Đề tài ứng dụng mạng thần kinh nhân tạo dự báo bức xạ ngày khu vực đồng bằng phía Bắc Việt Nam

Bức xạ mặt trời đóng vai trò then chốt trong các quá trình khí hậu, sự sống và sản xuất năng lượng. 153 trang · Đại học Quốc gia Hà Nội · 2007.

• Tác giả: CN Hoàng Phúc Lâm
• Người hướng dẫn: PGS. Nguyễn Hướng Điền
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Khoa học tự nhiên
• Đề tài: Ứng Dụng Mô Hình Mạng Thần Kinh Nhân Tạo Dự Báo Tổng Lượng Bức Xạ Ngày Cho Khu Vực Đồng Bằng Phía Bắc Việt Nam
• Loại tài liệu: Báo cáo tóm tắt
• Năm xuất bản: 2007
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tình hình nghiên cứu và ứng dụng mạng TKNT
• 1.2. Các đặc trưng vật lý cơ bản của bức xạ
• 1.3. Sự hấp thụ bức xạ trong khí quyển
• 1.4. Sự khuếch tán bức xạ trong khí quyển
• 1.5. Cách tính bức xạ sóng ngắn trong khí quyển
• 1.6. Chế độ bức xạ ở khu vực đồng bằng phía bắc
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT MẠNG THẦN KINH NHÂN TẠO
• 2.1. Các khái niệm cơ bản về mạng thần kinh nhân tạo
• 2.2. Các quy tắc và phương pháp xây dựng mạng TKNT
• 2.3. Các loại mạng TKNT và ứng dụng
• 3. CHƯƠNG 3: ỨNG DỤNG MẠNG TKNT DỰ BÁO TỔNG XẠ CHO KHU VỰC ĐỒNG BẰNG PHÍA BẮC VIỆT NAM
• 3.1. Số liệu và phương pháp dự báo
• 3.2. Giới thiệu phần mềm NeuroSolutions
• 3.3. Một số kỹ thuật phụ trợ
• 3.4. Các chỉ số đánh giá, so sánh
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan Ứng dụng Mạng Thần Kinh Dự Báo Bức Xạ Ngày

Bức xạ mặt trời đóng vai trò then chốt trong các quá trình khí hậu, sự sống và sản xuất năng lượng. Việc dự báo chính xác tổng lượng bức xạ ngày là vô cùng quan trọng cho các ứng dụng như năng lượng tái tạo, nông nghiệp và quản lý tài nguyên nước. Khu vực đồng bằng phía bắc Việt Nam có điều kiện khí hậu đặc thù, chịu ảnh hưởng của gió mùa, gây khó khăn cho việc dự báo bức xạ mặt trời bằng các phương pháp truyền thống. Mạng thần kinh nhân tạo (ANN) nổi lên như một công cụ tiềm năng để giải quyết thách thức này. Nghiên cứu này tập trung vào việc ứng dụng ANN để xây dựng mô hình dự báo tổng lượng bức xạ ngày cho khu vực, tận dụng dữ liệu khí tượng và các yếu tố ảnh hưởng.

1.1. Tầm quan trọng của Dự báo Bức xạ Mặt trời Chính xác

Dự báo chính xác bức xạ mặt trời có ý nghĩa quan trọng trong nhiều lĩnh vực. Trong năng lượng mặt trời, nó giúp tối ưu hóa hiệu suất của các nhà máy điện mặt trời và hệ thống năng lượng mặt trời phân tán. Trong nông nghiệp, dự báo bức xạ mặt trời giúp nông dân đưa ra quyết định về thời gian gieo trồng, tưới tiêu và bón phân. Ngoài ra, dự báo chính xác còn hỗ trợ các hoạt động quản lý tài nguyên nước và nghiên cứu biến đổi khí hậu.

1.2. Đặc điểm Khí hậu và Bức xạ Khu vực Đồng Bằng Bắc Bộ

Khu vực đồng bằng phía bắc Việt Nam có khí hậu nhiệt đới ẩm, chịu ảnh hưởng mạnh mẽ của gió mùa. Sự biến động lớn về lượng mây, độ ẩm và nhiệt độ gây khó khăn cho việc dự báo bức xạ mặt trời. Các mô hình dự báo truyền thống thường gặp khó khăn trong việc nắm bắt các yếu tố phi tuyến ảnh hưởng đến tổng lượng bức xạ ngày.

II. Thách thức Độ Chính Xác Dự Báo Bức Xạ Tại Miền Bắc

Việc dự báo tổng lượng bức xạ ngày với độ chính xác cao tại khu vực đồng bằng phía bắc Việt Nam đối mặt với nhiều thách thức. Sự phức tạp của hệ thống khí hậu, sự thiếu hụt dữ liệu quan trắc và hạn chế của các mô hình truyền thống là những yếu tố cản trở. Nghiên cứu này nhằm mục tiêu vượt qua những thách thức này bằng cách sử dụng mạng thần kinh nhân tạo (ANN), một công cụ mạnh mẽ có khả năng học hỏi từ dữ liệu và mô hình hóa các mối quan hệ phi tuyến. Việc đánh giá hiệu năng mô hình một cách khách quan cũng là một phần quan trọng để đảm bảo tính tin cậy của dự báo.

2.1. Hạn chế của Các Phương pháp Dự báo Bức xạ Truyền thống

Các phương pháp dự báo bức xạ mặt trời truyền thống, như các mô hình thống kê tuyến tính và mô hình vật lý đơn giản, thường không đủ khả năng nắm bắt sự phức tạp của hệ thống khí hậu. Chúng có thể không dự báo chính xác trong các điều kiện thời tiết khắc nghiệt hoặc khi có sự thay đổi đột ngột về lượng mây hoặc độ ẩm.

2.2. Vấn đề Thu thập và Xử lý Dữ liệu Khí tượng ở Việt Nam

Việc thu thập và xử lý dữ liệu khí tượng, bao gồm dữ liệu bức xạ, nhiệt độ, độ ẩm và lượng mây, cũng là một thách thức lớn. Mật độ trạm quan trắc còn hạn chế và việc thiếu dữ liệu lịch sử dài hạn gây khó khăn cho việc huấn luyện các mô hình dự báo. Việc xử lý dữ liệu nhiễu và thiếu cũng đòi hỏi các kỹ thuật phức tạp.

2.3. Yêu cầu Độ Chính xác Cao cho Ứng dụng Năng lượng Mặt trời

Trong lĩnh vực năng lượng mặt trời, yêu cầu về độ chính xác của dự báo bức xạ mặt trời ngày càng cao. Sai sót nhỏ trong dự báo có thể dẫn đến những tổn thất lớn về hiệu suất và doanh thu của các nhà máy điện mặt trời. Do đó, việc phát triển các mô hình dự báo có độ chính xác cao là vô cùng cần thiết.

III. Phương pháp Xây dựng Mô hình ANN Dự Báo Bức Xạ Hiệu Quả

Nghiên cứu này sử dụng mạng thần kinh nhân tạo (ANN) để xây dựng mô hình dự báo tổng lượng bức xạ ngày cho khu vực đồng bằng phía bắc Việt Nam. Quá trình xây dựng mô hình bao gồm việc lựa chọn kiến trúc mạng phù hợp, thu thập và chuẩn bị dữ liệu huấn luyện, huấn luyện mạng và kiểm định mô hình. Các biến đầu vào mạng thần kinh bao gồm dữ liệu khí tượng từ các trạm quan trắc và dữ liệu tái phân tích từ các mô hình toàn cầu. Thuật toán học máy được sử dụng là lan truyền ngược (backpropagation).

3.1. Lựa chọn Kiến trúc Mạng ANN Phù hợp Feedforward Recurrent

Việc lựa chọn kiến trúc mạng ANN phù hợp là rất quan trọng. Các kiến trúc phổ biến bao gồm mạng feedforward và mạng recurrent. Mạng feedforward thích hợp cho việc mô hình hóa các mối quan hệ tĩnh, trong khi mạng recurrent có khả năng xử lý các dữ liệu chuỗi thời gian và nắm bắt các phụ thuộc thời gian.

3.2. Xử lý Dữ liệu Đầu vào Biến Khí tượng và Địa lý Quan trọng

Dữ liệu đầu vào cho mạng ANN bao gồm các yếu tố ảnh hưởng bức xạ mặt trời như nhiệt độ, độ ẩm, lượng mây, áp suất khí quyển, vị trí địa lý và thời gian trong năm. Việc chuẩn hóa và tiền xử lý dữ liệu là cần thiết để đảm bảo hiệu suất huấn luyện tốt nhất.

3.3. Huấn luyện và Tối ưu hóa Mô hình ANN Backpropagation

Quá trình huấn luyện mạng ANN bao gồm việc điều chỉnh các trọng số của mạng để giảm thiểu sai số dự báo. Thuật toán backpropagation là một thuật toán phổ biến được sử dụng để huấn luyện mạng ANN. Việc tối ưu hóa mô hình ANN bao gồm việc điều chỉnh các tham số như số lượng lớp, số lượng nơ-ron và tốc độ học để đạt được hiệu suất tốt nhất.

IV. Đánh giá Độ Chính Xác và Tin Cậy của Mô hình Dự Báo

Sau khi huấn luyện, mô hình ANN được đánh giá hiệu năng bằng cách so sánh dự báo của mô hình với dữ liệu quan trắc thực tế. Các chỉ số đánh giá bao gồm RMSE (Root Mean Squared Error), MAE (Mean Absolute Error) và R-squared. Kết quả cho thấy mô hình ANN có khả năng dự báo tổng lượng bức xạ ngày với độ chính xác cao hơn so với các phương pháp truyền thống. Việc kiểm định mô hình trên các bộ dữ liệu độc lập giúp đảm bảo tính tin cậy của dự báo.

4.1. Các Chỉ số Đánh giá Hiệu năng Mô hình RMSE MAE R squared

RMSE, MAE và R-squared là các chỉ số phổ biến được sử dụng để đánh giá hiệu năng của các mô hình dự báo. RMSE đo độ lớn trung bình của sai số dự báo, MAE đo giá trị tuyệt đối trung bình của sai số dự báo và R-squared đo tỷ lệ phương sai được giải thích bởi mô hình.

4.2. So sánh với Mô hình Dự báo Bức xạ Khác Statistical Models

Hiệu năng của mô hình ANN được so sánh với hiệu năng của các mô hình dự báo truyền thống, như các mô hình thống kê tuyến tính. Kết quả so sánh cho thấy mô hình ANN có độ chính xác cao hơn và ít bị ảnh hưởng bởi các yếu tố phi tuyến.

4.3. Phân tích Sai số và Đề xuất Cải thiện Mô hình ANN

Phân tích sai số dự báo giúp xác định các yếu tố gây ra sai số và đề xuất các biện pháp cải thiện mô hình. Các biện pháp cải thiện có thể bao gồm việc bổ sung dữ liệu đầu vào, điều chỉnh kiến trúc mạng và tối ưu hóa thuật toán huấn luyện.

V. Ứng dụng Tiềm Năng Sử Dụng Năng Lượng Mặt Trời Miền Bắc

Mô hình dự báo tổng lượng bức xạ ngày được phát triển trong nghiên cứu này có tiềm năng ứng dụng rộng rãi trong lĩnh vực năng lượng mặt trời tại khu vực đồng bằng phía bắc Việt Nam. Dự báo chính xác giúp tối ưu hóa thiết kế và vận hành các hệ thống năng lượng tái tạo, từ đó thúc đẩy việc sử dụng năng lượng mặt trời một cách hiệu quả. Thông tin này cũng hữu ích cho quy hoạch năng lượng.

5.1. Tối ưu Thiết kế và Vận hành Hệ thống Năng lượng Mặt trời

Dự báo chính xác bức xạ mặt trời giúp các nhà thiết kế và vận hành hệ thống năng lượng mặt trời đưa ra quyết định về kích thước, hướng và góc nghiêng của tấm pin mặt trời. Dự báo cũng giúp tối ưu hóa việc lưu trữ năng lượng và quản lý lưới điện.

5.2. Hỗ trợ Quy hoạch Năng lượng Tái tạo ở Việt Nam

Thông tin về tiềm năng năng lượng mặt trời và dự báo bức xạ mặt trời là rất quan trọng cho việc quy hoạch năng lượng tái tạo ở Việt Nam. Dự báo giúp các nhà hoạch định chính sách đưa ra quyết định về việc đầu tư vào các dự án năng lượng mặt trời và xây dựng các chính sách hỗ trợ phát triển năng lượng tái tạo.

5.3. Cung cấp thông tin cho cộng đồng và ngành năng lượng

Các kết quả dự báo bức xạ mặt trời cần được công bố rộng rãi để các tổ chức, người dân và ngành năng lượng có thể tiếp cận. Điều này góp phần vào việc nâng cao nhận thức về năng lượng tái tạo.

VI. Kết luận Ưu Điểm ANN và Hướng Phát Triển Dự Báo Bức Xạ

Nghiên cứu này đã chứng minh tiềm năng của mạng thần kinh nhân tạo (ANN) trong việc dự báo tổng lượng bức xạ ngày cho khu vực đồng bằng phía bắc Việt Nam. Mô hình ANN cho thấy độ chính xác cao hơn so với các phương pháp truyền thống. Trong tương lai, nghiên cứu có thể được mở rộng bằng cách sử dụng các kỹ thuật tối ưu hóa mô hình ANN tiên tiến hơn, kết hợp với dữ liệu từ các nguồn khác nhau và phát triển các mô hình dự báo cho các khu vực khác nhau.

6.1. Tổng kết Kết quả Đạt được và Ý nghĩa Nghiên cứu

Nghiên cứu đã đạt được kết quả khả quan trong việc xây dựng mô hình ANN dự báo tổng lượng bức xạ ngày. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc thúc đẩy việc sử dụng năng lượng mặt trời và quy hoạch năng lượng tái tạo ở Việt Nam.

6.2. Hướng Nghiên cứu Tiếp theo Cải tiến Mô hình và Mở rộng Ứng dụng

Hướng nghiên cứu tiếp theo bao gồm việc cải tiến mô hình ANN bằng cách sử dụng các kỹ thuật tối ưu hóa mô hình ANN tiên tiến hơn, kết hợp với dữ liệu từ các nguồn khác nhau và phát triển các mô hình dự báo cho các khu vực khác nhau. Ứng dụng vào các lĩnh vực khác như nông nghiệp.

6.3. Đề xuất chính sách hỗ trợ phát triển năng lượng mặt trời

Cần có các chính sách hỗ trợ phát triển năng lượng mặt trời nhằm khuyến khích việc sử dụng năng lượng tái tạo, góp phần bảo vệ môi trường và giảm thiểu sự phụ thuộc vào các nguồn năng lượng hóa thạch.

Nội dung chính

ỨNG DỤNG MẠNG THẦN KINH NHÂN TẠO (ANN) DỰ BÁO TỔNG LƯỢNG BỨC XẠ NGÀY KHU VỰC ĐỒNG BẰNG PHÍA BẮC VIỆT NAM

---

Tóm tắt nghiên cứu

Nghiên cứu "Ứng dụng mô hình mạng thần kinh nhân tạo dự báo tổng lượng bức xạ ngày cho khu vực đồng bằng phía Bắc Việt Nam" (Mã số đề tài: QG.35, do PGS. TS Nguyễn Hướng Điền chủ trì cùng các cộng sự tại Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội thực hiện) tập trung giải quyết bài toán cấp thiết: Làm thế nào để dự báo chính xác tổng lượng bức xạ mặt trời ngày tại các khu vực đồng bằng nhiệt đới có điều kiện khí tượng phức tạp bằng công cụ trí tuệ nhân tạo phi tuyến?

• Phương pháp tiếp cận: Nhóm tác giả đã tích hợp chuỗi số liệu quan trắc trắc quang 10 năm (1981–1990) tại 4 trạm tiêu biểu (Láng - Hà Nội, Phù Liễn - Hải Phòng, Yên Định - Thanh Hóa, Vinh - Nghệ An) cùng dữ liệu tái phân tích khí quyển quy mô lớn từ NCEP (Mỹ). Các cấu trúc mạng thần kinh nhân tạo (Artificial Neural Networks - ANN) gồm Mạng nhận thức đa lớp (Multilayer Perceptron - MLP), Mạng truy hồi (Recurrent Neural Network - RNN), Mạng truy hồi trễ thời gian (Time-Lagged Recurrent Network - TLRN) và mô hình dự báo tổ hợp (Ensemble forecasting) được xây dựng, tối ưu hóa qua các thuật toán lan truyền ngược, quy tắc quán tính (Momentum) và thuật toán thích nghi Delta-Bar-Delta.
• Kết quả then chốt: Nghiên cứu khẳng định mô hình TLRN kết hợp dự báo tổ hợp cho độ chính xác vượt trội, khắc phục triệt để các hạn chế của mô hình số trị truyền thống và mạng MLP tự viết đơn lẻ.
• Ý nghĩa thực tiễn: Công trình mở ra bước đột phá trong phương pháp luận hiệu chỉnh sản phẩm mô hình số toàn cầu về quy mô trạm địa phương, cung cấp công cụ đắc lực cho việc phát triển năng lượng mặt trời, quy hoạch nông nghiệp và dự báo thời tiết tại Việt Nam.

---

Bối cảnh và tầm quan trọng của đề tài

Thực trạng nghiên cứu và khoảng trống khoa học

Bức xạ mặt trời là nguồn năng lượng sơ cấp quyết định hoàn lưu khí quyển, cân bằng nhiệt bề mặt và là nền tảng sống của sinh quyển. Trong kỷ nguyên tìm kiếm các nguồn năng lượng sạch thay thế nhiên liệu hóa thạch nhằm giảm thiểu phát thải khí nhà kính ($CO_2$, $CO$) và đối phó biến đổi khí hậu, năng lượng mặt trời trở thành trọng tâm chiến lược toàn cầu.

Tuy nhiên, việc khai thác hiệu quả nguồn năng lượng này gặp thách thức lớn do tính bất định cao, phụ thuộc mật thiết vào biến trình ngày đêm, vĩ độ và các yếu tố khí tượng vi mô (mây, xon khí, hơi nước, hoàn lưu gió mùa). Các mô hình dự báo khí hậu và hoàn lưu toàn cầu (như NCEP, Eta) dù mô phỏng tốt các trường khí tượng quy mô lớn nhưng khi nội suy xuống bề mặt đất tại các trạm đo đạc cục bộ thường phát sinh sai số đáng kể (độ lệch có thể lên tới 20–30%).

Tại Việt Nam, các phương pháp thống kê tuyến tính truyền thống hoặc công thức bán thực nghiệm (như công thức Savinov, Ukrainsev) bộc lộ nhiều hạn chế khi tính toán độ phơi bức xạ ngày tại khu vực đồng bằng Bắc Bộ – nơi có đặc thù thời tiết chuyển mùa phức tạp, hiện tượng nghịch nhiệt và lượng mây tầng thấp dày đặc vào mùa xuân.

Tính cấp thiết và tiềm năng ứng dụng

Ứng dụng công nghệ xử lý tín hiệu phi tuyến thông qua mạng thần kinh nhân tạo (ANN) xuất hiện như một hướng tiếp cận đột phá. ANN sở hữu khả năng tự thích ứng, tự học từ chuỗi dữ liệu thực nghiệm và xấp xỉ chính xác các hàm số phi tuyến đa biến phức tạp mà các phương trình động lực học chất lưu khí quyển khó giải tích toàn vẹn. Đề tài QG.35 ra đời đáp ứng trực tiếp nhu cầu chuẩn hóa dữ liệu vi khí hậu, tạo tiền đề khoa học vững chắc cho ngành năng lượng tái tạo, dự báo nông nghiệp chính xác và quản lý tải điện quốc gia.

---

Phương pháp luận và cách tiếp cận nghiên cứu

Nghiên cứu xây dựng một quy trình công nghệ kết hợp giữa vật lý khí quyển, xử lý số liệu quan trắc trắc quang và khoa học máy tính thông qua phần mềm chuyên dụng NeuroSolutions cùng các module tính toán độc lập.

1. Nguồn dữ liệu và phân tích đặc trưng

Hệ thống biến số đầu vào được tuyển chọn nghiêm ngặt dựa trên cơ chế hấp thụ và khuếch tán bức xạ trong khí quyển:

• Dữ liệu thực nghiệm trạm: Dữ liệu chuỗi thời gian 10 năm (1981–1990) về tổng lượng bức xạ ngày ($MJ/m^2/ng\grave{a}y$) tại 4 trạm khí tượng bức xạ: Trạm Láng ($21^\circ01'B, 105^\circ51'Đ$), Phù Liễn ($20^\circ48'B, 106^\circ38'Đ$), Yên Định ($20^\circ01'B, 105^\circ39'Đ$) và Vinh ($18^\circ40'B, 105^\circ40'Đ$).
• Dữ liệu tái phân tích NCEP: Bao gồm tổng xạ tại đỉnh khí quyển ($H_{0}$), nhiệt độ trung bình ngày, độ ẩm tương đối bề mặt, độ ẩm tuyệt đối tầng 1000mb, lượng mây trung bình ngày, tổng lượng nước khả giáng ($w_0$), các thành phần véc-tơ gió bề mặt ($u, v$), và độ dày các lớp khí quyển chuẩn 1000–850mb và 850–500mb.

2. Thiết kế kiến trúc mạng nơ-ron

Đề tài thử nghiệm và so sánh chuyên sâu nhiều cấu trúc ANN:

• Mạng nhận thức đa lớp (MLP): Kiến trúc truyền thẳng gồm lớp nhập, các lớp ẩn với hàm kích hoạt phi tuyến Tang-hyperbol ($tanh$) và hàm Sigmoid, cùng lớp xuất dự báo một biến phụ thuộc (tổng xạ ngày $H_G$).
• Mạng truy hồi (RNN) & Mạng thời gian trễ (TLRN): Bổ sung các nút phản hồi trễ (memory kernels), cho phép mạng lưu giữ trạng thái của các bước thời gian quá khứ, nắm bắt được tính trễ pha và quán tính của các quá trình nhiệt động lực học khí quyển.
• Mô hình Dự báo tổ hợp (Ensemble): Kết hợp đa mạng có trọng số nhằm triệt tiêu dao động ngẫu nhiên và nâng cao tính ổn định tổng thể.

3. Thuật toán huấn luyện và kiểm soát tối ưu

Để khắc phục bài toán mặt lỗi phức tạp có nhiều cực tiểu cục bộ (local minima) hoặc dạng "khe rãnh hẹp", nghiên cứu triển khai:

• Thuật toán lan truyền ngược theo thời gian (BPTT): Tự động hiệu chỉnh trọng số dựa trên đạo hàm riêng của hàm lỗi sai số bình phương tối thiểu ($E$).
• Quy tắc Quán tính (Momentum): Thêm thành phần phụ thuộc vào biến thiên trọng số bước trước ($\mu \Delta \omega_{m-1}$), hỗ trợ bước nhảy vượt qua các điểm dừng sai lệch.
• Thuật toán học thích nghi Delta-Bar-Delta: Tự động điều chỉnh hệ số học $\varepsilon$ cho từng trọng số độc lập dựa trên việc so sánh dấu của gradient hiện tại và gradient tích lũy quá khứ, giúp tăng tốc độ hội tụ gấp 10 lần so với quy tắc giảm gradient dốc nhất (Gradient Descent).
• Kiểm định chống quá khớp (Overfitting): Phân chia bộ dữ liệu thành 2 tập độc lập (tập học và tập kiểm chứng), dừng quá trình luyện khi sai số trên tập kiểm tra có xu hướng tăng trở lại.

---

Những phát hiện chính của nghiên cứu

Qua quá trình mô phỏng, huấn luyện và đánh giá thực nghiệm, nghiên cứu đã rút ra các kết luận khoa học quan trọng:

+-----------------------------------------------------------------------------------+
|                        BẢNG TỔNG HỢP SO SÁNH HIỆU NĂNG MÔ HÌNH                   |
+----------------------+--------------------+--------------------+------------------+
| Loại Mô hình         | Độ phức tạp tính   | Khả năng học chuỗi | Độ chính xác     |
|                      | toán               | thời gian          | dự báo tổng xạ   |
+----------------------+--------------------+--------------------+------------------+
| NCEP Gốc (Nội suy)   | Thấp               | Kém                | Sai số cao       |
| MLP Tự viết + RNN    | Trung bình         | Hạn chế            | Thấp - Trung bình|
| TLRN (Thời gian trễ) | Cao                | Rất tốt            | Cao              |
| Mô hình Tổ hợp       | Rất cao            | Tối ưu             | Tốt nhất         |
+----------------------+--------------------+--------------------+------------------+

1. Ưu thế vượt trội của cấu trúc TLRN và Dự báo tổ hợp

Các thử nghiệm sơ khởi với mạng nhận thức đa lớp (MLP) truyền thống tự lập trình và mạng truy hồi đơn giản cho thấy chất lượng hiệu chỉnh đầu ra NCEP còn hạn chế. Tuy nhiên, khi chuyển sang kiến trúc Time-Lagged Recurrent Network (TLRN) và Mô hình tổ hợp (Ensemble), chất lượng dự báo cải thiện rõ rệt. Nhờ khả năng tích hợp bộ nhớ trễ, TLRN đã nắm bắt hoàn hảo tính quy luật phi tuyến biến động theo chuỗi thời gian của mây và ẩm độ.

2. Làm sáng tỏ cơ chế bức xạ khu vực đồng bằng Bắc Bộ

Dữ liệu phân tích xác lập bức tranh tổng thể về chế độ bức xạ nội chí tuyến của khu vực:

• Quy luật không gian: Tổng lượng bức xạ tăng dần đều từ Bắc vào Nam. Khu vực Bắc Bộ dao động trong khoảng $3500 - 4400\text{ MJ/m}^2/\text{năm}$ ($95 - 105\text{ kcal/cm}^2/\text{năm}$), trong khi khu vực Bắc Trung Bộ (Thanh Hóa, Nghệ An) đạt từ $5000 - 5500\text{ MJ/m}^2/\text{năm}$ ($120 - 130\text{ kcal/cm}^2/\text{năm}$).
• Biến trình mùa dị thường: Biến trình năm của tổng xạ có cực đại rơi vào tháng 5 đến tháng 7 (trùng thời kỳ góc thiên đỉnh mặt trời nhỏ nhất và thời gian chiếu sáng dài). Tuy nhiên, cực tiểu lại rơi vào tháng 1 đến tháng 3 thay vì tháng 12 (thời điểm đông chí). Hiện tượng này được giải thích do tác động của hoàn lưu gió mùa Đông Bắc mang lại độ che phủ mây tầng thấp và mưa phùn kéo dài làm suy giảm trực xạ nghiêm trọng.

3. Tương tác phi tuyến giữa các yếu tố khí quyển và tổng xạ

Nghiên cứu chứng minh rằng mối tương quan giữa tổng xạ bề mặt ($G$) và các biến khí quyển NCEP là hoàn toàn phi tuyến. Lượng nước khả giáng ($w_0$), độ ẩm tầng $1000\text{ mb}$ và lượng mây có trọng số đóng góp tiêu cực lớn nhất đến trực xạ nhưng lại thúc đẩy tán xạ ($D$). Sự cân bằng giữa hai dòng bức xạ này chỉ có thể được mô phỏng chính xác thông qua các nút ẩn phi tuyến của mạng nơ-ron.

---

Đóng góp khoa học và giá trị học thuật

• Đóng góp lý thuyết: Hệ thống hóa cơ sở lý thuyết bức xạ học sóng ngắn, phân tích chi tiết cơ chế suy giảm quang học khí quyển (hấp thụ bởi $O_3, CO_2, H_2O$, xon khí và tán xạ Rayleigh-Cabannes) thích ứng với điều kiện khí hậu nhiệt đới gió mùa ẩm Việt Nam.
• Đổi mới phương pháp luận: Tiên phong tại Việt Nam trong việc thiết lập quy trình công nghệ kết hợp mô hình số quy mô lớn (NCEP) với công cụ máy học thích ứng cục bộ (ANN downscaling), mở đường cho việc hiện đại hóa dự báo thời tiết chuyên ngành.
• Giá trị thực tiễn kinh tế - kỹ thuật: Cung cấp bộ công cụ thuật toán có thể chuyển giao trực tiếp cho ngành điện lực (tính toán công suất điện mặt trời), ngành xây dựng (tính toán cân bằng nhiệt công trình kiến trúc xanh) và nông nghiệp (dự báo bốc thoát hơi nước cây trồng).

---

Đối tượng thụ hưởng và quan tâm

Nghiên cứu mang lại giá trị đa chiều cho nhiều nhóm đối tượng:

1. Nhà nghiên cứu khí tượng & Khoa học dữ liệu: Tài liệu tham khảo nền tảng về thuật toán học thích nghi, kỹ thuật xử lý số liệu chuỗi thời gian khí tượng và phương pháp tổ chức mạng nơ-ron chuyên sâu.
2. Kỹ sư và Doanh nghiệp năng lượng tái tạo: Ứng dụng mô hình dự báo tổng xạ để tối ưu hóa vị trí lắp đặt tấm pin PV, dự toán sản lượng phát điện và điều độ lưới điện hòa lưới ổn định.
3. Chuyên gia Nông nghiệp và Thủy lợi: Sử dụng dữ liệu bức xạ dự báo để mô hình hóa nhu cầu tưới tiêu, dự báo sinh khối mùa vụ và tính toán bốc thoát hơi nước tiềm năng ($ET_0$).
4. Cơ quan quản lý và hoạch định chính sách: Cung cấp luận cứ khoa học để xây dựng bản đồ tiềm năng năng lượng mặt trời quốc gia và định hướng quy hoạch không gian phát triển bền vững.

---

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của đề tài là gì?

Phát hiện then chốt là việc chứng minh mạng thần kinh nhân tạo truy hồi thời gian trễ (TLRN) kết hợp dự báo tổ hợp (Ensemble) có khả năng khắc phục triệt để sai số của mô hình số trị toàn cầu NCEP, đưa ra kết quả dự báo tổng xạ ngày với độ tin cậy và độ chính xác cao vượt trội so với các mô hình tuyến tính cổ điển.

2. Phương pháp tiếp cận của đề tài có điểm gì đặc biệt?

Điểm độc đáo nằm ở việc kết hợp chặt chẽ giữa các quy luật vật lý khí quyển (độ cao mặt trời, hàm lượng hơi nước, độ hấp thụ quang phổ) với các thuật toán học máy nâng cao như quy tắc quán tính (Momentum) và học thích nghi (Delta-Bar-Delta), giúp mạng hội tụ nhanh và không bị bẫy ở các cực tiểu địa phương.

3. Kết quả mô hình có thể áp dụng cho các vùng khác ngoài đồng bằng Bắc Bộ không?

Có thể. Tuy nhiên, do trọng số của mạng được tối ưu hóa dựa trên đặc trưng khí hậu của 4 trạm đồng bằng Bắc Bộ (chịu ảnh hưởng gió mùa Đông Bắc), khi áp dụng cho miền Trung hoặc miền Nam (khí hậu cận xích đạo, nắng quanh năm), mạng cần được tái huấn luyện (retraining) với chuỗi số liệu quan trắc của các trạm tại địa phương đó.

4. Hướng phát triển tiếp theo của nghiên cứu này là gì?

Mở rộng mạng lưới dự báo với chuỗi số liệu thời gian thực có độ phân giải cao hơn (theo từng giờ), tích hợp dữ liệu ảnh mây vệ tinh địa tĩnh (MTSAT, Himawari) và nâng cấp lên các kiến trúc học sâu hiện đại (Deep Learning) như LSTM, GRU hoặc Transformer.

5. Tại sao tổng xạ tháng ở đồng bằng Bắc Bộ lại thấp nhất vào tháng 1–3 dù không phải lúc mặt trời xa nhất?

Do tính chất khí hậu đặc thù: Giai đoạn tháng 1 đến tháng 3 là thời kỳ hoạt động mạnh của không khí lạnh lệch đông biến tính, gây ra tình trạng mây tầng thấp dày đặc, sương mù và mưa phùn kéo dài, làm triệt tiêu phần lớn bức xạ trực tiếp truyền tới mặt đất.

---

Kết luận

Đề tài "Ứng dụng mô hình mạng thần kinh nhân tạo dự báo tổng lượng bức xạ ngày cho khu vực đồng bằng phía Bắc Việt Nam" do PGS. TS Nguyễn Hướng Điền và các cộng sự thực hiện đã giải quyết trọn vẹn bài toán mô hình hóa phi tuyến một yếu tố khí tượng phức tạp. Bằng việc chứng minh tính hiệu quả của mạng TLRN và kỹ thuật dự báo tổ hợp, công trình không chỉ đóng góp lớn vào kho tàng học thuật khí tượng học Việt Nam mà còn đặt nền móng công nghệ vững chắc cho việc khai thác nguồn năng lượng mặt trời trong tương lai.

Các đơn vị nghiên cứu, cơ quan khí tượng và doanh nghiệp phát triển năng lượng tái tạo được khuyến khích tiếp tục kế thừa, mở rộng khung phương pháp luận này với các tập dữ liệu vi thám hiện đại nhằm phục vụ đắc lực cho mục tiêu chuyển dịch năng lượng xanh và phát triển bền vững quốc gia.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1.1 Tình hình nghiên cứu và úng dụng mạng TKNT Các công nghộ mới trong kỹ thuật, vật lý, đặc biệt là vật lý khí quyển, sinh học. đã làm nảy sinh một loạt các vấn đề phi tuyến, bất ổn định và phức tạp. Để giải được các bài toán đó đòi hỏi phải có các công cụ xử lý, tính toán phi tuyến, trong số các công cụ đó, mạng thần kinh nhân tạo (TKNT) tỏ ra có ưu thế vượt trội. Mạng TKNT đáp ứng được nhu cầu vì nó được luyện trên các mẫu, sử dụng các công cụ thống kê và giả thuyết tối ưu.

Có nhiều loại mạng TKNT khác nhau, trong đó có mạng truy hồi, mạng nhận thức đa lớp và mạng thời gian trễ. Việc sử dụng mạng truy hồi như một công cụ dự báo ngày càng thể hiộn nhiều ưu điểm trên nhiều lĩnh vực nhờ vào khả năng liên kết giữa các lớp, các phần tử hoạt động1trong mạng. Quá trình phát triển của mạng TKNT trải qua nhiều giai đoạn khác nhau, được đánh dấu bằng các mốc quan trọng: những năm 40 của thế kỷ 20 đánh dấu những phát triển đỉnh cao đầu tiên với các nghiên cứu của McCulloch và Pitts (1943); nhưng mãi đến năm 1949, Hebb đưa ra thuật toán học đầu tiên của mạng, gọi là thuật toán Hebb, mạng TKNT chính thức ra đời và khẳng định khả năng tính toán trong các bài toán phi tuyến. Dấu mốc thứ hai xuất hiện những năm 60 với giả thuyết hội tụ của mạng nhận thức của Rosenbatt (1960), thành công đầu tiên trong lĩnh vực mạng TKNT là nơron thích ứng tuyến tính — ADALINE2 và nơron thích ứng tuyến tính da biến - MADALINE3 do Widrow và Hoff (1960) phát triển; sau đó, Minsky cùng Papert chỉ ra hạn chế của mạng nhận thức đơn giản (1969).

Kết quả của Minsky và Papert đã ỉàm thất vọng nhiều nhà khoa học, đặc biệt là các nhà khoa học trong ngành khoa học tính toán lúc bấy giờ. Chính những công bố này đã làm chậm tiến trình phát triển của mạng TKNT gần 20 năm. Mãi đến những năm 80, mạng TKNT mói có được những thành tựu đáng chú ý mới. Đó là công trình của Hopfield [16] với cách tiếp cận dưới khía cạnh năng lượng và thuật toán học lan truyền ngược cho mạng nhận thức đa lớp.

Nhiều người nhắc đến công trình này của 1Processing Elements 2 ADAptive Linear Neuron 3 Multiple ADALINE 4 Hopfield như một sự khởi đẩu thứ hai cho mạng TKNT. Sau đó công trình được tiếp tục phát triển và công bố rộng rãi năm 1986 trong bài viết của Rumelhart và cộng sự. Từ đó đến nay, cùng vói sự phát triển của công nghệ thông tin và truyền thông, cộng đồng người sử dụng mạng TKNT tăng lên đáng kể và được mở rộng trên nhiều lĩnh vực. Trong khí tượng học, đã có nhiều nhà khí tượng học trên thế giới và Việt Nam sử dụng mạng TKNT như những công cụ thống kê cho các bài toán phức tạp giúp hiệu chỉnh sản phẩm mô hình số, tái tạo và bổ xung số liệu, tính toán tổng lượng ozon trong khí quyển.

Do tính đa dạng của các loại mạng khác nhau nên rất khó cho việc phân loại mạng, nhưng trong đề tài này, tôi cũng cố gắng đưa ra một cách phân loại phổ biến nhất mà đã được nhiều tác giả trình bày. Sự phân ỉoại ở đây chỉ áp dụng cho các thuật toán và các phương pháp học phổ biến được dùng trong mạng TKNT, có thể còn nhiều thuật toán cũng như phương pháp khác nhưng do không được sử dụng rộng rãi nên cũng không được đưa vào phân loại trong đề tài này. Bảng 1: Phân loại mạng TKNT và ứng dụng [21] Úng dụng Thuật toán Học có điều kiện Học không điều kiện Hopfield (Zurada, 1992; Haykin, Hebbian (Zuruda, 1992; 1994) Haykin, 1994; Kung, Phát hiện 1993) mối liên hệ Nhận thức đa lớp (Zuruda, 1992; Lan truyền ngược Carling, 1992; Haykin, 1994; (Zuruda, 1992; Haykin, - Bishop, 1995; Patterson, 1996) 1994; Bishop, 1995;) Nhận thức đa lớp (Zuruda, 1992; Lan truyền ngược Carling, 1992; Haykin, 1994; Phân loại, Bishop, 1995) nhận dạng Các hàm xuyên tâm cơ sở (Zuruda, Bình phương tối thiểu Trung bình k phần tử 1992; Bishop, 1995) (Bishop, 1995) 5 Bảng 1: Phân loại mạng TKNT và ứng dụng (tiếp) Nhân tố cạnh tranh (Zurada, 1992; Nhân tố cạnh tranh Haykin, 1994) (competitive) Kohenen (Zurada, 1992; Haykin, Kohenen Phân tích 1994) dặc trưng Nhận thức đa lớp (Kung, 1993) Lan truyền ngược Phân tích thành phẩn dặc tnmg Thuật toán Oja (Zurada, (Zurada, 1992; Kung, 1993) 1992; Kung, 1993) Mạng thời gian trễ (Zurada, 1992; Lan truyền ngược theo Kung, 1993, de Vries và Principe, thời gian (BPTT) Dự báo 1992) Mạng truy hồi toàn phẩn (Zurada, 1992) Tính đến nay, trên thế giới đã có rất nhiều công trình nghiên cứu ứng dụng mạng TKNT được công bố trên các tạp chí, gần đây nhất là vào tháng 4 năm 2006, Ricardo A. Guarnieri cùng đồng nghiệp [25] đã sử dụng mạng TKNT hiệu chỉnh dự báo tổng xạ của mô hình khí hậu khu vực Êta, trước đó, vào tháng 1 năm 2000, David Silverman và John A.

Dracup [11] đã dùng mạng TKNT dự báo mưa ở khu vực California, năm 2002, luận văn Thạc sỹ của Bin Li [7] (Đại học Georgia, Hy Lạp) đã sử dụng mạng TKNT là công cụ nội suy trường khí tượng về trạm thay cho các phương pháp nội suy truyền thống. và nhiều công trình nghiên cứu chuyên biệt về lĩnh vực mạng TKNT đáng chú ý khác như các công trình của Danilo p. Medeiros và đồng nghiệp [20], Pattĩick van der Smagt và Ben Krose [21] và s. Còn ở Việt Nam, các tác giả Lê Xuân Cầu [1] đã ứng dụng mạng TKNT dự báo lũ trong thủy văn, tác giả Nguyễn Hưóng Điền và cộng sự cũng đã có nhiều công trình nghiên cứu ứng dụng mạng TKNT trong dự báo khí tượng thủy văn [3, 4].

Tất cả các công trình trên đều có chung kết luận: Mạng TKNT đã cải thiện đáng kể kết quả dự báo so với các phương pháp khác. Các đặc trưng vật lý cơ bản của bức xạ a. Bản chất của bức xạ Năng lượng được truyền từ nơi này đến khác dưới 3 dạng: quá trình truyền dẫn liên quan đến vận chuyển năng lượng động lượng của nguyên tử và phân tử (thường biểu hiện dưới dạng nhiệt). Do đó, nếu một đầu của thanh kim loại bị đốt nóng thì phân tử kim loại ở đó sẽ chuyển động nhanh hơn, va chạm với các phân tử khác và truyền động lượng cho chúng.

Đến lượt nó, các phân tử này lại truyền động lượng đó cho các phân tử xung quanh; và kết quả là nhiệt lượng được truyền đến đầu thanh kỉm loại bên kia. Nãng lượng cũng có thể được vận chuyển thông qua sự vận chuyển vật lý của vật chất. Trong chất khí và chất lỏng, sự vận chuyển năng lượng này được biết đến là quá trình đối lưu. Theo nghĩa rộng của từ đối lưu nó không chỉ bao gồm vận chuyển năng lượng theo chiều thẳng đúng khi lớp không khí hoặc chất lỏng bên dưới bị đốt nóng mà nó còn là sự khuyếch tán rối và bình lưu nhiệt theo mọi hướng.

Và cuối cùng, năng lượng còn có thể được truyền từ vật thể này sang vật thể khác nhờ các sóng điện từ có hoặc không có sự tồn tại của một phương tiện vật lý trung gian, thông qua quá trình bức xạ. Năng lượng điện từ lan truyền theo đường thẳng và với một vận tốc không đổi trong chân không.00xl010 cm/s Bức xạ được đặc trưng bởi bước sóng, X, là khoảng cách giữa hai đỉnh sóng liên tiếp; hoặc bởi tần số, V, là sô đỉnh sóng đi qua một điểm cố định trong một đơn vị thời gian.V = c Chi tiết về các loại sóng và bưóc sóng trong không gian xem bảng 2. Bức xạ mặt trời Mặt trời là một ngôi sao (định tinh) gần chúng ta nhất. Nó là một quả cầu lửa khổng lồ, có đường kính khoảng 1 390 600 km (gấp 109 lần đường kính trái đất), thể tích l,41.10l8km3, khối lượng khoảng l.

Trái đất quay xung quanh mặt trời theo một quĩ đạo elíp gần tròn (mặt trời ở một 7 tiêu điểm) mà khoảng cách ngắn nhất từ mặt trời đến trái đất là 147 triệu km (ngày 3 tháng 1) khoảng cách xa nhất là 152 triệu km (ngày 5 tháng 7), khoảng cách trung bình là 149,5 triộu km (ánh sáng truyền mất hơn 8 phút). Mặt trời bức xạ liên tục lượng bức xạ khổng lổ ra xung quanh. Lượng bức xạ mặt trời lớn tới mức có thể làm tan và bốc thành hơi một vỏ nước đá đầy 12m bọc quanh nó trong vòng 1 phút. Tuy nhiên, khí quyển trái đất chỉ hứng được một phẩn 2 tỷ lượng bức xạ của mặt trời.

Tuy vậy, lượng bức xạ này cũng rất lớn, vào khoảng 1,5. Bức xạ mặt ười trên đường tới trái đất bị nhiều tác dụng làm suy yếu cho nẽn phổ bức xạ mặt trời mà ta quan trắc được trên trái đất không giống như phổ bức xạ tại gốc của mặt trời. Người ta thấy phổ bức xạ điện từ của mặt trời rất rộng, từ tia Gamma đến sóng vô tuyến. Bảng 2: Các loại bức xạ và bước sóng trong không gian Loại bức xạ Bước sóng Tia y có bước sóng trong chân không X < 10'5Jim Tia Rơnghen (X) 10'5< X< 10’2 |im Tia cực tím 10‘2< A,<0,38 um Ánh sáng nhìn thấy 0,38 < x < 0,76 |am Tia hồng ngoại 0,76 < A.< 3000 |im Sóng vô tuyến có X > 3000 jam Nhũng kết luận về bức xạ của mặt trời có thể chỉ ra là: - Phổ bức xạ mặt trời tương tự như của vật đen tuyệt đối.

Nếu chúng ta đo tổng năng lượng nhận được từ mặt trời tói một đơn vị diện tích trong một đơn vị thòi gian và tính toán nhiệt độ của vật đen theo định luật Stefan-Boltzmann ứng với tổng năng lượng đó thì ta nhận được nhiệt độ của mặt trời là 5750°K. Mặt khác, chúng ta cũng có thể do bức xạ như là một hàm của bước sóng, ứng với năng lượng phát xạ cực đại, và tính toán nhiệt độ vật đen từ định luật Wienl. Bức xạ cực đại là 0.4740nm, tương ứng với nhiệt độ 6108°K. Hiển nhiên mặt trời không phải là vật đen tuyệt đối vì hai nhiệt độ này không thống nhất với nhau.

Sự khác biệt này là do sự hấp thụ sóng ngắn của lớp “khí” phía ngoài mặt trời (sự hấp thụ này không ảnh 8 hưởng đến phát xạ cực đại - 0.4740|im nhưng lại ảnh hưởng đến năng lượng rọi tới trái đất). Tuy nhiên, gần đúng vật đen tuyệt đối của mặt trctí là thích hợp cho rất nhiều mục đích khác nhau. - Cường độ phát xạ năng lượng của mặt trời là rất ổn định: Những đo đạc về độ rọi của bức xạ mặt trời đã được s. Langley và đặc biột là c.