Dự báo mực nước sông Cần Thơ dựa vào đặc trưng dòng chảy và phương pháp tập hợp mô hình

Với mô hình LSTM, mực nước sông có thể được dự báo dựa vào mực nước của các thời điểm trước đó. Tuy nhiên, mực nước sông còn chịu ảnh hưởng bởi độ trễ của dòng chảy giữa các trạm và lượng mưa tại thời điểm thu thập dữ liệu để dự báo. Hệ thống dự báo mực nước dựa trên các phương pháp tập hợp mô hình và đặc trưng dòng chảy được thực nghiệm và đề xuất trong nghiên cứu này.
Nội dung trích xuất từ tài liệu:
Dự báo mực nước sông Cần Thơ dựa vào đặc trưng dòng chảy và phương pháp tập hợp mô hình Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIV về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), TP. HCM, ngày 23-24/12/2021 DOI: 10.15625/vap.2021.0041 DỰ BÁO MỰC NƯỚC SÔNG CẦN THƠ DỰA VÀO ĐẶC TRƯNG DÒNG CHẢY VÀ PHƯƠNG PHÁP TẬP HỢP MÔ HÌNH Trần Nguyễn Minh Thư1, Nguyễn Duy Khương2, Phạm Xuân Hiền1, Nguyễn Hồng Hải3 1 Khoa CNTT&TT, Trường Đại học Cần Thơ 2 Trường Đại học kỹ Thuật - Công nghệ Cần Thơ 3 Trung tâm Thủy văn sông Cửu Long tnmthu@ctu.edu.vn, ndkhuong@ctuet.edu.vn, pxhien@ctu.edu.vn, ghaikstv@gmail.com TÓM TẮT: Với mô hình LSTM, mực nước sông có thể được dự báo dựa vào mực nước của các thời điểm trước đó. Tuy nhiên, mực nước sông còn chịu ảnh hưởng bởi độ trễ của dòng chảy giữa các trạm và lượng mưa tại thời điểm thu thập dữ liệu để dự báo. Hệ thống dự báo mực nước dựa trên các phương pháp tập hợp mô hình và đặc trưng dòng chảy được thực nghiệm và đề xuất trong nghiên cứu này. Mực nước tại trạm Cần Thơ được dự báo dựa trên thông tin mực nước của các trạm trước đó đặt tại Tân Châu, Châu Đốc, Vàm Nao và Mỹ Thuận. Dữ liệu mực nước và lượng mưa thu thập hàng giờ trong năm 2012-2015 được dùng để huấn luyện mô hình; dữ liệu năm 2016 và 2020 dùng để kiểm tra đánh giá mô hình đề xuất. Dữ liệu mực nước của 72 giờ trước đó của 1 trạm, 5 trạm, kết hợp độ trễ hay kết hợp thông tin lượng mưa được sử dụng để dự đoán mực nước trạm Cần Thơ cho 1h, 12h, 24h tiếp theo. Kết quả cho thấy sai số RMSE cho mô hình Stacking dự đoán 12h là 8.2; 24h là 8.6 so với mô hình LSTM đã đề xuất trong nghiên cứu trước đó cho lần lượt dự đoán 12h, 24h là 9.9 cm và 9.7 cm. Từ khóa: Phương pháp tập hợp mô hình, dự báo mực nước. I. GIỚI THIỆU Trong những năm gần đây, dưới sự tác động của con người nhằm cải tạo, thay đổi những quy luật của tự nhiên thì tình trạng hạn hán và ngập lụt tăng cao, mực nước sông thay đổi phức tạp và khó đoán. Việc xây dựng một hệ thống dự báo mực nước để có sự chuẩn bị ứng phó các tác động xấu, giảm sự thiệt hại về kinh tế và đời sống của người dân là thực sự cần thiết. Các giải thuật máy học được sử dụng để xây dựng những hệ thống dự đoán mực nước áp dụng vào thực tế góp phần giảm thiểu các thiệt hại có thể xảy ra. Trong nghiên cứu của Carl Steidley và các cộng sự [1] đã áp dụng mô hình mạng nơron nhân tạo để dự báo mực nước tại trạm Rockport, Texas, Tây Nam Hoa Kỳ. Nghiên cứu này kết hợp dữ liệu mực nước 24 giờ trước đó tại trạm Rockport, Bob Hall Pier và tốc độ gió và hướng gió 12 giờ trước đó tại Bob Hall Pier để dự báo biến đổi mực nước thủy triều của trạm Rockport trong 3 giờ, 12 giờ, 24 giờ và 48 giờ tiếp theo. Tập dữ liệu TCOON thu thập trong khoảng thời gian năm 1997-2001 được sử dụng để huấn luyện và kiểm thử mô hình. Hiệu quả của mô hình được đánh giá dựa trên chí số trung bình tần số trung tâm (CF) - một số liệu thống kê đánh giá đề xuất bởi “National Ocean Service”. Chỉ số CF chính là tỷ lệ dự đoán nằm trong phạm vi ±X cm so với số đo thực tế và trên 90% kết quả thực nghiệm phải đạt trong phạm vi này. Các kết quả thu được cho thấy khả năng dự đoán của ANN mang tính khả thi với độ chính xác là 99,59% cho dự báo 3 giờ, 99,20% cho dự báo 12 giờ, 97,85% cho dự báo 24 giờ và 91,33% cho dự báo 48 giờ với CF (X=15 cm). Năm 2007, Bang-Fuh Chen và cộng sự [2] đã sử dụng mực nước của 1 trạm để huấn luyện mô hình ANN nhằm dự báo mực nước của 1 trạm khác có cùng chế độ thủy triều cho mực nước ven biển. Mô hình Kaohsiung (KH) - Manila (ML), sử dụng số liệu thủy triều của năm 1994 (8757 giá trị mực nước) của trạm KH làm dữ liệu đầu vào, dữ liệu đầu ra là trạm ML, tập dữ liệu được chia ra nhiều phần để sử dụng cho huấn luyện và kiểm thử mô hình, đánh giá mô hình bằng hệ số tương quan r và sai số RMSE lần lượt là r = 0.931, RMSE = 3-12 cm. Nhằm khắc phục những hạn chế của mô hình ANN đối với dữ liệu chuỗi thời gian, mô hình LSTM (Long short- term memory) được ứng dụng để dự báo mực nước tại trạm Quang Phục và Cửa Cấm, Hải Phòng [3]. Trong nghiên cứu này, các tác giả đã thiết lập mô hình để dự báo mực nước trước 5 giờ với sai số RMSE=17,7 cm cho trạm Quang Phục và RMSE= 18,5 cm cho trạm Cửa Cấm. Dữ liệu đầu vào cho mô hình LSTM là mực nước thực đo tại các trạm thuỷ văn trong 6 giờ trước đó với số lượng lớp ẩn là 10, 20, 50 và số lượng Epoch là 10.000, 20.000 và 50.000. Bên cạnh những giải thuật dựa trên mạng nơron, các phương pháp tập hợp mô hình cũng được sử dụng để cải thiện những hạn chế của mô hình đơn nhằm nâng cao hiệu quả dự đoán cũng được thực hiện. Nghiên cứu của Nguyên Thanh Tùng và Nguy ...