Trong bài viết này, phương pháp xây dựng mô hình dự báo nhiệt độ và lượng mưa hàng tháng bằng mô hình đa biến bộ nhớ dài-ngắn hạn (Multivariate long short-term memory - MLSTM) được đề xuất. Các tham số của mô hình được điều chỉnh sao cho phù hợp với bài toán đặt ra. Mô hình được đánh giá thông qua độ đo lỗi RMSE và MAE. Bên cạnh, các mô hình dự báo khác như LSTM, MLP và SVR cũng được sử dụng nhằm so sánh hiệu quả của mô hình đề xuất. Kết quả thực nghiệm trên tập dữ liệu nhiệt độ và lượng mưa trung bình hàng tháng tại Việt Nam từ 1901 đến 2015 cho thấy mô hình MLSTM đạt hiệu quả khá tốt với độ lỗi RMSE trên tập nhiệt độ là 1.311 và MAE là 1.051, tương ứng trên tập dữ liệu lượng mưa là 2.299 và 2.450.

Biến đổi khí hậu ảnh hưởng đến mọi mặt đời sống kinh tế - xã hội của con người. Dự báo các yếu tố khí hậu ngày càng quan trọng và cần thiết, trở thành mối quan tâm lớn của tất cả các quốc gia trên thế giới. trong đó có Việt Nam. Nhiệt độ và lượng mưa là hai yếu tố chịu tác động lớn trong hệ thống khí hậu, chúng ảnh hưởng trực tiếp đến hệ sinh thái, nước, tài nguyên, các hoạt động nông nghiệp và nuôi trồng thủy sản ở đồng bằng sông Cửu Long nói riêng và cả nước nói chung. Theo Chính (2020), miền Trung nước ta bị thiệt hại khoảng 30.000 tỷ đồng do thiên tai dị thường. Các trận mưa bão lũ năm 2020- 2021 gây ra nhiều hậu quả nặng nề cho người dân miền Trung với lượng mưa 3.000 mm, có nơi lên đến 4.526 mm, nhiều ngôi nhà bị sập, hư hỏng nặng; về nông nghiệp, nhiều héc-ta lúa, hoa màu bị thiệt hại nặng nề; về hạ tầng đê điều, thủy lợi, giao thông nhiều ki-lô-mét đường bộ, sông, bị hư hỏng nặng; về giáo dục, y tế nhiều trường học bị thiệt hại nặng nề. Tổng thiệt hại kinh tế khoảng 30.000 tỷ đồng. Từ những nguyên nhân trên, việc dự báo nhiệt độ và lượng mưa là vấn đề cần thiết nhằm hỗ trợ người dân ứng phó biến đổi khí hậu kịp thời.

Trong bài viết này, kỹ thuật học sâu với mô hình đa biến bộ nhớ dài-ngắn hạn (Multivariate long short-term memory- MLSTM) được đề xuất để dự báo các chỉ số về nhiệt độ và lượng mưa trung bình hàng tháng ở Việt Nam. Mô hình dự báo dựa trên mạng bộ nhớ dài-ngắn hạn (long - short term memory- LSTM). Mô hình này cải tiến từ mạng nơ[1]ron thông thường với nhiều thuộc tính làm đầu vào mạng khi huấn luyện. Đầu tiên dữ liệu được sắp xếp thứ tự theo thời gian, chúng có thể được xem là chuỗi thời gian hoặc dữ liệu tuần tự. Kế đến là bước biến đổi dữ liệu từ chuỗi tuần tự thành đa biến đầu vào cho mô hình. Sau cùng, mô hình sẽ được huấn luyện và kiểm thử nhằm đánh giá độ tin cậy.

Những năm gần đây thì bài toán dự báo khí hậu là bài toán nhận được nhiều sự chú ý trong cộng đồng nghiên cứu khoa học trong và ngoài nước. Nghiên cứu này thì các tài liệu liên quan đến các phương pháp dự báo được tập trung xem xét.

Các công trình trước đây cho thấy học sâu với LSTM có thể là một phương pháp thích hợp cho dữ liệu chuỗi thời gian, Lim and Zohren (2020) đã nghiên cứu mô hình học sâu kết hợp mô hình thống kê và các thành phần mạng nơ-ron để cải thiện các phương pháp dự báo chuỗi thời gian. Ikram et al. (2019) đã trình bày một nghiên cứu sử dụng mạng nơ-ron tuần hoàn (RNN) với kiến trúc LSTM để dự đoán nhiệt độ môi trường xung quanh (TA). Nghiên cứu của Poornima et al. (2019) sử dụng mạng lưới thần kinh nhân tạo dựa trên bộ nhớ ngắn hạn tăng cường (LSTM tăng cường) để dự đoán lượng mưa cho kết quả đánh giá theo phương pháp so sánh có độ chính xác 87,99%. Một nghiên cứu khác của Xingjian et al. (2015) đã đề xuất LSTM tích hợp (ConvLSTM) và sử dụng nó để xây dựng mô hình có thể huấn luyện cho bài toán dự báo lượng mưa bằng tiếp cận máy học. Ngoài ra, còn có các nghiên cứu khác như Kratzert et al. (2018), tác giả đã dùng nhiều lưu vực của bộ dữ liệu CAMELS đề xuất mô hình dự báo lượng mưa theo phương pháp LSTM đạt độ chính xác tương tự như mô hình SAC-SMA. Zhang et al. (2017) sử dụng mạng lưới thần kinh lặp lại và bộ nhớ dài - ngắn hạn dự đoán nhiệt độ bề mặt nước biển cho kết quả mang lại độ chính xác khá cao.

nqhuy