Thông thường, các mô hình số như POM [1–2], ROMS [3–4], ADCIRC [5–6], SuWAT [7–10], Delft3D [11–12] được sử dụng để dự báo nước dâng do bão có độ tin cậy cao do sử dụng các phương trình vật lý chính xác, nhưng thường đi kèm với đó là cần tài nguyên tính toán lớn, thời gian vận hành khá đáng kể. Với ưu điểm là linh hoạt và mạnh mẻ, có khả năng xác định các mối quan hệ phức tạp trong dung lượng lớn dữ liệu đầu vào nên trí tuệ nhân tạo (AI: Artificial Intelligence) sẽ phù hợp khi áp dụng để triển khai học máy chuyên sâu, phân tích dữ liệu đa yếu tố nhanh và chính xác. Dự báo nước dâng do bão theo hướng sử dụng phương pháp học máy đã được nhiều nhà khoa học trên thế giới nghiên cứu và phát triển mạnh mẽ trong thời gian gần đây. Mạng nơ-ron nhân tạo (ANN: Artificial Neural Networks) đã được sử dụng phổ biến trong dự báo độ cao nước dâng do bão [13–19].Với nguyên lý kết hợp các mô hình học tập có sai số cao thành một cây học tập mạnh hơn theo kiểu tuần tự nhằm mục đích xử lý bài toán học máy có giám sát với độ tin cậy cao mà mô hình XGBoost được ứng dụng nhiều trong dự báo liên quan đến lĩnh vực khí tượng thủy văn, quản lý rủi ro thiên tai, trong đó có dự báo nước dâng do bão.

Trong nghiên cứu [20–21] đã ứng dụng mô hình học máy XGBoost để dự báo độ cao nước dâng lớn nhất cho một số khu vực ven biển Hoa Kỳ, kết quả nghiên cứu cho thấy mô hình XGBoost dự báo nước dâng bão có độ tin cậy tương đương mô hình ADCIRC. Nghiên cứu [22] sử dụng mô hình XGBoost dự báo nước dâng do bão khu vực Phúc Kiến và Quảng Đông, Trung Quốc cho thấy mô hình XGBoost dự báo tốt hơn so với mô hình BPNN (Backpropagation Neural Network) và SVR (Support Vector Regression). Nghiên cứu [23] sử dụng bốn mô hình XGBoost, MLR (Multiple Linear Regression), SVR, RF (Rondom Forest) để dự tính sóng leo trên bãi biến dốc cho thấy mô hình XGBoost có hiệu suất dự báo vượt trội so với ba mô hình còn lại là MLR, SVR và RF. Nhóm nghiên cứu [24] đã sử dụng mô hình GN-VSIDM là sự kết hợp của mô hình GN (Gaussian Noise) với mô hình VSIDM (Diffusion Model based on the Vibrating String) và mô hình XGBoost để ước tính thiệt hại do nước dâng bão cho thấy mô hình tổ hợp GN-VSIDM-XGBoost là mô hình ước tính thiệt hại do nước dâng bão tối ưu. Chỉ số RMSE và R2 đánh giá mô hình GN -VSIDM- XGBoost lần lượt là 0,1089 và 0,8292. Nghiên cứu [25] đã sử dụng mô hình XGBoost để dự báo mực nước ngầm tại Selangor, Malaysia cho thấy rằng mô hình XGBoost có kết quả dự báo tốt hơn so với mô hình ANN và SVR.

Việt Nam là khu vực thường xuyên chịu ảnh hưởng của ATNĐ, bão và tác động kèmtheo là nước dang do bão. Do vậy, dự báo chính xác độ cao và thời điểm xuất hiện nước dâng do bão là rất quan trọng nhằm giảm thiểu rủi ro do nước dâng bão đến cơ sở hạ tầng và thiệt hại về người. Công nghệ dự báo nước dâng do bão bằng mô hình số hiện tại đang phát triển rất mạnh, có thể nói chung là gần đến giới hạn về thuật toán mô hình. Ưu điểm của mô hình số dự báo nước dâng do bão đã được khẳng định nhưng để dự báo chi tiết thì mô hình số đòi hỏi nguồn tài nguyên tính toán lớn, điều này làm cho việc nghiên cứu áp dụng mô hình số bị giới hạn khi cần dự báo chi tiết trên phạm vi không gian rộng. Để khắc phục các vấn đề về tài nguyên tính toán khi dự báo bằng mô hình số cũng như sự hạn chế về số liệu quan trắc mực nước tại các trạm khí tượng hải văn ven biển hiện nay tại Việt Nam thì nghiên cứu và xây dựng mô hình học máy dự báo nước dâng do bão là hướng tiếp cận hợp lý. Trong nghiên cứu này, nghiên sử dụng mô hình XGBoost với các dữ liệu quan trắc khác nhau để dự báo độ cao nước dâng do bão tại Hòn Dáu, đây là trạm có số liệu quan trắc các yếu tố khí tượng, hải văn đầy đủ và dài nhất so với các trạm khí tượng hải văn trên khác cả nước. Các giá trị dự báo của mô hình sau đó sẽ được so sánh với các giá trị thực đo để đánh giá kỹ năng của mô hình XGBoost trong nghiệp vụ dự báo nước dâng do bão.

Qua quá trình nghiên cứu, có kết luận như sau: mô hình XGBoost được ứng dụng để xây dựng công cụ dự báo nước dâng do bão tại trạm Hòn Dáu cho các hạn dự báo 06, 12, 18 và 24 giờ. Mô hình XGBoost được thiết lập với 04 phương án sử dụng dữ liệu khác nhau (04 mô hình) với tên gọi: Mô hình XGBoost đơn biến, mô hình XGBoost đa biến I, mô hình XGBoost đa biến II và mô hình XGBoost sử dụng dữ liệu chéo (sử dụng số liệu quan trắc gió, khí áp tại Hòn Ngư và Sơn Trà). Bộ dữ liệu độ cao mực nước quan trắc tại trạm Hòn Dáu, vận tốc gió, khí áp quan trắc tại trạm Hòn Dáu, Hòn Ngư và Sơn Trà, các tham số bão (vị trí tâm bão, khí áp tại tâm bão, vận tốc gió cực đại, tốc độ di chuyển và hướng di chuyển) trong 28 cơn bão ảnh hưởng tới khu vực trạm Hòn Dáu giai đoạn 2002-2021 được thu thập để xây dựng và kiểm