Cải thiện chất lượng dự báo thiên tai

Trận lũ lịch sử trên sông Lam tại Tương Dương, Nghệ An năm 2025.

Các nhà khoa học đang nghiên cứu mô hình Hybrid tích hợp nhiều nguồn dữ liệu và trí tuệ nhân tạo (AI), nhằm cải thiện chất lượng dự báo và hỗ trợ ra quyết định phòng, chống thiên tai hiệu quả hơn.

Giải pháp tích hợp Hybrid trong cảnh báo sớm thiên tai do Viện Khoa học tài nguyên nước (Trung tâm Quy hoạch và điều tra tài nguyên nước, Bộ Nông nghiệp và Môi trường) nghiên cứu, giới thiệu được xem là mang tính đột phá trong công tác dự báo thiên tai tại Việt Nam.

Tiến sĩ Bùi Du Dương, Phó Viện trưởng Khoa học tài nguyên nước cho biết: Giải pháp Hybrid là giải pháp dự báo tích hợp nhiều nguồn dữ liệu và nhiều loại mô hình, tận dụng điểm mạnh của từng phương pháp. So với các mô hình truyền thống, đây là giải pháp mang tính linh hoạt, ổn định hơn, dự báo sát thực tế hơn. Tuy nhiên, cũng là giải pháp bổ trợ và không thay thế các mô hình dự báo truyền thống.

Về nguyên lý, giải pháp Hybrid là sự kết hợp của nhiều nguồn dữ liệu và nhiều loại mô hình, tận dụng điểm mạnh của từng phương pháp để kết hợp giúp chuyển đổi các dữ liệu rời rạc thành thông tin hữu ích. Từ đó, có thể cải thiện số liệu đầu vào, giảm sai số, tăng giá trị cảnh báo sớm và hỗ trợ việc ra quyết định.

Giải pháp này lấy mô hình toán - lý truyền thống làm cơ sở khoa học; sử dụng công nghệ viễn thám để quan sát diện rộng; sử dụng số liệu thực đo để hiệu chỉnh và kiểm chứng. Ngoài ra, còn sử dụng thuật toán kết hợp phương pháp sử dụng trí tuệ nhân tạo (AI) để tính toán, đưa ra những kết luận. Thông thường, đó là các kết luận chính xác, giúp cho ngành dự báo có thể làm giảm tỷ lệ sai số của dữ liệu cơ sở, đưa ra những dự báo và cảnh báo sớm, chính xác, kịp thời. Có 4 mô hình được ứng dụng giải pháp Hybrid gồm: Dự báo mưa, dòng chảy; cảnh báo sạt lở đất; nguy cơ xói mòn lưu vực và bồi lắng hồ chứa; dự báo ngập.

Các giải pháp này không chỉ tận dụng dữ liệu khí tượng thủy văn truyền thống mà còn tích hợp dữ liệu vệ tinh, mô hình khí tượng toàn cầu và các thuật toán học máy, qua đó hỗ trợ dự báo viên xử lý khối lượng thông tin lớn và đưa ra cảnh báo sớm, sát thực tế hơn.

Để triển khai 4 mô hình đó, Viện Khoa học tài nguyên nước đề xuất một số giải pháp, nhóm giải pháp Hybrid trong công tác dự báo, cảnh báo thiên tai. Đó là giải pháp GM-ForcePast cập nhật hằng ngày, có thể cung cấp thông tin lượng mưa đồng bộ và có độ phân giải cao, giảm sự không chắc chắn do quan sát hạn chế hoặc không đồng đều, hỗ trợ hoạt động vận hành hồ chứa hằng ngày và lập kế hoạch ngắn hạn.

Giải pháp tiếp theo, dự báo trước từ 16 ngày tới 6 tháng, cũng cập nhật hằng ngày, có thể dự báo mưa tổ hợp từ mô hình toàn cầu (GFS, ECMWF, Google). Đối với các giải pháp mô hình Hybrid, giải pháp này dự báo dòng chảy vào hồ trước 16 ngày, cập nhật hằng ngày, là sự kết hợp giữa các mô hình toán - lý (HYPE) và mô hình học máy (RF, XGBoost), được tăng cường bằng dữ liệu từ vệ tinh và mô hình khí tượng toàn cầu.

Bên cạnh mô hình Hybrid giám sát, dự báo dòng chảy cùng giải pháp tác động hệ thống liên hồ chứa đến dòng chảy và trầm tích, việc dự báo cảnh báo sớm nguy cơ sạt lở đất được xem là giải pháp xây dựng căn cứ trên kết quả nghiên cứu quy luật thiên tai, cho phép đưa ra những dự báo về nguy cơ sạt lở đất trên cơ sở dữ liệu thực địa và lượng mưa tiềm năng. Giải pháp cuối cùng là dự báo phạm vi, độ sâu và thời gian ngập. Trong thử nghiệm tại vùng hạ lưu Mê Kông, hệ thống Hybrid có thể tính toán phạm vi và độ sâu ngập hằng ngày chỉ trong khoảng 30 giây, với thời gian dự báo trước lên tới 18 ngày.

Theo các kết quả nghiên cứu và thử nghiệm, giải pháp Hybrid có thể giúp tăng độ chính xác của dự báo hơn 40%. Chưa kể lượng thông tin dự báo viên có thể cập nhật và tổng hợp lớn hơn nhiều trong khi thời gian, công sức được rút ngắn hơn. Sự kết hợp các giải pháp, nhóm giải pháp nêu trên đã bổ sung, khắc phục hạn chế của những giải pháp truyền thống, góp phần giúp công tác dự báo thiên tai của Việt Nam đổi mới theo hướng nhanh, chính xác, thông minh hơn, đồng thời tận dụng được thành tựu mới của khoa học, công nghệ.