Từ điển học thuật Kỹ thuật và công nghệ

Mô hình thủy văn là gì? Phân loại và ứng dụng dự báo lũ

Tiếng Anhhydrological model

Tên gọi kháchydrological modelmô hình hóa thủy vănmô hình lưu vực sônghydrologic simulation model

Mô hình thủy văn là sự đơn giản hóa mang tính toán học của hệ thống chu trình nước tự nhiên trong lưu vực sông, mô phỏng các quá trình mưa, bốc thoát hơi nước, thấm và dòng chảy mặt nhằm dự báo lưu lượng dòng chảy và quản lý tài nguyên nước.

364 lượt xem Cập nhật 4/9/2026

Mô hình thủy văn (hydrological model) là sự đơn giản hóa mang tính toán học của hệ thống chu trình nước tự nhiên trong lưu vực sông, mô phỏng các quá trình mưa, bốc thoát hơi nước, thấm và dòng chảy mặt nhằm dự báo lưu lượng dòng chảy và quản lý tài nguyên nước.

Định nghĩa mô hình thủy văn

Mô hình thủy văn (hydrological model) là biểu diễn toán học và số học của quá trình vòng tuần hoàn nước trong một lưu vực, bao gồm mưa, thấm vào đất, dòng chảy bề mặt, dòng chảy ngầm và bay hơi. Mô hình giúp mô phỏng biến đổi lưu lượng, độ ẩm đất, và cân bằng năng lượng-mass trong hệ thống thủy văn.

Mục tiêu chính của mô hình thủy văn là dự báo lưu lượng tại các điểm hạ lưu, phân tích cân bằng nước, đánh giá rủi ro lũ lụt, và khảo sát tác động của biến đổi khí hậu hoặc thay đổi sử dụng đất. Kết quả mô phỏng được sử dụng trong quản lý tài nguyên nước, thiết kế công trình thủy lợi, và hoạch định chính sách.

Các quá trình cơ bản trong mô hình bao gồm:

  • Thu nhận mưa: dữ liệu lượng mưa tại lưới hoặc trạm quan trắc.
  • Thấm và lưu trữ đất: lượng nước thấm sâu vào tầng đất, lưu giữ trong vùng thất thoát.
  • Dòng chảy bề mặt: chảy tràn trên mặt đất khi lượng mưa vượt quá khả năng hấp thụ.
  • Dòng chảy ngầm: dòng nước di chuyển trong tầng chứa nước dưới bề mặt.
  • Bay hơi và thoát hơi nước thực vật: mất mát nước qua bề mặt và cây trồng.

Phân loại mô hình thủy văn

Mô hình thủy văn thường được chia theo cấu trúc toán học và mức độ chi tiết quá trình mô phỏng:

  • Physically-based models: dựa trên các phương trình bảo toàn vật chất và năng lượng (ví dụ SWAT, MIKE SHE), mô tả chi tiết từng quá trình thủy văn ở cấp độ chi tiết cao.
  • Conceptual models: sử dụng các ngăn chứa (reservoirs) ảo để mô phỏng lưu lượng bề mặt và ngầm (ví dụ HBV, GR4J), cân bằng giữa độ phức tạp và tính khả thi.
  • Data-driven models: xây dựng mô hình hồi quy hoặc mạng nơ-ron nhân tạo, tận dụng dữ liệu lớn để dự báo mà không cần mô tả vật lý chi tiết.

Các mô hình có thể hoạt động ở đa quy mô không gian:

Loại mô hìnhCấp độƯu điểmHạn chế
Physically-based Chi tiết, lưu vực nhỏ–vừa Chính xác, có cơ sở vật lý Yêu cầu nhiều dữ liệu, tính toán phức tạp
Conceptual Lưu vực vừa–lớn Dễ hiệu chỉnh, nhanh Giản lược một số quá trình
Data-driven Đa quy mô Hiệu quả khi có nhiều dữ liệu Thiếu cơ sở vật lý, khó giải thích

Các thành phần chính của mô hình

Cấu trúc cơ bản một mô hình thủy văn bao gồm ba nhóm thành phần:

  • Input: dữ liệu quan trắc và dữ liệu không gian như mưa, nhiệt độ, độ ẩm đất, địa hình (DEM), sử dụng đất và loại đất.
  • Process: mô phỏng các bước chuyển đổi đầu vào thành lưu lượng, bao gồm tính toán thấm, bốc hơi, dòng chảy bề mặt và dòng chảy ngầm. Các tham số như hệ số truyền thấm, hệ số bốc hơi tiềm năng, và cường độ dòng chảy là đầu vào quan trọng.
  • Output: kết quả mô phỏng bao gồm lưu lượng dòng chảy tại các cống hoặc sông, đỉnh lưu lượng, thời gian xuất hiện đỉnh, và biến động độ ẩm đất.

Ví dụ luồng dữ liệu trong mô hình:

  1. Dữ liệu mưa → phân phối theo lưới hoặc tiểu lưu vực.
  2. Thấm và bốc hơi tính trên từng ô lưới hoặc ngăn chứa.
  3. Dòng chảy bề mặt tính toán theo phương pháp SCS Curve Number hoặc kinematic wave.
  4. Dòng chảy ngầm cập nhật dựa trên phương trình Darcy.
  5. Tổng hợp và xuất ra lưu lượng ở cửa lưu vực.

Quy trình xây dựng mô hình

Quy trình chung gồm các bước sau:

  1. Thu thập dữ liệu: thu thập số liệu mưa, dòng chảy, nhiệt độ và dữ liệu địa lý (DEM, bản đồ sử dụng đất, loại đất).
  2. Tiền xử lý: kiểm tra tính liên tục và độ tin cậy của dữ liệu, hiệu chỉnh sai số quan trắc, nội suy không gian cho lưới hoặc vùng phân chia.
  3. Lựa chọn mô hình: chọn loại mô hình phù hợp với mục tiêu nghiên cứu và điều kiện dữ liệu (physical, conceptual, hay data-driven).
  4. Thiết lập tham số ban đầu: gán giá trị sơ bộ cho các tham số quan trọng như hệ số thấm, hệ số bốc hơi, độ trễ dòng chảy.
  5. Hiệu chỉnh (calibration): tối ưu tham số dựa trên dữ liệu quan trắc sử dụng chỉ số Nash–Sutcliffe Efficiency (NSE), RMSE, hoặc KGE.
  6. Kiểm định (validation): đánh giá khả năng dự báo của mô hình trên tập dữ liệu độc lập, đảm bảo mô hình không overfitting.
  7. Ứng dụng và nâng cấp: triển khai mô hình cho dự báo, phân tích kịch bản biến đổi khí hậu; cập nhật mô hình khi có thêm dữ liệu hoặc cải tiến phương pháp.

Bước hiệu chỉnh và kiểm định đảm bảo mô hình có tính ổn định và khả năng ứng dụng thực tiễn, đồng thời chỉ ra những giới hạn về dữ liệu hoặc phương pháp cần cải thiện sau này.

Nền tảng toán học và công thức cơ bản

Mô hình thủy văn dựa trên các nguyên lý vật lý cơ bản và các phương trình bảo toàn khối lượng, động lượng và năng lượng. Phương trình cân bằng nước tổng quát được biểu diễn như sau:

P=Q+ET+ΔS P = Q + ET + \Delta S

Trong đó, P là lượng mưa (mm), Q là dòng chảy (mm), ET là bốc hơi thực và thoát hơi nước thực vật (mm), ΔS là thay đổi lưu trữ nước trong đất (mm). Mô hình chi tiết hơn có thể tách Q thành dòng chảy bề mặt và dòng chảy ngầm, mỗi thành phần được mô tả bởi các phương trình phụ riêng.

Các phương trình dòng chảy bề mặt thường sử dụng dạng Sóng Kinematic (Kinematic Wave):

∂h∂t+c∂h∂x=i−f \frac{\partial h}{\partial t} + c \frac{\partial h}{\partial x} = i - f

với h là độ sâu nước chảy, c vận tốc sóng, i cường độ mưa, f lưu lượng thấm. Dòng chảy ngầm được mô tả bởi phương trình Darcy:

Qg=−KAΔHL Q_g = -K A \frac{\Delta H}{L}

với K là hệ số thấm, A diện tích mặt cắt ngang, ΔH chênh lệch áp suất nước, L chiều dài đường đi.

Hiệu chỉnh và kiểm định mô hình

Hiệu chỉnh (calibration) là quá trình tối ưu các tham số mô hình để đầu ra mô phỏng khớp nhất với dữ liệu quan trắc. Thông thường sử dụng các chỉ số sau:

  • Nash–Sutcliffe Efficiency (NSE): đánh giá độ phù hợp giữa quan trắc và mô phỏng.
  • Root Mean Square Error (RMSE): đo sai số trung bình căn bậc hai.
  • Percent Bias (PBIAS): xác định xu hướng đánh giá quá cao hoặc quá thấp.

Quy trình hiệu chỉnh thường gồm tối ưu tham số tự động (ví dụ thuật toán SCE-UA) hoặc thủ công qua lặp thử nhiều kịch bản. Sau hiệu chỉnh, mô hình được kiểm định (validation) trên tập dữ liệu độc lập để đánh giá khả năng dự báo thực tế.

Chỉ sốPhạm vi tốtÝ nghĩa
NSE0.65 – 1.00Chất lượng mô phỏng tốt
RMSEThấpSai số nhỏ
PBIAS|PBIAS| < 25%Độ thiên lệch chấp nhận được

Tham khảo: Science of The Total Environment – Calibration of Hydrological Models

Ứng dụng thực tiễn

Mô hình thủy văn được ứng dụng rộng rãi trong quản lý lũ lụt, cân bằng nước hồ chứa, quy hoạch cấp thoát nước đô thị, và đánh giá tác động của biến đổi khí hậu. Ví dụ:

  • Dự báo lũ lụt: mô phỏng kịch bản mưa lớn giúp xác định vùng ngập và cấp độ cảnh báo.
  • Quản lý hồ chứa: tối ưu quy trình xả tràn để vừa chống lũ vừa đảm bảo tích nước phục vụ mùa khô.
  • Quy hoạch nông nghiệp: tính toán nhu cầu nước tưới và quản lý hạn hán.

Các cơ quan như USGS và FAO thường sử dụng mô hình SWAT để đánh giá dòng chảy và vận chuyển trầm tích trên quy mô lưu vực .

Hạn chế và bất định

Chất lượng kết quả mô hình phụ thuộc vào độ chính xác và độ phủ của dữ liệu đầu vào. Thiếu quan trắc mưa, dòng chảy hoặc dữ liệu địa hình chi tiết có thể dẫn đến sai số lớn. Không gian hóa dữ liệu không phù hợp cũng làm giảm độ tin cậy của mô phỏng.

Việc đơn giản hóa quá trình vật lý (ví dụ gộp các cơ chế phức tạp vào các tham số khái niệm) có thể làm mất các biến động nhỏ quan trọng. Bất định về tham số, cấu trúc mô hình và sai số quan trắc là ba nguồn chính ảnh hưởng đến độ tin cậy của dự báo.

Tham khảo: Hydrological Sciences Journal – Uncertainty in Hydrological Modelling

Xu hướng phát triển

Sự bùng nổ dữ liệu lớn (big data) và kỹ thuật học máy (machine learning) đã mở ra hướng kết hợp vật lý – dữ liệu để cải thiện hiệu suất mô hình. Các mô hình hybrid tích hợp mạng nơ-ron với phương trình vật lý đang được nghiên cứu để tận dụng ưu điểm của cả hai phương pháp.

Mô hình đa quy mô không gian và thời gian, cùng các nền tảng tính toán đám mây, cho phép chạy mô phỏng real-time và đánh giá kịch bản nhanh chóng. Các công cụ GIS và web-GIS cũng giúp trực quan hóa kết quả và hỗ trợ ra quyết định.

Tham khảo: Water (MDPI) – Advances in Hydrological Modelling

Câu hỏi thường gặp

Điểm khác biệt giữa mô hình thủy văn tập trung (lumped) và mô hình phân bố (distributed) là gì?

Mô hình tập trung xem toàn bộ lưu vực như một khối đồng nhất, còn mô hình phân bố chia lưu vực thành lưới ô không gian để mô phỏng chi tiết.

Các thành phần chu trình nước cơ bản cấu thành mô hình mưa - dòng chảy là gì?

Lượng mưa rơi, tổn thất do giữ lại trên tán lá, bốc thoát hơi nước, lượng nước thấm vào đất ngầm và dòng chảy tràn bề mặt.

Hai phần mềm mô hình thủy văn mã nguồn mở được ứng dụng rộng rãi nhất hiện nay là gì?

Phần mềm SWAT (Soil and Water Assessment Tool) cho quản lý lưu vực nông nghiệp và HEC-HMS của Công binh Lục quân Hoa Kỳ cho mô phỏng lũ.

Các nghiên cứu khoa học về “Mô hình thủy văn”

Công bố nổi bật trên thế giới và tại Việt Nam, kèm tóm tắt theo hướng chủ đề.

Mới nhất

  • Variance-based Global Sensitivity Analysis of Surface Runoff Parameters for Hydrological Modeling of a Real Peri-urban Ungauged Basin

    C. Giudicianni và cộng sự2024

    AI tóm tắt

    Phân tích độ nhạy toàn cục dựa trên phương sai bằng kiểm định FAST được thực hiện cho mô hình SWMM tại một lưu vực ven đô ở miền Nam nước Ý. Kết quả cho thấy đỉnh lũ trận mưa ngắn phụ thuộc chủ yếu vào diện tích không thấm, còn dung tích trữ trũng chi phối tổng lượng dòng chảy mặt. Công trình thiết lập khung phân tích tham số định lượng, hỗ trợ tối ưu hóa mô hình thủy văn đô thị khi thiếu trạm đo.

  • Cải thiện hiệu chỉnh mô hình thủy văn sông băng và hiệu năng mô hình ở vùng lạnh bằng dữ liệu lớp phủ tuyết từ vệ tinh

    Dịch bởi AIImproving glacio-hydrological model calibration and model performance in cold regions using satellite snow cover data

    Babak Mohammadi và cộng sự2024

    AI tóm tắt

    Tại một lưu vực sông băng ở miền Bắc Thụy Điển, quy trình hiệu chuẩn đa biến được áp dụng cho mô hình thủy văn băng tuyết FLEXG. Bằng cách kết hợp diện tích tuyết phủ từ vệ tinh MODIS với lưu lượng dòng chảy thực đo, phương pháp trọng số đã khắc phục sai lệch của hiệu chuẩn đơn biến. Nghiên cứu chỉ ra hiệu chuẩn đa biến giúp giảm bất định tham số và tăng tính hiện thực vật lý cho mô phỏng dòng chảy.

  • Improving Hydrological Modeling with Hybrid Models: A Comparative Study of Different Mechanisms for Coupling Deep Learning Models with Process-based Models

    Yiming Wei và cộng sự2024

    AI tóm tắt

    Trên lưu vực sông Gia Lăng, nghiên cứu kiểm chứng ba cấu trúc lai ghép giữa mạng học sâu LSTM và mô hình HBV trong mô phỏng dòng chảy ngày. Cấu trúc lai HLBDCT với tham số biến đổi theo thời gian nâng cao hệ số NSE từ 2,44% đến 13,43% so với mô hình gốc. Công trình ghi nhận kết hợp học máy và mô hình vật lý giúp hoàn thiện mô hình thủy văn, duy trì tính giải thích và độ ổn định cao.

  • Mô hình hóa thủy văn lưu vực karst quy mô lớn sử dụng mô hình thủy văn karst phân bố dạng lưới

    Dịch bởi AIHydrological modelling of large-scale karst-dominated basin using a grid-based distributed karst hydrological model

    Lihua Chen và cộng sự2024Journal of Hydrology

    AI tóm tắt

    Khu vực địa hình karst quy mô lớn chịu tác động mạnh của quá trình hòa tan được mô phỏng chi tiết bằng mô hình phân bố không gian dạng lưới (grid-based). Nghiên cứu tích hợp cơ chế trao đổi nhanh dòng chảy mặt – nước ngầm qua hố sụt và mạng lưới dẫn ngầm vào từng ô tính toán. Kết quả kiểm định đạt chỉ số NSE cao, thể hiện năng lực vượt trội của mô hình thủy văn phân bố trong tái hiện thủy văn karst phức tạp.

  • So sánh mạng nơ-ron bộ nhớ dài-ngắn hạn (LSTM) với mô hình thủy văn dựa trên cơ chế vật lý trong dự báo dòng chảy tại một lưu vực ở Canada

    Dịch bởi AIComparing a long short-term memory (LSTM) neural network with a physically-based hydrological model for streamflow forecasting over a Canadian catchment

    Behmard Sabzipour và cộng sự2023Journal of Hydrology

    AI tóm tắt

    Lưu vực nghiên cứu tại Canada (Canadian catchment) được lựa chọn để so sánh hiệu năng dự báo dòng chảy giữa mạng nơ-ron học sâu LSTM và mô hình vật lý trong nghiên cứu thực nghiệm đối chiếu. Dữ liệu mùa cho thấy LSTM đạt độ chính xác dự báo ngắn hạn vượt trội nhờ học phụ thuộc thời gian dài. Tuy nhiên, tác giả nhấn mạnh mô hình thủy văn vật lý vẫn giữ vai trò thiết yếu để lý giải cơ chế lưu vực.

Trích dẫn nhiều nhất

  • Mô hình hóa và đánh giá thủy văn diện tích lớn Phần 1: Phát triển mô hình

    Dịch bởi AILARGE AREA HYDROLOGIC MODELING AND ASSESSMENT PART I: MODEL DEVELOPMENT<sup>1</sup>

    J. G. Arnold và cộng sự1998Journal of the American Water Resources Association6.809 trích dẫn

    AI tóm tắt

    Đối tượng nghiên cứu là mô hình khái niệm liên tục SWAT được phát triển nhằm hỗ trợ quản lý tài nguyên nước và kiểm soát ô nhiễm nguồn phân tán trên lưu vực lớn. Công trình mô tả cấu trúc cho mô hình thủy văn diện tích rộng, tích hợp mô phỏng khí hậu, sử dụng đất và tải lượng thuốc bảo vệ thực vật. Tác giả chỉ rõ SWAT đáp ứng hiệu quả nhu cầu đánh giá tài nguyên nước và môi trường cho các cơ quan quản lý như EPA và NOAA.

  • Mô hình thủy văn lưu vực dựa trên cơ sở vật lý với diện tích sinh dòng biến đổi

    Dịch bởi AIA physically based, variable contributing area model of basin hydrology / Un modèle à base physique de zone d'appel variable de l'hydrologie du bassin versant

    Keith Beven và cộng sự19795.647 trích dẫn

    AI tóm tắt

    Cấu trúc mô hình dự báo dòng chảy TOPMODEL dựa trên diện tích sinh dòng biến đổi (variable contributing area) được phát triển trong nghiên cứu mô hình hóa toán học. Áp dụng trên lưu vực Crimple Beck rộng 8 km², công trình tham số hóa hàm độ ẩm và dòng chảy ngầm. Tác giả ghi nhận mô hình thủy văn bán phân bố này giúp dự báo dòng chảy hiệu quả với số lượng tham số thực địa tối giản.

  • Phân tích sai số toàn phương trung bình và tiêu chí hiệu suất NSE: Ý nghĩa cho việc cải thiện mô hình hóa thủy văn

    Dịch bởi AIDecomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling

    Hoshin V. Gupta và cộng sự2009Journal of Hydrology4.664 trích dẫn

    AI tóm tắt

    Phân tích toán học phân rã sai số bình phương trung bình (mean squared error) và hệ số NSE được thực hiện trong nghiên cứu phương pháp luận nhằm hoàn thiện tiêu chí đánh giá mô hình. Nhóm tác giả đề xuất chỉ số hiệu quả Kling-Gupta (KGE) kết hợp độ tương quan, độ biến thiên và độ lệch. Công trình ghi nhận tiêu chuẩn mới giúp hiệu chỉnh tham số tối ưu cho mô hình thủy văn.

  • Đánh giá việc sử dụng các chỉ số "độ phù hợp" trong việc xác thực mô hình thủy văn và thủy khí hậu

    Dịch bởi AIEvaluating the use of “goodness‐of‐fit” Measures in hydrologic and hydroclimatic model validation

    David R. Legates và cộng sự1999Water Resources Research3.956 trích dẫn

    AI tóm tắt

    Nghiên cứu phương pháp luận này đánh giá các chỉ số độ phù hợp dùng trong kiểm định mô hình thủy văn và thủy khí hậu. Kết quả chỉ ra các thước đo tương quan như R² quá nhạy cảm với giá trị ngoại lai và bỏ qua sai số tỷ lệ. Nhóm tác giả đề xuất kết hợp hệ số hiệu suất cùng chỉ số đồng thuận d và sai số tuyệt đối, giúp khắc phục hạn chế lớn của các thước đo truyền thống.

  • So sánh các tiêu chí hiệu suất khác nhau trong đánh giá mô hình thủy văn

    Dịch bởi AIComparison of different efficiency criteria for hydrological model assessment

    Peter Krause và cộng sựAdvances in Geosciences2.448 trích dẫn

    AI tóm tắt

    Đánh giá phương pháp luận trên so sánh các tiêu chí hiệu suất phục vụ thẩm định mô hình thủy văn qua ba đồ thị dòng chảy quan sát. Nghiên cứu khảo sát hành vi của hệ số hiệu quả NSE, hệ số xác định R² và chỉ số đồng thuận d. Kết quả cho thấy mỗi tiêu chí phản ánh những khía cạnh riêng biệt, do đó kết hợp đa tiêu chí là yêu cầu bắt buộc để nhận định khách quan về độ chính xác mô phỏng.

Tài liệu tham khảo

  1. Bedada (2025). Rainfall-Runoff Hydrological Modeling Using Observed and Remotely Sensed Rainfall Data for Sustainable Watershed Management over Modjo Catchment, Central Ethiopia: Insights from HEC-HMS Model. MDPI AG. DOI: 10.20944/preprints202501.0842.v1
  2. Hamdan (2021). Rainfall-Runoff Modeling Using the HEC-HMS Model for the Al-Adhaim River Catchment, Northern Iraq. Hydrology. DOI: 10.3390/hydrology8020058
  3. Haque (2024). Rainfall-runoff modeling using the HEC-HMS flow modeling framework for the Halda River catchment, Bangladesh. Research Square Platform LLC. DOI: 10.21203/rs.3.rs-3824469/v1