Tác giả

Đơn vị công tác

1 Tổng cục Khí tượng Thủy văn; tranthai.vkttv@gmail.com

2Trung tâm Dự báo khí tượng thủy văn quốc gia; maikhiem77@gmail.com; thuybanguyen@gmail.com; manhhamhc@gmail.com; ngocpkchibo@gmail.com

*Tác giả liên hệ: thuybanguyen@gmail.com; Tel.: +84975853471

Tóm tắt

Những năm gần đây, trí tuệ nhân tạo (AI - Artificial Intelligence) đã được ứng dụng trong mọi lĩnh vực của đời sống, xã hội trong đó có lĩnh vực dự báo khí tượng thủy văn biển. Nghiên cứu này trình bày các kết quả trong việc sử dụng mạng bộ nhớ ngắn dài (LSTM – Long Short Term Memory) một phiên bản cải tiến của mạng nơ-ron hồi quy (RNN – Recurrent Neural Network) để xây dựng mô hình dự báo sóng tại trạm hải văn Cồn Cỏ theo các hạn dự báo 06, 12, 18 và 24 giờ. Số liệu quan trắc tại trạm được phân tích, tính toán các đặc tính thống kê và mối tương quan giữa các yếu tố để lựa chọn yếu tố đầu vào cho mô hình. Qua phân tích thống kê, hai mô hình đã được xây dựng, đó là mô hình đơn biến (chỉ sử dụng yếu tố độ cao sóng) và mô hình 02 biến (sử dụng độ cao sóng và vận tốc gió). Cả mô hình được xây dựng được sử dụng để dự báo độ cao sóng có nghĩa theo các hạn dự báo 06, 12, 18 và 24 giờ. Kết quả cho thấy, mặc dù mô hình hai biến cho độ tin cậy cao hơn, tuy nhiên cả hai mô hình chỉ đáp ứng với thời hạn dự báo 06 giờ, với độ tin cậy dự báo của mô hình đạt được lớn nhất với hệ số tương quan R² = 0,582, do bởi chất lượng số liệu quan trắc còn hạn chế về tần suất quan trắc và độ tin cậy.

Từ khóa

Trích dẫn bài báo

Thái, H.T.; Khiêm, M.V.; Thủy, N.B.; Hà, B.M.; Ngọc, P.K. Xây dựng mô hình mạng nơ-ron hồi quy dự báo độ cao sóng có nghĩa tại trạm Cồn Cỏ, Quảng Trị, Việt Nam. Tạp chí Khí tượng Thủy văn 2022, EME4, 73-84. 

Tài liệu tham khảo

1. WAMDI Group. The WAM Model—A Third Generation Ocean Wave Prediction Model. J. Phys. Oceanogr. 1988, 18, 1775-1810.

2. Tolman, H.L. User manual and system documentation of WAVEWATCH III TM version 3.14. Technical note, MMAB Contribution, 2019.

3. Booij, N.; Ris, R.C.; Holthuijsen, L.H. A third-generation wave model for coastal regions: Model description and validation. J. Geophys. Res. Oceans 1999, 104(C4), 7649-7666.

4. Kim, S.K.; Takedab, M.; Mase, H.M. GMDH-based wave prediction model for one-week nearshore waves using one-week forecasted global wave data. Appl. Ocean Res. 2021, 117, 102859.

5. Hochreiter, S.; Schmidhuber, J. Long Short-Term Memory. Neural Comput. 1999, 9 (8), 1735–1780.

6. Kagemoto, H. Forecasting a water-surface wave train with artificial intelligence-a case study. Ocean. Eng. 2020, 207, 107380.

7. Fan, S.; Xiao, N.; Dong, S. A novel model to predict significant wave height based on long short-term memory network. Ocean. Eng. 2020, 205, 107298.

8. Pirhooshyaran, M.; Snyder, L.V. Forecasting, hindcasting and feature selection of ocean waves via recurrent and sequence-to-sequence networks. Ocean. Eng. 2020, 207, 107424.

9. Ni, C.; Ma, X. An integrated long-short term memory algorithm for predicting polar westerlies wave height. Ocean. Eng. 2020, 215, 107715.

10. Kim, K.S.; Lee, J.B.; Roh, M.I.; Han, K.M.; Lee, G.H. Prediction of ocean weather based on denoising autoen-coder and convolutional lstm. J. Mar. Sci. Eng. 2020, 8, 805

11. Gers, F.A.; Schmidhuber J.; Cummins F. Learning to forget: Continual prediction with LSTM. Neural comput. 2000, 12(10), 2451-2471.

12. https://machinelearningcoban.com/.

13. Hùng, H.V.; Tuấn, H.V. Sử dụng mạng nơ-ron nhân tạo dự báo mực nước sông chịu ảnh hưởng của thủy triều. Tạp chí Khoa học và Công nghệ Thủy lợi 2019, 52

14. https://nguyentruonglong.net/giai-thich-chi-tiet-ve-mang-long-short-term-memory-lstm.html

15. https://colah.github.io/posts/2015-08-Understanding-LSTMs/

16. https://github.com/phamdinhkhanh/LSTM/blob/master/LSTM.ipynb

17. https://phantichspss.com/r-binh-phuong-r-binh-phuong-hieu-chinh-cong-thuc-y-nghia-cach-tinh-thu-cong-va-cach-tinh-bang-spss.html

18. Mengning, W.; Christos, S.; Zhen, G. Multi-Step-Ahead Forecasting of Wave Conditions Based on a Physics-Based Machine Learning (PBML) Model for Marine Operations. J. Mar. Sci. Eng. 2020, 8(12), 992.

19. Trung, T.D.; Vinh, T.N.; Kim, J. Improving the Accuracy of Dam Inflow Predictions Using a Long Short-Term Memory Network Coupled with Wavelet Transform and Predictor Selection. Mathematics 2021, 9(5), 551.

20. Báo cáo tổng hợp đề tài nghiên cứu khoa học cấp nhà nước: Nghiên cứu cơ sở khoa học và giải pháp ứng dụng trí tuệ nhân tạo để nhận dạng, hỗ trợ dự báo và cảnh báo một số hiện tượng khí tượng thủy văn nguy hiểm trong bối cảnh biến đổi khí hậu tại Việt Nam. 2020. Chủ nhiệm đề tài Ths. Ngô Văn Mạnh.

21. Hiền, L.X.; Hùng, H.V.; Lee, G. Xây dựng mô hình mạng nơ-ron hồi quy dựa trên phần mềm mã nguồn mở để dự báo lưu lượng dòng chảy. Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3.

22. Deepthi, I. G.; Dwarakish, G.S. Wave Prediction Using Neural Networks at New Mangalore Port along West Coast of India. Aquat. Procedia 2015, 4, 143-150.

23. Deo, M.C.; Naidu, C.S. Real time wave forecasting using neural networks. Ocean.  Eng. 1998, 26(3), 191-203.

24. James, S.C.; Zhang, Y.; O’Donncha, F. A machine learning framework to forecast wave conditions. Coastal Eng. 2018, 137, 1–10.