Cơ sở khoa học ứng dụng AI trong lĩnh vực khí tượng thủy văn

Dự báo quỹ đạo và cường độ bão số 2/2013 VIỆN KHOA HỌC KHÍ TƯỢNG THỦY VĂN VÀ BIẾN ĐỔI KHÍ HẬU Cơ sở khoa học ứng dụng AI trong lĩnh vực khí tượng thủy văn NỘI DUNG CHÍNH 1 Giới thiệu 2 Cơ sở khoa học[.]

VIỆN KHOA HỌC KHÍ TƯỢNG THỦY VĂN VÀ BIẾN ĐỔI KHÍ HẬU Cơ sở khoa học ứng dụng AI lĩnh vực khí tượng thủy văn NỘI DUNG CHÍNH Giới thiệu Cơ sở khoa học thực tiễn Một số thách thức Kết luận trao đổi Giới thiệu - Cuộc cách mạng công nghiệp lần thứ hình thành phát triển cách kết hợp công nghệ lại với nhau, làm mờ ranh giới vật lý, kĩ thuật số sinh học; - Cách mạng công nghiệp 4.0 mô tả mơi trường, máy tính, tự động hóa người làm việc theo cách hồn tồn Robot, máy móc kết nối vào hệ thống máy tính; - AI đánh giá công nghệ đầu cách mạng 4.0 AI khoa học cơng nghệ tạo máy tính làm tốt việc người làm (Elaine Rich Kevin Knight) 1 Giới thiệu Cơ sở khoa học thực tiễn Cơ hội thách thức Như vậy, AI có áp dụng cải tiến dự báo KTTV Việt Nam? Cơ sở khoa học thực tiễn - Tập đồn cơng nghệ máy tính đa quốc gia (IBM) mua công ty The Weather kết hợp số liệu sẵn có IBM vào hệ thống TTNT công ty IBM Deep Thunder cung cấp dự báo siêu cục độ phân giải từ 0,2 tới 1,2 dặm - Monsanto đầu tư vào hệ thống dự báo thời tiết sử dụng TTNT Các sản phẩm dự báo thời tiết Monsanto sử dụng để cung cấp tin dự báo cho nông nghiệp - Các trung tâm dự báo nước phát triển Hoa Kỳ, Nhật Bản, Châu Âu, Trung Quốc… ứng dụng mạnh sâu TTNT công tác dự báo bão, dông lốc, lũ lụt, sạt lở đất 2 Cơ sở khoa học thực tiễn Mạng Nơ-ron tích chập (CNN) http://hurricane.dsig.net/methodology http://hurricane.dsig.net/storms/AL052019?date=2019-0 8-27T05:24:01.474Z Ứng dụng TTNT dự báo bão NOAA, Hoa Kỳ Cơ sở khoa học thực tiễn Mạng nhận thức đa tầng MLP Ứng dụng TTNT cảnh báo mưa đá NOAA, Hoa Kỳ Ứng dụng TTNT xử lý ảnh viễn thám Cơ sở khoa học thực tiễn Ở Việt Nam: Dự báo khí tượng thủy văn thực theo hướng mơ hình hóa với hệ thống mơ hình dự báo đại giới cải tiến, phát triển cho phù hợp với Việt Nam Đặc biệt mơ hình chun sâu dự báo bão, dự báo mưa lớn, dự báo lũ, cảnh báo lũ quét, dự báo sóng biển, nước dâng bão hay gió mùa Viện Khoa học Khí tượng Thủy văn Biến đổi khí hậu: Đã bước đầu ứng dụng thành cơng thành tựu cách mạng 4.0 công tác nghiên cứu, dự báo Viện thông qua việc sử thuật tốn hồi quy, phân tích, mạng thần kinh nhân tạo, công nghệ giao thoa độ tổng hợp (InSAR)… để xử lý số liệu, phân tích hình ảnh phục vụ công tác dự báo, nhận định thiên tai, thời tiết cực đoan 2 Cơ sở khoa học thực tiễn Ứng dụng mạng thần kinh nhân tạo cảnh báo mưa lớn từ hệ thống quan trắc radar sản phẩm mơ hình số trị cho khu vực TP Hồ Chí Minh Cơ sở khoa học thực tiễn Mạng thần kinh nhân tạo MLP Thí nghiệm dự báo mưa năm bộ: 1) Số liệu lượng mưa ngày dự báo từ mơ hình WRF với hạn dự báo 36h, 60h 84h nội suy 19 trạm cho khu vực Nam Bộ 2) Áp dụng mạng thần kinh nhân tạo để hiệu chỉnh giá trị lượng mưa trung bình tháng - Phần luyện mạng: + Chuỗi số liệu đầu vào lượng mưa dự báo mơ hình WRF (6/2014) Đích cần học giá trị quan trắc trạm tương ứng Mạng thiết kế bao gồm lớp ẩn lớp xuất + Các trọng số sau luyện lớp ẩn lớp xuất lưu lại để kiểm nghiệm cho số liệu tháng 8/2014 Dự báo mưa ANN Luong mua trung binh thang 8−2014 (36h) 20 Corr_mon6/2014 15 0.8 variable MH OBS TKNT 10 0.6 60h 84h 10 variable MH OBS TKNT variable 10 MH OBS TKNT BACLIEU BIENHOA LONGKHANH CAMAU CHAUDOC RACHGIA PHUQUOC CAOLANH CANTHO SOCTRANG MYTHO CANGLONG BATRI MOCHOA VUNGTAU TAYNINH TANSONHOA DONGPHU PHUOCLONG BACLIEU BIENHOA LONGKHANH CAMAU CHAUDOC PHUQUOC RACHGIA CAOLANH CANTHO 15 SOCTRANG MYTHO BATRI CANGLONG MOCHOA VUNGTAU TAYNINH TANSONHOA Luong mua trung binh thang 8−2014 (84h) DONGPHU PHUOCLONG BACLIEU BIENHOA CAMAU CHAUDOC RACHGIA PHUQUOC CAOLANH SOCTRANG MYTHO CANTHO CANGLONG BATRI MOCHOA Luong mua trung binh thang 8−2014 (60h) LONGKHANH 36h VUNGTAU 0.0 TAYNINH 0.2 TANSONHOA PHUOCLONG MH TKNT DONGPHU variable 0.4 Lượng mưa ngày trung bình tháng năm 2014 19 trạm Nam Bộ, tập số liệu input luyện (train) với hạn dự báo 36h, 60h, 84h Giá trị hệ số tương quan Giá trị hệ số tương quan lượng mưa tháng lượng mưa tháng 6/2014 cho khu vực Nam 6/2014 cho khu vực Nam Bộ cải thiện đáng Bộ cải thiện đáng kể hạn dự báo 36h kể hạn dự báo 36h 84h áp dụng phương 84h áp dụng phương pháp mạng TKNT pháp mạng TKNT Dự báo mưa ANN Luong mua trung binh thang 8−2014 (36h) Corr_mon8/2014 20 15 0.6 variable MH OBS TKNT 10 variable 60h 84h 10 variable MH OBS TKNT variable 10 MH OBS TKNT BACLIEU BIENHOA LONGKHANH CAMAU CHAUDOC RACHGIA PHUQUOC CAOLANH SOCTRANG MYTHO CANTHO BATRI CANGLONG MOCHOA VUNGTAU TAYNINH TANSONHOA DONGPHU PHUOCLONG BACLIEU BIENHOA CAMAU CHAUDOC RACHGIA Lượng mưa ngày trung bình tháng năm 2014 19 trạm Nam Bộ, tập số liệu input kiểm nghiệm với hạn dự báo 36h, 60h, 84h BACLIEU BIENHOA LONGKHANH CAMAU CHAUDOC PHUQUOC RACHGIA CAOLANH SOCTRANG MYTHO Luong mua trung binh thang 8−2014 (84h) 15 CANTHO BATRI CANGLONG MOCHOA VUNGTAU TAYNINH TANSONHOA DONGPHU PHUOCLONG PHUQUOC CAOLANH SOCTRANG MYTHO CANTHO BATRI CANGLONG MOCHOA Luong mua trung binh thang 8−2014 (60h) LONGKHANH 36h VUNGTAU 0.0 TAYNINH PHUOCLONG 0.2 TANSONHOA MH TKNT DONGPHU 0.4 Đối với số liệu kiểm nghiệm tháng 8/2014, giá trị quan số liệucủa kiểm nghiệm 8/2014, giá trị hệĐối số với tương lượng mưatháng cho khu vực Nam số tương quanởcủa vựckểNam Bộhệđược cải thiện lượng ba hạnmưa dự cho báo,khu đáng Bộ cải thiện ba hạn dự báo, đáng kể hạn dự báo 60h 84h áp dụng phương pháp hạn TKNT dự báo 60h 84h áp dụng phương pháp mạng mạng TKNT Dự báo mưa ANN Tập luyện 6/2014 Tập kiểm nghiệm 8/2014 ME_mon6/2014 ME_mon8/2014 0.5 0.0 variable MH TKNT −0.5 variable MH TKNT −1.0 −1 36h 60h 84h 36h 60h 84h Đối với tháng tháng 8/2016, kết đầu mơ hình WRF hạn Đối với tháng tháng 8/2016, kết đầu mơ hình WRF hạn dự báo đa phần cho kết thiên âm so với quan trắc; ngược lại so với dự báo đa phần cho kết thiên âm so với quan trắc; ngược lại so với kết thu từ phương pháp mạng TKNT kết thu từ phương pháp mạng TKNT Dự báo mưa ANN Tập luyện 6/2014 Tập kiểm nghiệm 8/2014 MAE_mon6/2014 MAE_mon8/2014 4 3 variable MH TKNT variable MH TKNT 1 0 36h 60h 84h 36h 60h 84h Đánh giá số MAE cho thấy, phương pháp mạng TKNT giảm thiểu đáng kể sai Đánh giá số MAE cho thấy, phương pháp mạng TKNT giảm thiểu đáng kể sai số dự báo quan trắc ba hạn dự báo 36h, 60h, 84h số dự báo quan trắc ba hạn dự báo 36h, 60h, 84h 3 Một số thách thức - Mạng lưới quan trắc KTTV Việt Nam chưa đồng không hoàn toàn tự động chưa đáp ứng yêu cầu cách mạng 4.0 - Hệ thống siêu máy tính để sử dụng tính tốn tốn dự báo nhiều hạn chế so với nước tiên tiến - Biến đổi khí hậu thách thức việc ứng dụng TTNT phục vụ công tác dự báo Số liệu Thông tin Intelligence Một số thách thức CCD camera Soil moisture Thiết bị đo sensor độ ẩm đất Water Thiếtlevel bị đo meter mức nước Wire sensor Geophone Máy dò âm đất Trạm quan cabin trắc, Instrumental xử lý số liệu Thiết bị đo Rain gauge mưa Kết luận trao đổi - - AI ứng dụng dự báo cảnh báo thời tiết, thiên tai nước phát triển AI chưa đầu tư phát triển VN dự báo, cảnh báo KTTV Với phát triển cơng nghệ tính tốn, big Data thành nghiên cứu AI nước phát triển, mở hội lớn cho phát triển AI lĩnh vực KTTV Trước hội lớn để phát triển AI lĩnh vực KTTV, cần đầu tư phát triển nguồn lực điều kiện khác, ngành KTTV cần có định hướng chiến lược phát triển cơng nghệ AI Viện KH KTTV BĐKH bước đầu nghiên cứu AI: (1) Xây dựng sở liệu số; (2) Ứng dụng mạng TKNT dự báo mưa bão Biển Đông; (3) khai thác, quản lý, hiệu chỉnh liệu lớn; (4) Tăng cường đào tạo nguồn nhân lực ỨNG DỤNG AI DỰ BÁO MƯA LỚN Dự báo thời tiết sở phân loại hình thời tiết, đồ sy-nốp khứ, kết dự báo số trị nhằm đưa tin tốt 4 Kết luận trao đổi ỨNG DỤNG AI DỰ BÁO BÃO Ứng dụng học máy (mạng thần kinh nhân tạo phù hợp) hệ thống HPC nhằm dự báo quỹ đạo cường độ bão Biển Đông sở liệu quan trắc, viễn thám, liệu khứ kết dự báo từ nguồn khác nhằm đưa kết dự báo bão tốt XIN CẢM ƠN!