Ảnh Bìa tạo bởi Nano Banana Pro

Đêm Noel ngồi phục dựng dự báo Siêu Bão Beryl 2024 của GraphCast–một mô hình dự báo thời tiết trung hạn (10 ngày) dùng mạng nơ-ron dạng đồ thị (trí tuệ nhân tạo).

Beryl là cơn bão tháng 6 mạnh nhất từng được ghi nhận tại Đại Tây Dương. Giai đoạn cuối tháng 6 đến đầu tháng 7-2024, việc dự đoán đường đi của siêu bão này vô cùng khó khăn. Vì Beryl và môi trường khí hậu ở Đại Tây Dương lúc đó có nhiều đặc tính dị thường:

1. Nhiệt độ mặt nước biển tháng 6 nhưng lại nóng như tháng 9.
2. Lõi bão mạnh và hẹp chỉ trải dài khoảng 30 dặm từ tâm bão.
3. Bão tiến vào Vịnh Mexico với một góc rất xiên.

Những đặc tính này đều là điểm yếu cốt tử của các mô hình dự báo truyền thống như ECMWF hay GFS.

Ngày 2/7/2024, khi tất cả các mô hình truyền thống đều dự báo bão Beryl sẽ di chuyển về phía nam Mexico rồi tan trong đất liền, thì GraphCast đưa ra cảnh báo Beryl sẽ bẻ ngoặt hướng tiến về phía Texas, Mỹ. Phải 3 ngày sau đó, những mô hình khác mới đồng thuận với dự báo của GraphCast. Ngày 8/7, Beryl sau vài giờ suy yếu ở Yucatán Mexico, đã tăng cấp trở lại và đổ bộ vào Matagorda, Texas.

Các mô hình vật lý thường xem Trái Đất là một mặt lưới phẳng, chia ô bởi kinh tuyến - vĩ tuyến. Ở gần xích đạo, các ô lưới này lớn và vuông vức. Còn ở gần hai cực Nam - Bắc, chúng lại nhỏ và méo. Để giữ cho quy luật vật lý ổn định tại các cực, khi giải phương trình vi phân riêng (Navier-Stokes), những mô hình truyền thống phải dùng “bước thời gian” rất nhỏ. Điều này khiến việc xây dựng một dự báo trung hạn cần lượng lớn siêu máy tính chạy liên tục nhiều giờ.

GraphCast có cách tiếp cận hoàn toàn khác. Nó ghi nhớ hình mẫu khí hậu từ lịch sử thời tiết hơn 40 năm, xem Trái Đất là hình cầu, và dùng một mạng lưới đa tỷ lệ để tổ chức luồng thông tin. Các lớp lưới thưa để truyền tín hiệu tầm xa, chồng lên các lớp lưới dày ghi nhận những chi tiết cục bộ. Do hình dạng đồng nhất, cơ chế truyền tin này giúp GraphCast nắm bắt được các tương tác không gian ngẫu nhiên. Nó có thể nhận ra độ ẩm trên sa mạc Sahara là dấu hiệu báo trước cho một cơn bão ở vùng Caribê.

Với dữ liệu từ Copernicus Climate Data, mình thử tạo dự báo 6 ngày (từ 2/7 đến 8/7/2024) bằng phiên bản GraphCast Small (1^o). Ở độ phân giải không gian 1^o (~111km), cơn bão sẽ “phình to" ra như hình bị bể nét. Nên mình không đặt nặng tính chính xác của toạ độ, chỉ muốn xem GraphCast “hiểu” gì về diễn tiến của cơn bão.

Khi chạy hồi quy (autoregressive rollout) đúng một lần ở độ phân giải thấp, mình buộc GraphCast phải dựa hoàn toàn vào các quy luật vật lý mà nó đúc kết được để suy luận. Trên một chip v5e-TPU miễn phí, dự báo 6 ngày được tính ra trong…chưa đến 1 phút!

GraphCast Small nắm bắt chính xác: quỹ đạo bẻ ngoặt, cường độ của hệ thống áp thấp (!), lượng mưa tích lũy dọc đường đi (nguy cơ lũ lụt diện rộng), và thấy được khởi điểm của cơn bão ở gần Châu Phi. Đồng thời, mô hình cũng bộc lộ hạn chế của mạng nơ-ron dạng đồ thị. Thao tác lấy giá trị trung bình từ các điểm lân cận để giảm sai số khiến tính toán sức gió ở tâm bão thấp hơn thực tế.

Dự báo thời tiết là một bài toán lâu đời hơn nửa thế kỷ. Mãi đến 10 năm gần đây, lĩnh vực này mới cởi mở hơn với rào cản: “Máy tính dự báo sai thì ai chịu trách nhiệm?” GraphCast hiện đã được tích hợp vào các hệ thống dự báo thời tiết ở Mỹ và Châu Âu.

Tấm ảnh được nhiều báo chí đăng tải, thể hiện 3 đường cong: đen - đường đi thật của bão, cam - đường dự đoán bởi trí tuệ nhân tạo, và xám - đường dự đoán bởi các mô hình truyền thống.	Đường đi của siêu bão Beryl phục dựng bằng GraphCast Small.

Tại độ cao địa thế (500 hPa), dải áp cao (vàng/xanh lá) ở phía Bắc và rãnh áp thấp (xanh dương đậm) ở bờ Đông nước Mỹ đã kéo cơn bão Beryl về phía Texas.	Cách cơn bão tích tụ hơi nước để hình thành lõi ẩm. Lõi ẩm chính là động cơ cung cấp năng lượng cho bão tồn tại và mạnh lên.