Đánh Giá Khả Năng Dự Báo Mưa Từ Mô Hình Ecmwf Cho Khu Vực Việt Nam.pdf

Nhóm tác giả đã sử dụng mô hình hồi quy logistic ELR để dự báo xác suất dự báo lượng mưa trung bình tuần và cho tuần 3-4 bắt đầu từ tháng 5-8 với ngưỡng phân vị 33 và 67 từ lượng mưa tíc

Trang 1

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

Đặng Hải Yến

ĐÁNH GIÁ KHẢ NĂNG DỰ BÁO MƯA TỪ MÔ HÌNH ECMWF

CHO KHU VỰC VIỆT NAM

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội - 2023

Trang 2

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

Đặng Hải Yến

ĐÁNH GIÁ KHẢ NĂNG DỰ BÁO MƯA CỦA MÔ HÌNH ECMWF

CHO KHU VỰC VIỆT NAM

Chuyên ngành: Khí tượng học Mã số: 8440222.01

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Công Thanh

Hà Nội – Năm 2023

Trang 3

1.1 Tình hình nghiên cứu ngoài nước 9

1.2 Tình hình nghiên cứu trong nước 15

CHƯƠNG 2 PHƯƠNG PHÁP VÀ SỐ LIỆU 19

2.1 Số liệu 19

2.1.1 Số liệu S2S từ mô hình toàn cầu ECMWF 19

2.1.2 Số liệu quan trắc tại trạm 23

2.1.3 Số liệu mưa vệ tinh CMORPH 24

2.2 Cách xác định cực trị mưa 25

2.3 Phương pháp đánh giá chất lượng mô hình dự báo 25

2.3.1 Đánh giá dự báo xác định 25

2.3.2 Đánh giá dự báo xác suất 26

CHƯƠNG 3 KẾT QUẢ NGHIÊN CỨU 31

3.1 Đặc điểm phân bố mưa của Việt Nam 31

3.1.1 Đặc điểm phân bố mưa theo tháng 31

3.1.2 Đặc điểm phân bố mưa theo tuần 35

Trang 5

3

DANH MỤC HÌNH

Hình 2.1 Bản đồ phân vùng khí hậu phục vụ nghiên cứu 19

Hình 2.2 Biểu đồ hiển thị đường cong ROC và AUC 28

Hình 3.1 Phân bố lượng mưa trung bình các tháng DJF giai đoạn 2001-2020 từ số liệu mưa vệ tinh CMORPH 31

Hình 3.2 Tương tự hình 3.1 nhưng đối với các tháng MAM 32

Hình 3.3 Tương tự hình 3.1 nhưng cho các tháng JJA 33

Hình 3.4 Tương tự hình 3.1 nhưng cho các tháng SON 34

Hình 3.5 Phân bố lượng mưa trung bình tuần cho các tháng DJF giai đoạn 2020 từ số liệu mưa vệ tinh CMORPH 36

2001-Hình 3.6 Tương tự hình 3.5 nhưng đối với các tháng MAM 37

Hình 3.9 Kết quả đánh giá MAE tổng lượng mưa 7 ngày giữa CMORPH và S2S đối với leadtime1 đến leadtime6 cho các tháng DJF 42

Hình 3.10 Tương tự hình 3.9 nhưng cho các tháng MAM 43

Hình 3.13 Kết quả đánh giá ME tổng lượng mưa 7 ngày giữa CMORPH và S2S đối với leadtime1 đến leadtime6 cho các tháng DJF 46

Trang 6

4 Hình 3.17 Kết quả đánh giá RMSE tổng lượng mưa 7 ngày giữa CMORPH và S2S

đối với leadtime1 đến leadtime6 cho các tháng DIJ 50

Hình 3.21 Kết quả đánh giá ROC tổng lượng mưa 7 ngày đối với leadtime1 đến leadtime6 cho các tháng DIJ cho ngưỡng mưa 25mm 55

Hình 3.22 Tương tự như hình 3.21 nhưng cho các tháng MAM 56

Hình 3.23 Tương tự như hình 3.21 nhưng cho các tháng JJA 57

Hình 3.24 Tương tự như hình 3.21 nhưng cho các tháng SON 58

Hình 3.25 Kết quả đánh giá ROC tổng lượng mưa 7 ngày đối với leadtime1 đến leadtime6 cho các tháng DIJ cho ngưỡng mưa 50mm 59

Hình 3.33 Kết quả đánh giá BSS tổng lượng mưa 7 ngày đối với leadtime1 đến leadtime6 cho các tháng DIJ cho ngưỡng mưa 25mm 67

Hình 3.37 Kết quả đánh giá BSS tổng lượng mưa 7 ngày 71

Trang 7

5

Hình 3.41 Kết quả đánh giá BSS tổng lượng mưa 7 ngày đối với leadtime1 đến leadtime6 cho các tháng DJF cho ngưỡng mưa 100mm 75

Hình 3.42 Tương tự như hình 3.41 cho các tháng MAM 76

Trang 8

6

DANH MỤC CHỮ VIẾT TẮT

ECWWF European Centre for

Medium-Range Weather Forecasts

Trung tâm dự báo hạn vừa Châu Âu

CMORPH CPC MORPHing technique kỹ thuật MORPHing CPC S2S Sub-seasonal to seasonal Nội mùa đến mùa

NCEP National Centers for

Cơ quan Khí tượng Nhật Bản

UKMO UK Meteorological Office Tổ chức khí tượng Vương

quốc Anh TRMM Tropical Rainfall

Trang 9

7

MỞ ĐẦU

Mưa tạo ra nguồn tài nguyên nước ngọt cho hoạt động sống của con người Tuy nhiên mưa lớn kéo dài là một trong những nguyên nhân gây ra lũ lụt, úng ngập, phá hủy của cải, tài sản do con người làm ra, thậm chí dẫn đến thiệt hại cả tính mạng con người Trong công tác dự báo khí tượng thủy văn (KTTV), mưa lớn, đặc biệt ở những vùng nhiệt đới, chính là một hiện tượng thời tiết nguy hiểm rất dễ dẫn đến lũ quét, lũ ống, sạt lở đất,… tại các khu vực có địa hình dốc, sông ngắn, hẹp và gây ra những thảm họa khôn lường Chính vì vậy, công tác dự báo mưa lớn luôn luôn được quan tâm và đầu tư tại nhiều quốc gia trên thế giới và tại Việt Nam Dự báo mưa lớn chính xác là một trong những nhiệm vụ quan trọng hàng đầu đảm bảo độ chính xác của bài toán dự báo thủy văn, góp phần nâng cao hiệu quả phòng tránh và giảm nhẹ thiên tai

Việc dự báo mưa chính xác có vai trò cực kì quan trọng trong phát triển kinh tế xã hội, đặc biệt với một quốc gia đang phát triển như Việt Nam Việt Nam có nhiều mặt hàng xuất khẩu đứng trong Top 5 thế giới như gạo, hạt điều, cà phê… Việt Nam cũng là nước sản xuất sữa lớn nhất Đông Nam Á Sự thành công của cả nền nông nghiệp và xuất khẩu này thụ thuộc hoàn toàn vào mưa Mạng lưới nhà máy thuỷ điện dầy đặc ở Việt Nam cũng phụ thuộc vào mưa để cung cấp điện, vận hành trường học, bệnh viện và cả nền kinh tế Ở một khía cạnh khác, mưa lớn thường xuyên xuất hiện ở Việt Nam, gây ra thiệt hại nặng nề cho người và của Mưa lớn có thể xuất hiện hầu hết các thời điểm trong năm và thường kéo theo sự xuất hiện của các hiện tượng nguy hiểm khác như lũ ống, lũ quét, sạt lở đất Theo thống kê trong những năm gần đây, mưa lớn có xu hướng xuất hiện nhiều hơn, cường độ cao hơn và hậu quả gây ra cũng trầm trọng hơn Do đó, dự báo mưa là vấn đề cấp thiết, việc đánh giá khả năng dự báo mưa có vai trò quan trọng trong công tác dự báo mưa

Những năm gần đây cùng với sự phát triển của khoa học kĩ thuật ngành khí tượng học đã có nhiều nghiên cứu ứng dụng cho kết quả dự báo chính xác hơn Rất nhiều mô hình khu vực được nghiên cứu để áp dụng vào trong nghiệp vụ dự báo

Trang 10

8 thời tiết, nhờ đó chất lượng dự báo đang dần được cải thiện Tuy nhiên, việc cải thiện và hiệu chỉnh việc dự báo mưa cũng phụ thuộc vào kết quả đánh giá với tập số liệu trong quá khứ Vì vậy, việc đánh giá khả năng dự báo mưa từ mô hình so với các số liệu như vệ tinh hay quan trắc đóng một vai trò quan trước khi làm công tác hiệu chỉnh sản phẩm dự báo sau này

Luận văn sẽ có những mục tiêu chính và bố cục như sau : Mục tiêu của luận văn :

- Nhận xét đặc điểm mưa tuần, tháng từ bộ số liệu CMORPH năm 2000-2019 - Đánh giá khả năng sử dụng mưa từ thành phần kiểm chứng của số liệu dự

báo ECMWF cho 7 vùng khí hậu Việt Nam - Đánh giá khả năng sử dụng mưa từ các thành phần tổ hợp của số liệu dự báo

ECMWF cho 7 vùng khí hậu Việt Nam Bố cục của luận văn :

- Chương 1 : Tổng quan - Chương 2 : Phương pháp và số liệu - Chương 3 : Kết quả nghiên cứu

Trang 11

9

CHƯƠNG 1 TỔNG QUAN 1.1 Tình hình nghiên cứu ngoài nước

Đánh giá dự báo là một trong những đề tài được nước ngoài quan tâm và coi trọng không chỉ để nắm bắt được khả năng dự báo của một mô hình hay số liệu mà đây còn là kết quả quan trọng trước khi tiến tới việc hiệu chỉnh để có được kết quả dự đoán tốt hơn Do đó, đã có nhiều tác giả ở các khu vực khác nhau trên thế giới quan tâm đến đề tài này

Li và Robertson (2015) Đánh giá khả năng dự báo lượng mưa tháng của Hệ thống dự báo toàn cầu (EPS) cho các mô hình ECMWF, NCEP, JMA giai đoạn 17 năm từ 1992-2008 Kết quả cho thấy các giá trị đánh giá dự bào tốt và có có mối tương quan chặt chẽ hơn về mặt thống kê ở một số khu vực, đặc biệt là khu vực xích đạo Thái Bình Dương và Đại Tây Dương Nghiên cứu đã sử dụng các chỉ số đánh giá tất định RMSE và CORR và chỉ số đánh giá xác suất MSSS để đánh giá khả năng dự báo từ các mô hình ECMWF, NCEP, JMA Cả ba mô hình đều có kỹ năng trong tuần 1 cao hơn ba tuần tiếp theo, kỹ năng dự báo giảm từ các tuần 3-4 Hệ thống dự báo ECMWF có xu hướng cung cấp kỹ năng dự báo cao hơn hai hệ thống còn lại về các hệ số tương quan (CORR) và sai số quân phương (RMSE)

Viguad và Robertson (2017) đã tiến hành nghiên cứu khả năng dự báo lượng mưa đối với các khu vực gió mùa mùa hè Bắc Mỹ (NAM), Tây Phi (WAM) và Châu Á (AM) bằng cách sử dụng ba hệ thống dự báo tổ hợp EPS để dự báo cho 4 tuần Nghiên cứu đã sử dụng bộ dữ liệu S2S từ các mô hình ECMWF, NCEP, CMA với số liệu dự báo lại S2S cho giai đoạn 1999-2010 so sánh với dữ liệu mưa vệ tinh GPCP Nhóm tác giả đã sử dụng mô hình hồi quy logistic ELR để dự báo xác suất dự báo lượng mưa trung bình tuần và cho tuần 3-4 bắt đầu từ tháng 5-8 với ngưỡng phân vị 33 và 67 từ lượng mưa tích lũy tuần GPCP và sử dụng chỉ số RPSS để đánh giá kỹ năng dự báo từ các mô hình Dự báo đa mô hình MME cho thấy các mô hình có kỹ năng dự báo tốt nhất ở tuần 1 Việc kết hợp nhiều mô hình loại bỏ giá trị âm của điểm kỹ năng xác suất xếp hạng RPSS Dự báo đa mô hình MME tuần 3-4 có

Trang 12

10 RPSS cao hơn và độ tin cậy cao hơn trên tất cả các vùng có gió mùa, so với dự báo riêng từ các mô hình

Coelho và các cộng sự (2018) đã đánh giá kết quả dự báo mưa từ một đến bốn tuần ở khu vực Nam Mỹ Nghiên cứu đã sử dụng các chỉ số đánh giá tất định và đánh giá xác suất để đánh giá khả năng dự báo mưa cho khu vực Nam Mỹ từ mô hình ECMWF Nhóm tác giả đã sử dụng các chỉ số như hệ số tương quan, MSSS, ROC để đánh giá khả năng dự báo mưa và kết quả cho thấy rằng mô hình ECMWF có kỹ năng dự báo tốt hơn ở tuần 1-2 sau đó kỹ năng giảm đáng kể ở tuần 3-4 Việc đánh giá các dự báo của ECMWF được đưa ra cho tuần 18–24 tháng 4 năm 2016 chỉ ra rằng mô hình có kỹ năng dự báo trước tối đa bốn tuần về khả năng xảy ra mùa khô ở khu vực phía đông bắc Brazil và lượng mưa trên các vùng phía đông bắc Argentina, Uruguay và miền nam Brazil và Peru Tuy nhiên, mô hình không chỉ ra được khả năng xuất hiện mưa trên Venezuela, Guyana, Suriname và Guyana thuộc Pháp, đặc biệt là tuần 3 và tuần 4

Eniola Olaniyan và cộng sự (2018) đã nghiên cứu đánh giá lượng mưa hạn dưới mùa đến mùa của ECMWF cho khu vực Niggeria Nghiên cứu đã sử dụn bộ dữ liệu mưa dự báo lại S2S từ mô hình ECMWF cho giai đoạn 1998-2012 Nhóm tác giả đã sử dụng đánh giá bằng phương pháp thống kê RMSE, CORR để đánh giá sự sai lệch giữa quan trắc Kết quả cho thấy rằng mô hình ECMWF-S2S có khả năng dự báo tốt và có kỹ năng dự báo cho khu vực Nigeria Nghiên cứu đã chỉ ra rằng mô hình ECMWF có khả năng dự báo tốt cho tuần 1-2 hơn so với tuần 3-4 Kết quả nghiên cứu cũng chi ra rằng mô hình có kỹ năng dự báo kém với dự báo cường độ gió ở mực 700mb Tuy nhiên ở các pha ENSO, mô hình ECMWF với bộ dữ liệu S2S có kỹ năng dự báo tốt

James Doss-Gollin và cộng sự (2018) đã nghiên cứu và đánh giá kỹ năng dự báo lượng mưa lớn ở Paraguay trong mùa hè Úc năm 2015/2016 Việc nghiên cứu này nhằm mục đích đánh giá kỹ năng dự báo lượng mưa hạn nội mùa đến mùa để cung cấp cho người dùng những thông tin về thời điểm bắt đầu đợt mưa trước hai đến bốn tuần Nghiên cứu đã sử dụng bộ dữ liệu S2S từ mô hình ECMWF với gia

Trang 13

11 đoạn 1995-2014 để đánh giá kỹ năng dự báo mưa Nhóm tác giả sử dụng phương phaps dự báo và đánh giá theo phương pháp thống kê đầu ra của mô hình MOS để hiệu chỉnh các sai số khác nhau từ đầu ra của mô hình Kết quả cho thấy rằng mô hình ECMWF có kỹ năng dự báo mưa lớn đến tuần 2, khi sử dụng tổ hợp cải thiện kỹ năng dự báo lên đến tuần thứ 3

Vigaud và cộng sự (2018) đã tiến hành đánh giá kỹ năng dự báo xác xuất lượng mưa dưới mùa cho khu vực Đông Phi – Tây Á trong thời gian từ tháng 9 đến tháng 5 Nghiên cứu được đánh giá bằng cách sử dụng ba hệ thống dự báo tổ hợp EPS từ bộ số liệu S2S Nghiên cứu sử dụng phương pháp hồi quy logistic mơ rộng ELR và dự báo đa mô hình được xây dựng bằng cách tính trung bình xác suất của từng mô hình riêng lẻ Nghiên cứu sử dụng bộ dữ liệu trong giai đoạn 1999-2010 từ các mô hình ECMWF, NCEP, CMA Kết quả nghiên cứu chỉ ra rằng việc hiệu chỉnh từng mô hình riêng biệt tạo ra xác suất hàng tuần có độ tin cậy cao, nhưng dự báo có kỹ năng giảm sau tuần 1 Việc kết hợp nhiều mô hình cho khu vực Đông Phi và Tây Á cũng loại bỏ những điểm kỹ năng kém từ mỗi mô hình Dự báo đa mô hình tuần 3-4 có độ tin cậy cao và có kỹ năng dự báo tốt Những kết quả này cho thấy các mô hình có kỹ năng dự báo hạn nội mùa đến mùa cho khu vực Đông Phi và Tây Á

Andrea và các cộng sự (2020) đã nghiên cứu nhằm mục đích đưa ra một minh họa của việc thiết lập đánh giá với việc tính toán điểm kỹ năng, phục vụ đánh giá dự báo dưới mùa Việc đánh giá dự báo được thiết lập để tính toán điểm kỹ năng xác xuất được xếp hạng cho ngưỡng phân vị đã được xây dựng Để đánh giá nghiên cứu đã sử dụng số lượng mẫu khác nhau để tính toán các chỉ số xác suất RPSS Số liệu được sử dụng trong 20 năm từ hệ thống ECMWF-Ext-ENS với 51 thành phần với dữ liệu S2S từ 1996-2015 được nội suy về lưới trước khi tính toán và hiệu chỉnh Nghiên cứu đã sử dụng các chỉ số đánh giá xác suất RPS, RPSS, CRPSS, để đánh giá điểm kỹ năng dự báo với hạn dự báo đến 4 tuần Kết quả cũng chỉ ra rằng tuần 1-2 có kỹ năng dự báo tốt hơn so với tuần 3-4 Nghiên cứu đã chỉ ra rằng cần ghép

Trang 14

12 một số ngày để tăng dung lượng mẫu cho việc đánh giá chất lượng dự báo do các hệ thống khác nhau có độ dài số liệu tương tự nhau

Huanran He và các cộng sự (2020) đã nghiên cứu đánh giá và hiệu chỉnh dự báo hạn nội mùa đến mùa (S2S) cho lượng mưa của mô hình ECMWF trong suốt mùa hè ở miền Đông Trung Quốc Nghiên cứu đã sử dụng dữ liệu dự báo lại S2S của mô hình ECMWF cho giai đoạn 1995-2014 với hạn dự báo 0-30 ngày Nhóm tác giả đã sử dụng các chỉ số thống kê để đánh giá khả năng dự báo mưa từ mô hình ECMWF như hệ số tương quan R, RMSE và các chỉ số đánh giá dự báo pha như FAR, POD, ETS dùng để đánh giá kỹ năng của dự báo Kết quả nghiên cứu cho thấy rằng mô hình ECMWF có kỹ năng dự báo tốt đến 15 ngày ở một số khu vực thuộc Đông Nam Trung Quốc, sau khi hiệu chỉnh, kỹ năng dự báo được cải thiện lên đến 30 ngày Đối với khoảng thời gian dự báo 0-30 ngày, trước và sau hiệu chỉnh RMSE nhỏ nhất ở khu vực Đông Bắc Trung Quốc Sau hiệu chỉnh, chất lượng dự báo được cải thiện rõ rệt đối với việc dự báo lượng mưa cho khu vực phía Đông Trung Quốc Nghiên cứu đã chỉ ra rằng nên áp dụng SST trong việc hiệu chỉnh lượng mưa cho khu vực phía Đông Trung Quốc

Damien Specq và Lauriane Batté (2020) nghiên cứu việc sử dụng các phương pháp thống kê động lực để cải thiện dự báo lượng mưa dưới mùa ở vùng nhiệt đới tây nam Thái Bình Dương Nhóm tác giả đã sử dụng các chỉ số đánh giá thống kê MSSS và ROCSS với dữ liệu dự báo lại từ Meteo-France và ECMWF Các dự báo quy mô lớn được sử dụng để xây dựng mô hình thống kê là các chỉ số khí hậu liên quan đến Dao động Nam El Niño và Dao động Madden-Julian Phương pháp này cải thiện đáng kể tất cả các số liệu dựa trên đánh giá xác suất cho tất cả các khoảng thời gian dự báo (tuần 1 đến tuần 4) Kết quả sai số cho thấy kỹ năng dự báo tốt đến tuần thứ 2 sau đó giảm dần từ tuần thứ 3 và thứ 4 Còn với hệ thống Meteo France S2S thì sai số giảm đáng kể Thông tin liên quan đến ENSO một phần cung cấp thêm các kỹ năng dự báo, trong khi thông tin liên quan đến MJO không còn thực sự hữu ích sau tuần thứ 2 trong khu vực nghiên cứu Nghiên cứu cũng chỉ ra rằng kỹ

Trang 15

13 năng dự báo của ECMWF tốt hơn so với Meteo-France với các sai số có cải thiện đáng kể

Bathsheba Musonda và các cộng sự (2021) đã nghiên cứu đánh giá kỹ năng dự báo mưa hạn dưới mùa đến mùa cho khu vực Zambia Nghiên cứu đã sử dụng bộ dữ liệu S2S của 3 mô hình ECMWF, CMA và NCEP với hạn dự báo 1 tháng giai đoạn 1998-2017 Nhóm tác giả đã sử dụng các chỉ số thống kê với các chỉ số xác định MAE, RMSE, hệ số tương quan Pearson và các chỉ số đánh giá xác suất như CRPS và CRPSS, để đánh giá khả năng dự báo mưa từ các mô hình Kết quả cho thấy rằng Zambia với lượng mưa theo mùa các tháng từ 11 đến tháng 3 Trong đó tháng 2 là tháng cao điểm mùa mưa với lượng mưa trên toàn Zambia Mùa khô kéo dài từ tháng 5 đến tháng 9 Kết quả cũng chỉ ra trong 3 mô hình, mô hình ECMWF có kỹ năng dự báo tốt nhất so với 2 mô hình còn lại là NCEP và CMA Mô hình ECMWF có khả năng dự báo tốt đặc biệt vào mùa mưa với sai số nhỏ và hệ số tương quan tốt

De andrade và cộng sự (2021) đã nghiên cứu dự báo lượng mưa hạn dưới mùa ở châu Phi đồng thời đánh giá chất lượng dự báo lượng mưa hạn dưới mùa từ ba mô hình (ECMWF, UKMO và NCEP) Nhóm nghiên cứu đã tiến hành đánh giá chất lượng dự báo lượng mưa tích lũy hàng tuần ở Châu Phi bằng so với lượng mưa từ bộ dữ liệu GPCP Sau đó, chất lượng dự báo lượng mưa hàng tuần được liên hệ với yếu tố động lực (ENSO, IOD và MJO) thông qua thử nghiệm khả năng dự báo lượng mưa của mô hình ECMWF ở Châu Phi từ 1997– 2014 Đối với đánh giá tất định, nghiên cứu đã đánh giá mức độ dự báo bằng cách dử dụng kết hợp chỉ số MSSS với mối tương quan và tỷ lệ giữa các phương sai được dự báo và quan trắc Kết quả đánh giá tất định cho thấy mối tương quan đáng kể lớn hơn 0,4 giữa các giá trị dự báo và quan trắc đối với tất cả các mô hình trong tuần 1–2 trên khắp Đông Phi Đối với đánh giá xác suất, kết quả có thể được xác định bằng RPSS và chúng liên quan đến sự cân bằng giữa độ tin cậy và độ phân giải Kết quả cho thấy hạn dự báo 1-2 tuần có kỹ năng dự báo tốt hơn so với các hạn dự báo 3-4 tuần Kết quả cho thấy là các mối tương quan đáng kể vẫn còn sau khi loại bỏ các hiệu ứng ENSO và

Trang 16

14 IOD; chất lượng của dự báo không chỉ phụ thuộc vào các chế độ biến động giữa các năm này

Endris và cộng sự (2021) đã đánh giá kỹ năng dự báo mưa từ các hệ thống dự báo mưa toàn cầu Kết quả nghiên cứu đã sử dụng số liệu dự báo lại S2S của 11 mô hình dự báo để đánh giá và so sánh khả năng dự báo của các mô hình với đánh giá tất định và đánh giá xác suất so sánh với số liệu mưa vệ tinh CHRIPS Nghiên cứu đã sử dụng các chỉ số ME, RMSE, hệ số tương quan, giản đồ Taylor để đánh giá tất định, các chỉ số RPS, SPR để đánh giá xác xuất Kết quả cho thấy rằng, ở khu vực vùng Châu Phi, kỹ năng dự báo tốt hơn ở hạn dự báo 1-2 tuần, kỹ năng dự báo giảm đáng kể từ hạn dự báo 3-4 tuần Kết quả phân tích cho thấy khả năng dự báo thay đổi theo tháng và theo khu vực Nói chung, các mô hình thể hiện kỹ năng dự đoán cao trong thời gian bắt đầu mùa mưa vào tháng 3 và kỹ năng dự báo thấp hơn trong thời kỳ đỉnh điểm của lượng mưa vào tháng 4 Hệ thống tổ hợp của các mô hình ECCC, ECMWF, KMA, NCEP và UKMO thể hiện khả năng dự báo tốt hơn trong khu vực Châu Phi trong hầu hết các tháng so với phần còn lại của mẫu đánh giá Ngược lại, BoM, CMA, HMCR và ISAC thể hiện kỹ năng dự đoán kém trong khu vực Châu Phi Nhìn chung, ECMWF mô hình nghiệp vụ tốt nhất trong khu vực Châu Phi trong số 11 mô hình được phân tích

Nicholas P Klingaman và cộng sự (2021) đã nghiên cứu đánh giá dự báo mưa hạn nội mùa cho cho vực Nam Mỹ Nghiên cứu đã sử dụng số liệu S2S từ 4 mô hình ECMWF, NCEP, UKMO, BAM để đánh giá kỹ năng dự báo mưa hàng tuần cho tháng 11 đến tháng 3 (NDJFM) với giai đoạn 1999-2010 để so sánh với dữ liệu mưa vệ tinh CHRIPS Nghiên cứu đã sử dụng các chỉ số đánh giá sử dụng bộ dữ liệu dự báo lại với hạn dự báo 1-5 tuần Nghiên cứu thực hiện tính toán các chỉ sô thống kê RMSE, hệ số tương quan, sử dụng chỉ số đánh giá điểm kỹ năng Brier (BSS) để đánh giá kỹ năng dự báo của các mô hình cho khu vực Nam Mỹ Kết quả cho thấy rằng sai số từ mô hình ECMWF nhỏ nhất, UKMO có sai số trung bình và sai số lớn nhất với mô hình NCEP và BAM Sai số RMSE được đánh giá lớn hơn ở miền Nam và miền Đông Brasil Tất cả các mô hình đều cho sai số lượng mưa trung

Trang 17

15 bình đáng kể, với sai số nhỏ hơn ở tuần 1 và lớn dần ở các tuần sau đó Đánh giá điểm kỹ năng BSS cho thấy khi dử dụng tổ hợp có khả năng kéo dài kỹ năng dự báo đến tuần thứ 3 Nhìn chung các mô hình dự báo tốt hơn ở tuần 1-2 và giảm dần từ tuần 3-5

Pauline Rivoire và cộng sự (2022) đã nghiên cứu đánh giá lượng mưa cực trị của S2S từ mô hình ECMWF cho toàn châu Âu Nghiên cứu đã chỉ ra lượng mưa cực trị được định nghĩa là lượng mưa tích lũy hằng ngày vượt quá ngưỡng phân vị 95 Nhóm tác giả đã sử dụng dữ liệu mưa S2S của ECMWF cho 11 thành phần và sử dụng số liệu đánh giá từ 2001-2020 Nghiên cứu đã sử dụng các chỉ số đánh giá xác xuất để đánh giá các thành phần tổ hợp như BLI, điểm kỹ năng Brier BS và BSS Kết quả nghiên cứu cho rằng mô hình có kỹ năng dự báo tốt nhất cho khu vực Na Uy, Bồ Đào Nha và phía Nam của dãy Alps Mô hình có kỹ năng dự báo tốt hơn với cực trị mưa Mô hình có khả năng dự báo tốt hơn ở vùng ven biển so với lục địa Mô hình có kỹ năng dự báo mưa cực trị tốt nhất ở tuần 1, tuy nhiên mô hình vẫn có kỹ năng dự báo tuần 1-2 và kỹ năng dự báo giảm từ tuần 3-4 Kết quả cũng chỉ ra rằng mô hình ECMWF có kỹ năng dự báo tốt hơn vào mùa đông

1.2 Tình hình nghiên cứu trong nước

Nguyễn Đức Ngữ và Nguyễn Trọng Hiệu (2004) đã chỉ rằng, lượng mưa năm ở miền Bắc trội hơn ở miền Nam Vai trò của địa hình, trước hết là các hệ thống núi lớn, đặc biệt quan trọng đối với phân bố lượng mưa năm Lượng mưa trung bình năm ở nước ta vào khoảng 700 - 5000mm Trị số phổ biến của đặc trưng này khoảng 1400 - 2400mm Việt Nam được chia thành 7 vùng khí hậu với đặc điểm khí hậu và đặc điểm mưa khác nhau: Tây Bắc (B1), Đông Bắc (B2), Đồng bằng Bắc Bộ (B3), Bắc Trung Bộ (B4), Nam Trung Bộ (N1), Tây Nguyên (N2), Nam Bộ (N3) Đối với vùng Tây Bắc (B1), mùa mưa bắt đầu vào tháng IV, tháng V, kết thúc vào tháng IX, tháng X, kéo dài 5 - 7 tháng Cao điểm của mùa mưa phổ biến vào tháng VII hay tháng VIII Riêng một số nơi ở Hòa Bình vào tháng IX Tương tự Tây Bắc, đối với vùng Đông Bắc (B2) mùa mưa bắt đầu vào tháng IV, tháng V, kết thúc vào

Trang 18

16 tháng IX, X, kéo dài 5 - 7 tháng nơi mưa nhiều cũng như ở nơi mưa ít, cao điểm mùa mưa vào tháng VII, tháng VIII Đồng bằng Bắc Bộ (B3) với mùa mưa bắt đầu vào tháng IV, tháng V, kết thúc vào tháng X, kéo dài 6 - 7 tháng Cao điểm mùa mưa phổ biến vào tháng VII, tháng VIII, một vài nơi ở phía Nam (Ninh Bình) vào tháng IX Với Bắc Trung Bộ (B4), ở vùng núi phía Tây Bắc (Thanh Hóa, Bắc Nghệ An) mùa mưa bắt đầu từ tháng V, cao điểm vào tháng VII, tháng VIII, kết thúc vào tháng X, kéo dài 6 tháng Ở vùng núi phía Tây Nam (Thừa Thiên - Huế), mùa mưa bắt đầu từ tháng IV, cao điểm vào tháng X, kết thúc vào tháng XII, tháng I, kéo dài 9 - 10 tháng Với Nam Trung Bộ (N1), ở vùng núi phía Tây Bắc (Tây Quảng Nam, Tây Quảng Ngãi), mùa mưa bắt đầu vào tháng V, cao điểm vào tháng X, tháng XI, kết thúc vào tháng XII, tháng I, kéo dài 8 - 9 tháng Ở các vùng khác, mùa mưa phổ biến bắt đầu vào tháng VIII, IX, cao điểm vào tháng X, tháng XI, kết thúc vào tháng XII Cá biệt, mùa mưa bắt đầu từ tháng V, tháng VI, gián đoạn vào tháng VII Ở Tây Nguyên (N2), mùa mưa bắt đầu vào tháng IV, tháng V, cao điểm vào tháng VIII, kết thúc vào tháng X, tháng XI, kéo dài 6 - 8 tháng Ở Nam Bộ (N3), hầu hết nơi ở đồng bằng Nam Bộ có mùa mưa bắt đầu vào tháng V, cao điểm vào tháng IX, tháng X, kết thúc vào tháng XI, kéo dài 5 - 6 tháng

Võ Văn Hòa (2016) Sử dụng nguồn số liệu trong thời gian 5 năm (từ 2008 - 2012) trên khu vực Trung Bộ và Tây Nguyên, để tiến hành nghiên cứu đánh giá khả năng dự báo các đợt mưa lớn diện rộng này từ các số liệu dự báo mưa của 4 mô hình toàn cầu nhận được tại Trung tâm Dự báo KTTV Trung ương gồm: Mô hình GFS của NCEP, Mô hình GSM của JMA, Mô hình NOGAPS của Hải quân Mỹ và Mô hình IFS của ECMWF Kết quả đánh giá cho thấy, hai mô hình IFS và GSM cho kết quả dự báo mưa lớn chính xác hơn hai mô hình còn lại, trong đó, IFS có chất lượng dự báo mưa lớn cao hơn GSM một chút Tuy nhiên, khả năng dự báo được các đợt mưa lớn đặc biệt lớn của các mô hình toàn cầu nói trên vẫn còn nhiều hạn chế

Đào Anh Công và các cộng sự (2023) đã nghiên cứu, đánh giá khả năng ứng dụng sản phẩm dự báo hạn nội mùa của mô hình IFS CY48R1 và CFSv1 cho khu

Trang 19

17 vực Bắc Trung Bộ Nghiên cứu đã sử dụng số liệu dự báo lại (reforecast) của Í CY48R1 từ 2000-2019, số liệu dự báo lại CFSv1 2000-2010 và số liệu mưa vệ dinh TRMM từ 2000-2019 Nhóm tác giả đánh giá hạn dự báo từ 3 đến 6 tuần với từng độ phân giải thời gian là 7 ngày, nghiên cứu sử dụng các chỉ số đánh giá thống kê ME, MAE, RMSE, CORR và các chỉ số đánh giá pha brier score và ROC curve được tính cho từng ô lưới của trung bình các thành phần dự báo (ensemble mean) Kết quả chi ra rằng cả 2 mô hình IFS và CFSv1 có tiềm năng trong việc ứng dụng vào công tác dự báo hạn nội mùa cho khu vực Bắc Trung Bộ Mô hình CFSv1 có kỹ năng dự báo tốt hơn IFS vào các tháng 11 - tháng 3, nhưng lại thể hiện kỹ năng dự báo kém hơn khá nhiều so với IFS vào các tháng mùa mưa (tháng 7 - tháng 10) Cả 2 mô hình đều tiềm ẩn khả năng hiệu chỉnh sai số hệ thống vào các tháng 12 - tháng 4 và tháng 8 - tháng 10 ở phía Nam khu vực, khi MAE và RMSE của cả 2 mô hình trong những giai đoạn này có giá trị tương đồng với nhau Đối với hệ số tương quan CORR, cả 2 mô hình đều cho giá trị rất thấp, cho thấy hầu như không có quan hệ tuyến tính giữa dự báo và kết quả quan trắc Cả 2 mô hình đều có kỹ năng phát hiện những đợt mưa vừa, mưa to đến rất to, tuy nhiên mô hình IFS cho thấy khả năng vượt trội so với CFSv1 khi có tỷ lệ dự báo khống thấp hơn nhiều

Hoàng Thị Thu Hương và cộng sự (2023) đã thực hiện nghiên cứu hiệu chỉnh dự báo mưa hạn nội mùa của mô ECMWF dựa trên phương pháp phân vị với xấp xỉ gamma (QM–G) cho độ phân giải thời gian 5 ngày với từng hạn dự báo (3–6 tuần) Nghiên cứu sử dụng hai bộ số liệu chính: bộ số liệu dự báo mưa hạn nội mùa của mô hình ECMWF cho 20 năm trong giai đoạn 2000–2019 và bộ số liệu mưa vệ tinh TRMM Kết quả cho thấy: Sau khi hiệu chỉnh, các giá trị sai số như ME, MAE, RMSE giảm đi rõ rệt, đặc biệt là từ tháng 12 đến tháng 3 năm sau Riêng tháng 7–9, tuy sai số đã giảm so với trước hiệu chỉnh nhưng vẫn còn nhiều vùng (chủ yếu là phía Nam khu vực) vẫn còn tồn tại sai số lớn Tuy nhiên, giá trị tương quan CORR sau hiệu chỉnh không cải thiện, thậm chí có tháng còn giảm so với trước khi hiệu chỉnh

Trang 20

18 Hiện nay, ở Việt Nam chưa có nhiều nghiên cứu đánh giá mưa từ mô hình toàn cầu, đặc biệt là mô hình ECMWF với độ phân giải thời gian 1 đến 6 tuần, các nghiên cứu tập trung vào đánh giá dự báo lượng mưa với độ phân giải thời gian 5-7 ngày mà chưa quan tâm đến các sự kiện mưa lớn Từ đó, luận văn sẽ sử dụng bộ dữ liệu dự báo lại S2S của mô hình ECMWF để đánh giá lượng mưa cho khu vực Việt Nam với giai đoạn 20 năm 2001-2020 với độ phân giải 1 đến 6 tuần Luận văn nhằm đánh giá khả năng dự báo mưa từ mô hình ECMWF cho khu vực Việt Nam cho 7 vùng khí hậu, sử dụng phương pháp thống kê với các chỉ số đánh giá tất định và các chỉ số đánh giá xác suất

Trang 21

Hình 2.1 Bản đồ phân vùng khí hậu phục vụ nghiên cứu

2.1.1 Số liệu S2S từ mô hình toàn cầu ECMWF

Số liệu dự báo về lượng mưa ngày từ cơ sở dữ liệu dự báo lại hạn nội mùa (Reforecast) từ mô hình ECMWF trong 20 năm 2001–2020 Các dự báo lại của ECMWF cung cấp bao gồm 11 thành phần (member dự báo) và mỗi sản phẩm dự

Trang 22

20 báo có hạn dự báo 46 ngày với độ phân giải không gian là 1.5°×1.5° Để chọn tốt hơn các điểm lưới nằm trong các tiểu vùng khác nhau, luận văn sử dụng bộ dữ liệu dự báo đã nội suy về độ phân giải 0.125°×0.125° Các bản tin dự báo của ECMWF đưa ra liên tục với tần suất 2 lần/tuần vào thứ hai và thứ năm, trong đó bao gồm thông tin về dự báo lại trong 20 năm tính từ thời điểm có sản phẩm dự báo nghiệp vụ mới nhất Độ phân giải thời gian của các dự báo là hàng ngày và dữ liệu được

- Độ phân giải không gian: 32km (hồi quy về 0.125 độ ~ 13km) - Tần suất sản phẩm dự báo: 01 tuần 02 phiên dự báo (thứ 2 và thứ 5) - Bước thời gian dự báo: 06 giờ

- Hạn dự báo: 45 ngày - Mô tả số liệu lưu trữ:

Số liệu dự báo realtime: - Định dạng: Grib2 (có thể sử dụng GRADS) - Gồm số liệu bề mặt (mưa tích lũy, gió, nhiệt bề mặt) và số liệu theo mực áp

suất (độ cao địa thế vị, gió, ẩm)Số liệu tải theo ngày dự báo (số bước thời gian phụ thuộc vào biến dự báo) Mỗi ngày 02 file dữ liệu (bề mặt/mực áp suất) x 02 ngày mỗi tuần x 52 tuần x 20 năm Dung lượng trung bình mỗi file: File bề mặt: 2MB; file mực áp suất: 4MB

Trang 23

21 Hoạt động dự báo với hạn dự báo từ vừa tới dưới mùa đang là nhu cầu cấp thiết và tăng cao trong những năm gần đây Điều này cũng đặt ra nhu cầu về việc lấp đầy khoảng trống giữa dự báo hạn vừa và hạn dài hoặc dự báo mùa Do đó dựa trên tiềm năng cải thiện kĩ năng dự báo hạn dưới mùa, một dự án dự báo nội mùa đến mùa đã được thành lập bởi Chương trình Nghiên cứu Khí hậu Thế giới Trong đó, sản phẩm chính của dự án này là thiết lập một cơ sở dữ liệu mở rộng với hạn dự báo lên đến 60 ngày, chậm hơn 3 tuần sao với thời gian thực và dự báo lại từ 11 trung tâm dự báo Sản phẩm này được mở rộng từ cơ sở dữ liệu TIGGE cho dự báo hạn vừa (tối đa 15 ngày) Cơ sở dữ liệu S2S có dữ liệu từ tháng 5 năm 2015, đây là công cụ để nâng cao sự hiểu biết về khoảng thời gian nội mùa đến mùa Cơ sở dữ liệu S2S cũng có vai trò quan trọng trong việc mô phỏng mô hình dự báo hạn dưới mùa đến mùa và cũng là một công cụ quan trọng để nghiên cứu các hiện tượng cực đoan

Việc dự báo theo mùa nhằm thu hẹp khoảng cách giữa thời tiết và khí hậu đang ở giai đoạn phát triển Dự báo thời tiết hằng ngày được coi là điều kiện ban đầu của khí quyển Các hệ thống dự báo hạn vừa (hạn dự báo đến 15 ngày) hầu hết không kết hợp với mô hình đại dương Dự báo hạn mùa phụ thuộc vào các thành phần phát trển chậm như nhiệt độ bề mặt biển Ở giữa hai hạn dự báo này là dự báo dưới mùa (thời gian từ 2 tuần đến 2 tháng) Hạn dự báo này ít được quan tâm hơn so với các hạn ngắn và dự báo hạn mùa Tuy nhiên khoảng thời gian 2 tuần đến 2 tháng đóng vai trò quan trọng trong việc giảm nhẹ thiên tai, nhưng khó để nghiên cứu vì thời gian quá dài mất đi điều kiện ban đầu của khí quyển, ngược lại quá ngắn để thay đổi được ảnh hưởng của đại dương Các mục tiêu cơ bản của dự án nghiên cứu dự báo theo mùa S2S để nâng cao kỹ năng dự báo và hiểu biết về hạn dự báo nội mùa đến mùa, vì vậy một cơ sở dữ liệu mở rộng chứa các dự báo theo mùa (lên đến 60 ngày) và dự báo lại được tạo ra để hoàn thành mục tiêu này Cơ sở dữ liệu S2S được mô phỏng dựa trên cơ sở dữ liệu TIGGE dự báo hạn vừa (lên đến 15 ngày) và dự báo khí hậu (CHFP) để dự báo theo mùa Một số câu hỏi nghiên cứu chính bao gồm:

Trang 24

22 - Vai trò của dự báo tổ hợp đối với dự báo hạn nội mùa đến mùa, dự báo và

cách thực hiện - Khả năng dự báo các hiện tượng cực đoan là gì và làm thế nào để xác định

khoảng thời gian dự báo nội mùa đến mùa - Chiến lược khởi tạo tốt nhất cho hệ thống dự báo bao gồm đại dương, đất

liền và băng quyển Cách tối ưu để tạo ra một tập hợp các dự báo nội mùa đến mùa

- Tác động của độ phân giải ngang và dọc của khí quyển và đại dương là gì mô hình dự báo theo mùa đến theo mùa

- Nguồn gốc của các sai số ảnh hưởng hệ thống dự báo nội mùa mùa tới mùa là gì

- Thuộc tính chất lượng dự báo nào quan trọng khi dự báo S2S và cách đánh giá

- Khả năng dự báo S2S cho các đặc điểm thời tiết hằng ngày là gì Cơ sở dữ liệu S2S được xây dựng dựa trên dữ liệu TIGGE và được mở rộng cho hạn dự báo dài hơn Cơ sở dữ liệu S2S bao gồm dữ liệu thời gian thực các thành phần tổ hợp và dữ liệu dự báo lại lên đến 60 ngày từ 11 trung tâm dự báo: Cúc quản lý khí tượng Úc (BoM), Cục Khí tượng Trung Quốc (CMA), Trung tâm nghiên cứu khí tượng Châu Âu (ECMWF), Trung Tâm môi trường và biến đổi khí hậu Canada (ECCC), Viện Khoa học Khí quyển và Khí hậu (CNR-ISAC), Trung tâm khí tượng Nhật bản (IMA), Cục Khí tượng Hàn Quốc (KMA), CNRM, NCEP, UKMO Cơ sở dữ liệu S2S khác với TIGGE là cơ sở dữ liệu dự báo lại Đối với dự báo thời tiết hạn ngắn, sai số từ mô hình không quá lớn đến mức cần phải có một bộ dữ liệu dự báo lại, nhưng đối với sai số từ các mô hình hạn dự báo dưới mùa đến mùa là rất lớn Vì vậy cần có một bộ dữ liệu dự báo lại kéo dài nhiều năm để tính toán sai số từ mô hình Bộ dữ liệu dự báo lại trong một số trường hợp cũng được dùng để đánh giá kỹ năng Nhìn chung các mô hình đánh giá hạn dưới mùa đến mùa khác với các mô hình sử dụng dữ liệu TIGGE Sự khác biệt chính giữa dự báo thời gian thực từ các trung tâm khác nhau bao gồm:

Trang 25

23 - Khoảng thời gian dự báo thay đổi từ 32 đến 60 ngày - Độ phân giải theo chiều ngang của mô hình khí quyển thay đổi từ vài trăm

km đến 30km - Thay đổi các thành phần tổ hợp từ 4 đến 51 thành phần

Điều này tạo ra sự khác biệt giữa các trung tâm Các trung tâm sử dụng ít các thành phần tổ hợp thường tạo ra kết quả dự báo có độ trễ Tần suất dự báo giữa các trung tâm cũng khác nhau Một số mô hình được chạy liên tục mỗi tuần với dữ liệu lớn như ECMWF, BoM, ECCC, …, trong khi các mô hình khác được chạy hàng ngày với kích thước nhỏ hơn như NCEP, UKMO, CMA, KMA,… Các mô hình khác ví dụ CNRM được chạy hằng tháng

Cơ sở dữ liệu S2S, thành phần chính của Dự án dự báo theo mùa đến mùa, chứa các dữ liệu dự báo lại và dự báo thời gian thực từ dưới mùa đến mùa từ các trung tâm khí tượng lớn trên thế giới Cơ sở dữ liệu này là công cụ quan trọng nâng cao hiểu biết về giai đoạn dự báo hạn dưới mùa đến mùa Cơ sở dữ liệu này đang được nghiên cứu để giải quyết một số mục đích sau:

- Đánh giá kỹ năng dự báo của các dự báo hạn dưới mùa đến mùa sử dụng dữ liệu dự báo lại và dữ liệu dự báo thời gian thực

- Đánh giá khả năng dự báo của các mô hình S2S và xác định khoảng thời gian dự báo

- Thực hiện nghiên cứu đánh giá kỹ năng của mô hình trong một giai đoạn cụ thể

- Xác định các mô hình có thể dự báo được, các quá trình động năng và tác động của chúng với dự báo điểm

- Đánh giá khả năng của mô hình thực hiện quá trinh động lực với dữ liệu dự báo dưới mùa đến mùa để phát triển mô hình liên tục

Đánh giá khả năng dự báo sử dụng dữ liệu hạn dưới mùa đến mùa trong các ứng

dụng

Trang 26

24

2.1.2 Số liệu quan trắc tại trạm

Số liệu quan trắc khí tượng được sử dụng phục vụ cho việc đánh giá trong luận văn bao gồm 113 trạm quan trắc trên toàn bộ lãnh thổ Việt Nam được thể hiện trong hình 2.2 Số liệu quan trắc trên từ 2001 đến 2020, được phân chia theo 7 vùng khí hậu nước ta Trong luận văn sử dụng số liệu quan trắc tại trạm để đánh giá khả năng dự báo mưa của mô hình ECMWF cho khu vực Việt Nam bằng cách đánh giá số liệu quan trắc tại trạm so với các thành phần tổ hợp của dữ liệu S2S thông qua đường cong ROC và điểm kỹ năng BSS

Hình 2 2 Mạng lưới trạm quan trắc sử dụng trong luận văn

2.1.3 Số liệu mưa vệ tinh CMORPH

CMORPH (kỹ thuật MORPHing CPC) tạo ra các phân tích lượng mưa toàn cầu ở độ phân giải không gian và thời gian rất cao Kỹ thuật này sử dụng các ước tính lượng mưa đã được bắt nguồn từ các thu nhận vi sóng vệ tinh quỹ đạo thấp, và các thông tin của chúng được truyền qua không gian và được thu nhận hoàn toàn bởi các dải sóng dài sóng hồng ngoại (IR) từ các vệ tinh địa tĩnh Hiện nay, các dữ liệu CMORPH đã kết hợp các ước tính lượng mưa bắt nguồn từ vi sóng thụ động từ

Trang 27

25 các vệ tinh DMSP 13,14 &15(SSM/I), NOAA-15, 16, 17 & 18(AMSU-B) và AMSR-E và TMI trên vệ tinh của NASA

Trong luận văn, sử dụng số liệu CMORPH với độ phân giải không gian 8km x 8km, luận văn sử dụng bộ số liệu mưa vệ tinh đã nội suy về độ phân giải 0.125°×0.125° Độ phân giải tạm thời là 30 phút trong khoảng thời gian 20 năm 2001-2020 được cung cấp từ website: https://www.ncei.noaa.gov/data/cmorph-high-resolution-global-precipitation-estimates/access/30min/8km/ Số liệu mưa vệ tính CMORPH được dùng để đánh giá đặc điểm lượng mưa trung bình tuần, tháng của khu vực Việt Nam; trong luận văn còn sử dụng bộ dữ liệu này để đánh giá khả năng dự báo của mô hình ECMWF cho lượng mưa của khu vực Việt Nam thông qua các chỉ số MAE, RMSE

2.2 Cách xác định cực trị mưa

Luận văn xác định cực trị mưa là ngưỡng vượt quá nhị phân của lượng mưa tích lũy tuần theo phân vị thứ 90 của nó Luận văn chia thành các tuần theo hạn dự báo từ 1 đến 6 tuần cho các tháng 12-tháng 1-tháng 2 (DJF), 3–tháng 4–tháng 5, (MAM); tháng 6–tháng 7–tháng 8, (JJA); tháng 9–tháng 10–tháng 11, (SON) Phân vị 90 được tính bằng lượng mưa tích lũy tuần trong khoảng thời gian từ 2001-2020

2.3 Phương pháp đánh giá chất lượng mô hình dự báo 2.3.1 Đánh giá dự báo tất định

a) Sai số trung bình ME (Mean error)

𝑀𝐸 = 1

𝑁∑(𝐹𝑖− 𝑂𝑖)𝑁

𝑖=1

,

Trong đó 𝐹 là giá trị dự báo của mô hình, 𝑂 là giá trị của quan trắc, 𝑖 =1, 2, … , 𝑁 và 𝑁 là tổng số dự báo hoặc quan trắc của tập số liệu 𝑀𝐸 cho biết xu hướng sai số của mô hình nhưng không cho biết độ lớn của sai số Nếu 𝑀𝐸 dương thì dự báo của mô hình có xu hướng thiên cao hơn quan trắc, ngược lại 𝑀𝐸 âm thì

Trang 28

26 mô hình thiên thấp hơn quan trắc Mô hình được xem là hoàn hảo (không có sự thiên lệch) nếu 𝑀𝐸 = 0 Miền giá trị của ME nằm trong khoảng ±∞

b) Sai số tuyệt đối trung bình MAE (Mean absolute error)

𝑀𝐴𝐸 = 1

𝑁∑|𝐹𝑖 − 𝑂𝑖|𝑁

𝑖=1

MAE cho biết biên độ trung bình của sai số mô hình nhưng không chỉ ra xu hướng của sai số Nếu 𝑀𝐴𝐸 = 0, giá trị của mô hình là hoàn toàn trùng khớp với giá trị quan trắc Miền giá trị của 𝑀𝐴𝐸 là từ 0 đến +∞ 𝑀𝐴𝐸 còn được gọi là sai số bậc nhất hay sai số tuyến tính Thường thì 𝑀𝐴𝐸 sẽ được sử dụng cùng với chỉ số 𝑀𝐸 để đưa ra ước lượng về độ chính xác sau khi hiệu chỉnh sản phẩm mô hình

c) Sai số quân phương RMSE (Root mean square error)

𝑅𝑀𝑆𝐸 = √1

𝑁∑(𝐹𝑖− 𝑂𝑖)2𝑁

𝑖=1

𝑅𝑀𝑆𝐸 là thước đo của biên độ sai số nhưng không cho biết thiên hướng của sai số, và còn được gọi là sai số bậc hai Cũng như 𝑀𝐴𝐸, miền giá trị của 𝑅𝑀𝑆𝐸 là từ 0 đến +∞ Khi sai số biến động càng mạnh thì 𝑅𝑀𝑆𝐸 càng lớn Đặc biệt 𝑅𝑀𝑆𝐸 rất nhạy cảm với những giá trị sai số lớn Do đó, nếu 𝑅𝑀𝑆𝐸 càng gần 𝑀𝐴𝐸 sai số mô hình càng ổn định và có thể thực hiện việc hiệu chỉnh sản phẩm mô hình.

Đối với đánh giá tất định luận văn sử dụng phân vị 90 của toàn chuỗi số liệu (tất cả thời gian trong khoảng thời gian 20 năm từ 2001-2020) sau đó tính ra MAE hoặc RMSE trên lưới

2.3.2 Đánh giá dự báo xác suất

a) Đường cong ROC

Đường cong đặc tính vận hành tiếp nhận ROC (receiver operating characteristic curve) là đường cong thể hiện mối quan hệ giữa xác suất phát hiện POD (probability of detection) và tỷ suất cảnh báo sai FAR (False alarm rate) tại

một ngưỡng xác suất nào đó sao cho đánh giá dự báo lượng mưa vượt ngưỡng q

Trang 29

27 tương ứng với ngưỡng xác suất đó Nếu đường cong nằm dọc theo đường chéo no skill, nó thể hiện dự báo không có kỹ năng Nếu đường cong càng hướng xa về phía góc trên bên trái của biểu đồ, nó hàm ý dự báo càng có kỹ năng cao (khi POD có xác suất cao hơn FAR) Nếu đường cong nằm dưới đường chéo no skill có nghĩa là kỹ năng dự báo âm (FAR cao hơn POD)

𝑃𝑂𝐷 = 𝐻

𝐻 + 𝑀POD cho biết khả năng thành công của mô hình, có giá trị trong khoảng (0, 1), POD = 1 là giá trị lý tưởng mô hình được xem là hoàn hảo POD càng gần 1 thì chất lượng mô hình càng cao, POD chỉ nhạy đối với những hiện tượng không dự báo được chứ không nhạy đối với phát hiện sai

+ Tỷ suất cảnh báo sai (False alarm ratio - FAR)

𝐹𝐴𝑅 = 𝐹

𝐻 + 𝐹FAR cho biết tỷ lệ mô phỏng/dự báo khống của mô hình (mô hình cho kết quả có nhưng thực tế hiện tượng không xảy ra) Giá trị FAR biến đổi từ (0, 1), tối ưu FAR = 0 Chuẩn bị dữ liệu mô hình: giả sử có 1 điểm trạm tại 1 thời điểm, ta sẽ có 10 giá trị mô hình Ta so sánh các giá trị này với ngưỡng cho trước (ví dụ 5, 10mm ) Nếu lớn hơn ngưỡng thì giá trị trả về 1, ngược lại thì là 0 Từ đó ta tính được 1 khoảng xác suất cho điểm tại thời điểm đó nằm trong khoảng từ 0-10 Làm

Trang 30

28 tương tự cho toàn bộ các điểm trạm khác và toàn bộ các thời gian, sẽ thu được 1 mảng giá trị từ 0-1

Tương tự với dữ liệu quan trắc: giả sử có 1 điểm trạm tại 1 thời điểm, ta sẽ có 1 giá trị Ta so sánh các giá trị này với ngưỡng cho trước (ví dụ 5, 10mm ) Nếu lớn hơn ngưỡng thì giá trị trả về 1, ngược lại thì là 0 Làm tương tự cho toàn bộ điểm trạm và toàn bộ thời gian, thu được 1 mảng có giá trị 0 hoặc 1 Từ đó hai input này sẽ được đưa vào để tính ROC và AUC

b) AUC (Area under the ROC Curve)

Hình 2.3 Biểu đồ hiển thị đường cong ROC và AUC

AUC là khoảng diện tích được tính từ đường cong ROC đến điểm dưới cùng bên phải của đồ thị, giá trị AUC cung cấp thước đo hiệu suất tổng hợp trên tất cả các ngưỡng phân loại có thể Một cách diễn giải, AUC là xác suất mà mô hình xếp hạng một ví dụ tích cực ngẫu nhiên cao hơn một ví dụ tiêu cực ngẫu nhiên AUC nằm trong khoảng giá trị từ 0 đến 1 Một mô hình có dự đoán sai 100% có AUC là 0.0; mô hình có dự đoán chính xác 100% có AUC là 1.0 Mô hình không có kỹ năng có giá trị AUC là 0.5

Trong luận văn này, biều đồ ROC sẽ được tính toán thực hiện theo các bước như sau:

1) Chọn ngưỡng sự kiện: trong nghiên cứu sử dụng 3 ngưỡng 25mm, 50mm, 100mm/7ngày

2) Đối với số liệu ECMWF, trên từng điểm lưới thực hiện tính toán và đếm các số lượng thành phần dự báo đạt và vượt quá ngưỡng đã xác định, sau

Trang 31

29 đó tính được xác suất xuất hiện các sự kiện khoảng từ 0 đến 1, lớn hơn ngưỡng giá trị là 1, nhỏ hơn ngưỡng giá trị là 0

3) Tương tự đối với số liệu quan trắc, lớn hơn ngưỡng giá trị là 1, nhỏ hơn ngưỡng giá trị là 0

4) Kết hợp các kết quả dự báo của các thành phần để tạo ra biểu đồ đường cong ROC Để vẽ đường cong ROC, ta sử dụng thư viện sklearn.metrics.roc_curve Link thư viện:

https://scikitlearn.org/stable/modules/generated/sklearn.metrics.roc_curve.html Đầu vào cho thư viện gồm y_true - là mảng 0/1 của quan trắc,y_pred là mảng từ 0-1 của xác suất dự báo cho các member Kết quả trả về là đường cong đặc tính ROC

5) Tính toán diện tích AUC Tương tự AUC gọi là diện tích đường cong ROC, để tính được nó ta dùng thư viện bên dưới với tham số đầu vào tương tự với đường cong ROC là y_true, y_pred Link thư viện:

https://scikitlearn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html#sklearn.metrics.roc_auc_score

c) Điểm kỹ năng BSS

Điểm số BS đánh giá sai số bình phương trung bình của tập giá trị xác suất dự báo tại một ngưỡng xác suất nào đó sao cho giá dự báo lượng mưa vượt ngưỡng q tương ứng với ngưỡng xác suất đó Giá trị của BS nằm trong khoảng (0 tới 1) Giá trị lý tưởng là 0

𝐵𝑆 = 1𝑁∑(𝑓𝑡− 𝑂𝑡)

𝑁

𝑡=1Giá trị BS cho chúng ta biết sai số bình phương trung bình của giá trị dự báo xác suất nhưng không nói lên chất lượng thực của một hệ thống dự báo Do đó, điểm số kỹ năng Brier, gọi tắt là BSS, sẽ được sử dụng để so sánh giá trị dự báo với một giá trị dự báo tham chiếu (thường lấy là điều kiện thời tiết trung bình tương ứng

Trang 32

30 xác định từ chuỗi số liệu thực đo) BSS miêu tả phần trăm dự báo được cải thiện so với dự báo tham chiếu, có giá trị trong khoảng (−∞ tới 1), BSS càng gần 1 càng tốt Đối với một ngày có thời gian nhất định, dự báo có kỹ năng nếu BSS > 0

𝐵𝑆𝑆 = 1 − 𝐵𝑆ℎ𝑖𝑛𝑑

𝐵𝑆𝑐𝑙𝑖𝑚

Trang 33

31

CHƯƠNG 3 KẾT QUẢ NGHIÊN CỨU 3.1 Đặc điểm phân bố mưa của Việt Nam

3.1.1 Đặc điểm phân bố mưa theo tháng

a) Phân bố mưa các tháng của Việt Nam từ số liệu vệ tinh 2001-2020

Hình 3.1 Phân bố lượng mưa trung bình các tháng DJF giai đoạn

2001-2020 từ số liệu mưa vệ tinh CMORPH

Hình 3.1 thể hiện lượng mưa trung bình tháng trung bình giai đoạn từ 2001 đến 2020, sử dụng số liệu mưa vệ tinh CMORPH Ta có thể nhân thấy rằng các tháng DJF, lượng mưa trung bình tháng có giá trị trung bình tương đối nhỏ, khoảng 50 đến 100mm/tháng Trong các tháng DJF, vào tháng 12, mưa chỉ xảy ra ở khu vực dọc ven biển từ Thanh Hòa tới Ninh Thuận và khu vực ven biển Ninh thuận với lượng mưa trung bình tháng khoảng 200-300mm/tháng Các tháng DJF trên toàn lãnh thổ Việt Nam chủ yếu chỉ có mưa rất ít hoặc không mưa Phân bố mưa các tháng của Việt Nam theo số liệu mưa vệ tinh từ năm 2001 đến 2020 phù hợp với đặc điểm của khí hậu Việt Nam, lượng mưa tập trung ở các vùng chủ yếu vào các tháng MAM, JJA, SON

Trang 34

32

Hình 3.2 Tương tự hình 3.1 nhưng đối với các tháng MAM

Từ hình vẽ lượng mưa trung bình với các tháng MAM, đã có lượng mưa lớn hơn tại khu vực B1 (Tây Bắc) với lượng mưa đạt được từ 300-350mm/tháng, một số tỉnh của B1 có lượng mưa tháng 4 lớn như các tỉnh ở Lai Châu và Lào Cai với lượng mưa trung bình tháng đạt được khoảng 350mm, theo đặc điểm khí hậu, mùa mưa trên khu vực B1 thường bắt đầu vào tháng 4 và tháng 5 Tương tự với với B2 (Đông Bắc) và B3 (Đồng Bằng Bắc Bộ) tháng 4 cũng là tháng bắt đầu mùa mưa nhưng lượng mưa trung bình tháng 4 của B2 nhỏ hơn so với B1 Lượng mưa trung bình tháng 4 tại khu vực phía Tây Nam của khu vực B4 (Bắc Trung Bộ) ở tỉnh Thừa Thiên- Huế cũng có giá trị khoảng 200-300mm/tháng, tháng 4 cũng là tháng bắt đầu mùa mưa trên khu vực này

Lượng mưa trung bình tháng 5 đã tăng rõ rêt so với các tháng trước đó Điều này được nhìn thấy rõ nhất tại vùng B1, B2, B3 có lượng mưa trung bình tháng 5 đạt 400-700mm/tháng, một số nơi mưa nhiều như Lai Châu, Lào Cai, Yên Bái 700mm/tháng Đối với B4 lượng mưa cũng có giá trị tăng so với tháng 4, tăng hầu hết ở các tỉnh thuộc vùng này, lượng mưa trung bình tháng có giá trị 200-300mm/tháng, riêng khu vực phia Tây Nam của B4 (Thừa Thiên Huế) có lượng mưa trung bình tháng 5 cao nhất trong B4 với giá trị khoảng 400-600mm/tháng Đối với vùng N2 (Tây Nguyên) cũng cho giá trị mưa cao ở khu vực phía Nam của vùng này các tỉnh Đắk Nông và Lâm Đồng với lượng mưa trung bình tháng 5 có giá trị khoảng 400-600mm/tháng, các tỉnh thuộc vùng N2 cũng có giá trị lượng mưa trung

Trang 35

33 bình tháng 5 đạt khoảng 350-600mm/tháng Nhìn chung lượng mưa trung bình tháng 5 đã có giá trị tăng lên rõ rệt so với tháng 4 và các tháng từ 12 đến tháng 3

Hình 3.3 Tương tự hình 3.1 nhưng cho các tháng JJA

Vào các tháng JJA có sự thay đổi rõ rệt về lượng mưa trung bình do đây là các tháng cao điểm mùa mưa ở hầu khắp các khu vực của Việt Nam Tháng 6 và tháng 7 lượng mưa trung bình tháng cũng có giá trị lớn hơn, lượng mưa ở khu vực B1, B2, B3 có giá trị khoảng 400-900mm/tháng, vì đây là các tháng giữa mùa mưa của các vùng khí hậu này, trọng tâm mưa lớn ở các vùng này vẫn là các tỉnh Lai Châu, Lào Cai, lượng mưa trung bình tháng khoảng 900mm/tháng, trọng tâm mưa lớn đã mở rộng xuống vùng B3 các tỉnh Hà Nội, Phú Thọ,… lượng mưa khoảng 400-700mm/tháng Mưa vẫn tập trung chủ yếu ở phía Tây Nam của vùng B4 với lượng mưa khoảng 400-600/mm và phía Nam của N2 với giá trị khoảng 600-900mm/tháng Đối với vùng N3 (Nam Bộ), của vùng có lượng mưa đạt khoảng 200-300mm/tháng, riêng đối với phía Nam của vùng R8 các tỉnh Cà Mau, Bạc Liêu, An Giang, Kiên Giang với lượng mưa trung bình tháng 400-600mm/tháng

Tháng 7 và 8 là tháng cao điểm mùa mưa phổ biến tại vùng B1, B2, B3 với lượng mưa trung bình tháng đạt giá trị khoảng 650-900mm Trọng tâm mưa lớn vẫn tương tự với tháng 6, điều này cho thấy lượng mưa trung bình tháng thể hiện rõ rệt đặc điểm phân vùng khí hậu cũng như đặc điểm lượng mưa tại các khu vực đặc biệt là cao điểm mùa mưa Ở vùng núi phía Tây Bắc cưa vùng B3 các tình Thanh Hóa và Bắc Nghệ An lượng mưa trung bình tháng 8 cũng tăng lên so với các tháng trước

Trang 36

34 đó đạt giá trị khoảng 350-600mm Ở vùng nói phía Tây Nam (Thừa Thiên Huế) của vùng B4 vẫn là trọng tâm mưa lớn ở vùng B4 với lượng mưa khoảng 400-600mm N2 và N3 vẫn có lượng mưa tập trung chủ yếu ở phía Nam của các vùng này có giá trị khoảng 400-700mm

Hình 3.4 Tương tự hình 3.1 nhưng cho các tháng SON

Lượng mưa trung bình tháng đối với các tháng SON cũng có sự thay đổi, đây vẫn là các tháng mùa mưa trong năm Đối với lượng mưa trung bình tháng 9 trên toàn lãnh thổ Việt Nam, giá trị này đã giảm hơn so với tháng cao điểm mùa mưa của khu vựa B1,B2,B3, giá trị này khoảng 400-700mm có một vài nơi trên 800mm như Hòa Bình Lượng mưa trung bình tháng 9 có sự thay đổi rõ rệt đối với vùng khí hậu B4 lượng mưa trung bình tháng tăng lên rõ rệt so với các tháng trước đó, giá trị này khoảng 700-900mm ở cả các tỉnh thuộc vùng này Đối với vùng N2 các tỉnh phía Nam như Đắk Nông có giá trị lượng mưa trung bình tăng lên đạt khoảng 700-900mm Tháng 8 và tháng 9 cũng là cao điểm mùa mưa của vùng N2 Tương tự với lượng mưa trung bình tháng tại khu vực N3 đã có sự thay đổi, lượng mưa trung bình đạt khoảng 600mm trên hầu khắp các tỉnh thuộc vùng khí hậu này

Tháng 10 và tháng 11, lượng mưa trung bình tại vùng khí hậu B1, B2, B3 đã giảm đáng kể so với các tháng cao điểm mùa mưa tuy nhiên vẫn đạt giá trị khoảng 200-350mm Vào tháng 10, lượng mưa trung bình tháng tại khu vực B4 (Bắc Trung Bộ ) vẫn có giá trị khoảng 600-900mm, cao nhát so với các vùng khí hậu còn lại vào tháng 10, đây cũng là tháng cao điểm mùa mưa ở vùng khí hậu B3 Tháng 11

Trang 37

35 lượng mưa trung bình tại vùng B3 đã giảm hơn so với tháng 10 là tháng cao điểm mùa mưa ở khu vực này giảm chỉ còn khoảng 500-700mm, tập trung chủ yếu ở khu vực vùng núi phía Tây Nam của vùng này Trong tháng 10 và tháng 11 có sự thay đổi đáng kể đối với vùng N1, mùa mưa ở vùng núi phía Tây Bắc (Tây Quảng Nam, Tây Quảng Ngãi) tháng cao điểm mùa mưa vào tháng 10 và tháng 11, vơi lượng mưa trung bình tháng 10 khoảng 400-600mm, riêng tháng 11 đạt khoảng 500-700mm, trọng tâm mưa tập trung chủ yếu ven biển các tỉnh Quảng Ngãi, Bình Định Đối với khu vực N2 và N3 lượng mưa trung bình tháng 10 vẫn tập trung chủ yếu ở phía Nam 2 khu vực này và giảm đáng kể ở tháng 11 giá tị lượng mưa trung bình chỉ còn khoảng 200-300mm

Nhìn chung, mùa mưa ở khu vực Việt Nam tập trung chủ yếu từ tháng 4 đến tháng 11 Luận văn tập trung đánh giá mưa cho khu vực Việt Nam từ mô hình ECMWF vào các tháng 4 đến tháng 11, các tháng mùa mưa ở khu vực Việt Nam

3.1.2 Đặc điểm phân bố mưa theo tuần

Hình 3.5 cho thấy phân bố lượng mưa trung bình theo tuần của các tháng giai đoạn 2001-2020 từ số liệu mưa vệ tinh CMORPH Trung bình lượng mưa tuần các tháng DJF tương đối nhỏ chỉ khoảng 5 đến 30mm Tháng 12 mưa tập trung chủ yếu vào tuần 1 và tuần 2 sau đó giảm đi ở tuần 3 và tuần 4, đối với tháng 12 lượng mưa tập trung chủ yếu ở khu vực ven biển phía Tây của vùng N1 các tỉnh từ Phú Yên, Khánh Hòa, Ninh Thuận với lượng mưa trung bình tuần đạt giá trị khoảng 50-70mm Các tháng DJF với lượng mưa trung bình tuần tương đối nhỏ trên tất cả các

vùng khí hậu của Việt Nam

Trang 38

36

Hình 3.5 Phân bố lượng mưa trung bình tuần cho các tháng DJF giai đoạn

2001-2020 từ số liệu mưa vệ tinh CMORPH

Trang 39

37

Hình 3.6 Tương tự hình 3.5 nhưng đối với các tháng MAM

Với đặc điểm phân bố mưa lượng mưa trung bình tuần các tháng MAM cho thấy sự thay đổi khi chuyển sang các tháng bắt đầu mùa mưa cho các khu vực.Tháng 3 với lượng mưa trung bình tuần tương đối nhỏ trên tất cả các vùng khí hậu của Việt Nam Tháng 4, lượng mưa chủ yếu tập trung vào tuần 4 của tháng 4 , lượng mưa chủ yếu tập trung ở vùng B1, B2, B3 và phía Tây Nam của B4 khu vực Thừa Thiên Huế với lượng mưa trung bình tuần 4 đạt giá trị khoảng 80 đến 100mm Lượng mưa trung bình tuần có giá trị lớn hơn ở các trọng tâm mưa lớn ở các vùng khí hậu

Trang 40

38 Đối với lượng mưa trung bình các tuần của tháng 5, lượng mưa trung bình tuần tập trung chủ yếu ở tuần thứ 4 với lượng mưa cao nhất, lượng mưa trung bình tuần 4 của tháng 5 tại các vùng khí hậu B1, B2, B3 có giá trị khoảng 50 đến 200mm, riêng các tỉnh trọng tâm mưa như Lai Châu, Lào Cai, Hòa Bình có lượng mưa trung bình tuần đạt khoảng 200-250mm, lượng mưa trung bình tuần 4 của tháng 5 tại các vùng khác có giá trị khoảng 20-50mm; khu vực phía vùng núi Tây Bắc của vùng B4 và các tỉnh phía Nam của N2 và N3 có giá trị khoảng 120-140mm Lượng mưa trung bình tuần 1 thấp nhất so với các tháng còn lại của tháng 5

Hình 3.7 Tương tự hình 3.5 nhưng cho các tháng JJA

Tiêu đề	Đánh Giá Khả Năng Dự Báo Mưa Từ Mô Hình Ecmwf Cho Khu Vực Việt Nam
Tác giả	Đặng Hải Yến
Người hướng dẫn	TS. Công Thanh
Trường học	Đại học Quốc gia Hà Nội
Chuyên ngành	Khí tượng học
Thể loại	Luận văn thạc sĩ khoa học
Năm xuất bản	2023
Thành phố	Hà Nội

Định dạng
Số trang	93
Dung lượng	9,56 MB