Tải file PDF Tác giả
Đơn vị công tác
1 Khoa Khí tượng Thủy văn và Hải dương học, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội; htthao@hus.edu.vn;
2 Trung tâm Động lực học Thủy khí Môi trường, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội; tranngocanh@hus.edu.vn
3 Bộ Giáo dục và Đào tạo; tkhuong@moet.gov.vn
*Tác giả liên hệ: htthaovnu@gmail.com; Tel: +84–982981994
Tóm tắt
Mô hình mạng Bayes (Bayesian Networks) là mô hình ứng dụng lý thuyết xác suất biểu diễn mối quan hệ nhân quả giữa các dữ liệu, đặc biệt là các dữ liệu không chắc chắn. Trên thế giới, mô hình mạng Bayes đã được ứng dụng trong nhiều lĩnh vực như y tế, ngôn ngữ học, sinh học, môi trường... và thủy văn và tài nguyên nước. Mục tiêu của bài báo này là ứng dụng thử nghiệm mô hình mạng Bayes trong đánh giá các yếu tố ảnh hưởng đến diễn biến cửa sông (tập trung phân tích biến thiên độ rộng cửa sông). Kết quả nghiên cứu cho thấy, năng lượng sóng có vai trò ảnh hưởng đáng kể đến biến thiên cửa sông Đà Diễn, đặc biệt là giai đoạn từ tháng 1 đến tháng 4 và giai đoạn từ tháng 10 đến tháng 12 hàng năm là các giai đoạn gió mùa Đông Bắc chiếm ưu thế. Giai đoạn từ tháng 5 đến tháng 9, cửa sông Đà Diễn có sự ổn định hơn và không thấy rõ được sự tác động vượt trội của yếu tố nào trong giai đoạn này. Các kết quả của nghiên cứu này phù hợp với các nhận định trước đó về cửa sông Đà Diễn và cho thấy khả năng ứng dụng linh hoạt của mô hình mạng Bayes vào nghiên cứu về đánh giá các yếu tố ảnh hưởng đến diễn biến cửa sông nói riêng và trong lĩnh vực khí tượng thủy văn nói chung.
Từ khóa
Trích dẫn bài báo
Thảo, H.T.; Anh, T.N.; Hương, T.K. Nghiên cứu áp dụng thử nghiệm mô hình mạng Bayes trong đánh giá các yếu tố ảnh hưởng đến diễn biến cửa sông Đà Diễn. Tạp chí Khí tượng Thủy văn 2021, 724, 46-58.
Tài liệu tham khảo
1. Xin, S.Y. Mathematical foundations, in Introduction to Algorithms for Data Mining and Machine Learning. Academic Press, 2019, pp. 19–43.
2. Andy, D.; Agogino, A.M. Text analysis for constructing design representations. Artif. Intell. Eng. 1997, 11, 65–75.
3. Kahn Jr, C.E.; Roberts, L.M.; Shaffer, K.A.; Haddawy, P. Construction of a Bayesian network for mammographic diagnosis of breast cancer. Comput. Biol. Med. 1997, 27, 19–29.
4. Paolo, G.; Taroni, F. Evaluation of scientific evidence using Bayesian networks. Forensic Sci. Int. 2002, 125, 149–155.
5. Bruce, G.M.; Richard, S.H.; Martin, G.R.; Mary, M.R.; Micheal, J.W. Using Bayesian belief networks to evaluate fish and wildlife population viability under land management alternatives from an environmental impact statement. For. Ecol. Manage. 2001, 153, 29–42.
5. Borsuk, M.E.; Stow, C.A.;, Reckhow, K.H. A Bayesian network of eutrophication models for synthesis, prediction, and uncertainty analysis. Ecol. Modell. 2004, 173, 219–239.
6. Wooldridge, S.; Done, T. Learning to predict large–scale coral bleaching from past events: A Bayesian approach using remotely sensed data, in–situ data, and environmental proxies. Coral Reefs 2004, 23, 96–108.
7. Bromley, J.; Jackson, N.A.; Clymer, O.J.; Giacomello, A.M.; Jensen, F.V. The use of Hugin® to develop Bayesian networks as an aid to integrated water resource planning. Environ. Modell. Software 2005, 20, 231–242.
8. Pearl, J. Probabilistic Reasoning in Intelligent Systems. San Mateo, CA: Morgan Kaufmann, 1988.
9. Liu, S.; James McGree, J.; Ge, Z.; Xie, Y. Classification methods, in Computational and Statistical Methods for Analysing Big Data with Applications. Academic Press. 2016, pp. 7–28.
10. Sivia, D.S. Dealing with duff data. Maximum Entropy and Bayesian Methods, 1996, pp. 131–137.
11. Varis, O.; Rahaman, M.M.; Kajander, T. Fully connected Bayesian belief networks: a modeling procedure with a case study of the Ganges river basin. Integr. Environ. Assess. Manage. 2012, 8, 491–502.
12. Thuc, D.P.; James, C.R.S.; Samantha, J.C.; Wade, L.H.; Oz Sahin. Applications of Bayesian belief networks in water resource management: A systematic review. Environ. Modell. Software 2016, 85, 98–111.
13. Shi, H.; Lou, G.; Zheng, H.; Chen, C.; Bai, J.; Liu, T.; Ochege, F.U.; De Maeyer, P. Coupling the water–energy–food–ecology nexus into a Bayesian network for water resources analysis and management in the Syr Darya River basin. J. Hydrol. 2020, 581,124–387.
14. Cain, J. Planning improvements in natural resources management. UK: Centre for Ecology and Hydrology 2001, pp. 124.
15. Chan, T.U.; Hart, B.T.; Kennard, M.J.; Pusey, B.J.; Shenton, W.; Douglas, M.M.; Valentine, E.; Patel, S. Bayesian network models for environmental flow decision making in the Daly River, Northern Territory, Australia. River Res. Appl. 2012, 28, 283–301.
16. Varouchakis, E.A.; Palogos, I.; Karatzas, G.P. Application of Bayesian and cost benefit risk analysis in water resources management. J. Hydrol. 2016, 534, 390–396.
17. Tuấn, N.V. Giới thiệu phương pháp phân tích Bayes. Tạp chí Thời sự y học 2011, 63, 26–34.
18. McDonald, K.S.; Tighe, M.; Ryder, D.S. An ecological risk assessment for managing and predicting trophic shifts in estuarine ecosystems using a Bayesian network. Environ. Modell. Software 2016, 85, 202–216.
19. Madonna Vezi; Colleen Downs; Victor Wepener and Gordon O’Brien. Application of the relative risk model for evaluation of ecological risk in selected river dominated estuaries in KwaZulu–Natal, South Africa. Ocean and Coastal Management, 2020, 185, 105035.
20. Pelage, L.; Gonzalez, L.G.; Loc’h, F.L.; Ferreira, V.; Munaron, J.M.; Frédou, F.L.; Frédou, T. Importance of estuary morphology for ecological connectivity with their adjacent coast: A case study in Brazilian tropical estuaries. Estuarine Coastal Shelf Sci. 2021, 251, 107184.
21. Baldock, T.E.; Shabani, B.; Callaghan, D.P. Open access Bayesian Belief Networks for estimating the hydrodynamics and shoreline response behind fringing reefs subject to climate changes and reef degradation. Environ. Modell. Software 2019, 119, 327–340.
22. Furlan, E.; Slanzi, D.; Torresan, S.; Critto, A.; Marcomini, A. Multi–scenario analysis in the Adriatic Sea: A GIS–based Bayesian network to support maritime spatial planning. Sci. Total Environ. 2020, 703, 134972.
23. Sanuy, M.; Jiménez, J.A.; Plant, N. A Bayesian Network methodology for coastal hazard assessments on a regional scale: The BN–CRAF. Coastal Eng. 2020, 157, 103627.
24. Tuấn, N.N.; Hường, V.T.; Thắng, H.Q. Hướng tới mô hình mạng Bayes để đánh giá rủi ro trong lập lịch dự án phần mềm. Hội nghị Quốc gia lần thứ X về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR). Đà Nẵng, 2017.
25. Thắm, P.T.H. Áp dụng mô hình rủi ro nhóm và phương pháp Bayes trong ước lượng chi phí khám chữa bệnh ở Việt Nam. Tạp chí Kinh tế và Phát triển 2018, 256, 70–77.
26. Truong, Q.H.; Nguyen, A.T.; Trinh, Q.A.; Trinh, T.N.L.; Hens, L. Hierarchical Variance Analysis: A Quantitative Approach for Relevant Factor Exploration and Confirmation of Perceived Tourism Impacts. Int. J. Environ. Res. Public Health 2020, 17, 2786.
27. Giang, N.T. Nghiên cứu cơ sở khoa học để xác định cơ chế bồi lấp, sạt lở và đề xuất các giải pháp ổn định các cửa sông Đà Diễn và Đà Nông tỉnh Phú Yên phục vụ phát triển bền vững cơ sở hạ tầng và kinh tế xã hội. 2018: mã số: ĐTĐL.CN.15/15.
28. Thảo, H.T. Đánh giá ảnh hưởng của các yếu tố thủy động lực đến xu thế ổn định theo mùa vùng cửa sông Đà Diễn. Đại học Khoa học Tự nhiên, 2019.
29. Posthumus, Rik, Conceptual model of the seasonal inlet closure in the Da Dien Estuary, in Civil Engineering. University of Twente 2015, pp. 49.
30. Hương, P.T. Nghiên cứu cơ sở khoa học cho việc đề xuất giải pháp ổn định cửa Đà Rằng, tỉnh Phú Yên. Đại học Thủy Lợi, 2013.
31. Pham, D.H.B.; Hoang, T.T.; Bui, Q.T.; Tran, N.A.; Nguyen, T.G. Application of Machine Learning Methods for the Prediction of River Mouth Morphological Variation: A Comparative Analysis of the Da Dien Estuary, Vietnam. J. Coastal Res. 2019, 35, 1024–1035.