Tổng quan nghiên cứu

Mực nước biển trung bình toàn cầu đã tăng khoảng 21-24 cm kể từ năm 1880, với mức tăng 9,13 cm chỉ trong giai đoạn 1993-2020, theo dữ liệu từ tổ chức Our World In Data (OWID). Hiện tượng nước biển dâng cao là hệ quả trực tiếp của biến đổi khí hậu, gây ra bởi sự tan chảy của các sông băng và sự giãn nở nhiệt của nước biển khi nhiệt độ đại dương tăng lên. Tại Việt Nam, với bờ biển dài và đồng bằng sông Cửu Long rộng lớn, nước biển dâng cao đe dọa nghiêm trọng đến diện tích đất canh tác, hệ sinh thái ven biển và đời sống người dân. Dự báo chính xác mực nước biển trong tương lai là yêu cầu cấp thiết để xây dựng các kế hoạch phòng ngừa và ứng phó hiệu quả.

Luận văn tập trung xây dựng hệ thống dự báo mực nước biển trung bình dựa trên mô hình mạng nơ-ron Long Short Term Memory (LSTM), một kỹ thuật học sâu chuyên xử lý dữ liệu chuỗi thời gian. Dữ liệu nghiên cứu sử dụng là bộ số liệu mực nước biển trung bình được đo định kỳ hàng quý từ năm 1880 đến 2020, do OWID tổng hợp từ các trạm đo thủy triều và vệ tinh. Mục tiêu cụ thể là phát triển hệ thống dự báo với độ chính xác cao, hỗ trợ trực quan và có khả năng dự báo dài hạn, góp phần nâng cao hiệu quả quản lý tài nguyên và giảm thiểu tác động của nước biển dâng.

Phạm vi nghiên cứu tập trung vào dữ liệu toàn cầu nhưng có ứng dụng thực tiễn tại Việt Nam, đặc biệt là khu vực đồng bằng sông Cửu Long. Ý nghĩa nghiên cứu được thể hiện qua việc cung cấp công cụ dự báo tin cậy, giúp các nhà quản lý và chuyên gia khí hậu đưa ra các quyết định kịp thời, đồng thời mở rộng ứng dụng mô hình LSTM trong các lĩnh vực dự báo khác như khí tượng, thủy văn và biến đổi khí hậu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: học máy (Machine Learning) và học sâu (Deep Learning). Học máy là lĩnh vực trí tuệ nhân tạo cho phép máy tính học từ dữ liệu để dự đoán hoặc phân loại, trong khi học sâu là một nhánh của học máy sử dụng mạng nơ-ron nhân tạo nhiều lớp để xử lý dữ liệu phức tạp. Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) mô phỏng hoạt động của hệ thần kinh sinh vật, gồm các nơ-ron kết nối với nhau để xử lý thông tin.

Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) là mô hình đặc biệt có khả năng xử lý dữ liệu chuỗi thời gian nhờ cơ chế ghi nhớ thông tin từ các bước thời gian trước. Tuy nhiên, RNN truyền thống gặp vấn đề triệt tiêu đạo hàm (vanishing gradient), làm giảm khả năng ghi nhớ dài hạn. Mạng LSTM được phát triển để khắc phục hạn chế này bằng cấu trúc gồm các cổng (forget gate, input gate, output gate) và ô trạng thái (cell state), giúp lưu giữ và điều chỉnh thông tin quan trọng trong chuỗi thời gian dài.

Ba khái niệm chính trong nghiên cứu là:

  • Mực nước biển trung bình (Mean Sea Level): giá trị trung bình của mực nước biển đo được theo thời gian, phản ánh xu hướng biến đổi.
  • Chuỗi thời gian (Time Series): dữ liệu được thu thập theo trình tự thời gian, có tính phụ thuộc lẫn nhau giữa các điểm dữ liệu.
  • Mạng LSTM (Long Short Term Memory): mô hình mạng nơ-ron hồi quy cải tiến, có khả năng ghi nhớ thông tin dài hạn và xử lý dữ liệu chuỗi phức tạp.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ số liệu mực nước biển trung bình toàn cầu từ năm 1880 đến 2020, được thu thập từ tổ chức OWID, với 563 quan sát định kỳ mỗi quý (tháng 1, 4, 7, 10). Dữ liệu được tiền xử lý để loại bỏ các thông tin thừa, chuẩn hóa và đảm bảo tính nhất quán.

Phương pháp phân tích sử dụng mô hình mạng nơ-ron LSTM để dự báo chuỗi thời gian. Dữ liệu được chia thành hai phần: 75% dùng để huấn luyện mô hình và 25% để kiểm tra, nhằm đánh giá độ chính xác dự báo. Ngoài LSTM, các mô hình GRU và SimpleRNN cũng được huấn luyện để so sánh hiệu quả.

Quá trình nghiên cứu bao gồm các bước: thu thập và tiền xử lý dữ liệu, phân tích đặc điểm dữ liệu, lựa chọn mô hình và công nghệ (Python, TensorFlow, Jupyter Lab), huấn luyện mô hình, đánh giá kết quả dự báo qua các chỉ số Mean Squared Error (MSE) và Mean Absolute Error (MAE), xây dựng giao diện phần mềm trực quan hỗ trợ người dùng.

Timeline nghiên cứu kéo dài trong năm 2023, bắt đầu từ thu thập dữ liệu, phát triển mô hình, thử nghiệm và hoàn thiện hệ thống dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả dự báo của mô hình LSTM vượt trội: Mô hình LSTM đạt chỉ số MSE thấp hơn 15% so với GRU và thấp hơn 25% so với SimpleRNN trên bộ dữ liệu kiểm tra, cho thấy khả năng dự báo chính xác hơn trong dài hạn. MAE của LSTM cũng thấp hơn khoảng 10% so với các mô hình còn lại.

  2. Dự báo mực nước biển trung bình có xu hướng tăng rõ rệt: Dữ liệu dự báo cho thấy mực nước biển trung bình toàn cầu tiếp tục tăng với tốc độ khoảng 3-4 mm mỗi năm trong 10 năm tới, phù hợp với xu hướng quan sát thực tế từ năm 1993 đến 2020.

  3. Ứng dụng giao diện trực quan giúp người dùng dễ dàng theo dõi: Hệ thống phần mềm xây dựng bằng Python cung cấp giao diện trực quan, cho phép người dùng tra cứu dữ liệu mực nước biển theo năm, xem dự báo 1 năm và 2 năm tiếp theo, hỗ trợ công tác quản lý và ra quyết định.

  4. So sánh mô hình cho thấy LSTM phù hợp với dữ liệu chuỗi thời gian dài hạn: Mô hình SimpleRNN có hiệu suất kém hơn do không xử lý tốt phụ thuộc dài hạn, trong khi GRU có cấu trúc đơn giản hơn nhưng không ghi nhớ thông tin dài hạn bằng LSTM.

Thảo luận kết quả

Nguyên nhân chính giúp LSTM vượt trội là do cấu trúc đặc biệt với các cổng điều khiển thông tin, giúp mạng giữ lại các thông tin quan trọng trong chuỗi thời gian dài, khắc phục vấn đề triệt tiêu đạo hàm của RNN truyền thống. Kết quả này phù hợp với các nghiên cứu quốc tế về ứng dụng LSTM trong dự báo mực nước biển và các dữ liệu chuỗi thời gian phức tạp.

So sánh với các nghiên cứu trước đây, luận văn đã mở rộng phạm vi dự báo dài hạn hơn và sử dụng bộ dữ liệu toàn cầu có độ tin cậy cao. Việc xây dựng giao diện phần mềm trực quan cũng là điểm mới, giúp ứng dụng mô hình vào thực tiễn dễ dàng hơn.

Dữ liệu có thể được trình bày qua biểu đồ so sánh MSE và MAE giữa các mô hình, biểu đồ xu hướng mực nước biển dự báo theo năm, và bảng số liệu dự báo chi tiết. Những biểu đồ này minh họa rõ ràng hiệu quả của mô hình LSTM và xu hướng tăng mực nước biển trong tương lai.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống dự báo LSTM tại các cơ quan quản lý ven biển: Đề nghị các cơ quan khí tượng thủy văn và quản lý tài nguyên biển áp dụng hệ thống dự báo để nâng cao khả năng cảnh báo sớm, giảm thiểu thiệt hại do nước biển dâng. Thời gian thực hiện trong vòng 1 năm.

  2. Mở rộng dữ liệu đầu vào và tích hợp các yếu tố môi trường khác: Kết hợp dữ liệu về lượng mưa, nhiệt độ đại dương, dòng hải lưu để nâng cao độ chính xác dự báo. Chủ thể thực hiện là các viện nghiên cứu khí tượng trong 2 năm tới.

  3. Phát triển giao diện người dùng đa nền tảng: Xây dựng ứng dụng dự báo trên nền tảng web và di động để người dùng dễ dàng truy cập và sử dụng mọi lúc, mọi nơi. Thời gian hoàn thành dự kiến 12 tháng.

  4. Đào tạo và nâng cao năng lực chuyên môn cho cán bộ kỹ thuật: Tổ chức các khóa đào tạo về học sâu và xử lý dữ liệu chuỗi thời gian cho cán bộ kỹ thuật tại các đơn vị liên quan nhằm đảm bảo vận hành và phát triển hệ thống bền vững. Thời gian triển khai 6 tháng.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Khoa học Dữ liệu: Luận văn cung cấp kiến thức chuyên sâu về mô hình LSTM và ứng dụng trong dự báo chuỗi thời gian, giúp phát triển kỹ năng nghiên cứu và ứng dụng thực tế.

  2. Cơ quan khí tượng thủy văn và quản lý tài nguyên biển: Hệ thống dự báo mực nước biển trung bình hỗ trợ công tác dự báo, cảnh báo và quản lý tài nguyên ven biển hiệu quả hơn.

  3. Các nhà hoạch định chính sách và quản lý môi trường: Thông tin dự báo chính xác giúp xây dựng các chính sách ứng phó biến đổi khí hậu, giảm thiểu tác động của nước biển dâng đến kinh tế - xã hội.

  4. Doanh nghiệp và tổ chức hoạt động trong lĩnh vực bảo vệ môi trường và phát triển bền vững: Sử dụng kết quả dự báo để lập kế hoạch phát triển, đầu tư và bảo vệ môi trường ven biển, giảm thiểu rủi ro thiên tai.

Câu hỏi thường gặp

  1. Mô hình LSTM là gì và tại sao được chọn để dự báo mực nước biển?
    Mô hình LSTM là mạng nơ-ron hồi quy có khả năng ghi nhớ thông tin dài hạn nhờ cấu trúc cổng điều khiển thông tin. Nó phù hợp với dữ liệu chuỗi thời gian phức tạp như mực nước biển, giúp dự báo chính xác hơn so với các mô hình truyền thống.

  2. Dữ liệu mực nước biển được thu thập như thế nào?
    Dữ liệu được thu thập từ các trạm đo thủy triều và vệ tinh, được tổ chức OWID tổng hợp, đo định kỳ hàng quý từ năm 1880 đến 2020, đảm bảo tính liên tục và độ tin cậy cao.

  3. Hệ thống dự báo có thể áp dụng cho khu vực nào?
    Mặc dù dữ liệu toàn cầu, hệ thống có thể tùy chỉnh để dự báo cho các khu vực ven biển cụ thể, như đồng bằng sông Cửu Long, giúp quản lý và ứng phó phù hợp với điều kiện địa phương.

  4. Độ chính xác của mô hình được đánh giá như thế nào?
    Độ chính xác được đánh giá qua các chỉ số MSE và MAE trên bộ dữ liệu kiểm tra. Mô hình LSTM cho kết quả tốt hơn 15-25% so với các mô hình GRU và SimpleRNN, thể hiện khả năng dự báo dài hạn vượt trội.

  5. Hệ thống dự báo có thể mở rộng ứng dụng ra sao?
    Ngoài dự báo mực nước biển, mô hình LSTM có thể áp dụng cho các bài toán dự báo khác như lượng mưa, độ ẩm, biến đổi khí hậu, thậm chí dự báo nhu cầu khách hàng hay dịch bệnh, tùy thuộc vào dữ liệu đầu vào.

Kết luận

  • Luận văn đã xây dựng thành công hệ thống dự báo mực nước biển trung bình dựa trên mô hình mạng nơ-ron LSTM với độ chính xác cao và khả năng dự báo dài hạn.
  • Mô hình LSTM vượt trội hơn so với các mô hình GRU và SimpleRNN trong việc xử lý dữ liệu chuỗi thời gian phức tạp.
  • Hệ thống phần mềm được phát triển có giao diện trực quan, hỗ trợ người dùng tra cứu và dự báo mực nước biển theo năm và theo mùa.
  • Kết quả nghiên cứu góp phần nâng cao hiệu quả quản lý tài nguyên ven biển và ứng phó biến đổi khí hậu tại Việt Nam và trên thế giới.
  • Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng dữ liệu đầu vào, phát triển giao diện đa nền tảng và đào tạo nhân lực vận hành hệ thống.

Để tiếp tục phát triển, cần triển khai ứng dụng thực tế tại các cơ quan quản lý, đồng thời mở rộng nghiên cứu tích hợp các yếu tố môi trường khác nhằm nâng cao độ chính xác và tính ứng dụng của hệ thống dự báo. Hành động ngay hôm nay sẽ giúp giảm thiểu tác động tiêu cực của nước biển dâng trong tương lai.