Thảm họa vỡ hồ băng tại Himalaya: Nguy cơ tiềm ẩn cho các quốc gia xuyên biên giới

Trong một nghiên cứu được công bố trên tạp chí Natural Hazards and Earth System Sciences, các nhà khoa học quốc tế đã mô phỏng các kịch bản vỡ hồ băng tồi tệ nhất (GLOF) tại lưu vực sông Poiqu - khu vực nằm giữa biên giới Trung Quốc và Nepal. Kết quả cho thấy các trận lũ quét do sạt lở băng và đá có thể tạo ra lưu lượng nước lớn gấp 15 lần so với bất kỳ sự kiện nào từng được quan sát trước đây, đặt ra thách thức to lớn cho công tác quản lý rủi ro thiên tai xuyên biên giới.

Bối cảnh nghiên cứu: Điểm nóng nguy hiểm tại lưu vực Poiqu

Lưu vực sông Poiqu là phần lãnh thổ thuộc Tây Tạng của hệ thống sông xuyên biên giới Poiqu–Bhote Koshi–Sun Koshi, nơi có đường cao tốc Hữu nghị quan trọng nối Trung Quốc với Nepal (bao gồm cả huyện Nyalam và thị trấn Zhangmu). Theo nghiên cứu, khu vực này đã được xác định là một "điểm nóng" về nguy cơ GLOF xuyên biên giới, với ít nhất 6 trận lũ lớn được ghi nhận trong vòng một thế kỷ qua.

Các nhà nghiên cứu tập trung vào hai hồ băng nguy hiểm đã được xác định trước đó là Galongco và Jialongco, cùng với một hồ nước mới tiềm năng dự kiến sẽ hình thành ở thượng nguồn Nyalam. Hồ Galongco - hồ lớn nhất trong lưu vực - đã mở rộng diện tích tới 450% trong giai đoạn 1964–2017, từ 1,00 km² lên 5,46 km².

Kết quả mô phỏng: Quy mô thảm khốc chưa từng thấy

Sử dụng công cụ mô phỏng mã nguồn mở r.avaflow, nhóm nghiên cứu đã tính toán các kịch bản vỡ hồ tồi tệ nhất liên quan đến sạt lở băng và đá quy mô lớn. Số liệu đáng báo động bao gồm:

• Lưu lượng đỉnh tại đập hồ Galongco có thể lên tới hàng trăm nghìn m³/s, lớn hơn 5 lần so với kịch bản từ Jialongco
• Thời gian cảnh báo cực ngắn: lũ chỉ mất 5–11 phút để đến Nyalam và khoảng 30 phút để đến biên giới Nepal
• Độ sâu ngập lụt có thể vượt quá 27 mét tại Nyalam - cao hơn cả một tòa nhà 6 tầng

Một kết quả đáng chú ý là các biện pháp khắc phục gần đây để hạ mực nước tại hồ Jialongco (mở kênh nhân tạo, gia cố đập bê tông) gần như không có tác động đáng kể đến mức độ thiệt hại ở hạ lưu nếu xảy ra một trận GLOF rất lớn.

Tác động tới cơ sở hạ tầng và cộng đồng địa phương

Nyalam - thủ phủ huyện và là nơi có sự phát triển cơ sở hạ tầng nhanh chóng - nằm trực tiếp trong vùng nguy cơ cao. Nghiên cứu chỉ ra rằng các công trình xây dựng mới dọc theo bờ sông trong giai đoạn 2015–2017 đã làm tăng đáng kể diện tích khu vực xây dựng tiếp xúc với lũ quét.

Đoạn đường cao tốc xuyên quốc gia dài 38 km từ Nyalam đến biên giới Nepal cũng bị đe dọa nghiêm trọng, với tỷ lệ ảnh hưởng ở mức cường độ cao lên tới 40% trong kịch bản từ Galongco.

"Mặc dù việc xác định những hồ băng nguy hiểm là cần thiết, nhưng việc chỉ tập trung vào các mối đe dọa hiện tại là chưa đủ. Chúng ta cần một cách tiếp cận có tầm nhìn xa để đánh giá cả những mối đe dọa tiềm ẩn trong tương lai," các tác giả nhấn mạnh.

Hàm ý cho chiến lược quản lý rủi ro thiên tai

Nghiên cứu kêu gọi một phương pháp tiếp cận toàn diện cho quản lý rủi ro thảm họa, kết hợp nhiều giải pháp đồng bộ:

• Hệ thống cảnh báo sớm với thời gian phản hồi nhanh
• Quy hoạch sử dụng đất hiệu quả - hạn chế xây dựng trong vùng nguy cơ cao
• Chương trình nâng cao năng lực ứng phó cho cộng đồng địa phương
• Hợp tác xuyên biên giới - đặc biệt quan trọng trong bối cảnh chính trị nhạy cảm

Các nhà nghiên cứu cũng cảnh báo về "hiệu ứng dây chuyền" khi hồ mới hình thành ở thượng nguồn có thể vỡ và tràn vào hồ Jialongco phía dưới, mặc dù hồ này đóng vai trò như một rào cản tự nhiên làm giảm năng lượng dòng chảy tới 50%.

Công nghệ hiện đại trong phòng chống thiên tai

Nghiên cứu này cho thấy vai trò quan trọng của công nghệ viễn thám (ảnh vệ tinh Pléiades độ phân giải 1m), mô hình số độ cao (DEM), hệ thống định vị GPS và sonar đơn tia trên các thiết bị không người lái để khảo sát độ sâu hồ. Công cụ mô phỏng đa pha mã nguồn mở r.avaflow cho phép tính toán tương tác giữa trận lở đất/băng với hồ nước và dòng chảy vật liệu xuống hạ lưu.

Trong bối cảnh biến đổi khí hậu khiến băng tan nhanh hơn và các hồ băng mới liên tục hình thành, việc ứng dụng khoa học dữ liệu và mô hình máy tính (AI/ML) để dự đoán và cảnh báo sớm trở nên cấp thiết hơn bao giờ hết. Các quốc gia có vùng núi cao như Việt Nam (Tây Bắc, Tây Nguyên) cũng cần lưu ý đến những bài học từ nghiên cứu này trong việc xây dựng hệ thống giám sát và cảnh báo sớm cho các hồ chứa tự nhiên và nhân tạo.

Nghiên cứu nhấn mạnh rằng các sự kiện cực đoan - dù xác suất thấp - cần được tích hợp vào kế hoạch quản lý rủi ro ở các khu vực miền núi, thay vì chỉ tập trung vào các trận lũ có cường độ trung bình từng xảy ra trong quá khứ.