Ứng dụng deep learning và mô hình toán thủy văn vào dự báo dòng chảy lũ

Trong nghiên cứu này, nhóm tác giả đã kết hợp mạng RNN và mô hình thủy văn vào bài toán dự báo dòng chảy lũ theo thời gian thực nhằm mục đích tăng độ chính xác của mô hình dự báo dòng chảy. Mô hình đã tìm ra được bộ thông số tối ưu phục vụ cho việc dự báo được lượng nước lũ trong thời gian tiếp theo dựa vào các bước thời gian trước đó. Điều này có thể giúp nâng cao tính chính xác cho việc mô phỏng dòng chảy.

Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 ỨNG DỤNG DEEP LEARNING VÀ MƠ HÌNH TỐN THỦY VĂN VÀO DỰ BÁO DÒNG CHẢY LŨ Trần Thị Ngân1, Trần Kim Châu1 Trường Đại học Thủy lợi, email: ngantt@tlu.edu.vn GIỚI THIỆU Dự báo dòng chảy điều kiện tiên cho việc vận hành hồ chứa lại vấn đề phức tạp có độ bất định lớn Thơng thường, mơ hình thủy văn sử dụng để tính tốn dịng chảy từ mưa Tuy nhiên, mơ hình thủy văn chưa mơ đầy đủ q trình vật lý hình thành dòng chảy chưa cập nhật thay đổi liên tục bề mặt thảm phủ lưu vực Trong năm gần đây, việc ứng dụng nghệ trí tuệ nhân tạo tốn dự báo nghiên cứu Đặc biệt, mơ hình học sâu phát triển mạnh ứng dụng nhiều lĩnh vực [2, 3] Dự báo dòng chảy lĩnh vực tiềm áp dụng mơ hình học sâu vào giải hạn chế đặt Với khả tự cập nhật q trình huấn luyện, mơ hình mạng nơ ron khắc phục hạn chế mô hình thủy văn [1, 4] Trong báo này, áp dụng mạng nơ ron hồi tiếp (Recurrent Neural Network - RNN) để tối ưu thông số mô hình thủy văn HMS theo thời gian thực nhằm mục đích dự báo dịng chảy lũ đến hồ chứa Tả Trạch Trong cách tiếp cận này, mơ hình thủy văn có nhiệm vụ chuyển đổi mưa thời gian thực trạm đo lưu vực thành dòng chảy lũ đến hồ Sử dụng kết tính tốn từ mơ hình liệu thực đo thời gian trước thời điểm dự báo làm liệu đầu vào cho mạng RNN Từ đưa thông số tối ưu thời điểm dự báo Ứng dụng thơng số tìm để tính tốn dịng chảy dự báo Do hạn chế thơng tin mưa dự báo, nghiên cứu mưa dự báo giả thiết mưa thực đo ỨNG DỤNG RNN TRONG BÀI TỐN DỰ BÁO DỊNG CHẢY LŨ Q trình giải tốn dự báo dịng chảy lũ bao gồm việc giải chuỗi toán nhỏ Chuỗi toán nhỏ gọi pipeline mơ hình học máy (Hình 1) 110 Tiền xử lý liệu Chuyển tập liệu sang dạng chuỗi thời gian Chia liệu chuyển sang dạng vector Xây dựng huấn luyện mơ hình Kiểm tra mơ hình RNN Hình Mơ hình Pipeline tốn dự báo dịng chảy lũ sử dụng RNN Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 Với tốn dự báo dịng chảy lũ, ta dựa vào phân tích chuỗi thời gian Đây q trình dự đốn trạng thái dựa chuỗi đầu vào định dựa quan sát trước Kết dự đoán lưu lượng đến hồ thời điểm tiếp theo, v.v Trong báo này, nhóm tác giả thử nghiệm mạng RNN thông số sau: Input: số liệu Qden 4h trước (mơ hình thực đo) Output: thơng số mơ hình dùng cho 1h sau Các bước giải toán dự báo dòng chảy lũ sau: Tiền xử lý liệu: liệu sau thu thập từ trạm tổng hợp tiền xử lý Chuyển tập liệu sang dạng chuỗi thời gian: ban đầu, liệu tham số mốc thời gian (t-4), (t-3), (t-2), (t-1) thiết lập Bộ tham số thời điểm sử dụng để dự đoán tham số thời điểm (t) (Hình 2) Hình Mơ kết dự đốn đưa vào mơ hình bước thời gian - Chia tập liệu thành train, test chuyển sang dạng vector - Áp dụng mạng RNN để giải toán bao gồm bước nhỏ: xây dựng huấn luyện mơ hình RNN, kiểm tra mơ hình RNN Một mạng nơ ron hồi quy RNN gồm lớp: lớp đầu vào, lớp ẩn, lớp đầu Lớp đầu vào gồm N đầu vào chuỗi vector theo thời gian t {x1…, xt-4, xt-3, xt-2, xt-1,…} với giá trị tương ứng xt = (x1, x2, x3, x4,…, xN) Các giá trị đầu vào kết nối với nút lớp ẩn ma trận trọng số W1H Lớp ẩn có M hidden units ht = (h1, h2, h3, h4,…, hM) liên kết với theo thời gian liên kết lặp lại (Hình 3) Hình Mạng RNN khơng bị xáo trộn theo thời gian Lớp ẩn xác định không gian trạng thái “bộ nhớ” hệ thống tính tốn công thức ht = fH (ot) (1) Với ot = WIHxt + WHHht-1 + bh fH hàm kích hoạt lớp ẩn; bh vector bias hidden unit Các nút lớp ẩn liên kết với lớp đầu kết nối trọng số WHO Lớp đầu có P nút yt = (y1, y2, y3, y4,…, yP) tính tốn cơng thức: 0 , x  yt  f o (WH ht  b0 ) f ( x )   (2)  x, x  Với: f0 hàm kích hoạt lớp đầu b0 vector bias nút thuộc lớp đầu Vì cặp đầu vào - đầu theo thời gian nên bước lặp lại theo thời gian t = (1, , T) Công thức (1) (2) cho thấy RNN bao gồm số phương trình trạng thái phi tuyến tính, lặp lại theo thời gian Trong bước thời gian, trạng thái ẩn cung cấp dự đoán lớp đầu dựa vector đầu vào Trạng thái ẩn RNN tập giá trị, tổng hợp thông tin lịch sử chuỗi bước thời gian Thông tin tích hợp xác định hành vi tương lai mạng đưa dự đốn xác lớp đầu RNN sử dụng chức kích hoạt phi tuyến đơn giản unit Tuy nhiên, cấu trúc đơn giản có khả tạo mơ hình động lực học phong phú, huấn luyện tốt thơng qua bước đo thời gian Với toán dự báo này, liệu đầu vào có giá trị dương, nên sử dụng hàm kích hoạt ReLU có cơng thức sau: 111 Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 0 , x  f(x) (3)  x, x  Hàm mát đánh giá hiệu suất mạng cách so sánh đầu ˆy với y xác định công thức: Ty ( ˆy, y )   ( ˆy, y ) (4) t 1 Đây tổng số tổn thất bước thời gian Trong số mô hình RNN, MSE hàm mát phổ biến nhất, thể sau: n RMSE   ( ˆyi  yi )2 (5) n i 1 Với ˆyi giá trị thực đo thời điểm t yi giá trị dự báo thời điểm t KẾT QUẢ THỰC NGHIỆM Quá trình thực nghiệm tiến hành liệu dòng chảy lũ thu thập từ trạm Tạ Trạch 1,2,3,4 Bộ liệu phân chia với 75% dùng cho huấn luyện mơ hình 25% dùng để kiểm tra mơ hình Kết nghiên cứu thể thông qua việc so sánh đường q trình lũ tính tốn thực đo Quá trình đánh giá dự độ đo RMSE, MAE Các độ đo tính có giá trị sau: - MAE = 30.6653 - MSE = 5747.0368 - RMSE = 75.8092 Tính xác thuật tốn cao Có thể dự báo cho kết không sai lệch lớn so với thực tế (Hình 4) Hình Biểu đồ kết dự đốn thực đo - Mơ hình dự báo dòng chảy lũ theo thời gian thực xây dựng mạng RNN cho kết sát với thực đo - Thời gian chạy mơ hình nhanh, xử lý liệu lớn cách hiệu - Tuy nhiên nhận thấy, độ xác mơ hình cịn phụ thuộc vào số lần đưa liệu vào chạy mạng Trong lần đưa liệu vào mạng, lượng liệu lớn, mơ hình khơng hoạt động tốt KẾT LUẬN Trong nghiên cứu này, nhóm tác giả kết hợp mạng RNN mơ hình thủy văn vào tốn dự báo dịng chảy lũ theo thời gian thực nhằm mục đích tăng độ xác mơ hình dự báo dịng chảy Mơ hình tìm thông số tối ưu phục vụ cho việc dự báo lượng nước lũ thời gian dựa vào bước thời gian trước Điều giúp nâng cao tính xác cho việc mơ dịng chảy Ngồi cịn giúp người sử dụng mơ hình giảm bớt q trình dị tìm thủ cơng tốn nhiều thời gian cơng sức TÀI LIỆU THAM KHẢO [1] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee (2018), “Ứng dụng mạng nơ ron nhân tạo dự báo lưu lượng dịng chảy sơng Hồng Sơn Tây dựa liệu thượng lưu” Hội nghị Khoa học Cơ học Thủy khí tồn quốc lần thứ 21, Quy Nhon, Vietnam [2] Kawazoe, Y., Shimamoto, K., Yamaguchi, R., Shintani-Domoto, Y., Uozaki, H., Fukayama, M., & Ohe, K (2018) Faster RCNN-Based Glomerular Detection in Multistained Human Whole Slide Images Journal of Imaging, 4(7), 91 [3] Mo, X., Tao, K., Wang, Q., & Wang, G (2018, August) An Efficient Approach for Polyps Detection in Endoscopic Videos Based on Faster R-CNN In 2018 24th International Conference on Pattern Recognition (ICPR) (pp 3929-3934) IEEE [4] Xuan-Hien Le, Hung Viet Ho, Giha Lee and Sungho Jung (2019), "Application of Long Short-Term Memory (LSTM) Neural Network for Flood Forecasting" Water, DOI:10.3390/w11071387 112 ... hình thủy văn vào tốn dự báo dịng chảy lũ theo thời gian thực nhằm mục đích tăng độ xác mơ hình dự báo dịng chảy Mơ hình tìm thông số tối ưu phục vụ cho việc dự báo lượng nước lũ thời gian dựa vào. .. dự báo dịng chảy lũ, ta dựa vào phân tích chuỗi thời gian Đây q trình dự đốn trạng thái dựa chuỗi đầu vào định dựa quan sát trước Kết dự đoán lưu lượng đến hồ thời điểm tiếp theo, v.v Trong báo. .. điểm sử dụng để dự đốn tham số thời điểm (t) (Hình 2) Hình Mơ kết dự đốn đưa vào mơ hình bước thời gian - Chia tập liệu thành train, test chuyển sang dạng vector - Áp dụng mạng RNN để giải toán