Ngày nhận bài: 07-11-2025
Ngày duyệt đăng: 10-06-2026
Ngày xuất bản: 27-08-2026
Lượt xem
Download
Cách trích dẫn:
NGHIÊN CỨU ỨNG DỤNG MỘT SỐ MÔ HÌNH HỌC MÁY TRONG DỰ BÁO LƯỢNG MƯA TẠI THÀNH PHỐ VINH
,
Phạm Quang Dũng
1
,
Trần Đức Quỳnh
2
,
Nguyễn Thị Thảo
1
Từ khóa
Dự báo lượng mưa, học máy, lựa chọn đặc trưng, trích chọn đặc trưng, dữ liệu chuỗi thời gian, phương pháp trí tuệ nhân tạo
Tóm tắt
Lượng mưa là yếu tố khí hậu thiết yếu, ảnh hưởng trực tiếp đến hệ sinh thái tự nhiên, con người và đặc biệt là hoạt động sản xuất nông nghiệp, quy hoạch đô thị. Trong bối cảnh biến đổi khí hậu ngày càng phức tạp, với sự gia tăng của các hiện tượng thời tiết cực đoan như mưa lớn, bão và lũ lụt, việc dự báo chính xác lượng mưa trở nên quan trọng nhưng cũng đầy thách thức. Nghiên cứu này tập trung đánh giá hiệu quả của các mô hình học máy trong dự báo lượng mưa tại khu vực cụ thể. Dữ liệu lượng mưa thường có tính phi tuyến, sự biến động, mức độ ngẫu nhiên cao, nhiều nhiễu. Vì vậy, nghiên cứu đề xuất một phương pháp cải tiến dữ liệu đầu vào đa bước, nhằm nâng cao độ chính xác của mô hình dự báo. Nhiều thuật toán học máy được triển khai và đánh giá thông qua các chỉ số như độ chính xác (Accuracy), F1 có trọng số (Weighted F1-score) và chỉ số AUC. Kết quả cho thấy hiệu suất của các mô hình dự báo được cải thiện đáng kể với dữ liệu mới. XGBoost là mô hình có cải thiện đáng kể nhất với mức tăng trung bình 15,5% cả về độ chính xác và điểm F1 có trọng số so với khi chỉ sử dụng dữ liệu gốc. Kết quả nghiên cứu có tiềm năng ứng dụng trong phân tích và dự báo lượng mưa ở cấp độ khu vực.
Tài liệu tham khảo
Abbot J. & Marohasy J. (2014). Input selection and optimisation for monthly rainfall forecasting in Queensland, Australia, using artificial neural networks. Atmospheric Research. 138: 166-178. Baljon M. & Sharma S.K. (2023). Rainfall prediction rate in saudi arabia using improved machine learning techniques. Water. 15(4): 826. Công Thanh, Nguyễn Như Quý & Mai Văn Khiêm (2018). Đánh giá ước lượng mưa từ độ phản hồi radar Nhà Bè. Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường. 34: 10-17. Cramer S., Kampouridis M., Freitas A.A. & Alexandridis A.K. (2017). An extensive evaluation of seven machine learning methods for rainfall prediction in weather derivatives. Expert Systems with Applications. 85: 169-181.
Dương Thị Hà & Nguyễn Thái Nghe (2022). Ứng dụng mô hình đa biến bộ nhớ dài-ngắn hạn trong dự báo nhiệt độ và lượng mưa. Tạp chí Khoa học Đại học Cần Thơ. 58(4): 8-16. Endalie D., Haile G. & Taye W. (2022). Deep learning model for daily rainfall prediction: case study of Jimma, Ethiopia. Water Supply. 22(3): 3448-3461. Giang N.H., Wang Y., Hieu T.D., Tho Q.T., Phuong L.A. & Tu Do H.N. (2021). Toward rainfall prediction by machine learning in Perfume River Basin, Thua Thien Hue Province, Vietnam. Open Geosciences. 13(1): 963-976. Hai N.H., Quynh T.D. & Le H.M. (2025). A Novel Feature Engineering Method for Rainfall Prediction. In International Conference on Modelling, Computation and Optimization in Information Systems and Management Sciences. Cham: Springer Nature Switzerland. pp. 130-141. Kundu S., Biswas S.K., Tripathi D., Karmakar R., Majumdar S. & Mandal S. (2023). A review on rainfall forecasting using ensemble learning techniques. e-Prime-Advances in Electrical Engineering, Electronics and Energy. 6: 100296. Mojtahedi F.F., Yousefpour N., Chow S.H. & Cassidy M. (2025). Deep learning for time series forecasting: Review and applications in geotechnics and geosciences. Archives of Computational Methods in Engineering. pp. 1-31.
Nguyễn Hoàng Minh, Phùng Tiến Dũng, Vũ Thị Thanh Vân, Hoàng Văn Đại, Mai Văn Khiêm & Nguyễn Phương Nhung (2022). Nghiên cứu hiệu chỉnh lượng mưa ước lượng từ radar phục vụ nâng cao chất lượng mô phỏng dòng chảy. Tạp chí Khí tượng Thuỷ văn. 743(11): 23-35. Pirone D., Cimorelli L., Del Giudice G. & Pianese D. (2023). Short-term rainfall forecasting using cumulative precipitation fields from station data: a probabilistic machine learning approach. Journal of Hydrology. 617: 128949. Saleh M.A., Rasel H.M. & Ray B. (2024). A comprehensive review towards resilient rainfall forecasting models using artificial intelligence techniques. Green Technologies and Sustainability. 2(3): 100104. Yu P.S., Yang T.C., Chen S.Y., Kuo C.M. & Tseng H.W. (2017). Comparison of random forests and support vector machine for real-time radar-derived rainfall forecasting. Journal of hydrology. 552: 92-104.