Theo The Verge, một hệ thống kết hợp dữ liệu vệ tinh, cảm biến mặt đất và học máy đang được phát triển nhằm giúp các nhà khí tượng phát hiện nguy cơ lũ quét sớm hơn.
Công nghệ này có thể bổ sung nguồn dữ liệu quan trọng cho quy trình cảnh báo hiện nay, đặc biệt trong những tình huống nước dâng quá nhanh khiến người dân gần như không còn thời gian ứng phó.
Sáng ngày 9/6 vừa qua, cô Laura Lin đang làm việc tại nhà ở Lanesville, một thị trấn nông thôn thuộc miền nam bang Indiana (Mỹ). Trong lúc tham gia một cuộc họp trên Zoom, cô không nhận ra nước lũ đã bắt đầu tràn vào sân nhà.
Cô Lin kể lại: “Tôi nhìn sang khu vực có nhà kho và thấy những khúc gỗ của mình đang nổi lềnh bềnh, và tôi tự hỏi: “Cái gì thế này?”. Ngay lập tức, tôi nghĩ: “Mình phải đi thôi”.
Cô đóng laptop, đánh thức các con và cùng gia đình rời khỏi nhà. Họ tìm nơi trú tại nhà một người hàng xóm. Chỉ trong vài giờ, Lanesville hứng hơn 8 inch, tương đương với lượng mưa hơn 200 mm.
Nước lũ có thể biến một trận mưa lớn thành tình huống nguy hiểm chỉ trong thời gian rất ngắn. Theo The Verge, 6 inch nước chảy xiết có thể quật ngã một người trưởng thành, 12 inch có thể cuốn trôi ô tô và khoảng 2 feet nước có thể dịch chuyển những phương tiện lớn như xe tải hoặc SUV.
Trong bối cảnh các đợt mưa cực đoan xuất hiện với tần suất ngày càng lớn tại Mỹ, việc rút ngắn khoảng thời gian từ khi phát hiện nguy cơ đến khi đưa ra cảnh báo trở nên đặc biệt quan trọng.
Khi cảnh báo đến, đôi khi đã quá muộn
Lũ quét là một trong những dạng thiên tai nguy hiểm bởi tốc độ hình thành và diễn biến rất nhanh. Cơ quan Thời tiết Quốc gia Mỹ (NWS) hiện sử dụng nhiều nguồn dữ liệu để theo dõi nguy cơ, từ các trạm đo mưa, trạm đo lưu lượng dòng chảy đến radar và vệ tinh thời tiết.
Các nhà dự báo cũng dựa trên những ngưỡng được xây dựng theo đặc điểm địa hình, loại đất và độ dốc của từng khu vực. Khi lượng mưa vượt qua các ngưỡng nhất định, những dữ liệu này giúp chuyên gia đánh giá khả năng xảy ra lũ quét.
NWS hiện có 122 văn phòng dự báo thời tiết trên khắp nước Mỹ và các vùng lãnh thổ. Tuy nhiên, mạng lưới quan trắc không thể bao phủ mọi khu vực, đặc biệt là những vùng sa mạc hoặc thưa dân cư.
Ông Jayme Laber, nhà thủy văn học dịch vụ cấp cao tại Văn phòng Dự báo Thời tiết NWS ở Oxnard, California (Mỹ), cho biết mạng lưới trạm đo hiện khá dày đặc nhưng “không phủ kín từng inch của Trái Đất”.
Một hạn chế khác nằm ở thời điểm dữ liệu được thu thập. Trải nghiệm của cô Lin cho thấy rõ khoảng trống này. Cô cho biết cảnh báo yêu cầu người dân tìm nơi trú ẩn an toàn chỉ được đưa ra khi nước đã bao phủ thị trấn.
Cô nói: “Tất cả mọi người trong thị trấn đã bị ngập nước khi họ bắt đầu gửi cảnh báo kiểu như: ‘Hãy lên mái nhà. Chúng tôi đang đưa thuyền đến’. Cho nên lúc đó đã quá muộn”.
Đây là khoảng trống mà nghiên cứu công nghệ mới được kỳ vọng có thể hỗ trợ.
Đọc lượng hơi nước bằng vệ tinh và học máy
TACLS, viết tắt của Hệ thống Học tập Liên tục và Tạo tác Trôi nổi, được các nhà khoa học từ Đại học California San Diego (UCSD), NWS và NASA phát triển. Dự án nhận tài trợ từ Văn phòng Công nghệ Khoa học Trái đất của NASA thông qua chương trình Công nghệ Hệ thống Thông tin Tiên tiến.
Thay vì chỉ tập trung vào lượng mưa đã rơi xuống, TACLS theo dõi lượng hơi nước trong khí quyển thông qua dữ liệu từ Hệ thống Vệ tinh Định vị Toàn cầu (GNSS), một nguồn dữ liệu vốn chủ yếu được sử dụng cho các ứng dụng liên quan đến động đất.
Mạng lưới GNSS có thể cung cấp thông tin về độ ẩm khí quyển. Khi lượng hơi nước tăng, độ trễ trong tín hiệu giữa vệ tinh GNSS và các cảm biến mặt đất cũng thay đổi. Những dữ liệu này giúp các nhà dự báo có thêm thông tin về diễn biến khí quyển trước và trong quá trình một cơn bão hình thành.
TACLS sau đó sử dụng học máy để phân tích dữ liệu. Bhavik Chandna, nghiên cứu sinh tại UCSD, đã dành khoảng một năm phát triển thành phần học máy của hệ thống dựa trên kiến trúc bộ nhớ dài ngắn hạn (LSTM), phù hợp với những hiện tượng thay đổi theo thời gian như các hệ thống bão.
Mô hình được huấn luyện bằng nhiều năm dữ liệu khí quyển từ mạng lưới GNSS, kết hợp dữ liệu về dòng khí quyển, lượng giáng thủy và các cảnh báo lũ quét. Mục tiêu là giúp hệ thống nhận diện những thay đổi về độ ẩm khi một cơn bão phát triển, đồng thời xác định khi nào các điều kiện khí quyển trở nên thuận lợi cho lũ quét.
Theo những người tham gia nghiên cứu, TACLS không nhằm thay thế dự báo thời tiết truyền thống mà cung cấp thêm dữ liệu thời gian thực để các chuyên gia đối chiếu với dự báo.
Nếu mô hình dự báo cho rằng một cơn bão sẽ di chuyển theo tốc độ nhất định, dữ liệu từ TACLS có thể giúp nhà dự báo kiểm tra xem điều kiện khí quyển thực tế có đang diễn biến đúng như dự kiến hay không.
Dù vậy, học máy không phải giải pháp hoàn hảo. Joel Johnson, phó giáo sư tại Khoa Khoa học Trái đất và Hành tinh thuộc Đại học Texas tại Austin (Mỹ), người không tham gia dự án, lưu ý dữ liệu cảm biến có thể xuất hiện nhiễu hoặc các trường hợp dương tính giả.
Từ California đến khả năng mở rộng toàn cầu
TACLS hiện được đưa vào sử dụng tại các văn phòng dự báo thời tiết ở Los Angeles và San Diego (Mỹ), những khu vực thường xuyên đối mặt với lũ quét.
Một phiên bản mới của TACLS đang được tích hợp vào hệ thống NWS, với giao diện đồ họa được cải thiện và bản đồ chi tiết hơn. Công cụ có thể hiển thị lượng mưa cùng những dấu hiệu cho thấy một hiện tượng thời tiết cực đoan đang hình thành. Theo kế hoạch, phiên bản mới sẽ được cung cấp cho các văn phòng NWS vào nửa cuối tháng 10.
Phạm vi ứng dụng của TACLS hiện vẫn tập trung tại California và có thể đặc biệt phù hợp với miền Tây nước Mỹ, nơi có nhiều cảm biến GNSS do đây cũng là khu vực có hoạt động động đất đáng kể.
Miễn là một khu vực có các cảm biến GNSS và dữ liệu thời tiết địa phương, nhóm nghiên cứu có thể áp dụng phương pháp tương tự cho những khu vực khác trên thế giới.
Ivory Small, cán bộ khoa học và vận hành tại Văn phòng Dự báo Thời tiết NWS San Diego (Mỹ), nhấn mạnh giá trị của công nghệ nằm ở khả năng giúp cảnh báo được đưa ra sớm hơn.
Ông Small cho rằng: “Công nghệ này sẽ giúp bạn cứu mạng con người”. Theo ông, nếu không có những công cụ như TACLS, một cơn bão di chuyển vào khu vực dân cư có thể khiến con người không kịp phản ứng.
Nếu dữ liệu được phân tích đủ sớm, các nhà dự báo có thể phát cảnh báo trước khi tình hình trở nên nguy hiểm.
Tuy nhiên, theo ông Small, việc cải thiện cảnh báo lũ quét không dừng lại ở một hệ thống mới. Mỗi trận bão đều có những đặc điểm riêng, vì vậy nghiên cứu sau sự kiện vẫn rất quan trọng để hiểu điều gì đã xảy ra và vì sao một hiện tượng lại diễn biến khác với những gì các nhà khoa học từng biết.
Với cô Lin, có lẽ giá trị của công nghệ này được nhìn từ một góc độ đơn giản hơn, đó là thêm vài phút để rời khỏi nhà có thể tạo ra khác biệt rất lớn.
Cô chia sẻ: “Sẽ rất hữu ích nếu biết trước nước sắp dâng lên trước khi tôi bị kẹt cứng trong nhà. Tôi chẳng thể đi đâu được cả”.
Nhìn tổng thể, trong những tình huống lũ quét, đó cũng chính là khoảng thời gian mà các hệ thống cảnh báo đang tìm cách giành lại: không thay thế các nhà dự báo, mà giúp họ nhận diện nguy cơ sớm hơn để người dân có thêm thời gian hành động.
* Nguồn: The Verge.
Vũ Hoàng
