Ứng Dụng Hệ Thống Swirls Kết Hợp Số Liệu Radar Và Sản Phẩm Mô Hình Số Trị Dự Báo Mưa Hạn Cực Ngắn Do Bão Đổ Bộ Cho Việt Nam.pdf

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN --- Hoàng Gia Nam ỨNG DỤNG HỆ THỐNG SWIRLS KẾT HỢP SỐ LIỆU RADAR VÀ SẢN PHẨM MÔ HÌNH SỐ TRỊ DỰ BÁO MƯA HẠN CỰC NGẮN DO BÃO ĐỔ

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

Hoàng Gia Nam

ỨNG DỤNG HỆ THỐNG SWIRLS KẾT HỢP SỐ LIỆU RADAR VÀ SẢN PHẨM MÔ HÌNH SỐ TRỊ DỰ BÁO MƯA HẠN CỰC NGẮN DO

BÃO ĐỔ BỘ CHO VIỆT NAM

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội - 2023

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

Hoàng Gia Nam

ỨNG DỤNG HỆ THỐNG SWIRLS KẾT HỢP SỐ LIỆU RADAR VÀ SẢN PHẨM MÔ HÌNH SỐ TRỊ DỰ BÁO MƯA HẠN CỰC NGẮN DO

BÃO ĐỔ BỘ CHO VIỆT NAM

Chuyên ngành: Khí tượng học Mã số: 8440222.01

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS Phan Văn Tân

TS Dư Đức Tiến

Hà Nội - 2023

1.1.Bão và mưa do bão 11

1.2.Tình hình nghiên cứu ngoài nước 14

1.3.Tình hình nghiên cứu trong nước 19

CHƯƠNG 2: PHƯƠNG PHÁP VÀ SỐ LIỆU 23

2.5 Phương pháp đánh giá kết quả 31

CHƯƠNG 3 KẾT QUẢ VÀ THẢO LUẬN 34

3.1.Đánh giá khả năng dự báo của SWIRLS 34

3.2.Thử nghiệm đánh giá blending SWIRLS-NWP 39

3.3.Thử nghiệm mối liên hệ giữa SWIRLS và NWP 52

CHƯƠNG 4 KẾT LUẬN 59

TÀI LIỆU THAM KHẢO 60

PHỤ LỤC 1 64

2

PHỤ LỤC 2 65PHỤ LỤC 3 66

Hình 3.1 Gió vệ tinh bề mặt tại thời điểm cơn bão ETAU di chuyển sát ven bờ NTB của Việt Nam ngày 10/11/2020 34 Hình 3.2 Minh họa thuật toán ROVER trong SWIRLS đối với cơn bão ETAU: cột bên trái là dữ liệu ra đa thực tế tại giờ Việt Nam 9h00, 9h10 và 9h20, hàng giữa là dự báo +1h và hàng phải ngoài cùng là dự báo +2h 36 Hình 3.3 Minh họa của thuật toán ROVER trong SWIRLS đối với cơn bão ETAU: hàng trên cùng là dữ liệu ra đa thực tế tại giờ Việt Nam 9h, 10h và 11h, hàng dưới là dự báo +1h và dự báo +2h 37

Hình 3.4 Mưa tích luỹ 6h từ mô hình và AWS cho 3 cơn bão nghiên cứu 39

Hình 3.5 Minh họa chỉ số ETS cho từng trường hợp tại các hạn dự báo khác nhau từ 1-6h với các ngưỡng mưa từ 0.1 đến 30mm/h 43 Hình 3.6 Minh họa chỉ số POD cho từng trường hợp tại các hạn dự báo khác nhau từ 1-6h với các ngưỡng mưa từ 0.1 đến 30mm/h 44 Hình 3.7 Độ phản hồi (dBZ) từ radar (cột 1), dự báo từ SWIRLS (cột 2), dự báo NWP (cột 3) và sản phẩm blending (cột 4) trong +1h (hàng đầu tiên), +2h (hàng thứ hai) và +3h (hàng thứ ba) dự báo cho BÃO Dianmu ở chu kỳ dự báo 00Z 23-09-2021 45

4 Hình 3.8 Lượng mưa (mm/h) từ SWIRLS (cột bên trái), dự báo NWP (cột giữa) và sản phẩm blending (cột bên phải) trong +1h (hàng đầu tiên), +2h (hàng thứ hai) và +3h (hàng thứ ba) dự báo cho BÃO Dianmu ở chu kỳ dự báo 00Z 23-09-2021 46 Hình 3.9 Độ phản hồi (dBZ) từ radar (cột 1), dự báo từ SWIRLS (cột 2), dự báo NWP (cột 3) và sản phẩm blending (cột 4) trong +1h (hàng đầu tiên), +2h (hàng thứ hai) và +3h (hàng thứ ba) dự báo cho BÃO Noru ở chu kỳ dự báo 00Z 27-09-2022 47 Hình 3.10 Độ phản hồi (dBZ) từ radar (cột 1), dự báo từ SWIRLS (cột 2), dự báo NWP (cột 3) và sản phẩm blending (cột 4) trong +1h đến +6h theo hàng ngang dự báo cho BÃO Noru ở chu kỳ dự báo 06Z 27-09-2022 48 Hình 3.11 Mưa tích luy (mm/h) từ SWIRLS (cột bên trái), dự báo NWP từ WRF-ARW (cột giữa) và sản phẩm pha trộn (cột bên phải) trong +1h đến +6h theo hàng ngang dự báo cho BÃO Noru ở chu kỳ dự báo 06Z 27-09-2022 49 Hình 3.12 Lượng mưa (mm/h) từ SWIRLS (cột bên trái), dự báo NWP (cột giữa) và sản phẩm blending (cột bên phải) trong +1h (hàng đầu tiên), +2h (hàng thứ hai) và +3h (hàng thứ ba) dự báo cho BÃO SONCA 2022-10-14 ốp 12z 51 Hình 3.13 Độ phản xạ (dBZ) từ radar (cột 1), dự báo từ SWIRLS (cột 2), dự báo NWP (cột 3) và sản phẩm blending (cột 4) trong +1h (hàng đầu tiên), +2h (hàng thứ hai) và +3h (hàng thứ ba) dự báo cho BÃO SONCA 2022-10-14 ốp 12z 52 Hình 3.14 Hiệu ứng thay đổi Y đối với việc kết hợp SWIRLS – NWP, Y=0.15 (hàng đầu tiên), Y=0.5 (hàng thứ 2), 0.24 (hàng thứ 3) cho BÃO Dianmu 2021-09-23 00z 53 Hình 3.15 Lượng mưa tích luỹ (mm/h) hạn dự báo 1 đến 6h trong trường hợp Y=0.24 (bên trái), Y=0.5 (bên phải) dự báo cơn bão Noru 2022-09-27 06z 54 Hình 3.16 Lượng mưa tích luỹ (mm/h) hạn dự báo 1 đến 6h trong trường hợp

Y=0.24 (bên trái), Y=0.5 (bên phải) dự báo cho cơn bão Sonca 2022-10-14 12z 55 Hình 3.17 Chỉ số ETS cho các cơn bão ở các ngưỡng 0.1 mm đến 30mm/h trong hạn dự báo 1-6h với chỉ số Y=0.15 (xanh lá), Y=0.24 (xanh dương), Y=0.5 (cam) 57

5 Hình 3.18 Chỉ số POD cho các cơn bão ở các ngưỡng 0.1 mm đến 30mm/h trong hạn dự báo 1-6h với chỉ số Y=0.15 (xanh lá), Y=0.24 (xanh dương), Y=0.5 (cam).

58

Hình 4.1 Minh họa sản phẩm SWIRLS thời gian thực cho 8 radar tại Trung tâm Dự báo KTTV quốc gia (Giờ VN: 13h10 06/11/2023) 64

Hình 4.2 Namelist input của WRF-IFS-DA 65

Hình 4.3 Đường đi của cơn bão số 12 (Etau) 66

Hình 4.4 Đường đi của cơn bão số 6-DIANMU 68

Hình 4.5 Đường đi của cơn bão số 4_NORU 70

Hình 4.6 Đường đi của cơn bão số 5_SONCA 74

6

Danh mục bảng

Bảng 2.1 Bảng thông tin tham số về hệ thống ra đa tại Việt Nam (Nguyễn Vinh

Thư và cộng sự, 2020) 23

Bảng 2.2 Các yếu tố sử đụng để đồng hoá số liệu mô hình WRF-IFS-DA 27

Bảng 2.3 Các gói số liệu sử dụng đồng hoá số liệu mô hình WRF-IFS-DA 27

Bảng 2.4 Các cơn bão và các obs thực hiện thí nghiệm 31

Bảng 3.1 Chỉ số kĩ năng đánh giá dự báo cực ngắn của SWIRLS khi thực hiện cho 3 cơn bão đổ bộ vào Việt Nam năm 2021 và 2022 tại các ngưỡng mưa khác nhau 37 Bảng 4.1 Gió mạnh nhất quan trắc được trong thời gian hoạt động của bão số 12 67 Bảng 4.2 Gió mạnh nhất quan trắc được do ảnh hưởng của bão số 6 69

Bảng 4.3 Tổng lượng mưa lớn nhất do ảnh hưởng của bão số 6 69

Bảng 4.4 Gió mạnh nhất quan trắc được do ảnh hưởng của bão số 4 71

Bảng 4.5 Tổng lượng mưa lớn nhất do ảnh hưởng của bão số 4 72

Bảng 4.6 Gió mạnh nhất quan trắc được do ảnh hưởng của bão số 5 74

Bảng 4.7 Tổng lượng mưa lớn nhất do ảnh hưởng của bão số 5 75

7

Danh mục chữ viết tắt

ATNĐ Áp thấp nhiệt đới DA Data assimilation HKO The Hong Kong Observatory IFS Integrated Forecasting System KTTV Khí tượng thuỷ văn

MOVA Multi-scale Optical-flow by Variational Analysis NWP Numerical weather prediction

RAP The Rapid Refresh RaINS Radar Integrated Nowcasting System ROVER Real-time Optical-flow by Variational method for Echoes of Radar SWIRLS Short-range Warning of Intense Rainstorms in Localized Systems SWFP Severe Weather Forecasting Programme

TREC Tracking radar echo by correlation WMO World Meteorological Organization WRF Weather Research & Forecasting Model

8

MỞ ĐẦU

Việt Nam là quốc gia năm trong khu vực Đông Nam Á, có bờ biển dài hơn 3200km và được đánh giá là một trong những nước chịu nhiều thiên tai nhất ở châu Á như mưa lớn, nắng nóng và đặc biệt là bão Hàng năm, ước tính có khoảng 10 đến 12 cơn bão trên khu vực biển đông và 5 đến 6 cơn đổ bộ hoặc gây tác động trực tiếp đến Việt Nam Bão, đặc khi đổ bộ, trực tiếp gây ra một số hiện tượng thời tiết nguy hiểm như nước dâng do bão, gió mạnh và mưa lớn Mưa lớn do bão gây ra thường kéo theo một số hệ quả ngay sau đó bao gồm ngập lụt, lũ, lũ quét Một số thông tin điển hình có thể điểm qua như vào năm 2022, cơn bão Noru khi đổ bộ vào Việt Nam đã gây ra gió mạnh cấp 11 giật cấp 14 ở Cù Lao Chàm, trên đất liền khu vực Đà Nẵng-Quảng Nam có gió mạnh cấp 7-9, giật cấp 11-13 Từ 7h ngày 27/9 đến 13h ngày 28/9, mưa lớn xuất hiện ở khu vực Thừa Thiên Huế, Đà Nẵng và Quảng Nam với lượng 200-400mm có nơi trên 450mm, Quảng Bình, Quảng Trị và Bắc Tây Nguyên với lượng 100-200mm có nơi trên 250mm Mộ số nơi có lượng mưa lớn nhất như Bạch Mã (Thừa Thiên Huế) 597mm, Núi Thành (Quảng Nam) 485mm, Trà Phú (Quảng Ngãi) 419mm Bão và mưa lũ sau bão cũng đã khiến 62 người bị thương; 3.364 nhà bị hư hại, tốc mái (Quảng Trị 168 nhà; Huế 419 nhà; Đà Nẵng 228 nhà; Quảng Nam 1.150 nhà; Quảng Ngãi 1.352 nhà; Gia Lai 7 nhà; Kon Tum 27 nhà, Nghệ An 13 nhà) Lũ lớn sau bão đã khiến 7.346 nhà bị ngập (trong đó riêng tỉnh Nghệ An có 7.306 nhà bị ngập) Về chăn nuôi, có 1.724 con gia súc, 20.292 con gia cầm bị chết, bị nước lũ cuốn trôi Về thủy lợi, sạt mái hạ lưu đập Hóc Cối ở Nghệ An); sạt lở 500m kênh (Hà Tĩnh); 1.000m đê, kè biển bị hư hỏng sạt lở ( Hà Tĩnh có 500m; Quảng Trị có 500m); 12 đập, hồ chứa bị xói lở Về sạt lở bờ sông, bờ biển: có 2.660m bờ biển ở Thừa Thiên Huế bị sạt lở và 1.040m bờ sông (Thừa Thiên Huế 320m, Hà Tĩnh 720m) Rõ ràng, dự báo bão nói chung và dự báo mưa định lượng do bão đổ bộ nói riêng luôn là một bài toán quan trọng và cần thiết để giảm thiểu tối đa những thiệt hại đến đời sống và hoạt động kinh tế xã hội

Thông thường, bão sẽ gây mưa khi sắp đổ bộ trước khoảng 12-36h và đặc biệt gây mưa chủ yếu lúc hoạt động sát bờ (trước 6h) trước khi đổ bộ, do đó mưa định

9 lượng do bão ở hạn cực ngắn hoặc cá đợt mưa bắt đầu ảnh hưởng đến đất liền có ý nghĩa rất lớn trong việc cảnh bảo sau đó So với phương pháp thống kê và synop thì phương pháp số trị được phát triển mạnh hơn cả trong những thập ký gần đây nhờ khẳng năng dự báo chi tiết có tính định lượng về cả không gian và thời gian Các hệ thống mô hình phân giải cao với khả năng mô tả tốt hơn các quá trình quy mô dưới lưới cùng các hệ thống đồng hoá cập nhật nhanh các dự liệu quan trắc, radar, lidar giúp cải thiện khả năng dự báo mưa định lượng Tuy nhiên việc áp dụng các hệ thống đồng hoá cập nhật nhanh (1-3h) cho các hệ thống phân giải cao đòi hỏi chi phí tính toán lớn, mức độ tổ chức và thu thập dữ liệu quan trắc là rất phức tạp Đặc biệt hơn cả, mô hình số có độ trể trong những giờ dự báo ban đầu là rất cao, với riêng bài báo dự báo mưa do bão, đỗ trễ của mô hình còn liên quan đến khả năng nắm bắt được xoáy bão, cấu trúc bão trong mô hình

Sự phức tạp của trường mưa bão đã được nghiên cứu rất nhiều trong những thập ký qua Những nghiên cứu về bão cho thấy phân bố mưa ở mỗi cơn bão đều rất khác nhau trong quá trình phát triển và liên quan đến cấu trúc, động lực và môi trường bão như độ đứt gió, nhiệt độ mặt nước biển, sự phân bố ẩm, cũng như các nhân tố đặc thù của cơn bão như cường độ, vị trí, tốc độ di chuyển Nhiều trường hợp cho thấy các cơn bão có cường độ mạnh gây ra mưa lớn, nhưng cũng có những cơn bão chỉ để lại mưa lớn do một phần tác động của chính nó kết hợp với các điều kiện thuận lợi khác chứ không hoàn toàn do chính cường độ mạnh của cơn bão đó Ngoài ra, việc mưa lớn do bão đổ bộ còn phụ thuộc vào các đặc tính địa hình như đường bờ biển và đồi núi

Vì vậy, việc tận dụng, kết hợp các sản phẩm dự báo mưa định lượng cực ngắn từ các dữ liệu radar, vệ tịnh, mạng lưới do mưa tự động là giải pháp để giảm thiểu sai số dự báo mưa nói chung và mưa định lượng do bão nói riêng Tại Trung tâm Dự báo KTTV quốc gia đã ứng dụng hệ thống mô hình phân giải cao trong việc cung cấp sản phẩm dự báo mưa định lượng hạn đến 3 ngày với chu kì 6h Tuy nhiên việc cải thiện hệ thống cập nhật liên tục tới 1-3h gặp nhiều hạn chế do đó giải pháp kết hợp giữa mô hình số trị với hệ thống sản phẩm dự báo hạn cực ngắn từ mạng lưới radar là giải

10 phát phù hợp nhất để cải thiện chất lượng dự báo cực ngắn mưa định lượng do bão và đáp ứng yêu cầu về mặt thời gian cập nhật của các sản phẩm dự báo bão đổ bộ để có thể đưa ra những cảnh báo sớm nhất

Hệ thống "Short-range Warning of Intense Rainstorms in Localized Systems" (SWIRLS) được phát triển bởi The Hong Kong Observatory (HKO) từ năm 1999 và được nghiên cứu ứng dụng bởi nhiều dự án của WMO Tại Việt Nam, trong khuôn khổ của dự án SWFP cho khu vực Đông Nam Á, SWIRL đã được chuyển giao để nghiên cứu và ứng dụng hỗ trợ trong việc kết hợp các dữ liệu radar và mô hình số tạo ra các sản phẩm định lượng mưa hạn cực ngắn Đây là hệ thống dự báo cực ngắn đã được nghiên cứu và ứng dụng rộng rãi trong việc đưa ra sản phẩm định lượng mưa hạn cực ngắn nói chung và đối với mưa do bão đổ bộ nói riêng Hệ thống SWIRLS cho phép tạo ra sẩn phẩm định lượng mưa từ sản phẩm radar sau đó kết hợp với sản phẩm từ mô hình số trị để tạo ra kết quả cuối cùng Luận văn sẽ nghiên cứu xây dựng bộ dữ liệu từ radar và mô hình WRF-IFS-DA làm đầu vào cho hệ thống SWIRLS để thử nghiệm dự báo định lượng mưa do bão đổ bộ cho Việt Nam Luận văn sẽ có những mục tiêu chính và bố cục như sau :

Mục tiêu của luận văn : - Tổng hợp, đánh giá hiện trạng dự báo mưa định lượng hạn cực ngắn do bão

đổ bộ trong nước và ngoài nước - Xây dựng phương pháp thu thập liệu radar, số trị và hệ thống SWIRLS phục

vụ bài toán dự báo mưa hạn cực ngắn do bão độ bộ cho Việt Nam - Thử nghiệm và đánh giá kết quả thử nghiệm hệ thống SWIRLS kết hợp dự

liệu radar và sản phẩm số trị dự báo mưa hạn cực ngắn do bão đổ bộ Bố cục của luận văn :

- Chương 1 : Tổng quan - Chương 2 : Số liệu và phương pháp - Chương 3 : Kết quả

- Chương 4 : Kết luận

11

CHƯƠNG 1 : TỔNG QUAN 1.1 Bão và mưa do bão

Tổ chức Khí tượng thế giới (WMO) định nghĩa xoáy thuận nhiệt đới là vùng xoáy gió xoáy với đường kính có thể lên tới hàng trăm kilomet Tùy thuộc vào sức gió gần bề mặt mà phân loại xoáy thuận nhiệt đới thành Bão (trên cấp 7 theo thang gió bão Bô-Pho) hoặc áp thấp nhiệt đới (ATNĐ, cấp 6-7 theo thang gió bão Bô-Pho) [32] Bão/ATNĐ là những thiên tai nguy hiểm có nguồn gốc khí tượng có mức độ tàn phá rất lớn, trực tiếp và gián tiếp gây ra những ảnh hưởng nặng nề tới các hoạt động kinh tế, xã hội Những đặc trưng như gió mạnh, mưa lớn, nước dâng do bão/ATNĐ, lũ lụt và sạt lở đất là nguy cơ chính gây thiệt hại về con người và cơ sở hạ tầng, đặc biệt là ở các khu vực ven biển Trong nghiên cứu này, bão/ATNĐ sẽ được gọi chung là bão

Khả năng dự báo mưa lớn đi kèm với những cơn bão đổ bộ chỉ có thể cải thiện khi có những hiểu biết sâu sắc về cơ chế mưa cũng như phân bố mưa của bão Từ những nghiên cứu ban đầu về bão đã cho thấy cấu trúc mưa trong bão rất phức tạp và biến đổi từ trường hợp này sang trường hợp khác (Miller 1958, Fran, Marks Jr 1985, Burpee và Black 1989) [23, 21, 8] Trên các ảnh radar thường thấy mưa bão được tổ chức thành các dải xoắn hướng vào tâm bão (Wexler 1947) [31] và thường được đề cập tới là các dải mưa (rain bands) Một vùng mưa cường độ lớn bao quanh vùng tâm bão chính là thành mắt bão (eyewall) (Kessler III 1958) [17].Theo lý thuyết, phân bố không gian của mưa bão được biết đến như là một chuỗi các thành phần vành khuyên bao gồm thành phần đối xứng và bất đối xứng

Sự phức tạp của trường mưa bão đã được đề cập trong hàng loạt các nghiên cứu từ quan trắc cho đến mô hình liên tục trong những thập kỷ qua Rodgers và Adler (1981) [26] đã xây dựng các đường profile của mưa theo hướng bán kính đối với 21 cơn bão ở vùng đông và tây Thái Bình Dương sử dụng quan trắc từ vệ tinh Kết quả cho thấy cường độ bão tăng lên không chỉ liên quan đến sự tăng lên của tốc độ mưa

12 trung bình mà còn liên quan đến sự đóng góp tương đối của mưa lớn Kết quả nghiên cứu cũng cho thấy bán kính mưa cực đại giảm khi cường độ bão tăng lên Sử dụng đo đạc từ radar cho thấy tốc độ mưa của thành phần đối xứng trục là 11mm/h ở thành mắt bão trong cơn bão Allen (1980), giá trị này gấp khoảng 6 lần giá trị ở bán kính 111km tính từ thành mắt bão (Marks Jr 1985) [21] Burpee và Black 1989 [8] đã phân tích cấu trúc mưa từ số liệu radar ở khoảng cách 75km tính từ tâm bão của cơn bão Alicia (1983) và cơn bão Elena (1985) Kết quả cho thấy tốc độ mưa của thành phần đối xứng trục tương ứng chỉ là 5,2 và 6mm/h Những giá trị này giảm xuống còn 2,8 và 3,4mm/h ở dải mưa đầu tiên xung quanh tâm bão Những nghiên cứu này đều cho thấy mỗi cơn bão có phân bố mưa rất khác nhau trong suốt quá trình phát triển, có thể liên quan đến nhiều nhân tố trong đó cả động lực bão và môi trường bão đều có thể ảnh hưởng đến cấu trúc mưa bão Tính bất đối xứng trong mưa bão cũng đã được nghiên cứu nhiều từ số liệu quan trắc cũng như sử dụng mô hình số (Marks và cộng sự 2002) [22] Những quan trắc từ số liệu radar đều cho thấy tính bất đối xứng của mưa trong cơn bão Allen (Marks Jr 1985) [21] cũng như trong hai cơn bão Alicia và Elena (Burpee và Black 1989) [8] Tuy nhiên, sự bất đối xứng này biến đổi đáng kể từ cơn bão này sang cơn bão khác Chẳng hạn như cơn bão Allen có cực đại tốc độ tạo mưa ở cung phần tư bên phải-phía trước trong khu vực thành mắt bão và di chuyển theo chiều xoáy nghịch ra phía vùng ngoài rìa Cực đại mưa trong cơn bão Alicia thì ban đầu quan sát thấy ở cung phần tư bên trái-phía trước sau đó chuyển sang cung phần tư bên phải-phía trước Những kết quả quan trắc khác cũng cho thấy có sự thay đổi như vậy Nghiên cứu của Miller (1958) [23] cho thấy mưa cực đại chủ yếu rơi vào cung phần tư bên phải-phía trước từ số liệu tổng hợp của 16 cơn bão ở khu vực Florida Frank (1977) [15] cũng đã chỉ ra rằng sự phân bố mưa có tính đối xứng trục với những cơn bão ở vùng tây bắc Thái Bình Dương sử dụng chuỗi số liệu đo mưa dài 21 năm trên 13 đảo nhỏ Rodgers, Chang và công sự (1994) [27] đã sử dụng số liệu vệ tinh để phân tích và cho thấy vùng mưa cực đại xuất hiện ở phía trước trong các cơn bão ở Bắc Đại Tây Dương Vị trí vùng mưa cực đại cũng dịch chuyển về phía bên phải-phía trước khi tốc độ của cơn bão tăng lên Mặc dù hầu hết các nghiên cứu

13 trước đây đều đã chỉ ra rằng vùng cực đại mưa nằm ở phía trước của tâm bão nhưng vị trí và biên độ có sự dao động rất lớn Trong thực tế, những cơn bão tương đối giống nhau về vị trí hình thành, cường độ và tốc độ như cơn bão Allen, Alicia và Elena cũng có cấu trúc mưa rất khác nhau Như vậy, sự phân bố mưa bão được xác định bởi rất nhiều nhân tố bao gồm các nhân tố môi trường như độ đứt gió, nhiệt độ mặt nước biển, sự phân bố ẩm, cũng như các nhân tố riêng của cơn bão như cường độ, vị trí, tốc độ di chuyển Để đánh giá được những nhân tố này ảnh hưởng như thế nào đến mưa bão cần có sự nghiên cứu sự phụ thuộc của nó là một hàm theo hướng bán kính và hướng phương vị của tâm bão đối với các nhân tố cường độ, vị trí và tốc độ di chuyển của bão

Thông thường để phân tách giữa mưa do bão và mưa do các hệ thống thời tiết khác gây ra, mưa do bão được định nghĩa là mưa xảy ra cho một khu vực trong một thời đoạn mà bão tác động trực tiếp từ giai đoạn di chuyển đến và đi qua khu vực đó Với một số khu vực ven biển, bão có thể ảnh hưởng trực tiếp trong một thời đoạn đủ dài để gây ra lượng mưa rất lớn nhưng có thể không đổ bộ Tuy nhiên phần lớn bão di chuyển vào một khu vực, đổ bộ và tan đi trên đất liền Trong thời kì này mưa xảy ra có thể bao gồm cả mưa do bão hoặc mưa do một số hệ thống đang và đồng thời tác động, tuy nhiên trong phạm vị nghiên cứu của Đề tài vẫn được xem chung là mưa do bão Do độ tin cậy của dự báo quỹ đạo bão được cải thiện rất nhiều trong những năm trở lại đây hạn dự báo 1-3 ngày có sai số trung bình khoảng 80-250km (DeMaria 2005) [12] nên mưa do bão cần được xác định ngay khi có những bản tin cảnh báo và dự báo bão có khả năng cao đổ bộ vào một khu vực nhất định Khi phát bản tin cuối cùng liên quan đến bão ảnh hưởng trực tiếp đến một khu vực cụ thể thì sau khoảng 12-24h được xem là sự kết thúc của mưa do bão (Hình 1.1)

14 Hình 1.1 Mô phỏng cấu trúc trường mưa bão (Chen và cs, 2010) [9]

Nếu gió mạnh do bão có tác động lớn trên biển thì mưa do bão là một trong những yếu tố nguy hiểm nhất của bão (Li và cộng sự 2012,2014) [19,20] Lượng mưa lớn từ bão không chỉ gây lũ lụt tại các khu vực ven biển mà còn có thể gây mưa lớn tại những vùng núi nằm sâu hơn trong đất liền và dẫn tới sạt lở đất Tính toán dựa trên số liệu ước lượng mưa từ vệ tinh chỉ ra rằng, tại các khu vực có khả năng xuất hiện bão thì mưa bão chiếm ~ 5% số ngày mưa của khu vực đó và có thể chiếm tới trên 30% số ngày diễn ra mưa cực đoan với lượng mưa vượt 100mm trong 24 giờ (Prat và Nelson 2016) [25] Để giảm thiểu thiệt hại do mưa bão, thì việc dự báo định lượng mưa do bão phải được nâng cao chất lượng không chỉ về mặt hạn dự báo (trước 1 – 3 ngày) mà cả định lượng mưa tại địa điểm bão ảnh hưởng Tuy nhiên, bài toán dự báo định lượng mưa là một trong những thách thức hiện nay của lĩnh vực dự báo thời tiết, nó phụ thuộc vào dự báo quỹ đạo, cường độ của bão, cấu trúc bão, các hệ thống thời tiết

1.2 Tình hình nghiên cứu ngoài nước

Khái niệm dự báo hạn cực ngắn đối với các hiện tượng thời tiết nói chung và mưa lớn nói riêng được xác định tùy thuộc vào mỗi quốc gia, và hạn dự báo có thể thay đổi từ 0-3 giờ, 0-6 giờ, 0-12 giờ, 0-18 giờ hay dưới 24 giờ Đến nay, nhiều nước đã và đang nghiên cứu, áp dụng các phương pháp khác nhau trong dự báo hạn cực

15 ngắn Trong đó, 3 trụ cột chính được sử dụng trong lĩnh vực này là: (1) phương pháp dự báo số trị bằng mô hình dự báo quy mô khu vực với độ phân giải cao, (2) phương pháp phân tích ảnh mây vệ tinh và (3) phương pháp phân tích sản phẩm của radar Ba phương pháp này thường được sử dụng kết hợp với nhau và được hiệu chỉnh bằng các phương pháp thống kê

a) Dự báo mưa bằng phân tích ảnh radar thời tiết có ưu điểm là cho kết quả đo mưa thời điểm hiện tại một cách trực tuyến, độ chính xác cao, với độ phân giải không gian và thời gian cao (~1km, 5-10 phút), khu vực bao phủ rộng lớn (100 – 200km) nên thuận lợi trong vấn đề dự báo và theo dõi diễn biến mưa Nhiều nước (Hoa Kỳ, Anh, Hà Lan, Nhật, Đài Loan, Hồng Kông) đã xây dựng thành công các hệ thống cảnh báo sớm thiên tai dựa vào dữ liệu mưa chủ yếu từ hệ thống radar Ví dụ, hai hệ thống của Cơ quan thời tiết Hoa Kỳ đưa ra các dự báo cực ngắn các cơn dông, mưa lớn nguy hiểm rất hiệu quả là Hệ thống hỗ trợ Quyết định cảnh báo WDSS (“Warning Decision Support System”) (Lakshmanan và cộng sự 2007) [18] và Hệ thống tương tác xử lý thời tiết tiên tiến AWIPS (“Advanced Weather Interactive Processing System”) Các hệ thống này sử dụng các thuật toán tính toán đường đi của dông, xác định mưa đá, xoáy thuận quy mô vừa, lốc xoáy và gió gây hại và các dữ liệu, sản phẩm được hiển thị tương tác Các dự báo cực ngắn dông nguy hiểm đã được cải thiện rất đáng kể nhờ công rất lớn của các công cụ radar Tuy nhiên, có một hạn chế là radar thường hoạt động không tốt ở khu vực địa hình đồi núi, không phủ tới vùng sâu, vùng xa, trên mặt biển, khó quản lý và vận hành tốn kém

b) Bên cạnh radar, dự báo mưa hạn cực ngắn cũng dựa trên phương pháp phân tích ảnh mây vệ tinh Ước tính mưa từ cảm biến không gian đã có lịch sử khá lâu, từ những năm 1970, khi những phương pháp đo mưa sử dụng kênh VIS/IR được thử nghiệm để chiết xuất gián tiếp mưa từ vệ tinh địa tĩnh và vệ tinh quỹ đạo cực Tuy nhiên, đo cường độ mưa từ các cảm biến trên vệ tinh là một vấn đề vô cùng khó với lời giải chưa được hoàn toàn thỏa đáng Trong khi các đo đạc tại một điểm trên mặt đất có những hạn chế nhất định về tính đại diện không gian, thì đo đạc từ không gian

16 lại tăng thêm các vấn đề cần phải xem xét khi sử dụng định lượng Tính chất gián tiếp của đo mưa viễn thám bằng các radar mặt đất thậm chí còn trầm trọng hơn đối với những ước tính từ viễn thám bị động của vệ tinh, do những ước tính này thông qua năng lượng tán xạ hoặc phát xạ từ mây ở kênh thị phổ, hồng ngoại và vi sóng bị động

c) Phương pháp mô hình số trị gần đây đã được ứng dụng rất nhiều ở các cơ quan khí tượng trên thế giới, từ Hoa Kỳ, Châu Âu, Úc, Nhật Bản, Đài Loan, Hồng Kông trong dự báo mưa lớn hạn cực ngắn Trong đó, có hai vấn đề được quan tâm giải quyết là: (1) tăng độ phân giải lưới tính mô hình (một vài km) để có thể nắm bắt được các quá trình hình thành mây, mưa quy mô nhỏ và (2) áp dụng đồng hóa dữ liệu để cập nhật, cải tiến trường ban đầu Về kỹ thuật đồng hóa số liệu cho mô hình để dự báo mưa lớn hạn cực ngắn, tiến bộ nhất hiện nay là hệ thống đồng hóa làm mới nhanh RAP (“The Rapid Refresh”), do các nhà khoa học Hoa Kỳ phát triển và đã được đưa vào ứng dụng trong nghiệp vụ tại cơ quan dự báo quốc gia từ năm 2012

RAP sử dụng hệ thống phân tích thống kê nội suy điểm lưới GSI (“Gridpoint Statistical Interpolation”), với khả năng đồng hóa dữ liệu phản hồi radar theo từng giờ và dữ liệu quan trắc liên quan đến điều kiện biên, sự phù hợp với bề mặt, mây và quá trình giáng thủy, dữ liệu từ mô hình toàn cầu, bên trong chu kỳ đồng hóa 1h Hiệu quả của chu kỳ đồng hóa dữ liệu 1h là cung cấp đầy đủ dự báo 1h mà không có tạp âm, phụ thuộc vào sự kết hợp đầy đủ cân bằng đa chiều từ GSI và ứng dụng đầu lọc ban đầu DFI (“digital filter initialization”) Trường nền của sự đồng hóa dữ liệu RAP là dự báo RAP 1h trước đó, cùng với các thành phần khác của chu kỳ đồng hóa RAP, dữ liệu từ mô hình toàn cầu GFS (“Global Forecast System”) được cung cấp 12h/lần bởi một bộ phận kỹ thuật chu kỳ, để cung cấp sóng dài tốt nhất cho khu vực đồng hóa dữ liệu không thể sử dụng toàn bộ dữ liệu quan trắc toàn cầu Trong bộ phận chu kỳ này, một chu kỳ tương ứng RAP 1h bắt đầu lúc 03UBÃO và 15UBÃO mỗi ngày cùng với dự báo GFS 3h Căn cứ tại thời điểm này để được cung cấp như trường nền khí quyển thay thế cho chu kỳ RAP tương ứng Sau chu kỳ đồng hóa, bỏ qua tương ứng từng giờ chạy cho 6h cuối cùng, tương tự, tại 09UBÃO và 21UBÃO, dự báo 1h từ

17 chu kỳ RAP tương ứng thay thế cho điều này từ chu kỳ ban đầu như trường nền cho đồng hóa RAP (S.G Benjamin và cộng sự 2016) [30]

Tương tự như Hoa Kỳ, Hàn Quốc cũng xây dựng hệ thống VDAPS (“Very short-range Data Assimilation and Prediction System”), hệ thống dự báo cực ngắn cập nhật liên tục 1h một trên cơ sở mô hình số trị UM ở độ phân giải rất cao (1.5km) kết hợp đồng hóa 3/4D-Var với các số liệu bề mặt, thám không, vệ tinh, độ phản hồi và gió xuyên tâm của radar, cường độ mưa, và tầm nhìn xa (mây) Hệ thống này đã phục vụ cho dự báo mưa hạn cực ngắn tại thế vận hội mùa hè 2016, Hàn Quốc (Dong-Joon Kim 2016) [14]

SWIRLS (Short-range Warning of Intense Rainstorm in Localised Systems) là hệ thống dự báo tức thời lượng mưa được phát triển bởi Đài khí tượng Hồng Kông (HKO) từ năm 1997 Nguyên mẫu SWIRLS đã được đưa vào thử nghiệm trong mùa mưa năm 1998 Bản thử nghiệm này được coi là một thành công bước đầu với dự báo định lượng mưa trong một vài giờ Sau một số sửa đổi nhỏ dựa trên nhật ký người dùng, hệ thống SWIRLS đã chính thức được hoạt động vào tháng 4 năm 1999 Các kỹ thuật tiên tiến được triển khai trong SWIRLS để phân tích và dự đoán lượng mưa và hiện tượng thời tiết đối lưu trong vài giờ tới SWIRLS cũng được triển khai trong các dịch vụ khí tượng khác nhau hoặc tham gia vào các dự án dự báo quốc tế để hỗ trợ nghiên cứu và phát triển các kỹ thuật dự báo mưa bão

SWIRLS đã trải qua những cải tiến đáng kể với những kinh nghiệm thu được thông qua việc triển khai tham gia các sự kiện lớn quốc tế như Olympic Bắc Kinh năm 2008 (Yeung và cộng sự 2009) [34], Hội trợ triển lãm Thượng Hải 2010 (Cheng và cộng sự 2011) [10] và Đại hội thể thao khối thịnh vượng chung chung Ấn Độ năm 2010 (Srivastava và cộng sự 2012) [29] Theo sự hợp tác khu vực và quốc tế bao gồm các chương trình của Uỷ ban Bão quốc tế, SWIRLS đã được cung cấp cho nhiều cơ quan khí tượng của các quốc gia trên thế giới bao gồm Phòng dự báo thời tiết Cục khí tượng Trung Quốc, Cục Khí tượng và Địa vật lý Mâco, Cơ quan Quản lý dịch vị thiên văn, Địa vật lý và Khí quyển Phillippines; Cục khí tượng Malaysia; Trung tâm

18 Khí tượng thuỷ văn quốc gia Việt Nam, Cục khí tượng thái lan …

Mục tiêu phát triển chính trong SWIRLS là sử dụng cả dữ liệu radar và raingauge để theo dõi và dự đoán xu hướng phân phối mưa cục bộ trong vài giờ tới Bộ dữ liệu được phân tích lại, dựa trên mối quan hệ lượng mưa phản xạ được điều chỉnh theo thời gian, đã được chứng minh là cực kỳ hữu ích trong việc cung cấp thông tin lượng mưa theo thời gian thực cho dự báo viên cũng như cung cấp thông tin cho quá trình vật lý hóa trong dự báo thời tiết

Kuldeep Srivastava và cộng sự (2012) [29] đã ứng dụng hệ thống SWIRLS với 2 phương pháp TREC và MOVA để tính toán độ phản xạ sau đó kết hợp với dữ liệu DWR của Ấn Độ để thử nghiệm khả năng dự báo cho các sự kiện dông báo ở Kolkata và New Delhi Kết quả cho thấy khả năng nắm bắt tốt của SWIRLS đối với hai sự kiện nói trên

W.C.Woo và cộng sự (2014) [33] giới thiệu và vận hành thệ thống dự báo thời tiết được phát triển bởi Đài khí tượng Hồng Kông để hỗ trợ cảnh báo mưa bão và thời tiết khắc nghiệt cũng như cung cấp dịch vụ dự báo mưa định lượng Trong nghiên cứu này, nhằm mục đích nâng cao hiệu suất trong định lượng mưa bão, một sơ đồ theo dõi độ phản hồi mới được phát triển để kết hợp các chuyển động của dải mây mưa trong bão với trường chuyển động dạng lưới được tính toán bởi SWIRLS thông qua thuật toán ROVER Bằng phương pháp này, trường chuyển động được tại ra sẽ bao gồm các chuyển động của mây đối lưu xung quanh tâm bão và các chuyển động tổng thể của bão Hệ thống này cho thấy việc khả năng dự báo mưa có cải thiên ở ngưỡng lớn hơn 20mm nhưng chỉ trong 1 đến 2 giờ đầu tiên Do đó nghiên cứu cũng đề xuất việc hệ thống SWIRLS sẽ được cải tiến hơn nữa khi được kết hợp với các mô hình NWP để mô phỏng tốt hơn sự phát triển của các dải mây mưa do bão khi có tính đến trường dịch chuyển của mô trường xung quang và sự tương tác với các hệ thống khí quyển

Diong Jeong Yik và công sự (2018) [13] đã nghiên cứu sử dụng hệ thống RaINS của cục khí tượng Malaysia (MMD) để kết hợp dữ liệu radar và dữ liệu số

19 NWP được điều chỉnh thông qua SWIRLS Kết quả cho thấy hệ thống này đã nắm bắt được bão rất tốt Tuy hệ thống RaINS cũng cho thấy việc kém hiệu quả trong không gian rộng và trong thời gian đầu cũng như phân rã của cơn bão nhưng lại cho kết quả tương đối tốt cho khực dự báo nhỏ hơn và trong giai đoạn bão trưởng thành

1.3 Tình hình nghiên cứu trong nước

Trong nước, dự báo mưa và định lượng mưa luôn được quan tâm chú trọng và có nhiều công trình nghiên cứu và cũng có nhiều bài báo, nghiên cứu hay đề tài được công bố Các công trình về định lượng mưa nói chung và việc kết hợp các số liệu radar hay vệ tinh áp dụng cho việc định lượng mưa nói riêng cũng rất được quan tâm và nghiên cứu Hoàng Minh Hiền (2000) [1] đã ước lượng khả năng gây mưa cho một khu vực nào đó từ các sản phẩm ảnh mây vệ tinh phân giải cao thu được từ các vệ tinh khí tượng Nguyễn Thị Tân Thanh (2010) [3] nghiên cứu thử nghiệm dự báo cực ngắn mưa và dông từ thông tin của các radar thời tiết Doppler tại Tam Kỳ, Nha Trang và số liệu vũ lượng ký để thử nghiệm dự báo mưa cực ngắn cho khu vực Trung Trung Bộ đồng thời xây dựng hệ thống các chỉ tiêu cảnh báo mưa và nhận biết dông dựa vào độ phản hồi của radar Cũng với hướng nghiên cứu này Trần Duy Sơn (2009) [6] đã nghiên cứu xây dựng quy trình phát hiện theo dõi các hiện tượng thời tiết nguy hiểm: tố, lốc, mưa đá, mưa lớn cục bộ bằng hệ thống ra đa thời tiết TRS-2730 Nghiên cứu này chủ yếu dựa vào sản phẩm từ 3 radar: Việt Trì, Phù Liễn và Vinh để xây dựng hệ thống nhận biết, nhận dạng các đám mây có khả năng gây các hiện tượng thời tiết cục bộ như mưa lớn, tố, lốc, mưa đá, từ đó xây dựng quy trình theo dõi và phát hiện các hiện tượng này cho các trạm quan trắc radar nói trên

Trần Đình Trọng (2013) [5] đã tiến hành rất nhiều các thử nghiệm khác nhau như ứng dụng dữ liệu vệ tinh, radar và các mô hình số trị vào dự báo khí tượng hạn cực ngắn Kết quả thử nghiệm đánh giá dữ liệu radar trong dự báo giông, tố lốc cho khu vực Đông Bắc Bộ cho thấy, hầu hết các hiện tượng giông, tố lốc xảy ra trong khu vực Đông Bắc Bộ trong các tháng 6, 7, 8 năm 2011 đều được phát hiện và dự báo bởi radar thời tiết Tuy nhiên, hầu hết các đám mây đối lưu có khả năng gây dông trên

20 khu vực Đông Bắc Bộ đều nằm ở khoảng cách ngoài 100km, các khoảng cách này là quá xa để radar có thể thực hiện quét thẳng đứng (RHI), dẫn đến các sản phẩm quan trắc thẳng đứng là rất hạn chế, do vậy, việc phân tích dự báo giông chủ yếu được thực hiện trên ảnh quét tròn (PPI) Nghiên cứu chung cho cả ba mô hình số trị WRF, MM5, CreSS dùng dự báo hiện tượng thời tiết cực đoan, các nhà khoa học kết luận việc dự báo các hiện tượng nguy hiểm trong thời đoạn ngắn dưới 6 giờ là rất khó và kết quả nếu có cũng chỉ mang tính chất tham khảo cho các phương pháp khác Trong thời đoạn dưới 12 giờ, 24 giờ sẽ cho kết quả có thể khả quan hơn nhưng tính “cấp bách” lại bị giảm nhiều

Vũ Văn Thăng (2020) [7] với đề tài “Nghiên cứu xây dựng hệ thống nghiệp vụ dự báo định lượng mưa khu vực Nam Bộ và cảnh báo mưa lớn cho Thành Phố Hồ Chí Minh” đã đánh giá lựa chọn được cấu hình (miền tính, lưới tính, các sơ đồ tham số hóa, ); xây dựng được công nghệ đồng hóa số liệu truyền thống, phi truyền thống (3DVar; 4DVar; GSI) cho mô hình số trị độ phân giải cao; xây dựng hệ thống tổ hợp lọc Kalman (EnTKF) áp dụng cho mô hình WRF; hệ thống dự báo tổ hợp định lượng mưa 1-3 ngày cho khu vực Nam Bộ và cho thấy những kết quả tương đối tốt

Dự báo mưa mưa hay định lượng mưa hạn cực ngắn cho riêng đối tượng bão và bão đổ bộ vào Việt Nam hiện nay vẫn là một đề tài mà chưa được tập trung nghiên cứu Vì vậy, đây cũng là một lý do để đề tài tập trung nghiên cứu đối tượng này

Đối riêng việc ứng dụng mô hình SWIRLS, Mai Văn Khiêm và cộng sự (2021) [2] đã cho thấy thử nghiệm bước đầu của nghiên cứu cho thấy khả năng ứng dụng cao của hệ thống cảnh báo hạn ngắn mưa dông nguy hiểm (SWIRLS) do Cơ quan khí tượng Hồng Kông (HKO) phát triển dựa trên các dữ liệu quan trắc radar và kết hợp (blending) với sản phẩm mô hình khí tượng phân giải cao (NWP) để có được sản phẩm dự báo mưa định lượng Tuy nhiên chưa có những thử nghiệm nhiều trường hợp hơn, đánh giá chất lượng hiệu chỉnh với quan trắc thực tế để qua đó xác định được các thông số hàm kết hợp phù hợp cho Việt Nam nói chung và cho từng khu vực nói riêng

21 Vũ Văn Thăng (2020) [7] đã xây dựng Quy trình dự báo định mưa lớn hạn cực ngắn trước 3 đến 6 giờ cho Thành phố Hồ Chí Minh dựa trên hệ thống nghiệp vụ được thiết kế riêng, sử dụng mô hình WRF và phần mềm SWIRLS được hạ quy mô tới 2km để đưa ra 02 dự báo thành phần Toàn bộ các bước sẽ được thiết kế qua các chương trình chạy tự động, sẽ có các chương trình đưa ra cảnh báo lỗi đến dự báo viên để đưa ra được bản tin đảm bảo đúng thời gian

Hình 1.2 Sơ đồ hệ thống SWIRLS trong đề tài Vũ Văn Thăng Tuy nhiên, sản phẩm từ hệ thống này mới chỉ áp dụng SWIRLS đối với một radar đơn lẻ để áp dụng cho Nam Bộ, đồng thời phương pháp tính toán trường chuyển động trong mô hình này là TREC, một phiên bản cũ của SWIRLS Hiện nay, SWIRLS đã nâng cấp lên sử dụng ROVER và đã được chứng mình là tốt hơn so với TREC hay MOVA (Woo và cộng sự 2014) [33]

Trung tâm Dự báo KTTV Quốc gia cũng đã tiếp nhận mô hình SWIRLS từ HKO và đã đưa vào chạy thời gian thực từ năm 2020 Tuy nhiên sản phẩm SWIRLS này là sản phẩm dự báo của phương pháp ROVER cho 8 radar đơn lẻ (Việt Trì, Pha Đin, Tam Kỳ, Đông Hà, Quy Nhơn, Pleiku, Nha Trang, Nhà Bè), đồng thời cũng chưa có sản phẩm đưa vào nghiệp vụ hay thử nghiệm đối với việc kết hợp blending

22 SWIRLS – NWP (Các sản phẩm minh họa được chi tiết ở phụ lục 1) Do đó việc nghiên cứu thử nghiệm và đánh giá hệ thống kết hợp SWIRLS – NWP là cần thiết để hướng tới nghiên cứu cải thiện khả năng dự báo mưa hạn cực ngắn nói chung và mưa hạn ngực ngắn do bão nói riêng

Bảng 2.1 Bảng thông tin tham số về hệ thống ra đa tại Việt Nam (Nguyễn Vinh

Thư và cộng sự, 2020) [4]

Trạm

Vị trí

Độ cao [m]

Độ rộng

búp sóng

[°]

sóng

Năm cài đặt (nâng cấp) Kinh độ[°E] Vĩ độ[°N]

Phù

24

Đông Hà 107.092181 16.804871 40 1.2 Đơn C

2009 (2019.04.)

Hình 2.1 Mạng lưới ra đa thời tiết tại Việt Nam (Nguyễn Vinh Thư và cộng sự,

2020) [4]

25 Trong nghiên cứu này, số liệu radar được sử dụng để làm đầu vào cho hệ thống SWIRLS để tính toán trường chuyển động bằng phương pháp ROVER và sau đó dùng để kết hợp với dữ liệu NWP để đưa ra kết quả dự báo cuối cùng Số liệu radar được định dạng dưới dạng file UF cho từng radar với 10 phút 1 file Tệp só liệu sẽ được lấy ngược về thời gian trong quá khứ, tức là với thời gian dự báo t+6 thì số liệu dự báo sẽ được lấy từ t đến t-6 Ngoài ra để phù hợp với những cơn bão được nghiên cứu đổ bộ tập trung vào miền Trung và Tây Nguyên Việt Nam sẽ có 5 radar được lựa chọn như hình 2.2 để lấy dữ liệu đầu vào cho hệ thống blending SWIRLS

Trong nghiên cứu này, các số liệu radar đơn (định dạng UF) được thu thập sau đó hệ thống sử dụng dữ liệu CAPPI 2km bao phủ miền có bán kính 250km và được hiển thị trên lưới chữ nhật 500x500 pixels

2.1.2 Số liệu quan trắc mưa

Bên cạnh mạng lưới trạm đo mưa truyền thống Synop (189 trạm), mạng lưới trạm đo mưa tự động (AWS) ngày càng được mở rộng, phát triển với hơn 1500 trạm đo mưa tự động (bao gồm cả các trạm đo mưa tự động và trạm khí tượng tự động) Các quá trình xử lý dữ liệu AWS cũng được áp dụng như lọc bỏ những trạm đo mưa tự động bị thiếu dữ liệu, những trạm có tần suất mất dữ liệu cao cũng sẽ bị loại bỏ Trong số các trạm lựa chọn, nếu trạm nào có giá trị cực thấp so với các địa điểm trạm tự động xung quanh trong phạm vi 5km sẽ bị loại ra khỏi danh sách bằng cách kiểm tra chuỗi thời gian của lượng mưa giờ trong một chuỗi dữ liệu dài

Trong luận văn này, do tập trung nghiên cứu các cơn bão đổ bộ vào miền Trung Việt Nam nên luận văn sử dụng 1023 trạm AWS như trên hình 2.2 ở khu vực miền Trung và Tây Nguyên Việt Nam Các số liệu mưa từ các trạm AWS sủ dụng trong luận văn này là lượng mưa 10p một file với dữ liệu mưa tích luỹ 1h Cấu trúc dữ liệu này là phù hợp để so sánh với sản phẩm đầu ra từ mô hình SWIRLS

26 Hình 2.2 Hệ thống radar và AWS sử dụng trong luận văn 2.1.3 Số liệu WRF3km-IFS-DA

Trong nghiên cứu sử dụng hệ thống mô hình khu vực WRF với nhân động lực ARW phiên bản 3.9.1.1 do Trung tâm dự báo môi trường quốc gia Mỹ (NCEP) phát triển (gọi tắt là WRF-ARW) Đây là hệ thống mô hình khu vực được áp dụng trong nghiên cứu và nghiệp vụ với các ứng dụng đa dạng từ mô phỏng lý tưởng xoáy, sóng núi đến áp dụng các bài toán dự báo thời tiết hoặc các điều kiện thời tiết nguy hiểm như mưa, bão/xoáy thuận nhiệt đới và được cộng đồng khoa học hỗ trợ và phát triển Mô hình WRF-ARW được thiết lập với độ phân giải 3km cho miền tính bao phủ toàn bộ Việt Nam và Biển Đông và sử dụng trường điều kiện biên từ mô hình IFS của Trung tâm dự báo khí tượng hạn vừa Châu Âu (ECMWF), hạn dự báo đến 72h cập nhật 2 lần/ngày

27 Hệ thống WRF-IFS-DA đã được sử dụng trong hệ thống dự báo nghiệp vụ của Trung tâm dự báo quốc gia Tuy nhiên, hệ thống này mới chỉ cho ra kết quả 1 file out hàng giờ do đó chưa phù hợp với hệ thống blending SWIRLS trong thí nghiệm Vì vậy, nghiên cứu sẽ thực hiện chạy lại mô hình này với cập nhật 6 tiếng một và để sản phẩm đầu ra của WRF-IFS-DA sẽ là 10 phút một file Các lựa chọn vật lý của mô hình WRF-IFS-DA được sử dụng trong nghiên cứu này được chi tiết ở phụ lục 2 Sau đó sản phẩm từ mô hình sẽ được kết hợp với sản phẩm ROVER từ SWIRLS để ra được sản phẩm dự báo cuối cùng Trong luận văn, các sản phẩn dự báo mưa từ mô hình WRF-IFS-DA cũng được trích xuất độc lập để có sự so sách với lượng mưa từ AWS một cách độc lập Từ đó sẽ thấy rõ được khả năng dự báo mưa hạn 1-6h của sản phẩm kết hợp blending SWIRLS-NWP so với sản phẩm từ mô hình

Bảng 2.2 Các yếu tố sử đụng để đồng hoá số liệu mô hình WRF-IFS-DA

1 Gió bề mặt mực 10m (u10m, v10m) Đồng hóa số liệu

3 Nhiệt độ điểm sương mực 2m (td2m) Đồng hóa số liệu

6 Áp suất tại mực biển trung bình (pmsl) Đồng hóa số liệu Bảng 2.3 Các gói số liệu sử dụng đồng hoá số liệu mô hình WRF-IFS-DA

1 ftp://ftp.ncep.noaa.gov/pub/data/nccf/com/gfs/prod

Số liệu 3 ngày gần nhất: SYNOP, TEMP, PILOT, META, BUOY, SHIP

28 2 http://nomads.ncdc.noaa.gov/data.ph

p

Số liệu trong quá khứ: SYNOP, TEMP, PILOT, META, BUOY, SHIP

3 http://rda.ucar.edu/datasets/ds735.0/ Số liệu trong quá khứ: SYNOP,

TEMP, PILOT, META, BUOY, SHIP

2.3 Hệ thống dự báo cực ngắn SWIRLS

Hình 2.3 Cấu trúc hệ thống SWIRLS kết hợp hệ thống radar và NWP Sau khi có được đô phản hồi ngoại suy (1-6 h) và độ phản hồi mô phỏng từ mô hình WRF-ARW (sử dụng phương pháp chuyển đổi từ trường dự báo của mô hình theo sơ đồ vi vật lý mây MM5's Reisner-2), với giả định rằng dữ liệu từ mô hình số có cùng đặc trưng thống kê là hàm Phân bố xác suất tích lũy Weibull (Cumulative Probability Distribution CPDF) với quan trắc radar [11], độ phản hồi mô hình và độ phản hồi ngoại suy được kết hợp (blending) dựa trên hàm trọng số dạng đường cong hyberbolic [4, 5, 21]:

29 𝒘(𝒕) = 𝒈 × 𝜶 ×(𝜷 − 𝜶)

𝟐 [𝟏 + 𝐭𝐚𝐧𝐡⁡(𝜸(𝒕 − 𝟗))]

Trong đó: t là thời gian, các tham số g, α, β và  có giá trị tương ứng là 145, 0,01, 0,65 và 0,24 theo cài đặt mặc dịnh của hệ thống SWIRLS được sử dụng trong nghiên cứu này Đại lượng 𝒈 × 𝜶 ×(𝜷−𝜶)

𝟐 trong công thức trên điều khiển sự ảnh hưởng hay trọng số của mô hình số trị lên sản phẩm kết hợp SWIRLS và NWP Đại lượng này có giá trị từ 0 đến 1 Do đó, giá trị này càng thấp thì sự ảnh hưởng của NWP lên sản phẩm kết hợp càng thấp và ngược lại Thành phần trên có thể viết gọn lại thành Ɛ Đại lượng 𝜸 mô tả khả năng ảnh hưởng của SWIRLS lên sản phẩm kết hợp giữa SWIRLS và NWP, 𝜸 càng lớn thì thời gian ảnh hưởng của SWIRLS lên sản phẩm cuối cùng càng lâu

Khi đó, với các vùng có giá trị phản hồi ngoại suy radar (𝑄𝑃𝐹𝑆𝑊𝐼𝑅𝐿𝑆) sẽ được kết hợp với mô hình số (𝑄𝑃𝐹𝑊𝑅𝐹) theo công thức:

𝑄𝑃𝐹𝑅𝑎𝐼𝑁𝑆 = (1 − 𝑤(𝑡)) × 𝑄𝑃𝐹𝑆𝑊𝐼𝑅𝐿𝑆+ 𝑤(𝑡) × 𝑄𝑃𝐹𝑊𝑅𝐹Sau đó giá trị 𝑄𝑃𝐹𝑅𝑎𝐼𝑁𝑆 sẽ được chuyển đổi sang giá trị mưa

Hình 2.4 Minh hoạ giá trị trọng số trong việc kết hợp độ phản hồi SWIRLS và

NWP [2]

30 Vận hành hệ thống SWIRLS kết hợp số liệu NWP bao gồm:

Bước 1: Chuẩn bị dữ liệu radar đơn (định dạng UF), hệ thống sử dụng dữ liệu CAPPI

2km bao phủ miền có bán kính 250km và được hiển thị trên lưới chữ nhật 500x500 pixels

Bước 2: Tạo các lưới chính với độ phân giải ngang 3km và sau đó tổng hợp tất cả

các trạm radar đơn lẻ bằng cách chọn các giá trị tối đa của dữ liệu radar (Trong trường hợp 2 hoặc nhiều radar phủ chồng lên nhau)

Bước 3: Áp dụng Kỹ thuật dòng quang học đối với độ phản hồi của radar (ROVER)

cho mỗi trạm radar để tính toán các trường chuyển động: i) dữ liệu phản xạ radar được chuyển đổi thành cấp độ xám như và ii) sử dụng kỹ thuật dòng quang biến phân đa quy mô để tính toán trường vector chuyển động 2 chiều

Bước 4: Dựa trên trường vector chuyển động sẽ thực hiện dự báo độ phản hồi radar

bằng sơ đồ bình lưu bán Lagrangian

Bước 5: Trước khi kết hợp dữ liệu dự báo và dữ liệu NWP, dựa trên phương pháp

ánh xạ phân vị (QM), việc hiệu chỉnh sai số được xử lý bằng cách sử dụng hàm chuyển đổi ánh xạ các phân vị của độ phản hồi tương đương được chuyển đổi từ dự báo của NWP sang dữ liệu radar

Bước 6: Khi đó, với các vùng có giá trị phản hồi ngoại suy radar (𝑄𝑃𝐹𝑆𝑊𝐼𝑅𝐿𝑆) sẽ được kết hợp với mô hình số (𝑄𝑃𝐹𝑊𝑅𝐹) theo công thức trên

Bước 7: Cuối cùng, mối quan hệ Marshall-Palmer được sự dụng để chuyển đổi độ

phản xạn (Z) sang mưa (R, unit mm/h)

Bước 8: Chạy chương trình hiển thị kết quả dự báo (đồ thị, bảng biểu) Bước 9: Kiểm tra độ ổn định và phát hiện bất cập Phát hiện lỗi và tìm nguyên nhân 2.4 Thiết kế thí nghiệm

Thông thường, việc áp dụng hệ thống nowcasting dựa trên sơ đồ đối lưu Lagrange là khá tốt đối với các trường hợp giông bão hoặc hệ thống đối lưu quy mô trung phát triển với xu hướng chuyển động tuyến tính rõ ràng Nhưng đối với các

Semi-31 chuyển động liên quan đến hệ xoáy như xoáy thuận/áp thấp nhiệt đới hay các hệ đối lưu phát triển nhanh và cục bộ sẽ gặp rất nhiều sai sót Để thấy rõ hơn điều này, trước tiên nghiên cứu sẽ đề cập đến hoạt động của SWIRLS đối với BÃO ETAU vào tháng 11 năm 2020 ảnh hưởng đến miền Trung Nam Việt Nam Các đánh giá xem xét các trường chuyển động xoáy phù hợp với hoàn lưu chính của BÃO cũng như các dòng chảy ra của hệ thống BÃO Trường hợp này chỉ được thử nghiệm với một trạm radar duy nhất từ trạm Nha Trang

Tiếp theo, đánh giá điểm kỹ năng của QPF của nowcast cho ba BÃO vào năm 2021 và 2022 từ SWIRLS và hiệu quả của sản phẩm trộn giữa SWIRLS và NWP có độ phân giải cao trong dự báo lượng mưa tích lũy trong 1 giờ ở khu vực miền Trung Việt Nam, nơi 3 cơn bão này gây ra trực tiếp mưa cực lớn

Như đã biết, QPF của BÃO chịu ảnh hưởng rất lớn bởi dự báo đường đi của BÃO, khả năng mô phỏng các dải mưa cong của mây và giông bão di chuyển ra khỏi thành mắt của BÃO theo dạng xoắn ốc, kích thước lốc xoáy nhiệt đới và cả tốc độ ban đầu phân tích vị trí bão trong mô hình như đã đề cập nên chúng tôi sẽ sử dụng 3 chu kỳ dự báo liên tiếp trước ~ 18 giờ BÃO tiến vào bờ Chi tiết về tên quốc tế và chu kỳ dự báo của ba BÃO này được nêu trong Bảng Ngoài ra thông tin chi tiết về đường đi và sự ảnh hưởng của các cơn bão nói trên được chi tiết ở phụ lục 3

Bảng 2.4 Các cơn bão và các obs thực hiện thí nghiệm

DIANMU 23-09-2021 00z, 06z, 12z

NORU 27-09-2022 00z, 06z, 12z

SONCA 14-10-2022 00z, 06z, 12z

2.5 Phương pháp đánh giá kết quả

Chỉ số kĩ năng (Threar Score ) cho biết mức độ trùng khớp giữa phần dự báo

và phần quan trắc Giá trị của TS nằm trong khoảng 0  TS  1, TS = 1 có nghĩa là

32 dự báo là hoàn hảo, vùng được dự báo trùng khít với vùng quan trắc Đặc tính của điểm số này là rất nhạy đối với các dự báo xuất hiện là đúng, nhưng lại không quan tâm tới các trường hợp không dự báo được sự xuất hiện của hiện tượng và số lần dự báo sai Điểm số này không nói lên nguồn gốc của sai số dự báo Trong các mùa khác nhau, điểm số này bị ảnh hưởng bởi tần suất khí hậu

TShits missesfalse alarmsA CB

Xác suất phát hiện hiện tượng (Probability of Detection of Event - POD)

Chỉ số POD là tỉ lệ giữa số lần dự báo đúng hiện tượng có xảy ra với tổng số

lần quan trắc hiện tượng có xảy ra POD cho biết khả năng dự báo thành công của mô hình POD có giá trị nằm trong khoảng từ 0 đến 1 POD có giá trị bằng 0 cho biết mô hình không dự báo được bất kì lần nào có hiện tượng xảy ra Nếu chỉ số POD mà bằng 1 tức là C = 0 có nghĩa là mô hình dự báo là hoàn hảo Trên thực tế thì giá trị của POD không thể có giá trị bằng 1 mà chỉ có giá trị gần tiến tới một, POD càng gần 1 thì tỉ lệ dự báo đúng càng cao nghĩa là chất lượng dự báo tốt ngược lại chỉ số POD càng gần 0 thì chất lượng dự báo là thấp Chỉ số POD rất nhạy với tần suất dự báo sót vì vậy rất tốt khi sử dụng chỉ số này để đánh giá sự kiện hiếm

Tỷ lệ dự báo khống (False alarm ratio - FAR)

Chỉ số FAR cho biết tỉ số giữa số lần dự báo khống trên tổng số lần dự báo có xảy ra hiện tượng Chỉ số FAR cho biết sự hạn chế của mô hình trong việc dự báo hiện tượng không xảy ra với trường hợp này Giá trị của FAR biến đổi từ 0 cho đến 1 Giá trị của FAR bằng 0 khi mô hình dự báo hoàn hảo Ngược lại, khi chỉ số FAR bằng 1 hoặc tiến gần tới khi đó có thể coi mô hình dự báo khống nhiều hơn dự báo đúng Chỉ số FAR rất nhạy với tần suất xuất hiện của hiện tượng vậy nên thường được sử dụng kết hợp với chỉ số POD để đánh gía

33

false alarmsBFAR

hitsfalse alarmsAB

𝐴𝑟 =(𝑡𝑜𝑡𝑎𝑙⁡𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡⁡𝑜𝑓⁡𝑒𝑣𝑒𝑛𝑡)(𝑡𝑜𝑡𝑎𝑙⁡𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑡𝑖𝑜𝑛⁡𝑜𝑓⁡𝑒𝑣𝑒𝑛𝑡)

𝑆𝑎𝑚𝑝𝑙𝑒⁡𝑠𝑖𝑧𝑒

=(𝐴 + 𝐶)(𝐴 + 𝐵)𝐴 + 𝐵 + 𝐶 + 𝐷ETS có giá trị tốt nhất là 1 ETS cho biết mối quan hệ giữa số lần mô hình đúng (kể cả đúng do ngẫu nhiên) so với quan trắc trong trường hợp hiện tượng có xuất hiện trong thực tế ETS = 0 nghĩa là mô hình không có kỹ năng Chỉ số ETS thường được dùng trong đánh giá dự báo mưa của mô hình vì tính công bằng của nó Chỉ số này rất nhạy cảm với các dự báo đúng

Hình 3.1 Gió vệ tinh bề mặt tại thời điểm cơn bão ETAU di chuyển sát ven bờ

NTB của Việt Nam ngày 10/11/2020

35 Thử nghiệm hệ thống SWIRLS với trường hợp bão ETAU được thực hiện tại ốp 09h00 ngày 10-Tháng 12-2020, dự báo đến hạn 3h và tiếp sau đó 10p là ốp thực hiện tại 09:10 ngày 10-Tháng 12-2020, cũng dự báo đến hạn 3h, các minh họa được đưa ra trong hình 3.3 và 3.4

Trong hình 3.2 là minh họa về khả năng dự báo của hệ thống SWIRLS trong việc dự báo cực ngắn đối với mộ trường hợp cơn bão năm 2020 (tên quốc tế ETAU) ảnh hưởng đến vùng biển của Việt Nam Rõ ràng có thể thấy các motion nắm bắt khá tốt hoàn lưu quanh mắt bão và phía vành ngoài (outflow) của bão dẫn đến những dịch chuyển của đới mưa bão phía vành tây của mắt bão vào sâu lãnh thổ hơn, trong như các đới mưa liên quan đến outlow có xu thế ảnh hưởng thực tế đối với khu vực phía bắc và phía nam của cơn bão Bên cạnh đó có thể thấy một số hạn chế của vấn đề now-cast khi mà các mây dông phát triển liên tục tại chỗ (ứng với các đới mây ở vành bão) dẫn đến khi chưa phát sinh dông thì việc nắm bắt được các motion và tương ứng đó là độ phản hồi extrapolation tương ứng sẽ ko có được

Mặc dù ở thuật toán ROVER cải thiện rất tốt các chuyển động xoáy theo hoàn lưu bão và qua đó các kết quả extrapolation của các đới mây gây mưa sẽ có những hiệu ứng tích cực, tuy nhiên trên thực tế việc tính toán sự dịch chuyển phù hợp với hoàn lưu bão là hết sức phức tạp, thể hiện ở ốp thử nghiệm lúc 09h00 (Hình 3.4), trường chuyển động do ROVER tính toán hầu như không thực sự phù hợp với motion hoàn lưu bão nữa (phía bắc là gió nam thay vì gió đông)

Ngoài ra còn có vấn đề liên quan sau 2-3h dự báo, hiệu ứng moving khi giả thiết độ phản hồi không suy giảm sẽ dẫn đến tính không thực (trường ngoại suy – tựa như dạng chất lỏng và không thực sự là trường mây gây mưa trong thực tế) của trường độ phản hồi mô phỏng được cũng như trường mưa tính toán từ trường phản hồi này, và do đó việc giữ các dự báo từ mô hình phân giải cao sẽ đảm bảo trường mưa dự báo được có tính hợp lý hơn, đặc biệt đối với mưa trong bão

36

Hình 3.2 Minh họa thuật toán ROVER trong SWIRLS đối với cơn bão ETAU: cột

bên trái là dữ liệu ra đa thực tế tại giờ Việt Nam 9h00, 9h10 và 9h20, hàng giữa là

dự báo +1h và hàng phải ngoài cùng là dự báo +2h Như vậy có thể thấy, các hệ thống nowcast dựa trên việc tính toán trường chuyển động từ dữ liệu liên tiếp theo thời gian sẽ gặp 2 vấn đề đối với trường chuyển động xoắn của các hệ thống dạng xoắn (vortex) và vấn đề mô phỏng/dự báo ở dạng không thực (unreleastic) khi hạn dự báo quá dài (sau 2-3h) do sử dụng giả thiết ko suy đổi mức xám theo thời gian Việc tổ hợp một số ốp dự báo liên tiếp của SWIRLS cũng sẽ là giải pháp phù hợp để loại bỏ đi những sai nhiễu khi một số ốp dự báo chưa nắm bắt được đúng thực sự trường chuyển động của các tổ chức mây – điều ảnh

37 hưởng chính đến việc áp dụng dự báo cực ngắn dựa trên sơ đồ bình lưu bán Largrane sau đó

Hình 3.3 Minh họa của thuật toán ROVER trong SWIRLS đối với cơn bão ETAU:

hàng trên cùng là dữ liệu ra đa thực tế tại giờ Việt Nam 9h, 10h và 11h, hàng dưới

là dự báo +1h và dự báo +2h

Bảng 3.1 Chỉ số kĩ năng đánh giá dự báo cực ngắn của SWIRLS khi thực hiện cho

3 cơn bão đổ bộ vào Việt Nam năm 2021 và 2022 tại các ngưỡng mưa khác nhau

Ngưỡng mưa (mm/h)

DIANMU-2021-Sep-23 NORU-2022-Sep-27 SONCA-2022-Oct-14

TS ETS POD FAR TS ETS POD FAR TS ETS POD FAR

38 +3h 0.20 0.12 0.63 0.78 0.24 0.16 0.76 0.74 0.22 0.13 0.63 0.75