Hạ quy mô là kỹ thuật biến dự báo thô của mô hình toàn cầu, ô lưới hàng chục km, thành dự báo chi tiết hơn có tính đến núi, thung lũng, bờ biển, đô thị của từng vùng; AI đang làm việc này nhanh và rẻ hơn nhiều so với chạy mô hình vật lý chi tiết. Nhưng có một cái bẫy: hình ảnh chi tiết đến từng xã trên màn hình không có nghĩa là dự báo đã chính xác đến từng xã.
Việt Nam có địa hình rất phức tạp: dãy Trường Sơn chắn gió, cao nguyên, thung lũng sâu ở miền núi phía Bắc, bờ biển dài, đồng bằng thấp. Thời tiết ở hai xã cách nhau vài chục km có thể khác hẳn. Bài này giải thích vì sao cần hạ quy mô, ba cách làm chính, AI đóng góp gì, và cách đọc những dự báo "siêu chi tiết" một cách tỉnh táo.
Vì sao dự báo toàn cầu chưa đủ cho từng địa phương
Một ô lưới rộng hai mươi lăm km có thể chứa cả một đỉnh núi cao lẫn thung lũng sâu bên dưới. Mô hình chỉ biết độ cao trung bình của ô, nên núi trong mô hình thấp và thoai thoải hơn thật. Hệ quả là mưa trên sườn đón gió thường bị đánh giá thấp, nhiệt độ ở đỉnh núi bị đánh giá cao, còn nhiệt độ ở thung lũng vào đêm lặng gió thì lệch theo hướng ngược lại.
Ven biển cũng vậy. Một ô lưới chứa cả mặt biển lẫn đất liền cho ra nhiệt độ và gió lưng chừng giữa hai môi trường. Gió đất, gió biển, sương mù ven biển, những hiện tượng sống còn với ngư dân và người nuôi trồng thuỷ sản, nằm dưới tầm nhìn của mô hình thô.
Đô thị lớn có hiệu ứng đảo nhiệt: bê tông, nhựa đường, điều hoà khiến nội đô nóng hơn vùng ven, nhất là ban đêm. Mô hình toàn cầu không phân biệt được trung tâm thành phố với vùng ngoại thành. Vì vậy, muốn có dự báo dùng được cho một huyện miền núi cũ, một xã ven biển hay một quận nội đô, cần một bước nữa: hạ quy mô.
Ba cách hạ quy mô và vị trí của AI
Có ba hướng chính, mỗi hướng có ưu nhược riêng. Các trung tâm dự báo thường kết hợp nhiều hướng, chọn cách nào tuỳ vào ngân sách tính toán, dữ liệu sẵn có và loại sản phẩm cần làm.
| Cách làm | Nguyên lý | Ưu điểm | Hạn chế |
|---|---|---|---|
| Hạ quy mô động lực | Chạy mô hình vật lý độ phân giải cao cho một vùng, lấy điều kiện biên từ mô hình toàn cầu | Thể hiện được quá trình vật lý theo địa hình, kể cả tình huống hiếm | Tốn nhiều tài nguyên tính toán, vẫn có sai số riêng |
| Hạ quy mô thống kê | Tìm quan hệ giữa dự báo thô và quan trắc thực tế ở từng trạm trong quá khứ | Rẻ, hiệu chỉnh được sai số có hệ thống | Chỉ tốt ở nơi có trạm đo lâu năm, khó với tình huống chưa gặp |
| Hạ quy mô bằng AI | Mô hình học máy học cách biến trường thô thành trường chi tiết, từ dữ liệu mô hình độ phân giải cao hoặc quan trắc | Nhanh, cho trường chi tiết liên tục, kết hợp được nhiều nguồn | Có thể vẽ ra chi tiết trông hợp lý nhưng sai, cần kiểm chứng kỹ |
Hạ quy mô bằng AI đôi khi được gọi là siêu phân giải, mượn từ kỹ thuật làm nét ảnh. Điểm khác là thời tiết phải tuân theo vật lý, nên chi tiết AI tạo ra phải được kiểm chứng với quan trắc thật, không chỉ trông đẹp mắt.
Bên trong một mô hình AI hạ quy mô
Để huấn luyện, người ta chuẩn bị các cặp dữ liệu: một bên là trường thời tiết thô như mô hình toàn cầu cho ra, bên kia là trường chi tiết tương ứng, lấy từ mô hình khu vực độ phân giải cao đã chạy trong quá khứ hoặc từ quan trắc dày đặc như radar và trạm tự động. Mô hình học cách đi từ bên thô sang bên chi tiết. Đầu vào thường có thêm bản đồ độ cao địa hình, khoảng cách tới bờ biển, loại bề mặt như rừng, ruộng, đô thị, vì đây là những yếu tố quyết định khác biệt địa phương.
Mô hình loại đơn giản cho ra một trường chi tiết duy nhất. Loại phức tạp hơn, theo hướng mô hình sinh, có thể tạo nhiều phiên bản chi tiết khác nhau cùng phù hợp với trường thô, thể hiện rằng chi tiết nhỏ vốn không chắc chắn. Cách này trung thực hơn, vì nó không giả vờ biết chính xác mưa rơi ở thung lũng nào.
Sau khi huấn luyện, mô hình phải được kiểm chứng trên dữ liệu nó chưa từng thấy, đặc biệt là các đợt thời tiết cực đoan. Một mô hình hạ quy mô có điểm trung bình tốt nhưng làm mờ đỉnh mưa trong đợt lũ thì không đạt yêu cầu cho cảnh báo thiên tai. Việc kiểm chứng này cần dữ liệu quan trắc tốt ở chính vùng áp dụng.
Bẫy "độ phân giải giả": chi tiết đẹp nhưng không chính xác hơn
Một số trang thời tiết và ứng dụng hiển thị dự báo đến từng ô vài km, từng xã, từng giờ, với bản đồ màu rất mịn. Người xem dễ nghĩ dự báo đã chính xác đến mức đó. Thực ra, nhiều sản phẩm chỉ nội suy dự báo thô ra lưới mịn, hoặc thêm hiệu chỉnh theo độ cao, mà không thêm được thông tin nào về thời tiết thật.
Ngay cả với hạ quy mô bằng AI có huấn luyện tốt, độ tin cậy của chi tiết vẫn bị giới hạn bởi dự báo thô đầu vào. Nếu mô hình toàn cầu đặt vùng mưa lệch năm mươi km, thì AI dù vẽ mưa theo sườn núi khéo đến đâu cũng sẽ vẽ ở sai chỗ. Hạ quy mô sửa được sai số do địa hình, không sửa được sai số do dự báo hệ thống thời tiết lớn.
Cách đọc tỉnh táo: dùng dự báo chi tiết để hiểu xu hướng theo địa hình, ví dụ sườn đông thường mưa nhiều hơn sườn tây trong đợt gió này, thung lũng lạnh hơn đỉnh đồi vào sáng sớm. Đừng dùng nó để tin rằng mưa sẽ dừng đúng ở ranh giới xã bạn.
Những nơi ở Việt Nam hưởng lợi nhiều từ hạ quy mô
Miền núi phía Bắc. Rét đậm, rét hại, sương muối, băng giá ở vùng núi cao như Lào Cai, Lai Châu, Điện Biên khác hẳn với vùng thấp kế bên. Dự báo chi tiết theo độ cao giúp người dân bảo vệ cây trồng, vật nuôi đúng lúc.
Dải miền Trung. Mưa lớn mùa thu đông dồn vào sườn đông dãy Trường Sơn. Dự báo lượng mưa theo từng lưu vực sông nhỏ là đầu vào quan trọng cho cảnh báo lũ, lũ quét.
Tây Nguyên. Cao nguyên có mùa khô rõ rệt, nhiệt độ ngày đêm chênh lớn, dông đầu mùa mưa hay gây gió giật. Dự báo chi tiết theo địa hình hỗ trợ lịch tưới và lịch thu hái.
Ven biển và hải đảo. Gió, sóng, sương mù ven bờ quyết định chuyện ra khơi, neo đậu, thu hoạch muối, nuôi lồng bè.
Đô thị lớn. Hà Nội, Thành phố Hồ Chí Minh và các đô thị lớn khác cần dự báo nhiệt theo khu vực để ứng phó nắng nóng, và dự báo mưa lớn cục bộ để vận hành thoát nước.
Dữ liệu là nút thắt: không có trạm thì AI học từ đâu
Hạ quy mô thống kê và hạ quy mô bằng AI đều cần dữ liệu quan trắc thật để học và để kiểm chứng. Ở những vùng có mạng lưới trạm khí tượng, trạm đo mưa tự động dày, có radar phủ, mô hình có nhiều thứ để học và kết quả thường tốt. Ở vùng núi cao, hải đảo xa, nơi trạm thưa, chuỗi số liệu ngắn, mô hình học được ít hơn và kiểm chứng cũng khó hơn.
Đây là lý do việc mở rộng mạng lưới quan trắc tự động có ý nghĩa ngang với việc phát triển mô hình. Một mô hình AI tốt huấn luyện trên dữ liệu thiếu sẽ cho kết quả tự tin nhưng sai ở chính những nơi cần nó nhất. Nhiều nhóm nghiên cứu vì thế kết hợp thêm dữ liệu vệ tinh, dữ liệu mô hình độ phân giải cao để bù.
Người dân cũng góp phần được ở mức nhất định: các trạm đo tại nhà và nhật ký thời tiết có thể giúp chính bạn hiểu vi khí hậu nơi mình ở. Cách đặt dụng cụ và ghi chép đúng có ở danh mục tự quan trắc tại nhà của trang. Số liệu tự đo chỉ để tham khảo cá nhân, không thay số liệu chính thức.
Dùng dự báo chi tiết cho việc đồng áng, đi lại mà không bị đánh lừa
Nếu bạn là nông dân, chủ trang trại hay người hay đi lại vùng núi, có thể dùng dự báo chi tiết theo trình tự sau:
- Đọc bản tin chính thức của tỉnh hoặc khu vực trước để biết bức tranh chung: có không khí lạnh, có mưa lớn diện rộng, có nắng nóng hay không.
- Sau đó mới xem dự báo chi tiết theo vị trí để hiểu khác biệt theo địa hình: sáng sớm thung lũng lạnh bao nhiêu so với trên đồi, sườn nào mưa nhiều hơn.
- Đối chiếu với kinh nghiệm của chính bạn và người lâu năm trong vùng: chỗ nào hay có sương muối, chỗ nào hay ngập.
- Ghi lại vài tuần xem dự báo chi tiết đúng sai thế nào với nơi bạn ở, để biết nên tin nó đến mức nào.
- Với quyết định an toàn như đi qua vùng núi khi mưa lớn, ra khơi, tránh trú bão, luôn theo cảnh báo chính thức và chỉ đạo của chính quyền địa phương.
Nếu muốn nhờ chatbot AI giúp, có thể dán phần dự báo bạn thu thập được và hỏi: "Tóm tắt dự báo bảy ngày tới cho một vườn cây trên đồi ở vùng núi, nêu những ngày cần chú ý rét hoặc mưa lớn, không thêm thông tin ngoài nội dung đã dán." Chỉ cần ghi tên tỉnh, không cần ghi toạ độ hay địa chỉ chính xác của nhà vườn.
Câu hỏi thường gặp
Hạ quy mô dự báo thời tiết là gì?
Đó là kỹ thuật biến dự báo thô của mô hình toàn cầu thành dự báo chi tiết hơn cho một vùng, có tính đến địa hình, bờ biển, đô thị. Có thể làm bằng mô hình vật lý độ phân giải cao, bằng thống kê hoặc bằng AI.
Dự báo chi tiết đến từng xã có chính xác hơn dự báo theo tỉnh không?
Không hẳn. Nó thể hiện tốt hơn khác biệt do địa hình, nhưng nếu dự báo thô đặt vùng mưa sai chỗ thì chi tiết cũng sai theo. Độ chi tiết trên màn hình không đồng nghĩa với độ chính xác thực tế.
AI hạ quy mô có thay được mô hình khu vực không?
AI nhanh và rẻ hơn, phù hợp để tạo nhiều sản phẩm chi tiết. Nhưng mô hình khu vực vật lý vẫn cần cho tình huống hiếm và cho việc tạo dữ liệu huấn luyện. Hiện các trung tâm dự báo thường dùng kết hợp cả hai.
Vì sao vùng núi thường bị dự báo sai nhiệt độ?
Mô hình thô làm núi thấp và thoai thoải hơn thật, không thấy thung lũng sâu nơi khí lạnh dồn xuống ban đêm. Vì vậy nhiệt độ sáng sớm ở thung lũng và trên cao thường lệch, đặc biệt trong các đợt rét đậm.
Ở nơi ít trạm đo, dự báo chi tiết có đáng tin không?
Kém tin cậy hơn, vì mô hình có ít dữ liệu thật để học và để kiểm chứng. Ở những nơi này bạn nên dựa nhiều hơn vào bản tin chính thức của khu vực và kinh nghiệm địa phương.
Hạ quy mô có dùng cho dự báo khí hậu dài hạn không?
Có. Các kịch bản biến đổi khí hậu cho từng vùng cũng dùng kỹ thuật hạ quy mô từ mô hình khí hậu toàn cầu. Phần này thuộc về nghiên cứu khí hậu, có bàn thêm ở danh mục biến đổi khí hậu của trang.