Tổng quan vâ ́n đề nghiên cứu
Đă ̣t vấn đề
Ngày nay, nhu cầu thông tin về khí tượng thủy văn ngày càng tăng, đặc biệt trong các lĩnh vực như quy hoạch, thiết kế cơ sở hạ tầng và nông nghiệp, nơi yêu cầu độ chính xác cao Việc xây dựng đường cong Cường độ - thời đoạn – tần suất (IDF) của mưa là bước quan trọng để ước lượng khả năng xảy ra và cường độ mưa Nhiều quốc gia phát triển và một số nước Đông Nam Á đã thực hiện nghiên cứu IDF, nhưng ở Việt Nam, các nghiên cứu này còn hạn chế và chủ yếu được tài trợ bởi các dự án nước ngoài Trong bối cảnh biến đổi khí hậu, Việt Nam đã phải đối mặt với thiệt hại lớn từ những trận mưa lịch sử, như trận mưa năm 2008 tại Hà Nội và trận mưa bất thường tại Quảng Ninh gần đây Do đó, việc xây dựng và cập nhật liên tục đường cong IDF là cần thiết và cấp bách cho phát triển cơ sở hạ tầng.
Luận văn này nghiên cứu phương pháp hiệu chỉnh lượng mưa cho thời kỳ cơ sở và áp dụng vào thời kỳ tương lai, nhằm xây dựng đường cong IDF và đánh giá sự biến đổi của nó với độ tin cậy cao hơn Bố cục gồm ba chương: Chương 1 trình bày khái niệm về đường cong IDF, mục tiêu nghiên cứu và tổng quan về hiệu chỉnh sai số lượng mưa; Chương 2 mô tả đối tượng nghiên cứu, số liệu và phương pháp áp dụng; Chương 3 trình bày kết quả, bao gồm đánh giá phương pháp, xây dựng đường cong IDF và phân tích sự biến đổi của đường cong trong tương lai.
Khái niệm đường cong IDF của mưa
IDF là viết tắt của Intensity – Duration – Frequency, mô tả xác suất xuất hiện (Frequency) của cường độ (Intensity) mưa trung bình trong khoảng thời gian nhất định (Duration) Đường cong IDF được xây dựng từ chuỗi số liệu mưa cực trị qua nhiều thời đoạn khác nhau, sử dụng phương pháp phân tích tần suất Độ dài chuỗi số liệu càng lớn, độ chính xác của đường cong IDF càng cao Các đường cong IDF cho các tần suất lặp lại khác nhau luôn song song với nhau.
Hình 1.1 Vi ́ dụ minh họa về đường cong IDF (Lê Minh Nhật 2008) [12]
Đường cong IDF có thể được hiểu đơn giản là biểu đồ thể hiện mối quan hệ giữa cường độ mưa và thời gian xảy ra mưa, với các khoảng thời gian cụ thể như 10 phút, 30 phút, 60 phút, và thậm chí là 360 giờ.
Trong vòng 720 giờ, chúng ta có thể đo lượng mưa cụ thể và tính cường độ mưa trung bình bằng mm/giờ Chẳng hạn, nếu trong 10 phút lượng mưa đo được là 45mm, cường độ mưa trung bình sẽ là 270mm/giờ Bằng cách áp dụng phương pháp phân tích tần suất, ta có thể tính tần suất lặp lại của các cường độ mưa khác nhau, từ đó tạo ra đường cong IDF Đối với thiết kế hệ thống thoát nước nhỏ như cống thoát nước cho một tòa nhà, cường độ mưa với tần suất lặp lại từ 2 đến 5 năm sẽ được sử dụng Trong khi đó, đối với các công trình quy mô lớn hơn cho đô thị, tần suất lặp lại từ 50 đến 100 năm sẽ là lựa chọn phù hợp.
Mu ̣c tiêu của luâ ̣n văn
Trong khuôn khổ một luận văn thạc sỹ, nghiên cứu đă ̣t ra 2 mu ̣c tiêu dưới đây:
- Nghiên cứ u và áp dụng phương pháp hiê ̣u chỉnh sai số mô hình phù hợp đối với lượng mưa ngày cho khu vực Hà Nô ̣i
Xây dựng đường cong cường độ - thời lượng - tần suất (IDF) của mưa trong điều kiện khí hậu hiện tại và tương lai là rất quan trọng Việc đánh giá mức độ biến đổi của đường cong IDF dưới tác động của biến đổi khí hậu giúp hiểu rõ hơn về xu hướng thời tiết và quản lý tài nguyên nước hiệu quả.
Mục tiêu chính là cải thiện khả năng mô phỏng lượng mưa trong các mô hình khí hậu hiện nay, đặc biệt là đối với các hiện tượng mưa cực đoan Các mô hình khí hậu toàn cầu và khu vực hiện đang gặp nhiều hạn chế trong việc dự báo và ước lượng lượng mưa Do đó, việc tìm kiếm phương pháp hiệu chỉnh phù hợp và áp dụng cho khu vực Hà Nội là rất cần thiết và sẽ có tính ứng dụng cao.
Mục tiêu thứ hai là xác định mối quan hệ giữa các đặc trưng của mưa, bao gồm cường độ, thời gian mưa và tần suất xuất hiện của hiện tượng, với cường độ và thời gian tương ứng Việc định lượng mối quan hệ này giúp cung cấp cái nhìn tổng quát về cực trị mưa và những biến đổi của các hiện tượng này trong tương lai.
Tổng quan vê ̀ vấn đề nghiên cứu
Mô hình động lực là công cụ tiên tiến trong dự tính khí hậu tương lai, với khả năng chạy ở độ phân giải cao dưới 10km, giúp cải thiện dự báo nhiều khía cạnh khí hậu địa phương như lượng mưa Tuy nhiên, các mô hình này vẫn gặp sai số do nhiều yếu tố khách quan và chủ quan, từ việc con người chưa hiểu hết các quá trình tự nhiên đến phương pháp giải hệ phương trình Navier-Stokes Sai số từ mô phỏng có thể gia tăng dưới tác động của biến đổi khí hậu, tạo nên thách thức cho các quốc gia, kể cả những nước phát triển như Mỹ và Nhật Nhiều nghiên cứu đã được thực hiện để cải tiến các mô hình động lực nhằm giảm sai số hệ thống, tiết kiệm chi phí và phù hợp với các nhóm nghiên cứu nhỏ Mặc dù không có phương pháp hiệu chỉnh nào hoàn hảo, việc áp dụng các phương pháp này vẫn cần thiết để giảm tính không chắc chắn trong dự tính khí hậu Nhiều nghiên cứu đã chứng minh tầm quan trọng của việc hiệu chỉnh sai số, đặc biệt trong việc xây dựng kịch bản và làm đầu vào cho các nghiên cứu tiếp theo.
1.4.1 Nghiên cứ u về phương pháp hiê ̣u chỉnh sai số đối với lươ ̣ng mưa
Wood và ccs (2004) đã tiến hành so sánh và đánh giá 6 phương án quy mô thống kê cho một số biến, trong đó nhấn mạnh yếu tố lượng mưa làm đầu vào cho các mô hình thủy văn Nghiên cứu sử dụng bộ số liệu dự báo trễ qua khứ 20 năm (1975 - 1995) và bộ số liệu kịch bản cho giai đoạn 2040 - 2060 từ mô hình khí hậu của NCAR-PCM Sáu phương án bao gồm hồi quy tuyến tính (LI), phân tách không gian (SD) và hiệu chỉnh sai số kết hợp phân tách không gian (BCSD) được áp dụng cho kết quả của PCM và RCM Các phương án này chi tiết hóa kết quả về độ phân giải 1/8 độ kinh vĩ và được so sánh với số liệu quan trắc Phương pháp BCSD cho thấy hiệu quả cao trong việc tạo ra các đặc điểm chính từ số liệu mô phỏng khí hậu Hồi quy tuyến tính LI cho kết quả tốt hơn với biến đầu ra từ RCM nhưng vẫn tạo ra sai số lớn khi làm đầu vào cho mô hình thủy văn Phân tách không gian (SD) cho kết quả tương đồng với RCM và PCM, nhưng cả hai phương án này không thực sự tốt khi áp dụng cho mô hình thủy văn mà không hiệu chỉnh sai số Do đó, kết quả từ hai phương án BCSD-PCM và BCSD-RCM cho thấy tính hợp lý hơn, nhấn mạnh tầm quan trọng của việc hiệu chỉnh sai số.
Ines và Hansen (2006) đã áp dụng hàm phân bố gamma để đại diện cho lượng mưa hàng ngày và sử dụng cả hàm phân bố gamma lẫn hàm phân bố thực nghiệm để hiệu chỉnh lượng mưa từ các mô hình toàn cầu Phương pháp này nhằm điều chỉnh giá trị trung bình cũng như các biến động theo tháng và mùa từ mô hình toàn cầu, bao gồm cả hiệu chỉnh tần suất và cường độ.
Sharman và cộng sự (2007) đã áp dụng phương pháp BCSD để cải tiến khả năng mô phỏng lượng mưa từ mô hình toàn cầu cho lưu vực sông Ping, Thái Lan Phương pháp hiệu chỉnh sai số sử dụng hàm phân bố lý thuyết Gamma, bao gồm hai bước chính: xác định ngưỡng mưa để loại bỏ các giá trị không đáng kể và tính toán các giá trị xác suất tích lũy tương ứng với mỗi giá trị mưa từ chuỗi số liệu mô hình Sau khi hiệu chỉnh, phương pháp phân tách không gian đã tạo ra trường mưa với độ phân giải cao và chính xác hơn Nghiên cứu áp dụng phương pháp này cho mô hình ECHAM4 với hai kịch bản A2 và B2, cho thấy phương pháp Gamma - Gamma giảm sai số thô một cách đáng kể và giải quyết hiệu quả nhược điểm về độ phân giải của mô hình ECHAM4 Kết luận cho thấy phương pháp này có thể được áp dụng cho dự đoán tương lai và các nghiên cứu đánh giá tác động.
Piani (2009) đã áp dụng phương pháp thống kê hiệu chỉnh sai số cho lượng mưa hàng ngày tại khu vực Châu Âu, sử dụng hàm phân bố Gamma để ước lượng các phân vị cho giá trị mưa Nghiên cứu này hiệu chỉnh lượng mưa từ mô hình khu vực DMI với độ phân giải ngang nội suy 25x25km Hàm phân bố tại mỗi nút lưới được hiệu chỉnh dựa trên hàm phân bố của các nút lưới tương ứng từ dữ liệu tái phân tích CRU Kết quả cho thấy phân bố lượng mưa theo không gian và thời gian từ mô hình khí hậu được cải thiện rõ rệt và đồng nhất với số liệu quan trắc.
Matthias Jakob và cộng sự (2011) đã áp dụng 7 phương án chi tiết hóa thống kê thực nghiệm kết hợp hiệu chỉnh sai số cho mô phỏng lượng mưa từ mô hình MM5 tại khu vực Alpine Kết quả cho thấy phương pháp Quantile-Mapping và hiệu chỉnh cường độ dựa trên quy mô địa phương cải thiện đáng kể các chỉ số như trung vị, phương sai, tần suất, cường độ và giá trị cực đoan của lượng mưa hàng ngày Mặc dù phương pháp hồi quy đa biến đã được tối ưu hóa qua việc tuyển chọn nhân tố và ngẫu nhiên hóa, nhưng vẫn tồn tại những nhược điểm lớn trong hiệu chỉnh lượng mưa Tổng thể, phương pháp Quantile-Mapping thể hiện hiệu quả cao nhất, đặc biệt với các giá trị cực đoan, và có khả năng áp dụng cho các khu vực khác.
Amengual và các cộng sự (2012) đã áp dụng phương pháp hiệu chỉnh thống kê để dự tính khí hậu và đánh giá tác động của biến đổi khí hậu tại khu vực Platja de Palma, Địa Trung Hải Nhóm tác giả sử dụng 12 phương án mô hình khu vực để thu thập dữ liệu hàng ngày về các yếu tố như lượng mưa, nhiệt độ trung bình, nhiệt độ tối cao, tối thấp, độ ẩm tương đối, mức che phủ mây và tốc độ gió Phương pháp Quantile-Quantile được áp dụng để loại bỏ sai số hệ thống trong kết quả mô phỏng, dựa trên việc xác định mức độ biến đổi trong hàm phân bố tích lũy giữa thời kỳ cơ sở và thời kỳ tương lai Mức độ biến đổi này được áp dụng vào dữ liệu quan trắc để tạo ra bộ số liệu dự tính mới với độ tin cậy cao hơn Kết quả nghiên cứu cho thấy có những cải thiện đáng kể trong kết quả mô hình, tuy nhiên, đối với các giá trị cực đoan về lượng mưa, sự cải thiện vẫn chưa rõ rệt.
Hình 1.2 Minh họa phương pháp Quantile – Quantile (Amengual và nnk, 2012) [1]
Winai (2013) đã áp dụng bốn phương pháp hiệu chỉnh sai số cho lượng mưa từ mô hình toàn cầu MRI nhằm đánh giá tác động và thích ứng trong việc vận hành hồ chứa dưới tác động của biến đổi khí hậu Phương pháp đầu tiên là hiệu chỉnh hàm sai số dựa trên phân vị (Quantile-Mapping), tương tự như phương pháp của Sharman (2007) với hai bước chính: hiệu chỉnh tần suất và cường độ mưa Phương pháp thứ hai là hiệu chỉnh dựa trên độ lệch chuẩn (SD ratio), trong đó sai số lượng mưa được điều chỉnh bằng tỷ số giữa độ lệch chuẩn của chuỗi quan trắc và chuỗi mô hình Phương pháp thứ ba là phương pháp lai (Hybrid), chia chuỗi dữ liệu thành hai chuỗi con để tính lượng mưa hiệu chỉnh Cuối cùng, phương pháp hiệu chỉnh delta sử dụng tỷ số giữa lượng mưa quan trắc trung bình và mô hình trung bình cho một tháng bất kỳ Kết quả cho thấy phương pháp SD Ratio và Hybrid cho hàm phân bố xác suất lượng mưa sát hơn với số liệu quan trắc, đặc biệt là trong việc giảm sai số đối với lượng mưa cực trị và lượng mưa nhỏ trong các mùa khác nhau Phương pháp Hybrid được xác định là phù hợp nhất với hệ số tương không gian và thời gian của lượng mưa tháng.
Argueso và cộng sự (2013) đã áp dụng phương pháp hiệu chỉnh hàm phân bố để điều chỉnh lượng mưa hàng ngày dựa trên kết quả mô phỏng từ mô hình WRF với độ phân giải 2km cho khu vực Sydney Hàm phân bố gamma lý thuyết được sử dụng trong các bước hiệu chỉnh, tương tự như phương pháp của Piani (2009), nhưng nhóm tác giả đã đề xuất thêm một bước để hiệu chỉnh sai số lượng mưa tại mỗi điểm lưới bằng cách sử dụng chuỗi số liệu mưa ngày từ 5 trạm gần nhất Mỗi điểm lưới sẽ có 5 kết quả hiệu chỉnh, và các kết quả này được tính trung bình theo phương pháp trọng số nghịch đảo của bình phương khoảng cách Phương pháp này đã chứng minh hiệu quả rõ rệt trong việc loại bỏ sai số đối với đặc trưng mưa hàng ngày cũng như theo mùa, cung cấp thông tin chính xác hơn cho các nghiên cứu đánh giá tác động.
Bennett và nnk (2014) đã dự đoán khí hậu tương lai cho Tasmania, Úc bằng mô hình khí quyển CCAM với độ phân giải 10 km, áp dụng 6 phương án khác nhau, bao gồm hiệu chỉnh thống kê bằng hàm phân bố tích lũy thực nghiệm cho các biến khí hậu theo ngày Các yếu tố được điều chỉnh bao gồm bức xạ mặt trời, nhiệt độ tối thấp, nhiệt độ tối cao, bốc hơi tiềm năng và lượng mưa Kết quả cho thấy phương pháp hiệu chỉnh này có hiệu quả, đặc biệt trong việc cải thiện cường độ và tần suất ngày mưa, đồng thời bảo toàn xu thế biến đổi khí hậu trong tương lai Tuy nhiên, phương pháp vẫn chưa đạt hiệu quả cao đối với các giá trị lượng mưa gần 0 và có xu hướng dự đoán thấp hơn về cường độ và thời gian cho các sự kiện mưa kéo dài cũng như hạn hán.
1.4.2 Nghiên cứ u về xây dựng đường cong IDF
Trong vài thập kỷ qua, các nhà khoa học đã chú trọng đến tác động của biến đổi khí hậu, đặc biệt là sự thay đổi lượng mưa đối với đời sống con người và cơ sở hạ tầng Nhiều nghiên cứu và báo cáo (IPCC 2007, 2013) đã chỉ ra rằng hiện tượng mưa sẽ trở nên bất thường hơn trong tương lai, với tần suất và cường độ lớn hơn so với hiện tại Bài viết này sẽ trình bày một số công trình nghiên cứu về mối quan hệ giữa cường độ, thời gian và tần suất của mưa cực đoan trên toàn cầu.
Nghiên cứu của Bernard (1932) là một trong những nghiên cứu đầu tiên áp dụng công thức thực nghiệm, trong đó mối quan hệ giữa cường độ, thời gian và tần suất được thể hiện rõ ràng.
Công thức I(d,T) dùng để tính cường độ mưa trung bình trong khoảng thời gian d với tần suất lặp lại T, trong đó a và c là các hằng số thực nghiệm Tuy nhiên, công thức này có hạn chế khi khoảng thời gian d tiến gần đến 0, dẫn đến cường độ mưa đạt giá trị vô cùng Do đó, việc sử dụng công thức này để tính toán cường độ mưa cho các khoảng thời gian ngắn có thể không chính xác, thậm chí có thể lớn hơn nhiều so với thực tế.
Lê Minh Nhật (2007) đã nghiên cứu và áp dụng phương pháp quy mô đơn giản để chi tiết hóa quy mô thời gian đối với cường độ mưa tại khu vực lưu vực sông Yodo, Nhật Bản Phương pháp này dựa trên giả thuyết của Menable (1999) cho rằng hàm phân bố cường độ mưa giữa các thời lượng khác nhau có mối quan hệ nhất định, đặc trưng bởi hàm mũ của nhân tố quy mô Qua việc áp dụng phương pháp này, tác giả đã thu được cường độ mưa tại lưu vực sông Yodo trong các thời đoạn rất ngắn, từ quy mô ngày đến quy mô phút, với độ chính xác tương đối cao so với lượng mưa quan trắc thực tế.
Nguyễn Văn Thành Văn và các cộng sự (2007) đã sử dụng phần mềm SDSM để phân tích dữ liệu từ hai mô hình toàn cầu HadCM3 và CGCM2 (theo kịch bản A2) nhằm nghiên cứu yếu tố mưa ngày cực trị tại khu vực Quebec, Canada Các tác giả đề xuất phương pháp hiệu chỉnh cho lượng mưa ngày cực trị thu được từ phần mềm SDSM, cho thấy hiệu quả tốt khi so sánh với số liệu quan trắc tại 15 trạm đo mưa trong giai đoạn 1961 - 1990 Dựa trên kết quả này, phương pháp sử dụng hàm phân bố cực trị GEV cũng được áp dụng để mô tả mối quan hệ giữa lượng mưa ngày cực trị và lượng mưa cực trị trong các quy mô thời gian nhỏ hơn Từ đó, đường cong IDF của mưa được xây dựng cho cả thời kỳ hiện tại và các thời kỳ trong tương lai Nghiên cứu kết luận rằng trong tương lai, lượng mưa cực trị sẽ tăng lên, với sự biến đổi từ mô hình HadCM3 không quá lớn, trong khi mô hình CGCM2 cho thấy xu thế tăng mạnh của lượng mưa cực trị.
Pha ̣m vi, số liê ̣u và phương pháp nghiên cứu
Pha ̣m vi và số liê ̣u nghiên cứu
Luận văn này tập trung nghiên cứu khu vực nội thành Hà Nội, với những đặc điểm nổi bật về vị trí địa lý, địa hình và khí hậu của khu vực này.
Hà Nội, thủ đô của nước Cộng hoà Xã hội Chủ nghĩa Việt Nam, là trung tâm chính trị và kinh tế của cả nước Thành phố nằm ở tọa độ khoảng 21°01' vĩ độ Bắc và 105°51' kinh độ Đông, xung quanh là các thành phố Thái Nguyên, Bắc Ninh, Hưng Yên và tỉnh Hòa Bình Địa hình Hà Nội đa dạng, thấp dần từ Bắc xuống Nam và từ Tây sang Đông, bao gồm đồi núi thấp, đồng bằng gò đồi và đồng bằng, với đồng bằng chiếm hơn 80% diện tích thành phố Khu vực đồi núi Sóc Sơn và Ba Vì là nơi tập trung các dạng địa hình núi.
Sông ngòi Hà Nội thuộc hệ thống sông Hồng và sông Thái Bình, với mật độ phân bố không đồng đều (0,1 - 2,5km/km2 cho các sông có dòng chảy tự nhiên) Các sông lớn như sông Hồng, sông Đuống, sông Cà Lồ, sông Nhuệ, sông Cầu, sông Ngũ Huyện Khê và sông Cầu Bây có độ dốc lòng sông nhỏ và độ uốn khúc lớn, tạo nên chế độ thủy văn phức tạp Khả năng tiêu thoát nước của các sông này rất kém, đặc biệt trong mùa mưa lớn khi mực nước sông tăng cao.
Hà Nội có chế độ bức xạ thiên văn nội chí tuyến, với mặt trời đi qua thiên đỉnh hai lần mỗi năm Độ cao mặt trời lớn và thời gian chiếu sáng tương đối đồng đều, dẫn đến lượng bức xạ tổng cộng trung bình hàng năm đạt 123 kcal/cm2 Trong các tháng gần hạ chí, lượng bức xạ tổng cộng thường trên 12 kcal/cm2, với tháng VII có thể vượt 14 kcal/cm2 Ngược lại, vào các tháng gần đông chí, lượng bức xạ tổng cộng giảm xuống dưới 9 kcal/cm2 Điều này cho thấy lượng bức xạ tổng cộng ở Hà Nội tương đối lớn và có sự biến đổi rõ rệt giữa các mùa, với mùa hè có bức xạ lớn hơn mùa đông.
Nhiệt độ trung bình năm ở Hà Nội dao động từ 23 - 24°C tại vùng đồng bằng, trong khi vùng núi thấp như Sóc Sơn và phía nam Ba Vì có nhiệt độ thấp hơn Mùa hè (tháng 5 đến tháng 10) ở Hà Nội có nền nhiệt khá cao, với nhiệt độ trung bình tháng 7 đạt 28,5 - 29,5°C và ba tháng giữa mùa hè đều trên 28°C Ngược lại, mùa đông (tháng 11 đến tháng 4) có nhiệt độ thấp, với tháng 1 ghi nhận nhiệt độ trung bình 16 - 17°C và ba tháng giữa mùa đông đều dưới 18°C.
Hà Nội có lượng mưa trung bình hàng năm từ 1400 đến 2000 mm, xếp vào nhóm khu vực có lượng mưa phổ biến tại Việt Nam Mùa mưa thường bắt đầu từ tháng 4 đến tháng 10, với lượng mưa tập trung nhiều nhất vào tháng 8 và tháng 9 Những khu vực có lượng mưa lớn hơn 2000 mm chủ yếu nằm ở phía Bắc Sóc Sơn, Bắc Mê Linh và phía Nam.
Ba Vì có lượng mưa mùa hè chiếm từ 80% đến 90% tổng lượng mưa hàng năm, trong khi 6 tháng còn lại chỉ chiếm 10% đến 20% Mặc dù số ngày mưa tập trung chủ yếu vào mùa hè, tỷ lệ này thấp hơn, khoảng 60% tổng số ngày mưa trong năm Tổng số ngày mưa trong năm ước tính khoảng 150 ngày.
Hà Nội trung bình có khoảng 7 – 8 ngày mưa to mỗi năm, với lượng mưa trên 50 mm/ngày, trong đó có 1 – 2 ngày mưa rất to với lượng mưa trên 100 mm/ngày Những ngày mưa lớn thường xảy ra vào mùa hè, nhưng đôi khi cũng xuất hiện vào tháng II hoặc tháng XI Mưa rất to chỉ xảy ra hiếm hoi vào đầu mùa đông, như trong các năm 1984, 1996 và 2008.
2.1.1.2 Tình hình ngập lụt ở Hà Nội a) Nguyên nhân chính gây ra ngập úng
Ngập úng tại Hà Nội có thể xuất phát từ nhiều nguyên nhân khác nhau Một số nguyên nhân chủ quan dẫn đến tình trạng này bao gồm việc quản lý nước không hiệu quả, xây dựng hạ tầng không đồng bộ, và sự gia tăng mật độ dân số Những yếu tố này góp phần làm giảm khả năng thoát nước của khu vực, dẫn đến tình trạng ngập úng nghiêm trọng.
Sự phát triển kinh tế xã hội đã dẫn đến việc bê tông hóa hầu hết diện tích đô thị, làm giảm khả năng thấm nước của bề mặt.
Hệ thống thoát nước đô thị hiện nay gặp nhiều hạn chế, đặc biệt là do sự cống hóa của nhiều nhánh sông như sông Tô Lịch Bên cạnh đó, việc thu hẹp các sông ngòi và ao hồ đã làm giảm khả năng lưu trữ và thoát nước, dẫn đến tình trạng ngập úng ngày càng nghiêm trọng.
Sự thay đổi trong sử dụng đất làm mất cân bằng tích chứa nước của đô thị b) Một số trận lũ lụt gây ngập úng nghiêm trọng ở Hà Nội
Lưu vực sông Hồng và các khu vực lân cận đã trải qua nhiều trận lũ lớn, trong đó hai trận lũ nghiêm trọng nhất xảy ra vào tháng 8 năm 1945 và tháng 8 năm 1971, gây ra vỡ đê, ngập lụt rộng rãi và thiệt hại nặng nề cho nhiều địa phương.
Trận lũ lớn năm 1945 đã ghi nhận mực nước thực đo trên sông Hồng khu vực
Mực nước tại Hà Nội đã lên tới 12.68m, gây ra tình trạng vỡ đê ở nhiều nơi, bao gồm đê phía hữu ngạn sông Thao, sông Đà, sông Lô, sông Hồng, sông Đáy, sông Đuống và sông Thái Bình Trận lũ lụt này đã ảnh hưởng đến 11 tỉnh, làm ngập hơn 312.000 ha đất canh tác và tác động đến hàng triệu người dân trong khu vực.
Vào năm 1971, mưa lớn kéo dài nhiều ngày đã làm nước các sông dâng cao, gây nguy cơ vỡ đê và dẫn đến tình trạng ngập lụt nghiêm trọng trên toàn miền Bắc Đây được xem là một trong những trận lũ lụt lớn nhất trong vòng 100 năm qua.
Ngoài 2 trận lũ lớn đặc biệt nghiêm trọng kể trên, có thể nhắc thêm tới các trận lụt dưới đây:
Vào tháng 8 năm 1968, Bắc Bộ Việt Nam hứng chịu hai cơn bão liên tiếp, trong đó bão số 3 đổ bộ vào Quảng Ninh và bão số 4 đổ bộ vào Nam Định.
Mưa lớn kéo dài đã gây lũ lớn làm vỡ đê sông Hồng, sông Thái Bình và sông Thao
Phương pháp hiệu chỉnh thống kê
Dựa trên chuỗi số liệu mưa với độ phân giải từ 1x1 độ đến 2.5x2 độ, giá trị mưa đã được nội suy về trạm Hà Nội bằng phương pháp nội suy song tuyến tính cho các thời kỳ 1961 – 2005 và 2070 – 2099 theo hai kịch bản RCP4.5 và RCP8.5 Tuy nhiên, chuỗi số liệu mô phỏng và dự đoán tương lai này chứa nhiều sai số so với thực tế, do đó, việc áp dụng phương pháp hiệu chỉnh là rất quan trọng để giảm thiểu sai số do mô hình gây ra.
Phương pháp hiệu chỉnh dựa trên phân vị (Quantile-Mapping) được áp dụng trong nghiên cứu này, theo nhiều tài liệu đã được đề cập trong mục tổng quan, bao gồm các nghiên cứu của Ines và các tác giả khác (2006) [7], cũng như Kumar Mishra và Herath (2014).
Phương pháp điều chỉnh hàm phân bố xác suất tích lũy (CDF) nhằm tối ưu hóa sự phù hợp với phân bố tích lũy của chuỗi số liệu quan trắc được trình bày bởi Piani và nnk (2009), Sharma và nnk (2007), cũng như Winai (2013) Quy trình này bao gồm hai bước chính để đảm bảo tính chính xác và hiệu quả trong việc phân tích dữ liệu.
Hình 2.1 Minh họa phân bố tích lũy của mưa (màu đỏ: quan trắc, màu xanh: mô hình)
Hiệu chỉnh tần suất ngày mưa trong chuỗi số liệu mô hình bằng cách loại bỏ một số ngày mưa có lượng mưa rất nhỏ.
- Hiệu chỉnh hàm phân bố của chuỗi số liệu cắt xén này, thu được giá trị lượng mưa ngày sau hiệu chỉnh
Phương pháp hiệu chỉnh này có thể được mô tả một cách chi tiết như sau:
Giả định rằng chuỗi số liệu quan trắc mưa hàng ngày và chuỗi số liệu mưa mô hình có thể được ước lượng chính xác bằng hàm phân bố gamma Do đó, các phân vị và hiệu chỉnh theo phân vị sẽ được thực hiện dựa trên hàm phân bố gamma, với hàm phân bố xác suất (PDF) được xác định rõ ràng.
Hàm phân bố tích lũy được tính như sau:
Trong đó, 𝜶 và 𝜷 đại diện cho các hằng số hình dạng và quy mô Các hằng số này có thể được tính toán theo công thức 3, dựa trên các giá trị trung bình và độ lệch tiêu chuẩn được tính từ chuỗi số liệu.
Trước tiên tiến hành chia chuỗi số liệu mưa quan trắc và mô hình thành 2 phần: phần lớn hơn phân vị 99% của chuỗi và phần còn lại
Để hiệu chỉnh tần suất mưa từ mô hình, cần xác định một ngưỡng mưa phù hợp để loại bỏ các giá trị mưa nhỏ hơn ngưỡng này Thông thường, ngưỡng 0.1mm được chọn làm ngưỡng bắt đầu mưa trong quan trắc khí tượng Tuy nhiên, ngưỡng này không thể áp dụng trực tiếp cho dữ liệu mô hình mà cần xác định một ngưỡng riêng dựa trên xác suất tích lũy CDF, sử dụng hai tham số quy mô và hình dạng từ chuỗi số liệu quan trắc Ngưỡng mưa 0.1mm tương ứng với một phân vị trong chuỗi số liệu quan trắc, phụ thuộc vào các tham số này Sau khi xác định được phân vị, một ngưỡng mưa tương ứng trong dữ liệu mô hình sẽ được thiết lập, và các giá trị mưa nhỏ hơn ngưỡng này sẽ được gán bằng 0.
Sử dụng chuỗi số liệu đã được hiệu chỉnh tần suất này để tính toán các tham số quy mô và hình dạng mới cho chuỗi số liệu
Hiệu chỉnh sai số cho lượng mưa trong chuỗi số liệu cắt xén là bước quan trọng Tính toán giá trị xác suất tích lũy cho tất cả các giá trị mưa bằng cách sử dụng tham số hình dạng và quy mô của chuỗi số liệu Sau đó, áp dụng hàm chuyển ngược các phân vị này với tham số tương ứng để thu được chuỗi số liệu mô hình đã được hiệu chỉnh sai số.
Trong các giai đoạn tương lai, cần thực hiện các bước tương tự như đã mô tả trước đó Tuy nhiên, giá trị mưa hiệu chỉnh sẽ được tính toán bằng cách nhân giá trị mưa hiệu chỉnh với nhân tố quy mô.
Có thể thấy, phương trình (2.6) dung để hiệu chỉnh lượng mưa cho tương lai thực tế là một phương trình tổng quát hơn của phương trình (2.5).
Phương pháp xây dựng đường cong IDF
Đường cong IDF của mưa thể hiện mối quan hệ giữa cường độ mưa trong một khoảng thời gian nhất định và các tần suất lặp lại khác nhau, như đã nêu trong mục 1.2 Mối quan hệ này được minh họa rõ ràng qua hình 2.1 dưới đây.
Hình 2.2 Mối quan hê ̣ giữa xác suất tích lũy và đường cong IDF (Lê Minh Nhật
Dựa vào Hình 2.2, chúng ta có thể tính toán phân vị p i cho các giá trị mưa trong mỗi thời đoạn nhất định Phân vị này thể hiện tần suất lặp lại xác định và được tính toán theo công thức cụ thể.
Khi xác định một chu kỳ lặp lại, cường độ mưa cho từng thời đoạn riêng biệt có thể được tính toán dựa trên hàm phân bố tích lũy từ chuỗi số liệu Việc kết nối các giá trị cường độ mưa này theo nhiều thời đoạn sẽ tạo ra đường cong IDF cho mưa.
Sử dụng hàm phân bố cho các biến cực trị Gumbel (Liew và cộng sự, 2014; Wang và cộng sự, 2014), xác suất tích lũy tại một cường độ mưa I được tính toán như sau:
Từ phương trình (8), lấy logarit 2 lần đối với cả 2 vế nhâ ̣n được:
Sử du ̣ng phương trình (2.9) với 1 tần suất lă ̣p la ̣i T cho trước, các tham số 𝝁 𝒅 và
Tham số 𝝈 𝒅 là hai yếu tố quan trọng trong việc xác định giá trị cường độ mưa I trong khoảng thời gian d với tần suất lặp T năm Việc phân tích chuỗi số liệu này giúp đánh giá chính xác hơn về mức độ và tính chất của mưa trong khu vực nghiên cứu.
2.3.2 Phương pháp ha ̣ quy mô thời gian
Tính chất về quy mô (Scaling properties) đã được chứng minh qua nhiều nghiên cứu thực nghiệm Menabde (1999) đã thử sử dụng tính chất này để áp dụng cho cường độ mưa Phương pháp này cũng đã được ứng dụng trong nhiều nghiên cứu khác nhau trên thế giới về IDF của mưa, như nghiên cứu của Lê Minh Nhật (2008) và các tác giả khác.
(2007) [17, 18], Afrin và nnk (2015) [21], Wang và nnk (2014) [24]
Dấu "=" biểu thị sự tương đương về phân bố xác suất giữa hai phía, trong khi 𝜂 đại diện cho quy mô hàm mỹ Tỷ lệ d/D phản ánh mối quan hệ giữa hai giai đoạn mưa khác nhau Tính chất quy mô này có thể được diễn đạt dưới dạng phân bố tích lũy.
Kết hợp với phương trình (2.9), thu được:
Để thu giá trị quy mô mũ 𝜂, ta lấy lũy thừa 2 về lên bậc q và tính trung bình các giá trị này, từ đó xác định mối quan hệ giữa moment bậc q của hai hàm phân bố Biểu diễn mối quan hệ này trên đồ thị Log-Log cho thấy sự tương quan giữa hàm Log của các moment và hàm Log của các thời đoạn tương ứng với từng bậc q Tính toán hệ số góc của các đường quan hệ Log-Log cho các bậc q, và nếu các điểm nằm trên đường thẳng, ta gọi tính chất này là tính chất quy mô đơn giản (Simple Scaling) Ngược lại, nếu các điểm có dạng cong, tính chất này được gọi là quy mô phức (multi-scaling) Các bước này có thể được mô tả qua hình minh họa.
Hi ̀nh 2.3 Minh họa tính chất quy mô đơn và quy mô phức (Lê Minh Nhật, 2008)
Trong tương lai, phương pháp này sẽ được áp dụng để thu thập cường độ mưa thời đoạn ngắn từ dữ liệu mưa ngày đã được hiệu chỉnh Ngoài ra, phương pháp cũng được sử dụng cho thời kỳ hiện tại nhằm xác định mối quan hệ IDF Mức độ biến đổi của cường độ mưa (∆I) sẽ được tính toán cho từng thời đoạn và tần suất lặp lại khác nhau, nhằm đánh giá tác động của biến đổi khí hậu đến mối quan hệ IDF Cuối cùng, đường cong IDF trong tương lai sẽ được tính toán bằng cách cộng mức biến đổi ∆I với đường cong IDF hiện tại, được xây dựng từ số liệu quan trắc mưa thời đoạn ngắn.
Trong đó: I là cường độ mưa, T là tần suất lặp lại, d là thời đoạn, Fut biểu thị thời kỳ tương lai và his là thời kỳ hiện tại
Chương 3 Kết qua ̉ và thảo luâ ̣n
3.1 Đánh giá kỹ năng của phương pháp hiệu chỉnh sai số mưa
Một trong hai mục tiêu của luận văn này là áp dụng phương án hiệu chỉnh để loại bỏ sai số cho lượng mưa ngày tại khu vực Hà Nội, cụ thể tại trạm khí tượng Láng Kỹ năng của phương pháp Quantile-Mapping sẽ được đánh giá qua hai thời kỳ riêng biệt.
Thời kỳ cơ sở được lựa chọn trong nghiên cứu này là thời kỳ 30 năm 1976-
Năm 2005 đánh dấu mốc thời gian 30 năm trong kịch bản tương lai từ 2070 đến 2099 Kỹ năng hiệu chỉnh của phương pháp Quantile-Mapping sẽ được đánh giá dựa trên thời kỳ cơ sở này Đồng thời, để kiểm tra khả năng áp dụng trong tương lai, học viên sẽ tiếp tục hiệu chỉnh lượng mưa và thực hiện đánh giá cho một thời kỳ độc lập kéo dài 15 năm.
3.1.1 Đánh giá cho thời kỳ phụ thuộc
Hình 3.1 và các bảng 3.1, 3.2 so sánh biến trình năm của lượng mưa và tần suất số ngày mưa giữa phương án hiệu chỉnh và không hiệu chỉnh từ 5 phương án mô hình cùng số liệu quan trắc tại trạm Láng, Hà Nội trong giai đoạn 1976 – 2005 Phương pháp hiệu chỉnh đã cải thiện rõ rệt kỹ năng mô phỏng của mô hình, với tổng lượng mưa các tháng đều sát hơn với số liệu quan trắc Cụ thể, mô hình ACCESS1-0 cho thấy cải thiện đáng kể với sai số trung bình ME nhỏ hơn 10% cho hầu hết các tháng Hiệu chỉnh tần suất cũng giảm số ngày mưa chênh lệch so với thực tế Đối với mô hình GFDL-CM3 và GFDL-ESM2G, phương pháp Quantile – Mapping đã làm tăng lượng mưa trong các tháng 4, 5 và 3 tháng mùa thu, với sai số chỉ từ 0 đến 8%.
Mô hình GFDL-CM3 cho thấy lượng mưa vượt quá thực tế, đặc biệt trong tháng 7 và 8, khi thường xuyên dự báo mưa hàng ngày Phương pháp hiệu chỉnh đã cải thiện số ngày mưa, giúp kết quả gần sát hơn với thực tế Ngược lại, mô hình MRI-CGCM3 lại không mô phỏng tốt lượng mưa, với lượng mưa thấp hơn thực tế khoảng 150mm trong mùa hè và thu, nhưng sau khi hiệu chỉnh, số liệu đã phù hợp hơn Mặc dù mô hình này cho thấy số ngày mưa tương đối chính xác, vẫn có sự chênh lệch cao hơn thực tế trong mùa mưa Đối với mô hình NorESM1-M, lượng mưa được mô phỏng khá tốt, với sai số từ -1 đến 5% trong mùa hè và thu, nhưng mô hình này lại không phản ánh chính xác số ngày mưa, cho thấy rõ vai trò của phương pháp hiệu chỉnh.
So sánh biến trình năm của lượng mưa và tần suất số ngày mưa giữa số liệu quan trắc, mô hình thô và mô hình sau hiệu chỉnh giai đoạn 1976-2005 cho thấy sự khác biệt đáng kể giữa các mô hình khí hậu Cụ thể, mô hình ACCESS1-0, GFDL-CM3, GFDL-ESM2G và MRI-CGCM3 đều có những điểm khác biệt so với số liệu quan trắc, đặc biệt là về lượng mưa và tần suất số ngày mưa Tuy nhiên, sau khi hiệu chỉnh, các mô hình này đã cho kết quả gần giống với số liệu quan trắc hơn, chứng tỏ hiệu quả của quá trình hiệu chỉnh trong việc cải thiện độ chính xác của mô hình khí hậu.
Bảng 3.1 Sai số trung bình ME trong mô phỏng lượng mưa tại trạm Láng thời kỳ
1976-2005; BC: sau hiệu chỉnh, Raw: Chưa hiệu chỉnh Đơn vị: %
ACCESS1-0 GFDL-CM3 GFDL-ESM2G MRI-CGCM3 NorESM1-M Tháng BC Raw BC Raw BC Raw BC Raw BC Raw
Bảng 3.2 Sai số trung bình ME trong mô phỏng số ngày mưa tại trạm Láng thời kỳ
1976-2005; BC: sau hiệu chỉnh, Raw: Chưa hiệu chỉnh Đơn vị: Ngày
Mô hình Sai số ME trong mô phỏng số ngày mưa
ACCESS1-0 GFDL-CM3 GFDL-ESM2G MRI-CGCM3 NorESM1-M Tháng BC Raw BC Raw BC Raw BC Raw BC Raw
Nghiên cứu này tập trung vào lượng mưa cực đoan tại Hà Nội, không chỉ đánh giá biến trình năm mà còn xem xét tần suất số ngày mưa Hình 3.2 so sánh lượng mưa ngày lớn hơn phân vị 95% giữa mô hình và mô hình đã được hiệu chỉnh với số liệu quan trắc trong 30 năm (1976 - 2005) Kết quả cho thấy, giá trị mưa cực trị sau khi hiệu chỉnh gần sát với thực tế hơn, với sai số trung bình ME dao động từ -16.9% đến -6%, trong khi phương án không hiệu chỉnh có sai số khoảng -70% (Bảng 3.3) Điều này chứng tỏ phương pháp hiệu chỉnh rất hiệu quả trong việc giảm thiểu sai số hệ thống đối với lượng mưa ngày, cả về giá trung bình lẫn giá trị cực đoan.
Hình 3.2 Q-Q plot của lượng mưa cực trị (>= phân vị 95%) từ mô hình (xanh) và mô hình sau hiệu chỉnh (đỏ) giai đoạn
1976 - 2005; a) ACCESS1-0, b) GFDL- CM3, c) GFDL-ESM2G, d) MRI- CGCM3, e) NorESM1-M a) b) c) d) e)
Bảng 3.3 Sai số trung bình ME trong mô phỏng lượng mưa cực trị (>= phân vị 95%) thời kỳ 1976-2005; BC: sau hiệu chỉnh, Raw: Chưa hiệu chỉnh Đơn vị: %
Mô hình Phương án ME
Xây dựng đường cong IDF cho khu vực Hà Nội
Trong bài viết này, đường cong IDF cho khu vực Hà Nội được xây dựng dựa trên số liệu quan trắc mưa trong 30 năm (1976 - 2005) Các kết quả dự đoán lượng mưa, sau khi áp dụng phương pháp hiệu chỉnh thống kê, được sử dụng để đánh giá sự biến đổi trong tương lai của đường cong IDF theo các kịch bản RCP4.5 và RCP8.5.
3.2.1 Đường cong IDF cho thời kỳ hiện tại
Hình 3.5 minh họa các đường cong IDF của mưa tại trạm Láng (Hà Nội) trong giai đoạn 1976 – 2005 Các giá trị cường độ mưa tương ứng với các thời đoạn và tần suất lặp lại khác nhau được trình bày trong Bảng 3.7 Cường độ mưa trung bình đã được tính toán cho 6 tần suất lặp lại khác nhau.
2 năm, 5 năm, 10 năm, 25 năm, 50 năm và 100 năm, và 9 thời đoạn từ 15 phút cho đến
Trong 24 giờ, với tần suất lặp lại 100 năm, sự kiện mưa này rất hiếm gặp, với cường độ mưa trung bình trong 15 phút tại trạm Láng đạt 206 mm/giờ Điều này có nghĩa là nếu cường độ mưa này duy trì trong 15 phút, tổng lượng mưa thu được sẽ khoảng 52 mm Thực tế, số liệu quan trắc trong 30 năm từ 1976 đến nay cho thấy sự khan hiếm của hiện tượng này.
Kể từ năm 2005, chưa từng xảy ra sự kiện mưa nào có cường độ lớn hơn hoặc bằng cường độ mưa ghi nhận trong bài viết này Sự kiện mưa có cường độ gần nhất là vào năm 2005, khi tổng lượng mưa trong 15 phút đạt 50.5 mm.
Cường độ mưa trung bình trong 1 giờ với tần suất lặp lại 100 năm là 148.3 mm/giờ, chưa từng ghi nhận trong 30 năm quan trắc Trong 24 giờ, cường độ mưa trung bình là 18.7 mm/giờ, và cả ba cường độ mưa tiêu biểu cho tần suất 100 năm đều chưa xuất hiện trong lịch sử quan trắc Đối với tần suất 25 năm, cường độ mưa 15 phút đạt 175.4 mm/giờ, tương ứng với lượng mưa tích lũy 43.8 mm, trong khi cường độ 60 phút là 121.3 mm/giờ, đã ghi nhận một lần vào năm 1984 Cường độ mưa 24 giờ tại trạm Láng là 14.5 mm/giờ, với ba sự kiện chỉ xuất hiện một lần trong 30 năm Với tần suất 2 năm, cường độ 15 phút là 113.3 mm/giờ, xuất hiện 18 lần trong 30 năm, trong khi cường độ 1 giờ là 66.6 mm/giờ, có 16 sự kiện vượt mức này Cuối cùng, cường độ mưa 24 giờ cho tần suất 2 năm là 6.1 mm/giờ, với 14 lần ghi nhận lớn hơn mức này, cho thấy các cường độ mưa xuất hiện với tần suất khoảng 2 năm một lần, khẳng định tính chính xác của phương pháp phân tích tần suất trong nghiên cứu tại trạm khí tượng Láng, Hà Nội.
Hình 3.5 Đường cong IDF của mưa tại trạm Láng (Hà Nội) giai đoạn 1976 - 2005
Bảng 3.7 Cường độ mưa ứng với các thời đoạn và tần suất lặp lại khác nhau tại trạm Láng (Hà Nội) giai đoạn 1976 – 2005 Đơn vị: mm/giờ
3.2.2 Đường cong IDF cho thời kỳ tương lai dưới tác động của biến đổi khí hậu
Trong bài viết này, đường cong IDF của mưa tại trạm Láng được xây dựng dựa trên thông tin dự đoán lượng mưa đã được hiệu chỉnh từ năm phương án mô hình khác nhau Phương án đánh giá và nhận xét được trình bày dưới đây được thu thập từ việc áp dụng tổ hợp trung bình cho cường độ mưa theo các thời đoạn và tần suất lặp lại tương ứng, đặc biệt theo kịch bản RCP4.5.
Hình 3.6 dưới đây biểu diễn đường cong IDF của mưa tại trạm Láng giai đoạn
Từ năm 2070 đến 2099 theo kịch bản RCP4.5, cường độ mưa và tần suất lặp lại đều gia tăng so với giai đoạn 1976 – 2005 Cụ thể, đối với tần suất lặp lại 100 năm, cường độ mưa trong 15 phút dự kiến đạt 293.7 mm/giờ, tăng 42.6% Nếu duy trì liên tục, tổng lượng mưa tích lũy sẽ vượt 73mm Trong 60 phút, cường độ mưa trung bình sẽ tăng 43%, đạt 212.1 mm/giờ Đối với tần suất lặp lại 100 năm, cường độ mưa trung bình trong 24 giờ sẽ là 28.9 mm/giờ, tăng 54% so với giai đoạn cơ sở Đối với tần suất lặp lại 25 năm, cường độ mưa trong 15 phút sẽ tăng 36.2%, đạt 238.8 mm/giờ, vẫn cao hơn nhiều so với cường độ mưa 15 phút của tần suất lặp lại.
Trong 100 năm tới, tần suất các sự kiện mưa hiếm sẽ gia tăng đáng kể so với hiện tại Cường độ mưa trung bình trong 1 giờ dự kiến sẽ đạt 166.6 mm/giờ, tăng 37.4% so với thời kỳ cơ sở Trong khi đó, cường độ mưa trung bình trong 24 giờ vào cuối thế kỷ sẽ là 21.7 mm/giờ, tăng 49.4% Đối với tần suất lặp lại 2 năm, cường độ mưa trung bình trong 15 phút sẽ là 121.6 mm/giờ, tăng 7.2% Cường độ mưa trong 60 phút cũng tăng 11% so với thời kỳ cơ sở, đạt 73.9 mm/giờ Cuối cùng, cường độ mưa trung bình trong 24 giờ sẽ là 7.8 mm/giờ, tăng 28.4% so với thời kỳ cơ sở.
Hình 3.6 Đường cong IDF của mưa tại trạm Láng (Hà Nội) giai đoạn 2070 – 2099 theo kịch bản RCP4.5
Bảng 3.8 trình bày mức biến đổi của cường độ mưa tại trạm Láng (Hà Nội) trong giai đoạn 2070 – 2099 theo kịch bản RCP4.5, với các tần suất lặp lại khác nhau được thể hiện bằng đơn vị phần trăm (%).
Theo kịch bản RCP4.5, bảng 3.9 trình bày cường độ mưa tại trạm Láng (Hà Nội) trong giai đoạn 2070 – 2099, với các thời đoạn và tần suất lặp lại khác nhau, được đo bằng đơn vị mm/giờ.
100 Năm 293.7 265.6 212.1 159.2 135.2 83.9 56.6 43.1 28.9 b) Theo kịch bản RCP8.5
Theo các bảng 3.10 và 3.11, thông tin về đường cong IDF tại trạm Láng theo kịch bản RCP8.5 cho thấy cường độ mưa sẽ tăng trong giai đoạn 2070 – 2099 Cụ thể, đối với tần suất lặp lại 100 năm, cường độ mưa 15 phút dự kiến đạt 285.9 mm/giờ, tăng 38.8% so với hiện tại Cường độ mưa 1 giờ cũng tăng 35.4%, đạt 200.8 mm/giờ, trong khi cường độ mưa 24 giờ ghi nhận mức tăng cao nhất là 63.2%, đạt 30.6 mm/giờ Đối với tần suất lặp lại 25 năm, cường độ mưa 15 phút sẽ là 233.6 mm/giờ, tăng 33.2%, và cường độ mưa 60 phút là 157.9 mm/giờ, tăng 30.2% Cuối cùng, với tần suất lặp lại 2 năm, cường độ mưa 15 phút sẽ đạt 119.6 mm/giờ, tăng 5.4%, trong khi cường độ mưa 60 phút và 24 giờ lần lượt là 68.4 mm/giờ và 8.4 mm/giờ.
Hình 3.7 Đường cong IDF của mưa tại trạm Láng (Hà Nội) giai đoạn 2070 – 2099 theo kịch bản RCP8.5
Bảng 3.10 trình bày mức biến đổi của cường độ mưa tại trạm Láng (Hà Nội) trong giai đoạn 2070 – 2099 theo kịch bản RCP4.5, với các thời đoạn và tần suất lặp lại khác nhau Dữ liệu được thể hiện dưới dạng phần trăm, cho thấy sự thay đổi rõ rệt trong lượng mưa dự báo.
Bảng 3.11 trình bày cường độ mưa tại trạm Láng (Hà Nội) cho các thời đoạn và tần suất lặp lại khác nhau trong giai đoạn 2070 – 2099, dựa trên kịch bản RCP8.5, với đơn vị đo là mm/giờ.
Nhận xét chung cho thấy rằng vào cuối thế kỷ, cường độ mưa sẽ tăng lên ở mọi thời đoạn và tần suất lặp lại Các sự kiện mưa hiếm sẽ xảy ra nhiều hơn trong tương lai theo cả hai kịch bản RCP4.5 và RCP8.5 Mức tăng cường độ mưa lớn dần theo thời gian và tần suất, với kịch bản RCP4.5 dự báo cường độ mưa trong 15 phút tăng từ 7.2% đến 42.6% và trong 24 giờ từ 28.4% đến 54% Trong khi đó, kịch bản RCP8.5 cho thấy mức tăng cường độ mưa dao động từ 5.4% đến 38.8% cho 15 phút và từ 38% đến 63% cho 24 giờ Điều này cho thấy kịch bản RCP4.5 có mức tăng lớn hơn cho thời đoạn 15 phút, trong khi RCP8.5 lại cao hơn cho thời đoạn 24 giờ.
3.2.3 Tính chưa chắc chắn trong xây dựng đường cong IDF cho tương lai
Trong phần này, chúng tôi xem xét và tính toán tính không chắc chắn trong việc xây dựng đường cong IDF cho giai đoạn cuối thế kỷ Bằng cách sử dụng 5 phương án tính toán khác nhau, chúng tôi sẽ tính toán các phân vị 25% và 75%, và thể hiện kết quả qua biểu đồ Box Plot cùng với các bảng dữ liệu Dưới đây là những nhận xét và đánh giá từ các kết quả này.