Thứ Bảy, 27 tháng 9, 2025

8R of Sustainability

 




(Nguồn:  https://www.linkedin.com/posts/sustainability-infographics_sustainabilitycircle-circularliving-8rs-activity-7342518439955111936-LpZp)






(Nguồn: https://www.linkedin.com/posts/teachforgreen_wastemanagement-pollution-composting-activity-7097817930125512704-hv0S)



(Nguồn: https://ecowheel.org/the-eco-wheel/)









Thứ Năm, 25 tháng 9, 2025

Thứ Ba, 23 tháng 9, 2025

6R of Sustainability


(Nguồn: https://www.azeusconvene.com/esg/articles/6-rs-of-sustainability )






(Nguồn: https://www.pmcsa.ac.nz/topics/rethinking-plastics/ideas-for-a-more-sustainable-future/ )










 

Chủ Nhật, 21 tháng 9, 2025

5R of Sustainability

 Khái niệm "5R of Sustainability" xuất phát từ Chỉ thị Khung về Chất thải của Liên minh Châu Âu (Waste Framework Directive, 1975). Nguyên gốc của khái niệm 5R là mở rộng quan điểm truyền thống 3R (Reduce, Reuse, Recycle).  5R trong tài liệu này đề cập đến 

  • Rethink, 
  • Refuse, 
  • Reduce, 
  • Reuse, 
  • Recycle 

(Nguồn: https://www.tntech.edu/sustainability/greennotes/20230922-five-r-the-basics-of-sustainability.php )


Một số tài liệu cập nhật khái niệm 5R thành:


(Nguồn: https://galopinplaygrounds.com/index.php/2023/04/26/sustainable-play-the-5r-framework-applied-to-the-playground-industry/)


  • Refuse

Nói “không” với những sản phẩm không cần thiết, đặc biệt là sản phẩm gây hại cho môi trường. Ví dụ, từ chối túi nilon khi đi chợ, từ chối dùng ống hút nhựa, hạn chế mua hàng hóa đóng gói quá nhiều lớp nhựa. Yếu tố này giúp giảm lượng rác thải phát sinh ngay từ đầu, thúc đẩy tiêu dùng có trách nhiệm.

  • Reduce 

Giảm lượng tài nguyên, năng lượng và vật liệu tiêu thụ. Ví dụ, tiết kiệm điện, tắt các thiết bị khi không dùng; in 2 mặt để tiết kiệm giấy; ưu tiên sản phẩm bền và tái sử dụng được. Yếu tố này giúp giảm áp lực khai thác tài nguyên thiên nhiên và giảm khí thải nhà kính.

  • Reuse:

 Dùng lại sản phẩm nhiều lần thay vì vứt bỏ sau một lần. Ví dụ, dùng chai nước thủy tinh,  thay cho chai nhựa dùng một lần; sửa chữa quần áo thay vì bỏ đi.  Yếu tố này giúp kéo dài vòng đời sản phẩm, giảm chất thải rắn và tiết kiệm chi phí.

  • Repurpose 

Dùng lại một sản phẩm hoặc vật liệu cho một mục đích khác với mục đích ban đầu của nó, thay vì vứt bỏ. Khác với Reuse (tái sử dụng), dùng lại cho cùng một công năng, thì Repurpose nghĩa là “cho nó một cuộc đời mới” với công năng khác biệt. Ví dụ, dùng chai thủy tinh cũ làm lọ hoa hoặc đèn trang trí, biến lốp xe cũ thành ghế ngồi, xích đu; dùng áo thun cũ làm giẻ lau. Yếu tố này giúp kéo dài vòng đời sản phẩm, giảm khối lượng chất thải phải xử lý, từ đó giúp tiết kiệm tài nguyên, không cần sản xuất mới một sản phẩm thay thế.

  • Recycle:

Biến rác thải thành nguyên liệu mới để sản xuất sản phẩm khác. Ví dụ, giấy, nhựa, kim loại được thu gom và đưa vào quy trình tái chế; rác hữu cơ được ủ thành phân compost. Yếu tố này giúp làm giảm nhu cầu khai thác tài nguyên thô, giảm rác thải chôn lấp.


Tài liệu tham khảo

  •  https://www.tntech.edu/sustainability/greennotes/20230922-five-r-the-basics-of-sustainability.php
  • https://www.roadrunnerwm.com/blog/the-5-rs-of-waste-recycling

Thứ Sáu, 19 tháng 9, 2025

Steady-state economics

 

Steady-State Economics (Kinh tế học trạng thái ổn định) là một trường phái trong kinh tế học sinh thái, do nhà kinh tế học Herman Daly phát triển từ thập niên 1970. Nó đề xuất một mô hình kinh tế ổn định về quy mô, không tăng trưởng vô hạn, nhằm duy trì sự cân bằng lâu dài giữa nền kinh tế và hệ sinh thái hữu hạn của Trái đất. 


(Nguồn: https://palmoildetectives.com/2022/01/16/steady-state-economics/)


Steady state không có nghĩa là nền kinh tế “tĩnh” hay “không đổi”, mà là quy mô dân số và tổng vốn vật chất (stock of capital) duy trì ở mức ổn định. Trong nền kinh tế vẫn có dòng chảy năng lượng – tài nguyên và sản xuất – tiêu dùng, nhưng được điều tiết sao cho tái tạo được và không vượt quá khả năng chịu tải sinh thái.  Tương tự như một hệ sinh học ổn định: sinh trưởng, chết đi, tái sinh, nhưng tổng thể vẫn giữ cân bằng lâu dài.

Nguyên lý nền tảng (theo Daly)

  • Tăng trưởng vật chất vô hạn là bất khả thi trên một hành tinh hữu hạn.
  • Phát triển (development: cải thiện chất lượng, công bằng, công nghệ) vẫn có thể tiếp diễn, nhưng tăng trưởng (growth: mở rộng quy mô vật chất) cần được giới hạn. 
  • Mục tiêu là phúc lợi con người tối đa trong giới hạn sinh thái chứ không phải GDP tối đa.


Tài liệu tham khảo

  • https://link.springer.com/chapter/10.1007/978-94-011-5038-5_17
  • https://www.investopedia.com/terms/s/steady-state-economy.asp
  • https://www.jstor.org/stable/469394
  • https://www.sciencedirect.com/topics/economics-econometrics-and-finance/steady-state-economics

Thứ Tư, 17 tháng 9, 2025

Ecological economics

Ecological economics 

Ecological economics (Kinh tế học sinh thái) là một nhánh liên ngành của khoa học kinh tế kết hợp chặt chẽ với sinh thái học, nhằm nghiên cứu mối quan hệ giữa hệ thống kinh tế và hệ thống sinh thái tự nhiên.


(Nguồn: https://www.linkedin.com/pulse/ecological-economics-everything-you-need-know-imvelo-ltd- )


(Nguồn: Internet)


Khác với kinh tế học môi trường (environmental economics) – vốn thường xem môi trường như một phần ngoại tác trong hoạt động kinh tế – kinh tế học sinh thái coi nền kinh tế là một hệ thống con (subsystem) nằm trong hệ sinh thái toàn cầu hữu hạn.


Những nguyên lý cơ bản của Kinh tế học sinh thái

  • Nền kinh tế là một hệ thống con của hệ sinh thái

Khác với kinh tế học truyền thống thường xem nền kinh tế như một hệ thống “độc lập”, kinh tế học sinh thái khẳng định ền kinh tế nằm trong lòng hệ sinh thái Trái đất và phụ thuộc trực tiếp vào tài nguyên thiên nhiên. Các dòng năng lượng, vật chất, tài nguyên sinh học chảy từ môi trường sang kinh tế, sau đó trở lại môi trường dưới dạng chất thải. Do đó, mọi hoạt động kinh tế phải được nhìn nhận trong giới hạn sinh thái.

  • Giới hạn tăng trưởng (Limits to growth)

Kinh tế học sinh thái nhấn mạnh rằng tăng trưởng vật chất vô hạn là bất khả thi trên một hành tinh hữu hạn. Điều này dựa trên nguyên lý nhiệt động lực học thứ hai (entropy): việc sử dụng năng lượng và vật chất luôn tạo ra hao phí, làm suy giảm khả năng tái tạo của môi trường. Vì thế, thay vì chạy theo tăng trưởng GDP, cần hướng đến phát triển chất lượng và ổn định cân bằng lâu dài (steady state).

  • Tầm quan trọng của vốn tự nhiên

Vốn tự nhiên (natural capital) gồm: đất đai, rừng, nước, đa dạng sinh học, khí hậu ổn định… Nhiều loại vốn tự nhiên không thể thay thế bằng vốn nhân tạo (ví dụ: tầng ozone, hệ sinh thái rừng ngập mặn, chu trình khí hậu). Điều này dẫn đến khái niệm “strong sustainability”: bảo tồn vốn tự nhiên ở mức tối thiểu để duy trì sự sống và phát triển bền vững.

  • Công bằng liên thế hệ và nội thế hệ

Kinh tế học sinh thái gắn phát triển với công bằng xã hội. Công bằng trong nội thế hệ mang ý nghĩa là phân phối công bằng tài nguyên và lợi ích trong cùng một thế hệ, giảm bất bình đẳng. Cân bằng liên thế hệ mang ý nghĩa đảm bảo thế hệ tương lai vẫn còn đủ vốn tự nhiên để thỏa mãn nhu cầu cơ bản. Đây là nền tảng cho khái niệm phát triển bền vững.


  • Đo lường phúc lợi vượt ra ngoài GDP

Thay vì đo lường sự thịnh vượng bằng GDP, vốn chỉ đo lường sản lượng kinh tế, không phản ánh phúc lợi xã hội hay sức khỏe sinh thái. Kinh tế học sinh thái đề xuất các chỉ số thay thế như Genuine Progress Indicator (GPI), Ecological Footprint, Human Development Index (HDI) cải tiến, Happy Planet Index (HPI)... Những chỉ số này tính đến chi phí môi trường, công bằng xã hội và chất lượng cuộc sống.


  • Cách tiếp cận liên ngành và hệ thống

Kinh tế học sinh thái kết hợp Khoa học tự nhiên (sinh thái, khí hậu, năng lượng) với Khoa học xã hội (kinh tế, chính trị, xã hội học, triết học). Cách tiếp cận này giúp phân tích nền kinh tế như một hệ thống phức hợp (complex system), không thể giải quyết chỉ bằng mô hình thị trường truyền thống.

Nói tóm lại, ecological economics không chỉ nghiên cứu tác động môi trường trong kinh tế mà còn tái định nghĩa bản chất của nền kinh tế, đặt nó trong bối cảnh hệ sinh thái hữu hạn và hướng đến một xã hội công bằng, bền vững hơn.

Tài liệu tham khảo

  • https://insights.som.yale.edu/insights/what-is-ecological-economics
  • https://www.linkedin.com/pulse/ecological-economics-everything-you-need-know-imvelo-ltd-
  • https://www.sciencedirect.com/topics/earth-and-planetary-sciences/ecological-economics


Thứ Hai, 15 tháng 9, 2025

Network Link Prediction

Network Link Prediction (dự đoán liên kết trong mạng) là một nhánh của khoa học mạng (network science) và machine learning, với mục tiêu dự đoán xem liệu hai nút trong mạng có khả năng hình thành một liên kết mới trong tương lai hay không, hoặc khôi phục các liên kết bị thiếu.


(Nguồn: https://www.analyticsvidhya.com/blog/2020/01/link-prediction-how-to-predict-your-future-connections-on-facebook/)


Điều này rất có ý nghĩa vì trong nhiều hệ thống thực tế (mạng xã hội, sinh học, kinh tế), mạng luôn thay đổi theo thời gian. Dữ liệu thu thập thường không đầy đủ, có thể bị thiếu liên kết. Khi đó, link prediction sẽ giúp hiểu rõ cấu trúc mạng, phát hiện mối quan hệ tiềm ẩn và dự đoán sự phát triển của mạng trong tương lai.

Phương pháp chính

  • Dựa trên độ tương đồng (similarity-based methods)
    • Local similarity: tính dựa trên hàng xóm chung
    • Global similarity: dùng đường đi ngắn nhất, Katz index, random walk.
    • Các chỉ số khác: Jaccard, Adamic–Adar, Resource Allocation.
  • Dựa trên mô hình xác suất
    • Giả định một mô hình sinh mạng (graph generative model). Ví dụ như Stochastic Block Model (SBM), mô hình đồ thị ngẫu nhiên, mô hình xác suất Bayes.


  • Dựa trên machine learning / deep learning
    • Trích xuất đặc trưng (features) từ cặp nút và huấn luyện mô hình phân loại (SVM, logistic regression).

    • Graph embedding (node2vec, DeepWalk, Graph Neural Networks – GNNs) → học vector đặc trưng cho nút, dự đoán xác suất liên kết bằng khoảng cách vector.


(Nguồn: https://www.nature.com/articles/s41598-019-47271-9)


Một số ứng dụng

  • Mạng xã hội, ví dụ: gợi ý bạn bè, gợi ý kết nối trên Facebook, LinkedIn.
  • Thương mại điện tử, ví dụ: gợi ý sản phẩm (user–item link).

  • Sinh học, ví dụ: dự đoán tương tác protein–protein, gen–bệnh, thuốc–mục tiêu.

  • Hệ thống tri thức, ví dụ: hoàn thiện mạng tri thức (knowledge graphs) bằng cách thêm quan hệ còn thiếu.

  • An ninh mạng, ví dụ: phát hiện kết nối bất thường.
  • Và nhiều các ứng dụng tiềm năng khác

Tài liệu tham khảo

  • https://www.sciencedirect.com/science/article/pii/S221509862400168X
  • https://www.sciencedirect.com/topics/computer-science/link-prediction
  • https://arxiv.org/pdf/2305.10257
  • https://www.tandfonline.com/doi/full/10.1080/17460441.2023.2267020

Thứ Bảy, 13 tháng 9, 2025

Simulation-based inference

 Simulation-Based Inference (SBI) là gì?

Simulation-Based Inference (SBI) (còn gọi là likelihood-free inference) là tập hợp các phương pháp ước lượng tham số và kiểm định mô hình thống kê khi hàm likelihood phức tạp hoặc không thể tính trực tiếp. Khi đó ta có thể mô phỏng dữ liệu từ mô hình giả định với các giá trị tham số cho trước. Ý tưởng là thay vì viết công thức chính xác cho likelihood, ta so sánh dữ liệu quan sát với dữ liệu mô phỏng, rồi rút ra kết luận về tham số.


(Nguồn: https://www.semanticscholar.org/paper/All-in-one-simulation-based-inference-Gloeckler-Deistler )


Các kỹ thuật phổ biến trong SBI

  • Approximate Bayesian Computation (ABC)

So khớp dữ liệu quan sát và mô phỏng qua thống kê tóm tắt (summary statistics) và giữ lại những tham số tạo ra dữ liệu “gần giống” dữ liệu quan sát.


  • Synthetic Likelihood

Ước lượng phân phối của thống kê tóm tắt bằng giả định Gaussian, rồi dùng làm “likelihood xấp xỉ”.

  • Neural Simulation-Based Inference (hiện đại)

Dùng mô hình học sâu (neural density estimators như normalizing flows, variational autoencoders) để học trực tiếp phân phối hậu nghiệm từ dữ liệu mô phỏng.



(Nguồn: https://ars.els-cdn.com/content/image/1-s2.0-S0959440X25000065-ga1_lrg.jpg)

 

Các khả năng ứng dụng

  • Sinh học & di truyền học, ví dụ: mô hình tiến hóa, chọn lọc tự nhiên, dịch bệnh.

  • Khoa học xã hội & kinh tế, ví dụ mô hình agent-based để mô phỏng hành vi thị trường.

  • Vật lý thiên văn, ví dụ: mô phỏng vũ trụ, sự hình thành thiên hà.
  • Tài chính, ví dụ: mô phỏng rủi ro thị trường với mô hình phi tuyến khó tính likelihood.



Tài liệu tham khảo

  • https://simulation-based-inference.org/
  • https://arxiv.org/abs/2508.12939
  • https://transferlab.ai/series/simulation-based-inference/
  • https://openreview.net/forum?id=uClUUJk05H
  • https://astroautomata.com/blog/simulation-based-inference/

Thứ Năm, 11 tháng 9, 2025

Network-Based Inference (NBI)

Network-Based Inference (NBI) là một phương pháp trong khoa học mạng (network science) được phát triển để dự đoán hoặc gợi ý các mối quan hệ mới dựa trên cấu trúc của một mạng lưới đã biết.

Ý tưởng về NBI xuất hiện trong lĩnh vực hệ thống recommendation và khoa học mạng, đặc biệt trong các nghiên cứu của Zhou, Lü, Zhang và cộng sự (Physical Review E, 2007). Trước đó, hệ thống gợi ý chủ yếu dựa trên:

  • Collaborative filtering (lọc cộng tác),
  • Content-based filtering (dựa trên nội dung).

Các thuật toán này gặp khó khăn với vấn đề data sparsity (dữ liệu thưa) và cold-start problem (người dùng/mục tiêu mới). NBI được đề xuất như một giải pháp mới, dựa trên quan điểm lan truyền tài nguyên trong mạng thay vì chỉ tính toán độ tương đồng.

Nguyên lý hoạt động (Resource Allocation Process)

Quy trình NBI có thể mô tả thành 3 bước:

  • Khởi tạo tài nguyên (Initialization)

Gán mỗi nút mục tiêu mà người dùng đã kết nối một lượng tài nguyên bằng nhau.

Ví dụ: người dùng đã xem 3 bộ phim, mỗi phim có tài nguyên 1.

  • Phân bổ tài nguyên qua mạng (Diffusion)

Tài nguyên lan từ mục tiêu sang người dùng khác và tiếp tục lan đến mục tiêu khác. Bước này giống như “mượn thông tin” từ những người dùng tương tự, nhưng thông qua lan truyền chứ không tính trực tiếp cosine similarity.

  • Tính điểm gợi ý (Score Computation)

Sau khi lan truyền, mỗi mục tiêu chưa kết nối sẽ nhận được một lượng tài nguyên.

Giá trị tài nguyên cuối cùng bằng điểm gợi ý (recommendation score). 

Sắp xếp theo điểm để đề xuất.




(Nguồn: https://www.csbj.org/article/S2001-0370%2823%2900171-X/fulltext)

 

Tiềm năng ứng dụng

  • Hệ thống gợi ý (Recommendation system):

    • Sách (Amazon), phim (Netflix), nhạc (Spotify).

    • Giải quyết vấn đề dữ liệu thưa và nâng cao độ đa dạng đề xuất.

  • Y sinh học:

    • Gene–disease network: dự đoán gen tiềm năng liên quan đến bệnh.

    • Drug–target network: tìm ứng viên thuốc mới (drug repositioning).

  • Mạng xã hội:

    • Gợi ý kết bạn, gợi ý nhóm hoặc cộng đồng có liên quan.

  • Khoa học tri thức:

    • Phân tích mạng tác giả–bài báo, gợi ý hợp tác nghiên cứu.

Nguồn tham khảo

  • https://pmc.ncbi.nlm.nih.gov/articles/PMC3140052
  • https://www.sciencedirect.com/topics/computer-science/network-inference
  • https://www.wisdomlib.org/concept/network-based-inference-method
  • https://ieeexplore.ieee.org/document/7603879

Thứ Ba, 9 tháng 9, 2025

Marine economy vs Ocean economy vs Blue economy

Marine economy (Kinh tế biển)


Marine economy thường đề cập đến các hoạt động kinh tế trực tiếp liên quan đến biển và đại dương — bao gồm khai thác tài nguyên biển, vận tải biển, du lịch ven biển, nuôi trồng thủy sản, đóng tàu, dịch vụ cảng, và các ngành hỗ trợ khác.

Khái niệm marine economy hẹp hơn so với ocean economy ở chỗ thường tập trung vào phần kinh tế dựa vào vùng biển thuộc chủ quyền quốc gia (territorial waters, exclusive economic zones). Marine economy hướng đến phát triển kinh tế từ nguồn lợi biển, đôi khi ít nhấn mạnh yếu tố môi trường.

Ocean economy (Kinh tế đại dương)


Khái niệm ocean economy bao quát hơn marine economy, bao gồm mọi hoạt động kinh tế diễn ra trong hoặc liên quan đến đại dương, cả ở vùng biển quốc gia lẫn vùng biển quốc tế. Ocean economy Bao trùm tất cả các ngành kinh tế biển (marine industries) và các ngành công nghiệp, dịch vụ hỗ trợ trực tiếp/gián tiếp từ đại dương, như công nghệ biển sâu, năng lượng tái tạo ngoài khơi, nghiên cứu hải dương học.


(Nguồn: https://www.globalseafood.org/advocate/financing-a-sustainable-ocean-economy/)



Blue economy (Kinh tế xanh biển)


Blue economy dùng để chỉ một cách tiếp cận phát triển kinh tế biển dựa trên nguyên tắc bền vững, kết hợp tăng trưởng kinh tế, bảo tồn hệ sinh thái biển và bảo đảm sinh kế cho cộng đồng ven biển.  Blue economy có thể bao gồm mọi lĩnh vực của “ocean economy”, nhưng yêu cầu yếu tố bền vững, kể cả về môi trường và xã hội Mục tiêu của blue economy, ngoài tối đa hóa lợi ích kinh tế từ đại dương, còn hướng đến duy trì hoặc cải thiện sức khỏe của hệ sinh thái biển và lợi ích lâu dài cho thế hệ tương lai.


(Nguồn: https://development.asia/explainer/role-ocean-finance-transitioning-blue-economy-asia-and-pacific)



(Nguồn: https://msp4bio.eu/sustainable-blue-economy-an-integrated-path-forward/ )


Tham khảo

  • https://www.lse.ac.uk/granthaminstitute/explainers/what-is-the-blue-economy/
  • https://www.boldbusiness.com/society/blue-economy-imperative-bring-bold-opportunities/
  • https://development.asia/explainer/role-ocean-finance-transitioning-blue-economy-asia-and-pacific
  • https://www.oecd.org/en/topics/sub-issues/ocean/ocean-economy.html

Chủ Nhật, 7 tháng 9, 2025

Bathymetry Modelling

Bathymetry là gì?

Bathymetry là môn khoa học nghiên cứu về độ sâu và hình dạng của địa hình dưới mặt nước (đáy biển, đáy sông, đáy hồ). Có thể hiểu đây là “địa hình dưới nước”, tương tự như topography (địa hình trên đất liền). Kết quả nghiên cứu thường là bản đồ bathymetric (bản đồ địa hình đáy biển).




(Nguồn: https://sketchplanations.com/topography-and-bathymetry)

 Bathymetry Modelling là gì?


Mô hình hóa bathymetry là quá trình xây dựng mô hình toán học, thống kê hoặc máy tính để biểu diễn độ sâu và hình dạng địa hình dưới đáy biển/đáy sông.

Nguồn dữ liệu chính để mô hình hóa địa hình dưới nước bao gồm:
  • Đo trực tiếp
  • Sonar (âm thanh): Single-beam, Multi-beam Echo Sounder.
  • LIDAR bathymetry: dùng tia laser từ máy bay quét ở vùng nước nông.
  • ROV hoặc tàu ngầm: khảo sát cục bộ với độ chính xác cao.
  • Đo gián tiếp / viễn thám
  • Vệ tinh altimetry (đo cao độ mặt biển để suy ra địa hình đáy).
  • Dữ liệu trọng lực.


(Nguồn: https://www.infotechenterprises.net/bathymetry.php)



Sau khi có dữ liệu, nhà nghiên cứu thực hiện nội suy và mô hình hóa bằng các công cụ thống kê như kriging, spline...; hoặc dùng machine learning để dự đoán hình dạng đáy ở vùng chưa có dữ liệu đo. Cụ thể bao gồm:
  • Thống kê địa lý (Geostatistics): kriging, mô hình variogram.
  • Trí tuệ nhân tạo (AI): dự đoán bathymetry bằng dữ liệu sonar + vệ tinh.
  • Mô hình thủy động lực: kết hợp bathymetry với mô hình dòng chảy và sóng.
  • GIS & 3D visualization: tạo mô hình số độ cao (DEM) của đáy biển.

Ứng dụng của Bathymetry Modelling

Trong hàng hải

  • Xác định tuyến đường tàu an toàn.
  • Tránh vùng nước cạn, đá ngầm.
  • Kỹ thuật & quy hoạch ven biển
  • Xây cảng, đê chắn sóng, trang trại điện gió ngoài khơi.
  • Đặt đường ống, cáp ngầm.

Trong nghiên cứu môi trường và khí hậu

  • Xác định hệ sinh thái đáy (san hô, ngư trường).
  • Nghiên cứu xói lở bờ biển, biến đổi mực nước biển.
  • Phòng chống thiên tai
  • Mô phỏng sóng thần, bão, dòng chảy (bathymetry ảnh hưởng trực tiếp đến sự lan truyền sóng).
  • Nghiên cứu trượt lở, động đất dưới biển.

Trong khai thác và quản lý tài nguyên biển

  • Ngư trường cá.
  • Khai thác khoáng sản (nốt mangan, lớp vỏ cobalt).
  • Nghiên cứu khoa học

Cũng có thể ứng dụng trong nghiên cứu kiến tạo mảng, núi lửa ngầm, sự hình thành rãnh đại dương.


(Nguồn: https://oceanservice.noaa.gov/facts/bathyuses.html)


Tài liệu tham khảo

  • https://oceanservice.noaa.gov/facts/bathyuses.html
  • https://education.nationalgeographic.org/resource/bathymetry/
  • https://oceanservice.noaa.gov/facts/bathyuses.html

Thứ Bảy, 6 tháng 9, 2025

8R of Sustainability

  ( Nguồn:  https://www.linkedin.com/posts/sustainability-infographics_sustainabilitycircle-circularliving-8rs-activity-7342518439955111936-...