8/30/2020 9:16:00 PM
Thầy Lê Xuân Hiền (Giảng viên Bộ môn Thủy lực) đã bảo vệ thành công và nhận bằng Tiến sĩ tại trường Đại học Quốc gia Kyungpook, Hàn Quốc (trong 3 năm) với đề tài: “Ứng dụng mạng nơ-ron học sâu để phân tích dữ liệu thủy văn theo không gian và thời gian”. (Application of Deep Neural Network for Spatiotemporal Hydrological Data Analysis).

Thầy Lê Xuân Hiền (Giảng viên Bộ môn Thủy lực) đã bảo vệ thành công và nhận bằng Tiến sĩ tại trường Đại học Quốc gia Kyungpook, Hàn Quốc (trong 3 năm) với đề tài: “Ứng dụng mạng nơ-ron học sâu để phân tích dữ liệu thủy văn theo không gian và thời gian”. (Application of Deep Neural Network for Spatiotemporal Hydrological Data Analysis).

Giới thiệu chung về luận án:

      Trong thập kỷ qua, một số lượng lớn các nhà nghiên cứu đã quan tâm đến các phương pháp học máy cũng như các ứng dụng của chúng trong phân tích và dự báo thủy văn, đặc biệt là trong dự báo các vấn đề liên quan đến lũ lụt. Các mô hình mạng nơ-ron học sâu đã xuất hiện lần đầu tiên trong một số nghiên cứu từ những năm 1990s,  tuy nhiên, chúng đã không được khai thác trong một thời gian dài do thực tế là các mô hình này yêu cầu khả năng xử lý thông tin rất lớn để xử lý các tác vụ phức tạp mà những năm 1990s chưa đáp ứng được. Ngày nay, cùng với sự phát triển của khoa học máy tính, hiệu suất của các mô hình mạng nơ-ron đã được cải thiện đáng kể và đã được áp dụng cho nhiều lĩnh vực khác nhau. Tuy nhiên, so với các lĩnh vực khác, việc ứng dụng các mô hình mạng nơ-ron học sâu trong phân tích và dự báo thủy văn vẫn còn hạn chế.

      Với mục đích chính là đánh giá hiệu suất của mô hình mạng nơ-ron học sâu cho các bài toán dữ liệu chuỗi thời gian thủy văn, luận án đã tập trung giải quyết: (1) bài toán dự báo thủy văn sử dụng dữ liệu 1 chiều (1D), bao gồm dự báo dòng chảy thời gian thực, dự báo lũ, dự báo mực nước sông bị ảnh hưởng bởi thủy triều; và (2) bài toán phân tích thủy văn sử dụng dữ liệu 2 chiều (2D), ví dụ: hiệu chỉnh sai lệch của các sản phẩm lượng mưa lưới dựa trên vệ tinh.

  1. Bài toán dự báo dòng chảy sử dụng dữ liệu 1D

      Các mô hình thủy văn hiện có thường không dự báo được chính xác sự thay đổi đột ngột của dòng chảy (mực nước hoặc lưu lượng) ở hạ lưu nếu dòng chảy ở thượng nguồn có thay đổi đột ngột. Ví dụ, việc xả lũ từ các đập và hồ chứa ở thượng nguồn, đặc biệt là đối với các lưu vực sông lớn nằm trên nhiều quốc gia. Bên cạnh đó, các mô hình thủy văn cũng chưa chứng minh được hiệu quả của chúng ở những khu vực chịu ảnh hưởng của chế độ thủy triều. Để giải quyết bài toán này, các mô hình mạng nơ-ron học sâu được xây dựng để dự báo dòng chảy trong các khoảng thời gian ngắn (hàng giờ, mỗi 6 giờ, hoặc hàng ngày) bằng cách sử dụng các chuỗi dữ liệu 1D (các chuỗi dữ liệu quan sát tại trạm đo). Các mô hình này khai thác dữ liệu đầu vào chỉ là dữ liệu quan sát ở thượng nguồn hoặc có thể được kết hợp với dữ liệu quan sát ở hạ lưu mà không cần sử dụng các dữ liệu về địa hình, độ che phủ đất, cũng như các dữ liệu dự báo lượng mưa. Một số bài toán điển hình như:

  • Dự báo lũ (lưu lượng hoặc mực nước) cho một trạm đo hoặc nhiều trạm đo đồng thời.
  • Dự báo mực nước tại các khu vực vùng cửa sông ven biển chịu tác động của chế độ thủy triều.
  • Đánh giá ảnh hưởng của các đặc tính dữ liệu đầu vào đến hiệu suất dự báo của các mô hình mạng nơ-ron sâu.
  1. Bài toán phân tích thủy văn sử dụng dữ liệu 2D (hay hiệu chỉnh dữ liệu mưa lưới)

      Dữ liệu lượng mưa theo không gian là một trong những thành phần quan trọng trong các mô hình thủy văn. Mặc dù việc ước tính dữ liệu này đã đạt được độ chính xác đáng kể nhờ vào những tiến bộ trong công nghệ viễn thám, tuy nhiên, vẫn còn khoảng cách giữa dữ liệu lượng mưa dựa trên vệ tinh và dữ liệu lượng mưa quan sát bởi sự phụ thuộc của lượng mưa vào phân bố không gian và các đặc điểm cụ thể của khu vực. Đối với các lưu vực sông lớn chảy qua nhiều quốc gia như lưu vực sông Mekong, việc thu thập và cập nhật dữ liệu lượng mưa trong một thời gian dài là một nhiệm vụ đầy thách thức vì nó liên quan tới chính sách chia sẻ dữ liệu của các cơ quan khí tượng từ các quốc gia liên quan. Bên cạnh đó, việc hiệu chỉnh lượng mưa trên các lưu vực sông này bằng các phương pháp hiện có gặp nhiều khó khăn do các trạm đo mưa trên mặt đất phân bố không đồng đều và thưa thớt. Đối với bài toán này, một số mô hình dựa trên mạng nơ-ron tích chập (CNN) đã được xây dựng để hiệu chỉnh độ lệch pixel-by-pixel của các sản phẩm mưa dựa trên vệ tinh bằng cách sử dụng các chuỗi dữ liệu dạng lưới (2D).

      Các mô hình mạng nơ-ron học sâu được xây dựng trong luận án này với mục đích chính là giải quyết các hai bài toán lớn ở trên. Ngoài ra, các mô hình này cũng hoàn toàn có thể áp dụng cho các bài toán khác có thuộc tính dữ liệu đầu vào tương tự, ví dụ, dữ liệu tuần tự (1D) hoặc dữ liệu dạng lưới (2D).

Một số kết quả nghiên cứu:

Thầy Lê Xuân Hiền đã nhận bằng Tiến sĩ khoa học vào ngày 21/08/2020 tại Trường Đại học Quốc gia Kyungpook, Hàn Quốc. Một số bài báo quốc tế đã được xuất bản từ luận án:

Le, X.H.; Lee, G.; Jung, K.; An, H.; Lee, S.; Jung, Y. (2020). Application of Convolutional Neural Network for Spatiotemporal Bias Correction of Daily Satellite-Based Precipitation. Remote Sensing, 12, 2731. doi: 10.3390/rs12172731.

Le, X.H.; Ho, V.H.; Lee, G.; Jung, S. (2019). Application of long short-term memory (LSTM) neural network for flood forecasting. Water, 11, 1387. doi: 10.3390/w11071387.

Le, X.H.; Ho, V.H.; Lee, G. (2019). Application of gated recurrent unit (GRU) network for forecasting river water levels affected by tides. In Proceedings of The International Conference on Asian and Pacific Coasts (APAC), Hanoi, Vietnam; pp. 673-680. doi: 10.1007/978-981-15-0291-0_92.

Le, X.H.; Ho, V.H.; Lee, G. (2019). River streamflow prediction using a deep neural network: a case study on the Red River, Vietnam. Korean Journal of Agricultural Science, 46, 843-856. doi: 10.7744/kjoas.20190068.

Le, X.H.; Ho, V.H.; Lee, G.; Jung, S. (2018). A deep neural network application for forecasting the inflow into the Hoa Binh reservoir in Vietnam. In Proceedings of The International Symposium on Lowland Technology (ISLT), Hanoi, Vietnam, 26-28 Sep.

Vài nét về trường ĐH Quốc gia Kyungpook, Hàn Quốc:

      Đại học Quốc gia Kyungpook (Kyungpook National University – KNU) là trường đại học công lập được thành lập năm 1946, tọa lạc tại thành phố Daegu là thành phố lớn thứ 3 Hàn Quốc. Trải qua 74 năm phát triển, trường KNU được đánh giá là một trong những cơ sở đào tạo uy tín nhất của Hàn Quốc, đứng top 3 trong các trường đại học công lập ở Hàn Quốc. Hiện nay, theo bảng xếp hạng các trường đại học mới nhất của ARWU 2020 (Academic Ranking of World Universities), trường Kyungpook đứng thứ 301-400, (http://www.shanghairanking.com/ARWU2020.html).

      Phòng nghiên cứu thảm họa nước KNU (Water Disaster Research Laboratory), Khoa Kỹ thuật môi trường và phòng chống thiên tai, đứng đầu là giáo sư Giha Lee đã và đang là nơi chắp cánh giấc mơ du học cho các sinh viên từ Đại học Thủy lợi (trong đó có 2 tiến sĩ, 1 thạc sĩ và 2 sinh viên cao học). Giáo sư Lee đã lấy bằng Tiến sĩ tại Đại học Kyoto, Nhật Bản (top 50 thế giới). Hiện nay giáo sư có rất nhiều dự án lớn được hỗ trợ bởi chính phủ Hàn Quốc liên quan tới nhiều lĩnh vực khác nhau, ví dụ, các mô hình thủy văn kết hợp với các kỹ thuật học sâu (deep learning) và các mô hình xói mòn, sạt lở đất,...

Với mong muốn thúc đẩy hợp tác đào tạo giữa Khoa Kỹ thuật Tài nguyên nước (ĐH Thủy lợi) và Khoa Kỹ thuật môi trường và phòng chống thiên tai (KNU), giáo sư mong muốn tiếp tục nhận các sinh viên từ ĐH Thủy lợi trong tương lai. Đây chính là cơ hội rất tốt để các sinh viên có điều kiện học tập và nghiên cứu tại trường đại học công lập đứng trong top 3 Hàn Quốc, với môi trường nghiên cứu lý tưởng và phòng làm việc được trang bị hiện đại.

 

Một số hình ảnh của TS Lê Xuân Hiền

Ảnh chụp cơ sở chính KNU

Ảnh chụp TS.Lê Xuân Hiền

TS.Lê Xuân Hiền chụp ảnh cùng Giáo sư Lee

TS.Lê Xuân Hiền chụp cùng các thành viên trong phòng nghiên cứu