Tác giả

Cao Hoàng Hải 1 , Trần Anh Phương 1 , Thái Quỳnh Như 1 , Trần Mạnh Cường 1

Đơn vị công tác

1Viện Khoa học tài nguyên nước

Tóm tắt

Trong nghiên cứu này, hai mô hình AI là Random Forest (RF) và Support Vector Machine (SVM/SVR) đã được áp dụng thử nghiệm đối với một hồ chứa lớn - hồ Sông Hinh trên lưu vực Sông Ba, Việt Nam. Ba trường hợp tính toán là dự báo lưu lượng trung bình 3 ngày, 7 ngày và 1 tháng (tương ứng với ngắn, trung và dài hạn) đến hồ sử dụng số liệu khí tượng, thủy văn trong khu vực đã được xây dựng để kiểm nghiệm khả năng dự báo của hai mô hình RF và SVR. Kết quả cho thấy, cả hai mô hình đều đưa ra kết quả dự báo với độ chính xác cao thể hiện qua chỉ số NSE trung bình đạt trên 0,8, đặc biệt trong một số trường hợp tính toán như dự báo lưu lượng trung hạn và dài hạn, chỉ số NSE trung bình trên 0,9. Trong 2 mô hình được thử nghiệm thì mô hình SVR nhìn chung cho kết quả tốt nhất đối với dự báo ngắn và dài hạn, trong khi đó mô hình RF lại cho thấy sự vượt trội ở dự báo trung hạn. Các mô hình AI thử nghiệm đều không dự báo chính xác một cách đồng nhất dòng chảy lũ do các mô hình không được huấn luyện tập trung vào dự báo dòng chảy lũ mà ưu tiên vào quá trình dòng chảy. Bên cạnh đó, việc lựa chọn số liệu đầu vào có độ tương quan cao với lưu lượng đến hồ đóng vai trò quan trọng trong việc nâng cao hiệu quả dự báo của mô hình. Đây hoàn toàn có thể là một phương án bổ sung cho công tác dự báo lưu lượng tới hồ bên cạnh các cách tiếp cận đang được sử dụng hiện nay.

Từ khóa

AI , ML , SVR , RF , Sông Ba

Trích dẫn bài báo

Cao Hoàng Hải, Trần Anh Phương, Thái Quỳnh Như, Trần Mạnh Cường (2019), Áp dụng mô hình trí tuệ nhân tạo vào dự báo lưu lượng đến hồ lưu vực sông Ba. Tạp chí Khí tượng Thủy văn, 705, 22-33.

Tài liệu tham khảo

1. Elsafi, S.H., (2014), Artificial Neural Networks (ANNs) for flood forecasting at Dongola Station in the River Nile, Sudan. Alexandria Eng. J., 53 (3), 655-662.

2. VanderKwaak, J.E, Loague K., (2001), Hydrologic-Response simulations for the R-5 catchment with a comprehensive physics-based model. Water Resour. Res., 37 (4), 999-1013.

3. Nayak, P.C, Sudheer K.P, Rangan, D.M, Ramasastri, K.S., (2005), Short-term flood forecasting with a neurofuzzy model. Water Resour. Res., 41 (4).

4. Mosavi, A., Ozturk, P., (2018), Flood Prediction Using Machine Learning, Literature Review. Water, 1-40, 2018.

5. Jain, S.K., Das, A., Srivastava, D.K., (1999), Application of ANN for Reservoir Inflow Prediction and Operation, J. Water Resour. Plan. Manag., 125 (5), 263-271.

6. Maier, H.R., Dandy, G.C., (1996), The Use of Artificial Neural Networks for the Prediction of Water Quality Parameters, Water Resour. Res., 32 (4), 1013-1022.

7. Mosavi, A., Rabczuk, T., Varkonyi-Koczy, A.R., (2018), Reviewing the Novel Machine Learning Tools for Materials Design, Springer, 50-58.

8. Breiman, L., (2001), Random Forests, Statistics ,45 (1), 1-33.

9. Yang, T., Asanjan, A.A., Welles E., Gao, X., Sorooshian, S., Liu, X., (2017), Developing reservoir monthly inflow forecasts using artificial intelligence and climate phenomenon information, Water Resour. Res., 53 (4), 2786-2812.

10. Li, B., Yang, G., Wan, R., Dai, X., Zhang, Y., (2016), Comparison of random forests and other statistical methods for the prediction of lake water level: a case study of the Poyang Lake in China, Hydrol. Res., 47 (S1), 69-83.

11. Obringer, R., Nateghi, R., (2018), Predicting Urban Reservoir Levels Using Statistical Learning Techniques, Sci. Rep., 8 (1), 5164.

12. Erdal, H.I., Karakurt, O., (2013), Advancing monthly streamflow prediction accuracy of CART models using ensemble learning paradigms, J. Hydrol., 477, 119-128.

13. Senthil Kumar, M.K., Goyal, A.R., Ojha, C.S.P., Singh, R.D., Swamee, P.K., (2013), Application of artificial neural network, fuzzylogic and decision tree algorithms for modelling of streamflow at Kasol in India, Water Sci. Technol., 68 (12), 2521-2526.

14. Galelli, S., Castelletti, A., (2013), Assessing the predictive capability of randomized treebased ensembles in streamflow modelling, Hydrol. Earth Syst. Sci., 17 (7), 2669-2684.

15. Yang, T., Gao, X., Sorooshian, S., Li, X., (2016), Simulating California reservoir operation using the classification and regression-tree algorithm combined with a shuffled cross-validation scheme, Water Resour. Res., 52 (3), 1626-1651.

16. Asefa, T., Kemblowski, M., McKee, M., Khalil, A., (2006), Multi-time scale stream flow predictions: The support vector machines approach, J. Hydrol., 318 (1-4), 7-16.

17. Londhe, S., Gavraskar, S., (2018), Stream Flow Forecasting using Least Square Support Vector Regression, Soft Comput. Civ. Eng., 2 (2), 56-88.

18. Adnan, R.M., Yuan, X., Kisi, O., Adnan, M., Mehmood, A., (2018), Stream Flow Forecasting of Poorly Gauged Mountainous Watershed by Least Square Support Vector Machine, Fuzzy Genetic Algorithm and M5 Model Tree Using Climatic Data from Nearby Station, Water Resour. Manag., 32 (14),469-4486.

19. Maity, R., Bhagwat, R., Bhatnagar, A., (2010), Potential of support vector regression for prediction of monthly streamflow using endogenous property, Hydrol. Process., 24 (7), 917-923.

20. Rafidah, A., Suhaila, Y., (2013), Modeling River Stream Flow Using Support Vector Machine, Appl. Mech. Mater., 315, 602-605.

21. Lin, J., Cheng, C., Chau, K., (2006), Using support vector machines for long-term discharge prediction Using support vector machines for long-term discharge prediction, Hydrol. S, 51(4), 599- 612.

22. Guo, J., Zhou, J., Qin, H., Zou, Q., Li, Q., (2011), Monthly streamflow forecasting based on improved support vector machine model, Expert Syst. Appl., 38(10), 13073-13081.

23. Vapnik V. N., (1995), The nature of statistical learning theory. Springer.

24. Boser, B.E., Guyon, I.M., Vapnik, V.N., (1992), A training algorithm for optimal margin classifiers, in Proceedings of the fifth annual workshop on Computational learning theory - COLT , 92, 144-152.

25. Vapnik, V.N., (1999), An overview of statistical learning theory, IEEE Transactions on Neural Networks, 10 (5), 988-999.

26. Gupta, B., Rawat, A., Jain, A., Arora, A., Dhami, N., (2017), Analysis of Various Decision Tree Algorithms for Classification in Data Mining, Int. J. Comput. Appl., 163 (8), 15-19.

27. Ahmad, M.W., Mourshed, M., Rezgui, Y., (2017), Trees vs Neurons: Comparison between random forest and ANN for high-resolution prediction of building energy consumption, Energy Build., 147, 77-89.

28. Guyon, I., Elisseeff, A., (2003), An Introduction to Variable and Feature Selection. J. Mach. Learn. Res., 3 (3), 1157-1182.

29. Nash, J.E., Sutcliffe, J.V., (1970), River Flow Forecasting Through Conceptual Models Part I-a Discussion of Principles. J. Hydrol., 10, 282-290.

30. Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Binger, R.L., Harmel, R.D., Veith, T.L., (2007), Model evaluation guidelines for systematic quantification of accuracy in watershed simulations, Trans. ASABE, 50 (3), 885-900.