Đánh giá sản phẩm dự báo mưa thời hạn vừa (5 – 10 ngày) của mô hình toàn cầu ifs cho khu vực tây nguyên

Đánh giá sản phẩm dự báo mưa thời hạn vừa (5 – 10 ngày) của mô hình toàn cầu ifs cho khu vực tây nguyên Đánh giá sản phẩm dự báo mưa thời hạn vừa (5 – 10 ngày) của mô hình toàn cầu ifs cho khu vực tây nguyên

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

LÊ THỊ DIỆU THU

ĐÁNH GIÁ SẢN PHẨM DỰ BÁO MƯA THỜI HẠN VỪA (5 – 10 NGÀY) CỦA MÔ HÌNH TOÀN CẦU IFS CHO KHU VỰC TÂY NGUYÊN

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 DIỆU THU

ĐÁNH GIÁ SẢN PHẨM DỰ BÁO MƯA THỜI HẠN VỪA (5 – 10 NGÀY) CỦA MÔ HÌNH TOÀN CẦU IFS CHO KHU VỰC TÂY NGUYÊN

Văn Tân đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này

Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy văn – Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn, giúp đỡ và tạo điều kiện thuận lợi trong suốt thời gian tôi học tập tại trường

Tôi xin cảm ơn các cán bộ phòng Dự báo số và viễn thám (Trung tâm dự báo Khí tượng Thủy văn Quốc gia) đã giúp đỡ trong quá trình thực hiện luận văn

Tôi xin chân thành cảm ơn lãnh đạo Đài Khí tượng Thủy văn khu vực Tây Nguyên nơi tôi đang công tác đã tạo điều kiện về mặt thời gian Các đồng nghiệp Phòng

dự báo khí tượng thủy văn đã chia sẻ công việc để bản thân có điều kiện hoàn thành khóa học

Tôi xin chân thành cảm ơn Trường Đại học Khoa học Tự nhiên đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn này

Cuối cùng, tôi xin gửi lời cảm ơn chân thành đến gia đình, bạn bè, những người luôn bên cạnh tạo mọi điều kiện tốt nhất và động viên giúp đỡ trong suốt quá trình học tập

Lê Thị Diệu Thu

MỤC LỤC

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT iii

DANH MỤC CÁC BIỂU BẢNG iv

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ v

MỞ ĐẦU 1

CHƯƠNG 1TỔNG QUAN VỀ CÁC VẤN ĐỀ NGHIÊN CỨU 3

1.1 Khái quát về đặc điểm khí hậu ở Tây Nguyên 3

1.1.1 Đặc điểm vị trí địa lý khu vực Tây Nguyên 3

1.1.2 Đặc điểm khí hậu khu vực Tây Nguyên 3

1.2 Tổng quan về tình hình nghiên cứu đánh giá dự báo 4

1.2.1 Sự cần thiết của bài toán đánh giá 4

1.2.1.1 Lịch sử phát triển 4

1.2.1.2 Mục đích và ý nghĩa của đánh giá dự báo 5

1.2.2 Các loại dự báo 6

1.2.3 Tổng quan các nghiên cứu ngoài nước 6

1.2.4 Tổng quan các nghiên cứu trong nước 9

CHƯƠNG 2PHƯƠNG PHÁP NGHIÊN CỨU VÀ CƠ SỞ SỐ LIỆU 12

2.1 Phạm vi nghiên cứu và cơ sở số liệu 12

2.1.1 Số liệu quan trắc 14

2.1.2 Sơ bộ về sản phẩm mô hình IFS và số liệu mô hình IFS 14

2.2 Phương pháp xử lý số liệu 16

2.3 Phương pháp đánh giá 17

2.3.1 Đánh giá định lượng mưa 17

2.3.2 Đánh giá kĩ năng dự báo theo các ngưỡng mưa 18

CHƯƠNG 3KẾT QUẢ NGHIÊN CỨU 21

3.1 Kết quả đánh giá định lượng mưa 21

3.1.1 Chỉ số ME 21

3.1.2 Chỉ số MAE 24

3.1.3 Chỉ số RMAE 27

3.1.4 Chỉ số RMSE 29

3.2 Kết quả đánh giá dự báo theo ngưỡng mưa 32

3.2.1 Chỉ số POD 32

3.2.2 Chỉ số FAR 46

3.2.3 Chỉ số TS 60

KỆT LUẬN 74

TÀI LIỆU THAM KHẢO 75

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT

DANH MỤC CÁC BIỂU BẢNG

Bảng 1.1 Dự báo bão của Finley 4 Bảng 2.1 Danh sách trạm khí tượng khu vực Tây Nguyên 13 Bảng 2.2 Phân loại tần suất cho biến dự báo dạng nhị phân 19

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 2.1 Vị trí các trạm khí tượng trên khu vực Tây Nguyên 12

Hình 2.2 Minh họa việc tính toán giá trị điểm trạm (u, v) bằng phương pháp nội suy điểm gần nhất 16

Hình 3.1 Sai số ME tại các trạm theo hạn dự báo trong mùa mưa 21

Hình 3.2 Sai số ME theo hạn dự báo trong mùa mưa qua từng năm 22

Hình 3.3 Sai số ME tại các trạm theo hạn dự báo trong mùa khô 23

Hình 3.4 Sai số ME theo hạn dự báo trong mùa khô qua từng năm 24

Hình 3.5 Sai số MAE tại các trạm theo hạn dự báo trong mùa mưa 25

Hình 3.6 Sai số MAE theo hạn dự báo trong mùa mưa qua từng năm 25

Hình 3.7 Sai số MAE tại các trạm theo hạn dự báo trong mùa khô 26

Hình 3.8 Sai số MAE theo hạn dự báo trong mùa khô qua từng năm 26

Hình 3.9 Sai số RMAE tại các trạm theo hạn dự báo trong mùa mưa 27

Hình 3.10 Sai số RMAE theo hạn dự báo trong mùa mưa qua từng năm 28

Hình 3.11 Sai số RMAE tại các trạm theo hạn dự báo trong mùa khô 28

Hình 3.12 Sai số RMAE theo hạn dự báo trong mùa khô qua từng năm 29

Hình 3.13 Sai số RMSE tại các trạm theo hạn dự báo trong mùa mưa 30

Hình 3.14 Sai số RMSE theo hạn dự báo trong mùa mưa qua từng năm 30

Hình 3.15 Sai số RMSE tại các trạm theo hạn dự báo trong mùa khô 31

Hình 3.16 Sai số RMSE theo hạn dự báo trong mùa khô qua từng năm 32

Hình 3.17 Chỉ số POD trong mùa mưa 33

Hình 3.18 Chỉ số POD ở ngưỡng mưa 0.1mm tại các trạm theo hạn dự báo trong mùa mưa 34

Hình 3.19 Chỉ số POD ở ngưỡng mưa 5mm tại các trạm theo hạn dự báo trong mùa mưa 34 Hình 3.20 Chỉ số POD ở ngưỡng mưa 10mm tại các trạm theo hạn dự báo trong mùa mưa 35

Hình 3.21 Chỉ số POD ở ngưỡng mưa 20mm tại các trạm theo hạn dự báo trong mùa mưa 36

Hình 3.22 Chỉ số POD ở ngưỡng mưa 50mm tại các trạm theo hạn dự báo trong mùa mưa 36

Hình 3.23 Chỉ số POD ở ngưỡng mưa 0.1mm theo hạn dự báo trong mùa mưa qua từng năm 37Hình 3.24 Chỉ số POD ở ngưỡng mưa 5mm theo hạn dự báo trong mùa mưa qua từng năm 37Hình 3.25 Chỉ số POD ở ngưỡng mưa 10mm theo hạn dự báo trong mùa mưa qua từng năm 38Hình 3.26 Chỉ số POD ở ngưỡng mưa 20mm theo hạn dự báo trong mùa mưa qua từng năm 38Hình 3.27 Chỉ số POD ở ngưỡng mưa 50mm theo hạn dự báo trong mùa mưa qua từng năm 39Hình 3.28 Biểu đồ chỉ số POD trong mùa khô 40Hình 3.29 Chỉ số POD ở ngưỡng mưa 0.1mm tại các trạm theo hạn dự báo trong mùa khô 40Hình 3.30 Chỉ số POD ở ngưỡng mưa 5mm tại các trạm theo hạn dự báo trong mùa khô 41Hình 3.31 Chỉ số POD ở ngưỡng mưa 10mm tại các trạm theo hạn dự báo trong mùa khô 42Hình 3.32 Chỉ số POD ở ngưỡng mưa 20mm tại các trạm theo hạn dự báo trong mùa khô 42Hình 3.33 Chỉ số POD ở ngưỡng mưa 50mm tại các trạm theo hạn dự báo trong mùa khô 43Hình 3.34 Chỉ số POD ở ngưỡng mưa 0.1mm theo hạn dự báo trong mùa khô qua từng năm 44Hình 3.35 Chỉ số POD ở ngưỡng mưa 5mm theo hạn dự báo trong mùa khô qua từng năm 44Hình 3.36 Chỉ số POD ở ngưỡng mưa 10mm theo hạn dự báo trong mùa khô qua từng năm 45Hình 3.37 Chỉ số POD ở ngưỡng mưa 20mm theo hạn dự báo trong mùa khô qua từng năm 45Hình 3.38 Chỉ số POD ở ngưỡng mưa 50mm theo hạn dự báo trong mùa khô qua từng năm 46Hình 3.39 Biểu đồ chỉ số FAR trong mùa mưa 47

Hình 3.40 Chỉ số FAR ở ngưỡng mưa 0.1mm tại các trạm theo hạn dự báo trong mùa mưa 47Hình 3.41 Chỉ số FAR ở ngưỡng mưa 5mm tại các trạm theo hạn dự báo trong mùa mưa 48Hình 3.42 Chỉ số FAR ở ngưỡng mưa 10mm tại các trạm theo hạn dự báo trong mùa mưa 49Hình 3.43 Chỉ số FAR ở ngưỡng mưa 20mm tại các trạm theo hạn dự báo trong mùa mưa 49Hình 3.44 Chỉ số FAR ở ngưỡng mưa 50mm tại các trạm theo hạn dự báo trong mùa mưa 50Hình 3.45 Chỉ số FAR ở ngưỡng mưa 0.1mm theo hạn dự báo trong mùa mưa qua từng năm 50Hình 3.46 Chỉ số FAR ở ngưỡng mưa 5mm theo hạn dự báo trong mùa mưa qua từng năm 51Hình 3.47 Chỉ số FAR ở ngưỡng mưa 10mm theo hạn dự báo trong mùa mưa qua từng năm 52Hình 3.48 Chỉ số FAR ở ngưỡng mưa 20mm theo hạn dự báo trong mùa mưa qua từng năm 52Hình 3.49 Chỉ số FAR ở ngưỡng mưa 50mm theo hạn dự báo trong mùa mưa qua từng năm 53Hình 3.50 Biểu đồ chỉ số FAR trong mùa khô 54Hình 3.51 Chỉ số FAR ở ngưỡng mưa 0.1mm tại các trạm theo hạn dự báo trong mùa khô 54Hình 3.52 Chỉ số FAR ở ngưỡng mưa 5mm tại các trạm theo hạn dự báo trong mùa khô 55Hình 3.53 Chỉ số FAR ở ngưỡng mưa 10mm tại các trạm theo hạn dự báo trong mùa khô55Hình 3.54 Chỉ số FAR ở ngưỡng mưa 20mm tại các trạm theo hạn dự báo trong mùa khô56Hình 3.55 Chỉ số FAR ở ngưỡng mưa 50mm tại các trạm theo hạn dự báo trong mùa khô57Hình 3.56 Chỉ số FAR ở ngưỡng mưa 0.1mm theo hạn dự báo trong mùa khô qua từng năm 57Hình 3.57 Chỉ số FAR ở ngưỡng mưa 5mm theo hạn dự báo trong mùa khô qua từng năm 58Hình 3.58 Chỉ số FAR ở ngưỡng mưa 10mm theo hạn dự báo trong mùa khô qua từng năm 58

Hình 3.59 Chỉ số FAR ở ngưỡng mưa 20mm theo hạn dự báo trong mùa khô qua từng năm 59Hình 3.60 Chỉ số FAR ở ngưỡng mưa 50mm theo hạn dự báo trong mùa khô qua từng năm 60Hình 3.61 Biểu đồ chỉ số TS trong mùa mưa 60Hình 3.62 Chỉ số TS ở ngưỡng mưa 0.1mm tại các trạm theo hạn dự báo trong mùa mưa 61Hình 3.63 Chỉ số TS ở ngưỡng mưa 5mm tại các trạm theo hạn dự báo trong mùa mưa 62Hình 3.64 Chỉ số TS ở ngưỡng mưa 10mm tại các trạm theo hạn dự báo trong mùa mưa 62Hình 3.65 Chỉ số TS ở ngưỡng mưa 20mm tại các trạm theo hạn dự báo trong mùa mưa 63Hình 3.66 Chỉ số TS ở ngưỡng mưa 50mm tại các trạm theo hạn dự báo trong mùa mưa 63Hình 3.67 Chỉ số TS ở ngưỡng mưa 0.1mm theo hạn dự báo trong mùa mưa qua từng năm 64Hình 3.68 Chỉ số TS ở ngưỡng mưa 5mm theo hạn dự báo trong mùa mưa qua từng năm 65Hình 3.69 Chỉ số TS ở ngưỡng mưa 10mm theo hạn dự báo trong mùa mưa qua từng năm 65Hình 3.70 Chỉ số TS ở ngưỡng mưa 20mm theo hạn dự báo trong mùa mưa qua từng năm 66Hình 3.71 Chỉ số TS ở ngưỡng mưa 50mm theo hạn dự báo trong mùa mưa qua từng năm 66Hình 3.72 Biểu đồ chỉ số kĩ năng TS trong mùa khô 67Hình 3.73 Chỉ số kĩ năng ở ngưỡng mưa 0.1mm tại các trạm theo hạn dự báo trong mùa khô 68Hình 3.74 Chỉ số kĩ năng ở ngưỡng mưa 5mm tại các trạm theo hạn dự báo trong mùa khô 69Hình 3.75 Chỉ số kĩ năng ở ngưỡng mưa 10mm tại các trạm theo hạn dự báo trong mùa khô 69Hình 3.76 Chỉ số kĩ năng ở ngưỡng mưa 20mm tại các trạm theo hạn dự báo trong mùa khô 70Hình 3.77 Chỉ số kĩ năng ở ngưỡng mưa 50mm tại các trạm theo hạn dự báo trong mùa khô 70Hình 3.78 Chỉ số TS ở ngưỡng mưa 0.1mm theo hạn dự báo trong mùa khô qua từng năm 71

Hình 3.79 Chỉ số TS ở ngưỡng mưa 5mm theo hạn dự báo trong mùa khô qua từng năm 71Hình 3.80 Chỉ số TS ở ngưỡng mưa 10mm theo hạn dự báo trong mùa khô qua từng năm 72Hình 3.81 Chỉ số TS ở ngưỡng mưa 20mm theo hạn dự báo trong mùa khô qua từng năm 72Hình 3.82 Chỉ số TS ở ngưỡng mưa 50mm theo hạn dự báo trong mùa khô qua từng năm 73

MỞ ĐẦU

Hiện nay, ngoài sử dụng phương pháp truyền thống kết hợp với các công cụ viễn thám, thì sản phẩm dự báo số trị là một trong những công cụ chính trong công tác dự báo thời tiết hiện nay, đặc biệt đối với các sản phẩm dự báo ở hạn sau 24 giờ

Mô hình IFS của Trung tâm Dự báo khí tượng hạn vừa Châu Âu (ECMWF) là một trong những hệ thống dự báo có độ tin cậy cao nhất hiện nay theo những đánh giá gần đây Kể từ khi đưa vào khai thác tại Trung tâm Dự báo KTTV quốc gia từ đầu năm 2012 cho đến nay, các sản phẩm dự báo của ECMWF đã được khai thác hiệu quả và góp phần không nhỏ trong việc nâng cao chất lượng dự báo KTTV nói chung

và các hiện tượng KTTV nguy hiểm nói riêng, đặc biệt là công tác dự báo hạn ngắn

và hạn vừa Tuy nhiên, kết quả dự báo vẫn tồn tại nhiều sai số không tuân theo quy luật gây không ít khó khăn cho dự báo viên trong quá trình ứng dụng

Trong quá trình ứng dụng mô hình cần phải có những nghiên cứu, đánh giá mức độ chính xác của mô hình so với các giá trị quan trắc, để tìm ra ưu, nhược điểm của mô hình từ đó rút ra kinh nghiệm để nâng cao chất lượng dự báo Đặc biệt trong các hạn dự báo vừa đến dài, khi mức độ biến động của khí quyển tăng cũng như khả năng nắm bắt của các mô hình thấp đi

Tại Việt Nam đã có nhiều công trình nghiên cứu về đánh giá dự báo mưa từ

mô hình toàn cầu Tuy nhiên, các công trình chủ yếu chỉ đánh giá khả năng dự báo mưa hạn ngắn (1 - 3 ngày) Do đó, chưa cung cấp được các thông tin cần thiết và hữu ích về chất lượng dự báo tới các dự báo viên trong quá trình tham khảo và dự báo nghiệp vụ hạn vừa - hạn dài Vì vậy, việc đánh giá sản phẩm dự báo mưa thời hạn vừa (5 – 10 ngày) của mô hình toàn cầu IFS cho khu vực Tây Nguyên là hết sức cần thiết

Mục tiêu của luận văn nhầm đánh giá và chỉ ra được kỹ năng dự báo mưa hạn

5 – 10 ngày của sản phẩm mô hình IFS cho khu vực Tây Nguyên Kết quả đánh giá

hỗ trợ dự báo viên có những điều chỉnh phù hợp trong quá trình ứng dụng sản phẩm

mô hình IFS - ECMWF trong nghiệp vụ dự báo mưa tại khu vực Tây Nguyên

Nội dung của luận văn ngoài phần mở đầu, kết luận và tài liệu tham khảo được

bố cục thành 3 chương như sau:

Chương 1: Tổng quan về các vấn đề nghiên cứu Chương này đề cập khái quát

về đặc điểm khí hậu ở Tây Nguyên và sơ bộ về tình hình nghiên cứu chung liên quan đến bài toán đánh giá dự báo trên thế giới và trong nước

Chương 2: Phương pháp nghiên cứu và cơ sở số liệu Chương này nêu lý do lựa chọn đối tượng, phạm vi nghiên cứu, cơ sở số liệu

Chương 3: Kết quả nghiên cứu Chương này nêu các kết quả có được trong quá trình thực hiện việc đánh giá khả năng dự báo mưa hạn vừa của mô hình IFS trên khu vực Tây Nguyên

CHƯƠNG 1 TỔNG QUAN VỀ CÁC VẤN ĐỀ NGHIÊN CỨU

1.1 Khái quát về đặc điểm khí hậu ở Tây Nguyên

1.1.1 Đặc điểm vị trí địa lý khu vực Tây Nguyên

Vùng Tây Nguyên là một chuỗi các Cao nguyên liền kề phía nam Việt Nam bao gồm 5 tỉnh, xếp theo thứ tự vị trí địa lý từ bắc xuống nam gồm Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông và Lâm Đồng Tây Nguyên cùng với vùng Duyên hải Nam Trung Bộ hợp thành vùng Nam Trung Bộ, thuộc Trung Bộ Việt Nam

Khu vực Tây Nguyên, phía bắc giáp tỉnh Quảng Nam, phía đông giáp các tỉnh Quảng Ngãi, Bình Định, Phú Yên, Khánh Hòa, Ninh Thuận, Bình Thuận, phía nam giáp các tỉnh Đồng Nai, Bình Phước, phía tây giáp với các tỉnh Attapeu (Lào) và Ratanakiri và Mondulkiri (Campuchia) Trong khi Kon Tum có biên giới phía tây giáp với cả Lào và Campuchia, thì Gia Lai, Đắk Lắk và Đắk Nông chỉ có chung đường biên giới với Campuchia Còn Lâm Đồng không có đường biên giới quốc tế Nếu xét diện tích Tây Nguyên bằng tổng diện tích của 5 tỉnh ở đây, thì vùng Tây Nguyên rộng 54.641,0 km² [5]

Tây Nguyên không phải là một cao nguyên duy nhất mà là một loạt cao nguyên liền kề Đó là các cao nguyên Kon Tum cao khoảng 500m, cao nguyên Kon - Plông, cao nguyên Kon – Hà - Nừng, Pleiku cao khoảng 800m, cao nguyên Ma Đrắk cao khoảng 500m, cao nguyên Buôn Mê Thuật cao khoảng 500m, Mơ Nông cao khoảng

800 - 1000m, cao nguyên Lâm Viên cao khoảng 1500m và cao nguyên Di Linh cao khoảng 900- 1000m Tất cả các cao nguyên này đều được bao bọc về phía đông bởi những dãy núi và khối núi cao (chính là Trường Sơn Nam) [5]

1.1.2 Đặc điểm khí hậu khu vực Tây Nguyên

Tây Nguyên có khí hậu nhiệt đới gió mùa cao nguyên, trong năm chia làm 2 mùa

Mùa mưa: Từ tháng 5 đến tháng 10 (riêng các vùng ở phía đông, đông nam mùa mưa thường bắt đầu và kết thúc muộn hơn khoảng 1 tháng) Khí hậu khu vực Tây Nguyên chịu sự chi phối chủ yếu của hệ thống gió mùa mùa hè có nguồn gốc từ

nóng ẩm tràn lên và dưới tác động của địa hình dãy Trường Sơn gây mưa trên phần diện tích phía sườn tây dãy Trường Sơn Thời kỳ này là mùa mưa ở hầu hết các vùng với đặc thù thời tiết chủ yếu mát và nóng ẩm trong đó mát chiếm ưu thế; độ ẩm không khí trung bình đạt từ 85% đến trên 90%; tổng số giờ nắng trong các tháng phổ biến đạt dưới 40 giờ Lượng mưa trong thời kỳ mùa mưa chiếm trên dưới 90% tổng lượng mưa năm Tháng có lượng mưa lớn nhất ở các vùng phía Nam và vùng giữa thường

là tháng 8 tháng 9, còn các vùng phía đông thường là tháng 10

Mùa khô: Khu vực phía Tây và trung tâm khu vực từ tháng 11 đến tháng 4

năm sau, khu vực phía Đông từ tháng 12 đến tháng 5 năm sau Trong mùa khô chịu chi phối của hệ thống gió mùa mùa đông có nguồn gốc từ Siberia có tính chất khô lạnh biến tính qua biển Đông trở thành lạnh ẩm tràn vào nước ta dưới tác dụng địa hình của dãy Trường Sơn gây mưa ở các tỉnh Trung Trung Bộ trở thành khô lạnh trước khi ảnh hưởng tới Tây Nguyên

1.2 Tổng quan về tình hình nghiên cứu đánh giá dự báo

1.2.1 Sự cần thiết của bài toán đánh giá

1.2.1.1 Lịch sử phát triển

Murphy (1996) là người đầu tiên đưa ra câu hỏi về chất lượng dự báo và thực hiện đánh giá chất lượng dự báo đầu tiên ở Hoa Kỳ và Tây Âu năm 1880 Koppen và Finley (1984) đã đưa ra một số điểm số quan trọng về đánh giá dự báo dựa trên dạng nhị phân Dự báo bão của Finley thực hiện từ ngày 10 tháng 3 đến hết tháng 5 năm

1884, với thời gian dự báo 2 lần/ngày, cho 18 quận phía đông núi Rockies của Hoa

Kỳ Bảng 1.1 chỉ ra tổng cộng có 2803 dự báo được thực hiện, trong đó có 100 dự báo có 51 số cơn bão xuất hiện

Bảng 1.1 Dự báo bão của Finley

Trong nửa đầu thế kỷ XX, công tác đánh giá dự báo phát triển rất mạnh

mẽ Muller (1944) đã chỉ ra rằng có 55 các nghiên cứu liên quan đến đánh giá kết quả

dự báo thời tiết bằng mô hình số Tổ chức Khí tượng Thế giới (WMO) đã xuất bản một báo cáo dài 114 trang báo cáo về phương pháp đánh giá sản phẩm của

mô hình dự báo số trị (Stanski và cộng sự, 1989) được áp dụng sau năm 1980

Tháng 2 năm 2000, WMO cung cấp hệ thống tiêu chuẩn đánh giá dự báo cho các dự báo hạn dài và được cung cấp tại http://www.wmo.ch/web/www/DPS/SVS-for-LRF.html Tài liệu này cung cấp các định nghĩa về dự báo hạn dài, khu vực đánh giá dự báo (địa lý), tập dữ liệu đánh giá và các phương pháp đánh giá dự báo

1.2.1.2 Mục đích và ý nghĩa của đánh giá dự báo

Đánh giá là sự tính toán ước lượng mối quan hệ giữa tập số liệu dự báo và giá trị quan trắc Hoạt động đánh giá chỉ có ích khi ta đưa ra được những kết luận cuối cùng đối với sản phẩm đang được đánh giá Để đánh giá thì kết quả dự báo phải được trình bày một cách đầy đủ và khách quan Trong khi đó thì quan trắc là sự mô tả chính xác những gì có trong thực tế Một vài phương pháp đánh giá đòi hỏi giả thiết rằng quan trắc tại một điểm cũng có thể đại diện cho hiện tượng thời tiết xảy ra trong một vùng

Theo Brier và Allen (1951) đánh giá chất lượng dự báo thời tiết bao gồm 3 mục đích chính: hành chính, khoa học và kinh tế

Mục đích hành chính

Cần có một thước đo bằng số về mức độ hoạt động của dự báo Nếu không,

và mô hình dự báo ảnh hưởng như thế nào đến chất lượng của dự báo Vì mục đích này, một số các thước đo tổng thể về hiệu suất dự báo thường được sử dụng Đánh giá hành chính được sử dụng để giám sát thường xuyên chất lượng của các dự báo và theo dõi những thay đổi về chất lượng của chúng qua từng thời kỳ

Mục đích khoa học

Mục đích khoa học quan tâm đến việc cải thiện hệ thống dự báo Đánh giá chi tiết về điểm mạnh và điểm yếu của một tập hợp các dự báo, xác định chính xác vị trí

sai sót trong dự báo nằm ở đâu, cùng với đó là khả năng nâng cao hiểu biết về các quy trình vật lý đang được dự báo Từ đó có những biện pháp tích cực nhằm cải thiện kết quả dự báo Mặt khác, đánh giá khoa học cũng cung cấp các thông tin trực tiếp cho các hướng nghiên cứu và phát triển phương pháp dự báo

Mục đích kinh tế

Mục đích kinh tế của đánh giá chất lượng dự báo đóng một vai trò hết sức quan trọng, nó giúp đánh giá được lợi ích của việc dự báo đúng, từ đó đưa ra được những chính sách hợp lý trong các hoạt động có liên quan và để đáp ứng những yêu cầu từ người sử dụng sản phẩm dự báo cuối cùng Ví dụ, khi đưa ra một bản tin dự báo thời tiết chính xác sẽ giúp ích cho việc bảo vệ người dân trước các hiện tượng thời tiết nguy hiểm như bão hay lũ lụt hoặc cũng có thể giúp ích rất nhiều trong các hoạt động sản xuất nông nghiệp, giao thông vận tải…

dự báo theo cách này

Yếu tố dự báo pha (dự báo xác suất) là các yếu tố dự báo có thể xảy ra hoặc không xảy ra

Một vài yếu tố có thể được dự báo pha hoặc là dự báo liên tục, việc lựa chọn chủ yếu phụ thuộc vào yêu cầu của người sử dụng trong quá trình dự báo

1.2.3 Tổng quan các nghiên cứu ngoài nước

Roberto Buizza, P L Houtekamer, Zoltan Toth, Gerald Pellerin, Mozheng Wei & And Yuejian Zhu (2005) đã tiến hành đánh giá kỹ năng dự báo tất định và tổ hợp từ 3 hệ thống dự báo tổ hợp toàn cầu của NCEP, ECMWF và MSC cho Bắc bán cầu trong khoảng thời gian 3 tháng từ tháng 5 đến tháng 7 năm 2002 và nhận thấy các

dự báo từ ECMWF luôn có chỉ số đánh giá tốt nhất Cụ thể, dự báo trung bình tổ hợp cho trường độ cao địa thế vị mực 500 trung bình trên Bán cầu bắc từ dự báo của

ECMWF cao hơn nhiều so với các dự báo trung bình tổ hợp từ CMC và NCEP cũng như các dự báo đối chứng (control) tại tất cả các hạn dự báo Tương tự, các đánh giá dựa trên sai số quân phương cũng cho thấy dự báo trung bình tổ hợp từ ECMWF có sai số nhỏ nhất tại tất cả các hạn dự báo Đối với kỹ năng dự báo tổ hợp, các kết quả đánh giá dựa trên các chỉ số ROC và BSS cũng cho thấy dự báo tổ hợp trường độ cao địa thế vị mực 500 trung bình trên Bán cầu bắc của ECMWF là tốt hơn nhiều so với

dự báo tổ hợp của các Trung tâm NCEP và MSC [14]

A.Papadopoulos và P Katsafados (2012): đã sử dụng các quan trắc bề mặt của hơn 900 trạm khí tượng bề mặt của Tổ chức Khí tượng Quốc Tê (WMO) để đánh giá

và so sánh hai hệ thống dự báo thời tiết trên khu vực Đông Địa Trung Hải Các trường

dự báo được đánh giá gồm: trường gió 10m, trường nhiệt độ không khí 2m, trường

áp suất mực nước biển 3 giờ và trường lượng mưa tích lũy 6 giờ Việc đánh giá các

hệ thống dựa trên việc so sánh điểm và điểm giữa các biến số mô hình được tạo ra và các quan trắc bề mặt có liên quan Do đó, một phương pháp đánh giá đã được phát triển dựa trên ước tính của các kỹ năng đánh giá khách quan truyền thống như BIAS, RMSE… cho các yếu tố dự báo liên tục và rời rạc Kết quả sơ bộ cho thấy rằng các sai số mô hình phụ thuộc vào chu kỳ ngày đêm, phụ thuộc vào mùa, phụ thuộc vào thời gian dự báo và vị trí các trạm đặc biệt là trên các khu vực có điều kiện địa lý phức tạp [10]

Maibys Sierra-Lorenzo, Jose Medina, Juana Sille, Adrián Fuentes-Barrios, Shallys Alfonso-Águila và Tania Gascon (2022): Đã đánh giá khả năng dự báo mưa định lượng của hệ thống dự báo SisPI và FFGS cho dự báo lượng mưa định lượng (QPF) do cơn bão Isaias gây ra vào ngày 30 tháng 7 năm 2020 cho Cộng hòa Dominica Sử dụng 2 phương pháp truyền thống và các phương pháp đánh giá theo không gian Sử dụng các chỉ số BIAS, RMES, POD, FAR, CSI ớ các ngưỡng mưa 0.1mm, 50mm, 100mm, 150mm, 200mm Kết quả cho thấy rằng cả hai hệ thống dự báo thời tiết số đều là công cụ mạnh mẽ cho QPF và cũng góp phần phòng tránh và giảm nhẹ thiên tai do hiện tượng thời tiết cưc đoạn Đối với dự báo về khả năng xuất hiện mưa, sản phẩm HIRESW-NMMB của FFGS cho khả năng cao nhất với CSI lớn

hơn 0,4 Các sản phẩm HIRESW-ARW và SisPI tỷ lệ cảnh báo sai cao Khả năng dự báo mưa lớn của sản phẩm HIRESW-NMMB thấp với sự chênh lệch xấp xỉ 60 mm, trong khi các công cụ HIRESW-ARW và SisPI cho kết quả có sự chênh lệch nhỏ hơn không quá 30mm [13]

T Haiden, M.J Rodwell, D.S Richardson, A Okagaki, T Robinson và T Hewson (2012): Đã sử dụng các chỉ số SEEPS, ETS, TSS để đánh giá dự báo lượng mưa của năm mô hình toàn cầu: CMC, JMA, NCEP, UKMO và ECMWF Thời gian đánh giá từ ngày 1 tháng 6 năm 2010 đến ngày 30 tháng 4 năm 2011 (11 tháng) Với

dữ liệu quan sát được sử dụng trong nghiên cứu này bao gồm tổng lượng mưa trong

24 giờ kết thúc lúc 12 giờ UTC từ Hệ thống Viễn thông Toàn cầu (GTS) Kết quả thu được cho thấy rằng sự khác biệt về kỹ năng dự báo giữa các mô hình Trong tất cả các mô hình có sự khác biệt giữa vùng nhiệt đới và vùng ngoài nhiệt đới Giá trị các chỉ số SEEPS, ETS, TSS giảm dần theo thời gian từ hạn dự báo 1 đến 6 ngày ở cả hai ngưỡng mưa >1mm và >5mm [16]

George Varlas, Anastasios Papadopoulos, George Papaioannou và Elias Dimitrio (2021): Đã đánh giá dự báo lượng mưa của mô hình WRF – ARW với độ phân giải 4km hạn dự báo từ 6h đến 120h, trong 4 năm từ tháng 9 năm 2015 đến tháng 8 năm 2019 Sử dụng số liệu mưa tích lũy 6h từ 24 trạm khí tượng trên khu vực

Hy Lap Các chỉ số được sử dụng để đanh giá bao gồm: BIAS, ETS Với ngưỡng mưa

> 1mm, chỉ số BIAS dao động từ 0.73 ở hạn dự báo 6h đến 1.24 ở hạn dự báo 108h

Sự thay đổi BIAS trong hạn dự báo 5 ngày phụ thuộc của dự báo lượng mưa theo chu

kỳ bán nhật ngày ETS tăng dần trong 18h đầu, đạt giá trị 0.38 sau đó giảm dần xuống 0.15 Khi xét đến các ngưỡng mưa cao hơn BIAS nằm trong khoảng từ 0.83 đến 0.65

và giảm dần khi lượng mưa tăng Tương ứng, ETS dao động từ 0.34 đến 0.03 với các giá trị ETS giảm dần đối với các ngưỡng mưa lớn Xét chỉ số BIAS và ETS qua các mùa: xuân, hạ, thu, đông có sự thay đổi của BIAS và ETS kỹ năng dự báo thấp nhất vào mùa hè và tốt nhất vào mùa thu và mùa đông Vào mùa xuân, BIAS cao hơn so với các mùa khác, nhưng vào mùa đông và mùa thu ETS thấp hơn các mùa khác [11]

1.2.4 Tổng quan các nghiên cứu trong nước

Đã có nhiều công trình nghiên cứu về đánh giá dự báo trong khí tượng và các chỉ số đánh giá của các mô hình số trị ở Việt Nam đến nay

Trần Quang Năng (2009), đã sử dụng số liệu quan trắc mưa thực tế của 51 trạm Khí tượng thuộc khu vực Đông Bắc Bộ và sản phẩm dự báo 24h của các tháng từ 6 –

10, các năm 2005, 2006, 2007 từ mô hình HRM Các chỉ số đánh giá bao gồm: SD, RMSE, MAE, BIAS, ETS, P, HK, HSS, PosP, PreP,TS, FAR, POD Kết quả phân tích đánh giá cho thấy nhìn chung mô hình HRM cho dự báo lượng mưa cao hơn lượng mưa thực tế đo được Các chỉ tiêu đánh giá theo biến liên tục cũng như theo dự báo pha đều biến thiên đúng quy luật, không biểu hiện tình trạng bất quy luật, tất cả chứng tỏ tính ổn định của các mô đun tính mưa trong mô hình HRM Sai số hệ thống phân bố theo không gian có quy luật, chất lượng dự báo mô hình tốt hơn ngẫu nhiên, sai số hệ thống có khả năng hiệu chỉnh thống kê Mô hình HRM cho dự báo rất tốt trong những trường hợp mưa vừa, mưa lớn gây ra bởi hình thế thời tiết liên quan đến

áp cao lạnh lục địa, ngoài ra kết quả dự báo đối đối với hình thế thời tiết Xoáy thuận nhiệt đới cũng khá tốt với kết quả đạt trên 50% Các hình thế thời tiết còn lại như là ITCZ và ACCNĐ mô hình cũng nhận biết khá tốt [4]

Nguyễn Thanh Tú (2013), đã sử dụng số liệu mưa được thu thập từ 64 trạm quan trắc khí tượng bề mặt trên khu vực miền Trung và Tây Nguyên và sản phẩm dự báo 24h, 48h và 72h của các năm 2008, 2009, 2010 từ mô hình HRM-gfs, WRFARW-gfs và WRFNMM-gfs, để nghiên cứu kỹ năng dự báo mưa lớn cho khu vực miền Trung và Tây Nguyên trong 03 năm (2008 - 2010) Các chỉ số đánh giá được sử dụng bao gồm: ME, RMSE, MAE, BIAS, POD, FAR, ETS Kết quả cho thấy, với hạn dự báo dài thì mô hình này cho kết quả dự báo kém dần theo thời gian và với cường độ mưa càng lớn thì sai số của mô hình càng tăng Mô hình HRM cho dự báo tốt hơn 2

mô hình còn lại và có lượng mưa dự báo tương đối chính xác trên cả bốn khu vực Với lượng mưa từ 50-100mm/24h mô hình WRFARW cho kết quả tốt nhất khi so sánh cả 3 mô hình với nhau Mô hình WRFNMM luôn dự báo hụt cho cả chuỗi số

liệu từ 2008-2010 tuy nhiên lại cho kết quả dự báo mưa tốt nhất với cường độ mưa

từ 10-30mm/24h [7]

Võ Văn Hòa (2016), Sử dụng nguồn số liệu trong thời gian 5 năm (từ 2008 - 2012) trên khu vực Trung Bộ và Tây Nguyên, để tiến hành nghiên cứu đánh giá khả năng dự báo các đợt mưa lớn diện rộng này từ các số liệu dự báo mưa của 4 mô hình toàn cầu nhận được tại Trung tâm Dự báo KTTV Trung ương gồm: Mô hình GFS của NCEP, Mô hình GSM của JMA, Mô hình NOGAPS của Hải quân Mỹ và Mô hình IFS của ECMWF Kết quả đánh giá cho thấy, hai mô hình IFS và GSM cho kết quả

dự báo mưa lớn chính xác hơn hai mô hình còn lại, trong đó, IFS có chất lượng dự báo mưa lớn cao hơn GSM một chút Tuy nhiên, khả năng dự báo được các đợt mưa lớn đặc biệt lớn của các mô hình toàn cầu nói trên vẫn còn nhiều hạn chế [3]

Trần Đức Bá (2019), đã sử dụng các chỉ số đánh giá lượng mưa: ME, BIAS, MAE, RMSE, R, SS; Các chỉ số đánh giá theo cấp mưa FC, BIAS, POD, FAR trên tập số liệu quan trắc lượng mưa trong 24 giờ của 20 trạm khí tượng thuộc khu vực Bắc Trung Bộ trong thời gian 6 năm từ năm 2012 - 2017 và số liệu dự báo từ mô hình IFS Kết quả cho thấy chất lượng dự báo của IFS cho chuỗi số liệu mưa khu vực Bắc Trung Bộ khá đồng nhất giữa các vùng, mặc dù có sự chênh lệch giữa chất lượng dự báo giữa khu vực miền núi và khu vực ven biển, nhưng mức chênh lệch không lớn Lượng mưa càng lớn thì dự báo IFS có sai số trung bình và biên độ sai số càng lớn

cả ở 3 hạn dự báo Sai số dự báo và kỹ năng dự báo của IFS không đồng nhất giữa mùa ít mưa và mùa nhiều mưa, mùa nhiều mưa sai số trung bình cao hơn và kỹ năng

dự báo của IFS kém hơn so với mùa ít mưa Khả năng dự báo mưa vừa, mưa to và mưa rất to của IFS còn kém, sai số trung bình lớn, kỹ năng dự báo kém [1]

Công Thanh, Lê Duy Mạnh và Vũ Văn Thăng (2019), đã đánh giá khả năng

dự báo mưa của mô hình RAMS cho khu vực Nam Bộ trong 6 tháng mùa mưa (tháng

5 - 11) của 3 năm 2014, 2015 và năm 2016 Bên cạnh đó, đã thực hiện hiệu chỉnh BIAS đối với kết quả dự báo mưa của mô hình cho mùa mưa năm 2016 Kết quả đánh giá cho thấy, mô hình RAMS có khả năng dự báo tốt về lượng mưa ở cả ba hạn dự báo 24 giờ, 48 giờ và 72 giờ; dự báo khá tốt diện mưa ở ngưỡng mưa nhỏ và mưa to,

không tốt đối với ngưỡng mưa vừa Kết quả hiệu chỉnh BIAS đối với lượng mưa trong mùa mưa năm 2016 được cải thiện đáng kể, chỉ số ME tốt nhất là 0,15; chỉ số RMSE tốt nhất là 15,63mm Kết quả của nghiên cứu này có thể giúp các dự báo viên

có thêm thông tin khi sử dụng kết quả dự báo mưa cho khu vực Nam Bộ trong tương lai bằng mô hình RAMS [5]

Dư Đức Tiến và cs (2021): Đã đánh giá dự báo mưa định lượng dựa trên mô hình toàn cầu IFS và mô hình khu vực phân giải cao (WRF–ARW) trong năm 2020

Sử dụng phương pháp đánh giá theo không gian dựa trên chỉ số kĩ năng FSS (FractionalSkill Score) với các các số liệu mưa từ vệ tinh GSMaP và số liệu mưa trên lưới (thiết lập từ số liệu mưa ước lượng radar, vệ tinh và mưa tự động) Các chỉ số đánh giá kĩ năng (POD, BIAS, TS) theo phương pháp truyền thống được mở rộng theo từng phân cấp mưa 1 mm, 5 mm, 10 mm, 20 mm, 50 mm và 100 mm với các hạn dự báo 24h, 48h và 72h, kết hợp biểu đồ đánh giá kĩ năng tổng hợp (performance diagram) trên các vị trị trạm cho khu vực Bắc Bộ Các kết quả cho thấy kĩ năng dự báo định lượng cho khu vực Bắc Bộ còn thấp Mặc dù vậy, mô hình phân giải cao kết hợp đồng hóa số liệu (3DVAR) đã tăng được kĩ năng dự báo ở các ngưỡng mưa lớn (> 50 mm/24h) trong hạn 1 - 3 ngày, qua đó cho phép bổ sung thông tin mang tính chất định lượng–cực trị bên cạnh sản phẩm dự báo của mô hình IFS trong công tác

dự báo nghiệp vụ mưa lớn [8]

CHƯƠNG 2 PHƯƠNG PHÁP NGHIÊN CỨU VÀ CƠ SỞ SỐ LIỆU

2.1 Phạm vi nghiên cứu và cơ sở số liệu

Để thực hiện việc đánh giá dự báo mưa của mô hình IFS cho khu vực Tây Nguyên tập số liệu sử dụng để đánh giá gồm có số liệu dự báo từ mô hình IFS

và số liệu quan trắc lượng mưa trong 24 giờ của 18 trạm khí tượng thuộc khu vực Tây Nguyên trong thời gian 5 năm từ năm 2014 - 2018 Danh mục các trạm sử dụng số liệu mưa để đánh giá, vị trí của trạm được thể hiện trong Bảng 2.1

Hình 2.1 Vị trí các trạm khí tượng trên khu vực Tây Nguyên

Bảng 2.1 Danh sách trạm khí tượng khu vực Tây Nguyên

tỉnh thuộc khu vực Tây Nguyên, gồm có tỉnh Kon Tum: 2 trạm (Đăk Tô, Kon Tum); Tỉnh Gia Lai: 4 trạm (Pleiku, An Khê, Yaly, Ayun Pa); Tỉnh Đăk Lăk: 6 trạm (EaHleo, M’Đrak, Buôn Ma Thuôt, EakMat, Lăk); Tỉnh Đăk Nông: 2 trạm (Đăk Mil, Đăk Nông); Tỉnh Lâm Đồng: 4 trạm (Đà Lạt, Liên Khương, Bảo Lộc, Cát Tiên) Các trạm khí tượng khai thác số liệu để đánh giá được đặt ở các địa điểm đại diện cho các tiểu vùng khí hậu khác nhau của các tỉnh

Đối với số liệu dự báo từ mô hình IFS của ECMWF được chia sẻ cho Trung tâm dự báo Quốc Gia phạm vi nghiên cứu đánh giá mô hình là 5 năm từ năm 2014 -

2018

2.1.1 Số liệu quan trắc

Hiện nay, số liệu quan trắc lượng mưa có nhiều nguồn gốc khác nhau, số liệu đo đạc từ các trạm khí tượng, thủy văn cơ bản, số liệu từ các trạm đo mưa

tự động, số liệu từ các trạm đo mưa nhân dân và đo mưa chuyên dùng Trong phạm

vi nghiên cứu này, do cần số liệu lượng mưa có độ tin cậy cao để đánh giá mô hình

dự báo nên số liệu được lựa chọn là số liệu từ các trạm khí tượng đã qua kiểm soát, hiệu chuẩn đảm bảo độ chính xác Khác với số liệu lượng mưa đo từ các trạm khác như đo mưa tự động, đo mưa nhân dân tiềm ẩn nhiều sai số chủ quan khó kiểm soát

Mốc thời gian lấy lượng mưa 24 giờ là từ 7 giờ sáng (00 giờ UTC) đến 7 giờ sáng ngày hôm sau Lựa chọn mốc thời gian lấy lượng mưa quan trắc như trên để phù hợp với số liệu mô hình IFS khai thác ở phiên dự báo 00 giờ UTC Tập số liệu lượng mưa được khai thác từ tập số liệu lượng mưa đã qua kiểm soát và đánh giá chất lượng

để loại bỏ các sai số

2.1.2 Sơ bộ về sản phẩm mô hình IFS và số liệu mô hình IFS

Hệ thống dự báo tích hợp (Integrated Forecasting System - IFS) là hệ thống dự báo thời tiết số toàn cầu được phát triển và duy trì bởi Trung tâm dự báo thời tiết hạn vừa Châu Âu (ECMWF) Hệ thống IFS là tập hợp một số phần mềm ứng dụng được tạo sẵn thông qua một hệ thống phần mềm máy tính tích hợp Hiện nay, nhiều trung tâm dự báo khí tượng trên thế giới đang thiết lập sử dụng các mô hình dự báo toàn cầu hoặc khu vực với cho nhiều mục đích khác nhau, tương ứng với mỗi quy mô của hiện tượng quan tâm, sẽ có các lớp mô hình NWP riêng, ví dụ như ở quy mô toàn cầu

sẽ có mô hình toàn cầu, ở quy mô khu vực có mô hình lãnh thổ hạn chế, ở quy mô vừa có mô hình bão Tuy nhiên, ECMWF chỉ sử dụng duy nhất một hệ thống mô hình IFS để mô tả toàn bộ các quy mô chuyển động của khí quyển Hệ thống dự báo tích hợp IFS gồm 2 thành phần chính là: 1) Mô hình hoàn lưu chung khí quyển có lồng

ghép với mô hình sóng biển, mô hình hoàn lưu chung đại dương và mô hình bề mặt đất; 2) Hệ thống đồng hóa số liệu 4DVAR [2]

Số liệu từ hệ thống IFS được ECMWF cung cấp dưới dạng sản phẩm (tệp tin ảnh trên trang Web) và dạng số dưới dạng mã GRIB2 Các sản phẩm dạng ảnh được cung cấp qua địa chỉ http://www.ecmwf.int và bắt buộc phải có tài khoản truy cập [2] Đây là những sản phẩm đã được tạo sẵn cho các khu vực khác nhau và người truy cập chỉ có thể xem, không thể sửa theo ý muốn Các lớp sản phẩm được cung cấp trên trang điện tử nói trên bao phủ từ dự báo hạn vừa cho đến hạn mùa Đối với dự báo hạn vừa dạng tất định có độ phân giải 0,25 độ, ECMWF cung cấp số liệu cho Trung tâm Dự báo KTTV quốc gia dưới dạng các tệp tin mã GRIB2 thông qua mạng Internet Từ cuối năm 2014, độ phân giải của số liệu mô hình IFS cung cấp cho Trung tâm Dự báo KTTV quốc gia đã tăng lên 9km (trong giai đoạn 2011 - 2014 là 14km)

Thông qua một thỏa thuận hợp tác với ECMWF về việc cấp quyền khai thác các sản phẩm từ mô hình IFS có trả phí, Trung tâm Dự báo KTTV quốc gia đã đầu

tư trang thiết bị, đường truyền và phần mềm tự động thu thập, giải mã số liệu dự báo

từ hệ thống IFS, đồng thời hiển thị các sản phẩm phục vụ dự báo hạn vừa, và lưu trữ

số liệu vào cơ sở dữ liệu KTTV [2] Hiện tại, các dự báo viên khí tượng tại Trung tâm

Dự báo KTTV quốc gia và các Đài KTTV khu vực và các Đài KTTV tỉnh có thể tham khảo các sản phẩm qua trang Web của ECMWF và của Trung tâm Dự báo KTTV quốc gia Theo thỏa thuận với ECMWF, việc khai thác các nguồn số liệu dạng số của ECMWF qua Internet bị khống chế không được vượt quá 70GB/ngày và 2TB/năm [2] Do đó, việc thu thập dự báo chỉ khai thác các số liệu cần thiết cho Việt Nam, hiện tại Trung tâm Dự báo KTTV quốc gia đang thu thập các nguồn số liệu phân tích và

dự báo từ hệ thống IFS như sau: Số liệu phân tích và dự báo tất định từ mô hình toàn cầu IFS độ phân giải 0.1250 x 0.1250, hạn dự báo đến 10 ngày khoảng cách 6 giờ

phiên dự báo 00 và 12UTC Số liệu dự báo từ 51 thành phần của hệ thống dự báo tổ

Dữ liệu mô hình sử dụng trong quá trình đánh giá là dữ liệu lượng mưa tích lũy 24 giờ (tính từ thời điểm 00UTC) của mô hình toàn cầu IFS (độ phân giải ngang 9km) tại các hạn dự báo từ 5 đến 10 ngày

2.2 Phương pháp xử lý số liệu

Do số liệu dự báo mưa của IFS được cung cấp trên lưới, trong khi số liệu quan trắc lại được thu thập tại các điểm trạm rời rạc theo không gian Nên việc đánh giá chỉ được thực hiện khi các nguồn số liệu này có sự trùng khớp về mặt không gian và thời gian Chính vì vậy, việc lựa chọn được phương pháp nội suy số liệu mưa phù hợp cho số liệu IFS là rất quan trọng và cần thiết Trong nghiên cứu này, để hạn chế ảnh hưởng của địa hình tới sai số nội suy lựa chọn phương pháp nội suy điểm gần nhất là khả thi nhất do lượng mưa mang tính địa phương cao, có thể xảy ra gián đoạn theo cả không gian và thời gian Theo phương pháp này, từ vị trí của điểm cần nội suy, thuật toán sẽ tính toán khoảng cách của điểm nút lưới gần nhất và sử dụng giá trị tại nút lưới này để gán cho điểm nội suy

Hình 2.2 Minh họa việc tính toán giá trị điểm trạm (u, v) bằng phương pháp nội suy

điểm gần nhất

Nội suy điểm gần nhất là phương pháp nội suy đơn giản nhất và được sử dụng phổ biến Điểm trạm cần nội suy sẽ lấy giá trị của điểm lưới gần nó nhất và không xem xét các giá trị khác ở tất cả các điểm lân cận Ví dụ điểm trạm (u, v) với bốn điểm lưới lân cận (i, j), (i, j + 1), (i+ 1, j) và (i+ 1, j +1) (Hình 2.2) và các giá trị f (i, j), f (i, j + 1), f (i+ 1, j), f (i+ 1, j + 1) Khoảng cách giữa (u, v) và ( i, j), (i, j + 1), (i+

1, j), (i+ 1, j + 1) sẽ được tính toán, giá trị tại điểm trạm (u, v) sẽ được gán bằng giá trị của điểm lưới gần nó nhất

2.3 Phương pháp đánh giá

2.3.1 Đánh giá định lượng mưa

Một số ký hiệu được sử dụng trong công thức tính chỉ số đánh giá:

F: là giá trị dự báo (Fi là giá trị dự báo thứ i)

O: là giá trị quan trắc (Oi là giá trị quan trắc thứ i)

N: là tổng số thành phần của tập mẫu

Sai số: là độ lệch giữa giá trị quan trắc (O) và giá trị dự báo (F)

Sai số trung bình (Mean Error - ME):

)(

1

1

i N

i

i O F N

=

Chỉ số ME cho biết xu hướng lệch trung bình của giá trị dự báo so với giá trị quan trắc, nhưng không phản ánh độ lớn của sai số ME dương cho biết trung bình giá trị dự báo lớn hơn giá trị quan trắc, và ngược lại ME âm tương ứng với việc dự báo thấp hơn giá trị quan trắc Chỉ số ME có giá trị từ - ∞ đến + ∞, với 0 là giá trị

“hoàn hảo” (không thiên lệch về phía nào) Tuy nhiên, ME không cho ta biết mức độ phù hợp giữa F và O, đôi khi một dự báo sai lại nhận được giá trị ME = 0 khi trong

đó có những sai số triệt tiêu nhau, do vậy không bao giờ người ta sử dụng chỉ số ME một mình

Sai số tuyệt đối trung bình (Mean Absolute Error - MAE):

|

|1

1

i N

i

i O F N

=

Chỉ số MAE biểu thị độ lớn trung bình của sai số dự báo nhưng không nói lên

xu hướng lệch của giá trị dự báo và quan trắc Chỉ số MAE có giá trị biến thiên từ 0 đến + ∞, giá trị 0 cho biết dự báo là “hoàn hảo” Thông thường thì MAE được sử dụng cùng với ME để đánh giá độ tin cậy Chẳng hạn, nếu MAE của sản phẩm khác biệt hẳn so với ME thì việc hiệu chỉnh đó của chúng ta là hết sức mạo hiểm Trong

trường hợp ngược lại, khi mà MAE và ME tương đối “sát” với nhau thì chúng ta có thể dùng ME để hiệu chỉnh sản phẩm dự báo một cách đáng tin cậy

Sai số tương đối trung bình (Relative Mean Absolute Error - RMAE)

quan trắc Chỉ số RMAE có giá trị biến thiên từ 0 đến + ∞, giá trị 0 cho biết dự báo

là “hoàn hảo”

Sai số bình phương trung bình (Root Mean Square Error - RMSE): là căn bậc

hai của MSE

Chỉ số RMSE cho biết biên độ trung bình của sai số dự báo, nhưng không cho biết khuynh hướng của sai số Giá trị MSE và RMSE bằng 0 khi và chỉ giá trị quan trắc và giá trị dự báo bằng nhau tại mọi điểm trong không gian Điều này khó

có thể xảy ra trong thực tế và thông thường chúng đều dương Giá trị của RMSE nằm trong khoảng (0,+ ∞) Giống như MAE, RMSE không chỉ ra độ lệch giữa giá trị dự báo và giá trị quan trắc RMSE rất nhạy với những giá trị sai số lớn Do đó nếu RMSE càng gần MAE sai số mô hình càng ổn định và có thể thực hiện việc hiệu chỉnh sản phẩm mô hình Khi đem so sánh MAE và RMSE ta thấy: RMSE ≥ MAE Còn RMSE

= MAE khi và chỉ khi tất cả các sai số có độ lớn như nhau

2.3.2 Đánh giá kĩ năng dự báo theo các ngưỡng mưa

Dự báo theo ngưỡng mưa là dự báo không liên tục, thường được hiểu là giá trị xác suất hay dự báo pha Như đã biết, việc áp dụng các chỉ số đánh giá cho biến dự báo liên tục ở mục trên để đánh giá kỹ năng dự báo mưa là không phản ánh hết khả năng của mô hình Vì vậy, cần bổ sung thêm các đánh giá dự báo định lượng mưa theo các ngưỡng mưa cụ thể, lượng mưa 0.1mm, 5mm, 10mm, 20mm, 50mm

Từ các ngưỡng đánh giá cụ thể, bảng phân loại chi tiết tần suất của hiện tượng

dự báo được lập ra theo Bảng 2.2, trong đó: A là tổng số lần dự báo thành công (dự báo đúng hiện tượng có xảy ra), B là tổng số lần dự báo sót (dự báo không xảy ra hiện tượng có xảy ra), C là tổng số lần dự báo khống (dự báo xảy ra hiện tượng không xảy ra) và D là tổng số lần dự báo đúng của hiện tượng không xảy ra

Bảng 2.2 Phân loại tần suất cho biến dự báo dạng nhị phân

Quan trắc

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 giá

false alarms B FAR

hits false alarms A B

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

dự báo là hoàn hảo, vùng được dự báo trùng khớp với vùng quan trắc Chỉ số này 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 Mặc khác, chỉ số này không nói lên nguồn gốc của sai số dự báo Trong các mùa khác nhau trong năm, chỉ số này bị ảnh hưởng bởi tần suất khí hậu

TS hits misses false alarms A C B

CHƯƠNG 3 KẾT QUẢ NGHIÊN CỨU

3.1 Kết quả đánh giá định lượng mưa

Từ chuỗi số liệu dự báo mưa của mô hình IFS và số liệu mưa thực đo của các trạm khu vực Tây Nguyên tiến hành tính toán các chỉ số đánh giá cho biến liên tục gồm các chỉ số: ME, MAE, RMAE, RMSE theo hai mùa: mùa mưa từ tháng 5 đến tháng 10, mùa khô từ tháng 11 đến tháng 4

Hình 3.1 Sai số ME tại các trạm theo hạn dự báo trong mùa mưa

Xét chỉ số ME cho cả khu vực Tây Nguyên trong mùa mưa qua từng năm theo hạn dự báo từ hình 3.2 cho thấy ME có sự dao động lớn qua các năm Biểu đồ hộp giúp nhìn trực quan hơn khi so sánh 5 giai đoạn khác nhau Với chỉ số ME qua 5 năm liên tiếp theo hạn dự báo cho thấy ở năm 2014 chỉ số ME ở các trạm dao động phạm

vi lớn nhất, các năm khác dao động nhỏ hơn Năm 2018 ME có giá trị tốt nhất so với các năm khác

Hình 3.2 Sai số ME theo hạn dự báo trong mùa mưa qua từng năm

Chú thích:

Hình 3.3 thể hiện sai số trung bình của tất cả các trạm ở khu vực Tây Nguyên các hạn dự báo trong mùa khô, tương tự như trong mùa mưa thì ME chênh lệch không nhiều ở các hạn dự báo Tuy nhiên, ngược lại so với mùa mưa thì trong mùa khô mô hình có xu thế dự báo thiên cao với giá trị ME cho khu vực Tây Nguyên là 0.24mm

Ở hầu hết các trạm đều có ME > 0 ở tất cả các hạn dự báo, ngoại trừ trạm Đăk Tô có

ME < 0 ở hạn dự báo 9 ngày và 10 ngày, trạm Buôn Hồ, Đăk Nông, Liên Khương và Bảo Lộc có ME < 0 ở tất cả các hạn dự báo Nhóm trạm có sai số ME nhỏ bao gồm Đăk Tô, Ya Ly và Bảo Lộc Nhóm trạm có sai số ME lớn Buôn Hồ và Liên Khương

Hình 3.3 Sai số ME tại các trạm theo hạn dự báo trong mùa khô

Xét chỉ số ME cho cả khu vực Tây Nguyên trong mùa khô qua từng năm theo hạn dự báo thể hiện ở hình 3.4 cho thấy, ME trong mùa khô có sự dao động nhỏ hơn

so với trong mùa mưa Ở năm 2016 độ dao động phạm vi lớn hơn các năm khác Năm

2015 ME có giá trị tốt nhất trong cả giai đoạn

Hình 3.4 Sai số ME theo hạn dự báo trong mùa khô qua từng năm

3.1.2 Chỉ số MAE

Hình 3.5 thể hiện sai số tuyệt đối trung bình MAE trong mùa mưa qua đó cho thấy MAE khá nhỏ ở cả chuỗi số liệu, trung bình cho cả khu vực Tây Nguyên ở các hạn dự báo ở mức 9.20mm Chỉ số MAE cũng tăng dần theo hạn dự báo từ 8.90mm

ở hạn dự báo 5 ngày lên 9.62mm ở hạn dự báo 10 ngày Xét riêng cho từng trạm cho thấy sai số MAE có sự chênh lệch giữa các trạm với nhau, riêng trạm Cát Tiên và Bảo Lộc thuộc tỉnh Lâm Đồng có MAE lớn hơn nhiều so với các trạm còn lại, với giá trị MAE trung bình cho các hạn dự báo lần lượt là 13.05mm và 15.68mm Nhóm trạm

có MAE nhỏ gồm trạm Ya Ly và Buôn Hồ có MAE là 6.02mm và 6.71mm

Xét chỉ số MAE cho cả khu vực Tây Nguyên trong mùa mưa qua từng năm theo hạn dự báo thông qua hình 3.6, cho thấy MAE có sự dao động lớn qua các năm

Ở năm 2014 độ dao động phạm vi lớn So sánh giữa các năm có thể thấy năm 2018 chỉ số MAE 2018 là tốt nhất

Hình 3.5 Sai số MAE tại các trạm theo hạn dự báo trong mùa mưa

Hình 3.6 Sai số MAE theo hạn dự báo trong mùa mưa qua từng năm

Hình 3.7 thể hiện sai số tuyệt đối trung bình MAE trong mùa khô, có thể thấy MAE trong mùa khô nhỏ hơn MAE trong mùa mưa Tính trung bình cho cả khu vực Tây Nguyên ở các hạn dự báo MAE bằng 3.44mm Chỉ số MAE nhìn chung ít có sự thay đổi qua các hạn dự báo với MAE từ 3.33mm ở hạn dự báo 5 ngày tăng lên 3.62mm ở hạn dự báo 10 ngày Xét riêng cho từng trạm sai số MAE có sự chênh lệch giữa các trạm với nhau, trạm Buôn Hồ và Pleiku có MAE lớn hơn nhiều so với các

trạm còn lại và với giá trị trung bình cho khu vực Tây Nguyên, MAE có giá trị lần lượt là 7.75mm và 7.36mm Trạm Kon Tum và An Khê có sai số MAE nhỏ hơn các trạm khác với MAE lần lượt là 1.89mm và 2.04mm

Hình 3.7 Sai số MAE tại các trạm theo hạn dự báo trong mùa khô

Hình 3.8 Sai số MAE theo hạn dự báo trong mùa khô qua từng năm

Hình 3.8 thể hiện chỉ số MAE cho cả khu vực Tây Nguyên trong mùa khô qua từng năm theo hạn dự báo Thông qua hình cho thấy MAE có sự dao động lớn qua các năm Với chỉ số MAE qua 5 năm liên tiếp theo hạn dự báo cho thấy ở năm

2017 độ dao động lớn Năm 2014 có MAE tốt nhất so với các năm với độ dao dộng trong phạm vị hẹp giá trị MAE nhỏ

Hình 3.9 Sai số RMAE tại các trạm theo hạn dự báo trong mùa mưa

Xét chỉ số RMAE cho cả khu vực Tây Nguyên trong mùa mưa qua từng năm theo hạn dự báo cho thấy RMAE có sự dao động lớn qua các năm, với nhiều giá trị ngoại biên Chỉ số RMAE qua 5 năm liên tiếp theo hạn dự báo cho thấy ở năm 2015

độ dao động nhỏ hơn các năm khác (Hình 3.10)

Hình 3.10 Sai số RMAE theo hạn dự báo trong mùa mưa qua từng năm

Hình 3.11 Sai số RMAE tại các trạm theo hạn dự báo trong mùa khô

Hình 3.11 thể hiện sai số tương đối trong mùa khô ở các hạn dự báo ở khu vực Tây Nguyên Tính trung bình cho khu vực Tây Nguyên RMAE trong mùa khô có giá trị là 4.55 cao hơn so với trong mùa mưa Sai số RMAE trong mùa khô có sự chênh lệch giữa các hạn dự báo Trạm An Khê và AyunPa có RMAE lớn hơn rất nhiều so với các trạm khác, với giá trị RMAE trung bình cho tất cả các hạn dự báo lần lượt là