Một phương pháp học máy mới đã phá vỡ kỷ lục về dự báo thời tiết trong một khung thời gian quan trọng đối với kế hoạch ứng phó khẩn cấp.
AI cải thiện độ chính xác dự báo thời tiết, hỗ trợ ứng phó khẩn cấp. Ảnh: Midjourney
Năm 2021, Texas phải hứng chịu sự cố mất điện nghiêm trọng nhất trong lịch sử tiểu bang, sau ba trận bão tuyết dữ dội vào tháng Hai. Ít nhất 246 người đã thiệt mạng do sự gián đoạn này, dẫn đến tình trạng thiếu lương thực, nước uống, sưởi ấm và điện.
Thật không may, dự báo thời tiết quá hai tuần thường không đáng tin cậy, khiến cho các nhà điều hành năng lượng, nông dân và các quan chức ứng phó khẩn cấp trên toàn thế giới có thời gian chuẩn bị eo hẹp hơn.
Một kỹ thuật mới do một nhóm các nhà nghiên cứu tại MIT phát triển đã cải thiện đáng kể khả năng dự báo thời tiết vượt quá hai tuần. Các nhà nghiên cứu đã phát triển một mô hình học máy có khả năng tự sửa lỗi trong các mô hình dự báo hiện có để cải thiện kết quả dự báo trong khung thời gian từ hai đến sáu tuần. Khi được áp dụng vào một mô hình dự báo chuẩn mực, độ chính xác dự báo đã tăng gấp đôi trong khung thời gian đó, và giành vị trí đầu tiên trong một cuộc thi dự báo quốc tế danh tiếng.
Judah Cohen, đồng tác giả nghiên cứu và là nhà khoa học nghiên cứu tại Khoa Kỹ thuật Xây dựng và Môi trường của MIT, cho biết: “Phương pháp này không chỉ giúp cải thiện dự báo trung bình theo thời gian trong phạm vi này, vốn đã rất hữu ích cho nông dân và các thành viên trong ngành năng lượng đang cố gắng cân bằng cung cầu, mà còn cải thiện khả năng dự đoán các hiện tượng thời tiết cực đoan, cho dù đó là lũ lụt, rét đậm hay bất cứ điều gì khác.”
Dự báo dài hạn hơn
Hiện nay, các dự báo thời tiết tốt nhất đến từ các mô hình động lực học, mô phỏng bằng số sự biến đổi của khí quyển và đại dương theo thời gian, hoặc các mô hình trí tuệ nhân tạo, học cách đưa ra dự đoán từ dữ liệu thời tiết lịch sử. Các mô hình AI đã cho thấy sự cải thiện trong việc dự đoán thời tiết trong thời gian ngắn, nhưng chúng thậm chí còn kém hơn các mô hình động lực học trong thời gian dài hơn.
Cohen nói. “Chúng tôi biết các mô hình AI có rất nhiều lỗi, vì vậy chúng tôi nghĩ rằng có lẽ chúng ta có thể định lượng những lỗi đó và loại bỏ chúng.”
Trong khi các hệ thống dự báo khác thực hiện việc sửa lỗi đơn giản hơn, lớp xử lý hậu kỳ của nhóm nghiên cứu sử dụng trí tuệ nhân tạo để học hỏi từ những sai lầm của hệ thống dự báo dựa trên dữ liệu lịch sử và điều chỉnh dự báo của nó. Trong khoảng thời gian đó, các nhà dự báo sử dụng cái gọi là dự báo xác suất, trong đó xác suất của một loạt các khả năng được đưa ra.
“Khi có thêm nhiều dự báo và dữ liệu, mô hình của chúng tôi sẽ tự động cải thiện khả năng điều chỉnh của nó,” Cohen nói.
Để kiểm chứng mô hình, nhóm nghiên cứu đã gửi ba mô hình bao gồm lớp xử lý hậu kỳ của họ đến Trung tâm Dự báo Thời tiết Tầm trung Châu Âu (ECMWF), được coi là trung tâm dự báo tốt nhất thế giới.
Bài dự thi đoạt giải nhất đã kết hợp mô hình dự báo của ECMWF với một mô hình khác, sau đó áp dụng thêm hiệu chỉnh xử lý hậu kỳ. Cách tiếp cận này đã giúp tăng gấp đôi khả năng dự báo của mô hình gốc trong phạm vi thời gian ngắn theo mùa. Lần đầu tiên, mô hình này mang lại sự cải tiến so với việc chỉ dựa vào các giá trị trung bình khí hậu.
Mô hình này cũng cho thấy sự cải thiện đáng kể về mặt thống kê trong khả năng dự đoán thời tiết cực đoan.
Chuẩn bị ứng phó thảm họa
Trong bài báo trên tạp chí Nature, nhóm nghiên cứu đã chứng minh kỹ thuật của họ có thể được sử dụng để cải thiện dự báo thời tiết trên đất liền ở hầu hết các khu vực trên toàn cầu. Họ cũng áp dụng kỹ thuật hiệu chỉnh sai số của mình cho các mô hình khác và cho thấy nó cũng cải thiện được các mô hình đó, giúp ngay cả những mô hình kém hơn cũng đạt được độ chính xác tương đương với dự báo của ECMWF.
“Điểm hay của mô hình chúng tôi là nó là một lớp bao bọc bổ sung,” Cohen giải thích. “Chúng tôi đã sử dụng nó với mô hình động của ECMWF vì đó được coi là mô hình tốt nhất, nhưng nó có thể được sử dụng với bất kỳ mô hình nào. Nó thậm chí còn cải thiện các mô hình đã được hiệu chỉnh sai lệch bằng thuật toán AI khác. Vì vậy, nó cho thấy sự cải thiện mạnh mẽ. Và nó là mã nguồn mở và chi phí thấp.”
Cohen cho biết cơ quan khí tượng của Cộng hòa Kenya đã liên hệ để thảo luận về việc triển khai mô hình này nhằm cải thiện dự báo mùa mưa hàng năm, từ đó giúp tăng năng suất nông nghiệp trong mùa đông năm nay. Ông hy vọng các nhóm khác cũng sẽ sử dụng mô hình này.
“Điều này có thể giúp bạn quyết định thời điểm bón phân khi trời mưa, khi nào có sương giá để bảo vệ cây trồng trong vụ thu hoạch mùa đông, hoặc giúp bạn tránh hạn hán,” Cohen nói. “Nó cũng có thể hữu ích cho việc quản lý năng lượng và tình huống khẩn cấp. Tôi đã nói chuyện với các quan chức ngành năng lượng và họ nói rằng, ‘Nếu tôi được thông báo trước hai ngày về việc bão băng sắp đến, tôi không có đủ thời gian, nhưng nếu tôi có hai tuần, thì đó có thể là đủ để chuẩn bị đầy đủ.’”
Công trình nghiên cứu này được hỗ trợ một phần bởi Quỹ Khoa học Quốc gia Hoa Kỳ, Quỹ Hỗ trợ Nghiên cứu Carlos Chagas Filho và Liên minh Châu Âu.
Nguồn: MIT News
