Xây dựng giải pháp công nghệ nhận dạng giản đồ khí tượng thủy văn

 Tạp chí Khí tượng Thủy văn 2021, 726, 1-11; doi:10.36335/VNJHM.2021(726).1-11  
Bài báo khoa học 
Xây dựng giải pháp công nghệ nhận dạng giản đồ Khí tượng thủy 
văn 
Phạm Lê Phương1*, Lê Trung Hưng1, Mạnh Xuân Huy2, Triệu Văn Linh3, Nguyễn 
Xuân Hoài3, Hải Hồng Phan4, Vũ Hải5 
1 Trung tâm Thông tin và Dữ liệu KTTV; phuongpl80@gmail.com; hungtttl@gmail.com 
2 Trường Đại học Bách Khoa Hà Nội; mxhuysnowy@gmail.com 
3 Viện AI Academy Việt Nam; nxhoai@gmail.com; trieuvanlinh04101998@gmail.com 
4 Học Viện Kỹ thuật Quân Sự; hongpth@lqdtu.edu.vn 
5 Viện Điện tử – Viễn Thông, Trường Đại học Bách Khoa Hà Nội; hai.vu@hust.edu.vn 
*Tác giả liên hệ: phuongpl80@gmail.com; Tel.: +84–912353680 
Ban Biên tập nhận bài: 25/3/2021; Ngày phản biện xong: 4/5/2021; Ngày đăng bài: 
25/6/2021 
Tóm tắt: Giản đồ khí tượng thủy văn ghi chép lại thông tin, số liệu đo đạc của lượng mưa, 
mực nước, độ ẩm, nhiệt độ và các loại thông số đo đạt khác. Các thông số này được thu thập 
từ các trạm đo lường KTTV trên toàn quốc. Việc lưu dữ các thông tin này là cực kì quan 
trọng nhằm phục vụ cho mục đích nghiên cứu và dự báo thời tiết và thiên tai trong tương 
lai. Tuy nhiên, hiện nay việc lưu trữ của các loại giản đồ đang ở dạng truyền thống; việc đọc 
dữ liệu lại phụ thuộc người có chuyên môn. Do đó, khó bảo đảm về tính toàn vẹn của dữ 
liệu theo thời gian. Bài báo này đưa ra giải pháp nhận dạng giản đồ tự ghi và tách các thông 
tin giản đồ bằng công nghệ thị giác máy, giúp việc lưu trữ và số hóa dữ liệu giản đồ một 
cách tự động. Giải pháp tích hợp thuật toán phân tích cấu trúc trang, thuật toán phát hiện 
lưới và căn chỉnh kết hợp thuật toán phát hiện line và các đối tượng trong giản đồ để tách 
line. Bằng thực nghiệm, phương pháp đã đạt được độ chính xác cao, hơn 90% giản đồ có 
thể số hóa, trong đó bao gồm các loại giản đồ lượng mưa, mực nước, độ ẩm, áp suất và nhiệt 
độ. 
Từ khóa: Giản đồ Khí tượng, thủy văn; Nhận dạng; Xử lý ảnh; Thị giác máy. 
1. Mở đầu 
Theo Tổng cục Khí tượng Thủy văn (Bộ Tài nguyên và Môi trường), đến nay mạng lưới 
quan trắc khí tượng thủy văn (KTTV) hiện có là 1.719 trạm điểm đo trên toàn quốc, trong đó 
trong giai đoạn 2010–2020 mới có 40% các trạm được đầu tư tự động hóa [1]. Còn gần 60% 
(hơn 1000) các trạm vẫn đang vận hành theo các phương pháp và kĩ thuật cũ. Tại mỗi trạm 
quan trắc một lượng dữ liệu quan trắc rất lớn được thu nhận liên tục hàng ngày như nước, áp 
suất, độ ẩm, nhiệt độ Do đó, vấn đề lưu trữ và xử lý thông tin rất khó khăn. Ngay cả khi 
các trạm được đầu tư toàn bộ với quy trình tự động hóa hết thì việc lưu trữ và xử lý các dữ 
liệu trước đó là rất quan trọng, phục vụ dự báo và cảnh báo về các thiên tai trong lai có thể 
xảy ra cũng như làm giảm thiểu tối đa thiệt hại do thiên tai gây ra [2–3]. 
Việt Nam thuộc nhóm quốc gia đang phát triển, chủ chương của nước ta là hướng tới 
phát triển và ứng dụng công nghệ 4.0. Cũng như vậy, lĩnh vực KTTV cũng cần một công 
cuộc chuyển đổi số với toàn bộ quy trình [4–6]. Tuy nhiên, hiện nay với số lượng tài liệu 
giản đồ và sổ sách khổng lồ được lưu trữ từ hàng chục năm về trước đang là vấn đề nam giải 
cho công cuộc chuyển đổi sổ. Nhiều nghiên cứu trên thế giới tập trung để giải quyết các bài 
toán xử lý dữ liệu khí tượng thủy văn [7–12]. Do đó, nghiên cứu này đưa giải pháp để số hóa 
Tạp chí Khí tượng Thủy văn 2021, 726, 1-11; doi:10.36335/VNJHM.2021(726).1-11 2 
giản đồ sử dụng công nghệ xử lý ảnh hiện đại, công nghệ thị giác máy để nhận dạng và trích 
xuất thông tin từ giản đồ. Phương pháp áp dụng thực nghiệm cho các loại giản đồ lượng mưa, 
mực nước, áp suất không khí, nhiệt độ, độ ẩm. 
Giải pháp được đưa ra trong nghiên cứu này theo hướng tiếp cận chính sử dụng các kỹ 
thuật phân tích ảnh và nhận dạng tự động để tách các đường line ghi trong giản đồ. Kết quả 
của quá trình này sẽ tách được line và nền từ đó giúp việc đọc dữ liệu được chính xác. Thuật 
toán áp dụng cho các loại giản đồ tự ghi thông dụng như giản đồ mưa, nhiệt, ẩm, áp và lượng 
nước. Thuật toán tính toán nhanh có thể xử lý quy trình đọc vào tập file ảnh đã được scan, số 
hóa thông tin để tách được line và thước đo làm đầu vào cho giao diện GUI tiếp theo. 
Các kết quả thực nghiệm trên năm loại giản đồ cho thấy kết quả tách line sai lệch trung 
bình chưa đến 2% trong các loại giản đồ với chất lượng scan tốt; đường line và các đối tượng 
trong giản đồ được tách chuẩn xác từ giản đồ giúp việc đọc các mốc thời gian và giá trị đo 
tốt. Thời gian xử lý việc tách line và các đối tượng tương đối nhanh, đảm bảo thời gian xử lý 
của kỹ thuật viên. Từ kết quả của giải pháp, làm đầu vào để xây dựng công cụ DigiMeto [14] 
trợ giúp đọc giản đồ tự ghi khí tượng thủy văn và đã rút ngắn đáng kể thời gian đọc thủ công; 
đồng thời cho phép tùy chỉnh các tham số theo yêu cầu người dùng. Việc giải pháp số hóa 
này làm tiền đề cho việc số hóa các loại tài liệu KTTV khác đang lưu trữ tại Tổng cục Khí 
tượng Thủy văn. 
Hình 1 mô tả cấu trúc tổng thể ... vùng biểu đồ trên ảnh scan, chúng ta sẽ 
tách thành các biểu đồ riêng biệt làm đầu vào cho bước xử lý sau. Qua phân tích nghiên cứu 
này thấy các biểu đồ có đặc trưng góc trong khu vực biểu đồ khá rõ nét. Hình 3 biểu diễn 
kênh S của ảnh đầu vào sau khi được chuyển sang hệ màu HSV. Ta có thể thấy thông tin góc 
của biểu đồ được thể hiện khá rõ trong kênh S thuộc bộ ba kênh màu HSV. Vì vậy, gợi ý 
tưởng áp dụng phương pháp phát hiện góc, từ đó gián tiếp tìm được khu vực biểu đồ cần phát 
hiện. 
Hình 2. Giản đồ ẩm Mường Tè 7/2007 (tiếp). 
Hình 3. Biểu diễn kênh S (thuộc hệ màu HSV) trên một ảnh giản đồ mưa. 
Harris Corner Detector [15–16] là phương pháp phát hiện góc đơn giản và hiệu quả. Ý 
tưởng chính của thật toán này dựa vào sự biến đổi cường độ sáng tại một vùng lân cận: là 
một vùng nhỏ quanh các đặc trưng (góc, cạnh) sẽ có sự thay đổi lớn về cường độ sáng nếu 
một window dịch chuyển 1 đoạn (u,v) từ điểm (x,y) theo bất kì hướng nào. Công thức Harris 
Corner Detection tổng quát như sau: 
𝐸(𝑢, 𝑣) = ෍𝑤(𝑥, 𝑦)[𝐼(𝑥 + 𝑢, 𝑦 + 𝑣) − 𝐼(𝑥, 𝑦)]ଶ
௫,௬
 (1) 
Trong đó w là một window ở trên ảnh; x, y là tọa độ của điểm w(x,y) thuộc window đó; 
I(x,y) là giá trị độ sáng của một pixel tại điểm x,y; I(x+u, y+v) là giá trị độ sáng của một pixel 
tại điểm I(x+u, y+v). 
Tạp chí Khí tượng Thủy văn 2021, 726, 1-11; doi:10.36335/VNJHM.2021(726).1-11 5 
Hiệu của shifted intensity và intensity biểu thị độ thay đổi về giá trị điểm ảnh khi ta dịch 
chuyển một lượng u, v (trên ảnh). Mục tiêu của Harris Corner detector là cực đại hóa hàm 
E(u,v) để tìm ra những khu vực có sự thay đổi intensity lớn nhất. 
E(u,v) ≈ [u v] M ቂ𝑢𝑣ቃ (2) 
Trong đó: 
M = Σw(x, y)ቈ
𝐼௫ଶ 𝐼௫𝐼௬
𝐼௫𝐼௬ 𝐼௬ଶ
቉ (3) 
Ta có công thức cuối cùng như sau: 
Việc tìm ra các điểm ảnh có phải corner hay không phụ thuộc vào giá trị R (Measure of 
corner response). Công thức R như sau: 
R = det(M) – k(trace(M)2 (4) 
Trong đó det(M) = AB – C2 = λ1λ2, trace(M) = λ1 + λ2, λ1, λ2 là các giá trị bản địa của M 
tương ứng với độ cong của hàm địa phương quyết định xem điểm này có phải là corner hay 
không, k là tham số điều khiển. 
Phương pháp đề xuất phát hiện và tách vùng biểu đồ của gồm 4 bước: (1) Sử dụng Harris 
Corner Detection để phát hiện vùng lưới; (2) Tìm contour bao quanh các khu vực có mật độ 
corner được detect nhiều nhất; (3) Xác định vùng biểu đồ và các vùng khác từ tọa độ 4 góc 
của các đường contour; (4) Cắt các vùng biểu đồ xác định được. Hình 4a–4d minh họa kết 
quả phân tích cấu trúc trang giản đồ. Ta có thể thấy vùng biểu đồ xác định được tốt. Ưu điểm 
của phương pháp áp dụng là đơn giản, tốc độ nhanh nhưng rất hiệu quả. 
Hình 4. (a) Kết quả detect góc; (b) Kết quả tìm contour; (c) Xác định cấu trúc trang biểu đồ; (d) Kết 
quả vùng biểu đồ xác định được. 
2.3. Thuật toán phát hiện lưới và căn chỉnh 
Vùng biểu đồ sau khi được xác định từ thuật toán phân tích cấu trúc trang cần được cắt 
gọn, căn chỉnh và làm phẳng để đo đạc chính xác. Kế thừa ý tưởng phát hiện góc của thuật 
toán ở phần 2.2, chúng ta sẽ dựa vào việc phát hiện corner để từ đó gián tiếp phát hiện bao 
quanh của biểu đồ và cắt gọn hơn. Tuy nhiên, có một số ảnh hiện tại đang bị lệch, không 
thẳng với hướng ngang do quá trình scan đặt giản đồ không thẳng góc. Hình 5a minh họa ảnh 
sau khi được cắt vùng biểu đồ ở thuật toán phân tích cấu trúc trang còn dư phần trên và góc 
lệch so với đường vuông góc. 
Tạp chí Khí tượng Thủy văn 2021, 726, 1-11; doi:10.36335/VNJHM.2021(726).1-11 6 
Hình 5. (a) Minh Minh họa ảnh sau khi được cắt vùng biểu đồ ở thuật toán phân tích cấu trúc trang 
còn dư phần trên và góc lệch so với đường vuông góc (b) Ảnh kết quả sau khi phát hiện lưới và 
căn chỉnh 
Phát hiện tọa độ của các số trên biểu đồ sử dụng khớp mẫu, tìm ra những đường thẳng 
đi ngang qua các số có cùng giá trị (ví dụ 40, 50, 60). Lưu ý ở bước này, chúng ta có thể sẽ 
không tìm được toàn bộ các số cần tìm, ví dụ trên một đường nằm ngang có 4 số cần tìm 
nhưng ta có thể chỉ tìm được 2, 3 số, tuy nhiên vì ở đây ta chỉ cần tìm một đường thẳng đi 
qua các điểm nằm ngang nhau trên biểu đồ nên việc chỉ tìm được 2,3 điểm cho mỗi đường là 
đủ. Để hạn chế thiếu chính xác, bài báo tìm tất cả hệ số góc của các đường thẳng đi qua các 
điểm nằm ngang nhau trên biểu đồ rồi lấy trung bình. 
Hình 6. (a) Tọa độ các tọa độ diểm cần phát hiện trên giản đồ; (b) Xoay hình ảnh theo góc đã phát 
hiện. 
Để xác định vùng giản đồ chuẩn xác nhất, thuật toán áp dụng thêm các phép biến đổi 
hình thái học [17–19] gồm: dilate để vùng biểu đồ liền mạch với nhau, sau đó áp dụng phương 
pháp erosion để làm biến mất những khu vực nhiễu, và dilate một lần nữa để biến đổi khu 
vực mask về kích thước ban đầu. Thuật toán áp dụng thêm bước biến đổi opening này một 
lần nữa để kết quả ảnh được xử lý nhiễu tốt hơn nữa. Kết quả sau khi thực hiện hai phép biến 
đổi erosion và dilation như Hình 7. 
Hình 7. Tọa độ các tọa độ diểm cần phát hiện trên giản đồ. 
Tạp chí Khí tượng Thủy văn 2021, 726, 1-11; doi:10.36335/VNJHM.2021(726).1-11 7 
2.4. Thuật toán phát hiện line và các đối tượng khác trong giản đồ 
Phần này nghiên cứu đề xuất thuật toán tách đường line từ biểu đồ và các đối tượng khác 
trong giản đồ từ kết quả thuật toán trong phần 2.3. Để tách được line ra khỏi giản đồ nghiên 
cứu đã tích hợp các thuật toán xử lý ảnh như sau: 
 Bước 1: Tiền xử lý: 
- Resize kích thước ảnh (cụ thể là 500px theo chiều rộng). 
- Tùy vào loại giản đồ, có thể tách chuyển về không gian màu HSV hoặc giữ nguyên 
RGB do tính chất màu của đường line và lưới đo quyết định để màu đường line và lưới tách 
biệt rõ ràng hơn, ví dụ biểu diễn phân bố màu của giản đồ mưa trong Hình 8. 
Hình 8. Đồ thị 3D biểu diễn phân bố màu của ảnh giản đồ mưa trong không gian ảnh RGB (trái) và 
HSV (phải). 
Có thể quan sát thấy phân bố màu line và lưới đã được tách biệt rõ ràng hơn, thuận lợi 
cho việc tách ngưỡng ở bước tiếp theo. 
 Bước 2: Tách line theo phương pháp ngưỡng: 
- Thuật toán áp dụng một số phương pháp như Adaptive threshold, phương pháp OTSU 
để chọn ngưỡng tự động và phương án chọn ngưỡng cố định. 
 Bước 3: Hậu xử lý: 
- Sử dụng phép biến đổi hình thái closing: làm dầy (dilate) sau đó làm mòn (erosion) 
để làm cho đường line rõ nét hơn, loại bỏ nhiễu, làm mảnh đường line, và nội suy phần đường 
thiếu. Hình 9 minh họa kết quả sau khi tách line và hậu xử lý tách line. 
Hình 9. (a) Kết quả tách line trên hệ mầu HSV; (b) Kết quả sau khi áp dụng các kỷ thuật hình thái 
học, loại bỏ nhiễu, làm mảnh đường line, và nội suy phần đường thiếu. 
Tạp chí Khí tượng Thủy văn 2021, 726, 1-11; doi:10.36335/VNJHM.2021(726).1-11 8 
Đối với các loại giản đồ như ẩm, áp, nhiệt và nước thuật toán tách line đến đây là hoàn 
thành. Riêng với giản đồ mưa phức tạp hơn do trên một giản đồ có thể có nhiều line cho 
nhiều ngày. Do đó cần tách ra cho từng ngày riêng biệt. Thuật toán đưa ra giải pháp xác định 
số line của giản đồ dựa trên số lượng pixel của đường line theo hướng dọc cảu ảnh, sau đó 
tách từng line và nội suy để được kết quả cuối cùng. Hình 10 minh họa giải pháp nội suy các 
đường line giản đồ mưa trong một giản đồ. 
Hình 10. Luồng thuật toán nội suy đường line bị đứt. 
3. Kết quả và thảo luận 
Phương pháp đề xuất được đánh giá trên tập các file scan của năm loại giản đồ. Kết quả 
tách line và các đối tượng khác trên giản đồ tốt, khớp với đường line gốc. Hình 11 minh họa 
so sánh kết quả line tách được theo thuật toán đề xuất và ground truth, cho thấy kết quả khớp 
với đường line ground truth. 
Tạp chí Khí tượng Thủy văn 2021, 726, 1-11; doi:10.36335/VNJHM.2021(726).1-11 9 
Hình 11. (a) So sánh kết quả tách line theo giải pháp đề xuất (đường màu xanh) với ground truth 
(đường màu vàng) trên giản đồ mực nước; (b) So sánh kết quả tách line theo giải pháp đề xuất (đường 
màu xanh) với ground truth (đường màu vàng) trên giản đồ độ ẩm. 
Ngoài ra, phương pháp được đánh giá kiểm chứng độ chính xác qua các độ đo như: Mean 
Square Error (MSE), Dynamic Time Warping (DTW). Hình 12 minh họa kết quả đánh giá 
sai số giữa tách line theo giải pháp đề xuất với ground truth trên giản đồ nhiệt và mưa theo 
tiêu chí MSE (đường màu vàng) và DTW (đường màu đỏ). Trục hoành là chỉ số các giản đồ 
trong tháng, trục tung là sai số tỉ lệ được tính theo số lượng pixel trên giản đồ. Chúng ta thấy 
rằng, sai số pixel rất thấp, điều này chứng tỏ phương pháp đề xuất hiệu quả và chính xác cao. 
Với một vài ảnh có MSE cao hơn bình thường xẩy ra ở giản đồ bị ố mực, do vùng ố mực và 
vùng line thường chồng lên nhau và có màu giống nhau.Cũng như vậy, giá trị DTW rất thấp, 
điều này có nghĩa là khoảng cách giữa đường line detected được và đường line ground truth 
rất gần nhau. 
Hình 12. (a) Đánh giá sai số giữa tách line theo giải pháp đề xuất với ground truth trên giản đồ ẩm; 
(b) Đánh giá sai số giữa tách line theo giải pháp đề xuất với ground truth trên giản đồ nhiệt. 
4. Kết luận 
Bài báo đề xuất giải pháp nhận dạng giản đồ sử dụng các thuật toán xử lý ảnh và thị 
giác máy đơn giản nhưng hiệu quả, làm tiền đề xẩy dụng công cụ lưu trữ và số hóa dữ liệu 
giản đồ một cách tự động. Giải pháp tích hợp thuật toán phân tích cấu trúc trang, thuật toán 
phát hiện lưới và căn chỉnh và thuật toán phát hiện line. Bằng thực nghiệm trên các loại giản 
đồ lượng mưa, mực nước, độ ẩm, áp suất, nhiệt độ, hơn 90% giản đồ có thể số hóa với độ 
chính xác cao. 
Đóng góp của tác giả: Xây dựng ý tưởng nghiên cứu: P.L.P., H.H.P., H.V.; Lựa chọn phương 
pháp nghiên cứu: P.L.P., H.H.P., H.V.; Xử lý số liệu: L.T.H., M.X.H., T.V.L.; Phân tích mẫu: 
H.H.P., H.V., M.X.H., T.V.L.; Lấy mẫu: L.T.H.; Viết bản thảo bài báo: P.L.P., H.H.P., H.V.; 
Chỉnh sửa bài báo: P.L.P., H.H.P., H.V. 
Tạp chí Khí tượng Thủy văn 2021, 726, 1-11; doi:10.36335/VNJHM.2021(726).1-11 10 
Lời cam đoan: Tập thể tác giả cam đoan bài báo này là công trình nghiên cứu của tập thể 
tác giả, chưa được công bố ở đâu, không được sao chép từ những nghiên cứu trước đây, 
không có sự tranh chấp lợi ích trong nhóm tác giả. 
Tài liệu tham khảo 
1. –voi–san–xuat–va–doi–song–106/. 
2. Nhi, H.Y.; Thoa, L.T.K. Trích xuất đường bờ biển từ ảnh SENTINEL–1A khu vực 
thành phố Phan Thiết. Tạp chí Khí Tượng Thủy Văn 2019, 697, 20–25. 
3. Tình, T.V.; Phong, D.H. Sử dụng ảnh viễn thám và Gis nghiên cứu biến động đường 
bờ biển mũi Cà Mau. Tạp chí Khí tượng Thủy văn 2017, 684, 35–40. 
4. Trung, L.B.; Toán, H.M.; Phong, N.B. Nghiên cứu sử dụng số liệu định vị sét kết 
hợp với ảnh radar để cảnh báo đợt mưa lớn từ 01–06/8/2017 trên khu vực Tây Bắc. 
Tạp chí Khí tượng Thủy văn 2018, 685, 48–53. 
5. Ngà, P.T.T. Nghiên cứu tương quan giữa đặc tính mây và mưa lớn cho khu vực Hồ 
Chí Minh bằng dữ liệu vệ tinh Himawari–8 và GSMaP. Tạp chí Khí tượng Thủy văn 
2019, 702, 21–30. 
6. Công, T.T.; Quyền, L.N.; Giám, N.M.; Quyết, L.D. Ứng dụng số liệu ảnh mây vệ 
tinh Himawari trong dự báo và cảnh báo mưa dông cho khu vực Đồng bằng sông 
Cửu Long. Tạp chí Khí tượng Thủy văn 2020, 713, 1–13. 
7. Sene K. Meteorological Forecasting. In: Hydrometeorology. Springer, Cham. 2016. 
https://doi.org/10.1007/978–3–319–23546–24 
8. Bruce, J.P.; Clark, R.H. Introduction to Hydrometeorology: Pergamon International 
Library of Science, Technology. Eng. Social Stud. 2013, pp. 340. 
9. Chwala, C.; Keis, F.; Kunstmann, H. Real–time data acquisition of commercial 
microwave link networks for hydrometeorological applications. Atmos. Meas. Tech. 
2016, 9, 991–999. 
10. Walker, D.; Forsythe, N.; Parkin, G.; Gowing, J. Filling the observational void: 
Scientific value and quantitative validation of hydrometeorological data from a 
community–based monitoring programme. J. Hydrol. 2016, 538, 713–725. 
11. Zhi, W.; Feng, D.; Tsai, W.P.; Sterle, G.; Harpold, A.; Shen, C.; Li, L. From 
Hydrometeorology to River Water Quality: Can a Deep Learning Model Predict 
Dissolved Oxygen at the Continental Scale?. Environ. Sci. Technol. 2021, 55, 2357–
2368. 
12. Sene, K. Meteorological Observations. In: Hydrometeorology. Springer, Cham. 
2016. https://doi.org/10.1007/978–3–319–23546–22. 
13. Phương, P.L.; Hưng, L.T.; Huy, M.X.; Linh, T.V.; Hoài, N.X.; Hải–Hồng, P.; Hải, 
V. DigiMeto: Công cụ trợ giúp đọc giản đồ tự ghi Khí tượng thủy văn. Tạp chí Khí 
tượng Thủy văn 2021, 725, 49–59. 
14. https://nchmf.gov.vn/Kttvsite/vi–VN/1/thuy–van–12–18.html 
15. Harris, C.; Stephens, M. A combined corner and edge detector. In: Alvey vision 
conference, 1988, 147–151. 
16. https://opencv.org/ 
17. Nixon, M.S.; Aguado, A.S. Feature Extraction and Image Processing. Newnes: 
Elsevier, Oxford, 2002. 
18. Forsyth, D.A.; Ponce J. Computer Vision – A Modern Approach. Prentice Hall: 
Upper Saddle River, NJ, 2002. 
19. Gonzalez, D.C.; Woods, R.E. Digital Image Processing. Third Edition, Pearson 
Educational International Publisher, 2002. 
Tạp chí Khí tượng Thủy văn 2021, 726, 1-11; doi:10.36335/VNJHM.2021(726).1-11 11 
Develop technology solutions to recognize hydro–meteorological 
diagrams 
Pham Le Phuong1,*, Le Trung Hung1, Manh Xuan Huy2, Trieu Van Linh3, Nguyen 
Xuan Hoai3, Hai–Hong Phan4, Vu Hai5 
1 Hydro–Meteorological Information and Data Center; phuongpl80@gmail.com; 
hungtttl@gmail.com 
2 Hanoi University of Science and Technology; huy.mx161818@sis.hust.edu.vn 
3 AI Academy Viet Nam; nxhoai@gmail.com; trieuvanlinh04101998@gmail.com 
4 Military Technical Academy, Viet Nam; hongpth@lqdtu.edu.vn 
5 School of Electronics and Telecommunications, Hanoi University of Science and 
Technology; hai.vu@hust.edu.vn 
Abstract: Meteorological and hydrological chart records information, measurement data of 
rainfall, water level, humidity, temperature and other types of measured parameters. These 
parameters are collected from hydrometeorological measurement stations nationwide. The 
storage of this information is extremely important for the purpose of researching and 
forecasting weather and natural disasters in the future. However, at present, the storage of 
all types of schemas is in paper form, the reading of data depends on the expert. Therefore, 
it is difficult to guarantee the integrity of the data over time. In this paper, we propose a 
solution for schema recognition and self–recording of schema information using today's 
most advanced machine vision and artificial intelligence technologies to help store and 
digitize data, diagrams automatically. The solution integrates the page structure analysis 
algorithm, the grid detection algorithm and the alignment algorithm to combine the line 
detection algorithm and the objects in the schema to separate the line. By experiment, the 
solution has achieved high accuracy, more than 90% of the diagrams can be digitized, 
including all types of diagrams of precipitation, water level, humidity, pressure, and 
temperature. 
Keywords: Meteorological and hydrological diagrams; Identification; Image processing; 
Computer vision.