Mô hình bộ nhớ dài - ngắn LSTM cho mô phỏng dòng chảy lưu vực sông Thu Bồn

Bài báo này trình bày các kết quả mô phỏng lưu lượng dòng chảy trên lưu vực sông Thu Bồn tính đến trạm thủy văn Nông Sơn sử dụng mô hình bộ nhớ dài – ngắn LSTM. Chuỗi số liệu mưa tại Nông Sơn, Hiệp Đức, Tiên Phước, Trà My và lưu lượng dòng chảy tại Nông Sơn từ 1/1/1977 đến 31/12/2020 đã được thu thập để phục vụ cho các mục đích tính toán. Phương pháp thử sai đã được sử dụng để xác định giá trị phù hợp của các thông số mô hình LSTM, trong khi bốn chỉ tiêu đánh giá sai số (sai số quân phương - RMSE, sai số trung bình tuyệt đối - MAE, hệ số tương quan - r và hệ số Nash–Sutcliffe efficiency - NSE) đã được áp dụng để đánh giá sự phù hợp giữa lưu lượng dòng chảy tính toán và thực đo. Kết quả tính toán thể hiện rằng mô hình LSTM đã tái hiện khá tốt chuỗi lưu lượng dòng chảy thực đo trong thời kỳ nhiều năm trên lưu vực nghiên cứu. Hệ số tương quan r thay đổi từ 0,87 đến 0,95, trong khi hệ số NSE dao động từ 0,73 đến 0,90. Giá trị RMSE và MAE của lưu lượng dòng chảy nhỏ hơn 3,52% biên độ lưu lượng dòng chảy thực đo ghi nhận tại trạm. Trong bốn trạm mưa thu thập trên lưu vực nghiên cứu, dữ liệu mưa tại trạm Trà My cho các kết quả mô phỏng chuỗi lưu lượng dòng chảy thực đo tại Nông Sơn tốt nhất khi sử dụng mô hình LSTM, với hệ số tương quan r lớn hơn 0,94 và hệ số NSE lớn hơn 0,88. Ảnh hưởng của dữ liệu mưa và khả năng nâng cao độ chính xác kết quả mô phỏng lưu lượng dòng chảy khi sử dụng mô hình LSTM cũng được thảo luận

1. ĐẶT VẤN ĐỀ

2. LƯU VỰC NGHIÊN CỨU VÀ THU THẬP DỮ LIỆU

2.1. Giới thiệu về lưu vực nghiên cứu

2.2. Thu thập dữ liệu

3. PHƯƠNG PHÁP NGHIÊN CỨU

3.1. Mô hình LSTM

3.2. Các chỉ tiêu đánh giá sai số

3.3. Thiết lập các tính toán

4. KẾT QUẢ VÀ THẢO LUẬN

4.1. Kết quả đào tạo mô hình

4.2. Kết quả kiểm định mô hình

5. KẾT LUẬN

TÀI LIỆU THAM KHẢO

[1] Rajaee T. & Jafari H. (2020). Two decades on the artificical intelligence models advancement for modeling river sediment concentration: state-of-the-art. Journal of Hydrlogy, 588, 125011.

[2] Hochreiter S. & Schmidhuber J. (1997). Long short–term memory. Neural Computation, 9, 1735–1780.

[3] Hien, L. X., Hùng, H. V., Lee, G. (2018). Xây dựng mô hình mạng nơ-ron hồi quy dựa trên phần mềm mã nguồn mở để dự báo lưu lượng dòng chảy. Hội nghị Khoa học thường niên trường Đại học Thủy lợi 2018, 18/11, 560-562.

[4] Pham Van C. & Le H. (2022). 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 practice and technology, 18(1), 166-230.

[5] Nguyen H.D, Pham Van C., Nguyen Q-H., Bui Q-T (2023). Daily streamflow prediction based on the long short-term memory algorithm: a case study in the Vietnamese Mekong Delta. Journal of Water and Climate Change, 14(4), 1247-1267.

[6] Vũ Thị Thu Lan và ccs (2019). Cân bằng nước lưu vực sông Vu Gia - Thu Bồn bằng mô hình Mike hydro basin. Tạp chí Khí tượng Thủy văn, số 708, 1–12.

_______________________________________________________________________

Chi tiết bài báo xem tại đây: Mô hình bộ nhớ dài - ngắn LSTM cho mô phỏng dòng chảy lưu vực sông Thu Bồn

Phạm Văn Chiến
Trường Đại học Thuỷ lợi
Nguyễn Hoàng Bách
Viện Khoa học Tài nguyên nước

TẠP CHÍ KH&CN THỦY LỢI