Tillämpning av vetenskap och teknik, artificiell intelligens och digital transformation i hydrometeorologiska prognoser

I samband med allt allvarligare klimatförändringar och den starka utvecklingen av den fjärde industriella revolutionen står hydrometeorologiska prognoser (HTS) inför nya och utmanande krav. Vetenskap och teknik, artificiell intelligens (AI) och digital transformation spelar inte bara en stödjande roll utan har blivit den centrala grunden som bestämmer hastigheten, kvaliteten och noggrannheten hos det moderna katastrofvarningssystemet.

Nya påtryckningar i klimatförändringarnas era

Runt om i världen ersätts traditionella prognosmetoder av högupplösta numeriska modeller, avancerade dataassimileringssystem och särskilt genombrott inom AI och djupinlärning. Ledande meteorologiska organisationer som ECMWF eller JMA har använt AI för att korrigera fel, göra omedelbara prognoser och utnyttja alltmer omfattande öppna datalager från Världsmeteorologiska organisationen (WMO), vilket öppnar en ny era av data- och AI-baserade meteorologiska prognoser.

I Vietnam blir effekterna av klimatförändringarna alltmer tydliga genom den ökade frekvensen och intensiteten av kraftiga stormar, lokala kraftiga regn, översvämningar och jordskred. Detta har lett till att prognoskraven har skiftat från att beskriva fenomen till att förutsäga effekter; från kvalitativa prognoser till kvantitativa, detaljerade, aktuella och tidigare prognoser, vilket skapar stort tryck på den hydrometeorologiska sektorn att påskynda teknisk innovation och digital omvandling.

Traditionella prognosmetoder ersätts av tillämpningen av AI och stordata för att övervaka, analysera, prognostisera och varna för hydrometeorologi.

Under senare år har även den hydrometeorologiska sektorn ställts inför viktiga möjligheter till modernisering. Driften av superdatorn Cray XC40 har skapat ett stort steg framåt vad gäller beräkningskapacitet. Med en kapacitet på nästan 80 TFLOPS hjälper systemet till att köra en prognosmodell med 3 km upplösning för hela territoriet och Östsjön på bara 30–40 minuter, vilket placerar Vietnam i gruppen av länder med stark prognosinfrastruktur i regionen.

Tillsammans har ett nätverk av mer än 3 200 automatiska regnstationer, 10 väderradarer och ett blixtpositioneringssystem skapat en kontinuerligt uppdaterad 1×1 km högupplöst datakälla, en viktig grund för prognosmodeller. Dessa data har visat sig effektiva i många praktiska situationer, såsom de historiska regnen i den centrala regionen 2020 eller de kraftiga regnen 2024.

Vietnam har också erkänts av WMO som ett regionalt stödcenter för varning om allvarliga väderförhållanden (SWFP-SeA) och ett regionalt varningscenter för översvämningar och jordskred (SeAFFGS), vilket utökar tillgången till avancerad teknik, standardiserar processer och förbättrar internationellt samarbete.

Utmaningarna är dock fortfarande enorma. Datorinfrastrukturen för AI och stordatalagringssystem har ännu inte uppfyllt behoven för att driva djupinlärningsmodeller. Hydrometeorologiska data är utspridda och saknar synkronisering mellan ministerier och sektorer; vissa områden som gränser och öar saknar fortfarande data. Kostnaden för att driva högteknologiska övervakningssystem är hög, medan socialiseringsmekanismen är begränsad. Mänskliga resurser med kunskap om både numeriska modeller, AI och stordataanalys har ännu inte uppfyllt utvecklingskraven. Dessutom kräver det en stabil finansieringskälla att upprätthålla en roll i internationella samarbetsprogram.

Genombrott från teknologi och artificiell intelligens

Under senare år har den hydrometeorologiska sektorn kraftigt implementerat lösningar för att modernisera prognosprocessen. Högupplösta numeriska prognosmodeller (1–3 km) har uppgraderats, vilket har assimilerat inhemska observationsdata och kombinerat internationella produkter från ECMWF, vilket har bidragit till att förkorta prognostiden från 5–8 timmar till 2–3 timmar. Ensembleprognossystemet med 32 kortsiktiga komponenter och 51 medelsiktiga komponenter stöder konstruktionen av sannolikhetskartor, konsekvensprognoser och detaljerad nederbörd för varje kommun och valkrets.

Sedan 2019 har SmartMet-systemet gradvis ersatt manuell analys och hjälpt till att visualisera, redigera och synkronisera prognosdata i realtid mellan central och lokal nivå, vilket avsevärt förkortar tiden för att släppa meddelanden.

AI börjar spela en viktig roll i prognoser. Djupinlärningsmodeller tillämpas för tyfonidentifiering, ultrakorta regnprognoser, satellitbildanalys från Himawari, tidig identifiering av stormcentrum och förbättrad prognos för tropiska cykloners intensitet. Fallet med tyfonen Noru år 2022 visade att AI-modeller som integrerar satellit- och radardata kan stödja tidig identifiering av stormutvecklingar när de når Östersjön, vilket bidrar till att öka den tidiga varningstiden till 72 timmar.

AI-applikationer används i stor utsträckning för att underlätta prognosarbete.

Prognoskvaliteten har förbättrats avsevärt. Tidsramarna för stormprognoser har ökat från 24 timmar till 3 dagar; tidiga varningar har utfärdats 5 dagar i förväg; felaktiga varningar om stormplatser med 48-timmarsintervall har halverats. Prognoser för kraftigt regn och översvämningsvarningar 2–3 dagar i förväg har nått en tillförlitlighet på cirka 75 %; lokala åskvädervarningar har nått från 30 minuter till flera timmar i förväg; prognoser för svår kyla och utbredd värme har nått en tillförlitlighet på 70–90 %.

Internationellt samarbete fortsätter att spela en viktig roll. Vietnam upprätthåller professionella utbyten med JMA (Japan), CMA (Kina) och många stora meteorologiska myndigheter inom datadelning, konsensusbedömning och personalutbildning. Även under Covid-19-perioden hölls WMO:s utbildningar online, vilket säkerställde professionell utveckling för prognosmakare i landet och regionen.

Enligt avdelningen för hydrometeorologi vid jordbruks- och miljöministeriet kommer hydrometeorologisektorn under perioden 2025-2030 att utvecklas baserat på tre pelare: modernisering av övervakningsnätverket; förbättring av prognoskapaciteten för påverkan och realtidsprognoser; omfattande digital transformation. I synnerhet är det en prioriterad uppgift att färdigställa det automatiska och synkrona övervakningsnätverket, särskilt i områden som saknar data. Sektorn strävar efter att öka datorkapaciteten med 5-10 gånger jämfört med 2020; utveckla en hybridmodell som kombinerar numerisk prognos och AI; öka förmågan att varna för översvämningar och jordskred med 6-12 timmar och varna för stormar 3-5 dagar i förväg.

En omfattande digital transformation kräver att 100 % av data integreras i den nationella hydrometeorologiska databasen, samtidigt som en rättslig mekanism bygger upp för att främja socialisering och kommersialisering av hydrometeorologiska tjänster. Nyckelfaktorn är fortfarande människor, branschen fokuserar på fördjupad utbildning inom AI, big data, moderna prognosmodeller och utökat internationellt samarbete, särskilt med WMO och länder med avancerad hydrometeorologi, för att ta emot, behärska och utveckla nya generationens prognostekniker.

Centrum för vetenskaps- och teknikkommunikation

Källa: 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