Zastosowanie nauki i technologii, sztucznej inteligencji i transformacji cyfrowej w prognozowaniu hydrometeorologicznym

W kontekście coraz poważniejszego ocieplenia klimatu i intensywnego rozwoju Czwartej Rewolucji Przemysłowej, prognozowanie hydrometeorologiczne (HTS) staje przed nowymi i trudnymi wyzwaniami. Nauka i technologia, sztuczna inteligencja (AI) oraz transformacja cyfrowa nie tylko odgrywają rolę pomocniczą, ale stały się fundamentem, decydującym o szybkości, jakości i dokładności nowoczesnego systemu ostrzegania przed katastrofami.

Nowe naciski w dobie zmian klimatycznych

Na całym świecie tradycyjne metody prognozowania są zastępowane przez modele numeryczne o wysokiej rozdzielczości, zaawansowane systemy asymilacji danych, a zwłaszcza przełomowe osiągnięcia w dziedzinie sztucznej inteligencji (AI) i głębokiego uczenia (DELA). Wiodące organizacje meteorologiczne, takie jak ECMWF czy JMA, wykorzystały sztuczną inteligencję (AI) do korygowania błędów, tworzenia natychmiastowych prognoz i wykorzystywania coraz bogatszych, otwartych magazynów danych Światowej Organizacji Meteorologicznej (WMO), otwierając nową erę prognozowania meteorologicznego opartego na danych i sztucznej inteligencji.

W Wietnamie skutki zmian klimatu są coraz bardziej widoczne w postaci zwiększonej częstotliwości i ekstremalności silnych burz, lokalnych ulewnych deszczy, gwałtownych powodzi i osuwisk. Spowodowało to przesunięcie wymagań w zakresie prognozowania z opisu zjawisk na przewidywanie skutków; z prognozowania jakościowego na ilościowe, szczegółowe, terminowe i wcześniejsze prognozowanie, co wywiera ogromną presję na sektor hydrometeorologiczny, aby przyspieszyć innowacje technologiczne i transformację cyfrową.

Tradycyjne metody prognozowania są zastępowane zastosowaniem sztucznej inteligencji i dużych zbiorów danych do monitorowania, analizowania, prognozowania i ostrzegania przed zjawiskami hydrometeorologicznymi.

W ostatnich latach sektor hydrometeorologiczny również stanął przed ważnymi szansami na modernizację. Uruchomienie superkomputera Cray XC40 stanowiło znaczący krok naprzód w zakresie mocy obliczeniowej. Dzięki mocy obliczeniowej wynoszącej prawie 80 TFLOPS, system pozwala na wygenerowanie modelu prognozy o rozdzielczości 3 km dla całego terytorium i Morza Wschodniego w zaledwie 30-40 minut, co plasuje Wietnam w grupie krajów o silnej infrastrukturze prognostycznej w regionie.

Sieć ponad 3200 automatycznych stacji pomiarowych deszczu, 10 radarów pogodowych i system pozycjonowania wyładowań atmosferycznych stworzyły stale aktualizowane źródło danych o wysokiej rozdzielczości 1×1 km, stanowiące ważną podstawę modeli prognostycznych. Dane te okazały się skuteczne w wielu praktycznych sytuacjach, takich jak historyczne opady deszczu w regionie centralnym w 2020 roku czy ulewne deszcze w 2024 roku.

Wietnam został również uznany przez Światową Organizację Meteorologiczną (WMO) za Regionalne Centrum Wsparcia Ostrzegania przed Groźnymi Warunkami Pogodowymi (SWFP-SeA) oraz Regionalne Centrum Ostrzegania przed Gwałtownymi Powodziami i Osunięciami Ziemi (SeAFFGS), co pozwoliło na poszerzenie dostępu do zaawansowanych technologii, standaryzację procesów i wzmocnienie współpracy międzynarodowej.

Wyzwania pozostają jednak ogromne. Infrastruktura obliczeniowa dla systemów sztucznej inteligencji (AI) i przechowywania danych Big Data nie spełnia jeszcze wymagań związanych z obsługą modeli głębokiego uczenia (Deep Learning). Dane hydrometeorologiczne są rozproszone i brakuje synchronizacji między ministerstwami i sektorami; w niektórych obszarach, takich jak granice i wyspy, nadal brakuje danych. Koszty eksploatacji zaawansowanych technologicznie systemów monitorowania są wysokie, a mechanizmy uspołeczniania – ograniczone. Zasoby ludzkie dysponujące wiedzą zarówno z zakresu modeli numerycznych, sztucznej inteligencji (AI), jak i analizy Big Data nie spełniły jeszcze wymogów rozwojowych. Ponadto, utrzymanie roli w programach współpracy międzynarodowej wymaga stabilnego źródła finansowania.

Przełom w technologii i sztucznej inteligencji

W ostatnich latach sektor hydrometeorologiczny intensywnie wdrażał rozwiązania mające na celu modernizację procesu prognozowania. Udoskonalono numeryczne modele prognoz o wysokiej rozdzielczości (1-3 km), asymilując krajowe dane obserwacyjne i łącząc międzynarodowe produkty ECMWF, co pozwoliło skrócić czas publikacji prognozy z 5-8 do 2-3 godzin. System prognozowania zespołowego, składający się z 32 komponentów krótkoterminowych i 51 średnioterminowych, wspiera tworzenie map prawdopodobieństwa, prognoz wpływu oraz szczegółowych danych o opadach deszczu dla każdej gminy i okręgu.

Od 2019 r. system SmartMet stopniowo zastępuje analizę manualną, umożliwiając wizualizację, edycję i synchronizację danych prognostycznych w czasie rzeczywistym między szczeblem centralnym i lokalnym, co znacznie skraca czas publikacji biuletynów.

Sztuczna inteligencja zaczyna odgrywać istotną rolę w prognozowaniu. Modele głębokiego uczenia są stosowane w identyfikacji tajfunów, prognozowaniu ultrakrótkich opadów deszczu, analizie obrazów satelitarnych Himawari, wczesnej identyfikacji lokalizacji centrów burz oraz ulepszonym prognozowaniu intensywności cyklonów tropikalnych. Przypadek tajfunu Noru w 2022 roku pokazał, że modele sztucznej inteligencji integrujące dane satelitarne i radarowe mogą wspierać wczesną identyfikację rozwoju burz w momencie ich napływu do Morza Wschodniego, pomagając wydłużyć czas wczesnego ostrzegania do 72 godzin.

Zastosowania sztucznej inteligencji są szeroko stosowane w prognozowaniu.

Jakość prognoz znacznie się poprawiła. Czas prognozowania burz wydłużył się z 24 godzin do 3 dni; wczesne ostrzeżenia są wydawane z 5-dniowym wyprzedzeniem; błędy w lokalizacji burz w odstępach 48-godzinnych zmniejszyły się o połowę. Prognozy ulewnych deszczy i ostrzeżeń przed powodziami z 2-3-dniowym wyprzedzeniem osiągnęły wiarygodność na poziomie około 75%; lokalne ostrzeżenia przed burzami z piorunami pojawiły się z wyprzedzeniem od 30 minut do kilku godzin; prognozy silnych mrozów i rozległych upałów osiągnęły wiarygodność na poziomie 70-90%.

Współpraca międzynarodowa nadal odgrywa ważną rolę. Wietnam utrzymuje profesjonalną wymianę z JMA (Japonia), CMA (Chiny) i wieloma głównymi agencjami meteorologicznymi w zakresie wymiany danych, oceny konsensusu i szkoleń kadrowych. Nawet w okresie pandemii COVID-19 kursy szkoleniowe WMO były prowadzone online, zapewniając rozwój zawodowy prognostom w kraju i regionie.

Według Departamentu Hydrometeorologii Ministerstwa Rolnictwa i Środowiska , w latach 2025–2030 sektor hydrometeorologii będzie się rozwijał w oparciu o trzy filary: modernizację sieci monitoringu; poprawę możliwości prognozowania w zakresie oddziaływania i prognozowania w czasie rzeczywistym; kompleksową transformację cyfrową. Priorytetem jest w szczególności ukończenie budowy automatycznej i synchronicznej sieci monitoringu, zwłaszcza na obszarach o ograniczonym dostępie do danych. Sektor dąży do 5–10-krotnego zwiększenia mocy obliczeniowej w porównaniu z rokiem 2020; opracowania hybrydowego modelu łączącego prognozowanie numeryczne i sztuczną inteligencję; zwiększenia możliwości ostrzegania przed gwałtownymi powodziami i osuwiskami z 6–12-godzinnym wyprzedzeniem oraz ostrzegania przed burzami z 3–5-dniowym wyprzedzeniem.

Kompleksowa transformacja cyfrowa wymaga integracji 100% danych w Krajowej Bazie Danych Hydrometeorologicznych (National Hydrometeorological Database), przy jednoczesnym stworzeniu mechanizmu prawnego promującego uspołecznienie i komercjalizację usług hydrometeorologicznych. Kluczowym czynnikiem nadal są ludzie, a branża koncentruje się na dogłębnym szkoleniu z zakresu sztucznej inteligencji (AI), big data, nowoczesnych modeli prognostycznych oraz rozwijaniu współpracy międzynarodowej, zwłaszcza z WMO i krajami o zaawansowanej hydrometeorologii, w celu pozyskiwania, opanowywania i rozwijania technologii prognostycznych nowej generacji.

Centrum Komunikacji Naukowej i Technologicznej

Source: 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