Các mô hình số NWP tính toán động lực học chất lỏng của bầu khí quyển của một hành tinh đang quay dựa trên các định luật bảo toàn cơ bản của khối lượng, năng lượng và động lượng có xem xét đến nhiệt năng mặt trời từ bên ngoài và lực cản bề mặt. Các mô hình NWP hoạt động tốt cho các quy trình quy mô lớn, nhưng thông thường, chúng không thể giải quyết các quá trình quan trọng trong khí quyển, chẳng hạn như lượng mưa, xảy ra ở quy mô nhỏ. Các mô hình NWP tham số hóa các quá trình như vậy bằng cách ước lượng chúng sử dụng các mối quan hệ gần đúng.
Tốc độ tính toán của NWP là một yếu tố ảnh hưởng đến kết quả dự báo. Một dự báo về mưa dông hoặc lốc xoáy thậm chí cần tới 1 giờ để tạo ra, do đó ít giá trị thực tế, trong khi dự báo về thời tiết ở quy mô khái quát 7 ngày tới rất hữu ích ngay cả khi mất 12 giờ để sản xuất.
Các luồng dữ liệu lớn hiện tại cũng đang lấn át các hệ thống dự báo thông thường và thách thức này dự kiến sẽ ngày càng lớn. Một ví dụ là trường hợp bão Michael tiếp cận Florida Panhandle vào sáng ngày 10 tháng 10 năm 2018. Ảnh trên từ Vệ tinh địa tĩnh của Cơ quan Quản lý Khí quyển và Đại dương Quốc gia Mỹ (GOES) cho thấy rõ bão 4.5 giờ trước khi đổ bộ vào lúc 17:30 theo giờ UTC. Ảnh được cập nhật sau mỗi phút ở độ phân giải khoảng 1 km. Lúc này, theo dõi bão bằng ảnh vệ tinh có ý nghĩa hơn nhiều so với kết quả mô hình.
Trong kỷ nguyên mới này, có thể có hàng trăm, thậm chí hàng nghìn các vệ tinh nhỏ được phóng lên quỹ đạo. Internet of Things sẽ tạo ra khối lượng dữ liệu môi trường khổng lồ. Điện thoại cầm tay có thể đã được đo nhiệt độ và áp suất. Khi nhóm các quan sát môi trường sẵn có ngày càng tăng về số lượng và tính đa dạng, các phương pháp tiếp cận mới, với hiệu quả và độ chính xác cao hơn, sẽ được yêu cầu để khai thác triệt để các tài nguyên này, như một sự bổ sung hoặc thay thế cho các hệ thống truyền thống. Các hệ thống ML được đào tạo dựa trên mạng nơ-ron tiên tiến về mặt tính toán rất hiệu quả và dễ dàng thực hiện với các ngôn ngữ lập trình khoa học hiện đại.
ML là cách tiếp cận học từ dữ liệu. Mạng ML được đào tạo ước tính đầu ra từ một tập hợp các đầu vào. ML tương tự như hồi quy tuyến tính, nhưng ML có thể phù hợp với hầu như bất kỳ hàm nào và dễ dàng biểu diễn các loại hiệu ứng phi tuyến phổ biến trong địa vật lý. ML có khả năng trích xuất thông tin từ các tập dữ liệu lớn và thiết lập và ước lượng các mối quan hệ phức tạp giữa các tập dữ liệu khác nhau thuộc các loại khác nhau.
ML và các kỹ thuật trí tuệ nhân tạo khác trong tương lai gần sẽ phải bổ sung hoặc thay thế các thành phần chính của hệ thống vận hành. May mắn thay, các lĩnh vực viễn thám vệ tinh và dự đoán thời tiết số (NWP) đang sẵn sàng tận dụng những tiến bộ nhanh chóng trong những năm gần đây trong ML.
Các kỹ sư thiết lập mô hình đã sử dụng mô phỏng ML nhanh và chính xác của các tham số tiêu tốn thời gian hiện có. Ví dụ, mô phỏng ML của tham số hóa bức xạ sóng dài từ lâu đã được sử dụng trong hoạt động tại Trung tâm Dự báo Thời tiết hạn vừa của Châu Âu. Mô phỏng ML của cả tham số bức xạ sóng dài và sóng ngắn đủ hiệu quả để chạy ở mọi bước thời gian của mô hình và phương pháp này đã được thử nghiệm thành công trong các mô hình khác nhau. Đi xa hơn nữa, Brenowitz và Bretherton đã đào tạo các thuật toán ML trên dữ liệu được mô phỏng ở độ phân giải cao hơn đáng kể so với các mô hình NWP toàn cầu để xác định chính xác quá trình làm ấm, làm mát, làm ẩm và làm khô khí quyển do tất cả các quá trình vật lý xảy ra đồng thời .
Dự báo thời tiết toàn cầu chỉ đồng hóa khoảng 1% –3% dữ liệu vệ tinh hiện có và thời gian xử lý đối với các phương pháp tiếp cận truyền thống khá chậm. Một số bước trong hệ thống đồng hóa số liệu như xử lý, kiểm soát chất lượng và truy xuất thông tin địa vật lý từ các quan sát vệ tinh có thể được tăng tốc hoặc cải thiện với các giải pháp ML. Đặc biệt, quá trình đồng hóa các quan trắc vệ tinh mô phỏng lặp đi lặp lại các phát xạ quan sát được từ các đại lượng địa vật lý như nhiệt độ và độ ẩm. Các mô phỏng ML nhanh để mô phỏng các phát xạ này đã được phát triển để tăng tốc đáng kể các quy trình.
Tại Tổng cụ KTTV, đề tài “Nghiên cứu cơ sở khoa học và giải pháp ứng dụng trí tuệ nhân tạo để nhận dạng, hỗ trợ dự báo và cảnh báo một số hiện tượng khí tượng thủy văn nguy hiểm trong bối cảnh biến đổi khí hậu tại Việt Nam” do Trung tâm Thông tin và Dữ liệu KTTV chủ trì đã thu được những kết quả bước đầu khả quan. Đây sẽ là tiền đề quan trọng cho những hợp tác nghiên cứu và trao đổi tiếp theo trong tương lai gần để nâng cao hơn nữa chất lượng dự báo của Tổng cục.
Nguồn: eos.org/opinions/artificial-intelligence-may-be-key-to-better-weather-forecasts
Bài: Ngô Văn Mạnh - Trung tâm Thông tin và Dữ liệu KTTV
Tổng hợp: Vụ KHQT
.png)
.png)
.jpg)
.png)
.jpg)
.png)