Đánh giá kết quả dự báo nhiệt độ và lượng mưa của một số mô hình dự báo thời tiết cho khu vực Việt Nam

Bài toán đánh giá dự báo là đánh giá mức độ chính xác của mô hình hoặc mức độ sai khác giữa các sản phẩm dự báo của mô hình với những kết quả quan trắc thực tế nhằm chỉ ra những ưu điểm,

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

MỤC LỤC

MỤC LỤC 1

CHƯƠNG 1 TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG KHÍ TƯỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ 6

1.1 Bài toán đánh giá dự báo trong khí tượng 6

1.1.1 Mục đích và ý nghĩa của bài toán đánh giá 6

1.1.2 Mô hình chung cho đánh giá dự báo các yếu tố thời tiết 7

1.1.3 Sơ lược về tiêu chuẩn đánh giá 10

1.1.4 Các loại yếu tố dự báo 11

1.1.5 Các thuộc tính của một dự báo tốt 12

1.2 Một số phương pháp và chỉ số đánh giá phổ biến 14

1.2.1 Sơ đồ chung đánh giá sản phẩm mô hình dự báo thời tiết số 14

1.2.2 Phương pháp đánh giá đối với biến liên tục 17

1.2.3 Phương pháp đánh giá đối với dự báo pha 21

1.3 Cơ sở lý thuyết của phương pháp đánh giá fuzzy 24

1.4 Tình hình nghiên cứu chung liên quan đến đề tài trên thế giới và tại Việt Nam33 CHƯƠNG 2 KHÁI QUÁT VỀ CÁC MÔ HÌNH DỰ BÁO THỜI TIẾT SỐ HRM, MM5 VÀ NGUỒN SỐ LIỆU SỬ DỤNG 36

2.1 Giới thiệu về mô hình MM5 36

2.1.1 Giới thiệu mô hình 36

2.1.2 Cấu trúc mô hình 36

2.1.3 Hệ các phương trình thủy nhiệt động lực của MM5 37

2.1.4 Điều kiện biên 37

2.1.5 Các quá trình tham số hóa 38

2.2 Giới thiệu về mô hình HRM 40

2.2.1 Giới thiệu mô hình 40

2.2.2 Cấu trúc lưới và phương pháp số 40

2.2.3 Hệ các phương trình cơ bản 40

2.2.4 Các quá trình tham số hóa vật lý 41

2.3 Số liệu 42

CHƯƠNG 3 KẾT QUẢ ĐÁNH GIÁ NHIỆT ĐỘ VÀ LƯỢNG MƯA CỦA MÔ HÌNH MM5 VÀ HRM CHO KHU VỰC VIỆT NAM 45

3.1 Kết quả đánh giá nhiệt độ 45

3.2 Kết quả đánh giá lượng mưa 51

3.3 Kết quả thử nghiệm đánh giá mưa bằng phương pháp fuzzy 66

3.3.1 Kết quả thử nghiệm với chuỗi số liệu mẫu 66

3.3.2 Thử nghiệm đánh giá kết quả dự báo mưa bằng phương pháp fuzzy cho Việt Nam 71

3.3.2.1 Thử nghiệm đánh giá cho dự báo mưa do bão gây ra 71

3.3.2.2 Thử nghiệm đánh giá cho dự báo mưa do không khí lạnh gây ra 75

KẾT LUẬN 79

TÀI LIỆU THAM KHẢO 81

Tiếng Việt: 81

Tiếng Anh: 81

DANH MỤC HÌNH VẼ

Hình 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết 8

Hình 1.2 Sơ (NWP) 16

Hình 1.3 Toán đồ tụ điểm cho dự báo gió biển Bên trái là trường hợp dự báo 00 giờ, bên phải là trường hợp dự báo 36 giờ (số liệu lấy từ trạm phao) 17

Hình 1.4 Sơ đồ biểu diễn các chỉ số phục vụ đánh giá chất lượng dự báo mưa 21

Hình 1.5 a Miền quan trắc; b Đánh giá truyền thống (phải tương thích cả về không gian và thời gian giữa dự báo và quan trắc); c Đánh giá bằng phương pháp fuzzy (vùng dự báo tính đến cả miền lân cận quanh điểm quan trắc) 24

Hình 1.6 Cửa sổ quan trắc và dự báo của phương pháp đánh giá fuzzy 25

Hình 2.1 Sơ đồ lồng ghép hai miền tính cho MM5 39

Hình 2.2 Các trạm quan trắc trong miền tính 43

Hình 3.1 Nhiệt độ trung bình trong các tháng mùa hè tại các trạm a) HRM1; b) OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) 46

Hình 3.2 Nhiệt độ trung bình trong các tháng mùa đông tại các trạm a) HRM1; b) OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) 47

Hình 3.3 Sai số ME của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông (a) và mùa hè (b) 48

Hình 3.4 Sai số MAE của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông (a) và mùa hè (b) 49

Hình 3.5 Sai số RMSE của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông (a) và mùa hè (b) 50

Hình 3.6 Hệ số tương quan nhiệt độ của các mô hình cho toàn Việt Nam (a) và các khu vực (b, c, d) 51

Hình 3.7 Giá trị trung bình mưa tích lũy 24 giờ trong các tháng mùa hè a) HRM1; b) OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) 52

Hình 3.8 Giá trị trung bình mưa tích lũy 24 giờ trong các tháng mùa đông a) HRM1; b) OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) 53

Hình 3.9 Điểm số ME của mưa cho toàn Việt Nam và các khu vực trong các tháng mùa đông (a) và mùa hè (b) 54

Hình 3.10 Điểm số MAE của mưa cho toàn Việt Nam và các khu vực trong các tháng mùa đông (a) và mùa hè (b) 55

Hình 3.11 Chỉ số RMSE của mưa cho Việt Nam và các khu vực trong mùa đông (a) và mùa hè (b) 56

Hình 3.12 Hệ số tương quan của mưa của các mô hình cho Việt Nam (a) và các khu vực (b, c, d) 58

Hình 3.13 Chỉ số FBI cho Việt Nam và các khu vực trong thời kỳ mùa đông 59

Hình 3.14 Chỉ số FBI cho Việt Nam và các khu vực trong thời kỳ mùa hè 59

Hình 3.15 Chỉ số TS các khu vực theo các ngưỡng mưa trong mùa đông 61

Hình 3.16 Chỉ số TS các khu vực theo các ngưỡng mưa trong mùa hè 62

Hình 3.17 Chỉ số POD các khu vực theo các ngưỡng mưa trong mùa đông 63

Hình 3.18 Chỉ số POD các khu vực theo các ngưỡng mưa trong mùa hè 63

Hình 3.19 Chỉ số TSS các khu vực theo các ngưỡng mưa trong mùa đông 64

Hình 3.20 Chỉ số TSS các khu vực theo các ngưỡng mưa trong mùa hè 65

Hình 3.21 Vùng mưa thám sát (trái) và vùng mưa dự báo 3h (phải) (mm/h) lúc 15h UTC ngày 29/5/1999 66

Hình 3.22 Kết quả đánh giá bằng phương pháp fuzzy cho hạn dự báo 03 giờ ngày 29/5/1999 68 Hình 3.23 Vùng mưa thám sát (trái) và vùng mưa dự báo mưa tích lũy 24h (phải) (mm/ngày) ngày 6/7/2007 71 Hình 3.24 Kết quả đánh giá bằng phương pháp fuzzy cho dự báo mưa 24 giờ ngày 06/7/2007 72 Hình 3.25 Vùng mưa thám sát (trái) và vùng mưa dự báo 24h (phải) (mm/ngày) ngày 23/12/2007 (không khí lạnh) 75 Hình 3.26 Kết quả đánh giá bằng phương pháp fuzzy cho hạn dự báo mưa tích lũy 24 giờ ngày 23/12/2007 76

các nước trên thế giới trong đó Việt Nam cũng là một trong những quốc gia chịu ảnh hưởng nặng nề của biến đổi khí hậu

s

nghiệp vụ hoặc nghiê

văn Trung ương, RAMS, HRM, WRF

Môi Mỗi mô hình số đều chứa đựng các sai số sinh ra do số liệu ban đầu, do các quá trình tham số hóa trong khí quyển chưa đủ chính xác ,

cần phải tìm ra được những điểm mạnh của mô hình để khai thác và sử dụng đồng thời chỉ ra những điểm yếu để tìm cách khắc phục, đem lại hiệu quả cao hơn cho công tác dự báo Bên cạnh đó, kết quả đánh giá còn có thể cho biết về sai số hệ thống của mô hình, là cơ sở cho việc hiệu chỉnh mô hình cho tốt hơn Chính vì vậy, vấn đề đánh giá định lượng sản phẩm của các mô hình số là rất cần thiết và có ý nghĩa khoa học

Bài toán đánh giá dự báo là đánh giá mức độ chính xác của mô hình hoặc mức độ sai khác giữa các sản phẩm dự báo của mô hình với những kết quả quan trắc thực tế nhằm chỉ ra những ưu điểm, nhược điểm của mô hình, giúp cho các chuyên gia nghiên cứu tìm kiếm các giải pháp cải tiến, phát triển, nâng cao chất lượng dự báo của mô hình Hơn nữa, kết quả đánh giá dự báo có thể đưa ra những thông tin giúp các nhà quản lý quyết định có nên đầu tư cơ sở vật chất, trang thiết bị để phát triển mô hình hay không

Chính vì vậy, trong

khuôn khổ của luận văn tác giả tập trung vào việc đánh giá chất lượng dự báo 24h của nhiệt độ, lượng mưa của hai mô hình dự báo thời tiết số được sử dụng phổ biến hiện nay ở Việt Nam là mô hình HRM và mô hình MM5 Ngoài phần

Mở đầu, Kết luận và Tài liệu tham khảo, luận văn được bố cục cụ thể như sau:

Chương 1 Tổng quan về bài toán đánh giá dự báo trong khí tượng và các chỉ số đánh giá

Chương 2 Khái quát về các mô hình dự báo thời tiết số HRM, MM5 và nguồn số liệu sử dụng

Chương 3 Kết quả đánh giá nhiệt độ và lượng mưa của mô hình MM5 và HRM cho khu vực Việt Nam

CHƯƠNG 1 TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG

KHÍ TƯỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ

1.1 Bài toán đánh giá dự báo trong khí tượng

1.1.1 Mục đích và ý nghĩa của bài toán đánh giá

Đánh giá chất lượng dự báo thời tiết nói chung là phương pháp thẩm tra đánh giá và xác định định lượng mức độ chính xác của mô hình hoặc mức độ sai khác giữa các sản phẩm dự báo của mô hình với những kết quả quan trắc thực tế nhằm chỉ ra những ưu điểm, nhược điểm của mô hình, giúp cho các chuyên gia nghiên cứu tìm kiếm các giải pháp cải tiến, phát triển, nâng cao chất lượng dự báo của mô hình

Có ba lý do quan trọng nhất để đánh giá dự báo là:

- Kiểm tra chất lượng dự báo – dự báo chính xác đến đâu và sẽ được cải tiến ra sao

- Nâng cao chất lượng dự báo: Bước đầu tiên để tiến tới dự báo tốt hơn là việc tìm ra cái gì mà người làm dự báo đang làm sai

- So sánh chất lượng của các hệ thống dự báo khác nhau – đến mức độ nào thì một hệ thống dự báo được cho là dự báo tốt hơn so với những hệ thống

dự báo khác và bằng cách nào mà hệ thống dự báo đó đem lại kết quả tốt hơn như vậy

Các hoạt động đánh giá chỉ hữu ích khi chúng đưa ra được các quyết định

về sản phẩm dự báo đang được đánh giá Quyết định đó sẽ làm phát sinh những thay đổi trong sản phẩm dự báo hoặc cách thức dự báo được thực hiện sau đó, hoặc quyết định đó xác nhận và khẳng định sản phẩm dự báo thỏa mãn cho các mục đích của người sử dụng và của xã hội Các sản phẩm dự báo được phổ biến rộng rãi trong công chúng thì phải được viết đủ khách quan để người sử dụng có thể kiểm tra, còn các số liệu quan trắc khí quyển thực tế phải được thể hiện một cách chính xác những gì diễn ra trong thực tế Hơn nữa, một vài phương pháp đánh giá còn đòi hỏi quan trắc tại một điểm cũng có thể đại diện một cách đầy

đủ và khách quan các hiện tượng thời tiết xảy ra trong một khu vực

Chính tính cấp thiết trong các hoạt động đánh giá chất lượng dự báo thời

tiết cho thấy mục đích đánh giá phải được thiết lập trước khi hệ thống đánh giá

được xác lập Từ đây các hoạt động đánh giá trong khí tượng cũng như trong các hoạt động dự báo thời tiết có thể được phân chia thành hai mục đích chính là đánh giá hành chính và đánh giá khoa học

Mục đích hành chính: Các thông tin đánh giá trong mục đích quản lý hành

chính nhằm cung cấp thông tin cho việc mua sắm các trang thiết bị chính như các máy tính có cấu hình cao hơn, tốc độ xử lý nhanh hơn,… Xác định khi nào, hoặc có nên thay thế một sản phẩm đang được sử dụng bằng một sản phẩm dự báo mới hay không, và còn nhiều các quyết định khác để phát triển tối ưu nguồn lực về con người cũng như các nguồn trang thiết bị khác phục vụ cho công tác phát hành một bản tin dự báo thời tiết

Mục đích khoa học: Đánh giá với mục đích khoa học là xác định một cách

đầy đủ và chi tiết ưu điểm cũng như nhược điểm của một sản phẩm dự báo Các hoạt động này giúp tìm ra các biện pháp thích hợp để cải thiện chất lượng dự báo phục vụ cũng như cung cấp các thông tin để hoạch định phương hướng cho việc nghiên cứu và phát triển tiếp theo

Ngoài ra một số tác giả khác còn xét đến mục đích kinh tế nhưng đó là vấn đề rất phức tạp nên trong giới hạn luận văn này không được đề cập đến

1.1.2 Mô hình chung cho đánh giá dự báo các yếu tố thời tiết

Hình 1.1 là một kiểu mô hình chung nhất để đánh giá dự báo các yếu tố thời tiết, ngoài ra có thể có các mô hình đánh giá khác nữa Tuy nhiên đây là mô hình cho thấy bức tranh chi tiết nhất về quan hệ giữa đặc trưng của phép đánh giá các đại lượng đo và các giải pháp khác nhau để có thể lựa chọn Sơ đồ này

sử dụng cho việc quyết định các bước cần thiết phải được làm trước khi lựa chọn các phương pháp đánh giá cụ thể

Tất cả các phương pháp đánh giá đều bắt đầu từ việc tập hợp các tập số

liệu quan trắc và dự báo (hình bình hành ở trên cùng trong Hình 1.1) Bước tiếp

theo là xử lý số liệu, bước này phụ thuộc vào việc quyết định của người sử dụng

(hình thoi trong sơ đồ) Quan trọng nhất là việc quyết định của người sử dụng

lựa chọn mục đích đánh giá hành chính hay khoa học như đã nêu ở trên

Khi mục đích đánh giá đã được xác định, tiến hành phân loại các tập số liệu mẫu theo mục đích đã định trước Phân loại nghĩa là chia nhỏ các phần tử trong tập mẫu ra thành hai hay nhiều nhóm theo một nguyên tắc đã định sẵn, sau

đó thực hiện đánh giá cho từng nhóm một cách riêng biệt Trên Hình 1.1 đã chỉ

ra hai kiểu phân loại là “Phân loại ngoại bộ” và “Phân loại nội bộ”

Phân loại ngoại bộ là kiểu phân loại mà nguyên tắc lựa chọn độc lập đối với các yếu tố đang cần được đánh giá Kiểu phân loại ngoại bộ phổ biến nhất là cho phép xác định các biến đổi trong đánh giá theo thời gian trong ngày hoặc theo mùa Phân loại ngoại bộ có thể tiến hành ở bất cứ thời điểm nào trong quá trình trước khi tính toán các đánh giá thống kê thực tế, và có thể được làm cho

cả mục đích hành chính hay mục đích khoa học

Hình 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết

Mục đích khoa học

Các tập số liệu dùng để đánh giá

Quản lý hành chính

Phân loại ngoại bộ

Phân loại ngoại bộ

Phân loại nội bộ theo

dự báo

Hệ số phân tán

Điểm Berier RPS

Điểm kỹ năng Brier Bảng độ tin cậy

Bảng liên hợp

Phân loại nội bộ theo quan trắc

Đồ thị điểm Bảng liên hợp Đồ thị điểm

dự báo

Sai số trung bình tuyệt đối

Sai số bình phương trung bình

Độ giảm phương sai

Xuất phát từ các câu hỏi đặt ra đối với đánh giá khoa học thấy rằng, cần

có một nhu cầu phân loại cao hơn đối với tập mẫu Chẳng hạn như, nếu ta quan tâm đến dự báo cực trị thì tập mẫu sẽ phải được phân nhóm để tách các giá trị cực trị đó ra từ chuỗi các sự kiện chung Kiểu phân nhóm này được gọi là “phân loại nội bộ” bởi vì nguyên tắc phân loại được quyết định bởi mục đích đánh giá

và sử dụng chính yếu tố đang được đánh giá Có hai cách để thực hiện phân loại nội bộ, trên Hình 1.1 cho thấy sự khác nhau trong kết quả đánh giá thu được từ hai cách phân loại đó

Phân loại theo quan trắc nghĩa là phân loại theo giá trị của các yếu tố khí tượng quan trắc được Sau đó, các tiêu chuẩn đánh giá có thể được tính toán cho từng nhóm giá trị quan trắc và giá trị thống kê được tạo thành này gọi là giá trị

có điều kiện đối với quan trắc Một ví dụ cho phân bố có điều kiện của dự báo là một giá trị đặc biệt hay một phạm vi các giá trị quan trắc

Phân loại theo dự báo nghĩa là phân loại theo giá trị của các yếu tố khí tượng được dự báo Cũng tương tự như trên, các giá trị thống kê được tính toán theo cách phân loại này được gọi là điều kiện dự báo Việc lựa chọn kiểu phân loại phụ thuộc vào mục đích đánh giá Trong nhiều trường hợp cần phải sử dụng kết hợp cả hai cách phân loại trên để đưa ra một kết quả hoàn chỉnh Hơn nữa,

như đã thấy ở sơ đồ trên, những đại lượng đánh giá khác nhau (hình ô van bên

dưới) đặc trưng cho một kiểu phân nhóm khác và đưa ra nhiều thông tin khác

nhau về sản phẩm

Một cách khác, trong đánh giá hành chính, người ta ít quan tâm chi tiết đến việc biểu diễn những biến theo các giá trị khác nhau trong dự báo Mà thay vào đó, các câu hỏi đặt ra đều mang tính chung chung và chỉ cần một câu trả lời ngắn gọn xúc tích nào đó Vì vậy, phân loại nội bộ có thể vẫn được thực hiện nhưng nó hiếm khi được dùng đến Tuy nhiên, ưu điểm lớn của đánh giá hành chính là biểu diễn chất lượng sản phẩm chỉ bằng vài con số hoặc việc so sánh thuận tiện hay hướng xác minh dễ dàng Bản chất chung của đánh giá hành chính có mối liên hệ mật thiết với các quy tắc điểm số tổng kết được chỉ ra ở Hình 1.1 Đôi khi việc tóm tắt cũng trở nên khó khăn khi phải cố gắng tổng kết tất cả các thông tin về chất lượng sản phẩm chỉ trong một điểm số để cung cấp cho nhà quản lý Nhu cầu tóm tắt thông tin đánh giá chỉ bằng một con số gây ra một áp lực lớn cho việc thiết kế hệ thống đánh giá để đảm bảo được rằng:

- Điểm số được lựa chọn theo yêu cầu là đáng tin cậy;

- Các sự kiện hợp thành đều được xem xét công bằng như nhau trong các điểm số;

Hạn chế chung của bản tổng kết đánh giá này là tất cả các sự kiện đều được xem là như nhau trong quá trình trung bình hóa Điều này làm cho việc thực hiện thuận tiện hơn (việc tính toán sẽ đơn giản hơn khi sử dụng đại lượng trung bình), nhưng cũng vì thế mà rất khó để có thể tìm được một hàm trọng số chính xác và phản ánh đủ khách quan cho các sự kiện hợp thành của mục đích

sử dụng mà không có bất kỳ trở ngại nào đối với các thuộc tính của điểm số Làm thế nào để đưa ra các hàm trọng số của các sự kiện hợp thành trong đánh giá tổng hợp vẫn còn là vấn đề chưa giải quyết được

Trước đây, các điểm số đánh giá đã được đánh giá quá cao Vì thế các dự báo viên sớm thất vọng khi phải cố gắng sử dụng chúng để trả lời các câu hỏi về các vấn đề mang tính chất khoa học Tính chất của việc đánh giá tổng kết đó hạn chế việc sử dụng trong mục đích khoa học bởi thiếu sự phân loại đánh giá bằng những điều kiện cho trước Ví dụ, điểm số tổng kết không thể nói mưa dự báo tốt như thế nào trong các trường hợp ngưỡng thấp mà chỉ có thể nói mưa được

dự báo tốt như thế nào một cách chung chung Không thể nói, dưới điều kiện nào mô hình phần tử hữu hạn khu vực RFE (Regional Finite Element model) tốt hơn mô hình phổ, chỉ có thể nói rằng mô hình RFE tốt hơn hoặc xấu hơn một chút so với mô hình phổ

1.1.3 Sơ lược về tiêu chuẩn đánh giá

Các điểm số dùng trong đánh giá được minh họa theo từng cặp ở phía dưới Hình 1.1 cho thấy mối quan hệ giữa chúng Ví dụ, bảng liên hợp và đồ thị điểm là hoàn toàn tương tự nhau, chúng cung cấp các dạng thông tin như nhau, bảng liên hợp xuất phát từ yếu tố dự báo pha cùng đồ thị điểm xuất phát từ biến

dự báo liên tục Điểm tổng kết luôn được phân loại theo cách này: Điểm Brier

và điểm RP đều đo chính xác các đặc tính của khả năng xảy ra hay biến pha, chúng tương tự sai số bình phương trung bình của dự báo theo biến liên tục Chú

ý rằng dự báo pha không tương tự như sai số trung bình tuyệt đối Có hai loại đại lượng đo được phân loại tương ứng theo dự báo và quan trắc là “Bảng độ tin cậy” và “Nguyên lý phát hiện tín hiệu” Trong khi đó bảng liên hợp và đồ thị điểm lại tổng quát hơn, cho phép phân loại theo một trong hai cách hoặc theo cả hai cách Nguyên lý phát hiện tín hiệu là một ý tưởng mới mẻ và hiện nay chưa được sử dụng rộng rãi

Các điểm số liệt kê trên Hình 1.1 gồm 3 loại, đó là: điểm số tuyến tính, điểm số toàn phương (bậc hai) và điểm số kỹ năng

Điểm số toàn phương đưa ra trọng lượng của sai số theo bình phương của chúng trong khi điểm số tuyến tính cho sai số có giá trị bậc nhất Vì vậy điểm số toàn phương thường đưa ra trọng số sai số lớn hơn là điểm số tuyến tính và điểm

số này rất phù hợp trong các trường hợp sai số lớn thực sự nghiêm trọng hơn sai

số nhỏ

Điểm số kỹ năng được xây dựng để đánh giá mối quan hệ giữa dự báo và một giá trị chuẩn nào đó Giá trị chuẩn được chọn lựa để mô tả một dự báo không kỹ năng

Ba tiêu chuẩn được sử dụng để so sánh là: chuẫn ngẫu nhiên, chuẩn quán tính và chuẩn khí hậu Tính ngẫu nhiên mô tả sự phỏng đoán thuần túy và không yêu cầu hiểu biết tri thức, chuẩn quán tính là một dự báo xác định và yêu cầu các hiểu biết về điều kiện thời tiết, còn chuẩn khí hậu là một dự báo trạng thái thời tiết diễn ra trong khoảng thời gian dài và cần phải có sự hiểu biết về tiến trình lịch sử của thời tiết Điểm số kỹ năng được biểu diễn trong công thức sau:

ST PS

ST SC SS

trong đó SC là điểm có được từ dự báo, ST là điểm đạt được từ dự báo chuẩn và

PS là điểm từ dự báo hoàn hảo Điểm số kỹ năng có thể được hình thành từ việc

sử dụng bất kỳ một trong các điểm số Điểm số kỹ năng phổ biến nhất dựa trên nền tảng của điểm Brier (điểm kỹ năng Brier), điểm RP (điểm kỹ năng RP), các giá trị của bảng ngẫu nhiên (điểm Heidke) và sai số trung bình tuyệt đối Tiêu chuẩn thường được sử dụng nhất là chuẩn khí hậu, còn điểm Heidke lại thường xuyên được kết hợp với chuẩn ngẫu nhiên Không có điểm kỹ năng cơ bản nào

là quan trọng hơn, chúng bình đẳng như nhau và đều biểu hiện đặc tính của kỹ năng

1.1.4 Các loại yếu tố dự báo

Sau khi giải quyết xong những vấn đề về phân loại và những yêu cầu của một mô hình đánh giá đã đặt ra cần lựa chọn một phương pháp thích hợp để đáp ứng các yêu cầu đó Hình chữ nhật trên Hình 1.1 đưa ra gợi ý cho cách lựa chọn phù hợp tùy thuộc vào bản chất dự báo được đánh giá Phụ thuộc vào mục đích đánh giá người ta chia ra thành hai dạng dự báo là: Dự báo các đại lượng liên tục

và dự báo pha

* Yếu tố dự báo liên tục: Là các yếu tố được dự báo tại một giá trị nhất định hoặc trong một khoảng giá trị nào đó Trong số các yếu tố thời tiết thì nhiệt

độ, áp suất, và gió là hay được dự báo theo cách này

* Yếu tố dự báo pha: Là các yếu tố dự báo có thể xảy ra hoặc không xảy

ra Chẳng hạn như xét sự xuất hiện của giáng thủy (có hoặc không), hoặc xét dạng giáng thủy (băng, tuyết, nước)

Một số yếu tố có thể được dự báo liên tục hoặc dự báo pha tùy thuộc vào yêu cầu của người sử dụng trong quá trình làm dự báo Tuy nhiên khi một dự báo mà cho kết quả biến thiên liên tục thì phải được đánh giá theo pha bởi vì tất

cả những thông tin đó rất cần thiết cho người sử dụng

* Dự báo xác suất được xem như là dự báo pha nhưng tổng quát hơn Trong đó, mỗi pha được gán bằng một xác suất xảy ra và tổng tất cả xác suất phải bằng 1 (tức là một cái gì đó phải xảy ra) Dự báo pha là một dự báo xác suất thu hẹp, ở đây xác suất chỉ có hai trường hợp xảy ra hoặc là 0% hoặc là 100% và hiển nhiên là một trong hai trường hợp ấy chắc chắn sẽ xảy ra

1.1.5 Các thuộc tính của một dự báo tốt

Do tính chất phức tạp của bài toán đánh giá, việc lựa chọn, sử dụng những chỉ số nào để phản ánh được tất cả các khía cạnh là vấn đề khó khăn Chẳng hạn, khi nói về đánh giá chất lượng dự báo (có thể là của một mô hình) Murphy (1993) đã đưa ra 3 khái niệm để chỉ mức độ “tốt” của một dự báo là:

1) Độ chắc chắn (Consistency) của dự báo là mức độ phù hợp giữa dự báo

và kiến thức hiểu biết của dự báo viên;

2) Chất lượng dự báo (Quality) là mức độ phù hợp giữa dự báo với thực tế xảy ra;

3) Ý nghĩa (hay giá trị - Value) của dự báo là mức độ mà dự báo có thể giúp cho người ra quyết định thấy rõ hoặc đạt được lợi ích nào đó về kinh tế hoặc lợi ích khác

Cũng theo Murphy (1993), đã đưa ra 9 khái niệm được gọi là 9 thuộc tính đóng góp cho độ chắc chắn của dự báo như sau:

- Độ lệch (Bias): Là mức độ phù hợp giữa trung bình quan trắc và trung

bình dự báo

- Tính liên kết (Association): Là mức độ chặt chẽ về quan hệ tuyến tính

giữa dự báo và quan trắc(chẳng hạn, hệ số tương quan là thước đo mối quan hệ tuyến tính này)

- Độ chính xác (Accuracy):

K

- Kỹ năng dự báo (Skill):

một dự báo tham chiếu nào đó Dự báo tham chiếu nói chung là dự báo không có kỹ năng, như dự báo ngẫu nhiên (may rủi), dự báo quán tính, hoặc dự báo khí hậu Kỹ năng ám chỉ sự tăng lên của độ chính xác do

hệ thống dự báo “thông minh”

- Độ tin cậy (Reliability): Là sự phù hợp trung bình giữa các giá trị dự báo

và các giá trị quan trắc Nếu tất cả các trường hợp dự báo được xem xét khi đó

độ tin cậy trên toàn bộ giống như thiên hướng (bias) Nếu các trường hợp dự báo được phân chia thành các khoảng khác nhau hoặc theo các phân hạng thì độ tin cậy giống như độ lệch có điều kiện (conditional bias) Thông thường độ tin cậy được cải tiến nhờ Bias Nhưng sau khi cải tiến làm độ tin cậy của các dự báo tương đương tăng lên thì chính Bias lại sẽ bị khử đi

- Độ phân giải (Resolution): Là năng lực của dự báo có thể phân loại tập

các sự kiện thành các tập con có phân bố tần suất khác nhau Điều đó có nghĩa là phân bố nhận được khi “A” được dự báo khác với phân bố nhận được khi “B” được dự báo Thậm chí nếu các dự báo là sai, hệ thống dự báo có độ phân giải nếu nó có thể phân chia một cách thành công phân bố của các dạng khác nhau (Nói cách khác, có thể tách biệt được các trường hợp dự báo thành những tập có cùng phân bố)

- Độ nhọn (hay độ nhạy bén - Sharpness): Là xu hướng của dự báo có thể

dự báo được các giá trị cực trị Độ nhọn là một thuộc tính của dự báo, tương tự như độ phân giải, một dự báo có thể có thuộc tính này ngay cả khi nó sai (trong trường hợp này nó có thể là kém tin cậy);

- Độ phân biệt (hay độ phân lớp - Discrimination): Là khả năng của dự

báo có thể tách biệt các quan trắc thành những trường hợp có tần suất dự báo cao hơn, tức là có khả năng phân lớp Là khả năng của dự báo có thể tách biệt các quan trắc thành những trường hợp có tần suất dự báo cao hơn, tức là có khả năng phân lớp

- Độ biến động (hay tính không chắc chắn - Uncertainty): Là sự dao động

của các giá trị quan trắc trong tập mẫu đánh giá và không phụ thuộc vào giá trị

dự báo Đối với các biến được dự báo theo pha thì độ biến động là 1 nếu sự kiện xảy ra và 0 nếu sự kiện không xảy ra Đại lượng này liên quan đến độ “khó khăn” của dự báo Độ biến động càng lớn có nghĩa là sẽ có những dao động lớn với nhiều tần số khác nhau trong yếu tố dự báo đang được đánh giá và dĩ nhiên việc dự báo sẽ khó khăn hơn Độ biến động của từng tập số liệu sẽ rất khác nhau

và do đó, việc so sánh giữa các con số đánh giá thống kê của tập số liệu là hết sức mạo hiểm vì chúng thường rất nhạy với độ biến động

Theo truyền thống thì đánh giá dự báo tập trung nhấn mạnh vào độ chính xác và kỹ năng dự báo Nhưng cũng cần lưu ý rằng các thuộc tính khác của dự báo cũng ảnh hưởng mạnh đến giá trị dự báo

1.2 Một số phương pháp và chỉ số đánh giá phổ biến

1.2.1 Sơ đồ chung đánh giá sản phẩm mô hình dự báo thời tiết số

a Những nguyên nhân gây sai số trong mô hình dự báo số

Để ứng dụng được một mô hình khu vực hạn chế vào trong nghiệp vụ dự báo thời tiết đòi hỏi trước hết là phải đánh giá được sai số dự báo của mô hình so với thực tế Các nguyên nhân có thể đưa đến dự báo sai của mô hình số có thể tóm tắt như sau:

- Các công thức toán học để mô tả các quá trình vật lý xảy ra trong khí quyển là chưa hoàn chỉnh;

- Ảnh hưởng của địa hình đến kết quả dự báo (thường không được mô hình số mô tả hoàn chỉnh);

- Các quá trình vật lý và các sơ đồ tham số hóa chưa thật sự hoàn thiện;

- Một số giả thiết không thực sự phù hợp được đưa ra để có thể giải được

hệ phương trình thủy nhiệt động lực học mô tả khí quyển thực

- Điều kiện biên và điều kiện ban đầu của các biến khí tượng là chưa hoàn

chỉnh và phụ thuộc khá nhiều vào địa hình Các trạm thám sát thưa thớt, đặc biệt

số liệu quan trắc và bộ số liệu này phải tương

, số liệu quan trắc có thể sẽ được phân tích về lưới dự báo hoặc

phẩm Trong trường hợp này

, điều quan trọng trong đánh giá mô hình là phải luôn ghi nhớ thủ tục kiểm tra lại số liệu quan trắc khi đánh giá kết quả

Để đánh giá một sản phẩm mô hình số có hiệu quả, yêu cầu đặt ra là những vấn đề quyết định cần giải quyết phải được làm cho mục đích đánh giá trước khi một hệ thống đánh giá được thiết lập “Đánh giá hành chính” trả lời câu hỏi về xu hướng trong kỹ năng và độ chính xác của mô hình và thường được

sử dụng để so sánh độ chính xác của hai mô hình khác nhau Tương tự như đánh giá các yếu tố thời tiết cho những mục đích hành chính, có một khuynh hướng nhằm giảm thiểu các kết quả chỉ bằng một vài con số thông qua việc sử dụng các điểm số tổng kết

“Phân loại ngoại bộ” ở đây có ý nghĩa là phân chia bộ số liệu đánh giá theo mùa hoặc theo thời gian chạy mô hình

Mục đích khoa học

Các tập số liệu dùng để đánh giá

Quản lý hành chính

Phân loại ngoại bộ

Phân loại theo không gian

Sai số trung bình tuyệt đối Sai số bình phương trung bình

Điểm kỹ năng (Độ suy giảm phương sai)

Khi phân loại theo không gian được tiến hành theo mục đích khoa học, các khu vực có quy mô dưới lưới được ưu tiên lựa chọn để phản ánh các chế độ khí hậu khác nhau như các khu vực có địa hình đồi núi, các vùng núi khuất gió, bờ biển,…

1.2.2 Phương pháp đánh giá đối với biến liên tục

1.2.2.1 Phương pháp toán đồ tụ điểm

Hình 1.3 Toán đồ tụ điểm cho dự báo gió biển Bên trái là trường hợp dự báo 00 giờ,

bên phải là trường hợp dự báo 36 giờ (số liệu lấy từ trạm phao)

Toán đồ tụ điểm là phương pháp đơn giản nhất, chủ yếu phục vụ cho các biến liên tục như nhiệt độ và gió, thường gồm tất cả các điểm số ứng với mỗi cặp dự báo – quan trắc tương ứng trên cùng một đồ thị với tung độ và hoành độ

có tỷ lệ như nhau Trường hợp lý tưởng là các điểm số nằm trên một đường thẳng đi qua gốc tọa độ và tạo với trục hoành một góc 450

(giá trị dự báo bằng giá trị quan trắc) Đường 450

này thường được vẽ ra để thuận tiện cho việc nội suy các điểm rời rạc

Hình 1.3 là một ví dụ về toán đồ tụ điểm cho dự báo gió biển Mỗi điểm

“x” đại diện cho ít nhất một lần xuất hiện của cặp dự báo – quan trắc riêng lẻ Trên mỗi đồ thị còn có một đường thẳng thứ hai mà có thể không đi qua gốc tọa

độ, đó chính là đường hồi quy bình phương tối thiểu tương ứng với tập số liệu

Hệ số tương quan = 0.789

Tốc độ gió mô hình PPR (kts) Tốc độ gió mô hình PPR (kts)

Hệ số tương quan = 0.595

Một đại lượng đánh giá khác có thể ước lượng từ đồ thị điểm là sai số bình phương hoặc độ lệch Hình 1.3 chỉ ra một đồ thị điểm khác cho dự báo nhiệt độ khách quan (sản phẩm mô hình thống kê) Tập số liệu mẫu là 701 trường hợp (số liệu này được lấy từ 11 trạm vùng Đại Tây Dương - CASSP) Trong đồ thị này không thấy xuất hiện các dấu “x” như đồ thị trước, thay vào đó

là các con số Các số trên đồ thị này biểu hiện số trường hợp các cặp giá trị nhiệt

độ quan trắc - dự báo tương ứng với đồ thị điểm

Một đồ thị điểm mô tả phân loại cơ bản từ tất cả các trường hợp được miêu tả riêng rẽ Điều này cho phép cân nhắc một cách linh hoạt cho phân tích

số liệu Giả sử -200

C và +100C được chọn như là ngưỡng của nhiệt độ cực trị, giá trị này có thể nhận được từ phân tích trên đồ thị Tất cả các điểm, ở đây nhiệt

độ quan trắc nằm trong giới hạn của cực trị và không có nhiệt độ dự báo được gọi là miền các sự kiện dự báo sót (missed events) và tất cả các điểm ở đây giá trị dự báo nằm trong phạm vi cực trị và không quan trắc được gọi là miền báo động sai (false alarms) Miền các sự kiện dự báo sót và miền báo động sai có thể thấy trên đồ thị Qua đồ thị có thể thấy, tất cả nhiệt độ có giá trị cao nhất đã bị

bỏ sót (dự báo dưới ngưỡng) trong khi đó nhiệt độ thấp xảy ra ở cả hai miền các

sự kiện dự báo sót và miền báo động sai

Phân loại trên cơ sở quan trắc chỉ cho phép nhận dạng miền các sự kiện

dự báo sót (đường ngang vẽ đậm ở các giá trị ngưỡng) Phân loại trên cơ sở dự báo chỉ cho phép nhận dạng được miền báo động sai (đường đứng vẽ đậm ở các giá trị ngưỡng) Từ đây có thể thấy rằng điều quan trọng nhất là phải sử dụng cả hai kiểu phân loại để nhận được thông tin đầy đủ và hoàn hảo về một sản phẩm đang được đánh giá Ví dụ những giá trị thấp nhất đã bị bỏ sót có thể lấy lại được đơn giản bằng cách tưởng tượng di chuyển tất cả các điểm trên đồ thị đến bên trái giá trị ngưỡng 100C, nhưng cái giá phải trả cho việc hiệu chỉnh này là sự tăng lên đột ngột trong miền báo động sai Điều này sẽ không nhìn thấy nếu

phân loại trên cơ sở của một mình quan trắc Do vậy luôn luôn có thể hiệu đính cho sự kiện cực trị đã bị bỏ sót

Phân loại trên cơ sở dự báo có lẽ có ích hơn cho hiểu biết về ý nghĩa thực của dự báo Thông tin chi tiết về ý nghĩa của dự báo cho các nhiệt độ khác nhau

có thể nhận được từ một chuỗi phân bố có điều kiện cho mỗi nhiệt độ dự báo hoặc cho phạm vi của nhiệt độ

1.2.2.2 Các chỉ số đánh giá

Trong các công thức dưới đây, Fi và Oi tương ứng là giá trị mô hình và giá trị quan trắc của một biến nào đó (nhiệt độ, lượng mưa), i=1,2,…, N, N là dung lượng mẫu

a Sai số trung bình (ME - Mean Error)

N 1

)OF(N

1

Giá trị của ME nằm trong khoảng (-∞, +∞) ME cho biết xu hướng lệch trung bình của giá trị dự báo so với giá trị quan trắc, nhưng không phản ánh độ lớn của sai số ME dương cho biết giá trị dự báo vượt quá giá trị quan trắc và ngược lại Mô hình được xem là “hoàn hảo” (không thiên lệch về một phía nào cả) nếu ME=0

b Sai số tuyệt đối trung bình (MAE-Mean Absolute Error)

N

1

O i F N

1

Giá trị MAE nằm trong khoảng (0,+∞) MAE biểu thị biên độ trung bình của sai số mô hình nhưng không nói lên xu hướng lệch của giá trị dự báo và quan trắc Khi MAE = 0, giá trị của mô hình hoàn toàn trùng khớp với giá trị quan trắc, mô hình được xem là “lý tưởng” Thông thường MAE được sử dụng cùng với ME để đánh giá độ tin cậy Chẳng hạn, nếu MAE của sản phẩm khác biệt hẳn so với ME thì việc hiệu chỉnh là hết sức mạo hiểm Trong trường hợp ngược lại, khi mà MAE và ME tương đối “sát” với nhau thì có thể dùng ME để hiệu chỉnh sản phẩm dự báo một cách đáng tin cậy

c Sai số bình phương trung bình MSE (Mean Square Error)

N 1 i

2 i

i O )F

(N

1

MSE là trung bình của tổng bình phương của hiệu giữa các giá trị mô hình và quan trắc, phản ánh mức độ dao động của sai số Mô hình là “lí tưởng” nếu MSE=0

d Sai số bình phương trung bình quân phương (RMSE - Root mean square Error)

N 1 i

2 i

F ( N

1

Sai số bình phương trung bình là một trong những đại lượng cơ bản và thường được sử dụng phổ biến cho việc đánh giá kết quả của mô hình dự báo số trị Người ta thường hay sử dụng đại lượng sai số bình phương trung bình quân phương (RMSE) biểu thị độ lớn trung bình của sai số Đặc biệt RMSE rất nhạy với những giá trị sai số lớn Do đó nếu RMSE càng gần MAE sai số mô hình càng ổn định và có thể thực hiện việc hiệu chỉnh sản phẩm mô hình Giống như MAE, RMSE không chỉ ra độ lệch giữa giá trị dự báo và giá trị quan trắc Giá trị của RMSE nằm trong khoảng (0,+ ∞)

Khi so sánh MAE và RMSE ta thấy: RMSE ≥ MAE Còn RMSE = MAE khi và chỉ khi tất cả các sai số có độ lớn như nha0u: RMSE = MAE =0

e Hệ số tương quan (Correlation coefficient)

N

i i N

i i

N

i

i i

O O F

F

O O F F r

1

2 1

2 1

) (

) (

) )(

(

(1 5)

Hệ số tương quan (r) cho phép đánh giá mối quan hệ tuyến tính giữa tập giá trị dự báo và tập giá trị quan trắc Giá trị của nó biến thiên trong khoảng -1 đến 1, giá trị hoàn hảo bằng 1 Giá trị tuyệt đối của hệ số tương quan càng lớn thì mối quan hệ tuyến tính giữa hai biến càng chặt chẽ Hệ số tương quan dương phản ánh mối quan hệ cùng chiều (đồng biến), ngược lại, hệ số tương quan âm biểu thị mối quan hệ ngược chiều (nghịch biến) giữa dự báo và quan trắc

1.2.3 Phương pháp đánh giá đối với dự báo pha

Đánh giá thống kê theo loại (categorical statistics) là loại tiêu chuẩn đánh giá sự phù hợp giữa sự xảy ra hiện tượng dự báo và hiện tượng quan trắc tại nút lưới

Các điểm số đánh giá được dựa vào bảng ngẫu nhiên sau (Damrath, 2002):

Hình 1.4 Sơ đồ biểu diễn các chỉ số phục vụ đánh giá chất lượng dự báo mưa

Hits (H) = dự báo có + quan trắc có

Misses (M) = dự báo không + quan trắc có

False alarms (F) = dự báo có + quan trắc không

Correct negatives (CN) = dự báo không + quan trắc không

Dưới đây là một vài điểm số thường dùng trong đánh giá dự báo mưa định lượng ở trên thế giới:

a Chỉ số FBI (BS hay FBI - Bias score): Đánh giá tỷ số giữa vùng dự báo và

vùng thám sát

FBI < 1: vùng dự báo nhỏ hơn vùng thám sát

FBI > 1: vùng dự báo lớn hơn vùng thám sát

FBI = 1: vùng dự báo trùng với vùng thám sát (giá trị lý tưởng)

M H

F H FBI

FBI là tỉ lệ giữa số lần có xảy ra hiện tượng theo mô hình và

theo quan trắc Giá trị FBI biến đổi trong khoảng từ 0 đến +∞

(1 6)

FBI càng nhỏ hơn 1 mô hình cho kết quả càng sai sót nhiều; FBI

càng lớn hơn 1 mô hình cho kết quả càng sai khống nhiều Đại lượng

FBI chỉ cho biết mức độ phù hợp giữa mô hình và quan trắc về tần số

xuất hiện nhưng không phản ánh độ chính xác của mô hình

b Xác suất phát hiện (Probability of Detection - POD)

M H

H POD

(1 7)

POD được hiểu là xác suất xuất hiện hiện tượng, bằng tỷ số giữa số lần trùng khớp giữa mô hình và quan trắc khi hiện tượng có xuất hiện (hits) và tổng

số lần xuất hiện hiện tượng trong thực tế POD cho biết khả năng thành công của

mô hình, có giá trị trong khoảng từ 0 đến 1, lý tưởng là POD = 1 (mô hình được xem là hoàn hảo) POD càng gần 1 thì độ chính xác của mô hình càng cao POD chỉ nhạy đối với những hiện tượng không dự báo được (misses events) chứ không nhạy đối với phát hiện sai (false alarms)

c Tỷ phần phát hiện sai (False Alarms Ratio - FAR)

F H

F

FAR cho biết tỷ lệ mô phỏng/dự báo khống của mô hình (mô hình cho kết quả có nhưng thực tế hiện tượng không xảy ra) Giá trị của FAR biến đổi từ 0 cho đến 1 FAR=0 khi F=0, tức tỷ lệ khống của mô hình bằng 0 Giá trị của FAR càng gần 0 thì mô hình càng tốt (tối ưu) Ngược lại, FAR càng tiệm cận tới 1 (tương đương với H tiến gần tới không) thì mô hình càng kém

d Điểm số thành công (Critical Success Index – CSI hay Threat Score – TS)

H F M

H TS

TS phản ánh mối quan hệ giữa số lần mô hình cho kết quả hiện tượng có xuất hiện và số lần quan trắc được hiện tượng có xuất hiện Nó có thể được xem như thước đo độ chính xác của mô hình khi bỏ qua không xem xét những trường hợp hiện tượng không xuất hiện Phạm vi biến thiên của TS từ 0 đến 1 TS=0 nghĩa là mô hình không có kỹ năng, TS=1 – mô hình là hoàn hảo

e Điểm số thành công hợp lý (Equitable Threat Score – ETS)

ETS có giá trị tốt nhất là 1

random

random

HHFM

HH

trong đó Hrandom là số dự báo đúng ngẫu nhiên xác định như sau

total

) M H (

* ) F H (

ETS cho biết mối quan hệ giữa số lần mô hình đúng (kể cả đúng do ngẫu nhiên) so với quan trắc trong những trường hợp hiện tượng có xuất hiện trong thực tế Phạm vi biến thiên của ETS là 1/3 đến 1 ETS=1 – mô hình là hoàn hảo Chỉ số ETS thường được dùng trong đánh giá dự báo mưa của mô hình số vì tính “công bằng” của nó Chỉ số này rất nhạy cảm với các dự báo đúng, vì nó xử

lý “F” và “M” theo cùng một cách, không phân biệt nguồn gốc của sai số dự báo

f Điểm số so le (Odds Ratio)

F

* M

CN

* H

g Điểm số Hanssen & Kuipers (HK hay TSS)

CN F

F M

H

H TSS

TSS phản ánh mức độ tách biệt giữa những kết quả của mô hình đối với các sự kiện có xảy ra và không xảy ra hiện tượng Giá trị của TSS nằm trong khoảng -1 đến 1 TSS=0 là mô hình không có kỹ năng, TSS=1 thì mô hình là hoàn hảo

h Độ chính xác (Percentage Correct – PC hay Fraction Correct - FC)

total

CN H

FC phản ánh tỷ lệ trùng khớp giữa kết quả của mô hình và quan trắc trong

cả hai pha có và không xuất hiện hiện tượng Giá trị của PC biến đổi trong khoảng từ 0 đến 1 Nếu mô hình là hoàn hảo, tức kết quả mô hình trùng khớp hoàn toàn với quan trắc thì PC bằng 1, ngược lại, PC sẽ bằng 0 nếu tất cả mọi trường hợp kết quả của mô hình đều ngược với quan trắc PC càng lớn độ chính xác mô phỏng, dự báo của mô hình càng cao

1.3 Cơ sở lý thuyết của phương pháp đánh giá fuzzy

Những dự báo có độ phân giải cao của các mô hình số trị có thể khá chính xác và cung cấp cho dự báo viên những thông tin rất hữu ích Tuy nhiên, khi đánh giá sử dụng các phương pháp truyền thống chúng lại thường có kết quả không tốt bởi vì rất khó khăn trong việc dự báo trùng khớp hoàn toàn với quan trắc ở độ phân giải cao Đánh giá “fuzzy” tiến tới trùng khớp bằng cách làm giảm yêu cầu về mức độ chính xác giữa dự báo và quan trắc Mấu chốt của cách tiếp cận fuzzy là việc sử dụng một cửa sổ không gian (spatial window) hoặc vùng lân cận các điểm dự báo và/hoặc quan trắc Việc xử lý số liệu trong cửa sổ

có thể bao gồm trung bình (nâng qui mô) hoặc ngưỡng phụ thuộc vào phương pháp fuzzy đặc biệt được sử dụng và mô hình giải quyết ẩn nó liên quan tới việc làm thế nào để có một dự báo tốt Kích thước của vùng lân cận có thể được thay đổi để cung cấp các kết quả đánh giá ở nhiều kích thước, do đó cho phép người

sử dụng xác định tại kích thước nào thì dự báo có kỹ năng tốt

Phương pháp đánh giá fuzzy cho phép vùng dự báo có thể không thật trùng khớp với vùng thám sát Mức chênh lệch cho phép được xác định bởi một vùng lân cận địa phương Sự khác nhau giữa phương pháp đánh giá truyền thống

và phương pháp đánh giá fuzzy được thể hiện trong Hình 1.5

Không phải dễ dàng chỉ ngay ra được kích thước vùng lân cận thích hợp

Nó còn phụ thuộc vào khoảng cách giữa các ô lưới, độ phân giải thời gian, và trạng thái thời tiết, vì vậy một giá trị đơn lẻ có thể không thích hợp cho tất cả các loại dự báo cũng như các miền tính

Phương pháp đánh giá fuzzy giải quyết được điều này bằng cách thay đổi kích thước của miền lân cận, bởi vậy nó đem lại các thông tin cho chất lượng dự báo như là một hàm của quy mô

(Đánh giá truyền thống)

c Dự báo (Đánh giá fuzzy)

Hình 1.5 a Miền quan trắc; b Đánh giá truyền thống (phải tương thích cả về không gian và thời gian giữa dự báo và quan trắc); c Đánh giá bằng phương pháp fuzzy

(vùng dự báo tính đến cả miền lân cận quanh điểm quan trắc)

Một số phương pháp đánh giá fuzzy giả định rằng các ô lưới lân cận của vùng quan trắc cũng được mở rộng tương ứng như vùng dự báo Đây là một trong những cách thể hiện sự không chắc chắn trong quan trắc Trường hợp này được thể hiện trong hình 1.6, được gọi là vùng quan trắc – vùng dự báo

a Quan trắc (Đánh giá fuzzy)

b Dự báo (Đánh giá fuzzy)

Hình 1.6 Cửa sổ quan trắc và dự báo của phương pháp đánh giá fuzzy

Để mô tả kỹ phương pháp đánh giá fuzzy, một số các ký hiệu được thiết lập như sau:

Gọi X là giá trị quan trắc trong một ô lưới, Y là giá trị dự báo trong ô lưới tương ứng sbiểu thị giá trị các ô lưới xung quanh điểm lưới đang xét, trong đó

s là quy mô lưới ( ) biểu thị giá trị trung bình toàn miền tính

Ix cho biết sự kiện quan trắc được trong hộp lưới (có xảy ra = 1, không xảy ra = 0), và Iy cho biết sự kiện dự báo được trong hộp lưới tương ứng I x svà

s y

I biểu thị các sự kiện quan trắc và dự báo trong vùng lân cận các hộp lưới đang xét Việc quyết định sử dụng phương pháp nào để xác định sự kiện trong vùng lân cận I s phụ thuộc vào từng phương pháp đánh giá fuzzy đang được sử dụng, như chúng ta sẽ xét đến dưới đây Một số phương pháp đòi hỏi I s phải được tách riêng, ví dụ như 0 hoặc 1, trong khi đó các phương pháp khác cho phép sử dụng các giá trị trung gian

Ký hiệu P x slà thành phần của hộp lưới tại vùng lân cận quan trắc và

s y

P là thành phần của hộp lưới tại vùng lân cận dự báo:

n y s

y n

x s

n P

I n

trong đó n là số ô lưới trong vùng dự báo

Bằng cách so sánh dự báo với các sự kiện quan trắc ta có thể tính được sai

số quy mô phụ thuộc E s dựa trên một so sánh các giá trị trong ô lưới X svà

s

Y trong vùng lân cận

Phương pháp đánh giá fuzzy khá đơn giản: Chọn một tập hợp các quy mô với các chỉ số: s = 1, 2, …., S và ngưỡng cường độ sự kiện với các chỉ số k = 1,

2, , K, thông qua đó để tính toán các kết quả đánh giá fuzzy

a Đối với mỗi quy mô s: Với mỗi điểm thám sát, thu thập các ô lưới dự báo trong cửa sổ quy mô s xung quanh điểm thám sát đó Nếu trường hợp là

“vùng thám sát – vùng dự báo” thì cũng thu thập những thám sát tương ứng trong cửa sổ tương ứng

b Đối với mỗi ngưỡng cường độ k quy mô tính toán ( I x s, I y s, P x s,

s y

P , E s)k phụ thuộc vào việc lựa chọn các biến của mô hình (được đề cập dưới đây)

c Đối với mỗi ngưỡng cường độ k có một điểm số đại diện cho toàn miền

Mỗi phương pháp đánh giá fuzzy cho kết quả là một ma trận (k x s) các điểm số đánh giá đối với các điểm số thay đổi tùy thuộc vào quy mô (s) và cường độ (k)

Bằng cách kiểm tra việc thực hiện dự báo theo cách này có thể quyết định được sự kết hợp quy mô, cường độ tại dự báo với độ phân giải cao hữu ích Kết quả đánh giá fuzzy có thể được tập hợp theo dự báo tháng, dự báo mùa, hoặc các hiện tượng thời tiết tương tự để tìm ra quy luật có tính hệ thống

a Các phương pháp đánh giá fuzzy đặc trưng

Tất cả các phương pháp đều sử dụng một trong hai loại đã được đề cập đến ở trên là: “một điểm quan trắc – một vùng dự báo”, và “một vùng quan trắc – một vùng dự báo” Tùy vào từng nhu cầu cụ thể về thông tin chất lượng dự báo mà người dùng có thể lựa chọn phương pháp phù hợp

a Nâng quy mô (Upscaling):

Là một trong những phương pháp đánh giá đơn giản và xuất hiện sớm nhất Các giá trị dự báo và quan trắc được lấy trung bình theo các quy mô tăng dần và được đem so sánh bằng cách sử dụng các điểm số truyền thống Mô hình đưa ra một dự báo có chất lượng thì tương thích với quan trắc khi lấy trung bình trong các quy mô lưới thô Yates và Cộng sự (CS) (2006) sử dụng cả các biến liên tục và các biến pha để đánh giá dự báo nâng quy mô, trong khi Zepeda-Arce

và CS(2000) và Weygandt cùng CS (2004) đánh giá dự báo mưa bằng cách sử dụng các điểm số truyền thống Trong trường hợp này quy tắc để tính toán các hiện tượng trong vùng lân cận là:

Nguong Y

1

Nguong Y

0 I

s

s s

y

Tương tự đối với I x s

b Độ phủ tối thiểu (Minimum coverage)

Damrath (2004) giả định rằng trong các vùng lân cận sự kiện quan trắc và

dự báo không có độ nhọn, tức là các hiện tượng có thể xảy ra ở bất cứ đâu trong vùng lân cận đó, với xác suất tương ứng là P x s và P y s Ông đã thử nghiệm với hai mô hình cơ bản Đầu tiên, thiết lập một độ phủ tiêu chuẩn tối thiểu, dự báo tốt nếu như các hiện tượng được dự báo vượt quá một xác suất phủ tối thiểu của vùng dự báo đã chọn, hiện tượng xảy ra trong vùng lân cận được xác định như sau:

e s

e s s

P P 1

P P 0 I

Trong đó Pe là giá trị nhỏ nhất trong vùng lân cận, giá trị đó phải nằm trong các hộp lưới của cả dự báo và quan trắc Yêu cầu đặt ra là hiện tượng phải xảy ra ít nhất một lần trong vùng lân cận đó Một số ứng dụng đòi hỏi các hiện tưởng phải xảy ra trong nửa vùng lân cận trước khi thiết lập I s= 1 Các điểm số

dự báo xác suất thường dùng là xác suất phát hiện POD, tỉ lệ báo động sai FAR, điểm cảnh báo ETS được tính cho các hiện tượng xảy ra trong vùng lân cận

c Fuzzy lôgic (Fuzzy logic)

Phương pháp lôgic được Damrath (2004) xác định các hiện tượng xảy ra trong vùng lân cận như xác suất của chính các thành phần trong hộp lưới:

Quan trắc

s x

Dự báo

s y

1- P y s P x s(1- P y s) (1- P x s)(1- P y s)

Các điểm số trong bảng này được tính từ các yếu tố trong bảng phía trên

d Bảng liên hợp các sự kiện (Multi-event contingency table)

Atger (2001) đã đưa ra một bảng liên hợp các sự kiện để ước lượng sự phù hợp giữa dự báo và quan trắc cho nhiều ngưỡng đã định Bảng liên hợp truyền thống 2x2 chỉ sử dụng cho một sự kiện đơn lẻ, các giá trị của biến không vượt quá một ngưỡng nhất định Bảng này không những có thể mở rộng các ngưỡng cường độ mà còn có thể tăng kích thước, ví dụ như kích thước về không

gian, thời gian Bất kỳ một thành phần lân cận nào I y scũng có thể được xác định theo nguyên tắc

e s

e s s

y

P P

P P I

1 0

Với Pe=1/n, tức là bắt buộc phải có ít nhật một sự kiện xảy ra trong hộp lưới dự báo, tương ứng với sự kiện quan trắc được ở tâm của cửa sổ quan trắc

“Một dự báo tốt là dự báo có ít nhất một sự kiện gần với sự kiện quan trắc được” Điều này cho thấy sai số dự báo là chấp nhận được

e Cường độ - quy mô (Intensity-scale)

Phương pháp này được đề xuất bởi Casati (2004), quy mô phụ thuộc vào

hiệu sai số, I y - I x , sử dụng mảng hai chiều Hiệu sai số I y I x stại mỗi quy mô

có thể coi như là tổng sai số trung bình tại quy mô lớn nhất và thay đổi tùy vào tính chất đặc trưng của quy mô đó Các giá trị bình phương trung bình được tính theo miền và phụ thuộc vào điểm kỹ năng (ss) có tính đến dự báo ngẫu nhiên không có kỹ năng Trường hợp này một dự báo tốt là dự báo đúng nhiều hơn là quan trắc sắp xếp ngẫu nhiên Phương pháp này không giống với các phương pháp khác, phương pháp này sử dụng cửa sổ rời rạc hơn là các cửa sổ động, chính vì vậy phương pháp này được thực hiện khá nhanh

f Điểm kỹ năng phần tử (Fractions skill score - FBS)

Phương pháp này được phát triển bởi Roberts (2005), so sánh trực tiếp các phần tử trong sự kiện trong các cửa sổ bao quanh vùng quan trắc và dự báo Nguyên tắc cơ bản của mô hình là một dự báo tốt khi tần suất các sự kiện dự báo gần trùng với tần suất các sự kiện quan trắc Thay vì suy luận từ các tần suất xuất hiện sự kiện các vùng lân cận, chúng được sử dụng trực tiếp để so sánh các điểm số Brier, như sau:

N

s x s

P N

2

) (

1 FBS

Trong đó N là số các ô lưới trong cửa sổ FBS là một trong những trường hợp (bằng một nửa) của điểm số Brier nhưng giá trị quan trắc lúc này chỉ nhận giá trị từ 0 đến 1 Kết quả có thể được biểu diễn như là một điểm số kỹ năng các phần tử

N N

s x s

P N

2 2

1

FBS 1

FSS

Số hạng thứ hai trong mẫu số là khả năng dự báo kém nhất để không có

sự chồng chéo giữa dự báo và quan trắc FSS nhận giá trị trong khoảng từ 0 đến

1, giá trị tối ưu bằng 1 Nếu độ lệch dự báo là P y s b P x s thì FSS tiến dần tới

2b/(b2-1) khi quy mô tăng lên

g Phương pháp tiếp cận thực tế (Pragmatic approach)

Phương pháp này sử dụng các dự báo trước trong một vùng lân cận các điểm quan trắc Thay vì đánh giá xác suất dự báo trong các ô lân cận dựa trên các quan trắc, trong miền lân cận được chọn để đánh giá dựa trên các giá trị quan trắc ở trung tâm hộp lưới Phương pháp này sử dụng điểm Brier (BS) và điểm kỹ năng Brier (BSS) để đánh giá các dự báo thành công Quyết định tới mô hình: Một dự báo tốt là dự báo có khả năng cao phát hiện sự kiện có xảy ra hay không Để xác định mức độ phát triển của dự báo thực tiễn nó được đem so sánh với đầu ra của mô hình, BSS được đối chiếu với đầu ra của mô hình mà có xác suất bằng 0 hoặc 1 tại điểm quan trắc Để áp dụng, thay vì tính toán BSS với lưu

ý đến khí hậu tiêu biểu trong toàn miền quan trắc

N

x x

N

x s y

I P N

I P N

2 2

) (

1

) (

1 1 BSS

h Phương pháp thực nghiệm hoàn hảo (Practically perfect hindcast)

Brooks (1998) đã phát triển một phương pháp đánh giá fuzzy để giải quyết vấn đề đánh giá các sự kiện hiếm Rất khó khăn nếu không nói là không thể để đạt được một dự báo hoàn hảo cho các sự kiện hiếm hoi, do đó, điểm số như số điểm cảnh báo (TS) thường có giá trị rất thấp Mục đích đưa ra các điểm

số đánh giá trong trường hợp này là so sánh nó với số điểm đạt được bằng một

"thực nghiệm hoàn hảo", đó là dự báo không gian đã được xác định bởi một kiến thức dự báo hoàn hảo của dự báo viên về các quan trắc trước đó

Nếu quan trắc trên một mạng lưới có độ phân giải cao (ví dụ, dữ liệu radar) thì xác suất P x scó thể được ước lượng từ quan trắc trong các vị trí lân cận Đối với mỗi quy mô nhất định, các ngưỡng xác suất được xác định như sau:

thresh s

thresh s

s

P P

P P I

1 0

Ngưỡng xác suất được đưa ra là giá trị điểm cảnh báo TS lớn nhất trên toàn miền khi I x s được đánh giá dựa trên việc xác định I x tương ứng được định nghĩa là vùng mưa sát thực Sử dụng ngưỡng dự báo xác suất I y sđược tính và

đánh giá với I x tương ứng

i Căn bậc hai có điều kiện của RPS (Conditional square root of RPS)

Germann và Zawadzki (2004) áp dụng phương pháp một điểm quan trắc – một vùng dự báo để đánh giá lượng mưa Tần suất xuất hiện của các giá trị dự báo giáng thủy tăng theo hàm lôga thời gian, được dùng để phân cấp các điểm số xác suất (RPS) Căn bậc hai của nó có thể được hiểu như là độ lệch chuẩn của xác suất Thông thường mưa quan trắc được dùng để đánh giá kết quả để so sánh với các sự kiện khác của dự báo Điểm số này là căn bậc hai của RPS (ký hiệu là CSRR)

0

CSRR

x

P RPS

Trong trường hợp này, dự báo rất hữu ích nếu nó có một xác suất cao phù hợp với giá trị quan sát

j Vùng liên đới RMSE (Area related RMSE)

Rezacova et al (2006) đề xuất, cách tiếp cận của phương pháp này là so sánh các giá trị dự báo lưới phân giải cao và quan trắc trong vùng lân cận để đưa

ra sai số quy mô phụ thuộc vào quan trắc E s Dự báo tốt là dự báo có độ phân

bố cường độ gần đúng với thám sát Phương pháp này tính toán diện tích liên quan đến sai số bình phương trung bình RMSE Các giá trị quan trắc và dự báo được sắp xếp từ nhỏ đến lớn sau đó RMSE được tính từ chuỗi số liệu được sắp xếp đó Quy mô phụ thuộc vào giá trị RMSE có thể được vẽ trên bản đồ hoặc chúng có thể được tổng hợp trên các miền

k Tóm tắt các phương pháp đánh giá fuzzy phổ biến

Tùy vào từng nhu cầu cụ thể về thông tin chất lượng dự báo mà người dùng có thể lựa chọn phương pháp phù hợp

NO-NF: Vùng lân cận quan trắc – vùng lân cận dự báo

SF-NF: Một điểm quan trắc – vùng dự báo lân cận

Bảng 1.1 Bảng tóm tắt các phương pháp đánh giá fuzzy phổ biến Phương pháp

Fuzzy

Loại

dự báo

Xác định mô hình dự báo

Đại lượng so sánh

Nguyên tắc xác định

s

I

Chỉ số truyền thống

Nâng quy mô

(uspcaling)

NO-NF

Tương tự với quan trắc khi tính trung bình các quy mô lưới thô

s x

s y

I 1 Y threshold

threshold Y

0 I

s

s s

BIAS,

TS, ETS

Độ phủ tối thiểu

(Minimum

Dự báo các hiện tượng vượt quá một phần tử nhỏ nhất của vùng đang xét

s x

s y

e s s

P P

P P I

1

FAR, ETS

Fuzzy lôgic (Fuzzy

logic)

NO-NF

Thích hợp cho các dự báo chuẩn hơn là các

dự báo sai

s x

s y

POD, FAR, ETS Bảng liên hợp các sự

kiện (Multi-event

contingency table)

SO-NF

Dự báo được ít nhất một hiện tượng tương thích với một hiện tượng quan trắc được

I x , I y s

e s

e s s

P P

P P I

s x

s y

FSS (liên quan đến 1 chủ đề) Phương pháp tiếp

ra hay không xảy ra

I x , I y s

optimal s s

s

P P

P P

I x , P y s -

CSRR (liên quan đến

Đại lượng so sánh

Nguyên tắc xác định

s

I

Chỉ số truyền thống

một chủ đề) Vùng liên đới

RMSE (Area related

RMSE)

NO-NF

Phân bố cường

độ gần đúng với thám sát

Chuỗi X,

b Ưu điểm của phương pháp đánh giá fuzzy

Thích hợp cho cả biến không liên tục;

Kết quả có thể dễ dàng nhận thấy bằng trực giác;

Có thể sử dụng để so sánh các dự báo với các độ phân giải khác nhau, biết được những quy mô nào có kỹ năng để đưa ra quy mô dự báo hữu ích và đáng tin cậy

1.4 Tình hình nghiên cứu chung liên quan đến đề tài trên thế giới và tại Việt Nam

Một số tác giả trên thế giới đã đưa ra sơ đồ chung đánh giá sản phẩm mô hình dự báo thời tiết số, như Henry R.Stanski, Laurence J Wilson và William R

Burrows (1990); Murphy, A.H và R.L Winkler (2004) …

Tuy nhiên tại mỗi quốc gia trên thế giới, các Cơ quan KTTV Quốc gia đều tự xây dựng cho riêng mình một hệ thống đánh giá mô hình NWP Theo kết quả điều tra trên quy mô toàn cầu vào năm 1997 của WMO (tổ chức Khí tượng thế giới), 57% các Cơ quan KTTV quốc gia có hệ thống đánh giá dự báo được chính thức dùng trong nghiệp vụ trong đó bao gồm cả đánh giá mô hình NWP Tuy nhiên, có sự khác biệt rất lớn về phương thức và bản chất của cách đánh giá giữa quốc gia này với quốc gia khác vì các phương pháp đánh giá được sử dụng hoàn toàn phụ thuộc vào đặc trưng riêng của từng loại sản phẩm dự báo, yếu tố

dự báo, cách xây dựng phương pháp dự báo, và đôi khi còn do yếu tố chủ quan của người xây dựng phương pháp đánh giá dự báo Trong nhiều năm qua, WMO

đã có những cố gắng để đưa ra những chuẩn mực thống nhất về đánh giá chất lượng dự báo (bao gồm cả dự báo NWP) cho các cơ quan KTTV Quốc gia nhưng vẫn chưa đạt được kết quả mong muốn Bởi vì mỗi quốc gia đều có những quy định, quy tắc riêng trong đánh giá chất lượng dự báo KTTV cho riêng quốc gia mình, phụ thuộc vào mục đích, yêu cầu, thực trạng công tác quan trắc đo đạc, công tác dự báo và trình độ khoa học công nghệ dự báo của quốc gia

đó

Tại một số nơi như Cơ quan khí tượng Australia (BOM), dự báo mưa từ

mô hình NWP được đánh giá so với lượng mưa quan trắc 24 giờ trên toàn lãnh thổ; độ phân giải của trường phân tích là 0.25°, và trường phân tích được quy về

độ phân giải của mô hình Các chỉ số đánh giá cơ bản là BIAS, RMSE và một số chỉ số khác áp dụng cho dự báo nhị phân (có/không) Tại Cơ quan Khí tượng Canada (CMC), người ta sử dụng các chỉ số BIAS và RMSE đối với các yếu tố như gió, nhiệt độ, điểm sương, khí áp mặt đất và độ cao địa thế vị; các chỉ số BIAS và TS cho các ngưỡng khác nhau được sử dụng để đánh giá mưa Tại Tổng cục khí tượng Trung Quốc (CMA), 400 trạm quan trắc đã được lựa chọn

kỹ để dùng vào việc đánh giá mưa từ mô hình NWP Các sản phẩm dự báo số và

dự báo khách quan được nội suy về vị trí các trạm này Các chỉ số được sử dụng

là BIAS và TS cho 1 số ngưỡng (0,1; 10; 25; 50 và 100 mm/24 giờ) Tại Cơ quan khí tượng Pháp (Meteo France), người ta đánh giá các yếu tố mưa, lượng mây, nhiệt độ và độ ẩm tại 2m, tốc độ gió, hướng gió, và cường độ gió giật Điểm lưới gần điểm quan trắc nhất được sử dụng để đánh giá với các chỉ số BIAS, RMSE và các chỉ số đánh giá cho dự báo nhị phân Tại Cơ quan khí tượng Nhật Bản (JMA) chỉ đánh giá mưa và nhiệt độ Số liệu quan trắc được biến đổi thành một lưới số liệu đồng nhất độ phân giải 80 km, và số liệu dự báo được so sánh với số liệu quan trắc này sử dụng các chỉ số BIAS, TS và ETS Tại

Cơ quan khí tượng Anh (UKMet), MSE được sử dụng để đánh giá nhiệt độ và gió, trong khi đó ETS lại được dùng để đánh giá mưa, lượng mây và tầm nhìn xa với các ngưỡng khác nhau Tại Cơ quan khí tượng Mỹ (NWS), chỉ có các yếu tố như nhiệt độ, gió, độ ẩm, lượng mưa, trường khí áp, độ cao địa thế vị được đánh giá Các chỉ số được sử dụng là BIAS, ETS, POD, FAR và Odds ratio

Tại Việt Nam, kể từ sau khi đưa vào áp dụng các mô hình dự báo số trị, cũng đã có một số nghiên cứu về đánh giá chất lượng dự báo mô hình số Tuy nhiên, các nghiên cứu này mới chỉ dừng lại ở việc đánh giá kỹ năng dự báo một

số yếu tố khí tượng bề mặt như lượng mưa, khí áp và nhiệt độ đối với một số mô hình đã chạy nghiệp vụ ở Việt Nam Các nghiên cứu đánh giá này mới chỉ áp dụng cho một số biến dự báo và một số khu vực nhỏ mà chưa thực hiện được một đánh giá tổng thể theo cả không gian, thời gian cũng như các hình thế thời tiết Đánh giá dự báo mưa, có tác giả Nguyễn Thị Thanh Bình (2002), Trần Quang Năng (2009), Nguyễn Văn Bảy (2004) Đánh giá kết quả dự báo nhiệt độ,

có tác giả Vũ Anh Tuấn (2003) Đánh giá kết quả trường áp, tác giả Nguyễn Văn

Bảy (2004) Hoàng Đức Cường (2004), Nghiên cứu thử nghiệm áp dụng mô

hình khí tượng động lực quy mô vừa MM5 trong dự báo hạn ngắn ở Việt Nam,

Viện Khoa học Khí tượng Thủy văn và Môi trường – Đề tài cấp Nhà nước

Hoàng Đức Cường (2007), Nghiên cứu thử nghiệm dự bao mưa lớn ở Việt Nam

bằng mô hình MM5, Viện Khoa học Khí tượng Thủy văn và Môi trường – Đề tài

cấp Nhà nước; Đỗ Lệ Thủy (2009), Nghiên cứu xây dựng hệ thống dự báo các

yếu tố khí tượng bằng phương pháp thống kê trên sản phẩm mô hình HRM,

Trung tâm Khí tượng Thủy văn Quốc gia – Đề tài cấp Nhà nước Ngoài ra trong Báo cáo tổng kết đề tài NCKH cấp Bộ tác giả Dương Liên Châu – Nguyễn Viết Thi (2007) có xây dựng hệ thống chỉ tiêu đánh giá chất lượng dự báo Khí tượng Thủy văn

Hiện nay Cục Khí tượng Thủy văn và Biến đổi khí hậu đang thực hiện đề

tài cấp Bộ “Nghiên cứu xây dựng và phát triển hệ thống đánh giá khách quan

các sản phẩm của mô hình dự báo số cho khu vực Việt Nam” nhằm xây dựng

được hệ thống đánh giá khách quan các sản phẩm dự báo số trị, qua đó tổ chức đánh giá và so sánh chất lượng dự báo của các mô hình dự báo thời tiết số trị hiện có tại Việt Nam, do thạc sỹ Nguyễn Thị Bình Minh chủ nhiệm đề tài, hoàn

thành trong tháng 12 năm 2011

CHƯƠNG 2 KHÁI QUÁT VỀ CÁC MÔ HÌNH DỰ BÁO THỜI TIẾT SỐ

HRM, MM5 VÀ NGUỒN SỐ LIỆU SỬ DỤNG 2.1 Giới thiệu về mô hình MM5

2.1.1 Giới thiệu mô hình

Mô hình khí tượng động lực quy mô vừa thế hệ thứ 5 (MM5) của Trung tâm Quốc gia Nghiên cứu Khí quyển Mỹ (NCAR) và Trường Đại học Tổng hợp Pennsylvania Mỹ (PSU) là thế hệ mới nhất trong một loạt các mô hình dự báo được Anthes phát triển từ những năm 1970 Qua quá trình thử nghiệm, mô hình đã được điều chỉnh và cải tiến nhiều lần nhằm mô phỏng tốt hơn các quá trình vật lý quy mô vừa và có thể áp dụng đối với nhiều đối tượng sử dụng khác nhau Phiên bản 3.5 (MM5V3.5) của mô hình ra đời năm 2001 đã được điều chỉnh, cải tiến thêm so với các phiên bản trước trong các mảng: Kỹ thuật lồng ghép nhiều mực; Động lực học bất thuỷ tĩnh; Đồng hoá số liệu 4 chiều; Bổ sung lựa chọn các sơ

đồ tham số hoá vật lý; Kỹ thuật tính toán

Mô hình MM5 sử dụng hệ thống lưới lồng (nesting grid) nhằm mô phỏng tốt hơn các quá trình vật lý có quy mô nhỏ hơn bước lưới của miền tính ban đầu

Về lý thuyết, MM5 cho phép lồng ghép tối đa 9 khu vực Tỷ lệ của độ phân giải (ĐPG) theo phương ngang của miền tính trong so với miền tính ngoài luôn là 3:1

Số liệu ban đầu và điều kiện biên phụ thuộc vào thời gian cho mô hình MM5 được lấy từ các trường phân tích và dự báo từ mô hình toàn cầu GFS GFS

là mô hình phổ toàn cầu của Trung tâm dự báo môi trường Mỹ (NCEP-National Centers for Environmental Predictions)

2.1.2 Cấu trúc mô hình

Các mô đung chính của MM5 gồm:

- Môđun TERRAIN

TERRAIN là mô đun đầu tiên của hệ thống mô hình dự báo MM5, dùng

để nội suy phương ngang các dữ liệu về độ cao địa hình và thảm thực vật (land use), loại hình bề mặt đất, ranh giới đất – nước, cho các miền tính Trường số liệu đưa vào ở đây bao gồm:

+ Độ cao địa hình;

số liệu được lấy làm đầu vào cho MM5) vào lưới tính của mô hình dựa vào các phép chiếu bản đồ đã được định nghĩa trong khi thực hiện tính toán ở môđun TERRAIN

- Môđun INTERPF

Chức năng chính của môđun INTERPF là:

+ Nội suy số liệu khí tượng theo chiều thẳng đứng vào lưới mô hình; + Bổ sung các trường bề mặt như khí áp, nhiệt độ không khí;

+ Xử lý mô hình bất thuỷ tĩnh nguyên thuỷ

2.1.3 Hệ các phương trình thủy nhiệt động lực của MM5

- Phương trình xu thế khí áp;

- Phương trình xu thế nhiệt độ;

- Các phương trình chuyển động ngang và thẳng đứng;

2.1.4 Điều kiện biên

- Điều kiện biên xung quanh

Để chạy mô hình dự báo thời tiết khu vực yêu cầu phải có điều kiện biên

xung quanh Trong MM5, ở bốn biên xung quanh ta phải xác định các biến nhiệt

độ (T), độ ẩm tương đối (RH), áp suất hoặc độ cao địa thế vị (H), các thành phần gió ngang (U, V) và có thể cả các trường vật lý vi mô như là mây nếu cần thiết Các giá trị biên có thể lấy từ phân tích trong tương lai, từ mô phỏng của lưới thô hơn trước đó (tương tác một chiều) hoặc từ các mô hình dự báo khác (trong dự báo thời gian thực) Đối với dự báo thời gian thực, giá trị biên thường lấy mô hình dự báo toàn cầu Trong các trường hợp nghiên cứu điều kiện biên có thể lấy

từ số liệu phân tích được tăng cường từ các thám sát bề mặt và cao không

- Điều kiện biên bức xạ:

Điều kiện biên trên bức xạ được thiết lập trên cơ sở lí thuyết sau:

+ Áp dụng vào khí quyển thì các quá trình khí quyển có thể mô tả bằng các phương trình tuyến tính hoá;

+ Tính ổn định tĩnh và dòng trung bình được coi là hằng số;

+ Hiệu ứng Coriolis được bỏ qua;

+ Áp dụng được đối với gần đúng thuỷ tĩnh

Việc thiết lập RUBC trong các mô hình phổ là tương đối đơn giản, nhưng phức tạp hơn đối với những mô hình nút lưới

2.1.5 Các quá trình tham số hóa

Tham số hóa các quá trình khí quyển quy mô dưới lưới trong MM5 gồm có:

- Tham số hóa đối lưu: Được chia làm 03 nhóm chính là thích ứng đối

lưu, đối lưu xuyên thủng và sơ đồ dựa trên mô hình mây tích Hiện nay có nhiều

sơ đồ tham số hóa đối lưu như sơ đồ của Manabe và các cộng sự, Betts và Miller, Arakawa và Shubert, Grell, Frank, và Cohen

- Tham số hóa các quá trình vi mô trong mây: Vai trò chính của các sơ đồ

vi vật lý mây trong mô hình số trị là: Xử lý các quá trình mây và mưa quy mô ưới; Có thể tính toán đến pha băng và tạo hạt đá; Tính toán xu thế nhiệt, các biến

l-ẩm, và mưa không phải do đối lưu; và cung cấp các thông tin và tính chất của mây cho các sơ đồ bức xạ

Tham số hóa các quá trình vi mô trong mây gồm có Sơ đồ Simple Ice, Sơ

đồ Mixed-phase và sơ đồ Warm Rain và một số sơ đồ khác ít phổ biến hơn