HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
31,785,129
- Công bố khoa học và công nghệ Việt Nam
50
Khoa học máy tính
Ngô Thị Thủy, Lương Hữu Dũng, Trịnh Thu Phương, Lương Tuấn Trung, Chu Nguyễn Ngọc Sơn
Xây dựng mô hình học sâu dự báo đặc trưng lũ tại trạm thủy văn Yên Bái
Deep learning model for flood c-haracteristic prediction at Yen Bai hydrological station
Tạp chí Khoa học Biến đổi khí hậu
2025
34
31-39
2525-2496
Trí tuệ nhân tạo mà điển hình là các mô hình học sâu đang ngày càng được ứng dụng rộng rãi trong các nghiên cứu về thủy văn và tài nguyên nước. Trong bài toán dự báo lũ lớn trên các sông, các mô hình học máy, học sâu đã thể hiện được tiềm năng với tốc độ xử lý nhanh, cho kết quả với độ chính xác cao ngay cả với những chuỗi dữ liệu ngắn, tập trung vào mô tả các sự kiện lũ và không có tính liên tục về thời gian. Tuy có nhiều ưu điểm nhưng các mô hình học sâu hay trí tuệ nhân tạo nói chung đều cần kiến thức chuyên gia để định hướng cách học, tránh việc học máy móc. Nghiên cứu này được thực hiện nhằm xây dựng được mô hình học sâu dựa trên nền tảng mạng nơ-ron truyền thẳng đa tầng (Multilayer Perceptron-MLP) phục vụ dự báo đặc trưng lũ tại Trạm thủy văn Yên Bái trên Sông Thao. Từ dữ liệu lưu lượng chân lũ, lượng mưa tích lũy 5 ngày tại các trạm Sa Pa, Văn Chấn và Yên Bái, một mô hình MLP được xây dựng với cấu trúc 11x11. Mô hình được huấn luyện bởi 62 số liệu (1961-2022) và cho kết quả tốt với hệ số R2=0,69-0,84, sai số MAE<20% lưu lượng đỉnh lũ trung bình. Dữ liệu năm 2023-2024 được sử dụng để dự báo thử nghiệm đỉnh lũ tại Yên Bái, kết quả cho sai số đỉnh lũ đạt 9,8% (năm 2023) và 20,9% (năm 2024).
Artificial intelligence (AI), particularly deep learning models, has been widely applied in hydrology and water resources. In river flood forecasting, machine learning and deep learning models have demonstrated promising potential due to their fast computation and high accuracy, even with short and event-specific datasets lacking temporal continuity. Despite these advantages, deep learning models and AI in general require expert knowledge to guide learning and avoid overfitting or misinterpretation. This study aims to develop a deep learning model based on a Multilayer Perceptron (MLP) neural network to forecast flood c-haracteristics at the Yen Bai hydrological station on the Thao River. Using flood recession flow data and 5-day accumulated rainfall f-rom the Sa Pa, Van Chan, and Yen Bai stations, an MLP model with a 11x11 architecture was constructed. The model was trained on 62 historical flood events (1961–2022) and achieved good performance, with R² values ranging f-rom 0.69 to 0.84 and a mean absolute error (MAE) of less than 20% of the average flood peak disc-harge. Validation using 2023–2024 data yielded peak errors of 9.8% and 20.9%, respectively.
TTKHCNQG, CVv 505
Xem toàn văn