ nước, điều tiết hồ chứa và giải pháp ứng phó khẩn cấp.

• Đánh giá hiệu quả thủy lợi và điều tiết hồ chứa.
• Thiết kế hệ thống thực bì (buffer strips) và hồ lắng (sediment ponds).
• Quản lý đồng cỏ và rừng phòng hộ nhằm giảm xói mòn.
• Kế hoạch bảo tồn đa mục tiêu: nước, trầm tích, dinh dưỡng và kinh tế.

Các biến thể và tích hợp GIS

SWAT-CUP không chỉ hỗ trợ hiệu chỉnh mà còn phân tích độ nhạy tham số, giúp xác định các tham số đóng vai trò quyết định. Ngoài ra, giao diện ArcSWAT cho ArcGIS và QSWAT cho QGIS cho phép tích hợp dữ liệu GIS trực quan, giảm thời gian xử lý dữ liệu đầu vào và tạo bản đồ kết quả.

Phiên bản SWAT+ mới cải tiến cấu trúc mô hình, hỗ trợ linh hoạt hơn trong việc mô phỏng dòng chảy ngầm phức tạp và các quá trình tương tác giữa cạn và nước. Việc tích hợp với các plugin như Global Sensitivity Analysis (GSA) và SWAT-GUI cung cấp môi trường tương tác để thiết lập kịch bản và xem kết quả ngay lập tức.

Công cụ	Chức năng	Giao diện
SWAT-CUP	Calibration & Uncertainty	Standalone GUI
ArcSWAT	Thiết lập & GIS	ArcGIS
QSWAT	Thiết lập & GIS	QGIS
SWAT+	Mô hình nâng cao	Text-based & GIS

Ưu điểm và hạn chế

Ưu điểm của SWAT bao gồm khả năng mô phỏng dài hạn với dữ liệu lịch sử, linh hoạt trong phân chia tiểu lưu vực và HRU, cùng cộng đồng người dùng rộng khắp. Mô hình xử lý đa quy mô, từ hạ lưu vực nhỏ đến toàn lưu vực lớn, cho phép phân tích kịch bản quản lý và biến đổi khí hậu rõ ràng.

Hạn chế chính là yêu cầu dữ liệu đầu vào chất lượng cao và đầy đủ (DEM, bản đồ đất, sử dụng đất và khí hậu). Quá trình hiệu chỉnh tốn thời gian và có thể dẫn đến kết quả không ổn định nếu dữ liệu quan trắc ngắn hoặc không đồng nhất. Giả định đồng nhất trong mỗi HRU cũng có thể làm giảm độ chính xác khi lưu vực có độ heterogeneity cao.

• Ưu điểm: mô phỏng đa kịch bản, tích hợp GIS, cộng đồng hỗ trợ mạnh.
• Hạn chế: dữ liệu đầu vào đòi hỏi cao, hiệu chỉnh phức tạp, giả định HRU đồng nhất.
• Thách thức: mô phỏng dòng ngầm phức tạp và phản ứng nhanh với biến động thời tiết cấp tính.

Hướng phát triển tương lai

Tích hợp dữ liệu thời gian thực từ mạng lưới IoT (Internet of Things) và cảm biến hiện trường giúp SWAT cập nhật liên tục đầu vào khí hậu và dòng chảy, nâng cao khả năng dự báo ngắn hạn. Công nghệ đám mây (cloud computing) cho phép chạy mô hình song song trên các lưu vực lớn với thời gian nhanh hơn.

Ứng dụng machine learning và các thuật toán tối ưu hóa metaheuristic (ví dụ Genetic Algorithm, Particle Swarm Optimization) trong hiệu chỉnh và dự báo phi tuyến giúp giảm thiểu sai số và rút ngắn thời gian hiệu chỉnh. Việc kết hợp SWAT với mô hình kinh tế–môi trường (Integrated Assessment Models) mở ra khả năng đánh giá chi phí – lợi ích của các biện pháp quản lý.

• Real-time SWAT: tự động cập nhật dữ liệu và khởi chạy mô hình.
• SWAT on Cloud: xử lý song song, lưu trữ kết quả lớn.
• AI-driven Calibration: tự động hiệu chỉnh qua học sâu.
• Coupling with IAMs: đánh giá kinh tế – môi trường đa mục tiêu.

Tài liệu tham khảo

• Arnold, J.G., et al. “SWAT: Model use, calibration, and validation.” Transactions of the ASABE, vol. 55, no. 4, 2012, pp. 1491–1508.
• Neitsch, S.L., et al. Soil and Water Assessment Tool Theoretical Documentation. Texas A&M University, 2011.
• USDA Agricultural Research Service. “SWAT Model Overview.” ARS, https://www.ars.usda.gov/swat/.
• Abbaspour, K. “SWAT-CUP: SWAT Calibration and Uncertainty Programs – A User Manual.” Eawag, 2015, https://swat.tamu.edu/software/swat-cup/.
• Gassman, P.W., et al. “The SWAT Hydrologic Model: Current Status and Research Challenges.” JAWRA Journal of the American Water Resources Association, vol. 50, no. 4, 2014, pp. 895–910.