Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0

ỨNG DỤNG DEEP LEARNING VÀ MƠ HÌNH TỐN THỦY VĂN
VÀO DỰ BÁO DÒNG CHẢY LŨ
Trần Thị Ngân1, Trần Kim Châu1
1
Trường Đại học Thủy lợi, email:

1. GIỚI THIỆU

Dự báo dòng chảy là điều kiện tiên quyết
cho việc vận hành hồ chứa nhưng lại là vấn
đề phức tạp và có độ bất định lớn. Thơng
thường, các mơ hình thủy văn được sử dụng
để tính tốn dịng chảy từ mưa. Tuy nhiên,
các mơ hình thủy văn hiện tại chưa mơ phỏng
được đầy đủ q trình vật lý hình thành dịng
chảy cũng như chưa cập nhật được những sự
thay đổi liên tục của bề mặt thảm phủ trên
lưu vực. Trong những năm gần đây, việc ứng
dụng nghệ trí tuệ nhân tạo trong bài toán dự
báo đã được nghiên cứu. Đặc biệt, các mơ
hình học sâu đang phát triển mạnh và được
ứng dụng trong nhiều lĩnh vực [2, 3]. Dự báo
dòng chảy cũng là một trong những lĩnh vực
tiềm năng khi áp dụng các mơ hình học sâu
vào giải quyết các hạn chế đặt ra. Với khả
năng tự cập nhật trong quá trình huấn luyện,
các mơ hình mạng nơ ron khắc phục được
những hạn chế trong mơ hình thủy văn [1, 4].
Trong bài báo này, chúng tôi áp dụng

mạng nơ ron hồi tiếp (Recurrent Neural
Network - RNN) để tối ưu bộ thông số mơ
hình thủy văn HMS theo thời gian thực nhằm
mục đích dự báo dòng chảy lũ đến hồ chứa
Tả Trạch. Trong cách tiếp cận này, mơ hình
thủy văn sẽ có nhiệm vụ chuyển đổi mưa thời
gian thực của các trạm đo trên lưu vực thành
dòng chảy lũ đến hồ. Sử dụng kết quả tính
tốn từ mơ hình và dữ liệu thực đo được
trong thời gian 4 giờ trước thời điểm dự báo
làm dữ liệu đầu vào cho mạng RNN. Từ đó
đưa ra được bộ thông số tối ưu tại thời điểm
dự báo. Ứng dụng bộ thơng số tìm được để
tính tốn dịng chảy dự báo. Do hạn chế

thơng tin về mưa dự báo, trong nghiên cứu
này mưa dự báo được giả thiết bằng mưa
thực đo.
2. ỨNG DỤNG RNN TRONG BÀI TOÁN
DỰ BÁO DỊNG CHẢY LŨ

Q trình giải bài tốn dự báo dòng chảy
lũ bao gồm việc giải quyết một chuỗi các bài
toán nhỏ hơn. Chuỗi các bài toán nhỏ hơn
này được gọi là pipeline của mơ hình học
máy (Hình 1).

110

Tiền xử lý dữ liệu


Chuyển tập dữ liệu sang
dạng chuỗi thời gian

Chia dữ liệu và chuyển sang
dạng vector

Xây dựng và huấn luyện
mô hình

Kiểm tra mơ hình RNN

Hình 1. Mơ hình Pipeline của bài tốn
dự báo dịng chảy lũ sử dụng RNN


Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0

Với bài tốn dự báo dịng chảy lũ, ta sẽ
dựa vào phân tích chuỗi thời gian. Đây là
q trình là dự đoán trạng thái tiếp theo dựa
trên một chuỗi đầu vào nhất định dựa trên
những gì đã quan sát trước đó. Kết quả dự
đốn là lưu lượng đến hồ trong thời điểm
giờ tiếp theo, v.v. Trong bài báo này, nhóm
tác giả thử nghiệm mạng RNN trên các thơng
số như sau:
Input: số liệu Qden của 4h trước (mơ hình
và thực đo).
Output: bộ thơng số mơ hình sẽ dùng cho

1h sau.
Các bước giải quyết bài tốn dự báo dịng
chảy lũ như sau:
Tiền xử lý dữ liệu: dữ liệu sau khi thu thập
từ các trạm sẽ được tổng hợp và tiền xử lý.
Chuyển tập dữ liệu sang dạng chuỗi thời
gian: ban đầu, dữ liệu của các tham số tại các
mốc thời gian (t-4), (t-3), (t-2), (t-1) được
thiết lập. Bộ tham số tại các thời điểm này
được sử dụng để dự đoán tham số tại thời
điểm tiếp theo (t) (Hình 2).

Hình 2. Mơ phỏng kết quả dự đốn được
đưa vào mơ hình ở bước thời gian tiếp theo
- Chia tập dữ liệu thành bộ train, test và
chuyển sang dạng vector.
- Áp dụng mạng RNN để giải quyết bài toán
bao gồm các bước nhỏ: xây dựng và huấn
luyện mơ hình RNN, kiểm tra mơ hình RNN.
Một mạng nơ ron hồi quy RNN gồm 3 lớp:
lớp đầu vào, lớp ẩn, lớp đầu ra. Lớp đầu vào
gồm N đầu vào là một chuỗi vector theo thời
gian t {x1…, xt-4, xt-3, xt-2, xt-1,…} với giá trị
tương ứng xt = (x1, x2, x3, x4,…, xN). Các giá
trị đầu vào được kết nối với các nút trong lớp
ẩn bằng ma trận trọng số W1H. Lớp ẩn có M
hidden units ht = (h1, h2, h3, h4,…, hM) được
liên kết với nhau theo thời gian bằng liên kết
lặp lại (Hình 3).


Hình 3. Mạng RNN không bị xáo trộn
theo thời gian
Lớp ẩn xác định không gian trạng thái
hoặc “bộ nhớ” của hệ thống được tính tốn
bằng cơng thức
ht = fH (ot)
(1)
Với ot = WIHxt + WHHht-1 + bh
fH là hàm kích hoạt của lớp ẩn;
bh là vector bias của hidden unit.
Các nút trong lớp ẩn được liên kết với lớp
đầu ra bằng kết nối trọng số WHO. Lớp đầu ra
có P nút yt = (y1, y2, y3, y4,…, yP) được tính
tốn bằng công thức:
0 , x  0
yt  f o (WH 0 ht  b0 ) f ( x )  
(2)
 x, x  0
Với:
f0 là hàm kích hoạt của lớp đầu ra
b0 là vector bias của nút thuộc lớp đầu ra.
Vì các cặp đầu vào - đầu ra là tuần tự theo
thời gian nên các bước trên được lặp lại theo
thời gian t = (1, ..., T). Công thức (1) và (2)
cho thấy RNN bao gồm một số phương trình
trạng thái phi tuyến tính, có thể lặp lại theo
thời gian. Trong mỗi bước thời gian, các trạng
thái ẩn cung cấp một dự đoán ở lớp đầu ra dựa
trên vector đầu vào. Trạng thái ẩn của RNN là
một tập các giá trị, tổng hợp được thông tin

lịch sử của chuỗi cho tới bước thời gian hiện
tại. Thơng tin tích hợp này có thể xác định
hành vi trong tương lai của mạng và đưa ra
các dự đốn chính xác ở lớp đầu ra. RNN sử
dụng một chức năng kích hoạt phi tuyến đơn
giản trong mọi unit. Tuy nhiên, cấu trúc đơn
giản như vậy có khả năng tạo mơ hình động
lực học phong phú, nếu nó được huấn luyện
tốt thơng qua các bước đo thời gian.
Với bài toán dự báo này, do dữ liệu đầu
vào đều có giá trị dương, nên sử dụng hàm
kích hoạt ReLU có cơng thức như sau:

111


Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0

0 , x  0
f(x)
(3)
 x, x  0
Hàm mất mát
đánh giá hiệu suất của
mạng bằng cách so sánh đầu ra ˆy với y được
xác định bằng công thức:
Ty

( ˆy, y )   ( ˆy, y )


(4)

t 1

Đây là tổng số tổn thất trong mỗi bước
thời gian. Trong số các mơ hình RNN, MSE
là hàm mất mát phổ biến nhất, được thể hiện
như sau:
1 n
RMSE   ( ˆyi  yi )2
(5)
n i 1
Với ˆyi là giá trị thực đo tại thời điểm t
yi là giá trị dự báo tại thời điểm t
3. KẾT QUẢ THỰC NGHIỆM

Quá trình thực nghiệm được tiến hành trên
bộ dữ liệu về dòng chảy lũ thu thập từ các
trạm Tạ Trạch 1,2,3,4. Bộ dữ liệu được phân
chia với 75% dùng cho huấn luyện mơ hình
và 25% dùng để kiểm tra mơ hình.
Kết quả của nghiên cứu được thể hiện
thông qua việc so sánh giữa đường q trình
lũ tính tốn và thực đo. Q trình đánh giá dự
trên các độ đo RMSE, MAE.
Các độ đo tính được có giá trị như sau:
- MAE = 30.6653
- MSE = 5747.0368
- RMSE = 75.8092
Tính chính xác của thuật tốn là khá cao.

Có thể dự báo cho ra kết quả không sai lệch
quá lớn so với thực tế (Hình 4).

Hình 4. Biểu đồ kết quả dự đốn và thực đo

- Mơ hình dự báo dịng chảy lũ theo thời
gian thực xây dựng bằng mạng RNN cho ra
kết quả khá sát với thực đo.
- Thời gian chạy mơ hình nhanh, do đó có
thể xử lý các bộ dữ liệu lớn một cách hiệu quả.
- Tuy nhiên nhận thấy, độ chính xác của
mơ hình cịn phụ thuộc vào số lần đưa dữ liệu
vào chạy trong mạng. Trong mỗi lần đưa dữ
liệu vào mạng, nếu lượng dữ liệu q lớn, mơ
hình cũng sẽ không hoạt động tốt.
4. KẾT LUẬN

Trong nghiên cứu này, nhóm tác giả đã kết
hợp mạng RNN và mơ hình thủy văn vào bài
tốn dự báo dịng chảy lũ theo thời gian thực
nhằm mục đích tăng độ chính xác của mơ
hình dự báo dịng chảy. Mơ hình đã tìm ra
được bộ thông số tối ưu phục vụ cho việc dự
báo được lượng nước lũ trong thời gian tiếp
theo dựa vào các bước thời gian trước đó.
Điều này có thể giúp nâng cao tính chính xác
cho việc mơ phỏng dịng chảy. Ngồi ra cịn
giúp người sử dụng mơ hình giảm bớt các
q trình dị tìm thủ cơng tốn nhiều thời gian
và công sức.

5. TÀI LIỆU THAM KHẢO
[1] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee
(2018), “Ứng dụng mạng nơ ron nhân tạo
dự báo lưu lượng dịng chảy sơng Hồng tại
Sơn Tây dựa trên dữ liệu ở thượng lưu”
trong Hội nghị Khoa học Cơ học Thủy khí
tồn quốc lần thứ 21, Quy Nhon, Vietnam.
[2] Kawazoe, Y., Shimamoto, K., Yamaguchi,
R., Shintani-Domoto, Y., Uozaki, H.,
Fukayama, M., & Ohe, K. (2018). Faster RCNN-Based Glomerular Detection in
Multistained
Human
Whole
Slide
Images. Journal of Imaging, 4(7), 91.
[3] Mo, X., Tao, K., Wang, Q., & Wang, G.
(2018, August). An Efficient Approach for
Polyps Detection in Endoscopic Videos
Based on Faster R-CNN. In 2018 24th
International
Conference
on
Pattern
Recognition (ICPR) (pp. 3929-3934). IEEE.
[4] Xuan-Hien Le, Hung Viet Ho, Giha Lee and
Sungho Jung (2019), "Application of Long
Short-Term Memory (LSTM) Neural
Network for Flood Forecasting" Water,
DOI:10.3390/w11071387.


112