Nghiên cứu đánh giá khả năng dự báo mưa hạn ngắn từ mô hình IFS cho khu vực bắc trung bộ

Tôi xin cảm ơn các cán bộ phòng Dự báo thời tiết, phòng Dự báo khí hậu và phòng Số và Viễn thám Trung tâm dự báo Khí tượng Thủy văn Quốc gia, tập thể cán bộ viên chức Đài KTTV Hà Tĩnh, Đ

BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG

TRƯỜNG ĐẠI HỌCTÀI NGUYÊN VÀ MÔI TRƯỜNG HÀ NỘI

-

TRẦN ĐỨC BÁ

NGHIÊN CỨU ĐÁNH GIÁ KHẢ NĂNG

DỰ BÁO MƯA HẠN NGẮN TỪ MÔ HÌNH IFS

CHO KHU VỰC BẮC TRUNG BỘ

LUẬN VĂN THẠC SĨ

Hà Nội, năm 2019

BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG

TRƯỜNG ĐẠI HỌCTÀI NGUYÊN VÀ MÔI TRƯỜNG HÀ NỘI

-

TRẦN ĐỨC BÁ

NGHIÊN CỨU ĐÁNH GIÁ KHẢ NĂNG

DỰ BÁO MƯA HẠN NGẮN TỪ MÔ HÌNH IFS

CHO KHU VỰC BẮC TRUNG BỘ

CHUYÊN NGHÀNH: KHÍ TƯỢNG VÀ KHÍ HẬU HỌC

MÃ SỐ: 60440222

NGƯỜI HƯỚNG DẪN KHOA HỌC

1 TS VÕ VĂN HÒA

2 TS.THÁI THỊ THANH MINH

HÀ NỘI, NĂM 2019

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI

TRƯỜNG ĐẠI HỌC TÀI NGUYÊN VÀ MÔI TRƯỜNG HÀ NỘI

Cán bộ hướng dẫn chính: TS Võ Văn Hòa

Cán bộ hướng dẫn phụ : TS Thái Thị Thanh Minh

Cán bộ chấm phản biện 1: TS Nguyễn Văn Hiệp

Cán bộ chấm phản biện 2: TS Nguyễn Đăng Quang

Luận văn thạc sĩ được bảo vệ tại:

HỘI ĐỒNG CHẤM LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC TÀI NGUYÊN VÀ MÔI TRƯỜNG HÀ NỘI

Ngày 11 tháng 01 năm 2019

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn thạc sĩ “Nghiên cứu đánh giá khả năng dự

báo mưa hạn ngắn từ mô hình IFS cho khu vực Bắc Trung Bộ” là do tôi

thực hiện với sự hướng dẫn của TS Võ Văn Hòa và TS.Thái Thị Thanh Minh Các kết quả nghiên cứu trong luận văn do tôi thực hiện và chưa công bố bất cứ

ở đâu

Tôi xin hoàn toàn chịu trách nhiệm về những nội dung mà tôi trình bày

trong luận văn này

Hà Nội, ngày 20 tháng 01 năm 2019

TÁC GIẢ

Trần Đức Bá

LỜI CẢM ƠN

Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới TS Võ Văn Hòa và TS Thái Thị Thanh Minh - 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 đã cung cấp cho tôi những kiến thức chuyên môn, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian tôi học tập ở Trường và ở Khoa

Tôi xin cảm ơn các cán bộ phòng Dự báo thời tiết, phòng Dự báo khí hậu và phòng Số và Viễn thám (Trung tâm dự báo Khí tượng Thủy văn Quốc gia), tập thể cán bộ viên chức Đài KTTV Hà Tĩnh, Đài KTTV khu vực Bắc Trung Bộ và các đồng nghiệp đã giúp đỡ trong quá trình thực hiện luận văn

Xin cám ơn, nhóm tác giả đề tài nghiên cứu khoa học và phát triển công nghệ cấp Bộ: “Nghiên cứu ứng dụng số liệu dự báo của Trung tâm Dự báo thời tiết hạn vừa Châu Âu để xây dựng các phương án dự báo lũ 5 ngày cho các sông chính ở Trung Trung Bộ”, mã số: TNMT.2018.05.35

Tôi cũng xin cảm ơn Trường Đại học Tài nguyên và Môi trường Hà Nội, Đài Khí tượng đã tạo điều kiện cho tôi có thời gian 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

Trần Đức Bá

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

TÓM TẮT LUẬN VĂN: v

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT iv

DANH MỤC CÁC BẢNG BIỂU v

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ vi

MỞ ĐẦU 1

CHƯƠNG I: ĐẶC ĐIỂM MƯA Ở KHU VỰC BẮC TRUNG BỘ VÀ TỔNG QUAN VỀ TÌNH HÌNH NGHIÊN CỨU ĐÁNH GIÁ DỰ BÁO 3

1.1 KHÁI QUÁT VỀ ĐẶC ĐIỂM MƯA Ở BẮC TRUNG BỘ 3

1.1.1 Phân bố mưa theo không gian và thời gian 3

1.1.2 Các hình thế gây mưa 8

1.2 TỔNG QUAN VỀ TÌNH HÌNH NGHIÊN CỨU ĐÁNH GIÁ DỰ BÁO 13 1.2.1 Ngoài nước 13

1.2.2 Trong nước 22

CHƯƠNG II: PHƯƠNG PHÁP NGHIÊN CỨU VÀ CƠ SỞ SỐ LIỆU 27

2.1 LỰA CHỌN ĐỐI TƯỢNG NGHIÊN CỨU 27

2.2 PHẠM VI NGHIÊN CỨU VÀ CƠ SỞ SỐ LIỆU 32

2.2.1 Số liệu quan trắc 34

2.2.2 Sơ bộ về mô hình IFS và số liệu mô hình IFS 35

2.3 PHƯƠNG PHÁP XỬ LÝ SỐ LIỆU 37

2.4 PHƯƠNG PHÁP ĐÁNH GIÁ 39

2.4.1 Lựa chọn không gian đánh giá 39

2.4.2 Lựa chọn các chỉ số đánh giá 39

CHƯƠNG III: KẾT QUẢ NGHIÊN CỨU 46

3.1 KẾT QUẢ ĐÁNH GIÁ ĐỊNH LƯỢNG MƯA 46

3.2 KẾT QUẢ ĐÁNH GIÁ DỰ BÁO THEO CẤP 54

3.3 PHÂN TÍCH MỘT SỐ TRƯỜNG HỢP 60

KẾT LUẬN VÀ KIẾN NGHỊ 67

TÀI LIỆU THAM KHẢO 70

TÓM TẮT LUẬN VĂN:

+ Họ và tên học viên: Trần Đức Bá

+ Lớp: CH3a-K Khoá: 2017 - 2019

+ Cán bộ hướng dẫn: 1 Hướng dẫn 1: TS Võ Văn Hòa

2 Hướng dẫn 2: TS.Thái Thị Thanh Minh

+ Tên đề tài: Nghiên cứu đánh giá khả năng dự báo mưa hạn ngắn từ mô

hình IFS cho khu vực Bắc Trung Bộ

+ Tóm tắt: Tác giả sử dụng các chỉ số đánh giá lượng mưa, các chỉ số đánh giá theo cấp mưa trên tập số liệu quan trắc lượng mưa trong 24 giờ của 20 trạm khí tượng thuộc khu vực BTB trong thời gian 6 năm từ năm 2012 - 2017 và số liệu dự báo từ mô hình IFS

Kết quả cho thấy: khả năng dự báo mưa thời hạn ngắn cho khu vực BTB của IFS là có kỹ năng và sai số tổng thể không lớn, tuy nhiên khả năng dự báo các hiện tượng mưa to và mưa rất to còn chưa đạt thấp, cần lưu ý khi sử dụng kết quả dự báo trong trường hợp mưa lớn

Thesis summary

Full name: Tran Duc Ba

Class: CH3AK School year: 2017-2019

Scientific guidance:

Instruction 1: Dr Vo Van Hoa

Instruction 2: Dr Thai Thi Thanh Minh

Project title: Research and evaluate the ability of rainfall short-term forecasting from IFS model for North Central region

Summary: The author uses the indicators to assess the rainfall, the evaluation indicators according to the rainfall level on the 24-hour, with 20 meteorological stations data in the North Central region, from 2012 to 2017 and forecast data from IFS model

The results show that the ability to rainfall short-term forecasting of IFS model

is skillful and error is not great in the North Central region However IFS model is not skillful forecating with heavy rain and very heavy rain So, it should be noted when using forecast results in this cases

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT

TBNN Trung bình nhiều năm

BTB Bắc Trung Bộ

KKL Không khí lạnh

GMĐB Gió mùa đông bắc

KKLTC Không khí lạnh tăng cường

ATNĐ Áp thấp nhiệt đới

XTNĐ Xoáy thuận Nhiệt đới

ITCZ Dải hội tụ nhiệt đới

NWP Mô hình dự báo thời tiết số

KTTV Khí tượng thủy văn

TTBDTƯ Trung tâm Dự báo Trung ương

TTBDQG Trung tâm Dự báo Quốc gia

ECMWF Trung tâm dự báo hạn vừa Châu Âu

IFS Hệ thống dự báo tích hợp

PCTT Phòng chống thiên tai

DANH MỤC CÁC BẢNG BIỂU

Bảng 1.1: Phân bố lượng mưa tháng TBNN từ năm (1988 - 2017) 4

Bảng 1.2: Dự báo bão của Finley 14

Bảng 1.3: Cơ sở của phương pháp thống kê theo loại 17

Bảng 1.4: Các điểm số sử dụng bảng nhị phân 17

Bảng 2.1 Danh sách các trạm lấy số liệu đánh giá 32

Bảng 2.2 Bảng phân loại tần suất cho biến dự báo dạng nhị phân 42

Bảng 3.1: Chỉ số ME các trạm 47

Bảng 3.2: Bảng chỉ số RMSE các trạm 49

Bảng 3.3: Bảng chỉ số kỹ năng dự báo các trạm 53

Bảng 3.4: Bảng tổng hợp chỉ số POD các cấp mưa 55

Bảng 3.5: Chỉ số dự báo khống các trạm 57

Bảng 3.6: Chỉ số TS chuỗi lượng mưa các khu vực 59

Bảng 3.7: Bảng chỉ số TS cấp mưa to các trạm 59

Bảng 3.8 Bảng các chỉ số đánh giá lượng mưa đợt mưa lớn diện rộng 61

Bảng 3.9 Bảng các chỉ số đánh giá lượng mưa đợt mưa lớn diện hẹp 62

Bảng 3.10 Các chỉ số đánh giá cho hình thế đơn lẻ 63

Bảng 3.11 Các chỉ số đánh giá cấp mưa vừa cho hình thế đơn lẻ 63

Bảng 3.12 Các chỉ số đánh giá cấp mưa to cho hình thế đơn lẻ 64

Bảng 3.13 Các chỉ số đánh giá cho hình thế tổ hợp 64

Bảng 3.14 Các chỉ số đánh giá cấp mưa vừa cho hình thế tổ hợp 64

Bảng 3.15 Các chỉ số đánh giá cấp mưa to cho hình thế tổ hợp 64 Bảng 3.16 Các kết quả đánh giá theo lượng các tháng mưa nhiều và ít mưa 65 Bảng 3.17 Các kết quả đánh giá theo lượng các tháng mưa nhiều và ít mưa 66

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 1.1 Phân bố tổng lượng mưa TBNN khu vực BTB 6

Hình 1.2 Phân bố lượng mưa trung bình trong tháng 7 7

Hình 1.3 Phân bố lượng mưa trung bình trong tháng 11 8

Hình 1.4 Hình thế KKL hoạt động độc lập 10

Hình 1.5 Bão hoạt động độc lập 10

Hình 1.6 Hình thế KKL ảnh hưởng kết hợp với ITCZ 11

Hình 1.7 Hình thế gây mưa ảnh hưởng XTNĐ 12

Hình 1.8: Dự báo nhiệt độ cao (0C) cho thành phố Oklahoma từ ba hệ thống và quan trắc tương ứng 15

Hình 1.9: Giản đồ tụ điểm dự báo nhiệt độ cao cho thành phố Oklahoma 16

Hình 2.1 Bản đồ vị trí các trạm lấy số liệu 33

Hình 2.2 Sơ đồ minh họa phương pháp nội suy điểm gần nhất 38

Hình 3.1 Biểu đồ sai số sai số trung bình 46

Hình 3.2 Biểu đồ sai số tuyệt đối trung bình 49

Hình 3.3 Biểu đồ sai số quân phương 49

Hình 3.4 Biểu đồ sai số hệ thống 51

Hình 3.5 Biểu đồ hệ số tương quan 52

Hình 3.6 Biểu đồ hệ số kỹ năng dự báo 52

Hình 3.7 Biểu đồ chỉ số dự báo đúng 54

Hình 3.8 Biểu đồ chỉ số dự báo khống 56

Hình 3.9 Biểu đồ chỉ số sai số hệ thống dự báo theo cấp 58

MỞ ĐẦU

Trong nỗ lực nâng cao chất lượng dự báo, từ cuối năm 2011, sau một quá trình chọn lựa, Trung tâm Dự báo KTTV Trung ương đã được Bộ Tài nguyên và Môi trường đầu tư dự án mua các sản phẩm dự báo từ mô hình Integrated Forecasting System (IFS) của Trung tâm Dự báo hạn vừa Châu Âu

- ECMWF (ECMWF - European Centre for Medium-range Weather Forecasts) để phục vụ công tác dự báo nghiệp vụ Trong quá trình ứng dụng

mô hình IFS tại Đài Khí tượng Thủy văn khu vực Bắc Trung Bộ cho thấy kết quả dự báo của mô hình này cho chất lượng vượt trội hơn so với các mô hình

dự báo số trị khác, nhưng kết quả dự báo vẫn tồn tại nhiều sai số không tuân theo quy luật gây không ít khó khăn cho dự báo viên trong quá trình ứng dụng [2] Cũng như những mô hình khác, những sai số của mô hình IFS có nguyên

do từ sự không hoàn hảo về động lực, vật lý cũng như sai số về mô phỏng địa hình dẫn tới những sai số trong kết quả dự báo Để nâng cao chất lượng dự báo thì trong quá trình ứng dụng mô hình cần phải có những nghiên cứu, đánh giá mức độ chính xác của mô hình so với các giá trị quan trắc, để tìm ra ưu, nhược điểm của mô hình từ đó rút ra kinh nghiệm để nâng cao chất lượng dự báo Tuy nhiên, cho đến thời điểm hiện nay chưa có tác giả nào nghiên cứu và đánh giá kết quả của mô hình IFS cho dự báo hạn ngắn, duy chỉ có Võ Văn Hòa và cộng sự có nghiên cứu đánh giá kết quả dự báo của mô hình này cho hạn tháng và hạn mùa

Khu vực Bắc Trung Bộ nằm ở khu vực nhiệt đới gió mùa, thường xuyên

có sự giao tranh mạnh mẽ của các khối khí, một trong những khu vực có tần suất xảy ra thiên tai lớn nhất cả nước Do đặc điểm khu vực Bắc Trung Bộ có địa hình hẹp ngang và không đồng nhất nên kết quả dự báo định lượng mưa của mô hình IFS cho khu vực này có sai số khá lớn và đặc biệt các sai số này không mang tính quy luật

Để nâng cao chất lượng dự báo mưa, các dự báo viên rất cần biết khuynh hướng sai số, giá trị sai số, khả năng dự báo mưa của mô hình IFS Chính vì vậy, việc nghiên cứu, đánh giá chỉ ra chất lượng dự báo mưa của mô hình IFS cho khu vực Bắc Trung Bộ bằng các chỉ số đánh giá là hết sức cấp thiết Vì

vậy, đề tài:“Nghiên cứu đánh giá khả năng dự báo mưa hạn ngắn từ mô

hình IFS cho khu vực Bắc Trung Bộ” đã được chọn làm luận văn tốt nghiệp

Thạc sỹ Kết quả nghiên cứu của đề tài sẽ là cơ sở khoa học cho việc nâng cao chất lượng dự báo, cảnh báo mưa, phục vụ công tác PCTT, hạn chế thiệt hại

do thiên tai gây ra trên khu vực BTB

Mục tiêu của đề tài nhằm chỉ ra được chất lượng dự báo mưa của mô hình IFS trên khu vực Bắc Trung Bộ; Đề xuất được các giải pháp cải tiến chất

lượng dự báo mưa từ mô hình IFS cho khu vực Bắc Trung Bộ

Đối tượng nghiên cứu của đề tài là khả năng dự báo mưa mưa thời hạn ngắn của mô hình IFS trong phạm vi khu vực Bắc Trung Bộ trong khoảng thời gian 6 năm từ năm 2012 - 2017

Nội dung của luận văn ngoài phần mở đầu, kết luận và tài liệu tham khảo được bố cục thành 3 chương như sau:

Chương 1: Đặc điểm mưa ở Bắc Trung Bộ và tổng quan tình hình

nghiên cứu đánh giá dự báo

Phần này đề cập khái quát về đặc điểm mưa, các hình thế gây mưa ở Bắc Trung Bộ và sơ bộ về tình hình nghiên cứu chung liên quan đến bài toán đánh

giá dự báo trên thế giới và trong nước

Chương 2: Phương pháp nghiên cứu và cơ sở số liệu

Phần này nêu lý do lựa chọn đối tượng, phạm vi nghiên cứu, phương pháp nghiên cứu, cơ sở số liệu

Chương 3: Kết quả nghiên cứu

Phần này nêu các kết quả có được trong quá trình thực hiện việc đánh giá khả năng dự báo mưa hạn ngắn của mô hình IFS trên khu vực Bắc Trung bộ

CHƯƠNG I ĐẶC ĐIỂM MƯA Ở KHU VỰC BẮC TRUNG BỘ VÀ TỔNG QUAN

VỀ TÌNH HÌNH NGHIÊN CỨU ĐÁNH GIÁ DỰ BÁO

1.1 KHÁI QUÁT VỀ ĐẶC ĐIỂM MƯA Ở BẮC TRUNG BỘ

1.1.1 Phân bố mưa theo không gian và thời gian

Vùng Bắc Trung Bộ (Theo phân vùng của nghành Khí tượng Thủy văn) kéo dài 2,5 vĩ độ, từ 18oN - 20,5oN gồm địa bàn ba tỉnh Thanh Hóa, Nghệ An

và Hà Tĩnh Nhìn chung, vùng khí hậu Bắc Trung Bộ giữ những đặc điểm chính của khí hậu miền Bắc, mùa đông lạnh, mùa hè nền nhiệt độ cao, mưa nhiều vào nửa cuối năm [5]

Do vị trí địa lý của khu vực BTB nằm ở khu vực nhiệt đới gió mùa, thuộc khu vực có sự giao tranh mạnh mẽ của các khối không khí kết hợp với yếu tố địa hình nên khu vực này có lượng mưa nhiều hơn trung bình của cả nước [7] Lượng mưa trung bình năm của khu vực BTB dao động từ 1478 – 2676mm Lượng mưa khu vực BTB phân bố không đều, có sự phân hóa mạnh theo không gian, và thời gian

Sự phân hóa tổng lượng mưa TBNN theo không gian theo hướng giảm dần chiều đông sang tây tại phần phía bắc và phần phía nam của khu vực rất khác nhau Tính trên chênh lệch tổng lượng mưa TBNN ở khu vực Thanh Hóa trạm vùng ven biển có lượng mưa trung bình nhiều năm cao nhất chỉ cao hơn trạm có lượng mưa TBNN thấp nhất ở khu vực phía tây khoảng 330mm, thì khu vực Nghệ An chênh lệch đó là 625mm và khu vực Hà Tĩnh và 730mm, tương ứng với mức chênh lệch theo chiều đông - tây là 22% ở khu vực Thanh Hóa và 37 - 48% ở khu vực Nghệ An và Hà Tĩnh Khoảng cách địa lý giữa các trạm khu vực đồng bằng phía đông và miền núi phía tây ở Thanh Hóa và Nghệ An khoảng 100km nhưng khoảng cách đó ở khu vực Hà

Tĩnh chỉ khoảng 50km điều đó càng cho thấy sự khác biệt về phân hóa lượng mưa TBNN theo chiều đông - tây giữa các khu vực

Tổng lượng mưa TBNN khu vực BTB còn phân hóa rất rõ theo chiều từ bắc vào nam Vùng có mưa cao nhất là vùng đồng bằng ven biển phía nam của tỉnh Hà Tĩnh, vùng có lượng mưa thấp nhất là vùng núi phía tây thuộc tỉnh Thanh Hóa, Nghệ An Chênh lệch lượng mưa giữa vùng mưa nhiều nhất

và vùng mưa ít nhất là khoảng gần 2 lần Cụ thể, tại vùng núi của Thanh Hóa đến Nghệ An, lượng mưa trung bình năm các trạm thấp nhất dao động từ

1298 mm đến 1448 mm, trong khi đó vùng đồng bằng ven biển phía nam của tỉnh Hà Tĩnh lượng mưa năm dao động từ 2584 đến 2676mm Ngoài ra, ở khu vực Hà Tĩnh do ảnh hưởng của địa hình còn có một số khu vực có lượng mưa cao hơn như vùng thượng Kỳ Anh và vùng núi thuộc huyện Hương Khê

Bảng 1.1: Phân bố lượng mưa tháng TBNN từ năm (1988 - 2017)

Xuân 18.2 16.6 42.3 75.3 213.2 237.7 276.8 316.3 250.6 134.3 37.8 17.4 1636.4 Thanh

Hóa 24.8 16.3 46.7 58.6 156.9 154.6 190.0 272.4 345.3 231.4 69.8 31.3 1598.0 Như

Xuân 29.4 19.0 45.4 52.3 172.7 152.2 172.3 286.8 341.9 239.7 79.6 28.5 1619.7 Bái

Thượng 38.2 26.1 58.6 75.1 255.8 218.8 220.1 325.3 292.1 195.9 69.8 26.9 1802.9 Tĩnh

Gia 34.4 30.3 52.8 59.6 153.5 141.8 201.3 273.0 416.2 316.4 93.4 35.4 1808.2

Đô

Lương 35.9 33.1 51.9 57.5 191.0 128.5 144.1 268.9 379.1 374.1 86.3 40.4 1790.7 Tây

Hiếu 23.0 18.3 34.1 51.8 154.8 154.8 178.8 268.7 308.8 252.4 52.4 23.1 1521.1 Quỳ

Châu 21.3 14.8 33.7 69.7 244.0 182.1 192.7 281.9 279.1 204.4 48.3 22.0 1594.0

Cuông 36.5 35.8 57.3 66.9 194.1 135.0 163.1 265.2 320.6 279.4 64.6 33.5 1652.0 Quỳnh

Lưu 16.7 19.1 35.8 46.1 106.9 115.8 131.1 251.7 393.3 350.4 67.8 35.7 1570.4 Tương

Dương 17.6 14.9 36.0 69.0 155.4 157.1 192.0 235.1 231.8 147.6 28.1 13.6 1298.2 Vinh 48.6 35.6 51.5 43.8 151.9 92.8 89.4 264.4 399.6 547.9 126.6 72.3 1924.3 Hương

Sơn 48.7 49.6 64.0 89.4 195.8 95.8 117.0 270.5 316.4 491.0 143.2 65.2 1946.5 Hương

Khê 44.5 48.5 71.6 77.1 212.0 129.1 163.9 307.9 448.5 630.0 194.3 79.3 2406.6

Hà Tĩnh 95.0 57.3 68.6 68.8 168.2 122.9 104.3 241.8 457.5 763.1 273.6 163.1 2584.3

Kỳ Anh 115.

1 69.4 71.4 52.3 161.3 92.9 92.8 242.8 471.8 750.6 349.1 206.7 2676.0

(Nguồn: Đài Khí tượng Thủy văn khu vực Bắc Trung Bộ)

Sự phân hóa theo không gian của tổng lượng mưa từng năm ở các khu vực cũng có nhiều khác biệt giữa các năm Phần lớn các năm phân bố tổng lượng mưa năm giữa phần phía bắc và phía nam tương tự với phân hóa của lượng mưa trung bình nhiều năm nhưng một số năm sự phân bố này khác hẳn Trong chuỗi số liệu 30 năm, từ 1988 - 2017 bên cạnh những năm có chênh lệch lượng mưa cả theo chiều đông - tây và bắc - nam rất ít như năm 1988,

2003, 2006, 2014 với mức chênh lệch chỉ từ 300 - 500mm, thì có những năm mức chênh lệch rất lớn từ 1400 - 1700mm như các năm 1989, 1999, 2001 và

2007

Hình 1.1 Phân bố tổng lượng mưa TBNN khu vực BTB

Từ hình 1.1 thể hiện rất rõ phân bố tổng lượng mưa năm TBNN với tâm mưa lớn tập trung ở phía nam khu vực Tổng lượng mưa tháng TBNN giảm dần từ nam ra bắc, khu vực Nghệ An và Hà Tĩnh lượng mưa TBNN giảm dần

từ đông sang tây, riêng khu vực Thanh Hóa phân bố tổng lượng mưa TBNN theo chiều đông tây không nhiều

Do điều kiện địa hình mà thời gian bắt đầu và kết thúc mùa mưa của các địa phương trong một tỉnh cũng khác nhau Tháng VII là tháng đầu mùa mưa nhưng lượng mưa ≥100mm chỉ tập trung vào vùng núi hai tỉnh phía bắc (Thanh Hóa, Nghệ An), trong khi vùng đồng bằng ven biển mùa mưa thực sự bắt đầu từ tháng XIII Xét theo chỉ tiêu trên có thể nói khu vực miền núi phía Bắc mùa mưa bắt đầu sớm hơn vùng đồng bằng ven biển

Vào cuối mùa hè, khi gió mùa Tây Nam có dấu hiệu kết thúc, vùng đồng bằng ven biển mới bước vào mùa mưa Điều đáng lưu ý trong mùa mưa là do

vị trí địa lý nên khu vực BTB chịu ảnh hưởng hầu hết các loại hình thế thời tiết nguy hiểm xảy ra như bão, áp thấp nhiệt đới, không khí lạnh, hội tụ nhiệt đới, gió Đông trên cao đặc biệt là sự phối kết hợp chi phối của các hệ thống thời tiết đó Những trận mưa lớn gây ra lũ lụt đặc biệt lớn là hệ quả của sự phối kết hợp chi phối của các hình thế thời tiết này

Hình 1.2 Phân bố lượng mưa trung bình trong tháng 7

Từ tháng XI trở đi không khí lạnh ở phía Bắc tiếp tục tràn xuống phía Nam nhưng thời kỳ này các nhiễu động nhiệt đới (bão, áp thấp nhiệt đới, dải hội tụ ) đã lùi hẳn về phía Nam [4] Vì vậy, khi không khí lạnh hoặc tín phong Đông Bắc tràn về sẽ không có sự kết hợp chi phối giữa gió mùa hoặc tín phong Đông Bắc với các nhiễu động nhiệt đới ở phía Nam biển Đông, thời tiết thường chỉ mưa hoặc mưa vừa cho các tỉnh ở BTB Riêng khu vực Hà Tĩnh do nằm ở phía nam của khu vực nên vào tháng XI vẫn còn có mưa to,

mùa mưa kết thúc muộn hơn so với hai tỉnh phía bắc của khu vực

Hình 1.3 Phân bố lượng mưa trung bình trong tháng 11

Khu vực BTB có tổng lượng mưa phân bố không đồng đều giữa các mùa, cũng như giữa các tháng trong năm, gây ra những bất lợi cho sản xuất và sinh hoạt [7] Chính sự phân bố không đồng nhất theo thời gian đã gây thừa nước trong mùa mưa và thiếu nước trong mùa khô

1.1.2 Các hình thế gây mưa

Nằm ở khu vực có sự giao tranh mạnh mẽ của các hệ thống gió mùa nên các hình thế gây mưa ở khu vực BTB rất đa dạng Trong các hình thế thời tiết gây mưa cho khu vực Bắc Trung Bộ có thể chia làm hai loại: các hình thế thời tiết hoạt động độc lập và các hình thế hoạt động kết hợp

Trong số các hình thế thời tiết hoạt động độc lập thì hình thế không khí lạnh thường gây mưa nhỏ cho phần lớn khu vực, chỉ một số ít đợt gây mưa to cho khu vực ven biển phía nam của tỉnh Các hình thế hoạt động độc lập khác

như: rãnh áp thấp, dải hội tụ nhiệt đới, xoáy thuận nhiệt đới, gió đông trên cao thường gây mưa vừa, mưa to cho khu vực Bắc Trung Bộ

Các hình thế ảnh hưởng kết hợp đến khu vực BTB gồm các hình thế: không khí lạnh, rãnh áp thấp, dải hội tụ nhiệt đới, xoáy thuận nhiệt đới, gió đông trên cao kết hợp lại với nhau dưới dạng tổ hợp 2 hình thế hoặc 3 hình thế làm cho diễn biến mưa phức tạp Phần lớn các đợt mưa lớn diện rộng có lượng mưa đặc biệt lớn thường do các hình thế gây mưa tổ hợp này gây ra Dưới đây là một số hình thế thời tiết gây mưa điển hình khu vực BTB:

* Hình thế thời tiết gây mưa do KKL hoạt động độc lập

Hình thế synốp KKL ảnh hưởng độc lập là cách nói tương đối trong phân tích hình thế synốp chỉ quá trình xâm nhập của áp cao lạnh xuống phía nam khi không kết hợp với những hệ thống thời tiết khác [4] Đây là hình thế gây mưa điển hình trong mùa đông, khi áp cao lạnh lục địa hoạt động mạnh, khuếch tán xuống phía nam dưới dạng những đợt KKL thường gây mưa cho khu vực BTB

Trường hợp KKL hoạt động độc lập mặc dù lượng mưa do nó gây ra còn tùy thuộc vào cường độ, hướng di chuyển và điều kiện mặt đệm nhưng nhìn chung lượng mưa do ảnh hưởng của không khí lạnh không nhiều Mưa do không khí lạnh hoạt động độc lập có sự phân hóa theo hướng bắc - nam cả về lượng mưa và dạng mưa, ở phần phía bắc lượng mưa nhỏ hơn và chủ yếu dưới dạng mưa rào hoặc mưa nhỏ thời gian ngắn, phần phía nam do ảnh hưởng địa hình chắn gió đông bắc nên lượng mưa thường lớn hơn và mưa nhỏ thường kéo dài nhiều ngày

yếu nhanh của XTNĐ khi di chuyển sâu vào đất liền (khoảng vào 2 - 3 ngày)

Hình 1.5 Bão hoạt động độc lập

(Nguồn:Trung tâm dự báo KTTV Trung ương)

* Dải hội tụ nhiệt đới hoạt động độc lập

Đây là dạng hình thế synốp được cấu trúc bởi sự hội tụ tín phong của hai bán cầu và được thể hiện phía Bắc là đới tín phong dày và mạnh của rìa áp cao cận nhiệt đới Tây Bắc Thái Bình Dương và phía Nam là gió Tây Nam có nguồn gốc từ Nam bán cầu khi vượt qua xích đạo [4] Cần chú ý rằng mưa lớn

do hệ thống này phụ thuộc khá nhiều ở cường độ của áp cao cận nhiệt đới Mưa lớn thường xuất hiện trong thời kỳ mạnh lên và lấn về phía tây của áp cao cận nhiệt đới

* Hình thế KKL kết hợp với các hình thế khác

Trong các loại hình thế kết hợp đáng chú ý nhất là các hình thế: KKL kết hợp với XTNĐ và KKL kết hợp với nhiễu động trên cao, KKL kết hợp với tín phong và các nhiễu động nhiệt đới khác như ITCZ, XTNĐ hay nhiễu động sóng trong đới gió Đông trên cao… Trong các loại hình thế synốp đặc trưng gây mưa lớn đối với BTB thì loại hình thế áp cao lạnh kết hợp với ITCZ hoặc XTNĐ gây mưa mãnh liệt nhất Thực tế cho thấy khi áp cao lạnh ảnh hưởng thì thường gây mưa nhưng không phải đợt nào cũng gây mưa lớn mà nó hoàn toàn phụ thuộc hoàn lưu trên cao ở lớp dưới của tầng đối lưu (tiêu biểu ở mực 1500m) Thời gian bắt đầu và kết thúc mưa, cường độ mưa, thời gian duy trì mưa lớn, phạm vi mưa không đồng nhất giữa các đợt xâm nhập của KKL

Hình 1.6 Hình thế KKL ảnh hưởng kết hợp với ITCZ

(Nguồn:Trung tâm dự báo KTTV Trung ương)

* Hình thế thời tiết gây mưa do XTNĐ kết hợp với các hình thế khác

Áp thấp nhiệt đới, bão là một trong các loại thiên tai ảnh hưởng đến nước ta nói chung, khu vực BTB nói riêng không chỉ về gió mạnh mà còn sinh ra mưa lớn diện rộng gây ngập lụt nghiêm trọng [5]

Đối với khu vực BTB mưa lớn do ATNĐ, bão xảy ra khá nghiêm trọng Mưa bão xảy ra tùy thuộc tốc độ di chuyển nhanh hay chậm, hướng di chuyển, hệ thống synốp xung quanh, khả năng tồn tại của xoáy trên khu vực ảnh hưởng Cường độ của XTNĐ có liên quan đến mưa do quá trình phát triển đối lưu mạnh hay yếu Mùa bão ở BTB thường trùng với mùa hoạt động của gió mùa mùa đông nên thường kết hợp với nhiều hệ thống synốp khác như KKL, dải hội tụ nhiệt

Sự kết hợp nhiều hình thế thời tiết gây mưa trong đó có sự góp mặt của nhiễu động gió đông trên cao là những hình thế thường gây mưa đặc biệt lớn Nhiễu động mạnh trong dòng gió đông trên cao góp phần kích hoạt đối lưu sâu và chính gió đông cũng là nguồn cung ẩm dồi dào góp phần làm tăng quy

mô, mức độ ảnh hưởng của các hình thế thời tiết khác

Hình 1.7 Hình thế gây mưa ảnh hưởng XTNĐ

(Nguồn:Trung tâm dự báo KTTV Trung ương)

* Dải hội tụ nhiệt đới kết hợp với các hình thế khác

Thông thường ITCZ không phải là loại hình thế đặc trưng gây mưa lớn Mưa do ITCZ chỉ là loại mưa bất ổn định xảy ra không tuân thủ theo thời gian ban ngày hay ban đêm và chỉ xuất hiện trong khu vực có hội tụ mạnh [4] Theo số liệu thống kê về mặt khí hậu thì các dạng hình thế synốp thường khác nhau và điều này quyết định đến cường độ, tổng lượng mưa cũng như thời gian kéo dài do ITCZ gây ra Đối với các tỉnh BTB ITCZ xuất hiện dưới hai dạng chủ yếu: ITCZ hoạt động đơn thuần và ITCZ kết hợp với các hệ thống synop và các nhiễu động khác như KKL, nhiễu động trong đới gió Đông nhiệt đới trên cao, XTNĐ,…

Thực tế trong công tác dự báo hiện nay, các hình thế thời tiết gây mưa kết hợp với nhau sự tương tác qua lại giữa chúng tạo ra nhiều hệ quả khác nhau nên gây khó khăn hơn nhiều trong việc dự báo định lượng mưa, kết quả

dự báo thường có độ sai lệch lớn hơn so với các đợt mưa do các hình thế thời tiết hoạt động độc lập

1.2 TỔNG QUAN VỀ TÌNH HÌNH NGHIÊN CỨU ĐÁNH GIÁ DỰ BÁO

1.2.1 Ngoài nước

Murphy (1996a) là người đầu tiên đưa ra câu hỏi về chất lượng dự báo

và thực hiện đánh giá chất lượng dự báo đầu tiên ở Hoa Kỳ và Tây Âu năm

1880 Koppen và Finley (1984) đã đưa ra một số điểm số quan trọng về đánh giá dự báo dự trên dạng nhị phân (bảng 1.1) [13] Dự báo bão của Finley thực hiện từ ngày 10 tháng 3 đến hết tháng 5 năm 1884, với thời gian dự báo 2 lần/ngày, cho 18 quận phía đông núi Rockies của Hoa Kỳ Bảng 1.2 chỉ ra tổng cộng có 2803 dự báo được thực hiện, trong đó có 100 dự báo có 51 số cơn bão xuất hiện [13]

Bảng 1.2: Dự báo bão của Finley

Trong nửa đầu thế kỷ XX, công tác đánh giá dự báo phát triển rất mạnh

mẽ Muller (1944) đã chỉ ra rằng có 55 các nghiên cứu liên quan đến đánh giá kết quả dự báo thời tiết bằng mô hình số Tổ chức Khí tượng Thế giới (WMO) đã đưa ra 114 trang báo cáo về phương pháp đánh giá sản phẩm của

mô hình dự báo số trị (Stanski và cộng sự, 1989) và được áp dụng sau năm

1980 Tài liệu này rất hữu ích trong việc đánh giá kết quả dự báo thời tiết hạn ngắn Tiếp đến, Trung tâm Dự báo Khí tượng hạn vừa châu Âu đưa ra tài liệu hướng dẫn về kỹ thuật đánh giá kết quả sản phẩm dự báo số trị Kỹ thuật này được ứng dụng tại Trung tâm Khí tượng quốc gia Úc

Trong dự báo được chia thành 02 loại: Dự báo liên tục và dự báo pha (hay dự báo xác suất) Chính vì vậy, tùy thuộc vào từng loại dự báo, chúng ta đưa ra các phương pháp đánh giá khác nhau Một bài toán đánh giá chất lượng của sản phẩm dự báo chính là trả lời cho người sử dụng là: Độ chính xác, kỹ năng, độ tin cậy, độ kiên định, độ nhọn và độ biến động của sản phẩm

dự báo từ mô hình như thế nào?

Các phương pháp đánh giá chất lượng dự báo được sử dụng bao gồm: Phương pháp đồ thị, phương pháp thống kê liên tục và theo loại

Phương pháp đồ thị được xem là công cụ đánh giá đơn giản nhất và thường được sử dụng trong đánh giá các biến liên tục như nhiệt độ và gió Hình 1.1 chỉ ra dự báo nhiệt độ cao từ ba hệ hệ thống dự báo khác nhau, được thực hiện bởi Trung tâm Dự báo thời tiết Quốc gia, Norman, thành phố

Oklahoma (Brooks và Doswell, 1996 [9]) Từ hình 1.8, trung vị của dữ liệu thám sát là 240C, 50% giá trị nằm từ 140C-310C, giá trị cực tiểu -80C và giá trị cực đại là 390C Từ đó, chúng ta đưa ra những nhận định về chất lượng dự báo của mô hình

Hình 1.8: Dự báo nhiệt độ cao ( 0 C) cho thành phố Oklahoma từ ba hệ thống và

quan trắc tương ứng

Một dạng đồ thị khác thường được sử dụng là biểu đồ tụ điểm (Hình 1.9) Các giá trị quan trắc và dự báo cùng được chấm lên đồ thị thành nhóm

ken sít nhau Mỗi điểm chấm “.” biểu thị có ít nhất một lần cặp quan trắc - dự

báo Từ hình 1.9 có thể thấy: Trường hợp, các chấm điểm nằm trên đường

450 (đường liền nét), có nghĩa dự báo thiên cao và ngược lại, được gọi là dự báo thiên thấp Dự báo khá tốt nếu các chấm điểm tập trung xung quanh đường này Giả thiết nếu chúng ta chọn ngưỡng giá trị dự báo là -100C và

400C để giới hạn cho dự báo nhiệt độ cao

Hình 1.9: Giản đồ tụ điểm dự báo nhiệt độ cao cho thành phố Oklahoma

Tất cả những điểm mà nhiệt độ quan trắc thuộc khoảng giá trị nói trên

nhưng không dự báo được gọi là miền sự kiện bị bỏ qua (Missed event) Tất

cả những điểm dự báo nhiệt độ nằm trong khoảng nhưng giá trị quan trắc nằm

ngoài khoảng đó được gọi là miền cảnh báo sai(False alarms)

Phương pháp thống kê liên tục là một công cụ hữu ích trong định lượng chất lượng dự báo Các điểm số thường được sử dụng bao gồm: Sai số hay độ lệch trung bình (ME), sai số tuyệt đối trung bình (MAE), sai số bình phương trung bình, hệ số RV (Reduction of Variance), sai số độ lệch chuẩn, tương quan dị thường Chú ý rằng, điểm số MAE cần được sử dụng kết hợp với ME Nếu MAE của sản phẩm quá khác biệt với ME thì việc hiệu chỉnh sản phẩm

dự báo là hết sức mạo hiểm Trường hợp MAE và ME tương đối “sát” với nhau thì có thể dùng ME để hiệu chỉnh sản dự báo một cách tin cậy

Phương pháp thống kê theo loại: Được chia 02 pha (có và không) Trong

đó, H (Hit) là số dự báo đúng xuất hiện của mưa lớn hơn một ngưỡng được chọn nào đó F (False alarms) là số dự báo mưa không xuất hiện lớn hơn một ngưỡng được chọn nào đó nhưng thực tế không xảy ra M (Misses) là số thám

sát mưa lớn hơn một ngưỡng được chọn nào đó mà mô hình không dự báo được Các điểm số thường được sử dụng gồm: Tần số Bias (FBI), TS, POD, FAR, PC, ETS, TSS, SS, PON, HSS,… Cơ sở của phương pháp thống kê theo loại được chỉ ra trong Bảng 1.3

Bảng 1.3: Cơ sở của phương pháp thống kê theo loại

Thám sát

Có a (Hits) b (False alarms) a+b

Không c (Misses) d (Correct rejections) c+d

Sau khi Finley đưa ra việc đánh giá chất lượng dự báo dựa vào bảng nhị phân (Bảng 1.2), thì năm Murphy (1996a) đã phác thảo chi tiết bảng nhị phân này (Bảng 1.3) Tiếp đến các nghiên cứu đã đưa ra các chỉ số đánh giá như chỉ số thành công

PC (Donaldson và cộng sự, 1975), điểm kỹ năng Gillbert (Schaefer, 1990), điểm kỹ năng Heidke (Heidke, 1926), điểm số ETS (Hogan và cộng sự, 2010) Cho đến nay,

có rất nhiều điểm số được sử dụng bảng nhị phân để đánh giá chất lượng dự báo Kết quả này được tổng hợp trong Bảng 1.4

Bảng 1.4: Các điểm số sử dụng bảng nhị phân

Ký

Khoảng giá trị Tham khảo

Ký

Khoảng giá trị Tham khảo

và cộng sự (1975)[12]

GSS

𝐺𝑆𝑆 = 𝑎 − 𝑎𝑟

𝑎 + 𝑏 + 𝑐 − 𝑎𝑟

= 𝐻 − 𝐹(1 − 𝑠𝐻)/(1 − 𝑠) + 𝐹(1 − 𝑠)/𝑠

Trong đó: 𝑎𝑟 = (𝑎 + 𝑏)(𝑎 + 𝑐 )/n

[-1/3,1]

Gilbert (1884) [14]; Schaefer (1990)

PSS 𝑃𝑆𝑆 = 𝑎𝑑 − 𝑏𝑐

(𝑏 + 𝑑)(𝑎 + 𝑐) = 𝐻 − 𝐹 [-1,1]

Peirce (1884); Hanssen và Kuipers (1965) [15]; Murphy và Daan (1985)

và Brooks (2004)

Ký

Khoảng giá trị Tham khảo

𝑠 )]

−1/2

[-1,1]

Doolittle (1885) [11]; Pickup (1983)

Yule (1900) [0], Stephenson (2000) [18] ROC

Stephenson (2000)[18]

SED

I 𝑆𝐸𝐷𝐼 =𝑙𝑛𝐹 − 𝑙𝑛𝐻 + ln(1 − 𝐻) − ln⁡(1 − 𝐹)

𝑙𝑛𝐹 + 𝑙𝑛𝐻 + ln(1 − 𝐻) + ln⁡(1 − 𝐹) [-1,1]

Ferro và Stephenson (2001) [17] SED

I ET

𝑆𝐸𝐷𝐼𝐸𝑇 =𝑆𝐸𝐷𝐼 − 𝐸[𝑆𝐸𝐷𝐼][𝑟,𝑠]

1 − 𝐸[𝑆𝐸𝐷𝐼][𝑟,𝑠] [biến, 1]

Hogan và cộng sự (2010) [16]

Tuy nhiên, với từng loại yếu tố, người ta lựa chọn các chỉ số đánh giá khác nhau Mục đích để chỉ ra mức độ dự báo chính xác của mô hình Từ đó, cải tiến mô hình, nâng cao chất lượng dự báo

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 [2]

Tại 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 càng 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 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 OR Như vậy, tại mỗi quốc gia, việc lựa chọn phương pháp đánh giá mô hình cũng như các yếu tố dự báo cần được đánh giá là hoàn toàn 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 Nói chung, người ta thường sử dụng các phương pháp khác nhau để đánh giá các yếu tố khí tượng khác nhau Thông thường, các yếu tố này được phân loại thành các yếu tố liên tục như gió, nhiệt độ, độ cao địa thế vị …và các yếu tố rời rạc được dự báo theo ngưỡng hoặc theo xác suất như lượng mưa, dạng mưa, …(Murphy, 1987; Denial, 1995; Jolliffe, 2003) [2]

Hiện tại, có rất nhiều Trung tâm dự báo khí tượng trên thế giới cung cấp các sản phẩm NWP toàn cầu với độ phân giải và số lượng các biến khí tượng khác nhau cho các Trung tâm dự báo khí tượng của các nước đang phát triển dưới dạng miễn phí (phải có ký thỏa thuận giữa bên cung cấp và người sử dụng) hoặc có trả tiền Các Trung tâm này bao gồm Trung tâm dự báo môi trường của Mỹ (NCEP), Hải quân Mỹ (US Navy), Cơ quan khí tượng Nhật Bản (JMA), Tổng cục Khí tượng cộng hòa Liên bang Đức (DWD), Cơ quan khí tượng Hàn Quốc (KMA), Cơ quan khí tượng Canađa (CMC), Cơ quan khí tượng Úc (BoM), Trung tâm Dự báo hạn vừa Châu Âu (ECMWF), … Đối với các nguồn số liệu NWP miễn phí, tùy thuộc vào chính sách của từng Trung tâm, mà cấu hình số liệu (độ phân giải, số lượng biến, số phiên dự báo, số lượng đầu ra, …) sẽ khác nhau giữa các trung tâm khác nhau

Về mặt chất lượng dự báo, đã có rất nhiều nghiên cứu và dự án so sánh chất lượng dự báo toàn cầu của tất cả các Trung tâm dự báo trên thế giới có chạy các hệ thống NWP toàn cầu Nói chung, hầu hết các đánh giá đều cho thấy dự báo tất định và tổ hợp từ các hệ thống NWP của ECMWF là tốt nhất

cho đến thời điểm hiện tại Cụ thể, Toth và nnk (1997) đã tiến hành đánh giá

kỹ năng dự báo tất định và tổ hợp từ 3 hệ thống dự báo tổ hợp toàn cầu của NCEP, ECMWF và CMC cho Bắc bán cầu và nhận thấy các dự báo từ ECMWF luôn có chỉ số đánh giá tốt nhất [8]

Cùng với sự tiến bộ của các mô hình NWP, các kỹ thuật để đánh giá kỹ năng của các sản phẩm này cũng không ngừng phát triển Tuy vậy, các phương pháp đánh giá dự báo phần lớn đều là đơn lẻ chưa có một phương pháp nào là thích hợp để áp dụng chung cho việc đánh giá các sản phẩm dự báo khách quan từ mô hình Đại hội lần thứ 16 (2011) của Tổ chức Khí tượng Thế giới đã phê duyệt đề xuất từ Ủy ban các hệ thống nền tảng (Commission for basic systems) thành lập Trung tâm hướng dẫn đánh giá (Centre for Deterministic NWP Verification (LC-DNV)) và chỉ định ECMWF là trung tâm đứng đầu Việc thành lập trung tâm này nhằm mục đích cung cấp thông tin đánh giá nhất quán về các sản phẩm dự báo thời tiết số (NWP) được sản xuất bởi các trung tâm khác nhau và giúp các trung tâm so sánh và cải thiện

dự báo của họ [8]

1.2.2 Trong nước

Tại Việt Nam, từ năm 1997 trở lại đây, trên cơ sở hợp tác song phương, Trung Tâm Quốc gia dự báo KTTV, Tổng cục KTTV (nay là Trung Tâm dự báo KTTV Quốc gia (TTDBQG), Tổng cục KTTV) đã thu được một số sản phẩm dự báo của các mô hình số từ Cơ quan khí tượng Nhật Bản (JMA), Cơ quan khí tượng Úc (BoM) Đến năm 2002, tại TTDBTƯ bắt đầu chạy nghiệp

vụ mô hình số phân giải cao HRM với phiên bản 28km và 14km Từ năm

2005 trở lại đây, trên cơ sở hợp tác với dịch vụ thời tiết quốc gia (NWS) của

Mỹ và của Canađa, TTDBTƯ đã bắt đầu truy cập và lấy các sản phẩm dự báo

từ các mô hình toàn cầu GFS và NOGAPS của Mỹ, GEM của Canađa cũng như các sản phẩm tổ hợp toàn cầu của hai cơ quan nói trên Cũng trong những

năm này, thông qua hợp tác với Học viện nghiên cứu khí tượng METRI của KMA, Viện khoa học khí quyển và khí hậu (ISAC) của Cơ quan nghiên cứu quốc gia Italia và JMA, các mô hình khu vực quy mô vừa dự báo thời tiết như ETA, WRF, BoLAM, MOLOCH, JMANHM đã được truyển giao, nghiên cứu

và thử nghiệm thành công tại TTDBTƯ Năm 2012, các sản phẩm dự báo từ

mô hình IFS của Trung tâm Dự báo hạn vừa Châu Âu - ECMWF (ECMWF - European Centre for Medium-range Weather Forecasts) được đưa vào phục

vụ công tác dự báo nghiệp vụ [3]

Bên cạnh các hệ thống mô hình NWP tại TTDBTƯ, Viện Khoa học KTTV và Môi trường cùng với Khoa KTTV và Hải dương học thuộc Trường đại học khoa học tự nhiên cũng là hai đơn vị nghiên cứu đang sở hữu các mô hình NWP khu vực riêng Cụ thể, Viện Khoa học KTTV và Môi trường đang chạy mô hình khu vực MM5 và WRF, trong khi Khoa KTTV và Hải dương học đang chạy các mô hình RAMS và WRF với cùng đầu vào từ mô hình GFS Nhờ những thành qủa hợp tác khoa học nói trên, các sản phẩm NWP có thể được tham khảo tại TTDBQG đã tăng lên đáng kể trong thời gian gần đây

cả về chất lượng và số lượng, qua đó cung cấp thêm nhiều thông tin tham khảo hữu ích cho các dự báo viên [2]

Trong quá trình sử dụng đã có một số nghiên cứu về đánh giá kỹ năng dự báo từ mô hình như của Nguyễn Thị Thanh Bình (2002), Nguyễn Văn Bảy (2004), Vũ Anh Tuấn (2004), Hoàng Đức Cường (2008), Võ Văn Hòa (2008), Trần Quang Năng (2009), Đỗ Lệ Thủy (2009), Phạm Thị Tuyết Mây (2012), Nguyễn Thanh Tú (2013) … Tuy nhiên, các nghiên cứu này mới chỉ dừng lại

ở việc đánh giá kỹ năng dự báo cho một số yếu tố khí tượng bề mặt như lượng mưa, khí áp và nhiệt độ đối của các mô hình HRM, MM5 và WRF cho một số điểm trạm hoặc khu vực nghiên cứu Ngoài ra, một số phần mềm đánh giá được phát triển trong các nghiên cứu này không có giao diện tương tác với

người sử dụng, có tính khả mở kém, không có chức năng hiển thị đồ họa và rất khó để chuyển giao cho các cá nhân hoặc đơn vị có nhu cầu sử dụng [2] Dương Liên Châu và cộng sự (2007) đã xây dựng một hệ thống các chi tiêu đánh giá KTTV trong đó có phát triển một phần mềm đánh giá tương đối hoàn chỉnh Có thể nói cho đến nay nghiên cứu của Dương Liên Châu và cộng

sự (2007) là nghiên cứu toàn khá diện về lĩnh vực đánh giá KTTV Tuy nhiên,

đề tài nghiên cứu này thiên về xây dựng các chỉ tiêu và thực hiện đánh giá các bản tin dự báo KTTV nghiệp vụ hơn là đánh giá NWP Trong nghiên cứu này, một số sản phẩm dự báo bề mặt như nhiệt độ và lượng mưa từ mô hình HRM

đã được đánh giá dựa trên một số chỉ số đánh giá cho biến liên tục và biến nhị phân Hạn chế lớn nhất của phần mềm này trong việc đánh giá NWP là có tính khả mở thấp, không có khả năng hỗ trợ các định dạng đầu ra trực tiếp từ các mô hình NWP như Grib, NetCDF, … và rất mất nhiều công sức gia công phần mềm khi bổ sung thêm chức năng và áp dụng cho một mô hình NWP khác Đặc biệt, tại mỗi lần đánh giá, phần mềm này chỉ có khả năng thực hiện cho một mô hình NWP và chưa có khả năng đánh giá trên lưới [2]

Vũ Thanh Hằng (2009), đánh giá chất lượng dự báo mưa của mô hình HRM với các sơ đồ tham số hóa đối lưu Tiedtke, Bett-Miller-Janjic, Heise, Tiedtke cải tiến Các chỉ số được sử dụng để đánh giá gồm: Bias score (BS hay FBI), xác suất phát hiện (Probability of Detection -POD), tỷ phần dự báo phát hiện sai (False Alarms Ratio - FAR), điểm số thành công (Critical Success Index - CSI hay Threat Score - TS), điểm số thành công hợp lý (Equitable Threat Score - ETS), điểm số so le (Odds Ratio) - OR), điểm số kỹ năng Heidke (Odds Ratio) - HSS), điểm số Hanssen & Kuipers (HK hay TSS), độ chính xác (Percentage Correct - PC), sai số trung bình (ME), sai số tuyệt đối trung bình (MAE), sai số bình phương trung bình quân phương (RMSE), hệ số tương quan (r) Kết quả nghiên cứu chỉ ra rằng, dự báo mưa,

đặc biệt là mưa lớn trên khu vực nghiên cứu sơ đồ BMJ tỏ ra thích hợp hơn hẳn so với ba sơ đồ còn lại, bộc lộ trên tất cả các điểm số quan trọng như TS, POD, TSS, HSS và đối với tất cả các miền Bắc Bộ, Trung Bộ, Nam Bộ Điểm số kỹ năng dự báo mưa TSS ở ngưỡng mưa 50mm/ngày của phiên bản gốc H14-31/TK là 15% và của H14-31/BMJ đạt 20% Phiên bản H14-31/BMJ cho dự báo mưa với sai số vị trí 46,1%, sai số thể tích 7,8% và sai số kiểu dáng 46,1% là có kỹ năng dự báo gần tương đương với mô hình LAPS của

Úc Trong khi đó, phiên bản H14-31/TK không có kỹ năng dự báo mưa vì với sai số thể tích 11,3% là lớn hơn so với sai số cho phép 10%, thể hiện cân bằng

ẩm trong phiên bản này chưa tốt Trong các hình thế thời tiết gây mưa lớn, phiên bản sử dụng sơ đồ BMJ có HSTQ luôn cao nhất và tương đối ổn định

Cả bốn sơ đồ TSHĐL đều cho kết quả dự báo thấp trong trường hợp ATNĐ - bão bởi vì đối lưu trong bão là rất phức tạp mà trong các sơ đồ chưa thể mô tả đầy đủ, kể cả với sơ đồ điều chỉnh BMJ Bên cạnh đó, tác giả còn sử dụng phương pháp thẩm định CRA (vùng mưa liên kết) để tìm ra vị trí của vùng mưa (position), cường độ mưa (volume) và hình dạng của vùng mưa (pattern) Theo điểm số này trên trung bình ba mùa mưa H14-31/BMJ vẫn cho kết quả tốt nhất Mặt khác, quan hệ giữa ba sai số phần trăm di chuyển, thể tích và kiểu dáng của H14-31/BMJ là 46,1%, 7,81% và 46,09% tương ứng dao động trong giới hạn cho phép trong đó sai số thể tích phải nhỏ nhất [1]

Võ Văn Hòa và cộng sự (2017) đã chỉ ra được chất lượng dự báo hạn tháng và hạn mùa của số liệu ECMWF cho khu vực Việt Nam, xây dựng được một hệ thống cảnh báo và dự báo các hiện tượng thời tiết nguy hiểm từ quy

mô hạn tháng cho đến hạn mùa, đồng thời xây dựng được một hệ thống phương pháp thống kê (MOS) dạng thích ứng cho số liệu ECMWF để nâng cao chất lượng dự báo khí tượng hạn tháng, hạn mùa rất có ý nghĩa trong ứng dụng

Nói chung, các nghiên cứu đánh giá trong nước mới chỉ áp dụng cho từng biến dự báo, mùa dự báo và khu vực dự báo riêng lẻ mà chưa thực hiện được một đánh giá tổng thể theo cả không gian, thời gian và hình thế thời tiết

Có thể nói, cho đến nay chưa có một nghiên cứu đánh giá toàn diện nào cho từng mô hình NWP cũng như các nghiên cứu so sánh kỹ năng dự báo giữa các

mô hình NWP đang có để chỉ ra mô hình NWP tốt nhất cho điều kiện Việt Nam [3]

CHƯƠNG II PHƯƠNG PHÁP NGHIÊN CỨU VÀ CƠ SỞ SỐ LIỆU

2.1 LỰA CHỌN ĐỐI TƯỢNG NGHIÊN CỨU

Từ lâu, người ta đã nhận thấy tầm quan trọng của công tác dự báo khí tượng thuỷ văn đối với sự nghiệp phát triển kinh tế xã hội, an ninh quốc phòng và đặc biệt trong công tác chủ động phòng chống thiên tai, giảm nhẹ thiệt hại Trong điều kiện xã hội ngày càng phát triển, nhu cầu đòi hỏi thông tin về dự báo KTTV ngày càng cao, không chỉ phong phú về mặt nội dung mà

cả về độ chính xác của bản tin dự báo Vì vậy, việc đánh giá chất lượng bản tin dự báo KTTV là một việc rất cần thiết và ngày càng được các Cơ quan KTTV Quốc gia quan tâm chú ý hơn Việc đánh giá chất lượng bản tin dự báo KTTV là một trong các chỉ tiêu cơ bản để đánh giá công việc của các Cơ quan KTTV quốc gia, đồng thời, thông qua chất lượng dự báo KTTV, có thể định hướng được công tác nghiên cứu và nâng cao chất lượng dự báo một khi biết được chi tiết chỗ mạnh yếu của các sản phẩm dự báo Tuy nhiên, vấn đề đánh giá chất lượng dựbáo KTTV là một vấn đề hết sức phức tạp vì trên thực tế, không có một phương pháp hay quy phạm đánh giá nào bao quát được mọi mục đích của việc đánh giá dự báo Nhiều chuyên gia KTTV cho rằng việc đánh giá chất lượng dự báo cũng khó khăn phức tạp chẳng kém gì việc làm ra

các bản tin dự báo

Dự báo thời tiết là một ngành khoa học áp dụng kết quả của nhiều ngành khoa học khác như: Vật lý, toán học, công nghệ thông tin… để mô phỏng trạng thái của khí quyển và tìm ra các quy luật của thiên nhiên từ đó đưa ra các bản tin dự báo, cảnh báo để chủ động phòng ngừa, giảm thiểu những thiệt hại do thiên nhiên gây ra

Trước đây, dự báo thời tiết các dự báo viên chủ yếu áp dụng các phương pháp: Synop, thống kê Được hình thành từ cuối thế kỷ 19, phát triển mạnh ở thế kỷ 20 và hiện nay vẫn là nền tảng để dự báo thời tiết Dựa trên các yếu tố khí tượng, hiện tượng thời tiết quan trắc, đo đạc được điền trên bản đồ địa lý, các dự báo viên sẽ phân tích vị trí, đặc điểm, tính chất của các hệ thống thời tiết, của các khối khí từ đó dự báo thời gian, cường độ, khu vực xuất hiện và chịu ảnh hưởng bởi các hiện tượng thời tiết kèm theo

Mặc dù phương pháp dự báo Synop là nền tảng của phương pháp dự báo thời tiết hiện nay nhưng phương pháp dự báo Synop mang tính định tính nên kết quả dự báo thời tiết vẫn có những hạn chế nhất định Dự báo thời tiết bằng phương pháp thống kê là phương pháp áp dụng toán học thống kê trên chuỗi

số liệu thời tiết trong nhiều năm, từ đó tìm ra các mối tương quan thống kê giữa các yếu tố khí tượng và hiện tượng thời tiết đã xuất hiện trong quá khứ

để dự báo sự xuất hiện trong tương lai Tuy nhiên, với hạn chế không mô tả được bản chất vật lý của các hiện tượng thời tiết và do chịu ảnh hưởng của biến đổi khí hậu toàn cầu nên các hiện tượng thời tiết có diễn biến khác với quy luật nhiều năm, do đó dự báo thời tiết bằng phương pháp thống kê cho kết quả dự báo không cao đặc biệt là dự báo mưa Trong những năm gần đây với

sự phát triển của Rada thời tiết và ảnh mây vệ tinh chất lượng dự báo có cải thiện nhưng chưa đáp ứng được yêu cầu của công tác phòng chống thiên tai Trong những năm gần đây, cùng với sự phát triển của khoa học công nghệ, sử dụng mô hình dự báo thời tiết số trị (NWP - Numerical Weather Prediction Model) là phương pháp dự báo thời tiết tiên tiến nhất hiện nay [3]

Mô hình dự báo NWP là một chương trình máy tính mô phỏng trạng thái của

bầu khí quyển dựa trên hệ phương trình toán học Navier-Stokes, từ đó tính

toán, dự báo định lượng các yếu tố khí tượng, hiện tượng thời tiết tại các điểm nút lưới không gian và thời gian hoặc nội suy về bất kỳ một điểm bất kỳ

Bên cạnh những phương pháp dự báo truyền thống, trong những năm qua, trên cơ sở hợp tác song phương với các Cơ quan khí tượng nước ngoài và các trung tâm dự báo khí tượng thủy văn trên thế giới nhiều mô hình dự báo

số trị được ứng dụng vào dự báo tác nghiệp tại TTDBTƯ và các đơn vị dự báo địa phương [2] Các sản phẩm NWP tăng lên đáng kể trong thời gian gần đây cả về chất lượng và số lượng, qua đó cung cấp thêm nhiều thông tin tham khảo hữu ích cho các dự báo viên

Trước năm 2011, một số mô hình số trị đã được ứng dụng trong dự báo tác nghiệp có hiệu quả đánh kể như các mô hình toàn cầu GFS của Mỹ, GEM của Canađa, mô hình GSM của Nhật Bản, các mô hình khu vực quy mô vừa

dự báo thời tiết như ETA, WRF, MM5, mô hình HMS

Từ cuối năm 2011, sau một quá trình chọn lựa, Trung tâm Dự báo KTTV

TƯ đã đầu tư dự án mua các sản phẩm dự báo từ mô hình IFS của Trung tâm

Dự báo hạn vừa Châu Âu để phục vụ công tác dự báo nghiệp vụ [2] Trong quá trình ứng dụng mô hình cho thấy kết quả dự báo của mô hình IFS cho chất lượng cao hơn so với các mô hình dự báo số trị khác và đang trở thành

mô hình số tham khảo quan trọng trong dự báo nghiệp vụ dự báo hiện nay

Mô hình IFS, dự báo theo xu hướng dự báo tổ hợp là kết quả quá trình nghiên cứu của ECMWF Dự báo tổ hợp cung cấp các ước tính chính xác và đáng tin cậy về phạm vi các kịch bản có thể xảy ra trong tương lai, các dự báo

và phân tích dựa trên tập hợp này cung cấp thông tin đầy đủ hơn các dự đoán đơn lẻ [8]

Mô hình IFS không chỉ có chất lượng dự báo nổi trội trong thời điểm hiện tại mà trong tương lai không xa, với sự đầu tư nghiên cứu, ứng dụng khoa học công nghệ cùng với hướng tiếp cận dự báo tổ hợp ưu việt nó còn khả năng trở thành mô hình số trị chủ đạo trong dự báo thời tiết toàn cầu Ngay thời điểm hiện tại, nhiều cơ quan nghiên cứu, cơ quan dự báo thời tiết