Tải file PDF Tác giả
Đơn vị công tác
Hoàng Thị An1*, Trần Thùy Nhung1, Nguyễn Thanh Thủy2, Trần Anh Phương1
1 Phòng Công nghệ và Kỹ thuật tài nguyên nước, Viện Khoa học tài nguyên nước; anht510@wru.vn; tranthuynhung1990@gmail.com; phuongtran.monre@gmail.com
2 Trường Đại học Thủy Lợi; thanhthuy_rt@tlu.edu.vn
*Tác giả liên hệ: anht510@wru.vn; Tel.: +84–963952484
Tóm tắt
Lưu vực sông Nhuệ–Đáy được biết đến như một điểm nóng về chất lượng nước, gây ảnh hưởng lớn đến sức khoẻ người dân cũng như cảnh quan, môi trường lưu vực sông trong những năm gần đây. Nghiên cứu xây dựng mô hình trí tuệ nhân tạo (AI) mô phỏng chất lượng nước sông Nhuệ–Đáy dựa trên kết quả mô phỏng thủy động lực và chất lượng nước của mô hình thủy lực MIKE 11. Dữ liệu đầu vào bao gồm: địa hình, số liệu thủy văn, dữ liệu nguồn thải tại các vị trí quan trắc để mô phỏng chất lượng nước trong mô hình MIKE 11. Mô hình AI sử dụng thuật toán MLP–ANN xây dựng quan hệ hồi qui giữa lưu lượng nước sông và nồng độ các nguồn thải với các chỉ số chất lượng nước để dự báo chất lượng nước tại các vị trí kiểm soát theo các kịch bản kiểm soát và quản lý nguồn thải khác nhau một cách nhanh chóng. Kết quả từ mô hình AI gần sát với kết quả từ mô hình MIKE 11 với chỉ số R2 đạt từ 0,98 trở lên với thời gian mô phỏng nhanh hơn hàng nghìn lần so với mô hình thủy lực, là một công cụ hữu hiệu, cho phép đưa ra dự báo chất lượng nước nhanh. Nghiên cứu cung cấp công cụ quản lý cho các nhà quản lý trong đánh giá nhanh tác động của các giải pháp qui hoạch, quản lý và kiểm soát ô nhiễm nguồn nước trên lưu vực sông Nhuệ–Đáy.
Từ khóa
Trích dẫn bài báo
An, H.T.; Nhung, T.T.; Thủy, N.T.; Phương, T.A. Nghiên cứu kết hợp mô hình thủy lực và mô hình trí tuệ nhân tạo mô phỏng chất lượng nước sông Nhuệ – Đáy. Tạp chí Khí tượng Thủy văn 2022, 739, 67-80.
Tài liệu tham khảo
1. Trung tâm quan trắc Môi trường, Tổng cục Môi trường (http://www.cem.gov.vn/tin-tuc-moi-truong/dien-bien-chat-luong-nuoc-luu-vuc-song-nhue-day).
2. Chapra, S.C. Surface water–quality modeling. Waveland Press, 2008.
3. Chau, K.W. A review on integration of artificial intelligence into water quality modelling. Mar. Pollut. Bull. 2006, 52(7), 726–733.
4. Xuân, T.T. Tài nguyên nước các hệ thống sông chính ở Việt Nam. NXB Khoa học và Kỹ thuật, Hà Nội, 2012, tr. 298.
5. Hằng, V.T. Đánh giá tác động của biến đổi khí hậu đến biến động tài nguyên nước lưu vực sông Nhuệ–Đáy thuộc thành phố Hà Nội (Doctoral dissertation, Luận văn thạc sỹ khoa học, Trường Đại học KHTN Hà Nội, 2010.
6. Tayfur, G.; Singh, V.P. Predicting mean and bankfull discharge from channel cross–sectional area by expert and regression methods. Water Resour. 2011, 25(5), 1253–1267.
7. Techow, V.; Maidment, D.R.; Mays, L.W. Thuỷ văn ứng dụng – Đỗ Hữu Thành dịch – NXB Giáo dục, 1994.
8. DHI Water and Environment (DHI). MIKE 11 User Manual. DHI, Demark, 2009.
9. DHI. MIKE 11, A modelling system for rivers and channel, user guide. http://manuals.mikepoweredbydhi.help/2017/Water_Resources/MIKE11_UserManual.pdf, 2017.
10. Pham, Q.B.; Abba, S.I.; Usman, A.G.; Linh, N.T.T.; Gupta, V.; Malik, A.; Costache, R.; Vo, N.D.; Tri, D.Q. Potential of hybrid data–intelligence algorithms for multi–station modelling of rainfall. Water Res. Manage. 2019, 33(15), 5067–5087.
11. Chena, Y.H.; Chang, F.J. Evolutionary artificial neural networks for hydrologicalsystems forecasting. J. Hydrol. 2009, 367(1–2), 125–137.
12. Haghiabi, A.H.; Nasrolahi, A.H.; Parsaie, A. Water quality prediction using machine learning methods. Water Quality Res. J. 2018, 53(1), 3–13.
13. Hải, C.H.; Phương, T.A.; Như, T.Q.; Cường, T.M. 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 2019, 705, 22–33.
14. Philippe, B. The WGNE survey of verification methods for numerical prediction of weather elements and severe weather events. Meteo – France, Toulouse, 2003.
15. Chen, Yingyi. A review of the artificial neural network models for water quality prediction. Applied Sci. 2020, 10(17), 5776.
16. Ighalo, J.O.; Adewale, G.A.; Gonçalo, M. Artificial intelligence for surface water quality monitoring and assessment: a systematic literature analysis. Model. Earth Syst. Environ. 2021, 7(2), 669–681.
17. Han, H.G.; Qiao, J.F.; Chen, Q.L. Model predictive control of dissolved oxygen concentration based on a self–organizing RBF neural network. Control Eng. Pract. 2012, 20, 465–476.
18. Rajaee, T.; Boroumand, A. Forecasting of chlorophyll–a concentrations in South San Francisco Bay using five different models. Appl. Ocean Res. 2015, 53, 208–217.
19. Augspurger, T.; Keller, A.E.; Black, M.C.; Cope, W.G.; Dwyer, F.J. Water quality guidance for protection of freshwater mussels (Unionidae) from ammonia exposure. Environ. Toxicol. Chem.: Int. J. 2003, 22(11), 2569–2575.
20. Bộ Tài nguyên và Môi trường. QCVN 08:MT 2015/BTNMT – Quy chuẩn kỹ thuật quốc gia về chất lượng nước mặt, Hà Nội, 2015.