Vì sao AI gặp khó trong dự báo cường độ bão?

Sự tiến bộ vượt bậc trên được thúc đẩy bởi 3 yếu tố: khối lượng dữ liệu khổng lồ, các mô hình không ngừng phát triển, năng lực tính toán chưa từng có. Mặc dù nỗ lực cải thiện năng lực dự báo thời tiết thường chú trọng mô hình hoặc phần cứng mới, dữ liệu mới đóng vai trò then chốt.

AI hưởng lợi từ dữ liệu khí hậu và thời tiết ở khắp nơi trên Trái đất suốt nhiều thập kỉ. Dữ liệu chứa hàng triệu ví dụ về điều kiện khí quyển biến đổi theo thời gian, cho phép các mô hình học hỏi nhiều quy luật theo cách mà 10 năm trước không thực hiện được.

Tuy nhiên khi chuyển từ quy mô toàn cầu sang quy mô khu vực, công tác dự báo trở nên khó khăn gấp bội đối với AI, đặc biệt ở lĩnh vực dự báo cường độ bão.

Vài năm gần đây thế giới hứng chịu nhiều cơn bão gia tăng cường độ vô cùng nhanh chóng. Chúng tăng cấp thành “quái vật” có sức tàn phá khủng khiếp chỉ trong vài giờ ngắn ngủi.

Tiêu biểu là bão Polo hình thành ngoài khơi bờ biển Thái Bình Dương của Mexico, trong vòng 24 giờ mạnh lên từ một cơn bão nhiệt đới (ngày 21/9/2026) thành bão cấp cao nhất đầy uy lực. Sức gió lên đến khoảng 290 km/giờ đưa Polo vào nhóm những cơn bão mạnh nhất Thái Bình Dương nhiều thập kỉ qua.

Bão Michael năm 2018 cũng gia tăng cường độ ngay trước lúc đổ bộ căn cứ không quân Tyndall và bang Florida tại Mỹ. Hiện tượng mạnh lên nhanh chóng không chỉ khiến giới chuyên gia bất ngờ, mà còn cướp đi thời gian sơ tán và chuẩn bị ứng phó của cộng đồng dân cư bị ảnh hưởng.

Thiếu dữ liệu đầy đủ

Khác với dự báo thời tiết quy mô toàn cầu, dự báo cường độ bão thường bó hẹp ở quy mô khu vực. Dự báo khu vực thường tập trung vào hiện tượng thời tiết cực đoan như mưa lớn, dải giông, giông lốc dữ dội hoặc bão.

Chúng thường phát triển hoặc di chuyển nhanh chóng trong khoảng thời gian ngắn. Mô phỏng đặc điểm của loạt hiện tượng này trong mô hình AI đòi hỏi dữ liệu có độ chi tiết cao hơn nhiều so với mức mà các bộ dữ liệu toàn cầu hiện nay thường cung cấp.

Khi huấn luyện mô hình AI dự báo cường độ bão, giới khoa học thường dựa vào 2 nguồn dữ liệu.

Đầu tiên là các quan sát, bao gồm dữ liệu đo đạc về lượng mưa, nhiệt độ gần bề mặt, tốc độ gió cùng vô vàn biến số thời tiết khác được thu thập từ trạm khí tượng, radar, phao quan trắc, vệ tinh. Quan sát trực tiếp có thể rất chi tiết, nhưng thường chỉ giới hạn ở khu vực ven biển và phân bố không đồng đều, trong khi nhiều giai đoạn quan trọng nhất của quá trình hình thành bão lại diễn ra trên vùng biển khơi nơi dữ liệu quan sát trực tiếp còn rất hạn chế.

Số vệ tinh hiện đại giúp lấp đầy một phần khoảng trống dữ liệu vùng biển khơi, tuy nhiên do hạn chế về phạm vi bao phủ nên chúng chỉ ước tính được một phần lượng mưa, gió bề mặt hoặc nhiệt độ đỉnh mây chứ không thể đồng thời quét toàn bộ cấu trúc ba chiều của mọi cơn bão trên toàn cầu. Hiện nay ngay cả hệ thống tiên tiến nhất cũng chỉ đủ sức cung cấp cái nhìn chưa trọn vẹn về bão ở một thời điểm nhất định mà thôi

Nguồn dữ liệu huấn luyện thứ hai đến từ mô phỏng của mô hình thời tiết. Bản mô phỏng kết hợp điều kiện khí quyển với kiến ​​thức vật lí để tạo ra bức tranh ba chiều toàn diện nhất về khí quyển với độ phân giải cao.

Dữ liệu này cũng không hoàn hảo, vì mọi mô hình máy tính đều tồn tại sai số xuất phát từ hiểu biết chưa trọn vẹn về khí quyển Trái Đất.

Tóm lại, con người chưa có một bộ dữ liệu đầy đủ và chất lượng huấn luyện AI phục vụ công tác dự báo cường độ bão.

Một thách thức khác

Dù cho trong tương lai giới khoa học có thể đo lường toàn diện mọi khía cạnh của bão – với dữ liệu được ghi nhận từng giây cho hàng nghìn cơn bão trên khắp thế giới, AI vẫn có thể không dự báo chính xác tuyệt đối cường độ bão.

Lí do nằm ở sự nhiễu loạn: khác biệt nhỏ trong trạng thái ban đầu của bão có thể nhanh chóng khuếch đại theo thời gian. Một khi gặp điều kiện thuận lợi, bão nhiệt đới dễ dàng mạnh lên mức tối đa (cường độ tiềm năng). Ví dụ nước biển ấm tiếp thêm năng lượng cho bão, còn hiện tượng đứt gió lại kiềm hãm bão phát triển.

Bất kì xáo trộn nhỏ nào cũng sẽ khiến cường độ bão biến động. Nhiệt độ bề mặt đại dương càng cao thì mức độ biến động càng lớn.

Vài nghiên cứu gần đây phát hiện biến động không hoàn toàn ngẫu nhiên mà diễn ra trong phạm vi tập hợp các trạng thái khả dĩ mà cơn bão có thể biến đổi theo. Tập hợp này đặt ra thách thức với nỗ lực huấn luyện trí tuệ nhân tạo dự báo cường độ bão.

Một mặt giới khoa học muốn mô hình AI đưa ra dự báo chính xác nhất. Do đó mục tiêu huấn luyện là giảm thiểu sự khác biệt giữa dự báo với thực tế cho đến khi mô hình đạt được mức sai số thấp nhất.

Mặt khác, họ cũng muốn AI nắm bắt cả tính hỗn loạn của bão. Tuy nhiêu mô hình nếu nắm bắt được thì sai số không thể giảm xuống vô hạn. Như vậy 2 mục tiêu mâu thuẫn nhau.

Do dữ liệu luôn chứa đựng mức độ bất định nhất định, các quy luật mà mô hình AI học được chỉ mang tính chất tương đối. Hệ quả là độ chính xác của dự báo cường độ bão suy giảm chỉ sau vài ngày.

Cách nâng cao hiệu quả dự báo

Muốn nâng cao hiệu quả dự báo không chỉ cần thu thập thêm dữ liệu, xây dựng mạng neuron tốt hơn hay triển khai hệ thống máy tính mạnh mẽ hơn, mà còn đòi hỏi hiểu biết về cơ chế hoạt động của bão cũng như cách thức nảy sinh nhiễu loạn trong biến động cường độ.

Tất cả yếu tố trên quyết định khả năng các mô hình AI học được đâu là điều có thể dự báo và đâu là điều không thể. Phân biệt như vậy giúp đặt rõ độ chính xác khi dự báo, đồng thời định hình cách thức dự báo trong tương lai. Mô hình nên đưa ra dải cường độ tiềm năng kèm xác suất tương ứng, thay vì chỉ cung cấp một con số duy nhất.

Cẩm Bình