Tác giả

Nguyễn Vinh Thư 1 , Bùi Thị Khánh Hòa 1* , Nguyễn Minh Cường 1 , Hoàng Thị Thanh Thuật 1 , Nguyễn Thị Hoàng Anh 1

Đơn vị công tác

1 Trung tâm Mạng lưới khí tượng thủy văn quốc gia, Tổng cục Khí tượng Thủy văn, Hà Nội, Việt Nam; vinhthu73@gmail.com; nguyenminhcuong30596@gmail.com; hoangthithanhthuat99@gmail.com; khanhhoa303@gmail.com; hoanganhck@gmail.com

*Tác giả liên hệ: khanhhoa303@gmail.com; Tel.: +84–916591270

Tóm tắt

Bài báo sử dụng phương pháp học máy Random Forest (RF) để nghiên cứu ước tính lượng mưa từ dữ liệu vệ tinh Himawari-8. Dữ liệu được sử dụng là 09 kênh ảnh riêng lẻ và 36 kênh ảnh tổ hợp của vệ tinh Himawari-8 và dữ liệu đo mưa bề mặt để ước tính lượng mưa cho khu vực Việt Nam. Phương pháp RF được áp dụng thử nghiệm cho 04 đợt mưa lớn xảy ra trong các năm 2019, 2020 và 2023. Kết quả nghiên cứu cho thấy rằng phương pháp RF đã mô phỏng được trọng tâm của các đợt mưa lớn. Hệ số tương quan giữa lượng mưa ước tính từ vệ tinh và lượng mưa quan trắc (R) đều đạt từ 0,8 trở lên, giá trị sai số tuyệt đối trung bình (MAE) dưới 1,1 mm và sai số bình phương trung bình gốc (RMSE) dưới 2,17 mm. Tuy nhiên phương pháp RF có xu hướng cho kết quả ước tính lượng mưa thiên thấp hơn so với lượng mưa quan trắc thực tế.

Từ khóa

Ước tính lượng mưa; Vệ tinh Himawari-8; Random Forest.

Trích dẫn bài báo

Thư, N.V.; Hòa, B.T.K.; Cường, N.M.; Thuật, H.T.T.; Anh, N.T.H. Ước tính lượng mưa sử dụng dữ liệu vệ tinh Himawari-8 dựa trên mô hình học máy Random Forest. Tạp chí Khí tượng Thuỷ văn 2023, 755, 1-12.

Tài liệu tham khảo

1. Hsu, K.; Gao, X.; Sorooshian, S.; Gupta, H.V. Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks. J. Appl. Meteor. 1997, 36(9), 1176–1190. Doi:10.1175/1520-0450(1997)036<1176:PEFRSI>2.0.CO;2.

2. Bessho, K.; Date, K.; Hayashi, M.; Ikeda, A.; Imai, T.; Inoue, H.; Kumagai, Y.; Miyakawa, T.; Murata, H.; Ohno, T.; Okuyama, A.; Oyama, R.; Sasaki, Y.; Shimazu, Y.; Shimoji, K.; Sumida, Y.; Suzuki, M.; Taniguchi, H.; Tsuchiyama, H.; Uesawa, D.; Yokota, H.; Yoshida, R. An Introduction to Himawari-8/9 – Japan’s New-Generation Geostationary Meteorological Satellites. J. Meteorolog. Soc. Jpn. 2016, 94(2), 151–183. Doi:10.2151/jmsj.2016-009.

3. Kurino, T. A satellite infrared technique for estimating “deep/shallow” precipitation. Adv. Space. Res. 1997, 19(3), 511–514. doi:10.1016/s0273-1177(97)00063-x.

4. Wang, C.; Tang, G.; Xiong, W.; Ma, Z.; Zhu, S. Infrared Precipitation Estimation using Convolutional neural network for FengYun satellites. J. Hydrol. 2021, 603(22), 127113. Doi: 10.1016/j.jhydrol.2021.127113.

5. Yuko, K.; Keiji, I.; Hidenori, S.; Kakuji, O. Study on Extracting Precipitation Information Using Infrared Bands of Himawari-8. The 40th Asian Conference on Remote Sensing (ACRS 2019), October 14-18, 2019, Daejeon Convention Center (DCC), Daejeon, Korea, 2019.

6. Bellerby, T.; Todd, M.; Kniveton, D.; Kidd, C. Rainfall Estimation from a Combination of TRMM Precipitation Radar and GOES Multispectral Satellite Imagery through the Use of an Artificial Neural Network. J. Climate Appl. Meteor. 2000, 39(12), 2115–2128. Doi:10.1175/1520-0450(2001)040<2115:REFACO>2.0.CO;2.

7. Grimes, D.I.F.; Coppola, E.; Verdecchia, M.; Visconti, G.  A Neural Network Approach to Real-Time Rainfall Estimation for Africa Using Satellite Data. J. Hydrol. 2003, 4(6), 1119–1133. doi:10.1175/1525-7541(2003)004<1119:annatr>2.0.co;2.

 8. Hong, Y.; Hsu, K.; Sorooshian, S.; Gao, X. Precipitation Estimation from Remotely Sensed Imagery Using an Artificial Neural Network Cloud Classification System. J. Climate Appl. Meteor. 2004, 43(12), 1834–1853. doi:10.1175/jam2173.1.

9. Rivolta, G.; Marzano, F.S.; Coppola, E.; Verdecchia, M. Artificial neural-network technique for precipitation nowcasting from satellite imagery, Adv. Geosci. 2006, 7, 97–103. Doi: 10.5194/adgeo-7-97-2006.

10. Abhishek, K.; Kumar, A.; Ranjan, R.; Kumar, S. A rainfall prediction model using artificial neural network. 2012 IEEE Control and System Graduate Research Colloquium (ICSGRC), Shah Alam, Selangor, Malaysia (2012.07.16-2012.07.17), 82–87. Doi:10.1109/ICSGRC.2012.6287140.

11. Mountrakis, G.; Im, J.; Ogole, C. Support vector machines in remote sensing: A review. ISPRS J. Photogramm. Remote Sens. 2011, 66(3), 247–259. doi:10.1016/j.isprsjprs.2010.11.001.

12. Hamidi, O.; Poorolajal, J.; Sadeghifar, M.; Abbasi, H.; Maryanaji, Z.; Faridi, H.R.; Tapak, L. A comparative study of support vector machines and artificial neural networks for predicting precipitation in Iran. Theor. Appl. Climatol. 2015, 119, 723–731.

13. Yin, G.; Yoshikane, T.; Yamamoto, K.; Kubota, T.; Yoshimura, K. A support vector machine-based method for improving real-time hourly precipitation forecast in Japan. J. Hydrol. 2022, 612, 128125. Doi: 10.1016/j.jhydrol.2022.128125.

14. Chaudhary, S.; Dhanya, C.T. Decision tree-based reduction of bias in monthly IMERG satellite precipitation dataset over India. H2Open J. 2020, 3(1), 236–255. Doi:10.2166/h2oj.2020.124.

15. Ma, L.; Zhang, G.; Lu, E. Using the gradient boosting decision tree to improve the delineation of hourly rain areas during the summer from advanced Himawari imager data. J. Hydrometeorol. 2018, 19, 761–776.

16. Tao, Y.; Gao, X.; Ihler, A.; Sorooshian, S.; Hsu, K. Precipitation Identification with Bispectral Satellite Information Using Deep Learning Approaches. J. Hydrometeorol. 2017, 18(5), 1271–1283. Doi:10.1175/jhm-d-16-0176.1.

17. Moraux, A.; Dewitte, S.; Cornelis, B.; Munteanu, A. Deep learning for precipitation estimation from satellite and rain gauges measurements. Remote Sens. 2019, 11(21), 2463. doi:10.3390/rs11212463.

18. Breiman, L. Random Forests. Mach. Learn. 2001, 45, 5–32. https://doi.org/10.1023/A:1010933404324.

19. Kühnlein, M.; Appelhans, T.; Thies, B.; Nauss, T. Improving the accuracy of rainfall rates from optical satellite sensors with machine learning — A random forests-based approach applied to MSG SEVIRI. Remote Sens. Environ. 2014, 141, 129–143. Doi:10.1016/j.rse.2013.10.026.

20. Hirose, H.; Shige, S.; Yamamoto, M.K.; Higuchi, A. High Temporal Rainfall Estimations from Himawari-8 Multiband Observations Using the Random-Forest Machine-Learning Method. J. Meteorolog. Soc. Jpn. 2019, 97(3), 689–710. doi:10.2151/jmsj.2019-040.

21. Kühnlein, M.; Appelhans, T.; Thies, B.; Nauß, T. Precipitation Estimates from MSG SEVIRI Daytime, Nighttime, and Twilight Data with Random Forests. J. Appl. Meteorol. Climatol. 2014, 53(11), 2457–2480. Doi:10.1175/jamc-d-14-0082.1.

22. Das, S. A random forest algorithm for nowcasting of intense precipitation events. Adv. Space Res. 2017, 60(6), 1271–1282. Doi:10.1016/j.asr.2017.03.026.

23. Min, M.; Bai, C.; Guo, J.; Sun, F.; Liu, C.; Wang, F.; Xu, H.; Tang, S.; Li, B.; Di, D.; Dong, L.; Li, J. Estimating Summertime Precipitation from Himawari-8 and Global Forecast System Based on Machine Learning. IEEE Trans. Geosci. Remote Sens. 2019, 57(5), 2557–2570. doi:10.1109/TGRS.2018.2874950.

24. Nazli, T.; Boris, T.; Natalia, H.; Jörg, B. Random forest-based rainfall retrieval for Ecuador using GOES-16 and IMERG-V06 data. Eur. J. Remote Sens. 2021, 54(1), 117–139. Doi:10.1080/22797254.2021.1884002.

25. Công, T.T.; Quyền L.N.; Gián, N.M.; Quyết L.Đ. Ứng dụng số liệu ảnh vệ tinh Himawari trong dự báo và cảnh báo mưa dông cho khu vực Đồng bằng sông Cửu Long. Tạp chí Khí tượng Thủy văn 2020, 719, 1–13.

26. Thắng, N.V.; Cường, H.Đ.; Mậu, N.Đ.; Thư, N.V.; Quốc, P.K. Xác định lượng mưa kết hợp từ thông tin vệ tinh radar và đo mưa tại trạm. Tạp chí Khí tượng Thủy văn 2013, 631, 28–34.

27. Thư, N.V. Nghiên cứu phương pháp xác định lượng mưa trên cơ sở ảnh mây vệ tinh địa tĩnh MTSAT cho khu vực Việt Nam. Đề tài Nghiên cứu khoa học cấp Bộ, 2010.

28. Hải, B.T.; Tuấn, N.V. Nghiên cứu đánh giá và so sánh các dữ liệu mưa vệ tinh độ phân giải cao lưu vực sông Cả. Tạp chí Khí tượng Thủy văn 2018, 695, 17–28.