Dự báo mực nước tại trạm Khánh An, tỉnh An Giang bằng mô hình học sâu LSTM ( Long short - Term memory)
Tóm tắt
Dự báo mực nước là một công cụ quan trọng trong quản lý tài nguyên nước, đặc biệt đối với các vùng chịu ảnh hưởng mạnh của lũ lụt vào mùa mưa và khan hiếm nước vào mùa khô như khu vực đồng bằng sông Cửu Long (ĐBSCL). Tại đây, diễn biến mực nước có tính chu kỳ rõ rệt, chịu tác động đồng thời từ chế độ triều và dòng chảy thượng nguồn nên đòi hỏi các phương pháp dự báo có khả năng xử lý dữ liệu chuỗi thời gian phi tuyến và vượt trội hơn so với phương pháp truyền thống. Nghiên cứu này áp dụng mô hình học sâu LSTM (Long Short - Term Memory) để dự báo mực nước tại trạm Khánh An, tỉnh An Giang, nơi có vị trí quan trắc quan trọng trong hệ thống thủy văn sông Hậu. Hai kịch bản được thiết lập, sử dụng chuỗi dữ liệu đầu vào 24 giờ và 48 giờ để dự báo mực nước 6 giờ tiếp theo và quá trình huấn luyện được thực hiện với các giá trị epochs khác nhau (50, 100, 200, 300). Kết quả cho thấy mô hình đạt hiệu quả tốt nhất với dữ liệu đầu vào 48 giờ và 300 epochs, khi sai số bình phương trung bình trên tập kiểm tra (RMSE) đạt 6,894 và hệ số R² lên đến 0,997. Mô hình mô phỏng tốt các thời điểm cực trị và là công cụ hiệu quả dự báo mực nước theo mùa tại trạm Khánh An. Mô hình có tiềm năng ứng dụng rộng rãi trong cảnh báo lũ và quản lý hạn hán tại những khu vực chịu ảnh hưởng bởi biến đổi khí hậu và biến động dòng chảy như vùng ĐBSCL nói chung, tỉnh An Giang nói riêng.
Từ khóa
Dự báo mực nước
mô hình học máy
LSTM
Khánh An
Tài liệu tham khảo
- Phạm Thị Huyền Trang và Trương Văn Tuấn (2016). Lũ lụt ở ĐBSCL: Nguyên nhân và giải pháp. Tạp chí Khoa học Đại học Sư phạm TP. Hồ Chí Minh, số 3 (81).
- Đài Khí tượng Thủy văn tỉnh An Giang. Kiến thức thủy văn.
- Lưu Văn Ninh và Nguyễn Minh Giám (2017). Đặc điểm khí hậu tỉnh An Giang. Tạp chí Khí tượng Thủy văn, số tháng 12.
- Mekanik, F., Imteaz, M. A., Gato-Trinidad, S., và Elmahdi, A. (2013). Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes. Journal of Hydrology, 503, 11–21. https://doi.org/10.1016/j. jhydrol.2013.08.035.
- Trần Nguyễn Minh Thư, Nguyễn Hồng Hải và Phạm Trường An. (2019). Dự báo mực nước sông Mekong sử dụng LSTM và dữ liệu quan trắc thượng nguồn. Hội nghị khoa học công nghệ quốc gia lần thứ XII (FAIR). https://doi.org/10.15625/vap.2019.00016.
- Atashi, V., Gorji, H. T., Shahabi, S. M., Kardan, R., & Lim, Y. H. (2022). Water Level Forecasting Using Deep Learning Time-Series Analysis: A Case Study of Red River of the North. Water, 14 (12), 1971. https://doi. org/10.3390/w14121971.
- Minwoo Cho, Changsu Kim, Kwanyoung Jung và Hoekyung Jung (2022). Water Level Prediction Model Applying a Long Short-Term Memory (LSTM)–Gated Recurrent Unit (GRU) Method for Flood Prediction. Water, 14 (14), 2221 https://doi.org/10.3390/ w14142221.
- Yu Liu, Hao Wang, Wenwen Feng & Haocheng Huang. (2021). Short Term Real-Time Rolling Forecast of Urban River Water Levels Based on LSTM: A Case Study in Fuzhou City, China. Environmental Research and Public Health.
- Lê Xuân Hiền và Hồ Việt Hùng (2018). Ứng dụng mạng LSTM để dự báo mực nước tại trạm Quang Phục và Cửa Cấm, Hải Phòng, Việt Nam. Tạp chí Khoa học kỹ thuật thủy lợi và môi trường, số 62 (9/2018).
- Hồ Việt Hùng (2021). Dự báo mực nước sông Cấm, TP. Hải Phòng bằng mô hình Mạng nơ-ron LSTM. Tạp chí Khoa học và Công nghệ thủy lợi, số 64 – 2021.
- Punyanuch Borwarnginna, Jason H. Hagab và Worapan Kusakunniran (2022). Predicting river water height using deep learning-based features. ICT Express, 8 (4). https://doi.org/10.1016/j. icte.2022.03.012.
- Dongfeng Ren, Qian Hu và Tengda Zhang (2025). EKLT: Kolmogorov-Arnold attention-driven LSTM with Transformer model for river water level prediction. Journal of Hydrology, 649 (2025). https:// doi.org/10.1016/j.jhydrol.2024.132430.
Tài trợ / Acknowledgment
Trường Đại học An Giang, Đại học Quốc gia TP. Hồ Chí Minh
Các bài viết khác trong số này
- Nghiên cứu xử lý nước thải dệt nhuộm bằng phương pháp keo tụ kết hợp Fenton điện hóa Trang 001-009
- Thiết lập bộ chỉ số đánh giá an ninh nguồn nước đô thị tại thành phố Đà Nẵng bằng phương pháp phân tích quá trình (PAM) Trang 013-016
- Giải pháp quản lý dòng thải từ hoạt động nuôi và chế biến cá lóc của nông hộ theo mô hình sinh thái khép kín Trang 017-023
- Khả năng phân hủy PAHs bằng mô hình ủ hiếu khí bổ sung Bacillus subtilis Trang 024-032
- Đánh giá rủi ro sinh thái một số kim loại trong trầm tích tại khu vực ven biển thành phố Hải Phòng Trang 033-040
- Xử lý bùn đáy ao nuôi cá tra bằng trùn quế (Perionyx Excavatus): Tối ưu hóa quá trình phân giải hữu cơ tạo phân bón hữu cơ và sinh khối trùn Trang 041-049
- PAHs và một số chất hữu cơ trong bùn kênh rạch TP. Hồ Chí Minh Trang 050-056
- Ước tính phát thải các chất ô nhiễm không khí và các tác nhân gây biến đổi khí hậu từ hoạt động đun nấu dân sinh tại Hà Nội Trang 057-066