Ứng dụng deep learning và mô hình toán thủy văn vào dự báo dòng chảy lũ

Trong nghiên cứu này, nhóm tác giả đã kết hợp mạng RNN và mô hình thủy văn vào bài toán dự báo dòng chảy lũ theo thời gian thực nhằm mục đích tăng độ chính xác của mô hình dự báo dòng chảy. Mô hình đã tìm ra được bộ thông số tối ưu phục vụ cho việc dự báo được lượng nước lũ trong thời gian tiếp theo dựa vào các bước thời gian trước đó. Điều này có thể giúp nâng cao tính chính xác cho việc mô phỏng dòng chảy.
Nội dung trích xuất từ tài liệu:
Ứng dụng deep learning và mô hình toán thủy văn vào dự báo dòng chảy lũ Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 ỨNG DỤNG DEEP LEARNING VÀ MÔ HÌNH TOÁN THỦY VĂN VÀO DỰ BÁO DÒNG CHẢY LŨ Trần Thị Ngân1, Trần Kim Châu1 1 Trường Đại học Thủy lợi, email: ngantt@tlu.edu.vn 1. GIỚI THIỆU thông tin về mưa dự báo, trong nghiên cứu này mưa dự báo được giả thiết bằng mưa Dự báo dòng chảy là điều kiện tiên quyết thực đo. cho việc vận hành hồ chứa nhưng lại là vấn đề phức tạp và có độ bất định lớn. Thông 2. ỨNG DỤNG RNN TRONG BÀI TOÁN thường, các mô hình thủy văn được sử dụng DỰ BÁO DÒNG CHẢY LŨ để tính toán dòng chảy từ mưa. Tuy nhiên, các mô hình thủy văn hiện tại chưa mô phỏng Quá trình giải bài toán dự báo dòng chảy được đầy đủ quá trình vật lý hình thành dòng lũ bao gồm việc giải quyết một chuỗi các bài chảy cũng như chưa cập nhật được những sự toán nhỏ hơn. Chuỗi các bài toán nhỏ hơn thay đổi liên tục của bề mặt thảm phủ trên này được gọi là pipeline của mô hình học lưu vực. Trong những năm gần đây, việc ứng máy (Hình 1). dụng nghệ trí tuệ nhân tạo trong bài toán dự báo đã được nghiên cứu. Đặc biệt, các mô hình học sâu đang phát triển mạnh và được Tiền xử lý dữ liệu ứng dụng trong nhiều lĩnh vực [2, 3]. Dự báo dòng chảy cũng là một trong những lĩnh vực tiềm năng khi áp dụng các mô hình học sâu vào giải quyết các hạn chế đặt ra. Với khả Chuyển tập dữ liệu sang năng tự cập nhật trong quá trình huấn luyện, dạng chuỗi thời gian các mô hình mạng nơ ron khắc phục được những hạn chế trong mô hình thủy văn [1, 4]. Trong bài báo này, chúng tôi áp dụng mạng nơ ron hồi tiếp (Recurrent Neural Chia dữ liệu và chuyển sang Network - RNN) để tối ưu bộ thông số mô dạng vector hình thủy văn HMS theo thời gian thực nhằm mục đích dự báo dòng chảy lũ đến hồ chứa Tả Trạch. Trong cách tiếp cận này, mô hình Xây dựng và huấn luyện thủy văn sẽ có nhiệm vụ chuyển đổi mưa thời mô hình gian thực của các trạm đo trên lưu vực thành dòng chảy lũ đến hồ. Sử dụng kết quả tính toán từ mô hình và dữ liệu thực đo được trong thời gian 4 giờ trước thời điểm dự báo làm dữ liệu đầu vào cho mạng RNN. Từ đó Kiểm tra mô hình RNN đưa ra được bộ thông số tối ưu tại thời điểm dự báo. Ứng dụng bộ thông số tìm được để Hình 1. Mô hình Pipeline của bài toán tính toán dòng chảy dự báo. Do hạn chế dự báo dòng chảy lũ sử dụng RNN 110 Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 Với bài toán dự báo dòng chảy lũ, ta sẽ dựa vào phân tích chuỗi thời gian. Đây là quá trình là dự đoán trạng thái tiếp theo dựa trên một chuỗi đầu vào nhất định dựa trên những gì đã quan sát trước đó. Kết quả dự đoán là lưu lượng đến hồ trong thời điểm giờ tiếp theo, v.v. Trong bài báo này, nhóm tác giả thử nghiệm mạng RNN trên các thông Hình 3. Mạng RNN không bị xáo trộn số như sau: theo thời gian Input: số liệu Qden của 4h trước (mô hình và thực đo). Lớp ẩn xác định không gian trạng thái Output: bộ thông số mô hình sẽ dùng cho hoặc “bộ nhớ” của hệ thống được tính toán 1h sau. bằng công thức Các bước giải quyết bài toán dự báo dòng ht = fH (ot) (1) chảy lũ như sau: Tiền xử lý dữ liệu: dữ liệu sau khi thu thập Với ot = WIHxt + WHHht-1 + bh từ các trạm sẽ được tổng hợp và tiền xử lý. fH là hàm kích hoạt của lớp ẩn; Chuyển tập dữ liệu sang dạng chuỗi thời bh là vector bias của hidden unit. gian: ban đầu, dữ liệu của các tham số tại các Các nút trong lớp ẩn được liên kết với lớp mốc thời gian (t-4), (t-3), (t-2), (t-1) được đầu ra bằng kết nối trọng số WHO. Lớp đầu ra thiết lập. Bộ tham số tại các thời điểm này có P nút yt = (y1, y2, y3, y4,…, yP) được tính được sử dụng để dự đoán tham số tại thời toán bằng công thức: điểm tiếp theo (t) (Hình 2). 0 , x  0 yt  f o (WH 0 ht  b0 ) f ( x )   (2)  x, x  0 Với: ...