Dự đoán đường đi của bão dựa trên thuật toán Kalman

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

13
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Dự đoán đường đi của bão dựa trên thuật toán Kalman trình bày về thuật toán Kalman và ứng dụng nó để dự báo đường đi của bão dựa trên dữ liệu thu được từ máy chủ WMS (Web Map Service).

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Dự đoán đường đi của bão dựa trên thuật toán Kalman

DỰ ĐOÁN ĐƯỜNG ĐI CỦA BÃO DỰA TRÊN THUẬT TOÁN KALMAN Phạm Thị Quỳnh Trang1, Dương Thị Hằng1, Đặng Thị Khánh Linh2 1 Trường Đại học Công nghiệp Hà Nội 2 Trường Đại học Tài nguyên và Môi trường Hà Nội Tóm tắt Ngày nay nhận dạng, theo dõi và dự đoán chính xác đường đi của các cơn bão là những phần cơ bản và thiết yếu của rada và cảnh báo thời tiết khắc nghiệt hoạt động trong cộng đồng khí tượng. Bài báo này trình bày về thuật toán Kalman và ứng dụng nó để dự báo đường đi của bão dựa trên dữ liệu thu được từ máy chủ WMS (Web Map Service). Từ khoá: Cơn bão; Rada; Thuật toán Kalman. Abstract Predicting the path of a storm based on the kalman algorithm Today, identifying, tracking and predicting the path of hurricanes accurately are fundamental and essential parts of severe weather radar and warning operating in the meteorological community. This paper presents the Kalman algorithm and its application in predicting the path of storm based on the data obtained from the WMS (Web Map Service) server. Keywords: Storm; Radar; Kalman algorithm. 1. Đặt vấn đề Một vấn đề được quan tâm nhiều bởi những người sống ở các khu vực ven biển hoặc những người lao động trên biển là mối đe dọa của các cơn bão lớn. Khả năng dự báo chính xác đường đi của cơn bão là điều rất quan trọng để giảm thiểu những thiệt hại về người và của. Hầu hết các thành phố, thị xã hay các huyện ven biển đều đã xây dựng kế hoạch chuẩn bị và khuyến cáo người dân sẵn sàng chống chọi với thời tiết bão lớn hoặc sơ tán trong mùa bão. Mùa bão thường kéo dài từ tháng 6 đến hết tháng 11. Các dự báo về sự suất hiện, cấp độ, hướng di chuyển,… của mỗi cơn bão được đưa ra từ Trung tâm Dự báo Khí tượng thủy văn Trung ương và Trung tâm Cảnh báo thiên tai Quốc gia. Khi một cơn bão được xác định và đặt tên, mối quan tâm hàng đầu là dự đoán đường đi của nó. Việc dự đoán đường đi của một cơn bão thường sử dụng các phần mềm mô phỏng trên máy tính. Mô hình dự báo bão hay xoáy thuận nhiệt đới là một chương trình máy tính sử dụng dữ liệu khí tượng để dự báo các khía cạnh về trạng thái tương lai của bão nhiệt đới. Mô hình dự đoán sẽ ước tính một cơn bão có thể đổ bộ vào địa phương nào? Khi nào cơn bão sẽ đổ bộ? Điều này phụ thuộc vào vị trí, tốc độ di chuyển và kích thước của nó. Có nhiều thuật toán dùng cho việc dự báo tốc độ, vị trí cũng như quãng đường di chuyển của cơn bão. Việc thiết lập bản đồ biểu diễn quỹ đạo các cơn bão trên một vùng, trong một khoảng thời gian nào đó thể hiện tác động tích lũy của các cơn bão trong quá khứ. Trong 30 - 40 năm qua, những tiến bộ đáng kể trong thu thập và phân tích công nghệ dự báo và dự báo bão có cho phép trình bày và đánh giá chính xác hơn về mô hình gió bão và thiệt hại của nó [1]. 2. Số liệu và phương pháp nghiên cứu 2.1. Giới thiệu về dịch vụ bản đồ Web (Web Map Service - WMS) WMS là một dịch vụ cung cấp bản đồ số trên Web theo chuẩn mở WMS của Hiệp hội OpenGIS. Đây là một hướng nghiên cứu khá mới nhưng đầy tiềm năng tại Việt Nam. WMS bao gồm 2 thành phần chính là Web Map Server và Web Map Client. 260 Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường
Web Map Server là phần dịch vụ bản đồ chạy trên Server, nó có nhiệm vụ cung cấp các chức năng chính như: Tạo bản đồ (dưới dạng đồ họa, ảnh, tập tin dữ liệu địa lý,...) hoặc trả lời các câu truy vấn của Web Map Client về nội dung bản đồ. Web Map Client có chức năng gửi các yêu cầu đến Web Map Server về các thuộc tính của Bản đồ hay yêu cầu hiển thị bản đồ dưới dạng một URL, nội dung của URL phụ thuộc vào dịch vụ do Web Map Server cung cấp. Cơ chế hoạt động của WMS gồm 4 nhiệm vụ: + Communication (truyền thông giữa các máy tính): Ở tầng dưới cùng của mô hình truyền thông, thông tin được truyền nhận bởi các tín hiệu điện tương ứng với cơ chế mã hóa nhị phân (0/1). Ở tầng tiếp theo là TCP/IP; tầng ứng dụng là giao thức HTTP, thông tin ở tầng này được mã hóa bởi ngôn ngữ HTML. + Requests (Yêu cầu): Trình duyệt gửi yêu cầu đến trang web bằng 1 GetRequest, GetRequest được định dạng bởi 1 URL. + Response (Trả lời): WebServer kiểm tra sự tồn tại của các trang Web, nếu tồn tại và người dùng có quyền truy cập thì sẽ trả về trang Web cho người dùng, nếu không sẽ báo thông điệp lỗi. Các trang Web được mã hóa HTML, ngôn ngữ này bao gồm các thẻ mô tả thành phần của một trang. + Display (Hiển thị): Trình duyệt hiển trị trang Web, mỗi khi trình duyệt chuyển đổi các thẻ HTML thành các đối tượng đồ họa, nó sẽ vẽ lên màn hình và chờ người dùng thao tác. Đặc tả WMS quy định cách thức mà các WMS client liên lạc với WMS Server và cách thức mà WMS Server đáp ứng yêu cầu của WMS Client. Có hai loại Request bắt buộc và một số loại Request tùy chọn khác. Mỗi loại yêu cầu giống như 1 trang web, cho dù thực tế nó hoàn toàn là một chương trình đơn nhận các tham số khác nhau: + GetMap: Yêu cầu GetMap trả về một bản đồ dưới dạng ảnh (ảnh bản đồ) trong một phạm vi địa lý và theo các tham số được định nghĩa cụ thể. GetMap được yêu cầu bởi một Client để nhận về một tập hợp các pixel. Các pixel này chứa ảnh của một bản đồ trong vùng địa lý (không gian) hoặc một tập các đối tượng đồ họa nằm trong vùng địa lý cụ thể. Yêu cầu GetMap cho phép các WMS Client chỉ ra một lớp thông tin cụ thể: hệ quy chiếu không gian (SRS), một khu vực địa lý, các tham số khác quy định định dạng dữ liệu trả về,... Trên cơ sở các Yêu cầu GetMap, WMS Server sẽ trả về kết quả là một bản đồ (nếu có) hoặc trả về một Exception theo các chỉ dẫn trong Yêu cầu GetMap. + GetCapabilities: Yêu cầu GetCapabilities trả về các siêu dữ liệu mô tả WMS Server, các mô tả bao gồm nội dung thông tin mà WMS có thể phục vụ, các tham số mà WMS Server có thể nhận. + GetFeatureInfo (tùy chọn): Yêu cầu GetFeatureInfo trả về thông tin đối tượng địa lý cụ thể được hiển thị trên bản đồ. Nếu một WMS Server hỗ trợ dịch vụ này thì bản đồ mà nó trả về được gọi là bản đồ có khả năng truy vấn thông tin và một WMS Client có thể yêu cầu thông tin về đối tượng trên một bản đồ bằng cách thêm vào URL các tham số chỉ ra một vị trí (X,Y) và số đối tượng có thể trả về thông tin. 2.2. Thuật toán Kalman Lọc Kalman là một thuật toán cung cấp các ước tính của một số biến chưa biết dựa trên các phép đo được quan sát theo thời gian. Bộ lọc Kalman đã và đang chứng minh tính hữu ích của nó trong các ứng dụng khác nhau. Bộ lọc Kalman có hình thức tương đối đơn giản và yêu cầu Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo, 261 quản lý lĩnh vực tài nguyên môi trường
sức mạnh tính toán nhỏ [3]. Các thuật toán dựa trên bộ lọc Kalman đã trở nên phổ biến trong các hệ thống định vị và theo dõi đối tượng vì chúng có thể cho kết quả trong thời gian thực. Bộ lọc Kalman cho phép ước tính lỗi hoặc trạng thái của một đối tượng trong bước thứ k trên cơ sở các phép đo ở bước thứ (k - 1) [2]. Mô hình toán học bộ lọc Kalman: Giả sử rằng có thể mô hình hóa bởi phương trình chuyển trạng thái 𝑥k+1 = A 𝑥 k + B𝒖 k + 𝑤 k (1) yk+1 = C 𝑥 k+1 + υ (2) trong đó: 𝑥k, yk là trạng thái tại thời điểm k, 𝒖k là vector điều khiển đầu vào, υ, 𝑤k là hệ thống cộng hay nhiễu quá trình, thường là nhiễu Gaussian trắng cộng (AWGN), 𝑮k là ma trận chuyển đổi đầu vào và 𝑭k là ma trận chuyển trạng thái [3]. Với giá trị của C được biểu diễn trong phương trình (3) C= (3) Bộ lọc Kalman có hai giai đoạn chính: Giai đoạn dự đoán và giai đoạn hiệu chỉnh. Giai đoạn dự đoán được minh họa bằng các phương trình (1) và (4). Phương trình (4) được biểu diễn như sau: (4) Trước khi chuyển sang giai đoạn hiệu chỉnh, cần tính toán các giá trị của Kalman thu được: (5) trong đó: (6) Hiệu chỉnh giá trị ước lượng: (7) 2.3. Mô hình thử nghiệm Thông thường, các trang web chứa hình ảnh thời tiết có thể chứa hình ảnh hiển thị dữ liệu trong một hệ tọa độ địa lý chưa được dự báo. Việc theo dõi vị trí và khu vực của bão có thể thực hiện bằng cách phân tích hình ảnh từ máy chủ WMS. Dữ liệu về lớp bão được lấy từ máy chủ hình ảnh khoa học trực quan hóa (SVS) của Trung tâm chuyến bay không gian Goddard, NASA. Dữ liệu trong lớp này hiển thị các mẫu đám mây ở bước sóng nhìn thấy, từ 0,52 - 0,72 micron. Khi áp dụng bộ lọc Kalman với thuật toán theo dõi bão, mỗi cơn bão được theo dõi riêng lẻ được coi là hệ thống quan tâm và trạng thái ẩn của hệ thống có thể bao gồm vị trí, vận tốc và khu vực của cơn bão. Mục đích là cung cấp một ước lượng tối ưu của vectơ trạng thái chưa biết ở bước thời gian thứ k bằng cách sử dụng các quan sát nhiễu trước đó y1,…, yk, một mô hình động cho sự phát triển theo thời gian và trạng thái đã ước lượng trước đó. Trong theo dõi bão dựa trên WMS, vector quan sát gồm các biến có thể được đo trực tiếp từ cơn bão đã được phát hiện, chẳng hạn như các phép đo khu vực và vị trí tâm của cơn bão. Mô hình lọc Kalman cho các cơn bão được theo dõi ước tính các biến trạng thái của các ô bão (vị trí tại các thời điểm quan sát). Ở đây, việc theo dõi ban đầu nghĩa là xác định bão được 262 Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường
thực hiện từ máy chủ WMS. Tại mỗi thời điểm bước k, nhóm tác giả áp dụng bộ lọc Kalman cho các đường đi, ước tính trạng thái của các cơn bão được theo dõi. Để cải thiện sự phù hợp giữa các ô bão trong theo dõi, các ô được xác định ở bước thời gian trước đó k - 1 được chiếu tới bước thời gian hiện tại k theo vận tốc ước tính của bộ lọc Kalman. Trong nhiều ứng dụng dự báo bão hướng đối tượng, việc dự báo các ô bão dựa trên phép ngoại suy tuyến tính của vị trí bằng cách sử dụng các ước tính vận tốc hoặc vị trí trước đó được lấy từ các đường đi của bão. Các biến trạng thái được xem xét trong nghiên cứu này là vị trí trung tâm hình học (x, y) của một cơn bão đã được xác định và các thành phần vận tốc tương ứng, được biểu thị là một vector trạng thái. Các biến đo được duy nhất là tọa độ tâm bão và do đó các phần tử tương ứng với các quan sát vận tốc trong ma trận đo k bằng không. Vận tốc được ước tính sau đó bằng cách sử dụng mô hình động lực học được áp dụng và các phương trình lọc Kalman. Như vậy, mô hình quan sát tuyến tính k của hệ thống là: A= (8) B= (9) trong đó: r là hằng số biểu diễn nhiễu tín hiệu, giá trị này được ước lượng từ thực tế mô phỏng. Thuật toán đề xuất: Bước 1: Thiết lập các tham số vị trí ban đầu của cơn bão (x0, y0), tốc độ bão (α), ma trận A, B; Bước 2: Tìm kiếm máy chủ WMS, tìm các lớp bão từ cơ sở dữ liệu cục bộ; Bước 3: Đồng bộ hóa đối tượng WMSLayer với máy chủ; Bước 4: Đọc chi tiết dữ liệu trong lớp bão; Bước 5: Tạo các biến khoảng thời gian; Bước 6: Lấy bản đồ cơn bão từ máy chủ; Bước 7: Sử dụng hình ảnh từ máy chủ WMS, tính toán khu vực và vị trí trung tâm của cơn bão bằng cách giả định rằng cơn bão nằm trong khu vực có nhiều mây bao phủ nhất (xác định (xk, yk)); Bước 8: Ước lượng vị trí tiếp theo của bão theo phương trình (1) và (2). Các thuật toán được mô phỏng bằng phần mềm Python 3.7 3. Kết quả mô phỏng Thuật toán được mô phỏng bằng phần mềm Python 3.7 chạy trên máy Dell inspiron core i2 RAM 4G. Hình 2 biểu diễn đường đi của bão Vamco đổ bộ vào miền Trung Việt Nam năm 2020 (theo https://vi.wikipedia.org/wiki/B%C3%A3o_Vamco_(2020)).Bổ sung lược đồ Việt Nam đầy đủ các biển đảo thể hiện chủ quyền Việt Nam Kết quả mô phỏng đường đi của bão theo thuật toán Kalman được biểu diễn trong Hình 2. Kết quả này cho thấy khi quỹ đạo dịch chuyển của bão Vamco có kinh độ và vĩ độ quan hệ tuyến tính thì thuật toán sử dụng bộ lọc Kalman cho giá trị ước lượng bám sát đường đi thực tế của bão. Quỹ đạo dự đoán dùng Kalman có xảy ra sai lệch khi hướng bão thay đổi đột ngột. Tuy nhiên, do khả năng dự đoán trước của Kalman, vì vậy quỹ đạo dự đoán có sai số khi phát hiện được hướng bão thay đổi đột ngột. Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo, 263 quản lý lĩnh vực tài nguyên môi trường
Hình 1: Đường đi của bão Vamco 2020 Hình 2: Kết quả mô phỏng đường đi bão Vamco theo thuật toán Kalman2D Bảng 1 biểu diễn vị trí bão tại các thời điểm đo đạc và kết quả dự đoán vị trí bão theo thuật toán Kalman. Kết quả cho thấy đường đi của bão được dự đoán phù hợp với đường đi thực tế. Bảng 1 cho thấy, sai số giữa kinh độ ước lượng và vĩ độ ước lượng so với kinh độ và vĩ độ trực tiếp khi sử dụng thuật toán Kalman là rất nhỏ. Cụ thể, theo số liệu trong Bảng 1, sai số của kinh độ ước lượng so với kinh độ thực tế dao động trong khoảng từ 0,1 - 0,5 %. Sai số của vĩ độ ước lượng so với vĩ độ thực tế có cao hơn nhưng trong giá trị chấp nhận, với phạm vi từ 1,1 - 3,1 %. Tuy nhiên theo nhóm tác giả, kết quả này có khả năng được cải thiện trong các nghiên cứu tiếp theo khi kết hợp với thuật toán khác để dự báo. 264 Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường
Bảng 1. Kết quả mô phỏng dự đoán vị trí bão theo tọa độ Kinh độ Vĩ độ Kinh độ Vĩ độ ước Thời gian đo đạc thực tế thực tế ước lượng lượng 13h00 ngày 10/11/2020 14 128 13.999 127.999 7h00 ngày 11/11/2020 14.6 124.5 15.147 121.321 13h00 ngày 11/11/2020 14.8 124 15.119 122.578 19h00 ngày 11/11/2020 14.8 122.3 14.920 120.705 07h00 ngày 12/11/2020 15 119.5 15.169 117.161 13h00 ngày 12/11/2020 15.1 119 15.226 117.799 7h00 ngày 13/11/2020 15.2 115.6 15.310 113.039 7h00 ngày 14/11/2020 15.4 111.7 15.567 108.311 13h00 ngày 14/11/2020 15.6 110.5 15.786 108.464 16h00 ngày 14/11/2020 16.1 109.9 16.480 108.752 04h00 ngày 15/11/2020 16.8 107.7 17.378 105.902 16h00 ngày 15/11/2020 17.6 105.7 18.315 103.777 16h00 ngày 16/11/2020 18.7 102.5 19.653 99.789 Máy chủ WMS cho phép giám sát quỹ đạo đi trực tiếp của một cơn bão thông qua ảnh vệ tinh. Tuy nhiên để có được sự chuẩn bị, ứng phó với hiện tượng thiên nhiên khắc nghiệt này chúng ta cần đoán trước đường đi của nó. Thuật toán Kalman cho phép ước lượng tương đối chính xác quỹ đạo chuyển động của một đối tượng do đó hoàn toàn có thể áp dụng vào bài toán dự báo đường đi của bão. Thực tế, việc giám sát cơn bão gồm nhiều yếu tố khác ngoài việc giám sát quỹ đạo ví dụ như cường độ bão, khu vực ảnh hưởng,… 4. Kết luận Bài báo đã trình bày về ứng dụng ước lượng quỹ đạo di chuyển của một cơn bão sử dụng kết quả tìm kiếm từ máy chủ WMS áp dụng vào thuật toán Kalman. Từ kết quả nghiên cứu có thể hỗ trợ cho các ứng dụng cảnh báo khí hậu cực đoan, thiên tai và làm cơ sở phát triển các nghiên cứu sau này kết hợp giữa sinh viên ngành Công nghệ thông tin và sinh viên ngành Khí tượng thủy văn. TÀI LIỆU THAM KHẢO [1]. Honduras, Sven P. Batke, Merlijn Jocque, Daniel L. Kelly (2014). Modelling hurricane exposure and wind speed on amesoclimate scale: A case study from Cusuco NP. Hurricane Exposure Vulnerability. www.plosone.org, volume 9, issue 3 e91306. [2]. Nguyễn Lương Nhật, Đào Duy Liêm (2019). Đánh giá hiệu năng các thuật toán theo vết đối tượng chuyển động. Tạp chí Khoa học Công nghệ thông tin và Truyền thông, số 03&04 (CS.01). [3]. Young Joo Kim and Hyochoong Bang (2018). Introduction to Kalman Filter and Its Applications. Doi: 10.5772/intechopen.80600. [4]. Pekka J. Rossi1, V. Chandrasekar, Vesa Hasu and Dmitri Moisseev (2015). Kalman filtering - based probabilistic nowcasting of object - oriented tracked convective storms. Journal of Atmospheric and Oceanic technology. Doi: https://doi.org/10.1175/JTECH-D-14-00184.1 [5]. https://vi.wikipedia.org/wiki/B%C3%A3o_Vamco_(2020)) [6]. https://vtv.vn/du-bao-khi-tuong-thuy-van.html. Chấp nhận đăng: 10/12/2021; Người phản biện: TS. Chu Thị Thu Hường. Giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo, 265 quản lý lĩnh vực tài nguyên môi trường