CHƯƠNG I. TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 1.1 Tình hình nghiên cứu dự báo lũ trong và ngoài nước 1.1 Nghiên cứu dự báo lũ trên thế giới Trên thế giới, hàng năm các loại thiên tai như: bão, lũ lụt, động đất, lở đất, sóng thần, nước dâng, núi lửa phun, … đã gây tổn thất lớn về người, các công trình cơ sở hạ tầng, các công trình dân sinh và nền kinh tế nói chung của nhiều quốc gia. Trong các loại thiên tai nói trên, lũ lụt thường có tần suất lặp lại lớn nhất và gây ra tổn thất nặng nề về người và tài sản. Tại Mỹ, năm 1970 lần đầu tiên bộ mô hình HSP-Hydrocomp Simulation Program (Hydrocomp, 1969) và mô hình SSARR (Rockwood, 1964) đã được kết hợp sử dụng để tính toán dòng chảy và dự báo lũ cho sông Santa Ynez phục vụ mục đích cấp nước, giảm thiệt hại do lũ và cảnh báo nguy cơ ngập lụt ở hạ lưu Cachuma.
Mô hình Hydrocomp cũng được lựa chọn để tính toán và dự báo dòng chảy cho hệ thống sông Derwent ở Anh phục vụ cho mục đích đánh giá khả năng xả lưu lượng từ hồ chứa Thirlmere để duy trì dòng chảy kiệt tại Workington [3].1 Sơ đồ mô hình lưu vực của mô hình SSARR [3]. Luan van 5 Tại vương quốc Anh, năm 1975 hệ thống dòng chảy thời gian thực của sông Dee là sản phẩm của chương trình hợp tác nghiên cứu được đề xuất vào năm 1966 đã phát triển một phương pháp mới phục vụ cho việc quản lý hồ chứa đa mục tiêu. Kiểm tra và dự báo lũ (cả lũ lớn và lũ nhỏ) là một phần rất quan trọng trong hợp tác nghiên cứu. Năm 1989, cơ quan thời tiết Quốc gia Mỹ (NMS) đã xây dựng hệ thống dự báo thủy văn tác nghiệp (NWSRFS – National Weather Servise River Frocasting System), trong đó mô hình SACRAMENTO và mô hình SSARR được dùng trong tính toán dòng chảy từ mưa, các phương pháp diễn toán thủy văn được dùng để diễn toán lũ trong các đoạn sông và mô hình thủy lực FLDWAV được dùng để tính toán thủy lực trong các trường hợp khẩn cấp như phân lũ, tràn và vỡ đê, vỡ đập [3].
Tại Nhật Bản, một nước có nền kinh tế và công nghiệp phát triển cao, mạng lưới trạm quan trắc phục vụ dự báo khá tốt với khoảng 1.300 trạm qua trắc tự động, 162 trạm quan trắc Synop, 1 vệ tinh khí tượng, 22 rađa khí tượng…Cục khí tượng Nhật Bản có nhiệm vụ dự báo thời tiết và từ đó đưa ra các thông báo, dự báo về thời tiết. Công việc dự báo thủy văn trên các sông suối của Nhật do Bộ xây dựng (trước đây) đảm nhận. Các cơ quan thuộc Bộ này đã phối hợp với nhiều cơ quan nghiên cứu, công ty tư vấn để xây dựng những công nghệ dự báo thích hợp cho từng lưu vực sông cụ thể. Ở Nhật Bản ngoài mô hình thủy lực MIKE.
Các chuyên gia thường sử dụng quan hệ hồi quy, mô hình TANK, mô hình lượng trữ và gần đây là các công nghệ mới như hệ mờ và hệ thần kinh nhân tạo [3]. Gần nước ta hơn, trung tâm START Đông Nam Á (Southeast Asia START Regionnal Center) đang xây dựng “Hệ thống dự báo lũ thời gian thực cho lưu vực sông Mê Kông”. Hệ thống này được xây dựng dựa trên mô hình thủy văn khu vực có thông số phân bố, tính toán dòng chảy từ mưa. Hệ thống dự báo được phân thành 3 phần: thu nhận số liệu từ vệ tinh và các trạm tự Luan van 6 động, dự báo thủy văn và dự báo ngập lụt.
Thời gian dự kiến dự báo là 1 hoặc 2 ngày. Hệ thống này đang được hoàn thiện [3]. Viện Thủy lực Đan Mạch (Danish Hydraulics Institute, DHI) xây dựng phần mềm dự báo lũ bao gồm: Mô hình NAM tính toán và dự báo dòng chảy từ mưa; mô hình MIKE 11 tính toán thủy lực, dự báo dòng chảy trong sông và cảnh báo ngập lụt. Phần mềm này đã được áp dụng rộng rãi và rất thành công ở nhiều nước trên Thế giới.
Trong khu vực Châu Á, mô hình đã được áp dụng để dự báo lũ lưu vực sông Mun – Chi và Songkla ở Thái Lan, lưu vực sông ở Bangladesh và Indonexia. Hiện nay, công ty tư vấn CTI của Nhật Bản đã mua bản quyền của mô hình, thực hiện những cải tiến để mô hình có thể phù hợp với điều kiện thủy văn của Nhật Bản. Wallingford kết hợp với Hacrow đã xây dựng phần mềm iSIS cho tính toán dự báo lũ và ngập lụt. Phần mềm bao gồm các mô đun: Mô hình đường đơn vị tính toán và dự báo dòng chảy từ mưa; mô hình iSIS tính toán thủy lực, dự báo dòng chảy trong sông và cảnh báo ngập lụt.
Phần mềm này đã được áp dụng khá rộng rãi ở nhiều nước trên Thế giới, đã được áp dụng cho sông Mê Kông trong chương trình Sử dụng nước do ủy hội Mê Kông Quốc tế chủ trì thực hiện. Ở Việt Nam, mô hình iSIS được sử dụng để tính toán trong dự án phân lũ và phát triển thủy lợi lưu vực sông Đáy do Hà Lan tài trợ. - 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 hoàn 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.
Luan van 7 - 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 (2009) đã áp dụng mô hình mạng trí tuệ nhân tạo với thuật toán Thuyết Tiến Hóa – EANN (Evolutionary Algorithms Nueral Network) vào dự báo dòng chảy 10 ngày đến hồ chứa Shihmen thuộc lưu vực sông Tanshui của Đài Loan. Mô hình EANN sử dụng thuật toán Thuyết Tiến Hóa để tìm và xây dựng mạng nơ ron thần kinh, các trọng số kết nối một cách tự động.
Mô 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 dò tìm và tối ưu hóa mạng nơ ron cùng với việc xác định các trọng số kết nối. Kết quả dự báo của mô hình EANN là tốt hơn rất nhiều so với mô hình AR và ARMAX (mô hình cải tiến của ARMA). Việc sử dụng mô hình EANN đã một phần nào đó khắc phục được nhược điểm cố hữu của mô 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 (2009) đã nghiên cứu xây dựng một mô 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 mô hình ANFIS để mô hình hóa các tín hiệu đầu vào đã được chuyển Luan van 8 đổi thành tín hiệu đầu ra là dòng chảy. Mô 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 mô hình còn mở ra một hướng mới trong dự báo thủy văn đó là các mô 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 mô 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 mô hình toán: thiết lập các phương trình toán học mô tả mối quan hệ giữa các nhân tố ảnh hưởng hình thành nên dòng chảy.
Thời gian dự báo của phương pháp mô 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 mô hình sẽ là công 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 thông 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 mô 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 mô hình đã và đang được sử dụng rộng rãi trên thế giới như: - Mô hình thủy văn mô phỏng dòng chảy từ mưa: Các mô hình thông số tập trung HEC-HMS, SSARR, TANK, NAM…; các mô hình thông số phân phối như MARINE, WETSPA,.
Các mô hình này đã và đang ngày càng được phát triển với cơ sở lý thuyết chặt chẽ hơn, giao diện mô hình thân thiện và dễ sử dụng. - Cùng với đó các mô hình thủy lực 1 chiều, 2 chiều mô phỏng tính toán dòng chảy trong hệ thống sông và ngập lụt cũng được phát triển mạnh mẽ, có thể kể đến một số mô hình như: Mô hình HEC (HEC–3, HEC-RAS), mô hình Luan van 9 MIKE (Mô hình MIKE–BASIN, MIKE-11, MIKE-FLOODWATCH, MIKE 21). - Gouweleew và cộng sự đã tiến hành nghiên cứu tích hợp mô hình số bán thống kê dự báo thời tiết hạn vừa ECMWF vào mô hình thủy văn thông số phân bố LISFLOOD để dự báo dòng chảy cho sông Meuse và Rhine của Đức. - Mô hình thời tiết ECMWF là mô hình toàn cầu có khả năng đưa ra dự báo thời tiết với thời gian dự kiến lên tới 10 ngày.