Đánh giá hiệu suất của mô hình truyền thống và học sâu trong tính toán mưa - dòng chảy trên sông Hiếu, Nghệ An

Bài báo này trình bày hai cách tiếp cận trong việc tính toán dòng chảy từ mưa, một là cách truyền thống, sử dụng mô hình MIKE NAM và cách sử dụng thuật toán học sâu LSTM. Dữ liệu mưa, bốc hơi và lưu lượng với bước thời gian một ngày trong 46 năm từ 1975 đến 2020 trên lưu vực sông Hiếu, Nghệ An và trạm thủy văn Nghĩa Khánh được sử dụng cho nghiên cứu. Cả hai mô hình đều được huấn luyện/hiệu chỉnh với chuỗi dữ liệu 36 năm từ 1975 đến 2010 và kiểm chứng với chuỗi dữ liệu từ 10 năm từ 2011 đến 2020. Hiệu suất của các mô hình được đánh giá thông qua các chỉ số Nash-Sutcliffe Efficiency NSE; Root Mean Squared Error RMSE và Mean Absolute Error MAE. Kết quả nghiên cứu cho thấy, các mô hình đều chứng minh khả năng mạnh mẽ trong việc mô phỏng và dự báo lưu lượng xả hàng ngày, nắm bắt hiệu quả xu hướng mùa lũ và mùa khô. Hệ số Nash-Sutcliffe (NSE) cho tất cả các mô hình đều vượt quá 70%. Trong đó, LSTM-Q, sử dụng lượng mưa, bốc hơi và lưu lượng từ Quỳ Châu làm đầu vào, đạt độ hiệu suất cao nhất. Những kết quả này cho thấy khả năng ứng dụng của MIKE NAM và LSTM trong việc tính toán và dự báo dòng chảy ở Việt Nam

1. GIỚI THIỆU

2. DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU

2.1. Dữ liệu sử dụng

2.2. Phương pháp nghiên cứu

3. KẾT QUẢ VÀ THẢO LUẬN

4. KẾT LUẬN

TÀI LIỆU THAM KHẢO

[1] K. Beven, Rainfall-runoff modelling. The Primer. A John Wiley $ Sons, Ltd, Publication, 2001. doi: 10.1201/9780429423116-33.

[2] F. Kratzert, D. Klotz, C. Brenner, K. Schulz, and M. Herrnegger, “Rainfall-runoff modelling using Long Short-Term Memory (LSTM) networks,” Hydrol. Earth Syst. Sci., vol. 22, no. 11, pp. 6005–6022, 2018, doi: 10.5194/hess-22-6005-2018.

[3] T. T. Thái et al., “Áp dụng mạng trí nhớ ngắn hạn định hướng dài hạn ( Long Short − Term Memory ) để dự báo lưu lượng nước tại trạm thủy văn Mỹ Thuận trên sông Tiền,” Tạp chí phát triển Khoa học và công nghệ - Khoa học tự nhiên, no. 6(1), pp. 1884–1896, 2022, doi:10.32508/stdjns.v6i1.1129.

[4] A. Z. Abdul Razad, L. M. Sidek, K. Jung, and H. Basri, “Reservoir Inflow Simulation using Mike Nam Rainfall-Runoff Model,” J. Eng. Sci. Technol., vol. 13, no. 12, pp. 4206–4225, 2018.

[5] C. P. Van and H. Le, “Estimation of the daily flow in river basins using the data-driven model and traditional approaches: an application in the Hieu river basin, Vietnam,” Water Pract. Technol., vol. 18, no. 1, pp. 215–230, 2023, doi: 10.2166/wpt.2022.166.

[6] V. Moreido, B. Gartsman, D. P. Solomatine, and Z. Suchilina, “How Well Can Machine Learning Models Perform without Hydrologists? Application of Rational Feature Selection to Improve Hydrological Forecasting,” Water, vol. 13, no. 12. 2021. doi:10.3390/w13121696.

[7] G. Papacharalampous and H. Tyralis, “A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting,” Front. Water, vol. 4, 2022, doi: 10.3389/frwa.2022.961954.

[8] DHI, “MIKE 11: A modelling system for rivers and Channels. Reference manual. Denmark: Danish Hydraulic Institute,” pp. 278–325, 2009.

[9] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997, doi: 10.1162/neco.1997.9.8.1735.

[10] D. P. Kingma and J. L. Ba, “Adam: a method for stochastic optimization,” Int. Conf. Learn. Represent., pp. 1–33, 2015.

______________________________________________________________________

Chi tiết bài báo xem tại đây: Đánh giá hiệu suất của mô hình truyền thống và học sâu trong tính toán mưa - dòng chảy trên sông Hiếu, Nghệ An

Hoàng Đức Vinh, Lê Văn Nghị,
Nguyễn Ngọc Nam, Ngô Quang Hồng Sơn
Phòng Thí nghiệm trọng điểm Quốc gia về Động lực học sông biển

TẠP CHÍ KH&CN THỦY LỢI