Nghiên cứu nhận dạng xoáy thuận nhiệt Đới hoạt Động trên khu vực biển Đông bằng phương pháp trí tuệ nhân tạo

Nghiên cứu nhận dạng xoáy thuận nhiệt Đới hoạt Động trên khu vực biển Đông bằng phương pháp trí tuệ nhân tạo Nghiên cứu nhận dạng xoáy thuận nhiệt Đới hoạt Động trên khu vực biển Đông bằng phương pháp trí tuệ nhân tạo

h

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

CHU THỊ HUYỀN TRANG

NGHIÊN CỨU NHẬN DẠNG XOÁY THUẬN NHIỆT ĐỚI HOẠT ĐỘNG TRÊN KHU VỰC BIỂN ĐÔNG BẰNG

PHƯƠNG PHÁP TRÍ TUỆ NHÂN TẠO

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – Năm 2024

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

CHU THỊ HUYỀN TRANG

NGHIÊN CỨU NHẬN DẠNG XOÁY THUẬN NHIỆT ĐỚI HOẠT ĐỘNG TRÊN KHU VỰC BIỂN ĐÔNG BẰNG

PHƯƠNG PHÁP TRÍ TUỆ NHÂN TẠO

Chuyên ngành: Khí tượng học Mã số: 8440222.01

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:

TS DƯ ĐỨC TIẾN

Hà Nội – Năm 2024

LỜI CẢM ƠN

Lời đầu tiên, tôi xin trân trọng cảm ơn Tiến sĩ Dư Đức Tiến đã tận tình chỉ bảo và hướng dẫn cho tôi trong suốt quá trình thực hiện nghiên cứu Luận văn Thạc sĩ này Sự tận tâm, kiến thức sâu rộng và sự khích lệ không ngừng của thầy đã giúp tôi vượt qua những thách thức và phấn đấu phát triển không ngừng

Trong quá trình nghiên cứu và học tập tại Khoa Khí tượng Thủy văn và Hải dương học, Đại học Khoa học Tự nhiên, tôi đã có cơ hội được tiếp thu những kiến thức cơ bản và chuyên sâu về chuyên ngành Khí tượng và khí hậu học Tôi xin trân trọng cảm ơn các thầy giáo, cô giáo và các cán bộ trong Khoa đã cung cấp cho tôi những kiến thức chuyên môn quý giá, tận tình hướng dẫn, giúp đỡ và tạo điều kiện thuận lợi trong suốt quá trình tôi học tập và thực hiện nghiên cứu Những ý kiến và nhận xét góp ý của quý thầy cô đã giúp tôi nhìn nhận vấn đề một cách toàn diện hơn và cải thiện về chất lượng của Luận văn

Xin chân thành cảm ơn các đồng chí Lãnh đạo và cán bộ của Trung tâm Dự báo khí tượng thủy văn quốc gia, đặc biệt là các đồng nghiệp của phòng Dự báo số và viễn thám, đã tạo điều kiện cho tôi tham gia khóa đào tạo Thạc sĩ, tận tình giúp đỡ tôi trong quá trình thực hiện Luận văn Xin cảm ơn các thầy, cô thuộc Trung tâm Công nghệ tích hợp liên ngành Giám sát hiện trường, Trường Đại học Công nghệ, ĐH quốc gia Hà Nội đã hỗ trợ nghiên cứu về các phương pháp học máy/học sâu Trong quá trình thực hiện nghiên cứu và hoàn thiện các nội dung của luận văn, tôi đã nhận được sự hỗ trợ của Đề tài "Nghiên cứu xây dựng hệ thống trí tuệ nhân tạo ứng dụng trong dự báo xoáy thuận nhiệt đới (XTNĐ) ở Biển Đông và ảnh hưởng đến Việt Nam hạn đến 3 ngày” (mã số: KC-4.0-46/19-25, Bộ Khoa học và Công nghệ)

Trân trọng cảm ơn sự quan tâm, giúp đỡ của gia đình và bạn bè trong suốt quá trình tôi làm nghiên cứu Thạc sĩ, sự ủng hộ vững vàng từ họ là nguồn động viên không thể thiếu giúp tôi vượt qua những thời điểm khó khăn

Một lần nữa, tôi xin chân thành cảm ơn tất cả những người đã ở bên cạnh và đồng hành cùng tôi trong hành trình này

2.1.1 Dữ liệu quĩ đạo bão chuẩn (QĐBC) 19

2.1.2 Dữ liệu vệ tinh Himawari-8,9 22

2.1.3 Dữ liệu trích xuất vectơ chuyển động khí quyển (AMV) 26

2.1.4 Dữ liệu được gán nhãn 28

2.2 Phương pháp trí tuệ nhân tạo 30

2.2.1 Mạng trích xuất các đặc trưng của hình ảnh – ResNet 31

2.2.2 Mô hình nhận dạng XTNĐ – Retinanet 36

2.3 Phương pháp đánh giá 39

Chương 3 – KẾT QUẢ 43

3.1 Cơ sở dữ liệu XTNĐ được gán nhãn 43

3.2 Thử nghiệm nhận dạng cho cơn bão Nakri (2019) 48

3.3 Thử nghiệm nhận dạng cho cơn bão RAI (2021) 60

3.4 Kết quả đánh giá trên tập dữ liệu 67

KẾT LUẬN VÀ KIẾN NGHỊ 71

TÀI LIỆU THAM KHẢO 73

PHỤ LỤC 77

DANH MỤC CÁC HÌNH VẼ

Hình 1 Mười bước xác định cường độ XTNĐ bằng phương pháp Dvorak [5] 4

Hình 2 Sơ đồ mô tả các bước phân tích tâm, cường độ XTNĐ sử dụng trong phương pháp ADT [5] 4

Hình 3 Nhận dạng bão Morakat từ dữ liệu QuikSCAT [9] 8

Hình 4 Minh hoạ bản đồ đặc trưng được tạo ra qua các lớp tích chập [15] 12

Hình 5 Quá trình thực hành của ML/DL [26] 16

Hình 6 Sơ đồ phương pháp thực hiện trong luận văn 18

Hình 7 Sơ đồ cấu trúc dữ liệu sử dụng trong luận văn 19

Hình 8 Mô phỏng miền thống kê của QĐBC – miền training của mô hình 21

Hình 9 Mô phỏng miền thử nghiệm 22

Hình 10 Các khu vực và thời gian quét của vệ tinh Himawari-8,9 23

Hình 11 Các band phổ và độ phân giải của Himawari-8,9 24

Hình 12 Minh họa tập hợp các mẫu vùng bão đã được định danh dựa trên QĐBC và kênh phổ IR1 của toàn bộ tập training 26

Hình 13 Minh hoạ dữ liệu AMV 27

Hình 14 Minh hoạ file csv chứa thông tin mô tả ảnh, image_file là tên ảnh được chỉ định để gắn nhãn, [x1,y1,x2,y2] là toạ độ miền định vị XTNĐ, class_name là tên nhãn của XTNĐ đó 29

Hình 15 Cấu trúc mạng không-thời gian để nhận dạng XTNĐ 30

Hình 16 Minh hoạ về mạng CNN trích xuất các đặc trưng trong mô hình nhận dạng XTNĐ 31

Hình 17 Cấu trúc mạng Resnet-50 sử dụng trong bài toán nhận dạng XTNĐ 32

Hình 18 Minh hoạ một bộ lọc 33

Hình 19 Ví dụ minh hoạ phép tích chập phát hiện các cạnh của vật thể theo chiều

thẳng đứng 33

Hình 20 Minh hoạ phương pháp Max-pooling 34

Hình 21 Kết quả sử dụng mạng Resnet trong nhận dạng ảnh so sánh với các kiến trúc mạng khác [29], Trong đó các chỉ số trên cột biểu thị xác suất lỗi trong nhận dạng ảnh 36

Hình 22 Minh hoạ cấu trúc của mạng RetinaNet 36

Hình 23 Minh hoạ miền định vị đối tượng (màu đen nhiều kích thước) trên ảnh mây vệ tinh 39

Hình 24 Mô tả về chỉ số IoU, đường bao trắng: đường bao thực vị trí bão Đường bao cam, xanh: đường bao dự đoán vị trí bão 40

Hình 25 Minh hoạ đường cong Precision-Recall 41

Hình 26 Minh hoạ bộ dữ liệu hình ảnh XTNĐ đã được xác định miền định vị đối tượng và gán nhãn các cấp bão tương ứng 43

Hình 27 Minh hoạ các lớp cường độ bão tương ứng với các “nhãn” của XTNĐ 43

Hình 28 Minh hoạ một số dạng mẫu mây ở giai đoạn hình thành 44

Hình 29 Minh hoạ mẫu mây dạng băng cuốn và mô hình phát triển của mẫu mây dạng băng cuốn 45

Hình 30 Minh hoạ mẫu mây dạng lệch tâm và mô hình phát triển của mẫu mây dạng lệch tâm 46

Hình 31 Minh hoạ mẫu mây dạng tâm phủ mây 47

Hình 32 Minh hoạ mẫu mây dạng có mắt 47

Hình 33 Quỹ đạo di chuyển của bão số 6 (Nakri – 1924) 48Hình 34 Minh hoạ vị trí XTNĐ theo QĐBC và vị trí XTNĐ theo kết quả nhận dạng của mô hình DL tại thời điểm ATNĐ (a,b), Bản đồ Khí áp mực biển (c); Bản đồ mực

850mb (d) 50Hình 35 Minh hoạ vị trí XTNĐ theo QĐBC và vị trí XTNĐ theo kết quả nhận dạng của mô hình DL tại thời điểm XTNĐ đạt cấp Bão (a,b), Bản đồ Khí áp mực biển (c); Bản đồ mực 850mb (d) 52Hình 36 Minh hoạ vị trí XTNĐ theo QĐBC và vị trí XTNĐ theo kết quả nhận dạng của mô hình DL tại thời điểm bão tăng cấp nhanh (a-d); Bản đồ Khí áp mực biển (e); Bản đồ mực 850mb (f) 54Hình 37 Minh hoạ vị trí XTNĐ theo QĐBC và vị trí XTNĐ theo kết quả nhận dạng của mô hình DL tại thời điểm bão đạt cường độ cực đại (a,b); Bản đồ Khí áp mực biển (c); Bản đồ mực 850mb (d) 56Hình 38 Minh hoạ vị trí XTNĐ theo QĐBC và vị trí XTNĐ theo kết quả nhận dạng của mô hình DL tại thời điểm bão suy yếu (a,b); Bản đồ Khí áp mực biển (c); Bản đồ mực 850mb (d) 57Hình 39 Minh hoạ vị trí XTNĐ theo QĐBC (bên trái) và Mô hình DL (bên phải) Các hộp hình vuông là miền tồn tại xoáy được xác định bởi mô hình 58Hình 40 Thống kê sai số vị trí tâm XTNĐ giữa phương pháp AI với QĐBC (cột màu xanh) và phương pháp ADT với QĐBC (cột màu xanh lá) (Đơn vị: km) 59Hình 41 Quỹ đạo di chuyển của bão RAI (2021) 60Hình 42 Biểu đồ thống kê sai số vị trí tâm bão so với QĐBC của phương pháp AI và phương pháp ADT 62Hình 43 Minh hoạ vị trí XTNĐ theo QĐBC và vị trí XTNĐ theo kết quả nhận dạng của mô hình DL tại thời điểm Bão rất mạnh (a,b), Bản đồ Khí áp mực biển (c); 63Hình 44 Minh hoạ vị trí XTNĐ theo QĐBC và vị trí XTNĐ theo kết quả nhận dạng của mô hình DL tại thời điểm Bão đạt cấp độ cực đại (a,b), Bản đồ Khí áp mực biển (c); Bản đồ mực 850mb (d) 64Hình 45 Minh hoạ vị trí XTNĐ theo QĐBC và vị trí XTNĐ theo kết quả nhận dạng

của mô hình DL tại thời điểm Bão bắt đầu suy yếu (a,b), Bản đồ Khí áp mực biển (c); Bản đồ mực 850mb (d) 65Hình 46 Minh hoạ vị trí XTNĐ theo QĐBC và vị trí XTNĐ theo kết quả nhận dạng của mô hình DL tại thời điểm Bão tan rã (a,b), Bản đồ Khí áp mực biển (c); Bản đồ mực 850mb (d) 66Hình 47 Minh hoạ sai số khoảng cách nhận dạng vị trí tâm XTNĐ khi sử dụng 3 lựa chọn đầu vào khác nhau cho mô hình DL 67

STS Severe Tropical Storm – Bão mạnh TY Typhoon – Bão rất mạnh

AMV Atmospheric Motion Vector: Dữ liệu trích xuất vectơ chuyển

động khí quyển JWTC Joint Typhoon Warning Center – Trung tâm Cảnh báo Bão Liên

hợp JMA Japan Meteorological Agency – Cục khí tượng Nhật Bản

Luận văn Thạc sĩ – Chu Thị Huyền Trang

MỞ ĐẦU

Xoáy thuận nhiệt đới là một hiện tượng thời tiết nguy hiểm và được xem là loại hình thiên tai đứng đầu có sức tàn phá vô cùng khủng khiếp Những hiện tượng thời tiết đi kèm với xoáy thuận nhiệt đới như nước biển dâng, mưa lớn, lũ lụt, gió mạnh gây ra những thiệt hại rất lớn về tính mạng và tài sản Việt Nam là một nước nằm hoàn toàn trong miền nhiệt đới, với bờ biển rất dài và vùng biển thuộc Tây Bắc Thái Bình Dương - ổ bão của thế giới Vì vậy, việc có thể theo dõi, giám sát hoạt động của chúng là vấn đề cấp thiết và hết sức có ý nghĩa đối với xã hội Khi nắm bắt được quỹ đạo di chuyển như thế nào, cường độ của bão ra sao, con người sẽ có thể chủ động đề phòng, đưa ra những phương án để kịp thời ứng phó, nhằm giảm thiểu phần nào thiệt hại do bão gây ra Trải qua rất nhiều năm, đã có rất nhiều phương pháp được sử dụng để xác định về quỹ đạo cũng như cường độ của XTNĐ Phương pháp phổ biến nhất hiện nay đang được sử dụng để xác định tâm và cường độ đó là dựa trên kĩ thuật Dvorak Tại Việt Nam, các kĩ thuật này được thực hiện dựa trên một công cụ hỗ trợ là phần mềm GMSLPD Tuy nhiên tất cả quá trình thực hiện đều đang thủ công, sử dụng công cụ của phần mềm để đo đạc tính toán Ở Việt Nam chưa có chương trình nào tự động xác định được tâm hay cường độ Việc tính toán như vậy không mang tính khách quan, sai số sẽ phụ thuộc nhiều vào kinh nghiệm của người phân tích Bên cạnh đó phương pháp dựa trên kỹ thuật Dvorak còn tồn tại nhiều bất cập trong việc nhận dạng mẫu mây Trên thực tế, có hai tình huống khó khăn nhất: Trường hợp 1 là khi ở giai đoạn ATNĐ mẫu mây không rõ ràng, không thuộc một trong 5 mẫu mây điển hình của Dvorak Trường hợp 2 cũng hay gặp trong Biển Đông đó là mẫu mây có sự tương tác với các hệ thống thời tiết khác, xác định tâm cũng rất khó Hai trường hợp này xác định tâm có sai số lớn, độ tin cậy không cao Vì vậy hiện nay, các trung tâm trên thế giới bắt đầu chuyển sang hướng tiếp cận mới, ứng dụng những thành tựu của công nghệ thông tin vào phân tích XTNĐ, đặc biệt là những thành tựu trong công nghệ trí tuệ nhân tạo, để cải thiện khả năng xác định tâm và cường độ XTNĐ Trí tuệ nhân tạo cho thấy khả năng nhận dạng đối tượng vô cùng tốt với rất nhiều ứng dụng thực tiễn hiện nay như nhận dạng người, nhận dạng phương

Luận văn Thạc sĩ – Chu Thị Huyền Trang

tiện, … Nghiên cứu sẽ ứng dụng lớp bài toán nhận dạng nhưng đối tượng là XTNĐ, những vật thể phân loại khác nhau ứng với cấp độ XTNĐ và vị trí XTNĐ trên dữ liệu ảnh vệ tinh ứng với vị trí “vật thể” XTNĐ được xác định trên dữ liệu ảnh vệ tinh Rất nhiều các công trình nghiên cứu đã cho thấy tính khả quan của phương pháp ứng dụng trí tuệ nhân tạo vào nhận dạng XTNĐ

Mục tiêu của luận văn là nghiên cứu nhận dạng vị trí và cường độ của xoáy thuận nhiệt đới hoạt động trên biển Đông bằng phương pháp trí tuệ nhân tạo sử dụng dữ liệu vệ tinh địa tĩnh Himawari-8,9 hoặc tương đương

Cấu trúc luận văn

Luận văn được tổ chức gồm 3 chương:

Chương 1 Tổng quan tình hình nghiên cứu trong và ngoài nước về ứng dụng trí tuệ nhân tạo trong việc nhận dạng XTNĐ

Chương 2 Dữ liệu và phương pháp nghiên cứu Chương 3 Kết quả

KẾT LUẬN VÀ KIẾN NGHỊ

Luận văn Thạc sĩ – Chu Thị Huyền Trang

1.1.1 Các nghiên cứu trong nước Một trong những kĩ thuật phân tích bão được sử dụng ở hầu khắp các trung tâm dự báo trên thế giới đó là kĩ thuật Dvorak [3] Trải qua rất nhiều năm cải tiến, từ phương pháp Dvorak cổ điển năm 1980 tới nay phương pháp Dvorak cải tiến nhất là ADT [4] Phương pháp Dvorak truyền thống (DT) được tính toán dựa trên ảnh VIS và ảnh IR Quá trình thực hiện phương pháp được chia thành 10 bước [5]:

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Hình 1 Mười bước xác định cường độ XTNĐ bằng phương pháp Dvorak [5]

Quy trình thực hiện kĩ thuật Dvorak cải tiến ADT được chia thành 3 bước chính [5]:

Hình 2 Sơ đồ mô tả các bước phân tích tâm, cường độ XTNĐ sử dụng trong

phương pháp ADT [5]

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Nhìn vào sơ đồ Hình 2 có thể thấy, nhược điểm của phương pháp ADT nằm ngay ở những bước đầu tiên xác định tâm xoáy Các giá trị khởi tạo ban đầu của vị trí tâm hoặc là mang tính chủ quan dựa vào dự báo viên làm thủ công, hoặc là sử dụng từ các trung tâm dự báo quốc tế, hoặc là khoanh vùng miền áp dụng tính toán từ thông tin dự báo một cách tuyến tính vị trí XTNĐ trong 1-3 ngày

Không chỉ vậy, phương pháp ADT còn tồn tại những bất cập trong việc tự động nhận dạng mẫu mây Năm 2018, Trần Quang Năng và ccs “So sánh kĩ thuật phân tích cường độ bão Dvorak cải tiến (ADT) và phương pháp phân tích Dvorak (DT) trong nghiệp vụ dự báo bão trên khu vực biển Đông” [6] Nghiên cứu bao gồm hai phần chính: phần 1 so sánh giữa phương pháp Dvorak cổ điển và phương pháp Dvorak cải tiến cho cơn bão Megi (2010), phần 2 là những đánh giá chi tiết về cường độ, sai số hệ thống, khả năng nhận dạng mây bão của ADT với DT giai đoạn 2010 - 2015 Kết quả của phần 1 cho thấy phương pháp ADT không thể hiện sự ưu việt hơn so với phương pháp DT trong việc mô phỏng cơn bão Megi (thể hiện ở việc sai số so với Quỹ đạo bão chuẩn (QĐBC) của ADT lớn hơn DT) Sai số này có nguyên nhân chính là do phương pháp ADT nhận dạng nhầm mẫu mây Ở phần 2, đối với đánh giá khả năng nhận dạng mây, nhìn chung DT phân thành 5 dạng mây còn ADT phân thành 6 dạng mây Khi XTNĐ phát triển mạnh thì cả 2 phương pháp đều nhận dạng tương đồng nhau, tuy nhiên ở giai đoạn hình thành hoặc suy yếu thì có sự khác biệt khá rõ, đặc biệt trong trường hợp nhận dạng mẫu mây dạng băng cuốn Từ đó dẫn đến nhận dạng cường độ khác nhau Đối với đánh giá cường độ giữa 2 phương pháp, nhìn chung DT có sai số thấp hơn ADT trong hầu hết các mẫu dạng phân tích mây bão Tuy nhiên các tác giả cũng lưu ý một điều rằng phương pháp ADT đang được hiệu chỉnh khác với chế độ đo gió của Việt Nam, cường độ này có thể lớn hơn khoảng 5-10% so với QĐBC Đối với giai đoạn phát triển mạnh nhất của bão, sự chính xác của ADT có thể được xem như là giá trị cận trên có khả năng xảy ra nhất trong việc phân tích cường độ bão

1.1.2 Các nghiên cứu nước ngoài

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Năm 2006, Q.P.Zhang và ccs [7] đã xác định tâm XTNĐ một cách tự động bằng kĩ thuật xử lí hình ảnh dựa trên ảnh vệ tinh Sau khi tiền xử lí, một số kĩ thuật xác định tâm sẽ được áp dụng, dựa trên cơ sở kết hợp chuyển động của xoáy và tịnh tiến Theo hình dạng đối xứng của XTNĐ và đặc điểm xoắn ốc của nó, đường xoắn logarit được sử dụng để khớp với rìa của đám mây đặc trưng xoáy thuận, có thể được sử dụng để ước tính tâm xoáy Theo chuyển động của XTNĐ, một phương pháp đối chiếu xoay vòng (rotation matching) sẽ được áp dụng để theo dõi đường đi thông qua trình tự hình ảnh Phân đoạn hình ảnh được sử dụng để phân biệt các đối tượng từ nền của chúng Đối với hình ảnh cường độ (những hình ảnh được đại diện bởi các mức cường độ), bốn cách tiếp cận phổ biến là:

- Kĩ thuật ngưỡng: dựa trên thông tin pixel cục bộ, có hiệu quả khi mức cường độ của đối tượng nằm ngoài phạm vi của mức trong nền

- Phương pháp dựa trên cạnh: xoay quanh việc phát hiện đường viền - Phương pháp dựa trên vùng: hình ảnh được phân vùng thành các vùng được kết nối bằng cách nhóm các pixel lân cận có mức cường độ tương tự Các vùng liền kề sau đó được hợp nhất theo một số tiêu chí liên quan đến độ sắc nét của ranh giới vùng - Phương pháp dựa trên connectivity-preserving relaxation: bắt đầu với 1 số hình dạng đường biên ban đầu được biểu diễn dưới dạng các đường cong, sau đó được sửa đổi thu nhỏ/mở rộng theo một số hàm năng lượng khác nhau

Mô hình khớp xoắn được đề xuất trong nghiên cứu này chia thành các giai đoạn: tính năng khai thác đám mây, tính năng làm mịn đám mây, tính năng trích xuất skeleton (hình dạng theo ít chiều hơn) của đám mây và mô phỏng dựa trên thuật toán bình phương nhỏ nhất Nghiên cứu này cũng trình bày phương phương pháp xoay tâm Tâm bão được xác định là điểm ở khu vực trung tâm của cơn bão có vecto quay bằng 0 và được xác định bằng phương pháp hình học Kết quả cho thấy, tâm hình học của một số giá trị được tính toán được sử dụng làm tâm thực của XTNĐ Sử dụng phân tích hình ảnh có thể thấy kết quả đủ chính xác để đưa ra dự báo 1 cách chắc chắn

“Một thuật toán mới để tự động tìm mắt của XTNĐ bằng cách sử dụng dữ liệu radar Doppler” [8] của Ka Yan Wong và ccs năm 2007 mô tả một phương pháp phân

Luận văn Thạc sĩ – Chu Thị Huyền Trang

tích cấu trúc trường chuyển động để định vị mắt XTNĐ chính xác hơn Thử nghiệm cho 4 cơn bão hoạt động trên biển Đông, Dữ liệu được sử dụng là các hình ảnh phản xạ radar CAPPI 3km được chụp mỗi 6 phút, cùng với vận tốc Doppler Thuật toán được xây dựng dựa trên kĩ thuật voting Một chuỗi các hình ảnh radar được mô hình hóa dưới dạng video, xây dựng thành trường vecto chuyển động để phân tích Tâm XTNĐ được xác định bằng cách định vị điểm được bao phủ bởi số lượng cung lớn nhất (tạo ra bởi các vecto quay) Để đánh giá hiệu suất của phương pháp, một hệ thống dựa trên Java được xây dựng Sai số trung bình của các XTNĐ nằm hoàn toàn trong phạm vi quét của radar là 0.150 theo kinh/vĩ độ trên bản đồ Mercator Projection Thuật toán này cũng có thể hữu ích cho các XTNĐ đang trong giai đoạn tan rã hoặc ngoài phạm vi của Radar

Năm 2010, Juhong Zou và ccs [9] đã phát triển thuật toán tự động nhận dạng bão từ dữ liệu gió QuikSCAT Các đặc điểm biểu đồ về tốc độ gió và hướng gió của bão được sử dụng để nhận dạng thô, sau đó nhận dạng chính xác hơn sử dụng các đặc tính hoàn lưu của bão được áp dụng cho dữ liệu gió, để bão quan sát được bởi QuikSCAT có thể nhận dạng một cách tự động Ví dụ một trường hợp thử nghiệm là cơn bão Morakat năm 2009 với dữ liệu QuikSCAT do PO.DACC cung cấp Với nhận dạng thô, tốc độ gió được coi là tiêu chí để xác định bão Nếu 1 cơn bão tồn tại nằm trong một khu vực giới hạn được xác định trước trích xuất từ hình ảnh QuikSCAT, tốc độ gió tối đa trong khu vực phải vượt quá một tốc độ gió tối thiểu (ví dụ 8 m/s) và tiêu chí này phải được đáp ứng ít nhất 300 lần trong vùng xác minh Với nhận dạng chính xác hơn sử dụng 3 tiêu chí:

1 Góc giữa hướng gió và dòng dẫn tại mỗi ô phải nhỏ hơn 1 góc tối thiểu 4502 Trên dòng dẫn, sự khác biệt của hướng gió giữa 2 ô lân cận nên nhỏ hơn 2003 Có ít nhất một vòng tròn khép kín

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Hình 3 Nhận dạng bão Morakat từ dữ liệu QuikSCAT [9]

Kết quả được thể hiện trên hình 3 cho thấy một cơn bão tồn tại trong vùng giới hạn (đường màu đen) Tất cả các giai đoạn của bão mà QuikSCAT quan sát được kể cả nằm ở rìa mặt cắt của QuikSCAT cũng đều được xác định chính xác

Năm 2013, Gang Yin và Yu Feng Chen [10] giới thiệu một thuật toán mới tự động định vị mắt bão dựa trên ảnh mây vệ tinh hồng ngoại Cơ sở của phương pháp là dựa vào sự khác biệt về giá trị màu xám khá rõ ràng trong các khu vực khác nhau của ảnh mây hồng ngoại Sau khi tiền xử lí ảnh mây, các tác giả sử dụng mẫu x33 để phân đoạn vùng tường mây có giá trị xám cao Sau đó thực hiện xử lí binarization cho hình ảnh và sử dụng phương pháp kết hợp với hình thái toán học và trí tuệ nhân tạo để xử lí hình ảnh trong quá trình lọc Tiếp theo, áp dụng thuật toán “adopt the seed filling” để phát hiện vùng mắt bão Trong vùng mắt, bài báo đưa ra hàm phân biệt dựa trên sự kết hợp của thông tin màu xám và khoảng cách giữa các điểm kiểm tra và tâm của vòng tròn Vùng mắt tương ứng với giá trị nhỏ nhất của hàm phân biệt chính là tâm mắt bão Các kết quả thử nghiệm cho thấy rằng thuật toán này có định vị chính xác

Luận văn Thạc sĩ – Chu Thị Huyền Trang

“DeepTC: Mạng ConvLSTM để dự báo quỹ đạo XTNĐ sử dụng dữ liệu không gian mô phỏng khí quyển” (2018) [11] của Seoungchan Kim và ccs đã giới thiệu một mô hình dự báo đường đi của XTNĐ dựa trên một dữ liệu mới, mô hình này có tên là DeepTC Mô hình sử dụng dữ liệu được tạo ra từ mô hình WRF, mô phỏng các điều kiện không gian của khí quyển Ngoài ra, mô hình sử dụng bộ nhớ convolutional long short-term Đối với dữ liệu để đào tạo, có 25 biến được chọn từ mô phỏng của mô hình WRF bao gồm 12 biến 3D (3 chiều ví dụ thành phần gió x(U), thành phần gió y (V)) và 13 biến 2D (2 chiều ví dụ khí áp bề mặt, nhiệt độ mặt biển) Để tạo ra tập dữ liệu, các tác giả đã tiến hành như sau: một mô phỏng có 5 chuỗi thời gian với khoảng cách 6 giờ giữa các dữ liệu liên tiếp 24h kể từ khi bắt đầu Chạy 5 lần tổng thể với 5 cài đặt vật lí khác nhau cho mô hình WRF (một mô hình bắt đầu từ dữ liệu ban đầu khác nhau, 4 mô hình chạy theo những sơ đồ vật lí khác nhau) tạo ra 25 mô phỏng Tổng số lượng mô phỏng cho 50 XTNĐ là 5400, sau đó được chia ngẫu nhiên thành tập dữ liệu đào tạo (60%), tập xác thực (20%) và tập thử nghiệp (20%) Cấu hình mô hình được đề xuất “many-to-many”, do đó cung cấp một công cụ để dự đoán vị trí tiếp theo của XTNĐ từ các điều kiện khí quyển được mô phỏng Mô hình nhận được 5 mục dữ liệu, bao gồm các biến 3D và 2D trong khoảng thời gian quy định là 6 giờ Sau đó mô hình được đào tạo bằng trình tối ưu hóa Adam với tốc độ học hỏi là 0.001 Chỉ số MAE được sử dụng để đo độ chính xác của dự báo Kết quả cho thấy, MAE của vĩ độ là 1,8 (198km) và của kinh độ là 2,12 (212km) Cơ sở tính triển vọng của mô hình nằm ở chỗ mạng ConvLSTM được biết là có hiệu quả trong các vấn đề liên quan đến dữ liệu không gian, vì vậy có thể dễ dàng tìm hiểu các biểu diễn không gian và thời gian của khí quyển được mô phỏng bởi WRF ConvLSTM thay thế các phép nhân ma trận bằng các phép toán tích chập được thực hiện tại mỗi cổng trong ô LSTM Kết quả là nó có thể nắm bắt các dữ liệu không gian cơ bản từ dữ liệu đa chiều

Năm 2018, Matsuoka và ccs [12] đã giới thiệu 1 phương pháp học sâu để nhận dạng XTNĐ trong mô phỏng bởi một mô hình khí quyển toàn cầu phi thủy tĩnh phân giải đám mây Mô phỏng 20 năm của bức xạ sóng dài (OLR) được tính toán bằng

Luận văn Thạc sĩ – Chu Thị Huyền Trang

cách sử dụng mô phỏng khí quyển toàn cầu phân giải đám mây để đào tạo mạng nơ ron phức hợp sâu 2 chiều (CNN) CNN được đào tạo với 50.000 XTNĐ và tiền-XTNĐ và 500.000 dữ liệu không phải XTNĐ Hiệu suất của CNN được tính toán theo các lưu vực, mùa và thời gian dẫn khác nhau Dữ liệu mô phỏng khí quyển được tạo ra bởi mô hình NICAM trong khoảng thời gian 30 năm thừ tháng 1 năm 1979 Để phát hiện XTNĐ và tiền thân của nó, thuật toán được sử dụng dựa trên các bước: 1, xác định tâm tạm thời của XTNĐ mà tại đó SLP nhỏ hơn 0,5hPa so với giá trị trung bình của khu vực Bên cạnh đó các khu vực phải thỏa mãn: tốc độ gió tối đa 10m >17,5 m/s, xoáy tương đối lớn nhất ở mực 850 > 1,0 x 10-3 /s, chênh lệch nhiệt độ ở mực 300, 500 và 700 hPa >2 K, tốc độ gió ở mực 850 hPa > 300 hPa, thời gian được phát hiện của mỗi cơn bão > 36h, XTNĐ được hình thành trong vĩ độ 300N – 300S 2, các điểm lưới này được kết nối với các điểm gần nhất và các dấu vết tiền thân của nó (trước khi trở thành XTNĐ) 30 năm dữ liệu thử nghiệm sẽ được chia thành dữ liệu đào tạo (20 năm) và dữ liệu thử nghiệm (10 năm) Thực hiện phân loại nhị phân dựa trên CNN để phân loại dữ liệu đám mây 2D (OLR) thành “các XTNĐ đang phát triển và tiền thân của chúng” và “vùng thấp không phát triển” Kiến trúc CNN trong nghiên cứu này gồm 4 lớp phức hợp (convolutional layers), 3 lớp gộp (pooling layers) và 3 lớp được kết nối đầy đủ (fully connected layers) Kết quả, mô hình CNN phát hiện thành công các XTNĐ và tiền thân của chúng ở phía Tây Bắc Thái Bình Dương trong khoảng thời gian từ tháng 7 đến tháng 11 với xác suất phát hiện POD là 79,9 – 89,1 % Tỉ lệ báo động giả (XA) là 32,8 – 53,4% Kết quả phát hiện tiền thân của XTNĐ 2, 5 và 7 ngày trước khi hình thành lần lượt là 91,2%, 77,8% và 74,8% ở Tây Bắc Thái Bình Dương Hơn nữa, mặc dù hiệu suất phát hiện có tương quan với lượng dữ liệu đào tạo và thời gian tồn tại của XTNĐ, nhưng có thể đạt được khả năng phát hiện cao với POD vượt quá 70% và XA dưới 50% trong mùa XTNĐ đối với một số lưu vực đại dương, chẳng hạn như Bắc Đại Tây Dương, với kích thước mẫu hạn chế và thời gian tồn tại ngắn

“Phương pháp học máy để dự báo sự hình thành XTNĐ sử dụng dữ liệu vệ tinh” của Minsang Kim và ccs năm 2019 [13] đã so sánh việc phát hiện sự hình thành

Luận văn Thạc sĩ – Chu Thị Huyền Trang

XTNĐ bằng 3 thuật toán học máy khác nhau đó là: cây quyết định (DT), rừng ngẫu nhiên (RF) và hồi quy vectơ hỗ trợ (SVM) và một mô hình dựa trên Linear Discriminant Analysis (LDA) Cụ thể, LDA là kĩ thuật thống kê phân loại các đối tượng thành hai nhóm dựa trên một tập hợp các yếu tố dự báo với các giá trị ngưỡng cụ thể Các cách tiếp cận học máy khác (DT, RF, SVM) thông qua quá trình đào tạo sẽ học một sự kết hợp tối ưu của các yếu tố dự báo Trong nghiên cứu này các tác giả sử dụng ảnh vệ tinh WindSat – 1.325 ảnh bao gồm xấp xỉ 630 nhiễu động nhiệt đới ở Tây Bắc Thái Bình Dương giai đoạn 2005-2009 Tất cả các dữ liệu WindSat trong 5 năm được chia thành tập dữ liệu để đào tạo (3 năm bất kì) và tập dữ liệu xác minh (2 năm còn lại) Các kĩ năng hiệu suất được đo lường bằng các chỉ số HR (Tỷ lệ nhận dạng đúng), FAR (tỷ lệ nhận dạng sai) và PSS (chỉ số kết hợp, đánh giá tổng thể về khả năng nhận dạng của hệ thống) Nhìn chung các thuật toán học máy (ML) cho thấy khả năng nhận dạng đúng tốt hơn đáng kể, với HR ~95% so với hiệu suất của mô hình dựa trên LDA ~77% Tuy nhiên FAR (Tỉ lệ cảnh báo sai) cao hơn một chút, ở ML ~21-28% so với LDA ~13% Hơn nữa, ML xác định sự hình thành XTNĐ sớm nhất là 26-30 giờ trước thời điểm lần đầu tiên được JTWC dự báo là áp thấp nhiệt đới và cũng sớm hơn từ 5 đến 9 giờ so với LDA

Năm 2019, Sookyung Kim và ccs [14] đã nghiên cứu sâu về theo dõi bão: theo dõi quỹ đạo và dự báo các sự kiện khí hậu cực đoan Trong bài báo này, các tác giả đề xuất các mô hình không gian – thời gian dựa trên LSTM (ConvLSTM) để theo dõi và dự báo quỹ đạo bão từ dữ liệu khí hậu quy mô lớn; cụ thể là dữ liệu lịch sử không gian – thời gian cấp pixel của XTNĐ Đối với vấn đề theo dõi, lập mô hình bản đồ mật độ theo thời gian của quỹ đạo bão Thêm vào đó, một cách tiếp cận dự báo quỹ đạo mới được giới thiệu như một bài toán dự báo tuần tự từ các chuỗi bản đồ mật độ bão trong quá khứ đến tương lai Thí nghiệm sử dụng dữ liệu 20 năm cho thấy mô hình theo dõi dựa trên ConvLSTM hoạt động rất tốt Đối với mô hình theo dõi, bản đồ mật độ được tạo ra cho thấy khi sử dụng mô hình ConvLSTM 2 lớp hoặc 3 lớp sẽ cho kết quả tốt nhất Kết quả này được so sánh với mô hình dựa trên CNN và mô hình 3D Encmoder-Decoder bằng chỉ số AvgP Mô hình dựa trên CNN cho độ phản hồi

Luận văn Thạc sĩ – Chu Thị Huyền Trang

cao tuy nhiên độ chính xác thấp hơn đáng kể do có nhiều kết quả dương tính giả Mô hình 3D Encoder-Decoder hoạt động tốt hơn một chút nhưng độ chính xác trung bình vẫn thấp hơn 23% Mô hình ConvLSTM cho kết quả trung bình chính xác tới 90% Đối với mô hình dự báo, thí nghiệm cho thấy mô hình ConvLSTM dự đoán chính xác vị trí của các cơn bão sau 3 giờ, với sai số <30km Sau 6 tới 15 giờ, sai số trung bình xấp xỉ 140 tới 170km

Chong Wang và cs (2021) [15] đã thiết kế một mạng lưới thần kinh tích chập sâu (CNN) để ước tính cường độ XTNĐ trên khu vực Tây Bắc Thái Bình Dương bằng cách sử dụng dữ liệu nhiệt độ độ sáng được quan trắc bởi AHI trên vệ tinh địa tĩnh Himawari-8 Mô hình của họ đã được đào tạo với 97 XTNĐ từ năm 2015 tới năm 2018 Nghiên cứu cũng nhấn mạnh tầm ảnh hưởng đáng kể của việc sử dụng các kênh hồng ngoại (IR) khác nhau đến hiệu suất ước tính cường độ của mô hình CNN, chứng minh tính ổn định của mô hình ngay cả khi hình ảnh có nhiễu Cụ thể, hiệu suất ước tính cường độ của mô hình CNN với 4 kênh dữ liệu đầu vào có độ chính xác khá tốt (84.8%) và RMSE thấp (5.24m/s), giá trị trung bình độ lệch trong ước tính cừng độ XTNĐ là -2.15m/s Sau khi thêm một hàm focuss_loss vào mô hình CNN, độ chính xác tăng lên 88.9%, RMSE và độ lệch trung bình lần lượt là 4.62 và -0.76m/s

Hình 4 Minh hoạ bản đồ đặc trưng được tạo ra qua các lớp tích chập [15]

Luận văn Thạc sĩ – Chu Thị Huyền Trang

1.2 Tổng quan về phương pháp trí tuệ nhân tạo

Sử dụng trí tuệ nhân tạo để học máy/học sâu (ML/DL) sẽ khám phá các quy tắc từ dữ liệu và không bị giới hạn bởi vật lí đặc biệt thích hợp để giải quyết các vấn đề mà có cơ chế vật lí không rõ ràng của XTNĐ như giai đoạn hình thành, tan rã hoặc tương tác với các hình thế thời tiết khác Các thử nghiệm sử dụng những thuật toán ML/DL để học tập từ các bộ số liệu trong quá khứ để xây dựng mô hình nhận dạng XTNĐ đều cho những kết quả rất khả quan

Trí tuệ nhân tạo (Artificial Intelligence) có thể hiểu đơn giản là các chương trình máy tính (thể hiện cụ thể của các kiến trúc ML/DL) và nhiệm vụ cốt lõi là xây dựng các mô hình toán học sử dụng số liệu với mẫu đủ lớn để đưa ra suy luận từ tập mẫu (đối tượng cần hướng tới có được kết quả phân tích và dự báo) [16] Có hai dạng tiếp cận ML/DL:

Dạng 1: Sử dụng ML/DL để tiền xử lí đầu vào, hiệu chỉnh mô hình và hiệu chỉnh kết quả dự báo Sử dụng dữ liệu dự báo của mô hình số NWP

Dạng 2: Tiếp cận ML/DL dạng thuần túy dữ liệu Sử dụng dữ liệu quan trắc, phân tích để:

• Xác định, nhận dạng tâm và cường độ từ dữ liệu vệ tinh • Xác định XTNĐ có tính chất tương tự trong quá khứ để đưa ra những cảnh

báo về mưa lớn, gió mạnh • Dự báo tâm và cường độ XTNĐ tại các hạn khác nhau

So với thuật toán ML truyền thống thì DL có lợi thế về dữ liệu nhiều chiều, phù hợp cho các ứng dụng phức tạp Do vậy việc lựa chọn thuật toán ML/DL thích hợp cần cho các dữ liệu khác nhau và các nhu cầu khác nhau

Nếu mục tiêu của mô hình là dự báo các giá trị rời rạc thì loại nhiệm vụ học tập này được gọi là “phân loại” (classification), nếu nó dùng để dự báo các giá trị liên tục thì được gọi là “hồi quy” (regression) Ngoài ra, các nhiệm vụ học tập cũng có thể được phân loại thành “học tập có giám sát” và “học tập không giám sát” tùy thuộc vào việc dữ liệu đào tạo có được gắn nhãn hay không Nhiệm vụ của dự báo dự định thiết lập một ánh xạ f từ không gian đầu vào X đến không gian đầu ra Y, f: X→Y, và

Luận văn Thạc sĩ – Chu Thị Huyền Trang

f phụ thuộc vào vecto của các tham số phi tuyến, w: y = f(x,w) Các tham số w thu được trong quá trình huấn luyện, đối với vấn đề phân loại hoặc hồi quy/ánh xạ là sự tối ưu hóa tiêu chí hiệu suất (ví dụ: tối thiểu hóa sai số bình phương trung bình) Bản thân một thuật toán ML/DL cũng có các tham số bổ sung (siêu tham số), chẳng hạn như số lượng nơ ron ẩn và tốc độ học cho mạng nơ ron Việc lựa chọn các siêu tham số cũng đóng một vai trò quan trọng trong việc đào tạo một mô hình dự báo dựa trên ML/DL phù hợp

Đối với nhận dạng quỹ đạo XTNĐ, các mô hình ML/DL thường bắt nguồn từ phương pháp thống kê, tức là sử dụng các đặc điểm của chính XTNĐ, các biến khí tượng và đại dương liên quan để dự đoán vị trí của XTNĐ và đây được coi là ánh xạ phi tuyến Các thuật toán được sử dụng như DT, CNN, Mạng nơ-ron hồi quy RNN,

ConvLSTM (Convolutional Long-Short Term Memory), phân cụm Clustering, mạng nơ-ron truyền thẳng nhiều lớp MLP (Multilayer perceptron) [17]

Đối với nhận dạng cường độ, do thiếu các thám sát tại chỗ nên dữ liệu vệ tinh là nguồn dữ liệu rất quan trọng Phương pháp điển hình để dự báo trực tiếp cường độ là lấy toàn bộ đường đi của XTNĐ làm thành một chuỗi và sử dụng MLP hoặc RNN để dự đoán cường độ ở các thời điểm tiếp theo dựa trên cường độ của thời điểm hiện tại Các thuật toán ML/DLcó thể kể tới như: DT, SVM, rừng ngẫu nhiên (RF), MLP, CNN, RNN, Hybrid, thuật toán phân cụm (K-means), Transfer learning (Học chuyển giao) [18]

Thuật ngữ “Nhận dạng đối tượng” là sử dụng thị giác máy tính để xác định các đối tượng trong ảnh Có 3 nhiệm vụ thị giác máy tính cơ bản giúp nhận dạng đối tượng:

- Phân loại hình ảnh: Dự đoán nhãn của một đối tượng trong ảnh - Định vị đối tượng: Xác định vị trí của các đối tượng trong ảnh dưới dạng miền định vị đối tượng (các ô chữ nhật được vẽ bao quanh đối tượng – bounding box)

- Phát hiện đối tượng: Xác định vị trí của đối tượng trong miền định vị và nhãn của đối tượng đó

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Hiện nay trên thế giới nhận dạng đối tượng bằng thị giác máy tính được ứng dụng rất nhiều, ví dụ như nhận dạng biển số xe, nhận dạng khuôn mặt, xe tự lái, … Một số hệ thống ứng dụng ML/DL vào nhận dạng đối tượng:

- YOLO (You Only Look Once) là một mô hình nhận dạng đối tượng thời gian thực cho phép nhận dạng nhiều đối tượng trong một hình ảnh một cách nhanh chóng và chính xác [19] Dataset (Bộ dữ liệu) được sử dụng cho việc huấn luyện mô hình là COCO (Common Objects in Context), một bộ dữ liệu lớn chứa hơn 1.5 triệu hình ảnh với hơn 80 loại đối tượng khác nhau Ví dụ tại bãi đậu xe, một hệ thống giám sát an ninh được triển khai với các camera được kết nối với mạng YOLO Hệ thống này có thể phát hiện và nhận dạng các hành vi không an toàn như đậu xe trái phép, đi vào khu vực cấm, … Khi phát hiện những hành vi như vậy, hệ thống có thể kích hoạt cảnh báo để cảnh báo cho các bên có thẩm quyền xử lý

- Faster R-CNN (Region-based Convolutional Neural Networks) là một kiến trúc mạng học sâu được sử dụng phổ biến trong nhận dạng đối tượng [20] Dataset phổ biến là Pascal VOC (Visual Object Classes), bộ dữ liệu gồm nhiều hình ảnh chứa các đối tượng khác nhau được gán nhãn Faster R-CNN có thể được sử dụng để đếm và theo dõi hành khách trong sân bay Mạng này sẽ nhận dạng hành khách và đếm số lượng hành khách từ các camera giám sát được phân bố trong sân bay

- SSD (Single Shot MultiBox Detector) là một mô hình nhận dạng đối tượng thời gian thực có khả năng nhận dạng nhanh chóng và hiệu quả [21] Dataset phổ biến được dùng để huấn luyện mạng là MS COCO (Microsoft Common Objects in Context) gồm hàng ngàn hình ảnh được gán nhãn các đối tượng khác nhau

- RetinaNet là mô hình nhận dạng đối tượng được phát triển bởi nhóm nghiên cứu tại Facebook AI Research (FAIR) Đặc điểm nổi bật của RetinaNet là khả năng nhận dạng đối tượng với độ chính xác cao ở nhiều tỷ lệ khác nhau, ngay cả khi tập dataset chứa dữ liệu bị mất cân bằng giữa các lớp (các đối tượng này có thể xuất hiện nhiều hơn đối tượng khác) RetinaNet đã được chứng minh là có hiệu suất cao trong nhận dạng đối tượng trên nhiều bộ dữ liệu khác nhau như COCO và Pascal VOC RetinaNet

Luận văn Thạc sĩ – Chu Thị Huyền Trang

được sử dụng trong giám sát an ninh, xe tự lái, nhận dạng đối tượng trong hình ảnh y khoa, … [22]

Tương tự như vậy, ứng dụng cho bài toán nhận dạng XTNĐ Nghiên cứu sẽ ứng dụng lớp bài toán nhận dạng nhưng đối tượng là XTNĐ, những vật thể phân loại khác nhau ứng với cấp độ XTNĐ và vị trí XTNĐ trên dữ liệu ảnh vệ tinh ứng với vị trí “vật thể” XTNĐ được xác định trên dữ liệu ảnh vệ tinh [23] Ngoài dữ liệu ảnh vệ tinh, các dữ liệu trích xuất vectơ chuyển động khí quyển (AMV), trạng thái biển từ các dữ liệu vệ tinh cực cũng góp phần cải thiện chất lượng nhận dạng XTNĐ [24, 25] Rất nhiều các công trình nghiên cứu đã cho thấy tính khả quan của phương pháp ứng dụng ML/DL vào nhận dạng XTNĐ

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Dvorak dẫn đến khó khăn trong việc xác định mẫu mây và cường độ của XTNĐ Hiện nay trên thế giới sử dụng phương pháp ADT cải tiến tự động xác định tâm và cường độ của XTNĐ nhưng khi ứng dụng trên Biển Đông cho sai số lớn.Ngày nay, một số trung tâm dự báo trên thế giới đã chuyển sang hướng tiếp cận liên ngành để nâng cao chất lượng phân tích XTNĐ, đặc biệt ưu tiên ứng dụng những thành tựu đột phá trong công nghệ thông tin nổi bật là trong công nghệ ML/DL Những nghiên cứu trong nước và trên thế giới đã cho thấy việc ứng dụng ML/DL ngày càng cho thấy sự hiệu quả, vượt trội so với các phương pháp tiếp cận truyền thống Các mô hình ML/DL được giới thiệu đều cho những kết quả nhận dạng tâm XTNĐ với độ chính xác cao, cường độ chênh lệch không nhiều so với thực tế Ưu điểm của ML/DL là có thể khám phá các quy tắc từ dữ liệu và không bị giới hạn bởi vật lý, khai thác được khối lượng dữ liệu khổng lồ Trong luận văn này nghiên cứu ứng dụng phương pháp DL trong việc nhận dạng vị trí và cường độ XTNĐ nói chung và XTNĐ trên khu vực biển Đông nói riêng

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Chương 2 – SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Hình 6 Sơ đồ phương pháp thực hiện trong luận văn

Luận văn sẽ bao gồm các phần chính: 1) Thu thập, xây dựng cơ sở dữ liệu về XTNĐ phục vụ cho việc DL 2) Huấn luyện mô hình DL nhận dạng vị trí và cường độ XTNĐ 3) Đánh giá khả năng nhận dạng của mô hình (Flow code được minh hoạ trong Phụ lục 1)

2.1 Dữ liệu

DL dựa vào dữ liệu Quá trình xây dựng và triển khai hệ thống DL và học sâu đòi hỏi bộ dữ liệu lớn và đa dạng Tính biến đổi và chất lượng của dữ liệu đóng vai trò quan trọng trong việc xác định khả năng và độ chính xác của các mô hình DL Chỉ có dữ liệu chất lượng cao mới đảm bảo hiệu suất hoạt động Dữ liệu thô sẽ được xử lý để làm đầu vào cho mô hình DL như sơ đồ trong Hình 7

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Hình 7 Sơ đồ cấu trúc dữ liệu sử dụng trong luận văn

Mô hình DL nhận dạng XTNĐ là một mạng khai thác được cả yếu tố không gian và thời gian Ảnh vệ tinh himawari ở dạng riêng lẻ sẽ cung cấp thông tin về vị trí XTNĐ, đặc điểm về mẫu mây, đó là tính không gian Về phần thời gian, ảnh vệ tinh dưới dạng liên tục 10 phút một thể hiện các chuyển động của khí quyển chính là trích xuất AMV Từ dữ liệu thô là ảnh Himawari và số liệu QĐBC, tạo ra cơ sở dữ liệu bao gồmAMV và Ảnh được gắn nhãn làm đầu vào cho việc huấn luyện mô hình DL, cụ thể về từng loại dữ liệu sẽ được mô tả dưới đây

2.1.1 Dữ liệu quĩ đạo bão chuẩn (QĐBC)

Dữ liệu quỹ đạo bão chuẩn của RSMC Tokyo (JMA-Nhật Bản) được dùng cho việc huấn luyện mô hình DL QĐBC được lấy từ trang web chính thức của JMA, thời đoạn từ năm 2015 tới nay, định dạng file text QĐBC bao gồm thời gian từ khi hình thành vùng thấp tới khi tan rã hoặc ra ngoài phạm vi quan sát của RSMC Dưới đây là mô tả một file số liệu QĐBC cho cơn bão Noul vào tháng 9 năm 2020

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Bảng 1 QĐBC của cơn bão Noul năm 2020 theo thống kê của JMA

Bảng 2 Mô tả file QĐBC

1 ID cơn bão sắp xếp dựa vào các cơn bão có cường độ từ TS trở lên

2 Số dòng của QĐBC

3 ID của cơn bão

5 Thông tin cuối cùng về cơn bão: 0 – tan rã, 1- ngoài phạm vi quan sát của RSMC

7 Tên cơn bão

8 Ngày cập nhật mới nhất của QĐBC

9 Thời gian của quỹ đạo bão (UTC)

11 Phân loại bão (2: Tropical Depression (TD) 3: Tropical Storm (TS) 4: Severe Tropical Storm (STS) 5: Typhoon (TY)

6: Extra-tropical Cyclone (L))

12 Vĩ độ của tâm XTNĐ

13 Kinh độ của tâm XTNĐ

Luận văn Thạc sĩ – Chu Thị Huyền Trang

14 Giá trị tâm thấp (hPa)

15 Tốc độ gió bề mặt lớn nhất (kt)

16 Bán kính dài nhất của gió có vận tốc ≥50kt (nautical mile)

18 Bán kính dài nhất của gió có vận tốc ≥30kt (nautical mile)

Về phạm vi của QĐBC, RSMC thống kê những XTNĐ trong khoảng 00-600N, 10001800E Để tăng số lượng mẫu thử làm đầu vào cho mô hình DL, luận văn sẽ sử dụng các XTNĐ trên toàn bộ miền tính này

E-Hình 8 Mô phỏng miền thống kê của QĐBC – miền training của mô hình

Tập thử nghiệm sẽ phân tích những XTNĐ trên khu vực Biển Đông như hình 9:

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Hình 9 Mô phỏng miền thử nghiệm

Miền thử nghiệm nhận dạng XTNĐ là khu vực Biển Đông, thống kê trong khoảng 120E trở vào, đảm bảo nắm bắt được hết các XTNĐ hình thành và phát triển trên biển Đông

2.1.2 Dữ liệu vệ tinh Himawari-8,9

Ảnh mây vệ tinh là một công cụ rất hữu ích trong việc giám sát sự hình thành và phát triển của XTNĐ bởi phần lớn hoạt động của nó đều ở trên các đại dương, nơi có rất ít số liệu quan trắc Himawari-8,9 là vệ tinh địa tĩnh do cơ quan khí tượng Nhật Bản vận hành Himawari-8 được phóng và đưa vào vận hành vào lúc 2:00 UTC ngày 7 tháng 7 năm 2015 Tiếp theo vào ngày 2 tháng 11 năm 2016, Himawari-9 được phóng, bắt đầu hoạt động dự phòng vào tháng 3 năm 2017 Cả 2 vệ tinh đều được lên kế hoạch hoạt động cho tới năm 2029 Himawari-8 chủ yếu sẽ được sử dụng để quan sát trong giai đoạn đầu, Himawari-9 đóng vai trò hỗ trợ Từ năm 2022, Himawari-9 sẽ được đặt vào vai trò quan sát chính và Himawari-8 là dự phòng

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Himawari có 16 kênh phổ (3 kênh nhìn thấy, 3 kênh hồng ngoại gần và 10 kênh hồng ngoại) với độ phân giải không gian từ 500m đến 2km Cụ thể độ phân giải không gian của Himawari-8,9 là 0,5-1km đối với dải nhìn thấy và 1-2km đối với dải hồng ngoại và cận hồng ngoại

Himawari [27] được quét theo các kiểu sau: Full Disk (hình ảnh toàn bộ Trái Đất), khu vực Nhật Bản (Khu vực 1 và 2), khu vực mục tiêu (Khu vực 3) và Khu vực mốc (Khu vực 4 và 5) như Hình 10 Vệ tinh Himawari quét Trái Đất bằng cách di chuyển các gương quét bên trong theo hướng Đông-Tây bắt đầu từ phía Bắc Ánh sáng được tập hợp bởi các gương được phân tán thành 16 dải sóng trước khi được chuyển thành tín hiệu điện bởi các máy dò cho mỗi dải, và các tín hiệu này lần lượt được truyền tới các trạm mặt đất Trong khoảng thời gian 10 phút, AHI sẽ quét hình ảnh toàn bộ Trái Đất một lần, khu vực Nhật Bản và khu vực mục tiêu 4 lần, khu vực mốc 20 lần Các vạch chia 10 phút này là đơn vị cơ bản của một lịch trình quan sát được gọi là mốc thời gian và dòng thời gian sẽ được lặp lại sau mỗi 10 phút

Hình 10 Các khu vực và thời gian quét của vệ tinh Himawari-8,9

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Độ phân giải quang phổ của Himawari-8,9 tốt hơn so với độ phân giải phổ của loạt vệ tinh MTSAT trước đó, giúp nó có thể cung cấp thông tin quang phổ chi tiết hơn ở độ phân giải không gian cao hơn Các chức năng quan sát nâng cao của vệ tinh được kì vọng sẽ hỗ trợ mức độ chính xác chưa từng có trong việc giám sát chuyển động của các XTNĐ

Vệ tinh Himawari-8 có tổng cộng 16 kênh phổ, trải dài từ bước sóng 0,47 – 13,3µm; bao gồm: bước sóng nhìn thấy (Visible – VIS) từ 0,47 – 0,64µm với độ phân giải 0,5 – 1km, bước sóng cận hồng ngoại (Near Infrared – NIR) từ 0,86 – 2,3µm có độ phân giải 1 – 2km và bước sóng hồng ngoại (Infrared – IR) từ 3,9 – 13,3µm có độ phân giải 2km Với số kênh và độ phủ rộng của các bước sóng mà vệ tinh Himawari đang có đã nhiều hơn vệ tinh MTSAT trước đó rất nhiều, vốn chỉ có 5 kênh: VIS (0,68µm), IR4 (3,7µm), IR3 (6,8µm), IR1 (10,8µ) và IR2 (12,0µ) (hình 12) Cũng với lý do trên mà vệ tinh Hmiawari-8 có khả năng quan trắc tốt hơn rất nhiều so với vệ tinh MTSAT trước đó

Hình 11 Các band phổ và độ phân giải của Himawari-8,9

Ảnh mây vệ tinh là một công cụ hữu ích trong việc giám sát sự hình thành và phát triển hệ thống thời tiết trên biển cũng như trên đất liền Trong đó, các kênh ảnh

Luận văn Thạc sĩ – Chu Thị Huyền Trang

cơ bản của vệ tinh bao gồm: kênh thị phổ (VIS) nằm trong giải bước sóng 0,46 – 0,64 µm và chia theo 3 màu cơ bản: xanh lục, xanh lá và đỏ; kênh cận hồng ngoại (NIR) thuộc giải bước sóng 1,86 – 2,3µm và kênh IR thuộc giải bước sóng 3,9 – 13,3µm, trong đó có bước sóng 3,9µm có nhằm mục đích phát hiện mây tầng thấp và sương mù

Trong nghiên cứu này sử dụng kênh ảnh hồng ngoại nhiệt (IR1) làm dữ liệu cho việc huấn luyện mô hình DL nhận dạng XTNĐ Ảnh IR1 cung cấp thông tin về nhiệt độ đỉnh mây Các vùng đối lưu phát triển của hệ thống mây bão được quan sát khá rõ trên kênh phổ này Kênh ảnh này có trong thời gian cả ban ngày lẫn ban đêm

Thu thập và tập dữ liệu: giai đoạn 2015 – 2019: Dữ liệu ảnh vệ tinh Himawari được sử dụng cho việc huấn luyện mô hình sẽ được download tự động 3 tiếng 1 lần từ hệ thống cơ sở dữ liệu của Chiba Uni – Nhật Bản thời đoạn từ tháng 1/2015 tới nay Độ phân giải thời gian của ảnh là 10 phút Đối với dữ liệu ảnh download sẽ bao gồm 16 band phổ Tuy nhiên trong khuôn khổ luận văn sử dụng kênh ảnh IR1, tổng cộng có 5055 ảnh trong thời đoạn thử nghiệm được thống kê như trong Bảng 3 Ảnh vệ tinh được lấy là dạng Full-Disk có phạm vi 850E – 1550W và 600N – 600S đảm bảo nắm bắt được toàn bộ XTNĐ hoạt động trên khu vực Tây Bắc Thái Bình Dương và các vùng biển lân cận

Bảng 3 Thống kê tập mẫu giai đoạn 2015-2019

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Hình 12 Minh họa tập hợp các mẫu vùng bão đã được định danh dựa trên

QĐBC và kênh phổ IR1 của toàn bộ tập training

Tổng số lượng mẫu thử dùng cho huấn luyện mô hình và thử nghiệm như sau: Áp thấp nhiệt đới 1317 trường hợp, Bão 1148 trường hợp, Bão mạnh 653 trường hợp, Bão rất mạnh 1392 trường hợp

2.1.3 Dữ liệu trích xuất vectơ chuyển động khí quyển (AMV)

AMV (Hình 13) là dữ liệu quan trắc về vectơ chuyển động của khí quyển được thu thập từ các hình ảnh vệ tinh AMV đo lường sự di chuyển của đám mây và các

Luận văn Thạc sĩ – Chu Thị Huyền Trang

thành phần khác của khí quyển, thông qua việc theo dõi sự thay đổi vị trí của các đối tượng khí tượng trên các hình ảnh vệ tinh liên tục Như vậy, dữ liệu AMV có thể cung cấp thông tin về hướng và tốc độ gió ở các tầng khác nhau của khí quyển, giúp cho việc nhận dạng dễ dàng hơn vì mạng không cần ước tính chuyển động ngầm AMV rất hữu ích khi theo dõi XTNĐ vì trên đại dương nơi các quan trắc rất thưa thớt AMV cũng thể hiện tính thời gian trong dữ liệu input cho mô hình học Trên thực tế, trong quá trình phân tích ảnh mây vệ tinh, các dự báo viên cũng sử dụng kĩ thuật looping để theo dõi hoàn lưu xoắn của XTNĐ

Hình 13 Minh hoạ dữ liệu AMV

Phương pháp của JMA sẽ được ứng dụng trong việc trích xuất dữ liệu AMV Cụ thể, ảnh vệ tinh Himawari sẽ được chia vào các lưới kinh vĩ độ AMV được tính toán dựa trên phương pháp tương quan cực đại (maximum correclation) Trong luận văn này sử dụng lưới dữ liệu có độ phân giải 7x7 pixels cho các band ảnh độ phân giải 500m và 28x28 pixels cho các band ảnh có độ phân giải 2km Mỗi một trích xuất AMV tại thời điểm t sẽ được tạo ra bằng cách so sánh sự dịch chuyển của khí quyển tại thời điểm t-10 phút, t, t+10 phút Ví dụ, để có AMV lúc 15h, phương pháp sẽ so sánh sự tương quan giữa ảnh vệ tinh lúc 15h với ảnh vệ tinh lúc 14h50 và 15h10 Với

Luận văn Thạc sĩ – Chu Thị Huyền Trang

mỗi ô lưới, thuật toán sẽ tính toán, so sánh sự tương đồng giữa ảnh vệ tinh tại thời điểm t với t-10phút và t+10phút Vị trí có hệ số tương đồng cao nhất thể hiện sự tương ứng của từng ô lưới trong từng ảnh Từ đó sẽ tính được sự dịch chuyển bằng thuật toán tương quan mẫu với hàm mục tiêu là sự tương đồng lớn nhất Sau khi tính toán được trường gió AMV, tốc độ gió và hướng gió được quy vào dạng ảnh ở hệ màu HSV trong đó H từ 0-360 ứng với hướng gió, V ứng với độ lớn của gió

2.1.4 Dữ liệu được gán nhãn

Gán nhãn hình ảnh là quá trình gán nhãn cho các đối tượng trong ảnh, giúp cho các thuật toán của mô hình có thể nhận diện được các đối tượng đó Tất cả các dữ liệu thô như ảnh vệ tinh, AMV đều được xử lý gắn nhãn để đưa vào huấn luyện mô hình DL Theo WMO [28], dựa vào tốc độ gió mạnh nhất ở vùng gần tâm XTNĐ, chia XTNĐ thành các dạng như Bảng 4 dưới đây:

Bảng 4 Bảng phân loại XTNĐ

(knot)

Gió cực đại (km/h)

Cấp gió (Beaufort) Áp thấp nhiệt đới

(Tropical Depression)

Bão rất mạnh (Typhoon)

Các cấp độ bão sẽ được sử dụng như các “đối tượng” để nhận dạng trong ảnh tương ứng với các loại nhãn được sử dụng gán cho XTNĐ là “Tropical Depression”, “Tropical Storm”, “Severe Tropical Storm”, “Typhoon”

Luận văn Thạc sĩ – Chu Thị Huyền Trang

Mô hình DL sẽ có nhiệm vụ học tập xác định miền định vị XTNĐ và nhận dạng phân loại chúng thuộc loại nhãn nào Để gắn nhãn hình ảnh thì cần 2 phần chính: hình ảnh và chú thích của chúng

- Đối với phần ảnh: Các ảnh vệ tinh himawari được sắp xếp thành một hệ thống phân cấp các thư mục, với thư mục cấp cao nhất chứa các thư mục con cho các tập huấn luyện và kiểm tra

- Đối với phần chú thích: Mỗi chú thích trong tập dữ liệu bao gồm các thông tin sau: Tên tệp hình ảnh; miền định vị XTNĐ theo QĐBC (bao gồm toạ độ lat, lon của tâm bão, chiều rộng và chiều cao của miền), phân loại XTNĐ

Tập dữ liệu sử dụng định dạng csv cung cấp thông tin về tất cả hình ảnh, Hình 14 là minh hoạ cấu trúc của tập dữ liệu:

Hình 14 Minh hoạ file csv chứa thông tin mô tả ảnh, image_file là tên ảnh được chỉ định để gắn nhãn, [x1,y1,x2,y2] là toạ độ miền định vị XTNĐ, class_name là tên

nhãn của XTNĐ đó

Các thông tin về cường độ bão, vị trí tâm xoáy, bán kính gió có tốc độ >50kts sẽ được trích xuất từ QĐBC.Vị trí tâm XTNĐ lấy từ QĐBC sẽ được sử dụng để xác định miền định vị XTNĐ Kích thước của miền định vị được xác định là miền có tốc độ gió >50kts Cường độ bão là tên nhãn của hình ảnh

Luận văn Thạc sĩ – Chu Thị Huyền Trang

2.2 Phương pháp trí tuệ nhân tạo

Hình 15 Cấu trúc mạng không-thời gian để nhận dạng XTNĐ

Chuỗi thời gian của ảnh vệ tinh có thể được phân tách thành các thành phần không gian và thời gian Đối với phần không gian, ở dạng hình ảnh riêng lẻ sẽ mang thông tin về XTNĐ được mô tả trong hình ảnh Đối với phần thời gian, ở dạng chuyển động của khí quyển qua các hình ảnh liên tục (thể hiện bởi trích xuất AMV), sẽ thể hiện cường độ và hướng gió Cấu trúc của mạng DL được sử dụng trong luận văn sẽ chia thành 2 phần chính, như trong hình 15 Phần thứ nhất là sử dụng mạng Resnet học đồng thời các đặc điểm không gian và thời gian, trích xuất được các đặc trưng của hình ảnh dưới dạng ma trận đặc trưng Sau đó, các đặc trưng sẽ được sử dụng làm đầu vào cho mô hình Retinanet học tập nhận dạng vị trí và cường độ XTNĐ