Dương Thị Hà Nguyễn Thái Nghe *

* Tác giả liên hệ (ntnghe@cit.ctu.edu.vn)

Abstract

Forecasting temperature and rainfall are issues of concern in the agricultural sector, which could assist farmers in appropriate cropping. Several techniques have previously been proposed for forecasting temperature and precipitation based on statistical analysis, machine learning and deep learning techniques. This work proposed a method of building a model to forecast monthly temperature and precipitation using multivariate long short-term memory (MLSTM) model. The parameters of the model were adjusted to suit the proposed problem. The model was evaluated using RMSE and MAE error measures. Besides, other forecasting models (such as LSTM, MLP, and SVR) were also used to compare the effectiveness of the proposed model. Experimental results on the data set of average monthly temperature and rainfall in Vietnam from 1901 to 2015 showed that the MLSTM model was quite effective with the error RMSE on the temperature set was 1.311 and the MAE was 1.051, respectively on the rainfall data set were 2.299 and 2.450.

Keywords: Temperature forecasting, Rain forecasting, LSTM, deep learning.

Tóm tắt

Dự báo nhiệt độ và lượng mưa là một trong những chỉ số được quan tâm trong lĩnh vực nông nghiệp nhằm hỗ trợ người dân có kế hoạch gieo trồng phù hợp. Một số kỹ thuật trước đây đã được đề xuất để dự báo về nhiệt độ và lượng mưa dựa trên phân tích thống kê, học máy và kỹ thuật học sâu. Trong bài viết này, phương pháp xây dựng mô hình dự báo nhiệt độ và lượng mưa hàng tháng bằng mô hình đa biến bộ nhớ dài-ngắn hạn (Multivariate long short-term memory - MLSTM) được đề xuất. Các tham số của mô hình được điều chỉnh sao cho phù hợp với bài toán đặt ra. Mô hình được đánh giá thông qua độ đo lỗi RMSE và MAE. Bên cạnh, các mô hình dự báo khác như LSTM, MLP và SVR cũng được sử dụng nhằm so sánh hiệu quả của mô hình đề xuất. Kết quả thực nghiệm trên tập dữ liệu nhiệt độ và lượng mưa trung bình hàng tháng tại Việt Nam từ 1901 đến 2015 cho thấy mô hình MLSTM đạt hiệu quả khá tốt với độ lỗi RMSE trên tập nhiệt độ là 1.311 và MAE là 1.051, tương ứng trên tập dữ liệu lượng mưa là 2.299 và 2.450.

Từ khóa: Dự báo nhiệt độ, Dự báo lượng mưa, Máy học, học sâu, Mô hình Multivariate LSTM, LSTM.

Article Details

Tài liệu tham khảo

Chính, H. (2020). Thiệt hại 30.000 tỷ đồng do thiên tai dị thường ở miền Trung. https://baochinhphu.vn/thiet-hai-30000-ty-dong-do-thien-tai-di-thuong-o-mien-trung-102283633.htm

Lim, B., & Zohren, S. (2020). Time Series Forecasting With Deep Learning: A Survey. https://doi.org/10.1098/rsta.2020.0209

Ikram, B. A. O., Abdelhakim, B. A., Abdelali, A., Zafar, B., & Mohammed, B. (2019, March). Deep Learning architecture for temperature forecasting in an IoT LoRa based system. In Proceedings of the 2nd International Conference on Networking, Information Systems & Security (pp. 1-6). https://doi.org/10.1145/3320326.3320375

Poornima, S., & Pushpalatha, M. (2019). Prediction of rainfall using intensified LSTM based recurrent neural network with weighted linear units. Atmosphere, 10(11), 668. https://doi.org/10.3390/atmos10110668

Wang, L., Xu, L., Xu, M., Liu, G., Xing, J., Sun, C., & Ding, H. (2015). Obesity-associated MiR-342-3p promotes adipogenesis of mesenchymal stem cells by suppressing CtBP2 and releasing C/EBPα from CtBP2 binding. Cellular Physiology and Biochemistry, 35(6), 2285-2298.

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.

Kratzert, F., Klotz, D., Brenner, C., Schulz, K., & Herrnegger, M. (2018). Rainfall–runoff modelling using long short-term memory (LSTM) networks. Hydrology and Earth System Sciences, 22(11), 6005-6022. https://doi.org/10.5194/hess-22-6005-2018

Zhang, Q., Wang, H., Dong, J., Zhong, G., & Sun, X. (2017). Prediction of sea surface temperature using long short-term memory. IEEE Geoscience and Remote Sensing Letters, 14(10), 1745-1749. https://doi.org/10.1109/LGRS.2017.2733548