Dự báo mưa Đá Ở miền bắc việt nam

Dự báo mưa Đá Ở miền bắc việt nam đang được đầu tư cải thiện phương án nhằm dự báo nhanh và chính xác các yếu tố mưa đá

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

Đoàn Mạnh Duy

DỰ BÁO MƯA ĐÁ Ở MIỀN BẮC VIỆT NAM

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – 2024

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

Đoàn Mạnh Duy

DỰ BÁO MƯA ĐÁ Ở MIỀN BẮC VIỆT NAM

Chuyên ngành: Khí tượng học Mã số: 8440222.01

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:

PGS.TS Nguyễn Minh Trường

Hà Nội – 2024

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu thực tế của cá nhân tôi, được thực hiện dưới sự hướng dẫn khoa học của PGS.TS Nguyễn Minh Trường

Trong luận văn, những thông tin tham khảo từ những công trình nghiên cứu khác đã được tác giả chú thích rõ nguồn

Các số liệu, những kết luận nghiên cứu được trình bày trong luận văn này là trung thực và chưa từng được công bố dưới bất cứ hình thức nào Tôi xin chịu trách nhiệm về công trình nghiên cứu của mình

Hà Nội, ngày tháng năm 2024

HỌC VIÊN

Đoàn Mạnh Duy

LỜI CẢM ƠN

Trong quá thực hiện khóa luận này, tôi đã nhận được rất nhiều sự giúp đỡ đến từ các thầy cô trong trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội cùng sự ủng hộ từ gia đình và bạn bè, những người luôn bên cạnh tôi trong suốt quá trình học tập và rèn luyện tại trường

Lời đầu tiên, tôi xin bày tỏ lời cảm ơn sâu sắc tới cán bộ hướng dẫn PGS.TS Nguyễn Minh Trường và tập thể cán bộ bộ môn Khí tượng và biến đổi khí hậu là những người đã tận tình hướng dẫn và góp ý cho tôi trong suốt quá trình hoàn thành luận văn này

Tôi cũng muốn gửi lời cảm ơn chân thành đến gia đình, bạn bè, tập thể lớp Cao học Khí tượng học khóa 2021 - 2023, những người đã luôn quan tâm, luôn bên cạnh động viên tinh thần giúp tôi hoàn thành luận văn này

Do trình độ và kinh nghiệm còn có hạn nên luận văn này khó tránh khỏi còn nhiều sai sót nên em rất mong nhận được ý kiến đóng góp của thầy cô và các bạn để bài niên luận được hoàn thiện hơn

Tôi xin chân thành cảm ơn!

Hà Nội, ngày tháng năm 2024

HỌC VIÊN

Đoàn Mạnh Duy

1.2.2 Quan trắc bằng sản phẩm radar và vệ tinh 11

1.2.3 Phân bố toàn cầu của mưa đá 13

1.2.4 Thiệt hại do mưa đá 15

1.3 Dự báo mưa đá bằng mô hình số 16

1.4 Nghiên cứu về mưa đá ở trong nước 19

1.4.1 Quan trắc mưa đá tại Việt Nam 19

1.4.2 Nghiên cứu về mưa đá trong nước 19

1.5 Đặt vấn đề 20

CHƯƠNG 2 SỐ LIỆU VÀ PHƯƠNG PHÁP 22

2.1 Thiết lập mô hình dự báo mưa đá 22

2.1.1 Mô hình WRF 22

2.1.2 Các sơ đồ tham số hóa 23

2.1.3 Các chỉ số đánh giá môi trường quy mô lớn 23

2.1.4 Biến và chỉ số dự báo mưa đá 24

2.2 Dữ liệu quan trắc mưa đá 26

2.2.1 Số liệu radar 26

2.2.2 Dữ liệu báo cáo mưa đá 27

2.3 Phương pháp đánh giá dự báo mưa đá 27

2.4 Tổng quan đặc điểm, nguyên nhân xảy ra hai đợt mưa đá 29

2.4.1 Tổng quan hai đợt mưa đá 29

2.4.2 Dữ liệu quan trắc mưa đá HSDA của hai đợt mưa đá 29

2.4.3 Phân tích trường quy mô lớn tại các thời điểm xảy ra mưa đá 31

CHƯƠNG 3 KẾT QUẢ 33

3.1 Phân tích trường dự báo mưa đá 33

3.1.1 Chỉ số UH 33

3.1.2 Biến HC 34

3.1.3 So sánh sản phẩm dự báo giữa các sơ đồ vi vật lý 36

3.2 Đánh giá chất lượng dự báo mưa đá 37

3.2.1 Chỉ số UH 37

3.2.2 Biến HC 38

3.3 Phân tích đặc điểm vật lý của mưa đá 39

3.3.1 Môi trường phát triển dông 39

DANH SÁCH CÁC CỤM TỪ VIẾT TẮT

CMA Tổng cục Khí tượng Trung Quốc ECMWF Trung tâm dự báo thời tiết hạn vừa Châu Âu

HC Kích thước hạt mưa đá dự báo từ mô hình Hailcast HSDA Thuật toán phân loại kích thước hạt

MP Sơ đồ tham số hóa vi vật lý

WRF Mô hình Nghiên cứu và Dự báo Thời tiết

DANH MỤC HÌNH VẼ

Hình 1.1 (Trái) Sơ đồ ổ đối lưu gây ra mưa đá; (Phải) Cấu trúc phát triển của

mưa đá ở từng giai đoạn Nguồn: Encyclopædia Britannica, Inc 9

Hình 1.2 Phân bố toàn cầu của năm loại mưa đá dựa trên dữ liệu vệ tinh,

theo nghiên cứu của Zhou và ccs., (2021) 13

Hình 1.3 Số ngày xuất hiện mưa đá lớn mỗi năm trên diện tích 100x100 km

từ 1979 - 2015, theo mô hình thống kê của Prein và ccs., (2018) 14

Hình 1.4 Sơ đồ cấu trúc mô hình Hailcast, theo Adams và ccs., (2016) 17

Hình 2.1 Miền tính mô hình WRF, vị trí trạm radar Pha Đin và khu vực

đánh giá dự báo mưa đá 22

Hình 2.2 Sản phẩm Phân loại kích thước hạt mưa đá HSDA cực đại và các điểm báo cáo mưa đá từ 19:00 đến 24:00 cho (a) ngày 17/03 và (b) ngày 24/03/2020 30

Hình 2.3 (a) Bản đồ khí áp bề mặt (miền màu) và gió 10m (vector); (b) Bản đồ

độ cao địa thế vị tuyệt đối mực 850 mb và (c) Bản đồ độ cao địa thế vị tuyệt đối mực 500 mb cho ngày 17/03/2020 31

Hình 3.1 Chỉ số UH dự báo từ 19:00 đến 24:00 tại (a-d) ngày 17/03 và (e-h)

ngày 24/03/2020 cho bốn sơ đồ vi vật lý 34

Hình 3.2 Tương tự Hình 3.1 cho biến HC 35

Hình 3.3 Điểm kỹ năng không gian FSS của bốn sơ đồ vi vật lý cho (a, c) chỉ số UH và (b, d) biến HC cho ngày 17/03 và 24/03/2020 38

Hình 3.4 Bản đồ phân bố MCAPE (miền màu), sự thay đổi CAPE trong một giờ DCAPE (đường đứt tím) và độ đứt gió thẳng đứng trung bình (vector) tại 23:00 ngày 17/03/2020 cho (a) MP008, (b) MP009, (c) MP101 và (d) MP102

Đường đứt màu xanh biểu diễn vị trí mặt cắt thẳng đứng tại Hình 3.7 40

Hình 3.5 Bản đồ phân bố VIMFC (miền màu) và hội tụ ẩm (vector) tại 23:00

ngày 17/03/2020 cho (a) MP008, (b) MP009, (c) MP101 và (d) MP102 41

Hình 3.6 Giản đồ thiên khí dự báo tại 23:00 ngày 17/03/2020 cho (a) MP008,

(b) MP009, (c) MP101 và (d) MP102 43

Hình 3.7 Mặt cắt thẳng đứng-vĩ hướng các pha nước qua khu vực có dòng thăng

lớn nhất của (a) MP008, (b) MP009, (c) MP101 và (d) MP102 tại thời điểm 23h00 ngày 17/03/2020 Miền màu biểu diễn tỉ lệ xáo trộn các pha nước (kgkg 1) bao gồm: xanh nhạt: qcloud; xanh đậm: qrain; đỏ: qgraupel; tím: qice Miền đen biểu diễn địa hình; đường liền đen biểu diễn vận tốc thẳng đứng (ms 1), đường đứt xanh biểu diễn đường đẳng nhiệt 0oC 45

DANH MỤC BẢNG

Bảng 1 Các biến dự báo của các sơ đồ vi vật lý 23Bảng 2 Cấu hình tham số hóa của mô hình WRF 24Bảng 3 Ngưỡng dự báo mưa đá cho các chỉ số và biến dự báo từ mô hình 25

MỞ ĐẦU

Mưa đá là một trong số các loại hình thiên tai cực đoan thường xuyên xuất hiện tại Việt Nam Với đặc thù thời gian xảy ra ngắn, cục bộ tại một số địa phương, thường đi kèm một số hiện tượng cực đoan khác như tố lốc, mưa đá gây ra nhiều thiệt hại về người và tài sản, đặc biệt đối với các vùng canh tác nông nghiệp Công tác cảnh báo, dự báo mưa đá là một trong những nhiệm vụ quan trọng của ngành Khí tượng, là yếu tố cốt lõi trong việc phòng chống, giảm thiểu thiệt hại do mưa đá gây ra Dự báo hiện tượng mưa đá trong thực tiễn hiện còn gặp nhiều khó khăn, nhưng nhờ sự quan tâm và đầu tư nghiên cứu nên chất lượng dự báo đang ngày càng được cải thiện

Bài toán dự báo mưa đá hiện nay đã có nhiều hướng tiếp cận thành công, tiêu biểu là sử dụng mô hình số độ phân giải cao Các mô hình đối lưu hiển cho phép dự báo cụ thể các hiện tượng thời tiết liên quan đến đối lưu như dông lốc, mưa đá Trong đó, các sơ đồ vi vật lý bậc cao đóng vai trò quan trọng trong việc mô phỏng, dự báo các hiện tượng thời tiết cực đoan trên Các phương pháp dự báo mưa đá bằng mô hình số cũng liên tục được phát triển và ứng dụng, tiêu biểu là sử dụng chỉ số dông (độ xoáy dòng thăng - UH) và mô hình Hailcast

Với sự khả dụng của số liệu radar tại Việt Nam, mưa đá đã có thể được quan trắc tương đối đầy đủ Do đó, luận văn này hướng tới thực hiện dự báo cho một số đợt mưa đá xảy ra tại Bắc Bộ Ngoài ra, một số nguyên nhân, đặc điểm vật lý và vi vật lý của mưa đá ở miền Bắc cũng được nghiên cứu, làm rõ trong luận văn này

CHƯƠNG 1 TỔNG QUAN1.1 Định nghĩa, đặc điểm của mưa đá

Mưa đá là hiện tượng giáng thủy dạng rắn rơi tới mặt đất, đường kính hạt đá từ 5 mm trở lên Mưa đá chỉ có thể sinh ra trong các loại mây đối lưu, hầu hết là ở trong mây vũ tích [18] Hạt mưa đá có kích thước, khối lượng cũng như thành phần đa dạng, đôi khi đường kính có thể đạt tới 15 cm và khối lượng lên tới 0,5 kg mỗi viên [22]

Theo Changnon và ccs., (2009) [22], để đánh giá một ổ dông có thể phát sinh mưa đá, cần xem xét bốn điều kiện môi trường: (1) Dòng thăng mạnh trong ổ đối lưu trên nền bất ổn định khí quyển; (2) lượng ẩm lớn ở mực thấp đi vào dòng thăng; (3) độ đứt gió ngang theo phương thẳng đứng lớn và (4) một số cơ chế động lực khác kích thích bất ổn định khí quyển như dòng thăng cưỡng bức bởi địa hình Do mưa đá xảy ra trong mây đối lưu, điều kiện môi trường quy mô lớn thuận lợi cho mưa đá phát triển cực kỳ đa dạng Zhou và ccs., (2021) đã phân loại năm dạng mưa đá, chỉ ra vĩ độ, địa hình và một số đặc trưng động lực ảnh hưởng đến phân bố mưa đá Trong đó, mưa đá xảy ra ở vĩ độ thấp gắn liền với độ bất ổn định và lượng mưa khả giáng lớn, còn mưa đá ở vĩ độ lớn hơn bị chi phối bởi độ đứt thẳng đứng và mực băng kết thấp [74]

Các quá trình vi vật lý mây, trong đó có sự phát triển của mưa đá, chưa được nghiên cứu đầy đủ bởi nhiều khó khăn trong quan trắc và mô phỏng hiện tượng [46] Đầu tiên, các nhân ngưng kết được dòng thăng đẩy vào trong ổ đối lưu là nguyên liệu ban đầu cho hạt đá phát triển Trong môi trường mây lạnh siêu bão hòa, các nhân ngưng kết nhanh chóng gia tăng kích thước thông qua thu thập, hợp nhất với các phần tử nước trong mây Khi khối lượng hạt đủ lớn, hạt mưa đá sẽ rơi xuống, tan dần khi vượt qua mực băng kết và có thể tan hết trước khi tới bề mặt Do vậy, để mưa đá có thể rơi tới tại bề mặt, kích thước và khối lượng hạt đá phải đủ lớn, yêu cầu quá trình tồn tại và phát triển đủ lâu trong mây Vì vậy, chỉ có những ổ dông có dòng thăng rất mạnh mới cho mưa đá Cuối cùng, khi rơi tới bề mặt, mức

độ thiệt hại của mưa đá phụ thuộc vào kích thước hạt nên đường kính hạt mưa đá là thước đo cường độ của hiện tượng

Hình 1.1 (Trái) Sơ đồ ổ đối lưu gây ra mưa đá; (Phải) Cấu trúc phát triển của

mưa đá ở từng giai đoạn Nguồn: Encyclopædia Britannica, Inc [28]

1.2 Quan trắc mưa đá

1.2.1 Dữ liệu quan trắc bề mặt

Mưa đá là hiện tượng hiếm, có quy mô không gian và thời gian nhỏ dẫn tới khó khăn trong quan trắc hiện tượng Nhiều phương thức thu thập thông tin về mưa đá tại bề mặt như thông qua quan trắc trạm, tấm quan trắc hailpad, báo cáo tại hiện trường và dữ liệu thiệt hại do mưa đá… Đa số thông tin cụ thể về mưa đá là dữ liệu điểm nên ít mang tính đại diện, mật độ dữ liệu phụ thuộc vào phân bố dân cư [14] Mặc dù vậy, đây là nguồn thông tin chính thống, đáng tin cậy khi so sánh với các dữ liệu quan trắc hiện đại từ radar và vệ tinh, vốn còn nhiều hạn chế về độ chính xác

Tại Hoa Kỳ, dữ liệu quan trắc mưa đá tại trạm được ghi nhận đầy đủ từ năm 1901 [23] Bên cạnh đó, nhiều bộ dữ liệu khác cung cấp rất nhiều thông tin hữu ích về phân bố mưa đá, tuy nhiên đa phần ghi nhận mưa đá với kích thước phổ biến dưới 19 mm [26] Từ 1955, Trung tâm Quốc gia về Thông tin Môi trường Hoa Kỳ (NCEI) bắt đầu thu thập bộ dữ liệu quan trắc dông, trong đó có mưa đá với kích thước hạt tối

thiểu từ 0,75 inch (19 mm) [14] Allen và ccs., (2017) sử dụng hàm phân bố giá trị cực trị (EV) xử lý bộ dữ liệu mưa đá từ NCEI, xây dựng thành công phân bố mưa đá tại Hoa Kỳ Kết quả cho thấy hầu hết các khu vực phía đông dãy Rocky đều ghi nhận mưa đá, tần suất phổ biến từ 5 - 20 ngày/năm, kích thước mưa đá lên tới 2 inch (51 mm) [16] Nhiều nghiên cứu khác cũng chỉ ra phân bố tương đồng với cực trị tần suất và kích thước trên vùng Đại bình nguyên trong mùa xuân [68]

Tại Châu Âu, mưa đá được ghi chép từ cuối thế kỷ 19, tuy nhiên mỗi quốc gia lại có phương pháp quan trắc, lưu trữ bộ số liệu khác nhau [14] Trên cơ sở các bộ dữ liệu trên, Punge và Kunz (2016) đã tổng hợp, xây dựng thành công phân bố mưa đá tại Châu Âu, chỉ ra tần suất mưa đá lớn nhất tại các nước vùng Alps vào mùa hè và mùa thu [62] So với Hoa Kỳ, tần suất và kích thước mưa đá tại Châu Âu thấp hơn nhưng có thể gây nhiều thiệt hại hơn do mật độ dân cư cao [68] Bên cạnh đó, từ năm 2008, Phòng thí nghiệm Dông Nguy hiểm Châu Âu (ESSL) bắt đầu thu thập thông tin về mưa đá, là bộ dữ liệu quan trắc mưa đá đồng bộ, đầy đủ trên toàn châu Âu [31]

Tại Trung Quốc, dữ liệu mưa đá đạt đô tin cậy đáng kể từ năm 1980 khi kích thước hạt mưa đá cực đại trở thành chỉ số quan trắc chính thức [44] Chú ý rằng định nghĩa mưa đá của Tổng cục Khí tượng Trung Quốc (CMA) là giáng thủy dạng cầu hoặc khối bất đồng nhất kích thước trên 2 mm, dẫn tới một số khác biệt trong phân bố khí hậu của mưa đá khi so sánh với các khu vực khác [57] Theo Li và ccs., (2016), mưa đá tại Trung Quốc thường xảy ra từ tháng tư đến tháng mười, tần suất lớn nhất tại phía đông khu vực Himalaya Miền nam Trung Quốc thường quan trắc được mưa đá vào mùa lạnh, tần suất trung bình dưới 5 ngày/năm [43]

Mưa đá thường xuyên xảy ra ở nhiều nơi khác, tuy nhiên hạn chế về dữ liệu dẫn tới thiếu sót trong nghiên cứu về hiện tượng Tại Canada, mưa đá tập trung tại khu vực đồng bằng trung tâm, tương tự phân bố tại Hoa Kỳ ở phía nam [14] Tại Úc, mưa đá thường xảy ra vào giai đoạn chính hè Nam bán cầu, tập trung ở khu vực ven biển phía tây nam [13] Tại Nam Mỹ, nhiều nghiên cứu chỉ ra khu vực cận nhiệt đới dưới chân dãy Andes là một trung tâm mưa đá lớn, chủ yếu xảy ra vào mùa xuân [14] Tại Châu Á và Châu Phi, dữ liệu quan trắc điểm của mưa đá tương đối hạn chế, chỉ đầy đủ tại một số quốc gia Tiêu biểu trong đó, nghiên cứu của Kim và

ccs., (2023) tại Hàn Quốc [37] và nghiên cứu của Dyson và ccs., (2021) tại Nam Phi [27] chỉ ra phân bố mưa đá tại hai nước từ dữ liệu quan trắc trạm

1.2.2 Quan trắc bằng sản phẩm radar và vệ tinh

Với sự phát triển của các công nghệ quan trắc viễn, mưa đá đã được quan trắc thường xuyên và đầy đủ hơn, đáp ứng yêu cầu ngày càng cao của xã hội [53] Mặc dù vậy, công nghệ viễn thám mới được phát triển ứng dụng gần đây cùng những hạn chế trong hiểu biết về mưa đá, gây ra nhiều điểm bất ổn định trong dữ liệu quan trắc của radar và vệ tinh

Thời kỳ đầu, những sản phẩm của radar chủ yếu xây dựng trên độ phản hồi vô tuyến, đem lại khả năng quan trắc đa số các hiện tượng thời tiết Đối với mưa đá, quan trắc viên dễ dàng nhận thông qua dải sáng trên sản phẩm độ phản hồi vô tuyến bởi đặc điểm phản xạ đặc biệt của mưa đá [38] Tuy nhiên, về kích thước, hiện nay hoàn toàn không có phương pháp nào có thể xác định thông qua độ phản hồi vô tuyến [14] Đây là điểm hạn chế lớn nhất của các radar thế hệ cũ Radar Doppler phân cực đôi là loại radar thời tiết thế hệ mới, được lựa chọn sử dụng trong nghiệp vụ phổ biến trên khắp thế giới hiện nay [14] So với thế hệ cũ, radar phân cực đôi sử dụng nhiều sóng phân cực, cung cấp thông tin về trạng thái ba chiều của các đối tượng thời tiết Do đó, radar phân cực đôi có khả năng phân loại kích thước hạt trong mây, từ đó có thể phát hiện và ước lượng kích thước hạt mưa đá chính xác hơn so với radar phân cực đơn [66]

Một số phương pháp đã được phát triển nhằm ước lượng, tính toán kích thước hạt mưa đá dựa trên dữ liệu từ radar Nhóm phương pháp dựa trên ước lượng

cường độ dông, thông qua Chỉ số Mưa đá Nguy hiểm SHI, được xây dựng tương tự sản phẩm Lượng nước lỏng Tích lũy Thẳng đứng VIL trên cơ sở dữ liệu từ radar

phân cực đơn Dựa trên SHI, mưa đá được quan trắc bằng một số chỉ số dẫn xuất

như Xác suất Mưa đá Nguy hiểm POSH và phương pháp Ước lượng Kích thước

Mưa đá Cực đại MESH [72] Tại Hoa Kỳ, MESH được sử dụng làm chỉ số đánh giá

phân bố mưa đá bởi độ dài dữ liệu đáp ứng yêu cầu của bài toán khí hậu [24,54] Ngoài ra, MESH được sử dụng làm dữ liệu quan trắc mưa đá trong các bài toán đánh giá chất lượng dự báo mô hình số [10,11,12,29,30,35,40,45]

Trên radar phân cực đôi, Thuật toán Phân loại Kích thước hạt HCA phân chia mười loại phản xạ vô tuyến, xây dựng thông qua phương pháp logic mờ [59]

HCA thường được sử dụng nhằm phân loại giáng thủy rắn như tuyết, tuy nhiên

chưa thể phân loại hỗn hợp mưa và mưa đá Theo đó, Thuật toán Phân loại Kích

thước Hạt mưa đá HSDA được phát triển nhằm khắc phục điểm yếu trên của HCA

[58] HSDA phân loại ba cường độ mưa đá theo kích thước hạt: mưa đá nhỏ (5-25 mm), mưa đá lớn (25-50 mm) và mưa đá rất lớn (>50 mm) So với MESH tính toán dựa trên chỉ số dông, HSDA tính toán trực tiếp từ các chỉ số quan trắc của radar, đưa ra giá trị kích thước hạt nên thông tin hữu ích hơn, đặc biệt đối với bài toán đồng hóa dữ liệu và dự báo kích thước mưa đá [39] Tương tự MESH, sản phẩm HSDA cũng thường xuyên được sử dụng trong đánh giá dự báo mưa đá của mô hình số [39-42]

Song song với sự phát triển của radar, hệ thống vệ tinh khí tượng có đóng góp đáng kể cho công tác quan trắc Trái Đất nói chung, thời tiết nói riêng, đặc biệt ở những khu vực hẻo lánh Vệ tinh quan trắc từ trên cao, do đó dễ dàng phát hiện sự phát triển của mây, đặc biệt mây đối lưu Dù mưa đá chỉ hình thành trong mây đối lưu, hạn chế trong phân tích đặc điểm dưới lớp mây khiến những nghiên cứu quan trắc mưa đá bằng vệ tinh mới đạt được một số thành công nhỏ

Punge và ccs., (2014) sử dụng dữ liệu Đối lưu xuyên thủng (OT) từ vệ tinh hồng ngoại Meteosat thế hệ thứ hai và số liệu mưa đá từ ESSL nhằm xây dựng mô hình sự kiện ngẫu nhiên (stochastic event set) biểu diễn tần suất và cường độ mưa đá tại Châu Âu [61] Ngoài OT, một số nghiên cứu của nhóm tác giả tại Pháp sử dụng phương pháp phân loại mây bằng tổ hợp các băng sóng hồng ngoại và dữ liệu mưa đá từ radar, xây dựng phương trình hồi quy giữa giá trị nhiệt độ sáng (BT) với xác suất xảy ra mưa đá [48,49]

Các thế hệ vệ tinh mới đã trang bị thêm các radar vi sóng (tần số sóng từ 10 - 200 GHz), trở thành công cụ cực kỳ hiệu quả trong phân tích cấu trúc đối lưu

Hai nguồn dữ liệu chính bao gồm dữ liệu Đo lường Giáng thủy Toàn cầu GPM và

Nhiệm vụ Đo lường Mưa Vùng nhiệt đới TRMM Nghiên cứu của Cecil (2009) mở

đường cho phương pháp sử dụng radar vi sóng làm chỉ số quan trắc mưa đá, đã có

thể phát hiện tốt các vùng có tần suất mưa đá lớn hiện nay [21] Điểm yếu của phương pháp là thường dự báo khống ở vùng xích đạo (đặc biệt tại Châu Phi), nơi điều kiện môi trường kém thuận lợi cho mưa đá cũng như thiếu sót số liệu quan trắc bề mặt Những nghiên cứu sau này đã cải thiện chất lượng dữ liệu vệ tinh nhưng hầu như chưa có bước tiến vượt bậc bởi hạn chế về độ dài dữ liệu và tần suất quan trắc [14]

1.2.3 Phân bố toàn cầu của mưa đá

Mưa đá thường đi kèm trong các cơn dông, do đó xảy ra tương đối thường xuyên và có thể gây thiệt hại lớn tại nhiều nơi trên thế giới Mưa đá có thể xảy ra ở mọi khu vực, tuy nhiên ở các vĩ độ thấp mực băng kết tương đối cao, còn ở miền cận cực lớp không khí mực thấp quá lạnh, khô và phần giữa tầng đối lưu không đủ độ bất ổn định để dòng thăng phát sinh, dẫn tới tần suất mưa đá thấp hơn hẳn vùng vĩ độ trung bình [5] Sự bất đồng nhất trong dữ liệu quan trắc giữa các quốc gia và thiếu sót dữ liệu quan trắc, đặc biệt ở Châu Phi và Châu Á, dẫn tới khó khăn trong xây dựng phân bố toàn cầu của mưa đá Một số nghiên cứu ứng dụng dữ liệu vệ tinh, dữ liệu mô hình số nhằm ước lượng thành công tần suất mưa đá toàn cầu, tuy nhiên còn nhiều điểm bất hợp lý trong phân bố mưa đá khi so sánh với dữ liệu quan trắc bề mặt

Hình 1.2 Phân bố toàn cầu của năm loại mưa đá dựa trên dữ liệu vệ tinh, theo

nghiên cứu của Zhou và ccs., (2021) [74]

Trên cơ sở radar vi sóng từ vệ tinh, những nghiên cứu của Ni và ccs., (2017) [56] hay của Bang và Cecil (2019) [19] đã thu được phân bố mưa đá trên toàn cầu Kết quả chỉ ra sự tương đồng khi so với phân bố mưa đá quan trắc bề mặt tại một số khu vực như Hoa Kỳ hay Châu Âu Trên cơ sở phương pháp này, Zhou và ccs., (2021) đã phân nhóm năm loại mưa đá trên toàn cầu, minh họa trên Hình 1.2 [74] Mưa đá loại I xảy ra ở vùng vĩ độ thấp, địa hình phẳng, độ bất ổn định và lượng ẩm rất lớn Ở cùng vĩ độ, mưa đá loại II xảy ra trên địa hình đồi núi, các nhân tố nhiệt động lực không cao như loại I Mưa đá loại III và loại V xảy ra ở vĩ độ trung bình lần lượt trên địa hình phẳng và đồi núi, gắn liền với độ đứt gió thẳng đứng trung bình Mưa đá loại IV xảy ra ở vùng vĩ độ cao với điều kiện độ đứt gió thẳng đứng lớn Tại Việt Nam xuất hiện mưa đá loại I, III và V, trong đó mưa đá ở miền Bắc chủ yếu là loại III

Hình 1.3 Số ngày xuất hiện mưa đá lớn mỗi năm trên diện tích 100x100 km từ

1979 - 2015, theo mô hình thống kê của Prein và ccs., (2018) [60]

Hướng nghiên cứu đánh giá đặc điểm môi trường thuận lợi cho sự phát triển của mưa đá, thông qua sử dụng kết hợp nhiều loại dữ liệu như trường phân tích của mô hình số, dữ liệu quan trắc điểm và dữ liệu vệ tinh, được nhiều tác giả hướng tới sử dụng Đáng chú ý, nghiên cứu của Prein và ccs., 2018 [60] xây dựng thành công quan hệ giữa các yếu tố môi trường quy mô lớn và dữ liệu quan trắc mưa đá tại Hoa Kỳ, Châu Âu và Úc Trên cơ sở đó, tác giả áp dụng phương pháp trên toàn cầu, thu được đặc điểm phân bố mưa đá toàn cầu (Hình 1.3), trong đó mưa đá thường tập trung ở sâu trong lục địa, như phía đông các vùng núi lớn như dãy Rocky (Hoa Kỳ), và phía đông nam dãy Himalaya bao gồm Banglades, Lào, Trung Quốc, và Việt Nam

Những nghiên cứu trên đã có khả năng chỉ ra các vùng thường xuyên xảy ra mưa đá tại các khu vực lớn, nơi đã có dữ liệu và nghiên cứu đầy đủ Những phân bố trên cũng thống nhất quan điểm về tần suất mưa đá lớn thường xảy ra ở các khu vực phía đông các vùng núi lớn Điểm yếu trong hiểu biết về mưa đá ở miền nhiệt đới và cận nhiệt đới khiến phân bố mưa đá tại các vùng như Trung Phi, tây bắc Australia còn nhiều điểm bất định Đáng chú ý, vùng núi Tây Bắc Bộ nằm trong một trung tâm mưa đá tần suất lớn, phát sinh trên điều kiện địa hình đồi núi và độ đứt gió thẳng đứng cao Đây là cơ sở để lựa chọn khu vực nghiên cứu trong luận văn này

1.2.4 Thiệt hại do mưa đá

Mưa đá có thể gây ra thiệt hại rất lớn do tính chất nguy hiểm của hiện tượng Thông thường, mưa đá ảnh hưởng rất lớn tới nông và lâm nghiệp bởi thường đi kèm tố, lốc Khi xảy ra ở những vùng dân cư, mưa đá gây ra thiệt hại đáng kể tới nhà cửa, tài sản Tiêu biểu, tại Hoa Kỳ, trung bình mỗi năm mưa đá gây thiệt hại trên 10 tỷ Đô la Mỹ [22] Tại Trung Quốc, thống kê trong năm 2015, riêng mưa đá ước tính gây ra thiệt hại lên tới trên 4,5 tỉ Đô la Mỹ [44] Cùng với sự phát triển của cơ sở vật chất, thiệt hại do mưa đá ngày một tăng lên Tuy nhiên, do dữ liệu khác biệt lớn giữa các quốc gia, chưa có nghiên cứu nào xây dựng phân bố mưa đá toàn cầu dựa trên dữ liệu quan trắc thực, dẫn tới khó khăn trong công tác phòng chống thiệt hại do mưa đá

1.3 Dự báo mưa đá bằng mô hình số

Dự báo mưa đá là một trong những bài toán thách thức nhất trong lĩnh vực khí tượng hiện nay [47] Con người chưa thể quan trắc cũng như mô phỏng quá trình hình thành và phát triển của mưa đá, dẫn tới còn nhiều khía cạnh về hiện tượng chưa được hiểu rõ Do đó, những phương pháp dự báo hiện nay hầu như không thể giải thích được đầy đủ về hiện tượng, dẫn tới khó khăn trong dự báo mưa đá

Các mô hình số có độ phân giải cao và siêu cao cho phép dự báo hiển các ổ

đối lưu đơn lẻ Các yếu tố vi vật lý trong mây được xấp xỉ bằng các sơ đồ tham số

hóa vi vật lý (MP) Chúng đóng vai trò tối quan trọng trong các mô hình số phân

giải đối lưu hiển, đặc biệt trong các trường hợp đối lưu sâu gây dông mạnh Hiện nay các sơ đồ MP đa số là sơ đồ khối, tại đó giả thiết rằng phân bố nước tuân theo phổ phân bố kích thước hạt (PSD):

0x

Trong đó: xlà hệ số độ dốc, xlà tham số hình dạng và N0xlà hệ số chặn [71] Các sơ đồ vi vật lý sử dụng nhiều phương pháp khác nhau để giải một hoặc nhiều biến, từ đó thu được phổ kích thước hạt tại mỗi điểm lưới Đối với các mô hình nghiệp vụ yêu cầu dự báo thời gian thực, người ta sử dụng các sơ đồ MP bậc một giải tỉ lệ xáo trộn của các pha nhằm tiết kiệm tài nguyên và thời gian tính toán Nhiều sơ đồ bậc cao giải thêm tổng số hạt ngưng kết (bậc hai) hay dự báo độ phản hồi vô tuyến (bậc ba) bổ sung nhiều thông tin có ý nghĩa trong bài toán dự báo [45]

Với sự phát triển bùng nổ của mô hình số trong những năm 2000, các sản phẩm dự báo đã giải quyết được nhiều nhược điểm về độ phân giải không gian và thời gian của dự báo truyền thống Những sản phẩm dự báo thời tiết cực đoan liên

quan tới đối lưu cũng có bước tiến vượt bậc trong giai đoạn này, tiêu biểu là Dự báo

Xác suất Dông nguy hiểm Thay thế (SSPF) [36] Trong số đó, chỉ số Độ xoáy dòng thăng (Updraft Helicity - UH) cho khả năng dự báo tốt nhất, do đó được phát triển,

thử nghiệm và được ứng dụng rộng rãi trong nghiệp vụ dự báo thời tiết nguy hiểm tại Hoa Kỳ từ đầu thập niên 2010s [67]

Trên cơ sở dự báo dông, chỉ số UH đã được dùng để dự báo mưa đá Nghiên cứu của Gagne và ccs., (2017) chỉ ra rằng UH là chỉ số dông tốt nhất dùng để dự báo mưa đá rất lớn (kích thước hạt từ 25 - 50 mm) [30] Tương đồng với kết quả trên, Labriola và ccs., (2019b) thử nghiệm dự báo mưa đá với nhiều tùy chọn sơ đồ MP, ghi nhận điểm kỹ năng rất cao của chỉ số UH trong trường hợp này [42] Tuy nhiên, UH đặc trưng cho dạng dông xoay nên có thể chưa chỉ thị tất cả các loại dông gây ra mưa đá, đặc biệt ở miền nhiệt đới

Bên cạnh sử dụng các chỉ số dông thay thế đại diện cho các khu vực mưa đá, nhiều hướng nghiên cứu hướng tới dự báo chi tiết về mưa đá, như địa điểm và kích thước hạt mưa đá Một mô hình phải kể tới là HAILCAST là mô hình một chiều, ban đầu được phát triển để ước lượng kích thước mưa đá sử dụng profile nhiệt độ, độ ẩm và gió quan trắc tại một điểm [20] Những cải tiến sau đó bao gồm xây dựng mô hình đối lưu và phát triển mô hình tăng trưởng kích thước mưa đá [63], và nhúng mô hình trong mô hình đối lưu hiển [34]

Hình 1.4 Sơ đồ cấu trúc mô hình Hailcast, theo Adams và ccs., (2016) [12]

Hiện nay HAILCAST đã được tích hợp trong mô hình WRF tạo thành Mô

hình nhúng HAILCAST-WRF (sau đây gọi tắt là mô hình Hailcast) [12] là một mô

hình độc lập thời gian được nhúng trong các cấu hình mô hình đối lưu hiển, sử dụng

để dự báo kích thước hạt mưa đá cực đại tại bề mặt Cụ thể, sơ đồ giản lược của mô hình Hailcast được trình bày ở Hình 1.4 Bước đầu, mô hình sử dụng vòng lặp kiểm tra cường độ đối lưu thông qua vận tốc thẳng đứng và thời gian đối lưu Khi đối lưu đạt cường độ nhất định, mô hình kích hoạt mô đun tính toán sự tăng trưởng của các hạt mưa đá Năm kích thước nhân ngưng kết ban đầu được nhúng vào mực thấp nhất của mây, sau đó được theo dõi, tính toán các đại lượng vật lý khi chúng di chuyển trong không gian Kích thước hạt đá được ghi nhận khi chúng rơi tới bề mặt Mô hình tiếp tục quá trình lặp cho tới khi ổ dông không còn thỏa mãn điều kiện đối lưu hoặc thời gian đối lưu vượt quá ngưỡng thời gian nhất định

Như vậy, mô hình Hailcast được xây dựng dựa trên các điều kiện đối lưu, các quá trình phát triển kích thước hạt cũng như sự di chuyển của hạt đá để dự báo kích thước hạt mưa đá cực đại có thể xuất hiện tại bề mặt Vì Hailcast xem xét cả trên phương diện động lực và nhiệt động lực nên đã được lựa chọn nhằm thử nghiệm, phát triển và đã được ứng dụng trong nghiệp vụ tại Trung tâm Cảnh báo Dông Hoa Kỳ (CPC) từ 2009 [11] Các cải tiến của mô hình Hailcast đã nâng cao kỹ năng dự báo tương đồng với các chỉ số dông thay thế nhưng vẫn cần cải thiện về khả năng dự báo kích thước mưa đá trong tương lai [10]

Việc ứng dụng học máy (ML) vào dự báo mưa đá cho thấy những hiệu quả nhất định David Gagne và ccs., sử dụng 18 biến dự báo từ hệ thống dự báo tổ hợp (SSEF) làm số liệu đầu vào cho mô hình học máy, đưa ra dự báo về diện và kích thước hạt để so sánh với kết quả dự báo từ mô hình HAILCAST và số liệu quan trắc Kết quả cho thấy mô hình học máy đưa ra dự báo mưa đá tương đương với dự báo viên chuyên nghiệp cho các trận mưa đá có kích thước hạt nhỏ hơn 60 mm [29] Năm 2017, David Gagne và ccs., tiếp tục công bố nghiên cứu về khả năng dự báo mưa đá của mô hình học máy bằng phương pháp dông Mô hình học máy sử dụng hai bộ số liệu của SSEF và NCAR nhằm huấn luyện mô hình, sau đó sử dụng các chỉ số dông thay thế để đưa ra dự báo mưa đá Kết quả dự báo cho mùa xuân và hè 2015 cho thấy mô hình học máy sử dụng chỉ số UH có kết quả dự báo tốt nhất trong phân loại các ổ dông cho mưa đá [30]

1.4 Nghiên cứu về mưa đá ở trong nước

1.4.1 Quan trắc mưa đá tại Việt Nam

Hiện nay, mạng lưới radar thời tiết ở Việt Nam đã được nâng cấp và lắp mới, nâng tổng số lên 10 trạm radar thời tiết cố định, trải dài trên cả nước Trong đó, 02 radar phân cực đơn, băng sóng S Doppler JMA 254 của hãng JRC (Nhật Bản) đặt tại Vinh và Phù Liễn; 03 radar thời tiết Doppler WRM200 phân cực đơn, băng sóng S của hãng Vaisala (Phần Lan) đặt tại Tam Kỳ, Đông Hà, Nhà Bè; 05 radar thời tiết Doppler WRM200, phân cực đôi, băng sóng C của hãng Vaisala (Phần Lan) đặt tại Pha Đin, Pleiku, Quy Nhơn, Việt Trì và Nha Trang

Radar thời tiết là thiết bị quan trắc hiện đại, có thể cung cấp các thông tin khí tượng theo thời gian thực trên một phạm vi tương đối rộng Số liệu radar đóng một vai trò quan trọng, có thể được sử dụng rộng rãi trong ứng dụng khí tượng và thủy văn, điều này cũng cần thiết để cung cấp dự báo, cảnh báo sớm các hiện tượng thời tiết nguy hiểm như bão, dông lốc, mưa đá, mưa lớn, lũ lụt… Cụ thể, dữ liệu radar được ứng dụng để ước tính lượng mưa [1,3] Lê Đình Quyết và cộng sự [6] nghiên cứu phát hiện dông bằng radar thời tiết Doppler Ngoài ra, số liệu radar còn được sử dụng phục vụ bài toán đồng hóa dữ liệu mô hình số, tiêu biểu là nghiên cứu của Nguyễn Hoàng Minh và ccs., (2023) [4]

Dữ liệu radar trong nước hiện nay đã thỏa mãn yêu cầu về chất lượng cho bài toán quan trắc mưa đá Dữ liệu quan trắc trạm cũng bao gồm thông tin quan trắc về mưa đá Bên cạnh đó, sự phát triển của mạng xã hội cung cấp thêm nhiều thông tin về mưa đá Mặc dù vậy, số lượng nghiên cứu sử dụng dữ liệu về mưa đá rất hạn chế do nguyên nhân như mưa đá xảy ra cục bộ, ảnh hưởng chủ yếu tới các khu vực hẻo lánh; dữ liệu radar chưa đồng bộ, tầm quan trắc hạn chế cũng như thời gian vận hành radar chưa đủ lớn Do đó, mưa đá tại Việt Nam hầu như chưa được thống kê, phân loại, dẫn tới khó khăn trong công tác cảnh báo, phòng chống, giảm thiểu thiệt hại

1.4.2 Nghiên cứu về mưa đá trong nước

Nguyễn Văn Thắng và ccs., sử dụng các bản đồ synop, số liệu thám không kết hợp với mô hình số độ phân giải cao WRF để lý giải nguyên nhân gây mưa đá

vào chiều ngày 24 và ngày 25 tháng 01 năm 2020 ở khu vực Bắc Bộ Kết quả nghiên cứu chỉ ra hình thế thời tiết và cơ chế động lực gây ra đợt mưa đá diện rộng này là do hoạt động của không khí lạnh có cường độ mạnh kết hợp với rãnh gió tây và rãnh thấp tồn tại trước đó ở phía Bắc Việt Nam Hình thế này đã tạo điều kiện cho đối lưu phát triển mạnh hình thành các cơn dông, cùng với mực băng kết xuống thấp khoảng 3500 - 3800 m đã tạo điều kiện thuận lợi cho việc hình thành mưa rào, dông và kèm theo mưa đá trên diện rộng gây thiệt hại lớn cho khu vực Bắc Bộ từ chiều ngày 24/01 đến ngày 25/01/2020 [8]

Duy và Trường (2022) đã thử nghiệm sử dụng mô hình số nhằm dự báo đợt mưa đá diện rộng nêu trên Sử dụng hai chỉ số dông thay thế UH và CTG (tổng lượng graupel tích lũy cột), nghiên cứu chỉ ra các chỉ số có thể dự báo sự xuất hiện của mưa đá Bởi mô hình WRF đã được ứng dụng phổ biến trong nước, nghiên cứu chỉ ra khả năng ứng dụng mô hình số trong bài toán dự báo mưa đá tại Việt Nam [2]

Tại Việt Nam, mưa đá có thể xảy ra ở hầu hết các địa phương, đặc biệt trên các vùng đồi núi trong thời gian giao mùa Mưa đá tại Việt Nam thường xuyên gây ra thiệt hại rất lớn, tiêu biểu chỉ riêng 7 tháng đầu năm 2020, nhóm thiên tai dông lốc, sét và mưa đá đã làm 44 người thiệt mạng, 127 người bị thương; hơn 50 000 ngôi nhà bị thiệt hại; gần 40 000 hecta hoa màu, cây trồng bị ảnh hưởng Tổng thiệt hại về kinh tế ước tính lên tới trên 500 tỷ đồng [7]

1.5 Đặt vấn đề

Kế thừa những kết quả trên, luận văn này hướng tới thử nghiệm sử dụng mô hình số WRF nhằm dự báo mưa đá xảy ra tại Bắc Bộ Mô hình Hailcast đã được tích hợp trên mô hình WRF, dự báo Kích thước hạt mưa đá cực đại (HC); tương tự, chỉ số Độ xoáy dòng thăng (UH) cũng có thể tính toán từ sản phẩm dự báo của mô hình Bốn thí nghiệm được xây dựng trên các sơ đồ vi vật lý khác nhau, cung cấp một số kết quả dự báo mưa đá với đặc điểm tương đối khác biệt

Bởi hạn chế trong tài nguyên tính toán cũng như dữ liệu, thông tin về mưa đá, luận văn thực hiện dự báo hai đợt mưa đá xảy ra tại Bắc Bộ, gồm ngày 17/03/2020 và ngày 24/03/2020 Ngoài những thông tin tương đối chi tiết về địa điểm, kích thước

mưa đá, dữ liệu radar tại trạm Pha Đin đã khả dụng trong cả hai trường hợp Từ đó, sử dụng chỉ số HSDA trên dữ liệu radar để so sánh và đánh giá ban đầu chất lượng quan trắc bằng dữ liệu báo cáo mưa đá Cuối cùng, HSDA được sử dụng nhằm đánh giá chất lượng dự báo của các sản phẩm mô hình số thông qua chỉ số FSS

Bên cạnh dự báo mưa đá, một số yếu tố vật lý xung quanh đợt mưa đá ngày 17/03/2020 được lựa chọn, phân tích Những đặc điểm môi trường quy mô lớn và đặc trưng địa phương chỉ ra nguyên nhân hình thành, phát sinh mưa đá tại Bắc Bộ Phân tích các mặt cắt thẳng đứng qua tâm ổ dông thể hiện rõ các điểm khác biệt giữa các sơ đồ vi vật lý - nhân tố quan trọng, ảnh hưởng đến chất lượng dự báo giữa các thí nghiệm

Luận văn được trình bày theo cấu trúc gồm ba chương: Chương 1: Tổng

quan: Giới thiệu về mưa đá, các phương pháp quan trắc và dự báo mưa đá Chương

2: Phương pháp và số liệu: Mô tả về mô hình số, các phương pháp xây dựng số liệu

quan trắc, dự báo mưa đá, phương pháp đánh giá kỹ năng dự báo mưa đá và tổng

quan trường hợp nghiên cứu Chương 3: Kết quả: Trình bày và phân tích kết quả dự

báo, đánh giá kỹ năng dự báo mưa đá, cùng một số đặc điểm môi trường và vi vật lý của sản phẩm dự báo mưa đá

CHƯƠNG 2 SỐ LIỆU VÀ PHƯƠNG PHÁP 2.1 Thiết lập mô hình dự báo mưa đá

2.1.1 Mô hình WRF

Luận văn sử dung mô hình WRF phiên bản 4.3.3 [65] với ba lưới lồng có độ phân giải 13,5, 4,5 và 1,5 km (Hình 2.1) Mô hình tính toán trên 51 mực thẳng đứng, lớn hơn nhiều so với cấu hình dự báo thời tiết thông thường Số liệu dự báo toàn cầu (GFS) độ phân giải 0,25 độ được dùng làm điều kiện ban đầu và điều kiện biên mỗi 03 giờ [55] Mô hình khởi chạy tại xấp xỉ 24 giờ trước sự kiện (12 giờ UTC ngày hôm trước), thời gian dự báo 48 giờ Kết quả được lưu trữ mỗi 01 giờ tròn Ba lưới tính được biểu diễn cụ thể trên Hình 2.1, trong đó lưới 03 bao phủ toàn Miền Bắc Điều này đòi hỏi thời gian tính toán rất lớn, nhưng bù lại nó có thể nâng cao chất lượng dự báo, loại bỏ các nguy cơ gây sai số từ vùng biên vào tâm miền tính

Hình 2.1 Miền tính mô hình WRF, vị trí trạm radar Pha Đin và khu vực

đánh giá dự báo mưa đá Labriola và ccs., (2019b) sử dụng mô hình số với kích thước lưới ngang 03 km để dự báo đợt mưa đá xảy ra ở Colorado (Hoa Kỳ) ngày 17/05/2017 [42] Kết quả cho thấy với độ phân giải này mô hình đã có thể dự báo thành công hiện tượng

Do vậy, kích thước lưới ngang 1,5 km sử dụng trong luận văn có thể đáp ứng tốt mục tiêu nghiên cứu đã đặt ra

2.1.2 Các sơ đồ tham số hóa

Trong các mô hình đối lưu hiển, lựa chọn sơ đồ MP ảnh hưởng rất lớn tới kết quả dự báo giáng thủy và các yếu tố liên quan như cường độ đối lưu Trong luận văn này, nhằm so sánh sự biến đổi của các sản phẩm mưa đá, ba sơ đồ MP bậc hai được chọn thử nghiệm, gồm sơ đồ Thompson [69], Mibrandt và Yau [50] và Morrison [52] Ba sơ đồ MP thường xuyên được sử dụng trong nghiệp vụ dự báo, nghiên cứu ứng dụng nói chung, mưa đá nói riêng, đặc biệt phổ biến tại Hoa Kỳ

Bốn thí nghiệm được xây dựng dựa trên ba sơ đồ MP bậc hai Sơ đồ Morrison cho phép tùy chỉnh mật độ của pha graupel sang trạng thái hail, do đó thu được hai thí nghiệm với sơ đồ này (tương ứng Morrison-graupel và Morrison-hail) Các biến và tham số PSD của ba sơ đồ được mô tả tại Bảng 1 Bên cạnh đó, những sơ đồ tham số hóa vật lý khác được thống nhất lựa chọn cho cả bốn thí nghiệm, trình bày đầy đủ tại Bảng 2

Bảng 1 Các biến dự báo của các sơ đồ vi vật lý Sơ đồ Tỉ lệ xáo trộn Số hạt ngưng kết Ghi chú

Thompson Qc, Qr, Qi, Qs, Qg Ni, Nr Mibrandt-Yau Qc, Qr, Qi, Qs,

Qg, Qh

Nc, Nr, Ni, Ns, Ng, Nh Morrison-graupel Qc, Qr, Qi, Qs,

Qg, Qh Nr, Ni, Ns, Ng

3g 500kgm

2.1.3 Các chỉ số đánh giá môi trường quy mô lớn

Nhằm đánh giá điều kiện môi trường thuận lợi cho sự phát triển dông gây ra mưa đá, luận văn sử dụng một số chỉ số đánh giá dông cơ bản như VIMFC và CAPE Hội tụ thông lượng ẩm tích lũy thẳng đứng (VIMFC) tới mực 700mb được tính bởi [75]:

Trong đó, u và v là vận tốc gió, q là tỉ lệ xáo trộn hơi nước và g là gia tốc

trọng trường Đơn vị của VIMFC là kg m-2 s-1 Năng lượng đối lưu tiềm tàng khả dụng (CAPE) được dùng để đánh giá mức độ bất ổn định của môi trường có ảnh hưởng đến sự xuất hiện và phát triển dông gây ra mưa đá CAPE được định nghĩa bởi [17]:

nf

p

p

Bảng 2 Cấu hình tham số hóa của mô hình WRF

Sơ đồ đất Sơ đồ khuếch tán nhiệt Tham số hóa đối lưu Kain-Fritsch Sử dụng cho lưới một; tắt ở

lưới lồng thứ hai và thứ ba

2.1.4 Biến và chỉ số dự báo mưa đá

Theo Kain và ccs., (2008), độ xoáy ngang trong dông chủ yếu ở mực thấp và mực giữa tầng đối lưu, do đó UH được tính toán từ 2 km tới 5 km theo công thức:

10

z 2000mz

với UH là độ xoáy dòng thăng (m2s-2), w là tốc độ thẳng đứng (ms-1), là xoáy tương đối (s-1) tính trung bình lớp theo từng mực [36] Nhằm theo dõi toàn bộ quá

trình phát triển của dông, UH được tính toán cực đại giữa hai phiên xuất dữ liệu thay vì chỉ sử dụng lát cắt thời gian tại các thời điểm dự báo cố định UH đã được tích hợp làm một biến chẩn đoán trong mô hình WRF

Theo Adams và ccs., (2016), mô hình Hailcast là một mô đun được tích hợp sẵn trong mô hình WRF từ phiên bản 3.6.1 [12] Mô hình dự báo kích thước hạt mưa đá dựa trên 5 kích thước nhân ngưng kết nhúng vào mô hình, từ đó cung cấp

thông tin về kích thước mưa đá tại bề mặt Các nghiên cứu chỉ ra giá trị đường kính

hạt mưa đá cực đại HC (đơn vị mm) có giá trị dự báo tốt nhất trong số các thông tin

dự báo của mô hình Hailcast Tương tự sản phẩm UH, HC được tính toán cực đại giữa hai phiên xuất dữ liệu

Kết quả dự báo được lưu trữ mỗi một giờ Bởi UH không dự báo trực tiếp kích thước mưa đá, các sản phẩm dự báo từ UH và HC được phân ngưỡng theo ba pha cường độ mưa đá (mưa đá nhỏ, mưa đá lớn và mưa đá rất lớn) tương đồng với

sản phẩm quan trắc phân loại kích thước mưa đá (HSDA - đề cập ở mục 2.2.1)

Ngưỡng dự báo mưa đá của UH được lựa chọn theo nghiên cứu của Labriola và ccs., (2019) [42], được trình bày cụ thể tại Bảng 3

Bảng 3 Ngưỡng dự báo mưa đá cho các chỉ số và biến dự báo từ mô hình Chỉ số/Biến Mưa đá nhỏ SH

(> 5 mm)

Mưa đá lớn LH (> 25 mm)

Mưa đá rất lớn GH (> 50 mm)

Độ xoáy dòng thăng (UH) UH > 50 m

2s-2 UH > 75 m2s-2 UH > 150 m2s-2Mô hình

Hailcast (HC) D > 5 mm D > 25 mm D > 50 mm Độ xoáy dòng thăng UH là chỉ số có khả năng dự báo mưa đá tốt nhất khi so sánh với các chỉ số dông thay thế khác Mặc dù vậy, UH ban đầu không được thiết kế nhằm mục đích dự báo mưa đá, các ngưỡng dự báo quy đổi chỉ có tính chất tham khảo, dẫn tới nhiều trường hợp trị số UH dự báo mưa đá chưa tốt Đối với mô hình Hailcast, kết quả dự báo mưa đá phụ thuộc vào cả các chỉ số động lực và các quá trình vi vật lý mây Nhờ vậy, mô hình Hailcast có thể nắm bắt đầy đủ sự thay đổi của

môi trường lẫn các quá trình vi vật lý mây khi thay đổi các sơ đồ vi vật lý Kết quả của mô hình Hailcast dự báo trực tiếp giá trị kích thước hạt cực đại tại bề mặt (HC), do đó tránh được sự bất định từ sai số khi chọn ngưỡng dự báo khi so sánh với UH

2.2 Dữ liệu quan trắc mưa đá

2.2.1 Số liệu radar

Trong nghiên cứu này sử dụng số liệu của trạm radar Pha Đin - Điện Biên (tọa độ 21°57’14’’ vĩ độ Bắc và 103°51’69’’) với tần suất quan trắc và lưu số liệu là 10 phút/lần Đây là một trong những radar thời tiết Doppler WRM200, phân cực đôi, băng sóng C mới được lắp đặt tại Việt Nam Trạm radar Pha Đin được lắp đặt ở độ cao 1470 mét so với mực nước biển, xung quanh nhiều đồi núi nên dữ liệu thô của radar Pha Đin thường xuất hiện nhiễu địa hình (ở góc nâng thấp) Phần mềm lọc nhiễu do nhà sản xuất radar cung cấp cơ bản đã loại bỏ được loại nhiễu này, đảm bảo chất lượng phục vụ cho phân tích, tính toán chỉ số HSDA trong nghiên cứu

Số liệu radar thô được đọc và xử lý cơ bản thông qua thư viện Pyart [32] nhằm đưa ra các sản phẩm radar thông dụng Thuật toán Phân loại Kích thước hạt

Mưa đá HSDA được tính toán dựa trên Thuật toán Phân loại Hạt nước

(Hydrometeor Classification Algorithm - HCA) [59] và ba chỉ số gồm độ phản hồi vô tuyến (Z), độ lệch phản hồi vô tuyến (Zdr) và hệ số tương quan (CC) trên số liệu radar phân cực đôi [58] HSDA phân loại ba pha mưa đá: SH - mưa đá nhỏ (đường kính hạt từ 5 - 25 mm); LH - mưa đá lớn (đường kính hạt từ 25 - 50 mm) và GH - mưa đá rất lớn (đường kính hạt trên 50 mm)

HSDA được lấy tại góc nâng thấp nhất của radar (0,5 độ) bởi chất lượng quan trắc mưa đá tốt nhất so với các góc nâng lớn hơn hay với giá trị cực đại toàn khối quét radar [58] HSDA sau đó được nội suy về lưới độ phân giải ngang 1,5 km, tương ứng với độ phân giải ngang của mô hình WRF sử dụng trong nghiên cứu Số liệu mỗi 10 phút được tổng hợp và tính toán giá trị cực đại trong toàn bộ thời gian ghi nhận báo cáo mưa đá Độ chính xác của dữ liệu radar giảm dần theo khoảng cách từ trạm, do đó số liệu dùng để tính toán HSDA được cắt về miền lưới vuông, tâm tại tọa độ radar, kích thước 2 độ kinh vĩ tương đương bán kính quét khoảng 100

- 120 km (Hình 2.1) Quy trình tính toán HSDA từ dữ liệu radar được trình bày đầy đủ tại Phụ lục 1

2.2.2 Dữ liệu báo cáo mưa đá

Các thông tin về địa điểm xảy ra mưa đá được thu thập, tổng hợp từ nhiều nguồn có độ tin cậy cao như các báo cáo thiệt hại tại địa phương, Dữ liệu thiệt hại do mưa đá cung cấp từ trang tin điện tử của Ban chỉ đạo quốc gia về phòng chống thiên tai [7] Bên cạnh đó, nhiều thông tin từ báo chí, các phương tiện truyền thông như phóng sự, video ghi nhận hiện trường… cung cấp dữ liệu về địa điểm, thời điểm và kích thước hạt mưa đá Đây là nguồn thông tin hữu ích bổ sung cho số liệu quan trắc radar, vốn còn nhiều điểm bất định Các địa điểm xảy ra mưa đá được thống kê, tổng hợp tại Phụ lục 2; Dữ liệu thiệt hại do hai đợt mưa đá được trình bày trong Phụ lục 3

2.3 Phương pháp đánh giá dự báo mưa đá

Nghiên cứu này tập trung đánh giá khả năng dự báo phân bố theo không

gian của mưa đá thông qua điểm kỹ năng không gian (Fraction Skill Score - FSS) [64] Đầu tiên, trường quan trắc O và trường dự báo M trên cùng lưới được phân ngưỡng q phù hợp Sau đó, đồng hóa các trường dưới dạng nhị phân IO và IM, tương ứng sao cho mọi điểm lưới vượt ngưỡng nhận giá trị bằng 1 và còn lại nhận giá trị bằng 0, hay:

Xác suất lân cận quanh bán kính vuông n thể hiện tỉ lệ diện tích giá trị vượt ngưỡng q trên diện tích n x n điểm lân cận, thay vì sử dụng trực tiếp giá trị của điểm

lưới đó Từ xác suất lân cận, điểm kỹ năng không gian FSS(n) tại mỗi quy mô lân

cận n được tính theo tỉ số giữa sai số quân phương (MSE) và sai số quân phương

liên hệ (MSEref):

yxN

i 1 j 1xy

n refMSE

Trong đó Nx và Ny là kích thước miền tính FSS nhận giá trị từ 0 tới 1, tăng

dần khi n tăng lên Với f0 là xác suất dự báo ngẫu nhiên (tỉ lệ giữa diện tích miền

quan trắc vượt ngưỡng q trên diện tích miền tính), FSS có kỹ năng (hay có ý nghĩa)

khi giá trị vượt ngưỡng L:

0fL0.5

Khi bán kính lân cận n bằng không, FSS(n) tương ứng với đánh giá điểm Khi

n tăng lên, diện tích miền lân cận tăng lên nâng cao xác suất dự báo đúng, giúp

điểm kỹ năng FSS tăng lên Khi n tiến tới kích thước miền tính Nx (hoặc Ny), FSS tiệm cận tới giá trị dự báo chính xác (bằng 1) Hiển nhiên, kết quả dự báo của mô hình chỉ thật sự có ý nghĩa ở các ngưỡng quy mô không gian không quá lớn Do đó

kết quả dự báo được coi là tốt khi quy mô không gian đạt kỹ năng scalemin không

quá lớn và điểm kỹ năng FSS tăng nhanh theo quy mô không gian n

Chỉ số FSS có khả năng đánh giá sự tương đồng theo không gian, chỉ ra đặc trưng sai số khoảng cách trong không gian của dự báo Do đó, chỉ số thích hợp dùng