Hình 3.47 Bản đồ trường gió khí áp mực biển của hình thế: ảnh hưởng của xốy thuận nhiệt đới.
KẾT LUẬN
Như vậy sau một thời gian nghiên cứu tìm tịi và thử nghiệm, tơi đã hoàn thiện luận văn thạc sỹ “Nghiên cứu xây dựng hệ thống phân loại các hình thế gây mưa lớn cho khu vực Việt Nam bằng phương pháp SOM”. Bằng việc sử dụng số liệu tái phân tích của Nhật Bản trong giai đoạn từ năm 1979 đến 2012, thống kê các ngày mưa lớn trong quá khứ trên tất cả các khu vực Việt Nam và sử dụng phương pháp SOM tôi đã xây dựng được một hệ thống phân loại khá hoàn chỉnh cho gần như tất cả các khu vực trên cả nước. Và dưới đây là một số kết luận:
Luận văn đã đưa ra được tổng quan về tình hình nghiên cứu nhận dạng, phân loại các hình thế thời tiết nói chung và mưa lớn nói riêng trên thế giới cũng như tại Việt Nam
Luận văn đã đạt được mục tiêu là xây dựng được hệ thống phân loại cho hầu hết các khu vực của Việt Nam đó là Tây Bắc Bộ, Đông Bắc Bộ, Bắc Trung Bộ, Trung Trung Bộ và Nam Trung Bộ. 2 khu vực mà hệ thống không xác định được rõ ràng các hình thế gây mưa là khu vực Tây Nguyên và Nam Bộ
Luận văn đã khắc phục được nhược điểm của các phương pháp xác định khách quan từ các nghiên cứu trước đó là bắt buộc phải xác định trước số lượng các hình thế gây mưa cho từng khu vực
Trong luận văn thì khu vực thể hiện sự phân loại các hình thế gây mưa rõ ràng nhất là khu vực Nam Trung Bộ
TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt
1. Đinh Văn Loan: Sơ bộ phân loại hình thế thời tiết ảnh hưởng đến Việt Nam (1980).
2. Kiều Thị Xin, 2005: Nghiên cứu dự báo mưa lớn diện rộng bằng công nghệ hiện đại phục vụ phòng chống lũ lụt ở Việt Nam. Báo cáo tổng kết đề tài khoa học công nghệ độc lập cấp nhà nước, tr.121-151.
3. Nguyễn Ngọc Thục. Phân loại các dạng hình thế Synop gây mưa lớn, đặc biệt lớn thuộc các tỉnh Nghệ An đến Thừa Thiên Huế (1992).
4. Nguyễn Ngọc thục và cộng sự: Những nhân tố gây ra mưa lớn, lũ ở các tỉnh miền Trung và Tây Nguyên; (Thuộc chương trình lũ miền Trung, Cục Dự báo 1994).
5. Nguyễn Ngọc Thục, Lương Tuấn Minh, 1990: Các hình thế synop gây mưa lớn ở miền bắc Việt nam. Tuyển tập các báo cáo khoa học tại Hội nghị Khoa học về dự báo KTTV lần thứ III 1986-1990, tr. 110-120.
6. Nguyễn Khanh Vân, Bùi Minh Tăng, 2003: Đặc điểm hình thế thời tiết gây mưa lũ, lụt lớn và đặc biệt lớn ở các tỉnh Quảng Bình, Quảng Trị, Thừa Thiên-Huế (giai đoạn 1997-2001), Tạp chí các Khoa học về Trái Đất, số đặc biệt kỷ niệm 10 năm thành lập Viện Địa lý, 25(4), tr 339-345.
7. Phạm Ngọc Tồn, Phan Tất Đắc (1993) – Khí hậu Việt Nam.
8. Phạm Thanh Ngà. Phân tích một số trường hợp mưa lớn dựa trên các sản phẩm mơ hình số (2007).
9. Phan Văn Tân - Các phương pháp thống kê trong khí hậu - Phan Văn Tân Nhà xuất bản Đại học Quốc gia.
10. Trần Gia Khánh. Phân tích và Dự báo quá trình mưa bão đổ bộ vào khu vực Quảng Ngãi – Đà Nẵng đến Quảng Ngãi trở vào có tác động của khơng khí lạnh ở phía Bắc. Dự án Mưa lũ miền Trung – Cục Dự báo KTTV tháng 9 năm 1993. 11. Trần Gia Khánh. Phân loại hình thế Synop gây mưa lớn khu vực Quảng Nam –
Đà Nẵng đến Khánh Hòa (1998).
12. Vũ Thanh Hằng, Kiều Thị Xin, 2007: Dự báo mưa lớn khu vực Trung Bộ sử dụng sơ đồ tham số hóa đối lưu Heise trong mơ hình HRM, Tạp chí KTTV, số 560, trang 49-54.
13. Lê Đức, Nguyễn Văn Hưởng, 2011: Xác định khách quan hình thế thời tiết trong các đợt mưa lớn trên khu vực miền Trung từ số liệu tái phân tích JRA25, Luận văn thạc sỹ ngành khí tượng khí hậu học, Đại học Khoa học Tự nhiên. 14. Nguyễn Khánh Vân, Đỗ Lệ Thủy, Trần Anh Đức: Nguyên nhân và quy luật của
thời tiết gây mưa lớn khu vực Đèo Hải Vân- Đèo Cả, vùng Nam Trung Bộ(giai đoạn 1986-2010). Tạp chí Các khoa học về Trái Đất số tháng 6-2013
Tài liệu tiếng Anh
15. Ambroise, C.; Seze, G. Badran F. & Thiria S. (2000), Hierarchical clustering of self-organizing maps for cloud classification, Neurocomputing, Vol. 30, 47–52. 16. Bacao, F.; Lobo, V. & Painho, M. (2005), Self-organizing maps as substitutes
for k-means clustering, Lecture Notes in Computer Science, V. S. Sunderam, G. v. Albada, P. Sloot, and J. J. Dongarra (Eds.), Vol. 3516, PP. 476-483, Berlin Heidelberg, Springer-Verlag.
17. Carmichael O., and M. Hebert, 2004: “A hybrid object-level/pixel-level framework for shape-based recognition,” Proceedings of British Machine Vision Conference, (BMVC).
18. Carvalho L.M.V., and C. Jones, 2001: “A satellite method to identify structural properties of mesoscale convective systems based on the maximum spatial correlation tracking technique (MASCOTTS),” Journal. of applied meteorology, vol. 40, pp. 1683-1701.
19. Cassano, E. N.; Lynch, A. H., Cassano, J. J. & Koslow, M. R. (2006). Classification of synoptic patterns in the western Arctic associated with extreme events at Barrow, Alaska, USA, Climate Research, Vol. 30, 83-97, ISSN 1616-
1572
20. Cavazos, T. (2000). Using self-organizing maps to investigate extreme climate events: An application to wintertime precipitation in the Balkans, Journal of Climate, Vol. 13, 1718–1732.
21. CofiÑo, A., Gutiérrez, J., Jakubiak, B., & Melonek, M., 2003: “Implementation of data mining techniques for meteorological applications”. World scientific: pp. 215–240.
synoptic meteorological controls on air and precipitation chemistry - method and applications. Atmos. Environ 26A: 2575-2581.
23. Filippi, A.; Dobreva, I., Klein, A.G. & Jensen, J.R. (2010). Self-Organizing Map-based Applications in Remote Sensing, In: Self-Organizing Maps,
Matsopoulos, G.K. (Ed.), 231-248.
24. Hewitson, B. C. & Crane, R. G. (1994). Neural Nets: Applications in Geography, Springer, New York.
25. Hewitson, B. C. & Crane, R. G. (2002). Self-organizing maps: applications to synoptic climatology. Climate Research, Vol. 22, No. 1, 13-26, ISSN 0936- 577X.
26. Hsu, K.-C. & Li, S.-T. (2010). Clustering spatial–temporal precipitation data using wavelet transform and self-organizing map neural network, Advances in Water Resources, Vol. 33, No. 2, 190-200, ISSN 0309-1708.
27. Huth, R.; Beck, C., Philipp, A., Demuzere, M., Ustrnul, Z., Cahynová, M., Kyselý, J. & Tveito, O. E. (2008). Classifications of atmospheric circulation patterns, Recent advances and applications, Annals of the New York Academy of
Sciences, Vol. 1146, No. 1, 105-152.
28. Kohonen, T. (1988). Self-Organization and Associative Memory, Springer- Verlag, New York, Berlin, Heidelberg.
29. Li, X., R. Ramachandran, S. Graves, and S. Movva, 2008: A Hybrid Object- /Pixel-based Classification Approach for Shape-oriented Atmospheric Phenomena Detection. Computers & Geosciences.
30. Li Z., A. Khananian, R. H. Fraser, and J. Cihlar, 2001: “Automatic detection of fire smoke using artificial neural networks and threshold approaches applied to AVHRR imagery,” IEEE trans. on Geosci. Remote Sensing , vol. 39, pp 1859-1870.
31. Lin, G.-F. & Chen, L.-H. (2006). Identification of homogeneous regions for regional frequency analysis using the self-organizing map, Journal of Hydrology, Vol. 324, 1-9.
32. Liu, Y., & Weisberg, R. H., 2011: "A Review of Self-Organizing Map Applications in Meteorology and Oceanography". Self Organizing Maps - Applications and Novel Algorithm Design.
33. Lobo, V. J.A.S. (2009). Application of Self-Organizing Maps to the Maritime Environment, In: Information Fusion and Geographic Information Systems, Lecture Notes in Geoinformation and Cartography, V.V. Popovich et al, (Eds.),
pp.19-36, Springer-Verlag, Berlin, Heidelberg.
34. Malmgren, B. A. & Winter, A. (1999). Climate zonation in Puerto Rico based on principal components analysis and an artificial neural network, Journal of Climate, Vol. 12, 977–985.
35. Koji Nishiyama, Shinichi Endo, Kenji Jinno, Cintia Bertacchi Uvo, Jonas Olsson and Ronny Bertndtsson, 2007: Idenfication of typical synoptic patterns causing heavy rainfall in the rainy season in Japan by a Self-Organizing Map. Atmospheric Research, 83, 185-200.
36. Peak E., and P.M. Tag, 1994: “Segmentation of satellite imagery using hierarchical thresholding and neural networks,” J. Applied Meteorology, vol. 33, No. 5 pp. 605-616.
37. Reusch, D. B.; Alley, R. B. & Hewitson, B. C. (2005a). Relative performance of self-organizing maps and principal component analysis in pattern extraction from synthetic climatological data, Polar Geography, Vol. 29, 188-212.
38. Schuenemann, K. C. & Cassano, J. J. (2009). Changes in synoptic weather patterns and Greenland precipitation in the 20th and 21st centuries: 1. Evaluation of late 20th century simulations from IPCC models, Journal of Geophysical Research, Vol. 114, D20113, doi:10.1029/2009JD011705, ISSN
0148-0227.
39. Solidoro, C.; Bastianini, M., Bandelj, V., Codermatz, R., Cossarini, G., Melaku Canu, D., Ravagnan, E., Salon S. & Trevisani S. (2009). Current state, scales of variability & trends of biogeochemical properties in the northern Adriatic Sea,
Journal of Geophysical Research, Vol. 114, C07S91.
40. Kotsiantis S., Kostoulas A., Lykoudis S., Argiriou A., and Menagias K., "Using Data Mining Techniques for Estimating Minimum, Maximum and Average Daily Temperature Values, International Journal of Mathematical, Physical and Engineering Sciences", pp. 16-20. 2007.
41. Bilgin T., and Çamurcu Y., "A Data Mining Application on Air Temperature Database," Advances in Information Systems, Springer Berlin, Heidelberg,
42. Zhang Z., Wu W., Huang Y., "Mining dynamic interdimension association rules for local-scale weather prediction," In the Proceedings of the 28th Annual International Computer Software and Applications Conference, 2004.
43. Peters J., Suraj Z., Shan S., Ramanna S., Pedrycz W., Pizzi N., "Classification of meteorological volumetric radar data using rough set methods," Pattern Recognition Letters, pp.911–920. 2003
44. Cavazos, T.; Comrie, A. C. & Liverman, D. M. (2002). Intraseasonal variability associated with wet monsoons in southeast Arizona, Journal of Climate, Vol. 15, 2477–2490,ISSN 0894-8755
45. Raju, K. S. & Kumar, D. N. (2007). Classification of Indian meteorological stations using cluster and fuzzy cluster analysis, and Kohonen artificial neural networks, Nordic Hydrology, Vol. 38 No. 3, 303–314, ISSN 0029-1277
46. Khedairia, S. & Khadir, M. T. (2008). Self-organizing map and k-means formeteorological day type identification for the region of Annaba –Algeria, In:
7th Computer Information Systems and Industrial Management Applications,
pp.91-96, 2008, ISBN:978-0-7695-3184-7, Ostrava
47. Schuenemann, K. C. & Cassano, J. J. (2010). Changes in synoptic weather patterns and Greenland precipitation in the 20th and 21st centuries: 2. Analysis of 21st century atmospheric changes using self-organizing maps, Journal of Geophysical Research, Vol. 115, D05108 , ISSN 0148-0227
48. Johnson, N. C. & Feldstein, S.B. (2010). The Continuum of North Pacific Sea Level Pressure Patterns: Intraseasonal, Interannual, and Interdecadal Variability. Journal of Climate,Vol. 23, 851-867, ISSN 0894-8755
49. Reusch, D. B. & Alley, R.B. (2007). Antarctic sea ice: a self-organizing map- based perspective, Annals of Glaciology, Vol. 46, 391-396, ISSN 0260-3055
LỜI CẢM ƠN
Lời đầu tiên, tơi xin bày tỏ lịng biết ơn sâu sắc đến PGS.TS Nguyễn Đăng Quế , là người đã tận tình hướng dẫn và chỉ bảo cho tơi hồn thành luận văn cao học.
Tôi cũng xin cảm ơn các Thầy cơ và cán bộ trong khoa Khí tượng- Thủy văn- Hải dương học, các anh chị cán bộ phòng Nghiên cứu ứng dụng, Trung tâm Dự báo khí tượng thủy văn Trung ương đặc biệt là TS. Lê Đức đã cung cấp cho tôi các kiến thức chuyên môn quý báu, đồng thời tạo điều kiện thuận lợi nhất trong suốt thời gian tôi thực hiện luận văn này.
Cuối cùng tôi xin gửi lời cảm ơn chân thành đến gia đình, người thân, bạn bè, những người đã luôn ở bên cạnh cổ vũ động viên và tạo mọi điều kiện tốt nhất cho tôi trong suốt thời gian học tập cao học tại trường
Mở đầu
Với sự gia tăng không ngừng của các loại số liệu khí tượng trong một vài thập niên trở lại đây như số liệu quan trắc từ các trạm cố định bề mặt(Synop), số liệu thám không vô tuyến(Temp), số liệu Radar, số liệu viễn thám, số liệu tái phân tích, việc tìm kiếm một cơng cụ hiệu quả và chính xác để phân tích và chiết xuất ra những thông tin quan trọng từ nguồn dữ liệu khổng lồ này là hết sức cần thiết, và đây chính là những gì mà bài tốn khai phá dữ liệu(Data Mining) hướng tới. Một trong những kỹ thuật được sử dụng phổ biến nhất trong khai phá dữ liệu đó là phân cụm dữ liệu(Data Clustering). Các ứng dụng của phân cụm dữ liệu bao gồm: phân loại hình thế thời, phân vùng khí hậu, nhận dạng mây, downscaling thống kê hay đánh giá tác động của biến đổi khí hậu.
Trong luận văn này, nội dung chính mà tơi thực hiện đó là sử dụng SOM, một trong những phương pháp phân cụm dữ liệu có hiệu quả cao đối với các bài tốn khí tượng, áp dụng với bộ số liệu tái phân tích JRA25 của Nhật Bản để xây dựng một hệ thống phân loại các hình thế gây mưa lớn cho khu vực Việt Nam.
Nội dung của luận văn được chia thành các phần như sau: Mở đầu
Chƣơng 1: Tổng quan
Chƣơng 2: Số liệu và phương pháp
Chƣơng 3: Kết quả và phân tích