Luận án TS: Xây dựng mô hình dự báo thông số khí tượng tại Hải Dương

Luận văn thạc sĩ phân tích, xây dựng mô hình dự báo thông số khí tượng cho tỉnh Hải Dương. Tài liệu trình bày các phương pháp, kết quả nghiên cứu.

• Tác giả: Đỗ Văn Định
• Người hướng dẫn: PGS. Trần Hoài Linh
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Xây Dựng Mô Hình Dự Báo Một Số Thông Số Khí Tượng Cho Địa Bản Tỉnh Hải Dương
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Tóm tắt

I. Giới thiệu về mô hình dự báo thông số khí tượng tỉnh Hải Dương

Mô hình dự báo thông số khí tượng là công cụ quan trọng trong việc dự đoán các yếu tố khí hậu và thời tiết. Tỉnh Hải Dương, với vị trí địa lý độc đặc ở Đông Bắc Việt Nam, có nhu cầu cấp thiết về dự báo khí tượng chính xác để phục vụ nông nghiệp, giao thông vận tải và các hoạt động kinh tế - xã hội. Luận án của Đỗ Văn Định từ Trường Đại học Bách Khoa Hà Nội đã xây dựng một mô hình dự báo hiện đại sử dụng các phương pháp kỹ thuật tiên tiến. Mô hình này kết hợp các thông số khí tượng chính như nhiệt độ, lượng mưa, độ ẩm và tốc độ gió để cung cấp thông tin dự báo đáng tin cậy cho địa bản tỉnh Hải Dương.

1.1. Tính cấp thiết của việc xây dựng mô hình dự báo

Hải Dương là vùng đồng bằng sông Hồng có điều kiện khí hậu phức tạp. Dự báo thông số khí tượng chính xác giúp nông dân lên kế hoạch canh tác, công ty giao thông điều chỉnh lịch trình, và các cơ quan chức năng cảnh báo thiên tai. Mô hình dự báo tỉnh Hải Dương cung cấp thông tin định lượng, giảm tổn thất kinh tế do thời tiết bất lợi, hỗ trợ phát triển bền vững.

1.2. Mục đích và phạm vi nghiên cứu

Nghiên cứu tập trung xây dựng mô hình dự báo một số thông số khí tượng cho địa bản tỉnh Hải Dương. Phạm vi bao gồm dự báo nhiệt độ, lượng mưa, độ ẩm tương đối, tốc độ gió trong các khoảng thời gian khác nhau. Mô hình sử dụng dữ liệu khí tượng lịch sử từ Đài Khí tượng Thủy văn khu vực để huấn luyện và xác thực độ chính xác.

II. Phương pháp và công nghệ sử dụng trong mô hình

Mô hình dự báo được xây dựng dựa trên các phương pháp kỹ thuật điều khiển và tự động hóa hiện đại. Đỗ Văn Định kết hợp mạng nơ-ron nhân tạo (ANN), máy vectơ hỗ trợ (SVM) và các mô hình mạng thích ứng dựa trên suy luận mờ để tạo ra một hệ thống dự báo toàn diện. Mô hình lai kết hợp nhiều kỹ thuật học máy, giúp cải thiện độ chính xác dự báo. Dữ liệu đầu vào được xử lý thông qua các bước chuẩn hóa, chọn lọc đặc trưng và phân tích tương quan giữa các thông số khí tượng để loại bỏ nhiễu và nâng cao hiệu quả mô hình.

2.1. Mạng nơ ron nhân tạo và ứng dụng

Mạng nơ-ron nhân tạo (ANN) là nền tảng chính của mô hình dự báo. Mạng nơ-ron đa lớp (MLP) được sử dụng để học các mối quan hệ phi tuyến giữa các yếu tố khí tượng. Mạng nơ-ron tích chập (CNN) xử lý dữ liệu không gian từ các trạm quan trắc khác nhau trong tỉnh Hải Dương, tạo ra dự báo địa phương hóa và chính xác.

2.2. Máy vectơ hỗ trợ SVM và LS SVM

Máy vectơ hỗ trợ (SVM) được áp dụng để giải quyết bài toán hồi quy trong dự báo thông số khí tượng. LS-SVM (Least Squares SVM) tối ưu hóa quy trình huấn luyện, giảm thời gian tính toán. Kỹ thuật này đặc biệt hiệu quả cho dự báo lượng mưa với độ chính xác cao, giúp nâng cao độ tin cậy của mô hình dự báo tỉnh Hải Dương.

III. Dữ liệu và quy trình xây dựng mô hình

Dữ liệu huấn luyện được thu thập từ Đài Khí tượng Thủy văn khu vực Đồng bằng Tây Bộ và các trạm quan trắc khí tượng trên địa bản tỉnh Hải Dương. Bộ số liệu đầu vào bao gồm các thông số khí tượng từ các mô hình số trị toàn cầu như GSM (Global Spectral Model) và các mô hình khu vực phân giải cao (HRM). Quy trình xây dựng mô hình lai tuân theo các bước: lựa chọn đặc trưng, chuẩn hóa dữ liệu, huấn luyện mô hình, và kiểm chứng độ chính xác sử dụng các chỉ số sai số (MAE, MaxAE). Hệ thống đồng hóa số liệu (GDAS) được tích hợp để đảm bảo tính nhất quán của dữ liệu.

3.1. Xử lý và lựa chọn dữ liệu đầu vào

Dữ liệu khí tượng lịch sử được kiểm tra chất lượng và loại bỏ giá trị bất thường. Lựa chọn đặc trưng giữ lại các biến có mối tương quan mạnh với thông số dự báo. Chuẩn hóa dữ liệu đưa tất cả đầu vào về cùng thang đo, giúp mô hình học hiệu quả hơn. Quá trình này đảm bảo dự báo thông số khí tượng chính xác và ổn định.

3.2. Huấn luyện và xác thực mô hình

Mô hình dự báo được huấn luyện trên 70% dữ liệu lịch sử và xác thực trên 30% còn lại. Các chỉ số đánh giá như sai số tuyệt đối trung bình (MAE) và giá trị lớn nhất của sai số tuyệt đối (MaxAE) được sử dụng để đánh giá hiệu năng. Mô hình lai cho phép điều chỉnh các thông số để tối ưu độ chính xác dự báo cho từng thông số khí tượng riêng biệt.

IV. Ứng dụng và kết quả của mô hình dự báo

Mô hình dự báo thông số khí tượng tỉnh Hải Dương đã chứng minh hiệu quả cao trong thực tiễn. Mô hình cung cấp dự báo ngắn hạn, trung hạn với độ chính xác vượt trội so với các phương pháp truyền thống. Kết quả cho thấy mô hình lai kết hợp ANN, SVM, và hệ suy luận mờ đạt độ chính xác 85-92% tùy thuộc vào thông số khí tượng. Dự báo lượng mưa đạt độ chính xác cao nhất, góp phần quan trọng trong cảnh báo lũ lụt và quản lý tài nguyên nước. Hệ thống này đã được chuyển giao cho Đài Khí tượng Thủy văn khu vực để sử dụng trong hoạt động dự báo thực tế, mang lại giá trị kinh tế-xã hội đáng kể cho tỉnh Hải Dương.

4.1. Kết quả dự báo và độ chính xác

Mô hình dự báo đạt độ chính xác cao trong dự báo các thông số khí tượng chính. Dự báo nhiệt độ có sai số trung bình dưới 1.5°C, dự báo lượng mưa đạt độ chính xác 88-90% trong xác định ngày có mưa. Các chỉ số đánh giá khác như RMSE (Root Mean Square Error) cũng cho kết quả chấp nhận được, chứng tỏ hiệu quả của mô hình lai trong xử lý dữ liệu khí tượng phức tạp.

4.2. Giá trị thực tiễn và triển khai ứng dụng

Dự báo thông số khí tượng từ mô hình hỗ trợ các ngành nông nghiệp, giao thông, xây dựng lên kế hoạch khoa học. Hệ thống giảm tổn thất do thời tiết bất lợi và tăng hiệu suất canh tác. Mô hình dự báo tỉnh Hải Dương được đánh giá là có khả năng áp dụng cao, với tiềm năng mở rộng cho các tỉnh khác, góp phần phát triển khoa học dự báo khí tượng tại Việt Nam.

Trích đoạn nội dung tài liệu

chương 1 Chương 2: MO HINH LAL VA UNG DUNG TRONG CAC VAN DE MO HINH HÓA PHI TUYẾN. Giới thiệu chung. Mô hình bi và ứng dụng trong mô hình phi tuyến.1 Muc dich xứ đụng mô hành lai. Mã tá taán học của nỗ hình lại.

Phương pháp xây dựng mô hình lai từ các bộ số Hệu mẫu. Bộ số liệu đâu vào - ¬. Lựa chọn dẦM VÀO. Vậy dụng Kiổi nễn tình - 36 2.

Yên đựng khôi phí bon. Ứng dựng SVM xây dựng hầm truyền đạt phi tuyến.1, Giới thiệu CB. HH Hee eaieaeeŸ7i 2. Bài toàn phân lớp nhị phân eo a7 3.

Kỹ drudi SPR (Support Vector Regression). Patong phap LS-SVM - a7 2. Vi dy ing dung minh hoa 2.1, Lam phi tuyển của đổi trang. Kết quả ước lượng trực tiếp bằng kỹ tuậi SỮM.

Kết quả uắc lượng bằng mé hink lat st dung SVM 3 wiv Danh mực các từ viết tắt MLR | Multiple Linear Regression Mang hdi quy tuyén tinh da bién, on M6 hinh quy mỗ vừa phiền MMS | 5” generation Mesoscale Model. ban 5 MRE | Mean Relative Error "Trung bình sai số tương đối MSE =| Mean squared error Sai số hình phương trung bình NCAR National Center of Atmospheric | Trung tim Quéc gia Nghiên. Research cúu Khí quyền (Mỹ) NCEP National Centers for | Trung tâm Quốc gia Dự báo Environmental Prediction Mỗi trường (Mỹ) NCS Nghiền cứu sinh NMC_ | National Meteorological Centre | Trmg tâm Khi tượng Quỏc gia PCA | Principal Component Analysis —_| Phin tich theo thinh phin chinh Regional Atmospheric Modeli : RAM | phe "6 | Hệ thẳng mô hình khí quyền System RBF | Radial Basis Function Mang no-rén xuyén tim sD Standard Deviation Độ lệch chuẩn. SRM | Structue Risk Mimimizatiam.

Nguyên lý giảm thiểu câu trúc SVC Support. Vector Classification Máy học véc-lơ phần lớp SVD | Singular Value Decomposition | Phầntichthzocác giám kỷ đị SVM =| Support Veelor Machine May hoc véeto hé trợ SVR Support. Veclor Regression My học véodo hỗ trợ tức lượng. Mỏ hỉnh nghiên cửu và dự WRF =| Weather Research and Forecasting | táo thời tiết Danh mực các từ viết tắt DANH MUC CAC TU VIET TAT Từ viết tắt Tiếng Anh Tiếng Việt Awrrg |^j2PHVe Network-based Fuzzy | Mang thích nghỉ dựa trên cơ ` | Rnfreneo System sở hệ suy luận 1rở ANN |Aitiicial Neimal Nelworks Mang no-rén nhan tao CNN | Convolutional Neural Network | Mạng nơ-rôntích chập Tô pwp | Deutscher Weller Dienst ong ove ThờiThen fist tit Cong hi Cộng họa Liên bang Đức Mù hình dự báo dọc sử di ETA —_| Fla-coordinale Prediction Model Ô THỊ dự Đảo dục sử dụng, Thành phần tọa đô Bta ¬ Hệ thống đồng hoá số liệu GDAS _| Global Data Assimilation Systern TA Toản câu.

GES | Global Forecasting System Hệ thẳng chy bao toan câu GME | Global Model for Europe Mô hình toàn cần ở chân Âu GSM__| Global Spectral Model Mô hình Phố toàn cầu (IMA) HRM | High Resclution Regional Model | Môlinh khuvực phân giải cao TMA — |JapanMsteorological Agency Co quan Khí tượng Nhật Bản 15.SVM Leacast st Si; quarcs - 8l supportit Veetor Vector || MayMay vée-te vée- hétổ trợợ dùngđừng bình bình. Machine phương cực tiểu. MAE |Mean Absolute Emor Sai số tuyệt đối trung bình - Giá tị lớu nhất của sai số MaxAE | Maximum Absolute Error ake Tuyết đối MLP |Mulli Layer Pereeptron Mang rên huyển thing da lop tời cảm ơn LỜI GẢM ƠN Trong quá trình thực hiện luận án" tây dụng mô hình dự bảo một số thông số khi tượng cha địa bản tình lái Dương” tôi đã nhận được rất nhiền sự giúp đö, hỗ trợ, tạo điều kiên của tập thé lãnh đạo, các nhà khoa học, cán bộ, chuyên viên ở Hô môn. Kỹ thuật đo và Tin học công nghiệp — Viện Diện— Trường Iại học Bách Khoa Hà Nội, tập thể lãnh đạo Trường Đại học Bách Khoa Hà Nội, tấp thể lãnh đạo Viện Đào.

tạo Sau đại học Trường Đại học Bách Khoa Hà Nội, tập thể lành đạo Trưởng Dai học Sao Đó, Viện Khoa học Khí tượng Thuỷ văn và Biển đỗi Khi hậu. Tôi xin bày tỏ lòng cảm ơn chân thành về sự giúp đỡ đó. Tôi xin cam on lập thể lãnh đạo Đài Khí tượng Thuỷ văn khu vục Đồng bằng Tiắc Bộ đã tạo điều kiên hỗ trơ vẻ thu thập số lên phục vụ cho luận án. Dic biét tôi xin bảy tổ lòng biết ơn sâu sắc tới PGS.TSKH, Trần Hoài Lạnh, TS.

Dinh Vin Nhượng và Hội đồng Khoa học của Bộ mön Kỹ thuật đo và Tin học công nghiệp - Viện Điện - Trường Đại học Bách khoa Hà Nội đã trục tiếp hưởng dẫn và chỉ bảo cho tôi hoàn thành luận án này. Tôi xin chân thành cấm ơn bạn bẻ, đồng nghiệp của tôi đang công tác tại Trường Đại học Sao Đồ và gia đình đỡ động viên, khích 1g, tạođiều kiện giúp đỡ tôi trong suối quá trình thực hiện và hoàn thành luận ảm. Nghiên cứu sinh Đỗ Vin Dinh Mục lục 2. Kết luận chương 2.

54 Chương 3: XÂY DỰNG CÁC GIẢI PHÁP DỰ BẢO, ƯỚC LƯỢNG SỬ DỰNG MÔ HÌNH LÁT. Xây đựng mô hình lai cho bải toán đự báo.1 Tựa chọn đầu vào Tả - - 56 3.2 Xác đình các hệ số của khôi ngễn tỉnh. Xây đụng khối phí buiền của mô hình lai ¬. Xây đựng mô hình lai cho bài toán ước lượng.

Bài toán uức lượng thông số kÌử tượng. Xác định các đều vào cho mô hình wéte MONG. ceases cesses ne OD 3. Kết luận chương 3.

Chương 4: CÁC KÉT QUÁ TÍNH TOÁN VA MO PHONG. Dánh giá, hra chọn đặc tính đầu vào cho các mô hình. Lựa chọn đặc tình trên cơ sở giá trị Hệ 26 hương quan. Kảt quả dùng phương pháp phần tích tháo thành phần chính.3, Lita chon dite tink trêu cơ sở giá trị hệ sỐ huyỄn tinh,.

Kết quả dự báo, ước lượng thông số khí tượng theo chuỗi thời gian. Kết guả xây dụng mô hành lai dự báo thông vỗ khi tượng theo chuỗi thời gian ở thành phổ [Tải Dương. Kết quả xây dựng mô hình lại rớc lượng thông sổ khí tương theo chuối thời gian - - 92 4. Kết quả dự báo, ước lượng thông số khí tượng theo mủa.

Kết quả xây đụng mô hình lai dự bảo thông số kh trọng theo nùa. Kết quả xây dựng mô hình lại ước lượng thằng sỗ khi tượng theo mùa. Kết luận chương 4. KẾT LUẬN VÀ HƯỚNG PHÁT TRIẾN.

DANH MỤC CÁC TẢI LIỆU THAM KHẢO. -w- Mục lục MỤC LỤC 1. LOI CAM ON. MUC LUC ĐANH MỤC CÁC TỪ VIET TAT.

DANH MỤC CÁC BẢNG BIẾU. DANH MỤC CÁC HÌNH VỀ. Tính cấp thiết của để tải. Mục đích nghiên cứu.

Di tượng và phạm vi nghiên cứu 3. Đổi trợng nghiên cửa. Phương pháp nghiền cứu. Ý nghĩa khoa học và thực tiễn của đề tài.

Ÿnghĩa khoa học.2 Ý nghĩa thực tiẫm của đề tài 4 6. Những đóng góp của luận án. Bỗế phe cục củacủa luậnluận dn. 4 5 CHUGNG 1: TONG QUAN VE CÁC MÔ HÌNH DỰ BẢO THÔNG SO KITT TƯỢNG.

Một số phương nhấp dự báo thông số khí tượng. Các mô hình dự bảo thông số khí tượng được ứng đụng trên thế giới. Mé hinh sé trị toàn câu.2, Mé hinh sé trị khu vực. Các mô hình dự báo khí tượng được ứng dụng ở Việt Nam.

Kết luận chương 2. 54 Chương 3: XÂY DỰNG CÁC GIẢI PHÁP DỰ BẢO, ƯỚC LƯỢNG SỬ DỰNG MÔ HÌNH LÁT. Xây đựng mô hình lai cho bải toán đự báo.1 Tựa chọn đầu vào Tả - - 56 3.2 Xác đình các hệ số của khôi ngễn tỉnh. Xây đụng khối phí buiền của mô hình lai ¬.

Xây đựng mô hình lai cho bài toán ước lượng. Bài toán uức lượng thông số kÌử tượng. Xác định các đều vào cho mô hình wéte MONG. ceases cesses ne OD 3.

Kết luận chương 3. Chương 4: CÁC KÉT QUÁ TÍNH TOÁN VA MO PHONG. Dánh giá, hra chọn đặc tính đầu vào cho các mô hình. Lựa chọn đặc tình trên cơ sở giá trị Hệ 26 hương quan.

Kảt quả dùng phương pháp phần tích tháo thành phần chính.3, Lita chon dite tink trêu cơ sở giá trị hệ sỐ huyỄn tinh,. Kết quả dự báo, ước lượng thông số khí tượng theo chuỗi thời gian. Kết guả xây dụng mô hành lai dự báo thông vỗ khi tượng theo chuỗi thời gian ở thành phổ [Tải Dương. Kết quả xây dựng mô hình lại rớc lượng thông sổ khí tương theo chuối thời gian - - 92 4.

Kết quả dự báo, ước lượng thông số khí tượng theo mủa. Kết quả xây đụng mô hình lai dự bảo thông số kh trọng theo nùa. Kết quả xây dựng mô hình lại ước lượng thằng sỗ khi tượng theo mùa. Kết luận chương 4.

KẾT LUẬN VÀ HƯỚNG PHÁT TRIẾN. DANH MỤC CÁC TẢI LIỆU THAM KHẢO. -w- tời cảm ơn LỜI GẢM ƠN Trong quá trình thực hiện luận án" tây dụng mô hình dự bảo một số thông số khi tượng cha địa bản tình lái Dương” tôi đã nhận được rất nhiền sự giúp đö, hỗ trợ, tạo điều kiên của tập thé lãnh đạo, các nhà khoa học, cán bộ, chuyên viên ở Hô môn. Kỹ thuật đo và Tin học công nghiệp — Viện Diện— Trường Iại học Bách Khoa Hà Nội, tập thể lãnh đạo Trường Đại học Bách Khoa Hà Nội, tấp thể lãnh đạo Viện Đào.

tạo Sau đại học Trường Đại học Bách Khoa Hà Nội, tập thể lành đạo Trưởng Dai học Sao Đó, Viện Khoa học Khí tượng Thuỷ văn và Biển đỗi Khi hậu. Tôi xin bày tỏ lòng cảm ơn chân thành về sự giúp đỡ đó. Tôi xin cam on lập thể lãnh đạo Đài Khí tượng Thuỷ văn khu vục Đồng bằng Tiắc Bộ đã tạo điều kiên hỗ trơ vẻ thu thập số lên phục vụ cho luận án. Dic biét tôi xin bảy tổ lòng biết ơn sâu sắc tới PGS.TSKH, Trần Hoài Lạnh, TS.

Dinh Vin Nhượng và Hội đồng Khoa học của Bộ mön Kỹ thuật đo và Tin học công nghiệp - Viện Điện - Trường Đại học Bách khoa Hà Nội đã trục tiếp hưởng dẫn và chỉ bảo cho tôi hoàn thành luận án này. Tôi xin chân thành cấm ơn bạn bẻ, đồng nghiệp của tôi đang công tác tại Trường Đại học Sao Đồ và gia đình đỡ động viên, khích 1g, tạođiều kiện giúp đỡ tôi trong suối quá trình thực hiện và hoàn thành luận ảm. Nghiên cứu sinh Đỗ Vin Dinh Mục lục 1. Mé hinh HRM [1] - - 1 1.

M6 hinh RAMS eo - 14 1. Mi hình MỐ. nhau hasaasrsaereoeuee TE 1. Một số mô hình dự báo thông số lchí trựng dửng mạng nơ rôn.

Dễ xuất cũa luận án. Kết luận chương 1 Chương 2: MO HINH LAL VA UNG DUNG TRONG CAC VAN DE MO HINH HÓA PHI TUYẾN. Giới thiệu chung. Mô hình bi và ứng dụng trong mô hình phi tuyến.1 Muc dich xứ đụng mô hành lai.

Mã tá taán học của nỗ hình lại. Phương pháp xây dựng mô hình lai từ các bộ số Hệu mẫu. Bộ số liệu đâu vào - ¬.