TĂNG CƯỜNG ĐỘ CHÍNH XÁC TRONG DỰ BÁO LƯỢNG MƯA  Ở KHU VỰC MIỀN TRUNG VIỆT NAM SỬ DỤNG MÔ HÌNH XGBOOST  CHO DỮ LIỆU ĐA NGUỒN

Vũ Duy Đông; Nguyễn Hùng An; Nguyễn Tiến Phát; Nguyễn Thị Nhật Thanh; Nguyễn Thị Huyền

doi:10.34238/tnu-jst.11346

TĂNG CƯỜNG ĐỘ CHÍNH XÁC TRONG DỰ BÁO LƯỢNG MƯA Ở KHU VỰC MIỀN TRUNG VIỆT NAM SỬ DỤNG MÔ HÌNH XGBOOST CHO DỮ LIỆU ĐA NGUỒN

Thông tin bài báo

Ngày nhận bài: 17/10/24 Ngày hoàn thiện: 22/11/24 Ngày đăng: 22/11/24

Các tác giả

1. Vũ Duy Đông, Trường Đại học Kỹ thuật Lê Quý Đôn
2. Nguyễn Hùng An , Trường Đại học Kỹ thuật Lê Quý Đôn
3. Nguyễn Tiến Phát, Trường Đại học Kỹ thuật Lê Quý Đôn
4. Nguyễn Thị Nhật Thanh, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
5. Nguyễn Thị Huyền, Trường Đại học Kỹ thuật Lê Quý Đôn

Tóm tắt

Bài báo này trình bày một cách tiếp cận mới để nâng cao độ chính xác trong ước tính lượng mưa tại miền Trung Việt Nam bằng cách sử dụng mô hình học máy Extreme Gradient Boosting (XGBoost). Phương pháp đề xuất tích hợp dữ liệu đa nguồn, kết hợp hình ảnh vệ tinh từ Himawari-8, phân tích lại khí quyển từ ERA-5 và mô hình độ cao kỹ thuật số từ ASTER DEM để đào tạo mô hình. Dữ liệu đo mưa từ 175 trạm trên khắp khu vực được sử dụng làm nhãn mục tiêu để xác thực. Mô hình đề xuất đạt được CSI 0,45, POD 0,75 và RMSE 4,53, với mức cải thiện lần lượt từ 11,11% tới 86,67%, 28% tới 93,33% và 16,99% tới 51,87%, so với các sản phẩm lượng mưa khác như IMERG-Final Run, GSMaP_MVK, FengYun 4A và PERSIANN-CCS. Bản đồ lượng mưa chi tiết do mô hình đề xuất tạo ra đã được so sánh với ảnh radar trong các sự kiện mưa, chứng minh mức độ tương đồng cao. Hơn nữa, phương pháp này tạo cơ sở để chạy các mô hình ước tính lượng mưa gần thời gian thực cho khu vực Việt Nam.

Từ khóa

Ước tính lượng mưa; Học máy; Mô hình học máy XGBoost; Dữ liệu vệ tinh Himawari-8; Mô hình độ cao số

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] Q. Sun, C. Miao, Q. Duan, H. Ashouri, S. Sorooshian, and K. L. Hsu, "A review of global precipitation data sets: Data sources, estimation, and intercomparisons," Reviews of Geophysics, vol. 56, no. 1, pp. 79-107, 2018.

[2] M. Guarascio, G. Folino, F. Chiaravalloti, S. Gabriele, A. Procopio, and P. Sabatino, "A machine learning approach for rainfall estimation integrating heterogeneous data sources," IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-11, 2020.

[3] L. Zhang, X. Li, D. Zheng, K. Zhang, Q. Ma, Y. Zhao, and Y. Ge, "Merging multiple satellite-based precipitation products and gauge observations using a novel double machine learning approach," Journal of Hydrology, vol. 594, 2020, Art. no. 125969.

[4] H. Chen, V. Chandrasekar, R. Cifelli, and P. Xie, "A machine learning system for precipitation estimation using satellite and ground radar network observations," IEEE Transactions on Geoscience and Remote Sensing, vol. 58, no. 2, pp. 982-994, 2019.

[5] M. Putra, M. S. Rosid, and D. Handoko, "High-Resolution Rainfall Estimation Using Ensemble Learning Techniques and Multisensor Data Integration," Sensors, vol. 24, no. 15, 2024, Art. no. 5030.

[6] Y. Mohia, R. Absi, M. Lazri, K. Labadi, F. Ouallouche, and S. Ameur, "Quantitative Estimation of Rainfall from Remote Sensing Data Using Machine Learning Regression Models," Hydrology, vol. 10, no. 2, 2023, Art. no. 52.

[7] F. Ouallouche, M. Lazri, and S. Ameur, "Improvement of rainfall estimation from MSG data using Random Forests classification and regression," Atmospheric Research, vol. 211, pp. 62-72, 2018.

[8] Y. Lyu and B. Yong, "A novel Double Machine Learning strategy for producing high‐precision multi‐source merging precipitation estimates over the Tibetan Plateau," Water Resources Research, vol. 60, no. 4 , 2024, Art. no. e2023WR035643.

[9] J. R. Vergara and P. A. Estévez, "A review of feature selection methods based on mutual information," Neural Computing and Applications, vol. 24, pp. 175-186, 2014.

[10] J. D. Brown, "Point-biserial correlation coefficients," Statistics, vol. 5, no. 3, pp. 6-12, 2001.

[11] L. Čehovin and Z. Bosnić, "Empirical evaluation of feature selection methods in classification," Intelligent Data Analysis, vol. 14, no. 3, pp. 265-281, 2010.

[12] P. M. Granitto, C. Furlanello, F. Biasioli, and F. Gasperi, "Recursive feature elimination with random forest for PTR-MS analysis of agroindustrial products," Chemometrics and Intelligent Laboratory Systems, vol. 83, no. 2, pp. 83-90, 2006.

[13] T. Chen and C. Guestrin, "Xgboost: A scalable tree boosting system," in Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, August 2016, pp. 785-794.

DOI: https://doi.org/10.34238/tnu-jst.11346

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ