Tác giả

Đơn vị công tác

1 Trung tâm Dự báo khí tượng thủy văn quốc gia; Nghiên cứu sinh của Trường Đại học Thủy Lợi

2 Tổng cục Khí tượng Thủy văn

3 Trường Đại học Thủy Lợi

Tóm tắt

Bài toán dự báo lũ phục vụ công tác giảm nhẹ thiên tai và quản lý rủi ro nguồn nước là nhiệm vụ đang ngày càng trở lên cấp thiết do tài nguyên nước Việt Nam đang ngày càng khan hiếm, trong khi các công cụ, mô hình tính toán và công nghệ dự báo lũ ở nước ta còn nhiều hạn chế. Nghiên cứu này sẽ trình bày các kết quả đạt được trong phát triển công cụ mô hình toán thủy văn thông số phân bố hiện đại Marine để giải bài toán dự báo lũ. Các kết quả đạt được khi triển khai áp dụng thí điểm cho lưu vực sông Nậm Mu, với tập số liệu 19 năm đã cho thấy, mô hình Marine sau khi được phát triển mới đã cho kết quả mô phỏng khá tốt, hệ thống đã mô phỏng đường quá trình lũ, sai số đỉnh lũ và thời gian xuất hiện đỉnh là khá hợp lý. Kỹ thuật điều khiển tham số tối ưu đa mục tiêu MSCE_UA đã giúp cải thiện đáng kể chất lượng mô phỏng hệ thống của mô hình Marine, chỉ số NASH kiểm định trung bình các năm đạt mức 67%. Sự thành công của công trình nghiên cứu này đã cải thiện đáng kể tính khả thi của mô hình Marine khi triển khai ứng dụng trên diện rộng cho nhiều lưu vực khác nhau trên lãnh thổ Việt Nam.

Từ khóa

Trích dẫn bài báo

Lập, B.Đ.; Thái, H.T.; Lan, P.T.H. Phát triển mô hình thủy văn tham số phân bố MARINE trong bài toán dự báo lũ, áp dụng thí điểm cho lưu vực sông Nậm Mu. Tạp chí Khí tượng Thủy văn 2021, 723, 47-57. 

Tài liệu tham khảo

1. Nystrom, E.; Burns, D. TOPMODEL Simulations of Streamflow and Depth to Water Table in Fishing Brook Watershed. U.S. Geological Survey, 2007.
2. Graham, D.N.; Butts, M. Flexible, integrated watershed modelling with MIKE SHE in Watershed Models. DHI Water & Environment, 2005.
3. Yang, D.; Herath, S.; Musiake, K. Comparison of different distributed hydrological models for characterization of catchment spatial variability. Hydrol. Processes 2000, 14, 403–416.
4. Wang, L. Development of a Distributed Runoff Model coupled with a Land Surface Scheme, 2007.
5. Garambois, P.; Roux, H.; Larnier, K.; Labat, D.; Dartus, D. Characterization of catchment behaviour and rainfall selection for flash flood hydrological model calibration. Hydrol. Sci. J. 2015, 60, 424–447.
6. Tsuda, M.; Iwami, Y. Application of Flood Forecasting and Analysis Model (IFAS) for Wadi Flash Flood. Proceedings of the Second International Symposium on FlashFloods in Wadi Systems, 2016.
7. Ranzi, R.; Bacchi, B.; Grossi, G. Runoff measurements and hydrological modelling for the estimation of rainfall volumes in an alpine basin. J. Royal Meteorol. 2003,129, 653–672.
8. Liu, Y.B.; De Smedt, F. WetSpa Extension, A GIS–based Hydrologic Model for Flood Prediction and Watershed Management, Department of Hydrology and Hydraulic Engineering Vrije Universiteit Brussel, 2004.
9. Tachikawa, Y.; Shiiba, M. Development of a Basin Runoff Simulation System Based on a New Digital Topographic Model. Doboku Gakkai Ronbunshu  2001, 691/II–57, 43–52.
10. Neitsch, S.; Arnold, J.; Kiniry, J.; Williams, J.; King, K. Soil Water Assessment Tool Theoretical Documentation. Texas Water Resources Institute, 2002.
11. Lập, B.Đ. Nghiên cứu phát triển mô hình thủy văn thông số phân bố trong dự báo lũ cho các lưu vực sông ở Việt Nam.
12. Duan, Q.; Sorooshian, S.; Gupta, V.K. Optimal use of the SCE–UA global optimization method for calibrating watershed models. J. Hydrol. 1994, 158, 265–284.
13. Duan, Q. A Global Optimization Strategy for Efficient and Effective Calibration of Hydrologic Models, The University of Arizona, 1991.
14. Jiang, S.; Yang, S. A Strength Pareto Evolutionary Algorithm Based on Reference Direction for Multiobjective and Many–Objective Optimization. IEEE Trans. Evol. Comput. 2017, 21, 329–346. https://doi.org/10.1109/TEVC.2016.2592479.
15. Zitzler, E.; Laumanns, M.; Thiele, L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm for multiobjective optimization. Proceedings of the EUROGEN'2001. Athens. Greece, September 19–21, 2001.
16. Bader, J.; Zitzler, E. HypE: An Algorithm for Fast Hypervolume–Based Many–Objective Optimization. Evol. Comput. 2011, 19, 45–76. https://doi.org/10.1162/EVCO_a_00009.
17. Wang, R. Preference–inspired Co–evolutionary Algorithms. University of Sheffield, 2013.
18. Zhang, Q.; Li, H. MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition. IEEE Trans. Evol. Comput. 2008, 11, 712–731. https://doi.org/10.1109/TEVC.2007.892759.
19. Deb, K.; Jain, H. An Evolutionary Many–Objective Optimization Algorithm Using Reference–Point–Based Nondominated Sorting Approach, Part I: Solving Problems With Box Constraints. IEEE Trans. Evol. Comput. 2014, 18, 577–601. 
20. Li, M.; Liu, X.; Yang, S. Shift–Based Density Estimation for Pareto–Based Algorithms in Many–Objective Optimization. IEEE Trans. Evol. Comput. 2014, 18, 348–365.