1.2. Tổng quan về dự báo thuỷ văn hạn vừa trong và ngoài nước
1.2.1 Trên thế giới
Nghiên cứu dự báo thủy văn hạn vừa trên thế giới hiện nay vẫn là một đề tài hấp dẫn các nhà khoa học, đặc biệt là vấn đề làm thế nào để nâng cao chất lượng và thời gian dự kiến. Các phương pháp dự báo hạn vừa có thể được chia thành các nhóm chính như sau:
- Nhóm phương pháp hồi quy: Xây dựng mối quan hệ dòng chảy theo các thời kỳ dự báo với các yếu tố khí hậu, thủy văn. Hệ các phương trình hồi quy mô tả các mối quan hệ giữa các yếu tố khí hậu như mưa, nhiệt độ, bốc hơi, các hồn lưu khí quyển, cao áp Thái Bình Dương, diễn biến mực nước biển qua chỉ số ENSO đã được đưa vào phân tích dự báo với lượng trữ nước trong sông, lượng trữ nước thời kỳ đầu mùa, lượng trữ nước trong thời kỳ cuối mùa, lưu lượng dòng chảy của từng thời đoạn được nghiên cứu và phân tích ứng dụng trong các dự báo.
- Nhóm các phương pháp nhận dạng, tương tự, thống kê khách quan và xác suất: Dựa trên tính chất ngẫu nhiên của các đại lượng dòng chảy, mức độ định lượng của chúng theo không gian và thời gian sẽ tuân theo các quy luật ngẫu nhiên. Phương pháp thống kê xác định mối quan hệ, đánh giá sự xuất hiện cũng như tần suất xuất hiện và đánh giá sự biến động của dòng chảy và các cực trị của chúng theo không gian và thời gian qua các tham số thống kê cơ bản.
Chen và Chang [15] đã áp dụng mơ hình mạng trí tuệ nhân tạo với thuật tốn Thuyết Tiến Hóa – EANN (Evolutionary Algorithms Nueral Network) vào dự báo dòng chảy 10 ngày đến hồ chứa Shihmen thuộc lưu vực sơng Tanshui của Đài Loan. Mơ hình EANN sử dụng thuật tốn Thuyết Tiến Hóa để tìm và xây dựng mạng nơ ron thần kinh, các trọng số kết nối một cách tự động. Mơ hình EANN thực chất là một quá trình lai ghép bao gồm việc sử dụng thuật toán giải đoán gen (GA – Genetic Algorithm) với thuật toán Leo Dốc - SCGA (Scaled conjugate Gradient Algorithm) để dị tìm và tối ưu hóa mạng nơ ron cùng với việc xác định các trọng số kết nối. Kết quả dự báo của mơ hình EANN là tốt hơn rất nhiều so với mơ hình AR và ARMAX (mơ hình cải tiến của ARMA). Việc sử dụng mơ hình EANN đã một phần nào đó khắc
phục được nhược điểm cố hữu của mơ hình mạng trí tuệ nhân tạo (ANN) trong việc tìm ra mạng nơ ron phù hợp và tiết kiệm thời gian tìm kiếm.
Renji và cộng sự [15] đã nghiên cứu xây dựng một mơ hình Lai ghép (Hybrid Mdelling) trên cơ sở tích hợp hàm Gamma, hàm chuyển đổi dạng sóng (wavelet transformation - WT) với mô hình mạng trí tuệ nhân tạo với thuật toán tối ưu tập mờ (Adaptive neuro-fuzzy inference system - ANFIS). Trong đó, hàm Gamma sẽ được dùng để kiểm tra và lựa chọn các biến đầu vào và độ dài của các biến đầu vào, hàm chuyển đổi dạng sóng WT được dùng để chuyển các tín hiệu đầu vào thành các băng tần khác nhau sau đó dùng mơ hình ANFIS để mơ hình hóa các tín hiệu đầu vào đã được chuyển đổi thành tín hiệu đầu ra là dịng chảy. Mơ hình lai ghép này đã được áp dụng cho lưu vực sông Brue ở Tây Nam nước Anh. Kết quả thu được rất tốt. Sự thành công của mơ hình cịn mở ra một hướng mới trong dự báo thủy văn đó là các mơ hình lai ghép với các kỹ thuật lựa chọn biến đầu vào, kết hợp với việc chuyển đổi tín hiệu bằng nhiều phương pháp khác nhau ví dụ như hàm Sigmois, hàm Instain,… và các dạng mơ hình mạng trí tuệ nhân tạo ANN sử dụng các thuật toán tối ưu khác nhau như thuật toán quét ngược (BPNN), tập mờ (ANFIS) như trong nghiên cứu này, thuật toán Giải đoán Gen (GA),…
- Nhóm phương pháp mơ hình tốn: thiết lập các phương trình tốn học mơ tả mối quan hệ giữa các nhân tố ảnh hưởng hình thành nên dịng chảy. Thời gian dự báo của phương pháp mơ hình tùy thuộc vào thời gian dự báo định lượng mưa. Tuy nhiên, với sự phát triển về chất lượng và thời gian dự báo định lượng mưa, nhóm các phương pháp mơ hình sẽ là cơng cụ có nhiều triển vọng trong dự báo dòng chảy hạn vừa và hạn dài hiện nay.
Việc mở rộng áp dụng các mô hình thủy văn thơng số phân bố dựa trên cơ sở tận dụng các thông tin từ viễn thám và GIS kết hợp với kết quả dự báo mưa từ các mơ hình số trị dự báo thời tiết như MM5, RAMS, HRM, BOLAM, v.v… đã trở nên rất phổ biến và hiệu quả. Có thể kể đến một số mơ hình đã và đang được sử dụng rộng rãi trên thế giới như:
- Mơ hình thủy văn mơ phỏng dịng chảy từ mưa: Các mơ hình thơng số tập trung HEC-HMS, SSARR, TANK, NAM..; các mô hình thơng số phân phối như MARINE, WETSPA,... Các mơ hình này đã và đang ngày càng
được phát triển với cơ sở lý thuyết chặt chẽ hơn, giao diện mơ hình thân thiện và dễ sử dụng.
- Cùng với đó các mơ hình thủy lực 1 chiều, 2 chiều mơ phỏng tính tốn dịng chảy trong hệ thống sơng và ngập lụt cũng được phát triển mạnh mẽ, có thể kể đến một số mơ hình như: Mơ hình HEC (HEC–3, HEC-RAS), mơ hình MIKE (Mơ hình MIKE–BASIN, MIKE-11, MIKE-FLOODWATCH, MIKE21)....
Gouweleew và cộng sự đã tiến hành nghiên cứu tích hợp mơ hình số bán thống kê dự báo thời tiết hạn vừa ECMWF vào mơ hình thủy văn thơng số phân bố LISFLOOD để dự báo dịng chảy cho sơng Meuse và Rhine của Đức. Mơ hình thời tiết ECMWF là mơ hình tồn cầu có khả năng đưa ra dự báo thời tiết với thời gian dự kiến lên tới 10 ngày. Tuy nhiên độ phân giải của mô hình này tương đối thưa (80km) với 40 tầng theo chiều thẳng đứng. Mơ hình LISFOOD mơ phỏng cho lưu vực sơng nghiên cứu có độ phân giải 1km; trong khi mạng lưới sông suối được xây dựng từ DEM 75m thì các bản đồ hiện trạng sử dụng đất được xây dựng từ dữ liệu của CORIN có độ phân giải 1km, được cập nhập thêm thơng tin từ bản đồ giấy có độ phân giải 100m. Số liệu đầu vào mơ hình LISFLOOD chính là kết quả dự báo mưa, nhiệt độ và độ ẩm của mơ hình khí tượng, ngồi ra cịn có dữ liệu địa hình, hiện trạng sử dụng đất, loại đất, chỉ số lá LAI (Leaf Area Index), và chiều sâu của đất cũng cần phải đưa vào cho lưu vực nghiên cứu.