DỰ BÁO MỰC NƯỚC TRÊN SÔNG KIẾN GIANG SỬ DỤNG PHƯƠNG PHÁP HỒI QUY

DỰ BÁO MỰC NƯỚC TRÊN SÔNG KIẾN GIANG SỬ DỤNG PHƯƠNG PHÁP HỒI QUY KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG SỐ 80 (9/2022) 71 BÀI BÁO KHOA HỌC DỰ BÁO MỰC NƯỚC TRÊN SÔNG KIẾN GIANG SỬ DỤNG PHƯƠNG PHÁP HỒI QUY Đinh Nhật Quang1, Tạ Quang Chiểu1, Đào Thị Huệ1, Nguyễn Thị[.]

BÀI BÁO KHOA HỌC DỰ BÁO MỰC NƯỚC TRÊN SÔNG KIẾN GIANG SỬ DỤNG PHƯƠNG PHÁP HỒI QUY Đinh Nhật Quang1, Tạ Quang Chiểu1, Đào Thị Huệ1, Nguyễn Thị Kim Ngân1 Tóm tắt: Mơ hình dự báo thay đổi mực nước sông gần sử dụng công cụ hỗ trợ cho nhà quản lý việc đề xuất giải pháp thích ứng giảm nhẹ rủi ro thiên tai lũ Các mô hình định hướng liệu sử dụng phương pháp học máy trở thành cách tiếp cận hấp dẫn hiệu để mô dự báo biến động mực nước sông Trong nghiên cứu này, mô hình dựa phương pháp hồi quy tuyến tính (LR), Random Forest Regression (RFR) Light Gradient Boosting Machine Regression (LGBMR) xây dựng để dự đoán mực nước hàng ngày sông Kiến Giang dựa liệu thu thập từ năm 1977 đến năm 2020 Các số thống kê R2, NSE, MAE RMSE tính tốn để kiểm tra độ tin cậy ba mơ hình đề xuất Kết nghiên cứu hiệu thuật toán hồi quy việc dự báo mực nước lũ, đặc biệt phương pháp hồi quy tuyến tính với số R2, NSE, MAE RMSE 0,959; 0,958; 6,67 cm 12,2 cm Từ khoá: Dự báo mực nước, học máy, phương pháp hồi quy, sông Kiến Giang ĐẶT VẤN ĐỀ * Là hai phụ lưu lớn sông Nhật Lệ, sông Kiến Giang chảy qua huyện Lệ Thủy Quảng Ninh, tỉnh Quảng Bình với chiều dài 69 km (Hình 1) (Nguyễn Đức Lý nnk, 2013) Hàng trăm năm qua, kể từ hình thành vùng đất Lệ Thủy Quảng Ninh, nơi coi "rốn lũ" tỉnh Quảng Bình Đặc biệt, đợt mưa lũ lịch sử tháng 10 năm 2020 nhấn chìm vùng đồng châu thổ nhỏ hẹp chân dãy Trường Sơn với 50.000 nhà dân bị ngập sâu hàng chục thôn, bị cô lập Trong trận lũ đặc biệt lớn từ ngày 16 đến 22 tháng 10 năm 2020, đỉnh lũ sông Kiến Giang trạm Lệ Thủy lên tới 4,88 m, mức báo động III vượt 0,97 m so với đỉnh lũ lịch sử năm 1979 Dự báo mực nước sơng xác thành phần định hệ thống cảnh báo lũ sớm đóng vai trị quan trọng việc giảm nhẹ thiên tai lũ Nhìn chung, có hai cách tiếp cận sử dụng để thiết lập mơ hình dự báo mực nước sông Cách tiếp cận chủ yếu phụ thuộc vào mơ hình dựa tính chất vật lý (physically-based models), chẳng hạn mô hình MIKE HYDRO River, HEC-HMS, SOBEK, EFDC, v.v Các mơ hình dựa tính chất vật lý có độ xác cao việc dự đoán mực nước, nhiên chúng thường yêu cầu lượng liệu đầu vào lớn, bao gồm liệu địa hình, khí tượng, thủy văn, hải văn, v.v đòi hỏi nhiều thời gian mơ Do đó, mơ hình khơng phù hợp cho việc dự báo thời gian ngắn theo thời gian thực, gần thực Hơn nữa, việc phát triển mơ hình dựa tính chất vật lý thường yêu cầu người dùng phải có kiến thức chuyên sâu kiến thức chuyên môn liên quan đến thông số thủy văn thủy lực (Atashi nnk, 2022) Trường Đại học Thủy lợi KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 80 (9/2022) 71 Hình Hệ thống sơng Kiến Giang trạm khí tượng, thủy văn khu vực Một cách tiếp cận thay hạn chế mơ hình truyền thống nêu sử dụng mơ hình theo định hướng liệu (data-driven models), dựa việc thu thập phân tích mối quan hệ thống kê liệu đầu vào đầu Mô hình học máy (Machine Learning ML) sử dụng để dự báo ngập từ năm 1990 thư viện, tảng (frameworks) phổ biến phương pháp định hướng liệu Các nghiên cứu gần mơ hình học máy công cụ tiềm việc dự báo mực nước chúng xây dựng nhanh chóng, dễ dàng khơng địi hỏi phải có hiểu biết trình vật lý ẩn đằng sau Ngồi ra, khả tính tốn, hiệu chỉnh kiểm định nhanh so với mơ hình vật lý truyền thống cách sử dụng phức tạp ưu điểm lớn mà mô hình học máy dựa vào số liệu mang lại (Mekanik nnk, 2013) 72 Trong báo này, tác giả đề xuất phát triển mơ hình sử dụng phương pháp hồi quy (LR, RFR LGBMR) để dự báo mực nước lũ trạm đại diện cho vùng đồng sơng Kiến Giang, trạm Lệ Thủy PHƯƠNG PHÁP NGHIÊN CỨU VÀ SỐ LIỆU THU THẬP 2.1 Các phương pháp hồi quy Hồi quy phương pháp toán học thống kê để phân tích mối liên hệ đại lượng cần dự báo theo thời gian thông qua số liệu thống kê khứ Trong nghiên cứu này, ba kỹ thuật hồi quy học máy áp dụng để xây dựng mơ hình định hướng liệu Q trình xây dựng mơ hình gọi "giai đoạn học hỏi", mối quan hệ biến đầu vào đầu hệ thống xây dựng (Guo nnk, 2021): y = f(x) (1) với liệu có sẵn: KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 80 (9/2022) [( , ),( , ), ( , )]= (2) thành khơng gian tìm kiếm nhỏ hơn, nhờ x vectơ đầu vào, y đầu thuật tốn thực việc phân loại mong muốn, n số lượng liệu f cách nhanh chóng dễ dàng Đối với toán hồi quy, kết cuối mơ hàm hồi quy hình RFR trung bình tất kết 2.1.1 Hồi quy tuyến tính Mơ hình hồi quy để xác định mối quan hệ dự báo Thuật toán RFR biến phụ thuộc y với hay nhiều biến tóm tắt sau: Trên sở phương pháp bootstrap, độc lập x; mối quan hệ biến phụ thuộc biến độc lập tuyến tính Mơ hình hồi quy tập hợp mẫu tạo ngẫu nhiên với mẫu thay từ tập liệu ban đầu; tuyến tính (LR) có dạng: Các mẫu bootstrap sử dụng để y = α + βx (3) xây dựng hồi quy (Hình) Tiêu chuẩn tối ưu với α chặn (intercept) β độ dốc (slope) Xét tập liệu gồm m phần tử x1, x2, …, xm sử dụng để chia nút hồi quy thành không gian n chiều (biến độc lập, thuộc hai nút Thủ tục đệ quy thực tính), có giá trị tương ứng biến phụ thuộc nút kết thúc; Mỗi hồi quy cung cấp kết dự (cần dự báo) y1, y2, …, ym Các tham số α β mơ hình ước lượng từ liệu quan đoán Khi tất hồi quy đạt đến kích sát phương pháp bình phương nhỏ thước tối đa, dự đoán cuối xác định giá trị trung bình kết từ tất (least squares): hồi quy (Guo nnk, 2021) công thức (5): Giá trị dự báo cho phần tử x dựa vào công thức (4): ŷ = α + βx (4) 2.1.2 Random Forest Regression Random Forest Regression (RFR) đề xuất Breiman (2001) phương pháp học có giám sát (supervised learning) sử dụng cho toán phân loại hồi quy RFR phương pháp học tổng hợp, tập hợp kết từ định đơn lẻ, từ nâng cao hiệu dự báo thơng qua hình thức biểu đa số hay trung bình kết tùy theo tốn cụ thể (Hình) Về chất RFR sử dụng kỹ thuật có tên gọi bagging - kỹ thuật cho phép lựa chọn nhóm nhỏ thuộc tính nút phân lớp để phân chia thành mức Do đó, RFR có khả phân chia khơng gian tìm kiếm lớn (5) tr số cây, Ntree kích thước tối đa biểu thị dự đoán hồi quy 2.1.3 Light Gradient Boosting Machine Regression Light Gradient Boosted Machine Regression (LGBMR) phát triển dựa định (Decision Tree) Thuật toán dựa biểu đồ histogram chia tách biến liên tục thành nhóm khác Nó sử dụng phương pháp phát triển theo (leaf-wise tree growth) (Hình) thay phương pháp tăng trưởng theo cấp (level-wise tree growth, sử dụng hầu hết phương pháp dựa định khác) để tăng hiệu mô hình, giảm mức sử dụng nhớ cải thiện thời gian tính tốn (Guo nnk, 2021) KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 80 (9/2022) 73 Tăng trưởng theo cấp Phát triển theo Hình Phương pháp hồi quy RFR (trái) LGBMR (phải) 2.2 Các tiêu chí đánh giá độ tin cậy mơ hình hồi quy Để đánh giá mức độ dự báo xác mơ hình hồi quy, bốn tiêu chí đánh giá sau sử dụng: Hệ số xác định (R2) (5) R2 = Hệ số hiệu (Nash-Sutcliffe efficiency - NSE) (6) NSE = Sai số tuyệt đối trung bình (Mean Absolute Error - MAE) (7) MAE = Lỗi trung bình bình phương gốc (Root Mean Square Error - RMSE) (8) RMSE = Trong đó: mực nước sơng thực đo dự đốn thời điểm i; giá trị trung bình mực nước sơng thực đo dự đốn Giá trị R2 nằm khoảng từ đến 1; giá trị biểu thị giá trị dự đoán với giá trị thực đo Giá trị NSE nằm khoảng từ đến 1; gần khả dự đốn mơ hình tốt MAE RMSE hai số hiển thị sai số mơ hình với giá trị tối ưu khơng 74 2.3 Vùng nghiên cứu số liệu thu thập Lưu vực sơng Nhật Lệ bao gồm 03 nhánh sơng Kiến Giang, Long Đại Nhật Lệ với tổng diện tích tồn lưu vực 2.612 km2 (Hình ) Trên lưu vực sơng Kiến Giang có số hồ thủy lợi loại vừa An Mã, Cẩm Ly Rào Đá với dung tích phịng lũ nhỏ (chỉ khoảng 22,1; 6,9 11,6 triệu m3), lại hồ chứa nhỏ nên tác động hoạt động vận hành hồ chứa đến mực nước hạ lưu không đáng kể Trên lưu vực nghiên cứu có 03 trạm đo mưa mực nước (Kiến Giang, Lệ Thủy Đồng Hới) KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MƠI TRƯỜNG - SỐ 80 (9/2022) có liệu đo đạc liên tục đến nay; số liệu theo có thời đoạn ngắn đợt lũ Trong nghiên cứu số liệu quan trắc mưa mực nước ngày 03 trạm giai đoạn 1977-2020 thu thập Biểu đồ hộp râu (Box and Whisker plot) Hình cho thấy tăng đáng kể mực nước sông Kiến Giang thường xảy từ tháng đến tháng 12 - thời điểm mùa lũ khu vực nghiên cứu (Nguyễn Đức Lý nnk, 2013) Do nghiên cứu tập trung vào toán dự báo mực nước ngày sông mùa lũ nên 5.368 số liệu mưa mực nước ngày 03 trạm mùa lũ (tháng - tháng 12) 44 năm sử dụng Để thiết lập đánh giá mô hình học máy, liệu chia thành liệu huấn luyện kiểm định, 80% (giai đoạn 1977–2011) dành cho huấn luyện (các chấm Hình 3) 20% cịn lại dùng để kiểm định (nét liền) Hình Biến động mực nước ngày trạm Lệ Thủy tháng giai đoạn 1977-2020 ba mức báo động sơng Hình Số liệu mực nước thực đo mùa lũ trạm Kiến Giang (xanh) Lệ Thủy (đỏ) KẾT QUẢ VÀ THẢO LUẬN Ba kỹ thuật học máy dựa phương pháp hồi quy sử dụng để xây dựng mơ hình định hướng liệu nhằm dự báo mực nước trạm Lệ Thủy sông Kiến Giang Bốn tiêu chí R2, NSE, MAE RMSE sử dụng để đánh giá mơ hình lựa chọn liệu đầu vào tối ưu phương pháp hồi quy tin cậy để dự KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 80 (9/2022) 75 báo mực nước lũ sơng Các mơ hình học máy hồi quy phát triển môi trường Python 3.7 3.1 Bộ liệu đầu vào tối ưu để dự báo mực nước trạm Lệ Thủy 3.1.1 Lựa chọn độ dài liệu khứ Các mơ hình theo định hướng liệu thiết lập dựa mối quan hệ thống kê liệu đầu vào đầu để dự đoán giá trị tương lai Mực nước ngày dự báo trạm Lệ Thủy cho ngày (t+1) coi hàm biến đầu vào (mưa mực nước ngày) k ngày trước biểu diễn sau: ^ LT (9) H t 1  (R tt 1, t  t  k ; H tt 1, t  t  k ) Trong đó: R H lượng mưa mực nước ngày ba trạm; t thời điểm/ngày Trước huấn luyện kiểm định mơ hình, phương pháp hồi quy tuyến tính sử dụng với tất số liệu thông số đầu vào (mưa mực nước ngày 03 trạm) để phân tích lựa chọn độ dài liệu khứ (k) tối ưu dự đốn mực nước Kết phân tích cho thấy việc sử dụng liệu từ đến 10 ngày trước để dự báo mực nước cho ngày hôm sau cho kết tốt với giá trị R2 NSE dao động khoảng 0,9522÷0,9539 0,9508÷0,9527 (Hình 5) Đặc biệt với k =3 tiêu chí đánh giá độ tin cậy mơ hình đạt kết tốt với sai số MAE RMSE 6,76 cm 12,85 cm Do đó, nhóm nghiên cứu lựa chọn liệu đầu vào ngày (tại thời điểm t, t-1, t-2 t3) để dự báo mực nước thời điểm t+1 trường hợp tính tốn bước Hình Các tiêu chí đánh giá mơ hình hồi quy tuyến tính với biến đầu vào 76 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 80 (9/2022) 3.1.2 Lựa chọn liệu đầu vào tối ưu Phương pháp hồi quy tuyến tính tiếp tục sử dụng để phân tích lựa chọn liệu đầu vào tối ưu cho toán dự báo mực nước trạm Lệ Thủy thời điểm t+1 Ba tổ hợp tính tốn phân tích Bảng 2: i) tổ hợp TH1 xét đến liệu mưa ngày 03 trạm từ thời điểm t-3 tới t; ii) tổ hợp TH2 liệu mưa giống TH1 xét thêm yếu tố đầu vào mực nước ngày 03 trạm thời đoạn [t-3; t]; iii) tổ hợp TH3 TH2 có xét thêm liệu mưa dự báo Rt+1 trạm thời điểm t+1 Trong nghiên cứu này, mưa thực đo thời điểm t+1 sử dụng mưa dự báo; nhiên thực tế vận hành sử dụng số liệu mưa dự báo từ đài khí tượng thủy văn Bảng Các tổ hợp tính tốn nhằm phân tích lựa chọn đầu vào tối ưu Tổ hợp liệu đầu vào TH1 TH2 TH3 Các vector đầu vào Mưa 03 trạm Mực nước 03 trạm Rt, Rt-1, Rt-2, Rt-3 Rt, Rt-1, Rt-2, Rt-3 Ht, Ht-1, Ht-2, Ht-3 Rt+1, Rt, Rt-1, Rt-2, Rt-3 Biểu đồ phân tán Hình cho thấy, điểm tổ hợp TH3 (màu xanh đậm) bám sát với đường 1:1 (đường y=x, màu đen nét đứt) so với điểm tổ hợp TH1 (màu đỏ) tổ hợp TH2 (màu xanh nhạt) Tuy nhiên với TH2, điểm mực nước báo động (H = 2,7 m) phân tán rộng; có nhiều điểm mực nước dự đoán thiên thấp so với mực nước thực đo, thể việc dự đoán đỉnh lũ mơ hình chưa tốt Sự khác biệt lớn mực nước sông mô thực đo quan sát thấy Biến đầu Ht, Ht-1, Ht-2, Ht-3 TH1 điểm (màu đỏ) phân tán rộng xa so với đường 1:1; đặc biệt trường hợp mực nước thấp Điều cho thấy không xét đến mực nước khứ lượng mưa dự báo mơ hình khơng bắt chân đỉnh đường q trình mực nước sơng Do đó, nhóm nghiên cứu sử dụng số liệu đầu vào tổ hợp TH3 để huấn luyện kiểm định mơ hình học máy dự báo mực nước theo ba phương pháp hồi quy LR, RFR LGBMR phần Hình Biểu đồ phân tán mực nước thực đo dự đoán với tổ hợp tính tốn (trái) mơ hình hồi quy (phải) KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 80 (9/2022) 77 3.2 Kết dự báo mực nước theo ba phương pháp hồi quy Chất lượng kết dự đoán mực nước trạm Lệ Thủy sử dụng 03 mơ hình hồi quy LR, RFR LGBMR thể Hình Mực nước dự đốn mơ hình hồi quy LR cho kết tốt với điểm bám sát đường 1:1 Hai mơ hình RFR LGBMR dự đốn mực nước mức báo động III tốt; nhiên không bắt đỉnh lũ mực nước m (mực nước dự báo thiên thấp so với giá trị thực đo) Hình So sánh mực nước thực đo dự đoán trạm Lệ Thủy với MH hồi quy Trong cơng tác phịng chống giảm nhẹ thiên tai lũ lụt việc dự báo xác đỉnh lũ thời gian đạt đỉnh quan trọng, tiêu chí đánh giá hiệu mơ hình Kết so sánh đường trình mực nước dự báo 03 mơ hình hồi quy với giá trị thực đo cho thấy mơ hình hồi quy tuyến tính chiếm ưu dự báo xu đỉnh lũ xác (Hình 7) Mơ hình LGBMR đánh giá thấp thường không dự báo đỉnh lũ mực nước cao (ví dụ mức báo động III) Hình so sánh kết dự báo mực nước ba mơ hình học máy với giá trị mực nước quan trắc mùa lũ năm 2013 2016 Trong trận lũ từ 15-24/10/2013, đỉnh lũ thực đo 2,160 m; mơ hình LR dự báo 2,135 m (sai số 25 cm hay 1,15%); mô hình RFR LGBMR dự báo 2,185 m 1,975 m Trong trận lũ từ 13-20/10/2016, sai số đỉnh lũ mơ hình LR, RFR LGBMR 9,9 cm (3,0%); 76,3 cm (22,9%) 90,3 cm (27,1%) Nói chung mơ hình dự đốn tốt xu hướng đường q trình lũ, nhiên chưa dự đốn hồn tồn xác giá trị đỉnh thời gian lũ lên Nguyên nhân việc sử dụng liệu đầu vào theo ngày, nghiên cứu chưa xem xét số yếu tố khác có ảnh hưởng tới q trình hình thành lũ địa hình khu vực, thảm phủ mặt đất, điều kiện độ ẩm ban đầu Hình So sánh mực nước thực đo dự đoán Lệ Thủy mùa lũ năm 2013 2016 78 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 80 (9/2022) KẾT LUẬN Trong nghiên cứu này, tác giả xây dựng ba mơ hình dự đoán mực nước theo ngày trạm Lệ Thủy sông Kiến Giang dựa phương pháp hồi quy LR, RFR LGBMR Bộ liệu lượng mưa mực nước ngày trạm mùa lũ 44 năm sử dụng để huấn luyện kiểm định mơ hình Kết nghiên cứu việc sử dụng liệu đầu vào gồm lượng mưa mực nước ngày thời đoạn [t-3, t] lượng mưa dự báo ba trạm khí tượng thủy văn khu vực để dự báo mực nước lũ trạm Lệ Thủy thời điểm t+1 cho kết tốt mơ hình dự báo tốt chân lẫn đỉnh đường trình mực nước Các số thống kê R2, NSE, MAE RMSE cho thấy việc ứng dụng mơ hình định hướng liệu hoàn toàn khả thi đáng tin cậy việc dự đoán mực nước; mơ hình dự đốn mực nước phương pháp hồi quy tuyến tính cho kết tốt so với hai phương pháp hồi quy lại Trong nghiên cứu tiếp theo, tác giả xem xét đến việc bổ sung số yếu tố đầu vào khác dòng chảy, mực nước triều, mưa số trạm lân cận, hay mưa dự báo từ đài KTTV (thay sử dụng mưa thực đo thời điểm t+1), xây dựng mơ hình dự báo mực nước cho trạm thủy văn trạm “ảo” khác dọc theo sông Kiến Giang Nhật Lệ Ngoài ra, kỹ thuật học máy khác, thuật toán học sâu, áp dụng nhằm cải thiện chất lượng dự báo mực nước tương lai LỜI CẢM ƠN Nghiên cứu hỗ trợ Đề tài nghiên cứu khoa học phát triển công nghệ cấp “Nghiên cứu ứng dụng giải pháp công nghệ số chuyển đổi hình thức cảnh báo lũ cho cộng đồng, xây dựng thí điểm cảnh báo lũ lưu vực sơng Nhật Lệ, tỉnh Quảng Bình” Nhóm tác giả chân thành cảm ơn Ban chủ nhiệm đề tài tạo điều kiện tốt để hoàn thành nghiên cứu TÀI LIỆU THAM KHẢO Nguyễn Đức Lý, Ngô Hải Dương, & Nguyễn Đại (2013) Khí hậu thủy văn tỉnh Quảng Bình Nhà xuất Khoa học Kỹ thuật Atashi, V., Gorji, H T., Shahabi, S M., Kardan, R., & Lim, Y H (2022) Water Level Forecasting Using Deep Learning Time-Series Analysis: A Case Study of Red River of the North Water, 14(12), 1971 https://doi.org/10.3390/w14121971 Breiman, L (2001) Random Forests Mach Learn., 45(1), 5–32 https://doi.org/10.1023/A:1010933404324 Guo, W.-D., Chen, W.-B., Yeh, S.-H., Chang, C.-H., & Chen, H (2021) Prediction of River Stage Using Multistep-Ahead Machine Learning Techniques for a Tidal River of Taiwan Water, 13(7), 920 https://doi.org/10.3390/w13070920 Mekanik, F., Imteaz, M A., Gato-Trinidad, S., & Elmahdi, A (2013) Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes Journal of Hydrology, 503, 11–21 https://doi.org/10.1016/j.jhydrol.2013.08.035 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 80 (9/2022) 79 Abstract: PREDICTION OF WATER LEVEL IN KIEN GIANG RIVER USING REGRESSION-BASED MODELS A reliable model to predict the water levels in a river is crucial for better planning to mitigate any risk associated with flooding Data-driven models using machine learning (ML) techniques have become an attractive and effective approach to model and analyze river stage dynamics In this study, three regression-based models, including Linear Regression (LR), Random Forest Regression (RFR) and Light Gradient Boosting Machine Regression (LGBMR) were developed and compared to predict the daily water levels in Kien Giang river based on collected data from 1977 to 2020 Four evaluation criteria, i.e., R2, NSE, MAE, and RMSE, were employed to examine the reliability of the proposed models The results show the high accuracy of the proposed models in predicting water levels, especially the LR model The LR model outperforms the RFR and LGBMR models with the values of R2, NSE, MAE and RMSE are 0.959, 0.958, 6.67 cm and 12.2 cm respectively Keywords: Water level prediction, machine learning, regression techniques, Kien Giang river Ngày nhận bài: 06/9/2022 Ngày chấp nhận đăng: 30/9/2022 80 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 80 (9/2022) ... (9/2022) 77 3.2 Kết dự báo mực nước theo ba phương pháp hồi quy Chất lượng kết dự đoán mực nước trạm Lệ Thủy sử dụng 03 mơ hình hồi quy LR, RFR LGBMR thể Hình Mực nước dự đốn mơ hình hồi quy LR cho kết... kỹ thuật học máy dựa phương pháp hồi quy sử dụng để xây dựng mơ hình định hướng liệu nhằm dự báo mực nước trạm Lệ Thủy sông Kiến Giang Bốn tiêu chí R2, NSE, MAE RMSE sử dụng để đánh giá mơ hình... RFR LGBMR) để dự báo mực nước lũ trạm đại diện cho vùng đồng sơng Kiến Giang, trạm Lệ Thủy PHƯƠNG PHÁP NGHIÊN CỨU VÀ SỐ LIỆU THU THẬP 2.1 Các phương pháp hồi quy Hồi quy phương pháp toán học