Anvendelse av vitenskap og teknologi, kunstig intelligens og digital transformasjon i hydrometeorologisk prognose

I sammenheng med stadig mer alvorlige klimaendringer og den sterke utviklingen av den fjerde industrielle revolusjonen, står hydrometeorologisk prognose (HTS) overfor nye og utfordrende krav. Vitenskap og teknologi, kunstig intelligens (KI) og digital transformasjon spiller ikke bare en støttende rolle, men har blitt kjernefundamentet og bestemmer hastigheten, kvaliteten og nøyaktigheten til det moderne katastrofevarslingssystemet.

Nytt press i klimaendringenes tidsalder

Over hele verden blir tradisjonelle prognosemetoder erstattet av høyoppløselige numeriske modeller, avanserte dataassimileringssystemer, og spesielt gjennombrudd innen AI og dyp læring. Ledende meteorologiske organisasjoner som ECMWF eller JMA har brukt AI til å korrigere feil, lage umiddelbare prognoser og utnytte stadig mer omfattende åpne datalagre fra Verdens meteorologiske organisasjon (WMO), noe som åpner en ny æra for data- og AI-basert meteorologisk prognose.

I Vietnam blir konsekvensene av klimaendringer stadig tydeligere gjennom den økte hyppigheten og ekstremiteten av sterke stormer, lokale kraftige regnskyll, flom og jordskred. Dette har ført til at kravene til prognoser har skiftet fra å beskrive fenomener til å forutsi konsekvenser; fra kvalitativ prognoser til kvantitative, detaljerte, rettidige og tidligere prognoser, noe som skaper et stort press for den hydrometeorologiske sektoren for å akselerere teknologisk innovasjon og digital transformasjon.

Tradisjonelle prognosemetoder blir erstattet av bruk av kunstig intelligens og stordata for å overvåke, analysere, varsle om og varsle om hydrometeorologi.

I de senere årene har den hydrometeorologiske sektoren også møtt viktige muligheter for modernisering. Driften av Cray XC40-superdatamaskinen har skapt et stort skritt fremover innen beregningskapasitet. Med en kapasitet på nesten 80 TFLOPS bidrar systemet til å kjøre en prognosemodell med 3 km oppløsning for hele territoriet og Østersjøen på bare 30–40 minutter, noe som plasserer Vietnam i gruppen av land med sterk prognoseinfrastruktur i regionen.

Til sammen har et nettverk av mer enn 3200 automatiske regnstasjoner, 10 værradarer og et lynposisjoneringssystem skapt en kontinuerlig oppdatert 1×1 km høyoppløselig datakilde, et viktig grunnlag for prognosemodeller. Disse dataene har vist seg effektive i mange praktiske situasjoner, som for eksempel de historiske regnværsmengdene i den sentrale regionen i 2020 eller de kraftige regnværsmengdene i 2024.

Vietnam har også blitt anerkjent av WMO som et regionalt støttesenter for varsling av alvorlig vær (SWFP-SeA) og et regionalt varslingssenter for flom og jordskred (SeAFFGS), noe som utvider tilgangen til avansert teknologi, standardiserer prosesser og styrker internasjonalt samarbeid.

Utfordringene er imidlertid fortsatt enorme. Datainfrastrukturen for AI og stordatalagringssystemer har ennå ikke dekket behovene for å drive dyp læringsmodeller. Hydrometeorologiske data er spredt og mangler synkronisering mellom departementer og sektorer; noen områder som grenser og øyer mangler fortsatt data. Kostnadene ved å drifte høyteknologiske overvåkingssystemer er høye, mens sosialiseringsmekanismen er begrenset. Menneskelige ressurser med kunnskap om både numeriske modeller, AI og stordataanalyse har ennå ikke dekket utviklingskravene. I tillegg krever det en stabil finansieringskilde å opprettholde en rolle i internasjonale samarbeidsprogrammer.

Gjennombrudd innen teknologi og kunstig intelligens

I de senere årene har den hydrometeorologiske sektoren kraftig implementert løsninger for å modernisere prognoseprosessen. Høyoppløselige numeriske prognosemodeller (1–3 km) har blitt oppgradert, og har assimilert innenlandske observasjonsdata og kombinert internasjonale produkter fra ECMWF, noe som bidrar til å forkorte prognoseutgivelsestiden fra 5–8 timer til 2–3 timer. Ensembleprognosesystemet med 32 kortsiktige komponenter og 51 mellomlangsiktige komponenter støtter konstruksjonen av sannsynlighetskart, konsekvensprognoser og detaljert nedbør for hver kommune og bydel.

Siden 2019 har SmartMet-systemet gradvis erstattet manuell analyse, og bidratt til å visualisere, redigere og synkronisere prognosedata i sanntid mellom sentralt og lokalt nivå, noe som har forkortet tiden det tar å publisere bulletiner betydelig.

AI begynner å spille en viktig rolle i prognoser. Dyp læringsmodeller brukes i tyfonidentifisering, ultrakortvarsling av nedbør, analyse av satellittbilder fra Himawari, tidlig identifisering av stormens sentrum og forbedret prognose for tropiske sykloner. Tilfellet med tyfonen Noru i 2022 viste at AI-modeller som integrerer satellitt- og radardata kan støtte tidlig identifisering av stormutvikling når man kommer inn i Østersjøen, noe som bidrar til å øke den tidlige varslingstiden til 72 timer.

AI-applikasjoner blir i stor grad brukt til å utføre prognoser.

Varslingskvaliteten har blitt betydelig forbedret. Tidsskalaene for stormvarsling har økt fra 24 timer til 3 dager; tidlige varsler er utstedt 5 dager i forveien; feil i stormlokalisering med 48-timers intervaller er halvert. Varsler om kraftig regn og flomvarsler 2–3 dager i forveien har nådd en pålitelighet på omtrent 75 %; lokale tordenværsvarsler har nådd fra 30 minutter til flere timer i forveien; prognoser for sterk kulde og utbredt varme har nådd en pålitelighet på 70–90 %.

Internasjonalt samarbeid fortsetter å spille en viktig rolle. Vietnam opprettholder faglig utveksling med JMA (Japan), CMA (Kina) og mange store meteorologiske byråer innen datadeling, konsensusvurdering og opplæring av menneskelige ressurser. Selv under Covid-19-perioden ble WMOs opplæringskurs opprettholdt på nett, noe som sikret faglig utvikling for meteorologer i landet og regionen.

Ifølge Hydrometeorologidepartementet i Landbruks- og miljødepartementet vil hydrometeorologisektoren i perioden 2025–2030 utvikle seg basert på tre søyler: modernisering av overvåkingsnettverket; forbedring av prognosekapasiteten for konsekvens- og sanntidsprognoser; omfattende digital transformasjon. Spesielt er det en prioritert oppgave å fullføre det automatiske og synkrone overvåkingsnettverket, spesielt i områder som mangler data. Sektoren har som mål å øke datakapasiteten med 5–10 ganger sammenlignet med 2020; utvikle en hybridmodell som kombinerer numerisk prognoser og AI; øke evnen til å varsle flom og jordskred med 6–12 timer og varsle stormer 3–5 dager i forveien.

Omfattende digital transformasjon krever integrering av 100 % av dataene i den nasjonale hydrometeorologiske databasen, samtidig som det bygges en juridisk mekanisme for å fremme sosialisering og kommersialisering av hydrometeorologiske tjenester. Nøkkelfaktoren er fortsatt mennesker, og industrien fokuserer på grundig opplæring i AI, stordata, moderne prognosemodeller og utvidet internasjonalt samarbeid, spesielt med WMO og land med avansert hydrometeorologi, for å motta, mestre og utvikle prognoseteknologier av ny generasjon.

Senter for vitenskaps- og teknologikommunikasjon

Kilde: https://mst.gov.vn/ung-dung-khoa-hoc-cong-nghe-tri-tue-nhan-tao-va-chuyen-doi-so-trong-cong-tac-du-bao-khi-tuong-thuy-van-197251201234112479.htm