Tải file PDF Tác giả
Đơn vị công tác
1 Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu; Anchorchinhth2010@gmail.com; kien.cbg@gmail.com; vvthang26@gmail.com
2 Trung tâm Dự báo Khí tượng Thủy văn quốc gia; lamhpvn@gmail.com
*Tác giả liên hệ: chinhth2010@gmail.com; Tel.: +84–868791281
Tóm tắt
Bài báo trình bày về phân bố nắng nóng đặc trưng bởi đại lượng số ngày nắng nóng (SNN) trong năm trên phạm vi toàn lãnh thổ Việt Nam. Kết quả chỉ ra, SNN gia tăng mạnh ở khu vực Tây Nguyên, Nam Bộ trong thời kỳ khoảng tháng 3 đến tháng 5; ở các tỉnh Bắc Bộ và Trung Bộ trong thời kỳ từ khoảng tháng 4 đến tháng 8. Giá trị SNN nhiều nhất ở khu vực các tỉnh miền Trung, đặc biệt ở Bắc và Trung Trung Bộ. Ngoài ra, nghiên cứu thực hiện dự báo thử nghiệm SNN trong mùa tháng 4 đến tháng 6 bằng sử dụng mạng thần kinh nhân tạo với nhân tố dự báo là các chỉ số liên quan đến ENSO. Kết quả cho thấy, dự báo có kỹ năng cho các khu vực thuộc phần các tỉnh Bắc Bộ và Bắc Trung Bộ, trong khi các tỉnh thuộc phần phía nam như Tây Nguyên, Nam Bộ, Nam Trung Bộ có kỹ năng yếu.
Từ khóa
Trích dẫn bài báo
Chỉnh, T.H.; Lâm, H.P.; Thăng, V.V.; Kiên, T.B. Thử nghiệm khả năng dự báo số ngày nắng nóng trên lãnh thổ Việt Nam bằng mạng thần kinh nhân tạo. Tạp chí Khí tượng Thủy văn 2022, 741, 98-105.
Tài liệu tham khảo
1. Gers, F.A.; Schmidhuber, J.; Cummins, F. Learning to forget: Continual prediction with LSTM. Neural Comput. 2000, 12(10), 2451–2471.
2. Hochreiter, S., & Schmidhuber, J. Long short-term memory. Neural Comput. 1997, 9(8), 1735–1780.
3. Larraondo, P.R.; Renzullo, L.J.; Inza, I.; Lozano, J.A. A data-driven approach to precipitation parameterizations using convolutional encoder-decoder neural networks. ArXiv 2019. http://arxiv.org/abs/1903.10274.
4. Rasp, S.; Pritchard, M.S.; Gentine, P. Deep learning to represent subgrid processes in climate models. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(39), 9684–9689.
5. Rodrigues, E.R.; Oliveira, I.; Cunha, R.; Netto, M. (). Deep Downscale: A deep learning strategy for high-resolution weather forecast. 2018 IEEE 14th International Conference on e-Science Amsterdam, Netherlands: IEEE. 2018, pp. 415–422. https://doi.org/10.1109/eScience.2018.00130.
6. Ruder, S. An overview of multi-task learning in deep neural networks. ArXiv 2017. http://arxiv.org/abs/1706.05098.
7. Scher, S.; Messori, G. Weather and climate forecasting with neural networks: Using GCMs with different complexity as study-ground. Geosci. Model Dev. Discuss. 2019, 12, 2797–2809.
8. Kurth, T.; Treichler, S.; Romero, J.; Mudigonda, M.; Luehr, N.; Phillips, E.; ... Houston, M. Exascale deep learning for climate analytics. In SC18: International Conference for High Performance Computing, Networking, Storage and Analysis, IEEE 2018, pp. 649–660.
9. Lagerquist, R.; McGovern, A.; Gagne II, D.J. Deep learning for spatially explicit prediction of synoptic-scale fronts. Weather Forecasting 2019, 34(4), 1137–1160.
10. Liu, Y.; Racah, E.; Correa, J.; Khosrowshahi, A.; Lavers, D.; Kunkel, K.; ... Collins, W. Application of deep convolutional neural networks for detecting extreme weather in climate datasets. 2016. arXiv preprint arXiv:1605.01156.
11. Brenowitz, N.D.; Bretherton, C.S. Prognostic validation of a neural network unified physics parameterization. Geophys. Res. Lett. 2018, 45(12), 6289–6298.
12. Quận, N.V. và cs. Nghiên cứu ứng dụng mạng thần kinh nhân tạo trong dự báo lưu lượng nước đến hồ chứa Cửa Đạt. Tạp chí khoa học và công nghệ thủy lợi 2017, 39, 1–7.
13. Khiêm, M.V và cs. Nghiên cứu xây dựng hệ thống nghiệp vụ dự báo khí hậu hạn mùa cho Việt Nam bằng các mô hình động lực. Báo cáo tổng kết đề tài mã số KC.08.01/16–20, 2019.
14. Lin, L.; Chen, C.; Luo, M. Impacts of El Niño–Southern Oscillation on heat waves in the Indochina peninsula. Atmos. Sci. Lett. 2018, 19, e856. https://doi.org/10.1002/asl.856.
15. Anderson, G.B.; Bell, M.L. Heat waves in the United States: mortality risk during heat waves and effect modification by heat wave characteristics in 43 US communities. Environ. Health. Perspect. 2011, 119(2), 210–218.
16. Lau, N.C.; Nath, M.J. Model simulation and projection of European heat aves in present–day and future climates. J. Clim. 2014, 27(10), 3713–3730.
17. Luo, M.; Lau, N.C. Heat waves in southern China: Synoptic behavior, long–term change, and urbanization effects. J. Clim. 2017, 30(2), 703–720.
18. Smith, T.T.; Zaitchik, B.F.; Gohlke, J.M. Heat waves in the United States: definitions, patterns and trends. Clim. Change 2013, 118(3), 811–825.
19. Teng, H.; Branstator, G.; Wang, H.; Meehl, G.A.; Washington, W. M. Probability of US heat waves affected by a subseasonal planetary wave pattern. Nat. Geosci. 2013, 6(12), 1056–1061.