Những công nghệ mới có thể dự báo thời tiết 'tại chỗ', ngay nơi ta đang đứng
“Dự báo thời tiết vi mô” (micro-weather forecasting) bắt đầu được ứng dụng rộng rãi do công nghệ đã cho phép dự báo với độ chính xác cao hơn, thời gian cập nhật nhanh hơn, và làm được trong khu vực quy mô nhỏ.
Khác với mô hình khí tượng truyền thống vốn dự báo cho khu vực rộng và cập nhật chậm, dự báo vi mô nhắm vào các hiện tượng cục bộ, nhằm tăng năng lực phản ứng của người trong vùng có thời tiết diễn biến thất thường, đặc biệt là vùng ven biển hay hải đảo.
Dự báo diện rộng "bỏ qua" quá nhiều
Để hiểu hạn chế của bản tin thời tiết thông thường, cần nhìn vào cách mô hình khí tượng toàn cầu vận hành. Hệ thống dự báo thời tiết toàn cầu (GFS) thông dụng nhất hiện nay chia bề mặt Trái Đất thành lưới ô vuông, với mỗi điểm ô vuông rộng khoảng 28 km. Mọi điểm trong ô được coi là có cùng điều kiện thời tiết.
Mô hình chạy bốn lần mỗi ngày, mỗi lần mất vài giờ xử lý. Điều đó có nghĩa là bản tin sớm nhất cũng đã bị chậm 3–4 giờ so với thực tế khi đến tay người dùng.
Với tuyến bay xuyên Thái Bình Dương hay hành trình tàu viễn dương, độ trễ và độ phân giải này chấp nhận được. Nhưng với tàu thuyền chạy ven bờ theo các hành trình ngắn, thông tin này gần như vô nghĩa.
Một trận giông cục bộ có thể hình thành bên trong ô lưới đó, phát triển từ mây tích đến gió giật cấp 8–9 chỉ trong 20–30 phút, rồi tan trước khi chu kỳ dự báo tiếp theo kịp cập nhật. Bản tin nói "biển động nhẹ" cho cả vùng đôi khi chỉ đúng ở phần lớn diện tích vùng đó. Nhưng ở một dải nơi giông lốc quét qua, người bên trong có thể không nhận được cảnh báo nào.
Cảm biến để "thấy" và AI để phân tích
Điều này dẫn tới nhu cầu về dự báo thời tiết thời gian thực và tầm bao quát không cần quá rộng. Để giải quyết vấn đề quy mô, cần có mạng lưới cảm biến cục bộ nhưng dày đặc, đo đạc các tham số dưới nước cũng như trong không khí. Còn đối với vấn đề thời gian thực, hiện nay công nghệ trí tuệ nhân tạo đã không còn là khái niệm trong phòng thí nghiệm.
Tháng 7/2025, Tomorrow.io — công ty có trụ sở tại Mỹ và Israel — ra mắt mô hình FOCUS, cập nhật dự báo mỗi 15 phút với độ phân giải mà công ty mô tả là đủ để cảnh báo hiện tượng giông lốc cục bộ.
Ở cấp quốc gia, tháng 5/2026, Trung tâm Dự báo Thời tiết Tầm trung Châu Âu (ECMWF) vừa đưa vào vận hành AIFS v2, mô hình AI có năng lực giảm 1.000 lần năng lượng tính toán so với mô hình truyền thống và cải thiện 20% độ chính xác dự báo đường đi bão nhiệt đới.
Tháng 12/2025, Cơ quan Khí tượng và Đại dương Mỹ (NOAA) đưa vào vận hành AIGFS — mô hình dự báo nền tảng AI đầu tiên được tích hợp chính thức vào hệ thống dự báo quốc gia, mở rộng tầm dự báo thêm 18–24 giờ với chỉ 9% tài nguyên tính toán so với mô hình truyền thống.
Phần cứng cảm biến cũng không còn là rào cản chi phí. Sofar Ocean — đối tác của NOAA — sản xuất phao Spotter chỉ cao 42 cm và chạy năng lượng mặt trời. Phao đã được kiểm chứng hoạt động ổn định trong bão cấp 4 trên Đại Tây Dương. Các phao cảm biến này truyền dữ liệu sóng, gió, nhiệt độ nước theo thời gian thực qua vệ tinh. So với phao quan trắc truyền thống nặng hàng tấn và cần bảo trì định kỳ bằng tàu chuyên dụng, giải pháp này nhỏ gọn và linh hoạt hơn hẳn.
Đối với phát hiện diễn biến thời tiết trên không, radar đóng vai trò quyết định. công ty Nhật Bản Weathernews Weathernews đã phát triển radar băng tần X EAGLE, có khả năng quét ba chiều trong bán kính 50 km để phát hiện các diễn biến của mây giông.
Những ví dụ trên cho thấy một hệ thống dự báo thời tiết nay có thể được cải thiện độ tin cậy, độ chính xác và tốc độ dự báo. Chỉ cần một mạng lưới cảm biến vừa đủ và một AI được huấn luyện để tổng hợp dữ liệu, công việc dự báo tại khu vực đó có thể được thực hiện với độ chính xác cao, tại chỗ.
Bên cạnh việc tăng cường năng lực xử lý trung tâm rồi truyền tải thông tin đến người dùng, các thành tố công nghệ này cũng có thể được ứng dụng ở quy mô nhỏ hơn, tới từng con tàu.
Tháng 12/2025, Weathernews công bố SeaNavigator for Master — hệ thống tác tử AI đầu tiên trên thế giới cho phép thuyền trưởng đối thoại trực tiếp qua ứng dụng với trí tuệ nhân tạo, nhằm cập nhật kịp thời về điều kiện thời tiết trên hành trình.
Công nghệ học máy là bước tiến tiếp theo
Bước phát triển tiếp theo của ứng dụng AI trong dự báo thời tiết vi mô là học máy. MarineLabs, một công ty khởi nghiệp có trụ sở tại Vancouver (Canada) tuyên bố, mô hình học máy của họ đã học được "tính cách" cục bộ của vùng biển.
Những ảnh hưởng của địa hình đáy biển, dòng thủy triều, hiệu ứng phản xạ sóng ven bờ thường bị mô hình toàn cầu đánh đồng trong cùng ô lưới, nhưng lại có ảnh hưởng không thể bỏ qua ở cục bộ khu vực.
Sai số dự báo độ cao sóng của mô hình hiện đã giảm 80% so với GFS, 47% so với ECMWF. Điều đáng chú ý còn nằm ở chỗ, hệ thống chỉ cần 9 tháng dữ liệu cảm biến để đạt hiệu quả, không phải hàng thập kỷ tích lũy dữ liệu như cách tiếp cận mô hình truyền thống.
