TẠP CHÍ PHÁT TRIỂN KHOA HỌC VÀ CÔNG NGHỆ, TẬP 20, SỐ M2 2017 73 Tóm tắt – Ngày nay, mối quan hệ cường độ – chu kì – tần suất (IDF) của hiện tượng mưa cực đoan tại một khu vực cụ thể thường được chú[.]
TẠP CHÍ PHÁT TRIỂN KHOA HỌC VÀ CƠNG NGHỆ, TẬP 20, SỐ M2-2017 73 Xây dựng đường cong IDF mưa cực đoan cho trạm Tân Sơn Hòa giai đoạn 1980 – 2015 Nguyễn Trọng Quân, Phạm Thị Thảo Nhi, Đào Ngun Khơi Tóm tắt – Ngày nay, mối quan hệ cường độ – chu kì – tần suất (IDF) tượng mưa cực đoan khu vực cụ thể thường trọng nghiên cứu nhằm cung cấp nguồn liệu đầu vào xác, phục vụ cơng tác tính tốn, thiết kế xây dựng hệ thống nước thị, đặc biệt bối cảnh biến đổi khí hậu Thơng thường, đường cong IDF xây dựng dựa phương pháp thống kê tần suất xảy kiện mưa cực đoan tối đa hàng năm theo chu kì lặp lại dựa hàm phân phối xác suất kiện Tuy nhiên, phương pháp truyền thống mối liên hệ kiện mưa cực đoan theo chu kì mưa mơ theo chu kì riêng biệt, đồng thời phát sinh số lượng lớn tham số thống kê q trình tính tốn, dẫn đến kết mơ khơng xác phụ thuộc nhiều vào liệu quan trắc thực tế Trong nghiên cứu này, phương pháp xây dựng đường cong IDF đề xuất thực dựa tính chất tỉ lệ bất biến kiện mưa cực đoan nhiều chu kì khác Phương pháp kiểm định so sánh với phương pháp truyền thống dựa kết xây dựng đường cong IDF mô tả trạng mưa cực đoan trạm đo Tân Sơn Hòa (Tp HCM) giai đoạn 1980 – 2015 Kết nghiên cứu cho thấy tồn mối quan hệ tuyến tính kiện mưa cực đoan theo quy mô thời gian phương pháp đề xuất hoàn toàn phù hợp để ước tính đường cong IDF với nhiều ưu điểm bật so với phương pháp truyền thống Từ khóa–Đường cong IDF, mưa cực đoan, hàm phân phối xác suất, TP.HCM Bài nhận ngày tháng năm 2017, chấp nhận đăng ngày 30 tháng 11 năm 2017 Nguyễn Trọng Quân, trường Đại học Khoa học Tự nhiên, ĐHQG-HCM (Email: quannguyen201294@gmail.com) Phạm Thị Thảo Nhi, trường Đại học Khoa học Tự nhiên, ĐHQG-HCM (Email: ptthaonhi@gmail.com) Đào Nguyên Khôi, trường Đại học Khoa học Tự nhiên, ĐHQG-HCM (Email: dnkhoi@hcmus.edu.vn) GIỚI THIỆU iện nay, nghiên cứu xây dựng mối quan hệ cường độ – chu kì – tần suất (IDF) kiện mưa cực đoan khu vực cụ thể ngày trở nên quan trọng, nhằm cung cấp thông tin cần thiết nguồn liệu đầu vào cho việc lên kế hoạch, tính tốn thiết kế xây dựng sở hạ tầng để giải vấn đề nước thị, đặc biệt bối cảnh chịu tác động, ảnh hưởng biến đổi khí hậu (BĐKH) Cụ thể hơn, thơng tin đạt từ việc xây dựng đường cong IDF cường độ mưa, chu kì mưa, tần suất xuất hay lặp lại trận mưa cực đoan thường sử dụng q trình tính tốn diện tích, sức chứa tối đa hệ thống dự trữ hay thoát nước thị Ngồi ra, thơng số từ mối quan hệ IDF cịn sử dụng để thực tính tốn mơ hay đánh giá nhiều mơ hình khí tượng, thủy văn có liên quan Phương pháp xây dựng đường cong IDF nghiên cứu phát triển từ năm 1930 [2,18] dựa chuỗi liệu mưa ghi nhận khứ, nhiên, phương pháp chưa xem xét đến thay đổi khí hậu ảnh hưởng đến kết tính tốn đường cong IDF Do đó, điều kiện thành phố ngày phải chịu nhiều tác động BĐKH, việc xây dựng đường cong IDF có khả kết hợp liệu mưa quan trắc khứ kịch BĐKH cho giai đoạn tương lai cần đẩy mạnh nghiên cứu, nhằm mục đích đưa kết xác đem lại hiệu cao công tác giải vấn đề phát triển đô thị xảy ảnh hưởng nhiều tượng thời tiết cực đoan mưa, bão lũ lụt Theo nghiên cứu trước đây, đường cong IDF xây dựng dựa phương pháp phân tích tần suất lặp lại liệu mưa tối đa hàng năm (Annual Maximum Rainfall Intensity – AMRI) chu kì mưa cụ thể khu vực nghiên cứu [8,17] Tuy nhiên phương pháp phân tích tần suất truyền thống có hai điểm hạn chế quan trọng: - Thứ nhất, phương pháp tần suất truyền thống yêu cầu cần có đầy đủ liệu lượng mưa hàng năm chi tiết theo chu kì mưa (từ 15 phút – 24 giờ) H 74 SCIENCE & TECHNOLOGY DEVELOPMENT, VOL 20, NO.M2-2017 khu vực nghiên cứu - Thứ hai, phương pháp khơng thể ước tính cường độ mưa tối đa trận mưa cực đoan có chu kì lặp lại lớn 100 năm Sau đó, vào năm 1990, phương pháp xây dựng đường cong IDF dựa hàm phân phối xác suất (probability distribution function – PDF) phù hợp với liệu mưa quan trắc nghiên cứu phát triển, nhằm mục đích tính tốn trận mưa cực đoan có chu kì lặp lại lớn [10, 20, 22] Dựa phương pháp này, hàm phân phối xác suất Log-Normal, Log-Person, Gamma, Gumbel hay Generalized Extreme Value (GEV) thường sử dụng để mô phân phối mật độ xác suất liệu mưa tối đa hàng năm theo chu kì cụ thể; ngồi ra, nghiên cứu [4,11,14,16] đưa nhận định hàm phân phối xác suất GEV thường sử dụng rộng rãi có độ xác cao việc mơ tả liệu mưa quan trắc Tuy nhiên, phương pháp xây dựng đường cong IDF truyền thống dựa hàm phân phối xác suất nhiều nhược điểm cần quan tâm: - Thứ nhất, với chu kì mưa (từ 15 phút – 24 giờ) cần xác định hàm phân phối xác suất phù hợp, dẫn đến lượng lớn tham số thống kê (tham số vị trí, tỷ lệ, hình dạng) đặc trưng cho hàm phân phối cụ thể cần tính tốn; đó, làm tăng độ phức tạp sai số hệ thống, giảm độ tin cậy đường cong IDF - Thứ hai, phương pháp yêu cầu đầy đủ liệu lượng mưa quan trắc theo chu kì mưa với độ phân giải liệu cao (chu kì mưa phút, mưa giờ) Do đó, gặp nhiều khó khăn khu vực không thu thập đầy đủ liệu mưa quan trắc, đặc biệt chu kì mưa nhỏ 24 - Thứ ba, việc mô tả liệu mưa quan trắc hàm phân phối xác suất cho chu kì mưa riêng biệt bỏ qua mối liên hệ cường độ mưa tính chất tỉ lệ chu kì mưa từ nhỏ đến lớn [1] Từ vấn đề kể trên, phương pháp tiếp cận để xây dựng đường cong IDF nghiên cứu phát triển dựa tảng toán học lý thuyết khái niệm tỉ lệ bất biến (scale invariance) liên hệ đặc tính thống kê q trình có tính chất tỉ lệ (scaling process) [5] Khái niệm tính chất tỉ lệ lượng mưa kiểm chứng [12] chu kì mưa từ 30 đến 1440 phút (24 giờ), nghiên cứu này, Menabde cho thấy khả xây dựng mối liên hệ IDF dựa tính chất tỉ lệ lượng mưa quan trắc số giả định phương trình phân phối tích lũy (CDF) lượng mưa tối đa hàng năm Do đó, từ việc tính tốn phương trình tỉ lệ dựa liệu mưa ngày quan trắc, suy diễn kéo dài đường cong IDF từ chu kì ngày (24 giờ) đến chu kì nhỏ (1 giờ) mà không cần sử dụng liệu mưa quan trắc Phương pháp tạo điều kiện thuận lợi cho việc xây dựng đường cong IDF khu vực bị thiếu liệu mưa chi tiết theo giờ, đồng thời, phương pháp tỉ lệ cịn chi tiết hóa liệu mưa ngày kịch BĐKH, từ xây dựng đường cong IDF ước tính cho giai đoạn tương lai Các nghiên cứu phát triển lý thuyết phương pháp tỉ lệ thực nhiều tác giả giới ứng dụng nhiều nghiên cứu mưa cực đoan như: phát triển đường cong IDF bão Milan (Italia) [3]; xây dựng đường cong IDF cho khu vực bị thiếu liệu Đài Loan [21]; khảo sát biên độ tham số tỉ lệ khu vực dãy núi Alpine (Thụy Sĩ) [13]; xây dựng đường cong IDF cho 43 trạm Texas [15] hay ước tính đường cong IDF trạm đo địa phương Tunisia [6] Hiện nay, nghiên cứu xây dựng đường cong IDF Việt Nam thu hút nhiều quan tâm nhà khoa học Mục tiêu nghiên cứu nhằm xây dựng đường cong IDF phương pháp hàm phân phối xác suất theo tỉ lệ cho giai đoạn trạng (1980 – 2015) trạm Tân Sơn Hòa Tp.HCM PHƯƠNG PHÁP NGHIÊN CỨU Phạm vi nghiên cứu liệu thu thập Thành phố Hồ Chí Minh (TP.HCM) hai thành phố lớn Việt Nam, với Hà Nội, có tốc độ tăng trưởng kinh tế nhanh nước, đồng thời tình trạng gia tăng dân số trình thị hóa diễn ngày mạnh mẽ Thêm vào đó, q trình phát triển kinh tế thị hóa diễn q nhanh khơng có giải pháp đồng quy hoạch quản lý sở hạ tầng đô thị, kết hợp với vị trí địa lý nằm đất thấp lưu vực sông Đồng Nai gần biển, tình trạng ngập lụt thường xuyên mưa lớn, nước lũ thượng nguồn triều cường vấn đề đô thị mà TP.HCM phải đối mặt suốt nhiều năm Vì vậy, nghiên cứu xây dựng đường cong IDF tượng mưa cực đoan khu vực TP.HCM thực để cung cấp nguồn liệu tham khảo xác trạng mưa cực đoan TP.HCM góp phần giải nhanh vấn đề ngập lụt khu vực Dữ liệu mưa 15 phút trạm Tân Sơn Hòa (TP.HCM) giai đoạn 1980 – 2015, thu thập Trung tâm Tư liệu Khí Tượng Thủy Văn Quốc Gia (HMDC), sử dụng nghiên cứu Đánh giá lựa chọn hàm phân phối xác suất Hiện nay, có nhiều hàm phân phối xác suất TẠP CHÍ PHÁT TRIỂN KHOA HỌC VÀ CÔNG NGHỆ, TẬP 20, SỐ M2-2017 sử dụng để mô tả liệu mưa cực đoan xây dựng đường cong IDF hàm Log-Normal, Log-Pearson, Gamma, Gumbel, GEV, Exponential, Pareto…, hai hàm Gumbel GEV thường sử dụng nhiều phân tích mối quan hệ cường độ - chu kì – tần suất tượng thời tiết cực đoan mưa, bão, lũ lụt Trong nghiên cứu này, liệu mưa quan trắc AMRI giai đoạn 1980 – 2015 theo chu kì tương ứng (15 phút, 30 phút, giờ, giờ, giờ, giờ, 12 24 giờ) sử dụng để xác định hàm phân phối xác suất phù hợp hàm lựa chọn Log-Normal, Log-Pearson, Gamma, Gumbel GEV Các tham số thống kê hàm phân phối xác suất ước tính phương pháp L-moment [10], đồng thời, phép kiểm định thống kê Anderson – Darling sử dụng để lựa chọn hàm phân phối xác suất phù hợp thông qua hệ số kiểm định thống kê (A-D statistic pvalue) Hàm phân bố xác suất có giá trị A-D statistic nhỏ giá trị p-value lớn hàm phân bố xác suất phù hợp với liệu quan trắc [19] Khi lựa chọn hàm phân phối xác suất phù hợp, liệu mưa quan trắc AMRI theo chu kì sử dụng để tính tốn tham số thống kê hàm phân phối xác suất chọn, tham số tương ứng với chu kì riêng biệt (15 phút, 30 phút, giờ, giờ, giờ, giờ, 12 24 giờ) Sau đó, cường độ mưa cực đoan tối đa (mm/h) tương ứng với chu kì lặp lại (return period) 2, 5, 10, 20, 50, 100 năm tính dựa hàm phân phối xác suất chọn tham số riêng cho chu kì; từ xây dựng đường cong IDF tương ứng Xây dựng đường cong IDF phương pháp hàm phân phối xác suất theo tỉ lệ Để xác định mối liên hệ cường độ mưa cực đoan tối đa chu kì mưa liên tiếp, phương pháp ước lượng tham số thống kê NCM sử dụng nghiên cứu Các tham số thống kê NCM (µk) tính dựa theo công thức sau, với: Г(.) hàm gamma; ξ, α, κ tham số hàm phân phối xác suất; k bậc tham số NCM (k ≠ 0): 𝛼 𝑘 𝛼 𝑘 𝜇𝑘 = (𝜉 + ) + (−1)𝑘 ( ) Г(1 + 𝑘𝜅) + 𝜅 𝛼 𝑖 𝑘−1 𝑖 𝑘 ∑𝑖=1 (−1) ( ) 𝜅 𝜅 𝛼 𝑘−𝑖 (𝜉 + ) Г(1 + 𝑖𝜅) (1) 𝜅 đó, với X (mm) cường độ mưa cực đoan tối đa tương ứng với chu kì mưa t (giờ) chu kì lặp lại T (năm), λX (mm) cường độ mưa cực đoan tối đa tương ứng với chu kì mưa λt (giờ) chu kì lặp lại T (năm) Theo [5], hàm phân phối xác suất F(x) tỉ lệ thuận với hàm phân phối xác suất F(λx) tất giá trị dương tỉ lệ λ, phương 75 trình liên hệ biểu diễn sau, với C(λ) = λβ gọi hàm tỉ lệ β số tỉ lệ: (2) 𝐹(𝜆𝑥) = 𝐶(𝜆)𝐹(𝑥) = 𝜆𝛽 𝐹(𝑥) Dựa lý thuyết tỉ lệ bất biến [5] [7] nghiên cứu xây dựng phương trình liên hệ tham số thống kê NCM (µk) theo bậc k ≠ chu kì mưa (t) liên tiếp sau, với σ(k) giá trị tham số NCM (µk) chu kì mưa (t): (3) 𝜇𝑘 = 𝜎(𝑘)𝑡 𝛽𝑘 Từ đó, dễ dàng tính tham số thống kê hàm phân phối xác suất chu kì mưa λt biết tham số thống kê tương ứng chu kì t theo phương trình sau: (4) 𝜅(𝜆𝑡) = 𝜅(𝑡) (5) 𝛼(𝜆𝑡) = 𝜆𝛽 𝛼(𝑡) 𝛽 (6) 𝜉(𝜆𝑡) = 𝜆 𝛼(𝑡) Đường cong IDF xây dựng dựa giá trị cường độ mưa cực đoan tối đa (Xλt, T) chu kì mưa (λt) chu kì lặp lại (T) tương ứng Xλt, T tính theo cơng thức sau, với Xt tính từ hàm phân phối xác suất F(x) chu kì mưa t chu kì lặp lại T: (7) 𝑋𝑇 (𝜆𝑡) = 𝜆𝛽 𝑋𝑡 Trong nghiên cứu này, cường độ mưa cực đoan tối đa mô chu kì mưa ngày (X24) – tính từ hàm phân phối xác suất liệu mưa ngày quan trắc – sử dụng để tính cường độ mưa cực đoan tối đa mô chu kì ngắn 24 (từ đến 23 giờ); cường độ mưa cực đoan tối đa mơ chu kì mưa (X1) – tính từ liệu mưa theo quan trắc – sử dụng để tính cho chu kì mưa nhỏ (15 30 phút) Đường cong IDF xây dựng phương pháp tỉ lệ, tương ứng với chu kì từ 15 phút đến 24 biểu diễn kiểm định lại bước kiểm định mơ so sánh sai số (Root mean square errors – RMSE) cường độ mưa cực đoan quan trắc tính phương pháp tần suất (Xobs) (Gringorten, 1963) phương pháp hàm phân phối xác suất truyền thống (Xpdf) Các tính tốn nghiên cứu xử lý phần mềm RStudio với ngơn ngữ lập trình R KẾT QUẢ VÀ THẢO LUẬN Lựa chọn hàm phân phối xác suất Bảng mơ tả tính chất liệu mưa cực đoan quan trắc (AMRI) trạm đo Tân Sơn Hòa (Tp HCM) giai đoạn 1980 – 2015 với thời đoạn mưa khác (15 phút, 30 phút, giờ, giờ, giờ, giờ, 12 giờ, 24 giờ) thông qua số đặc trưng thống kê Kết khảo sát khả mô liệu tham số thống kê tương ứng hàm phân phối xác suất (Log-Normal, Log-Pearson, Gamma, 76 SCIENCE & TECHNOLOGY DEVELOPMENT, VOL 20, NO.M2-2017 Gumbel GEV) liệu mưa cực đoan quan trắc AMRI chu kì liên tiếp (15 phút, 30 phút, giờ, giờ, giờ, giờ, 12 24 giờ) giai đoạn 1980 – 2015 trạm đo Tân Sơn Hòa (Tp HCM) liệt kê Bảng Bảng Đặc trưng thống kê liệu mưa trạm Tân Sơn Hòa (TSH) Trạm đo Tân Sơn Hòa Vĩ độ 10o48'57'' Kinh độ 106o40'02'' Độ dài liệu (năm) 35 (1980 - 2015) Chu kì mưa 15 phút 30 phút giờ giờ Lượng mưa tối đa 49,30 69,70 92,10 142,00 163,80 163,90 lớn (mm) Lượng mưa tối đa nhỏ 9,60 27,10 40,10 49,50 51,50 51,50 (mm) Lượng mưa tối đa trung 19,31 40,93 66,14 83,63 90,69 93,91 bình (mm) Lượng mưa tối đa trung vị 19,55 39,20 64,60 80,30 86,65 90,25 (mm) Độ lệch chuẩn (mm) 7,88 9,05 14,91 20,52 25,55 31,15 12 24 163,90 163,90 54,60 51,50 99,17 92,64 90,25 90,25 33,17 25,05 Bảng Kết kiểm định hàm phân phối xác suất Chu kì 15 phút 30 phút giờ giờ 12 24 Hàm phân phối xác suất GEV Gamma Gumbel Log-Pearson III Log-Normal GEV Gamma Gumbel Log-Pearson III Log-Normal GEV Gamma Gumbel Log-Pearson III Log-Normal GEV Gamma Gumbel Log-Pearson III Log-Normal GEV Gamma Gumbel Log-Pearson III Log-Normal GEV Gamma Gumbel Log-Pearson III Log-Normal GEV Gamma Gumbel Log-Pearson III Log-Normal GEV Gamma Gumbel Log-Pearson III Log-Normal Location 15,940 6,950 15,930 19,310 18,094 36,692 21,409 36,794 40,925 39,240 60,283 18,246 58,915 66,141 65,547 74,814 16,310 73,971 83,625 81,445 78,910 13,478 79,192 90,691 86,003 79,019 9,092 79,474 93,906 87,842 82,309 9,203 84,016 Tham số Scale 5,880 2,780 5,857 7,431 6,849 6,944 1,912 7,157 9,165 8,244 14,755 3,625 12,517 15,404 15,34 18,267 5,127 16,726 20,81 20,161 19,333 6,729 19,922 25,508 22,948 24,042 10,328 25,002 32,097 28,679 22,199 10,775 26,248 99,167 90,414 88,862 17,122 89,069 100,384 35,067 28,118 19,173 5,863 19,603 25,046 1,652 -0,573 -0,023 95,895 22,662 Shape 0,004 1,015 -0,345 -0,032 1,154 -0,393 0,217 0,232 -0,077 0,105 0,637 -0,214 -0,032 1,153 -0,393 -0,041 0 1,189 -0,406 -0,157 Kiểm định A-D A-D Statistic p-value 0,408 0,857 0,434 0,83 0,408 0,857 0,443 0,821 0,417 0,847 0,175 0,999 0,291 0,959 0,178 0,998 0,164 0,999 0,178 0,998 0,197 0,996 0,176 0,999 0,314 0,942 0,202 0,995 0,206 0,995 0,201 0,996 0,191 0,997 0,218 0,992 0,189 0,997 0,198 0,996 0,182 0,998 0,208 0,994 0,160 0,999 0,194 0,997 0,178 0,998 0,186 0,999 0,244 0,989 0,204 0,998 0,189 0,999 0,189 0,999 0,217 0,998 0,369 0,922 0,332 0,952 1,122 0,217 0,217 0,193 0,334 0,197 0,222 0,998 0,998 0,997 0,926 0,996 0,991 -0,382 0,190 0,997 TẠP CHÍ PHÁT TRIỂN KHOA HỌC VÀ CÔNG NGHỆ, TẬP 20, SỐ M2-2017 77 Bảng Sai số (RMSE) phương pháp GEV SSGEV so với liệu quan trắc (Đơn vị: mm) Chu kì Phương pháp GEV SSGEV 15 phút 4,4268 5,4081 30 phút 4,5682 3,8640 7,0430 6,7646 9,5569 10,2506 Kết kiểm định mơ hình thống kê Anderson – Darling cho thấy hàm phân phối GEV có kết mơ xác chu kì 15 phút, 12 giờ; hàm Log-Peason III có kết kiểm định tốt với chu kì 30 phút giờ; chu kì cịn lại giờ, 24 mô tả tốt hàm Gamma, Gumbel Log-Normal Tuy nhiên, kết kiểm định A-D Statistic cho thấy hàm GEV mơ tốt liệu mưa cực đoan quan trắc AMRI tất chu kì mưa từ ngắn hạn (15 phút) tới dài hạn (24 giờ) Do đó, nghiên cứu lựa chọn sử dụng hàm phân phối xác suất GEV để mô liệu mưa cực đoan quan trắc tính tốn đường cong IDF ước tính cho giai đoạn trạng 1980 – 2015 khu vực Tp.HCM Xây dựng đường cong IDF mưa cực đoan Phương trình tỉ lệ biểu diễn mối quan hệ cường độ mưa cực đoan chu kì mưa liên tiếp xây dựng dựa phương pháp ước lượng tham số Non-Central Moment Trong đó, ba tham số NCM (µk) tương ứng với bậc k = 1, 2, tính từ phương trình (1) thơng qua tham số thống kê (ξ, α, κ) tương ứng với chu kì mưa 13,2964 14,3579 15,7595 18,7856 12 18,1250 20,6489 24 11,9336 11,9336 riêng biệt ước tính từ hàm phân phối xác suất GEV Hình đồ thị log-log biểu diễn tham số NCM (bậc 1, 2, 3) theo chu kì mưa cực đoan tương ứng (15 phút, 30 phút, giờ, giờ, giờ, giờ, 12 24 giờ) trạm Tân Sơn Hòa (Tp HCM) Từ đồ thị Hình thấy mối quan hệ tuyến tính chu kì mưa theo quy mô ngày (Sub-daily regime) (Sub-hourly regime), với chu kì ngày từ đến 24 chu kì từ 15 phút đến 60 phút Hơn nữa, đường tuyến tính khẳng định liệu mưa cực đoan quan trắc tuân theo lý thuyết tỉ lệ đề cập phần phương pháp nghiên cứu Hình biểu diễn tham số tỉ lệ (scaling exponent) theo quy mô ngày (hoặc giờ) tương ứng với bậc tham số thống kê NCM, từ xác định số tỉ lệ β thơng qua phương trình (3) Sau xác định hệ số tỉ lệ β, liệu cường độ mưa cực đoan mô hàm phân phối xác suất (GEV) chu kì 24 (X24) chu kì (X1) với tham số thống kê tương ứng (ξ, α, κ) sử dụng để tính cường độ mưa cực đoan mơ phương pháp hàm phân phối xác suất theo tỉ lệ (SSGEV) chu kì nhỏ 24 chu kì nhỏ giờ, từ xây dựng đường cong IDF ước tính tương ứng Hình Đường cong IDF mưa cực đoan trạm Tân Sơn Hịa ước tính hàm phân phối xác suất GEV truyền thống 78 SCIENCE & TECHNOLOGY DEVELOPMENT, VOL 20, NO.M2-2017 Hình Đồ thị log-log biểu diễn tham số NCM liệu mưa cực đoan giai đoạn 1980 – 2015 tương ứng với thời gian mưa trạm TSH Hình Đồ thị biểu diễn mối quan hệ tuyến tính tham số tỉ lệ Hình Đường cong IDF mưa cực đoan trạm Tân Sơn Hịa ước tính hàm phân phối xác suất SSGEV TẠP CHÍ PHÁT TRIỂN KHOA HỌC VÀ CƠNG NGHỆ, TẬP 20, SỐ M2-2017 79 Hình Đồ thị so sánh hàm SSGEV/GEV với liệu lượng mưa cực đoan quan trắc giai đoạn 1980 – 2015 trạm Tân Sơn Hịa Hình đồ thị biểu diễn hàm phân phối xác suất GEV hàm SSGEV tương ứng với cường độ mưa cực đoan quan trắc theo chu kì khác (1, 3, 6, 9, 12 24 giờ) giai đoạn 1980 – 2015 trạm Tân Sơn Hòa (Tp HCM) Kết cho thấy thấy phù hợp mơ hình GEV SSGEV mô liệu mưa cực đoan AMRI chu kì mưa khác Thêm vào đó, kết mô cường độ mưa cực đoan quan trắc phương pháp SSGEV gần tương đồng so với phương pháp GEV, thể qua sai số RMSE hai phương pháp so với liệu quan trắc (Bảng 3) Hình mơ tả kết xây dựng đường cong IDF ước tính phương pháp GEV SSGEV Kết phân tích đường cong IDF từ hai phương pháp cho thấy: giai đoạn trạng (1980 – 2015) khu vực Tân Sơn Hịa (Tp HCM), chu kì mưa cường độ mưa cực đoan có xu hướng tăng chu kì lặp lại tăng (tức tần suất lặp lại năm giảm); chu kì lặp lại cường độ mưa cực đoan có xu hướng giảm chu kì mưa tăng Cụ thể, theo phương pháp SSGEV, với chu kì lặp lại năm cường độ mưa cực đoan lớn đạt khoảng 130mm với chu kì mưa 15 phút giảm dần đến khoảng 4mm chu kì mưa 24 Ngược lại, chu kì mưa giờ, cường độ mưa cực đoan tăng từ 67mm đến 118mm tương ứng với chu kì lặp lại tăng từ năm đến 100 năm Ngoài ra, đường cong IDF xây dựng phương pháp SSGEV biểu diễn mối quan hệ tỉ lệ chu kì mưa rõ ràng so với đường cong IDF theo phương pháp GEV truyền thống Nhìn chung, từ kết khẳng định phương pháp xây dựng đường cong IDF mơ hình hàm phân phối xác suất theo tỉ lệ (SSGEV) hồn tồn áp dụng khu vực nghiên cứu mà liệu quan trắc cường độ mưa cực đoan theo chu kì mưa nhỏ (giờ, phút) bị hạn chế KẾT LUẬN VÀ KIẾN NGHỊ Nghiên cứu nhằm mục đích ứng dụng phương pháp hàm phân phối xác suất theo tỉ lệ để xây dựng mối quan hệ cường độ – chu kì – tần suất cho trạng mưa cực đoan giai đoạn 19802015 trạm Tân Sơn Hịa theo chu kì từ ngắn hạn (giờ, phút) đến dài hạn (ngày) Từ kết đạt được, đưa kết luận kiến nghị sau: (1) Hàm phân phối xác suất GEV hồn tồn phù hợp để mơ liệu mưa cực đoan theo chu kì mưa từ ngắn hạn (15 phút) đến dài hạn (24 giờ) (2) Phương pháp hàm phân phối xác suất theo tỉ lệ (SSGEV) có kết mô cường độ mưa cực đoan quan trắc gần tương đồng với kết mô tương ứng thực phương 80 SCIENCE & TECHNOLOGY DEVELOPMENT, VOL 20, NO.M2-2017 pháp hàm phân phối xác suất truyền thống (GEV) Kết cho thấy phương pháp SSGEV hồn tồn áp dụng xây dựng đường cong IDF với chu kì mưa từ ngắn hạn (15 phút) đến dài hạn (24 giờ) mà khơng cần phải có đầy đủ nguồn liệu mưa cực đoan quan trắc chi tiết theo (hoặc phút) (3) Phương pháp SSGEV hoàn toàn phù hợp để xây dựng đường cong IDF mưa cực đoan giai đoạn trạng (1980 – 2015) khu vực Tp HCM Từ kết phân tích này, mở rộng nghiên cứu để xây dựng đường cong IDF xem xét đến ảnh hưởng biến đổi khí hậu khu vực nghiên cứu LỜI CẢM ƠN Nghiên cứu tài trợ Sở Khoa học Công nghệ TP.HCM thơng qua đề tài chương trình Vườn Ươm năm 2017 với tiêu đề “Xây dựng đường cong cường độ – thời gian – tần suất (IDF) cho yếu tố lượng mưa ảnh hưởng biến đổi khí hậu TP Hồ Chí Minh” TÀI LIỆU THAM KHẢO [1] M Agbazo, G Koton'Gobi, E Kounouhewa, E Alamou, and A Afouda, “Estimation of IDF Curves of Extreme Rainfall by Simple Scaling in Northern Oueme Valley, Benin Republic (West Africa)”, Earth Sciences Research Journal, vol 20, no 1, pp D1-D7, 2016 [2] M.M Bernard, “Formulas for rainfall intensities of long durations”, Trans ASCE, vol 96, pp 592–624, 1932 [3] C De Michele, N.T Kottegoda, and R Rosso, “Intensityduration-area-frequency curves of extreme storm rainfall: a scaling approach”, WST, vol 25, pp 83–90, 2002 [4] S.S Eslamian and H Feizi, “Maximum monthly rainfall analysis using L-moments for an arid region in Isfahan province, Iran”, J Appl Meteorol Clim., vol 46, pp 496503, 2007 [5] J Feder, Fractals, New York: Plenum Press, 1988 [6] H Ghanmi, “Estimation des courbes Intensité-DuréeAireFrequence (IDAF) de la region de Tunis dans un context multifractal”, Université de Versailles SaintQuentin-enYvelines et Université de Tunis EL Manar, l’UVSQ-LATMOS (Guyancourt-France) Thèse de doctorat, 2014 [7] V.K Gupta and E Waymire, “Multiscaling properties of spatial and river flow distributions”, JGR, vol 95, pp 1999–2009, 1990 [8] Hazen, A “Flood flow, a study of frequencies and magnitudes”, John Wiley and Sons, INC New York, 1930 [9] J.R.M Hosking and J.R Wallis, “Some statistics useful in regional frequency analysis”, Water Resour Res., vol 29, no 2, pp 271-281, 1993 [10] J.R.M Hosking, J.R Wallis and E.F Wood, “Estimation of the generalized extreme-value distribution by the method of probability weighted moments”, Technometrics, vol 27, no 3, pp 251–261, 1985 [11] S.H Lee and S.J Meang, “Frequency analysis of extreme rainfall using L-moment”, Irrig Drain., vol 52, pp 219230, 2003 [12] M Menabde, A Seed, and G Pegram, “A simple scaling model for extreme rainfall”, Water Resour Res., vol 35, pp 335–339, 1999 [13] P Molnar and P Burlando, “Variability in the scaling properties of high resolution precipitation data in the Alpine climate of Switzerland”, Water Resour Res., vol 44, pp W10404, 2008 [14] Natural Environment Research Council, Flood study Report Meteorological studies, London, England, Volume II, pp 81, 1975 [15] M Özger, A.K Mishra, V.P Singh, “Scaling characteristics of precipitation data in conjunction with wavelet analysis”, Journal of Hydrology, vol 395, pp 279−288, 2010 [16] M.G Schaefer, “Regional analyses of precipitation annual maxima in Washington State”, Water Resour Res., vol 26, no l, pp 119-131, 1990 [17] B Sevruk and H Geiger, “Selection of distribution types for extremes of precipitation”, World Meteorological Organisation, Operational Hydrology Report, No 15, WMO-No 560, Geneva, 1981 [18] C.W Sherman, “Frequency and intensity of excessive rainfalls at Boston, Massachusetts”, Trans ASCE, vol 96, pp 951–960, 1931 [19] A Shrestha, M.S Babel, S Weesakul, and Z Vojinovic, “Developing intensity-duration-frequency (IDF) curves under climate change uncertainty: The case of Bangkok, Thailand”, Water, vol 9, pp 145, 2017 [20] J.R Stediger, R.M Vogel, and E Foufoula-Georgiou, “Frequency analysis of extreme events”, Chapter 18 In Maidment D (ed) Handbook of Hydrology, New York: McGraw-Hill, 1993 [21] P.S Yu, T.C Yang and C.S Lina, “Regional rainfall intensity formulas based on scaling property of rainfall”, Journal of Hydrology, vol 295, no 1-4, pp 108–123, 2004 [22] M.D Zalina, N.N.M Desa, V.T.V Nguyen and K Amir, “Selecting a probability distribution for extreme rainfall series in Malaysia”, Water Sci Technol., vol 45, no 2, pp 63-68, 2002 TẠP CHÍ PHÁT TRIỂN KHOA HỌC VÀ CÔNG NGHỆ, TẬP 20, SỐ M2-2017 81 Developing IDF curve of extreme rainfall at Tan Son Hoa station for the period 1980-2015 Nguyen Trong Quan, Pham Thi Thao Nhi, Dao Nguyen Khoi Abstract–Recently, the Intensity – Duration – Frequency (IDF) relationship of extreme rainfalls in a local area is usually investigated to provide accurate required data for calculating, planning, and developing urban drainage systems, especially in the context of climate change Traditionally, IDF curves are computed based on a statistical method for analyzing the frequency of occurrence or nonoccurrence of annual extreme rainfall events over a return period; or based on a probability distribution function of these events However, these traditional methods not take into consideration the relationship between extreme rainfalls of different durations as they only simulate the intensity of extreme rainfall events at each individual duration after generated a large number of parameter sets Therefore, the results of these methods are inaccurate and much depend on the actual observed data In this study, a new approach to develop IDF relations was proposed based on the scale-invariance nature of extreme rainfalls at different durations This method will be examined and compared with traditional methods based on the IDF curves of extreme rainfalls at Tan Son Nhat gauge station (HCMC) from 1980 to 2015 Results have indicated that there is a linear relationship between extreme rainfalls at different time scales and showed that the proposed method is appropriate for estimating the IDF curves with many prominent advantages rather than traditional method Keywords–IDF curve, extreme rainfall, probability distribution, Ho Chi Minh City ... on the IDF curves of extreme rainfalls at Tan Son Nhat gauge station (HCMC) from 1980 to 2015 Results have indicated that there is a linear relationship between extreme rainfalls at different... rainfall at Tan Son Hoa station for the period 1980-2015 Nguyen Trong Quan, Pham Thi Thao Nhi, Dao Nguyen Khoi Abstract–Recently, the Intensity – Duration – Frequency (IDF) relationship of extreme rainfalls... However, these traditional methods not take into consideration the relationship between extreme rainfalls of different durations as they only simulate the intensity of extreme rainfall events at each