Nghiên cứu nhận dạng xoáy thuận nhiệt đới hoạt động trên khu vực biển đông bằng phương pháp trí tuệ nhân tạo

Nghiên cứu ứng dụng trí tuệ nhân tạo để nhận dạng xoáy thuận nhiệt đới trên Biển Đông. Phân tích, đánh giá hiệu quả phương pháp, hỗ trợ dự báo thời tiết.

• Tác giả: Chu Thị Huyền Trang
• Người hướng dẫn: Ts. Dư Đức Tiến
• Trường học: Trường Đại học Khoa học Tự nhiên
• Chuyên ngành: Khí tượng học
• Đề tài: Nghiên cứu Nhận Dạng Xoáy Thuận Nhiệt Đới Hoạt Động Trên Khu Vực Biển Đông Bằng Phương Pháp Trí Tuệ Nhân Tạo
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC CÁC BẢNG BIỂU
• DANH MỤC CÁC HÌNH VẼ
• DANH MỤC CÁC TỪ VIẾT TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về Xoáy thuận nhiệt đới và công tác giám sát phân tích xoáy thuận nhiệt đới
• 1.2. Tổng quan về phương pháp trí tuệ nhân tạo
• 1.3. Tổng kết chương 1
• 2. CHƯƠNG 2: SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Dữ liệu quĩ đạo bão chuẩn (QĐBC)
• 2.2. Dữ liệu vệ tinh Himawari-8,9
• 2.3. Dữ liệu trích xuất vectơ chuyển động khí quyển (AMV)
• 2.4. Dữ liệu được gán nhãn
• 2.5. Phương pháp trí tuệ nhân tạo
• 2.6. Mạng trích xuất các đặc trưng của hình ảnh – ResNet
• 2.7. Mô hình nhận dạng XTNĐ – Retinanet. Phương pháp đánh giá
• 3. CHƯƠNG 3: KẾT QUẢ
• 3.1. Cơ sở dữ liệu XTNĐ được gán nhãn
• 3.2. Thử nghiệm nhận dạng cho cơn bão Nakri (2019)
• 3.3. Thử nghiệm nhận dạng cho cơn bão RAI (2021)
• 3.4. Kết quả đánh giá trên tập dữ liệu
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Xoáy Thuận Nhiệt Đới và AI Biển Đông

Xoáy thuận nhiệt đới Biển Đông là một trong những thiên tai nguy hiểm nhất, gây ra thiệt hại lớn về người và của. Việt Nam, với vị trí địa lý đặc biệt, chịu ảnh hưởng nặng nề từ các cơn bão hình thành trên Biển Đông. Việc theo dõi, giám sát và dự báo chính xác xoáy thuận nhiệt đới là vô cùng quan trọng. Các phương pháp truyền thống như kỹ thuật Dvorak, mặc dù được sử dụng rộng rãi, vẫn còn tồn tại nhiều hạn chế, đặc biệt trong việc nhận dạng mẫu mây và xác định tâm bão. Điều này thúc đẩy việc nghiên cứu và ứng dụng các công nghệ mới, trong đó có trí tuệ nhân tạo (AI), để cải thiện khả năng dự báo bão Biển Đông. AI dự báo bão hứa hẹn mang lại độ chính xác cao hơn, giúp các nhà quản lý và người dân chủ động ứng phó, giảm thiểu thiệt hại do thiên tai gây ra. Nghiên cứu này tập trung vào việc sử dụng mô hình AI nhận dạng bão để nâng cao hiệu quả dự báo xoáy thuận nhiệt đới trên Biển Đông.

1.1. Khái niệm và đặc điểm của xoáy thuận nhiệt đới Biển Đông

Xoáy thuận nhiệt đới là hệ thống áp thấp quy mô lớn, hình thành trên biển nhiệt đới, không có front và có hoàn lưu gió rõ ràng. Xoáy thuận nhiệt đới Biển Đông thường hình thành trên vùng biển có nhiệt độ bề mặt trên 26.5°C và có thể tồn tại trong nhiều ngày. Tổ chức Khí tượng Thế giới (WMO) phân loại xoáy thuận nhiệt đới dựa trên tốc độ gió. Hoạt động của xoáy thuận nhiệt đới gây ra hậu quả nghiêm trọng khi đổ bộ vào đất liền, gây ra sóng lớn, mưa lớn và gió giật. Theo nghiên cứu [1], xoáy thuận nhiệt đới có thể kéo dài trong nhiều tuần, ví dụ như bão John kéo dài 31 ngày.

1.2. Các phương pháp giám sát và phân tích xoáy thuận nhiệt đới hiện tại

Hiện nay, kỹ thuật Dvorak được sử dụng rộng rãi để phân tích và dự báo xoáy thuận nhiệt đới. Kỹ thuật này dựa trên việc phân tích ảnh vệ tinh để xác định cường độ và vị trí của bão. Tuy nhiên, kỹ thuật Dvorak còn nhiều hạn chế, đặc biệt trong việc nhận dạng mẫu mây và xác định tâm bão khi bão còn yếu hoặc tương tác với các hệ thống thời tiết khác. Trần Quang Năng (2018) đã chỉ ra rằng phương pháp Dvorak cải tiến (ADT) không phải lúc nào cũng ưu việt hơn phương pháp Dvorak cổ điển (DT) và có thể dẫn đến sai số do nhận dạng nhầm mẫu mây. [6]

II. Thách Thức và Cơ Hội AI Cải Thiện Dự Báo Bão Biển Đông

Dự báo bão Biển Đông vẫn còn nhiều thách thức, đặc biệt trong việc nâng cao độ chính xác và giảm thiểu sai số. Các phương pháp truyền thống dựa trên kinh nghiệm và phân tích thủ công có thể không đủ để xử lý lượng dữ liệu khổng lồ và phức tạp. AI dự báo bão mang đến cơ hội để vượt qua những hạn chế này bằng cách tự động hóa quá trình phân tích, học hỏi từ dữ liệu lịch sử và đưa ra dự báo chính xác hơn. Các thuật toán machine learning và deep learning có thể được sử dụng để phân tích dữ liệu vệ tinh bão, dữ liệu radar thời tiết bão và các nguồn dữ liệu khác để nhận dạng và dự đoán sự phát triển của xoáy thuận nhiệt đới. Ứng dụng AI trong khí tượng thủy văn không chỉ giúp cải thiện độ chính xác dự báo mà còn giúp giảm chi phí và thời gian phân tích.

2.1. Hạn chế của các phương pháp dự báo bão truyền thống

Các phương pháp dự báo bão truyền thống, như kỹ thuật Dvorak, dựa trên kinh nghiệm của các nhà dự báo và phân tích thủ công ảnh vệ tinh. Điều này có thể dẫn đến sai số do yếu tố chủ quan và hạn chế trong việc xử lý dữ liệu lớn. Ngoài ra, các phương pháp này thường gặp khó khăn trong việc dự đoán sự thay đổi cường độ nhanh chóng của bão và tương tác của bão với các hệ thống thời tiết khác. Năm 2018, Trần Quang Năng và cộng sự đã chỉ ra những hạn chế trong việc nhận dạng mẫu mây bão bằng phương pháp ADT.

2.2. Tiềm năng của trí tuệ nhân tạo AI trong dự báo bão

Trí tuệ nhân tạo (AI) có tiềm năng lớn trong việc cải thiện độ chính xác và hiệu quả của dự báo bão. Các thuật toán machine learning và deep learning có thể phân tích lượng lớn dữ liệu từ nhiều nguồn khác nhau, như dữ liệu vệ tinh, dữ liệu radar và dữ liệu lịch sử, để phát hiện các mẫu và xu hướng liên quan đến sự hình thành và phát triển của bão. AI cũng có thể tự động hóa quá trình phân tích và dự báo, giảm thiểu sai số do yếu tố chủ quan và cho phép dự báo nhanh chóng và chính xác hơn. Các nghiên cứu đã cho thấy tiềm năng của AI trong việc nhận dạng xoáy thuận nhiệt đới và dự đoán đường đi và cường độ của bão.

2.3. Các loại dữ liệu phù hợp cho huấn luyện mô hình AI nhận dạng bão

Huấn luyện mô hình AI nhận dạng bão đòi hỏi dữ liệu chất lượng cao và đa dạng. Các nguồn dữ liệu quan trọng bao gồm dữ liệu vệ tinh, cung cấp hình ảnh mây và thông tin về nhiệt độ, độ ẩm; dữ liệu radar, cung cấp thông tin về lượng mưa và cấu trúc của bão; dữ liệu từ phao và tàu thuyền, cung cấp thông tin về áp suất, gió và nhiệt độ bề mặt biển; dữ liệu lịch sử về các cơn bão trước đây, cung cấp thông tin về đường đi, cường độ và các yếu tố liên quan. Việc kết hợp các nguồn dữ liệu này sẽ giúp mô hình AI học hỏi và đưa ra dự báo chính xác hơn.

III. Phương Pháp Deep Learning Nhận Dạng Bão Biển Đông Chính Xác

Nghiên cứu này tập trung vào việc sử dụng Deep Learning nhận dạng bão, đặc biệt là mạng nơ-ron tích chập (CNN), để phân tích ảnh vệ tinh bão và nhận dạng xoáy thuận nhiệt đới Biển Đông. CNN có khả năng tự động trích xuất các đặc trưng quan trọng từ hình ảnh, như hình dạng mây, kích thước mắt bão và cấu trúc xoắn ốc. Dữ liệu vệ tinh từ Himawari-8,9 được sử dụng để huấn luyện mô hình AI. Mô hình RetinaNet được sử dụng để xác định vị trí và cường độ của xoáy thuận nhiệt đới trên ảnh vệ tinh. Kết quả nghiên cứu cho thấy mô hình AI có khả năng nhận dạng bão Biển Đông với độ chính xác cao, vượt trội so với các phương pháp truyền thống. Việc ứng dụng giải pháp AI cho phòng chống thiên tai là vô cùng cần thiết để giảm thiểu thiệt hại do bão Biển Đông gây ra.

3.1. Tổng quan về mạng nơ ron tích chập CNN và ứng dụng trong xử lý ảnh vệ tinh

Mạng nơ-ron tích chập (CNN) là một loại mạng nơ-ron đặc biệt hiệu quả trong việc xử lý ảnh. CNN sử dụng các lớp tích chập để trích xuất các đặc trưng từ ảnh, như cạnh, góc và hình dạng. Các lớp gộp (pooling) giảm kích thước của các đặc trưng, giúp mô hình học hỏi các đặc trưng quan trọng hơn. CNN đã được sử dụng rộng rãi trong nhiều bài toán xử lý ảnh, như nhận dạng đối tượng, phân loại ảnh và phát hiện đối tượng. Trong nghiên cứu này, CNN được sử dụng để phân tích ảnh vệ tinh bão và nhận dạng xoáy thuận nhiệt đới.

3.2. Mô hình RetinaNet và khả năng nhận diện xoáy thuận nhiệt đới trên ảnh vệ tinh

RetinaNet là một mô hình phát hiện đối tượng một giai đoạn (one-stage object detection model) được thiết kế để giải quyết vấn đề mất cân bằng lớp (class imbalance) trong các bài toán phát hiện đối tượng. RetinaNet sử dụng Focal Loss để giảm ảnh hưởng của các mẫu nền dễ (easy negatives) và tập trung vào các mẫu khó (hard negatives). RetinaNet đã được chứng minh là hiệu quả trong nhiều bài toán phát hiện đối tượng, bao gồm cả việc nhận dạng xoáy thuận nhiệt đới trên ảnh vệ tinh. Nghiên cứu này sử dụng RetinaNet để xác định vị trí và cường độ của xoáy thuận nhiệt đới trên ảnh vệ tinh.

3.3. Các bước huấn luyện và đánh giá mô hình Deep Learning nhận dạng bão

Huấn luyện mô hình Deep Learning nhận dạng bão bao gồm các bước sau: chuẩn bị dữ liệu (gắn nhãn ảnh vệ tinh với vị trí và cường độ của xoáy thuận nhiệt đới), xây dựng mô hình CNN (chọn kiến trúc mạng và các tham số), huấn luyện mô hình (sử dụng thuật toán tối ưu hóa để tìm các tham số tối ưu của mô hình), đánh giá mô hình (sử dụng các chỉ số như độ chính xác, độ thu hồi và F1-score để đánh giá hiệu suất của mô hình). Trong nghiên cứu này, dữ liệu từ vệ tinh Himawari-8,9 được sử dụng để huấn luyện và đánh giá mô hình Deep Learning.

IV. Ứng Dụng AI Dự Báo Kết Quả Nhận Dạng Bão Nakri Rai

Để đánh giá hiệu quả của mô hình AI nhận dạng bão, nghiên cứu đã thử nghiệm trên hai cơn bão cụ thể là Nakri (2019) và Rai (2021). Kết quả cho thấy mô hình AI có khả năng xác định vị trí và cường độ của bão với độ chính xác cao, đặc biệt trong giai đoạn bão phát triển mạnh. Sai số vị trí tâm bão giữa AI và QĐBC (quỹ đạo bão chuẩn) thấp hơn so với phương pháp ADT truyền thống. Nghiên cứu cũng đánh giá hiệu quả của mô hình AI trên tập dữ liệu lớn và cho thấy khả năng tổng quát hóa tốt. Ứng dụng AI trong dự báo bão Biển Đông có thể giúp các nhà dự báo đưa ra cảnh báo sớm và chính xác hơn, giảm thiểu thiệt hại do thiên tai gây ra.

4.1. Thử nghiệm nhận dạng bão Nakri 2019 bằng mô hình AI

Để đánh giá hiệu quả của mô hình AI, nghiên cứu đã tiến hành thử nghiệm nhận dạng bão Nakri (2019). Mô hình AI có khả năng xác định vị trí và cường độ của bão Nakri trong suốt quá trình phát triển của nó. Sai số vị trí tâm bão giữa mô hình AI và QĐBC thấp, cho thấy mô hình AI có khả năng theo dõi đường đi của bão chính xác.

4.2. Thử nghiệm nhận dạng bão Rai 2021 và so sánh với phương pháp ADT

Nghiên cứu cũng tiến hành thử nghiệm nhận dạng bão Rai (2021) và so sánh kết quả với phương pháp ADT. Kết quả cho thấy mô hình AI có độ chính xác cao hơn so với phương pháp ADT trong việc xác định vị trí và cường độ của bão Rai. Sai số vị trí tâm bão giữa mô hình AI và QĐBC thấp hơn so với sai số giữa phương pháp ADT và QĐBC. Điều này cho thấy AI có tiềm năng thay thế hoặc hỗ trợ các phương pháp truyền thống trong dự báo bão Biển Đông.

4.3. Đánh giá hiệu quả của mô hình AI trên tập dữ liệu lớn

Để đánh giá khả năng tổng quát hóa của mô hình AI, nghiên cứu đã tiến hành đánh giá trên tập dữ liệu lớn bao gồm nhiều cơn bão khác nhau. Kết quả cho thấy mô hình AI có khả năng nhận dạng xoáy thuận nhiệt đới với độ chính xác cao trên nhiều cơn bão khác nhau, cho thấy khả năng tổng quát hóa tốt và tiềm năng ứng dụng rộng rãi trong dự báo bão Biển Đông.

V. Kết Luận và Tương Lai AI Nâng Tầm Dự Báo Bão Biển Đông

Nghiên cứu này đã chứng minh tiềm năng của trí tuệ nhân tạo (AI) trong việc nhận dạng xoáy thuận nhiệt đới trên Biển Đông. Việc sử dụng mô hình Deep Learning, đặc biệt là CNN và RetinaNet, cho phép phân tích ảnh vệ tinh bão và xác định vị trí, cường độ của bão với độ chính xác cao. Kết quả nghiên cứu có thể ứng dụng để xây dựng hệ thống cảnh báo sớm bão Biển Đông hiệu quả hơn, giúp giảm thiểu thiệt hại do thiên tai gây ra. Trong tương lai, cần tiếp tục nghiên cứu và phát triển các thuật toán nhận dạng bão tiên tiến hơn, kết hợp AI với các phương pháp dự báo truyền thống để nâng cao độ chính xác và tin cậy của dự báo.

5.1. Tóm tắt kết quả nghiên cứu và đóng góp vào lĩnh vực dự báo bão

Nghiên cứu đã thành công trong việc ứng dụng AI để nhận dạng xoáy thuận nhiệt đới trên Biển Đông. Kết quả nghiên cứu cho thấy mô hình Deep Learning có khả năng xác định vị trí và cường độ của bão với độ chính xác cao. Nghiên cứu này đóng góp vào lĩnh vực dự báo bão bằng cách cung cấp một phương pháp mới, hiệu quả hơn để phân tích và dự báo xoáy thuận nhiệt đới.

5.2. Hướng phát triển tiếp theo và ứng dụng tiềm năng của AI

Trong tương lai, có thể tiếp tục nghiên cứu và phát triển các thuật toán AI tiên tiến hơn để cải thiện độ chính xác và hiệu quả của dự báo bão. Các hướng phát triển tiềm năng bao gồm: kết hợp AI với các phương pháp dự báo truyền thống, sử dụng dữ liệu từ nhiều nguồn khác nhau (ví dụ: dữ liệu radar, dữ liệu từ phao), phát triển các mô hình AI có khả năng dự đoán sự thay đổi cường độ nhanh chóng của bão. AI cũng có thể được sử dụng để xây dựng hệ thống cảnh báo sớm bão hiệu quả hơn, giúp các nhà quản lý và người dân chủ động ứng phó với thiên tai.

Nội dung chính

Tổng quan nghiên cứu

Xoáy thuận nhiệt đới (XTNĐ) là hiện tượng thời tiết nguy hiểm, gây thiệt hại nghiêm trọng về người và tài sản do mưa lớn, gió mạnh và nước biển dâng. Việt Nam nằm trong vùng nhiệt đới với bờ biển dài, thuộc khu vực Tây Bắc Thái Bình Dương – một trong những ổ bão hoạt động mạnh nhất thế giới. Theo thống kê, từ năm 2015 đến 2019, số lượng XTNĐ hoạt động trên khu vực này dao động hàng trăm cơn mỗi năm, trong đó có nhiều cơn bão mạnh và rất mạnh. Việc nhận dạng chính xác vị trí và cường độ XTNĐ là nhiệm vụ cấp thiết nhằm nâng cao hiệu quả dự báo, giảm thiểu thiệt hại thiên tai.

Mục tiêu nghiên cứu của luận văn là phát triển phương pháp nhận dạng vị trí và cường độ XTNĐ hoạt động trên khu vực Biển Đông bằng công nghệ trí tuệ nhân tạo (AI), sử dụng dữ liệu vệ tinh địa tĩnh Himawari-8,9 và dữ liệu vectơ chuyển động khí quyển (AMV). Phạm vi nghiên cứu tập trung vào giai đoạn 2015-2019 với dữ liệu vệ tinh và quỹ đạo bão chuẩn từ Cục Khí tượng Nhật Bản (JMA). Nghiên cứu nhằm cải thiện độ chính xác trong nhận dạng tâm bão và phân loại cường độ, khắc phục những hạn chế của phương pháp truyền thống như kỹ thuật Dvorak và ADT vốn còn nhiều sai số và phụ thuộc vào kinh nghiệm phân tích viên.

Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao năng lực dự báo khí tượng thủy văn, hỗ trợ công tác phòng chống thiên tai tại Việt Nam và khu vực Biển Đông, đồng thời góp phần thúc đẩy ứng dụng công nghệ AI trong lĩnh vực khí tượng học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: khí tượng học về XTNĐ và công nghệ trí tuệ nhân tạo (AI) trong nhận dạng đối tượng.

1. Lý thuyết về XTNĐ: XTNĐ là hệ thống áp thấp quy mô synop, hình thành trên vùng biển có nhiệt độ bề mặt ≥ 26.5°C, với hoàn lưu gió bề mặt rõ ràng. Tổ chức Khí tượng Thế giới (WMO) phân loại XTNĐ theo tốc độ gió cực đại thành các cấp: Áp thấp nhiệt đới, Bão nhiệt đới, Bão mạnh và Bão rất mạnh. Phương pháp truyền thống như kỹ thuật Dvorak và ADT được sử dụng để xác định tâm và cường độ bão dựa trên ảnh vệ tinh, nhưng còn nhiều hạn chế về độ chính xác và tính khách quan.

2. Lý thuyết về trí tuệ nhân tạo và học sâu (DL): AI, đặc biệt là các mô hình học sâu như mạng nơ-ron tích chập (CNN), mạng ResNet và RetinaNet, được ứng dụng để nhận dạng đối tượng trong ảnh vệ tinh. ResNet giúp trích xuất đặc trưng không gian và thời gian của ảnh vệ tinh và dữ liệu AMV, giải quyết vấn đề biến mất đạo hàm trong mạng sâu. RetinaNet là mô hình nhận dạng đối tượng hiệu quả, xử lý tốt bài toán mất cân bằng lớp và cho phép xác định vị trí (bounding box) và phân loại cường độ XTNĐ.

Các khái niệm chính bao gồm:

• Quỹ đạo bão chuẩn (QĐBC): dữ liệu vị trí và cường độ bão chuẩn từ JMA.
• Ảnh vệ tinh địa tĩnh Himawari-8,9: cung cấp ảnh mây đa phổ với độ phân giải không gian 0.5-2 km, thời gian 10 phút/lần.
• Dữ liệu vectơ chuyển động khí quyển (AMV): thể hiện hướng và tốc độ gió qua các ảnh vệ tinh liên tục.
• Mạng ResNet-50: mạng CNN sâu 50 lớp dùng để trích xuất đặc trưng ảnh.
• Mạng RetinaNet: mô hình nhận dạng đối tượng với khả năng phân loại và định vị XTNĐ theo cường độ.
• Chỉ số mAP và IoU: dùng để đánh giá độ chính xác nhận dạng vị trí và phân loại.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm:

• Quỹ đạo bão chuẩn (QĐBC) của JMA từ 2015 đến 2019, bao gồm thông tin vị trí tâm, cường độ, bán kính gió.
• Ảnh vệ tinh Himawari-8,9 kênh hồng ngoại IR1, độ phân giải 1-2 km, thời gian 10 phút/lần, phạm vi toàn bộ Tây Bắc Thái Bình Dương.
• Dữ liệu AMV trích xuất từ ảnh vệ tinh, thể hiện chuyển động khí quyển với độ phân giải lưới 7x7 pixels (500m) và 28x28 pixels (2km).

Quá trình nghiên cứu gồm các bước:

1. Xây dựng cơ sở dữ liệu gán nhãn: Dữ liệu ảnh vệ tinh và AMV được gán nhãn dựa trên vị trí và cường độ XTNĐ từ QĐBC, phân loại thành 4 nhóm: Áp thấp nhiệt đới, Bão nhiệt đới, Bão mạnh, Bão rất mạnh.
2. Huấn luyện mô hình DL: Sử dụng mạng ResNet-50 để trích xuất đặc trưng không gian-thời gian từ ảnh vệ tinh và AMV, sau đó đưa vào mô hình RetinaNet để nhận dạng vị trí và phân loại cường độ XTNĐ.
3. Đánh giá mô hình: Sử dụng chỉ số mAP (mean Average Precision) và IoU (Intersection over Union) để đánh giá độ chính xác nhận dạng vị trí và phân loại.
4. Timeline nghiên cứu: Thu thập dữ liệu từ 2015-2019, huấn luyện và thử nghiệm mô hình trong năm 2023-2024.

Phương pháp chọn mẫu là sử dụng toàn bộ dữ liệu XTNĐ trong khu vực Tây Bắc Thái Bình Dương, tập trung thử nghiệm trên khu vực Biển Đông. Phương pháp phân tích dựa trên học sâu, tận dụng khả năng trích xuất đặc trưng và nhận dạng đối tượng của mạng CNN và RetinaNet, phù hợp với dữ liệu ảnh vệ tinh đa chiều và chuỗi thời gian.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả nhận dạng vị trí XTNĐ: Mô hình DL đạt sai số vị trí tâm XTNĐ trung bình khoảng 20-30 km so với dữ liệu quỹ đạo bão chuẩn, thấp hơn đáng kể so với phương pháp ADT truyền thống có sai số lên đến 50-60 km. Ví dụ, với cơn bão Nakri (2019), sai số vị trí trung bình của mô hình DL là 22 km, trong khi ADT là 55 km.

2. Độ chính xác phân loại cường độ XTNĐ: Mô hình RetinaNet nhận dạng chính xác các cấp độ XTNĐ với độ chính xác (accuracy) đạt khoảng 85-89%, vượt trội so với phương pháp truyền thống. Tỉ lệ nhận dạng đúng các cấp bão rất mạnh đạt trên 88%, trong khi các cấp thấp hơn cũng đạt trên 80%.

3. Khả năng nhận dạng mẫu mây phức tạp: Mô hình DL xử lý tốt các trường hợp mẫu mây không điển hình hoặc có tương tác với các hệ thống thời tiết khác, vốn là điểm yếu của kỹ thuật Dvorak và ADT. Điều này giúp giảm sai số trong giai đoạn hình thành và suy yếu của XTNĐ.

4. Tác động của dữ liệu AMV: Việc kết hợp dữ liệu vectơ chuyển động khí quyển AMV với ảnh vệ tinh giúp mô hình nắm bắt được đặc trưng chuyển động không gian-thời gian của XTNĐ, cải thiện độ chính xác nhận dạng vị trí và cường độ lên khoảng 5-7% so với chỉ sử dụng ảnh vệ tinh.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện là do mô hình DL tận dụng được khả năng học các đặc trưng phức tạp từ dữ liệu đa chiều và chuỗi thời gian, không bị giới hạn bởi các giả định vật lý như phương pháp truyền thống. Việc sử dụng mạng ResNet giúp trích xuất hiệu quả các đặc trưng không gian và thời gian từ ảnh vệ tinh và AMV, trong khi RetinaNet xử lý tốt bài toán mất cân bằng lớp và nhận dạng đa tỷ lệ đối tượng.

So sánh với các nghiên cứu quốc tế, kết quả của luận văn tương đồng với các mô hình CNN và ConvLSTM được áp dụng trên dữ liệu mô phỏng khí quyển và vệ tinh, với sai số vị trí trung bình dưới 30 km và độ chính xác phân loại trên 80%. Điều này khẳng định tính khả thi và hiệu quả của phương pháp AI trong giám sát XTNĐ trên khu vực Biển Đông.

Dữ liệu có thể được trình bày qua biểu đồ sai số vị trí trung bình so sánh giữa phương pháp AI và ADT, biểu đồ độ chính xác phân loại cường độ theo từng cấp bão, cũng như bảng thống kê số lượng mẫu và kết quả nhận dạng theo từng năm.

Đề xuất và khuyến nghị

1. Triển khai hệ thống nhận dạng tự động XTNĐ dựa trên AI: Áp dụng mô hình DL đã phát triển vào hệ thống dự báo khí tượng thủy văn quốc gia, nhằm tự động nhận dạng vị trí và cường độ XTNĐ trong thời gian thực, nâng cao độ chính xác và giảm thiểu sai số do con người. Thời gian thực hiện: 1-2 năm; chủ thể: Trung tâm Dự báo Khí tượng Thủy văn Quốc gia.

2. Mở rộng dữ liệu huấn luyện và cập nhật mô hình liên tục: Thu thập thêm dữ liệu vệ tinh và AMV mới, mở rộng phạm vi khu vực và thời gian, đồng thời cập nhật mô hình DL để cải thiện khả năng nhận dạng các dạng XTNĐ hiếm gặp hoặc phức tạp. Thời gian: liên tục; chủ thể: các viện nghiên cứu khí tượng và công nghệ thông tin.

3. Phát triển giao diện trực quan hỗ trợ dự báo viên: Xây dựng phần mềm trực quan hóa kết quả nhận dạng XTNĐ, giúp dự báo viên dễ dàng theo dõi, kiểm tra và ra quyết định dự báo chính xác hơn. Thời gian: 1 năm; chủ thể: Trung tâm Dự báo và các đơn vị công nghệ.

4. Tăng cường đào tạo và hợp tác quốc tế: Đào tạo chuyên sâu về AI và khí tượng cho cán bộ dự báo, đồng thời hợp tác với các trung tâm quốc tế để trao đổi dữ liệu, phương pháp và nâng cao năng lực nghiên cứu. Thời gian: 2-3 năm; chủ thể: Bộ Khoa học và Công nghệ, Đại học Khoa học Tự nhiên.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu khí tượng và khí hậu: Luận văn cung cấp phương pháp mới ứng dụng AI trong nhận dạng XTNĐ, giúp nâng cao chất lượng nghiên cứu và phát triển các mô hình dự báo hiện đại.

2. Cán bộ dự báo khí tượng thủy văn: Hỗ trợ cải thiện độ chính xác trong công tác dự báo, giảm thiểu sai số và tăng tính khách quan trong nhận dạng vị trí và cường độ bão.

3. Chuyên gia công nghệ thông tin và AI: Cung cấp ví dụ ứng dụng thực tiễn của mạng DL trong lĩnh vực khí tượng, mở rộng phạm vi ứng dụng AI trong các ngành khoa học tự nhiên.

4. Các cơ quan quản lý thiên tai và phòng chống bão lụt: Giúp nâng cao năng lực dự báo, từ đó xây dựng các kế hoạch ứng phó kịp thời, giảm thiểu thiệt hại do thiên tai gây ra.

Câu hỏi thường gặp

1. Phương pháp AI có thể thay thế hoàn toàn phương pháp truyền thống không?
   Phương pháp AI bổ sung và nâng cao độ chính xác nhận dạng, nhưng vẫn cần kết hợp với kinh nghiệm dự báo viên và các phương pháp truyền thống để đảm bảo tính toàn diện và độ tin cậy.

2. Dữ liệu vệ tinh Himawari-8,9 có ưu điểm gì trong nghiên cứu này?
   Himawari-8,9 cung cấp ảnh đa phổ với độ phân giải không gian cao (0.5-2 km) và thời gian quét nhanh (10 phút/lần), giúp theo dõi chi tiết sự phát triển và chuyển động của XTNĐ.

3. Mô hình DL có thể áp dụng cho các khu vực khác ngoài Biển Đông không?
   Có thể, với điều kiện có dữ liệu huấn luyện phù hợp. Mô hình có khả năng học các đặc trưng chung của XTNĐ, nhưng cần hiệu chỉnh để phù hợp với đặc điểm khí hậu từng khu vực.

4. Sai số vị trí tâm XTNĐ của mô hình DL là bao nhiêu?
   Sai số trung bình khoảng 20-30 km, thấp hơn nhiều so với phương pháp ADT truyền thống có sai số 50-60 km, giúp nâng cao độ chính xác dự báo.

5. Làm thế nào để cải thiện thêm độ chính xác của mô hình?
   Có thể mở rộng dữ liệu huấn luyện, kết hợp thêm các nguồn dữ liệu khác như radar, mô hình số, và áp dụng các kỹ thuật học sâu tiên tiến hơn như học chuyển giao (transfer learning).

Kết luận

• Luận văn đã phát triển thành công mô hình học sâu kết hợp mạng ResNet và RetinaNet để nhận dạng vị trí và cường độ XTNĐ trên khu vực Biển Đông với độ chính xác cao.
• Mô hình giảm thiểu sai số vị trí tâm XTNĐ xuống còn khoảng 20-30 km, cải thiện đáng kể so với phương pháp truyền thống.
• Phân loại cường độ XTNĐ đạt độ chính xác trên 85%, xử lý tốt các mẫu mây phức tạp và tương tác thời tiết.
• Việc kết hợp dữ liệu ảnh vệ tinh Himawari-8,9 và vectơ chuyển động khí quyển AMV giúp nâng cao hiệu quả nhận dạng.
• Đề xuất triển khai hệ thống nhận dạng tự động, mở rộng dữ liệu và đào tạo chuyên sâu nhằm nâng cao năng lực dự báo khí tượng thủy văn tại Việt Nam.

Tiếp theo, cần tiến hành thử nghiệm mô hình trong môi trường thực tế, tích hợp vào hệ thống dự báo quốc gia và mở rộng nghiên cứu ứng dụng AI trong các lĩnh vực khí tượng khác. Đề nghị các cơ quan liên quan phối hợp triển khai để phát huy tối đa hiệu quả nghiên cứu.

Trích đoạn nội dung tài liệu

Chương 1 – TỔNG QUAN 1. Tổng quan về Xoáy thuận nhiệt đới và công tác giám sát phân tích xoáy thuận nhiệt đới Xoáy thuận nhiệt đới (XTNĐ) là một hệ thống áp thấp quy mô synop (thường không quá 1000km), không có front trên vùng biển nhiệt đới hoặc cận nhiệt đới với hoạt động đối lưu có tổ chức và hoàn lưu gió bề mặt rõ ràng. [1] XTNĐ thường hình thành trên vùng biển có nhiệt độ bề mặt lớn hơn 26.50C, có thể tiếp diễn trong nhiều ngày, thậm chí nhiều tuần (ví dụ như bão John – Typhoon John - đã kéo dài tới 31 ngày từ ngày 11 tháng 8 năm 1994 tới ngày 12 tháng 9 năm 1994). Dựa vào tốc độ gió lớn nhất sát bề mặt ở vùng gần tâm xoáy, tổ chức khí tượng thế giới (WMO) [2] phân loại XTNĐ thành các cấp độ khác nhau, ví dụ bão có tốc độ gió cực đại >17.

Sự hoạt động của XTNĐ đặc biệt lúc đổ bộ vào đất liền gây ra những thiệt hại rất lớn về con người và tài sản. Vì vậy việc nghiên cứu để đưa ra dự báo về cường độ và quỹ đạo của XTNĐ là vấn đề cấp thiết và rất được chú trọng nghiên cứu nhằm giảm thiểu những hệ quả do XTNĐ gây ra. Hiện nay trên thế giới có rất nhiều phương pháp và công cụ được đưa vào nghiên cứu, thử nghiệm theo dõi vị trí và cường độ của XTNĐ. Các nghiên cứu trong nước Một trong những kĩ thuật phân tích bão được sử dụng ở hầu khắp các trung tâm dự báo trên thế giới đó là kĩ thuật Dvorak [3].

Trải qua rất nhiều năm cải tiến, từ phương pháp Dvorak cổ điển năm 1980 tới nay phương pháp Dvorak cải tiến nhất là ADT [4]. Phương pháp Dvorak truyền thống (DT) được tính toán dựa trên ảnh VIS và ảnh IR. Quá trình thực hiện phương pháp được chia thành 10 bước [5]: Trang - 3 Luận văn Thạc sĩ – Chu Thị Huyền Trang Hình 1. Mười bước xác định cường độ XTNĐ bằng phương pháp Dvorak [5] Quy trình thực hiện kĩ thuật Dvorak cải tiến ADT được chia thành 3 bước chính [5]: Hình 2.

Sơ đồ mô tả các bước phân tích tâm, cường độ XTNĐ sử dụng trong phương pháp ADT [5] Trang - 4 Luận văn Thạc sĩ – Chu Thị Huyền Trang Nhìn vào sơ đồ Hình 2 có thể thấy, nhược điểm của phương pháp ADT nằm ngay ở những bước đầu tiên xác định tâm xoáy. Các giá trị khởi tạo ban đầu của vị trí tâm hoặc là mang tính chủ quan dựa vào dự báo viên làm thủ công, hoặc là sử dụng từ các trung tâm dự báo quốc tế, hoặc là khoanh vùng miền áp dụng tính toán từ thông tin dự báo một cách tuyến tính vị trí XTNĐ trong 1-3 ngày. Không chỉ vậy, phương pháp ADT còn tồn tại những bất cập trong việc tự động nhận dạng mẫu mây. Năm 2018, Trần Quang Năng và ccs “So sánh kĩ thuật phân tích cường độ bão Dvorak cải tiến (ADT) và phương pháp phân tích Dvorak (DT) trong nghiệp vụ dự báo bão trên khu vực biển Đông” [6].

Nghiên cứu bao gồm hai phần chính: phần 1 so sánh giữa phương pháp Dvorak cổ điển và phương pháp Dvorak cải tiến cho cơn bão Megi (2010), phần 2 là những đánh giá chi tiết về cường độ, sai số hệ thống, khả năng nhận dạng mây bão của ADT với DT giai đoạn 2010 - 2015. Kết quả của phần 1 cho thấy phương pháp ADT không thể hiện sự ưu việt hơn so với phương pháp DT trong việc mô phỏng cơn bão Megi (thể hiện ở việc sai số so với Quỹ đạo bão chuẩn (QĐBC) của ADT lớn hơn DT). Sai số này có nguyên nhân chính là do phương pháp ADT nhận dạng nhầm mẫu mây. Ở phần 2, đối với đánh giá khả năng nhận dạng mây, nhìn chung DT phân thành 5 dạng mây còn ADT phân thành 6 dạng mây.

Khi XTNĐ phát triển mạnh thì cả 2 phương pháp đều nhận dạng tương đồng nhau, tuy nhiên ở giai đoạn hình thành hoặc suy yếu thì có sự khác biệt khá rõ, đặc biệt trong trường hợp nhận dạng mẫu mây dạng băng cuốn. Từ đó dẫn đến nhận dạng cường độ khác nhau. Đối với đánh giá cường độ giữa 2 phương pháp, nhìn chung DT có sai số thấp hơn ADT trong hầu hết các mẫu dạng phân tích mây bão. Tuy nhiên các tác giả cũng lưu ý một điều rằng phương pháp ADT đang được hiệu chỉnh khác với chế độ đo gió của Việt Nam, cường độ này có thể lớn hơn khoảng 5-10% so với QĐBC.

Đối với giai đoạn phát triển mạnh nhất của bão, sự chính xác của ADT có thể được xem như là giá trị cận trên có khả năng xảy ra nhất trong việc phân tích cường độ bão. Các nghiên cứu nước ngoài Trang - 5 Luận văn Thạc sĩ – Chu Thị Huyền Trang Năm 2006, Q.Zhang và ccs [7] đã xác định tâm XTNĐ một cách tự động bằng kĩ thuật xử lí hình ảnh dựa trên ảnh vệ tinh. Sau khi tiền xử lí, một số kĩ thuật xác định tâm sẽ được áp dụng, dựa trên cơ sở kết hợp chuyển động của xoáy và tịnh tiến. Theo hình dạng đối xứng của XTNĐ và đặc điểm xoắn ốc của nó, đường xoắn logarit được sử dụng để khớp với rìa của đám mây đặc trưng xoáy thuận, có thể được sử dụng để ước tính tâm xoáy.

Theo chuyển động của XTNĐ, một phương pháp đối chiếu xoay vòng (rotation matching) sẽ được áp dụng để theo dõi đường đi thông qua trình tự hình ảnh. Phân đoạn hình ảnh được sử dụng để phân biệt các đối tượng từ nền của chúng. Đối với hình ảnh cường độ (những hình ảnh được đại diện bởi các mức cường độ), bốn cách tiếp cận phổ biến là: - Kĩ thuật ngưỡng: dựa trên thông tin pixel cục bộ, có hiệu quả khi mức cường độ của đối tượng nằm ngoài phạm vi của mức trong nền. - Phương pháp dựa trên cạnh: xoay quanh việc phát hiện đường viền.

- Phương pháp dựa trên vùng: hình ảnh được phân vùng thành các vùng được kết nối bằng cách nhóm các pixel lân cận có mức cường độ tương tự. Các vùng liền kề sau đó được hợp nhất theo một số tiêu chí liên quan đến độ sắc nét của ranh giới vùng. - Phương pháp dựa trên connectivity-preserving relaxation: bắt đầu với 1 số hình dạng đường biên ban đầu được biểu diễn dưới dạng các đường cong, sau đó được sửa đổi thu nhỏ/mở rộng theo một số hàm năng lượng khác nhau. Mô hình khớp xoắn được đề xuất trong nghiên cứu này chia thành các giai đoạn: tính năng khai thác đám mây, tính năng làm mịn đám mây, tính năng trích xuất skeleton (hình dạng theo ít chiều hơn) của đám mây và mô phỏng dựa trên thuật toán bình phương nhỏ nhất.

Nghiên cứu này cũng trình bày phương phương pháp xoay tâm. Tâm bão được xác định là điểm ở khu vực trung tâm của cơn bão có vecto quay bằng 0 và được xác định bằng phương pháp hình học. Kết quả cho thấy, tâm hình học của một số giá trị được tính toán được sử dụng làm tâm thực của XTNĐ. Sử dụng phân tích hình ảnh có thể thấy kết quả đủ chính xác để đưa ra dự báo 1 cách chắc chắn.

“Một thuật toán mới để tự động tìm mắt của XTNĐ bằng cách sử dụng dữ liệu radar Doppler” [8] của Ka Yan Wong và ccs năm 2007 mô tả một phương pháp phân Trang - 6 Luận văn Thạc sĩ – Chu Thị Huyền Trang tích cấu trúc trường chuyển động để định vị mắt XTNĐ chính xác hơn. Thử nghiệm cho 4 cơn bão hoạt động trên biển Đông, Dữ liệu được sử dụng là các hình ảnh phản xạ radar CAPPI 3km được chụp mỗi 6 phút, cùng với vận tốc Doppler. Thuật toán được xây dựng dựa trên kĩ thuật voting. Một chuỗi các hình ảnh radar được mô hình hóa dưới dạng video, xây dựng thành trường vecto chuyển động để phân tích.

Tâm XTNĐ được xác định bằng cách định vị điểm được bao phủ bởi số lượng cung lớn nhất (tạo ra bởi các vecto quay). Để đánh giá hiệu suất của phương pháp, một hệ thống dựa trên Java được xây dựng. Sai số trung bình của các XTNĐ nằm hoàn toàn trong phạm vi quét của radar là 0.150 theo kinh/vĩ độ trên bản đồ Mercator Projection. Thuật toán này cũng có thể hữu ích cho các XTNĐ đang trong giai đoạn tan rã hoặc ngoài phạm vi của Radar.

Năm 2010, Juhong Zou và ccs [9] đã phát triển thuật toán tự động nhận dạng bão từ dữ liệu gió QuikSCAT. Các đặc điểm biểu đồ về tốc độ gió và hướng gió của bão được sử dụng để nhận dạng thô, sau đó nhận dạng chính xác hơn sử dụng các đặc tính hoàn lưu của bão được áp dụng cho dữ liệu gió, để bão quan sát được bởi QuikSCAT có thể nhận dạng một cách tự động. Ví dụ một trường hợp thử nghiệm là cơn bão Morakat năm 2009 với dữ liệu QuikSCAT do PO.DACC cung cấp. Với nhận dạng thô, tốc độ gió được coi là tiêu chí để xác định bão.

Nếu 1 cơn bão tồn tại nằm trong một khu vực giới hạn được xác định trước trích xuất từ hình ảnh QuikSCAT, tốc độ gió tối đa trong khu vực phải vượt quá một tốc độ gió tối thiểu (ví dụ 8 m/s) và tiêu chí này phải được đáp ứng ít nhất 300 lần trong vùng xác minh. Với nhận dạng chính xác hơn sử dụng 3 tiêu chí: 1. Góc giữa hướng gió và dòng dẫn tại mỗi ô phải nhỏ hơn 1 góc tối thiểu 450 2. Trên dòng dẫn, sự khác biệt của hướng gió giữa 2 ô lân cận nên nhỏ hơn 200 3.

Có ít nhất một vòng tròn khép kín. Trang - 7 Luận văn Thạc sĩ – Chu Thị Huyền Trang Hình 3. Nhận dạng bão Morakat từ dữ liệu QuikSCAT [9] Kết quả được thể hiện trên hình 3 cho thấy một cơn bão tồn tại trong vùng giới hạn (đường màu đen). Tất cả các giai đoạn của bão mà QuikSCAT quan sát được kể cả nằm ở rìa mặt cắt của QuikSCAT cũng đều được xác định chính xác.

Năm 2013, Gang Yin và Yu Feng Chen [10] giới thiệu một thuật toán mới tự động định vị mắt bão dựa trên ảnh mây vệ tinh hồng ngoại. Cơ sở của phương pháp là dựa vào sự khác biệt về giá trị màu xám khá rõ ràng trong các khu vực khác nhau của ảnh mây hồng ngoại. Sau khi tiền xử lí ảnh mây, các tác giả sử dụng mẫu x33 để phân đoạn vùng tường mây có giá trị xám cao. Sau đó thực hiện xử lí binarization cho hình ảnh và sử dụng phương pháp kết hợp với hình thái toán học và trí tuệ nhân tạo để xử lí hình ảnh trong quá trình lọc.