Tác giả

Nguyễn Công Thành 1 , Nguyễn Tiền Giang 2*

Đơn vị công tác

1 Đài Khí tượng Thủy văn khu vực Nam bộ, Tổng cục Khí tượng Thủy văn, Bộ Tài nguyên và Môi trường; jackynguyen.kttv@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

Hiện nay, máy học hay học máy ML (Machine Learning) có lẽ đã không còn quá xa lạ và đã được ứng dụng vào rất nhiều lĩnh vực trong đời sống. Dự báo khí tượng thủy văn cũng không nằm ngoài sự đổi mới với việc xây dựng và ứng dụng các mô hình máy học này. Bài báo trình bày kết quả của nghiên cứu xây dựng một mô hình mạng bộ nhớ dài–ngắn LSTM (Long Short–Term Memory), là một dạng đặc biệt của mạng nơ–ron hồi quy (RNN–Recurrent Neural Network) để dự báo độ mặn tại trạm đo mặn Đại Ngãi, tỉnh Sóc Trăng. Số liệu sử dụng cho mô hình là số liệu quan trắc độ mặn cao nhất trong ngày tại trạm từ năm 2002–2021. Kết quả thiết lập mô hình cho các chỉ số đánh giá RMSE và NSE tốt (NSE > 0,9 với hầu hết các trường hợp), làm tiền đề cho việc ứng dụng mô hình máy học vào công tác dự báo xâm nhập mặn tại các trạm trên khu vực đồng bằng Sông Cửu Long.

Từ khóa

Dự báo xâm nhập mặn; Mô hình LSTM; Đại Ngãi; Sóc Trăng; Machine Learning.

Trích dẫn bài báo

Thành, N.C.; Giang, N.T. Xây dựng mô hình máy học LSTM (Long Short-Term Memory) phục vụ công tác dự báo mặn tại trạm đo mặn Đại Ngãi. Tạp chí Khí tượng Thuỷ văn 2022, 740(1), 98-104.

Tài liệu tham khảo

1. Nguyen, H.T.; Gupta, A.D. Assessment of water resources and salinity intrusion in the Mekong Delta. Water Int. 2001, 26(1), 86–95. https://doi.org/10.1080/02508060108686889.

2. Tran, A.D.; Hoang, L.P.; Bui, M.D.; Rutschmann, P. Simulating future flows and salinity intrusion using combined one–and two–dimensional hydrodynamic modelling–the case of Hau River, Vietnamese Mekong Delta. Water 2018, 10(7), 897. https://doi.org/10.3390/w10070897.

3. Doan, V.B.; Kantoush, S.A.; Saber, M.; Mai, N.P.; Maskey, S.; Phong, D.T.; Sumi, T. Long–term alterations of flow regimes of the Mekong River and adaptation strategies for the Vietnamese Mekong Delta. J. Hydrol. Reg. Stud. 2020, 32, 100742. https://doi.org/10.1016/j.ejrh.2020.100742.

4. 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 Thuỷ văn 2022, 740(1), 38–49.

5. Trí, Đ.Q. Ứng dụng mô hình MIKE 11 mô phỏng và tính toán xâm nhập mặn cho khu vực Nam Bộ. Tạp chí Khí tượng Thủy văn 2016, 671, 39–46.

6. Dũng, Đ.V.; Phương, T.Đ.; Oanh, L.T.; Công, T.T. Khai thác mô hình MIKE 11 trong dự báo, cảnh báo xâm nhập mặn vùng Đồng bằng sông Cửu Long. Tạp chí Khí tượng Thủy văn 2018, 693, 48–58.

7. Thai, T.T.; Liem, N.D.; Luu, P.T.; Yen, N.T.M.; Yen, T.T.H.; Quang, N.X.; Tan, L.V.; Hoai, P.N. Performance evaluation of Auto–Regressive Integrated Moving Average models for forecasting saltwater intrusion into Mekong river estuaries of Vietnam. VN J. Earth Sci. 2021, 1–15. https://doi.org/10.15625/2615-9783/16440.

8. Thái, T.H.; 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.

9. Điệp, N.T.H.; Huội, D.; Cần, N.T. Đánh giá tác động của xâm nhập mặn do biến đổi khí hậu trên hiện trạng canh tác lúa tại tỉnh Sóc Trăng. Tạp chí Khoa học Trường Đại học Cần Thơ 2017, 137–143. Doi:10.22144/ctu.jsi.2017.062.

10. Hochreiter, S.; Schmidhuber, J. Long Short–Term Memory. Neural Comput. 1997, 9(8), 1735–1780.

11. Yao, K.; Cohn, T.; Vylomova, K.; Duh, K.; Dyer, C. Depth–Gated Recurrent Neural Networks, 2015, pp.1–5. https://arxiv.org/pdf/1508.03790v2.pdf.

12. Koutnik, J.; Greff, K.; Gomez, F.; Schmidhuber, J. A Clockwork RNN, 2014. https://arxiv.org/pdf/1402.3511v1.pdf.

13. Hochreiter. Untersuchungen zu dynamischen neuronalen Netzen, 1991. https://people.idsia.ch/~juergen/SeppHochreiter1991ThesisAdvisorSchmidhuber.pdf.

14. Bengio, S.; Bengio, Y. Taking on the curse of dimensionality in joint distributions using neuralnetworks. IEEE Trans. Neural Networks, Special issue on Data Mining and KnowledgeDiscovery, 2000, 11(3), 550–557.

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

16. Nash, J.E.; Sutcliffe, J.V. River Flow Forecasting Through Conceptual Models Part Ia Discussion of Principles. J. Hydrol. 1970, 10, 282–290.

17. https://en.wikipedia.org/wiki/Root–mean–square_deviation.

18. Kato, T.; Goda, H. Formation and maintenance processes of a stationary band–shaped heavy rainfall observed in Niigata on 4 August 1998. J. Meteor. Soc. Japan 2001, 79, 899–294.

19. Cross–validation (statistics). https://en.wikipedia.org/wiki/Cross-validation_(statistics).