Tác giả

Nguyễn Phước Sinh 1,2* , Nguyễn Trường Huy 1,3 , Nguyễn Thế Hùng 1

Đơn vị công tác

1 Khoa Xây dựng Công trình thuỷ, Đại học Bách Khoa, Đại học Đà Nẵng; phuocsinhbk@gmail.com; nthuy@dut.udn.vn; ngthung@dut.udn.vn

2 Công ty cổ phần Sông Ba, 573 Núi Thành, Hải Châu, Đà Nẵng; sinhnp@songba.vn

3 Department of Civil Engineering, McGill University, 817 Sherbrooke Street West, Montreal, Quebec H3A 2K6, Canada; huy.nguyen5@mail.mcgill.ca

*Tác giả liên hệ: phuocsinhbk@gmail.com; Tel.: +84–905868028

Tóm tắt

Việc hiệu chỉnh và kiểm định mô hình thủy văn HEC–HMS theo quy trình thử sai (trial–and–error) thường mất nhiều thời gian và bộ thông số tìm được thường không phải tối ưu. Bài báo này trình bày kết quả phát triển một chương trình cho phép dò tìm tự động bộ thông số tối ưu của mô hình HEC–HMS dựa trên thuật toán SCE–UA. Trước hết phương pháp Latin Hypercube Sampling được sử dụng để lấy giá trị tham biến rộng khắp không gian nghiệm một cách hiệu quả nhất. Sau đó, SCE–UA được sử dụng để dò tìm nghiệm tối ưu thông qua chọn lọc và tiến hóa dựa trên các giá trị mẫu ban đầu. Nghiệm tối ưu được chọn dựa trên mặt thoả hiệp Pareto và đánh giá độ tin cậy bằng phương pháp GLUE. Chương trình đã và đang được ứng dụng cho hồ thuỷ điện Krông H’năng (tỉnh Đắk Lắk). Số liệu thực đo từ 18 trong số 33 trận lũ trong giai đoạn 2016–2021 được sử dụng để hiệu chỉnh và thu hẹp không gian nghiệm ban đầu giúp quá trình dò tìm được nhanh chóng hơn, đồng thời phân tích độ nhạy và xác định ba thông số chủ đạo Tp, CN, Tc nhằm giảm số lượng tham biến (từ 50 xuống còn 18 tham biến). Dựa trên kết quả này, chương trình được kiểm định với 5 trận lũ tiếp theo và cập nhật tự động trong dự báo theo thời gian thực trên 10 trận lũ còn lại. Chương trình đạt hiệu quả dự báo rất tốt đến bước thời gian  giờ, các chỉ số đánh giá đạt mức cao (KGE > 0,8; VE < 10%) và kết quả luôn nằm trong vùng tin cậy Q5%–Q95%.

Từ khóa

HEC–HMS; Dò tìm tự động thông số mô hình; SCE–UA; GLUE; Dự báo lũ thời gian thực; Krông H’năng.

Trích dẫn bài báo

Sinh, N.P.; Huy. N.T.; Hùng, N.T. Tự động dò tìm bộ thông số tối ưu của mô hình thuỷ văn HEC–HMS bằng thuật toán SCE–UA. Tạp chí Khí tượng Thủy văn 2022, 741, 1-18. 

Tài liệu tham khảo

1. USACE. Hydrologic Modeling System HEC–HMS Technical Reference Manual. US Army Corps of Engineers. 2021. Available online: https://www.hec.usace.army.mil/software/hec-hms/documentation/HEC-HMS_Technical%20Reference%20Manual_(CPD-74B).pdf.

2. Beven, ‪K. Rainfall–runoff modelling: The Primer, 2nd Edition. John Wiley & Sons, Ltd, 2010, pp.18.

3. Che, D.; Mays, L.W. Development of an Optimization/Simulation Model for Real–Time Flood–Control Operation of River–Reservoirs Systems. Water Resour. Manage. 2015, 29, 3987–4005. Doi: 10.1007/s11269-015-1041-8.

4. NOAA. Climate Extremes Index (CEI), Climate Services and Monitoring Division. U.S. 2021. 25/02/2022. Available online: https://www.ncdc.noaa.gov/extremes/cei/definition.

5. Naeini, M.R.; Analui, B.; Gupta, H.V.; Duan, Q.; Soroosliian, S. Three decades of the Shuffled Complex Evolution (SCE–UA) optimization algorithm: Review and applications. Sci. Iran. 2019, 26, 2015–2031. Doi: 10.24200/sci.2019.21500.

6. Duan, Q.; Sorooshian, S.; Gupta, H.V. Effective and efficient global optimization for conceptual rainfall–runoff models. Water. Resour. Res. 1992, 428, 1015–1031.

7. Zakermoshfegh, M.; Ghodsian, M.; Neishabouri, S.A.A.S.; Shakiba, M. River flow forecasting using neural networks and auto–calibrated NAM model with shuffled complex evolution. J. Appl. Sci. 2008, 8, 1487–1494.

8. Eckhardt, K.; Arnold, J.G. Automatic calibration of a distributed catchment model. J. Hydro. 2001, 251, 103–109. Doi:10.1016/S0022-1694(01)00429-2.

9. Lee, S.; Kang, T. Analysis of Constrained Optimization Problems by the SCE–UA with an Adaptive Penalty Function. J. Comput. Civ. Eng. 2016, 30, 04015035(1–11). Doi:10.1061/(ASCE)CP.1943–5487.0000493.

10. USACE. HEC–HMS User’s Manual. US Army Corps of Engineers Hydrologic Engineering Center, 2021, no. December. 15/12/2021. Available online: https://www.hec.usace.army.mil/confluence/hmsdocs/hmsum/4.7/release-notes/v-4-7-0-release-notes.

11. Skahill, B.E. Potential Improvements for HEC–HMS Automated Parameter Estimation. U.S. Army Engineer Research and Development Center, 2006, ERDC/CHL TR–06–13. 20/5/2022. Available online: https://apps.dtic.mil/sti/pdfs/ADA455236.pdf.

12. Kamali, B.; Mousavi, S.J. Automatic Calibration of HEC–HMS Model Using Multi–Objective Fuzzy Optimal Models. Civ. Eng. Infrastruct. J. 2014, 47, 1–12. Doi: 10.7508/CEIJ.2014.01.001.

13. McKay, M.D.; Beckman, R.J.; Conover, W.J. A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Output from a Computer Code. Technometrics 1979, 21, 239–245. Doi: 10.2307/1268522.

14. Beven, K.; Binley, A. The future of distributed models: Model calibration and uncertainty prediction. Hydrol. Processes 1992, 6, 279–298.

15. Quy trình vận hành liên hồ chứa sông Ba. Ban hành kèm theo quyết định số 878/QĐ–TTg ngày 17/8/2018 của Thủ tướng Chính phủ.

16. 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. Doi: 10.1016/0022-1694(94)90057-4.

17. Liu, Y.; Gupta, H.V. Uncertainty in hydrologic modeling: Toward an integrated data assimilation framework. Water. Resour. Res. 2007, 43, W07401. Doi: 10.1029/2006WR005756.

18. Madsen, H. Parameter estimation in distributed hydrological catchment modelling using automatic calibration with multiple objectives. Adv. Water Resour. 2003, 26, 205–216. Doi: 10.1016/S0309–1708(02)00092–1.

19. Gupta, H.V.; Kling, H.; Yilmaz, K.K.; Martinez, G.F. Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. J. Hydrol. 2009, 377, 80–91. Doi: 10.1016/j.jhydrol.2009.08.003.

20. Andersson, J.C.M.; Arheimer, B.; Traoré, F.; Gustafsson, D.; Ali, A. Process refinements improve a hydrological model concept applied to the Niger River basin. Hydrol. Processes 2017, 31, 4540–4554. Doi: 10.1002/hyp.11376.

21. Quy định kỹ thuật đánh giá chất lượng dự báo, cảnh báo thủy văn. Ban hành theo Thông tư 42/2017/TT–BTNMT ngày 23/10/2017 của Bộ Tài nguyên và Môi trường.

22. Cameron, C. and Windmeijer, F. A. G. An R–squared measure of goodness of fit for some common nonlinear regression models. J. Econom. 1997, 77, 329–342. Doi: 10.1016/s0304-4076(96)01818-0.

23. Singh, J.; Knapp, H.V.; Arnold, J.G.; Demissie, M. Hydrological modeling of the Iroquois River watershed using HSPF and SWAT. J. Am. Water. Resour. Assoc. 2005, 41, 343–360. Doi: 10.1111/j.1752-1688.2005.tb03740.x.

24. Ritter, A.; Muñoz–Carpena, R. Performance evaluation of hydrological models: Statistical significance for reducing subjectivity in goodness–of–fit assessments. J. Hydrol. 2013, 480, 33–45. Doi: 10.1016/j.jhydrol.2012.12.004.