Tóm tắt Luận án Xây dựng mô hình dự báo một số thông số khí tượng cho địa bàn tỉnh Hải Dương

ắt một số mô hình dự báo 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. Ngoài ra, luận án trình bày một số 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. 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 các kết luận và kiến nghị của luận án với những vấn đề cần nghiên cứu tiếp, tài tài liệu tham khảo, các công trình đã công bố 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 Trình bày tổng quan về các mô hình dự báo thông số khí tượng, các phương pháp dự báo 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. - 5 - 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 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]; Phương pháp thống kê (Statistical methods) [22, 65, 79]; Phương pháp số trị (Numerical methods) [10, 27, 36]. − Phương pháp dự báo phối kết hợp (Ensemble forecast methods) [61, 83]. 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. Một số mô hình số trị toàn cầu Mô hình dự báo các trường số trị toàn cầu RHMC [95] do cơ quan Khí tượng Thuỷ văn Liên bang Nga 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. Mô hình GME [53] (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. Mô hình AVN của Trung tâm Quốc gia Dự báo Môi trường Mỹ (National Centers for Environmental Prediction - NCEP) [92] là mô hình phổ dự báo hạn ngắn toàn cầu. Mô hình dự báo hạn vừa MRF (Medium Range Forecast Model) của NCEP - 6 - (Mỹ) 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 GFS (Global Forecasting System) [92] cũng của NCEP là mô hình phổ toàn cầu, bắt đầu được đưa vào sử dụng nghiệp vụ tại Trung tâm Khí tượng quốc gia NMC (National Meteorological Centre), tiền thân của NCEP từ năm 1988. Mô hình GSM (Global Spectral Model) [93] 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. 1.3.2. Mô hình số trị khu vực a. Mô hình ETA [59, 66] Mô hình khu vực hạn chế ETA do Trường Đại học Belgrade và Viện Khí tượng Thuỷ văn 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. 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 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 bao gồm nhiều đối tượng vật lý như: bức xạ, mô hình đất, các quá trình rối trong lớp biên, tạo mưa theo lưới, đối lưu nông/sâu,... 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. - 7 - 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. 1.4. Các mô hình dự báo khí tượng được ứng dụng ở Việt Nam 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 như đã tóm tắt ở trên. 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 [38,48,51,60,75]. 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 của các mạng nói riêng cũng rất phong phú. Nội dung 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 đầy đủ các thông tin về giải pháp ứng dụng bên trong. Nhược điểm chung của các giải pháp này là yêu cầu - 8 - cao về thông số đầu vào và hạ tầng tính toán, giá thành đắt, khó chủ động cập nhật hay điều chỉnh theo 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 và đầu ra cũng khác nhau. Vì vậy các so sánh mới dừng ở mức độ nhất định. 1.6. Đề xuất của luận án Hiện nay, 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. Chương 2: MÔ HÌNH LAI VÀ ỨNG DỤNG TRONG CÁC VẤN ĐỀ MÔ HÌNH HÓA PHI TUYẾN 2.1. Giới thiệu chung Đã có nhiều công trình nghiên cứu chứng minh rằng công cụ mạng 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]. Trong luận án này NCS đề xuất tiếp tục cải thiện chất lượng sử dụng của SVM bằng việc tách - 9 - riêng thành phần tuyến tính, chỉ dùng SVM làm công cụ ước lượng thành phần phi tuyến trong một mô hình lai [5]. 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 khí tượng kinh điển. 2.2. Mô hình lai và ứng dụng trong mô hình phi tuyến 2.2.1. Mục đích sử dụng mô hình lai Mục đích của việc sử dụng mô hình lai là tách riêng thành phần tuyến tính để giảm bớt mức độ phức tạp của mô hình phi tuyến. Khi mô hình phi tuyến có số tham số ít hơn thì các thuật toán tối ưu hóa sẽ có khối lượng tính toán giảm và xác suất đạt được nghiệm cực trị tốt hơn sẽ cao. Đồng thời các thành phần tuyến tính được tối ưu hóa bằng các thuật toán chuyên biệt cũng sẽ đạt được cực trị (toàn cục) nhanh và chính xác hơn khi tối ưu hóa bằng các thuật toán chuyên dùng cho hàm phi tuyến. 2.2.2. Mô tả toán học của mô hình lai Với véc-tơ đầu vào xác định x ta có đáp ứng đầu ra của hệ lai là tổng đáp ứng của khối tuyến tính và khối phi tuyến: ( ) ( ) ( )d f Linear NonLinear=  +x x x (2.1) 2.3. Phương pháp xây dựng mô hình lai từ các bộ số liệu mẫu Quy trình thực hiện gồm các bước như sau: 2.3.1. Bộ số liệu đầu vào Đối với bài toán dự báo, hàm truyền đạt phi tuyến tổng quát có dạng: ( )( ) ( 1) ( 2) ( ), , ,d d d d Ky f − − −= x x x (2.2) trong đó ( 1)d−x là véc-tơ đầu vào các đại lượng đo ở ngày thứ 1d − , ( )dy là đại lượng cần dự báo ở ngày d, ( )d K− − ngày xa nhất sử dụng trong dự báo. Do đó một mẫu số liệu gồm cặp  ( 1) ( ) ( ), , ;d d K dy− −  x x và được lấy cho nhiều ngày d. Đối với bài toán ước lượng, hàm truyền đạt phi tuyến tổng - 10 - quát có dạng: ( )( ) ( ) ( ) ( )1 2, , ,d d d dNy f x x x= (2.3) trong đó ( )dix là đại lượng đo tại vị trí i ở ngày thứ d, ( )dy là đại lượng cần ước lượng ở ngày thứ ( )d ở vị trí khác các .ix Một mẫu số liệu sẽ bao gồm một cặp  ( ) ( ) ( )1 , , ;d d dNx x y   và được lấy liên tiếp cho nhiều ngày d. 2.3.2. Lựa chọn đầu vào Có nhiều phương pháp khác nhau để lựa chọn đầu vào cho mô hình dự báo [47, 74]. Trong số đó, các phương pháp phổ biến được sử dụng là phương pháp phân tích theo các thành phần chính, phương pháp sử dụng hàm tương quan, sử dụng hệ số khai triển tuyến tính, [9, 43]. Luận án thử nghiệm trên cùng bộ số liệu để đánh giá 03 phương pháp trên khi sử dụng với mô hình lai và lựa chọn phương pháp cho kết quả sai số nhỏ nhất. 2.3.3. Xây dựng khối tuyến tính Mô hình tuyến tính được xác định trên cơ sở tìm các hệ số ja sao cho hàm sai số E trong (2.4) đạt giá trị nhỏ nhất trên tập mẫu số liệu [5]: 2 1 1 ( ) min 2 p i i i E Linear = = − → x d (2.4) 2.3.4. Xây dựng khối phi tuyến Sau khi có mô hình tuyến tính, phần sai số còn lại sẽ được xấp xỉ bởi mô hình phi tuyến sao cho: 2 1 1 ( ) ( ( )) min 2 p i i i i E NonLinear Linear = = − − → x d x (2.5) Trong luận án, mô hình phi tuyến sẽ sử dụng mạng SVM. 2.4. Ưng dụng SVM xây dựng hàm truyền phi tuyến 2.4.1. Giới thiệu chung Mục tiêu nghiên cứu là xây dựng mô hình dự báo và mô hình ước lượng nội suy đều là dạng hàm biến thiên liên tục nên - 11 - luận án sẽ sử dụng mô hình SVR. Nhiều ý tưởng của SVR xuất phát từ các công thức gốc của SVM nên luận án sẽ trình bày tóm tắt về các công thức này trước khi giới thiệu về SVR. 2.4.2. Bài toán phân lớp nhị phân Bài toán phân lớp nhị phân [85] này được phát biểu như sau: Cho tập dữ liệu gồm p mẫu huấn luyện  ,i idx , 1,2, , ,i p= trong đó Ni x và  1id   là đầu ra rời rạc có thể nhận 1 trong 2 giá trị đại diện cho hai nhóm số liệu. Tìm một siêu phẳng 0T b + =w x để tách tập dữ liệu thành 2 lớp sao cho: 1 1T i ib y +  → =w x ; 1 1 T i ib y +  − → = −w x . Do có thể tồn tại nhiều mặt phẳng phân cách, nên để có thể có nghiệm xác định duy nhất, ta bổ sung thêm điều kiện tổng khoảng cách từ các điểm gần nhất của hai nhóm tới mặt phân cách (còn gọi là các véc-tơ hỗ trợ) là lớn nhất [85]. 2.4.3. Kỹ thuật SVR (Support Vector Regression) Phát triển tiếp các ý tưởng của SVM dùng trong các bài toán phân loại, khi các giá trị đầu ra là các mã phân lớp (là các giá trị rời rạc), SVM được mở rộng để sử dụng trong các bài toán ước lượng bằng cách sử dụng một hàm tổn thất (lost function). Lúc này, kỹ thuật SVM được gọi là máy véc-tơ đỡ ước lượng (SVR – Support Vector Regression). 2.4.4. Phương pháp LS-SVM Phương pháp LS-SVM đã được cải tiến dựa trên kỹ thuật SVR [23]. Xét bộ dữ liệu học gồm p điểm   1 , p k k k y = x với dữ liệu đầu vào Nk x và đầu ra .ky  Trong không gian đặc trưng, phương pháp LS-SVM có dạng: ( ) ( )Ty b= +x w x (2.6) Các thông số của mô hình được xác định bằng việc tối ưu hóa hàm giá trị phạt: - 12 - 2 1 1 1 : 2 2 p T k k Minimize e =  + w w (2.7) với ( ) ( ) , 1,2, ,Tk k ke y b k p = −  + = x w x là sai số và  − thông số điều chỉnh. Bài toán ước lượng sẽ được chuyển thành dạng phi tuyến khi sử dụng hàm nhân ( ), kK x x như sau: ( ) ( ) 1 , p k k k y K b = =  +x x x (2.8) Hàm cơ sở xuyên tâm (RBF) trong LS-SVM được sử dụng như hàm nhân với công thức như sau: ( ) ( ) ( ) 2 , exp , 1,..., 2 T k l k l k lK k p   −  −  = − =     x x x x x x (2.67) trong đó  là độ rộng của hàm RBF. 2.5. Ví dụ ứng dụng minh họa Trình bày ví dụ kiểm chứng khả năng ứng dụng của SVM trong bài toán ước lượng hàm phi tuyến cũng như khả năng của mô hình lai khi dùng SVM và mô hình dùng SVM trực tiếp. 2.6. Kết luận chương 2 Luận án đã đề xuất sử dụng SVM để ước lượng khối phi tuyến trong mô hình lai, cải thiện được độ chính xác hơn so với mô hình lai dùng mạng MLP sử dụng trong [5]. Để so sánh tính ưu việt của mô hình lai trong bài toán ước lượng hàm phi tuyến, luận án đã tiến hành thực nghiệm, kết quả mô hình lai sử dụng SVM cho sai số tốt hơn khi sử dụng trực tiếp mạng SVM đây là cơ sở để luận án đề xuất sử dụng mô hình lai để ước lượng, dự báo thông số khí tượng. - 13 - Chương 3: XÂY DỰNG CÁC GIẢI PHÁP DỰ BÁO, ƯỚC LƯỢNG XỬ DỤNG MÔ HÌNH LAI 3.1. Đặt vấn đề Luận án tiến hành xây dựng hai giải pháp dự báo thông số khí tượng tại một điểm dựa trên các số liệu đo quá khứ (còn gọi tắt là bài toán dự báo), ước lượng thông số khí tượng tại một vị trí dựa trên các số liệu đo tại các điểm lân cận (còn gọi tắt là bài toán ước lượng). Cả hai giải pháp này sẽ sử dụng mô hình lai cho phần ước lượng hàm truyền đạt phi tuyến. 3.2. Xây dựng mô hình lai cho bài toán dự báo 3.2.1. Lựa chọn đầu vào Trích chọn đặc tính đầu vào là một bước rất quan trọng trong quá trình nhận dạng, điều khiển tín hiệu hay dự báo sau khi được thu thập bằng cách loại bỏ những thông tin đặc trưng có rất ít hoặc không có thông tin dự đoán. 3.2.2. Xác định các hệ số của khối tuyến tính Từ phương trình (2.8), giả thiết ta có một tập hợp N thông số  1 2, , , NT T T được đo trong một thời gian, mỗi thông số có được p mẫu:  1 2, , ,i i ipT T T ( )1, ,i N= . Các mô hình dự báo sẽ được xây dựng độc lập cho từng thông số, mỗi mô hình sẽ có một đầu ra tương ứng với giá trị của thông số của ngày tiếp theo. Tuy nhiên các đầu vào được sử dụng cho từng mô hình sẽ được xác định độc lập (và danh sách đầu vào cũng sẽ khác nhau cho từng mô hình). Trước tiên thành phần quan hệ tuyến tính giữa thông số iT của ngày d với chính thông số iT đó của các ngày quá khứ được biểu diễn và xác định từ hệ phương trình ước lượng xấp xỉ như trong công thức (3.1) và (3.2). Từ (3.2) ta cần xác định véc-tơ  1 2, , , T Ka a a=a để đạt cực tiểu của hàm sai số ước lượng. Trong thực tế áp dụng, ta xác định xem các đầu vào cho mô hình dự báo sẽ là các số liệu - 14 - gì trong quá khứ: ( ) ( ) ( ) 1 2 ( )( 1) ( 2) ( 1)( 2) ( 3) 1 ( 1)( ) ( 1) 1 ii i i ii i i ii i i K T dT d T d T d K a T dT d T d T d K a T d pT d p T d p T d p K a − − −          −− − − −     =           − +− − − − − −       (3.1) Trước tiên danh sách các đầu vào quá khứ sẽ được tìm kiếm theo ý tưởng đã được trình bày ở Chương 2 trong một khoảng thời gian đủ xa (Luận án chọn K=60 - tương đương 2 tháng trong quá khứ) để thử nghiệm. Ví dụ, nếu sử dụng phương pháp đánh giá theo hệ số khai triển tuyến tính, ta sẽ xét với K đầu vào quá khứ với bộ số liệu nhiều mẫu đã có, ta xác định véc-tơ  1, , T Ka a=a của hàm ước lượng tuyến tính ( ) 1 ( ) p i j ij T d a T d j =    −  bằng phương pháp khai triển ma trận dùng SVD. Tiếp theo xác định thành phần có giá trị tuyệt đối nhỏ nhất trong véc-tơ a. Thành phần này sẽ tương ứng với ngày trong quá khứ có ảnh hưởng ít nhất tới ngày dự báo tiếp theo. Ta loại bỏ ngày này khỏi bộ số liệu trong quá khứ, giảm K=K-1, và quay lại bước 2 nếu K > Kmin chọn trước. Quá trình lặp các bước 2-3 sẽ được tiếp tục cho đến khi K giảm xuống một giá trị đủ nhỏ có thể chấp nhận được để mô hình không quá phức tạp, khó sử dụng trong thực tế. Cụ thể trong luận án ta chọn Kmin<5. Tương tự như vậy, ta xây dựng hàm quan hệ tuyến tính giữa iT của ngày d với các thông số kT khác ( )1, , ;k N k i=  của các ngày trong quá khứ ta được phương trình như trong công thức sau: ( ) ( ) ( )1i j i jk k j k i j T d a T d j a T d j      − +  −        Sau khi đã xác định được mối quan hệ tuyến tính giữa ( )iT d của ngày d với các ngày trong quá khứ, ta tính sai số lệch giữa - 15 - số liệu thực tế và số liệu ước lượng trong phương trình: ( ) ( ) ( )1( ) i j i jk k j k i j NL d T d a T d j a T d j      = −  − +  −           (3.2) được coi là phần phụ thuộc phi tuyến còn lại giữa iT với các đầu vào và sẽ là giá trị đích mà khối phi tuyến cần tạo ra. 3.2.3. Xây dựng khối phi tuyến của mô hình lai Sau khi đã xác định được các thông số mô hình tuyến tính, ta tiến hành xây dựng mô hình phi tuyến để ước lượng thành phần phi tuyến còn lại (phương trình 3.2). 3.3. Xây dựng mô hình lai cho bài toán ước lượng 3.3.1. Bài toán ước lượng thông số khí tượng Giả thiết rằng ta có kết quả đo các thông số khí tượng dựa kết quả đo quan trắc ở các điểm A1, A2,, AN. Mục tiêu đặt ra là ta cần ước lượng thông số khí tượng tại điểm B (vị trí không có trạm quan trắc), khi đó ta cần xây dựng hàm quan hệ (thông thường đây là quan hệ phi tuyến) giữa thông số khí tượng tại điểm B và tại các điểm Ai có dạng tổng quát như sau: ( ) ( ) ( ) ( )( )1 2, , , , , , ,NT B d g T A d T A d T A d= (3.3) trong đó T - thông số khí tượng cần ước lượng, d – ngày đang xét; hàm g() là phi tuyến (cần xây dựng). Hàm phi tuyến g() sẽ được sử dụng mô hình lai để ước lượng. Mô hình (3.3) cũng có thể được sử dụng để bù dữ liệu khuyết thiếu tại điểm B. Ngoài ra, mô hình (3.3) có thể đực phát triển phát triển cho việc ước lượng thông số T khác (ví dụ để ước lượng Tmax có thể dùng RHmax của điểm lân cận,...). Từ (3.3) ta ước lượng thông số khí tượng tại 02 địa điểm (thành phố Hải Dương, thị xã Chí Linh) dựa trên kết quả đo của 05 trạm quan trắc lân cận. , , , , , , , , , ,T HD d g T TB d T BN d T QN d T HP d T HY d (3.4a) - 16 - và , , , , , , , , , ,T CL d g T TB d T BN d T QN d T HP d T HY d (3.4b) Từ bộ số liệu đã có, luận án sẽ xây dựng bốn mô hình ước lượng cho bốn thông số là Tmax, Tmin, RHmax và RHmin. 3.3.2. Xác định các thông số đầu vào cho mô hình ước lượng Thực hiện tính toán mô phỏng với các bộ đầu vào khác nhau cho cùng một địa điểm (ở đây là thành phố Hải Dương hoặc thị xã Chí Linh) và cùng một thông số khí tượng (nhiệt độ lớn nhất, nhỏ nhất trong ngày, độ ẩm lớn nhất, nhỏ nhất trong ngày) để xác định xem cần sử dụng thông tin từ các địa điểm lân cận nào để đạt kết quả chính xác nhất. 3.4. Kết luận chương 3 − Xây dựng mô hình lai cho 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. − Xây dựng mô hình lai cho bài toàn 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. Chương 4: CÁC KẾT QUẢ TÍNH TOÁN VÀ MÔ PHỎNG 4.1. Đặt vấn đề Với quy trình xây dựng mô hình như ở chương 3, tiến hành tính toán thực nghiệm trên bộ số liệu do Đài Khí tượng thủy văn và Biến đổi khí hậu khu vực đồng bằng Bắc Bộ cung cấp. 4.2. Đánh giá, lựa chọn đặc tính đầu vào cho các mô hình Thực nghiệm với 3 phương pháp khác nhau gồm PCA, hàm tương quan, khai triển theo hệ số tuyến tính trên cùng bộ số liệu đầu vào. Kết quả thực nghiệm phương pháp khai triển theo hệ số tuyến tính cho sai số nhỏ nhất và được chọn để xác định thành phần tuyến tính trong mô hình lai. - 17 - 4.3. Kết quả dự báo, ước lượng thông số khí tượng theo chuỗi thời gian 4.3.1. Kết quả xây dựng mô hình lai dự báo thông số khí tượng theo chuỗi thời gian a. Lựa chọn đặc tính đầu vào cho các mô hình dự báo và xác định thành phần tuyến tính Sử dụng phương pháp khai triển theo hệ số tuyến tính xác định thành phần tuyến tính trong mô hình lai. Kết quả sau khi trích chọn đặc tính ta có số liệu các ngày quá khứ ảnh hưởng đến ngày dự báo d+1: Tmax (19 đầu vào), Tmin (18 đầu vào), RHmax (22 đầu vào), RHmin (19 đầu vào). b. Xác định thành phần phi tuyến Sai số còn lại sau khi ước lượng thành phần tuyến tính chính là giá trị đích cần đạt được của khối phi tuyến. Sử dụng các mô hình mạng nơ-rôn khác nhau để huấn luyện mô hình mạng như: MLP, MLR, RBF, Elman, BTree, SVM và đánh giá, so sánh kết quả sai số. Kết quả SVM cho kết quả sai số tuyệt đối trung bình nhỏ nhất và được chọn là mạng nơ-rôn để xác định thành phần phi tuyến. Hình 4.1 là sai số học và kiểm tra khi xác định thành phần phi tuyến với Tmax cho sai số tuyệt đối trung bình (MAE=1,38oC). Hình 4.1: Sai số học và sai số kiểm tra khi xác định thành phần phi tuyến dự báo Tmax trong mô hình lai - 18 - Hình 4.2 là sai số học và kiểm tra khi xác định thành phần phi tuyến với Tmin cho sai số tuyệt đối trung bình (MAE=0,97oC). Hình 4.2: Sai số học và sai số kiểm tra khi xác định thành phần phi tuyến dự báo Tmin trong mô hình lai Hình 4.3 là sai số học và kiểm tra khi xác định thành phần phi tuyến với RHmax cho sai số tuyệt đối trung bình (MAE=3,35%). Hình 4.3: Sai số học và sai số kiểm tra khi xác định thành phần phi tuyến dự báo RHmax trong mô hình lai - 19 - Hình 4.4 là sai số học và kiểm tra khi xác định thành phần phi tuyến với RHmin cho sai số tuyệt đối trung bình (MAE=6,23%). Hình 4.4: Sai số học và sai số kiểm tra khi xác định thành phần phi tuyến dự báo RHmin trong mô hình lai 4.3.2. Kết quả xây dựng mô hình lai ước lượng thông số khí tượng theo chuỗi thời gian Tiến hành thử nghiệm ước lượng thông số khí tượng tại thành phố Hải Dương, thị xã Chí Linh dựa trên kết quả đo của trạm quan trắc của 05 địa điểm lân cận gồm tỉnh Bắc Ninh, Thái Bình, Hưng Yên, Thành phố Hải Phòng, tỉnh Quảng Ninh. Hình 4.5: Kết quả kiểm tra ước lượng Tmax tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau - 20 - Thực hiện kiểm tra thử nghiệm với 25 trường hợp chia làm 03 nhóm theo số lượng tỉnh lân cận đầu vào từ 2 đến 4. Kết quả cả thành phố Hải Dương và thị xã Chí Linh đều có thể sử dụng chung một mô hình gồm 4 trạm lân cận là Bắc Ninh, Quảng Ninh, Hải Phòng, Hưng Yên. Các hình 4.5÷4.8 là kết quả kiểm tra tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau khi ước lượng Tmax (sai số MAE=0,48oC), Tmin (MAE=0,37oC), RHmax (MAE=2,23%), RHmin (MAE=3,59%) Hình 4.6: Kết quả kiểm tra ước lượng Tmin tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau Hình 4.7: Kết quả kiểm tra ước lượng RHmax tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau Hình 4.8: Kết quả kiểm tra ước lượng RHmin tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau - 21 - Hình 4.9; 4.10 là các kết quả kiểm tra tại thị xã Chí Linh cho các tổ hợp đầu vào khi ước lượng Tmax (sai số MAE=0,58oC), Tmin (sai số MAE=0,4