Dự báo tiềm năng nước ngầm bằng mô hình học máy lai

Quản lý hiệu quả nguồn tài nguyên nước ngầm đòi hỏi việc dự báo và tận dụng tiềm năng của chúng. Trong nghiên cứu nói trên, các nhà khoa học đã sử dụng kết hợp các phương pháp mới trong học máy và viễn thám để dự báo tiềm năng nước ngầm ở vùng Bắc Trung Bộ của Việt Nam.

Họ đã phát triển một phương pháp mới dựa trên viễn thám và mạng lưới thần kinh sâu (DNN), kết hợp với các thuật toán tối ưu hóa như Adam, FPA, AEO, PFA, AVOA và WOA. Dữ liệu đầu vào được thu thập từ 95 con suối hoặc giếng nước, với 13 yếu tố điều kiện làm dữ liệu đầu vào cho mô hình học máy để tìm ra mối quan hệ thống kê giữa tình trạng có hoặc không có sự tồn tại của nước ngầm và các yếu tố điều kiện. Bên cạnh đó, họ còn dùng các chỉ số thống kê, cụ thể là sai số bình phương trung bình gốc (RMSE), diện tích dưới đường cong (AUC), độ chính xác, kappa (K) và hệ số xác định (R2) để xác minh các mô hình.

Các mô hình được đề xuất đã chứng minh hiệu quả trong việc dự báo tiềm năng nước ngầm, với giá trị AUC lớn hơn 0,95. Trong số các mô hình, mô hình DNN-AVOA đạt hiệu suất cao nhất, với AUC là 0,97 và RMSE là 0,22.

Kết quả dự báo cho thấy khoảng 25-30% diện tích vùng nghiên cứu có tiềm năng nước ngầm cao và rất cao, 5-10% ở mức vừa phải và 60-70% ở mức thấp hoặc rất thấp.

Phương pháp mới được công bố trong Bài báo “Ứng dụng học máy dựa trên mô hình lai để dự báo tiềm năng nước ngầm vùng Bắc Trung Bộ, Việt Nam” đăng trên tạp chí Earth Science Informatics.

Kết quả của nghiên cứu này có thể hỗ trợ quản lý tài nguyên nước và xác định vị trí giếng nước phù hợp, góp phần tối ưu hóa sử dụng nguồn tài nguyên nước ngầm ở vùng Bắc Trung Bộ của Việt Nam.