Tạp chí
 
Năm 2025
 
Số 66, Kỳ 5, [10 - 2025]

Tối ưu hóa mô hình Prophet bằng Bayesian Optimization trong dự báo lún đất tại một số phường, xã trung tâm của Cà Mau

DOI:10.46326/JMES.2025.66(5).04

  • Cơ quan:

    1 Trường Đại học Xây dựng Hà Nội, Hà Nội, Việt Nam.
    2 Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam.
    3 Trường Đại học Tài nguyên - Môi trường, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 09-07-2025
  • Sửa xong: 03-09-2025
  • Chấp nhận: 08-09-2025
  • Ngày đăng: 01-10-2025
Trang: 41 - 51
Lượt xem: 45
Xem onlineXem online
Lượt tải: 1
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Hiện tượng lún đất tại Cà Mau ngày càng phức tạp, đe dọa sự phát triển bền vững của vùng đồng bằng ven biển này. Trong bối cảnh đó, việc giám sát và dự báo lún đất theo thời gian là cần thiết để cảnh báo sớm và hỗ trợ quy hoạch ứng phó thiên tai. Nghiên cứu này đề xuất ứng dụng mô hình học máy tiên tiến Prophet kết hợp với phương pháp tối ưu hóa Bayesian (Bayesian Optimization-BO) nhằm nâng cao độ chính xác trong dự báo lún đất theo thời gian. Dữ liệu sử dụng trong nghiên cứu bao gồm chuỗi thời gian lún đất tại 1817 điểm, được trích xuất từ công nghệ radar giao thoa tán xạ cố định (Persistent Scatterer InSAR-PS-InSAR). Các dữ liệu này được thu thập liên tục từ tháng 01/2015 đến tháng 01/2019 với tổng cộng 178 mốc thời gian. Kết quả thử nghiệm cho thấy mô hình Prophet kết hợp BO đạt hiệu suất dự báo cao, với sai số trung bình RMSE là 3,4 mm và MAE là 2,6 mm. Đặc biệt, tại thời điểm 31/01/2019, kết quả dự báo có độ tương quan rất cao với dữ liệu thực đo từ PS-InSAR (R²= 0,96). Với độ chính xác này, mô hình có thể được ứng dụng hiệu quả trong giám sát xu hướng lún đất dài hạn và xây dựng bản đồ nguy cơ tại các khu vực có tốc độ lún chậm và ổn định như đồng bằng ven biển Cà Mau.

Trích dẫn
Hà Trung Khiên, Trần Vân Anh, Phạm Quý Nhân, Lương Ngọc Dũng, Vũ Đình Chiều, Đặng Diệu Huệ và Nguyễn Đình Huy, 2025. Tối ưu hóa mô hình Prophet bằng Bayesian Optimization trong dự báo lún đất tại một số phường, xã trung tâm của Cà Mau, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 66, kỳ 5, tr. 41-51.
Tài liệu tham khảo

Anh, T. V. , Dong, K. T., Khien H. T., Hanh, T. H., Nghi, L. T., Hoa, P. T. T., Dung, N., Anh, L. H., Dinh, N. Q. (2023). Land Subsidence Susceptibility Mapping Using Machine Learning in the Google Earth Engine Platform. Trong N.N. Dao, T. N. Thinh, N. T. Nguyen (Ed.), Intelligence of Things: Technologies and Applications (pp. 55 - 64). Springer. 

Anh, T. V., Khiên H.T.; Đông, K.T.; Nghị, L.T.; Hạnh, T.H.; and Phong, D.H. (2024). Nghiên cứu khả năng của mô hình học máy GB và SVR trong thành lập bản đồ nguy cơ lún đất khu vực bán đảo Cà Mau, Việt Nam. Tạp chí Khí tượng Thuỷ văn, số 757, trang 60-73. 

Bernd, B., Martin, B., Michel, L., Tobias, P., Jakob, R., Stefan, C., Janek, T., Theresa, U., Marc, B., Anne-Laure, B., Difan, D., and Marius, L. (2023). Hyperparameter optimization: Foundations, algorithms, best practices, and open challenges. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 13(4), 1474. 

Chang, H., Yang, Z., and Zhang, Y. (2025). Forecasting daily freight flow in cold regions of China using the hybrid Prophet model considering the importance of festivals and epidemic prevention policy. Research in Transportation Business and Management, 59, 101294. 

Chunlin, L. (2014). A simplified method for prediction of embankment settlement in clays. J. R. M. Geo. China, 6, 61-66. 

Dao, H. H.,  Nguyen, D. T. (2018). Assessment of the impacts of climate change on groundwater resources in Ca Mau peninsula. VNUHCM Journal of Engineering and Technology, 1, 43-52.

Đinh, X. V., Lê, T. N., and Nguyễn, V. Q. (2018). Xác định biến dạng của công trình xây dựng theo mô hình tham số ứng dụng lọc Kalman và mô hình phi tham số ứng dụng chuỗi thời gian. Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, số 34(3), trang 86-99.

Do, T. M., Nguyen, H. D. Q., Pham, Q. N., Le, D. T., Nguyen, L. Q., Tran, V. A., Gia, T. N. (2024). GNSS Time-Series Prediction Using Moving Average Filter and Multi-Layer Perceptron Neuron Network. Journal of the Polish Mineral Engineering Society, 121-131. 

Doãn, H. P., Trần, H. T. (2023). Ứng dụng trí tuệ nhân tạo trong xây dựng bản đồ nguy cơ ngập do nước biển dâng cho thành phố Hồ Chí Minh. Tạp chí Khí tượng Thuỷ văn, số 2, trang 96-107. 

Dongwei, Q., Yuci, T., Yuzheng, W., Keliang, D., Tiancheng, L., and Shanshan, W. (2024). Land subsidence analysis along high-speed railway based on EEMD‑Prophet method. Scientific Reports, 14(1). 

Drucker, H., Burges, C. J. C., Kaufman, L.; Smola, A; and Vapnik, V. (1997). Support Vector Regression Machines. Conference: Advances in NeuralInformandon Processing Systems 9, 155-161. 

EMSN062 (2019). Assessing changes in ground subsidence rates, Mekong Delta, Vietnam. https://mapping.emergency.copernicus.eu/activations/EMSN062/.

Erban, L., Gorelick, S., and Zebker, H. (2014). Groundwater extraction, land subsidence, and sea-level rise in the Mekong Delta, Vietnam. Environmental Research Letters, 9, 084010. 

Hung, W. C., Hwang, C., Tosi, L., Lin, G.-Z., Lin, S.-H., and Chen, Y.-A. . (2024). Near real-time subsidence monitoring and AI forecasting with multi-depth extensometers. SSRN. 

Karlsrud, K., Vangelsten, B. V., and Frauenfelder, R. (2017). Subsidence and Shoreline Retreat in the Ca Mau Province - Vietnam. Causes, Consequences and Mitigation Options. Geotechnical Engineering Journal of the SEAGS and AGSSEA, 48, 26-32. 

Ku, C.-Y., and Liu, C.-Y. (2023). Modeling of land subsidence using GIS-based artificial neural network in Yunlin County, Taiwan. Scientific Reports, 13, 4090.

Liu, J., Liu, W., Allechy, F., Zheng, Z., Liu, R., and Kouadio, L. (2024). Machine learning-based techniques for land subsidence simulation in an urban area. Journal of environmental management, 352, 120078. 

Liu, Z., Ng, A. H.-M., Wang, H., Chen, J., Du, Z., and Ge, L.. (2023). Land subsidence modeling and assessment in the West Pearl River Delta from combined InSAR time series, land use and geological data. International Journal of Applied Earth Observation and Geoinformation, 118, 103228.

Phạm, M. H., Vũ K. L. (2019). Nghiên cứu ứng dụng phương pháp học máy (machine learning) trong phân loại rừng ngập mặn trên ảnh viễn thám spot6 với khu vực thử nghiệm tại tỉnh Cà Mau. Tạp chí Khoa học Đo đạc và Bản đồ, số 40-6/2019, trang 17-21. 

Sekkeravani, A. M., Bazrafshan, O., Pourghasemi, H. R., and Holisaz, A. (2022). Spatial modeling of land subsidence using machine learning models and statistical methods. Environmental Science and Pollution Research, 29, 28866-28883. 

Shi, X. W., J., Ye, S., Zhang, Y., Xue, Y., Wei, Z., and Yu, J. (2008). Regional land subsidence simulation in Su-xi-Chang area and Shanghai City, China. Engineering Geology, 100(12), 27-42. 

Willmott, C.J. and Matsuura, K. (2005). Advantages of the Mean Absolute Error (MAE) over the Root Mean Square Error (RMSE) in assessing average model performance. Climate Research, 30, 79-82.

Snoek, J., Larochelle, H., and Adams, R. P. (2012). Practical bayesian optimization of machine learning algorithms. Proceedings of the 26th International Conference on Neural Information Processing Systems. December 03-06, Lake Tahoe, NV, United States, 2951-2959. 

Taylor, S. J., and Letham, B. (2018). Forecasting at scale. The American Statistician, 72, 37-45.

Tran, A. V., Brovelli, M. A., Ha, K. T., Khuc, D. T., Tran, D. N., Tran, H. H., and Le, N. T. . (2024). Land subsidence susceptibility mapping in Ca Mau

Province, Vietnam, using boosting models. SPRS International Journal of Geo-Information, 13(5), 161. 

Tran, Q. C., Vu, T. T., Batelaan, O., Pham, Q.-N. . (2024). Factors controlling land subsidence in the Southern Hau River Region, Vietnam. Groundwater for Sustainable Development, 27, 101383. 

Vân Anh, T., Hạnh, T. H., Hòa, P. T. T., Anh, T. Q., Vân Anh, N. T., Thu, P. T., and Thọ, T. Q. (2023). Nghiên cứu một số phương pháp học máy trong thành lập bản đồ lớp phủ bề mặt tỉnh Cà Mau trên nền tảng Google Earth Engine. Tạp chí Khoa học Đo đạc và Bản đồ, Số 55, trang 18-26.

Wang, H., Jia, C., Ding, P., Feng, K., Yang, X., and Zhu, X. (2023). Analysis and Prediction of Regional Land Subsidence with InSAR Technology and Machine Learning Algorithm. KSCE Journal of Civil Engineering, 27, 782-793.

Các bài báo khác