NGHIÊN CỨU KHẢ NĂNG MÔ PHỎNG MÙA CÁC YẾU TỐ KHÍ TƯỢNG TRÊN LÃNH THỔ VIỆT NAM BẰNG PHƯƠNG PHÁP THỦY ĐỘNG VÀ THỐNG KÊ

Các điều kiện khí hậu vào tháng sau, mùa sau hay năm sau luôn được quan tâm khi con người đề ra những kế hoạch dài hạn trong sản xuất nông, lâm, ngư nghiệp, trong kinh tế, xây dựng, du lịch,…

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

HỒ THỊ MINH HÀ

NGHIÊN CỨU KHẢ NĂNG MÔ PHỎNG MÙA CÁC YẾU TỐ KHÍ TƯỢNG TRÊN LÃNH THỔ VIỆT NAM BẰNG PHƯƠNG

LUẬN ÁN TIẾN SĨ KHÍ TƯỢNG HỌC

HÀ NỘI - 2008

Chuyên ngành: Khí tượng học

LUẬN ÁN TIẾN SĨ KHÍ TƯỢNG HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 PGS TS Nguyễn Hướng Điền

2 GS TS Nguyễn Văn Hữu

HÀ NỘI - 2008

Lời cam đoan

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả trình bày trong luận án là trung thực và chưa từng được ai công

bố trong bất kỳ công trình nào khác

Tác giả luận án

Hồ Thị Minh Hà

Để thực hiện luận án, tác giả đã được giúp đỡ về thời gian và điều kiện nghiên cứu thuận lợi từ Ban Chủ nhiệm Khoa Khí tượng-Thủy văn-Hải dương học

và Bộ môn Khí tượng, nơi tác giả được hỗ trợ về trang thiết bị tính toán và lưu trữ

số liệu

Tác giả xin bày tỏ lòng biết ơn sâu sắc đến PGS TSKH Kiều Thị Xin đã chỉ dẫn những bước đi đầu tiên của tác giả đến với bài toán mô hình hóa khí hậu khu vực - vấn đề khoa học còn mới mẻ trong nước và tạo điều kiện cho tác giả tham gia

đề tài khoa học để phát triển năng lực nghiên cứu

Lời tri ân tác giả muốn gửi tới các nhà khoa học GS TS Trần Tân Tiến, PGS TS Phan Văn Tân, GS TSKH Nguyễn Đức Ngữ, PGS TS Hoàng Xuân Cơ, PGS TS Nguyễn Văn Tuyên, PGS TS Phạm Văn Huấn, PGS TS Phạm Vũ Anh, TSKH Nguyễn Duy Chinh, PGS Nguyễn Đăng Quế, thầy Trần Công Minh, TS Nguyễn Văn Thắng, TS Hoàng Đức Cường, Ths Vũ Thanh Hằng và một số nhà khoa học khác đã góp ý chân tình và xây dựng về những nội dung nghiên cứu của luận án

Thành công của luận án đạt được cũng là nhờ sự giúp đỡ về số liệu cũng như hướng dẫn sử dụng hệ thống máy tính và đồ họa của các đồng nghiệp trong Bộ môn Khí tượng và sự đóng góp ý kiến nhiệt tình của Chi Đoàn cán bộ Khoa Khí tượng-Thủy văn-Hải dương học Tác giả xin cám ơn tất cả bạn bè và đồng nghiệp

Tác giả sẽ không bao giờ quên sự quan tâm, chăm sóc, sẻ chia buồn vui và giúp đỡ qua bao khó khăn của người bạn đời

Lòng biết ơn sâu nặng nhất của tác giả xin gửi về cha mẹ, những người đã ban cho tác giả cuộc sống, dưỡng nuôi suốt thời thơ ấu và định hướng khoa học là con đường theo đuổi suốt đời của tác giả

Mục lục

Lời cam đoan 1

Lời cảm ơn 2

Mục lục 3

Danh mục các ký hiệu và chữ viết tắt 5

Danh mục hình ảnh 7

Danh mục các bảng 13

Mở đầu 15

Chương 1 CÁC NGHIÊN CỨU VỀ DỰ BÁO KHÍ HẬU KHU VỰC BẰNG MÔ HÌNH SỐ TRỊ 18

1.1 Tình hình nghiên cứu trên thế giới 21 1.1.1 Tại sao cần dự báo khí hậu khu vực bằng mô hình RCM? 21

1.1.2 Những nghiên cứu ứng dụng RCM vào dự báo khí hậu khu vực 26

1.2 Tình hình nghiên cứu trong nước 32 1.3 Những nghiên cứu về thống kê hiệu chỉnh sản phẩm mô hình số 35 Chương 2 PHƯƠNG PHÁP MÔ HÌNH HÓA KHÍ HẬU KHU VỰC VÀ PHƯƠNG PHÁP THỐNG KÊ SẢN PHẨM MÔ HÌNH SỐ (MOS) 38

2.1 Phương pháp mô hình hóa khí hậu khu vực ứng dụng vào mô hình RegCM3 39 2.1.1 Động lực học 39

2.1.2 Các thành phần vật lý trong RegCM3 45

2.2 Phương pháp thống kê sản phẩm mô hình số 66 2.2.1 Các phương pháp đánh giá thống kê mô hình khí hậu 66

2.2.2 Phương pháp luyện mạng thần kinh nhân tạo ANN 70

Chương 3 KẾT QUẢ MÔ PHỎNG CÁC TRƯỜNG KHÍ TƯỢNG TRÊN KHU VỰC ĐÔNG NAM Á BẰNG MÔ HÌNH KHÍ HẬU KHU VỰC

RegCM3 77

3.1 Thời tiết, khí hậu khu vực ĐNA trong thập kỷ cuối thế kỷ XX 77 3.2 Hoàn lưu, nhiệt độ, độ ẩm và lượng mưa của RegCM3 78 3.2.1 Cấu hình động lực 78

3.2.2 Lựa chọn sơ đồ tham số hóa vật lý 85

3.2.3 Kết quả mô phỏng 10 năm của RegCM3 với bộ tham số tối ưu 99

Chương 4 CẢI THIỆN KẾT QUẢ MÔ PHỎNG NHIỆT ĐỘ VÀ LƯỢNG MƯA CỦA MÔ HÌNH RegCM3 BẰNG SƠ ĐỒ THAM SỐ HÓA ĐỐI LƯU MỚI VÀ BẰNG PHƯƠNG PHÁP HIỆU CHỈNH THỐNG KÊ 107

4.1 Cải tiến RegCM3 bằng sơ đồ tham số hóa đối lưu mới 107 4.1.1 Lý do chọn lựa sơ đồ tham số hóa đối lưu Tiedtke 107

4.1.2 Mô hình RegCM3 với sơ đồ đối lưu mới Tiedtke 109

4.1.3 Đánh giá thống kê 117

4.2 Cải thiện kết quả mô phỏng nhiệt độ và lượng mưa của RegCM3 nhờ hiệu chỉnh bằng ANN 126 4.2.1 Lý do chọn phương pháp hiệu chỉnh bằng ANN 126

4.2.2 Các kết quả sau khi hiệu chỉnh 130

KẾT LUẬN 140

TÀI LIỆU THAM KHẢO 143 PHỤ LỤC

AS Arakawa-Schubert – Tên sơ đồ tham số hóa đối lưu

BATS Bio-Atmospheric Transfer Scheme - Sơ đồ tương tác khí quyển - bề mặt BTBộ Bắc Trung Bộ

BMJ Betts-Miller-Janjic – Tên sơ đồ tham số hóa đối lưu

CCM Community Climate Model – Mô hình Khí hậu cộng đồng

CGCM Couple Global Climate Model – Mô hình khí hậu toàn cầu phối hợp CRU Climatic Research Units – Trung tâm nghiên cứu khí hậu (Anh)

DBKH Dự báo khí hậu

DBKHKV Dự báo khí hậu khu vực

ĐNA Đông Nam Á

ĐBB Đông Bắc Bộ

ĐBBB Đồng bằng Bắc Bộ

ECHAM4 Mô hình khí hậu toàn cầu thuộc Viện Max Planck (Đức)

ECMWF European Center for Medium Range Weather Forecasts - Trung tâm dự

báo thời tiết hạn vừa Châu Âu

ENSO El Nino-Southern Oscillation – El Nino-Dao động Nam

EOF Empirical Orthogonal Function – Hàm trực giao kinh nghiệm

ERA40 Số liệu tái phân tích kết hợp sản phẩm mô hình số của ECMWF

FC Fritsch-Chappell – Tên sơ đồ tham số hóa đối lưu

GAB Grell_AS + Bats

GCM Global Climate Model – Mô hình khí hậu toàn cầu

GCM Global Circulation Model – Mô hình hoàn lưu chung khí quyển

HK Biệt thức Hanssen và Kuipers

HQTT Hồi quy tuyến tính

HRM High Resolution Model - Mô hình (dự báo thời tiết) độ phân giải cao

IPCC Integovernmental Panel on Climate Change - Nhóm nghiên cứu đa

chính phủ về biến đổi khí hậu MM5 Mesoscale Model 5 – Mô hình quy mô vừa thế hệ thứ 5

MOS Model Output Statistics – Thống kê sản phẩm mô hình

NTrBộ Nam Trung Bộ

NCAR National Center for Atmospheric Research (USA) – Trung tâm quốc gia

nghiên cứu khí quyển (Mỹ)

NCEP National Center for Environmental Prediction – Trung tâm Quốc gia về

Dự báo Môi trường (Mỹ) NOAA National Oceanographical and Atmospheric Administration – Cơ quan

quản lý Khí quyển – Đại dương (Mỹ) LAM Limited Area Model – Mô hình khu vực hạn chế

LBC Lateral Boundary Condition – Điều kiện biên xung quanh

PBL Planetary Boundary Layer – Lớp biên hành tinh

PCA Principal Component Analysis – Phân tích thành phần chính

PSU Pennsynavia States University – Đại học bang Pennsynavia

RegCM Regional Climate Model – Mô hình khí hậu khu vực của NCAR

RCM Regional Climate Model – Mô hình khí hậu khu vực

SST Sea surface temperature - nhiệt độ nước biển bề mặt

TBD Thái Bình Dương

TBNN Trung bình nhiều năm

TieB Tiedtke + Bats

TieZ Tiedtke + Zeng

TrTrBộ Trung Trung Bộ

XTNĐ Xoáy thuận nhiệt đới

V.Bắc Việt Bắc

vcs và cộng sự

Danh mục hình ảnh

Hình 1.1: Phân vùng gió mùa của S.P.Khromov (1957) Phần giới hạn trong

hình chữ nhật tô đậm là khu vực gió mùa ĐNA theo số liệu của Ramage (1971); 19

Hình 1.2: Sai số hệ thống của nhiệt độ không khí bề mặt ( o C) và giáng thủy

(%) trong giai đoạn 1961-1990 của các thử nghiệm sử dụng mô hình AOGCM của CSIRO Mk2, CCSR/NIES, ECHAM/OPYC, CGCM1 (tổ hợp 3 thành phần) và HadCM2 (4 thành phần) .22

Hình 1.3: Dòng chảy mùa hè ở Thụy Điển, (a) tính toán từ mô hình thủy văn,

sử dụng quan trắc mưa và dòng chảy tại trạm [Raab và Vedin, 1995]; (b) mô phỏng của GCM; (c) mô phỏng của RCM độ phân giải 55km; (d) mô phỏng của RCM độ phân giải 18km Đơn vị dòng chảy mặt là mm (Trích dẫn từ Christensen vcs., 1998) 25

Hình 1.4: RCM có thể dự báo được các đặc trưng hoàn lưu vốn không giải

được bởi GCM Ví dụ trong trường hợp dự báo xoáy thuận nhiệt đới

[Giorgi, 2006] 26 Hình 1.5: Khả năng mô phỏng lượng mưa và nhiệt độ khu vực Tây Á của

RegCM3 trung bình trong thời kỳ từ 1987-2000 [Giorgi, 2006] .29

Hình 1.6: Khả năng mô phỏng lượng mưa và nhiệt độ khu vực Đông Á của

RegCM3 trung bình trong thời kỳ từ 1987-2000 [Giorgi, 2006] .29

Hình 2.1: Các quy mô không gian của mô hình khí hậu [Giorgi, 2006] 38 Hình 2.2: Lưới ngang dạng xen kẽ dạng B - Arakawa - Lamb của mô hình

Hình 2.6: Dự báo cho địa phương bằng phương pháp thống kê sản phẩm của

GCM hoặc RCM 70

Hình 2.7: Cấu trúc của mạng thần kinh sinh học (trên) và cấu trúc ANN (dưới) .71

Hình 2.8: Mặt lỗi là hàm của các trọng số Điểm dốc nhất trên mặt lỗi là nơi sai số tổng cộng nhỏ nhất 72

Hình 2.9: Các dạng hàm truyền cơ bản của ANN, (a) hàm Log-sigma, (b) tan-sigma, (c) tuyến tính [Demuth vcs., 2000] .72

Hình 2.10: Mạng thần kinh 3 lớp theo phương pháp Levenberg-Marquardt 73

Hình 2.11: Dạng vectơ của mạng 3 lớp trong Hình 2.10 .73

Hình 3.1 : Dòng gió mùa chính trong 3 tháng mùa hè (6, 7, 8) ở Châu Á .80

Hình 3.2: Đường dòng và độ ẩm trung bình tháng 8/1996 mực 850mb của (a) ERA40 và (b) RegCM3 Đơn vị độ ẩm là kg/kg .81

Hình 3.3: Tương tự Hình 3.2b nhưng miền tích phân rộng hơn về phía bắc, hẹp hơn về 3 phía còn lại .82

Hình 3.4: Lượng mưa mô phỏng bởi (a) GCM_300km, (b) RCM_50km, (c) RCM_25km và (d) Quan trắc [Giorgi, 2006] Đơn vị mm/ngày 83

Hình 3.5: Lượng mưa trung bình tháng 8 của 3 năm 1996-1998 mô phỏng bởi (a)RegCM3_60km và (b) RegCM3_45km Đơn vị mm/ngày .84

Hình 3.6: Sai số RMSE của lượng mưa trung bình tháng 6-8/1996-1998 của (a) RegCM3_60km và (b) RegCM3_45km Đơn vị mm/ngày .84

Hình 3.7: Nhiệt độ tại độ cao 2m trung bình tháng 8/1996 của (a) CRU, (b) Reg+GAS, (c) Reg+GFC và (d) Reg+BMJ Đơn vị độ C 87

Hình 3.8: Lượng mưa trung bình tháng 8/1996 của (a) CRU, (b) Reg+GAS, (c) Reg+GFC và (d) Reg+BMJ Đơn vị mm/ngày .88

Hình 3.9: Profile (a) nhiệt độ và (b) độ ẩm trung bình tháng 8/1996 lấy trung

bình trong khu vực từ 12-22N, 106-110E của Reg+GFC và của

phiên bản này khi lượng mưa đối lưu giảm đi một nửa Đơn vị nhiệt

độ là độ C, đơn vị độ ẩm riêng là kg/kg .92

Hình 3.10: Lượng mưa trung bình tháng 8/1996 của (a) Reg+GFC và (b)

Reg+GFC khi lượng mưa đối lưu giảm 1 nửa Đơn vị mm/ngày .93

Hình 3.11: Nhiệt độ tại 2m trung bình tháng 8/1996 của (a) Reg+GFC và (b)

Reg+GFC khi lượng mưa đối lưu giảm 1 nửa Đơn vị độ C .93

Hình 3.12: Chuỗi thời gian của CAPE (J/kg), CAPE âm (NCAPE) (J/kg) và

lượng mưa quan trắc (mm/ngày) Đường đậm là CAPE, đường chấm, gạch là NCAPE và đường nét đứt là tốc độ mưa [Xie và Zhang, 2000] .94

Hình 3.13: Lượng bốc hơi từ đại dương vào khí quyển của (a) Reg+GAB và

(b) Reg+GAZ trung bình 6-8/1996 Đơn vị mm/ngày 97

Hình 3.14: Tương tự Hình 3.13 nhưng là thông lượng hiển nhiệt Đơn vị W/m 2

Vùng màu nhạt (giá trị âm) chỉ nhiệt từ khí quyển và đại dương, vùng màu sẫm (giá trị dương) chỉ thông lượng nhiệt hướng từ đại dương vào khí quyển .98

Hình 3.15: Nhiệt độ tại 2m trung bình tháng 8/1996 của (a) Reg+GAB và

(b)Reg+GAZ Đơn vị độ C .99

Hình 3.16: Áp suất mực biển trung bình 3 tháng 6-8/1991-2000 của (a) ERA40

và (b) Reg+GAB Đơn vị mb .100

Hình 3.17: Lượng mưa trung bình mùa hè trong 10 năm của (a) CRU và (b)

Reg+GAB Đơn vị mm/ngày 100

Hình 3.18: Hiệu nhiệt độ 2m trung bình mùa hè trong 10 năm (91-00) giữa

Reg+GAB và CRU Đơn vị độ C 102

Hình 3.19: Sai số RMSE của nhiệt độ tại 2m trung bình tháng 6-8 của 10 năm

(91-00) của Reg+GAB so với CRU Đơn vị độ C .102

Hình 3.20: Lát cắt thời gian - độ cao của hiệu (a) nhiệt độ và (b) độ ẩm của

phiên bản Reg+GAB so với ERA40 trong 10 năm, từ 1991-2000 Đơn vị nhiệt độ là độ C, đơn vị độ ẩm g/kg .103

Hình 3.21: Sai số RMSE của lượng mưa trung bình tháng 6-8 của 10 năm

(91-00) của Reg+GAB so với CRU Đơn vị mm/ngày 104

Hình 4.1: Tương tự Hình 3.16 nhưng là phiên bản Reg+TieB 110 Hình 4.2: Tương tự Hình 3.20a nhưng là phiên bản Reg+TieB Đơn vị độ C .111 Hình 4.3: Hiệu nhiệt độ tại 2m trung bình 30 tháng của Reg+TieB so với

CRU Đơn vị độ C Màu sẫm chỉ sai số âm lớn .111

Hình 4.4: Sai số RMSE của nhiệt độ tại 2m trung bình tháng 6-8 của 10 năm

(91-00) của Reg+TieB so với CRU Đơn vị độ C .112

Hình 4.5: Profile độ ẩm trung bình tháng 8 của các năm (a) 1998 (ẩm nhiều),

(b) 1992 (ẩm trung bình) và (c) 1993 (ẩm ít) Đơn vị kg/kg .113

Hình 4.6: Đường dòng và độ ẩm mực 850mb trung bình tháng 6-8/91-00 của

(a) ERA40, (b) Reg+GAB và (c) Reg+TieB Đơn vị độ ẩm kg/kg .113

Hình 4.7: Tương tự Hình 3.20b nhưng là phiên bản Reg+TieB Đơn vị g/kg .114 Hình 4.8: Lượng mưa ngày tổng cộng trung bình tháng 6/1996 của (a) CRU

và lượng mưa đối lưu của (b) Reg+GAB và (c) Reg+TieB Đơn vị mm/ngày .115

Hình 4.9: Lượng mưa trung bình tháng 8/1997 (năm ít mưa) của (a) CRU, (b)

Reg+GAB và (c) Reg+TieB Đơn vị mm/ngày 115

Hình 4.10: Lượng mưa trung bình tháng 8/1998 (năm mưa nhiều) của (a)

CRU, (b) Reg+GAB và (c) Reg+TieB Đơn vị mm/ngày .115

Hình 4.11: Dị thường nhiệt độ trung bình tháng của 3 tháng trong 10 năm so

với trung bình 10 năm của mỗi chuỗi Đơn vị độ C 118

Hình 4.12: PCA đầu tiên của nhiệt độ trung bình tháng của 3 tháng trong 10

năm Đơn vị độ C 118

Hình 4.13: Nhiệt độ trung bình 30 tháng mùa hè của các khu vực trên Việt

Nam Đơn vị độ C Ghi chú: Theo phân vùng khí hậu của Phạm Ngọc Toàn, Phan Tất Đắc, (1997), Việt Nam được phân chia thành

10 khu vực khí hậu nhưng do ít số liệu và một số khu vực có khí hậu tương đối giống nhau trong mùa gió mùa mùa hè nên ghép thành 5 khu vực 119

Hình 4.14: (a) HSTQ và (b) RMSE của nhiệt độ trung bình tháng của 3 tháng

trong 10 năm giữa mô hình và quan trắc, đánh giá cho từng khu vực trên Việt Nam Đơn vị RMSE là độ C 120

Hình 4.15: Chuỗi thời gian nhiệt độ tối cao trung bình các tháng 6-8 của 10

năm Đơn vị độ C 121

Hình 4.16: Dị thường nhiệt độ tối cao trung bình các tháng 6-8 của 10 năm so

với trung bình 10 năm của mỗi chuỗi Đơn vị độ C 121

Hình 4.17: Lượng mưa trung bình tháng 6-8/1991-2000 của (a) CRU, (b)

Reg+GAB, (c) Reg+TieB, (d) Reg+TieZ và (e) Reg+Tổ hợp Đơn vị mm/ngày .123

Hình 4.18: Dị thường lượng mưa trung bình các tháng mùa hè của 10 năm

(1991-2000) so với trung bình 10 năm của quan trắc, tính trên toàn Việt Nam Đơn vị mm/ngày .124

Hình 4.19: (a) HSTQ và (b) RMSE của lượng mưa trung bình tháng của 3

tháng trong 10 năm giữa mô hình và quan trắc, đánh giá cho từng khu vực trên Việt Nam Đơn vị RMSE là mm/ngày .125

Hình 4.20: Phân bố độ lệch (ME) của (a) nhiệt độ và (b) lượng mưa trung

bình tháng giữa mô hình và quan trắc trong các tháng mùa hè (6-8) của 10 năm (91-00) của Reg+GAB Đơn vị nhiệt độ là độ C, lượng mưa mm/ngày .126

Hình 4.21: Biểu đồ tụ điểm của nhiệt độ quan trắc và mô hình trên toàn Việt

Nam của (a) phiên bản Reg+GAB, (b) phiên bản Reg+TieB, đơn vị

độ C .127

Hình 4.22: Chuỗi thời gian của độ lệch (ME) giữa (a) nhiệt độ và (b) lượng

mưa trung bình tháng của mô hình và quan trắc trong các tháng mùa hè (6-8) của 10 năm (1991-2000) tính trên toàn Việt Nam Đơn

vị nhiệt độ là độ C, lượng mưa mm/ngày .128

Hình 4.23: Phân bố độ lệch (ME) của nhiệt độ trung bình tháng giữa mô hình

và quan trắc trong các tháng mùa hè (6-8) của 10 năm (91-00) của Reg+GAB trên khu vực (a) Tây Bắc+Việt Bắc và (b) Tây Nguyên .128

Hình 4.24: Phân bố độ lệch (ME) của lượng mưa trung bình tháng giữa mô

hình và quan trắc trong các tháng mùa hè (6-8) của 10 năm 2000) của Reg+GAB trên khu vực (a) ĐBB+ĐBBB+BTB và (b) TrBộ+NTrBộ Đơn vị mm/ngày 129

(1991-Hình 4.25 : Biểu đồ tụ điểm nhiệt độ sau khi hiệu chỉnh bằng ANN trên toàn

Việt Nam của các tháng mùa hè (6-8) của 10 năm (1991-2000) Đơn

vị độ C 130

Hình 4.26: Nhiệt độ trung bình 18 tháng của 6 năm số liệu phụ thuộc (1992,

1993, 1994, 1997, 1999, 2000) của (a) Quan trắc, (b) Reg+TieB và (c) Reg+ANN Đơn vị độ C .131

Hình 4.27: Tương tự Hình 4.26 nhưng của 4 năm số liệu độc lập

(1991,1995,1996,1998) .131

Hình 4.28: Chuỗi thời gian của nhiệt độ trung bình tháng của (a) Việt Nam và

(b) Tây Bắc+Việt Bắc trong 6 năm, số liệu phụ thuộc Đơn vị độ C 132

Hình 4.29: Chuỗi thời gian của nhiệt độ của (a) Việt Nam, (b) Tây Nguyên và

(c) Tây Bắc và Việt Bắc trong 4 năm số liệu độc lập sau khi hiệu chỉnh bằng ANN Đơn vị độ C 133

Hình 4.30: (a) HSTQ và (b) RMSE của nhiệt độ trung bình tháng của 3 tháng

trong 4 năm số liệu độc lập (98, 96, 91, 95) giữa mô hình và quan trắc, đánh giá cho từng khu vực trên Việt Nam Đơn vị RMSE là độ

C .135

Hình 4.31: Lượng mưa trung bình tháng của 6 năm số liệu phụ thuộc của (a) Quan trắc, (b) Reg+GAB, (c) Reg+Tổ hợp và (d) Reg+ANN Đơn vị mm/ngày .136

Hình 4.32: Tương tự Hình 4.31 nhưng của 4 năm số liệu độc lập (1991,1995,1996,1998) .136

Hình 4.33: (a) HSTQ và (b) RMSE của lượng mưa trung bình tháng của 3 tháng trong 4 năm số liệu độc lập (1991, 1995, 1996,1998) giữa mô hình và quan trắc, đánh giá cho từng khu vực trên Việt Nam Đơn vị RMSE là mm/ngày .137

Danh mục các bảng Bảng 2.1: Bảng ngẫu nhiên 68

Bảng 2.2: Bảng các chỉ số đánh giá dự báo phân đôi 68

Bảng 2.3: Bảng ngẫu nhiên đối với dự báo đa nhóm 69

Bảng 2.4: Bảng các chỉ số đánh giá dự báo đa nhóm 69

Bảng 2.5: Bảng các chỉ số đánh giá dự báo biến liên tục 70

Bảng 3.1: Các kỳ El Nino và La Nina trong thế kỷ XX 78

Bảng 3.2: Các đợt ENSO trong thập kỷ của cuối thế kỷ XX [Nguyễn Đức Ngữ, 2007; Trenberth, 1997] 78

Bảng 3.3: Cấu hình động lực trong RegCM3 .79

Bảng 3.4: Các sơ đồ vật lý biểu diễn trong RegCM3 .85

Bảng 3.5: Ký hiệu các phiên bản mô hình RegCM3 với các tùy chọn sơ đồ tham số hóa đối lưu .86

Bảng 3.6: Các phiên bản của RegCM3 với các tùy chọn sơ đồ thông lượng đại

dương – khí quyển .96

Bảng 3.7: Các chỉ số đánh giá nhiệt độ mô phỏng của Reg+GAB so với CRU

tính trên toàn khu vực ĐNA Đơn vị độ C .101

Bảng 3.8: Các chỉ số đánh giá lượng mưa trung bình tháng của Reg+GAB so

với CRU tính trên toàn khu vực ĐNA Đơn vị mm/ngày .105

Bảng 4.1: Các chỉ số đánh giá nhiệt độ trung bình tháng của Reg+TieB so

với CRU tính trên toàn khu vực ĐNA Đơn vị độ C .112

Bảng 4.2: Bảng các chỉ số đánh giá biến liên tục đối với nhiệt độ trung bình

tháng của Việt Nam giữa quan trắc và các phiên bản Reg+GAB, Reg+TieB, Reg+TieZ Đơn vị độ C 119

Bảng 4.3: Tương tự như Bảng 4.2 nhưng của các khu vực trên Việt Nam .119 Bảng 4.4: Tương tự như Bảng 4.2 nhưng là lượng mưa trung bình tháng và

thêm phiên bản Reg+Tổ hợp Đơn vị mm/ngày .124

Bảng 4.5 : Tương tự như Bảng 4.4 nhưng của các khu vực trên Việt Nam .124 Bảng 4.6: Bảng các chỉ số đánh giá biến liên tục đối với nhiệt độ trung bình

tháng của Việt Nam giữa quan trắc và các phiên bản Reg+GAB, Reg+TieB, Reg+TieZ, 4 năm (98, 96, 91, 95) Đơn vị độ C 133

Bảng 4.7 : Tương tự như Bảng 4.6 nhưng của các khu vực trên Việt Nam .134 Bảng 4.8 : Bảng các chỉ số đánh giá biến liên tục đối với lượng mưa trung

bình tháng, từng trạm của Việt Nam giữa quan trắc và các phiên bản Reg+GAB, Reg+TieB, Reg+TieZ, 4 năm (98, 96, 91, 95) Đơn

vị mm/ngày 138

Bảng 4.9 : Tương tự như Bảng 4.8 nhưng của các khu vực trên Việt Nam .138

Mở đầu

Các điều kiện khí hậu vào tháng sau, mùa sau hay năm sau luôn được quan tâm khi con người đề ra những kế hoạch dài hạn trong sản xuất nông, lâm, ngư nghiệp, trong kinh tế, xây dựng, du lịch,… Mức độ thành công của những hoạt động

xã hội này phụ thuộc rất nhiều vào việc mùa sau sẽ nóng hay lạnh hơn, mưa nhiều hay ít hơn, hạn hán hay lũ lụt có thể xảy ra do những sản phẩm sản xuất ra có thích hợp với khí hậu khi đó hay không Như ta đã biết, đây chính là mục đích của bài toán dự báo khí hậu hạn mùa

Đối với khu vực Châu Á, do đặc điểm về địa lý tự nhiên phức tạp, chịu tác động mạnh của gió mùa nên thường xuyên bị ảnh hưởng bởi các hiện tượng thời tiết

và khí hậu bất thường Theo Tổ chức Khí tượng thế giới (WMO), 43% thảm hoạ tự nhiên trên thế giới xảy ra từ năm 1991 đến năm 2000 là ở Châu Á, trong đó có 2035 thảm hoạ về thời tiết làm thiệt hại khoảng 40,35 tỷ đô la Đặc biệt là vào mùa hè, hệ thống gió mùa tây nam thống trị ở đây mang đến lượng mưa chính, quyết định tình trạng khí hậu hạn hán, lũ lụt hay ổn định cho khu vực Chính vì vậy, đối với khu vực Châu Á nói chung, Đông Nam Á và Việt Nam nói riêng, dự báo khí hậu hạn mùa nói chung và mùa hè nói riêng càng đặc biệt quan trọng

Các phương pháp thường được sử dụng trong dự báo khí hậu là phương pháp thống kê và phương pháp số trị Cùng với sự phát triển mạnh mẽ và nhanh chóng của công nghệ máy tính trong một vài thập kỷ gần đây, chúng ta đã có thể xây dựng

và phát triển những mô hình số trong dự báo khí hậu Ưu điểm của các mô hình số

so với phương pháp thống kê là nó được xây dựng dựa trên mối quan hệ vật lý thực của các quá trình trong khí quyển

• Tính cấp thiết của đề tài

Mô hình số dự báo khí hậu hạn mùa là vấn đề “nóng” hiện nay Tuy nhiên,

mô hình toàn cầu không thể dự báo chi tiết cho khu vực Châu Á do hạn chế về độ phân giải Vì vậy, xây dựng mô hình khí hậu khu vực phù hợp là mối quan tâm của hầu hết các quốc gia trên châu lục này, trong đó có Việt Nam Nhưng trước khi đưa một mô hình số vào dự báo khí hậu, cần kiểm tra kỹ năng của mô hình đó thông qua

mô phỏng trên số liệu nhiều năm và đánh giá bằng các chỉ số thống kê Đứng trước

yêu cầu cấp thiết đó, chúng tôi đã chọn và thực hiện đề tài: “Nghiên cứu khả năng

mô phỏng mùa các yếu tố khí tượng trên lãnh thổ Việt Nam bằng phương pháp

thủy động và thống kê” Trong khuôn khổ luận án, chúng tôi thực hiện mô phỏng

hoàn lưu, nhiệt độ, độ ẩm và lượng mưa trung bình tháng thời hạn 3 tháng trong mùa hè trên khu vực Đông Nam Á bằng mô hình khí hậu khu vực RegCM phiên bản 3, sau đó đánh giá và hiệu chỉnh kết quả mô phỏng bằng phương pháp thống kê

• Mục đích của luận án

Luận án đặt ra nhằm đạt được các mục đích sau:

- Đánh giá được khả năng mô phỏng khí hậu hạn mùa cho khu vực Đông Nam Á và Việt Nam của mô hình khí hậu khu vực RegCM3

- Cải tiến mô hình RegCM3 bằng cách đưa thêm vào một sơ đồ tham số hóa đối lưu mới nhằm nâng cao chất lượng mô phỏng của mô hình

- Xây dựng được phương pháp hiệu chỉnh sản phẩm đầu ra của mô hình bằng công

cụ thống kê nhằm chính xác hóa kết quả mô phỏng

• Đối tượng và phạm vi nghiên cứu

Nghiên cứu mô phỏng và dự báo khí hậu khu vực bằng mô hình số là một bài toán lớn liên quan đến nhiều khía cạnh khác nhau Việc thực hiện đầy đủ bài toán này nằm ngoài khuôn khổ luận án này, do đó luận án chỉ giới hạn:

- Đối tượng nghiên cứu: Nhiệt độ không khí bề mặt và lượng mưa trung bình tháng trong mùa hè

- Phạm vi nghiên cứu: Đông Nam Á và các vùng biển lân cận, đặc biệt chú trọng đến Việt Nam

• Những đóng góp mới của luận án

Trên cơ sở ứng dụng mô hình RegCM3 để mô phỏng hạn mùa các trường khí hậu bề mặt khu vực Việt Nam và Đông Nam Á trong thời kỳ gió mùa mùa hè, tác giả luận án đã nghiên cứu phát triển mô hình này và xây dựng được phương pháp hiệu chỉnh các sản phẩm đầu ra của mô hình Những đóng góp mới chủ yếu là:

- Đã đưa được sơ đồ tham số hoá đối lưu Tiedtke (1989) vào mô hình RegCM3 thành một tùy chọn mới và do đó đã làm tăng chất lượng mô phỏng của mô hình đối với trường nhiệt độ bề mặt

- Đã nghiên cứu và xây dựng được phương pháp hiệu chỉnh các trường nhiệt độ và lượng mưa của mô hình RegCM3 bằng phương pháp mạng thần kinh nhân tạo (ANN)

• Ý nghĩa khoa học và thực tiễn

+ Ý nghĩa khoa học:

- Tổng quan được vấn đề dự báo và mô phỏng khí hậu hiện nay và đề ra phương

án nghiên cứu mô phỏng khí hậu khu vực Việt Nam bằng mô hình RegCM3 và thống kê

- Đã khảo sát và thử nghiệm các sơ đồ tham số hóa đối lưu Kuo, BMJ, Grell_AS, Grell_FC, Tiedtke, thử nghiệm các sơ đồ tính toán thông lượng đại dương BATS và Zeng và chọn được sơ đồ đối lưu Tiedtke, sơ đồ thông lượng đại dương BATS là tốt nhất để mô phỏng khí hậu khu vực Việt Nam

- Kết hợp kết quả động lực và phương pháp thống kê (mạng thần kinh nhân tạo) để đưa ra kết quả mô phỏng trường nhiệt độ 2m và lượng mưa mùa hè trên lãnh thổ Việt Nam phù hợp với thực tiễn hơn

+ Ý nghĩa thực tiễn: Kết quả nghiên cứu của luận án có thể sử dụng trong nghiên

cứu và tìm ra một số đặc điểm khí hậu (lượng mưa, nhiệt độ) mùa hè của Việt Nam

• Cấu trúc luận án

Ngoài các mục mở đầu, tài liệu tham khảo, phụ lục, v.v nội dung chính của luận án bao gồm:

Chương 1 – Trình bày những nghiên cứu trong nước và ngoài nước về dự báo và

mô phỏng khí hậu khu vực hạn mùa bằng phương pháp số;

Chương 2 – Phương pháp động lực-thống kê bao gồm (1) mô hình hóa khí hậu khu vực và (2) thống kê hiệu chỉnh sản phẩm mô hình số, và các phương pháp đánh giá; Chương 3 – Các thử nghiệm độ nhạy và kết quả mô phỏng nhiều năm các đặc điểm

hoàn lưu, nhiệt độ và mưa trong mùa gió mùa mùa hè trên khu vực ĐNA bằng mô hình RegCM3;

Chương 4 – Cải thiện kết quả mô phỏng nhiệt độ bề mặt nhờ cài đặt sơ đồ tham số

hóa đối lưu mới và hiệu chỉnh nhiệt độ và lượng mưa của mô hình RegCM3 về gần với thực tế bằng phương pháp ANN và đánh giá kết quả

Kết luận và kiến nghị : Trình bày tóm tắt các kết quả chủ yếu của luận án, những

điểm mới đã đạt được; nêu những tồn tại và kiến nghị việc sử dụng kết quả luận án cũng như các vấn đề cần tiếp tục nghiên cứu

Chương 1 CÁC NGHIÊN CỨU VỀ DỰ BÁO KHÍ HẬU KHU VỰC

BẰNG MÔ HÌNH SỐ TRỊ

Khí hậu được định nghĩa là sự tổng hợp của thời tiết ở một vùng nhất định, được xác định một cách định lượng thông qua giá trị trung bình của các yếu tố khí tượng bao gồm nhiệt độ, lượng mưa, tốc độ và hướng gió, khí áp, mây và độ ẩm,… tại một địa phương vào một tháng hoặc một mùa nào đó Các giá trị trung bình này

có thể biến đổi từ năm này sang năm khác, thập kỷ này sang thập kỷ khác và thế kỷ này sang thế kỷ khác Trạng thái trung bình của khí quyển trong một thời gian dài phụ thuộc vào sự biến đổi của các yếu tố tương tác với nhau như bức xạ mặt trời, các khối khí, các hệ thống khí áp, hoàn lưu đại dương và địa hình Dưới tác động tổ hợp của các yếu tố trên, khí hậu trên Trái đất không đồng nhất mà hình thành các khu vực với những điểm đặc trưng khác nhau

Khí hậu khu vực Đông Nam Á là một bộ phận của hệ thống khí hậu toàn cầu,

có nhiều đặc điểm hết sức phức tạp, thuộc loại khí hậu rất nóng, ẩm với độ ẩm trung bình khoảng 70-90%, lượng mưa trung bình năm lớn, khoảng 1500-2500mm Khí

hậu ở đây bị chi phối chủ yếu bởi sự hoạt động của gió mùa Thuật ngữ gió mùa xuất phát từ tiếng Arập là “mausim”, nghĩa là mùa Theo S.P Khrômov (1957), ''Gió

mùa là chế độ dòng khí của hoàn lưu chung khí quyển trên một phạm vi đáng kể của bề mặt Trái Đất, trong đó ở mọi nơi trong khu vực gió mùa, gió thịnh hành chuyển ngược hướng hay gần như ngược hướng từ mùa đông sang mùa hè và từ mùa hè sang mùa đông'' Các khu vực gió mùa trên Trái đất được trình bày trên Hình 1.1, trên đó cho thấy gió mùa Châu Á là một khu vực gió mùa điển hình của thế giới

Hình 1.1: Phân vùng gió mùa của S.P.Khromov (1957) Phần giới hạn trong hình chữ

nhật tô đậm là khu vực gió mùa ĐNA theo số liệu của Ramage (1971);

1: Khu vực có xu thế gió mùa; 2: Khu vực gió mùa; 3: Khu vực gió mùa điển hình.

Gió mùa Châu Á bao gồm ít nhất 2 hệ thống con là gió mùa Nam Á (hay gió mùa Ấn Độ) và gió mùa Đông Á, hoạt động độc lập với nhau vào cùng một thời gian nhưng có tương tác với nhau [Chen và Jin, 1984; Tao và Chen, 1987] Trong khi gió mùa Ấn Độ đã được tập trung nghiên cứu từ rất lâu, hệ thống gió mùa Đông

Á chỉ mới được quan tâm trong khoảng hai thập kỷ gần đây [Liu vcs., 2005] Gió mùa Đông Á có thể được chia nhỏ thêm thành gió mùa Đông Nam Á [Lau và Yang, 1997] thịnh hành trên bán đảo Đông Dương, Nam Trung Quốc và biển Đông (Nam Trung Hoa), và gió mùa Bắc Thái Bình Dương [Wang và Wu, 1997] cùng với gió mùa cận nhiệt đới lục địa Đông Á-Nhật Bản

Gió mùa mùa đông ở ĐNA thể hiện ở sự xâm nhập của các khối không khí lạnh cực đới xuống các vĩ độ thấp vào mùa đông thành từng đợt khoảng 5-7 ngày, chủ yếu làm cho thời tiết trở nên lạnh và khô, ít mưa, ngoại trừ những khu vực ven biển, nơi thường xảy ra mưa phùn giá rét vào mùa đông do không khí cực đới biến tính qua biển và trở nên ẩm hơn Những đợt rét đậm, rét hại và khô hạn trong mùa đông ảnh hưởng rất nhiều đến mùa màng Tuy nhiên, hoạt động của gió mùa mùa đông khá ổn định và có thể dự báo được do sự xâm nhập lạnh thường gắn liền với hoạt động của áp cao lạnh lục địa Vì vậy, người ta thường quan tâm nhiều hơn đến gió mùa mùa hè, là hệ thống hoạt động phức tạp gắn liền với các quá trình quy mô

Dự báo khí hậu hạn mùa chủ yếu tập trung vào nhiệt độ trung bình hoặc tổng lượng mưa tháng và/hoặc mùa, đôi khi cả những biến thiên cụ thể như ngày bắt đầu mưa [Ahago, 1992; Briggs and Wilks, 1996] và tần số hoặc quỹ đạo xoáy thuận nhiệt đới [Landman, 2005; Camargo vcs., 2002; Camargo, 2006] Phương pháp đơn giản nhất để dự báo khí hậu hạn mùa là chỉ dựa trên các quan trắc khí hậu địa phương trong quá khứ và hiện tại Ban đầu, người ta dự báo bằng cách sử dụng giá trị trung bình khí hậu hoặc xem rằng dị thường khí hậu của một mùa nào đó so với khí hậu nhiều năm sẽ duy trì không đổi trong các mùa sắp tới [Huang vcs., 1996] Các mô hình thống kê sau này cơ bản cũng được xây dựng dựa trên giả thiết đó Nghĩa là, có thể sử dụng các giá trị trong quá khứ, hiện tại của các nhân tố dự báo

để dự báo trạng thái hoặc sự tiến triển của yếu tố dự báo dựa trên các quan hệ toán học giữa nhân tố và yếu tố dự báo được thành lập từ số liệu quan trắc lịch sử Với

sự phát triển của hệ thống mạng lưới quan trắc toàn cầu có thể đo được nhiệt độ không khí, nhiệt độ mặt nước biển, giáng thủy và một số yếu tố của hoàn lưu khí quyển, các phương pháp dự báo thống kê đã phát triển đáng kể trong suốt thế kỷ

XX Các mô hình hồi quy, bao gồm cả phân tích tương quan Canon, được sử dụng hầu như chủ yếu để dự báo các dị thường khí hậu Tuy nhiên, do không biểu diễn trực tiếp quan hệ vật lý giữa nhân tố dự báo và yếu tố dự báo mà chỉ là xấp xỉ bằng quan hệ toán học giữa chúng nên các mô hình thống kê không tránh khỏi sai số so với quan trắc thực Để biểu diễn các quan hệ vật lý giữa các biến, người ta xây dựng các mô hình số dựa trên hệ phương trình đầy đủ của chuyển động khí quyển và giải

hệ bằng phương pháp sai phân trên lưới điểm hoặc bằng phương pháp phổ Những

mô hình đầu tiên theo hướng này được gọi là mô hình hoàn lưu chung khí quyển

(General Circulation Model − GCM) Nhưng các mô hình số cũng không thoát ly hoàn toàn các giả thiết thống kê Do độ phân giải tương đối thô của GCM, các quá trình vật lý xảy ra trên các quy mô nhỏ hơn khoảng cách lưới, như đối lưu, bức xạ,… vẫn cần được tham số hóa theo kinh nghiệm

Lợi thế của các mô hình số so với các mô hình thống kê là không đòi hỏi cơ

sở dữ liệu làm nhân tố dự báo Tuy nhiên, để tạo ra dự báo có độ tin cậy, số liệu quan trắc là thiết yếu vừa để thẩm định các mô phỏng hoặc dự báo quá khứ của mô hình, vừa để đánh giá các dự báo nghiệp vụ hiện thời Hơn nữa, các mô hình số không bị hạn chế bởi sự không ổn định của khí hậu, các cực trị hoặc những hiện tượng bất thường có thể xuất hiện trong khí hậu lịch sử Tuy nhiên, việc giải mô hình số rất phức tạp và tốn kém Quan trọng nhất là kỹ năng của các mô hình số biến đổi theo mùa và tùy thuộc từng yếu tố khí tượng trên từng khu vực Việc lựa chọn sử dụng mô hình số hay mô hình thống kê để dự báo mùa cơ bản phụ thuộc vào mục đích và khả năng của nhà dự báo và người sử dụng Phương pháp tốt nhất

là sử dụng song song cả hai phương pháp số và thống kê [Goddard vcs., 2001]

Sau đây trình bày tình hình nghiên cứu về DBKHKV bằng phương pháp số trị ngoài nước và trong nước

1.1 Tình hình nghiên cứu trên thế giới

1.1.1 Tại sao cần dự báo khí hậu khu vực bằng mô hình RCM?

Về nguyên tắc, có thể sử dụng mô hình hoàn lưu chung khí quyển hay mô hình khí hậu toàn cầu (đều ký hiệu là GCM) để DBKH cho từng khu vực trên toàn cầu Nhưng độ phân giải của GCM thường khá thô, thường từ 2,5 độ đến 3,7 độ (khoảng vài trăm km) nên không thể biểu diễn đủ chi tiết các đặc trưng khí hậu của khu vực và địa phương như khí hậu gió mùa thống trị, địa hình và hệ sinh thái phức tạp, đặc biệt là tác động mạnh mẽ của con người Trong dự án nghiên cứu DBKH

của Giorgi và Hewitson [Christensen vcs., 2007] tại IPCC, một tổ hợp 21 mô hình

GCM được xây dựng để mô phỏng khí hậu toàn cầu đã chỉ ra rằng sai số nhiệt độ và

lượng mưa trung bình trên từng khu vực so với quan trắc thể hiện một cách có hệ

thống (Hình 1.2) Nhiệt độ mô phỏng thấp hơn còn giáng thủy lại mạnh hơn so với

thực tế trên tất cả các khu vực trong hầu hết các mùa Đối với hầu hết các khu vực,

sai số nhiệt độ của từng mô hình riêng lẻ thường biến đổi từ 6 đến 7oC, ngoại trừ trên khu vực Đông Nam Á sai số này giảm còn 3,6oC Sai số lượng mưa ở Đông Nam Á, Nam Á và Trung Á thấp hơn -10%, sai số lớn hơn ở Bắc Á và Đông Á, khoảng +23% và rất lớn ở cao nguyên Tây Tạng (+110%) Cần lưu ý là ở đây sai số

là độ lệch giữa nhiệt độ hoặc lượng mưa trung bình trên toàn khu vực của mô hình

và số liệu tái phân tích, trong khi đó độ phân giải của GCM thô nên có rất ít các nút lưới trong mỗi khu vực dẫn đến làm trơn các trường và sai số không lớn Nếu xét ở quy mô địa phương hơn thì sai số sẽ lớn hơn

Hình 1.2: Sai số hệ thống của nhiệt độ không khí bề mặt ( o C) và giáng thủy (%) trong giai đoạn 1961-1990 của các thử nghiệm sử dụng mô hình AOGCM của CSIRO Mk2, CCSR/NIES, ECHAM/OPYC, CGCM1 (tổ hợp 3 thành phần) và HadCM2 (4 thành phần)

Số liệu quan trắc từ New vcs (1999a, b) (Trích dẫn từ Giorgi và Francisco, 2000).

Theo tài liệu của Marshall và Henson (1997), vào cuối những năm 1980, Filippo Giorgi (Giám đốc Điều hành Trung tâm Vật lý về thời tiết và khí hậu thuộc Chương trình Khoa học của ICTP, Italia) cùng cộng sự đã cho ra đời mô hình RegCM, mô hình kết hợp giữa mô hình khí hậu cộng đồng CCM của NCAR và mô hình quy mô vừa phiên bản 4 (MM4) của NCAR Bản thân RegCM đã được chứng minh là một công cụ linh hoạt, có thể được dùng để nghiên cứu khí hậu quá khứ, hiện tại và tương lai trên các khu vực khác nhau bao gồm các bang trên lục địa

Châu Mỹ, Châu Âu, Châu Phi, Đông Á, Úc và biển Ả Rập Fillippo nói “Mô hình

hóa khí hậu khu vực thực sự là bước đi tiên phong của NCAR Khi chúng tôi bắt đầu, chưa có ai làm trước đó Bây giờ, hầu hết các phòng nghiên cứu trên toàn thế giới và rất nhiều viện nghiên cứu nhỏ hơn bao gồm cả các nước đang phát triển đều đang sử dụng nó” Ngoài RegCM, trên thế giới còn nghiên cứu các mô hình RCM

như mô hình REMO (REgional MOdel) được phát triển dựa trên mô hình dự báo thời tiết của Cục thời tiết Đức, mô hình CHRM (Climate High Resolution Model)

được phát triển từ mô hình dự báo thời tiết phân giải cao HRM phiên bản 1.6 cũng

của Cục thời tiết Đức, mô hình CRCM (Canadian Regional Climate Model) được

phát triển ở Canađa, mô hình CMM5 phát triển từ mô hình dự báo thời tiết quy mô vừa MM5, mô hình CWRF có gốc từ mô hình dự báo thời tiết WRF,

Do phát triển từ mô hình dự báo thời tiết, các mô hình RCM cũng cần điều kiện ban đầu và điều kiện biên xung quanh để tích phân giải hệ phương trình nguyên thủy Điều kiện ban đầu có thể là tập hợp giá trị các biến tại thời điểm bắt

đầu tích phân hoặc giá trị trung bình khí hậu của chúng Tuy nhiên, sau một thời gian tích phân, điều kiện ban đầu sẽ bị “quên” đi trong khi điều kiện biên xung quanh được cập nhật theo thời gian từng 6 giờ hoặc 3 giờ một thông qua vùng đệm Chính vì vậy điều kiện biên xung quanh rất quan trọng đối với RCM và người ta thường nói DBKHKV là “bài toán điều kiện biên xung quanh” trong khi điều kiện ban đầu rất quan trọng đối với dự báo thời tiết với hạn dự báo 1-3 ngày nên “dự báo thời tiết là bài toán điều kiện ban đầu” Tùy theo mục đích mô phỏng hay dự báo khí hậu khu vực mà điều kiện ban đầu và điều kiện biên xung quanh của RCM được cập nhật từ số liệu tái phân tích của quan trắc hay từ dự báo của GCM

Để dự báo khí hậu khu vực cho tương lai, RCM được chạy với điều kiện ban đầu và điều kiện biên là sản phẩm dự báo của các GCM Khi đó, sai số trong

hoàn luu quy mô lớn của GCM sẽ được truyền vào RCM Điều này đã được trình bày rõ ràng trong nghiên cứu của Noguer vcs (1998) Tuy nhiên, sai số hệ thống trung bình khu vực vẫn giảm hầu như khoảng 2oC đối với nhiệt độ và 50-60% đối với giáng thủy [Giorgi và Marinucci, 1996b; Noguer vcs., 1998; Jones vcs., 1999 ở Châu Âu; Giorgi vcs., 1998 ở lục địa Châu Mỹ; McGregor vcs., 1998 ở Đông Nam Á; Kato vcs., 2001 ở Đông Á] Sai số hệ thống giảm có thể là do trường điều kiện biên quy mô lớn tốt hơn hoặc do bản thân vật lý và động lực nội tại của RCM được cải thiện Trong tất cả các thử nghiệm của Leung vcs (1999), Laprise vcs (1998), Christensen vcs (1998) và Machenhauer vcs (1998) đều cho thấy rõ rằng phân bố không gian của các trường của RCM đều phù hợp với thực tế hơn GCM vì đã biểu diễn được các tác động địa hình và tương phản đất-biển với độ phân giải cao hơn Nhưng sai số hệ thống trung bình miền của RCM lồng trong GCM không phải lúc nào cũng nhỏ hơn sai số của bản thân GCM điều khiển nó Tương tác giữa số liệu điều khiển quy mô lớn và các tác động độ phân giải cao RCM có thể có hiệu ứng

âm Ví dụ như khi tăng độ phân giải có thể biểu diễn địa hình núi cao tốt hơn trong RCM nhưng lại làm tăng cường các điều kiện quá khô và nóng trong mùa hè ở phía

đông nam Châu Âu vốn đã không được GCM dự báo chính xác [Machenauer vcs.,

1998] Tuy vậy, thông thường thì RCM sẽ cho sai số hệ thống thấp hơn GCM vì độ

phân giải ngang đặc biệt quan trọng, nhất là đối với mô phỏng chu trình thủy văn Christensen vcs (1998) chỉ ra rằng chỉ có độ phân giải rất cao biểu diễn dải núi ở Nauy và Thụy Điển mới có thể mô phỏng đủ tốt quá trình thủy văn bề mặt (xem Hình 1.3)

mô phỏng quá nhiều sự kiện mưa nhỏ so với số liệu quan trắc [Christensen vcs., 1998; Dai vcs., 1999; Kato vcs., 2001] Tuy nhiên, RCM tạo ra các sự kiện mưa lớn thực tế hơn so với GCM, đôi khi tái tạo được các cực trị hoàn toàn không có trong GCM [Christensen vcs., 1998; Jones, 1999] Một phần lý do là RCM phân giải cao hơn không làm cho lượng mưa bị giảm đi khi tính trung bình cho ô lưới rộng như trong GCM RCM cũng có thể dự báo được các đặc trưng hoàn lưu vốn không giải được bằng GCM (xem Hình 1.4) theo tổng hợp của Giorgi (2006) về kỹ năng của các RCM Nói tóm lại, việc lồng RCM vào mô hình toàn cầu là cần thiết để dự báo chi tiết hơn và thường là tốt hơn các hiện tượng quy mô khu vực và địa phương

GCM RCM

Hình 1.4: RCM có thể dự báo được các đặc trưng hoàn lưu vốn không giải được bởi

GCM Ví dụ trong trường hợp dự báo xoáy thuận nhiệt đới [Giorgi, 2006]

Để mô phỏng khí hậu trong quá khứ trong các nghiên cứu kiểm nghiệm

kỹ năng của RCM, điều kiện ban đầu và điều kiện biên xung quanh được lấy từ

số liệu tái phân tích các số liệu quan trắc Khi đó, giả thiết dự báo toàn cầu là

“hoàn hảo” Với điều khiển thực như vậy, động thái của RCM sẽ mô phỏng gần

nhất có thể so với trạng thái thực của khí quyển Do đó, có thể đánh giá được sai số

hệ thống chủ yếu do động lực và vật lý nội tại của mô hình Xem Phụ lục A 1 và

Phụ lục A 2 về các mô hình RCM nhận điều kiện ban đầu và điều kiện biên từ số

liệu tái phân tích và từ sản phẩm của các GCM Như đã thấy, rõ ràng là các thử

nghiệm dự báo khí hậu ít hơn hẳn so với nghiên cứu mô phỏng khí hậu bởi vì đối

với từng khu vực khác nhau, trong các mùa khác nhau, mỗi mô hình RCM đều có

điểm mạnh và điểm yếu nhất định nên cần khảo sát chi tiết để chọn được mô hình

thích hợp nhất Những nghiên cứu ứng dụng RCM được trình bày dưới đây đều

hướng tới mục đích dự báo khí hậu nhưng hầu hết vẫn là những thử nghiệm mô

phỏng khí hậu hạn mùa và nhiều năm

1.1.2 Những nghiên cứu ứng dụng RCM vào dự báo khí hậu khu vực

Hiện tại, các RCM có thể chạy mô phỏng và dự báo nhiều tháng, nhiều mùa

thậm chí nhiều năm, không như trước đây vào những năm 1980, LAMs chỉ có thể

chạy mô phỏng vài ngày [Giorgi và Mearns, 1999] Thực sự thì đề xuất ban đầu của Dickinson vcs (1989) là chỉ sử dụng các tổ hợp mô phỏng hạn 3-5 ngày để mô hình hoá khí hậu Ngày nay, độ dài ngưỡng điển hình của một mô phỏng khí hậu là 1 tháng và “hạn dài” nghĩa là mô phỏng tháng/mùa đến thập kỷ/nhiều năm

Bằng mô phỏng khí hậu liên tục 20 năm cho khu vực phía tây nước Mỹ, sử dụng mô hình quy mô vừa MM5, độ phân giải 40km, Leung và Ghan (1999) chỉ ra rằng mô hình RCM dựa trên MM5 có khả năng tái tạo giáng thủy của khu vực với sai số hệ thống thường dương trên khu vực đồng bằng và âm trên khu vực núi và sai

số hệ thống nhiệt độ dương, thường bằng 3oC, đặc biệt là dọc theo bờ biển tây bắc

và các khu vực núi Khả năng mô phỏng hạn dài của RCM cũng được chứng minh trong nghiên cứu của Jiao vcs (2006) trong đó tác giả sử dụng mô hình RCM của Canada thế hệ 3 là CRCM để tích phân 5 năm từ 1987-1991 cho khu vực Bắc Mỹ

và dành sự quan tâm đặc biệt tới các quá trình tham số hóa vật lý có liên quan đến hơi nước như sơ đồ đối lưu thông lượng khối Ngoài ra, có thể thấy những nhận xét khả quan về khả năng của RCM trong DBKH khu vực trong nhiều nghiên cứu khác như của Duffy vcs (2006), Bergant vcs (2006), Zhu vcs (2007),… Trong nghiên cứu của Zhu vcs (2007) khẳng định mô hình khí hậu khu vực CMM5, được xây dựng dựa trên mô hình thế hệ thứ 5 của PSU NCAR MM5, có khả năng mô phỏng biến trình năm của lượng mưa và nhiệt độ bề mặt trên nước Mỹ trong thời gian 20 năm, từ 1982-2002 Phân tích EOF và tương quan Canon chứng minh rằng CCM5 biểu diễn được phân bố không gian, tiến triển theo thời gian và mối liên hệ xa với hoàn lưu tốt hơn nhiều so với số liệu dùng làm đầu vào…

Để dự báo khí hậu hạn mùa cho 15 mùa đông và 15 mùa hè khu vực Bắc Mỹ, Fennessy vcs (2000) đã sử dụng mô hình NCEP ETA, độ phân giải 80km Kết quả cho thấy mô hình RCM ETA lồng trong mô hình toàn cầu làm giảm sai số hệ thống của lượng mưa mùa so với kết quả của GCM Một ví dụ khác là RCM với độ phân giải 60km hoặc 10km lồng trong mô hình GCM lưới co giãn (stretched) chạy mô phỏng nhiều năm (1987-1997) cho khu vực nước Mỹ được thực hiện bởi Micheal vcs (2005) Kết quả phân tích lượng mưa trung bình năm và phương sai cho thấy tổ

hợp đã tái tạo được rất nhiều đặc trưng quan trắc của số liệu mưa quan trắc được phân tích về lưới 0.5 x 0.5 độ Sai số thường gặp trên các khu vực có địa hình phức tạp và nơi có tương phản đất-biển rõ tại các vùng duyên hải

Nhìn chung trong nhiều nghiên cứu tại Mỹ, nơi ra đời và phát triển trong nhiều năm qua, RCM đã được chứng minh là có khả năng mô phỏng và dự báo khí hậu khu vực hạn mùa và nhiều năm mặc dù vẫn gặp phải sai số so với thực tế, tùy thuộc vào từng mô hình, từng khu vực và từng mùa riêng biệt Do đó, RCM đã được nhiều Trung tâm và Viện nghiên cứu trên toàn thế giới sử dụng để nghiên cứu dự báo gió mùa Châu Á là khu vực gió mùa điển hình nhất trên thế giới nên các nhà khí hậu học Ấn Độ, Trung Quốc, Hàn Quốc, Nhật Bản, … đã đầu tư nhiều dự án, lập các phòng nghiên cứu để phát triển mô hình RCM cho riêng khu vực của mình

Một trong những nghiên cứu kiểm nghiệm khả năng của RCM trong mô

phỏng khí hậu hạn mùa Đông Á là của Liu, Giorgi và Washington (1994) Các tác

giả này đã sử dụng mô hình RegCM, gốc từ PSU/NCAR, để thử nghiệm mô phỏng gió mùa mùa hè Đông Á từ tháng 6 đến tháng 8 năm 1990 Hoàn lưu gió mùa, giáng thủy và nhiệt độ mặt đất nhìn chung phù hợp với quan trắc mặc dù mô hình phần nào mô phỏng lạnh và khô hơn Xu thế này cũng tương tự như các kết quả mô phỏng bởi RegCM trên khu vực khác (Mỹ, Châu Âu, Châu Phi) như đã đề cập ở trên Hơn nữa, RegCM có thể biểu diễn được các trung tâm mưa lớn và nhiệt độ cực đại địa phương do ảnh hưởng của địa hình, mô phỏng được đường đi của các cơn bão nhiệt đới xuất hiện trong thời gian mô phỏng và độ ẩm đất gần với thực Small vcs (1999) cũng cho thấy khả năng mô phỏng trạng thái trung bình và biến đổi năm của giáng thủy trên khu vực Trung Á của RegCM Đối với gió mùa trên bán đảo Triều Tiên, Im vcs (2006) đã chạy thử nghiệm RegCM3 để mô phỏng nhiệt độ bề mặt và giáng thủy cho khu vực này Kết luận rút ra là nhiệt độ mô phỏng có sai số

hệ thống âm, đặc biệt trên các khu vực núi trong mùa hè Lượng mưa mùa hè phụ thuộc chủ yếu vào khả năng mô phỏng những hiện tượng đối lưu mùa hè riêng lẻ và các cơn bão nhiệt đới hơn là tác động của địa hình

Hình 1.5: Khả năng mô phỏng lượng mưa và nhiệt độ khu vực Tây Á của

RegCM3 trung bình trong thời kỳ từ 1987-2000 [Giorgi, 2006]

(a) Lượng mưa trung bình mùa hè (tháng

6,7,8) của quan trắc

(b) Lượng mưa trung bình mùa hè (tháng 6,7,8) của RegCM3

(c) Nhiệt độ bề mặt trung bình mùa hè

(tháng 6,7,8) của quan trắc (d) Nhiệt độ bề mặt trung bình mùa hè (tháng 6,7,8) của RegCM3

Hình 1.6: Khả năng mô phỏng lượng mưa và nhiệt độ khu vực Đông Á của

RegCM3 trung bình trong thời kỳ từ 1987-2000 [Giorgi, 2006]

tế trong khi nhiệt độ bề mặt của mô hình thấp hơn thực tế (Hình 1.5 và Hình 1.6) Đối với khu vực Tây Á, mở rộng từ 45-107E, 0-45N, RegCM3 có xu hướng tái tạo lượng mưa trung bình mùa hè cao hơn thực tế trên bờ tây và nam Ấn Độ, trên vịnh Bengal, phía nam cao nguyên Tây Tạng và Burma, trong khi lượng mưa mô hình thấp hơn quan trắc ngay trên Ấn Độ Dương xích đạo và bán đảo Đông Dương (Hình 1.5 a và b) RegCM3 không tái tạo tốt nguồn giáng thủy từ Ấn Độ Dương đi lên phía bắc vào vịnh bởi vì gió của RegCM3 có xu hướng vĩ hướng hơn thực tế, đưa nguồn ẩm từ vùng biển Ả Rập vào Ấn Độ và Burma Nhiệt độ mô phỏng của RegCM3 thường thấp hơn thực tế trên đất liền và cao hơn thực tế trên Ấn Độ Dương (Hình 1.5 c và d) Đối với khu vực Đông Á, mở rộng từ 70-150E, 10-50N, RegCM3 có xu hướng tái tạo nhiệt độ bề mặt trung bình mùa hè tương tự khu vực Tây Á (Hình 1.6 c và d) nhưng lượng mưa mô hình nói chung thường cao hơn thực

tế Việc thu hẹp biên phía tây từ 45E (của miền tính cho khu vực Tây Á) vào 70E (của miền tính cho khu vực Đông Á) đã làm cho giáng thủy giảm trên vịnh Bengal nhưng tăng cường trên bán đảo Đông Dương (Hình 1.6 a và b)

Năm 1999, Leung vcs (1999) đã thử nghiệm RCM với các tham số hóa vật

lý khác nhau để tìm hiểu khả năng mô phỏng các sự kiện lũ cực trị trong mùa hè năm 1991 ở Đông Á Các thành phần động lực của RCM trong các trường hợp thử nghiệm là như nhau, chỉ có sơ đồ tham số hóa mây, sơ đồ bức xạ, vận chuyển rối và các quá trình bề mặt là khác nhau So sánh các kết quả mô phỏng cho thấy tất cả các trường hợp đều tái tạo tốt các điều kiện sinh lũ mặc dù mỗi trường hợp tái tạo dải mưa quan trắc khác nhau và các thử nghiệm đều cho thấy kết quả mô phỏng nhạy nhất đối với tham số hóa đối lưu Một số nghiên cứu khác về độ nhạy của RegCM

đối với tham số hóa đối lưu trên khu vực ĐNA như Ratnam vcs (2005), Yang vcs (2002), Yanju vcs (2006), được xem xét kỹ hơn trong phần lựa chọn sơ đồ tham

số hóa đối lưu của chương 3 để tiện theo dõi Ngoài tham số hóa đối lưu, kết quả

mô phỏng của RegCM cũng nhạy đối với biểu diễn các quá trình bề mặt và bức xạ Francisco (2006) cũng sử dụng mô hình RegCM để thử nghiệm mô phỏng mưa mùa

hè ở Phillipines Các thử nghiệm độ nhạy được thực hiện với số liệu đầu vào khác nhau (NCEP và ERA40) và sơ đồ thông lượng khối qua bề mặt đại dương (BATS

và Zeng) được chạy cho 5 mùa hè Đối chiếu các kết quả với quan trắc thực tế, tác giả kết luận rằng số liệu ban đầu của ERA40 và sơ đồ thông lượng khối đại dương BATS thích hợp hơn cả đối với mô phỏng giáng thủy của Phillipines Giorgi và Mearns (1999) mô phỏng chu trình mùa của gió mùa mùa hè trên Đông Á và độ nhạy của RegCM đối với quá trình bức xạ và các quá trình bề mặt; Li và Yanai (1996) mô tả rằng biến đổi mùa của gió mùa mùa hè Châu Á rõ ràng có liên quan với biến đổi của tương phản nhiệt giữa lục địa Âu Á với Thái Bình Dương và Ấn

Độ Dương Ueda và Yasunari (1998) chỉ ra rằng tương phản nhiệt giữa cao nguyên Tây Tạng và Ấn Độ Dương xích đạo có lẽ tác động tới sự mở rộng về phía đông của dòng xiết gió mùa mực thấp và sự bùng phát gió mùa Đông Nam Á bao gồm sự khởi đầu của gió mùa trên biển Nam Trung Hoa; Kato vcs (1999) xem xét khả năng

mô phỏng khí hậu tháng 6 và tháng 1 của Đông Á của RegCM với tác động của độ phân giải; Qian và Giorgi (1999) tìm hiểu tương tác giữa mô hình khí hậu khu vực

và mô hình sol khí sulfat trên khu vực Đông Á…

Như vậy, có thể thấy trong rất nhiều nghiên cứu ở Châu Á về gió mùa mùa

hè, hầu hết các tác giả đều ứng dụng nguyên bản mô hình khí hậu khu vực RegCM của NCAR với các thế hệ khác nhau Sự khác nhau giữa các nghiên cứu chỉ là miền tính, độ phân giải và thay đổi một vài tham số trong các sơ đồ có sẵn của RegCM Kết luận từ các nghiên cứu đều khẳng định khả năng mô phỏng của RegCM và đề xuất một bộ thông số thích hợp nhất đối với khu vực nghiên cứu, nhưng cũng đều chỉ ra xu hướng mô phỏng nhiệt độ và lượng mưa thấp hơn thực tế Hiện nay, khi Trái đất có xu thế nóng dần lên và các hiện tượng cực trị thường xuyên xảy ra thì

khả năng dự báo của RegCM cần phải được cải thiện Vì vậy, bài toán DBKHKV đối với Châu Á nói chung và ĐNA vẫn cần nhiều đầu tư nghiên cứu trong tương lai Đặc biệt, nghiên cứu riêng cho gió mùa ĐNA vẫn là một lĩnh vực còn nhiều mới

mẻ, chưa được khai thác nhiều Như đã thấy, các nghiên cứu ở trên hầu hết là của các nước Đông Á phát triển như Nhật Bản, Hàn Quốc và Trung Quốc Những nghiên cứu trên khu vực ĐNA rất ít, ví dụ như Phillipines, Indonexia, … và hầu như chỉ tham gia một phần nhỏ trong các Dự án nghiên cứu gió mùa Châu Á Nhất

là Việt Nam, với khí hậu nhiệt đới gió mùa phức tạp vào bậc nhất Châu Á, nhưng cũng mới tiếp cận phương pháp mô hình hóa khí hậu trong khoảng chục năm gần đây và chưa có nghiên cứu ứng dụng nào rõ rệt Sau đây là một số công trình nghiên cứu về DBKH ở Việt Nam từ trước tới nay

1.2 Tình hình nghiên cứu trong nước

Ở Việt Nam, tại Trung tâm dự báo Khí tượng thủy văn Trung Ương và Viện Khoa học nghiên cứu Khí tượng thủy văn, trong những năm trước đây, hầu hết đều

sử dụng phương pháp thống kê để DBKH hạn vừa và hạn dài và các kết quả dự báo chủ yếu là nhiệt độ và lượng mưa cao hơn hay thấp hơn trung bình nhiều năm và xác suất xảy ra Một số nghiên cứu điển hình là của Nguyễn Duy Chinh (2002, 2003) ứng dụng các mô hình toán thống kê hồi quy bội tuyến tính, hồi quy từng bước và phân tích phân lớp để dự báo nhiệt độ và lượng mưa tháng dựa trên số liệu SST ở các vùng NINO, trên biển Đông và vịnh Bengal, chỉ số dao động nam SOI; tương tự, Lương Văn Việt, (2006) dự báo mưa, nhiệt và ẩm cho khu vực Nam Bộ bằng phương pháp hồi quy từng bước với nhân tố dự báo là các chỉ số giám sát ENSO và các hệ số khai triển trường SST theo đa thức Chebyshev; Nguyễn Văn

Thắng vcs., (2001, 2006) ứng dụng các phương pháp thống kê lên số liệu tái phân

tích của GCM, sử dụng các bản đồ đường đẳng trị giá trị hệ số tương quan để xác định khu vực và thời gian trễ của các trường nhân tố dự báo sau đó xây dựng hàm hồi quy từng bước để dự báo nhiệt độ, mưa, số lần xuất hiện KKL, nắng nóng; Nguyễn Đức Hậu và Phạm Đức Thi (2002) đã xây dựng mô hình dự báo hạn ở 7

vùng Việt Nam từ mối quan hệ giữa nhiệt độ mặt nước biển với chỉ số Sa.I và từ đó Nguyễn Đức Hậu (2007) đã đánh giá khả năng dự báo hạn hán và xây dựng mô hình dự báo hạn hán cho khu vực Nam Trung Bộ và Tây Nguyên; …

Phương pháp mô hình hoá mới bắt đầu được quan tâm nghiên cứu ở Việt Nam trong khoảng chục năm trở lại đây trong đó những nghiên cứu điển hình nhất

là nghiên cứu của Kiều Thị Xin, Phan Văn Tân (Trường Đại học Khoa học Tự nhiên, ĐHQGHN), Nguyễn Văn Thắng (Viện Khoa học Khí tượng thủy văn và Môi trường),… Thử nghiệm mô phỏng mưa trên lãnh thổ Việt Nam bằng mô hình DBKH khu vực RegCM của Kiều Thị Xin (2002) là một trong những kết quả đầu tiên về mô phỏng khí hậu bằng mô hình số ở Việt Nam Đề tài trong chương trình NCCB cấp Nhà Nước năm 2004-2005 “Nghiên cứu mô phỏng các hiện tượng khí hậu bất thường hạn mùa trên khu vực Bán đảo Đông Dương – Biển Đông bằng mô hình thủy động” cũng được thực hiện bởi Kiều Thị Xin vcs (2005) Luận án thạc sỹ của Nguyễn Đăng Quang (2004) về mô phỏng mưa trên khu vực bán đảo Đông Dương và biển Đông là một trong những thành quả khoa học của đề tài này Phan Văn Tân (2003) đã có những thử nghiệm về độ nhạy của mô hình RegCM2 đối với địa hình và điều kiện mặt đệm trong đề tài nghiên cứu khoa học của ĐHQGHN Đề tài này cũng đào tạo được một thạc sỹ nghiên cứu về ảnh hưởng của sự bất đồng nhất bề mặt đến các quá trình trao đổi đất-khí quyển khi sử dụng RegCM2 và chỉ ra rằng dòng năng lượng ẩn nhiệt, hiển nhiệt, lượng mưa, cường độ mưa và tỷ lệ giáng thuỷ sinh ra do đối lưu và không đối lưu trong mô hình rất nhạy với những thay đổi mặt đệm [Dư Đức Tiến, 2003] Viện Khoa học Khí tượng thủy văn và Môi trường cũng đã chạy thử nghiệm mô hình RegCM mô phỏng cho 2 tháng xảy ra lũ lụt lịch

sử ở Trung Trung Bộ, Việt Nam là tháng 11 năm 1999 và tháng 10 năm 2003 [Lê Văn Thiện và Nguyễn Văn Thắng, 2004] So sánh với quan trắc, RegCM có thể mô phỏng được khu vực có lượng mưa lớn ở Trung Trung Bộ nhưng lượng mưa mô phỏng thấp hơn nhiều so với thực tế Về nhiệt độ, hầu hết các khu vực có nhiệt độ thấp như Tây Bắc Bộ, Tây Nguyên đều được mô phỏng tốt Tuy nhiên, ở miền Bắc

mô hình cho kết quả thấp hơn thực đo; riêng miền Trung và miền Nam thì mô hình

cho kết quả sát với thực tế hơn Ngoài ra, Bộ Tài Nguyên và Môi Trường cũng đã

đề ra các nhiệm vụ khoa học công nghệ cấp nhà nước và cấp bộ và triển khai Nghiên cứu biến động khí hậu đồng bằng sông Cửu Long và khả năng dự báo (Viện Khoa học Khí tượng thủy văn và Môi trường, 2005-2006) Một số công trình nhằm thực hiện nhiệm vụ này là của Vũ Thanh Ca (2006), Trần Việt Liễn vcs (2006), trong đó đều quan tâm tới các mô hình số trị nghiên cứu dự báo biến đổi khí hậu của

thế kỷ XXI cho các vùng thuộc lãnh thổ Việt Nam

Trong những năm gần đây, các nhà khoa học Việt Nam đã tích cực tham gia vào các Hội thảo Quốc tế về gió mùa Châu Á đồng thời tổ chức Hội thảo Quốc tế tại Việt Nam để nâng cao trình độ chuyên môn nghiên cứu và dự báo khí hậu Điển

hình là “Hội thảo Việt-Nhật về gió mùa Châu Á” đã diễn ra thành công vào tháng

8/2006 tại Hạ Long, Quảng Ninh với sự tham gia của các chuyên gia Nhật Bản, lãnh đạo Bộ và các Vụ chức năng Bộ Tài nguyên và Môi trường, lãnh đạo Trung tâm Khí tượng Thủy văn Quốc gia (KTTV) và các bộ phận chức năng, Đài Khí tượng Cao không và đại biểu các Đài Các thành viên đã thảo luận về những vấn đề về gió mùa và dự báo gió mùa, những vấn đề về thủy văn và dự báo thủy văn; mạng lưới trạm khí tượng thủy văn, hiện trạng công tác nghiên cứu khí tượng thủy văn và khí hậu ở Việt Nam và khu vực gió mùa châu Á

Với sự hợp tác Quốc tế ngày càng phát triển, trong tương lai gần, Việt Nam

đã có thể sử dụng mô hình khí hậu khu vực để DBKH ĐNA nói chung và Việt Nam nói riêng Tuy nhiên, với kỹ năng mô phỏng của RCM hiện tại, sai số vẫn là khá lớn

và sai số càng lớn hơn nếu đánh giá theo quan trắc tại trạm thay vì đánh giá trung bình khu vực trên tất cả các điểm lưới như trước đây Mặt khác, khi thẩm định kết quả của RCM người ta nhận thấy RCM thường mắc sai số hệ thống âm đối với nhiệt độ còn sai số lượng mưa biến đổi tùy mô hình và tùy khu vực Do đó, hiệu chỉnh kết quả sau mô hình, đã được biết đến như một phần của quá trình thống kê sản phẩm mô hình số, ký hiệu là MOS, là cần thiết để có được kết quả cuối cùng tốt nhất Sau đây là một số nghiên cứu về phương pháp thống kê sản phẩm mô hình số

1.3 Những nghiên cứu về thống kê hiệu chỉnh sản phẩm mô hình

số

Phương pháp thống kê sản phẩm mô hình số MOS là quá trình cơ bản gồm 2

bước (1) tìm hiểu mối quan hệ thống kê giữa các biến khí hậu địa phương (ví dụ như nhiệt độ bề mặt và giáng thủy) và các nhân tố quy mô lớn, và (2) áp dụng mối

quan hệ này cho sản phẩm dự báo của mô hình số để mô phỏng các đặc trưng khí hậu khu vực Khi các nhân tố quy mô lớn bao gồm cả biến khí hậu đó thì quá trình này chính là hiệu chỉnh dự báo của mô hình số về quan trắc thực tế Theo Climate Change 2001 [172], phương pháp dự báo cho địa phương từ sản phẩm của mô hình khí hậu toàn cầu hoặc mô hình khí hậu khu vực bằng phương pháp thống kê bắt nguồn từ khí hậu synốp [Baur vcs., 1944; Lamb, 1972] và dự báo thời tiết bằng phương pháp số [Klein và Glahn, 1974], nhưng hiện nay cũng được sử dụng rộng rãi trong các ứng dụng khí hậu, từ tái tạo khí hậu lịch sử [Appenzeller vcs., 1998; Luterbacher vcs., 1999] đến các bài toán biến đổi khí hậu Một trong những tiện ích của kỹ thuật này là không tốn kém, do đó có thể áp dụng cho nhiều thử nghiệm mô hình số khác nhau Nhưng yếu điểm lớn nhất của nó là giả thiết cơ bản không thể kiểm nghiệm được, ví dụ như mối quan hệ thống kê tìm thấy trong khí hậu hiện tại

có giữ không đổi trước những tác động khác của khí hậu tương lai hay không? Thêm nữa, số liệu dùng để xây dựng mối quan hệ thống kê có thể được lấy trên những khu vực xa xôi hoặc trên địa hình phức tạp nên không đảm bảo chính xác Tuy vậy vẫn không thể phủ nhận tiện ích của phương pháp này trong việc cung cấp thông tin địa phương chi tiết hơn từ dự báo của GCM hay RCM Một loạt các mô hình thực hiện theo phương pháp này có sử dụng phương pháp tương tự, hồi quy hay mạng thần kinh nhân tạo đã được phát triển chủ yếu ở Mỹ, Châu Âu và Nhật Bản, nơi có số liệu thực đo tốt hơn những nơi khác để kiểm tra mô hình Sau khi đã được xác định là tối ưu, các mô hình đã được sử dụng khá thành công trong việc tái tạo các trường khí hậu bề mặt khác nhau Phương pháp này thậm chí còn có thể hạ xuống quy mô địa phương, ứng dụng trong dự báo các quá trình thủy văn Những nghiên cứu ứng dụng bao gồm Wilby (1998), Widmann vcs (2002), Bardossy và

Vì vậy, cách thức lồng RCM vào GCM rồi hiệu chỉnh vẫn là cần thiết Oh vcs

(2004) đã hiệu chỉnh nhiệt độ trung bình ngày từ mô phỏng 10 năm (1992-2001)

của MM5 về nhiệt độ quan trắc tại 17 trạm bề mặt của Hàn Quốc Nhiệt độ quan trắc và mô phỏng đều được phân tích thành các thành phần chính (EOF), sau đó 1-2 thành phần chính đầu tiên được sử dụng để xây dựng phương trình HQTT Sau khi hiệu chỉnh, sai số trung bình quân phương đã giảm từ 4,03 độ (mùa đông) và 9,70

độ (mùa hè) xuống còn 2,16 độ và 1,45 độ tương ứng

Trong những thử nghiệm này, mối quan hệ giữa nhân tố dự báo (sản phẩm

dự báo) và yếu tố dự báo (biến khí hậu địa phương hoặc khu vực) thường được coi

là tuyến tính Trong khi đó, mối quan hệ thực sự có thể phức tạp hơn nhiều và cần phải biểu diễn bằng hàm phi tuyến Do đó, kết quả khi sử dụng phương pháp thống

kê HQTT có thể gặp phải sai số vì không biểu diễn đúng và đủ mối quan hệ giữa nhân tố và yếu tố hồi quy McGinnis (1994), Weichert và Burger (1998) đã từng so sánh kết quả khi sử dụng phương pháp thống kê HQTT chuẩn và phi tuyến với cùng GCM để dự báo lượng tuyết rơi và nhiệt độ trung bình, giáng thủy, áp suất hơi nước tương ứng Các kết quả cho thấy hạn chế của cách tiếp cận tuyến tính và khả năng

dự báo tốt hơn của hồi quy phi tuyến, trong trường hợp này là mạng thần kinh nhân

tạo (ANN) Efimov và Pososhkov (2006) hiệu chỉnh số liệu giáng thủy ngày từ hệ thống tái phân tích toàn cầu về lượng giáng thủy quan trắc tại một số điểm địa lý trên khu vực duyên hải của Biển Đen bằng ANN và nhận được phân bố giáng thủy hợp lý hơn ANN cũng được sử dụng để hiệu chỉnh dự báo xuất hiện giáng thủy trên Nhật Bản [Koizumi, 1999] và cho kết quả tốt hơn so với hiệu chỉnh bằng HQTT

Nhận xét cuối chương

Nói tóm lại, DBKH cho khu vực ĐNA vẫn là một lĩnh vực chưa được đầu tư nghiên cứu thích đáng Đối với khí hậu nhiệt đới gió mùa phức tạp của Việt Nam, những nghiên cứu tiếp cận phương pháp mô hình hóa khí hậu cũng mới triển khai trong khoảng chục năm gần đây và chưa có nghiên cứu ứng dụng nào rõ rệt Tuy nhiên, từ những nghiên cứu dự báo gió mùa Châu Á của các nước trên thế giới cho thấy có thể áp dụng RCM vào mô phỏng và tiến tới dự báo khí hậu cho ĐNA và Việt Nam Nhưng do kỹ năng của RCM chưa hoàn chỉnh, RCM mới chỉ có thể tái tạo các giá trị quan trắc trung bình với sai số dưới 2oC và từ 5-50% đối với lượng giáng thủy và sai số lớn hơn nếu đánh giá cho từng khu vực nhỏ hơn, đặc biệt là các phân vùng khí hậu hoặc các trạm quan trắc Vì vậy, khi áp dụng cho ĐNA cần nghiên cứu chi tiết hơn để cải thiện kết quả, có thể là những nghiên cứu độ nhạy về miền tính, độ phân giải hay các tham số hóa vật lý Sau đó thẩm định thống kê kết quả của RCM và hiệu chỉnh theo phương pháp MOS để đưa về giá trị gần với quan trắc hơn Chương 2 tiếp theo trình bày các phương pháp nghiên cứu cụ thể được áp dụng trong luận án

Chương 2 PHƯƠNG PHÁP MÔ HÌNH HÓA KHÍ HẬU KHU VỰC

VÀ PHƯƠNG PHÁP THỐNG KÊ SẢN PHẨM MÔ

HÌNH SỐ (MOS)

Trong chương này trình bày các phương pháp nghiên cứu sử dụng trong luận

án là (1) phương pháp mô hình hóa khí hậu khu vực và (2) phương pháp thống kê hậu mô hình MOS bao gồm các cách thức đánh giá thống kê sản phẩm của mô hình khí hậu và phương pháp luyện mạng thần kinh nhân tạo Cuối cùng là nguồn số liệu

sử dụng trong luận án

Mô hình hóa khí hậu khu vực là phương pháp lồng mô hình khu vực hạn chế vào mô hình GCM và phân tích các kết quả nhận được từ GCM, thông qua tích phân số học của hệ phương trình mô hình khu vực hạn chế trên lưới có độ phân giải tinh hơn để suy luận ra tác động của trường GCM điều khiển đối với khu vực đó