ĐẶC ĐIỂM MƯA LỚ N Ở KHU V ỰC ĐỒ NG B Ằ NG B Ắ C B Ộ VÀ T Ổ NG QUAN TÌNH HÌNH NGHIÊN C Ứ U
Đặc điểm mưa lớ n ở khu v ực đồ ng b ằ ng B ắ c B ộ
Đồng bằng Bắc Bộ, nằm ở phía nam miền Bắc Việt Nam, tiếp giáp với Đông Bắc ở phía Bắc, Việt Bắc ở phía Tây Bắc, Tây Bắc và Bắc Trung Bộ ở phía Nam, có khí hậu nhiệt đới gió mùa đặc trưng Mùa đông ở đây lạnh hơn so với điều kiện trung bình vĩ tuyến, với giai đoạn đầu mùa khô và nửa sau mùa ẩm ướt Mùa hè nóng bức và mưa nhiều, khí hậu biến động mạnh nhưng nhìn chung không có sự phân hóa đáng kể về nhiệt độ giữa các khu vực Tuy nhiên, dải hẹp ven biển có khí hậu khác biệt đôi chút so với điều kiện chung của vùng.
Khu vực Đồng bằng Bắc Bộ (ĐBBB) có lượng mưa phân bố đồng đều, với lượng mưa trung bình hàng năm dao động từ 1600 đến 1800mm Số ngày mưa trong năm khoảng 130 đến 140 ngày, và mùa mưa kéo dài khoảng 6 tháng, bắt đầu từ tháng này.
Mùa mưa diễn ra từ tháng 5 đến tháng 10, với 85% lượng mưa hàng năm tập trung trong khoảng thời gian này Tháng có lượng mưa nhiều nhất thường là tháng 7 hoặc 8, chiếm hơn 34,8% tổng lượng mưa năm Ba tháng mưa lớn nhất là tháng 7, 8 và 9, tổng lượng mưa của ba tháng này đạt khoảng 49% tổng lượng mưa năm Lượng mưa trung bình trong tháng 8 dao động từ 300 - 350mm, với 16 - 18 ngày mưa, và trong 10 - 20% số năm, lượng mưa tháng này vượt quá 500mm Các tháng 7 và 9 có lượng mưa trung bình khoảng 250 - 300mm, với 12 - 15 ngày mưa Trong suốt mùa mưa, có khoảng 5 - 7 ngày có mưa vượt quá 50mm và 1 - 2 ngày có mưa trên 100mm.
Lượng mưa cực đại trong 24 giờ có thể đạt từ 400 - 500mm ở ven biển và 300 - 400mm ở đồng bằng, thường xảy ra trong bão Mưa bão kéo dài từ 2 đến 4 ngày, với lượng mưa tập trung nhất trong 1 - 2 ngày đầu Ở vùng trung tâm bão, lượng mưa lớn nhất trong 24 giờ thường từ 200 - 300mm, với tổng lượng mưa cả đợt dao động từ 300 - 400mm, có thể lên tới 500 - 600mm Trong mọi trường hợp bão, tổng lượng mưa thường vượt quá 150mm.
Tình hình mưa ở Đồng bằng sông Cửu Long (ĐBBB) biến động mạnh mẽ qua các mùa và năm Lượng mưa trong những năm ẩm ướt có thể vượt quá 2500mm, trong khi năm khô hạn chỉ ghi nhận dưới 1000mm Sự chênh lệch giữa năm mưa nhiều nhất và ít nhất có thể lên tới 1500mm Trong mùa mưa, lượng mưa trung bình hàng tháng dao động từ 250 - 350mm, với tháng mưa lớn nhất có thể vượt 500 - 800mm, trong khi tháng ít mưa chỉ đạt 40 - 50mm Điều này cho thấy tháng mưa nhiều có thể gấp 10 - 15 lần tháng mưa ít.
Theo quy định tạm thời của Trung tâm Dự báo KTTV quốc gia, lượng mưa trong 24 giờ tại các trạm quan trắc khí tượng được sử dụng để phân định các cấp mưa khác nhau Mưa lớn được chia thành 3 cấp dựa trên lượng mưa thực tế đo được.
+ Mưa vừa: Lượng mưa đo được từ 16 - 50 mm/24h
+ Mưa to: Lượng mưa đo được từ 51 - 100 mm/24h
+ Mưa rất to: Lượng mưa đo được > 100 mm/24h.
Ngày có mưa lớn là ngày xảy ra mưa trong 24 giờ (từ 19 giờ ngày hôm trước đến 19 giờ ngày hôm sau) đạt cấp mưa vừa trở lên.
Trong các nghiên cứu về ảnh hưởng của mưa thì cấp mưa to 51 - 100 mm/24h bắt đầu có những ảnh hưởng tiêu cực đến đời sống con người
Tại đồng bằng Bắc Bộ, đã ghi nhận một số đợt mưa lớn có giá trị lịch sử Đặc biệt, từ ngày 31/10 đến 2/11 năm 2008, khu vực này trải qua mưa lớn kéo dài, với lượng mưa ngày lớn nhất đạt 514mm tại trạm Hà Đông vào ngày 31/10.
T ổ ng quan các nghiên c ứ u v ề đánh giá dự báo mưa trong và ngoài nướ c
1.2.1 T ổng quan những nghiên cứu ngoài nước
Từ giữa những năm 90 của thế kỷ 20, nhóm nghiên cứu về dự báo số trị (WGNE) thuộc tổ chức Khí tượng thế giới (WMO) đã chú trọng đến việc đánh giá dự báo mưa định lượng (QPF) Vào năm 1995, nhóm đã khởi xướng đánh giá mưa định lượng tại các khu vực khác nhau, bắt đầu với NCEP và DWD Đến năm 1997, Úc tham gia vào quá trình đánh giá, tiếp theo là Anh vào năm 2000 và Pháp sau đó.
Từ năm 1997 đến 2000, 11 mô hình dự báo thời tiết số đã được đánh giá về khả năng dự đoán lượng mưa trong 24 giờ và 48 giờ Kết quả được so sánh với lượng mưa quan trắc tại Mỹ, Đức và Úc nhằm đánh giá độ chính xác trong dự báo sự xuất hiện và lượng mưa hàng ngày.
Năm 1995, NCEP đã tổ chức hội nghị đầu tiên về khả năng ứng dụng dự báo tổ hợp hạn ngắn (SREF) với các mô hình khu vực quy mô vừa Từ hội nghị này, NCEP triển khai dự án xây dựng tập hợp dự báo SREF gồm 10 dự báo từ mô hình ETA và 5 dự báo từ mô hình RSM Kết quả nghiên cứu cho thấy kỹ năng dự báo của SREF có thể đạt hoặc vượt trội hơn so với dự báo tất định từ mô hình có độ phân giải cao hơn trong các dự báo về mưa, bão và nhiều yếu tố khí tượng khác Hơn nữa, xác suất dự báo mưa từ SREF cũng có chất lượng cao hơn so với phương pháp MOS dựa trên mô hình nghiệp vụ NGM Sau NCEP, nhiều trung tâm lớn trên thế giới đã phát triển hệ thống SREF và tiến hành nghiên cứu đánh giá kỹ năng dự báo Tuy nhiên, lĩnh vực nghiên cứu SREF vẫn tồn tại nhiều vấn đề chưa được giải quyết, cho thấy đây vẫn là một bài toán mở cho các nhà nghiên cứu.
Năm 2000, John L MacBride và Elizabeth Ebert từ trung tâm nghiên cứu khí tượng Úc đã đánh giá dự báo mưa định lượng từ bảy mô hình thời tiết toàn cầu, bao gồm Úc, Anh, Đức, Nhật Bản, Hoa Kỳ và ECMWF, trong một năm Nghiên cứu thuộc Sáng kiến Phát triển Kỹ thuật của Cục Khí tượng Úc, nhằm cải thiện dự báo lượng mưa định lượng (QPF) Đánh giá tập trung vào hai tiểu vùng: chế độ gió mùa nhiệt đới phía bắc và chế độ cận nhiệt đới phía đông nam, sử dụng các chỉ số như bias, FAR, POD, TS và điểm số Hanssen và Kuipers (HK) Kết quả cho thấy các mô hình có xu hướng dự báo lượng mưa cao vào mùa hè và thấp vào mùa đông, với điểm số HK ở khu vực đông nam dao động từ 0.5 đến 0.7, cho thấy khả năng dự báo tốt hơn trong điều kiện thời tiết ổn định Tuy nhiên, kỹ năng mô hình ở chế độ phía bắc thấp hơn, với giá trị HK chỉ từ 0.2 đến 0.6, đặc biệt là đối với các ngưỡng mưa lớn hơn 10 mm/ngày, cho thấy các mô hình dự đoán sự xuất hiện của mưa tốt hơn so với độ lớn và vị trí của mưa cực trị.
Năm 2014, Met Office của Anh đã tiến hành nghiên cứu về "Lợi ích của dự báo tổ hợp phân giải cao", nhằm đánh giá hiệu quả của dự báo xác suất từ hệ thống tổ hợp của họ trong việc dự báo mưa lớn Nghiên cứu so sánh dự báo mưa lớn tại Anh từ hai cấu hình của Hệ thống dự báo tổ hợp toàn cầu và khu vực (MOGREPS), bao gồm MOGREPS-UK với độ phân giải cao và MOGREPS-G với độ phân giải thô hơn Thời gian đánh giá kéo dài từ 18 tháng 4 năm 2013 đến 17 tháng 4 năm 2014.
Năm 2014, các tác giả đã đánh giá mưa ở các ngưỡng khác nhau, bắt đầu từ 10 mm trong 3 giờ, với các ngưỡng lớn hơn là 15 và 20 mm Kết quả chỉ được trình bày cho ngưỡng 10 mm do kích thước mẫu nhỏ ở các ngưỡng cao hơn, gây khó khăn trong việc đưa ra kết luận Sự so sánh giữa quan trắc và xác suất dự báo được thể hiện qua biểu đồ độ tin cậy, cho thấy MOGREPS-UK có độ tin cậy dự báo tốt hơn MOGREPS-G Cả hai mô hình đều có xu hướng dự báo khống khi ngưỡng mưa tăng lên, nhưng MOGREPS-UK vẫn cho thấy độ tin cậy cao ở ngưỡng 10 mm trong 3 giờ, cải thiện đáng kể so với độ phân giải thô của MOGREPS-G.
Năm 2016, các nhà khoa học từ trung tâm thời tiết NOAA và các trường đại học đã thực hiện nghiên cứu “Đánh giá lượng mưa vùng Đông Mỹ”, trong đó đánh giá khả năng dự báo mưa của các hệ thống tổ hợp như GEFSRv2, SREF và WPC-PQPF Nghiên cứu tập trung vào 4 lưu vực sông miền Đông Hoa Kỳ, sử dụng dữ liệu lượng mưa từ GEFSRv2 trong giai đoạn 2004 – 2013 với thời gian dự báo từ 1 đến 16 ngày, cùng với dữ liệu từ SREF và WPC-PQPF trong giai đoạn 2012 – 2013.
Kết quả đánh giá trong vòng 3 ngày cho thấy, ở miền đông Hoa Kỳ, độ lệch dự báo lượng mưa giảm và kỹ năng, độ tin cậy tăng khi quy mô không gian mở rộng; tuy nhiên, tất cả các dự báo đều có xu hướng thiên lệch thấp Kỹ năng dự báo được đánh giá là tốt hơn trong mùa mát so với mùa ấm Các dự báo của WPC-PQPF thể hiện sự vượt trội về hệ số tương quan, sai số trung bình tương đối, độ tin cậy và điểm kỹ năng so với GEFSRv2 và SREF.
Gần đây nhất năm 2018, trong một nghiên cứu của các nhà khoa học Dian Ratri và Maurice Schmeits thuộc Viện Khí tượng Hoàng gia Hà Lan và Trung tâm
Khí tượng Khí hậu và Địa lý Indonesia đã tiến hành đánh giá dự báo mưa tổ hợp hạn mùa của ECMWF bằng cách so sánh mô hình đã hiệu chỉnh sai số và chưa hiệu chỉnh tại Java, Indonesia Nghiên cứu này sử dụng dữ liệu lượng mưa từ Hệ thống Dự báo tổ hợp hạn mùa ECMWF 5 (ECMWF-SEAS5) để phân tích hiệu quả của các mô hình dự báo.
Nghiên cứu sử dụng 25 thành phần với độ phân giải 35km để phân tích lượng mưa tích lũy 24 giờ từ năm 1981 đến 2016, dựa trên dữ liệu từ hệ thống quan trắc SA-OBS với độ phân giải cao Dữ liệu lượng mưa hàng ngày được tổng hợp thành lượng mưa tích lũy hàng tháng, đặc biệt chú trọng vào các tháng 7, 8, 9, thời điểm quan trọng cho quyết định trồng trọt vụ thứ 3 của nông dân Kết quả đánh giá cho thấy điểm số xác suất hạng liên tục (CRPSS) dương và có xu hướng tăng, trong khi điểm số kỹ năng Brier (BSS) cho thấy dự báo đã hiệu chỉnh sai số của tổ hợp dự báo hạn mùa ECMWF có hiệu quả hơn so với dự báo chưa hiệu chỉnh Cuối cùng, các dự báo đã hiệu chỉnh sai số cho thấy độ tin cậy cao, hỗ trợ cho hoạt động trồng trọt và dự báo thủy văn trong mùa vụ.
1.2.2 T ổng quan các nghiên cứu trong nước
Tại Việt Nam, nhiều nghiên cứu đã tập trung vào việc đánh giá và dự báo các yếu tố thời tiết, đặc biệt là mưa ở các khu vực khác nhau Các công trình nghiên cứu của Nguyễn Thị Thanh Bình (2002) và Nguyễn Văn Bảy đã đóng góp quan trọng vào lĩnh vực này.
(2004), Hoàng Đức Cường (2008), Võ Văn Hòa (2008), Trần Quang Năng (2009),
Các nghiên cứu của Nguyễn Thị Thanh Bình (2002) và Nguyễn Văn Bảy
Từ năm 2004, nhiều nghiên cứu đã tập trung vào việc đánh giá chất lượng dự báo mưa từ mô hình HRM, mô hình dự báo thời tiết số trị đầu tiên được áp dụng tại Trung tâm Dự báo KTTV Trung ương từ năm 2002, cho các khu vực Bắc Bộ và Đông Bắc Các nghiên cứu này sử dụng các chỉ số đánh giá như ME, MAE, RMSE và các chỉ số đánh giá dự báo pha cho các ngưỡng mưa khác nhau như mưa nhỏ, mưa vừa và mưa to Kết quả đánh giá đã chỉ ra những ưu điểm và hạn chế trong khả năng dự báo mưa lớn của mô hình HRM Trước khi thực hiện đánh giá, dữ liệu dự báo mưa trên lưới của mô hình HRM được nội suy về các điểm trạm quan trắc bằng phương pháp nội suy điểm gần nhất.
Dương Liên Châu và cộng sự (2007) đã phát triển một hệ thống chỉ tiêu đánh giá khí tượng thủy văn (KTTV) cùng với phần mềm đánh giá tương đối hoàn chỉnh, tạo nên một nghiên cứu toàn diện trong lĩnh vực này Tuy nhiên, nghiên cứu chủ yếu tập trung vào việc xây dựng các chỉ tiêu và đánh giá các bản tin dự báo KTTV nghiệp vụ, hơn là việc đánh giá các mô hình dự báo thời tiết số (NWP) Trong nghiên cứu, một số sản phẩm dự báo bề mặt như nhiệt độ và lượng mưa từ mô hình HRM đã được đánh giá thông qua các chỉ số cho biến liên tục và biến nhị phân Hạn chế lớn nhất của phần mềm này là tính khả mở thấp và không hỗ trợ định dạng đầu ra trực tiếp từ các mô hình NWP như Grib và NetCDF, dẫn đến việc tốn nhiều công sức để gia công phần mềm khi bổ sung chức năng và áp dụng cho các mô hình NWP khác.
Năm 2008, Hoàng Đức Cường và các cộng sự đã tiến hành nghiên cứu để đánh giá khả năng dự báo mưa lớn tại Việt Nam thông qua mô hình MM5 Trong nghiên cứu này, tác giả sử dụng các chỉ số như ME, MAE, RMSE cùng với PEC, BIAS, và CSI để đo lường độ chính xác của dự báo mưa lớn.
Mô hình MM5 được đánh giá thông qua các chỉ số RMSE, ME, MAE và hệ số tương quan, nhằm so sánh lượng mưa thực tế với lượng mưa dự báo.
PHƯƠNG PHÁP VÀ TẬ P S Ố LI Ệ U NGHIÊN C Ứ U
Khái quát v ề h ệ th ố ng SREPS
Hệ thống tổ hợp thời tiết hạn ngắn (SREPS) được phát triển và triển khai tại Trung tâm dự báo Khí tượng Thủy văn Quốc gia từ năm 2010, sử dụng phương pháp đa mô hình để nâng cao độ chính xác trong dự báo thời tiết Hệ thống này tích hợp bốn mô hình dự báo thời tiết số trị khu vực: HRM, BoLAM, WRF(ARW) và WRF(NMM), với dữ liệu đầu vào từ năm mô hình quốc tế, bao gồm GSM của Cơ quan khí tượng Nhật Bản (JMA), GME của Tổng cục khí tượng Đức (DWD), GFS của Trung tâm nghiên cứu môi trường quốc gia Mỹ (NCEP), NOGAPS của Hải quân Mỹ (US Navy) và GEM của Canada.
Cơ quan khí tượng Canada (CMC) để tạo ra 20 dự báo thành phần
Hình 2.1 Miền dự báo cho hệ thống SREPS
Miền tích phân của các mô hình NWP khu vực được lựa chọn đồng nhất, thực hiện tích phân dự báo đến 72 giờ với cập nhật biên 6 giờ từ 4 mô hình toàn cầu Các mô hình khu vực trong SREPS sử dụng chung bộ số liệu các trường tĩnh như địa hình và thảm phủ thực vật Hệ thống SREPS có miền dự báo bao phủ địa lý từ 99.95°E đến 124.1°E và từ 4.9°N đến 25°N, với độ phân giải 0.15° x 0.15°, tương ứng với 162 x 135 nút lưới theo chiều vĩ độ và kinh độ Dữ liệu dự báo mưa của hệ thống SREPS được lưu trữ trên lưới này cho đến thời hạn dự báo.
72 giờ với khoảng cách 6 giờ một
Bảng 2.1 dưới đây mô tả chi tiết các tùy chọn tham số hóa vật lý cho các mô hình dự báo số trị khu vực trong hệ thống SREPS.
Bảng 2.1Cấu hình động lực, vật lý, phương pháp số, độ phân giải của 4 mô hình HRM, WRFARW, WRFNMM và BoLAM
Mô tả chi tiết HRM
BOLAM (Ver 2.0) Động lực Hệ phương trình nguyên thủy,
Hệ phương trình nguyên thủy,
Hệ phương trình nguyên thủy,
Hệ phương trình nguyên thủy,
Mô tả chi tiết HRM
(Ver 2.0) dạng thủy tĩnh dạng thủy tĩnh dạng thủy tĩnh dạng thủy tĩnh
Lọc số Có Không Không Không
Tham số hóa vật lý Đối lưu Sơ đồ Tiedtke Sơ đồ Kain-
Grell-Devenyi Sơ đồ Kain-
Fritsch Bức xạ sóng ngắn
Geleyn RRTM GFDL Geleyn kết hợp với ECMWF và RRTM
Geleyn Dudhia GFDL Geleyn kết hợp với ECMWF và RRTM
Sơ đồ Monin- Obukhov Đất Mô hình 7 lớp Noah NMM Sơ đồ 4 lớp
Bề mặt Sơ đồ khuếch tán 2 lớp Monin-Obukhov Janjic Sơ đồ Monin-
Hệ tọa độ thẳng đứng sigma (σ) sigma (σ) eta (η) sigma (σ)
Lưới sai phân ngang Arakawa C Arakawa C Arakawa E Arakawa C Độ phân giải ngang
(độ hoặc km) 0.15°×0.15° 17km x 17km 0.15 0 x 0.15 0 0.15°× 0.15°
Số nút lưới/Độ rộng
(độ) 201 × 161 201 x 161 30 0 x 24 0 202 × 162 Điểm lưới góc Tây
Mô tả chi tiết HRM
Bước thời gian tích phân (giây) 90 90 40 150 Điều kiện ban đầu
5 mô hình toàn cầu nói trên
5 mô hình toàn cầu nói trên
5 mô hình toàn cầu nói trên
5 mô hình toàn cầu nói trên Địa hình USGS 1km USGS 1km USGS 1km USGS 1km Đất FAO 8km FAO 8km FAO 8km FAO 8km Điều kiện biên
5 mô hình toàn cầu nói trên, cập nhập biên 6 giờ
5 mô hình toàn cầu nói trên, cập nhập biên 6 giờ
5 mô hình toàn cầu nói trên, cập nhập biên 6 giờ
5 mô hình toàn cầu nói trên, cập nhập biên 6 giờ
Hạn dự báo 72 giờ 72 giờ 72 giờ 72 giờ
Khoảng thời gian giữa các sản phẩm đầu ra
Bảng 2.2 trình bày ký hiệu của 20 dự báo thành phần được sử dụng trong nghiên cứu, trong đó thành phần đầu tiên (M01) là kết quả dự báo từ mô hình khu vực HRM với đầu vào từ mô hình toàn cầu GFS của NCEP Thành phần thứ hai (M02) là dự báo từ mô hình khu vực HRM với đầu vào từ mô hình toàn cầu GME của DWD, và các dự báo thành phần còn lại cũng được xây dựng theo cách tương tự.
Bảng 2.2: Qui ước và ý nghĩa của 20 dự báo thành phần trong hệ thống SREPS Đầu vào
Mô hình GFS GME NOGAP GEM GSM
Phương pháp tính toán dự báo t ổ h ợ p
Dự báo tất định từ dự báo tổ hợp là phương pháp tối ưu hóa dự báo bằng cách kết hợp các dự báo thành phần Phương pháp này tạo ra một dự báo đại diện cho toàn bộ nhóm, giữ nguyên tính chất tất định của nó.
Mục tiêu chính của dự báo tổ hợp là xác định xác suất, tuy nhiên, do sự phổ biến của dự báo xác định trong lĩnh vực thời tiết, nên dự báo tổ hợp cũng cần cung cấp các thông tin tương tự như dự báo xác định để đáp ứng nhu cầu của người dùng.
Khi có nhiều sản phẩm dự báo cho cùng một trường hợp, có thể áp dụng các phương pháp thống kê khác nhau để tạo ra sản phẩm dự báo tổ hợp Một số phương pháp chính và đơn giản bao gồm:
- Phương pháp lấy trung bình đơn giản
- Phương pháp tính trọng số theo sai số
- Phương pháp xác định trọng số bằng hồi quy tuyến tính đa biến
Cả ba phương pháp trên đều có điểm chung là tạo tổ hợp tuyến tính, khác nhau duy nhất giữa các phương pháp này là cách tính trọng số
Công thức tổng quát có thể viết dưới dạng:
Trong đó: F th : kết quả dự báo tổ hợp f i : dự báo thành phần của mỗi mô hình w i : trọng sốtương đương với từng dự báo
N: số thành phần tham gia tổ hợp Đối với từng phương pháp cụ thể công thức 2.1 có thểđược biểu diễn như sau:
Phương pháp trung bình đơn giản
Theo phương pháp này, các trọng số là bằng nhau và được tính theo công thức w i =1/N Do đó, công thức (2.1) được viết lại thành:
Mặc dù có ý kiến cho rằng sai số từ các thành phần tổ hợp có sự khác biệt, với một số thành phần có kỹ năng dự báo tốt hơn và số khác kém hơn, nhưng thực tế cho thấy rằng việc trung bình hóa các dự báo từ tổ hợp lại mang lại hiệu quả cao Phương pháp này không chỉ hữu ích cho dự báo hạn vừa và hạn dài, mà còn có thể áp dụng hiệu quả cho dự báo hạn ngắn.
Khi thực hiện dự báo ngắn hạn, phương pháp này có thể gặp khó khăn do sự không đồng nhất về kỹ năng dự báo giữa các mô hình Vì vậy, việc lựa chọn các thành phần phù hợp để đưa vào quá trình trung bình hóa là rất quan trọng, dựa trên chất lượng dự báo của từng mô hình Trong bối cảnh này, vai trò của các dự báo viên trở nên thiết yếu trong việc quyết định mô hình nào nên được đưa vào hệ thống tổ hợp.
2.2.2 Phương pháp tính trọng số theo sai số
Các trọng số của dự báo thành phần được xác định bởi sai số của chính các dự báo thành phần tương ứng
∑ 𝑁𝑁 𝑖𝑖=1 1/ei R (2.3) e i là sai số của các dự báo thành phần
Để đảm bảo tính chính xác trong dự báo, tỷ trọng của từng thành phần phải tỷ lệ nghịch với sai số tương ứng và tổng tỷ trọng phải bằng 1 Khi các thành phần có chất lượng dự báo đồng đều, công thức dự báo sẽ chuyển thành công thức trung bình cộng đơn giản Sai số được sử dụng để tính toán là sai số bình phương trung bình (RMSE) của các dự báo thành phần.
Trong luận văn này, chúng tôi đã tính toán các chỉ số đánh giá định lượng cho từng thành phần dự báo Sau đó, nghịch đảo chỉ số RMSE được sử dụng làm trọng số cho từng thành phần, và áp dụng vào công thức 2.1 để dự báo mưa lớn thông qua phương pháp tổ hợp tính trọng số dựa trên nghịch đảo của sai số Công cụ chính để thực hiện tính toán là bảng tính Excel.
2.2.3 Phương pháp tính trọng số bằng hồi quy đa biến
Trong đó: C là số hạng tự do
Để tính toán dự báo mưa lớn bằng phương pháp hồi quy đa biến, cần sử dụng bộ số liệu lịch sử để xây dựng phương trình hồi quy Các hệ số hồi quy (trọng số của từng dự báo thành phần) có thể thay đổi mạnh mẽ nếu sử dụng số liệu nền khác nhau Kết quả hồi quy tuyến tính sẽ chính xác hơn khi bộ số liệu lớn hơn Ngoài ra, các dự báo thành phần cần có độ dài bộ số liệu lịch sử tương đương Sử dụng phần mềm thống kê R, tôi đã tính toán trọng số hồi quy và áp dụng vào công thức 2.1 để đưa ra kết quả dự báo mưa theo phương pháp tổ hợp trọng số bằng hồi quy tuyến tính.
Đối tượng và phương pháp đánh giá
2.3.1 Đối tượng đánh giá Để có thể đánh giá được chất lượng dự báo mưa lớn của hệ thống SREPS, trong nghiên cứu này tôi sử dụng đại lượng mưa tích lũy 24h - R24 (được tính từ
Khoảng thời gian từ 19h tối hôm trước đến 19h tối hôm sau tương ứng với lượng mưa tích lũy trong 24 giờ, được báo cáo qua các mã điện synop Trong nghiên cứu này, tôi áp dụng khái niệm ngày mưa lớn diện rộng dựa trên đại lượng R24.
Theo quy định tạm thời của Trung tâm Dự báo Khí tượng Thủy văn quốc gia về tổng kết các hiện tượng thời tiết nguy hiểm hàng năm, một ngày được coi là có mưa lớn diện rộng khi có ít nhất 1/2 số trạm trong khu vực nghiên cứu ghi nhận lượng mưa R24 vượt quá 16mm/24h Để đánh giá chi tiết hơn về cường độ mưa, trong phần đánh giá dự báo, tôi phân loại mưa thành hai cấp độ: mưa to (51mm/24h ≤ R24 ≤ 100mm/24h) và mưa rất to (R24 > 100mm/24h).
Do sử dụng lượng mưa tích lũy 24h được tính từ 19h tối của hôm trước đến
Vào lúc 19 giờ tối hôm sau, để đơn giản hóa việc xử lý số liệu dự báo từ hệ thống SREPS, tôi đã sử dụng số liệu dự báo mưa bắt đầu từ phiên dự báo 12UTC.
Trong nghiên cứu này, các dự báo được thực hiện bắt đầu từ 19 giờ Việt Nam thay vì 00UTC Đại lượng R24 được sử dụng để đánh giá, do đó, kết quả tính toán các chỉ số đánh giá cho hạn dự báo 24h, 48h và 72h cần được hiểu là lượng mưa tích lũy trong các khoảng thời gian tương ứng: từ 00-24h cho ngày đầu tiên, từ 24-48h cho ngày thứ hai, và từ 48-72h cho ngày thứ ba Lưu ý rằng khái niệm lượng mưa tích lũy tổng cộng theo hạn dự báo không được áp dụng trong nghiên cứu này.
Do thiếu số liệu mưa quan trắc trên lưới với độ phân giải của hệ thống SREPS, việc đánh giá chất lượng dự báo mưa lớn chỉ có thể thực hiện tại các điểm trạm quan trắc Vì vậy, cần thiết phải nội suy số liệu mưa dự báo từ lưới mô hình về các điểm trạm Trong nghiên cứu này, tôi áp dụng phương pháp nội suy điểm gần nhất để chuyển đổi dữ liệu dự báo mưa từ lưới về các điểm trạm, nhằm giảm thiểu sai số do tính cục bộ cao của lượng mưa Hình 2.2 minh họa sơ đồ của phương pháp này, trong đó thuật toán tính toán khoảng cách đến điểm nút lưới gần nhất và sử dụng giá trị tại nút lưới đó cho điểm nội suy Để tránh lựa chọn sai điểm nút lưới trên biển, bản đồ mặt nạ đất biển trong hệ thống SREPS được sử dụng, đảm bảo chỉ những điểm nút lưới trên đất liền được sử dụng cho nội suy.
Để đánh giá chất lượng dự báo mưa lớn của SREPS, tôi sử dụng hai nhóm chỉ số: nhóm chỉ số định lượng bao gồm ME, MAE, RMSE và hệ số tương quan, cùng với nhóm chỉ số đánh giá pha như FBI, POD và FAR.
2.3.2 P hương pháp đánh giá dự báo mưa
2.3.2.1 Đánh giá dự báo định lượng
Khi đo lượng mưa tại các điểm, chúng ta thu được dữ liệu dạng số thực dương, tạo thành một trường số liệu Sau khi nội suy sản phẩm dự báo mưa từ lưới đến các trạm, chúng ta có trường mưa dự báo, mặc dù không liên tục như trường áp suất và nhiệt độ, nhưng lượng mưa tại từng điểm quan trắc vẫn được coi là liên tục Điều này cho phép chúng ta đánh giá chất lượng dự báo mưa thông qua các công thức định lượng, nhằm xác định mối quan hệ giữa lượng mưa thực tế và lượng mưa dự báo từ mô hình.
Các chỉ sốđánh giá với biến liên tục:
Trong các công thức sau, Fi và Oi đại diện cho giá trị mô hình và giá trị quan trắc của một biến cụ thể (như nhiệt độ, lượng mưa, v.v.), với i = 1, 2, , N; trong đó N là dung lượng mẫu Ố trung bình ME được tính toán dựa trên các giá trị này.
Giá trị của ME, được tính bằng công thức ∑ (Fi - Oi), nằm trong khoảng từ -∞ đến +∞ ME phản ánh xu hướng lệch trung bình giữa giá trị dự báo và giá trị quan trắc, nhưng không thể hiện độ lớn của sai số Nếu ME dương, điều đó cho thấy giá trị dự báo cao hơn giá trị quan trắc, và ngược lại nếu ME âm.
Mô hình được xem là hoàn hảo nếu ME = 0 b, Sai số tuyệt đối trung bình MAE:
Giá trị MAE (Mean Absolute Error) nằm trong khoảng từ 0 đến vô cực, thể hiện độ lớn trung bình của sai số giữa giá trị dự báo và giá trị quan trắc Tuy nhiên, MAE không cung cấp thông tin về xu hướng lệch của các giá trị này.
Khi MAE bằng 0, mô hình hoàn toàn khớp với giá trị quan trắc, được coi là lý tưởng Để đánh giá độ tin cậy, thường sử dụng đồng thời MAE và ME Nếu MAE và ME khác biệt rõ rệt, việc hiệu chỉnh sẽ rất mạo hiểm Ngược lại, khi MAE và ME tương đối gần nhau, có thể sử dụng ME để hiệu chỉnh sản phẩm dự báo một cách đáng tin cậy Sai số bình phương trung bình (MSE) cũng là một chỉ số quan trọng trong đánh giá độ chính xác của mô hình.
MSE (Mean Squared Error) là trung bình của tổng bình phương sai số giữa các giá trị mô hình và quan trắc, cho thấy mức độ dao động của sai số Một mô hình được coi là lý tưởng khi MSE bằng 0 RMSE (Root Mean Squared Error) là căn bậc hai của MSE, giúp đánh giá độ chính xác của mô hình.
Sai số bình phương trung bình (RMSE) là một chỉ số quan trọng thường được sử dụng để đánh giá hiệu quả của các mô hình dự báo số trị.
Sai số bình phương trung bình (RMSE) là một đại lượng quan trọng để đo lường độ lớn trung bình của sai số, đặc biệt nhạy cảm với các giá trị sai số lớn Khi RMSE gần với MAE, điều này cho thấy mô hình ổn định và khả năng hiệu chỉnh sản phẩm tốt Tuy nhiên, cả RMSE và MAE đều không thể hiện độ lệch giữa giá trị dự báo và giá trị quan trắc Giá trị RMSE luôn nằm trong khoảng (0, +∞) và khi so sánh, ta nhận thấy RMSE luôn lớn hơn hoặc bằng MAE, với điều kiện RMSE = MAE chỉ xảy ra khi tất cả các sai số đều có độ lớn như nhau, tức là RMSE = MAE = 0.
Mô t ả t ậ p s ố li ệ u nghiên c ứ u
Trong giai đoạn 2010 - 2017, khu vực ĐBBB đã ghi nhận 155 ngày mưa lớn diện rộng Cụ thể, năm 2010 có 13 ngày, năm 2011 có 21 ngày, năm 2012 có 23 ngày, năm 2013 có 28 ngày, năm 2014 có 15 ngày, năm 2015 có 13 ngày và năm 2016 có 17 ngày.
Năm 2017 ghi nhận 25 ngày mưa lớn, với số liệu quan trắc R24 được thu thập từ 14 trạm khí tượng bề mặt tại khu vực Đồng bằng sông Cửu Long.
Hình 2.3 Phân bố của 14 trạm quan trắc khí tượng trên khu vực ĐBBB
Số liệu quan trắc R24 được thu thập từ mã điện báo và trải qua các bước kiểm tra chất lượng để loại bỏ dữ liệu sai Để xác minh độ chính xác trong dự báo mưa lớn, dữ liệu từ 14 trạm được sử dụng trong các ngày có mưa lớn, thay vì chỉ chọn các trạm có R24 thỏa mãn điều kiện Số liệu dự báo từ 20 thành phần của SREPS được thu thập vào các phiên dự báo 12UTC trước ngày xảy ra mưa lớn để đánh giá kỹ năng dự báo R24 cho các khoảng thời gian 24, 48 và 72 giờ, với tổng dung lượng mẫu là 155 Dữ liệu dự báo mưa trên lưới được nội suy về điểm trạm bằng phương pháp nội suy điểm gần nhất, đảm bảo không sử dụng điểm nút lưới nằm trên biển.
K Ế T QU Ả ĐÁNH GIÁ
K ế t qu ả đánh giá kỹ năng dự báo t ổ h ợp đố i v ớ i các lo ạ i hình th ế th ờ i
Trong dự báo mưa, việc hiểu rõ các hình thế gây mưa là rất quan trọng Các nhà nghiên cứu cho rằng dự báo mưa sẽ chính xác hơn khi phân loại được hình thế synop liên quan Để xác định hình thế synop cho một khu vực, cần phân tích tương tác giữa các xoáy nghịch, xoáy thuận, sống áp cao và rãnh áp thấp, cùng với các khối khí và điều kiện hoàn lưu Một hình thế synop có thể gây ra nhiều loại thời tiết khác nhau, do đó cần phân tích mối tương tác của nhiều trường khí tượng Mưa lớn có thể kéo dài trong nhiều ngày và bị ảnh hưởng bởi nhiều hình thế synop khác nhau Việc xác định hệ thống synop gây mưa lớn cần chú ý đến hệ thống chính, các hệ thống tương tác, điều kiện hoàn lưu và động nhiệt lực Các hình thế synop đặc trưng gây mưa lớn diện rộng ở ĐBBB rất quan trọng trong nghiên cứu này.
• Mưa do rãnh áp thấp bị nén
• Mưa do không khí lạnh kết hợp với rãnh gió tây trên cao
• Mưa do hội tụkinh hướng (rãnh áp thấp qua Bắc Bộ)
Dựa trên các tiêu chí hình thế synop, tôi phân loại các hình thế synop gây mưa lớn ở ĐBBB thành 5 loại chính: Xoáy thuận nhiệt đới (XTNĐ), dải hội tụ nhiệt đới (HTNĐ), rãnh áp thấp bị nén (RTBN), không khí lạnh (KKL), và rãnh áp thấp qua Bắc Bộ (RTBB) Sau khi thống kê các hình thế tương ứng với mỗi ngày mưa lớn, tôi đã đưa ra một số kết quả quan trọng.
Trong 155 ngày xảy ra mưa lớn trên khu vực từ năm 2010 – 2017 có các hình thế xảy ra với tần suất như sau:
- Xoáy thuận nhiệt đới: 57 ngày chiếm 36.8%
- Dải hội tụ nhiệt đới: 28 ngày chiếm 18.1%
- Rãnh áp thấp bị nén: 22 ngày chiếm 14.2%
- Không khí lạnh: 12 ngày chiếm 7.7%
- Rãnh áp thấp qua Bắc Bộ: 36 ngày chiếm 23.2%
Hình thế xoáy thuận nhiệt đới chiếm tỉ lệ số ngày cao nhất, trong khi hình thế không khí lạnh lại có số lần xuất hiện ít nhất.
Sau khi thực hiện các phép tính dự báo cho tổ hợp hạn 24 giờ theo từng loại hình thời tiết, chúng tôi đã tiến hành đánh giá các chỉ số định lượng và dự báo pha dựa trên các ngưỡng đã xác định Kết quả thu được cho thấy những thông tin quan trọng về khả năng chính xác của dự báo.
Hình 3.15 Các chỉ số ME, MAE, RMSE, HSTQ của 3 phương án tổ hợp đối với các hình thế gây mưa lớn
Các phương án tổ hợp trong hình 3.15 đều cho kết quả dự báo thấp hơn so với quan trắc (ME