Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp chuyên ngành Kỹ thuật Dữ liệu với đề tài "Dự báo dữ liệu thời tiết bằng mô hình Vector Autoregressive Neural Network (VARNN)" được thực hiện bởi sinh viên Trương Hoài Kha và Nguyễn Văn Hồng Phúc dưới sự hướng dẫn của TS. Nguyễn Thành Sơn tại Khoa Công nghệ Thông tin, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (thời gian thực hiện từ ngày 06/01/2025 đến ngày 11/05/2025).

Bối cảnh thực tiễn của nghiên cứu xuất phát từ tình trạng biến đổi khí hậu và tần suất các hiện tượng thời tiết cực đoan (như bão, lũ lụt, hạn hán) ngày càng gia tăng trên toàn cầu. Các yếu tố khí tượng có tác động trực tiếp và sâu rộng đến nhiều lĩnh vực kinh tế - xã hội quan trọng như nông nghiệp, năng lượng, giao thông vận tải và đời sống con người. Do đó, việc nâng cao độ chính xác của dự báo thời tiết đóng vai trò trọng yếu trong việc cảnh báo sớm thiên tai, giảm thiểu thiệt hại về người và của, đồng thời hỗ trợ tối ưu hóa quyết định chiến lược cho các ngành sản xuất.

Về mặt kỹ thuật, dữ liệu thời tiết là chuỗi thời gian đa biến mang tính phức tạp cao với sự tương tác động giữa nhiều yếu tố khí tượng (nhiệt độ, độ ẩm, áp suất không khí, tốc độ gió). Các phương pháp thống kê cổ điển như hồi quy tuyến tính hoặc mô hình Vector Autoregression (VAR) tuy giải quyết được mối quan hệ chuỗi thời gian giữa các biến nhưng lại bộc lộ hạn chế lớn khi dữ liệu chứa các mối liên hệ phi tuyến. Ngược lại, các mô hình học sâu đơn thuần đòi hỏi tài nguyên tính toán lớn. Do đó, việc nghiên cứu kiến trúc tích hợp Vector Autoregressive Neural Network (VARNN) và biến thể VAR-NN_Hybrid kết hợp khả năng mô hình hóa quan hệ trễ của VAR với sức mạnh học biểu diễn phi tuyến của mạng nơ-ron nhân tạo (Feed-Forward Neural Network - FFNN) là vấn đề nghiên cứu then chốt của đề tài.

Mục tiêu nghiên cứu tổng quát:

  • Dự báo dữ liệu thời tiết bằng mô hình Vector Autoregressive Neural Network (VARNN).

Nhiệm vụ nghiên cứu cụ thể (theo đề cương luận văn được giao):

  1. Nghiên cứu lý thuyết về chuỗi thời gian và bài toán dự báo chuỗi thời gian.
  2. Nghiên cứu về dự báo thời tiết và các yếu tố khí tượng ảnh hưởng đến quá trình dự báo.
  3. Tìm hiểu tổng quan về các công trình nghiên cứu liên quan và các phương pháp dự báo thời tiết truyền thống lẫn hiện đại.
  4. Tìm hiểu cơ chế toán học của mô hình Vector Autoregressive (VAR), mạng nơ-ron truyền thẳng (FFNN) và mô hình tích hợp Vector Autoregressive Neural Network (VARNN).
  5. Xây dựng và cài đặt các mô hình dự báo: VAR, FFNN, VARNN và VAR-NN_Hybrid.
  6. Thiết kế thực nghiệm, đánh giá và so sánh hiệu năng giữa các mô hình VAR, VARNN, VAR-NN_Hybrid trên các bộ dữ liệu khí tượng.
  7. Viết và hoàn thiện báo cáo khóa luận tốt nghiệp.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Dữ liệu chuỗi thời gian thời tiết đa biến; các mô hình toán học và học máy gồm VAR, FFNN, VARNN và VAR-NN_Hybrid.
  • Phạm vi nghiên cứu: Tập trung vào quy trình thu thập, tiền xử lý dữ liệu khí tượng và triển khai thực nghiệm mô hình hóa dự báo trên 4 bộ dữ liệu chuỗi thời gian thời tiết gồm Abbigeri, Basel, Bangladesh và London.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết trên sự kết hợp giữa lý thuyết chuỗi thời gian toán học thống kê và kỹ thuật mạng nơ-ron nhân tạo:

  1. Lý thuyết chuỗi thời gian:
  • Cấu trúc phân rã chuỗi thời gian gồm 4 thành phần: xu hướng (Trend), mùa vụ (Seasonality), chu kỳ (Cycle) và thành phần bất thường/nhiễu trắng (Irregular Remainder).
  • Khái niệm tính dừng: Phân biệt giữa tính dừng nghiêm ngặt (Strict Stationarity - phân phối xác suất đồng thời không thay đổi theo thời gian) và tính dừng yếu (Weak Stationarity - kỳ vọng và phương sai không đổi theo thời gian, hiệp phương sai chỉ phụ thuộc vào độ trễ).
  • Kiểm định tính dừng: Sử dụng kiểm định Augmented Dickey–Fuller (ADF) dựa trên giá trị p-value so với mức ý nghĩa 0,05 để phát hiện nghiệm đơn vị.
  • Các kỹ thuật chuyển đổi chuỗi không dừng về dừng: Khử xu hướng (Detrending), lấy sai phân (Differencing bậc 1 hoặc sai phân mùa vụ), điều chỉnh mùa vụ (phân rã STL) và biến đổi ổn định phương sai (Logarithm, Box-Cox).
  • Kỹ thuật chuẩn hóa dữ liệu: Phương pháp chuẩn hóa Z-score (đưa trung bình về 0, độ lệch chuẩn về 1) và Min-Max scaling (chuyển đổi miền giá trị về khoảng [0, 1]).
  1. Khung mô hình toán học và thuật toán:
  • Mô hình Vector Autoregression (VAR): Mô hình hóa đồng thời vector biến khí tượng $Y_t$ dựa trên các ma trận hệ số của $p$ bậc trễ và vector nhiễu trắng $\epsilon_t$ (nhiễu có kỳ vọng bằng 0, hiệp phương sai không đổi và không có tự tương quan). Xác định bậc trễ tối ưu thông qua tiêu chuẩn thông tin Akaike Information Criterion (AIC): $$AIC = 2k - 2\ln(L)$$ trong đó $k$ là số tham số và $L$ là hàm hợp lý cực đại.
  • Mô hình Feed-Forward Neural Network (FFNN): Cấu trúc mạng truyền thẳng gồm lớp đầu vào tiếp nhận các quan sát trễ, các lớp ẩn áp dụng hàm kích hoạt phi tuyến (như Sigmoid, ReLU) và lớp đầu ra ước lượng giá trị khí tượng tương lai.
  • Kiến trúc tích hợp VARNN và VAR-NN_Hybrid: Tích hợp đầu vào trễ của cấu trúc VAR đa biến vào các tầng mạng nơ-ron để ánh xạ đồng thời các tương quan động học tuyến tính và tương tác phi tuyến giữa các biến thời tiết.
  • Các mô hình tham chiếu được tổng thuật: Mô hình AR, ARIMA, ARIMAX, Vector Error Correction Model (VECM), cùng các mạng nơ-ron hồi tiếp chuyên sâu như Long Short-Term Memory (LSTM) và Gated Recurrent Units (GRU).
  1. Phương pháp nghiên cứu thực nghiệm:
  • Thu thập và chuẩn hóa dữ liệu chuỗi thời gian thực tế.
  • Khảo sát các tham số ảnh hưởng: Độ trễ tối ưu, thuật toán tối ưu hóa (Optimizer), hàm kích hoạt (Activation function).
  • Đánh giá hiệu năng dự báo thông qua các thước đo sai số định lượng: Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Coefficient of Variation of RMSE (CV(RMSE)) và thời gian thực thi (Execution Time).
  1. Nguồn dữ liệu: Nghiên cứu sử dụng 4 tập dữ liệu chuỗi thời gian khí tượng thực nghiệm đa biến gồm:
  • Tập dữ liệu thời tiết Abbigeri
  • Tập dữ liệu thời tiết Basel
  • Tập dữ liệu thời tiết Bangladesh
  • Tập dữ liệu thời tiết London

Nội dung chính theo từng chương

Chương 1: Tổng quan về chuỗi thời gian

Chương 1 xây dựng các định nghĩa nền tảng về chuỗi thời gian đơn biến và đa biến. Nội dung đi sâu vào việc phân rã chuỗi thời gian thành các thành phần cấu trúc (xu hướng, tính mùa vụ, tính chu kỳ và phần dư bất thường). Tác giả trình bày chi tiết toán học về tính dừng, kiểm định nghiệm đơn vị ADF, các phương pháp sai phân và biến đổi dữ liệu, cũng như hai giải pháp chuẩn hóa phổ biến là Z-score và Min-Max. Trong bài toán dự báo đa biến, chương này phân loại và tổng quan các phương pháp truyền thống (VAR, ARIMA, ARIMAX, VECM) và các kiến trúc học sâu (LSTM, GRU với cấu chế cổng cập nhật, cổng xóa, cổng ra). Cuối cùng, chương xác lập công thức toán học cho các chỉ số đánh giá sai số gồm MAE, MSE, RMSE và MAPE.

Chương 2: Tổng quan về dự báo thời tiết

Chương 2 khái quát lịch sử phát triển của ngành khí tượng học từ thời kỳ quan sát tự nhiên cổ đại, giai đoạn thiết bị đo thế kỷ 19, kỷ nguyên mô hình số trị (NWP) thế kỷ 20, đến các ứng dụng trí tuệ nhân tạo đương đại. Tác giả phân tích ưu - nhược điểm của các phương pháp dự báo truyền thống (thống kê, phương pháp quan sát Synop) so với các mô hình dự báo số trị toàn cầu (GFS của NCEP, ECMWF, WRF) và các mô hình học máy/học sâu (LSTM, CNN, GAN). Chương này chỉ ra 4 thách thức kỹ thuật lớn trong khí tượng: Độ chính xác dài hạn, xử lý dữ liệu lớn, tối ưu hóa siêu tham số mô hình và nhu cầu tài nguyên tính toán. Phần tổng quan công trình liên quan phân tích 4 nghiên cứu tiêu biểu làm cơ sở đề tài: nghiên cứu mô hình VAR cho thời tiết Lebanon của Wissam Abdallah et al. (2020); nghiên cứu mạng FFNN dự báo cường độ bão của Kirkwood A. Rozoff et al. (2019); mô hình lai ANN-ARIMA dự báo mưa tại Cuba của Albenis Pérez-Alarcón et al. (2022); và nghiên cứu VAR-NN(3,2,4) dự báo mưa và sóng tại Indonesia của Sugito et al. (2019).

Chương 3: Tổng quan về các mô hình dự báo chuỗi thời gian đa biến

Chương 3 tập trung phân tích cấu trúc toán học của các mô hình thành phần. Đối với mô hình Autoregressive (AR), văn bản trình bày công thức AR(p) cùng hai phương pháp ước lượng tham số chính là bình phương tối thiểu (OLS) và ước lượng cực đại hợp lý (MLE). Đối với mô hình Vector Autoregression (VAR), chương này làm rõ hệ phương trình ma trận biểu diễn các biến phụ thuộc đồng thời, phân tích các tính chất thống kê của vector nhiễu trắng (kỳ vọng bằng 0, phương sai hữu hạn không đổi, không có tự tương quan) và quy trình xác định độ trễ tối ưu thông qua tiêu chí AIC. Phần cuối chương dành cho mô hình Feed-Forward Neural Network (FFNN), trình bày kiến trúc nơ-ron, hàm truyền phi tuyến, cấu trúc mạng 3 lớp và cơ chế tiếp nhận vector quan sát trễ để giải quyết bài toán dự báo khí tượng.

Chương 4: Mô hình Vector Autoregressive Neural Network (VARNN)

Chương 4 thuyết minh về nguyên lý hoạt động và kiến trúc tích hợp của mô hình VARNN và mô hình lai VAR-NN_Hybrid. Mô hình giải quyết bài toán kết hợp bằng cách đưa các biến trễ từ cấu trúc VAR vào tầng đầu vào của mạng nơ-ron, cấu hình số nơ-ron lớp ẩn và lớp đầu ra tương ứng với số biến mục tiêu. Chương này thiết lập tiêu chí đánh giá mô hình và định nghĩa cơ chế phối hợp trong biến thể lai VAR-NN_Hybrid nhằm tối ưu hóa việc phân tách thành phần tuyến tính và phi tuyến của chuỗi dữ liệu thời tiết.

Chương 5: Cài đặt các mô hình

Chương 5 trình bày toàn bộ quy trình kỹ thuật lập trình và cài đặt hệ thống. Nội dung bao gồm các bước: Đọc dữ liệu thô; tiền xử lý dữ liệu (làm sạch dữ liệu khuyết, chuẩn hóa dữ liệu); thiết lập cấu trúc mã nguồn cho mô hình VARNN và mô hình lai VAR-NN_Hybrid; xây dựng quy trình kiểm thử và đánh giá độ chính xác thông qua các hàm tính toán sai số; đồng thời đo đạc và ghi nhận thời gian thực thi của từng mô hình trên hệ thống tính toán.

Chương 6: Thực nghiệm đánh giá kết quả

Chương 6 là phần cốt lõi của khóa luận, mô tả thiết lập môi trường tính toán và kiểm thử trên 4 tập dữ liệu thời tiết (Abbigeri, Basel, Bangladesh, London). Tác giả thiết kế 5 kịch bản thực nghiệm độc lập:

  1. Thực nghiệm tìm độ trễ tốt nhất cho mô hình dựa trên tiêu chí tối ưu sai số và AIC.
  2. Thực nghiệm khảo sát ảnh hưởng của các thuật toán tối ưu hóa (Optimizer) đối với giá trị sai số MSE của mô hình VAR-NN_Hybrid trên từng tập dữ liệu và tính trung bình.
  3. Thực nghiệm đánh giá ảnh hưởng của các hàm kích hoạt (Activation functions) đến kết quả sai số dự báo trên 4 tập dữ liệu.
  4. Thực nghiệm phân tích biến thiên sai số theo các bậc độ trễ khác nhau.
  5. Thực nghiệm đối sánh tổng thể giữa mô hình VAR, VARNN và VAR-NN_Hybrid trên từng tập dữ liệu và tính toán bảng thông số trung bình chung. Kết quả toàn bộ chương được lượng hóa thông qua 25 bảng số liệu chi tiết và 8 đồ thị biểu diễn biến thiên sai số.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu đề ra thông qua việc thiết lập quy trình tính toán hoàn chỉnh, so sánh có hệ thống giữa các phương pháp tiếp cận và lượng hóa hiệu năng trên 4 bộ dữ liệu thực tế.

Bảng tổng hợp các công trình liên quan được tác giả khảo sát làm cơ sở đối chuẩn:

Tác giả & Năm Mô hình nghiên cứu Đối tượng / Địa bàn dự báo Kết quả đạt được ghi nhận trong văn bản
Wissam Abdallah et al. (2020) VAR tuyến tính (so sánh với ARPEGE, SARIMA) Nhiệt độ tối thiểu, độ ẩm tối đa, lượng mưa tại Lebanon Độ chính xác trung bình đạt 96,67%, vượt trội hơn mô hình vật lý ARPEGE và SARIMA
Kirkwood A. Rozoff et al. (2019) FFNN dựa trên Model Output Statistics Cường độ bão (vận tốc gió 10m) trên dữ liệu mô phỏng HWRF Số lần phát hiện hiện tượng tăng cường nhanh (RI) cao gấp 4 lần mô hình HWFI; cải thiện Brier Skill Score
Albenis Pérez-Alarcón et al. (2022) Mô hình lai ANN + ARIMA (ARNN) Lượng mưa tháng tại lưu vực Almendares-Vento, Cuba Mô hình lai ANN+ARIMA đạt hiệu suất vượt trội so với từng mô hình riêng lẻ xét theo MAE, chỉ số Nash–Sutcliffe
Sugito, Mustafid, D. Yasin (2019) VAR-NN cấu hình (3,2,4) Lượng mưa và độ cao sóng tại thành phố Semarang, Indonesia Huấn luyện bằng Backpropagation (tỷ lệ 90/10), đạt sai số bình phương trung bình MSE = 12,325

Hệ thống kịch bản thực nghiệm được thiết kế và thực thi trong khóa luận:

Nhóm thực nghiệm Nội dung khảo sát Bộ dữ liệu áp dụng Thước đo và bảng kết quả tương ứng
1. Xác định độ trễ Tìm độ trễ tốt nhất cho mô hình Abbigeri, Basel, Bangladesh, London Bảng 6.1 (Các tập dữ liệu với độ trễ tốt nhất)
2. Thuật toán tối ưu Đánh giá sai số MSE theo các thuật toán tối ưu Abbigeri, Basel, Bangladesh, London Bảng 6.2 - 6.6; Bảng 6.7 (Trung bình 4 tập dữ liệu)
3. Hàm kích hoạt Đánh giá sai số MSE theo các hàm kích hoạt Abbigeri, Basel, Bangladesh, London Bảng 6.8 - 6.12; Bảng 6.13 (Trung bình 4 tập dữ liệu)
4. Khảo sát độ trễ Đánh giá ảnh hưởng của các bậc độ trễ đến sai số Abbigeri, Basel, Bangladesh, London Bảng 6.14 - 6.18; Bảng 6.19 (Trung bình 4 tập dữ liệu)
5. So sánh mô hình Đánh giá hiệu năng giữa VAR, VARNN, VAR-NN_Hybrid Abbigeri, Basel, Bangladesh, London Bảng 6.20 - 6.24; Bảng 6.25 (Trung bình 4 tập dữ liệu)

Đóng góp của khóa luận:

  • Về mặt lý thuyết: Hệ thống hóa cơ sở khoa học của việc tích hợp mô hình thống kê đa biến (VAR) và mạng nơ-ron truyền thẳng (FFNN), phân tích rõ cơ chế vector nhiễu trắng, tiêu chuẩn độ trễ AIC và tính dừng trong xử lý dữ liệu thời tiết.
  • Về mặt thực nghiệm: Triển khai cài đặt thành công 4 mô hình (VAR, FFNN, VARNN, VAR-NN_Hybrid); cung cấp bức tranh đối chiếu đa diện về ảnh hưởng của độ trễ, hàm kích hoạt và thuật toán tối ưu trên 4 tập dữ liệu khí tượng độc lập, chứng minh tính khả thi của mô hình lai trong xử lý dữ liệu chuỗi thời gian đa biến phức tạp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

  • Phạm vi dữ liệu thực nghiệm giới hạn trong 4 bộ dữ liệu quan trắc cụ thể (Abbigeri, Basel, Bangladesh, London), chưa bao quát toàn bộ các vùng vi khí hậu phức tạp khác.
  • Mô hình VARNN và VAR-NN_Hybrid làm gia tăng số lượng trọng số và tham số cần ước lượng khi số lượng biến và bậc trễ tăng cao, đòi hỏi chi phí tính toán lớn hơn mô hình VAR truyền thống.
  • Hiệu quả của mô hình phụ thuộc chặt chẽ vào tính dừng và chất lượng tiền xử lý của dữ liệu đầu vào.

Hướng phát triển tiếp theo được đề xuất trong luận văn:

  • Mở rộng thử nghiệm trên các tập dữ liệu khí hậu có quy mô thời gian dài hơn và đa dạng địa hình hơn.
  • Nghiên cứu kết hợp các thuật toán tối ưu hóa tiến hóa (meta-heuristics) để tự động hóa việc tìm kiếm siêu tham số cho mạng nơ-ron.
  • Phát triển mô hình lai kết hợp giữa VAR với các kiến trúc học sâu tiên tiến hơn như LSTM, GRU hoặc Transformer nhằm nâng cao độ chính xác dự báo dài hạn.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho:

  • Sinh viên và học viên cao học thuộc các chuyên ngành Kỹ thuật Dữ liệu, Khoa học Dữ liệu, Công nghệ Thông tin đang thực hiện đề tài về phân tích chuỗi thời gian đa biến (Multivariate Time Series Forecasting).
  • Người nghiên cứu bài toán dự báo trong các lĩnh vực khí tượng, nông nghiệp, kinh tế lượng cần tham khảo mô hình lai giữa kinh tế lượng truyền thống và học máy.

Các phần nội dung có giá trị tham khảo chuyên môn cao:

  • Khung toán học và quy trình kiểm định tính dừng (kiểm định ADF, lấy sai phân, chuẩn hóa Z-score/Min-Max) tại Chương 1.
  • Tổng quan các mô hình dự báo số trị khí tượng (NWP: GFS, ECMWF, WRF) và các công trình kết hợp VAR-NN tại Chương 2.
  • Phương pháp luận xây dựng kịch bản thực nghiệm đối sánh tham số đa chiều (độ trễ, thuật toán tối ưu, hàm kích hoạt) tại Chương 6.

Câu hỏi thường gặp

1. Khóa luận sử dụng những bộ dữ liệu khí tượng nào để tiến hành thực nghiệm?
Nghiên cứu sử dụng 4 bộ dữ liệu chuỗi thời gian thời tiết đa biến tại các khu vực: Abbigeri, Basel, Bangladesh và London để thực hiện các kịch bản đo đạc sai số và đánh giá mô hình.

2. Tiêu chuẩn nào được sử dụng để lựa chọn độ trễ tối ưu cho mô hình VAR trong nghiên cứu?
Nghiên cứu sử dụng tiêu chuẩn thông tin Akaike (Akaike Information Criterion - AIC) với công thức $AIC = 2k - 2\ln(L)$ để cân bằng giữa độ chính xác giải thích dữ liệu và độ phức tạp của mô hình, nhằm tránh hiện tượng quá khớp (overfitting).

3. Nghiên cứu thực nghiệm khảo sát những yếu tố tham số nào ảnh hưởng đến mô hình VAR-NN_Hybrid?
Tác giả đã thiết kế 3 thực nghiệm tham số riêng biệt trên cả 4 bộ dữ liệu để khảo sát: (1) Ảnh hưởng của các thuật toán tối ưu hóa (Optimizer), (2) Ảnh hưởng của các hàm kích hoạt (Activation functions), và (3) Biến thiên sai số theo các bậc độ trễ khác nhau.

4. Khóa luận sử dụng các tiêu chí định lượng nào để so sánh hiệu năng giữa các mô hình?
Các mô hình được đánh giá thông qua các chỉ số đo lường sai số dự báo gồm: Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Coefficient of Variation of RMSE (CV(RMSE)), cùng với chỉ tiêu thời gian thực thi (Execution Time).

5. Mô hình VAR-NN trong nghiên cứu của Sugito et al. (2019) được khóa luận dẫn chứng có cấu hình và kết quả ra sao?
Nghiên cứu của Sugito et al. (2019) ứng dụng cấu hình VAR-NN(3,2,4) — tương ứng với độ trễ 3, 2 biến đầu ra (lượng mưa và độ cao sóng tại thành phố Semarang, Indonesia) và 4 nơ-ron lớp ẩn, sử dụng thuật toán lan truyền ngược (Backpropagation) với tỷ lệ phân chia 90% huấn luyện và 10% kiểm tra, đạt sai số MSE bằng 12,325.

Kết luận

Khóa luận tốt nghiệp của sinh viên Trương Hoài Kha và Nguyễn Văn Hồng Phúc đã giải quyết trọn vẹn bài toán dự báo dữ liệu thời tiết đa biến thông qua việc nghiên cứu, cài đặt và thực nghiệm các mô hình VAR, FFNN, VARNN và mô hình lai VAR-NN_Hybrid. Công trình xây dựng cơ sở lý thuyết vững chắc về chuỗi thời gian, kiểm định tính dừng và cơ chế ước lượng trễ AIC kết hợp mạng nơ-ron phi tuyến. Hệ thống thực nghiệm công phu trên 4 tập dữ liệu khí tượng (Abbigeri, Basel, Bangladesh, London) qua 25 bảng kết quả đã cung cấp luận cứ thực nghiệm rõ ràng về ảnh hưởng của độ trễ, hàm kích hoạt và thuật toán tối ưu hóa đối với chất lượng dự báo thời tiết.