document

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Huế, ngày 07-08/6/2019 DOI: 10.15625/vap.2019.00016 DỰ BÁO MỰC NƯỚC SÔNG MEKONG SỬ DỤNG LSTM VÀ DỮ LIỆU QUAN TRẮC THƯỢNG NGUỒN Trần Nguyễn Minh Thư1, Nguyễn Hồng Hải1, Phạm Trường An1 Khoa Công nghệ Thông tin Truyền thông, Đại học Cần Thơ tnmthu@ctu.edu.vn, ghaikstv@gmail.com, ancs21ps@gmail.com TĨM TẮT: Đồng sơng Cửu Long với hệ thống sơng ngịi kênh rạch chằng chịt nên tượng nước ngập triều cường thường xuyên xảy Mực nước sông không chịu ảnh hưởng thủy triều mà cịn nhiều yếu tố khác địa hình, mực nước nhiều yếu tố khí tượng thủy văn khác Hệ thống dự báo mực nước xây dựng nhằm giảm thiểu thiệt hại kinh tế có chuẩn bị đối phó với triều cường Mơ hình mạng LSTM (Long short-term memory networks) xây dựng dựa liệu mực nước trạm sông Mekong đặt Tân Châu, Châu Đốc, Vàm Nao Mỹ Thuận để dự báo mực nước Cần Thơ Tập liệu năm 2012-2015 dùng để huấn luyện mơ hình liệu năm 2016 dùng để kiểm tra đánh giá Để dự báo mực nước tiếp theo, liệu mực nước 24h trước sử dụng đầu vào mơ hình Kết thực nghiệm cho thấy kết dự báo có sai số tương đối thấp, giá trị RMSE trung bình h trạm đầu vào 4.956 cm, với trạm đầu vào 5.463cm Từ khóa: Mơ hình học sâu, mạng LSTM, dự báo mực nước I GIỚI THIỆU Hiện tượng nước ngập triều cường xuất mực nước hệ thống sông dâng cao phụ thuộc chủ yếu ảnh hưởng thủy triều biển Đông Những năm gần mực nước mùa lũ từ tháng đến tháng 11 sông Cửu Long ảnh hưởng thủy triều ngày triều cường mực nước dâng cao làm ngập đường giao thơng, cơng trình xây dựng, ruộng vườn nhiều tỉnh thành phố vùng, vào mùa cạn triều cường đẩy xâm nhập mặn theo triền sông vào sâu đất liền Những tượng ngày diễn thường xuyên ảnh hưởng nhiều yếu tố nước biển dâng, biến đổi khí hậu, q trình phát triển kinh tế… Từ gây nhiều ảnh hưởng tiêu cực đến đời sống sinh hoạt người dân gây nhiều thiệt hại hoạt động kinh tế vùng [1] Dự báo mực nước hệ thống sơng Cửu Long tốn cần phải có lời giải để phục vụ nhu cầu phát triển kinh tế vùng giảm mức độ ảnh hưởng ngập lụt đến sinh hoạt người dân vùng Để dự báo mực nước thuỷ triều người ta thường áp dụng phương pháp sau: phương pháp phân tích dựa vào số điều hồ thuỷ triều [2] phương pháp dự báo dựa máy học [5,6,7,8] Dựa vào số điều hoà, nghiên cứu Đặng Văn Tỏ [3] phân tích dự báo dao động mực nước biển Vũng Tàu Số liệu quan trắc hàng năm 2000 (8760 số liệu) trạm Vũng Tàu sử dụng để phân tích phương pháp bình phương tối thiểu Trong nghiên cứu này, 62 số điều hịa 34 thành phần có ý nghĩa 28 thành phần ý xác định dùng để dự báo cho tháng năm 2010 Tuy nhiên, số điều hòa dựa đặc điểm chu kỳ dao động thủy triều lực tác động hành tinh lên bề mặt thủy sử dụng để dự báo mực nước biển bị lỗi sai số 30% tính đến tác động lực hấp dẫn mặt trời mặt trăng mà khơng ý tới hiệu ứng khí tượng thuỷ văn[4] Khắc phục nhược điểm phương pháp số điều hồ, có số nghiên cứu áp dụng mơ hình mạng nơron nhân tạo (Artificial Neural Network - ANN) vào việc dự báo mực nước thủy triều Trong nghiên cứu mực nước trạm đo Cảng Boat Hillarys, Tây Úc vào năm 2004, Makarynskyya cộng sử dụng mạng nơron để dự báo biến đổi mực nước biển 24 tiếp theo, mực nước trung bình 12 giờ, ngày, ngày 10 ngày [5] Dữ liệu 12 năm từ tháng năm 1991 đến tháng 12 năm 2002 sử dụng để huấn luyện kiểm thử mô hình ANN Các kết thu cho thấy tính khả thi đánh giá thông số hệ số tương quan mực nước dự báo mực nước thực đo r (0.7-0.9), sai số quân phương (Root Mean Square Error - RMSE) khoảng 10% biên độ thủy triều số tán xạ SI (0.1-0.2) Vào năm 2009, với dự liệu đo trạm Cảng Boat Hillarys khoảng thời gian 1991-2001, giải thuật di truyền sử dụng để dự báo thay đổi mực nước biển Nghiên cứu chứng minh mơ hình Mạng nơ ron nhân tạo giải thuật di truyền hoạt động tốt coi phương án thay cho phân tích điều hòa [6] Trong nghiên cứu khác, Bang-Fuh Chen cộng [7] sử dụng mực nước trạm để huấn luyện mơ hình ANN nhằm dự báo mực nước trạm khác có chế độ thủy triều cho mực nước ven biển Mơ hình Kaohsiung (KH) - Manila (ML), sử dụng số liệu thủy triều năm 1994 (8757 giá trị mực nước) trạm KH làm liệu đầu vào, liệu đầu trạm ML, tập liệu chia nhiều phần để sử dụng cho huấn luyện kiểm thử mơ hình, đánh giá mơ hình hệ số tương quan r sai số quân phương (RME) kết r = 0.931, RME = 0.03-0.12 mét Bên cạnh nghiên cứu quốc tế, Việt Nam có nghiên cứu ứng dụng Deep Learning cho dự báo mực nước nghiên cứu [8] sử dụng mơ hình Deep Learning H20 để dự báo lưu lượng nước 10 ngày đổ hồ Hồ Bình Kết thực nghi m cho thấy mơ hình dự báo đế xuất có giá trị RMSE = 60.37 m3 s có chất luợng dự báo vuợt trọi so với phuong pháp học máy khác nhu máy vécto hỗ trợ, rừng ngẫu nhien, LASSO, cay định, k láng giềng gần Nhằm khắc phục hạn chế mơ hình ANN đối 120 DỰ BÁO MỰC NƯỚC SÔNG MEKONG SỬ DỤNG LSTM VÀ DỮ LIỆU QUAN TRẮC THƯỢNG NGUỒN với liệu chuỗi thời gian, mơ hình LSTM (Long short-term memory) ứng dụng để dự báo mực nước trạm Quang Phục Cửa Cấm, Hải Phòng [9] Trong nghiên cứu này, tác giả thiết lập mô hình để dự báo mực nước trước với sai số RMSE=0.177m cho trạm Quang Phục RMSE= 0.185 cho trạm Cửa Cấm Dữ liệu đầu vào cho mô hình LSTM mực nước thực đo trạm thuỷ văn trước với số lượng lớp ẩn 10, 20, 50 số lượng Epoch 10.000, 20.000 50.000 Trong nghiên cứu trên, phương pháp dự báo sử dụng số điều hòa trạm thủy văn bờ biển để dự báo mực nước thường có sai số lớn, đặc biệt thời kỳ mà ảnh hưởng triều cường nhỏ thời kỳ mùa lũ có nhiều nhiễu động mực nước yếu tố phi tuần hồn gió mùa, bão, áp suất… Đối với phương pháp sử dụng mơ hình ANN mơ phỏng, dự báo mực nước, nghiên cứu theo hướng đa dạng Tuy vậy, nghiên cứu chủ yếu để dự báo mực nước ven biển Tính chất thủy triều vùng biển ven bờ cửa sơng phức tạp mực nước triều hình thành tổ hợp sóng dài dạng sóng tiến sóng đứng bị biến dạng mạnh phản xạ, khúc xạ, tác động lực Corriolis, địa hình bờ biển Mực nước trạm sông ảnh hưởng trực tiếp thủy triều ven bờ vùng cửa sông truyền vào sơng cịn ảnh hưởng thêm nhiều yếu tố lực ma sát, cấu trúc đáy hình dạng lịng dẫn, hoạt động người Trong nghiên cứu này, mô hình mạng LSTM sử dụng để dự báo mực nước Cần Thơ sau (t + 6) dựa liệu mực nước 24 trước mà khơng cần có thêm thơng tin lượng mưa, số liệu địa hình tình hình sử dụng đất Hai kịch đưa để nghiên cứu so sánh, mực nước trạm Cần Thơ dự báo dựa vào mực nước trước mực nước trạm Cần Thơ dự báo dựa mực nước trạm Tân Châu, Châu Đốc, Vàm Nao Mỹ Thuận Các giả thiết thực nghiệm dựa liệu thực tế quan trắc khoảng thời gian 20112016 Phần viết tổ chức sau: đặc điểm liệu mực nước sông MeKong mơ hình mạng LSTM trình bày phần 2; thực nghiệm mơ hình đề xuất giới thiệu phần ba; cuối kết luận hướng phát triển nghiên cứu II DỰ BÁO MỰC NƯỚC BẰNG MƠ HÌNH MẠNG LSTM A Các đặc trưng liệu mực nước sông Cửu Long Sông Mêkông dài khoảng 4,900 km, bắt nguồn từ vùng núi cao tỉnh Thanh Hải, theo suốt chiều dài tỉnh Vân Nam (Trung Quốc), qua nước Myanma, Thái Lan, Lào, Campuchia trước vào Việt Nam đổ biển Đông Sông MêKong chảy vào Việt Nam chia làm nhánh sông Tiền sông hậu với chiều dài khoảng 270km đổ biển Đơng cửa nên cịn gọi sơng Cửu Long Trên sơng bố trí nhiều trạm đo đạc yếu tố thủy văn để phục vụ cho phát triển kinh tế vùng, có trạm thủy văn quan trắc đầy đủ yếu tố mực nước, lưu lượng, chất lơ lửng Tân Châu, Châu Đốc, Vàm Nao, Cần Thơ, Mỹ Thuận nằm tỉnh An Giang, Vĩnh Long Cần Thơ (xem Hình 1.) Đây liệu quan trắc mực nước trạm thủy văn đại diện cho 80% số trạm có hệ thống quan trắc Đồng sơng Cửu Long, liệu quan trắc hàng theo tiêu chuẩn ngành: 94 TCN 1-2003 “Quy phạm quan trắc mực nước nhiệt độ nước sơng” Hình Vị trí trạm thủy văn Mực nước sông thay đổi hàng ngày phụ thuộc biến thiên tuần hoàn lực hấp dẫn mặt trăng mặt trời lên vị trí bề mặt đất Sự thay đổi mực nước gọi thuỷ triều Mực nước triều cao Trần Nguyễn Minh Thư, Nguyễn Hồng Hải, Phạm Trường An 121 trình mặt nước dao động theo thời gian so với mốc cao độ quy ước Mực nước triều đo đơn vị độ dài mét (m) centimet (cm) Mỗi trị số mực nước triều ứng với thời điểm xuất tính phút Tùy thuộc vào vị trí địa lý khác mà chu kỳ dao động mực nước triều khác Có hai loại triều bán nhật triều nhật triều Với bán nhật triều, ngày có hai lần triều dâng lên hai lần triều rút, đó, nhật triều có lần triều lên lần triều xuống Ngồi hai loại cịn có loại triều hỗn hợp bán nhật triều không nhật triều khơng Khu vực có chế độ bán nhật triều không đều, hầu hết ngày tháng có có hai lần triều dâng hai lần triều rút số ngày có lần triều lên lần triều rút Mực nước trạm sông Mekong ảnh hưởng chủ yếu thủy triều biển Đông với mức độ ảnh hưởng khác tuỳ vào vị trí địa lý thay đổi theo chế độ bán nhật triều không Hàng năm, mực nước cao xuất vào cuối tháng đầu tháng 10 mực nước thấp xuất vào khoảng tháng 4, vào mùa lũ có trạm ảnh hưởng lũ thượng lưu có dao động triều biên độ nhỏ Dữ liệu mực nước quan trắc trạm đề cập tổ chức thành cột: cột thời điểm quan trắc với định dạng “dd mm yyyy HH:00”, cột mực nước quan trắc tương ứng trạm theo thời điểm cột Trị số mực nước tính “cm” biểu diễn độ cao mực nước sông so với mặt chuẩn quốc gia Khoảng thời gian lần quan trắc giờ, năm (365 ngày) trạm có 8760 trị số mực nước, tập liệu đầu vào có độ lớn năm với 43.848 dòng liệu Bảng trích liệu thu thập từ 0h ngày 31 12 2013 đến 4h ngày 31/12 2013 điểm Tân Châu, Châu Đốc, Vàm Nao, Cần Thơ Mỹ Thuận Bảng Dữ liệu mực nước quan trắc trạm sông Mekong STT Time TAN CHAU CHAU DOC VAM NAO CAN THO MY THUAN 31/12/2013 0:00 167 146 125 116 105 31/12/2013 1:00 162 141 124 140 133 31/12/2013 2:00 160 139 136 155 144 31/12/2013 3:00 164 144 157 151 142 31/12/2013 4:00 179 165 176 130 120 Nhằm phân tích mối tương quan mức triều trạm quan trắc được, diễn biến mực nước trạm năm 2012 thể Hình Thời gian bắt đầu mùa cạn vào tháng tháng thời kỳ mực nước xuống thấp mực nước thấp Với thơng tin quan trắc vào mùa cạn, mực nước trạm tương đồng khơng có chênh lệch nhiều mức triều Tuy nhiên, mùa lũ bắt, tháng có chênh lệch nhiều trạm: mực nước cao trạm đầu nguồn Tân Châu giảm dần xuống Châu Đốc, Vàm Nao, Cần Thơ thấp Mỹ Thuận Mực nước cao đạt đỉnh vào khoảng tháng 9, tháng 10 Tháng 11 mực nước bắt đầu rút dần tháng 12 mực nước trạm lại gần giống Điều cho thấy cần phải quan sát dự báo mực nước vào mùa mưa tháng đến tháng 12 để thành phố ứng phó với thay đổi phức tạp mực nước Hình Diễn biến mực nước trạm sông Cửu Long 122 DỰ BÁO MỰC NƯỚC SÔNG MEKONG SỬ DỤNG LSTM VÀ DỮ LIỆU QUAN TRẮC THƯỢNG NGUỒN B Mạng Long short-term memory (LSTM) Dữ liệu mực nước dạng liệu chuỗi thời gian, liệu mực nước thời điểm t phụ thuộc vào mực nước thời điểm t-1, t-2,… Để dự báo mực nước, mạng nơron hồi quy (Recurrent Neural Networks -RNN) [11] sử dụng thay cho mạng nơron thông thường Mạng nơron hồi quy mạng có trạng thái bên đưa trở lại đầu vào Nghĩa mạng tính tốn đầu thơng tin dự đốn đầu vào trước Trong RNN đầu vào kết hợp với phần tử lớp ẩn trước để tính giá trị phần tử lớp ẩn sau tính đầu Như kết từ q trình tính tốn trước “nhớ” cách kết hợp thêm phần tử ẩn trước để tăng độ xác cho dự đốn Tuy nhiên, mơ hình gặp khó khăn liên quan đến việc cập nhật trọng số lớp ẩn, mát đạo hàm xảy dẫn đến giá trị gradient ngày gần với giá trị Để giải vấn này, dạng mở rộng RNN, mơ hình LSTM (Long short-term memory đề xuất Hochreiter & Schmidhuber (1997) [10] Mô hình LSTM xem giải pháp tối ưu mạng nơron truyền thống khác xử lý vấn đề liên quan dự đoán chuỗi thời gian Mỗi nơron mơ hình LSTM bao gồm ba cổng: cổng quên (forget gate), cổng vào (input gate) cổng (output gate) mơ tả Hình Các cổng nơi sàng lọc thông tin qua nó, chúng kết hợp tầng mạng sigmoid phép nhân Tầng sigmoid cho đầu số khoảng [0, 1], mơ tả có thơng tin thơng qua Khi đầu có nghĩa khơng cho thơng tin qua cả, cịn có nghĩa cho tất thơng tin qua Cổng (gate) LSTM có tác dụng loại bỏ hay thêm vào thông tin cần thiết cho trạng thái tế bào Cổng (output gate) định số lượng nội dung ô nhớ hiển thị đầu khối Nội dung hiển thị phụ thuộc vào thông tin từ cổng vào (input gate) cổng quên (forget gate) Hình Cấu trúc LSTM nơron (Tham khảo internet) Bước mô hình LSTM định thơng tin cần loại bỏ từ trạng thái tế bào Quyết định đưa cổng quên (forget gate) Đầu vào cho bước ht-1 (giá trị đầu thời điểm t-1) xt (dữ liệu đầu vào), đầu ft số khoảng từ [0, 1] cho số trạng thái tế bào Ct-1 Công thức cổng quên (forget gate) tính sau: ft ( f ht-1 , xt + bf ) (1) Trong đó: hàm sigmoid, Wf bf trọng số bias cổng quên (forget gate) Bước định xem thông tin lưu vào trạng thái tế bào Việc gồm phần, sử dụng cổng vào (input gate) để định giá trị cần cập nhật Tiếp theo sử dụng hàm tạo véctơ cho giá trị Ct nhằm thêm vào cho trạng thái Trong bước tiếp theo, ta kết hợp giá trị lại để tạo cập nhật cho trạng thái Công thức thực cổng vào cập nhật trạng thái tế bào: it ( Ct tanh( t i ht-1 , xt + bi ) ft * Ct- c ht-1 , xt + bc ) it * t (2) (3) (4) Trong đó: hàm sigmoid, Wi bi trọng số bias cổng vào (input gate), Wc bc trọng số bias trạng thái tế bào, Ct-1 Ct trạng thái tế bào thời điểm t-1 t Ở bước cuối cùng, giá trị đầu (ht) định trạng thái tế bào muốn xuất (output gate, tiếp tục sàng lọc Đầu tiên, cần chạy hàm sigmoid để định phần trạng thái tế bào Trần Nguyễn Minh Thư, Nguyễn Hồng Hải, Phạm Trường An 123 muốn xuất Sau đó, đưa trạng thái tế bào qua hàm để co giá trị khoảng [-1, 1] nhân với đầu hàm sigmoid để giá trị đầu mong muốn ot ( ht ot o ht-1 , xt + bo ) (5) tanh(Ct ) (6) Trong đó: hàm sigmoid, Wo bo trọng số bias cổng (output gate) Chức nhớ có chọn lọc LSTM thực chế cổng (gate) giúp LSTM phù hợp để xử lý vấn đề liên quan đến dự đoán chuỗi thời gian so với mạng nơron truyền thống khác Mơ hình dự báo mực nước sơng dựa LSTM tận dụng tối đa chuỗi thời gian thông tin mực nước đo trạm để cải thiện độ xác mơ hình dự đốn III THỰC NGHIỆM VÀ ĐÁNH GIÁ A Thiết lập thơng số mơ hình mạng LSTM cho toán dự báo mực nước trạm Cần Thơ Để giải toán dự báo mực nước trạm Cần Thơ cho tiếp theo: t+1, t+2, t+3, t+4, t+5 t+6, liệu đầu vào mơ hình LSTM dựa mực nước đo trạm Tân Châu, Châu Đốc, Vàm Nao Mỹ Thuận 24 trước sử dụng mực nước đo trạm Cần Thơ 24 trước Mơ hình đề xuất với đầu vào cố định mực nước 24 trước đầu sau đó, thơng số tầng ẩn lựa chọn dựa thực nghiệm trình bày bảng Bảng Thơng tin tầng ẩn mơ hình đề xuất STT Thông số tầng ẩn RMSE tầng ẩn với 50 neuron, tốc độ học 0.001, hàm tối ưu Adam 31/12/2013 0:00 tầng ẩn với 100 neuron, tốc độ học 0.001, hàm tối ưu Adam tầng ẩn: tầng có 20 neuron tầng có neuron 50, tốc độ học 0.001, hàm tối ưu Adam tầng ẩn: tầng có 100 neuron tầng có neuron 10, tốc độ học 0.001, hàm tối ưu Adam tầng ẩn: tầng có 10 neuron tầng có neuron 100, tốc độ học 0.001, hàm tối ưu Adam 10.061 22.230 10.064 9.845 6.026 Với thực nghiệm trên, chúng tơi đề xuất mơ hình báo mực nước dựa LSTM bao gồm tầng: tầng đầu vào (input layer), tầng ẩn (hidden layer 1, hidden layer 2) tầng đầu (output layer) Thông tin tầng đầu vào thay đổi tuỳ theo kịch thử nghiệm Thông tin tầng ẩn thứ gồm 10 neuron (m=10), tầng ẩn thứ gồm 100 neuron (n=100) Tầng đầu (Output layer) vector có độ dài 6, kết dự báo mực nước trạm Cần Thơ (t+1, t+2, t+3, t+4, t+5, t+6) Dựa vào đặc điểm địa lý trạm Cần Thơ so với trạm Tân Châu, Châu Đốc, Vàm Nao Mỹ Thuận, đề xuất mơ hình dự báo mực nước trạm Cần Thơ dựa vào thông tin mực nước trạm trước Với mơ hình này, chúng tơi sử dụng mực nước 24 trước để dự báo mực nước cho giờ, giờ, giờ, giờ, sau Và để khẳng định đề xuất dự báo trạm dựa trạm liên quan so với dự báo mực nước trạm dựa thơng tin trạm hiệu quả, chúng tơi thử nghiệm mơ hình với liệu mực nước đo trạm Cần Thơ 24 trước để dự báo mực nước cho giờ, giờ, giờ, giờ, sau Thực nghiệm sử dụng gói thư viện Tensorflow Google, gói Keras để xây dựng mơ hình dự báo Tập liệu thu thập có độ lớn năm với 43.848 dòng liệu, tập liệu chia làm phần, liệu từ năm 2012-2015 dùng để huấn luyện mơ hình tìm tham số tốt liệu năm 2016 dùng để kiểm tra đánh giá mơ hình Để đánh giá hiệu mơ hình dự báo, số Root Mean Squared Error - RMSE sử dụng để đánh giá độ xác so sánh với mơ hình, giải thuật khác: ̂ i) RMSE= √ ∑ni=1 (Oi - O n Trong đó: (7) , ̂ giá trị thực đo giá trị dự báo mẫu thứ i tương ứng Mô hình dự báo cho kết tốt RMSE nhỏ B Kết dự báo mực nước Cần Thơ Với số lượng nơron tầng ẩn 10, tầng ẩn 100, tốc độ học 0.001 hàm tối ưu Adam, hàm loss MSE mơ hình LSTM đề xuất, thay đổi số trạm đầu vào giá trị Epoch, sai số dự báo cho trình bày bảng Song song với việc đánh giá sai số mực nước dự báo mơ hình đề xuất, chúng tơi cài đặt mơ hình hồi quy với tập liệu thực nghiệm để kiểm tra hiệu mơ hình đề xuất so với giải thuật máy học khác Kết cho thấy mơ hình đề xuất thực hiệu với tập liệu thực nghiệm Cũng với kết này, sử dụng Epoch = 10000 cho thực nghiệm 124 DỰ BÁO MỰC NƯỚC SÔNG MEKONG SỬ DỤNG LSTM VÀ DỮ LIỆU QUAN TRẮC THƯỢNG NGUỒN Bảng Sai số mực nước dự báo mơ hình LSTM hồi quy Giải thuật LSTM Cây hồi quy Số Epoch 1000 5000 10000 Max_depth 10 15 RMSE (cm) Đầu vào: trạm Cần Thơ 6.708 6.166 5.463 Đầu vào: trạm 8.095 6.026 4.956 19.639 11.660 12.064 21.925 14.506 14.955 Với mơ hình đề xuất, giá trị sai số trung bình cho dự báo mực nước trạm Cần Thơ thời điểm t+1, t+2, t+3, t+4, t+5, t+6 với mơ hình sử dụng đầu vào trạm RMSE = 4.956 cm trạm (thông tin trạm Cần Thơ) RMSE = 5.463 cm Thơng tin sai số chi tiết cho thể hình với hình bên trái trạm đầu vào bên phải trạm đầu vào Kết thu cho thấy đề xuất nghiên cứu thực hiệu sử dụng thông tin trạm trước để dự báo cho mực nước Cần Thơ Và qua biểu đồ ta thấy được, thời gian dự báo xa sai số tăng Hình Phân tích ảnh hưởng mùa kết dự báo Với giá trị sai số RMSE thời điểm t+3 có giá trị 0.05m cho trạm đầu vào 0.048m cho trạm đầu vào, mơ hình chứng tỏ hiệu mơ hình đề xuất tác giả Lê Xuân Hiền Hồ Việt Hùng [7] dự báo mực nước Hải Phịng sử dụng mơ hình LSTM Hình Mực nước thực tế mực nước dự báo năm 2016 Để tìm hiểu chi tiết chênh lệch giá trị dự báo giá trị thực tế, biểu đồ hình hình minh hoạ cụ thể sai khác Hình hiển thị mực nước dự báo mực nước thực tế hàng năm 2016 (8760 điểm liệu) Hình hiển thị kết ngày năm 2016, giúp cho việc quan sát, đánh giá kết chênh lệch dễ dàng Kết cho thấy, mô hình hoạt động tốt nơi thay đổi mực nước cách đột ngột, giá trị sai số cho dự báo mực nước trường hợp khơng tăng cao so với điểm liệu cịn lại Trần Nguyễn Minh Thư, Nguyễn Hồng Hải, Phạm Trường An 125 Hình Mực nước thực tế mực nước dự báo ngày năm 2016 Với quan sát phân tích liệu quan trắc hàng năm mùa lũ bắt đầu, mực nước có chênh lệch nhiều trạm Chúng đánh giá kết dự báo theo tháng năm 2016 để xem mơ hình huấn luyện có đáp ứng tốt với việc thay đổi thời tiết (mưa) hay triều cường Kết hiển thị hình 8, bên trái mơ hình sử dụng liệu mực nước trạm Cần Thơ để dự báo cho trạm Cần Thơ, mơ hình bên phải sử dụng thông tin trạm Tân Châu, Châu Đốc, Vàm Nao Mỹ Thuận để dự báo mực nước trạm Cần Thơ Kết cho thấy vào thời điểm tháng đến tháng sai số ổn định mức cao thời điểm tháng cuối năm, liệu mực nước chênh lệch cao trạm mơ hình sử dụng trạm trước để dự báo cho trạm Cần Thơ đạt sai số thấp Điều khẳng đinh, thay đổi hay chuyển giao thời tiết tháng nhiều ảnh hưởng đến kết dự báo sử dụng mơ hình đề xuất Hình Phân tích ảnh hưởng mùa kết dự báo IV KẾT LUẬN Biến đổi khí hậu ngày diễn biến phức tạp, việc dự báo xác mực nước vùng đồng sông Cửu Long giúp cho việc ứng phó thực hiệu giảm thiểu thiệt hại kinh tế vùng Trong nghiên cứu này, chúng tơi đề xuất mơ hình LSTM để dự báo mực nước trạm Cần Thơ dựa vào thông tin mực nước 24 trước đo trạm Tân Châu, Châu Đốc, Vàm Nao Mỹ Thuận Kết cho thấy sai số tương đối thấp ổn định, RMSE = 5.6 cho dự báo sử dụng thông tin đầu vào mực nước trạm Giá trị sai số tốt so với số nghiên cứu đề cập đến phần phân tích nghiên cứu có liên quan Để chứng minh mơ hình hoạt động tốt, giải thuật hồi quy, mơ hình LSTM với đầu vào liệu mực nước trạm thực nghiệm so sánh, đánh giá Nghiên cứu thực nghiệm việc đáp ứng mơ hình trường hợp liệu có thay đổi đột ngột thời điểm khác năm Mặc dù, khơng có quy tắc cụ thể cho việc lựa chọn thông số mô tốc độ học, số lượng tầng ẩn, số lượng Epoch cấu trúc mơ hình Việc lựa chọn thơng số dựa vào q trình thử đánh giá sai số Nhưng mạng nơron nhân tạo chứng tỏ ưu điểm đơn giản hiệu với mơ hình thủy văn, thủy lực, mơ hình mạng LSTM giải pháp tốt cho việc dự báo mực nước theo thời gian thực Dữ liệu sử dụng đánh giá có năm 2016, tương lai, thu thập liệu mực nước trạm năm 2018 để kiểm thử đánh giá hiệu dự báo thích nghi mơ hình theo thời gian Bên cạnh đó, mơ hình chưa thể đặc điểm khơng gian, trễ dòng chảy trạm, mối liên quan mật thiết 126 DỰ BÁO MỰC NƯỚC SÔNG MEKONG SỬ DỤNG LSTM VÀ DỮ LIỆU QUAN TRẮC THƯỢNG NGUỒN sử dụng để cải tiến độ xác mơ hình Song song đó, mơ hình cần cải tiến để tăng thời gian dự báo sớm dự báo cho 24 tiếp theo, dự báo tuần để có ứng phó tốt biến đổi phức tạp khí hậu TÀI LIỆU THAM KHẢO [1] Trần Thục, Koos Neefjes, Tạ Thị Thanh Hương ctv, 2015 IMHEN UNDP Báo cáo đặc biệt Việt Nam Quản lý rủi ro thiên tai tượng cực đoan nhằm thúc đẩy thích ứng với biến đổi khí hậu, NXB Tài Nguyên - Môi trường Bản đồ Việt Nam, Hà Nội, Việt Nam [2] Phạm Văn Huấn Hoàng Trung Thành, “Sơ đồ chi tiết phân tích điều hịa thủy triều”, Tạp chí Khoa học Tự nhiên Cơng nghệ Số 25: 66-75, 2009 [3] Đặng Văn Tỏ, “Phân tích dự báo dao động mực nước” Tạp chí phát triển khoa học công nghệ tập 11 số 4: 19-27, , 2008 [4] D Makarynska, O Makarynskyy, “Predicting sea-level variations at the Cocos (Keeling) Islands with artificial neural networks”,, Computers & Geosciences, số 34, pp 1910-1917, 2008 [5] O Makarynskyy, D Makarynska, M Kuhn, W.E Featherstone., “Predicting sea level variations with artificial neural networks at Hillarys Boat Harbour, Western Australia.”, Estuarine, Coastal and Shelf Science, vol 61, pp 351-360, 2004 [6] Mohammad Ali Ghorbani, Rahman Khatibi, Ali Aytek, Oleg Makarynskyy and Jalal Shiri, 2010 Sea water level forecasting using genetic programming and comparing the performance with Artificial Neural Networks Computers & Geosciences 36: 620–627 [7] Bang-Fuh Chen, Han-Der Wang and Chih-Chun Chu, 2007 Wavelet and artificial neural network analyses of tide forecasting and supplement of tides around Taiwan and South China Sea Ocean Engineering 34: 2161–2175 [8] Truong Xuan Nam, Nguyễn Thanh Tùng, “Deep Learning: ứng dụng cho dự báo lưu lượng nước đến hồ chứa Hồ Bình”, Kỷ yếu Hội nghị Quốc gia lần thứ XII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), pp 119-124, 2016 [9] Lê Xuân Hiền, Hồ Việt Hùng, “Ứng dụng mạng long short-term memory (LSTM) để dự báo mực nước trạm Quang Phục Cửa Cấm, Hải Phòng, Việt Nam, Khoa học kỹ thuật thuỷ lợi môi trường, số 62, pp 9-15, 9/2018 [10] Sepp Hochreiter and Jürgen Schmidhuber 1997 Long Short-Term Memory Neural Computation vol 9, Issuse 8, pp.1735-1780, November 1997 [11] Felix A Gers , Nicol N Schraudolph , Jürgen Schmidhuber, Learning precise timing with lstm recurrent networks, The Journal of Machine Learning Research, 3, p.115-143, 3/1/2003 FORECASTING THE WATER LEVEL OF THE MEKONG RIVER BY USING LSTM AND THE INFORMATION OF MONITORING UPSTREAM Tran Nguyen Minh Thu, Nguyen Hong Hai, Pham Truong An ABSTRACT: Due to Mekong Delta with a complex system of rivers and canals, the phenomenon of high-tide flooding often occur The river level is not only influenced by tide but also influenced by many other factors such as topography, base water level and many other hydrological elements Forcast of water level in the Mekong river system is built to minimize economic losses and to face flood tide Long short-term memory is constructed based on the water level of stations on the Mekong River located in Tan Chau, Chau Doc, Vam Nao and My Thuan to forecast water levels in Can Tho The 2012-2015 dataset is used to train model and the 2016 dataset is used to test and to evaluate To forecaste water level for hours later, the water level of 24 hours before is used The experimental results showed that the predicted value has a low error, RMSE = 4.956 cm with the water level of input stations and RMSE = 5.463cm with the water level of input station