Nghiên cứu đồng hóa số liệu vệ tinh trong mô hình WRF để dự báo mưa lớn ở khu vực Trung Bộ

Cùng với những cố gắng trong việc tính toán, mô phỏng chi tiết các quá trình vật lý liên quan tới thời tiết, các nhà khoa học trong và ngoài nước còn có rất nhiều cố gắng trong việc cải

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

NGUYỄN THỊ THANH

NGHIÊN CỨU ĐỒNG HOÁ SỐ LIỆU VỆ TINH TRONG MÔ HÌNH

WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội-2010

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

NGUYỄN THỊ THANH

NGHIÊN CỨU ĐỒNG HOÁ SỐ LIỆU VỆ TINH TRONG MÔ HÌNH

WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ

Chuyên ngành: Khí tượng – khí hậu

LỜI CẢM ƠN

Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới GS TS Trần Tân Tiến, là người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này

Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy văn - Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn quý giá, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian tôi học tập ở Khoa

Tôi xin cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự nhiên

đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn

Tôi cũng xin cảm ơn ban lãnh đạo Viện Khoa học Khí tượng Thủy văn

và Môi trường, đặc biệt là ban lãnh đạo Trung tâm Nghiên cứu Biển và tương tác Biển – Khí quyển đã hết sức giúp đỡ tạo điều kiện giúp tôi hoàn thành luận văn

Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân

và bạn bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều kiện tốt nhất cho tôi trong suốt thời gian học tập tại trường

Nguyễn Thị Thanh

MỤC LỤC

MỞ ĐẦU 5 CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO MƯA BẰNG

PHƯƠNG PHÁP SỐ TRỊ VÀ ĐỒNG HOÁ SỐ LIỆU VỆ TINH

7

1.1 Tổng quan về dự báo mưa bằng phương pháp số trị 7

1.2 Dữ liệu vệ tinh và sự cần thiết của dữ liệu vệ tinh trong dự báo

thời tiết

9

1.3 Những nghiên cứu trên thế giới và ở Việt Nam về đồng hoá số

liệu vệ tinh trong mô hình số trị

2.2 Vấn đề đồng hoá số liệu vệ tinh trong mô hình WRF 29

2.3 Đồng hoá dữ liệu vệ tinh MODIS trong mô hình WRF 39

2.4 Các chỉ tiêu đánh giá kết quả dự báo mưa 40

CHƯƠNG 3: KẾT QUẢ ĐỒNG HÓA SỐ LIỆU VỆ TINH

TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU

VỰC TRUNG BỘ

44

3.1 Nguồn số liệu 44

3.2 Cấu hình được lựa chọn 45

3.3 Kết quả dự báo mưa của một số trường hợp điển hình 46

3.4 Đánh giá kết quả dự báo các đợt mưa lớn ở khu vực Trung Bộ

trong hai năm 2007 - 2008

62

KẾT LUẬN 66 KIÊN NGHỊ 66 TÀI LIỆU THAM KHẢO 67

MỞ ĐẦU

Hàng năm, ở Việt Nam, đặc biệt là khu vực Miền Trung, thiên tai có nguồn gốc mưa lớn như lũ lụt, lũ quét, sạt lở đất, gây thiệt hại vô cùng to lớn về người và tài sản Bên cạnh đó, chúng còn gây ra rất nhiều vấn đề về xã hội, an ninh, quốc phòng Mưa lớn ở khu vực Miền Trung thường xảy ra do ảnh hưởng của các hình thế thời tiết khác nhau như giải hội tụ nhiệt đới (ITCZ), front lạnh, bão, áp thấp nhiệt đới, Trong một số trường hợp, sự kết hợp của nhiều hệ thống thời tiết khác nhau làm cho mưa lớn diễn ra phức tạp hơn Sự tương tác giữa hoàn lưu khí quyển và địa hình núi cao của dãy núi Trường Sơn làm cho mưa lớn thường xảy ra trên diện rộng và kéo dài Do đó,

dự báo mưa lớn và nâng cao chất lượng dự báo mưa lớn là một vấn đề đặc biệt quan trọng ở khu vực Miền Trung

Dự báo mưa lớn là một trong những mục tiêu quan trọng của dự báo số trị quy mô vừa Tuy nhiên, do thiếu chính xác của trường ban đầu cũng như tính phi tuyến trong bài toán khí tượng, các kết quả dự báo từ mô hình số trị vẫn chứa những sai số lớn Cùng với những cố gắng trong việc tính toán, mô phỏng chi tiết các quá trình vật lý liên quan tới thời tiết, các nhà khoa học trong và ngoài nước còn có rất nhiều cố gắng trong việc cải thiện trường số liệu ban đầu (vốn là trường phân tích của mô hình toàn cầu) cho mô hình số trị khu vực bởi các số liệu quan trắc địa phương và phi truyền thống như vệ tinh, radar nhằm nâng cao chất lượng dự báo Các quan trắc mặt đất và thám không vô tuyến cung cấp thông tin tương đối chính xác về các trường khí tượng bề mặt và trên cao Tuy nhiên, mạng lưới quan trắc này khá thưa cả về không gian và thời gian, đặc biệt rất ít hoặc không có quan trắc ở trên biển Trong những năm gần đây, việc cải tiến công nghệ viễn thám cho phép quan trắc khí quyển bằng vệ tinh ở những nơi không có hoặc thiếu các số liệu quan trắc, đồng thời, những quan trắc này có độ phân giải cao hơn so với các quan trắc truyền thống Vì vậy, dữ liệu vệ tinh khí tượng ngày càng được ứng dụng rộng rãi trong việc phát hiện, theo dõi, cảnh báo các hiện tượng thời tiết nguy

hiểm cũng như tăng cường thông tin về trường ban đầu cho mô hình số trị khu vực

Trên thế giới đã có nhiều tác giả nghiên cứu về bài toán đồng hóa số liệu vệ tinh cho mô hình số và đạt được những kết quả khả quan trong dự báo thời tiết, cũng như dự báo các hiện tượng thời tiết cực đoan như mưa lớn, bão,…Ở Việt Nam, đồng hóa số liệu, đặc biệt là đồng hóa số liệu vệ tinh vẫn còn là vấn đề mới mẻ, chưa có nhiều tác giả nghiên cứu Chính vì vậy, trong luận văn này, chúng tôi sẽ tiến hành tìm hiểu và áp dụng phương pháp đồng hóa 3DVAR cho mô hình WRF để đồng hóa dữ liệu vệ tinh nhằm góp phần nâng cao chất lượng dự báo mưa Khu vực Trung Bộ

Bố cục luận văn gồm các phần:

Mở đầu Chương 1: Tổng quan về dự báo mưa bằng mô hình số trị và đồng hoá

số liệu vệ tinh

Chương 2: Đồng hoá số liệu vệ tinh trong mô hình WRF Chương 3: Kết quả ứng dụng đồng hoá số liệu vệ tinh trong mô hình WRF để dự báo mưa lớn ở khu vực Trung Bộ

Kết luận

CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO MƯA BẰNG PHƯƠNG

PHÁP SỐ TRỊ VÀ ĐỒNG HOÁ SỐ LIỆU VỆ TINH 1.1 Tổng quan về dự báo mưa bằng phương pháp số trị

Dự báo mưa luôn là một trong những nhiệm vụ khó khăn nhất trong khí tượng nghiệp vụ mặc dù trên thực tế, trong vài thập kỷ qua, chất lượng dự báo thời tiết nói chung và dự báo mưa nói riêng đã được cải thiện đáng kể Mưa sinh ra do tác động phối hợp của hầu hết các yếu tố khí tượng, và là yếu tố biến động rất mạnh theo không gian và thời gian Rất nhiều các quá trình có thể dẫn đến mưa như: hội tụ ẩm qui mô lớn, đối lưu sâu, các quá trình gần bề mặt, Do vậy, dự báo tốt mưa trên một vùng lớn có nghĩa là dự báo tốt tất cả các biến khí tượng khác

Hiện nay, ở các nước phát triển phương pháp số là phương pháp dự báo thời tiết chính thống Ở Châu Âu, phương pháp này bắt đầu phát triển từ những năm 50 của thế kỷ XX, trong đó sự đầu tư cao nhất cho hướng nghiên cứu phát triển này của Liên minh Châu Âu được tập trung ở Trung tâm Dự báo thời tiết hạn vừa Châu Âu (ECMWF) Tuy nhiên, cho đến trước những năm 80 của thế kỷ XX, các nghiên cứu phát triển về lý thuyết cũng như ứng dụng chủ yếu vẫn chỉ quan tâm đến các khu vực ngoại nhiệt đới của Châu Âu

và Mỹ Dự báo thời tiết ở nhiệt đới nói chung và bằng phương pháp số nói riêng ở thời kỳ này còn nhiều khó khăn do hạn chế về động lực học lý thuyết cho vùng nhiệt đới-xích đạo Thời kỳ 1984-1985 ở ECMWF đã có những cải tiến to lớn trong dự báo nghiệp vụ bằng mô hình toàn cầu cho các vùng nhiệt đới, đó là, việc đưa vào mô hình sơ đồ tham số hoá đối lưu (TSHĐL) nông, biến đổi TSHĐL sâu, một sơ đồ mây mới và tăng độ phân giải ngang của mô hình Trên qui mô toàn cầu, nghiên cứu của Tiedtke và cộng sự (1988) [32] đã đánh giá tác động của tổ hợp vật lý và tăng độ phân giải ngang đối với sai số

hệ thống trong dự báo nghiệp vụ ở nhiệt đới của ECMWF Việc tăng độ phân giải ngang trong các mô hình dự báo thời tiết nghiệp vụ (Black, 1994; Rogers

và cộng sự, 1998) [11], [36] nhìn chung nâng cao chất lượng dự báo mưa định

lượng (QPF) Khi độ phân giải ngang tăng, mô hình có thể nắm bắt được chuyển động thẳng đứng tốt hơn dẫn tới làm tăng các cực trị mưa dự báo (Weisman và cộng sự, 1997) [46]

Zhang và cộng sự (1994) [48] cũng đã nhận thấy rằng, việc nghiên cứu quan hệ giữa mưa qui mô dưới lưới và qui mô lưới có tác động đáng kể đến kết quả mô phỏng trong trường hợp độ phân giải ngang còn đủ thô để sử dụng

sơ đồ TSHĐL Hong và Pan (1998) [19] cho thấy vị trí của mưa qui mô lưới

bị ảnh hưởng nhiều bởi TSHĐL hơn là việc thay đổi phương pháp tính mưa qui mô lưới Mặt khác, thời gian kích hoạt của cả sơ đồ TSHĐL và sơ đồ ẩm hiển có tác động đáng kể đối với mưa mô phỏng (Grell, 1993) [18] và có thể thay đổi với các sơ đồ khác nhau

Những cải tiến trong thám sát và phương pháp đồng hóa số liệu để cải tiến trường ban đầu cho mô hình góp phần quan trọng trong việc nâng cao chất lượng dự báo mưa (Spencer và Stensrud, 1998) [43] Best (1956) [13] đã chỉ ra rằng sai số trong trường ban đầu của một mô hình dự báo thời tiết số bất kỳ sẽ khuếch đại theo thời gian dự báo, thậm chí sai số nhỏ trong trường gió mực 500mb gây nên sai số đáng kể về hội tụ và phân kỳ trong trường dự báo Huo và cộng sự (1995) [20] đã nghiên cứu độ nhạy của trường ban đầu trong dự báo các trường trong bão, kết quả cho thấy sự thay đổi nhỏ trong trường gió ban đầu tạo nên sự thay đổi lớn trong dự báo quỹ đạo bão và trường mưa dự báo Yoshinori và cộng sự (2009) [49] đã đồng hoá số liệu lượng hơi nước ngưng tụ (PWV) từ hệ thống GPS bằng mô hình MSM, kết quả cho thấy cải thiện đáng kể vùng hội tụ phía bắc của áp thấp nhiệt đới và vùng mưa dự báo

Ở nước ta, trong những năm gần đây, các công trình nghiên cứu trong lĩnh vực dự báo mưa lớn bằng mô hình số trị cũng đã được thực hiện Trần Tân Tiến (2004) [6] đã nghiên cứu sự phụ thuộc vào độ phân giải lưới của hai

sơ đồ TSHĐL là Kuo và Kain Fristch trong dự báo mưa lớn ở khu vực Miền Trung bằng mô hình RAMS Kiều Thị Xin (2005) [8] đã áp dụng mô hình

HRM để dự báo mưa lớn diện rộng ở Việt Nam Hoàng Đức Cường (2008) [1] đã xây dựng hệ thống tổ hợp 9 dự báo thành phần bằng cách lựa chọn các phương án sử dụng sơ đồ tham số hoá vật lý khác nhau của mô hình MM5 để

dự báo mưa lớn ở Việt Nam Chu Thị Thu Hường (2007) [3] đã nghiên cứu thử nghiệm dự báo mưa thời hạn từ 1 đến 3 ngày cho khu vực Trung bộ bằng

mô hình WRF Vũ Thanh Hằng (2008) [5] đã nghiên cứu tác động của tham

số hóa đối lưu đối với dự báo mưa bằng mô hình HRM ở Việt Nam

1.2 Dữ liệu vệ tinh và sự cần thiết của dữ liệu vệ tinh trong dự báo thời tiết

Trong suốt thập kỷ vừa qua, ảnh vệ tinh nhận được dựa vào các đầu đo cảm ứng, các đầu đo này đã cung cấp cho các nhà khoa học những tập số liệu toàn cầu thực và khách quan về những diễn biến của bầu khí quyển Chúng đã làm một cuộc cách mạng trong khả năng thám sát sự tiến triển của khí quyển trái đất Công nghệ viễn thám cung cấp cho ta thám sát quanh trái đất, và trong phần lớn trường hợp chúng thích hợp và thực hơn so với thám sát từ bề mặt đất

Những thông tin số liệu vệ tinh thu được hiện nay, cho phép chúng ta

có thể theo dõi liên tục, phân tích và xác định được các yếu tố về trường nhiệt, ẩm, gió, trường mây (các quá trình hình thành và phát triển của mây, trường nhiệt độ đỉnh mây, độ cao mây, phân loại sơ bộ mây theo các cấp độ cao, xác định được lượng ẩm trong khí quyển, hàm lượng nước trong mây, vùng mây gây mưa, giông,…) Những thông tin này giúp các nhà khoa học thời tiết xác định và dự báo được quá trình hình thành, phát triển các hiện tượng thời tiết cũng như định lượng các thông số về các yếu tố mây, độ ẩm khí quyển, lượng nước chứa trong mây, lượng mưa trên trái đất để từ đó làm

cơ sở cho việc nghiên cứu thực hiện các dự án về quá trình tạo mây, mưa…Mặt khác, dữ liệu vệ tinh đã được ứng dụng rất hiệu quả trong mô hình

dự báo thời tiết số trị thông qua việc đồng hóa số liệu để nâng cao chất lượng

dự báo

Bảng 1.1 trình bày các quan trắc cơ bản từ vệ tinh có khả năng cung cấp dữ liệu cho mô hình dự báo quy mô vừa, ngoài ra chúng ta còn có thể đồng hoá dữ liệu bức xạ trực tiếp từ vệ tinh

Bảng 1.1: Các thông tin vệ tinh được sử dụng trong đồng hoá số liệu

Thành phần Thiết bị đo

Nhiệt độ khí quyển AVHRR, HIRS, AIRS/AMSU-A, MLS,

HIRDLS, TES, MODIS

Độ ẩm khí quyển AIRS/AMSU-A/HSB, MLS, HIRDLS,

MODIS, TES

Các đặc tính của mây

(Tổng lượng mây, độ cao đỉnh mây, các đặc tính quang học)

MODIS, GLAS, AMSR-E, MISR, AIRS, ASTER, SSM/I

(ôZôn, ClO, BrO, OH)

TES, MLS, HIRDLS, OMI

Đặc tính của Xon khí

(Đối lưu, bình lưu)

HIRDLS, MODIS, MISR, OMI, GLAS Khí quyển

Véc tơ dịch chuyển khí quyển (AMV): cloud motion vector (CMV);

water vapor winds (WVW)

các vệ tinh địa tĩnh

Trường gió bề mặt Sactterometer (ERS, QSCAT),

AMSR-E, DORIS, SSM/I Nhiệt độ mặt nước biển MODIS, AIRS, AMSR-E, SSM/I Địa hình bề mặt biển

(height, waves, sea level)

Altimeter, DORIS

Diệp lục và các vật chất

lơ lửng trong biển

MODIS, MERIS Đại dương

Băng biển AMER-E

Đất bao phủ và đất sử dụng

MODIS, MISR, ASTER

Độ ẩm đất AMSR-E

Nhiệt độ bề mặt MODIS, AIRS, ASTER

Đất

Dưới đây là một số phương pháp ước lượng các trường khí tượng từ dữ liệu vệ tinh nhằm phục vụ bài toán đồng hoá số liệu

1.2.1 Phương pháp tính hàm lượng ẩm trong mây (LWC) sử dụng dữ liệu của vệ tinh CloudSat (NASA)

CloudSat là vệ tinh quỹ đạo cực được thiết kế nhằm khảo sát các đặc tính quang học của mây trên toàn cầu của NASA CloudSat mang theo đầu thu ở tần số 94Ghz Sản phẩm hàm lượng ẩm trong mây (LWC) tính được từ

dữ liệu của CloudSat hiện nay có độ chính xác cao và được sử dụng nhiều trong việc hiệu chỉnh LWC từ các dữ liệu khác Sau đây là phương pháp tính LWC từ dữ liệu CloudSat

Giả sử các hạt mây có phân bố kích thước dạng chuẩn:

(1.1) trong đó NT là mật độ hạt, r là kích thước hạt và các tham số còn lại tính theo biểu thức:

(1.2) trong đó rg là bán kính trung bình, σg là độ lệch trung bình

Lượng nước trong mây LWC ký hiệu là l tính theo công thức:

(1.3) với re là bán kính hạt hiệu dụng và ρw là mật độ của nước

Độ phản xạ radar Z và hệ số suy yếu thị phổ σext:

(1.4)

(1.5)

Sử dụng các công thức trên ta có:

(1.6) Một số giá trị điển hình LWC với re và NT được trình bày trong bảng 2

Bảng 1.2: Một số giá trị tương ứng giữa LWC và các tham số khác

Môi

trường

hạt mây (µm)

r e (µm)

phát triển)

Lục địa

cumulonimbus (đang 7-8 9-10 ~300 1.0-1.5

cirrus (T < -500C) - 57 0.02 0.002

1.2.2 Tính lượng hơi nước trong khí quyển bằng công nghệ split - window

Công nghệ split-window (Saunders, 1967; Anding và Kauth, 1970;

McMillin và Crosby, 1984) được sử dụng để tính lượng hơi nước trong khí

quyển từ 2 kênh phổ của một “cửa sổ khí quyển”

Giả thiết hàm Plack là hàm tuyến tính địa phương trong cửa sổ hồng ngoại, phương trình truyền bức xạ ứng với hai kênh phổ được cho như sau:

A B

T T

T T

−

−

= 1

1 2

1τ

τ

(1.9) trong đó: Ts là nhiệt độ bức xạ bề mặt; TA nhiệt độ bức xạ trung bình

khí quyển; τ1,τ2 là độ truyền bức xạ từ bề mặt đến vệ tinh của hai kênh phổ;

TB1, TB2 là nhiệt độ bức xạ đo được từ vệ tinh tương ứng với 2 kênh phổ

Mặt khác, sự khác biệt của độ truyền bức xạ là do sự khác biệt của hệ

số hấp thụ của hơi nước với 2 kênh phổ Ta có:

τ

cos ) (

2

1 U (1.10) Lượng hơi nước trong khí quyển được tính:

) ln(

cos

2

1 1

A B

T T

T T U

θ (1.11)

trong đó: β1, β2 là hệ số hấp thụ khối của hơi nước đối với 2 bước sóng ứng 2 kênh phổ; θ là góc thiên đỉnh

1.2.3 Ước lượng nhiệt độ từ số liệu ảnh hồng ngoại của vệ tinh GOES

Đo đạc nhiệt độ bằng viễn thám dựa trên nguyên tắc là một đối tượng bất kì phát bức xạ điện từ tương ứng với nhiệt độ bước sóng và khả năng phát

xạ của nó Đối tượng nhận biết ở đây là mây, bề mặt đất, mặt nước biển Nhiệt độ nhận biết được bằng cảm biến kế nhiệt gọi là nhiệt độ chói Sau khi xác định được nhiệt độ chói bằng cách nghịch đảo hàm Planck :

(1.12)

Ta coi độ chói mà vệ tinh ghi được đúng bằng độ chói thực tế của bề mặt đối tượng quan trắc ta sẽ xác định được nhiệt độ thực

Bảng 1.3: Các hệ số tỷ xích thiết bị ghi hình vệ tinh GOES

Ước lượng nhiệt độ từ số liệu ảnh hồng ngoại vệ tinh địa tĩnh qua số hiệu định dạng GVAR (format truyền số liệu của GOESI-M), `của vệ tinh GOES-8 và GOES-9 hai vệ tinh này có độ phân giải số liệu ảnh hay còn gọi là mức lượng tử là 10 bits tương đương là 1024 tông màu và số liệu thám sát thẳng đứng là 16 bits Từ số liệu ghi trên ảnh số sẽ chuyển đổi được về độ chói bức xạ bằng phương trình:

R = (XG - B)/ M (1.13) Trong đó R là độ chói bức xạ đo bằng mW/(m2-sr-cm-1), XG là trị số

đo GVAR, các hệ số B và M là tỷ xích nghiêng và phẳng tương ứng được cho

−

trước như trong bảng 1.3 Chúng chỉ phụ thuộc vào kênh và loạt (series) vệ

tinh cụ thể, mà không phụ thuộc vào bộ dò sóng (detector)

Sau khi tính được độ chói bức xạ ta sẽ tính được nhiệt độ chói (nhiệt độ hữu hiệu) bằng cách nghịch đảo hàm Planck ta được:

(1.14)

trong đó, T eff là nhiệt độ hữu hiệu tính bằng K, c1 và c2 là các hằng số

bức xạ, c1 = 1,191066x10-5 mW/(m2-sr-cm-4), c2 = 1,438833 K/cm-1, v là

số sóng trung tâm kênh vệ tinh Đối với một kênh cho trước, v chỉ biến động

nhẹ trong bộ dò sóng, nó sẽ thay đổi khi thiết bị thay đổi và cũng được cho

bức xạ kế, được cho trước ở bảng 1.4

1.2.4 Phương pháp tính profile độ ẩm bằng hồi quy [41]

Phương pháp hồi quy thường được sử dụng để tính profile nhiệt độ và

độ ẩm từ nhiều kênh phổ của một sensor vệ tinh quan trắc khí quyển Có hai

phương pháp tính hồi quy profile nhiệt độ và độ ẩm:

2 3 1

e ff

c T

c R

νν

=

+

+ Phương pháp Chahine (1970): Giả sử sensor có m kênh phổ, chúng ta

sẽ tính hồi quy nhiệt độ và độ ẩm ở m mực tương ứng với các đỉnh của hàm trọng số tại m kênh phổ

1 (

~ ) ( )

j

j n j j

n j j

L

L T B T

n k j

n jk

) ( ) ( ( 1 ) ( ) (1.17) Nhiệt độ được tính theo phương pháp Smith

k

T T

1 jk

1

) 1 ( jk )

1 (

W

W

(1.18)

Giả thiết profile nhiệt độ và hàm Plack B λ (T)đã biết, Smith đã đưa

phương trình hồi quy tỷ số xáo trộn hơi nước tại mực thứ j như sau:

− +

= +

) (

) ( )

( ) 1 (

~

j

n j j n

k

n jk

L L q

Bước 3: Ước lượng độ chói bức xạ (radiance) L j ứng với mỗi kênh phổ

Bước 4: Nếu L j gần bằng độ chói bức xạ quan trắc L~J với sai số cho phép thì profile hiện tại sẽ được chấp nhận Nếu không thì profile hiện tại sẽ

được điều chỉnh Bước lặp này được thực hiện cho đến khi L j xấp xỉ bằng L~J

1.2.5 Xác định véc tơ dịch chuyển mây (CMV) từ dữ liệu vệ tinh địa tĩnh

Dựa vào 3 ảnh liên tục (30 phút) của kênh hồng ngoại, thị phổ hay hơi nước của vệ tinh địa tĩnh để xác định sự chuyển động của phần tử mây, từ đó xác định véc tơ dịch chuyển gió Véc tơ gió được chia thành các mực: mực trên cao ( 150-300 mb), mực giữa (500-300 mb), và mực thấp ( 900-700 mb) Các bước tính véc tơ dịch chuyển mây CMV như sau:

Bước 1: Chọn 3 ảnh liên tiếp;

Bước 2: Tìm mẫu mây thích hợp trên ảnh mục tiêu;

Bước 3: Theo dõi mẫu mây đó trên 2 ảnh còn lại;

Bước 4: Tính véc tơ dịch chuyển của mây;

Bước 5: Ước lượng độ cao của mẫu mây;

Bước 6: Thẩm định chất lượng của véc tơ dịch chuyển

1.2.6 Xác định tốc độ, hướng gió mặt biển từ vệ tinh Quickscat

Quickscat ước lượng tốc độ và hướng gió tại 10m trên mặt nước đại dương bằng cách thu nhận tán xạ phản hồi (backscatter) Khi các dao động xuất hiện trên bề mặt biển độ lớn của tán xạ phản hồi sẽ thay đổi Mặt biển gợn sóng sẽ cho tán xạ phản hồi mạnh hơn vì năng lượng tán xạ phản hồi sẽ lớn và mặt biển yên tĩnh sẽ cho tán xạ phản hồi yếu vì chúng mang ít năng lượng Vệ tinh Quickscat luôn sử dụng một ăng - ten để thu nhận tán xạ phản hồi Quickscat truyền dao động sóng điện từ có tần số 13.4 GHz xuống bề mặt biển với một tỉ lệ là 1 dao động tương ứng 5.4 m/s Các dao động điện từ này phân cực dọc và ngang Vệ tinh này dùng cùng một ăng-ten cho cả hai dao động dọc và ngang Ăng - ten quay vòng với vận tốc 18 vòng/phút Các nguồn cung cấp dữ liệu trên ăng - ten được thiết lập để dọc cánh sóng với góc cao 45 độ và ngang theo cánh sóng với góc cao 39 độ Khi ăng - ten quay các dao động điện từ tạo thành một vòng tròn Các vùng bên ngoài bao ngồm một vòng tròn đường kính 1800km, trong khi bên trong là vòng tròn đường kính 1400km

1.3 Những nghiên cứu trên thế giới và ở Việt Nam về đồng hoá số liệu vệ tinh trong mô hình số trị

Trong những năm 40 và 50 của thế kỷ XX, cùng với sự xuất hiện của máy tính điện tử, các phương pháp đồng hoá số liệu đầu tiên ra đời, ban đầu tên gọi là phân tích khách quan Phân tích khách quan đầu tiên được đề xuất bởi Panofsky (1949) [30], trong đó trường khí tượng được xấp xỉ bởi một hệ hàm đa thức Bergthorsson và Doos (1955) [12] mô tả một phương pháp mới sau này được Cressman (1959) [16], Barnes (1964) [10] phát triển thành phương pháp hiệu chỉnh liên tiếp Khác với phương pháp xấp xỉ hàm trước

đó, phương pháp hiệu chỉnh liên tiếp nội suy từ các điểm trạm về lưới với hàm trọng số kinh nghiệm cho trước (giảm dần theo khoảng cách) Do tính đơn giản, hiệu chỉnh liên tiếp thường được sử dụng trong phân tích các trường khí tượng hai chiều Tuy nhiên, phương pháp này nhanh chóng bị vượt qua sau khi có sự xuất hiện của phương pháp nội suy tối ưu (Gandin, 1963) [17] Giống như phương pháp hiệu chỉnh liên tiếp, phương pháp nội suy tối ưu nội suy các điểm trạm về điểm lưới nhưng trọng số được xác định từ các đặc trưng thống kê của trường nền và trường thám sát Đặc điểm nổi bật khiến phương pháp nội suy tối ưu thống trị trong phân tích khách quan và đặt nền móng cho phương pháp đồng hoá số liệu hiện đại ra đời là khả năng đưa quan

hệ vật lý vào trong quá trình phân tích (Lorenc, 1981) [21]

Phương pháp biến phân xử lý bài toán phân tích được phát triển đầu tiên ở Nhật Bản (Sasaki, 1958) [38] nhưng chỉ được các nhà khí tượng chú ý đến với bài báo của Sasaki vào năm 1970 Thompson (1969) [32] cũng đã mô

tả bài toán biến phân bao hàm cả yếu tố thời gian sau này được biết đến dưới tên gọi biến phân bốn chiều (4DVAR) Lorenc (1986) [22] đề xuất bài toán phân tích tổng quát chứng minh sự tương đương giữa phương pháp nội suy tối

ưu và biến phân ba chiều (3DVAR) Phương pháp 3DVAR nhằm xác định trường phân tích thông qua việc cực tiểu hoá một phiếm hàm được định nghĩa bằng độ lệch giữa trường phân tích với trường thám sát và trường nền trên

toàn miền tích phân Trong trường hợp rời rạc hoá, phiếm hàm sẽ có dạng toàn phương với trọng số phụ thuộc vào hàm thống kê của trường nền và trường phân tích (hàm giá) Như vậy, 3DVAR cực tiểu hàm giá để có được trường phân tích tối ưu mà không dùng công thức hiển xác định trường phân tích như nội suy tối ưu Andersson (1991) [9] thu hút nhiều sự quan tâm của các nhà khoa học vào 3DVAR khi sử dụng phương pháp này để đồng hoá trực tiếp số liệu bức xạ từ vệ tinh cực NOAA Đến thập niên 90 của thế kỷ XX, hầu như toàn bộ các trung tâm dự báo lớn trên thế giới đã chuyển từ phương pháp nội suy tối ưu sang phương pháp 3DVAR (Parish và Deber, 1992) [31]

Tương tự như bài toán 3DVAR, nhưng 4DVAR có thêm chiều thời gian và trường phân tích phải thoả mãn hệ phương trình động lực mô hình

Do vậy, trường phân tích nhận được từ 4DVAR không những tối ưu theo nghĩa thống kê mà còn phù hợp với động lực của mô hình Tuy vậy, 4DVAR đòi hỏi một khối lượng tính toán rất lớn, vượt quá tính toán dự báo của mô hình nhiều lần Hiện tại, 4DVAR mới chỉ được thực hiện tại một số trung tâm tính toán lớn trên thế giới như Nhật Bản, Pháp và Mỹ

Cùng với sự phát triển của công nghệ viễn thám, hàng loạt những nghiên cứu về đồng hoá số liệu cũng đã được thực hiện Routray (2008) [37]

đã đồng hoá các số liệu quan trắc bề mặt, ship, bouy, cao không và vệ tinh địa tĩnh Kapanal-1 để dự báo mưa lớn ở Ấn độ bằng việc sử dụng hệ thống đồng hoá số liệu 3DVAR cho mô hình WRF Kết quả tính toán cho thấy, việc đồng hoá số liệu đã cải thiện đáng kể chất lượng mô phỏng mưa lớn trong mùa mưa

ở Ấn độ Xavier (2006) [45] đồng hoá profile nhiệt độ và độ ẩm từ vệ tinh MODIS cùng với số liệu thám không vô tuyến để cải thiện trường đầu ban đầu của mô hình MM5 Nghiên cứu đã chỉ ra rằng việc sử dụng dữ liệu vệ tinh MODIS đã cải thiện đáng kể diễn biến mưa lớn kết hợp với áp thấp nhiệt đới Rakesh (2009) [35] đã sử dụng sơ đồ 3DVAR để đồng hoá dữ liệu tốc độ gió và hướng gió gần bề mặt biển từ vệ tinh QSCAT (Quick Scatterometer), tốc độ gió và TPW từ vệ tinh SSM/I (spectral sensor microwave imager) cho

cả hai mô hình MM5 và WRF để dự báo thời tiết hạn ngắn ở Ấn Độ Kết quả nghiên cứu cho thấy dự báo trường gió từ hai mô hình MM5 và WRF được cải thiện đáng kể trong trường hợp đồng hoá dữ liệu gió từ QSCAT và SSM/I, trong khi trường nhiệt độ và độ ẩm cho hiệu quả kém hơn Trường dự báo mưa tốt nhất trong trường hợp đồng hoá dữ liệu TPW Ngoài ra, nghiên cứu cũng chỉ ra rằng sai số dự báo các trường gió, nhiệt độ và độ ẩm ở các mực khác nhau bằng mô hình WRF nhỏ hơn khi dự báo bằng mô hình MM5

Ở nước ta, một số nghiên cứu về mô hình đồng hoá số liệu nhằm cải thiện trường ban đầu cũng đã và đang được thực hiện Kiều Thị Xin và Lê Đức (2003) [7] đã nghiên cứu áp dụng mô hình đồng hoá số liệu 3DVAR cho

mô hình HRM Kết quả tính toán dự báo thời tiết bằng cách sử dụng các số liệu tại các trạm cao không và SYNOP cho thấy lượng mưa dự báo gần với thực tế hơn so với trường hợp không sử dụng đồng hoá số liệu Kiều Thị Xin (2005) [8] cũng đã sử dụng phương pháp biến phân hai chiều để phân tích độ

ẩm đất từ nhiệt độ quan trắc hai mét cho mô hình HRM Kết quả cho thấy tác động nhỏ của độ ẩm đất đến dự báo các trường khí tượng trên cao trên khu vực Việt Nam Trong khuôn khổ đề tài nghiên cứu khoa học cấp Bộ “Nghiên cứu thử nghiệm dự báo mưa lớn ở Việt Nam bằng mô hình MM5” của Hoàng Đức Cường (2008) [1] cũng đã nghiên cứu hiệu chỉnh trường ban đầu bằng các số liệu SYNOP và vô tuyến thám không để nâng cao chất lượng dự báo thời tiết bằng mô hình MM5 Nghiên cứu cho thấy việc sử dụng số liệu SYNOP và thám không vô tuyến để điều chỉnh trường ban đầu của mô hình MM5 bước đầu cho kết quả khả quan Lê Đức và đồng sự (2007) [4] đã xây dựng trường ẩm cho mô hình HRM từ số liệu vệ tinh địa tĩnh MTSAT dựa trên phương pháp 3DVAR Hoàng Đức Cường và cộng sự (2008) [2] đã hiệu chỉnh trường ban đầu của mô hình MM5 bằng dữ liệu vệ tinh MTSAT để mô phỏng cơn bão Damrey

CHƯƠNG 2: ĐỒNG HÓA SỐ LIỆU VỆ TINH TRONG MÔ

HÌNH WRF 2.1 Mô hình WRF

2.1.1 Tổng quan về mô hình WRF

Mô hình Nghiên cứu và Dự báo WRF (Weather Research and Forecast)

là mô hình đang được phát triển từ những đặc tính ưu việt nhất của mô hình MM5 với sự cộng tác của nhiều cơ quan tổ chức lớn trên thế giới, chủ yếu là: Phòng nghiên cứu Khí tượng qui mô nhỏ và qui mô vừa của trung tâm quốc gia nghiên cứu Khí quyển Hoa Kỳ (NCAR/MMM), trung tâm quốc gia dự báo môi trường (NOAA/NCEP), phòng thí nghiệm phương pháp dự báo (NOAA /FSL), trung tâm phân tích và dự báo bão của trường đại học Oklahoma (CAPS),

cơ quan thời tiết hàng không Hoa kỳ (AFWA) và các trung tâm khí tượng quốc

tế như Học viện khoa học khí tượng của Trung Quốc CAMS, Cơ quan thời tiết trung ương của Đài Loan, Cơ quan khí tượng Hàn Quốc KMA

Hiện nay, mô hình WRF đang được sử dụng rộng rãi trong dự báo thời tiết nghiệp vụ cũng như trong nghiên cứu ở nhiều quốc gia trên thế giới, cụ thể: tại Mỹ, mô hình WRF đang được chạy nghiệp vụ tại NCEP (từ năm 2004) và AFWA (từ tháng 7/2006) Mô hình này cũng đang được chạy nghiệp vụ tại KMA (2006), tại Ấn Độ, Đài Loan và Israel (từ năm 2007) Ngoài ra một số nước khác đang sử dụng WRF trong nghiên cứu và dự định sử dụng mô hình này trong nghiệp vụ như Trung Quốc, New Zealand, Braxin,

Phiên bản 3.2 của mô hình WRF ra đời tháng 4 năm 2008, bao gồm các chức năng chính sau: hệ phương trình động lực học bất thuỷ tĩnh nén được đầy đủ; các sơ đồ vật lý được tích hợp cho những ứng dụng ở quy mô từ mét đến hàng nghìn km và có mã nguồn mở để người sử dụng, cũng như các nhà nghiên cứu có thể đưa thêm các sơ đồ vật lý vào mô hình; điều kiện biên di động; hệ thống đồng hoá số liệu 3DVAR; kỹ thuật lồng ghép miền tính di động

2.1.2 Cấu trúc của mô hình WRF

Sơ đồ mô tả cấu trúc các thành phần của mô hình WRF

Hình 2.1 Cấu trúc tổng quan của mô hình WRF Các thành phần chính của mô hình WRF gồm có:

• Hệ thống tiền xử lý của mô hình WRF (The WRF Pre-processing System ,WPS)

• Môđun đồng hóa số liệu (WRFDA)

• Môđun mô phỏng ARW (ARW solver)

• Chương trình đồ họa và xử lý sản phẩm của mô hình (Post-processing

& Visualization tools)

WPS: đây là chương trình được sử dụng chủ yếu để mô phỏng các dữ

liệu thực (real –data), bao gồm: xác định miền mô phỏng; nội suy các dữ liệu địa hình, sử dụng đất (landuse), các loại đất về miền mô phỏng; đọc và nội suy các trường khí tượng từ các mô hình khác (mô hình toàn cầu, mô hình khu vực có độ phân giải thấp) về miền mô phỏng

WRFDA: là chương trình đồng hóa số liệu quan trắc vào trường phân

tích được tạo ra bởi chương trình WPS Chương trình này cũng cho phép cập nhật điều kiện ban đầu trong trường hợp mô hình WRF được chạy ở chế độ

tuần hoàn Kỹ thuật đồng hóa số liệu biến phân bao gồm cả biến phân ba chiều 3DVAR và biến phân 4 chiều 4DVAR

ARW solver: Đây là mođun chính của hệ thống mô hình WRF, bao

gồm các chương trình khởi tạo đối trường hợp mô phỏng lý tưởng, các mô phỏng dữ liệu thực và chương trình tích phân Các chức năng chính của mô hình WRF là:

- Các phương trình không thủy tĩnh nén được đầy đủ

- Ứng dụng đối với cả miền tính toàn cầu và khu vực

- Hệ toạ độ ngang là lưới so le Arakawa C, hệ toạ độ thẳng đứng là hệ toạ độ khối theo địa hình

- Bước thời gian sai phân Runge-Kutta bậc 3 được sử dụng đối với các

số sóng âm thanh và sóng trọng trường, sai phân bậc 2 đến bậc 6 được sử dụng cho cả phương ngang và phương thẳng đứng

- Lồng ghép miền tính một chiều và 2 chiều và lựa chọn miền tính lồng ghép di dộng (moving nest)

- WRF được thiết kế cho phép ghép nối với các mô hình khác như mô hình đại dương, mô hình đất

- Các lựa chọn tham số hóa vật lý đầy đủ cho bề mặt đất, lớp biên hành tinh, bức xạ bề mặt và khí quyển, quá trình vi vật lý và quá trình đối lưu

- Mô hình lớp xáo trộn đại dương một cột

Post-processing & Visualization tools: bao gồm một số chương trình

và phần mềm cho việc khai thác sản phẩm và đồ họa như RIP4, NCL, GrADS và Vis5D,…

2.1.3 Các quá trình vật lý trong mô hình

Các sơ đồ tham số hoá vật lý trong mô hình WRF rất phong phú, tạo điều kiện thuận lợi cho các đối tượng sử dụng khác nhau Các quá trình vật lý được tham số hóa trong mô hình WRF bao gồm: Các quá trình vật lý vi mô, tham số hoá đối lưu mây tích, lớp biên hành tinh, mô hình bề mặt, các quá trình đất - bề mặt (mô hình đất), bức xạ, khuếch tán

a Vật lí vi mô

Vi vật lí bao gồm các quá trình xử lí hơi nước, mây và quá trình giáng thủy Các sơ đồ vi vật lí dùng để tính toán xu thế của nhiệt độ, độ ẩm khí quyển và mưa bề mặt Tuy nhiên mỗi sơ đồ có độ phức tạp và các biến ẩm riêng khác nhau Các sơ đồ vi vật lí có trong mô hình trên bảng 2.1

Bảng 2.1: Tùy chọn vật lí vi mô trong WRF

Loại sơ đồ Số lượng biến Pha băng Pha hỗn hợp

b Đối lưu mây tích

Trong mô hình số trị nói chung, tham số hóa đối lưu mây tích có tầm quan trọng đặc biệt đối với mô phỏng có độ phân giải trên 10km, mô hình không mô phỏng được các ổ đối lưu riêng biệt và các quá trình vận chuyển

nhiệt ẩm Mây đối lưu Cb, Cu sâu có xu hướng làm nóng và khô không khí môi trường do chúng làm tiêu hao ẩm môi trường còn mây tầng Ci,Cs nông

lại có xu hướng làm cho môi trường lạnh và ẩm nhờ sự bốc hơi của hơi nước

và nước cuốn ra từ mây (do không khí môi trường khô hơn) Chính vì vậy,

việc xem xét phổ mây tích với các kích cỡ khác nhau là rất quan trọng trong nghiên cứu mối tương tác giữa mây tích và môi trường quy mô lớn Mây tích

có quy mô nhỏ hơn nhiều so với độ phân giải thông thường của lưới mô hình, nên ảnh hưởng của nó đối với hoàn lưu quy mô lớn không thể tính trực tiếp

mà chỉ có thể tính gián tiếp từ cân bằng nhiệt và ẩm của hệ thống hoàn lưu quy mô lớn

Mục đích của chính của vấn đề tham số hóa đối lưu là:

- Dự báo lượng mưa sinh ra do đối lưu;

- Tính toán tác động của đối lưu đến các qua trình nhiệt động lực học

mô hình như tính ổn định thẳng đứng, phân bố lại trường nhiệt, ẩm hình thành mây, các ảnh hưởng đến đốt nóng bề mặt, bức xạ khí quyển,

Bảng 2.2: Một số tùy chọn tham số hóa đối lưu mây tích trong mô hình WRF

Kain – Fritsch Có Thông lượng khối Betts-Miller-

Janjic

Grell-Devenyi Có Thông lượng khối

Có nhiều phương pháp khác nhau đã được sử dụng để liên kết mây với các trường giải được như nhiệt độ, độ ẩm và gió, nhưng vẫn chưa một phương pháp nào là hoàn thiện nhất, mỗi sơ đồ đưa ra đều có những ưu, nhược điểm riêng

Tham số hóa đối lưu mây tích về mặt lí thuyết chỉ đúng cho những lưới thô, đối với lưới tĩnh thì bỏ qua sự đối lưu Trong mô hình WRF có những tùy chọn tham số hóa đối lưu khác nhau được mô tả trong bảng 2.2

c Lớp bề mặt

Những sơ đồ lớp bề mặt tính toán hệ số vận tốc và trao đổi ma sát, cho phép tính dòng nhiệt và ẩm bề mặt bởi mô hình đất - bề mặt và sơ đồ lớp biên hành tinh Các sơ đồ bề mặt trong mô hình WRF được mô tả trong bảng 2.3

Noah Có Nhiệt độ, nước +băng, nước

bề mặt đất để cung cấp những thông tin về thông lượng nhiệt và ẩm qua những điểm mặt đất và những điểm trên mặt biển, băng Các thông lượng này cung cấp điều kiện biên ban đầu cho dòng thăng trong mô hình PBL

Mô hình mặt đất không cung cấp những xu hướng, nhưng cập nhật những biến trạng thái của đất gồm: nhiệt độ bề mặt, profile nhiệt độ đất, profile độ ẩm đất, tuyết Không có trao đổi ngang giữa những điểm lân cận trong LSMs, vì vậy nó có thể coi như mô hình cột một chiều cho mỗi điểm lưới trong mô hình WRF Hiện nay có nhiều mô hình bề mặt có thể chạy độc lập

d Lớp biên hành tinh (Planetery Boundery Layer, PBL)

Lớp biên hành tinh (PBL) có nhiệm vụ tính toán thông lượng xoáy quy

mô dưới lưới Vì vậy khi PBL được kích hoạt thì khuếch tán theo chiều thẳng đứng cũng được kích hoạt Hầu hết, khuếch tán ngang là không đổi (Kk=const) Thông lượng bề mặt được cung cấp bởi bề mặt và sơ đồ bề mặt

đất Sơ đồ PBL xác định các profile thông lượng giữa lớp biên và trạng thái

của lớp biên Vì vậy sẽ cung cấp những khuynh hướng của nhiệt độ, độ ẩm

(bao gồm cả mây), động lượng ngang trong toàn cột khí quyển Hầu hết các

sơ đồ PBL xét sự xáo trộn khô, nhưng cũng bao gồm hiệu ứng bão hòa trong

sự ổn định thẳng

e Bức xạ khí quyển

Các sơ đồ bức xạ khí quyển cho ta thấy sự đốt nóng bề mặt khí quyển bởi thông lượng bức xạ sóng ngắn của mặt trời và sóng dài của bề mặt đất

Bức xạ sóng dài bao gồm tia hồng ngoại (IR) hoặc bức xạ nhiệt hấp thụ được

phát ra từ khối không khí và bề mặt Dòng bức xạ sóng dài từ bề mặt phụ

thuộc vào loại bề mặt đất, nhiệt độ bề mặt đất Bức xạ sóng ngắn có chứa cả

bức xạ sóng dài, và phụ cận sóng dài trong phổ mặt trời Vì chỉ có nguồn là

mặt trời, nên bức xạ sóng dài gồm các quá trình hấp thụ, phản xạ, phát xạ

trong khí quyển và tại bề mặt Phản xạ phụ thuộc vào Albedo của mặt đệm

Bức xạ còn phụ thuộc vào phân bố của mây, hơi nước và các khí CO2,

O3,…Các tùy chọn bức xạ trong mô hình WRF cho trên Bảng 2.4

Bảng 2.4 Tùy chọn sơ đồ bức xạ trong WRF

Sơ đồ Sóng dài (LW)/Sóng ngắn

(SW)

Số dải Loại

f Sơ đồ tương tác giữa các quá trình vật lí

Trong khi mô hình tham số hóa vật lí phân loại theo cách môđun, và sự tương tác giữa chúng thông qua những biến trạng thái mô hình (ẩn nhiệt, ẩm, gió,…), xu hướng của chúng, và thông lượng bề mặt (hình 2.2)

Quá trình tham số hóa mây tích tác động vào vi vật lí thông qua dòng đi

ra Vi vật lí cùng với mây tích tác động đến bức xạ thông qua sự ảnh hưởng của mây tới bức xạ Bức xạ và bề mặt tương tác với nhau thông qua phát xạ sóng ngắn, dài và Albedo bề mặt Bề mặt tương tác với lớp biên hành tinh thông qua thông lượng nhiệt ẩm bề mặt và gió Lớp biên hành tinh và mây tích tương tác với nhau thông qua dòng giáng và mây tầng thấp

Hình 2.2: Sơ đồ tương tác vật lí

2.2 Vấn đề đồng hoá số liệu vệ tinh trong mô hình WRF

2.2.1 Bài toán đồng hóa số liệu biến phân ba chiều 3DVAR

Mục đích cơ bản của đồng hoá số liệu biến phân ba chiều là cung cấp một ước lượng tối ưu của trạng thái khí quyển thực ở thời điểm phân tích thông qua việc giải lặp hàm giá:

Tương tác giữa các quá trình vật lí

Thông lượng nhiệt ẩm bề mặt Sóng ngắn, dài

Phát xạ bề mặt

Mây tầng thấp hoặc sự tăng cường dòng giáng Dòng đi ra

x b là véc tơ trường nền,

B là ma trận tương quan sai số nền,

y 0 là trường quan trắc,

y là véc tơ chuyển đổi từ trạng thái không gian mô hình

đến không gian quan trắc,

E, F tương ứng là ma trận tương quan sai số quan trắc và

ma trận tương quan sai số biểu diễn

Như vậy, bài toán đồng hoá số liệu biến phân 3DVAR có thể nói ngắn gọn là lời giải lặp của phương trình (2.1) để tìm trạng thái được phân tích x sao cho J(x) là nhỏ nhất Phương pháp này tương ứng khả năng ước lượng lớn

nhất (sai số nhỏ nhất) trạng thái khí quyển thực được thể hiện trong hai nguồn

số liệu ban đầu: trường nền x b và trường quan trắc y 0 Sai số biểu diễn là một ước lượng của sai số được biết đến trong quá trình sử dụng toán tử quan trắc

H để chuyển đổi những số liệu phân tích lưới tính x đến không gian quan trắc

y = Hx nhằm so sánh với các giá trị quan trắc Sai số này sẽ phụ thuộc vào độ phân giải và những phép toán lấy xấp xỉ (ví dụ tuyến tính hoá) trong H

*Ma trận tương quan sai số trường nền

Phương sai sai số trường nền:

Phương sai của sai số trường nền là các phần tử nằm trên đường chéo của ma trận sai số nền B Chúng thường được đánh giá thông qua phương sai của trường dự báo mà ta sử dụng làm trường nền Đánh giá thô hơn có thể lấy phương sai khí hậu nhân với một hệ số tuỳ ý nhỏ hơn 1 Nếu trường phân tích

có chất lượng tốt (có nhiều thám sát) thì phương sai sai số trường nền có thể được đánh giá thông qua việc xác định phương sai của độ lệch giữa trường dự báo và trường phân tích Nếu các quan trắc không tương quan, phương pháp của Hollingsworth (1986) được xem là phương pháp đánh giá tốt nhất Đây là phương pháp đánh giá trực tiếp các đặc trưng thống kê của sai số trường nền (tương quan sai số trường nền trong không gian quan trắc bên cạnh phương sai)

Phương sai này sử dụng độ lệch giữa quan trắc với giá trị nền tương ứng đã được nội suy về vị trí quan trắc trong một mạng lưới quan trắc dày và

đủ rộng để bao quát thông tin trên mọi quy mô Các quan trắc được giả thiết độc lập và không tương quan lẫn nhau Nguyên lý cơ bản của phương pháp này là xây dựng sơ đồ của (y0 −H[ ]x b ) theo khoảng cách giữa các điểm trạm Tại điểm 0, sơ đồ cho ta giá trị trung bình của cả phương sai quan trắc và phương sai nền Tại những điểm khác 0, sơ đồ thể hiện giá trị trung bình của tương quan sai số nền (hình 2.3)

Hình 2.3: Sơ đồ phân bố của trung bình dộ lệch giữa giá trị quan trắc với

trường nền theo khoảng cách giữa các điểm trạm

Tương quan sai số trường nền:

Tương quan giữa các sai số trường nền là các phần tử nằm ngoài đường chéo của ma trận sai số nền B Tương quan sai số trường nền có tầm quan trọng trong bài toán phân tích vì những lý do như sau:

- Truyền thông tin: trong những khu vực quan trắc thưa thớt, các số hạng tương quan trong B sẽ truyền thông tin từ một điểm quan trắc tới vùng lân cận xung quanh

- Làm trơn: trong những khu vực quan trắc dày, độ trơn của thông tin quan trắc được xác định bởi các tương quan trong B Độ trơn của trường phân tích đảm bảo rằng phân tích chứa những quy mô có thể so sánh được về mặt thống kê với các đặc tính quy mô của trường vật lý Ví dụ khi phân tích thực hiện trong tầng bình lưu hay trong vùng xoáy nghịch, trường phân tích cần được làm trơn nhiều theo phương ngang nhằm trung bình hoá và trải rộng các quan trắc Ngược lại, khi phân tích thực hiện ở tầng thấp trong vùng front, bờ biển, núi hoặc gần lớp nghịch nhiệt, phân tích cần được giới hạn để không tạo

ra trường phân tích quá trơn dẫn đến không chính xác về mặt vật lý

- Cân bằng vật lý: Hầu hết các hệ địa vật lý gần như thoả mãn cân bằng động lực hoặc một số cân bằng khác Điều này dẫn đến tương quan giữa các sai số của các biến khác nhau trong mô hình Ví dụ, trong dòng khí quyển quy

mô lớn, cân bằng địa chuyển dẫn đến tương quan giữa sai số của trường gió

và trường nhiệt độ Như vậy, khi quan trắc một biến có thể đem lại mọi thông tin về các biến khác cân bằng với nó Ví dụ, trong cân bằng địa chuyển, quan trắc gió mực thấp có thể hiệu chỉnh áp suất bề mặt Kết hợp với đặc tính lảm trơn của ma trận B, tương quan chéo thông qua cân bằng tác động đáng kể tới chất lượng phân tích Hình 3.2 thể hiện một quan trắc nhiệt độ được làm trơn sau đó được dùng để hiệu chỉnh độ cao địa thế vị xung quanh, dẫn tới hiệu chỉnh trường gió trong cân bằng địa chuyển

*Ma trận tương quan sai số quan trắc

Phương sai sai số quan trắc:

Ma trận tương quan sai số quan trắc bao gồm những ảnh hưởng của sai

số đo, các sai số trong hoạt động quan trắc và sai số biểu diễn (ví dụ, mô hình không thể biểu diễn tất cả những thay đổi của nhiệt độ đo bằng nhiệt kế trong quy mô nhỏ với lưới tính của mô hình là 50km2)

Phương sai của sai số quan trắc chính là các phần tử nằm trên đường chéo của ma trận tương quan Chú ý rằng phương sai sai số quan trắc bao gồm cả phương sai từ sai số thể hiện Giá trị này không thể bỏ qua khi phan tích các hiện tượng không được thể hiện tốt trong không gian mô hình Bảng 2.5 và 2.6 cho ta giá trị độ lệch chuẩn các biến được đo bởi trạm SYNOP và cao không theo ECMWF [7].

Bảng 2.5: Độ lệch chuẩn thám sát với trạm SYNOP Gió (m/s) Nhiệt độ (K) Độ ẩm tương đối (%) Độ cao (m)

Bảng 2.6: Độ lệch chuẩn thám sát với trạm cao không phân bố theo

mực khí áp

P (mb) 1000 850 700 500 400 300 250 200 150 100 V(m/s) 2.3 2.3 2.5 3.0 3.5 3.7 3.5 3.5 3.4 3.3

T (K) 1.7 1.5 1.3 1.2 1.2 1.4 1.5 1.5 1.6 1.7

H(m) 4.3 4.4 5.2 8.4 9.8 10.7 11.8 13.2 15.2 18.1

Tương quan sai số quan trắc:

Tương quan sai số quan trắc là các phần tử nằm ngoài đường chéo của

ma trận tương quan sai số quan trắc Những phép đo riêng biệt được giả thiết rằng bị ảnh hưởng bởi những sai số vật lý hoàn toàn độc lập, do đó, tương quan giữa các phép đo thường được giả định bằng không Giả thiết này hợp lý cho những phép đo được thực hiện bởi những dụng cụ đo khác nhau Tuy nhiên, giả thiết này không còn đúng cho một tập các quan trắc được thực hiện bởi cùng một dụng cụ đo như bóng thám không, máy bay, các cảm biến trên

vệ tinh hay các bản tin liên tiếp từ cùng một trạm synốp khi đồng hoá số liệu bốn chiều Ngoài ra, quá trình xử lý số liệu qua trắc ban đầu cũng có thể sinh

ra những tương quan nhân tạo giữa các quan trắc đã được xử lý Điều này có thể quan sát thấy khi ta chuyển profile nhiệt độ quan trắc qua địa thế vị, chuyển đổi giữa độ ẩm tương đối và độ ẩm riêng mang lại tương quan với

nhiệt độ Khi xét đến sai số thể hiện có thể thấy về bản chất sai số thể hiện tương quan lẫn nhau : sai số nội suy tương quan lẫn nhau khi mật độ thám sát dày hơn so với độ phân giải của mô hình

Sự có mặt của tương quan sai số quan trắc góp phần làm giảm trọng số của quan trắc và giảm sự chênh lệch giữa các giá trị quan trắc thông qua gradient hay xu thế Tuy nhiên, việc đánh giá các giá trị tương quan và đưa các giá trị này vào quá trình phân tích đặt ra những khó khăn trong quá trình

xử lý cũng như quản lý chất lượng thám sát Trong thực tế, người ta thường cực tiểu hoá các tác động của chúng bằng cách khử bỏ bias trong thám sát, tránh những quá trình xử lý số liệu thám sát không cần thiết ban đầu, làm thưa những vùng có số liệu dày và tăng chất lượng trong thiết kế toán tử quan trắc Phần lớn các phương pháp đồng hoá số liệu hiện đại điều giả định ma trận tương quan sai số quan trắc là ma trận chéo hoặc gần như chéo

2.2.2 Quá trình cập nhật số liệu đầu vào trong mô hình WRF

Hình 2.4 thể hiện quy trình thực hiện đồng hóa số liệu trong mô hình WRF Để thực hiện quy trình này, ta cần ba nguồn dữ liệu đầu vào:

Hình 2.4: Sơ đồ quy trình đồng hoá dữ liệu WRFDA

Background Error

(WPS , real)

xlbc

Cycled Background

B0

yo , R

Cold-Start Background

xf

Observation Preprocessing

a/ Số liệu dự báo ban đầu (trường nền) x : Có hai kiểu tạo trường nền b

cho quá trình đồng hoá là kiểu khởi động lạnh (cold-start) và kiểu tuần hoàn (cycling) Trong trường hợp khởi động lạnh, các giá trị x có được từ việc nội b

suy lưới của mô hình toàn cầu hay từ các mô hình khu vực về lưới của mô hình WRF thông qua chương trình WRFSI và WRF_Real trong mô hình WRF Còn trong trường hợp tuần hoàn, trường nền là trường dự báo hạn ngắn

từ modun ARW của hệ thống mô hình WRF

b/ Các số liệu quan trắc y : nguồn số liệu này sẽ được cung cấp với o

định dạng ASCII như trong mođun little_r của mô hình MM5 hoặc định dạng BUFR Quá trình cập nhật số liệu quan trắc vào mô hình WRFDA được thực hiện bởi chương trình OBSPROC trong mô hình WRF

c/ Tương quan sai số trường nền (B): Trong các hệ thống biến phân, tương quan được tính theo kiểu off-line và được tối ưu hoá

Để giúp người sử dụng, những nhà nghiên cứu và phát triển mô hình WRF đã đưa ra một số cung cấp sau:

* Chuỗi số liệu thống kê mặc định được dùng cho những cài đặt ban đầu của miền lưới

* Cung cấp phần mođul gen_be để tạo ma trận sai số nền

* Các hàm chuẩn đoán để ước lượng độ chính xác của các biến quan trắc và các thống kê sai số nền Những hàm chuẩn đoán này bao gồm các phương pháp dựa trên véc tơ mới và các phương pháp điều chỉnh biến phân

2.2.3 Những cải tiến để cực tiểu hoá hàm giá

Để cực tiểu hoá hàm giá, mô hình WRDA đã sử dụng phiên bản được cải tiến về giới hạn vùng nhớ của phương pháp Quasi_Newton (QNM) Và gần đây nhất là phương pháp liên kết Gradient (CGM) Không như phương pháp QNM, phương pháp CGM sẽ hạn chế tối đa những vòng lặp ở bên trong của mô hình WRFDA để mô hình có thể diễn ra một cách liên tục Những giới hạn này sẽ mất đi thông qua những kết quả của một vòng lặp bên ngoài

của mô hình WRFDA, mục đích của phương pháp này là hướng tới quá trình tương tác của những giải pháp phi tuyến (ví dụ như sự tương tác giữa giá trị quan trắc và quá trình cân bằng cưỡng bức v.v.) được sử dụng để phân tích biến trong mô hình WRFDA Vòng lặp bên ngoài này cũng được sử dụng như

là quá trình biểu diễn các biến điều khiển như sau: giá trị quan trắc sẽ bị loại

bỏ nếu hiệu sai số quan trắc và sai số trường nền (O_B) vượt quá giá trị cho phép (sai số độ lệch chuẩn) Sai số lớn nhất này sẽ kiểm tra giả thiết loại bỏ giá trị max của sai số O_B là do giá trị quan trắc thu được ít hơn và kém chính xác hơn giá trị dự báo hay không Tuy nhiên trong trường hợp giá trị dự báo thu được là thưa thớt và sai số trường nền (B) là sai thì lập tức máy sẽ loại bỏ hầu hết các giá trị quan trắc có ích Như vậy những vòng lặp bên ngoài

sẽ có tác dụng làm giảm đi những ảnh hưởng từ việc loại bỏ trên

2.2.4 Tính toán hệ số tương quan sai số trường nền

Hệ số tương quan sai số trường nền là một trong số các biến đầu vào của quá trình đồng hoá số liệu Hệ số tương quan này có ảnh hưởng rất lớn tới các biến phân tích và nó phụ thuộc vào các vị trí của các giá trị quan trắc trên lưới toàn cầu Không khác nhiều nhưng trong công nghệ đồng hoá của Kalman Fillter, quá trình đồng hoá số liệu 3/4D_Var sẽ không đưa ngay ra hệ

số tương quan của sai số trường nền mà sẽ đánh giá nó cuối cùng thông qua những thống kê khí hậu Những thử nghiệm của Fisher (2003) tại ECM WF

đã chỉ ra rằng các biến thống kê trên hoàn toàn có thể tính được bằng việc sử dụng một quá trình phân tích tuần hoàn dựa trên các quá trình vật lý và quan trắc

Phương pháp NMC đã được sử dụng để tính hệ số tương quan sai số trường nền cho mô hình WRFDA

Việc tính toán hệ số tương quan của các sai số trường nền được thiết kế trong môdul gen_be, môdul này sẽ cập nhật dữ liệu từ mô hình toàn cầu hay

mô hình khu vực sau đó sẽ tính toán để tạo ra các hệ số tương quan thống kê của sai số sử dụng trong hệ thống đồng hoá số liệu Không giống như các mô

hình khác, các giá trị tại các điểm nút lưới, tại biên, định dạng của dữ liệu, các quá trình ban đầu đã được yêu cầu để truyền đầu ra của mô hình vào trong trường xáo trộn chuẩn Trường xáo trộn chuẩn gồm trường hàm dòng ψ’(i,j,k), vận tốc thế vị χ’(i,j,k), nhiệt độ T’(i,j,k), độ ẩm tương đối r’(i,j,k), áp suất bề mặt Ps’(i,j,k) ngoài ra còn có thêm các yếu tố độ cao z(i,j,k), vĩ độ φ(i,j,k)

2.2.5 Tính toán hệ số tương quan giữa các trường

Để tính toán hệ số tương quan giữa các trường thì những giá trị trung bình cần phải được loại bỏ đầu tiên, để loại bỏ các giá trị này ta đã sử dụng môdul gen_be_stage2

Môdul này sẽ đưa ra biến thống kê cho trường không cân bằng như

χu,Tu,Psu, các biến được sử dụng như là các biến điều khiển trong mô hình WRF_Var Các biến điều khiển được định nghĩa là sự sai khác giữa các thành phần cân bằng và các thành phần đầy đủ của trường Trong trạng thái này các sai số dự báo, các thành phần cân bằng được tính toán thông qua quá trình hồi quy biến phân tích, kết quả là các hệ số hồi quy này được sử dụng để truyền biến Up vào mô hình WRF Có ba quá trình hồi quy được thực hiện để tạo ra các hệ số hồi quy:

+ quá trình hồi quy hàm dòng, vận tốc thế vị χb =cψ + quá trình hồi quy hàm dòng, nhiệt độ , 1 1, 2 2

Dữ liệu được dùng để tính toán là một file gồm nf hàng nhân ne cột (nf x

ne) File này được định nghĩa thông qua namelist của bin_type trong mô hình WRFDA Thông qua việc lựa chọn name list trên chúng ta có thể tính toán hệ

số hồi quy cho từng khu vực như vùng cực, vùng vĩ độ trung bình, v.v và sau