HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
23,635,804
- Công bố khoa học và công nghệ Việt Nam
70
Kỹ thuật thuỷ lợi
BB
Hoang Nam Binh, Tran Thu Phuong, Hoang Duc Vinh, Le Van Nghi
Đánh giá hiệu suất thuật toán LSTM để dự báo dòng chảy hằng ngày tại trạm thủy văn Hòa Duyệt, Việt Nam
Assessing LSTM algorithm performance for daily runoff prediction at Hoa Duyet hydrological station, Vietnam
Tạp chí Khoa học Giao thông vận tải
2025
4
556- 567
1859-2724
Dự báo lưu lượng chính xác là rất quan trọng đối với việc quản lý tài nguyên nước hiệu quả, giảm thiểu rủi ro lũ lụt và lập kế hoạch thủy văn, đặc biệt là ở những khu vực dễ xảy ra các hiện tượng thời tiết cực đoan. Nghiên cứu này đánh giá hiệu suất của mạng Bộ nhớ dài ngắn hạn (LSTM) trong việc dự báo lưu lượng sông tại trạm thủy văn Hòa Duyệt. Mô hình dự báo được phát triển bằng cách sử dụng dữ liệu lượng mưa từ lưu vực sông Ngàn Sâu, được thu thập trong khoảng thời gian 49 năm từ 1975 đến 2023. Độ chính xác của mô hình được đánh giá trên một loạt thời gian dẫn (1 ngày, 3 ngày, 5 ngày và 7 ngày) và độ trễ thời gian (365, 90, 30, 10 và 7 ngày). Kết quả cho thấy rằng các dự báo ngắn hạn (ví dụ: 1 ngày) luôn đạt được độ chính xác cao, với độ trễ thời gian 90 ngày mang lại Hiệu quả Nash-Sutcliffe (NSE) tốt nhất là 0,864. Phân tích theo mùa cho thấy độ tin cậy của mô hình đối với mùa mưa (NSE = 0,863), nhưng độ chính xác thấp hơn trong mùa khô (NSE = 0,582), phản ánh những thách thức trong việc dự đoán động lực dòng chảy thấp. Mô hình cũng chứng minh độ chính xác hợp lý trong việc dự đoán các đỉnh dòng chảy hàng năm, với sai số trung bình là 91,75 m³/giây, mặc dù có sự khác biệt trong những năm cụ thể. Những phát hiện này làm nổi bật khả năng thích ứng của mô hình LSTM với các cấu hình thời gian và điều kiện thủy văn đa dạng, khiến nó trở thành một công cụ có giá trị để dự đoán lưu lượng xả trong khi nhấn mạnh nhu cầu tối ưu hóa hơn nữa trong các kịch bản dòng chảy thấp và sự kiện cực đoan.
Accurate disc-harge forecasting is crucial for effective water resource management, flood risk mitigation, and hydrological planning, particularly in regions prone to extreme weather events. This study evaluates the performance of a Long Short-Term Memory (LSTM) network in predicting river disc-harge at the Hoa Duyet hydrology station. The prediction model is developed using rainfall data f-rom the Ngan Sau river basin, collected over a 49-year period f-rom 1975 to 2023. The model's accuracy was assessed across a range of lead times (1- day, 3-day, 5-day, and 7-day) and time lag length (365, 90, 30, 10, and 7 days). It was revealed that short-term forecasts (e.g., 1-day) consistently achieved high accuracy, with the time lag length 90-day yielding the best Nash-Sutcliffe Efficiency (NSE) of 0.864. Seasonal analysis indicated the reliability of the model for the rainy season (NSE = 0.863), but lower accuracy during the dry season (NSE = 0.582), reflecting the challenges of predicting lowflow dynamics. The model also demonstrated reasonable accuracy in predicting annual runoff peaks, with an average error of 91.75 m³/s, although discrepancies were observed in specific years. These findings highlight the LSTM model's capacity to adapt to diverse temporal configurations and hydrological conditions, making it a valuable tool for disc-harge prediction while emphasizing the need for further optimization in low-flow and extreme event scenarios.
TTKHCNQG, CVv 287
Xem toàn văn