Dự đoán đường đi của bão dựa trên thuật toán Kalman

Bài viết Dự đoán đường đi của bão dựa trên thuật toán Kalman trình bày về thuật toán Kalman và ứng dụng nó để dự báo đường đi của bão dựa trên dữ liệu thu được từ máy chủ WMS (Web Map Service).

DỰ ĐOÁN ĐƯỜNG ĐI CỦA BÃO DỰA TRÊN THUẬT TOÁN KALMAN Phạm Thị Quỳnh Trang1, Dương Thị Hằng1, Đặng Thị Khánh Linh2 Trường Đại học Công nghiệp Hà Nội Trường Đại học Tài nguyên Môi trường Hà Nội Tóm tắt Ngày nhận dạng, theo dõi dự đốn xác đường bão phần thiết yếu rada cảnh báo thời tiết khắc nghiệt hoạt động cộng đồng khí tượng Bài báo trình bày thuật tốn Kalman ứng dụng để dự báo đường bão dựa liệu thu từ máy chủ WMS (Web Map Service) Từ khoá: Cơn bão; Rada; Thuật toán Kalman Abstract Predicting the path of a storm based on the kalman algorithm Today, identifying, tracking and predicting the path of hurricanes accurately are fundamental and essential parts of severe weather radar and warning operating in the meteorological community This paper presents the Kalman algorithm and its application in predicting the path of storm based on the data obtained from the WMS (Web Map Service) server Keywords: Storm; Radar; Kalman algorithm Đặt vấn đề Một vấn đề quan tâm nhiều người sống khu vực ven biển người lao động biển mối đe dọa bão lớn Khả dự báo xác đường bão điều quan trọng để giảm thiểu thiệt hại người Hầu hết thành phố, thị xã hay huyện ven biển xây dựng kế hoạch chuẩn bị khuyến cáo người dân sẵn sàng chống chọi với thời tiết bão lớn sơ tán mùa bão Mùa bão thường kéo dài từ tháng đến hết tháng 11 Các dự báo suất hiện, cấp độ, hướng di chuyển,… bão đưa từ Trung tâm Dự báo Khí tượng thủy văn Trung ương Trung tâm Cảnh báo thiên tai Quốc gia Khi bão xác định đặt tên, mối quan tâm hàng đầu dự đoán đường Việc dự đốn đường bão thường sử dụng phần mềm mô máy tính Mơ hình dự báo bão hay xốy thuận nhiệt đới chương trình máy tính sử dụng liệu khí tượng để dự báo khía cạnh trạng thái tương lai bão nhiệt đới Mơ hình dự đốn ước tính bão đổ vào địa phương nào? Khi bão đổ bộ? Điều phụ thuộc vào vị trí, tốc độ di chuyển kích thước Có nhiều thuật toán dùng cho việc dự báo tốc độ, vị trí quãng đường di chuyển bão Việc thiết lập đồ biểu diễn quỹ đạo bão vùng, khoảng thời gian thể tác động tích lũy bão khứ Trong 30 - 40 năm qua, tiến đáng kể thu thập phân tích cơng nghệ dự báo dự báo bão có cho phép trình bày đánh giá xác mơ hình gió bão thiệt hại [1] Số liệu phương pháp nghiên cứu 2.1 Giới thiệu dịch vụ đồ Web (Web Map Service - WMS) WMS dịch vụ cung cấp đồ số Web theo chuẩn mở WMS Hiệp hội OpenGIS Đây hướng nghiên cứu đầy tiềm Việt Nam WMS bao gồm thành phần Web Map Server Web Map Client 260 Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường Web Map Server phần dịch vụ đồ chạy Server, có nhiệm vụ cung cấp chức như: Tạo đồ (dưới dạng đồ họa, ảnh, tập tin liệu địa lý, ) trả lời câu truy vấn Web Map Client nội dung đồ Web Map Client có chức gửi yêu cầu đến Web Map Server thuộc tính Bản đồ hay yêu cầu hiển thị đồ dạng URL, nội dung URL phụ thuộc vào dịch vụ Web Map Server cung cấp Cơ chế hoạt động WMS gồm nhiệm vụ: + Communication (truyền thông máy tính): Ở tầng mơ hình truyền thơng, thơng tin truyền nhận tín hiệu điện tương ứng với chế mã hóa nhị phân (0/1) Ở tầng TCP/IP; tầng ứng dụng giao thức HTTP, thông tin tầng mã hóa ngơn ngữ HTML + Requests (u cầu): Trình duyệt gửi yêu cầu đến trang web GetRequest, GetRequest định dạng URL + Response (Trả lời): WebServer kiểm tra tồn trang Web, tồn người dùng có quyền truy cập trả trang Web cho người dùng, không báo thông điệp lỗi Các trang Web mã hóa HTML, ngơn ngữ bao gồm thẻ mô tả thành phần trang + Display (Hiển thị): Trình duyệt hiển trị trang Web, trình duyệt chuyển đổi thẻ HTML thành đối tượng đồ họa, vẽ lên hình chờ người dùng thao tác Đặc tả WMS quy định cách thức mà WMS client liên lạc với WMS Server cách thức mà WMS Server đáp ứng yêu cầu WMS Client Có hai loại Request bắt buộc số loại Request tùy chọn khác Mỗi loại yêu cầu giống trang web, cho dù thực tế hồn tồn chương trình đơn nhận tham số khác nhau: + GetMap: Yêu cầu GetMap trả đồ dạng ảnh (ảnh đồ) phạm vi địa lý theo tham số định nghĩa cụ thể GetMap yêu cầu Client để nhận tập hợp pixel Các pixel chứa ảnh đồ vùng địa lý (không gian) tập đối tượng đồ họa nằm vùng địa lý cụ thể Yêu cầu GetMap cho phép WMS Client lớp thông tin cụ thể: hệ quy chiếu không gian (SRS), khu vực địa lý, tham số khác quy định định dạng liệu trả về, Trên sở Yêu cầu GetMap, WMS Server trả kết đồ (nếu có) trả Exception theo dẫn Yêu cầu GetMap + GetCapabilities: Yêu cầu GetCapabilities trả siêu liệu mô tả WMS Server, mô tả bao gồm nội dung thông tin mà WMS phục vụ, tham số mà WMS Server nhận + GetFeatureInfo (tùy chọn): Yêu cầu GetFeatureInfo trả thông tin đối tượng địa lý cụ thể hiển thị đồ Nếu WMS Server hỗ trợ dịch vụ đồ mà trả gọi đồ có khả truy vấn thông tin WMS Client u cầu thơng tin đối tượng đồ cách thêm vào URL tham số vị trí (X,Y) số đối tượng trả thơng tin 2.2 Thuật tốn Kalman Lọc Kalman thuật toán cung cấp ước tính số biến chưa biết dựa phép đo quan sát theo thời gian Bộ lọc Kalman chứng minh tính hữu ích ứng dụng khác Bộ lọc Kalman có hình thức tương đối đơn giản u cầu Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường 261 sức mạnh tính tốn nhỏ [3] Các thuật tốn dựa lọc Kalman trở nên phổ biến hệ thống định vị theo dõi đối tượng chúng cho kết thời gian thực Bộ lọc Kalman cho phép ước tính lỗi trạng thái đối tượng bước thứ k sở phép đo bước thứ (k - 1) [2] Mơ hình tốn học lọc Kalman: Giả sử mơ hình hóa phương trình chuyển trạng thái 𝑥k+1 = A 𝑥 k + B𝒖 k + 𝑤 k yk+1 = C 𝑥 k+1 + υ (1) (2) đó: 𝑥k, yk trạng thái thời điểm k, 𝒖k vector điều khiển đầu vào, υ, 𝑤k hệ thống cộng hay nhiễu trình, thường nhiễu Gaussian trắng cộng (AWGN), 𝑮k ma trận chuyển đổi đầu vào 𝑭k ma trận chuyển trạng thái [3] Với giá trị C biểu diễn phương trình (3) C= (3) Bộ lọc Kalman có hai giai đoạn chính: Giai đoạn dự đoán giai đoạn hiệu chỉnh Giai đoạn dự đoán minh họa phương trình (1) (4) Phương trình (4) biểu diễn sau: (4) Trước chuyển sang giai đoạn hiệu chỉnh, cần tính tốn giá trị Kalman thu được: (5) đó: (6) Hiệu chỉnh giá trị ước lượng: (7) 2.3 Mô hình thử nghiệm Thơng thường, trang web chứa hình ảnh thời tiết chứa hình ảnh hiển thị liệu hệ tọa độ địa lý chưa dự báo Việc theo dõi vị trí khu vực bão thực cách phân tích hình ảnh từ máy chủ WMS Dữ liệu lớp bão lấy từ máy chủ hình ảnh khoa học trực quan hóa (SVS) Trung tâm chuyến bay không gian Goddard, NASA Dữ liệu lớp hiển thị mẫu đám mây bước sóng nhìn thấy, từ 0,52 - 0,72 micron Khi áp dụng lọc Kalman với thuật toán theo dõi bão, bão theo dõi riêng lẻ coi hệ thống quan tâm trạng thái ẩn hệ thống bao gồm vị trí, vận tốc khu vực bão Mục đích cung cấp ước lượng tối ưu vectơ trạng thái chưa biết bước thời gian thứ k cách sử dụng quan sát nhiễu trước y1,…, yk, mơ hình động cho phát triển theo thời gian trạng thái ước lượng trước Trong theo dõi bão dựa WMS, vector quan sát gồm biến đo trực tiếp từ bão phát hiện, chẳng hạn phép đo khu vực vị trí tâm bão Mơ hình lọc Kalman cho bão theo dõi ước tính biến trạng thái bão (vị trí thời điểm quan sát) Ở đây, việc theo dõi ban đầu nghĩa xác định bão 262 Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường thực từ máy chủ WMS Tại thời điểm bước k, nhóm tác giả áp dụng lọc Kalman cho đường đi, ước tính trạng thái bão theo dõi Để cải thiện phù hợp ô bão theo dõi, ô xác định bước thời gian trước k - chiếu tới bước thời gian k theo vận tốc ước tính lọc Kalman Trong nhiều ứng dụng dự báo bão hướng đối tượng, việc dự báo bão dựa phép ngoại suy tuyến tính vị trí cách sử dụng ước tính vận tốc vị trí trước lấy từ đường bão Các biến trạng thái xem xét nghiên cứu vị trí trung tâm hình học (x, y) bão xác định thành phần vận tốc tương ứng, biểu thị vector trạng thái Các biến đo tọa độ tâm bão phần tử tương ứng với quan sát vận tốc ma trận đo k khơng Vận tốc ước tính sau cách sử dụng mơ hình động lực học áp dụng phương trình lọc Kalman Như vậy, mơ hình quan sát tuyến tính k hệ thống là: A= (8) B= (9) đó: r số biểu diễn nhiễu tín hiệu, giá trị ước lượng từ thực tế mơ Thuật tốn đề xuất: Bước 1: Thiết lập tham số vị trí ban đầu bão (x0, y0), tốc độ bão (α), ma trận A, B; Bước 2: Tìm kiếm máy chủ WMS, tìm lớp bão từ sở liệu cục bộ; Bước 3: Đồng hóa đối tượng WMSLayer với máy chủ; Bước 4: Đọc chi tiết liệu lớp bão; Bước 5: Tạo biến khoảng thời gian; Bước 6: Lấy đồ bão từ máy chủ; Bước 7: Sử dụng hình ảnh từ máy chủ WMS, tính tốn khu vực vị trí trung tâm bão cách giả định bão nằm khu vực có nhiều mây bao phủ (xác định (xk, yk)); Bước 8: Ước lượng vị trí bão theo phương trình (1) (2) Các thuật tốn mơ phần mềm Python 3.7 Kết mơ Thuật tốn mơ phần mềm Python 3.7 chạy máy Dell inspiron core i2 RAM 4G Hình biểu diễn đường bão Vamco đổ vào miền Trung Việt Nam năm 2020 (theo https://vi.wikipedia.org/wiki/B%C3%A3o_Vamco_(2020)).Bổ sung lược đồ Việt Nam đầy đủ biển đảo thể chủ quyền Việt Nam Kết mô đường bão theo thuật tốn Kalman biểu diễn Hình Kết cho thấy quỹ đạo dịch chuyển bão Vamco có kinh độ vĩ độ quan hệ tuyến tính thuật tốn sử dụng lọc Kalman cho giá trị ước lượng bám sát đường thực tế bão Quỹ đạo dự đốn dùng Kalman có xảy sai lệch hướng bão thay đổi đột ngột Tuy nhiên, khả dự đoán trước Kalman, quỹ đạo dự đốn có sai số phát hướng bão thay đổi đột ngột Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài ngun mơi trường 263 Hình 1: Đường bão Vamco 2020 Hình 2: Kết mơ đường bão Vamco theo thuật toán Kalman2D Bảng biểu diễn vị trí bão thời điểm đo đạc kết dự đốn vị trí bão theo thuật toán Kalman Kết cho thấy đường bão dự đoán phù hợp với đường thực tế Bảng cho thấy, sai số kinh độ ước lượng vĩ độ ước lượng so với kinh độ vĩ độ trực tiếp sử dụng thuật toán Kalman nhỏ Cụ thể, theo số liệu Bảng 1, sai số kinh độ ước lượng so với kinh độ thực tế dao động khoảng từ 0,1 - 0,5 % Sai số vĩ độ ước lượng so với vĩ độ thực tế có cao giá trị chấp nhận, với phạm vi từ 1,1 - 3,1 % Tuy nhiên theo nhóm tác giả, kết có khả cải thiện nghiên cứu kết hợp với thuật toán khác để dự báo 264 Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường Bảng Kết mô dự đốn vị trí bão theo tọa độ Thời gian đo đạc 13h00 ngày 10/11/2020 7h00 ngày 11/11/2020 13h00 ngày 11/11/2020 19h00 ngày 11/11/2020 07h00 ngày 12/11/2020 13h00 ngày 12/11/2020 7h00 ngày 13/11/2020 7h00 ngày 14/11/2020 13h00 ngày 14/11/2020 16h00 ngày 14/11/2020 04h00 ngày 15/11/2020 16h00 ngày 15/11/2020 16h00 ngày 16/11/2020 Kinh độ thực tế 14 14.6 14.8 14.8 15 15.1 15.2 15.4 15.6 16.1 16.8 17.6 18.7 Vĩ độ Kinh độ Vĩ độ ước thực tế ước lượng lượng 128 13.999 127.999 124.5 15.147 121.321 124 15.119 122.578 122.3 14.920 120.705 119.5 15.169 117.161 119 15.226 117.799 115.6 15.310 113.039 111.7 15.567 108.311 110.5 15.786 108.464 109.9 16.480 108.752 107.7 17.378 105.902 105.7 18.315 103.777 102.5 19.653 99.789 Máy chủ WMS cho phép giám sát quỹ đạo trực tiếp bão thông qua ảnh vệ tinh Tuy nhiên để có chuẩn bị, ứng phó với tượng thiên nhiên khắc nghiệt cần đốn trước đường Thuật tốn Kalman cho phép ước lượng tương đối xác quỹ đạo chuyển động đối tượng hồn tồn áp dụng vào tốn dự báo đường bão Thực tế, việc giám sát bão gồm nhiều yếu tố khác việc giám sát quỹ đạo ví dụ cường độ bão, khu vực ảnh hưởng,… Kết luận Bài báo trình bày ứng dụng ước lượng quỹ đạo di chuyển bão sử dụng kết tìm kiếm từ máy chủ WMS áp dụng vào thuật toán Kalman Từ kết nghiên cứu hỗ trợ cho ứng dụng cảnh báo khí hậu cực đoan, thiên tai làm sở phát triển nghiên cứu sau kết hợp sinh viên ngành Công nghệ thông tin sinh viên ngành Khí tượng thủy văn TÀI LIỆU THAM KHẢO [1] Honduras, Sven P Batke, Merlijn Jocque, Daniel L Kelly (2014) Modelling hurricane exposure and wind speed on amesoclimate scale: A case study from Cusuco NP Hurricane Exposure Vulnerability www.plosone.org, volume 9, issue e91306 [2] Nguyễn Lương Nhật, Đào Duy Liêm (2019) Đánh giá hiệu thuật toán theo vết đối tượng chuyển động Tạp chí Khoa học Cơng nghệ thơng tin Truyền thơng, số 03&04 (CS.01) [3] Young Joo Kim and Hyochoong Bang (2018) Introduction to Kalman Filter and Its Applications Doi: 10.5772/intechopen.80600 [4] Pekka J Rossi1, V Chandrasekar, Vesa Hasu and Dmitri Moisseev (2015) Kalman filtering - based probabilistic nowcasting of object - oriented tracked convective storms Journal of Atmospheric and Oceanic technology Doi: https://doi.org/10.1175/JTECH-D-14-00184.1 [5] https://vi.wikipedia.org/wiki/B%C3%A3o_Vamco_(2020)) [6] https://vtv.vn/du-bao-khi-tuong-thuy-van.html Chấp nhận đăng: 10/12/2021; Người phản biện: TS Chu Thị Thu Hường Giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường 265 ... Đường bão Vamco 2020 Hình 2: Kết mơ đường bão Vamco theo thuật toán Kalman2 D Bảng biểu diễn vị trí bão thời đi? ??m đo đạc kết dự đốn vị trí bão theo thuật tốn Kalman Kết cho thấy đường bão dự đoán. .. mô đường bão theo thuật toán Kalman biểu diễn Hình Kết cho thấy quỹ đạo dịch chuyển bão Vamco có kinh độ vĩ độ quan hệ tuyến tính thuật toán sử dụng lọc Kalman cho giá trị ước lượng bám sát đường. .. dõi bão dựa WMS, vector quan sát gồm biến đo trực tiếp từ bão phát hiện, chẳng hạn phép đo khu vực vị trí tâm bão Mơ hình lọc Kalman cho bão theo dõi ước tính biến trạng thái bão (vị trí thời đi? ??m