ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO ĐỂ DỰ BÁO MƯA VÀ DỊNG CHẢY LÀM CƠ SỞ CHO CƠNG TÁC PHỊNG TRÁNH VÀ GIẢM NHẸ THIÊN TAI HẠN HÁN TRÊN MỘT SỐ LƯU VỰC SÔNG THUỘC VÙNG TÂY NGUYÊN VIỆT NAM TS Nguyễn Đăng Tính I Giới thiệu chung Tõy nguyờn có địa hình tương đối phức tạp, xen kẽ khu đồi núi, rừng cao nguyên đất bazan Diện tích đất canh tác nơng nghiệp chiếm khoảng 16% rừng chiếm khoảng 22% diện tích tương ứng nước Trong vùng nghiên cứu có 21 trạm khí tượng trạm thuỷ văn gồm trạm Kontum sông Sê San, Bản đôn sông Srepok trạm Củng Sơn sông Ba Sông Sê San Srepok bắt nguồn từ dãy núi cao lãnh thổ Việt Nam, với cao độ trung bình từ 500-1000m so với mặt nước biển Cả hai sông trải dài từ Cao nguyên Việt nam sang lãnh thổ Campuchia, chảy theo hướng Tây nhập vào hệ thống sông Mê Kơng Lưu vực sơng Ba nằm hồn tồn lãnh thổ Việt Nam, sông Ba bắt nguồn từ dãy núi phía Bắc Tây ngun, với cao độ trung bình khoảng 300-500m so với mực nước biển, chảy qua vùng đất phẳng vùng Tây nguyên đổ biển Đơng Chi tiết trạm khí tượng, thuỷ văn xem hình Hình 1: Bản đồ phân bố trạm khí tượng, thuỷ văn vùng nghiên cứu Tây ngun vùng có chế độ khí hậu nằm kẹp hai đới gió mùa Đơng Nam Tây Nam [Chen and Yoon, 2000] Lượng mưa trung b×nh năm dao động phạm vi từ 1500mm đến 2000mm, mùa mưa diễn tháng, từ tháng đến tháng 10, lượng mưa chiếm khoảng 80% tổng lượng mưa năm Diễn biến lượng mưa vùng có ảnh hưởng nhiều đến hoạt động sản xuất đời sống người dân vùng, đặc biệt công tác quy hoạch quản lý nguồn nước Thiếu mưa dẫn đến cạn kiệt nguồn cung cấp nước cho hoạt động sản xuất, hạn hán xuất ảnh hưởng đến suất, sản lượng ngành kinh tế, cuối ảnh hưởng đến yếu tố xã hội, môi trường sinh thái v.v Do cơng tác nghiên cứu dự báo mưa dòng chảy Tây nguyên cần thiết, sở ban đầu để triển khai công tác phòng tránh giảm nhẹ thiên tai hạn hán gây ra, vấn đề mà cấp, ngành xã hội quan tâm II Sè liÖu Khu vực nghiên cứu dự báo bao gồm lưu vực sông Sê San, Srepok sông Ba nằm vùng Tây Nguyên - Việt Nam Số liệu đầu vào cho mơ hình bao gồm mưa tháng tính trung bình tồn lưu vực, lưu lượng trung bình tháng số trạm đo sơng nói Ngồi ra, số liệu nhiệt độ mặt nước biển trung bình phạm vi 5oS-5oS; 150oW-90oW thuộc Thái Bình Dương (khu vực đại diện cho tượng nhiễu động bán cầu Nam- ENSO) liệt số liệu khí tượng nhiệt độ khơng khí, độ ẩm, tốc độ 41 gió… tận dụng để làm số liệu đầu vào mơ hình Số liệu thu thập từ năm 1980 đến năm 2000, liệt số liệu chia thành liệt nhỏ, 13 năm số liệu dùng cho việc thiết lập mơ hình dự báo, năm sau dùng cho việc kiểm định mơ hình, năm cuối dùng cho việc dự báo thử ca mụ hỡnh III Phương pháp Mng n-ron nhõn to (ANN) nghiên cứu réng rãi nhiều lĩnh vực khoa học để ứng dụng vào thực tế mang lại nhiều kết khả quan ANN sử dụng để mô quan hệ phi tuyến hai nhiều biến có tương quan với mà khơng thể giải thích rõ ràng chế tương quan vật lý, hiểu ANN mơ hình hộp đen Đặc biệt, ANN đóng vai trò quan trọng thành công công tác mô phỏng, dự báo yếu tố lĩnh vực khí tượng- thủy văn- tài nguyên nước, thể nghiên cứu: Vemuri & Rogers [1994], Salas &nnk [2000], Zhang & Govidaraju [2000], Uvo &nnk [2000] Mạng nơ-ron nhân tạo, tổng quan mà nói, tập hợp phần tử đơn làm việc song song với có liên kết theo chế hệ thần kinh sinh học Xét mặt tốn học ANN dạng mơ hình tốn học tốn tử liên kết chặt chẽ với thành mạng thống nhất, việc liên kết toán tử mạng thơng qua trọng số Mạng ANN tìm cực tiểu miền phi tuyến cách điều chỉnh trọng số liên kết toán tử hệ thống, theo đánh giá Hsu & nnk [1995] mạng ANN cơng cụ ước lượng hồn hảo thơng qua hệ thống hàm tốn học linh hoạt, biểu thị mối tương quan đầu vào đầu hệ thống Mạng ANN tối ưu xác lập thông qua việc chạy thử kiểm tra sai số ước lượng mạng Trong khuôn khổ báo này, tác giả đề xuất số mạng sau kiểm tra sai số dự báo mạng thấy rằng, mạng đa lớp 42 chiều cho kết tối ưu (xem hình 2) Cấu trúc mạng lựa chọn bao gồm lớp, lớp đầu vào, lớp ẩn lớp đầu Lớp đầu gồm nơ-ron (toán tử), số nơ-ron lớp đầu vào tương quan với số biến đầu vào mạng Số nơ-ron lớp ẩn xác định thơng qua q trình chạy thử mơ hình với số lượng nơron tăng dần kết dự báo sai số dự báo đạt đến trị số cho phép Hàm toán học hypecbolic tang sử dụng để chuyển hố thơng tin lớp mạng, mạng ANN thiết lập chạy mơi trường MATLAB Hình 2: Cấu trúc mạng đa lớp chiều Hàm hypecbolic tang biểu diễn sau: en  e n a  n n e e Trong đó: n biến đầu vào a biến đầu mạng Trong trình luyện mạng, trọng số số dư ước lượng lần lặp mạng Theo Moller [1993] thuật tốn tỷ lệ liên hợp (The scaled conjugate algorithm) có tốc độ hội tụ nhanh thuật tốn khác thuật tốn sử dụng chế chia tỷ lệ bước dò cực trị thích hợp, dùng thuật tốn tiết kiệm thời gian dò tìm cực trị so với thuật toán khác bước lặp Để tránh mạng lặp nhiều mà đảm bảo độ xác mạng, tác giả ấn định số lần lặp 300 sai số hai lần lặp liên tiếp nhỏ 1/1000 mạng ngừng lặp xuất kết Một điểm quan trọng việc thiết lập mạng ANN cho kết mơ hình đạt độ xác cao cấu trúc mạng thích hợp Nếu có nhiều lớp nơron sử dụng mạng có nhiều hệ số tự do, điều dẫn đến việc làm nhiễu thơng tin đầu vào Ngược lại, có q lớp nơ-ron sử dụng mạng mạng khơng đủ khả biểu diễn hết tương quan biến đầu vào đầu mạng Vì vậy, mạng ANN tối ưu cn phi xỏc định cú s lng lp, s lng nơ-ron lớp hàm chuyển hố thơng tin, kỹ thuật ‘’luyện mạng’’ thích hợp Tốn tử hàm hypecbolic tang, có miền dao động nằm khoảng [-1.0 +1.0] hình 3, hàm đạt tiệm cận biến số tiến đến giá trị vô Theo đề xuất Dawson & Wilby [2001], tất liệt số liệu chuẩn hoá theo yêu cầu toán tử mạng nơ ron nhân tạo, cụ thể để thuận tiện cho việc tính tốn mạng nên liệt số liệu chuyển khoảng [-0.9, +0.9], kết dự báo từ mơ hình đưa số liệu thực tế Chất lượng kết dự báo mơ hình đánh giá thơng qua giá trị sai quân phương (RMSE) hệ số tương quan (Corre.coeff) Các trị số biểu diễn dạng sau: n (Y iObs n n (Y iObs   )2 (YiEst   )2 i 1 i 1 n  (Y iObs RMSE    )(YiEst   ) i 1 Corre.coeff   YiEst )2 i 1 n Trong YiObs, YiEst : Lần lượt giá trị quan sát thực tế giá trị dự báo cho điểm thứ i α, β : Lần lượt giá trị bình quân liệt quan trắc dự báo n: số giá trị quan trắc (số điểm chuỗi số liệu) IV KÕt qu¶ Hình 3: Miền dao động toán tử hàm hypecbolic tang Kết tính tốn mạng phụ thuộc vào trọng số ban đầu mạng, mà trọng số lấy ngẫu nhiên Để kết ổn định, theo đề nghị Hsieh & Tang [1998], kết cuối mơ hình trị số kết trung bình lần chạy mơ hình, lần chạy mơ hình có trọng số ban đầu khác Trong trình luyện mạng, số điều kiện cần phải thoả mãn để kết cuối đạt độ xác cao là: (1) Số liệu đầu vào phải chứa đựng thông tin đầu [Uvo & cộng sự, 2000] (2) Số liệu dùng cho việc luyện mạng phải số liệu mang tính chất đại diện cho chuỗi số liệu [Hsieh & Tang, 1998] Qua phân tích chọn lọc sơ số liệu đầu vào cho công tác dự báo khuôn khổ viết này, tất điều kiện cần thiết đảm bảo điều kiện yêu cầu ANN Kết dự báo đạt từ mơ hình ANN cho mưa dòng chảy ba lưu vực sơng thể chi tiết bảng hình 4&5 Nhìn chung mơ hình ANN có khả dự báo tốt mưa dòng chảy phạm vi lưu vực sông vùng Tây Nguyên, hệ số tương quan đạt cao, từ 0.75 đến 0.88 Kết dự báo dòng chảy nhìn chung tốt kết dự báo mưa, thể hệ số tương quan cao Mơ hình ANN khơng dự báo trận mưa lớn hầu hết chuỗi số liệu, kết phản ánh thực tế số liệu mưa lấy trung bình tồn lưu vực để dự báo, đầu vào mơ hình lấy theo yếu tố ảnh hưởng vĩ mô (nhiệt độ mặt nước biển vùng trung tâm Thái Bình Dương), mưa lớn vùng thường dông, bão, nhiễu động diện rộng mà chế hình thành phức tạp Hơn nữa, mưa tiểu vùng lưu vực khác phần ảnh hưởng khí hậu cục tiểu vùng Vì với số liệu đầu vào mơ thể bảng 1, chưa thể phản ánh hết tất yếu tố ảnh hưởng đến lượng mưa vùng nghiên cứu Trong 43 mơ hình dự báo dòng chảy có số liệu đầu vào đặc tính lưu vực, kết dự báo phản ánh tốt dòng chảy lưu vực mạng ANN cho dòng chảy tốt Bảng Kết dự báo mưa dòng chảy lưu vực sơng từ mơ hình ANN Lưu vực Srepok Sesan Ba Đối tượng dự báo Mưa Số liệu đầu vào mạng SST2, H1, T1-max,,min,mean Cấu trúc mạng (a-b-c) 5-7-1 Lưu lượng SST2, H1,T1-max,min,mean,, Q1 Mưa Cor.coeff RMSE 0.82 67.3 7-10-1 0.82 162.6 SST2, H1, T1-max,min,mean 5-7-1 0.77 85.9 Lưu lượng SST2, H1, T1-max,min,mean, Q1 6-7-1 0.78 51.3 Mưa SST2, H1, T1-max,min,mean 5-7-1 0.75 73.4 Lưu lượng SST2, H1, T1-max,min,mean, Q1 6-7-1 0.88 210 Ghi chú: Số liệu đầu vào mơ hình ANN bao gồm: Nhiệt độ mặt nước biển (SST), Độ ẩm khơng khí (H), nhiệt độ khơng khí (T)) Lưu lượng (Q) Chỉ số biểu diễn số tháng trước thời gian dự báo Cấu trúc mạng a-b-c biểu thị số nơ-ron lớp đầu vào- lớp ẩn - lớp đầu mơ hình Hình biểu diễn kết dự báo mưa cho lưu vực thuộc vùng Tây nguyên Các hình bên trái biểu thị kết luyện mạng hình bên phải hiển thị kết dự báo mơ hình Theo hình biểu thị kết trình luyện mạng thấy rằng, mơ hình khơng có khả dự báo tháng có giá trị mưa lớn, tháng có lượng mưa vừa nhỏ dự báo tốt Điều cho thấy rằng, tháng mưa (hạn) có khả dự báo trước tốt Các hình bên phải biểu diễn liệt số liệu quan trắc (đường nét liền) giá trị dự báo (đường nét đứt) Kết dự báo tốt cho lưu vực biểu thị hệ số tương quan, với sông Srepok (0.82), sông Sê San (0.77) sông Ba (0.75) Validation result - Corr.coeff: 0.82 Training result 500 Precipitation (mm) 1.0 0.2 -0.2 -0.6 300 200 100 Jul-00 Jan-00 a) Srepok catchment Jul-99 Observation Jan-99 1.0 Jul-98 0.6 Jan-98 0.2 Jul-97 -0.2 Jan-96 -0.6 Jan-97 -1.0 -1.0 400 Jul-96 Estimation 0.6 Validation result - Corr.coeff: 0.77 Training result 500 Precipitation (mm) 1.0 0.2 -0.2 -0.6 300 200 100 Jul-00 Jan-00 b) Sesan catchment Jul-99 Observation Jan-99 1.0 Jul-98 0.6 Jan-98 0.2 Jul-97 -0.2 Jan-96 -0.6 Jan-97 -1.0 -1.0 400 Jul-96 Estimation 0.6 Validation result - Corr.coeff: 0.75 Training result 500 Precipitation (mm) 1.0 0.2 -0.2 -0.6 200 100 Jul-00 Jan-00 Jul-99 Jan-99 c) Ba catchment Jul-98 1.0 Jan-98 0.6 Jul-97 0.2 Jan-97 -0.2 Jul-96 -0.6 Observation 44 300 -1.0 -1.0 400 Jan-96 Estimation 0.6 Hình Kết dự báo mưa tháng mơ hình ANN cho lưu vực Các hình bên trái biểu diễn kết giai đoạn luyện mạng Các hình bên phải biểu diễn kết dự báo mơ hình, đường nét liền biểu thị giá trị quan trắc đường nét đứt biểu thị giá trị dự báo Validation result - Corr.coeff: 0.82 Training result 1500 Dischargw (m 3/s) 1.0 0.2 -0.2 -0.6 1250 1000 750 500 250 Jul-00 Jan-00 a) Bandon Jul-99 Observation Jan-99 1.0 Jul-98 0.6 Jan-98 0.2 Jul-97 -0.2 Jan-96 -1.0 -0.6 Jan-97 -1.0 Jul-96 Estimation 0.6 Validation result - Corr.coeff: 0.78 Training result 500 Dischargw (m3/s) 1.0 0.2 -0.2 -0.6 400 300 200 100 Tưong tự phần dự báo mưa tháng, kết dự báo dòng chảy cho điểm quan trắc sông thuộc vùng Tây nguyên biểu diễn hình Kết luyện mạng cho thấy, mơ hình hồn tồn có khả dự báo tốt diễn biến dòng chảy sơng nghiên cứu, kết dự báo thể hình bên phải Hệ số tương quan liệt quan trắc giá trị dự báo đạt từ mơ hình ANN 0.82 cho trạm Bản Đôn (sông Srepok), 0.78 cho trạm Kontum (sông Sesan) 0.88 cho trạm Củng Sn (sụng Ba) V áp dụng kết cho việc cảnh báo hạn sớm Hn hỏn v du hiu ca hạn hán xác định theo hệ số hạn dựa sở lượng mưa lưu lượng dòng chảy lưu vực Hiện chủ yếu trọng đến hai loại hán là: Hạn khí tượng hạn thủy văn, Jul-00 Hình Kết dự báo dòng chảy tháng mơ hình ANN cho trạm quan trắc Bản §ơn, Kon Tum Củng Sơn Các hình bên trái hiển thị kết giai đoạn luyện mạng Các hình bên phải biểu thị kết dự báo, đường nét liền giá trị quan trắc, đường nét đứt giá trị dự báo Jul-00 Jan-00 c) Cungson Jul-99 1.0 Jan-99 0.6 Jul-98 0.2 Jan-98 -1.0 Jul-97 -0.6 Jul-96 0.2 -0.2 2000 1750 1500 1250 1000 750 500 250 Jan-96 Dischargw (m3/s) Estimation 0.6 Observation Jul-99 Validation result - Corr.coeff: 0.88 Training result 1.0 -1.0 -0.6 -0.2 Jan-00 b) Kontum Jan-99 Observation Jul-98 1.0 Jan-98 0.6 Jul-97 0.2 Jan-97 -0.2 Jan-96 -1.0 -0.6 Jan-97 -1.0 Jul-96 Estimation 0.6 hai loại hạn có quan hệ qua lại lẫn mật thiết, thường hạn thủy văn xảy hạn khí tượng xảy nghiêm trọng Nhưng có trường hợp khơng có hạn khí tượng lại xuất hạn thủy văn ngược lại, trường hợp thường xác định vùng có lưu vực hứng nước mặt đất lưu vực ngầm khác Khi có kết dự báo mưa, dòng chảy số yếu tố khác, dự báo trị số hạn khí tượng thủy văn để cảnh báo hạn sớm nhằm phục vụ cho cơng tác phòng tránh giảm nhẹ thiên tai Hạn khí tượng: Hạn khí tượng xét sở thiếu hụt lượng mưa theo thời đoạn Có nhiều cơng thức để tính tốn xác định hệ số hạn như: Brounov, Henry (1906), Cole (1933), Bates (1935), Cơ quan nghiên cứu Anh (1936)…, số mưa chuẩn hóa 45 (Standardized Precipitation Index- SPI), số dùng phổ biến Các nhà khoa học giới phát triển nhiều số hạn khác để định nghĩa, phân cấp giám sát hạn hán Năm 1993 McKee đồng đề xuất số SPI Tuy đề xuất số SPI ứng dụng rộng rãi toàn giới Tại Mỹ SPI với PDSI (Palmer Drought Severity Index), CMI (Crop Moisture Index) SWSI (Surface Water Supply Index) số dùng nhiều giám sát hạn Các đồ diễn biến theo không gian số cho tuần/tháng công bố rộng rãi Website mạng lưới giám sát hạn Mỹ (US Drought Watch) Việc sử dụng số PDSI, CMI SWSI nước ta gặp nhiều khó khăn sở liệu quan trắc phục vụ cho việc tính tốn số thiếu Ngược lại, việc sử dụng số SPI, phù hợp, tạo điều kiện thuận lợi cho việc xây dựng hệ thống giám sát cảnh báo hạn số dựa vào liệt số liệu mưa Ưu điểm việc dùng số SPI so với dùng lượng mưa phần trăm lượng mưa so với trị trung bình chỗ SPI cho phép so sánh vùng (trạm) có lượng mưa trung bình khác SPI cho phép đánh giá trị số thống kê độ lệch so với trị số bình qn mơ tả tốt mức độ trầm trọng thiếu hụt mưa Dựa phù hợp cao phân phối gamma với liệt số liệu mưa theo thời gian McKee đồng phát triển số SPI dạng biến ngẫu nhiên có phân phối chuẩn Z~N(0, 1) (được biến đổi từ xác suất lũy tích) sau:  c0  c1t  c t   Z  SPI   t     d 1t  d t  d t  với 0