Ngày nhận bài: 07-11-2025 / Ngày duyệt đăng: 10-06-2026 / Ngày xuất bản: 27-08-2026
Lượng mưa là yếu tố khí hậu thiết yếu, ảnh hưởng trực tiếp đến hệ sinh thái tự nhiên, con người và đặc biệt là hoạt động sản xuất nông nghiệp, quy hoạch đô thị. Trong bối cảnh biến đổi khí hậu ngày càng phức tạp, với sự gia tăng của các hiện tượng thời tiết cực đoan như mưa lớn, bão và lũ lụt, việc dự báo chính xác lượng mưa trở nên quan trọng nhưng cũng đầy thách thức. Nghiên cứu này tập trung đánh giá hiệu quả của các mô hình học máy trong dự báo lượng mưa tại khu vực cụ thể. Dữ liệu lượng mưa thường có tính phi tuyến, sự biến động, mức độ ngẫu nhiên cao, nhiều nhiễu. Vì vậy, nghiên cứu đề xuất một phương pháp cải tiến dữ liệu đầu vào đa bước, nhằm nâng cao độ chính xác của mô hình dự báo. Nhiều thuật toán học máy được triển khai và đánh giá thông qua các chỉ số như độ chính xác (Accuracy), F1 có trọng số (Weighted F1-score) và chỉ số AUC. Kết quả cho thấy hiệu suất của các mô hình dự báo được cải thiện đáng kể với dữ liệu mới. XGBoost là mô hình có cải thiện đáng kể nhất với mức tăng trung bình 15,5% cả về độ chính xác và điểm F1 có trọng số so với khi chỉ sử dụng dữ liệu gốc. Kết quả nghiên cứu có tiềm năng ứng dụng trong phân tích và dự báo lượng mưa ở cấp độ khu vực.
