Dự báo thời tiết chính xác có thể giúp chúng ta có sự chuẩn bị tốt hơn cho những sự kiện thời tiết khắc nghiệt (ảnh: NOAA/Getty).
Các mô hình lưu thông chung trong dự báo thời tiết và khí hậu
Các mô hình lưu thông chung (GCM) là nền tảng của dự báo thời tiết và khí hậu. GCM là các chương trình dựa trên các định luật vật lý để mô phỏng các quá trình trong đại dương và khí quyển của Trái đất và dự đoán cách chúng có thể ảnh hưởng đến thời tiết và khí hậu. Tuy nhiên, GCM đòi hỏi rất nhiều năng lượng để tính toán, trong khi đó, tiến bộ trong học máy đang bắt đầu cung cấp một giải pháp thay thế hiệu quả hơn. Stephan Hoyer, nhà nghiên cứu về học sâu tại Google Research ở Mountain View, California (Mỹ) cho biết, chúng tôi có hàng terabyte hoặc petabyte (lớn hơn một triệu lần so với một gigabyte) dữ liệu thời tiết lịch sử, bằng cách học hỏi từ các mô hình đó, chúng tôi có thể xây dựng các mô hình tốt hơn.
Hiện đã có một số mô hình dự báo học máy khả dụng, chẳng hạn như Pangu-Weather (do Tập đoàn công nghệ Huawei có trụ sở tại Thâm Quyến, Trung Quốc) xây dựng và GraphCast của DeepMind (có trụ sở tại London, Anh). Các mô hình này có mức độ chính xác tương tự như các GCM thông thường nhưng chưa chứng minh được khả năng dự báo tổng thể và độ ổn định đủ cho các mô hình dự báo thời tiết và khí hậu dài hạn.
Scott Hosking, nhà nghiên cứu dữ liệu AI và môi trường tại Viện Alan Turing ở London cho biết, vấn đề với các phương pháp học máy thuần túy là nó chỉ được đào tạo dựa trên dữ liệu mà nó đã “được dạy”. Trong khi đó, khí hậu liên tục thay đổi, vì vậy các mô hình học máy phải có khả năng dự đoán các viễn cảnh khí hậu trong tương lai.
NeuralGCM - Một mô hình lai
NeuralGCM là một mô hình khí quyển lai có thể phân biệt được, kết hợp các điểm mạnh của GCM truyền thống với học máy để dự báo thời tiết và mô phỏng khí hậu. Các nhà khoa học đã sử dụng mô hình này để tạo ra các dự báo thời tiết ngắn hạn và dài hạn. Để đánh giá độ chính xác của NeuralGCM, các nhà nghiên cứu đã so sánh dự đoán của nó với dữ liệu thực tế, cũng như so với các kết quả từ các mô hình khác, bao gồm GCM và các mô hình chỉ dựa trên học máy.
Giống như các mô hình học máy hiện tại, NeuralGCM có thể tạo ra các dự báo thời tiết ngắn hạn, xác định chính xác - trước từ một đến ba ngày - trong khi chỉ tiêu thụ một phần nhỏ công suất mà GCM yêu cầu. Hơn thế nữa, NeuralGCM ít mắc lỗi hơn nhiều so với các mô hình học máy khác khi tạo ra các dự báo dài hạn (sau 7 ngày). Trên thực tế, các dự báo dài hạn của NeuralGCM tương tự như các dự đoán của mô hình tổng hợp của Trung tâm Dự báo Thời tiết hạn vừa châu Âu (ECMWF-ENS) - một GCM được biết đến phổ biến là tiêu chuẩn vàng cho dự báo thời tiết.
Nhóm nghiên cứu cũng đã thử nghiệm khả năng dự báo các hiện tượng thời tiết khác nhau của mô hình, chẳng hạn như xoáy thuận nhiệt đới. Họ phát hiện ra rằng, nhiều mô hình học máy thuần túy đưa ra các dự báo không nhất quán và không chính xác so với NeuralGCM và ECMWF-ENS. Các nhà nghiên cứu thậm chí còn so sánh NeuralGCM với các mô hình khí hậu có độ phân giải cực cao - được gọi là các mô hình giải quyết bão toàn cầu. NeuralGCM có thể đưa ra số lượng và quỹ đạo xoáy thuận nhiệt đới thực tế hơn trong thời gian ngắn hơn.
Các nhà khoa học đánh giá, khả năng dự đoán các kịch bản thời tiết dài hạn đóng vai trò rất quan trọng để cải thiện khả năng ra quyết định, các chiến lược chuẩn bị và ứng phó với các diễn biến thời tiết khó lường. Tác giả của nghiên cứu cho biết thêm, họ muốn tinh chỉnh và điều chỉnh NeuralGCM nhiều hơn nữa, ví dụ như kết hợp nhiều khía cạnh hơn của khoa học Trái đất vào các phiên bản trong tương lai để cải thiện độ chính xác của mô hình.
LB