Tóm tắt Luận án tiến sĩ Kỹ thuật: Xây dựng mô hình dự báo một số thông số khí tượng cho địa bàn tỉnh Hải Dương

Luận án được nghiên cứu với mục tiêu nhằm Xây dựng mô hình dự báo ngắn hạn thông số khí tượng (thử nghiệm với hai thông số là nhiệt độ và độ ẩm) dựa trên các kết quả đo quá khứ. Xây dựng mô hình ước lượng thông số khí tượng dựa trên các kết quả đo cùng thời điểm tại các điểm đo lân cận.

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐỖ VĂN ĐỈNH XÂY DỰNG MƠ HÌNH DỰ BÁO MỘT SỐ THƠNG SỐ KHÍ TƯỢNG CHO ĐỊA BÀN TỈNH HẢI DƯƠNG Ngành : Kỹ thuật điều khiển tự động hóa Mã số : 9520216 TĨM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HĨA Hà- Nội - - 2018 Cơng trình hoàn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS.TSKH Trần Hoài Linh TS Đinh Văn Nhượng Phản biện 1: GS TSKH Thân Ngọc Hoàn Phản biện 2: PGS TS Phạm Trung Dũng Phản biện 3: PGS TS Nguyễn Viết Lành Luận án bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Trường họp Trường Đại học Bách khoa Hà Nội Vào hồi …… giờ, ngày … tháng … năm ……… Có thể tìm hiểu luận án thư viện: Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội Thư viện Quốc gia Việt Nam -2- MỞ ĐẦU Tính cấp thiết đề tài Đã có nhiều mơ hình giải pháp đề xuất ứng dụng dự báo thông số khí tượng, nhiên thời điểm chưa có mơ hình coi chuẩn áp dụng hiệu cho đối tượng Một nguyên nhân vấn đề vùng, khu vực thông số khí tượng phụ thuộc khác vào số liệu khứ Sự khác đòi hỏi phải điều chỉnh lại thông số mô hình lựa chọn đến mức độ phải xây dựng mơ hình hồn tồn Cũng lý đó, nên ta sử dụng giải pháp phần mềm có sẵn nước ngồi gặp số hạn chế sau: − Khơng chủ động cơng nghệ, thuật tốn, giải pháp, hạ tầng kèm theo; − Các phần mềm nước ngồi thường có u cầu phức tạp thông tin đầu vào (ảnh vệ tinh, hệ thống đo nhiều tầng khí quyển,…), chi phí thu thập thơng tin đầu vào cao, hệ thống tính tốn cấu hình lớn (yêu cầu máy chủ mạnh mạng nhiều máy tính chạy song song), sử dụng phức tạp; − Không chủ động việc điều chỉnh thông số, điều chỉnh yêu cầu người sử dụng địa phương, Để khắc phục tồn trên, luận án đề xuất: − Xây dựng giải pháp cho hai tốn dự báo ước lượng thơng số khí tượng phổ biến là: mơ hình dự báo ngắn hạn thơng số khí tượng dựa vào kết đo q khứ mơ hình ước lượng thơng số khí tượng dựa kết đo trạm quan trắc lân cận; − Các giải pháp đạt hướng đến mục tiêu: thơng tin đầu vào ít, dễ thu thập điều kiện Việt Nam đảm bảo độ xác phù hợp, chủ động thuật toán để thuận tiện cho việc điều chỉnh mơ hình nhằm tối ưu hóa theo số liệu địa phương -1- Mục đích nghiên cứu Xây dựng mơ hình dự báo ngắn hạn thơng số khí tượng (thử nghiệm với hai thông số nhiệt độ độ ẩm) dựa kết đo khứ, Xây dựng mơ hình ước lượng thơng số khí tượng dựa kết đo thời điểm điểm đo lân cận Các mơ hình dự báo hướng tới mục tiêu đạt yêu cầu: − Dự báo thơng số khí tượng cho nhiều địa điểm; − Thu thập số liệu không phức tạp; − Hạ tầng tính tốn khơng cần q cao; − Làm chủ cơng nghệ xây dựng mơ hình dự báo ước lượng thơng số khí tượng Đối tượng phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu − Các mơ hình ước lượng phi tuyến để ứng dụng toán dự báo toán ước lượng; − Bộ số liệu Đài Khí tượng Thủy văn Khu vực Đồng Bắc Bộ cung cấp: thông số quan trắc (nhiệt độ lớn nhất, nhỏ nhất; độ ẩm lớn nhất, nhỏ nhất; tốc độ gió lớn nhất, nhỏ nhất; lượng mưa trung bình số nắng ngày); địa điểm quan trắc (tỉnh Thái Bình, Hưng Yên, Bắc Ninh, Quảng Ninh, thị xã Chí Linh, thành phố Hải Phịng thành phố Hải Dương); thời gian quan trắc từ 01/01/2010 đến 31/12/2015 − Phần mềm mô sử dụng luận án: Matlab 7.11 (R2010b) thư viện LS-SVM1.8; 3.2 Phạm vi nghiên cứu − Nghiên cứu lý thuyết mơ hình dự báo thơng số khí tượng; mơ hình ứng dụng mạng nơ-rơn nhân tạo tốn ước lượng, dự báo thơng số khí tượng; − Xây dựng mơ hình mạng nơ-rơn dự báo, ước lượng thơng số khí tượng (nhiệt độ, độ ẩm lớn nhỏ ngày) cho địa bàn tỉnh Hải Dương dựa kết đo khứ điểm quan trắc lân cận -2- Phương pháp nghiên cứu − Thu thập số liệu: số liệu đo nêu − Thực nghiệm: đánh giá sai số mơ hình mẫu số liệu, lựa chọn mơ hình có sai số kiểm tra nhỏ Ý nghĩa khoa học thực tiễn đề tài 5.1 Ý nghĩa khoa học Đề xuất phương pháp ứng dụng kỹ thuật SVM mô hình lai để phân tích, xử lý dự báo số thơng số khí tượng điển hình nhiệt độ độ ẩm: − Xây dựng mơ hình dự báo nhiệt độ, độ ẩm lớn nhỏ dựa kết đo khứ; − Xây dựng mơ hình ước lượng nhiệt độ, độ ẩm lớn nhỏ dựa kết đo khu vực lân cận 5.2 Ý nghĩa thực tiễn đề tài Góp phần bổ sung số lượng giải pháp để tạo điều kiện cho việc lựa chọn ứng dụng thực tế dễ dàng Phương pháp yêu cầu sử dụng số liệu đo quan trắc khứ kết đo quan trắc khu vực lân cận để dự báo, ước lượng thơng số khí tượng nên việc thu thập số liệu đơn giản, tính kinh tế cao Những đóng góp luận án Luận án có đóng góp sau: − Đã đề xuất mơ hình lai gồm khối tuyến tính SVM để áp dụng cho tốn ước lượng phi tuyến Mơ hình lai có độ xác cao mơ hình SVM số mơ hình phi tuyến khác; − Sử dụng mơ hình lai đề xuất để xây dựng giải pháp có độ xác cao cho tốn dự báo thơng số khí tượng dựa kết đo q khứ; − Sử dụng mơ hình lai đề xuất để xây dựng giải pháp có độ xác cao cho tốn ước lượng thơng số khí tượng dựa kết đo trạm quan trắc lân cận -3- Bố cục luận án Mở đầu: Trình bày vấn đề chung luận án, tóm tắt nội dung nghiên cứu, đóng góp bố cục luận án Chương Tổng quan mơ hình dự báo thơng số khí tượng: Trong chương trình bày tóm tắt số mơ hình dự báo khí tượng áp dụng điều kiện thực tế Từ định hướng nghiên cứu luận án mô tả khái quát số liệu sử dụng luận án Chương Mơ hình lai ứng dụng vấn đề mơ hình hóa phi tuyến: Luận án trình bày mơ hình lai gồm chế làm việc mơ hình, phương pháp xây dựng mơ hình phù hợp cho thơng số ứng dụng mơ hình phi tuyến Ngồi ra, luận án trình bày số ví dụ ứng dụng mơ hình lai để ước lượng hàm phi tuyến trình bày để minh họa cho khả tốt mơ hình lai vấn đề Chương Xây dựng giải pháp dự báo, ước lượng sử dụng mơ hình lai: luận án trình bày cách xây dựng mơ hình lai Chương Các kết tính tốn mơ phỏng: Trình bày kết nghiên cứu đề xuất chương 3, đánh giá độ xác mơ hình đề xuất Tiếp theo kết luận kiến nghị luận án với vấn đề cần nghiên cứu tiếp, tài tài liệu tham khảo, cơng trình cơng bố quan đến luận án phần phụ lục Chương 1: TỔNG QUAN VỀ CÁC MƠ HÌNH DỰ BÁO THƠNG SỐ KHÍ TƯỢNG 1.1 Đặt vấn đề Trình bày tổng quan mơ hình dự báo thơng số khí tượng, phương pháp dự báo khí tượng, mơ hình dự báo ứng dụng giới, Việt Nam số đề xuất nghiên cứu luận án -4- 1.2 Một số phương pháp dự báo thơng số khí tượng Với phát triển khoa học kĩ thuật, nhiều mơ hình dự báo thơng số khí tượng đời [12, 15, 16, 19, 24, 27] đưa vào ứng dụng dự báo nghiệp vụ nhiều trung tâm dự báo khí tượng giới Hiện nay, giới có nhiều nghiên cứu phương pháp dự báo thơng số khí tượng, nghiên cứu chia làm số nhóm phương pháp sau: Phương pháp synopse [27]; Phương pháp thống kê (Statistical methods) [22, 65, 79]; Phương pháp số trị (Numerical methods) [10, 27, 36] − Phương pháp dự báo phối kết hợp (Ensemble forecast methods) [61, 83] 1.3 Các mơ hình dự báo thơng số khí tượng ứng dụng giới Những nghiên cứu giới từ trước tới cho thấy tính ưu việt mơ hình số trị, mơ hình chia thành bốn nhóm chủ yếu chia làm hai loại bản: mơ hình số trị tồn cầu mơ hình số trị khu vực Sau số mơ hình số trị toàn cầu khu vực nghiên cứu, phát triển nước 1.3.1 Một số mơ hình số trị tồn cầu Mơ hình dự báo trường số trị toàn cầu RHMC [95] quan Khí tượng Thuỷ văn Liên bang Nga xây dựng đưa vào dự báo nghiệp vụ với hạn dự báo cách 6h lần từ 12h đến 240h (10 ngày) Mơ hình có ký hiệu T85L31 Mơ hình GME [53] (Global Model for Europe) Cơ quan Khí tượng Cộng hịa Liên bang Đức (DWD) đưa vào dự báo nghiệp vụ từ cuối năm 1999 (độ phân giải khoảng 60 km) GME mơ hình xây dựng cho 06 biến nhiệt độ, khí áp, nước, nước lỏng mây hai thành phần gió ngang Mơ hình AVN Trung tâm Quốc gia Dự báo Môi trường Mỹ (National Centers for Environmental Prediction - NCEP) [92] mơ hình phổ dự báo hạn ngắn tồn cầu Mơ hình dự báo hạn vừa MRF (Medium Range Forecast Model) NCEP -5- (Mỹ) mơ hình phổ sử dụng hệ toạ độ theo phương thẳng đứng Đây mơ hình dự báo với hạn dự báo lớn 48h giới Mơ hình MRF có độ phân giải ngang khoảng 150 km đưa vào dự báo nghiệp vụ Mỹ từ năm 1995 Hiện nay, NCEP thực dự báo hạn vừa dài (đến 384h hay 16 ngày) mơ hình MRF Mơ hình GFS (Global Forecasting System) [92] NCEP mơ hình phổ toàn cầu, bắt đầu đưa vào sử dụng nghiệp vụ Trung tâm Khí tượng quốc gia NMC (National Meteorological Centre), tiền thân NCEP từ năm 1988 Mô hình GSM (Global Spectral Model) [93] mơ hình phổ tồn cầu Cơ quan Khí tượng Nhật Bản (JMA) GSM bắt đầu đưa vào sử dụng nghiệp vụ JMA từ năm 1988 1.3.2 Mơ hình số trị khu vực a Mơ hình ETA [59, 66] Mơ hình khu vực hạn chế ETA Trường Đại học Belgrade Viện Khí tượng Thuỷ văn Belgrade với Trung tâm Khí tượng quốc tế Mỹ xây dựng áp dụng cho đối tượng đặc biệt khu vực có địa hình núi b Mơ hình RAMS (Regional Atmospheric Modeling System) [67] Phiên mơ hình RAMS đời vào năm 1993, kết kết hợp hai mơ hình có tính chất giống nhau: mơ hình mây quy mơ vừa Tripoli Cotton mơ hình mây thuỷ tĩnh Tremback c Mơ hình HRM (High Resolution Regional Model) [90] HRM mơ hình số thuỷ tĩnh cho dự báo thời tiết khu vực hạn chế quy mô vừa, sử dụng hệ phương trình bao gồm nhiều đối tượng vật lý như: xạ, mơ hình đất, q trình rối lớp biên, tạo mưa theo lưới, đối lưu nông/sâu, d Mơ hình WRF (Weather Research and Forecasting) [97] Mơ hình WRF hình thành Trung tâm quốc gia Nghiên cứu Khí Mỹ (National Center of Atmospheric Research-NCAR) với đóng góp nhiều quan khí tượng đại học Hoa Kỳ giới -6- e Mơ hình MM5 [94] Mơ hình khí tượng động lực quy mô vừa MM5 mơ hình hệ NCAR Trường Đại học Tổng hợp Pennsylvania Mỹ (PSU) MM5 nhiều quan phủ (như Nha Khí Tượng Hoa Kỳ NASA) nhiều trường đại học danh tiếng Hoa Kỳ quốc gia khác giới Âu Châu, Hồng Kông Đài Loan dùng để làm dự báo thời tiết 1.4 Các mơ hình dự báo khí tượng ứng dụng Việt Nam Qua nghiên cứu tìm hiểu, 100% mơ hình dự báo thời tiết nghiên cứu khai thác ứng dụng Việt Nam nhập ngoại, chủ yếu sử dụng mô hình số trị khu vực tóm tắt 1.5 Một số mơ hình dự báo thơng số khí tượng dùng mạng nơ rơn Mạng nơ-rơn nhân tạo (Artificial Neural Networks-ANN) công cụ mô hình hóa phi tuyến sử dụng phổ biến nhiều ưu điểm bật như: có thuật tốn học để điều chỉnh tự động thơng số mạng để giảm sai số số liệu mẫu, lựa chọn cấu trúc đơn giản phức tạp để phù hợp với đối tượng mô [38,48,51,60,75] Có nhiều dạng mạng đề xuất ứng dụng mạng MLP (Multi Layer Perceptron), mạng Hopfield, mạng Elman, mạng RBF (Radial Basis Function), mạng lô-gic mờ [49,50, 63,77,78] Gần mạng Deep Learning [57] Các ứng dụng mơ hình phi tuyến nói chung tốn dự báo thơng số thời tiết, khí tượng, mơi trường mạng nói riêng phong phú Nội dung chương I đề cập tới nhóm giải pháp: nhóm giải pháp thương mại sử dụng thực tế, hai nhóm giải pháp (đang mức độ nghiên cứu, mô phỏng) giới thiệu tài liệu tham khảo Đối với giải pháp thương mại, phần mềm mã nguồn đóng nên khơng có đầy đủ thơng tin giải pháp ứng dụng bên Nhược điểm chung giải pháp yêu cầu -7- cao thông số đầu vào hạ tầng tính tốn, giá thành đắt, khó chủ động cập nhật hay điều chỉnh theo yêu cầu địa phương Đối với giải pháp tổng hợp từ báo khoa học, NCS tìm hiểu trình bày nhiều mơ hình tốn học số thơng số tác giả đưa Tuy nhiên khó khăn chung so sánh mơ hình sử dụng cho địa điểm khác nhau, thông số đầu vào đầu khác Vì so sánh dừng mức độ định 1.6 Đề xuất luận án Hiện nay, việc áp dụng mơ hình dự báo thơng số khí tượng tiên tiến không phù hợp với điều kiện Hải Dương do: − Kinh phí thu thập số liệu q lớn − Hạ tầng máy tính cơng nghệ thông tin không đáp ứng − Không chủ động cơng nghệ nên khó điều chỉnh thơng số mơ hình cho phù hợp với tỉnh Hải Dương Để khắc phục tồn luận án đề xuất giải pháp thực nhiệm vụ sau: − Dự báo thơng số khí tượng cho nhiều địa điểm; − Thu thập số liệu không phức tạp; − Hạ tầng máy tính khơng cần q cao; − Xây dựng mơ hình ước lượng dự báo phù hợp với thực tế Hải Dương Chương 2: MƠ HÌNH LAI VÀ ỨNG DỤNG TRONG CÁC VẤN ĐỀ MƠ HÌNH HĨA PHI TUYẾN 2.1 Giới thiệu chung Đã có nhiều cơng trình nghiên cứu chứng minh cơng cụ mạng véc-tơ hỗ trợ SVM (Support Vector Machines) có khả tốt khơng tốn nhận dạng phân loại mẫu rời rạc mà toán ước lượng hàm phi tuyến [70, 76, 85] Trong luận án NCS đề xuất tiếp tục cải thiện chất lượng sử dụng SVM việc tách -8- luận án sử dụng mô hình SVR Nhiều ý tưởng SVR xuất phát từ công thức gốc SVM nên luận án trình bày tóm tắt cơng thức trước giới thiệu SVR 2.4.2 Bài toán phân lớp nhị phân Bài toán phân lớp nhị phân [85] phát biểu sau: Cho tập liệu gồm p mẫu huấn luyện xi , di  , i = 1, 2, , p, xi  N di  1 đầu rời rạc nhận giá trị đại diện cho hai nhóm số liệu Tìm siêu phẳng wT  x + b = để tách tập liệu thành lớp cho: wT  xi + b  → yi = 1; wT  xi + b  −1 → yi = −1 Do tồn nhiều mặt phẳng phân cách, nên để có nghiệm xác định nhất, ta bổ sung thêm điều kiện tổng khoảng cách từ điểm gần hai nhóm tới mặt phân cách (cịn gọi véc-tơ hỗ trợ) lớn [85] 2.4.3 Kỹ thuật SVR (Support Vector Regression) Phát triển tiếp ý tưởng SVM dùng toán phân loại, giá trị đầu mã phân lớp (là giá trị rời rạc), SVM mở rộng để sử dụng toán ước lượng cách sử dụng hàm tổn thất (lost function) Lúc này, kỹ thuật SVM gọi máy véc-tơ đỡ ước lượng (SVR – Support Vector Regression) 2.4.4 Phương pháp LS-SVM Phương pháp LS-SVM cải tiến dựa kỹ thuật SVR [23] Xét liệu học gồm p điểm xk , yk k =1 với p liệu đầu vào xk  N đầu yk  Trong không gian đặc trưng, phương pháp LS-SVM có dạng: y ( x ) = wT  ( x ) + b (2.6) Các thông số mơ hình xác định việc tối ưu hóa hàm giá trị phạt: - 11 - Minimize : T p w  w +   ek2 2 k =1 với ek = y ( xk ) − wT   ( xk ) + b  , k = 1, 2, (2.7) , p sai số  − thông số điều chỉnh Bài toán ước lượng chuyển thành dạng phi tuyến sử dụng hàm nhân K ( x, xk ) sau: p y ( x ) =   k  K ( x, xk ) + b (2.8) k =1 Hàm sở xuyên tâm (RBF) LS-SVM sử dụng hàm nhân với công thức sau: T   ( x k − xl )  ( x k − xl )   K ( xk , xl ) = exp −  , k = 1, , p 2        độ rộng hàm RBF 2.5 Ví dụ ứng dụng minh họa Trình bày ví dụ kiểm chứng khả ứng dụng SVM toán ước lượng hàm phi tuyến khả mơ hình lai dùng SVM mơ hình dùng SVM trực tiếp 2.6 Kết luận chương Luận án đề xuất sử dụng SVM để ước lượng khối phi tuyến mô hình lai, cải thiện độ xác so với mơ hình lai dùng mạng MLP sử dụng [5] Để so sánh tính ưu việt mơ hình lai toán ước lượng hàm phi tuyến, luận án tiến hành thực nghiệm, kết mơ hình lai sử dụng SVM cho sai số tốt sử dụng trực tiếp mạng SVM sở để luận án đề xuất sử dụng mơ hình lai để ước lượng, dự báo thơng số khí tượng - 12 - Chương 3: XÂY DỰNG CÁC GIẢI PHÁP DỰ BÁO, ƯỚC LƯỢNG XỬ DỤNG MƠ HÌNH LAI 3.1 Đặt vấn đề Luận án tiến hành xây dựng hai giải pháp dự báo thơng số khí tượng điểm dựa số liệu đo khứ (còn gọi tắt tốn dự báo), ước lượng thơng số khí tượng vị trí dựa số liệu đo điểm lân cận (còn gọi tắt toán ước lượng) Cả hai giải pháp sử dụng mơ hình lai cho phần ước lượng hàm truyền đạt phi tuyến 3.2 Xây dựng mơ hình lai cho toán dự báo 3.2.1 Lựa chọn đầu vào Trích chọn đặc tính đầu vào bước quan trọng trình nhận dạng, điều khiển tín hiệu hay dự báo… sau thu thập cách loại bỏ thơng tin đặc trưng có khơng có thơng tin dự đốn 3.2.2 Xác định hệ số khối tuyến tính Từ phương trình (2.8), giả thiết ta có tập hợp N thông số T1, T2 , , TN  đo thời gian, thơng số có  p mẫu: Ti1, Ti , , Tip  (i = 1, , N ) Các mơ hình dự báo xây dựng độc lập cho thơng số, mơ hình có đầu tương ứng với giá trị thông số ngày Tuy nhiên đầu vào sử dụng cho mơ hình xác định độc lập (và danh sách đầu vào khác cho mơ hình) Trước tiên thành phần quan hệ tuyến tính thơng số Ti ngày d với thơng số Ti ngày q khứ biểu diễn xác định từ hệ phương trình ước lượng xấp xỉ công thức (3.1) (3.2) Từ (3.2) ta cần xác định véc-tơ a =  a1, a2 , , aK T để đạt cực tiểu hàm sai số ước lượng Trong thực tế áp dụng, ta xác định xem đầu vào cho mô hình dự báo số liệu - 13 - khứ: Ti (d − 2)  Ti (d − 1)  Ti (d − 3)  Ti (d − 2)   Ti (d − p) Ti (d − p − 1) Ti ( d − K )   a1   Ti (d )   Ti ( d − K − 1)   a2   Ti (d − 1)   =           Ti ( d − p − K − 1)   aK  Ti (d − p + 1)  (3.1) Trước tiên danh sách đầu vào khứ tìm kiếm theo ý tưởng trình bày Chương khoảng thời gian đủ xa (Luận án chọn K=60 - tương đương tháng khứ) để thử nghiệm Ví dụ, sử dụng phương pháp đánh giá theo hệ số khai triển tuyến tính, ta xét với K đầu vào khứ với số liệu nhiều mẫu có, ta xác định véc-tơ a =  a1, , aK  hàm T ước lượng tuyến tính Ti (d )   j =1 a j  Ti ( d − j )  phương pháp khai triển ma trận dùng SVD Tiếp theo xác định thành phần có giá trị tuyệt đối nhỏ véc-tơ a Thành phần tương ứng với ngày khứ có ảnh hưởng tới ngày dự báo Ta loại bỏ ngày khỏi số liệu khứ, giảm K=K-1, quay lại bước K > Kmin chọn trước Quá trình lặp bước 2-3 tiếp tục K giảm xuống giá trị đủ nhỏ chấp nhận để mơ hình khơng q phức tạp, khó sử dụng thực tế Cụ thể luận án ta chọn Kmin