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 ngun và Mơi trường Hà Nội
Tóm tắt
Ngày nay nhận dạng, theo dõi và dự đốn 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 tốn 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 đốn đường đi của một cơn bão thường sử dụng các phần mềm mô phỏng trên máy
tính. Mơ hình dự báo bão hay xốy 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. Mơ hình dự đốn 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 tốn 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 cơng nghệ dự báo và dự báo bão có cho phép trình bày và đánh giá chính xác hơn về mơ 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 mơ hình truyền
thơng, thơng 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, thơng tin ở tầng này được mã
hóa bởi ngơn 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, ngơn 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 hồn tồn 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 thơng 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 u cầu thơng 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 thơng tin.
2.2. Thuật tốn Kalman
Lọc Kalman là một thuật tốn 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,
quản lý lĩnh vực tài nguyên môi trường

261


sức mạnh tính tốn nhỏ [3]. Các thuật tốn 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 tốn học bộ lọc Kalman:
Giả sử rằng có thể mơ hình hóa bởi phương trình chuyển trạng thái
𝑥k+1 = A 𝑥 k + B𝒖 k + 𝑤 k
yk+1 = C 𝑥 k+1 + υ

(1)
(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 đốn 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 tốn các giá trị của Kalman thu được:

(5)
trong đó:
(6)
Hiệu chỉnh giá trị ước lượng:
(7)
2.3. Mơ hình thử nghiệm
Thơng 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 mơ 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.
Mơ hình lọc Kalman cho các cơn bão được theo dõi ước tính các biến trạng thái của các ơ
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 khơng. Vận tốc được ước tính sau đó bằng cách sử dụng mơ hình động lực học được áp dụng
và các phương trình lọc Kalman. Như vậy, mơ 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 mơ phỏng.
Thuật tốn 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 tốn 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 tốn được mô phỏng bằng phần mềm Python 3.7
3. Kết quả mô phỏng
Thuật tốn được mơ 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
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 tốn 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 đốn dùng Kalman có xảy ra sai lệch khi hướng bão thay đổi đột ngột. Tuy nhiên, do
khả năng dự đốn trước của Kalman, vì vậy quỹ đạo dự đốn 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,
quản lý lĩnh vực tài nguyên môi trường

263


Hình 1: Đường đi của bão Vamco 2020

Hình 2: Kết quả mơ phỏng đường đi bão Vamco theo thuật tốn Kalman2D
Bảng 1 biểu diễn vị trí bão tại các thời điểm đo đạc và kết quả dự đốn 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 mơ phỏng dự đốn vị trí bão theo tọa độ
Thời gian đo đạc
13h00 ngày 10/11/2020
7h00 ngày 11/11/2020
13h00 ngày 11/11/2020
19h00 ngày 11/11/2020
07h00 ngày 12/11/2020
13h00 ngày 12/11/2020
7h00 ngày 13/11/2020
7h00 ngày 14/11/2020
13h00 ngày 14/11/2020
16h00 ngày 14/11/2020
04h00 ngày 15/11/2020
16h00 ngày 15/11/2020
16h00 ngày 16/11/2020

Kinh độ
thực tế
14
14.6
14.8
14.8
15
15.1
15.2
15.4
15.6
16.1

16.8
17.6
18.7

Vĩ độ Kinh độ Vĩ độ ước
thực tế ước lượng lượng
128
13.999
127.999
124.5
15.147
121.321
124
15.119
122.578
122.3
14.920
120.705
119.5
15.169
117.161
119
15.226
117.799
115.6
15.310
113.039
111.7
15.567
108.311

110.5
15.786
108.464
109.9
16.480
108.752
107.7
17.378
105.902
105.7
18.315
103.777
102.5
19.653
99.789

Máy chủ WMS cho phép giám sát quỹ đạo đi trực tiếp của một cơn bão thơng 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 đốn trước đường đi của nó. Thuật tốn Kalman cho phép ước lượng tương đối chính xác
quỹ đạo chuyển động của một đối tượng do đó hồn tồn có thể áp dụng vào bài tốn 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 Cơng nghệ thơng 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 tốn 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: />[5]. />[6]. />
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,
quản lý lĩnh vực tài nguyên môi trường

265