Dự báo xói mòn đất do mưa gây ra ở vùng đồi núi Việt Nam bằng các phương pháp học máy

Nghiên cứu này xây dựng các mô hình dựa trên cơ sở dữ liệu sẵn có để dự đoán tình trạng xói mòn bằng các thuật toán học máy. Một bộ dữ liệu xói mòn đất được thu thập trong ba năm từ 2009-2011 vùng Tây Bắc Việt Nam đã được sử dụng để xây dựng và kiểm nghiệm các mô hình.
Nội dung trích xuất từ tài liệu:
Dự báo xói mòn đất do mưa gây ra ở vùng đồi núi Việt Nam bằng các phương pháp học máyKỷ yếu Hội nghị: Nghiên cứu cơ bản trong “Khoa học Trái đất và Môi trường”DOI: 10.15625/vap.2019.000130 DỰ BÁO XÓI MÒN ĐẤT DO MƢA GÂY RA Ở VÙNG ĐỒI NÚI VIỆT NAM BẰNG CÁC PHƢƠNG PHÁP HỌC MÁY Vũ Đình Tuấn1,3, Hoàng Nhật Đức2, Trần Xuân Linh3 1 Khoa Môi trường, Trường Đại học Khoa học tự nhi n, Đại học u c gia à ội Email: vudinhtuaniae@gmail.com 2 Khoa Xây dựng, Đại học Duy Tân, Email: tranxuanlinh@dtu.edu.vn 3 Viện Nghiên cứu phát triển, Đại học Duy Tân, Email: hoangnhatduc@dtu.edu.vnTÓM TẮT Xói mòn do mưa gây ra là một vấn đề nghiêm trọng đối với các vùng đồi núi nhiệt đới. Cácmô hình dự báo xói mòn đất truyền thống (vật lý, kinh nghiệm) đều gặp khó khăn trong quá trìnhphát triển và dự báo chính xác. Do đó, nghiên cứu này xây dựng các mô hình dựa trên cơ sở dữ liệusẵn có để dự đoán tình trạng xói mòn bằng các thuật toán học máy. Một bộ dữ liệu xói mòn đấtđược thu thập trong ba năm từ 2009-2011 vùng Tây Bắc Việt Nam đã được sử dụng để xây dựng vàkiểm nghiệm các mô hình. Kết quả nghiên cứu cho thấy tất cả các mô hình học máy có thể đạt đượckết quả dự đoán tốt với tỷ lệ chính xác trong phân loại đều cao hơn 80 %. Trong đó mô hình dựatrên RVM là thuật toán phù hợp nhất vì nó đạt được kết quả dự đoán cao nhất trong cả hai giai đoạnđào tạo (tỷ lệ chính xác đạt 92,54 %) và giai đoạn kiểm nghiệm (tỷ lệ chính xác đạt 91,74 %). Từ khóa: Dự báo xói mòn đất, bộ dữ liệu thực nghiệm, vùng đồi núi, học máy.1. GIỚI THIỆU Xói mòn đất do nước gây ra mất đất từ đồng ruộng, phá vỡ cấu trúc đất và suy giảm các chấthữu cơ và chất dinh dưỡng (Spekken et al., 2016). Xói mòn còn làm giảm độ dày tầng đất trồng trọtvà giảm độ phì nhiêu của đất. Ngoài ra xói mòn còn gây bồi lắng ở hạ lưu, làm suy giảm chức năngcủa sông, hồ chứa và mương thoát nước, tăng nguy cơ lũ lụt và chặn các kênh tưới tiêu (Morgan,2005). Xói mòn đất ở vùng nhiệt đới sẽ trở nên nghiêm trọng hơn khi kết hợp với các điều kiệnkhác. Chẳng hạn đất dễ bị xói mòn hơn vào đầu mùa vụ khi mưa lớn, và lớp phủ mặt đất thấp. Trong những năm gần đây, phương pháp học máy đã được áp dụng để phân tích dữ liệu từ cácthí nghiệm nhằm mục đích dự đoán xói mòn đất. Các mô hình dựa trên học máy có thể cung cấpmột giải pháp thay thế hữu ích để đối phó với tính chất đa biến và phức tạp của các hiện tượngtrong khoa học đất và khoa học địa chất (Shahin, 2016). Nghiên cứu này nhằm mục đích mở rộngkiến thức bằng cách thiết lập các mô hình dự báo xói mòn đất cho các vùng đồi núi nhiệt đới dựatrên năm phương pháp học máy: mô hình trí tuệ nhân tạo (ANN), Vectơ hỗ trợ (SVM), Vectơ hỗ trợtối thiểu (LSSVM), Vectơ liên quan (RVM) và Fuzzy-K (FKNN). Một bộ dữ liệu, gồm mười biến,được thu thập từ các thí nghiệm ở Sơn La được sử dụng để xây dựng và hiệu đính các mô hình này.2. PHƢƠNG PHÁP 2.1. Mạng nơ ron nhân tạo (Artificial Neural Network (ANN)) ANN là một phương pháp học máy được sử dụng rộng rãi lấy cảm hứng từ các mạng lướithần kinh sinh học. Phương pháp này mô phỏng quá trình thu nhận kiến thức và lý luận xảy ra trongnão người (Hagan et al., 2014; Tran and Hoang, 2016). 2.2. Máy véc tơ hỗ trợ (Support Vector Machine (SVM)) N n Cho một tập dữ liệu huấn luyện {xk , yk }k 1 với dữ liệu đầu xk R vào và nhãn lớp tươngứng yk { 1, 1} , thuật toán SVM thiết lập ranh giới quyết định sao cho khoảng cách giữa các lớp 259Hồ Chí Minh, tháng 11 năm 2019càng lớn càng tốt. Hơn nữa, SVM dựa vào thủ thuật Kernel để đối phó với các vấn đề phân loại phituyến (Tien Bui et al., 2015; Chou et al., 2016). 2.3. Máy véc tơ hỗ trợ quân phương tối thiểu (Least Squares Support Vector Machine(LSSVM)) LSSVM là phiên bản bình phương nhỏ nhất của SVM tiêu chuẩn, trong đó cấu trúc mô hìnhđược xác định bằng cách giải quyết một tập hợp hệ thống tuyến tính thay vì vấn đề tối ưu hóa phituyến (Hoang and Tien Bui, 2016). 2.4. Máy véc tơ liên quan (Relevance Vector Machine (RVM)) RVM được đề xuất bởi Tipping (Tipping, 2000) là một phương pháp dựa trên suy luậnBayesian có thể được sử dụng để giải quyết các vấn đề phân loại. Dạng chức năng của RVM tươngtự như máy vectơ hỗ trợ. Hơn nữa, một phương pháp dựa trên tối đa hóa kỳ vọng được sử dụng đểxây dựng mô hình dự đoán RMV. 2.5. Thuật toán Fuzzy k-Nearest Neighbor (FKNN) Thuật toán FKNN, được đề xuất bởi Keller et al. (Keller et al., 1985), là một biến thể nângcao của thuật toán k Nearest Neighbor (KNN) thông thường. FKNN sử dụng khái niệm lý thuyết tậpmờ để cải thiện năng lực học tập và hiệu suất dự đoán của KNN. Phương thức FKNN gán các thànhviên mờ của các mẫu đầu vào cho mỗi ...