Cấu trúc không thời gian của nhiệt độ và lượng mưa tháng ở việt nam trong các thập kỷ gần đây và thử nghiệm dự báo

DANH MỤC HÌNH VẼ Hình 1.1: Minh họa chỉ số LEPS theo hàm xác suất tích luỹ Hình 2.1: Qui trình kiểm nghiệm chéo Hình 3.1: Tổng lượng phương sai chiếm đóng trong các thành phần chính trườ

Trang 1

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

ĐỖ VĂN MẪN

CẤU TRÚC KHÔNG - THỜI GIAN CỦA NHIỆT ĐỘ VÀ LƯỢNG MƯA THÁNG Ở VIỆT NAM TRONG CÁC THẬP KỶ GẦN ĐÂY VÀ THỬ NGHIỆM DỰ BÁO

LUẬN VĂN THẠC SỸ KHOA HỌC

Hà Nội - 2013

Trang 2

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

ĐỖ VĂN MẪN

CẤU TRÚC KHÔNG - THỜI GIAN CỦA NHIỆT ĐỘ VÀ LƯỢNG MƯA THÁNG Ở VIỆT NAM TRONG CÁC THẬP KỶ GẦN ĐÂY VÀ THỬ NGHIỆM DỰ BÁO

Trang 3

MỤC LỤC

DANH MỤC HÌNH VẼ 5

LỜI CẢM ƠN 8

MỞ ĐẦU 9

Chương 1: TỔNG QUAN Error! Bookmark not defined I TỔNG QUAN 10

1 Một số khái niệm chung 10

2 Tình hình nghiên cứu ngoài nước 12

3 Tình hình nghiên cứu trong nước 16

II MỘT SỐ PHƯƠNG PHÁP THỐNG KÊ ỨNG DỤNG TRONG DỰ BÁO KHÍ HẬU 18

1 Phương pháp tương quan, hồi qui 19

2 Phương pháp xác suất có điều kiện và hàm phân biệt 20

3 Phương pháp phân tích phổ 20

4 Phương pháp phân tích "mạng thần kinh" (neural network) 20

III ĐÁNH GIÁ CHẤT LƯỢNG DỰ BÁO KHÍ HẬU 21

1 Chỉ tiêu đánh giá dựa trên sai khác giữa giá trị dự báo và quan trắc 21

2 Chỉ số đánh giá dựa vào xác suất xuất hiện 22

3 Chỉ tiêu đánh giá dựa vào ”bảng liên kết” (contigency table) 23

Chương 2: PHƯƠNG PHÁP NGHIÊN CỨU 26

I PHƯƠNG PHÁP PHÂN TÍCH CẤU TRÚC KHÔNG GIAN, THỜI GIAN TRƯỜNG DỮ LIỆU 26

Phân tích nhân tố 26

2 Phân tích tương quan Canon 30

3 Kiểm nghiệm chéo 30

4 Hệ số tương quan chuẩn sai (ACC - Pearson) 31

Chương 3: PHÂN TÍCH CẤU TRÚC TRƯỜNG NHIỆT, MƯA QUAN TRẮC VÀMỘT SỐ KẾT QUẢ DỰ BÁO THỬ NGHIỆM 33

I PHÂN TÍCH CẤU TRÚC KHÔNG GIAN, THỜI GIAN CỦA TRƯỜNG NHIỆT ĐỘ VÀ LƯỢNG MƯA 33

Trang 4

1 Phân tích cấu trúc trường nhiệt độ trong bốn mùa 34

1.1 Cấu trúc trường nhiệt độ các tháng hoạt động của gió mùa mùa đông (12-2) 34

1.2 Cấu trúc trường nhiệt độ các tháng hoạt động của gió mùa mùa hè (6-8) 37

1.3 Cấu trúc trường nhiệt độ các tháng mùa xuân (3-5) 40

1.4 Cấu trúc trường nhiệt độ các tháng mùa thu (9-11) 42

2 Phân tích cấu trúc không gian và thời gian trường mưa mùa 45

2.1 Cấu trúc trường mưa các tháng hoạt động của gió mùa mùa hè (6-8) 45

2.2 Cấu trúc trường mưa các tháng hoạt động của gió mùa mùa đông (12-02) 47 II KẾT QUẢ PHÂN TÍCH VÀ DỰ BÁO THỬ NGHIỆM 49

1 Số liệu, các bước thực hiện 49

2 Một số kết quả và nhận xét 50

2.1 Phân tích dự báo nhiệt độ và lượng mưa các tháng hoạt động mạnh của gió mùa mùa hè (tháng 6, tháng 7, tháng 8) 50

2.2 Phân tích dự báo nhiệt độ và lượng mưa các tháng hoạt động mạnh của gió mùa mùa đông (tháng 12, tháng 1, tháng 2) 55

KẾT LUẬN 60

TÀI LIỆU THAM KHẢO 63

PHỤ LỤC 66

Trang 5

DANH MỤC HÌNH VẼ

Hình 1.1: Minh họa chỉ số LEPS theo hàm xác suất tích luỹ

Hình 2.1: Qui trình kiểm nghiệm chéo

Hình 3.1: Tổng lượng phương sai chiếm đóng trong các thành phần chính trường nhiệt độ quan trắc các tháng mùa đông

Hình 3.2: Hình thế không gian và thời gian của tín hiệu thứ nhất (mode 1) trường nhiệt độ quan trắc các tháng mùa đông

Hình 3.3: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2) trường

nhiệt độ các tháng mùa đông

Hình 3.4: Hình thế không gian và thời gian của tín hiệu thứ ba (mode 3) trường

Hình 3.5: Hình thế không gian và thời gian của tín hiệu thứ tư (mode 4) trường

Hình 3.6: Tổng lượng phương sai chiếm đóng trong các thành phần chính trường nhiệt độ quan trắc các tháng mùa hè

Hình 3.7: Hình thế không gian và thời gian của tín hiệu thứ nhất (mode 1) trường nhiệt độ các tháng mùa hè

Hình 3.8: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2) trường

Hình 3.12: Hình thế không gian và thời gian của tín hiệu thứ nhất (mode 1)

trường nhiệt độ quan trắc các tháng mùa xuân (3-5)

Hình 3.13: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2)

trường nhiệt độ quan trắc các tháng mùa xuân (3-5)

nhiệt độ quan trắc các tháng mùa xuân (3-5)

Trang 6

Hình 3.16: Tổng lượng phương sai chiếm đóng trong các thành phần chính

trường nhiệt độ quan trắc các tháng mùa thu (9-11)

Hình 3.18: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2) trường nhiệt độ quan trắc các tháng mùa thu (9-11)

Hình 3.19: Hình thế không gian và thời gian của tín hiệu thứ ba (mode 3) trường nhiệt độ quan trắc các tháng mùa thu (9-11)

nhiệt độ quan trắc các tháng mùa thu (9-11)

Hình 3.21: Tổng lượng phương sai chiếm đóng trong các thành phần chính trường lượng mưa quan trắc các tháng mùa hè

trường lượng mưa quan trắc các tháng mùa hè

lượng mưa quan trắc các tháng mùa hè

Hình 3.26: Tổng lượng phương sai chiếm đóng trong các thành phần chính

trường lượng mưa quan trắc các tháng mùa đông

lượng mưa quan trắc các tháng mùa đông

Hình 3.31: Mode 1 CCA giữa yếu tố dự báo là nhiệt độ trung bình mùa và các

nhân tố dự báo z500, slp, t2m, u850; tương quan cca = 0,95

Trang 7

Hình 3.33: Mode 1 CCA giữa yếu tố dự báo là lượng mưa trung bình mùa và các

Hình 3.35: Hệ số tương quan giữa nhiệt độ dự báo và quan trắc tại trạm

Hình 3.36: Hệ số tương quan giữa lượng mưa dự báo và quan trắc tại trạm

Hình 3.41: Hệ số tương quan giữa nhiệt độ dự báo và quan trắc tại trạm

Hình 3.42: Hệ số tương quan giữa lượng mưa dự báo và quan trắc tại trạm

Trang 8

LỜI CẢM ƠN

Lời đầu tiên, tôi xin được gửi lời cảm ơn chân thành với lòng biết ơn sâu

sắc tới thầy giáo GS TS PHAN VĂN TÂN, Chủ nhiệm bộ môn Khí tượng,

Khoa Khí tượng, Thủy văn và Hải dương học, Trường Đại học Khoa học Tự

nhiên, Đại học Quốc gia Hà Nội và ThS Tạ Hữu Chỉnh, phòng Dự báo khí

tượng hạn vừa - hạn dài, Trung tâm Dự báo khí tượng thủy văn Trung ương, Trung tâm Khí tượng Thủy văn quốc gia đã hướng dẫn chỉ bảo tận tình trong suốt quá trình thực hiện luận văn này Đồng thời, tôi cũng xin cảm ơn tới Phòng

Dự báo khí hậu, Viện Khoa học Khí tượng Thủy văn và Môi trường, các thầy,

cô trong Khoa Khí tượng, Thủy văn và Hải dương học, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội đã quan tâm giúp đỡ, tạo mọi điều kiện cho tôi trong quá trình học tập và làm luận văn

Một lần nữa, tôi xin chân thành cảm ơn những góp ý của các thầy cô, các anh chị, bạn đồng nghiệp và các em Những ý kiến này đã giúp tôi hoàn thiện luận văn tốt hơn

Học viên: Đỗ Văn Mẫn

Trang 9

MỞ ĐẦU

Trong nghiên cứu và dự báo khí hậu, người ta thường quan tâm đến các đặc trưng của hai yếu tố đó là nhiệt độ và lượng mưa Các giá trị nhiệt độ và lượng mưa tháng bao gồm giá trị tối thấp, giá trị trung bình, giá trị tối cao

Hiện nay, theo số liệu quan trắc toàn cầu cho thấy nhiệt độ trái đất đang tăng lên và tăng lên với tốc độ lớn Sự phân bố nhiệt độ, phân bố dòng năng lượng và phân bố mưa trên thế giới đều biến đổi Sự phân bố đó ở Việt Nam diễn ra như thế nào?

Hoàn lưu khí quyển, hoàn lưu ở biển và đại dương cũng biến đổi dẫn đến

có sự phân bố lại trường nhiệt độ và lượng mưa đối với các khu vực trên thế giới Sự phân bố lại này có ảnh hưởng đến sự phân bố, sự biến đổi của nhiệt độ

và lượng mưa theo không gian và thời gian ở Việt Nam ra sao?

Trong một hội nghị của Ban liên Chính phủ về biến đổi khí hậu (IPCC) nhiều tác giả đã khẳng định xu thế chung của biến đổi khí hậu hiện nay là xuất hiện ngày càng nhiều các hiện tượng khí tượng cực đoan cả về cường độ và tần suất theo không gian và thời gian Để hiểu biết và nắm chắc đặc điểm, quy luật thay đổi, xu thế biến đổi, sự phân hóa theo kinh độ, vĩ độ và độ cao, sự biến đổi theo thời gian về nhiệt độ và lượng mưa cũng như nghiên cứu và dự báo tốt được các yếu tố này là việc không dễ trong điều kiện biến đổi khí hậu như hiện nay

Ở Việt Nam, trong những năm qua đã có một số đề tài tập trung nghiên cứu và dự báo đối với nhiệt độ và lượng mưa tháng, mùa và đã thu được một số kết quả khả quan Mỗi nghiên cứu khác nhau là một cách tiếp cận khác nhau Do

đó, để giải quyết phần nào các câu hỏi ở trên, tôi đã chọn tên đề tài là: “Cấu trúc

không - thời gian của nhiệt độ và lượng mưa tháng ở Việt Nam trong các thập

kỷ gần đây và thử nghiệm dự báo”

Trang 10

Chương 1 TỔNG QUAN

I TỔNG QUAN

1 Một số khái niệm chung

Diễn biến của khí hậu là những dao động mang tính quy luật, tuy nhiên

trên thực tế lại không diễn ra một cách ổn định Tính "thất thường" của khí hậu,

đặc biệt là diễn biến của thiên tai đã có những tác động mạnh mẽ đến việc lập kế hoạch sản xuất hàng năm và gây ra những thiệt hại nặng nề cho đời sống xã hội

Những khái niệm về mùa, vụ sản xuất thường được hình thành một cách tương đối, từ trạng thái trung bình nhiều năm của khí hậu Vì thế, nếu biết trước mức độ biến động của khí hậu (chênh lệch so với chuẩn hay chuẩn sai), sẽ cho phép tìm được các biện pháp thích ứng cho công tác quản lý, chỉ đạo thực hiện

kế hoạch các mùa, vụ sản xuất hàng năm, cũng như các kế hoạch dài hạn khác

Đó chính là yêu cầu đối với công tác dự báo khí hậu

Trước đây, do chưa có được những hiểu biết đầy đủ, đặc biệt về mối tương tác giữa đại dương và khí quyển nên người ta cho rằng dự báo khí tượng không thể vượt quá thời hạn 10 ngày Sự phát triển của khoa học, đặc biệt các kỹ thuật viễn thám, kỹ thuật tính toán trong những thập kỷ gần đây đã tạo cơ sở khoa học tin cậy cho sự ra đời các mô hình mô phỏng ngày càng chính xác hơn

về các quá trình vận động của khí quyển, của đại dương và mối quan hệ tương tác giữa chúng Những kết quả nghiên cứu, thực nghiệm về hiện tượng El Niño,

La Nina và dao động Nam (Southern Osillation - SO) tức là ENSO đã có tác động mạnh mẽ đến việc phát triển các phương pháp dự báo khí hậu, mở ra khả năng nâng cao độ chính xác và kéo dài thời hạn dự báo

Khái niệm về dự báo khí hậu mới chỉ hình thành rõ nét trong vài thập kỷ gần đây nhưng cũng đã có nhiều quan niệm khác nhau Nhiều người cho rằng,

dự báo khí hậu phải là dự báo những biến động khí hậu có chu kỳ kéo dài từ nhiều năm tới hàng thập kỷ, thậm chí hàng thế kỷ Còn những biến động có chu

kỳ dưới một năm được gọi chung là dự báo khí tượng hạn dài, ít nhiều gắn bó hơn với dự báo thời tiết Tuy nhiên, bản chất của khí quyển về cơ bản là rất hỗn loạn, vì thế không hi vọng dự báo được chính xác vị trí và thời gian của các hiện tượng thời tiết đơn lẻ trước 15 ngày Những thay đổi rất nhỏ ở trạng thái ban đầu

Trang 11

của khí quyển sẽ lớn lên và trở thành những khác biệt rất lớn của thời tiết sau 10

- 14 ngày Do đó, Mỹ và một số nước khác đã coi các loại dự báo từ hai tuần trở lên đều là dự báo khí hậu Mặc dầu vậy, theo quan điểm khí hậu hiện đại, ở Việt Nam, người ta coi dự báo khí hậu là dự báo từ tháng, mùa, năm trở lên và nghiên cứu dự báo, ra thông báo khí hậu cũng theo thời hạn đó Người ta cũng thống nhất quan điểm coi dự báo mùa chính là đối tượng trung tâm của dự báo khí hậu

Nhìn chung, dự báo khí hậu khác với dự báo thời tiết hàng ngày không chỉ

ở phạm vi thời gian, mục đích, mà cả sản phẩm, cách tiếp cận và phương pháp

Có nhiều thông tin mà dự báo thời tiết bỏ qua thì dự báo khí hậu phải tính toán rất thận trọng Sản phẩm của dự báo thời tiết bao gồm nhiều yếu tố khí tượng khác nhau với các mức độ định lượng khác nhau và thường là xác định thời tiết hàng ngày Dự báo khí hậu thường dự báo xu hướng và mức độ dao động xung quanh giá trị trung bình nhiều năm (hoặc giá trị trung bình chuẩn) dưới dạng giá trị chuẩn sai hoặc xác suất xuất hiện của hai yếu tố khí hậu cơ bản, đó là nhiệt

độ và lượng mưa Các hiện tượng khí tượng đặc biệt có liên quan như bão - áp thấp nhiệt đới, mưa lớn - lũ lụt, nắng nóng - khô hạn, cũng đang được đặt ra trong nghiên cứu dự báo khí hậu, nhằm đáp ứng ngày càng nhiều các nhu cầu quản lý và quy hoạch phát triển kinh tế - xã hội trong các điều kiện thời tiết - khí hậu dị thường có thể xảy ra trên lãnh thổ

Mục tiêu của các mô hình dự báo thời tiết là dự báo chính xác thời tiết, vì vậy mô hình thời tiết phụ thuộc rất nhiều vào các điều kiện ban đầu và khả năng giải các phương trình tính toán những biến động ngắn hạn Còn mô hình khí hậu thì dựa vào số liệu đặc trưng cho những điều kiện biến động cỡ tháng, mùa và năm Ngoài các tham số khí hậu thông thường các mô hình khí hậu còn bao gồm một số tham số khác về bề mặt nước biển, băng biển, mây, bức xạ,

Như trên đã nói, sản phẩm dự báo khí hậu thường là chuẩn sai hoặc xác

suất xuất hiện các “pha” của đối tượng dự báo Có ba pha cơ bản là trên (vượt)

chuẩn, lân cận (xấp xỉ) chuẩn và dưới (hụt) chuẩn Ở đây chuẩn khí hậu chính là giá trị trung bình được tính cho thời kỳ nhất định được coi là thời kì chuẩn Theo

Tổ chức Khí tượng thế giới (WMO) thời kì chuẩn được chọn là 1961 - 1990 Hai yếu tố cơ bản mà dự báo khí hậu thường phải thực hiện là nhiệt độ và lượng mưa Một số hiện tượng khí tượng đặc biệt khác có liên quan đến thiên tai như hoạt động của bão - áp thấp nhiệt đới, các đợt mưa lớn liên quan đến lũ lụt, các

Trang 12

đợt nắng nóng không mưa liên tục có khả năng gây hạn cục bộ, cũng đang được đặt ra trong nghiên cứu dự báo khí hậu, nhằm đáp ứng các nhu cầu quản lý

và quy hoạch phát triển kinh tế - xã hội trong các điều kiện thời tiết - khí hậu dị thường có thể xảy ra trên lãnh thổ

Dự báo thời tiết và dự báo khí hậu phân biệt nhau không chỉ ở thời đoạn

dự báo mà cả ở phương pháp thực hiện Dự báo khí hậu được phân ra thành các loại hình dự báo khí hậu khác nhau dựa vào đặc điểm biến động của khí hậu Các biến động khí hậu được chia thành ba loại chính:

- Biến động có bước sóng tương đối ngắn (khoảng từ 1 tháng đến dưới 1 năm) chủ yếu là các biến động có tính chất mùa như hạn hán, lũ, bão, dao động Madden - Julian, …

- Biến động có bước sóng cỡ năm hay dao động hàng năm, chu kỳ từ 1 năm tới một vài thập kỉ, như hiện tượng ENSO

- Biến động có bước sóng kéo dài hàng thập kỉ đến thế kỉ, ví dụ như biến động của bức xạ mặt trời, hoàn lưu nước sâu, khí nhà kính (GHG)

Dựa vào các loại biến động khí hậu nêu trên, dự báo khí hậu cũng được phân thành ba loại: hạn ngắn, hạn vừa và hạn dài

- Dự báo khí hậu hạn ngắn có thời hạn dự báo dưới một năm, đối tượng

chính là dự báo mùa Quan niệm về mùa trong dự báo khí hậu hiện nay trên thế giới là thời kì ba tháng liên tiếp

- Dự báo khí hậu hạn vừa có thời hạn dự báo cỡ từ một năm trở lên tới vài

thập kỉ

- Dự báo khí hậu hạn dài với thời hạn dự báo từ thập kỉ tới hàng thế kỉ

Dự báo được tiến hành phổ biến ở nước ta hiện nay là dự báo khí hậu hạn ngắn Dự báo hạn vừa chủ yếu chỉ được thực hiện trong dự báo hiện tượng ENSO, còn dự báo khí hậu hạn dài thường được đề cập đến trong các nghiên cứu về biến đổi khí hậu

2 Tình hình nghiên cứu ngoài nước

Hiện nay, trên thế giới mô hình số ngày càng được ứng dụng nhiều cho lĩnh vực dự báo mùa vì những tính năng ưu việt của nó Thay vì sử dụng quan hệ toán học như trong dự báo thống kê, phương pháp mô hình hóa sử dụng quan hệ

Trang 13

vật lý đã thể hiện được tính vượt trội trong việc nắm bắt được sát hơn trạng thái thực của khí quyển Do vậy, mô hình hóa dần chiếm ưu thế chủ đạo, đóng góp nhiều cho dự báo Tuy nhiên, do hiểu biết chưa triệt để về các quá trình trong khí quyển nên bài toán dự báo chưa thể giải quyết hoàn hảo được ở tất cả các qui

mô không gian và thời gian Vì vậy, kết quả dự báo bằng mô hình hóa vẫn còn chứa đựng sai số sinh ra do phương pháp toán [12][16][22][23] Như vậy, để có được một kết quả chính xác hơn thì cần có một hệ thống diễn giải sau mô hình,

hệ thống này làm nhiệu vụ hiệu chỉnh sai số hệ thống

Trước kia, dự báo hạn mùa bằng thống kê đã từng được ứng dụng rộng rãi,

nhưng bản thân của phương pháp tồn tại những hạn chế cố hữu, đó là: “chúng

chỉ nắm bắt được những hiện tượng mang tính qui luật và sẽ cho sai số lớn khi đối tượng dự báo xảy ra có tính đột biến” [6] Do vậy nếu đứng một mình thì

phương pháp này khó mang lại hiệu quả cao Trái lại, nếu kết hợp với mô hình hóa thì thống kê lại trở thành một công cụ hữu ích giúp giảm bớt sai số không mong muốn Do vậy, khoa học tiến tới phương pháp kết hợp giữa thống kê và

mô hình hóa nhằm làm tăng chất lượng dự báo

Tác giả Ashoke Basistha, D S Arya, N K Goel, 2008, Cơ quan Khí tượng Ấn Độ đã sử dụng kỹ thuật nội suy, phương pháp phổ Kriging để mô phỏng cấu trúc không gian và thời gian của lượng mưa vùng núi Himalayas trên khu vực Ấn Độ [9] với khu vực nghiên cứu là vùng Uttarakhand, cho thấy: (a) Phương pháp phổ Kriging với mô hình Hole và logarit tự nhiên chuyển đổi kết hợp xu hướng liên tục được tìm thấy là phương pháp phù hợp nhất cho nội suy lượng mưa ở khu vực này (với RMSE 328,7) (b) Theo quy mô hàng năm, có một mối tương quan không gian giữa các trạm đo mưa lên đến 70km (c) Lượng mưa trung bình của tác giả theo tính toán tốt nhất là 1608 mm Tác giả Jinwei Dong, Jiyuan Liu, Fulu Tao, Xinliang Xu, Junbang Wang, 2009, tạp chí khoa học khí hậu, Viện Hàn lâm khoa học Trung Quốc [12] đã mô phỏng tính toán cấu trúc không gian và thời gian của nhiệt độ trên lãnh thổ Trung Quốc ảnh hưởng bởi hệ thống cây trồng từ những năm 1980 đến năm 2000 Trong nghiên cứu này, thay đổi không - thời gian của nhiệt độ dựa trên dữ liệu khí tượng đã được kiểm tra Bằng cách phân tích ATZs (Accumulated temperature zones) và đất canh tác, mối quan hệ giữa điều kiện đất đai và nhiệt độ, những tác động tiềm năng của nhiệt độ tích lũy trên các hệ thống đất đai và cây tròng trồng được

Trang 14

đánh giá, đã cho kết quả khá tốt trong ứng dụng sản xuất nông nghiệp của Trung Quốc

Bản chất của phương pháp nhằm thiết lập mối quan hệ thực nghiệm giữa các biến dự báo của mô hình và yếu tố dự báo dưới những hình thức khác nhau như: sử dụng hồi qui tuyến tính, hoặc kết hợp với khai triển EOF (empirical orthogonal function), CCA (canonical correlation analysis), SVD (singular value decomposite) Nhìn chung có thể phân làm 2 loại, loại thứ nhất hiệu chỉnh đưa thông tin dự báo trên lưới của mô hình về các điểm trạm quan trắc, diễn đạt theo một cách khác có thể gọi đó là phương pháp hạ qui mô thống kê (statistical

downscaling) [5][8-11][14][17] Cách làm này gần tương tự với hệ thống “diễn

giải khách quan xử lý sau mô hình” Model Output Statistics (MOS) ứng dụng

trong khí tượng hạn ngắn Cách thứ hai tiến hành hiệu chỉnh trực tiếp trên ô lưới của mô hình, cách thực hiện này sẽ phân tích số liệu quan trắc tại các điểm trạm lên lưới bằng các kỹ thuật phân tích hai chiều như Cressman hay Barnes, trong trường hợp không có số liệu quan trắc, có thể coi số liệu tái phân tích như quan trắc, sau đó tiến hành phân tích hiệu chỉnh, có thể so sánh tương tự như hệ thống GMOS (Gridded Model Output Statistics) trong khí tượng hạn ngắn Tuy nhiên,

sử dụng hệ thống MOS đòi hỏi bộ số liệu của mô hình dự báo cung cấp phải đồng nhất về độ phân giải, cũng như các tham số hóa vật lý đối lưu mây tích, bức xạ, … Trong khi đó, các mô hình dự báo số thường xuyên phát triển, thay đổi, mỗi lần thay đổi như thế thì phải đợi ít nhất hai năm sau mới có thể vận hành được hệ thống MOS, như vậy gây ra bất tiện Vì lý do đó, hệ thống MOS tiếp tục được phát triển lên thành UMOS (Update Model Output Statistics), cho phép cập nhật hệ số trong phương trình hồi qui thông qua một phương pháp lấy trọng số giữa tập số liệu cũ và mới khi có thay đổi trong mô hình Tuy nhiên, đối với bài toán dự báo cỡ tháng, mùa do chủ yếu quan tâm nhiều đến xu thế biến đổi của các yếu tố (chuẩn sai) hơn là giá trị thực tế của chúng, cũng như mối quan tâm của khí tượng hạn mùa là những quá trình có qui mô thời gian dài nên nhìn chung chủ yếu vẫn chỉ sử dụng MOS truyền thống

Hiện nay, tư tưởng về cách thức lựa chọn khu vực cho nhân tố dự báo cũng

đã được cải tiến, khu vực của nhân tố dự báo có thể được lựa chọn bao gồm những điểm rời rạc trong không gian thay vì một trường liên tục như trước kia [8][11][14][17] Biện pháp hiệu chỉnh này cũng đã cho thấy tính hiệu quả, thậm chí có những mô hình dự báo khi chưa xử lý thì không hề có kỹ năng nhưng sau khi xử lý hiệu chỉnh thì trở nên có kỹ năng rõ rệt [22]

Trang 15

Tuy vậy, nếu chỉ dừng lại ở đó thì bài toán mới chỉ xử lý giảm bớt sai số

hệ thống SE (systematic error) Trong khi sai số nhìn chung được phân chia thành: i) Sai số hệ thống SE (systematic error); ii) Sai số sinh ra do quá trình vật

lý chưa hoàn hảo của mô hình còn gọi là các AIP (Atmospheric Internal Processes)[14] Chẳng hạn như một giả thiết vật lý nào đó tồn tại trong các sơ đồ tham số hóa bức xạ, đối lưu, … chưa gần giống với thực tế thì chính sự khác biệt

về khoảng cách đó sẽ phát sinh ra loại sai số này; iii) Sai số ngẫu nhiên sinh ra

do bản chất linh động, tương tác nhiều chiều của khí quyển, ngay cả khi các sơ

đồ vật lý, các điều kiện của mô hình giả sử rằng được thực hiện hoàn hảo thì vẫn tồn tại loại sai số này Do vậy, người ta tiếp tục tìm cách giảm bớt loại sai số ngẫu nhiên và các AIP [23] Nhìn chung để giảm bớt được các AIP cho mô hình thì cần phải tập trung cải tiến, phát triển các giả thiết vật lý Còn đối với sai số ngẫu nhiên, hiện nay để giảm bớt loại sai số này người ta phát triển dự báo tổ hợp [15][17][19-20][22]

Mỗi một loại mô hình số, do đặc tính vật lý mà chỉ có thể dự báo tốt một

số đối tượng nhất định, về mặt vật lý có thể hiểu là chỉ có khả năng nắm bắt được một số loại nguồn bất định - uncertainties (nguồn ngẫu nhiên, không chắc chắn) trong khí quyển Do vậy, để nâng cấp kỹ năng mô hình khoa học tiến đến kết hợp giữa nhiều loại mô hình khác nhau với thuật ngữ MME (Multi Model Essemble) [22] nhằm nắm bắt được nhiều loại nguồn bất định - uncertainties, hay diễn đạt theo một cách khác là phương pháp này đã kết hợp chọn ra ưu điểm của nhiều loại mô hình cũng như hạn chế bớt nhược điểm

Bài toán này hiện nay các trung tâm khí hậu lớn trên thế giới như: APCC, TCC, CPC, IRI, … đang sử dụng trong nghiệp vụ dự báo Cơ bản, hệ thống dự báo MME được chia thành 2 loại là: xác định và xác suất (deterministic và probabilistic) Trong dự báo hạn mùa người ta sử dụng một số thành phần tổ hợp như: 1- Tổ hợp đơn (Simple Composite Method - SCM); 2- Tổ hợp có hiệu chỉnh (Statistical Pattern Projection Method - SPPM); 3- Siêu tổ hợp (Synthetic Multi-Model Super Ensemble Method - SSE) [22] Mỗi một thành phần như vậy đều có những ưu điểm và nhược điểm riêng, khi sử dụng đồng thời chúng có vai trò bổ trợ lẫn nhau làm cho dự báo hoàn hảo hơn Ví dụ như khi sử dụng sơ đồ SCM sẽ có ưu điểm dự báo trên các khu vực biển nhiệt đới và trong trường hợp tất cả các mô hình thành phần đều có kỹ năng tốt thì chỉ cần sử dụng SCM là đủ [22] Tuy nhiên, nếu các mô hình thành phần cho dự báo không đồng pha, hoặc không có kỹ năng thì kết quả dự báo sẽ bị nhiễu Nhược điểm này sẽ được bổ

Trang 16

sung bởi các sơ đồ tổ hợp có hiệu chỉnh thống kê SPPM, khi sử dụng SPPM thì kết quả vẫn tốt ngay cả trường hợp các mô hình thành phần khi đứng một mình không có kỹ năng [22] Trong trường hợp khi các mô hình thành phần tăng lên

từ 5 đến 15 thì sơ đồ SSE lại cho kết quả tốt nhất [22] Bên cạnh đó, thành phần xác suất (probabilistic) trong thập niên gần đây cũng đã phổ biến được ứng dụng với thành phần PMME (Probabilistic Multi Model Essemble) [18] cho phép đưa

ra kết luận về xác suất xảy ra hiện tượng hay pha nào đó, đây cũng là một thành phần không thể thiếu trong dự báo nghiệp vụ

3 Tình hình nghiên cứu trong nước

Song song với tiến trình chung của thế giới, nhóm ngành dự báo khí tượng hạn mùa ở Việt Nam cũng đã và đang từng bước phát triển Cho đến nay,

để giải bài toán dự báo khí tượng hạn mùa có hai đơn vị nhà nước là: Trung tâm

Dự báo khí tượng thủy văn Trung ương (TTDBTW) và Viện Khoa học Khí tượng Thủy văn và Môi trường (Viện KTTV&MT) TTDBTW thiên về chức năng nghiệp vụ cung cấp các bản tin phục vụ cộng đồng, Viện KTTV&MT thiên nhiều hơn về chức năng nghiên cứu, phát triển và chuyển giao công nghệ Hai

cơ quan này phối hợp chặt chẽ nhằm đưa ra dự báo phục vụ cộng đồng được tốt hơn

Về khía cạnh nghiên cứu, khoảng 2 đến 3 thập kỷ trước đây, những phát triển đầu tiên tại Việt Nam về lĩnh vực này đã có đề cập đến phương pháp tương

tự hoàn lưu - hiển thị lại bản đồ khí áp, chuẩn sai khí áp tại mực 500mb Phương pháp nhằm mục đích đánh giá cường độ và vị trí hoạt động của các trung tâm khí quyển như: Lưỡi áp cao cận nhiệt đới Tây Thái Bình Dương hoặc Rãnh Đông Á Sau đó so sánh với tập số liệu lịch sử, tìm ra năm gần giống nhất

so với hình thế hiện tại Cách làm này đơn giản, có nhiều nhược điểm, hiện vẫn đang được thực hiện nghiệp vụ tại TTDBTW

TS Phạm Đức Thi (1989) đã đưa vào các phép toán phân tích tự tương quan nhằm tìm ra qui luật vận động vật lý của một chuỗi số liệu Ví dụ như: phân tích chuỗi chuẩn sai nhiệt độ trung bình tháng hay chuẩn sai tổng lượng mưa tháng từ năm 1960 đến nay, phương pháp chỉ tìm kiếm qui luật của bản thân chuỗi số đó và cô lập nó trong mối quan hệ tương hỗ với các yếu tố bên ngoài Thực tế, hệ quả thời tiết - khí hậu gây ra tại một khu vực không phải chỉ phụ thuộc vào một yếu tố duy nhất nên bài toán còn nhiều sai sót Do vậy, TSKH Nguyễn Duy Chinh (2003) tìm cách xây dựng phương trình hồi qui

Trang 17

tuyến tính đa biến mục đích đưa vào ảnh hưởng của đa yếu tố Hồi qui tuyến tính đa biến mong muốn tìm kiếm một kết quả ổn định hơn do có sự tham gia của nhiều nhân tố dự báo Tuy nhiên, trong nhiều trường hợp thì phương trình

đa nhân tố lại không hiệu quả bằng ít nhân tố, điều đó nghĩa là có những nhân tố làm cho kết quả kém đi Do vậy mà hồi qui từng bước đã được sử dụng để lọc đi những nhân tố gây nhiễu [3] So với các phương pháp trước thì bài toán dự báo cũng đã được cải thiện hơn, nhưng như thế vẫn chưa đủ

Để loại bỏ bớt các yếu tố ngẫu nhiên, nhân tố dự báo được lựa chọn là một khu vực (gồm nhiều điểm quan trắc) Trong cách sử dụng này thì mỗi một

điểm trạm lại được coi là một nhân tố dự báo giả, do vậy trong nhiều trường hợp

số lượng các nhân tố dự báo sẽ tăng lên rất lớn gây khó khăn cho việc phân tích

Vì vậy, mà phép phân tích trực giao EOF (emperical orthogonal function) [4] được ứng dụng kết hợp xây dựng phương trình hồi qui Phép phân tích này cơ bản sẽ phân tích trường nhân tố dự báo thành một trường thứ cấp có dung lượng nhỏ hơn nhiều trường ban đầu, nhưng mang gần như đầy đủ thông tin của trường ban đầu tập trung trong các vec tơ riêng đầu tiên Quá trình xây dựng phương trình dự báo được thực hiện với trường thứ cấp đó Cách làm này có ưu điểm như sau: i) Tăng tính độc lập giữa các nhân tố dự báo; ii) Do tính toán với trường thứ cấp gọn nhẹ hơn nên giảm được tối đa khối lượng phép tính xuống - nghĩa là giảm được loại sai số tính toán; iii) Cho phép lọc ra được những tín hiệu quan trọng từ trường nền nên cũng hạn chế được những yếu tố gây nhiễu Hay một hình thức khác của nó là phép phân tích tương quan Canon - CCA (canonical correlation analysis) [5] cho phép phân tích cả nhân tố dự báo và yếu

tố dự báo thành 2 trường thứ cấp tương ứng, sau đó cực đại hóa mối quan hệ giữa 2 trường này Bên cạnh đó, để cho kết quả được khánh quan và có tính thống kê hơn, thủ tục kiểm nghiệm chéo (cross-validation) đã được sử dụng [5] Nhằm kiểm định chất lượng phương trình dự báo và tuyển chọn các nhân tố dự báo có quan hệ tốt Trong thủ tục này tập số liệu ban đầu sẽ được chia thành hai tập con bằng nhiều cách khác nhau, một tập sử dụng để xây dựng quan hệ thống

kê, một tập để kiểm định quan hệ thống kê, xây dựng và kiểm tra trên từng cách chia này, sau đó lấy trung bình

Bên cạnh đó, nghiên cứu về ảnh hưởng của hiện tượng ENSO (Elnino South Oscilation), biến đổi nhiệt độ bề mặt biển (Sea Surface Temperature - SST) ở các khu vực Nino1, Nino2, Nino3, Nino4, Nino34, hay chỉ số dao động nam SOI (south oscilation index) có quan hệ với lượng mưa, nhiệt độ khu vực

Trang 18

Việt Nam [2] được công bố Kết quả này làm tiền đề cho việc tuyển chọn các nhân tố dự báo để xây dựng phương trình dự báo Tuy vậy, cho dù là nhân tố này hay nhân tố khác nhưng bản chất của cách thực hiện vẫn là thống kê truyền thống nên không tránh khỏi hạn chế cố hữu của phương pháp

báo của mô hình toàn cầu theo kiểu hạ qui mô thống kê (statistical downscaling)

Cách thực hiện này không phải là ngoại suy mà là chuyển thông tin dự báo trên lưới của mô hình về vị trí các điểm trạm quan trắc Ưu điểm là đơn giản, gọn gàng, tận dụng được nguồn số liệu miễn phí, ít tốn kém phù hợp với các nước đang phát triển Trong nhiều trường hợp cách làm này cũng cho kết quả tốt Song vẫn tồn tại một số nhược điểm: i) Trong trường hợp các điểm trạm chịu ảnh hưởng chủ yếu bởi yếu tố địa phương như địa hình, mặt đệm, thì hiệu quả

dự báo thấp - do không tìm được mối quan hệ hệ thống; ii) Trong trường hợp mô hình khí hậu khu vực phát triển đến mức độ phân giải chỉ còn khoảng vài chục

km thì biện pháp này sẽ trở nên ít hiệu lực hơn

Năm 2009, nhóm nghiên cứu phát triển mô hình hóa tại Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội đã tiến hành thử nghiệm dự báo

sử dụng mô hình khí hậu khu vực RegCM3 (Regional Climate Model, version 3) bằng cách lồng trong mô hình toàn cầu CAM3 (Community Atmosphere Model)[6] Nghĩa là sử dụng số liệu chiết xuất từ mô hình toàn cầu CAM3 làm điều kiện biên và ban đầu cho RegCM3 Kết quả dự báo cũng đưa ra chi tiết cho khu vực Việt Nam hơn là sử dụng mô hình toàn cầu và hứa hẹn về khả năng ứng dụng nghiệp vụ trong tương lai Tuy nhiên, nghiên cứu cũng chưa chính thức công bố về khả năng tác nghiệp

II MỘT SỐ PHƯƠNG PHÁP THỐNG KÊ ỨNG DỤNG TRONG DỰ BÁO KHÍ HẬU

Cùng với những đối tượng dự báo khí hậu cơ bản như khí áp, nhiệt độ, lượng mưa, gió, cho phạm vi toàn cầu cũng như khu vực thì dự báo hiện tượng ENSO nói chung, nhiệt độ mặt nước biển trên khu vực nhiệt đới Thái Bình Dương nói riêng cũng được coi là một bộ phận quan trọng của dự báo khí hậu hiện nay Dự báo hiện tượng ENSO không chỉ có ý nghĩa như là một hiện tượng khí hậu thế giới mà bản thân kết quả dự báo hiện tượng này còn là cơ sở,

là nhân tố dự báo dùng cho nhiều mô hình dự báo khí hậu các khu vực Vì thế những phương pháp dùng để dự báo hiện tượng ENSO bao gồm cả trường nhiệt

Trang 19

độ mặt nước biển (SST) hoặc chuẩn sai nhiệt độ mặt nước biển (SSTA) cho khu vực nhiệt đới Thái Bình Dương (TBD) nói chung, SST hoặc SSTA ở các khu vực NINO nói riêng, cũng được coi là các phương pháp dự báo khí hậu

Trong các mô hình thống kê, người ta sử dụng lý thuyết toán thống kê để tìm những mối quan hệ có thể chấp nhận được giữa các nhân tố dự báo và các đối tượng dự báo Trong đó, nhân tố dự báo là các yếu tố khí hậu với số liệu trong quá khứ hoặc kết quả của mô hình động lực trong tương lai, đối tượng dự báo khí hậu thường là chuẩn sai nhiệt độ hay lượng mưa Dựa vào các nguồn số liệu khí hậu, hải văn đã thu thập và tích lũy được của các nước (số liệu quan trắc hoặc số liệu phân tích lại các trường khí tượng và hải dương), người ta thiết lập được những mô hình dự báo trên cơ sở phân tích diễn biến đồng thời hoặc có tính đến độ trễ theo thời gian của các nhân tố được chọn (nhân tố dự báo) với các nhân tố cần xác định (đối tượng dự báo) Có thể nêu một vài dạng mô hình chính đã và đang được sử dụng trong dự báo khí hậu sau đây:

1 Phương pháp tương quan, hồi qui

Dựa trên nguồn số liệu đã thu được người ta tiến hành tìm các mối quan

hệ có thể có giữa các nhân tố dự báo với các đối tượng dự báo Trên cơ sở mối quan hệ được khảo sát, người ta có thể thiết lập các mô hình dự báo, đơn giản nhất là các mô hình hồi quy tuyến tính hoặc phi tuyến với một hoặc nhiều biến,

Phương trình dự báo có dạng tổng quát:

Y = a0 +  ai Xik (1.1)

tượng dự báo và nhân tố dự báo Trong nhiều trường hợp giữa các biến cũng tồn tại sự phụ thuộc lẫn nhau làm cho các mối quan hệ tương quan và hồi quy trực tiếp trở nên kém hiệu quả Một số phương pháp biến đổi sử dụng trong các mô hình thống kê như sử dụng hàm trực giao thực nghiệm hay phân tích thành phần chính, phân tích nhân tố, đã được sử dụng làm cho các mô hình dự báo có hiệu quả hơn

Trong dự báo khí hậu đối tượng dự báo thường không phải chỉ là một điểm, một thời điểm mà là cả một tập hợp các điểm, một tập hợp thời đoạn hay các thời điểm, Khi đó phương pháp dự báo thống kê sẽ sử dụng một phương

pháp phân tích khác - đó là phương pháp phân tích tương quan chính tắc hay

Trang 20

tương quan Canon (Canonical correlation analysis) Tương quan Canon cho

phép xác định được tương quan cực đại trong mối quan hệ tuyến tính giữa hai tập hợp các đối tượng dự báo và các nhân tố dự báo

2 Phương pháp xác suất có điều kiện và hàm phân biệt

Dựa vào lý thuyết xác suất để đánh giá khả năng xuất hiện giữa các hiện tượng mà giữa chúng lại có sự phụ thuộc lẫn nhau: sự xuất hiện của hiện tượng này sẽ quyết định khả năng xuất hiện của hiện tượng kia Dựa vào các nguồn thông tin của quá khứ hoặc từ suy luận lý thuyết người ta xác định được mối quan hệ có tính xác suất này Lý thuyết xác suất có điều kiện, lý thuyết hàm phân biệt là cơ sở cho các mô hình dự báo xác suất trong dự báo khí hậu Cũng ở một dạng gần tương tự, phương pháp “dự báo pha” (chủ yếu là dự báo 2 pha và

3 pha) đã được áp dụng

Xích Makov cũng là một phương pháp cơ bản trong toán thống kê xác lập

mối quan hệ giữa các chuỗi sự kiện của các biến cố thời gian Phương pháp xích Makov cũng được sử dụng trong dự báo khí hậu ở một số trung tâm dự báo khí hậu lớn hiện nay

3 Phương pháp phân tích phổ

Là một phần cơ bản của lý thuyết toán thống kê nghiên cứu quy luật dao động của các sự kiện xảy ra theo thời gian, cũng như mối quan hệ giữa chúng được xét dưới dạng dao động của các giá trị phổ Lý thuyết phân tích phổ cũng đang được nghiên cứu sử dụng ở một số nước

4 Phương pháp phân tích "mạng thần kinh" (neural network)

Là phương pháp mới được phát triển gần đây dựa trên nguyên lý của các mối liên hệ đa chiều của hệ thần kinh để tạo dựng mối liên hệ giữa các đối tượng

dự báo và các nhân tố dự báo Dựa trên cơ sở của một nguồn thông tin phong phú kết hợp với khả năng rất lớn hiện nay về máy tính đã cho phép tạo ra một

mô hình chọn lựa để thiết lập mối liên hệ tối ưu đa chiều giữa các nhân tố dự báo và đối tượng dự báo theo cách mô phỏng truyền dẫn, lựa chọn thông tin của

hệ thống thần kinh con người Mô hình này đang được sử dụng ở một số trung tâm dự báo khí hậu và cũng đã được vận dụng trong một vài bài toán về thuỷ văn ở nước ta

Trang 21

Nhìn chung tuy không phản ánh được trực tiếp cơ chế của các quá trình vật lý liên kết giữa nhân tố dự báo và đối tượng dự báo, song trên đây là những

mô hình dự báo dễ tiếp cận và sử dụng, có hiệu quả tương đối cao hiện nay Đối với các nước chưa có khả năng sử dụng các mô hình động lực thì việc sử dụng các mô hình toán thống kê để dự báo khí hậu là giải pháp đúng đắn Tuy nhiên,

để sử dụng có hiệu quả các mô hình thống kê thì số liệu quá khứ, kể cả của nhân

tố dự báo và đối tượng dự báo, đều đóng vai trò đặc biệt quan trọng

III ĐÁNH GIÁ CHẤT LƯỢNG DỰ BÁO KHÍ HẬU

Các mô hình dự báo thời tiết và khí hậu đang phát triển khá mạnh mẽ trên thế giới Việc đánh giá chất lượng dự báo khí hậu để lựa chọn mô hình dự báo tối ưu là một vấn đề rất quan trọng và không phải đơn giản Dựa trên các phương pháp và chỉ tiêu đã được nêu trong “Thông báo kỹ thuật” số 8 năm 1999 của Tổ chức Khí tượng thế giới (WMO) kết hợp với các chỉ số và chỉ tiêu đã được sử dụng ở một số nước, một vài chỉ tiêu chính sau đây đã được lựa chọn

để tiến hành kiểm chứng và đánh giá mô hình dự báo:

1 Chỉ tiêu đánh giá dựa trên sai khác giữa giá trị dự báo và quan trắc

Đối với các kết quả dự báo số, nhất là các biến liên tục, chỉ số đánh giá được tính cụ thể qua nhiều chỉ số chứa đựng chính sự sai khác giữa giá trị dự báo và quan trắc tương ứng, gọi tắt là sai số Có thể nêu ra một vài chỉ tiêu chính như sau:

- Sai số trung bình - ME (mean error)

hoặc sai số quân phương là căn bậc hai của sai số bình phương trung bình -

RMSE (root mean squared error)

- Phương sai thặng dư (residual variance) hay sai số bình phương trung

bình - MSE (mean squared error)

Trang 22

trong đó: y xˆ( )i là giá trị hồi quy (dự báo) của yi ; df là bậc tự do (số nhân tố dự báo (NTDB) tham gia mô hình) Rõ ràng MSE càng nhỏ thì dự báo càng chính xác, chất lượng dự báo càng cao

- Chỉ số Fisher (F) Trong lý thuyết kiểm nghiệm giả thiết thống kê, tiêu

chuẩn Fisher thường được dùng để đánh giá sự giống nhau hoặc khác nhau giữa

2 tập hợp biến Trong phương trình hồi quy tuyến tính nhiều biến, chỉ số F được định nghĩa như sau:

F = MSR / MSE (1.3) với MSR là tổng bình phương độ lệch giữa giá trị hồi quy với giá trị trung bình của biến Y

nếu tổng bình phương trung bình của sai số giữa dự báo và quan trắc càng nhỏ

so với tổng bình phương độ lệch giữa dự báo với trị số trung bình của đối tượng

dự báo (ĐTDB) thì F càng lớn, điều đó cũng có nghĩa là kết quả dự báo càng có

ý nghĩa

2 Chỉ số đánh giá dựa vào xác suất xuất hiện

- Sai số tuyến tính trong môi trường xác suất

Mô hình dự báo được kiểm tra và đánh giá chất lượng bởi sai số tuyến tính trong môi trường xác suất (Linear Error in Probability Space - LEPS) trên

cơ sở tập biến phụ thuộc Để đánh giá các kết quả dự báo theo xác suất, LEPS dựa vào hàm phân bố xác suất tích lũy của giá trị quan trắc và dự báo để tính sai

quan trắc Công thức chung của chỉ số này là:

df N MSE

Trang 23

Như vậy, Pf và Po là suất bảo đảm của đối tượng dự báo đối với hai phân

này có thể được xác định bằng công thức sau:

[LEPS] = 1 - | P f - P o | - 1.5(0.5 - P f + P f 2 ) (0.5 - P o + P o 2 ) (2.2)

Giá trị của hệ số LEPS thường được tính bằng (%) Từ hình (1.1) có thể thấy đối với khu vực xác suất gần 0 và 1 sai khác giữa xác suất dự báo và quan trắc thường nhỏ nhưng ở khu vực gần trung vị thì sai khác này lớn hơn nhiều Điều đó cho thấy những dự báo đối với giá trị lân cận trung vị thường cho kết quả kém hơn

Về lý thuyết, giá trị trung bình của chỉ số LEPS có thể dao động từ -3/8

khi (P f , P o ) = (0,1), (0,1) đến 5/8 khi (P f , P o ) = (0,0), (1,1) Theo tài liệu của Úc (Australia) thì mô hình cho kết quả tốt khi giá trị trung bình của LEPS > 10%, rất tốt nếu đạt trên 30%

3 Chỉ tiêu đánh giá dựa vào “bảng liên kết” (contigency table)

Để đánh giá chất lượng và giá trị của dự báo khí hậu đối với một hiện

tượng nào đó (như hạn, mưa, lốc tố, ) mà kết quả được yêu cầu trả lời chỉ là có hoặc không, có thể sử dụng "bảng liên kết" giữa kết quả dự báo với thực tế đã xuất hiện để xây dựng các chỉ tiêu đánh giá Hình thức thể hiện của "bảng liên

kết" được trình bày trong Bảng 1.1

Hình 1.1: Minh họa chỉ số LEPS theo hàm xác suất tích luỹ

Trang 24

(False alarm)

N22 - Đúng, bị bỏ qua (Correct rejection) Bốn trường hợp có thể xảy ra biểu thị các tình huống, hiện tượng có được

dự báo hay không và thực tế nó có xuất hiện hay không Khi hiện tượng xuất hiện và được dự báo có: "thành công", hiện tượng xuất hiện nhưng không được

dự báo có: "thất bại" Nếu hiện tượng không xuất hiện nhưng lại dự báo có, tức

là đã "báo động sai" còn nếu hiện tượng không xuất hiện và cũng được dự báo không xuất hiện thì dự báo đúng nhưng kết quả bị bỏ qua

Sau nhiều lần dự báo, ta có thể tổng kết để đánh giá mức độ chính xác cũng như hiệu quả kinh tế của mô hình Để tiến hành đánh giá mô hình sau N lần dự báo, có thể sử dụng các chỉ tiêu đánh giá sau:

- Tỷ lệ thành công (Hit Rate - HR)

- Tỷ lệ báo động sai (False Alarm Rate - FR) là tỷ số của số lần dự báo

nhưng hiện tượng không xuất hiện với tổng số lần hiện tượng không xuất hiện:

Hai chỉ tiêu HR và FR đặc trưng cho mô hình dự báo các hiện tượng Bảo đảm cân bằng giữa chúng là đòi hỏi của bất kỳ mô hình dự báo nào và khi tỷ lệ

"thành công" vượt tỷ lệ "báo động sai", mô hình được coi là "tinh xảo" (skill)

Với quan niệm trên nhưng khi đối tượng dự báo A không phải là một hiện tượng với hai khả năng xuất hiện như đã nêu mà là một đại lượng xuất hiện dưới dạng một chuỗi giá trị, được chia thành nhiều khoảng (pha) để dự báo, sẽ xử lý như thế nào?

Giả sử đối tượng dự báo được chia thành hai pha có vai trò và ý nghĩa như nhau, có khả năng xuất hiện ngang nhau thì rõ ràng, kết quả "báo động sai" đối với pha này sẽ là "thất bại" đối với pha kia và "tỷ lệ báo động sai" của mô hình

dự báo đối với pha này sẽ có ý nghĩa là "tỷ lệ thất bại" đối với pha còn lại Khi

Trang 25

đó, ngoài ý nghĩa cụ thể đối với mỗi pha dựa theo định nghĩa trên, ta sẽ phải có thêm định nghĩa khác đại diện cho cả mô hình Đó là tỷ lệ "thành công" và "báo động sai" trung bình của các pha Theo các ký hiệu đã nêu ta có các định nghĩa sau:

- Tỷ lệ thành công trung bình

- Tỷ lệ báo động sai trung bình

FRTB= (N12+N21)/N (3.4) Thực ra, đối với mô hình 2 pha, 50% là "xác suất khí hậu" Hiện nay, để

thông thường như dự báo dấu chuẩn sai

Trang 26

Chương 2 PHƯƠNG PHÁP NGHIÊN CỨU

I PHƯƠNG PHÁP PHÂN TÍCH CẤU TRÚC KHÔNG GIAN, THỜI GIAN TRƯỜNG DỮ LIỆU

Phân tích nhân tố

hạn dài nói riêng cần sử dụng một chuỗi số liệu lịch sử rất lớn để tiến hành dự báo Mục đích của việc tiến hành trực giao hóa trường khí tượng để từ một trường ban đầu chứa rất nhiều số liệu bằng phép trực giao hóa sẽ đưa thông tin của trường vào một số các véc tơ đầu tiên mà vẫn đảm bảo được độ chính xác

để dễ dàng hơn trong việc tính toán Sau đây sẽ là cơ sở lý thuyết hàm trực giao (Empirical Orthogonal Function)

Giả sử ban đầu ta có một trường của một yếu tố khí tượng nào đó lập

M M

2 1

2 2

2

1 1

m

t t

Trang 27

Ft là ma trận chuyển vị của F RFF có đặc điểm là một ma trận vuông đối xứng thực có mảng là (MxM) Viết dưới dạng ma trận có dạng

M

M M FF

F F F

F F

F

F F F

F F

F R

2 2

2 1

2

1 2

1 1

j j

N F F F

0 0 0

2

1

(2.8)

Các giá trị riêng  được sắp xếp theo thứ tự giảm dần 1  2   M

tương ứng với giá trị riêng k

M

M M

E E

E

E E

E

E E

2

2 2

1 2

1

2 1

1 1

(2.9)

một ma trận không tương quan trong không gian Mỗi một véc tơ riêng đại diện cho một mode trong không gian Chúng ta có thể tiếp tục xây dựng ma trận thời gian A k t

A

1

(2.10)

Trang 28

m=1 M là các vị trí trong không gian, còn k=1 K là các mode EOF Viết dưới dạng ma trận

F E

độ ảnh hưởng này được đánh giá thông qua phần trăm sau

F

1

(2.13)

II PHÂN TÍCH VÀ DỰ BÁO THỬ NGHIỆM

1 Xây dựng phương trình hồi qui tuyến tính

Để dự báo yếu tố khí tượng Y ta sử dụng m nhân tố dự báo là Xj={x1, x2,

và các nhân tố dự báo để thiết lập phương trình dự báo

Từ ma trận chuỗi số liệu ban đầu

liệu của yếu tố dự báo và nhân tố dự báo (hệ số hồi qui) Y là đối tượng cần dự

Trang 29

1,2,…,m) là các nhân tố được dùng để dự báo như: nhiệt độ mặt nước biển, khí

áp mặt biển, độ cao địa thế vị của các mặt đẳng áp… Để xây dựng được phương trình ta cần phải xác định các hệ số hồi qui

tức là các hệ số này được xác định sao cho tổng bình phương các độ lệch giữa giá trị quan trắc và giá trị dự báo của Y là nhỏ nhất Điều đó có nghĩa là xác định

min )

, , (

1

2

1 0

m j ij j t

a a

j x a y a

ky j

kj a R R

y

1

Chất lượng của phương trình hồi qui phụ thuộc vào mức độ quan hệ tuyến

tính giữa X và Y, tức hệ số tương quan

y a x a

x a x

a0 1 1 2 2  m m  => a o  ya1x1a2x2 a m x m

1,…,m):

Trang 30

Giải hệ phương trình bằng phương pháp Cramer ta thu được các nghiệm:

2 Phân tích tương quan Canon

Phương pháp sử dụng kết hợp với xây dựng phương trình hồi qui nhằm làm tăng tính độc lập giữa các nhân tố dự báo Chi tiết về cách thực hiện đã được trình bày trong nhiều tài liệu, giáo trình Tuy nhiên, có thể diễn giải ngắn gọn như sau: Phương pháp sử dụng hàm trực giao tự nhiên – EOF (emperical orthogonal function) phân tích cả nhân tố dự báo và yếu tố dự báo thành hai trường thứ cấp được mô tả bằng các vec tơ riêng Các vec tơ riêng này tồn tại độc lập nhau và chứa thông tin của trường ban đầu hầu hết tập trung trong những thành phần đầu tiên Sau đó, xây dựng phương trình hồi qui sẽ được thực hiện với hai trường thứ cấp đó Cách phân tích có một số đặc điểm sau: i) Làm tăng tính độc lập giữa các biến; ii) Giảm thiểu được khối lượng phép tính – giảm được loại sai số tính toán; iii) Giúp tìm ra được những tín hiệu quan trọng từ trường nền, loại bỏ bớt những dao động không mong muốn

3 Kiểm nghiệm chéo

Kiểm nghiệm chéo là một kỹ thuật thực hiện nhằm mục đích ước lượng

dự báo để kiểm tra chất lượng của phương trình hồi qui, có thể mô tả ngắn gọn như sau: Phân chia chuỗi số liệu ban đầu thành hai tập con bằng nhiều cách khác nhau, trong đó một tập để xây dựng quan hệ thống kê, một tập để kiểm định quan hệ thống kê, xây dựng và kiểm tra trên từng cách chia này sau đó lấy trung bình Quá trình này đầu tiên sẽ được thực hiện với một nhân tố dự báo, sau đó

Trang 31

các nhân tố dự báo này sẽ được tăng dần lên, quá trình kết thúc khi sai số kiểm nghiệm là nhỏ nhất

Hình 2.1: Qui trình kiểm nghiệm chéo

Trên hình 2.1 chi tiết về qui trình kiểm nghiệm chéo Giả sử có một chuỗi

số liệu từ năm 1951 đến nay Đầu tiên, lấy ra năm 1951, sau đó sẽ lấy toàn bộ chuỗi còn lại để xây dựng phương trình dự báo Sau khi xây dựng xong phương trình dự báo, dùng phương trình đó để dự báo thử nghiệm cho năm 1951 Bước tiếp theo, thực hiện cho năm 1952, và cứ như vậy đến năm cuối cùng Như vậy,

với cách thực hiện này sẽ đảm bảo được tính khách quan

4 Hệ số tương quan chuẩn sai (ACC - Pearson)

Hệ số tương quan chuẩn sai là một chỉ số sử dụng phổ biến đánh giá mức

độ quan hệ giữa hai hay nhiều (ma trận tương quan) yếu tố đang xem xét Cụ thể trong trường hợp của bài toán dự báo có thể hiểu đó là xem xét mức độ quan hệ giữa yếu tố dự báo và quan trắc, bài toán được xem xét trên phương diện giả sử rằng giữa các yếu tố tồn tại một mối quan hệ tuyến tính Tương quan chuẩn sai được đề xuất tính toán bằng hai dạng sau đây Dạng thứ nhất được đề xuất bởi Glenn Brier (1942), dạng này được tính toán dựa trên hệ số tương quan Pearson

có dạng như sau:

2 ' 2 ' 1

M

m

M m

m m

c

o o y

y

o o y y

Trong đó đại lượng y’ là chuỗi chuẩn sai dự báo, o’ là chuỗi chuẩn sai quan trắc,

Một dạng khác được đề xuất bởi Miyakoda (1972), trong đó giá trị trung bình khí hậu không lấy từ chính chuỗi xem xét, mà được ước lượng độc lập

Trang 32

' ' 2

/ 1

2 2

M m m m

M

M m

m m m

o y c

o c

y

c o c y

Tuy nhiên, hệ số tương quan này cũng có những chỗ khuyết của nó, điều

đó nằm ở giả định về quan hệ tuyến tính của hai chuỗi số, trên thực tế chưa chắc hai đại lượng đưa vào tính toán đã có quan hệ gần giống quá trình tuyến tính Do vậy trong nhiều trường hợp giá trị tính toán ra cho tương quan cao khoảng 0,7; 0,8 nhưng ý nghĩa của nó lại không nhiều Điều này phụ thuộc vào phân bố giữa hai đại lượng xem xét

Trang 33

Chương 3 PHÂN TÍCH CẤU TRÚC TRƯỜNG NHIỆT, MƯA QUAN TRẮC

VÀ MỘT SỐ KẾT QUẢ DỰ BÁO THỬ NGHIỆM

I PHÂN TÍCH CẤU TRÚC KHÔNG GIAN, THỜI GIAN CỦA TRƯỜNG NHIỆT ĐỘ VÀ LƯỢNG MƯA

Trong bài toán dự báo tháng, mùa hay khí hậu hạn dài như mô phỏng biến đổi khí hậu cần quan tâm nhiều đến cấu trúc về không gian và diễn biến thời gian của chuỗi dữ liệu đó Việc này nhằm mục đích xem xét những qui luật vận động vật lý thể hiện trong bản thân chuỗi số đó để dẫn tới nhận xét về khả năng

có thể hay không thể dự báo của một số hiện tượng khí tượng, khí hậu Do vậy,

để đáp ứng yêu cầu đó, trong mục này sẽ đi đến phân tích cấu trúc không gian và thời gian của trường số liệu mưa, nhiệt mùa quan trắc

Số liệu: Số liệu mưa, nhiệt tại 60 trạm quan trắc được xử lý lấy trung bình ba

tháng, số liệu lịch sử có từ năm 1982 đến 2002

Đối với yếu tố nhiệt độ: Số liệu nhiệt độ được xử lý cho trung bình bốn mùa; mùa hoạt động của gió mùa mùa đông (tháng 12, 1, 2); mùa hoạt động của gió mùa mùa hè (tháng 6, 7, 8); hai mùa chuyển tiếp: mùa xuân (tháng 3, 4, 5) và mùa thu (tháng 9, 10, 11)

Phương pháp: Sử dụng phương pháp phân tích nhân tố, phân tích chuỗi dữ liệu

thành các thành phần chính, những tín hiệu căn bản, mà được coi là hoạt động một cách độc lập tương đối (chỉ có ý nghĩa khi các quá trình coi là tuyến tính)

Sơ đồ khối thực hiện

Định dạng
Số trang	67
Dung lượng	4,9 MB