Nghiên cứu áp dụng mô hình học máy phục vụ vận hành hệ thống kiểm soát lũ thời gian thực cho khu vực lõi thành phố Cần Thơ

Bài viết Nghiên cứu áp dụng mô hình học máy phục vụ vận hành hệ thống kiểm soát lũ thời gian thực cho khu vực lõi thành phố Cần Thơ đánh giá khả năng vận hành hệ thống để đảm bảo quản lý rủi ro lũ lụt vùng đô thị lõi Cần Thơ.

NGHIÊN CỨU ÁP DỤNG MƠ HÌNH HỌC MÁY PHỤC VỤ VẬN HÀNH HỆ THỐNG KIỂM SOÁT LŨ THỜI GIAN THỰC CHO KHU VỰC LÕI THÀNH PHỐ CẦN THƠ Trương Vân Anh, Hoàng Thị Nguyệt Minh Trường Đại học Tài nguyên Mơi trường Hà Nội Tóm tắt Cần Thơ tỉnh thuộc đồng sông Cửu Long nằm bờ Sông Hậu Đây tỉnh thường xuyên bị ngập lụt lũ thượng nguồn, triều cường mưa lớn nội đồng Để kiểm soát ngập lụt, quyền thành phố cho xây dựng vùng bao gồm hệ thống kè sông cống ngăn lũ, đảm bảo nước sông lớn không gây ngập lụt vùng đô thị Nghiên cứu đánh giá khả vận hành hệ thống để đảm bảo quản lý rủi ro lũ lụt vùng đô thị lõi Cần Thơ Phương pháp tiếp cận mơ hình cho phép vận hành hệ thống thời gian thực dựa liệu dự báo trạm thủy văn Sông Hậu đề xuất áp dụng mơ hình học máy giúp giải việc giảm tải thời lượng tính tốn mơ hình thủy động lực học thông thường để áp dụng thực tế vận hành hệ thống Từ khóa: Quản lý rủi ro ngập lụt; Biến đối khí hậu; Mơ hình học máy; Mơ hình SNN; Mơ hình ANN; Kiểm sốt hệ thống Abstract Apply machine learning model to operate real - time flood control system for core area of ​​Can Tho city Can Tho is a province in the Mekong Delta located on the banks of the Hau River This is a province that is regularly flooded by upstream floods, high tides and heavy rains in its area To control flooding, the city government built an area including river embankment systems and flood control sluices, ensuring that water in major rivers does not flood the urban area This study evaluates the system performance to ensure flood risk management in the core urban area of ​​Can Tho The model approach that allows real - time system operation based on forecast data at hydrological stations on the Hau River is proposed to be applied in which the machine learning model has helped to reduce the computational time load Mathematics of conventional hydrodynamic models to be applied in actual system operation Keywords: Flood risk management; Climate change; Machine learning; SNN model; ANN model; Control system Đặt vấn đề Cần Thơ tỉnh thuộc vùng đồng sông Cửu Long Nằm bên bờ Sông Hậu cách cửa biển Định An khoảng 76 km, với cao độ trung bình dao động khoảng từ - m, thành phố thường xuyên bị ngập lụt mưa lớn nội đồng, lũ từ thượng nguồn sông Cửu Long triều cường từ Biển Đông Để khắc phục tình trạng ngập úng này, quyền địa phương lên phương án xây dựng vùng đô thị lõi thành phố Cần Thơ thành vùng bao bao quanh bờ kè kết hợp đường giao thông hệ thống cống ngăn triều trạm bơm không cho phép nước sông tràn vào hệ thống vận hành bơm nước từ hệ thống sông mực nước sông cao mà tượng ngập úng vùng bao xảy mưa lớn Để vận hành hệ thống thủy lực vậy, thơng thường mơ hình thủy văn, thủy lực thủy thường sử dụng [1, 2, 3, 4] Trong dự báo xác dịng chảy điều cần thiết để 308 Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường vận hành hiệu hệ thống tài nguyên nước Kiểm sốt quản lý lũ lụt, thiết kế cơng trình thủy lực đập cầu phân bổ nguồn cung cấp nước tối ưu cho quan cạnh tranh khác (sản xuất thủy điện, thủy lợi, cơng nghiệp sinh hoạt) vài ví dụ dự báo dịng chảy sơng nhiều giờ, ngày, trước hàng tháng quan trọng Quá trình dịng chảy phức tạp có tính phi tuyến cao bị ảnh hưởng yếu tố vị trí địa lý lưu vực, đặc điểm địa mạo khí hậu Dự đốn dịng chảy sơng đạt cách sử dụng hai loại mơ hình tốn học: Mơ hình lượng mưa - dịng chảy sử dụng liệu khí hậu thủy văn mơ hình dịng chảy sử dụng liệu thủy văn [5] Các mơ hình tốn học kiểu khái niệm xác định kiểu hộp đen hệ thống Nhiều quy trình xác định phụ thuộc vào vật lý yêu cầu lượng lớn liệu để hiệu chuẩn xác nhận rộng mặt tính tốn, nhà nghiên cứu cố gắng thay đổi kỹ thuật để dự báo dòng chảy cách tương đối dễ dàng độ xác hợp lý Các mơ hình hộp đen cố gắng phát triển mối quan hệ biến đầu vào đầu liên quan đến q trình vật lý mà khơng xem xét q trình vật lý Các mơ hình điều khiển theo hướng liệu hoạt động sở kết nối biến trạng thái hệ thống với kiến ​​thức hạn chế chi tiết hoạt động vật lý hệ thống [6] Do sẵn có liệu, phương pháp trở nên phổ biến kể từ hai thập kỷ qua Mơ hình theo hướng liệu coi cách tiếp cận tập trung vào việc sử dụng phương pháp học máy việc xây dựng mơ hình bổ sung thay mơ hình “hướng tri thức” mơ tả hành vi vật lý [7] Ví dụ phương pháp phổ biến sử dụng mơ hình hóa theo hướng liệu hệ thống lưu vực sơng là: Phương pháp thống kê, có lẽ phương pháp lâu đời nhất, kỹ thuật, chẳng hạn mạng nơ - ron nhân tạo, hệ thống dựa quy tắc mờ, lập trình di truyền mơ hình [8] Đối với khu vực nghiên cứu đồng sông Cửu Long, thông thường, mô hình thủy lực tồn đồng xây dựng áp dụng để mơ dịng chảy sơng nhánh tồn hệ thống Sau đó, biên hệ thống nhỏ trích xuất từ mơ hình để làm đầu vào cho mơ hình thủy lực vùng nghiên cứu [9, 10, 11] Do vậy, việc dự báo dịng chảy trở nên khó khăn thời gian tính tốn lớn thời gian dự báo Bài báo nghiên cứu áp dụng mơ hình học máy SNN dự báo dịng chảy khu vực vùng thị lõi Cần Thơ phục vụ vận hành hệ thống chống ngập bối cảnh BĐKH Theo SNN đánh giá mơ hình hướng dự liệu hiệu quả, giúp giảm thiểu thời gian tính tốn mà đảm bảo độ xác cho vận hành hệ thống Phương pháp nghiên cứu thu thập tài liệu 2.1 Giới thiệu khu vực nghiên cứu Cần Thơ có tốc độ phát triển hạ tầng sở nhanh, q trình thị hóa nhanh, phát triển mạnh khu cơng nghiệp, hệ thống tiêu nước thành phố chưa thật hoàn chỉnh đồng Là thành phố tăng trưởng động Cần Thơ lại phải đối mặt với nhiều mối đe dọa ảnh hưởng đến khả đạt mục tiêu phát triển - lũ lụt, nước biển dâng, sụt lún đất đô thị hóa nhanh chóng Đặc điểm tự nhiên vùng nghiên cứu sau: Địa hình: Bằng phẳng, thuận lợi cho việc tổ chức hệ thống canh tác nông nghiệp, hệ thống Nông nghiệp - Thủy sản hỗn hợp, những vùng đất cao thuận lợi cho xây dựng, vùng thấp trũng tổ chức xây dựng hồ chứa tiêu thoát nước, kết hợp xanh mặt nước tạo cảnh quan Tuy nhiên thấp trũng nên thường xuyên chịu tác động ngập lụt Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường 309 Điều kiện thủy văn: Mạng lưới sông, rạch, thuận lợi cho phát triển giao thông thủy, liên kết cảng sông cảng biển, nuôi trồng thủy sản, phát triển du lịch sinh thái, du lịch văn hóa, hình thành KĐT sinh thái, nguồn cung cấp nước thuận lợi cho sản xuất sinh hoạt, phát triển kinh tế - xã hội Đất đai: Nguồn tài nguyên đất đai màu mỡ, vùng sinh thái rộng lớn, đất đai phì nhiêu nhất là khu vực phù sa ngọt được bồi đắp thường xuyên, thích hợp cho canh tác lúa, hoa màu, lương thực, công nghiệp ngắn ngày, ăn quả đặc sản nhiệt đới, tạo điều kiện thuận lợi để Cần Thơ phát triển công nghiệp chế biến Phát triển nông nghiệp theo hướng toàn diện Vùng ngoại vi phụ cận rộng lớn, cho phép Cần Thơ có nhiều hội thực hiện quy hoạch thành phố không gian mở Hình 1: Vùng nghiên cứu 2.2 Phương pháp nghiên cứu Hình 2: Sơ đồ nghiên cứu để thiết kế vận hành hệ thống cơng trình quản lý rủi ro ngập lụt thành phố Cần Thơ 310 Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường Để bảo vệ vùng đô thị lõi, thành phố định xây dựng 12 cống ngăn triều (màu chấm đỏ Hình 1) để chặn nước từ sông ngoại vi gây ngập thành phố triều lên Các cống vận hành tự động kết nối SCADA mức nước nội đo ngồi sơng cần dự báo sớm để đảm bảo vận hành cống an toàn hiệu Một mơ hình thủy động lực học nội đô xây dựng để mô mực nước thành phố sơng bao quanh hệ thống Để có biên cho mơ hình này, mực nước đầu biên nội suy từ mực nước thực đo/ dự báo trạm thủy văn Cần Thơ sơng Hậu mơ hình học máy SNN Sơ đồ nghiên cứu thể Hình Theo đó, mơ hình hệ thống tích hợp từ mơ Hình chiều mơ hệ thống kênh rạch kết hợp với mơ hình chiều mơ hệ thống tiêu nước thị tích hợp với lưới tính chiều để mơ trường hợp ngập lụt cho tồn vùng thị lõi theo kịch khác phục vụ cho xây dựng kế hoạch kiểm soát nước, đồ rủi ro ngập lụt Hình 3: Sơ đồ tính tốn mạng lưới thủy lực vùng lõi Tiếp theo đó, mơ hình sử dụng vận hành hệ thống thời gian thực Dựa vào liệu dự báo mực nước trạm thủy văn Cần Thơ Sông Hậu, mực nước biên cửa cống dự báo trước 12 h tích hợp hệ thống hỗ trợ định đề điều khiển hệ thống cống ngăn triều Mơ hình học máy SNN tập hợp nhiều nút thần kinh (nơron), tập hợp tạo thành cấu trúc hệ thống gồm lớp mà ta gọi layer Trong ta thấy mạng nút thần kinh (Neuron network) đơn hay đơn vị mạng thần kinh thường có lớp: Lớp đầu vào (Input layer), lớp ẩn (Hidden layer), lớp đầu (Output layer) Các lớp có nhiệm vụ xử lý tín hiệu nhận theo thứ tự lớp sau nhận giá trị output lớp trước để tiến hành Số lượng lớp ẩn hidden layer không giới hạn Mạng neural bao gồm phân tử hoạt động song song Những yếu tố lấy cảm hứng từ hệ thống thần kinh sinh học Nó gồm nút thần kinh nối với xử lý thông tin cách truyền theo kết nối tính giá trị nút Mạng thần kinh với nút có Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường 311 liệu đầu vào, biến đổi liệu đầu vào cách tính tổng đầu vào với trọng số (weight) tương ứng đầu vào, sau áp dụng hàm biến đổi phi tuyến tính cho phép biến đổi để tính tốn trạng thái trung gian Ba bước tạo thành lớp Thông qua việc lặp lại bước trên, Neural network học thông qua nhiều layer nút phi tuyến tính sau kết hợp lại layer cuối dự đốn Thơng thường, mạng nơron điều chỉnh huấn luyện để đầu vào cụ thể dẫn đến đầu mục tiêu cụ thể Quá trình điều chỉnh trọng số độ lệch từ liệu đầu vào gọi đào tạo mạng thần kinh Hình minh họa tình Mạng thần kinh học cách tạo tín hiệu lỗi đo lường khác biệt giá trị mạng giá trị mong muốn, sau sử dụng tín hiệu lỗi để điều chỉnh lại weight bias (độ lệch) hàm kích hoạt (activation function) để việc dự đốn sau xác Hình 4: Sơ đồ hoạt động Neuron network Tích hợp neuron lớp ẩn mơ hình học máy SNN để đào tạo mơ hình dự báo mực nước biên cho mơ hình vùng thị lõi Cần Thơ Hình theo sơ đồ tính tốn Hình Hình 5: Sơ đồ hoạt động mơ hình học máy SNN để tính tốn mực nước biên mơ hình thủy lực vùng đô thị lõi Cần Thơ Kết thảo luận Mạng SNN xây dựng từ lớp đơn giản: lớp đầu vào (mực nước Cần Thơ), lớp ẩn chứa 10 nơron lớp đầu chứa biên mơ hình thủy lực vùng thị lõi Cần Thơ Hình Lưu ý vị trí ranh giới BC gần trùng khớp với trạm đo thủy văn Cần Thơ Do đó, mực nước BC coi xấp xỉ mực nước Sông Hậu trạm đo Cần Thơ Trung tâm Dự báo Khí tượng thủy văn Quốc gia (NCHMF) quan trắc dự báo hàng ngày 312 Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường Trong trình hiệu chỉnh kiểm định, mực nước theo chuỗi thời gian ranh giới hệ thống lấy từ mơ mơ hình đồng sơng Cửu Long 1D Phân tích mối quan hệ mực nước Sông Hậu trạm đo Cần Thơ với mực nước ranh giới thượng lưu hệ thống dựa kết mơ mơ hình đồng sơng Cửu Long, kết luận có tương đồng đáng kể mực nước mô mức hai trạm, Hình Hình Do đó, mơ kịch bản, mối quan hệ BC (mực nước sơng Hậu đoạn Cần Thơ - quan trắc dự báo) mực nước ranh giới lại (BC 1, BC 2, BC BC 5) sử dụng để xác định điều kiện biên mơ hình lõi thị Các mối quan hệ xây dựng dựa kết mơ mơ hình đồng sơng Cửu Long cho đợt lũ năm 2009, 2011 2018 Hình 6: Vị trí biên mực nước cho mơ hình lõi thị Hình 7: Mực nước Sơng Hậu trạm Cần Thơ (BC4) biên xung quanh lại hệ thống khu vực lõi đô thị Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài ngun mơi trường 313 Hình 8: Mối tương quan mực nước trạm đo Cần Thơ (Sông Hậu) biên khu vực lõi thị Hình 9: Mối tương quan mực nước trạm đo Cần Thơ (Sông Hậu) biên khu vực lõi thị Hình cho thấy chuỗi thời gian mực nước ranh giới mơ hình lõi thị Có thể thấy tín hiệu mực nước thay đổi theo cách giống nhau, khác biên độ Do đó, phân tích mối tương quan chúng có lợi cho việc tìm kiếm mối quan hệ chúng Hình Hình cho thấy mối quan hệ mực nước trạm Cần Thơ (BC trục tung) vị trí BC 1, BC 2, BC BC (trục hồnh) phân tán Quan hệ hồi quy tuyến tính thực dạng đường chấm hình Các quan hệ tuyến tính cho thấy giá trị R2 0,8413, 0,992, 0,991 0,991 Do đó, mối quan hệ tuyến tính BC BC 2, BC BC chấp nhận mối quan hệ BC BC cải thiện cách áp dụng quan hệ phi tuyến tính Cách tiếp cận mạng nơron nhân tạo (SNN), mơ tả mối quan hệ phi tuyến tính đầu vào đầu hệ thống lựa chọn Ứng dụng mạng nơron nhân tạo, đơn giản hóa mạng nơron (NN) kỹ thuật có lợi độ xác tốt trường hợp phân tích chuỗi thời gian động Cấu trúc đơn giản trình bày Hình 10 314 Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài ngun mơi trường Hình 10: Ví dụ cấu trúc Mạng thần kinh nhân tạo Trong nghiên cứu này, mối quan hệ mực nước BC BC 1, BC 2, BC 3, BC xây dựng phương pháp SNN Dữ liệu cho tính tốn đào tạo lấy từ kết mơ với mơ hình đồng sông Cửu Long cho năm 2009, 2011 2018 Cấu trúc chung mơ hình minh họa Hình 11 Hình 11: Cấu trúc SNN với 10 tế bào thần kinh để ước tính ranh giới xung quanh hệ thống lõi đô thị Hình 12: Biểu đồ sai số mơ hình SNN1 SNN2 Sai số tính theo mét Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường 315 Kết đào tạo SNN trình bày dạng giá trị R2 Bảng Bảng Kết tính tốn SNN R SNN1 Đào tạo 0.98 Kiểm định 0.98 Thử nghiệm 0.98 Từ giá trị R2 Bảng 1, thấy kết mơ hình học máy SNN đầy hứa hẹn cho kết tốt so với phương pháp hồi quy tuyến tính Các mơ hình hiệu chỉnh với liệu kiện từ ngày 29 tháng 11 năm 2017 đến ngày 04 tháng 12 năm 2017 để có liệu quan sát hai vị trí rạch Cái Sơn Một gần cầu Cái Sơn gần văn phòng Hội người khuyết tật Cần Thơ Hình 13 Hình 13: Bản đồ vị trí quan trắc Để thực tính tốn SNN, mực nước ghi trạm Cần Thơ (BC 4) thu thập Dữ liệu sử dụng để ước tính ranh giới khác (BC 1, BC 2, BC BC 5) cách sử dụng SNN 1, RG 2, RG 3, RG 4, tương ứng (Hình 13) Mơ hình kênh 1D sử dụng để mơ tình Và mực nước ước tính rạch Cái Sơn rút so sánh với mực nước quan trắc Hình 14: Dự báo mực nước BC 1, BC 2, BC 3, BC từ ngày 01/11/2017 - 31/12/2017 Chuỗi thời gian Hình 14 đưa đến mơ hình dịng chảy hở 1D lõi thị điều kiện biên Sau đó, mực nước ước tính Cái Sơn Cái Sơn so sánh với mực nước quan trắc, Hình 15 Hình 16 316 Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài ngun mơi trường Hình 15: Mực nước dự báo Cái Sơn (vạch đỏ) mực nước quan trắc (vạch xanh) cho thời kỳ từ ngày 29/11/2017 đến ngày 04/12/2017 Hình 16: Mực nước dự báo Cái Sơn (vạch đỏ) mực nước quan trắc (vạch xanh) cho thời kỳ từ ngày 29/11/2017 đến ngày 04/12/2017 So sánh mực nước ước tính mực nước quan trắc Hình 15 Hình 16 cho thấy kết thỏa mãn Cần lưu ý liệu thủy văn ghi lại lõi thị khó tiếp cận Do đó, liệu thảo luận liệu chứng minh độ xác mơ hình kênh hở 1D lõi thị mơ hình hướng liệu SNN Cùng với mơ hình lõi thị 2D, mơ hình tích hợp đánh giá dựa liệu dấu vết ngập lụt cho số giai đoạn ngập lụt ghi lại hệ thống Kết luận Với mục tiêu xây dựng phương án dự báo mực nước thời gian thực cho mơ hình vùng thị lõi thành phố Cần Thơ phục vụ vận hành hệ thống chống ngập, báo nghiên cứu ứng dụng Mạng trí tuệ nhân tạo (SNN) xây dựng phương án dự báo Đây phương pháp tiếp cận tiên tiến dự báo thủy văn Qua trình ứng dụng, thấy tính ưu việt mơ hình SNN dự báo dịng chảy lưu vực sơng đặc biệt vùng ảnh hưởng triều chế độ dịng chảy có tính chu kỳ cao Mơ hình xem xét rõ ràng tính ưu việt mơ hình thủy động lực học thời gian tính tốn kết tính tốn chấp nhận trường hợp nghiên cứu Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường 317 TÀI LIỆU THAM KHẢO [1] Cameron T Ackerman and Gary W Brunner (2011) Dam failure analysis using HEC - RAS and HEC - GeoRAS Hydrologic Engineering Center, Davis, CA 95616 [2] P Vanderkimpen (2008) Flood modeling for risk evaluation - a MIKE FLOOD sensitivity analysis River flow 2008 - Altinakar and colleagues, Kubaba Congress Department and Travel services ISBN 978605-60136-3-8 [3] William James and colleagues (2012) Auto - Integrating multiple HEC - RAS Floodline Models into catchment - wide SWMM flood forecasting models AWRA hydrology & watershed management technical committee, United States of America, June - December 2012 [4] Tô Thúy Nga, Lê Hùng Nguyễn Dương Quang Chánh (2013) Ứng dụng mơ hình MIKE FLOOD mơ ngập lụt thành phố Đà Nẵng có xét đến kịch biến đổi khí hậu nước biển dâng Báo cáo Hội nghị biến đổi khí hậu Quảng Nam [5] Jain, A & Kumar, A M (2007) Hybrid neural network models for hydrologic time series forecasting App Soft Comput 7, 585 - 592 [6] Solomatine, D P (2002) Data driven modelling: paradigm, methods, experiences Proceedings of 5th International Conference on Hydroinformatics, (Cardiff, UK) (R A Falconer, B Lin, E L Harris, C A M E Wilson, I D Cluckie, D Han, J P Davis & S Heslop, eds), 757 - 763 UK: IWA Publishing [7] Solomatine, D P & Dulal, K (2003) Model tree as an alternative to neural network in rainfall - runoff modeling Hydrol Sci J 48 (3), 399 - 411 [8] Solomatine, D P & Ostfeld, A (2008) Data - driven modelling: some past experiences and new approaches J Hydroinf 10(1), - 22 [9] Solomatine, D P & Siek, M B (2004) Flexible and optimal M5 model trees with applications to flow predictions Proceedings of 6th International Conference on Hydroinformatics (June 2004), 1719 - 1726 Singapore: World Scientific [9] Dang, Duc Thanh, Thomas A Cochrane, Mauricio E Arias and Van Pham Dang (2018) Future hydrological alterations in the Mekong delta under the impact of water resources development, land subsidence and sea level rise Journal of Hydrology: Regional studies 15 (November 2017): 119 - 33 https://doi.org/10.1016/j.ejrh.2017.12.002 [10] Can Thu Van, Nguyen Thanh Son (2016) Nghiên cứu mô thủy văn, thủy lực vùng đồng sông Cửu Long để đánh giá ảnh hưởng hệ thống đê bao đến thay đổi dòng chảy mặt vùng Đồng Tháp Mười VNU Journal of Science: Earth and environmental sciences [11] Nguyễn Việt Hưng (2018) Sử dụng mơ hình MIKE11 dự báo lũ đồng sơng Cửu Long định hướng phát triển Hội thảo khoa học Quốc gia khí tượng thủy văn, mơi trường biến đổi khí hậu lần thứ XVI Chấp nhận đăng: 10/12/2021; Người phản biện: TS Trương Xuân Quang 318 Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường ... trở nên khó khăn thời gian tính tốn lớn thời gian dự báo Bài báo nghiên cứu áp dụng mơ hình học máy SNN dự báo dòng chảy khu vực vùng đô thị lõi Cần Thơ phục vụ vận hành hệ thống chống ngập bối... không gian mở Hình 1: Vùng nghiên cứu 2.2 Phương pháp nghiên cứu Hình 2: Sơ đồ nghiên cứu để thiết kế vận hành hệ thống cơng trình quản lý rủi ro ngập lụt thành phố Cần Thơ 310 Giải pháp kết... ngập lụt cho số giai đoạn ngập lụt ghi lại hệ thống Kết luận Với mục tiêu xây dựng phương án dự báo mực nước thời gian thực cho mơ hình vùng thị lõi thành phố Cần Thơ phục vụ vận hành hệ thống chống