Phân Tích Mô Hình ARIMA Dự Báo Lượng Mưa Tại Hà Nội

Luận văn thạc sĩ phân tích nghiên cứu ứng dụng mô hình arima để dự báo lượng mưa vụ đông xuân ở một số tỉnh vùng đồng bằng bắc, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải

• Người hướng dẫn: PGS. Dương Văn Khảm
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Khoa học tự nhiên
• Đề tài: Phân Tích Mô Hình ARIMA Dự Báo Lượng Mưa Tại Hà Nội
• Loại tài liệu: luận văn
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 2. CHƯƠNG 2: MÔ HÌNH ARIMA VÀ SỐ LIỆU SỬ DỤNG
• 3. CHƯƠNG 3: KẾT QUẢ VÀ THẢO LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Lượng Mưa Tại Hà Nội Với ARIMA

Các thông tin dự báo khí hậu, đặc biệt là dự báo lượng mưa có ý nghĩa lớn đến các hoạt động phát triển kinh tế xã hội như kế hoạch sản xuất nông nghiệp, du lịch, đánh bắt và nuôi trồng thủy sản, quản lý, khai thác có hiệu quả nguồn tài nguyên nước. Mức độ tin cậy về dự báo mưa mùa thường thấp hơn so với các yếu tố dự báo khác, nguyên nhân là do sự phân bố theo không gian và sự biến đổi theo thời gian của lượng mưa phụ thuộc vào nhiều yếu tố khác. Chính vì vậy công tác nghiên cứu dự báo mưa mùa tuy không còn mới nhưng vẫn đang rất được quan tâm ở nhiều nước trên thế giới, trong đó có Việt Nam.

1.1. Tầm Quan Trọng Của Dự Báo Lượng Mưa Chính Xác

Việc dự báo lượng mưa chính xác, đặc biệt là ở các khu vực nông nghiệp trọng điểm như Đồng bằng Bắc Bộ, có ý nghĩa vô cùng quan trọng. Nó giúp tối ưu hóa việc sử dụng nguồn nước, lập kế hoạch sản xuất hợp lý, giảm thiểu rủi ro do thiên tai và nâng cao năng suất cây trồng. Điều này đặc biệt quan trọng trong bối cảnh biến đổi khí hậu ngày càng phức tạp, đòi hỏi các giải pháp dự báo chính xác và tin cậy hơn.

1.2. Thách Thức Trong Dự Báo Lượng Mưa Vụ Đông Xuân

Ở vùng Đồng bằng Bắc Bộ trong những năm gần đây sản xuất lúa vụ đông xuân luôn phải đối mặt với tình trạng thiếu nước nghiêm trọng ở giai đoạn đầu vụ, nhiều khu vực đã phải chuyển đổi diện tích trồng lúa vụ đông xuân sang trồng các cây hoa màu. Vì vậy dự báo lượng mưa vụ đông xuân, đặc biệt là tổng lượng mưa trong khoảng từ tháng 10 năm trước đến tháng 1 năm sau sẽ cho phép tính toán được tổng lượng nước cần phải tưới đối với các cây trồng cạn trong vụ đông và lượng nước đổ ải làm đất đối với vụ lúa đông xuân thông qua các mô hình khí tượng nông nghiệp.

II. Phương Pháp ARIMA Giải Pháp Dự Báo Lượng Mưa Hà Nội

Mô hình ARIMA là mô hình phân tích chuỗi thời gian, nó không chỉ xem xét các chu kỳ tự vận động của chuỗi dữ liệu dự báo, các mối tương tác trong quá trình tự động của các nhân tố ảnh hưởng khác mà nó còn đánh giá được các quy luật vận sai số trong quá trình mô phỏng để nâng cao độ chính xác của dự báo. Mô hình này đã được áp dụng ở nhiều nước trên thế giới nhưng ở Việt Nam cho đến nay vẫn còn rất ít các nghiên cứu áp dụng trong dự báo khí hậu mùa.

2.1. Ưu Điểm Của Mô Hình ARIMA Trong Dự Báo Thời Tiết

Mô hình ARIMA không chỉ xem xét các chu kỳ tự vận động của chuỗi dữ liệu dự báo mà còn đánh giá được các quy luật vận sai số trong quá trình mô phỏng. Điều này giúp nâng cao độ chính xác của dự báo, đặc biệt quan trọng trong dự báo thời tiết và dự báo lượng mưa tại các khu vực có điều kiện khí hậu phức tạp như Hà Nội.

2.2. Giới Thiệu Về Mô Hình Box Jenkins ARIMA

Mô hình Box-Jenkins (ARIMA) là một phương pháp thống kê được sử dụng rộng rãi để phân tích và dự báo chuỗi thời gian. Nó bao gồm các thành phần tự hồi quy (AR), tích hợp (I) và trung bình trượt (MA). Việc lựa chọn các tham số phù hợp cho mô hình là rất quan trọng để đạt được độ chính xác cao trong dự báo.

III. Xây Dựng Mô Hình ARIMA Dự Báo Mưa Hướng Dẫn Chi Tiết

Để xây dựng mô hình ARIMA hiệu quả, cần thực hiện các bước sau: Xác định tính ổn định của chuỗi thời gian, nhận dạng cấu trúc của mô hình, xác định các tham số của mô hình, và kiểm định mô hình. Phần mềm thống kê SAS có thể được sử dụng cho việc xây dựng và kiểm định mô hình ARIMA.

3.1. Xác Định Tính Ổn Định Của Chuỗi Thời Gian Lượng Mưa

Bước đầu tiên trong xây dựng mô hình ARIMA là xác định tính ổn định của chuỗi thời gian lượng mưa. Chuỗi thời gian ổn định là chuỗi có trung bình và phương sai không thay đổi theo thời gian. Nếu chuỗi không ổn định, cần thực hiện các phép biến đổi như sai phân để đạt được tính ổn định.

3.2. Nhận Dạng Cấu Trúc Mô Hình ARIMA Cho Dữ Liệu Mưa

Sau khi đảm bảo tính ổn định, cần nhận dạng cấu trúc phù hợp cho mô hình ARIMA. Điều này bao gồm việc xác định bậc của các thành phần tự hồi quy (AR), tích hợp (I) và trung bình trượt (MA). Các hàm tự tương quan (ACF) và tự tương quan riêng phần (PACF) có thể được sử dụng để hỗ trợ quá trình này.

3.3. Xác Định Tham Số và Kiểm Định Mô Hình ARIMA

Khi cấu trúc mô hình đã được xác định, các tham số của mô hình cần được ước lượng. Sau đó, mô hình cần được kiểm định để đảm bảo rằng nó phù hợp với dữ liệu và có khả năng dự báo tốt. Các chỉ số như AIC ARIMA, BIC ARIMA, RMSE lượng mưa và MAE lượng mưa có thể được sử dụng để đánh giá hiệu suất của mô hình.

IV. Ứng Dụng Mô Hình ARIMA Dự Báo Lượng Mưa Vụ Đông Xuân

Luận văn này nghiên cứu ứng dụng mô hình ARIMA để dự báo lượng mưa vụ đông xuân ở một số tỉnh vùng Đồng bằng Bắc Bộ. Dữ liệu quan trắc mưa từ các trạm khí tượng và số liệu về các chỉ số khí hậu được sử dụng. Các kết quả dự báo được đánh giá thông qua các chỉ số thống kê như RMSE và MAE.

4.1. Dữ Liệu Sử Dụng Trong Nghiên Cứu Dự Báo Lượng Mưa

Nghiên cứu sử dụng dữ liệu quan trắc lượng mưa từ các trạm khí tượng ở vùng Đồng bằng Bắc Bộ, cũng như số liệu về các chỉ số khí hậu như chỉ số dao động Nam (SOI) và số vết đen Mặt Trời. Dữ liệu lịch sử lượng mưa Hà Nội được sử dụng để huấn luyện và kiểm định mô hình ARIMA.

4.2. Đánh Giá Độ Chính Xác Dự Báo Của Mô Hình ARIMA

Khả năng dự báo lượng mưa vụ đông xuân bằng mô hình ARIMA được đánh giá dựa trên các chỉ số như RMSE lượng mưa và MAE lượng mưa. Các chỉ số này cho biết mức độ sai số giữa giá trị dự báo và giá trị thực tế. Mô hình tốt sẽ có các chỉ số này càng nhỏ càng tốt.

4.3. So Sánh Mô Hình ARIMA Với Các Mô Hình Dự Báo Khác

Nghiên cứu so sánh hiệu quả của mô hình ARIMA với các mô hình dự báo khác như mô hình SARIMA, GARCH, và các phương pháp thống kê truyền thống. So sánh này giúp xác định xem mô hình ARIMA có phải là lựa chọn tốt nhất cho việc dự báo lượng mưa ở Hà Nội hay không.

V. Kết Luận Tiềm Năng Phát Triển Mô Hình ARIMA Trong Dự Báo

Nghiên cứu cho thấy mô hình ARIMA có tiềm năng trong việc dự báo lượng mưa vụ đông xuân ở vùng Đồng bằng Bắc Bộ. Tuy nhiên, cần tiếp tục nghiên cứu và cải tiến mô hình để nâng cao độ chính xác và tin cậy của dự báo. Việc tích hợp thêm các yếu tố khí hậu khác và sử dụng các kỹ thuật học máy có thể giúp cải thiện hiệu suất của mô hình.

5.1. Hướng Nghiên Cứu Tiếp Theo Về Mô Hình Dự Báo ARIMA

Các hướng nghiên cứu tiếp theo có thể tập trung vào việc tích hợp thêm các yếu tố khí hậu khác vào mô hình ARIMA, sử dụng các kỹ thuật học máy để cải thiện khả năng dự báo, và phát triển các mô hình dự báo lượng mưa tiên tiến hơn. Việc thu thập và phân tích dữ liệu lịch sử lượng mưa cũng cần được chú trọng để đảm bảo tính chính xác của mô hình.

5.2. Ứng Dụng ARIMA Trong Dự Báo Ngắn Hạn và Dài Hạn

Mô hình ARIMA có thể được sử dụng cho cả dự báo ngắn hạn lượng mưa và dự báo dài hạn lượng mưa. Tuy nhiên, cần lưu ý rằng độ chính xác của dự báo sẽ giảm khi thời gian dự báo càng dài. Việc lựa chọn các tham số phù hợp cho mô hình là rất quan trọng để đạt được độ chính xác cao trong cả hai loại dự báo.

Nội dung chính

Tổng quan nghiên cứu

Sản xuất nông nghiệp tại các tỉnh Đồng bằng Bắc Bộ chịu sự chi phối mạnh mẽ của diễn biến thời tiết, trong đó lượng mưa vụ đông xuân quyết định trực tiếp đến hơn 70% kế hoạch gieo cấy lúa và cây màu. Giai đoạn đầu vụ, từ tháng 10 năm trước đến tháng 1 năm sau, tình trạng hạn hán và thiếu hụt nguồn nước đổ ải thường xuyên xảy ra, buộc nhiều địa phương phải chuyển đổi hàng nghìn hecta đất canh tác. Dự báo chính xác lượng mưa hạn mùa trước 3 đến 4 tháng giữ vai trò then chốt giúp các cơ quan quản lý lập kế hoạch tích trữ nước tại các hồ chứa thủy lợi và bố trí khung thời vụ tối ưu.

Mục tiêu trọng tâm của nghiên cứu là xây dựng và ứng dụng mô hình tự hồi quy tích hợp trung bình trượt đơn biến và đa biến nhằm dự báo định lượng tổng lượng mưa vụ đông xuân. Phạm vi không gian nghiên cứu bao phủ 9 trạm khí tượng tiêu biểu thuộc khu vực Đồng bằng Bắc Bộ với chuỗi số liệu quan trắc nhiều năm. Việc ứng dụng mô hình toán thống kê chuỗi thời gian kết hợp các biến động đại dương quy mô lớn giúp nâng cao độ chính xác dự báo hạn mùa, khắc phục tình trạng dự báo định tính thông thường, đồng thời cung cấp cơ sở khoa học để giảm thiểu từ 15% đến 25% chi phí vận hành điều tiết nước nông nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng lý thuyết mô hình chuỗi thời gian do George Box và Gwilym Jenkins đề xuất năm 1970, ký hiệu là mô hình ARIMA(p,d,q). Mô hình này vận hành dựa trên việc phân tích cấu trúc tự tương quan của chính chuỗi số liệu quá khứ thông qua ba tham số chính: bậc tự hồi quy p, bậc sai phân d để tạo chuỗi dừng, và bậc trung bình trượt q. Đến năm 1976, phương pháp hàm truyền hay mô hình hồi quy động lực ARIMAX được phát triển nhằm tích hợp thêm các chuỗi tác động ngoại sinh vào quá trình dự báo chuỗi thời gian gốc.

Khung phân tích tập trung vào các khái niệm nền tảng: tính ổn định ngẫu nhiên của chuỗi dừng, hàm tự tương quan ACF, hàm tự tương quan riêng phần PACF, và hàm tương quan chéo CCF giữa biến đầu vào và biến phụ thuộc. Bên cạnh đó, nghiên cứu xem xét ảnh hưởng của hiện tượng hoàn lưu khí quyển quy mô hành tinh thông qua chỉ số dao động Nam SOI, dị thường nhiệt độ mặt nước biển SSTA tại 4 vùng trọng điểm NINO (Nino 1+2, Nino 3, Nino 4, Nino 3.4), cùng chu kỳ 11 năm của số vết đen Mặt Trời nhằm nắm bắt các biến động khí hậu dài hạn.

Phương pháp nghiên cứu

Nguồn dữ liệu đầu vào bao gồm chuỗi số liệu quan trắc lượng mưa tháng tại 9 trạm khí tượng đại diện vùng Đồng bằng Bắc Bộ trong thời gian dài hơn 40 năm. Nguồn dữ liệu hoàn lưu khí quyển và đại dương được thu thập từ Cơ quan Quản lý Khí quyển và Đại dương Hoa Kỳ (NOAA) và Trung tâm Quốc gia Dự báo Môi trường (NCEP). Cỡ mẫu nghiên cứu được phân chia thành 2 tập độc lập: khoảng 85% dung lượng chuỗi dùng làm mẫu phụ thuộc (in-sample) để nhận dạng và xác định tham số mô hình; 15% dung lượng chuỗi còn lại dùng làm mẫu độc lập (out-sample) để kiểm định khách quan năng lực dự báo.

Phương pháp chọn mẫu chuỗi thời gian liên tục nhiều thập kỷ được lựa chọn nhằm bảo đảm tính dừng thống kê và giảm thiểu sai số ngoại lai. Toàn bộ quy trình tính toán, ước lượng tham số theo thuật toán bình phương tối thiểu và kiểm tra chẩn đoán phần dư được thực hiện tự động hóa trên hệ thống phần mềm thống kê chuyên dụng SAS (Statistical Analysis System). Quy trình phân tích diễn ra qua 4 bước: kiểm định tính dừng chuỗi mưa vụ đông xuân, nhận dạng cấu trúc bậc mô hình qua biểu đồ ACF/PACF, ước lượng tham số thống kê, và kiểm định sai số dự báo bằng các chỉ tiêu định lượng như sai số quân phương RMSE và sai số tuyệt đối trung bình MAE.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm tại 9 trạm khí tượng vùng Đồng bằng Bắc Bộ mang lại 4 kết quả nổi bật:

• Chuỗi lượng mưa vụ đông xuân tại các trạm phần lớn đạt trạng thái dừng ở sai phân bậc 0 hoặc bậc 1, cho phép thiết lập các mô hình ARIMA đơn biến tối ưu như mô hình cấu trúc bậc (0,0,[4,5]) và (4,0,[4,5]) tại trạm Hà Nội.
• Khi khảo sát tương quan chéo với độ trễ từ 1 đến 120 tháng, các chỉ số dị thường nhiệt độ mặt nước biển vùng NINO và chỉ số SOI thể hiện mối liên kết vật lý chặt chẽ với lượng mưa vụ đông xuân, tạo tiền đề bổ sung biến ngoại sinh vào mô hình ARIMAX.
• Trên tập số liệu kiểm định độc lập out-sample, mô hình động thái ARIMAX giúp giảm sai số quân phương RMSE từ 18.5% đến 28.3% so với mô hình ARIMA đơn biến thuần túy tại trạm Hải Dương và Hà Nội.
• Hệ số kỹ năng dự báo MSSS của mô hình ARIMAX đạt trên 0.62 đối với hạn dự báo 4 tháng, phản ánh sát thực tế lượng mưa tích lũy từ tháng 10 đến tháng 1 năm sau với độ lệch chuẩn trung bình dưới 15 mm.

Thảo luận kết quả

Mối quan hệ trễ giữa các chỉ số đại dương và lượng mưa Đồng bằng Bắc Bộ bắt nguồn từ quán tính nhiệt lớn của biển Thái Bình Dương. Sự biến đổi của nhiệt độ mặt nước biển cần khoảng thời gian từ 6 đến 18 tháng để tác động đến hoàn lưu gió mùa mùa đông và các đợt không khí lạnh tràn về phía nam. Kết quả này tương đồng với các nghiên cứu của nhiều tác giả tại Thái Lan và Indonesia, nơi việc đưa biến ENSO vào mô hình hàm truyền giúp giảm sai số dự báo lượng mưa mùa từ 7% đến 15%.

Khi trực quan hóa qua biểu đồ sai số phần dư và bảng ma trận tương quan tham số, mô hình ARIMAX thể hiện ưu thế vượt trội trong việc nắm bắt các năm có thời tiết dị thường (như năm xuất hiện El Nino mạnh gây khô hạn hoặc La Nina gây mưa lớn trái mùa). Trái lại, mô hình ARIMA truyền thống chỉ dựa vào chu kỳ nội tại nên có xu hướng dự báo tiệm cận về giá trị trung bình nhiều năm. Việc kết hợp dữ liệu vết đen Mặt Trời chu kỳ 11 năm cũng hỗ trợ làm mịn các dao động dài hạn, gia tăng tính bền vững cho thuật toán dự báo.

Đề xuất và khuyến nghị

Nhằm phát huy giá trị thực tiễn của mô hình dự báo lượng mưa vụ đông xuân, các cơ quan chức năng cần triển khai 4 giải pháp trọng tâm:

• Tích hợp module ARIMAX vào quy trình dự báo nghiệp vụ: Trung tâm Dự báo Khí tượng Thủy văn Quốc gia cần chuẩn hóa mã nguồn trên phần mềm thống kê, tự động hóa cập nhật dữ liệu NINO và SOI hàng tháng trước ngày 15 để đưa ra bản tin dự báo mùa định lượng với độ tin cậy đạt trên 80%.
• Mở rộng phạm vi không gian và thời gian dự báo: Các viện nghiên cứu chuyên ngành cần nhân rộng mô hình cho 25 tỉnh thuộc khu vực Bắc Bộ và Bắc Trung Bộ trong vòng 12 đến 24 tháng tới, mở rộng dự báo chi tiết từng tháng thay vì chỉ dự báo tổng lượng cả vụ.
• Tối ưu hóa lịch điều tiết nước hồ chứa thủy điện: Tập đoàn Điện lực Việt Nam phối hợp Tổng cục Thủy lợi sử dụng kết quả dự báo trước 60 ngày để xây dựng phương án trữ nước tại hồ Hòa Bình, Thác Bà, Tuyên Quang, hướng tới mục tiêu tiết kiệm khoảng 1.2 đến 1.5 tỷ m³ nước xả đổ ải mỗi vụ đông xuân.
• Nâng cấp hệ thống trạm quan trắc tự động: Sở Nông nghiệp và Môi trường các địa phương cần đầu tư nâng cấp mạng lưới đo mưa tự động tại các tiểu vùng khí hậu đặc thù, giảm mật độ trạm xuống dưới 15 km/trạm nhằm nâng cao độ chính xác dữ liệu đầu vào cho mô hình toán.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị học thuật và ứng dụng sâu rộng cho 4 nhóm đối tượng chính:

• Chuyên viên dự báo khí tượng thủy văn: Cung cấp cẩm nang chi tiết về các bước xử lý chuỗi thời gian, nhận dạng bậc p, d, q trên biểu đồ ACF/PACF, và phương pháp tích hợp biến ngoại sinh vào mô hình hồi quy động lực.
• Cán bộ quản lý quy hoạch nông nghiệp: Giúp định hình cơ cấu giống lúa và cây vụ đông phù hợp với khả năng cấp nước, chủ động chuyển đổi lịch gieo cấy tại các vùng có nguy cơ hạn hán sớm.
• Kỹ sư vận hành công trình thủy lợi: Cung cấp số liệu dự báo lượng mưa trước 4 tháng làm căn cứ tính toán cân bằng nước lưu vực, lập lịch tích trữ và xả nước khoa học cho hệ thống kênh mương và hồ đập.
• Học viên cao học và nghiên cứu sinh: Cung cấp khung phương pháp luận chuẩn mực về thống kê ứng dụng trong khoa học trái đất, hỗ trợ trích dẫn và phát triển các đề tài dự báo khí hậu hạn mùa.

Câu hỏi thường gặp

Mô hình ARIMA và ARIMAX khác nhau như thế nào trong bài toán dự báo mưa?
Mô hình ARIMA đơn biến chỉ khai thác quy luật tự biến động của chính chuỗi số liệu mưa quá khứ. Trong khi đó, mô hình ARIMAX tích hợp thêm các nhân tố hoàn lưu ngoại sinh như chỉ số ENSO và nhiệt độ mặt nước biển, giúp giảm khoảng 20% sai số dự báo và nắm bắt hiệu quả các pha thời tiết cực đoan.

Tại sao nghiên cứu lại chọn khung thời gian dự báo hạn 4 tháng vụ đông xuân?
Khung 4 tháng từ tháng 10 đến tháng 1 năm sau là giai đoạn quyết định lượng nước tích lũy cho vụ đông và phục vụ công tác đổ ải gieo cấy lúa xuân. Dự báo chính xác tổng lượng mưa giai đoạn này giúp ngành nông nghiệp chủ động điều tiết hàng triệu mét khối nước tưới.

Hiện tượng ENSO ảnh hưởng như thế nào đến lượng mưa Đồng bằng Bắc Bộ?
Biến động nhiệt độ mặt nước biển vùng NINO và chỉ số SOI tạo nên độ trễ pha khí quyển từ 1 đến 24 tháng. Khi pha El Nino xuất hiện, lượng mưa vụ đông xuân thường có xu hướng hụt chuẩn từ 10% đến 30%, dẫn đến nguy cơ hạn hán và thiếu nước cục bộ.

Phần mềm thống kê SAS đóng vai trò gì trong quá trình thực hiện nghiên cứu?
SAS cung cấp các thuật toán tối ưu hóa tự động để kiểm định chuỗi dừng, ước lượng tham số bằng phương pháp hợp lý cực đại, và tính toán ma trận tương quan. Công cụ này xử lý nhanh chóng bộ dữ liệu hơn 40 năm với hàng nghìn quan trắc mà không xảy ra hiện tượng tràn bộ nhớ.

Giới hạn lớn nhất của phương pháp mô hình thống kê chuỗi thời gian là gì?
Mô hình thống kê phụ thuộc vào giả định các mối quan hệ quá khứ sẽ tiếp tục duy trì trong tương lai. Khi xuất hiện các kịch bản biến đổi khí hậu bất thường chưa từng có trong chuỗi số liệu lịch sử, độ chính xác của mô hình có thể bị suy giảm cục bộ.

Kết luận

• Xác lập thành công quy trình ứng dụng mô hình ARIMA và ARIMAX trong dự báo định lượng lượng mưa vụ đông xuân hạn 4 tháng tại 9 trạm trọng điểm vùng Đồng bằng Bắc Bộ.
• Chứng minh mô hình động thái ARIMAX kết hợp biến khí hậu đại dương ENSO vượt trội hơn mô hình ARIMA truyền thống, giảm từ 18% đến 28% sai số RMSE.
• Phát hiện mối liên hệ trễ vật lý từ 1 đến 120 tháng giữa các chỉ số SSTA, SOI, vết đen Mặt Trời và lượng mưa khu vực nghiên cứu.
• Cung cấp công cụ toán học thực nghiệm chạy trên nền tảng SAS với khả năng ứng dụng thực tế cao trong quản lý thủy lợi và chỉ đạo nông nghiệp.
• Mở ra hướng nghiên cứu tiếp nối trong vòng 1 đến 3 năm tới nhằm kết hợp phương pháp hạ quy mô thống kê với các mô hình động lực toàn cầu để nâng cao hơn nữa kỹ năng dự báo thời tiết mùa.