NGHIÊN CỨU ÁP DỤNG MƠ HÌNH HỌC MÁY PHỤC VỤ VẬN HÀNH
HỆ THỐNG KIỂM SOÁT LŨ THỜI GIAN THỰC CHO KHU VỰC LÕI
THÀNH PHỐ CẦN THƠ
Trương Vân Anh, Hoàng Thị Nguyệt Minh
Trường Đại học Tài nguyên và Môi trường Hà Nội
Tóm tắt
Cần Thơ là một tỉnh thuộc đồng bằng sơng Cửu Long nằm trên bờ Sông Hậu. Đây là một tỉnh
thường xuyên bị ngập lụt do lũ thượng nguồn, do triều cường và do mưa lớn nội đồng. Để kiểm
soát ngập lụt, chính quyền thành phố đã cho xây dựng một vùng bao gồm các hệ thống kè sông và
cống ngăn lũ, đảm bảo nước trên các sông lớn không gây ngập lụt vùng đô thị. Nghiên cứu này
đánh giá khả năng vận hành hệ thống để đảm bảo quản lý rủi ro lũ lụt vùng đô thị lõi Cần Thơ.
Phương pháp tiếp cận mơ hình cho phép vận hành hệ thống thời gian thực dựa trên dữ liệu dự báo
tại các trạm thủy văn trên Sông Hậu được đề xuất áp dụng trong đó mơ hình học máy đã giúp giải
quyết việc giảm tải thời lượng tính tốn của các mơ hình thủy động lực học thơng thường để áp
dụng được trong thực tế vận hành hệ thống.
Từ khóa: Quản lý rủi ro ngập lụt; Biến đối khí hậu; Mơ hình học máy; Mơ hình SNN; Mơ
hình ANN; Kiểm soát hệ thống.
Abstract
Apply machine learning model to operate real - time flood control system for core area
of ​​Can Tho city
Can Tho is a province in the Mekong Delta located on the banks of the Hau River. This is
a province that is regularly flooded by upstream floods, high tides and heavy rains in its area.
To control flooding, the city government built an area including river embankment systems and
flood control sluices, ensuring that water in major rivers does not flood the urban area. This
study evaluates the system performance to ensure flood risk management in the core urban area
of ​​Can Tho. The model approach that allows real - time system operation based on forecast
data at hydrological stations on the Hau River is proposed to be applied in which the machine
learning model has helped to reduce the computational time load. Mathematics of conventional
hydrodynamic models to be applied in actual system operation.
Keywords: Flood risk management; Climate change; Machine learning; SNN model; ANN
model; Control system.

1. Đặt vấn đề
Cần Thơ là một tỉnh thuộc vùng đồng bằng sông Cửu Long. Nằm bên bờ Sông Hậu và cách
cửa biển Định An khoảng 76 km, với cao độ trung bình dao động khoảng từ 1 - 2 m, thành phố
thường xuyên bị ngập lụt do mưa lớn nội đồng, lũ từ thượng nguồn sông Cửu Long và triều cường
từ Biển Đơng. Để khắc phục tình trạng ngập úng này, chính quyền địa phương đã lên phương án
xây dựng vùng đô thị lõi thành phố Cần Thơ thành một vùng bao được bao quanh bởi các bờ kè kết
hợp đường giao thông và một hệ thống cống ngăn triều và trạm bơm không cho phép nước sông
tràn vào hệ thống cũng như sẽ vận hành bơm nước từ hệ thống ra ngồi sơng khi mực nước sơng
cao mà hiện tượng ngập úng trong vùng bao vẫn xảy ra do mưa lớn.
Để vận hành một hệ thống thủy lực như vậy, thơng thường các mơ hình thủy văn, thủy lực
thủy thường được sử dụng [1, 2, 3, 4]. Trong đó dự báo chính xác dịng chảy là điều cần thiết để
308

Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường


vận hành hiệu quả các hệ thống tài nguyên nước. Kiểm soát và quản lý lũ lụt, thiết kế các cơng
trình thủy lực như đập và cầu và phân bổ nguồn cung cấp nước tối ưu cho các cơ quan cạnh tranh
khác nhau (sản xuất thủy điện, thủy lợi, công nghiệp và sinh hoạt) là một vài ví dụ trong đó dự báo
dịng chảy của sơng trong nhiều giờ, ngày, trước hàng tháng là rất quan trọng. Q trình dịng chảy
phức tạp và có tính phi tuyến cao và bị ảnh hưởng bởi các yếu tố như vị trí địa lý của lưu vực, đặc
điểm địa mạo và khí hậu. Dự đốn dịng chảy của sơng có thể đạt được bằng cách sử dụng hai loại
mơ hình tốn học: Mơ hình lượng mưa - dịng chảy sử dụng cả dữ liệu khí hậu và thủy văn và mơ
hình dịng chảy chỉ sử dụng dữ liệu thủy văn [5]. Các mô hình tốn học có thể là kiểu khái niệm
xác định hoặc kiểu hộp đen hệ thống. Nhiều quy trình xác định phụ thuộc vào vật lý cơ bản yêu
cầu một lượng lớn dữ liệu để hiệu chuẩn và xác nhận và rất rộng về mặt tính tốn, do đó các nhà
nghiên cứu cố gắng thay đổi các kỹ thuật để dự báo dòng chảy một cách tương đối dễ dàng và độ
chính xác hợp lý. Các mơ hình hộp đen cố gắng phát triển các mối quan hệ giữa các biến đầu vào
và đầu ra liên quan đến một quá trình vật lý mà khơng xem xét q trình vật lý cơ bản. Các mơ hình

này được điều khiển theo hướng dữ liệu và hoạt động trên cơ sở kết nối giữa các biến trạng thái của
hệ thống với kiến ​​thức hạn chế về các chi tiết về hoạt động vật lý của hệ thống [6]. Do sự sẵn có
của dữ liệu, các phương pháp này đang trở nên phổ biến hơn kể từ hai thập kỷ qua. Mơ hình theo
hướng dữ liệu có thể được coi là một cách tiếp cận tập trung vào việc sử dụng các phương pháp
học máy trong việc xây dựng các mơ hình sẽ bổ sung hoặc thay thế các mơ hình “hướng tri thức”
mơ tả hành vi vật lý [7]. Ví dụ về các phương pháp phổ biến nhất được sử dụng trong mơ hình hóa
theo hướng dữ liệu của các hệ thống lưu vực sơng là: Phương pháp thống kê, có lẽ là phương pháp
lâu đời nhất, tiếp theo là các kỹ thuật, chẳng hạn như mạng nơ - ron nhân tạo, hệ thống dựa trên
quy tắc mờ, lập trình di truyền và cây mơ hình [8].
Đối với khu vực nghiên cứu như đồng bằng sơng Cửu Long, thơng thường, mơ hình thủy lực
toàn đồng bằng sẽ được xây dựng và áp dụng để mơ phỏng dịng chảy ở các sơng nhánh trên tồn
hệ thống. Sau đó, các biên của hệ thống nhỏ được trích xuất từ mơ hình để làm đầu vào cho một
mơ hình thủy lực của vùng nghiên cứu [9, 10, 11]. Do vậy, việc dự báo dòng chảy trở nên khó khăn
do thời gian tính tốn lớn hơn thời gian dự báo.
Bài báo này nghiên cứu áp dụng mơ hình học máy SNN trong dự báo dịng chảy khu vực
vùng đô thị lõi Cần Thơ phục vụ vận hành hệ thống chống ngập trong bối cảnh BĐKH. Theo đó
SNN được đánh giá là một mơ hình hướng dự liệu hiệu quả, giúp giảm thiểu thời gian tính tốn mà
vẫn đảm bảo độ chính xác cho vận hành hệ thống.
2. Phương pháp nghiên cứu và thu thập tài liệu
2.1. Giới thiệu về khu vực nghiên cứu
Cần Thơ có tốc độ phát triển về hạ tầng cơ sở rất nhanh, q trình đơ thị hóa nhanh, phát triển
mạnh các khu cơng nghiệp, nhưng hệ thống tiêu thốt nước của thành phố chưa thật hoàn chỉnh
và đồng bộ.
Là một thành phố đang tăng trưởng năng động nhưng Cần Thơ lại phải đối mặt với nhiều mối
đe dọa ảnh hưởng đến khả năng đạt được các mục tiêu phát triển của mình - đó là lũ lụt, nước biển
dâng, sụt lún đất và đơ thị hóa nhanh chóng. Đặc điểm tự nhiên chính vùng nghiên cứu như sau:
Địa hình: Bằng phẳng, thuận lợi cho việc tổ chức hệ thống canh tác nông nghiệp, một hệ
thống Nông nghiệp - Thủy sản hỗn hợp, những vùng đất cao thuận lợi cho xây dựng, những vùng
thấp trũng có thể tổ chức xây dựng các hồ chứa và tiêu thoát nước, kết hợp cây xanh mặt nước tạo
cảnh quan. Tuy nhiên do thấp trũng nên thường xuyên chịu tác động của ngập lụt.

Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường

309


Điều kiện thủy văn: Mạng lưới sông, rạch, thuận lợi cho phát triển giao thông thủy, liên kết
các cảng sông và cảng biển, nuôi trồng thủy sản, phát triển du lịch sinh thái, du lịch văn hóa, hình
thành các KĐT sinh thái, nguồn cung cấp nước thuận lợi cho sản xuất và sinh hoạt, phát triển kinh
tế - xã hội.
Đất đai: Nguồn tài nguyên đất đai màu mỡ, vùng sinh thái rộng lớn, đất đai phì nhiêu nhất
là khu vực phù sa ngọt được bồi đắp thường xuyên, thích hợp cho canh tác lúa, cây hoa màu, cây
lương thực, cây công nghiệp ngắn ngày, cây ăn quả đặc sản nhiệt đới, tạo điều kiện thuận lợi để
Cần Thơ phát triển công nghiệp chế biến. Phát triển nông nghiệp theo hướng toàn diện. Vùng ngoại
vi phụ cận rộng lớn, cho phép Cần Thơ có nhiều cơ hội thực hiện quy hoạch thành phớ trong khơng
gian mở.

Hình 1: Vùng nghiên cứu
2.2. Phương pháp nghiên cứu

Hình 2: Sơ đồ nghiên cứu để thiết kế và vận hành hệ thống cơng trình quản lý rủi ro ngập lụt
thành phố Cần Thơ
310

Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường


Để bảo vệ vùng đô thị lõi, thành phố quyết định xây dựng 12 cống ngăn triều (màu chấm đỏ
trong Hình 1) để chặn nước từ các con sơng ngoại vi gây ngập trong thành phố khi triều lên. Các

cống này sẽ được vận hành tự động kết nối SCADA do vậy mức nước trong nội đo và ngồi sơng
cần được dự báo sớm để đảm bảo vận hành cống an tồn và hiệu quả. Một mơ hình thủy động lực
học nội đô được xây dựng để mô phỏng mực nước trong thành phố và sông bao quanh hệ thống.
Để có được các biên cho mơ hình này, mực nước tại các đầu biên sẽ được nội suy từ mực nước thực
đo/ dự báo tại trạm thủy văn Cần Thơ trên sơng Hậu bằng mơ hình học máy SNN. Sơ đồ nghiên
cứu được thể hiện ở Hình 2.
Theo đó, mơ hình hệ thống được tích hợp từ mơ Hình 1 chiều mô phỏng hệ thống kênh rạch
kết hợp với mô hình 1 chiều mơ phỏng hệ thống tiêu thốt nước đơ thị và được tích hợp với lưới
tính 2 chiều để mơ phỏng các trường hợp ngập lụt cho tồn vùng đô thị lõi theo các kịch bản khác
nhau phục vụ cho xây dựng kế hoạch kiểm soát nước, bản đồ rủi ro ngập lụt.

Hình 3: Sơ đồ tính tốn mạng lưới thủy lực vùng lõi
Tiếp theo đó, mơ hình được sử dụng trong vận hành hệ thống thời gian thực. Dựa vào dữ
liệu dự báo mực nước tại trạm thủy văn Cần Thơ trên Sông Hậu, mực nước tại các biên và cửa cống
được dự báo trước 12 h và tích hợp trong hệ thống hỗ trợ ra quyết định đề điều khiển hệ thống cống
ngăn triều.
Mơ hình học máy SNN là tập hợp của nhiều nút thần kinh (nơron), các tập hợp này tạo
thành một cấu trúc hệ thống gồm các lớp mà ta gọi là các layer. Trong đó ta sẽ thấy một mạng nút
thần kinh (Neuron network) đơn hay một đơn vị mạng thần kinh thường có các lớp: Lớp đầu vào
(Input layer), lớp ẩn (Hidden layer), lớp đầu ra (Output layer). Các lớp này có nhiệm vụ xử lý tín
hiệu nhận được theo thứ tự lớp sau nhận giá trị output của lớp trước để tiến hành. Số lượng lớp ẩn
hidden layer là không giới hạn.
Mạng neural bao gồm các phân tử hoạt động song song. Những yếu tố này được lấy cảm
hứng từ hệ thống thần kinh sinh học. Nó gồm các nút thần kinh nối với nhau và xử lý thông tin
bằng cách truyền theo các kết nối và tính giá trị tại các nút. Mạng thần kinh với mỗi nút sẽ có
Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường

311



những dữ liệu đầu vào, biến đổi những dữ liệu đầu vào này bằng cách tính tổng các đầu vào với
trọng số (weight) tương ứng trên các đầu vào, sau đó áp dụng một hàm biến đổi phi tuyến tính cho
phép biến đổi này để tính tốn trạng thái trung gian. Ba bước trên tạo thành một lớp.
Thông qua việc lặp lại các bước trên, Neural network học thông qua nhiều layer và các nút
phi tuyến tính rồi sau đó kết hợp lại ở layer cuối cùng để cho ra một dự đốn.
Thơng thường, mạng nơron được điều chỉnh hoặc huấn luyện để một đầu vào cụ thể dẫn đến
một đầu ra mục tiêu cụ thể. Quá trình điều chỉnh các trọng số và độ lệch từ dữ liệu đầu vào được
gọi là đào tạo mạng thần kinh. Hình dưới đây minh họa một tình huống như vậy. Mạng thần kinh
học bằng cách tạo ra các tín hiệu lỗi đo lường sự khác biệt giữa các giá trị của mạng và giá trị mong
muốn, sau đó sử dụng tín hiệu lỗi này để điều chỉnh lại weight và bias (độ lệch) trong hàm kích
hoạt (activation function) để việc dự đốn sau đó chính xác hơn.

Hình 4: Sơ đồ hoạt động của 1 Neuron network
Tích hợp các neuron trong lớp ẩn của mơ hình học máy SNN để đào tạo mơ hình dự báo mực
nước biên cho mơ hình vùng đơ thị lõi Cần Thơ tại Hình 3 theo sơ đồ tính tốn ở Hình 5.

Hình 5: Sơ đồ hoạt động của mơ hình học máy SNN để tính tốn mực nước tại các biên của
mơ hình thủy lực vùng đơ thị lõi Cần Thơ
3. Kết quả và thảo luận
Mạng SNN được xây dựng từ 3 lớp đơn giản: 1 lớp đầu vào (mực nước tại Cần Thơ), 1 lớp
ẩn chứa 10 nơron và 1 lớp đầu ra chứa 4 biên của mơ hình thủy lực vùng đơ thị lõi Cần Thơ như
Hình 6.
Lưu ý rằng vị trí ranh giới BC 4 gần như trùng khớp với trạm đo thủy văn Cần Thơ. Do đó,
mực nước BC 4 có thể được coi là xấp xỉ mực nước Sông Hậu tại trạm đo Cần Thơ được Trung
tâm Dự báo Khí tượng thủy văn Quốc gia (NCHMF) quan trắc hoặc dự báo hàng ngày.
312

Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường



Trong quá trình hiệu chỉnh và kiểm định, mực nước theo chuỗi thời gian tại các ranh giới của
hệ thống được lấy từ mơ phỏng mơ hình đồng bằng sơng Cửu Long 1D. Phân tích mối quan hệ giữa
mực nước Sông Hậu tại trạm đo Cần Thơ với mực nước ranh giới thượng lưu của hệ thống dựa trên
kết quả mơ phỏng mơ hình đồng bằng sơng Cửu Long, có thể kết luận rằng có sự tương đồng đáng
kể giữa mực nước mơ phỏng mức của hai trạm, Hình 7 và Hình 8. Do đó, trong mơ phỏng kịch bản,
mối quan hệ giữa BC 4 (mực nước sông Hậu tại đoạn Cần Thơ - có thể quan trắc hoặc dự báo) và
mực nước 4 ranh giới còn lại (BC 1, BC 2, BC 3 và BC 5) sẽ được sử dụng để xác định các điều
kiện biên của mơ hình lõi đô thị. Các mối quan hệ này được xây dựng dựa trên kết quả mơ phỏng
mơ hình đồng bằng sông Cửu Long cho các đợt lũ năm 2009, 2011 và 2018.

Hình 6: Vị trí các biên mực nước cho mơ hình lõi đơ thị

Hình 7: Mực nước Sơng Hậu tại trạm Cần Thơ (BC4) và biên xung quanh còn lại của hệ
thống khu vực lõi đô thị
Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường

313


Hình 8: Mối tương quan giữa mực nước tại trạm đo Cần Thơ (Sông Hậu) và biên trên của
khu vực lõi đơ thị

Hình 9: Mối tương quan giữa mực nước tại trạm đo Cần Thơ (Sông Hậu) và biên dưới của
khu vực lõi đơ thị
Hình 7 cho thấy chuỗi thời gian mực nước của các ranh giới của mơ hình lõi đơ thị. Có thể
thấy rằng các tín hiệu mực nước thay đổi theo một cách giống nhau, chỉ khác nhau về biên độ. Do
đó, phân tích mối tương quan của chúng sẽ có lợi cho việc tìm kiếm các mối quan hệ của chúng.

Hình 8 và Hình 9 cho thấy mối quan hệ giữa mực nước tại trạm Cần Thơ (BC 4 trên trục tung) và
các vị trí BC 1, BC 2, BC 3 và BC 5 (trục hoành) trong các ô phân tán. Quan hệ hồi quy tuyến tính
có thể được thực hiện dưới dạng các đường chấm trong các hình. Các quan hệ tuyến tính này cho
thấy các giá trị R2 lần lượt là 0,8413, 0,992, 0,991 và 0,991. Do đó, mối quan hệ tuyến tính giữa
BC 4 và BC 2, BC 3 và BC 5 có thể chấp nhận được nhưng mối quan hệ giữa BC 1 và BC 4 có
thể được cải thiện bằng cách áp dụng quan hệ phi tuyến tính. Cách tiếp cận mạng nơron nhân tạo
(SNN), có thể mơ tả mối quan hệ phi tuyến tính giữa đầu vào và đầu ra của hệ thống có thể là một
lựa chọn. Ứng dụng của mạng nơron nhân tạo, được đơn giản hóa như mạng nơron (NN) là một kỹ
thuật mới có lợi thế và độ chính xác tốt hơn trong trường hợp phân tích chuỗi thời gian động. Cấu
trúc đơn giản nhất của nó có thể được trình bày như trong Hình 10.
314

Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường


Hình 10: Ví dụ về cấu trúc Mạng thần kinh nhân tạo
Trong nghiên cứu này, các mối quan hệ
giữa mực nước tại BC 4 và BC 1, BC 2, BC
3, BC 5 sẽ được xây dựng bằng phương pháp
SNN. Dữ liệu cho tính tốn đào tạo được lấy từ
kết quả mơ phỏng với mơ hình đồng bằng sơng
Cửu Long cho các năm 2009, 2011 và 2018.
Cấu trúc chung của các mơ hình này được minh
họa trong Hình 11.

Hình 11: Cấu trúc của SNN với 10 tế bào
thần kinh để ước tính ranh giới xung quanh
của hệ thống lõi đơ thị


Hình 12: Biểu đồ sai số của mơ hình SNN1 và SNN2. Sai số tính theo mét
Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường

315


Kết quả đào tạo SNN được trình bày dưới dạng giá trị R2 trong Bảng 1.
Bảng 1. Kết quả tính toán SNN
R
SNN1
2

Đào tạo
0.98

Kiểm định
0.98

Thử nghiệm
0.98

Từ các giá trị R2 trong Bảng 1, có thể thấy rằng kết quả của mơ hình học máy SNN đầy hứa
hẹn và cho kết quả tốt hơn so với phương pháp hồi quy tuyến tính.
Các mơ hình này được hiệu chỉnh với dữ liệu của các sự kiện từ ngày 29 tháng 11 năm 2017
đến ngày 04 tháng 12 năm 2017 để có dữ liệu quan sát tại hai vị trí trong rạch Cái Sơn. Một gần
cầu Cái Sơn và một gần văn phòng Hội người khuyết tật Cần Thơ như Hình 13.

Hình 13: Bản đồ các vị trí quan trắc
Để thực hiện các tính toán SNN, mực nước ghi được tại trạm Cần Thơ (BC 4) cũng được thu

thập. Dữ liệu này sẽ được sử dụng để ước tính các ranh giới khác này (BC 1, BC 2, BC 3 và BC
5) bằng cách sử dụng SNN 1, RG 2, RG 3, RG 4, tương ứng như trong (Hình 13). Mơ hình kênh
1D sẽ được sử dụng để mơ phỏng tình huống. Và mực nước ước tính tại rạch Cái Sơn sẽ rút và so
sánh với mực nước quan trắc.

Hình 14: Dự báo mực nước tại BC 1, BC 2, BC 3, BC 5 từ ngày 01/11/2017 - 31/12/2017
Chuỗi thời gian như trong Hình 14 sẽ đưa đến mơ hình dịng chảy hở 1D của lõi đơ thị như
các điều kiện biên. Sau đó, mực nước ước tính tại Cái Sơn và Cái Sơn 1 có thể được so sánh với
mực nước quan trắc, Hình 15 và Hình 16.
316

Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường


Hình 15: Mực nước dự báo tại Cái Sơn 1 (vạch đỏ) và mực nước quan trắc (vạch xanh) cho
các thời kỳ từ ngày 29/11/2017 đến ngày 04/12/2017

Hình 16: Mực nước dự báo tại Cái Sơn (vạch đỏ) và mực nước quan trắc (vạch xanh) cho các
thời kỳ từ ngày 29/11/2017 đến ngày 04/12/2017
So sánh giữa mực nước ước tính và mực nước quan trắc được trong Hình 15 và Hình 16 cho
thấy một kết quả thỏa mãn. Cần lưu ý rằng các dữ liệu thủy văn được ghi lại trong lõi đơ thị là rất
hiếm và khó tiếp cận. Do đó, dữ liệu như đã thảo luận sẽ là dữ liệu duy nhất có thể chứng minh độ
chính xác của mơ hình kênh hở 1D của lõi đơ thị và các mơ hình hướng dữ liệu SNN. Cùng với mơ
hình lõi đơ thị 2D, mơ hình tích hợp sẽ được đánh giá dựa trên dữ liệu dấu vết ngập lụt cho một số
giai đoạn ngập lụt được ghi lại của hệ thống.
4. Kết luận
Với mục tiêu xây dựng được phương án dự báo mực nước thời gian thực cho mơ hình vùng
đơ thị lõi thành phố Cần Thơ phục vụ vận hành hệ thống chống ngập, bài báo này đã nghiên cứu
ứng dụng Mạng trí tuệ nhân tạo (SNN) xây dựng phương án dự báo. Đây là phương pháp tiếp cận

tiên tiến trong dự báo thủy văn. Qua quá trình ứng dụng, có thể thấy tính ưu việt của mơ hình SNN
trong dự báo dịng chảy lưu vực sơng đặc biệt vùng ảnh hưởng triều khi chế độ dòng chảy có tính
chu kỳ cao.
Mơ hình này được xem xét rõ ràng tính ưu việt hơn các mơ hình thủy động lực học về thời
gian tính tốn và kết quả tính tốn cũng có thể chấp nhận được như trong trường hợp nghiên cứu
trên đây.
Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường

317


TÀI LIỆU THAM KHẢO
[1]. Cameron T. Ackerman and Gary W. Brunner (2011). Dam failure analysis using HEC - RAS and HEC
- GeoRAS. Hydrologic Engineering Center, Davis, CA 95616.
[2]. P. Vanderkimpen (2008). Flood modeling for risk evaluation - a MIKE FLOOD sensitivity analysis.
River flow 2008 - Altinakar and colleagues, Kubaba Congress Department and Travel services ISBN 978605-60136-3-8.
[3]. William James and colleagues (2012). Auto - Integrating multiple HEC - RAS Floodline Models into
catchment - wide SWMM flood forecasting models. AWRA hydrology & watershed management technical
committee, United States of America, June - December 2012.
[4]. Tô Thúy Nga, Lê Hùng và Nguyễn Dương Quang Chánh (2013). Ứng dụng mơ hình MIKE FLOOD mơ
phỏng ngập lụt thành phố Đà Nẵng có xét đến kịch bản biến đổi khí hậu và nước biển dâng. Báo cáo Hội
nghị biến đổi khí hậu Quảng Nam.
[5]. Jain, A. & Kumar, A. M. (2007). Hybrid neural network models for hydrologic time series forecasting.
App. Soft Comput. 7, 585 - 592
[6]. Solomatine, D. P. (2002). Data driven modelling: paradigm, methods, experiences. Proceedings of 5th
International Conference on Hydroinformatics, (Cardiff, UK) (R. A. Falconer, B. Lin, E. L. Harris, C. A. M.
E. Wilson, I. D. Cluckie, D. Han, J. P. Davis & S. Heslop, eds), 757 - 763. UK: IWA Publishing.
[7]. Solomatine, D. P. & Dulal, K (2003). Model tree as an alternative to neural network in rainfall - runoff
modeling. Hydrol. Sci. J. 48 (3), 399 - 411.

[8]. Solomatine, D. P. & Ostfeld, A (2008). Data - driven modelling: some past experiences and new
approaches. J. Hydroinf. 10(1), 3 - 22.
[9]. Solomatine, D. P. & Siek, M. B (2004). Flexible and optimal M5 model trees with applications to flow
predictions. Proceedings of 6th International Conference on Hydroinformatics (June 2004), 1719 - 1726.
Singapore: World Scientific.
[9]. Dang, Duc Thanh, Thomas A Cochrane, Mauricio E Arias and Van Pham Dang (2018). Future
hydrological alterations in the Mekong delta under the impact of water resources development, land
subsidence and sea level rise. Journal of Hydrology: Regional studies 15 (November 2017): 119 - 33.
/>[10]. Can Thu Van, Nguyen Thanh Son (2016). Nghiên cứu mô phỏng thủy văn, thủy lực vùng đồng bằng
sông Cửu Long để đánh giá ảnh hưởng của hệ thống đê bao đến sự thay đổi dòng chảy mặt vùng Đồng Tháp
Mười. VNU Journal of Science: Earth and environmental sciences.
[11]. Nguyễn Việt Hưng (2018). Sử dụng mơ hình MIKE11 dự báo lũ đồng bằng sông Cửu Long và định
hướng phát triển. Hội thảo khoa học Quốc gia về khí tượng thủy văn, mơi trường và biến đổi khí hậu lần
thứ XVI.

Chấp nhận đăng: 10/12/2021; Người phản biện: TS. Trương Xuân Quang.

318

Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo,
quản lý lĩnh vực tài nguyên môi trường