Ứng dụng mô hình học máy XGBOOST VÀ LIGHTGBM trong việc dự báo mực nước triều trên sông Sài Gòn - Đồng Nai

Trong những năm gần đây, trí tuệ nhân tạo (AI) đã được sử dụng rộng rãi, thay thế dần cho các mô hình thủy động lực học trong việc dự báo mực nước, lưu lượng trên các sông nhằm cảnh báo sớm nguy cơ lũ lụt. Nghiên cứu này áp dụng một số mô hình học máy để dự báo mực nước tại vị trí các trạm quan trắc trên hệ thống sông Sài Gòn – Đồng Nai. Kết quả của nghiên cứu chỉ ra rằng có xu thế gia tăng đáng kể dữ liệu mực nước tại Nhà Bè, Phú An và Thủ Dầu Một trong khi đó xu thế gia tăng không đáng kể được ghi nhận tại trạm Vũng Tàu. Mô hình XGBoost và LightGBM được đánh giá có độ tin cậy cao để dự báo mực nước tại 4 trạm đo mực nước. Ngoài ra đề tài cũng tích hợp mô hình XGBoost và LightGBM vào trong nền tảng website cung cấp thông tin về mực nước triều dự báo của cả 2 mô hình trong 10 ngày tiếp theo tại các trạm. Kết quả dự báo mực nước triều cung cấp những thông tin hữu ích trong việc phòng tránh ngập úng cho đô thị ven sông Sài Gòn – Đồng Nai cũng như là vận hành công trình thủy phục vụ cho nông nghiệp và giao thông thủy

1. ĐẶT VẤN ĐỀ

2. SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU

2.1. Số liệu thu thập

2.2. Phương pháp nghiên cứu

3. KẾT QUẢ NGHIÊN CỨU

4. KẾT LUẬN

TÀI LIỆU THAM KHẢO

[1] Giám, N.M., et al., Những nguyên nhân chính tác động đến ngập Thành phố Hồ Chí Minh. Tạp chí Khí tượng thủy văn, 2023.

[2] Storch, H. và N.K. Downes, A scenario-based approach to assess Ho Chi Minh City’s urban development strategies against the impact of climate change. Cities, 2011. 28(6): p. 517-526.

[3] Học, Đ.X., Nguyên nhân và các giải pháp chống ngập úng ở TP Hồ Chí Minh. Khoa học Kỹ thuật thủy lợi và Môi trường, 2009. 24.

[4] ADB. (Asian Development Bank) Ho Chi Minh City Adaptation to Climate Change: Summary Report. 2010; Available from: https://www.adb.org/publications/ho-chi-minh-city-adaptation-climate-change-summary-report.

[5] Việt, L.V., Ảnh hưởng của biến đổi khí hậu và quá trình đô thị hóa đến mực nước trên hệ thống sông Sài Gòn-Đồng Nai. Khí tượng thủy văn, 2016. 07.

[6] Giang, N.N.H., et al., Statistical and hydrological evaluations of water dynamics in the lower Sai Gon-Dong Nai River, Vietnam. 2022. 14(1): p. 130.

[7] Thủy, N.B. và T.Q. Tiến, Nghiên cứu nước dâng trong các đợt triều cường tại ven biển đông Nam Bộ. Khí tượng thủy văn, 2017. 683(11).

[8] Lê, T.Q., et al., Mô phỏng và xây dựng bản đồ ngập lụt cho hạ lưu hệ thống sông Đồng Nai. Khí tượng thủy văn, 2022(747): p. 9-20.

[9] Hoàng, T.T., et al., Xây dựng hệ thống mô hình dự báo, cảnh báo ngập cho Thành phố Thủ Đức. 2021. 5(SI2).

[10] Nữ, H.T.T., et al., Ứng dụng mô hình thủy văn đô thị mô phỏng mức độ ngập do gia tăng mực nước triều và khả năng thoát nước cho hệ thống kênh Tân Hóa–Lò Gốm ở thành phố Hồ Chí Minh. Khí tượng thủy văn, 2022. 740: p. 22-35.

[11] Tín, N.V., et al., Ứng dụng phần mềm UTIDE dự báo mực nước triều ở khu vực ven Nam Bộ. Khí tượng thủy văn, 2022(734): p. 50-63.

[12] Tuấn, H.V. và H.V. Hùng, Sử dụng mạng nơ-ron nhân tạo dự báo mực nước sông chịu ảnh hưởng của thủy triều. Khoa học và công nghệ Thủy lợi, 2019. 52: p. 108-116.

[13] Cảnh, D.T., Nghiên cứu, ứng dụng mạng nơ ron nhân tạo để dự báo, chỉnh biên tài liệu mực nước sông không bị ảnh hưởng bởi thủy triều. Science Journal of Natural Resources Environment, 2021(36): p. 64-74.

[14] Toàn, T.Q. và N.T.N. Nhẫn, Mô phỏng dữ liệu dòng chảy bằng mô hình chi tiết hóa động lực kết hợp với thuật toán học máy: áp dụng cho lưu vực sông Sài Gòn-Đồng Nai. Khoa học và công nghệ Thủy lợi, 2021. 66.

[15] Phan, T.T.H. và X.H. Nguyen, Combining statistical machine learning models with ARIMA for water level forecasting: The case of the Red river. Advances in Water Resources, 2020. 142: p. 103656.

[16] Boueshagh, M. và M. Hasanlou, Estimating water level in the Urmia Lake using satellite data: a machine learning approach. The International Archives of the Photogrammetry, Remote Sensing Spatial Information Sciences, 2019. 42: p. 219-226.

[17] Choi, C., et al., Development of water level prediction models using machine learning in wetlands: A case study of Upo wetland in South Korea. Water, 2019. 12(1): p. 93.

[18] Zhu, S., et al., Forecasting of water level in multiple temperate lakes using machine learning models. Hydrology, 2020. 585: p. 124819.

[19] Mann, H.B., Nonparametric Tests Against Trend. Econometrica, 1945. 13(3): p. 245-259. [20] Kendall, M.G., Rank correlation methods. 1962.

[21] Chen, T. và C. Guestrin. Xgboost: A scalable tree boosting system. in Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016.

[22] Ke, G., et al., Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, 2017. 30.

[23] Glass, S. API Tidal Prediction. 2023 06/112023]; Available from: https://docs.stormglass.io/#/authentication.

_______________________________________________________________________

Chi tiết bài báo xem tại đây: Ứng dụng mô hình học máy XGBOOST VÀ LIGHTGBM trong việc dự báo mực nước triều trên sông Sài Gòn - Đồng Nai

Đặng Đồng Nguyên, Lê Thị Hòa Bình,
Phùng Tấn Phương, Phạm Hồng Đức
Phân hiệu trường Đại học Thủy lợi tại tỉnh Bình Dương

TẠP CHÍ KH&CN THỦY LỢI