TAILIEUCHUNG - Dự báo mực nước sông Mekong sử dụng LSTM và dữ liệu quan trắc thượng nguồn

Đồng bằng sông Cửu Long với hệ thống sông ngòi và kênh rạch chằng chịt nên hiện tượng nước ngập do triều cường thường xuyên xảy ra. Mực nước sông không chỉ chịu ảnh hưởng của thủy triều mà còn bởi nhiều yếu tố khác như địa hình, mực nước nền và nhiều yếu tố khí tượng thủy văn khác. Hệ thống dự báo mực nước được xây dựng nhằm giảm thiểu những thiệt hại về kinh tế cũng như có sự chuẩn bị đối phó với triều cường. | Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin FAIR Huế ngày 07-08 6 2019 DOI DỰ BÁO MỰC NƯỚC SÔNG MEKONG SỬ DỤNG LSTM VÀ DỮ LIỆU QUAN TRẮC THƯỢNG NGUỒN Trần Nguyễn Minh Thư1 Nguyễn Hồng Hải1 Phạm Trường An1 1 Khoa Công nghệ Thông tin và Truyền thông Đại học Cần Thơ tnmthu@ ghaikstv@ ancs21ps@ TÓM TẮT Đồng bằng sông Cửu Long với hệ thống sông ngòi và kênh rạch chằng chịt nên hiện tượng nước ngập do triều cường thường xuyên xảy ra. Mực nước sông không chỉ chịu ảnh hưởng của thủy triều mà còn bởi nhiều yếu tố khác như địa hình mực nước nền và nhiều yếu tố khí tượng thủy văn khác. Hệ thống dự báo mực nước được xây dựng nhằm giảm thiểu những thiệt hại về kinh tế cũng như có sự chuẩn bị đối phó với triều cường. Mô hình mạng LSTM Long short-term memory networks được xây dựng dựa trên dữ liệu mực nước của 4 trạm trên sông Mekong được đặt tại Tân Châu Châu Đốc Vàm Nao và Mỹ Thuận để dự báo mực nước tại Cần Thơ. Tập dữ liệu năm 2012-2015 được dùng để huấn luyện mô hình và dữ liệu năm 2016 dùng để kiểm tra đánh giá. Để dự báo mực nước của 6 giờ tiếp theo dữ liệu mực nước của 24h trước đó được sử dụng như đầu vào của mô hình. Kết quả thực nghiệm cho thấy kết quả dự báo có sai số tương đối thấp giá trị RMSE trung bình của 6 h đối với 4 trạm đầu vào là cm với 1 trạm đầu vào là . Từ khóa Mô hình học sâu mạng LSTM dự báo mực nước. I. GIỚI THIỆU Hiện tượng nước ngập do triều cường xuất hiện là do mực nước trên hệ thống sông dâng cao phụ thuộc chủ yếu bởi ảnh hưởng thủy triều biển Đông. Những năm gần đây mực nước mùa lũ từ tháng 8 đến tháng 11 trên sông Cửu Long do ảnh hưởng của thủy triều nhất là những ngày triều cường mực nước dâng cao làm ngập đường giao thông công trình xây dựng ruộng vườn ở nhiều tỉnh và thành phố trong vùng vào mùa cạn triều cường cũng đẩy xâm nhập mặn theo các triền sông vào sâu trong đất liền. Những hiện tượng trên ngày càng diễn ra thường xuyên

• Môi trường
• Mô hình học sâu
• Hệ thống dự báo mực nước
• Hệ thống sông ngòi
• Hiện tượng nước ngập do triều cường
• Mô hình mạng LSTM
• Mô hình xác định giai đoạn sinh trưởng
• Cây dưa lưới trồng trong nhà màng
• Nông nghiệp thông minh
• Thị giác máy tính
• Hệ thống phát hiện phương tiện giao thông
• Nhận diện phương tiện giao thông
• Mô hình học sâu YOLO3
• Ngôn ngữ lập trình
• Mô hình mạng học sâu YOLO
• Khóa luận tốt nghiệp
• Mạng máy tính và truyền thông
• Ứng dụng phát hiện lửa
• Mô hình học sâu trên Jetson Nano
• Thuật toán học sâu
• Mô hình Deep Learning
• Thiết bị nhúng Jetson Nano
• Phân loại ảnh
• Mô hình CNN nhẹ
• Sâu bệnh trên lúa
• Chất lượng lúa thu hoạch
• Luận văn Thạc sĩ
• Luận văn Thạc sĩ Quản lý thông tin
• Quản lý thông tin
• Công nghệ thông tin
• Kĩ thuật lọc cộng tác
• Mô hình hệ thống khuyến nghị thương mại
• Bài giảng Học sâu và ứng dụng
• Học sâu và ứng dụng
• Mô hình sinh dữ liệu
• Mô hình tự mã hóa
• Variational Autoencoders
• Biểu diễn không gian ẩn
• Tạp chí Khoa học và Công nghệ Biển
• Mô phỏng kịch bản sóng thần cực đại
• Vùng nguồn máng biển sâu manila
• Mô hình comcot
• Mô phỏng quá trình ngập lụt
• Ứng dụng kỹ thuật xử lý ảnh
• Mô hình mạng học sâu
• Dạng hoa quả xuất khẩu
• Mạng noron tích chập sâu
• Phân loại cà chua xuất khẩu
• Kỷ yếu Hội thảo khoa học
• Hội thảo khoa học về Cơ khí động lực
• Tường vây hố đào sâu
• Phân tích ứng xử tường vây hố đào sâu
• Bài toán địa kỹ thuật
• Mô hình Mohr Coulomb
• Tái nhận dạng phương tiện giao thông
• Đặc trưng học sâu
• Kết hợp đặc trưng học sâu
• Bộ dữ liệu VeRi 776
• Mô hình học sâu Vcolor
• Xử lý ngôn ngữ tự nhiên
• Ứng dụng học sâu
• Mô hình huấn luyện sẵn
• Nhận dạng thực thể định danh
• Suy diễn logic
• Riêng tư dữ liệu
• Bảo mật dữ liệu
• Dữ liệu trong học sâu
• Phương pháp học sâu
• Biện pháp an toàn thông tin
• Rủi ro vi phạm riêng tư dữ liệu
• Trí tuệ nhân tạo
• Phân tích trực tiếp
• Kết cấu giàn
• Ước lượng khả năng chịu tải
• Giàn phi tuyến
• Xây dựng mô hình học sâu
• Luận án Tiến sĩ
• Luận án Tiến sĩ Kỹ thuật
• Hệ thống thông tin
• Mô hình phát hiện bất thường mạng
• Phương pháp học sâu NAD tiêu biểu
• Mô hình NAD
• Khoá luận tốt nghiệp Đại học
• Khóa luận tốt nghiệp ngành Lâm nghiệp
• Kỹ thuật Lâm sinh
• Mô hình vườn thực vật
• Tình hình sâu bệnh hại
• Viễn thám khoa học
• Nghiên cứu quặng đới sâu
• Dự báo tiềm năng khoáng sản
• Mô hình hóa cấu trúc ẩn sâu
• Nghiên cứu tài nguyên quặng mỏ
• Tài nguyên quặng mỏ
• Nhận dạng 26 bậc tự do của bàn tay
• Nhận dạng 26 bậc tự do
• Phương pháp mô hình với ảnh màu – độ sâu
• Phương pháp mô hình
• 26 bậc tự do
• Cấu trúc giải phẫu học
• Ma trận đồ họa
• Bảo quản lạnh sâu
• Ghép tự thân
• Đặc điểm dịch tễ
• Labo bảo quản mô Đai học Y Hà Nội
• Bảo quản lạnh sâu mảnh xương sọ
• Tình hình bảo quản và ghép lại mảnh xương sọ
• Sâu bệnh hại thuộc họ Long não
• Khóa luận tốt nghiệp ngành Thú y
• Sâu bệnh hại cây bản địa
• Phân loại hình ảnh
• Phân loại người đi bộ
• Mô hình phát hiện đối tượng YOLO
• Mô hình VGG
• Hội thảo khoa học về Thương mại
• Mạng nơ ron tích chập
• Công nghệ học sâu
• Phân loại rác thải
• Mô hình phân loại rác thải tự động
• Đặc trưng ngôn ngữ
• Mô hình học máy thống kê
• Mô hình BERT
• Bài toán xử lý ngôn ngữ tự nhiên
• Kỹ thuật học sâu
• Hiệu năng của Noma CRN
• Ứng dụng kỹ thuật học sâu
• Mô hình NOMA CRN
• Tạp chí Khoa học Công nghệ Thực phẩm