Đối với các chuỗi dữ liệu trong tương lai có xét đến ảnh hưởng của biến đổi khí hậu thì việc áp dụng các hàm phân bố xác suất cần phải chú ý đến giả thiết ổn định của các chuỗi dữ liệu n
TẠP CHÍ KHÍ TƯỢNG THỦY VĂN Bài báo khoa học Ứng dụng phương pháp hiệu chỉnh sai số Quantile Mapping hàm phân bố cực trị tổng quát GEV vào đánh giá ảnh hưởng biến đổi khí hậu đến mưa cực trị Trịnh Xuân Mạnh1*, Trần Quốc Việt1, Lê Thị Thường1 Đại học Tài Nguyên Môi Trường Hà Nội; txmanh@hunre.edu.vn; tqviet@hunre.edu.vn; ltthuong.kttv@hunre.edu.vn *Tác giả liên hệ: txmanh@hunre.edu.vn; Tel: +84–916459161 Ban Biên tập nhận bài: 12/11/2023; Ngày phản biện xong: 25/12/2023; Ngày đăng bài: 25/4/2024 Tóm tắt: Bài báo đánh giá ảnh hưởng biến đổi khí hậu đến lượng mưa cực trị số trạm mưa điển hình thuộc tỉnh Quảng Ngãi, tỉnh nằm khu vực Nam Trung Bộ nước ta Trong nghiên cứu này, liệu kịch biến đổi mưa tương lai trích xuất từ mơ hình khí hậu khu vực REMO-MPI-ESM-LR cho kịch cực đoan RCP8.5 Dữ liệu kịch hiệu chỉnh sai số thông qua phương pháp ánh xạ phân vị dựa vào hàm phân bố Gamma-Pareto (distribution-based quantile mapping) Ngoài ra, hàm phân bố giá trị cực trị tổng quát (GEV) đặc biệt sử dụng với hai mơ hình ổn định bất ổn định cho việc tính tốn tần suất mưa thiết kế khác gồm 1, 2, 10% Trong kịch biến đổi mưa tương lai trích xuất từ mơ hình khí hậu khu vực REMO-MPI-ESMLR cho kịch cực đoan RCP8.5 Kết nghiên cứu cho thấy lượng mưa ngày lớn địa bàn tỉnh Quảng Ngãi có gia tăng đáng kể tương lai, vào khoảng 10 đến 15% so với thời kì sở Mức biến đổi lượng mưa ngày lớn ứng với giá trị tần suất 1, 10% có giá trị thấp 14,5% lớn 31,7% Bên cạnh đó, báo việc hiệu chỉnh sai số hệ thống từ mơ hình khí hậu cần thiết Đối với chuỗi liệu tương lai có xét đến ảnh hưởng biến đổi khí hậu việc áp dụng hàm phân bố xác suất cần phải ý đến giả thiết ổn định chuỗi liệu nhằm xác định hàm phân bố với mơ hình liệu phù hợp Từ khóa: Hiệu chỉnh sai số; Mưa cực trị; Mơ hình khí hậu khu vực; Tần suất mưa thiết kế Giới thiệu Biến đổi khí hậu (BĐKH) nước biển dâng đã, có tác động mạnh mẽ đến nguồn tài nguyên thiên nhiên mơi trường nói chung, chu trình thủy văn tài nguyên nước nói riêng Theo báo cáo đặc biệt Ủy Ban Liên Chính Phủ Biến đổi khí hậu (IPCC) SR1.5 đời vào năm 2018 cho biết: đến năm 2017 nhiệt độ tồn cầu tăng khoảng 1oC so với thời kì tiền cơng nghiệp Nếu xu tiếp tục kéo dài tương lại tương lai gần nhiệt độ tồn cầu đạt mức tăng 1,5oC từ năm 2030 đến năm 2052 Mực nước biển trung bình tồn cầu dự báo tăng vào khoảng 0,26 đến 0,77 m vào cuối kỉ nhiệt độ trái đất tăng 1,5oC Các rủi ro liên quan đến khí hậu gây nhiều tác động tiêu cực cho môi trường tự nhiên người [1] Theo báo cáo Ngân hàng giới ngân hàng Phát triển Châu Á [2], Việt Nam đánh giá nước giới chịu ảnh hưởng nhiều biến đổi khí hậu nước biển dâng Các tỉnh ven biển Việt Nam đóng vai trị vơ quan trọng phát triển kinh tế xã hội đất nước Cùng với trình thị hóa diễn mạnh mẽ khu vực Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 http://tapchikttv.vn/ Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 42 mang đến nhiều hội việc làm định cư cho người dân dẫn đến khu vực chịu ảnh hưởng nặng nề tượng tự nhiên cực đoan Nghiên cứu liên quan đến biến đổi khí hậu ảnh hưởng biến đổi khí hậu đến trình chu trình thủy văn tài nguyên nước thực tương đối nhiều năm vừa qua, nói chủ đề đáng quan tâm thập kỉ gần Trên giới, kể đến nghiên cứu [3–5] tác động biến đổi khí hậu đến chế độ thủy văn, cấp nước, chất lượng nước, vận chuyển bùn cát Ngồi số nghiên cứu liên quan đến tính tốn dự báo tác động biến đổi khí hậu đến lũ ngập lụt thực số tác giả khác [7–9] Tại Việt Nam, số tác giả [10–13] thực nghiên cứu đánh giá ảnh hưởng BĐKH đến lượng mưa số khu vực Việt Nam Ngoài Việt Nam cịn có nhiều nghiên cứu khác công bố liên quan đến đánh giá ảnh hưởng BĐKH đến lũ ngập lụt, dòng chảy chế độ thủy văn số sơng lớn Có thể nói nghiên cứu liên quan đến biến đổi khí hậu ảnh hưởng vơ đa dạng phong phú Tuy nhiên nhận thấy nghiên cứu phần lớn sử dụng kĩ thuật chi tiết hóa bao gồm động lực thống kê cho việc xác định biến đổi khu vực hay lưu vực sông với quy mơ nhỏ Ngồi ra, phần lớn nghiên cứu sử dụng mơ hình khí hậu tồn cầu để trích xuất liệu chủ yếu với kích thước lưới tính tốn tương đối thơ, vào khoảng 100-400 km Việc sử dụng lưới lớn gây sai số định cho việc dự đốn biến đổi yếu tố khí tượng quy mơ nhỏ [14] Trong để khắc phục tồn phương pháp chi tiết hóa động lực lựa chọn thích hợp, nhiên phương pháp đòi hỏi yêu cầu lớn liệu, tài nguyên máy tính chi phí Một cách tiếp cận gần sử dụng mơ hình khí hậu khu vực thay cho mơ hình khí hậu tồn cầu Các mơ hình thường cung cấp liệu lưới có kích thước nhỏ nhiều (20-50 km2) so với mô hình khí hậu tồn cầu Thêm vào đó, để tránh việc sử dụng trực tiếp liệu từ mô hình khí hậu nói chung phương pháp hiệu chỉnh sai số ứng dụng phổ biến Đặc biệt, năm gần phương pháp sử dụng hàm phân bố kết hợp đề xuất [15] chứng minh tính hiệu việc hiệu chỉnh sai số cho chuỗi liệu thu thập từ mơ hình khí hậu khu vực Nghiên cứu tập trung vào việc đánh giá biến đổi giá trị mưa cực trị sử dụng liệu thu thập từ mơ hình khí hậu khu vực REMO2015, mơ hình tính toán dựa liệu cung cấp mơ hình khí hậu tồn cầu MPI-ESM-LR sử dụng phương pháp chi tiết hóa động lực, với độ phân giải cao vào khoảng 25 × 25 km Tồn liệu thu thập hiệu chỉnh sai số sử dụng phương pháp hiệu chỉnh sai số GammaPareto Quantile Mapping (GPQM) Dữ liệu mưa cực trị sau hiệu chỉnh sai số phân tích tần suất sử dụng hàm phân bố giá trị cực trị tổng quan (GEV) với hai mơ hình ổn định bất ổn định nhằm đánh giá biến đổi mưa cực trị tương lai Trong đó, phương pháp ước lượng khả tối đa (Maximum Likelihood Estimation) lựa chọn để tính tốn thời kì lặp lại giá trị mưa cực trị tương ứng với tần suất thiết kế lựa chọn Số liệu phương pháp nghiên cứu 2.1 Giới thiệu khu vực nghiên cứu Quảng Ngãi tỉnh ven biển thuộc khu vực Nam Trung Bộ nước ta lựa chọn làm khu vực nghiên cứu báo có số lượng trạm đo điểm đo mưa phân bố đồng tỉnh có nguồn liệu mưa thu thập tương đối đầy đủ phục vụ nghiên cứu nhóm tác giả Tỉnh Quảng Ngãi có tọa độ địa lí trải dài từ 14°32′B đến 15°25′B, từ 108°06′Đ đến 109°04′Đ Phía tây tỉnh dãy núi Trường Sơn giáp tỉnh Kon Tum với chiều dài đường địa giới 79 km, phía đơng tiếp giáp với Biển Đơng có Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 43 chiều dài đường bờ biển vào khoảng 144 km, phía bắc tiếp giáp tỉnh Quảng Nam với chiều dài đường ranh giới vào khoảng 98 km, phía nam giáp tỉnh Bình Định với chiều dài đường địa giới 83 km, cuối phía tây nam giáp tỉnh Gia Lai với chiều dài đường địa giới khoảng 10 km [16] (Hình 1) Địa hình tỉnh Quảng Ngãi phức tạp Địa hình có xu thấp dần từ tây sang đơng với dạng địa hình phong phú bao gồm dãy núi cao, tiếp đến địa hình núi thấp đồi xen kẽ đồng bằng, có nơi núi chạy sát biển, cuối vùng đồng ven biển, Quảng Ngãi có khí hậu đặc trưng loại khí hậu nhiệt đới gió mùa Nhiệt độ trung bình tỉnh vào khoảng 25-26,9°C Khí hậu nơi phân hóa thành mùa rõ rệt, gồm mùa mưa mùa nắng Trong tỉnh, lượng mưa trung bình 2.198 mm/năm, tập trung nhiều vào tháng 9, 10, 11, 12 tháng khác khơ hạn Trong đó, tổng lượng mưa trung bình năm khu vực ven biển vào khoảng 2.200 đến 2.500 mm khu vực núi cao phía tây dao động khoảng 3.000 đến 3.500 mm [16] Trong tỉnh có hệ thống sơng suối lớn nhỏ dày đặc bao gồm sông Trà Khúc, Vệ, Trà Câu, Trà Bồng Các sông mang nét đặc trưng hệ thống sông suối khu vực miền trung Việt Nam nói chung ngắn, độ dốc lớn bị cắt xẻ mạnh địa hình nên lũ ngập lụt khu vực khốc liệt Trong tỉnh có nhiều trạm đo mưa điểm đo mưa, phải kể đến số trạm quan trắc có chuỗi số liệu dài đồng Quảng Ngãi, An Chỉ, Ba Tơ, Giá Vực, Sơn Giang Trà Bồng (Hình 1) Hình Vị trí tỉnh Quảng Ngãi hệ thống sông suối trạm đo mưa 2.2 Số liệu thu thập Số liệu sử dụng cho tính tốn báo mưa, bao gồm mưa ngày mưa Các số liệu trạm thu thập chủ yếu từ Tổng cục Khí tượng Thủy văn Đài Khí tượng Thủy văn Tỉnh Quảng Ngãi Thời gian thu thập liệu khứ từ năm 1977 đến 2019 Dữ liệu biến đổi khí hậu thu thập từ CORDEX-SEA (Coordinated Regional Climate Downscaling Experiment - Southeast Asia), diễn đàn chương trình nghiên cứu khí tượng giới thành lập cho phép thực hoạt động nghiên cứu liên quan đến chi tiết hóa khí hậu khu vực chia sẻ liệu khí hậu cho cộng đồng [17] CORDEX Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 44 có khoảng 14 vùng chính, CORDEX-SEA vùng gần chia sẻ liệu khí hậu (https://cordex.org), cung cấp liệu cho khu vực Đông Nam Á Mơ hình khí hậu động lực khu vực REMO (Regional Model) phát triển Viện nghiên cứu Khí tượng Max-Planck, Đức Sau mơ hình tiếp tục phát triển hoàn thiện Trung tâm dịch vụ khí tượng thành phố Hamburg, CHLB Đức (https://www.remorcm.de) Mơ hình REMO sử dụng để chi tiết hóa động lực liệu từ mơ hình tồn cầu MPI-ESM-LR (Max-Planck Institute Earth System Model-Low Resolution) phát triển viện nghiên cứu để chuyển đổi liệu từ độ phân giải không gian lớn (1,8653o × 1,875o) đến lưới có độ phân giải chi tiết (0,22o × 0,22o ~25 km) Do liệu thu thập từ việc kết nói hai mơ hình khí hậu sử dụng cho việc dự báo biến đổi mưa tương lại khu vực nghiên cứu dựa kịch phát thải cao RCP8.5 2.3 Phương pháp tính tốn Các phương pháp hiệu chỉnh sai số (Bias-Correction) chứng minh tính hiệu việc làm giảm sai số hệ thống liệu lượng mưa thu thập từ mơ hình khí hậu tồn cầu nói chung [18] Trong tất phương pháp hiệu chỉnh sai số phương pháp ánh xạ phân bố cho thấy tính hiệu cao việc hiệu chỉnh sai số giá trị cực trị Mục đích phương pháp chuyển đổi liệu mơ hình hóa để chúng có phân bố xác suất giống liệu thực đo thông qua hàm chuyển đổi (Hình 2) Hình Phương pháp chuyển đổi hàm phân bố xác suất Như giới thiệu phương pháp Gamma-Pareto dựa kết hợp hai hàm phân bố phổ biến hàm phân bố Gamma phân bố Pareto tổng quát Cụ thể, hàm phân bố Gamma sử dụng để hiệu chỉnh phần đường cong phân bố, hàm phân bố Pareto dùng cho việc hiệu chỉnh phần đuôi đường phân bố xác suất mà mô tả giá trị cực trị chuối số liệu Một khung phương pháp đánh giá dựa ngơn ngữ lập trình R bao gồm số gói tính tốn sử dụng cho việc tính hiệu chỉnh sai số sử dụng phương pháp nêu (Climate4R) Theo đó, phương pháp GammaPareto hàm chuyển đổi mơ tả cơng thức tốn học đây: x F(x|α, β) = α ∫ t α−1 e−t/β dt; x ≥ 0; α, β > β Γ(α) (1) ξx ) , if ξ ≠ ̃ σ F(x) = Pr(X − u ≤ x|X > u) = { x − exp (− ) , if ξ = ̃ σ (2) − (1 + Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 y={ 45 −1 Fobs,gamma (Fmod,gamma ), if x ≤ 95th or 99th percentile (3) −1 Fobs,GPD (Fmod,GPD ), if x > 95th or 99th percentile Trong Fobs,gamma Fobs,GPD hai hàm phân bố Gamma and Pareto tổng quát liệu thực đo; Fmod,gamma Fmod,GPD hai hàm phân bố Gamma and Pareto tổng quát liệu thu thập từ mơ hình REMO- MPI-ESM-LR; F-1 hàm nghịch đảo; α β hai hệ số hình dạng tỉ lệ hàm Gamma; u ngưỡng tính tốn, σ ̃ = σ + ξ(u − μ) thông số tỉ lệ tham số hóa, μ thơng số vị trí, and ξ thơng số hình dạng Để đánh giá hiệu việc hiệu chỉnh sai số liệu chia thành hai thời đoạn cho tính tốn thực đo gồm giai đoạn hiệu chỉnh (1977-1995) kiểm định (1996-2005) Hai hàm mục tiêu gồm RMSE vad NSE sử dụng để đánh giá sai số tính tốn thực đo Cơng thức hai hàm trình bày sau: ∑ni=1(Obsi − Modi )2 NSE = − (4) ̅̅̅̅̅)2 ∑ni=1(Obsi − Obs ∑n i=1(Obsi −Modi ) RMSE = √ r (5) ̅̅̅̅̅ Trong Obsi Modi giá trị thực đo tính tốn thời điểm (i), Obs giá trị thực đo trung bình n độ dài chuỗi số liệu Thơng thường số khí hậu đưa để dễ dàng tính tốn thay đổi biến động yếu tố khí tượng 27 số khí hậu cực đoan để xuất nhóm nhà khoa học khí tượng biến đổi khí hậu tài trợ chương trình nghiên cứu khí hậu giới (Expert Team on Climate Change Detection and Indices (ETCCDI) (https://www.wcrp-climate.org/etccdi) Trong 27 số có 16 số liên quan đến nhiệt độ 11 số liên quan đến mưa Trong nghiên cứu số mưa liên quan đến cường độ thời gian lựa chọn để đánh giá bao gồm mưa ngày lớn (RX1day mm), mưa ngày lớn (RX5day - mm), tổng lượng mưa phân vị 95th (R95p -mm), số ngày có mưa lớn 50 mm (R50mm - day) Về hàm phân bố xác suất, thấy nhiều thập kỉ vừa qua, khoa học xác suất thống kê đóng vai trị quan trọng ngành khoa học ứng dụng nói chung Một điều đáng lưu ý ngày biến đổi dao động khí hậu diễn mạnh mẽ mà giả thiết ổn định bất ổn định chuỗi liệu phân tích tần suất cần phải xem xét [19] Nhằm có đánh giá giả thiết báo hàm phân bố xác suất cực trị tổng quát (GEV) ứng dụng Theo đó, giá trị mưa cực trị trích xuất từ chuỗi liệu khứ tương lai sử dụng để tính tốn Thơng thường phân bố giá trị cực trị thường bao gồm ba họ Gumbel, Fréchet, and Weibull Hàm phân bố GEV xây dựng sở tổng hợp ba hàm phân bố vừa nêu hàm lựa chọn dựa vào phù hợp tham số, ví dụ tham số hình dạng ξ Đối với giá trị lớn hàm phân bố lũy tích (CDF) phân bố GEV thể thông qua biểu thức đây: n −1 z−μ ξ G(z) = exp {− [1 + ξ ( )] } , ξ ≠ 0, −∞ < μ < ∞, σ > 0, −∞ < ξ < ∞, σ (6) Trong μ, σ, ξ thơng số vị trí, tỷ lệ hình dạng z giá trị lớn Với ξ > phương trình có phân bố Fréchet, với ξ < phương trình có phân bố Weibull, với ξ = phương trình có phân bố Gumbel Nhiều phương pháp phát triển để ước lượng tham số cho phân bố GEV, ví dự như: Maximum Likelihood (MLE), Generalized Maximum Likelihood Estimators (GMLE), Probability Weighted Moment, L-moments Method of Moments Trong nghiên cứu phân bố GEV sử dụng để tính tốn cho hai giả thiết liệu ổn định bất ổn định (có xu thế) tương ứng với hai mơ hình tính ổn định bất ổn định Theo đó, mơ hình ổn định (M1) dựa vào giả thiết tham số phân bố khơng biến đổi theo thời gian Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 46 Trong đó, mơ hình bất ổn định (M2) dựa vào giả thiết tham số biến đổi theo thời gian Đối với mơ hình phạm vi nghiên cứu báo sử dụng tham số biến đổi μ Các mơ hình mơ tả sau: M1: Mơ hình ổn định Tất tham số số GEV (μt=μ0, σt=σ0, ξt= ξ0) M2: Mơ hình bất ổn định Tham số vị trí biến đổi theo thời gian, tham số khác tỷ lệ hình dạng số GEV (μt = μ0 + μ1t, σt = σ0, ξt = ξ0) Để lựa chọn mơ hình phù hợp cho phân bố GEV hệ số kiểm tra tỉ lệ khả (likelihood ratio test) sử dụng với mức ý nghĩa p-value 5%, mức ý nghĩa đưa ta dựa đề xuất [19] Ngồi hệ số AIC (Akaike Information Criterion) giới thiệu Akaike (1973) ứng dụng để lựa chọn mơ hình phù hợp Theo mơ hình phù hợp phải cho hệ số AIC bé Các tính tốn sử dụng mơ hình đề xuất thực gói cơng cụ extRemes package phần mềm R [20] Kết thảo luận 3.1 Hiệu chỉnh sai số Như trình bày phần trước, liệu mưa tính tốn theo kịch BĐKH trích xuất từ mơ hình khí hậu tổ hợp REMO-MPI-ESM-LR dùng để hiệu chỉnh sai số báo cách sử dụng phương pháp ánh xạ phân vị dựa vào phân bố xác suất Theo hai phân bố xác suất Gamma Pareto tổng quát sử dụng với ngưỡng phân vị định Trong báo này, điểm phân vị 95th đề xuất sử dụng bới có nhiều nghiên cứu sử dụng giá trị Trên địa bàn tỉnh Quảng Ngãi có nhiều trạm đo mưa giới thiệu Mục - Khu vực nghiên cứu, nhiên qua trình thu thập xử lý số liệu thu thập nhóm tác giả nhận thấy với hạn chế số liệu số năm đo không liên tục, bảng số liệu không đầy đủ, độ dài liệu không đảm bảo nên hai trạm mưa Trà Bồng Quảng Ngãi (Hình 1) sử dụng tính tốn Ngồi việc phân tích mưa cực trị liệu mưa tháng sử dụng để đánh giá sơ biến đổi mưa theo mùa Để đánh giá biến động mưa sử dụng giá trị mưa thô (chưa hiệu chỉnh), mưa thực đo, mưa hiệu chỉnh để so sánh Kết nghiên cứu hình cho thấy biến động theo mùa (mùa mưa mưa khô) mô lại tương đồng Giá trị trung vị trung bình chuỗi liệu hiệu chỉnh thực đo tương đối giống Tuy nhiên nhận thấy có khác biệt rõ rệt trạm Trà Bồng mùa mưa Ngoài ra, biểu đồ hộp (box plots) cho thấy liệu thơ có phạm vi biến động rộng so với liệu thực đo Như nhận thấy sau hiệu chỉnh sai số biến động mưa theo mùa tương đối hợp lí, điều cho thấy phương pháp ứng dụng có khả hiệu chỉnh sai số tổng lượng mưa tháng bình quân Tiếp theo, mục tiêu nghiên cứu tập trung vào việc hiệu chỉnh sai số lượng mưa cực trị cho giai đoạn kiểm định trước ứng dụng cho dự đoán biến đổi lượng mưa cực trị tương lai Kết so sánh lượng mưa cực trị ba chuỗi liệu gồm mưa chưa hiệu chỉnh, mưa thực đo mưa hiệu chỉnh thể hình ảnh bảng Bảng Thống kê sai số đánh giá liệu thô liệu sau hiệu chỉnh sai số NSE Chỉ số RX1day RX5day R50mm R95p Trà Bồng Thô GPQM -1,55 -0,25 -0,97 -1,65 -1,32 -4,05 -1,24 -0,50 Quảng Ngãi Thô GPQM -11,84 -1,89 -5,10 -2,60 -0,04 -3,55 -3,56 -0,37 RMSE Trà Bồng Thô GPQM 160 100 326 378 10 14 1167 957 Quảng Ngãi Thô GPQM 216 102 377 289 12 1036 568 47 Lượng mưa tháng (mm/tháng) Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 Lượng mưa tháng (mm/tháng) (a) (b) Hình So sánh biến động lượng mưa cực trị theo mùa liệu gồm mưa chưa hiệu chỉnh (thô), mưa thực đo (OBS) mưa sau hiệu chỉnh sai số (GPQM) trạm Quảng Ngãi (a) Trà Bồng (b) Kết tính tốn cho thấy, nhìn chung lượng mưa lớn ngày (RX1day) sau hiệu chỉnh sai số cho kết khả quan so với trước hiệu chỉnh so sánh với giá trị thực đo hai trạm Trà Bồng Quảng Ngãi Tuy nhiên thấy kết hiệu chỉnh RX1day thiên lớn so với giá trị thu thập từ mơ hình khí hậu khu vực Bảng cho thấy sai số thống kê RX1day cải thiện đáng kể sau áp dụng phương pháp hiệu chỉnh sai số Cụ thể, giá trị NSE giảm từ - 1,55 cịn lại -0,25, giá trị RMSE giảm từ 160 mm lại 100 mm trạm Trà Bồng Tương tự, giá trị NSE giảm từ -11,8 xuống -1,89 giá trị RMSE giảm từ 216 xuống 102 mm trạm Quảng Ngãi Ngoài ra, xu giảm sai số sử dụng đánh giá tương tự cho số R95p thể thông qua kết hai trạm nêu Điều cho thấy sau hiệu chỉnh sai số RX1day R95p có xu giống với thực đo Phân tích tương tự cho số RX5day cho thấy sau hiệu chỉnh giá trị số cực trị giống với thực đo trạm Quảng Ngãi NSE RMSE trạm Quảng Ngãi giảm từ -5,10 xuống -2,60 từ 377 mm xuống 289 mm Tuy nhiên trạm Trà Bồng số RX5day lại cho kết ngược lại, nghĩa sau hiệu chỉnh giá trị sai số RMSE gia tăng Đối với số R50mm số liên quan đến số lượng trận mưa lớn kết sau hiệu chỉnh cho thấy sai số thực đo tính tốn cịn lớn Điều thấy phương pháp hiệu chỉnh sai số sử dụng báo cho kết tốt với hiệu chỉnh giá trị, hiệu chỉnh sai số thời gian (số lượng kiện) cịn có hạn chế Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 (a) 48 (b) Lượng mưa ngày lớn năm (mm) Lượng mưa ngày lớn năm (mm) Lũy tích mưa ngày lớn năm (mm) Lũy tích mưa ngày lớn năm (mm) Hình So sánh mưa cực trị chưa hiệu chỉnh (xanh lam), thực đo (xanh lá) hiệu chỉnh sai số (đỏ) trạm Quảng Ngãi (a) Trà Bồng (b) Hình So sánh lượng mưa ngày lớn tương lai thời kì sở Qua phân tích thấy số RX1day sau hiệu chỉnh cho kết khả quan Do số lựa chọn cho phân tích nghiên cứu Kết phân tích biến đổi mưa lớn ngày cho giai đoạn gồm thời kì sở 19772005 thời kì tương lai 2006-2035 kịch BĐKH hậu RCP 8.5 thể hình Nhìn chung kết nghiên cứu cho thấy số RX1day có xu gia tăng tương lai Đặc biệt lũy tích lượng mưa cho thấy tương lai gần lượng mưa ngày lớn có xu gia tăng mạnh hai trạm Trà Bồng Quảng Ngãi Điều thể tương lai xuất nhiều lượng mưa vượt lịch sử Qua phân tích lượng mưa lớn bình quân cho thấy tương lai lượng mưa có xu tăng vào khoảng 10 đến 15% so với thời kì sở Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 49 3.2 Phân tích tần suất mưa cực trị Lượng mưa (mm) Lượng mưa (mm) Trong nội dung này, trình bày mục trước hai mơ hình ổn định bất ổn định phân phố GEV sử dụng để xây đựng đường tần suất cho chuỗi liệu mưa cực trị thực đo dự báo (BĐKH) hai trạm Trà Bồng Quãng Ngãi Theo đó, hai thời kì gồm (1) thời kì sở (1977-2005) (2) thời kì tương lai (1977-2035) sử dụng cho tính tốn nội dung Trong báo mơ hình ổn định (M1) sử dụng cho thời kì sở giai đoạn đánh giá có chuỗi liệu ổn định, hai mơ hình M1 M2 sử dụng cho thời kì tương lai nhằm tìm mơ hình phù hợp Sau xác định mơ hình phù hợp cho chuỗi liệu giá trị tần suất tương ứng với tần suất khác trích xuất để so sánh Ngồi ra, báo này, để xác định xu chuỗi liệu, phương pháp kiểm tra Mann Kendall (M-K) sử dụng Để xác định mơ hình phù hợp cho chuỗi liệu hai hệ số kiểm tra Tỷ lệ khả (Likelihood-ratio) Akaike Information Criterion (AIC) sử dụng Kết phân tích tần suất mưa ngày lớn hai trạm Trà Bồng Quảng Ngãi tỉnh Quảng Ngãi sử dụng mơ hình M1 thể Bảng Hình Theo đó, phương pháp MLE sử dụng để ước lượng giá trị tham số μ, σ, ξ sai số tiêu chuẩn chúng Các tần suất mưa lựa chọn gồm 1, 10% Các khoảng độ tin cậy 95% (Confident Interval - CI) tính tốn Hình Đường tần suất mưa ngày lớn trạm Quảng Ngãi (a) Trà Bồng (b) ứng với mơ hình M1 Bảng Kết tính tốn mơ hình M1 cho hai trạm Trà Bồng Quảng Ngãi Mơ hình Tham số Sai số tiêu chuẩn Tần suất 1% 95% CI Tần suất 2% 95% CI Tần suất 10% 95% CI μ (mm) σ (mm) ξ μ (mm) σ (mm) ξ Trà Bồng 216,11 93,34 -0,13 20,37 15,21 0,18 533 (350 -716) 497 (359 - 635) 396 (333 - 460) Quảng Ngãi 192,58 65,45 -0,11 13,60 9,61 0,13 428 (317 - 541) 400 (313 - 487) 323 (277 - 369) Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 50 Lượng mưa (mm) Tiếp theo, hai mơ hình M1 M2 sử dụng cho chuỗi liệu dự báo Trước tiên để xác định xem chuỗi liệu có tính xu hay khơng, giới thiệu, phương pháp kiểm tra Mann Kendall (M-K) sử dụng để kiểm tra xu dựa giả thiết kiểm tra với mức ý nghĩa 0,05 xác định hệ số tương quan Kendall’s Tau Theo đó, giá trị Kendall’s Tau dương cho biết chuỗi liệu có xu tăng dần ngược lại hệ số mang giá trị âm Đồng thời mức ý nghĩa thống kê p-value nhỏ giá trị lựa chọn (0,05) cho biết chuỗi liệu có xu Kết tính tốn hệ số Kendall’s Tau mức ý nghĩa p-value thông qua phương pháp kiểm tra M-K trạm Trà Bồng 0,189 0,035, kết tính trạm Quảng Ngãi 0,039 0,67 So sánh kết với tiêu chuẩn thấy có chuỗi liệu trạm Trà Bồng có xu biến đổi theo chiều hướng gia tăng giá trị mưa cực trị Kết cho thấy chuỗi liệu lượng mưa ngày lớn trạm Trà Bồng không ổn định tương lai Trong bước tiếp theo, trình bày, hai hệ số kiểm tra Tỷ lệ khả (Likelihoodratio) AIC sử dụng để so sánh nhằm tìm mơ hình tốt Đối với trạm Trà Bồng, phân tích chuỗi liệu khơng ổn định, biến thời gian (t) sử dụng cho tham số vị trí Kết sử dụng phương pháp ước lượng tham số MLE xác định tham số vị trí cho mơ hình M2 μ0 = 193 μ1= -0,25, tương ứng sai số tiêu chuẩn 19,97 and 0,59 Trong tham số tỉ lệ hình dạng ước lượng 79,23 0,025 với sai số tiêu chuẩn 9,01 0,12 Trong trường hợp này, giá trị hệ số tỉ lệ khả 4,62 lớn phân vị 95% giá trị Chi-square 3,84, mức ý nghĩa tìm nhỏ 0,05 cho thấy có khác biệt lớn hai mơ hình Mặt khác, giá trị AIC mơ hình M2 nhỏ so với mơ hình M1, tất điều cho thấy mơ hình M2 phù hợp với chuỗi liệu trạm Trà Bồng Do đó, mơ hình tiếp tục sử dụng để xác định giá trị tương ứng với tần suất lựa chọn Hình thể đường tần suất giá trị tần suất lựa chọn sử dụng phân bố GEV với mơ hình liệu khơng ổn định Từ hình thấy giá trị tần suất biến đổi tuyến tính theo thời gian, ví dụ với tần suất 1% lượng mưa ngày lớn 616 mm vào năm 1977 đến năm 2035 giá trị mưa rơi vào khoảng 691 mm Tính tốn phân tích tương tự thực cho trạm Quảng Ngãi, kết cho thấy giá trị hệ số AIC ước lượng gần với mơ hình M1 M2 Hệ số kiểm tra tỉ lệ khả tìm 1,1673 nhỏ nhiều so với giá trị 95% phân vị giá trị Chi-square 3,84 Bên cạnh đó, mức ý nghĩa p-value tìm 0,28 nhỏ nhiều so với ngưỡng 0,05 điều cho thấy mơ hình M2 khơng phù hợp với trạm Quảng Ngãi Do mơ hình M1 sử dụng để tính tốn giá trị tần suất trường hợp Hình Tần suất mưa ngày lớn trạm Trà Bồng sử dụng phân bố GEV với mơ hình khơng ổn định Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 51 Bảng Giá trị tần suất mức thay đổi tìm hai trạm Trà Bồng Quảng Ngãi Trà Bồng Tần suất mưa (mm) Thời kì tương lai 1% 2% 10% 691 620 478 Mức thay đổi (%) 29,6 24,5 20,7 Quảng Ngãi Mức thay đổi Thời kì tương lai (%) 564 31,7 507 26,5 370 14,5 Cuối cùng, bảng thể mức biến đổi lượng mưa ứng với tần suất thiết kế thời kì tương lai so với thời kì sở Kết cho thấy lượng mưa ứng với tần suất thời kì tương lai lớn so với thời kì sở Mức biến đổi lượng mưa ngày lớn ứng với giá trị tần suất 1, 10% có giá trị thấp 14,5% lớn 31,7% Theo đó, trạm Quảng Ngãi lượng mưa ngày lớn ứng với tần suất 1% gia tăng vào khoảng 31,7% tương lai Tương tự với trạm Trà Bồng, lượng mưa ngày lớn ứng với tần suất 1% tăng vào khoảng 29,6% tương lai so với thời kì sở Kết luận Bài báo trình bày phương pháp hiệu chỉnh sai số dựa vào phân bố xác suất cho liệu biến đổi khí hậu khai thác từ mơ hình khí hậu tồn cầu hay mơ hình khí hậu khu vực Kết ứng dụng phương pháp hiệu chỉnh sai số Gamma-Pareto Quantile Mapping cho liệu mưa thu thập trạm mưa địa bàn tỉnh Quảng Ngãi cho thấy tính hiệu phương pháp việc giảm thiểu sai số hệ thống từ mơ hình khí hậu cho giá trị cực trị Nghiên cứu phương pháp chưa thực hiệu việc hiệu chỉnh số lượng kiện Tuy nhiên phải lưu ý số lượng trạm mưa liệu sử dụng nghiên cứu hạn chế chưa mang tính tổng quát tương lai cần áp dụng tính cho nhiều trạm mưa khác để kết luận xác Ngồi ra, báo bước đầu áp dụng hàm phân bố giá trị cực trị tổng quát GEV sử dụng hai mơ hình liệu ổn định bất ổn định cho hai thời kì sở tương lai nhằm xác định mức biến đổi lượng mưa cực trị Kết nghiên cứu chứng minh số trường hợp việc áp dụng hàm phân bố với giả thiết chuỗi liệu ổn định không phù hợp cho chuỗi liệu chịu ảnh hưởng BĐKH Do với nghiên cứu liên quan đến BĐKH việc phân tích tần suất cần ý đến không ổn định chuỗi số liệu nhằm lựa chọn hàm phân bố phù hợp Cuối cùng, nghiên cứu tương lai gần lượng mưa ngày lớn số trạm thuộc tỉnh Quảng Ngãi theo kịch BĐKH RCP8.5 gia tăng đáng kể, nghĩa xuất nhiều lượng mưa ngày lớn vượt lịch sử Qua phân tích lượng mưa lớn bình quân trạm nghiên cứu cho thấy tương lai lượng mưa có xu tăng vào khoảng 10 đến 15% so với thời kì sở Đóng góp tác giả: Xây dựng ý tưởng nghiên cứu T.X.M.; Lựa chọn phương pháp nghiên cứu: T.X.M.; Xử lý số liệu tính tốn: T.X.M., T.Q.V., L.T.T.; Viết thảo báo: T.X.M., T.Q.V., L.T.T.; Chỉnh sửa báo: T.X.M Lời cam đoan: Tập thể tác giả cam đoan báo cơng trình nghiên cứu tập thể tác giả, chưa công bố đâu, không chép từ nghiên cứu trước đây; khơng có tranh chấp lợi ích nhóm tác giả Tài liệu tham khảo Intergovernmental Panel on Climate Change (IPCC) Global Warming of 1.5°C An IPCC Special Report on the impacts of global warming of 1.5°C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change 2018 In Press doi:10.1038/291285a0 Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 52 World Bank (WB) & Asian Development Bank (ADB) Climate risk country profile - Vietnam 2020 Available at: www.worldbank.org Charlton, R.; Fealy, R.; Moore, S.; Sweeney, J.; Murphy, C Assessing the impact of climate change on water supply and flood hazard in Ireland using statistical downscaling and hydrological modelling techniques Clim Change 2006, 74(4), 475–491 doi:10.1007/s10584-006-0472-x Azim, F.; Shakir, A.S.; Habib-ur-Rehman.; Kanwal, A Impact of climate change on sediment yield for Naran watershed, Pakistan Int J Sediment Res 2016, 31(3), 212– 219 doi:10.1016/j.ijsrc.2015.08.002 Allani, M.; Mezzi, R.; Zouabi, A.; Béji, R.; Joumade-Mansouri, F.; Hamza, M.E.; Sahli, A Impact of future climate change on water supply and irrigation demand in a small mediterranean catchment Case study: Nebhana dam system, tunisia J Water Clim Change 2020, 11(4), 1724–1747 doi:10.2166/wcc.2019.131 Huang, S.; Hattermann, F.F.; Krysanova, V.; Bronstert, A Projections of climate change impacts on river flood conditions in Germany by combining three different RCMs with a regional eco-hydrological model Clim Change 2013, 116(3–4), 631– 663 doi:10.1007/s10584-012-0586-2 Hattermann, F.F.; Huang, S.; Burghoff, O.; Willems, W.; Österle, H.; Büchner, M.; Kundzewicz, Z Modelling flood damages under climate change conditions-a case study for Germany Nat Hazards Earth Syst Sci 2014, 14(12), 3151–3169 doi:10.5194/nhess-14-3151-2014 Meresa, H.K.; Gatachew, M.T Climate change impact on river flow extremes in the upper blue nile river basin J Water Clim Change 2019, 10(4), 759–781 doi:10.2166/wcc.2018.154 Try, S.; Tanaka, S.; Tanaka, K.; Sayama, T.; Lee, G.; Oeurng, C Assessing the effects of climate change on flood inundation in the lower Mekong Basin using highresolution AGCM outputs Prog Earth Planet Sci 2020, 7, 34 10 An, N.L Đánh giá thay đổi mưa ngày lớn ảnh hưởng Biến đổi khí hậu vùng Miền Trung Tây Nguyên Tạp chí Khoa học Kĩ thuật Thủy Lợi Mơi Trường 2016, 52, 77–84 11 An, N.L.; Linh, P.M.; Thủy, N.T Nghiên cứu đánh giá ảnh hưởng Biến đổi khí hậu đến đường quan hệ cường độ mưa-thời đoạn- tần suất mơ hình mưa thiết kế Hà Nội Tạp chí Khoa học Kỹ thuật Thuỷ lợi Mơi trường 2019, 67(2), 54–62 12 Quyên, N.T.N.; Anh, P.T.T.; Khôi, Đ.N.; Hùng, L.V.; Hội, N.Q.; Lợi, N.K Xây dựng kịch biến đổi khí hậu lưu vực Srepok phương pháp chi tiết hóa thống kê hỗ trợ cơng cụ SDSM Tạp chí Khí tượng Thủy văn 2016, 669, 7–15 13 Tuyết, T.T.; Yến, L.T.H.; An, N.L.; Hà, N.T.T Nghiên cứu tác động biến đổi khí hậu đến lũ thiết kế lưu vực sông thuộc tỉnh Bình Định Tạp chí Khoa học kĩ thuật Thủy lợi Môi trường 2020, 63, 111–119 14 Fowler, H.J.; Blenkinsop, S.; Tebaldi, C Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling Int J Climatol 2007, 27, 1547–1578 doi:10.1002/joc.1556 15 Gutjahr, O.; Heinemann, G Comparing precipitation bias correction methods for high-resolution regional climate simulations using COSMO-CLM: Effects on extreme values and climate change signal Theor Appl Climatol 2013, 114(3–4), 511–529 doi:10.1007/s00704-013-0834-z Tạp chí Khí tượng Thủy văn 2024, 760, 41-53; doi:10.36335/VNJHM.2024(760).41-53 53 16 Điều kiện tự nhiên tỉnh Quảng Ngãi, Cổng thông tin điện tử Bộ Kế hoạch Đầu tư” Truy cập ngày 20 tháng 10 năm 2023 Trực tuyến: https://quangngai.gov.vn/web/portal-qni/trang-chu 17 Supari, T.F.; Juneng, L.; Cruz, F.; Chung, J.X.; Ngai, S.T.; Salimun, E.; Mohd, M.S.F.; Santisirisomboon, J.; Singhruck, P.; Tan, P.V.; Thanh, N.D.; Narisma, G.; Aldrian, E.; Gunawan, D.; Sopaheluwakan, A Multi-model projections of precipitation extremes in Southeast Asia based on CORDEX-Southeast Asia simulations Environ Res 2020, 184, 109350 doi:10.1016/j.envres.2020.109350 18 Teutschbein, C.; Seibert, J Bias correction of regional climate model simulations for hydrological climate-change impact studies: Review and evaluation of different methods J Hydrol 2012, 456–457, 12–29 doi:10.1016/j.jhydrol.2012.05.052 19 Coles, S An Introduction to Statistical Modeling of Extreme Values Springer, London: Springer, 2001 20 Gilleland, E.; Katz, R.W ExtRemes 2.0: An extreme value analysis package in R J Stat Software 2016, 72(8), 1–39 doi:10.18637/jss.v072.i08 Application of the distribution-based quantile mapping method and the Generalized Extreme Value distribution to assess the impact of climate change on extreme precipitation Trinh Xuan Manh1*, Tran Quoc Viet1, Le Thi Thuong1 Hanoi University of Natural Resources and Environment; txmanh@hunre.edu.vn; tqviet@hunre.edu.vn; ltthuong.kttv@hunre.edu.vn Abstract: This paper evaluates the impact of climate change on the extreme rainfall in some rain gauge stations in Quang Ngai province, a province located in the South Central region of Vietnam In this paper, future precipitation data were extracted from the REMO-MPIESM-LR regional climate model for the RCP8.5 extreme scenario The scenario data were bias-corrected using the distribution-based quantile mapping method based on GammaPareto distribution functions The Generalized Extreme Value (GEV) distribution function, specifically with both stationary and non-stationary models, was then used to calculate different design rainfall frequencies, including 1%, 2%, and 10% The results indicate a significant increase in the maximum one-day rainfall in Quang Ngai province in the future, by about 10 to 15% relative to the baseline period The variation in the maximum one-day rainfall corresponding to the 1, 2, and 10% frequency values fluctuates from 14,5% to 31,7% The study emphasizes the necessity of correcting system errors from climate models Additionally, for future datasets considering the impact of climate change, the application of probability distribution functions should take into account the stationary assumption of the datasets in order to identify the appropriate distribution functions Keywords: Bias correction; Extreme rainfall; Regional Climate Model; Precipitation frequency