ĐÁNH GIÁ KHẢ NĂNG DỰ BÁO MƯA LỚN Ở ĐỒNG BẰNG BẮC BỘ SỬ DỤNG SẢN PHẨM TỔ HỢP CỦA CÁC MÔ HÌNH KHU VỰC

Mục đích là đánh giá khả năng dự báo mưa lớn của các thành phần trong hệ thống SREPS và của các phương pháp tổ hợp khác nhau, từ đó đưa ra được chất lượng dự báo của từng dự báo thành ph

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

ĐÁNH GIÁ KHẢ NĂNG DỰ BÁO MƯA LỚN

Ở ĐỒNG BẰNG BẮC BỘ SỬ DỤNG SẢN PHẨM TỔ HỢP

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

ĐÁNH GIÁ KHẢ NĂNG DỰ BÁO MƯA LỚN

L ỜI CẢM ƠN

Trước hết tôi xin bày tỏ lòng cảm ơn sâu sắc tới TS Võ Văn Hòa, người đã

tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này

Tôi xin đặc biệt cảm ơn NGND GS.TS Trần Tân Tiến đã chỉ bảo, cung cấp cho tôi những kiến thức chuyên môn quý giá để thực hiện luận văn

Tôi cũng xin cảm ơn các Thầy cô, các cán bộ trong khoa Khí tượng – Thủy văn – Hải dương học đã giảng dạy tận tình, giúp đỡ và tạo điều kiện thuận lợi cho tôi trong suốt quá trình học tập

Tôi xin cảm ơn các cán bộ phòng Dự báo số trị và viễn thám (Trung tâm Khí tượng Thủy văn quốc gia), các dự báo viên phòng Dự báo – Đài KTTV khu vực đồng bằng Bắc Bộ đã có những trao đổi chuyên môn và hỗ trợ tư liệu để tôi hoàn thiện luận văn này

Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, bạn bè và các đồng nghiệp đã luôn bên cạnh cổ vũ, động viên và tạo mọi điều kiện tốt nhất cho tôi trong

suốt quá trình học tập

Nguy ễn Thanh Thủy

M ỤC LỤC

M Ở ĐẦU ……… 6

CHƯƠNG 1 ĐẶC ĐIỂM MƯA LỚN Ở KHU VỰC ĐỒNG BẰNG BẮC BỘ VÀ T ỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 8

1.1 Đặc điểm mưa lớn ở khu vực đồng bằng Bắc Bộ 8

1.2 T ổng quan các nghiên cứu về đánh giá dự báo mưa trong và ngoài nước 10

1.2.1 Tổng quan những nghiên cứu ngoài nước 10

1.2.2 Tổng quan các nghiên cứu trong nước 13

CHƯƠNG 2 PHƯƠNG PHÁP VÀ TẬP SỐ LIỆU NGHIÊN CỨU 17

2.1 Khái quát v ề hệ thống SREPS 17

2.2 Phương pháp tính toán dự báo tổ hợp 20

2.2.1 Phương pháp trung bình đơn giản 21

2.2.2 Phương pháp tính trọng số theo sai số 21

2.2.3 Phương pháp tính trọng số bằng hồi quy đa biến 22

2.3 Đối tượng và phương pháp đánh giá 23

2.4 Mô t ả tập số liệu nghiên cứu 28

CHƯƠNG 3 KẾT QUẢ ĐÁNH GIÁ 30

3.1 K ết quả đánh giá kỹ năng dự báo mưa của từng thành phần dự báo của h ệ thống SREPS 30

3.2 K ết quả tính toán các chỉ số đánh giá đối với khu vực ĐBBB của 3 phương án tổ hợp 44

3.3 K ết quả đánh giá kỹ năng dự báo tổ hợp đối với các loại hình thế thời ti ết khác nhau 53

K ẾT LUẬN 59

TÀI LI ỆU THAM KHẢO 61

PH Ụ LỤC 63

DANH M ỤC CÁC HÌNH VẼ

Hình 2.1 Miền dự báo cho hệ thống SREPS 17 Hình 2.2 Sơ đồ minh họa phương pháp nội suy điểm gần nhất 24 Hình 2.3 Phân bố của 14 trạm quan trắc khí tượng trên khu vực ĐBBB 29 Hình 3.1 Các điểm số ME, MAE, RMSE, HSTQ của các ngày xảy ra mưa

lớn khu vực ĐBBB từ năm 2010 – 2017 hạn dự báo 24h 30 Hình 3.2 Tương tự như hình 3.1 nhưng với hạn dự báo 48h 32 Hình 3.3 Tương tự như hình 3.1 nhưng với hạn dự báo 72h 33 Hình 3.4 Kết quả tính toán chỉ số FBI cho 3 ngưỡng mưa vừa, mưa to và rất

to và 3 hạn dự báo cho 20 dự báo thành phần của hệ thống SREPS 34 Hình 3.5 Tương tự hình 3.4 nhưng cho chỉ số POD 35 Hình 3.6 Tương tự hình 3.4 nhưng cho chỉ số FAR 36 Hình 3.7 Các chỉ số ME, MAE, RMSE, HSTQ tại trạm Hà Đông và Ninh Bình từ năm 2010 – 2017 hạn dự báo 24h 38 Hình 3.8 Tương tự như hình 3.7 nhưng với hạn dự báo 48h 39 Hình 3.9 Tương tự như hình 3.7 nhưng với hạn dự báo 72h 40 Hình 3.10 Các chỉ số ME, MAE, RMSE, HSTQ đối với khu vực ĐBBB của 3 phương án tổ hợp hạn dự báo 24h, 48h, 72h 45 Hình 3.11 Chỉ số FBI của 3 phương án tổ hợp hạn dự báo 24h, 48h,72h với các ngưỡng mưa 46 Hình 3.12 Tương tự như hình 3.14 nhưng đối với chỉ số POD 47 Hình 3.13 Tương tự như hình 3.14 nhưng đối với chỉ số FAR 48 Hình 3.14 Chỉ số ME, MAE, RMSE, HSTQ của 3 phương án tổ hợp hạn dự báo 24h 48h, 72h tại hai trạm Hà Đông và Ninh Bình 49 Hình 3.15 Các chỉ số ME, MAE, RMSE, HSTQ của 3 phương án tổ hợp đối

với các hình thế gây mưa lớn 55

DANH M ỤC CÁC BẢNG

Bảng 2.1 Cấu hình động lực, vật lý, phương pháp số, độ phân giải của 4 mô

hình HRM, WRFARW, WRFNMM và BoLAM 18

Bảng 2.2: Qui ước và ý nghĩa của 20 dự báo thành phần trong hệ thống SREPS 20

Bảng 2.3 Bảng tổng hợp đánh giá dự báo nhị phân 27

Bảng 3.1 Chỉ số FBI trạm Hà Đông với các ngưỡng mưa 42

Bảng 3.2 Chỉ số POD trạm Hà Đông với các ngưỡng mưa 43

Bảng 3.3 Chỉ số FAR trạm Hà Đông với các ngưỡng mưa 44

Bảng 3.4 Kết quả các chỉ số FBI, POD, FAR của các đợt mưa lớn tại trạm Hà Đông với các ngưỡng mưa của 3 phương án tổ hợp 50

Bảng 3.5 Kết quả các chỉ số FBI, POD, FAR của các đợt mưa lớn tại trạm Ninh Bình với các ngưỡng mưa của 3 phương án tổ hợp 52

Bảng 3.6 Các chỉ số FBI, POD, FAR của các phương án tổ hợp ứng với từng hình thế 56

DANH M ỤC CHỮ VIẾT TẮT

ATNĐ Áp thấp nhiệt đới

ĐBBB Đồng bằng Bắc Bộ

FAR Tỉ lệ phát hiện sai (False Alarm Ratio)

FBI Tỷ số giữa vùng dự báo và vùng thám sát (Frequency Bias index) HSTQ Hệ số tương quan

ITCZ Dải hội tụ nhiệt đới Inter (Tropical Convergence Zone)

KKL Không khí lạnh

KTTV Khí tượng Thủy văn

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

ME Sai số trung bình (Mean Error)

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

NWP Dự báo thời tiết bằng mô hình số trị (Numerical weather prediction) POD Xác suất phát hiện (Probability Of Detection of Event)

QPF Kiểm tra giáng thủy định luợng

RMSE Sai số bình phương trung bình quân phương (Root Mean Square Error) RTBB Rãnh thấp Bắc Bộ

RTBN Rãnh thấp bị nén

SREPS Hệ thống dự báo tổ hợp thời tiết hạn ngắn (Short Range Ensemble

Prediction System)

M Ở ĐẦU

Trong các hiện tượng khí hậu cực đoan, mưa lớn là hiện tượng được đặc biệt quan tâm do những tác động tiêu cực của hiện tượng này đến nhiều mặt đời sống con người cũng như đến kinh tế - xã hội và môi trường Ở Việt Nam nói chung và khu vực đồng bằng Bắc Bộ nói riêng, mưa lớn gây nên những thiệt hại không nhỏ, hầu hết các vùng đều bị tác động bởi hiện tượng cực đoan này ở các mức độ khác nhau Tại khu vực đồng bằng Bắc Bộ, mưa lớn thường gây lũ quét, sạt lở đất ở khu vực có đồi núi như Ba Vì, Ninh Bình, gây ngập lụt ở các tỉnh, thành phố như Hà Nội, Nam Định, Thái Bình Mưa gây thiệt hại về kinh tế, về người, ảnh hưởng tới giao thông, ảnh hưởng tới sản xuất nông nghiệp và những hệ quả kéo theo của hiện tượng mưa lớn là môi trường và khắc phục hậu quả của nó

Mưa là một trong những hiện tượng thời tiết khó dự báo nhất Không những

chỉ khó dự báo mà việc đánh giá dự báo mưa cũng là một việc hết sức khó khăn và

phức tạp Xong dự báo mưa lại có vai trò đặc biệt quan trọng trong công tác phòng,

chống thiên tai và phục vụ phát triển kinh tế - xã hội Vì vậy, dự báo mưa và đánh giá dự báo mưa là hai vấn đề quan trọng cần thiết phải tập trung nghiên cứu

Hiện nay, trong nghiệp vụ dự báo thời tiết hàng ngày, đặc biệt là dự báo các đợt mưa lớn, các dự báo viên đang tham khảo rất nhiều sản phẩm dự báo mưa từ các

mô hình số trị toàn cầu hoặc khu vực ở dạng tất định hoặc tổ hợp Trong đó, các sản

phẩm dự báo mưa từ hệ thống dự báo tổ hợp thời tiết hạn ngắn (SREPS) đang được

chạy nghiệp vụ tại Trung tâm Dự báo Khí tượng Thủy văn (KTTV) quốc gia (Võ Văn Hòa và cộng sự, 2012) thường được tham khảo trong dự báo mưa lớn do các hình thế thời tiết quy mô vừa gây nên Tuy nhiên, việc tham khảo gặp nhiều khó khăn do dự báo viên chưa biết rõ về chất lượng dự báo mưa của SREPS chi tiết theo không gian, thời gian và hình thế thời tiết Do đó, việc đánh giá và chỉ ra chất lượng

dự báo của SREPS trên khu vực đồng bằng Bắc Bộ (ĐBBB) là hết sức cần thiết

Kết quả đánh giá chất lượng sẽ cung cấp nhiều thông tin tham khảo hữu ích cho dự báo viên trong quá trình dự báo mưa lớn

Luận văn này tập trung vào việc đánh giá khả năng dự báo mưa lớn ở khu

vực đồng bằng Bắc Bộ sử dụng sản phẩm dự báo tổ hợp của hệ thống SREPS hiện đang được chạy nghiệp vụ tại Trung tâm dự báo KTTV Quốc gia Mục đích là đánh giá khả năng dự báo mưa lớn của các thành phần trong hệ thống SREPS và của các phương pháp tổ hợp khác nhau, từ đó đưa ra được chất lượng dự báo của từng dự báo thành phần và phương pháp tổ hợp Trên cơ sở đó lựa chọn được các dự báo thành phần và phương pháp tổ hợp cho dự báo mưa lớn tốt nhất để khuyến cáo cho

dự báo viên trong quá trình tham khảo

CHƯƠNG 1 ĐẶC ĐIỂM MƯA LỚN Ở KHU VỰC ĐỒNG BẰNG BẮC

1.1 Đặc điểm mưa lớn ở khu vực đồng bằng Bắc Bộ

Khu vực đồng bằng Bắc Bộ nằm ở phía nam miền Bắc, với vị trí phía Bắc giáp khu vực Đông Bắc, phía Tây Bắc giáp với khu vực Việt Bắc, phía Nam giáp

với khu vực Tây Bắc và Bắc Trung Bộ Là khu vực có khí hậu tập trung những nét điển hình của kiểu khí hậu nhiệt đới gió mùa, đặc biệt có một mùa đông lạnh hơn nhiều so với điều kiện trung bình vĩ tuyến, mùa đông chỉ có thời kỳ đầu tương đối khô còn nửa cuối mùa thì rất ẩm ướt, mùa hạ nóng, nhiều mưa, khí hậu biến động

mạnh Khí hậu ở đồng bằng Bắc Bộ về cơ bản không có sự phân hóa đáng kể giữa nơi này với nơi khác, nhất là về nhiệt độ Tuy nhiên, cũng có thể tách ra một dải hẹp ven biển có khí hậu khác biệt ít nhiều với điều kiện chung của vùng

Lượng mưa phân bố khá đồng đều trên khu vực ĐBBB Trên đại bộ phận đồng bằng Bắc Bộ, lượng mưa trung bình năm trong khoảng 1600 - 1800mm Số ngày mưa toàn năm vào khoảng 130 - 140 ngày Mùa mưa kéo dài 6 tháng, từ tháng

5 đến tháng 10 Trong mùa mưa tập trung tới 85% lượng mưa toàn năm Tháng mưa nhiều nhất thường là 7 hoặc 8 với lượng mưa chiếm tới trên 34,8% tổng lượng mưa năm Ba tháng liên tục có mưa lớn nhất trong năm là 7, 8 và 9 Tổng lượng mưa của

ba tháng này khoảng trên 49% tổng lượng mưa năm Lượng mưa trung bình tháng 8 vào khoảng 300 - 350mm với 16 - 18 ngày mưa Trong 10 - 20% số năm, lượng mưa tháng này vượt quá 500mm Các tháng 7, và 9 lượng mưa trung bình trong khoảng 250 - 300mm, với 12 - 15 ngày mưa Trong cả mùa mưa, xảy ra chừng 5 - 7 ngày có mưa trên 50mm, 1 - 2 ngày có mưa trên 100mm

Lượng mưa cực đại trong 24 giờ có thể tới 400 - 500mm ở ven biển, 300 - 400mm ở đồng bằng và trung du Nói chung, những trường hợp mưa lớn nhất này đều xảy ra trong bão Mưa bão thường kéo dài 2 – 4 ngày với lượng mưa tập trung nhất trong 1 – 2 ngày Lượng mưa lớn nhất trong 24 giờ ở vùng trung tâm bão

thường vào cỡ 200 – 300mm, và lượng mưa toàn đợt vào cỡ 300 – 400mm, có khi tới 500 – 600mm Nói chung, trong mọi trường hợp có bão, lượng mưa toàn đợt đều vượt quá 150mm

Tình hình mưa ở ĐBBB biến động khá mạnh mẽ trong quá trình mùa và từ năm này qua năm khác Những năm nhiều mưa nhất, lượng mưa có thể vượt quá 2500mm, những năm ít mưa nhất không thu được tới 1000mm Chênh lệch lượng mưa giữa năm cực đại và cực tiểu lên tới 1500mm và trên nữa Trong những tháng mùa mưa (với lượng mưa trung bình vào cỡ 250 - 350mm/tháng), lượng mưa tháng lớn nhất có thể vượt quá 500 - 800mm và lượng mưa tháng nhỏ nhất không tới 40 - 50mm Như vậy lượng mưa tháng cực đại có thể gấp 10 - 15 lần tháng cực tiểu [6]

Theo “Qui định tạm thời về tổng kết các hiện tượng thời tiết nguy hiểm hàng năm” của Trung tâm Dự báo KTTV Trung ương, nay là Trung tâm Dự báo KTTV

quốc gia, căn cứ vào lượng mưa thực tế đo được trong 24 giờ tại các trạm quan trắc khí tượng bề mặt, trạm đo mưa trong mạng lưới KTTV mà phân định các cấp mưa khác nhau Mưa lớn được chia làm 3 cấp:

+ Mưa vừa: Lượng mưa đo được từ 16 - 50 mm/24h

+ Mưa to: Lượng mưa đo được từ 51 - 100 mm/24h

+ Mưa rất to: Lượng mưa đo được > 100 mm/24h

Ngày có mưa lớn là ngày xảy ra mưa trong 24 giờ (từ 19 giờ ngày hôm trước đến 19 giờ ngày hôm sau) đạt cấp mưa vừa trở lên

Trong các nghiên cứu về ảnh hưởng của mưa thì cấp mưa to 51 - 100 mm/24h bắt đầu có những ảnh hưởng tiêu cực đến đời sống con người

Tại khu vực đồng bằng Bắc Bộ một số năm xuất hiện những đợt mưa lớn

diện rộng có giá trị lịch sử đo được tại các trạm Điển hình là đợt mưa từ ngày 31/10 – 2/11 năm 2008 tại khu vực đã xảy ra mưa lớn kéo dài, tại trạm Hà Đông đạt giá trị

lịch sử lượng mưa ngày lớn nhất là 514mm (ngày 31/10)

1.2 T ổng quan các nghiên cứu về đánh giá dự báo mưa trong và ngoài nước

1.2.1 T ổng quan những nghiên cứu ngoài nước

Từ giữa những năm 90 của thế kỷ 20, nhóm nghiên cứu về dự báo số trị (WGNE) được thành lập bởi tổ chức Khí tượng thế giới (WMO) đã quan tâm đến

vấn đề đánh giá dự báo mưa định lượng (QPF) Năm 1995, nhóm đã khởi xướng

việc đánh giá mưa định lượng ở các khu vực khác nhau Đầu tiên là NCEP và DWD, sau đó năm 1997 Úc mới bắt đầu đánh giá, Anh là năm 2000, Pháp là năm

2001 và Nhật Bản là năm 2002 Dự báo mưa định lượng 24 giờ và 48 giờ từ 11 mô hình dự báo thời tiết số đã được đánh giá từ năm 1997 đến 2000 so với lượng mưa quan trắc trên toàn nước Mỹ, Đức, Úc để đánh giá kỹ năng dự báo sự xuất hiện và lượng mưa hàng ngày

Năm 1995 NCEP đã tổ chức hội nghị đầu tiên về khả năng ứng dụng dự báo

tổ hợp hạn ngắn (SREF-Short Range Ensemble Forecast) với các mô hình khu vực

quy mô vừa Từ hội nghị này, NCEP đã triển khai một dự án xây dựng một tập các

dự báo thành phần cho SREF gồm 10 dự báo từ mô hình ETA và 5 dự báo từ mô hình RSM Các kết quả nghiên cứu từ dự án này cho thấy EF cho một kỹ năng dự báo bằng hoặc tốt hơn so với dự báo tất định của một mô hình có độ phân giải cao hơn trong dự báo mưa, bão và nhiều yếu tố khác Ngoài ra, xác suất dự báo mưa từ SREF có chất lượng cao hơn so với xác suất dự báo mưa từ phương pháp MOS dựa trên dự báo của mô hình nghiệp vụ NGM Sau NCEP một loạt trung tâm lớn trên

thế giới đã phát triển hệ thống tổ hợp thời tiết hạn ngắn SREF, kèm theo đó là

những nghiên cứu đánh giá kỹ năng dự báo mưa, bão và một số yếu tố khí tượng

nhằm nâng cao chất lượng của hệ thống tổ hợp này Tuy nhiên đến nay lĩnh vực nghiên cứu SREF vẫn còn tồn tại rất nhiều vấn đề chưa được giải quyết Hay nói cách khác, đây vẫn là một bài toán mở cho các nhà nghiên cứu.[21]

Năm 2000, John L MacBride và Elizabeth Ebert thuộc trung tâm nghiên cứu khí tượng Úc đã tiến hành đánh giá dự báo mưa định lượng từ mô hình dự báo thời tiết số trên toàn nước Úc Dữ liệu lượng mưa trong thời gian thực được sử dụng từ bảy mô hình của Úc, Anh, Đức, Nhật Bản, Hoa Kỳ và Trung tâm Dự báo thời tiết

hạn vừa châu Âu (ECMWF) trong khoảng thời gian một năm Nghiên cứu này nằm trong Sáng kiến Phát triển Kỹ thuật của Cục Khí tượng Úc, một trong những mục tiêu chính của nó là cải thiện các dự báo lượng mưa định lượng (QPF) Dự báo mưa định lượng 24 giờ trong thời gian thực từ bảy mô hình NWP đang hoạt động được đánh giá trên lục địa Úc Việc đánh giá tập trung vào hai tiểu vùng lớn: chế độ gió mùa nhiệt đới phía bắc và chế độ cận nhiệt đới phía đông nam Một loạt các chỉ số được dùng đánh giá như bias, FAR, POD, TS… cho các ngưỡng mưa Tuy nhiên, phương pháp cơ bản của kỹ năng được sử dụng trong nghiên cứu này là điểm số Hanssen và Kuipers (HK) và hai thành phần của nó: độ chính xác cho các hiện tượng xuất hiện và không xuất hiện Đối với cả hai chế độ, các mô hình hoạt động

có xu hướng dự báo lượng mưa cao vào mùa hè và thấp vào mùa đông Ở khu vực đông nam các mô hình có điểm số HK dao động từ 0.5 đến 0.7 và dễ dàng

dự báo hơn đối với các điều kiện thời tiết ổn định Vì vậy, đối với các mô hình NWP hoạt động hiện tại, các dự báo mưa 24 giờ có thể được coi là khá tốt ở vùng cận nhiệt đới Mặt khác, kỹ năng mô hình là khá thấp ở chế độ phía bắc với giá trị HK chỉ 0.2 – 0.6 Kỹ năng mô hình giảm đáng kể đối với các ngưỡng mưa lớn hơn 10 mm/ngày Điều này ngụ ý rằng các mô hình dự báo sự xuất hiện của mưa tốt hơn dự đoán độ lớn và các nơi xảy ra mưa cực trị [18]

Năm 2014, trung tâm Met Office của Anh đã có một nghiên cứu “ Lợi ích

của dự báo tổ hợp phân giải cao” Nghiên cứu này đánh giá dự báo xác suất từ hệ

thống tổ hợp của Met Office để thấy được lợi ích của việc sử dụng độ phân giải ngang cao khi dự báo mưa lớn Dự báo xác suất mưa lớn ở Anh đã được đánh giá từ hai cấu hình của Hệ thống dự báo tổ hợp toàn cầu và khu vực (MOGREPS) của Met Office, bao gồm một hệ thống tổ hợp đối lưu độ phân giải cao của Vương quốc Anh (MOGREPS-UK) và một hệ thống tổ hợp toàn cầu có độ phân giải thô hơn (MOGREPS-G) Thời gian đánh giá từ 18 tháng 4 năm 2013 đến 17 tháng 4 năm

2014 Do các giới hạn lấy mẫu liên quan đến các hiện tượng cực đoan (và hiếm), các tác giả đã đánh giá mưa ở các ngưỡng mưa vừa là 10 mm trong 3 giờ, đến ngưỡng lớn hơn là 15 và 20 mm trong 3 giờ Kết quả chỉ được hiển thị đối với

ngưỡng mưa 10 mm vì các ngưỡng cao hơn có kích thước mẫu rất nhỏ khiến khó đưa ra kết luận chắc chắn nào Việc đánh giá giữa quan trắc và xác suất dự báo được biểu diễn trên biểu đồ độ tin cậy Các kết quả cho thấy MOGREPS-UK có độ tin cậy dự báo tốt hơn MOGREPS-G Cả MOGREPS-UK và MOGREPS-G đều có

xu hướng dự báo khống khi các ngưỡng mưa tăng lên Tuy nhiên, về tổng thể độ tin

cậy của MOGREPS-UK ở ngưỡng 10mm trong 3 giờ là rất tốt vì nó vẫn là ngưỡng mưa tích lũy tương đối cao và nó cho thấy độ tin cậy dự báo được cải thiện so với

độ phân giải thô của MOGREPS-G [19]

Năm 2016, các nhà khoa học thuộc trung tâm thời tiết NOAA và các trường đại học đã nghiên cứu đề tài “Đánh giá lượng mưa vùng Đông Mỹ” Trong nghiên

cứu này các tác giả đã tiến hành đánh giá khả năng dự báo mưa của các hệ thống tổ

hợp: phiên bản 2 của hệ thống dự báo tổ hợp toàn cầu (GEFSRv2), hệ thống dự báo

tổ hợp hạn ngắn (SREF), hệ thống dự báo mưa định lượng của trung tâm dự báo NCEP (WPC-PQPF) Các dự báo được đánh giá trên 4 lưu vực sông của miền Đông Hoa Kỳ, sử dụng lượng mưa của hệ thống GEFSRv2 từ năm 2004 – 2013 với hạn

dự báo từ 1 - 16 ngày, SREF và WPC-PQPF từ năm 2012 – 2013 hạn dự báo từ 1 –

3 ngày Kết quả đánh giá chỉ ra rằng, trên khắp miền đông Hoa Kỳ, độ lệch dự báo lượng mưa giảm và kỹ năng, độ tin cậy tăng khi quy mô không gian tăng lên; tuy nhiên, tất cả các dự báo đều dự báo thiên thấp Kỹ năng của các dự báo được đánh giá là tốt hơn trong mùa mát so với mùa ấm Các WPC-PQPF có xu hướng vượt

trội, về hệ số tương quan, sai số trung bình tương đối, độ tin cậy và điểm kỹ năng

dự báo so với GEFSRv2 và SREF [20]

Gần đây nhất năm 2018, trong một nghiên cứu của các nhà khoa học Dian Ratri và Maurice Schmeits thuộc Viện Khí tượng Hoàng gia Hà Lan và Trung tâm

Khí tượng Khí hậu và Địa lý Indonesia đã đánh giá dự báo mưa tổ hợp hạn mùa của ECMWF bằng việc so sánh giữa mô hình đã hiệu chỉnh sai số và chưa hiệu chỉnh sai số tại Java (Indonesia) Trong nghiên cứu này, các tác giả đã sử dụng dữ liệu lượng mưa từ Hệ thống Dự báo tổ hợp hạn mùa của ECMWF 5 (ECMWF-SEAS5)

25 thành phần với độ phân giải 35km bao gồm lượng mưa tích lũy 24 giờ trong 7

tháng từ năm 1981 – 2016 Lượng mưa quan trắc được lấy từ hệ thống quan trắc với

độ phân giải cao (0,25 độ) trên đất liền Đông Nam Á (SA-OBS) Trong phần đánh giá này, dữ liệu lượng mưa hàng ngày được tổng hợp thành lượng mưa tích lũy hàng tháng Đánh giá được tập trung vào các tháng 7, 8, 9 vì đây là những tháng quan trọng giúp người nông dân quyết định việc trồng trọt vụ thứ 3 hay không Đánh giá 2 – 3 tháng đầu tiên cho thấy điểm số xác suất hạng liên tục (CRPSS) là dương và tiếp tục tăng Điểm số kỹ năng Brier (BSS) là một hàm của ngưỡng lượng mưa, trong 1 tháng đầu dự báo cho thấy rằng nhìn tổng thể dự báo đã hiệu chỉnh sai

số của tổ hợp dự báo hạn mùa ECMWF có BSS tốt hơn so với dự báo chưa hiệu chỉnh Cuối cùng, các dự báo đã hiệu chỉnh sai số có độ tin cậy tốt, dựa trên các biểu đồ độ tin cậy cho các sự kiện vượt quá 75% tần suất khí hậu Những cải thiện trong dự báo lượng mưa này sẽ giúp ích cho trồng trọt và dự báo thủy văn thời hạn mùa [17]

1.2.2 T ổng quan các nghiên cứu trong nước

Tại Việt Nam, đã nhiều đề tài nghiên cứu đến vấn đề đánh giá dự báo các

yếu tố thời tiết, trong đó có nhiều đề tài nghiên cứu về vấn đề đánh giá dự báo mưa

ở các khu vực của Việt Nam (Nguyễn Thị Thanh Bình (2002), Nguyễn Văn Bảy (2004), Hoàng Đức Cường (2008), Võ Văn Hòa (2008), Trần Quang Năng (2009),

….) Cụ thể như sau:

Các nghiên cứu của Nguyễn Thị Thanh Bình (2002) và Nguyễn Văn Bảy (2004) đều tập trung đánh giá chất lượng dự báo mưa từ mô hình HRM (mô hình dự báo thời tiết số trị khu vực đầu tiên được chạy nghiệp vụ tại Trung tâm Dự báo KTTV Trung ương từ năm 2002) cho các khu vực Bắc Bộ và Đông Bắc Trong các nghiên cứu này, các chỉ số đánh giá liên tục như ME, MAE, RMSE và các chỉ số đánh giá dự báo pha được sử dụng cho một số ngưỡng mưa như mưa nhỏ, mưa vừa

và mưa to Kết quả đánh giá đã phần nào chỉ ra được các ưu điểm và hạn chế trong kỹ năng dự báo mưa lớn của mô hình HRM cho các khu vực nói trên Trong các nghiên

cứu này, số liệu dự báo mưa trên lưới của mô hình HRM được nội suy về điểm trạm

quan trắc trước khi thực hiện đánh giá bằng phương pháp nội suy điểm gần nhất [3, 2]

Dương Liên Châu và cộng sự (2007) đã xây dựng một hệ thống các chỉ 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 khá toàn 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

mất rất nhiều công sức gia công phần mềm khi bổ sung thêm chức năng và áp dụng cho một mô hình NWP khác [4]

Năm 2008, Hoàng Đức Cường cùng các cộng sự đã nghiên cứu đánh giá khả năng dự báo mưa lớn ở Việt Nam từ mô hình MM5 Tác giả đã dùng các chỉ số ME, MAE, RMSE và các chỉ số PEC, BIAS, CSI để đánh giá dự báo mưa lớn ở Việt Nam cho mô hình MM5 Cụ thể, các chỉ số RMSE, ME, MAE và hệ số tương quan được dùng để đánh giá giữa lượng mưa thực tế và lượng mưa dự báo từ mô hình MM5 với các sơ đồ tham số hóa đối lưu khác nhau như Kuo, Grell, Bett Miller Trong đó sơ đồ Kuo và Betts Miller cho dự báo lượng mưa lớn hơn và Grell cho dự báo lượng mưa thấp hơn so với thực tế Đối với đánh giá dự báo xuất hiện hay không xuất hiện mưa ứng với các ngưỡng khác nhau của dự báo tổ hợp 9 thành

phần, tác giả khẳng định dự báo mưa của mô hình MM5 chưa thật sự thuyết phục trong các trường hợp thử nghiệm nếu xét đến độ lớn của chỉ số CSI (CSI gần 0 hơn

là gần 1 trong đa số các trường hợp).Dự báo tổ hợp cho kết quả khả quan hơn so

với dự báo thành phần với ngưỡng mưa 30mm Tuy nhiên, hầu hết các dự báo thành

phần lại cho kết quả tốt hơn dự báo tổ hợp ở các ngưỡng mưa lớn (50, 100mm) Khi tăng ngưỡng mưa, chỉ số CSI giảm dần đến 0 ở tất cả các trường hợp Các nhận xét

trên đúng với cả ba hạn dự báo khác nhau, duy nhất nhận xét về sự kém hơn của dự báo tổ hợp so với dự báo thành phần ở các ngưỡng mưa 50, 100mm không thật phù

hợp với hạn dự báo 48h [5]

Trần Quang Năng (2009) đánh giá sai số hệ thống dự báo của mô hình HRM cho khu vực Đông Bắc Bộ Tác giả tập trung đánh giá sai số hệ thống (Bias) theo không gian và thời gian của dự báo mưa mô hình HRM, kết hợp với các chỉ số ME, MAE, RMSE trên biến liên tục đa cấp mưa, các chỉ tiêu ETS, HK, HSS trên biến

rời rạc 2 cấp mưa… Qua kết quả phân tích các chỉ tiêu cho khu vực trong 5 tháng mùa mưa (tháng 6 - 10) của 3 năm 2005, 2006, 2007 và so sánh dự báo của mô hình ứng với từng hình thế cụ thể tác giả rút ra một số kết luận: mô hình HRM cho dự báo lượng mưa thường cao hơn thực tế Mô hình cho dự báo tốt trong những trường

hợp mưa lớn gây ra bởi hình thế liên quan đến áp cao lạnh lục địa, ngoài ra đối với xoáy thuận nhiệt đới cũng cho kết quả tốt trên 50% [11]

Phạm Thị Tuyết Mây (2012) đã tiến hành đánh giá và so sánh kỹ năng dự

báo mưa lớn giữa mô hình HRM và MM5 Xét chung cho toàn chuỗi số liệu thấy

mô hình HRM cho dự báo lượng mưa thiên cao, còn mô hình MM5 dự báo mưa thiên thấp Hệ số tương quan của HRM ổn định hơn trong các mùa so với MM5

Kết hợp giữa các chỉ số có thể thấy mô hình HRM có tính ổn định và mức độ tin

cậy cao hơn so với mô hình MM5 Ở cả hai mô hình, dự báo mưa ở các ngưỡng mưa thấp cho kết quả chính xác (độ tin cậy cao hơn) so với các ngưỡng mưa lớn [8]

Nguyễn Thanh Tú (2013) đánh giá kỹ năng dự báo mưa lớn ở miền Trung và Tây nguyên của một số mô hình khu vực đã sử dụng các chỉ số ME, MAE, RMSE

và BIAS, POD, FAR, ETC để đánh giá khả năng dự báo mưa lớn của các mô hình HRM-gfs, WRFARW-gfs VÀ WRFNMM-gfs Kết quả cho thấy tính trung bình cho

cả chuỗi số liệu thì mô hình HRM cho dự báo mưa tốt hơn so với 2 mô hình còn lại

và có lượng mưa tương đối chính xác trên các vùng Mô hình WRFARW tuy không

dự báo tốt bằng HRM nhưng với lượng mưa từ 50 - 100mm/24h thì mô hình này lại

cho kết quả tốt nhất Mô hình WRFNM luôn dự báo hụt cho cả chuỗi số liệu tuy nhiên lại cho kết quả dự báo tốt đối với ngưỡng mưa từ 10 – 30mm/24h Các mô hình đều cho dự báo kém dần với hạn dự báo và cường độ mưa tăng [14]

Năm 2015, nhóm tác giả Công Thanh, Trần Tân Tiến, Nguyễn Tiến Toàn đã đánh giá khả năng dự báo mưa cho khu vực Quảng Ngãi thời hạn 1 đến 2 ngày Trong nghiên cứu này nhóm tác giả đã đánh giá khả năng dự báo mưa cho Quảng Ngãi bằng 3 phương án dự báo là dùng mô hình RAMS, mô hình WRF và tổ hợp 2

mô hình trên Các tác giả sử dụng các chỉ số ME, RMSE và các chỉ số đánh giá dự báo pha FBI, POD, FAR, CSI, PC để đánh giá và đưa ra kết luận: các phương án

lựa chọn đều có thể được sử dụng để dự báo mưa lớn với ngưỡng mưa lớn hơn 50mm/ngày với độ chính xác cao Đặc biệt có thể sử dụng mô hình RAMS và phương án tổ hợp để dự báo mưa hạn 24 giờ và sử dụng mô hình RAMS để dự báo mưa cho hạn 48 giờ [16]

CHƯƠNG 2

PHƯƠNG PHÁP VÀ TẬP SỐ LIỆU NGHIÊN CỨU

2.1 Khái quát v ề hệ thống SREPS

Hệ thống tổ hợp thời tiết hạn ngắn – SREPS (Short Range Ensemble Prediction System) được phát triển và chạy nghiệp vụ tại Trung tâm dự báo Khí tượng Thủy văn Quốc gia từ năm 2010 Hệ thống này được xây dựng dựa trên cách

tiếp cận đa mô hình đa phân tích bằng cách chạy 4 mô hình dự báo thời tiết số trị khu vực gồm HRM, BoLAM, WRF(ARW) và WRF(NMM) với số liệu đầu vào từ 5

mô hình gồm GSM của Cơ quan khí tượng Nhật Bản (JMA), GME của Tổng cục khí tượng cộng hòa liên bang Đức (DWD), GFS của Trung tâm nghiên cứu môi trường quốc gia của Mỹ (NCEP), NOGAPS của Hải quân Mỹ (US Navy), GEM của

Cơ quan khí tượng Canada (CMC) để tạo ra 20 dự báo thành phần

Hình 2.1 Mi ền dự báo cho hệ thống SREPS

Miền tích phân của các mô hình NWP khu vực được lựa chọn như nhau và

thực hiện tích phân dự báo đến 72 giờ với cập nhật biên 6 giờ một từ các trường dự báo của 4 mô hình toàn cầu Các mô hình khu vực trong SREPS sử dụng chung bộ

số liệu các trường tĩnh như địa hình, thảm phủ thực vật, Hình 2.1 đưa ra miền dự báo của hệ thống SREPS Miền tích phân cho 20 dự báo thành phần của hệ thống SREPS bao phủ miền địa lý 99.950

E-124.10E; 4.90N-250N với độ phân giải 0.150

x 0.150, số nút lưới theo chiều vĩ hướng và kinh hướng tương ứng là 162 x 135 Số

liệu dự báo mưa của hệ thống SREPS được sao lưu trên lưới này cho tới hạn dự báo

72 giờ với khoảng cách 6 giờ một

Chi tiết về các tùy chọn tham số hóa vật lý của các mô hình dự báo số trị khu

vực trong hệ thống SREPS được mô tả trong bảng 2.1 dưới đây

Bảng 2.1 Cấu hình động lực, vật lý, phương pháp số, độ phân giải của 4 mô

WRFNMM (Ver 3.1)

BOLAM (Ver 2.0)

Động lực Hệ phương trình

nguyên thủy,

Hệ phương trình nguyên thủy,

Hệ phương trình nguyên thủy,

Hệ phương trình nguyên thủy,

WRFNMM (Ver 3.1)

BOLAM (Ver 2.0)

dạng thủy tĩnh dạng thủy tĩnh dạng thủy tĩnh dạng thủy tĩnh Lọc số Có Không Không Không

sóng

ngắn

Geleyn RRTM GFDL Geleyn kết hợp

với ECMWF và RRTM

Bức xạ

sóng dài

Geleyn Dudhia GFDL Geleyn kết hợp

với ECMWF và RRTM

Lớp biên

hành tinh

Sơ đồ Obukhov

Monin-Yonsei

Mellor-Yamada-Janjic

Sơ đồ Obukhov Đất Mô hình 7 lớp Noah NMM Sơ đồ 4 lớp

Monin-Bề mặt Sơ đồ khuếch

tán 2 lớp Monin-Obukhov Janjic

Sơ đồ Obukhov

110°E, 16°N

WRFNMM (Ver 3.1)

BOLAM (Ver 2.0)

5 mô hình toàn cầu nói trên

5 mô hình toàn cầu nói trên

5 mô hình toàn cầu nói trên Địa

hình USGS 1km USGS 1km USGS 1km USGS 1km Đất FAO 8km FAO 8km FAO 8km FAO 8km

Điều kiện biên

5 mô hình toàn cầu nói trên, cập nhập biên 6 giờ

5 mô hình toàn cầu nói trên, cập nhập biên 6 giờ

5 mô hình toàn cầu nói trên, cập nhập biên 6 giờ

5 mô hình toàn cầu nói trên, cập nhập biên 6 giờ Hạn dự báo 72 giờ 72 giờ 72 giờ 72 giờ

Khoảng thời gian

giữa các sản phẩm

đầu ra

3 giờ 3 giờ 3 giờ 3 giờ

Bảng 2.2 đưa ra ký hiệu của 20 dự báo thành phần được sử dụng trong nghiên cứu Cụ thể, thành phần đầu tiên (M01) là kết quả dự báo từ mô hình khu

vực HRM với đầu vào từ mô hình toàn cầu GFS của NCEP Trong khi dự báo thành

phần thứ 2 (M02) là dự báo từ mô hình khu vực HRM với đầu vào từ mô hình toàn

cầu GME của DWD Tương tự như vậy cho các dự báo thành phần còn lại

Bảng 2.2: Qui ước và ý nghĩa của 20 dự báo thành phần trong hệ thống SREPS

Đầu vào

WRF (NMM) M11 M12 M13 M14 M15

2.2 Phương pháp tính toán dự báo tổ hợp

Dự báo tất định từ dự báo tổ hợp được hiểu như một phương pháp cho phép đưa ra dự báo tối ưu từ các dự báo thành phần Tổ hợp các dự báo thành phần để đưa ra một dự báo đại diện cho cả nhóm cho nên dự báo này vẫn mang tính tất định

Mặc dù mục tiêu chính của dự báo tổ hợp là dự báo xác suất nhưng do dự báo tất định đã trở nên quen thuộc trong dự báo thời tiết, nên dự báo tổ hợp vẫn cần cung

cấp thêm dự báo tương tự như dự báo tất định

Khi đã có các sản phẩm dự báo khác nhau cho cùng một trường hợp (yếu tố,

thời điểm) có thể tồn tại các phương pháp thống kê khác nhau nhằm tạo ra sản phẩm

dự báo tổ hợp Một số phương pháp chính và đơn giản bao gồm:

- Phương pháp lấy trung bình đơn giản

- Phương pháp tính trọng số theo sai số

- Phương pháp xác định trọng số bằng hồi quy tuyến tính đa biến

Cả ba phương pháp trên đều có điểm chung là tạo tổ hợp tuyến tính, khác nhau duy nhất giữa các phương pháp này là cách tính trọng số

Công thức tổng quát có thể viết dưới dạng:

Fth =∑ 𝑤𝑤𝑁𝑁 𝑖𝑖 𝑓𝑓𝑖𝑖

Trong đó: Fth : kết quả dự báo tổ hợp

fi : dự báo thành phần của mỗi mô hình

wi: trọng số tương đương với từng dự báo N: số thành phần tham gia tổ hợp

Đối với từng phương pháp cụ thể công thức 2.1 có thể được biểu diễn như sau:

2.2.1 Phương pháp trung bình đơn giản

Theo phương pháp này, các trọng số là bằng nhau và được tính theo công

thức wi =1/N Do đó, công thức (2.1) được viết lại thành:

Fth = 𝑁𝑁1 ∑ 𝑓𝑓𝑁𝑁𝑖𝑖=1 𝑖𝑖 (2.2)

Mặc dù có thể lý luận rằng sai số từ các thành phần tổ hợp là khác nhau (có thành phần có kỹ năng dự báo tốt hơn, có thành phần có kỹ năng dự báo kém hơn) cho nên trung bình hóa không phải là một phương pháp tốt để có được một dự báo

tối ưu, nhưng trên thực tế dự báo trung bình tổ hợp lại rất hiệu quả đối với dự báo

hạn vừa, hạn dài, thậm chí cả hạn ngắn

Khi hạn dự báo ngắn, phương pháp này có thể có những thiếu sót về kỹ năng

dự báo không tương đương giữa các mô hình Do đó, khi áp dụng phương pháp này trong dự báo hạn ngắn, cần có những lựa chọn thành phần phù hợp khi đưa vào trung bình hóa dựa trên chất lượng dự báo của mỗi thành phần Trong trường hợp này, các dự báo viên đóng một vai trò quan trọng trong việc quyết định nên hay không nên đưa mô hình nào vào hệ thống tổ hợp

2.2.2 Phương pháp tính trọng số theo sai số

Các trọng số của dự báo thành phần được xác định bởi sai số của chính các

dự báo thành phần tương ứng

Wi = 1/ei

∑𝑁𝑁𝑖𝑖=11/ei R (2.3)

ei là sai số của các dự báo thành phần

Phải bảo đảm rằng tỷ trọng của từng dự báo thành phần tỷ lệ nghịch với sai

số tương ứng và tổng tỷ trọng bằng 1 Nếu các dự báo thành phần có chất lượng dự báo như nhau (sai số dự báo bằng nhau), thì công thức (2.3) sẽ trở thành công thức (2.2), tức là quy về dự báo trung bình cộng đơn giản Sai số được chọn để tính là sai

số bình phương trung bình quân phương (RMSE) của các dự báo thành phần

Trong luận văn này, sau khi tính các chỉ số đánh giá định lượng của từng thành phần dự báo, tiến hành lấy nghịch đảo chỉ số RMSE làm trọng số của từng

thành phần rồi áp dụng vào công thức 2.1 để tính được dự báo mưa lớn từ phương pháp tổ hợp tính trọng số bằng nghịch đảo của sai số Công cụ tính toán chủ yếu là dùng bảng tính Exel

2.2.3 Phương pháp tính trọng số bằng hồi quy đa biến

Fth =∑ 𝑤𝑤𝑁𝑁𝑖𝑖=1 𝑖𝑖 𝑓𝑓𝑖𝑖 + C (2.4)

Trong đó: C là số hạng tự do

Wi : các hệ số hồi quy (trọng số của từng dự báo thành phần) Đối với phương pháp này ta phải sử dụng bộ số liệu lịch sử để xây dựng phương trình hồi quy Sai số tổ hợp sẽ biến đổi tương đối mạnh nếu sử dụng các số

liệu nền khác nhau Bộ số liệu để tính hồi quy càng lớn thì kết quả tổ hợp hồi quy tuyến tính sẽ càng tốt Các dự báo thành phần phải có độ dài bộ số liệu lịch sử tương đương nhau

Để tính toán kết quả dự báo mưa lớn bằng phương pháp tính trọng số bằng

hồi quy đa biến tôi tiến hành tính trọng số hội quy bằng phần mềm thống kê R, sau khi có kết quả các trọng số của từng thành phần dự báo, áp dụng vào công thức 2.1 tính ra được kết quả dự báo mưa theo phương pháp tổ hợp tính trọng số bằng hồi quy tuyến tính

2.3 Đối tượng và phương pháp đánh giá

2.3.1 Đối tượng đánh giá

Để có thể đánh giá được chất lượng dự báo mưa lớn của hệ thống SREPS, trong nghiên cứu này tôi sử dụng đại lượng mưa tích lũy 24h - R24 (được tính từ 19h tối của hôm trước đến 19 giờ tối của hôm sau - tương tự như lượng mưa tích lũy 24h được phát báo trong các mã điện synop) Do sử dụng đại lượng R24, nên trong nghiên cứu này tôi sử dụng khái niệm ngày mưa lớn diện rộng được tính theo

“Qui định tạm thời về tổng kết các hiện tượng thời tiết nguy hiểm hàng năm” của

Trung tâm Dự báo Khí tượng Thủy văn quốc gia Cụ thể, một ngày thỏa mãn điều

kiện mưa lớn diện rộng nếu có từ 1/2 số trạm trong khu vực nghiên cứu có lượng

mưa R24 lớn hơn 16mm/24h Ngoài ra, để xem xét chi tiết hơn theo cường độ mưa, trong phần đánh giá dự báo pha, tôi sử dụng thêm 2 cấp độ mưa lớn là mưa to (51mm/24h ≤ R24 ≤ 100mm/24h) và mưa rất to (R24 > 100mm/24h)

Do sử dụng lượng mưa tích lũy 24h được tính từ 19h tối của hôm trước đến

19 giờ tối của hôm sau, nên để đơn giản trong việc xử lý số liệu dự báo từ hệ thống SREPS, tôi sử dụng số liệu dự báo mưa của SREPS bắt đầu từ phiên dự báo 12UTC (19 giờ Việt Nam) thay vì sử dụng các dự báo bắt đầu từ 00UTC Mặt khác, đại lượng R24 được sử dụng để đánh giá, nên trong các phần đánh giá dưới đây kết quả tính toán các chỉ số đánh giá cho hạn dự báo 24h, 48h và 72h cần được hiểu tương ứng là đánh giá dự báo lượng mưa tích lũy 24h từ 00-24h (dự báo lượng mưa ngày

thứ đầu tiên), 24h-48h (dự báo lượng mưa ngày thứ hai) và 48-72h (dự báo lượng mưa ngày thứ ba) Khái niệm lượng mưa tích lũy tổng cộng theo hạn dự báo không được sử dụng trong nghiên cứu này

Do không có số liệu mưa quan trắc trên lưới như độ phân giải của hệ thống SREPS, nên việc đánh giá chất lượng dự báo mưa lớn của hệ thống SREPS được

thực hiện tại các điểm trạm quan trắc Do đó, cần thiết phải nội suy số liệu mưa dự báo từ lưới mô hình về điểm trạm Trong nghiên cứu này, tôi sử dụng phương pháp

nội suy điểm gần nhất để đưa dữ liệu dự báo mưa trên lưới về điểm trạm quan trắc

để đảm bảo hạn chế tối đa các sai số do phương pháp nội suy gây nên, do đại lượng mưa có tính cục bộ cao Hình 2.2 dưới đây đưa ra sơ đồ minh họa phương pháp nội suy điểm gần nhất Theo phương pháp này, từ vị trí của điểm cần nội suy, thuật toán

sẽ tính toán khoảng cách của điểm nút lưới gần nhất và sử dụng giá trị tại nút lưới này để gán cho điểm nội suy Ngoài ra, để hạn chế việc lựa chọn sai điểm nút lưới trên biển (do tất cả các trạm đều ở trên đất liền), bản đồ mặt nạ đất biển của các mô hình trong hệ thống SREPS được sử dụng để đảm bảo chỉ những điểm nút lưới trên đất liền được sử dụng để nội suy

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

Để chỉ ra được chất lượng dự báo mưa lớn của SREPS theo cả góc độ định lượng và pha mưa, tôi sử dụng 2 nhóm chỉ số đánh giá gồm các đánh giá dự báo định lượng (như ME, MAE, RMSE, hệ số tương quan - HSTQ) và các chỉ số đánh giá dự báo pha (FBI, POD, FAR)

2.3.2 P hương pháp đánh giá dự báo mưa

2.3.2.1 Đánh giá dự báo định lượng

Khi ta đo mưa ở các điểm đo thì lượng mưa đo được là các số thực dương và

ta có số liệu trường Sau khi sản phẩm dự báo mưa từ nút lưới được nội suy về trạm,

ta cũng có trường mưa dự báo Tuy trường mưa không liên tục như trường áp và nhiệt, song lượng mưa tương ứng với từng điểm quan trắc thì vẫn được xem là liên

tục Trong trường hợp này ta hoàn toàn có thể đánh giá chất lượng dự báo mưa bằng

những công thức định lượng xác định mối quan hệ giữa mưa quan trắc thực tế và mưa dự báo của mô hình

Các chỉ số đánh giá với biến liên tục:

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

a, Sai s ố trung bình ME:

của sai số ME dương cho biết giá trị dự báo vượt quá giá trị quan trắc và ngược lại

Mô hình được xem là hoàn hảo nếu ME = 0

b, Sai s ố tuyệt đối trung bình MAE:

để đánh giá độ tin cậy Chẳng hạn MAE khác biệt hẳn với ME thì việc hiệu chỉnh là

hết sức mạo hiểm Trong trường hợp ngược lại khi MAE và ME tương đối sát với nhau thì có thể dùng ME để hiệu chỉnh sản phẩm dự báo một cách đáng tin cậy

c, Sai s ố bình phương trung bình MSE

hiện việc hiệu chỉnh sản phẩm mô hình Giống như MAE, RMSE không chỉ ra độ

lệch giữa giá trị dự báo và giá trị quan trắc Giá trị của RMSE nằm trong khoảng (0,+ ∞) Khi so sánh MAE và RMSE ta thấy: RMSE ≥ MAE Còn RMSE = MAE khi và chỉ khi tất cả các sai số có độ lớn như nhau: RMSE = MAE = 0

e, H ệ số tương quan r

Hệ số tương quan cho phép đánh giá mối quan hệ tuyến tính giữa tập giá trị

dự báo và tập giá trị quan trắc Giá trị của nó biến thiên trong khoảng -1 đến 1, giá

trị hoàn hảo bằng 1 Giá trị tuyệt đối của hệ số tương quan càng lớn thì mối quan hệ tuyến tính giữa hai biến càng chặt chẽ Hệ số tương quan dương phản ánh mối quan

hệ cùng chiều (đồng biến), hệ số tương quan âm biểu thị mối quan hệ ngược chiều (nghịch biến) giữa dự báo và quan trắc

2.3.2.2 Đánh giá dự báo pha

Trường hợp đơn giản nhất của các biến phân hạng là biến nhị phân (chỉ có hai giá trị) ví dụ mưa có xuất hiện hay không Trong trường hợp này người ta thường sử dụng bảng phân loại như mô tả trong bảng 2.3 trong đó N = A+B+C+D

là dung lượng mẫu Bảng 2.3 chỉ ra các tần suất dự báo và quan trắc có hay không

Có tất cả bốn cách kết hợp giữa dự báo (có hoặc không) và quan trắc (có hoặc không), ta gọi đó là phân bố chung

Phân bố chung bao gồm:

- Tỷ lệ dự báo trúng (hit): đối tượng được dự báo là xảy ra và thực tế đã xảy ra

- Dự báo sai (miss): đối tượng được dự báo là không xảy ra nhưng thực tế lại

xảy ra

- Báo động sai (false alarms): đối tượng được dự báo là xảy ra nhưng thực tế không xảy ra

- Dự báo đúng “yếu” (correct negative): đối tượng được dự báo là không xảy

ra và thực tế không xảy ra

Một dự báo hoàn hảo sẽ chỉ cho ta “dự báo trúng” và “đúng yếu” không cho

“báo động sai” và dự báo sai”

Bảng 2.3 Bảng tổng hợp đánh giá dự báo nhị phân

Dự báo Quan trắc

Có A – dự báo đúng B – báo động sai Không C – dự báo sai D – đúng “yếu”

Một số chỉ số đánh giá dựa trên thống kê từ bảng 2.1 bao gồm:

a, Ch ỉ số FBI (hay BS): Đánh giá tỷ số giữa vùng dự báo và vùng thám sát

FBI =𝐴𝐴+𝐵𝐵

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

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

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

FBI là tỉ lệ giữa số lần có xảy ra hiện tượng theo mô hình và theo quan trắc Giá trị FBI biến đổi trong khoảng từ 0 đến +∞ FBI càng nhỏ hơn 1 mô hình cho kết

quả càng sai sót nhiều; FBI càng lớn hơn 1 mô hình cho kết quả càng sai khống nhiều Giá trị lý tưởng là FBI = 1 Đại lượng FBI chỉ cho biết mức độ phù hợp giữa

mô hình và quan trắc về tần số xuất hiện nhưng không phản ánh độ chính xác của

mô hình

b, Xác su ất phát hiện (POD)

POD = 𝐴𝐴

POD được hiểu là xác suất xuất hiện hiện tượng, bằng tỷ số giữa số lần trùng

khớp giữa mô hình và quan trắc khi hiện tượng có xuất hiện (A) và tổng số lần xuất

hiện hiện tượng trong thực tế POD cho biết khả năng thành công của mô hình, có giá trị trong khoảng từ 0 đến 1, lý tưởng là POD = 1 (mô hình được xem là hoàn

hảo) POD càng gần 1 thì độ chính xác của mô hình càng cao POD rất nhạy đối với

“dự báo trúng”, không nhạy đối với “báo động sai”

c, Ch ỉ số FAR (tỷ lệ phát hiện sai)

FAR = 𝐵𝐵

FAR cho biết tỷ lệ mô phỏng/dự báo khống của mô hình (mô hình cho kết

quả có nhưng thực tế hiện tượng không xảy ra) Giá trị của FAR biến đổi từ 0 đến 1 FAR = 0 khi B = 0, tức là tỷ lệ khống của mô hình bằng 0 Giá trị của FAR càng

gần 0 thì mô hình càng tốt (tối ưu) Ngược lại, FAR càng tiệm cận tới 1 (tương đương với A tiến gần tới 0) thì mô hình càng kém

Các chỉ số đánh giá được tính toán chủ yếu bằng công cụ Exel để so sánh dự báo của các thành phần trong hệ thống SREPS và các phương pháp tổ hợp với nhau,

cụ thể được trình bày trong chương 3

2.4 Mô t ả tập số liệu nghiên cứu

Để phục vụ bài toán đánh giá, 155 ngày xảy ra mưa lớn diện rộng theo tiêu chí ở trên trong giai đoạn 2010 - 2017 trên khu vực ĐBBB được sử dụng Trong đó, năm 2010 có 13 ngày, năm 2011 có 21 ngày, năm 2012 có 23 ngày, năm 2013 có 28 ngày, năm 2014 có 15 ngày, năm 2015 có 13 ngày, năm 2016 có 17 ngày và năm

2017 có 25 ngày Dựa trên các ngày mưa lớn này, số liệu quan trắc R24 được thu

thập tại 14 trạm quan trắc khí tượng bề mặt thuộc khu vực ĐBBB (xem hình2.3)

Hình 2.3 Phân b ố của 14 trạm quan trắc khí tượng trên khu vực ĐBBB

Số liệu quan trắc R24 được thu thập từ mã điện báo, nên các bước kiểm tra

chất lượng như kiểm tra mã điện, kiểm tra vật lý và kiểm tra logic được thực hiện để

loại bỏ các dữ liệu sai Để kiểm chứng độ chính xác trong dự báo mưa lớn, số liệu

của tất cả 14 trạm được lấy trong các ngày xảy ra mưa lớn diện rộng thay vì chỉ lấy

những trạm có R24 quan trắc thỏa mãn điều kiện mưa lớn Khác với số liệu quan

trắc mưa, số liệu dự báo từ 20 dự báo thành phần của SREPS được thu thập vào các phiên dự báo 12UTC của các ngày trước 1, 2 và 3 ngày của ngày xảy ra mưa lớn để đánh giá kỹ năng dự báo R24 tương ứng cho các hạn dự báo 24, 48 và 72h Do đó,

tổng số dung lượng mẫu của 3 hạn dự báo là như nhau và bằng 155 mẫu Số liệu dự báo mưa trên lưới của 20 dự báo thành phần được nội suy về điểm trạm bằng phương pháp nội suy điểm gần nhất trong đó đảm bảo nguyên tắc không sử dụng điểm nút lưới nằm trên biển

CHƯƠNG 3 KẾT QUẢ ĐÁNH GIÁ

3.1 K ết quả đánh giá kỹ năng dự báo mưa lớn của các thành phần dự báo c ủa hệ thống SREPS

3.1.1 K ết quả đánh giá cho toàn khu vực

Hình 3.1 đưa ra kết quả tính toán các chỉ số sai số trung bình (ME), sai số tuyệt đối (MAE), sai số quân phương (RMSE) và hệ số tương quan giữa lượng mưa

dự báo và lượng mưa quan trắc (HSTQ) cho dự báo hạn 24h (lượng mưa tích lũy 24h của ngày dự báo thứ nhất) đối với từng dự báo thành phần của hệ thống SREPS trên khu vực ĐBBB Từ hình 3.1 nhận thấy sai số ME của cả 20 thành phần đều âm,

chứng tỏ các thành phần đều dự báo thấp hơn so với quan trắc Mặt khác, ngoại trừ

dự báo thành phần thứ 15 (mô hình WRF phiên bản NMM chạy với đầu vào của GEM) cho giá trị ME âm và gần bằng 0, các dự báo thành phần còn lại đều có biên

độ ME gần nhau

Đối với chỉ số đánh giá liên quan đến sai số định lượng, các dự báo thành

phần có giá trị MAE dao động từ 25 - 27mm và RMSE từ 33 – 36mm Nói chung, sai số trong dự báo mưa lớn trên khu vực ĐBBB tại hạn dự báo 24h của các dự báo thành phần của SREPS không có quá nhiều khác biệt Hay nói cách khác, chất lượng dự báo mưa lớn của 20 dự báo thành phần của SREPS là gần tương tự như nhau Kết quả này hoàn toàn phù hợp với các kết quả nghiên cứu của Võ Văn Hòa

và các cộng sự (2012) trong đó đã chứng minh độ tán dự báo tổ hợp của SREPS quá

nhỏ trong dự báo mưa, dẫn đến dự báo xác suất xảy ra mưa thường bị quá tin cậy Ngoài ra, từ hình 3.1 cũng có thể thấy giá trị của chỉ số MAE và RMSE trong từng

dự báo thành phần không có quá nhiều khác biệt Hay nói cách khác, chất lượng dự báo mưa của SREPS tương đối ổn định, không bị các giá trị sai số bất thường

Hệ số tương quan cho biết mức độ phù hợp giữa lượng mưa dự báo và lượng mưa quan trắc, trong trường hợp này hệ số tương quan của các dự báo thành phần dao động từ 0.37 - 0.47 Dự báo M12 (mô hình WRF(NMM) chạy với đầu vào GME) có hệ số tương quan thấp nhất, phù hợp với giá trị MAE, RMSE tương đối cao Thành phần M05 (mô hình HRM chạy với đầu vào GSM) có hệ số tương quan

lớn nhất, phù hợp với giá trị MAE, RMSE thấp nhất, đây cũng là dự báo thành phần

có chất lượng dự báo ổn định nhất trong số 20 dự báo thành phần