NCS đã trình bày luận án có tiêu đề “Một khuôn khổ các phương pháp cho việc hiệu chỉnh lượng mưa radar dự báo và định lượng độ bất định để cải thiện dự báo lũ lụt đô thị” (A framework for correcting radar-based rainfall and uncertainty quantification to improve urban flood forecasts).
Ngập lụt đô thị là một trong những nguy cơ nghiêm trọng nhất ở các thành phố trên thế giới. Ngập lụt đô thị trở nên khó dự đoán hơn và phức tạp hơn so với trước đây, với những sự bất định do các biến đổi khí tượng thủy văn gây ra bởi sự thay đổi môi trường tổng thể. Do đó, dự báo lũ lụt đô thị là cần thiết để hỗ trợ các nhà quản lý liên quan đến nước trong việc giảm thiểu thiệt hại. Seoul là một trong những thành phố đô thị hóa lớn nhất ở Hàn Quốc. Do đó, các trận mưa lớn thường dẫn đến ngập lụt đô thị trong vòng vài giờ vào mùa hè. Ngoài ra, trên địa bàn thành phố còn có một số khu dân cư và khu công nghiệp nằm trong vùng ngập lũ; do đó, thiệt hại do ngập lụt đô thị có thể rất lớn.
Việc kết hợp các mô hình khí tượng và mô hình thủy văn đô thị là phương pháp phổ biến nhất để dự đoán dòng chảy và hiện tượng ngập úng trong lưu vực đô thị. Trong những nghiên cứu này, kết quả đầu ra của hệ thống dự báo dựa trên radar được sử dụng để định hướng các mô hình thủy văn đô thị. Độ chính xác của dự báo lũ phụ thuộc nhiều vào hiệu suất của hệ thống dự báo dựa trên radar. Tuy nhiên, do những hạn chế nội tại của thuật toán ngoại suy Lagrangian, bao gồm những hạn chế liên quan đến sự tăng trưởng và phân rã của lượng mưa, và những thay đổi trong chuyển động của các trường mưa, hệ thống đưa ra dự báo kém về các sự kiện mưa lớn. Các dự báo về lượng mưa trong các trận mưa lớn có thể có độ tin cậy thấp với thời gian dự báo chỉ vài chục phút với độ chính xác chấp nhận được.
Trong những thập kỷ gần đây, nhiều nhà nghiên cứu đã cố gắng giải quyết những hạn chế về độ chính xác của các hệ thống ngoại suy dựa trên radar và cải thiện chất lượng dự báo của họ. Hai cách tiếp cận chính đã được sử dụng trong các nghiên cứu trước đây, bao gồm các kỹ thuật pha trộn (blending methods) và các phương pháp dự báo tổng hợp (ensemble forecasting methods). Nhìn chung, các phương pháp được đánh giá ở trên thường yêu cầu kết hợp nhiều nguồn dữ liệu dự báo (QPF) để cải thiện độ chính xác của các dự báo ngắn hạn dựa trên radar.
Một câu hỏi được đặt ra là làm thế nào để hiệu chỉnh nhanh chóng các dự báo về lượng mưa của hệ thống dự báo dựa trên radar trong các sự kiện mưa lớn mà không cần kết hợp với các nguồn dữ liệu QPF khác. Do đó, các mô hình hướng dữ liệu có thể là các giải pháp khả thi, chẳng hạn như các thuật toán trí tuệ nhân tạo (AI) hoặc học máy (ML) và các mô hình thực nghiệm dựa trên hồi quy. Trong nghiên cứu này, dữ liệu dự báo được thu thập từ hệ thống MAPLE áp dụng ở Bán đảo Triều Tiên. Nghiên cứu hiện tại đã được thực hiện để so sánh hiệu suất của các mô hình hướng dữ liệu, cụ thể là hồi quy nhiều tuyến tính (MLR), các đường hồi quy thích ứng đa biến (MARS), multi-layer perceptron (MLP), mạng nơron tái phát cơ bản (Basic RNN) và Long short-term memory (LSTM) trong việc hiệu chỉnh dự báo lượng mưa của hệ thống dựa trên radar tại các trạm đo mưa trong các sự kiện mưa lớn. Tiếp theo, hiệu suất của LSTM được nghiên cứu trong việc hiệu chỉnh lượng mưa dự báo trung bình (MAP) trong 3 giờ của hệ thống dựa trên radar, sau đó áp dụng lượng mưa dự báo MAP đã hiệu chỉnh LSTM cho mô hình kết hợp 1D/2D thủy văn đô thị để đánh giá khả năng cải thiện dự báo lũ lụt đô thị trong các sự kiện mưa lớn.
Ở nghiên cứu này tác giả đã lựa chọn 2 lưu vực ở Seoul bao gồm Gang-nam và Jeon-nong. Lưu vực đô thị Jeonnong nằm ở phía bắc thành phố Seoul với diện tích khoảng 62,75 km2. Lưu vực Jeon-nong được chọn để chứng minh sự hoạt động tốt hơn của mô hình Long short-term memory network trong việc cải thiện dự báo lượng mưa tại các trạm đo mưa. Lưu vực Gangnam nằm ở phía nam của Seoul có diện tích là 7.4 km2; quận này có mật độ dân cư và khu thương mại cao. Gang-nam được chọn cho việc điều chỉnh dự báo lượng mưa bình quân khu vực (MAP), cải thiện dự báo lũ lụt đô thị và định lượng độ bất định.
Trong nghiên cứu này, mô hình thủy văn đô thị 1D/2D kết hợp đã được phát triển với cấu trúc mô hình đơn giản cho một lưu vực đô thị nhỏ. Trong mô hình có hai mô-đun chính gồm mô hình mạng đường ống 1D và mô hình dòng chảy tràn 2D. Thành phần 1D dựa trên hai mô-đun của mô hình quản lý nước mưa (SWMM) phiên bản 4.4h.
Đánh giá độ không chắc chắn của các nguồn khác nhau bao gồm đầu vào lượng mưa dự báo và các thành phần liên quan là một vấn đề quan trọng trong thực hành thủy văn và quản lý tài nguyên nước. Trong nghiên cứu này, một cách tiếp cận sử dụng Bayesian Markov Chain Monte Carlo (MCMC) thích ứng đã được đề xuất để định lượng độ không chắc chắn của các dự báo mực nước do MAPLE MAP và lượng mưa dự báo MAP hiệu chỉnh LSTM.
Tất cả các mô hình đều thể hiện khả năng cải thiện dự báo lượng mưa ở một mức độ nhất định. Tuy nhiên, với cấu trúc gating trong tế bào thần kinh, LSTM hoạt động tốt hơn Basic RNN, MLP, MARS và MLR, đặc biệt là thu được các giá trị lượng mưa cao. Tương tự, trong bối cảnh điều chỉnh các dự báo MAP, mô hình LSTM cho thấy khả năng hiệu chỉnh vượt trội với điểm CSI cao hơn ở ngưỡng cao so với MLR và MLP. Tương ứng với sự cải thiện trong các dự báo MAP, các dự báo ngập lụt cũng phản ánh sự gia tăng đáng kể về độ chính xác dựa trên các phân tích về CC, RMSE, Sai số tương đối của độ sâu đỉnh (REPD) và các điều khoản ngập lụt đô thị có liên quan. Sự thành công của khuôn khổ đề xuất chứng minh rằng khả năng áp dụng của các phương pháp trong nghiên cứu này. Lưu ý là mô hình LSTM vẫn tái tạo sự đánh giá hơi thấp của các giá trị lượng mưa lớn và mực nước đỉnh trong một số sự kiện nhất định. Nghiên cứu tiếp theo sẽ là điều tra cách tiếp cận để khắc phục hạn chế để nâng cao hiệu quả của các phương pháp trong khuôn khổ này.
NCS Nguyễn Đức Hải đã bảo vệ thành công luận án tiến sĩ khoa học vào chiều ngày 17/7/2020 tại Trường Đại học Sejong, Hàn Quốc. Bài báo của quốc tế đã được xuất bản từ luận văn:
Nguyen, D.H., Bae, D.H., 2020. Correcting mean areal precipitation forecasts to improve urban flooding predictions by using long short-term memory network. J. Hydrol. 584, 124710. https://doi.org/10.1016/j.jhydrol.2020.124710
Vài nét về trường ĐH Sejong, Hàn Quốc
Đại học Sejong là một trong những trường Đại học nổi tiếng ở Seoul, Hàn Quốc và cũng là một trong những trường có chất lượng giảng dạy tốt nhất châu Á năm 2014. Được thành lập vào tháng 5 năm 1940, Đại học Sejong tự hào được mang tên của vị vua sáng tạo ra bảng chữ cái tiếng Hàn. Hiện trường xếp ở top 501-600 thế giới theo bảng xếp hạng ARWU (http://www.shanghairanking.com/ARWU2020.html).
Trường gồm nhiều tòa nhà cao tầng với trang thiết bị hiện đại. Giống như các trường đại học khác ở Seoul, Sejong có cơ sở hạ tầng rất tốt phục vụ tối đa hoạt động học tập và nghiên cứu. Các chương trình đào tạo sau đại học của trường cũng được đánh giá cao: top 10 các ngành khoa học xã hội và top 15 bên khoa học tự nhiên với nhiều dự án. Trường còn được trang bị một đội ngũ giảng viên ưu tú phần lớn các giáo sư giảng dạy tại trường đều tốt nghiệp từ các trường đại học danh tiếng ở Mỹ, xuất sắc trong nghiên cứu và tham gia nhiều chương trình nghiên cứu.
Một số ảnh của buổi bảo vệ
Các NCS trường ĐH Thủy lợi tại ĐH Sejong chúc mừng NCS Nguyễn Đức Hải
Các NCS và gia đình chúc mừng chụp ảnh lưu niệm với NCS Nguyễn Đức Hải
Gia đình chúc mừng NCS Nguyễn Đức Hải
Các NCS sau tiến sĩ chúc mừng NCS Nguyễn Đức Hải
Đặng Minh Hải