Nghiên cứu nâng cao chất lượng dự báo bằng mô hình HRM và ứng dụng vào dự báo thời tiết nghiệp vụ

4.4.2 So sánh bốn phiên bản O,R,S,H theo ba chỉ số thống kê: giáng thủy trung bình RMEAN, diện mưa RAREA và giáng thủy cực 5.1.3 Các chương trình xử lý và phân tích số liệu 175 5.2 Sử d

Trang 1

BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG TRUNG TÂM KHÍ TƯỢNG THỦY VĂN QUỐC GIA

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

Trang 2

-******** -

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

CN Vũ Duy Tiến CN Nguyễn Thị Anh Đào

Hà Nội, ngày 3 tháng 5 năm 2007 Hà Nội, ngày 3 tháng 5 năm 2007

TSKH Nguyễn Duy Chinh

CƠ QUAN QUẢN LÝ ĐỀ TÀI

TL BỘ TRƯỞNG

BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG

KT VỤ TRƯỞNG

VỤ KHOA HỌC - CÔNG NGHỆ PHÓ VỤ TRƯỞNG

Nguyễn Lê Tâm

Trang 3

CHƯƠNG I NGHIÊN CỨU SỬ DỤNG TRƯỜNG PHÂN TÍCH VÀ

DỰ BÁO TỪ CÁC MÔ HÌNH TOÀN CẦU CHO MÔ HÌNH HRM

4

1.1 Tổng quan về phương pháp đồng hóa số liệu sử dụng trong mô

1.1.1 Phương pháp nội suy tối ưu (Optimal Interpolation – OI) 6

1.2 Nghiên cứu sử dụng các trường phân tích và dự báo từ các mô

hình toàn cầu khác nhau cho mô hình HRM

10

1.2.1 So sánh số liệu toàn cầu GME (DWD), GSM (JMA), GFS (NCEP)

và IFS (ECMWF)

11

1.2.3 Thử nghiệm sử dụng số liệu tổng hợp GME (DWD) + GSM (JMA)

1.2.3.2 Phân tích bộ chương trình chuyển đổi Gme2Hrm 151.2.4 Thử nghiệm sử dụng số liệu của mô hình toàn cầu GFS (NCEP) làm

đầu vào cho mô hình HRM

Trang 4

Nghiên cứu nâng cao chất lượng dự báo bằng mô hình HRM và ứng dụng vào dự báo thời tiết nghiệp vụ

- Hà Nội 2007 -

1.2.5.2 Xây dựng bộ chương trình chuyển đổi Ecm2Hrm 20

CHƯƠNG II NGHIÊN CỨU XÂY DỰNG HỆ THỐNG

2.1 Nghiên cứu áp dụng phương pháp đồng hóa biến phân ba chiều

(3D-VAR) cho mô hình HRM

71

2.1.1 Giới thiệu chung về phương pháp 3D-VAR tại Tổng cục thời tiết

2.1.2 Hệ thống phân tích cho mô hình HRM sử dụng phương pháp đồng

2.2 Khai thác số liệu vệ tinh địa tĩnh GMS, thám sát cao không

(TEMP) và quan trắc (SYNOP, SHIP) để bổ sung số liệu đầu

vào cho mô hình HRM

109

2.2.1 Giới thiệu tóm tắt hệ thống thu nhận ảnh mây vệ tinh tại Trung tâm

2.2.2 Cơ sở khoa học và phương pháp thực hiện 110

2.2.2.1 Xây dựng tập mẫu các proflie ẩm thẳng đứng (T-TD) cho các trạng

2.2.2.2 Xác định profile tương ứng cho từng trạng thái mây trên cơ sở đối

chiếu với tập mẫu các proflie ẩm thẳng đứng (T-TD) 1232.2.2.3 Xây dựng trường ẩm tái phân tích cho mô hình HRM bằng sử

dụng sơ đồ đồng hoá biến phân ba chiều 3D-VAR 125

Trang 5

Nghiên cứu nâng cao chất lượng dự báo bằng mô hình HRM và ứng dụng vào dự báo thời tiết nghiệp vụ

- Hà Nội 2007 -

CHƯƠNG III NGHIÊN CỨU ÁP DỤNG LỌC SỐ CHO

BAN ĐÀU HÓA CỦA MÔ HÌNH HRM

3.3 Áp dụng ban đầu hóa bằng lọc số cho mô hình HRM 147

Trang 6

4.4.2 So sánh bốn phiên bản (O,R,S,H) theo ba chỉ số thống kê:

giáng thủy trung bình RMEAN, diện mưa RAREA và giáng thủy cực

5.1.3 Các chương trình xử lý và phân tích số liệu 175

5.2 Sử dụng sản phẩm mô hình toàn cầu GSM của Cơ quan khí

tượng Nhật (JMA) và mô hình khu vực độ phân giải cao (HRM)

trong hệ thống NAWIPS/GEMPAK

176

5.3 Sử dụng số liệu quan trắc bề mặt và số liệu thám sát cao không

của Việt Nam trong hệ NAWIPS/GEMPAK

Trang 7

Nghiên cứu nâng cao chất lượng dự báo bằng mô hình HRM và

ứng dụng vào dự báo thời tiết nghiệp vụ - Hà Nội 2007 -

DANH SÁCH CÁC CHỮ VIẾT TẮT

AMV Trường gió chiết xuất từ ảnh mây vệ tinh

(Atmospheric Motion Vector)

AMSU Thiết bị đo sóng trên vệ tinh

Advanced Microwave Sounding Unit

ANN Mạng thần kinh nhân tạo

Artificial Neural Network

AVHRR Thiết bị cảm biến đo bức xạ

Advanced Very High Radiation Radiometer

BoM Cơ quan khí tượng Ôxtrâylia

(Bureau of Meteorology)

CTT Nhiệt độ đỉnh mây

(Cloud Top Temperature)

DFI Lọc số trong ban đầu hóa

(Digital Filter Initialization)

DWD Tổng cục thời tiết Cộng hoà Liên bang Đức

(Deutscher WetterDienst)

ECMWF Trung tâm dự báo hạn vừa Châu Âu

(European Center for Medium-range Weather Forecasts)

FIR Xung hữu hạn

(Finite Impulse Response)

GME Mô hình toàn cầu của CHLB Đức

(Global Model for Europe)

GFS Mô hình toàn cầu của Mỹ

(Global Forecasting System)

GEMPAK Phần mềm tổ hợp khí tượng

(GEneral Meteorological PAcKage)

Trang 8

(Global Spectral Model)

IIR Xung vô hạn

(Infinite Impuse Response)

IFS Mô hình toàn cầu của Châu Âu

(Integrated Forecasting System)

JMA Cơ quan khí tượng Nhật bản

(Japan Meteorological Agency)

HRIT Truyền thông tin tốc độ cao

(High Rate Information Transmission)

HRPT Hệ thống truyền ảnh mây tốc độ cao

(High Rate Picture Transmission)

HRM Mô hình dự báo phân giải cao cho khu vực

(High-resolution Regional Model)

LDM Hệ quản trị dữ liệu cục bộ

(Local Data Management)

MODIS Thiết bị đo trên vệ tinh TERRA và AQUA

MODerate resolution Imaging Spectroradiometer

MOS Phương pháp thống kê sử dụng sản phẩm mô hình số

Model Output Statistics

MTSAT Vệ tinh địa tĩnh đa chức năng

(Multi-Functional Transport SATellite)

NCEP Trung tâm nghiên cứu dự báo môi trường Mỹ

(National Centers for Environmental Prediction)

NAWIPS Hệ thống tương tác hỗ trợ dự báo viên

(National Advanced Weather Interactive Processing System)

NMI Mode chuẩn phi tuyến trong ban đầu hóa

(Nonlinear Mode Initialization)

Trang 9

NOAA Cơ quan đại dương, khí quyển Mỹ

(National Oceanic and Atmospheric Administration)

NWS Cơ quan thời tiết quốc gia Mỹ

(National Weather Service)

(Perfect Prog)

QC Kiểm tra chất lượng

(Quality Control)

QPF Dự báo định lượng mưa

(Quantity Precipitation Forecast)

3D-PSAS Hệ thống đồng hóa ba chiều trong không gian vật lý

Three(3) Dimentional Physical Space Assimilation System

3D-VAR Phương pháp biến phân ba chiều

Three(3) Dimentional VARiational method

TOVS Thiết bị đo cảm ứng trên vệ tinh

TIROS Operational Vertical Sounder

RTTOVS Radiative Transfer for TOVS

TT DBKTTV TW Trung tâm Dự báo khí tượng thuỷ văn Trung ương

Trang 10

1 1.2.1 So sánh số liệu đầu vào để phân tích của bốn mô hình GME,

4 1.2.4 Các số liệu cần thiết cho mô hình HRM 13

5 1.2.5 So sánh hai bộ chương trình Gme2Hrmorg.f và GmeJma2Hrm.f 17

8 1.2.8 Phân bố các trạm khí tượng và thuỷ văn theo khu vực được sử

dụng trong đánh giá

23

9 1.2.9 Chỉ số RMSE cho cả ba khu vực với hai hạn dự báo 12h và 24h 62

10 2.1.1 Số lượng các loại thám sát trong hệ thống phân tích của ECMWF

(tháng 9/2003)

76

11 2.1.2 Chỉ số RMSE cho cả ba khu vực với hai hạn dự báo 06h và 24h 99

12 2.2.1 Mức lượng tử hóa các nhân tố dự báo trong phân loại trạng thái

mây

116

13 2.2.2 Bảng tổ hợp phân loại các trạng thái mây 118

14 2.2.3 Số phần tử (PT) mẫu tương ứng với các trạng thái (TT) mây sau

khi đã qua xử lý (kiểm tra chất lượng-QC)

122

15 4.4.1 Các trường hợp thử nghiệm cho hai phương án I và II 162

Trang 11

1 1.1.1 Tích phân phương trình Duffing x’’+0.05x’+x3=7.5cost với điều

kiện ban đầu sai khác nhỏ, x(0)=3, x’(0)=4 được coi là giá trị thực ban đầu

4

2 1.1.2 Chiến thuật lựa chọn thám sát xung quanh mỗi điểm phân tích

3 1.1.3 Quá trình cực tiểu hoá hàm chi phí J của phương pháp biến phân

ba chiều 3DVAR với không gian trạng thái hai chiều

6 1.2.3 Phân bố các mực thẳng đứng của GME (40 mực), HRM (31

mực) và IFS (60 mực) (cho trường hợp Ps= 1013)

21

7 1.2.4 Giao diện của chương trình đánh giá 26

8 1.2.5a Giao diện chương trình hiển thị lượng mưa quan trắc 27

9 1.2.5b Giao diện chương trình hiển thị lượng mưa dự báo từ các mô

10 1.2.6 Lượng mưa tích lũy 24h bắt đầu từ 00UTC ngày 6/8/2004 theo

quan trắc (a) và theo dự báo từ mô hình toàn cầu GME (b) so sánh với dự báo từ phân tích của mô hình toàn cầu IFS (c)

30

11 1.2.7 Chỉ số thống kê lượng mưa dự báo 24h trên khu vực Bắc Bộ

trong thời gian 3 tháng (8-10/2004) từ phân tích của GME (đỏ)

và IFS (xanh dương), quan trắc (xanh lá cây) Từ trên xuống dưới lần lượt là giá trị trung bình (AVE), độ lệch chuẩn (SD), hệ

số tương quan (COR) và sai số bình phương trung bình (RMSE)

32

12 1.2.8 Chỉ số kỹ năng dự báo mưa 24h trên khu vực Bắc Bộ trong thời

gian 3 tháng (8-10/2004) từ phân tích của GME (đỏ, chấm vuông) và từ IFS (xanh dương, chấm tròn): xu thế tần suất FB (trái) và đường đặc trưng hoạt động ROC (phải)

33

34

14 1.2.10 Chỉ số thống kê lượng mưa dự báo 24h trên khu vực Trung Bộ

35

Trang 12

iii

TT Số thứ

tự của

hình

15 1.2.11 Chỉ số kỹ năng dự báo mưa 24h trên khu vực Trung Bộ trong

thời gian 3 tháng (8-10/2004) từ phân tích của GME (đỏ, chấm vuông) và từ IFS (xanh dương, chấm tròn): xu thế tần suất FB (trái) và đường đặc trưng hoạt động ROC (phải)

36

37

17 1.2.13 Chỉ số thống kê lượng mưa dự báo 24h trên khu vực Nam Bộ

38

18 1.2.14 Chỉ số kỹ năng dự báo mưa 24h trên khu vực Nam Bộ trong thời

39

19 1.2.15 Chỉ số thống kê lượng mưa dự báo 24h trên toàn Việt Nam trong

thời gian 3 tháng (8-10/2004) từ phân tích của GME (đỏ) và IFS (xanh dương), quan trắc (xanh lá cây) Từ trên xuống dưới lần lượt là giá trị trung bình (AVE), độ lệch chuẩn (SD), hệ số tương quan (COR) và sai số bình phương trung bình (RMSE)

40

20 1.2.16 Chỉ số kỹ năng dự báo mưa 24h trên toàn Việt Nam trong thời

41

quan trắc (a) và theo dự báo từ mô hình GME14 (b), GME28 (c)

so sánh với dự báo từ mô hình toàn cầu GSM28 (d)

43

quan trắc (a) và theo dự báo từ mô hình toàn cầu GFS14 (b)

44

trong thời gian 6 tháng (7-12/2005) từ phân tích của GME14, GME28, GSM28 và GFS14 Hai ảnh trên là giá trị trung bình (AVE), độ lệch chuẩn (SD) của GME14, GME28, GSM28 và hai ảnh dưới tương tự là của GFS14

46

trong thời gian 6 tháng (7-12/2005) từ phân tích của GME14, GME28, GSM28 và GFS14 Hệ số tương quan - COR (ảnh trên)

và sai số bình phương trung bình-RMSE (ảnh dưới)

47

Trang 13

iv

TT Số thứ

tự của

hình

gian 6 tháng (7-12/2005) từ phân tích của GME14 (đỏ, chấm vuông) GME28 (xanh dương, chấm tròn), GSM28 (xanh lá cây, chấm tam giác) và GFS14 (vàng, chấm hình thoi): xu thế tần suất

FB (trái) và đường đặc trưng hoạt động ROC (phải)

47

49

50

51

52

thời gian 6 tháng (7-12/2005) từ phân tích của GME14 (đỏ, chấm vuông) GME28 (xanh dương, chấm tròn), GSM28 (xanh lá cây, chấm tam giác) và GFS14 (vàng, chấm hình thoi): xu thế tần suất

52

54

55

56

57

Trang 14

v

TT Số thứ

tự của

hình

gian 6 tháng (7-12/2005) từ phân tích của GME14 (đỏ, chấm vuông) GME28 (xanh dương, chấm tròn), GSM28 (xanh lá cây, chấm tam giác) và GFS14 (vàng, chấm kim cương): xu thế tần suất FB (trái) và đường đặc trưng hoạt động ROC (phải)

57

thời gian 6 tháng (7-12/2005) từ phân tích của GME14, GME28, GSM28 và GFS14 Hai ảnh trên là giá trị trung bình (AVE), độ lệch chuẩn (SD) của GME14, GME28, GSM28 và hai ảnh dưới tương tự là của GFS14

59

thời gian 6 tháng (7-12/2005) từ phân tích của GME14, GME28, GSM28 và GFS14 Hệ số tương quan - COR (ảnh trên) và sai số bình phương trung bình-RMSE (ảnh dưới)

60

gian 6 tháng (7-12/2005) từ phân tích của GME14 (đỏ, chấm vuông) GME28 (xanh dương, chấm tròn), GSM28 (xanh lá cây, chấm tam giác) và GFS14 (vàng, chấm hình thoi): xu thế tần suất

60

39 1.2.35 Chỉ số thống kê nhiệt độ trung bình T_2m dự báo 12h trên khu

vực Bắc Bộ trong thời gian 6 tháng (7-12/2005) từ phân tích của GME14, GME28 và GSM28 Từ trên xuống dưới là giá trị trung bình (AVE), độ lệch chuẩn (SD), sai số trung bình (ME) và sai số bình phương trung bình (RMSE)

63

40 1.2.36 Như hình 1.2.35 nhưng là chỉ số thống kê nhiệt độ trung bình

T_2m cho dự báo 24h

64

vực Trung Bộ trong thời gian 6 tháng (7-12/2005) từ phân tích của GME14, GME28 và GSM28 Từ trên xuống dưới là giá trị trung bình (AVE), độ lệch chuẩn (SD), sai số trung bình (ME) và sai số bình phương trung bình (RMSE)

65

66

vực Nam Bộ trong thời gian 6 tháng (7-12/2005) từ phân tích của GME14, GME28 và GSM28 Từ trên xuống dưới là giá trị trung bình (AVE), độ lệch chuẩn (SD), sai số trung bình (ME) và sai số bình phương trung bình (RMSE)

67

68

Trang 15

vi

TT Số thứ

tự của

hình

45 2.1.1 Hệ thống phân tích chu kỳ 6h sử dụng mô hình HRM và phương

pháp đồng hóa số liệu biến phân ba chiều 3DVAR 74

46 2.1.2 Lượng mưa tích lũy 24h bắt đầu từ 00UTC ngày16/06/2005 theo

quan trắc (trái) và theo dự báo từ phân tích của mô hình toàn cầu GME (giữa) so sánh với dự báo từ phân tích của hệ thống phân tích AS (phải)

79

47 2.1.3 Lượng mưa tích lũy 24h bắt đầu từ 00UTC ngày10/10/2005 theo

quan trắc (trái) và theo dự báo từ phân tích của mô hình toàn cầu GME (giữa) so sánh với dự báo từ phân tích của hệ thống phân tích AS (phải)

81

quan trắc (trái) và theo dự báo từ phân tích của mô hình toàn cầu GME (giữa) so sánh với dự báo từ phân tích của hệ thống phân tích (phải)

82

49 2.1.5 Trường áp suất mực biển tại 00UTC-31/07/2005 trong thời gian

có bão WASHI (107.0°E, 20.1°N, áp suất tại tâm 985mb) theo phân tích từ mô hình toàn cầu GME (trái) so sánh với phân tích

từ hệ thống phân tích (phải)

83

có bão VICENTE (114.5°E, 13.5°N, áp suất tại tâm 990mb) theo phân tích từ mô hình toàn cầu GME (trái) so sánh với phân tích

83

có bão DAMREY (106.3°E, 19.6°N, áp suất tại tâm 975mb) theo phân tích từ mô hình toàn cầu GME (trái) so sánh với phân tích

83

có bão KAITAK (111.8°E, 14.6°N, áp suất tại tâm 965mb) theo phân tích từ mô hình toàn cầu GME (trái) so sánh với phân tích

84

có bão XANGSANE (112.3°E, 15.5°N, áp suất tại tâm 955mb) theo phân tích từ mô hình toàn cầu GME (trái) so sánh với phân tích từ hệ thống phân tích (phải)

84

có bão CIMARON (120.1°E, 16.9°N, áp suất tại tâm 955mb) theo phân tích từ mô hình toàn cầu GME (trái) so sánh với phân tích từ hệ thống phân tích (phải)

84

55 2.1.11 Đường đi của cơn bão WASHI (0508) theo số liệu “best track”

của Trung tâm dự báo KTTV Trung ương

85

56 2.1.12 Đường đi của cơn bão VICENTE (0516) theo số liệu “best track”

của Trung tâm dự báo KTTV Trung ương 85

Trang 16

vii

TT Số thứ

tự của

hình

57 2.1.13 Đường đi của cơn bão DAMREY (0518) theo số liệu “best track”

của Trung tâm dự báo KTTV Trung ương 86

58 2.1.14 Đường đi của cơn bão KAI-TAK (0521) theo số liệu “best track”

của Trung tâm dự báo KTTV Trung ương

86

59 2.1.15 Đường đi của cơn bão XANGSANE (0615) theo số liệu “best

track” của Trung tâm dự báo KTTV Trung ương

87

60 2.1.16 Đường đi của cơn bão CIMARON (0619) theo số liệu “best

track” của Trung tâm dự báo KTTV Trung ương 87

trong thời gian 7 tháng (6-12/2005) Từ trên xuống dưới lần lượt

là giá trị trung bình (AVE), độ lệch chuẩn (SD), hệ số tương quan (COR) và sai số bình phương trung bình (RMSE)

89

62 2.1.18 Như hình 2.1.17 nhưng trên khu vực Trung Bộ 90

63 2.1.19 Như hình 2.1.18 nhưng trên khu vực Nam Bộ 91

64 2.1.20 Như hình 2.1.19 nhưng trên toàn Việt Nam 92

gian 7 tháng (6-12/2005): xu thế tần suất FB (trái) và đường đặc trưng hoạt động ROC (phải)

94

thời gian 7 tháng (6-12/2005) : xu thế tần suất FB (trái) và đường đặc trưng hoạt động ROC (phải)

94

95

69 2.1.25 Hệ số tương quan (COR) giữa lượng mưa quan trắc và dự báo

(24h) từ mô hình HRM_GME (trái) và khi sử dụng 3D-VAR (3DVAR_DFI, phải) trên toàn Việt Nam trong thời gian 5 tháng (6-10/2006)

95

70 2.1.26 Độ phân tán (SD) giữa lượng mưa quan trắc và dự báo (24h) từ

mô hình HRM_GME (trái) và khi sử dụng sơ đồ 3D_VAR (3DVAR_DFI, phải) trên toàn Việt Nam trong thời gian 5 tháng (6-10/2006)

96

71 2.1.27 Sai số bình phương trung bình (RMSE) giữa lượng mưa quan

trắc và dự báo (24h) từ mô hình HRM_GME (trái) và khi sử dụng sơ đồ 3D_VAR (3DVAR_DFI, phải) trên toàn Việt Nam trong thời gian 5 tháng (6-10/2006)

96

72 2.1.28 Xu thế tần suất cho ngưỡng mưa 50 mm/ngày (FB) dự báo 24h

từ mô hình HRM14_GME (trái) và khi sử dụng sơ đồ 3D_VAR (phải) trên toàn Việt Nam trong thời gian 5 tháng (6-10/2006)

97

Trang 17

viii

TT Số thứ

tự của

hình

73 2.1.29 Chỉ số thống kê nhiệt độ T_2m dự báo +06h trên khu vực Bắc Bộ trong thời gian 7 tháng (6-12/2005) Từ trên xuống dưới lần lượt

là giá trị trung bình (AVE), độ lệch chuẩn (SD), sai số trung bình (ME) và sai số bình phương trung bình (RMSE)

101

74 2.1.30 Như hình 2.1.29, nhưng cho hạn dự báo +24h 102

75 2.1.31 Chỉ số thống kê nhiệt độ T_2m dự báo +06h trên khu vực Trung Bộ trong thời gian 7 tháng (6-12/2005) Từ trên xuống dưới lần

lượt là giá trị trung bình (AVE), độ lệch chuẩn (SD), sai số trung bình (ME) và sai số bình phương trung bình (RMSE)

103

77 2.1.33 Chỉ số thống kê nhiệt độ T_2m dự báo +06h trên khu vực Nam Bộ trong thời gian 7 tháng (6-12/2005) Từ trên xuống dưới lần

lượt là giá trị trung bình (AVE), độ lệch chuẩn (SD), sai số trung bình (ME) và sai số bình phương trung bình (RMSE)

105

79 2.2.1 Sơ đồ xây dựng tập mẫu các profile ẩm thẳng đứng(T-TD) cho

các trạng thái mây trên cơ sở số liệu trưòng nền GME, quan trắc

bề mặt (SYNOP, SHIP), thám không (TEMP) và vệ tinh GMS

114

80 2.2.2 Ví dụ về profile (T-TD) trước (đường đỏ, chấm vuông) và sau khi

được làm trơn (đường xanh, chấm tròn) của trạng thái mây số 19 cho ba trạm Hà Nội (48820-trái), Đà Nẵng (48855-giữa) và TP

Hồ Chí Minh (48900-phải) tại 00UTC ngày 27-9-2005

119

81 2.2.3 Histogram của trường (T-TD) đã được “làm trơn” tại 15 mực cho

trạng thái mây số 19

120

82 2.2.4 Sơ đồ xây dựng trường ẩm tái phân tích cho mô hình HRM

trên cơ sở trường nền GME, quan trắc bề mặt (SYNOP, SHIP)

và vệ tinh địa tĩnh (GMS)

123

83 2.2.5 Quan trắc độ hụt điểm sương (đường đẳng trị màu vàng) thu

được tại mực 500hPa từ ảnh vệ tinh địa tĩnh GMS vào 00UTC ngày 23 tháng 10 năm 2005

124

84 2.2.6 Trường phân tích độ hụt điểm sương (đường dẳng trị màu vàng)

từ mô hình toàn cầu GME (trái) và từ hệ thống phân tích sử dụng ảnh vệ tinh địa tĩnh GMS (phải) tại mực 500mb vào 00Z, 23/10/2005

125

quan trắc (trái) và theo dự báo từ phân tích của mô hình toàn cầu GME (giữa) so sánh với dự báo từ phân tích của ảnh mây vệ tinh GMS (phải)

127

Trang 18

ix

TT Số thứ

tự của

hình

129

130

là giá trị trung bình,(AVE) độ lệch chuẩn (SD), hệ số tương quan (COR)và sai số bình phương trung bình (RMSE)

131

thời gian 7 tháng (6-12/2005) Từ trên xuống dưới lần lượt là giá trị trung bình (AVE), độ lệch chuẩn (SD), hệ số tương quan (COR) và sai số bình phương trung bình (RMSE)

132

133

thời gian 7 tháng (6-12/2005): xu thế tần suất FB (trái) và đường đặc trưng hoạt động ROC (phải)

133

134

gian 7 tháng (6-12/2005) : xu thế tần suất FB (trái) và đường đặc trưng hoạt động ROC (phải)

134

94 2.2.16 Hệ số tương quan (COR) giữa lượng mưa quan trắc và dự báo

(24h) từ mô hình HRM_GME (trái) và khi sử dụng trường ẩm từ GMS (3DVAR_GSM, phải) trên toàn Việt Nam trong thời gian 5 tháng (6-10/2006)

135

95 2.2.17 Độ phân tán (SD) giữa lượng mưa quan trắc và dự báo (24h) từ

mô hình HRM_GME (trái) và khi sử dụng trường ẩm từ GMS (3DVAR_GMS, phải) trên toàn Việt Nam trong thời gian 5 tháng (6-10/2006)

136

96 2.2.18 Sai số bình phương trung bình (RMSE) giữa lượng mưa quan

trắc và dự báo (24h) từ mô hình HRM_GME (trái) và khi sử dụng trường ẩm từ GMS (3DVAR_GMS, phải) trên toàn Việt Nam trong thời gian 5 tháng (6-10/2006)

136

Trang 19

x

TT Số thứ

tự của

hình

97 2.2.19 Xu thế tần suất cho ngưỡng mưa 50 mm/ngày (FB) dự báo 24h

từ mô hình HRM_GME (trái) và khi sử dụng trường ẩm từ GMS (3DVAR_GMS, phải) trên toàn Việt Nam trong thời gian 5 tháng (6-10/2006)

137

98 3.1.1 Hệ thống xử lý tín hiệu số 140

99 3.1.2 Đáp ứng tần số của bộ lọc thông thấp 143

100 3.1.3 Đáp ứng tần số lý tưởng so với đáp ứng tần số trong thực tế khi

cắt chuỗi tại N bằng 9 và 49 (trái) và đáp ứng tần số trước và sau khi lọc bằng cửa sổ Lanczos (N bằng 9) so với đáp ứng tần số lý tưởng (phải)

143

101 3.2.1 Ba phương pháp lọc xác định trường ban đầu (hình tròn trắng:

chưa lọc, hình tròn đen: lọc, mũi tên nét đứt - tích phân đoạn nhiệt, mũi tên nét liền- tích phân phi đoạn nhiệt)

145

102 3.2.2 Đáp ứng tần số của bộ lọc (2.1.20) với a=2 (trái) và bộ lọc Dolph

với N =9 (phải)

145

103 3.2.3 Độ biến thiên áp suất mực biển theo thời gian dự báo trong ba

trường hợp: không ban đầu hoá NOI, ban đầu hoá theo phương pháp NMI và ban đầu hoá bằng lọc số DFI

147

104 3.3.1 Lượng mưa quan trắc tích lũy trong 5 ngày: từ 00UTC ngày

19/7/2004 (trái) và từ 00UTC ngày 23/11/2004 (phải)

149

105 3.3.2 Diễn biến theo ngưỡng của chỉ số thống kê ETS của dự báo mưa

24h và 48h của HRM14 (đỏ, chấm vuông) và HRM14_DFI (xanh, chấm tròn), lấy trung bình cho khu vực Bắc Bộ cho 3 tháng 7, 8 và 9 năm 2004

150

24h và 48h của HRM14 (đỏ, chấm vuông) và HRM14_DFI (xanh, chấm tròn), lấy trung bình cho khu vực Trung Bộ cho 3 tháng 7, 8 và 9 năm 2004

109 3.3.6 Hệ số tương quan giữa lượng mưa quan trắc và lượng mưa dự

báo theo hạn dự báo 12, 24, 36 và 48h của HRM14 (đỏ, chấm vuông) và HRM14_DFI (xanh chấm tròn) cho Bắc Bộ (7-2004, trái) và Trung Bộ (11-2004, phải)

151

Trang 20

xi

TT Số thứ

tự của

hình

24h của HRM14 (đỏ, chấm vuông) và HRM14_DFI (xanh, chấm tròn), lấy trung bình cho Việt Nam cho ba tháng 7,8, 9 (JAS, trái)

và 3 tháng 10, 11, 12 (OND,phải)

152

111 4.1.1 Xu thế tạo mưa do quá trình chuyển đổi tự động từ nước trong

mây thành nước mưa Ký hiệu HRM cho mô hình HRM nguyên bản, QIR cho thử nghiệm QIR

154

112 4.2.1 Xu thế tạo giáng thủy do quá trình chuyển đổi tự động từ băng

trong mây thành tuyết Ký hiệu HRM cho mô hình HRM nguyên bản, QIS cho các thử nghiệm, QIS(T-t) tương ứng với các nhiệt

độ (-t)0C

155

113 4.3.1 Đồ thị biểu diễn giá trị hệ số cắt của hàm phân bố hạt tuyết trong

mô hình HRM nguyên bản, và trong phiên bản QIH

157

114 4.3.2 Xu thế tạo tuyết (Siau) do quá trình tự động chuyển đổi từ băng

trong mây ở các phiên bản HRM, QIS và QIH 159

115 4.3.3 Xu thế tạo mưa (Scau) do quá trình tạo mưa tự động từ nước

trong mây ở các phiên bản HRM, QIR và QIH

160

116 4.4.1 Chỉ số RSME của dự báo mưa cho các đợt mưa từ tháng 7 đến

tháng 9/2004 cho Bắc Bộ, Trung Bộ, Nam Bộ và Việt Nam: 24 giờ (trái) và 48 giờ (phải), HRM nguyên bản (đỏ), QIH (xanh dương), QIR (xanh lá cây) và QIS (vàng)

163

117 4.4.2 Biểu đồ xu thế tần suất dự báo (FB) của dự báo mưa 24 giờ (theo

ngưỡng) cho toàn bộ khu vực Việt nam đối của các phiên bản HRM14 (đỏ), HRM14_QIH (xanh dương), HRM14_QIR (xanh

lá cây) và HRM14_QIS (vàng)

163

118 4.4.3 Chỉ số dự báo khống FAR (trái) và chỉ số xác suất phát hiện sự

kiện POD (phải) của các dự báo mưa 24 giờ được thử nghiệm với

30 ngày của tháng 7 năm 2004 cho phiên bản gốc HRM14 (đỏ)

và HRM14_QIH (xanh dương)

164

119 4.4.4 Lượng mưa tích lũy 24h (mưa qui mô lưới) bắt đầu từ 00UTC

ngày 11/8/2005 theo HRM nguyên gốc (a), QIR (b), QIS (c) và QIH (d)

166

120 4.4.5 Lượng mưa quan trắc +24h từ 00UTC ngày 11/8/2005 cho Việt

Nam (trái) và riêng cho khu vực Bắc Bộ và Bắc Trung Bộ (phải)

167

121 4.4.6 Các chỉ số thống kê so sánh cường độ mưa trung bình dRmean

của các phiên bản: QIR (đỏ), QIS (xanh dương)và QIH (xanh lá cây) tương đối so với HRM nguyên bản

168

Trang 21

xii

TT Số thứ

tự của

hình

122 4.4.7 Các chỉ số thống kê so sánh cường độ mưa trung bình dRarea của

các phiên bản: QIR (đỏ), QIS (xanh dương) và QIH (xanh lá cây) tương đối so với HRM nguyên bản

169

123 4.4.8 Các chỉ số thống kê so sánh cường độ mưa trung bình dRmax

của các phiên bản: QIR (đỏ), QIS (xanh dương) và QIH (xanh lá cây) tương đối so với HRM nguyên bản

170

125 5.1.2 Giao diện của chương trình NMAP2 174

126 5.2.1 Bản đồ phân tích trường khí áp mực biển từ mô hình GSM

(JMA) tại 00UTC ngày 12 tháng 9 năm 2006, trong thời gian có bão SHANSHAN (0613) trên hệ NAWIPS/GEMPAK

177

127 5.2.2 Bản đồ phân tích trường khí áp bề mặt từ mô hình HRM tại

00UTC ngày 12 tháng 9 năm 2006, trong thời gian có bão SHANSHAN (0613) trên hệ NAWIPS/GEMPAK

177

128 5.3.1 Sơ đồ tạo bản đồ facsimile từ số liệu UNIDATA và VNDATA 179

129 5.3.2 Số liệu quan trắc bề mặt nhận về từ IDD (trái) và sau khi đã bổ

sung số liệu của Việt Nam (phải)

179

130 5.3.3 Bản đồ phân tích bề mặt (tại 00UTC ngày 12 tháng 9 năm 2006,

trong thời gian có bão SHANSHAN (0613) được tạo ra sau khi các dự báo viên thực hiện phân tích trên hệ thống NAWIPS/GEMPAK

180

131 5.3.4 Như hình 5.3.3, nhưng cho mực 850hPa 180

132 5.3.5 Như hình 5.3.4, nhưng cho mực 500hPa 181

133 5.4.1 Bản đồ tích hợp (gồm ảnh mây vệ tinh, số liệu quan trắc và

trường khí áp phân tích từ mô hình AVN-GFS (NCEP) tại 00UTC ngày 12 tháng 9 năm 2006, trong thời gian có bão SHANSHAN (0613)

182

Trang 22

1 SỰ CẦN THIẾT CỦA ĐỀ TÀI

Mô hình nghiệp vụ HRM tại Trung tâm Dự báo KTTV Trung ương thực hiện

dự báo thời hạn 72 giờ cho hai khu vực: khu vực lớn 5°S-35°N, 80°-130°E, (161×201) nút lưới, với độ phân giải ngang là 0.25° (28 Km), 20 tầng, bước tích phân theo thời gian 120s và khu vực nhỏ: 7.125° - 27.125°N, 97.25°-117.25°E, (161×161) nút lưới, với độ phân giải ngang là 0.125° (14 Km), 31 tầng, bước tích phân theo thời gian 90s,

sử dụng các trường phân tích và dự báo từ mô hình toàn cầu GME Mô hình GME sử dụng lưới tam giác điều hoà (icosahedral-hexagonal) [1, 2, 3, 4, 5, 37] Trước ngày 27 tháng 9 năm 2004, GME có độ phân giải ngang khoảng 60 km, số mực theo chiều thẳng đứng là 31 Hiện nay, độ phân giải ngang của GME là 40 km và số mực theo chiều thẳng đứng là 40, các mực trong lớp biên dày hơn, mực thấp nhất của mô hình tại

10 mét

Mô hình HRM với mã nguồn mở là mô hình số đầu tiên được đưa vào nghiệp vụ tại Cơ quan dự báo thời tiết của Việt nam, góp phần quan trọng trong công tác dự báo tác nghiệp Sản phẩm của HRM rất đa dạng, đã và đang được ứng dụng trong dự báo thời tiết hàng ngày và làm trường đầu vào cho một số mô hình tính toán khác: dự báo sóng, nước dâng trong bão, thử nghiệm dự báo thuỷ văn Qua một thời gian tìm hiểu và chạy nghiệp vụ bộ mô hình GME-HRM, chúng tôi nhận thấy bộ mô hình này còn một

số hạn chế cần được nghiên cứu cải tiến Những điểm hạn chế này thể hiện trong số liệu đầu vào GME, phương pháp đồng hoá số liệu trong GME, và trong sơ đồ tham số hoá vật lý của chính HRM, cụ thể là:

- Các biến bề mặt trong trường ban đầu của GME không được lấy từ số liệu quan trắc, mà là kết quả tích phân nối tiếp ngay từ khi mô hình này bắt đầu được chạy (từ năm 1994) đến nay với dữ liệu ban đầu lấy từ trung bình khí hậu

- Vấn đề trường ẩm: Trường ẩm do Đức cung cấp trong nhiều trường hợp không phù hợp với thực tế, đặc biệt trong mùa bão, do trường đầu vào này thể hiện các nhiễu động nhiệt đới, xoáy thuận nhiệt đới thường không tốt (vị trí của xoáy bão ban đầu thường nằm lệch so với vị trí thực) do các quan trắc về mây nhận được

từ vệ tinh địa tĩnh và vệ tinh cực không được cập nhật liên tục trong quá trình

Trang 23

⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯

Nghiên cứu nâng cao chất lượng dự báo bằng mô hình HRM và ứng dụng vào dự báo thời tiết nghiệp vụ - Hà Nội 2007 -

2

đồng hoá số liệu (khác với một số mô hình toàn cầu như mô hình phổ toàn cầu

Global Spectral Model (GSM) của Cơ quan khí tượng Nhật (JMA), mô hình phổ toàn cầu Global Forecasting System (GFS) của Trung tâm dự báo môi

trường, Cơ quan Thời tiết Quốc gia Hoa Kỳ (NCEP-NWS) hay mô hình phổ

toàn cầu Intergrated Forecasting System (IFS) của Trung tâm dự báo thời tiết

hạn vừa Châu Âu (ECMWF)

- Về phương pháp đồng hoá số liệu của Đức: Sử dụng phương pháp nội suy tối

ưu (3D-OI) Phương pháp này có nhược điểm là các trường quan trắc bị “là

trơn” quá nhiều dẫn đến các nhiễu động nhỏ thường biến mất

- Về sơ đồ tham số hoá vật lý của HRM: Sơ đồ mưa qui mô lưới của HRM được thiết lập với các giả thiết thu được từ các quan trắc cho mây vùng ôn đới

Do những lý do đã nêu ở trên, việc cải tiến bộ chương trình nghiệp vụ HRM là vô cùng cần thiết nhằm nâng cao chất lượng dự báo của mô hình, phục vụ tốt hơn nữa công tác dự báo tại Trung tâm dự báo KTTV Trung ương Việc cải tiến đã được thực hiện theo hai phương án:

Phương án I: Cải tiến trường đầu vào cho mô hình HRM:

1 Nghiên cứu sử dụng các trường phân tích và dự báo từ các mô hình toàn cầu khác nhau cho mô hình HRM

- Phối hợp sử dụng trường phân tích và dự báo từ GME và GSM;

- Sử dụng trường phân tích và dự báo từ mô hình GFS (NCEP-NWS);

- Sử dụng trường phân tích và dự báo từ mô hình IFS (ECMWF)

2 Nghiên cứu xây dựng hệ thống phân tích số liệu đầu vào cho mô hình HRM

3 Khai thác số liệu vệ tinh địa tĩnh GMS, thám sát cao không (TEMP) và quan trắc (SYNOP+SHIP) để bổ sung số liệu đầu vào cho mô hình HRM

4 Nghiên cứu áp dụng phương pháp lọc số (Digital Filter Initialization-DFI)

cho ban đầu hóa trong HRM

Phương án II: Cải tiến trong chính mô hình HRM:

Nghiên cứu thay đổi sơ đồ mưa quy mô lưới trong HRM

Ngoài những nội dung nghiên cứu nhằm nâng cao chất lượng dự báo của mô hình, đề tài cũng đã thực hiện thành công việc ứng dụng hệ tương tác trợ giúp dự báo viên NAWIPS vào nghiệp vụ tại Trung tâm dự báo KTTV Trung ương

Trang 24

⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯

3

đề tài đã thực hiện đầy đủ các hạng mục của đề tài “Nghiên cứu nâng cao chất lượng

dự báo bằng mô hình HRM và ứng dụng vào dự báo thời tiết nghiệp vụ“ Toàn bộ

nội dung của đề tài bao gồm: i) Cải tiến trường đầu vào cho HRM (Chương I, II và III), ii) Cải tiến trong chính mô hình HRM (Chương IV) và iii) Ứng dụng hệ NAWIPS vào

dự báo tác nghiêp tại Trung tâm dự báo KTTV Trung ương (Chương V) đã được thử nghiệm và đánh giá

2 NỘI DUNG BÁO CÁO

Nội dung báo cáo trình bày kết quả thực hiện đề tài bao gồm các phần sau:

III Nghiên cứu áp dụng lọc số cho ban đầu hóa của mô hình HRM

IV Nghiên cứu cải tiến trong chính mô hình HRM

V Ứng dụng hệ thống tương tác hỗ trợ dự báo viên NAWIPS tại Trung tâm

Dự báo KTTV Trung ương Kết luận

và sự theo dõi, chỉ đạo kịp thời của Ban Giám đốc Trung tâm Nhóm thực hiện đề tài

hy vọng những kết quả nghiên cứu mà đề tài đạt được sẽ có những đóng góp cho công tác dự báo nghiệp vụ cũng như nghiên cứu phát triển sau này tại Trung tâm Dự báo KTTV Trung ương nói riêng và Trung tâm KTTV Quốc gia nói chung Nhân dip này, chủ nhiệm đề tài và các cộng tác viên xin gửi lời cảm ơn chân thành đến Lãnh đạo Bộ Tài nguyên và Môi trường, Lãnh đạo Trung tâm KTTV Quốc gia và đặc biệt là Ban Giám đốc Trung tâm Dự báo KTTV Trung ương đã tạo mọi điều kiện cho chúng tôi hoàn thành đề tài Một lần nữa, xin trân trọng cảm ơn

Trang 25

4

CHƯƠNG I NGHIÊN CỨU SỬ DỤNG TRƯỜNG PHÂN TÍCH VÀ

DỰ BÁO TỪ CÁC MÔ HÌNH TOÀN CẦU CHO MÔ HÌNH HRM

Trong chương này, chúng tôi sẽ trình bày hai phần: i) Tổng quan về phương pháp đồng hóa số liệu được sử dụng trong các mô hình (toàn cầu, khu vực) và ii) Hướng nghiên cứu đầu tiên nhằm mục đích cải thiện trường đầu vào cho mô hình HRM, đó là: Sử dụng các trường phân tích và dự báo từ các mô hình toàn cầu: GME (Đức), GSM (Nhật), GFS (Mỹ) và IFS (Châu Âu)

1.1 TỔNG QUAN VỀ PHƯƠNG PHÁP ĐỒNG HÓA SỐ LIỆU SỬ DỤNG TRONG MÔ HÌNH TOÀN CẦU VÀ KHU VỰC

Như chúng ta đều biết, kết quả dự báo của bất kỳ một mô hình số nào cũng đều phụ thuộc rất lớn vào điều kiện ban đầu và tương ứng là tính phi tuyến của hệ khí quyển Đây chính là một khó khăn thực sự đối với dự báo thời tiết Lý thuyết hệ động lực đã chỉ ra rằng cho dù có được một mô hình dự báo hoàn hảo, mọi dự báo sẽ lệch khỏi giá trị thực sau một khoảng thời gian nào đó Hình 1.1.1 minh hoạ điều này khi tích phân phương trình phi tuyến Duffing từ hai trạng thái ban đầu sai khác nhỏ dẫn đến những sai lệch đáng kể sau một khoảng thời gian Sai số giữa các điều kiện ban

đầu khác nhau được gọi là sai số phân tích Dễ thấy khi sai số phân tích tăng lên,

khoảng thời gian dự báo còn trùng với giá trị thực sẽ giảm đi Mặc dù đây chỉ là một phương trình phi tuyến đơn giản nhưng đã cho thấy được tầm quan trọng của điều kiện ban đầu đối với chất lượng dự báo Thực tế, hệ khí quyển được mô tả bởi hệ phương trình vi phân còn phức tạp hơn và chắc chắn trạng thái ban đầu của hệ khí quyển ảnh hưởng rất lớn tới chất lượng dự báo

Hình 1.1.1: Tích phân phương trình Duffing x’’+0.05x’+x3=7.5cost với điều kiện ban đầu

sai khác nhỏ, x(0)=3, x’(0)=4 được coi là giá trị thực ban đầu

Trang 26

5

tại một thời điểm nào đó Thông tin quá trình phân tích sử dụng bao gồm: số liệu quan

trắc, một mô hình mô phỏng hệ khí quyển cùng các thông tin liên quan đến điều kiện ban đầu và điều kiện biên, có thể cộng thêm một số ràng buộc Tuỳ thuộc từng phương

pháp phân tích mà người ta lựa chọn nguồn thông tin thích hợp Nếu như những phương pháp phân tích ban đầu chỉ đơn giản sử dụng số liệu quan trắc để nội suy thì các phương pháp hiện đại sau này đã dựa trên nhiều nguồn thông tin hơn

Thông tin cơ bản được sử dụng để tạo số liệu phân tích là tập các giá trị quan trắc Nếu số liệu quan trắc nhiều hơn số nút lưới mô hình thì quá trình phân tích trở thành một bài toán nội suy thông thường Trong phần lớn các trường hợp, ta thường gặp điều ngược lại, đó là: số liệu quan trắc ít hơn số nút lưới do quan trắc thưa và có thể chỉ liên quan gián tiếp đến các biến mô hình Do đó, để bài toán có thể giải được, ta

cần dựa trên thông tin nền dưới dạng đánh giá ban đầu về trạng thái khí quyển mô

hình Thông tin nền có thể là trạng thái khí hậu hay kết quả từ một phân tích trước đó với giả định về “tính ít biến đổi” của trạng thái khí quyển theo thời gian hoặc kết quả từ

mô hình dự báo Ngoài ra, các ràng buộc vật lý trên dữ liệu phân tích cũng đóng một vai trò nhất định trong bài toán phân tích

Các phương pháp phân tích hiện đại có đặc điểm nổi bật nằm trong việc sử

dụng trường phán đoán ban đầu (FirstGuess Field - FG) hay trường nền (Background Field-BF) dưới dạng một nguồn thông tin mới bên cạnh trường thám sát kèm theo các

đại lượng thống kê liên quan đến hai nguồn thông tin này Nếu chỉ sử dụng thông tin đến từ quan trắc, tại những vùng quan trắc thưa thớt khó có thể nói giá trị nội suy là khách quan, thể hiện được quy mô của các quá trình vật lý khí quyển ở đó Các kết quả phân tích sẽ tốt hơn nếu ta đưa vào quá trình phân tích diễn biến động lực của hệ khí quyển cũng như các ràng buộc vật lý

Các phương pháp đồng hóa số liệu thông dụng hiện tại gồm có:

1 Nội suy tối ưu (OI)

2 Biến phân ba chiều (3D-VAR)

3 Biến phân bốn chiều (4D-VAR)

Các sơ đồ đồng hóa cũng phân biệt các phương pháp dựa trên đặc tính thời gian thực Trong các phương pháp phân tích thời gian thực, người ta chỉ sử dụng thám sát trước thời điểm phân tích trái với các phương pháp không có đặc tính thời gian thực khi số liệu thám sát tương lai cũng được đưa vào phân tích Các phương pháp phi thời

Trang 27

Có nhiều cách tiếp cận khác nhau về cơ sở toán học đối với vấn đề đồng hoá số

liệu như lý thuyết biến điều khiển, lý thuyết đánh giá, lý thuyết xác suất, giải tích biến

phân Dạng thức toán học mà ta thường thấy trong các phương pháp là dạng rời rạc

trên không gian mô hình hay không gian thám sát Hólm, 2003 [23] đặt vấn đề trên

không gian liên tục dựa trên giải tích biến phân, từ đó cho phép ta có được một cái nhìn thống nhất trên toàn bộ các phương pháp từ hiệu chỉnh liên tiếp cho đến 4DVAR Tuy nhiên, về mặt toán học, cách tiếp cận này khá phức tạp do đó chúng tôi sẽ không trình

bày cụ thể ở đây, độc giả có thể tham khảo về cơ sở lý thuyết cho đồng hoá số liệu

dưới dạng rời rạc dựa trên hướng tiếp cận của Lorenc, 1986 [30] và trong Phụ lục 2 Các phương pháp này cũng thiết lập một cơ sở chung cho một loạt các phương pháp phân tích đã nói trên

Các mô hình toàn cầu: GME (Tổng cục thời tiết CHLB Đức - DWD), GSM (Cơ quan khí tượng Nhật - JMA), GFS (Trung tâm nghiên cứu dự báo môi trường Mỹ - NCEP) và IFS (Trung tâm dự báo hạn vừa Châu Âu -ECMWF) sử dụng các phương pháp đồng hóa số liệu khác nhau: mô hình GME: nội suy tối ưu (OI), mô hình GSM (trước ngày 17 tháng 2 năm 2005) và mô hình GFS sử dụng phương pháp biến phân ba chiều (3D-VAR), mô hình GSM (sau ngày 17 tháng 2 năm 2005) và mô hình IFS sử dụng phương pháp biến phân bốn chiều (4D-VAR) trên các mực mô hình Cả bốn mô hình này đều được chúng tôi sử dụng làm trường đầu vào cho mô hình HRM Tiếp theo, chúng tôi sẽ giới thiệu tóm tắt về hai phương pháp đồng hóa cơ bản được sử dụng, đó là phương pháp OI và 3D-VAR Riêng phương pháp 4D-VAR rất phức tạp nên sẽ không trình bày ở đây, có thể tham khảo trong [13,18,39]

1.1.1 Phương pháp nội suy tối ưu (Optimal Interpolation - OI)

Phương pháp nội suy tối ưu được Bengtsson (1981) phát triển độc lập với Gandin (1963) Ưu điểm chính nằm ở khả năng thực hiện đơn giản nhưng lại sử dụng

Trang 28

xa = xb + K(yo-H[xb]) (1.1.2) với ma trận trọng số K được cho trong công thức:

Tuy nhiên, OI không tính xa một cách toàn thể bằng cách xét đến mọi giá trị thám sát

như trong công thức (1.1.2) do số bậc bốn của bài toán quá lớn Giả thiết cơ bản của OI

nằm ở chỗ cho mỗi giá trị điểm lưới chỉ có một số ít quan trắc có tầm quan trọng trong

việc xác định trường phân tích Cách thực hiện có thể được tóm tắt như sau

- Cho mỗi giá trị điểm lưới x(i) ta lựa chọn một tập nhỏ pi các quan trắc sử

dụng những tiêu chuẩn lựa chọn kinh nghiệm

- Ma trận sai số tương quan nền nội suy về điểm quan trắc HBHT và ma trận

sai số quan trắc R được hình thành bằng cách giới hạn tại những quan trắc đã

lựa chọn với kích thước pi×pi Tập hợp pi các giá trị tương quan nền giữa

điểm đang xét x(i) với giá trị nền tương ứng được nội suy về các quan trắc

đã lựa chọn (dòng thứ i của ma trận BHT) cũng được xác định

- Nghịch đảo ma trận (HBHT+R)

- Nhân với pi các giá trị tương ứng từ dòng thứ i của ma trận BHT đã tính ở

trên để xác định dòng tương ứng của K

- Tính giá trị phân tích x(i)

Qua các bước tính toán đã nêu trên, dễ thấy OI cần có một tương quan sai số

nền cho phép dễ dàng xác định tương quan giữa một điểm lưới với một điểm quan trắc

(phần tử trong ma trận BHT) hay giữa hai điểm quan trắc (phần tử trong ma trận

HBHT) Tuy nhiên, điều này trở nên khó thực hiện nếu toán tử quan trắc H quá phức

tạp như trong trường hợp của thám sát vệ tinh Đây là một nhược điểm của nội suy tối

ưu Mặt khác, ma trận B cũng không nhất thiết phải được xác định toàn bộ Ta có thể

chỉ cần xác định riêng cho từng giá trị x(i) phụ thuộc vào số quan trắc lựa chọn

Lựa chọn các thám sát ảnh hưởng tới giá trị phân tích x(i) phải cung cấp mọi

thám sát có trọng số lớn Trong thực tế, do tương quan sai số nền tiến đến không tại

những khoảng cách lớn cho nên chỉ những thám sát trong lân cận điểm đang xét được

Trang 29

8

lựa chọn Hình 1.1.2 minh hoạ cho tư tưởng chính của phương pháp nội suy tối ưu Từ

hình này có thể thấy tập thám sát sử dụng tại hai nút lưới kề nhau có thể khác nhau

điều này mang lại một trường phân tích không liên tục trong không gian và tạo nên

nhược điểm chính của OI

Hình 1.1.2 Chiến thuật lựa chọn thám sát xung quanh mỗi điểm phân tích của

phương pháp nội suy tối ưu

1.1.2 Phương pháp biến phân ba chiều (3D-VAR)

Phương pháp 3DVAR thay vì tính toán ma trận trọng số phân tích K như

phương pháp nội suy tối ưu, tìm kiếm lời giải gần đúng từ bài toán cực tiểu hoá hàm

mục tiêu (hay hàm chi phí) J trong công thức:

J(x) = (x-xb)TB-1(x-xb) + (yo-H[x])T(O+F)-1(yo-H[x]) (1.1.4)

Lời giải được xác định sử dụng các phương pháp cực tiểu hóa lặp giải bằng

cách đánh giá J tại mỗi lần lặp khi tiến dần đến điểm cực tiểu sử dụng gradient của J

∇ J(x) = 2B-1(x-xb) - 2HTR-1(y-H[x]) (1.1.5) Quá trình cực tiểu hoá được dừng lại sau một số lần lặp đủ lớn hoặc giá trị của

gradient nhỏ hơn một đại lượng cho trước nào đó Quá trình này được minh hoạ trên

hình 1.1.3

Phương pháp 3DVAR được sử dụng nhiều hơn OI nhờ khả năng thực hiện đồng

hoá toàn bộ không phải lựa chọn thám sát ảnh hưởng như nội suy tối ưu Ngoài ra, biến

phân ba chiều còn cho phép đồng hóa được cả quan trắc có toán tử quan trắc phức tạp

do ta chỉ cần toán tử quan trắc H và ma trận Jacobien H của nó Ngay cả các toán tử

quan trắc có độ phi tuyến nhỏ cũng có thể đưa vào 3DVAR dù kết quả có lệch nhỏ so

Trang 30

Hình 1.1.3: Quá trình cực tiểu hoá hàm chi phí J của phương pháp biến phân ba chiều

3DVAR với không gian trạng thái hai chiều Một ưu điểm khác của 3DVAR nằm ở khả năng mềm dẻo cho phép đưa thêm

một số ràng buộc ký hiệu Jc vào J Các ràng buộc này có tên gọi ràng buộc yếu với

chức năng thực hiện ban đầu hoá loại bỏ các sóng trọng trường trong trường phân tích

Khó khăn chủ yếu đối với 3DVAR là phải thiết kế một ma trận B thích hợp, xác định

dương trên không gian mô hình

Một hướng khác được đặt ra khi ta có thể xác định độ lệch giữa trường phân tích

và trường nền trên không gian thám sát sau đó ánh xạ sang không gian mô hình Cách

tiếp cận này được phương pháp 3DPSAS thực hiện PSAS là viết tắt của Physical

Space Assimilation System Thực chất đây là phương pháp biến phân ba chiều thực

hiện trên không gian thám sát thay vì thực hiện trên không gian mô hình như đã mô tả

ở trên Phương trình (1.1.1) được viết lại dưới dạng hai phương trình sau:

ở đây, xa : trường phân tích cần được mô tả trên không gian mô hình

xb : trường nền của trạng thái thực trước khi thực hiện phân tích

xt : biểu diễn tốt nhất có thể của trạng thái khí quyển thực tại thời điểm phân tích

yo : toán tử quan trắc

Bài toán phân tích do đó phải tìm vector δx sao cho x a = x b + δx để x a gần

với giá trị thực x t nhất hay sai số phân tích cực tiểu

Trang 31

10

Vector wa có cùng kích thước như yo và cho ta độ lệch giữa phân tích và trường

nền trên không gian quan trắc Toán tử BHT có hai vai trò: làm trơn wa và ánh xạ wa

vào không gian mô hình Bài toán phân tích về mặt tính toán sẽ đơn giản hơn do được

giải trên không gian quan trắc với số bậc tự do nhỏ hơn nhiều so với trên không gian

mô hình Sau khi tìm được wa, ta chỉ cần thực hiện một phép nhân ma trận để có được

trường phân tích

Tương tự như 3DVAR, 3DPSAS cực tiểu hoá hàm chi phí J mà wa là điểm cực

tiểu Từ công thức (1.1.4) có thể thấy J phải có dạng sau:

Hiện tại, người ta vẫn chưa rõ trong hai phương pháp 3DVAR và 3DPSAS

phương pháp nào tốt hơn Dưới đây là một số nhận xét chung:

- 3DPSAS chỉ tương đương với 3DVAR nếu H tuyến tính do đó PSAS không

thể sử dụng được nếu toán tử H có độ phi tuyến yếu Tuy nhiên, điều này trở

nên không cần thiết khi phần lớn các bài toán 3DVAR hay 3DPSAS được

giải dưới dạng độ lệch

- Không thể đưa thêm vào 3DPSAS số hạng ràng buộc Jc như trong 3DVAR

- Có thể chỉ định ma trận sai số nền B trực tiếp trong 3DPSAS trong khi với

3DVAR, B phải được nghịch đảo

- Quá trình cực tiểu hoá trong PSAS được thực hiện trên không gian nhỏ hơn

so với 3DVAR

1.2 NGHIÊN CỨU SỬ DỤNG CÁC TRƯỜNG PHÂN TÍCH VÀ DỰ BÁO TỪ

CÁC MÔ HÌNH TOÀN CẦU KHÁC NHAU CHO MÔ HÌNH HRM

Để có cơ sở sử dụng các loại số liệu từ các mô hình toàn cầu: i) Global Model

Europe GME (DWD: Deutcher WetterDienst - Tổng cục thời tiết, CHLB Đức), ii)

Global Spectral Model GSM (JMA: Japan Meteorological Agency - Cơ quan khí

tượng Nhật bản), iii) Global Forecasting System GFS (NCEP: National Center for

Environmental Predictions -Trung tâm nghiên cứu dự báo môi trường Mỹ) và iv)

Integrated Forecasting System IFS (ECMWF: European Center for Medium range

Weather Forecasts - Trung tâm Dự báo hạn vừa Châu Âu) làm đầu vào cho mô hình

HRM, cần có những phân tích về các đặc trưng cơ bản của bốn mô hình này bao gồm

từ các loại số liệu quan trắc, các sơ đồ phân tích cũng như các thủ tục ban đầu hoá [1,

2, 3, 4, 20, 35] Các so sánh này được trình bày trong các bảng 1.2.1, 1.2.2 và 1.2.3

Trang 32

a) Số liệu đầu vào

Bảng 1.2.1 So sánh số liệu đầu vào để phân tích của bốn mô hình GME, GSM, GFS và IFS

Mô hình

Data

GME(DWD) GSM(JMA) GFS(NCEP) IFS(ECMWF)

SYNOP Psea, u, v, T, Td,R Psea, u, v, T, Td Ps,q Ps,q

SHIP Psea, u, v, T, Td,R Psea, u, v, T, Td Psea, u, v, T, q Psea, u, v, T, q

BUOY Psea, u, v, T, Td Psea, u, v, T, q Psea, u, v, T, q

TEMP Z, u, v, T, Td Z, u, v, T, Td Z, u, v, T, q Z, u, v, T, q

Wind profile u,v

thickness u,v thickness u,v thickness u,v thickness

ATOVS u,v, ẩm ở nửa trên

tầng đối lưu

u,v T,q

Bảng 1.2.2 So sánh phương pháp phân tích của bốn mô hình GME, GSM, GFS và IFS

Hệ thống lưới

ngang

Lưới kinh vĩ , nội suy ra lưới tam giác của GME

T213 ~60km T254 ~55km T511~50 km

Phân giải

ngang 0.75° x 0.5° trước

27/9/20041 0.35° x 0.35°

0.5625° × 0.5625° 1.0° × 1.0° 0.5° × 0.5°

Phân giải

thẳng đứng

Surface + 31 mực đến 10 hPa (trước 27/9/2004) Surface + 40 mực

Surface +40 mựcđến 0.4 hPa

Surface +64 mực đến 0.1 hPa

Surface +60 mực

đến 0.1 hPa

Trang 33

phân tích

Ps, u, v, T, RH ζ, D, T,Ps, lnQ Ps, u, v, T, Rh Ps, u, v, T, Rh First guess 6 hour forecast 6 hour forecast 6 hour forecast 6 hour forecast

Sơ đồ đồng

hoá

3D-OI 3D-VAR

4D-VAR trên các mực mô hình

từ 17/2/2005

3D-VAR trên các mực

mô hình

4D-VAR trên các mực mô hình

c) Ban đầu hoá

Bảng 1.2.3 So sánh phương pháp ban đầu hoá của bốn mô hình GME, GSM, GFS và IFS

Mô hình

Ban đầu hoá

GME(DWD) GSM(JMA) GFS(NCEP) IFS(ECMWF)

Lọc số : 3h lùi đoạn nhiệt 3h tiến phi đoạn nhiệt

Mode chuẩn phi tuyến đủ physics

Không cần thiết

vì sơ đồ phân tích nội suy thống kê phổ (Statistical Spectral

Interpolation : SSI analysis scheme) đã loại

bỏ trạng thái không cân bằng ban đầu

Không cần thiết

Điều đáng lưu ý ở đây là điểm khác biệt quyết định đến chất lượng dự báo và

các quá trình mà các mô hình toàn cầu (cũng như khu vực) mô phỏng được là:

i) Phương pháp đồng hoá số liệu; ii) Độ phân giải và iii) Tham số hoá vật lý trong mô

hình Từ bảng 1.2.2, ta thấy bốn mô hình toàn cầu được sử dụng làm đầu vào cho mô hình HRM sử dụng các phương pháp đồng hoá số liệu khác nhau: GME (3D-OI), GFS (3D-VAR), GSM và IFS (4D-VAR) Các phương pháp đồng hoá số liệu thường được

sử dụng trong các mô hình toàn cầu và khu vực, đặc biệt là phương pháp biến phân ba

chiều (3D-VAR) ứng dụng cho mô hình HRM sẽ được trình bày chi tiết trong Phần 2.1

(trang 71) của Chương II

1.2.2 Số liệu cần thiết cho HRM

Để có thể sử dụng các trường đầu vào từ các mô hình toàn cầu khác nhau, phải biết rõ mô hình HRM cần những loại số liệu nào vì số liệu do các mô hình toàn cầu cung cấp bao gồm rất nhiều yếu tố mà mô hình HRM không sử dụng trong toàn bộ quá trình tích phân mô hình Bảng 1.2.4 dưới đây chỉ rõ ba nhóm số liệu mà mô hình HRM

Trang 34

Bảng 1.2.4: Các số liệu cần thiết cho mô hình HRM

2 t_snow nhiệt độ bề mặt tuyết hoặc đất K

4 t_g nhiệt độ đất (lấy tỷ trọng theo có tuyết hoặc không) K

5 t_m nhiệt độ mặt phân cách giữa lớp đất 1 và 2 K

7 w_snow độ chứa nước của tuyết mH2O

8 w_i độ chứa nước của interception storage mH2O

9 w_g1 độ chứa nước của lớp đất thứ nhất mH2O

10 w_g2 độ chứa nước của lớp đất thứ hai mH2O

11 w_g3 độ chứa nước của lớp đất thứ ba mH2O

12 w_cl độ chứa nước của lớp đất sâu theo khí hậu mH2O

1.2.3 Thử nghiệm sử dụng số liệu tổng hợp GME(DWD) + GSM(JMA) làm

đầu vào cho HRM

Trên cơ sở hợp tác song phương giữa Tổng cục KTTV (nay là Trung tâm KTTV

Quốc gia) và Cơ quan khí tượng Nhật bản (JMA), từ cuối năm 1997, Trung Tâm

KTTV Quốc gia nhận được số liệu mô hình phổ toàn cầu GSM của JMA Qua thời

gian sử dụng trong dự báo tác nghiệp, Trung tâm Dự báo nhận thấy các trường phân

Trang 35

số liệu: các tham số bề mặt lấy từ mô hình GME, còn các yếu tố trên cao lấy từ mô hình GSM Dưới đây sẽ trình bày toàn bộ quá trình thử nghiệm này

1.2.3.1 Số liệu do JMA cung cấp

KHÔNG có số liệu nước mây qc và nước băng qi

KHÔNG có các số liệu địa hình và bề mặt

Chỉ có số liệu trên các mực đẳng áp

Độ phân giải ngang: 1.25°x1.25°

Thời gian có số liệu: đối với phiên 00UTC => 4:55UTC

trường ban đầu là các biến có prôfin tuyến tính trong lớp biên, nên hy vọng là sự thưa

số liệu này không ảnh hưởng xấu

Do số liệu của GSM thiếu nên sẽ phải bổ sung các số liệu của GME Từ đó, HRM sẽ phải sử dụng cả số liệu của GME và GSM, cụ thể như sau:

Trang 36

1.2.3.2 Phân tích bộ chương trình chuyển đổi Gme2Hrm

Bộ chương trình chuyển đổi Gme2Hrm bao gồm nhiều chương trình con đáp

ứng bài toán chuẩn bị số liệu cần thiết cho mô hình HRM Nếu sử dụng số liệu nguyên gốc từ mô hình GME, không phải thay đổi gì trong bộ chương trình này Tuy nhiên, để

sử dụng các trường đầu vào khác nhau như GSM, GFS và IFS, bộ chương trình này phải sửa và viết thêm một số chương trình con Trong bộ chương trình này, một số chương trình con được giữ lại, một số chương trình phải sửa và một số cần viết mới Bảng 1.2.5 dưới đây so sánh hai chương trình chính Gme2Hrmorg.f (nguyên bản) và GmeJma2Hrm.f (đã sửa và làm mới)

Vì phải sử dụng qc và qi của GME nên phải nội suy qc và qi từ 31 (hoặc 40) mực mô hình của GME về 20 (hoặc 31) mực HRM nên vẫn giữ nguyên đoạn chương trình từ Pcor1 đến verint (‘rh’) với đầu vào vẫn là khí áp bề mặt PsGme và nhiệt độ T_Gme tại mực cuối cùng 31 (40) của GME Sau đoạn chương trình này, sẽ có qc, qi tại 20 (31) mực HRM, sẽ tiến hành tổ hợp với qv của GSM trong chương trình

Check_rh

Trong bộ chương trình chuyển đổi GmeJma2Hrm, để có thể sử dụng trường

đầu vào từ mô hình GME và GSM, rất nhiều các chương trình con phải thay đổi và phải viết thêm Tuy nhiên, toàn bộ quá trình phân tích và thay đổi không thể giới thiệu chi tiết trong báo cáo này Quá trình phân tích và thay đổi trên có thể tham khảo trong Báo cáo kết quả thực hiện Dự án ứng dụng tiến bộ kỹ thuật cấp Bộ “Xây dựng hệ thống nghiệp vụ HRM trên hệ máy tính song song hiệu năng cao” [1]

Trang 38

23 Verint(‘qi’) optional, -nt- Verint_new (‘t’)

24 Verint(‘o3’) optional, -nt- Verint_new (‘rh’)

26 Surface_fields Pcor2_new

27 Dia_print Verint_new (‘u’)

28 Write_hrm_data Verint_new (‘v’)

Kết thúc vòng lặp tích phân Verint_new (‘qi’) optional

29 Verint_new (‘o3’) optional

Các file in đậm : có thay đổi

Các file in nghiêng: viết mới

Trang 39

18

1.2.4 Thử nghiệm sử dụng số liệu của mô hình toàn cầu GFS (NCEP) làm

đầu vào cho mô hình HRM

1.2.4.1 Số liệu GFS (NCEP)

Số liệu GFS được cung cấp miễn phí trên ftp server của NCEP tại địa chỉ

tgftp.nws.noaa.gov Các thông tin về số liệu này như sau:

+ Thời gian có số liệu: đối với phiên 00Z => 3:30Z (10h30 giờ sáng Việt Nam)

12Z => 15:30Z(10h30 giờ tối Việt Nam) + Miền bao phủ: Số liệu toàn cầu 360 × 180 nút lưới, độ phân giải 1.0°×1.0°

+ Các biến bề mặt, các hằng số, các biến trên các mực (26 mực đẳng áp)

Các biến trên nhiều mực bao gồm:

T, U, V, QV, QC: 10,20,30,50,70,100,150,200, 250,300, 350, 400, 450, 550,

600, 650,700,750, 800, 850,900, 925,950, 975,1000 + Số liệu dự báo có từ 00 đến 384 giờ

- Từ 00 đến 180 giờ : T382L64 (7.5 ngày)

- Từ 180 đến 384 giờ : T190L64 (16 ngày)

+ Dung lượng của các file số liệu: trừ file ban đầu có kích thước là 24Mb, các

file khác có kích thước 26Mb

Như vậy, ta có thể chạy HRM hoàn toàn với đầu vào của mô hình GFS (đầy đủ)

tại 26 mực (Hình 1.2.2) Rất may mắn khi sử dụng số liệu này vì trong lớp biên số mực

của HRM và GFS gần như tương đương Do đó sẽ không phải lo lắng về sự thiếu chính

xác khi thực hiện các phép nội suy Hơn nữa, HRM sử dụng giả thiết trong trường ban

đầu là các biến có prôfin tuyến tính trong lớp biên Riêng đối với các hằng số bề mặt

được sử dụng trong tính toán của HRM có thể sử dụng bản thân số liệu của HRM hoặc

của GFS (do độ phân giải của số liệu GFS thô hơn) Tuy nhiên, để cho thống nhất về

mặt số liệu, chúng tôi đã dùng toàn bộ số liệu của GFS (các biến bề mặt, các hằng số

và các biến trên 26 mực) để làm đầu vào cho HRM

Từ số liệu của GFS tạo ra gần như toàn bộ số liệu cho HRM, trừ số liệu w_i, số

liệu qc, qc tại 5 mực cao nhất (10, 20, 30, 50 và 70 hPa) sẽ được gán bằng không Số

liệu w_g3 sẽ được gán bằng w_g2

Tuy nhiên, vì các file số liệu GFS trên 26 mực (nếu lấy biên cách 6 h) có dung

lưọng rất lớn (khoảng 345 Mb/phiên dự báo +72h), thời gian lấy về lâu, đặc biệt vào

giờ cao điểm Vì vậy, để đáp ứng bài toán nghiệp vụ, chúng tôi đã xây dựng bộ chương

Trang 40

19

được cắt này có dung lượng nhỏ hơn rất nhiều (khoảng 29 Mb)

1.2.4.2 Xây dựng bộ chương trình chuyển đổi Gfs2Hrm

Như đã trình bày trong phần 1.2.3.2 “Phân tích bộ chương trình chuyển đổi Gme2Hrm” để phục vụ cho việc sử dụng tổng hợp số liệu GME(DWD) và GSM(JMA) Tương tự như vậy, để có thể sử dụng số liệu của mô hình GFS làm đầu vào cho mô hình HRM, cần thiết phải xây dựng một bộ chương trình chuyển đổi

Hình 1.2.2: Phân bố các mực thẳng đứng của GME (40 mực), HRM (31 mực) và GFS

(26 mực) (cho trường hợp Ps= 1013)

Định dạng
Số trang	270
Dung lượng	24,83 MB