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

Nghiên cứu ứng dụng mô hình LSMT (Long Short-Term Memory) dự báo thủy triều: trường hợp nghiên cứu tại trạm đo mực nước Bà Rịa - Vũng Tàu, Việt Nam

DOI:10.46326/JMES.2025.66(5).09

  • Cơ quan:

    1 Trường Đại học Tài nguyên Môi trường, TP.HCM, Việt Nam
    2 Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam
    3 Nhóm nghiên cứu Trắc địa cao cấp - môi trường, Trường Đại học Mỏ - Địa chất, 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: 06-06-2025
  • Sửa xong: 06-09-2025
  • Chấp nhận: 20-09-2025
  • Ngày đăng: 01-10-2025
Trang: 98 - 109
Lượt xem: 54
Xem onlineXem online
Lượt tải: 1
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Những năm gần đây, nhờ ứng dụng các nghiên cứu về thủy triều, nhiều hoạt động kinh tế – xã hội ở khu vực ven biển như vận hành cảng, nuôi trồng thủy sản và phòng chống thiên tai đã được hỗ trợ và cải thiện rõ rệt. Việc dự báo chính xác mực nước thủy triều đóng vai trò then chốt trong quy hoạch không gian, vận hành công trình ven biển và cảnh báo sớm nguy cơ ngập lụt. Nghiên cứu này đề xuất mô hình mạng nơ-ron hồi tiếp (LSTM) nhằm dự báo mực nước thủy triều hàng ngày tại trạm Bà Rịa - Vũng Tàu, dựa trên chuỗi số liệu quan trắc thực đo từ năm 1999 đến 2022. Dữ liệu đầu vào được xử lý qua ba bước chính: loại bỏ ngoại lai bằng phương pháp IQR, chuẩn hóa theo thang Min-Max, và phân tích tách thành phần chuỗi thời gian thành xu hướng, chu kỳ mùa vụ và phần nhiễu. Mô hình được huấn luyện trên dữ liệu từ 1999÷2021, kiểm thử với năm 2022 và dự báo cho năm 2023 theo phương pháp cuốn trượt (recursive forecasting). Kết quả cho thấy mô hình LSTM đạt hiệu suất cao với sai số cho tập dữ liệu kiểm thử thấp (MSE = 0,0039 cm, MAE = 0,0449 cm, R² = 0,9443). Mô hình học tốt đặc trưng chu kỳ bán nhật của thủy triều, hội tụ nhanh, sai số thấp và khả năng dự báo ổn định. Điều này cho thấy tiềm năng ứng dụng của LSTM trong các hệ thống dự báo mực nước tự động phục vụ cảnh báo sớm và quản lý vùng ven biển. Tuy nhiên, mô hình hiện chỉ sử dụng dữ liệu đơn biến (mực nước), chưa tích hợp các yếu tố khí tượng - hải văn như gió, áp suất, nhiệt độ hoặc sóng biển. Việc mở rộng theo hướng mô hình đa biến là cần thiết để tăng tính tổng quát và độ chính xác trong các nghiên cứu tiếp theo.

Trích dẫn
Huỳnh Nguyễn Định Quốc và Nguyễn Gia Trọng ., 2025. Nghiên cứu ứng dụng mô hình LSMT (Long Short-Term Memory) dự báo thủy triều: trường hợp nghiên cứu tại trạm đo mực nước Bà Rịa - Vũng Tàu, Việt Nam, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 66, kỳ 5, tr. 98-109.
Tài liệu tham khảo

Abubakar, A. G., Mahmud, M. R., Tang, K. K. W., Hussaini, A., and Md Yusuf, N. H. (2019). A review of modelling approaches on tidal analysis and prediction. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 23-34. https://doi.org/10.5194/isprs-archives-XLII-4-W16-23-2019.

Braakmann-Folgmann, A., Roscher, R., Wenzel, S., Uebbing, B., and Kusche, J. (2017). Sea level anomaly prediction using recurrent neural networks (arXiv:1710.07099v1) [Preprint]. arXiv. https://arxiv.org/abs/1710.07099.

Brownlee, J. (2017). Long Short-Term Memory Networks With Python. Machine Learning Mastery.

Ceder, N. (2018). The quick Python book: Simon and Schuster.

Chen, D. Y. (2017). Pandas for everyone: Python data analysis: Addison-Wesley Professional.

Chi, Y. N. (2022). Time series modeling and forecasting of monthly mean sea level (1978–2020): SARIMA and multilayer perceptron neural network. International Journal of Data Science, 3(1), 45–61. https://doi.org/10.33140/IJDS.03.01.05.

Diebold, F. X., and Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business and Economic Statistics, 13(3), 253–263. https://doi.org/10.1080/07350015.1995.10524599.

Goodfellow, I., Bengio, Y., and Courville, A. (2016). Regularization for deep learning. Deep learning, 1, 224-270.

Gupta, P. and Bagchi, A. (2024). Introduction to NumPy. In Essentials of Python for Artificial Intelligence and Machine Learning (pp. 127-159): Springer.

Hochreiter, S., and Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735.

Karim, M. R. (2018). TensorFlow: Powerful Predictive Analytics with TensorFlow: Predict valuable insights of your data with TensorFlow. Packt Publishing Ltd.

Kingma, D. P., and Ba, J. (2014). Adam: A Method for Stochastic Optimization. arXiv preprint arXiv:1412.6980.

Le, D. T., Huynh, N. D., and Nguyen, G. T. Q. (2024). Exploring the training results of machine learning models using different batch sizes and epochs: A case study with GNSS time series data. J. Hydro-Meteorol, 19, 90-99.

Nguyen, N. V., and Nguyen, T. G. (2025). Predicting elevation values using Gated Recurrent Unit (GRU) neural networks. Journal of Mining and Earth Sciences Vol, 66(3), 29-38.

Makky, N., Valizadeh Kamran, K., and Karimzadeh, S. (2024). Impact of Global Warming on Water Height Using XGBOOST and MLP Algorithms. Environmental Sciences Proceedings, 29(1), 83. https://www.mdpi.com/2673-4931/29/1/ 83.

Pugh, D. T. (2002). Tides, surges and mean sea-level: A handbook for engineers and scientists. John Wiley and Sons.

Raj, N., Gharineiat, Z., Ahmed, A. A. M., and Stepanyants, Y. (2022). Assessment and prediction of sea level trend in the South Pacific Region. Remote Sensing, 14(4), 986. https://doi.org/10.3390/rs14040986.

Tosi, S. (2009). Matplotlib for Python developers (Vol. 307). Birmingham, UK: Packt Publishing.

Tukey, J. W. (1977). Exploratory data analysis (Vol. 2, pp. 131-160). Reading, MA: Addison-wesley.

Uluocak, I. (2025). Comparative study of multivariate hybrid neural networks for global sea level prediction through 2050. Environmental Earth Sciences, 84(3), 79. https://link.springer.com/article/10.1007/s12665-025-12090-x.

Xie, Y., Zhou, S., and Wang, F. (2024). Prediction analysis of sea level change in the China adjacent seas based on singular spectrum analysis and long short-term memory network. Journal of Marine Science and Engineering, 12(8), Article 1397. https://doi.org/10.3390/jmse12081397.

Các bài báo khác