Sau khi ghi nhận mực nước thấp nhất kể từ khi quan trắc bắt đầu vào tháng 1 năm 2013, hồ Michigan đã lập kỷ lục ngược lại vào mùa hè năm 2020, gây ngập lụt, xói mòn bờ hồ và đóng cửa các tuyến đường ven hồ. Chênh lệch mực nước giữa hai kỷ lục gần 2 m. Bài viết cho biết những đảo chiều tương tự, cách nhau vài tháng, cũng xuất hiện ở các hồ Superior, Erie và Ontario. Để dự báo mực nước biến động mạnh như vậy và lý giải nguyên nhân, nhóm nghiên cứu đã sử dụng các mô hình trí tuệ nhân tạo (AI) để phân tích.

Bối cảnh

Mực nước hồ chịu ảnh hưởng không chỉ từ mưa, tuyết, lượng nước bốc hơi, nước đổ vào và chảy ra, mà còn từ các quyết định của con người. Mực nước cũng liên quan đến độ sâu tại cảng, sự ổn định của đường bờ, việc lấy nước uống và sự tồn tại của các vùng đất ngập nước ven hồ. Vì vậy, việc mô hình không chỉ dự đoán chính xác mực nước mà còn giải thích yếu tố nào thúc đẩy những thay đổi đó có thể có ý nghĩa đối với công tác quản lý đập hoặc nguy cơ ngập lụt.

Nhóm nghiên cứu huấn luyện 8 thuật toán bằng dữ liệu mực nước theo tháng của các hồ Superior, Michigan, Erie và Ontario trong giai đoạn 1982–2022. Mỗi thuật toán nhận 9 biến đầu vào, trong đó có nhiệt độ không khí và lượng nước đổ vào hồ; dữ liệu của tháng hiện tại và của tối đa 6 tháng trước đó cũng được đưa vào. Nhờ vậy, mô hình có thể xem xét, chẳng hạn, mối liên hệ giữa mực nước tháng 6 và tuyết vào tháng 1.

Sai số của 4 thuật toán có hiệu suất tốt nhất giảm xuống còn khoảng 12 cm. Các mô hình đơn giản có sai số từ 14–21 cm. Nhóm nghiên cứu kết hợp SHAP (phương pháp phân tách mức độ đóng góp của từng biến vào kết quả dự đoán) với phân tích VARS, phương pháp xem xét tác động thay đổi ra sao theo thời gian khi có sự can thiệp vào một biến.

SHAP cho thấy từng biến đóng góp ở mức nào vào việc mực nước tăng hoặc giảm trong một tháng cụ thể. Tuy nhiên, phương pháp này không cho biết tín hiệu cần bao lâu để di chuyển qua lưu vực (khu vực mà nước chảy về cùng một nơi). Trong phân tích VARS, nhóm nghiên cứu xem xét tác động sau một tháng và sau 6 tháng kể từ khi can thiệp vào một biến, qua đó phân tích độ trễ thời gian.

Ý nghĩa của thông tin này

Nhóm nghiên cứu dự đoán rằng tác động của các biến lên mực nước sẽ yếu dần khi xét những khoảng thời gian xa hơn trong quá khứ, nhưng trên thực tế, họ quan sát thấy tác động tăng lên sau 3–4 tháng. Kết luận của nhóm là các hồ này phản ứng với điều kiện của những mùa trước chứ không phải thời tiết ngày hôm trước. Lời giải thích rằng tuyết tháng 1 có thể ảnh hưởng đến mực nước tháng 6 cho thấy vì sao dự báo theo mùa cần xem xét cả điều kiện từ vài tháng trước.

Kết quả này đáng chú ý vì cho thấy mực nước hồ không thể được giải thích chỉ bằng thời tiết ngắn hạn. Nếu các mô hình dự báo theo mùa cùng xem xét những biến số như nhiệt độ và lượng nước đổ vào hồ trong các tháng trước, chúng có thể nắm bắt tốt hơn các dấu hiệu báo trước biến động mực nước. Tuy nhiên, chỉ dựa vào các con số sai số của nghiên cứu này thì chưa thể biết dự báo hữu ích đến đâu trong thực tế, hoặc kết quả quản lý lũ lụt và đập sẽ thay đổi như thế nào.

Hồ Ontario cũng cho thấy những hạn chế của mô hình. Sai số của mô hình đối với hồ này cao hơn dự kiến trên 50%; bài viết liên hệ điều đó với các quyết định của con người. Đập thủy điện Moses–Saunders (모지스-손더스 발전댐) gần Cornwall, Ontario, quản lý mực nước theo các quy tắc vận hành được điều chỉnh hằng ngày. Tuy nhiên, mô hình sử dụng giá trị trung bình theo tháng của từng biến, nên trình tự các quyết định tạo ra lượng nước chảy ra trong cả tháng có thể biến mất trong số liệu trung bình.

Đề xuất của nhóm nghiên cứu trong trường hợp hồ Ontario là cung cấp cho mô hình cả các quy tắc vận hành dùng để quản lý mực nước, tách biệt với các biến khí hậu. Đây là đề xuất nhằm xử lý vấn đề liên quan đến quyết định của con người tại hồ này, chứ không thể suy rộng thành kết luận rằng mọi dự báo theo mùa đều cần điều kiện tương tự.

Nhóm nghiên cứu cho biết họ đang hợp tác với Ouranos để áp dụng phương pháp này vào nghiên cứu bổ cập nước ngầm ở miền nam Quebec. Công trình này sử dụng mô hình dựa trên vật lý (mô hình phản ánh các nguyên lý vật lý chi phối những hiện tượng tự nhiên). Nghiên cứu này cho thấy các mô hình có thể lý giải nguyên nhân tạo ra kết quả trong những vấn đề môi trường phức tạp như mực nước sẽ hữu ích trong việc xem xét và thảo luận về các quyết định quản lý.

Những điều đã xác nhận và những điều vẫn chưa rõ

Những điều đã xác nhận

  • Nhóm nghiên cứu huấn luyện 8 thuật toán bằng dữ liệu mực nước theo tháng của bốn hồ trong giai đoạn 1982–2022.
  • Mỗi thuật toán sử dụng 9 biến, trong đó có nhiệt độ và lượng nước đổ vào hồ, cùng các giá trị từ tháng hiện tại đến tối đa 6 tháng trước đó.
  • Sai số của 4 thuật toán có hiệu suất tốt nhất vào khoảng 12 cm, trong khi các mô hình đơn giản có sai số từ 14–21 cm.
  • Trái với dự đoán rằng tác động của các biến sẽ yếu dần khi xét những thời điểm xa hơn trong quá khứ, nhóm nghiên cứu quan sát thấy tác động tăng lên sau 3–4 tháng.
  • Mực nước hồ Ontario được quản lý theo các quy tắc vận hành hằng ngày của đập thủy điện Moses–Saunders; nhóm nghiên cứu đề xuất cung cấp các quy tắc này cho mô hình.

Những điều vẫn chưa rõ

  • Danh sách đầy đủ của 8 thuật toán và 9 biến được sử dụng trong nghiên cứu là gì?
  • Độ chính xác của mô hình được đánh giá dựa trên phương pháp kiểm định và thời hạn dự báo nào?
  • Nếu đưa các quy tắc vận hành hồ Ontario vào mô hình, sai số dự báo sẽ giảm bao nhiêu?

Những điều độc giả cần kiểm tra

  • Khi xem kết quả dự báo mực nước, cần xem xét cả thời hạn dự báo và phương pháp kiểm định, chứ không chỉ các con số về độ chính xác. Bài viết gốc lần này không nêu các tiêu chí chi tiết đó.
  • Nếu sử dụng dự báo AI trong công tác ứng phó lũ lụt hoặc vận hành đập, có thể kiểm tra xem dữ liệu đầu vào chỉ gồm các giá trị trung bình theo tháng về khí hậu và lượng nước chảy hay còn phản ánh các quy tắc vận hành thực tế và quá trình ra quyết định.
  • Khi diễn giải dự báo mực nước theo mùa, có thể kiểm tra xem phân tích có tính đến điều kiện từ vài tháng trước chứ không chỉ thời tiết trong tháng hiện tại hay không. Nhóm nghiên cứu kết luận rằng điều kiện của các mùa trước có thể ảnh hưởng đến mực nước.