THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS

THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS. Dự báo tổ hợp là một tập hợp các dự báo bất kì được xác định tại cùng một thời điểm. Vì vậy tập...

LUẬN VĂN THẠC SỸ

THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH

RAMS

MỤC LỤC

CHƯƠNG I 6

TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP 6

1.1 CƠ SỞ LÝ THUYẾT 6

1.2 PHÂN LOẠI HỆ THỐNG DỰ BÁO TỔ HỢP 7

1.2.1 Hệ thống dự báo tổ hợp 1 chiều 7

1.2.2 Hệ thống dự báo tổ hợp 2 chiều 17

1.2.3 Hệ thống dự báo tổ hợp 3 chiều 19

1.3 CÁC PHƯƠNG PHÁP TỔ HỢP KẾT QUẢ DỰ BÁO 21

1.3.1.Trung bình đơn giản 21

1.3.2 Tính trọng số theo sai số 22

1.3.3 Tính trọng số bằng hồi quy tuyến tính 22

1.4 CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT QUẢ TỔ HỢP .23

1.4.1 Bản đồ trung bình và độ phân tán 23

1.4.2 Spagheti maps - Bản đồ ghép chồng 24

1.4.3 Dự báo đường đi của bão 24

1.5 KHẢ NĂNG VÀ HIỆN TRẠNG DỰ BÁO TỔ HỢP Ở VIỆT NAM 25

CHƯƠNG 2 27

MÔ HÌNH DỰ BÁO THỜI TIẾT QUY MÔ VỪA RAMS VÀ ÁP DỤNG DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG 27

2.1 GIỚI THIỆU VỀ MÔ HÌNH RAMS 27

2.1.1 Các phương trình cơ bản của RAMS 28

2.1.2 Cấu trúc lưới 30

2.1.3 Sai phân thời gian 31

2.1.4 Bình lưu 33

2.1.5 Các điều kiện biên 36

2.2 ÁP DỤNG MÔ HÌNH RAMS ĐỂ DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG 40

2.2.1 Chọn miền tính và cấu hình lưới 40

2.2.2 Cập nhật số liệu địa phương trong mô hình RAMS 40

2.2.3 Đánh giá khả năng dự báo quỹ đạo bão bằng mô hình RAMS cho khu vực

Biển Đông. 42

2.3 PHƯƠNG PHÁP TẠO NHÂN BAN ĐẦU VÀ NUÔI NHIỄU TRÊN MÔ HÌNH RAMS .43

2.3.1 Tạo nhân ban đầu 43

2.3.2 Nuôi những dao động phát triển nhanh 45

CHƯƠNG 3 48

THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS 48

3.1 MÔ TẢ TẬP SỐ LIỆU NGHIÊN CỨU 48

3.2 NUÔI NHIỄU PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS 49

3.3 DỰ BÁO TỔ HỢP QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHỮNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS .55

3.3.1 Cơn bão Chan chu (12-17/5/2006) 55

3.5.2 Cơn bão Prapiroon (31/07/2006-3/8/2006) 64

3.5.3 Đánh giá khả năng dự báo bão bằng phương pháp nuôi những dao động phát triển nhanh trên toàn bộ tập mẫu. 67

KẾT LUẬN 74

LỜI CẢM ƠN

Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới GS TS Trần Tân

Tiến, là người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này

Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy

văn - Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn quý

báu, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian

tôi học tập và thực hành ở Khoa

Tôi cũng xin cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự

nhiên đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn

Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân

và bạn bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều

kiện tốt nhất cho tôi trong suốt thời gian học tập tại trường

Công Thanh

MỞ ĐẦU

Ngày nay ngành công nghệ thông tin phát triển mạnh mẽ, nhờ đó các mô hình dự báo thời tiết số trị cũng phát triển Cùng với sự phát triển của mô hình

số, dự báo tổ hợp đã và đang trở nên rất phổ biến trên thế giới Bản chất của

dự báo tổ hợp là sử dụng kết quả từ nhiều dự báo thành phần khác nhau để đưa ra một kết quả dự báo tối ưu nhất Tuy nhiên, phương pháp cụ thể để tạo

ra các thành phần dự báo và cách tổng hợp kết quả của chúng lại có thể rất khác nhau Dự báo tổ hợp đã có một quá trình phát triển tương đối lâu dài kể

từ những công trình đầu tiên của Lorenz (1963, 1965) đề cập đến tầm quan trọng của của điều kiện ban đầu đối với kết quả tích phân của các mô hình Cho đến nay, dự báo tổ hợp đã được phát triển và ứng dụng rất đa dạng tại

nhiều nơi và cho các mục đích khác nhau

Phần lớn các hệ thống dự báo tổ hợp nghiệp vụ trên thế giới đều dựa trên phương pháp tạo nhiễu động ban đầu và tích phân mô hình số trị với các trường ban đầu đó để tạo nên tổ hợp dự báo Chính vì những lý do trên, việc nghiên cứu ứng dụng dự báo tổ hợp dựa trên phương pháp tạo nhiễu ban đầu với mô hình số để dự báo đường đi của bão được đặt ra trong luận văn là phù hợp và khả thi với điều kiện hiện nay Cụ thể, nội dung luận văn là nghiên cứu dự báo tổ hợp bằng phương pháp nuôi những dao động phát triển nhanh của mô hình RAMS để tạo ra trường khí tượng ban đầu, các trường ban đầu này sẽ được đưa vào mô hình RAMS dự báo hạn 72 giờ, các kết quả dự báo được tổ hợp bằng cách lấy trung bình đơn giản và sử dụng để dự báo bão

Dựa trên những mục tiêu và nội dung của luận văn sẽ được bố cục thành các phần sau:

MỞ ĐẦU

CHƯƠNG I:

TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP

CHƯƠNG 2:

MÔ HÌNH DỰ BÁO THỜI TIẾT QUY MÔ VỪA RAMS VÀ

ÁP DỤNG DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG

CHƯƠNG 3:

THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS

KẾT LUẬN

CHƯƠNG I TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP

1.1 CƠ SỞ LÝ THUYẾT

Dự báo tổ hợp là một tập hợp các dự báo bất kì được xác định tại cùng một thời điểm Vì vậy tập hợp các dự báo trễ, các dự báo từ trung tâm nghiệp

vụ khác nhau hoặc các mô hình khác nhau đều có thể tạo ra được một dự báo

tổ hợp Từ đầu những năm 1990, kỹ thuật dự báo tổ hợp đã được sử dụng để

dự báo thời tiết ở các trung tâm toàn cầu Ý tưởng của dự báo tổ hợp dựa trên

lý thuyết rối của Lorenz (1963) [52] với giả thuyết rằng: “các nghiệm số thu được trong quá trình tích phân mô hình theo các điều kiện ban đầu khác nhau (có chứa sai số) có thể phân kì theo thời gian”.Điều này được giải thích bằng hiệu ứng Butterfly: do bản chất phi tuyến của các phương trình mô tả khí quyển nên những sai số nhỏ không thể đo được trong trạng thái ban đầu của khí quyển sẽ trở thành những sai số đủ lớn sau một khoảng thời gian tích phân (10 – 14 ngày) Vì vậy, kết quả dự báo không sử dụng được cho dù mô hình là hoàn hảo

Trái lại, nếu các điều kiện ban đầu đó được gây nhiễu với giá trị nhiễu

có đặc trưng cho phân bố như phân bố của sai số quan trắc thì việc tổ hợp các nghiệm từ các điều kiện ban đầu có gây nhiễu này (mỗi điều kiện ban đầu là một thành phần tổ hợp) bao phủ nghiệm thực và trạng thái thực của khí quyển khi mô hình dự báo hoàn hảo Nếu các nhiễu không đặc trưng cho phân bố sai

số của trường ban đầu thì kết quả dự báo có thể nằm ở một trong các nhóm, trong khi trạng thái khí quyển thực xảy ra trong các nhóm khác Nếu chọn phân bố sai số tương xứng thì dựa trên các dự báo thành phần sẽ thu được dự báo cuối cùng bằng việc áp dụng phương pháp thống kê hoặc phương pháp lấy trung bình sẽ cho dự báo tốt hơn dự báo thành phần

Bằng cách tính trung bình tổ hợp các kết quả dự báo, những sai số dự báo xảy ra do điều kiện ban đầu được loại bỏ dẫn đến kết quả dự báo tốt hơn Đối với dự báo quỹ đạo bão (XTNĐ), phương pháp tổ hợp giữ vai trò quan trọng Giữa thập niên 1990, kỹ thuật dự báo tổ hợp được nghiên cứu cho bài toán dự báo XTNĐ, đặc biệt là dự báo quỹ đạo Việc ứng dụng này xuất phát từ thực tế là trường phân tích và trường dự báo từ các mô hình toàn cầu thường không mô tả đúng vị trí, cấu trúc và cường độ của xoáy thuận nhiệt đới do mạng lưới quan trắc tại các vùng biển nhiệt đới còn ít, chưa đủ theo yêu cầu, vì vậy mà những sai số trong các trường ban đầu này sẽ ảnh hưởng đến kết quả dự báo XTNĐ

1.2 PHÂN LOẠI HỆ THỐNG DỰ BÁO TỔ HỢP

Hệ thống dự báo tổ hợp có thể phân chia thành 3 loại chính: hệ thống 1 chiều, 2 chiều và 3 chiều

1.2.1 Hệ thống dự báo tổ hợp 1 chiều

Điều kiện độ bất định (uncertainty) của trường ban đầu được coi là hệ thống dự báo tổ hợp 1 chiều có chứa điều kiện nhiễu ban đầu Ba đặc tính cơ bản cần phải tuân theo khi tạo nhiễu: Tính sát thực, tính phân kỳ, tính trực giao Tính sát thực là độ lớn của nhiễu cần nằm trong cỡ của sai số phân tích thực và đặc trưng cho phân bố phổ thực tế trên quy mô không gian Độ bất định của trường ban đầu là lớn ở trong các sóng quy mô nhỏ (khó quan trắc được) và độ bất định của trường ban đầu là nhỏ trong các sóng quy mô lớn (dễ quan trắc được) Tính phân kỳ là các nhiễu cần có cấu trúc phát triển động lực trong các thành phần sao cho các thành phần này phân nhánh nhiều nhất trong quá trình tích phân mô hình để chúng chứa tất cả các trường hợp có thể xảy ra trong không gian của mô hình Tính trực giao là các nhiễu thành phần cần được trực giao để cực đại hóa dung lượng thông tin chứa trong tổ hợp, điều này đặc biệt quan trọng trong dự báo tổ hợp các quá trình quy mô nhỏ

Điều kiện hay trạng thái ban đầu cần được tạo nhiễu bao gồm trạng thái bên trong, biên trên, biên dưới và biên xung quanh (nếu là khu vực giới hạn) Hiện nay có 5 (hoặc nhiều hơn) phương pháp khác nhau tạo nhiễu các trường ban đầu (trường thực và trường phân tích) đặc biệt là cho trạng thái bên trong của trường ban đầu

1 Nhiễu ngẫu nhiên (phương pháp Monte Carlo): nhiễu được sinh

ra ngẫu nhiên dựa trên phương pháp thống kê (thường lấy phân bố chuẩn) Do vậy, nhiễu ngẫu nhiên mô tả tốt độ lớn trung bình của độ bất định trường ban đầu trong phân tích (tính sát thực), nhưng nó có những hạn chế trong việc phát triển cấu trúc không gian động lực và không phản ánh được “sai số ngày” Kết quả là, nhiễu phát triển với tốc độ chậm và do đó, tính phân kỳ giữa các thành phần trong trường hợp này thường không lý tưởng Phương pháp tạo nhiễu ngẫu nhiên thường được dùng ở những nơi mà ở đó không có phương pháp nào tốt hơn

2 Phương pháp dự báo trễ thời gian (dự báo trễ): gồm có 2 loại dự

báo chính: “dự báo trễ trực tiếp” và “dự báo trễ có chuẩn hóa” (Hoffman và Kalnay, 1983) [40]

Phương pháp dự báo trễ trực tiếp là phương pháp đưa nhiều dự báo với đầu vào là các thời điểm khác nhau trong quá khứ nhưng cùng hướng tới một thời điểm tổ hợp (một sự kết hợp của các dự báo cũ

và mới) Phương pháp này có thể chỉ ra lỗi của một dự báo cũ tại thời điểm t=0 (thời điểm ban đầu) một cách trực tiếp như một nhiễu của trường ban đầu, chúng có thể phản ánh “sai số ngày” và có cấu trúc động lực phát triển của độ tán tổ hợp lớn hơn so với phương pháp nhiễu ngẫu nhiên Ưu điểm của của phương pháp này là nhiễu sinh ra hoàn toàn tự do và không cần định hướng sinh nhiễu trường

ban đầu cho tổ hợp, có nghĩa là tất cả các trung tâm dự báo số trị có thể dùng loại dự báo này để tổ hợp một cách tự động Tuy nhiên, sự quan tâm chính là chất lượng (độ lớn) của nhiễu phụ thuộc vào tuổi của một dự báo bởi vì chất lượng của dự báo giảm theo thời gian

Để tránh điểm yếu này, sai số dự báo trong quá khứ trước tiên được chuẩn hóa nhờ vào “tuổi” của chúng (giả thiết sự phát triển của sai

số là gần như tuyến tính) tại thời điểm t=0 để có được độ lớn như nhau với tất cả các nhiễu và sau đó cộng thêm hoặc trừ đi với trường phân tích kiểm tra (control analysis) nhằm mục đích tạo ra đa phân tích làm trường ban đầu cho tổ hợp dự báo (Ebisusaki và Kalnay, 1983; Kalnay 2003) [44] Phiên bản sau khi sửa chữa này được gọi

là phương pháp trễ có chuẩn hóa và có thể biểu diễn đơn giản bằng phương trình sau:

Nhiễu ban đầu= Chuẩn hóa x (dự báo trễ - phân tích hiện tại) (1.1)

Nhiễu này không những có khả năng kiểm soát kích cỡ nhiễu mà còn tạo ra một cặp thành phần tổ hợp bằng cách cộng trừ nó với trường phân tích kiểm tra Phương pháp dự báo trễ có cùng ý tưởng

và có quy trình kỹ thuật tương tự với phương pháp nuôi nhiễu (sẽ được trình bày ở phương pháp 3) Phương pháp trễ đã và đang được

sử dụng trong rất nhiều nghiên cứu tổ hợp và trong nghiệp vụ ví dụ như tại hệ thống tác nghiệp dự báo tổ hợp theo mùa (Saha và các cộng sự, 2006; Hou và các cộng sự, 2001; Lu và các cộng sự, 2006; Brankovic và các cộng sự, 2006; Mittermaier, 2007) [71][41][54][15][58] Nhược điểm của phương pháp dự báo trễ đó là

nó không thể tạo được tổ hợp với các thành phần có kích cỡ đủ lớn bởi vì số lượng mẫu dự báo cũ có chất lượng tốt có thể sử dụng bị giới hạn trong thực tế Mặt khác, chất lượng của dự báo sẽ bị giảm

xuống đáng kể nếu mẫu dự báo quá cũ chứa đựng một tổ hợp kích

cỡ lớn Bên cạnh đó, các dự báo trễ thường được sử dụng như là

“nhân ban đầu” để khởi động lạnh cho một tổ hợp ví dụ như phương pháp nuôi nhiễu

3 Phương pháp nuôi nhiễu:

Tên khác của phương pháp nuôi nhiễu còn được gọi là nuôi nhiễu

động phát triển nhanh (Breeding of Growing Modes viết tắt BGM)

Một dạng khác của phương pháp dự báo trễ, phương pháp BGM sử dụng hai dự báo đồng thời (tại một thời điểm quá khứ gần t=-T) như

là một dự báo trễ và số liệu phân tích để tính nhiễu mới tại thời điểm t=0 Sự khác biệt của phương pháp BGM so với phương pháp dự báo trễ là có sử dụng công thức chuẩn hóa và nhân ban đầu được cộng hoặc trừ cho trường phân tích kiểm tra (Toth and Kalnay, 1993 and 1997) [76][77] Để tạo nhân ban đầu ta có thể dùng phương pháp dự báo trễ Bằng cách này, chúng ta có thể tạo ra nhiều nhân ban đầu và có được kích cỡ tổ hợp lớn tại thời điểm ban đầu để bắt đầu phương pháp BGM Do đó, phương pháp BGM có thể vượt qua mọi giới hạn của phương pháp dự báo trễ, tất cả các dự báo quá khứ giờ đều có thể sử dụng cùng lúc, các đại lượng chuẩn hóa không cần dựa vào tuổi dự báo Nhiễu bây giờ có thể được biểu diễn một cách đơn giản theo phương trình (1.2)

Nhiễu ban đầu = Chuẩn hóa x (dự báo 1 - dự báo 2) (1.2)

So sánh phương trình (1.1) với phương trình (1.2), có thể nhận ra rằng nhiễu trong phương pháp BGM không chỉ thuần túy là sai số của một dự báo mà còn là sự khác nhau giữa hai dự báo quá khứ, nó

là sự mở rộng phi tuyến của véc tơ Lyapunov (Kalnay, 2003) [44] Kinh nghiệm của trung tâm dự báo tổ hợp hạn ngắn (NCEP SREF)

chỉ ra rằng véc tơ nuôi trở nên có cấu trúc và quá trình phát triển của

độ tán trong tổ hợp đủ lớn khi mà quá trình nuôi nhiễu được thực hiện trong khoảng từ hai đến ba ngày tính từ lúc khởi động lạnh với nhân ban đầu là ngẫu nhiên Toth và Kalnay chỉ ra rằng cấu trúc không gian của một véc tơ nuôi trưởng thành không nhạy với quy

mô thời gian (T) và thường được chọn có quy tắc Véc tơ nhiễu nuôi này phản ảnh tốt lỗi phân tích (sai số ngày) được đưa vào trong chu trình đồng hóa số liệu (tính sát thực) Mặc dù có sự khác nhau giữa các dự báo quá khứ nhưng về cơ bản phương pháp đã phản ánh được sai số cấu trúc phát triển của chu trình trong quá khứ nhưng không chỉ ra được sai số cho dự báo tương lai Thực nghiệm cho thấy rằng véc tơ nhiễu nuôi phát triển (tính phân kỳ) tốt trong thực

tế và cho kết quả tốt hơn cách sử dụng cả hai phương pháp Monte Carlo và dự báo trễ (Toth và kalnay, 1993 và 1997) Bởi vì phương pháp này đơn giản, nó không cần sự đơn giản hóa toán học hay giả thiết và dễ dàng thực hiện, tốn ít tài nguyên máy tính và cho không gian tổ hợp tốt, nó được sử dụng và kiểm tra ở các trung tâm dự báo lớn như tại hệ thống tổ hợp của NCEP (Du và Tracton, 2001; Tracton và Kalnay, 1993) [24][79] và CMA (trung tâm quản lý khí tượng Trung Quốc) Tuy nhiên, các thành phần tổ hợp của véc tơ nuôi này là không đủ trực giao và chúng có tương quan cao nên kết quả là lượng thông tin tốt nhất chứa trong một tổ hợp bị giảm (Wang

và Bishop, 2003; Martin và các cộng sự, 2007) [85][55] Một kết quả khác là độ tán phát triển của tổ hợp (chủ yếu là độ lớn chứ không phải cấu trúc) gần như quan hệ với độ khuếch đại ban đầu của véc tơ nuôi Để trực giao các véc tơ nuôi, kỹ thuật biến đổi tổ hợp (ET) được sử dụng để làm cho các véc tơ nuôi trực giao với

nhau hơn bằng cách áp dụng ma trận chuyển vị phức để chuyển nhiễu dự báo thành nhiễu phân tích (Wei và các cộng sự, 2007) [88] Kinh nghiệm chỉ ra rằng kỹ thuật ET có thể tăng kết quả tổ hợp qua phương pháp nuôi cơ bản Do đó, ET đã được áp dụng tại hệ thống

tổ hợp toàn cầu của NCEP để làm cải thiện phương pháp BGM (Wei

và các cộng sự, 2007) Một phương pháp khác được đưa ra để phát triển phương pháp nuôi cơ bản được gọi là phương pháp nuôi hình học Phương pháp này kiểm soát không gian tương quan của số lượng thành phần véc tơ nuôi để làm chúng giảm tương quan với nhau (Martin và các cộng sự, 2007) [55] Phương pháp nuôi hình học cho độ tán tốt hơn so với phương pháp nuôi cơ bản Bởi vì véc

tơ nuôi chủ yếu mô tả bất ổn định tà áp (baroclinic instability) quy

mô synop nhưng không đúng với bất ổn định đối lưu quy mô nhỏ hơn (Toth và Kalnay 1993) Tuy nhiên, chúng ta luôn mong muốn

có được bất ổn định quy mô nhỏ hơn trong nhiễu của một hệ thống

dự báo tổ hợp quy mô vừa cho mục đích dự báo, vì như thường nói, các hệ thống đối lưu có liên hệ chặt chẽ tới các hiện tượng giáng thủy Chen và các cộng sự (2003) [19] cho rằng sự khác nhau của 2

dự báo từ cùng một mô hình nhưng với các phiên bản khác nhau về

sơ đồ đối lưu (thay cho một phiên bản như trong phương pháp nuôi truyền thống) sẽ giúp mô tả bất ổn định đối lưu trong nhiễu và do đó cải thiện kết quả dự báo trong việc dự báo mưa (giáng thủy) lớn Mặt khác, tùy vào đặc điểm có quy mô nhanh, nhỏ, chóng bão hòa hay dao động có quy mô chậm, lớn, nghiêng trái trong quá trình nuôi, nuôi véc tơ nhiễu là phương pháp tốt để sử dụng cho hệ thống

dự báo tổ hợp tương tác biển khí mà chủ yếu liên quan tới các kiểu thời tiết biến đổi chậm (Cai và các cộng sự, 2002; Yang và các cộng

sự, 2006) [17][92] Gần đây, giáo sư Eugenia Kalnay (2007) nhận xét rằng véc tơ nuôi có khả năng dự báo sự chuyển tiếp của thời tiết

4 Phương pháp phân tích véc tơ kỳ dị (SV):

Phương pháp này trước tiên cần để phát triển một phiên bản tuyến tính của một mô hình phi tuyến (được gọi là mô hình tiếp tuyến tuyến tính viết tắt là TLM) được xem như là phương pháp Adjoint (Errico,1997) [35] của TLM Sau một khoảng thời gian trong tương lai tối ưu cần thiết ví dụ từ 0-48h, TLM được tích phân theo thời gian, sau đó tích phân ngược bằng phương pháp Adjoint theo thời gian để tìm ra không gian ban đầu nhạy với dự báo (tại thời điểm t = 48h) Chu trình “tiến và lùi” này cần được tích phân nhiều lần để thu được các véc tơ dẫn đường kỳ dị Sau đó, quá trình kết hợp tuyến tính bao gồm chuẩn hóa và trực giao được luân phiên áp dụng vào véc tơ để xây dựng số nhiễu yêu cầu Cộng hoặc trừ các nhiễu vào trường phân tích kiểm tra, một tổ hợp dự báo được hình thành Không giống véc tơ nuôi, cấu trúc của SV là nhạy với quy tắc sử dụng và với lựa chọn chu trình thời gian (Errico và Vukiceric, 1992; Palmer và các cộng sự, 1998) [36] [69] Trung tâm dự báo hạn vừa châu âu (ECMWF) chọn năng lượng tổng cộng là tiêu chuẩn và 0-48h là chu trình thời gian để tính các véc tơ kỳ dị trong hệ thống tổ hợp toàn cầu của họ (Buizza, 1994; Palmer và các cộng sự, 1998) [16] Rõ ràng là các SV là một phương pháp nhìn về tương lai hơn

là nhìn về quá khứ như phương pháp nuôi nhiễu

Độ lớn tối ưu trong toán học (mathematically optimizes) của nhiễu phát triển và trực giao hóa có độ tán tổ hợp lớn và chứa nhiều thông tin vào trước thời điểm dự báo Phương pháp SV được sử dụng rộng rãi và đã được kiểm tra trong cả nghiên cứu và nghiệp vụ như tổ hợp

khu vực tại ECMWF và Trung tâm khí tượng Canada (Li và các cộng sự, 2007) [51] Một bất lợi của phương pháp này đó là tài nguyên tính toán vì số bước tích phân “tiến lùi” thường đòi hỏi gấp

3 lần số SV mà bạn muốn tạo ra (ví dụ nó cần tích phân khoảng 3x50x2=300 lần cho dự báo 48h để thu được 50 SV cực đại hóa sau 48h) Do đó số SV cần phải được tính toán khi tăng độ phân giải mô hình và tiết kiệm thời gian tính toán khi ứng dụng Một bất lợi khác của phương pháp này đó là hạn dự báo cần được xác định tại thời điểm mà SV được chọn phát triển tối ưu Do đó các tổ hợp dựa vào

SV có thể không đạt được tối ưu do quá trình thực hiện phải qua khoảng thời gian dài Giả thiết tuyến tính mà nhiễu là đủ nhỏ để cho

sự phát triển của nó có thể bị thống trị bởi phiên bản tuyến tính (TLM và Adjoint) của một mô hình phi tuyến và cũng liên quan tới việc tính toán các SV cơ bản mặc dù nó có đặc tính phi tuyến ở một

số cấp độ bằng cách tính toán và tổ hợp các SV đa thành phần Để

bỏ qua giả thiết tuyến tính, một vài kết quả đã đạt được như sửa quá trình tích phân (Oortwin và Barkmejer, 1995, Barkmeijer, 1996) [66][10], giới thiệu khái niệm véc tơ kỳ dị phi tuyến (Mu, 2000) và điều kiện của phương pháp cực đại hóa nhiễu phi tuyến (CNOP) (Mu và các cộng sự, 2003; Mu và Zhang, 2006) [59][60] Với mô hình đơn giản, phương pháp CNOP đã cho thấy sự cải thiện về chất lượng của dự báo các đặc tính phi tuyến trong nhiễu so với phương pháp SV mặc dù vẫn cần được tiếp tục nghiên cứu với những mô hình NMP đầy đủ Thêm quá trình vật lý ẩm vào TLM và Adjoint (Ehrendorfer và các cộng sự, 1999) [34] là một bước khác để tiến gần tới thực tiễn và cho kết quả tốt hơn Bởi vì SV là một kỳ vọng toán học và tập trung vào sự phát triển cấu trúc nhiễu trong tương lai

mà không liên quan trực tiếp tới quá khứ, nên một câu hỏi đặt ra là nhiễu SV có thực sự phản ảnh sai số ngày mà luôn thấy được trong quá trình đồng hóa số liệu vừa qua? Những nghiên cứu sau đang nhắm tới những quan tâm kiểu đó và đã cải tiến kết quả (Barkmeijer

và các cộng sự, 1998; Fischer và các cộng sự, 1998) [14][37]: ví dụ phương pháp mở rộng SV bằng cách thêm véc tơ kỳ dị cuối hoặc

mở rộng từ chu trình ngay trước đó, khoảng 48h trước thời điểm bắt đầu chạy mô hình (thời gian phân tích) của chu trình nhiễu SV tiếp theo; Dùng sự đồng biến phương sai để thay thế năng lượng toàn phần như là một quy tắc tính các SV; và ứng dụng Kalman filter… Kết quả nhiễu SV này gần với véc tơ Lyapunov hoặc véc tơ nuôi cho cả phương pháp mở rộng SV và phương pháp sử dụng đồng biến phương sai (Kalnay, 2003; Reynolds và Errico, 1990) [44][70]

5 Kết hợp với đồng hóa số liệu:

Phiên bản đơn giản nhất của phương pháp này là dùng trực tiếp nhiều phân tích có thể để làm trường ban đầu cho một dự báo tổ hợp (Tracton và các cộng sự, 1998; Grimit và Mass, 2002) [78][38] Tuy nhiên, số lượng các phân tích có thể tương đối là giới hạn, nó sẽ giới hạn kích cỡ của tổ hợp Bằng nhiễu quan trắc, (Houtekamer và các cộng sự 1996) và Mitchell (1998) [42] muốn tạo ra nhiều số liệu phân tích cơ bản để bắt đầu hệ thống tổ hợp toàn cầu của họ Phương pháp này mở ra một hướng nghiên cứu tạo nhiễu cơ bản của trường ban đầu cho tổ hợp do đó được gọi là phương pháp biến đổi

tổ hợp lọc Kalman (ETKF) (Anderson,1996) [10] Phương pháp ETKF được nghiên cứu chi tiết hơn bởi Wang và Bishop (2003) [84], Wang và các cộng sự (2004) [85], Wei và các cộng sự (2006) [89] cho tổ hợp phát triển Trong nghiên cứu của họ, ETKF chuyển

nhiễu dự báo vào trong nhiễu phân tích bằng cách nhân một ma trận ánh xạ Sử dụng thông tin quan trắc, độ lớn của nhiễu phân tích được điều chỉnh trước khi nhiễu được cộng vào trường phân tích kiểm tra để làm trường ban đầu của dự báo tổ hợp Ma trận ánh xạ

đã dùng cũng có thể đảm bảo tất cả nhiễu trực giao với nhau, một tài nguyên cần thiết cho dự báo tổ hợp Mặc dù ETKF không được sử dụng trong quá trình đồng hóa số liệu để trực tiếp tạo ra nhiều trường phân tích trong nghiên cứu của họ, nhưng bản thân ETKF có thể là một kỹ thuật đồng hóa dữ liệu tổ hợp cơ bản (Tippett và các đồng nghiệp, 2003; Anderson, 2001; Whitaker và Hamil, 2002; Ott

và các cộng sự, 2004; Szunyogh và các cộng sự, 2004; Hamil, 2006; Zhang và các cộng sự, 2004; Wang và các cộng sự, 2007) [75][11][90][68][73][95] Do đó, người ta tin tưởng rằng phương pháp ETKF có một tiềm năng lớn để trực tiếp liên kết dự báo tổ hợp với đồng hóa số liệu (DA) vào trong một quy trình thống nhất trong

hệ thống dự báo thời tiết; Sự thay đổi tổ hợp dự báo cung cấp thông tin đồng biến phương sai nền cho DA, trong khi DA cung cấp các trường dự báo để làm trường ban đầu cho dự báo tổ hợp Trong một

hệ thống tương tác như thế, không những hệ thống dự báo tổ hợp có thể tăng được tính sát thực của nhiễu trường ban đầu mà còn phản ánh đúng sai số ngày trong trường phân tích, mà chất lượng của trường phân tích cũng được cải thiện bằng cách sử dụng thông tin ít phụ thuộc vào trường nền (Hamill, 2006; Zhang,2005) [39][93] Do

đó, người ta tin rằng phương pháp ETKF có một tiềm năng lớn Phương pháp này có đã được sử dụng trong nghiệp vụ tại Cơ quan

Dự báo Vương quốc Anh (Mylne, liên hệ trực tiếp) và lực lượng Thủy – không quân Mỹ (McLay và các cộng sự, 2007) [56]

1.2.2 Hệ thống dự báo tổ hợp 2 chiều

Bên cạnh độ bất định của trường ban đầu, độ bất định trong cơ cấu vật

lý và động lực mô hình cũng được quan tâm Hệ thống dự báo tổ hợp 2 chiều

đề cập đến nghiên cứu này Hiện nay, có rất nhiều giải pháp đã sử dụng theo hướng này như hệ thống đa mô hình, đa cơ chế vật lý, đa động lực, đa tổ hợp với độ bất định của trường ban đầu và đa tổ hợp với điều kiện biên Dựa vào những kết quả nghiên cứu như của Mullen và các cộng sự (1999) hay của Tracton và các cộng sự (1998), NCEP đã tiên phong thực hiện nghiệp vụ một

hệ thống dự báo tổ hợp hạn ngắn dựa trên phương pháp “hệ thống đa tổ hợp” bao gồm 2 hệ thống tổ hợp thành phần ở đó mỗi hệ thống lại dựa trên những

mô hình khu vực khác nhau từ ngay khi bắt đầu phát triển chúng (Du and Tracton, 2001) [25] Hiện nay NCEP SREF gồm có 4 tổ hợp thành phần với 4

mô hình khu vực (Du và các cộng sự , 2006) Rõ ràng phương pháp hệ thống

đa tổ hợp là một sự kết hợp quan trọng của nhiều mô hình, nhiều cơ chế động lực, nhiều cơ chế vật lý, nhiều trường ban đầu và nhiều điều kiện biên ban đầu Hệ thống tổ hợp đa mô hình được coi là một phương pháp đặc biệt, nó đã

và đang được chứng minh là rất hiệu quả và làm việc rất tốt (trong cả 2 vấn đề giảm sai số của tổ hợp dự báo trung bình cũng như tăng không gian tổ hợp) trong nghiệp vụ (Du và các cộng sự 2003; Mylne và các cộng sư; 2002) [26] [65] Phiên bản đơn giản nhất của tổ hợp đa mô hình được gọi là tổ hợp Poor-Man (Người nghèo) nơi nhiều dự báo riêng biệt của nhiều mô hình được kéo lại gần nhau để tạo ra một tổ hợp nếu một mô hình không đủ khả năng để tự chạy tổ hợp của chính nó (Wobus và Kalnay, 1995; Ebert, 2001) [91][32] Phương pháp đa mô hình ngày nay đã được chấp nhận và sử dụng rộng rãi Một phát triển gần đây của phương pháp đa mô hình đó là sự kết hợp của nhiều hệ thống đa tổ hợp từ nhiều trung tâm như TIGGE (tổ hợp các ảnh hưởng nghiêm trọng toàn cầu THORPEX), NAEFS (hệ thống tổ hợp dự báo

Bắc Mỹ), các trung tâm ứng dụng quốc tế khác, và được gọi là tổ hợp Man (người giàu) Rõ ràng một bất lợi của phương pháp đa mô hình là giá thành để phát triển và duy trì nhiều mô hình nếu chúng được chạy bởi một đơn vị nghiên cứu Thêm vào đó, phương pháp đa mô hình cũng có thể sử dụng phương pháp “siêu tổ hợp” của trường đại học bang Florida (Krishnamurti, 1999) [50] nó sẽ mang lại tính tất định hơn Phương pháp này

Rich-đã tăng đáng kể độ chính xác của dự báo khi hiệu chỉnh sai số hệ thống Tuy nhiên, phương pháp này chỉ cung cấp giải pháp tất định (deterministic) thích hợp nhất mà không đưa thêm giá trị dự báo hoặc thông tin bất ổn định nào

Trong một mô hình, một tổ hợp có thể được tạo thành bằng cách thay đổi sơ đồ vật lý của các thành phần Phương pháp đa cơ chế vật lý có hiệu quả trong dự báo hệ thống đối lưu yếu với tác động quy mô lớn (Stensrud và các cộng sự, 2000; Jankov và các cộng sự, 2005) [72][43] Sử dụng nhiều sơ đồ đối lưu, Du và các cộng sự (2004) [27] đã so sánh những yếu tố liên quan của nhiều cơ chế vật lý và nhiễu trường ban đầu đóng góp vào độ tán của tổ hợp trong dự báo hạn ngắn (1-3 ngày) Kết quả của họ chỉ ra rằng độ bất định của trường ban đầu là thành phần đóng góp nổi trội cho độ tán của tổ hợp các trường nền quy mô lớn như gió, áp suất, độ cao (địa thế vị) và nhiệt độ, trong khi các cơ chế vật lý khác nhau sẽ cung cấp thêm những thông tin về độ tán

để phân biệt những khu vực giông bão quy mô nhỏ Tuy nhiên, đối với giáng thủy và bất ổn định đối lưu như CAPE, các trường ban đầu và cơ chế vật lý khác nhau đều được đánh giá quan trọng như nhau Với trường hợp tổ hợp dự báo quỹ đạo bão có độ phân giải cao (4 km) cũng có cùng nhận định (Kong và các cộng sự, 2007) [49] Do đó, ta thấy cả trường ban đầu và cơ chế vật lý khác nhau đều cần được lưu tâm tới cùng một lúc khi dự báo tổ hợp quy mô meso để làm tăng sự đa dạng của dự báo Với NCEP SREF, người ta thấy rằng sự ảnh hưởng giữa nhiễu trường ban đầu và nhiễu vật lý quả thực làm

tăng đáng kể không gian tổ hợp trong mùa nóng Ngược lại, khi kết hợp nhiễu trường nền và nhiễu vật lý với nhau mặc dù ảnh hưởng từ các cơ chế vật lý khác nhau nhưng có vẻ như giảm không gian tổ hợp trong mùa lạnh Đa cơ chế vật lý được hi vọng có thể là cách hiệu quả để xây dựng hệ thống tổ hợp cho đối lưu ở khu vực chí tuyến Một vấn đề cần được lưu ý của phương pháp

đa cơ chế vật lý là thay thế sơ đồ vật lý khác nhau làm tốc độ phát triển của độ tán tổ hợp ban đầu sớm bị dập tắt theo thời gian và không thể tồn tại được đến hết thời hạn dự báo

Một vấn đề cần được nghiên cứu đó là vai trò cơ chế đa động lực liên quan tới đa cơ chế vật lý trong xác định độ tán tổ hợp quan trọng thế nào Một

số người kì vọng rằng vật lý có thể quan trọng hơn động lực trong sự đa dạng của dự báo Thực tế tại các trung tâm dự báo số trị đang nghiên cứu là: nên để một mô hình là nhân hay nhiều mô hình là nhân để duy trì trong hệ thống tổ hợp Luôn dễ dàng hơn và rẻ hơn khi chỉ duy trì một cơ chế động lực của mô hình làm nhân nhưng biến đổi cơ chế vật lý để tổ hợp

1.2.3 Hệ thống dự báo tổ hợp 3 chiều

Chiều quá khứ (past-time dimension) đóng vai trò quan trọng trong hệ thống dự báo tổ hợp 3 chiều Nếu chúng ta hiểu và sử dụng được chiều quá khứ chính xác thì nó sẽ giúp chúng ta nhìn nhận vấn đề trong tương lai đúng đắn hơn Chiều quá khứ được coi là một chiều bên cạnh biến đổi trường ban đầu và mô hình, đó là một mặt quan trọng của dự báo thời tiết (Cao, 2002) [18] Tổ hợp trực tiếp dự báo trễ là một phương pháp tiêu biểu đưa chiều quá khứ vào tổ hợp Cấp độ của tính đồng nhất từ lần chạy này đến lần chạy khác trong quá khứ là sự đánh giá của độ bất định trong dự báo: tính đồng nhất cao hay thấp sẽ cho biết khả năng dự báo cao hay thấp trong một hiện tượng Lợi ích chính của việc sử dụng chiều quá khứ là chất lượng dự báo tăng cùng với

tuổi của dự báo Dự báo cũ cho kết quả xấu hơn so với dự báo mới hơn Tuy nhiên cũng như chất lượng mô hình và trường ban đầu được cải thiện, có thể

nó sẽ hoàn toàn không còn đúng nữa nếu thời gian quá khứ là quá cũ Ví dụ, ít khi chúng ta thấy trường hợp dự báo 48h lại chính xác hơn dự báo 24h Tần

số chạy các mô hình tại các trung tâm dự báo số trị tăng lên do vậy thông tin chứa trong chu trình dự báo ở quá khứ cũng tăng và các thông tin này cần được sử dụng hiệu quả và kinh tế hơn Một lợi ích của chiều này đó là nó không bị mất đi trong quá trình tích phân mô hình Tuy nhiên chưa có nhiều nghiên cứu về phương pháp tổ hợp 3 chiều nhằm giúp người nghiên cứu nhận

ra được tầm quan trọng của chiều không gian trong dự báo tổ hợp

Thực tế, tại các trung tâm dự báo, hệ thống tổ hợp đa quy mô là cần thiết để phục vụ cho nhiều mục đích của dự báo Những hệ thống này nên làm việc tương tác và gắn kết với nhau bằng nhiều cách thích hợp Mỗi mô hình

có tính đơn trị của nó trong quá trình xây dựng và đánh dấu những vấn đề đơn trị của chính nó Ví dụ: một mô hình dự báo tổ hợp về khí hậu thường tập trung vào hướng biến đổi khí hậu, ảnh hưởng của khí nhà kính tới sự nóng lên của trái đất hoặc những vấn đề biến đổi của tự nhiên; một hệ thống dự báo tổ hợp mùa thì quan tâm đến quy mô tháng, năm của xu thế thời tiết; một hệ thống dự báo tổ hợp toàn cầu thì quan tâm đến dòng nền quy mô lớn hạn vừa 3-14 ngày và nguồn cung cấp nhiệt; một hệ thống dự báo tổ hợp khu vực lại quan tâm đến những hiện tượng thời tiết hạn ngắn 1-3 ngày với sự tập trung vào những yếu tố thời tiết bề mặt Những hệ thống dự báo tổ hợp quy mô khác nhau dĩ nhiên cần những cách tạo nhân ban đầu và mô hình khác nhau

Ví dụ cả trường phân tích và xoáy (cấu trúc và cấp độ) cần được gây nhiễu để

dự báo bão (Zhang và Krishnamurti, 1999; Cheung và Chang, 1999a và 1999b) [95][19][20]

Theo nghiên cứu của (Du và các cộng sự, 1997; Talagrand) [30][74] khoảng 7-10 thành phần là đủ để thu được phần lớn các thông tin có ích từ một mô hình Tuy nhiên tùy vào từng trường hợp cụ thể để xác định số thành phần tham gia tổ hợp, ví dụ cần ít các thành phần khi dự báo tổ hợp ở mực

500 hpa và nhiều hơn khi dự báo tổ hợp liên quan tới đối lưu có giáng thủy; ít các thành phần đối với mô hình có độ phân giải thấp và nhiều với hệ thống

mô hình có độ phân giải cao Tuy nhiên câu trả lời từ thực tế rất khác với những luận điểm lý thuyết: độ tán tổ hợp kích cỡ giới hạn được sử dụng đủ tốt cho dự báo nhưng độ tán tổ hợp có kích cỡ lớn hoặc vô hạn lại cần thiết trong

lý thuyết Do đó nó luôn cần có sự cân bằng giữa sự hiệu quả và sự lý tưởng (Mullen và Buizza, 2002)

1.3 CÁC PHƯƠNG PHÁP TỔ HỢP KẾT QUẢ DỰ BÁO

Sau khi có được kết quả dự báo của các thành phần tham gia tổ hợp, sử dụng các đặc trưng thống kê để đưa ra kết quả dự báo tổ hợp

i

N i

F   (1.3)

các nguồn số liệu Chất lượng của dự báo tổ hợp sẽ giảm sút đáng kể trong

trường hợp có một vài dự báo thành phần không tốt, tách hẳn so với chùm các

dự báo thành phần khác Để có kết quả tổ hợp tốt ta phải lựa chọn các dự báo

trước khi đưa vào tổ hợp Điều này đòi hỏi các dự báo viên phải giàu kinh

nghiệm, nắm chắc các kiến thức Synop ảnh hưởng đến đường đi của bão và

đặc điểm dự báo của từng nguồn số liệu Tuy nhiên việc lựa chọn không phải

lúc nào cũng cải thiện được chất lượng dự báo tổ hợp, mà có thể lại lược bỏ

những nguồn thông tin tốt

e

e W

1

/ 1

/

1

Trong đó: e : sai số của nguồn dự báo thành phần i

Phải bảo đảm rằng tỷ trọng của từng dự báo thành phần tỷ lệ nghịch với

1

Trong đó : C: số hạng tự do

W : các hệ số hồi quy (trọng số của từng dự báo thành phần) i

Đối với phương pháp này ta phải sử dụng bộ số liệu lịch sử của một

hoặc một vài mùa bão trước để xây dựng phương trình hồi quy Sai số tổ hợp

sẽ biến đổi tương đối mạnh nếu ta sử dụng các số liệu nền khác nhau Bộ số

liệu để tính hồi quy càng lớn thì kết quả tổ hợp hồi quy tuyến tính sẽ càng tốt

Các dự báo thành phần phải có độ dài bộ số liệu lịch sử tương đương nhau

Trường hợp siêu tổ hợp:

Phương trình (1.6) sẽ có dạng:

) ) ( ( )

(

1

i i

N i

i F t F a

a : trọng số hồi quy của mô hình i i

F (t): giá trị dự báo của mô hình i i

F i : giá trị trung bình của các dự báo của mô hình i trong giai đoạn chuẩn bị

1.4 CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT QUẢ TỔ HỢP

1.4.1 Bản đồ trung bình và độ phân tán

Kết quả tổ hợp được trình bày bằng cách vẽ trường dự báo trung bình của cả tập hợp và độ phân tán của tập hợp dự báo này Hình 1.10 minh hoạ kết quả dự báo trường khí áp mặt đất sử dụng phương pháp tổ hợp Các đường đẳng áp là trung bình của tập hợp các dự báo và vùng được bôi màu thể hiện độ phân tán của tập hợp này Độ phân tán càng nhỏ có nghĩa là độ đáng tin cậy của hình thế dự báo càng cao Ngược lại nơi có độ phân tán lớn (vùng được bôi màu đậm) thì tương ứng với vùng kết quả của tập hợp các dự báo khác nhau nhiều và độ đáng tin cậy nhỏ

Hình 1.10 Bản đồ trung bình và độ phân tán của dự báo tổ hợp

1.4.2 Spagheti maps - Bản đồ ghép chồng

Vẽ các đường đẳng áp của một giá trị nào đó của các dự báo khác nhau, ta thấy là trên bản đồ sẽ có nhiều đường đan xen nhau Nơi mà các đường này nằm rất gần nhau thì độ tin cậy của hình thế thời tiết dự báo được càng lớn Ngược lại, khi các đường này nằm tách xa nhau thì hình thế thời tiết dự báo được có độ tin cậy càng kém (Hình 1.11)

Hình 1.11: Bản đồ ghép chồng ( Spaghetti maps)

1.4.3 Dự báo đường đi của bão

Các kết quả dự báo tổ hợp thường được biểu diễn dưới dạng chùm các dự báo khác nhau hoặc trường xác suất bão đi qua (Hình 1.12)

Hình 1.12 Kết quả dự báo tổ hợp cho đường đi của bão

Bên trái: chòm dự báo Bên phải: trường xác suất bão đi qua

1.5 KHẢ NĂNG VÀ HIỆN TRẠNG DỰ BÁO TỔ HỢP Ở VIỆT NAM

Ở Việt Nam một số tác giả đã và đang tìm hiểu, nghiên cứu và tìm ra hướng áp dụng tối ưu nhất phương pháp dự báo tổ hợp như công trình nghiên cứu dự báo các trường khí tượng trên biển Đông trên cơ sở các mô hình RAMS và ETA của GS.TS Trần Tân Tiến [9]; nghiên cứu về tổ hợp dự báo quỹ đạo bão bằng phương pháp lấy trung bình đơn giản của ThS Nguyễn Chi Mai [5][6][7]; dự báo tổ hợp xoáy thuận nhiệt đới dựa trên mô hình WBAR với hàng nghìn thành phần của ThS Võ Văn Hoà [2][3][4][8]; phương pháp tổ hợp cho mô hình MM5 của TS Hoàng Đức Cường[1]

Hệ thống dự báo tổ hợp do GS.TS Trần Tân Tiến cùng các cộng sự xây dựng bao gồm hai mô hình số trị chính là RAMS và ETA với hy vọng xây dựng nên một hệ thống sản phẩm tốt hơn từ dự báo riêng lẻ của các mô hình

Qua thử nghiệm bước đầu cho thấy hệ thống dự báo tổ hợp đã phát huy được tính ưu việt của nó ở các mực đẳng áp 850mb đến mực 300mb

Phương pháp của ThS Nguyễn Chi Mai cùng các cộng sự sử dụng dự báo quỹ đạo bão là phương pháp thống kê từ dự báo của các trung tâm quốc tế Bằng việc thực hiện lấy trung bình đơn giản, hồi quy tuyến tính đa biến và tính trọng số theo sai số của bộ số liệu 3 mùa bão từ 2001 đến 2003 Mặc dù bộ số liệu chưa đủ dài song kết qủa thu được cho thấy hiệu quả rõ rệt trong phương pháp lấy trung bình đơn giản và có thể sử dụng tham khảo trong công tác dự báo bão nghiệp vụ Bên cạnh đó tác giả còn tiếp cận với phương pháp tạo nhiễu động cho trường ban đầu đối với mô hình chính áp để tạo ra các thành phần tổ hợp khác nhau và cũng đã có những cải thiện lớn nhất trong chất lượng dự báo quỹ đạo bão

ThS Võ Văn Hoà đã trình bày một khía cạnh mới trong việc ứng dụng phương pháp gây nhiễu động trường ban đầu cho dự báo tổ hợp quỹ đạo của XTNĐ và tạo ra các bản đồ dự báo xác suất dựa trên dự báo tổ hợp hàng nghìn thành phần của mô hình WBAR và cho thấy sự cải thiện đáng kể trong chất lượng dự báo quỹ đạo XTNĐ

TS Hoàng Đức Cường đã thử nghiệm dự báo tổ hợp cho mô hình MM5 bằng phương pháp lấy trung bình đơn giản với các dự báo thành phần lần lượt

là sản phẩm của mô hình MM5 sau khi đã có những lựa chọn khác nhau đối với các sơ đồ tham số hóa đối lưu và vi vật lý mây

CHƯƠNG 2

MÔ HÌNH DỰ BÁO THỜI TIẾT QUY MÔ VỪA RAMS VÀ ÁP DỤNG

DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG

2.1 GIỚI THIỆU VỀ MÔ HÌNH RAMS

Mô hình RAMS (Regional Atmospheric Modeling System) được Đại học Tổng hợp Colorado (CSU) kết hợp với ASTER divsion- thuộc Mission Research Corporation phát triển đa mục đích Đó là một mô hình dự báo số

mô phỏng hoàn lưu khí quyển với qui mô từ toàn cầu cho đến các mô phỏng xoáy lớn (Large Eddy Simulation-LES) của lớp biên khí quyển hành tinh Mô hình thường được sử dụng nhiều nhất để mô phỏng các hiện tượng khí quyển qui mô vừa (2-2000 km) từ dự báo thời tiết nghiệp vụ đến các ứng dụng để

mô phỏng, quản lý chất lượng môi trường không khí RAMS cũng thường được sử dụng thành công với các độ phân giải cao hơn mô phỏng các xoáy trong lớp biên khí quyển (10-100 m phân giải lưới ngang), mô phỏng điều kiện vi khí hậu cho các toà nhà cao tầng (1 m phân giải lưới ngang) cho đến các mô phỏng số trực tiếp cho buồng khí động (1 cm phân giải lưới ngang)

Mô hình RAMS được các nhà khoa học thuộc Khoa KT-TV-HDH, Trường ĐH Khoa Học Tự Nhiên Hà Nội đưa vào nghiên cứu tại Việt Nam từ năm 2001 Đến năm 2004, GS.TS Trần Tân Tiến cùng các cộng sự của ông đã tiến hành cải tiến, áp dụng thành công mô hình RAMS trong dự báo thời tiết tại Việt Nam và hoàn thành đề tài nghiên cứu cấp nhà nước “Xây dựng mô hình dự báo các trường Khí tượng Thủy văn biển Đông Việt Nam” Kết quả nghiên cứu đã chỉ ra kỹ năng dự báo ưu việt của mô hình RAMS đối với các trường khí tượng trên lãnh thổ Việt Nam Ngoài việc có thể cập nhật tự động

số liệu 7 giờ một lần trong ngày để dự báo thời tiết tại các tỉnh, thành trong cả nước, mô hình RAMS còn có thể dự báo thời tiết cho từng khu vực nhỏ, chẳng hạn như dự báo thời tiết cho sân vận động quốc gia Mỹ Đình trong thời

gian diễn ra SEAGAMES 22 hoặc có thể dự báo cho từng quận trong nội thành Hà Nội Thử nghiệm với những trường hợp thời tiết bất thường như đợt mưa lũ lớn ở Nghệ An - Hà Tĩnh trong năm 2002, mô hình cũng đã mô phỏng được

Trong nghiên cứu dự báo bão, mô hình RAMS cũng cho kết quả khả quan Nó có thể mô phỏng được xu hướng di chuyển của ngay cả những cơn bão có sự đổi hướng đột ngột như bão Chan chu năm 2006 Tuy nhiên vì thiếu

số liệu quan trắc trên biển nên sự sai lệch về vị trí và cường độ bão ngay trong trường phân tích toàn cầu ban đầu đã làm gia tăng sai số trong dự báo của RAMS

2.1.1 Các phương trình cơ bản của RAMS

Các phương trình cơ bản của RAMS là các phương trình nguyên thủy thủy tĩnh hoặc không thủy tĩnh được lấy trung bình Reynolds Tất cả các biến, ngoại trừ một số kí hiệu khác, đều là các đại lượng được lấy trung bình trong một thể tích ô lưới và do đó kí hiệu gạch ngang chỉ giá trị trung bình được bỏ qua Phép biến đổi tọa độ của lưới ngang và thẳng đứng được bỏ qua trong phần này Các biến đổi này sẽ được trình bày trong phần sau Các kí hiệu được trình bày trong Bảng 2.1

u K y x

u K x

fv x z

u w y

u v x

v K y x

v K x

fu x z

v w y

v v x

w K y x

w K x

g x z

w w y

w v x

m o

il il

h

il h

il h il

il il

il

t z

K z y

K y x

K x z

w y

v x

r K y x

r K x z

r w y

r v x

n h n

n n

v x

u c

R

t

o o o

o o

o o o

Lựa chọn thủy tĩnh của RAMS sẽ thay thế phương trình chuyển động

thẳng đứng và phương trình liên tục khối lượng bằng phương trình thủy tĩnh

như sau:

v

r r g

r n Tỷ hỗn hợp của nước tổng cộng, mưa, tinh thể băng, và tuyết

Rad Chỉ số kí hiệu khuynh hướng do tham số hoá bức xạ

lý vi mô qui mô dưới lưới

Lưới lồng được sử dụng trong RAMS là lưới C dạng chuẩn (Mesinger

và Arakawa, 1976) [57] Tất cả các biến ẩm và nhiệt động lực được xác định

tại cùng một điểm với các thành phần vận tốc u, v, còn w được xác định so le

ở bước lưới 1/2x, 1/2y, và 1/2z tương ứng

2.1.2.2 Phép chiếu bản đồ

Lưới ngang sử dụng phép chiếu cực quay ba chiều, trong đó cực của phép chiếu được quay tới khu vực gần tâm của miền tính, do vậy làm giảm thiểu sự biến dạng của phép chiếu ở các khu vực chính cần quan tâm Các tham số bản đồ phù hợp được sử dụng trong tất cả các số hạng đạo hàm theo phương ngang

2.1.2.3 Hệ toạ độ địa hình

Cấu trúc thẳng đứng của lưới sử dụng hệ tọa độ địa hình z (Gal-Chen

và Somerville, 1975; Clark, 1977; Tripoli và Cotton, 1982) [83] Đây là hệ tọa

độ địa hình trong đó mực tại đỉnh của mô hình gần như phẳng còn các mực

dưới sẽ có dạng theo địa hình Các toạ độ trong hệ này được xác định như

z z H

Việc sử dụng lưới thẳng đứng có khoảng cách biến đổi làm tăng độ

phân giải ở gần mặt đất, nó giúp tránh được tỷ số giãn lưới R~j lớn giữa các

mực kề nhau trong đó R~j được xác định đối với mực j bất kỳ như sau:

là bề dày lớp được xác định bằng hiệu độ cao của hai mực Do vậy

thông thường ta lấy một giá trị R~j khá nhỏ cố định trên một số mực sao cho

lưới biến đổi dạng hình học từ giá trị Z~j nhỏ gần bề mặt tới giá trị lớn hơn ở

trên cao

2.1.3 Sai phân thời gian

RAMS có nhiều cách lựa chọn đối với các sơ đồ sai phân thời gian cơ

bản Đối với mô hình không thủy tĩnh, người dùng có thể lựa chọn sơ đồ sai

phân bậc nhất tiến-lùi, sơ đồ Leapfrog (Tripoli và Cotton, 1982) hoặc sơ đồ

lai trong đó bao gồm sai phân thời gian tiến đối với các biến nhiệt động lực và

sai phân leapfrog đối với các thành phận vận tốc và áp suất Mô hình thủy tĩnh

sử dụng sơ đồ tiến-lùi

Tất cả các lựa chọn ở trên được tính toán bằng sơ đồ sai phân "tách thời

gian" (Tripoli và Cotton, 1982; Tremback và các ĐTG, 1985) [80] tương tự

như sơ đồ tách thời gian của Klemp và Wilhelmson (1978) [48] và sơ đồ tách

hiện của Gadd (1978) ý tưởng cơ bản đằng sau các sơ đồ là chia bước thời

gian thành các bước thời gian nhỏ hơn đối với các số hạng trong phương trình

có khả năng tạo ra sự lan truyền của các mode sóng nhanh Trong mô hình

không thủy tĩnh, các mode này là sóng âm và sóng trọng trường trong khi

trong mô hình thủy tĩnh các mode này là sóng trọng trường ngoại và sóng

Lamb

2.1.3.1 Trường hợp không thủy tĩnh

Sơ đồ sai phân thời gian có thể được mô tả đơn giản như dưới đây đối

với hệ phương trình hai chiều, khô, nhớt và tựa Boussinesq trong đó phép

biến đổi hệ toạ độ theo phương thẳng đứng và phương ngang được bỏ qua

Đối với trường hợp không thủy tĩnh, các phương trình cơ bản có dạng sau:

u

z

u w x

u u x t

z

w w x

w u x t

w x

u c t

o o o

o o

Đối với việc lựa chọn điều kiện thuỷ tĩnh, các sơ đồ sai phân thời gian

có thể được biểu diễn đối với một hệ phương trình đơn giản hai chiều, khô,

không nhớt như sau:

fv z

u w x

u u F

F x t

F z

RAMS sử dụng hai dạng sơ đồ bình lưu cho việc lựa chọn phép sai

phân thời gian trong quá trình mô phỏng của mô hình, đó là sơ đồ dạng

Leapfrog chuẩn và sơ đồ tiến ngược dòng (Tremback và các ĐTG, 1987)

[81] Sơ đồ Leapfrog được sử dụng đối với tất cả các biến trong quá trình lựa

chọn sai phân thời gian Leapfrog và đối với các thành phần vận tốc trong quá

trình lựa chọn sai phân thời gian lai

Các sơ đồ bình lưu được biểu diễn dưới dạng thông lượng để bảo toàn

khối lượng và động lượng Xét theo hướng x, các số hạng bình lưu trong

phương trình (2.1)-(2.4) có thể được viết lại với giả thiết bước lưới không đổi

và bỏ qua địa hình và sự chuyển đổi sang toạ độ cầu, có dạng như sau:

 1 / 2 1 / 2 1 / 2 1 / 2 

1 1

j j

j j

u u

F F

x

x

u x

u x

Trong đó u là thành gió theo hướng x,  là mật độ không khí,  là các

biến được vận chuyển bình lưu Chỉ số j chỉ điểm lưới xem xét

2.1.4.1 Bình lưu Leapfrog

Các thông lượng bình lưu Leapfrog được sai phân trung tâm theo

không gian và thời gian với sơ đồ bình lưu Leapfrog bậc hai hoặc bậc bốn

Biểu thức của các thông lượng F này có dạng:

Thông lượng Leapfrog bậc 2:

7 12

7 12

1

j j

j j

j

j u

2.1.4.2 Bình lưu tiến

Các thông lượng bình lưu tiến được tính theo sơ đồ bình lưu tiến ngược

dòng bậc hai hoặc bậc sáu, sơ đồ này là do Tremback (1987) xây dựng và thử

nghiệm Các sơ đồ này thuộc cùng một họ sơ đồ giống như sơ đồ tiến ngược

dòng bậc nhất cổ điển và sơ đồ bậc hai được sử dụng nhiều hơn của Crowley

(1968) Như đã được Tremback và các ĐTG mô tả chi tiết năm 1987, hai

dạng khác nhau của sơ đồ thông lượng được xây dựng Dạng thứ nhất dựa

theo phương pháp của Crowley (1968), dạng xấp xỉ đa thức đối với trường

được bình lưu sau đó tích phân hàm này Tuy nhiên đối với các sơ đồ bậc ba

hoặc cao hơn sơ đồ dạng này không trở lại dạng bình lưu khi bước lưới và vận

tốc bình lưu không đổi Dạng sơ đồ thứ hai được mô tả bởi Bott (1989) cũng

thực hiện yêu cầu này Dạng thứ hai chính xác hơn so với dạng thứ nhất

nhưng nó đòi hỏi bước lưới là hằng số Do vậy, dạng thứ nhất được gọi là

dạng thông lượng tích phân, dùng trong phương thẳng đứng nơi mà bước lưới

được kéo giãn để làm tăng độ phân giải ở các độ cao gần mặt đất Dạng thứ

hai được dùng trong phương ngang nơi bước lưới là hằng số theo một hướng

bất kỳ Các thông lượng bình lưu tiến này có thể được biểu diễn như sau

(trong đó  = ut/x):

Thông lượng bậc hai

) (

2 ) (

2 1 2

j j

j j

j j

j j

j j

j j

j j

j j





 (   3   2  2   3    ) 

5

j j j

j j

j j



2.1.5 Các điều kiện biên

2.1.5.1 Điều kiện biên xung quanh

RAMS bao gồm vài lựa chọn cho dạng đặc trưng của các điều kiện biên

xung quanh Dạng tổng quát với lưới so le C được sử dụng trong RAMS là

điều kiện phát xạ cơ bản (Sommerfeld):

x

u c u t

trong đó u là thành phần gió vuông góc với biên Vấn đề là sau đó xác

định dạng của c, là vận tốc pha Các lựa chọn tồn tại trong RAMS theo sơ đồ

Orlanski (1976), là sơ đồ cải tiến của Klemp và Lilly (1978) [48] (Durran,

1981) [46] và sơ đồ Klemp và Wilhelmson (1977) [47]

Orlanski (1976) tính c theo công thức:

u

Sơ đồ Klemp và Lilly (1978) tính trung bình vận tốc pha của Orlanski

theo trục thẳng đứng, sau đó áp dụng vận tốc trung bình cho toàn bộ cột khí

quyển thẳng đứng Sơ đồ Klemp và Wilhelmson (1978) đơn giản chỉ rõ giá trị

hằng số như là vận tốc pha của sóng trọng trường điển hình, cỡ 10-30 m/s

Điều kiện biên phát xạ chỉ áp dụng cho các thành phần vận tốc vuông

góc Vì lưới so le các biến khác được xác định lệch ra ngoài 1/2x so với

thành phần vận tốc vuông góc Các biến này cũng phải được xác định bằng

một phương pháp nào đó Trong RAMS, các lựa chọn tồn tại đối với điều

kiện gradien bằng 0, các điều kiện dòng thổi vào và/hay dòng thổi ra là hằng

số, hoặc các điều kiện dòng thổi ra phát xạ

2.1.5.2 Điều kiện biên thẳng đứng

Đối với các điều kiện biên dưới tại bề mặt, các dòng thông lượng ở lớp

bề mặt cung cấp thông tin về sự trao đổi chủ yếu giữa khí quyển và bề mặt

Tuy nhiên, để thuận tiện hơn đối với mục đích số sẽ định nghĩa các giá trị

biến tại một mực ảo 1/2 z nằm dưới bề mặt

Đối với các điều kiện biên trên, có một số lựa chọn phụ thuộc vào dạng

mô phỏng và ý đồ mô phỏng Đối với hệ phương trình không thuỷ tĩnh, có hai

lựa chọn cho việc xác định thành phần vận tốc vuông góc đến đỉnh của miền

tính Hoặc sử dụng điều kiện biên vách đơn giản (w = 0) hay áp dụng điều

kiện biên phát xạ sóng trọng trường của Klemp và Durran (1983) Điều kiện

Klemp-Durran được suy diễn cho sóng trọng trường tuyến tính, dừng, và thuỷ

tĩnh, cho thấy khả năng ứng dụng tốt trong một số trường hợp, đặc biệt khi

RAMS được ban đầu hoá với điều kiện đồng nhất ngang và dòng bị cưỡng

bức bởi điạ hình Kinh nghiệm cho thấy có một số tình huống kém thành công

hơn với các trường hợp mà ở đó dòng thể hiện tính không dừng mạnh (ví dụ

trong trường hợp đối lưu sâu) Điều kiện này không thích hợp với ban đầu hoá

không đồng nhất, vì điều kiện này giả thiết là tất cả các chuyển động thẳng

đứng tại đỉnh mô hình là kết quả của sự lan truyền sóng trọng trường thẳng

đứng

Do đó, để có thể kết hợp cả điều kiện vách lẫn điều kiện

Klemp-Durran, một lớp hấp thụ có thể được sử dụng mở rộng từ đỉnh của miền tính

cần quan tâm đến đỉnh của mô hình Trong trường hợp đồng nhất ngang, lớp

này là một lớp ma sát Rayleigh đơn giản ở đó một số hạng mở rộng được

thêm vào phương trình dự báo cơ bản:

trong đó  tương ứng với các biến dự báo u, v, w, và , o là các giá trị

ban đầu của các biến trên,  là qui mô thời gian được xác định là một hàm

tuyến tính theo độ cao, biến đổi từ giá trị vô cùng tại đáy của lớp hấp thụ tới

giá trị nhỏ nhất tại đỉnh miền tính của mô hình nó thường được gán giá trị

trong khoảng từ 60 đến 300 giây

Đối với các ban đầu hoá không thuỷ tĩnh, điều kiện ép biên tương

đương với sơ đồ của Davies (1978) [23] hay sơ đồ ma sát Rayleigh, có thể

được sử dụng như là một lớp hấp thụ tại đỉnh mô hình

Tương tự như các điều kiện biên xung quanh, các biến khác được xác

định lệch lên trên 1/2 z so với các thành phần vận tốc vuông góc vì lưới so le

đã được sử dụng Các biến này được xác định bằng phép ngoại suy đơn giản

Đối với mô hình thuỷ tĩnh, chiều thẳng đứng được áp dụng khác ít

nhiều so với mô hình không thuỷ tĩnh RAMS bao gồm 2 lựa chọn đối với

điều kiện biên của phương trình thuỷ tĩnh Hoặc áp suất biên tại đỉnh được

tính với điều kiện Klemp-Durran đã mô tả ở trên hoặc áp suất tại mặt đất

được dự báo theo cách sau

Phương trình thuỷ tĩnh được viết với dạng phi tuyến theo hàm Exner

v

r r

p

p C

Điều kiện biên đối với phương trình thuỷ tĩnh trong quá trình tích phân

mô hình là phương trình dự báo áp suất bề mặt được nhận từ việc thế phương

trình thuỷ tĩnh vào phương trình bảo toàn khối lượng nén được

g

dz y

v x

u g

t

trong đó z g là độ cao của mặt đất và z T là độ cao của đỉnh mô hình

Điều kiện biên giả thiết là phân kỳ trên đỉnh mô hình là nhỏ được so với phân kỳ trong miền tính Giả thiết này phù hợp với nhiều mô hình sử dụng trục toạ độ p trong đó đặt áp suất tại đỉnh mô hình là 100mb và định nghĩa

/t = 0 tại đỉnh

Cả hai dạng của lớp hấp thụ tại đỉnh đều có sẵn trong mô hình thuỷ tĩnh