Nghiên cứu và ứng dụng các kỹ thuật học sâu để dự báo mực nước ngầm khu vực Hà Nội

Nước ngầm rất cần thiết để giữ cân bằng hệ sinh thái và đáp ứng nhu cầu nước của các hộ gia đình, trang trại và doanh nghiệp, đặc biệt ở các thành phố lớn như Hà Nội, nơi chịu ảnh hưởng mạnh mẽ của biến đổi khí hậu và tình trạng sử dụng quá mức. Trong bối cảnh biến đổi khí hậu và khai thác quá mức, dự báo chính xác mực nước ngầm không chỉ giúp quản lý tài nguyên nước thành công mà còn là nền tảng cho sự phát triển lâu dài. Tuy nhiên, sự phức tạp, phi tuyến tính và phụ thuộc lâu dài của mực nước ngầm gây ra những vấn đề đáng kể cho các phương pháp tiêu chuẩn. Nghiên cứu này cung cấp một phương pháp mới để dự đoán mực nước ngầm tại trạm quan trắc Q64 ở khu vực Hà Nội bằng cách sử dụng bốn mô hình học sâu: RNN, LSTM, Transformer và Autoformer. Chúng tôi dự báo ngắn hạn (48 giờ), trung hạn (120 giờ) và dài hạn (360 giờ). Kết quả thực nghiệm cho thấy Autoformer vượt trội rõ ràng trong các tình huống dự báo và hoạt động tốt trong ngắn hạn, trong dự báo trung hạn. Điều này chứng tỏ rằng mô hình dựa trên kiến trúc dựa trên sự chú ý có thể nắm bắt các thuộc tính dài hạn của chuỗi thời gian mực nước ngầm. Những phát hiện này hỗ trợ việc sử dụng học sâu trong dự báo mực nước ngầm, mở đường cho việc tạo ra các hệ thống dự báo thông minh, hỗ trợ ra quyết định trong quản lý tài nguyên nước và phát triển các cách để thích ứng với biến đổi khí hậu ở các thành phố lớn