Tác giả

Đơn vị công tác

1 Học viện Kỹ thuật quân sự; nguyenthihienqn@gmail.com
2 Văn phòng Zalo Hà nội; truong.t.phuc@gmail.com.
3 Trung tâm TTDL KTTV; manh.ngovan@gmail.com.
4 Đại học Lâm nghiệp Việt Nam; quyen14121982@gmail.com.
5 Đại học quản lý và công nghệ Hải Phòng; hoangvan041078@gmail.com.

 


 

Tóm tắt

Nước dâng bão là hiện tượng dâng lên của mực nước biển cao hơn mực thủy triều vốn có bởi do tác động của bão vì thế việc dự báo chính xác mực nước dâng là nhiệm vụ quan trọng để tránh thiệt hại về tài sản và con người do nước dâng gây ra. Lập trình di truyền (Genetic Programming – GP) là một kỹ thuật học máy có thể giúp ta tìm được mô hình ở dạng công thức toán học. Tuy nhiên trước đây GP hầu như chưa được áp dụng triệt để cho bài toán dự báo nước biển dâng do bão cho nên trong bài báo này nhóm tác giả đề xuất phương pháp sử dụng GP để phát hiện các mô hình dự báo nước biển dâng do bão. Kết quả thực nghiệm trên dữ liệu nước biển dâng do bão tại trạm Hòn Dáu của Việt Nam cho thấy phương pháp này có thể đưa ra các mô hình dự báo nước dâng do bão chính xác hơn một số phương pháp học máy phổ biến thường sử dụng. Hơn nữa GP đưa ra mô hình dự báo dễ hiểu hơn các mô hình mà được xây dựng bằng các phương pháp khác (hộp đen) như là mạng nơ–ron. Ngoài ra mô hình dự báo do GP đưa ra sẽ giúp ta phát hiện các đặc trưng ảnh hưởng trực tiếp khi phát triển các mô hình dự báo nước biển dâng do bão.
 

Từ khóa

Trích dẫn bài báo

Hiền, N.T.; Phúc, T.T.; Mạnh, N.V.; Quyên, N.T.; Vân, H.H. Phương pháp dự báo nước biển dâng do bão dựa trên lập trình di truyền. Tạp chí Khí tượng Thủy văn 2020, 716, 2-11
 

Tài liệu tham khảo

1. Kim, S.; Matsumi, Y.; Pan, S.; Mase, H. A real–time forecast modelusing artificial neural network for after–runner storm surges on the tottoricoast, Japan. Ocean Eng. 2016, 122, 44–53. https://doi.org/10.1016/j.oceaneng.2016.06.017.
2. Kim, S.W.; Lee, A.; Mun, J. A surrogate modeling for storm surgeprediction using an artificial neural network.
J. Coastal Res. 2018, 85, 866–870. https://doi.org/10.2112/SI85–174.1.
3. Thuy, N.B.; Kim, S.; Chien, D.D.; Dang, V.H.; Cuong, H.D.; Wettre, C.; Hole, L.R. Assessment of storm surge along the coast of central vietnam.
J. Coastal Res. 2016,
33, 518–530.
4. Lee, T.L. Prediction of storm surge and surge deviation using a neural network.
J. Coastal Res. 2008, 24, 76–82.
5. Koza, John, R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge, MA, USA: MIT Press, 1992.
6. Kaboudan, M.A. Genetic programming prediction of stock prices.
Comput. Econ.2000, 16, 207–236.
7. Gaur, D.S.; Deo, M.C. Real–time wave forecasting using genetic programming.
Ocean Eng. 2008, 35, 1166–1172. https://doi.org/10.1016/j.oceaneng.2008.04.007.
8. Azamathulla, H.M.; Ghani, A.A. Genetic Programming to Predict River Pipeline Scour.
J. Pipeline Syst. Eng. Pract. 2010, 1, 127–132. https://doi.org/10.1061/(ASCE)PS.1949–1204.0000060
9. Sahoo, B.; Bhaskaran, P.K. Prediction of storm surge and inundation using climatological datasets for the indian coast using soft computing techniques.
Soft Comput. 2019, 23, 12363–12383. https://doi.org/10.1007/s00500–019–03775–0.
10. Smola, A.J.; Schölkopf, B.; 2004. A tutorial on support vector regression.
Stat. Comput. 2004, 14, 199–222. https://doi.org/10.1023/B:STCO.0000035301.49549.88
11. Rokach, L.; Maimon, O. Data mining with decision trees: Theory and applications. World Scientific Pub. Co. Inc. 2014, pp. 328. 

12. Hastie, T.; Tibshirani, R.; Friedman, J. The Elements of Statistical Learning: Data Mining. Inference and Prediction. New York: Springer, 2009.

13. Rosenblatt, Frank. x. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Washington DC: Spartan Books, 1961.
14. Breiman, L. Random Forests.
Mach. Learn. 2001, 45, 5–32.