Using artificial neural network in simulating of the streamflow in the srepok watershed

Untitled Science & Technology Development, Vol 19, No T3 2016 Trang 114 Mô phỏng dòng chảy lưu vực sông Sêrêpôk với mạng nơ ron nhân tạo  Đào Nguyên Khôi Trường Đại học Khoa học Tự nhiên, ĐHQG HCM [.]

Science & Technology Development, Vol 19, No.T3-2016 Mơ dịng chảy lưu vực sông Sêrêpôk với mạng nơ-ron nhân tạo   Đào Nguyên Khôi Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM Huỳnh Ái Phương Trung Tâm Quản Lý Nước Biến đổi Khí hậu, ĐHQG-HCM (Bài nhận ngày 11 tháng 12 năm 2015, nhận đăng ngày 06 tháng 05 năm 2016) TĨM TẮT Trong nghiên cứu này, mơ hình ANN sử chọn để hiệu chỉnh kiểm định mơ hình dụng để mơ lưu lượng dòng chảy cho lưu ANN Kết hiệu chỉnh cho thấy mơ vực sơng Sêrêpơk Phân tích tương quan thời hình ANN2 với thơng số đầu vào: P(t), P(t-1), gian chuỗi số liệu lượng mưa lưu lượng Q(t-1) cho kết mô lưu lượng dòng sử dụng để xác định đầu vào cho mơ hình chảy trạm Bản Đơn tốt (NSE = 0,95 cho ANN Kết phân tích cho thấy giá trị giai đoạn hiệu chỉnh NSE = 0,96 cho giai lượng mưa với thời gian trễ ngày lưu đoạn kiểm định) so với mơ hình ANN cịn lại lượng với thời gian trễ ngày chọn làm Bên cạnh đó, kết so sánh mơ hình ANN đầu vào cho mơ hình ANN Tương ứng với số với thông số đầu vào khác cho liệu đầu vào này, mơ hình ANN: ANN1, ANN2, thấy việc tăng thông số đầu vào lúc cho kết tốt ANN3 phát triển Chuỗi số liệu mưa lưu lượng năm 2002–2004 lưu vực lựa Từ khóa: mơ hình ANN, mơ hình thủy văn, lưu lượng dịng chảy, lưu vực sông Sêrêpôk MỞ ĐẦU Mối quan hệ lượng mưa – dòng chảy mối quan hệ phức tạp thay đổi theo không gian thời gian đặc tính lưu vực lượng mưa Từ năm 1930 việc sử dụng mô hình mưa – dịng chảy để mơ dự báo dòng chảy thực phổ biến Các q trình thủy văn mơ hình hóa thành phương trình tốn học với lượng lớn thơng số Thí dụ, mơ hình thủy văn SWAT cần đến 100 thông số đầu vào để phục vụ cho tốn mơ dịng chảy Sự tương tác thông số phức tạp tối ưu hóa thơng số mơ hình thường thực phương pháp thử sai [4] Một phương pháp tiếp cận thay dựa vào liệu (data-based approach) để mơ hình hóa mưa – dịng chảy sử dụng mạng nơ-ron Trang 114 nhân tạo (Artificial Neural Network, ANN) Một đặc tính bật ANN chúng có khả điều chỉnh cấu trúc não người ANN bao gồm nút, mũi tên, hàm tốn học để truyền tải thơng tin với hệ thống để nhận dạng mối quan hệ đầu đầu vào [2] Ứng dụng mơ hình ANN mơ dự báo dòng chảy nghiên cứu nhiều nơi giới cho kết tốt Thí dụ, Zadeh cộng [4] sử dụng mơ hình ANN dự báo dòng chảy ngày cho lưu vực Khosrow Shirin phía tây bắc Iran với hai hàm kích hoạt logistic sigmoid tangent sigmoid Kết cho thấy hàm tangent sigmoid cho kết mô tốt Rezaeianzadeh cộng [3] so sánh kết mô mơ hình ANN mơ hình HEC-HMS dự báo dịng chảy lưu vực TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 19, SỐ T3- 2016 Khosrow Shirin Kết nghiên cứu cho thấy mơ hình ANN với hàm kích hoạt tangent sigmoid cho kết mơ lưu lượng dịng chảy tốt kết mơ mơ hình HEC-HMS Trong nghiên cứu này, mơ hình ANN (thực phần mềm WinNN32) với hàm kích hoạt tangent sigmoid áp dụng mô lưu lượng dịng chảy lưu vực sơng Sêrêpơk Đầu vào cho mơ hình ANN xác định dựa vào phân tích tương quan chuỗi thời gian lượng mưa lưu lượng dòng chảy PHƯƠNG PHÁP Giới thiệu khu vực nghiên cứu Lưu vực sông Sêrêpôk trải dài địa bàn hai tỉnh Đắk Lắk Đắk Nông, nằm khoảng 11°45’ – 13°15’ vĩ độ Bắc 107°15’ – 109° kinh độ Đơng (Hình 1) Sơng Sêrêpơk hình thành từ hai nhánh sơng Krơng Nơ Krơng Ana Tổng diện tích lưu vực 12.000 km2 với tổng số dân khoảng 2,3 triệu người (2014) Đặc điểm khí hậu lưu vực có độ ẩm cao (khoảng 78–83 %) có hai mùa khơ mưa rõ rệt Mùa mưa kéo dài từ tháng đến tháng 10 (với đỉnh lũ thường vào khoảng tháng 10) lượng mưa chiếm khoảng 75–95 % tổng lượng mưa năm lưu vực Trong lưu vực này, có hai loại đất đất xám đất bazan nâu đỏ Các loại đất màu mỡ, phù hợp cho phát triển nơng nghiệp Do đó, nơng nghiệp hoạt động kinh tế lưu vực Hình Khu vực nghiên cứu vị trí trạm khí tượng thủy văn Trang 115 Science & Technology Development, Vol 19, No.T3-2016 Mơ hình ANN Mơ hình nơ ron nhân tạo thiết lập dựa chế hoạt động não người có số lượng lớn nơ ron gắn kết để xử lý thơng tin ANN có khả học liệu thông qua số lần lặp để điều chỉnh trọng số (hiệu chỉnh) cho phù hợp với liệu quan trắc, sau lưu trữ tự động để dự đốn cho giai đoạn khác (kiểm định) Thuột, Buôn Hồ, Giang Sơn, Bản Đôn, Cầu 14, Đăk Nông Lượng mưa lưu vực tính phương pháp đa giác Thiessen với số liệu lượng mưa từ trạm đo mưa Bước 2: Để xác định đầu vào cho mơ hình ANN, phân tích tương quan riêng phần (partial autocorrelation) chuỗi số liệu lượng mưa với lưu lượng dòng chảy nhằm để xác (thực phần mềm Mathlap) khu vực nghiên cứu Điều nhằm mục đích xác định độ lệch pha lượng mưa trạm nêu so với lưu lượng trạm Bản Đôn, khoảng thời gian lệch pha gọi thời gian trễ Sau lưu lượng trễ lượng mưa kết hợp với để lựa chọn đầu vào thích hợp với mơ hình ANN với hiệu mơ tối ưu Hình Mạng perceptron đa lớp tổng qt tổng qt Một cấu trúc mơ hình ANN bao gồm ba phần: đầu vào, lớp ẩn đầu (Hình 2) Mỗi mơ hình có nhiều đầu vào, lớp ẩn đầu Các liệu đầu vào truyền vào lớp ẩn thông qua kết hợp với trọng số, đầu vào có trọng số riêng tương ứng với nơ-ron lớp ẩn Sau vào lớp ẩn giá trị tính tốn thuật toán kết đầu ra, kết so sánh với giá trị tính tốn trước sai số lớn tiến hành điều chỉnh trọng số tiếp tục tính toán lại lớp ẩn sai số giảm tối thiểu cho kết đầu cuối Số lượng đầu phụ thuộc vào mục đích người sử dụng Các bước thiết lập mơ hình ANN Hình mơ tả bước thiết lập mơ hình ANN mơ dịng chảy Các bước thiết lập mô tả sau: Bước 1: Thu thập liệu quan trắc từ trạm đo mưa lưu vực sông Sêrêpôk trạm thủy văn Bản Đôn giai đoạn 2002–2004 trạm mưa lưu vực thu thập bao gồm: trạm Đức Xuyên, Đà Lạt, Madrăk, Buôn Ma Trang 116 Thu thập liệu tiền xử lý Lựa chọn đầu vào Phân chia liệu Lựa chọn cấu trúc mơ hình Hiệu chỉnh mơ hình Kiểm định mơ hình Hình Các bước thiết lập mơ hình ANN Bước 3: Dữ liệu lượng mưa lưu lượng (2002–2004) nghiên cứu chi thành hai phần: số liệu năm 2002–2003 sử dụng cho hiệu chỉnh mơ hình để xác định thơng số mơ hình số liệu năm 2004 sử dụng cho kiểm định mô hình Bước 4: Trong bước tiến hành lựa chọn số đầu vào, lớp ẩn, đầu Mơ hình áp TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 19, SỐ T3- 2016 dụng mơ hình lớp ẩn chúng thích hợp với hàm liên tục chúng linh động dễ thích nghi số nơ-ron ẩn chúng thay đổi, lớp ẩn cần xác định số nơ-ron ẩn số dao động khoảng từ N/3-N*4 nơ-ron ẩn Áp dụng thuật tốn tangent sigmoid cho lớp ẩn đầu ra, cịn đầu vào sử dụng phép tính tuyến tính ngồi cịn sử dụng thuật tốn truyền ngược để sai số tự động giảm thiểu sau lần lặp Bước 6: Hiệu chỉnh kiểm định mô hình biểu diễn kết mơ kết tính tốn có nghĩa kết lưu lượng mơ mơ hình lưu lượng thực đo trạm Bản Đôn Đánh giá hiệu mơ hình KẾT QUẢ VÀ THẢO LUẬN Phân tích tương quan chuỗi thời gian để đánh giá ảnh hưởng lượng mưa lưu lượng trễ Đại lượng thống kê tương quan riêng phần khoảng tin cậy 95 % từ lag đến lag 10 ước tính từ số liệu lượng mưa (Hình 4) lưu lượng (Hình 5) Theo kết Hình 5, hàm tương quan riêng phần rõ dao động đáng kể đến lag chuỗi số liệu lượng mưa đến lag chuỗi số liệu lưu lượng, sau chúng nằm khoảng giới hạn tin cậy 95 % Từ kết phân tích tương quan, số liệu lượng mưa với thời gian trễ từ đến ngày (lag đến 2) số liệu lưu lượng với thời gian trễ ngày (lag 1) chọn thông số đầu vào cho mơ hình ANN Các thơng số đầu vào kết hợp với để tạo mơ hình ANN với đầu vào khác (Bảng 1) Tất mơ hình ANN hiệu chỉnh sử dụng mơ hình lớp: đầu vào, lớp ẩn đầu với hàm kích hoạt tangent sigmoid Tương quan riêng phần Hiệu mô mơ hình đánh giá phương pháp đồ thị phương pháp thống kê để so sánh chất lượng độ tin cậy kết mô với số liệu thực đo Trong nghiên cứu này, hai phương pháp thống kê đánh giá kết mơ hình bao gồm: hệ số tương quan (R2) số hiệu Nash-Sutcliffe (NSE) Mơ hình xem tốt giá trị R2 NSE lớn 0,75, thỏa mãn R2 NSE thuộc khoảng 0,36 0,75, không thỏa mãn R2 NSE nhỏ 0,36 (Krause cộng sự, 2007) Hình Kết hàm tương quan riêng phần chuỗi số liệu lượng mưa Trang 117 Tương quan riêng phần Science & Technology Development, Vol 19, No.T3-2016 Hình Kết hàm tương quan riêng phần chuỗi số liệu lưu lượng Hình Đồ thị so sánh đường q trình lưu lượng mơ thực đo trạm Bản Đôn (2002–2004) Trang 118 TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 19, SỐ T3- 2016 Trong nghiên cứu này, trình hiệu chỉnh (2002–2003) kiểm định (2004) mơ hình ANN tiến hành dựa vào số liệu quan trắc trạm thủy văn lưu vực (trạm Bản Đơn) Kết đường so sánh q trình lưu lượng mơ từ mơ hình ANN với lưu lượng thực đo trạm Bản Đơn thể Hình Nhìn chung kết mô kết thực đo giống điều thể qua tiêu đánh giá thống kê (NSE R2) mơ hình ANN Bảng Kết cho thấy hiệu mơ mơ hình ANN1 với số NSE = 0,94; R2 =0.97 cho trình hiệu chỉnh NSE = 0,96; R2 =0.98 cho q trình kiểm định; hiệu mơ mơ hình ANN2 với NSE = 0,95; R2 =0,97 cho trình hiệu chỉnh NSE = 0,96; R2 =0,98 cho q trình kiểm định; hiệu mơ mơ hình ANN3 NSE = 0,95; R2 =0,97 cho trình hiệu chỉnh NSE = 0,95; R2 = 0,97 cho trình kiểm định Mặc dù hiệu mơ mơ hình ANN tốt, nhiên vài thời điểm đỉnh lũ kết mơ hình thấp so với đỉnh lũ kết quan trắc Điều lý giải thông qua phân bố không trạm mưa lưu vực (Hình 1) Với kết đánh giá hiệu mô mô hình ANN dựa vào đồ thị so sánh tiêu đánh giá cho thấy mơ hình ANN2 với thông số đầu vào: P(t), P(t-1), Q(t-1) cho kết mô tốt so với mơ hình ANN cịn lại (ANN1 ANN3) Bên cạnh kết so sánh mơ hình ANN với thông số đầu vào cho thấy việc tăng thông số đầu vào lúc cho kết tốt Cụ thể trường hợp mơ hình ANN3 với thơng số đầu vào cho kết tốt mơ hình ANN1 với thơng số đầu vào mơ hình ANN3 với thông số đầu vào Kết hiệu chỉnh kiểm định mơ hình mơ hình ANN (ANN1, ANN2, ANN3) mơ tốt dịng chảy lưu vực Sêrêpơk giai đoạn sử dụng mơ hình ANN với trọng số hiệu chỉnh kiểm định cho mơ dịng chảy ảnh hưởng kịch biến đổi khí hậu Bảng Bảng so sánh hiệu mô mơ hình ANN với giá trị thực đo trạm Bản Đơn Tên mơ hình Hiệu chỉnh P(t), Q(t-1) ANN1 0,94 P(t), P(t-1), Q(t-1) ANN2 P(t), P(t-1), P(t-2), Q(t-1) ANN3 Đầu vào NSE Kiểm định R2 Hiệu chỉnh Kiểm định 0,96 0,97 0,98 0,95 0,96 0,97 0,98 0,95 0,95 0,97 0,97 KẾT LUẬN Nghiên cứu thực nhằm mục tiêu đánh giá khả mơ dịng chảy mơ hình ANN – trường hợp nghiên cứu cho lưu vực sông Sêrêpôk Kết đạt nghiên cứu tóm tắt sau: Kết phân tích tương quan chuỗi số liệu lượng mưa lưu lượng cho thấy chuỗi số liệu lượng mưa với thời gian trễ từ đến ngày (lag đến lag 2) chuỗi số liệu lưu lượng với thời gian trễ ngày (lag 1) tương quan mạnh Các thơng số đươc sử dụng làm thông số đầu vào mơ hình ANN cho nghiên cứu tương tự lưu vực Kết hiệu chỉnh kiểm định mơ hình ANN cho thấy mơ hình mơ tốt lưu lượng dịng chảy cho khu vực nghiên cứu mơ hình ANN2 với thông số đầu vào (P(t), P(t-1), Q(t-1)) cho kết mô tốt Trang 119 Science & Technology Development, Vol 19, No.T3-2016 Kết nghiên cứu cho thấy việc tăng thông số đầu vào lúc cho kết tốt Do đó, việc lựa chọn thơng số đầu vào cho mơ hình ANN có ảnh hưởng định đến độ xác kết mơ Nghiên cứu sử dụng số liệu lưu vực sông (cụ thể lưu vực sông Sêrêpôk) nên để tổng quát hóa kết nghiên cứu với phong phú số liệu (ở lưu vực khác) cần tiến hành Lời cám ơn: Nghiên cứu tài trợ Quỹ phát triển Khoa học Công nghệ Quốc gia (NAFOSTED) đề tài mã số “105.062013.09” Using artificial neural network in simulating of the streamflow in the Srepok watershed  Dao Nguyen Khoi University of Science, VNU-HCM  Huynh Ai Phuong Center of Water Management and Climate Change, VNU-HCM ABSTRACT data record for the precipitation and streamflow In this study, artificial neural network (ANN) was used for ANN training and testing The model was used to simulate the streamflow in the result of ANN training and testing showed that Srepok watershed, Vietnam Correlation analysis the ANN2 with input data (P(t), P(t-1), and Q(tof time series for precipitation and streamflow 1)) gave the best simulation (NSE = 0.95 for was employed to determine input data for the training period and NSE = 0.96 for testing ANN model This result indicated a significant period) comparing to those of ANN1 and ANN3 correlation up to day time lag and day time In addition, the comparison of ANNs showed that lag for the precipitation and streamflow series the increase of the input data did not offer the data, respectively According to the correlation better result analysis, three ANN models including ANN1, ANN2, and ANN3 were investigated A 3-year Keywords: ANN model, hydrological model, streamflow, Srepok watershed TÀI LIỆU THAM KHẢO [1] P Krause, D.P Boyle, F Base, Comparison of different efficiency criteria for hydrological model assessment, Advances in Geosciences, 5, 89-97 (2005) [2] E Mutlu, I Chaubey, H Hexmoor, S.G Bajwa, Comparison of artificial neural network models for hydrologic predictions at multiple gauging stations in an agricultural watershed, Hydrological Processes, 22, 26, 5097-5106 (2008) [3] M Rezaeianzadeh, A Stein, H Tabari, H Abghari, N Jalalkamali, E.Z Hosseinipour, Trang 120 V.P Singh, Assessment of a conceptual hydrological model and artificial neural networks for daily outflows forecasting, International Journal of Environmental Science and Technology, 10, 1181-1192 (2013) [4] M.R Zadeh, S Amin, D Khalili, V.P Singh, Daily outflow prediction by multi-layer perceptron with logistic sigmoid and tangent sigmoid activation functions, Water Resources Management, 24, 2673-2688 (2010)  ... “105.062013.09” Using artificial neural network in simulating of the streamflow in the Srepok watershed  Dao Nguyen Khoi University of Science, VNU-HCM  Huynh Ai Phuong Center of Water Management... the precipitation and streamflow In this study, artificial neural network (ANN) was used for ANN training and testing The model was used to simulate the streamflow in the result of ANN training... day time In addition, the comparison of ANNs showed that lag for the precipitation and streamflow series the increase of the input data did not offer the data, respectively According to the correlation