Nghiên cứu thử nghiệm dự báo mưa dông hạn cực ngắn (1 3h) bằng Ảnh mây vệ tinh kết hợp mô hình số trị cho khu vực thành phố hồ chí minh

Nghiên cứu thử nghiệm dự báo mưa dông hạn cực ngắn (1 3h) bằng Ảnh mây vệ tinh kết hợp mô hình số trị cho khu vực thành phố hồ chí minh

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

LÊ THỊ NGUYÊN THẢO

NGHIÊN CỨU THỬ NGHIỆM DỰ BÁO MƯA DÔNG HẠN CỰC NGẮN (1-3H) BẰNG ẢNH MÂY VỆ TINH KẾT HỢP MÔ HÌNH SỐ

TRỊ CHO KHU VỰC THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – Năm 2022

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

LÊ THỊ NGUYÊN THẢO

NGHIÊN CỨU THỬ NGHIỆM DỰ BÁO MƯA DÔNG HẠN CỰC NGẮN (1-3H) BẰNG ẢNH MÂY VỆ TINH KẾT HỢP MÔ HÌNH SỐ

TRỊ CHO KHU VỰC THÀNH PHỐ HỒ CHÍ MINH

Chuyên ngành: Khí tượng học

Mã số: 8440222.01

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC

PGS TS Phạm Thị Thanh Ngà

Hà Nội – Năm 2022

LỜI CÁM ƠN

Luận văn thạc sĩ khoa học “Nghiên cứu thử nghiệm dự báo mưa dông hạn cực ngắn (1-3h) bằng ảnh mây vệ tinh kết hợp mô hình số trị cho khu vực thành phố Hồ Chí Minh” được hoàn thành dưới sự hướng dẫn tận tình của PGS TS Phạm Thị Thanh Ngà cùng với những ý kiến đóng góp, sự hỗ trợ nhiệt tình của các thầy cô khoa Khí tượng Thủy văn và Hải dương học – trường Đại học Khoa học Tự nhiên Hà Nội

và các anh chị, bạn bè đồng nghiệp

Lời cám ơn đầu tiên, cũng là lời cảm ơn sâu sắc nhất em xin dành cho cô Phạm Thị Thanh Ngà, giáo viên hướng dẫn chính của em vì sự tận tình, mặc dù công việc rất bận rộn nhưng cô vẫn sẵn sàng hỗ trợ, giải đáp thắc mắc và kiên nhẫn hướng dẫn, sửa lỗi sai sót để giúp em có thể hoàn thành luận văn một cách tốt nhất

Lời cám ơn tiếp theo xin dành cho các thầy cô khoa Khí tượng Thủy văn và Hải dương học Là học viên cao học hiện đang làm việc tại Thành phố Hồ Chí Minh nên trong suốt quá trình học em và các học viên khác ở xa đều đã nhận được sự thông cảm và hỗ trợ nhiệt tình từ các giảng viên, các thầy cô cán bộ của khoa, em xin chân thành cảm ơn

Lời cám ơn cuối cùng xin dành cho gia đình vì đã động viên em trong suốt quá trình học tập, cám ơn các anh, chị đồng nghiệp cùng cơ quan đã tạo điều kiện thuận lợi nhất để em có thể có mặt đầy đủ trong các buổi học trực tuyến Bên canh đó, để hoàn thành chương trình học và luận văn tốt nghiệp không thể thiếu sự hỗ trợ và giúp

đỡ nhiệt tình từ các anh, chị, em đồng nghiệp và các bạn học viên ở Hà Nội

MỤC LỤC

MỞ ĐẦU 1

CHƯƠNG I TỔNG QUAN 3

1.1 TỔNG QUAN VỀ VỊ TRÍ ĐỊA LÍ, ĐỊA HÌNH VÀ KHÍ HẬU CỦA THÀNH PHỐ HỒ CHÍ MINH 3

1.1.1 Vị trí địa lí và đặc điểm địa hình 3

1.1.2 Đặc điểm khí hậu 3

1.2 ĐẶC ĐIỂM MƯA DÔNG VÀ CÁC HÌNH THẾ GÂY MƯA DÔNG TẠI KHU VỰC TPHCM 4

1.2.1 Đặc điểm mưa dông tại TPHCM 4

1.2.2 Các hình thế gây mưa dông tại TPHCM 6

1.3 TÌNH HÌNH NGHIÊN CỨU LIÊN QUAN ĐẾN ĐỀ TÀI 9

1.3.1 Các nghiên cứu trong nước 9

1.3.2 Các nghiên cứu trên thế giới 11

1.3.3 Một số nhận xét 14

1.4 GIỚI THIỆU VỀ CÔNG CỤ DỰ BÁO MƯA DÔNG HẠN CỰC NGẮN RDT-CW 16

CHƯƠNG 2 DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU 24

2.1 DỮ LIỆU SỬ DỤNG 24

2.1.1 Phạm vi nghiên cứu 24

2.1.2 Nguồn số liệu 24

2.2 PHƯƠNG PHÁP NGHIÊN CỨU 25

CHƯƠNG 3 KẾT QUẢ VÀ BÀN LUẬN 33

3.1 ĐÁNH GIÁ KHẢ NĂNG DỰ BÁO MƯA DÔNG TẠI KHU VỰC TPHCM BẰNG ẢNH MÂY VỆ TINH 33

3.1.1 Đợt mưa từ ngày 26 đến 27/5/2019 33

3.1.2 Đợt mưa từ ngày 27 đến 28/7/2019 36

3.1.3 Đợt mưa từ ngày 02 đến 03/11/2019 40

3.1.4 Đợt mưa từ ngày 30/6 đến 02/7/2020 43

3.1.5 Đợt mưa từ ngày 13 đến 14/8/2020 47

3.1.6 Đợt mưa từ ngày 13 đến 14/9/2020 50

3.1.7 Một số nhận xét 54

3.2 ĐÁNH GIÁ DỰ BÁO MƯA CỦA HỆ THỐNG CÔNG CỤ RDT-CW 56 3.2.1 Khả năng mô phỏng phân bố mưa 56

3.2.2 Đánh giá sai số dự báo 62

3.3 ĐÁNH GIÁ KHẢ NĂNG DỰ BÁO MƯA CỦA MÔ HÌNH WRF 64

3.3.1 Khả năng mô phỏng phân bố mưa 64

3.3.2 Đánh giá sai số dự báo 69

3.3.3 So sánh lượng mưa dự báo của WRF với sản phẩm dự báo mưa của công cụ RDT-CW 72

CHƯƠNG 4 KẾT LUẬN VÀ KIẾN NGHỊ 73

4.1 KẾT LUẬN 73

4.2 KIẾN NGHỊ 75

TÀI LIỆU THAM KHẢO 76

DANH MỤC HÌNH Hình 1.1 Bản đồ hành chính Thành phố Hồ Chí Minh 3

Hình 1.2 Biểu đồ tổng lượng mưa TBNN từ 1984-2017 tại TPHCM 4

Hình 1.3 Biểu đồ tần suất dông năm 2020-2021 trạm Nhà Bè 5

Hình 1.4 Vị trí trung bình của ITCZ trong tháng 7 và tháng 1 7

Hình 1.5 Các bước công việc mà vệ tinh phải thực hiện để dự báo mưa lớn cực ngắn 16

Hình 1.6 Sơ đồ phân loại đối lưu 20

Hình 2.1 Các trạm đo mưa tại TPHCM 24

Hình 2.2 Miền tính của mô hình WRF (27km và 9km-trong) 28

Hình 2.3 Thang màu trên ảnh mây vệ tinh (từ trái sang: ảnh WV, IR) 30

Hình 3.1 Bộ bản đồ synop ngày 26/5/2019 lúc 0Z 33

Hình 3.2 Bộ bản đồ synop ngày 27/5/2019 lúc 0Z 34

Hình 3.3 Ảnh mây vệ tinh từ 16-20h ngày 27/5/2019 35

Hình 3.4 Bộ bản đồ synop ngày 27/7/2019 lúc 0Z 37

Hình 3.5 Bộ bản đồ synop ngày 28/7/2019 lúc 0Z 37

Hình 3.6 Ảnh mây vệ tinh từ 16-23h ngày 27/7/2019 39

Hình 3.7 Bộ bản đồ synop ngày 02/11/2019 lúc 0Z 40

Hình 3.8 Bộ bản đồ synop ngày 03/11/2019 lúc 0Z 41

Hình 3.9 Ảnh mây vệ tinh từ 20h ngày 02/11 đến 0h ngày 03/11/2019 42

Hình 3.10 Bộ bản đồ synop ngày 01/07/2020 lúc 0Z 43

Hình 3.11 Bộ bản đồ synop ngày 02/07/2020 lúc 0Z 44

Hình 3.12 Ảnh mây vệ tinh từ 15-21h ngày 02/07/2020 45

Hình 3.13 Bộ bản đồ synop ngày 13/08/2020 lúc 0Z 47

Hình 3.14 Bộ bản đồ synop ngày 14/08/2020 lúc 0Z 48

Hình 3.15 Ảnh mây vệ tinh từ 12h30-17h ngày 13/08/2020 49

Hình 3.16 Bộ bản đồ synop ngày 13/09/2020 lúc 0Z 50

Hình 3.17 Bộ bản đồ synop ngày 14/09/2020 lúc 0Z 51

Hình 3.18 Ảnh mây vệ tinh từ 16-22h ngày 14/09/2020 53

Hình 3.19 So sánh phân bố tổng lượng mưa dự báo và mưa thực tế trong đợt mưa từ 26 - 27/5/2019 56

Hình 3.20 So sánh phân bố tổng lượng mưa dự báo và mưa thực tế trong đợt mưa từ 27 - 28/7/2019 57

Hình 3.21 So sánh phân bố tổng lượng mưa dự báo và mưa thực tế trong đợt mưa từ 02 - 03/11/2019 58

Hình 3.22 So sánh phân bố tổng lượng mưa dự báo và mưa thực tế trong đợt mưa từ 30/6 đến 2/7/2020 59

Hình 3.23 So sánh phân bố tổng lượng mưa dự báo và mưa thực tế trong đợt mưa từ 13 – 14/8/2020 60

Hình 3.24 So sánh phân bố tổng lượng mưa dự báo và mưa thực tế trong đợt mưa từ 13 – 14/9/2020 61

Hình 3.25 Tổng hợp các chỉ số đánh giá của hai sản phẩm R_Acc và R_Int 62

Hình 3.26 Sai số MSE trung bình theo đợt mưa 62

Hình 3.27 Hệ số tương quan (r) trung bình theo đợt mưa 63

Hình 3.28 So sánh phân bố tổng lượng mưa dự báo của WRF và mưa thực tế trong đợt mưa từ 26 - 27/5/2019 64

Hình 3.29 So sánh phân bố tổng lượng mưa dự báo của WRF và mưa thực tế trong

đợt mưa từ 27 - 28/7/2019 65

Hình 3.30 So sánh phân bố tổng lượng mưa dự báo của WRF và mưa thực tế trong đợt mưa từ 02 - 03/11/2019 66

Hình 3.31 So sánh phân bố tổng lượng mưa dự báo của WRF và mưa thực tế trong đợt mưa từ 30/6 đến 2/7/2020 67

Hình 3.32 So sánh phân bố tổng lượng mưa dự báo của WRF và mưa thực tế trong đợt mưa từ 13 – 14/8/2020 68

Hình 3.33 So sánh phân bố tổng lượng mưa dự báo và mưa thực tế trong đợt mưa từ 13 – 14/9/2020 68

Hình 3.34 Các chỉ số đánh giá dự báo của mô hình WRF 69

Hình 3.35 Sai số MSE của các mô hình WRF 70

Hình 3.36 Hệ số tương quan của WRF với lượng mưa thực đo 71

Hình 3.37 So sánh dự báo của WRF và RDT 72

DANH MỤC BẢNG Bảng 2.1 Các đợt mưa được chọn trong hai năm 2019-2020 24

Bảng 2.2 Thời gian thu thập số liệu dự báo mưa từ hệ thống RDT, mô hình WRF và số liệu mưa thực đo 25

Bảng 2.3 Các dữ liệu đầu vào của hệ thống RDT-CW 25

Bảng 2.4 Quy định thuật ngữ cấp mưa [6] 29

Bảng 3.1 Lượng mưa tích lũy từng giờ từ 16-22h ngày 27/5/2019 35

Bảng 3.2 Lượng mưa tích lũy từng giờ từ 16-23h ngày 27/7/2019 39

Bảng 3.3 Lượng mưa tích lũy từng giờ từ 20h ngày 02/11 đến 02h ngày 03/11/2019 42

Bảng 3.4 Lượng mưa tích lũy giờ từ 14-23h ngày 02/07/2020 46

Bảng 3.5 Lượng mưa tích lũy giờ từ 12-20h ngày 13/08/2020 49

Bảng 3.6 Lượng mưa tích lũy theo giờ từ 16-23h ngày 14/09/2020 53

Bảng 3.7 Tổng hợp hình thế thời tiết và kết quả đánh giá mô phỏng vùng mưa trên ảnh mây vệ tinh 54

1

MỞ ĐẦU

Mưa dông là hiện tượng thời tiết nguy hiểm thường xuyên xảy ra tại khu vực Nam Bộ nói chung và Thành phố Hồ Chí Minh (TPHCM) nói riêng Hiện tượng mưa dông tuy không phải là hiện tượng diễn ra trong thời gian dài nhưng đối với những trận mưa to hoặc mưa rất to cục bộ kèm theo dông, sét thì hậu quả để lại là không hề nhỏ Nhất là trong bối cảnh biến đổi khí hậu ngày càng diễn biến phức tạp và đó cũng chính là một trong những nguyên nhân khiến cho các hiện tượng nguy hiểm như mưa dông ngày càng khó dự báo hơn

Trong những năm gần đây các trận mưa dông cục bộ tại Thành phố Hồ Chí Minh ngày càng để lại nhiều hậu quả nghiêm trọng Những tháng đầu mùa mưa năm

2021, đã có không ít sự việc cây gãy đổ trên đường do gió giật mạnh trong cơn dông, gây ra thiệt hại cả về người và của Còn trước đó trong năm 2020, trận mưa lớn gây sụt lún đất tạo ra hố tử thần đe dọa đến an toàn của các phương tiện trên đường Không những thế, ngập úng diện rộng, giao thông ách tắc hàng giờ liên tục khiến cho người dân gặp khó khăn trên đường về nhà v v Không chỉ riêng thời kì đầu mùa mưa, mà trong xuyên suốt mùa mưa thì những đợt mưa dông với lượng mưa lớn chỉ kéo dài trong vài tiếng cũng để lại nhiều hậu quả nặng nề Chính vì vậy mà công tác

dự báo, cảnh báo mưa dông là việc làm cần thiết và ngày càng được chú trọng bởi các cơ quan ban ngành Các nghiên cứu về công cụ, phương tiện phục vụ công tác dự báo và cảnh báo mưa dông ở nước ta vẫn rất được chú trọng nhưng chủ yếu là sử dụng các sản phẩm từ vệ tinh, radar, số liệu thám không vô tuyến, số liệu dự báo từ các mô hình toàn cầu

Tất cả các công cụ cảnh báo mưa định lượng hạn ngắn trước đây đều sử dụng nguồn số liệu quan trắc, thám sát thời gian thực như radar, ảnh mây vệ tinh Những năm gần đây khi công nghệ đồng hóa số liệu ngày càng phát triển thì các nguồn số liệu thám sát được cập nhật trực tiếp vào mô hình số trị để đưa ra dự báo mưa, từ đó các sai số được giảm bớt và chất lượng các bản tin dự báo mưa định lượng cũng cao hơn Tuy nhiên, nguồn số liệu thám sát hiện có trên khu vực Nam Bộ nói chung và TPHCM thu thập từ mạng lưới các trạm quan trắc, radar, thám không vô tuyến trên

2

địa bàn lại có mật độ rất thưa thớt, vị trí các trạm cách xa nhau, các thiết bị thám sát

đã lỗi thời Vì vậy, những sản phẩm dự báo mưa định lượng của mô hình số trị cho khu vực TPHCM vẫn có sai số nhất định trong quá trình dự báo hướng di chuyển, quá trình phát triển cũng như cường độ của những vùng mây dông Do vậy, để có thể nâng cao chất lượng dự báo mưa định lượng và tận dụng hiệu quả hơn các nguồn số liệu viễn thám thì việc nghiên cứu một công cụ khác có thể kết hợp cả mô hình số trị

và dữ liệu mây vệ tinh là việc làm cần thiết, trong đề tài này sẽ hướng đến nghiên cứu

bộ công cụ dự báo mưa dông hạn cực ngắn Rapid Developping Thunderstorm CW) để hỗ trợ dự báo cho khu vực TPHCM

 Vùng cao nằm ở phía Bắc – Ðông Bắc và một phần Tây Bắc (thuộc bắc huyện

Củ Chi, đông bắc quận Thủ Ðức và quận 9)

 Vùng thấp trũng ở phía Nam – Tây Nam và Ðông Nam thành phố (thuộc các quận 9, 8, 7 và các huyện Bình Chánh, Nhà Bè, Cần Giờ)

 Vùng trung bình, phân bố ở khu vực Trung tâm Thành phố, gồm phần lớn nội thành cũ, một phần các quận 2, Thủ Ðức, toàn bộ quận 12 và huyện Hóc Môn

Hình 1.1 Bản đồ hành chính Thành phố Hồ Chí Minh 1.1.2 Đặc điểm khí hậu

Trong năm có hai mùa mưa - khô với các đặc trưng thời tiết khác nhau rõ rệt Mùa mưa từ tháng 5 đến tháng 11, mùa khô từ tháng 12 đến tháng 4 năm sau

4

Hình 1.2 Biểu đồ tổng lượng mưa TBNN từ 1984-2017 tại TPHCM

Lượng mưa trung bình nhiều năm tính từ 1984-2017 là 1.944 mm (trạm Tân Sơn Hòa) và 1669mm (trạm Nhà Bè) Như trên hình 1.3 có thể thấy lượng mưa hàng năm tập trung hầu hết vào các tháng từ tháng 5 đến tháng 11; trong đó hai tháng 9 và

10 có lượng mưa cao nhất, 3 tháng đầu năm mưa rất ít

Là một phần của khu vực Đông Nam Bộ nên TPHCM cũng chịu ảnh hưởng bởi hai hướng gió chính là gió mùa Tây Nam và Ðông Bắc Thời kỳ hoạt động phổ biến của gió Tây Nam là khoảng từ tháng 6 đến tháng 10 (mùa mưa) Trong khi đó, gió Ðông Bắc hoạt động từ tháng 11 đến tháng 2 (mùa khô) Ngoài hai hướng gió chủ đạo nói trên, khu vực TPHCM còn chịu ảnh hưởng bởi gió tín phong, hướng Nam - Ðông Nam, khoảng từ tháng 3 đến tháng 5 [2]

Những năm gần đây do ảnh hưởng của biến đổi khí hậu nên khu vực Nam Bộ nói chung và TPHCM nói riêng cũng đã bắt đầu chịu ảnh hưởng nặng nề hơn từ Bão như cơn bão Durian – bão số 9 (tháng 12 năm 2006), bão Pakha – bão số 1 (tháng 3 năm 2012) [2]

KHU VỰC TPHCM

1.2.1 Đặc điểm mưa dông tại TPHCM

Từ chuỗi số liệu quan trắc bề mặt tại trạm Nhà Bè trong năm 2020 – 2021, thống kê số ngày quan trắc được dông trong tháng, tính tần suất và vẽ biểu đồ

5

Hình 1.3 Biểu đồ tần suất dông năm 2020-2021 trạm Nhà Bè

 Tháng 1-3: hầu như không có dông, chỉ riêng tháng 2-2021 là có dông nhưng tần suất rất thấp (dưới 5%)

 Tháng 4-10: thời kì mùa dông tại TPHCM khi tần suất tăng nhanh và đạt cao nhất vào khoảng tháng 8-9

 Tháng 11: dông bắt đầu xảy ra ít dần và gần như kết thúc

 Tháng 12: năm 2020 dông có tần suất 10% trong khi năm 2021 không xảy ra dông trong tháng này

 Nhận xét

Tháng 1 đến tháng 3: hầu như không có dông, đây cũng là thời kì mùa khô trong năm tại khu vực TPHCM Như vậy, trong mùa khô, dông hầu như không xảy

ra, chỉ có mưa trái mùa

Tháng 4 thời kì chuyển từ mùa khô sang mùa mưa, dông bắt đầu xảy ra nhiều hơn hẳn 3 tháng đầu năm nhưng mưa vẫn rất ít Trong khi đó, vào tháng 11 khi chuyển

từ mùa mưa sang mùa khô, tần suất dông giảm mạnh nhưng tổng lượng mưa tháng

11 vẫn cao hơn tháng 4 Như vậy, trong các giai đoạn chuyển mùa, tuy là thời kỳ khí quyển bất ổn định nhưng hiện tượng mưa có kèm theo dông cũng không xảy ra nhiều

Từ tháng 5 đến tháng 10 là thời gian mùa mưa, cũng chính là thời kỳ tập trung mưa dông tại khu vực nghiên cứu

6

1.2.2 Các hình thế gây mưa dông tại TPHCM

Mùa mưa dông ở TPHCM từ tháng 5 đến tháng 10, trùng với thời kì mùa mưa nên các hình thế gây mưa dông cũng chính là những hình thế thời tiết điển hình trong mùa mưa tại khu vực Nam Bộ

Những hình thế thời tiết ảnh hưởng chính trong mùa mưa Nam Bộ gồm gió mùa Tây Nam, rãnh xích đạo, dải hội tụ nhiệt đới, áp thấp nhiệt đới, bão hoặc sự kết hợp của hai hay nhiều hình thế kể trên Ngoài ra, một vài cơn mưa dông trong thời kì chuyển mùa xảy ra do tác động của sóng đông do sự dịch chuyển trục của áp cao cận nhiệt đới trên cao

Rãnh xích đạo

Dải áp thấp nằm giữa hai đới áp cao cận nhiệt đới là rãnh xích đạo, chủ yếu trên dải áp thấp này là hoạt động đối lưu với những dòng thăng mạnh tạo điều kiện cho nguồn ẩm rất phong phú của các khối khí nóng ẩm tồn tại lâu ngày trên biển ở rìa của hai đới áp cao cận nhiệt đới ngưng kết để hình thành mây và mưa [1]

Trục của rãnh xích đạo cũng dịch chuyển theo mùa cùng với hai đới áp cao cận nhiệt đới bắc và nam bán cầu Trục rãnh xích đạo có vị trí trung bình khoảng 5°S trong tháng 1 và từ 12 – 15°N trong tháng 7 Vị trí của trục rãnh trên lục địa biến thiên theo mùa nhiều hơn trên đại dương, đặc biệt là trên lục địa châu Á bởi vì Nam

Á là nơi có áp thấp nóng hoạt động mạnh mẽ trong mùa hè Hàng năm từ tháng 6 đến

9, ở Nam Á, rãnh xích đạo hoạt động ở Bắc Ấn Độ Dương, bán đảo Đông Dương và Biển Đông, thể hiện qua áp thấp Ấn – Miến và các áp thấp trên Biển Đông [7]

Dải hội tụ nhiệt đới ITCZ [7]

Trên vùng nhiệt đới, trong nửa dưới của tầng đối lưu, thường tồn tại một dải tương đối hẹp nơi có sự hội tụ của các dòng tín phong từ hai bán cầu, tạo nên sự hội

tụ khối lượng theo phương nằm ngang của không khí, khiến chúng thăng lên Do vậy trong khu vực dải bất liên tục này, đối lưu phát triển mạnh và tạo thành một đới mây hẹp chạy dài theo hướng gần như Đông – Tây Dải bất liên tục này di chuyển theo hướng Bắc – Nam cùng với chuyển động biểu kiến của Mặt Trời và được gọi là dải hội tụ nhiệt đới ITCZ

7

Hình 1.4 Vị trí trung bình của ITCZ trong tháng 7 và tháng 1

Trong tháng 7, vị trí của ITCZ dịch chuyển lên phía bắc nhất trên lục địa châu

Á, còn trong tháng 1 vị trí của nó dịch chuyển xuống phía nam nhất trên lục địa Australia và Đông Phi Như vậy, vị trí của ITCZ thường trùng với vùng có nhiệt độ cao nhất nên thường được gọi là xích đạo nhiệt

Cường độ của ITCZ biến đổi rất lớn theo mùa, theo nhiều năm và theo khu vực địa lí Ngoài dạng đơn phổ biến, ITCZ có thể có dạng kép với tần suất xuất hiện không lớn Mây trong ITCZ là một dải mây tích rộng và kéo dài Tuy nhiên, cường

độ và phạm vi của mây tích không đồng nhất trên suốt chiều dài ITCZ Trong một số trường hợp, trên ITCZ còn có thể thấy rõ các nhiễu động dạng sóng hay dạng xoáy

Thời tiết điển hình trong ITCZ thường có mây tích và vũ tích, cho mưa rào và dông Tuy nhiên, không phải tất cả mọi nơi dọc theo đường hội tụ đều có thời tiết xấu Nói chung, những nơi gió hội tụ mạnh thì lượng mưa tăng lên; đặc biệt, mưa rào

và dông sẽ tăng mạnh nhất ở những nơi xuất hiện những nhiều động xoáy thuận

Theo sức gió mạnh nhất vùng gần tâm bão, xoáy thuận nhiệt đớí tại Việt Nam được phân loại thành:

1/ Áp thấp nhiệt đới (Tropical depression): Xoáy thuận nhiệt đới có sức gió mạnh nhất ở vùng trung tâm từ 1cấp 6 – cấp 7 và có thể có gió giật

2/ Bão nhiệt đới: xoáy thuận nhiệt đới có sức gió mạnh nhất ở vùng gần trung tâm từ cấp 8 – cấp 9 và có thể có gió giật Bão mạnh: sức gió mạnh nhất vùng gần tâm bão từ cấp 10 – cấp 11, từ cấp 12 đến cấp 15 là Bão rất mạnh, từ cấp 16 trở lên

Khoảng 50% tổng số bão Biển Đông là từ miền Tây Thái Bình Dương số còn lại hình thành tại Biển Đông Năm nhiều bão là 13 cơn, năm ít là 2 Bão ảnh hưởng đến Việt Nam từ tháng 6 đến tháng 12 Tháng 9 nhiều bão ảnh hưởng hơn cả, có khoảng 2 cơn, tháng 5 và tháng 12, 5 đến 7 năm mới xảy ra một lần, tháng 4 từ 10-

15 năm mới có một lần, tháng 1, 2 và 3 rất hiếm có bão Bão xuất hiện sớm ở Bắc Bộ

và chậm dần về phía nam Đường đi của bão dịch xuống phía nam cùng với dải hội

tụ nhiệt đới (ITCZ) và đòng dẫn đường ở rìa phía nam của cao áp cận nhiệt Tây Thái Bình Dương [3]

Gió mùa Tây Nam [7]

Tín phong bán cầu Nam, chủ yếu từ trung tâm áp cao cận nhiệt đới nam Ấn

Độ Dương (áp cao Mascaren), có hướng đông nam, thổi đến bờ biển phía đông châu

9

Phi thì vượt xích đạo đi lên bán cầu Bắc, tiếp tục chuyển hướng hoặc thổi dọc theo xích đạo về phía đông (gió tây xích đạo), hoặc thổi qua biển Ả – rập, lên phía đông bắc tới tiểu lục địa Ấn Độ và vịnh Bengal (gió tây nam) Gió tây nam hay gió tây xích đạo thường được gọi chung là gió mùa tây nam cũng thường thổi qua bán đảo Đông Dương, qua biển Đông và hội tụ vào ITCZ trên biển Đông, cũng có khi thổi tới được

bờ biển phía nam và đông nam lục địa Trung Quốc

Vào cuối mùa đông, khi gió mùa tây nam chưa có mặt trên Ấn Độ Dương mà trên khu vực vịnh Bengal, gió tây nam đã thổi tới phía bắc bản đảo Đông Dương, đưa không khí nóng vào khu vực này, thậm chí có gió phơn khô nóng Gió tây nam này được gọi là tiền gió mùa tây nam Tiền gió mùa tây nam xuất phát từ rìa phía nam của áp thấp nóng phía tây mới hoạt động trở lại sau quá trình suy yếu và hầu như biến mất trong mùa đông Tần suất và cường độ của những đợt nắng nóng ở đây tăng dần cho đến khi hệ thống thời tiết được thiết lập Vào giữa mùa hè thời tiết khô nóng ở đây lại giảm đi Trong khi đó, dòng gió từ Ấn Độ Dương sang thường mang theo thời tiết khô nóng cho các khu vực phía Đông Bắc Bộ và Trung Bộ, nhưng lại mang đến một lượng mưa chủ yếu cho Nam Bộ và Tây Nguyên Việt Nam

Sóng đông [3]

Sóng đông là nhiễu động trong đới gió đông Sóng đông dịch chuyển chậm từ phía đông về phía tây, tạo nên khu vực thời tiết tốt phía đầu sóng và khu vực tăng cường đối lưu gây nên thời tiết xấu ở đuôi sóng tiếp nhau và với mô hình khí áp tăng sau đó giảm Nếu coi đầu sóng là ở phía tây và đuôi sóng ở phía đông (theo hướng dịch chuyển từ đông sang tây) Khi đầu sóng tới biến áp âm, khí áp giảm, sau khi trục sống đi qua địa phương biến áp dương, khí áp tăng lên Theo hướng di động từ đông sang tây ở phía đầu sóng (phía tây) thời tiết tốt, ở phía đuôi sóng (phía đông) thời tiết xấu

1.3.1 Các nghiên cứu trong nước

Trước đây, tại Việt Nam, phương pháp synop được sử dụng chủ yếu để dự báo hình thế thời tiết hàng ngày Một số công cụ dự báo hiện tượng mưa đã được đề cập

10

đến nhưng chủ yếu là dựa vào phương pháp hồi quy đơn giản áp dụng cho một vài điểm Nguyễn Văn Tuyên (1990) đã áp dụng kết hợp hàm phân biệt và hồi quy nhiều chiều để dự báo lượng mưa ở Hà Nội Mặc dù các kết quả nghiên cứu nói trên đã ít nhiều mang lại hiệu quả cho dự báo mưa nghiệp vụ, nhưng các nghiên cứu này mới chỉ dừng lại ở dự báo định tính cho các trường khí tượng và định lượng một số yếu

tố như ẩm, áp, nhiệt cho địa điểm

Trong giai đoạn 2000 - 2002, vấn đề cảnh báo mưa bằng việc sử dụng thông tin radar thời tiết đã được Tiến sĩ Trần Duy Sơn, Đài Khí tượng Cao không nghiên cứu bằng cách tập trung khai thác thông tin của radar thời tiết TRS-2730 của Pháp và

đã giải quyết được nhiều nội dung cho khu vực phía Bắc Việt Nam như: thử nghiệm cảnh báo thời điểm bắt đầu và kết thúc mưa cho một địa điểm theo phương pháp ngoại suy tuyến tính; xác định chỉ tiêu nhận biết dông theo độ phản hồi vô tuyến; đánh giá sai số đo cường độ mưa của radar thời tiết theo số liệu đo mưa của vũ lượng

ký

Năm 2007, TS Trần Duy Sơn tiếp tục thực hiện nghiên cứu đánh giá khả năng phát hiện các đối tượng mây và mưa theo khoảng cách, phân định các loại mây (mây đối lưu và mây tầng) theo ngưỡng giá trị phản hồi vô tuyến, xác định chỉ tiêu nhận biết dông theo phản hồi vô tuyến …Tuy nhiên do yếu tố khách quan nên tác giả mới chỉ thực hiện với chủng loại radar TRS-2703

Tiếp nối nghiên cứu về khả năng phát hiện các đối tượng mây và mưa, năm

2008, Nguyễn Viết Thắng đã xây dựng được ngưỡng phản hồi vô tuyến để phân định loại mây và các hiện tượng thời tiết nguy hiểm cho radar TRS-2730 Việt Trì và Vinh, tác giả đã đưa ra các ngưỡng phản hồi vô tuyến liên quan đến các loại mây và hiện tượng thời tiết, tuy nhiên các chỉ tiêu còn bị chồng lấn nhau trên cùng một khoảng cách, một số chỉ tiêu về hiện tượng như mưa rào, dông biến đổi mạnh mẽ theo không gian

Những năm gần đây, khi khoa học công nghệ ngày càng phát triển, từ tháng 7/2018 đến tháng 6/2021 Đài Khí tượng cao không đã chủ trì thực hiện đề tài “Nghiên cứu xây dựng công cụ cảnh báo dông và định lượng mưa cho các khu vực ở Việt Nam

Ngoài ra, trong năm 2018, TS Vũ Văn Thăng 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 hạn cực ngắn cho thành phố Hồ Chí Minh” đà hoàn thành được ba mục tiêu: Xây dựng hệ thống mô hình số trị dự báo định lượng mưa hạn từ 1 đến 3 ngày cho khu vực Nam Bộ, thiết lập hệ thống nghiệp vụ dự báo mưa cho khu vực Nam Bộ, thiết lập hệ thống cảnh báo mưa lớn hạn cực ngắn (trước 3-6 giờ) cho Thành phố Hồ Chí Minh

Trong năm 2020, nhóm tác giả tại Đài khí tượng Thủy văn khu vực Nam Bộ

đã nghiên cứu xây dựng công cụ hỗ trợ cảnh báo, dự báo mưa dông cho các tỉnh ĐBSCL bằng cách sử dụng số liệu của 16 kênh phổ ảnh vệ tinh Himawari để phân tích, tính toán sự di chuyển của các khối mây dông, ước lượng mưa Các sản phẩm phân loại mây, ước lượng lượng mưa, tính toán sự di chuyển của các khối mây đối lưu được sử dụng để đưa ra các dự báo, cảnh báo mưa dông cho các khu vực thuộc ĐBSCL, sau đó được ứng dụng trong nghiệp vụ dự báo và phục vụ cho công tác chống ngập tại địa phương

1.3.2 Các nghiên cứu trên thế giới

Những điều kiện kinh tế tại các quốc gia trên thế giới đã tạo điều kiện thúc đẩy

sự phát triển vượt trội về công nghệ dự báo Điển hình như [Donald W McCann

12

(1992)] đã nghiên cứu xây dựng hệ thống máy tính dự báo hạn ngắn về những cơn dông mạnh, là một công cụ trí tuệ nhân tạo vượt trội trong việc nhận dạng hình thế NNET và các hệ thống máy tính khác không gì khác hơn là các kỹ thuật nhận dạng hình thế với một số kỹ năng dự báo hạn ngắn NNET được thiết kế để tự động cảnh báo từng giờ một với khả năng tồn tại các ổ dông mạnh WST, không có bất kỳ kỹ thuật AI nào được thiết kế để thay thế các nhà khí tượng học Tuy nhiên, trong tương lai, AI có thể giúp các nhà khí tượng học sắp xếp các thông tin khí tượng mở rộng và giúp giảm bớt tình trạng quá tải dữ liệu có thể xảy ra mà việc đó mang lại NNET là bước khởi đầu chứng minh hệ thống máy tính có thể hệ thống hóa dạng hình thế và giúp giải quyết các vấn đề quan trọng trong khí tượng Khả năng nhận dạng hình thế của hệ thống máy tính có thể sẽ hữu ích trong phân tích radar và vệ tinh khi có cấu hình máy tính mạnh hơn Hệ thống máy tính có thể nâng cấp chất lượng đầu ra và phân tích mô hình số và có thể cung cấp những hiểu biết mới về các vấn đề dự báo trước đây [8]

[Jose L Sanchez ccs (2008)] đã sử dụng dữ liệu thám không vô tuyến tại Cruz Negra (Mendoza, Argentina) để tận dụng các thông số và chỉ số khí tượng liên quan đến đối lưu Sau đó, để đánh giá về khả năng xuất hiện mưa dông, dữ liệu từ một radar băng tần S ở trung tâm khu vực nghiên cứu (San Martin) được bổ sung Ngoài

ra, một mô hình khách quan dự báo hạn ngắn về những cơn mưa dông đã được thiết lập Một phương trình biệt thức tuyến tính đã được lựa chọn với mục đích xây dựng một mô hình dự báo hạn ngắn cho những ngày mưa dông Mô hình này cung cấp gấp đôi sản phẩm phân biệt giữa rủi ro có và không có mưa dông trong một ngày cụ thể Cuối cùng, mức độ mạnh của đối lưu trong khu vực nghiên cứu (hiện tượng có tần suất cao, cường độ cao và các thiệt hại vật chất quan trọng gây ra) đã thúc đẩy việc xây dựng một mô hình biệt thức tuyến tính phân biệt giữa mưa dông mạnh / mưa dông Kết quả thu được không tốt như trong trường hợp của nghiên cứu có mưa dông / không có mưa dông Phân tích khí tượng của các biến có trong mô hình gợi ý rằng trong các nghiên cứu sâu hơn, việc áp dụng mô hình này nên bao gồm các tham số xác định độ đứt gió thẳng đứng [9]

13

Tại hội nghị Eumetsat 2014 ở Geneva, Ulrich Hamann và các cộng sự đã trình bày bài báo cáo “Nghiên cứu sự phát triển điển hình của cơn dông bằng cách sử dụng các quan trắc vệ tinh, radar và sét” Các quan trắc bằng radar và vệ tinh đã được sử dụng để quan sát vòng đời của một hệ thống mây đối lưu Sự thăng lên và đóng băng của đỉnh mây cũng như chỉ báo về kích thước hạt băng được minh họa bằng hình ảnh RGB tiêu chuẩn Ngoài ra, RGB khối khí cho thấy một khối không khí lạnh đang đến gần từ phía tây Sự khác biệt về kênh vệ tinh do Mecikalski (2010) đề xuất cho thấy các tiềm năng tốt để xác định các vùng có hoạt động đối lưu Trong tương lai, các thông số khác như quan trắc sét, sự thay đổi theo thời gian của các bức xạ vệ tinh và nhiệt độ độ sáng, các sản phẩm vật lý đám mây thu được cũng như các đặc điểm cấu trúc của đỉnh mây được nghiên cứu về khả năng để xác định các hệ thống mây đối lưu cũng như dự báo sự phát triển của cường độ đối lưu Một điểm bổ sung quan trọng là dự báo khả năng thiệt hại Sự kết hợp của các yếu tố dự báo khác nhau có thể được lưu trữ bằng các phương pháp vật lý, thống kê hoặc phương pháp đánh giá kinh nghiệm [10]

Dữ liệu vệ tinh ngày càng được đưa vào nghiên cứu nhiều hơn khi ở những vùng thưa thớt dữ liệu, nơi không có hoặc khả năng tiếp cận hạn chế vào các hệ thống quan trắc đắt tiền, dữ liệu vệ tinh có thể cung cấp thông tin rất hữu ích cho mục đích cảnh báo về những cơn dông mà có khả năng xảy ra các hiện tượng thời tiết nguy hiểm như mưa lớn và mưa đá

Trung tâm Ứng dụng Vệ tinh Dự báo tức thời (NWC SAF) ở Châu Âu đã phát triển phần mềm sử dụng dữ liệu vệ tinh để xác định và theo dõi các cơn dông đang phát triển nhanh (RDT) bằng cách sử dụng dữ liệu từ vệ tinh địa tĩnh Meteosat Thế

hệ thứ hai Phần mềm NWC đã được cài đặt tại Cơ quan Thời tiết Nam Phi và được thử nghiệm ở Nam Phi và miền nam châu Phi vào năm 2014 Ngay trong năm tiếp theo, [Estelle de Coning ccs (2015)] đã tiến hành nghiên cứu “Sử dụng dữ liệu vệ tinh để xác định và theo dõi các cơn dông mạnh ở Nam và Nam Phi” Sản phẩm RDT

đã được đánh giá bởi 20 nghiên cứu điển hình Ở khu vực Nam Phi, việc đánh giá được thực hiện bằng phương pháp so sánh trực quan với hình ảnh radar cũng như

14

định lượng đối với sự xuất hiện của tia sét So sánh trực quan giữa sản phẩm RDT và hình ảnh từ dữ liệu vệ tinh cũng như sự xuất hiện của lượng mưa lớn hơn đã được thực hiện ở các khu vực bên ngoài Nam Phi Mối tương quan tốt đã được tìm thấy giữa các cơn dông nhất định và sự xuất hiện của sét trên Nam Phi Các so sánh trực quan chỉ ra rằng công cụ RDT có thể hữu ích ở miền nam châu Phi, nơi không có dữ liệu sét và radar Kết quả thu được rất triển vọng, RDT có thể là một công cụ có giá trị cho các dự báo viên nói chung và hàng không nói riêng để cảnh báo về thời tiết nguy hiểm, đặc biệt là ở những khu vực mà các nguồn dữ liệu khác không có hoặc có nhưng không đầy đủ [11]

Hai năm sau đó, [Morné Gijben và Estelle de Coning (2017)] đã tiếp tục nghiên cứu về ảnh hưởng của việc đưa dữ liệu sét làm tập dữ liệu phụ trợ vào các thuật toán và sau đó đánh giá sản phẩm RDT dựa trên dữ liệu radar Trong nghiên cứu lần này 25 trường hợp mùa hè được xem xét để xác định việc đưa dữ liệu sét vào

có gia tăng độ chính xác của sản phẩm RDT hay không, khi so sánh với dữ liệu radar Kết quả cho thấy rằng trong phần lớn các trường hợp, việc đưa vào dữ liệu sét đều có ảnh hưởng tích cực đến sản phẩm RDT Tuy nhiên, ngay cả khi không đưa vào dữ liệu sét, sản phẩm RDT vẫn có khả năng cung cấp thông tin về các cơn dông mạnh hoặc rất mạnh có thể xảy ra ở các khu vực không được bao phủ bởi hệ thống radar Phần mềm NWC SAF là một công cụ có giá trị cho các quốc gia thưa thớt dữ liệu để

hỗ trợ dự báo các cơn dông Sản phẩm này cũng có thể mang lại lợi ích cho ngành hàng không trong việc sắp xếp lịch trình hoạt động tại sân bay cũng như môi trường trên đường bay [12]

1.3.3 Một số nhận xét

Mưa là đại lượng ngẫu nhiên, diễn biến bất liên tục theo không gian và thời gian nên công tác dự báo mưa, đặc biệt là mưa lớn luôn gặp phải nhiều khó khăn, nhất là dự báo định lượng và hạn dự báo cực ngắn Nam Bộ nằm trong vùng đặc trưng của khí hậu nhiệt đới gió mùa và cận xích đạo, khí hậu hình thành trên hai mùa chủ yếu quanh năm là mùa khô và mùa mưa Vào mùa mưa, thường hay xuất hiện những cơn mưa có cường độ mưa lớn xảy ra trên một số địa phương trong vùng Cùng với

to lớn về người và tài sản trong trong thời gian gần đây như: Trận mưa chiều ngày 15/8/2022 tại thành phố kéo dài hơn 2 giờ với lượng mưa trên 100mm tại nhiều nơi trên TPHCM, gây ngập 67 tuyến đường, trong đó có 47 tuyến đường ngập tức thời, khiến 30 chuyến bay ở sân bay Tân Sơn Nhất không thể cất và hạ cánh, làm sụp hố

ga tại giao lộ Huỳnh Mẫn Đạt - Trần Hưng Đạo (quận 5), tạo xoáy nước khiến một

số người đi xe máy trượt ngã Chiều tối 28/9, mưa lớn kết hợp triều cường khiến nhiều tuyến đường ở TPHCM bị ngập sâu, ùn ứ giao thông kéo dài Cơn mưa chiều 27-9 do ảnh hưởng hoàn lưu bão Noru đúng thời điểm triều cường trên sông Sài Gòn đạt đỉnh làm nhiều tuyến đường ở TP.HCM ngập nước, xe cộ chết máy, nước ngập cũng làm nhiều xe bị chết máy, người dân phải bì bõm lội nước dẫn bộ, tại chợ hàng loạt tiểu thương phải buôn bán trong cảnh ngập nước Chiều 1-10, sau trận mưa như trút nước, nhiều tuyến đường trên địa bàn TPHCM ngập nặng, nhiều xe bị chết máy

Trên thế giới, mô hình dự báo định lượng mưa và mưa lớn hạn cực ngắn đã phát triển rất mạnh, bên cạnh phân tích sản phẩm radar, vệ tinh, mô hình số trị cũng

đã được đưa vào ứng dụng trong nghiệp vụ ở nhiều nước Các sản phẩm dự báo cuối cùng là tổ hợp của nhiều thành phần khác nhau, cung cấp những thông tin dự báo định lượng mưa với hạn dự báo từ 1h đến vài ngày Ở Việt Nam, đến nay phương pháp số trị nói chung và các hệ thống mô hình số trị khu vực nói riêng đã được nghiên cứu phát triển và ứng dụng thành công Phần lớn các mô hình có thể dự báo khá tốt các trường khí tượng và một vài mô hình có khả năng dự báo mưa lớn diện rộng

Để dự báo được định lượng mưa, ngoài các công cụ radar, vệ tinh, mô hình số

16

trị, các dự báo viên cần hải hiểu rõ được bản chất của các hình thế thời tiết có thể dẫn đến hình thành mưa bất thường, trái mùa trong những năm vừa qua Sẽ rất hữu ích cho các dự báo viên nếu có thể làm rõ được đặc điểm hoàn lưu, các yếu tố tác động gây ra hiện tượng mưa bất thường, trái mùa ở Nam Bộ và TPHCM

RDT-CW

Công cụ dự báo mưa dông hạn cực ngắn Rapidly Developing Thunderstorm – Convection Warning (RDT-CW) được phát triển bởi cơ quan khí tượng Pháp (Météo-France) trong khuôn khổ của EUMETSAT SAF để hỗ trợ cho dự báo cực ngắn, áp dụng cho dữ liệu vệ tinh Himawari-8 Mục tiêu của một công cụ dự báo hệ thống mưa dông là một tập hợp gồm phân tích đối tượng và nhận dạng đối tượng đối lưu và đưa

ra cảnh báo đối lưu như một dự báo cực ngắn [5]

Để dự báo được mưa lớn cực ngắn, hệ thống phải thực hiện được những bước công việc bao gồm: Phát hiện, theo dõi, phân biệt đối tượng mây đối lưu và dự báo dịch chuyển Trong đó, đầu vào chính là dữ liệu ảnh vệ tinh Himawari-8, với các bước xử lý ban đầu để đưa ra các sản phẩm thứ cấp liên quan đến mây bao gồm, CT (loại mây), CTTH (Nhiệt độ đỉnh mây), CMIC (vi vật lý mây), CRR (cường độ mưa đối lưu), AMV (vector chuyển động của khí quyển) Tiếp tục, chính dữ liệu Himawari-8 cùng với các sản phẩm thứ cấp và các sản phẩm của mô hình số trị, dữ liệu định vị sét được sử dụng trong Chương trình chính để tạo ra sản phẩm của hệ

thống RDT-CW, với đầu ra cho từng bước như trên sơ đồ Hình 1.5

Hình 1.5 Các bước công việc mà vệ tinh phải thực hiện để dự báo mưa lớn cực ngắn

17

 Bước 1: Phát hiện các hệ thống mây

RDT-CW tiến hành sàng lọc mây bằng sản phẩm CT có thể sử dụng các thông tin ban đầu về mây như phân loại mây để loại bớt các đối tượng Mục tiêu của thuật toán phát hiện là xác định được một ổ mây đại diện cho hệ thống mây xuất hiện trên kênh ảnh hồng ngoại 10.8 µm Khi ổ mây được phát hiện, một số đặc tính về hình thái (diện tích, tỷ lệ khung hình) và các tính năng phổ (nhiệt độ sáng trung bình và tối thiểu, v.v.) của ổ mây được tính toán để mô tả các hệ thống đám mây tương ứng Chính xác hơn, ổ mây được kết nối thành một vùng của các điểm ảnh mà được đặc trưng bởi:

 Có nhiệt độ chói thấp hơn một ngưỡng nhiệt độ cho trước Tth (có thể không giống nhau cho tất cả các ổ được phát hiện trong 1 ảnh)

 Diện tích lớn hơn một ngưỡng nhất định Amin (giống nhau đối với tất cả các

ổ mây)

Sử dụng thuật toán phát hiện mây dựa trên ngưỡng nhiệt độ cố định cũng có vấn đề cố hữu Lựa chọn ngưỡng thấp dẫn đến việc phát hiện đầu tiên bị trễ, trong khi lựa chọn ngưỡng nhiệt độ cao dẫn đến việc sát nhập các hệ thống đối lưu khác nhau vào một ổ duy nhất, khi các hệ thống này bị ẩn trong một lớp mây ấm trong quá trình phát triển của hình thái mây tại các thời điểm khác nhau

 Hạn chế của thuật toán

Để tăng mức độ liên quan của đường viền đám mây, các hiệu chỉnh liên quan đến việc lựa chọn giá trị nhiệt độ chói (BT) đã được đưa ra:

 Trước khi trưởng thành, một số ổ mây đôi khi có thể thể hiện các đường viền

BT quá lớn liên quan đến mức độ cao nhất của tháp mây đang phát triển Yêu cầu về một đường viền tập trung nhiều hơn vào tháp mây đang phát triển được thỏa mãn bằng cách so sánh các khu vực của đáy và đỉnh tháp

 Yêu cầu về đường viền của các ổ mây bao gồm càng nhiều các hệ thống đám mây trưởng thành càng tốt, đặc biệt là ở các vùng nhiệt đới được thực hiện bằng cách đưa vào:

 Bước 2 Theo dõi các hệ thống mây

Khi đã phát hiện được hệ thống mây, mô-đun theo dõi mây sẽ được áp dụng đối với những ổ mây đã phát hiện được và cho phép xác định quỹ đạo di chuyển của

hệ thống mây từ một chuỗi ảnh hồng ngoại Thuật toán theo dõi dựa trên sự chồng chéo về mặt địa lý của các ổ mây giữa hai hình ảnh hồng ngoại liên tiếp Nó cũng xử

lý các phần tách và hợp nhất của các hệ thống đám mây

Đầu vào chính cho thuật toán theo dõi hệ thống mây là ước tính tốc độ di chuyển trước đó của ổ mây Kết quả chính là ước tính tốc độ di chuyển hiện tại và kết nối tạm thời với ổ mây trước Do vậy, chương trình chuẩn bị trước trường dự đoán chuyển động để củng cố phương pháp này

Trường chuyển động 2 chiều được ước tính trong cấu hình tối ưu với những quan trắc gió HRW mới nhất Các quan trắc được chọn lọc (lựa chọn các quan sát kênh IR, sử dụng nhiệt độ sáng của pixel hợp lệ tương ứng để giữ một quan sát trên mỗi pixel) và được ánh xạ lại trên vùng trường lưới, thông qua phép nội suy có trọng

số có tính đến bán kính ảnh hưởng và khoảng cách cắt

Có thể bổ sung trường gió của NWP ở mực thấp (700hPa) để xử lý khi thiếu thông tin, nhưng ưu tiên sử dụng các quan trắc gió HRW Trường dự đoán ban đầu này cho phép:

 Khởi tạo tốc độ di chuyển với các trường hợp khởi động lạnh (lần chạy đầu tiên), điều này sẽ hữu ích cho các lần chạy tiếp theo

 Khởi tạo tốc độ di chuyển cho các ổ mây không có các mây lân cận, được sử dụng cho dịch chuyển chậm

Khó khăn chính là việc theo dõi các hệ thống đám mây nhỏ (thường dưới 5 pixel) Để cải thiện khả năng theo dõi của các hệ thống đám mây nhỏ như vậy, thuật

19

toán theo dõi RDT-CW đã tính đến vận tốc ước tính của các ổ di động khác để tính toán sự chồng chéo giữa các ổ di động

 Bước 3 Phân biệt đối tượng mây đối lưu (những mây gây mưa lớn)

Sơ đồ phân tách đối lưu dựa trên các mô hình thống kê mà được điều chỉnh trước đó Những mô hình đó được cung cấp với các thông số và xu hướng khác nhau liên quan đến một hệ thống mây Dữ liệu định vị sét được sử dụng như dữ liệu thực

bề mặt trong lần điều chỉnh trước đó, cho phép nhận ra những cơn dông trưởng thành

và xác định vòng đời của chúng

Giống như sản phẩm khởi tạo đối lưu, dữ liệu mô hình NWP được sử dụng để tạo mặt nạ đối lưu như là bước đầu tiên trong các bước phân biệt đối lưu và loại bỏ những hệ thống mây trong vùng không khí ổn định Như vậy, sơ đồ phân biệt đối lưu

sẽ tránh cảnh báo sai, đặc biệt trong mùa đông và giao mùa

Đối tượng mây đối lưu có đặc tính không đồng nhất trong suốt thời gian tồn tại Do vậy, cần phải xác định một số đặc tính thống kê để xử lý các giai đoạn khác nhau của đối lưu: Hình thành, phát triển, giai đoạn trưởng thành và phân rã

Do vậy, sự phân tầng khí quyển cần phải thực hiện với định nghĩa của các loại liên quan đến nhiệt độ thấp nhất của mây Một hệ thống mây sẽ được phân tích chỉ khi nó thể hiện xu hướng phát triển thừ thể loại thấp nhất đến cao nhất:

 Trưởng thành: Nhiệt độ đỉnh mây <-400C từ ít nhất 30 phút

 Chuyển tiếp trưởng thành: vượt qua ngưỡng nhiệt độ -400C

 Chuyển tiếp lạnh: vượt qua ngưỡng nhiệt độ -350C

 Chuyển tiếp ấm: vượt qua ngưỡng nhiệt độ -250C

 Chuyển tiếp ấm 2: vượt qua ngưỡng nhiệt độ -150C

 Ấm: Đỉnh mây >-150C

Nguyên lý của phương pháp phân biệt mây đối lưu được biểu diễn trên Hình 1.6 Trong đó, sơ đồ được pha trộn giữa quyết định thống kê và quy tắc thực nghiệm

Quyết định thống kê được thực hiện cho một giai đoạn ngắn trước thời điểm hiện tại

và tùy thuộc vào một số giai đoạn được quan tâm và chỉ áp dụng cho đối tượng không đối lưu để kiểm tra tình trạng đối lưu Khi đã có xác định là đối lưu, hệ thống mây sẽ

20

kế thừa các tính chất này cho những ảnh tiếp theo khi vẫn trong giai đoạn phát triển Quy tắc thực nghiệm sau đó được áp dụng để phân loại đối tượng đối lưu (suy yếu hay cảnh báo sai) Quy tắc này dựa trên tham số lạnh đi cho các giai đoạn hình thành

và phát triển và dựa trên chỉ số đối lưu cho giai đoạn trưởng thành

Hình 1.6 Sơ đồ phân loại đối lưu

 Sơ đồ phân loại chung (GEN)

Quyết định thống kê dựa trên tổ hợp của các hồi quy logic, gọi là mô hình thống kê, được hiệu chỉnh và áp dụng cho một loạt các bước của sự phát triển của mây và các cấu hình khác nhau Mục tiêu là phân biệt những ổ mây đối lưu với những mây khác

Các tham số để phân biệt liên quan đến một đối tượng mây được xử lý từ vài kênh ảnh (IR 10.8m, IR8.7m, IR12m, WV 6.2m and WV 7.3m) Hơn nữa, việc theo dõi mây cho phép ước tính tỷ lệ và cực trị trên vài thời đoạn khác nhau Các tham số phân biệt được tính trung bình, độ lệch chuẩn, và giá trị cực trị trong một khoảng thời gian nhất định

Kênh IR (10.8 µm):

 Giá trị: giá trị thấp nhất (của tất cả các điểm ảnh ở mỗi bước), giá trị lớn nhất của những tham số được xác định ở mỗi bước “trung bình trừ đi nhỏ nhất”

 BTD (Brightness Temperature Difference): Các giá trị đại diện được ước tính

và các xu hướng khác nhau được xử lý, và sau đó được bao gồm trong bộ dự đoán

Các mô hình thống kê được xác định cho mỗi thể loại ngưỡng, loại dựa trên ngưỡng nhiệt độ vượt qua gọi là mô hình biến tính, loại mô hình xác định trên đối tượng trưởng thành gọi là mô hình trưởng thành; mỗi mô hình được xác định cho một giai đoạn đã qua gần nhất từ 15 đến 60 phút, tùy thuộc vào số ảnh

 Sơ đồ phân loại hiệu chỉnh (CAL)

Sơ đồ hiệu chỉnh (CAL) đã được thiết lập để thích ứng với một vệ tinh địa đĩnh nhất định Trong đó, 4 mô hình được xem xét với 2 mô hình có thể sử dụng ban ngày

 “IRWV”: chỉ sử dụng một kênh WV (6.3 µm) và kênh chính IR10.8 µm

 “IRxWVx”: chế độ mặc định, sử dụng 5 kênh (2 kênh hơi nước và các kênh IR10.8, IR8.7 và IR12.0)

 “IRxWVxJ”: chế độ ban ngày, thêm kênh VIS06, NIR1.6 và IR3.8

 “IRxWVxJ2”: chế độ ban ngày đặc biệt: thêm NIR2.2 cho vệ tinh có kênh này như Himawari-8

Chương trình mặc định “IRxWVx” sẽ tự động đổi sang chế độ ban ngày

“IRxWVxJ” hoặc “IRxWVxJ2”

 Các quy tắc kế thừa và theo dõi

 Dạng mây và vi vật lý mây

22

Giá trị loại mây được chiết xuất từ sản phẩm “CT” có thể sử dụng để kiểm tra từng pixel của đối tượng mây Giá trị thường xuất hiện nhất được gán cho đám mây khi có đủ một lượng các giá trị Chất lượng của phân loại mây được tính đến khi đánh giá chất lượng của đặc tính mây

Các tham số vi vật lý mây được chiết xuất từ sản phẩm CMIC sử dụng để kiểm tra ổ mây với 2 mục đích:

 Phân tích 2 chiều các giá trị vi vật lý mây ở mức độ pixel để xác định các pixel

có xác suất hàm lượng nước đá cao và do đó có khả năng góp phần đóng băng

ở độ cao lớn

 Cung cấp giá trị thông tin của các tham số vật lý vi mô làm thuộc tính cho từng đối tượng đám mây trong đó nguy cơ đóng băng liên quan đến các tinh thể băng ở độ cao lớn

 Đầu vào từ mô hình số NWP

Chỉ số nâng (Lifted Index) và nhiệt độ và áp suất của đỉnh tầng đối lưu là các thuộc tính NWP của các đám mây Những tham số này có thể được sử dụng trong sơ

đồ phân loại mây đối lưu

Các tham số đỉnh tầng đối lưu tương ứng với giá trị trung bình của các pixel của đám mây, trong khi chỉ số đối lưu đại diện được xem là giá trị nhỏ nhất của các chỉ số nâng của pixel của ô đám mây

 Phát hiện đỉnh mây trồi lên

 Bước 1: phân tích hình thái chi tiết của đỉnh mây, kết hợp các tiêu chí tĩnh và hình thái:

 Nhiệt độ tối thiểu của ô đám mây, xác định pixel quan tâm đầu tiên, phải lạnh hơn một giá trị đã cho để được coi là OT (được gọi là ngưỡng lạnh, và được đặt ở mức -50°C ở các vùng vĩ độ trung bình và -70 ° C ở vùng nhiệt đới)

 Chênh lệch nhiệt độ lớn nhất của 2 kênh (WV6.3-IR10.8) của đám mây phải lớn hơn một giá trị nhất định (được gọi là điều kiện BTD = 0°C)

 Bước 2: vùng xung quanh của pixel được phân tích trong phạm vi đám mây để:

23

 Khẳng định rằng các điểm lạnh hơn được bao quanh bởi các pixel ấm hơn:

Các pixel xung quanh ấm hơn được xác định nếu chênh lệch nhiệt độ với OT

cao hơn một giá trị nhất định (được gọi là ngưỡng mở rộng thẳng đứng tối

thiểu, mặc định là 6°C)

 Mở rộng theo chiều ngang của đỉnh mây trồi: Chênh lệch nhiệt độ với OT thấp

hơn một giá trị nhất định (giá trị ngưỡng mặc định là 3°C)

Trong bước này có thể sử dụng thông tin về đỉnh tầng đối lưu từ dữ liệu NWP

để khẳng định các ứng cử viên là đỉnh mây trồi lên như sau:

 Đỉnh mây trồi lên ít nhất lạnh hơn 5°C so với đỉnh tầng đối lưu tính được từ

dữ liệu NWP

 Đỉnh mây trồi lên lạnh hơn đỉnh tầng đối lưu NWP hoặc không có tầng đối lưu

 Bước 3: xác định danh sách các ổ mây trồi lên

 Bước 4 Dự báo dịch chuyển của các đối tượng mây đối lưu

Thuật toán của RDT-CW phân tích chuyển động của từng ổ mây và tính toán

tốc độ Lược đồ dự báo sử dụng ước tính tốc độ này để dự báo vị trí kế tiếp của từng

ổ mây Phương pháp Lagrangian được chứng minh là khá hiệu quả trong phạm vi 1

giờ Do đó, dự báo RDT được đề xuất trong giới hạn là 1 giờ

Sơ đồ dịch chuyển được hưởng lợi từ việc cải thiện chất lượng chuyển động

của ổ mây Có thể thực hiện thông qua thuật toán Snale Một số hạn chế cần phải lưu

ý trong dự báo dịch chuyển như sau:

 Nếu không có ước tính tốc độ cho một ô đã cho tại một vị trí nhất định, sẽ

không có dự báo nào về ô này (trường hợp của một ô mới)

 Sự chồng lấp của các ô dự báo không được quản lý: vectơ chuyển động cho

các ô đám mây lân cận có thể khác nhau về hướng và/hoặc cường độ, đặc biệt

khi xảy ra quá trình phân tách/hợp nhất

 Hầu hết các thuộc tính không thay đổi cho các mây dự báo Tuy nhiên, trong

khoảng thời gian đầu tiên đến 30 phút, các xu hướng được tính đến cho một

số thuộc tính Hoạt động/mức độ nghiêm trọng của ổ mây có thể được tăng lên

khi tốc độ lạnh đi hoặc mở rộng cao hoặc xu hướng sét cao

Bảng 2.1 Các đợt mưa được chọn trong hai năm 2019-2020

+ Phạm vi không gian: 10 trạm đo mưa tự động thuộc hệ thống các trạm đo mưa

tự động Vrain trên địa bàn Thành phố Hồ Chí Minh

Hình 2.1 Các trạm đo mưa tại TPHCM 2.1.2 Nguồn số liệu

+ Ảnh mây vệ tinh Himawari-8: ảnh VIS, ảnh IR và WV tăng cường màu thu

thập từ các sản phẩm của weather.us, một trang web cung cấp dịch vụ dự báo thời

tiết thuộc công ty WeatherOK, Mỹ

+ Dữ liệu của vệ tinh Himawari-8 thu thập từ nguồn số liệu của Viện công nghệ

Năm 2019 2020 Đợt 1 26 đến 27/5 30/6 đến 2/7 Đợt 2 27 đến 28/7 13 đến 14/8 Đợt 3 2 đến 3/11 13 đến 14/9

25

thông tin và truyền thông quốc gia Nhật Bản

+ Số liệu tái phân tích ERA5 của mô hình ECMWF trong hai năm 2019-2020

thu thập từ Kho dữ liệu khí hậu của dịch vụ Biến đổi Khí hậu Copernicus (C3S)

+ Số liệu dự báo lượng mưa giờ của mô hình WRF được chạy tại Viện Khí tượng

Thủy văn và Biến đổi khí hậu

+ Số liệu lượng mưa thực tế tại các trạm đo mưa tự động thuộc hệ thống trạm đo

mưa chuyên dùng Vrain của Công ty CP Tư vấn và phát triển kỹ thuật Tài nguyên

nước (WATEC)

Bảng 2.2 Thời gian thu thập số liệu dự báo mưa từ hệ thống RDT, mô hình WRF

và số liệu mưa thực đo

2.2 PHƯƠNG PHÁP NGHIÊN CỨU

2.2.1 Thử nghiệm dự báo mưa dông hạn cực ngắn bằng hệ thống RDT-CW

a Dữ liệu đầu vào

Bảng 2.3 Các dữ liệu đầu vào của hệ thống RDT-CW

SEV_BANDS Các kênh ảnh để sử dụng trong thuật toán PGE: (HRV) VIS06 NIR16 IR38 WV62 WV73 IR87 IR108

26 - 27/5/2019 7h ngày 26/5 23h ngày 27/5 7h ngày 26/5 7h ngày 28/5 7h ngày 26/5 23h ngày 27/5

27 - 28/7/2019 7h ngày 27/7 23h ngày 28/7 7h ngày 27/7 7h ngày 29/7 7h ngày 27/7 23h ngày 28/7

2 - 3/11/2019 7h ngày 2/11 23h ngày 3/11 7h ngày 2/11 7h ngày 4/11 7h ngày 2/11 23h ngày 3/11

30/6 - 2/7/2020 1h ngày 30/6 23h ngày 2/7 7h ngày 30/6 7h ngày 3/7 7h ngày 30/6 23h ngày 2/7

13 - 14/8/2020 0h ngày 13/8 23h ngày 14/8 7h ngày 13/8 7h ngày 15/8 7h ngày 13/8 23h ngày 14/8

13 - 14/9/2020 0h ngày 13/9 23h ngày 14/9 7h ngày 13/9 7h ngày 15/9 7h ngày 13/9 23h ngày 14/9

Dữ liệu mưa thực đo

Dữ liệu dự báo mưa của RDT Đợt mưa Dữ liệu dự báo mưa của mô hình WRF

26

AMV Vecto chuyển động của khí quyển Đầu ra của HRW với định dạng AMVs của NWCSAF

ước lượng di chuyển (mặc định 700hPa)

 MSG SEVIRI định dạng HRIT gốc hoặc nén

 Định dạng FSD netCDF cho dữ liệu NWC/GEO

 Himawari-8/9 định dạng HSD gốc hoặc nén

 Dữ liệu mô hình số trị NWP

Dữ liệu NWP được sử dụng để tính toán các chỉ số đối lưu (LI, KI, SI) để tổng hợp “mặt nạ đối lưu NWP” Sự kết hợp của các chỉ số này cho phép xác định các khu

27

vực khí quyển ổn định - nơi có xác suất đối lưu thấp Thử thực hiện cảnh báo đối lưu sau khi đã loại trừ những vùng ổn định của mặt nạ đối lưu này, từ đó tránh được cảnh báo không liên quan

Dữ liệu NWP được sử dụng để tính toán hoặc xác định các đặc trưng của tầng đối lưu (TT, TP) – ảnh hưởng dưới dạng thuộc tính bổ sung cho các ổ mây

b Sản phẩm đầu ra

Thử nghiệm phân tích bằng hệ thống RDT-CW với dữ liệu có sẵn bao gồm cả ảnh vệ tinh Himawari-8 và dữ liệu mô hình ECMWF, thực hiện bởi Viện Khí tượng Thủy văn và Biến đổi khí hậu Các kết quả đầu ra thu được:

 CMA: Cloud mask (Mặt nạ mây)

 CMIC: Cloud microphysics (Vi vật lý mây)

 CRR: Convective rain rate (Cường độ mưa đối lưu)

 CT: Cloud type (loại mây)

 CTTH: Cloud top Height (Độ cao đỉnh mây)

 RDT: Rapid Developing Thunderstorm (Mây dông phát triển nhanh)

c Các sản phẩm dự báo mưa được dùng để đánh giá

Thuật toán xác định cường độ mưa đối lưu (CRR – Convective rainrate) được dùng để ước tính tỷ lệ mưa từ các hệ thống đối lưu, sử dụng kênh ảnh IR, WV, và VIS-N và các hàm hiệu chỉnh được phát triển bằng cách sử dụng dữ liệu radar Các hàm hiệu chỉnh, đã được hiệu chỉnh thông qua các quá trình thống kê, cố gắng liên kết các ảnh của nhiều kênh với cường độ mưa Trong quá trình hiệu chỉnh, dữ liệu radar tổ hợp được so sánh từng pixel với các pixel của ảnh vệ tinh với cùng độ phân giải Cường độ mưa CRR sẽ được ước tính như là một hàm của 2 hoặc 3 tham số (IR, IR-WV, và độ phản hồi được chuẩn hóa của kênh VIS) Bước cuối cùng của thuật toán, giá trị cuối cùng của CRR (mm/h) được sử dụng để đưa ra 3 sản phẩm:

 Cường độ mưa đối lưu (Convective Rainfall Intensity) Đơn vị: mm/h

 Phân loại CRR (Convective Rain Rate): Cường độ mưa có thể phân ra các ngưỡng, mưa nhỏ, mưa vừa, mưa to, mưa rất to Đơn vị: mm/h

28

 Mưa tích lũy giờ (Convective Hourly Rainfall Accumulation): Một tích hợp liên tục được thực hiện để tính toán lượng mưa tích lũy hàng giờ Đơn vị: mm/h

Trong nghiên cứu này, hai sản phẩm “Cường độ mưa đối lưu (crr_intensity)”

và “Mưa tích lũy giờ (crr_accum)” được sử dụng để đánh giá dự báo

2.2.2 Thử nghiệm dự báo mưa bằng mô hình số trị WRF

Hướng tới việc cải thiện khả năng dự báo mưa định lượng cũng như dự báo mưa hạn cực ngắn của hệ thống RDT-CW, nếu chỉ sử dụng nguồn dữ liệu tái phân tích ERA5 là chưa phù hợp với xu thế biến đổi của thời tiết Do đó, tác giả thử nghiệm

và đánh giá thêm sai số dự báo của mô hình số trị WRF để so sánh với kết quả của hệ thống RDT, từ đó có thể đưa ra những cải tiến và nâng cao chất lượng dự báo cho hệ thống công cụ này trong tương lại

Mô hình WRF v3.9 hiện đang được áp dụng trong nghiệp vụ dự báo thời tiết, xoáy thuận nhiệt đới (XTNĐ) và mưa lớn tại Viện Khí tượng Thủy văn và Biến đổi khí hậu Độ phân giải của mô hình là 9x9km Số liệu GFS được sử dụng để làm điều kiện ban đầu và điều kiện biên phụ thuộc thời gian cho mô hình WRF Số liệu GFS được cung cấp bởi Trung tâm Quốc gia Dự báo Môi trường NCEP (Mỹ), độ phân giải 0,5ºx 0,5º độ kinh vĩ

Kết quả dự báo mưa từ mô hình WRF với hạn dự báo là 24 giờ, cung cấp kết quả dự báo mưa 01h tại 10 trạm thuộc TPHCM Miền tính nghiệp vụ được thể hiện như hình:

Hình 2.2 Miền tính của mô hình WRF (27km và 9km-trong)

29

2.2.3 Phương pháp đánh giá dự báo

Trong phần này, các thuật ngữ và quy trình đánh giá được áp dụng theo Thông

tư số 41/2017/TT-BTNMT ngày 23 tháng 10 năm 2017: “Quy định kỹ thuật đánh giá chất lượng dự báo, cảnh báo khí tượng” Trong đó, quy định thuật ngữ cấp mưa như trong bảng sau:

Bảng 2.4.Quy định thuật ngữ cấp mưa [6]

a Đánh giá khả năng mô phỏng hướng di chuyển và cường độ vùng mưa dông tại khu vực TPHCM trên ảnh mây vệ tinh Himawari-8

Phân tích lại các hình thế synop bằng bộ bản đồ từ Mặt đất lên đến mực 500mb

Từ đó đưa ra nhận định về hình thế nào có khả năng gây ra mưa, dông và hướng gió thịnh hành tại khu vực nghiên cứu trong từng đợt mưa được chọn

Thu thập ảnh mây vệ tinh Himawari-8 (ảnh VIS, WV và IR) dạng hình ảnh tại khu vực TPHCM cho từng thời đoạn mưa trong đợt mưa được chọn để nhận định về

hệ thống mây đối lưu (nơi nào có/không có mây đối lưu, mây đối lưu phát triển mạnh/yếu trên khu vực nào) Ảnh IR và WV đều là ảnh tăng cường màu với thang màu được quy định như hình:

12h R(mm)/12h

Ghi chú (theo ký hiệu trong

sổ AERO)

2 Mưa lượng không đáng kể Giọt  R  0.3 Mưa không đo được (gt)

Không tính thời gian mưa xảy

ra liên tục hay ngắt quãng

30

Hình 2.3 Thang màu trên ảnh mây vệ tinh (từ trái sang: ảnh WV, IR)

Tiếp theo, thu thập lượng mưa thực tế theo từng giờ một tại các trạm đo mưa

tự động đã được nêu ra trong phần phạm vi nghiên cứu của đề tài Sau đó, so sánh giữa quá trình phát triển của những vùng mây đối lưu trên ảnh mây vệ tinh với phân

bố mưa thực tế Từ đó, đưa ra nhận xét về khả năng mô phỏng hướng di chuyển và vùng ảnh hưởng của mây đối lưu trên ảnh mây vệ tinh

Tổng hợp các hình thế thời tiết trong các đợt mưa đã phân tích và đưa ra nhận xét chung về khả năng mô phỏng vùng mưa dông bằng ảnh mây vệ tinh

b Đánh giá sai số dự báo mưa của hệ thống công cụ RDT-CW

Đánh giá khả năng mô phỏng vùng mưa của hệ thống RDT bằng cách so sánh phân bố tổng lượng mưa giữa dự báo và mưa thực tế So sánh về vị trí vùng mưa nhiều, ít mưa và khoảng giá trị lượng mưa Phân bố mưa được vẽ từ lượng mưa thực

tế và lượng mưa dự báo bằng công cụ nội suy IDW của ArcGIS

Theo Thông tư số 41/2017/TT-BTNMT ngày 23 tháng 10 năm 2017: “Quy định kỹ thuật đánh giá chất lượng dự báo, cảnh báo khí tượng”, sản phẩm dự báo tổng lượng mưa được quy định là các biến liên tục Do vậy, để đánh giá sai số dự báo của

hệ thống RDT cần tính toán các chỉ số đánh giá sai số cho biến liên tục, bao gồm:

 Độ lệch trung bình hoặc sai số trung bình (ME)

31

 Chỉ ra xu hướng trung bình của sai số: Độ lệch dương là dự báo lớn hơn quan trắc, âm là dự báo nhỏ hơn quan trắc (F-Dự báo, O-Quan trắc)

 Không chỉ ra được độ lớn của sai số

 Sai số trung bình tuyệt đối (MAE): là trung bình độ lớn các sai số

𝑛∑|𝐹𝑖 − 𝑂𝑖|

𝑛

𝑖=1

 Là điểm tuyến tính  Các sai số có cùng trọng số

 Không chỉ ra xu hướng của sai số, mà chỉ là độ lớn sai số

 Sai số bình phương trung bình (MSE): là trung bình của bình phương các sai số:

𝑛∑(𝐹𝑖 − 𝑂𝑖)2 𝑛

 Nhạy cảm với những dao động lớn (các mô hình phân giải cao);

 Nên dùng với những dự báo ổn định (chẳng hạn dự báo khí hậu)

 Nhạy cảm với những sai số lớn (vì được bình phương lên)

 Sai số quân phương (RMSE):

𝑛∑(𝐹𝑖− 𝑂𝑖)2 𝑛

32

 Nhạy cảm với các sai số lớn

 RMSE càng nhỏ thì độ tin cậy của mô hình càng cao

 Hệ số tương quan (r): cho phép đánh giá mối quan hệ tuyến tính giữa tập giá trị dự báo và tập giá trị quan trắc

 Giá trị tuyệt đối của hệ số tương quan càng lớn thì mối quan hệ tuyến tính giữa hai biến càng chặt chẽ

 Hệ số tương quan dương phản ánh mối quan hệ cùng chiều (đồng biến), ngược lại, hệ số tương quan âm biểu thị mối quan hệ ngược chiều (nghịch biến) giữa

dự báo và quan trắc

 Nếu r nằm trong khoảng từ 0,50 đến ± 1  tương quan mạnh

 Nếu r nằm trong khoảng từ 0,30 đến ± 0,49  tương quan trung bình

 Nếu r nằm dưới ± 0.29  tương quan yếu

 Trên đồ thị phân tán Scatter, nếu r = -1 dữ liệu sẽ phân bổ trên một đường thẳng với độ dốc âm, r = 1 dữ liệu sẽ phân bổ trên một đường thẳng với độ dốc dương

33

CHƯƠNG 3 KẾT QUẢ VÀ BÀN LUẬN

mở rộng về phía đông nam, khu vực Nam Bộ nói chung và TPHCM nói riêng nằm ở rìa phía nam hệ thống thời tiết này Từ mặt đất lên đến mực 700mb khu vực TPHCM nằm trong trường gió có hướng Tây Nam Còn trên mực 500mb áp cao cận nhiệt đới đang trong quá trình lấn tây, khu vực TPHCM chịu ảnh hưởng bởi nhiễu động gió đông từ biển di chuyển vào