Tác giả

Nguyễn Gia Trọng 1,2* , Bùi Ngọc Quý 3

Đơn vị công tác

1 Trường Đại học Mỏ - Địa chất; nguyengiatrong@humg.edu.vn

2 Nhóm nghiên cứu Trắc địa cao cấp - môi trường

3 Viện Tài nguyên và Môi trường, Đại học Quốc gia Hà Nội; quybncres@vnu.edu.vn

*Tác giả liên hệ: nguyengiatrong@humg.edu.vn; Tel.: +84–963124980

Tóm tắt

Nghiên cứu này đã ứng dụng mô hình GRU (Gated Recurrent Unit) thuộc nhóm mạng nơ ron hồi quy (RNN - Recurrent Neural Network) để phân tích dữ liệu nghiệm triều thu nhận được tại trạm nghiệm triều Vũng Tàu trong thời gian từ 01/01/1999 đến 31/12/2022. Kết quả thực nghiệm cho thấy, các đặc trưng thống kê về hiệu suất của mô hình đạt kết quả rất tốt: RMSE = 2,2 mm; MAE = 0,5 mm; Kappa = 0,98 và F-Score = 0,96. Bên cạnh đó, để khẳng định liệu mô hình có thực sự hiệu quả hay không đã phân chia bộ dữ liệu thành tập dữ liệu huấn luyện, tập dữ liệu kiểm tra và tập dữ liệu dự báo. Kết quả thống kê cho thấy mô hình GRU có thể dự đoán một cách tin cậy giá trị triều thông qua các đặc trưng thống kê của tập dữ liệu dự báo như RMSE = 0,06 mm, MAE = 0,05 mm. Nghiên cứu cũng chỉ ra rằng, cần thiết phải thực thi phát hiện và loại trừ ngoại lai đối với tập hợp dữ liệu đầu vào để có thể thu được kết quả dự báo đạt độ chính xác cao.

Từ khóa

RNN; GRU; Dữ liệu nghiệm triều; Chuỗi dữ liệu theo thời gian; AI.

Trích dẫn bài báo

Trọng, N.G.; Qúy, B.N. Phân tích chuỗi dữ liệu nghiệm triều sử dụng mạng nơ ron hồi tiếp với nút có cổng (GRU). Tạp chí Khí tượng Thuỷ văn 2024, 765, 39-46.

Tài liệu tham khảo

1. Frederikse, T.; Landerer, F.; Caron, L.; Adhikari, S.; Parkes, D.; Humphrey, V.W.; Dangendorf, S.; Hogarth, P.; Zanna, L.; Cheng, L.; Wu, Y.H. The causes of sea-level rise since 1900. Nature 2020, 584, 393–397.

2. Darwin, R.F.; Tol, R.S.J. Estimates of the economic effects of sea level rise. Environ. Resour. Econ. 2001, 19, 113–129.

3. Hamlington, B.D.; Leben, R.R.; Kim,  K.Y. Improving sea level reconstructions using non‐sea level measurements. J. Geophys. Res.: Oceans 2012, 117(10), 1–14.

4. Antunes, C.; Taborda, R. Sea level at Cascais tide gauge: data, analysis and results. J. Coastal Res. 2009, pp. 218–222.

5. Cipollini, P.; Calafat, F.M.; Jevrejeva, S.; et al. Monitoring sea level in the coastal zone with satellite altimetry and tide gauges. Surv. Geophys. 2017, 38, 33–57.

6. Douglas, B.C. Sea level change in the era of the recording tide gauge. Int. Geophys. 2001, 37–64.

7. Abubakar, A.G.; et al. A Review of modelling approaches on tidal analysis and prediction. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci. 2019, XLII-4/W16, 23–34.

8. French, J.; et al. Combining machine learning with computational hydrodynamics for prediction of tidal surge inundation at estuarine ports. Procedia IUTAM 2017, 25, 28–35.

9. Imani, M.; et al. Daily sea level prediction at Chiayi coast, Taiwan using extreme learning machine and relevance vector machine. Global Planet. Change 2018, 161, 211–221.

10. Bruneau, N.; Polton, J.; Williams, J.; Holt, J. Estimation of global coastal sea level extremes using neural networks. Environ. Res. Lett.  2020, 15(7), 074030.

11. Yang, C.H.; Wu, C.H.; Hsieh, C.M. Long short-term memory recurrent neural network for tidal level forecasting. IEEE Access 2020, 8, 159389–159401.

12. Tur, R.; et al. Sea level prediction using machine learning. Water 2021, 13(24), 3566.

13. Yang, Y.; et al. Multiscale analysis and prediction of sea level in the northern south china sea based on tide gauge and satellite data. J. Mar. Sci. Eng. 2023, 11(6), 1203.

14. Wahle, K.; et al. Detecting anomalous sea-level states in North Sea tide gauge data using an autoassociative neural network. Nat. Hazards Earth Syst. Sci. 2023, 23(2), 415–428.

15. Tín, N.V.; Thịnh, N.N. Nghiên cứu xu thế biến đổi các yếu tố khí hậu, mực nước tại Bà Rịa-Vũng Tàu. Tạp chí Khí tượng Thủy văn 2012, 622, 13–16.

16. Trần, V.C.; Long, B.H. Ảnh hưởng của trường nhiệt độ và biến đổi bất thường của mực nước trong Biển Đông liên quan đến biến đổi khí hậu. Tạp chí Khoa học và Công nghệ biển 2016, 16(3), 255–266.

17. Thủy, N.B.; Tiến, T.Q. Bước đầu nghiên cứu mối liên hệ giữa mực nước biển dâng dị thường tại Tuy Hòa-Phú Yên với hình thế thời tiết. Tạp chí Khí tượng Thủy văn 2017, 687, 15–22.

18. Hai, N.M.; Vinh, V.D. How climate change affected on water level in Ha Long coastal area in the period 1974–2020: results from the mann-kendall test and sen’s slope estimate. VN J. Mar. Sci. Technol. 2022, 22(3), 257–269.

19. 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.

20. Torres, J.F.; Hadjout D.; Sebaa A.; Martínez-Álvarez F.; Troncoso A. Deep learning for time series forecasting: A survey. Big Data 2020, 9(1), 3–21.

21. Phong, D.V.; Trọng, N.G.; Chiến, N.V.; Thành, N.H.; Hà, L.L.; Quân, N.V.; Quang, P.N. Phân tích chuyển dịch thẳng đứng vỏ Trái đất sử dụng hàm ANN từ kết quả xử lý chuỗi dữ liệu GNSS theo thời gian. Tạp chí Khí tượng Thủy văn 2023, 752, 41–50.

22. Trực tuyến: https://www.python.org/.

23. Trực tuyến: https://anaconda.org/anaconda/pandas.

24. Trực tuyến: https://anaconda.org/anaconda/numpy.

25. Trực tuyến: https://anaconda.org/conda-forge/matplotlib.