Ứng dụng mô hình cây quyết định dự báo dòng chảy trên lưu vực sông Tiên Yên, Quảng Ninh

Abstract

Mô phỏng dự báo dòng chảy trên các lưu vực sông đóng vai trò vô cùng quan trọng trong lĩnh vực quản lý tài nguyên nước, góp phần đưa ra các quyết định về phân phối dòng chảy và kiểm soát các hình thái lũ cực đoan một cách hiệu quả. Trong nghiên cứu này, nhóm tác giả sử dụng các mô hình học máy (Machine learning-ML) dựa trên thuật toán cây quyết định (Decision Trees-DTs) bao gồm 4 mô hình: Cây quyết định (Decision Tree-DT), Rừng ngẫu nhiên (Random Forest-RF), Tăng cường độ dốc nhẹ (Light Gradient Boosting Machine-LightGBM), Cây quyết định tăng cường độ dốc (Gradient Boosting Decision Tree-GBDT) để mô phỏng dự báo cho dòng chảy trên lưu vực sông Tiên Yên, Quảng Ninh tại trạm Bình Liêu. Bộ thông số của các mô hình được tối ưu hóa dựa trên thuật toán tối ưu tìm kiếm ngẫu nhiên (RandomizedSearchCV). Kết quả đào tạo mô hình cho thấy các mô hình cây quyết định đều cho hiệu suất mô hình tương đối chính xác, trong đó mô hình GBDT cho kết quả tốt nhất (R2=0,89; NSE=0,91; KGE=0,89 và RMSE=5,91 m3/s), tiếp theo lần lượt là các mô hình LightGBM, RF và DT. Ở giai đoạn kiểm định hai mô hình GBDT và LightGBM tiếp tục cho thấy mức độ hiệu suất mô hình tương đương nhau, trong khi RF và DT có kết quả thấp hơn. Dựa trên các mô hình đã được đào tạo và kiểm định, dòng chảy giai đoạn (2020-2024) được dự báo dựa trên số liệu khí tượng của trạm Tiên Yên và Bình Liêu. Từ khóa: Mô hình cây dữ liệu, dòng chảy lưu vực, tối ưu hóa mô hình, dự báo dòng chảy