zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Khoa Học Tự Nhiên

» Môi trường

Dự báo mực nước hạn dài trên dòng chính sông Mekong bằng mạng noron tiến hóa - EANN

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

10
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết đã trình bày tóm tắt “Nghiên cứu dự báo mực nước hạn dài cho một số trạm trên dòng chính sông Mekong bằng Mạng Nơ ron Tiến hóa - EANN”. Kết quả nghiên cứu thử nghiệm cho 3 trạm Tân Châu, Châu Đốc và Chieng Sean có mức đảm bảo phương án trên 75% ở mức khá tốt đối với dự báo hạn dài.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Dự báo mực nước hạn dài trên dòng chính sông Mekong bằng mạng noron tiến hóa - EANN

Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 DỰ BÁO MỰC NƯỚC HẠN DÀI TRÊN DÒNG CHÍNH SÔNG MEKONG BẰNG MẠNG NORON TIẾN HÓA - EANN Hoàng Thanh Tùng1, Nguyễn Hoàng Sơn1, Ngô Lê An1 1 Trường Đại học Thủy lợi, email: httung@tlu.edu.vn 1. ĐẶT VẤN ĐỀ Nhóm 2: Các mô hình nhận thức được xây dựng dựa vào cơ sở vật lý của các mối quan Sông Mekong là con sông quốc tế chảy hệ giữa dòng chảy và nhân tố ảnh hưởng. Mặc qua các nước Trung Quốc, Miến Điện, Lào, dù có hạn chế về thời gian dự kiến trong dự Thái Lan, Campuchia và Việt Nam. Phần báo nhưng cùng với sự phát triển của các mô diện tích lưu vực trên lãnh thổ Việt Nam gọi hình khí hậu toàn cầu với các công nghệ, kỹ là Đồng bằng Sông Cửu Long (ĐBSCL) - thuật xử lý mới, nhóm này có nhiều triển vọng đồng bằng sông lớn nhất ở Việt Nam, là vựa ứng dụng [theo Ngô Lê An và nnk (2021)]. lúa đóng góp lớn đến an ninh lương thực và Nhóm 3: Các phương pháp nhận dạng - xuất khẩu gạo của Việt Nam trên thế giới. tương tự và phương pháp thống kê xác suất, Tuy nhiên do ĐBSCL ở hạ nguồn sông và mạng trí tuệ nhân tạo (AI). Trong đó Mekong do vậy chịu tác động rất lớn của các phương pháp thống kê khách quan cũng được công trình thủy lợi, thủy điện ở bên trên nên sử dụng trong dự báo hạn dài dòng chảy dòng chảy về ĐBSCL đang có xu thế thay sông. Phương pháp nhận dạng tương tự và AI đổi mạnh và giảm dần ở cả mùa lũ lẫn mùa được dùng ở nhiều dạng khác nhau, từ đơn kiệt trong những năm gần đây làm cho sản giản, với một hoặc hai nhân tố dự báo, đến xuất nông nghiệp, nuôi trồng và đánh bắt phức tạp với hàng trăm nhân tố, hàng chục thủy hải sản bị ảnh hưởng mạnh. Chính vì loại số liệu khác nhau. Phương pháp đã được vậy để hạn chế những ảnh hưởng này và để nghiên cứu ứng dụng trong dự báo hạn vừa, chủ động thích nghi với những thay đổi về dự báo tháng và phân phối dòng chảy các dòng chảy về ĐBSCL trong phát triển kinh tế tháng trong năm. xã hội thì việc dự báo dòng chảy hạn dài tại Bài báo này trình bày tóm tắt “Nghiên cứu một số trạm trên dòng chính sông Mekong là dự báo mực nước hạn dài cho một số trạm rất cần thiết. trên dòng chính sông Mekong bằng Mạng Nơ Ở Việt Nam, dự báo hạn dài đã được quan ron Tiến hóa - EANN”. Mạng EANN là một tâm từ những năm 60 và được xem như một trong những dạng lai ghép giữa mạng Nơ ron nhiệm vụ chủ yếu của Tổng Cục Khí tượng thần kinh với thuật toán quét ngược (BPNN - Thủy văn. Một số phương pháp dự báo hạn Back Propagation Neural Network) được áp dài của nước ngoài đã được nghiên cứu ứng dụng nhiều trong thủy văn với thuật toán giải dụng vào dự báo dòng chảy 10 ngày, tháng, đoán gen (GA - Genetic Algorithms). Khi áp mùa, năm tại một số trạm cơ bản trên một số dụng mạng BPNN người dùng sẽ phải chạy hệ thống sông của Việt Nam. Có thể tổng hợp rất nhiều trường hợp để tìm ra mạng nơ ron tốt các phương pháp dự báo hạn vừa, hạn dài nhất (tìm ra số lớp ẩn, số nút trong lớp ẩn) nên vào 3 nhóm chính [1]: thời gian chạy mô hình sẽ rất lâu, đặc biệt với - Nhóm 1: Mô hình tương quan với hoàn yêu cầu cập nhật số liệu liên tục trong dự báo lưu khí quyển, khí hậu; hiện nay Tổng Cục tác nghiệp. Với việc áp dụng mạng EANN, KTTV vẫn đang sử dụng phương pháp này. thuật toán GA sẽ giúp việc tối ưu mạng nơ ron 567
Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 BPNN nhanh hơn rất nhiều, do vậy rất thích 3. KẾT QUẢ NGHIÊN CỨU hợp cho việc dự báo tác nghiệp. Từ số liệu đã thu thập, tiến hành phân tích 2. PHƯƠNG PHÁP NGHIÊN CỨU ma trận tương quan và sử dụng thuật toán Stepwise, nghiên cứu đã lựa chọn ra các biến 2.1. Số liệu sử dụng trong nghiên cứu tốt nhất đưa vào xây dựng mô hình EANN. Dữ liệu KTTV (mưa, mực nước) vùng hạ Tất cả các biến mưa, các biến mực nước ở nguồn châu thổ sông Mekong thời đoạn ngày, các trạm trên dòng chính sông ở quá xa trạm từ 1/1980 đến 12/2019. Số liệu này được thu cần dự báo cũng bị loại, do đây là mô hình dự thập được từ Ủy Ban sông Mekong Quốc tế. báo hạn dài thời hạn tháng nên tương quan 2.2. Phương pháp nghiên cứu các biến này với biến cần dự báo quá nhỏ do đó bị thuật toán loại. Các biến tham gia vào Sơ đồ dưới đây minh họa các bước xây mô hình EANN còn lại là các biến mực nước dựng mô hình EANN dự báo mực nước một trung bình tháng thứ i, i-1, i-2, i-3 tại trạm số trạm trên dòng chính sông Mekong. cần dự báo, mực nước trung bình của trạm Trong sơ đồ này, việc lựa chọn số liệu để phân tích là rất quan trọng, đặc biệt với bên trên trạm cần dự báo về phía thượng phương pháp mạng trí tuệ nhân tạo (AI) khi nguồn tháng thứ i và mực nước trung bình có quá nhiều biến đầu vào mà không biết ngày cuối cùng của tháng thứ i trạm cần dự những số liệu nào có ảnh hưởng lớn đến biến báo. Số liệu dùng để đào tạo mạng (training) đầu ra (biến cần dự báo). Nhóm nghiên cứu từ tháng 1/1980 đến tháng 12/2005; số liệu đã sử dụng thuật toán “Stepwise” để thực dùng để kiểm tra mạng (testing) từ 1/2006 hiện việc này. Thuật toán này cho phép lần đến tháng 12/2014. Số liệu dùng để kiểm tra lượt đưa vào và đưa ra từng biến để đánh giá chéo (cross validation) chọn 20 năm bao gồm mức độ ảnh hưởng/đóng góp của từng biến cả 2 liệt trên. Số liệu dùng để dự báo thử với biến cần dự báo. Khi mỗi biến đưa vào, nghiệm từ tháng 1/2015 đến tháng 12/2019. mô hình sẽ phân tích và đánh giá các chỉ tiêu Kết quả đào tạo mạng tại Tân Châu, Châu thống kê (ví dụ như Fisher (F), Student (T),... Đốc và Chieng Sean có hệ số tương quan (R) hệ số tương quan bội (R2) nếu chỉ tiêu đạt thì tương ứng là 0.94, 0.93 và 0.86; sai số tuyệt giữ lại, không đạt thì loại ra. đối trung bình (MAE) tương ứng là 0.27, 0.27 và 0.36. Kết quả kiểm tra mạng cũng cho kết quả tốt với R lần lượt là 0.93, 0.93 và 0.85; MAE lần lượt là 0.27, 0.27 và 0.36. Bảng 1 và các Hình 2, 3, 4 dưới đây minh họa kết quả dự báo thử nghiệm cho các trạm Tân Châu, Châu Đốc và Chieng Sean từ tháng 1/2015 đến tháng 12/2019: Hình 1. Các bước xây dựng mô hình EANN Hình 2. Dự báo thử nghiệm tại Tân Châu 568
Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 Bảng 1. Kết quả đánh giá dự báo tại một số Mô hình mạng EANN xây dựng để dự báo vị trí trên dòng chính sông Mekong mực nước trung bình tháng cho 3 trạm trên được đánh giá là khá tốt với mức đảm bảo Chỉ số đánh giá Tân Châu Chieng Châu Đốc Sean phương án trên 75%. Mô hình này có ưu điểm hơn các mô hình mạng trí tuệ nhân tạo khác ở MSE (sai số toàn phương 0.25 khả năng cập nhật số liệu liên tục sau đó tự tối trung bình) 0.14 0.12 ưu mạng mới rất nhanh nên có thể được sử NMSE (sai số tuyệt đối 0.18 0.24 0.34 dụng như một công cụ dự báo tác nghiệp. trung bình hiệu chỉnh) 4. KẾT LUẬN MAE (sai số tuyệt đối 0.38 trung bình) 0.27 0.27 Bài báo đã trình bày tóm tắt “Nghiên cứu Min Abs Error (sai số 0.01 dự báo mực nước hạn dài cho một số trạm nhỏ nhất) 0.02 0.01 trên dòng chính sông Mekong bằng Mạng Nơ Max Abs Error (sai số 1.19 ron Tiến hóa - EANN”. Kết quả nghiên cứu lớn nhất) 1.70 1.54 thử nghiệm cho 3 trạm Tân Châu, Châu Đốc và Chieng Sean có mức đảm bảo phương án R (hệ số tương quan) 0.93 0.91 0.82 trên 75% ở mức khá tốt đối với dự báo hạn Mức đảm bảo phương án 78% 78% 75% dài. Mạng EANN lại có nhiều ưu điểm về thời gian chạy mô hình để dự báo, đặc biệt là khả năng cập nhật dữ liệu liên tục để dự báo nên rất thích hợp cho việc đưa vào dự báo tác nghiệp. Trong thời gian sắp tới, nhóm nghiên cứu sẽ tiếp tục đưa biến triều vào phân tích trong mô hình để có thể dự báo lưu lượng tại các trạm bị ảnh hưởng của thủy triều như Tân Châu và Châu Đốc. Hình 3. Dự báo thử nghiệm tại Châu Đốc 5. TÀI LIỆU THAM KHẢO [1] Tổng kết đề tài NCKH cấp Nhà nước “Nghiên cứu cơ sở khoa học phục vụ giám sát tài nguyên nước mặt và cảnh báo hạn hán ở Đồng bằng sông Cửu Long trong điều kiện thiếu số liệu quan trắc ở lưu vực sông Mekong ngoài lãnh thổ Việt Nam”. [2] Ngô Lê An và nnk (2021). Nghiên cứu mô phỏng dòng chảy thời đoạn tháng cho lưu vực sông Mekong đến Kratie sử dụng dữ liệu Aphrodite. Tạp chí Khoa học Kỹ thuật Hình 4. Dự báo thử nghiệm tại Chieng Sean Thủy lợi và Môi trường số 72 (3/2021). 569

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.