Chương 6 - NHỮNG KẾT QUẢ DỰ BÁO THỐNG KÊ CÁC QUÁ TRÌNH HẢI DƯƠNG HỌCNhiều pps

DỰ BÁO CÁC TRƯỜNG NHIỆT Ở BẮC ĐẠI TÂY DƯƠNG Những nguyên nhân quan trọng làm cho nhiệt độ mặt đại dương hay dị thường nhiệt độ mặt đại dương trở thành trọng tâm chú ý của các nhà nghiên

chung [162], sơ đồ này đã chính xác hoá đáng kể bức tranh không gian

của biển Bellinshauzen Trước hết, ta thấy đới front cực dịch chuyển

nhiều về phía nam, biên giới xâm nhập các loại nước cận Nam Cực ở

vùng biển Bellinshauzen lên tới 62−64°S Sự dịch chuyển tương tự của

biên giới các đới khí hậu làm tăng độ tương phản kinh hướng của các

đặc trưng vật lý thủy văn ở phần phía đông của cung Nam Cực Thái

Bình Dương

Một đặc điểm quan trọng khác trong những kết quả nhận được là đã

chính xác hoá độ sâu biên giới trên của khối nước đáy Ở trung phần biển

Bellinshauzen, biên giới trên của khối nước đáy Nam Cực bằng

3100−3300 m, trong khi đó ở phần phía bắc và phía đông biển −

2700−2900 m Đó là một sự phân hoá rất lý thú về phương diện nghiên

cứu tiếp vấn đề hình thành các khối nước đáy ở vùng đại dương Nam

Cực

Như vậy, phép chẩn đoán thống kê đã cho phép giải quyết những

nhiệm vụ chính đã đặt ra Việc lý giải kết quả xử lý thông tin đã đạt tới

độ tỉ mỉ và độ tin cậy cần thiết

Tuy nhiên, phải nhận xét rằng những kết luận rút ra chưa thể phổ

biến cho vùng thềm lục địa của biển Vùng này còn rất ít số liệu quan

trắc Đa phần các mảng quan trắc đối với vùng này chỉ chứa số liệu về

nhiệt độ và độ muối Sự phức tạp của việc ứng dụng phân tích T , kinh S

điển và thiếu vắng tài liệu quan trắc thủy hoá bổ sung hiện chưa cho phép

gộp vùng ven bờ vào mô hình thống kê chung về cấu trúc nước trong biển

Bellinshauzen

Sự hàm súc và tính tin cậy vật lý của những kết quả chẩn đoán thống

kê đảm bảo hiệu quả không chỉ của mô hình đã nhận được, mà còn cho

thấy triển vọng vận dụng quan điểm tiếp cận này để nghiên cứu cấu trúc

nước ở những vùng khác của đại dương vùng Nam Cực

Chương 6 - NHỮNG KẾT QUẢ DỰ BÁO THỐNG

KÊ CÁC QUÁ TRÌNH HẢI DƯƠNG HỌC

Nhiều thí nghiệm về phương pháp luận dự báo những tham số tổng quát của các quá trình hải dương cho phép tiến tới lập căn cứ phương pháp luận chẩn đoán và dự báo như là một bài toán thống nhất Những thí

dụ dẫn dưới đây hiện thực hoá một ý tưởng đơn giản − sử dụng các mô hình thống kê một chiều để dự báo các tham số tổng quát của quá trình Ý tưởng này là cơ sở dự báo nhiệt độ nước lớp mặt Bắc Đại Tây Dương, lượng băng biển Baren và sinh khối động vật phù du biển Baren

Trên thực tế, trong khi tiến hành chẩn đoán đúng đắn về quá trình và phân tách ra những tham số tổng quát ổn định trong thời gian thì điều quan trọng là chọn ra từ lớp các mô hình thống kê tuyến tính một mô hình tối ưu cho phép với sai số nhỏ nhất ngoại suy các tham số cơ bản cho khoảng dưới hai bước thời gian sắp tới Thời khoảng đó là đủ về quan điểm phương pháp luận (các dự báo những quá trình khí tượng thủy văn

có tính khả báo không cao [146, 151]) cũng như về quan điểm thực tiễn:

sự tăng thời gian báo trước diễn ra không phải do những tính chất của mô hình, mà liên quan tới độ ổn định của các hàm cơ sở hay các hàm trực giao tự nhiên Thí dụ, các thành phần chính đặc trưng cho giá trị trung bình năm của quá trình, các hàm cơ sở − đặc điểm biến động mùa Khi đó

dự báo cuối cùng sẽ bằng những giá trị khôi phục của tích số giữa thành phần chính với hàm cơ sở tương ứng

Mặc dù sự đơn giản tương đối của ý tưởng liên kết các kết quả chẩn đoán với các mô hình thống kê, việc hiện thực hoá nó ở mức độ nhất định

bị khó khăn bởi sự phức tạp của công cụ toán học, sự thiếu đầy đủ về thông tin hải dương học xuất phát và thiếu vắng những hệ thống xử lý tự

động

6.1 DỰ BÁO CÁC TRƯỜNG NHIỆT Ở BẮC ĐẠI TÂY DƯƠNG

Những nguyên nhân quan trọng làm cho nhiệt độ mặt đại dương

(hay dị thường nhiệt độ mặt đại dương) trở thành trọng tâm chú ý của các

nhà nghiên cứu và các nhà dự báo thực dụng là tính ý nghĩa của nó như

một đặc trưng năng lượng quy định sự tiến triển của các quá trình hải

dương và sinh học, tính dễ quan trắc, độ chính xác đo đạc tương đối cao,

và do đó, khả năng vận dụng phân tích thống kê, trong đó có thống kê đa

chiều, vào quỹ dữ liệu tích luỹ được trong thời gian dài

Trong mục này sẽ trình bày những kết quả dự báo nhiệt độ mặt đại

dương tại một số vùng của Bắc Đại Tây Dương theo tuần tự sau:

a) Phân tích cấu trúc thống kê các số liệu xuất phát;

b) Dự báo các chuỗi thời gian và kiểm tra;

c) Phân tích cấu trúc quy mô lớn của nhiệt độ mặt đại dương Bắc

Đại Tây Dương, phân tách ra những vùng đồng nhất bằng các phương

pháp phân tích thống kê đa chiều;

d) Dự báo các thành phần chính và các nhân tố chung có mức ý

nghĩa cao, khôi phục những giá trị dự báo của nhiệt độ mặt đại dương

theo không gian và kiểm tra chúng

Ở đây chúng tôi đặc biệt chú ý tới vấn đề phân tích cấu trúc dữ liệu

xuất phát, vì nó quyết định tính khả báo tiềm năng của nhiệt độ mặt đại

dương, cũng như khía cạnh phương pháp luận − kiểm tra những phương

pháp thống kê xác suất dự báo nhiệt độ mặt đại dương, nó cho phép phát

hiện những nguồn sai số dự báo quan trọng − sai số do phân tích dữ liệu

và sai số trong hình thành mô hình

Như đã biết, ta có thể có được khái niệm đầy đủ về một quá trình

ngẫu nhiên nếu biết hàm phân bố xác suất của nó, hàm này được cho

bằng hai mô men thống kê đầu tiên − các ước lượng kỳ vọng toán học và

phương sai Trong đại đa số những trường hợp thực tiễn, khi quá trình không có xu thế và được biểu diễn dưới dạng những dị thường (độ lệch

so với giá trị trung bình), có thể cho rằng ước lượng kỳ vọng toán học bằng không Khi đó ước lượng phương sai quá trình là đặc trưng đủ để

mô tả hàm phân bố xác suất

Trên hình 5.1 thể hiện những tham số thống kê cơ bản của các chuỗi

dị thường nhiệt độ mặt đại dương Cấu trúc không gian − thời gian bất đồng nhất của phương sai và mật độ phổ cho thấy rằng có những quá trình quy mô khác nhau hình thành chế độ nhiệt đại dương Nhìn chung trong đại dương có những vùng có biến động gần như nhau và dạng hàm mật độ xác suất gần giống "nhiễu đỏ" Cũng có những vùng có biến thiên tối đa các đặc trưng, hoặc có những đỉnh phổ thứ cấp rõ nét

Kết quả phân tích các chuỗi (xem hình 5.1) cho thấy đại đa số những tập dữ liệu mẫu về dị thường nhiệt độ mặt tuân theo luật phân bố chuẩn trong các vùng biển NaUy Bất đối xứng đạt 0,3°C về giá trị tuyệt đối Theo chúng tôi, trị số này đặc trưng cho sai số quan trắc và cho phép để

sử dụng trong các sơ đồ dự báo, vì nó không vượt quá giới hạn sai số dự báo theo các chỉ tiêu 0,674σ và 0,8σ Do đó, để phân tích và dự báo có thể ứng dụng những quan hệ tương quan cơ bản của phép phân tích tham

số, chẳng hạn như các hệ số tương quan của Pierson

Về tính ổn định của các mô men thống kê đầu tiên trong phạm vi sai

số cho phép, có thể xét theo xu thế tuyến tính với giá trị không vượt quá 0,2°C (hình 6.1) Việc kiểm tra tính phù hợp của mô hình với số liệu xuất phát được thực hiện bằng các mô men thống kê đầu tiên, như phương sai

và hệ số tương quan, với điều kiện ước lượng kỳ vọng toán học bằng không [259] Mặc dù là những đặc trưng quan trọng của phép so sánh thống kê giữa các chuỗi dự báo và thực đo, những ước lượng này không bao quát hết tất cả những vấn đề trong khi kiểm tra tính phù hợp của mô hình với dữ liệu Có lẽ, một trong những phương pháp quan trọng là phương pháp kiểm tra theo những chỉ tiêu nào không tham gia vào mô hình với tư cách là tham số Vì vậy khối kiểm tra (xem hình 0.5) được bổ

sung thêm những thủ tục hàm phân bố sai số một và hai chiều [44]

Một bằng chứng quan trọng ủng hộ việc ứng dụng thủ tục tương tự

là thực tế rằng các tổ chức đồ thực nghiệm cho phép khảo sát cấu trúc bên

trong của các chuỗi sai số dự báo về phương diện tính ổn định căn cứ vào

tính biến động thấy được của số liệu xuất phát Điều này quan trọng về

nguyên tắc khi dự đoán những đặc điểm cấu trúc đặc trưng của những dữ

liệu thuộc loại những quan trắc biến thiên đột ngột, có những cực trị,

những građien lớn

Thí dụ dẫn trên hình 6.2 là thí dụ rất tiêu biểu về phương diện này

Hàm phân bố dị thường nhiệt độ nước mặt đại dương theo kinh tuyến

Kolsky biểu diễn trên hình này là hàm hai mốt Như đã thấy, nó không

được khôi phục hoàn toàn bằng những phương pháp riêng lẻ, thí dụ

phương pháp ngoại suy Fourier [44] Nó được khôi phục đạt nhất bằng

mô hình xác suất động lực (xem mục 4.1), song cả ở đây vẫn tồn tại

những khác biệt, đặc biệt ở miền âm Dự báo kết quả nhận được bằng

phương pháp kết hợp thống kê 10 phương pháp đã đảm bảo khôi phục tối

ưu hàm xác suất thực nghiệm này (xem mục 4.3)

Việc kiểm tra các phương pháp dự báo khác nhau giúp tiến hành

chẩn đoán quá trình dự báo một cách triệt để hơn Nếu phân tích hình 6.2,

có thể rút ra kết luận sơ bộ về bản chất của hai mốt trong hàm phân bố

xác suất dị thường nhiệt độ mặt đại dương Mốt với cực đại ở miền

dương (khoảng 0−0,4°C) chỉ ra sự tồn tại của dao động tựa dừng trong dị

thường nhiệt độ mặt đại dương, dao động này chỉ được mô phỏng bởi

phương pháp cộng Fourier tám hài Dao động này làm chệch ước lượng

"chuẩn" khoảng 0,2°C

Đỉnh thứ hai của hàm phân bố xác suất dị thường nhiệt độ mặt đại

dương gây nên bởi sự hiện diện của mốt thứ hai trong miền các giá trị âm

với cực đại nằm trong khoảng −1,2 −0,8°C, về bản chất là một hợp

phần ngẫu nhiên (xác suất), nó chỉ có thể được mô phỏng bởi mô hình

xác suất

Hình 6.1 Biến trình thời

gian các dị thường trung bình tháng nhiệt độ nước mặt ở biển Na Uy vùng tầu

thờì tiết M

Đường gạch nối chỉ xu thế tuyến tính

Hình 6.2. Những tổ chức đồ

thực nghiệm của các chuỗi dị thường nhiệt độ trung bình tháng lớp nước 0 −200 m dọc

kinh tuyến Kolsky

1 − thực, 2 − dự báo bằng phương pháp Fourier, 3 − bằng phương pháp thống kê động lực, 4 − bằng phương pháp xác suất động lực, 5 − bằng phương pháp hồi quy kết hợp

a − Phương pháp tự hồi quy bậc 2

b − Phương pháp Bayes

c − Phương pháp thống kê động lực

d − Phương pháp xác suất động lực

e − Phương pháp Fourier

f − Phương pháp hồi quy kết hợp

Hình 6.3 Những tổ chức đồ hai chiều sai số dự báo e các dị thường i

nhiệt độ mặt đại dương trung bình tháng khu vực tầu thời tiết M

bằng những phương pháp khác nhau

Như vậy, mốt thứ nhất phản ánh hợp phần định luận của quá

trình, mốt thứ hai − hợp phần ngẫu nhiên Cả hai mốt, cũng như hàm

phân bố xác suất quá trình nói chung (xem hình 6.2) sẽ được khôi

phục đạt nhất bằng mô hình tối ưu hoá thống kê tất cả các phương

pháp (mô hình hôì quy) Nó chính là mô hình tối ưu với nghĩa làm cực tiểu sai số bình phương trung bình của dự báo trong khuôn khổ

lý thuyết các mô hình dừng tuyến tính Vì vậy, khác với các phương pháp khác, về trung bình hàm phân bố hai chiều của sai số dự báo bằng mô hình hồi quy phải có cực đại thể hiện rõ trong khoảng sai số

dự báo cho phép (−0,4; 0,4°C) Kết quả này thể hiện trên hình 6.3 Thấy rằng nhiều phương pháp có những cực đại thứ sinh trên các tổ chức đồ, do bản thân các mô hình sinh ra, trong khi luật phân bố dị

thường nhiệt độ mặt đại dương ở vùng tầu thời tiết M là phân bố chuẩn

Rõ ràng một số mô hình (không thích nghi) thích ứng với "những quá trình của mình" gần với hiện thực, về điều này đã nói ở mục 4.1

Chúng tôi nhận định rằng phép phân tích so sánh toàn bộ tập hợp những chỉ tiêu khả báo thống kê cho phép người dự báo có được khái niệm đầy đủ nhất về tính hiệu quả của các phương pháp dự báo anh ta sử dụng Ngoài ra, trên cơ sở những phương pháp kiểm tra xác suất sẽ tạo ra khả năng đánh giá hiệu quả dự báo những dị thường lớn

Để phân tách ra một cách đúng đắn những cấu trúc không gian và thời gian đồng nhất hay cùng kiểu nhằm mục đích dự báo, chúng tôi đã tiến hành phân tích các quá trình bằng những phương pháp phân tích thống kê đa chiều: phương pháp các thành phần chính và phân tích nhân

tố (xem mục 5.1)

Nội dung dự báo của các kết quả phân tích bao gồm:

1 Các vùng mà chúng tôi phân tách ra được chỉ ra những giới hạn biến động của nhiệt độ mặt đại dương, bên trong đó những dao động chính dưới dạng các vectơ riêng là những dao động tựa dừng theo nghĩa thống kê và có thể sử dụng trong các mô hình dự báo Trong đó mô hình

dự báo trở thành mô hình đa chiều

2 Từng vùng trong số các vùng được phân tách ra có mức độ liên hệ qua lại của trường nhiệt độ mặt đại dương khác nhau (các ma trận tương quan rất khác nhau), điều này cho phép điều chỉnh các tham số của mô

hình dự báo sao cho tương ứng với kiểu quá trình cụ thể Vì, như chúng

tôi đã chứng minh, nếu sử dụng cùng một mô hình cho toàn vùng Bắc Đại

Tây Dương sẽ dẫn tới làm giảm hiệu quả dự báo

3 Đưa các thành phần chính tính được theo những hàm trực giao tự

nhiên trong tọa độ không gian hoặc thời gian vào làm tiên lượng dự báo

sẽ cho phép xây dựng được mô hình đa chiều khách quan, tính tới được

ảnh hưởng của các nhân tố bình lưu và những nhân tố khí tượng (gián

tiếp), như trong công trình [215] đã đề xuất

Bây giờ ta xét vấn đề chẩn đoán các trường nhiệt Bắc Đại Tây

Dương bằng những phương pháp phân tích thống kê đa chiều Việc liên

kết ba vùng vào làm một (xem các hình 5.2−5.5) đã cho phép đánh giá

ảnh hưởng của các quy mô không gian lên những nét chính trong bức

tranh chế độ nhiệt ở Bắc Đại Tây Dương Nói chung cấu trúc vẫn giữ

nguyên những đặc điểm nổi bật: trong trường vectơ riêng thứ nhất thể

hiện rõ nét tính địa đới trong phân bố dị thường nhiệt độ mặt đại dương,

trong đó vùng nước của hệ thống các hải lưu Gơnstrim và Bắc Đại Tây

Dương được tách ra rõ nhất và có những giá trị âm cực đại Phần xích đạo

và nhiệt đới Bắc Đại Tây Dương có những giá trị dương Bức tranh phân

bố không gian này của mốt thứ nhất của dị thường nhiệt độ mặt đại

dương rõ ràng là do ảnh hưởng của bức xạ Mặt Trời (xem hình 5.2a)

Trường vectơ riêng thứ hai (xem hình 5.2b) cũng phản ánh phân bố

nhiệt kiểu địa đới Tuy nhiên, đới xích đạo và nhiệt đới của Bắc Đại Tây

Dương phân cách nhau về dấu Những vùng chịu ảnh hưởng của các hải

lưu Gơnstrim, Labrađo, Ipminge và Đông Grinlan có tỉ trọng lớn hơn so

với trong trường vectơ riêng thứ nhất Như vậy là đã làm nổi vai trò tái

phân bố nhiệt quy mô lớn do bình lưu

Trường vectơ riêng thứ ba phản ánh những quá trình kinh hướng,

chắc chắn liên quan tới động lực nước Bắc Đại Tây Dương và biển NaUy

− đó là vùng Niuphơnlen, đông phần Đại Tây Dương nhiệt đới và phần

trung tân biển NaUy

Hình 6.4 Độ xác thực (%) của các dự

báo dị thường nhiệt độ trung bình tháng nước mặt đại dương ở Bắc Đại Tây Dương theo chỉ tiêu 0, 674 σ

trồi − ở đông phần Đại Tây Dương nhiệt đới Cũng cần chú ý một ổ nhiệt

ở trung phần Bắc Đại Tây Dương, có thể có liên quan tới cấu trúc động

lực của hoàn lưu nước xoáy nghịch quy mô lớn tại vùng này

Mặc dù giá trị phần phương sai được mô tả trong các trường thành

phần chính đầu tiên không cao, do bậc ma trận tương quan lớn

(120×120), nhưng phải kết luận về tính ổn định và đồng nhất cấu trúc cao

của những nét chính trong bức tranh nhiệt trong trường dị thường nhiệt

độ mặt đại dương, đặc biệt về vùng Gơnstrim − hải lưu Bắc Đại Tây

Dương khi chuyển từ các quy mô không gian nhỏ hơn, các vùng riêng lẻ,

sang những quy mô lớn hơn, bao quát thực tế toàn bộ thủy vực Bắc Đại

Tây Dương và biển NaUy

Những kết quả phân tích thống kê về trường dị thường nhiệt độ mặt

đại dương nhận được cho phép rút ra những kết luận như sau:

1) Cấu trúc trường dị thường nhiệt độ mặt đại dương có tính địa đới

rõ nét và gây bởi dòng bức xạ Mặt Trời;

2) Sự tái phân bố nhiệt chủ yếu do các dòng hải lưu quy mô lớn;

3) Chênh lệch kinh hướng trong phân bố dị thường nhiệt độ mặt đại

dương chủ yếu biểu hiện ở những đới tương tác của các dòng hải lưu quy

mô lớn

Theo một khối lượng lớn dữ liệu xuất phát, đã phân loại Bắc Đại

Tây Dương theo tính chất bất đồng nhất không gian của dị thường nhiệt

độ mặt đại dương Kết quả này, rõ ràng có ý nghĩa quyết định khi chọn

mô hình dự báo dị thường nhiệt độ mặt đại dương và ảnh hưởng tới các

tham số khả báo của mô hình

Như vậy, cấu trúc thống kê của nhiệt độ mặt đại dương phụ thuộc

nhiều vào các quy mô không gian − thời gian quan trắc và, chắc chắn

ảnh hưởng tới tính khả báo cả loại 1 và loại 2 Từ đây trở nên rõ vì sao

mô hình Frankiniul− Hasselman [240], trong đó những thành phần cân

bằng nhiệt lớp hoạt động đại dương được dùng làm các tham số biến, là

mô hình khá thành công để chẩn đoán cũng như dự báo điều kiện nhiệt

trong đại dương Trước hết, đó là do sự ổn định theo nghĩa thống kê của các nhân tố ảnh hưởng tới dị thường nhiệt độ mặt đại dương, và do sự đồng nhất của bản thân các vùng tại đó vai trò của nhân tố này hay nhân

tố kia hoàn toàn xác định

Một kết quả quan trọng nữa trong ứng dụng mô hình xác suất [224]

đó là sự tăng hiệu quả dự báo ở vùng Gơnstrim − hải lưu Bắc Đại Tây Dương [136], tại đây sai số dự báo giảm tới 50%, trong khi theo vùng Bắc Đại Tây Dương nói chung phương sai nhiễu trung bình bằng 70%, tức tương ứng với mức ý nghĩa khả báo 30%

Từ sự phân tích thống kê đã tiến hành và những kết quả của các công trình [44, 151] suy ra rằng sự tăng tính khả báo liên quan với chất lượng phép phân tích, tức những mô hình đã dự báo đạt nhất những quá trình nào và ở những vùng nào mà nó thích ứng nhất Rõ ràng rằng (xem mục 5.2) với vùng Đại TâyDương xích đạo và nhiệt đới thì vai trò của những nhân tố đã liệt kê khác so với vùng tác động của Gơnstrim, tức các tham

số mô hình cho vùng này phải khác nhiều và độ xác thực theo mô hình [224] ở đây thấp hơn

Chính vì xuất phát từ những suy luận này mà chúng tôi đã ứng dụng những mô hình xác suất thống kê khác nhau để xác định khả năng áp dụng của chúng vớí những vùng khác nhau của Bắc Đại TâyDương và biển NaUy (hình 6.4) Lần đầu tiên nhận được kết quả dự báo với chuỗi quan trắc độc lập về dị thường nhiệt độ mặt đại dương từ năm 1981 đến

1985 cho một thủy vực rộng lớn như Bắc Đại Tây Dương (162 ô cạnh 5° kinh vĩ) Độ xác thực dự báo dao động từ 50 đến 80%, tức bằng 50−70% phương sai nhiễu (xem hình 6.4)

Điều lý thú là đối với vùng tác động của hệ thống Gơnstrim − hải lưu Bắc Đại Tây Dương sai số dự báo bằng các phương pháp thống kê xác suất bậc một và bậc hai đã giảm Kết quả đạt nhất cho vùng này là kết quả của mô hình AP−2

Hình 6.5 Những giới hạn tính

khả báo thống kê (tính bằng số

tháng) của các chuỗi dị thường

nhiệt độ nước mặt trung bình

tháng ở vùng tích cực năng lượng

biển Na Uy theo mô hình động

lực ngẫu nhiên (d= 0 , 9 )

Hình 6.6 Dự báo độc lập trường dị thường

nhiệt độ nước mặt trung bình tháng ở đông bắc Đại Tây Dương tháng 7 năm 1981 với thời hạn dự báo 6 tháng

(1 − giá trị dự báo, 2− giá trị thực)

So với dự báo quán tính, kết quả dự báo của ba mô hình về trung

bình khá hơn 10−20% Nhận thấy dự báo quán tính có độ xác thực cao

hơn (tới 80%) ở phần trung tâm Bắc Đại Tây Dương Có thể cho rằng đó

là do sự bảo tồn dị thường trong xoáy nghịch Điều tương tự cũng nhận

thấy ở phần phía bắc biển Na Uy, nơi đây các trị số phương sai sai số cực

tiểu có vị trí ở trong đới tác động của xoáy nghịch tựa dừng với tâm ở

khoảng λ=2−3E và ϕ=68−69N

Một đặc trưng khả báo quan trọng khác là giới hạn thời gian báo

trước của dự báo ứng với chỉ tiêu chính xác đã cho ε Từ các biểu thức

(4.8), (4.9) dễ dàng tính τ và dựng sơ đồ không gian thời gian báo trước

cực đại của dự báo ứng với d ≤0,9 (hình 6.5) Đã tính toán như vậy cho

biển NaUy (26 ô với cạnh 5° kinh vĩ) Thấy rằng giới hạn khả báo cực

đại đối với dị thường nhiệt độ mặt đại dương trung bình tháng là 1,8

tháng với vùng tác động của xoáy nghịch, hải lưu NaUy và vùng Fare

Còn về trung bình, với vùng này thì thời gian báo trước của dự báo bằng

một bước thời gian có thể xem là hoàn toàn tin cậy đối với dự báo bằng

các phương pháp thống kê xác suất

Ở Bắc Đại Tây Dương giới hạn này tăng lên đến 2−3 bước, đặc biệt trong đới tác động của Gơnstrim và hải lưu Bắc Đại Tây Dương Ở các phần xích đạo và nhiệt đới, giới hạn khả báo thống kê cực đại không quá một bước thời gian Một trong những nguyên nhân của điều này là do tính không dừng rõ rệt của các chuỗi dị thường nhiệt độ mặt đại dương tại đây

Nhiều tác giả [65, 146, 151] cho rằng muốn tăng hiệu quả dự báo phải giảm phương sai của phần không khả báo của quá trình Điều này có thể đạt được bằng nhiều cách: dùng phương pháp lọc hoặc tăng quy mô không gian, thời gian lấy trung bình

Hiển nhiên là sử dụng phương pháp lọc hoặc tăng quy mô không gian, thời gian lấy trung bình của đặc trưng dự báo sẽ giúp chọn mô hình thích hợp nhất Tuy nhiên, dưới góc độ thực tiễn, phương pháp này kém hiệu quả vì không cho phép mô tả chi tiết, do đó, không cho phép dự báo những đặc điểm không gian hay thời gian của quá trình

Khi nghiên cứu và dự báo những dao động quy mô lớn của các quá trình hải dương, người ta giả thiết tồn tại một số không nhiều các nhân tố ảnh hưởng có thể theo dõi, giải thích và dự báo được Vì vậy, biểu diễn các trường hay các chuỗi đặc trưng hải dương dưới dạng tổng của những thành phần chính đầu tiên, một mặt sẽ lọc hợp phần nhiễu của quá trình, mặt khác biểu diễn quá trình dưới dạng tổng của những dao động quy mô lớn Việc mô phỏng những dao động như vậy bằng các phương pháp thống kê xác suất hay thống kê vật lý sẽ hiệu quả hơn so với việc dự báo trực tiếp chính những đặc trưng đó bằng cùng phương pháp, vì ở trường hợp sau sai

số trong dữ liệu vẫn được bảo tồn Hơn nữa nếu chỉ sử dụng những mô hình thống kê xác suất một chiều thì không thể đủ do có nhiều mối liên hệ không gian, thời gian thuận và nghịch tồn tại [120, 142, 146] Chính trong những công trình này đã đưa ra kết luận rằng sử dụng các phương pháp dự báo đa chiều làm tăng hiệu quả dự báo lên 10−20%

Cải thiện được tính khả báo như vậy là nhờ vai trò của các nhân tố

bình lưu trong hệ thống những mối liên hệ không gian của nhiệt độ mặt

đại dương Vai trò của nhân tố này đặc biệt biểu hiện rõ trong kết quả dự

báo thí nghiệm (hình 6.6) Muốn tính tới những mối liên hệ không gian

để dẫn tới tăng hiệu quả dự báo thống kê, có thể thực hiện bằng một số

cách: đưa các mối liên hệ với những điểm lân cận của vùng lưới vào mô

hình AP như trong [143] đã đề xuất, hay dự báo những thành phần chính

đầu tiên tính theo các hàm trực giao tự nhiên của tọa độ ngang, những

thành phần này mô tả 80% phương sai, như trong [241] Theo các tác giả,

phương pháp thứ hai tỏ ra hấp dẫn hơn, vì nó tránh cho người ta phải

chọn một cách chủ quan những điểm ảnh hưởng

Những kết quả dự báo độc lập sử dụng khai triển nhân tố dị thường

nhiệt độ mặt đại dương ở thủy vực biển NaUy (hình 6.7) là thí dụ vận

dụng mô hình đa chiều AP−1 và phép ngoại suy Bayes bậc một Vì

khai triển thực hiện theo mặt rộng (ma trận các số liệu xuất phát có kích

thước 26×120), nên các tỉ trọng nhân tố phản ánh mối liên hệ của các

trường trong thời gian

Các kết quả dự báo, thực hiện theo mô hình AP−1 một chiều và đa

chiều, không cao lắm: độ xác thực theo chỉ tiêu 0,8σ theo mặt rộng

tương ứng bằng 58 và 65% Độ xác thực theo các mô hình ngoại suy

Bayes cao hơn một ít, tuần tự bằng 65 và 73% Độ xác thực không cao bị

quyết định nhiều bởi những điều kiện dị thường hình thành vào tháng 2

năm 1984 ở phần phía tây biển NaUy–suy giảm cường độ hải lưu Đông

Grinlan (nhiệt độ mặt đại dương tăng lên 2°C) Đồng thời tăng cường hải

lưu Bắc Đại Tây Dương: nước của hải lưu này xâm nhập vào làm tăng

nhiệt độ mặt ở biển NaUy lên 0,8°C

Điều quan trọng cần nhận xét là kết quả cụ thể này phản ánh một

mối liên hệ đã biết giữa trạng thái nhiệt của các khối nước trong những

dòng chảy chính của biển NaUy và sản lượng sinh học của nó: sự ấm lên

của nước Bắc Băng Dương sẽ tạo thuận lợi cho nước của hải lưu Bắc Đại

Tây Dương tiến xa lên phía bắc và phía đông mang theo những thuỷ sinh

vật ưa nhiệt

Dưới đây ý tưởng này được phát triển chi tiết khi phân tích và dự báo sinh khối động vật phù du biển NaUy Nhìn chung những vùng nào của biển NaUy mà ở đó d≥74% (xem hình 6.5) thì tỏ ra thuận lợi nhất cho dự báo

Về tính khả báo không cao của các yếu tố hệ thống khí hậu trong khuôn khổ các mô hình một chiều tuyến tính đã được chứng minh về lý thuyết trong các công trình [35, 65, 142, 146, 151] Với khí quyển, tính khả báo là nhỏ hơn một, hai bước [146], với đại dương − bốn bước [151] tuỳ thuộc vào đặc trưng hệ thống khí hậu, độ gián đoạn quan trắc và quy mô không gian lấy trung bình

Như vậy, tăng thời hạn dự báo bằng cách ngoại suy các chuỗi xuất phát lên hơn hai, ba bước thời gian có lẽ là vô vọng Dưới góc độ thực tiễn điều này khá hiển nhiên: ta thường gắn chất lượng dự báo với điều kiện sai số dự báo không vượt ra quá 0,674σ hay 0,8σ, tức xấp xỉ tương ứng với 0,55 và 0,74 phương sai quá trình Trong khi đó hệ số tương quan phải lớn hơn 0,8

Mức liên hệ nội tại cao như vậy thường chỉ đảm bảo với bước trễ bằng một, hoặc tối đa hai bước thời gian [44] Chính điều này là nguyên nhân chính làm cho các phương pháp ngoại suy chuỗi thời gian ít phổ dụng Ý nghĩa thực tiễn của thông tin dự báo với một, hai bước thời gian không cao

Theo ý kiến các tác giả, việc vận dụng công cụ phân tích thống kê đa chiều tạo ra khả năng không chỉ tăng hiệu quả dự báo, mà còn tăng thời gian báo trước của dự báo quá trình khí tượng thủy văn bằng các phương pháp thống kê xác suất

Kết quả phân tích cấu trúc thời gian đối với các chuỗi những thành phần chính đầu tiên của các đặc trưng hải dương a i [181, 240] chỉ ra tính liên hệ nội tại chuỗi cao R a i(τ)≥0,8, tính ổn định của các hàm tự tương quan và tính đúng đắn của các mô men thống

kê đầu tiên: các ước lượng kỳ vọng toán học và phương sai Để xác

định độ ổn định thống kê của các ước lượng phương sai (σˆ2)

những thành phần chính, tính theo dị thường nhiệt độ mặt đại

dương trung bình tháng hoặc theo dị thường nhiệt độ mặt đại

dương trung bình mùa, chúng tôi đã tiến hành phân tích so sánh

theo các chuỗi được xê dịch tương đối so với nhau 12 tháng hoặc 4

mùa Những trị số trung bình của hiệu Δσtheo các vùng: 22 ô cạnh

5 ° kinh vĩ và 10 ô cạnh 5° kinh vĩ, tuần tự bằng 0,04°C đối với

trường hợp chuỗi trung bình tháng và 0,03 °C đối với trường hợp

chuỗi trung bình mùa, điều này chứng tỏ tính đúng đắn của các ước

lượng (với các trị số trung bình σˆ22=0,54C và σˆ20=0,47C)

Hình 6.7 Phân bố sai số dự báo dị thường nhiệt độ nước mặt

trung bình tháng biển Na Uy tháng 2 năm 1984 bằng những

phương pháp khác nhau:

a − Phương pháp Bayes một chiều, b − Phương pháp Bayes đa

Hình 6.8 Những hàm tự tương quan điển hình của hai

thành phần chính đầu tiên của các chuỗi dị thường nhiệt

độ nước mặt trung bình tháng vùng biển Na Uy (a), Đông Bắc Đại Tây Dương (b), vùng Gơnstrim (c)

Phân tích các đồ thị hàm tự tương quan của các thành phần chính (hình 6.8) cho phép ước lượng khoảng tương quan cực đại: theo toàn vùng đông bắc Đại Tây Dương và biển NaUy (32 ô cạnh 5° kinh vĩ) khoảng tương quan cực đại bằng 7 tháng với τ(a1) và giảm xuống còn 3 tháng với τ(a5) Thực tế khoảng này chỉ ra giới hạn khả báo cực đại của

dự báo: từ 7 đến 3 tháng

Bảng 6.1 Hiệu quả dự báo dị thường nhiệt độ mặt đại dương

trung bình tháng và trung bình mùa theo 32 ô ở Bắc Đại Tây

Dương (chuỗi độc lập từ tháng 1 đến tháng 8 năm 1981)

Thời hạn dự báo Độ xác thực, % Hiệu quả, %

Bảng 6.2 Ước lượng phần đóng góp (I) và độ ổn định của các hàm trực giao tự nhiên

của dị thường nhiệt độ mặt đại dương trung bình tháng tính theo

18 ô 5 ° kinh vĩ thuộc vùng Gơnstrim (Bắc Đại Tây Dương)

i k

Đã tiến hành phân tích tương tự với những chuỗi giá trị trung bình

mùa dị thường nhiệt độ mặt đại dương Xác định được giới hạn khả báo

cực đại bằng 1−2 mùa Độ xác thực dự báo dẫn trong bảng 6.1 Độ xác

thực cao ứng với thời hạn dự báo 1−2 tháng và 1 mùa (hơn 80%)

Bây giờ ta phân tích một vấn đề rất quan trọng− độ ổn định của các

hàm trực giao tự nhiên trong tọa độ không gian, vì với những

)(τ

i

a

R khá cao thì những giá trị dự báo nhiệt độ mặt đại dương có thể biến thiên mạnh trong trường hợp các hàm trực giao không ổn định Được biết rằng [115] các hàm trực giao tự nhiên được tính với độ chính xác tới một số thập phân Vì vậy thay dấu của các hàm trực giao tự nhiên khi bước trễ của chuỗi bằng 1 và hơn 1 bước thời gian có thể dẫn tới tính sai phần đóng góp của thành phần được dự báo

Cần đặc biệt lưu ý điều này nếu trong mô hình dự báo dạng (4.1) mỗi một dự báo tiếp sau được xem như trị số thực và thủ tục dự báo lặp lại cho bước 1, bước 2 và các bước tiếp sau Trong bảng 6.2 dẫn những kết quả rất đáng quan tâm: từ bảng này suy ra rằng độ ổn định của các hàm trực giao tự nhiên khá cao: khi xê dịch các chuỗi tới 60 giá trị (tháng) so với nhau mà vẫn giữ nguyên những nét chính của bản đồ dị thường nhiệt độ mặt đại dương trong trường ba hàm trực giao tự nhiên đầu tiên ở một vùng rất biến động như vùng Gơnstrim

Bảng 6.3 Hiệu quả dự báo dị thường nhiệt độ mặt đại dương trung

bình tháng theo 22 ô 5 ° kinh vĩ và trung bình mùa theo 10 ô 5° kinh vĩ

ở Bắc Đại Tây Dương (chuỗi độc lập từ tháng 1 đến tháng 6 năm 1982

Thời hạn dự báo Độ xác thực, % Hiệu quả, %

Như vậy là hiệu quả dự báo với thời hạn báo trước 1−2 bước thời gian theo một thủy vực khá lớn được quyết định chủ yếu bởi những tính chất của R a i(τ) trong điều kiện giữ nguyên những đặc điểm không gian

quy mô lớn của nhiệt độ mặt đại dương Kết quả dự báo theo sơ đồ này

dẫn trong bảng 6.3

Với tư cách là mô hình dự báo các thành phần chính đã sử dụng mô

hình AP bậc N , trong từng trường hợp cụ thể chọn bậc tối ưu theo cực

tiểu phương sai sai số [181]

Phân tích hiệu quả dự báo nhiệt độ mặt đại dương theo các mô hình

một chiều và đa chiều đã cho phép phát hiện những mối liên hệ cao về

thống kê (cũng có thể về vật lý) theo không gian cũng như theo thời gian

Tuy nhiên trong tất cả các trường hợp giới hạn khả báo đều không cao −

một, hai bước thời gian Như chúng tôi đã nói, muốn tăng giới hạn này

phải tăng quy mô lấy trung bình theo không gian và đặc biệt theo thời

gian Nhưng khi đó lại nảy ra vấn đề độ gián đoạn của giá trị dự báo

Thực vậy, khi dự báo dị thường nhiệt độ mặt đại dương trung bình

năm cho 1−2 năm sau, chúng ta không thể đưa ra dự báo giá trị trung

bình tháng theo cùng những năm đó, vì ở đây ta chỉ dùng các chuỗi dị

thường nhiệt độ trung bình năm Điều này chỉ ra rằng trong các sơ đồ đa

chiều dự báo thống kê xác suất chỉ tính đến ảnh hưởng cuả các quy mô

không gian khác nhau và không tính đến ảnh hưởng các quy mô thời

gian Hoàn toàn hiển nhiên rằng ảnh hưởng của chúng lên vùng dự báo sẽ

khác nhau tuỳ thuộc vào những quá trình khí tượng thủy văn quy mô vừa,

quy mô lớn hay quy mô toàn cầu

Việc tính tới ảnh hưởng qua lại của các quy mô thời gian khác nhau

trong các mô hình xác suất cho tới nay thực tế chưa được thực hiện Vì

vây, với mực đích tăng giới hạn khả báo các đặc trưng hải dương, chúng

tôi thử nghiệm biến thể sơ đồ dự báo đang xét mà không đưa thêm những

tham số (tiên lượng) bổ sung Thực chất của sơ đồ này là tính các hệ số

khai triển những giá trị trung bình tháng của dị thường nhiệt độ mặt đại

dương theo các hàm trực giao tự nhiên thời gian đối với từng ô của vùng

đồng nhất Bắc Đại Tây Dương Trong trường hợp này những hệ số khai

triển được tính cho từng năm cụ thể của chuỗi thời gian, còn các hàm trực

giao tự nhiên tương ứng với tháng cụ thể trong năm

Tiếp theo, khi tính và phân tích dạng của các hàm tự tương quan của những hệ số khai triển, điều quan trọng là phát hiện mối liên hệ tương quan ý nghĩa trong biến trình từ năm này sang năm khác của các hệ số khai triển với bước dịch thời gian bằng 1 năm (bước trễ 1 bước) Khi đó nếu thấy các hàm trực giao tự nhiên ổn định, chỉ cần dự báo các hệ số khai triển bằng một trong những phương pháp thống kê xác suất cho một bước tương lai

Rõ ràng, sơ đồ dự báo này, giống như trong trường hợp những hàm trực giao tự nhiên tọa độ không gian, phụ thuộc nhiều vào độ ổn định của các hàm trực giao tự nhiên trong thời gian và sẽ không dẫn đến sự giảm tiệm cận độ xác thực từ tháng giêng tới tháng 12 của năm đưọc dự báo, như trong phương pháp trước hay trong các mô hình tự hồi quy một chiều Sai số dự báo trong trường hợp này sẽ phân bố đều bên trong năm được dự báo và bằng chính điều đó sẽ nâng cao độ xác thực dự báo và tăng thời gian báo trước từ 1 đến 12 tháng

Những dự báo theo sơ đồ nêu trên đã được thực hiện cho những tập

dữ liệu đại biểu tại vị trí các tầu thời tiết I, J và K với thời gian báo trước

một năm Trong các bảng 6.4, 6.5 dẫn những đặc trưng thống kê chủ yếu của các thành phần chính đối với chuỗi giá trị trung bình tháng dị thường nhiệt độ mặt đại dương Từ những số liệu này rút ra rằng chỉ cần sử ba thành phần chính đầu tiên để dự báo Những hàm tự tương quan của chúng cho thấy sự liên hệ nội chuỗi cao khi xê dịch một năm (hình 6.9) Bán kính tương quan thời gian phụ thuộc nhiều vào cấu trúc trường [115]

mà vùng tính của chúng ta nằm trong đó: nếu trường các hàm trực giao tự nhiên của vùng tham dự vào trường các hàm trực giao tự nhiên của toàn miền, thì bán kính tương quan thời gian sẽ lớn và nó thuộc các vùng giàu

thông tin Cụ thể, đó là các vùng tầu thời tiết J và K (xem hình 6.9), điều

này phù hợp với những kết luận của công trình [187] Điều quan trọng là phải chứng tỏ những dao động dài hạn phát hiện được không ngẫu nhiên

Để làm điều đó đã tính những giới hạn tin cậy của hệ số tương quan với