Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  14,874,107

70

Kỹ thuật thuỷ lợi

Nguyễn Thanh Tuấn, Vũ Cao Đạt, Nguyễn Đức Đảm, Phạm Thái Bình; Nguyễn Đức Đảm(1)

Xây dựng bản đồ phân vùng nhạy cảm ngập lụt sử dụng mô hình Light Gradient Boosting Machine

Flood susceptibility mapping using Light Gradient Boosting Machine

Khí tượng Thủy văn

2023

745

65-73

2525-2208

Bản đồ; Ngập lụt; Sử dụng; Mô hình; Light Gradient Boosting Machine

Flood; Light Gradient Boosting Machine; Quang Trach; Vietnam.

Nghiên cứu xây dựng bản đồ phân vùng nhạy cảm ngập lụt khu vực huyện Quảng Trạch, tỉnh Quảng Bình (Việt Nam) sử dụng mô hình Light Gradient Boosting Machine LGBM – một trong những mô hình trí tuệ nhân tạo hiệu quả trong đánh giá và dự báo thiên tai. Cơ sở dữ liệu bao gồm 173 vị trí ngập lụt trong quá khứ và 07 tham số thành phần (mưa, địa mạo, độ bao phủ mặt đất, độ cao, hình dáng bề mặt địa hình, góc mái dốc, và hướng mái dốc) đã được thu thập để xây dựng dữ liệu đào tạo (70%) và dữ liệu kiểm tra (30%) dùng cho xây dựng và kiểm chứng mô hình. Độ chính xác của mô hình được đánh giá thông qua nhiều thông số thống kê định lượng bao gồm diện tích dưới đường cong ROC (AUC). Kết quả nghiên cứu thể hiện rằng LGBM có độ chính xác cao trong dự báo và phân vùng nhạy cảm ngập lụt tại khu vực nghiên cứu (AUC = 0,96 cho dữ liệu đào tạo và AUC = 0,88 cho dữ liệu kiểm tra). Bản đồ phân vùng nhạy cảm ngập lụt xây dựng từ mô hình có độ chính xác cao có thể được dùng trong việc nâng cao hiệu quả quy hoạch sử dụng đất và đưa ra các giải pháp phù hợp để giảm thiểu tác hại gây ra bởi ngập lụt tại khu vực nghiên cứu.

The main objective of this study is to construct flood susceptibility map at Quang Trach district, Quang Binh province (Vietnam) using artificial intelligence based model namely Light Gradient Boosting Machine (LGBM). Database including 173 past flood locations and a set of seven flood conditioning factors (rainfall, geomorphology, land cover, elevation, curvature, slope and aspect) were collected and built training dataset (70%) and validating dataset (30%) for constructing and validating the model. Accuracy of the model was validated using various quantitative statistical indexes including area under the ROC curve (AUC). Results presented that LGBM has a good performance in predicting and assessing flood susceptibility at the study area (AUC = 0.96 for training dataset and AUC = 0.88 for validating dataset). Flood susceptibility map constructed from the modeling with good performance can be used for effective land use planning and giving suitable measures in reducing the harmful impacts of floods at the study area.

TTKHCNQG, CVt 39