Ứng dụng mô hình học máy Random Forest mô phỏng dòng chảy của lưu vực sông Vệ-Quảng Ngãi

Tài nguyên nước của lưu vực sông có vai trò thiết yếu đối với sự phát triển kinh tế-xã hội. Việc mô phỏng xác định dòng chảy trên sông do đó rất cần thiết nhằm đưa ra chiến lược quy hoạch phân bổ tài nguyên nước một cách bền vững cũng như có kế hoạch ứng phó với các thiệt hại do lũ gây ra. Trong nghiên cứu này, mô hình học máy Random Forest (RF) được ứng dụng để mô phỏng dòng chảy trên lưu vực sông Vệ tỉnh Quảng Ngãi dựa trên nền nguôn ngữ lập trình Python. Tài liệu khí tượng thủy văn của các trạm đo trong lưu vực sông Vệ sử dụng trong nghiên cứu được quan trắc từ năm 1981÷2022. Số liệu quan trắc để mô phỏng được chia làm 2 phần, 70% số liệu mẫu (từ năm 1981÷2010) được dùng để đào tạo mô hình và 30% số liệu (từ năm 2011÷2022) được dùng làm kiểm định mô hình. Mô hình RF được xây dựng để mô phỏng dòng chảy trên sông Vệ tại trạm An Chỉ với trường hợp sử dụng lượng mưa như yếu tố đầu vào tại trạm khí tượng Ba Tơ và trạm An Chỉ. Dựa trên kết quả mô phỏng cho thấy: 1) Mô hình RF cho kết tính toán lưu lượng có độ chính xác cao so với số liệu quan trắc (R20,77; RMSE96,6 m3/s; MAPE3,91%); 2) Kết quả mô phỏng lưu lượng sử dụng trạm đo mưa Ba Tơ có mức độ chính xác hơn so với sử dụng mưa của trạm An Chỉ. Trong đó, giai đoạn đào tạo mô hình RF với trạm đo mưa Ba Tơ (R2=0,90; RMSE=63,4 m3/s; MAPE=1,84%) cao hơn so với mô phỏng của mô hình RF cho trạm đo mưa An Chỉ (R2=0,84; RMSE=85,4 m3/s; MAPE=1,97%). Tương tự, trong giai đoạn kiểm định mô hình RF cũng cho thấy xu hướng tương tự với độ chính xác mô phỏng của trạm mưa Ba Tơ cao hơn trạm mưa An Chỉ, các chỉ số đánh giá độ chính xác của mô hình lần lượt là (R2=0,85; RMSE =78,4 m3/s; MAPE =3,51%) và (R2=0,77; RMSE =96,6 m3/s; MAPE =3,91%).

1. GIỚI THIỆU CHUNG

2. PHƯƠNG PHÁP NGHIÊN CỨU

3. KẾT QUẢ VÀ THẢO LUẬN

4. KẾT LUẬN

TÀI LIỆU THAM KHẢO

[1] Patel, S.S., Ramachandran, P. A Comparison of Machine Learning Techniques for Modeling River Flow Time Series: The Case of Upper Cauvery River Basin. Water Resour Manage (2015). https://doi.org/10.1007/s11269-014-0705-0.

[2] Parisouj, P., Mohebzadeh, H. & Lee, T. Employing Machine Learning Algorithms for Streamflow Prediction: A Case Study of Four River Basins with Different Climatic Zones in the United States. Water Resour Manage (2020). https://doi.org/10.1007/s11269-020-02659-5.

[3] Kourosh Mohammadi, 2006, Parameter estimation of an ARMA model for river flow forecasting using goal programming, Journal of Hydrology, Volume 331, Issues 1–2, 30 November 2006, Pages 293-299, https://doi.org/10.1016/j.jhydrol.2006.05.017.

[4] Shabbir, M., Chand, S. & Iqbal, F. A Novel Hybrid Method for River Discharge Prediction. Water Resour Manage 36, 253–272 (2022). https://doi.org/10.1007/s11269-021.

[5] Pham Minh Hải, 2019, Khái niệm về phương pháp Random Forest trong cuộc cách mạng Machine Learning và định hướng ứng dụng trong lĩnh vực Viễn Thám, Tạp chí khoa học và Đo đạc bản đồ 39-3/2019, DOI: 10.54491/jgac.2019.39.344.

[6] Bing Li, 2016, Comparison of random forests and other statistical methods for the prediction of lake water level: a case study of the Poyang Lake in Chin, Hydrology Research (2016) 47 (S1): https://doi.org/10.2166/nh.2016.264.

[7] Ghorbani, M.A., Deo, R.C., Kim, S. et al. Development and evaluation of the cascade correlation neural network and the random forest models for river stage and river flow prediction in Australia. Soft Comput 24, 12079–12090 (2020). https://doi.org/10.1007/s00500-019-04648-2.

[8] Thach, T.T. Multiple data-driven approaches for estimating daily streamflow in the Kone River basin, Vietnam. Earth Sci Inform (2024). https://doi.org/10.1007/s12145-024-01390-8.

[9] Random Forest Algorithm in Machine Learning, https://www.geeksforgeeks.org/random-forest-algorithm-in-machine-learning/

_____________________________________________________________________

Chi tiết bài báo xem tại đây: Ứng dụng mô hình học máy Random Forest mô phỏng dòng chảy của lưu vực sông Vệ-Quảng Ngãi

Trần Tuấn Thạch
Trường Đại học Thủy lợi

TẠP CHÍ KH&CN THỦY LỢI