Mô phỏng dòng chảy lưu vực sông Vu Gia-Thu Bồn sử dụng các mô hình học máy mạng GRU và LSTM

Các mô hình học máy đã được ứng dụng rộng rãi trong nhiều lĩnh vực để tính toán và dự báo các yếu tố khác nhau, trong đó có mô phỏng dòng chảy trên các lưu vực sông. Nghiên cứu này ứng dụng hai mô hình Mạng bộ nhớ ngắn dài (LSTM) và Mạng thần kinh đơn vị định kỳ có kiểm soát (GRU) để mô phỏng dòng chảy trên lưu vực sông Vu Gia-Thu Bồn tại hai trạm đo Thành Mỹ (sông Vu Gia) và Nông Sơn (sông Thu Bồn). Chuỗi số liệu mưa và dòng chảy theo ngày của 45 năm (từ 1/1/1978-31/12/2022) tại hai trạm Thành Mỹ và Nông Sơn được sử dụng trong nghiên cứu được chia làm 2 phần (với 80% số liệu cho đào tạo và 20% cho kiểm tra mô phỏng). Độ chính xác của kết quả mô phỏng được xác định thông qua hệ số tương quan (R), độ sai lệch quân phương trung bình (RMSE) và sai số tuyệt đối trung bình (MAPE). Kết quả mô phỏng được tiến hành cho thời đoạn từ 1/1/2014-31/12/2022 tại 2 trạm khí tượng thủy văn cho thấy, cả 2 mô hình LSTM và GRU đều cho giá trị mô phỏng phù hợp với kết quả thực đo với hệ số R>0,80 và MAPE<2,5%. Mô hình LSTM cho kết quả mô phỏng chính xác hơn ở cả 2 trạm đo với các chỉ tiêu đánh giá độ chính xác của mô hình tại trạm Thành Mỹ (R=0,84, RMSE=99,6m3/s, MAPE=1,9%) và trạm Nông Sơn (R=0,87, RMSE=295,5m3/s, MAPE=1,6%). Trong khi đó, mô hình GRU cho kết quả mô phỏng ít chính xác hơn với các chỉ tiêu mô hình tại trạm Thành Mỹ (R=0,80, RMSE=103,7m3/s, MAPE=2,5%) và tại trạm Nông Sơn (R=0,82, RMSE=347,5m3/s, MAPE=1,8%). Nếu so sánh kết quả mô phỏng của hai trạm đo thì Mô hình LSTM và GRU áp dụng cho trạm Nông Sơn cho kết quả mô phỏng có độ chính xác cao hơn so với trạm Thành Mỹ. Kết quả nghiên cứu có ý nghĩa trong việc ứng dụng nhiều công cụ mã nguồn mở trong việc mô phỏng và dự báo các yếu tố thủy văn của các lưu vực dựa trên yếu tố khí tượng đầu vào.

1. GIỚI THIỆU CHUNG

2. PHƯƠNG PHÁP NGHIÊN CỨU

2.1 Phạm vi và đối tượng nghiên cứu

2.2 Phương pháp nghiên cứu

3. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

4. KẾT LUẬN

TÀI LIỆU THAM KHẢO

[1]. Mehdizadeh, S., Kozekalani Sales, 2018, A. A Comparative Study of Autoregressive, Autoregressive Moving Average, Gene Expression Programming and Bayesian Networks for Estimating Monthly Streamflow. Water Resour Manage 32, 3001–3022 (2018). https://doi.org/10.1007/s11269-018-1970-0

[2]. Yong Yu, 2019, A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures, Neural Computation 31, 1-36 (2019), Massachusetts Institute of Technology doi:10.1162/neco_a_01199

[3]. S. Siami-Namini, N. Tavakoli and A. S. Namin, "The Performance of LSTM and BiLSTM in Forecasting Time Series, 2019," 2019 IEEE International Conference on Big Data (Big Data), Los Angeles, CA, USA, 2019, pp. 3285-3292, doi: 10.1109/BigData47090.2019.9005997

[4]. Liu, Y., Yang, Y., 2023, Chin, R.J. et al. Long Short-Term Memory (LSTM) Based Model for Flood Forecasting in Xiangjiang River. KSCE J Civ Eng 27, 5030–5040 (2023). https://doi.org/10.1007/s12205-023-2469-7

[5]. Shui-Long Shen, 2021, Dynamic prediction of jet grouted column diameter in soft soil using Bi-LSTM deep learning, 2021, Acta Geotechnica 16(4), doi: 10.1007/s11440-020-01005-8

[6]. Le, XH., Ho, H.V., Lee, G. (2020). Application of Gated Recurrent Unit (GRU) Network for Forecasting River Water Levels Affected by Tides. In: Trung Viet, N., Xiping, D., Thanh Tung, T. (eds) APAC 2019. APAC 2019. Springer, Singapore. https://doi.org/10.1007/978-981-15-0291-0_92

[7]. Rebeen Hamad, 2023, Introduction to Long Short-Term Memory, https://medium.com/@rebeen.jaff/what-is-lstm-introduction-to-long-short-term-memory-

[8]. S. Siami-Namini, N. Tavakoli and A. S. Namin, "The Performance of LSTM and BiLSTM in Forecasting Time Series," 2019 IEEE International Conference on Big Data (Big Data), Los Angeles, CA, USA, 2019, pp. 3285-3292, doi: 10.1109/BigData47090.2019.9005997

[9]. Karima Nifa, 2023, Deep Learning Approach with LSTM for Daily Streamflow Prediction in a Semi-Arid Area: A Case Study of Oum Er-Rabia River Basin, Morocco, Water 2023, 15(2),262; https://doi.org/10.3390/w15020262

[10]. Smagulova, K., James, A.P. A survey on LSTM memristive neural network architectures and applications. Eur. Phys. J. Spec. (2019). https://doi.org/10.1140/epjst/e2019-900046-x

[11]. L. Hou, L. Xin, S. E. Li, B. Cheng, and W. Wang, "Interactive Trajectory Prediction of Surrounding Road Users for Autonomous Driving Using Structural-LSTM Network," in IEEE Transactions on Intelligent Transportation Systems, vol. 21, no. 11, pp. 4615-4625, Nov. 2020, doi: 10.1109/TITS.2019.2942089.

______________________________________________________________________

Chi tiết bài báo xem tại đây: Mô phỏng dòng chảy lưu vực sông vu gia-thu bồn sử dụng các mô hình học máy mạng GRU và LSTM

Trần Tuấn Thạch
Trường Đại học Thuỷ lợi

TẠP CHÍ KH&CN THỦY LỢI