APPLICATION OF HYBRID MODEL-BASED DEEP LEARNING AND SWARM-BASED OPTIMIZERS FOR FLOOD SUSCEPTIBILITY PREDICTION IN BINH DINH PROVINCE, VIETNAM

Lũ lụt là một mối nguy hiểm tự nhiên nghiêm trọng, gây ra tác động đáng kể đến cuộc sống con người, môi trường và tài sản trên toàn thế giới. Xây dựng bản đồ nguy cơ lũ lụt có độ chính xác cao có thể giảm thiệt hại do thiên tai; nó đã trở thành phương pháp chính trong quản lý rủi ro lũ lụt.

Mục tiêu của nghiên cứu này là xây dựng bản đồ nhạy cảm lũ lụt cho tỉnh Bình Định, Việt Nam, áp dụng các phương pháp học máy và viễn thám hiện đại, cụ thể là mạng lưới thần kinh sâu (DNN) và các thuật toán tối ưu hóa dựa trên bày đàn như thuật toán tối ưu hóa AO, tối ưu hóa SLnO, tối ưu hóa EHO, thuật toán NMRA và thuật toán giảm dần độ dốc ngẫu nhiên (SGD). Phương pháp phân tích phân bố không gian địa lý được sử dụng để xây dựng dữ liệu đầu vào, bao gồm 1883 điểm mẫu và 12 yếu tố. Một số thuật toán nổi tiếng đã được sử dụng làm mô hình tham chiếu để so sánh độ chính xác của từng mô hình được đề xuất. Các chỉ số thống kê như sai số quân phương (RMSE), chỉ số AUC, sai số tuyệt đối trung bình (MAE) và độ chính xác F1 đã được sử dụng để đánh giá định lượng sự phù hợp giữa kết quả tính toán và quan trắc.

   

Kết quả tính toán thể hiện rằng 5 thuật toán tối ưu hóa thành công trong việc xây dựng bản đồ nhạy cảm lũ và các mô hình này cho các kết quả tính toán tốt, với giá trị AUC lớn hơn 0.97. Mô hình DNN-NMRA cho kết quả tốt nhất (với RMSE=0.16 và AUC=0.99), tiếp theo là mô hình DNN-SLnO (RMSE = 0.39 và AUC=0.99), DNN-EHO (RMSE = 0.41 và AUC=0.99), DNN-AO (RMSE = 0.46 và AUC=0.97) và DNN-SGD (RMSE = 0.49 và AUC=0.93). Đồng thời, kết quả tính toán cũng thể hiện rằng độ chính xác của các mô hình mới (DNN-NMRA, DNN-SLnO, DNN-EHO, DNN-AO) đã vượt qua mô hình chuẩn DNN-SGD. Kết quả của nghiên cứu này rất hữu ích trong việc xây dựng các biện pháp ứng phó và quản lý lũ lụt thích hợp ở các vùng có nguy cơ cao.

Chi tiết về bài báo nêu trên vui lòng tham khảo theo đường link sau: https://doi.org/10.1007/s12145-023-00954-4

  Gửi ý kiến phản hồi
539