Nghiên Cứu Nhận Dạng Xoáy Thuận Nhiệt Đới Hoạt Động Trên Khu Vực Biển Đông Bằng Phương Pháp Trí Tuệ Nhân Tạo (Tt).Pdf

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 tron

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

TÓM TẮT LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:

TS DƯ ĐỨC TIẾN

Hà Nội – 2024

Luận văn được hoàn thành tại:

Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội

Người hướng dẫn khoa học: TS DƯ ĐỨC TIẾN

Trung tâm Dự báo khí tượng thuỷ văn quốc gia – Bộ TN&MT

Phản biện 1: TS CÔNG THANH

Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội

Phản biện 2: TS HOÀNG PHÚC LÂM

Trung tâm Dự báo khí tượng thuỷ văn quốc gia – Bộ TN&MT

Luận văn được bảo vệ trước Hội đồng chấm luận văn Thạc sĩ họp tại: Khoa Khí tượng Thủy văn Hải dương học - Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội, vào hồi 09h00 ngày 31 tháng

05 năm 2024

Có thể tìm hiểu luận văn tại:

Trung tâm Thông tin - Thư viện Đại học Quốc gia Hà Nội

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 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

2 Mục tiêu

Mục tiêu chung: Nghiên cứu nhận dạng vị trí và cường độ của

XTNĐ 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

- Đánh giá khả năng nhận dạng của mô hình DL

3 Cách tiếp cận và phương pháp nghiên cứu:

Cách tiếp cận của luận văn là ứng dụng các thành tựu trong nhận dạng hình ảnh của phương pháp trí tuệ nhân tạo vào bài toán khí tượng với đối tượng cụ thể là XTNĐ Sử dụng mô hình nơ ron tích chập hai luồng (CNN two-stream) để nhận dạng vị trí và cường độ XTNĐ sử dụng dữ liệu vệ tinh Himawari-8/9

4 Đối tượng và Phạm vi nghiên cứu:

Đối tượng nghiên cứu là XTNĐ hoạt động trên khu vực Biển Đông, thể hiện bởi các thông tin vị trí và cường độ

Đối với việc huấn luyện mô hình học sâu dùng để nhận dạng, sử dụng các thông tin giám sát XTNĐ trong phạm vi Tây Bắc Thái Bình Dương Phạm vi nghiên cứu của tập thử nghiệm là cho các trường hợp XTNĐ trên Biển Đông

5 Nội dung luận văn

Ngoài phần mở đầu, kết luận và tài liệu tham khảo, luận văn bao gồm 3 chương:

Chương 1: Tổng quan

Chương 2: Dữ liệu và phương pháp nghiên cứu

Chương 3: Kết quả

CHƯƠNG 1: TỔNG QUAN

1.1 Tổng quan về XTNĐ và công tác phân tích giám sát XTNĐ

Xoáy thuận nhiệt đới (XTNĐ) là một hệ thống áp thấp quy mô synop (thường không quá 1000km), không có front trên vùng biển nhiệt đới hoặc cận nhiệt đới với hoạt động đối lưu có tổ chức và hoàn lưu gió

bề mặt rõ ràng (Holland 1993) [1] XTNĐ thường hình thành trên vùng

0

3

ngày, thậm chí nhiều tuần (ví dụ như bão John – Typhoon John - đã kéo dài tới 31 ngày từ ngày 11 tháng 8 năm 1994 tới ngày 12 tháng 9 năm 1994) Dựa vào tốc độ gió lớn nhất sát bề mặt ở vùng gần tâm xoáy, tổ chức khí tượng thế giới (WMO) [2] phân loại XTNĐ thành các cấp độ khác nhau, ví dụ bão có tốc độ gió cực đại >17.2 m/s Sự hoạt động của XTNĐ đặc biệt lúc đổ bộ vào đất liền gây ra những thiệt hại rất lớn về con người và tài sản Vì vậy việc nghiên cứu để đưa ra dự báo về cường

độ và quỹ đạo của XTNĐ là vấn đề cấp thiết và rất được chú trọng nghiên cứu nhằm giảm thiểu những hệ quả do XTNĐ gây ra Hiện nay trên thế giới có rất nhiều phương pháp và công cụ được đưa vào nghiên

cứu, thử nghiệm theo dõi vị trí và cường độ của XTNĐ

Trong 3 năm gần đây, việc phát triển các lớp mạng học sâu với khả năng khai thác thông tin đa lớp, đa chiều đã cho phép việc áp dụng

AI có những độ tin cậy rõ ràng hơn so với thời kì ban đầu như các mạng RNN, CNN… Một số nghiên cứu điển hình như:

Năm 2018, Matsuoka và ccs [3] đã giới thiệu 1 phương pháp học sâu để nhận dạng XTNĐ bằng dữ liệu mô phỏng bởi một mô hình khí quyển toàn cầu phi thủy tĩnh phân giải đám mây CNN được đào tạo với 50.000 XTNĐ và tiền-XTNĐ và 500.000 dữ liệu không phải XTNĐ 30 năm dữ liệu thử nghiệm sẽ được chia thành dữ liệu đào tạo (20 năm) và dữ liệu thử nghiệm (10 năm) 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

Chong Wang và cs (2021) [4] 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 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

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) [5] 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 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) [6] 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,

5

SVM, rừng ngẫu nhiên (RF), MLP, CNN, RNN, Hybrid, thuật toán phân cụm (K-means), Transfer learning (Học chuyển giao) [7]

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

CHƯƠNG 2: DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU

2.1 Dữ liệu

Dữ liệu quỹ 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 Về phạm vi của QĐBC, RSMC thống kê những XTNĐ trong khoảng 00-600N, 1000E-1800E

Dữ liệu vệ tinh Himawari-8/9: 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 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

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

Dữ liệu được gán nhãn: 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 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 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”

2.2 Phương pháp trí tuệ nhân tạo

Hình 1 Cấu trúc mạng không-thời gian để nhận dạng XTNĐ

7

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

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

Đầu tiên đi vào phần 1 của mô hình - ResNet, hay Residual Networks,

là một loại kiến trúc mạng nơ-ron sâu (deep neural network) với vai trò học tập phân loại hình ảnh Kết quả học tập của Resnet là tạo ra các bản

đồ đặc trưng của các đối tượng XTNĐ, làm đầu vào cho mô hình Retinanet nhận dạng ở bước tiếp theo Điểm mạnh của ResNet là có thể giải quyết vấn đề độ sâu trong mạng nơ ron, cụ thể là vấn đề về biến mất đạo hàm (vanishing gradient) trong quá trình đào tạo các mô hình

DL

Về cấu trúc, ResNet thể hiện cấu trúc của mạng nơ ron tích hợp CNN Mạng nơ ron tích hợp (CNN) là một kiến trúc học sâu được áp dụng rộng rãi như một mô hình rất hiệu quả trong việc phân tích hình ảnh hoặc dữ liệu giống hình ảnh để nhận dạng mẫu CNN được cấu trúc theo các lớp: một lớp đầu vào kết nối với dữ liệu, một lớp đầu ra kết nối với các đại lượng để ước tính và nhiều lớp ẩn ở giữa Các lớp ẩn của CNN thường bao gồm các lớp tích chập (convolutional layers), các lớp tổng hợp (pooling layers), các lớp được kết nối đầy đủ (fully connected layers) và các lớp chuẩn hóa (normalization layers) Các lớp phức hợp trích xuất các đặc trưng của hình ảnh Các lớp tổng hợp lọc giá trị tối đa của các đặc trưng này để giảm số lượng các đặc trưng Các lớp được kết nối đầy đủ (FC) thường nằm ở cuối của mạng CNN, sẽ đóng vai trò kết nối mọi nơ ron trong một lớp với mọi nơ ron trong lớp khác Một mạng CNN có thể bao gồm nhiều lớp tích chập và nhiều lớp tổng hợp Ưu điểm của CNN là có thể học cách nhận dạng các mẫu không gian bằng cách khai thác tất cả các phần của hình ảnh được xử lí theo cách tương

tự, và do đó có thể trích xuất các tính năng tự động trong khi giảm đáng

kể số lượng tham số

Nhờ vào cơ chế khối phần dư, mô hình ResNet có khả năng học các biểu diễn phức tạp mà không gặp vấn đề vanishing gradient ResNet đã chứng minh sự hiệu quả của mình trong nhiều nhiệm vụ thị giác máy tính, như nhận diện hình ảnh và phân loại (Hình 21)

Đường bao trắng: đường bao thực vị trí bão.

Đường bao cam, xanh: đường

Hình 3 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

9

Giá trị IoU thường nằm trong khoảng từ 0 đến 1, với 0 thể hiện giữa dự báo và thực tế không có sự giống nhau và 1 thể hiện dự báo hoàn toàn khớp với thực tế Một ngưỡng IoU sẽ được xác định trước để quyết định xem một dự báo có được coi là chính xác hay không Thông thường, ngưỡng IoU được chọn là 0.5, với: dự báo được cho là chính xác (IoU ≥ 0.5), dự báo không chính xác (IoU < 0.5) và không nhận dạng được IoU thường được sử dụng trong quá trình huấn luyện và đánh giá mô hình nhận dạng đối tượng để đo lường độ chính xác của mô hình

Từ chỉ số IoU sẽ xác định tỉ lệ phát hiện đúng (True Positive -TP), sai (False Positive -FP), không nhận dạng được (False Negative – FN) để tính ra Precision và Recall Precision (Độ chính xác) là thang đo đặc trưng cho độ chính xác của dự báo, là tỷ lệ giữa số trường hợp dự báo đúng trên tổng số các trường hợp dự báo Recall (Độ nhạy) là thang đo đặc trưng cho độ tốt của khả năng tìm thấy vùng dự báo chính xác, là tỷ

lệ giữa số trường hợp dự báo đúng trên tổng số các trường hợp có tồn tại XTNĐ

Giả sử có N ngưỡng để tính Precision và Recall, với mỗi ngưỡng cho một cặp giá trị Precision, Recall là 𝑃𝑛, 𝑅𝑛, với 𝑛=1,2, …,𝑁 Precision-Recall Curve được vẽ bằng cách nối từng điểm tọa độ (𝑃𝑛, 𝑅𝑛) (Hình 25)

Hình 4 Minh hoạ đường cong Precision-Recall

Chương 3 – KẾT QUẢ

3.1 Cơ sở dữ liệu XTNĐ được gán nhãn

Hình 26 và Hình 27 minh hoạ bộ dữ liệu đã được gán nhãn mà luận văn xây dựng để làm đầu vào cho mô hình DL

Hình 5 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

Trên biển Đông tại các giai đoạn hình thành, giai đoạn phát triển hoặc suy yếu, giai đoạn phát triển cực đại có một số mẫu mây điển hình Ở giai đoạn hình thành, tổ chức mây chưa tốt, chủ yếu là các khối mây Cb bắt đầu có xu hướng tạo thành các đường cong (Hình 28) Bên cạnh đó 80% XTNĐ hình thành trên dải hội tụ nhiệt đới, vì vậy các nhiễu động trên dải hội tụ nhiệt đới cũng là dấu hiệu phát hiện sự hình thành XTNĐ

Giai đoạn phát triển hoặc tan rã phổ biến có các dạng băng cuốn, dạng lệch tâm hoặc dạng tâm phủ mây

Dạng băng cuốn là dạng hay gặp nhất của các loại mẫu mây XTNĐ Mây sẽ tập trung thành những đường cong mây với tâm XTNĐ

là tâm điểm tập trung của các đường cong mây đó XTNĐ càng mạnh thì dải băng cuốn càng xoắn chặt vào tâm

Bão có mẫu mây lệch tâm biểu hiện của dạng mây này là một phần mây đối lưu sắc nét, phần bên kia có mây toả ra về một phía Ở phần rìa sắc nét của mây đối lưu sẽ có những đường cong mây tầng

11

thấp, xác định tâm XTNĐ dựa vào những đường cong mây tầng thấp này Vì vậy đối với dạng mây lệch tâm, sử dụng ảnh VIS sẽ xác định được chính xác hơn, rất khó xác định trên ảnh IR Trên ảnh IR như hình

29, các xoắn mây tầng thấp khó phát hiện

Mẫu mây dạng tâm phủ mây có tâm nằm trong vùng phủ mây Đây là dạng xác định tâm rất khó khăn và có sai số lớn Dạng này được chia thành các dạng con:

• Dạng khối mây dày đặc trung tâm (CDO): mây đối lưu phát triển dày đặc ở trung tâm, rìa ngoài có biểu hiện xoắn mây khá

Ngoài ra trong khu vực biển Đông còn có một số dạng mẫu mây đặc biệt khi tương tác với các hệ thống thời tiết khác như rãnh gió tây trên cao hoặc tương tác với không khí lạnh

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

(a) 00UTC 5/11/2019 (b) 00UTC 5/11/2019