Tải file PDF Tác giả
Đơn vị công tác
1 Đài Khí tượng Thủy văn tỉnh Đồng Tháp, Đài Khí tượng Thủy văn khu vực Nam Bộ, Tổng cục Khí tượng Thủy văn, Bộ Tài Nguyên và Môi trường; lexuanhoakttv@gmail.com
2 Khoa Khí tượng Thủy văn và Hải dương học, Trường Đại học Khoa học Tự nhiên, ĐHQGHN; giangnt@vnu.edu.vn
*Tác giả liên hệ: giangnt@vnu.edu.vn; Tel.: +84–912800896
Tóm tắt
Trong nghiên cứu này, ba dạng hàm kernel: Radial basis function (RBF), tuyến tính (Linear) và Sigmoid được sử dụng trong các mô hình máy học Support Vector Regression (SVR) với ba chuỗi dữ liệu đầu vào là: mực nước cao nhất ngày (HmaxCL); mực nước thấp nhất ngày (HminCL); mực nước trung bình ngày (HtbCL) trong quá khứ để dự báo mực nước tương lai trạm Cao Lãnh, tỉnh Đồng Tháp. Kết quả cho thấy, các hàm nhân trong mô hình đều đưa ra kết quả dự báo với độ chính xác cao thể hiện qua chỉ số NSE > 0,95 đối với tất các các dữ liệu đầu vào khác nhau cũng như hàm nhân khác nhau trong mô hình SVR. Trong ba chuỗi dữ liệu đầu vào và các hàm nhân được thử nghiệm thì chuỗi dữ liệu HmaxCL cho sai số là tối ưu nhất. Kết quả nghiên cứu này là tài liệu tham khảo tốt cho việc xây dựng mô hình máy học phục vụ dự báo mực nước tương lai cho trạm thủy văn Cao Lãnh, tỉnh Đồng Tháp.
Từ khóa
Trích dẫn bài báo
Hoà, L.X.; Giang, N.T. Xây dựng các mô hình hồi quy hỗ trợ véc tơ dự báo mực nước trạm Cao Lãnh, tỉnh Đồng Tháp. Tạp chí Khí tượng Thuỷ văn 2022, 740(1), 87-97.
Tài liệu tham khảo
1. Elsafi, S.H. Artificial Neural Networks (ANNs) for flood forecasting at Dongola Station in the River Nile, Sudan. Alexandria Eng. J. 2014, 53(3), 655–662.
2. VanderKwaak, J.E.; Loague, K. Hydrologic–Response simulations for the R–5 catchment with a comprehensive physics–based model. Water Resour. Res. 2001, 37(4), 999–1013.
3. Nayak, P.C.; Sudheer, K.P.; Rangan, D.M.; Ramasastri, K.S. Short–term flood forecasting with a neurofuzzy model. Water Resour. Res. 2005, 41(4), W04004.
4. Mosavi, A.; Ozturk, P. Flood Prediction Using Machine Learning, Literature Review. Water 2018, 1–40.
5. Jain, S.K.; Das, A.; Srivastava, D.K. Application of ANN for Reservoir Inflow Prediction and Operation. J. Water Resour. Plan. Manag. 1999, 125(5), 263–271.
6. Maier, H.R.; Dandy, G.C. The Use of Artificial Neural Networks for the Prediction of Water Quality Parameters. Water Resour. Res. 1996, 32(4), 1013–1022.
7. Mosavi, A.; Rabczuk, T.; Varkonyi–Koczy, A.R. Reviewing the Novel Machine Learning Tools for Materials Design. International Conference on Global Research and Education: Recent Advances in Technology Research and Education, 2018, 50–58.
8. Asefa, T.; Kemblowski, M.; McKee, M.; Khalil, A. Multi–time scale stream flow predictions: The support vector machines approach. J. Hydrol. 2006, 318(1–4), 7–16.
9. Londhe, S.; Gavraskar, S. Stream Flow Forecasting using Least Square Support Vector Regression, Soft Comput. Civ. Eng. 2018, 2(2), 56–88.
10. Adnan, R.M.; Yuan, X.; Kisi, O.; Adnan, M.; Mehmood, A. Stream Flow Forecasting of Poorly Gauged Mountainous Watershed by Least Square Support Vector Machine, Fuzzy Genetic Algorithm and M5 Model Tree Using Climatic Data from Nearby Station. Water Resour. Manag. 2018, 32(14), 4469–4486.
11. Maity, R.; Bhagwat, R.; Bhatnagar, A. Potential of support vector regression for prediction of monthly streamflow using endogenous property. Hydrol. Process. 2010, 24(7), 917–923.
12. Rafidah, A.; Suhaila, Y. Modeling River Stream Flow Using Support Vector Machine. Appl. Mech. Mater. 2013, 315, 602–605.
13. Lin, J.; Cheng, C.; Chau, K. Using support vector machines for long–term discharge prediction Using support vector machines for long–term discharge prediction. Hydrol. Sci. J. 2006, 51(4), 599–612.
14. Guo, J.; Zhou, J.; Qin, H.; Zou, Q.; Li, Q. Monthly streamflow forecasting based on improved support vector machine model. Expert Syst. Appl. 2011, 38(10), 13073–13081.
15. Vapnik, V.N. The Nature of Statistical Learning Theory. Springer, New York, 1995.
16. Vapnik, V.N. An overview of statistical learning theory. IEEE Trans. Neural Networks 1999, 10(5), 988–999.
17. Londhe, S.N.; Gavraskar, S. Stream Flow Forecasting Using Least Square Support Vector Regression. J. Soft Comput. Civ. Eng. 2018, 2-2, 56–88.
18. Guyon, I.; Elisseeff, A. An Introduction to Variable and Feature Selection. J. Mach. Learn. Res. 2003, 3(3), 1157–1182.
19. Nash, J.E.; Sutcliffe, J.V. River Flow Forecasting Through Conceptual Models Part Ia Discussion of Principles. J. Hydrol. 1970, 10, 282–290.
20. https://en.wikipedia.org/wiki/Root–mean–square_deviation.
21. Lam, Đ.H.; Phương, N.H.; Đạt, N.Đ.; Giang, N.T. Xây dựng mô hình MIKE 11 phục vụ công tác dự báo thủy văn và xâm nhập mặn tỉnh Bến Tre. Tạp chí Khí tượng Thủy văn 2022, 740(1), 38–49.
22. 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.