Xây dựng mô hình dự báo một số thông số khí tượng cho địa bàn tỉnh hải dương

Nhóm giải pháp thương mại có một số hạn chế: • Không chủ động được về công nghệ, thuật toán, giải pháp, các hạ tầng kèm theo; • Các phần mềm của nước ngoài thường có yêu cầu phức tạp về

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

NGƯỜI HƯỚNG DẪN KHOA HỌC

1 PGS TSKH Trần Hoài Linh

2 TS Đinh Văn Nhượng

Hà Nội - 2018

LỜI CAM ĐOAN

Tôi xin cam đoan luận án tiến sĩ “Xây dựng mô hình dự báo một số thông số khí tượng cho địa bàn tỉnh Hải Dương” là công trình nghiên cứu của riêng tôi dựa trên sự

hướng dẫn của Tập thể hướng dẫn khoa học Các số liệu và tài liệu trong luận án là trung thực và chưa được tác giả khác công bố trong bất kỳ công trình nghiên cứu nào Tất cả những tham khảo và kế thừa đều được trích dẫn, tham chiếu đầy đủ

Hà Nội, ngày tháng 6 năm 2018

TM Tập thể hướng dẫn

TS Đinh Văn Nhượng

Nghiên cứu sinh

Đỗ Văn Đỉnh

LỜI CẢM ƠN

Trong quá trình thực hiện luận án “Xây dựng mô hình dự báo một số thông số khí tượng cho địa bàn tỉnh Hải Dương” tôi đã nhận được rất nhiều sự giúp đỡ, hỗ trợ,

tạo điều kiện của tập thể lãnh đạo, các nhà khoa học, cán bộ, chuyên viên ở Bộ môn

Kỹ thuật đo và Tin học công nghiệp – Viện Điện – Trường Đại học Bách Khoa Hà Nội; tập thể lãnh đạo Trường Đại học Bách Khoa Hà Nội, tập thể lãnh đạo Viện Đào tạo Sau đại học – Trường Đại học Bách Khoa Hà Nội, tập thể lãnh đạo Trường Đại học Sao Đỏ, Viện Khoa học Khí tượng Thuỷ văn và Biến đổi Khí hậu Tôi xin bày tỏ lòng cảm ơn chân thành về sự giúp đỡ đó

Tôi xin cám ơn tập thể lãnh đạo Đài Khí tượng Thuỷ văn và Biến đổi Khí hậu Khu vực Đồng bằng Bắc Bộ đã tạo điều kiện hỗ trợ về thu thập số liệu phục vụ cho luận án

Đặc biệt tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TSKH Trần Hoài Linh,

TS Đinh Văn Nhượng và Hội đồng Khoa học của Bộ môn Kỹ thuật đo và Tin học công nghiệp - Viện Điện - Trường Đại học Bách khoa Hà Nội đã trực tiếp hướng dẫn và chỉ bảo cho tôi hoàn thành luận án này

Tôi xin chân thành cảm ơn bạn bè, đồng nghiệp của tôi đang công tác tại Trường Đại học Sao Đỏ và gia đình đã động viên, khích lệ, tạo điều kiện giúp đỡ tôi trong suốt quá trình thực hiện và hoàn thành luận án

Nghiên cứu sinh

Đỗ Văn Đỉnh

MỤC LỤC

Trang

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

MỤC LỤC iii

DANH MỤC CÁC TỪ VIẾT TẮT vii

DANH MỤC CÁC BẢNG BIỂU ix

DANH MỤC CÁC HÌNH VẼ xi

MỞ ĐẦU 1

1 Tính cấp thiết của đề tài 1

2 Mục đích nghiên cứu 2

3 Đối tượng và phạm vi nghiên cứu 3

3.1 Đối tượng nghiên cứu 3

3.2 Phạm vi nghiên cứu 3

4 Phương pháp nghiên cứu 3

5 Ý nghĩa khoa học và thực tiễn của đề tài 4

5.1 Ý nghĩa khoa học 4

5.2 Ý nghĩa thực tiễn của đề tài 4

6 Những đóng góp của luận án 4

7 Bố cục của luận án 5

CHƯƠNG 1: TỔNG QUAN VỀ CÁC MÔ HÌNH DỰ BÁO THÔNG SỐ KHÍ TƯỢNG 7

1.1 Đặt vấn đề 7

1.2 Một số phương pháp dự báo thông số khí tượng 7

1.3 Các mô hình dự báo thông số khí tượng được ứng dụng trên thế giới 9

1.3.1 Mô hình số trị toàn cầu 9

1.3.2 Mô hình số trị khu vực 11

1.4 Các mô hình dự báo khí tượng được ứng dụng ở Việt Nam 13

1.4.1 Mô hình HRM [1] 13

1.4.2 Mô hình ETA 14

1.4.3 Mô hình WRF 14

1.4.4 Mô hình RAMS 14

1.4.5 Mô hình MM5 14

1.5 Một số mô hình dự báo thông số khí tượng dùng mạng nơ rôn 15

1.6 Đề xuất của luận án 19

1.7 Kết luận chương 1 21

Chương 2: MÔ HÌNH LAI VÀ ỨNG DỤNG TRONG CÁC VẤN ĐỀ MÔ HÌNH HÓA PHI TUYẾN 23

2.1 Giới thiệu chung 23

2.2 Mô hình lai và ứng dụng trong mô hình phi tuyến 25

2.2.1 Mục đích sử dụng mô hình lai 25

2.2.2 Mô tả toán học của mô hình lai 25

2.3 Phương pháp xây dựng mô hình lai từ các bộ số liệu mẫu 27

2.3.1 Bộ số liệu đầu vào 27

2.3.2 Lựa chọn đầu vào 27

2.3.3 Xây dựng khối tuyến tính 35

2.3.4 Xây dựng khối phi tuyến 35

2.4 Ứng dụng SVM xây dựng hàm truyền đạt phi tuyến 36

2.4.1 Giới thiệu chung 36

2.4.2 Bài toán phân lớp nhị phân 36

2.4.3 Kỹ thuật SVR (Support Vector Regression) 42

2.4.4 Phương pháp LS-SVM 46

2.5 Ví dụ ứng dụng minh họa 47

2.5.1 Hàm phi tuyến của đối tượng 47

2.5.2 Kết quả ước lượng trực tiếp bằng kỹ thuật SVM 48

2.5.3 Kết quả ước lượng bằng mô hình lai sử dụng SVM 50

2.6 Kết luận chương 2 53

Chương 3: XÂY DỰNG CÁC GIẢI PHÁP DỰ BÁO, ƯỚC LƯỢNG SỬ DỤNG MÔ HÌNH LAI 55

3.1 Đặt vấn đề 55

3.2 Xây dựng mô hình lai cho bài toán dự báo 55

3.2.1 Lựa chọn đầu vào 55

3.2.2 Xác định các hệ số của khối tuyến tính 57

3.2.3 Xây dựng khối phi tuyến của mô hình lai 59

3.3 Xây dựng mô hình lai cho bài toán ước lượng 59

3.3.1 Bài toán ước lượng thông số khí tượng 59

3.3.2 Xác định các đầu vào cho mô hình ước lượng 61

3.4 Kết luận chương 3 64

Chương 4: CÁC KẾT QUẢ TÍNH TOÁN VÀ MÔ PHỎNG 65

4.1 Đặt vấn đề 65

4.2 Đánh giá, lựa chọn đặc tính đầu vào cho các mô hình 68

4.2.1 Lựa chọn đặc tính trên cơ sở giá trị hệ số tương quan 68

4.2.2 Kết quả dùng phương pháp phân tích theo thành phần chính 70

4.2.3 Lựa chọn đặc tính trên cơ sở giá trị hệ số tuyến tính 71

4.3 Kết quả dự báo, ước lượng thông số khí tượng theo chuỗi thời gian 75

4.3.1 Kết quả xây dựng mô hình lai dự báo thông số khí tượng theo chuỗi thời gian 76

4.3.2 Kết quả xây dựng mô hình lai ước lượng thông số khí tượng theo chuỗi thời gian 91

4.4 Kết quả dự báo, ước lượng thông số khí tượng theo mùa 101

4.4.1 Kết quả xây dựng mô hình lai dự báo thông số khí tượng theo mùa 102

4.4.2 Kết quả xây dựng mô hình lai ước lượng thông số khí tượng theo mùa 105

4.5 Kết luận chương 4 112

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 114

DANH MỤC CÁC TÀI LIỆU THAM KHẢO 116

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 124

PHỤ LỤC 1

PL.1 Một số kết quả chi tiết của khảo sát và lựa chọn cấu trúc các mô hình dự báo dùng trong so sánh 1

PL.2 Các kết quả ước lượng thông số khí tượng theo chuỗi thời gian 11

PL.3 Kết quả xác định thành phần tuyến tính trong mô hình ước lượng thông số khí

tượng tại thị xã Chí Linh 37

PL.4 Kết quả xác định thành phần tuyến tính theo mùa trong mô hình dự báo 38

PL.4.1 Xác định thành phần tuyến tính khi dự báo mùa Xuân 38

PL.4.2 Xác định thành phần tuyến tính khi dự báo mùa Hè 42

PL.4.3 Xác định thành phần tuyến tính khi dự báo mùa Thu 46

PL.4.4 Xác định thành phần tuyến tính khi dự báo mùa Đông 51

PL.5 Kết quả xác định thành phần tuyến tính trong mô hình ước lượng thông số theo mùa tại thành phố Hải Dương 57

PL.5.1 Khối tuyến tính khi ước lượng thông số khí tượng ở mùa Xuân 57

PL.5.2 Khối tuyến tính khi ước lượng thông số khí tượng ở mùa Hè 57

PL.5.3 Khối tuyến tính khi ước lượng thông số khí tượng ở mùa Thu 58

PL.5.4 Khối tuyến tính ước lượng thông số khí tượng ở mùa Đông 58

PL.6 Kết quả xác định thành phần tuyến tính trong mô hình ước lượng thông số theo mùa tại thị xã Chí Linh 60

PL.6.1 Khối tuyến tính khi ước lượng thông số khí tượng ở mùa Xuân 60

PL.6.2 Khối tuyến tính khi ước lượng thông số khí tượng ở mùa Hè 60

PL.6.3 Khối tuyến tính khi ước lượng thông số khí tượng ở mùa Thu 61

PL.6.4 Khối tuyến tính khi ước lượng thông số khí tượng ở mùa Đông 61

DANH MỤC CÁC TỪ VIẾT TẮT

ANFIS Adaptive Network-based Fuzzy

Inference System

Mạng thích nghi dựa trên cơ

sở hệ suy luận mờ

ANN Artificial Neural Networks Mạng nơ-rôn nhân tạo

CNN Convolutional Neural Network Mạng nơ-rôn tích chập

DWD Deutscher Wetter Dienst Tổng cục Thời tiết Cộng hòa

Liên bang Đức

GDAS Global Data Assimilation System Hệ thống đồng hoá số liệu

toàn cầu

GFS Global Forecasting System Mô hình toàn cầu

GME Global Model for Europe Cơ quan Khí tượng Cộng hòa

Liên bang Đức

GSM Global Spectral Model Mô hình Phổ toàn cầu JMA

HRM High Resolution Regional Model Mô hình khu vực phân giải cao

JMA Japan Meteorological Agency Cơ quan Khí tượng Nhật Bản

LS-SVM Least Squares - Support Vector

Machine

Máy véc-tơ hỗ trợ dùng Bình phương cực tiểu

MAE Mean Absolute Error Sai số tuyệt đối trung bình

MaxAE Maximum Absolute Error Giá trị lớn nhất của sai số

tuyệt đối

MLP Multi Layer Perceptron Mạng nơ-rôn truyền thẳng đa

lớp

MLR Multiple Linear Regression Mạng hồi quy tuyến tính đa

biến

MRE Mean Relative Error Trung bình sai số tương đối

MSE Mean squared error Sai số bình phương trung bình

NCAR National Center of Atmospheric

NMC National Meteorological Centre Trung tâm Khí tượng Quốc gia

PCA Principal Component Analysis Phân tích theo thành phần chính

RAMS Regional Atmospheric Modeling

System Hệ thống mô hình khí quyển

RBF Radial Basis Function Mạng nơ-rôn xuyên tâm

SD Standard Deviation Độ lệch chuẩn

SRM Structure Risk Mimimization Nguyên lý giảm thiểu cấu trúc

SVC Support Vector Classification Máy học Véc-tơ phân lớp

SVD Singular Value Decomposition Phân tích theo các giá trị kỳ dị

SVM Support Vector Machine Máy học véc-tơ hỗ trợ

SVR Support Vector Regression Máy học véc-tơ hỗ trợ ước lượng

WRF Weather Research and Forecasting Mô hình nghiên cứu và dự

báo thời tiết

DANH MỤC CÁC BẢNG BIỂU

Trang Bảng 2.1: Kết quả sai số khi ước lượng trực tiếp bằng kỹ thuật SVM 49 Bảng 2.2: Kết quả sai số khi ước lượng bằng mô hình lai 52 Bảng 4.1: Tổng hợp kết quả sai số khi lựa chọn đặc tính cho mô hình dự báo Tmax/Tmin 73 Bảng 4.2: Kết quả sai số khi khai triển thành phần tuyến tính dự báo RHmax 77 Bảng 4.3: Kết quả sai số khi khai triển thành phần tuyến tính dự báo RHmin 79 Bảng 4.4: Kết quả sai số khi xác định thành phần phi tuyến dự báo Tmax với các mạng nơ-rôn khác nhau 81 Bảng 4.5: Kết quả sai số khi xác định thành phần phi tuyến dự báo Tmin với các mạng nơ-rôn khác nhau 84 Bảng 4.6: Kết quả sai số khi xác định thành phần phi tuyến dự báo RHmax 86 Bảng 4.7: Kết quả sai số khi xác định thành phần phi tuyến dự báo RHmin 89 Bảng 4.8: Tổng hợp kết quả ước lượng tốt nhất thông số khí tượng tại thành phố Hải Dương dựa vào kết quả đo tại 4 trạm quan trắc lân cận (Bắc Ninh, Quảng Ninh, Hải Phòng, Hưng Yên) 97 Bảng 4.9: Tổng hợp kết quả ước lượng thông số khí tượng tại thị xã Chí Linh dựa vào kết quả đo tại 04 trạm lân cận (Bắc Ninh, Quảng Ninh, Hải Phòng và Hưng Yên) 100 Bảng 4.10: Kết quả sai số khai triển thành phần tuyến tính ước lượng thông số khí tượng theo mùa 103 Bảng 4.11: Kết quả sai số xác định thành phần phi tuyến thông số khí tượng theo mùa sử dụng mạng Hybrid-SVM 104 Bảng 4.12: Tổng hợp kết quả ước lượng thông số khí tượng theo mùa tại thành phố Hải Dương dựa vào kết quả đo tại 04 trạm lân cận (Bắc Ninh, Quảng Ninh, Hải Phòng và Hưng Yên) 109 Bảng 4.13: Tổng hợp kết quả ước lượng thông số khí tượng theo mùa tại thị xã Chí Linh dựa vào kết quả đo tại 04 trạm lân cận (Bắc Ninh, Quảng Ninh, Hải Phòng và Hưng Yên) 111 Bảng PL.2.1: Kết quả sai số kiểm tra cho mô hình với các tổ hợp đầu vào khác nhau cho

Tmax – Hải Dương 11 Bảng PL.2.2: Kết quả sai số kiểm tra cho mô hình với các tổ hợp đầu vào khác nhau cho

Tmin - Hải Dương 15

Bảng PL.2.3: Kết quả sai số kiểm tra cho mô hình với các tổ hợp đầu vào khác nhau cho

RHmax– Hải Dương 18 Bảng PL.2.4: Kết quả sai số kiểm tra cho mô hình với các tổ hợp đầu vào khác nhau cho

RHmin– Hải Dương 21 Bảng PL.2.5: Kết quả sai số kiểm tra cho mô hình với các tổ hợp đầu vào khác nhau cho

Tmax – Chí Linh 24 Bảng PL.2.6: Kết quả sai số kiểm tra cho mô hình với các tổ hợp đầu vào khác nhau cho

Tmin – Chí Linh 28 Bảng PL.2.7: Kết quả sai số kiểm tra cho mô hình với các tổ hợp đầu vào khác nhau cho

RHmax– Chí Linh 31 Bảng PL.2.8: Kết quả sai số kiểm tra cho mô hình với các tổ hợp đầu vào khác nhau cho

RHmin– Chí Linh 34

DANH MỤC CÁC HÌNH VẼ

Trang

Hình 1.1: Bản đồ vị trí địa lý tỉnh Hải Dương 20

Hình 2.1: Cấu trúc của mô hình lai [5] 23

Hình 2.2: Sơ đồ khối xác định thành phần tuyến tính 26

Hình 2.3: Sơ đồ khối xác định thành phần phi tuyến 26

Hình 2.4: Không gian mới được tạo ra qua phép biến đổi PCA [43] 31

Hình 2.5: Siêu phẳng tách tuyến tính 37

Hình 2.6: Trường hợp không thể phân chia 2 nhóm bằng một siêu phẳng 39

Hình 2.7: Một mặt phân chia phi tuyến có thể trở thành một siêu phẳng trong không gian lớn 41

Hình 2.8: Một số hàm tổn thất (lost function) thường dùng [23] 42

Hình 2.9: Mô tả ý tưởng dùng hàm nhân trong SVM 45

Hình 2.10: Đồ thị biểu diễn hàm phi tuyến để minh họa cho phương pháp đề xuất 48

Hình 2.11: Đồ thị biểu diễn hàm phi tuyến để kiểm tra phương pháp đề xuất 48

Hình 2.12: Kết quả ước lượng hàm phi tuyến bằng kỹ thuật SVM 49

Hình 2.13: Sai số ước lượng hàm phi tuyến bằng kỹ thuật SVM 50

Hình 2.14: Thành phần phi tuyến còn lại sau khi đã trừ đi thành phần tuyến tính ước lượng được 52

Hình 2.15: Kết quả ước lượng bằng mạng lai (đã tổng hợp cả hai thành phần tuyến tính và phi tuyến) 53

Hình 2.16: Sai số ước lượng bằng mạng lai (đã tổng hợp cả hai thành phần tuyến tính và phi tuyến) 53

Hình 3.1: Cấu trúc khối trích chọn đặc tính [9] 56

Hình 3.2: Cấu trúc tổng quát các bước thực hiện trích chọn đặc tính 56

Hình 4.1: Đồ thị sai số học và sai số kiểm tra khi khai triển thành phần tuyến tính cho mô hình dự báo Tmax 74

Hình 4.2: Đồ thị sai số học và sai số kiểm tra khi khai triển thành phần tuyến tính cho mô hình dự báo Tmin 75

Hình 4.3: Đồ thị sai số học và sai số kiểm tra khi khai triển thành phần tuyến tính cho dự báo RHmax 78 Hình 4.4: Đồ thị sai số học và sai số kiểm tra khi khai triển thành phần tuyến tính cho dự báo RHmin 80 Hình 4.5: Các sai số còn lại Tmax của mô hình tuyến tính và cũng là các giá trị đích cần đạt của khối phi tuyến trong quá trình huấn luyện 81 Hình 4.6: Đồ thị biểu diễn giá trị trung bình của sai số tuyệt đối trên bộ số liệu kiểm tra khi

dự báo Tmax 82 Hình 4.7: Sai số học và sai số kiểm tra khi xác định thành phần phi tuyến dự báo Tmax trong

mô hình lai 83 Hình 4.8: Các sai số còn lại Tmin của mô hình tuyến tính và cũng là các giá trị đích cần đạt của khối phi tuyến trong quá trình huấn luyện 83 Hình 4.9: Sai số học và sai số kiểm tra khi xác định thành phần phi tuyến dự báo Tmin trong

mô hình lai 85 Hình 4.10: Đồ thị biểu diễn sai số tuyệt đối trung bình khi dự báo Tmin 85 Hình 4.11: Các sai số còn lại RHmax của mô hình tuyến tính và cũng là các giá trị đích cần đạt của khối phi tuyến trong quá trình huấn luyện 86 Hình 4.12: Đồ thị biểu diễn sai số tuyệt đối trung bình khi dự báo RHmax 87 Hình 4.13: Sai số học và sai số kiểm tra khi xác định thành phần phi tuyến dự báo RHmax

trong mô hình lai 88 Hình 4.14: Các sai số còn lại RHmin của mô hình tuyến tính và cũng là các giá trị đích cần đạt của khối phi tuyến trong quá trình huấn luyện 88 Hình 4.15: Đồ thị biểu diễn sai số tuyệt đối trung bình kiểm tra khi dự báo RHmindùng mô hình Hybrid - SVM 90 Hình 4.16: Sai số học và sai số kiểm tra khi xác định thành phần phi tuyến dự báo RHmin

trong mô hình lai 90 Hình 4.17: Kết quả sai số tuyệt đối trung bình kiểm tra khi dự báo các thông số khí tượng dùng mô hình Hybrid-SVM 91 Hình 4.18: Kết quả kiểm tra khi ước lượng Tmax tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau 93 Hình 4.19: Kết quả kiểm tra khi ước lượng Tmin tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau 93

Hình 4.20: Kết quả kiểm tra khi ước lượng RHmax tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau 95 Hình 4.21: Kết quả kiểm tra khi ước lượng RHmin tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau 96 Hình 4.22: Kết quả kiểm tra khi ước lượng Tmax tại thị xã Chí Linh cho các tổ hợp đầu vào khác nhau 98 Hình 4.23: Kết quả kiểm tra khi ước lượng Tmin tại thị xã Chí Linh cho các tổ hợp đầu vào khác nhau 98 Hình 4.24: Kết quả kiểm tra khi ước lượng RHmax tại thị xã Chí Linh cho các tổ hợp đầu vào khác nhau 99 Hình 4.25: Kết quả kiểm tra khi ước lượng RHmin tại thị xã Chí Linh cho các tổ hợp đầu vào khác nhau 100 Hình 4.26: Biểu diễn kết quả kiểm tra sai số tuyệt đối trung bình khi ước lượng thông số khí tượng tại Tp Hải Dương và Tx Chí Linh 101 Hình 4.27: Kết quả sai số tuyệt đối trung bình dự báo thông số khí tượng theo mùa sử dụng Hybrid - SVM 105 Hình 4.28: Kết quả kiểm tra với mô hình ước lượng Tmax – Hải Dương cho các tổ hợp đầu vào khác nhau ở mùa Xuân 106 Hình 4.29: Kết quả kiểm tra với mô hình ước lượng Tmax – Hải Dương cho các tổ hợp đầu vào khác nhau ở mùa Hè 107 Hình 4.30: Kết quả kiểm tra với mô hình ước lượng Tmax – Hải Dương cho các tổ hợp đầu vào khác nhau ở mùa Thu 108 Hình 4.31: Kết quả kiểm tra với mô hình ước lượng Tmax – Hải Dương cho các tổ hợp đầu vào khác nhau ở mùa Đông 109 Hình 4.32: Biểu đồ biểu diễn kết quả sai số kiểm tra thử nghiệm mô hình ước lượng thông

số khí tượng theo mùa ở thành phố Hải Dương 110 Hình 4.33: Biểu đồ biểu diễn kết quả sai số kiểm tra thử nghiệm mô hình ước lượng thông

số khí tượng theo mùa ở thị xã Chí Linh 112 Hình PL.1.1: Kết quả sai số trung bình bình phương mạng MLP sau 300 bước học 1 Hình PL.1.2: Sai số kiểm tra thay đổi theo số nơ-rôn ẩn khi sử dụng mạng MLP 2 Hình PL.1.3: Kết quả sai số trung bình bình phương sử dụng mạng Hybrid MLP sau 300 bước học 3 Hình PL.1.4: Sai số kiểm tra thay đổi theo số nơ-rôn ẩn của mạng Hybrid - MLP 3

Hình PL.1.5: Kết quả sai số trung bình bình phương sử dụng mạng Elman sau 300 bước học 4 Hình PL.1.6: Sai số kiểm tra thay đổi theo số nơ-rôn ẩn khi sử dụng mạng Elman 5 Hình PL.1.7: Kết quả sai số trung bình bình phương sử dụng mạng Hybrid - Elman sau 300 bước học 6 Hình PL.1.8: Sai số kiểm tra thay đổi theo số nơ-rôn ẩn khi sử dụng mạng Elman 6 Hình PL.1.9: Kết quả sai số trung bình bình phương sử dụng mạng RBF sau 300 bước học 7 Hình PL.1.10: Kết quả sai số trung bình bình phương sử dụng mạng Hybrid - RBF sau 300 bước học 8 Hình PL.1.11: Kết quả sai số trung bình bình phương sử dụng mạng BRTree sau 300 bước học 9 Hình PL.1.12: Kết quả sai số trung bình bình phương sử dụng mạng Hybrid - BRTree sau

300 bước học 10

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Dự báo thời tiết nói chung và dự báo một số thông số khí tượng nói riêng có ý nghĩa quan trọng trong việc phát triển kinh tế - xã hội và đời sống con người nhằm hạn chế và phòng chống thiên tai, thiết lập kế hoạch sản xuất, khai thác tiềm năng khí hậu,… dự báo thông số khí tượng diện rộng ngày càng được quan tâm và nghiên cứu rộng rãi, kết quả dự báo thông số khí tượng là cơ sở để đưa ra các bản tin dự báo thời tiết được chính xác Bài toán dự báo thông số khí tượng là một bài toán hết sức phức tạp, do chưa hiểu hết được bản chất vật lý của các thông số khí tượng dẫn tới những khó khăn trong việc xây dựng các phương pháp dự báo

Bài toán dự báo thông số khí tượng ngắn hạn được đánh giá là phức tạp so với các bài toán khác Kết quả dự báo ngắn hạn chính xác sẽ hỗ trợ việc đưa ra các bản tin thời tiết chính xác nhằm đảm bảo phát triển kinh tế - xã hội ở khu vực dự báo được hiệu quả, thuận lợi Kết quả dự báo này cũng có thể nhanh chóng và dễ dàng kiểm chứng do không cần phải chờ đợi dài ngày Đã có rất nhiều mô hình giải pháp được đề xuất, ứng dụng trong công tác dự báo thông số khí tượng hiện nay tựu chung ở 2 nhóm giải pháp chính là: nhóm giải pháp thương mại và nhóm giải pháp nghiên cứu (đang ở mức độ nghiên cứu, mô phỏng)

Nhóm giải pháp thương mại có một số hạn chế:

• Không chủ động được về công nghệ, thuật toán, giải pháp, các hạ tầng kèm theo;

• Các phần mềm của nước ngoài thường có yêu cầu phức tạp về thông tin đầu vào (ảnh vệ tinh, hệ thống đo trên nhiều tầng khí quyển,…), chi phí thu thập thông tin cao, các hệ thống tính toán cấu hình lớn (yêu cầu máy chủ mạnh hoặc mạng nhiều máy tính song song), sử dụng phức tạp;

• Không chủ động trong việc điều chỉnh các thông số, điều chỉnh các yêu cầu của người sử dụng tại địa phương,

Nhóm giải pháp nghiên cứu, chưa có một giải pháp nào được coi là chuẩn và áp dụng hiệu quả cho mọi đối tượng Một trong những nguyên nhân chính của vấn đề

này là do ở mỗi vùng, mỗi khu vực các thông số khí tượng phụ thuộc khác nhau vào các số liệu trong quá khứ Sự khác nhau này đòi hỏi phải điều chỉnh lại các thông số của một mô hình đã được lựa chọn nào đó hoặc đến mức độ phải xây dựng một mô hình hoàn toàn mới Do đó, đối với từng khu vực dự báo cần phải xác định lại các thông số của mô hình dự báo hoặc đề xuất mô hình dự báo mới cho phù hợp hơn

Để khắc phục những tồn tại trên, luận án đề xuất:

• Xây dựng giải pháp cho hai bài toán dự báo và ước lượng thông số khí tượng phổ biến là: mô hình dự báo ngắn hạn thông số khí tượng dựa vào kết quả đo trong quá khứ và mô hình ước lượng thông số khí tượng dựa trên kết quả đo của các trạm quan trắc lân cận;

• Các giải pháp hướng tới mục tiêu: thông tin đầu vào ít, dễ thu thập ở điều kiện Việt Nam nhưng vẫn đảm bảo được độ chính xác phù hợp, chủ động trong thuật toán để thuận tiện cho các việc điều chỉnh mô hình nhằm tối ưu hóa theo số liệu địa phương

Các mô hình dự báo hướng tới mục tiêu và đạt yêu cầu:

• Dự báo được thông số khí tượng cho nhiều địa điểm;

• Thu thập số liệu không quá phức tạp;

• Hạ tầng tính toán không cần quá cao;

• Làm chủ được công nghệ xây dựng mô hình dự báo và ước lượng thông số khí tượng

3 Đối tượng và phạm vi nghiên cứu

3.1 Đối tượng nghiên cứu

• Các mô hình ước lượng phi tuyến ứng dụng trong bài toán dự báo và bài toán ước lượng;

• Bộ số liệu do Đài Khí tượng và Thủy văn Khu vực Đồng bằng Bắc Bộ cung cấp gồm:

­ Các 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 và số giờ nắng trong ngày;

­ Địa điểm quan trắc: 07 địa điểm tại trung tâm tỉnh Thái Bình, Hưng Yên, Bắc Ninh, Quảng Ninh, thị xã Chí Linh, thành phố Hải Phòng và thành phố Hải Dương;

­ Thời gian quan trắc: từ 01/01/2010 đến 31/12/2015

• Phần mềm mô phỏng sử dụng trong luận án: Matlab 7.11 (R2010b) và thư viện LS-SVM1.8;

3.2 Phạm vi nghiên cứu

• Nghiên cứu về lý thuyết và các mô hình dự báo thông số khí tượng; các mô hình ứng dụng mạng nơ-rôn nhân tạo trong bài toán ước lượng, dự báo thông số khí tượng;

• Xây dựng mô hình mạng nơ-rôn dự báo, ước lượng thông số khí tượng (nhiệt độ, độ ẩm lớn nhất, nhỏ nhất trong ngày) cho địa bàn thành phố Hải Dương và thị xã Chí Linh dựa trên kết quả đo trong quá khứ và các điểm quan trắc lân cận

4 Phương pháp nghiên cứu

• Thu thập số liệu: các bộ số liệu đo của các trạm quan trắc ở các khu vực lân cận thành phố Hải Dương như tỉnh Thái Bình, Hưng Yên, Bắc Ninh, Chí Linh, Quảng Ninh và thành phố Hải Phòng

• Thực nghiệm: đánh giá độ chính xác của các mô hình trên các bộ số liệu cụ thể đã thu thập, phân tích các nguồn sai số để đề xuất giải pháp khắc phục

5 Ý nghĩa khoa học và thực tiễn của đề tài

5.2 Ý nghĩa thực tiễn của đề tài

Bài toán dự báo thông số khí tượng có ý nghĩa thực tiễn trong việc phát triển kinh tế - xã hội và đời sống con người, biết được thông số khí tượng sẽ hạn chế và phòng chống thiên tai, thiết lập kế hoạch sản xuất, khai thác tiềm năng khí hậu Phương pháp mới của luận án sẽ góp phần bổ sung số lượng các giải pháp để tạo điều kiện cho việc lựa chọn ứng dụng thực tế được dễ dàng hơn Phương pháp chỉ yêu cầu sử dụng số liệu đo quan trắc trong quá khứ hoặc kết quả đo quan trắc ở các khu vực lân cận để dự báo, ước lượng thông số khí tượng nên việc thu thập số liệu cũng khá đơn giản, tính kinh tế cao

6 Những đóng góp của luận án

Luận án có đóng góp sau:

• Đã đề xuất mô hình lai gồm khối tuyến tính và máy học véc-tơ hỗ trợ (SVM) để áp dụng cho các bài toán ước lượng phi tuyến Mô hình lai này

có độ chính xác cao hơn mô hình SVM và một số mô hình phi tuyến khác;

• Sử dụng mô hình lai đề xuất để xây dựng giải pháp có độ chính xác cao cho bài toán dự báo thông số khí tượng dựa trên kết quả đo trong quá khứ;

• Sử dụng mô hình lai đề xuất để xây dựng giải pháp có độ chính xác cao cho bài toán ước lượng thông số khí tượng dựa trên kết quả đo của các trạm quan trắc lân cận

7 Bố cục của luận án

Luận án gồm phần mở đầu, 4 chương chính, phần kết luận và danh mục các tài liệu tham khảo cũng như các công trình đã công bố của luận án Chi tiết của các phần gồm:

Mở đầu: trình bày các vấn đề chung của luận án, tóm tắt về nội dung nghiên cứu, những đóng góp của luận án và bố cục của luận án

Chương 1 Tổng quan về các mô hình dự báo thông số khí tượng

Trong chương này sẽ trình bày tóm tắt một số mô hình dự báo thông số khí tượng đã được áp dụng trong điều kiện thực tế hiện nay Từ đó định hướng nghiên cứu của luận án và mô tả khái quát các bộ số liệu sử dụng trong luận án

Chương 2 Mô hình lai và ứng dụng trong các vấn đề mô hình hóa phi tuyến Luận án trình bày về mô hình lai gồm cơ chế làm việc của mô hình, phương pháp xây dựng mô hình phù hợp cho các bộ thông số và ứng dụng nó trong mô hình phi tuyến Mô hình lai có thể được xây dựng hiệu quả hơn do tách được quá trình xác định thành phần tuyến tính và quá trình xác định thành phần phi tuyến thành hai phần độc lập

Ngoài ra, luận án trình bày về SVM cho bài toán phân lớp, bài toán hồi quy và phương pháp LS-SVM, đặc biệt đã đề xuất sử dụng SVM trong mô hình lai để ước lượng hàm phi tuyến

Một ví dụ ứng dụng mô hình lai để ước lượng hàm phi tuyến đã được trình bày

để minh họa cho khả năng tốt của mô hình lai trong các vấn đề này

Chương 3 Xây dựng các giải pháp dự báo, ước lượng sử dụng mô hình lai Luận án trình bày cách xây dựng mô hình lai:

• Bài toán dự báo: phân tích, lựa chọn các đặc tính đầu vào cho mô hình, xây dựng mô hình xác định thành phần tuyến tính và phi tuyến;

• Bài toán ước lượng: xây dựng các kịch bản cho bài toán ước lượng thông số khí tượng dựa trên kết quả đo của các trạm quan trắc lân cận Với số liệu đo của 07 trạm quan trắc xây dựng kiểm tra chéo với các tập con, thực hiện kiểm tra thử nghiệm với 25 trường hợp chia thành 03

nhóm kịch bản khác nhau: sử dụng số liệu của 02; 03 và 04 trạm quan

trắc lân cận

Chương 4 Các kết quả tính toán và mô phỏng

Trình bày các kết quả nghiên cứu đã được đề xuất ở chương 3, đánh giá độ chính xác của các mô hình đã đề xuất

Tiếp theo là phần kết gồm các kết luận và kiến nghị của luận án với những vấn

đề cần nghiên cứu tiếp Cuối cùng là tài liệu tham khảo, các công trình đã công bố liên quan đến luận án và phần phụ lục

CHƯƠNG 1: TỔNG QUAN VỀ CÁC MÔ HÌNH DỰ BÁO

THÔNG SỐ KHÍ TƯỢNG 1.1 Đặt vấn đề

Tổng quan về các mô hình dự báo thông số khí tượng sẽ giúp NCS nghiên cứu, tìm hiểu và đánh giá được các mô hình dự báo đang được ứng dụng trên thế giới và Việt Nam từ đó chỉ ra những tồn cần khắc phục và đề xuất được mô hình, giải pháp mới phù hợp hơn để thực hiện được mục tiêu của luận án

Trong chương này của luận án trình bày tổng quan về các mô hình dự báo thông số khí tượng, các phương pháp dự báo thông số khí tượng, các mô hình dự báo đang được ứng dụng trên thế giới, ở Việt Nam và một số đề xuất nghiên cứu của luận án

1.2 Một số phương pháp dự báo thông số khí tượng

Với sự phát triển của khoa học kĩ thuật, rất nhiều mô hình thu thập, xử lý và

dự báo thông số khí tượng đã ra đời [12, 15, 16, 19, 24, 27] và được đưa vào ứng dụng trong dự báo nghiệp vụ tại nhiều trung tâm dự báo khí tượng trên thế giới Hiện nay, trên thế giới có rất nhiều nghiên cứu về phương pháp dự báo thông số khí tượng, các nghiên cứu này được chia làm một số nhóm phương pháp chính như sau:

• Phương pháp synopse [27]: Đây là phương pháp dự báo chính trong nghiệp

vụ ở nước ta hiện nay và nhiều nước trên thế giới Với kinh nghiệm phân tích các hình thế synopse kết hợp sử dụng các thông tin bổ trợ từ sản phẩm

dự báo của các mô hình số, ảnh mây vệ tinh, các dự báo viên đã đưa ra những bản tin dự báo tốt trong phần lớn các trường hợp Phương pháp này không đòi hỏi các điều kiện về số liệu và công cụ tính toán song lại có nhược điểm là mang tính chủ quan, phụ thuộc nhiều vào kinh nghiệm của các dự báo viên Riêng đối với mưa, sản phẩm là dự báo định tính về lượng mưa như mưa vừa, mưa to và mưa rất to,

• Phương pháp thống kê (Statistical methods) [22, 65, 79]: Ưu điểm của

phương pháp thống kê là mang tính chất khách quan, đơn giản, không đòi hỏi các điều kiện về số liệu ban đầu và công cụ tính toán, dễ xây dựng mô

hình cũng như sử dụng trong nghiệp vụ dự báo Tuy nhiên, phương pháp này có đặc điểm là coi những quá trình xảy ra ở hiện tại và tương lai đều tuân theo các qui luật thu được từ tập số liệu trong quá khứ, dẫn tới kết quả của mô hình dự báo phụ thuộc nhiều vào độ dài tập mẫu Độ chính xác của mô hình dự báo phụ thuộc rất nhiều vào việc lựa chọn nhân tố dự báo và quá trình xử lý số liệu Chuỗi số liệu quá dài sẽ chứa trong nó những qui luật mà hiện tại không có, chuỗi số liệu quá ngắn sẽ gây mất ổn định thống kê

• Phương pháp số trị (Numerical methods) [10, 27, 36]: Phương pháp này

dựa trên việc giải các phương trình toán học mô tả trạng thái của khí quyển

để đưa ra được các yếu tố thời tiết trong tương lai, cho phép dự báo các trường khí tượng thông qua việc tích phân các phương trình mô tả động lực học khí quyển một cách khách quan, tính được các biến khí tượng một cách định lượng Phương pháp dự báo số trị hiện nay có độ phân giải áp dụng cho từng khu vực đã được sử dụng ở nhiều nước trên thế giới, đặc biệt là các nước phát triển Chất lượng dự báo về hiện tượng mưa lớn cao hơn hai phương pháp trên và sản phẩm số của mô hình dự báo có thể đảm bảo yêu cầu của các mô hình dự báo thuỷ văn đối với lũ lụt, lũ quét Một trong những nhân tố quyết định gây nên sự hình thành và phát triển mưa lớn trong các hiện tượng thời tiết nguy hiểm như xoáy thuận nhiệt đới, dải hội tụ nhiệt đới, là đối lưu mây tích Các quá trình đối lưu này đóng vai trò quan trọng trong chu trình vận chuyển năng lượng của khí quyển và do đó phân

bố lại sự đốt nóng không đồng đều trên bề mặt trái đất Ngoài phụ thuộc vào độ hội tụ ẩm mực thấp, đối lưu mạnh còn phụ thuộc vào tính bất ổn định của khí quyển Và như chúng ta đã biết, các quá trình qui mô vừa như vậy chỉ có thể tính được bằng các mô hình số trị Chính vì vậy, ưu tiên phát triển phương pháp dự báo số trị mà trước hết áp dụng các mô hình số ở nước ta là một hướng đi nhằm tăng cường chất lượng dự báo Phương pháp

dự báo số trị có quy mô toàn cầu, khu vực được phát triển và ứng dụng mạnh mẽ trong dự báo thời tiết ở Mỹ, Úc, Nhật Bản, Liên bang Nga, các nước châu Âu,

• Phương pháp dự báo phối kết hợp (Ensemble forecast methods) [61, 83]:

Dự báo tổng hợp là một hướng mới đang được phát triển rất mạnh tại các trung tâm dự báo khí tượng nghiệp vụ trên thế giới Với việc coi khí quyển được cảm nhận và mô phỏng (bởi các quan trắc và các mô hình số trị) có bản chất là một hệ thống tập hợp thống kê thay vì là một hệ xác định, do đó đặc trưng thống kê của tập hợp các dự báo khác nhau sẽ cho kết quả tin cậy hơn của từng dự báo riêng biệt

1.3 Các mô hình dự báo thông số khí tượng được ứng dụng trên thế giới

Những nghiên cứu trên thế giới từ trước tới nay đã cho thấy tính ưu việt của các mô hình số trị, các mô hình này được chia thành bốn nhóm nhưng chủ yếu được chia làm hai loại cơ bản: các mô hình số trị toàn cầu và các mô hình số trị khu vực Sau đây là một số mô hình số trị toàn cầu và khu vực đã được nghiên cứu, phát triển

ở trong và ngoài nước

1.3.1 Mô hình số trị toàn cầu

a Mô hình RHMC [95 ]

Mô hình dự báo các trường số trị toàn cầu RHMC do cơ quan Khí tượng Thuỷ văn Liên bang Nga (RHMC) xây dựng và đưa vào dự báo nghiệp vụ với các hạn dự báo cách nhau 6h một lần từ 12h đến 240h (10 ngày) Mô hình có ký hiệu T85L31 Sản phẩm của mô hình là các trường dự báo của các yếu tố khí tượng sau:

• Nhiệt độ không khí: T C( ) ;

• Độ ẩm không khí tương đối: RH( )% ;

• Các thành phần gió kinh hướng và vĩ hướng: V m s( / );

• Lượng mưa trung bình (mm/12h)

Dự báo nghiệp vụ của RHMC bởi mô hình T85L31 được thực hiện hai lần trong ngày: 00 UTC (đối với hạn dự báo đến 84h) và 12 UTC (đối với hạn dự báo đến 240h)

b Mô hình GME của Đức [53]

Mô hình GME (Global Model for Europe) được Cơ quan Khí tượng Cộng hòa Liên bang Đức (DWD) đưa vào dự báo nghiệp vụ từ cuối năm 1999 (độ phân giải khoảng 60 km) GME là mô hình được xây dựng cho 06 biến là nhiệt độ, khí áp, hơi nước, nước lỏng trong mây và hai thành phần gió ngang

Hiện nay, GME thực hiện phân tích và dự báo hai lần trong ngày vào 00GMT (07h Việt Nam) và 12GMT (19h Việt Nam) với các hạn dự báo đến 48h (các kết quả dự báo cách nhau 03h) và 174h (các kết quả dự báo cách nhau 06h)

Ngoài ra DWD còn thực hiện các dự báo bằng mô hình GME với hạn dự báo đến 48h vào 18GMT (01h Việt Nam)

c Mô hình AVN của NCEP (Mỹ) [92]

AVN là mô hình phổ dự báo hạn ngắn toàn cầu của Trung tâm quốc gia Dự

báo môi trường Mỹ ( National Centers for Environmental Prediction - NCEP)

Hiện nay, trong dự báo nghiệp vụ AVN chạy bốn lần trong ngày ở các thời điểm 00GMT, 06GMT, 12GMT và 18GMT Điều kiện ban đầu cho mô hình lấy từ

hệ thống đồng hoá số liệu toàn cầu (Global Data Assimilation System – GDAS) Số

liệu phân tích này sẽ đưa thêm thông tin từ số liệu quan sát của phân tích trước đó nhờ phương pháp nội suy phổ thống kê (SSI) của Parrish và Derber (1991, 1992)

d Mô hình dự báo hạn vừa MRF của NCEP (Mỹ) [21]

MRF (Medium Range Forecast Model) là mô hình phổ sử dụng hệ toạ độ theo phương thẳng đứng Đây là một trong những mô hình dự báo với hạn dự báo lớn hơn 48h đầu tiên trên thế giới Mô hình MRF có độ phân giải ngang khoảng 150 km

và đã được đưa vào dự báo nghiệp vụ tại Mỹ từ năm 1995 Hiện nay, NCEP thực hiện dự báo hạn vừa và dài (đến 384h hay 16 ngày) bằng mô hình MRF Mô hình được chạy hai lần trong ngày (00GMT và 12GMT) Sản phẩm dự báo là các kết quả

dự báo cho các trường khí tượng toàn cầu cách nhau 12h Hàng loạt mô hình số trị khu vực như MM5, ETA, RAMS, WRF,… đều lấy các trường phân tích và dự báo của MRF làm điều kiện ban đầu và điều kiện biên

e Mô hình GFS (Global Forecasting System) [92]

GFS là mô hình phổ toàn cầu của Trung tâm Dự báo môi trường Mỹ National Centers for Environmental Predictions) GFS bắt đầu được đưa vào sử dụng nghiệp vụ tại trung tâm Khí tượng quốc gia NMC (National Meteorological Centre) tiền

(NCEP-thân của NCEP từ năm 1988 Mô hình thường xuyên được cải tiến và nâng cấp, cho đến nay mô hình có hai cấu hình: 1) Độ phân giải ngang là 35km, số mực theo chiều thẳng đứng là 64 (T382L64: cho dự báo 7,5 ngày -180 giờ) và 2) Độ phân giải ngang là 70 km,

số mực theo chiều thẳng đứng là 64 (T190L64: cho dự báo 16 ngày – 360 giờ)

Trường phân tích và dự báo của GFS được sử dụng miễn phí Tuy nhiên, các trường này có độ phân giải ngang thô hơn (~55km) với số mực thẳng đứng 42

f Mô hình GSM (Global Spectral Model) [93]

GSM là mô hình phổ toàn cầu của cơ quan Khí tượng Nhật Bản (JMA) GSM bắt đầu được đưa vào sử dụng nghiệp vụ tại JMA từ năm 1988

Các sản phẩm của mô hình:

• Miền dự báo được hiển thị: (5 − N 26 N, 98−125E) cho các trường bề mặt, (10 − S 40 N, 80−145E) cho các trường trên cao;

• Số lần có sản phẩm trong ngày: 2 lần (00Z (07), 12Z(19));

• Bước thời gian đưa ra sản phẩm: cách nhau 6 giờ;

• Số mực chuẩn đưa ra sản phẩm: bề mặt và 4 mực trên cao (850, 700, 500 và

200 hPa);

• Các trường phân tích và dự báo:

­ Tại bề mặt: áp suất mực biển, lượng mưa, nhiệt độ không khí tại độ cao 2 mét, gió tại độ cao 10 mét;

­ Tại các mực trên cao: độ xoáy, độ tán, tốc độ thẳng đứng, độ cao địa thế

tượng Thuỷ văn Federal – Belgrade cùng với Trung tâm Khí tượng quốc tế Mỹ xây dựng và được áp dụng cho đối tượng đặc biệt là khu vực có địa hình núi Mô hình ETA hiện nay được NCEP cải tiến trở thành một trong các mô hình số trị chạy nghiệp vụ dự báo ngắn hạn tại Mỹ

b Mô hình RAMS (Regional Atmospheric Modeling System) [67]

Phiên bản đầu tiên của mô hình RAMS ra đời vào năm 1993, là kết quả kết hợp của hai mô hình có những tính chất giống nhau: mô hình mây quy mô vừa – CSU của Tripoli và Cotton và mô hình mây thuỷ tĩnh của Tremback

c Mô hình HRM (High Resolution Regional Model) [90]

HRM là một mô hình số thuỷ tĩnh cho dự báo thời tiết khu vực hạn chế quy

mô vừa, sử dụng hệ phương trình nguyên thuỷ, bao gồm đầy đủ các quá trình vật lý như: bức xạ, mô hình đất, các quá trình rối trong lớp biên, tạo mưa quy mô lưới, đối lưu nông và đối lưu sâu Mô hình được phát triển tại Tổng cục Thời tiết Cộng hòa Liên bang Đức (DWD)

d Mô hình WRF (Weather Research and Forecasting) [97]

Mô hình WRF được hình thành bởi Trung tâm quốc gia Nghiên cứu Khí quyển Mỹ (National Center of Atmospheric Research-NCAR) với đóng góp của nhiều cơ quan khí tượng và đại học ở Hoa Kỳ cũng như trên thế giới Mô hình WRF đang được nhiều cơ quan chính phủ (như Nha Khí Tượng Hoa Kỳ và NASA) cũng như nhiều đại học danh tiếng ở Hoa Kỳ và các quốc gia khác trên thế giới như tại châu Âu, Hồng Kông và Đài Loan dùng làm dự báo thời tiết

e Mô hình MM5 [94]

Mô hình khí tượng động lực quy mô vừa MM5 là một trong những mô hình

thế hệ mới của NCAR và Trường Đại học Tổng hợp Pennsylvania Mỹ (PSU) MM5

đang được nhiều cơ quan chính phủ (như Nha Khí Tượng Hoa Kỳ và NASA) cũng như nhiều trường đại học danh tiếng ở Hoa Kỳ và các quốc gia khác trên thế giới như tại Âu Châu, Hồng Kông và Đài Loan dùng để làm dự báo thời tiết

MM5 là một mô hình số trị tương đối phức tạp và đòi hỏi khối lượng tính toán lớn nên hiện nay chương trình nguồn chỉ chạy trên các hệ máy tính mạnh như: SUN, IBM, CRAY, DEC hay PC với hệ điều hành LINUX hoặc hệ máy tính bó song song

Mô hình MM5 sử dụng hệ các phương trình thủy nhiệt động lực học bao gồm: phương trình chuyển động ngang, phương trình nhiệt động lực học, phương trình cho xu thế khí áp bề mặt, phương trình tính tốc độ thẳng đứng,… Ở Hồng Kông, Đài Loan mô hình MM5 được sử dụng như một công nghệ chính trong dự báo thời tiết Độ phân giải theo phương ngang từ 1km đến 2km Một phiên bản của MM5 (MM5-V3) đã được sử dụng trong mô phỏng các đợt mưa lớn ở Nam California (Mỹ) do ảnh hưởng của El Nino (1997-1998) được nhóm các nhà nghiên cứu Trường Đại học Tổng hợp California và Cục Khí tượng quốc gia LosAngeles thực hiện Lượng mưa quan trắc được trên các trạm thuộc Nam California được sử dụng

để đánh giá và kiểm nghiệm mô hình Kết quả cho thấy mô hình MM5 mô phỏng rất tốt vùng mưa lớn Tuy nhiên, lượng mưa dự báo thường cao hơn so với lượng mưa thực tế

1.4 Các mô hình dự báo khí tượng được ứng dụng ở Việt Nam

Cùng với sự phát triển mạnh mẽ của khoa học kỹ thuật nhất là trong lĩnh vực công nghệ thông tin và điện tử viễn thông, các mô hình dự báo khí tượng đã được xây dựng và ứng dụng vào nghiệp vụ dự báo thời tiết trong nhiều thập niên qua Đến nay các mô hình dự báo thông số khí tượng đã thực sự trở thành công cụ chủ yếu ở các nước phát triển như Mỹ, Nhật và một số nước châu Âu,… Qua nghiên cứu và tìm hiểu, hiện nay 100% các mô hình dự báo thời tiết đang nghiên cứu và khai thác ứng dụng tại Việt Nam đều được nhập ngoại, chủ yếu là sử dụng các mô hình số trị khu vực; cụ thể:

giải ngang là 14km, 40 mực thẳng đứng và bước thời gian là 90 giây) cho 2 phiên

dự báo hàng ngày vào 00UTC (7 giờ Việt Nam) và 12UTC (19 giờ Việt Nam) HRM là mô hình dự báo thời tiết đầu tiên được triển khai tại Việt Nam và đã được cải tiến nhiều lần trong những năm gần đây

1.4.2 Mô hình ETA

Mô hình ETA phiên bản 2001 đã được nghiên cứu từ năm 2002 và được đưa vào chạy thử nghiệm nghiệp vụ tại Trung tâm Dự báo Khí tượng Thủy văn Trung ương (TTDBTƯ) từ tháng 5-2003 Hiện tại, mô hình ETA đang được chạy nghiệp

vụ tại TTDBTƯ với độ phân giải xấp xỉ 20km với 38 mực thẳng đứng Các sản phẩm của ETA được cung cấp 2 lần một ngày cho đến hạn dự báo 72 giờ với điều kiện ban đầu và điều kiện biên được lấy từ mô hình toàn cầu GFS (Global Forecasting System) của Mỹ

1.4.3 Mô hình WRF

Mô hình WRF [3] chưa được sử dụng vào nghiệp vụ dự báo thời tiết ở Việt Nam song các nghiên cứu về mô hình này rất phong phú và đa dạng với nhiều hướng tiếp cận khác nhau, chẳng hạn trong nghiên cứu của mình nhóm tác giả [3] cho thấy WRF là mô hình cho phép thực hiện những mô phỏng lý tưởng xoáy thuận nhiệt đới khá thuận lợi Bằng công cụ này có thể mô phỏng được nhiều quá trình xảy ra trong xoáy thuận nhiệt đới, đồng thời mở ra hướng nghiên cứu sâu hơn về xoáy thuận nhiệt đới cũng như áp dụng bài toán hóa xoáy cho mô hình dự báo bão Hiện nay, mô hình đang được nghiên cứu và áp dụng thử nghiện dự báo ở trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, Viện Khoa học KTTV và Môi trường Trung tâm Dự báo KTTV TW

1.4.4 Mô hình RAMS

Mô hình RAMS: được tiếp nhận về Việt Nam thông qua đề tài KHCN

KC09-04 [7] và đã chạy ở chế độ nghiệp vụ tại Khoa Khí tượng Thủy văn và Hải Dương học Theo nhóm tác giả RAMS đã chứng tỏ được khả năng dự báo tốt trong nhiều trường hợp mưa lớn, bão và các hiện tượng thời tiết nguy hiểm như dông

1.4.5 Mô hình MM5

Mô hình MM5 (version 1.0) [2] được sử dụng tại Việt Nam từ năm 1996

Tuy nhiên do khó khăn về cơ sở hạ tầng máy tính đến năm 2000 mô hình MM5 mới được chạy thử nghiệm đầu tiên trên máy tính SUN Ultra Workstation ở bộ môn Khí tượng Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia Hà Nội Cho đến nay mô hình MM5 đã được nghiên cứu và thử nghiệm ở nhiều hướng khác nhau các thử nghiệm đều tạo ra sản phẩm dự báo ngày một phong phú hơn Hiện tại, mô hình MM5 được chạy một lần trong ngày với các trường phân tích và dự báo bắt đầu từ 07h hàng ngày Khoảng 12h hàng ngày mô hình hoàn tất các sản phẩm dự báo cho hai miền tính với hạn dự báo đến 72h Các dự báo được thực hiện trên máy tính song song với 16 CPU của Viện Khoa học Khí tượng Thuỷ văn và Môi trường Một số thông số dự báo của mô hình MM5:

• Nhiệt độ ngày là nhiệt độ cao nhất từ 07h đến 19h;

• Nhiệt độ đêm là nhiệt độ thấp nhất từ 19h đến 07h;

• Lượng mưa ngày là tổng lượng mưa từ 07h đến 19h;

• Lượng mưa đêm là tổng lượng mưa từ 19h đến 07h;

• Các mô hình nước ngoài thường có yêu cầu cao về thông tin đầu vào (ảnh

vệ tinh, hệ thống đo trên nhiều tầng khí quyển,…) mà chúng ta cũng không chủ động được;

• Các hệ thống tính toán cấu hình lớp (máy chủ, hệ điều hành) phức tạp và tốn kém,…

1.5 Một số mô hình dự báo thông số khí tượng dùng mạng nơ rôn

Mạng nơ-rôn nhân tạo (Artificial Neural Networks-ANN) là một trong những

công cụ mô hình hóa phi tuyến được sử dụng phổ biến hiện nay do nhiều ưu điểm nổi bật như: có thuật toán học để điều chỉnh tự động các thông số của mạng để

giảm sai số trên bộ số liệu mẫu, có thể lựa chọn cấu trúc đơn giản hoặc phức tạp

để phù hợp với đối tượng mô phỏng [35, 48, 51, 60, 75] Có nhiều dạng mạng đã

được đề xuất và ứng dụng như mạng MLP (Multi Layer Perceptron), mạng Hopfield, mạng Elman, mạng RBF (Radial Basis Function), mạng lô-gic mờ [49,

50, 63, 77, 78] gần đây là các mạng Deep Learning [57] Các ứng dụng trong mô hình phi tuyến nói chung và trong các bài toán dự báo thông số thời tiết, khí tượng, môi trường cũng rất phong phú Có thể kể tới các công trình sau:

Công trình [14] đề xuất sử dụng mạng MLP 3 lớp để dự báo lượng mưa ở huyện Udupi của tỉnh Karnataka, Ấn Độ Thông số đầu vào là độ ẩm trung bình, tốc

độ gió trung bình của 8 tháng từ tháng 4 đến tháng 11 của 50 năm (1960-2010) Kết quả sai số trung bình bình phương MSE=0,42mm/m2

Trong [13] đề xuất sử dụng mạng nơ-rôn nhân tạo (ANN) để dự báo nhiệt độ lớn nhất của ngày trong năm Kết quả sai số tốt nhất MSE=0,201 sử dụng 1460 mẫu

16 nơ-rôn ẩn

Công trình [17] đề xuất sử dụng mạng nơ-rôn (MLP) để dự báo nhiệt độ, các

số liệu thu thập để dự báo nhiệt độ gồm: áp suất khí quyển, nhiệt độ, tốc độ và hướng gió, độ ẩm và lượng mưa Sai số dự báo trung bình là ,0 7 C

Mạng MLP được đề xuất sử dụng trong [29] để dự báo nhiệt độ lớn nhất, nhỏ nhất các tháng mùa hè (tháng 6, tháng 7, tháng 8) ở Ấn Độ giai đoạn 1901 đến

2003 Sử dụng bộ số liệu của Viện Khí tượng Ấn Độ và cho kết quả tốt nhất khi dự báo tháng 8 với sai số nhỏ hơn 5%

Bài báo [41] dự báo dữ liệu khuyết thiếu của trạm đo trữ lượng gió sử dụng mạng nơ-ron lô-gic mờ ANFIS ở Eskisehir của Thổ Nhĩ Kỳ, ghi lại kết quả đo dữ liệu tốc độ gió trung bình từ tháng 7 năm 2005 đến tháng 8 năm 2006 Chọn 3 hoặc

5 ngày ngẫu nhiên trong một tháng, sau đó loại những ngày dữ liệu này ra, dữ liệu còn lại sẽ được dùng để học trong mạng nơ-rôn logic mờ; Kết quả cho thấy có thể tái tạo lại được số liệu thiếu hụt với hệ số tương quan trung bình là 0,98

Nghiên cứu trong [20] sử dụng mạng nơ-rôn MLP dự báo lượng mưa và lưu lượng mưa của sông Bedup ở Sarawak, Malaysia Số liệu đầu vào là lượng mưa và lưu lượng

từ năm 2000 đến năm 2004 do Sở Thủy lợi ở Sarawak, Malaysia thực hiện Kết quả dự báo lượng mưa với độ chính xác 96,4%, mực nước sông cho độ chính xác 85,3%

Các tác giả của [38, 39] nghiên cứu ứng dụng mạng nơ rôn MLP dự báo ngắn hạn nhiệt độ ở thành phố Kermanshah phía Tây Iran Bộ số liệu sử dụng để học và kiểm tra 10 năm (1996-2006) Thông số đầu vào là nhiệt độ, tốc độ gió, độ ẩm, áp suất, số giờ nắng, bức xạ nhiệt; đầu ra là nhiệt độ Kết quả kiểm tra của các ngày không xuất hiện trong quá trình học cho thấy sai số thấp hơn ,1 3 C Bài báo [24] tìm hiểu tổng quan một số phương pháp như mạng MLP, chuỗi Markov ẩn, qua

đó kết luận mạng nơ-rôn là phương pháp hiệu quả cho bài toán dự báo thông số khí tượng [81] sử dụng mạng MLP với các số liệu số liệu từ 1/2012 đến 12/2015 tại Bangkok (Thái Lan) gồm 8 số liệu trung bình theo ngày (nhiệt độ, độ ẩm, lượng mưa, áp suất khí quyển, số giờ nắng, vận tốc gió trung bình, hướng gió, vận tốc gió lớn nhất) để dự báo nhiệt độ trung bình ngày Kết quả học: độ chính xác là 81,48% kết quả kiểm tra có độ chính xác là 73,79%

Bài báo [56] đề xuất sử dụng mạng RBF để dự báo thời tiết trong 24h ở phía Nam Saskatchewan, Canada Sử dụng bộ thông số gồm nhiệt độ, độ ẩm và tốc độ gió hàng giờ trong năm 2001 để huấn luyện và kiểm tra chất lượng mô hình mạng Tác giả xây dựng 4 mô hình độc lập cho từng mùa xuân/hạ/thu/đông Kết quả được đánh giá, so sánh với mô hình mạng nơ-rôn MLP, ERNN, HFM và mô hình dự báo dùng mạng nơ-rôn RBF cho kết quả tốt hơn các mạng khác được so sánh Sai số cho mùa đông là thấp nhất, cho mùa hè là cao nhất Cũng chính tác giả này [55] đã trình bày thực nghiệm tính ứng dụng của mô hình Hopfield (HFM) để dự báo thời tiết ở miền Nam Saskatchewan, Canada Kết quả của mô hình đề xuất tương ứng với kết quả đã đạt được trước đó khi sử dụng các mô hình mạng MLP, Elman và RBF Các

số liệu nhiệt độ, tốc độ gió và độ ẩm tương đối được sử dụng để huấn luyện và kiểm tra chất lượng 4 mô hình trên Với mỗi mô hình, dự báo trước 24 giờ đã được thực hiện cho mùa đông, mùa xuân, mùa hè và mùa thu Kết quả dự báo 24 giờ cho các ngày tiêu biểu của mùa là 26/2/2001, 6/5/2001, 7/8/2001, 10/10/2001 cho thấy mạng HFM cho kết quả dự báo ít chính xác hơn so với mạng MLP, RBF, Elman Tác giả trong [71] đề xuất sử dụng phối hợp 2 mạng MLP và RBF, kết quả bằng trung bình cộng 2 mạng để dự báo nhiệt độ trung bình ngày Độ tương quan giữa kết quả đầu ra và kết quả thực tế là 95,0%

Tác giả [77] đề xuất sử dụng mạng nơ-rôn nhân tạo để dự báo thời tiết Kết quả dự báo được so sánh với hệ thống dự báo của Box-Jenkins với độ chính xác

tương đối được cải thiện tới 13,0% Các tác giả trong [81] đã sử dụng thuật toán FWA (Fireworks Algorithm) của Ying Tan để dự báo nhiệt độ Tuy nhiên độ chính xác trung bình mới đạt được là 73,79% trên các số liệu kiểm tra

Bài báo [82] đề xuất mô hình dự báo thông số khí tượng bằng SVM Sử dụng

bộ dữ liệu thu thập từ Đại học Cambridge trong khoảng thời gian 5 năm 2007) Đánh giá chất lượng mô hình tác giả sử dụng mạng MLP và SVM để dự báo, kết quả dùng SVM (MSE=7,06) cho kết quả tốt hơn mạng MLP (8,10) Bài báo [68]

(2003-đề xuất sử dụng mô hình mạng LS-SVM để dự báo lượng nước bốc hơi (EL) trong

hồ chứa Đầu vào của mô hình LS-SVM là nhiệt độ không khí trung bình (T) (° C), tốc độ gió trung bình (WS) (m/s), giờ nắng (SH) (giờ/ngày) và độ ẩm trung bình (RH) (%) Trong nghiên cứu tác giả so sánh mô hình LS-SVM và mạng nơ-ron nhân tạo (ANN) cho bài toán dự báo lượng nước bốc hơi Kết quả mô hình mạng LS-SVM (RMSE=0,54) cho kết quả tốt hơn ANN (0,87);

Về nhóm các giải pháp sử dụng công cụ Deep Learning (chủ yếu là với mạng

CNN – Convolutional Neural Network) cũng có một số công trình đã được đề xuất

Ví dụ như trong [36], các tác giả đã tìm hiểu tổng quan về khả năng áp dụng mạng

CNN và các thuật toán Deep Learning cho các bài toán dự báo chuỗi thời gian nhằm minh chứng khả năng có thể áp dụng các giải pháp này cho dự báo chuỗi thời gian Công trình [48] sử dụng đầu vào là số liệu mẫu một số véc-tơ trạng thái của khí quyển toàn cầu được chia theo lưới 80km, lấy liên tục từ 1979 (số liệu của Liên minh Châu Âu) Đầu ra là các thông số khí tượng tại 5 địa điểm (ứng với 5 sân bay) trong khu vực (Hà Lan: 2 sân bay), Ai-rơ-len (1), Italia (1), Áo (1) Quá trình học sử dụng 80% số liệu, phần còn lại để kiểm tra Thông số thử nghiệm đầu tiên là lượng mưa đạt độ chính xác (cho 5 địa điểm) từ 72,6% đến 88,2% Bài báo [48] thử nghiệm sử dụng mạng CNN trong dự báo năng lượng gió Số liệu từ 57 trạm quan trắc tại bờ Đông nước Mỹ, từ 6/1/2014 tới 20/2/2014 Sai số MAE của các mô hình đạt từ 1,18 đến 2,14m/s (với bộ số liệu ngắn như đã nêu) Công trình [57] dùng mạng LSTM + CNN với đầu vào là nhiệt độ trung bình của 7 ngày cuối để dự báo Sai số học trung bình (cho bộ số liệu nhiều năm) là 2,65 C (không có thông tin về

sai số kiểm tra)

Phần tổng quan ở chương I đề cập tới 2 nhóm giải pháp: một là nhóm các giải pháp thương mại đang được sử dụng trong thực tế, hai là nhóm các giải pháp (đang ở

mức độ nghiên cứu, mô phỏng) được giới thiệu trong các tài liệu tham khảo Đối với các giải pháp thương mại, do đều là các phần mềm mã nguồn đóng nên không có được đầy đủ các thông tin về giải pháp ứng dụng bên trong Nhược điểm chung của các giải pháp này là yêu cầu cao về thông số đầu vào và hạ tầng tính toán, giá thành cao, khó chủ động cập nhật hoặc điều chỉnh theo các yêu cầu của địa phương Đối với các giải pháp tổng hợp từ các bài báo khoa học, NCS đã tìm hiểu và trình bày nhiều hơn về các

mô hình toán học cũng như một số thông số được các tác giả đưa ra Tuy nhiên, khó khăn chung khi so sánh đó là mỗi mô hình được sử dụng cho các địa điểm khác nhau, thông số đầu vào, đầu ra và các thông số của môi hình cũng khác nhau theo từng công trình đã công bố cũng khác nhau Vì vậy các so sánh mới dừng ở mức độ nhất định

1.6 Đề xuất của luận án

Trong các nghiên cứu của luận án, NCS mong muốn xây dựng một giải pháp

dự báo thông số khí tượng cho địa bàn tỉnh Hải Dương

Hải Dương là một tỉnh nằm ở trung tâm châu thổ sông Hồng (hình 1.1), có tổng diện tích 1.651,85km2, dân số 1.703.492 người, cách thủ đô Hà Nội 60km, Hải Phòng 55km, thành phố Hạ Long - Quảng Ninh 80km Về khí hậu, Hải Dương nằm

ở trung tâm đồng bằng Bắc Bộ, tọa độ địa lý từ 20o41’10’’ đến 21o14’20’’ vĩ độ bắc, từ 106o07’20’’ đến 106o36’35’’ kinh độ đông [11]

• Phía bắc giáp tỉnh Bắc Giang;

• Phía nam giáp tỉnh Thái Bình;

• Phía đông và phía đông nam giáp thành phố Hải Phòng;

• Phía tây và phía tây nam giáp tỉnh Hưng Yên;

• Phía tây bắc giáp tỉnh Bắc Ninh;

• Phía đông bắc giáp tỉnh Quảng Ninh

Hải Dương nằm ở vùng nhiệt đới khí hậu gió mùa, chia làm 4 mùa rõ rệt (xuân, hạ, thu, đông) Lượng mưa trung bình năm 1.300-1.700mm Nhiệt độ trung bình năm 23,3C, số giờ nắng trong năm 1.524 giờ; độ ẩm tương đối trung bình

85%-87% Khí hậu thời tiết thuận lợi cho sản xuất nông nghiệp bao gồm cây lương thực, thực phẩm và cây ăn quả đặc biệt là sản xuất cây rau mùa đông

Hải Dương được chia làm 2 vùng: vùng đồi núi và vùng đồng bằng Vùng đồi núi nằm ở phía Bắc tỉnh, chiếm 15,91% diện tích tự nhiên gồm 13 xã thuộc thị xã Chí Linh

và 18 xã thuộc huyện Kinh Môn; là vùng đồi núi thấp, phù hợp với việc trồng cây ăn quả, cây lấy gỗ và cây công nghiệp ngắn ngày Vùng đồng bằng còn lại chiếm 84,09% diện tích tự nhiên do phù sa sông Thái Bình bồi đắp, đất màu mỡ, thích hợp với nhiều loại cây trồng, sản xuất được nhiều vụ trong năm Hệ thống quan trắc khí tượng của tỉnh Hải Dương đã được quan tâm và đầu tư các thiết bị kỹ thuật thu thập, các phần mềm chuyên dụng Tuy nhiên, việc thu thập, phân tích và dự báo thông số khí tượng còn làm thủ công, các trang thiết bị còn thô sơ, kết quả quan trắc phụ thuộc nhiều vào quan trắc viên như đọc số liệu, ghi chép, lấy mẫu, phân tích, tần suất thu thập và đánh giá,

Hình 1.1: Bản đồ vị trí địa lý tỉnh Hải Dương

Hải Dương là tỉnh có diện tích rừng, diện tích đất phục vụ công nghiệp và nông nghiệp Việc dự báo chính xác thông số khí tượng (làm cơ sở để dự báo thời tiết) tại địa bàn tỉnh Hải Dương là cần thiết (như dự báo để cảnh báo cháy rừng, phát triển du lịch, công nghiệp, nông nghiệp và làng nghề,…)

Việc áp dụng các mô hình dự báo thông số khí tượng tiên tiến hiện nay không phù hợp với điều kiện ở Hải Dương do:

• Kinh phí thu thập số liệu quá lớn

• Hạ tầng máy tính và công nghệ thông tin không đáp ứng

• Không chủ động về công nghệ nên khó điều chỉnh các thông số của mô hình cho phù hợp với tỉnh Hải Dương

Để khắc phục những tồn tại trên luận án đề xuất giải pháp thực hiện các nhiệm

vụ sau:

• Dự báo thông số khí tượng cho nhiều địa điểm;

• Thu thập số liệu không quá phức tạp;

• Hạ tầng máy tính không cần quá cao;

• Xây dựng các mô hình ước lượng và dự báo phù hợp với thực tế tại Hải Dương

1.7 Kết luận chương 1

Chương 1, luận án đã trình bày tổng quan về các mô hình dự báo thông số khí tượng hiện đang được ứng dụng trên thế giới và ở Việt Nam Các mô hình, giải pháp dự báo thông số khí tượng được chia làm 04 nhóm phương pháp dự báo chính: nhóm phương pháp Synopse, phương pháp thống kê, phương pháp số trị và nhóm phương pháp dự báo tổng hợp Các nhóm phương pháp này được triển khai ứng dụng trong thực tế dưới dạng mô hình, giải pháp thương mại và mô hình, giải pháp

ở dạng nghiên cứu khoa học (ở mức độ nghiên cứu, mô phỏng)

• Nhóm giải pháp thương mại

Nhóm này được sử dụng khá phổ biến trên thế giới cũng như ở Việt Nam hiện nay, tập trung là các mô hình dự báo số trị (các mô hình số trị toàn cầu và mô hình

số trị khu vực) Nhóm giải pháp này có khả năng dự báo tương đối chính xác, tuy nhiên còn một số tồn tại như:

­ Sử dụng hệ thống “đóng” nên không có được đầy đủ các thông tin về giải pháp ứng dụng bên trong;

­ Thường có yêu cầu cao về thông số đầu vào và hạ tầng tính toán;

­ Chi phí ban đầu và chi phí vận hành, bảo dưỡng lớn;

­ Không chủ động cập nhật hoặc điều chỉnh hệ thống cho phù hợp theo các yêu cầu của địa phương

• Nhóm giải pháp được nghiên cứu và công bố

Nhóm giải pháp này tập trung là các mô hình, giải pháp ứng dụng mạng nơ-rôn

để dự báo thông số khí tượng Các mô hình mạng nơ-rôn hay được sử dụng để dự báo như mạng MLP, HFM, Elman, RBF, mạng lô-gic mờ, kỹ thuật phân lớp SVM, phương pháp Deep Learning Giải pháp dùng mạng nơ-rôn đề dự báo có đặc điểm:

­ Các mạng nơ-rôn có thuật toán học để điều chỉnh tự động các thông số của mạng theo hướng giảm sai số trên tập số liệu mẫu

­ Có thể lựa chọn cấu trúc đơn giản hoặc phức tạp để phù hợp với đối tượng cần dự báo

Tuy nhiên, nhóm giải pháp này có một số tồn tại như:

­ Các mô hình, giải pháp đều được điều chỉnh cho một bộ số liệu cụ thể (cho một khu vực cụ thể), không có mô hình tổng quát;

­ Các thông số đầu vào, đầu ra, các thông số của mô hình cũng khác nhau theo từng công trình đã công bố Nhiều thông số, nhiều bước thuật toán không được đề cập rõ ràng;

­ Việc đánh giá, so sánh gặp nhiều khó khăn

Từ yêu cầu xây dựng giải pháp dự báo một số thông số khí tượng cho địa bàn tỉnh Hải Dương (địa phương có hệ thống trạm quan trắc còn thực hiện thô sơ và thủ công), luận án đã đề xuất giải pháp để hỗ trợ công tác dự báo thông số khí tượng tại địa phương Giải pháp này hướng tới các yêu cầu:

­ Dự báo được thông số khí tượng cho nhiều địa điểm;

­ Thu thập số liệu không quá phức tạp;

­ Hạ tầng tính toán không cần quá cao;

­ Làm chủ được công nghệ xây dựng mô hình dự báo và ước lượng thông

số khí tượng;

­ Xây dựng được mô hình ước lượng và dự báo phù hợp với thực tế tại Hải Dương

Chương 2: MÔ HÌNH LAI VÀ ỨNG DỤNG TRONG CÁC

VẤN ĐỀ MÔ HÌNH HÓA PHI TUYẾN 2.1 Giới thiệu chung

Bài toán dự báo và ước lượng là hai trường hợp đặc biệt của các mô hình ánh

xạ phi tuyến giữa đầu vào và đầu ra [60, 62, 73] Đã có rất nhiều các mô hình toán học lý thuyết cũng như thực nghiệm được đề xuất và ứng dụng cho ánh xạ phi tuyến nói chung và cho các bài toán dự báo và ước lượng nói riêng [84, 87, 88] Theo [5], một dạng mô hình lai như trên hình 2.1 đã được đề xuất để dự báo ngắn hạn phụ tải

điện và cho kết quả khả quan như sai số 0,88% khi ước lượng P max và 4,4% khi ước

lượng P min Trong đó, để ước lượng một đại lượng phi tuyến tác giả [5] đã sử dụng một hệ gồm hai khối phối hợp song song (gọi là hệ lai), trong đó khối ước lượng phi tuyến sử dụng mạng MLP và khối tuyến tính Trên sơ đồ cấu trúc hình 2.1, véc-tơ

tín hiệu đầu vào là x, tín hiệu đầu ra là d và là tổng của hai thành phần ước lượng:

ước lượng tuyến tính và ước lượng phi tuyến

Hình 2.1: Cấu trúc của mô hình lai [5]

Trong [71], các tác giả đã đề xuất sử dụng đồng thời hai mạng MLP và RBF để dự báo nhiệt độ khí tượng, tuy nhiên giải pháp tổng hợp kết quả là lấy giá trị trung bình từ đầu ra của hai mạng Độ tương quan giữa kết quả dự báo và kết quả thực tế mới đạt 95% Mặc dù MLP là một mạng nơ-rôn rất kinh điển và có nhiều ứng dụng trong các nghiên cứu khác nhau của nhiều tác giả [13, 30, 37], tuy nhiên đã có nhiều công trình

nghiên cứu chứng minh rằng công cụ máy học véc-tơ hỗ trợ SVM (Support Vector Machines) có khả năng tốt hơn không chỉ trong các bài toán nhận dạng và phân loại các

mẫu rời rạc mà còn trong cả các bài toán ước lượng các hàm phi tuyến [70, 76, 85] Vì vậy, trong luận án này NCS đề xuất sử dụng SVM để làm công cụ xác định thành phần

phi tuyến trong mô hình lai Các kết quả tính toán và mô phỏng cho thấy mô hình lai sử dụng SVM cho kết quả tốt hơn mô hình lai sử dụng mạng MLP, tốt hơn khi sử dụng riêng lẻ SVM và cũng tốt hơn một số mô hình dự báo thông số thời tiết kinh điển

Mục tiêu của luận án là sẽ xây dựng hai mô hình lai: mô hình thứ nhất để dự báo nhiệt độ, độ ẩm lớn nhất và nhỏ nhất trong ngày tiếp theo (d+1)của ngày hiện

tại d dựa trên các số liệu quá khứ cho đến ngày d là các thông số khí tượng đo được

hàng ngày bằng các thiết bị tại các trạm quan trắc; mô hình thứ hai để ước lượng nhiệt độ, độ ẩm lớn nhất và nhỏ nhất tại vị trí không có trạm quan trắc dựa trên các giá trị đo ở các trạm quan trắc lân cận

Các mô hình sẽ được đánh giá chất lượng thông qua các chỉ số sau trên các tập

số liệu mẫu sử dụng trong luận án:

• Trung bình sai số tuyệt đối (MAE – Mean Absolute Error)

1

p i i

e MAE

e MRE

e e SD

với p −số mẫu, ei = yi− − di sai số của mẫu thứ i, e−trung bình của sai số

trên toàn bộ tập mẫu 1

p i i

e e

p

=

= 