Khử Mùa (Deseasonalization) Khi Dữ Liệu Có Tính Mùa Vụ
1 Tính mùa vụ (Seasonality) là gì?
Tính mùa vụ (Seasonality) là sự biến động lặp đi lặp lại theo một chu kỳ thời gian tương đối ổn định. Trong khoa học Trái đất và Thủy văn, tính mùa vụ chịu sự chi phối chặt chẽ bởi chu kỳ quỹ đạo Trái đất, ví dụ:
Khí tượng & Thủy văn mặt
Lượng mưa, bốc thoát hơi nước (ET), nhiệt độ bề mặt, lưu lượng dòng chảy sông ngòi... luôn đạt đỉnh và đáy theo các tháng cố định trong năm.
Trữ lượng nước (TWSA)
Biến thiên trữ lượng nước tăng trong mùa bổ cập (recharge) và giảm sâu trong mùa khô.
Áp dụng khi biên độ dao động mùa vụ giữ ổn định, không phụ thuộc vào độ lớn của xu thế:
Trong đó: Yt là chuỗi quan sát, Tt là xu thế (Trend), St là thành phần mùa vụ (Seasonal), Rt là phần dư sai/nhiễu (Residual).
Áp dụng khi biên độ mùa vụ nở rộng ra hoặc co hẹp lại tỉ lệ thuận với độ lớn của xu thế:
Thường đưa về dạng cộng thông qua phép biến đổi Logarithm để đơn giản hóa thuật toán phân rã.
2 Khử mùa là gì? Bản chất cốt lõi
Khử mùa (Deseasonalization) là quá trình ước lượng thành phần mùa vụ St và loại bỏ nó khỏi chuỗi quan sát gốc để thu được chuỗi đã khử mùa (YtDS):
Khử mùa KHÔNG phải là san phẳng hoặc triệt tiêu mọi dao động. Nó chỉ triệt tiêu quy luật lặp lại hàng năm, và bảo toàn nguyên vẹn: Xu thế dài hạn, các dao động khí hậu liên năm (ENSO, IOD), các sự kiện cực đoan bất thường và các điểm gãy thay đổi trạng thái (break-points).
Minh Họa
Hình 1: Phân tách chuỗi quan sát ban đầu thành các thành phần Trend, Seasonality
Hình 2: Phân tách chuỗi quan sát ban đầu thành các chuỗi Trend, Residual và Seasonal
3 Đừng Nhầm Lẫn Giữa Ba Khái Niệm Này
Khử Mùa
Loại bỏ: Thành phần mùa vụ (St)
Giữ lại: Tt + Rt
Mục đích: Tìm xu thế dài hạn và sự kiện bất thường không bị che lấp bởi chu kỳ năm.
Khử Xu Thế
Loại bỏ: Xu thế dài hạn (Tt)
Giữ lại: St + Rt
Mục đích: Đưa chuỗi về tính dừng (stationary) để phân tích dao động mùa thuần túy.
Dị Thường
Loại bỏ: Giá trị trung bình nền (Ȳ)
Giữ lại: Yt - Ȳ (Vẫn còn St!)
Mục đích: Đo độ lệch so với nền.
4 Vì sao cần khử mùa? Rủi ro tiềm ẩn
Mùa vụ che lấp xu thế dài hạn
Giả sử nước dưới đất suy kiệt với tốc độ -2 mm/tháng, nhưng biên độ mùa là ±50 mm. Nếu chỉ quan sát mắt thường, tháng 10 luôn cao hơn tháng 5 khiến ta ngộ nhận nguồn nước đang dồi dào, che khuất hoàn toàn tốc độ sụt giảm thực tế.
Nguy cơ "Shortcut Learning" trong AI / Machine Learning
Nếu huấn luyện mô hình dự báo dạng GWSAt = f(Pt, ETt, NDVIt...) với các biến chưa khử mùa:
- Mô hình sẽ nhanh chóng học vẹt đường tắt: "Cứ vào các tháng giữa năm thì tự động tăng" thay vì học cơ chế vật lý.
- Hậu quả: Khi xảy ra hiện tượng tăng/giảm thất trong dữ liệu, mô hình sẽ dự báo sai, vì bị chi phối bởi biến thời gian!
Tạo ra hiện tượng tương quan giả (Spurious Correlation)
Lượng mưa và mực nước cùng có chu kỳ mùa khớp nhau → tương quan Pearson có thể đạt tới r = 0.9x . Nhưng sự gắn kết này chủ yếu do chu kỳ thiên văn học. Chỉ khi khử mùa cả hai chuỗi, hệ số tương quan còn lại mới đo lường đúng độ nhạy bổ cập thủy văn.
5 Các Phương Pháp Phổ Biến & Bộ Lọc Ra Quyết Định
Không có phương pháp vạn năng. Cần căn cứ vào cấu trúc chuỗi số liệu và câu hỏi nghiên cứu:
Bộ Lọc Chọn Phương Pháp Khử Mùa Phù Hợp
Chọn đặc điểm dữ liệu của bạn để nhận khuyến nghị thuật toán chính xác:
Bảng So Sánh Tổng Quan Một Số Phương Pháp Phổ Biến
| Phương pháp | Loại dữ liệu | Mùa biến đổi? | Ưu điểm cốt lõi | Hạn chế chính |
|---|---|---|---|---|
| Monthly Climatology | Tháng đều đặn | ❌ Cố định | Cực kỳ đơn giản, trực quan, bảo toàn năng lượng | Bỏ qua sự biến đổi của mùa theo khí hậu |
| STL (LOESS) | Ngày, Tuần, Tháng | ✅ Rất tốt | Linh hoạt cao, chuẩn mực số 1 trong Thủy văn & Viễn thám | Cần chọn tham số cửa sổ trượt |
| Harmonic (Fourier) | Đều đặn hoặc khuyết | ⚠️ Hạn chế | Có nghiệm giải tích tường minh, xử lý hoàn hảo missing gaps | Bị bó hẹp ở dạng sóng sin/cos |
| EMD / CEEMDAN | Phi tuyến, phi dừng | ✅ Đa thang đo | Phân rã thích ứng hoàn toàn theo dữ liệu (Data-driven) | Dễ gặp hiện tượng trộn chế độ (Mode mixing) |