Nghiên cứu ứng dụng mô hình ANFIS dự báo lượng mưa vụ phục vụ cho việc lập kế hoạch tưới trên lưu vực sông Cả

Trong những năm gần đây, diễn biến về lượng mưa trên các lưu vực là một trong những vấn đề cần được quan tâm và nghiên cứu, đặc biệt là những vấn đề liên quan đến lượng mưa vụ (LMV) phục vụ cho việc việc lập kế hoạch tưới nhằm nâng cao hiệu quả quản lý vận hành các hệ thống thủy lợi. Do sự thay đổi LMV có ảnh hưởng trực tiếp đến chế độ tưới và nguồn nước, đó là tài liệu cơ bản trong việc lập kế hoạch tưới của các hệ thống thủy lợi, câu hỏi được đặt ra là liệu những thay đổi về LMV có thể được dự báo với độ chính xác ở mức có thể chấp nhận được hay không. Trong bài viết này, mô hình ANFIS (adaptive neuro-fuzzy inference system) đã được đề xuất để xây dựng mô hình dự báo LMV cho lưu vực sông Cả. Số liệu dùng cho tính toán được lấy ở 4 trạm khí tượng đại diện trên lưu vực sông Cả từ năm 1975 đến 2014. Các mô hình dự báo LMV khác nhau đã được xây dựng với các tham số lượng mưa đầu vào khác nhau, kết quả dự báo của các mô hình này được so sánh thông qua các thông số thống kê để xác định và đề xuất mô hình có kết quả dự báo tốt nhất. Kết quả cho thấy mô hình dự báo với các nhân tố dự báo là lượng mưa vụ của 5 năm liên tiếp trong quá khứ cho kết quả tốt nhất và đáng tin cậy nhất để dự báo lượng mưa vụ 3 tháng và 6 tháng cho khu vực nghiên cứu.

BÀI BÁO KHOA H C NGHIÊN CỨU ỨNG DỤNG MÔ HÌNH ANFIS DỰ BÁO LƯỢNG MƯA VỤ PHỤC VỤ CHO VIỆC LẬP KẾ HOẠCH TƯỚI TRÊN LƯU VỰC SÔNG CẢ Nguyễn Lương Bằng1 Tóm tắt: Trong năm gần đây, diễn biến lượng mưa lưu vực vấn đề cần quan tâm nghiên cứu, đặc biệt vấn đề liên quan đến lượng mưa vụ (LMV) phục vụ cho việc việc lập kế hoạch tưới nhằm nâng cao hiệu quản lý vận hành hệ thống thủy lợi Do thay đổi LMV có ảnh hưởng trực tiếp đến chế độ tưới nguồn nước, tài liệu việc lập kế hoạch tưới hệ thống thủy lợi, câu hỏi đặt liệu thay đổi LMV dự báo với độ xác mức chấp nhận hay khơng Trong viết này, mơ hình ANFIS (adaptive neuro-fuzzy inference system) đề xuất để xây dựng mơ hình dự báo LMV cho lưu vực sơng Cả Số liệu dùng cho tính tốn lấy trạm khí tượng đại diện lưu vực sơng Cả từ năm 1975 đến 2014 Các mơ hình dự báo LMV khác xây dựng với tham số lượng mưa đầu vào khác nhau, kết dự báo mơ hình so sánh thông qua thông số thống kê để xác định đề xuất mơ hình có kết dự báo tốt Kết cho thấy mơ hình dự báo với nhân tố dự báo lượng mưa vụ năm liên tiếp khứ cho kết tốt đáng tin cậy để dự báo lượng mưa vụ tháng tháng cho khu vực nghiên cứu Từ khóa: Lượng mưa vụ, Lưu vực sơng Cả, Mơ hình ANFIS ĐẶT VẤN ĐỀ1 Lượng mưa vụ tượng ngẫu nhiên tự nhiên hồn lưu khí đại dương gây Lượng mưa vụ (LMV) nguồn cung cấp nước chính, tài liệu để xác định chế độ tưới nguồn nước phục vụ cho việc lập kế hoạch tưới hệ thống thủy lợi Hiện nay, Việt Nam việc xác định LMV phục vụ cho công tác lập kế hoạch tưới chủ yếu dựa vào phương pháp thống kê xác suất để tính LMV với mức đảm bảo định Vì thế, kế hoạch tưới lập chưa phù hợp với diễn biến lượng mưa thực tế vụ dẫn đến hiệu quản lý vận hành hệ thống thủy lợi chưa cao (PGS TS Phạm Việt Hòa, 2007) Do đó, việc xác định (dự báo) LMV với độ xác mức chấp nhận hữu ích cho việc lập kế hoạch tưới phù hợp để góp phần nâng cao hiệu quản lý vận hành hệ thống thủy lợi Dự báo lượng mưa nói chung khó khăn nhiệm vụ đầy thách thức cho Đại học Thủy Lợi, e-mail: nguyenluongbang77@tlu.edu.com 18 trình khí phức tạp Trong kỹ thuật dự báo, cụ thể phương pháp thống kê ARIMA (autoregressive integrated moving average), mơ hình hồi quy, … phương pháp trí tuệ nhân tạo khác ANN (artificial neural network), ANFIS (adaptive neuro fuzzy inference system), FIS (fuzzy inference system), GA (genetic algorithm)… đề xuất ứng dụng Banik, S et al (2008) sử dụng phương pháp ANN, ANFIS GA để xây dựng mơ hình dự báo lượng mưa, kết thu từ mơ hình so sánh với số liệu thống kê, mơ hình dự báo ANFIS GA sử dụng để dự báo lượng mưa tháng xác so với mơ hình ANN mơ hình hồi quy tuyến tính khác Nayak, D R et al (2013) sử dụng cấu trúc mạng thần kinh khác để dự báo lượng mưa, kết lượng mưa dự báo đáng tin cậy El-Shafie, A et al (2011) phát triển mơ hình ANFIS ANN để dự báo lượng mưa tháng cho lưu vực sông Klang Malaysia, kết cho thấy kết KHOA H C K THU T TH Y L I VÀ MÔI TR NG - S 60 (3/2018) phương pháp ANFIS tốt so với phương pháp ANN kết luận phương pháp ANFIS vượt trội so với phương pháp ANN dự báo lượng mưa tháng Hình Bản đồ lưu vực sông Cả Trong năm gần phương pháp ANFIS trở nên phổ biến cho việc dự báo nhiều lĩnh vực khác Phương pháp ANFIS chấp nhận công cụ thay hiệu cho phương pháp truyền thống sử dụng rộng rãi để dự báo hệ thống thủy văn phức tạp Dữ liệu lượng mưa đa chiều, biến động phi tuyến tính, báo tác giả lựa chọn phương pháp ANFIS để thiết lập mô hình dự báo LMV thích hợp cho vùng nghiên cứu VÙNG NGHIÊN CỨU VÀ SỐ LIỆU Lưu vực sông Cả nằm vùng B ắc Trung B ộ, vùng hạ lưu sông Cả giới hạn huyệ n Đô Lương, Yên Thành, Diễn Châu, Thanh Chương, Anh Sơn, Hưng Nguyên, Nam Đàn, Nghi Lộc, thị xã Cửa Lò, thành phố Vinh (Tỉnh Nghệ An) Huyện Đức Thọ, Nghi Xuân, Can Lộc, Lộc Hà, thị xã Hồng Lĩnh (Tỉnh Hà Tĩnh) Có tọa độ địa lý: 18°15’ đến 19°3’ vĩ độ Bắc, 104°55’20” đến 105°58’ 30” kinh độ Đơng Lưu vực sơng Cả nằm khu vực khí hậu nhiệt đới gió mùa nhiên khí hậu có đặc điểm độc đáo, lượng m ưa trung bình hàng năm từ 1.100÷2.500 (mm), có mùa rõ rệt mùa mưa mùa khô, mùa mưa tập trung từ tháng 5÷10, mùa khơ từ tháng 11 đến tháng năm sau, đặt biệt lượng mưa chủ yếu tập trung vào tháng 8, 9, 10 Nhiệt độ có chênh lệch lớn gi ữa tháng mùa đơng mùa hè, nhiệt độ trung bình nhiều năm 23.5°C, nhiệt độ thấp vào mùa đơng có nơi 0,5°C, vào mùa hè có nơi lên đến 42,7°C B ốn trạm khí t ượng, c ụ thể Vinh, Đô Lươ ng, Qu ỳ Châu T ươ ng Dương ch ọn để đại di ện cho khí hậu l ưu vực nghiên c ứu Các thông số l ượng m ưa c trạm khí t ượng thể bảng Các số li ệ u m ưa n lý c Trung tâm Khí tượng Th ủ y văn Quốc gia Việ t Nam, chấ t lượng số liệ u đủ bả m bả o tin cậ y để tính tốn Phạm vi th ời gian khai thác số li ệu để s dụ ng nghiên c ứu lấ y t tháng năm 1975 đến tháng 12 nă m 2014 Bảng Các thông số lượng trạm khí tượng lưu vực sông Cả (đơn vị: mm) TB năm từ Tên trạm Kinh độ Vĩ độ Vinh 105°40’E 18°40’ N 2041.6 Quỳ Châu 105°06’E 19°34’ N 1646,5 Tương Dương 104°28’E 19°16’ N Đô Lương 104°53’E 19°03’ N KHOA H C K THU T TH Y L I VÀ MÔI TR 1975-2014 Năm lớn Năm nhỏ 1975-2014 1985-2014 3521,3 (1989) 1185,8 (1977) chuẩn 483,9,4 1101,7 (1976) 292,4 1268,2 1887,8 (2005) 734,6 (1998) 243,2 1811,4 3529,4 (1978) 1083,8 (1998) 425,5 NG - S 60 (3/2018) 2492 (1978) Độ lệch 19 PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Yếu tố dự báo (biến đầu ra) Với mục tiêu đề tài nghiên cứu đề xuất mơ hình dự báo LMV phục vụ cho việc lập kế hoạch tưới, thời đoạn để tính tốn LMV vào thời vụ sản xuất nông nghiệp vùng, thời vụ sản xuất nông nghiệp 1, 2, , tháng hay năm Trong viết lựa chọn vụ điển hình có thời đoạn tính tốn tháng, tháng tháng để tính tốn Vì thế, yếu tố dự báo tổng LMV 1, tháng tương lai thời điểm t, yếu tố dự báo ký hiệu Pi(t), i biến LMV (LMV tháng i=1, LMV tháng i=3, LMV tháng i=6); LMV tháng dự báo thời điểm t ký hiệu P1(t); LMV tháng dự báo thời điểm t ký hiệu P3(t); LMV tháng dự báo thời điểm t ký hiệu P6(t) 3.2 Nhân tố dự báo (biến đầu vào) Một bước quan trọng việc phát triển mơ hình dự báo đạt u cầu lựa chọn nhân tố dự báo (các biến đầu vào), biến xác định cấu trúc mô hình dự báo ảnh hưởng đến hệ số trọng số kết mơ hình Trong nghiên cứu này, mơ hình dự báo dựa nhân tố dự báo lượng mưa lịch sử (quá khứ) ký hiệu Pi(t-j), j biến thời gian (số năm trước thời điểm dự báo, j=1, 2, …n), yếu tố dự báo LMV tháng thời điểm t mà sử dụng nhân tố dự báo lượng mưa tháng trước năm j=1, trước năm j=2, trước năm j=3 …, ví dụ yếu tố dự báo lượng mưa tháng năm 2016 nhân tố dự báo lượng mưa tháng năm 2015 j=1, lượng mưa tháng năm 2014 j=2…, yếu tố dự báo LMV tháng hay vụ tháng biến thời gian j tương tự LMV tháng 3.3 Cấu trúc mơ hình dự báo Để thiết lập phương pháp dự báo lượng mưa thời điểm t Pi(t) tác giả sử dụng nhân tố dự báo lượng mưa khứ Pi(t1), Pi(t-2),… Pi(t-j), phân tích số biến đầu vào khác kết dự báo khác nhau, nghiên cứu tác giả thiết lập mơ hình khác (được ký hiệu M1, M2, …, M5) với số biến đầu vào tăng 20 dần từ biến đến biến đầu vào, cụ thể cấu trúc mơ hình thể bảng Bảng Các tham số mơ hình dự báo Mơ hình M1 Tham số đầu vào (nhân tố dự Đầu (yếu tố báo) dự báo) Pi(t-1), Pi(t-2) Pi(t) M2 Pi(t-1), Pi(t-2), Pi(t-3) Pi(t) M3 Pi(t-1), Pi(t-2), Pi(t-3), Pi(t-4) Pi(t) M4 Pi(t-1), Pi(t-2), Pi(t-3), Pi(t-4), Pi(t-5) Pi(t) M5 Pi(t-1), Pi(t-2), Pi(t-3), Pi(t-4), Pi(t-5), Pi(t-6) Pi(t) 3.4 Mơ hình mạng noron thích nghi mờ (Adaptive Neuro-Fuzzy Inference System – ANFIS) Mơ hình ANFIS đề xuất Jang, J -S R (1993); Jang, J.-S.R et al (1997) áp dụng để nghiên cứu nhiều vấn đề Mơ hình ANFIS dựa hệ thống giao diện mờ, đào tạo thuật toán bắt nguồn từ lý thuyết mạng nơron Một xử lý chi tiết ANFIS cung cấp Ying, H (2000) Các hệ thống Sugeno-type ANFIS với ba yếu tố đầu vào hai quy tắc, sử dụng nghiên cứu này, thể Hình Hình Cấu trúc mơ hình ANFIS Các nút hình vng hình tròn sử dụng để phản ánh đặc tính khác việc học thích nghi Các nút vng (các nút thích nghi) có thơng số, nút tròn (nút cố định) khơng Mỗi nút có chức nút riêng Các chức nút khác từ nút tới nút Sự kết nối hai nút cho biết hướng tín hiệu Trong hình 2, mơ hình ANFIS có biến đầu vào là: Nhân tố dự báo (được ký hiệu biến x), Nhân tố dự báo (được ký hiệu biến y), Nhân tố dự báo (được ký hiệu biến z); biến đầu yếu tố dự báo (LMV) Mỗi biến đầu KHOA H C K THU T TH Y L I VÀ MÔI TR NG - S 60 (3/2018) vào có hàm thuộc (A1, A2), (B1, B2), (C1, C2) tương ứng Quy tắc mờ Nếu-Thì (if-then) kiểu Sugenotype cho biến đầu tuyến tính thiết lập sau: Quy tắc 1: Nếu x A1, y B1 , z C1 thì: (1) Quy tắc 2: Nếu x A2, y B2 thì: f1 = p1 x + q1 y + r1 z + s1 (2) Trong công thức Ai, Bi, Ci tập mờ (một tập mờ xác định hàm thuộc nó); fi hàm đầu vùng mới; pi, qi, ri, si hệ số kết xác định trình đào tạo, i biến chạy từ đến Một hàm thuộc (membership function, MF) đường cong xác định độ mạnh điểm x' ∈ X thuộc tập hợp, cách định mức độ thuộc 1, µ z ' ( x ' ) : X → {0 ,1} Có thể có dạng hình MF, chẳng hạn hình chng MF, Gaussian MF, hai mặt Gaussian MF, hình tam giác MF, hình thang MF, hình dạng pi MF Trong luận án sử dụng hàm thuộc Gaussian MF Hàm thuộc Gaussian MF có dạng: f = p2 x + q2 y + r2 z + s ( µ z ' ( x ' ) = f ( x ' , σ ) = exp − (x '− c σ )2 ) (3) Trong đó, x' giá trị đầu vào đến nút ith; c σ chiều rộng trung tâm đường cong Gaussian tập mờ Z ' tương ứng c σ gọi tham số tiền đề Các nút lớp có chức nhau, mơ tả đây: Lớp hình chứa nút thích nghi đại diện i, mà kết đầu tính với hàm nút là: O1,i = µ Ai (x ), i = , gắn với nút đó, µ hàm thuộc Như vậy, O1,i đại diện cho cấp thuộc tập mờ Z ' (= A1 , A2 , B1 , B2 , C1 , orC2 ) , xác định mức độ cho đầu vào x, y, z thảo mãn tập mờ A Lớp thứ hai lớp quy tắc Mỗi nút lớp có hình tròn, có nhãn Π, gọi nút quy tắc Một đầu từ nút quy tắc đại diện cho sản phẩm tín hiệu đầu vào Nghĩa là, nút cố định nhận đầu vào từ nút thích nghi tương ứng, giá trị đầu nút biểu diễn cường độ quy tắc cho: O ,i = w i = µ Ai (x )µ Bi ( y )µ C i ( z ), Trong lớp thứ ba, nút nút cố định hình tròn có nhãn N Số lượng nút lớp nút số giống lớp quy tắc Nút thứ i lớp tính tỷ lệ cường độ quy tắc nút thứ I so với tổng tất cường độ quy tắc: O ,i = w i = O1,i = µCi−4 ( z ), i = , O ,i = w i f i = i = 1,2 (8) wi ( p i x + q i + ri z + s i ), Σ wi i = 1,2 (9) Lớp thứ năm chứa nút đầu ra, gọi lớp tổng kết Nút đơn nút hình tròn biểu thị ∑ Nút tính tổng sản lượng ANFIS, tổng đầu tất nút thích nghi lớp thứ tư: O5, i = ∑ i =1 O4, i = ∑i =1 wi f i = (4) (5) ∑ = ∑ i =1 wi f i i =1 (10) wi Giá trị đầu P(t) tính sau: (6) Trong Ai , Bi−2 , Ci −4 nhãn ngơn ngữ (ví dụ “nhỏ”, “trung bình”, “cao”) KHOA H C K THU T TH Y L I VÀ MÔI TR wi , Σ wi Trong lớp thứ tư, nút nút thích nghi hình vng, có nhãn Z Số lượng nút lớp giống số nút lớp thứ ba Đầu từ nút giá trị kết trọng số quy tắc định: wi f1 + wi f O1,i = µ Bi − ( y ), i = , (7) NG - S 60 (3/2018) P(t) = f ( x , y , z ) = w1 f + w f = w1 + w 21 = w1 ( x, y, z ) f (x, y, z ) + w2 ( x, y, z ) f ( x, y, z ) w1 ( z, y, z ) w2 ( x, y, z ) thuật tốn Việc thực mơ hình ANFIS cho trình đào tạo thử nghiệm tập liệu đánh giá thông qua thông số thống kê là: Sai số quân phương (Root mean square error, RMSE); Hệ số tương quan (Correlation Coefficient, CORR); Tỷ lệ chênh lệch (Discrepancy ratio, D) Để kiểm định kết dự báo mơ hình ta dựa vào giá trị hệ số thống kê RMSE, CORR D Một mơ hình dự báo có kết dự báo tốt giá trị CORR D gần giá trị 1.0, RMSE gần giá trị Tập liệu dùng cho trình đào tạo số liệu LMV từ năm 1975 đến 2012 Để đạt đánh giá, so sánh kiểm định đáng tin cậy hơn, tập liệu dùng cho q trình thử nghiệm khơng trùng với q trình đào tạo, tập liệu dùng cho trình thử nghiệm số liệu LMV từ năm 2013 đến 2015 KẾT QUẢ VÀ THẢO LUẬN Dựa vào cấu trúc mơ hình dự báo thuật tốn mạng noron thích nghi mờ (ANFIS) tác giả tiến hành lập trình phần mềm Matlab Kết kiểm định kết mơ hình dự báo cho trạm thông qua thông số thống kê RMSE, CORR D sau: (11) ANFIS sử dụng thuật toán học lai để hiệu chỉnh mạng Việc kết hợp thuật toán hồi phục lại với thuật toán xấp xỉ thuật toán truyền lại sử dụng thuật tốn học lai ghép để tối ưu hóa tham số lớp Các chi tiết toán học thuật toán đưa nghiên cứu Jang, J.-S.R et al (1997), Nayak, P C et al (2004) Bacanli, Ulker Guner et al (2009) 3.5 Kiểm định mơ hình dự báo Trong mơ hình, biến đầu vào phải nhóm vào số giá trị lớp lớp 1, xây dựng quy tắc mờ; ra, quy tắc mờ xây dựng thông qua số thông số hàm thành viên lớp (hình 2) Vì số lượng thơng số tăng lên với quy luật thặng dư mờ, cấu trúc mơ hình trở nên phức tạp Trong nghiên cứu này, chức phân nhóm phép trừ mờ sử dụng để thiết lập quy tắc mờ, dựa mối quan hệ biến số đầu vào-ra Để xác định thông số đầu vào đầu tuyến tính phi tuyến, thuật tốn lai sử dụng, thủ tục đào tạo xây dựng quy tắc cung cấp Bảng Kết dự báo lượng mưa vụ tháng trạm Trạm Quỳ Châu Đào tạo Mô Trạm Tương Dương Thử nghiệm Đào tạo Mơ Thử nghiệm hình CORR D RMSE CORR D RMSE hình CORR D RMSE CORR D RMSE M1 0.74 1.00 94.20 0.83 0.97 69.90 M1 0.71 1.00 74.70 0.89 1.15 66.00 M2 0.78 1.00 87.30 0.89 0.97 59.00 M2 0.85 1.00 70.40 0.85 1.13 68.50 M3 0.83 1.00 78.40 0.86 0.95 64.40 M3 0.83 1.00 59.50 0.83 1.12 71.60 M4 0.93 1.00 53.30 0.85 0.93 67.00 M4 0.94 1.00 37.10 0.83 1.09 68.86 M5 0.99 1.00 17.00 0.45 0.89 230.00 M5 0.99 1.00 11.60 0.39 1.31 144.90 Trạm Đô Lương Đào tạo Mô Trạm Vinh Thử nghiệm Đào tạo Mơ Thử nghiệm hình CORR D RMSE CORR D RMSE hình CORR D RMSE CORR D RMSE M1 0.61 1.00 143.90 0.70 0.96 121.70 M1 0.68 1.00 167.90 0.64 0.95 148.70 M2 0.65 1.00 137.50 0.80 0.96 102.70 M2 0.78 1.00 144.60 0.53 0.89 170.60 M3 0.76 1.00 117.60 0.73 0.97 116.20 M3 0.86 1.00 117.40 0.50 0.91 175.00 M4 0.92 1.00 70.80 0.79 1.07 103.60 M4 0.95 1.00 70.60 0.57 0.90 170.00 M5 0.97 1.00 46.70 0.19 1.02 250.00 M5 0.99 1.01 39.10 0.46 0.90 187.50 22 KHOA H C K THU T TH Y L I VÀ MÔI TR NG - S 60 (3/2018) Bảng Kết dự báo lượng mưa vụ tháng trạm Mơ hình Trạm Quỳ Châu Đào tạo Thử nghiệm CORR D RMSE CORR D RMSE Mơ hình Trạm Tương Dương Đào tạo Thử nghiệm CORR D RMSE CORR D RMSE M1 0.85 1.00 54.60 0.95 0.97 33.10 M1 0.82 1.00 44.60 0.95 1.03 35.10 M2 0.88 1.00 50.00 0.96 0.95 29.30 M2 0.85 1.00 41.20 0.94 1.07 38.10 M3 0.90 1.00 44.60 0.96 0.95 29.00 M3 0.90 1.00 35.40 0.95 1.05 35.60 M4 0.95 1.00 31.00 0.96 0.92 31.70 M4 0.95 1.00 23.40 0.95 1.10 39.40 M5 1.00 1.00 5.80 0.95 0.93 34.10 M5 1.00 1.00 4.90 0.94 1.09 40.20 Mơ hình Trạm Đơ Lương Đào tạo Thử nghiệm CORR D RMSE CORR D RMSE Trạm Vinh Mô hình CORR Đào tạo D RMSE Thử nghiệm CORR D RMSE M1 0.72 1.00 86.20 0.91 0.95 50.90 M1 0.81 0.82 94.00 0.80 0.89 84.10 M2 0.75 1.00 81.70 0.94 0.97 42.10 M2 0.83 1.00 84.70 0.86 0.91 70.70 M3 0.80 1.00 74.10 0.91 0.98 51.30 M3 0.89 1.00 69.90 0.88 0.91 66.80 M4 0.96 1.00 35.20 0.94 0.96 48.90 M4 0.97 1.00 36.70 0.89 0.95 60.00 M5 0.99 1.00 15.20 0.90 0.91 56.00 M5 1.00 1.00 14.70 0.86 0.98 65.70 Bảng Kết dự báo lượng mưa vụ tháng trạm Mơ hình Trạm Quỳ Châu Đào tạo Thử nghiệm CORR D RMSE CORR D RMSE Mơ hình Trạm Tương Dương Đào tạo Thử nghiệm CORR D RMSE CORR D RMSE M1 0.84 1.00 39.60 0.98 0.97 16.10 M1 0.79 1.00 33.60 0.95 1.05 24.20 M2 0.87 1.00 36.04 0.98 0.95 15.80 M2 0.84 1.00 29.90 0.96 1.08 24.60 M3 0.89 1.00 32.80 0.98 0.95 17.20 M3 0.86 1.00 27.80 0.94 1.06 25.50 M4 0.95 1.00 23.10 0.98 0.95 16.80 M4 0.94 1.00 18.90 0.94 1.10 28.60 M5 1.00 1.00 6.30 0.98 0.95 15.40 M5 0.99 1.00 5.54 0.96 1.11 27.30 Mơ hình Trạm Đơ Lương Đào tạo Thử nghiệm CORR D RMSE CORR D RMSE Mơ hình Trạm Vinh Đào tạo Thử nghiệm CORR D RMSE CORR D RMSE M1 0.71 1.00 70.54 0.93 0.99 32.9 M1 0.77 1.00 64.50 0.81 0.93 54.40 M2 0.76 1.00 64.34 0.92 0.98 33.8 M2 0.81 1.00 58.60 0.86 0.94 48.10 M3 0.80 1.00 49.30 0.91 0.95 35.5 M3 0.88 1.00 48.00 0.87 0.96 45.20 M4 0.94 1.00 29.10 0.95 0.94 30.4 M4 0.97 1.00 25.50 0.87 0.96 45.70 M5 1.00 1.00 4.60 0.92 0.93 36.8 M5 1.00 1.00 7.30 0.83 0.94 54.60 Theo tiêu đánh giá RMSE, CORR D cho thấy kết dự báo q trình đào tạo tất mơ hình trạm cao trình thử nghiệm, kết trình đào tạo mơ hình tất trạm có xu tăng dần từ mơ hình M1 đến mơ hình M5, mơ hình M5 có kết tốt Nhưng, kết q trình thử nghiệm lại có xu tăng dần từ M1 đến mơ hình M4, đến mơ hình M5 lại giảm mơ hình M4 có kết tốt KHOA H C K THU T TH Y L I VÀ MÔI TR Kết dự báo mơ hình dự báo LMV tháng trạm Quỳ Châu Tương Dương tốt tương đương nhau, sau đến Đơ Lương thấp trạm Vinh Kết dự báo mơ hình dự báo LMV tháng tháng trạm lại có khác biệt tương đối lớn, kết dự báo mơ hình trạm Quỳ Châu tốt sau trạm Tương Dương, trạm Đơ Lương thấp trạm Vinh NG - S 60 (3/2018) 23 Hình Kết dự báo lượng mưa vụ 1, tháng mơ hình M4 trạm Từ số liệu phân tích cho thấy mơ hình dự báo M4 trạm có kết dự báo tốt mơ hình khác Kết dự báo LMV 1, tháng mơ hình M4 thể hình sau: Từ kết hình cho thấy kết dự báo mơ hình M4 LMV tháng tất trạm thấp kết dự báo LMV tháng tương đương Kết dự báo mơ hình M4 trạm Quỳ Châu tốt sau đến trạm Tương Dương sau đến trạm Đơ Lương thấp trạm Vinh Từ phân tích kết dự báo mơ hình dự báo LMV trạm khu vực nghiên cứu, tác giả đề xuất mơ hình dự báo M4 với biến đầu vào LMV tháng, tháng (P(t-1), P(t-2), …, P(t5)) lịch để dự báo lượng mưa tháng, tháng năm so với lượng mưa có lịch sử mơ hình tốt có độ tin cậy cao để áp dụng cho khu vực nghiên cứu Kết dự báo LMV tháng trạm Quỳ Châu với mơ hình có kết cao (M4) thể hình sau: Hình Kết dự báo lượng mưa vụ tháng trạm Quỳ Châu (M4) 24 KHOA H C K THU T TH Y L I VÀ MÔI TR NG - S 60 (3/2018) Hình Kết dự báo lượng mưa vụ tháng trạm Quỳ Châu (M4) KẾT LUẬN Trong báo này, phương pháp ANFIS đề xuất công cụ dự báo LMV thay cho phương pháp thống kê truyền thống khác Để minh họa tính khả thi phương pháp ANFIS dự báo LMV, nhân tố dự báo LMV lịch sử chọn làm biến đầu vào để dự báo LMV tương lai trạm khí tượng vùng nghiên cứu Các mơ hình ANFIS dự báo LMV (1, tháng) đào tạo thử nghiệm Kết kiểm định mô hình thơng qua thơng số thống kê CORR, RMSE D cho thấy: mơ hình dự báo M4 với biến đầu vào P(t-1), P(t-2), …, P(t-5) có kết dự báo cao nhất; mơ hình dự báo LMV tháng có kết cao mơ hình dự báo LMV tháng; kết dự báo LMV cho trạm Tương Dương cao trạm Vinh thấp Kết nghiên cứu cho thấy mơ hình dự báo ANFIS với nhân tố dự báo LMV lịch sử áp dụng thành cơng có độ tin cậy cao để dự báo LMV (3 tháng) năm so với LMV có lịch sử cho khu vực nghiên cứu TÀI LIỆU THAM KHẢO PGS TS Phạm Việt Hòa (2007) "Giáo trình Quản lý cơng trình Thủy lợi" Nhà xuất Nơng nghiệp, Hà Nội Bacanli, U.; Firat, M.; Dikbas, F (2009) "Adaptive Neuro-Fuzzy Inference System for drought forecasting" Stoch Env Res Risk A, 23, 1143-1154 Banik, S.; Chanchary, F H.; Khan, K.; Rouf, R A.; Anwer, M (2008) "Neural network and genetic algorithm approaches for forecasting bangladeshi monsoon rainfall" 24-27 Dec 2008, 735-740 El-Shafie, A.; Jaafer, O.; Seyed, A (2011) "Adaptive neuro-fuzzy inference system based model for rainfall forecasting in Klang River, Malaysia" International Journal of Physical Sciences, 6, 2875-2888 Jang, J.-S R (1993) "ANFIS: adaptive-network-based fuzzy inference system" IEEE Transactions on Systems, Man, and Cybernetics, 23, 665-685 Jang, J.-S R.; Sun, C.-T.; Mizutani, E (1997) "Neuro-Fuzzy and Soft Computing" Prentice Hall: Englewood Cliffs, New Jersey, USA Nayak, D R.; Mahapatra, A.; Mishra, P (2013) "A Survey on Rainfall Prediction using Artificial Neural Network" International Journal of Computer Applications, 72, 32-40 Nayak, P C.; Sudheer, K P.; Rangan, D M.; Ramasastri, K S (2004) "A neuro-fuzzy computing technique for modeling hydrological time series" J Hydrol, 291, 52-66 Ying, H (2000) "Fuzzy Control and Modeling:Analytical Foundations and Applications" WileyIEEE Press KHOA H C K THU T TH Y L I VÀ MÔI TR NG - S 60 (3/2018) 25 Abstract: RESEARCH PROPOSAL FOR SEASONAL RAINFALL FORECASTING METHOD IN ORDER TO MAKE IRRIGATION PLAN S FOR CA RIVER BASIN In recent years, the climate change has been one of the hot issues that need a lot of attention of researchers, particularly those related to rainfall for planning for irrigation in order to raise the management efficiency of the irrigation systems’ operation The change in seasonal rainfall which directly affects the irrigation regime and the water source is the basic data for planning of irrigation systems The question is whether the changes in the amount of seasonal rainfall can be predicted with accuracy at acceptable levels In this article, the Adaptive Neuro-fuzzy Inference System (ANFIS) model has been proposed to develop a precipitation model for the Ca river basin Data for calculations were obtained at four representative meteorological stations in the Ca river basin from 1975 to 2014 Different seasonal rainfall forecast models were constructed with different input rainfall parameters, the predictive performance of these models is compared through statistical parameters to identify and propose models with the best prediction The results show that the M4 model gives the best and most reliable results for 3-month and 6-month seasonal rainfall forecasts for the study area Keywords: Seasonal rainfall, ANFIS model, Ca river basin Ngày nhận bài: 13/12/2017 Ngày chấp nhận đăng: 17/01/2018 26 KHOA H C K THU T TH Y L I VÀ MÔI TR NG - S 60 (3/2018) ... Hình Kết dự báo lượng mưa vụ 1, tháng mơ hình M4 trạm Từ số liệu phân tích cho thấy mơ hình dự báo M4 trạm có kết dự báo tốt mơ hình khác Kết dự báo LMV 1, tháng mô hình M4 thể hình sau: Từ kết hình. .. với lượng mưa có lịch sử mơ hình tốt có độ tin cậy cao để áp dụng cho khu vực nghiên cứu Kết dự báo LMV tháng trạm Quỳ Châu với mơ hình có kết cao (M4) thể hình sau: Hình Kết dự báo lượng mưa vụ. .. tính, báo tác giả lựa chọn phương pháp ANFIS để thiết lập mơ hình dự báo LMV thích hợp cho vùng nghiên cứu VÙNG NGHIÊN CỨU VÀ SỐ LIỆU Lưu vực sông Cả nằm vùng B ắc Trung B ộ, vùng hạ lưu sông Cả