Tải file PDF Tác giả
Đơn vị công tác
1 Trung tâm Dự báo khí tượng thủy văn quốc gia, Tổng cục Khí tượng Thuỷ văn;
chutrang.2406@gmail.com; maikhanhhung18988@gmail.com;
nthang0676@gmail.com; dotrang111@gmail.com; duductien@gmail.com;
quandangdinh.92@gmail.com; namhoangkt95@gmail.com
2 Trung tâm Công nghệ tích hợp liên ngành Giám sát hiện trường (FIMO), Trường Đại
học Công nghệ, Đại học Quốc gia Hà Nội; daolq@fimo.edu.vn;
huyhoang.tran6669@gmail.com; hunglv@piv.asia; hungbq@fimo.edu.vn
3 Trung tâm Không gian mạng Viettel (VTCC), Tập Đoàn Công Nghiệp - Viễn Thông
Quân Đội (Viettel); huyhoang.tran6669@gmail.com
*Tác giả liên hệ: duductien@gmail.com; Tel.: +84–936067015
Tóm tắt
Bài báo trình bày ứng dụng phương pháp học sâu để xác định vị trí và phân loại xoáy thuận nhiệt đới (XTNĐ) một cách tự động. Phương pháp học sâu trong bài báo là ứng dụng mạng nơ-ron tích chập hai luồng (CNN) cùng các đặc điểm theo không gian và thời gian của dữ liệu vệ tinh địa tĩnh. Bộ dữ liệu vệ tinh địa tĩnh Himawari-8/9 cho các XTNĐ trên Tây Bắc Thái Bình Dương và Biển Đông từ năm 2015 đến năm 2019 đã được thu thập và sử dụng trong nghiên cứu. Đầu vào bổ sung cho phương pháp học sâu là vectơ chuyển động khí quyển (AMV) được tính toán từ dữ liệu vệ tinh liên tiếp theo thời gian. Kết quả cho thấy khả năng ứng dụng cao của phương pháp học máy trong bài toán nhận dạng XTNĐ. Ngoài ra, một thử nghiệm cụ thể cho cơn bão Doksuri vào năm 2017 cho thấy khả năng cảnh báo sớm trước so với phát báo của Cơ quan khí tượng Nhật Bản (JMA).
Từ khóa
Trích dẫn bài báo
Trang, C.T.H.; Đạo, L.Q.; Hoàng, T.H.; Hưng, L.V.; Hưng, B.Q.; Hưng, M.K.; Hằng, N.T.; Trang, Đ.T.; Tiến, D.Đ.; Quân, Đ.Đ.; Nam, H.G. Ứng dụng mô hình học máy trên dữ liệu vệ tinh địa tĩnh cho bài toán nhận dạng và cảnh báo sớm bão nhiệt đới trên khu vực Tây Bắc Thái Bình Dương và Biển Đông. Tạp chí Khí tượng Thủy văn 2024, 764, 1-14.
Tài liệu tham khảo
1. Thành, N.H.; Năng, T.Q.; Tiến, D.Đ.; Dung, P.P.; Ngà, P.T.T. Đánh giá kết quả áp dụng kỹ thuật Dvorak cải tiến (ADT) phân tích cường độ bão trên biển Đông. Tạp chí Khí tượng Thuỷ văn 2017, 680, 14–24.
2. Năng, T.Q.; Dung, P.P.; Huyền, L.K.; Thành, N.H.; Tiến, D.Đ. So sánh kĩ thuật phân tích cường độ bão Dvorak cải tiến (ADT) và phương pháp phân tích Dvorak (DT) trong nghiệp vụ dự báo bão trên khu vực biển Đông. Tạp chí Khí tượng Thuỷ văn 2018, 686, 12–20.
3. Krizhevsky, A.; Sutskever, I.; Hinton, G.E. ImageNet classification with deep convolutional neural networks. Proceedings of the 25th International Conference on Neural Information Processing Systems (Lake Tahoe, NV), 2012, 1097–1105.
4. Liu, Y.; Racah, E.; Prabhat, Correa J.; Khosrowshahi, A.; Lavers, D.; Kunkel, K.; Wehner, M.; Collins, W. Application of deep convolutional neural networks for detecting extreme weather in climate datasets. 2016. https://doi.org/10.48550/arXiv.1605.01156.
5. Kim, S.K.; Ames, S.; Lee, J.; Zhang, C.; Wilson, A.C.; Williams, D. Massive scale deep learning for detecting extreme climate events. Proceedings of the 7th International Workshop on Climate Informatics, Boulder, 2017.
6. Matsuoka, D.; Nakano, M.; Sugiyama, D.; Uchida, S. Deep learning approach for detecting tropical cyclones and their precursors in the simulation by a cloud-resolving global nonhydrostatic atmospheric model. Prog. Earth Planet. Sci. 2018, 5, 80.
7. Pradhan, R.; Aygun, R.S.; Maskey, M. Ramachandran, R., Cecil, D.J. Tropical cyclone intensity estimation using a deep convolutional neural network. IEEE Trans. Image Process. 2018, 27, 692–702.
8. Combinido, J.S.; Mendoza, J.R.; Aborot, J.A. Convolutional neural network approach for estimating tropical cyclone intensity using satellite-based infrared images. Proceedings of the 2018 24th ICPR, Beijing, China, 2018.
9. Wimmers, A.; Velden, C.; Cossuth, J.H. Using Deep Learning to Estimate Tropical Cyclone Intensity from Satellite Passive Microwave Imagery. Mon. Weather Rev. 2019, 147, 2261–2282.
10. Park, M.S.; Kim, M.; Lee, M.I.; Im, J.; Park, S. Detection of tropical cyclone genesis via quantitative satellite ocean surface wind pattern and intensity analyses using decision trees. Remote Sens. Environ. 2016, 183, 205–214.
11. Zhang, T.; Lin, W.; Lin, Y.; Zhang, M.; Yu, H.; Cao, K.; Xue, W. Prediction of Tropical Cyclone Genesis from Mesoscale Convective Systems Using Machine Learning. Weather Forecast. 2019, 34, 1035–1049.
12. Yu, J.H., Zheng, Y.Q., Wu, Q.S., Lin, J.G., Gong, Z.B. K-Means clustering for classification of the northwestern pacific tropical cyclone tracks. J. Trop. Meteorol. 2016, 22, 127–135.
13. Kim, H.S.; Kim, J.H.; Ho, C.H.; Chu, P.S. Pattern classification of typhoon tracks using the fuzzy c-means clustering method. J. Clim. 2011, 24, 488–508.
14. Kim, S.W.; et al. A time-dependent surrogate model for storm surge prediction based on an artificial neural network using high-fidelity synthetic hurricane modeling. Nat. Hazards 2016b, 76(1), 565–585.
15. Yunsoo, C.; Ebrahim, E. Hybrid AI hurricane forecasting system: deep learning ensemble approach and Kalman filter. 1st Workshop on Leveraging Artificial Intelligence (AI) in the Exploitation of Satellite Earth Observations & Numerical Weather Prediction (NWP), NOAA Center for Weather and Climate Prediction, Maryland 20740, USA, 2019.
16. Rui, C.; Zhang, W.; Wang, X. Machine learning in tropical cyclone forecast modeling: A review. Atmosphere 2020, 11(7), 676.
17. Xu, W.; Balaguru, K.; August, A.; Lalo, N.; Hodas, N.; DeMaria, M.; Judi, D. Deep learning experiments for tropical cyclone intensity forecasts. Weather Forecasting 2021, 36(4), 1453–1470.
18. Tiến, D.Đ. Nghiên cứu xây dựng hệ thống trí tuệ nhân tạo ứng dụng trong dự báo xoáy thuận nhiệt đới (XTNĐ) ở Biển Đông và ảnh hưởng đến Việt Nam hạn đến 3 ngày. Thuyết minh đề tài nghiên cứu ứng dụng và phát triển công nghệ cấp quốc gia, 2021.
19. Wei, F.; Wang, L.; Ren, P. Tinier-YOLO: A real-time object detection method for constrained environments. IEEE Access 2019, 8, 1935–1944.
20. Cao, Changqing, et al. An improved faster R-CNN for small object detection. IEEE Access 2019, 7, 106838–106846.
21. Cao, G.; Xie, X.; Yang, W.; Liao, Q.; Shi, G.; Wu, J. Feature-fused SSD: Fast detection for small objects. Proceeding of the 9th International Conference on Graphic and Image Processing (ICGIP 2017). SPIE, 2018, 10615.
22. Afif, M.; Ayachi, R.; Said, Y.; Pissaloux, E.; Atri, M. An evaluation of retinanet on indoor object detection for blind and visually impaired persons assistance navigation. Neural Process. Lett. 2020, 51, 2265–2279.