Nghiên cứu phát triển hệ thống tư duy dự báo tổ hợp thời tiết hạn ngắn cho khu vực Việt Nam

Hệ thống SREPS đã được xây dựng thành công dựa trên cách tiếp cận đa mô hình đa phân tích chạy 4 mô hình NWP khu vực HRM, BoLAM, WRFARW và WRFNMM với số liệu đầu vào từ 5 mô hình toàn cầ

TRUNG TÂM KHÍ TƯỢNG THỦY VĂN QUỐC GIA

TRUNG TÂM DỰ BÁO KHÍ TƯỢNG THỦY VĂN TRUNG ƯƠNG

Số 4 Đặng Thái Thân - Quận Hoàn Kiếm - Hà Nội

-******** -

BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ CẤP BỘ

Hà Nội, ngày tháng 08 năm 2012 Hà Nội, ngày tháng 08 năm 2012

Nguyễn Văn Tuệ

Hà Nội, ngày tháng 08 năm 2012 Hà Nội, ngày tháng 08 năm 2012

HỘI ĐỒNG ĐÁNH GIÁ CHÍNH THỨC

CHỦ TỊCH HỘI ĐỒNG

Nguyễn Lê Tâm

CƠ QUAN QUẢN LÝ ĐỀ TÀI TUQ BỘ TRƯỞNG

VỤ TRƯỞNG

VỤ KHOA HỌC VÀ CÔNG NGHỆ

Nguyễn Đắc Đồng

MỤC LỤC

MỞ ĐẦU 1 CHƯƠNG I KHÁI QUÁT VỀ DỰ BÁO TỔ HỢP THỜI TIẾT HẠN

hạn ngắn cho khu vực Việt Nam

13

CHƯƠNG II THIẾT KẾ VÀ XÂY DỰNG HỆ THỐNG DỰ BÁO TỔ

HỢP THỜI TIẾT HẠN NGẮN CHO KHU VỰC VIỆT NAM

15

2.2 Nghiên cứu lựa chọn nguồn số liệu toàn cầu và mô hình dự

báo số trị khu vực để xây dựng hệ thống dự báo tổ hợp thời

tiết hạn ngắn

18

2.3 Thiết kế và xây dựng hệ thống dự báo tổ hợp thời tiết hạn

ngắn cho khu vực Việt Nam

23

2.4 Mô tả tập số liệu nghiên cứu và phương pháp xử lý số liệu 27

2.4.2 Phương pháp xử lý số liệu 32

2.4.2.3 Phương pháp tạo trường mưa phân tích trên lưới 35

2.6 Nghiên cứu xây dựng bộ chương trình hiển thị các sản phẩm

dự báo từ hệ thống dự báo tổ hợp thời tiết hạn ngắn

3.1.1 Dự báo lượng mưa tích lũy 6 giờ 51

3.1.3 Dự báo trường khí áp mực biển trung bình và gió tại độ cao 10

mét

66

3.2.1 Dự báo trường nhiệt và ẩm 69

4.1 Dự báo xác suất các trường bề mặt 84

4.1.1 Dự báo xác suất mưa tích lũy 6 giờ 84

4.1.3 Dự báo tổ hợp trường khí áp mực biển trung bình và gió tại độ cao

10 mét

96

4.2.1 Dự báo tổ hợp trường nhiệt và ẩm 100

KẾT LUẬN VÀ KIẾN NGHỊ 114 TÀI LIỆU THAM KHẢO 116 PHỤ LỤC I: Quy ước tên biến khí quyển 122

II.1 Đánh giá dự báo trung bình tổ hợp 125

II.2 Đánh giá dự báo xác suất 130

PHỤ LỤC III: Một số kết quả đánh giá 138

III.1 Kết quả đánh giá chỉ số FB cho các ngưỡng nhỏ (0.1mm/6h), mưa

vừa (2mm/6h) và mưa rất to (20mm/6h) trung bình trên toàn khu vực Việt

Nam

138

III.2 Kết quả tính toán chỉ số FB cho ngưỡng nhỏ (1.0mm/6h), mưa vừa

(5mm/6h) và mưa rất to (20mm/6h) trung bình theo 4 khu vực nghiên cứu

(BB, BTB, NTB và NB) và 4 mùa dự báo (MAM, JJA, SON và DJF)

142

III.3 Kết quả đánh giá chỉ số ETS cho các ngưỡng nhỏ (0.1mm/6h), mưa

vừa (2mm/6h) và mưa rất to (20mm/6h) trung bình trên toàn khu vực Việt

Nam

159

III.4 Kết quả đánh giá chỉ số RMSE trung bình trên toàn bộ lưới đánh giá

cho một số biến bề mặt đối với các dự báo thành phần và dự báo trung bình

tổ hợp

162

III.5 Kết quả đánh giá chỉ số RMSE trung bình trên toàn bộ lưới đánh giá

cho một số biến trên cao tại mực 500mb đối với các dự báo thành phần và

dự báo trung bình tổ hợp

168

III.6 Các kết quả tính toán một số chỉ số đánh giá xác suất mưa 174

III.7 Kết quả đánh giá chỉ số POD và FAR cho các ngưỡng nhỏ (1mm/6h),

mưa vừa (10mm/6h) trung bình trên 4 khu vực Bắc Bộ, Bắc Trung Bộ,

Nam Trung Bộ, Nam Bộ và Việt Nam

180

PHỤ LỤC IV: Quy trình nghiệp vụ 184

IV.2 Quy trình hướng dẫn sử dụng các sản phẩm dự báo của hệ thống

SREPS

187

PHỤ LỤC KHÁC

Bìa và bài đăng trong tạp chí KTTV tháng 3 năm 2012

Giấy xác nhận đã nhận bài đăng trên tạp chí KTTV

Giấy xác nhận tham gia đào tạo cử nhân khí tượng Giấy xác nhận sử dụng sản phẩm của đề tài và ý kiến phản hồi

DANH SÁCH CÁC HÌNH VẼ

TT Số thứ

lên chỉ số BSS đối với nhiều hiện tượng có khả năng dự báo khác nhau (theo Palmer, 2002)

18

trong hệ thống SREPS dựa trên hệ thống HPC 16 nodes

8 2.4.5 Miền lưu số liệu dự báo từ 20 dự báo thành phần của hệ thống

10 2.4.7 Bản đồ phân tích mưa tích lũy 12 giờ từ 7h đến 19 giờ ngày

1/11/2010 (bên trái) và từ 19h ngày 1/11/2010 đến 7 giờ ngày 2/11/2010( bên phải) (Chú ý: chỉ hiển thị cho dữ liệu bên trong đất liền)

37

11 2.5.1 Miền đánh giá chung cho các biến bề mặt (ngoại trừ mưa) và

trên cao dự báo từ hệ thống SREF

38

12 2.5.2 Sơ đồ minh họa các thành phần sai số dự báo quỹ đạo bão (ký

hiệu OB là quan trắc và FC là dự báo) Điểm OB1 là tâm quan trắc tại thời điểm bắt đầu dự báo và dấu mũi tên chỉ hướng di chuyển của bão

40

13 2.6.1 Bản đồ tem dự báo hạn 24 giờ cho trường gió mực 850 từ hệ

thống SREPS dự báo từ 00Z ngày 29 tháng 9 năm 2008

42

14 2.6.2 Tương tự hình 2.6.1 nhưng cho trường mưa tích lũy 24 giờ 42

15 2.6.3 Bản đồ dự báo EM hạn 24 giờ cho trường pmsl và gió 10 mét

(bên trái) và H với gió mực 850mb từ hệ thống SREPS từ 00Z ngày 29 tháng 9 năm 2008

44

16 2.6.4 Bản đồ dự báo xác suất mưa hạn 24 giờ cho một số ngưỡng

mưa cho trước từ hệ thống SREPS dự báo từ 00Z ngày 29 tháng 9 năm 2008

44

TT Số thứ

17 2.6.5 Tương tự hình 2.6.4 nhưng cho các phân vị mưa 45

18 2.6.6 Tương tự hình 2.6.4 nhưng cho xác suất gió mạnh 45

19 2.6.7 Bản đồ xác suất đường đi của bão HIGOS (0817) cho đến hạn

dự báo 72 giờ với thời điểm bắt đầu dự báo từ 12Z ngày 28/09/2008

46

20 2.6.8 Bản đồ xác suất đổ bộ của bão HIGOS (0817) cho các trạm

Vinh (trái) và Tĩnh Gia (phải) dự báo từ 12Z ngày 28/09/2008

47

21 2.6.9 Biểu đồ epsgram dự báo cho trạm Vinh (trái) và Tĩnh Gia

(phải) đến hạn dự báo 72 giờ với thời điểm bắt đầu dự báo từ 00Z ngày 29/09/2008

48

sản phẩm dự báo của hệ thống SREPS

49

23 3.1.1 Kết quả tính toán chỉ số FB trung bình trên toàn bộ Việt Nam

và 3 năm (2008-2010) với ngưỡng 10mm/6h cho mùa xuân - MAM với các dự báo thành phần từ mô hình HRM (trên, trái), BoLAM (trên, phải), WRFARW (dưới, trái) và WRFNMM (dưới, phải)

52

27 3.1.5 Kết quả tính toán chỉ số ETS trung bình trên toàn bộ Việt Nam

với ngưỡng 10mm/6h cho mùa MAM với các dự báo thành phần từ mô hình HRM (trên, trái), BoLAM (trên, phải), WRFARW (dưới, trái) và WRFNMM (dưới, phải)

59

31 3.1.9 Kết quả tính toán chỉ số ETS trung bình trên toàn bộ Việt Nam

và mùa SON với ngưỡng 10mm/6h từ mô hình HRM cho khu vực BB (trên, trái), BTB (trên, phải), NTB (dưới, trái) và NB (dưới, phải)

62

33 3.1.11 Kết quả tính toán chỉ số RMSE trung bình trên lưới đánh giá

cho dự báo T2m mùa DJF đối với dự báo EM và các dự báo thành phần từ mô hình HRM (trên, trái), BoLAM (trên phải), WRFARW (dưới, trái) và WRFNMM (dưới, phải)

65

TT Số thứ

36 3.1.14 Kết quả tính toán chỉ số RMSE trung bình trên lưới đánh giá

cho dự báo pmsl mùa JJA đối với dự báo EM và các dự báo thành phần từ mô hình HRM (trên, trái), BoLAM (trên phải), WRFARW (dưới, trái) và WRFNMM (dưới, phải)

67

39 3.2.1 Kết quả tính toán chỉ số RMSE trung bình cho dự báo nhiệt độ

mực 850mb mùa DJF đối với dự báo EM và các dự báo thành phần từ mô hình HRM (trên, trái), BoLAM (trên phải), WRFARW (dưới, trái) và WRFNMM (dưới, phải)

70

42 3.2.4 Tương tự hình 3.2.1 nhưng cho dự báo độ ẩm riêng mực

850mb

71

51 3.2.13 Tương tự hình 3.2.1 nhưng cho dự báo gió vĩ hướng mực

850mb

76

54 3.2.16 Tương tự hình 3.2.1 nhưng cho dự báo gió kinh hướng mực

850mb

78

57 3.3.1 Kết quả đánh giá sai số DPE trung bình cho 3 mùa bão

(2008-2010) của EM (trung bình của 20 dự báo thành phần) và các dự báo thành phần tạo ra từ mô hình HRM (trên, trái), BoLAM (trên, phải), WRFARW (dưới, trái) và WRFNMM (dưới, phải)

80

TT Số thứ

58 3.3.2 Kết quả đánh giá sai số DPE trung bình cho 3 mùa bão

(2008-2010) của EM và các dự báo thành phần được chạy với đầu vào

từ mô hình toàn cầu GSM (trên, trái), GME (trên, phải), GFS (giữa, trái) và GEM (giữa, phải) và NOGAPS (dưới cùng)

81

61 4.1.1 Kết quả tính chỉ số BS trung bình cho toàn bộ Việt Nam cho 4

mùa nghiên cứu đối với 9 ngưỡng lượng mưa tích lũy 6 giờ gồm 0.1mm (a), 0.2mm (b), 0.5mm (c), 1mm (d), 2mm (e), 5mm (f), 10mm (g), 20mm (h) và 50mm (i)

86

trong 4 mùa dự báo đối với các hạn dự báo +6h, +12h, +18h và +24h

88

64 4.1.4 Biểu đồ độ tin cậy tính trên toàn bộ Việt Nam trong 4 mùa dự

báo đối với dự báo mưa tích lũy tại hạn dự báo +6h (mưa nửa đêm và sáng) dựa trên các ngưỡng mưa 0.1mm (trên, trái), 1mm (trên, phải), 5mm (giữa, trái), 10mm (giữa, phải) và 20mm (dưới cùng)

68 4.1.8 Kết quả tính toán chỉ số CRPS dự báo t2m (bên trái) và q2m

(bên phải) tính trên toàn bộ lưới đánh giá cho 4 mùa nghiên cứu

94

69 4.1.9 Biểu đồ hạng cho dự báo t2m (cột trái) và q2m (cột phải) tính

trên toàn bộ lưới đánh giá trong 4 mùa nghiên cứu đối với hạn

dự báo +24h (trên cùng), +48h (giữa) và +72h (dưới cùng)

95

70 4.1.10 Kết quả tính toán độ phủ 90.48% đối với dự báo t2m (bên trái)

và q2m (bên phải) tính trên toàn bộ lưới đánh giá cho 4 mùa nghiên cứu

96

71 4.1.11 Kết quả tính toán độ rộng 90.48% đối với dự báo t2m (bên trái)

và q2m (bên phải) tính trên toàn bộ lưới đánh giá cho 4 mùa nghiên cứu

96

72 4.1.12 Kết quả tính toán chỉ số CRPS dự báo pmsl (trên, trái) và u10m

(trên, phải), v10m (dưới cùng) tính trên toàn bộ lưới đánh giá

97

TT Số thứ

cho 4 mùa nghiên cứu

73 4.1.13 Biểu đồ hạng cho dự báo pmsl tính trên toàn bộ lưới đánh giá

cho 4 mùa nghiên cứu đối với hạn dự báo +24h (trên, trái), +48h (trên, phải), và +72h (dưới cùng)

98

74 4.1.14 Biểu đồ hạng cho dự báo u10m (cột trái) và v10m (cột phải)

tính trên toàn bộ lưới đánh giá trong 4 mùa nghiên cứu đối với hạn dự báo +24h (trên cùng), +48h (giữa) và +72h (dưới cùng)

98

75 4.1.15 Độ phủ 90.48% tính trên toàn bộ lưới đánh giá cho 4 mùa

nghiên cứu đối với dự báo pmsl (trên, trái), u10m (trên, phải),

và v10m (dưới cùng)

99

76 4.1.16 Độ rộng 90.48% tính trên toàn bộ lưới đánh giá cho 4 mùa

nghiên cứu đối với dự báo pmsl (trên, trái), u10m (trên, phải),

và v10m (dưới cùng)

100

77 4.2.1 Kết quả tính toán chỉ số CRPS dự báo T (bên trái) và Q (bên

phải) trung bình trên toàn bộ lưới đánh giá cho 4 mùa nghiên cứu tại các mực 850mb (trên cùng), 700mb (giữa) và 500mb (dưới cùng)

101

78 4.2.2 Biểu đồ hạng trung bình trên toàn bộ lưới đánh giá cho 4 mùa

nghiên cứu đối với dự báo T mực 500mb tại các hạn dự báo +24h (trên, trái), +48h (trên, phải), và +72h (dưới cùng)

102

84 4.2.8 Kết quả tính toán độ phủ 90.48% trên toàn bộ lưới đánh giá đối

với dự báo T (bên trái) và Q (bên phải) cho 4 mùa nghiên cứu tại các mực 850mb (trên cùng), 700mb (giữa) và 500mb (dưới cùng)

104

86 4.2.10 Kết quả tính toán chỉ số CRPS dự báo H tính trên toàn bộ lưới

đánh giá cho 4 mùa nghiên cứu đối với mực 850mb (trên, trái), 700mb (trên, phải) và 500mb (dưới cùng)

107

89 4.2.13 Biểu đồ hạng dự báo H mực 850mb tính trên toàn bộ lưới đánh

giá cho 4 mùa nghiên cứu đối hạn dự báo +24h (trên, trái), +48h (trên, phải) và +72h (dưới cùng)

108

TT Số thứ

98 4.2.22 Kết quả tính toán độ phủ 90.48% trên toàn bộ lưới đánh giá cho

4 mùa nghiên cứu đối với dự báo H mực 850mb (trên cùng), 700mb (giữa) và 500mb (dưới cùng)

111

99 4.2.23 Kết quả tính toán độ phủ 90.48% trên toàn bộ lưới đánh giá đối

với dự báo U (bên trái) và V (bên phải) cho 4 mùa nghiên cứu tại các mực 850mb (trên cùng), 700mb (giữa) và 500mb (dưới cùng)

112

DANH SÁCH CÁC BẢNG

TT Số thứ tự

1 2.2.1 Bảng 2.2.1 Thống kê các nguồn số liệu của các mô hình

toàn cầu đang có (dạng số đã chuẩn hóa vào CSDL NWP) tại TTDBTƯ tính đến thời điểm 31/12/2011

19

cứu và dự báo nghiệp vụ tại TTDBTƯ (tính đến 31/12/2011)

23

3 2.3.1 Cấu hình chi tiết của 4 mô hình NWP khu vực được lựa

chọn để xây dựng hệ thống SREPS cho khu vực Việt Nam

26

nghiên cứu

28

5 2.4.2 Thống kê số cơn bão và trường hợp nghiên cứu của từng

cơn bão trong mùa bão 2008 (các cơn bão đổ bộ vào Việt

Nam được tô đậm tên)

31

DANH SÁCH CÁC CHỮ VIẾT TẮT

(Along Track error)

BIAS Chỉ số đánh giá sai số hệ thống

BoLAM Mô hình dự báo số trị khu vực BoLAM

(Bologna Limited Area Model)

(Brier Score)

BSS Chỉ số kỹ năng Brier

(Brier Skill Score)

CMC Cơ quan khí tượng Canađa

(Canadian Meteorological Center)

COSMO Mô hình quy mô vừa phi thủy tĩnh

(COnsortium for Small-scale MOdelling)

CRPS Chỉ số đánh giá xác suất hạng liên tục

(Continous Ranked Probability Score)

(Cross Track error)

DPE Sai số khoảng cách vị trí tâm bão

(Direct Position Error)

DWD Tổng cục thời tiết Cộng hoà Liên bang Đức

ECMWF Cơ quan dự báo thời tiết hạn vừa Châu Âu

(European Centre for Medium range Weather Forecasting)

(Ensemble Prediction System)

ETA Mô hình dự báo số trị khu vực ETA

ETS Chỉ số đánh giá ETS

(Equitable Threat Score)

FB Chỉ số đánh giá FB

(Frequency Bias) FAR Tỷ lệ cảnh báo khống

(False Alarm Ratio)

GDAS Hệ thống đồng hóa số liệu toàn cầu của NOAA

GEM Mô hình toàn cầu của CMC

GSM Mô hình phổ toàn cầu của JMA

GRIB Định dạng số liệu theo mã GRIB

GUI Giao diện tương tác với người sử dụng

HSS Chỉ số kỹ năng Heidke

(Heidke Skill Score)

HRM Mô hình dự báo số trị khu vực HRM

(High Resolution Model)

IGN Chỉ số đánh giá xác suất IGN

(IGNorance Score)

JRA-25 Số liệu tái phân tích chu kỳ 25 năm của Nhật Bản

(Japanese ReAnalysis - 25 years)

MAE Sai số tuyệt đối trung bình

(Mean Absolute Error)

(Mean Error)

MMMA Đa mô hình đa phân tích

(Multi-Model Multi-Analysis)

MM5 Mô hình dự báo số trị khu vực MM5

NetCDF Định dạng số liệu NetCDF

(Network Common Data Form)

NCEP Trung tâm dự báo môi trường quốc gia Mỹ

(National Centers for Environmental Prediction)

(Numerical Weather Prediction)

POD Chỉ số xác suất phát hiện mưa

(Probability Of Detection)

RMSE Sai số quân phương

(Root Mean Square Error)

RPS Chỉ số đánh giá xác suất hạng

(Ranked Probability Score)

SREF Dự báo tổ hợp thời tiết hạn ngắn

(Rhort Range Ensemble Forecast)

(Threat Score)

TTDBTƯ Trung tâm Dự báo Khí tượng Thủy văn Trung ương

VINAREN Mạng nghiên cứu và giáo dục Việt Nam

(VIet NAm Research and Education Network)

WMO Tổ chức khí tượng thế giới

(World Meteorological Organization)

WRF Mô hình dự báo số trị khu vực WRF

(Weather and Research Forecasting System)

TÓM TẮT

Đề tài nghiên cứu khoa học: “Nghiên cứu ứng dụng dự báo tổ hợp thời tiết

hạn ngắn dựa cho khu vực Việt Nam” đã được thực hiện với mục tiêu nghiên cứu

xây dựng được một hệ thống dự báo tổ hợp thời tiết hạn ngắn (SREPS) và bước đầu triển khai vào dự báo nghiệp vụ tại Trung tâm Dự báo Khí tượng Thủy văn trung ương Hệ thống SREPS đã được xây dựng thành công dựa trên cách tiếp cận đa mô hình đa phân tích (chạy 4 mô hình NWP khu vực HRM, BoLAM, WRFARW và WRFNMM với số liệu đầu vào từ 5 mô hình toàn cầu GME, GSM, GFS, NOGAPS

SREPS đã được vận hành thử nghiệm để phục vụ công tác đánh giá chất lượng dự báo từ 2008-2010 và chạy bán nghiệp vụ từ năm 2010-2011

Các kết quả đánh giá chất lượng dự báo dựa trên 3 năm thử nghiệm đã cho thấy dự báo trung bình tổ hợp cho hầu hết các biến dự báo bề mặt (ngoại trừ mưa)

và trên cao có sai số dự báo nhỏ hơn so với hầu hết các dự báo thành phần của SREPS tại hầu hết các hạn dự báo và mùa dự báo Dự báo định lượng và xác suất mưa tích lũy 6 giờ từ hệ thống SREPS chỉ có độ tin cậy và kỹ năng dự báo cho các ngưỡng mưa nhỏ và vừa Đối với dự báo quỹ đạo bão, sai số của dự báo EM nhỏ hơn so với phần lớn các dự báo thành phần với DPE trung bình đối với các hạn dự báo 24 giờ, 48 giờ và 72 giờ tương ứng khoảng 120km, 240km và 290km Dự báo

tổ hợp cho các biến bề mặt như nhiệt độ và độ ẩm tại độ cao mét, các thành phần gió tại độ cao 10 mét từ SREPS thường có độ tán nhỏ dẫn đến độ tin cậy không cao Trong khi dự báo khí áp mực biển trung bình thường cho thấy xu hướng thiên cao Đối với các biến khí quyển trên cao, dự báo tổ hợp từ SREPS cho độ tán nhỏ đối với dự báo các thành phần gió, thiên cao đối với độ cao địa thế vị và nhiệt độ tại các mực 850mb, 700mb và 500mb

Bên cạnh các kết quả khoa học đáng khích lệ nói trên, các kết quả nghiên cứu vẫn còn một số hạn chế như 1) một số biến thời tiết quan trọng chưa được đánh giá như nhiệt độ tối cao và tối thấp ngày, độ ẩm tương đối, 2) Sai số hệ thống bên trong từng dự báo thành phần chưa được loại bỏ trước khi tiến hành tính toán EM và dự báo xác suất, 3) Việc đánh giá một số yếu tố dự báo trên lưới số liệu tái phân tích JRA25 có độ phân giải thô hơn lưới dự báo của mô hình có thể ảnh hưởng tới kết quả đánh giá chất lượng dự báo, và 4) Dự báo trung bình tổ hợp chỉ là trung bình cộng đơn giản của các dự báo thành phần mà chưa thực hiện trung bình có trọng số trong đó có tính đến chất lượng dự báo của từng dự báo thành phần

TÓM TẮT BẰNG TIẾNG ANH

The Short-Range Ensemble Prediction System (SREPS) is researched to operationally interpret at National Center for Hydro-Meteorological Forecasting (NCHMF) The SREPS is based on multi-model multi-analysis approach by running 4 regional NWP models including HRM, BoLAM, WRFARW and WRFNMM with initial and time-dependent boundary conditions from 5 global models including GME, GSM, GFS, NOGAPS and GEM The SREPS consists of

up to 3 days ahead The system is run in 3 experimental years from 2008 to 2010 and semi-operationally run since 2010 to provide ensemble forecasting products for NCHMF’s forecasters

The verification results shows that the ensemble mean (EM) of most surface and upper air atmospherical variables has error smaller than the error of all members at all forecasting ranges and seasons The quantitative and probabilistic precipiation prediction has forecasting skill and reliability for light and medium rain amount For tropical cyclone track forecasting, the direct position error (DPE)

of EM is smaller than the one of all members and the everage DPE of EM for 24hrs, 48hrs and 72hrs is respectively 120km, 240km and 290km The probabilistic forecasting verification for temperature at 2 meters, specific humidity at 2 meters, zonal and meridional wind component at 10 meters points out that SREPS has under-dispersion The same results is aslo found for zonal and meridional wind component at 850mb, 700mb and 500mb levels The SREPS has over-estimating for pressure of mean sea level, geopotential height and air temperature at 850mb, 700mb and 500mb levels

Beside of advanced results, there are still some scientific limitations including 1) some important weather variables doesn’t verify such as daily maximum and minimum temperature, 2) the systematic error of forecasting member

is not calibrated before calculating ensemble mean and probabilistic forecast, 3) the verification based on reanalysis grid that has resolution greater than the resolution

of SREPS can lead to incorrect validations, and 4) the ensemble mean is simple average of ensemble members hence can not take into account the quality of each members

MỞ ĐẦU

Hai hướng phát triển cơ bản trong lĩnh vực dự báo thời tiết số trị

(NWP-Numerical Weather Prediction) trong thời gian vài chục năm trở lại đây là cải tiến

bản thân mô hình và giải quyết vấn đề phi tuyến trong các bài toán khí tượng Sự thành công trong công nghệ máy tính đã cho phép tăng độ phân giải của các mô hình số một cách đáng kể, bao gồm cả mô hình toàn cầu và mô hình khu vực Các nghiên cứu cải tiến về phương pháp số, động lực và vật lý của mô hình vẫn đang được tiếp tục Tuy nhiên, những nghiên cứu về khả năng dự báo (predictability) đã chỉ ra rằng những nỗ lực trong việc cải thiện phương pháp số, cũng như động lực và vật lý của mô hình chỉ có thể đạt đến một giới hạn nào đó trong việc nâng cao chất lượng dự báo do độ nhạy của kết quả dự báo với trường ban đầu Trong khi đó, trạng thái ban đầu của khí quyển chỉ là gần đúng so với trạng thái thật và luôn hàm chứa các nguồn bất định (uncertainty) Để khắc phục vấn đề này, phương pháp dự

báo tổ hợp (EF - Ensemble Forecast) đã được nghiên cứu và sử dụng trong dự báo

nghiệp vụ tại nhiều nơi trên thế giới Tuy mới chỉ được ứng dụng mạnh mẽ hơn 10 năm trở lại đây do được thừa hưởng thành quả của cuộc cách mạng công nghệ thông tin trên thế giới, EF 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

Thừa nhận độ bất định trong dự báo, EF không chỉ dự báo các yếu tố khí tượng thông thường mà còn đưa ra độ bất định ứng với mỗi yếu tố dự báo Quan trọng hơn, EF còn cho phép thực hiện dự báo xác suất, loại hình dự báo đang thực hiện tại các trung tâm dự báo bên cạnh phương pháp dự báo tất định (deterministic forecast) truyền thống Với những thông tin hữu ích như vậy, có thể hiểu được tại sao trong hơn hai mươi năm trở lại đây cũng như trong tương lai các hệ thống dự

báo tổ hợp (EPS-Ensemble Prediction System) đều được triển khai tại các trung tâm

dự báo trên thế giới như Trung tâm Dự báo thời tiết hạn vừa Châu Âu (ECMWF), Trung tâm dự báo môi trường quốc gia Mỹ (NCEP), … cho mục đích dự báo khí tượng từ quy mô hạn ngắn cho đến hạn mùa Lợi ích kinh tế mà EF có thể đem lại được trình bày khá chi tiết trong nghiên cứu của Palmer (2002) Trong khi đó, tại Việt Nam, lĩnh vực EF vẫn là một lĩnh vực hoàn toàn mới và đang trong giai đoạn nghiên cứu ứng dụng cho dự báo quỹ đạo bão và một số yếu tố khí tượng cơ bản

Từ năm 1997 trở lại đây, trên cơ sở hợp tác song phương, Trung Tâm Dự báo khí tượng thủy văn Trung ương (TTDBTƯ) đã thu được một số sản phẩm dự báo

của các mô hình số toàn cầu như GSM từ Cơ quan khí tượng Nhật Bản (JMA), GME từ Tổng cục khí tượng cộng hòa liên bang Đức (DWD), GFS của NCEP, NOGAPS từ Hải quân Mỹ (US Navy), GEM của Cơ quan khí tượng Canađa, UM của Tổng cục khí tượng Hàn Quốc (KMA) và gần đây là IFS của ECMWF Bên cạnh các sản phẩm NWP toàn cầu nói trên, TTDBTƯ cũng chạy một số mô hình NWP khu vực dưới dạng nghiệp vụ hoặc nghiên cứu như HRM, ETA, WRF, BoLAM, NHM và gần đây là COSMO Có thể thấy, các sản phẩm NWP tại TTDBTƯ ngày càng trở nên phong phú và đa dạng Sự phong phú về nguồn thông tin tham khảo hữu ích đôi khi gây khó khăn cho các dự báo viên trong quá trình tác nghiệp khi có sự khác biệt đáng kể giữa các sản phẩm NWP tham khảo Ngoài ra, các sản phẩm dự báo trực tiếp từ các mô hình này luôn bao hàm các nguồn bất định (sai số) không thể biết trước được Do đó, việc cô đọng và tìm ra những thông tin

tham khảo hữu ích nhất là hết sức cần thiết Trong khi đó, chưa có một nghiên cứu

nào chỉ ra mô hình NWP nào là tốt nhất cho điều kiện Việt Nam và chưa có một EPS hạn ngắn nào được triển khai vào dự báo nghiệp vụ tại TTDBTƯ Để giải quyết bài toán này, việc nghiên cứu và phát triển một EPS quy mô vừa cho mục đích dự báo thời tiết hạn ngắn dựa trên các mô hình NWP nghiệp vụ và nghiên cứu tại TTDBTƯ là hết sức cần thiết Với EPS quy mô vừa này, độ bất định sẽ

được đưa vào trong các tính toán và các bản tin dự báo xác suất có thể được tạo ra Qua đó, cung cấp thêm nhiều thông tin tham khảo có giá trị cho các dự báo viên trước khi đưa ra bản tin dự báo cuối cùng Từ thực tế nêu trên, với hạ tầng mạng và hiệu năng tính toán hiện tại của TTDBTƯ, việc triển khai một hệ thống dự báo tổ

hợp hạn ngắn (SREF - Short Range Ensemble Forecast) theo cách tiếp cận đa mô

hình đa phân tích với số lượng khoảng 15-20 thành phần là hoàn toàn khả thi

Đề tài nghiên cứu khoa học: “Nghiên cứu ứng dụng dự báo tổ hợp thời tiết

hạn ngắn dựa cho khu vực Việt Nam” đã được thực hiện với mục tiêu nghiên cứu

xây dựng được một hệ thống SREF và bước đầu triển khai vào dự báo nghiệp vụ tại Trung tâm Dự báo Khí tượng Thủy văn Trung ương Dựa trên mục tiêu và nội dung công việc đã đăng ký trong bản thuyết minh đề tài, nội dung của báo cáo tổng kết đề

tài được bố cục thành các phần chính như sau:

Mở đầu

Chương I Khái quát về dự báo tổ hợp thời tiết hạn ngắn

Chương II Thiết kế và xây dựng hệ thống dự báo tổ hợp thời tiết hạn ngắn cho khu vực Việt Nam

Chương III Kết quả đánh giá dự báo trung bình tổ hợp

Chương IV Kết quả đánh giá dự báo xác suất

vụ cũng như nghiên cứu phát triển phương pháp EF sau này tại TTDBTƯ nói riêng

và Trung tâm Khí tượng Thủy văn quốc gia nói chung Nhân dịp này, chủ nhiệm đề tài và các cộng tác viên xin gửi lời cảm ơn đến Lãnh đạo Bộ Tài nguyên và Môi trường, Lãnh đạo Trung tâm Khí tượng Thủy văn quốc gia, và đặc biệt là Ban Giám đốc TTDBTƯ đã tạo mọi điều kiện cho chúng tôi hoàn thành đề tài

Một lần nữa, xin trân trọng cảm ơn /

CHƯƠNG I KHÁI QUÁT VỀ DỰ BÁO TỔ HỢP THỜI TIẾT HẠN NGẮN

1.1 DỰ BÁO TỔ HỢP

Những công trình nghiên cứu của Edward Lorenz (1963, 1965) về khả năng

dự báo của một hệ thống động lực ngẫu nhiên (stochatic) đã chỉ ra những hạn chế trong kỹ năng dự báo của các mô hình NWP và độ nhạy của các kết quả dự báo tới

độ chính xác trong các trường ban đầu Để nâng cao chất lượng dự báo và tăng khả năng dự báo dài hạn, hai hướng nghiên cứu cơ bản đang được đầu tư và phát triển tại nhiều trung tâm dự báo khí tượng quốc tế là nâng cao độ chính xác của các trường ban đầu thông qua các sơ đồ đồng hóa số liệu (3DVAR, 4DVAR, Ensemble Kalman, …) và nghiên cứu sử dụng dự báo tổ hợp (EF) để tính toán được các nguồn bất định (uncertainties) Cho đến nay, EF đã được phát triển và ứng dụng cho nhiều mục đích khác nhau và được đánh giá là lĩnh vực có tốc độ thay đổi nhanh nhất trong nghiên cứu và ứng dụng của khoa học khí quyển

Theo Kalnay (2003), EF là một tập hợp dự báo xác định tại cùng một thời điểm (có thể được bắt đầu từ các điều kiện ban đầu khác nhau, thời điểm bắt đầu dự báo khác nhau, hoặc dựa trên các mô hình khác nhau) và hướng đến 3 mục đích:

• Tăng cường chất lượng dự báo thông qua trung bình tổ hợp (dự báo tất định từ dự báo tổ hợp)

• Cung cấp một chỉ số định lượng về độ tin cậy của dự báo (dự báo kỹ năng

dự báo)

• Làm cơ sở cho dự báo xác suất (dự báo xác suất từ dự báo tổ hợp)

Mục đích đầu tiên được thực hiện thông qua một bộ lọc (toán tử trung bình)

để loại bỏ sai khác giữa các thành phần trong khi vẫn giữ lại những đặc tính tương

tự Mục đích thứ hai liên quan đến tương quan giữa độ tán và sai số dự báo trung bình tổ hợp, dù mối tương quan này không hoàn toàn chặt và chưa được khẳng định vững chắc Mục đích thứ ba được xây dựng dựa trên tần suất dự báo xuất hiện hiện tượng từ các thành phần tổ hợp Mỗi một dự báo thành phần là một trạng thái có thể

có của trạng thái khí quyển thực Điều này đồng nghĩa với việc, một dự báo tổ hợp

sẽ là một xấp xỉ hữu hạn của hàm mật độ xác suất của trạng thái khí quyển trong không gian pha của nó Hệ thống dự báo tổ hợp thời tiết hạn ngắn được xây dựng trong nghiên cứu này sẽ hướng tới mục đích đầu tiên và mục đích cuối cùng

Như đã biết, lý thuyết EF được đặt nền móng từ những năm 70 và bắt đầu đưa vào ứng dụng đầu những năm 90 của thế kỷ trước với mục đích sử dụng đầu tiên cho các dự báo hạn vừa trên quy mô hành tinh Ở một số trung tâm dự báo khí tượng lớn trên thế giới, các EPS nghiệp vụ đã được đưa vào hoạt động từ đầu những

năm 90 phục vụ công tác dự báo hạn vừa và hạn dài dựa trên các hệ thống siêu máy tính Các EPS này được phát triển dựa trên các mô hình toàn cầu với mục đích chính là nâng cao chất lượng dự báo và tăng cường khả năng dự báo dài hạn Cụ thể, EPS nghiệp vụ đầu tiên tại Trung tâm quốc gia dự báo môi trường của Mỹ

(NCEP-National Center for Enviromental Prediction) được sử dụng từ năm 1992 dựa trên phương pháp ươm nhiễu động phát triển nhanh (BGM-Breeding of

Growing Mode) để tạo tập hợp các trường ban đầu khác nhau cho mô hình toàn cầu

T126 với 28 mực thẳng đứng và tích phân tới 180 giờ (Toth và Kalnay, 1997) Hiện tại, EPS cho dự báo hạn vừa hạn dài của NCEP bao gồm 21 thành phần dựa trên mô hình toàn cầu GFS có độ phân giải 1 x 1 độ

Tại Trung tâm dự báo hạn vừa Châu Âu (ECMWF- European Center for

Medium-range Weather Forecasts), EPS cũng được đưa vào nghiệp vụ từ năm 1992

bằng việc sử dụng phương pháp tách vector kỳ dị để tạo nhiễu động ban đầu (Palmer và cộng sự, 1992) EPS này hiện nay có tới 51 dự báo thành phần, thực hiện dự báo hàng ngày và cung cấp kết quả cho các nước trong Cộng đồng Châu Âu

là thành viên của ECMWF Độc lập với NCEP và ECMWF nhưng muộn hơn vài

năm, Trung tâm Khí tượng Canađa (CMC-Canadian Meteorological Center) cũng

bắt đầu đưa vào chạy nghiệp vụ EPS theo phương pháp nhiễu động quan trắc kết hợp với các nhiễu động vật lý mô hình (Houtekamer và cộng sự, 1996) EPS của CMC cho thấy một sự kết hợp chặt chẽ giữa EF và đồng hóa số liệu Hiện tại, EPS của CMC bao gồm 21 thành phần Gần đây, các trung tâm khí tượng khác như JMA

(Japan Meteorological Agency) của Nhật, KMA của Hàn Quốc (Korean

Meteorological Administration) cũng đã có EPS cho các mô hình toàn cầu và sử

dụng phương pháp nuôi nhiễu động như của NCEP

Cho đến nay, EF không chỉ dừng lại ở mục đích dự báo hạn vừa và hạn dài trên quy mô hành tinh, mà đã được ứng dụng dự báo hạn ngắn với các quá trình quy

mô vừa cùng sự xuất hiện của rất nhiều phương pháp hiệu chỉnh dự báo tổ hợp Phần tiếp theo sẽ trình bày tổng quan về các nghiên cứu ứng dụng EF cho mục đích

dự báo thời tiết hạn ngắn

1.2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU VỀ DỰ BÁO TỔ HỢP THỜI TIẾT HẠN NGẮN

1.2.1 Trên thế giới

Dựa trên những thành công của EF hạn vừa hạn dài sử dụng mô hình toàn cầu tại NCEP và ECMWF, NCEP đã tổ chức hội nghị đầu tiên về khả năng ứng

dụng dự báo tổ hợp hạn ngắn (SREF-Short Range Ensemble Forecast) với các mô

hình khu vực quy mô vừa (Brooks và cộng sự 1995a,b) Khác với EPS hạn vừa hạn

dài sử dụng mô hình toàn cầu ở trên, bài toán bây giờ liên quan tới mô hình khu vực quy mô vừa Vấn đề đầu tiên cần giải quyết như Wandishin và cộng sự (2001) đã chỉ ra là phải trả lời được câu hỏi về khả năng dự báo trên quy mô vừa (nghĩa là giới hạn về mặt thời gian có thể dự báo được với các quá trình quy mô vừa do bản chất hỗn loạn (chaos) của khí quyển) Những yếu tố như lượng mưa hay các cơ chế tác động tới lượng mưa phải có giới hạn dự báo nhỏ hơn so với các quá trình quy mô hành tinh hay quy mô synốp Phương pháp tạo các EF thành phần cũng là một câu hỏi quan trọng khác (Hamill và cộng sự 2000) Bài toán này phức tạp hơn so với bài toán ứng dụng EF vào dự báo hạn vừa với mô hình toàn cầu Khác với mô hình toàn cầu, khi độ bất định trong dự báo chủ yếu đến từ độ bất định trong điều kiện ban đầu, với các mô hình quy mô vừa hiện tại có quá nhiều nhân tố làm phát sinh sai số

dự báo như mạng lưới quan trắc quy mô vừa không đầy đủ, độ phân giải mô hình thấp, các quá trình tham số hóa vật lý, các điều kiện mặt đệm, điều kiện biên,…

Từ hội nghị này, NCEP đã triển khai một dự án xây dựng một tập các dự báo thành phần cho SREF gồm 10 dự báo từ mô hình ETA và 5 dự báo từ mô hình RSM Điều kiện ban đầu cho các mô hình này bao gồm trường nhiễu động theo phương pháp BGM từ hệ thống dự báo tổ hợp hạn vừa của NCEP cùng một số trường phân tích từ các mô hình nghiệp vụ như ETA, NGM, AVN, MRF Tập số liệu này cho phép nghiên cứu SREF dựa trên phương pháp đa mô hình đa phân tích cũng như nhiễu động trường ban đầu Các kết quả nghiên cứu từ dự án này (Hamill

và Colucci 1997, 1998; Tracton và cộng sự, 1998; Stensrud và cộng sự, 1999; Wandishin và cộng sự 2001) cho thấy EF cho một kỹ năng dự báo bằng hoặc tốt hơn so với dự báo tất định của một mô hình có độ phân giải cao hơn trong dự báo mưa, bão và nhiều yếu tố khác Ngoài ra, xác suất dự báo mưa từ SREF có chất lượng cao hơn so với xác suất dự báo mưa từ phương pháp MOS dựa trên dự báo của mô hình nghiệp vụ NGM (Hamill và Colucci 1998) Tuy nhiên, hệ thống lại cho

độ tán nhỏ dẫn đến tương quan thấp giữa độ tán và sai số dự báo Stensrud và cộng

sự (1999) đã chỉ ra rằng dự báo đa mô hình cho phép tăng độ tán của SREF lên đáng kể Những kết quả này đã đưa NCEP đến xây dựng hệ thống SREF nghiệp vụ vào năm 2000 (Du và Tracton 2001) Hiện tại, SREF của NCEP bao gồm 21 thành phần với 4 mô hình quy mô vừa là ETA, RSM, WRF-ARW và WRF-NMM với độ phân giải thay đổi giữa các dự báo thành phần từ 32–45km

Tiếp theo dự án đầu tiên về SREF tại NCEP, dự án SAMEX (The Storm And

Mesoscale Ensemble EXperiment) năm 1998 được thực hiện với nhiều trung tâm

nghiên cứu tham dự hơn ngoài NCEP còn có Trung tâm phân tích và dự báo bão

CAPS (Center for the Analysis and Prediction of Storms) và Phòng thí nghiệm siêu bão quốc gia NSSL (National Severe Storms Laboratory) (Hou và cộng sự 2001)

Các mô hình được sử dụng bao gồm ETA, RSM, MM5 và ARPS với điều kiện ban đầu từ trường ban đầu của AVN (nay là GFS), và mô hình ETA với các trường nhiễu động ban đầu được tạo ra theo phương pháp BGM từ mô hình toàn cầu AVN Tập số liệu này gần như chia sẻ mọi phương pháp EF trong dự báo hạn vừa hạn dài

từ nhiễu động trường ban đầu, nhiễu động vật lý mô hình, cho đến đa mô hình đa phân tích Giống như dự án trước đó của NCEP, trung bình tổ hợp luôn thể hiện kỹ năng dự báo tốt hơn so với các dự báo thành phần Các kết quả đánh giá từ SAMEX, tương tự như EF từ mô hình toàn cầu, cũng cho thấy phương pháp dự báo

đa mô hình đa phân tích là phương pháp EF tốt nhất trong dự báo hạn ngắn

Tại châu Âu, SREF được phát triển chậm hơn so với tại Mỹ Tiếp sau thành công của EPS từ mô hình toàn cầu, Molteni và cộng sự (2001), Marsigli và cộng sự (2001) bắt đầu những nghiên cứu lý thuyết cho phép thực hiện EF trên mô hình khu

vực với độ phân giải cao hơn so với mô hình toàn cầu với tên gọi LEPS area Ensemble Prediction System) Tuy nhiên, khác với SREF, LEPS lại hướng đến

(Limited-dự báo hạn (Limited-dự báo từ 2 cho đến 5 ngày Với mục tiêu như vậy, nhiễu động điều kiện biên sẽ trở nên quan trọng hơn so với nhiễu động điều kiện ban đầu Hệ thống này được thực hiện đơn giản bằng cách tích phân mô hình COSMO (trước đây là LM) lồng trong các thành phần đã được lựa chọn thông qua thuật toán RM

(Representative Members) từ 51 dự báo thành phần của EPS toàn cầu tại ECMWF

Sau những thử nghiệm đầu tiên trong dự án ARPA-SIM (Moltani và cộng sự 2001, 2003a), hệ thống với tên gọi COSMO-LEPS đã được triển khai nghiệp vụ tại ECMWF vào năm 2003 (Moltani và cộng sự 2003b) Như vậy, về bản chất hệ thống COSMO-LEPS dựa trên phương pháp hạ quy mô động lực (dynamic downscaling) Hiện tại, hệ thống COSMO-LEPS bao gồm 16 dự báo thành phần với độ phân giải

giá của Marsigli và cộng sự (2005) cho thấy kỹ năng dự báo từ hệ thống này cao

(2011) đã tổng kết lại 7 năm tiến triển của hệ thống COSMO-LEPS trong đó khái quát lại các cải tiến đã được thực hiện trên hệ thống COSMO-LEPS gần đây cũng như những cải thiện trong chất lượng dự báo xác suất mưa và một số biến khí quyển khác cho các hạn dự báo từ 2-5 ngày (dựa trên chuỗi số liệu từ 12/2002 đến 11/2009)

Bên cạnh LEPS, SREF cũng được sử dụng tại châu Âu nhưng chỉ được thực hiện tại các trung tâm dự báo của từng quốc gia Cụ thể, tại cơ quan khí tượng Vương quốc Anh (UK Met), hệ thống SREF có tên gọi MOGREPS được triển khai nghiệp vụ từ tháng 10 năm 2006 trong đó các nhiễu động ban đầu và điều kiện biên được cung cấp từ EPS toàn cầu của UK Met Các nhiễu động trong trường ban đầu

được tính dựa trên phương pháp ETKF (Ensemble Transform Kalman Filter) Các nguồn bất định do mô hình được đưa vào tính toán thông qua một chuỗi các sơ đồ được thiết kế để hạn chế các nguồn sai số mô hình ở quy mô dưới lưới (Bowler và cộng sự, 2008) Cơ quan khí tượng Tây Ban Nha (AEMET) đã phát triển một hệ thống dự báo tổ hợp hạn ngắn đa mô hình (gọi là SREPS) cho vùng Châu Âu và Đại Tây Dương bằng cách sử dụng 5 mô hình khu vực (Hirlam, HRM, MM5, LM/COSMO và UM) chạy riêng lẻ với từng trường ban đầu và điều kiện biên của 4

mô hình toàn cầu (IFS, UM, GME, GFS) (Garica-Moya và công sự, 2007) Gần đây, Garcia và cộng sự (2011) đã cải tiến hệ thống SREPS trong đó số lượng dự báo thành phần lên 25 bằng cách bổ sung thêm các trường đầu vào từ mô hình GEM của CMC và chạy với độ phân giải 25km và 40 mực thẳng đứng Các kết quả đánh giá cho thấy kỹ năng dự báo được cải thiện đáng kể đối với các yếu tố bề mặt như nhiệt

độ, gió và lượng mưa tích lũy 24 giờ Tuy nhiên, độ tán của SREPS vẫn còn nhỏ Một hệ thống tương tự cũng đã được phát triển cho vùng Tây Bắc Thái Bình Dương trong nghiên cứu của Eckel và Mass (2005) Trong nghiên cứu này, các nhiễu động trường ban đầu được cung cấp từ các phân tích khác nhau của nhiều trung tâm dự báo quốc tế Nguồn bất định do sai số mô hình được lấy mẫu thông qua việc sử dụng đa mô hình khu vực hoặc phiên bản khác nhau của cùng một mô hình (ví dụ như sử dụng các sơ đồ tham số hóa vật lý khác nhau) Nghiên cứu của Eckel và Mass (2005) đã cho thấy việc tính toán được nguồn bất định do mô hình

có vai trò quan trọng trong chất lượng dự báo các yếu tố thời tiết bề mặt, đặc biệt là trên đất liền

Viện nghiên cứu khí tượng Na Uy (MNI - Norwegian Meteorological

Institute) đã phát triển một hệ thống SREF có tên gọi là NOR-LAMEPS bao gồm

42 dự báo thành phần và triển khai nghiệp vụ từ năm 2005 (Frogner và cộng sự, 2006; Jensen và cộng sự, 2006) Trên thực tế, NOR-LAMEPS là sự kết hợp của hai EPS là TEPS và LAMEPS Về cơ bản TEPS bao gồm 21 thành phần với độ phân giải T42L62 và dựa trên EPS toàn cầu của ECMWF nhưng các SVs được định hướng cho vùng Bắc Âu (Buizza và Palmer, 1995; Molteni và cộng sự, 1996) trong

đó có bao gồm cả nhiễu động vật lý ngẫu nhiên (Buizza và cộng sự, 1999) Hệ thống LAMEPS về cơ bản dựa trên cách tiếp cận hạ quy mô động lực trong đó sử dụng các dự báo thành phần của TEPS như là điều kiện biên và nhiễu động trường ban đầu cho mô hình khu vực HIRLAM LAMEPS cũng bao gồm 21 thành phần với độ phân giải 12km và 60 mực thẳng đứng trong đó có 1 dự báo đối chứng (control) của mô hình HIRLAM sử dụng trường phân tích thông qua sơ đồ đồng hóa

số liệu 3DVAR Gần đây, Aspelien và cộng sự (2011) đã đánh giá kỹ năng dự báo của NOR-LAMEPS trong chuỗi thời gian 3 năm (2007-2009) và khả năng dự báo

của hệ thống này cho các vùng xoáy thấp Bắc cực Các kết quả đánh giá đã cho thấy NOR-LAMEPS tạo ra các dự báo xác suất tốt hơn so với EPS toàn cầu của ECMWF đối với hầu hết các yếu tố cho đến hạn dự báo 60 giờ

Cơ quan khí tượng Pháp (Météo-France) cũng đang vận hành một hệ thống SREF có tên gọi là PEACE dựa trên mô hình quy mô vừa ARPÈGE với độ phân giải 20km PEACE bao gồm 11 dự báo thành phần và thực hiện dự báo cho đến hạn

dự báo 60 giờ Các nhiễu động trường ban đầu được tính dựa trên các véctơ kỳ vị

(SVs - Singular Vector) đã được tối ưu trong khoảng thời gian 12 giờ Khác với

EPS toàn cầu của ECMWF, độ bất định do mô hình không được đưa vào tính toán trong PEACE Tổng cục khí tượng cộng hòa liên bang Đức (DWD) sử dụng hệ thống SREF nghiệp vụ có tên gọi là SRNWP-PEPS dựa trên cách tiếp cận “Poor-Man” trong đó các dự báo thành phần đơn giản chỉ là tập hợp các dự báo từ các mô hình NWP tất định của các Cơ quan khí tượng quốc gia trong Châu Âu Nghiên cứu của Arribas và cộng sự (2005) đã chỉ ra những kết quả đầy hứa hẹn trong chất lượng

dự báo tổ hợp của SRNWP-PEPS cho khu vực Châu Âu

Gần đây, Wang và cộng sự (2011) đã nghiên cứu cải tiến hệ thống SREF có tên gọi là ALADIN-LAEF cho khu vực Trung Âu được triển khai vào nghiệp vụ từ năm 2007 dựa trên cách tiếp cận hạ quy mô động lực từ EPS toàn cầu của ECMWF Các cải tiến bao gồm 1) việc kết hợp các nguồn bất định quy mô lớn được tạo ra từ các SVs của ECMWF với các nhiễu động quy mô nhỏ được tạo ra bởi mô hình khu vực ALADIN trong các nhiễu động trường ban đầu; 2) sử dụng các sơ đồ tham số hóa vật lý khác nhau để tính toán các nguồn bất định do mô hình; và 3) đưa vào tính toán các nhiễu động điều kiện bề mặt như nhiệt độ mặt nước biển (SST), albedo, độ nhám, … Các kết quả đánh giá cho thử nghiệm 2 tháng mùa hè năm 2007 đã cho thấy sự cải thiện đáng kể trong chất lượng dự báo do đã biểu diễn tốt hơn các nguồn bất định Cũng dựa trên mô hình quy mô vừa ALADIN, Cơ quan khí tượng Hungary đã triển khai một hệ thống SREF nghiệp vụ có tên gọi là ALADIN-HUNEPS từ năm 2008 bằng cách chạy lồng ghép mô hình ALADIN trong EPS toàn cầu của Météo-France (ARPEGE EPS/PEARP) (Hágel và Horány, 2006) Gần đây, Horányi và cộng sự (2011) đã nghiên cứu cải tiến hệ thống ALADIN-HUNEPS bằng cách đưa các nhiễu động gần bề mặt vào hệ thống đồng hóa số liệu bề mặt Tại Cơ quan khí tượng Canađa, Li và cộng sự (2008) đã nghiên cứu phát triển một hệ thống SREF (gọi tắt là REPS) dựa trên phiên bản lãnh thổ hạn chế của

mô hình toàn cầu GEM (Canadian Global Environmental Multilscale) với độ phân

giải 15km Các SVs trên vùng Bắc Mỹ được sử dụng để tạo ra các nhiễu động ban đầu trong đó thử nghiệm với 2 dạng SVs gồm các SVs khô và ẩm Các nhiễu động vật lý mô hình cũng được đưa vào tính toán bằng cách nhiễu động ngẫu nhiên tham

số tốc độ tới hạn trong hàm kích hoạt đối lưu sâu của sơ đồ tham số hóa Fritsch và độ ẩm tới hạn trong sơ đồ hiển Sundqvist Hệ thống REPS bao gồm 16 thành phần và dự báo tới hạn 48 giờ được thử nghiệm cho 16 trường hợp mưa mùa

Kain-hè trong năm 2003 và các kết quả đánh giá chỉ tập trung cho dự báo định lượng mưa Nói chung, sự khác biệt trong các chỉ số đánh giá sử dụng SVs ẩm và khô là không nhiều Các kiểm nghiệm với SVs ẩm cho thấy tương quan tốt hơn giữa kỹ năng dự báo với độ tán, và độ tán tổ hợp lớn hơn trong 24 giờ dự báo đầu tiên so với các kiểm nghiệm sử dụng SVs khô

Tại Châu Á, việc nghiên cứu và triển khai SREF nghiệp vụ chậm hơn so với

Mỹ và Châu Âu Cụ thể, Cơ quan khí tượng Nhật Bản (JMA) đã triển khai nghiệp

vụ từ năm 2007 hệ thống dự báo tổ hợp hạn dự báo 1 tuần dựa trên mô hình GSM với độ phân giải TL959L60 trong đó các nhiễu động ban đầu được tạo ra dựa trên phương pháp SVs (Yamaguchi và cộng sự, 2009) Đây cũng chính là hệ thống được

sử dụng để tạo ra các sản phẩm dự báo tổ hợp quỹ đạo bão hạn 1 tuần tại JMA Tại Cục khí tượng Hàn Quốc (KMA), không có hệ thống SREF riêng biệt nhưng sử dụng EPS hạn vừa có độ phân giải 55km và 40 mực thẳng đứng cho mục đích dự báo tổ hợp hạn ngắn Hệ thống này bao gồm 32 thành phần và dựa trên mô hình phổ toàn cầu T213 Hiện tại, KMA đang phát triển hệ thống SREF có độ phân giải 10km

và 20 dự báo thành phần dựa trên mô hình KWRF Tại Cơ quan khí tượng Hồng Kông (HKO), hệ thống SREF được triển khai theo hướng tiếp cận “Poor-Man” trong đó các sản phẩm dự báo NWP từ ECMWF, JMA, NCEP và UKMO được sử dụng để tạo ra các dự báo xác suất Tuy nhiên, HKO đã nghiên cứu phát triển một

số phương pháp thống kê như EnKF và ANN để tăng cường kỹ năng dự báo xác suất dựa trên tổ hợp các dự báo NWP từ các trung tâm nói trên cho một số yếu tố bề mặt, quỹ đạo và cường độ bão (Lam và cộng sự, 2005; Nguyen và Chan, 2010; Chen và Chan, 2010)

Bên cạnh những nghiên cứu xây dựng các hệ thống SREF nghiệp vụ tại rất nhiều Cơ quan khí tượng quốc gia nói trên, còn có rất nhiều các nghiên cứu của các viện nghiên cứu, trường đại học, có liên quan đến lĩnh vực SREF như Du và công

sự (1997), Stensrud và cộng sự (1999, 2000), Hou và cộng sự (2001), Wandishin và công sự (2001), Grimit và Mass (2002), Stensrud và Yussouf (2003), Có thể nói, lĩnh vực nghiên cứu SREF đã trở thành chủ đề nghiên cứu ứng dụng mạnh nhất trong 10 năm trở lại đây và vẫn còn tồn tại rất nhiều vấn đề chưa được giải quyết Hay nói cách khác, đây vẫn là một bài toán mở cho các nhà nghiên cứu Trong đó, các câu hỏi liên quan đến vai trò của trường ban đầu và sai số mô hình đến chất lượng của SREF, cũng như quan hệ theo không gian và thời gian của 2 yếu tố này vẫn chưa thực sự được giải quyết thỏa đáng Đặc biệt, phương pháp tính toán các

nguồn bất định có liên quan đến các hiện tượng quy mô vừa vẫn chỉ dừng lại mức

sơ khai Hacker và cộng sự (2011) đã khảo sát một vài phương pháp tính toán nhiễu động trường ban đầu và sai số mô hình trên hệ thống SREF của Cơ quan thời tiết Không lực Hoa Kỳ (AFWA) Các kết quả đánh giá cho thấy nhiễu động ban đầu đem lại chất lượng dự báo xác suất cao hơn so với cách tiếp cận hạ quy mô động lực

từ EPS toàn cầu, đặc biệt là trong 12 giờ dự báo đầu tiên Nhiễu động vật lý mô hình chỉ đem lại sự phân kỳ trong các dự báo đối với các dự báo trong lớp biên Tương tự nghiên cứu của Hacker và cộng sự (2011), Saito và cộng sự (2011) cũng nghiên cứu ảnh hưởng của 5 phương pháp nhiễu động trường ban đầu gồm WEP (thực chất là hạ quy mô động lực), GSV (phương pháp vecto kỳ dị dựa trên mô hình toàn cầu), MSV (phương pháp vecto kỳ dị dựa trên mô hình khu vực NHM), MBD (ươm nhiễu) và LETKF (lọc Kalman tổ hợp đã địa phương hóa) trong dự án dự báo mưa lớn cho Olympic Bắc Kinh năm 2008 (B08RDP) Các kết quả đánh giá cho thấy phương pháp GSV tốt hơn WEP GSV tốt cho dự báo mưa nhỏ và MSV tốt cho

dự báo mưa lớn Các phương pháp MBD và LETKF cũng có kỹ năng dự báo tốt cho mưa lớn nhưng cho độ tán tổ hợp nhỏ

Các phân tích nêu trên đã cho thấy vai trò quan trọng của SREF trong công tác dự báo thời tiết nghiệp vụ hiện nay Nhìn chung, khác với EPS hạn vừa hạn dài (các phương pháp tạo nhiễu động trường ban đầu là được sử dụng khá phổ biến) các

hệ thống SREF có cách tiếp cận khá đa dạng và cho đến nay vẫn chưa có một nghiên cứu nào chỉ ra được phương án tối ưu nhất trong việc tạo ra các dự báo thành phần cho một hệ thống SREF Bên cạnh cách tiếp cận hạ quy mô động lực bằng cách chạy một mô hình khu vực lồng ghép trong EPS toàn cầu, các phương pháp nhiễu động ban đầu (để tính toán độ bất định trong trường ban đầu) và nhiễu động mô hình (để tính toán độ bất định trong mô hình) thường được sử dụng Đối với nhiễu động trường ban đầu, rất nhiều phương pháp đã được nghiên cứu và sử dụng như SV, EKF, LETKF, và chứng tỏ có hiệu quả rõ rệt so với phương pháp

hạ quy mô động lực Đối với nhiễu động mô hình, cách tiếp cận là khá đa dạng như

sử dụng nhiều mô hình khu vực khác nhau hoặc cùng một mô hình nhưng đa phiên bản (sử dụng các sơ đồ tham số hóa vật lý khác nhau), nhiễu động các tham số trong các sơ đồ tham số hóa vật lý, Tương tự như cách tiếp cận nhiễu động trường ban đầu, các nghiên cứu cũng đã chỉ ra cách tiếp cận nhiễu động mô hình đem lại sử cải thiện đáng kể trong chất lượng dự báo trung bình tổ hợp và xác suất so với phương pháp hạ quy mô động lực Tuy nhiên, cả 3 cách tiếp cận nói trên vẫn còn cho độ tán

tổ hợp nhỏ và chưa giải quyết được vấn đề mối tương quan chặt giữa độ tán tổ hợp

và sai số trung bình tổ hợp

1.2.2 Tại Việt Nam

Tại Việt nam, NWP vẫn còn ở giai đoạn bước đầu tiếp thu công nghệ và nghiên cứu ứng dụng Do đó, EF cũng đang ở trong giai đoạn bước đầu tìm hiểu và chủ yếu tập trung vào các nghiên cứu lý thuyết (Nguyễn Chi Mai và cộng sự, 2004a; Võ Văn Hòa và cộng sự, 2006a) và dự báo tổ hợp quỹ đạo bão dựa trên cách tiếp cận đa trung tâm (Nguyễn Chi Mai và cộng sự, 2002; Nguyễn Chi Mai và cộng

sự, 2004b), nhiễu động trường ban đầu cho mô hình chính áp (Võ Văn Hòa và cộng

sự, 2006b; Võ Văn Hòa và cộng sự, 2007; Trần Tân Tiến và cộng sự, 2010), đa tham số hóa vật lý dựa trên mô hình WRF (Võ Văn Hòa, 2007), nuôi nhiễu phát triển nhanh - BGM và đa mô hình (Trần Tân Tiến và cộng sự, 2010) Các kết qủa nghiên cứu nói trên đã cho thấy tính khả thi và hiệu quả của việc ứng dụng EF để nâng cao chất lượng dự báo quỹ đạo bão tại Việt Nam Ngoài ra, trong nghiên cứu của Trần Tân Tiến và cộng sự (2010), các dự báo tổ hợp một số trường khí tượng bề mặt trên khu vực Biển Đông như khí áp mực biển trung bình, gió tại độ cao 10 mét, đã được thử nghiệm để làm đầu vào cho các mô hình hải văn dự báo sóng và nước dâng trong bão

Đối với bài toán dự báo trường khí quyển, Võ Văn Hòa và cộng sự (2008) đã nghiên cứu phát triển một EPS cho một số trường khí tượng quy mô synốp hay được sử dụng trong công tác dự báo quỹ đạo bão theo phương pháp dòng dẫn dựa trên cách tiếp cận đa mô hình Cụ thể, các sản phẩm dự báo thu nhận được tại TTDBTƯ từ 4 mô hình toàn cầu (GME, GSM, UM, GFS) và 1 mô hình khu vực (TLAPS) được sử dụng để tính toán các trường trung bình tổ hợp Trong nghiên cứu này, các phương pháp tính toán EF được sử dụng bao gồm trung bình đơn giản, trung bình có loại bỏ sai số hệ thống (sử dụng phương pháp trung bình trượt và hồi quy tuyến tính 1 biến) và trung bình có trọng số (nghịch đảo của sai số và hồi quy tuyến tính đa biến) Các kết qủa đánh giá cho thấy EF cho một số trường khí tượng như áp suất trung bình mực biển, độ cao địa thế vị, gió và nhiệt tại các mực 850,

700 và 500mb cho sai số nhỏ hơn 5 dự báo thành phần Bên cạnh đó, các thử nghiệm dự báo xác suất dựa trên các hệ tổ hợp nói trên cũng được nghiên cứu và cho một số kết quả khả quan Ngoài ưu điểm cải thiện chất lượng dự báo và tạo ra được các bản đồ dự báo xác suất, hệ thống EF đa mô hình này còn có ưu điểm là đòi hòi chi phí tính toán thấp do tận dụng các sản phẩm sẵn có mà không phải chạy thêm bất kỳ mô hình NWP khu vực nào Tuy nhiên, các nghiên cứu nói trên chỉ có thể áp dụng được cho các hiện tượng thời tiết mang tính quy mô lớn do độ phân giải thô của các dự báo thành phần và mới chỉ thử nghiệm cho một số biến khí tượng trên cao Do đó, việc áp dụng các kết quả nghiên cứu trên cho bài toán dự báo các hiện tượng thời tiết quy mô vừa là không khả thi

Gần đây, Hoàng Đức Cường và cộng sự (2011) đã sử dụng các mô hình WRF và MM5 đang được nghiên cứu tại Viện khoa học Khí tượng Thủy văn và Môi trường để thử nghiệm dự báo tổ hợp cho một số trường bề mặt như nhiệt độ trung bình ngày, độ ẩm tương đối và lượng mưa Hệ thống EF này gồm 10 dự báo thành phần trong đó một dự báo từ mô hình MM5 và 9 dự báo từ mô hình WRF được tạo ra bằng cách chạy tích hợp 3 tùy chọn tham số hóa đối lưu với 3 tùy chọn tham số hóa vi vật lý mây Các kết quả đánh giá dự báo trung bình tổ hợp đơn giản cho các yếu tố nói trên đã cho thấy kỹ năng dự báo đã được cải thiện

Nói chung, các nghiên cứu về EF tại Việt Nam mới bắt đầu trong 10 năm trở lại đây và đang ở giai đoạn thử nghiệm áp dụng công nghệ và tập trung dự báo quỹ đạo bão và một số trường khí tượng cơ bản Do đó, chưa thể áp dụng được cho nghiệp vụ dự báo thời tiết hạn ngắn Chính vì vậy, việc nghiên cứu và xây dựng được một hệ thống SREF và triển khai được vào dự báo nghiệp vụ tại TTDBTƯ là hết sức cần thiết và cấp bách

1.2.3 Tính khả thi của việc triển khai hệ thống dự báo tổ hợp thời tiết hạn ngắn cho khu vực Việt Nam

Từ năm 2006 trở lại đây, trên cơ sở hợp tác với các Cơ quan khí tượng NCEP của Mỹ và CMC của Canada, TTDBTƯ đã bắt đầu truy cập và lấy các sản phẩm dự báo tất định từ các mô hình toàn cầu GFS, NOGAPS của Mỹ và GEM của Canada cũng như các sản phẩm EF toàn cầu của hai cơ quan nói trên Như vậy, số lượng các

mô hình toàn cầu tất định có thể đáp ứng được nguồn số liệu đầu vào cho các mô hình khu vực tại TTDBTƯ đã tăng từ 3 lên thành 5 mô hình gồm GSM của JMA, GME của DWD, GFS của NCEP, NOGAPS của US Navy, GEM của CMC Bên cạnh đó, 21 dự báo thành phần từ EPS toàn cầu dựa trên mô hình GFS của NCEP và

21 dự báo thành phần từ EPS toàn cầu dựa trên mô hình GEM của CMC cho đến hạn dự báo 10 ngày cũng được thu thập và khai thác tại TTDBTƯ Đây chính là những nguồn số liệu tham khảo hết sức hữu ích cho nghiệp vụ dự báo hạn ngắn và hạn vừa tại TTDBTƯ Tuy nhiên, phần lớn các nguồn số liệu này có độ phân giải từ 55km cho đến 150km, do đó vẫn còn nhiều hạn chế trong việc nắm bắt các hiện tượng quy mô vừa Gần đây, TTDBTƯ đã mua toàn bộ số liệu NWP của ECMWF

từ quy mô hạn ngắn cho đến hạn mùa trong đó bổ sung thêm một đầu vào cho các

mô hình khu vực từ các trường phân tích và dự báo của mô hình toàn cầu IFS Việc thu thập và xử lý sơ bộ toàn bộ các nguồn số liệu NWP toàn cầu này được thực hiện thông qua mạng Nghiên cứu và giáo dục Việt Nam (VINAREN) với chi phí thời gian thu thập khoảng 1 giờ Do đó, tính sẵn sàng của các nguồn số liệu này là rất cao (ví dụ tại phiên quan trắc 7 giờ sáng, tức 00UTC, thì đến 11 giờ 30 phút là toàn

bộ quá trình thu thập và xử lý số liệu NWP toàn cầu đã hoàn tất) và khả năng ứng dụng các nguồn số liệu này để chạy các mô hình khu vực trên các hệ thống máy tính hiệu năng cao (HPC) là hoàn toàn khả thi và đáp ứng được nhu cầu nghiệp vụ Trong lĩnh vực mô hình hóa khí tượng quy mô khu vực, trong 10 năm trở lại đây, thông qua hợp tác Tổng cục khí tượng Cộng hòa Liên bang Đức (DWD), Cơ quan Khí tượng Nhật Bản (JMA), Trung tâm Dự báo môi trường quốc gia của Mỹ, Viện nghiên cứu khí tượng quốc gia (NIMR) của KMA, Viện khoa học khí quyển

và khí hậu (ISAC) của Cơ quan nghiên cứu quốc gia Italia, các mô hình khu vực quy mô vừa thủy tĩnh như HRM, BoLAM và phi thủy tĩnh như ETA, MOLOCH, JMANHM, WRF và COSMO đã được chuyển giao, nghiên cứu và thử nghiệm thành công tại TTDBTƯ Có thể nói, những mô hình tối tân nhất trên thế giới phục

vụ cho mục đích dự báo thời tiết đã được nghiên cứu và ứng dụng trong điều kiện nghiệp vụ hoặc bán nghiệp vụ tại TTDBTƯ với đầy đủ mã nguồn đi kèm Hàng năm, các phiên bản cập nhật của các mô hình nói trên đều được cung cấp và hỗ trợ bởi các chuyên gia nước ngoài cho TTDBTƯ

Trong 2 năm gần đây, nhờ sự đầu tư của Bộ Tài Nguyên và Môi trường và Trung tâm KTTV Quốc Gia, hệ thống HPC tại TTDBTƯ đã được tăng cường và cho phép có thể thực hiện được nhiều bài toán cùng một lúc Hiện tại, với 3 hệ thống máy tính bó song song hiệu năng cao (8 nodes trang bị năm 2006; 16 nodes trang bị năm 2008 và 6 nodes trang bị năm 2011), tổng năng lực tính toán tại TTDBTƯ được ước tính vào khoảng 1.5TFlops Với năng lực tính toán này, việc chạy nhiều mô hình khu vực với độ phân giải từ 15-25km cùng một lúc là hoàn toàn khả thi và đáp ứng được yêu cầu nghiệp vụ đề ra Bên cạnh đó, với sự nâng cấp về tốc độ đường truyền nội địa và quốc tế của mạng VINAREN do Bộ Khoa học và Công nghệ quản lý, TTDBTƯ đã có một đường truyền internet tốc độ cao cho phép lấy được nhiều sản phẩm dự báo từ các mô hình toàn cầu nói trên trong khoảng thời gian ngắn (tốc độ kết nối với quốc tế hiện tại của mạng VINAREN là 155 Mbps và

dự kiến sẽ tăng lên cỡ Gbps trong năm 2012) Đây chính là 2 yếu tố quan trọng đảm bảo cho việc triển khai một hệ thống dự báo tổ hợp nghiệp vụ tại bất kỳ một trung tâm dự báo khí tượng nào trên thế giới Bên cạnh các hệ thống HPC và đường truyền tốc độ, hệ thống lưu trữ số liệu của TTDBTƯ cũng đã được nâng cấp từ năm

2009 với tổng dung lượng lưu trữ hiện tại lên tới 40TB và sẽ tiếp tục được mở rộng lên thành 100TB trong năm 2012 Do đó, việc tổ chức sao lưu lâu dài các sản phẩm NWP toàn cầu và khu vực, cũng như các số liệu SREF trong đề tài này trong nhiều năm là hoàn toàn khả thi

CHƯƠNG II THIẾT KẾ VÀ XÂY DỰNG HỆ THỐNG DỰ BÁO TỔ HỢP THỜI

TIẾT HẠN NGẮN CHO KHU VỰC VIỆT NAM

Để tính toán được ảnh hưởng của các nguồn bất định có nguồn gốc từ trường ban đầu, cho đến nay đã có rất nhiều phương pháp được đề xuất cho bài toán SREF như nhiễu động quan trắc (Houtekamer và cộng sự, 1996; Pellerin và cộng sự,

), nuôi nhiễu động phát triển nhanh - BGM (Tracton và Kalnay, 1993; Toth và

Mylne, 2009; Hacker và cộng sự, 2011; Saito và cộng sự, 2011) Nói chung, hầu hết các nghiên cứu đều cho thấy việc các SREF dựa trên các phương pháp nhiễu động trường ban đầu nói trên đều cho kỹ năng dự báo xác suất tốt hơn so với phương pháp hạ quy mô động lực dựa trên EPS toàn cầu Tuy nhiên, các hệ thống SREF dựa trên cách tiếp cận này thường có độ tán quá nhỏ so với thực tế, dẫn đến tương quan không chặt giữa sai số của trung bình tổ hợp với độ tán tổ hợp Ngoài ra, cho đến nay cũng chưa có nghiên cứu nào chỉ ra được phương pháp tối ưu nhất trong số các phương pháp nói trên trong việc tính toán các nguồn bất định có nguồn gốc từ

trường ban đầu trong bài toán SREF Bên cạnh đó, cách tiếp cận xây dựng hệ

thống SREF cho Việt Nam dựa trên các giải pháp nói trên là chưa thể thực hiện trong điều kiện hiện tại của TTDBTƯ vì một số lý do như sau: 1) chưa có nghiên

cứu nào chỉ ra được phương pháp tạo nhiễu động trường ban đầu nào là tốt nhất cho bài toán SREF, đặc biệt là cho vùng Việt Nam; 2) trình độ cán bộ và khoa học công

nghệ hiện tại của TTDBTƯ chưa có đủ khả năng để tiếp thu cũng như tự xây dựng các phương pháp nói trên; 3) năng lực tính toán hiện tại của TTDBTƯ chưa đáp ứng được yêu cầu; và 4) TTDBTƯ chưa có hệ thống đồng hóa số liệu khu vực và rất nhiều nguồn số liệu quan trắc chưa được khai thác để đưa vào hệ thống này

Như đã biết, cho đến nay đã có rất nhiều nghiên cứu chỉ ra vai trò quan trọng của việc tính toán sai số mô hình trong hệ thống SREF sẽ đem lại sự cải thiện đáng

kể trong độ tán tổ hợp (Houtekamer và cộng sự, 1996; Stensrud và cộng sự, 2000; Mylne và cộng sự, 2002), vấn đề mà cách tiếp cận nhiễu động trường ban đầu chưa giải quyết triệt để được Nghiên cứu của Stensrud và cộng sự (2000) đã cho thấy sai

số mô hình sẽ có ảnh hưởng lớn khi xem xét các hiện tượng thời tiết nguy hiểm quy

mô vừa, thậm chí tại các vùng địa hình phức tạp nơi mà độ bất định trong dự báo bị chi phối nhiều bởi các sai số quy mô lớn trong trường phân tích Khái quát lại, cho đến nay có 2 phương pháp chủ yếu để tính toán được ảnh hưởng của các nguồn bất định do mô hình tới chất lượng của hệ thống SREF Cách tiếp cận thứ nhất thường

được biết đến với tên gọi là “đa mô hình” trong đó có thể sử dụng nhiều mô hình

NWP khác nhau (Multi-Model) hoặc cùng một mô hình nhưng với nhiều phiên bản khác nhau hoặc với nhiều tùy chọn tham số hóa vật lý khác nhau (Varied-Model) Tuy nhiên, cách tiếp cận sử dụng một mô hình (nhiều phiên bản hoặc tùy chọn tham

số hóa vật lý khác nhau) thường cho độ tán nhỏ hơn nhiều so với cách tiếp cận đa

mô hình (Eckel và cộng sự, 2005) Cách tiếp cận thứ 2 thường được biết đến là “vật

lý ngẫu nhiên” (stochastic physics) trong đó các sai số ngẫu nhiên được cộng thêm

vào trong quá trình tích phân mô hình Cụ thể, ảnh hưởng của sai số mô hình sẽ được đưa vào tính toán bằng cách tạo nhiễu động ngẫu nhiên khuynh hướng của một số biến trạng thái khí quyển với thuật toán tự điều chỉnh theo không gian và thời gian (Buizza và cộng sự, 1999) Cách tiếp cận thứ 2 này không cải thiện được

độ tán tổ hợp (do dựa trên cùng một mô hình) nhưng cải thiện đáng kể chất lượng

dự báo trung bình tổ hợp (Evans và cộng sự, 2000; Ziehmann, 2000; Richardson, 2001a)

Dựa trên những lập luận nên trên, trong nghiên cứu này, chúng tôi quyết

định lựa chọn cách tiếp cận đa mô hình đa phân tích (Model

Multi-Analysis, gọi tắt là MMMA) để xây dựng hệ thống dự báo tổ hợp thời tiết hạn

ngắn cho khu vực Việt Nam - SREPS (Short-Range Ensemble Prediction System)

để đảm bảo việc tính toán được các nguồn bất định từ trường ban đầu (giả thiết rằng

dự khác biệt trong các trường phân tích của các mô hình toàn cầu khác nhau mô tả các nguồn bất định trong trường ban đầu) và từ mô hình (giả thiết rằng các dự báo khác nhau được tạo ra bởi các mô hình NWP khu vực khác nhau sẽ mô tả nguồn bất định do mô hình) Cụ thể, nhiều mô hình NWP quy mô vừa sẽ được tích phân theo

thời gian với trường ban đầu và điều kiện biên từ nhiều mô hình NWP toàn cầu khác nhau Một lý do đơn giản khác để lựa chọn cách tiếp cận này là việc tận dụng các mô hình NWP quy mô vừa và nguồn số liệu NWP toàn cầu đang sẵn có tại TTDBTƯ Với cách tiếp cận này, vấn đề đặt ra là hệ thống SREF sẽ bao gồm bao nhiêu thành phần và độ phân giải ngang bao nhiêu thì phù hợp cho mục đích dự báo thời tiết cho khu vực Việt Nam ?

Như đã trình bày trong phần tổng quan ở Chương I, hầu hết các hệ thống SREF nghiệp vụ và nghiên cứu trên thế giới có độ phân giải ngang nằm trong khoảng từ 5-25km với số mực thẳng đứng dao động trong khoảng từ 31-40 mực Với hiện trạng năng lực tính toán và mô hình NWP tại TTDBTƯ, việc chạy các mô hình khu vực dạng phi thủy tĩnh với độ phân giải 5-10km là không khả thi do không

đủ năng lực tính toán và chưa có đồng hóa số liệu khu vực Do vậy, trong nghiên

cứu này chúng tôi lựa chọn độ phân giải ngang dao động trong khoảng 16km (0.15 0 ) và 31 mực thẳng đứng cho toàn bộ các mô hình NWP được sử dụng trong

hệ thống SREPS (chi tiết xem mục 2.2.2 ở dưới)

Liên quan đến bài toán xác định số dự báo thành phần tối ưu cho một hệ thống SREF, cho đến nay chưa có bất kỳ nghiên cứu trong điều kiện thực tế nào chỉ

ra được con số cụ thể cho bài toán SREF Phần lớn các nghiên cứu xác định mối

quan hệ giữa kích thước tổ hợp (ES - Ensemble Size) với chất lượng EF chỉ dừng

lại ở mức độ lý thuyết trong điều kiện lý tưởng hóa Palmer (2002) đã nghiên cứu ảnh hưởng của ES trong một EPS hữu hạn lên chỉ số đánh giá BSS cho một số phạm vi có thể của các hiện tượng dự báo (minh họa bằng các đường cong liền nét trên hình 2.1.1, các đường cong này thể hiện các hiện tượng có khả năng dự báo từ

dễ cho đến khó) và nhận thấy chỉ số BSS rất nhạy với ES, đặc biệt cho các hiện tượng có khả năng dự báo cao Từ hình 2.1.1 có thể thấy khi ES lớn hơn 50 thì chỉ

số BSS thay đổi rất ít thậm chí cho cả các hiện tượng dễ dự báo (small instrinsic predictability) Ngoài ra, cũng từ hình 2.1.1 có thể thấy đối với các hiện tượng có mức độ dự báo khó hơn, với ES trong khoảng từ 10 đến 50 là có thể tạo ra các chỉ

số BSS nằm trong khoảng 0.4-0.9 Các kết quả nghiên cứu tương tự cũng được chỉ

ra trong các nghiên cứu của Talagrand và cộng sự (1997), Richardson (2001) Như vậy, hệ thống SREPS trong nghiên cứu này nên có số lượng dự báo thành phần trong khoảng từ 10-50 Để đảm bảo hệ thống SREPS có chất lượng dự báo tốt (theo chỉ số đánh giá BSS) và vẫn đảm bảo đòi hỏi của công tác nghiệp vụ trong việc cung cấp các sản phẩm kịp thời (liên quan đến hiệu năng tính toán cần thiết), trong nghiên cứu này chúng tôi quyết định xây dựng hệ thống SREPS cho khu vực Việt Nam bao gồm 20 dự báo thành phần Chi tiết về cách thức tạo ra 20 dự báo thành phần này sẽ được mô tả trong mục 2.2 dưới đây

Hình 2.1.1: Tính toán lý thuyết ảnh hưởng của kích thước dự báo tổ hợp lên chỉ số BSS đối với nhiều hiện tượng có khả năng dự báo khác nhau (theo Palmer, 2002)

2.2 NGHIÊN CỨU LỰA CHỌN NGUỒN SỐ LIỆU TOÀN CẦU VÀ MÔ HÌNH DỰ BÁO SỐ TRỊ KHU VỰC ĐỂ XÂY DỰNG HỆ THỐNG DỰ BÁO TỔ HỢP THỜI TIẾT HẠN NGẮN

2.2.1 Nghiên cứu lựa chọn các nguồn số liệu dự báo toàn cầu

Như đã phân tích trong phần 2.1, hệ thống SREPS cho khu vực Việt Nam sẽ được xây dựng dựa trên cách tiếp cận MMMA, do vậy việc phân tích và lựa chọn các nguồn số liệu đầu vào cho các mô hình NWP khu vực là hết sức quan trọng và

có ảnh hưởng lớn đến chất lượng dự báo của hệ thống SREPS Do hiện tại TTDBTƯ chưa có bất kỳ hệ thống đồng hóa số liệu khu vực nào, nên cách tiếp cận tốt nhất để tạo ra đa phân tích (trường ban đầu) khác nhau là sử dụng các trường phân tích và dự báo của các mô hình toàn cầu khác nhau Bảng 2.2.1 liệt kê ra tất cả các nguồn số liệu toàn cầu sẵn có tại TTDBTƯ tính đến thời điểm hiện tại

Từ bảng 2.2.1 có thể thấy các số liệu phân tích và dự báo của 9 mô hình toàn cầu và 1 mô hình khu vực mở rộng (TXLAPS) có độ phân giải ngang, số mực thẳng đứng, và số biến khí quyển rất khác nhau Trong số các nguồn số liệu này, để đáp ứng được nhu cầu chạy mô hình khu vực, có thể thấy chỉ có các mô hình GSM_1.25, GSM_0.5, GFS, GME, GEM, NOGAPS, IFS Tuy nhiên, do mô hình IFS của ECMWF mới được triển khai khai thác tại TTDBTƯ từ cuối năm 2011 do

đó không đủ dung lượng mẫu để nghiên cứu Bên cạnh đó, số liệu GSM_1.25 và GSM_0.5 thực chất là số liệu dự báo của mô hình toàn cầu GSM nhưng đã được

chúng tôi quyết định lựa chọn số liệu phân tích và dự báo từ 5 mô hình toàn cầu

gồm GSM của JMA (độ phân giải 0.50 x 0.50), GFS của NCEP, GME của DWD,

GEM của CMC và NOGAPS của US Navy để cung cấp điều kiện ban đầu và biên

phụ thuộc vào thời gian cho các mô hình NWP khu vực trong hệ thống SREPS

Việc đánh giá chất lượng của 5 mô hình được lựa chọn ở trên không thực hiện ở đây do đã có rất nhiều nghiên cứu cho thấy dù một mô hình toàn cầu có chất lượng kém hơn các mô hình khác nhưng khi sử dụng cho dự báo tổ hợp thì hệ tổ hợp tạo ra vẫn có thể cho ra kết quả tốt hơn là khi không đưa thêm mô hình toàn cầu này vào Chính sự phân tán trong chất lượng trường phân tích và dự báo của các mô hình toàn cầu mô tả độ bất định trong điều kiện ban đầu và điều kiện biên phụ thuộc vào thời gian cho các mô hình NWP quy mô vừa Chi tiết về các mô hình NWP khu vực được lựa chọn sẽ được trình bày trong mục kế tiếp

Bảng 2.2.1 Thống kê các nguồn số liệu của các mô hình toàn cầu đang có (dạng số

đã chuẩn hóa vào CSDL NWP) tại TTDBTƯ tính đến thời điểm 31/12/2011 (Lưu ý: một số thông số thay đổi theo thời gian, các thông số đưa ra trong bảng dưới đây được lấy trong khoảng thời gian gần đây)

thời gian

giữa các

sản phẩm)

Số phiên

dự báo (UTC)

Độ phân giải ngang (độ)

Số mực

áp suất

Năm

có

dữ liệu

Số lượng và tên biến khí quyển (giải thích ý nghĩa các quy ước biến xem

16 2005

Biến trên mực áp suất (1000, 925, 850,

700, 500, 400, 300, 250, 200, 150, 100,

70, 50, 30, 20, 10 mb): H, U, V, T, q Biến bề mặt: Rain, T2m, Q2m, U10m, V10m, PMSL, Ps, Cloud

Biến bề mặt: Rain, T2m, Q2m, U10m, V10m, PMSL, Ps, Cloud

0 2009

Biến trên mực áp suất: không có GFS 72h (3h) 4 0.5 x 0.5 25 2006 Biến bề mặt: Rain, T2m, Q2m, U10m,

Số phiên

dự báo (UTC)

Độ phân giải ngang (độ)

Số mực

áp suất

Năm

có

dữ liệu

Số lượng và tên biến khí quyển (giải thích ý nghĩa các quy ước biến xem

trong phụ lục I)

V10m, PMSL, Ps, Cloud, Ts, Wsnow, Nswflux, Nlwflux, OLR; Wsoil_0, Wsoil_10, Wsoil_40, Wsoil_100, Tsoil_0, Tsoil_10, Tsoil_40, Tsoil_100

Wsoil_ice_243, Wsoil_ice_792, Tsoil_0, Tsoil_1, Tsoil_3, Tsoil_9, Tsoil_27, Tsoil_81, Tsoil_243, Tsoil_792, Wi, Rhosnow, Snow_freshness

thời gian

giữa các

sản phẩm)

Số phiên

dự báo (UTC)

Độ phân giải ngang (độ)

Số mực

áp suất

Năm

có

dữ liệu

Số lượng và tên biến khí quyển (giải thích ý nghĩa các quy ước biến xem

trong phụ lục I)

mb): H, U, V, T, q Biến bề mặt: U10, V10m, T2m, Td2m, PMSL, Ps, HCC, LCC, TCC, MCC, SST, STL1, STL2, STL3, STL4, TCC, TCW1, SWVL1, SWVL2, SWVL3, SWVL4, AL, LSM, Z, Rain, Tmax, Tmin, TCWV

4 2002

Biến trên mực áp suất (850, 700, 500, 200 mb): H, U, V, T, q

2.2.2 Nghiên cứu lựa chọn các mô hình dự báo số trị khu vực

Như đã phân tích ở trên, trong cách tiếp cận MMMA các mô hình NWP quy

mô vừa phải là các mô hình hoàn toàn khác nhau Do đó, việc phân tích và lựa chọn các mô hình NWP khu vực là hết sức cần thiết Sự khác biệt về động lực và vật lý của các mô hình được chọn sẽ được coi như là các độ bất định có liên quan đến sai

số của mô hình Bảng 2.2.2 cho thấy tại TTDBTƯ đang có 2 lớp mô hình NWP được sử dụng trong nghiên cứu và dự báo nghiệp vụ gồm : 1) các mô hình chính áp (WBAR và BARO) và 2) các mô hình tà áp quy mô vừa (HRM, ETA, MM5, WRFARW, WRFNMM, BoLAM, MOLOCH, NHM và COSMO) Lớp các mô hình chính áp về cơ bản dựa trên các mô hình nước nông một mực và chủ yếu được

sử dụng để dự báo quỹ đạo bão theo phương pháp dòng dẫn, do đó không có khả năng ứng dụng trong nghiên cứu ở đây để xây dựng hệ thống SREPS Đối với lớp các mô hình tà áp quy mô vừa, các mô hình HRM, BoLAM về cơ bản là mô hình thủy tĩnh trong khi các mô hình còn lại là mô hình phi thủy tĩnh nhưng vẫn có khả năng chạy thủy tĩnh Với lựa chọn độ phân giải ngang của SREPS dao động xung quanh 16km, tất cả các mô hình tà áp nói trên đều thỏa mãn Tuy nhiên, do hiện tại TTDBTƯ không có đủ năng lực tính toán để chạy cho toàn bộ 9 mô hình NWP khu vực nói trên, nên trong nghiên cứu này chúng tôi đề xuất sử dụng 4 mô hình NWP khu vực kết hợp với 5 trường đầu vào toàn cầu khác nhau để tạo ra SREPS bao gồm

20 dự báo thành phần Các mô hình NWP khác như MM5 và WRF tại Viện Khoa học KTTV và Môi trường ; HRM, RAMS và WRF tại Khoa KTTV và Hải dương học - Trường đại học khoa học tự nhiên, Đại học quốc gia Hà Nội không được đưa vào trong lựa chọn này do việc trao đổi dữ liệu dự báo thời gian thực với 2 đơn vị này không được đảm bảo Trong tương lai, khi hạ tầng mạng đáp ứng yêu cầu đề ra, việc bổ sung thêm mô hình này trong SREPS của TTDBTƯ sẽ được thực hiện để tạo ra hệ thống SREPS siêu tổ hợp (Grant EPS)

Do các mô hình NHM, MOLOCH và COSMO mới được nghiên cứu tại TTDBTƯ từ đầu năm 2011 trở lại đây và chưa có nhiều kết quả đánh giá về chất lượng dự báo của hai mô hình này Do vậy, ba mô hình này sẽ không được lựa chọn

để xây dựng hệ thống SREPS Một lý do khác nữa để không lựa chọn 3 mô hình này là do chi phí tính toán quá lớn, nhất là khi chạy phi thủy tĩnh và mới chỉ thử nghiệm sử dụng được với các trường đầu vào từ mô hình toàn cầu GFS và GME Mặc khác, do mô hình WRFNMM là phiên bản cải tiến từ mô hình ETA và trong tương lai sẽ thay thế mô hình ETA gần Tương tự, mô hình WRFARW là phiên bản

cải tiến từ mô hình MM5 và cũng sẽ thay thế cho MM5 trong tương lai Như vậy,

các mô hình NWP khu vực được lựa chọn để xây dựng SREPS cho khu vực Việt Nam sẽ bao gồm mô hình HRM, BoLAM, WRFARW và WRFNMM Tương tự

như việc lựa chọn các nguồn số liệu đầu vào từ các mô hình toàn cầu, việc đánh giá chất lượng của 4 mô hình NWP khu vực được lựa chọn này không được thực hiện ở

đây Với độ phân giải dự kiến của hệ thống SREPS là 16km, tất cả 4 mô hình NWP

khu vực nói trên sẽ chạy với dạng thủy tĩnh

Bảng 2.2.2 Các mô hình NWP đã và đang được sử dụng trong nghiên cứu và dự

báo nghiệp vụ tại TTDBTƯ (tính đến 31/12/2011)

nghiên cứu

2.3 THIẾT KẾ VÀ XÂY DỰNG HỆ THỐNG DỰ BÁO TỔ HỢP THỜI TIẾT HẠN NGẮN CHO KHU VỰC VIỆT NAM

Với mục tiêu dự báo thời tiết cho toàn bộ lãnh thổ Việt Nam, đặc biệt là các hiện tượng thời tiết nguy hiểm như bão, ATNĐ, mưa lớn, trong nghiên cứu này chúng tôi định hướng lựa chọn miền dự báo bao phủ miền địa lý như được thấy

hướng này và độ phân giải dự kiến trong khoảng 16km, việc xây dựng miền tích phân cho 4 mô hình NWP khu vực được lựa chọn sẽ dựa trên các định hướng này Bảng 2.3.1 đưa ra cấu hình động lực, vật lý, phương pháp số, độ phân giải của 4 mô hình HRM, BoLAM, WRFARW và WRFNMM Từ bảng này có thể thấy các mô hình về cơ bản có động lực học giống nhau chỉ khác là HRM có sử dụng ban đầu hóa bằng lọc số Về các sơ đồ tham số vật lý, ngoại trừ các mô hình HRM và BoLAM chỉ cung cấp duy nhất một tùy chọn cho mỗi dạng sơ đồ tham số hóa vật

lý, các mô hình WRFARW và WRFNMM cung cấp cho người sử dụng rất nhiều lựa chọn Do đó, chúng tôi lựa chon các sơ đồ tham số hóa vật lý cho 2 mô hình này dựa trên các kết quả nghiên cứu trong và ngoài nước, đồng thời tạo sự khác biệt với các mô hình HRM và BoLAM để tạo ra sự nhiễu động trong tham số hóa vật lý

Đối với miền dự báo, do mỗi mô hình có cách thức xác định riêng nên việc tạo ra miền dự báo thống nhất giữa 4 mô hình và giống như hình 2.3.1 là không thể thực hiện được Hay nói cách khác, 4 miền tích phân của 4 mô hình được lựa chọn

sẽ có sự khác biệt nhưng không đáng kể và bao phủ miền địa lý gần giống như hình 2.3.1 Dựa trên miền định hướng như trong hình 2.3.1, độ phân giải và miền dự báo cho 4 mô hình nói trên được đưa ra như trong bảng 2.3.1 trong đó mô hình HRM sử

tương ứng là 201/161 và sử dụng 31 mực thẳng đứng Mô hình BoLAM cũng tương

tự như mô hình HRM nhưng số nút lưới theo chiều kinh/vĩ tương ứng là 202/162 do yêu cầu của sơ đồ tham số hóa bức xạ số nút lưới mỗi chiều phải là số chẵn Đối với

mô hình WRFARW, do sử dụng lưới Đềcác, nên độ phân giải được lựa chọn là 17km cho mỗi chiều và 31 mực thẳng đứng Tọa độ tâm lưới dự báo của WRFARW

là (110°E, 16°N) với số nút lưới theo mỗi chiều là 201 x 161 Khác với WRFARW,

mô hình WRFNMM sử dụng lưới kinh vĩ dựa trên tọa độ tâm lưới và độ rộng tính bằng độ theo kĩnh và vĩ hướng Để đảm bảo miền dự báo phù hợp với miền định hướng, tâm lưới dự báo cho mô hình WRFNMM có tọa độ là (110.05°E, 16.05°N) với độ rộng theo chiều vĩ hướng là 30 độ và kinh hướng là 24 độ Với cách xác định

Tất cả các mô hình NWP khu vực được lựa chọn đều tích phân đến 72 giờ với cập nhật biên 6 giờ một từ các trường dự báo của mô hình toàn cầu trong đó các trường tĩnh như địa hình, thảm phủ thực vật, đều sử dụng chung bộ số liệu của USGS và FAO Do có động lực và phương pháp số khác nhau, nên bước tích phân thời gian của 4 mô hình cũng rất khác nhau Cụ thể, các mô hình HRM và WRFARW đều sử dụng bước tích phân 90 giây trong khi mô hình WRFNMM và BoLAM sử dụng bước thời gian tương ứng là 40 giây và 150 giây Các giá trị bước thời gian này được lựa chọn dựa trên độ phân giải của từng mô hình và đảm bảo 2 yêu cầu cơ bản là 1) tạo ra các dự báo logic và ổn định (không phá vỡ điều kiện CFL và hạn chế sự phát triển của sóng ngắn bất ổn định) và 2) hạn chế tối đa chi phí tính toán của mô hình để đảm bảo điều kiện nghiệp vụ

Như được thấy trong bảng 2.2.1, các mô hình NWP khu vực được chọn ở trên có thể chạy với trường phân tích và dự báo từ 5 mô hình toàn cầu tại các thời điểm phân tích 00UTC (7 giờ Việt Nam) và 12UTC (19 giờ Việt Nam) Tuy nhiên,

do khuôn khổ hạn chế của đề tài và năng lực tính toán Các kiểm nghiệm trong nghiên cứu này chỉ được thực hiện cho phiên 00UTC Sản phẩm dự báo từ các mô hình nói trên được đưa ra 3 giờ một và sao lưu trong các tệp tin số hóa có định dạng NetCDF (chi tiết về các biến dự báo được sao lưu xem mục 2.4.2.2 ở dưới) Trong nghiên cứu này, chúng tôi quyết định lựa chọn lưới kinh vĩ để lưu toàn bộ các sản phẩm dự báo từ 20 dự báo thành phần Lưới kinh vĩ lưu số liệu này phụ thuộc vào