thử nghiệm phương pháp lọc kalman tổ hợp cho mô hình wrf để dự báo mưa lớn miền trung việt nam

5 DANH MỤC KÝ HIỆU VIẾT TẮT NCEP Trung tâm quốc gia dự báo môi trường Hoa Kỳ A Ma trận sai sô hiệp biến phân tích A Vector sai số hiệp biến phân tích B Ma trận sai số hiệp biến nền B

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-NGUYỄN ĐỨC PHƯƠNG

THỬ NGHIỆM PHƯƠNG PHÁP LỌC KALMAN

TỔ HỢP CHO MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN

MIỀN TRUNG VIỆT NAM

Chuyên ngành : Khí tượng và Khí hậu học

Mã số : 60.44.87

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HDKH: TS Kiều Quốc Chánh

HÀ NỘI - 2012

3

MỤC LỤC

DANH MỤC CÁC KÝ HIỆU VIẾT TẮT 5

DANH MỤC CÁC BẢNG 6

DANH MỤC CÁC HÌNH VẼ 7

MỞ ĐẦU 8

CHƯƠNG I TỔNG QUAN 10

1.1 Tổng quan về dự báo mưa lớn 10

1.2 Tổng quan về đồng hóa số liệu 13

CHƯƠNG II CƠ SỞ LÝ THUYẾT VỀ ĐỒNG HÓA SỐ LIỆU VÀ MÔ HÌNH DỰ BÁO 15

2.1 Cơ sở lý thuyết về đồng hóa số liệu 15

2.1.1 Phương pháp nội suy tối ưu (OI) 16

2.1.2 Phương pháp lọc Kalman 22

2.1.3 Phương pháp lọc Kalman tổ hợp 25

2.2 Tổng quan về mô hình dự báo (WRF) 34

2.3 Các bước thao tác của mô hình WRF 34

2.4 Các bước chạy mô hình WRF sử dụng phương pháp đồng hóa số liệu 35

CHƯƠNG III KẾT QUẢ DỰ BÁO THỬ NGHIỆM 37

3.1 Mô tả thí nghiệm 37

3.1.1 Miền tính và cấu hình mô hình 37

3.1.2 Nguồn số liệu 37

3.1.3 Mô tả thí nghiệm 40

3.2 Kết quả và nhận xét 42

3.2.1 Kết quả dự báo tham chiếu 42

3.2.2 Kết quả dự báo với tập số liệu cao không tại Việt Nam 49

3.3 Đánh giá khả năng dự báo của mô hình 57

3.3.1 Đánh giá khả năng dự báo của mô hình khi đồng hóa số

liệu cao không khu vực châu Á 59 3.3.2 Đánh giá khả năng dự báo của mô hình khi đồng hóa số

liệu cao không Việt Nam 60 3.3.3 So sánh khả năng dự báo của mô hình khi đồng hóa số liệu

cao không khu vực Châu Á và khi đồng hóa số liệu cao không

Việt Nam 62

KẾT LUẬN 64 TÀI LIỆU THAM KHẢO 65

5

DANH MỤC KÝ HIỆU VIẾT TẮT

NCEP Trung tâm quốc gia dự báo môi trường Hoa Kỳ

A Ma trận sai sô hiệp biến phân tích

A Vector sai số hiệp biến phân tích

B Ma trận sai số hiệp biến nền

B Vector sai số hiệp biến nền

CTL(Control) Kết quả dự báo từ mô hình WRF

L Mô hình tiếp tuyến

LETKF Bộ lọc Kalman tổ hợp địa phương

M Đại diện cho mô hình dự báo

M Mô hình phi tuyến

Mem Thành phần tổ hợp

n Kích thước của trạng thái mô hình

OI Nội suy tối ưu

p Kích thước của vectơ quan trắc

Pa Ma trận sai số hiệp biến phân tích

Pb Ma trận sai số hiệp biến nền

Pf Ma trận sai số hiệp biến nền (hay dự báo)

Po Ma trận sai số hiệp biến quan trắc

Q Ma trận sai số hiệp biến mô hình

R Ma trận sai số hiệp biến quan trắc

R Vector sai số hiệp biến quan trắc

W Ma trận trọng số

WRF Weather and Research Forecasting

xa Trạng thái mô hình phân tích

xb Trạng thái mô hình nền

xt Trạng thái mô hình thực

y0 Vectơ quan trắc

ε b , ε m Sai số nền, sai số mô hình

Z Thời gian Greenwich, ví dụ: 1200Z hay 1200 UTC

DANH MỤC CÁC BẢNG

Bảng 3.1: Số liệu mưa ngày 16 một số trạm Khu vực miền Trung 36 Bảng 3.2: Số liệu mưa các trạm khu vực miền Trung 37 Bảng 3.3: Bảng cấp mưa và dạng mưa 54 Bảng 3.4: Bảng so sánh phân loại dự báo khi đồng hóa số liệu cao không khu vực Châu Á 45 Bảng 3.5: Bảng so sánh các chỉ số đánh giá dự báo khi đồng hóa số liệu cao không khu vực Châu Á 56 Bảng 3.6: Bảng so sánh phân loại dự báo khi đồng hóa số liệu cao không Việt Nam 57 Bảng 3.7: Bảng so sánh các chỉ số đánh giá dự báo khi đồng hóa số liệu cao không Việt Nam 57 Bảng 3.8: Bảng so sánh phân loại dự báo khi đồng hóa số liệu cao không khu vực Châu Á và Việt Nam 58 Bảng 3.9: Bảng so sánh các chỉ số đánh giá dự báo khi đồng hóa số liệu cao không khu vực Châu Á và Việt Nam 59

7

DANH MỤC CÁC HÌNH VẼ

Hình 2.1: Sơ đồ biểu diễn sự phân bố giữa điểm lưới trạm quan trắc với phân

bố không đồng đều 13

Hình 2.2: Minh họa hai bước chính của bộ lọc Kalman 21

Hình 2.3: Sơ đồ hệ thống của mô hình WRF 30

Hình 2.4: Sơ đồ chạy mô hình WRF 31

Hình 2.5: Minh họa sơ đồ hệ thống dự báo tổ hợp WRF 32

Hình 3.1: Miền tính và lưới lồng của mô hình 33

Hình 3.2: Miền lưới tính mô hình và vị trí một số trạm quan trắc cao không 34

Hình 3.3: Mạng lưới trạm Thám không vô tuyến tại Việt Nam 35

Hình 3.4: Bản đồ hình thế thời tiết lúc 7 giờ ngày 15 và 16/10/2010 37

Hình 3.5: Kết quả dự báo lúc 12Z ngày 14/10/2010 39

Hình 3.6: Kết quả dự báo lúc 12Z ngày 15/10/2010 40

Hình 3.7: Kết quả dự báo lúc 12Z ngày 16/10/2010 41

Hình 3.8: So sánh lượng mưa từ kết quả dự báo của WRF và WRF-KF với lượng mưa quan trắc tại trạm 44

Hình 3.9: Kết quả dự báo lúc 12Z ngày 14/10/2010 46

Hình 3.10: Kết quả dự báo lúc 12Z ngày 15/10/2010 47

Hình 3.11: Kết quả dự báo lúc 12Z ngày 16/10/2010 48

Hình 3.12: So sánh lượng mưa từ kết quả dự báo của WRF và WRF-KF khi sử dụng số liệu cao không Việt Nam 51

MỞ ĐẦU

Trong những năm gần đây các đợt mưa lớn kéo dài xảy ra ngày càng nhiều và ngày càng gia tăng về cường độ ví dụ như đợt mưa lớn từ ngày 29/10 đến 1/11/2008 tại các tỉnh miền Bắc (gây ra ngập lụt nặng tại Hà Nội và các tỉnh lân cận); đợt mưa lớn từ ngày 2 - 4/11/2009 và đợt mưa lớn từ 29/10 - 3/11/2010 tại các tỉnh Nam Trung

Bộ (gây ngập lụt nặng tại các tỉnh Phú Yên, Khánh Hòa và Ninh Thuận) hay đợt mưa

từ ngày 1 – 7/10 và từ 13 – 19/10/ 2010 tại các tỉnh miền Trung (gây lũ lụt lớn tại các tỉnh Nghệ An đến Quảng Bình) Các đợt mưa này đã gây ra lũ lụt lớn và thiệt hại rất nhiều về con người cũng như tài sản Chính vì vậy dự báo mưa lớn là bài toán rất cần thiết và quan trọng để giảm thiểu những thiệt hại do mưa lũ gây ra

Hiện tại, dự báo được mưa lớn dựa chủ yếu vào phương pháp mô hình hóa Đây

là bài toán dự báo có tính bất định cao do sự tương tác phức tạp giữa địa hình và hoàn lưu quy mô vừa Để làm tốt bài toán này không chỉ cần các mô hình bất thủy tĩnh tốt

mà còn phải có trường ban đầu tốt nhất có thể Hiện tại có rất nhiều phương pháp xử lý

để tạo trường ban đầu, được gọi là phương pháp đồng hóa số liệu Một cách cơ bản, đồng hóa số liệu là phương pháp sử dụng tất cả các giá trị quan trắc có được để ước lượng một cách tốt nhất các trạng thái của khí quyển và các dòng chảy đại dương tại một thời điểm nào đó Có nhiều phương pháp để đồng hóa số liệu như phương pháp hiệu chỉnh liên tiếp, phương pháp biến phân, phương pháp nội suy tối ưu (OI), phương pháp lọc Kalman (KF) hay phương pháp lọc Kalman tổ hợp (EKF) Hiện nay phương pháp đồng hóa lọc Kalman tổ hợp được xem như là một phương pháp tiếp cận mũi nhọn trong việc dự báo các bài toán có tính bất định cao Tuy vậy, ở nước ta phương pháp này còn ít được đưa vào ứng dụng trong quá trình làm dự báo cũng như nghiên cứu chuyên sâu Ưu điểm của việc đồng hóa số liệu bằng phương pháp lọc Kalman tổ hợp là không những tạo ra trường ban đầu tốt nhất mà còn tạo ra được một bộ các nhân ban đầu tối ưu hóa cho việc nắm bắt các khu vực có độ bất định cao Giá trị phân tích được cải thiện này sẽ cho phép mở rộng khoảng thời gian dự báo để dự báo được chính xác hơn

Để thấy rõ khả năng và ý nghĩa của việc đồng hóa số liệu, trong đề tài này chúng tôi chọn phương pháp lọc Kalman tổ hợp cho mô hình bất thủy tĩnh Weather and Research Forecasting (WRF, V3.2) dự báo đợt mưa lớn tại các tỉnh miến Trung từ

Chương II : Cơ sở lý thuyết về đồng hóa số liệu và mô hình dự báo

Chương III : Kết quả dự báo thử nghiệm

mà ở đó độ ẩm mực thấp đóng vai trò quan trọng trong việc hình thành các hệ thống thời tiết gây mưa lớn (Kato and Goda 2001; Kato et al 2003) [14; 15] Do tính chất bất ổn định mạnh của khí quyển trong các bài toán dự báo mưa lớn, điều quan tâm tiên quyết đối với các dự báo mô hình dự báo tại thời điểm này là phải tính được sự bất định của điều kiện ban đầu cũng như các sai số nội tại của các sơ đồ tham số hóa đối lưu

Các nghiên cứu gần đây nhất cho thấy khả nằng dự báo mưa lớn thời hạn 72-h hoặc lớn hơn một cách thống kê đều liên quan nhiều đến các hình thế mưa do bão (Schumacher and Davis 2010; Lin et al 2010) [ 19; 21] Với độ chính xác của dự báo

vị trí đổ bộ của bão ngày càng được nâng cao thì hình thế mưa lớn đi kèm theo cũng được cải thiện đáng kể Tuy nhiên do dự báo cường độ bão là không chính xác, dự báo

về cường độ của lượng mưa là không đủ tin cậy (Kehoe et al 2007; Payne et al 2007) [17; 20] Mặc dù các dự báo tổ hợp cho các hình thế mưa lớn do sự bất ổn định tà áp vùng ngoại nhiệt đới có thể cho được các bản tin tin cậy với hạn dự báo lên đến 96-h (Schumacher and Davis 2010) [21], khả năng dự báo trước 48-h và 72-h đối với các hình thế gây mưa lớn điển hình do tương tác gió mùa với địa hình phức tạp là một bài toán rất thách thức, ngay cả đối với các trung tâm nghiệp vụ lớn Sử dụng một mô hình

11

khu vực bất thuỷ tĩnh với 2 lưới lồng có độ phân giải là 7 km và 2.8 km, Elementi et

al (2005) [13] đã chỉ ra rằng các lực cưỡng bức do địa hình đóng vai trò quan trọng trong việc phát triển và phân bố của các thời điểm mưa lớn

Bằng cách cập nhật số liệu biên liên tục từng 3-h một từ mô hình toàn cầu ECMWF của trung tâm dự báo châu Âu với các độ phân giải khác nhau, Elemeti et al

đã dự báo được lượng mưa tích luỹ 24-h cho một vài hình thế mưa điển hình do tương tác địa hình và trường quy mô lớn Các phân bố mưa dự báo tất định của họ tuy nhiên

có những sai lệch rất đáng kể, ngay cả khi với độ phân giải rất cao Trong nghiên cứu tương tự của Kato và Aranami (2010) [16], mô hình quy mô meso của trung tâm khí tượng Nhật Bản với độ phân giải 1.5 km cũng đã được sử dụng để dự báo cho hai đợt mưa lớn thử nghiệm cho Nhật Bản với hạn dự báo chỉ giới hạn trong khoảng 3-h Các kết quả chỉ ra rằng ngay cả với hạn dự báo 3-h, các dự báo cũng chỉ cho được ghi nhận với một trường hợp duy nhất, các trường hợp còn lại không mô phỏng được do trường

ẩm ban đầu không được đặc trưng

Cùng với phương pháp dự báo mưa lớn bằng phương pháp số trị, một số các phương pháp khác cũng được sử dụng cho các mục đích dự báo ở hạn ngắn Trong một nghiên cứu đã sử dụng số liệu vệ tinh viễn thám để phát triển quá trình trích giá trị

điểm ảnh, Yaiprasert và nnk (2007) [10] đã sử dụng quá trình khai thác tự động số liệu

giá trị điểm ảnh từ chuỗi ảnh vệ tinh Sau đó, quá trình xử lý sẽ tính toán sự tương quan giữa giá trị pixel ảnh và giá trị lượng mưa có thể xảy ra Kết quả là khi giá trị điểm ảnh trung bình cao của dữ liệu hơi nước hàng ngày, lượng mưa hàng ngày có thể được dự báo là mưa lớn Điều này chỉ ra rằng giá trị điểm ảnh trung bình có thể được

sử dụng để dự báo mưa Sử dụng bộ số liệu vận tốc xuyên tâm ra đa, Lee và nnk

(2007) [18] đã sử dụng một phiên bản với độ phân dải cao của mô hình WRF để nghiên cứu về khả năng xuất hiện mưa lớn trên bán đảo Triều Tiên nơi mà hệ thống đối lưu quy mô vừa có tương tác mạnh với môi trường quy mô synop Trong nghiên cứu, đã tiến hành thí nghiệm chạy mô hình với 4 lưới lồng nhau với độ phân giải theo phương ngang 30 -1,1 km để mô phỏng một trường hợp mưa lớn trên Hàn Quốc vào tháng 6 năm 2003 Trong thí nghiệm, họ đã đánh giá được sự ảnh hưởng của độ phân giải cao theo phương ngang, sự khác biệt về thời gian ban đầu chạy mô hình, và sự đồng hóa vận tốc xuyên tâm ra đa tới lượng mưa được mô phỏng

Ở Việt Nam

Dự báo mưa lớn tại Việt Nam cũng được quan tâm từ rất lâu và cũng có rất nhiều tác giả đã nghiên cứu về vấn đề này Trong những thập kỷ trước, dự báo mưa lớn chủ yếu được nghiên cứu và thực hiện thông qua các phương pháp như Synop hay thống kê Trong công trình nghiên cứu dự báo trước 3 – 4 ngày mưa lớn trên lưu vực sông Hồng – Thái Bình bằng phương pháp thống kê của TS Nguyễn Đức Hậu, tác giả

đã xây dựng được các mô hình mô phỏng hình thế synop ở hai mực này trước 3 – 4 ngày mưa lớn trên lưu vực sông Hồng – Thái Bình Trên cơ sở xác định các dấu hiệu

và những đặc trưng synop cơ bản gây mưa lớn ở mực 850 mb và 500 mb, các dấu hiệu

và các đặc trưng của các mô hình được tiến hành xây dựng trên máy tính chương trình

dự báo khách quan về mưa lớn trước từ 3 đến 4 ngày Chương trình phần mềm khách quan có kết hợp với sản phẩm số trị và tự động cập nhật kết quả đo lượng mưa đã qua trên toàn quốc Đây là phương pháp dự báo mưa rất có hiệu quả và đã được sử dụng

dự báo thử nghiệm cho hai mùa mưa (1999 – 2000) và kết quả cho thấy là có thể sử dụng được trong nghiệp vụ dự báo

Tại Phòng dự báo hạn vừa, hạn dài – Trung tâm Dự báo Khí tượng Thủy văn trung ương, Phạm Đức Thi và các cộng tác viên đã nghiên cứu được các giới hạn trong việc xác định khả năng có hay không có mưa vừa, mưa to trong thời kỳ 10 ngày (đặc biệt là 5 ngày đầu của thời kỳ dự báo 10 ngày) bằng phương pháp bản đồ Bản đồ được

sử dụng là bản đồ chuẩn sai trung bình 10 ngày và bản đồ biến cao trung bình 5 ngày 5

H của bản đồ Âu Á mực 500 mb, các bản đồ này được xây dựng cho mỗi thời kỳ

dự báo Xuất phát từ một số đặc điểm của các quá trình mưa vừa, mưa to trong 2 tháng

V và VI, tác giả đã chọn 2 khu vực: Khu vực phía Bắc nằm trong phạm vi từ vĩ độ 35 – 50 0N và kinh độ 80 – 1000

E, và khu vực phía đông, trong phạm vi từ vĩ độ 15-300N

và kinh độ 120 -1400E để xét dấu chuẩn sai (∆H), thực chất là sự biến đổi của trường

độ cao địa thế vị của thời kỳ hiện tại so sánh với giá trị trường độ cao địa thế vị trung bình nhiều năm (TBNN), chuẩn sai âm hoặc dương thể hiện sự hoạt động mạnh mẽ (sâu xuống) hoặc suy yếu (đầy lên) của rãnh trên đới gió Tây (W), gắn liền với quá trình xâm nhập KKL xuống miền Bắc nước ta, và bản đồ biến cao trung bình 5 ngày 5

H với biến cao dương hoặc âm biểu hiện sự biến đổi cường độ của hệ thống Phạm

vi phía đông đặc trưng cho sự hoạt động của lưỡi áp cao tây Thái Bình Dương

13

Phương pháp phổ biến thứ hai ở Việt Nam là phương pháp synop Trong báo cáo công trình nghiên cứu về “Các dạng hình thế thời tiết gây mưa lớn ở miền Trung”,

Vũ Đình Hải (2000) và nnk đã sử dụng phương pháp thống kê synop để dự báo mưa

lớn với số liệu được lấy từ năm 1997 đến năm 1999 Trên cơ sở tổng hợp và phân tích toàn bộ các dạng mưa, tác giả đưa ra kết quả tổng quát về lượng mưa trung bình và thời gian, cũng như lượng mưa lớn nhất có thể có… ứng với từng loại hình thời tiết Tác giả đã chia ra 6 dạng hình thế synop gây ra mưa lớn như sau: 1) mưa do bão hoặc

áp thấp nhiệt đới đơn thuần ảnh hưởng đến khu vực; 2) mưa do bão, áp thấp nhiệt đới ảnh hưởng đến khu vực, tiếp sau là sự xâm nhập về phía tây của áp cao Thái Bình Dương; 3) mưa do hai cơn bão liên tiếp, hay bão sau đó là áp thấp nhiệt đới khác; 4) mưa do bão hoặc áp thấp nhiệt đới hoạt động ở Nam Biển Đông hay đổ bộ trực tiếp vào phía nam khu vực, trong khi đó phía bắc có sự xâm nhập về phía nam của không khí lạnh hoặc ở phía bắc của bão; 5) gió mùa đông bắc xâm nhập xuống phía nam theo hướng đông đông nam Trong bài này, ngoài việc phân tích đầy đủ các dạng hình thế synop gây mưa lớn ở Trung Trung Bộ, tác giả đã đưa ra được chỉ tiêu để đánh giá và

dự báo mưa

Ngoài 2 phương pháp chính ở trên, trong những năm gần đây do có sự phát triển về mặt công nghệ trong hiện đại hóa khoa học, bài toán dự báo mưa lớn cũng được hiện đại hóa bằng các mô hình số trị ở Việt Nam cũng đã bắt đầu được thử nghiệm Một vài nghiên cứu tiêu biểu là nghiên cứu mưa cho khu vực Trung Bộ trên

mô hình RAMS của Trần Tân Tiến (2004) Mô hình đã dự báo được diện và lượng mưa trạm phù hợp, đặc biệt là mô phỏng được lượng mưa tới 400mm/3 ngày Trong một thử nghiệm khác, Kiều Thị Xin (2005) áp dụng mô hình HRM để dự báo mưa lớn diện rộng ở Việt Nam Kết quả dự báo mưa lớn diện rộng với lượng mưa khoảng 50 mm/ngày Gần đây, Hoàng Đức Cường (2008) đã xây dựng thành công tổ hợp 9 dự báo thành phần của mô hình MM5 để dự báo mưa lớn ở Việt Nam Kết quả dự báo mưa của MM5 tuy nhiên chưa thật thuyết phục

1.2 Tổng quan về đồng hóa số liệu

Trên thế giới, nhiều nước đã thực hiện thành công việc đồng hóa dữ liệu cho

mô hình WRF Việc đồng hóa này đã đem lại những kết quả rất tốt cho nghiên cứu và

dự báo thời tiết Đồng hóa đã được thực hiện với hầu hết các dữ liệu quan trắc như

synop, cao không, tàu biển, ra đa, vệ tinh… Đi đầu trong lĩnh vực này là Mỹ với việc thực hiện đồng hóa dữ liệu cho hầu hết các loại dữ liệu của các trạm trên biển và dữ liệu máy bay tàu biển

Khu vực Châu Âu, đại diện là Trung tâm Dự báo thời tiết Hạn vừa Châu Âu (ECMWF) đã thực hiện việc đồng hóa dữ liệu phục vụ cho nghiên cứu và dự báo thời tiết cho các mô hình dự báo số trị trong đó có WRF Còn với khu vực Châu Á, có một

số nước thực hiện việc đồng hóa dữ liệu cho mô hình WRF như Trung Quốc, Thái Lan, Hàn Quốc Hàn Quốc đã đồng hóa cho các trạm mặt đất, các trạm cao không, biển, vệ tinh và thu được kết quả rất tốt Trong tương lai sẽ có nhiều quốc gia thực hiện việc đồng hóa này nhằm nâng cao kết quả dự báo thời tiết bằng phương pháp số

Ở Việt Nam, việc đồng hóa số liệu cũng được quan tâm từ nhiều năm nay, tuy vậy trong những năm gần đây việc nghiên cứu về đồng hóa số liệu đưa vào thử nghiệm các mô hình dự báo thời tiết cho Việt Nam mới thực sự được quan tâm và phát triển mạnh Hiện nay có rất nhiều trung tâm nghiên cứu dự báo thời tiết và các nhà khoa học quan tâm, nghiên cứu vấn đề này Trong các nghiên cứu gấn đây, Trần Tân Tiến (2004) đã thử nghiệm đồng hóa số liệu cho mô hình RAMS để dự báo mưa lớn cho khu vực Trung Bộ Trong một nghiên cứu khác, Hoàng Đức Cường đã đồng hóa số liệu cao không bằng phương pháp 3DVAR cho mô hình WRF để dự báo thời tiết ở Việt Nam [2]

15

CHƯƠNG II CƠ SỞ LÝ THUYẾT VỀ ĐỒNG HÓA SỐ LIỆU VÀ MÔ HÌNH DỰ BÁO

2.1 Cơ sở lý thuyết về đồng hóa số liệu

Một cách tổng quát, đồng hóa số liệu là quá trình tạo trường ban đầu tốt nhất có

thể cho một mô hình dự báo, dựa trên các mối quan hệ động lực và xác suất thống kê

Do đặc thù của mô hình dự báo thời tiết bằng mô hình số có tính phụ thuộc ban đầu mạnh, các bản tin dự báo thời tiết đôi khi cho các kết quả hoàn toàn sai lệch

do điều kiện ban đầu không chính xác

Quá trình đồng hóa về cơ bản bao gồm hai bước chính là 1) phân tích khách quan và 2) ban đầu hóa Theo bước phân tích khách quan, trường quan trắc sẽ được ngoại suy về điểm lưới của mô hình số một cách tối ưu Trong bước tiếp theo, trường ngoại suy này sẽ được cân bằng hóa sao cho các biến quan trắc phụ thuộc lẫn nhau sẽ được ràng buộc bởi một mối quan hệ động lực cho trước Điều này là cần thiết để tránh đưa vào các giá trị quan trắc tùy ý Mặc dù đồng hoá số liệu trong khí tượng đã được quan tâm từ đầu những năm 1950, bài toán này lại chỉ thực sự phát triển mạnh trong thời gian gần 20 năm gần đây do sự phát triển mạnh của máy tính cho phép thực hiện được các thuật toán một cách nhanh chóng và có hiệu quả

Đồng hóa số liệu đã trở thành một phương pháp quan trọng trong ngành dự báo Hiện nay phương pháp đồng hóa dữ liệu nhấn mạnh đặc biệt vào phương pháp liên tiếp Talagrand (1997) đã phân loại các phương pháp hiện tại của phương pháp đồng hóa dữ liệu như sau đồng hóa số liệu có thể chia thành nhiều nhóm khác nhau: tuần tự, không tuần tự, liên tục, biến phân v.v… Phụ thuộc vào quá trình đồng hóa, thuật toán trong đồng hóa chia thành hai nhóm chính là đồng hóa biến phân và đồng hóa dãy:

- Đồng hoá biến phân (ĐHBP), tập trung vào việc tìm kiếm trạng thái khí

quyển có khả năng xảy ra cao nhất ứng với một tập quan trắc và một trạng thái nền

cho trước Phụ thuộc vào cách xử lý số liệu là tức thời hay trong một khoảng thời gian, bài toán ĐHBP có thể chia nhỏ thành bài toán 3 chiều (3DVAR) hay 4 chiều (4DVAR)

- Phương pháp đồng hóa dãy dò tìm trạng thái phân tích theo cách làm tối thiểu

hoá sai số của trạng thái phân tích so với quan trắc và trạng thái nền Tiêu biểu nhất

cho phương pháp đồng hóa dãy là phương pháp nội suy tối ưu và các bài toán đồng hóa lọc Kalman

2.1.1 Phương pháp nội suy tối ưu (OI)

Để đánh giá tốt nhất về trạng thái của khí quyển ta cần kết nối thông tin trước

về trạng thái khí quyển (trường nền) với những quan trắc, nhưng để kết nối chúng đạt hiệu quả tốt nhất chúng cần có thông tin thống kê về sai số trong từng giai đoạn của

thông tin có được

Một ví dụ cơ bản của sự đánh giá tốt nhất giá trị thực của một vectơ vô hướng

xét nhiệt độ thực T t Khi đó đưa ra hai quan trắc phụ thuộc T 1 và T 2:

t t

Từ phương trình ( 1.2) (1.3) (1.4) biểu diễn thông tin thống kê mà chúng ta cần

biết về giá trị quan trắc thực tế Để đánh giá T t từ sự kết hợp hai quan trắc:

17

1 2

( )( )( )

2 1

Để khảo sát vấn đề tìm ra phân tích tối ưu cho một miền của mô hình nhiều

biến xa, giả thiết một trường nền dữ liệu xb trong không gian hai hoặc ba chiều, và tập

các quan sát yo không liên tục trong không gian (hình 2.1).

Hình 2.1 Sơ đồ biểu diễn sự phân bố giữa điểm lưới (hình tròn) trạm quan trắc với

phân bố không đồng đều (hình vuông)

Trường nền có thể là miền không gian hai chiều của một biến đơn như nhiệt độ

Ta(x,y), hoặc không gian ba chiều của các điều kiện ban đầu cho tất cả các biến dự báo

x=(p s ,T,q,u,v) Các biến nền được sắp đặt bằng cách chia lưới điểm và có thể thay đổi được, chiều của vector có độ dài là n, ở đó n là số biểu thị số lượng điểm của các biến

Ẩn số thực sự xt , miêu tả ở mô hình các điểm, cũng giống như độ dài vector n Chú ý

rằng chúng ta sử dụng các quan trắc yo khác nhau cho trường mà chúng ta cần phân

tích

Chúng ta sẽ xét bài toán với một vecto có độ dài n, có một vectơ đo được là yo

và một vectơ nền xb tìm mối liên hệ tốt nhất giữa yo và xb sao cho sai số đạt được là nhỏ nhất

Dựa vào phép thống kê nội suy ta có:

xt – x b = W[y o – H(x b )] – ε a = Wd – ε a

Trong đó W là ma trận trọng số kích thước (nxp) chiều, giá trị thực, giá trị phân

tích, và trường nền là vectơ có độ dài n Toán tử H chuyển trường nền thành phỏng

đoán đầu tiên của quan sát, H có thể là không tuyến tính Trường quan trắc yo là một

vectơ có chiều dài là p (số điểm quan trắc) Vectơ d cũng có độ dài là p được cho bởi:

Chú ý:

(a) Một ma trận sai số hiệp biến nhận được từ nhiều vectơ sai số

1 2

n

e e e

(b) Khi đó ma trận chuyển vị εT

= [ e 1 , e 2 , e n ] và ước lượng sai số trung bình

trên các điểm quan trắc được xác định bởi giá trị sau:

Ma trận hiệp biến trên là đối xứng nhau qua đường chéo trong khi đó các phần

tử trên đường chéo chính là phương sai eiei = ζ 2 i Nếu chúng ta biến đổi ma trận hiệp

biến bằng cách chia từng thành phần cho độ lệch chuẩn e i e j /ζ i ζ j ta được ma trận tương

quan (e i , e j )= ρ ij trong đó giá trị của các phần tử trên đường chéo là 1

11

1

n n

( )( )( )

x t

1 2

( )( )( )

Ở đây, ε(t) = xa (t) – x(t) là sai số hồi quy tuyến tính và W là ma trận có số chiều là (nxp) nó là sai số bình phương nhỏ nhất E( εTε ) Để nhận được W chúng ta

viết phương trình hồi quy các thành phần của ma trận một cách rõ ràng:

1( ) ( )

n i i t

2

( ) ( )

p n

1 ij

Vì vậy nếu chúng ta đạo hàm trong một khoảng thời gian trung bình dài và

chọn ma trận W giảm đến mức tối thiểu, chúng ta nhận được phương trình:

WE(yy T ) – E(xy T ) = 0

Hoặc

Tính chất thống kê

Chúng ta định nghĩa sai số nền và sai số phân tích khi vectơ có độ dài n:

εb (x,y) = x b (x,y) – x t (x,y)

εa (x,y) = x a (x,y) - x t (x,y) (1.22)

Có p giá trị quan trắc không đồng đều trong không gian, tại điểm yo(ri) có sai số quan trắc:

21

εoi = y o (r i ) – yt(r i ) = y o (r i ) – H[x t (r i )] (1.23)

Trong thực tế chúng ta không biết giá trị thực xt bởi vậy chúng ta không biết sai

số chính xác của giá trị nền và quan trắc nhưng chúng ta có thể tạo ra dựa trên một số

tính chất của hàm thống kê Trường nền và quan trắc được giả thiết là khách quan:

E {ε b (x,y)} = E{x b (x,y)} – E{x t (x,y)} = 0

E {ε o (r i )} = E{y o (r i )} – E{y t (r i )} = 0 (1.24)

Nếu dự báo (trường nền) và quan trắc là không đối xứng thì theo nguyên tắc

chúng ta có thể xác định được xu hướng trước khi tiến hành dự báo

Chúng ta xác định ma trận sai số hiệp biến cho giá trị phân tích, giá trị nền và

quan trắc có thể phi tuyến khi:

Ở đây, H là một ma trận (nxp) chiều chỉ rõ toán tử quan trắc tuyến tính với yếu

tố h i,j = ∂ H i / ∂x j : chúng ta cũng có thể giả sử rằng giá trị nền (thường một mô hình

dự báo) là một xấp xỉ tốt của giá trị thực vì vậy giá trị phân tích và quan trắc là cân

bằng với giá trị nền cộng với sự gia tăng nhỏ Bởi vậy vectơ cải tiến có thể được viết

lại dưới dạng sau:

d = y o – H(x b)= y o – H(x t + (x b – x t ))

= y o – H(x t ) – H(x b – x t ) = ε o – Hε b (1.27)

Ma trận H chuyển vectơ trong không gian mô hình vào giá trị tương ứng trong

không gian quan trắc, ma trận chuyển vị của nó chuyển từ vectơ trong không gian

quan trắc vào trong vectơ trong không gian mô hình Ma trận sai số hiệp biến nền B

(một ma trận có số chiều nxn) và ma trận sai số hiệp biến quan trắc R (ma trận có số

chiều pxp) được giả thiết đã biết Trong phần thêm vào chúng ta giả thiết rằng sai số

quan trắc và sai số nền là không tương quan với nhau:

E{ε oεT

Bây giờ chúng ta sẽ sử dụng sự xác định tuyến tính không thiên vị công thức

(1.21) để đạo hàm ma trận trọng số tối ưu W trong (1.12) x a – x b =Wd, nó xấp xỉ với

Xét lại công thức (1.28) chúng ta đã giả thiết rằng sai số quan trắc là không

tương quan với sai số nền vì vậy phương sai của chúng là bằng 0 Thay định nghĩa của

ma trận sai số hiệp biến nền B và sai số quan trắc R (1.25) vào trong (1.29) ta có ma

Giả sử rằng một trong hai phần thông tin T1 = Tb là dự báo (hoặc bất kỳ giá trị

nền khác) và một giá trị khác là quan trắc T2 = To từ (1.8) và ( 1.10) ta có thể viết lại

Ta như sau:

Ta = Tb + W( To – Tb ) (1.32)

23

Ở đây, ( To – Tb ) được định nghĩa là "đổi mới" quan trắc, nghĩa là những thông

tin mới đưa ra bởi quan trắc Nó cũng được biết đến như là gia số quan trắc, W là trọng

số tối ưu, được đưa ra bởi:

W = ζ 2 b (ζ 2 b + ζ 2 o ) -1 (1.33)

Và biến sai số phân tích như trước đây:

ζ 2

a = (ζ -2 b + ζ 2 o ) – 1 (1.34) Biến phân tích có thể được viết lại như sau:

đã hoàn thành phân tích tại thời điểm t i và tiến hành các chu kì tiếp theo cho thời điểm

t i + 1 Chu trình phân tích gồm hai giai đoạn: giai đoạn dự báo để cập nhật giá trị nền Tb

và sai số hiệp biến ζ2b , giai đoạn phân tích cập nhật giá trị phân tích Ta và sai số hiệp

biến của nó ζ2a

Trong giai đoạn dự báo của chu trình phân tích giá trị nền đầu tiên có được thông qua một dự báo:

Tb(t i+1 ) = M[Ta(t i)] (1.36)

Ở đây, M đại diện cho một mô hình dự báo (mà có thể là một mô hình động lực,

kiên trì, khí hậu học, ngoại suy …) Chúng ta cũng cần đánh giá sai số hiệp biến nền Trong OI điều này được thực hiện bằng cách làm cho một số giả thiết đơn giản phù hợp, chẳng hạn như mô hình hợp gia tăng sai số hiệp biến ban đầu bởi một số lượng cố định:

sử dụng chính các mô hình dự báo Nếu chúng ta áp dụng mô hình (1.36) để cập nhật giá trị nhiệt độ sẽ có lỗi vì mô hình không hoàn hảo:

Tt (ti+1) = M[Tt(ti)] – ε M

Mô hình sai số được giả thiết là không thiên vị với một sai số hiệp biến

Q 2 =E(ε 2

M ) Sau đó:

ε b,i+1 = (Ta – Tt)i+1 = M(Ta)i – M(Tt)i + ε M = Mε a,i + ε M (1.38)

Ở đây, M = ∂M/∂T là tuyến tính hoặc toán tử mô hình tiếp tuyến, và dự báo cho

sai số hiệp biến nền tại thời điểm mới:

ζ2

b,i+1 = E(ε 2 b,i+1) = M2ζ2

Trong giai đoạn phân tích của chu kỳ phân tích (cả OI và lọc Kalman) ta có

được phân tích mới Ta(ti+1) từ (1.32), ước tính của ζb2 từ (1.34) cho OI, hoặc (1.39) cho

lọc Kalman, và sai số hiệp biến phân tích mới ζa2(t i+1) từ (1.35) Sau khi phân tích, chu

kỳ cho thời điểm t i+1 được hoàn thành, và chúng ta có thể thực hiện chu kỳ tiếp theo

Các phương trình cho lọc Kalman tương tự như đối với OI Khác biệt chính là

sai số hiệp biến nền B, thay vì được giả thiết là không đổi theo thời gian như trong OI

hay 3D-Var, thì lại được cập nhật từ thời điểm phân tích trước đó tn đến thời điểm phân

tích mới t n+1 Các mô hình dự báo bắt đầu phân tích tại t n, xbn+1 = M(xna), trong đó M là

mô hình phi tuyến

trận Kalman K Mặc dù điều này rõ ràng là một thay đổi nhỏ từ OI, các phép nhân ma

trận của M trong phương pháp nội suy tối ưu tương đương với việc tích hợp các mô

hình dự báo n/2 lần, với n là số bậc tự do của mô hình

ra dựa theo phân bố xác xuất cũng như giá trị sai số của trường phân tích P a tại từng thời điểm Ví dụ nếu phân bố của trường phân tích có dạng phân bố chuẩn Gauss, khi đó tập đầu vào của trường phân tích sẽ phải tuân theo phân bố

(1.42) trong đó là giá trị trường phân tích trung bình tổ hợp thu được từ bước phân tích

của lọc Kalman Với một tập K các đầu vào { xa }k=1… K sinh ra từ phân bố

(1.42), chúng ta có thể thu được ma trận sai số hiệp biến dự báo cho bước thời gian tiếp theo như sau:

(1.43)

Hai biến thể được phát triển phổ biến nhất hiện này của bộ lọc bộ lọc Kalman

tổ hợp (EnKF) là bộ lọc EnKF chuỗi (Serial EnKF), và bộ lọc EnKF địa phương biến đổi (LETKF) [1]

b) Lọc Kalman tổ hợp chuỗi

Về mặt bản chất, lọc EnKF chuỗi (SEnKF) là quá trình trong đó số liệu quan trắc được đồng hóa lần lượt từng giá trị một Quá trình này sẽ làm giảm kích thước cũng như khối lượng tính toán Để thảo luận được rõ ràng chúng ta viết lại phương trình cập nhật trạng thái phân tích sau:

(1.43)

Trong đó

Lưu ý rằng quá trình cập nhật trạng thái phân tích này sẽ chỉ được áp dụng cho

trường trung bình tổ hợp Để tạo ra được các thành phần tổ hợp phân tích tiếp theo, cần phải tạo thêm một bộ nhiễu phân tích và cộng vào trường phân tích trung

bình tổ hợp như sẽ trình bày trong các phần tiếp theo

lần lượt từng giá trị quan trắc một, phương trình (1.43) và tích (1.46) sẽ đơn giản hóa

rất nhiều Thật vậy, với chỉ một giá trị quan trắc, Hx f sẽ trở thành một vô hướng, và

do đó tích P fHTsẽ trở thành một vector, tạm gọi là vector c Cũng như vậy HP fHT

sẽ chỉ còn là một vô hướng và do đó có thể viết lại số hạng nghịch đảo của

(R+HPfHT) như là nghịch đảo của một giá trị vô hướng, tạm gọi là d Như vậy,

(1.43) sẽ rút gọn thành:

(1.49)

với chỉ số chiều của mô hình i chạy trên toàn các nút lưới mô hình (i = 1… N)

được viết tường minh Phương trình cập nhật (1.49) phát biểu rằng với mỗi giá trị

quan trắc được đưa vào yo, tương quan của giá trị quan trắc này với tất các điểm nút

lưới khác (được biểu diễn bởi ci) sẽ lan truyền ảnh hưởng của quan trắc này lên tất cả

các điểm nút lưới (lưu ý rằng chỉ số i chạy trên tất cả các điểm nút lưới) Mức độ ảnh

hưởng của quan trắc tới các điểm nút lưới mô hình được cho bởi tham số d; sai số

quan trắc càng nhỏ, mức độ ảnh hưởng của quan trắc sẽ càng lớn và ngược lại

Với một giá trị quan trắc điểm duy nhất, ma trận sai số hiệp biến phân tích theo phương trình (1.44) cũng được đơn giản hóa rất đáng kể:

Bộ nhiễu phân tích này không thể chọn tùy ý mà phải được xây dựng dựa trên trường

sai số hiệp biến phân tích P a cho bởi (1.50) Có rất nhiều lựa chọn khác nhau, xong

một lựa chọn phổ biến nhất là sử dụng phương pháp căn quân phương ma trận Gọi tổ hợp bộ nhiễu là Xa = {x’1a| x’2a|…| x’ka

29

Gọi N là kích thước của trạng thái nền và K là số thành phần tổ hợp, các bước

đồng hóa của lọc SEnKF như vậy sẽ bao gồm các bước như sau:

- Bước 1: chọn một số liệu quan trắc duy nhất yo trong tập các số liệu quan trắc tại thời điểm i;

- Bước 2: tính trung bình tổ hợp của trường dự báo theo công thức (1.48) và

xây dựng ma trận nhiễu nền:

- Bước 3: xây dựng ma trận H (1 x N) và theo vector c = PfHT RN theo công thức (21) dựa theo tổ hợp dự báo nền có được tại thời điểm i;

- Bước 4: tính giá trị d = (R + Hc) và β = [1+(R/d)1/2]-1 Lưu ý rằng

vì chúng ta làm việc với từng giá trị quan trắc một, ma trận R sẽ chỉ là một

giá trị vô hướng đặc trưng giá trị phương sai sai số của quan trắc yo;

- Bước 5: Tính trạng thái phân tích trung bình tổ hợp xa dựa theo phương

trình (1.49);

- Bước 6: Tính nhiễu tổ hợp phân tích Xa theo (1.53)

- Bước 7: Cộng nhiễu tổ hợp phân tích Xa với trung bình tổ hợp phân tích

để thu được một tổ hợp phân tích { ứng với quan trắc yo;

- Bước 8: Gán trường nền tổ hợp bằng giá trị phân tích tổ hợp thu được ở

bước 7 ở trên, nghĩa là Lưu ý rằng bằng việc gán liên tục trường

tổ hợp nền bằng giá trị trường phân tích mới, chúng ta sẽ tiết kiệm được bộ nhớ rất nhiều

- Bước 9: Quay lại bước 1 với số liệu quan trắc mới cho đến khi đồng hóa toàn

bộ tập số liệu quan trawcscos được tại thời điểm i

Có thể chứng minh được tường minh rằng trong các bài toán mô hình tuyến tính,

đồng hóa chuỗi từng số liệu một sẽ cho kết quả tương tự như đồng hóa đồng thời tất cả các số liệu Một chú ý là quá trình tính toán sẽ được giảm rất nhiểu nếu để ý rằng số liệu quan trắc tại một điểm cho trước có xu hướng chỉ ảnh hưởng các quan trắc ở lân cận nó Do đó, thay vì cập nhật toàn bộ các điểm nút lưới với từng quan trắc, có thể chọn một lân cận xung quanh điểm quan trắc để cập nhật Điều này không chỉ làm giảm khối lượng tính toán mà nó còn rất cần thiết để loại bỏ các tương quan chéo

giả do các thành phần tổ hợp là hữu hạn Quá trình địa phương hóa số liệu quan trắc này sẽ được xem xét chi tiết hơn trong thuật toán đồng hóa tiếp theo

c)Lọc Kalman tổ hợp địa phương

Có thể nhận thấy rằng trong phương pháp đồng hóa chuỗi ở trên, toàn bộ quá trình đồng hóa có tính kế thừa và không thể song song hóa để tăng tốc độ tính toán Do

đó, lọc SEnKF nói chung sẽ xử lý số liệu quan trắc không hiệu quả, đặc biệt trong trường hợp số liệu quan trắc là rất lớn Mặc dù điều này có thể được khắc phục bằng cách xử lý lựa chọn số liệu quan trắc kết hợp các quan trắc quá gần nhau bằng phương

pháp “siêu ép” số liệu, lọc SEnKF vẫn chưa được tối ưu hóa hoàn toàn cho các bài

toán đồng hóa lọc tổ hợp Trong phần này, chúng ta sẽ xem xét một biến thể khác của lọc EnKF cho phép xử lý số liệu một cách hiệu quả hơn rất nhiểu, được gọi là phương pháp lọc Kalman tổ hợp địa phương hóa biến đổi (Local ensemble transform

Kalman filter, LETKF) Phương pháp này được đề xuất ban đầu bởi Hunt và ccs

năm 2005 và đã được đưa vào thử nghiệm trong một vài nghiên cứu với các mô hình toàn cầu Đây cũng chính là phương pháp sẽ được lựa chọn và đưa vào mô hình thời tiết WRF trong phần sau

Một cách cơ bản, lọc LETKF là một phương pháp theo đó tại mỗi điểm nút lưới, chúng ta sẽ chọn một lân cận với kích thước cho trước Với không gian con này, chúng ta sẽ chọn ra tất cả các quan trắc cho được bên trong không gian này và tạo ra một vector quan sát lân cận Sau đó sử dụng ma trận nhiễu tổ hợp nền để biến đổi từ không gian con căng bởi số điểm nút lưới địa phương sang không gian căng bởi số thành phần tổ hợp Điều này sẽ làm giảm đáng kể khối lượng tính toán ma trận vì không gian tổ hợp thường nhỏ hơn không gian địa phương rất nhiều Do đó các phép toán ma trận sẽ có độ chính xác cao hơn Để minh họa thuật toán một cách rõ ràng, nhắc lại rằng ma trận nhiễu tổ hợp nền Xf (có số chiều N x K) được định nghĩa như

31

sau:

Trong đó là trung bình tổ hợp Gọi w là một vector biến đổi trong không

gian tổ hợp được định nghĩa như sau:

Khí đó, hàm giá trong không gian tổ hợp địa phương sẽ chuyển thành

Trong đo J[xb + X b w] là hàm giá trong không gian mô hình Hàm giá sẽ được

cực tiểu hóa nếu w là trực giao với không gian con rỗng của toán tử Xf Lấy đạo hàm của theo w, chúng ta sẽ thu được giá trị làm cực tiểu hóa hàm giá (1.57) như sau:

(1.58) trong đó:

và

(1.60) Như vậy, trong không gian tổ hợp, ma trận trọng số thu được từ (1.58) sẽ có dạng:

và do đó ma trận trọng số K trở thành

(1.61)

Với ma trận K thu được ở trên, giá trị trạng thái phân tích trung bình tổ hợp tại

điểm nút chúng ta đang quan tâm sẽ được cho bởi

(1.62) Cũng giống như bộ lọc SEn KF, nhiệm vụ cuối cùng là xây dựng bộ tổ hợp các trạng thái phân tích Để làm điều đó chúng ta chú ý rằng:

Kết hợp (18) và (35) với chú ý trên ta thu được:

- Bước 1: tại mỗi điểm nút lưới, chọn một vùng thể tích lân cận bao xung quanh

điểm nút đó để xây dựng ma trận nhiễu nền địa phương

- Bước 2: trong mỗi thể tích lân cận, tìm tất cả các quan trắc bên trong thể tích

lân cận này và xây dựng ma trận quan trắc nhiễu nền

(nếu H là toán tử tuyến tính, khi đó Y f = HX f)

Đồng thời xây dựng ma trận sai số quan trắc R ứng với các quan trắc bên trong thể

tích;

- Bước 3: Tính ma trận sai số hiệp biến biến đổi theo (1.60) và sau đó ma

trận trọng số K theo (1.61);

- Bước 4: Cập nhật giá trị trung bình tổ hợp địa phương theo (1.62);

- Bước 5: Tính ma trận nhiễu phân tích Xa theo (1.65) và cộng vào để thu được tổ hợp phân tích lân cận mới ;

33

- Bước 6: Chọn điểm giữa vector tổ hợp vector phân tích lân cận và gán điểm này cho điểm nút lưới

- Bước 7: Quay trở lại bước 1 và lặp cho đến hết tất cả các điểm nút lưới

Có thể nhận thấy dễ dàng trong các bước tính toán ở phía trên rằng các điểm nút lưới khác nhau được thực thi một cách hoàn toàn độc lập với nhau Đây

là một ưu điểm của lọc LETKF vì chúng ta có thể song song hóa bộ lọc này một cách hiệu quả bằng cách chia các phần công việc độc lập cho các lõi tính toán khác nhau Điều này cho phép tăng tính hiệu quả tính toán lên rất nhiều so với SEnKF

2.2 Tổng quan về mô hình dự báo (WRF)

Mô hình nghiên cứu và dự báo thời tiết WRF (Weather Reseach and Forecast)

là mô hình khí tượng tân tiến và chính xác nhất hiện nay Hệ thống phần mềm trong WRF được phát triển là khung phần mềm hiện đại Sự tiến bộ của nghiên cứu sẽ là một con đường trực tiếp dẫn tới nghiệp vụ Mô hình WRF cho phép sử dụng các tùy chọn khác nhau đối với tham số hóa các quá trình vật lý, như tham số hóa bức xạ, tham số hóa lớp biên hành tinh, tham số hóa đối lưu mây tích, khuyếch tán xoáy rối quy mô dưới lưới hay các quá trình vi vật lý khác Mô hình có thể sử dụng số liệu thực hoặc

mô phỏng lý tưởng với điều kiện biên xung quanh là biên tuần hoàn, mở, đối xứng

Hiện tại WRF có hai phiên bản là phiên bản nghiên cứu nâng cao ARW (Advanced Research WRF) và phiên bản quy mô vừa phi thủy tĩnh NMM (Nonhydrostatic Meso Model) Trong luận văn này, tôi sử dụng phiên bản ARW làm công cụ nghiên cứu Mô hình này bao gồm giải pháp động lực ARW (ARW solver) cùng với các thành phần cần thiết khác của hệ thống WRF được đánh giá là một mô hình khá hoàn thiện về hệ thống vật lý, thủ tục lý tưởng hóa và đồng bộ hóa các gói dữ liệu

suy số liệu địa hình, loại đất, lớp phủ thực vật… về lưới của mô hình Sau đó, bộ phận

mô phỏng của mô hình WRF sẽ thực hiện tích phân hệ các phương trình với các tham

số đầu vào đó được xác định như: miền tính, độ phân giải, bước thời gian.v.v… bộ phận xử lý cuối cùng sẽ sử dụng các phần mềm đồ họa (GRADS) để hiển thị các kết quả dự báo của mô hình

2.3 Các bước thao tác của mô hình WRF

- Biên dịch chương trình: phần lớn các mô hình WRF, mã WPS và

WRFDA được viết bằng Fortran 90 Sau khi tải dữ liệu về thực hiện chương trình biên dịch sẽ tạo ra được các file có đuôi exe

- Sửa file namelist.wps

Dưới đây là sơ đồ cấu trúc các thư mục cần đến để làm việc trong hệ thống

WRF Trong thư mục WPS cần biên tập lại file namelist.wps gồm có các thông tin về

ngày, tháng, năm, giờ, phút, bắt đầu dự báo và kết thúc, kích thước miền tính, bước thời gian tích phân v.v…

Hình 2.3 Sơ đồ hệ thống của mô hình WRF