Chuyên gia Ấn Độ ứng dụng AI hỗ trợ phục hồi rừng, nhưng còn nhiều thách thức

Pushpendra Rana, sĩ quan Dịch vụ Lâm nghiệp Ấn Độ (IFS) phục vụ tại bang Himachal Pradesh, đang ứng dụng các lý thuyết khoa học xã hội kết hợp với công nghệ hiện đại như phân tích không gian địa lý và học máy để đánh giá hiệu quả các chính sách bảo vệ môi trường. Công việc của ông tập trung vào việc phân tích tương tác giữa con người và rừng, nhằm tìm ra các giải pháp ứng dụng AI giúp nâng cao quản trị rừng, giảm lãng phí và hỗ trợ các quyết định liên quan đến việc trồng cây sao cho phù hợp nhất với điều kiện sinh thái và xã hội.

Pushpendra Rana đã tốt nghiệp tiến sĩ ngành Địa lý tại Đại học Illinois at Urbana-Champaign và từng thực hiện nghiên cứu sau tiến sĩ tại Đại học Bắc Carolina ở Chapel Hill. Ông quan niệm rằng khoa học, công nghệ và các thể chế chính sách cần phối hợp với nhau để làm cho quản trị môi trường hiệu quả và có trách nhiệm hơn.

Một trong những sáng kiến nổi bật của Pushpendra là WhereToPlant, một hệ thống hỗ trợ ra quyết định phục hồi môi trường dựa trên trí tuệ nhân tạo. Ứng dụng này đánh giá tính phù hợp sinh thái của các địa điểm để trồng rừng dựa trên nhiều yếu tố bao gồm khí hậu, đất đai, địa hình, thảm thực vật hiện hữu và mức độ tác động của con người.

Sự đổi mới nằm ở giao diện thân thiện dạng chatbot trên nền tảng Telegram, giúp cán bộ lâm nghiệp, nhân viên hiện trường hay các nhóm cộng đồng dễ dàng tiếp cận mà không cần chuyên môn về GIS. Vào mùa trồng cây năm 2025, các cán bộ rừng ở Himachal Pradesh đã ứng dụng WhereToPlant để xác định vị trí phù hợp trồng trên hơn 500 ha trong tổng số khoảng 3.000 ha trồng rừng.

Ông Pushpendra nhấn mạnh rằng chất lượng câu hỏi xoay quanh quyết định thực tế quan trọng hơn việc sử dụng các thuật toán phức tạp. Qua kinh nghiệm làm việc với Viện Công nghệ Ấn Độ (IIT), nhóm của ông nhận ra rằng phải bắt đầu từ nhu cầu thực tế của nhân viên hiện trường thay vì dựa trên dữ liệu lịch sử hoặc hệ thống hành chính.

Mô hình cũng không thể áp dụng một cách máy móc từ vùng sinh thái này sang vùng khác, khi các khu vực Himalaya có đặc điểm địa hình, khí hậu và hoạt động con người thay đổi rất đa dạng. Thêm vào đó, các đề xuất của AI cần phù hợp với quy trình làm việc, ngân sách, kế hoạch trồng cây và ưu tiên cộng đồng địa phương mới được áp dụng thực tiễn.

Hệ thống cũng phải đưa ra lời giải thích rõ ràng để cán bộ có thể so sánh với kinh nghiệm thực tiễn, đặc biệt khi kết quả AI có thể khác với quan sát hiện trường. AI/ML nên được xem là một thành phần trong quá trình học hỏi thích ứng liên tục, khi các cán bộ, cộng đồng có thể đồng ý, chỉnh sửa hoặc bác bỏ đề xuất và những phản hồi này được đưa lại hệ thống để cải tiến.

Ông cũng lưu ý rằng việc xác định loại cây phù hợp cho từng địa điểm trồng cũng quan trọng không kém việc chọn vị trí. Vì vậy, nhóm của ông đang phát triển thêm mô-đun WhatToPlant tích hợp vào hệ thống, dự kiến sẽ ra mắt sớm.

Mô-đun WhatToPlant được thiết kế để xác định những loài cây bản địa hoặc kết hợp các loài cây phù hợp với điều kiện sinh thái cụ thể của từng vị trí. Phiên bản thử nghiệm đã hoàn thiện dựa trên hơn 226.000 quan sát thực địa có định vị địa lý tại nhiều vùng trong bang Himachal Pradesh, ghi nhận các loài cây cùng 29 yếu tố môi trường như độ cao, địa hình, và biến số khí hậu.

Công trình hợp tác với các đối tác như Đại học Minnesota, Trường Kinh doanh Ấn Độ, tổ chức phi chính phủ REST, và các nhà khoa học từ Viện Công nghệ Sinh học Địa phương CSIR. Hệ thống dự báo độ phù hợp nơi sống của 98 loài cây bản địa trên tất cả các ô lưới 265 mét vuông phủ toàn bang, tương đương khoảng 795.000 lưới ô rộng 7 ha mỗi ô.

Khi người dùng kích hoạt WhatToPlant ở bất kỳ đâu trong bang, hệ thống sẽ lập tức đề xuất các loài cây khả thi nhất dựa trên điều kiện địa phương.

Pushpendra Rana cho biết AI và học máy có thể hỗ trợ đáng kể trong lĩnh vực phục hồi hệ sinh thái khi có dữ liệu tin cậy và điều kiện môi trường ổn định. Các mô hình này giúp xác định môi trường sống phù hợp cho các loài, chọn địa điểm phục hồi, phát hiện mất rừng, cháy rừng, thiệt hại môi trường, dự báo nguy cơ ngắn hạn như cháy rừng.

Chúng cũng có thể phân loại thảm thực vật từ ảnh vệ tinh hoặc ảnh drone, đánh giá tỷ lệ sống của cây trồng mới, và nhận diện các mẫu sinh thái trên diện rộng. Tuy nhiên, kết quả hệ sinh thái còn bị ảnh hưởng bởi nhiều yếu tố phi sinh học như chăn thả, cháy rừng, loài xâm nhập, sự tham gia cộng đồng và thời tiết cực đoan.

AI không thể đảm bảo cây giống được chăm sóc đầy đủ hay dự báo chính xác các điều kiện khí hậu bất thường. Vì vậy, AI chỉ là công cụ hỗ trợ trong một quy trình quản lý môi trường phức tạp đòi hỏi nhiều yếu tố kết hợp.

Số liệu quan sát vệ tinh hiện đã chuyển đổi phương pháp đánh giá phục hồi từ việc khảo sát tại chỗ theo chu kỳ sang giám sát cảnh quan liên tục. Những thay đổi về độ che phủ rừng, sức khỏe cây cối, cháy rừng, độ ẩm đất, suy thoái đất và tiến độ phục hồi có thể theo dõi chính xác hơn.

Nền tảng như Global Nature Watch tích hợp dữ liệu quan sát trái đất với độ phân giải cao phục vụ việc lên kế hoạch và giám sát phục hồi rừng. Drone ngày càng được sử dụng phổ biến để lập bản đồ chi tiết, gieo hạt, giám sát cháy rừng và rừng ngập mặn, điều tra động vật hoang dã và đánh giá phục hồi sau trồng.

Ông Pushpendra Rana nhấn mạnh công nghệ cần được phát triển dựa trên sự phối hợp cùng người dùng địa phương, tránh tạo ra công cụ rồi mới áp đặt cho cộng đồng. Các gợi ý của hệ thống phải minh bạch, cho phép so sánh với quan sát của người địa phương về những yếu tố mà dữ liệu chưa thể nắm bắt như sương giá, chăn thả, nguồn nước, hay điều kiện đất.

Cộng đồng cần được phép thay đổi hoặc từ chối các đề xuất và những phản hồi này phải hoà nhập vào quá trình học của hệ thống. Những lý do từ chối như ngập úng theo mùa, dễ bị chăn thả hay giá trị văn hóa của đất đai đóng vai trò là dữ liệu quan trọng để cải tiến AI.

Ông cũng lưu ý rằng các vấn đề quản trị như quyền sở hữu dữ liệu, ai quyết định mục tiêu phục hồi, trách nhiệm khi kết quả thất bại và phân chia lợi ích cần được giải quyết đồng thời với phát triển công nghệ.

Pushpendra Rana dẫn các ví dụ công nghệ thành công tại Ấn Độ như hệ thống cảnh báo cháy rừng của Cục Điều tra Rừng Ấn Độ dùng vệ tinh để truyền tin gần như tức thời tới các đơn vị quản lý rừng, giúp can thiệp kịp thời.

Ấn Độ cũng nổi bật trong dự báo bão, cảnh báo sớm, truyền thông và sơ tán, thể hiện sự kết hợp công nghệ và thể chế hiệu quả.

Hệ thống bẫy ảnh (camera trap) kết hợp với AI trong phân tích hình ảnh và phương pháp đánh giá sinh vật không xâm lấn đã cải thiện đáng kể việc theo dõi động vật hoang dã, đặc biệt các loài khó quan sát.

Tags: trí tuệ nhân tạo, phục hồi rừng, quản lý môi trường, cây bản địa, Himachal Pradesh, công nghệ sinh thái, bảo tồn

Bài viết được biên tập với sự hỗ trợ của công cụ trí tuệ nhân tạo (AI), tổng hợp từ các nguồn tin dẫn bên dưới và đã qua kiểm duyệt của toà soạn Quang Minh Việt Nam.