Ứng dụng mạng Long Short Term Memory (LSTM) để dự báo mực nước tại trạm Quang Phục và Cửa Cấm, Hải Phòng, Việt Nam

Bài viết trình bày các ứng dụng của mô hình bộ nhớ gần xa (Long Short-Term Memory - LSTM) được sử dụng để dự báo mực nước sông mà không cần các số liệu địa hình và dự báo mưa. Dữ liệu cần thiếtcho mô phỏng là mực nước theo giờ tại các trạm thủy văn ở thành phố Hải Phòng,... Để nắm nội dung mời các bạn cùng tham khảo.
Nội dung trích xuất từ tài liệu:
Ứng dụng mạng Long Short Term Memory (LSTM) để dự báo mực nước tại trạm Quang Phục và Cửa Cấm, Hải Phòng, Việt NamBÀI BÁO KHOA HCỨNG DỤNG MẠNG LONG SHORT-TERM MEMORY (LSTM)ĐỂ DỰ BÁO MỰC NƯỚC TẠI TRẠM QUANG PHỤCVÀ CỬA CẤM, HẢI PHÒNG, VIỆT NAMLê Xuân Hiền1, 2; Hồ Việt Hùng1Tóm tắt: Trong bài báo này, mô hình Bộ nhớ gần xa (Long Short-Term Memory - LSTM) được sửdụng để dự báo mực nước sông mà không cần các số liệu địa hình và dự báo mưa. Dữ liệu cần thiếtcho mô phỏng là mực nước theo giờ tại các trạm thủy văn ở thành phố Hải Phòng. Mô hình đượcthiết lập để dự báo mực nước cho trạm Quang Phục và trạm Cửa Cấm trước 5 giờ (dự báo từ 1 giờđến 5 giờ). Mặc dù mô hình không yêu cầu các dữ liệu về khí hậu, địa hình nhưng kết quả dự báocó độ chính xác cao. Trong trường hợp dự báo mực nước trước 3 giờ, hệ số NSE (hệ số Nash) chogiá trị trên 97,8% và giá trị RMSE (sai số căn quân phương) nhỏ hơn 0,10 m cho cả 2 trạm. Kếtquả này cho thấy rằng, mô hình LSTM mà các tác giả đề xuất dự báo chính xác mực nước theo thờigian thực, có thể áp dụng mô hình này để cảnh báo lũ trên các sông của Việt Nam.Từ khóa: Hải Phòng, dự báo mực nước, LSTM, DNN, Quang Phục, Cửa Cấm.1. MỞ ĐẦU *Diễn biến mực nước sông là một quá trìnhphức tạp, biến đổi theo không gian và thời gian.Việc dự báo chính xác mực nước là một trongnhững yêu cầu cấp bách nhằm giảm thiểu cácrủi ro do lũ gây ra và có ý nghĩa quan trọngtrong việc xây dựng phương án phòng, chốnglũ. Các mô hình truyền thống được sử dụng đểdự báo ở Việt Nam cũng như trên thế giới là cácmô hình số về thủy lực và thủy văn. Các môhình này yêu cầu một số lượng lớn các dữ liệuđầu vào như: đặc điểm lưu vực, địa hình, dự báolượng mưa, quan hệ mưa – dòng chảy, quan hệlưu lượng - mực nước theo thời gian tại một sốvị trí.Một trong những giải pháp hiệu quả cho việcdự báo là sử dụng mô hình Mạng thần kinh nhântạo (Artificial Neural Network – ANN). Trên thếgiới các mô hình ANN đã được sử dụng rộng rãitrong dự báo lũ từ những năm 1990 (Sung, J.Y.và các cộng sự, 2017). Cùng với đó, các nhànghiên cứu đã áp dụng các thuật toán vào môhình Mạng thần kinh để làm tăng độ chính xác1Khoa Kỹ thuật Tài nguyên nước, Trường Đại học Thủy lợiDept. of Construction & Disaster Prevention Engineering,Kyungpook National University, Sangju, Korea2của kết quả dự báo. Trong những năm gần đây,phương pháp Học sâu (Deep learning) dựa trênnền tảng là các mạng thần kinh nhân tạo đangphát triển rất nhanh và thu hút sự quan tâm củanhiều nhà khoa học. Có thể kể đến nghiên cứucủa Chen, J.F. và các cộng sự (2014), ở đâythuật toán Cuckoo Search đã được áp dụng đểdự báo dòng chảy đến hồ Hòa Bình, Việt Nam;Nguyễn Thanh Tùng (2016) đã sử dụng phươngpháp Random Forest cũng để dự báo dòng chảyđến hồ này; Trương Xuân Nam và các cộng sự(2016) đã sử dụng phương pháp Học sâu để dựbáo lưu lượng nước đến hồ Hòa Bình. Cácnghiên cứu này đều có một điểm chung, đó là sửdụng dữ liệu của mùa kiệt với bước thời gianquan trắc 10 ngày làm đầu vào và đưa ra dự báodòng chảy cho 10 ngày sau đó. Các kết quảnghiên cứu đều khẳng định khả năng tiềm ẩncủa mô hình mạng thần kinh. Mô hình ANNcũng được áp dụng để dự báo mực nước ở trạmHirakata, Nhật Bản (Kim, S. và các cộng sự,2017). Nghiên cứu này chỉ sử dụng dữ liệu mựcnước thực đo theo giờ ở các trạm thượng lưu đểdự báo mực nước ở hạ lưu trước 3, 6 và 9 giờ.Kết quả đạt được cho thấy mô hình mạng thầnkinh có thể áp dụng cho việc cảnh báo lũ trênKHOA HCHC K THUT THY LI VÀ MÔI TRNG - S 62 (9/2018)9sông. Wang, Y. và các cộng sự (2017) đã sửdụng mạng thần kinh LSTM để dự báo chấtlượng nước cho hồ Taihu, Trung Quốc. Nghiêncứu chỉ ra rằng mô hình LSTM đưa ra dự báochính xác hơn so với các mô hình mạng thầnkinh khác.Trong bài báo này, các tác giả sử dụng môhình LSTM để dự báo mực nước sông màkhông cần các thông tin dự báo lượng mưa,cũng như số liệu địa hình và tình hình sử dụngđất. Mô hình này được áp dụng để dự báo mựcnước trước 1h, 2h, 3h, 4h và 5h tại trạm QuangPhục trên sông Văn Úc và trạm Cửa Cấm trênsông Cấm.2. PHƯƠNG PHÁP NGHIÊN CỨU2.1 Mô hình LSTMMô hình đề xuất dựa trên mô hình mạng thầnkinh sâu LSTM, đây là một dạng đặc biệt củaRNN (Recurrent Neural Network - Mạng thầnkinh hồi quy). LSTM được giới thiệu bởiHochreiter và Schmidhuber (1997) nhằm giảiquyết các bài toán về phụ thuộc xa (long-termdependency).thay vì chỉ có 1 tầng mạng thần kinh như RNNchuẩn thì chúng có tới 4 tầng và tương tác vớinhau một cách đặc biệt. Cấu trúc của mô hìnhmạng thần kinh LSTM được thể hiện ở Hình 1.Cốt lõi của LSTM bao gồm trạng thái tế bào(cell state) và cổng (gate). Trạng thái tế bàogiống như băng chuyền, chạy xuyên suốt qua tấtcả các nút mạng giúp thông tin được truyền đạtdễ dàng, còn cổng là nơi sàng lọc thông tin điqua nó, chúng được kết hợp bởi một tầng mạngsigmoid. Một LSTM gồm có 3 cổng để duy trìhoạt động trạng thái của tế bào.Bước đầu tiên của mô hình LSTM được gọilà ...