Trong bối cảnh biến đổi khí hậu ngày càng gay gắt và cuộc Cách mạng công nghiệp 4.0 diễn ra mạnh mẽ, công tác dự báo khí tượng thủy văn (KTTV) Việt Nam đang đối mặt với những yêu cầu mới chưa từng có. Tần suất và cường độ thiên tai gia tăng đòi hỏi độ chính xác, chi tiết và kịp thời cao hơn, trong khi công nghệ số, trí tuệ nhân tạo (AI) và dữ liệu lớn đã trở thành nền tảng cốt lõi quyết định chất lượng cảnh báo sớm. Việc chuyển đổi từ dự báo truyền thống sang hệ thống dự báo dựa trên dữ liệu và AI không còn là lựa chọn mà là yêu cầu sống còn để bảo vệ tính mạng và tài sản của người dân.

 

Áp lực mới từ biến đổi khí hậu và đòi hỏi đổi mới công nghệ

Biến đổi khí hậu đã làm thay đổi hoàn toàn đặc tính thời tiết cực đoan tại Việt Nam: bão ngày càng mạnh và khó dự đoán, mưa lớn cục bộ, lũ quét, sạt lở đất xảy ra thường xuyên hơn. Yêu cầu dự báo không chỉ dừng ở việc mô tả hiện tượng mà phải chuyển sang dự báo tác động cụ thể đến từng địa phương, từ định tính sang định lượng chi tiết đến cấp xã, phường, và phải phát sớm hơn ít nhất 2–3 ngày so với trước đây.

Trên thế giới, các trung tâm khí tượng hàng đầu như ECMWF (Châu Âu), JMA (Nhật Bản) đã chuyển sang sử dụng AI và học sâu để hiệu chỉnh sai số mô hình, dự báo tức thời (nowcasting) và khai thác dữ liệu mở của WMO. Việt Nam cũng không nằm ngoài xu thế này. Từ năm 2016, việc đưa siêu máy tính Cray XC40 vào vận hành đã đánh dấu bước ngoặt, giúp chạy mô hình độ phân giải cao 3 km cho toàn lãnh thổ và Biển Đông chỉ trong 30–40 phút, đưa Việt Nam vào nhóm các quốc gia có hạ tầng dự báo mạnh trong khu vực.

Hệ thống quan trắc hiện đại với hơn 3.200 trạm mưa tự động, 10 radar thời tiết Doppler và mạng lưới định vị sét đã cung cấp dữ liệu độ phân giải 1×1 km cập nhật liên tục - nền tảng quan trọng để nuôi các mô hình AI. Những dữ liệu này đã chứng minh giá trị thực tiễn trong các sự kiện mưa lũ lịch sử miền Trung năm 2020 và các đợt mưa lớn năm 2024.

Thành tựu và những hạn chế còn tồn tại

Những năm gần đây, chất lượng dự báo được cải thiện rõ rệt nhờ ứng dụng công nghệ hiện đại: Thời hạn dự báo đường đi bão tăng từ 24 giờ lên 3-5 ngày, sai số vị trí bão ở hạn 48 giờ giảm một nửa. Cảnh báo mưa lớn và lũ trước 2-3 ngày đạt độ tin cậy khoảng 75%. Hệ thống SmartMet thay thế dần phân tích thủ công, rút ngắn thời gian phát hành bản tin từ 5-8 giờ xuống còn 2-3 giờ. AI đã được ứng dụng thành công trong nhận dạng bão, dự báo mưa cực ngắn (0-6 giờ), phân tích ảnh vệ tinh Himawari và xác định sớm tâm bão. Trường hợp bão Noru (2022) là minh chứng điển hình khi mô hình AI giúp cảnh báo sớm 72 giờ.

Việt Nam cũng được WMO công nhận là Trung tâm khu vực về cảnh báo thời tiết nguy hiểm (SWFP-SeA) và cảnh báo lũ quét, sạt lở đất (SeAFFGS), mở ra cơ hội tiếp cận công nghệ tiên tiến và hợp tác quốc tế sâu rộng.

Tuy nhiên, thách thức vẫn rất lớn: năng lực tính toán dành riêng cho AI và lưu trữ Big Data còn hạn chế; dữ liệu KTTV phân tán giữa các bộ, ngành; vùng biên giới, hải đảo còn thiếu số liệu; chi phí vận hành hệ thống quan trắc cao trong khi cơ chế xã hội hóa chưa hiệu quả; và đặc biệt, nguồn nhân lực thành thạo cả mô hình số trị lẫn AI vẫn còn thiếu.

Định hướng bứt phá giai đoạn 2025–2030

Theo định hướng của Cục KTTV (Bộ Tài nguyên và Môi trường), giai đoạn 2025-2030 sẽ tập trung vào ba trụ cột: Hiện đại hóa toàn diện mạng lưới quan trắc tự động, đặc biệt tại các khu vực thiếu dữ liệu. Nâng cao năng lực dự báo theo hướng dự báo tác động và thời gian thực, phát triển mô hình lai (số trị + AI). Chuyển đổi số toàn diện, tích hợp 100% dữ liệu vào Cơ sở dữ liệu KTTV quốc gia.

Ngành đặt mục tiêu nâng năng lực tính toán lên gấp 5-10 lần so với năm 2020, cảnh báo lũ quét, sạt lở đất trước 6-12 giờ, cảnh báo bão trước 3-5 ngày với độ chính xác cao hơn. Đồng thời, hoàn thiện khung pháp lý để xã hội hóa và thương mại hóa dịch vụ KTTV, thu hút nguồn lực từ khu vực tư nhân.

Yếu tố quyết định thành công vẫn là con người. Ngành sẽ đẩy mạnh đào tạo chuyên sâu về AI, dữ liệu lớn, mô hình dự báo hiện đại và tăng cường hợp tác với WMO, JMA, CMA cùng các trung tâm khí tượng hàng đầu thế giới.

P.A (tổng hợp)