Nghiên cứu ứng dụng trí tuệ nhân tạo trong dự báo lũ lụt

 

Các mô hình vật lý có khả năng ưu việt trong dự đoán các kịch bản lũ lụt. Tuy nhiên, chúng thường yêu cầu nhiều dữ liệu giám sát địa mạo thủy văn khác nhau, đòi hỏi tính toán chuyên sâu, khó khăn trong những dự đoán hạn ngắn. Do đó, các mô hình dự báo lũ lụt vật lý thường giả định đơn giản hóa khác nhau.

Để bắt chước các biểu thức toán học phức tạp của các quá trình vật lý của lũ lụt, trong suốt hai thập kỷ qua, các phương pháp học máy (ML) đã đóng góp rất nhiều vào sự phát triển của các hệ thống dự báo, đem lại nhiều hiệu quả cũng như tiết kiệm chi phí. Với những lợi ích to lớn và tiềm năng mang lại, các ứng dụng mô hình học máy (ML) đang ngày càng được phổ biến trong lĩnh vực thủy văn học. Các nhà nghiên cứu kết hợp mô hình máy học với các mô hình truyền thống nhằm tìm ra mô hình chính xác và hiệu quả hơn.

Các thuật toán ML có những đặc điểm quan trọng cần được nghiên cứu một cách kỹ lưỡng. Đầu tiên là quá trình huấn luyện dữ liệu, hệ thống tương quan mục tiêu dựa trên dữ liệu trong quá khứ. Nếu dữ liệu khan hiếm hoặc không bao gồm nhiều loại tương quan, việc học của chúng sẽ bị thiếu hụt và do đó, chúng không thể thực hiện tốt khi được đưa vào làm việc. Do đó, việc sử dụng làm phong phú dữ liệu là điều cần thiết. Bên cạnh đó, hiệu suất của các thuật toán có thể khác nhau đối với các thông số dự báo khác nhau. Đây cũng có thể được gọi là “bài toán tổng quát hóa”, cho biết hệ thống được đào tạo có thể dự đoán các trường hợp mà nó không được đào tạo tốt như thế nào, tức là liệu nó có thể dự đoán ngoài phạm vi của tập dữ liệu đào tạo hay không. Do đó, hình thành các phương pháp ML là phương pháp đơn và phương pháp kết hợp.

Các ứng dụng trong dự báo lũ có thể được ứng dụng dự báo mực nước, lũ sông, độ ẩm của đất, lượng mưa - lưu lượng, lượng mưa, dòng chảy sông, đỉnh dòng chảy, dòng chảy theo mùa, điểm xả lũ, lũ đô thị, lũ đồng bằng, mực nước ngầm, giai đoạn mưa, phân tích tần suất lũ, số lượng lũ, mức nước dâng, dòng chảy cực đoan, triều cường, lượng mưa bão và dòng chảy hàng ngày.

Các phương pháp ML để dự báo lũ lụt có thể thay đổi đáng kể tùy theo ứng dụng, tập dữ liệu và loại dự báo. Các phương pháp ML được sử dụng để dự báo mực nước hạn ngắn khác đáng kể so với các phương pháp được sử dụng để dự báo dòng chảy hạn dài.

Dữ liệu được lựa chọn trong các mô hình dự báo lũ lụt được thu thập từ các quan trắc, đo đạc, rada hay số liệu vệ tinh. Nguồn của bộ dữ liệu theo truyền thống là lượng mưa và mực nước, được đo bằng máy đo mưa trên mặt đất, hoặc các công nghệ viễn thám tương đối mới như vệ tinh, hệ thống cảm biến đa điểm hoặc radar. Tập dữ liệu lịch sử của các giá trị được ghi theo đơn vị hàng giờ, hàng ngày hoặc hàng tháng được chia thành các nhóm.

Nhiều thuật toán ML, ví dụ mạng nơ-ron nhân tạo (ANN), Support Vector Machine (SVM) và Suport Vector Regression (SVR), được cho là hiệu quả cho cả dự báo lũ hạn ngắn và hạn dài. Ngoài ra, nhiều nghiên cứu được chỉ ra rằng hiệu suất của ML có thể được cải thiện thông qua việc kết hợp với các phương pháp ML khác nhau, kỹ thuật tính toán mềm, mô phỏng số trị hoặc mô hình vật lý.

Những hạn chế đối với các phương pháp ML về độ chính xác, độ không đảm bảo, hiệu suất và độ mạnh đã được cải thiện thông qua việc kết hợp các phương pháp ML, cũng như sử dụng một biến tổng hợp của phương pháp ML. Dự kiến xu hướng này sẽ là xu hướng dự báo lũ lụt trong tương lai.

Phòng Công nghệ và Kỹ thuật tài nguyên nước

Viện Khoa học tài nguyên nước

 VienKHTNN.Core - VienKHTNN_SuKien

BÀI VIẾT LIÊN QUAN

Ứng dụng công nghệ AI trong dự báo tài nguyên nước

Trí tuệ nhân tạo (AI - Artificial Intelligence) đã và đang là một trong những công nghệ được quan tâm

Đánh giá so sánh dữ liệu CHIRPS VÀ CFSR cho lưu vực thiếu dữ liệu bằng cách sử dụng mô hình SWAT

Hiện nay, công nghệ viễn thám đã được ứng dụng nhiều trong các nghiên cứu tài nguyên nước trên thế

Xác định biến động diện tích mặt nước bằng công nghệ Google Earth Engine

Theo dõi diễn biến diện tích mặt nước hồ chứa theo thời gian giúp xác định quy luật vận hành,

NGHIÊN CỨU XÂY DỰNG HỆ THỐNG GIÁM SÁT VÀ DỰ BÁO DÒNG CHẢY VÀO HỒ CHỨA BẢN VẼ THEO THỜI GIAN THỰC TRÊN NỀN TẢNG WEBGIS

Thuộc đề tài khoa học và công nghệ cấp cơ sở năm 2020 Viện Khoa học tài nguyên nước

 VienKHTNN.Core - VienKHTNN_LienKet

 Content Editor

 VienKHTNN.Core - VienKHTNN_AnPham_Phai

ẤN PHẨM NỔI BẬT