Tác giả

Bùi Mạnh Hà 1 , Nguyễn Bá Thủy 1* , Phạm Khánh Ngọc 1 , Phạm Văn Tiến 2

Đơn vị công tác

1 Trung tâm Dự báo khí tượng thủy văn quốc gia; manhhamhc@gmail.com; thuybanguyen@gmail.com; ngocpkchibo@gmail.com
2 Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu; phamvantien@gmail.com
*Tác giả liên hệ: thuybanguyen@gmail.com; Tel.: +84–975853471

Tóm tắt

Trong nghiên cứu này, thuật toán tăng cường độ dốc cấp cao XGBoost (Extreme Gradient Boosting, sau đây gọi là mô hình XGBoost) được ứng dụng để xây dựng công cụ dự báo nước dâng do bão tại Hòn Dáu. Mô hình XGBoost được xây dựng với 4 phương án sử dụng dữ liệu khác nhau (04 mô hình): mô hình XGBoost đơn biến, mô hình XGBoost đa biến I, mô hình XGBoost đa biến II và mô hình XGBoost sử dụng dữ liệu chéo. Bộ dữ liệu trong 28 cơn bão ảnh hưởng tới trạm Hòn Dáu giai đoạn 2002-2021 được thu thập để xây dựng các mô hình và kiểm định kết quả dự báo. Kết quả thử nghiệm mô hình XGBoost dự báo nước dâng do bão cho thấy, mô hình XGBoos đơn biến cho độ tin cậy thấp ở tất cả các thời hạn dự báo. Trong khi đó, hai mô hình XGBoos đa biến và mô hình sử dụng dữ liệu chéo đều cho kết quả tin cậy cao, với phần lớn hệ số tương quan giữa dự báo và quan trắc đều trên 80%. Kết quả của nghiên cứu làm cơ sở lựa chọn công cụ dự báo nước dâng do bão tại Hòn Dáu tuỳ thuộc vào hiện trạng số liệu quan trắc khí tượng, hải văn.

Từ khóa

Dự báo nước dâng do bão; XGBoost; Machine Learning; AI.

Trích dẫn bài báo

Hà, B.M.; Thủy, N.B.; Ngọc, P.K.; Tiến, P.V. Kết quả bước đầu thử nghiệm thuật toán XGBoost dự báo nước dâng do bão tại trạm Hòn Dáu. Tạp chí Khí tượng Thuỷ văn 2023, 756, 83-94.

Tài liệu tham khảo

1. Ca, V.T.; Hiếu, P.Đ.; Hiển, N.X.; Đạo, N.X. Mô hình dự báo nước dâng do bão có tính đến thủy triều. Tạp chí Khí tượng Thủy văn 2008, 568,  25–33.

2. Ou, S.H.; Liao, J.M.; Tsai, C.Y.;  Hsu, T.W. Numerical studies of typhoon-induced storm surge using POM and finite element depth-averaged model in Taiwan. Proceedings 4th Chinese-German Joint Symposium on Hydraulic and Ocean Engineering, Darmstadt, Germany, 2008.

3. Thủy, N.B.; Ngọc, P.K.; Tiến, D.Đ.; Tiến, T.Q.; Hole, L.R.; Kristensen, N.M.; Röhrs, J. Mô hình Roms 2D dự báo nước dâng do bão và gió mùa tại Việt Nam. Tạp chí Khí tượng Thủy văn 2016, 665, 36–40.

4. Qin, G.; Fang, Z.; Zhao, S.; Meng, Y.; Sun, W.; Yang, G.; Wang, L.; Feng, T. Storm Surge Inundation Modulated by Typhoon Intensities and Tracks: Simulations Using the Regional Ocean Modeling System (ROMS). J. Mar. Sci. Eng. 2023, 11, 1112. https://doi.org/10.3390.

5. Li, Z.; Li, S.; Hu, P.; Mo, D.; Li, J.; Du, M.; Yan, J.; Hou, Y.; Yin, B. Numerical study of storm surge-induced coastal inundation in Laizhou Bay, China. Phys. Oceanogr. 2022, 9, 1–14. https://doi.org/10.3389/fmars.2022.952406

6. Taflanidis, A.A.;  Kennedy, A.B.; Westerink, J.J.; Smith, J.; Cheung, K.F.; Hope, M.; Tanaka, S. Rapid assessment of wave and surge risk during landfalling hurricanes: Probabilistic approach. J. Waterway Port Coastal Ocean Eng. 2012, 139(3), 171–182. https://doi.org/10.1061/(ASCE)WW.1943-5460.0000178.

7. Chiến, Đ.Đ.; Thủy, N.B.; Sáo, N.T.; Thái, T.H.; Kim, S. Nghiên cứu tương tác sóng và nước dâng do bão bằng mô hình số trị. Tạp chí Khí tượng Thủy văn 2014, 647, 19–24.

8. Cường, H.Đ.; Thủy, N.B.; Hưởng, N.V.; Tiến, D.Đ. Đánh giá nguy cơ bão và nước dâng do bão tại ven biển Việt Nam. Tạp chí Khí tượng Thủy văn 2018, 684, 29–36.

9. Thái, T.H.; Trí, Đ.Q.; Hoàng, Đ.V. Nghiên cứu mô phỏng tác động của sóng và nước dâng bão khu vực ven biển miền Trung. Tạp chí Khí tượng Thủy văn 2018, 687, 1–14.

10. Thủy, N.B. Nghiên cứu lựa chọn mô hình dự báo nghiệp vụ nước dâng do bão vào dự báo nghiệp vụ tại Việt Nam. Báo cáo tổng kết đề tài nghiên cứu khoa học cấp Bộ. Hà Nội, 2016.

11. Cát, V.M.; Lân, V.V. Mô phỏng nước dâng do bão và xây dựng bản đồ ngập lụt đảo Phú Quốc. Tạp chí Khoa học Kỹ thuật thủy lợi và môi trường 2017, 56, 16–23.

12. Hiển, N.X. Nghiên cứu nước dâng do bão có tính đến ảnh hưởng của sóng và áp dụng cho vùng ven biển Hải Phòng. Luận án tiến sĩ. Hà Nội, 2013.

13. Sztobryn, M. Forecast of storm surge by means of artificial neural network. J. Sea Res. 2003, 49(4), 317–322.

14. You, S.;  Seo, J.W. Storm surge prediction using an artificial neural network model and cluster analysis. Geology Nat. Hazards 2009, 53996115.

15. Lee, T.L. 2006. Neural network prediction of a storm surge. Ocean Eng. 2006, 33(3), 483–494.

16. Lee, T.L. Predictions of typhoon storm surge in Taiwan using artificial neural networks. Ocean Eng. 2009, 40(11), 1200–1206.

17. Kim, S.; Matsumi, Y.; Pan, S.; Mase, H. 2016. A real-time forecast model using artificial neural network for after-runner storm surges on the Tottori coast, Japan. Ocean Eng. 2016, 122(6), 44–53.

18. Kim, S.; Pan, S.; Mase, H. Artificial neural network-based storm surge forecast model: Practical application to Sakai Minato, Japan. J. Ocean Res. 2019, 199134715.

19. Chao, W.T.;  Young, C.C.; Hsu, T.W.;  Liu, W.C. Long-lead-time prediction of storm surge using artificial neural networks and effective typhoon parameters: revisit and deeper insight. J. Ocean Res. 2020, 12(9), 2394. 

20. Pacheva, B.; Arorab, P.; del-Castillo-Negretea, C.; Valsetha, E.; Dawsona, C. A framework for flexible peak storm surge prediction. Coastal Eng. 2023, 1–31.

21. Pacheva, B.; Valsetha, E.; Dawsona, C. Learning storm surge with gradient boosting. Ocean Modell. 2022, 1–14.

22. Sun, H.; Wang, J.; Ye, W. A Data Augmentation-Based Evaluation System for Regional Direct Economic Losses of Storm Surge Disasters.  Int. J. Environ. Res. Public Health 2021, 18, 2918.

23. Chen, T.; Guestrin, C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, New York, NY, USA, Aug. 2016, pp. 785–794.

 24. Du, X.; Li, X.; Zhang, S.; Zhao, T.; Hou, Q.; Jin, X.; Zhan, J. High-accuracy estimation method of typhoon storm surge disaster loss under small sample conditions by information diffusion model coupled with machine learning models. Int. J. Disaster Risk Reduct. 2022, 82, 103307.

25. Osman, A.I.A.; Ahmed, A.N.; Chow, M.F.; Huang, Y.F.; El-Shafie, A. Extreme gradient boosting (Xgboost) model to predict the groundwater levels in Selangor Malaysia. Ain Shams Eng. J. 2021, 12(2), 1545–1556.

26. Friedman, J.H. Greedy function approximation: A gradient boosting machine. Ann. Statist. 2001, 29(5), 1189–1232. https://doi.org/10.1214/aos/1013203451.