Tổng quan nghiên cứu

Dự báo khí tượng thủy văn đóng vai trò then chốt trong việc quy hoạch kinh tế xã hội, phòng chống thiên tai và điều hành sản xuất nông nghiệp. Thủ đô Hà Nội mang đặc trưng của khí hậu cận nhiệt đới ẩm vùng Bắc Bộ với lượng bức xạ nhiệt dồi dào, trung bình 114 ngày mưa mỗi năm cùng sự phân hóa sâu sắc giữa hai mùa nóng và lạnh. Các biến động thời tiết cực đoan tại Hà Nội từng ghi nhận mức nhiệt độ lịch sử lên tới 42,8°C vào tháng 5 năm 1926 và chạm mức thấp kỷ lục 2,7°C vào tháng 1 năm 1955. Bên cạnh đó, các đợt mưa lớn bất thường như trận mưa lịch sử đầu tháng 11 năm 2008 đã gây ngập lụt nghiêm trọng, làm 18 người thiệt mạng và thiệt hại kinh tế ước tính hơn 3.000 tỷ đồng.

Trong bối cảnh các mô hình dự báo số trị khí quyển truyền thống như MM5, WRF hay HRM đòi hỏi năng lực tính toán khổng lồ từ các hệ thống siêu máy tính chuyên dụng, việc nghiên cứu các giải pháp tính toán mềm có khả năng tự học trở thành một hướng tiếp cận cấp thiết. Đề tài tập trung xây dựng mô hình mạng nơron nhân tạo truyền thẳng nhiều lớp để giải quyết bài toán dự báo nhiệt độ trung bình tháng tại Hà Nội. Phạm vi nghiên cứu sử dụng chuỗi dữ liệu thực nghiệm kéo dài 10 năm từ năm 2002 đến năm 2011 được thu thập từ Tổng cục Thống kê.

Ý nghĩa khoa học của công trình thể hiện ở việc chứng minh tính khả thi của mạng nơron trong việc nắm bắt các quy luật khí hậu phi tuyến tính phức tạp. Về mặt thực tiễn, mô hình đạt được sai số tuyệt đối trung bình dưới 1,4°C và sai số căn quân phương dưới 2,2°C, mở ra giải pháp dự báo khí tượng với chi phí đầu tư hạ tầng phần cứng thấp và tốc độ xử lý nhanh chóng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của đề tài được xây dựng trên nền tảng của các mô hình toán học và trí tuệ nhân tạo hiện đại:

  • Mạng nơron Perceptron nhiều lớp: Cấu trúc mạng truyền thẳng gồm một lớp vào, một hoặc nhiều lớp ẩn và một lớp ra. Mỗi nơron thực hiện tính tổng có trọng số của các đầu vào kết hợp độ lệch ngưỡng, sau đó truyền qua hàm kích hoạt phi tuyến để tạo tín hiệu đầu ra. Mạng MLP có khả năng xấp xỉ mọi hàm số liên tục với độ chính xác tùy ý.
  • Thuật toán lan truyền ngược sai số: Giải thuật học có giám sát dựa trên phương pháp giảm độ dốc của hàm giá sai số quân phương. Tín hiệu lỗi từ lớp ra được truyền ngược về các lớp trước để hiệu chỉnh từng trọng số liên kết. Quá trình này tích hợp hằng số tốc độ học và hằng số quán tính nhằm tránh rơi vào các điểm cực tiểu địa phương.
  • Các mô hình đối sánh: Thuật toán K láng giềng gần nhất dựa trên khoảng cách không gian Euclidean để ước lượng giá trị định lượng, cùng phương pháp phân tích hồi quy tuyến tính đa biến sử dụng phương pháp bình phương nhỏ nhất.
  • Khái niệm cốt lõi: Thế năng kích hoạt nơron, ma trận trọng số liên kết, hàm truyền Sigmoid đơn cực và lưỡng cực, cùng các chỉ số đánh giá sai số gồm sai số quân phương, sai số căn quân phương và sai số tuyệt đối trung bình.

Phương pháp nghiên cứu

  • Nguồn dữ liệu và Cỡ mẫu: Dữ liệu khí tượng thu thập từ Tổng cục Thống kê cho 15 tỉnh thành trong chuỗi thời gian 10 năm từ 2002 đến 2011. Cỡ mẫu nghiên cứu tại trạm Hà Nội gồm 120 bản ghi theo tháng. Dữ liệu được phân chia thành hai tập độc lập: tập huấn luyện gồm 96 mẫu giai đoạn 2002 đến 2009 (chiếm 80% tổng mẫu) và tập kiểm thử gồm 24 mẫu cho hai năm 2010 và 2011 (chiếm 20% tổng mẫu).
  • Phương pháp chọn mẫu: Lựa chọn mẫu toàn bộ theo chuỗi thời gian liên tục của các trạm quan trắc mặt đất đại diện cho khí hậu khu vực đồng bằng Bắc Bộ. Quá trình làm sạch dữ liệu xử lý các giá trị khuyết thiếu bằng thuật toán trung bình cộng lịch sử cùng kỳ tháng.
  • Lý do lựa chọn phương pháp phân tích: Mạng nơron nhân tạo được lựa chọn vì tính linh hoạt, khả năng thích ứng cao và xử lý tốt các quan hệ tương tác phi tuyến mà không yêu cầu giải hệ phương trình thủy động lực học phức tạp. Dữ liệu đầu vào gồm 3 biến: số giờ nắng (dao động 4 đến 225 giờ), độ ẩm không khí (66% đến 88%) và lượng mưa (0 đến 550,5 mm) được chuẩn hóa tuyến tính về khoảng giá trị từ 0 đến 1 trước khi đưa vào huấn luyện mạng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm thử trên dữ liệu thực tế mang lại những phát hiện then chốt sau:

  • Cấu trúc mạng tối ưu: Thực nghiệm thay đổi số nơron lớp ẩn từ 5, 10, 15, 20, 50, 100 đến 1000 nơron cho thấy cấu trúc mạng 3 lớp dạng 3-20-1 (3 đầu vào, 20 nơron ẩn, 1 đầu ra) đạt hiệu quả dự báo cao nhất. Đối với năm kiểm thử 2010, khi tăng số nơron ẩn từ 5 lên 20, sai số tuyệt đối trung bình MAE giảm mạnh từ 1,9°C xuống còn 0,9°C, tương đương mức cải thiện độ chính xác hơn 52%.
  • Hiện tượng quá khớp khi mở rộng mạng: Khi tăng số nơron lớp ẩn lên 100 và 1000 nút, mạng xuất hiện hiện tượng học vẹt và ghi nhớ cả nhiễu dữ liệu. Tại cấu trúc 1000 nơron ẩn, sai số quân phương MSE của năm 2010 tăng vọt lên 4,5 so với mức 1,2 của cấu trúc 20 nơron, đồng thời thời gian huấn luyện tăng gấp 15 lần.
  • Năng lực tổng quát hóa năm 2011: Thử nghiệm độc lập trên tập dữ liệu năm 2011 tiếp tục khẳng định tính ưu việt của cấu trúc 20 nơron ẩn với các chỉ số sai số MSE đạt 2,3, RMSE đạt 1,5°C và MAE đạt 1,2°C.
  • Hiệu năng vượt trội so với các mô hình truyền thống: Mô hình mạng nơron truyền thẳng mang lại sai số MAE thấp hơn khoảng 42% so với thuật toán K láng giềng gần nhất (MAE đạt 2,1°C) và thấp hơn 50% so với phương pháp hồi quy tuyến tính đa biến (MAE đạt 2,4°C).

Thảo luận kết quả

Mối quan hệ giữa nhiệt độ và các yếu tố bức xạ mặt trời, độ ẩm, lượng mưa mang tính phi tuyến sâu sắc. Ví dụ, trong các tháng mùa hè từ tháng 6 đến tháng 8, nền nhiệt độ luôn duy trì ở mức cao trên 34°C đi kèm lượng mưa lớn lên tới hơn 500 mm. Các phương pháp hồi quy tuyến tính không thể biểu diễn được sự đảo chiều và tính bão hòa của các yếu tố này.

Mạng nơron Perceptron nhiều lớp sử dụng hàm kích hoạt phi tuyến Sigmoid đã mô phỏng thành công các mối tương quan phức tạp mà các mô hình toán học giải tích khó biểu diễn tường minh. Khi kết hợp mô hình mạng nơron với phương pháp hồi quy để dự báo từng tham số đầu vào, mô hình lai ghép cho thấy khả năng duy trì độ ổn định cao trong dự báo dài hạn.

Các kết quả nghiên cứu được trực quan hóa thông qua bảng đối sánh sai số tổng hợp và hệ thống biểu đồ đường xu hướng 12 tháng. Đồ thị biểu diễn nhiệt độ dự báo bằng mạng nơron bám rất sát đường cong nhiệt độ thực tế đo đạc tại trạm khí tượng, từ giai đoạn nền nhiệt xuống thấp dưới 13°C trong tháng 1 cho đến đỉnh điểm nắng nóng trên 30°C trong tháng 6 và tháng 7.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, bốn nhóm giải pháp cụ thể được đề xuất nhằm nâng cao năng lực ứng dụng công nghệ thông tin trong dự báo khí tượng:

  • Nâng cấp tần suất dữ liệu và mở rộng biến đầu vào: Mở rộng việc thu thập dữ liệu quan trắc từ chu kỳ tháng sang chu kỳ ngày, đồng thời tích hợp thêm 2 tham số khí quyển quan trọng là hướng gió và áp suất không khí. Mục tiêu giảm sai số dự báo MAE xuống dưới 0,8°C, do Trung tâm Dự báo Khí tượng Thủy văn Quốc gia phối hợp triển khai trong lộ trình 18 tháng tới.
  • Tự động hóa quy trình tiền xử lý dữ liệu: Xây dựng hệ sinh thái phần mềm tự động làm sạch và chuẩn hóa dữ liệu chuỗi thời gian cho 15 trạm quan trắc trên toàn quốc (như Lai Châu, Bãi Cháy, Nam Định, Đà Nẵng, Cà Mau). Dự án dự kiến thực hiện trong vòng 12 tháng dưới sự chủ trì của Tổng cục Thống kê.
  • Ứng dụng kiến trúc mạng nơron hồi quy sâu: Nghiên cứu phát triển các mô hình mạng nơron hồi quy có bộ nhớ dài hạn kết hợp cơ chế chú ý để nắm bắt tính phụ thuộc thời gian đa chiều. Đề tài giao cho các nhóm nghiên cứu tại các trường đại học công nghệ thực hiện trong giai đoạn 2026 - 2027.
  • Xây dựng phần mềm dự báo khí tượng mã nguồn mở: Đóng gói mô hình tính toán thành công cụ phần mềm có giao diện người dùng thân thiện, hỗ trợ các nhà quản lý đô thị và doanh nghiệp nông nghiệp tra cứu trực quan xu hướng thời tiết. Kế hoạch triển khai thí điểm tại 5 đô thị trọng điểm trong giai đoạn 2026 - 2028 bởi các doanh nghiệp công nghệ.

Đối tượng nên tham khảo luận văn

Luận văn cung cấp tài liệu chuyên sâu và thực tiễn cho 4 nhóm đối tượng chính:

  • Học viên cao học và nghiên cứu sinh ngành Công nghệ Thông tin: Tiếp cận tài liệu tham khảo chuẩn mực về cách thức lập trình, cài đặt thuật toán lan truyền ngược sai số và quy trình chuẩn hóa ma trận 120 mẫu dữ liệu thực tế.
  • Chuyên gia và kỹ sư ngành Khí tượng Thủy văn: Nắm bắt giải pháp toán mềm thay thế các mô hình động lực học khí quyển cồng kềnh, phục vụ bài toán dự báo nhiệt độ và thời tiết trung hạn tại 15 tỉnh thành trọng điểm.
  • Lập trình viên và nhà phát triển hệ thống trí tuệ nhân tạo: Tham khảo kiến trúc mạng 3 lớp chuẩn hóa (3-20-1) cùng phương pháp tối ưu hóa tham số học để ứng dụng vào các bài toán phân tích chuỗi thời gian định lượng trong sản xuất công nghiệp và nông nghiệp thông minh.
  • Nhà quản lý chính sách và điều hành kinh tế đô thị: Sử dụng số liệu và quy luật phân hóa nhiệt độ 12 tháng tại Hà Nội để hoạch định kế hoạch cung ứng năng lượng, lịch thời vụ gieo cấy và các biện pháp bảo vệ sức khỏe cộng đồng trong mùa nắng nóng.

Câu hỏi thường gặp

  • Tại sao mô hình chọn 20 nơron ở lớp ẩn thay vì số lượng lớn hơn như 100 hay 1000 nơron? Kết quả kiểm thử trên chuỗi dữ liệu năm 2010 và 2011 chứng minh cấu trúc 20 nơron đạt sai số MAE thấp nhất là 0,9°C. Khi tăng quy mô lên 1000 nơron, mạng gặp hiện tượng quá khớp dữ liệu, khiến sai số MSE tăng mạnh lên 4,5 và làm thời gian tính toán kéo dài mà không cải thiện độ chính xác.

  • Thuật toán lan truyền ngược sai số khắc phục điểm cực tiểu địa phương như thế nào? Giải thuật tích hợp thêm thành phần quán tính vào công thức hiệu chỉnh trọng số cùng cơ chế điều chỉnh hằng số học thích nghi. Thành phần quán tính giúp véc-tơ cập nhật duy trì hướng di chuyển vượt qua các hố cực tiểu cục bộ trên mặt phẳng hàm giá để đạt tới cực tiểu toàn cục.

  • Tập dữ liệu đầu vào của bài toán dự báo nhiệt độ Hà Nội gồm những thông số nào? Mô hình sử dụng 3 yếu tố khí tượng đầu vào bao gồm: số giờ nắng dao động từ 4 đến 225 giờ, độ ẩm tương đối từ 66% đến 88%, và lượng mưa hàng tháng từ 0 đến 550,5 mm, được thu thập liên tục trong 10 năm từ 2002 đến 2011.

  • Mạng nơron nhân tạo có ưu thế gì so với mô hình hồi quy tuyến tính và K-NN? Khí hậu Hà Nội có tính biến thiên phi tuyến phức tạp với nền nhiệt từ 12,3°C đến trên 34°C. Nhờ hàm kích hoạt phi tuyến Sigmoid, mạng nơron nắm bắt chính xác các quy luật biến đổi phi tuyến, mang lại độ chính xác cao hơn khoảng 42% so với K-NN và 50% so với hồi quy tuyến tính.

  • Mô hình có thể mở rộng để dự báo thời tiết theo ngày cho các địa phương khác không? Mô hình hoàn toàn có khả năng mở rộng dự báo theo ngày nếu được cung cấp tập dữ liệu đầu vào chi tiết. Cấu trúc mạng nơron này có thể áp dụng hiệu quả cho 15 trạm khí tượng khác như Lai Châu, Bãi Cháy hay Cà Mau khi bổ sung thêm thông số áp suất và hướng gió.

Kết luận

  • Xây dựng hoàn chỉnh mô hình mạng nơron Perceptron nhiều lớp 3 tầng với cấu trúc tối ưu 3-20-1 phục vụ bài toán dự báo nhiệt độ khí quyển.
  • Khẳng định độ chính xác vượt trội của mô hình trên chuỗi dữ liệu thực tế 10 năm (2002 - 2011) với sai số MAE tối ưu đạt 0,9°C cho năm 2010 và 1,2°C cho năm 2011.
  • Chứng minh tính ưu việt của giải pháp mạng nơron nhân tạo so với các phương pháp truyền thống như phân tích hồi quy tuyến tính và thuật toán K láng giềng gần nhất.
  • Đóng góp quy trình làm sạch, xử lý dữ liệu khuyết thiếu và chuẩn hóa thang đo cho 120 bản ghi khí tượng chuỗi thời gian.
  • Thiết lập lộ trình mở rộng bài toán dự báo theo chu kỳ ngày và tích hợp các biến số khí quyển mới trong giai đoạn 2026 - 2028.

Luận văn khẳng định tiềm năng to lớn của việc ứng dụng các thuật toán trí tuệ nhân tạo trong hiện đại hóa công tác khí tượng thủy văn tại Việt Nam. Hãy tham khảo và ứng dụng ngay mô hình mạng nơron nhân tạo để nâng cao độ chính xác trong các bài toán phân tích dữ liệu và dự báo chuỗi thời gian của tổ chức.