Xây dựng Mô Hình Máy Học Phục Vụ Dự Báo Xâm Nhập Mặn Tại Trạm Đo Mặn Đại Ngãi, Tỉnh Sóc Trăng

Nghiên cứu xây dựng mô hình máy học (RF, LSTM, BiLSTM) dự báo xâm nhập mặn tại Đại Ngãi, Sóc Trăng. Giải pháp hiệu quả giúp ứng phó biến đổi khí hậu vùng ĐBSCL.

• Tác giả: Nguyễn Công Thành
• Người hướng dẫn: Pgs. Nguyễn Tiền Giang
• Trường học: Trường Đại Học Khoa Học Tự Nhiên, Đhqghn
• Chuyên ngành: Thủy văn học
• Đề tài: Xây Dựng Mô Hình Máy Học Phục Vụ Dự Báo Xâm Nhập Mặn Tại Trạm Đo Mặn Đại Ngãi, Tỉnh Sóc Trăng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỞ ĐẦU
• 1. CHƯƠNG I: TỔNG QUAN VỀ PHƯƠNG PHÁP VÀ KHU VỰC NGHIÊN CỨU
• 1.1. Tổng quan phương pháp nghiên cứu
• 1.1.1. Khái niệm
• 1.1.2. Phân loại dự báo thủy văn
• 1.1.3. Dự báo xâm nhập mặn
• 1.1.4. Một số nghiên cứu về xâm nhập mặn trong nước và ngoài nước
• 1.2. Dự báo chuỗi thời gian
• 1.3. Tổng quan
• 2. CHƯƠNG II: PHƯƠNG PHÁP VÀ DỮ LIỆU SỬ DỤNG
• 3. CHƯƠNG III: XÂY DỰNG VÀ ĐÁNH GIÁ CÁC MÔ HÌNH
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Xâm Nhập Mặn Sóc Trăng Dự Báo 55 KT

Xâm nhập mặn đang trở thành mối đe dọa lớn đối với nông nghiệp Sóc Trăng và khu vực Đồng bằng sông Cửu Long. Hiện tượng này không chỉ ảnh hưởng đến sản lượng lúa, thủy sản mà còn đe dọa nguồn nước sinh hoạt của người dân. Việc dự báo xâm nhập mặn chính xác là vô cùng quan trọng để có các biện pháp ứng phó kịp thời, giảm thiểu thiệt hại. Các phương pháp dự báo truyền thống còn nhiều hạn chế, đòi hỏi cần có những giải pháp mới, hiệu quả hơn. Theo nghiên cứu của Đại học Quốc gia Hà Nội, "Việc xây dựng mô hình máy học để dự báo xâm nhập mặn tại trạm đo Đại Ngãi, tỉnh Sóc Trăng là nhu cầu rất cần thiết nhằm giảm thiểu những tác động tiêu cực do XNM gây ra."

1.1. Tình hình xâm nhập mặn hiện nay tại Sóc Trăng

Hiện tại, xâm nhập mặn đang diễn biến phức tạp tại Sóc Trăng, đặc biệt trong mùa khô. Nước mặn xâm nhập sâu vào các sông, kênh rạch, ảnh hưởng đến việc tưới tiêu và sinh hoạt. Theo dõi dữ liệu xâm nhập mặn cho thấy tình trạng này ngày càng nghiêm trọng hơn so với các năm trước. Điều này đòi hỏi các biện pháp giải pháp ứng phó xâm nhập mặn hiệu quả và bền vững.

1.2. Vai trò của dự báo xâm nhập mặn chính xác

Dự báo chính xác xâm nhập mặn giúp các nhà quản lý, người dân chủ động trong việc ứng phó với tình hình. Thông tin dự báo độ mặn có thể giúp điều chỉnh lịch thời vụ, lựa chọn giống cây trồng phù hợp, và có biện pháp trữ nước ngọt hiệu quả. Dự báo cũng giúp các cơ quan chức năng đưa ra các quyết định về điều tiết nước, ngăn mặn, và hỗ trợ người dân bị ảnh hưởng. Dự báo sớm giúp giảm thiểu tác động đến sản xuất nông nghiệp.

II. Thách Thức Hạn Chế Dự Báo Xâm Nhập Mặn Truyền Thống 59 KT

Các phương pháp dự báo xâm nhập mặn truyền thống thường dựa trên các mô hình vật lý phức tạp hoặc phân tích thống kê đơn giản. Tuy nhiên, những phương pháp này có nhiều hạn chế. Mô hình vật lý đòi hỏi lượng lớn dữ liệu đầu vào và năng lực tính toán cao, trong khi mô hình thống kê không thể nắm bắt được sự phức tạp của hiện tượng xâm nhập mặn. "Cho đến nay, các nghiên cứu dự báo xâm nhập mặn thường sử dụng bộ mô hình MIKE đã thu được các kết quả tương đối tốt. Tuy nhiên, các mô hình này cần dữ liệu đầu vào nhiều (dữ liệu địa hình, mặt cắt, công trình thủy lợi,...). Bên cạnh đó việc hiệu chỉnh kiểm định cũng rất phức tạp và yêu cầu năng lực tính toán lớn."

2.1. Khó khăn trong thu thập và xử lý dữ liệu đầu vào

Việc thu thập dữ liệu xâm nhập mặn đầy đủ, chính xác là một thách thức lớn. Dữ liệu cần bao gồm thông tin về mực nước, lưu lượng, độ mặn, địa hình, và các yếu tố khí tượng thủy văn khác. Xử lý và tích hợp các loại dữ liệu này cũng đòi hỏi kỹ năng và công cụ chuyên dụng.Thiếu sót dữ liệu sẽ ảnh hưởng đến độ chính xác dự báo.

2.2. Tính phi tuyến tính của hiện tượng xâm nhập mặn

Xâm nhập mặn là một hiện tượng phức tạp, chịu ảnh hưởng của nhiều yếu tố khác nhau, và có tính phi tuyến tính cao. Các mô hình dự báo truyền thống thường khó nắm bắt được sự phức tạp này, dẫn đến kết quả dự báo không chính xác. Các mô hình dự đoán độ mặn phải tính đến yếu tố dòng chảy, thủy triều và biến đổi khí hậu.

2.3. Yêu cầu về năng lực tính toán và chuyên môn cao

Các mô hình công nghệ dự báo xâm nhập mặn truyền thống đòi hỏi năng lực tính toán lớn và chuyên môn sâu về thủy văn, khí tượng. Việc xây dựng, hiệu chỉnh và vận hành các mô hình này thường tốn kém và mất thời gian. Cần có phần mềm dự báo xâm nhập mặn chuyên dụng và đội ngũ kỹ thuật viên lành nghề.

III. Giải Pháp Ứng Dụng Mô Hình Máy Học Dự Báo Mặn 58 KT

Để khắc phục những hạn chế của các phương pháp truyền thống, việc ứng dụng mô hình máy học trong dự báo xâm nhập mặn là một giải pháp tiềm năng. Mô hình máy học có khả năng học từ dữ liệu, tự động điều chỉnh, và dự báo với độ chính xác cao hơn. Các mô hình như Random Forest (RF), LSTM (Long Short-Term Memory), và BiLSTM (Bidirectional LSTM) đã được chứng minh là hiệu quả trong nhiều bài toán dự báo chuỗi thời gian, bao gồm cả xâm nhập mặn. "Một phương hướng tiếp cận mới nhằm khắc phục những nhược điểm trên là các phương pháp máy học. Các mô hình ML có khả năng xử lý chuỗi số liệu phức tạp, nhiễu và phi tuyến tính mà không đòi hỏi phải có sự hiểu biết về các quá trình vật lý ẩn đằng sau."

3.1. Ưu điểm của mô hình Random Forest RF trong dự báo

Random Forest (RF) là một thuật toán học máy mạnh mẽ, có khả năng xử lý dữ liệu phi tuyến tính và giảm thiểu hiện tượng quá khớp. RF dễ sử dụng, ít đòi hỏi điều chỉnh tham số, và có thể cung cấp thông tin về tầm quan trọng của các yếu tố đầu vào. Tuy nhiên, RF có thể không hiệu quả bằng các mô hình deep learning trong một số trường hợp phức tạp.

3.2. Khả năng của LSTM Long Short Term Memory trong dự báo

LSTM (Long Short-Term Memory) là một loại mạng nơ-ron hồi quy (RNN) được thiết kế để xử lý các chuỗi thời gian dài hạn. LSTM có khả năng ghi nhớ thông tin quan trọng trong quá khứ và sử dụng thông tin này để dự báo tương lai. LSTM đặc biệt hiệu quả trong các bài toán dự báo có tính phụ thuộc thời gian cao.

3.3. Lợi thế của BiLSTM Bidirectional LSTM so với LSTM

BiLSTM (Bidirectional LSTM) là một biến thể của LSTM, có khả năng xử lý thông tin từ cả quá khứ và tương lai. BiLSTM cho phép mô hình hiểu rõ hơn về ngữ cảnh của dữ liệu, và có thể cải thiện độ chính xác dự báo so với LSTM. So sánh ưu nhược điểm RF, LSTM, BiLSTM giúp chọn mô hình phù hợp.

IV. Xây Dựng Đánh Giá Mô Hình RF LSTM BiLSTM tại Sóc Trăng 59 KT

Nghiên cứu của Nguyễn Công Thành đã xây dựng và đánh giá các mô hình máy học RF, LSTM, và BiLSTM để dự báo xâm nhập mặn tại trạm đo Đại Ngãi, Sóc Trăng. Dữ liệu được sử dụng bao gồm thông tin về mực nước, lưu lượng, độ mặn, và các yếu tố khí tượng thủy văn khác. Kết quả cho thấy các mô hình máy học có khả năng dự báo xâm nhập mặn với độ chính xác cao hơn so với các phương pháp truyền thống. "Kết quả mô phỏng bằng mô hình cho thấy, đến năm 2020 mặn có thể xâm nhập khá sâu vào đồng bằng."

4.1. Quy trình xử lý dữ liệu và xây dựng mô hình

Dữ liệu được thu thập, làm sạch, và chuẩn hóa trước khi đưa vào các mô hình máy học. Các mô hình RF, LSTM, và BiLSTM được xây dựng và huấn luyện bằng cách sử dụng một phần dữ liệu lịch sử. Phần dữ liệu còn lại được sử dụng để đánh giá hiệu quả dự báo của các mô hình.

4.2. Các chỉ số đánh giá hiệu quả dự báo của mô hình

Hiệu quả dự báo của các mô hình được đánh giá bằng các chỉ số như RMSE (Root Mean Square Error), MAE (Mean Absolute Error), và NSE (Nash-Sutcliffe Efficiency). Các chỉ số này cho biết mức độ sai lệch giữa giá trị dự báo và giá trị thực tế.So sánh độ chính xác dự báo giữa các mô hình giúp lựa chọn phương pháp tối ưu.

4.3. So sánh kết quả dự báo giữa RF LSTM và BiLSTM

Kết quả cho thấy các mô hình LSTM và BiLSTM có độ chính xác cao hơn so với mô hình RF. BiLSTM thường cho kết quả tốt nhất, nhờ khả năng xử lý thông tin từ cả quá khứ và tương lai. Tuy nhiên, RF có ưu điểm là đơn giản, dễ sử dụng, và ít đòi hỏi tài nguyên tính toán.

V. Ứng Dụng Thực Tế Dự Báo Xâm Nhập Mặn Cho Sóc Trăng 57 KT

Kết quả dự báo xâm nhập mặn bằng mô hình máy học có thể được ứng dụng trong nhiều lĩnh vực khác nhau tại Sóc Trăng. Thông tin dự báo giúp các nhà quản lý đưa ra các quyết định về điều tiết nước, ngăn mặn, và hỗ trợ người dân. Người dân có thể sử dụng thông tin dự báo để điều chỉnh lịch thời vụ, lựa chọn giống cây trồng phù hợp, và có biện pháp trữ nước ngọt hiệu quả. Ứng dụng AI trong nông nghiệp giúp tăng năng suất và giảm thiểu rủi ro.

5.1. Hỗ trợ ra quyết định điều tiết nước và ngăn mặn

Thông tin dự báo xâm nhập mặn giúp các cơ quan chức năng đưa ra các quyết định về điều tiết nước từ các hồ chứa, kênh rạch, và hệ thống thủy lợi. Dự báo cũng giúp xác định thời điểm cần thiết để đóng các cống ngăn mặn, bảo vệ nguồn nước ngọt cho sinh hoạt và sản xuất.

5.2. Giúp nông dân lựa chọn giống cây trồng và lịch thời vụ

Người dân có thể sử dụng thông tin dự báo xâm nhập mặn để lựa chọn giống cây trồng phù hợp với điều kiện địa phương. Dự báo cũng giúp điều chỉnh lịch thời vụ, đảm bảo cây trồng được tưới tiêu đầy đủ nước ngọt, và giảm thiểu thiệt hại do ngập mặn. Giải pháp giải pháp ứng phó xâm nhập mặn cần được phổ biến rộng rãi.

5.3. Cảnh báo sớm về nguy cơ xâm nhập mặn cho cộng đồng

Thông tin dự báo xâm nhập mặn cần được phổ biến rộng rãi đến cộng đồng, thông qua các phương tiện truyền thông, ứng dụng di động, và các kênh thông tin khác. Cảnh báo sớm giúp người dân có thời gian chuẩn bị và ứng phó với nguy cơ xâm nhập mặn, giảm thiểu thiệt hại về kinh tế và sức khỏe.

VI. Kết Luận Triển Vọng Phát Triển Dự Báo Mặn Sóc Trăng 58 KT

Việc ứng dụng mô hình máy học trong dự báo xâm nhập mặn tại Sóc Trăng là một hướng đi đầy tiềm năng. Các mô hình RF, LSTM, và BiLSTM đã chứng minh được khả năng dự báo với độ chính xác cao hơn so với các phương pháp truyền thống. Trong tương lai, cần tiếp tục nghiên cứu và phát triển các mô hình máy học tiên tiến hơn, tích hợp thêm các nguồn dữ liệu mới, và nâng cao khả năng dự báo cho các khu vực khác nhau. Dự báo chính xác xâm nhập mặn là yếu tố then chốt để bảo vệ nông nghiệp Sóc Trăng và đảm bảo cuộc sống của người dân.

6.1. Tích hợp thêm dữ liệu khí tượng thủy văn và địa lý

Để nâng cao độ chính xác dự báo, cần tích hợp thêm các nguồn dữ liệu khác, như thông tin về lượng mưa, nhiệt độ, độ ẩm, gió, và địa hình. Các dữ liệu này có thể giúp mô hình hiểu rõ hơn về các yếu tố ảnh hưởng đến xâm nhập mặn, và cải thiện khả năng dự báo.

6.2. Phát triển các mô hình deep learning phức tạp hơn

Các mô hình deep learning, như CNN (Convolutional Neural Network) và Transformer, có khả năng học các đặc trưng phức tạp từ dữ liệu, và có thể cải thiện độ chính xác dự báo so với các mô hình RF, LSTM, và BiLSTM. Cần nghiên cứu và phát triển các mô hình deep learning phù hợp với bài toán dự báo xâm nhập mặn.

6.3. Áp dụng cho các khu vực khác trong Đồng bằng sông Cửu Long

Kết quả nghiên cứu tại Sóc Trăng có thể được áp dụng cho các khu vực khác trong Đồng bằng sông Cửu Long, nơi đang chịu ảnh hưởng nặng nề của xâm nhập mặn. Cần điều chỉnh các mô hình máy học cho phù hợp với điều kiện địa phương, và thu thập dữ liệu đầy đủ để đảm bảo độ chính xác dự báo.

Nội dung chính

Tổng quan nghiên cứu

Xâm nhập mặn (XNM) là một trong những thách thức nghiêm trọng đối với Đồng bằng sông Cửu Long (ĐBSCL), đặc biệt tại tỉnh Sóc Trăng – vùng cửa ngõ cuối nguồn sông Hậu. Theo số liệu quan trắc, độ mặn cao nhất tại trạm đo mặn Đại Ngãi có thể lên tới 11,3 g/l trong các đợt xâm nhập mặn gay gắt, với phạm vi xâm nhập sâu vào nội đồng khoảng 40-55 km, tăng 10-15 km so với các năm trước. Hiện tượng này ảnh hưởng trực tiếp đến đời sống sinh hoạt và sản xuất nông nghiệp của hàng chục nghìn hộ dân, gây thiệt hại lớn về kinh tế và xã hội.

Luận văn tập trung xây dựng mô hình máy học phục vụ dự báo xâm nhập mặn tại trạm đo mặn Đại Ngãi, tỉnh Sóc Trăng, nhằm nâng cao độ chính xác và hiệu quả dự báo trong thời gian ngắn hạn (3-7 ngày). Phạm vi nghiên cứu bao gồm dữ liệu quan trắc độ mặn, thủy văn, khí tượng từ năm 2012 đến 2020, kết hợp với các yếu tố tự nhiên và xã hội đặc thù của tỉnh Sóc Trăng. Mục tiêu chính là phát triển mô hình dự báo dựa trên thuật toán máy học hiện đại như Random Forest (RF), Long Short-Term Memory (LSTM) và Bidirectional LSTM (BiLSTM), nhằm hỗ trợ công tác phòng chống và ứng phó kịp thời với xâm nhập mặn.

Nghiên cứu có ý nghĩa quan trọng trong bối cảnh biến đổi khí hậu và nước biển dâng ngày càng gia tăng, làm trầm trọng thêm tình trạng xâm nhập mặn tại ĐBSCL. Việc ứng dụng mô hình máy học giúp giảm thiểu chi phí, thời gian hiệu chỉnh so với các mô hình vật lý truyền thống, đồng thời nâng cao khả năng dự báo chính xác, góp phần bảo vệ nguồn nước ngọt và phát triển bền vững kinh tế - xã hội địa phương.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng lý thuyết của các mô hình máy học (Machine Learning - ML) và dự báo chuỗi thời gian (time series forecasting). Hai lý thuyết chính được áp dụng gồm:

1. Lý thuyết học có giám sát (Supervised Learning): Thuật toán học từ dữ liệu đầu vào có nhãn (input-output pairs) để xây dựng hàm số dự báo. Trong nghiên cứu, các thuật toán hồi quy được sử dụng để dự báo giá trị độ mặn theo thời gian.

2. Mô hình mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) và các biến thể:

   • Long Short-Term Memory (LSTM): Giải quyết vấn đề mất mát thông tin dài hạn trong chuỗi thời gian bằng cơ chế bộ nhớ (cell state) và các cổng điều khiển thông tin.
   • Bidirectional LSTM (BiLSTM): Mở rộng LSTM bằng cách xử lý chuỗi dữ liệu theo cả hai chiều thời gian, giúp mô hình nắm bắt tốt hơn các mối quan hệ phức tạp trong dữ liệu.

Các khái niệm chuyên ngành quan trọng bao gồm: độ mặn cao nhất, thời gian xuất hiện độ mặn cao nhất, phạm vi ảnh hưởng độ mặn ≥ 4‰, biến đổi khí hậu (BĐKH), nước biển dâng, và các chỉ số đánh giá mô hình như RMSE (Root Mean Square Error), NSE (Nash–Sutcliffe Efficiency).

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là bộ số liệu quan trắc độ mặn, mực nước, khí tượng thủy văn tại trạm Đại Ngãi, tỉnh Sóc Trăng, giai đoạn 2012-2020. Dữ liệu được xử lý bao gồm biến đổi logarit hóa và loại bỏ nhiễu bằng phép biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT).

Phương pháp phân tích gồm:

• Xử lý dữ liệu: Chuẩn hóa, biến đổi và phân tách dữ liệu thành tập huấn luyện và kiểm tra.
• Xây dựng mô hình:
  • Mô hình Random Forest (RF) với siêu tham số được tối ưu hóa.
  • Mô hình LSTM và BiLSTM được xây dựng trên nền tảng TensorFlow và Keras, với cấu trúc mạng gồm các lớp ẩn và cổng điều khiển bộ nhớ.
• Đánh giá mô hình: Sử dụng các chỉ số RMSE, MAE (Mean Absolute Error), và NSE để so sánh hiệu quả dự báo của từng mô hình trên các khoảng thời gian dự báo 3, 5 và 7 ngày.

Cỡ mẫu dữ liệu khoảng 3.000 mẫu quan trắc, được chọn ngẫu nhiên theo phương pháp phân chia thời gian để đảm bảo tính đại diện và tránh hiện tượng rò rỉ dữ liệu. Thời gian nghiên cứu kéo dài từ năm 2019 đến 2022, bao gồm giai đoạn thu thập, xử lý dữ liệu, xây dựng và đánh giá mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả dự báo của mô hình BiLSTM vượt trội:
   Mô hình BiLSTM đạt RMSE trung bình khoảng 0,15 g/l và NSE trên 0,85 trong giai đoạn kiểm tra, cao hơn so với RF (RMSE ~0,25 g/l, NSE ~0,70) và LSTM (RMSE ~0,18 g/l, NSE ~0,80). Điều này chứng tỏ khả năng nắm bắt mối quan hệ phức tạp và thông tin theo cả hai chiều thời gian của BiLSTM giúp cải thiện độ chính xác dự báo.

2. Dự báo ngắn hạn 3 ngày có độ chính xác cao nhất:
   Các mô hình đều cho kết quả tốt nhất ở khoảng thời gian dự báo 3 ngày với sai số trung bình thấp hơn 10% so với dự báo 7 ngày. Sai số tăng dần khi thời gian dự báo kéo dài, phản ánh tính phi tuyến và biến động mạnh của độ mặn theo mùa và điều kiện khí tượng.

3. Ảnh hưởng của biến đổi khí hậu và nước biển dâng:
   Dữ liệu phân tích cho thấy độ mặn cao nhất thường xuất hiện vào tháng 4 hàng năm, chiếm khoảng 50% các đỉnh mặn trong năm, trùng với thời kỳ gió chướng hoạt động mạnh và lưu lượng nước thượng nguồn thấp nhất. Mức độ xâm nhập mặn có xu hướng tăng theo các kịch bản biến đổi khí hậu với nước biển dâng 100 cm, làm tăng diện tích ngập mặn lên tới 55,41% diện tích tỉnh.

4. Mô hình dự báo dựa trên dữ liệu quan trắc có ưu thế về tính linh hoạt và chi phí:
   So với các mô hình vật lý truyền thống như MIKE 11, mô hình máy học yêu cầu ít dữ liệu đầu vào hơn, dễ hiệu chỉnh và cho kết quả dự báo nhanh chóng, phù hợp với công tác cảnh báo sớm và quản lý tài nguyên nước tại địa phương.

Thảo luận kết quả

Kết quả nghiên cứu khẳng định tính ưu việt của các mô hình mạng nơ-ron hồi quy, đặc biệt là BiLSTM, trong việc dự báo xâm nhập mặn tại trạm Đại Ngãi. Việc mô hình BiLSTM xử lý thông tin theo cả hai chiều thời gian giúp nắm bắt tốt hơn các đặc trưng phi tuyến và phụ thuộc dài hạn trong chuỗi dữ liệu độ mặn. Các biểu đồ so sánh sai số dự báo giữa các mô hình cho thấy BiLSTM duy trì sai số thấp ổn định hơn trong các khoảng thời gian dự báo khác nhau.

So sánh với các nghiên cứu trước đây sử dụng mô hình MIKE 11 hoặc ARIMA, mô hình máy học không chỉ giảm thiểu yêu cầu về dữ liệu đầu vào phức tạp mà còn nâng cao độ chính xác dự báo trong thời đoạn ngắn, phù hợp với nhu cầu cảnh báo sớm và ứng phó kịp thời tại địa phương. Tuy nhiên, mô hình máy học cũng phụ thuộc vào chất lượng và độ dài của dữ liệu quan trắc, do đó cần duy trì hệ thống quan trắc liên tục và chính xác.

Ý nghĩa thực tiễn của nghiên cứu là cung cấp công cụ dự báo xâm nhập mặn hiệu quả, giúp các cơ quan quản lý và người dân chủ động trong việc điều chỉnh kế hoạch sản xuất, bảo vệ nguồn nước ngọt và giảm thiểu thiệt hại do xâm nhập mặn gây ra. Dữ liệu và kết quả có thể được trình bày qua các biểu đồ đường thể hiện biến động độ mặn thực tế và dự báo, bảng tổng hợp chỉ số đánh giá mô hình, giúp minh bạch và dễ dàng ứng dụng.

Đề xuất và khuyến nghị

1. Triển khai ứng dụng mô hình BiLSTM trong hệ thống cảnh báo sớm xâm nhập mặn:
   Cơ quan quản lý thủy lợi và khí tượng thủy văn nên tích hợp mô hình BiLSTM vào hệ thống dự báo hiện tại, nhằm nâng cao độ chính xác và thời gian phản hồi dự báo trong vòng 3-7 ngày. Thời gian thực hiện đề xuất này là trong vòng 12 tháng tới.

2. Tăng cường hệ thống quan trắc và thu thập dữ liệu liên tục:
   Để đảm bảo chất lượng dự báo, cần duy trì và mở rộng mạng lưới trạm quan trắc độ mặn, mực nước và khí tượng tại các vị trí trọng yếu trong tỉnh Sóc Trăng. Chủ thể thực hiện là Sở Tài nguyên và Môi trường phối hợp với Đài Khí tượng Thủy văn khu vực Nam Bộ, với kế hoạch nâng cấp trong 2 năm tới.

3. Đào tạo và nâng cao năng lực cho cán bộ vận hành mô hình:
   Tổ chức các khóa đào tạo chuyên sâu về máy học và xử lý dữ liệu cho cán bộ kỹ thuật tại các cơ quan liên quan, nhằm đảm bảo vận hành, hiệu chỉnh và cập nhật mô hình kịp thời. Thời gian đào tạo dự kiến trong 6 tháng đầu năm tiếp theo.

4. Phát triển phần mềm dự báo tích hợp giao diện thân thiện:
   Xây dựng phần mềm dự báo xâm nhập mặn dựa trên mô hình BiLSTM với giao diện trực quan, dễ sử dụng cho các cán bộ quản lý và người dân địa phương. Chủ thể thực hiện là các đơn vị công nghệ thông tin hợp tác với các viện nghiên cứu, hoàn thành trong vòng 18 tháng.

5. Nghiên cứu mở rộng mô hình dự báo cho các khu vực lân cận:
   Áp dụng và điều chỉnh mô hình cho các trạm đo mặn khác trong ĐBSCL để xây dựng hệ thống dự báo toàn vùng, góp phần quản lý tài nguyên nước hiệu quả hơn. Kế hoạch thực hiện trong 3 năm tới.

Đối tượng nên tham khảo luận văn

1. Cơ quan quản lý thủy lợi và tài nguyên nước:
   Sở Nông nghiệp và Phát triển Nông thôn, Sở Tài nguyên và Môi trường tỉnh Sóc Trăng và các tỉnh ĐBSCL có thể sử dụng kết quả để nâng cao hiệu quả công tác dự báo và phòng chống xâm nhập mặn, từ đó xây dựng các chính sách quản lý phù hợp.

2. Các nhà nghiên cứu và học viên chuyên ngành thủy văn, khí tượng:
   Luận văn cung cấp cơ sở lý thuyết và phương pháp ứng dụng máy học trong dự báo thủy văn, đặc biệt là xâm nhập mặn, giúp mở rộng kiến thức và phát triển các nghiên cứu tiếp theo.

3. Doanh nghiệp công nghệ và phát triển phần mềm:
   Các công ty phát triển giải pháp công nghệ có thể tham khảo để xây dựng các sản phẩm dự báo, cảnh báo sớm dựa trên mô hình máy học, phục vụ quản lý tài nguyên nước và ứng phó biến đổi khí hậu.

4. Người dân và cộng đồng địa phương:
   Thông qua các ứng dụng dự báo được phát triển từ nghiên cứu, người dân có thể chủ động điều chỉnh kế hoạch sản xuất nông nghiệp, bảo vệ nguồn nước sinh hoạt, giảm thiểu thiệt hại do xâm nhập mặn gây ra.

Câu hỏi thường gặp

1. Mô hình máy học có ưu điểm gì so với mô hình vật lý truyền thống trong dự báo xâm nhập mặn?
   Mô hình máy học yêu cầu ít dữ liệu đầu vào phức tạp, dễ hiệu chỉnh, tính toán nhanh và có khả năng xử lý dữ liệu phi tuyến, nhiễu tốt hơn. Ví dụ, mô hình BiLSTM cho độ chính xác cao hơn và thời gian dự báo ngắn hơn so với mô hình MIKE 11 truyền thống.

2. Dữ liệu quan trắc nào là quan trọng nhất để xây dựng mô hình dự báo xâm nhập mặn?
   Dữ liệu độ mặn, mực nước sông, khí tượng (nhiệt độ, độ ẩm, gió), và thủy triều là các yếu tố quan trọng. Việc thu thập liên tục và chính xác các dữ liệu này giúp mô hình dự báo hiệu quả hơn.

3. Thời gian dự báo ngắn hạn bao lâu là phù hợp để ứng dụng trong thực tế?
   Thời gian dự báo từ 3 đến 7 ngày được đánh giá là phù hợp, giúp các cơ quan và người dân có đủ thời gian chuẩn bị và ứng phó kịp thời với tình hình xâm nhập mặn.

4. Mô hình BiLSTM hoạt động như thế nào trong dự báo chuỗi thời gian?
   BiLSTM xử lý dữ liệu theo cả hai chiều thời gian (quá khứ và tương lai), giúp nắm bắt các mối quan hệ phức tạp và thông tin dài hạn trong chuỗi dữ liệu, từ đó nâng cao độ chính xác dự báo.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào công tác quản lý tài nguyên nước tại địa phương?
   Kết quả mô hình dự báo có thể được tích hợp vào hệ thống cảnh báo sớm, hỗ trợ ra quyết định điều tiết nước, xây dựng kế hoạch sản xuất nông nghiệp và bảo vệ nguồn nước sinh hoạt, giảm thiểu thiệt hại do xâm nhập mặn.

Kết luận

• Đã xây dựng thành công mô hình máy học BiLSTM phục vụ dự báo xâm nhập mặn tại trạm đo mặn Đại Ngãi, tỉnh Sóc Trăng với độ chính xác cao (RMSE ~0,15 g/l, NSE >0,85).
• Mô hình BiLSTM vượt trội hơn so với các mô hình RF và LSTM truyền thống trong việc dự báo chuỗi thời gian độ mặn ngắn hạn (3-7 ngày).
• Dữ liệu quan trắc liên tục và chất lượng là yếu tố then chốt đảm bảo hiệu quả dự báo và ứng dụng thực tiễn.
• Nghiên cứu góp phần nâng cao năng lực dự báo xâm nhập mặn, hỗ trợ công tác phòng chống thiên tai và quản lý tài nguyên nước tại ĐBSCL trong bối cảnh biến đổi khí hậu.
• Đề xuất triển khai ứng dụng mô hình trong hệ thống cảnh báo sớm, đồng thời mở rộng nghiên cứu cho các khu vực lân cận nhằm phát triển hệ thống dự báo toàn vùng.

Tiếp theo, cần tập trung hoàn thiện phần mềm dự báo tích hợp, đào tạo cán bộ vận hành và mở rộng mạng lưới quan trắc để nâng cao hiệu quả ứng dụng mô hình trong thực tế. Các cơ quan quản lý và nhà nghiên cứu được khuyến khích phối hợp triển khai các giải pháp này nhằm bảo vệ nguồn nước và phát triển bền vững vùng ĐBSCL.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Trong những năm gần đây, cùng với sự phát triển của phần cứng máy tính, các thuật toán máy học hay còn đƣợc biết đến với tên Machine Learning (ML), là một nhánh nhỏ của ngành Trí tuệ nhân tạo (Artificial Intelligence - AI), ngày càng đƣợc cải tiến có khả năng xử lý các nguồn dữ liệu lớn hơn, phức tạp hơn và hoàn thiện về tốc độ tính toán lẫn độ chính xác. Máy học đang đƣợc áp dụng vào rất nhiều lĩnh vực trong đời sống nhƣ công nghệ thông tin, tài chính, kinh doanh, khai phá dữ liệu. và khí tƣợng thủy văn là một trong số đó. Lĩnh vực máy học đƣợc chia làm hai nhóm chính là học có giám sát (Supervised learning) và học không có giám sát (Unsupervised learning) đƣợc áp dụng cho các bài toán phân loại (classification) và hồi quy (regression).

Trong lĩnh vực dự báo thủy văn nói chung và dự báo xâm nhập mặn nói riêng thì các thuật toán máy học đa phần thuộc nhóm hồi quy. Cho đến nay, các nghiên cứu dự báo xâm nhập mặn thƣờng sử dụng bộ mô hình MIKE đã thu đƣợc các kết quả tƣơng đối tốt [1, 3, 4, 5, 9]. Tuy nhiên, các mô hình này cần dữ liệu đầu vào nhiều (dữ liệu địa hình, mặt cắt, công trình thủy lợi,. Bên cạnh đó việc hiệu chỉnh kiểm định cũng rất phức tạp và yêu cầu năng lực tính toán lớn.

Với những hạn chế nêu trên, các mô hình dựa vào số liệu (data-driven models) đã đƣợc phát triển. So với các mô hình tính toán dựa vào vật lý, các mô hình thống kê số liệu nhƣ ARIMA cũng đã đƣợc áp dụng nhiều vào bài toán dự báo xâm nhập mặn cho thấy hiệu suất tính toán cao hơn. Tuy nhiên, hạn chế của mô hình này là dự báo trong thời đoạn ngắn và đối với chuỗi số liệu phi tuyến tính (nonlinearity) nhƣ độ mặn thì độ chính xác chƣa cao [34]. Một phƣơng hƣớng tiếp cận mới nhằm khắc phục những nhƣợc điểm trên là các phƣơng pháp máy học.

Các mô hình ML có khả năng xử lý chuỗi số liệu phức tạp, nhiễu và phi tuyến tính mà không đòi hỏi phải có sự hiểu biết về các quá trình vật lý ẩn đằng sau. Bên cạnh đó, lƣợng dữ liệu đầu vào cho các mô 1 hình, khả năng tính toán, hiệu chỉnh và kiểm định cũng yêu cầu ở mức tối thiểu đã mang lại những kết quả khả quan. Tại Đồng bằng sông Cửu Long (ĐBSCL), trong những năm gần đây, dƣới tác động của việc xây dựng các đập thủy điện ở thƣợng nguồn sông Mê Công, chế độ dòng chảy trong hệ thống sông suối, kênh rạch tại ĐBSCL đã có những thay đổi. Đồng thời, nƣớc biển dâng do biến đổi khí hậu (BĐKH) tại các cửa sông Cửu Long, sự hạ thấp đáy sông do khai thác cát, sụt giảm bùn cát đến do hồ chứa thƣợng nguồn trữ lại, gia tăng sử dụng nƣớc nội vùng đã và đang làm xâm nhập mặn (XNM) ngày càng lấn sâu vào trong nội đồng ảnh hƣởng lớn đến đời sống sinh hoạt và sản xuất của ngƣời dân.

Tỉnh Sóc Trăng cũng không nằm ngoài những ảnh hƣởng đó. Chính vì vậy, việc xây dựng mô hình máy học để dự báo xâm nhập mặn tại trạm đo Đại Ngãi, tỉnh Sóc Trăng là nhu cầu rất cần thiết nhằm giảm thiểu những tác động tiêu cực do XNM gây ra. 2 CHƢƠNG I: TỔNG QUAN VỀ PHƢƠNG PHÁP VÀ KHU VỰC NGHIÊN CỨU 1. Tổng quan phƣơng pháp nghiên cứu 1.

Khái niệm Dự báo thủy văn là một môn khoa học chuyên ngành, nghiên cứu về quy luật biến đổi, phát triển của các hiện tƣơng thủy văn để xây dựng các phƣơng án, phƣơng pháp, mô hình, công nghệ tính trƣớc trạng thái biến đổi các yếu tố thuỷ văn (Q, H, mặn, thủy triều,…) trên các sông, suối, hồ chứa, đầm phá, cửa sông ven biển,. nhằm phục vụ cho việc phòng tránh thiên tai, khai thác, sử dụng TNN, phục vụ phát triển kinh tế - xã hội, quốc phòng. Phân loại dự báo thủy văn Tuỳ theo tiêu chí đánh giá mà dự báo thủy văn đƣợc phân ra nhiều loại. Căn cứ vào yếu tố dự báo, thời gian dự kiến, đối tƣợng phục vụ, tính chất của dự báo hay khu vực dự báo thƣờng phân dự báo thủy văn theo các cách sau: a) Phân loại theo thời gian dự kiến: - Dự báo hạn cực ngắn (1-6 giờ): dự báo, cảnh báo khẩn cấp các hiện tƣợng thủy văn nguy hiểm (lũ quét, lũ lƣu vực nhỏ,.

- Dự báo thủy văn hạn ngắn: (ít hơn 5 ngày, tuỳ thuộc khu vực sông, ví dụ các sông miền Bắc: Sông Hồng 48 giờ, các sông khác 24 giờ, các sông miền Trung 3-24 giờ, sông Cửu Long 3-5 ngày). - Dự báo thủy văn hạn vừa (5-10 ngày) (hiện nay thƣờng gọi là dự báo hạn ngắn mở rộng). - Dự báo thủy văn hạn dài (t ≥ 1 tháng đến 1 năm). 3 - Dự báo thủy văn hạn siêu dài có thời gian dự báo trƣớc trên 1 năm.

Thƣờng loại này đƣợc sử dụng trong dự báo, nhận định về TNN theo các kịch bản BĐKH. b) Phân loại theo yếu tố dự báo: Ví dụ dự báo mực nƣớc, lƣu lƣợng, tổng lƣợng lũ, mặn, triều, nƣớc dâng do bão,. Trong đó mực nƣớc, lƣu lƣợng, tổng lƣợng, độ mặn. là yếu tố cần dự báo.

c) Phân loại theo đối tượng phục vụ: Dự báo thủy văn phục vụ phòng tránh thiên tai hoặc khai thác hồ chứa (thủy điện, nuôi trồng thủy sản,.), giao thông thuỷ, quốc phòng, xây dựng, tƣới tiêu,. d) Phân loại theo khu vực được dự báo: Dự báo thủy văn cho các sông miền núi, các sông vùng đồng bằng; Dự báo thủy văn tại một điểm (tại trạm); Lƣu vực sông; Khu vực (Nam Bộ hay Tây Nguyên),. e) Phân loại theo tính chất dự báo: Dự báo định tính (Cao, Trung bình, thấp, xu thế tăng, giảm của các đặc trƣng thuỷ văn) và dự báo định lƣợng (có trị số cụ thể). Dự báo xâm nhập mặn Xâm nhập mặn là hiện tƣợng nƣớc biển xâm nhập vào trong sông làm cho độ mặn của nƣớc sông tăng cao.

Thông thƣờng, khi nƣớc biển xâm nhập vào đất liền, lƣợng nƣớc ngọt từ những con sông từ thƣợng lƣu chảy về hạ lƣu giúp trung hòa nƣớc mặn đồng thời đẩy ngƣợc ra biển. Tuy nhiên trong những tháng mùa khô, thời tiết không có mƣa và nƣớc sông bị bốc hơi do nắng nóng khiến lƣợng nƣớc ngọt không đủ đẩy, làm hiện tƣợng xâm nhập diễn ra. Ngoài ra, còn có yếu tố gió chƣớng với triều cƣờng làm mặn xâm nhập sâu và nồng độ cao. 4 Một trong các lý do khác khiến mức độ xâm nhập mặn diễn ra với mức độ nghiêm trọng là do việc xây dựng các công trình thủy lợi ở thƣợng nguồn đƣợc thực hiện dày đặc.

Ngoài ra có hiện tƣợng nóng lên toàn cầu tác động tiêu cực đến biến đổi khí hậu gây ra các thiên tai nƣớc biển dâng cao, kéo theo hậu quả mức độ xâm nhập mặn diễn ra mạnh mẽ hơn. Trong dự báo, cảnh báo xâm nhập mặn bao gồm các yếu tố: - Độ mặn cao nhất (lớn nhất). - Thời gian xuất hiện độ mặn cao nhất. - Phạm vi chịu ảnh hƣởng độ mặn 4‰ trở lên.

Một số nghiên cứu về XNM trong nƣớc và ngoài nƣớc: Trong thời gian gần đây, việc ứng dụng khoa học công nghệ trong giám sát và đánh giá xâm nhập mặn đƣợc các nhà khoa học trong nƣớc tiến hành nghiên cứu dƣới nhiều phƣơng pháp khác nhau. Trên thế giới, ảnh hƣởng của tình trạng XNM cũng là vấn đề đƣợc nhiều nhà khoa học quan tâm, nghiên cứu. Bingjun Liu và cộng sự đã áp dụng mạng thần kinh nhân tạo (ANN - artificial neural network) cùng phép biến đổi wavelet để dự báo độ mặn vùng cửa sông Châu Giang, tỉnh Quảng Đông, Trung Quốc [11] với các chỉ số đánh giá rất tốt. Nghiên cứu đã áp dụng mô hình học máy để dự báo mặn hạn ngắn 1 – 3 ngày cho các chỉ số đánh giá RMSE và NSE tốt.

Ngoài các thuật toán thống kê và máy học, ảnh viễn thám cũng đang đƣợc nghiên cứu ứng dụng rất nhiều trong đánh giá và dự báo XNM nhƣ: Nhóm ba tác giả Mahmoud A. Shahid và Yasser R. Othman đã tiến hành nghiên cứu ứng dụng công nghệ GIS (Hệ thống thông tin địa lý) và Viễn thám vào xây dựng mô hình thành lập bản đồ đất nhiễm mặn tại Abu Dhabi, Ả Rập [25]. Sử dụng sản phẩm Viễn thám mà cụ thể là ảnh Landsat-7 5 ETM và mẫu đất thu thập dùng để xây dựng song song hai mô hình.

Kết quả so sánh thực tế có độ tin cậy là 91,2%, cho thấy khả năng ứng dụng kết hợp GIS và Viễn thám cho hiệu quả rất cao. Xâm nhập mặn có xu hƣớng ngày càng trầm trọng hơn là do rất nhiều nguyên nhân. Nhóm tác giả Trần Quốc Đạt, Nguyễn Hiếu Trung và Kanchit Likitdecharote thuộc trƣờng Đại học Cần Thơ và Đại học Chulalongkorn - Thái Lan [4] đã tiến hành nghiên cứu mô phỏng xâm nhập mặn đồng bằng sông Cửu Long dƣới tác động của nƣớc biển dâng và sự suy giảm lƣu lƣợng nƣớc từ thƣợng nguồn. Trong nghiên cứu này, xâm nhập mặn ở đồng bằng sông Cửu Long đƣợc mô phỏng cho những kịch bản khác nhau của mực nƣớc biển dâng và lƣu lƣợng thƣợng nguồn giảm bằng mô hình MIKE11.

Mô hình đƣợc xây dựng dựa trên cở sỡ dữ liệu của hai năm 1998 và 2005. Kết quả mô phỏng xâm nhập mặn năm 1998 đƣợc chọn kịch gốc so sánh với bốn kịch bản xâm nhập mặn vào các năm 2020 và 2030. Bốn kịch bản này đƣợc xây dựng dựa trên kịch bản CRES B2, kịch bản tăng diện tích nông nghiệp và kịch bản diện tích nông nghiệp không đổi. Hai kịch bản đầu là khi mực nƣớc biển dâng 14 cm và lƣu lƣợng thƣợng nguồn giảm 11% và 22%.

Kịch bản số ba và bốn là khi mực nƣớc biển dâng 20cm và lƣu lƣợng thƣợng nguồn giảm 15%. Kết quả mô phỏng cho thấy rằng độ mặn 2,5g/l xâm nhập 14 km sâu hơn kịch bản gốc năm 1998. Ngoài ra xâm nhập mặn cũng tác động hầu hết các dự án ngăn mặn ở đồng bằng sông Cửu Long. Năm 2009, nhóm nghiên cứu thủy văn và môi trƣờng gồm các chuyên gia Trần Ngọc Anh, Nguyễn Tiền Giang và cộng sự [1] thuộc trƣờng Đại học khoa học tự nhiên, ĐHQGHN đã áp dụng mô hình MIKE 11 để đánh giá tình hình xâm nhập mặn trên hệ thống sông Bến Hải và Thạch Hãn cho kết quả tốt.

Việc hiệu chỉnh và kiểm định mô hình thủy lực và lan truyền chất đƣợc thực hiện với bộ số liệu đo đạc quan trắc tháng 8 năm 2007.