XÂY DỰNG ỨNG DỤNG HIỆU CHỈNH dữ LIỆU và dự báo các yếu tố KHÍ TƯỢNG

ĐẠI HỌC QUỐC GIA TP HCM
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN
---- * ----

Võ Đoàn Như Khánh

XÂY DỰNG ỨNG DỤNG HIỆU CHỈNH DỮ LIỆU VÀ
DỰ BÁO CÁC YẾU TỐ KHÍ TƯỢNG
LUẬN VĂN THẠC SĨ, LUẬN VĂN CAO HỌC
NGÀNH: CÔNG NGHỆ THÔNG TIN
Mã số: 60480201
NGƯỜI HƯỚNG DẪN KHOA HỌC
TS. DƯƠNG THỊ THÚY NGA

TP. HỒ CHÍ MINH – 2017


LỜI CAM ĐOAN
Tôi xin cam đoan luận án thạc sĩ “Xây dựng ứng dụng hiệu chỉnh dữ liệu
và dự báo các yếu tố khí tượng” là công trình nghiên cứu của riêng tôi. Các số liệu
và tài liệu trong luận án là trung thực và chưa được công bố trong bất kỳ công trình
nghiên cứu nào. Tất cả những tham khảo và kế thừa đều được trích dẫn và tham
chiếu đầy đủ.
Học viên

Võ Đoàn Như Khánh

1


LỜI CẢM ƠN

Để hoàn thành đề tài trong Luận văn tốt nghiệp này là nhờ sự nỗ lực của tôi,
nhưng không thể thiếu sự hỗ trợ của Thầy/Cô trong khoa, các anh chị, bạn bè và gia
đình. Tôi xin bày tỏ sự biết ơn đến:
Các Thầy/Cô trong trường ĐH Công Nghệ Thông Tin – ĐHQG Tp.HCM, hỗ
trợ về các kiến thức chuyên môn lẫn nền tảng để tôi hoàn thành đề tài này.
Hơn nữa tôi xin cảm ơn TS. Dương Thị Thúy Nga, người Cô đã trực tiếp
hướng dẫn tôi. Cô đã tận tình giúp đỡ tôi cả về mặt chuyên môn và góp ý cho tôi về
những ý tưởng phát triển đề tài.
Tôi xin cảm ơn bạn bè đã chia sẽ những kinh nghiệm, kiến thức để giúp
chúng em hoàn thành đề tài này.
Tôi xin cảm ơn gia đình đã tạo điều kiện cả tinh thần lẫn vật chất để chúng
em học tập và nghiên cứu, hoàn thành đề tài luận văn này.
Một lần nữa tôi xin chân thành cảm ơn và kính gửi đến Thầy/Cô, anh chị,
bạn bè, gia đình những lời chúc tốt đẹp nhất, có nhiều sức khỏe, thành công trong
cuộc sống và trong công tác.
TP.Hồ Chí Minh, ngày 07 tháng 08 năm 2017
Học viên Võ Đoàn Như Khánh

2


MỤC LỤC

LỜI CAM ĐOAN ....................................................................................................... 1
LỜI CẢM ƠN ............................................................................................................. 2
MỤC LỤC ................................................................................................................... 3
Danh mục các ký hiệu và chữ viết tắt ......................................................................... 6
Danh mục các bảng ..................................................................................................... 7
Danh mục các hình vẽ, đồ thị ...................................................................................... 9
MỞ ĐẦU ................................................................................................................... 11

Chương 1: TỔNG QUAN ĐỀ TÀI ........................................................................... 13
1.1

Tên đề tài hoặc hướng nghiên cứu: ............................................................. 13

1.2

Mục tiêu và ý nghĩa của đề tài: .................................................................... 13

1.2.1

Mục tiêu nghiên cứu ............................................................................. 13

1.2.2

Đối tượng nghiên cứu ........................................................................... 14

1.2.3

Phạm vi nghiên cứu .............................................................................. 14

1.3

Tổng quan tình hình nghiên cứu .................................................................. 14

1.3.1

Giới thiệu chung ................................................................................... 14

1.3.2

Tình hình nghiên cứu ............................................................................ 15

1.4

Tính khoa học và tính mới của đề tài: ......................................................... 22

1.4.1

Tính mới của đề tài ............................................................................... 22

1.4.2

Tính liên ngành ..................................................................................... 23

1.4.3

Ý nghĩa khoa học................................................................................... 24

1.4.4

Ý nghĩa thực tiễn ................................................................................... 24

Chương 2.

KIẾN THỨC NỀN TẢNG VÀ KHẢO SÁT .................................... 25

2.1

Nền tảng Linux ............................................................................................ 25

2.2

Python và các thư viện hỗ trợ ...................................................................... 27

2.2.1

Thư viện Numpy .................................................................................... 28

2.2.2

Thư viện Scipy ....................................................................................... 29
3


2.3

Thư viện scikit-learn Machine Learning trong Python ............................. 29

2.4

Giới thiệu Global Weather Data (dữ liệu) ................................................... 31

Chương 3: PHƯƠNG PHÁP VÀ QUY TRÌNH KIỂM THỬ .................................. 32
3.1

Phương pháp nghiên cứu ............................................................................. 32

3.1.1

Các chỉ số đánh giá thuật toán .............................................................. 32

3.1.2

Lựa chọn dữ liệu nghiên cứu ................................................................ 33

3.2

Giới thiệu các thuật toán và hiện thực hoá trong thư viện scikit ................. 34

3.3

Chuẩn bị dữ liệu nguồn ............................................................................... 51

3.3.1

Dữ liệu nguồn ....................................................................................... 51

3.3.2

Đánh giá giá trị dữ liệu Global weather và giá trị thực đo ................. 53

3.4

Thông số và cài đặt hệ thống ....................................................................... 55

3.5

Quy trình xác định thuật toán dự báo .......................................................... 57

3.6

Quy trình kiểm thử hiệu chỉnh các giá trị khí tượng ................................... 58

3.6.1

Tổng quan quá trình ............................................................................. 58

3.6.2

Chi tiết quá trình chạy kiểm thử ........................................................... 60

3.7

Xây dựng website ........................................................................................ 64

Chương 4: KẾT QUẢ VÀ TRIỂN KHAI ................................................................. 66
4.1

Kết quả thực nghiệm hiệu chỉnh dữ liệu...................................................... 66

4.1.1

Kết quả thông số nhiệt độ cao nhất ....................................................... 66

4.1.2

Kết quả thông số nhiệt độ thấp nhất ..................................................... 68

4.1.3

Kết quả thông số lượng mưa ................................................................. 70

4.1.4

Kết quả thông số độ ẩm ........................................................................ 72

4.1.5

Kết quả năng lượng mặt trời ................................................................. 74

4.1.6

Kết quả hiệu chỉnh gió .......................................................................... 77

4.1.7

Tổng kết quá trình thực nghiệm............................................................ 79

4.1.8

Sử dụng kết quả tốt nhất đánh giá những tháng khác .......................... 81

4.2

Kết quả dự báo ............................................................................................. 83

4.2.1

Lượng mưa ............................................................................................ 83

4.2.2

Nhiệt độ cao nhất .................................................................................. 85
4


4.2.3

Sử dụng kết quả đảnh giá các yếu tối còn lại ....................................... 87

4.2.4

Áp dụng thông số dự báo cho những tháng còn lại trong năm ............ 89

4.3

Giới thiệu website ........................................................................................ 92

4.3.1

Giao diện thuộc tính ............................................................................. 92

4.3.2

Giao diện hiển thị kết quả ..................................................................... 95

5.1

Kết luận........................................................................................................ 97

5.2

Hướng phát triển .......................................................................................... 98

5.3

Ứng dựng mô hình vào thực tế .................................................................... 99

Tài liệu tham khảo ................................................................................................... 101

5


Danh mục các ký hiệu và chữ viết tắt

ARIMA

AutoRegressive Integrated Moving Average, Mô hình tự hồi
qui tích hợp trung bình trượt

CFSR

Hệ thống tái phân tích dự báo Khí hậu của NCEP (The NCEP
Climate Forecast System Reanalysis)

HDH

Hệ điều hành

MAE

Sai số tuyệt đối trung bình (Mean Absolute Error)

ME

Độ lệch, sai số trung bình (Mean Error)

MSE

Sai số bình phương trung bình (Mean square error)

NCAR

Trung tâm Nghiên cứu khí quyển quốc gia, Mỹ (National
Center for Atmospheric Research)

NCDC

Trung tâm Dữ liệu khí hậu quốc gia, Mỹ (The National
Climatic Data Center)

NCEP

Trung tâm dự báo môi trường quốc gia, Mỹ (National Centers
for Environmental Prediction)

NOAA

Cơ quan khí quyển và đại dương quốc gia, Mỹ (The National

Oceanic and Atmospheric Administration)

RMSE

Sai số bình phương trung bình bình phương (Root mean square
error)

6


Danh mục các bảng
Bảng 1.1: Giá trị ME và MAE của T2m (oC) ở 7 vùng khí hậu và toàn Việt Nam
trong giai đoạn 1981-2000 ........................................................................................ 16
Bảng 1.2: Giá trị ME (mm/tháng) và RE (%) của lượng mưa trung bình tháng và các
tháng mưa nhiều ở 7 vùng khí hậu và toàn Việt Nam trong giai đoạn 1981-2000 ... 16
Bảng 1.3. Kết quả so sánh dựa vào chỉ số cùa các thuật toán hiệu chỉnh [7] .......... 18
Bảng 1.4. Cấu trúc mạng Multi-layer Perceptron regressor ..................................... 20
Bảng 3.1: Danh sách công thức các chỉ số đánh giá................................................. 32
Bảng 3.2. Bảng giới thiệu các thuật toán trong metrics ............................................ 33
Bảng 3.3. Thống kê số lượng mẫu dữ liệu................................................................ 34
Bảng 3.4. Dữ liệu mẫu tháng 01 từ năm 1979 - 2014 .............................................. 53
Bảng 3.5. Độ lệch giữa dữ liệu thực đo giữa Trạm Tân Sơn Hòa và Global Weather
................................................................................................................................... 54
Bảng 3.6. Các giá trị kiểm thử của thuật toán Random Forest ................................. 59
Bảng 3.7. Giới thiệu các giá trị kiểm thử thuật toán ................................................. 59
Bảng 3.8. Miêu tả quá trình kiểm thử cho việc hiệu chỉnh lượng mưa..................... 63
Bảng 3.9. Miêu tả sơ đồ website ............................................................................... 65
Bảng 4.1. Kết quả thông số MAE nhiệt độ cao nhất ................................................. 66
Bảng 4.2. Kết quả thông số RSME nhiệt độ cao nhất ............................................... 67
Bảng 4.3. Kết quả thông số MAE nhiệt độ thấp nhất ............................................... 68

Bảng 4.4. Kết quả thông số RSME nhiệt độ thấp nhất ............................................. 69
Bảng 4.5. Kết quả thông số MAE của lượng mưa .................................................... 70
Bảng 4.6. Kết quả thông số RSME của lượng mưa .................................................. 71
Bảng 4.7. Kết quả thông số MAE năng lượng mặt trời ............................................ 75
Bảng 4.8. Kết quả thông số RMSE năng lượng mặt trời .......................................... 75
Bảng 4.9. Kết quả thông số RMSE Gió .................................................................... 77
Bảng 4.10. Kết quả thông số RMSE Gió .................................................................. 77
Bảng 4.11. Thông số tổng hợp tốt nhất của các giá trị.............................................. 79
Bảng 4.12: Bảng thống kê 3 bộ thông số tốt nhất cho dự báo lượng mưa ................ 83
Bảng 4.13: Kết quả dự báo lượng mưa từ ngày 01/06/2014 -> 01/06/2014 ............. 84
Bảng 4.14: Bảng thống kê 3 bộ thông số tốt nhất cho dự báo nhiệt độ cao nhất ...... 85
Bảng 4.15: Kết quả dự báo nhiệt độ cao nhất từ ngày 01/06/2014 -> 01/06/2014 ... 87
Bảng 4.16: Đánh giá dự báo trong tháng 06/2014 của các yếu tố khí tượng. ........... 88
Bảng 4. 17: Kết quả dự báo các yếu tố khí tượng trung bình cả năm ....................... 90

7


8


Danh mục các hình vẽ, đồ thị
Hình 1.1. Tổng quan mục tiêu nghiên cứu đề tài ..................................................... 13
Hình 2.1. Sơ đồ thành phần của một HĐH Linux .................................................... 25
Hình 2.2. Lịch sử hình thành và phát triển Linux .................................................... 26
Hình 2.3. Những viện nghiên cứu phía sau skicit-learning. ..................................... 30
Hình 2.4. Cách chọn thuật toán trong sklearn .......................................................... 30
Hình 3.1. Giới thiệu về mô hình hồi quy tuyến tính................................................. 35
Hình 3.2. Phân bố mẫu trong Hồi quy tuyến tính..................................................... 35
Hình 3.3. Hai loại lỗi trong mô hình hổi quy tuyến tính .......................................... 36

Hình 3.4. mặt siêu phẳng trong không gian ............................................................. 37
Hình 3.5: Giá trị Margin trong SVM ........................................................................ 37
Hình 3.6. Giới thiệu các bước của kNN ................................................................... 38
Hình 3.7. Giới thiệu các loại weights trong kNN ..................................................... 39
Hình 3.8. Giới thiệu một mô hình Decision Trees ................................................... 40
Hình 3.9. Giới thiệu thuật toán Bagging .................................................................. 41
Hình 3.10. Các tạo sample trong Random Forest..................................................... 42
Hình 3.11. Giới thiệu nhiều Decicion tree trong Random Forest ............................ 43
Hình 3. 12: Giới thiệu hoạt động của thuật toán Random Forest ............................. 43
Hình 3.13. Giới thiệu thuật toán Boosing ................................................................. 44
Hình 3.14: Hiện thực Boosting bằng thuật toán AdaBoost....................................... 45
Hình 3.15. Ví dụ sử dụng thuật toán Boosted .......................................................... 46
Hình 3.16. Mô hình của thuật toán Mạng nơ-rôn ..................................................... 47
Hình 3.17. Giới thiệu mạng nơ-ron một lớp ............................................................. 47
Hình 3.18. Giới thiệu mạng nơ-ron nhiều lớp .......................................................... 48
Hình 3.19. Quá trình xử lý thông tin của một ANN ................................................. 48
Hình 3.20. Thuật toán tìm trọng số trong ANN ....................................................... 49
Hình 3.21. Quá trình phân tích dữ liệu ..................................................................... 51
Hình 3.22. Giao diện trang website lấy dữ liệu ........................................................ 52
Hình 3.23. Vị trí tọa độ của điểm dữ liệu ................................................................. 52
Hình 3.24. So sánh độ ẩm vào nhiệt độ trong năm 2005 và 2006 giữa Trạm Tân Sơn
Hòa và Global Weather ............................................................................................. 54
Hình 3.25: Biểu đồ trung bình các thông số trong năm 2003 ................................... 55
Hình 3.26: Quy trình xác định thông số thuật toán dự báo lượng mưa ................... 57
Hình 3.27. Quy trình tìm bộ thông số cho từng giá trị khí tượng ............................ 58
Hình 3.28: Ví dụ minh họa bộ dữ liệu huấn luyện vào kiểm thử .............................. 61
Hình 3.29. Giới thiệu Quá trình kiểm thử cho việc hiệu chỉnh lượng mưa .............. 62
9

Hình 3.30. Sơ đồ website hiệu chỉnh dữ liệu ............................................................ 64
Hình 4.1: So sánh giữa thực đo và hiệu chỉnh của nhiệt độ cao nhất ....................... 68
Hình 4.2. So sánh giữa thực đo và hiệu chỉnh của nhiệt độ thấp nhất ...................... 70
Hình 4.3. So sánh giữa thực đo và hiệu chỉnh của lương mưa ................................. 72
Hình 4.4. So sánh giữa thực đo và hiệu chỉnh của độ ẩm ......................................... 74
Hình 4.5. So sánh giữa thực đo và hiệu chỉnh của năng lượng mặt trời ................... 76
Hình 4.6. So sánh giữa thực đo và hiệu chỉnh của gió .............................................. 79
Hình 4.7: Kết quả hiệu chỉnh các yếu tố khí tượng trung bình cả năm .................... 81
Hình 4.8: Biểu đồ độ chênh lệch trung bình tháng của hiệu chỉnh ........................... 82
Hình 4.9: Kết quả thuật toán ARIMA trong quá trình kiểm thử lượng mưa. .......... 84
Hình 4.10: Kết quả thuật toán ARIMA trong quá trình kiểm thử nhiết độ cao nhất
................................................................................................................................... 86
Hình 4. 11: Kết quả dự báo các yếu tố khí tượng 06/2014. ...................................... 89
Hình 4.12: Biểu đồ độ chênh lệch trung bình tháng của dự báo ............................... 91
Hình 4.13: Kiến trúc website .................................................................................... 92
Hình 4. 14. Giao diện website hiệu chỉnh và các thuộc tính ..................................... 93
Hình 4.15: Trang dự báo các yếu tố khí tượng ......................................................... 94
Hình 4. 16: Ví dụ minh hoặc số lượng ngày dự báo ................................................. 94
Hình 4.17. Biểu đồ thực hiện hiệu chỉnh trên website .............................................. 95
Hình 4.18: Biểu đồ kết quả dự báo trên website ....................................................... 96

10


MỞ ĐẦU
Hiện nay, thời tiết là một yếu tố vô cùng quan trọng và ảnh hưởng đến những
hoạt động kinh tế, xã hội của con người. Đặc biệt, đối với những khoảng thời gian
có thời tiết cực đoan như mưa to, bão khí hậu khắc nghiệt có thể ảnh hưởng đến các
hoạt động kinh tế xã hội, các chu kỳ sản xuất kinh doanh, ảnh hưởng đến các hoạt
động lưu trữ, bảo quản hàng hoá v.v… Mặt khác, thời tiết cực đoan có thể ảnh

hưởng đến các cơ sở hạ tầng cũng như các hoạt động và an toàn dân sinh trong khu
vực.
Với mong muốn áp dụng Công Nghệ Thông Tin vào các lĩnh vực Môi trường
phục vụ dễ dàng hơn cho công việc nghiên cứu cũng như dễ dàng trong quá trình
quản lý, cũng như hiệu chỉnh các giá trị khí tượng tại khu vực TPHCM. Đó là lý do
học viên thực hiện đề tài “Xây dựng ứng dụng hiệu chỉnh dữ liệu và dự báo các
yếu tố khí tượng”.
Điểm khởi đầu luận văn mong muốn tìm kiếm một thuật toán dự báo lượng
mưa và các yếu tố khí tượng khác tại khu vực Hồ Chí Minh dựa vào những dữ liệu
lịch sử lượng mưa của khu vực. Trong quá trình kiểm thử, luận văn còn phát hiện ra
sự thiếu hụt dữ liệu lịch sử cũng là một phần gây ra khó khăn trong việc dự báo.
Nên, luận văn đã nghiên cứu xây dựng ứng dụng hiệu chỉnh các giá trị bị thiếu trong
thực tế. Để làm được việc này luận văn sẽ thử nghiệm 8 thuật toán nhằm tìm ra
được các bộ thông số tốt nhất hiệu chỉnh cho 6 giá trị khí tượng: Lượng mưa (mm),
độ ẩm (fraction), nhiệt độ cao nhất (°C), nhiệt độ thấp nhất (°C), năng lượng mặt
trời (MJ/m2) và gió (m/s) ở khu vực thành phố Hồ Chí Minh. Cuối cùng, đề tài sẽ
đưa ra một quy trình để tìm ra bộ thông số cho những vùng địa lý khác, cũng nhưng
một website trực quan hoá để người dùng có thể dễ dàng sử dụng hiệu chỉnh các khí
tượng khi đã có những thông số phù hợp.
Về phương pháp dự báo hiện nay, việc sử dụng mô hình số đã được sử dụng ở
nhiều nước trên thế giới trong nhiều thập kỷ qua. Chất lượng dự báo của các mô
hình số không ngừng được cải tiến và đã trở thành phương pháp dự báo chủ lực
trong nghiệp vụ dự báo thời tiết ở các nước phát triển. Đặc biệt là dự báo định lượng
về những giá trị khí tượng, phương pháp dự báo bằng mô hình số cao hơn hẳn các
phương pháp thống kê truyền thống.
11


Trong phạm vi Luận văn, việc nghiên cứu hiệu chỉnh những giá trị khí tượng
bị khuyết là một hướng để hỗ trợ các thuật toán dự báo hiện tại sử dụng những

thông số đầy đủ nhằm dễ dàng quản lý và dự báo chính xác hơn. Ở Việt Nam cụ thể
là khu vực Thành phố Hồ Chí Minh, những trạm quan trắc vẫn còn thiếu nhiều
thông số khí tượng để đưa vào những mô hình lớn dự báo. Việc áp dụng công nghệ
thông tin ứng dụng vào việc hiệu chỉnh khi thiếu những thông số là một hướng khả
thi trong việc dự báo hiện nay.
Nắm được tình hình hiện tại, Luận văn mong muốn bước đầu nghiên cứu, áp
dụng các thuật toán vào trong việc dự báo và hiệu chỉnh các yếu tố khí tượng. Bước
đầu tiên là Nghiên cứu tìm ra một thuật toán sơ bộ dự báo lượng mưa và các yếu
tố khí tượng khác tại khu vực thành phồ Hồ Chí Minh. Bước hai là Nghiên cứu
tìm ra một thuật toán tốt nhất cho việc hiệu chỉnh từng các yếu khí tượng, việc
này bao gồm tìm ra thuật toán phù hợp kết hợp thông số đầu vào của thuật toán và
thứ tự đầu vào của dữ liệu nguồn để đưa ra những thông số bị khuyết trong quá trình
thực đo. Việc thứ ba là Đưa ra một quy trình kiểm thử có thể áp dụng để tìm ra
thuật toán tốt nhất cho những vùng khác. Ngoài những vấn đề trên, Luận văn còn
muốn đưa ra một website sử dụng thuật toán hiệu chỉnh trực quan, nhằm giúp đơn
giản hóa việc sử dụng thuật toán vào việc hiệu chỉnh các giá trị khí tượng. Những
vấn đề trên sẽ được giải quyết trong Luận văn đáp ứng được việc áp dụng Công
nghệ thông tin vào ngành môi trường.

12


Chương 1: TỔNG QUAN ĐỀ TÀI

Chương 1: TỔNG QUAN ĐỀ TÀI
1.1 Tên đề tài hoặc hướng nghiên cứu:
Tên tiếng Việt: Xây dựng ứng dụng hiệu chỉnh dữ liệu và dự báo các yếu tố
khí tượng.
Tên Tiếng Anh: Study the prediction and calibration data of weather.
1.2 Mục tiêu và ý nghĩa của đề tài:

1.2.1 Mục tiêu nghiên cứu
Trong phạm vi luận văn, những việc cần phải thực hiện được miêu tả trong
hình 1.1

Hình 1.1. Tổng quan mục tiêu nghiên cứu đề tài

Để đạt được mục tiêu được nêu ra trong hình 1.1, đề tài cần thực hiện những
nhiệm vụ sau:
 Tìm hiểu giải thuật phù hợp nhất để hiệu chỉnh cho từng yếu tố khí
tượng: Lượng mưa, độ ẩm, nhiệt độ cao nhất, nhiệt độ thấp nhất, năng
lượng mặt trời và gió.

13


Chương 1: TỔNG QUAN ĐỀ TÀI

 Tìm hiểu thuật toán, mô hình dự báo phù hợp và áp dụng để dự báo
lượng mưa và các yếu tố khí tượng khác tại khu vực Hồ Chí Minh.
 Xây dựng nghiên cứu một quy trình, hướng dẫn cách tìm ra các thông số
đầu vào và thông số thuật toán cho từng yếu tố khí tượng nhằm áp dụng
cho khu vực khác, ngoài khu vực thành phố Hồ Chí Minh.
 Xây dựng một website hiện thực hoá sử dụng những kết quả của việc
nghiên cứu hiệu chỉnh các yếu tố khí tượng.
1.2.2 Đối tượng nghiên cứu
Phục vụ cho dự báo và quá trình hiệu chỉnh gồm dữ liệu 6 thông số khí tượng:
Lượng mưa (mm), độ ẩm (fraction), nhiệt độ cao nhất (°C), nhiệt độ thấp nhất
(°C), năng lượng mặt trời (MJ/m2) và gió (m/s).
1.2.3 Phạm vi nghiên cứu
Phạm vi nghiên cứu thử nghiệm tại khu vực Thành phố Hồ Chí Minh.

Dữ liệu quan trắc vệ tinh nguồn cung cấp từ trang website :
bao gồm 36 năm dữ liệu (1979 - 2014), được ghi
nhận theo từng ngày tại tọa độ dữ liệu (106.5619965,10.77190018).
1.3 Tổng quan tình hình nghiên cứu
1.3.1 Giới thiệu chung
Trở lại một thế kỷ trước đây, Dự báo thời tiết là những dự báo không chính
xác và không đáng tin cậy. Lý do là các trạm quan trắc thời tiết không đủ để thu
thập đủ dữ liệu nhằm phục vụ cho việc xây dựng các mô hình toán học, thống kê để
đưa ra mô phỏng, dự báo thời tiết. Ngoài ra, các trạm quan trắc thời tiết thường
không bố trí đều nhau tại các khu vực. Đặc biệt, các trạm quan trắc cho các tầng khí
quyển trên và trên đại dương cực kỳ khó khăn. Tuy nhiên, Dự báo thời tiết đã đột
phá đáng kể khi công nghệ máy tính tiên tiến và hệ thống quan trắc tự động được
khai thác nhiều hơn. Sử dụng công nghệ máy tính tiên tiến, các nhà khoa học khí
tượng học có thể nghiên cứu các hệ thống khí quyển phức tạp bằng cách tích hợp
các mô hình số với các thuật toán tính toán để mô phỏng và dự đoán sự thay đổi thời
tiết ngắn hạn và thời tiết dài hạn.

14


Chương 1: TỔNG QUAN ĐỀ TÀI

1.3.2 Tình hình nghiên cứu
Ở nước ta, việc nghiên cứu ứng dụng các mô hình vào dự báo thời tiết vẫn còn
rất mới và phát triển vào năm 2000 cho đến nay. Kể từ sau năm 2000, một loạt các
mô hình số khác cũng đã được nghiên cứu triển khai ứng dụng ở nhiều cơ sở khác
nhau như WRF, MM5 (ĐHKHTN, Viện Khoa học KTTV và MT), Linear
Regression …
 Tình hình nghiên cứu trong nước
Hiện nay, trong nước đã dần dần áp dụng các mô hình dự báo của thế giới

như HRM, WRF, MM5, RegCM4.2… Tuy nhiên, những mô hình chỉ chính xác cho
những vùng đặc thù. Để áp dụng vào Việt Nam đã gặp những khó khăn nhất định cả
về dữ liệu lẫn về những yếu tố khác tác động vào quá trình dự báo của mô hình. Sau
đây là sơ lượt về những mô hình dự báo đã được nghiên cứu tại Việt Nam.
+ Mô hình High Resolution Regional Model - HRM:
HRM (High Resolution Regional Model) là một mô hình số thủy tĩnh dự báo
thời tiết khu vực hạn chế quy mô vừa. HRM đã được tiếp nhận và chạy dự báo
nghiệp vụ tại Trung tâm Dự báo Khí tượng Thuỷ văn Trung ương năm 2002 đến
nay. HRM là một mô hình được phát triển Tổng cục thời tiết cộng hoà liên ban Đức
và đã được cải tiến rất nhiều để phù hợp cho khí hậu thời tiết Việt Nam.
+ Mô hình ETA
ETA – mô hình dự báo bất thủy tĩnh - là mô hình dự báo khu vực do trường
Đại học Belgrade và Viện Khí tượng Thuỷ văn Federal – Belgrade cùng với Trung
tâm Khí tượng Quốc tế Mỹ xây dựng. Mô hình ETA đang được sử dụng vào nghiệp
vụ ở Mỹ, Nam Tư, Hy Lạp, Rumani, Nam Phi, Ấn Độ, Italy, Brazil,... Bên cạnh ứng
dụng trong dự báo thời tiết hạn ngắn, mô hình còn được sử dụng trong các bài toán
về môi trường, hàng không và nông nghiệp.
Ở nước ta, 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 KTTV TW từ tháng
5-2003. Đến năm 2004, Trần Tân Tiến [1] đã tiến hành nghiên cứu và áp dụng mô
hình ETA vào xây dựng mô hình dự báo các trường Khí tượng Thủy văn trên biển
Đông. Theo tác giả, sai số dự báo của mô hình ETA tương đương với các mô hình
dự báo số (được nhắc đến trong bài báo) của nước ngoài.
15


Chương 1: TỔNG QUAN ĐỀ TÀI

+ Mô hình WRF
WRF (the Weather Research and Forcast) là mô hình khí quyển quy mô vừa

được thiết kế linh động, có độ tùy biến cao và có thể sử dụng trong nghiên cứu và
dự báo nghiệp vụ. WRF là kết quả của sự hợp tác, phát triển của nhiều trường đại
học, trung tâm nghiên cứu và dự báo khí tượng ở Hoa Kỳ.
Ở Việt Nam mô hình WRF chưa được sử dụng vào nghiệp vụ dự báo thời tiết
song các nghiên cứu về mô hình này nhìn chung rất đa dạng và phong phú với nhiều
hướng tiếp cận khác nhau, chẳng hạn, trong nghiên cứu của mình, các tác giả Bùi
Hoàng Hải, Phan Văn Tân, Nguyễn Minh Trường [2] cho thấy WRF là một mô hình
cho phép thực hiện những mô phỏng lý tưởng xoáy thuận nhiệt đới khá thuận lợi.
Trần Tân Tiến [3] cũng đã sử dụng mô hình WRF để dự báo mưa lớn ở khu vực
Trung Bộ sử dụng số liệu của vệ tinh MODIS.
Hiện nay mô hình WRF đang được nghiên cứu và áp dụng thử nghiệm dự
báo ở Trường Đại học Khoa học Tự nhiên - ĐHQGHN, Viện Khoa học KTTV và
Môi Trường, Trung tâm Dự báo KTTV TW.
Ngoài ra, năm 2014 Vũ Thanh Hằng [4] cũng có một bài báo cáo đánh giá
khả năng dự báo nhiệt độ trung bình tháng và lượng mưa tháng cho Việt Nam sử
dụng mô hình clWRF. Với kết quả như sau
Bảng 1.1: Giá trị ME và MAE của T2m (oC) ở 7 vùng khí hậu và toàn Việt Nam trong
giai đoạn 1981-2000

16


Chương 1: TỔNG QUAN ĐỀ TÀI

Bảng 1.2: Giá trị ME (mm/tháng) và RE (%) của lượng mưa trung bình tháng và các tháng
mưa nhiều ở 7 vùng khí hậu và toàn Việt Nam trong giai đoạn 1981-2000

Trong đó, khu vực Nam Trung Bộ là khu vực bao gồm thành phố Hồ Chí Minh
nhiệt độ trung bình chênh lệch 1,2oC vào mùa hè và 1,5oC vào mùa đông. Tương tự
cho lượng mưa chênh lệch vào khoảng 147,8mm (tháng 6-11) và cả năm vào

khoảng 202,9mm. Từ những đánh giá trên, bài báo cáo cũng đã nhận định mô hình
clWRF vẫn còn thiếu chính xác ở khu vực phía nam, sai số dự báo còn khá lớn.
+ Mô hình RegCM 4.2
RegCM - Regional Climate Model : là một mô hình khí hậu đã được ứng
dụng để nghiên cứu khí hậu quá khứ, hiện tại và tương lai tài rất nhiều khu vực trên
thế giới như Châu Mỹ, Châu Âu đến Châu Á, Châu Phi . Phiên bản NCAR RegCM
(NCAR Regional Climate Model) đầu tiên được xây dựng dựa trên MM4
(Mesoscale Model Version 4) của Trung tâm quốc gia nghiên cứu khí quyển
(NCAR) và Trường đại học Tổng hợp Pennsylvania (PSU), Hoa Kỳ, vào cuối
những năm 1980[8]. Qua nhiều giai đoạn phát triển mô hình RegCM, hiện này
RegCM đã có phiên bản 4.2. Phiên bản mới nhất RegCM 4.2 có giao diện thân thiện
với người dùng hơn và dạng đầu ra của mô hình là dạng file Netcdf dễ dàng cho
việc sử dụng dữ liệu đầu ra hơn.
Cho đến hiện nay đã có các nghiên cứu áp dụng RegCM vào dự báo cho khu
vực ở Việt Nam như nghiên cứu độ nhạy của mô hình khí hậu khu vực sử dụng
RegCM3 tại khu vực Việt Nam của Phan Văn Tân [5] vào năm 2008.
Qua những nghiên cứu trên, chúng ta có thể nhận thấy việc áp dụng những
mô hình có sẵn vào Việt Nam cũng đang dần dần phát triển. Tuy phải chỉnh sửa

17


Chương 1: TỔNG QUAN ĐỀ TÀI

những thông số của mô hình cho phù hợp với điều kiện khí hậu ở Việt Nam. Nhưng
những mô hình này cũng đem lại giá trị nhất định trong việc đưa ra kết quả dự báo.
+ Mô hình MM5:
MM5 là mô hình dự báo mưa bão được phát triển bởi Trung Tâm Nghiên
Cứu Khí Tượng Hoa Kỳ (NCAR). Hiện nay, mô hình đang được dùng tại Viện
Khoa học Khí tượng Thuỷ văn và Môi trường khu vực Tây Nguyên phiên bản của

mô hình là MM5V3.7 cập nhật vào cuối năm 2004. Song song đó, mô hình MM5
cũng đã được nghiên cứu bởi Bùi Minh Sơn [6] nhằm ứng dụng mô hình vào dự báo
mưa lớn cho khu vực Nam Trung Bộ.
Ngoài những mô hình đã được sử dụng trong thực nghiệm, trong nước còn có
những nghiên cứu ứng dụng những thuật toán mới trên thế giới như Linear
Regression, k Nearest Neighbors, Decision Trees, Bagging, Random Forests,
Support Vector Machines, … . Những thuật toán trên đã được Đỗ Thanh Nghị [7]
thực hiện dự báo lượng mưa cho thành phố Cần Thơ. Kết quả bài báo cáo còn cho
thấy những kết quả khả quan cho việc hiệu chỉnh áp dụng những thuật toán mới.
Bảng 1.3. Kết quả so sánh dựa vào chỉ số cùa các thuật toán hiệu chỉnh [7]

Trong vấn để hiệu chỉnh dữ liệu từng yếu tố khí tượng cũng đã được nghiên
cứu tại khu vực Tp Cần Thơ “Hiệu Chỉnh Dữ Liệu Mưa Từ Mô Hình Mô Phỏng
Khí Hậu Khu Vực Cho Vùng Đồng Bằng Sông Cửu Long” [8]. Trong bài nghiên
cứu đã sử dụng những phương pháp để hiệu chỉnh kết quả mô phỏng lượng mưa
nhằm hiệu chỉnh lượng mưa cho ra kết quả gần với thực tế nhất.
 Tình hình nghiên cứu ngoài nước
Lần đầu tiên máy tính được sử dụng trong nghiên cứu khí tượng là vào năm
1950 khi máy tính toán số học số và Máy tính (ENIAC) đã được sử dụng trong mô
phỏng điều kiện thời tiết ở Aberdeen, Maryland của Unites States [9]. Sau đó,
những phát triển về máy tính đã đưa ra rất nhiều thuật toán dự báo và đang phát
18


Chương 1: TỔNG QUAN ĐỀ TÀI

triển nhanh như: Random Forests (RF), Artificial neural network (ANN), Support
Vector Machines (SVM), Wavelet regression(WR), k-Nearest Neighbors (kNN),
CAPSO, Bagging (Bootstrap Aggregating) …
Có rất nhiều những công trình áp dụng những thuật toán trên để dự báo

lượng mưa tại các vùng trên thế giới:
+ Artificial neural network (ANN):
Trong giai đoạn hiện nay, ANN đang được phát triển và phổ biến như một
phương tiện để xử lý các dữ liệu thời tiết. Đã có những thuật toán dự báo lượng mưa
dựa vào mạng Nơ-ron như: Gyanesh Shrivastav [10] đã áp dụng ANN vào việc dự
báo thời tiết và lượng mưa. Mekanika F [11] có bài phân tích giữa thuật toán
Multiple regression analysis (MR) và ANN cho thấy ANN có tiềm năng hơn trong
việc dự báo so với mô hình MR, và còn rất nhiều bài đánh giá khác nói về khả năng
của ANN trong việc dự báo. Mislan [12] cũng đã sử dụng thuật toán trong việc dự
báo lượng mưa cho Indonesia vào năm 2015.
Vào năm 2017, Tanzila Saba [13] cũng có bài đánh giá áp dụng mô hình
mạng Neural vào việc dự báo thời tiết. Kết quả cho thấy việc sử dụng ANN là một
các đơn giản và hiệu quả cho việc dự báo thời tiết so với phương pháp truyền thống.
Báo nghiên cứu cũng đưa ra hướng phát triển là sử dụng mạng neural kết hợp (MLP
& RBF) mang lại kết quả khá khả quan.
+ Centripetal accelerated particle swarm optimization - CAPSO [14]
Trong mạng Nơ-ron có một thuật toán dùng để dự báo là Multi-layer
Perceptron regressor (MLP) hay còn gọi là Feedforward. Trong MLP truyền thống
việc huấn luận cho ra kết quả dựa vào hình 1. Việc huấn luyện cho MLP căn bản
gồm 3 lớp chính lớp đầu vào, lớp đầu ra và một hoặc nhiều lớp giữa ẩn. Trong MLP
cũng nhưng ANN thì có rất nhiều node được liên kết với nhau nhằm tìm ra một giá
trị đầu ra sao cho gần với giá trị mong muốn nhất, nếu chưa gần như giá trị mong
muốn thì thuật toán sẽ điều chỉnh trọng số (weights) cho đến khi gần đúng nhất.

19


Chương 1: TỔNG QUAN ĐỀ TÀI

Bảng 1.4. Cấu trúc mạng Multi-layer Perceptron regressor

Hình 1.2 là một ý tưởng căn bản cho MLP, tuy nhiên trong quá trình huấn
luyện chúng ta lại có rất nhiều thuật toán để tìm ra trọng số weight nhanh nhất và
chính xác nhất. Một thuật toán được đưa ra gần đây là CAPSO nó điều chỉnh lại
thuật toán cho quá trình huấn luyện MLP và đưa ra những kết quả khả quan hơn so
với những thuật toán khác như GSA-MLP và ICA-MLP [14].
+ Sequential minimal optimization algorithm (SMO):
Một hướng khác gần đây cũng hướng để dùng cho dự báo là thuật toán SMO
dùng để huấn luyện Support Vector Machines (SVM). Thuật toán tối thiểu tuần tự
(Sequential Minimal Optimization – SMO) là thuật toán tối ưu dành riêng cho
phương pháp SVM do J. Platt đưa ra vào năm 1998. SVM sử dụng thuật toán SMO
đã được hiện thực hoá trong chương trình WEKA [15] dự đoán dòng chảy tự nhiên
của sông Narmada, kết quả dự đoán cũng rất khả quan. Thuật toán được so sánh với
ANN và có phần tốt hơn khi sử dụng SMOreg để giảm thiểu lỗi RMSE, cho phép có
kết quả dự báo tốt hơn của Rainfall-Runoff với ít lỗi hơn. Ngoài ram,Jozef Zurada
[16] cũng có bài so sánh giữa 2 giải thuật SVM-SMO và ANN căn bản. Kết quả cho
thấy SMO có tỷ lệ cao hơn thuật toán ANN căn bản 3 lớp.
+ Wavelet regression: [17]
Wavelet regression (WR): Kỹ thuật được phát triển bởi Grossman và Morlet
(1984). Phương pháp căn bản dựa trên 2 thuật toán là Wavelet Transform và Linear
Regression. Trong Case Study bài báo đã dùng dữ liệu từ 1901 đến 2012 tại 21 trạm

20


Chương 1: TỔNG QUAN ĐỀ TÀI

ờ Assam, India. Theo báo cũng đã so sánh với ANN thì thuật toán WR mới có độ
chính xác cao hơn cả ANN.
+ Random Forest

Random Forest là một thuật toán phát triển vào năm 2002 bởi Leo Breiman
[18]. Random Forest là một thuật toán dựa trên CART (Classification and
Regression Trees) [19] và Decision Trees. Đã có nhiều nghiên cứu về việc áp dụng
RF và dự báo so sánh hiệu quả của sử dụng các thuật toán khác. Điền hình như bài
nghiên cứu của Đỗ Thanh Nghị [7] đã sử dụng các thuật toán: Random Forest,
kNN, Linear Regression và những thuật toán khác để so sánh đánh giá tính chính
xác của các thuật toán, Kusiak [20] đã sử dụng 5 thuật toán dự báo Neural Network,
Random Forest, Classification And Regression Tree, Support Vector Machine, and
K -Nearest Neighbor nhằm so sánh đánh giá giữa các thuật toán với nhau.
Ngoài những nghiên cứu trên còn có rất nhiều nghiên cứu về các thuật toán
trên thế giới. Việc cho thuật toán và các thông số phù hợp cho từng khu vực là một
vấn đề vẫn còn đang phát triển ở Việt Nam và cụ thể là khu vực thành phố Hồ Chí
Minh.
+ ARIMA thuật toán dự báo tương lai dựa vào lịch sử
Trong bài báo của Bing Gao [21], ông đã sử dụng các kỹ thuật khai thác dữ
liệu và phương pháp thống kê để phân tích dữ liệu thời tiết. Thu thập và xử lý hồ sơ
từ sáu trạm thời tiết tại các địa điểm khác nhau ở phía nam Đảo Vancouver. Dữ liệu
thời tiết ở địa điểm trên là một ví dụ về dữ liệu chuỗi thời gian đòi hỏi một cách tiếp
cận đặc biệt trong khai thác dữ liệu. Trong báo cáo đã nghiên cứu cách sử dụng
ARIMA để xây dựng các mô hình cho bộ dữ liệu dự báo nhiệt độ. ARIMA được
Bing Gao xây dựng trên python và kết quả cho thấy mô hình được dự báo khá tốt.
Chìa khóa trong việc sử dụng ARIMA là làm thế nào để xác định các thông số tốt
nhất. Các mô hình chuỗi thời gian như ARIMA cho phép đưa thông tin từ các quan
sát trong quá khứ để dùng để dự báo, nhưng không cho việc đưa vào các thông tin
khác có liên quan. Trong tương lai, việc mở rộng mô hình ARIMA để cho phép đưa
các thông tin khác vào trong mô hình. Ý tưởng là để kết hợp mô hình hồi quy và các
mô hình ARIMA để cho hồi quy với các lỗi ARIMA, được gọi là mô hình hồi quy
động.
21

Chương 1: TỔNG QUAN ĐỀ TÀI

Tương tự, Trong báo cáo của Ngo Van Quan [22] vào năm 2014 cũng đã có
bài đánh giá về khả năng dự báo của ARIMA trong việc cung cấp phương pháp
đánh giá và cảnh báo sớm hạn hán tại lưu vực sông Nakdong của Hàn Quốc. Năm
2016, Erasmo Cadenas [23] đã có một bài đánh giá khả năng dự báo của mô hình
ARIMA và mô hình NARX (một mô hình nâng của của ANN) nhằm so sánh khả
năng dự báo giữ 2 mô hình trong việc dự báo tốc độ gió tại Metepec, Hidalgo,
Mexico. Bài báo cáo cũng đã đưa ra kết quả khả quan cho việc dự báo tốc độ gió
của mô hình ARIMA trong khi sử dụng đơn biến. NARX thì phù hợp và hiệu quả
hơn trong việc sử dụng đa biến. Năm 2016, Garima Jain [24] cũng đã có bài giới
thiệu các kỹ thuật trong việc dự báo thời tiết trong đó vẫn đánh giá ARIMA là một
mô hình khác tốt trong việc dự báo thời tiết cho đến hiện nay.
Từ những báo cáo và đánh giá trên, Luận văn thực hiện việc áp dụng thử
nghiệm thuật toán ARIMA trong khóa luận để đánh giá dự báo các yếu tố khí tượng
tại khu vực Hồ Chí Minh.
 Đánh giá kết quả các công trình nghiên cứu đã công bố - Những tồn tại
cần giải quyết
Tuy việc dự báo thời tiết ở Việt Nam đã áp dụng những mô hình từ nước
ngoài cụ thể là WRF vào nhằm làm tăng khả năng dự báo thời tiết cho những ban
ngành có liên quan đến khí tượng, nhưng hiện tại vẫn còn chưa chính xác, rất
thiếu những công cụ quản lý và trực quan hoá cho những đối tượng ngoài ngành
có thể dễ dàng hiểu. Ngoài ra việc nghiên cứu thuật toán dự báo còn là một
hướng phát triển mới thay cho việc sử dụng các mô hình dự báo hiện nay ở các
Trung Tâm Khí Tượng Thủy Văn.
Những nghiên cứu ở Việt Nam tuy đã dự báo được nhưng vẫn mang tính
rời rạc chưa chính xác. Những bộ thông số khí tượng còn thiếu cũng ảnh hưởng
đến một phần đến việc dự báo chính xác của các mô hình. Việc hiệu chỉnh bộ
thông số nhằm cung cấp đầu đủ dữ liệu cho các mô hình là yếu tố cần thiết hiện

nay.
1.4 Tính khoa học và tính mới của đề tài:
1.4.1

Tính mới của đề tài
22


Chương 1: TỔNG QUAN ĐỀ TÀI

 Nghiên cứu xây dựng thuật toán dự báo lượng mưa và các yếu tố khí tượng
cho khu vực Hồ Chí Minh.
Áp dụng những nghiên cứu về mô hình dự báo ARIMA, luận văn sẽ bước đầu áp
dụng vào việc dự báo nhằm làm tiền đề cho các nghiên cứu tiếp theo về dự báo ngắn
hạn cho các yếu tố khí tượng khác.
 Xây dựng thuật toán hiệu chỉnh cho 6 yếu tố khí tượng
Trong tình hình trong nước hiện nay, các tram quan trắc đã khá cũ nên việc đo
các yếu tố khí tượng còn gặp nhiều khó khăn. Những thông số đo đôi khi bị mất hoặc
chưa chính xác. Việc nghiên cứu thuật toán hiệu chỉnh các yếu tố khí tượng để cung
cấp giải pháp hữu hiệu, chính xác trong giám sát môi trường là một vấn đề cần thiết
nhằm giúp các mô hình có thể sử dụng các dữ liệu đầu đủ hơn.
Việc xây dựng một thuật toán phù hợp cho từng yếu tố khí tượng sẽ giúp cho quá
trình hiệu chỉnh khí tượng trở nên hiệu quả hơn.
 Xây dựng nghiên cứu một quy trình tìm ra các thông số đầu vào và thông số
thuật toán cho từng yếu tố khí tượng
Khí tượng ở từng khu vực là khác nhau cho mỗi vùng, Việc hiệu chỉnh cho từng
vùng là điều rất cần thiết không kém. Việc áp dụng, tìm ra các thông số phù hợp cho
từng vùng cũng là một vấn đề cần giải quyết. Do đó, Ngoài việc tìm ra bộ thông số của
thuật toán và bộ dữ liệu đầu vào phù hợp thì Luận văn còn lập ra một quy trình cụ thể
để áp dụng cho các khu vực khác nhau.

 Xây dựng một website để hiện thực hoá thuật toán
Website nhằm cho phép người dùng có thể sử dụng kết quả của nghiên cứu
một cách đơn giản nhất. Trong phạm vi luận văn, hệ thống webiste cơ bản là một
trong những phần làm tăng tính tiện lợi cho người dùng.
1.4.2

Tính liên ngành
Đây là một đề tài liên ngành Công nghệ thông tin và Môi trường, xây dựng

công cụ phân tích hiệu chỉnh các giá trị khí tượng, với nhiều tiện ích hỗ trợ nhà
quản lý và người dân trước thiên tai. Tính liên ngành được đưa vào ứng dụng phục
vụ cộng đồng là rất mới.
Các nghiên cứu về hiệu chỉnh các điều kiện khí tượng ở Việt Nam vẫn còn
mang tính chất rời rạc, chưa mang tính hệ thống nên khả năng dự báo và ứng phó
23


Chương 1: TỔNG QUAN ĐỀ TÀI

với khí hậu tại các địa phương còn rất nhiều hạn chế. Để thực hiện tốt công việc này
cần kết hợp kiến thức liên ngành như môi trường, CNTT.
1.4.3

Ý nghĩa khoa học
Giải thuật hiệu chỉnh các thông số khí tượng sẽ được kiểm tra độ chính xác,

giúp nhà khoa học hiểu rõ chất lượng, tính hiệu quả của giải thuật. Đây sẽ là tiền đề
cho các nghiên cứu tiếp theo trong vấn đề dự báo thời tiết.
Bước đầu áp dụng thử mô hình dự báo ARIMA vào dự báo lượng mưa tại khu
vực Hồ Chí Minh làm tiền đề cho những nghiên cứu tiếp theo.

1.4.4

Ý nghĩa thực tiễn
Lợi ích đem lại từ hệ thống đối với xã hội và khả năng dự báo… là rất lớn.

Ứng dụng hiệu chỉnh bộ dữ liệu khí tượng này hoàn toàn có thể được ứng dụng vào
thực tế cho các vùng nghiên cứu khác nhau, hiệu chỉnh được cho cà dữ liệu quan
trắc lẫn dữ liệu vệ tinh. Dựa vào quy trình tìm ra bộ thông số kèm với thuật toán
thích hợp để hiệu chỉnh bộ dữ liệu khí tượng, người sử dụng có thể ứng dụng để
hiệu chỉnh cho bất kỳ bộ thông số khí tượng nào tại khu vực mình quan tâm. Đây là
một nghiên cứu mới, có tính ứng dụng thực tiễn, đem lại hiệu quả cao cho công tác
quản lý số liệu khí tượng trong bối cảnh nguồn cung cấp số liệu khí tượng rất hạn
chế cả về số lượng lẫn chất lượng.
Việc ứng dụng Công nghệ thông tin để giải quyết các bài toán môi trường đã
và đang góp phần to lớn vào việc xây dựng giải pháp tổng thể để ứng phó với những
ảnh hưởng của biến đổi khí hậu.

24