Một số ứng dụng công nghệ 4.0 trong dự báo, cảnh báo thiên tai tại Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu

- Khoảng cách đến mặt nước: 0.5 30m

3. Một số ứng dụng công nghệ 4.0 trong dự báo, cảnh báo thiên tai tại Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu

Khí tượng Thủy văn và Biến đổi khí hậu

3.1. Đồng hóa các loại số liệu từ hệ thống quan trắc

Hiện nay hệ thống quan trắc KTTV của ngành bao gồm: Các quan trắc khí tượng bề mặt, khí tượng trên cao, quan trắc thủy văn, hải văn, quan trắc viễn thám (trạm thu ảnh mây, trạm radar thời tiết). Sau khi quan trắc được thực hiện, các nguồn số liệu được truyền thời gian thực và phi thực về các cơ quan dự báo KTTV theo một quy trình nhất định. Tính đến thời điểm hiện nay, số lượng các loại trạm trên mạng lưới trạm KTTV như sau: 284 trạm khí tượng bề mặt; 29 trạm khí tượng nông nghiệp; 14 trạm bức xạ; 359 trạm thủy văn; 27 trạm khí tượng hải văn; 180 trạm/điểm đo môi trường. Mạng lưới trạm khí tượng cao không với 6 trạm thám khơng vơ tuyến; 8 trạm đo gió trên cao bằng máy kinh vĩ quang học; 3 trạm đo tổng lượng Ơzơn - Bức xạ cực tím và 10 trạm radar thời tiết trải khắp mọi miền đất nước, 18 trạm định vị sét; 01 trạm thu nhận vệ tinh Himawari-8; gần 2000 trạm đo mưa tự động từ nhiều nguồn khác nhau. Bên cạnh đó, cùng với những tiến bộ trong quan trắc trong thời kỳ công nghệ số đã giúp cho ngành KTTV có một lượng số liệu quan trắc dày đặc hơn về không gian, tần suất cung cấp cũng như tốc độ cung cấp vừa nhanh vừa chính xác. Theo chiến lược phát triển Ngành thì cơng nghệ dự báo cần phải được hiện đại hóa theo hướng dự báo khách quan và định lượng. Do đó, hệ thống mơ hình dự báo thời tiết số trị (NWP) sẽ tập trung xây dựng và triển khai dự báo nghiệp vụ. Để tận dụng hiệu quả các siêu dữ liệu quan trắc từ thành quả của Cách mạng 4.0 nhằm cải thiện dự báo chất lượng thời tiết thì việc nghiên cứu ứng dụng sơ đồ đồng hóa số liệu để cập nhật các nguồn số liệu truyền thống và phi truyền thống, đặc biệt số liệu radar, vệ tinh, đo mưa tự động nhằm cải tiến chất lượng trường ban đầu vô cùng ý nghĩa và hiệu quả. Các phương pháp đồng hóa số liệu quan trắc kết hợp với mơ hình có độ phân giải cao đã phát triển nhanh trong thập kỷ qua. Các phương pháp đồng hóa dữ liệu 3DVAR, 4DVAR đã làm tăng chất lượng dự báo dựa trên các nguồn số liệu mới như radar, vệ tinh, ... Bên cạnh đó các cách tiếp cận dựa trên phương pháp tổ hợp (LETKF, BREEDING...) cũng có ưu điểm trong việc cung cấp cả các phân tích xác suất và dự báo. Ví dụ, tại Hoa Kỳ đã sử dụng mơ hình độ phân giải cao kết hợp với đồng hóa số liệu dựa trên hệ thống quay vòng cập nhật nhanh (Rapid Update Cycle-RUC), trong đó bao gồm: đồng hóa số liệu hàng giờ và dự báo thường xuyên với hạn dự báo một ngày và độ phân giải lưới 13 km. Chính vì vậy Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu (KTTVBĐKH) đang thực hiện việc xây dựng hệ thống dự báo cảnh báo mưa lớn hạn cực ngắn cho Thành phố Hồ Chí Minh (TP.HCM) và dự kiến đưa

13.20N, 106.8340E, miền 2 gồm 211×196 điểm lưới, miền 3 gồm 226×181 điểm lưới với 38 mực thẳng đứng. Miền 1 được thiết kế đủ rộng để mơ hình có thể nắm bắt được các quá trình hồn lưu quy mơ lớn ảnh hưởng đến Việt Nam. Miền 2 bao trùm khu vực từ Trung Trung Bộ đến hết Nam Bộ và miền 3 bao trọn khu vực TP.HCM (Hình 3). Số liệu đầu vào mơ hình tồn cầu GFS-Ensemble từng giờ cho hệ thống RAP và số liệu Radar trong thời gian trên được sử dụng để đồng hoá vào hệ thống cập nhật nhanh RAP. Hệ thống RAP được vận hành cụ thể như sau: (1) Tải số liệu chạy dự báo từ nguồn số liệu GFS hoặc GDAS. Các thời điểm download số liệu trong ngày bao gồm: 00, 06, 12 và 18UTC. Nguồn số liệu tải về gồm 11 file, thời gian từ *.f007 đến *.f018. Ở mỗi thời điểm này mơ hình sẽ chạy dự báo cho 6 giờ tiếp theo từ file wrf_input hàng giờ có sẵn. Sau đó chương trình sẽ tự động lưu tập tin để khởi tạo lại mỗi giờ cho thời gian chạy dự báo tiếp theo; (2) Hàng giờ sử dụng GSI để đồng hóa dữ liệu radar từ wrf_input; (3) Kiểm tra độ ổn định số để sử dụng khởi tạo bộ lọc kỹ thuật số DFI (Hình 3).

Hình 3. Miền tính (trái) và sơ đồ vận hành hệ thống RAP dự báo mưa lớn hạn cực ngắn cho TP. Hồ Chí Minh

(phải)

3.2. Giám sát và cảnh báo hạn hán

Hạn hán là một loại thiên tai phổ biến trên thế giới. Biểu hiện của nó là lượng mưa thiếu hụt nghiêm trọng, kéo dài, làm giảm hàm lượng ẩm trong không khí và hàm lượng nước trong đất, làm suy kiệt dịng chảy sơng suối, hạ thấp mực nước ao hồ, mực nước trong các tầng chứa nước dưới đất. Chính vì vậy, giám sát và cảnh báo hạn hán là một trong những chủ đề thu hút được sự quan tâm nghiên cứu của nhiều nhà khí tượng và khí hậu học ở các nước trên thế giới, nhiều cơ quan chuyên trách về hạn hán đã được thành lập.

Trong hai thập kỷ qua, số liệu vệ tinh đã được sử dụng đơn lẻ hoặc kết hợp với nguồn số liệu khác trong giám sát hạn hán ở cả quy mô quốc gia và khu vực. Từ số liệu vệ tinh có thể tính tốn một số đặc trưng để thực hiện giám sát hạn hán.

Do vậy, Viện KTTVBĐKH đã xây dựng thành công và đưa vào nghiệp vụ hệ thống giám sát và cảnh báo hạn hán thời gian thực cho Việt Nam (Hình 4). Hệ thống giám sát và cảnh báo hạn hán này được hoạt động dựa trên khai thác số liệu ước lượng mưa và nhiệt độ từ ảnh mây vệ tinh Himawari 8, lượng mưa GSMaP. Thông tin giám sát và cảnh báo hạn hán được thể hiện qua chỉ số hạn KBDI (Keetch-Byram Drought Index). Kể từ khi được đưa vào hoạt động đến nay, hệ thống này phản ánh tốt diễn biến điều kiện khô/hạn trên quy mô cả nước và đưa ra các cảnh báo kịp thời.

Hình 4. Minh họa sản phẩm giám sát và cảnh báo sớm hạn hán của Viện KTTVBĐKH (Cập nhật ngày

10/9/2020)

3.3. Ứng dụng ANN hiệu chỉnh dự báo mưa lớn bằng mơ hình WRF

Mạng ANN được thiết kế để mơ hình hóa một số tính chất của mạng thần kinh sinh học, trong đó hai thành phần chính cấu tạo nên ANN là các nơron (tế bào thần kinh) và các synapse (các khớp nối thần kinh) được mô phỏng lại. Nhiều nghiên cứu cho thấy việc ứng dụng đa năng và thành công đáng kể của mạng ANN trong nhiều lĩnh vực. Đối với khí tượng, ANN hiện đang được quan tâm nghiên cứu trong cả bài tốn dự báo thời tiết, khí hậu và dự tính khí hậu tương lai. Để hiệu chỉnh sản phẩm lượng mưa dự báo từ mơ hình số trị WRF dự báo cho khu vực Nam Bộ, Viện KTTVBĐKH đã thử nghiệm đưa mạng ANN vào ứng dụng.

Sản phẩm chạy mơ hình WRF (chưa được hiệu chỉnh) được cung cấp làm đầu vào (inputs) cho mạng ANN. Kết quả cho thấy các chỉ số thống kê sau hiệu chỉnh đều khá tốt, sự thiên lệch giảm xuống rõ rệt, các chỉ số sai số thống kê (ví dụ ME) đều giảm.

Các giá trị của lượng mưa dự báo trước và sau hiệu chỉnh, số liệu quan trắc của giai đoạn luyện mạng (training phase) và kiểm nghiệm (testing phase) được so sánh với nhau và thấy rằng đường hiệu chỉnh đã bám khá sát với quan trắc trong giai đoạn luyện mạng, nhiều đoạn gần như trùng nhau, trong khi trước hiệu chỉnh thì hầu hết đường nằm ở phía trên và khoảng cách khá xa. Ở giai đoạn kiểm nghiệm, đường hiệu chỉnh vẫn có xu hướng bám quan trắc hơn so với khi chưa hiệu chỉnh, nhưng khoảng cách giữa chúng thì lớn hơn, điều này dễ hiểu do việc kiểm nghiệm (dự báo) bao giờ cũng khó khăn hơn nhất là khi nếu sai số ở giai đoạn luyện mạng mà trạm đó cũng lớn (Hình 5).

Như vậy, có thể thấy việc ứng dụng mạng ANN cho bài toán hiệu chỉnh lượng mưa dự báo từ đầu ra mơ hình là tương đối khả thi và triển vọng, tuy nhiên cũng cần chú ý tới tập số liệu thích hợp đưa vào mạng, xem xét tinh chỉnh các tham số cho trường hợp cụ thể, hoặc đưa vào thử nghiệm ứng dụng mơ hình ANN học sâu (deep learning).

Hình 5. Lượng mưa (mm/ngày) trung bình tháng 8-9 năm 2014-2015 của giai đoạn luyện mạng (nửa trên), và

tháng 8-9 năm 2016 của giai đoạn kiểm nghiệm (nửa dưới)