Nghiên cứu ứng dụng phương pháp thống kê sau mô hình tổ hợp (EMOS) vào dự báo nhiệt độ và điểm sương bề mặt ở Việt Nam : Luận án TS. Khoa học khí quyển và khí tượng: 62 44 02 22

KF Phương pháp lọc Kalman N Dung lượng mẫu hoặc tổng số dự báo thành phần NCEP Trung tâm dự báo môi trường quốc gia của Mỹ NOGAPS Mô hình toàn cầu của Hải quân Mỹ US Navy NGR_EM Hồi quy

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

-*** -

VÕ VĂN HÒA

NGHIÊN CỨU ỨNG DỤNG PHƯƠNG PHÁP THỐNG KÊ SAU MÔ HÌNH TỔ HỢP (EMOS) VÀO DỰ BÁO NHIỆT ĐỘ VÀ ĐIỂM SƯƠNG BỀ MẶT Ở VIỆT NAM

LUẬN ÁN TIẾN SĨ NGÀNH KHÍ TƯỢNG VÀ KHÍ HẬU HỌC

Hà Nội - 2015

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

-*** -

VÕ VĂN HÒA

NGHIÊN CỨU ỨNG DỤNG PHƯƠNG PHÁP THỐNG KÊ SAU MÔ HÌNH TỔ HỢP (EMOS) VÀO DỰ BÁO NHIỆT ĐỘ VÀ ĐIỂM SƯƠNG BỀ MẶT Ở VIỆT NAM

Chuyên ngành: Khí tượng và khí hậu học

Mã số: 62.44.02.22

LUẬN ÁN TIẾN SĨ NGÀNH KHÍ TƯỢNG VÀ KHÍ HẬU HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC

1 TS Bùi Minh Tăng

2 GS.TS Phan Văn Tân

Hà Nội - 2015

Lời cam đoan

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả trình bày trong luận án là trung thực và chưa từng được ai công

bố trong bất kỳ công trình nào khác

Tác giả luận án

Võ Văn Hòa

Lời cảm ơn

Luận án được hoàn thành tại Trung tâm Dự báo khí tượng thủy văn Trung ương và tại Khoa Khí tượng Thủy văn và Hải dương học, Trường Đại học Khoa học Tự Nhiên, Hà Nội Tác giả xin bày tỏ lòng biết ơn chân thành tới hai nhà khoa học đã hết lòng động viên, tận tình giúp đỡ và quan tâm tới từng bước nghiên cứu của luận án

Để thực hiện luận án, tác giả đã được giúp đỡ về thời gian và điều kiện nghiên cứu thuận lợi từ Trung tâm Dự báo khí tượng thủy văn Trung ương, nơi tác giả được hỗ trợ về tài liệu, số liệu nghiên cứu, trang thiết bị tính toán

và lưu trữ số liệu

Lời tri ân tác giả muốn gửi tới các đồng nghiệp tại Trung tâm Dự báo khí tượng thủy văn Trung ương đã chia sẻ, giúp đỡ và góp ý về một số nội dung nghiên cứu của luận án

Tác giả sẽ không bao giờ quên sự quan tâm, chăm sóc, sẻ chia buồn vui

và giúp đỡ qua bao khó khăn của người bạn đời và hai con nhỏ Lòng biết ơn sâu nặng nhất của tác giả xin gửi về cha mẹ, những người đã ban cho tác giả cuộc sống, dưỡng nuôi suốt thời thơ ấu và định hướng khoa học là con đường theo đuổi suốt đời của tác giả

Tác giả

Mục lục

Lời cam đoan 1

Lời cảm ơn 2

Mục lục 3

Danh sách các ký hiệu và chữ viết tắt 6

Danh mục các bảng 8

Danh mục các hình vẽ, đồ thị 12

MỞ ĐẦU 14

CHƯƠNG 1 TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NGHIÊN CỨU HIỆU CHỈNH THỐNG KÊ CHO DỰ BÁO TỔ HỢP 21

1.1 Khái niệm và vai trò của dự báo tổ hợp 21

1.2 Sự cần thiết phải hiệu chỉnh dự báo tổ hợp 24

1.3 Tổng quan các nghiên cứu hiệu chỉnh thống kê cho dự báo tổ hợp 27

1.3.1 Ngoài nước 27

1.3.2 Trong nước 34

CHƯƠNG 2 MÔ TẢ SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU 37

2.1 Đặt bài toán 37

2.2 Nghiên cứu lựa chọn và ứng dụng các phương pháp thống kê để nâng cao chất lượng dự báo trung bình tổ hợp và xác suất từ hệ thống SREPS 40

2.2.1 Các phương pháp thống kê tác động đến dự báo trung bình tổ hợp 40

2.2.2 Các phương pháp thống kê tác động đến cả dự báo trung bình tổ hợp và dự báo xác suất 43

2.2.3 Ứng dụng các phương pháp EMOS cho hệ thống SREPS 49

2.3 Mô tả tập số liệu nghiên cứu 53

2.4 Phương pháp xử lý số liệu 58

2.5 Phương pháp đánh giá 60

2.5.1 Các chỉ số đánh giá chất lượng dự báo trung bình tổ hợp 61

2.5.2 Các chỉ số đánh giá chất lượng dự báo xác suất 62

CHƯƠNG 3 KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ 67

3.1 Đánh giá khả năng khử sai số hệ thống 67

3.2 Đánh giá khả năng cải thiện chất lượng dự báo trung bình tổ hợp 74

3.2.1 Yếu tố nhiệt độ không khí 74

3.2.2 Yếu tố nhiệt độ điểm sương 78

3.2.3 Yếu tố nhiệt độ tối cao ngày 81

3.2.4 Yếu tố nhiệt độ tối thấp ngày 83

3.2.5 Nhận định chung 86

3.3 Đánh giá khả năng cải thiện chất lượng dự báo xác suất 88

3.3.1 Yếu tố nhiệt độ không khí 89

3.3.2 Yếu tố nhiệt độ điểm sương 94

3.3.3 Yếu tố nhiệt độ tối cao ngày 98

3.3.4 Yếu tố nhiệt độ tối thấp ngày 102

3.3.5 Nhận định chung 106

3.4 Xây dựng qui trình dự báo nghiệp vụ và đánh giá kết quả thử nghiệm nghiệp vụ từ năm 2011-2013 109

3.4.1 Xây dựng qui trình dự báo nghiệp vụ cho hệ thống EMOS dựa trên phương pháp NGR_EM 109

3.4.2 Kết quả đánh giá thử nghiệm nghiệp vụ từ năm 2011 đến 2013 112 KẾT LUẬN 122

KIẾN NGHỊ VỀ CÁC HƯỚNG NGHIÊN CỨU TIẾP THEO 124

DANH MỤC CÁC CÔNG TRÌNH NGHIÊN CỨU CỦA TÁC GIẢ CÓ LIÊN QUAN ĐẾN LUẬN ÁN 125

TÀI LIỆU THAM KHẢO 127

PHỤ LỤC 1 Danh sách 174 trạm được sử dụng trong nghiên cứu 139

PHỤ LỤC 2 Kết quả đánh giá cho T2m hạn dự báo 48h và 72h 142

PHỤ LỤC 3 Kết quả đánh giá cho Td2m hạn dự báo 48h và 72h 148

PHỤ LỤC 4 Kết quả đánh giá cho Tmax hạn dự báo 48h và 72h 154

PHỤ LỤC 5 Kết quả đánh giá cho Tmin hạn dự báo 48h và 72h 160

PHỤ LỤC 6 Kết quả đánh giá thử nghiệm nghiệp vụ từ 2011-2013 166

Danh sách các ký hiệu và chữ viết tắt

ai Hệ số hồi qui thứ i hoặc trọng số thứ i

ANN Mạng thần kinh nhân tạo

BCES Hiệu chỉnh sai số bằng phương pháp trọng số hàm mũ BCLR Hiệu chỉnh sai số bằng phương pháp hồi quy tuyến tính BCMA Hiệu chỉnh sai số bằng phương pháp trung bình trượt BMA Phương pháp trung bình Bayes

BS Chỉ số đánh giá xác suất

BSS Chỉ số đánh giá kỹ năng dự báo xác suất

CRPS Chỉ số xác suất hạng liên tục

DWD Tổng cục thời tiết Cộng hoà Liên bang Đức

ECMWF Trung tâm dự báo thời tiết hạn vừa Châu Âu

EMES Trung bình tổ hợp có trọng số tính theo hàm mũ

EMMV Trung bình tổ hợp có trọng số tính theo phương sai sai số EMOS Hiệu chỉnh thống kê cho dự báo tổ hợp

Fi Thành phần dự báo tổ hợp thứ i

HTTH Hệ thống dự báo tổ hợp

JMA Cơ quan khí tượng Nhật Bản

KF Phương pháp lọc Kalman

N Dung lượng mẫu hoặc tổng số dự báo thành phần

NCEP Trung tâm dự báo môi trường quốc gia của Mỹ

NOGAPS Mô hình toàn cầu của Hải quân Mỹ (US Navy)

NGR_EM Hồi quy Gauss không thuần nhất trong đó kỳ vọng quan hệ

tuyến tính với trung bình tổ hợp NGR_ER Hồi quy Gauss không thuần nhất trong đó kỳ vọng là trung

bình có trọng số của các dự báo thành phần NGR_EP Tương tự NGR_ER nhưng có loại bỏ trọng số âm

NWP Dự báo thời tiết số trị

Raw Dự báo trung bình tổ hợp hoặc xác suất trực tiếp từ hệ

thống dự báo tổ hợp thời tiết hạn ngắn (SREPS)

SREPS Hệ thống dự báo tổ hợp thời tiết hạn ngắn

TTDBTƯ Trung Tâm Dự Báo khí tượng thủy văn Trung Ương

Td2m Nhiệt độ điểm sương tại độ cao 2 mét

Tmax Nhiệt độ tối cao ngày

Tmin Nhiệt độ tối thấp ngày

T2m Nhiệt độ không khí tại độ cao 2 mét

Danh mục các bảng

Bảng 2.1: Các kỹ thuật thống kê được thử nghiệm để nâng cao chất lượng dự báo TBTH và xác suất của hệ thống SREPS (dấu tích ngụ ý có tác động) 50 Bảng 2.2: Cấu hình chi tiết của 4 mô hình NWP khu vực được lựa chọn để xây dựng hệ thống SREPS cho khu vực Việt Nam 55 Bảng 2.3: Danh sách các nguồn số liệu được thu thập phục vụ nghiên cứu 57 Bảng 3.1: Kết quả tính toán chỉ số đánh giá ME (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h (các giá trị bôi đậm ngụ ý không đem lại sự cải thiện trong sai số) 75 Bảng 3.2: Kết quả tính toán chỉ số đánh giá MAE (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h 76 Bảng 3.3: Kết quả tính toán chỉ số đánh giá RMSE (độ C) của dự báo TBTH

từ Raw và 10 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h 77 Bảng 3.4: Kết quả tính toán chỉ số đánh giá ME (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố Td2m với hạn dự báo 24h 79 Bảng 3.5: Kết quả tính toán chỉ số đánh giá MAE (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố Td2m với hạn dự báo 24h 79 Bảng 3.6: Kết quả tính toán chỉ số đánh giá RMSE (độ C) của dự báo TBTH

từ Raw và 10 phương pháp EMOS cho yếu tố Td2m với hạn dự báo 24h 80 Bảng 3.7: Kết quả tính toán chỉ số đánh giá ME (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố Tmax với hạn dự báo 24h 81 Bảng 3.8: Kết quả tính toán chỉ số đánh giá MAE (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố Tmax với hạn dự báo 24h 82 Bảng 3.9: Kết quả tính toán chỉ số đánh giá RMSE (độ C) của dự báo TBTH

từ Raw và 10 phương pháp EMOS cho yếu tố Tmax với hạn dự báo 24h 83

Bảng 3.10: Kết quả tính toán chỉ số đánh giá ME (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố Tmin với hạn dự báo 24h 84 Bảng 3.11: Kết quả tính toán chỉ số đánh giá MAE (độ C) của dự báo TBTH

từ Raw và 10 phương pháp EMOS cho yếu tố Tmin với hạn dự báo 24h 85 Bảng 3.12: Kết quả tính toán chỉ số đánh giá RMSE (độ C) của dự báo TBTH

từ Raw và 10 phương pháp EMOS cho yếu tố Tmin với hạn dự báo 24h 85 Bảng 3.13: Kết quả tính toán chỉ số đánh giá CRPS của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h (các giá trị bôi đậm ngụ ý không đem lại sự cải thiện trong chất lượng dự báo) 89 Bảng 3.14: Kết quả tính toán chỉ số độ phủ 90.48% của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h 92 Bảng 3.15: Kết quả tính toán chỉ số độ rộng 90.48% của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h 93 Bảng 3.16: Kết quả tính toán chỉ số đánh giá CRPS của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố Td2m với hạn dự báo 24h 94 Bảng 3.17: Kết quả tính toán chỉ số độ phủ 90.48% của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố Td2m với hạn dự báo 24h 97 Bảng 3.18: Kết quả tính toán chỉ số độ rộng 90.48% của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố Td2m với hạn dự báo 24h 98 Bảng 3.19: Kết quả tính toán chỉ số đánh giá CRPS của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố Tmax với hạn dự báo 24h 99 Bảng 3.20: Kết quả tính toán chỉ số độ phủ 90.48% của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố Tmax với hạn dự báo 24h 101 Bảng 3.21: Kết quả tính toán chỉ số độ rộng 90.48% của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố Tmax với hạn dự báo 24h 102 Bảng 3.22: Kết quả tính toán chỉ số đánh giá CRPS của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố Tmin với hạn dự báo 24h 103

Bảng 3.23: Kết quả tính toán chỉ số độ phủ 90.48% của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố Tmin với hạn dự báo 24h 105 Bảng 3.24: Kết quả tính toán chỉ số độ rộng 90.48% của dự báo xác suất từ Raw và 7 phương pháp EMOS cho yếu tố Tmin với hạn dự báo 24h 105 Bảng 3.25: Chỉ số ME (0C) cho dự báo TBTH của T2m hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 113 Bảng 3.26: Chỉ số MAE (0C) cho dự báo TBTH của T2m hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 113 Bảng 3.27: Chỉ số RMSE (0C) cho dự báo TBTH của T2m hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 114 Bảng 3.28: Chỉ số ME (0C) cho dự báo TBTH của Td2m hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 115 Bảng 3.29: Chỉ số MAE (0C) cho dự báo TBTH của Td2m hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 115 Bảng 3.30: Chỉ số RMSE (0C) cho dự báo TBTH của Td2m hạn dự báo 24h

từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 115 Bảng 3.31: Chỉ số ME (0C) cho dự báo TBTH của Tmax hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 116 Bảng 3.32: Chỉ số MAE (0C) cho dự báo TBTH của Tmax hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 117 Bảng 3.33: Chỉ số RMSE (0C) cho dự báo TBTH của Tmax hạn dự báo 24h

từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 117 Bảng 3.34: Chỉ số ME (0C) cho dự báo TBTH của Tmin hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 118 Bảng 3.35: Chỉ số MAE (0C) cho dự báo TBTH của Tmin hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 118

Bảng 3.36: Chỉ số RMSE (0C) cho dự báo TBTH của Tmin hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 119 Bảng 3.37: Chỉ số CRPS cho dự báo xác suất T2m hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 120 Bảng 3.38: Chỉ số CRPS cho dự báo xác suất Td2m hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 120 Bảng 3.39: Chỉ số CRPS cho dự báo xác suất Tmax hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 120 Bảng 3.40: Chỉ số CRPS cho dự báo xác suất Tmin hạn dự báo 24h từ NGR_EM và Raw trong các năm thử nghiệm nghiệp vụ 2011-2013 121

Danh mục các hình vẽ, đồ thị

Hình 2.1: Giả thiết minh họa một hệ thống dự báo tổ hợp không tối ưu (bên trái) và hiệu quả của bài toán EMOS có thể đem lại (bên phải) 38 Hình 2.2: Sự biến thiên của chỉ số RMSE trung bình trên toàn khu vực Tây Bắc trong tháng 11 năm 2010 theo các độ dài chuỗi số liệu phụ thuộc khác nhau cho từng phương pháp EMOS 52 Hình 2.3: Sơ đồ dự báo trượt theo thời gian của các phương pháp EMOS được thử nghiệm 53 Hình 2.4: Miền dự báo của hệ thống SREPS 54 Hình 2.5: Các bảng quan hệ của CSDL quan trắc các yếu tố nhiệt độ bề mặt 59 Hình 2.6: Sơ đồ minh họa phương pháp nội suy song tuyến tính [115] (P là điểm trạm cần nội suy, các điểm nút lưới được ký hiệu là Q) 60 Hình 2.7: Giản đồ tụ điểm cho dự báo T2m hạn 24h cho tại khu vực Tây Bắc

từ dự báo thành phần HRM_GFS của SREPS (trái) và BCMA (phải) 62 Hình 2.8: Ví dụ về các dạng biểu đồ dạng lý thuyết được tạo ra dựa trên hệ thống dự báo tổ hợp bao gồm 10 dự báo thành phần 64 Hình 2.9: Ví dụ về sự thay đổi của độ nhọn hàm phân bố theo theo sự thay đổi của biên độ độ phủ 90.48% 65 Hình 3.1: Giản đồ tụ điểm của dự báo thành phần HRM_GFS của Raw cùng

7 phương pháp EMOS cho dự báo T2m hạn 24h trên khu vực Tây Bắc 68 Hình 3.2: Giản đồ tụ điểm của dự báo thành phần HRM_GFS của Raw cùng

7 phương pháp EMOS cho dự báo Td2m hạn 24h trên khu vực Tây Bắc 70 Hình 3.3: Giản đồ tụ điểm của dự báo thành phần HRM_GFS của Raw cùng

7 phương pháp EMOS cho dự báo Tmax hạn 24h trên khu vực Tây Bắc 71

Hình 3.4: Giản đồ tụ điểm của dự báo thành phần HRM_GFS của Raw cùng

7 phương pháp EMOS cho dự báo Tmin hạn 24h trên khu vực Tây Bắc 72 Hình 3.5: Biểu đồ hạng của Raw cùng 7 phương pháp EMOS đối với dự báo T2m hạn 24h trên khu vực Tây Bắc 91 Hình 3.6: Biểu đồ hạng của Raw cùng 7 phương pháp EMOS đối với dự báo Td2m hạn 24h trên khu vực Tây Bắc 95 Hình 3.7: Biểu đồ hạng của Raw cùng 7 phương pháp EMOS đối với dự báo Tmax hạn 24h trên khu vực Tây Bắc 100 Hình 3.8: Biểu đồ hạng của Raw cùng 7 phương pháp EMOS đối với dự báo Tmin hạn 24h trên khu vực Tây Bắc 104 Hình 3.9: Sơ đồ thời gian cần thiết để thu thập số liệu, chạy hệ thống SREPS

và các phương pháp EMOS trong điều kiện nghiệp vụ tại TTDBTƯ 109 Hình 3.10: Sơ đồ qui trình nghiệp vụ vận hành hệ thống EMOS dựa trên phương pháp NGR_EM cho hệ thống SREPS tại TTDBTƯ 111

MỞ ĐẦU

 Đặt vấn đề

Các nghiên cứu của Lorenz [74, 75] đã nêu lên tầm quan trọng của điều kiện ban đầu đối với các mô hình dự báo thời tiết số trị (NWP) trong đó thừa nhận tồn tại các nguồn bất định (uncertainties) trong dự báo Những nguồn bất định này đã hạn chế khả năng dự báo của các mô hình NWP Phương pháp dự báo tổ hợp (DBTH) đã được nghiên cứu để giải quyết vấn đề nói trên

và sử dụng trong dự báo nghiệp vụ tại nhiều nơi trên thế giới từ những năm

1992 của thế kỷ trước Cho đến nay, DBTH đã được phát triển và ứng dụng cho nhiều mục đích khác nhau và được đánh giá là lĩnh vực có tốc độ thay đổi nhanh nhất trong nghiên cứu và ứng dụng của khoa học khí quyển

Trên thực tế, mô hình NWP sử dụng trong các hệ thống dự báo tổ hợp (HTTH) luôn tồn tại các sai số hệ thống (bias) liên quan đến sự không hoàn hảo trong động lực, vật lý, phương pháp số, mô tả địa hình, … Những sai số này ảnh hưởng lớn tới chất lượng dự báo của các HTTH như dự báo trung bình tổ hợp (TBTH) không tốt hơn dự báo đối chứng và các dự báo thành phần, dự báo xác suất không tin cậy, … Thậm chí, với một phương pháp nhiễu động hoàn hảo, thì hàm phân bố xác suất dựa trên một HTTH có thể không phù hợp nếu mô hình có sai số nhỏ nội tại [33] Do vậy, phương pháp hậu xử lý là cần thiết để nâng cao chất lượng dự báo trung bình tổ hợp và xác suất của HTTH

Tại Việt Nam, các HTTH hạn ngắn và hạn vừa đã được nghiên cứu và triển khai vào nghiệp vụ từ năm 2010 cho đến nay Các kết quả đánh giá đã cho thấy chất lượng dự báo nhiệt độ và độ ẩm bề mặt từ các HTTH nghiệp vụ này luôn tồn tại các sai số hệ thống Dẫn đến chất lượng dự báo TBTH và xác suất không đáp ứng được yêu cầu của bài toán nghiệp vụ dự báo Chính vì vậy, việc nghiên cứu ứng dụng các phương pháp thống kê để hiệu chỉnh các

dự báo trực tiếp cho yếu tố nhiệt độ và độ ẩm từ các HTTH nghiệp vụ là hết sức cần thiết và cấp bách

 Tính cấp thiết của đề tài

Tại Việt Nam, các hệ thống NWP đã được nghiên cứu và ứng dụng nghiệp vụ từ hơn 10 năm trở lại đây trong đó bao gồm các HTTH từ quy mô hạn ngắn cho đến hạn mùa Năm 2010, TTDBTƯ đã triển khai nghiệp vụ hệ thống dự báo tổ hợp thời tiết hạn ngắn (1-3 ngày) - SREPS dựa trên cách tiếp cận đa mô hình đa phân tích và bao gồm 20 dự báo thành phần Các sản phẩm

dự báo TBTH và dự báo xác suất từ SREPS đã và đang góp phần quan trọng trong công tác dự báo thời tiết hạn ngắn, đặc biệt là dự báo các hiện tượng thời tiết nguy hiểm tại TTDBTƯ Theo kết quả đánh giá của TTDBTƯ [4, 6, 7], chất lượng dự báo TBTH và xác suất của hệ thống SREPS vẫn còn nhiều hạn chế cho một số biến bề mặt và trên cao Những hạn chế này dẫn đến hiệu

quả phục vụ công tác dự báo thời tiết của hệ thống SREPS chưa cao Câu hỏi

đặt ra là “Làm thế nào để nâng cao được chất lượng dự báo TBTH và xác suất của hệ thống SREPS ?”

Nguyên nhân dẫn đến những hạn chế của hệ thống SREPS có thể bắt nguồn từ sự chưa hoàn hảo của các mô hình NWP được sử dụng, sai số địa hình và thảm phủ, sai số trường ban đầu và điều kiện biên, … [4] Để cải tiến tổng thể chất lượng dự báo của SREPS, rất nhiều bài toán khác nhau cần phải thực hiện riêng rẽ hoặc đồng thời Chẳng hạn, để khắc phục nguyên nhân do

mô hình NWP, rõ ràng cần phải đầu tư nghiên cứu cải tiến mô hình từ động lực, vật lý cho đến phương pháp số Để cải tiến trường ban đầu, cần phải nghiên cứu ứng dụng bài toán đồng hóa số liệu, … Đây là những bài toán lớn

đòi hỏi phải nghiên cứu lâu dài và tốn nhiều công sức Vậy “Làm cách nào để

lựa chọn được giải pháp hiệu quả nhất để nâng cao được chất lượng dự báo TBTH và xác suất cho hệ thống SREPS ?”

Theo Du [33], trên thế giới hiện tại phổ biến 2 cách tiếp cận để giải quyết những tồn tại nói trên cho các HTTH, đó là động lực và thống kê Cách tiếp cận động lực liên quan đến bài toán cải tiến mô hình NWP sử dụng trong HTTH hoặc cải tiến cách thức tạo ra các dự báo thành phần của HTTH Cách tiếp cận thống kê tương tự như bài toán thống kê sau mô hình (MOS) cho mô hình NWP tất định trong đó các kỹ thuật thống kê được sử dụng để hiệu chỉnh các dự báo thành phần của HTTH hoặc tổng hợp thông tin DBTH một cách hiệu quả nhất để nâng cao được chất lượng dự báo TBTH và xác suất của

HTTH Câu hỏi đặt ra là “Trong hai cách tiếp cận nói trên, cách tiếp cận nào

phù hợp cho hệ thống SREPS ?”

Như đã biết, hệ thống SREPS hiện đang ứng dụng ở Việt Nam dựa trên cách tiếp cận đa mô hình đa phân tích trong đó sử dụng 4 mô hình NWP khu vực chạy riêng rẽ với các đầu vào từ 5 mô hình NWP toàn cầu Theo cách tiếp cận động lực, việc cải tiến mô hình cần phải thực hiện cho cả 4 mô hình NWP của hệ thống SREPS trong khi cải tiến trường ban đầu sẽ liên quan tới 5 mô hình NWP toàn cầu Cách tiếp cận này đòi hỏi một khối lượng công việc khổng lồ và thực hiện trong thời gian dài Việc cải tiến cách thức tạo ra các dự báo thành phần hoặc số lượng dự báo thành phần cũng gặp phải khó khăn tương tự Trong khi đó, cách tiếp cận thống kê chỉ tác động đến kết quả đầu ra của hệ thống SREPS mà không ảnh hưởng tới các mô hình NWP được sử dụng cũng như cách thức tạo ra các dự báo thành phần Đây là cách tiếp cận đơn giản, khả thi và có thể đem lại hiệu quả cao khi sai số hệ thống chiếm ưu thế trong sai số tổng cộng

Các kết quả đánh giá chất lượng dự báo tất định và xác suất một số yếu

tố bề mặt của hệ thống SREPS [4, 6, 7] đã chỉ ra sai số hệ thống nội tại trong các dự báo thành phần của SREPS đã hạn chế chất lượng báo tất định và xác suất đối với nhiệt độ, độ ẩm, gió, áp và mưa - các yếu tố thời tiết Hay nói

cách khác, chất lượng dự báo thời tiết từ hệ thống SREPS chưa đáp ứng được yêu cầu của bài toán nghiệp vụ, đặt biệt là dự báo điểm Trong đó, các yếu tố nhiệt độ và độ ẩm cho thấy khuynh hướng sai số hệ thống rõ nét nhất Do các phương pháp EMOS được lựa chọn (sẽ trình bày dưới đây) chỉ có thể áp dụng cho biến liên lục và có tính đồng nhất cao, nên 2 yếu tố nhiệt độ và điểm sương bề mặt là phù hợp nhất Việc nghiên cứu áp dụng các phương pháp EMOS cho yếu tố lượng mưa, gió, … sẽ là hướng nghiên cứu tiếp theo của luận án Cụ thể, các yếu tố nhiệt độ không khí, nhiệt độ tối cao và tối thấp ngày và điểm sương bề mặt (phản ánh độ ẩm) bề mặt (tại độ cao 2 mét) sẽ là các đối tượng nghiên cứu của luận án này

Đứng trước yêu cầu cấp thiết này, tác giả thực hiện đề tài: “Nghiên cứu

ứng dụng phương pháp thống kê sau mô hình tổ hợp (EMOS) vào dự báo nhiệt độ và điểm sương bề mặt ở Việt Nam” Trong khuôn khổ luận án, tác

giả ứng dụng và thử nghiệm một số phương pháp thống kê để hiệu chỉnh các kết quả dự báo từ SREPS cho yếu tố nhiệt độ tại độ cao 2 mét, nhiệt độ tối cao ngày, nhiệt độ tối thấp ngày và điểm sương bề mặt tại độ cao 2 mét Sau

đó, tiến hành đánh giá và lựa chọn phương pháp EMOS hiệu quả và khả thi nhất trong bài toán nghiệp vụ tại TTDBTƯ

 Luận điểm bảo vệ của luận án

1 Luận án đã lựa chọn và áp dụng một số phương pháp thống kê hiệu chỉnh dự báo tổ hợp (EMOS) phù hợp với hệ thống dự báo tổ hợp thời tiết hạn ngắn (SREPS) tại TTDBTƯ;

2 Luận án đã đánh giá và chỉ ra được hiệu quả của các phương pháp EMOS nói trên trong việc nâng cao chất lượng dự báo TBTH và xác suất từ SREPS cho các yếu tố nhiệt độ và điểm sương bề mặt;

3 Luận án đã xác định được phương pháp EMOS tốt nhất và đánh giá được khả năng ứng dụng nghiệp vụ tại TTDBTƯ

 Đối tượng, phương pháp và phạm vi nghiên cứu của luận án Nghiên cứu đầy đủ các phương pháp EMOS là một bài toán lớn liên quan đến nhiều vấn đề và khía cạnh khoa học khác nhau Việc thực hiện đầy

đủ bài toán này nằm ngoài khuôn khổ luận án Do đó, luận án chỉ tập trung vào phương pháp thống kê với đối tượng, phạm vi và phương pháp sau đây:

- Đối tượng nghiên cứu: các yếu tố nhiệt độ bề mặt gồm nhiệt độ

không khí (T2m), điểm sương bề mặt (Td2m), nhiệt độ tối cao ngày (Tmax)

và nhiệt độ tối thấp ngày (Tmin)

- Phạm vi nghiên cứu: toàn bộ lãnh thổ Việt Nam đại diện bởi 174 vị

trí trạm quan trắc khí tượng bề mặt;

- Phương pháp nghiên cứu: luận án sử dụng các phương pháp nghiên

cứu gồm phương pháp thống kê, phương pháp lập trình mô phỏng, phương pháp toán học và phương pháp đánh giá khách quan

 Những đóng góp mới của luận án

Những đóng góp mới của luận án đồng thời cũng là những luận điểm bảo vệ đã được nêu trên đây Đó là lần đầu tiên, luận án đã xây dựng được hệ phương pháp EMOS cho hệ thống SREPS ở Việt Nam, bao gồm: 1) Áp dụng thành công một số phương pháp EMOS cho hệ thống SREPS tại TTDBTƯ và chỉ ra được tính hiệu quả của các phương pháp EMOS này trong việc nâng cao chất lượng dự báo TBTH và xác suất cho các yếu tố nhiệt độ và điểm sương bề mặt từ hệ thống SREPS; 2) Xác định được các phương pháp EMOS tốt nhất và chỉ ra được khả năng ứng dụng nghiệp vụ của các phương pháp này tại TTDBTƯ

 Ý nghĩa khoa học và thực tiễn của luận án

- Trên cơ sở các công trình nghiên cứu trong và ngoài nước cho đến thời điểm hoàn thành luận án những vấn đề EMOS đã được xem xét, đánh giá

những ưu, nhược điểm, từ đó lựa chọn được một số phương pháp EMOS phù hợp với hệ thống SREPS tại TTDBTƯ;

- Kết quả nghiên cứu thử nghiệm của luận án đã chỉ ra tính hiệu quả của các phương pháp EMOS được chọn trong việc nâng cao chất lượng dự báo TBTH và xác suất cho yếu tố nhiệt độ và điểm sương bề mặt, góp phần làm sáng tỏ khả năng ứng dụng của phương pháp;

- Từ những thử nghiệm đối với hệ thống SREPS tại TTDBTƯ và bộ số liệu quan trắc từ mạng lưới trạm khí tượng Việt Nam, luận án đã xác định được phương pháp EMOS tốt nhất và đánh giá được khả năng ứng dụng nghiệp vụ cho hệ thống SREPS tại TTDBTƯ, góp phần nâng cao chất lượng các bản tin dự báo phục vụ phòng tránh, ứng phó với thiên tai

 Cấu trúc của luận án

Ngoài các phần lời cam đoan, lời cám ơn, danh sách các từ viết tắt, bảng biểu, hình vẽ và đồ thị, mục lục, mở đầu, tài liệu tham khảo và phụ lục, nội dung chính của luận án bao gồm:

Chương 1: Tổng quan về các phương pháp nghiên cứu hiệu chỉnh thống kê cho dự báo tổ hợp Chương này trình bày một cách khái quát về DBTH từ định nghĩa, vai trò và các phương pháp tạo DBTH Tiếp đó, đưa ra các nhận định về sự cần thiết phải hiệu chỉnh DBTH và luận giải tại sao lại lựa chọn cách tiếp cận thống kê Cuối cùng, các nghiên cứu ứng dụng phương pháp thống kê cho bài toán EMOS trong và ngoài nước sẽ được tổng quan

Chương 2: Mô tả số liệu và phương pháp nghiên cứu Ở đây sẽ đưa ra các luận giải để lựa chọn các phương pháp thống kê thích hợp để hiệu chỉnh DBTH từ hệ thống SREPS Cơ sở toán học của phương pháp EMOS được lựa chọn cũng như cách thức áp dụng các phương pháp này cho hệ thống SREPS cũng sẽ được trình bày chi tiết Cuối cùng là mô tả tập số liệu nghiên cứu,

phương pháp xử lý số liệu và phương pháp đánh giá chất lượng dự báo của các phương án EMOS được thử nghiệm

Chương 3: Kết quả thử nghiệm và đánh giá Chương này trình bày toàn bộ các kết quả thử nghiệm và đánh giá chất lượng dự báo TBTH và dự báo xác suất từ các phương pháp EMOS được nghiên cứu và so sánh với chất lượng dự báo TBTH và xác suất trực tiếp từ SREPS (ký hiệu là Raw) Do các phương pháp EMOS được sử dụng để loại bỏ sai số hệ thống trong các dự báo thành phần của SREPS, nên phần đầu của chương này sẽ tập trung phân tích khả năng khử sai số hệ thống của các phương pháp EMOS Kế tiếp, các đánh giá khả năng cải thiện chất lượng dự báo TBTH và xác suất sẽ được phân tích Cuối cùng, sơ đồ qui trình nghiệp vụ của phương pháp EMOS được lựa chọn

và kết quả đánh giá thử nghiệm nghiệp vụ trong các năm 2011-2013 sẽ được đưa ra và phân tích

Kết luận và kiến nghị: trình bày tóm tắt các kết quả chủ yếu của luận

án, những điểm mới đã đạt được; nêu những tồn tại và kiến nghị việc sử dụng kết quả luận án cũng như các vấn đề cần tiếp tục nghiên cứu

CHƯƠNG 1 TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NGHIÊN CỨU

HIỆU CHỈNH THỐNG KÊ CHO DỰ BÁO TỔ HỢP

1.1 Khái niệm và vai trò của dự báo tổ hợp

Theo Kalnay (2003) [66], DBTH là một tập hợp dự báo xác định tại

cùng một thời điểm (có thể được bắt đầu từ các điều kiện ban đầu khác nhau,

thời điểm bắt đầu dự báo khác nhau, hoặc dựa trên các mô hình khác nhau) và hướng đến 3 mục đích:

 Tăng cường chất lượng dự báo thông qua trung bình tổ hợp (TBTH)

 Cung cấp một chỉ số định lượng về độ tin cậy của dự báo

 Làm cơ sở cho dự báo xác suất

Mục đích đầu tiên được thực hiện để loại bỏ sai khác giữa các thành phần trong khi vẫn giữ lại những đặc tính tương tự Mục đích thứ hai liên quan đến tương quan giữa độ tán và sai số dự báo TBTH, dù mối tương quan này không hoàn toàn chặt và chưa được khẳng định vững chắc Mục đích thứ

ba được xây dựng dựa trên tần suất dự báo xuất hiện hiện tượng từ các thành phần tổ hợp Mỗi một dự báo thành phần là một trạng thái có thể của khí quyển thực Hay nói cách khác, một DBTH sẽ là một xấp xỉ hữu hạn của hàm mật độ xác suất của trạng thái khí quyển trong không gian pha của nó

Định nghĩa của Kalnay chủ yếu dựa trên các HTTH toàn cầu cho mục đích dự báo hạn vừa và hạn dài cho nên tầm quan trọng của dự báo tất định (dự báo từ TBTH) và dự báo xác suất là như nhau Tuy nhiên, khi các HTTH cho mục đích dự báo hạn ngắn xuất hiện, DBTH đã được định nghĩa theo

quan điểm dự báo xác suất Theo Gneiting và nnk (2003) [51], DBTH là một

tập hợp dự báo xác định tại cùng một thời điểm làm cơ sở cho dự báo xác suất có độ nhọn (sharpness) cực đại trong khi vẫn duy trì độ tin cậy (reliability) của dự báo xác suất Hai khái niệm độ nhọn và độ tin cậy đóng

vai trò quan trọng trong các HTTH ngày nay và đã được trình bày chi tiết trong một số nghiên cứu trong nước [3, 4]

Như đã biết, trong mô hình NWP tất định, chúng ta mong muốn giá trị

dự báo của mô hình (Xm) bằng giá trị của trạng thái khí quyển thực (X) Tuy nhiên, do trạng thái mô hình chỉ là một xấp xỉ trung bình của khí quyển với một độ tin cậy nhất định, nên luôn tồn tại một sai số Xe nào đó sao cho X =

Xm + Xe Trên thực tế, sai số Xe là ngẫu nhiên và không thể biết trước được

Do đó, chúng ta mong muốn có thể ước lượng một tập các nghiệm Xm + X’ trong đó có nghiệm thực X sao cho X Є Xm + X’ hoặc một phân bố sai số X’ bao hàm sai số Xe Bởi vì các nguồn bất định được tạo ra tại mỗi bước dự báo

là hoàn toàn ngẫu nhiên và không thể tránh khỏi Do đó, X’ không thể là một giá trị đơn lẻ mà phải có dạng phân bố xác suất kết hợp với độ bất định trong trạng thái ban đầu và mức độ phi tuyến của hệ thống mô hình hóa

Quá trình ước lượng độ tin cậy và mô tả chính xác phân bố sai số phụ thuộc vào trạng thái hoặc độ bất định trong dự báo để bao hàm được trạng thái thực chính là nhiệm vụ chính của DBTH Như vậy, để cải thiện được khả năng dự báo phân bố sai số X’ cần thiết phải cải tiến các kỹ thuật tạo tổ hợp, trong khi đó việc cải tiến độ chính xác của trường Xm chủ yếu phụ thuộc vào

độ chính xác của trường ban đầu và mô hình Hay nói cách khác, kỹ thuật tạo DBTH sẽ giải quyết vấn đề sai số ngẫu nhiên trong khi các cải tiến điều kiện ban đầu và mô hình sẽ xử lý sai số hệ thống dự báo Do vậy, điều kiện ban đầu chính xác và mô hình hoàn hảo là cơ sở quan trọng cho DBTH

Vấn đề đặt ra là làm cách nào để có thể ước lượng được phân bố sai số X’ trong DBTH Về mặt nguyên tắc, tất cả các nguồn bất định cần phải được

mô tả đầy đủ và tính toán chính xác trong hệ thống mô hình hóa để tích phân theo thời gian và tạo ra một tổ hợp hữu hạn các dự báo Trên cơ sở đó, tổ hợp các dự báo này sẽ ước lượng được phân bố xác suất và độ bất định/độ tin cậy

của dự báo Dựa trên các cách tiếp cận này, Du (2007) [34] đã tổng kết và phân loại HTTH vào trong 3 lớp như sau:

1 Các HTTH một chiều (HTTH-1D): các HTTH này chỉ tập trung vào

độ bất định trong điều kiện ban đầu bằng cách sử dụng phương pháp gây nhiễu động trường ban đầu để tạo ra các dự báo thành phần Ba đặc trưng cơ bản của HTTH-1D cần phải thỏa mãn gồm tính hiện thực, độ phân kỳ và tính trực giao Tính hiện thực ngụ ý rằng biên độ của nhiễu động cần nằm trong phạm vi sai số phân tích và biểu diễn phân bố thực theo không gian Tính phân kỳ yêu cầu nhiễu động cần phải có cấu trúc phát triển để các thành phần

dự báo phân kỳ càng nhiều càng tốt theo thời gian để bao hàm tất cả các nghiệm có thể trong không gian mô hình Tính trực giao đòi hỏi nhiễu động phải trực giao lẫn nhau để thu được thông tin cực đại trong dự báo tổ hợp Cho đến nay, đã có rất nhiều phương pháp gây nhiễu trường ban đầu được nghiên cứu và triển khai nghiệp vụ tại nhiều trung tâm dự báo lớn trên thế giới như phương pháp Monte-Carlo [35, 43, 78], phương pháp dự báo trễ [62,

76, 88], phương pháp ươm nhiễu [99, 100], phương pháp véc tơ kỳ dị [44, 73, 84], phương pháp lọc Kalman tổ hợp - ETKF [63, 64, 105, 107]

2 Các HTTH hai chiều (HTTH-2D): khác với các HTTH-1D chỉ tính đến độ bất định trong điều kiện ban đầu, các HTTH-2D xem xét thêm các nguồn bất định trong động lực và vật lý của mô hình NWP Hiện tại, có một

số cách tiếp cận để xây dựng các HTTH-2D như hệ thống đa mô hình [36, 37, 82], đa vật lý [65, 93], đa tổ hợp [81, 101] và vật lý rối [25, 63, 92] Cách tiếp cận này thường được sử dụng trong các HTTH dự báo thời tiết nghiệp vụ

3 Các HTTH ba chiều (HTTH-3D): trong các hệ thống này yếu tố quá khứ (chiều thời gian) được xem xét bên cạnh các độ bất định đến từ điều kiện ban đầu và điều kiện biên Ví dụ, cách tiếp cận dự báo trễ là một phương pháp

sử dụng sai số quá khứ (sai số của các dự báo trước dự báo hiện tại) để đo

lường về độ bất định trong dự báo (kiểm chứng xem các dự báo liên tiếp có giữ được tính quán tính hay không) Cụ thể, tính quán tính cao chỉ ra khả năng

dự báo cao của một hiện tượng nào đó và ngược lại Lý luận này hoàn toàn phù hợp với kinh nghiệm của một dự báo viên Một lý do khác để đưa chiều thời gian vào trong các HTTH là chất lượng dự báo giảm theo tuổi dự báo, tức

là các dự báo được thực hiện từ các thời điểm trước thường không chính xác bằng các dự báo gần với hiện tại Tuy nhiên, lập luận này sẽ không chính xác khi chất lượng trường ban đầu và mô hình được cải tiến Hiện tại, cách tiếp cận này được sử dụng trong dự báo khí hậu và biến đổi khí hậu

1.2 Sự cần thiết phải hiệu chỉnh dự báo tổ hợp

Như đã phân tích ở trên, điều kiện ban đầu chính xác và mô hình NWP hoàn hảo là cơ sở để tạo ra một HTTH có chất lượng tốt Tuy nhiên, trên thực

tế mô hình sử dụng trong HTTH luôn có sai số (do sự chưa hoàn hảo trong động lực, vật lý, phương pháp số, mô tả mặt đệm, …) trong khi nguồn bất định trong một mô hình NWP không thể được mô tả đầy đủ và chính xác trong một HTTH cũng như độ phân giải của mô hình phụ thuộc vào năng lực tính toán Chính những hạn chế này dẫn đến một HTTH không tối ưu (suboptimal) Những nhược điểm của một HTTH không tối ưu bao gồm: 1) TBTH không tốt hơn dự báo đối chứng và các dự báo thành phần; 2) quan hệ giữa kỹ năng dự báo và độ tán tổ hợp thấp (độ tán thường là quá lớn hoặc quá nhỏ); 3) tạo ra các cực trị lớn (excessive outlier); 4) dự báo xác suất không tin cậy và thiếu khả năng mô tả chi tiết cấu trúc không gian; … Thậm chí, với một phương pháp nhiễu động hoàn hảo, thì hàm phân bố xác suất dựa trên một HTTH có thể không phù hợp nếu mô hình có sai số nhỏ nội tại [33] Do vậy, hiệu chỉnh thống kê cho dự báo tổ hợp (EMOS) là cần thiết để nâng cao chất lượng dự báo TBTH và xác suất cho HTTH

Theo Du (2007) [34], bằng cách loại bỏ sai số hệ thống của mô hình (mô men bậc 1), dự báo TBTH sẽ gần với nghiệm thực hơn, các cực trị sẽ giảm đáng kể và dự báo xác suất sẽ tin cậy hơn Đối với HTTH đa mô hình (dạng HTTH-2D), việc hiệu chỉnh sẽ đảm bảo độ tán được tạo ra khi sai số hệ thống của từng mô hình bị loại bỏ sẽ phù hợp hơn Tương tự, bằng cách hiệu chỉnh mô men bậc 2 (phương sai dự báo), vấn đề quan hệ thấp giữa kỹ năng

dự báo - độ tán tổ hợp và vấn đề độ tán quá lớn/bé có thể được cải thiện và loại bỏ Để cải tiến độ tin cậy của dự báo xác suất, các mô men cao hơn như hàm mật độ xác suất cũng cần được hiệu chỉnh

Mặc khác, HTTH là không hoàn hảo trong thế giới thực do các dự báo thành phần có thể có kỹ năng dự báo khác nhau trong các điều kiện khí quyển khác nhau, đặc biệt là trong các HTTH đa mô hình hoặc đa vật lý Trong trường hợp này, kỹ thuật lấy trung bình có trọng số cho từng dự báo thành phần có thể hữu ích, đây cũng chính là một dạng EMOS Ngoài ra, loại bỏ sai

số hệ thống cũng là bước quan trọng trong việc tìm ra dự báo thành phần tốt nhất Trên thực tế, dự báo viên luôn muốn biết trước dự báo thành phần nào được đánh giá là tốt nhất mặc dù điều này là không thể bởi vì về mặt lý thuyết các dự báo có xác suất như nhau Tuy nhiên, nếu loại bỏ được sai số hệ thống của các thành phần tổ hợp, TBTH được đánh giá là tốt nhất về mặt trung bình (nếu phân bố không quá lệch) Ngược lại, với một HTTH có sai số hệ thống, rất khó để nhận ra dự báo thành phần tốt nhất và dự báo TBTH luôn có kỹ năng dự báo kém hơn dự báo thành phần tốt nhất Tất cả những lý do nêu trên chỉ ra tầm quan trọng của bài toán EMOS

Nói chung, có 2 cách tiếp cận trong bài toán EMOS, đó là cách tiếp cận thống kê và động lực Với cách tiếp cận thống kê, các thông tin sai số trong quá khứ được sử dụng Do đó, cách tiếp cận này sẽ phát huy hiệu quả khi sai

số hệ thống ít thay đổi và có biên độ lớn Trong cách tiếp cận thống kê, có

nhiều phương pháp được sử dụng như trung bình trượt (running mean) trong

đó một trung bình có trọng số trên một chu kỳ quá khứ được sử dụng [94, 95, 119], trung bình phân rã đơn giản (decaying average) trong đó có xu hướng tập trung vào dữ liệu quá khứ gần đây nhất với trọng số giảm dần theo độ tuổi của dữ liệu bằng cách sử dụng kỹ thuật lọc Kalman [29], cách tiếp cận tương

tự trong đó trọng số phụ thuộc vào hình thế thời tiết [38], hồi quy tuyến tính [70, 71, 117], mạng thần kinh nhân tạo [42, 79, 80, 89, 118], trung bình mô hình Bayes (BMA) [86, 91, 114],

Các phương pháp EMOS có thể áp dụng cho trung bình tổ hợp (mô men bậc 1), phương sai (mô men bậc 2) và các mô men bậc cao hơn như hàm phân bố xác suất [41] Ví dụ, phương pháp thống kê áp nhân/hàm mật độ (kernel dressing) là giải pháp tốt để cải thiện độ tán của các hệ thống dự báo

tổ hợp có độ tán bé [20, 49, 87] Cách tiếp cận thống kê cũng có thể áp dụng cho bài toán hạ quy mô (downscaling) Trong bài toán này, một mạng lưới quan trắc dày đóng vai trò quan trọng trong bài toán hạ quy mô thống kê cũng như các phương pháp hậu xử lý khác

Trên thực tế, sai số dự báo thay đổi theo từng hình thế và các thành phần sai số ngẫu nhiên và hệ thống rất khó có thể được bóc tách Do đó, các cách tiếp cận thống kê sẽ không phù hợp trong dạng bài toán này và cách tiếp cận động lực là lựa chọn thích hợp Tuy nhiên, cho đến nay có rất ít các nghiên cứu sử dụng cách tiếp cận động lực để nâng cao chất lượng dự báo cho HTTH và đây vẫn đang là hướng nghiên cứu mở trên thế giới Hiện tại, có một số phương pháp động lực đã được đề xuất như phương pháp tổ hợp lai (hybrid ensemble) của Du (2004) [32] dựa trên cách tiếp cận đa mô hình (sử dụng 2 độ phân giải), quan hệ sai số - độ tán tổ hợp, vật lý ngẫu nhiên, … Cách tiếp cận vật lý ngẫu nhiên có thể khử sai số hệ thống bằng cách đưa vào tính toán các hiệu ứng sai số khác nhau trong các phương trình mô hình Mặt

khác, việc chuẩn đoán chính xác các điều kiện động lực của môi trường như hội tụ ẩm, chuyển động thẳng đứng và bất ổn định khí quyển cũng có thể được coi như một phương pháp hậu xử lý cho DBTH [48]

Nói chung, các cách tiếp cận động lực và thống kê để hiệu chỉnh DBTH

là một bài toán lớn liên quan đến nhiều vấn đề và khía cạnh khoa học khác nhau Việc nghiên cứu đầy đủ cả hai phương pháp này nằm ngoài khuôn khổ luận án Do đó, luận án chỉ tập trung vào cách tiếp cận thống kê để nâng cao chất lượng dự báo TBTH và xác suất của HTTH Phần tiếp theo sẽ tổng quan

về các nghiên cứu ứng dụng các phương pháp thống kê để hiệu chỉnh HTTH

1.3 Tổng quan các nghiên cứu hiệu chỉnh thống kê cho dự báo tổ hợp

1.3.1 Ngoài nước

Như đã biết, DBTH đã được nghiên cứu và triển khai nghiệp vụ từ những năm 1990 của thế kỷ trước tại một số Trung tâm dự báo lớn trên thế giới như NCEP, ECMWF, CMC, … và bài toán EMOS cũng đã được nghiên cứu vài năm sau đó khi các hạn chế trong chất lượng dự báo TBTH và xác suất của các HTTH nghiệp vụ được chỉ ra trong nhiều nghiên cứu [109] Trên thực tế, các nghiên cứu về EMOS phát triển mạnh nhất trong khoảng 10 năm trở lại đây trong đó phần lớn sử dụng cách tiếp thống kê để nâng cao chất lượng dự báo TBTH và xác suất

Như đã nói ở trên, lớp phương pháp EMOS đầu tiên được áp dụng cho TBTH (mô men bậc 1) Van Den Dool và Rukhovets (1994) [104] đã thử nghiệm dự báo tất định từ DBTH với trọng số của các thành phần khác nhau dựa trên phương pháp hồi qui tuyến tính đa biến với yếu tố dự báo là trường

độ cao địa thế vị mực 500mb hạn dự báo 6-10 ngày cho khu vực Bắc Bán cầu Các kết quả nghiên cứu đã cho thấy dự báo TBTH được tạo ra từ phương trình hồi quy có chất lượng tốt hơn so với dự báo đối chứng và các dự báo

thành phần Tuy nhiên, cách tiếp cận này gặp phải hai vấn đề khó giải thích liên quan đến trọng số âm cũng như các dự báo âm có thể xuất hiện Trọng số

âm trong phương trình dự báo có nghĩa rằng khi dự báo thành phần tăng lên

dự báo trung bình phải giảm đi và không thể giải thích một cách hợp lý Dự báo âm với một số trường luôn có giá trị dương, điển hình là trường mưa, còn cho thấy một vấn đề nghiêm trọng hơn Bởi vậy, phương án cải tiến đã được một số tác giả sử dụng là gán trọng số tỷ lệ nghịch với sai số dự báo của mỗi thành phần để đảm bảo các trọng số luôn dương và không xuất hiện các dự báo phi vật lý - dự báo âm do dấu của trọng số [17, 45]

Krishnamurti và nnk [70, 71, 72] kết hợp dự báo từ nhiều mô hình khác nhau xây dựng phương trình hồi quy dự báo và đưa ra dự báo tất định và gọi

là dự báo siêu tổ hợp (super ensemble forecast) Cách thực hiện của Krishnamurti và nnk cũng tương tự như phương pháp hồi quy tuyến tính đa biến trước đó của Van Den Dool và Rukhovets (1994) [104] Khác biệt nằm ở chỗ trong khi Van Den Dool và Rukhovets thực hiện hồi quy trên các thành phần DBTH từ cùng một mô hình nhiễu động điều kiện ban đầu thì Krishnamurti và nnk (1999) [70] thực hiện hồi quy trên các dự báo thành phần từ các mô hình NWP khác nhau

Để khắc phục vấn đề trọng số âm, Krishnamurti và nnk [71, 72] không lựa chọn nhân tố dự báo trực tiếp từ dự báo của các thành phần mà sử dụng nhân tố dự báo dưới dạng dị thường so với giá trị khí hậu Khi xuất hiện trọng

số âm, ta có thể giải thích nếu dị thường tăng lên, dự báo sẽ giảm đi Tất nhiên, cách làm này vẫn không khắc phục được vấn đề dự báo âm có thể xuất

hiện do hiệu ứng “quá khớp” (tạo ra các dự báo phi vật lý khi áp dụng cho bộ

số liệu độc lập) của bài toán hồi quy dù trong nghiên cứu của Krishnamurti và nnk (2001) [72] không cho thấy vấn đề này Nghiên cứu này cho thấy dự báo siêu tổ hợp có chất lượng dự báo tốt nhất trong tất cả các dự báo tất định bao

gồm dự báo từ mỗi thành phần, dự báo TBTH, dự báo từ mỗi thành phần đã khử sai số hệ thống hay dự báo TBTH đã khử sai số hệ thống Hiệu quả này được các tác giả giải thích thông qua phương trình hồi quy gán trọng số lớn nhất cho mô hình có kỹ năng dự báo cao nhất mà không thực hiện trung bình

số học với trọng số như nhau cho mọi mô hình Cách tiếp cận dựa trên phương pháp hồi quy tuyến tính cũng được sử dụng để hiệu chỉnh dự báo quỹ đạo bão trong các HTTH toàn cầu hoặc HTTH đa mô hình [108, 113] cũng như hiệu chỉnh sai số hệ thống [21, 23, 50, 103]

Stensrud và Yussouf (2003) [94] đã sử dụng phương pháp hiệu chỉnh sai số hệ thống (BCE) dựa trên phương pháp trung bình trượt 7 ngày để hiểu chỉnh dự báo nhiệt độ không khí và điểm sương bề mặt tại độ cao 2 mét cho khu vực Tân Cát Lợi của Hoa Kỳ trong mùa hè năm 2002 Việc hiệu chỉnh được áp dụng riêng rẽ cho từng dự báo thành phần của HTTH nghiệp vụ đa

mô hình khu vực của NOAA Các kết quả đánh giá đã cho thấy TBTH có chất lượng dự báo tốt hơn các dự báo thành phần và dự báo MOS dựa trên mô hình NGM của NOAA Các kết quả nghiên cứu tương tự cũng được tìm thấy trong nghiên cứu của Eckel và Mass [40], Woodcock và Engel [116] Tiếp nối thành công này, Stensrud và Yussouf (2007) [95] đã mở rộng nghiên cứu cho toàn bộ lãnh thổ nước Mỹ trong đó sử dụng cửa sổ 12 ngày để ước lượng sai

số hệ thống và áp dụng phương pháp nội suy Cressman để đưa các kết quả sử dụng phương pháp BCE cho điểm trạm quan trắc lên trên lưới (một dạng giống như GMOS - Grided MOS)

Trong các nghiên cứu sử dụng phương pháp BCE nói trên, giá trị sai số

hệ thống được ước lượng là trung bình cộng của sai số tương đối (dự báo trừ

đi quan trắc) trong chu kỳ dự báo trước đó Để khắc phục hạn chế này, Yussouf và Stensrud (2006) [119] đã cải tiến phương pháp BCE theo 3 hướng tiếp cận mới đó là 1) sử dụng trọng số để tính sai số hệ thống cuối cùng dựa

trên phương pháp làm trơn hàm mũ, 2) TBTH có trọng số theo phương pháp làm trơn hàm mũ cho dự báo thành phần đã hiệu chỉnh sai số hệ thống bằng BCE, và 3) TBTH có trọng số theo phương pháp phương sai cực tiểu cho dự báo thành phần đã hiệu chỉnh sai số hệ thống bằng BCE Các kết quả thử nghiệm cho các yếu tố nhiệt độ không khí và điểm sương bề mặt tại độ cao 2 mét, gió tại độ cao 10 mét dự báo từ SREPS nghiệp vụ đa mô hình của NOAA cho thấy cả 3 phương án đều cho thấy sự cải thiện đáng kể trong chất lượng dự báo và tốt hơn cả hệ thống MOS nghiệp vụ dựa trên mô hình GFS Tuy nhiên, các phương án TBTH có trọng số không đem lại nhiều cải thiện so với cách tiếp cận BCE đơn thuần

Cách tiếp cận nói trên về cơ bản là hiệu chỉnh sai số hệ thống hoặc lấy trung bình có trọng số trên một chu kỳ quá khứ được (thường từ 7 đến 40 ngày tùy thuộc vào từng biến), do đó chưa nắm bắt được sai số theo hình thế

Để khắc phục nhược điểm này, một số nghiên cứu sử dụng cách tiếp cận trung bình phân rã đơn giản (decaying average) trong đó có xu hướng tập trung vào

dữ liệu quá khứ gần đây nhất với trọng số giảm dần theo độ tuổi của dữ liệu bằng cách sử dụng phương pháp lọc Kalman [29, 28] Gần đây, Cui và nnk (2012) [30] đã sử dụng phương pháp lọc Kalman để hiệu chỉnh cho 35 biến

dự báo từ HTTH toàn cầu Bắc Mỹ (NAEFS) của NCEP trong đó có yếu tố nhiệt độ và nhiệt độ điểm sương bề mặt Các kết quả nghiên cứu cho thấy chất lượng dự báo TBTH và dự báo xác suất đã được cải thiện đáng kể, đặc biệt là cho các dự báo hạn vừa

Bên cạnh sử dụng các phương pháp thích ứng (adaptive) như lọc Kalman, cách tiếp cận sử dụng lý thuyết tương tự trong đó trọng số phụ thuộc vào hình thế thời tiết cũng được nghiên cứu [38, 54] Trong cách tiếp cận này, các phương pháp phân lớp thống kê như K-means, mạng thần kinh nhân tạo (ANN) và thuật toán di truyền được sử dụng để phân loại hình thế thời tiết

trước khi tính toán trọng số Sau đó, TBTH chỉ đơn giản là trung bình có trọng số dựa trên tình đặc tính hình thế thời tiết với giả thiết quan trọng là các hình thế thay đổi quán tính theo hạn ngắn

Trong lớp bài toán EMOS áp dụng cho mô men bậc 1, các phương pháp thống kê nói trên chỉ có thể ứng dụng cho biến liên tục mà không thể ứng dụng cho các biến không liên tục như lượng mưa hay nhiệt độ lớn hơn ngưỡng cho trước Do đó, để nâng cao chất lượng dự báo xác suất định lượng mưa (PQPF), các phương pháp thống kê mang tính phi tuyến như mạng thần kinh nhân tạo - ANN [42, 80, 79, 89, 117, 118] và hồi quy Logistic thường được sử dụng [59, 61, 83] Ưu điểm của ANN là có khả năng mô tả được sai

số theo hình thế trong khi kỹ thuật hồi quy logistic khắc phục được vấn đề phi vật lý trong phương trình dự báo hồi quy do giá trị PQPF được tạo ra luôn nằm trong khoảng (0,1) Ngoài hai kỹ thuật thống kê này, kỹ thuật tương tự (giả thiết dự báo EM trong quá khứ là tương tự trong tương lai) đã được đề xuất và nghiên cứu [59, 61] để nâng cao chất lượng PQPF trong đó tập số liệu

dự báo lại (hindcasts) được sử dụng

Với một phân bố thống kê của một đại lượng nào đó, để đặc trưng cho giá trị trung bình của đại lượng này người ta có thể sử dụng một số đặc trưng như trung bình (mean), trung vị (median) hay mode Nếu phân bố chuẩn, ba đại lượng này sẽ có giá trị như nhau Nếu xem dự báo TBTH tương đương với việc lấy trung bình làm giá trị đặc trưng cho phân bố, ta cũng có thể sử dụng trung vị hay mode làm dự báo tất định cho DBTH Dự báo trung vị đã được Ebert (2001) [39] sử dụng trong dự báo mưa trong khi dự báo mode được rất nhiều tác giả sử dụng như dự báo tất định rút ra từ dự báo xác suất thu được [52, 86, 106] Nhìn chung, dự báo trung vị thu được không đem lại một cải tiến nào đáng kể so với dự báo TBTH Với dự báo mode, điều thú vị thu được

là có thể có những phân bố với hai đỉnh, tương ứng sẽ thu được hai dự báo tất

định khác nhau cho thấy đặc tính rẽ nhánh (bifurcation) của dự báo [110] Lợi thế của dự báo mode so với dự báo TBTH nằm ở chỗ ta thực hiện dự báo xác suất sau đó dựa trên dự báo xác suất đưa ra dự báo mode thay thế cho dự báo TBTH Cách thực hiện như vậy sẽ đơn giản quá trình dự báo bởi mục đích quan trọng nhất của DBTH là dự báo xác suất và khi thực hiện dự báo xác suất ta có thể đưa ra đồng thời dự báo tất định

Nói chung, các nghiên cứu được tổng quan ở trên chủ yếu tập trung vào nâng cao chất lượng TBTH của HTTH mà quên đi mục đích dự báo xác suất của HTTH Do đó, bên cạnh các nghiên cứu áp dụng cho TBTH (mô men bậc 1), đã có nhiều nghiên cứu ứng dụng cho phương sai (mô men bậc 2) và các

mô men bậc cao hơn như hàm phân bố xác suất để nâng cao chất lượng dự báo xác suất cũng như cải thiện quan hệ độ tán - kỹ năng của HTTH Trong lớp bài toán này, rất nhiều phương pháp thống kê đã được sử dụng như trung bình mô hình Bayes - BMA [86, 91, 114], hiệu chỉnh hàm mật độ tích lũy - CDF [69, 101], hồi quy Gauss không thuần nhất - NGR [52, 53, 55, 68, 97, 112], hiệu chỉnh dựa trên biểu đồ hạng [41, 57, 58], áp nhân (kernel) hoặc áp hàm mật độ - GED [46, 87, 106], đồng hóa dự báo [96]

Hagedorn và nnk (2008) [55] đã sử dụng phương pháp NGR để hiệu chỉnh dự báo xác suất cho yếu tố nhiệt độ tại độ cao 2 mét (T2m) từ HTTH nghiệp vụ của ECMWF bao gồm 15 thành phần trong đó sử dụng chuỗi số liệu phụ thuộc gồm 30 ngày Các điểm trạm ở khu vực Bắc Mỹ được sử dụng trong nghiên cứu này Các kết quả đánh giá đã cho thấy chất lượng dự báo đã được cải thiện, đặc biệt là tốt hơn 60-80% so với phương pháp hiệu chỉnh sai

số hệ thống đơn giản Sự cải thiện lớn thường tìm thấy tại các trạm có kỹ năng dự báo thấp hoặc tại các vùng có địa hình phức tạp Tương tự nghiên cứu của Hagedorn và nnk (2008), Kann và nnk (2009) [68] cũng sử dụng phương pháp NGR để hiệu chỉnh dự báo T2m của HTTH khu vực có tên gọi

là ALADIN-LAEF) Các kết quả thử nghiệm cho thấy chất lượng dự báo T2m

đã được cải thiện và cải thiện nhiều hơn khi áp dụng cho HTTH toàn cầu của ECMWF (ECMWF-EPS) Theo Kann và nnk (2009), các kết quả thử nghiệm một lần nữa chứng minh rằng việc hạ qui mô thống kê không thể thay thế cho

hạ qui mô động lực Ngoài ra, nghiên cứu của Kann và nnk (2009) cũng cho thấy việc sử dụng trung bình trọng số theo thời gian để cực tiểu hóa hàm CRPS có thể đem lại thêm 5% sự cải thiện thay vì sử dụng cách tính trọng số thông thường Biến thể NGR này trong nghiên cứu của Kann và nnk (2009) được gọi là phương pháp NGR-TD

Wilks và Hamill (2007) [112] đã sử dụng 3 phương pháp EMOS gồm NGR, GED và hồi qui Logistic để hiệu chỉnh dự báo xác suất cho các nhiệt độ tối cao và tối thấp ngày với hạn dự báo 1-14 ngày từ HTTH của NCEP dựa trên mô hình GFS Các kết quả đánh giá cho thấy việc sử dụng tập số liệu phụ thuộc có độ dài 15 hoặc 25 năm có thể đem lại sự cải thiện lớn hơn nhiều khi chỉ sử dụng tập số liệu có độ dài 1 hoặc 2 năm (cụ thể là có thể đạt đến sai số của hạn dự báo 1 ngày) Ngoài ra, việc áp dụng các phương pháp EMOS này

có thể cải thiện độ nhọn của hàm phân bố

Wilson và nnk (2007) [114] đã áp dụng phương pháp BMA để hiệu chỉnh dự báo nhiệt độ bề mặt từ hệ thống dự báo tổ hợp toàn cầu của CMC bao gồm 16 thành phần trong đó dựa trên chuỗi số liệu 1 năm dự báo Việc hiệu chỉnh sai số hệ thống được thực hiện trước khi áp dụng phương pháp BMA Wilson và nnk (2007) đã tiến hành khảo sát mức độ cải thiện chất lượng dự báo theo dung lượng mẫu khác nhau của tập số liệu phụ thuộc, cụ thể là từ 25 đến 80 ngày Kết quả thử nghiệm cho thấy dung lượng mẫu 40 ngày là lựa chọn tốt nhất để cải thiện độ tán dự báo tổ hợp Tuy nhiên lại thường tạo ra độ nhọn lớn so với thực tế

1.3.2 Trong nước

Tại Việt Nam, NWP vẫn còn ở giai đoạn bước đầu tiếp thu công nghệ

và nghiên cứu ứng dụng Do đó, DBTH cũng đang ở trong giai đoạn bước đầu tìm hiểu và thử nghiệm Các nghiên cứu ứng dụng DBTH đầu tiên tập trung vào bài toán dự báo quỹ đạo bão trên khu vực Biển Đông dựa trên tổ hợp các

dự báo từ các Trung tâm quốc tế như các nghiên cứu của Nguyễn Chi Mai và nnk (2004) [9, 10, 11], Đỗ Lệ Thủy và nnk [1] Trong những nghiên cứu này, các phương pháp tính toán TBTH với các trọng số tỷ lệ nghịch với sai số dự báo của từng dự báo thành phần tương ứng và hồi quy tuyến tính đa biến được

sử dụng Các kết quả đánh giá cho một số mùa bão từ 2000-2004 đã cho thấy chất lượng dự báo TBTH được xác định theo các cách tiếp cận nói trên đã được cải thiện so với TBTH dạng trung bình đơn giản (trọng số như nhau)

Vẫn theo hướng nghiên cứu dự báo bão, Trần Tân Tiến và nnk (2010, 2013) [13] đã thử nghiệm các phương án tính toán TBTH khác nhau dựa trên

tổ hợp đa mô hình đa vật lý cho mục đích dự báo quỹ đạo và cường độ bão hạn từ 3-5 ngày trên khu vực Tây Bắc Thái Bình Dương Các kết quả nghiên cứu từ các đề tài nghiên cứu khoa học (NCKH) cấp Nhà nước mang mã số KC.08.05 và KC.08.01 này đã cho thấy việc tính toán TBTH theo các trọng số khác nhau đã cải thiện được chất lượng dự báo quỹ đạo và cường độ bão so với trung bình đơn giản (trọng số như nhau)

Đối với bài toán dự báo các trường khí tượng, trong khuôn khổ đề tài NCKH cấp Nhà nước mang mã số KC.09.04, Trần Tân Tiến và nnk (2004) [12] đã thử nghiệm tổ hợp các trường khí tượng từ các mô hình NWP khác nhau dưới dạng trung bình cộng đơn giản và có trọng số Các kết quả thử nghiệm và đánh giá cũng cho thấy việc lấy trung bình có trọng số theo sai số

dự báo đã đem lại hiệu quả trong việc nâng cao chất lượng dự báo một số trường khí tượng trên Biển Đông Tiếp theo hướng nghiên cứu này, TTDBTƯ

đã thử nghiệm một số phương pháp thống kê như trung bình trượt, hồi quy tuyến tính, hồi quy Gauss không thuần nhất để hiệu chỉnh DBTH cho một số trường quy mô lớn (áp, gió, ẩm) hay được tham khảo trong dự báo bão từ HTTH đa mô hình toàn cầu [3] Các kết quả đánh giá dựa trên chuỗi số liệu 3 năm (2005-2007) đã cho thấy chất lượng dự báo TBTH và xác suất đã được cải thiện đáng kể khi áp dụng các phương pháp thống kê nói trên để khử sai

số hệ thống trong các dự báo thành phần

Để thử nghiệm DBTH cho bài toán dự báo mưa lớn ở Việt Nam, Hoàng Đức Cường và nnk (2007) [1] đã ứng dụng các phiên bản tham số hóa vật lý khác nhau trong mô hình MM5 để tạo ra DBTH Phương án tính toán TBTH

có trọng số tỷ lệ nghịch với phương sai sai số của từng dự báo thành phần đã được thực hiện Các kết quả thử nghiệm cho một số đợt mưa lớn năm 2004 và

2005 cho thấy không có nhiều sự khác biệt trong chất lượng dự báo mưa lớn bằng DBTH trọng số như nhau và có trọng số thay đổi Gần đây, Hoàng Đức Cường và nnk (2011) [2] đã thử nghiệm DBTH cho mục đích dự báo bão và một số hiện tượng thời tiết dựa trên mô hình WRF và MM5 Cũng tương tự như nghiên cứu của nhóm tác giả này năm 2007, phương án tính TBTH có và không có trọng số được thử nghiệm cho cả bài toán dự báo bão và mưa lớn Các kết quả thử nghiệm cho các năm 2005-2007 đã thấy DBTH có trọng số tốt hơn DBTH trung bình đơn giản trong một số hình thế thời tiết cụ thể

Như vậy, có thể thấy việc nghiên cứu và ứng dụng DBTH nói chung và EMOS nói riêng ở nước ta còn nhiều hạn chế cả về số lượng và quy mô ứng dụng Các phương pháp EMOS được nghiên cứu chủ yếu tập trung cho bài toán nâng cao chất lượng dự báo TBTH thông qua DBTH có trọng số Bên cạnh đó, chưa có nghiên cứu EMOS hoàn chỉnh nào cho bài toán dự báo thời tiết cũng như chưa có hệ thống EMOS nào được triển khai trong dự báo nghiệp vụ tại các đơn vị dự báo tác nghiệp Đây cũng chính là lý do luận án

này được thực hiện và hướng tới mục tiêu triển khai nghiệp vụ một hệ thống EMOS cho bài toán nâng cao chất lượng dự báo thời tiết từ hệ thống SREPS tại TTDBTƯ

CHƯƠNG 2 MÔ TẢ SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU

2.1 Đặt bài toán

Như đã biết, bất kỳ HTTH nào đều có thể cung cấp 2 dạng sản phẩm dự báo chính là dự báo TBTH và dự báo xác suất Với TBTH, chất lượng dự báo được phản ánh thông qua giá trị của các chỉ số đánh giá cho dự báo tất định

Cụ thể, giá trị sai số quân phương càng nhỏ và gần 0 cho biết chất lượng dự báo cao và ngược lại Tuy nhiên, đối với dự báo xác suất, rất nhiều đặc trưng thống kê khác nhau có thể được xem xét như độ tin cậy (reliability), khả năng phân hoạch (resolution), độ tán (spread), độ rộng (width), độ nhọn (sharpness),

… [109] Các kết quả đánh giá cho mỗi đặc trưng thống kê này sẽ phản ánh một khía cạnh nào đó của chất lượng dự báo xác suất Ví dụ, kết quả đánh giá

độ tin cậy sẽ cho biết tần xuất dự báo có phù hợp với tần xuất quan trắc hay không Trong khi đó, kết quả đánh giá độ phân giải sẽ cho biết HTTH có khả năng tạo ra các dự báo xác suất chi tiết hơn so với dự báo khí hậu hay không Đối với độ tán (khoảng cách bình phương trung bình giữa các dự báo thành phần), các chỉ số đánh giá sẽ cho biết không gian nghiệm dự báo từ HTTH có phù hợp với không gian nghiệm thực hay không Theo Du (2007) [34], các phương pháp EMOS được nghiên cứu và ứng dụng cho các HTTH không tối

ưu để:

1) Loại bỏ sai số hệ thống của các dự báo thành phần để dự báo TBTH dựa trên các dự báo đã hiệu chỉnh sai số hệ thống sẽ gần với nghiệm thực hơn (xem hình 2.1), các cực trị sai số sẽ giảm đáng kể, dự báo xác suất sẽ tin cậy hơn và độ tán được tạo ra sẽ phù hợp hơn;

2) Hiệu chỉnh phương sai dự báo để cải tiến tương quan giữa kỹ năng

dự báo TBTH và độ tán tổ hợp, qua đó giải quyết được vấn đề độ tán quá lớn hoặc quá nhỏ của HTTH ban đầu;

3) Hiệu chỉnh hàm phân bố xác suất để cải tiến kỹ năng dự báo xác suất tổng thể (độ tin cậy, độ tán, độ rộng, độ nhọn, cực trị) của HTTH ban đầu

Hình 2.1: Giả thiết minh họa một hệ thống dự báo tổ hợp không tối ưu (bên

trái) và hiệu quả của bài toán EMOS có thể đem lại (bên phải)

Như vậy, tùy thuộc vào mục đích của nghiên cứu cải tiến chất lượng dự báo của một HTTH đưa ra (đối tượng dự báo hoặc đặc tính sai số cần cải thiện), các phương pháp EMOS khác nhau sẽ được sử dụng như đã được tổng quan ở chương 1 Mỗi một phương pháp EMOS sẽ hướng đến giải quyết một hoặc nhiều hạn chế có liên quan đến sản phẩm dự báo TBTH hoặc xác suất

Ví dụ, cách tính toán DBTH có trọng số khác nhau sẽ chỉ tác động đến chất lượng dự báo TBTH mà không làm thay đổi chất lượng dự báo xác suất của HTTH đưa ra do các dự báo thành phần không thay đổi Tuy nhiên, với cách tiếp cận hiệu chỉnh sai số hệ thống cho từng dự báo thành phần, rõ ràng chất lượng dự báo TBTH và xác suất của HTTH sẽ bị thay đổi so với dự báo DBTH ban đầu

Để có cái nhìn tổng thể về hiệu quả của các phương pháp EMOS có thể đem lại, trong luận án này tác giả sẽ tập trung thử nghiệm 2 lớp bài toán

EMOS tách biệt gồm 1) Các phương pháp EMOS chỉ tác động đến chất

lượng dự báo TBTH; và 2) Các phương pháp EMOS tác động đến cả chất