Tác giả

Đơn vị công tác

1 Trường Đại học Công nghệ GTVT, 54 Triều Khúc, Thanh Xuân, Hà Nội, Việt Nam; datvc@utt.edu.vn; damnd@utt.edu.vn; tuannt94@utt.edu.vn; binhpt@utt.edu.vn
*Tác giả liên hệ: datvc@utt.edu.vn; Tel.: +84–384026586

Tóm tắt

Mục tiêu chính của nghiên cứu này là xây dựng bản đồ phân vùng nhạy cảm ngập lụt khu vực huyện Quảng Trạch, tỉnh Quảng Bình (Việt Nam) sử dụng mô hình Light Gradient Boosting Machine LGBM – một trong những mô hình trí tuệ nhân tạo hiệu quả trong đánh giá và dự báo thiên tai. Cơ sở dữ liệu bao gồm 173 vị trí ngập lụt trong quá khứ và 07 tham số thành phần (mưa, địa mạo, độ bao phủ mặt đất, độ cao, hình dáng bề mặt địa hình, góc mái dốc, và hướng mái dốc) đã được thu thập để xây dựng dữ liệu đào tạo (70%) và dữ liệu kiểm tra (30%) dùng cho xây dựng và kiểm chứng mô hình. Độ chính xác của mô hình được đánh giá thông qua nhiều thông số thống kê định lượng bao gồm diện tích dưới đường cong ROC (AUC). Kết quả nghiên cứu thể hiện rằng LGBM có độ chính xác cao trong dự báo và phân vùng nhạy cảm ngập lụt tại khu vực nghiên cứu (AUC = 0,96 cho dữ liệu đào tạo và AUC = 0,88 cho dữ liệu kiểm tra). Bản đồ phân vùng nhạy cảm ngập lụt xây dựng từ mô hình có độ chính xác cao có thể được dùng trong việc nâng cao hiệu quả quy hoạch sử dụng đất và đưa ra các giải pháp phù hợp để giảm thiểu tác hại gây ra bởi ngập lụt tại khu vực nghiên cứu.

Từ khóa

Trích dẫn bài báo

Tuấn, N.T.; Đạt, V.C.; Đảm, N.Đ.; Bình, P.T. Xây dựng bản đồ phân vùng nhạy cảm ngập lụt sử dụng mô hình Light Gradient Boosting Machine. Tạp chí Khí tượng Thủy văn 2023, 745, 65-73.

Tài liệu tham khảo

1. Tùng, T. Thiên tai bất thường, gây thiệt hại lớn. Bộ tài nguyên và môi trường, 2022.

2. Roy, P.; Pal, S.C.; Chakrabortty, R.; Chowdhuri, I.; Malik, S.; Das, B. Threats of climate and land use change on future flood susceptibility. J. Cleaner Prod. 2020, 272, 122757.

3. Zhao, G.; Pang, B.; Xu, Z.; Yue, J.; Tu, T. Mapping flood susceptibility in mountainous areas on a national scale in China. Sci. Total Environ. 2018, 615, 1133–1142.

4. Chen, H.; Ito, Y.; Sawamukai, M.; Tokunaga, T. Flood hazard assessment in the Kujukuri Plain of Chiba Prefecture, Japan, based on GIS and multicriteria decision analysis. Nat. Hazards 2015, 78, 105–120.

5. Khoirunisa, N.; Ku, C.Y.; Liu, C.Y. A GISbased artificial neural network model for flood susceptibility assessment. Int. J. Environ. Res. Public Health 2021, 18(3), 1072.

6. Rahmati, O.; Pourghasemi, H.R.; Zeinivand, H. Flood susceptibility mapping using frequency ratio and weightsofevidence models in the Golastan Province, Iran. Geocarto. Int. 2016, 31(1), 42–70.

7. Pham, B.T.; Luu, C.; Dao, D.V.; Phong, T.V.; Nguyen, H.D.; Le, H.V.; von Meding J.; Prakash, I. Flood risk assessment using deep learning integrated with multi–criteria decision analysis. Knowledge–Based Syst. 2012, 219, 106899.

8. Pham, B.T.; Luu, C.; Phong, T.V.; Nguyen, H.D.; Le, H.V.; Tran, T.Q.; Ta, H.T.; Prakash, I. Flood risk assessment using hybrid artificial intelligence models integrated with multicriteria decision analysis in Quang Nam Province, Vietnam. J. Hydrol. 2021, 592, 125815.

9. Pham, B.T.; Luu, C.; Phong, T.V.; Trinh, P.T.; Shirzadi, A.; Renoud, S.; Asadi, S.; Le, H.V.; von Meding, J.; Clague, J.J. Can deep learning algorithms outperform benchmark machine learning algorithms in flood susceptibility modeling? J. Hydrol. 2021, 592, 125615.

10. Luu, C.; Pham, B.T.; Phong, T.V.; Costache, R.; Nguyen, H.D.; Amiri, M.; Bui, Q.D.; Nguyen, L.T.; Le, H.L.; Prakash, I. GIS–based ensemble computational models for flood susceptibility prediction in the Quang Binh Province, Vietnam. J. Hydrol. 2021, 599, 126500.

11. Nguyen, H.D.; Thanh, B.Q.; Nguyen, Q.H.; Nguyen, T.G.; Pham, L.T.; Nguyen, X.L.; Vu, P.L.; Nguyen, T.H.T.; Nguyen, A.T.; Petrisor, A.I. A novel hybrid approach to flood susceptibility assessment based on machine learning and land use change. Case study: a river watershed in Vietnam. Hydrol. Sci. J. 2022, 67(7), 1065–1083.

12. Minastireanu, E.A.; Mesnita, G. Light gbm machine learning algorithm to online click fraud detection. J. Inform. Assur. Cybersecur 2019, 263928.

13. Wang, D.N.; Li, L.; Zhao, D. Corporate finance risk prediction based on LightGBM. Inf. Sci. 2022, 602, 259–268.

14. Jing, W.; Qian, B.; Yannian, L. Study on food safety risk based on LightGBM model: a review. Food Sci. Technol. 2022, 42, e42021.

15. Đức, Đ.N.; Thanh, T.N.; Văn, P.T.; Thái, B.P. Phát triển mô hình học máy cây quyết định và cây quyết đinh xen kẽ thành lập bản đồ dự báo không gian sạt lở đất tại huyện Mường Nhé, tỉnh Điện Biên, Việt Nam. Tạp chí điện tử Khoa học và Công nghệ Giao thông 2022, 2(1), 36–56.

16. Mahmoud, S.H.; Gan, T.Y. Multi–criteria approach to develop flood susceptibility maps in arid regions of Middle East. J. Cleaner Prod. 2018, 196, 216–229.

17. Weng, T.; Liu, W.; Xiao, J. Supply chain sales forecasting based on lightGBM and LSTM combination model. Ind. Manage. Data Syst. 2020, 120(2), 265–279.

18. Zhang, Y.; Zhu, C.; Wang, Q. LightGBM‐based model for metro passenger volume forecasting. IET Intel. Transport Syst. 2020, 14(13), 1815–1823.

19. Aydin, H.E.; Iban, M.C. Predicting and analyzing flood susceptibility using boostingbased ensemble machine learning algorithms with SHapley Additive exPlanations. Nat. Hazards 2022, 1–35.