Dự báo tổ hợp là cách chạy cùng một bài toán dự báo nhiều lần, mỗi lần với điểm xuất phát hơi khác nhau, để xem các kịch bản tương lai toả ra rộng hay hẹp; độ toả đó cho biết dự báo đáng tin đến đâu. Mô hình AI chạy rất nhanh nên mở ra khả năng tạo hàng trăm kịch bản với chi phí thấp, và đây là một trong những ứng dụng được giới khí tượng chú ý nhất.
Bài này giải thích từ gốc: vì sao không có dự báo nào chắc chắn tuyệt đối, dự báo tổ hợp được tạo ra thế nào, đọc nó ra sao, AI thay đổi điều gì và còn vướng ở đâu. Cách đọc con số xác suất mưa trên ứng dụng hằng ngày có bài riêng ở danh mục đọc dự báo; ở đây tập trung vào phía tạo ra dự báo.
Khí quyển hỗn loạn: sai một chút ban đầu, lệch nhiều về sau
Từ những năm 1960, nhà khí tượng Edward Lorenz phát hiện rằng một mô hình thời tiết đơn giản cho kết quả rất khác nhau chỉ vì con số đầu vào được làm tròn khác đi một chút. Hiện tượng này về sau được gọi bằng hình ảnh hiệu ứng cánh bướm. Nó cho thấy khí quyển là hệ hỗn loạn: sai số nhỏ ở điểm xuất phát lớn dần theo thời gian cho tới khi dự báo không còn giá trị chi tiết.
Trong thực tế, ta không bao giờ biết trạng thái khí quyển hiện tại một cách hoàn hảo. Trạm đo thưa ở trên biển và vùng núi, vệ tinh có sai số, mỗi phép đo chỉ đại diện cho một điểm. Mô hình cũng có sai số riêng vì phải tính gần đúng những quá trình nhỏ. Hai nguồn sai này cộng lại khiến mọi dự báo đơn lẻ đều chứa bất định.
Vì vậy, câu hỏi đúng không phải "ngày mai trời thế nào" mà là "ngày mai trời có thể thế nào, khả năng mỗi kiểu là bao nhiêu". Dự báo tổ hợp được sinh ra để trả lời câu hỏi đó.
Một dự báo tổ hợp được tạo ra như thế nào
Các trung tâm dự báo lớn chạy hệ thống tổ hợp hằng ngày. Quy trình chung gồm các bước sau, ở mức nguyên lý:
- Dựng trạng thái ban đầu tốt nhất từ quan trắc, gọi là phân tích.
- Tạo thêm nhiều phiên bản ban đầu hơi khác nhau bằng cách thêm những nhiễu nhỏ, có tính toán, nằm trong phạm vi sai số của quan trắc.
- Với mỗi phiên bản, có thể thay đổi nhẹ cả cách mô hình tính các quá trình nhỏ, để đại diện cho sai số của mô hình.
- Chạy mô hình cho từng phiên bản, mỗi lần chạy gọi là một thành viên tổ hợp; số thành viên thường từ vài chục trở lên.
- Thống kê kết quả: giá trị trung bình, độ tán giữa các thành viên, tỷ lệ thành viên cho mưa vượt một ngưỡng nào đó.
- Dự báo viên đọc các sản phẩm thống kê này để đánh giá mức độ tin cậy và các kịch bản xấu có thể xảy ra.
Chạy vài chục lần một mô hình vật lý toàn cầu rất tốn tài nguyên tính toán. Vì thế thành viên tổ hợp thường phải chạy ở độ phân giải thô hơn bản dự báo đơn lẻ, và số lượng thành viên bị giới hạn bởi ngân sách máy tính.
Đọc kết quả tổ hợp: độ tán nói lên điều gì
Thông tin quý nhất của dự báo tổ hợp không phải giá trị trung bình mà là các thành viên toả ra thế nào. Bảng dưới gom bốn hình dạng hay gặp nhất khi nhìn tập hợp các kịch bản, kèm ví dụ giả định để dễ hình dung.
| Hình dạng kết quả | Ý nghĩa | Ví dụ giả định |
|---|---|---|
| Các thành viên bám sát nhau | Dự báo đáng tin cậy, ít bất định | Gần như mọi kịch bản cho không khí lạnh về tới Bắc Bộ vào cùng một ngày |
| Các thành viên toả rộng đều | Bất định lớn, cần thận trọng | Nhiệt độ thấp nhất sau một tuần dao động trong khoảng rộng |
| Các thành viên chia thành hai nhóm | Có hai kịch bản khác nhau rõ rệt | Một nhóm cho bão rẽ lên phía bắc, nhóm kia cho bão đi thẳng vào đất liền |
| Phần lớn bình thường, vài thành viên cực đoan | Có khả năng nhỏ nhưng không bằng không của sự kiện nguy hiểm | Đa số cho mưa vừa, vài thành viên cho mưa rất lớn ở vùng núi |
Trường hợp hai nhóm cho thấy vì sao lấy trung bình có thể gây hiểu nhầm: trung bình của "rẽ bắc" và "vào đất liền" là một đường ở giữa mà có thể không thành viên nào đi theo. Dự báo viên phải xem từng kịch bản chứ không chỉ con số trung bình.
AI làm thay đổi dự báo tổ hợp ra sao
Khi một lần chạy dự báo toàn cầu bằng mô hình AI chỉ mất vài phút, chi phí để chạy hàng trăm thành viên trở nên chấp nhận được. Nhiều kịch bản hơn giúp ước lượng tốt hơn xác suất của những sự kiện hiếm, vốn chỉ xuất hiện ở một số ít thành viên.
Nhưng có một vướng mắc. Các mô hình AI thế hệ đầu được huấn luyện để cho ra một đáp án sát nhất với trung bình, nên kết quả trơn và thiếu biến động. Nếu chỉ thêm nhiễu vào đầu vào rồi chạy mô hình loại này nhiều lần, các thành viên có thể không toả ra đủ rộng, khiến ta tưởng dự báo chắc chắn hơn thực tế. Để khắc phục, các nhóm nghiên cứu phát triển mô hình AI dạng sinh, học cả phân bố của các khả năng chứ không chỉ một đáp án, ví dụ mô hình GenCast của Google DeepMind đã được công bố. ECMWF cũng phát triển phiên bản tổ hợp cho mô hình AI của mình.
Các mô hình này đang được đánh giá trên nhiều tiêu chí: độ tán có phản ánh đúng sai số thật không, xác suất đưa ra có đáng tin không, sự kiện cực đoan có được thể hiện không. Kết quả công bố đến nay khá hứa hẹn, nhưng đưa vào nghiệp vụ ở từng nước còn cần thời gian kiểm chứng trên dữ liệu địa phương.
Từ nhiều kịch bản mưa đến cảnh báo lũ
Một ứng dụng quan trọng của dự báo tổ hợp là dự báo lũ. Lượng nước chảy về sông phụ thuộc vào tổng lượng mưa trên cả lưu vực trong nhiều ngày, độ ẩm sẵn có của đất, mực nước hồ chứa. Nếu chỉ đưa một dự báo mưa vào mô hình thuỷ văn, ta chỉ có một đường mực nước dự báo, không biết nó chắc đến đâu.
Khi đưa từng thành viên tổ hợp vào mô hình thuỷ văn, ta có nhiều đường mực nước khác nhau. Từ đó người dự báo ước lượng được khả năng mực nước vượt một mức báo động nào đó là cao, vừa hay thấp. Thông tin dạng này giúp người vận hành hồ chứa và cơ quan phòng chống thiên tai cân nhắc xả nước, sơ tán sớm hay chờ thêm, với hiểu biết rõ hơn về rủi ro.
AI có thể góp mặt ở cả hai đầu: tạo nhiều kịch bản mưa nhanh hơn, và thay một phần mô hình thuỷ văn bằng mô hình học máy dự báo dòng chảy từ dữ liệu quá khứ của từng con sông. Tuy vậy, mỗi lưu vực có đặc điểm riêng, dữ liệu đo lâu năm ở nhiều sông còn thiếu, và sai số ở khâu dự báo mưa sẽ truyền xuống khâu dự báo lũ. Cảnh báo lũ chính thức vẫn do cơ quan khí tượng thuỷ văn phát hành, và người dân vùng trũng, ven sông, vùng núi cần theo sát những cảnh báo này cùng chỉ đạo của chính quyền địa phương.
Dự báo tổ hợp hữu ích với ai và cho việc gì
Phòng chống thiên tai. Biết rằng có khả năng nhỏ xảy ra mưa cực lớn giúp chính quyền chuẩn bị phương án sớm, dù kịch bản chính là mưa vừa.
Thuỷ điện và thuỷ lợi. Vận hành hồ chứa cần cân nhắc cả kịch bản mưa nhiều lẫn mưa ít trong những ngày tới, không chỉ một con số.
Năng lượng và điện lưới. Dự báo phụ tải điện khi nắng nóng, dự báo sản lượng điện gió, điện mặt trời đều cần biết mức bất định để bố trí dự phòng.
Nông nghiệp và nuôi trồng. Quyết định gieo sạ, thu hoạch, phun thuốc hay thu tôm sớm có thể dựa trên khả năng mưa, rét, nắng nóng chứ không chỉ một dự báo đơn lẻ.
Sự kiện ngoài trời. Ban tổ chức có thể đặt ngưỡng: nếu khả năng mưa lớn vượt một mức thì chuyển phương án dự phòng, thay vì chờ tới phút chót.
Dùng AI để hiểu dự báo tổ hợp mà không tự dự báo
Với người dân, bạn không cần tự chạy dự báo tổ hợp. Điều hữu ích là hiểu rằng các con số xác suất, khoảng dao động nhiệt độ hay vùng ảnh hưởng của bão trong bản tin đều có gốc từ dự báo tổ hợp và đánh giá của dự báo viên. Một dự báo nói "có khả năng" không phải là dự báo né tránh, mà là dự báo trung thực về giới hạn hiểu biết.
Nếu bạn là giáo viên muốn dạy học sinh về khái niệm này, có thể nhờ chatbot thiết kế một trò chơi trên lớp. Câu lệnh mẫu: "Thiết kế một hoạt động 20 phút cho học sinh lớp 10 hiểu dự báo tổ hợp: mỗi nhóm thả một vật nhẹ từ cùng một độ cao với điều kiện hơi khác nhau, ghi vị trí rơi, rồi thảo luận vì sao kết quả toả ra; không chấm điểm hay xếp hạng nhóm." Hoạt động kiểu này giúp học sinh cảm nhận bất định tốt hơn mọi định nghĩa.
Còn khi bạn phải ra quyết định thật, như chuyến đi biển hay lịch thu hoạch, hãy đọc bản tin chính thức, chú ý những chữ như "khả năng", "có thể", "nguy cơ", và hỏi bản thân: nếu kịch bản xấu xảy ra, mình có chịu được hậu quả không. Nếu không, hãy chuẩn bị cho kịch bản xấu dù khả năng không cao.
Câu hỏi thường gặp
Dự báo tổ hợp khác dự báo thông thường ở điểm nào?
Dự báo thông thường chạy mô hình một lần và cho một kết quả. Dự báo tổ hợp chạy nhiều lần với điểm xuất phát và cách tính hơi khác nhau, cho ra nhiều kịch bản, từ đó biết được mức độ chắc chắn của dự báo và khả năng xảy ra các tình huống xấu.
Vì sao không chạy một mô hình thật chi tiết thay cho nhiều kịch bản?
Vì khí quyển hỗn loạn, dù mô hình chi tiết đến đâu, sai số nhỏ ở trạng thái ban đầu vẫn lớn dần theo thời gian. Một kết quả đơn lẻ không cho biết nó đáng tin đến mức nào, còn nhiều kịch bản thì cho biết điều đó.
Mô hình AI có làm dự báo tổ hợp tốt hơn không?
AI giúp chạy nhiều thành viên với chi phí thấp. Các mô hình AI dạng sinh được thiết kế riêng cho dự báo tổ hợp đã cho kết quả đánh giá khả quan. Tuy vậy, chúng vẫn cần được kiểm chứng thêm, nhất là với hiện tượng cực đoan và với từng khu vực.
Giá trị trung bình của dự báo tổ hợp có phải là dự báo tốt nhất không?
Trung bình thường có sai số tổng thể thấp, nhưng nó làm mờ các chi tiết và có thể che mất kịch bản nguy hiểm. Khi các thành viên chia thành nhóm khác nhau rõ rệt, cần xem từng kịch bản chứ không chỉ con số trung bình.
Hiệu ứng cánh bướm có nghĩa là không thể dự báo thời tiết?
Không. Nó có nghĩa là dự báo chi tiết từng ngày có giới hạn, thường khoảng một đến hai tuần. Trong giới hạn đó, dự báo vẫn rất hữu ích, và dự báo tổ hợp giúp biết mỗi lần dự báo đáng tin đến đâu.
Người dân có xem được dự báo tổ hợp không?
Một số trung tâm khí tượng công bố sản phẩm tổ hợp dạng biểu đồ cho công chúng, nhưng đọc đúng cần chút kiến thức chuyên môn. Với quyết định an toàn, bạn nên dựa vào bản tin chính thức, nơi dự báo viên đã diễn giải kết quả tổ hợp.