Ứng dụng khoa học công nghệ, trí tuệ nhân tạo và chuyển đổi số trong công tác dự báo khí tượng thủy văn

Trong bối cảnh biến đổi khí hậu ngày càng gay gắt và cuộc Cách mạng công nghiệp lần thứ tư diễn ra mạnh mẽ, công tác dự báo khí tượng thủy văn (KTTV) đứng trước những yêu cầu mới đầy thách thức. Khoa học công nghệ, trí tuệ nhân tạo (AI) và chuyển đổi số không chỉ đóng vai trò hỗ trợ mà đã trở thành nền tảng cốt lõi, quyết định tốc độ, chất lượng và độ chính xác của hệ thống cảnh báo thiên tai hiện đại.

Áp lực mới trong kỷ nguyên biến đổi khí hậu

Trên thế giới, phương thức dự báo truyền thống đang được thay thế bởi các mô hình số trị độ phân giải cao, hệ thống đồng hóa dữ liệu tiên tiến và đặc biệt là những bước đột phá của AI và học sâu. Các tổ chức khí tượng hàng đầu như ECMWF hay JMA đã ứng dụng AI để hiệu chỉnh sai số, dự báo tức thời và khai thác kho dữ liệu mở ngày càng phong phú từ Tổ chức Khí tượng Thế giới (WMO), mở ra thời kỳ dự báo khí tượng dựa trên dữ liệu và AI.

Ở Việt Nam, tác động của biến đổi khí hậu ngày càng thể hiện rõ bằng tần suất tăng và tính cực đoan của bão mạnh, mưa lớn cục bộ, lũ quét, sạt lở đất. Điều này khiến yêu cầu dự báo chuyển từ mô tả hiện tượng sang dự báo tác động; từ dự báo định tính sang dự báo định lượng, chi tiết, kịp thời và sớm hơn trước, tạo sức ép lớn buộc ngành KTTV phải đẩy nhanh đổi mới công nghệ và chuyển đổi số.

Phương thức dự báo truyền thống đang được thay thế bởi việc ứng dụng AI, dữ liệu lớn phục vụ giám sát, phân tích, dự báo, cảnh báo khí tượng thủy văn.

Những năm gần đây, ngành KTTV cũng đứng trước những cơ hội quan trọng để hiện đại hóa. Việc đưa siêu máy tính Cray XC40 vào vận hành đã tạo bước tiến lớn về năng lực tính toán. Với công suất gần 80 TFLOPS, hệ thống giúp chạy mô hình dự báo phân giải 3 km cho toàn bộ lãnh thổ và Biển Đông chỉ trong 30–40 phút, đưa Việt Nam vào nhóm quốc gia có hạ tầng dự báo mạnh trong khu vực. 

Cùng với đó, mạng lưới hơn 3.200 trạm mưa tự động, 10 radar thời tiết và hệ thống định vị sét đã tạo ra nguồn dữ liệu độ phân giải cao 1×1 km cập nhật liên tục, cơ sở quan trọng cho các mô hình dự báo. Những dữ liệu này đã chứng minh hiệu quả trong nhiều tình huống thực tiễn, như mưa lịch sử miền Trung năm 2020 hay các đợt mưa lớn năm 2024.

Việt Nam cũng được WMO công nhận là Trung tâm hỗ trợ khu vực về cảnh báo thời tiết nguy hiểm (SWFP-SeA) và Trung tâm cảnh báo lũ quét, sạt lở đất khu vực (SeAFFGS), mở rộng cơ hội tiếp cận công nghệ tiên tiến, chuẩn hóa quy trình và tăng cường hợp tác quốc tế.

Tuy nhiên, thách thức vẫn rất lớn. Hạ tầng tính toán dành cho AI và hệ thống lưu trữ Big Data chưa đáp ứng được nhu cầu vận hành các mô hình học sâu. Dữ liệu KTTV phân tán, thiếu đồng bộ giữa các bộ, ngành; một số khu vực như biên giới, hải đảo còn thiếu số liệu. Chi phí vận hành hệ thống quan trắc công nghệ cao lớn, trong khi cơ chế xã hội hóa còn hạn chế. Nhân lực am hiểu cả mô hình số trị, AI và phân tích dữ liệu lớn cũng chưa đáp ứng kịp yêu cầu phát triển. Bên cạnh đó, duy trì vai trò trong các chương trình hợp tác quốc tế đòi hỏi nguồn kinh phí ổn định.

Bứt phá từ công nghệ và trí tuệ nhân tạo

Những năm gần đây, ngành KTTV đã triển khai mạnh mẽ các giải pháp hiện đại hóa quy trình dự báo. Các mô hình dự báo số trị phân giải cao (1–3 km) được nâng cấp, đồng hóa dữ liệu quan trắc trong nước và kết hợp sản phẩm quốc tế từ ECMWF, giúp rút ngắn thời gian phát hành dự báo từ 5–8 giờ xuống còn 2–3 giờ. Hệ thống dự báo tổ hợp với 32 thành phần hạn ngắn và 51 thành phần hạn vừa hỗ trợ xây dựng bản đồ xác suất, dự báo tác động và lượng mưa chi tiết đến từng xã, phường.

Từ năm 2019, hệ thống SmartMet đã dần thay thế phân tích thủ công, giúp trực quan hóa, chỉnh sửa và đồng bộ dữ liệu dự báo theo thời gian thực giữa trung ương và địa phương, rút ngắn đáng kể thời gian phát hành bản tin.

AI bắt đầu cho thấy vai trò quan trọng trong nghiệp vụ dự báo. Các mô hình học sâu đang được ứng dụng trong nhận dạng bão, dự báo mưa cực ngắn, phân tích ảnh vệ tinh Himawari, xác định sớm vị trí tâm bão và cải thiện dự báo cường độ xoáy thuận nhiệt đới. Trường hợp bão Noru năm 2022 cho thấy mô hình AI tích hợp dữ liệu vệ tinh và radar có thể hỗ trợ nhận diện sớm diễn biến bão khi đi vào Biển Đông, giúp tăng thời gian cảnh báo sớm lên 72 giờ.

Việc ứng dụng AI đang được ứng dụng mạnh mẽ phục vụ công tác dự báo.

Chất lượng dự báo nhờ đó được cải thiện rõ rệt. Thời hạn dự báo bão tăng từ 24 giờ lên 3 ngày; cảnh báo sớm phát hành từ 5 ngày trước; sai số vị trí bão ở hạn 48 giờ giảm một nửa. Dự báo mưa lớn và cảnh báo lũ trước 2–3 ngày đạt độ tin cậy khoảng 75%; cảnh báo mưa dông cục bộ đạt từ 30 phút đến vài giờ; dự báo rét đậm, rét hại và nắng nóng diện rộng đạt độ tin cậy từ 70 đến 90%.

Hợp tác quốc tế tiếp tục đóng vai trò quan trọng. Việt Nam duy trì trao đổi nghiệp vụ với JMA (Nhật Bản), CMA (Trung Quốc) và nhiều cơ quan khí tượng lớn trong chia sẻ dữ liệu, thống nhất nhận định và đào tạo nhân lực. Ngay cả thời kỳ Covid-19, các khóa tập huấn của WMO vẫn được duy trì trực tuyến, đảm bảo nâng cao chuyên môn cho đội ngũ dự báo viên trong nước và khu vực.

Theo Cục KTTV, Bộ Nông nghiệp và Môi trường, giai đoạn 2025–2030, ngành KTTV định hướng phát triển dựa trên ba trụ cột: hiện đại hóa mạng lưới quan trắc; nâng cao năng lực dự báo theo hướng dự báo tác động và thời gian thực; chuyển đổi số toàn diện. Trong đó, việc hoàn thiện mạng lưới quan trắc tự động, đồng bộ, đặc biệt tại các khu vực thiếu số liệu, là nhiệm vụ ưu tiên. Ngành đặt mục tiêu nâng năng lực tính toán lên gấp 5–10 lần so với năm 2020; phát triển mô hình lai kết hợp dự báo số trị và AI; nâng khả năng cảnh báo lũ quét, sạt lở đất lên 6–12 giờ và cảnh báo bão trước 3–5 ngày.

Việc chuyển đổi số toàn diện đòi hỏi tích hợp 100% dữ liệu vào Cơ sở dữ liệu KTTV quốc gia, đồng thời xây dựng cơ chế pháp lý thúc đẩy xã hội hóa và thương mại hóa dịch vụ KTTV. Yếu tố then chốt vẫn là con người, ngành tập trung đào tạo chuyên sâu về AI, dữ liệu lớn, mô hình dự báo hiện đại và mở rộng hợp tác quốc tế, đặc biệt với WMO và các nước có nền KTTV tiên tiến, để tiếp nhận, làm chủ và phát triển các công nghệ dự báo thế hệ mới.