Xâm nhập mặn là vấn đề rất đáng quan tâm ở vùng đồng bằng sông Cửu Long. Để chủ động trong công tác quản lý nguồn nước ngọt và giảm thiểu tác động của xâm nhập mặn, dự báo chính xác độ mặn trên sông được xem là một trong những giải pháp hữu ích. Từ đây, mục tiêu của nghiên cứu là đánh giá khả năng áp dụng phương pháp K-Nearest Neighbors (KNN), một thuật toán đơn giản và dễ áp dụng của học máy, trong dự báo độ mặn trên sông Hàm Luông, tỉnh Bến Tre. Dữ liệu độ mặn sử dụng trong nghiên cứu được thu thập theo tuần, từ năm 2012 đến 2020. Mỗi năm đo đạc trong 23 tuần mùa khô, từ tháng 1 đến tháng 6 (tổng cộng 207 tuần). Các chỉ số thống kê như Hệ số Nash - Sutcliffe efficiency (NSE), Lỗi trung bình bình phương gốc (Root Mean Squared Error, RMSE), và Sai số tuyệt đối trung bình (Mean Absolute Error, MAE), được sử dụng để đánh giá tính chính xác của mô hình dự báo. Kết quả cho thấy mô hình KNN dự báo độ mặn khá tốt với NSE = 0,960, RMSE = 0,842, MAE = 0,541 cho tập huấn luyện, NSE = 0,904, RMSE = 1,448, MAE = 0,914 cho tập kiểm tra. Mô hình KNN là một mô hình đơn giản, dễ thực thi nhưng cho kết quả dự báo khá chính xác, cho nên mô hình rất tiềm năng trong ứng dụng dự báo mặn ở sông Hàm Luông nói riêng và một số nhánh sông của sông Mê Kông nói chung

Saltwater intrusion is a major problem particularly in the Mekong Delta, Việt Nam. In order to better manage the salinity problem, it is important to be able to predict the saltwater intrusion in rivers. The objective of this research is to create a K-Nearest Neighbors (KNN) model for predicting the saltwater intrusion in Ham Luong River, Ben Tre Province. The input data composed of 207 weekly saltwater intrusion data points from 2012 to 2020. Yearly salinity was measured during the 23 weeks of the dry season, from January to June. The Nash - Sutcliffe efficiency coefficient (NSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE) are used to evaluate performances of KNN model. The research results indicated that the KNN model achieved a high performance for salinity forecasting. with NSE = 0,960, RMSE = 0,842, MAE = 0,541 for training period, NSE = 0,904, RMSE = 1,448, MAE = 0,914 for testing period. The findings of this study suggest that the KNN model has promised as a potential tool in salinity forecasting with salinity data characteristics in Ham Luong River