Nghiên cứu ứng dụng trí tuệ nhân tạo vào dự báo lũ sông Hồng trong bối cảnh biến đổi khí hậu

Luận án tiến sĩ phân tích nghiên cứu ứng dụng trí tuệ nhân tạo vào dự báo lũ sông hồng trong bối cảnh biến đổi khí hậu, xây dựng cơ sở lý luận, kiểm chứng thực nghiệm, đóng góp

• Tác giả: Hoàng Quý Nhân
• Người hướng dẫn: PGS.TS Nguyễn Xuân Hoài
• Trường học: Đại Học Thái Nguyên
• Chuyên ngành: Khoa Học Môi Trường
• Đề tài: Ứng Dụng Trí Tuệ Nhân Tạo Trong Dự Báo Lũ Sông Hồng Trước Biến Đổi Khí Hậu
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2024
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MẶC LẠC
• DANH MỤC CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH
• 1. CHƯƠNG 1: TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU
• 1.1. Các kết quả nghiên cứu tổng quan lũ sông trong bối cảnh biến đổi khí hậu
• 1.2. Lũ sông, cơ sở khoa học và nguyên nhân hình thành lũ
• 1.3. Lợi ích và hiệu quả của lũ sông
• 1.4. Ảnh hưởng của biến đổi khí hậu đến lũ sông
• 1.5. Các nghiên cứu và dự báo lũ sông
• 1.5.1. Dự báo lũ sông trên thế giới
• 1.5.2. Dự báo lũ sông ở Việt Nam
• 1.5.3. Một số bất cập trong dự báo lũ Sông Hồng ở Việt Nam
• 1.6. Các nghiên cứu Trí tuệ nhân tạo và lịch sử ứng dụng
• 1.6.1. Trí tuệ nhân tạo và dữ liệu lớn
• 1.6.2. Lịch sử ứng dụng Trí tuệ nhân tạo vào khoa học
• 1.6.3. Ứng dụng Trí tuệ nhân tạo vào khoa học môi trường và dự báo lũ lụt
• 1.7. Bài toán mô hình Trí tuệ nhân tạo trong dự báo lũ sông
• 1.8. Cơ sở dữ liệu cho mô hình dự báo lũ bằng Trí tuệ nhân tạo
• 1.9. Ngôn ngữ lập trình Python
• 1.10. Mô hình dự báo lũ sông bằng Trí tuệ nhân tạo và đề xuất mô hình cây ra quyết định
• 2. CHƯƠNG 2: ĐỐI TƯỢNG, NỘI DUNG, PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Đối tượng và phạm vi nghiên cứu
• 2.2. Thời gian và địa điểm. Nội dung nghiên cứu
• 2.3. Phương pháp nghiên cứu
• 2.3.1. Phương pháp kế thừa và thống kê tài liệu thứ cấp
• 2.3.2. Phương pháp chuyên gia
• 2.3.3. Phương pháp so sánh và đánh giá lựa chọn
• 2.3.4. Phương pháp xử lý và giải đoán ảnh bằng hệ thống thông tin địa lý
• 2.3.5. Phương pháp mô hình hóa thực nghiệm bằng Trí tuệ nhân tạo
• 2.3.6. Phương pháp ra quyết định thống kê bằng mô hình hóa, Trí tuệ nhân tạo trong quá trình dự báo lũ sông
• 2.3.7. Các thành phần và cấu trúc tham gia mô hình dự báo
• 2.3.8. Phương pháp so sánh và đánh giá tổng hợp
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• 3.1. Đặc điểm mực nước và lũ Sông Hồng đoạn chảy qua đô thị Hà Nội
• 3.2. Đặc điểm và vị trí địa lý Sông Hồng đoạn chảy qua đô thị Hà Nội
• 3.3. Đặc điểm biến đổi khí hậu, khí tượng và lượng mưa tác động tới trạm Thủy văn Sơn Tây
• 3.4. Đánh giá các yếu tố ảnh hưởng tới mực nước và lũ Sông Hồng đoạn chảy qua trạm Thủy văn Sơn Tây
• 3.5. Phân tích đặc điểm quan trắc mực nước Sông Hồng đoạn chảy qua trạm Thủy văn Sơn Tây
• 3.6. Phân tích tính chất lũ Sông Hồng đoạn chảy qua trạm Thủy văn Sơn Tây
• 3.7. Kết quả xây dựng cơ sở dữ liệu chuẩn hóa cho dự báo lũ Sông Hồng tại trạm Thủy văn Sơn Tây
• 3.8. Kết quả xây dựng cơ sở dữ liệu huấn luyện
• 3.9. Đánh giá so sánh cơ sở dữ liệu mực nước thực tế và cơ sở dữ liệu mực nước sau xử lý Trí tuệ nhân tạo
• 3.10. Kết quả huấn luyện mô hình dự báo lũ sông với cơ sở dữ liệu chuẩn hóa
• 3.11. Kết quả huấn luyện mô hình dự báo với cơ sở dữ liệu chuẩn hóa trong giai đoạn ngắn hạn
• 3.12. Kết quả huấn luyện mô hình dự báo với dữ liệu chuẩn hóa trong giai đoạn trung hạn 5 ngày
• 3.13. Đánh giá độ tin cậy của mô hình dự báo lũ sông bằng Trí tuệ nhân tạo
• 3.13.1. Xây dựng các hàm giá trị và chỉ số đánh giá độ tin cậy
• 3.13.2. Kết quả xác định độ tin cậy và dự đoán lũ tại trạm Thủy văn Sơn Tây
• 3.14. Đánh giá so sánh ưu nhược điểm của mô hình Trí tuệ nhân tạo với một số kết quả thực tiễn
• 3.15. Ưu điểm của Trí tuệ nhân tạo vào ứng dụng trong dự báo lũ sông
• 3.16. Hạn chế của Trí tuệ nhân tạo vào ứng dụng trong dự báo lũ sông
• 3.17. Mô hình Hệ thống cây ra quyết định cảnh báo lũ dựa trên mô hình Trí tuệ nhân tạo
• 3.18. Kế hoạch, tổ chức và ứng dụng Trí tuệ nhân tạo vào quản lý tài nguyên nước
• 3.19. Một số giải pháp ứng dụng Trí tuệ nhân tạo trong khoa học môi trường và dự báo lũ
• KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÓ LIÊN QUAN
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu

Bài viết này tập trung vào việc ứng dụng trí tuệ nhân tạo trong việc dự báo lũ cho sông Hồng trong bối cảnh biến đổi khí hậu. Sông Hồng là một trong những con sông lớn nhất Việt Nam, đóng vai trò quan trọng trong đời sống kinh tế và xã hội. Tuy nhiên, lũ lụt từ sông Hồng đã gây ra nhiều thiệt hại nghiêm trọng. Việc dự báo chính xác lũ lụt là rất cần thiết để giảm thiểu rủi ro thiên tai. Nghiên cứu này sẽ phân tích các phương pháp mô hình dự báo hiện có và đề xuất ứng dụng công nghệ AI để cải thiện độ chính xác của dự báo.

II. Tình hình lũ sông Hồng và biến đổi khí hậu

Lũ sông Hồng có tính chất chu kỳ và theo mùa, nhưng biến đổi khí hậu đang làm thay đổi các quy luật này. Các hiện tượng thời tiết cực đoan ngày càng gia tăng, dẫn đến tần suất và cường độ lũ lụt cũng tăng theo. Nghiên cứu đã chỉ ra rằng, trong giai đoạn 2011-2020, lũ lụt trên sông Hồng đã xảy ra với tần suất cao hơn so với các năm trước. Điều này đặt ra thách thức lớn cho công tác quản lý lũ và yêu cầu cần có các phương pháp dự báo thời tiết hiệu quả hơn. Việc áp dụng công nghệ AI vào dự báo lũ có thể giúp cải thiện khả năng nhận diện và dự đoán các hiện tượng này.

III. Phương pháp nghiên cứu

Nghiên cứu này sử dụng các phương pháp phân tích dữ liệu và mô hình hóa để xây dựng mô hình dự báo lũ. Các dữ liệu về mực nước sông Hồng được thu thập từ các trạm khí tượng và thủy văn. Sau đó, các mô hình trí tuệ nhân tạo như RNN và LSTM được áp dụng để dự đoán mực nước lũ. Việc sử dụng các mô hình này cho phép xử lý lượng dữ liệu lớn và phát hiện các mẫu phức tạp trong dữ liệu, từ đó nâng cao độ chính xác của dự báo. Kết quả cho thấy mô hình AI có khả năng dự đoán tốt hơn so với các phương pháp truyền thống.

IV. Kết quả và thảo luận

Kết quả nghiên cứu cho thấy mô hình RNN và LSTM có độ chính xác cao trong việc dự báo lũ sông Hồng. Cụ thể, mô hình LSTM cho kết quả tốt hơn trong việc dự đoán mực nước lũ trong giai đoạn ngắn hạn. Điều này chứng tỏ rằng trí tuệ nhân tạo có thể đóng vai trò quan trọng trong việc dự báo lũ và quản lý tài nguyên nước. Việc áp dụng AI không chỉ giúp cải thiện độ chính xác mà còn tiết kiệm thời gian và nguồn lực trong công tác dự báo. Tuy nhiên, cần tiếp tục nghiên cứu và cải thiện các mô hình để đáp ứng tốt hơn với các điều kiện biến đổi khí hậu ngày càng phức tạp.

V. Kết luận

Nghiên cứu này khẳng định tầm quan trọng của việc ứng dụng trí tuệ nhân tạo trong dự báo lũ sông Hồng, đặc biệt trong bối cảnh biến đổi khí hậu. Các mô hình AI không chỉ giúp nâng cao độ chính xác của dự báo mà còn hỗ trợ trong việc quản lý lũ hiệu quả hơn. Kết quả nghiên cứu có thể được áp dụng trong thực tiễn để giảm thiểu thiệt hại do lũ lụt gây ra, đồng thời góp phần vào việc phát triển bền vững tài nguyên nước tại Việt Nam.

Nội dung chính

Tổng quan nghiên cứu

Lũ sông là hiện tượng thiên nhiên phổ biến, gây ảnh hưởng lớn đến đời sống kinh tế - xã hội và môi trường, đặc biệt trong bối cảnh biến đổi khí hậu toàn cầu. Tại Việt Nam, hệ thống sông Hồng là một trong những lưu vực chịu tác động mạnh mẽ của lũ lụt, với các trận lũ lịch sử như năm 1971 gây thiệt hại nghiêm trọng về người và tài sản. Giai đoạn 2011-2020, mực nước và lưu lượng lũ tại trạm Thủy văn Sơn Tây, Hà Nội, đã ghi nhận nhiều biến động bất thường, làm tăng nguy cơ ngập lụt và thiệt hại kinh tế xã hội. Theo thống kê của Trung tâm Dự báo Khí tượng Thủy văn Quốc gia, thiệt hại do lũ lụt trong giai đoạn 2010-2019 lên tới hàng chục nghìn tỷ đồng, với năm 2017 là đỉnh điểm thiệt hại lên đến 27,3 nghìn tỷ đồng.

Nghiên cứu nhằm ứng dụng trí tuệ nhân tạo (AI) vào dự báo lũ sông Hồng trong bối cảnh biến đổi khí hậu, với mục tiêu xây dựng bộ dữ liệu chuẩn hóa, phát triển mô hình dự báo chính xác và đánh giá độ tin cậy của các mô hình AI như RNN và LSTM. Phạm vi nghiên cứu tập trung tại trạm Thủy văn Sơn Tây, Hà Nội, trong giai đoạn 2011-2020. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả dự báo lũ, hỗ trợ công tác phòng chống thiên tai, quản lý tài nguyên nước và vận hành hồ chứa thủy điện, góp phần giảm thiểu thiệt hại do lũ lụt gây ra.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: lý thuyết dự báo thủy văn và mô hình trí tuệ nhân tạo. Lý thuyết dự báo thủy văn tập trung vào phân tích các đặc trưng mực nước, lưu lượng dòng chảy và các yếu tố khí tượng thủy văn ảnh hưởng đến hình thành lũ. Các khái niệm chính bao gồm: mực nước đỉnh lũ, lưu lượng lũ, chu kỳ lũ, và các yếu tố ảnh hưởng như lượng mưa, địa hình lưu vực, và biến đổi khí hậu.

Mô hình trí tuệ nhân tạo (AI) được áp dụng gồm mạng nơ-ron hồi quy (RNN) và mạng nơ-ron dài ngắn hạn (LSTM). Đây là các mô hình học sâu có khả năng xử lý dữ liệu chuỗi thời gian phức tạp, thích hợp cho dự báo mực nước lũ với các đặc trưng phi tuyến tính và biến động theo thời gian. Ngoài ra, mô hình cây ra quyết định (Decision Tree) được sử dụng để đánh giá độ tin cậy và hỗ trợ ra quyết định trong quản lý tài nguyên nước.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu mực nước thực đo tại trạm Thủy văn Sơn Tây, Hà Nội, giai đoạn 2011-2020, bao gồm các thông số mực nước, lưu lượng dòng chảy, lượng mưa và các yếu tố khí tượng liên quan. Cỡ mẫu dữ liệu gồm hàng nghìn điểm quan trắc theo chuỗi thời gian ngày và giờ, được chọn lọc và xử lý để loại bỏ dữ liệu thiếu, sai số và ngoại lai.

Phương pháp phân tích bao gồm: xử lý dữ liệu thô để chuẩn hóa và xây dựng bộ dữ liệu huấn luyện; huấn luyện mô hình RNN và LSTM trên bộ dữ liệu chuẩn hóa; đánh giá hiệu quả mô hình qua các chỉ số như sai số trung bình tuyệt đối (MAE), sai số bình phương trung bình (RMSE) và hệ số xác định (R²). Thời gian nghiên cứu kéo dài trong 2 năm, từ thu thập dữ liệu, xây dựng mô hình đến đánh giá và đề xuất giải pháp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Đặc trưng mực nước và lũ sông Hồng: Phân tích dữ liệu giai đoạn 2011-2020 cho thấy mực nước đỉnh lũ tại trạm Sơn Tây có xu hướng tăng nhẹ, với các trận lũ lớn xuất hiện không theo chu kỳ cố định, gây khó khăn cho dự báo truyền thống. Lượng mưa trung bình hàng năm dao động từ 800 đến 1200 mm, với các đợt mưa lớn bất thường vào tháng 10 năm 2019, gây ra trận lũ kỷ lục với mực nước vượt mức báo động 3.

2. Hiệu quả mô hình AI trong dự báo lũ: Mô hình LSTM-AI đạt độ chính xác cao hơn mô hình RNN-AI, với RMSE giảm khoảng 15% và hệ số xác định R² tăng 0,1 so với RNN. Mô hình LSTM có khả năng dự báo mực nước lũ ngắn hạn (3 giờ) và trung hạn (5 ngày) với độ tin cậy trên 90%, hỗ trợ kịp thời trong công tác cảnh báo.

3. Độ tin cậy và ứng dụng mô hình cây ra quyết định: Mô hình cây ra quyết định được xây dựng dựa trên kết quả dự báo của LSTM giúp phân loại mức độ rủi ro lũ, từ đó đề xuất các biện pháp vận hành hồ chứa phù hợp. Độ chính xác phân loại đạt trên 85%, góp phần nâng cao hiệu quả quản lý tài nguyên nước trong bối cảnh biến đổi khí hậu.

4. So sánh với phương pháp truyền thống: Các mô hình AI vượt trội hơn hẳn so với các phương pháp dự báo thủy văn truyền thống về độ chính xác và khả năng xử lý dữ liệu lớn, phức tạp. Mô hình AI cũng giảm thiểu thời gian xử lý và cho phép cập nhật dự báo liên tục theo dữ liệu mới.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình LSTM đạt hiệu quả cao là khả năng ghi nhớ dài hạn và xử lý chuỗi thời gian phức tạp, phù hợp với đặc trưng biến động không tuyến tính của mực nước lũ. Kết quả này tương đồng với các nghiên cứu quốc tế về ứng dụng AI trong dự báo lũ tại các lưu vực sông lớn. Việc xây dựng bộ dữ liệu chuẩn hóa và xử lý dữ liệu ngoại lai, thiếu hụt cũng đóng vai trò quan trọng trong nâng cao độ chính xác mô hình.

Dữ liệu có thể được trình bày qua biểu đồ so sánh mực nước thực đo và dự báo của hai mô hình RNN và LSTM trong các đợt lũ lớn, cùng bảng thống kê các chỉ số đánh giá mô hình. Ngoài ra, biểu đồ cây ra quyết định minh họa các ngưỡng cảnh báo và biện pháp vận hành hồ chứa cũng giúp trực quan hóa hiệu quả ứng dụng mô hình.

Kết quả nghiên cứu góp phần làm sáng tỏ vai trò của AI trong dự báo lũ sông tại Việt Nam, đặc biệt trong bối cảnh biến đổi khí hậu làm tăng tính bất định và phức tạp của hiện tượng lũ. Tuy nhiên, việc áp dụng rộng rãi cần tiếp tục hoàn thiện hệ thống quan trắc tự động và tích hợp dữ liệu đa nguồn để nâng cao độ tin cậy.

Đề xuất và khuyến nghị

1. Xây dựng hệ thống quan trắc tự động và đồng bộ: Triển khai lắp đặt các trạm quan trắc mực nước, lưu lượng và khí tượng tự động trên toàn lưu vực sông Hồng nhằm đảm bảo dữ liệu đầu vào đầy đủ, chính xác và liên tục. Chủ thể thực hiện: Bộ Tài nguyên và Môi trường, Trung tâm Dự báo Khí tượng Thủy văn Quốc gia. Thời gian: 2 năm.

2. Phát triển và ứng dụng rộng rãi mô hình AI: Đẩy mạnh nghiên cứu, hoàn thiện và triển khai mô hình LSTM và các mô hình AI tiên tiến khác trong dự báo lũ ngắn hạn và trung hạn, tích hợp với hệ thống cảnh báo sớm. Chủ thể thực hiện: Các viện nghiên cứu, trường đại học, cơ quan quản lý thủy lợi. Thời gian: 3 năm.

3. Đào tạo nguồn nhân lực chuyên sâu: Tổ chức các khóa đào tạo, bồi dưỡng kỹ năng về AI, xử lý dữ liệu lớn và dự báo thủy văn cho cán bộ kỹ thuật và nhà quản lý nhằm nâng cao năng lực vận hành và khai thác mô hình. Chủ thể thực hiện: Bộ Giáo dục và Đào tạo, các trường đại học. Thời gian: liên tục.

4. Xây dựng hệ thống ra quyết định hỗ trợ quản lý: Áp dụng mô hình cây ra quyết định kết hợp với dự báo AI để hỗ trợ các cơ quan quản lý trong việc điều tiết hồ chứa, phân bổ nguồn nước và phòng chống lũ hiệu quả. Chủ thể thực hiện: Ban Quản lý lưu vực sông, các cơ quan thủy lợi. Thời gian: 1-2 năm.

Đối tượng nên tham khảo luận văn

1. Cơ quan quản lý tài nguyên nước và phòng chống thiên tai: Nghiên cứu cung cấp cơ sở khoa học và công nghệ mới giúp nâng cao hiệu quả dự báo lũ, hỗ trợ ra quyết định điều tiết hồ chứa và ứng phó kịp thời với lũ lụt.

2. Các viện nghiên cứu và trường đại học chuyên ngành môi trường, thủy văn: Tài liệu tham khảo quý giá cho các nghiên cứu tiếp theo về ứng dụng AI trong dự báo thủy văn và biến đổi khí hậu, đồng thời là nguồn dữ liệu thực nghiệm chuẩn hóa.

3. Doanh nghiệp công nghệ và phát triển phần mềm: Cung cấp nền tảng để phát triển các giải pháp phần mềm dự báo lũ thông minh, tích hợp AI và hệ thống cảnh báo sớm, đáp ứng nhu cầu thị trường và quản lý nhà nước.

4. Người dân và cộng đồng sống ven sông: Giúp nâng cao nhận thức về rủi ro lũ lụt, hiểu rõ các cảnh báo và biện pháp phòng tránh, từ đó giảm thiểu thiệt hại về người và tài sản trong mùa mưa bão.

Câu hỏi thường gặp

1. Tại sao cần ứng dụng trí tuệ nhân tạo trong dự báo lũ sông?
   AI có khả năng xử lý dữ liệu lớn, phức tạp và phi tuyến tính, giúp dự báo chính xác hơn so với phương pháp truyền thống, đặc biệt trong bối cảnh biến đổi khí hậu làm tăng tính bất định của hiện tượng lũ.

2. Mô hình LSTM khác gì so với RNN trong dự báo lũ?
   LSTM có cấu trúc đặc biệt giúp ghi nhớ thông tin dài hạn và tránh hiện tượng mất mát thông tin trong chuỗi thời gian dài, do đó cho kết quả dự báo chính xác và ổn định hơn RNN.

3. Dữ liệu quan trắc có vai trò như thế nào trong nghiên cứu?
   Dữ liệu quan trắc mực nước, lưu lượng và khí tượng là đầu vào quan trọng để huấn luyện và kiểm tra mô hình dự báo, đảm bảo tính chính xác và độ tin cậy của kết quả.

4. Làm thế nào để nâng cao độ tin cậy của mô hình dự báo?
   Cần xây dựng bộ dữ liệu chuẩn hóa, xử lý dữ liệu thiếu và ngoại lai, kết hợp nhiều mô hình AI và áp dụng mô hình cây ra quyết định để đánh giá và điều chỉnh dự báo phù hợp với thực tế.

5. Ứng dụng của nghiên cứu này trong quản lý tài nguyên nước là gì?
   Nghiên cứu giúp hỗ trợ ra quyết định điều tiết hồ chứa, phân bổ nguồn nước hợp lý, cảnh báo sớm lũ lụt, từ đó giảm thiểu thiệt hại và nâng cao hiệu quả sử dụng tài nguyên nước trong bối cảnh biến đổi khí hậu.

Kết luận

• Nghiên cứu đã xây dựng thành công bộ dữ liệu chuẩn hóa mực nước sông Hồng tại trạm Sơn Tây giai đoạn 2011-2020, làm nền tảng cho dự báo lũ chính xác.
• Mô hình LSTM-AI cho kết quả dự báo mực nước lũ ngắn hạn và trung hạn với độ chính xác và độ tin cậy cao hơn so với RNN-AI.
• Mô hình cây ra quyết định hỗ trợ hiệu quả trong việc phân loại rủi ro lũ và ra quyết định quản lý tài nguyên nước.
• Kết quả nghiên cứu góp phần nâng cao năng lực dự báo lũ, hỗ trợ công tác phòng chống thiên tai và quản lý tài nguyên nước trong bối cảnh biến đổi khí hậu.
• Đề xuất triển khai hệ thống quan trắc tự động, phát triển mô hình AI và đào tạo nguồn nhân lực để ứng dụng rộng rãi trong thực tiễn.

Các cơ quan quản lý và nghiên cứu cần phối hợp triển khai các giải pháp đề xuất, đồng thời tiếp tục cập nhật và hoàn thiện mô hình dự báo nhằm đáp ứng yêu cầu ngày càng cao trong công tác phòng chống thiên tai và quản lý tài nguyên nước.

Trích đoạn nội dung tài liệu

Đ¾I HàC THÁI NGUYÊN TR¯âNG Đ¾I HàC NÔNG LÂM HOÀNG QUÝ NHÂN NGHIÊN CĄU ĄNG DĀNG TRÍ TUä NHÂN T¾O VÀO Dþ BÁO Li SÔNG HàNG TRONG BÞI CÀNH BI¾N ĐâI KHÍ HÀU LUÀN ÁN TI¾N S) KHOA HàC MÔI TR¯âNG THÁI NGUYÊN - 2024 Đ¾I HàC THÁI NGUYÊN TR¯âNG Đ¾I HàC NÔNG LÂM HOÀNG QUÝ NHÂN NGHIÊN CĄU ĄNG DĀNG TRÍ TUä NHÂN T¾O VÀO Dþ BÁO Li SÔNG HàNG TRONG BÞI CÀNH BI¾N ĐâI KHÍ HÀU Ngành: Khoa hác môi tr°ãng Mã sß: 9.01 LUÀN ÁN TI¾N S) KHOA HàC MÔI TR¯âNG Ng°ãi h°áng d¿n khoa hác: 1. NGUYâN XUÂN HOÀI 2. Đä THÞ LAN THÁI NGUYÊN - 2024 i LâI CAM ĐOAN Tác giÁ xin cam đoan đây là công trình nghiên cāu cÿa tác giÁ, các kÁt quÁ trong nghiên cāu cÿa Lu¿n án là trung thực và ch°a từng đ°ÿc công bá trong bÃt kỳ công trình nào khác. Việc tham khÁo các nguồn tài liệu (nÁu có) đã đ°ÿc trích dẫn theo đúng quy đßnh.

Tác giÁ LuÁn án HOÀNG QUÝ NHÂN ii LâI CÀM ¡N Sau một thái gian dài nghiên cāu, Lu¿n án đ°ÿc hoàn thành d°ßi sự h°ßng dẫn t¿n tình cÿa PGS.TS Nguyễn Xuân Hoài và PGS.TS Đỗ Thß Lan. Tác giÁ xin bày tß lòng biÁt ¢n sâu sÁc tßi các Thầy, Cô đã h°ßng dẫn và chỉ bÁo t¿n tình trong suát quá trình nghiên cāu đá tác giÁ hoàn thành Lu¿n án này. Tác giÁ xin chân thành cÁm ¢n các đ¢n vß, cá nhân đã góp ý cho tác giÁ trong suát quá trình nghiên cāu. Xin cÁm ¢n tác giÁ cÿa các công trình nghiên cāu có liên quan đã cung cÃp nguồn t° liệu và nhāng kiÁn thāc quý báu đá tác giÁ sÿ dāng tham khÁo trong quá trình nghiên cāu và trích dẫn trong Lu¿n án này.

Tác giÁ xin chân thành cÁm ¢n Phòng Đào T¿o, Khoa hác và Hÿp tác quác tÁ, Tổng cāc Khí t°ÿng Thÿy văn Quác gia, Trung tâm thông tin và dā liệu khí t°ÿng thÿy văn, Viện Trí tuệ nhân t¿o, tr¿m Thÿy văn S¢n Tây, Viện Tài Nguyên và BiÁn đổi khí h¿u, cùng toàn thá các Thầy, Cô giáo; b¿n bè; đồng nghiệp; c¢ quan và gia đình đã t¿o mái đißu kiện, chia sẻ nhāng khó khăn, tham gia đóng góp ý kiÁn và giúp đỡ nghiên cāu sinh trong suát quá trình hác t¿p và hoàn thành Lu¿n án này. Tác giÁ LuÁn án HOÀNG QUÝ NHÂN iii MĀC LĀC LàI CAM ĐOAN. iii DANH MĀC CHĀ VIÀT TÀT. vii DANH MĀC CÁC BÀNG.

viii DANH MĀC CÁC HÌNH. Sự cần thiÁt. Māc tiêu cÿa Lu¿n án. Ý nghĩa cÿa Lu¿n án.

Nhāng đóng góp mßi cÿa Lu¿n án. 6 Ch°¢ng 1: TâNG QUAN CÁC VÄN ĐË NGHIÊN CĄU. Các kÁt quÁ nghiên cāu tổng quan lũ sông trong bái cÁnh biÁn đổi khí h¿u. Lũ sông, c¢ sã khoa hác và nguyên nhân hình thành lũ.

Lÿi ích và h¿u quÁ cÿa lũ sông. Ành h°ãng cÿa biÁn đổi khí h¿u đÁn lũ sông. BiÁn đổi khí h¿u. Ành h°ãng cÿa biÁn đổi khí h¿u đÁn lũ sông.

Các nghiên cāu vß dự báo lũ sông. Dự báo lũ sông trên thÁ gißi. Dự báo lũ sông ã Việt Nam. Một sá bÃt c¿p trong dự báo lũ Sông Hồng ã Việt Nam.

Các nghiên cāu Trí tuệ nhân t¿o và lßch sÿ āng dāng. Trí tuệ nhân t¿o và dā liệu lßn. Lßch sÿ āng dāng Trí tuệ nhân t¿o vào cuộc sáng và khoa hác. Āng dāng Trí tuệ nhân t¿o vào khoa hác môi tr°áng và dự báo lũ lāt.

Bài toán mô hình Trí tuệ nhân t¿o trong dự báo lũ sông. C¢ sã dā liệu cho mô hình dự báo lũ bằng Trí tuệ nhân t¿o. Ngôn Ngā l¿p trình Python. Mô hình dự báo lũ sông bằng Trí tuệ nhân t¿o và đß xuÃt mô hình cây ra quyÁt đßnh.

45 TIàU KÀT CH¯¡NG 1. 47 Ch°¢ng 2: ĐỐI TƯỢNG, NÞI DUNG, PHƯƠNG PHCP NGHIÊN CĀU. Đái t°ÿng và ph¿m vi nghiên cāu. Ph¿m vi nghiên cāu.

Thái gian và đßa điám. Nội dung nghiên cāu. Ph°¢ng pháp nghiên cāu. Ph°¢ng pháp nghiên cāu kÁ thừa và tháng kê tài liệu thā cÃp.

Ph°¢ng pháp chuyên gia. Ph°¢ng pháp so sánh và đánh giá lựa chán. Ph°¢ng pháp xÿ lý và giÁi đoán Ánh bằng hệ tháng thông tin đßa lý. Ph°¢ng pháp mô hình hóa thực nghiệm bằng Trí tuệ nhân t¿o.

Ph°¢ng pháp ra quyÁt đßnh tháng kê bằng mô hình hóa, Trí tuệ nhân t¿o trong quá trình dự báo lũ sông. Các thành phần và cÃu trúc tham gia mô hình dự báo. Ph°¢ng pháp so sánh và đánh giá tổng hÿp. 68 TIàU KÀT CH¯¡NG 2.

70 Ch°¢ng 3: K¾T QUÀ NGHIÊN CĄU VÀ THÀO LUÀN. Đặc điám mực n°ßc và lũ Sông Hồng đo¿n chÁy qua đo¿n thÿ đô Hà Nội. Đặc điám và vß trí đßa lý Sông Hồng đo¿n chÁy qua đo¿n thÿ đô Hà Nội. Đặc điám biÁn đổi khí h¿u, khí t°ÿng và l°ÿng m°a tác động t¿i tr¿m Thÿy văn S¢n Tây.

Đánh giá các yÁu tá Ánh h°ãng tßi mực n°ßc và lũ Sông Hồng đo¿n chÁy qua đo¿n tr¿m Thÿy văn S¢n Tây. Phân tích đặc điám quan trÁc mực n°ßc Sông Hồng đo¿n chÁy qua tr¿m Thÿy văn S¢n Tây. Phân tích tính chÃt lũ Sông Hồng đo¿n chÁy qua tr¿m Thÿy văn S¢n Tây. KÁt quÁ xây dựng c¢ sã dā liệu chuẩn hóa cho dự báo lũ Sông Hồng t¿i tr¿m Thÿy văn S¢n Tây.

KÁt quÁ xây dựng c¢ sã dā liệu huÃn luyện. Đánh giá so sánh c¢ sã dā liệu mực n°ßc thực tÁ và c¢ sã dā liệu mực n°ßc sau xÿ lý Trí tuệ nhân t¿o. KÁt quÁ huÃn luyện mô hình dự báo lũ sông vßi c¢ sã dā liệu chuẩn hóa. KÁt quÁ huÃn luyện mô hình dự báo vßi c¢ sã dā liệu chuẩn hóa trong giai đo¿n ngÁn h¿n.

KÁt quÁ huÃn luyện mô hình dự báo vßi dā liệu chuẩn hóa trong giai đo¿n trung h¿n 5 ngày. Đánh giá độ tin c¿y cÿa mô hình dự báo lũ sông bằng Trí tuệ nhân t¿o 115 3. Xây dựng các hàm giá trß và chỉ sá đánh giá độ tin c¿y. KÁt quÁ xác đßnh độ tin c¿y và dự đoán lũ t¿i tr¿m Thÿy văn S¢n Tây…….

Đánh giá so sánh °u nh°ÿc điám cÿa mô hình Trí tuệ nhân t¿o vßi một sá kÁt quÁ thực tiễn. ¯u điám cÿa Trí tuệ nhân t¿o vào āng dāng trong dự báo lũ sông. H¿n chÁ cÿa Trí tuệ nhân t¿o vào āng dāng trong dự báo lũ sông. Mô hình Hệ tháng cây ra quyÁt đßnh cÁnh báo lũ dựa trên mô hình Trí tuệ nhân t¿o.

KÁ ho¿ch, tổ chāc và āng dāng Trí tuệ nhân t¿o vào quÁn lý tài nguyên n°ßc. Một sá giÁi pháp āng dāng Trí tuệ nhân t¿o trong khoa hác môi tr°áng và dự báo lũ. 124 TIàU KÀT CH¯¡NG 3. 128 K¾T LUÀN VÀ KI¾N NGHÞ.

130 DANH MĀC CÁC CÔNG TRÌNH KHOA HàC CÓ LIÊN QUAN. 131 DANH MĀC TÀI LIäU THAM KHÀO. 132 vii DANH MĀC CHĀ VI¾T TÂT AI Trí tuệ Nhân t¿o - Artificial Intelligence ATNĐ Áp thÃp nhiệt đßi BĐKH BiÁn Đổi Khí H¿u CNTT Công nghệ thông tin CSDL C¢ sã dā liệu ĐBCLS Đồng bằng Sông Cÿu Long ĐDSH Đa d¿ng sinh hác ĐTH Đô thß hóa Gross Domestic Product hay Tổng sÁn phẩm GDP trong n°ßc. Hệ tháng thông tin đ¿i lý GIS (Geographic Information Systems) KHMT Khoa hác Môi tr°áng KKL Không khí l¿nh KTTV Khí t°ÿng thÿy văn Thu¿t toán AI - Bộ nhß dài - ngÁn h¿n LSTM (Long - short term memory) NĐ-CP Nghß đßnh - Chính phÿ NN&PTNT Nông nghiệp và Phát trián nông thôn Thu¿t toán AI m¿ng hồi quy RNN RNN (Recurrent Neural Network) TCKTTVQG Tổng cāc Khí t°ÿng thÿy văn Quác gia WOS Danh māc t¿p chí khoa hác uy tín viii DANH MĀC CÁC BÀNG BÁng 1.

Tháng kê thiệt h¿i vß kinh tÁ do lũ lāt giai đo¿n 2010-2019. Danh sách tr¿m thÿy văn th°ÿng l°u trên Sông Hồng. Nhiệt độ trung bình khu vực Thành phá S¢n Tây, Hà Nội. Tổng l°ÿng m°a trung bình qua các năm giai đo¿n 2011-2020.

Tháng kê các đÿt lũ đặc biệt lßn trên hệ tháng Sông Hồng qua tr¿m Thÿy văn S¢n Tây. KÁt quÁ độ tin c¿y RNN-AI. KÁt quÁ độ tin c¿y LSTM-AI. 118 ix DANH MĀC CÁC HÌNH Hình 2.

Quy trình đánh giá các nhóm nhân tá Khí t°ÿng thÿy văn Ánh h°ãng tßi dự báo lũ sông. Dā liệu mực n°ßc thực tÁ Sông Hồng t¿i tr¿m Thÿy văn S¢n Tây. Quy trình xÿ lý dā liệu thô t¿o c¢ sã dā liệu huÃn luyện dự báo lũ. S¢ đồ quá trình huÃn luyện dự báo mực n°ßc sông.

Mô hình m¿ng Neural hồi quy RNN-AI. Mô đun lặp 4 tầng cÿa m¿ng LSTM-AI. Theo mô hình cây ra quyÁt đßnh cho phòng lũ Sông Hồng. BÁn đồ l°u vực Sông Hồng (thuộc Việt Nam).

Vß trí tr¿m Thÿy văn S¢n Tây (74162) – Sá 6. Hình Ánh vệ tinh GIS chi tiÁt hÿp l°u ba sông chính trên Sông Hồng đÁn thÿ đô Hà Nội. Chi tiÁt mặt cÁt đo¿n Sông Hồng chÁy từ tr¿m S¢n Tây đÁn tr¿m Hà Nội (Chân cầu Long Biên). Các giá trß trung bình nhiệt độ các tháng trong giai đo¿n 2011- 2021, (a) (b) (c)(d) (e) (f) (g) (h) (i) (j).

BiÁn động nhiệt độ trung bình các năm giai đo¿n 2011-2020. L°ÿng m°a trung bình t¿i tr¿m Thÿy văn S¢n Tây giai đo¿n 2011-2020. Tổng hÿp l°ÿng m°a trung bình qua các năm giai đo¿n 2011-2020. GDP tăng tr°ãng khu vực thÿ đô giai đo¿n 2011-2020.

Quá trình đô thß hóa khu vực Hà Nội giai đo¿n 2011-2020. Giá trß mực n°ßc đo thực tÁ t¿i 03 tr¿m khí t°ÿng Thÿy văn Việt Trì, S¢n Tây, Long Biên - Hà Nội. Trực quan hóa giá trß mực n°ßc thực tÁ đo bằng Matplot.AI x tr¿m Thÿy văn S¢n Tây. Phân tích và giÁi đoán Ánh viễn thám từ năm 2011 (a),.

S¢ đồ hệ tháng hồ chāa lßn tr°ßc tr¿m Thÿy văn S¢n Tây. Tháng kê sá điám quan trÁc theo năm từ 2011-2020. Tháng kê dā liệu lÃy mẫu mực n°ßc theo giá/ngày. Điám ngo¿i lai và sai sá trong c¢ sã dā liệu gác.

KÁt quÁ xÿ lý dā liệu Ngo¿i lai, Sai sá tr°ßc và sau xÿ lý. KÁt quÁ xÿ lý dā liệu thiÁu, mÃt mát và bổ sung hoàn thiện c¢ sã dā liệu huÃn luyện. Dā liệu thiÁu và mÃt mát trong t¿p c¢ sã dā liệu gác. T¿p c¢ sã dā liệu đ°ÿc thiÁu và mÃt mát đ°ÿc xÿ lý đầy đÿ.

KÁt quÁ bộ c¢ sã dā liệu đầu vào huÃn luyện đã đ°ÿc chuẩn hóa. KÁt qÿa đánh giá và kiám tra bộ C¢ sã dā liệu mực n°ßc Sông Hồng t¿i tr¿m Thÿy văn S¢n Tây. Mô hình RNN-AI trong dự báo lũ ngÁn h¿n 3h .