Trang chủ Chuyên gia viết Hướng đi mới trong dự báo bão

Hướng đi mới trong dự báo bão

Xuyên suốt chiều dài lịch sử, các hình thái thời tiết cực đoạn như mưa bão, hạn hán hay thiên nhiên nói chung luôn thôi thúc con người tìm hiểu và tìm cách chế ngự. Mặc dù sự phát triển của khoa học công nghệ đã mang lại những tiến bộ đáng kể trong quan sát, nghiên cứu mô hình về bão, nhưng sự chính xác trong dự báo bão trên thế giới nói chung và Việt Nam nói riêng còn nhiều hạn chế. Đó là thách thức trong việc dự báo quỹ đạo, cường độ, hoặc sự phát triển của bão, đặc biệt là tại khu vực Tây Bắc Thái Bình Dương nơi có nhiều tương tác giữa các hình thái thời tiết khác nhau.

Theo thống kê, mỗi năm có trên dưới 10 cơn bão ảnh hưởng đến vùng ven biển của Việt Nam. Là một quốc gia biển, việc dự báo chính xác về hình thành và phát triển của các cơn bão là vô cùng quan trọng đối với quản lý rủi ro quốc gia, kinh tế, an toàn xã hội và kế hoạch sơ tán tàu thuyền, gia cố nhà cửa và di tản người dân. Tận dụng đầy đủ tập dữ liệu thời tiết và khí hậu lớn để cải thiện độ chính xác của dự báo bão sẽ không chỉ giúp giảm thiểu trực tiếp các tác động của thời tiết khắc nghiệt, mà còn giúp định lượng những thay đổi có thể có của các cơn bão và tác động của chúng lên Việt Nam trong tương lai. Do đó, việc phát triển một phương pháp mới để cải thiện dự báo bão và định lượng các yếu tố môi trường, kiểm soát việc hình thành cơn bão luôn có ý nghĩa về học thuật và thực tiễn.

Trí tuệ nhân tạo, học máy đã mở ra tiềm năng to lớn nhằm giải đáp các vấn đề trong khoa học khí quyển. Các nhà khoa học có thể phát triển một bộ khung công nghệ học sâu mới cho phép dự báo hiệu quả các cơn bão trong khu vực cụ thể, sử dụng dữ liệu đầu vào từ các hệ thống quan trắc toàn cầu, bao gồm cả ảnh vệ tinh.

Hình ảnh mô phỏng từ dữ liệu độ ẩm trung bình tại các các tầng khí quyển khác nhau

Bão được hình thành như thế nào?

Vòng đời của một cơn bão nhiệt đới (Tropical cyclone – TC), thường được chia thành một số giai đoạn, bao gồm: hình thành, rối loạn nhiệt đới, áp thấp nhiệt đới, bão nhiệt đới, cơn bão, và cuối cùng là giai đoạn tan rã.

Trong đó, quá trình hình thành (Tropical cyclogenesis – TCG) kéo dài từ 2 – 5 ngày, với một rối loạn khí quyển yếu phát triển thành một áp thấp nhiệt đới quy mô nhỏ với các đường đẳng áp gần nhau, tốc độ gió bề mặt có thể cao hơn 17m/s. Đây cũng là giai đoạn khó nghiên cứu nhất của một cơn bão, do cấu trúc và đặc điểm rất khó để xác định: các tương tác liên tục liên quan đến động lực và nhiệt động lực học vô cùng phức tạp dẫn đến nhiều kịch bản và kết quả khác nhau. Điều này cũng khiến cho việc dự báo hình thành bão sớm trở nên khó khăn khi không thể nghiên cứu một cơ chế rõ ràng nào có thể áp dụng cho tất cả các khu vực đại dương.

Các nghiên cứu sơ khai của Yanai (1964), Gray (1968, 1982), McBride và Zehr (1981) đã cho chúng ta một danh sách các điều kiện khí hậu cần thiết cho việc hình thành bão nhiệt đới. Đó là: (i) bề mặt nước biển nóng tối thiểu 260C; (ii) một nhiễu động xoáy ở mức ở mức thấp; (iii) một rãnh nhiệt đới trên cao; và (iv) một khu vực khí quyển có độ ẩm cao. Tuy nhiên, điều hấp dẫn chính là tổng số trường hợp thỏa mãn các điều kiện trên cũng chỉ hình thành một phần nhỏ các cơn bão. Việc hình thành bão nhiệt đới ở từng khu vực đại dương với các yếu tố riêng là hoàn toàn khác nhau. Ví dụ như khu vực Bắc Đại Tây Dương, sự hình thành bão có liên hệ chặt chẽ với các sóng nhiệt đới hoạt động từ khu vực áp thấp phía Nam châu Phi (Avila và Pasch 1992; DeMaria 1996; Molinari và cộng sự 1999; Schreck và cộng sự 2012; Tang và cộng sự 2020); còn ở Tây Bắc Thái Bình Dương, các nghiên cứu lại chỉ ra rằng sự hình thành bão chủ yếu liên quan đến vùng hội tụ gió nhiệt đới và các hoạt động của gió mùa.

Cũng đã có những nghiên cứu với góc nhìn tổng thể ở toàn bộ các đại dương về các điều kiện môi trường có thể tạo ra và duy trì những nhiễu động đủ lâu nhằm hình thành một cơn bão. Thành tựu mới nhất trong việc định lượng này chính là mô hình khái niệm “túi” (pounch) ở Bắc Đại Tây Dương –  là một vùng “bình yên” giữa các sóng nhiệt hướng đông. Đây được coi là ý tưởng tiến bộ so với nghiên cứu về những rối loạn cần thiết để hình thành cơn bão do Gray (1968) đưa ra.

Tuy nhiên, rào cản chính trong các nghiên cứu hiện tại về sự hình thành bão nhiệt đới chính là những phức tạp của phương trình Navier – Stokes cũng như các tương tác phức tạp giữa động lực học, nhiệt động lực học, v.v., khiến chúng ta không thể mô tả chi tiết về quá trình này. Do đó, cần phải có các cách tiếp cận vượt ra ngoài các phương pháp truyền thống trong việc dự báo sự hình thành của các cơn bão.

Hướng tiếp cận mới trong dự báo bão

Kết quả do hệ thống học máy ghi nhận. Ô màu xanh đánh dấu các cơn bão đã xuất hiện trước đó. Ô màu cam đánh dấu vị trí nơi hình thành các cơn bão tiếp theo

Cho đến nay, các mô hình dự báo truyền thống chỉ có thể đánh giá cường độ, tốc độ và hướng di chuyển của một cơn bão khi đã hình thành xoáy (mắt bão) thông qua các mô hình mô phỏng. Phương pháp này đòi hỏi sức mạnh tính toán vô cùng lớn, đồng thời tốc độ dự đoán chưa đáp ứng được nhu cầu thực tiễn đặt ra.

Với sự phát triển nhanh chóng của các kỹ thuật học máy, ngành khoa học khí quyển cũng bắt đầu áp dụng các kỹ thuật này, tuy còn rất mới mẻ và sơ bộ. Hầu hết các nghiên cứu gần đây tập trung vào phân tích hình ảnh vệ tinh để xác định hướng đi và cường độ của bão liên quan đến các kiểu mây khác nhau. Tương tự, Miller và các cộng sự (2017) đã sử dụng phương pháp học sâu với tập dữ liệu vệ tinh GOES IR để huấn luyện một mạng nơ-ron có thể sử dụng để tìm kiếm các mẫu mây và phân loại cường độ bão dựa trên các hình dạng mây khác nhau. Hướng tiếp cận này đã tiếp tục được phát triển giúp cải thiện dự báo hình thành bão sớm bằng cách tích hợp thêm các thông tin quan trắc và các dữ liệu tái phân tích. (Gao et al. 2018, Kim et al. 2019b, Giffard-Roisin et al. 2020).

Một phương pháp khác của học máy cho việc dự đoán hình thành cơn bão là sử dụng hình ảnh vệ tinh của các đám mây đang hình thành và phân loại những hình ảnh nào sẽ phát triển thành một cơn bão sau này (Zhang và cộng sự 2016; Park và cộng sự 2016; Matsuoka và cộng sự 2018, Kim và cộng sự 2019a). Trong phương pháp này, các tín hiệu đầu tiên của cơn bão, thường được biểu hiện dưới dạng đám mây hoặc bức xạ có thể sử dụng là dữ liệu đầu vào cho việc phân tích, dự báo.

Với đặc điểm không gian, phân bố không gian xung quanh nơi cơn bão hình thành, việc sử dụng mạng nơ-ron tích chập (Convolutional Neural Network – CNN) hứa hẹn sẽ đem lại hiệu quả cao trong việc phát hiện các cơn bão do có khả năng quét qua toàn bộ các tầng khí quyển và tìm được các dấu hiệu tiềm năng. Thiết kế của mạng nơ-ron tích chập cho phép nó tự động tìm kiếm các loại dấu hiệu khác nhau với một số ràng buộc hoặc yêu cầu cụ thể cho các mô hình dự đoán. Do khả năng này, CNN đang được ứng dụng  rất nhiều trong việc nhận dạng, phân loại hình ảnh, phát hiện đối tượng, v.v. Tuy nhiên, để dự đoán một cách chính xác ngay cả khi cơn bão chưa thành hình, địa điểm và cường độ của nó sẽ là một thách thức nan giải cho các nhà khoa học nhằm tối ưu các phương pháp học máy, bên cạnh sử dụng các phương pháp dự báo truyền thống một cách phù hợp.


Mô hình thể hiện của ResNet trong việc dự báo báo sử dụng ảnh vệ tinh và dữ liệu tái phân tích

Hướng phát triển gần đây tại Việt Nam

Tại Việt Nam, có thể kể đến một số thành quả nghiên cứu bước đầu được PGS.TS. Kiều Quốc Chánh (Đại học Indiana – Hoa Kỳ) công bố và đang tiếp tục được triển khai cùng PGS.TS. Nguyễn Thị Nhật Thanh (Trường Đại học Công nghệ – Đại học Quốc Gia Hà Nội)và Trung tâm Dự báo Khí tượng thủy văn Quốc gia. Những năm vừa qua, nhóm đã sử dụng một biến thể của CNN là mạng nơ-ron ResNet để dự đoán hình thành bão sớm. Ưu điểm của ResNet chính là khả năng hạn chế lỗi từ CNN có quá nhiều lớp chập bằng cách tạo kết nối “tắt” đồng nhất xuyên qua một hay nhiều lớp. Nhóm nghiên cứu đã sử dụng phương pháp Thí nghiệm mô phỏng hệ thống quan trắc (Oberving System Simulation Experiment – OSSE: sử dụng thí nghiệm mô phỏng để đánh giá giá trị của một hệ quan trắc mới khi dữ liệu quan trắc thực tế không có sẵn) dựa trên dữ liệu phân tích của Trung tâm dự báo môi trường Hoa Kỳ (NCEP) trong khoảng thời gian từ năm 2000 – 2021 với độ phân giải cao 1°×1°. Tập dữ liệu này gồm 13 biến quy mô lớn bao gồm nhiệt độ mặt biển, các chỉ số đo gió, hơi nước và nhiệt độ ở các áp suất 200, 500, và 850 hPa. Tập dữ liệu tái phân tích này được sử dụng cùng hình ảnh vệ tinh của NASA nhằm kiểm chứng khả năng của các phương pháp học máy và hiệu quả của việc dự báo bão từ sớm.  Hướng nghiên cứu này hứa hẹn cung cấp một phương pháp dự báo mới, có độ chính xác cao, tiết kiệm tài nguyên tính toán khi ứng dụng vào nghiệp vụ dự báo bão tạo Việt Nam.

Quỹ Đổi mới sáng tạo Vingroup (VinIF) tổng hợp.

Tài liệu tham khảo:

Yanai, M., 1964: Formation of tropical cyclones. Rev. Geophys., 2, 367–414.

Gray, W. M., 1968: Global view of the origin of tropical disturbances. Mon. Wea. Rev., 96, 669-700

Gray, W. M., 1982: Tropical cyclone genesis and intensification: Intense atmospheric vortices. Topics in Atmospheric and Oceanographic Sciences, 10, 3–20.

McBride, J. L., and R. Zehr, 1981: Observational analysis of tropical cyclone formation. Part II: Comparison of nondeveloping versus developing systems. J. Atmos. Sci., 38, 1132–1151

Avila, L. A., and R. J. Pasch, 1992: Atlantic tropical systems of 1991. Mon. Wea. Rev., 120, 2688–2696

DeMaria, M., 1996: The effect of vertical shear on tropical cyclone intensity change. J. Atmos. Sci., 53 (14), 2076–2088

Molinari, J., P. Moore, and V. Idone, 1999: Convective structure of hurricanes as revealed by lightning locations. Mon. Wea. Rev., 127, 520–534.

Schreck, C. J., J. Molinari, A. Aiyyer, 2012: A Global View of Equatorial Waves and Tropical Cyclogenesis. Mon. Wea. Rev., 140, 774–788

Kim M, Park M-S, Im J, Park S, Lee M-I., 2019a: Machine Learning Approaches for Detecting Tropical Cyclone Formation Using Satellite Data. Remote Sensing. 11:1195. https://doi.org/10.3390/rs11101195.

Kim, S., Kim, H., Lee, J., Yoon, S., Kahou, S. E., Kashinath, 2019b: “Deep-hurricane-tracker: tracking and forecasting extreme climate events,” in 2019 IEEE Winter Conference on Applications of Computer Vision (WACV) (Waikoloa Village, HI: IEEE), 1761–1769

Gao, S., Zhao, P., Pan, B., Li, Y., Zhou, M., Xu, J., et al. (2018). A nowcasting model for the prediction of typhoon tracks based on a long short term memory neural network. Acta Oceanol. Sin. 37, 8–12. doi: 10.1007/s13131-018-1219-z.

Giffard-Roisin, S., Yang, M., Charpiat, G., Kégl, B., and Monteleoni, C. 2020: Tropical Cyclone Track Forecasting Using Fused Deep Learning From Aligned Reanalysis Data. Front. Big Data. https://doi.org/10.3389/fdata.2020.00001.

He, K., X. Zhang, S. Ren, J. Sun 2016: Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770-778

Park, M.-S.; Kim, M.; Lee, M.-I.; Im, J.; Park, S. 2016: Detection of tropical cyclone genesis via quantitative satellite ocean surface wind pattern and intensity analyses using decision trees.

Matsuoka, D., Nakano, M., Sugiyama, D. et al. 2018: Deep learning approach for detecting tropical cyclones and their precursors in the simulation by a cloud-resolving global nonhydrostatic atmospheric model. Prog Earth Planet Sci., 5, 80. https://doi.org/10.1186/s40645-018-0245-y

BÀI MỚI NHẤT

Phát triển phương tiện tự hành dưới nước AUV phục vụ hỗ trợ các tác vụ ngầm và nghiên cứu khoa học biển

Tiềm năng kinh tế biển Việt Nam Việt Nam có hơn 3.260 km bờ biển với hơn 4.000 hòn đảo, bãi đá ngầm lớn nhỏ,...

Mạng nơ-ron tăng vọt trong hệ thống Neuromorphic hiện đại (Phần 3): Phần cứng

Hệ thống phần cứng ở mức caoHệ thống phần cứng ở mức cao được chia thành các triển khai mạch tương tự, mạch số...

Mạng nơ-ron tăng vọt trong hệ thống Neuromorphic hiện đại (Phần 2)

Một trong những câu hỏi quan trọng liên quan đến tính toán neuromorphic là sử dụng mô hình mạng nơ-ron nào? Mô hình mạng nơ-ron xác định những thành phần nào tạo nên mạng, cách các thành phần đó hoạt động và tương tác. Ví dụ, các thành phần phổ biến của mô hình mạng nơ-ron là các nơ-ron và khớp thần kinh (synapse), lấy cảm hứng từ các mạng nơ-ron sinh học. Khi xác định mô hình mạng nơ-ron, người ta cũng phải xác định các mô hình cho từng thành phần (ví dụ: mô hình nơ-ron và mô hình synapse); các mô hình thành phần chi phối cách thành phần đó hoạt động.

Mạng nơ-ron tăng vọt trong hệ thống Neuromorphic hiện đại (Phần 1)

Mạng nơ-ron tăng vọt (Spiking Neural Network – SNN) được giới thiệu bởi các nhà nghiên cứu tại Đại học Heidelberg và Đại học Bern. Mạng nơ-ron tăng vọt bắt chước gần giống mạng nơ-ron tự nhiên, có khả năng xử lý thông tin theo thời gian thực và tiết kiệm năng lượng. SNN sử dụng các xung điện (spikes) để truyền thông tin giữa các nơ-ron. Thay vì truyền tín hiệu liên tục như các mạng nơ-ron truyền thống, SNN truyền các xung điện rời rạc tại các thời điểm cụ thể khi điện thế màng của nơ-ron vượt qua một ngưỡng nhất định. SNN lấy một tập hợp các xung tăng vọt làm ngõ vào và tạo ra một tập hợp các xung tăng vọt làm ngõ ra (một loạt các xung tăng vọt thường được gọi là các chuỗi xung tăng vọt). Tế bào thần kinh kích hoạt khi điện thế màng chạm ngưỡng, gửi tín hiệu đến các tế bào thần kinh lân cận, làm tăng hoặc giảm điện thế của chúng để đáp lại tín hiệu. Các thành phần quan trọng của mạng SNN là mô hình nơ-ron thần kinh, khớp thần kinh (synapse), STDP (spike-timing-dependent plasticity), v.v.

BÀI ĐỌC NHIỀU

Khái quát về mô hình dữ liệu quan hệ

Phần lớn hệ thống cơ sở dữ liệu hiện nay đều được xây dựng bằng mô hình dữ liệu quan hệ. Vậy mô hình...

Supervised Learning và Unsupervised Learning: Khác biệt là gì?

Supervised learning (Học có giám sát) và Unsupervised learning (Học không giám sát) là hai trong số những phương pháp kỹ thuật cơ bản...

Transformer Neural Network – Mô hình học máy biến đổi thế giới NLP

Năm 2017, Google công bố bài báo “Attention Is All You Need” thông tin về Transformer như tạo ra bước ngoặt mới trong lĩnh...

Khái quát về Data Pipeline

Dữ liệu là chìa khóa trong việc khám phá tri thức sâu rộng, nâng cao hiệu quả quy trình và thúc đẩy đưa ra...