Tên luận án:
NGHIÊN CỨU PHÁT TRIỂN MÔ HÌNH TRÍ TUỆ NHÂN TẠO TRONG PHÂN VÙNG NGUY CƠ LŨ QUÉT Ở VIỆT NAM
Ngành:
KỸ THUẬT TRẮC ĐỊA - BẢN ĐỒ (Mã số: 9520503)
Tóm tắt nội dung tài liệu:
Luận án "Nghiên cứu phát triển mô hình trí tuệ nhân tạo trong phân vùng nguy cơ lũ quét ở Việt Nam" được thực hiện nhằm xây dựng các mô hình trí tuệ nhân tạo có độ chính xác cao trong phân vùng lũ quét, ứng dụng ảnh Radar Sentinel-1, kỹ thuật GIS và địa thống kê. Công trình này được hoàn thành tại Bộ môn Đo ảnh và Viễn thám, Khoa Trắc địa – Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất, với thực nghiệm áp dụng cho khu vực tỉnh Lào Cai. Nghiên cứu nhấn mạnh sự cần thiết của việc áp dụng các công nghệ hiện đại như viễn thám (ảnh Radar Sentinel-1A và B), GIS, địa thống kê và trí tuệ nhân tạo để cải thiện độ chính xác trong dự báo và phân vùng lũ quét, đây là một hướng nghiên cứu chính trên toàn thế giới hiện nay.
Đối tượng nghiên cứu bao gồm dữ liệu địa không gian, các mô hình dự báo và phân vùng nguy cơ lũ quét, ảnh viễn thám Radar đa thời gian, cơ sở dữ liệu GIS (địa hình, địa mạo, loại đất, địa chất, khí hậu, thủy văn), các thuật toán phát hiện điểm lũ quét, và các mô hình khai phá dữ liệu, trí tuệ nhân tạo, tối ưu hóa. Phạm vi nghiên cứu tập trung vào tỉnh Lào Cai, Việt Nam, đặc biệt là hai huyện Bắc Hà và Bảo Yên.
Luận án đã đề xuất một quy trình khoa học mới để thành lập mô hình dự báo và phân vùng lũ quét sử dụng ảnh Radar Sentinel-1 SAR. Mười hai bản đồ thành phần gây ra lũ quét đã được lựa chọn, bao gồm độ cao, độ dốc, hướng dốc, chỉ số độ ẩm, mật độ dòng, chỉ số năng lượng dòng chảy, kiểu TopoShade, chỉ số độ cong địa hình, thạch học, loại đất, chỉ số thực vật và lượng mưa, sau khi phân tích đa cộng tuyến.
Ba mô hình trí tuệ nhân tạo mới được đề xuất để nâng cao độ chính xác dự báo và phân vùng lũ quét:
- Mô hình FA-LM-ANN: Kết hợp thuật toán Firefly Algorithm-Levenberg Marquardt (FA-LM) để tự động tìm kiếm, cập nhật và tối ưu hóa trọng số của mạng Nơ-ron nhân tạo (ANN). Mô hình này cho hiệu suất dự báo cao (CAR = 93.750%, AUC = 0.970 trên dữ liệu kiểm tra).
- Mô hình PSO-ELM: Kết hợp thuật toán máy học cực trị Extreme Learning Machines (ELM) và thuật toán tối ưu hóa Particle Swarm Optimization (PSO). Mô hình này đạt độ chính xác phân loại cao (CAR = 93.34% và 90.05% cho dữ liệu huấn luyện và kiểm tra).
- Mô hình ENSEMBLE LEARNING: Kết hợp thuật toán di truyền GA (Genetic Algorithm) và luật mờ FURIA để đánh giá và xác định số lượng bản đồ thành phần đầu vào. Các mô hình kết hợp dựa trên FURIA-GA (như FURIA-GA-Bagging, FURIA-GA-LogitBoost, FURIA-GA-AdaBoost) cho thấy khả năng học và dự báo vị trí nguy cơ lũ quét cao hơn. Đặc biệt, FURIA-GA-Bagging đạt độ chính xác CAR cao nhất (93,89% trên dữ liệu huấn luyện và 93,37% trên dữ liệu kiểm tra).
Các bản đồ phân vùng nguy cơ lũ quét được thành lập với năm cấp độ: rất cao, cao, trung bình, thấp và không lũ quét. Các sản phẩm nghiên cứu này có thể ứng dụng trong việc lập kế hoạch sử dụng đất, thiết kế quy hoạch, giảm thiểu thiên tai và phát triển các hệ thống dự báo sớm, hỗ trợ chính quyền địa phương và cộng đồng trong công tác phòng chống và giảm nhẹ thiệt hại do lũ quét.
Mục lục chi tiết:
- MỞ ĐẦU
- CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU LŨ QUÉT
- 1.1 Đặt vấn đề
- 1.2 Khái niệm về lũ và lũ quét
- 1.3 Tổng quan tình hình nghiên cứu lũ quét trên thế giới
- 1.4 Tổng quan tình hình nghiên cứu lũ quét tại Việt Nam
- 1.4 Điểm mới được phát triển trong luận án
- CHƯƠNG 2: KHU VỰC NGHIÊN CỨU VÀ CƠ SỞ KHOA HỌC
- 2.1 Khu vực nghiên cứu
- 2.1.1 Lựa chọn khu vực nghiên cứu
- 2.1.2 Đặc điểm địa hình, khí tượng, thủy văn, địa chất, hạ tầng
- 2.1.2.1 Đặc điểm địa hình
- 2.1.2.2 Đặc điểm khí tượng
- 2.1.2.3 Đặc điểm thủy văn
- 2.1.2.4 Đặc điểm địa chất
- 2.1.2.5 Đặc điểm hạ tầng
- 2.2 Cơ sở khoa học
- 2.2.1. Phương pháp luận phát hiện lũ quét sử dụng ảnh Radar Sar Sentinel-1
- 2.2.1.1 Dữ liệu ảnh Radar Sar Sentinel-1
- 2.2.1.2 Phương pháp luận phát hiện lũ quét sử dụng ảnh Radar Sar Sentinel-1
- 2.2.2 Nghiên cứu xây dựng mô hình mạng Nơ-ron nhân tạo FA-LM-ANN cho phân vùng nguy cơ lũ quét
- 2.2.2.1 Giới thiệu
- 2.2.2.2 Thuật toán cơ sở
- 2.2.3 Nghiên cứu xây dựng mô hình PSO-ELM cho phân vùng nguy cơ lũ quét
- 2.2.3.1 Giới thiệu
- 2.2.3.2 Thuật toán cơ sở
- 2.2.4 Nghiên cứu xây dựng mô hình ENSEMBLE LEARNING trong phân vùng nguy cơ lũ quét
- 2.2.4.1 Giới thiệu
- 2.2.4.2 Thuật toán cơ sở
- CHƯƠNG 3: THỰC NGHIỆM VÀ KẾT QUẢ
- 3.1. Quy trình xây dựng mô hình trí tuệ nhân tạo trong phân vùng nguy cơ lũ quét
- 3.2. Xây dựng cơ sở dữ liệu lũ quét
- 3.2.1. Thành lập bản đồ hiện trạng lũ quét
- 3.2.2. Xây dựng các bản đồ thành phần
- 3.2.3. Xây dựng dữ liệu huấn luyện và dữ liệu kiểm tra
- 3.3. Phân tích đa cộng tuyến và lựa chọn các bản đồ thành phần
- 3.4. Xây dựng mô hình tích hợp FA-LM-ANN cho phân vùng nguy cơ lũ quét
- 3.4.1. Quy trình xây dựng mô hình tích hợp FA-LM-ANN
- 3.4.2 Kết quả của mô hình
- 3.4.2.1 Hiệu suất của mô hình FA-LM-ANN
- 3.4.2.2 So sánh và đánh giá
- 3.4.3 Thành lập bản đồ phân vùng nguy cơ lũ quét
- 3.5. Xây dựng mô hình tích hợp PSO-ELM cho phân vùng nguy cơ lũ quét
- 3.5.1 Quy trình xây dựng mô hình tích hợp PSO-ELM
- 3.5.2. Kết quả của mô hình
- 3.5.2.1 Hiệu suất của mô hình PSO-ELM
- 3.5.2.2 So sánh và đánh giá
- 3.5.3 Thành lập bản đồ phân vùng nguy cơ lũ quét
- 3.6. Xây dựng mô hình Enemble Learning cho phân vùng nguy cơ lũ quét
- 3.6.1 Quy trình xây dựng mô hình tích hợp PSO-ELM cho phân vùng nguy cơ lũ quét
- 3.6.1.1 Giai đoạn đầu tiên (A)
- 3.6.1.2 Giai đoạn thứ hai (B)
- 3.6.1.3 Giai đoạn thứ ba (C)
- 3.6.1.4 Giai đoạn cuối cùng (D)
- 3.6.2 Kết quả của mô hình
- 3.6.2.1 Hiệu suất của mô hình phân vùng nguy cơ lũ quét
- 3.6.2.2 So sánh và đánh giá
- 3.6.3 Thành lập bản đồ phân vùng nguy cơ lũ quét
- KẾT LUẬN VÀ KIẾN NGHỊ
- Tài liệu tham khảo
- 11. Nơi thực hiện luận án
- NHỮNG CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA NCS