Thanh bên bài viết
Ngày xuất bản:
13/03/2025
Số lượt xem tóm tắt: 2
Số lượt xem PDF: 0
Số lượt xem PDF: 0
Số xuất bản
Chuyên mục
Articles
Trích dẫn bài báo
Vũ, V. L., Vũ, M. C., & Bùi, D. D. (2025). NGHIÊN CỨU ỨNG DỤNG MÔ HÌNH HYBRID (HYPE - RF) TRONG HIỆU CHỈNH DÒNG CHẢY VỀ HỒ CHỨA PLEIKRONG. Tạp chí Khoa học kỹ thuật Thủy lợi và Môi trường, 96, 123-130. https://thuyloi.vojs.vn/index.php/tlmt/article/view/21
NGHIÊN CỨU ỨNG DỤNG MÔ HÌNH HYBRID (HYPE - RF) TRONG HIỆU CHỈNH DÒNG CHẢY VỀ HỒ CHỨA PLEIKRONG
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu này đề xuất phương pháp kết hợp giữa mô hình thủy văn HYPE và thuật toán học máy Random Forest (RF) nhằm hiệu chỉnh sai số dòng chảy mô phỏng tại lưu vực hồ chứa Pleikrong, tỉnh Kon Tum. Mô hình HYPE được sử dụng để mô phỏng dòng chảy theo bước thời gian ngày và giờ, dựa trên dữ liệu khí tượng, thủy văn và viễn thám. Sai số giữa dòng chảy mô phỏng và thực đo được huấn luyện bởi mô hình RF để tối ưu kết quả đầu ra. Kết quả cho thấy mô hình lai HYPE–RF cải thiện đáng kể độ chính xác mô phỏng, với các chỉ số NSE, CC và KGE đều tăng rõ rệt. Cụ thể, NSE tăng từ 0.54 lên 0.80 đối với chuỗi dòng chảy ngày, và từ 0.45 lên 0.83 đối với chuỗi dòng chảy thời đoạn giờ. Phương pháp đề xuất cho thấy tiềm năng lớn trong ứng dụng cho các hệ thống dự báo thủy văn chính xác, đặc biệt trong điều kiện thiếu dữ liệu quan trắc.
Chi tiết bài viết
Từ khóa
Hiệu chỉnh sai số, HYPE, Random Forest, mô hình lai, dòng chảy, học máy, Pleikrong
Tài liệu tham khảo
Bằng, N. L. (2020). Nghiên cứu đánh giá sản phẩm mưa từ nhiệm vụ đo mưa toàn cầu (GPM) cho miền Bắc Việt Nam. Khoa học kỹ thuật Thủy Lợi và Môi trường, 110-115.
Lan.V.V, Cat.V.M, Duong.B.D. (2024). Đánh giá khả năng sử dụng dữ liệu mưa vệ tinh để mô phỏng dòng chảy bằng mô hình thủy văn HYPE, áp dụng cho lưu vực sông Sê San. Tạp chí Khoa học tài nguyên và môi trường, 3-12.
A. Mosavi, et al. (2020). Flood prediction using machine learning models: A revie. Water, 1427.
Abrahart et al. (2004). Neural network modelling of nonlinear hydrological relationships. Hydrology and Earth System Sciences, 478–486.
Arheimer, B et al. (2020). Prolonged experience of large-scale hydrological modelling in Sweden: HYPE model development and applications. Hydrology Research, 20–38.
B. Arheimer, C. Donnelly, and G. Lindström. (2020). Large-scale hydrological modelling in Sweden. Hydrology Research, 20–38.
Beven, K. (2012). Rainfall–Runoff Modelling. Wiley-Blackwell.
Breiman. (2001). Random Forests. Machine Learning, 5–32.
Dawson et al . (2001). Hydrological modelling using artificial neural networks. Progress in Physical Geography, 80–108.
Fang et al. (2022). Combining physically-based models and machine learning for hydrologic prediction: Current progress and challenges. Water Resources Research, 58.
K. Beven and A. Binley. (1992). The future of distributed models. Hydrological Processes, 279–298.
Kratzert et al. (2019). Towards learning universal, regional, and local hydrological behaviors via machine learning. Hydrology and Earth System Sciences, 5089–5110.
Lindström, G et al. (2010). Development and testing of the HYPE hydrological model: A water quality model for different spatial scales. Hydrology Research, 295–319.
Liu et al. (2017). Correction of SWAT-simulated streamflow using ANN model. Water Resources Management, 4527–4541.
M. P. Clark et al. (2011). A unified approach for process-based hydrologic modelling. Hydrological Processes, 2554–2577.
Lan.V.V, Cat.V.M, Duong.B.D. (2024). Đánh giá khả năng sử dụng dữ liệu mưa vệ tinh để mô phỏng dòng chảy bằng mô hình thủy văn HYPE, áp dụng cho lưu vực sông Sê San. Tạp chí Khoa học tài nguyên và môi trường, 3-12.
A. Mosavi, et al. (2020). Flood prediction using machine learning models: A revie. Water, 1427.
Abrahart et al. (2004). Neural network modelling of nonlinear hydrological relationships. Hydrology and Earth System Sciences, 478–486.
Arheimer, B et al. (2020). Prolonged experience of large-scale hydrological modelling in Sweden: HYPE model development and applications. Hydrology Research, 20–38.
B. Arheimer, C. Donnelly, and G. Lindström. (2020). Large-scale hydrological modelling in Sweden. Hydrology Research, 20–38.
Beven, K. (2012). Rainfall–Runoff Modelling. Wiley-Blackwell.
Breiman. (2001). Random Forests. Machine Learning, 5–32.
Dawson et al . (2001). Hydrological modelling using artificial neural networks. Progress in Physical Geography, 80–108.
Fang et al. (2022). Combining physically-based models and machine learning for hydrologic prediction: Current progress and challenges. Water Resources Research, 58.
K. Beven and A. Binley. (1992). The future of distributed models. Hydrological Processes, 279–298.
Kratzert et al. (2019). Towards learning universal, regional, and local hydrological behaviors via machine learning. Hydrology and Earth System Sciences, 5089–5110.
Lindström, G et al. (2010). Development and testing of the HYPE hydrological model: A water quality model for different spatial scales. Hydrology Research, 295–319.
Liu et al. (2017). Correction of SWAT-simulated streamflow using ANN model. Water Resources Management, 4527–4541.
M. P. Clark et al. (2011). A unified approach for process-based hydrologic modelling. Hydrological Processes, 2554–2577.