Chương 1: Giới thiệu tong quan - Chương 2: Cơ sở lý thuyết - Chương 3: Phương pháp tiếp cận - Chương 4: Triển khai, kiểm tra và đánh giá - Chương 5: Tổng kết 1. Các nghiên cứu liên quan trong nước và ngoài nước Phan này tôi sẽ giới thiệu về các nghiên cứu và ứng dụng liên quan đến dé tài này ở trong và ngoài nước. Trong nước Các ban ngành vê thiên tai, thời tiét và nhiêu trường đại học hàng dau trong nước đang có nhiêu nghiên cứu về đê tài này. Các nhóm nghiên cứu đã thiệt lập các dự án và tập trung vào việc phát triển các thuật toán, mô hình học sâu dé có thé tạo ra một mô hình với độ chính xác cao nhât.
Một nghiên cứu được thực hiện tại Thành phố Hồ Chí Minh đã xây dựng và thử nghiệm hệ thống cảnh báo lũ lụt dựa trên AI đầu tiên của thành phố. Nghiên cứu này đã sử dụng các phương pháp và phương pháp khác nhau đề ước tính giá trị và tính khả thi của nghiên cứu. Nghiên cứu đã phát triển hệ thống cảnh báo và dự đoán lượng mưa dựa trên sự tích hợp dữ liệu và trí tuệ nhân tao dé dự đoán mưa nhẹ từ đữ liệu radar thời tiết. Trí tuệ nhân tạo đã được thử nghiệm dé hỗ trợ dự báo mực nước sinh hoạt và lũ lụt trong và xung quanh Thành phố Hồ Chí Minh với độ chính xác được cải thiện dựa trên các công cụ AI.
Ngoài nước - Các nước phát trién như Hoa Kỳ, Anh, An Độ và châu Âu đang tiên hành nhiêu nghiên cứu tiên tiên vê việc sử dụng Machine Learning đê dự đoán lượng mưa. Các trường đại học và tô chức nghiên cứu hàng đâu đã công bô nhiêu nghiên cứu quan trọng về đê tài này. - Ứng dụng đa dạng: Ở các nước phát triển, Machine Learning được ứng dụng rộng rãi trong dự báo thời tiết và lượng mưa. Tại Đại học Cambridge, các nhà nghiên cứu đã sử dụng các mô hình học máy như Hồi quy vector hỗ trợ (Support Vector Regression - SVR) và K-Nearest Neighbors (KNN) dé dự đoán lượng mưa.2 - Các hội nghị và sự kiện: Các hội nghị va sự kiện quốc tế về Machine Learning và dự báo thời tiết thường đề cập đến việc sử dụng các mô hình học sâu và học máy trong dự báo lượng mưa.
Đây là nơi các nhà nghiên cứu và chuyên gia có cơ hội chia sẻ kiến thức và kinh nghiệm. Các sự kiện và hội nghị quốc tế lớn liên quan về dự báo thời tiết va Machine Learning có thể kê đến như International Conference on Machine Learning (ICML), Neural Information Processing Systems (NeurIPS) va American Meteorological Society (AMS) Annual Meeting,. ! “Nghiên cứu, xây dung và triển khai thử nghiệm hệ thống cảnh báo sớm ngập lụt đô thị dựa trên nền tang trí tuệ nhân tạo tại thành phó Hồ Chí Minh”, Tạp chí Khí tượng Thủy văn 2023, 747, 81-97 ? Rahman, Atta-ur, et al. "Rainfall predicion system using machine learning fusion for smart cities.
- Ung dụng trong nông nghiệp và quan lý tài nguyên: Ứng dung Machine Learning trong dự báo lượng mưa mang lại tiềm năng lớn trong nông nghiệp và quản lý tài nguyên nước. Ở Án Độ, Viện Công nghệ An Độ đã sử dung các mô hình học máy như Gradient Boosting và XGBoost dé dự đoán lượng mưa. Các nghiên cứu này giúp cải thiện quản lý nguồn nước và kế hoạch canh tác, đặc biệt trong điều kiện khí hậu thay đồi. - Ngoài ra, các nghiên cứu nay còn được ứng dụng trong giao thông và phòng chống thiên tai: Trung tâm Khí tượng Châu Âu (ECMWE) đã sử dụng các mô hình học sâu như Convolutional Neural Networks (CNNs) dé dự đoán lượng mưa từ dữ liệu vệ tinh.
Nghiên cứu nay tập trung vào việc sử dung dữ liệu vệ tinh và các mô hình dự báo thời tiết toàn cầu dé cải thiện khả năng dự báo, giúp hỗ trợ các hoạt động phòng chống thiên tai và quản lý giao thông.* Các nghiên cứu này đã chứng minh rằng việc sử dụng các mô hình Machine Learning và Deep Learning có thé cải thiện đáng ké độ chính xác của dự báo lượng mưa. Các nghiên cứu trong nước tập trung vào việc áp dụng và tối ưu hóa các mô hình máy học cho các điều kiện khí hậu và địa lý cụ thê của Việt Nam. Trong khi đó, các nghiên cứu ngoài nước thường sử dụng dữ liệu từ nhiều nguồn và áp dụng các mô hình học sâu tiên tiến để đạt được độ chính xác cao hơn. Việc kết hợp các kết quả nghiên cứu này có thé cung cấp nền tảng vững chắc cho các ứng dụng thực tiễn và phát triển các hệ thống dự báo lượng mưa hiệu quả.
"A Satellite-Based Rainfall Prediction Model Using Convolution Neural Networks." /nternational Conference on Frontiers of Intelligent Computing: Theory and Applications. Singapore: Springer Nature Singapore, 2023. 4Miao, Qinghua, et al. "Improving monsoon precipitation prediction using combined convolutional and long short term memory neural network.
Chương 2: CƠ SỞ LÝ THUYÉT 2. Giới thiệu về Machine Learning Machine learning (ML) là một nhánh cua trí tuệ nhân tạo (AI), một lĩnh vực nghiên cứu cho phép máy tính tự cải thiện dựa trên dữ liệu quan sát (Dữ liệu dao tạo) hoặc kinh nghiệm (được học). Học máy có thể dự đoán hoặc đưa ra quyết định mà không cần lập trình riêng biệt. Các vấn đề về học máy thường được chia thành hai loại: dự đoán (Prediction) và phân loại (Classification).
Các bài toán dự đoán như dự đoán giá nhà, giao thông. Các bài toán phân loại như nhận diện khuôn mặt, nhận dạng con vật. Chu trình vận hành hệ thống Machine Learning như sau: - Data Collection - thu thập dữ liệu: dé máy tính có thể học được thì cần phải có một bộ dữ liệu. Có thể tự thu thập hoặc sử dụng những dữ liệu đã được công bố trước đó, và cần phải được thu thập từ nhiều nguồn khác nhau đề dữ liệu được chính xác và máy có thê học tôt hơn và đạt hiệu suât cao hơn.
- Preprocessing - tiền xử lý: phương pháp này được sử dụng dé sắp xếp dữ liệu, loại bỏ các phần tử không cần thiết, gắn nhãn dữ liệu, mã hóa một số tính năng, trích xuất tính năng, giảm bớt dữ liệu mà vẫn mang lại kết quả khả quan. Các bước xử lý dữ liệu thường chiếm tới 70% tổng thời gian thực hiện. - Model Training - huấn luyện mô hình: ở phương pháp này bạn huấn luyện mô hình hoặc cho nó học các dữ liệu đã thu thập và xử lý ở 2 bước trước. - Evaluating - đánh giá: sau khi huấn luyện mô hình, dùng các độ đo dé đánh giá mô hình.
Dựa vào giá trị của độ đo mà mô hình cũng được đánh giá tốt hay không. - Improve - cải thiện: sau khi phân tích mô hình, các mô hình cho kết quả xấu từ bước 3 sẽ được đảo tạo lại cho đến khi đạt được độ chính xác mong đợi. Tổng thời gian của 3 bước cuôi cùng chiêm khoảng 30% thời gian của toàn bộ quá trình. Nhìn chung, machine learning được chia làm 2 loại chính: - Supervised Learning (học tập có giám sát): cho phép máy tính hoc từ dữ liệu được dán nhãn, hay nói cách khác là nhập X thì sẽ có ký hiệu tương ứng là Y.
Giới thiệu về Deep Learning Deep learning, một nhánh của machine learning (ML), được sử dung dé day máy tính xử ly dữ liệu theo cách được lay cảm hứng từ bộ não con người. Mô hình học sâu có thể nhận diện nhiều hình mẫu phức tạp trong hình ảnh, văn bản, âm thanh và các dữ liệu khác đê tạo ra thông tin chuyên sâu và dự đoán chính xác. Dựa trên kiên trúc của mạng nơron nhân tạo (Artificial Neural Networks - ANNs). ANNs sử dụng các node (nút mạng) được két nôi với nhau gọi là noron, cùng nhau hoạt động đê xử lý và học hỏi từ dữ liệu đâu vào.
Nó thường hoạt động theo cách thức như sau: - Mang nơ-ron càng có nhiều lớp thì mạng sẽ càng "sâu". Mỗi lớp có các nút và chúng được kết nôi với các lớp khác theo sau chúng. - Mi liên kết giữa các nút sẽ có "trọng số" tương ứng, trọng số càng cao thì tác dụng của liên kêt này trong mạng nơ-ron càng lớn. - Mi nơ-ron có một chức năng kích hoạt cơ bản cho việc điều chỉnh dau ra của nơ-ron đó.
- Dé liệu được người dùng đưa vào mạng nơ-ron di qua tat cả các lớp và trả về kêt quả tại lớp cuôi cùng, được gọi là lớp đâu ra. - Trong quá trình huân luyện, các trọng sô sẽ được thay đôi, nhiệm vụ của mô hình là tìm giá trị trọng số phù hợp đề có phương án tốt nhất. Field of Artificial intelligence Field of Hinh 2. Pham vi cua Deep Learning 2.
Sự khác nhau giữa Machine Learning và Deep Learning Yêu tô Machine Learning Deep Learning Dinh nghia Machine Learning 14 phuong Deep Learning là phương pháp pháp các máy học tự động học nghiên cứu sử dụng những hỏi, cải thiện kinh nghiệm mà mạng thần kinh nhân tạo tương không cần có một lập trình rõ tự như não người dé bắt chước ràng. COn người. Môi quan hệ Machine Learning là một phần Deep Learnng là một thành của AI. phân của Machine Learning.
Mục đích Giải quyết những van đề thông Bat chước cách xử lý của bộ não qua việc máy học học tập dựa con người, xử lý dữ liệu và tạo trên dữ liệu. ra các mau đưa ra quyét định. Ứng dụng Ô tô thông minh, cảnh báo Phân tích hình ảnh, phụ đề tự giao thông, --- động, chatbots,- -- 2. Mạng Neuron tích chập Convolutional Neural Network (CNNs — Mạng nơ-ron tích chap) là một trong những mô hình Deep Learning tiên tiến có thể được áp dụng cho những hệ thống thông minh với độ chính xác cao.
Mô hình CNN thường được ứng dụng trong việc nhận dạng và phân loại hình ảnh. Trong đó, xác định đối tượng và nhận dạng khuôn mặt là | trong số những lĩnh vực mà CNN được sử dụng rộng rãi. Về kỹ thuật, mô hình CNN khi training, mỗi hình ảnh đầu vào sẽ chuyên nó qua một loạt các lớp tích chập với các bộ lọc (Kernals), tổng hợp lại các lớp được kết nối đầy đủ (Full Connected) và áp dụng hàm Softmax đề phân loại đối tượng có giá trị xác suất giữa 0 và 1. Hình dưới đây là toàn bộ luồng CNN dé xử lý hình ảnh đầu vào và phân loại các đôi tượng dựa trên giá trỊ: 10 — CAR — TRUCK — VAN — BICYCLE FULLY SOFTMAX Hinh 3.
CNN Workflow Lớp tích chập (Convolution): là lớp đầu tiên dé trích xuất các tinh năng từ hình ảnh đầu vào.