Công nghệ AI đã được ứng dụng trong lĩnh vực bản đồ địa lý từ những năm 1990s, ban đầu chỉ là các thuật toán học máy cơ bản (machine learning) để nhận diện đường, sông, nhà cửa trên ảnh vệ tinh, rồi dần tiến hóa sang học sâu (deep learning), và đến nay là mô hình ngôn ngữ lớn ((Large Language Models) - LLM), mô hình AI không gian địa lý (GeoAI), và các công nghệ AI tiên tiến hơn như AI tạo sinh (GenAI), sinh tổng hợp (Synthesis), và tác nhân AI (Agent), đang được tăng ứng dụng để khai thác các nguồn dữ liệu bản đồ, tạo ra, vận hành, phát hành và sử dụng các sản phẩm bản đồ hoàn chỉnh.
I. Các công nghệ AI tiêu biểu ứng dụng trong lĩnh vực bản đồ địa lý
• Machine learning (ML) và Deep learning (DL) kết hợp với phân tích dữ liệu lớn (BigData Analytics) thực hiện phân tích các bộ dữ liệu lịch sử khổng lồ để nâng cao chất lượng dự báo liên quan không gian địa lý, như giúp các mô hình thời tiết và khí hậu ngày càng cải thiện độ chính xác của dự báo mưa, gió/bão, nhiệt độ và hiểu rõ hơn về các mẫu hình lũ, ngập lụt, bão tuyết, sóng nhiệt,… phức tạp do tác động của biến đổi khí hậu.
• Thị giác máy tính (Computer Vision), mạng nơ-ron sâu (Deep Neural Network - DNN) và mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Trích xuất địa vật (đường, tòa nhà/ công trình, sông hồ…) từ ảnh vệ tinh, ảnh hàng không và Lidar.
• Học tăng cường (Reinforcement Learning - RL) tự đưa ra quyết định thông minh dựa trên phần thưởng - tương tự cách con người học hỏi qua thử và sai: Tối ưu hóa định tuyến động cho hoạt động logistics, giao thông công cộng và giao thông vận tải khác.
• Mạng nơ-ron đồ thị (Graph Neural Networks - GNNs, dự đoán các nút, cạnh và các tác vụ dựa trên đồ thị): Tinh chỉnh mạng lưới đường giao thông, bảo đảm tính liên thông topo.
• Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP), và LLM: Phân tích mô tả địa điểm, đánh giá review để gắn POI (Point of Interest - những địa điểm đặc biệt hoặc quan trọng trên bản đồ), hoặc tạo ra và phát hành bản đồ ngữ nghĩa theo ngôn ngữ tự nhiên.
• Mạng đối nghịch tạo sinh (Generative Adversarial Network - GAN):
i) Vector hóa địa vật (đường, tòa nhà/ công trình, sông hồ…) từ ảnh vệ tinh/hàng không;
ii) Khôi phục dữ liệu bản đồ bị thiếu như bù vùng ảnh vệ tinh bị mây che, nhiễu hoặc mất dữ liệu; Tái tạo dữ liệu bản đồ chất lượng cao hơn từ dữ liệu nén thấp;
iii) Phát hiện/ kiểm tra độ xác thực của dữ liệu bản đồ mới cập nhật bằng Discriminator;
iv) Sinh phiên bản bản đồ khác nhau phù hợp với thiết bị (desktop, mobile, VR/AR);
v) Ẩn dữ liệu nhạy cảm như làm mờ hoặc thay đổi chi tiết nhạy cảm (khu vực/công trình quân sự) nhưng vẫn giữ cấu trúc bản đồ tự nhiên;
vi) Hỗ trợ bản đồ AR/VR như sinh cảnh quan 3D từ ảnh 2D, và Cải thiện độ phân giải bản đồ (super-resolution mapping) để nâng cao trải nghiệm thị giác.
• Mạng đối nghịch tạo sinh có điều kiện (Conditional Generative Adversarial Network - CGAN, biến thể nâng cao của GAN cho sinh dữ liệu theo điều kiện):
i) Tạo bản đồ theo từng lớp dữ liệu (địa hình, thảm thực vật, hạ tầng,...) dựa vào nhãn hoặc điều kiện cụ thể, như "bản đồ giao thông ban đêm";
ii) Mô phỏng kịch bản cụ thể, như sinh bản đồ lũ lụt dựa trên dữ liệu khí tượng, mô hình bề mặt và mô hình độ cao;
iii) Sinh bản đồ điều kiện thời gian thực (ví dụ: tình trạng giao thông, mức nước ngập);
iv) Kết hợp dữ liệu đa nguồn như ảnh vệ tinh/ drone, camera giao thông cùng GIS để tạo bản đồ hợp nhất theo mục đích sử dụng, như bản đồ tình trạng giao thông, ngập úng;
v) Sinh bản đồ chuyên biệt như bản đồ du lịch, logistics, giao thông đô thị,…hay tạo bản đồ dành riêng cho người đi xe đạp, người khuyết tật theo điều kiện đầu vào.
• GeoAI tích hợp các kỹ thuật và công nghệ trí tuệ nhân tạo với dữ liệu và phân tích không gian địa lý chất lượng cao. Nó kết hợp khả năng của AI với hệ thống thông tin địa lý (GIS) để đẩy nhanh quá trình tạo ra và phát hành các sản phẩm bản đồ, như cập nhật nhanh đường giao thông, tòa nhà, sông hồ, thực vật bề mặt từ ảnh vệ tinh, ảnh hàng không và Lidar; trích xuất nhanh những thông tin chi tiết có ý nghĩa từ dữ liệu không gian.
• Synthesis tổng hợp, kết hợp và phân tích các nguồn dữ liệu địa lý đa dạng và thông tin liên quan để tạo ra một sản phẩm bản đồ hoàn chỉnh, có ý nghĩa và sử dụng cho các mục đích cụ thể. Nó tích hợp thông tin từ nhiều nguồn khác nhau để tạo ra một bản đồ toàn diện và sâu sắc hơn so với bản đồ từ nguồn dữ liệu riêng lẻ.
• GenAI thực hiện: i) Lọc bỏ mây, tăng cao độ phân giải, sinh nhãn gợi ý, tạo đối tượng trên ảnh vệ tinh/ hàng không;
ii) Tái tạo hình ảnh 3D, mô phỏng không gian đô thị 3D;
iii) Phân tích hồ sơ PDF/scan để trích ranh, chỉ giới; sinh mô tả thuộc tính và metadata;
iv) Tạo style/ legend/ copy UX theo sản phẩm; sinh mô tả lớp/ note hướng dẫn sử dụng;
v) Sinh truy vấn (SQL/ Overpass) và code (Python/ Mapbox-GL style) để tăng tốc việc số hóa và hỏi đáp;
vi) Sinh dashboard (giao diện trực quan tổng hợp các thông tin, số liệu, biểu đồ quan trọng ở một bảng hoặc màn hình duy nhất;
vii) Sinh báo cáo tương tác từ prompt; Tạo story map với text, hình ảnh và bản đồ nhúng;
viii) Sinh cảnh báo như tóm tắt thay đổi chú ý theo vùng; viết báo cáo vận hành sản phẩm bản đồ, viết release notes (tài liệu mô tả chi tiết những thay đổi, cải tiến, tính năng mới và sửa lỗi trong một phiên bản sản phẩm bản đồ);
ix) Hỗ trợ đa ngôn ngữ: Dịch metadata, địa danh, truy vấn; chuẩn hóa cách viết.
• Agent thực hiện: i) Tự động hóa quá trình từ thu thập, chuẩn hóa, hòa trộn từ ảnh hàng không/ vệ tinh/ Lidar, OpenStreetMap, hồ sơ kinh tế xã hội.
ii) Tự lập kế hoạch tác vụ, gọi GDAL (Geospatial Data Abstraction Library - Chuyển đổi, đọc/ghi 200+ định dạng dữ liệu bản đồ)/ PDAL (Point Data Abstraction Library - Lọc, phân loại, chuyển đổi, phân tích đám mây điểm)/ PostGIS (extension PostgreSQL - Truy vấn và phân tích dữ liệu không gian trực tiếp trong SQL)/ Detectron (Object detection - Phát hiện đối tượng, Instance segmentation - Phân loại các pixel với nhãn cụ thể, Keypoint detection - Phát hiện đặc điểm chính trong hình ảnh), Segment anything - Phân đoạn ảnh hàng không/ vệ tinh/ Lidar với prompt); Tự kiểm tra chất lượng kết quả tác vụ.
iii) Tự động phát hiện xung đột giữa các nguồn (ví dụ tên đường, ranh thửa); từ đó tự mở ticket, gợi ý phương án sửa, Ping (Packet Internet Groper) Agent kiểm chứng hiện trường (street-view/ drone) hoặc gán/gửi cho người xác minh thực địa.
iv) Agent “change detection” chạy định kỳ trên AOI ưu tiên (Automated Optical Inspection - hệ thống kiểm tra quang học tự động), nếu vượt ngưỡng thay đổi, tự mở thực hiện việc số hóa, chấm điểm rủi ro, yêu cầu quy trình phản hồi lặp human-in-the-loop (kết hợp chuyên môn của con người với trí tuệ nhân tạo và học máy).
v) Agent chuyên sâu: Tự động gán địa chỉ (geocoding) theo chuẩn quốc gia; phân loại POI (Point of Interest - phân tích vị trí địa lý); chuẩn hóa schema (tên ĐVHC, mã ĐVHC, địa danh đã quy định); tạo topology và kiểm tra quy tắc topology.
vi) Điều phối luồng công việc thời gian thực: Tự động quản lý, giám sát và điều phối luồng công việc dữ liệu hoặc các bước xử lý diễn ra liên tục với độ trễ thấp nhất, hiệu quả và nhất quán. Ví dụ, tự thu nhận dữ liệu cảm biến (ingest cảm biến)/ GTFS (thông số nguồn cấp dữ liệu vận chuyển công cộng), và kiểm tra độ mới của dữ liệu; Tự động điều chỉnh quy mô theo sử dụng thực tế (scale compute/ auto scaling), tự khôi phục dữ liệu do lỗi.
vii) Tối ưu tuyến/điều độ (multi-agent): Tự định tuyến, ràng buộc (giờ cấm, tải trọng,…); Tự xác định mục tiêu SLA (Service Level Agreement - các chỉ số cụ thể về chất lượng, hiệu suất, tính khả dụng, thời gian phản hồi và trách nhiệm pháp lý của dịch vụ bản đồ cam kết thực hiện cho khách hàng); Tự AB-test thuật toán mới phù hợp với các dữ liệu địa lý.
viii) Giám sát chất lượng cung cấp dịch vụ bản đồ: Tự quan sát độ trễ (tile latency), tự completeness theo vùng (đánh giá mức độ hoàn thiện, đầy đủ); Tự drift mô hình (phát hiện mô hình AI không còn phù hợp với dữ liệu mới); Tự rollback phiên dữ liệu lỗi (tự động đưa các dữ liệu về trạng thái trước đó do có lỗi).
ix) Điều phối cộng đồng: Tự phát hành “nhiệm vụ vi mô” (micro-tasks) để xác minh thông tin của các địa điểm, địa danh mới (xác minh POI); hợp nhất đóng góp.
x) Phát hành tiles: Tự xây dựng vector/ raster tiles (Tippecanoe/PMTiles) để phân phối và hiển thị bản đồ hiệu quả trên các ứng dụng web và di động; Tự kiểm thử thị sai/ độ mượt, ký số; Tự đẩy nội dung lên mạng phân phối nội dung CDN (Push Content Delivery Network) - mô hình phân phối nội dung mà trong đó máy chủ gốc (origin server) chủ động gửi nội dung lên các máy chủ của CDN để lưu trữ trước; Tự thiết lập chính sách bộ nhớ đệm (cache policy) theo mức độ truy cập - xác định dữ liệu bản đồ được lưu trữ và sử dụng lại từ bộ nhớ đệm, và thời gian tối đa dữ liệu đó được nằm trong bộ nhớ đệm.
xi) Quản lý phiên & quyền truy cập: Tự sinh catalog (danh mục sản phẩm, dịch vụ cung cấp theo khách hàng), license (cấp và quản lý quyền truy cập), route request (yêu cầu định tuyến) đến cụm gần nhất, thường là một API cụ thể hoặc một dịch vụ trong một hệ thống GIS phức tạp; Tự theo dõi và điều chỉnh SLA/quotas.
xii) Tự chọn tập người dùng, phát hành style mới; Tự thu nhận metrics (các chỉ số đo lường, định lượng để theo dõi, đánh giá hiệu suất và kết quả của sản phẩm bản đồ); Tự quyết định promote (xúc tiến thương mại) và rollback phiên dữ liệu.
II. Một số hướng chính ứng dụng AI trong lĩnh vực bản đồ địa lý
1) Lâu nay, công nghệ machine learning (Supervised Machine Learning - Học có giám sát, Unsupervised Machine Learning - Học không giám sát, Semi-Supervised Learning - Học bán giám sát), CNN và Computer Vision đã được ứng dụng trong giải đoán, rồi tiến đến vector hóa và chú thích đối tượng địa lý trên ảnh hàng không, ảnh viễn thám và Lidar. Chúng được áp dụng phổ biến tại các cường quốc, nhất là trong quân sự.
Ví dụ: Drone/UAV trang bị công nghệ AI sử dụng cho công tác thăm dò thực địa và lập bản đồ, như chiếc RQ-4A Global Hawk (quân đội Mỹ) biên chế 2004, có thể thám sát và số hóa đối tượng trên diện tích hơn 100.000 km2 mặt đất/ngày, với tốc độ bay tối đa 575 km/h, thời gian bay liên tục 33,1 giờ, tầm xa 14.000 km và trần bay 18,28 km. Hay UAV Orlan-10 (quân đội Nga hiện nay) thực hiện trinh sát, lập bản đồ tác chiến điện tử, chỉ thị mục tiêu với tầm bay đến 600 km, trần bay 5000 m, bay liên tục 16-18 giờ với tốc độ 75-170 km/h.
Công nghệ này đã được triển khai trong thành lập bản đồ dân sự bằng ảnh hàng không và ảnh viễn thám từ thập niên 1990, như nhận dạng và số hóa thảm thực vật (rừng), công trình xây dựng,… Ví dụ: Những năm 1990-2000, công nghệ AI ở mức “machine learning truyền thống” (như k-means clustering, random forest) được sử dụng để phân loại lớp phủ đất và số hóa tự động từ ảnh Landsat.
Hay mô-đun ArcScan trong bộ phần mềm ArcGIS 9.0/10 cho tự động vector hóa các nét vẽ trên tài liệu scan. Trong ArcGIS Pro, chức năng tương đương đã tiến bộ rất nhiều bởi kết hợp AI và DL: Phát hiện và số hóa text; Làm sạch raster; Phát hiện và số hóa cạnh; Chuyển raster sang vector; Tinh chỉnh dữ liệu vector đầu ra; Quy trình tự động hơn và thông minh hơn giúp giảm đáng kể việc can thiệp thủ công; Cho thiết lập quy trình tái sử dụng kết hợp các bước làm sạch dữ liệu, phát hiện cạnh, chuyển vector và hậu xử lý.
Năm 2014-2015, công nghệ Deep learning (CNN) bắt đầu được áp dụng vào ảnh vệ tinh và ảnh hàng không. Một số dự án tiên phong áp dụng: Microsoft & Bing Maps AI Lab, Google Project Ground Truth, OpenStreetMap cộng đồng kết hợp AI (HOT-OSM).
Năm 2017-2018, Esri giới thiệu mô hình GeoAI trong ArcGIS Pro, tích hợp công nghệ CNN để phát hiện đường, tòa nhà từ ảnh độ phân giải cao, rồi tự động số hóa đối tượng.
Năm 2022-2024, ở Bắc Mỹ chuyển mạnh sang sử dụng kết hợp ArcGIS Pro và mô hình GeoAI để “làm bản đồ” nhanh, như cập nhật đường giao thông, cầu, tòa nhà từ ảnh và Lidar.
2) Ứng dụng công nghệ AI trong xây dựng và triển khai giao thông thông minh, như bản đồ 3D quản lý trải nghiệm đường bộ Rapid Elevation Model (REM) dành cho xe tự lái, cung cấp thông tin chi tiết về địa hình, địa vật hệ thống đường (thay vì chỉ là hình bề mặt đường). Hay bản đồ Traffic cung cấp thông tin lưu lượng giao thông theo thời gian thực và lịch sử, bao gồm tình trạng ùn tắc, sự cố giao thông và tốc độ di chuyển trên hệ thống đường bộ.
Ví dụ: Mobileye (Intel) sử dụng cảm biến và Lidar trang bị AI trên đội xe lái tự động để phát hiện và cập nhật liên tục thay đổi địa hình, địa vật trên hành trình cho REM. Bản đồ 3D quản lý trải nghiệm đường bộ sử dụng AI của Mobileye ngoài trang bị cho đội xe tự lái của Mobileye, còn được một số hãng ô tô danh tiếng như Volkswagen sử dụng vào 2025-2026; hãng Ford tích hợp vào các giải pháp hỗ trợ lái xe tiên tiến nền tảng Ford BlueCruise.
Năm 2024-2025, các nhà cung cấp ô-tô/bản đồ tự lái ở Bắc Mỹ tập trung vào ứng dụng trợ lý thoại sinh tổng hợp (Synthesis) và SDK cho xe tự lái định nghĩa bằng phần mềm.
3) Mô hình bản đồ số sử dụng AI cho bay tầm thấp thông minh (drone/ UAV). Ví dụ: hệ thống UTM (Unmanned Aircraft System Traffic Management) do FAA, NASA, và nhiều bên phát triển để quản lý bay drone dưới 400 feet (122m). Mô hình tương đương ở châu Âu U-space, tự động hóa các dịch vụ hỗ trợ để đảm bảo an toàn cho nhiều drone cùng hoạt động.
Công nghệ phát hiện và tránh va chạm sử dụng AI tiên tiến với bản đồ số cho bay tầm thấp đang tăng triển khai trên thế giới. Ví dụ, giải pháp sử dụng camera monocular tích hợp công nghệ CNN để ước lượng độ sâu (depth) và dự báo va chạm; Hay giải pháp Multi-UAV: Mỗi UAV dùng ảnh sâu (depth image) và IMU (Inertial Measurement Unit) - cảm biến góc quay + cảm biến gia tốc, để đưa ra quyết định tránh va chạm dạng phân tán được huấn luyện bằng RL, đảm bảo độ tự động và không cần truyền thông giữa các UAV. Hoặc giải pháp sử dụng CNN hoặc CGAN để tạo bản đồ chiều sâu từ ảnh camera, kết hợp công nghệ tối ưu thời gian thực và dự đoán chuyển động để tránh chướng ngại vật như người hoặc xe.
4) Ứng dụng công nghệ AI (CGAN, CNN) trong chọn lọc, tổng hợp các đối tượng địa lý theo tiêu chí nhất định từ nhiều lớp/nguồn dữ liệu với nhiều dạng đầu vào khác nhau, từ dữ liệu vector, ảnh/ Lidar/ video, thuộc tính, mô tả,… Từ đó, tự động tạo ra lớp dữ liệu bản đồ với các đối tượng địa lý được cụ thể hóa ở mức khái quát nhất định.
Ứng dụng AI theo hướng này còn có thể cho người dùng tự tạo ra lớp dữ liệu riêng dựa trên cơ sở dữ liệu địa lý hoặc mô hình bản đồ đã xây dựng. Từ đó, nhà cung cấp có thể tùy chỉnh và cung cấp dịch vụ bản đồ theo nhu cầu cá nhân hóa.
Năm 2023-2024, ở Bắc Mỹ chuyển từ ứng dụng AI trích xuất dữ liệu/ cập nhật bản đồ bằng GAN, GeoAI, Orbis/Overture, DRIVE Map sang mô hình CGAN, Synthesis/ LLM đưa vào trải nghiệm bản đồ, như GenAI Immersive View và Gemini trong Mapbox ETA, Google Maps và MapGPT, cung cấp khả năng lập kế hoạch và cung cấp thông tin về tuyến đường một cách thông minh, cho phép người dùng tương tác bằng ngôn ngữ tự nhiên để tìm đường và nhận hướng dẫn di chuyển chi tiết.
Năm 2024-2025, các nhà cung cấp bản đồ ở Bắc Mỹ triển khai tiêu chuẩn hóa & mở các ứng dụng AI để dễ dàng hợp nhất các dữ liệu bản đồ, như dự án Overture GA (Overture Maps Foundation) và GERS (Global Entity Reference System).
5) Ứng dụng công nghệ AI trong phát hiện, so sánh đối tượng địa lý theo tiêu chí nhất định với thư viện chuẩn. Ví dụ ứng dụng công nghệ NLP phát hiện địa danh chủ quyền biển đảo sai, thiếu so với địa danh nhà nước đã ban hành.
Hay NLP gợi ý chiến lược cập nhật bằng ngôn ngữ tự nhiên, như “ưu tiên ảnh độ che mây < 10%, độ phân giải ≤ 0.5m cho các đô thị loại I”. Hoặc Google dùng Gemini trong Maps, Mapbox MapGPT cho tự động truy vấn không gian-thời gian theo ngôn ngữ tự nhiên.
6) Ứng dụng công nghệ AI trong phát hành bản đồ số tới app người dùng mang lại trải nghiệm phong phú, như giúp cải thiện việc tìm kiếm, đề xuất, mô phỏng 3D, trợ lý bản đồ ngôn ngữ tự nhiên. Ví dụ, ở Bắc Mỹ đang tăng ứng dụng GenAI Immersive View và Gemini Q&A trên Google Maps Platform.
7) Ứng dụng công nghệ AI trong quản lý đô thị/ hạ tầng. Ví dụ, sử dụng quy trình GeoAI để kiểm kê và đánh giá hiện trạng cơ sở hạ tầng bằng ảnh/ Lidar (sử dụng công nghệ Lidar để thu thập dữ liệu 3D chi tiết và chính xác về tình trạng xuống cấp của đường xá, cầu cống và các cơ sở hạ tầng khác), kết hợp với Dashboards ArcGIS Online cho tạo các bảng điều khiển trực quan, tương tác, hiển thị dữ liệu không gian và các chỉ số phân tích trên một màn hình duy nhất. Hay Google triển khai công nghệ GenAI Immersive View mô phỏng không gian đô thị 3D trong Google Maps năm 2024-2025. Điều này cho phép người dùng theo dõi xu hướng, phân tích dữ liệu thời gian thực và đưa ra quyết định dựa trên thông tin địa lý.
8) Ứng dụng công nghệ AI trong xây dựng và triển khai bản sao kỹ thuật số (digital twin) đô thị lớn, giúp lập kế hoạch giám sát và ứng phó kịp thời, chính xác, chi tiết và hiệu quả các sự cố về cơ sở hạ tầng, an toàn, an ninh, môi trường, và trong điều hành (giao thông, nguồn lực ứng phó sự cố, thảm họa,…).
Ví dụ, digital twin Tokyo 1/200 được hoàn thành và công bố vào 3/2021, mô phỏng rất chi tiết hạng tầng kỹ thuật Tokyo, bao gồm toàn bộ các hệ thống giao thông đường bộ, đường sắt, đường không, đường thủy, tàu điện đến các bãi đỗ xe nổi, ngầm và trên cao,...
Hay mô hình kết hợp digital twin (bản mô phỏng không phận ảo) với công nghệ knowledge graph (đồ thị tri thức) để quản lý cấp bay tầm thấp được triển khai ở Mỹ và EU.
Ở Việt Nam, tập đoàn VNPT đang thực hiện làm chủ công nghệ chiến lược: Từ năm 2025 đến 2030, hoàn thành xây dựng bản sao số các thành phố; phát triển bản đồ số quốc gia 3D cho hạ tầng kỹ thuật đô thị, môi trường, giao thông, logistics, giáo dục, y tế, công thương, các công trình ngầm, mặt đất và không gian. Triển khai áp dụng AI và IoT để mô phỏng, quan sát, giám sát, quản lý và phân tích dữ liệu trên bản đồ số, đưa ra các kịch bản phục vụ chuyển đổi số, chuyển đổi xanh và đô thị thông minh.
9) Ứng dụng công nghệ AI trong xây dựng mô hình dự báo thời tiết và khí hậu đang được cập nhật chi tiết hơn với những hình thái thời tiết cực đoan đang tăng vài năm gần đây. Tuy nhiên, việc tích hợp AI không thay thế hoàn toàn các mô hình dự báo số trị truyền thống mà là kết hợp giữa sức mạnh phân tích dữ liệu của AI và kiến thức vật lý khí quyển để bổ trợ và cải thiện chúng. Các ứng dụng AI trong dự báo thời tiết và khí hậu gồm:
i) Hiệu chỉnh đầu ra mô hình (Model Output Statistics - MOS): Các mô hình dự báo thời tiết số trị (NWP) truyền thống dựa trên các phương trình vật lý đôi khi có những sai số hệ thống. Các thuật toán học máy (machine learning) được sử dụng để học và hiệu chỉnh những sai số này, giúp tăng cường độ chính xác cho các dự báo ở cấp độ địa phương. Ví dụ, Trung tâm Dự báo khí tượng thủy văn Quốc gia đang thực hiện.
ii) Dự báo các hiện tượng thời tiết cụ thể: Các mô hình học máy được huấn luyện với dữ liệu lịch sử về nhiệt độ, độ ẩm, gió, và lượng mưa, cho phép dự báo các hiện tượng như sương mù, lượng mưa hay tốc độ gió hàng ngày cho từng khu vực cụ thể.
iii) Dự báo lũ lụt và ngập úng: Bằng cách phân tích dữ liệu về lượng mưa, bề mặt địa hình, mực nước sông hồ, ảnh vệ tinh và radar thời tiết, các mô hình AI dự báo khu vực lũ lụt và ngập úng với các kịch bản khác nhau theo lượng mưa.
Ví dụ, bản đồ ngập lụt Luân Đôn 1/200 phát hành năm 2007, 2012, 2017 và 2023, sử dụng kết hợp nhiều công nghệ tiên tiến: LiDAR tạo ra mô hình số độ cao (Digital Elevation Model - DEM) và mô hình số bề mặt (Digital Surface Model - DSM) với độ chính xác cực cao. Mô hình thủy văn và thủy lực (Hydrological and Hydraulic Modelling) với phần mềm chuyên dụng (như MIKE, HEC-RAS) để mô phỏng cách nước di chuyển. Hệ thống thông tin địa lý (GIS) là công nghệ cốt lõi để tích hợp, quản lý, phân tích và trực quan hóa tất cả các lớp dữ liệu không gian, bao gồm dữ liệu địa hình, dữ liệu mưa, cơ sở hạ tầng, kết quả mô hình hóa, sau đó trình bày chúng dưới dạng bản đồ dễ hiểu. Ảnh vệ tinh và radar được sử dụng để theo dõi các sự kiện thời tiết, thu thập dữ liệu về độ ẩm của đất và xác thực kết quả của các mô hình ngập lụt sau một trận lụt thực tế.
iv) Nhận dạng và dự báo bão: Các mô hình DNN, nhất là CNN rất hiệu quả trong việc phân tích hình ảnh vệ tinh. Chúng có thể tự động xác định tâm bão, ước tính cường độ và dự đoán quỹ đạo di chuyển của bão với độ chính xác ngày càng cao.
v) Dự báo ngắn hạn: Công nghệ AI có khả năng phân tích dữ liệu radar và vệ tinh trong thời gian thực để đưa ra các dự báo cực ngắn (từ vài phút đến vài giờ) về mưa lớn, dông, sét, vòi rồng, mưa đá,... giúp cảnh báo kịp thời cho các hoạt động ngoài trời và giao thông.
vi) Phân tích và mô hình hóa khí hậu: DL kết hợp với BigData Analytics phân tích các bộ dữ liệu khí hậu khổng lồ kéo dài hàng thập kỷ và được cập nhật, giúp nâng cao độ chính xác của xác định các xu hướng biến đổi khí hậu dài hạn, dự báo tác động của việc nóng lên toàn cầu và hiểu rõ hơn về các hiện tượng phức tạp như El Niño và La Niña.
vii) Dự báo cháy rừng: Bằng cách kết hợp dữ liệu về thời tiết (nhiệt độ, độ ẩm, gió), thảm thực vật và địa hình, AI có thể xác định mức nguy cơ cháy rừng theo khu vực.
10) Kết hợp các công nghệ AI tiên tiến như CGAN, GenAI và Agent trong xây dựng, vận hành, phát hành và sử dụng bản đồ số là hướng đầy tiềm năng. Ví dụ, kết hợp tối ưu nhất là GenAI “viết kế hoạch/ mã/ truy vấn”; Agent “thực thi - kiểm chứng - phát hành - giám sát”.
Với những tiến bộ nhanh chóng từ AI tạo sinh, tác nhân AI, tiếp theo là AI vật lý (Physical AI) chắc chắn sẽ giúp lĩnh vực bản đồ địa lý tiến nhanh hơn, mở rộng phạm vi ứng dụng, thâm nhập sâu hơn vào các mặt của xã hội thông minh đang tiến đến xã hội 5.0.
Hà Nội, 4/9/2025.
Nguyễn Quang Chung
