Tham dự 106th AMS Annual Meeting 2026 tại Houston

Đoàn công tác gồm TS Lê Đức Trọng và Th.S Ngô Xuân Trường (Trường Đại học Công Nghệ - ĐHQGHN) đã tham dự 106th AMS Annual Meeting tại Houston, Texas (Hoa Kỳ), tổ chức ở George R. Brown Convention Center (GRB), 1001 Avenida De Las Americas, Houston, TX 77010. Đây là một trong những sự kiện thường niên quan trọng nhất của cộng đồng khí tượng–khí hậu quốc tế, quy tụ đông đảo nhà khoa học, cơ quan quản lý và doanh nghiệp để cập nhật các tiến bộ nghiên cứu, công nghệ quan trắc–mô hình hóa, cũng như thảo luận các hướng ứng dụng phục vụ cảnh báo, quản trị rủi ro và thích ứng khí hậu.

Trong khuôn khổ hội nghị, đoàn tham gia 25th Conference on Artificial Intelligence for Environmental Science – hội thảo chuyên đề lần thứ 25 về AI cho khoa học môi trường. Chuỗi phiên này phản ánh xu hướng AI đang trở thành công cụ chủ lực trong khoa học Trái Đất nhờ khả năng khai thác quan hệ phi tuyến từ dữ liệu lớn, đa nguồn và nhiều nhiễu. Nội dung thảo luận nhấn mạnh việc dùng AI để tạo ra thông tin có thể hành động (actionable insights): không chỉ dự báo tốt hơn, mà còn hỗ trợ trực tiếp cho ra quyết định trong các bài toán như dự báo khí hậu độ phân giải cao, đánh giá rủi ro cực đoan, lập kế hoạch thích ứng/giảm nhẹ, và xác định khu vực dễ tổn thương trước tác động khí hậu.

Ngày Thứ Tư, 28/01/2026, đoàn theo dõi Session 9B – Artificial Intelligence for Actionable Insights and Applications in Climate Science (08:30–10:00) tại phòng 322A, GRB. Phiên này tập trung vào các nghiên cứu ứng dụng AI trên dữ liệu quan trắc và mô hình khí hậu, hướng tới sản phẩm có thể sử dụng bởi cơ quan quản lý và người dùng cuối, từ dự báo đến lập kế hoạch giảm rủi ro.

Tại phiên 9B, thành viên Lê Đức Trọng trình bày báo cáo 9B.3 (09:00–09:15) về việc dùng mô hình deep learning TCG-Net (ResNet-18) để tái dựng khí hậu học hình thành xoáy thuận nhiệt đới (TCG) ở Tây Bắc Thái Bình Dương từ dữ liệu tái phân tích MERRA-2. Mô hình được xây dựng cho hai nhiệm vụ: dự báo khả năng xuất hiện TCG trong 48 giờ và tái dựng phân bố không gian theo thời điểm; đồng thời áp dụng làm giàu đặc trưng theo thời gian và kỹ thuật xử lý mất cân bằng dữ liệu. Kết quả cho thấy mô hình tái hiện được các đặc trưng mùa vụ và phân bố không gian của TCG, gợi mở một hướng tiếp cận hiệu quả để bổ trợ các phương pháp vật lý trong phân tích cực đoan khí hậu.

Thông qua chuỗi hoạt động tại AMS 2026, đoàn công tác cập nhật xu hướng quốc tế về AI trong khoa học khí hậu, đặc biệt là chuyển dịch từ “mô hình chính xác” sang “mô hình hữu ích cho quyết định”, nhấn mạnh khả giải thích, tính tái lập và khả năng chuyển giao vào thực tiễn quản trị rủi ro khí hậu.