Đang tải... (xem toàn văn)
Nghiên cứu sử dụng các thuật toán học máy gồm LR, SVR, ANN để mô phỏng dự báo độ mặn tại trạm Đại Ngãi tỉnh Sóc Trăng vào năm 2017 với dữ liệu đầu vào gồm: Mặn, Mực nước, lượng mưa tại 3 trạm Đại Ngãi, Trần Đề và Trà Kha vào năm 2015 và 2016. Kết quả mô phỏng cho thấy cả 3 mô hình đều có thể mô phỏng dự báo độ mặn tại khu vực nghiên cứu với các đầu vào nói trên một cách khá tốt. Hiệu quả mô phỏng của mô hình được đánh giá dựa trên các thông số: R2, RMSE, NSE. Các thông số này hình khá cao ở cả 2 giai đoạn hiệu chỉnh và kiểm định với 2 mô hình SVR và ANN với R2 từ 0.60.85, RMSE thấp và NSE ở mức tốt, riêng với mô hình LR các thông số này chỉ thể hiện ở mức thấp với R2 từ 0.50.6, RMSE ở mức trung bình và NSE ở mức thỏa mãn yêu cầu. Mô hình ANN cũng thể hiện khả năng mô phỏng dự báo ở mức cao với các đầu vào tương ứng nhất là đầu vào 2. Cả 3 mô hình đều có điểm mạnh và điểm yếu riêng tuy nhiên mô hình SVR thể hiện khả năng mô phỏng dự báo vượt trội và ổn định hơn 2 mô hình còn lại.
ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN KHOA MƠI TRƯỜNG KHĨA LUẬN TỐT NGHIỆP XÂY DỰNG MƠ HÌNH HỌC MÁY MƠ PHỎNG DỰ BÁO ĐỘ MẶN Ở TỈNH SÓC TRĂNG NGÀNH: KHOA HỌC MÔI TRƯỜNG CHUYÊN NGÀNH: TIN HỌC MÔI TRƯỜNG SVTH: ĐẶNG VĂN TRÍ GVHD: ThS ĐẶNG THỊ THANH LÊ KHĨA HỌC: 2017 - 2021 Thành phố Hồ Chí Minh – 2021 ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN KHOA MÔI TRƯỜNG KHĨA LUẬN TỐT NGHIỆP XÂY DỰNG MƠ HÌNH HỌC MÁY ĐỂ MÔ PHỎNG DỰ BÁO ĐỘ MẶN Ở TỈNH SĨC TRĂNG Ngành: Khoa học Mơi trường Chun ngành: Tin học Môi trường Xác nhận GVHD Sinh viên thực hiện: Đặng Văn Trí Giáo viên hướng dẫn: Ths Đặng Thị Thanh Lê Khóa học: 2017 - 2021 ThS Đặng Thị Thanh Lê Thành phố Hồ Chí Minh – 2021 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP LỜI CẢM ƠN Để đề tài tiểu luận hoàn thành cách tốt nhất, em xin chân thành cảm ơn đến quý thầy cô, anh chị bạn bè khoa Môi trường trường ĐH Khoa học Tự nhiên – ĐHQG thành phố Hồ Chí Minh nhiệt tình hỗ trợ giúp đỡ em việc thực đề tài thời gian vừa qua Đặc biệt, em xin gửi lời biết ơn sâu sắc đến với ThS Đặng Thị Thanh Lê khoa Môi Trường, trường Đại học Khoa học Tự nhiên Tp Hồ Chí Minh Là giáo viên hướng dẫn nhiệt tình giúp đỡ, quan tâm, hỗ trợ chia sẻ cho em trình thực đề tài để em hồn thành môt cách tốt thời gian quy định Do có hạn chế thời gian thực đề tài khó khăn số liệu thu thập Đây là đề tài tốt nghiệp lần đầu sinh viên thực nên không tránh khỏi sai sót lúc thực đề tài Em mong nhận đóng góp ý kiến thầy, để em bổ sung, hồn thiện nâng cao kiến thức đề tài Em xin chân thành cảm ơn! TP.HCM, tháng năm 2021 Sinh viên thực Đặng Văn Trí i GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP TÓM TẮT Nghiên cứu sử dụng thuật toán học máy gồm LR, SVR, ANN để mô dự báo độ mặn trạm Đại Ngãi tỉnh Sóc Trăng vào năm 2017 với liệu đầu vào gồm: Mặn, Mực nước, lượng mưa trạm Đại Ngãi, Trần Đề Trà Kha vào năm 2015 2016 Kết mô cho thấy mơ hình mơ dự báo độ mặn khu vực nghiên cứu với đầu vào nói cách tốt Hiệu mơ mơ hình đánh giá dựa thông số: R2, RMSE, NSE Các thông số hình cao giai đoạn hiệu chỉnh kiểm định với mơ hình SVR ANN với R2 từ 0.6-0.85, RMSE thấp NSE mức tốt, riêng với mơ hình LR thơng số thể mức thấp với R2 từ 0.5-0.6, RMSE mức trung bình NSE mức thỏa mãn u cầu Mơ hình ANN thể khả mô dự báo mức cao với đầu vào tương ứng đầu vào Cả mơ hình có điểm mạnh điểm yếu riêng nhiên mơ hình SVR thể khả mô dự báo vượt trội ổn định mơ hình cịn lại Từ khóa: Support Vector Regression, Artificial Neural Network, Linear Regression, Độ mặn, Sóc Trăng ii GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP ABSTRACT The thesis is using machine learning algorithms included LR, SVR, ANN to simulate salinity prediction at Dai Ngai station, Soc Trang province in 2017 with the input are: Salinity, Water level, rainfall from three weather stations Dai Ngai, Tran De and Tra Kha in 2015 – 2016 The result clearly indicated that all three models could be simulated the salinity in the study area with the available data pretty good The efficiency of the model is evaluated base on these parameters: R2, RMSE, NSE The parameters are high within both the calibration and testing phases for models are SVR and ANN with R2 from 0.6-0.85, low RMSE high good NSE, especially with LR model, these parameters can only be current is low with R2 from 0.5-0.6, RMSE is medium and NSE is at satisfactory level The ANN model also represented to high predictive capability with the most corresponding inputs being the input All three models have their own strengths and weaknesses, but the SVR model shows superior simulation and is more stable than the other two models Keywords: Salinity, Support Vector Regression, Artificial Neural network, Linear Regression, Soc Trang iii GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP MỤC LỤC LỜI CẢM ƠN i TÓM TẮT .ii ABSTRACT iii MỤC LỤC iv DANH MỤC HÌNH ẢNH viii DANH MỤC BẢNG BIỂU x DANH MỤC CÁC KIỂU KÍ TỰ, CHỮ VIẾT TẮT xi MỞ ĐẦU 1 Tính cấp thiết đề tài Mục tiêu nghiên cứu Đối tượng phạm vi nghiên cứu Ý nghĩa khoa học thực tiễn 4.1 Ý nghĩa khoa học 4.2 Ý nghĩa thực tiễn CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU 1.1 Tổng quan xâm nhập mặn 1.1.1 Khái niệm 1.1.2 Cơ chế trình xâm nhập mặn 1.1.3 Những yếu tố ảnh hưởng đến xâm nhập mặn: 1.2 Trí tuệ nhân tạo (Artificial Intelligence) iv GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP 1.2.1 1.3 Khái niệm Học Máy (Machine Learning) 1.3.1 Học có giám sát (Supervised Learning): 1.3.2 Học không giám sát (Unsupervised Learning): 1.3.3 Học tập tăng cường (Reinforcement Learning) 10 1.4 Các thuật toán học máy 10 1.4.1 Artificial Neural Network (ANN) 10 1.4.1.1 Khái niệm 10 1.4.1.2 Kiến trúc mạng nơ-ron nhân tạo (ANN) 11 1.4.2 Support Vector Regression (SVR) 12 1.4.2.1 Khái niệm SVM 12 1.4.2.2 Khái niệm SVR 13 1.4.3 Linear Regression 16 1.5 Tổng quan khu vực nghiên cứu 17 1.5.1 Vị trí địa lý 17 1.5.2 Khí hậu 18 1.5.3 Đất đai, thổ nhưỡng 18 1.5.4 Đặc điểm địa hình 19 1.5.5 Thủy hệ 20 1.5.6 Tài nguyên rừng biển 21 1.5.7 Tình hình xâm nhập mặn tỉnh Sóc Trăng 21 v GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP 1.6 Tổng quan nghiên cứu nước 23 1.6.1 Nghiên cứu nước 23 1.6.2 Tổng quan nghiên cứu nước 25 CHƯƠNG 2: NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 28 2.1 Khung phương pháp nghiên cứu 28 2.2 Phương pháp nghiên cứu 29 2.2.1 Phương pháp thu thập tổng hợp số liệu 29 2.2.2 Phương pháp thống kê 29 2.2.3 Phương pháp học máy 31 2.2.3.1 Hồi quy tuyến tính (Linear Regression) 31 2.3.3.2 Hồi quy vector hỗ trợ (Support Vector Regression) 33 2.3.3.3 Quy trình xây dựng mơ hình SVR LR 36 2.3.3.4 Mơ hình ANN 39 2.3.3.5 Quy trình xây dựng mơ hình ANN 43 CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 47 3.1 Dữ liệu đầu vào mơ hình 47 3.2 Đánh giá hiệu mô hình LR 47 3.3 Đánh giá hiệu mơ hình SVR 50 3.4 Đánh giá hiệu Mơ hình ANN 53 3.4.1 Kết lựa chọn cấu trúc ANN 53 3.4.2 Đánh giá hiệu mơ mơ hình ANN 54 vi GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP 3.5 So sánh hiệu mơ mơ hình 56 CHƯƠNG IV: KẾT LUẬN VÀ KIẾN NGHỊ 59 4.1.Kết luận 59 4.2 Kiến nghị 60 TÀI LIỆU THAM KHẢO 62 vii GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP DANH MỤC HÌNH ẢNH Hình 1.1: Sự dịch chuyển khối nước mặn vào tầng nước Hình 1.2: Hiện tượng xâm nhập mặn từ biển vào lịng sơng vùng cửa sơng Hình 1.3: Phân loại thuật toán học máy Hình 1.4: Sơ đồ khối mạng nơ-ron nhân tạo 11 Hình 1.5: Thuật tốn SVM tìm siêu phẳng tối đa hóa khoảng cách tối thiểu vectơ hỗ trợ 13 Hình 1.6 Các thành phần SVR 14 Hình 1.7: SVR tuyến tính chiều 15 Hình 1.8: Bản đồ hành tỉnh Sóc Trăng ……………………………………… 18 Hình 1.9: Hệ thống thủy văn tỉnh Sóc Trăng………………………………………….20 Hình 2.1: Khung phương pháp nghiên cứu……………………………………………28 Hình 2.2: Sự sai lệch độ nhiễu Linear Regression…………………………… 32 Hình 2.3: Trình tự xây dựng mơ hình SVR LR 37 Hình 2.4 Nguyên lý hoạt động ANN 40 Hình 2.5: Đồ thị hàm kích hoạt Sigmoid 42 Hình 3.1: Đồ thị nồng độ mặn mô thực đo với đầu vào mơ hình LR…49 Hình 3.2: Đồ thị nồng độ mặn mô thực đo với đầu vào mơ hình LR 49 Hình 3.3: Đồ thị nồng độ mặn mơ thực đo với đầu vào mơ hình LR 50 Hình 3.4: Đồ thị nồng độ mặn mô thực đo với đầu vào mơ hình SVR 52 Hình 3.5: Đồ thị nồng độ mặn mô thực đo với đầu vào mơ hình SVR 52 Hình 3.6: Đồ thị nồng độ mặn mô thực đo với đầu vào mơ hình LR 53 viii GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP ổn định độ mà mang lại Tính ổn định độ xác mơ hình SVR thể đồ thị hình 3.4, hình 3.5 hình 3.6 với đầu vào tương ứng, đường cong liệu mô thực đo gần giống có hình dạng gần giống chứng minh cho độ hiệu mơ hình Bảng 3.3 Bảng kết thông số dự báo mô mơ hình SVR với đầu vào Đầu vào Giai Đầu vào Đầu vào Đầu vào R2 NSE RMSE R2 NSE RMSE R2 NSE RMSE 0.71 0.7 0.1 0.76 0.75 0.22 0.8 0.8 0.2 0.7 0.71 0.12 0.72 0.72 0.26 0.7 0.72 0.28 đoạn Huấn luyện (70%) Kiểm định (30%) 51 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP Huấn Luyện 1,6 Kiểm Định Độ mặn ( ‰ ) 1,4 1,2 0,8 0,6 0,4 0,2 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 Thực Đo Mô Phỏng Hình 3.4 Đồ thị nồng độ mặn mơ thực đo với đầu vào mơ hình SVR Huấn Luyện 1,6 Kiểm Định Độ mặn ( ‰ ) 1,4 1,2 0,8 0,6 0,4 0,2 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 Thực Đo Mơ Phỏng Hình 3.5 Đồ thị nồng độ mặn mô thực đo với đầu vào mơ hình SVR 52 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP Độ mặn ( ‰ ) Huấn Luyện Kiểm Định 1,6 1,4 1,2 0,8 0,6 0,4 0,2 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 Thực Đo Mơ Phỏng Hình 3.6 Đồ thị nồng độ mặn mô thực đo với đầu vào mơ hình SVR 3.4 Đánh giá hiệu Mơ hình ANN 3.4.1 Kết lựa chọn cấu trúc ANN Bảng 3.4 Kết thực mơ hình ANN với neutron khác lớp ẩn trạm Đại Ngãi Cấu Trúc RMSE 6-10-1 0.22 6-14-1 0.26 6-18-1 0.21 6-20-1 0.21 53 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP Dựa vào bảng 3.4 thấy cấu trúc 6-10-1 phù hợp cho mơ hình ANN để tiến hành mô dự báo độ mặn khu vực nghiên cứu sai số RMSE thấp 3.4.2 Đánh giá hiệu mơ mơ hình ANN Bảng 3.5 Các thơng số mơ mơ hình ANN Đầu Đầu vào Đầu vào Đầu vào vào Giai R2 NSE RMSE R2 NSE RMSE R2 NSE RMSE 0.85 0.8 0.17 0.71 0.73 0.23 0.85 0.85 0.15 0.58 0.6 0.31 0.76 0.76 0.22 0.63 0.62 0.3 đoạn Huấn luyện (70%) Kiểm định (30%) Các thông số mô bảng 3.5 cho cho thấy hiệu mô với đầu vào khác mô hình ANN mức tốt với thơng số như: R2, RMSE, NSE cao giai đoạn huấn luyện Tuy nhiên, giai đoạn kiểm định mơ hình ANN khơng mơ dự báo tốt thơng số mức chấp nhận đến trung bình với sai số RMSE từ 0.22 - 0.31 hệ số NSE từ 0.6 - 0.75 Điều cho thấy độ nhiễu mơ hình ANN cao làm việc tốt liệu đủ lớn, minh chứng rõ cho điều hiệu mô giai đoạn có sư chêch lệch cao liệu huấn luyện chiếm đến 70% liệu đầu vào so với 30% liệu giai đoạn kiểm định Đồng thời, chứng minh độ thiếu ổn định mô 54 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP hình ANN việc mơ dự váo với đồng vào khác tệp liệu lớn dần Nhìn chung, mơ hình ANN cịn nhiều nhược điểm độ nhiễu hay việc tính tốn học tập liệu mơ hình đòi hỏi liệu lớn đủ cho trình huấn luyện, kết mô tốt song hiệu mô mơ hình mức cao mô dự báo khoảng thời gian ngắn, thể rõ độ thị hình 3.7, 3.8 3.9 Đường cong liệu mô giống với đường cong liệu thực đo cải thiện tăng số lượng liệu đầu vào cho mơ hình Huấn luyện Độ mặn ( ‰ ) Kiểm định 1,5 0,5 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 Thực Đo Mơ Phỏng Hình 3.7 Đồ thị so sánh nồng độ mặn mô thực đo với mơ hình ANN với đầu vào Huấn luyện Độ mặn ( ‰ ) Kiểm định 1,5 0,5 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 Thực Đo Mô Phỏng Hình 3.8 Đồ thị so sánh nồng độ mặn mơ thực đo với mơ hình ANN với đầu vào 55 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP Độ mặn ( ‰ ) Kiểm Định Huấn Luyện 1,5 0,5 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 Thực Đo Mơ Phỏng Hình 3.9 Đồ thị so sánh nồng độ mặn mô thực đo với mơ hình ANN với đầu vào 3.5 So sánh hiệu mơ mơ hình Bảng 3.6 Thơng số mơ mơ hình với đầu vào Kiểm định (30%) Huấn luyện (70%) Mô hình R2 NSE RMSE R2 NSE RMSE LR 0.5 0.48 0.34 0.53 0.54 0.34 SVR 0.71 0.71 0.24 0.71 0.7 0.27 ANN 0.85 0.8 0.17 0.58 0.6 0.31 56 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP Bảng 3.7 Thơng số mơ mơ hình với đầu vào Kiểm định (30%) Huấn luyện (70%) Mô hình R2 NSE RMSE R2 NSE RMSE LR 0.53 0.55 0.3 0.52 0.54 0.34 SVR 0.76 0.75 0.22 0.72 0.72 0.26 ANN 0.71 0.73 0.21 0.79 0.76 0.22 Bảng 3.8 Thơng số mơ mơ hình với đầu vào Kiểm định (30%) Huấn luyện (70%) Mơ hình R2 NSE RMSE R2 NSE RMSE LR 0.55 0.58 0.29 0.55 0.57 0.33 SVR 0.8 0.8 0.2 0.7 0.72 0.28 ANN 0.85 0.85 0.15 0.63 0.62 0.3 Dựa vào bảng 3.6, 3.7, 3.8 Với thống số mô mơ hình với đầu vào khác Có thể thấy, mơ hình SVR có hiệu mơ dự báo cáo ổn định so với mô hình ANN LR với thơng số mơ R2, NSE, RMSE mức cao đầu vào Mơ hình LR mơ hình đơn giản thể mối quan hệ liệu dạng tuyến tính nên hiệu mơ mức chấp nhận thấp mơ hình Mơ hình ANN mơ hình phát triển vào năm gần dựa tảng nơ-ron động vật, mơ hình hiểu 57 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP mơ dự báo mức cao, có phá vượt qua khả mơ mơ hình SVR đầu vào Các thông số mô dự báo mô hình ANN giai đoạn huấn luyện cao, giai đoạn kiểm định lại thấp khơng có tính ổn định mơ hình SVR thay đổi đầu vào khác Tính ổn định hiệu dự báo mơ hình SVR hồn tồn nằm khả nắm bắt, tính tốn thể mối quan hệ biến đầu vào tốt mơ hình cịn lại hai giai đoạn huấn luyện kiểm định, đồng thời SVR xây dựng dựa tảng mơ hình SVM trước nên độ hiểu kế thừa cải thiện từ mơ hình trước Mơ hình ANN có hiệu mơ cao giai đoạn huấn luyện lại giai đoạn kiểm định, độ nhiễu mơ hình cao phụ thuộc vào việc học tập ghi nhớ mơ hình với lần học sai số khác dẫn đến việc độ nhiễu tăng cao liệu khơng có tính đồng đủ lớn Dù mơ hình ANN thể mạnh sử dụng để mô liệu khoảng thời gian ngắn có tập liệu cân đầu vào Nhìn chung mơ hình LR, ANN, SVR sử dụng cho việc mơ dự báo độ mặn 58 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP CHƯƠNG IV: KẾT LUẬN VÀ KIẾN NGHỊ 4.1 Kết luận − Đề tài tổng hợp, thu thập xử lí số liệu, tài liệu, … làm sở tính tốn cho nghiên cứu sử dụng thuật toán học máy để xây dựng mơ hình Vì vậy, làm tài liệu cho nghiên cứu tương tự lĩnh vực khác − Đề tài sử dụng thuật toán LR, SVR, ANN để hình thành mơ hình tương ứng Kết cho thấy mơ hình sử dụng để mơ dự báo độ mặn khu vực nghiên cứu cho hiệu suất cao điều thể qua thông số: R2, RMSE, NSE mơ hình Khi so sánh hiệu suất mơ hình đầu vào, thấy mơ hình SVR cho hiệu cao nhất, thuật toán tối ưu kế thừa tảng từ mơ hình SVM Mơ hình ANN thuật tốn thể ưu điểm vượt trội cho kết tốt đầu vào Mơ hình LR mơ hình tuyến tính đơn giản nên hiệu mơ khơng cao nhiên mức chấp nhận với mục tiêu đề tài đưa − Các mơ hình xây dựng đề tài có khả thể môi quan hệ biến tốt Tuy nhiên, nhiều hạn chế độ nhiễu mơ hình địi hỏi liệu đầu vào đủ lớn cho kết xác Cả mơ hình mơ hình học máy khả chúng giới hạn việc mơ dự báo liệu có sẵn − Nhìn chung độ mặn mô dự báo đề tài thể tốt, đường cong của đồ thị mô dự báo phần kết chêch lệch q lớn mơ thực đo − Kết đề tài đưa ưu điểm nhược điểm mô hình Phục vụ việc lựa chọn thuật tốn để xây dựng mơ hình dự báo thủy văn nói chung độ mặn nói riêng nghiên cứu sau 59 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP 4.2 Kiến nghị ➢ Kiến nghị áp dụng kết nghiên cứu − Kết nghiên cứu đề tài kết mô dự báo độ mặn mơ hình SVR, LR ANN dựa thuật toán tương ứng Do hạn chế mặt liệu đặt biệt độ mặn khu vực nghiên cứu nên đề tải mơ dự báo độ mặn khoảng thời gian ngắn, liệu đầu vào mơ hình chưa đủ lớn để khai thác hết tiềm thuật tốn học máy nói Tuy nhiên, kết đánh giá tốt hiệu suất mơ mơ hình Đồng thời, độ mặn mơ xác so sánh với độ mặn thực đo − Kết nghiên cứu đề tài bước đầu công sử dụng mơ hình xây dựng dựa học máy để dự báo xâm nhập mặn khu vực bị ảnh hưởng − Đề tài dự báo độ mặn thông qua liệu có tương quan cao với độ mặn mực nước lượng mưa Các mơ hình học máy đưa vào để dự báo thơng số thủy văn tương tự độ mặn khu vực nghiên cứu ➢ Kiến nghị mở rộng hướng nghiên cứu - Nghiên cứu đề tài dự báo độ mặn thông qua thông số: độ mặn, mực nước, lượng mưa khu vực nghiên cứu Nên sử dụng liệu lớn với thơng số có tương quan với độ mặn tương ứng để tiến hành dự báo độ mặn khu vực nghiên cứu kết tốt - Đề tài dự báo độ mặn bước thời gian tương lai năm tảng bước đầu công nghiên cứu xâm nhập mặn khu vực nghiên cứu Trong tương lai, phát triển mơ hình học máy dựa tảng thể thêm lan truyền độ mặn khu vực nghiên cứu giải toán dự báo xâm nhập mặn, hay tốn tương tự thơng qua 60 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP thuật toán học máy tiên tiến Điều bước ngoặt lĩnh vực ứng dụng học máy vào nghiên cứu thủy văn tương lai 61 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP TÀI LIỆU THAM KHẢO Tiếng Việt Kịch biến đổi khí hậu 2016 Bộ Tài Nguyên Môi Trường, 2016 Kịch biến đổi khí hậu nước biển dâng cho Việt Nam năm 2016 NXB Tài nguyên Môi trường Bản đồ Việt Nam Nguyễn Thị Diễm Thúy cộng sự, 2020 Xây dựng mơ hình dự báo BOD5 cho hạ lưu sơng Sài Gịn – Đồng Nai dựa mạng nơ–ron nhân tạo MLP RBF, Tạp chí khí tượng thủy văn, số 724, 94-104 Nguyễn Thu Ba, 2012 Phát triển nơng thơn Sóc Trăng thời kì cơng nghiệp hóa Luận văn thạc sỹ địa lý học, Trường ĐH Sư phạm thành phố Hồ Chí Minh Niêm giám thống kê, 2018 Niên giám thống kê, 2019 Tạ Quốc Dũng cộng sự, 2019 Ứng dụng mạng neuron nhân tạo (ANN) dự báo độ rỗng Tạp chí dầu khí, Số 7, 18-27 Trần Văn Tỷ cộng sự, 2019 Sử dụng mơ hình ANN (Artificial Neural Networks) dự báo xâm nhập mặn huyện Long Mỹ, tỉnh Hậu Giang, Tạp chí nơng nghiệp & phát triển nơng thôn, Số 361 Trần Văn Tỷ cộng sự, 2020 Ứng dụng mơ hình mạng trí tuệ nhân tạo (Artificial Neural Networks) dự báo mực nước phục vụ dự báo ngập thành phố Cần Thơ Tạp chí nơng nghiệp & phát triển nông thôn, số 382 Trung tâm kỹ thuật môi trường CEE, 2010 Đánh giá tác động đến tài ngun mơi trường đất q trình xâm nhập mặn ngập úng tỉnh Sóc Trăng 62 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP TIẾNG ANH Cortes, C., & Vapnik, V (1995) Support vector machine Machine learning, 20 (3), 273-297 Decaro, C,2019 Machine learning approach for prediction of hematic parameters in hemodialysis patients IEEE journal of translational engineering in health and medicine, 7, 1-8 Heesung Yoon et al, 2017, Comparative evaluation of ANN-and SVM-time series models for predicting freshwater-saltwater interface fluctuations Water, 9(5), 323 Jake Frankenfield, 2020 Artificial Neural Network (ANN), Investopedia John S Rath, 2017 A hybrid empirical-Bayesian artificial neural network model of salinity in the San Francisco Bay-Delta estuary Environmental Modelling & Software, 93, 193-208 Kairong Lin et al, 2019 Modeling saltwater intrusion using an integrated Bayesian model averaging method in the Pearl River Delta Journal of Hydroinformatics, 21(6), 1147-1162 Keilholz, 2015 Effects of land use and climate change on groundwater and ecosystems at the middle reaches of the Tarim River using the MIKE SHE integrated hydrological model Water, 7(6), 3040-3056 Mariette Awad et al, 2015 Efficient Learning Machines, 39-65 The Expert's Voices in Machine Learnims, 39-80 Misra, S, 2019 Shallow neural networks and classification methods for approximating the subsurface in situ fluid-filled pore size distribution Machine Learning for Subsurface Characterization, 65 63 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP Hera Shaheen et al, 2019 MinMaxScaler Binary PSO for Feature Selection Part of the Advances in Intelligent Systems and Computing book series AISC, 1045 Mohamad Javad Alizadeh, 2018 Effect of river flow on the quality of estuarine and coastal waters using machine learning models Engineering Applications of Computational Fluid Mechanics, 12(1), 810-823 Yanhu He et al, 2019 Impact of upstream runoff and tidal level on the chlorinity of an estuary in a river network: a case study of Modaomen estuary in the Pearl River Delta, China Journal of Hydroinformatics, 21(2), 359-370 Cristoforo Decaro, 2021 Prediction of hematocrit through imbalanced dataset of blood spectra WEBSITE Machine Learning Mastery, Linear Regression for Machine Learning https://machinelearningmastery.com/linear-regression-for-machine-learning/ Machine Learning Linear Regression https://machinelearningcoban.com/2016/12/28/linearregression/ Eduba, 2018 Introduction to Support Vector Regression https://www.educba.com/support-vector-regression/ Towards Data Science, 4/5/2021 Scale, Standardize, or Normalize with Scikit-Learn https://towardsdatascience.com/scale-standardize-or-normalize-with-scikit-learn6ccc7d176a02 Towards Data Science, 10/5/2021 How and why to Standardize your data: A python tutorial https://towardsdatascience.com/how-and-why-to-standardize-your-data996926c2c832 64 GVHD: ThS ĐẶNG THỊ THANH LÊ TIỂU LUẬN TỐT NGHIỆP AI Curious, 23/5/2021 Các hàm kích hoạt (activation function) neural network https://aicurious.io/posts/2019-09-23-cac-ham-kich-hoat-activation-function-trongneural-networks/ Hội đồng lý luận trung ương trang thông tin điện tử, 17/06/2021 Ảnh hưởng biến đổi khí hậu nước ta: Thực trạng, vấn đề đặt giải pháp http://hdll.vn/vi/nghien-cuu -trao-doi/anh-huong-cua-bien-doi-khi-hau-doi-voi-nuocta-thuc-trang-nhung-van-de-moi-dat-ra-va-giai-phap.html Bộ tài nguyên môi trường trung quy hoạch điều tra tài nguyên nước, Xâm nhập mặn làm giảm nguồn nước lòng đất đồng Sông Cửu Long http://nawapi.gov.vn/index.php?option=com_content&view=article&id=4797%3Axa m-nhp-mn-lam-gim-ngun-nc-ngt-di-long-t-ng-bng-song-cu-long&catid=70%3Anhimv-chuyen-mon-ang-thc-hin&Itemid=135&lang=vi Cổng thông tin điện tử tỉnh Sóc Trăng, 28/06/2021 Điều kiện tự nhiên https://soctrang.gov.vn/ubndstg/4/469/54255/266214/%C4%90i%E1%BB%81u%20k i%E1%BB%87n%20t%E1%BB%B1%20nhi%C3%AAn/dieu-kien-tunhien.aspx#:~:text=Nhi%E1%BB%87t%20%C4%91%E1%BB%99%20trung%20b% C3%ACnh%20h%C3%A0ng,nhi%C3%AAn%20l%C3%A0%20331.176%2C29%20 65 ... 0.5 < NSE 2.2.3 Phương pháp học máy Xây dựng mơ hình học máy để mơ phỏng, dự báo độ mặn dựa vào mối liên hệ hồi quy, dựa nôi dung tổng quan nghiên cứu ngồi nước, thuật tốn học máy lựa chọn bao... toán học máy gồm LR, SVR, ANN để mô dự báo độ mặn trạm Đại Ngãi tỉnh Sóc Trăng vào năm 2017 với liệu đầu vào gồm: Mặn, Mực nước, lượng mưa trạm Đại Ngãi, Trần Đề Trà Kha vào năm 2015 2016 Kết mô. .. hình dựa thuật toán học máy với khả mô tốt quan hệ phi tuyến bậc cao giải vấn đề dự báo xâm nhập mặn cách dễ dàng tiện lợi Từ phân tích trên, đề tài “Xây dựng mơ hình học máy mơ dự báo độ mặn tỉnh
