Dự báo hạn mùa số lượng xoáy thuận nhiệt đới trên Biển Đông bằng các mô hình thống kê

VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 2 (2019) 45-57 
45 
Original Article 
Seasonal Predictions of the Number of Tropical Cyclones 
 in the Vietnam East Sea Using Statistical Models 
Dinh Ba Duy1, Ngo Duc Thanh2, Tran Quang Duc3, Phan Van Tan3,* 
1Vietnam-Russia Tropical Center, 63 Nguyen Van Huyen, Nghia Do, Cau Giay, Hanoi, Vietnam 
2University of Science and Technology of Hanoi, Vietnam Academy of Science and Technology, 
18 Hoang Quoc Viet, Cau Giay, Hanoi, Vietnam 
3VNU University of Science, 334 Nguyen Trai, Thanh Xuan, Hanoi, Vietnam 
Received 04 April 2019 
Revised 19 April 2019; Accepted 19 May 2019 
Abstract: In this study, the equations for estimating the number of tropical cyclones (TCs) at a 6-
month lead-time in the Vietnam East Sea (VES) have been developed and tested. Three multivariate 
linear regression models in which regression coefficients were determined by different methods, 
including 1) method of least squares (MLR), 2) minimum absolute deviation method (LAD), 3) 
minimax method (LMV). The artificial neural network model (ANN) and some combinations of the 
above regression models were also used. The VES was divided into the northern region above 15ºN 
(VES_N15) and the southern one below that latitude (VES_S15). The number of TCs was calculated 
from the data of the Japan Regional Specialized Meteorological Center (RMSC) for the period 1981-
2017. Principal components of the 14 climate indicators were selected as predictors. Results for the 
training period showed that the ANN model performed best in all 12 times of forecasts, following 
by the ANN-MLR combination. The poorest result was obtained with the LMV model. Results for 
the independent dataset showed that the number of adequate forecasts based on the MSSS scores 
decreased sharply compared to the training period and the models generated generally similar errors. 
The MLR model tended to give out the best results. Better-forecast results were obtained in the 
VES_N15 region followed by the VES and then the VES_S15 regions. 
Keywords: Tropical cyclone, Seasonal prediction, Vietnam East Sea (VES). *
________ 
* Corresponding author. 
 E-mail address: phanvantan@hus.edu.vn 
 https://doi.org/10.25073/2588-1094/vnuees.4379 
VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 2 (2019) 45-57 
 46 
Dự báo hạn mùa số lượng xoáy thuận nhiệt đới 
trên Biển Đông bằng các mô hình thống kê 
Đinh Bá Duy1, Ngô Đức Thành2, Trần Quang Đức3, Phan Văn Tân3,* 
1Trung tâm Nhiệt đới Việt–Nga, 63 Nguyễn Văn Huyên, Nghĩa Đô,Cầu Giấy, Hà Nội, Việt Nam 
2Trường Đại học Khoa học và Công nghệ Hà Nội, Viện Hàn lâm Khoa học và Công nghệ Việt Nam, 
18 Hoàng Quốc Việt, Cầu Giấy, Hà Nội, Việt Nam 
3Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, 334 Nguyễn Trãi, Thanh Xuân, Hà Nội, Việt Nam 
Nhận ngày 04 tháng 4 năm 2019 
Chỉnh sửa ngày 19 tháng 4 năm 2019; Chấp nhận đăng ngày 19 tháng 5 năm 2019 
Tóm tắt: Trong nghiên cứu này các phương trình dự báo số lượng xoáy thuận nhiệt đới (XTNĐ) 
hạn 6 tháng trên khu vực Biển Đông (VES) đã được xây dựng và thử nghiệm. Ba mô hình hồi quy 
tuyến tính đa biến trong đó các hệ số hồi quy được xác định bằng các phương pháp khác nhau, gồm 
1) bình phương tối thiểu (MLR), 2) độ lệch tuyệt đối nhỏ nhất (LAD), 3) minmax (LMV), và mô 
hình mạng thần kinh nhân tạo (ANN) cộng với một số tổ hợp các mô hình trên với nhau được sử 
dụng. Khu vực Biển Đông được chia thành 2 vùng phía bắc (VES_N15) và phía nam (VES_S15) vĩ 
tuyến 15 độ. Yếu tố dự báo được tính từ tập số liệu XTNĐ tại Trung tâm Khí tượng chuyên vùng 
của Nhật Bản giai đoạn 1981-2017. Các thành phần chính của 14 chỉ số khí hậu được lựa chọn làm 
nhân tố dự báo. Kết quả đánh giá sai số dự báo trên bộ số liệu phụ thuộc cho thấy mô hình ANN cho 
kết quả dự báo tốt nhất ở cả 12 thời điểm dự báo, tiếp đó là các kết quả tổ hợp với mô hình ANN, 
MLR và kém nhất ở mô hình LMV. Kết quả thử nghiệm dự báo trên bộ số liệu độc lập cho thấy số 
lượng các sơ đồ dự báo “đạt” theo ngưỡng chỉ số MSSS giảm so với thời kỳ dự báo phụ thuộc và 
nhìn chung sai số của các mô hình có sự tương đồng nhau. Mô hình MLR có xu hướng cho kết quả 
dự báo tốt nhất. Kết quả dự báo tốt hơn cũng nhận được trên vùng VES_N15, tiếp theo là vùng VES 
và thấp nhất trên vùng VES_S15. 
Keywords: Tropical cyclone, Seasonal prediction, Vietnam East Sea (VES). 
1. Mở đầu 
Cho đến nay đã có khá nhiều công trình 
nghiên cứu dự báo hạn mùa bão, áp thấp nhiệt 
________ 
 Tác giả liên hệ. 
 Địa chỉ email: phanvantan@hus.edu.vn 
 https://doi.org/10.25073/2588-1094/vnuees.4379 
đới (gọi chung là xoáy thuận nhiệt đới - XTNĐ) 
đã được thực hiện. Hầu hết trong số đó tập trung 
vào hai ổ bão lớn nhất thế giới là ổ bão Tây bắc 
Đại Tây dương và ổ bão Tây bắc Thái Bình 
 https://doi.org/10.25073/2588-1094/vnuees.4379 
D.B. Duy et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 2 (2019) 45-57 
47 
dương trong đó có khu vực Biển Đông. Về 
phương pháp dự báo có thể chia thành ba nhóm 
chính: 1) Nhóm phương pháp thống kê truyền 
thống hay thống kê kinh điển (TKTT); 2) Nhóm 
phương pháp thống kê - động lực và 3) Nhóm 
phương pháp mô hình động lực. 
Dự báo bằng phương pháp TKTT là dựa 
trên mối quan hệ thống kê giữa yếu tố dự báo và 
tập các nhân tố dự báo được xây dựng từ một tập 
số liệu phụ thuộc trong quá khứ, sau đó áp dụng 
mối quan hệ này cho tương lai. Các mô hình 
TKTT được sử dụng rộng rãi trong bài toán dự 
báo hoạt động của XTNĐ [1-6]. Trong các công 
trình này, yếu tố dự báo là số lượng và số ngày 
hoạt động của XTNĐ trên các vùng khác nhau, 
chủ yếu ở Đại Tây Dương và Tây Thái Bình 
Dương. Các nhân tố dự báo có thể là những nhân 
tố thuộc nhóm ENSO, như dị thường nhiệt độ bề 
mặt biển (SSTA) trên các vùng Niño1+2, 3, 4, 
3.4, hoặc các đặc trưng hoàn lưu khí quyển và 
đại dương qui mô lớn như chỉ số dao động tựa 
hai nă ... nghiệm dự báo trên bộ 
số liệu độc lập, các giá trị ME, MAE và RMSE 
ở mô hình ANN và LMV cho thấy mức độ hiệu 
quả giảm đi nhiều so với thời kỳ luyện trên bộ số 
liệu phụ thuộc, nhìn chung giá trị sai số của các 
mô hình còn lại thể hiện tương đối giống nhau, 
giá trị sai số MAE, RMSE trên khu vực VES và 
VES_N15 cao ở những thời điểm dự báo cho 
mùa bão chính (thời điểm dự báo tại tháng 4, 5, 
6) trong khi ở khu vực VES_S15 các giá trị này 
có phần tăng nhẹ ở những tháng cuối năm. Bên 
cạnh đó cũng cần lưu ý sự xuất hiện các thời 
điểm tương quan âm (hệ số Corr <0) của các sơ 
đồ dự báo có sự thay đổi theo các vùng dự báo, 
đối với vùng VES các sơ đồ dự báo ở thời điểm 
từ tháng 3 đến tháng 5 có xu hướng cho kết quả 
tương quan âm, vùng VES_N15 ở các thời điểm 
tháng 3 đến tháng 7 và vùng VES_S15 ở các thời 
điểm tháng 4 đến tháng 9. 
D.B. Duy et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 2 (2019) 45-57 
52 
Hình 2. Sai số MAE theo từng thời điểm dự báo ở giai đoạn luyện (hình a) và dự báo độc lập (hình b) 
trên ba vùng VES, VES_S15 và VES_N15. 
Hình 3. Hệ số tương quan theo từng thời điểm dự báo trên bộ số liệu phụ thuộc (hình a) và dự báo độc lập 
(hình b) trên ba vùng VES, VES_N15 và VES_S15. 
(b) 
D.B. Duy et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 2 (2019) 45-57 
53 
Để có cái nhìn tổng quát hơn về chất lượng 
của 9 mô hình dự báo khảo sát tại 12 thời điểm 
dự báo trong năm, điểm kỹ năng MSSS tương 
ứng của từng sơ đồ dự báo này được tính toán và 
dẫn ra tại bảng 3 dưới đây. 
Kết quả tại bảng 3 cho thấy ở giai đoạn 
1981-2010 các mô hình MLR, ANN, E12, E123, 
E124, E14 và E1234 đạt tỷ lệ 100% (12/12 sơ đồ 
dự báo đạt) có số lượng các sơ đồ dự báo “đạt” 
tiếp đến là mô hình LAD với tỷ lệ tương ứng 
75% (9/12) và thấp nhất ở mức trên dưới 58% 
(7/12) khi sử dụng mô hình LMV. Ở giai đoạn 
này khu vực VES_S15 có kết quả dự báo tốt 
nhất, tiếp đến là vùng VES_N15 và VES. Ở giai 
đoạn dự báo độc lập (2011-2017) số lượng các 
sơ đồ dự báo “đạt” giảm mạnh ở cả 9 mô hình 
khảo sát trên 3 vùng nghiên cứu. Cụ thể ở vùng 
VES_N15 cho kết quả dự báo tốt nhất với 
khoảng trên dưới 33% sơ đồ đạt, tiếp đến là vùng 
VES với tỷ lệ tương ứng khoảng 25% và thấp 
nhất là vùng VES_N15 với chỉ khoảng 16% sơ 
đồ dự báo đạt. Cá biệt mô hình ANN thể hiện sự 
không ổn định khi thay đổi từ tỷ lệ 100% ở giai 
đoạn phụ thuộc xuống chỉ còn khoảng trên dưới 
16% ở dự báo độc lập. Trong số các mô hình 
thống kê khảo sát, mô hình MLR có xu hướng 
cho kết quả dự báo tốt nhất, tiếp đến là mô hình 
E12, E123 và LAD. 
Để minh họa thêm về chất lượng của các mô 
hình dự báo, nghiên cứu đã dẫn ra tại hình 4 đến 
hình 9 dưới đây các giá trị quan trắc và kết quả 
dự báo (trên bộ số liệu phụ thuộc và độc lập) về 
số lượng TCs_6mon cho mùa XTNĐ chính 
(tháng 6 tới tháng 11) và mùa “ít” bão (tháng 12 
tới tháng 5 năm liền tiếp) trên ba vùng VES, 
VES_S15 và VES_N15. Các kết quả này (không 
được thể hiện đầy đủ tại đây) cho thấy ở cả 3 
vùng nghiên cứu kết quả dự báo trên bộ số liệu 
phụ thuộc đã mô phỏng khá tốt so với số liệu 
quan trắc ở cả 9 mô hình thống kê khảo sát, trong 
đó tốt nhất có thể nhận thấy ở mô hình ANN. Kết 
quả dự báo trên bộ số liệu độc lập đã có những 
diễn biến khác so với trên bộ số liệu phụ thuộc, 
thể hiện sự khác nhau ở các vùng không gian 
nghiên cứu và các thời điểm dự báo. Nhìn chung, 
tồn tại nhiều sơ đồ có kết quả dự báo độc lập khá 
sát với số liệu quan trắc, đặc biệt ở 2 năm đầu 
tiên tính từ cuối thời điểm chọn số liệu phụ thuộc 
(năm 2011 và 2012) và kết quả dự báo cho mùa 
ít XTNĐ thể hiện tốt hơn. Các kết quả này cũng 
cho thấy, việc lựa chọn khoảng thời gian cho bộ 
số liệu làm dự báo độc lập quá xa so với thời 
điểm cuối cùng của bộ số liệu phụ thuộc có thể 
ảnh hưởng không tốt đến kết quả dự báo bởi khi 
đó những quan hệ thống kê ở bộ số liệu phụ 
thuộc không được mô hình “nắm bắt” được. Tuy 
vậy các kết quả này là cơ sở cho phép kỳ vọng 
có thể tiếp tục nghiên cứu ứng dụng các mô hình 
TKTT để lựa chọn ra các sơ đồ có chất lượng dự 
báo tốt với độ ổn định cao cho dự báo nghiệp vụ 
hạn mùa XTNĐ tại VES nói chung và 2 khu vực 
VES_S15, VES_N15 nói riêng. 
Bảng 3. Số lượng các sơ đồ dự báo “đạt” qua đánh giá chỉ số kỹ năng dự báo MSSS 
cho giai đoạn dự báo phụ thuộc và độc lập 
Dự báo 
Vùng 
nghiên cứu 
Mô hình thống kê 
MLR LAD LMV ANN E12 E123 E124 E14 E1234 
Phụ thuộc 
(1981-2010) 
VES 12 9 5 12 12 12 12 12 12 
VES_N15 12 9 6 12 12 12 12 12 12 
VES_S15 12 9 10 12 12 12 12 12 12 
Độc lập 
(2011-2017) 
VES 5 3 2 1 4 3 3 3 3 
VES_N15 6 3 4 3 4 4 3 4 5 
VES_S15 2 3 2 0 3 3 0 0 1 
D.B. Duy et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 2 (2019) 45-57 
54 
 (a) (b) 
Hình 4. Số lượng XTNĐ mùa bão chính trên vùng VES (tháng 5 đến tháng 11) quan trắc 
và dự báo trên bộ số liệu phụ thuộc (hình a) và dự báo độc lập (hình b). 
(a) (b) 
Hình 5. Số lượng XTNĐ mùa “ít” bão trên vùng VES (tháng 12 đến tháng 5 của năm liền sau) 
quan trắc và dự báo trên bộ số liệu phụ thuộc (hình a) và dự báo độc lập (hình b). 
(a) (b) 
Hình 6. Số lượng XTNĐ mùa bão chính trên vùng VES_N15 (tháng 5 đến tháng 11) quan trắc 
và dự báo trên bộ số liệu phụ thuộc (hình a) và dự báo độc lập (hình b). 
D.B. Duy et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 2 (2019) 45-57 
55 
(a) (b) 
Hình 7. Số lượng XTNĐ mùa “ít” bão trên vùng VES_N15 (tháng 12 đến tháng 5 năm liền sau) 
quan trắc và dự báo trên bộ số liệu phụ thuộc (hình a) và dự báo độc lập (hình b). 
(a) (b) 
Hình 8. Số lượng XTNĐ mùa bão chính trên vùng VES_S15 (tháng 5 đến tháng 11) 
quan trắc và dự báo trên bộ số liệu phụ thuộc (hình a) và dự báo độc lập (hình b). 
(a) (b) 
Hình 9. Số lượng XTNĐ mùa “ít” bão trên vùng VES_S15 (tháng 12 đến tháng 5 năm liền sau) 
quan trắc và dự báo trên bộ số liệu phụ thuộc (hình a) và dự báo độc lập (hình b). 
D.B. Duy et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 2 (2019) 45-57 
56 
4. Kết luận 
Sử dụng 4 mô hình TKTT và 5 mô hình tổ 
hợp được kết hợp từ các mô hình trên với nhau 
nghiên cứu này đã tiến hành xây dựng các 
phương trình dự báo số lượng XTNĐ hạn 6 tháng 
cho các khu vực VES, VES_N15, VES_S15, 
những kết quả bước đầu cho phép rút ra một số 
kết luận sau: 
-Trên bộ số liệu phụ thuộc mô hình MLR, 
ANN, E12, E123, E124, E14 và E1234 cho kết 
quả dự báo tốt nhất ở cả 12 thời điểm dự báo, 
thậm chí các chỉ số đánh giá sai số ở mô hình 
ANN đạt gần mức giá trị lý tưởng, tiếp đó là các 
tổ hợp với mô hình ANN, kết quả dự báo kém 
nhất khi sử dụng mô hình LMV. 
- Thử nghiệm dự báo trên bộ số liệu độc lập 
cho thấy số lượng các sơ đồ dự báo “đạt” theo 
ngưỡng chỉ số MSSS giảm so với thời kỳ dự báo 
phụ thuộc và nhìn chung sai số của các mô hình 
có sự tương đồng nhau. Mô hình MLR có xu 
hướng cho kết quả dự báo tốt nhất, tiếp đến là 
mô hình E12, E123, LAD và thấp nhất là mô 
hình ANN. Vùng VES_N15 có xu hướng cho kết 
quả dự báo tốt nhất, tiếp đến là vùng VES và thấp 
nhất là vùng VES_S15. 
Lời cám ơn 
Nghiên cứu này được tài trợ bởi Đề tài 
nghiên cứu khoa học KC.09.15/16-20, thuộc 
chương trình KC.09, Bộ Khoa học và Công nghệ. 
Tài liệu tham khảo 
[1] W. Landsea Christopher, Gerald D. Bell, William 
M. Gray, Stanley B. Goldenberg, The extremely 
active 1995 Atlantic hurricane season: 
Environmental conditions and verification of 
seasonal forecasts, Mon. Wea. Rev. 126 (1998) 
1174-1193. 
[2] W. Landsea Christopher, William M. Gray, Paul W. 
Mielke, Jr, Kenneth J. Berry, Seasonal Forecasting 
of Atlantic hurricane activity, Weather 49 (1994) 
273-284. 
[3] M. Gray William, Christopher W. Landsea, Paul W. 
Mielke, Predicting Atlantic basin seasonal tropical 
cyclone activity by 1 June, Weather and Forecasting 
9 (1994) 103-115. 
[4] Neville Nicholls, Chris Landsea, Jon Gill, Recent 
trends in Australian region tropical cyclone activity, 
Meteorol. Atmos. Phys. 65 (1998) 197-205. 
[5] Elsner, James B., Kam-biu Liu, Bethany Kocher, 
Spatial Variations in Major U.S., Hurricane 
Activity: Statistics and a Physical Mechanism, J. 
Climate. 13 (2000) 2293–2305. 
[6] J. C. L. Chan, J. E. Shi and C. M. Lam, Seasonal 
forecasting of tropical cyclone activity over the 
Western North Pacific and the South China Sea, 
Wea. Forecasting 13 (1998) 997-1004. 
[7] J. C. L. Chan, Tropical cyclone activity over the 
Western North Pacific associated with El Niño and 
La Niña events, J. Climate. 13 (2000) 2960-2972. 
[8] Pao-Shin Chu, Xin Zhao, Chang-Hoi Ho, Hyeong-
Seog Kim, Mong-Ming Lu, Joo-Hong Kim, 
Bayesian forecasting of seasonal typhoon activity: A 
track-pattern oriented categorization approach, 
J.Climate. 23 (2010) 6654-6668 
[9] M. Lu, P.-S. Chu, and Y.-C. Lin, Seasonal prediction 
of tropical cyclone activity near Taiwan using the 
Bayesian multivariate regression method, Wea. 
Forecasting 25 (2010) 1780–1795. 
[10] H. J Kwon, W.-J. Lee, S.-H.Won, E.-J. Cha, 
Statistical ensemble prediction of the tropical 
cyclone activity over the Western North 
Pacific.Geophys. Res. Lett. 34 (2007) L24805 1-5. 
doi:10.1029/2007GL032308 
[11] J. C. L. Chan, Tropical cyclone activity in the 
Western North Pacific in relation to the stratospheric 
quasi-biennial oscillation, Mon. Wea. Rev. 123 
(1995) 2567-2571. 
[12] J. C. L. Chan, Prediction of annual tropical cyclone 
activity over the Western North Pacific and the 
South China Sea, Int’l J. Climatol. 15 (1995) 1011-
1019. 
[13] J. C. L. Chan, J. E. Shi and C. M. Lam, Seasonal 
forecasting of tropical cyclone activity over the 
Western North Pacific and the South China 
Sea, Wea.Forecasting 13 (1998) 997-1004. 
[14] J.C.L. Chan, J.E. Shi, K.S. Liu, Improvements in the 
seasonal forecasting of tropical cyclone activity over 
the Western North Pacific. Wea. Forecasting 16 
(2001) 491-498. 
[15] P. J. Klotzbach, Recent developments in statistical 
prediction of seasonal Atlantic basin tropical 
cyclone activity, Journal compilation C (2007) 
Blackwell Munksgaard. https://doi.org/ 10.1111/j. 
1600-0870.2007.00239.x, Tellus 59A (4) (2007) 
511-518. 
D.B. Duy et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 2 (2019) 45-57 
57 
[16] W. Zhang, Y. Zhang, D. Zheng, F. Wang, and L. 
Xu, Relationship between lightning activity and 
tropical cyclone intensity over the northwest 
Pacific, J. Geophys. Res. Atmos. 120 (2015) 4072 
-4089. https://doi.org/10.1002/2014JD022334. 
[17] Phan Van Tan, On the tropical cyclone activity in the 
Northwest Pacific basin and South China sea in 
relationship with ENSO, Journal of Science, 
Vietnam National University, Hanoi (1) 18 (2002) 
51-58. (In English) 
[18] Nguyễn Văn Tuyên, Xu hướng hoạt động của xoáy 
thuận nhiệt đới trên Tây Bắc Thái Bình Dương và 
biển Đông theo các cách phân loại khác nhau, Tạp 
chí KTTV 559 (2007) 4-10. 
[19] Đinh Bá Duy, Ngô Đức Thành, Phan Văn Tân, 
Mối quan hệ giữa ENSO và số lượng, cấp độ Xoáy 
thuận Nhiệt đới trên khu vực Tây Bắc - Thái Bình 
Dương, Biển Đông giai đoạn 1951-2015, VNU 
Journal of Science: Earth and Environmental 
Sciences 32 (3S) (2016) 43-55. 
[20] Đinh Bá Duy, Ngô Đức Thành, Nguyễn Thị Tuyết, 
Phạm Thanh Hà, Phan Văn Tân, Đặc điểm hoạt 
động của Xoáy thuận Nhiệt đới trên khu vực Tây 
Bắc Thái Bình Dương, Biển Đông và vùng trực tiếp 
chịu ảnh hưởng trên lãnh thổ Việt Nam giai đoạn 
1978-2015, VNU Journal of Science: Earth and 
Environmental Sciences (2) 32 (2016) 1-11. 
[21] Đinh Văn Ưu, Đánh giá quy luật biến động dài hạn 
và xu thế biến đổi số lượng bão và áp thấp nhiệt đới 
trên khu vực Tây Thái Bình Dương, Biển Đông và 
ven biển Việt Nam, Tạp chí Khoa học ĐHQGHN, 
Khoa học Tự nhiên và Công nghệ (3S) 25 (2009) 
542-550. 
[22] Nguyễn Văn Hiệp và nnk, Đặc điểm hoạt động của 
bão ở Tây Bắc Thái Bình Dương và Biển Đông qua 
số liệu Ibtracs, Tuyển tập báo cáo tại Hội thảo khoa 
học năm 2016 của Viện Khoa học KTTV & BĐKH, 
(2006) 9-14. 
[23] Vũ Thanh Hằng, Ngô Thị Thanh Hương,, Phan 
Văn Tân, Đặc điểm hoạt động của bão ở vùng biển 
gần bờ Việt Nam giai đoạn 1945-2007, Tạp chí 
Khoa học ĐHQGHN, Khoa học Tự nhiên và Công 
nghệ (3S) 26 (2010) 344‐353. 
[24] Nguyễn Văn Tuyên, Khả năng dự báo hoạt động 
mùa bão biển Đông Việt Nam: Phân tích các yếu tố 
dự báo và nhân tố dự báo có thể (Phần I), Tạp chí 
KTTV, 568 (2008) 1-8. 
[25] Nguyễn Văn Tuyên, 2008: Khả năng dự báo hoạt 
động mùa bão biển Đông Việt Nam: Phân tích các 
yếu tố dự báo và nhân tố dự báo có thể (Phần II). Tạp 
chí KTTV, 571 (2008) 1-11. 
[26] Phan Văn Tân, 2009-2010, Nghiên cứu tác động của 
biến đổi khí hậu toàn cầu đến các yếu tố và hiện 
tượng khí hậu cực đoan ở Việt Nam, khả năng dự 
báo và giải pháp chiến lược ứng phó. Đề tài cấp Nhà 
nước, mã số KC08.29/06-10. 
[27] https://www.jma.go.jp/jma/jma-eng/jma-center/ 
rsmc-hp-pub-eg/besttrack.html. 
[28] https://www.esrl.noaa.gov/ psd/data/climateindices/ 
list/ 
[29] T. Ngo-Duc, J. Matsumoto, H. Kamimera, H.H. Bui, 
Monthly adjustment of Global Satellite Mapping of 
Precipitation (GSMaP) data over the VuGia–
ThuBon River Basin in Central Vietnam using an 
artificial neural network. Hydrological Research 
Letters 7 (4) (2013) 85-90. https://doi.org/ 
10.3178/hrl.7.85. 
[30] J. C. L. Chan, J. E. Shi and C. M. Lam, Seasonal 
forecasting of tropical cyclone activity over the 
Western North Pacific and the South China 
Sea, Wea. Forecasting 13 (1998) 997-1004. 
[31] E. S. Blake, W. M. Gray, Prediction of August 
Atlantic Basin Hurricane Activity. Wea. Forecasting 
19 (2004) 1044-1060. 
[32] P. J. Klotzbachi, W. M. Gray, Extended range 
forecast of Atlantic seasonal Hurricane activity and 
U. S. landfall strike probability for 2008, (2007) 
 colostate.edu/Forecasts.