Đánh giá khả năng dự báo mặn trên sông Hàm Luông của thuật toán K-NEAREST NEIGHBORS

Xâm nhập mặn là vấn đề rất đáng quan tâm ở vùng đồng bằng sông Cửu Long. Để chủ động trong công tác quản lý nguồn nước ngọt và giảm thiểu tác động của xâm nhập mặn, dự báo chính xác độ mặn trên sông được xem là một trong những giải pháp hữu ích. Từ đây, mục tiêu của nghiên cứu là đánh giá khả năng áp dụng phương pháp K-Nearest Neighbors (KNN), một thuật toán đơn giản và dễ áp dụng của học máy, trong dự báo độ mặn trên sông Hàm Luông, tỉnh Bến Tre. Dữ liệu độ mặn sử dụng trong nghiên cứu được thu thập theo tuần, từ năm 2012 đến 2020. Mỗi năm đo đạc trong 23 tuần mùa khô, từ tháng 1 đến tháng 6 (tổng cộng 207 tuần). Các chỉ số thống kê như Hệ số Nash - Sutcliffe efficiency (NSE), Lỗi trung bình bình phương gốc (Root Mean Squared Error, RMSE), và Sai số tuyệt đối trung bình (Mean Absolute Error, MAE), được sử dụng để đánh giá tính chính xác của mô hình dự báo. Kết quả cho thấy mô hình KNN dự báo độ mặn khá tốt với NSE = 0,960, RMSE = 0,842, MAE = 0,541 cho tập huấn luyện, NSE = 0,904, RMSE = 1,448, MAE = 0,914 cho tập kiểm tra. Mô hình KNN là một mô hình đơn giản, dễ thực thi nhưng cho kết quả dự báo khá chính xác, cho nên mô hình rất tiềm năng trong ứng dụng dự báo mặn ởsông Hàm Luông nói riêng và một số nhánh sông của sông Mê Kông nói chung.

1. GIỚI THIỆU

2. PHƯƠNG PHÁP NGHIÊN CỨU

2.1. Khu vực nghiên cứu

2.2. Thu thập và tiền xử lý số liệu

2.3. Mô hình K láng giềng gần nhất (K-Nearest Neighbors, KNN)

2.4. Xây dựng và đánh giá mô hình

3. KẾT QUẢ VÀ BÀN LUẬN

3.1. Quan hệ giữa độ mặn cửa sông và thượng nguồn

3.2. Hiệu quả dự báo của mô hình KNN

4. KẾT LUẬN

TÀI LIỆU THAM KHẢO

[1] S. Eslami, P. Hoekstra, N. N. Trung, S. A. Kantoush, D. V. Binh, T. T. Quang, M. V. D. Vegt, “Tidal amplification and salt intrusion in the Mekong Delta driven by anthropogenic sediment starvation,” Scientific reports, 9(1), pp.1, 2019.

[2] N. V. K. Triet, N. V. Dung, L. P. Hoang, N. L. Duy, D. D. Tran, T. T. Anh, ... & H. Apel, “Future projections of flood dynamics in the Vietnamese Mekong Delta,” Science of the Total Environment, Vol. 742, pp.140596, 2020.

[3] N. H. Thoi, & A. D. Gupta, “Assessment of water resources and salinity intrusion in the Mekong Delta,” Water International, 26(1), pp. 86, 2001.

[4] Q. D. Tran, L. P. Hoang, M. D. Bui, & P. Rutschmann, “Simulating future flows and salinity intrusion using combined one-and two-dimensional hydrodynamic modelling-the case of Hau River, Vietnamese Mekong delta,” Water, 10(7), pp. 897, 2018.

[5] M. H. Rahman, T. Lund, I. Bryceson, “Salinity impacts on agro-biodiversity in three coastal, rural villages of Bangladesh,” Ocean & Coastal Management, 54(6), pp. 455, 2011.

[6] D. V. Binh, S. A. Kantoush, M. Saber, N. P. Mai, S. Maskey, D. T. Phong, & T. Sumi, “Long-term alterations of flow regimes of the Mekong River and adaptation strategies for the Vietnamese Mekong Delta,” Journal of Hydrology: Regional Studies, 32, pp.100742, 2020.

[7] H. Apel, M. Khiem, N. H. Quan, & T. Q. Toan, “Brief communication: Seasonal prediction of salinity intrusion in the Mekong Delta,” Natural Hazards and Earth System Sciences, 20(6), pp.1609, 2020.

[8] A. C. Ross, C. A. Stock, “An assessment of the predictability of column minimum dissolved oxygen concentrations in Chesapeake Bay using a machine learning model,” Estuarine, Coastal and Shelf Science, vol.221, pp.53, 2019.

[9] Z. Liang, R. Zou, X. Chen, T. Ren, H. Su, & Y. Liu, “Simulate the forecast capacity of a complicated water quality model using the long short-term memory approach,” Journal of Hydrology, Vol. 581, pp. 124432, 2020.

[10] J. Zhang, Y. Zhu, X. Zhang, M. Ye, & J. Yang, “Developing a Long Short-Term Memory (LSTM) based model for predicting water table depth in agricultural areas,” Journal of hydrology, vol. 561, pp. 918, 2018.

[11] K. Lin, P. Lu, C. Y. Xu, X. Yu, T. Lan, & X. Chen, “Modeling saltwater intrusion using an integrated Bayesian model averaging method in the Pearl River Delta,” Journal of Hydroinformatics, 21(6), pp.1147, 2019.

[12] T. T. Tran, Q. X. Ngo, H. H. Ha, & N. P. Nguyen, “Short-term forecasting of salinity intrusion in Ham Luong river, Ben Tre province using Simple Exponential Smoothing method,” Journal of Vietnamese Environment, 11(2), 43, 2019.

[13] M. Pan, H. Zhou, J. Cao, Y. Liu, J. Hao, S. Li, & C. H. Chen, “Water level prediction model based on GRU and CNN,” In Proc. IEEE Access 8, 2020, pp 60100.

[14] D. N. Moriasi, M. W. Gitau, N. Pai, & P. Daggupati, “Hydrologic and water quality models: Performance measures and evaluation criteria,” Transactions of the ASABE, 58(6), pp.1763, 2015.

[15] D. Vermeulen, &, A. V. Niekerk, “Machine learning performance for predicting soil salinity using different combinations of geomorphometric covariates,” Geoderma vol. 299, pp.1, 2017.

[16] A. Lal, & B. Datta, “Application of the group method of data handling and variable importance analysis for prediction and modelling of saltwater intrusion processes in coastal aquifers,” Neural Computing and Applications, 33(9), pp. 4179, 2021

________________________________________________________________________

Chi tiết bài báo xem tại đây: Đánh giá khả năng dự báo mặn trên sông Hàm Luông của thuật toán K-NEAREST NEIGHBORS

Phạm Ngọc Hoài, Phan Thị Thanh Huyền
Trường Đại học Thủ Dầu Một; Học viện Khoa học và Công nghệ -
Viện Hàn lâm Khoa học và Công nghệ Việt Nam,
Lê Nguyễn
Trường Đại học Nguyễn Tất Thành
Nguyễn Thu Hiền
Trường Đại học Công nghiệp Thực phẩm
Trần Thành Thái
Viện Sinh học Nhiệt đới - Viện Hàn lâm Khoa học và Công nghệ Việt Nam
Lương Lê Lâm
Trường Đại học Công nghiệp thành phố Hồ Chí Minh

TẠP CHÍ KH&CN THỦY LỢI