Nghiên cứu ứng dụng mô hình học máy vào dự báo mực nước hồ Buôn Tua Sarh

Nghiên cứu này áp dụng hai mô hình học máy là SVR và LSTM để dự báo mực nước hồ Buôn Tua Srah, lưu vực Srê Pốk, Việt Nam. Các bước dự báo khác nhau (6h, 12h,24h, 48h,72h) được thực hiện với các trường hợp dữ liệu đầu vào khác nhau được thu thập từ 2017-2023 ở thời điểm dự báo, 24h và 72h trước đấy để tìm ra bộ dữ liệu đầu vào phù hợp cho mỗi mô hình học máy. Kết quả nghiên cứu cho thấy mô hình SVR và LSTM không có nhiều khác biệt trong dự báo mực nước 6h,12h và 24h tới với sai số MAE thấp nhất tương ứng là 0,03, 0,05 và 0,08m. Đối với dự báo 48h và 72h, mô hình SVR cho kết quả dự báo tốt hơn so với mô hình LSTM. Bộ dữ liệu đầu vào cho mô hình SVR bao gồm mực nước hồ, dòng chảy đến, xả và thể tích hồ tại thời điểm 24h trước cho kết quả dự báo tốt nhất cho các bước 6h, 12h và 24h trong khi mô hình LSTM cho kết quả dự báo tốt hơn chỉ với dữ liệu mực nước hồ 72h trước đấy.

1. ĐẶT VẤN ĐỀ

2. DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU

2.1 Giới thiệu khu vực nghiên cứu

2.2. Phương pháp nghiên cứu

2.3. Dữ liệu đầu vào

2.4. Thiết lập mô hình

2.5. Phương pháp đánh giá mô hình

3. KẾT QUẢ NGHIÊN CỨU

4. KẾT LUẬN

TÀI LIỆU THAM KHẢO

[1] M. Liu et al., “The applicability of lstm-knn model for real-time flood forecasting in different climate zones in China,” Water (Switzerland), vol. 12, no. 2, 2020.

[2] C. Paniconi and M. Putti, “Physically based modeling in catchment hydrology at 50: Survey and outlook,” Water Resour. Res., vol. 51, no. 9, pp. 7090–7129, 2015

[3] D. P. Solomatine and A. Ostfeld, “Data-driven modelling: Some past experiences and new approaches,” J. Hydroinformatics, vol. 10, no. 1, pp. 3–22, 2008, doi: 10.2166/hydro.2008.015.

[4] S. Ghimire, Z. M. Yaseen, A. A. Farooque, R. C. Deo, J. Zhang, and X. Tao, “Streamflow

prediction using an integrated methodology based on convolutional neural network and long short-term memory networks,” Sci. Rep., vol. 11, no. 1, pp. 1–27, 2021, doi: 10.1038/s41598-021-96751-4.

[5] C. P. Van, H. D. Nguyen, Q. H. Nguyen, and Q. T. Bui, “Daily streamflow prediction based on the long short-term memory algorithm: a case study in the Vietnamese Mekong Delta,” J. Water Clim. Chang., vol. 14, no. 4, pp. 1247–1267, 2023, doi: 10.2166/wcc.2023.419.

[6] D. Zhang, Q. Peng, J. Lin, D. Wang, X. Liu, and J. Zhuang, “Simulating reservoir operation using a recurrent neural network algorithm,” Water (Switzerland), vol. 11, no. 4, 2019, doi: 10.3390/w11040865.

[7] C. Choi, J. Kim, H. Han, D. Han, and H. S. Kim, “Development of Water Level Prediction Models Using Machine Learning in Wetlands: A Case Study of Upo Wetland in South Korea,” Water, vol. 12, no. 93, 2020, doi: 10.3390/w12010093.

[8] Z. Vizi et al., “Water level prediction using long short-term memory neural network model for a lowland river: a case study on the Tisza River, Central Europe,” Environ. Sci. Eur., vol. 35, no. 1, 2023, doi: 10.1186/s12302-023-00796-3.

[9] K.-R. Müller, A. J. Smola, G. Rätsch, B. Schölkopf, J. Kohlmorgen, and V. Vapnik, “Using support vector machines for time series prediction.” pp. 243–253, 1999.

[10] O. Kisi and K. S. Parmar, “Application of least square support vector machine and multivariate adaptive regression spline models in long term prediction of river water pollution,” J. Hydrol., vol. 534, pp. 104–112, 2016.

[11] J. Y. Lin, C. T. Cheng, and K. W. Chau, “Using support vector machines for long-term discharge prediction,” Hydrol. Sci. J., vol. 51, no. 4, pp. 599–612, 2006, doi: 10.1623/hysj.51.4.599.

[12] D. Zhang et al., “Modeling and simulating of reservoir operation using the artificial neural network, support vector regression, deep learning algorithm,” J. Hydrol., vol. 565, pp. 720–736, 2018.

[13] C. H. Hải, T. A. Phương, T. Q. Như, and T. M. Cường, “Áp dụng trí tuệ nhân tạo vào dự báo lưu lượng đến hồ lưu vực sông Ba,” Tạp chí Khí tượng Thủy văn, vol. 09, pp. 22–33, 2019.

[14] L. Xuân Hòa and N. Tiền Giang, “Xây dựng các mô hình hồi quy hỗ trợ véc tơ dự báo mực nước trạm Cao Lãnh, tỉnh Đồng Tháp,” Vietnam J. Hydrometeorol., vol. 8, no. 740(1), pp. 87–97, 2022, doi: 10.36335/vnjhm.2022(740(1)).87-97.

[15] Vapnik and V. N., “The Nature of Statistical Learning,” Theory. p. 334, 1995.

[16] B. E. Boser, I. M. Guyon, and V. N. Vapnik, “Training algorithm for optimal margin classifiers,” Proc. Fifth Annu. ACM Work. Comput. Learn. Theory, no. August 1996, pp. 144–152, 1992, doi: 10.1145/130385.130401.

[17] F. A. Gers, N. N. Schraudolph, and J. Schmidhuber, “Learning precise timing with LSTM recurrent networks,” J. Mach. Learn. Res., vol. 3, no. 1, pp. 115–143, 2003, doi: 10.1162/153244303768966139.

[18] 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.

______________________________________________________________________

Chi tiết bài báo xem tại đây: Nghiên cứu ứng dụng mô hình học máy vào dự báo mực nước hồ Buôn Tua Sarh

Trần Thị Tuyết, Đỗ Anh Đức, Hoàng Diệu Hằng
Viện Thủy điện và Năng lượng Tái tạo
Đặng Thanh Tuấn
Trung tâm Công nghệ phần mềm Thủy lợi

TẠP CHÍ KH&CN THỦY LỢI