XÂY DỰNG ỨNG DỤNG HIỆU CHỈNH dữ LIỆU và dự báo các yếu tố KHÍ TƯỢNG

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN * Võ Đoàn Như Khánh XÂY DỰNG ỨNG DỤNG HIỆU CHỈNH DỮ LIỆU VÀ DỰ BÁO CÁC YẾU TỐ KHÍ TƯỢNG LUẬN VĂN THẠC SĨ, LUẬN VĂN CAO HỌC NGÀNH: CÔNG NGHỆ THÔNG TIN Mã số: 60480201 NGƯỜI HƯỚNG DẪN KHOA HỌC TS DƯƠNG THỊ THÚY NGA TP HỒ CHÍ MINH – 2017 LỜI CAM ĐOAN Tôi xin cam đoan luận án thạc sĩ “Xây dựng ứng dụng hiệu chỉnh liệu dự báo yếu tố khí tượng” cơng trình nghiên cứu riêng tơi Các số liệu tài liệu luận án trung thực chưa cơng bố cơng trình nghiên cứu Tất tham khảo kế thừa trích dẫn tham chiếu đầy đủ Học viên Võ Đoàn Như Khánh LỜI CẢM ƠN Để hoàn thành đề tài Luận văn tốt nghiệp nhờ nỗ lực tôi, thiếu hỗ trợ Thầy/Cô khoa, anh chị, bạn bè gia đình Tơi xin bày tỏ biết ơn đến: Các Thầy/Cô trường ĐH Công Nghệ Thông Tin – ĐHQG Tp.HCM, hỗ trợ kiến thức chun mơn lẫn tảng để tơi hồn thành đề tài Hơn xin cảm ơn TS Dương Thị Thúy Nga, người Cô trực tiếp hướng dẫn tơi Cơ tận tình giúp đỡ tơi mặt chun mơn góp ý cho tơi ý tưởng phát triển đề tài Tôi xin cảm ơn bạn bè chia kinh nghiệm, kiến thức để giúp chúng em hoàn thành đề tài Tơi xin cảm ơn gia đình tạo điều kiện tinh thần lẫn vật chất để chúng em học tập nghiên cứu, hoàn thành đề tài luận văn Một lần xin chân thành cảm ơn kính gửi đến Thầy/Cơ, anh chị, bạn bè, gia đình lời chúc tốt đẹp nhất, có nhiều sức khỏe, thành công sống công tác TP.Hồ Chí Minh, ngày 07 tháng 08 năm 2017 Học viên Võ Đoàn Như Khánh MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC Danh mục ký hiệu chữ viết tắt Danh mục bảng Danh mục hình vẽ, đồ thị MỞ ĐẦU 11 Chương 1: TỔNG QUAN ĐỀ TÀI 13 1.1 Tên đề tài hướng nghiên cứu: 13 1.2 Mục tiêu ý nghĩa đề tài: 13 1.2.1 Mục tiêu nghiên cứu 13 1.2.2 Đối tượng nghiên cứu 14 1.2.3 Phạm vi nghiên cứu 14 1.3 Tổng quan tình hình nghiên cứu 14 1.3.1 Giới thiệu chung 14 1.3.2 Tình hình nghiên cứu 15 1.4 Tính khoa học tính đề tài: 22 1.4.1 Tính đề tài 22 1.4.2 Tính liên ngành 23 1.4.3 Ý nghĩa khoa học 24 1.4.4 Ý nghĩa thực tiễn 24 Chương KIẾN THỨC NỀN TẢNG VÀ KHẢO SÁT 25 2.1 Nền tảng Linux 25 2.2 Python thư viện hỗ trợ 27 2.2.1 Thư viện Numpy 28 2.2.2 Thư viện Scipy 29 2.3 Thư viện scikit-learn Machine Learning Python 29 2.4 Giới thiệu Global Weather Data (dữ liệu) 31 Chương 3: PHƯƠNG PHÁP VÀ QUY TRÌNH KIỂM THỬ 32 3.1 Phương pháp nghiên cứu 32 3.1.1 Các số đánh giá thuật toán 32 3.1.2 Lựa chọn liệu nghiên cứu 33 3.2 Giới thiệu thuật toán thực hoá thư viện scikit 34 3.3 Chuẩn bị liệu nguồn 51 3.3.1 Dữ liệu nguồn 51 3.3.2 Đánh giá giá trị liệu Global weather giá trị thực đo 53 3.4 Thông số cài đặt hệ thống 55 3.5 Quy trình xác định thuật tốn dự báo 57 3.6 Quy trình kiểm thử hiệu chỉnh giá trị khí tượng 58 3.6.1 Tổng quan trình 58 3.6.2 Chi tiết trình chạy kiểm thử 60 3.7 Xây dựng website 64 Chương 4: KẾT QUẢ VÀ TRIỂN KHAI 66 4.1 Kết thực nghiệm hiệu chỉnh liệu 66 4.1.1 Kết thông số nhiệt độ cao 66 4.1.2 Kết thông số nhiệt độ thấp 68 4.1.3 Kết thông số lượng mưa 70 4.1.4 Kết thông số độ ẩm 72 4.1.5 Kết lượng mặt trời 74 4.1.6 Kết hiệu chỉnh gió 77 4.1.7 Tổng kết trình thực nghiệm 79 4.1.8 Sử dụng kết tốt đánh giá tháng khác 81 4.2 Kết dự báo 83 4.2.1 Lượng mưa 83 4.2.2 Nhiệt độ cao 85 4.2.3 Sử dụng kết đảnh giá yếu tối lại 87 4.2.4 Áp dụng thông số dự báo cho tháng lại năm 89 4.3 Giới thiệu website 92 4.3.1 Giao diện thuộc tính 92 4.3.2 Giao diện hiển thị kết 95 5.1 Kết luận 97 5.2 Hướng phát triển 98 5.3 Ứng dựng mơ hình vào thực tế 99 Tài liệu tham khảo 101 Danh mục ký hiệu chữ viết tắt ARIMA AutoRegressive Integrated Moving Average, Mơ hình tự hồi qui tích hợp trung bình trượt CFSR Hệ thống tái phân tích dự báo Khí hậu NCEP (The NCEP Climate Forecast System Reanalysis) HDH Hệ điều hành MAE Sai số tuyệt đối trung bình (Mean Absolute Error) ME Độ lệch, sai số trung bình (Mean Error) MSE Sai số bình phương trung bình (Mean square error) NCAR Trung tâm Nghiên cứu khí quốc gia, Mỹ (National Center for Atmospheric Research) NCDC Trung tâm Dữ liệu khí hậu quốc gia, Mỹ (The National Climatic Data Center) NCEP Trung tâm dự báo môi trường quốc gia, Mỹ (National Centers for Environmental Prediction) NOAA Cơ quan khí đại dương quốc gia, Mỹ (The National Oceanic and Atmospheric Administration) RMSE Sai số bình phương trung bình bình phương (Root mean square error) Danh mục bảng Bảng 1.1: Giá trị ME MAE T2m (oC) vùng khí hậu toàn Việt Nam giai đoạn 1981-2000 16 Bảng 1.2: Giá trị ME (mm/tháng) RE (%) lượng mưa trung bình tháng tháng mưa nhiều vùng khí hậu tồn Việt Nam giai đoạn 1981-2000 16 Bảng 1.3 Kết so sánh dựa vào số cùa thuật toán hiệu chỉnh [7] 18 Bảng 1.4 Cấu trúc mạng Multi-layer Perceptron regressor 20 Bảng 3.1: Danh sách công thức số đánh giá 32 Bảng 3.2 Bảng giới thiệu thuật toán metrics 33 Bảng 3.3 Thống kê số lượng mẫu liệu 34 Bảng 3.4 Dữ liệu mẫu tháng 01 từ năm 1979 - 2014 53 Bảng 3.5 Độ lệch liệu thực đo Trạm Tân Sơn Hòa Global Weather 54 Bảng 3.6 Các giá trị kiểm thử thuật toán Random Forest 59 Bảng 3.7 Giới thiệu giá trị kiểm thử thuật toán 59 Bảng 3.8 Miêu tả trình kiểm thử cho việc hiệu chỉnh lượng mưa 63 Bảng 3.9 Miêu tả sơ đồ website 65 Bảng 4.1 Kết thông số MAE nhiệt độ cao 66 Bảng 4.2 Kết thông số RSME nhiệt độ cao 67 Bảng 4.3 Kết thông số MAE nhiệt độ thấp 68 Bảng 4.4 Kết thông số RSME nhiệt độ thấp 69 Bảng 4.5 Kết thông số MAE lượng mưa 70 Bảng 4.6 Kết thông số RSME lượng mưa 71 Bảng 4.7 Kết thông số MAE lượng mặt trời 75 Bảng 4.8 Kết thông số RMSE lượng mặt trời 75 Bảng 4.9 Kết thơng số RMSE Gió 77 Bảng 4.10 Kết thông số RMSE Gió 77 Bảng 4.11 Thông số tổng hợp tốt giá trị 79 Bảng 4.12: Bảng thống kê thông số tốt cho dự báo lượng mưa 83 Bảng 4.13: Kết dự báo lượng mưa từ ngày 01/06/2014 -> 01/06/2014 84 Bảng 4.14: Bảng thống kê thông số tốt cho dự báo nhiệt độ cao 85 Bảng 4.15: Kết dự báo nhiệt độ cao từ ngày 01/06/2014 -> 01/06/2014 87 Bảng 4.16: Đánh giá dự báo tháng 06/2014 yếu tố khí tượng 88 Bảng 17: Kết dự báo yếu tố khí tượng trung bình năm 90 Danh mục hình vẽ, đồ thị Hình 1.1 Tổng quan mục tiêu nghiên cứu đề tài 13 Hình 2.1 Sơ đồ thành phần HĐH Linux 25 Hình 2.2 Lịch sử hình thành phát triển Linux 26 Hình 2.3 Những viện nghiên cứu phía sau skicit-learning 30 Hình 2.4 Cách chọn thuật toán sklearn 30 Hình 3.1 Giới thiệu mơ hình hồi quy tuyến tính 35 Hình 3.2 Phân bố mẫu Hồi quy tuyến tính 35 Hình 3.3 Hai loại lỗi mơ hình hổi quy tuyến tính 36 Hình 3.4 mặt siêu phẳng không gian 37 Hình 3.5: Giá trị Margin SVM 37 Hình 3.6 Giới thiệu bước kNN 38 Hình 3.7 Giới thiệu loại weights kNN 39 Hình 3.8 Giới thiệu mơ hình Decision Trees 40 Hình 3.9 Giới thiệu thuật tốn Bagging 41 Hình 3.10 Các tạo sample Random Forest 42 Hình 3.11 Giới thiệu nhiều Decicion tree Random Forest 43 Hình 12: Giới thiệu hoạt động thuật toán Random Forest 43 Hình 3.13 Giới thiệu thuật toán Boosing 44 Hình 3.14: Hiện thực Boosting thuật tốn AdaBoost 45 Hình 3.15 Ví dụ sử dụng thuật tốn Boosted 46 Hình 3.16 Mơ hình thuật tốn Mạng nơ-rơn 47 Hình 3.17 Giới thiệu mạng nơ-ron lớp 47 Hình 3.18 Giới thiệu mạng nơ-ron nhiều lớp 48 Hình 3.19 Quá trình xử lý thông tin ANN 48 Hình 3.20 Thuật tốn tìm trọng số ANN 49 Hình 3.21 Q trình phân tích liệu 51 Hình 3.22 Giao diện trang website lấy liệu 52 Hình 3.23 Vị trí tọa độ điểm liệu 52 Hình 3.24 So sánh độ ẩm vào nhiệt độ năm 2005 2006 Trạm Tân Sơn Hòa Global Weather 54 Hình 3.25: Biểu đồ trung bình thơng số năm 2003 55 Hình 3.26: Quy trình xác định thơng số thuật tốn dự báo lượng mưa 57 Hình 3.27 Quy trình tìm thơng số cho giá trị khí tượng 58 Hình 3.28: Ví dụ minh họa liệu huấn luyện vào kiểm thử 61 Hình 3.29 Giới thiệu Quá trình kiểm thử cho việc hiệu chỉnh lượng mưa 62 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Hình 11: Kết dự báo yếu tố khí tượng 06/2014 Khi áp dụng thuật tốn ARIMA vào việc dự báo yếu tố khí tượng khác ngồi lượng mưa kết đem lại đểu khả quan Dự báo tháng 06/2014 cho thấy yếu tố Nhiệt độ, độ ẩm, lương mặt trời, gió đem lại tỉ lệ dự báo khác cao 4.2.4 Áp dụng thơng số dự báo cho tháng lại năm Sau q trình kiểm thử mơ hình ARIMA cho tháng 06 để tìm thơng số phù hợp để dự báo yếu tố khí tượng cho khu vực thành phố Hồ Chí 89 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Minh Luận văn tiến hành lấy thơng số giá trị chạy thử nghiệm cho tháng lại Bảng 17: Kết dự báo yếu tố khí tượng trung bình năm Giá trị Độ lệch Độ xác (trung bình năm) Nhiệt độ cao Trung bình/ngày: 1.11 oC Lệch cao nhất: 1.68 oC 96,28% Lệch thấp nhất: 0.62 oC Nhiệt độ thấp Trung bình/ngày: 0.71 oC Lệch cao nhất: 1.54 oC 96,51% Lệch thấp nhất: 0.32 oC Lượng Mưa Trung bình/tháng: 122.41mm Trung bình/tháng (06-11): 168.02mm Lệch cao nhất/tháng: 220.31mm Lệch cao nhất/tháng: 12.98mm Độ ẩm Trung bình/ngày: 0.03 fraction 95,92% Lệch cao nhất: 0.05 fraction Lệch thấp nhất: 0.02 fraction Năng lượng Trung bình/tháng: 119.38 MJ/m2 mặt trời Lệch cao nhất: 179.40 MJ/m2 67.25% Lệch thấp nhất: 36.15 MJ/m2 Gió Trung bình/tháng: 11.78 m/s Lệch cao : 16.86 m/s Lệch thấp nhất: 8.64 m/s 90 80,95% Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Hình 4.12: Biểu đồ độ chênh lệch trung bình tháng dự báo So sánh kết với khứ: Độ lệch liệu thuật toán dự báo Nhiệt độ Lượng mưa Báo cáo Nam 06-08: 1.2 oC 06-11: 147.8mm mơ hình clWRF 12-02: 1.5 oC Cả năm: 202.9 mm Cả năm 1.5 oC Dự báo mơ hình ARMIA khu vực thành phố HCM 06-08: 0.98 oC 12-02: 1.41 oC Cả năm 1.11 oC 91 06-11: 168.026mm Cả năm: 122.41 mm Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Từ kết trên, ta thấy thuật toán ARIMA cho kết mang lại tương đối tốt clWRF Độ sai lệch Nhiệt độ Lượng mưa mang lại kết thấp Tuy nhiên, Lượng mưa khác cao chưa đáp ứng nhu cầu Mơ hình ARIMA cần có thêm nghiên cứu lựa chọn tham số hóa vật lý phù hợp cho khu vực Việt Nam khu vực thành phố Hồ Chí Minh để nâng cao chất lượng dự báo mưa ARIMA 4.3 Giới thiệu website Website thực hoá giới thiệu cách đơn giản giúp người dùng dễ dàng sử dụng mà khơng cần phải thiết lập q nhiều vào hệ thống Hình 4.13: Kiến trúc website 4.3.1 Giao diện thuộc tính 92 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Hình 14 Giao diện website hiệu chỉnh thuộc tính Trong đó, – Chọn kiểu liệu nguồn dự báo – Chọn tháng muốn dự báo – Thứ tự liệu nguồn dự báo: Mỗi yếu tố khí tượng phụ thuộc vào phần chính: Tham số đầu vào Thuật Tốn Thứ tự đầu vào giá trị liên quan phần 4.1 đưa Sau chọn yếu tố muốn dự báo người dùng phải nhập liệu liên quan theo thứ tự hệ thống yêu cầu – Thông tin liệu đầu vào liệu dự báo – Chọn yếu tố khí tượng cần dự báo – Nhập tập tin csv giá trị liên quan đến giá trị dự báo Trên hình ví dụ dự báo lượng mưa Dữ liệu dự báo Độ ẩm, Nhiệt độ cao nhất, 93 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Năng lượng mặt trời, nhiệt độ thấp nhất, gió Các cột liệu phải theo thứ tự nêu mục – Dữ liệu thực đo muốn so sánh kiểm chứng độ xác thuật tốn Hình 4.15: Trang dự báo yếu tố khí tượng – Chọn tháng muốn dự báo – Chọn yếu tố khí tượng muốn dự báo – Số lượng ngày muốn dự báo: Nhập số lượng ngày muốn dự báo tiếp theo, liệu phụ thuộc theo tháng nên cấu trúc ngày sau: Hình 16: Ví dụ minh hoạ số lượng ngày dự báo Việc dự báo phụ thuộc vào giá trị lịch sử nên liệu cập nhật gần mang lại cho hệ thống dự báo xác Trên việc nhập số lượng ngày dự báo xác – Thơng số liệu thực đo (nếu có): Nhập file thực đo dùng cho q trình kiểm thử thuật tốn 94 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 4.3.2 Giao diện hiển thị kết Sau q trình chọn thơng tin u cầu website, giao diện kết hiển thị nhấn vào tiến hành dự báo kết xuất bao gồm thông tin sau Hình 4.17 Biểu đồ thực hiệu chỉnh website Tại hình 4.16 kết người dùng theo dõi trình hiệu chỉnh so sánh hiệu chỉnh với thực 95 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Hình 4.18: Biểu đồ kết dự báo website Tại hình 4.17 kết người dùng theo dõi q trình dự báo sử dụng website mục dự báo Trong kết trả về, có thơng số cụ thể sau: + Thời gian thực thi: Kết trả thời gian thực thi thuật toán + Các số đánh giá (chỉ có nhập liệu thực đo nhằm so sánh): Trả thông số chính: ME, MEA, RMSE độ xác thuật toán + Download kết dự báo: Cho phép tải kết dự báo tương ứng + Kết hiển thị theo dạng biểu đồ giúp cho phép người dùng dễ dàng xem kết cách trực quan 96 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Sau trình thực nghiệm, Luận văn bước đầu thử nghiệm mơ hình ARIMA cho q trình dự báo lượng mưa khu vực Hồ Chí Minh Tuy hệ thống dự báo chưa có độ xác cao cụ Lượng mưa trung bình sai lệch tháng mưa 06-11 vào khoảng 168mm, năm vào khoảng 122mm Nhưng Nhiệt độ yếu tố khí tượng khác lại khả quan Nhiệt độ, Độ ẩm >95%, Gió >80% Năng lượng mặt trời >65% Đây bước đầu tiếp cận đến thuật tốn dự báo cụ Mơ hình tự hồi qui tích hợp trung bình trượt ARIMA Ngồi ra, Luận văn nghiên cứu thử nghiệm thuật tốn:  Linear Regressor – Mơ hình hồi quy tuyến tính  Máy học véc tơ hỗ trợ (Support Vector Machines - SVM)  k láng giềng (k Nearest Neighbors - kNN)  Rừng ngẫu nhiên (Random Forests - RF)  Mơ hình Bagging (BagDT)  Cây định (Decision Trees - DT)  Thuật toán Boosting - AdaBoost  Mạng nơ ron - MLP Neural Network Ứng dụng vào việc tìm thơng số phù hợp cho yếu tố khí tượng: nhiệt độ cao nhất, nhiệt độ thấp nhất, lượng mưa, độ ẩm, lượng mặt trời gió Luận văn tìm thơng số phù hợp dựa kết hiệu chỉnh trình kiểm thử hiệu chỉnh cho loại yếu tố khí tượng Tuy có thơng số chưa có độ xác cao lượng mưa độ sai lệch vào tháng mưa (tháng 06 – tháng 11) vào khoảng 124.46mm/tháng có tháng lên đến 222.74mm Nhưng thơng số lại hiệu chỉnh khả quan (Nhiệt độ, Độ ẩm >94%, Gió >80% Năng lượng mặt trời >65%) Sử dụng mơ hình ARIMA hướng nghiên cứu nên cần nhiều thử nghiệm khác để tìm thơng số phù hợp cho khu vực khí tượng định Bộ thơng số liệu kiểm thử phụ thuộc vào liệu tổ chức nước cung cấp, dẫn đến liệu chưa xác cao Song song đó, việc giới thiệu quy trình kiểm thử tảng cho nghiên cứu làm để tìm thơng số tốt cho khu vực khí tượng khác Trong nghiên cứu này, người dùng tải source code cài đặt theo hướng dẫn để tự nghiên cứu thuật toán riêng cho khu vực khí 97 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN tượng Ngồi thơng số thử nghiệm thuật tốn hướng phát triển thay thơng số đầu vào thuật tốn hỗ trợ scikit-learning, tìm kiếm liệu xác thay quy trình kết xác Phát triển trang website thực hoá nhằm có nhìn khái qt cho người dùng việc sử dụng thông số phù hợp cho yếu tố khí tượng mà khơng cần phải biết việc lập trình Việc giúp cho người dùng đơn giản dễ dàng q trình sử dụng kết thuật tốn 5.2 Hướng phát triển Trong Luận văn sơ khai việc xây dựng hệ thống hỗ trợ hiệu chỉnh yếu tố khí tượng, bước đầu áp dụng mơ hình dự báo lương mưa cho khu vực thành phố Hồ Chí Minh Hướng phát triển luận văn sau: - Nâng cao tiến hành khảo sát thêm thuật toán, mơ hình cho việc dự báo lượng mưa yếu tố khí tượng khác - Giải lượng mưa hiệu chỉnh chưa xác: Xây dựng hệ thống hiệu chỉnh lượng mưa riêng theo bước + Bước 1: Dựa vào yếu tố khí tượng phân lớp xác định xem ngày hiệu chỉnh có mưa hay khơng + Bước 2: Nếu có mưa ta thực hiệu chỉnh lượng mưa, khơng có mưa ngưng trình hiệu chỉnh - Nghiên cứu xây dựng thêm thơng số thuật tốn khác nhằm nâng cao độ xác cho việc hiệu chỉnh - Áp dụng thuật tốn vào cơng tác kiểm thử nhiều thông số khác - Xây dựng API cung cấp cho việc sử dụng không cần phải sử dụng giao diện, việc hỗ trợ cho hệ thống kết nối trực tiếp vào sử dụng - Hiện liệu hạn chế có điểm liệu quan trắc nên khơng thể đưa nhận định xác lượng mưa cho toàn khu vực TP HCM Trong tương lai thành công luận văn mong muốn liên kết với Trung Tâm Khí Tượng Thủy Văn TP HCM nhằm chia liệu lượng mưa trạm khí tượng 12 98 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN điểm đo mưa nhân dân để có liệu hồn chỉnh nhầm đưa dự báo xác cho khu vực 5.3 Ứng dựng mơ hình vào thực tế Ứng dụng mơ hình dự báo vào thực tiễn yếu tố quan trọng Luận Văn Việc ứng dụng ứng dụng vào thực tiễn mang đến hướng phát triển dự báo cho so với mơ hình dự báo Để ứng dụng mơ hình vào thực tế dự báo yếu tố khí tượng khu vực Hồ Chí Minh cần yêu cầu định sau + Về mặt liệu: Hiện tại khu vực thành phố Hồ Chí Minh có trạm khí tượng là: Trạm KT Tân Sơn Hòa Trạm KTTV Mơi trường Nhà Bè, song song có 12 trạm đo mưa dân Để xây dựng hệ thống theo thời gian thực liệu phải liên kết trực tiếp với hệ thống mơ hình luận văn phải cho phép truy cập vào liệu Việc tính đầy đủ liệu theo thời gian thực Để dự báo giá trị tương lai thuật toán phải dựa liệu khứ Hiện tại, luận văn mơ hình dự báo sử dụng liệu theo ngày để dự báo ngày Nếu liệu thu thập theo ARIMA dự báo theo khu vực định Việc liệu chi tiết đầy đủ độ xác khả dự báo mơ hình cao + Về mặt thuật tốn, mơ hình dự báo: Trong nghiên cứu tại, Luận văn áp dụng mơ hình ARIMA vào việc kiểm thử Tuy nhiên, việc phát triển thuật tốn có nhiều mơ hình thuật toán cải tiến phát triển nhằm giảm thiểu khả lỗi dự báo, cần có thêm nghiên cứu mơ hình khác để đánh giá xem mơ hình phù hợp cho việc Dự báo từ yếu tố khí tượng Quy trình đề xuất ứng dụng thực tiễn 99 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Hình 5.1: Quy trình đề xuất ứng dụng vào thời gian thực Để dự báo có tính xác ngồi dự vào liệu lịch sử luận văn đề xuất dự báo dựa vào giá trị thực đo realtime Thuật tốn cho q trình dự báo realtime phụ thuộc vào giá trị liên quan đến giá trị muốn dự báo Chẳng hạn, Để dự báo lượng mưa ta dựa vào giá trị Độ Ẩm, Nhiệt Độ, Gió, Năng lượng mặt trời… Với giá trị ta hiệu chỉnh giá trị lượng mưa từ kết hợp với kết dự báo liệu lịch sử ta kết dự báo mang tính xác hơn./ 100 Tài liệu tham khảo Tiếng Việt [1] T V Tiến, “Xây dựng mơ hình dự báo trường Khí tượng Thủy văn biển Đông,” Báo cáo tổng kết đề tài KHCN KC09-04, 2004 [2] B H Hai, P V Tan N M Truong, “Nghiên cứu lý tưởng tiến triển xốy thuận nhiệt đới mơ hình WRF,” Tạp chí Khí tượng Thủy Văn số 532, pp 11-21, 2005 [3] T T TIến N T Thanh, “Đồng hóa liệu vệ tinh modis mơ hình WRF để dự báo,” Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên Công nghệ 27, 2011 [4] V T Hằng and N T Hạnh, "Thử nghiệm dự báo hạn mùa nhiệt độ trung bình tháng lượng mưa tháng cho Việt Nam sử dụng mơ hình clWRF," Tạp chí Khoa học ĐHQGHN, Các Khoa học Trái đất Môi trường, vol 30, no 1, pp 31-40, 2014 [5] P V Tân H T M Hà, “Nghiên cứu độ nhạy mơ hình khí hậu khu vực RegCM3,” Tạp chí Khí tượng Thủy văn, Hà Nội, p 1−12, 2008 [6] B M Sơn P V Tân, “Thử nghiệm dự báo mưa lớn khu vực Nam Trung Bộ,” Tạp chí Khí tượng Thủy văn, Hà Nội, pp 9-18, 2009 [7] Đ T Nghị, P N Khang, N N G Vinh V P Đ Trí, “So Sánh Các Mơ Hình Dự Báo Lượng Mưa Cho Thành Phố Cần Thơ,” Tạp chí Khoa học Trường Đại học Cần Thơ, pp 80-90, 2013 [8] V P Đ T Hồng Minh Hồng, “Hiệu Chỉnh Dữ Liệu Mưa Từ Mơ Hình Mơ Phỏng Khí Hậu Khu Vực,” Tạp chí Khoa học Trường Đại học Cần Thơ, pp 54-63, 2013 Tiếng Anh [9] J G R F a J v N Charney, "Numerical integration of the barotropic vorticity equation," Tellus, vol 2, pp 237-254, 1950 [10] G Shrivastava, S Karmakar, M K Kowar and P Guhathakurta, "2012_Application of Artificial Neural Networks in Weather Forecating A Comprehensive Literature Review," International Journal of Computer Applications, vol 51, pp 17-29, 2012 [11] F Mekanika, M Imteaza, S Gato-Trinidada and A Elmahdib, "Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes," Journal of Hydrology, vol 503, p 11–21, 101 2013 [12] Mislana and Haviluddina, "Rainfall Monthly Prediction Based on Artificial Neural Network: A Case Study in Tenggarong Station, East Kalimantan Indonesia," International Conference on Computer Science and Computational Intelligence, vol 59, p 142–151, 2015 [13] T Saba, A Rehman and J S AlGhamdi, "Weather forecasting based on hybrid neural model," Applied Water Science, 2017; doi 10.1007/s13201-017-0538-0 [14] B Zahra, F Morteza, M S Siti, Z Masoumeh and Y Zulkifli, "A new rainfall forecasting model using the CAPSO algorithm and an artificial neural network," Neural Computing and Applications, pp 1-15, 2015 [15] C V., M S and S K Pandey, "ime series data mining in real time surface runoff forecasting through support vector machine," International Journal of Computer Applications, vol 98, pp 23-28, 2014 [16] A L a J G Jozef Zurada, "A Comparison of Regression and Artificial Intelligence Methods in a Mass Appraisal Context," Journal of Real Estate Research: 2011, vol 33, no 3, pp 349-387, 2011 [17] B K S R K N G P R Venkata Ramana, “Monthly Rainfall Prediction Using Wavelet Neural Network Analysis,” Water Resources Management, tâ ̣p 27, số 10, pp 3697-3711, 2013 [18] L Breiman, "Random Forest," 2001 [19] A Liaw and M Wiener, "Classification and Regression by randomForest," 2002 [20] A Kusiak, "Modeling and Prediction of Rainfall Using Radar Reflectivity Data: A Data-Mining Approach," Kusiak, Az, vol 51, no 4, pp 2337 - 2342, 2012 [21] S M Y S Z Z Bing Gao, "Using Data Mining Technique to Predict Seasonal," Department of Computer Science, University of Victoria, May 12, 2016 [22] N V Quan, "Warning Of Drought By Using Arima Model In The Nakdong River Basin In Korea," Khoa Học Kỹ Thuật Thủy Lợi Và Môi Trường, vol 46, 2014 [23] E Cadenas, W Rivera, R Campos-Amezcua and C Heard, "Wind Speed Prediction Using a Univariate ARIMA Model and a Multivariate NARX Model," Energies 2016, 9, 109; doi:10.3390/en9020109, vol 9; doi:10.3390/en9020109, p 109, 2016 102 [24] G Jain and B Mallick, "A Review on Weather Forecasting Techniques," International Journal of Advanced Research in Computer and Communication Engineering, vol 5, no 12 doi 10.17148/IJARCCE.2016.51237, 2016 103 ... tài Xây dựng ứng dụng hiệu chỉnh liệu dự báo yếu tố khí tượng Điểm khởi đầu luận văn mong muốn tìm kiếm thuật tốn dự báo lượng mưa yếu tố khí tượng khác khu vực Hồ Chí Minh dựa vào liệu lịch sử... cho nghiên cứu dự báo ngắn hạn cho yếu tố khí tượng khác  Xây dựng thuật tốn hiệu chỉnh cho yếu tố khí tượng Trong tình hình nước nay, tram quan trắc cũ nên việc đo yếu tố khí tượng gặp nhiều... Hồ Chí Minh  Xây dựng website thực hoá sử dụng kết việc nghiên cứu hiệu chỉnh yếu tố khí tượng 1.2.2 Đối tượng nghiên cứu Phục vụ cho dự báo trình hiệu chỉnh gồm liệu thơng số khí tượng: Lượng