Nghiên cứu ứng dụng mô hình anfis để dự báo lượng mưa vụ cho lưu vực sông cả

LỜI CẢM ƠN Tôi xin trân trọng cảm ơn TS Nguyễn Lương Bằng, người tận tình bảo hướng dẫn tơi hồn thành luận văn Tơi xin chân thành cảm ơn Ban giám hiệu Trường Đại học Thủy lợi, Phòng Đào tạo Đại học Sau Đại học, Khoa Kỹ thuật tài nguyên nước, Bộ môn Kỹ thuật tài nguyên nước tạo điều kiện thuận lợi, nhiệt tình giúp đỡ động viên tơi q trình học tập thực luận văn Tơi xin chân thành cảm ơn bạn bè, gia đình hỗ trợ, động viên, chia sẻ khó khăn suốt thời gian học tập thực luận văn i i LỜI CAM ĐOAN Học viên xin cam đoan cơng trình nghiên cứu thân tác giả Các kết nghiên cứu kết luận luận văn trung thực, không chép từ nguồn hình thức chưa công bố cơng trình khác Việc tham khảo, trích dẫn nguồn tài liệu ghi rõ nguồn tài liệu tham khảo quy định Tác giả luận văn Nguyễn Thị Minh Thu ii MỤC LỤC MỤC LỤC III DANH MỤC CÁC BẢNG BIỂU V DANH MỤC CÁC HÌNH VẼ VI DANH MỤC CÁC TỪ VIẾT TẮT VII MỞ ĐẦU 1 Tính cấp thiết đề tài Mục đích nghiên cứu Đối tượng phạm vi nghiên cứu Cách tiếp cận phương pháp nghiên cứu CHƯƠNG 1: TỔNG QUAN CÁC NGHIÊN CỨU DỰ BÁO LƯỢNG MƯA VỤ VÀ VÙNG NGHIÊN CỨU 1.1 Tổng quan nghiên cứu dự báo lượng mưa vụ 1.1.1 Tổng quan tình hình nghiên cứu giới 1.1.2 Tổng quan tình hình nghiên cứu nước 1.2 Tổng quan lưu vực nghiên cứu 13 1.2.1 Vị trí địa lý, diện tích phân bổ diện tích 13 1.2.2 Điều kiện địa hình 15 1.2.3 Đặc điểm thổ nhưỡng thảm phủ thực vật 16 1.2.4 Khí hậu, khí tượng 18 1.2.5 Mạng lưới sơng ngịi điều kiện thủy văn 24 1.2.6 Tình hình Kinh tế - Xã hội 32 1.2.7 Phương hướng phát triển ngành đến năm 2025 45 CHƯƠNG 2: ỨNG DỤNG MƠ HÌNH ANFIS ĐỂ DỰ BÁO LƯỢNG MƯA VỤ CHO LƯU VỰC NGHIÊN CỨU 49 2.1 Phương pháp số liệu lượng mưa 49 2.1.1 Số liệu lượng mưa 49 2.1.2 Phân tích đặc trưng mưa lưu vực sông Cả 49 2.1.3 Phân tích lựa chọn phương pháp dự báo 55 iii 2.2 Ứng dụng mơ hình ANFIS để thiết lập mơ hình dự báo lượng mưa vụ cho vùng nghiên cứu 58 2.2.1 Yếu tố dự báo (biến đầu ra) 58 2.2.2 Nhân tố dự báo (biến đầu vào) 58 2.3.3 Cấu trúc mơ hình dự báo 59 2.2.4 Ứng dụng mơ hình ANFIS để dự báo lượng mưa vụ cho lưu vực nghiên cứu 60 2.2.5 Đánh giá hiệu dự báo mơ hình dự báo 65 CHƯƠNG 3: NGHIÊN CỨU, ĐỀ XUẤT MƠ HÌNH DỰ BÁO LƯỢNG MƯA VỤ PHÙ HỢP CHO LƯU VỰC SÔNG CẢ 69 3.1 Phân tích kết dự báo mơ hình 69 3.2 Nghiên cứu, đề xuất mơ hình dự báo phù hợp dự báo thử nghiệm cho lưu vực sông Cả 75 3.2.1 Nghiên cứu, đề xuất mơ hình dự báo phù hợp cho vùng nghiên cứu 75 3.2.2 Kết dự báo thử nghiệm cho lưu vực sông Cả 81 KẾT LUẬN VÀ KIẾN NGHỊ 86 Kết luận 86 Kiến nghị 87 TÀI LIỆU THAM KHẢO 88 PHỤ LỤC 92 iv DANH MỤC CÁC BẢNG BIỂU Bảng 1.1 Phân bố diện tích theo địa bàn hành 15 Bảng 1.2 Phân loại đất đai lưu vực sông Cả 16 Bảng 1.3 Đặc trưng nhiệt độ trung bình tháng sơng Cả (đơn vị C) 19 Bảng 1.4 Số nắng trung bình tháng, năm lưu vực sông Cả (Đv: h) 19 Bảng 1.5 Lượng nước bốc bình quân tháng lưu vực sông Cả (Đơn vị:mm) 20 Bảng 1.6 Độ ẩm khơng khí tháng số trạm (Đơn vị: %) 21 Bảng 1.7 Tốc độ gió trung bình tháng, năm (Đơn vị: m/s) 22 Bảng 1.8 Lượng mưa trung bình tháng (Đơn vị: mm) 24 Bảng 1.9 Đặc trưng hình thái số lưu vực sông 29 Bảng 1.10 Đặc trưng dòng chảy năm trạm thuỷ văn lưu vực sông Cả 30 Bảng 1.11 Lưu lượng kiệt tháng 3 tháng 7 thực đo 32 Bảng 1.12 Hiện trạng sử dụng đất hạ lưu, lưu vực sông Cả 33 Bảng 2.1 Các thông số lượng mưa trạm 49 Bảng 2.2 Độ lệch chuẩn lượng trạm 55 Bảng 2.3 Các tham số mơ hình dự báo 59 Bảng 2.4 Tiêu chí đánh giá chất lượng dự báo [33] 66 Bảng 3.1 Hiệu dự báo lượng mưa tháng trạm 69 Bảng 3.2 Hiệu dự báo lượng mưa tháng trạm 70 Bảng 3.3 Hiệu dự báo lượng mưa tháng trạm 71 Bảng 3.4 Kết dự báo thử nghiệm lượng mưa vụ năm 2018 trạm Quỳ Châu 82 Bảng 3.5 Kết dự báo thử nghiệm lượng mưa vụ năm 2018 trạm Tương Dương 83 Bảng 3.6 Kết dự báo thử nghiệm lượng mưa vụ năm 2018 trạm Đô Lương 84 Bảng Kết dự báo thử nghiệm lượng mưa vụ năm 2018 trạm Vinh 85 v v DANH MỤC CÁC HÌNH VẼ Hình 1 Bản đồ lưu vực sơng Cả 14 Hình 2.1 Lượng mưa trung bình tháng trạm 51 Hình 2.2 Lượng mưa tháng lớn trạm 51 Hình 2.3 Lượng mưa tháng nhỏ trạm 52 Hình 2.4 Diễn biến tổng lượng mưa năm trạm (1975-2017) 53 Hình 2.5 Xu tổng lượng mưa năm trạm Vinh (1975-2017) 53 Hình 2.6 Xu tổng lượng mưa năm trạm Quỳ Châu (1975-2017) 54 Hình 2.7 Xu tổng lượng mưa năm trạm Tương Dương (1975-2017) 54 Hình 2.8 Xu tổng lượng mưa năm trạm Đô Lương (1975-2017) 54 Hình 2.9 Các thành phần mơ hình dự báo theo phương pháp thống kê 57 Hình 2.10 Cấu trúc mơ hình ANFIS 60 Hình 2.11 Sơ đồ khối mơ hình ANFIS 64 Hình 12 Sơ đồ khối phần mềm dự báo 67 Hình 3.1 So sánh hiệu dự báo lượng mưa tháng trạm 72 Hình 3.2 So sánh hiệu dự báo lượng mưa tháng trạm 73 Hình 3.3 So sánh hiệu dự báo lượng mưa tháng trạm 74 Hình 3.4 So sánh hiệu dự báo lượng mưa vụ 1, tháng mơ hình M4 trạm 76 Hình 3.5 Kết dự báo lượng mưa tháng trạm Quỳ Châu (M4) 77 Hình 3.6 Kết dự báo lượng mưa tháng trạm Quỳ Châu (M4) 77 Hình 3.7 Kết dự báo lượng mưa tháng trạm Quỳ Châu (M4) 78 Hình 3.8 Kết dự báo lượng mưa tháng trạm Tương Dương (M4) 78 Hình 3.9 Kết dự báo lượng mưa tháng trạm Tương Dương (M4) 78 Hình 3.10 Kết dự báo lượng mưa tháng trạm Tương Dương (M4) 79 Hình 3.11 Kết dự báo lượng mưa tháng trạm Đô Lương (M4) 79 Hình 3.12 Kết dự báo lượng mưa tháng trạm Đơ Lương (M4) 79 Hình 3.13 Kết dự báo lượng mưa tháng trạm Đơ Lương (M4) 80 Hình 3.14 Kết dự báo lượng mưa tháng trạm Vinh (M4) 80 Hình 3.15 Kết dự báo lượng mưa tháng trạm Vinh (M4) 80 Hình 3.16 Kết dự báo lượng mưa tháng trạm Vinh (M4) 81 vi KẾT LUẬN VÀ KIẾN NGHỊ Kết luận - Diễn biến lượng mưa chủ yếu tượng ngẫu nhiên tự nhiên hồn lưu khí đại dương gây Dự báo lượng mưa quan trọng lĩnh vực Kỹ thuật Tài nguyên nước Lượng mưa nguồn cung cấp nước chính, u cầu việc sản xuất nơng nghiệp, dự báo lượng mưa vụ hữu ích cho việc lên kế hoạch trồng trọt cách phù hợp - Đề tài phân tích đánh giá trạng điều kiện tự nhiên, kinh tế - xã hội Phân tích đặc trưng mưa trạm khí tượng vùng nghiên cứu trạm Vinh, Tương Dương, Đô Lương Quỳ Châu - Nghiên cứu tổng quan phương pháp dự báo mưa nước, từ đề xuất phương pháp dự báo lượng mưa vụ mơ hình ANFIS - Đề tài nghiên cứu đề xuất cấu trúc mơ hình mơ hình dự báo bao gồm yếu tố dự báo lượng mưa (1 tháng, tháng, tháng) tương lai, nhân tố dự báo lượng mưa lịch sử (1 tháng, tháng, tháng) trạm khí tượng thuộc vùng nghiên cứu - Các mơ hình ANFIS dự báo lượng mưa (1 tháng, tháng, tháng) tính tốn thơng qua hai q trình luyện mạng kiểm định Kết kiểm định mơ hình thơng qua thơng số thống kê CORR, RSR E cho thấy: mơ hình dự báo M4 với biến đầu vào P(t-1), P(t-2), …, P(t-5) có hiệu dự báo tốt nhất; mơ hình dự báo lượng mưa vụ tháng tốt sau tháng thấp tháng; hiệu dự báo lượng mưa cho trạm Tương Dương tốt trạm Vinh thấp - Kết nghiên cứu cho thấy mơ hình dự báo ANFIS với nhân tố dự báo lượng mưa vụ (1 tháng, tháng, tháng) lịch sử áp dụng thành công có độ tin cậy cao để dự báo lượng mưa vụ (1 tháng, tháng, tháng) năm so với lượng mưa vụ có lịch sử cho khu vực 86 nghiên cứu - Luận văn đề xuất mơ hình dự báo M4 với biến đầu vào lượng mưa vụ (1 tháng, tháng, tháng) lịch để dự báo lượng mưa vụ (1 tháng, tháng, tháng) năm so với lượng mưa có lịch sử mơ hình tốt để áp dụng cho khu vực nghiên cứu Với cấu trúc mơ hình dự báo M4 học viên dự báo thử nghiệm lượng mưa vụ (1 tháng, tháng, tháng) cho trạm khí tượng vùng nghiên cứu Kiến nghị Luận văn ứng dụng mơ hình ANFIS với nhân tố dự báo lượng mưa lịch sử để dự báo lượng mưa năm so với lượng mưa có lịch sử mà chưa có so sánh với việc sử dụng nhân tố dự báo khác, chưa có so sánh với phương pháp dự báo khác Vì thế, để tăng độ tin cậy áp dụng phương pháp rộng rãi hướng nghiên cứu luận văn là: - Nghiên cứu so sánh hiệu dự báo phương pháp với nhân tố dự báo khác - Nghiên cứu so sánh hiệu dự báo phương pháp với phương pháp thống kê khác - Nghiên cứu so sánh hiệu dự báo phương pháp với phương pháp dự báo từ mơ hình khí hậu tồn cầu khác - Nghiên cứu, áp dụng so sánh phương pháp cho vùng khác Việt Nam 87 87 TÀI LIỆU THAM KHẢO [1] T N Stockdale, O Alves, cộng "Understanding and Predicting Seasonal-to-Interannual Climate Variability - The Producer Perspective", Procedia Environmental Sciences, vol 1, pp 55-80, 2010 [2] WMO Internet: http://www.wmo.int/pages/themes/climate/long_range_forecasting [3] T N Palmer, F J Doblas-Reyes, cộng "DEVELOPMENT OF A EUROPEAN MULTIMODEL ENSEMBLE SYSTEM FOR SEASONAL-TOINTERANNUAL PREDICTION (DEMETER)", Bulletin of the American Meteorological Society, vol 85(6), pp 853-872, 2004 [4] S Saha, S Nadiga, cộng "The NCEP Climate Forecast System", Journal of Climate, vol 19(15), pp 3483-3517, 2006 [5] Eric Guilyardi, Andrew Wittenberg, cộng "Understanding El Niño in Ocean–Atmosphere General Circulation Models: Progress and Challenges", Bulletin of the American Meteorological Society, vol 90(3), pp 325-340, 2009 [6] D S Pai & M Rajeevan "Empirical prediction of Indian summer monsoon rainfall with different lead periods based on global SST anomalies", Meteorology and Atmospheric Physics, vol 92(1), pp 33-43, 2006 [7] M Rajeevan, D S Pai, cộng "New statistical models for long-range forecasting of southwest monsoon rainfall over India", Climate Dynamics, vol 28(7), pp 813-828, 2007 [8] J.M.A Rourke "Seasonal prediction of African rainfall with a focus on Kenya" 2011, University College London [9] Indira Kadel "Statistical Prediction of Seasonal Rainfall in Nepal", in APEC Climate Center 2012 [10] Alberto Troccoli Weather and climate predictions for the energy sector 2010, 88 University of Reading: Reading, UK [11] A Troccoli, M Harrison, cộng Seasonal Climate: Forecasting and Managing Risk Springer Academic, 2008 [12] P E.N.M Momani "Time Series Analysis Model for Rainfall Data in Jordan: Case Study for Using Time Series Analysis", American Journal of Environmental Sciences, vol 5(5), pp 599-604, 2009 [13] Pudprommarat Chookait & Apichatibutarpong Somruay "Forecasting the Model of Rainfall in Thailand", in Applied Statistics Program Faculty of Science and Technology 2005 [14] V.K Somvanshi, O.P Pandey, cộng "Modelling and prediction of rainfall using artificial neural network and ARIMA techniques", J Ind Geophys, vol 10(2), pp 141-151, 2006 [15] Weesakul Uruya & Lowanichchai Sudajai "Rainfall Forecast for Agricultural Water Allocation Planning in Thailand", Thammasat Int J Sc Tech, vol 10(3), 2005 [16] Widjanarko Otok Bambang "Development of Rainfall Forecasting Model in Indonesia by using ASTAR, Transfer Function, and ARIMA Methods", European Journal of Scientific Research, vol 38(3), pp 386-395, 2009 [17] D R Nayak, A Mahapatra & P Mishra "A Survey on Rainfall Prediction using Artificial Neural Network", International Journal of Computer Applications, vol 72(16), pp 32-40, 2013 [18] A El-Shafie, O Jaafer & A Seyed "Adaptive neuro-fuzzy inference system based model for rainfall forecasting in Klang River, Malaysia", International Journal of Physical Sciences, vol 6(12), pp 2875-2888, 2011 [19] Changsam Jeong, Ju-Young Shin, cộng "Monthly Precipitation Forecasting with a Neuro-Fuzzy Model", Water Resources Management, vol 26(15), pp 4467-4483, 2012 [20] Nguyễn Duy Chinh "Nghiên cứu thử nghiệm dự báo khí hậu Việt Nam", 89 Trong Báo cáo tổng kết đề án, 2003 [21] Lương Văn Việt "ENSO khả dự báo mưa-nhiệt-ẩm khu vực Nam Bộ", Tạp chí KTTV, vol 551, pp 39-45, 2006 [22] Phan Văn Tân "Nghiên cứu ứng dụng mơ hình khí hậu khu vực mơ phỏng/dự báo mùa trường khí hậu bề mặt phục vụ qui hoạch phát triển phòng tránh thiên tai", Trong Đề tài NCKH Trọng điểm cấp ĐHQG Hà Nội, 2008 [23] Nguyễn Đăng Mậu "Thử nghiệm kết hợp mơ hình tồn cầu CAM khu vực RegCM vào mơ trường khí hậu khu vực Việt Nam", Trong Luận văn thạc sỹ khoa học ngành Khí tượng, 2012 [24] Nguyễn Văn Thắng "Nghiên cứu xây dựng dự báo khí hậu cho Việt Nam dựa kết mơ hình động lực tồn cầu", Trong Báo cáo tổng kết đề tài, 2006 [25] Phan Văn Tân "Nghiên cứu tác động biến đổi khí hậu tồn cầu đến yếu tố tượng khí hậu cực đoan Việt Nam, khả dự báo giải pháp chiến lược ứng phó", Trong Đề tài cấp Nhà nước, 2010 [26] Nguyễn Minh Trường "Nghiên cứu xây dựng mơ hình thống kê, lựa chọn tập nhân tố dự báo, lập chương trình tính, kiểm tra độ xác tập số liệu mẫu", Trong Báo cáo chuyên đề khoa học đề tài cấp Nhà nước, 2010 [27] Hoàng Thanh Tùng, Vũ Minh Cát & Robeto Ranzi "Nghiên cứu dự báo mưa cho lưu vực sông Cả", Tạp chí Khoa học kỹ thuật Thủy lợi Mơi trường vol 29, pp 92–98, 2010 [28] J -S R Jang "ANFIS: adaptive-network-based fuzzy inference system", IEEE Transactions on Systems, Man, and Cybernetics, vol 23(3), pp 665-685, 1993 [29] J.-S.R Jang, C.-T Sun & E Mizutani Neuro-Fuzzy and Soft Computing Englewood Cliffs, New Jersey, USA: Prentice Hall, 1997 [30] H Ying Fuzzy Control and Modeling:Analytical Applications Wiley-IEEE Press, 2000, pp.i - xxxii 90 Foundations and [31] P C Nayak, K P Sudheer, cộng "A neuro-fuzzy computing technique for modeling hydrological time series", Journal of Hydrology, vol 291(1–2), pp 5266, 2004 [32] UlkerGuner Bacanli, Mahmut Firat & Fatih Dikbas "Adaptive Neuro-Fuzzy Inference System for drought forecasting", Stochastic Environmental Research and Risk Assessment, vol 23(8), pp 1143-1154, 2009 [33] WMO Manual on the Implementation of Education and Training Standards in Meteorology and Hydrology 2012b, World Meteorological Organnization: Geneva 2, Switzerland 91 91 PHỤ LỤC CODE CHƯƠNG TRÌNH DỰ BÁO LƯỢNG MƯA VỤ % Computer Program for training and %testing the ANFIS model to predict water level % NGUYEN LUONG BANG, 2019 close all clear all %Create training data set % Load the training data set %traindata = load ('Training_Wutip2013 - Copy.dat'); %traindata = load ('Training_Wutip2.dat'); %traindata = load ('Training_Ketsana2009 - Copy.dat'); %traindata = load ('Training_Ketsana2.dat'); %traindata = load ('Training_ChanChu2004 - Copy.dat'); %traindata = load ('Training_ChanChu2.dat'); %traindata = load ('Training_Nari2013 - Copy.dat'); %traindata = load ('Training_Nari2.dat'); %traindata = load ('Training_Sontinh2012 - Copy.dat'); global DATA; load TTD6 traindata=TTD6(1:444,4:7); testdata=TTD6(445:480,4:7); 92 %Load the test data set7 %testdata = load ('Test_Wutip2013.dat'); %testdata = load ('Test_Ketsana2009.dat'); %testdata = load ('Test_ChanChu2004.dat'); % x1 = load ('Inputtest_Wutip2013.dat'); x1 = traindata (:,1:3); y1 = traindata (:,4); % x2 = load ('Inputtest_Wutip2013.dat'); x2 = testdata (:,1:3); y2 = testdata (:,4); %======================================================= % Genfis1: generates an initial Sugeno-type FIS for the ANFIS training % using a grid partition % Number of membership functions: % Type of membership functions: gaussmf %======================================================= mfType = str2mat('gaussmf'); in_fis = genfis1(traindata,2,mfType,'linear'); % To generate an initial FIS numEpochs=300; [fismat1,trnErr,ss,fismat2,tstErr]=anfis(traindata,in_fis,[numEpochs 1.0 1.35 1.1],[],testdata,1); numepochs=1:numEpochs; 93 figure (1) subplot(2,1,1); plot(numepochs,trnErr,'o',numepochs,tstErr,'x'); ylabel('RMSE'); xlabel('Epochs'); legend('Training error','Testing error'); hold on plot(numepochs,[trnErr tstErr]); hold off subplot(2,1,2); plot(numepochs,ss,'-',numepochs,ss,'x'); ylabel('Step Size'); xlabel('Epochs'); %======================================================= % Evalfis: performs fuzzy inference calculations % Z: the predicted water level %======================================================= z1 = evalfis(x1,fismat1); CORR_TT = corr(y1,z1); D_TT = sum(y1)/sum(z1); RMSE_TT = sqrt(mean((z1-y1).^2)); %======================================================= % To export the output to a file 94 %======================================================= tinhtoan = fopen('P_tinhtoan3.xls', 'w'); fprintf(tinhtoan,'%6.2f\n',z1); fclose(tinhtoan); figure (2) plot(1:444,y1, 'r',1:444,z1,'b .'); % simulated for Observed hold on; plot([0 444],[0 0],'-k'), plot([0 444],[200 200],'-.c'), plot([0 444],[400 400],'-.c'), plot([0 444],[600 600],'-.g'), plot([0 444],[800 800],'-.g'); hold on legend('Observed','Forecasted',1) title('P of Training','FontWeight','bold','FontSize',14,'FontName','Arial'); xlabel('Time in months [1979-2009]','FontWeight','bold','FontSize',12); ylabel('P','FontWeight','bold','FontSize',12); %axis tight xlim([0 444]) %xlim([xmin xmax]) ylim([-10 850]) z2 = evalfis(x2,fismat2); CORR_DB = corr(y2,z2); D_DB = sum(y2)/sum(z2); RMSE_DB = sqrt(mean((z2-y2).^2)); 95 %======================================================= % To export the output to a file %======================================================= dubao = fopen('P_Dubao3.xls', 'w'); fprintf(dubao,'%6.2f\n',z2); fclose(dubao); figure (3) plot(1:36,y2, 'r',1:36,z2,'b .'); % simulated for Observed hold on; plot([0 36],[0 0],'-k'), plot([0 36],[200 200],'-.c'), plot([0 36],[400 400],'-.c'), plot([0 36],[600 600],'-.g'), plot([0 36],[800 800],'-.g'); hold on legend('Observed','Forecasted',1) title('P of Testing','FontWeight','bold','FontSize',14,'FontName','Arial'); xlabel('Time in months [2012]','FontWeight','bold','FontSize',12); ylabel('P','FontWeight','bold','FontSize',12); %axis tight xlim([0 36]) %xlim([xmin xmax]) ylim([-10 850]) 96