Nghiên cứu dự báo mưa, lũ trung hạn cho vận hành hệ thống hồ chứa phòng lũ ứng dụng cho lưu vực sông cả

Luận văn

TRƯỜNG ĐẠI HỌC THỦY LỢI

-* -

HOÀNG THANH TÙNG

NGHIÊN CỨU DỰ BÁO MƯA, LŨ TRUNG HẠN CHO VẬN

HÀNH HỆ THỐNG HỒ CHỨA PHÒNG LŨ - ỨNG DỤNG CHO LƯU VỰC SÔNG CẢ

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Hà Nội - 2011

HOÀNG THANH TÙNG

NGHIÊN CỨU DỰ BÁO MƯA, LŨ TRUNG HẠN CHO VẬN

HÀNH HỆ THỐNG HỒ CHỨA PHÒNG LŨ - ỨNG DỤNG CHO LƯU VỰC SÔNG CẢ

LUẬN ÁN TIẾN SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC

1 PGS TS VŨ MINH CÁT, ĐH THỦY LỢI, VIỆT NAM

2 GS TS ROBETTO RANZI, ĐH BRESCIA, ITALIA

Hà Nội - 2011

LỜI CAM ĐOAN

Tôi là Hoàng Thanh Tùng Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các nội dung và kết quả nghiên cứu trong Luận án là trung thực và chưa được ai công bố trong bất kỳ công trình khoa học nào

TÁC GIẢ

HOÀNG THANH TÙNG

Với lòng kính trọng và biết ơn sâu sắc tác giả xin gửi lời cảm ơn tới PGS

TS Vũ Minh Cát, ĐH Thủy Lợi, Việt Nam , đến GS TS Robeto Ranzi, ĐH Brescia, Italia đã hướng dẫn tác giả trong suốt quá trình tìm hiểu, nghiên cứu và hoàn thiện Luận án

Tác giả xin được bày tỏ lòng biết ơn sâu sắc đến các thầy, cô giáo và các bạn đồng nghiệp ở trường Đại học Thủy lợi đã tạo điều kiện thuận lợi cho tác giả trong suốt quá trình học tập và thực hiện Luận án

Tác giả cũng trân trọng cảm ơn các cơ quan: Trung tâm Dự báo Khí tượng Thủy văn Trung Ương, Đài Khí tượng Thủy văn Bắc Trung Bộ đã giúp đỡ tác giả trong quá trình thu thập tài liệu, các thông tin cần thiết liên quan đến vấn đề nghiên cứu

Cuối cùng, tác giả xin gửi lời cảm ơn đến bạn bè, đồng nghiệp và người thân

đã giúp đỡ, tạo mọi điều kiện thuận lợi cho tác giả trong suốt thời gian học tập, nghiên cưu và thực hiện Luận án

TÁC GIẢ

HOÀNG THANH TÙNG

TrangTrang phụ bìa

Lời cam đoan

Danh mục các ký hiệu, các chữ viết tắt

Danh mục các bảng

Danh mục các hình vẽ, đồ thị

MỞ ĐẦU

CHƯƠNG I: TỔNG QUAN VỀ TÌNH HÌNH NGHIÊN CỨU DỰ BÁO

MƯA, LŨ TRUNG HẠN, VẬN HÀNH HỆ THỐNG HỒ CHỨA VÀ

ĐỊNH HƯỚNG NGHIÊN CỨU CHO LƯU VỰC SÔNG CẢ

1.1 Tổng quan tình hình nghiên cứu về dự báo mưa, lũ trung hạn và vận

hành hệ thống hồ chứa trên thế giới

1.1.1 Dự báo mưa, lũ trung hạn

1.3 Những tồn tại và hướng phát triển

1.4 Hướng tiếp cận và phương pháp nghiên cứu

1.4.1 Hướng tiếp cận

1.4.2 Phương pháp nghiên cứu dự báo mưa trung hạn

1.4.3 Phương pháp nghiên cứu dự báo lũ trung hạn

1.4.4 Phương pháp nghiên cứu vận hành hệ thống hồ chứa

1.5 Giới thiệu lưu vực hệ thống sông Cả và hệ thống hồ chứa

1.5.1 Vị trí địa lý

1.5.2 Đặc điểm địa hình

1.5.3 Đặc điểm địa chất

1 4

4

41013

13161920222223242830303334

Kết luận chương I

CHƯƠNG II: NGHIÊN CỨU DỰ BÁO MƯA CHO LƯU VỰC SÔNG

CẢ

2.1 Hình thế thời tiết gây mưa lũ lớn trên lưu vực sông Cả

2.1.1 Các vùng mưa lũ trên lưu vực sông Cả

2.1.2 Các hệ thống thời tiết chủ đạo chi phối chế độ mưa lũ lớn

2.1.3 Đặc điểm quá trình synop gây mưa lớn trên khu vực Bắc Trung

Bộ trong đó có lưu vực sông Cả

2.2 Nghiên cứu dự báo mưa trên lưu vực sông Cả

2.2.1 Dự báo mưa bằng mô hình số trị - BOLAM

2.2.2 Dự báo mưa dựa vào phân tích nhận dạng hình thế thời tiết gây

3.1.1 Khái niệm dự báo thủy văn

3.1.2 Phân loại dự báo thủy văn

3.1.3 Các chỉ tiêu đánh giá dự báo thủy văn

3.1.4 Thực trạng dự báo lũ tác nghiệp cho lưu vực sông Cả

3.2 Nghiên cứu dòng chảy lũ lưu vực sông Cả

3.3 Nghiên cứu dự báo lũ trung hạn lưu vực sông Cả khi chưa có hồ chứa

3.3.1 Dự báo lũ trung hạn lưu vực sông Cả bằng mô hình lai ghép tất

định (HEC-HMS) và ngẫu nhiên (ARIMA(p,d,q)

3.3.2 Dự báo lũ trung hạn lưu vực sông Cả bằng mô hình lai ghép

mạng Nơ ron nhân tạo EANN và ARIMA(p,d,q)

3.4 Nghiên cứu phương án dự báo lũ trung hạn khi các hồ chứa trên lưu

vực sông Cả được đưa vào vận hành

Kết luận chương III

37

39

39393945

585865

71

72

72

72727275758181919799

4.1 Lựa chọn và giới thiệu tóm tắt các hồ chứa đưa vào nghiên cứu vận

hành để phòng lũ trên lưu vực sông Cả

4.2 Nghiên cứu xác định các yêu cầu đối với việc vận hành hệ thống hồ

chứa

4.3 Mô hình hóa hệ thống hồ chứa trên lưu vực sông Cả

4.4 Xây dựng các phương án vận hành phối hợp hệ thống hồ chứa tương

ứng với từng kịch bản/tình huống dòng chảy đến hồ

4.5 Tích hợp mô hình dự báo mưa, lũ với mô hình vận hành hệ thống hồ

chứa phòng lũ trên lưu vực sông Cả

4.6 Thiết lập cơ sở khoa học vận hành phối hợp hệ thống hồ chứa

Những đóng góp mới của Luận án

Hướng phát triển của Luận án

Kiến nghị

DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ

TÀI LIỆU THAM KHẢO

PHỤ LỤC

PHỤ LỤC 1: Giới thiệu phương pháp Ẩn “Implicit”, Hiện “Explicit”, và

Quy hoạch động sử dụng trong vận hành phối hợp hệ thống hồ chứa

PHỤ LỤC 2: Các thông số chính của các hồ chứa trên lưu vực sông Cả

101104

107117119

123126

127

127127128128128129

130 132 136

138149

KTTV Khí tượng Thủy văn

KTTVTW Khí tượng Thủy văn Trung ương

KTTVQG Khí tượng Thủy văn Quốc gia

NCKH Nghiên cứu khoa học

PTNT Phát triển Nông thôn

PCLBTW Phòng chống lụt bão Trung ương

ĐHTL Đại học Thủy lợi

BPNN Mạng Nơ ron thần kinh lan truyền ngược

ANN Mạng trí tuệ nhân tạo

XTNĐ Xoáy thuận nhiệt đới

ATNĐ Áp thấp nhiệt đới

ITCZ Dải hội tụ nhiệt đới

Cao áp TBD Cao áp Thái Bình dương

Tdk Thời gian dự kiến/dự báo

VHHC Vận hành hồ chứa

QTVH Quy trình vận hành

GHTND Giải hội tụ nhiệt đới

vực sông Cả Bảng 1-2: Đặc trưng hình thái lưu vực sông nhánh lớn của lưu vực

Bảng 2-3: Cấu hình động lực, vật lý và phương pháp số của 2 phiên

bản mô hình BOLAM trong dự báo định lượng mưa cho Việt Nam

Bảng 3-14: Các chỉ tiêu đánh giá kết quả kiểm định mô hình cho các

Hình 1-1: Sơ đồ tiếp cận nghiên cứu 23

Hình 1-4: Sơ đồ nghiên cứu vận hành hệ thống hồ chứa 29Hình 1-5: Bản đồ lưu vực sông Cả trên lãnh thổ Việt Nam 32

Hình 2-1: Đường đi các cơn bão đổ bộ hoặc ảnh hưởng đến lưu vực

Hình 2-3: Miền số liệu đầu vào của mô hình toàn cầu GFS và miền tính

toán của mô hình khu vực BOLAM cho phiên bản FATHER

và SON

61

Hình 2-4: Phân bố sai số trung bình theo phân tích và dự báo với hạn

dự báo 1 và 2 ngày theo BOLAM_FATHER và BOLAM_SON

64

Hình 2-5: Phân bố hệ số tương quan COR theo phân tích và dự báo với

hạn dự báo 1 và 2 ngày theo BOLAM_FATHER và BOLAM_SON

Hình 3-3: Kết quả mô phỏng lưu vực sông Cả bằng mô hình HEC –

Geo-HMS - đầu vào của mô hình thủy văn HEC - HMS

ARIMA(p,d,q) Hình 3-7: Đường quá trình lũ thực đo và dự báo với thời gian dự kiến

3 ngày bằng mô hình Lai ghép cho trận lũ năm 2006 tại trạm

Đô Lương(a), Nam Đàn(b)

89

Hình 3-8: Đường quá trình lũ thực đo và dự báo với thời gian dự kiến

5 ngày bằng mô hình Lai ghép cho trận lũ năm 2006 tại trạm

Đô Lương(a), Nam Đàn(b)

90

Hình 3-9: Đường quá trình mực nước thực đo và dự báo với thời gian

dự kiến 3 ngày bằng mô hình EANN cho trận lũ năm 2007 tại trạm Dừa(a), Đô Lương(b), Nam Đàn(c)

94

Hình 3-10: Đường quá trình mực nước thực đo và dự báo với thời gian

dự kiến 5 ngày bằng mô hình EANN cho trận lũ năm 2007 tại trạm Dừa(a), Đô Lương(b), Nam Đàn(c)

HEC-ResSim

110

Hình 4-3: Minh họa thiết lập các quy tắc phối hợp vận hành hệ thống

hồ chứa a) hồ Bản Vẽ, b) hồ Khe Bố, c) hồ Bản Mồng, d) hồ Sông Sào, e) hồ Thác Muối

111

Hình 4-5: Minh họa bảng tính, quá trình mô phỏng để xây dựng biểu

đồ điều phối cho hồ Bản Mồng

115

Hình 4-7: Minh họa kết nối dự báo lũ với vận hành hệ thống 5 hồ chứa,

báo cáo hỗ trợ ra quyết định- Decision report, biểu đồ điều tiết

119

Hình 4-8: Minh họa kết nối dự báo lũ với vận hành hệ thống 5 hồ chứa,

báo cáo hỗ trợ ra quyết định- Decision report, biểu đồ điều tiết hồ

122

MỞ ĐẦU

Những năm gần đây ở Miền Trung nước ta, thiên tai lũ lụt và hạn hán xảy ra nhiều hơn, với mức độ trầm trọng hơn, đặc biệt là năm 2007 (có tới 5 trận lũ xảy ra liên tiếp trong vòng 1 tháng) gây thiệt hại nặng nề về người và của cho các tỉnh miền Trung, trong đó có nhiều huyện như Quế Phong, Quỳ Châu, Nghĩa Đàn tỉnh Nghệ An thuộc lưu sông Cả; Ngoài các nguyên nhân khách quan do thời tiết, khí hậu, còn có những nguyên nhân chủ quan khác như khả năng dự báo mưa lũ trung

và dài hạn chưa tốt, sự phối hợp quản lý, vận hành các hồ chứa hiện có trên các lưu vực sông chưa hợp lý

Trên lưu vực hệ thống sông Cả đã và đang xây dựng nhiều hồ chứa nước lớn như hồ chứa Bản Mồng trên sông Hiếu, hồ sông Sào trên sông Sào (nhánh đổ vào sông Hiếu), hồ chứa Bản Vẽ, hồ chứa Khe Bố trên sông Cả, và hồ Thác Muối trên sông Giăng Đây đều là các hồ chứa đa mục tiêu: phòng lũ, phát điện, cấp nước cho các ngành kinh tế trên lưu vực sông Cả Tuy nhiên, các hồ chứa nước vẫn chưa có quy trình phối hợp vận hành để phòng chống lũ cho khu vực

Giảm nhẹ thiệt hại do bão lũ lụt gây ra, tăng cường hiệu quả kinh tế - xã hội

và môi trường từ việc vận hành hệ thống hồ chứa lớn trên lưu vực là những mục tiêu chính đặt ra cho chúng ta Để đạt được mục tiêu đó thì việc nghiên cứu dự báo mưa lũ trung hạn cũng như xây dựng các phương án điều hành liên hồ chứa là một công việc rất cần thiết và cấp bách cho lưu vực sông Cả Với ý nghĩa đó, Tác giả đã

lựa chọn vấn đề “Nghiên cứu dự báo mưa lũ trung hạn cho vận hành hệ thống hồ

chứa phòng chống lũ - ứng dụng cho lưu vực sông Cả“ làm đề tài nghiên cứu của

Luận án tiến sĩ của mình

Mục tiêu chính của đề tài là nghiên cứu dự báo mưa, lũ trung hạn phục vụ vận hành phối hợp các hồ chứa nước trên lưu vực đảm bảo việc phòng chống lũ cho hạ

du, vận hành an toàn hồ chứa và hạn chế đến mức thấp nhất thiệt hại do lũ gây ra trên toàn hệ thống Các mục tiêu cụ thể của nghiên cứu bao gồm: i) Nghiên cứu dự báo mưa; ii) Nghiên cứu dự báo lũ trung hạn và iii) Nghiên cứu vận hành phối hợp

hệ thống hồ chứa trong mùa lũ cho lưu vực sông Cả

Phạm vi nghiên cứu của đề tài là lưu vực sông Cả ở phần lãnh thổ Việt Nam, giới hạn từ biên giới Việt – Lào đến cầu Yên Xuân (thuộc địa phận xã Hưng Xuân, huyện Hưng Nguyên, tỉnh Nghệ An) cách điểm nhập lưu của sông La với sông Cả tại Chợ Tràng 4 km về phía thượng lưu

Để đạt được mục tiêu đề ra tác giả đã tiến hành thu thập các số liệu cần thiết, tiến hành nghiên cứu tổng quan dự báo mưa, lũ trung hạn và vận hành hệ thống hồ chứa ở trong nước và trên thế giới từ đó lựa chọn hướng tiếp cận phù hợp, vừa mang tính kế thừa vừa đảm bảo tính sáng tạo trong nghiên cứu

Các phương pháp được sử dụng trong Luận án bao gồm: i) phương pháp phân tích, thống kê, kế thừa có chọn lọc các tài liệu đã có nhằm tập hợp, đánh giá nguyên nhân gây mưa, lũ và nhận dạng các hình thế thời tiết gây mưa lũ trên lưu vực; ii) phương pháp phân tích ảnh viễn thám, GIS và chập bản đồ để hỗ trợ cho mô phỏng lưu vực trong các mô hình toán; iii) phương pháp mô hình toán (sử dụng các mô hình thuỷ văn, thủy lực họ HEC) mô phỏng quá trình thủy động lực học trên hệ thống sông Cả; và iv) phương pháp phân tích hệ thống sử dụng mô hình mô phỏng kết hợp với lý thuyết điều khiển để vận hành phối hợp hệ thống hồ chứa

Ngoài phần mở đầu, kết quả và bàn luận, Luận án được trình bày trong 4 chương bao gồm:

Chương I: Tổng quan về tình hình nghiên cứu mưa, lũ trung hạn, vận hành hệ thống hồ chứa và định hướng nghiên cứu cho lưu vực sông Cả

Chương II: Nghiên cứu dự báo mưa cho lưu vực sông Cả

Chương III: Nghiên cứu dự báo lũ trung hạn cho lưu vực sông Cả

Chương IV: Vận hành hệ thống hồ chứa phòng lũ trên lưu vực sông Cả

Những đóng góp mới của Luận án

1) Xây dựng cơ sở khoa học cho việc vận hành phối hợp các hồ chứa phòng lũ trên lưu vực sông Cả, bao gồm: i) bảng nhận dạng hình thế thời tiết gây mưa lớn trên lưu vực; ii) đặc điểm, tổ hợp lũ và kết quả mô phỏng mô hình toán thủy văn tính toán và dự báo lũ đến các hồ chứa, nhập lưu khu giữa trong hệ thống; và iii) mô hình mô phỏng hệ thống hồ chứa kết hợp với các quy tắc phối hợp vận hành các

hồ chứa phòng lũ cho lưu vực

2) Đưa ra phương pháp áp dụng hiệu quả mạng ANN với thuật toán quét ngược (BPNN) bằng việc sử dụng thuật toán giải đoán ghen GA trong quá trình tìm cấu trúc mạng tối ưu Xử lý này đã làm cho quá trình luyện mạng nhanh hơn rất nhiều, rất phù hợp cho dự báo tác nghiệp khi liên tục phải cập nhập số liệu mới

và luyện lại mạng Thêm vào đó đã nâng cao được chất lượng dự báo từ các mô hình nhận thức bằng cách áp dụng mô hình ngẫu nhiên ARIMA để hiệu chỉnh sai số dự báo

3) Tích hợp được mô hình dự báo mưa, lũ với mô hình vận hành hệ thống hồ chứa tạo tiền đề cho việc vận hành phối hợp các hồ chứa phòng lũ trên lưu vực theo thời gian thực Đây là cách mà nhiều nước tiên tiến trên thế giới đang làm và đang hướng tới, vì vậy cần được thực hiện ở Việt Nam

CHƯƠNG I TỔNG QUAN VỀ TÌNH HÌNH NGHIÊN CỨU DỰ BÁO MƯA LŨ TRUNG HẠN, VẬN HÀNH HỆ THỐNG HỒ CHỨA VÀ ĐỊNH HƯỚNG NGHIÊN CỨU CHO LƯU VỰC SÔNG CẢ

vận hành hệ thống hồ chứa trên thế giới

1.1.1 Dự báo mưa, lũ trung hạn

Nghiên cứu dự báo mưa, lũ trung hạn trên thế giới hiện nay vẫn là một đề tài hấp dẫn các nhà khoa học, đặc biệt là vấn đề làm thế nào để nâng cao chất lượng và thời gian dự kiến

Về dự báo thời tiết trong đó có dự báo mưa, bên cạnh các phương pháp truyền thống được sử dụng từ lâu như: phương pháp quán tính, phương pháp xu thế, phương pháp khí hậu, phương pháp tương tự, thì phương pháp dự báo số trị đã và đang phát triển rất mạnh Đây là phương pháp sử dụng các mô hình toán mô phỏng

và dự báo khí hậu và là phương pháp thành công nhất, được sử dụng rộng rãi nhất trên thế giới hiện nay

Các mô hình loại dự báo khí hậu được hình thành từ đầu thế kỷ 20 nhờ những tiến bộ và sự hiểu biết về vật lý khí quyển [78] Năm 1922, Lewis Fry Richardson

đã xuất bản cuốn Dự báo thời tiết bằng quá trình số trị, trong đó một số số hạng trong các phương trình động lực học chất lỏng có thể được bỏ qua để có thể tìm được các nghiệm số Tuy nhiên, khối lượng tính toán quá lớn không thể thực hiện được trước khi các máy vi tính xuất hiện Ở Na Uy có một nhóm các nhà khí tượng, đứng đầu là Vilhelm Bjerknes đã phát triển một mô hình để giải thích sự hình thành, phát triển và tan rã của các xoáy thuận ngoại nhiệt đới và họ đã đưa ra ý tưởng về front là đường biên giữa các khối khí Nhóm nghiên cứu này đã tập hợp được nhiều nhà nghiên cứu có tên tuổi như Carl-Gustaf Rossby (người đầu tiên giải thích các chuyển động qui mô lớn khí quyển trên quan điểm của động lực học) và Tor Bergeron (người đầu tiên đưa ra cơ chế hình thành mưa)

Đến giữa thập niên 1950, các mô phỏng số đã trở nên dễ dàng hơn với sự trợ giúp của máy tính Người ta đã dự báo tốt hơn các chuyển động qui mô lớn của sóng Rossby vùng vĩ độ trung bình Trong thập niên 1960, bản chất hỗn loạn của khí quyển lần đầu tiên được biết tới bởi công trình của Edward Lorenz, và hình thành nên ngành khoa học nghiên cứu về lý thuyết hỗn loạn

Với sự phát triển của các siêu máy tính, các mô hình toán khí quyển ngày càng đạt đến độ tinh xảo, không chỉ có độ phân giải không gian và thời gian được nâng cao mà nhiều thành phần trong hệ thống khí hậu được tích hợp vào mô hình: khí quyển, đại dương, sinh quyển và các tác động của con người Những mô hình được

sử dụng phổ biến hiện nay có thể kể đến như MM5, RAMS, ETA của Hoa Kỳ, HRM của Đức, BOLAM của Italia, SM của Thụy sĩ, MESO-NH của Pháp v.v… [74], [75], [76], [77]

Những số liệu được thu thập từ vệ tinh cũng đã và đang trở thành một công cụ hữu hiệu trong cung cấp các thông tin thời tiết toàn cầu cho các mô hình thời tiết lớn cũng như các khu vực Năm 1960, vệ tinh khí tượng đầu tiên TIROS-1 được phóng thành công đánh dấu bước tiến bộ vượt bậc trong dự báo thời tiết bằng mô hình số Các vệ tinh thời tiết cùng với các vệ tinh quan trắc Trái đất khác quay quanh Trái đất ở các độ cao khác nhau hiện nay đã trở thành một công cụ không thể thiếu trong dự báo thời tiết nói chung cũng như phát hiện các hiện tượng thời tiết cực đoan

Việc dự báo mưa hạn ngắn cho các khu vực không lớn, ở các nước tiên tiến hiện nay đều sử dụng các Radar thời tiết Trong Chiến tranh Thế giới lần thứ 2 radar được quân đội sử dụng để phân biệt tiếng ồn do mưa, tuyết, máy bay gây ra, nhưng sau Chiến tranh Thế giới thứ 2 thì các nhà khoa học Hoa kỳ, đặc biệt là nhà khoa học người Canada – Marshall [78] đã xây dựng các nhóm quan hệ giữa kích thước hạt mưa theo các vĩ độ khác nhau làm cơ sở cho những nghiên cứu dự báo mưa bằng Radar thời tiết sau này Các nước sử dụng Radar thời tiết nhiều nhất hiện nay có thể kể đến là Hoa Kỳ, Canada, Nhật và các nước Tây Âu

Về dự báo lũ trung hạn, hướng nghiên cứu trên thế giới trong những năm gần đây chủ yếu tập trung vào việc sử dụng phương pháp mạng Nơ ron nhân tạo (ANN) với nhiều thuật toán tối ưu khác nhau kết hợp với việc sử dụng mô hình ngẫu nhiên ARIMA (p,d,q), và việc mở rộng áp dụng các mô hình thủy văn thông số phân bố tận dụng các thông tin có được từ vệ tinh, máy bay và GIS kết hợp với kết quả dự báo mưa từ các mô hình số trị dự báo thời tiết như MM5, RAMS, HRM, BOLAM, vv Một số nghiên cứu cụ thể được tóm tắt dưới đây:

Marıa và nnk (2004) [64] đã áp dụng mô hình ARIMA (p,d,q) và mạng Nơ ron nhân tạo (ANN) thuật toán quét ngược (BPNN) để dự báo dòng chảy trung bình tháng cho lưu vực sông Xallas ở Đông Bắc Tây Ban Nha, trong đó mô hình mạng

Nơ ron nhân tạo được sử dụng để nâng cao chất lượng dự báo từ mô hình ARMA

Mặc dù kết quả đạt được chưa thực sự tốt cho các đỉnh lũ nhưng hướng nghiên cứu

mở ra một triển vọng lớn trong sự kết hợp các mô hình để dự báo trung hạn

Mohammadi và nnk (2006) [65] đã sử dụng thuật toán GP (Goal programming) ước tính các thông số của mô hình ARIMA (p,d,q) vào dự báo dòng chảy tháng cho trạm Shaloo Bridge trên sông Karun ở tây nam của Iran với số liệu quan trắc dài 68 năm Kết quả nghiên cứu cho thấy các thông số của mô hình ARIMA xác định với việc sử dụng thuật toán GP tốt hơn sử dụng thuật toán Maximum Likelihood và tốt hơn nhiều so với việc tính đúng các hệ số của mô hình ARIMA bằng phương pháp giải tích truyền thống

Walter, C và nnk (2007) [66] đã sử dụng mô hình thủy văn MGB-IPH để sự báo dòng chảy trung hạn cho sông Paranafba ở Brazil Đây là mô hình thủy văn thông số phân bố ứng dụng cho các lưu vực lớn ở Nam Mỹ Mô hình này được cải tiến từ mô hình LARSIM với một số thay đổi trong các modul tính bốc thoát hơi, tính thấm Ô lưới tính toán của mô hình thường là 10km x 10km và chúng được kết nối với mạng sông suối với mỗi ô được coi như ‘một đơn vị phản ứng thủy văn’ với giá trị phụ thuộc vào loại đất và hiện trạng sử dụng đất trên từng ô lưới Mô hình này sử dụng mưa dự báo từ mô hình ETA của Trung tâm dự báo mưa Brazil (BCWP) Mô hình dự báo mưa ETA là mô hình số trị với vùng dự báo bao phủ toàn

bộ khu vực Nam Mỹ và một phần của vùng phụ cận; mô hình dự báo thời tiết này được đưa vào dự báo tác nghiệp từ năm 1996, chủ yếu cho dự báo hạn ngắn Kết quả dự báo của mô hình thủy văn phân bố MGB-IPH này được so sánh với kết quả

dự báo của mô hình ARMA truyền thống đã cho kết quả khả quan hơn nhiều trong

cả mùa mưa và mùa khô ứng với thời gian dự kiến từ 3, 5 đến 12 ngày, đặc biệt là khi dự báo mưa tốt

Chen, Y H., Chang, F J (2009) [54] đã áp dụng mô hình mạng Nơ ron nhân tạo với thuật toán thuyết tiến hóa – EANN (Evolutionary Algorithms Nueral Network) vào dự báo dòng chảy 10 ngày đến hồ chứa Shihmen thuộc lưu vực sông Tanshui của Đài loan Mô hình EANN sử dụng thuật toán thuyết tiến hóa để tìm và xây dựng mạng nơ ron thần kinh, các trọng số kết nối một cách tự động, thực chất là một mô hình lai ghép bao gồm việc sử dụng thuật toán giải đoán gen (GA – Genetic Algorithm) với thuật toán Leo Dốc - SCGA (Scaled conjugate Gradient Algorithm)

để dò tìm và tối ưu hóa mạng nơ ron cùng với việc xác định các trọng số kết nối Kết quả dự báo của mô hình EANN là tốt hơn nhiều so với mô hình AR và

ARMAX (mô hình cải tiến của ARMA) Việc sử dụng mô hình EANN đã phần nào

đó khắc phục được nhược điểm cố hữu của mô hình ANN trong việc tìm ra mạng

nơ ron phù hợp và tiết kiệm thời gian tìm kiếm

Knebla, M.R và nnk (2005) [60] đã xây dựng một mô hình dự báo lũ cho lưu vực sông San Antonio (diện tích khoảng 10.000 km2) ở Bang Texas, Hoa kỳ Mô hình dự báo lũ này thực chất là sự kết hợp giữa mô hình thủy văn, thủy lực HEC-HMS, HEC-RAS và mô hình dự báo mưa bằng radar NEXRAD với sự trợ giúp của công cụ GIS có tên “Map to Map” sử dụng phần mở rộng ArcHydro trong ArcGIS cho khu vực nghiên cứu Mô hình HEC-HMS trong nghiên cứu này là mô hình thông số phân bố (sử dụng lựa chọn lũ đơn vị ModClark) với ô lưới 4km x 4km tương ứng với độ phân giải của mưa lưới từ mô hình dự báo mưa bằng radar NEXRAD Công cụ “Map to Map” được sử dụng để xây dựng các bản đồ đất, thảm phủ dạng lưới làm đầu vào cho HEC-HMS Mô hình kết hợp này đã được hiệu chỉnh với lưu lượng thực đo tại 12 trạm thủy văn trong lưu vực và được kiểm định với thông tin từ ảnh vệ tinh Landsat TM để đảm bảo độ tin cậy Công cụ GIS được

sử dụng để xây dựng cơ sở dữ liệu bản đồ ngập lụt Nghiên cứu đã thử nghiệm dự báo cho trận lũ lớn mùa hè năm 2002 và kết quả đạt được là khá tốt Mô hình kết hợp này đã mở ra triển vọng cho việc dự báo lũ với phạm vi vùng và có thể áp dụng cho nhiều vùng khác nhau ở Hoa Kỳ

Renji R và nnk (2009)[68] đã nghiên cứu xây dựng một mô hình lai ghép (Hydrid modelling) trên cơ sở tích hợp hàm Gamma, hàm chuyển đổi dạng sóng (wavelet transformation - WT) và mô hình mạng Nơ ron nhân tạo với thuật toán tối

ưu tập mờ (Adaptive neuro-fuzzy inference system - ANFIS), trong đó hàm Gamma được dùng để kiểm tra và lựa chọn các biến đầu vào và độ dài của các biến đầu vào; hàm chuyển đổi dạng sóng WT được dùng để chuyển các tín hiệu đầu vào thành các băng tần khác nhau, sau đó dùng mô hình ANFIS để mô hình hóa các tín hiệu đầu vào đã được chuyển đổi thành tín hiệu đầu ra là dòng chảy Mô hình lai ghép này đã được áp dụng cho lưu vực sông Brue ở Tây Nam nước Anh với kết quả thu được tốt Sự thành công của mô hình còn mở ra một hướng mới trong dự báo thủy văn đó

là hướng sử dụng các mô hình lai ghép với các kỹ thuật lựa chọn biến đầu vào, kết hợp với việc chuyển đổi tín hiệu bằng nhiều phương pháp khác nhau ví dụ như hàm Sigmois, hàm Instain,… và các dạng mô hình ANN sử dụng các thuật toán tối ưu

kế và xây dựng các trạm đo đạc tự động và hệ thống cảnh báo lũ

Jasper, K và nnk (2002) [58] đã nghiên cứu kết hợp mô hình khí áp với mô hình thủy văn phân bố WaSiM-ETH để dự báo dòng chảy cho các lưu vực sông Ticino, Verzasca và Maggia diện tích 2627 km2 ở phía Nam của dãy Alpine Đây là một phần của dự án EU – RAPHAEL do Cơ quan Khoa học và Giáo dục Thụy sĩ tài trợ (Swiss Federal Office for Education and Science) Dữ liệu đầu vào cho mô hình thủy văn phân bố trên đã được các tác giả đưa vào dưới 2 dạng, đó là số liệu mưa thực đo của 51 trạm khí tượng và số liệu mưa dự báo từ 5 mô hình dự báo thời tiết độ phân giải cao khác nhau có kích thước ô lưới từ 2 đến 14km: (1) SM của Thụy sĩ, (2) MESO-NH của Pháp, (3) BOLAM của Italia, (4) MC2 của Canada, và (5) ALADIN Mô hình thủy văn phân bố WaSiM-ETH với kích thước ô lưới 500m

x 500m đã được hiệu chỉnh với chuỗi số liệu từ 1993 - 1996 và kiểm định với số liệu từ 1997 - 2000 của 12 trạm thủy văn Theo báo cáo, mô hình ALADIN cho kết quả dự báo mưa tốt nhất trong 5 mô hình nghiên cứu và độ chính xác của dự báo lượng mưa quyết định lớn đến độ chính xác của dự báo dòng chảy Chỉ cần một sự thay đổi nhỏ trong dự báo lượng mưa đã làm cho kết quả dự báo dòng chảy sai lệch nhiều so với thực đo, từ đó cũng cho thấy việc xác định chính xác điều kiện ban đầu của lưu vực cũng rất quan trọng

Ranzi, R và nnk (2002) [67] đã tiến hành nghiên cứu dự báo lũ trung hạn cho các lưu vực ở vùng An-pơ bằng mô hình tích hợp khí tượng – thủy văn (BOLAM – DIMOSOP) trong khuôn khổ của chương trình nghiên cứu của cộng đồng châu Âu

có tên RAPHAEL và MAP-SOP Mô hình thời tiết BOLAM được phát triển tại Trung tâm Nghiên cứu Khí tượng CNR-ISAO, Italia đã được sử dụng tính toán cho các trận lũ lịch sử trong quá khứ tại Italia Mô hình tích hợp BOLAM – DIMOSOP nói trên có thể đưa ra các dự báo trung hạn trước từ 3 đến 5 ngày có độ chinh xác

cao Tuy nhiên khi áp dụng mô hình tích hợp này ở Việt Nam cho lưu vực sông Hồng và sông Thái Bình trong chương trình hợp tác song phương giữa Chính phủ Việt Nam và Italia mà trường Đại học Thủy lợi là cơ quan thực hiện chính ở phía Việt Nam thì kết quả đạt được chưa cao ; một phần là bởi những thông tin quan trọng về lưu vực sông Hồng ở phía Trung Quốc không có; một phần là bởi mô hình động lực khí quyển trong BOLAM xây dựng cho khu vực ôn đới nên cần nhiều thời gian và kinh nghiệm để chỉnh sửa thì mới phù hợp với khu vực nhiệt đới gió mùa ở Việt Nam

Collischonna và nnk (2005) [55] đã nghiên cứu sử dụng mô hình thủy văn phân bố tương tự như mô hình LARSIM và VIC-2L để dự báo dòng chảy cho lưu vực sông Uruguay một nhánh lớn của sông Plata – lưu vực sông lớn thứ 2 ở Nam

Mỹ với diện tích 32.000 km2 Đầu vào thảm phủ thực vật và loại đất cho mô hình thủy văn phân bố này được phân loại từ ảnh vệ tinh Landsat 7 – TM và mô hình đã được hiệu chỉnh với số liệu thực đo mưa và dòng chảy từ tháng 9/2001 đến tháng 5/2003 tại 3 trạm thủy văn trên lưu vực và phương pháp hiệu chỉnh sử dụng trong

mô hình là hiệu chỉnh tự động với thuật toán MOCOM-UA; đây là thuật toán cho phép dò tìm tối ưu với nhiều hơn 2 hàm mục tiêu cùng một lúc Sau khi hiệu chỉnh

và kiểm định cho kết quả tốt, mô hình đã được sử dụng để dự báo với số liệu đầu vào là cả mưa thực đo và mưa dự báo từ mô hình dự báo thời tiết ARPS (Advanced Regional Prediction System) do trường Đại học Tổng hợp ở Bang Santa Catarina State của Brazil xây dựng, trong đó số liệu mưa thực đo được sử dụng đến thời điểm bắt đầu dự báo và mưa dự báo từ mô hình ARPS được đưa vào với nhiều độ phân giải khác nhau (ARPS 40km, ARPS-12km và ARPS-4km) Kết quả dự báo thử nghiệm với thời gian dự kiến 48h cho trận lũ năm 2001 (tần suất xuất hiện 1%) trên lưu vực cho thấy dòng chảy dự báo thiên nhỏ so với số liệu quan trắc vì lượng mưa dự báo thiên nhỏ nguyên do thông số của mô hình được hiệu chỉnh cho thời gian dài với số liệu mưa và dòng chảy thực đo Qua nghiên cứu này, các tác giả kết luận rằng việc dự báo mưa rất quan trọng cho dự báo dòng chảy hạn vừa nếu sử dụng các mô hình thủy văn thông số phân bố

Gouweleew, B T., và nnk [57] đã tiến hành nghiên cứu tích hợp mô hình số bán thống kê dự báo thời tiết hạn vừa ECMWF vào mô hình thủy văn thông số phân bố LISFLOOD để dự báo dòng chảy cho sông Meuse và Rhine của Đức Mô hình thời tiết ECMWF là mô hình toàn cầu có khả năng đưa ra dự báo thời tiết với thời gian dự kiến lên tới 10 ngày Tuy nhiên độ phân giải của mô hình này tương đối thưa (80km) với 40 tầng theo chiều thẳng đứng Mô hình LISFOOD mô phỏng cho lưu vực sông nghiên cứu có độ phân giải 1km, trong khi mạng lưới sông suối

được xây dựng từ DEM 75 m thì các bản đồ hiện trạng sử dụng đất được xây dựng

từ dữ liệu của CORIN có độ phân giải 1km, được cập nhập thêm thông tin từ bản

đồ giấy có độ phân giải 100m Số liệu đầu vào mô hình LISFLOOD chính là kết quả dự báo mưa, nhiệt độ và độ ẩm của mô hình khí tượng, ngoài ra còn có dữ liệu địa hình, hiện trạng sử dụng đất, loại đất, chỉ số lá LAI (Leaf Area Index) và chiều sâu của đất cũng cần phải đưa vào cho lưu vực nghiên cứu Kết quả đạt được cho thấy khi mô phỏng lại trận lũ lớn tháng 1 năm 1995, mô hình LISFOOD cho kết quả tương đối tốt nếu sử dụng số liệu khí tượng thực đo (mưa, nhiệt độ và độ ẩm) Tuy nhiên, nếu sử dụng mưa dự báo với thời gian dự kiến từ 3 đến 5 ngày thì dòng chảy dự báo từ mô hình lớn hơn rất nhiều Điều này cho thấy kết quả dự báo dòng chảy từ mô hình phụ thuộc rất nhiều vào kết quả dự báo mưa

1.1.2 Vận hành hệ thống hồ chứa

Vận hành hồ chứa (VHHC) là một một trong những vấn đề được quan tâm nhiều nhất trong lịch sử hàng trăm năm của công tác quy hoạch quản lý hệ thống nguồn nước Nghiên cứu vận hành quản lý hệ thống hồ chứa luôn phát triển theo thời gian từ các nghiên cứu đơn giản tới các nghiên cứu gần đây về phương pháp vận hành tối ưu hệ thống hồ chứa phục vụ đa mục tiêu

Trên thế giới đã có rất nhiều nghiên cứu áp dụng các thuật toán điều khiển khác nhau vào giải quyết bài toán vận hành hệ thống liên hồ chứa Một số nghiên cứu cụ thể có thể được liệt kê dưới đây như:

Kumar, Viện Khoa học Ấn độ [61] đã sử dụng thuật toán tối ưu SWARM vào nghiên cứu vận hành hệ thống liên hồ chứa gồm 4 hồ mà trước đây Larson đã sử dụng Quy hoạch động để giải quyết Hai nhà Thủy văn Kumar và Singh cũng đã áp dụng các thuật toán GA - giải đoán gen Tiếp đó Giáo sư Kumar lại thử nghiệm áp dụng cho hệ thống hồ chứa Bhadra của Ấn độ Kết quả cho thấy thuật toán tối ưu SWARM có khả năng áp dụng rất tốt vào giải quyết bài toán vận hành liên hồ chứa Robin, Trường đại học Edinburgh, vương quốc Anh [70] cũng đã tiến hành nghiên cứu đánh giá thuật toán GA - Giải đoán gen vào vận hành tối ưu hệ thống liên hồ chứa Nghiên cứu điển hình đã được thực hiện cho hệ thống 4 hồ chứa, rồi cho hệ thống 10 hồ chứa Kết quả đạt được cho thấy thuật toán GA đem đến một giải pháp chấp nhận được Tuy nhiên vẫn còn nhiều vấn đề cần xem xét đặc biệt là phân tích độ nhạy của các biến

Alzali và nnk [51] đã nghiên cứu vận hành phối hợp hệ thống hồ thủy điện Khersan, Iran bằng việc kết hợp mô hình mô phỏng và thuật toán tối ưu với hàm mục tiêu là sản lượng điện của hệ thống Thuật toán tối ưu được áp dụng trong nghiên cứu là quy hoạch tuyến tính cho riêng từng hồ trong từng bước thời gian để làm cơ sở xem xét cho ưu tiên phát điện của các hồ trong hệ thống Kết quả đạt được cho thấy nếu phối hợp vận hành hệ thống 4 hồ chứa theo hàm mục tiêu đề ra

sẽ cho sản lượng điện cao hơn khoảng 7,9% tổng sản lượng điện của 4 hồ khi vận hành riêng rẽ

Long, N L và nnk [63] đã nghiên cứu kết hợp mô hình mô phỏng và mô hình tối ưu để vận hành hồ Hòa Bình giải quyết xung đột chính giữa phòng lũ và phát điện ở giai đoạn cuối mùa lũ và đầu mùa kiệt Tác giả đã sử dụng phần mềm MIKE

11 để mô phỏng hệ thống sông và hồ chứa kết hợp với các thuật toán tối ưu SCE (shuffled complex evolution) để tìm ra quỹ đạo tối ưu (pareto) khi xem xét cả hai ưu tiên giữa phòng lũ và phát điện Kết quả đạt được cho thấy hoàn toàn có thể dùng

mô hình mô phỏng để giải quyết vấn đề phòng lũ cho công trình và cho hạ du mà vẫn có thể duy trì mực nước cao ở cuối mùa lũ để đảm bảo hiệu ích cao trong phát điện ở mùa kiệt kế tiếp Đồng thời nghiên cứu cũng cho thấy thuật toán tối ưu SCE

là một công cụ hữu hiệu trong giải quyết các bài toán hệ thống phức tạp

Chang, L C và Chang, F J [52] đã nghiên cứu áp dụng thuật toán tiến hóa (Evolution Algorithm – NSGA-II) vào vận hành hệ thống hồ chứa gồm hồ Feitsui

và Shihmen ở Đài loan Các tác giả đã mô phỏng và vận hành hệ thống hồ chứa theo thời đoạn ngày, sau đó tính toán các chỉ số thiếu hụt nước (shortage indices – SI) cho cả 2 hồ trong một thời gian dài mô phỏng Thuật toán NSGA-II đã được sử dụng để làm giảm chỉ số SI thông qua chiến lược phối hợp vận hành 2 hồ Với 49 năm số liệu, các tác giả cho thấy hoàn toàn có thể tìm các chiến lược phối hợp vận hành tốt hơn nhiều so với thực tế vận hành trong 49 năm qua và giải tối ưu Pareto tìm được cho 2 hồ chính là giải kiến nghị cho việc vận hành phối hợp

Chaves, P và Chang F J [53] đã nghiên cứu áp dụng mạng trí tuệ nhận tạo tiến hóa (ENNIS) vào vận hành hồ chứa Shihmen ở Đài Loan với 5 biến ra quyết định Kết quả đạt được cho thấy mạng ENNIS sử dụng cho việc vận hành hồ chứa Shihmen này có nhiều thuận lợi hơn nhiều vì nó có ít thông số, dễ dàng xử lý các biến điều khiển, dễ kết hợp giữa mô hình vận hành với các mô hình dự báo dòng chảy đến Kết quả nghiên cứu cũng chỉ ra rằng mạng ENNIS hoàn toàn có khả

và Neck-ten) cho thấy phương pháp này có kết quả tốt nhơn nhiều đảm bảo cắt được đỉnh lũ theo yêu cầu của các điểm kiểm soát ở hạ lưu mà vẫn đảm bảo yêu cầu tích nước ở cuối mùa lũ ở các hồ chứa

John W Labadie [59], Trường Đại học Bang Colorado đã tổng kết rất nhiều phương pháp sử dụng cho bài toán vận hành liên hồ chứa Nhóm các phương pháp thường dùng như: Tối ưu ngẫu nhiên ẩn (Implicit Stochastic Optimization) gồm: các mô hình quy hoạch tuyến tính (Linear Programming Models), các mô hình tối

ưu dòng chảy mạng (Network Flow Optimization Models), các mô hình quy hoạch phi tuyến (Nonlinear Programming Models), các mô hình quy hoạch động rời rạc (Discrete Dynamic Programming Model), các mô hình quy hoạch động liên tục (Diffirential Dynamic Programming Models), các lý thuyết điều khiển tối ưu rời rạc theo thời gian (Discrete Time Optimal Control Theory) Nhóm các phương pháp ngẫu nhiên hiện (Explicit Stochastic Optimization) bao gồm: các mô hình quy hoạch tuyến tính ngẫu nhiên (Stochastic Linear Programming Models), các mô hình quy hoạch động ngẫu nhiên (Stochastic Dynamic Programming Models), Các mô hình điều khiển tối ưu ngẫu nhiên (Stochastic Optimal Control Models) Nhóm tích hợp dự báo để vận hành hồ chứa theo thời gian thực

Tóm lại: Mặc dù đã đạt được những tiến bộ vượt bậc trong nghiên cứu vận

hành hệ thống hồ chứa, nhưng cho đến nay không có một lời giải chung cho mọi hệ thống mà tùy đặc thù của từng hệ thống mà có các lời giải phù hợp

Việc dự báo số trị được bắt đầu tương đối sớm tại Cục Dự báo KTTV, Tổng Cục KTTV nay là Trung tâm Dự báo Khí tượng Thủy văn Trung ương (Trung tâm

Dự báo KTTVTW), Trung tâm Khí tượng Thủy văn Quốc gia (Trung tâm KTTVQG), Bộ Tài nguyên và Môi trường từ những năm 70, với một số mô hình: một tầng, ba tầng, song mới chỉ dừng lại ở mức thử nghiệm, chưa đưa vào dự báo tác nghiệp Trong những năm 1995-1997, cũng có một vài mô hình được tiếp nhận

để nghiên cứu, song vì các mô hình này hoặc chỉ là phiên bản thực nghiệm, hoặc được tải miễn phí từ Internet nên việc nghiên cứu còn gặp nhiều khó khăn

Từ năm 1997 trở lại đây, nhờ có thành tựu tiến bộ của tin học, Trung tâm Dự báo KTTVTW đã thu được một số sản phẩm dự báo số trị từ các Cơ quan khí tượng Nhật bản (JMA) (dạng số, cuối năm 1997), Cơ quan khí tượng Ôxtrâylia (BoM) (dạng bản đồ (1999), dạng số (đầu năm 2001)), và một vài Trung tâm khí tượng khác (dạng bản đồ) Các dự báo viên tham khảo những sản phẩm này khi ra các bản tin thời tiết và qua thực tế cho thấy các sản phẩm dự báo này thật sự có ích cho công tác dự báo nghiệp vụ

Ở Trung tâm Dự báo KTTVTW, bộ mô hình dự báo số trị toàn cầu phân giải cao GME-HRM (Global Model for Europe-High-resolution Regional Model) do Tổng cục thời tiết, CHLB Đức (DWD) cung cấp đã được cài đặt trên hệ máy tính song song hiệu năng cao (Hệ điều hành Linux) tại Trung tâm DBKTTVTW Bộ mô hình này bao gồm mô hình HRM (thuỷ tĩnh, dự báo cho khu vực hạn chế) lồng ghép trong mô hình toàn cầu GME của DWD GME có độ phân giải 0.5 0.5 (khoảng

60 km), số mực theo chiều thẳng đứng là 31, sử dụng lưới tam giác điều hoà (icosahedral-hexagonal) Hệ thống nghiệp vụ GME-HRM đã được đưa vào chạy thử nghiệm từ tháng 5 năm 2002; thực hiện dự báo thời hạn 72 giờ Số liệu đầu vào cho

mô hình HRM là các trường phân tích và dự báo của mô hình GME được nhận hàng ngày qua mạng Internet Mô hình HRM có thể nhận các đầu vào khác nhau như:

- Đầu vào từ mô hình toàn cầu GME (Tổng cục thời tiết, CHLB Đức - DWD)

- Đầu vào từ mô hình toàn cầu GSM (Cơ quan Khí tượng Nhật bản) + GME (Tổng cục thời tiết, CHLB Đức)

- Đầu vào từ mô hình toàn cầu GFS (Cơ quan khí tượng Hoa Kỳ)

Đây là mô hình số dự báo thời tiết đầu tiên được chạy nghiệp vụ tại cơ quan dự báo khí tượng của Việt nam, góp phần quan trọng trong công tác dự báo thời tiết hàng ngày

Ngoài mô hình HRM, những năm gần đây Trung tâm Dự báo KTTVTW còn chạy thử nghiệm song song nhiều mô hình, trong đó có mô hình ETA và mô hình BOLAM [23], [47]

ETA là mô hình dự báo thời tiết bất thủy tĩnh được phát triển trong khuôn khổ hợp tác nghiên cứu giữa hai cơ quan khí tượng Nam Tư và Mỹ từ trước năm 1987

và hiện này được sử dụng vào dự báo tác nghiệp ở Mỹ, Nam Tư, Hy Lạp, Rumani, Nam Phi, Ấn Độ, Italy, Brazil Mô hình ETA phiên bản 2001 đã được nghiên cứu từ năm 2002 và được đưa vào chạy thử nghiệm nghiệp vụ tại Trung tâm Dự báo KTTVTW từ tháng 5-2003 Hiện tại, mô hình ETA đang được chạy nghiệp vụ tại Trung tâm Dự báo KTTVTW với độ phân giải xấp xỉ 20km và 38 mực thẳng đứng Các sản phẩm của ETA được cung cấp 2 lần một ngày cho đến hạn dự báo 72 giờ với điều kiện ban đầu và điều kiện biên được lấy từ mô hình toàn cầu GFS (Global Forecasting System) của Mỹ

Mô hình BOLAM được chuyển giao cho Việt Nam thông qua nhiệm vụ hợp tác nghiên cứu song phương giữa chính phủ Việt Nam và Italia “Hợp tác nghiên cứu xây dựng công nghệ dự báo lũ trung hạn kết nối với công nghệ điều hành hệ thống công trình phòng chống lũ cho đồng bằng sông Hồng – Thái Bình” giữa Trường Đại học Thủy Lợi phối hợp với Trung tâm Dự báo KTTVTW và với một số đối tác Italia như Đại học Bách Khoa Milano, Đại học Brescia, Viện khoa học khí quyển và khí hậu (ISAC) thuộc Cơ quan nghiên cứu quốc gia Italia Tháng 11 năm 2006, mô hình BOLAM bắt đầu được nghiên cứu cài đặt và chạy thử nghiệm ở Phòng Nghiên cứu ứng dụng thuộc Trung tâm Dự báo KTTVTW Đến tháng 1 năm 2007, mô hình BOLAM được triển khai chạy bán nghiệp vụ tại Trung tâm Dự báo KTTVTW trên máy tính PC-Linux với hai phiên bản BOLAM_FATHER (độ phân giải 28km và 31 mực thẳng đứng) và BOLAM_SON (độ phân giải 14km và 40 mực thẳng đứng) và chạy 2 thời điểm trong một ngày (tại 00UTC và 12UTC) Trường số liệu đầu vào được lấy từ mô hình toàn cầu GFS của NCEP độ phân giải 0.5 x 0.5 độ Do phiên bản mô hình BOLAM được chuyển giao là phiên bản nghiên cứu nên gặp phải nhiều khó khăn trong quá trình cài đặt cũng như vận hành Để đơn giản hóa quá

trình này và tạo ra những phù hợp trong nghiên cứu cũng như chạy nghiệp vụ với điều kiện tại Việt Nam, nhóm nghiên cứu đã cải tiến các thư mục mô hình, lưới tính toán, bộ biên dịch mã nguồn, các chương trình (script) cài đặt và chạy mô hình, các chương trình hiển thị và triết xuất kết qủa dự báo cho cả mục đích nghiên cứu và đánh giá kết qủa

Đánh giá năm các mô hình trong 2008 của các chuyên viên dự báo ở Trung tâm Dự báo KTTVTW cho thấy hiện nay mô hình HRM cho kết quả dự báo 3 đến 5 ngày tốt nhất, ETA cho kết quả dự báo 1 ngày tốt, còn BOLAM cho kết quả dự báo

3 ngày đến 5 ngày thiên cao ở một số vùng, đặc biệt là khu vực Nam Trung Bộ, nhưng dự báo 1 ngày và 2 ngày tương đối tốt cho khu vực Bắc Trung Bộ

Ngoài Trung Tâm Dự báo KTTVTW còn có một số cơ quan khác như Viện Khoa học Khí tượng Thủy văn và Môi trường, Trường Đại học Khoa học Tự nhiên cũng đã ứng dụng các mô hình số trị như MM5, RAMS, ETA, WRF để dự báo mưa Đây đều là các sản phẩm nghiên cứu của các đề tài NCKH cấp Nhà nước (KC.09.04) [25] và cấp Bộ, nhưng sau đó chỉ còn mô hình MM5 được đưa vào chạy hàng ngày tại Viện Khoa học Khí tượng Thủy văn và Môi trường [6] Các mô hình khác chỉ được thử nghiệm trong thời gian nghiên cứu nên chưa đánh giá được tính chính xác cũng như hiệu quả của mỗi mô hình

Việc sử dụng các Radar thời tiết cũng bắt đầu thực hiện khi chúng ta có mạng lưới 5 trạm radar thời tiết với 7 radar, trong đó 2 radar MRL-5 của Liên Xô và TRS-

2730 của Pháp đặt tại Phủ Liễn, 01 radar TRS-2730 của Pháp đặt tại Việt Trì; 02 radar MRL-5 của Liên Xô và TRS-2730 của Pháp đặt tại Vinh; 01 radar DWSR của

Mỹ đặt tại Tam Kỳ và 01 radar DWSR của Mỹ đặt tại Nha Trang Việc khai thác các sản phẩm từ radar thời tiết phục vụ dự báo bão, ATNĐ, mưa, dông, tố, lốc Năm 1986, cơ quan dự báo khí tượng thuỷ văn được lắp đặt hệ thống thu nhận ảnh vệ tinh GMS phân giải thấp dạng WEFAX (Weather Facsimile) theo kiểu truyền tín hiệu tương tự (analogue) Mặc dù những ảnh vệ tinh phân giải thấp nhận được trong những năm đó đã góp phần đáng kể trong việc nâng cao độ chính xác của dự báo thời tiết, đặc biệt là theo dõi và dự báo bão và ATNĐ ở Việt Nam Tuy nhiên, ảnh vệ tinh dạng WEFAX còn có những hạn chế trong việc khai thác những tham số khí tượng một cách định lượng và liên tục để có thể mô tả được chính xác hơn trạng thái của khí quyển và bề mặt đất

Từ tháng 7 năm 1997, được sự đầu tư của Nhà nước, Trung tâm Quốc gia Dự báo Khí tượng Thuỷ văn đã được trang bị hệ thống thu nhận ảnh mây vệ tinh phân giải cao thay thế trạm phân giải thấp Đây là một hệ thống hiện đại cho phép thu

được các ảnh mây với các dải phổ khác nhau chụp từ vệ tinh địa tĩnh GMS-5 của Nhật ở độ cao 36000km trên đường xích đạo tại kinh tuyến 140 đông, có độ phân giải từ 5 đến 7 km Các ảnh vệ tinh dạng số (S-VISSR: Stretched Visible and Infrared Spin Scan Radiometer) của tất cả các kênh ảnh gồm hai ảnh nhiệt hồng ngoại (IR1, IR2), một ảnh hơi nước (WV) và một ảnh hiển thị phổ (VIS) nhận được liên tục từng giờ qua vệ tinh GMS-5 trở thành một công cụ đắc lực trong công tác nghiệp vụ dự báo KTTV của Trung tâm và được sử dụng rộng rãi ở chín đài Khu vực và nhiều trạm dự báo phục vụ trong cả nước góp phần nâng cao chất lượng dự báo thời tiết nói chung, đặc biệt là các hiện tượng thời tiết nguy hiểm như mưa lớn, không khí lạnh, bão, ATNĐ và đã trở thành một công cụ không thể thiếu trong công tác dự báo nghiệp vụ KTTV ở Việt Nam Từ tháng 6 năm 2006, hệ thống thu ảnh mây vệ tinh địa tĩnh MTSAT của Nhật đã được lắp đặt và đưa vào sử dụng tại Trung tâm Dự báo KTTV Trung ương, nhận được 5 kênh ảnh IR1, IR2, WV, IR4 và VIS

Bên cạnh các sản phẩm chính nêu trên còn có các sản phẩm ứng dụng khác được tạo ra từ ảnh mây vệ tinh phân giải cao dạng số như:

Hướng nhận dạng lũ: Các nghiên cứu tập trung phân tích rõ tính chất phân kỳ lũ, tổ

hợp lũ và những dấu hiệu nhận biết về quy mô lũ trên hệ thống sông Các nghiên cứu theo hướng này bao gồm:

- Nghiên cứu công nghệ nhận dạng lũ trong điều hành hồ Hoà Bình chống lũ hạ

du và ảnh hưởng của nó tới đồng bằng sông Hồng, sông Thái Bình (Đề tài nhà

- Đánh giá tình hình thời tiết sinh lũ phục vụ cảnh báo và dự báo lũ trên hệ thống sông Hồng, Đại học Thủy lợi, Trung tâm Dự báo KTTVQG, 2002 [7]

Hướng dự báo dòng chảy lũ: Các nghiên cứu tập trung vào việc ứng dụng các

phương pháp dự báo thủy văn vào dự báo dòng chảy lũ Các nghiên cứu theo hướng này bao gồm:

- Đề tài nghiên cứu xây dựng công cụ dự báo lũ thượng lưu hệ thống sông Hồng

do Trung tâm DBKTTVQG thực hiện 1995 – 1997 [47]

- Đề tài xây dựng công cụ mô phỏng số phục vụ cho đề xuất, đánh giá và điều hành các phương án phòng chống lũ sông Hồng – Thái Bình do Viện cơ học thuộc Viện Khoa học và Công nghệ Việt Nam Thực hiện [50]

- Chương trình cấp Nhà nước về Phòng chống lũ sông Hồng - Thái Bình do Cục Quản lý đê điều và Phòng chống lụt bão thực hiện giai đoạn 1999-2002

- Tuyển tập báo cáo “Khoa học công nghệ dự báo và phục vụ dự báo khí tượng thủy văn” Hà nội, 26-27 /12/2000, Trung tâm Dự báo KTTVQG [47]

- Qui trình vận hành hồ chứa thủy điện Hòa Bình và các công trình cắt giảm lũ sông Hồng trong mùa lũ hàng năm (gọi tắt là Quy trình vận hành 2005) – Quyết định số 103/PCLBTW ngày 16/6/2005, do các chuyên gia Đại học Thủy lợi thực hiện 2004-2005

- Quy hoạch phòng chống lũ hệ thống sông Hồng, sông Thái Bình theo quyết định

số 92/2007/QĐ-TTg ngày 21/06/2007

Từ việc nghiên cứu các kết quả đạt được của các đề tài NCKH theo 2 hướng nghiên cứu trên, tình hình nghiên cứu dự báo lũ ở Việt Nam hiện nay có thể được tổng kết tóm tắt như sau:

Dự báo dòng chảy ngắn hạn thường sử dụng các biểu đồ kinh nghiệm, mô hình SSARR dạng thu gọn, mô hình diễn toán lũ trong sông, quan hệ mưa rào dòng chảy, phương pháp mực nước tương ứng Mức bảo đảm của dự báo thuỷ văn đạt mức 80% - 85% với thời gian dự nhỏ hơn 24h Khi tăng thời gian dự kiến thêm 12-24h nữa thì độ chính xác giảm xuống còn 70-75%

- Mô hình Marine của Viện Cơ học chất lỏng Toulouse (Pháp) xây dựng Mô hình này đang được Viện Cơ học Việt nam và Trung tâm Dự báo KTTVTW nghiên cứu và áp dụng để dự báo dòng chảy sông Hồng và sông Thái Bình trong một đề tài NCKH cấp Bộ [47]

- Mô hình DIMOSOP do Trường Đại học Bách khoa Milano và Brescia (Italia) phát triển và hoàn thiện Mô hình này đã được trường Đại học Thủy lợi và nhóm chuyên gia của Italia do GS TS Ranzi, tác giả của mô hình ứng dụng để mô phỏng để dự báo lũ trung hạn cho hệ thống sông Hồng và sông Thái Bình [5]

Mô hình đã được chuyển giao cho Trường ĐH Thủy lợi và Trung tâm Dự báo KTTVTW tiếp tục thử nghiệm, nâng cấp để đưa vào dự báo tác nghiệp Điểm nổi bật của mô hình DIMOSOP so với các mô hình thủy văn thông số tập trung

là khả năng sử dụng thông tin toàn cầu như bản đồ đất, hiện trạng sử dụng đất, ảnh vệ tinh để mô phỏng lưu vực, đặc biệt hữu ích cho các lưu vực liên quốc gia như lưu vực hệ thống sông Hồng và Thái Bình, khi mà thông tin phần lưu vực

thuộc Trung Quốc hầu như không có Mô hình DIMOSOP được mô phỏng cho lưu vực sông Hồng và sông Thái Bình với kích thước ô lưới là 1km x 1km Mô hình này được kết nối với mô hình khí tượng BOLAM để đưa ngay kết quả dự báo mưa vào dự báo dòng chảy với thời gian dự kiến là 5 ngày

Nhìn chung mức bảo đảm dự báo thủy văn trung hạn (trước 3 ngày và 5 ngày vào mùa lũ) mới chỉ đạt khoảng 70%, trong trường hợp lũ lớn thì đạt được dưới 60%

- Nghiên cứu xây dựng quy trình vận hành hệ thống hồ chứa trên lưu vựu sông Hồng và sông Thái Bình gồm 2 hồ chứa (Hòa Bình và Thác Bà) năm 1997 do Bộ Nông nghiệp và PTNT chủ trì và Ban Chỉ đạo PCLBTW phê duyệt

- Nghiên cứu xây dựng quy trình vận hành hệ thống hồ chứa trên lưu vực sông Hồng và sông Thái Bình gồm 3 hồ chứa (Hòa Bình, Tuyên Quang và Thác Bà) năm

2005 do Ban Chỉ đạo PCLBTW phê duyệt

- Nghiên cứu xây dựng quy trình vận hành hệ thống hồ chứa trên lưu vựu sông Hồng và sông Thái Bình gồm 3 hồ chứa (Hòa Bình, Tuyên Quang và Thác Bà) năm

2007 do Bộ Nông nghiệp và PTNT chủ trì và Ban Chỉ đạo PCLBTW phê duyệt

- Nghiên cứu xây dựng quy trình vận hành hệ thống hồ chứa trên lưu vựu sông Hồng và sông Thái Bình gồm 4 hồ chứa (Hòa Bình, Tuyên Quang, Thác Bà, và Sơn La) do Bộ Nông nghiệp và PTNT chủ trì chưa được phê duyệt

- Nghiên cứu vận hành hệ thống liên hồ chứa cho hệ thống sông Hồng và sông Thái Bình mùa cạn để giải quyết vấn đề cấp nước của Viện Quy hoạch Thủy lợi

- Đề tài NCKH cấp Nhà nước Nghiên cứu cơ sở khoa học cấp nước mùa cạn lưu vực hệ thống sông Hồng và sông Thái Bình do Trường Đại học Thủy lợi thực hiện năm 2007

- Hiện nay, Bộ Tài nguyên và Môi trường đang chủ trì xây dựng Qui trình vận hành hệ thống 4 hồ chứa trên hệ thống sông Hồng và sông Thái Bình (Hòa Bình, Tuyên Quang, Sơn La, Thác Bà) để trình Chính Phủ phê duyệt trong năm 2010

- Bộ Tài nguyên và Môi trường đã xây dựng đề án xây dựng qui trình vận hành liên hồ chứa cho 4 hệ thống sông Ba, Vụ Gia - Thu Bồn, Đồng Nai và Sesan và Srepok Trong đó quy trình vận hành liên hồ chứa cho lưu vực sông Ba và lưu vực sông Vụ Gia – Thu Bồn đã được Chính phủ phê duyệt vào tháng 9 và tháng 10/2010 Còn hai hệ thống còn lại đang trình Chính phủ phê duyệt

Tóm lại, vận hành phối hợp hệ thống hồ chứa ở Việt Nam gần đây cũng đã

được quan tâm xây dựng Đặc biệt từ khi các hồ chứa thủy điện lớn dần dần được hình thành trên các hệ thống sông ở Miền trung và Tây nguyên Tuy nhiên, những nghiên cứu cho các hệ thống này chưa nhiều, mà các nghiên cứu chỉ tập trung chủ yếu cho hệ thống hồ chứa ở lưu vực sông Hồng Các phương pháp đều hướng tới sử dụng mô hình mô phỏng kết hợp với một số kỹ thuật tối ưu; đây cũng là cách tiếp cận mà các nước tiên tiến trên thế giới thường dùng

ở Việt Nam và hướng phát triển

Dự báo mưa, đặc biệt là dự báo định lượng mưa hiện nay ở Việt Nam vẫn là một vấn đề rất khó khăn, đồng thời cũng là một trong những yêu cầu cấp thiết trong công tác dự báo, đặc biệt trong dự báo lũ trung hạn phục vụ vận hành hồ chứa, phòng chống thiên tai Các mô hình số trị dự báo mưa hiện nay đang được sử dụng

ở Trung tâm Dự báo KTTVTW và một số cơ quan nghiên cứu thuộc Bộ Tài nguyên

và môi trường như MM5, ETA, HRM, BOLAM cũng chưa cho kết quả ở mức độ chính xác mong muốn về lượng mà các mô hình này chỉ bắt tốt các tâm mưa Việc ứng dụng các sản phẩm này kết hợp với các thông tin khác trong dự báo tác nghiệp vẫn còn ở dạng dời rạc, thiếu hệ thống [23] Việc dự báo mưa thường được thực hiện cho các vùng, khu vực lớn, còn ở cấp độ lưu vực sông thì rất ít vì độ phân giải các ô lưới là tương đối lớn so với diện tích của lưu vực và các tiểu lưu vực (phần lớn các mô hình nêu trên có độ phân giải thường là 12 đến 14 km), chính vì vậy cần

phải có một cách tiếp cận tốt mang tính cập nhật cho lưu vực để xem xét hiệu chỉnh

và đưa ra giá trị dự báo mưa phù hợp hơn

Dự báo lũ trung hạn ở Việt Nam hiện nay vẫn chủ yếu là dùng các phương pháp truyền thống, gần đây cũng đã áp dụng thử nghiệm một số mô hình thủy văn thông số phân bố trên cơ sở tận dụng các thông tin từ ảnh vệ tinh và đầu vào mưa dạng lưới từ các mô hình dự báo thời tiết, tuy nhiên kết quả dự báo cho 3 ngày, 5 ngày vẫn chưa đạt như mong muốn và vẫn cần phải cập nhật, chỉnh sửa và cải tiến nhiều để nâng cao chất lượng dự báo

Các cơ quan quản lý và nghiên cứu ở Việt Nam vẫn chưa xây dựng một cách hoàn chỉnh công nghệ kết nối dự báo mưa với dự báo lũ cũng như kết nối giữa dự báo lũ với điều hành hệ thống công trình phòng lũ cho hạ du Vì nhu cầu này mới chỉ thực sự được hình thành trong những năm gần đây, khi mà các công trình phòng chống lũ như hồ chứa đã được xây dựng; thêm vào đó, các chương trình tính hoặc phần mềm mà các cơ quan nghiên cứu và chuyên môn đang sử dụng lại không quản

lý dữ liệu, cơ sở dữ liệu theo một chuẩn nhất định, do đó rất khó kết nối, hoặc kết nối dễ gặp lỗi mà chỉ những người làm mô hình mới có thể chỉnh sửa được

Những tồn tại nêu trên là do nhiều nguyên nhân, nhưng nguyên nhân lớn nhất vẫn là do hệ thống mạng lưới quan trắc mưa, dòng chảy ở nước ta còn quá thưa Lưới trạm đo mưa trên các lưu vực ở Việt Nam có mật độ là 724 km2/trạm, khoảng cách trung bình giữa các trạm khoảng 25 - 30 km So với Nhật Bản (290 km2/trạm) thì lưới trạm đo mưa ở Việt Nam ở mức quá thấp [5] Mặt khác, còn nhiều trạm đặt không đúng những vị trí mong muốn, dẫn tới phản ánh chưa đầy đủ chế độ mưa của lưu vực Về lưới trạm thủy văn, theo tiêu chuẩn của Tổ chức Khí tượng Thế giới - WMO, mật độ tối thiểu cho các trạm thủy văn vùng ven biển là 2750 km2/trạm, vùng núi là 1000 km2/trạm, trong khi đó ở lưu vực của Việt Nam, mật độ lưới trạm

đo mực nước là 2440 km2/trạm; trạm đo lưu lượng nước là 3830 km2/trạm Như vậy mật độ trạm đo lưu lượng nước trên lưu vực ở Việt Nam mới đạt 25 - 28% tiêu chuẩn Quốc tế Đó là chưa kể đến sự hạn chế rất nhiều về những thông tin cần thiết của lưu vực trên lãnh thổ Trung Quốc, Lào Thêm vào đó máy móc đo đạc đang được sử dụng ở các trạm, các thiết bị truyền tin cũng chưa phải loại hiện đại, phần lớn là đo thủ công Đây chính là một trong những nguyên nhân lớn nhất dẫn đến những hạn chế trong việc kiểm định và hiệu chỉnh mô hình trước khi đưa mô hình vào dự báo cũng như đánh giá kết quả dự báo của mô hình Mô hình có tốt, hiện đại đến mấy thì với mạng lưới quan trắc thưa như vậy ở Việt Nam cũng rất khó

có thể cho kết quả dự báo tốt được Ngoài ra, các mô hình số trị tiên tiến như MM5,

HMR, BOLAM được chuyển giao và áp dụng ở Việt Nam đều là các mô hình mô phỏng cho Châu Âu và Châu Mỹ vì vậy khi áp dụng vào Việt Nam có kết quả chưa cao, cần nhiều thời gian để chỉnh sửa sao cho phù hợp với điều kiện bề mặt đệm của Việt Nam, đồng thời áp dụng các phương pháp thống kê để nâng cao chất lượng dự báo

1.4.1 Hướng tiếp cận

Sau khi nghiên cứu tổng quan dự báo mưa, lũ trung hạn và vận hành hệ thống

hồ chứa, đánh giá những tồn tại và hướng phát triển, tác giả đã lựa chọn cho mình hướng tiếp cận vừa mang tính kế thừa vừa đảm bảo tính sáng tạo trong nghiên cứu Hướng tiếp cận chung của nghiên cứu được tóm tắt trong sơ đồ Hình 1-1 Các phương pháp sử dụng trong nghiên cứu bao gồm:

 Phương pháp phân tích, thống kê, kế thừa có chọn lọc các tài liệu đã có nhằm tập hợp, phân tích đánh giá nguyên nhân gây mưa, lũ và nhận dạng các hình thế thời tiết gây mưa lũ trên lưu vực sông Cả

 Phương pháp phân tích ảnh viễn thám, GIS và chập bản đồ nhằm xây dựng

mô hình tính toán, dự báo mưa, lũ, vận hành hồ chứa cho lưu vực sông Cả, bao gồm: xây dựng các tiểu lưu vực sông từ mô hình số hóa độ cao (DEM), tính toán các đặc trưng lưu vực, xây dựng mạng lưới sông, bản đồ thảm phủ, bản đồ đất để đưa vào tính toán trong các mô hình phân bố

 Sử dụng các mô hình toán thuỷ văn, thủy lực họ HEC mô phỏng quá trình thủy động lực học trên hệ thống sông Cả

 Phương pháp phân tích hệ thống sử dụng mô hình mô phỏng kết hợp với các

lý thuyết điều khiển hệ thống gồm cả phương pháp Ẩn ’Implicit’ và phương pháp Hiện ’Explicit’

 Phương pháp kết hợp các mô hình dự báo số trị dự báo thời tiết BOLAM trong đó có mưa với các mô hình dự báo thủy văn

Các mục sau đây trình bày và giới thiệu tóm tắt về các phương pháp, mô hình được sử dụng trong nghiên cứu theo từng mục tiêu cụ thể

Mô hình BOLAM do Viện Nghiên cứu Khoa học Khí Quyển và Khí hậu Bologna (Institute of Atmospheric Sciences and Climate in Bologna (ISAC-CNR), Italia xây dựng và phát triển từ những năm 1990, đây là một trong những mô hình khí tượng hiện đại được các nước Châu Âu sử dụng rất nhiều để dự báo thời tiết Trường Đại học Thủy lợi thông qua hợp tác nghiên cứu với các đối tác Italia

(Trường Đại học Brescia, Đại học Bách khoa Milan, IASC) đã tiếp nhận chương trình nguồn của mô hình BOLAM và đã cùng với Trung tâm Dự báo KTTV Trung ương cài đặt và chạy thử nghiệm

Hình 1-2: Sơ đồ nghiên cứu dự báo mưa

1.4.3 Phương pháp nghiên cứu dự báo lũ trung hạn

Với sự phát triển mạnh mẽ của ngành tin học, hướng nghiên cứu trên thế giới trong những năm gần đây thường tập trung vào việc sử dụng mạng trí tuệ nhân tạo (ANN) với nhiều thuật toán tối ưu khác và sử dụng các mô hình thủy văn thông số phân bố dựa trên cơ sở tận dụng các thông tin từ viễn thám và GIS kết hợp với kết quả dự báo mưa từ các mô hình số trị dự báo thời tiết như MM5, RAMS, HRM, BOLAM, vv Nghiên cứu này cũng đi theo hướng mới với phương pháp tiếp cận là

sự lai ghép giữa các phương pháp truyên thống và hiện đại để tận dụng tối đa những

ưu điểm của từng phương pháp Phương pháp tiếp cận chung được đưa ra trong các

sơ đồ tóm tắt ở hình 1.3

Thu thập số liệu

- Đường đi của các trận bão đổ bộ trực tiếp hay ảnh hưởng đến Lưu vực (1970 – 2009)

- Báo cáo đặc điểm KTTV hàng năm của Trung tâm DBKTTVTW (1993 – 2009)

- Dữ liệu mưa ngày của

Phân tích, thống kê, tổng hợp các hình thế thời tiết gây mưa vừa và lớn trên lưu vực

Nhận dạng hình thế thời tiết trên lưu vực (Bảng nhận dạng)

Số liệu mô hình toàn cầu

Trong sơ đồ nghiên cứu hình 1.3, việc lựa chọn số liệu để phân tích là rất quan trọng, đặc biệt với phương pháp mạng Nơ ron nhân tạo (ANN) khi ta có quá nhiều biến đầu vào mà không biết những số liệu nào có ảnh hưởng lớn đến biến đầu ra (biến cần dự báo) Nghiên cứu đã sử dụng thuật toán “stepwise” để thực hiện việc này Thuật toán này cho phép lần lượt đưa vào và đưa ra từng biến để đánh giá mức

độ ảnh hưởng/đóng góp của từng biến với biến cần dự báo Khi mỗi biến đưa vào,

mô hình sẽ phân tích và đánh giá các chỉ tiêu thống kê (ví dụ như Fisher (F), Student (T), hệ số tương quan bội (R2) nếu chỉ tiêu đạt thì giữ lại, không đạt thì loại ra Ngoài ra còn nhiều phương pháp lọc số liệu khác như “Goal Programming”,

“Neuro wavelet”, “Gamma Test”, vv Như vậy sau khi áp dụng thuật toán này, ta

đã lựa chọn được những biến đầu vào tốt nhất cho việc áp dụng mạng ANN

Hình 1-3: Sơ đồ nghiên cứu dự báo lũ

Bên cạnh việc áp dụng thuật toán “stepwise” để lựa chọn số liệu, nghiên cứu

đã sử dụng 2 mô hình lai ghép để dự báo dòng chảy sông Cả: đó là mô hình tất định bán phân bố (HEC-HMS) + mô hình ngẫu nhiên ARIMA (p,d,q) và mô hình mạng

Nơ ron nhân tạo (EANN) + mô hình ngẫu nhiên ARIMA (p,d,q) Trong đó mô hình

Thu thập và phân tích số

liệu KTTV, DEM, các

bản đồ thảm phủ, đất

Lựa chọn biến phù hợp đưa vào phân tích

Các phép lọc

và thuật toán Stepwise

Mô hình thủy văn dạng

bán phân bố HEC-HMS

Mô hình thống kê ARMA (p,q,d) hiệu chỉnh sai số dự báo

Mô hình mạng trí tuệ nhân tạo EANN

Hiệu chỉnh, kiểm định, dự báo sơ bộ, Xây dựng chuỗi sai số giữa tính toán và thực đo

Kết quả

dự báo

Đánh giá lựa chọn phương pháp phù hợp

Phân tích không gian GIS

và mô hình

HEC-geo-HMS

Hệ thống sông, lưu

vực, thông số CN Grid

HEC-HMS và EANN là mô hình cho ra giá trị dự báo sơ bộ, còn mô hình ARIMA(p,d,q) cho phép hiệu chỉnh giá trị dự báo Đề xuất này xuất phản từ bản chất các yếu tố thủy văn vừa mang tính ngẫu nhiên vừa mang tính tất định

Mô hình HEC-HMS ở đây được áp dụng như một mô hình bán phân bố vì trong mô hình có các modun có thể sử dụng được mưa đầu vào dưới dạng lưới, thêm vào đó mô hình còn sử dụng các đầu vào dưới dạng ô lưới đó là mô hình số hoá độ cao DEM, các bản đồ sử dụng đất, thảm phủ thực vật dưới dạng ô lưới để từ

đó xây dựng bản đồ chỉ số CN dưới dạng ô lưới – là một thông số trong mô hình tính toán tổn thất theo phương pháp SCS Các mô hình và bản đồ này được tiền xử

lý sử dụng phân tích không gian trong GIS và phần mềm HEC-geo-HMS

Mô hình ANN được áp dụng ở đây cũng là một trong những dạng lai ghép giữa mạng quen thuộc BPNN được áp dụng nhiều trong thủy văn với thuật toán giải đoán gen GA (Genetic Algorithms) Nhiều nhà nghiên cứu đã khẳng định mô hình ANN luôn cho kết quả tốt hơn so với mô hình hồi quy nhiều biến nhờ khả năng giải quyết bài toán có tính phi tuyến

Mạng nơ-ron nhân tạo là một hệ thống xử lý thông tin được xây dựng trên cơ

sở tổng quát hoá mô hình toán học của nơ-ron sinh học và phỏng theo cơ chế làm việc của bộ não con người Mạng nơ-ron nhân tạo được thể hiện thông qua ba thành

phần cơ bản: mô hình của nơ-ron, cấu trúc và sự liên kết giữa các nơ-ron, phương

pháp học được áp dụng cho mạng nơ-ron

Hiện nay trên thế giới mô hình ANN được phát triển theo các hướng căn cứ vào 2 thành phần nêu trên của mạng nơ ron đó là: i) cấu trúc của mạng nơ ron; và ii) phương pháp học được áp dụng cho mạng nơ ron (thuật toán tối ưu để xác định các trọng số liên kết, và cấu trúc mạng)

Nếu căn cứ vào “cấu trúc của mạng ANN” thì ta thấy có các loại mô hình ANN sau:

- Mạng nơ-ron truyền thẳng một lớp (Single-layer feedforward network): loại mạng này còn được gọi là mạng perceptron một lớp

- Mạng nơ-ron truyền thẳng nhiều lớp (Multil-layer feedforward network)

- Mạng phản hồi (Feedback network)

- Mạng nơ-ron hồi quy (recurrent network)

Nếu căn cứ vào “cách học của mạng ANN” thì ta thấy có những cách học: học

có giám sát (supervised learning), học không có giám sát (unsupervised learning), học tăng cường (reinfoced learning) Từ đó có các loại mô hình ANN tương ứng với các thuật toán sau:

- Thuật toán quét ngược (Back Propagation Neural Network)

- Thuật toán giải đoán gen (Genetic Algorithm)

- Thuật toán tập mờ (Adaptive neuron – fuzzy inference system – ANFIS) Luận án đã sử dụng mô hình lai ghép giữa mạng Nơ ron thần kinh lan truyền ngược (BPNN) với thuật toán giải đoán gen GA (gọi tắt là EANN – Mạng Nơron tiến hóa) để dự báo lũ trung hạn cho lưu vực sông Cả

Mạng nơ ron lan truyền ngược (BPNN) là mạng có cấu trúc nhiều lớp trong

đó có 1 lớp đầu vào, 1 lớp đầu ra và nhiều hơn 1 lớp ẩn Trong các lớp có nhiều nút

và chúng được liên kết với nhau bởi các trọng số Với cấu trúc như thế này, chuỗi đầu ra tính toán sẽ được so sánh với chuỗi số liệu thực đo và được đánh giá thông qua các chỉ tiêu về sai số Nếu không thoả mãn, các thông số của mô hình (thông số học và thông số mô men) sẽ tác động lên các trọng số liên kết và thay đổi chúng Quá trình thay đổi này sẽ dừng lại khi nào các chỉ tiêu đánh giá được thoả mãn Người ta gọi loại Mạng nơ ron này là với thuật toán lan truyền ngược Với thuật toán lan truyền ngược này, người sử dụng phải lựa chọn trước một cấu trúc mạng bao gồm số lớp và số nút trong từng lớp và cố gắng tìm ra bộ trọng số phù hợp cho cấu trúc này, còn nếu không tìm được sẽ phải thay đổi (lựa chọn lại) cấu trúc ban đầu (Chi tiết về BPNN có thể tham khảo trong Giáo trình Mô hình toán thủy văn -giảng dạy cao học, ĐHTL [21]) Nếu mạng có nhiều nút (nhiều biến đầu vào) thì quá trình này sẽ rất phức tạp và mất thời gian Vì vậy Luận án đã tích hợp vào mạng BPNN thuật toán GA

GA là thuật toán giải đoán gen [73], nó là một dạng của thuyết tiến hoá, nó chuyển quá trình tìm kiếm tối ưu thành một quá trình tiến hoá thông qua việc mã hoá các thông số của các hàm tối ưu thành các gen, là tập hợp của một số nơ ron Quá trình tối ưu hoá được thực hiện thông qua việc dần chọn ra các gen trội, các gen đáp ứng được các chỉ tiêu đề ra, và qua từng thế hệ sẽ tìm được những gen trội nhất, hay cho ta một cấu trúc mạng phù hợp nhất