Áp dụng phương pháp GLUE đánh giá bất định cho bộ thông số và dữ liệu mưa đầu vào mô hình SURR trong mô phỏng khu giữa sông Lô

Tạp chí khoa học biến đổi khí hậu
Số 5 - Tháng 3/2018 - 
71
ÁP DỤNG PHƯƠNG PHÁP GLUE ĐÁNH GIÁ BẤT ĐỊNH
 CHO BỘ THÔNG SỐ VÀ DỮ LIỆU MƯA ĐẦU VÀO MÔ HÌNH SURR 
TRONG MÔ PHỎNG KHU GIỮA SÔNG LÔ
Lê Thị Kim Ngân(1), Nguyễn Hoàng Minh(2)
(1)Trung tâm Tư vấn, Dịch vụ Khí tượng Thủy văn và Biến đổi khí hậu
(2)Khoa Kỹ thuật Dân dụng và Môi trường, trường ĐH Sejong, Seoul, Hàn Quốc
Ngày nhận bài 26/2/2018; ngày chuyển phản biện 29/2/2018; ngày chấp nhận đăng 20/3/2018
Tóm tắt: Trong quá trình sử dụng các mô hình mưa - dòng chảy luôn tồn tại những sai số nhất định do 
các nguyên nhân chủ quan cũng như khách quan. Vì vậy, việc đánh giá độ bất định của của bộ thông số mô 
hình và số liệu đầu vào mô hình đóng vai trò rất quan trọng. Nghiên cứu ngày sẽ giới thiệu phương pháp 
ước lượng bất định GLUE để đánh giá cho bộ thông số mô hình dòng chảy SURR và dữ liệu mưa đầu vào 
trong mô phỏng lưu vực khu giữa sông Lô. Mục tiêu của báo cáo nhằm tìm ra bộ thông số phù hợp cho việc 
mô phỏng dòng chảy trên lưu vực khu giữa sông Lô. Kết quả đánh giá bất định cho phép tăng độ chính xác 
của quá trình dự báo dòng chảy. 
Từ khóa: Đánh giá bất định, GLUE, mô hình SURR, sông Lô.
1. Mở đầu 
Mô phỏng mưa - dòng chảy sử dụng mô hình 
thủy văn luôn kèm theo những sự không chắc 
chắn chủ yếu do bốn nguyên nhân như: Sai số 
do ngẫu nhiên hoặc hệ thống của dữ liệu đầu 
vào; sai số do việc quan trắc, lưu giữ số liệu thủy 
văn; sai số do thông số mô hình không tối ưu; và 
sai số do sự không đầy đủ hoặc sai lệch của cấu 
trúc mô hình [1]. Để giảm bớt tính bất định và 
tăng độ chính xác của dự báo dòng chảy, đánh 
giá sự không chắc chắn của mô phỏng dòng chảy 
sử dụng mô hình thủy văn là điều rất cần thiết. 
Đã có rất nhiều nghiên cứu nhằm định lượng 
tính bất định trong mô phỏng mưa dòng chảy, 
những nghiên cứu này thường ước tính độ bất 
định cho những khu vực có đầy đủ dữ liệu thông 
tin khí tượng thuỷ văn và các đặc điểm của vùng 
nhưng hiếm khi ước tính cho các vùng thông tin 
không đầy đủ. Vì vậy, nghiên cứu này được thực 
hiện để ước tính không chắc chắn của dòng chảy 
sử dụng mô hình SURR trên lưu vực khu giữa 
sông Lô từ trạm Đạo Đức đến Hàm Yên.
2. Phương pháp tính toán 
2.1. Mô hình mưa – dòng chảy SURR và tham 
số hóa bộ thông số mô hình
a. Lý thuyết mô hình
Mô hình SURR được phát triển bởi Phòng ng-
hiên cứu Tài nguyên nước và GIS, Khoa kỹ thuật 
môi trường dân dụng, Đại học Sejong, Hàn Quốc 
(Lee and Bae, 2010). Mô hình dựa trên mô hình 
trữ nước SFM (Kimura et al., 1961), với những 
mô phỏng chi tiết hơn các thành phần trong 
chu trình thủy văn như bốc hơi tiềm năng, dòng 
chảy mặt, dòng chảy sát mặt (lateral flow), dòng 
chảy ngầm
Các thành phần dòng chảy lưu vực Ssb được 
mô phỏng phương trình (1) và pha về dòng chảy 
trong kênh dẫn S
ch
 theo phương trình (2). Trong 
đó có xét đến dòng chảy bề mặt Q
sur
, dòng chảy 
sát mặt Q
lat
, dòng chảy ngầm Q
gw,
 K
ch
 và P
ch
 là 
hằng số trong kênh dẫn hở.
Theo phân tích về độ nhạy cảm của từng 
thông số khác nhau trong mô hình mưa - dòng 
chảy SURR, bài báo đã chọn ra năm thông số 
SURR tiêu biểu dựa trên đặc trưng về tính chất 
địa chất và thủy văn từng tiểu lưu vực để thực 
hiện quá trình tham số hóa, bao gồm các thông 
*Liên hệ tác giả: Lê Thị Kim Ngân
Email: nganltk.imh@gmail.com
72 Tạp chí khoa học biến đổi khí hậu
Số 5 - Tháng 3/2018
số LAGSB (thời gian trễ trong lưu vực con), 
ALPHABF (hệ số dòng chảy cơ sở), SURLAG (độ 
trễ dòng chảy mặt), KSB (hệ số dòng chảy trong 
lưu vực con), KCH (hệ số dòng chảy trong kênh).
 b. Chỉ tiêu đánh giá mô hình
Hai chỉ tiêu đánh giá thông số mô hình 
được sử dụng trong bài báo này gồm sai số 
tổng lượng (F) và chỉ số Nash (3) và (4) để 
đánh giá độ chính xác của dòng chảy mô 
phỏng Q
sim
 so với dòng chảy thực tế Q
obs
. Quá 
trình này rất cần thiết nhằm chứng tỏ rằng 
mô hình SURR có thể áp dụng cho mô phỏng 
dòng chảy phù hợp với các điều kiện tại lưu 
vực khu giữa sông Lô. 
Hình 1. Sơ đồ nghiên cứu 
Hình 2: Cấu trúc mô hình SURR
( ) ( ) ( ) ( ) ( )ur wsb s lat g sb
dS t
Q t Q t Q t Q t
dt
τ τ τ = − + − + − − 
( ) ( ) ( )
1
chP
sb
ch
ch
dS t S t
Q t
dt K
 
= − 
 
∑
(2)
(1)
Tạp chí khoa học biến đổi khí hậu
Số 5 - Tháng 3/2018 - 
73
Hình 3: Các thành phần nước và sự di chuyển của các thành phần trong đất
2.2. Đánh giá tính bất định bằng phương pháp 
GLUE
Phương pháp đánh giá độ bất định GLUE 
(Genarelized Likelihood Uncertainty Estimations) 
[2] là một phương pháp thống kê để định lượng 
sai số của các mô hình dự báo bằng việc chỉ ra 
một khoảng bất định trong tính toán gây ra do 
các bộ thông số mô hình khác nhau. Bản chất 
của phương pháp này dựa trên việc thực hiện 
số lượng lớn các phép thử để chạy mô hình với 
các giá trị khác nhau của bộ thông số mô hình. 
Bằng cách so sánh các giá trị mô phỏng tạo ra 
bới các bộ thông số khác nhau này, so sánh với 
giá trị quan trắc thực tế tại từng mốc thời gian 
xác định, mỗi bộ thông số sẽ chỉ ra một tương 
quan biểu diễn giá trị tương quan mô phỏng, ký 
hiệu L(θ|Q).
a. Đánh giá tính bất định cho bộ thống số 
Tiếp theo, thuật toán Monte Carlo được sử 
dụng để lấy ngẫu nhiên các mẫu của bộ tham 
số mô hình. Mỗi bộ tham số được lựa chọn này 
sẽ được dùng làm điều kiện biên cho mô hình 
SURR. Sau đó giá trị likelihood L (θ|Q) ứng với 
mỗi bộ thông số được thiết lập theo phương 
trình (5), trong đó, Q
obs
 và Q
sim
 tương ứng là 
dòng chảy thực tế và l mô phỏng tại thời điểm t; 
 là dòng chảy trung bình của tập hợp các dòng 
chảy tính toán tại thời điểm t. Một bộ tham số 
được đánh giá là phù hợp hay không phù hợp 
trong mô phỏng sẽ dựa trên sự so sánh các giá 
trị tương quan mô phỏng của chính bộ tham số 
đó đối chiếu với một mức độ tin cậy α. Các bộ 
thông số phù hợp sẽ được giữ lại để đánh giá 
bất định dựa trên các tiêu chí đánh giá r-factor 
và p-factor.
(3)
(4)
Q
( )
( )
( )
2
1
2
1
1
n
obs sim
t
n
obs obs
t
Q Q
L Q
Q Q
θ =
=
−
= −
−
∑
∑
(5)
( )
2
1
2
1
( )
1
n
obs sim
n
obs obs
Q Q
Nash
Q Q
−
= −
−
∑
∑
( )obs sim
obs
Q Q
F
Q
−
=
74 Tạp chí khoa học biến đổi khí hậu
Số 5 - Tháng 3/2018
b. Đánh giá tính bất định cho dữ liệu mưa đầu 
vào
Sử dụng phương pháp Monte - Carlo để tạo 
các chuỗi dữ liệu mưa khác nhau tương ứng với 
chuỗi thời gian đã chọn. Các giá trị ngẫu nhiên 
được tạo ra trong khoảng -1 đến 1 với giả thiết 
nó tuân theo phân bố chuẩn (N~(0,1). Sau đó 
tính toán tập các chuỗi lượng mưa (ensemble 
rainfall) với giá trị dao động quanh giá trị trung 
bình là 10%. 
Mỗi kết quả mô phỏng dòng chảy bằng mô 
hình SURR, sẽ cho 1 kết quả tính toán thông số 
khả năng L (P|Q) dựa trên công thức (5). Lọc bỏ 
các chuỗi dựa theo mức độ tin cậy α để xác định 
các chuỗi mưa có L (P|Q) ≥ α. Từ tập các chuỗi 
Hình 4. Sơ đồ đánh giá bất định bộ thông số mô hình
được lựa chọn sẽ tiến hành đánh giá bất định 
dựa theo các tiêu chí sau.
c. Tiêu chí đánh giá tính bất định
Khoảng bất định có thể được xác định bằng 
cách sử dụng nhiều mô phỏng tương ứng với 
các thông số được chấp nhận. Biên của khoảng 
bất định này gồm có giới hạn trên (UL) và giới 
hạn dưới (LL) của các thông số phù hợp, được 
tính theo phương trình (6) và (7). Giá trị dòng 
chảy tại biên giới hạn trên và biên giới hạn dưới 
có thể được tính theo phương trình (8) và (9). 
Trong đó giá trị Q
LL
 gọi là dòng chảy mô phỏng 
các giá trị giới hạn dưới, Q
UL
 gọi là dòng chảy mô 
phỏng của giá trị giới hạn trên, Q
min
 và Q
max 
là các 
dòng chảy nhỏ nhất và dòng chảy lớn nhất tại 
Tạp chí khoa học biến đổi khí hậu
Số 5 - Tháng 3/2018 - 
75
Hình 5. Sơ đồ đánh giá bất định chuỗi dữ liệu mưa
thời điểm t, θ
min
 và θ
max
 là các thông số tương 
ứng với giá trị Q
min
 và Q
max
, θ
LL 
và θ
UL
 là các thông 
số tương ứng với các giá trị biên giới hạn dưới 
và giới hạn trên.
Trong đó, các chỉ số hiệu quả để đánh giá tính 
bất định trong các mô phỏng dòng chảy trong 
phương pháp GLUE gồm hai tiêu chí là p-factor 
và r- factor. Với p-factor (gọi là giá trị tỷ lệ CR) 
được định nghĩa là tỷ số giữa số các giá trị dòng 
chảy thực tế rơi trùng đúng vào khoảng bất định 
(Q
UL
, Q
LL
) như mô tả trong công thức (10). Q
UL
 là 
dòng chảy mô phỏng của các giới hạn trên, QLL 
là dòng chảy mô phỏng giới hạn dưới, Q
obs
(t) là 
dòng chảy quan trắc tại thời điểm t. Nếu p-factor 
lớn hơn 50%, độ bất định thấp và ngược lại, nếu 
p-factor nhỏ (dưới 50%), độ bất định cao.
( ) 1% 100
2
LL
σ−
= (6)
( ) 1% 100
2
UL
σ+
=
( )maxmin min max
min max
LL
LLQ Q Q Qθ θ
θ θ
θ θ
−
= + −
−
( )maxmax min max
min max
UL
ULQ Q Q Qθ θ
θ θ
θ θ
−
= + −
−
(7)
(8)
(9)
76 Tạp chí khoa học biến đổi khí hậu
Số 5 - Tháng 3/2018
Với chỉ số thứ hai, r-factor biển diễn chiều 
rộng trung bình của khoảng bất định. Nếu giá trị 
của r-factor thấp tương ứng sự bất định là nhỏ 
như trong phương trình (11), trong đó là mức 
trung bình của dòng chảy quan trắc thực tế.
1
1
( )
(11)
( )
n
UL LLt
n
obs obst
Q Q
r factor
n Q Q
=
=
−
− =
−
∑
∑
3. Kết quả tính toán 
3.1. Quá trình hiệu chỉnh và kiểm định bộ thông 
số mô hình
Lưu vực nghiên cứu được chia thành 33 lưu 
vực con, với 6 trạm khí tượng: Hà Giang, Bắc 
Mê, Hoàng Su Phì, Bắc Hà, Bắc Quang, Hàm Yên, 
hai trạm thủy văn: Đạo Đức và Hàm Yên.
 Nhóm nghiên cứu sử dụng các trận lũ điển 
hình (trận lũ lớn được ghi nhận trong lịch sử) 
đó là trận lũ tháng 8/1996 để kiểm định và trận 
lũ tháng 7/2000 và 8/2002 tại trạm Hàm Yên 
để hiệu chỉnh mô hình. Kết quả hiệu chỉnh ME 
=0.80, REV = 5, kết quả kiểm định ME= 0,86, 
REV = 6,3 với trận lũ 7/2000 và ME = 0,82 và 
Hình 6. Các tiểu lưu vực và mạng lưới trạm KTTV
Hình 7. Kết quả hiệu chỉnh và kiểm định 
mô hình 
( )obsQ
(10)
Tạp chí khoa học biến đổi khí hậu
Số 5 - Tháng 3/2018 - 
77
REV = 7,56 với trận lũ 8/2002 cho thấy đây là kết 
quả khá tốt. Bộ thông số tìm được của mô hình 
SURR trên có thể sử dụng để mô phỏng dự báo 
lũ cho lưu vực khu giữa sông Lô.
3.2. Đánh giá tính bất định do bộ thông số
Trong nghiên cứu này, thuật toán Monte 
Carlo được áp dụng để lựa chọn ngẫu nhiên 
200 bộ thông số cho mô hình SURR. Mô phỏng 
dòng chảy được lặp đi lặp lại dựa trên 1000 bộ 
thông số được lấy ngẫu nhiên, trong đó dải giới 
hạn cho từng thông số tương ứng như sau: KSB 
(50÷70), LAGSB (0,1÷4), KCH (2000÷15000), 
SURLAG (1,5÷4), ALPHABF (0,2÷2). Các dải 
thông số được phân bố đồng đều và được lựa 
chọn dựa vào độ tin cậy α= 70%, cuối cùng chỉ 
những giá trị phù hợp với tiêu chí của phương 
pháp GLUE được lựa chọn để mô phỏng dải bất 
định của dòng chảy.
Hình 8. Kết quả hiệu chỉnh 8/1996
Hình 9. Kết quả tính toán với 200 bộ thông số 
 Như vậy các thông số cáo giá trị L (θ|Q) lớn 
hơn mức độ tin cậy được chấp nhận, nhưng 
thông số cho giá trị L (θ|Q) nhỏ hơn mức độ tin 
cậy thì loại bỏ. Ứng với các trận lũ tháng 8/1996, 
7/2000 và tháng 8/2002 số lượng các chuỗi cho 
kết quả độ tin cậy α ≥ 70%/ tổng số bộ thông số 
lần lượt là: 133/200, 175/200 và 145/200. 
Kết quả tính toán 2 tiêu chí r-factor và p-fac-
tor để tính toán độ bất định (Bảng 1).
4. Đánh giá tính bất định dữ liệu mưa đầu vào
Với giả thiết sử dụng bộ thông số tìm được 
trong quá trình hiệu chỉnh và kiểm định tại mục 
3.1 đến tính toán đánh giá bất định cho dữ 
liệu đầu vào mưa. Giả thiết yếu tố bất định do 
mưa gây ra bởi sai số hệ thống với độ bất định 
78 Tạp chí khoa học biến đổi khí hậu
Số 5 - Tháng 3/2018
10%. Sử dụng mô phỏng Monte Carlo để tạo 40 
chuỗi mưa ngẫu nhiên ứng với mỗi trận lũ tháng 
8/1996, 7/2000 và tháng 8/2002.
Mỗi chuỗi dữ liệu mưa số Pi (i = 1 ... 40) sẽ 
được áp dụng trong mô hình SURR để tiến hành 
mô phỏng, và tương ứng với 1 giá trị L (P|Q) 
để đánh giá bất định cho từng chuỗi. Kết quả 
tính toán cho thấy hầu hết các chỉ tiêu Nash dao 
động từ 63% đến 86%. Với kết quả trên lựa chọn 
mức độ tin cậy σ =70% cho nghiên cứu này. Kết 
quả các chuỗi đạt L (P|Q) ≥ 70%/ tổng số bộ 
thông số lần lượt là: 38/40, 40/40 và 40/40.
Kết quả tính toán các chỉ tiêu đánh giá bất 
định r-factor và p-factor trình bày trong Bảng 2.
Bảng 1. Kết quả đánh giá bất định cho bộ thông số mô hình
Hình 10. Kết quả tính toán với 200 bộ thông số
Bảng 2. Kết quả đánh giá bất định cho dữ liệu mưa đầu vào
Năm L (θ|Q) (%) p-factor (%) r-factor 
1996 6~80 66,5 0,83
2000 32~94 87,5 0,93
2002 18~87 72,5 0,65
Năm L (θ|Q) (%) p-factor (%) r-factor 
1996 63~85 95,0 0,30
2000 72~86 100 0,36
2002 73~88 100 0,34
Tạp chí khoa học biến đổi khí hậu
Số 5 - Tháng 3/2018 - 
79
 5. Kết luận
 Bộ thông số mô hình SURR cho mô phỏng 
khu vực khu giữa sông Lô có độ bất định thấp, 
các giá trị p-factor ở cả 3 năm đều đạt trên 50%, 
các giá trị L(θ| Q) tương đối cao thấp nhất 6% 
trong mô phỏng trận lũ năm 8/1996 và cao nhất 
94% trong mô phỏng trận lũ tháng 7/2000. 
 Độ rộng bất định (r-factor) của dòng chảy mô 
phỏng tại thời điểm đỉnh lũ luôn lớn hơn so với thời 
điểm bắt đầu hoặc kết thúc của mỗi giai đoạn tính 
toán. Nhưng đều nằm trong phạm vi cho phép 
Như vậy, việc sử dụng bộ thông số mô hình 
SURR có độ bất định thấp trong mô phỏng cho 
lưu vực khu giữa, các kết quả dự báo sau sẽ có 
độ tin cậy cao hơn. 
Kết quả đánh giá bất định tại cả 3 trận lũ, 
tổng số chuỗi cho kết quả L(P|Q) ≥ 70% rất 
cao, tại trận lũ 8/1996 là 38 chuỗi, tại 2 trận lũ 
7/2000 và tháng 8/2002 đều là 40 chuỗi. Các giá 
trị p-factor ở 3 năm rất cao >95. Kết quả trên có 
được là do dữ liệu thực đo mưa đã được chỉnh 
biên rất chính xác nên có độ bất định thấp. Như 
vậy, sai số hệ thống của chuỗi dữ liệu mưa có 
thể bỏ qua và chuỗi dữ liệu mưa có độ chính xác 
cao được dùng cho tính toán phục vụ các ứng 
dụng thủy văn khác nhau. 
Như vậy, dữ liệu mưa đầu vào để tính toán 
mô phỏng cho lưu vực khu giữa mô hình SURR 
cho mô phỏng khu vực khu giữa sông Lô có độ 
bất định rất thấp.
Tài liệu tham khảo
1. J.C. Refsgaard, B.S (1996), “MIKE SHE: Computer models of watershed hydrology”, J. Water 
Resources, 809–846.
2. Beven, K.J and Binley, A.M (1992), “The future of distributed models: Model calibration and 
uncertainty prediction”, J. Hydrological processes, 6, 279 – 298.
3. Lee, H., Balin, D., Shrestha, R.R. and Rode, M. (2010), “Streamflow Prediction with Uncertainty 
Analysis”, Weida Catchment, Germany, KSCE J. of Civil Engineering, 14, 413-420.
4. Lee, B.J. and Bae, D.H (2011), “Development of Continuous Rainfall-Runoff Model for Flood 
Forecasting on Large-Scale Basin”, Korea Water Resources Institute Proceedings, 44(1), January 2011.
5. Nguyễn Tiền Giang, Daniel V.P., Phạm Thu Hiền (2009), “Công nghệ dự báo lũ khi xét đến tính bất 
định của mô hình thủy văn: Cơ sở lý thuyết”, Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và Công 
nghệ, 25(3S), 403-411.
APPLICATION OF GLUE METHOD ASSESSING THE UNCERTAINTY 
OF RAINFALL - RUNOFF DATA FOR SURR MODEL 
IN SIMULATING FLOW OF LO RIVER 
Le Thi Kim Ngan(1), Nguyen Hoang Minh(2)
(1)Centre for HydroMet and Climate change Consultancy
(2)Civil and Environmental Engineering, Sejong University, Seoul, Korea
Received: 26 February 2018; Accepted: 20 March 2018
Abstract: In the use of rain-flow models, there are always certain errors due to subjective as well as 
objective reasons.Therefore, it is important to evaluate the uncertainty of the set of model parameters and 
the model input data. The study will introduce the uncertainty estimation GLUE to evaluate the SURR flow 
model parameters and rainfall input data in the simulation of the basin area between the Lo River. The 
purpose of the report is to find the appropriate set of parameters for simulation of flow in the basin of the 
Lo River. Uncertainty assessment results in increased accuracy of flow forecasting.
Keywords: Uncertainty assessment, GLUE, SURR model, Lo river.