Đánh giá kỹ năng dự báo mưa lớn cho khu vực miền trung và tây nguyên của một số mô hình khu vực

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN --- Nguyễn Thanh Tú ĐÁNH GIÁ KỸ NĂNG DỰ BÁO MƯA LỚN CHO MIỀN TRUNG VÀ TÂY NGUYÊN CỦA MỘT SỐ MÔ HÌNH KHU VỰC LUẬN VĂN THẠC SĨ

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

Nguyễn Thanh Tú

ĐÁNH GIÁ KỸ NĂNG DỰ BÁO MƯA LỚN CHO MIỀN TRUNG VÀ

TÂY NGUYÊN CỦA MỘT SỐ MÔ HÌNH KHU VỰC

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – Năm 2013

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

-

Nguyễn Thanh Tú

ĐÁNH GIÁ KỸ NĂNG DỰ BÁO MƯA LỚN CHO MIỀN TRUNG VÀ

TÂY NGUYÊN CỦA MỘT SỐ MÔ HÌNH KHU VỰC

LỜI CẢM ƠN

Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới TS Bùi Minh Tăng - người

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 quý giá, giúp đỡ

và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian tôi học tập và thực hành ở Khoa

Tôi xin cảm ơn các cán bộ phòng Nghiên cứu ứng dụng (Trung tâm dự báo Khí tượng Thủy văn Trung Ương), đặc biệt là Thạc sĩ Võ Văn Hòa và Thạc sĩ Dư Đức Tiến đã tạo điều kiện, trao đổi chuyên môn cũng như có những ý kiến quý báu giúp tôi hoàn thiện luận văn này

Tôi cũng xin cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự nhiên

đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn

Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân và bạn

bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều kiện tốt nhất cho tôi trong suốt thời gian học tập tại trường

Nguyễn Thanh Tú

MỤC LỤC

MỞ ĐẦU 10

Chương 1 TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG KHÍ TƯỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ 12

1.1 Sự cần thiết của bài toán đánh giá 12

1.1.1 Mục đích và ý nghĩ của đánh giá dự báo 12

1.1.2 Mô hình đánh giá chung cho các yếu tố đánh giá thời tiết 13

1.1.3 Các loại yếu tố dự báo 14

1.1.4 Các điểm số dùng trong đánh giá 15

1.2 Tổng quan các nghiên cứu về đánh giá dự báo mưa trong và ngoài nước 16

1.2.1 Tổng quan ngoài nước 16

1.2.2 Tổng quan trong nước 17

1.3 Một số phương pháp đánh giá dự báo 19

1.3.1 Sơ đồ chung đánh giá dự báo từ mô hình dự báo số trị 19

1.3.2 Các phương pháp đánh giá 23

Chương 2 PHƯƠNG PHÁP NGHIÊN CỨU VÀ TẬP SỐ LIỆU SỬ DỤNG

29

2.1 Đặt bài toán 29

2.2 Mô tả tập số liệu nghiên cứu 32

2.2.1 Miền ti ́nh toán , đô ̣ phân giải , bước tích phân thời gian và tùy chọn tham số hóa vật lý cho mô hình HRM, WRFARW, WRFNMM 32

2.2.2 Số liệu mô hình 37

2.2.3 Số liệu quan trắc 38

2.3 Phương pháp đánh giá dự báo mưa lớn 38

2.3.1 Phương pháp đánh giá định lượng 39

2.3.2 Phương pháp đánh giá theo ngưỡng mưa 39

Chương 3 KẾT QUẢ ĐÁNH GIÁ KỸ NĂNG DỰ BÁO MƯA LỚN CỦA

MÔ HÌNH HRM-gfs, WRFARW-gfs VÀ WRFNMM-gfs CHO KHU VỰC

MIỀN TRUNG VÀ TÂY NGUYÊN 40

3.1 Kết quả đánh giá các đợt mưa lớn từ năm 2008 đến 2010 cho khu vực miền Trung và Tây Nguyên 40

3.2 Kết quả đánh giá dự báo mưa lớn của một số trường hợp điển hình cho khu vực miền Trung và Tây Nguyên 52

3.2.1 Dự báo 24h đợt mưa từ ngày 25-27/7/2010 khu vực Trung Trung Bộ của 3 mô hình 53

3.2.2 Dự báo 24h đợt mưa từ ngày 30/9-5/10/2010 khu vực Bắc Trung Bộ của 3 mô hình 55

KẾT LUẬN 60

TÀI LIỆU THAM KHẢO 62

PHỤ LỤC 65

DANH MỤC CÁC HÌNH VẼ

Hình 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết 13

Hình 1.2 Sơ đồ chung cho đánh giá mô hình dự báo thời tiết số 20

Hình 2.1 Miền tích phân dự báo của mô hình HRM 34

Hình 2.2 Miền tích phân dự báo của mô hình WRFARW 36

Hình 2.3 Miền tích phân dự báo của mô hình WRFNMM 37

Hình 3.1 Dự báo trong 3 ngày lượng mưa trung bình của các đợt mưa lớn khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 bằng mô hình HRM 40

Hình 3.2 Dự báo trong 3 ngày lượng mưa trung bình của các đợt mưa lớn khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 bằng mô hình WRFARW 41

Hình 3.3 Dự báo trong 3 ngày lượng mưa trung bình của các đợt mưa lớn khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 bằng mô hình WRFNMM 42

Hình 3.4 Các chỉ số ME, MAE, RMSE và hệ số tương quan của các đợt mưa lớn khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 với hạn dự báo 24h, 48h, 72h 43

Hình 3.5 Chỉ số BIAS của các đợt mưa lớn khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 với hạn dự báo 24h, 48h, 72h 44

Hình 3.6 Chỉ số POD của các đợt mưa lớn khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 với hạn dự báo 24h, 48h, 72h 45

Hình 3.7 Chỉ số FAR của các đợt mưa lớn khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 với hạn dự báo 24h, 48h, 72h 46

Hình 3.8 Các chỉ số ME, MAE, RMSE và hệ số tương quan của các đợt mưa lớn cho từng khu vực năm 2008 đến 2010 47

Hình 3.9 Các chỉ số BIAS, POD, FAR khu vực Bắc Trung Bô ̣ năm 2008 đến 2010 48

Hình 3.10 Các chỉ số BIAS , POD, FAR khu vực Trung Trung Bô ̣ năm 2008 đến 2010 49

Hình 3.11 Các chỉ số BIAS, POD, FAR khu vƣ̣c Nam Trung Bô ̣ năm 2008 đến 201050 Hình 3.12 Các chỉ số BIAS, POD, FAR khu vƣ̣c Tây Nguyên năm 2008 đến 2010 51 Hình 3.13 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực Trung Trung Bộ ngày 25/7/2010 53 Hình 3.14 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực Trung Trung Bộ ngày 26/7/2010 54 Hình 3.15 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực Trung Trung Bộ ngày 27/7/2010 55 Hình 3.16 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực Bắc Trung Bộ ngày 30/9/2010 56 Hình 3.17 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực Bắc Trung Bộ ngày 01/10/2010 57 Hình 3.18 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực Bắc Trung Bộ ngày 02/10/2010 58 Hình 3.19 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực Bắc Trung Bộ ngày 04/10/2010 59

DANH MỤC CÁC BẢNG

Bảng 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết 26 Bảng 2.1 Cấu hình động lực, vật lý và phương pháp số của mô hình HRM 34 Bảng 2.2 Cấu hình động lực, vật lý và phương pháp số của mô hình WRFARW 35

BẢNG KÝ HIỆU CÁC CHỮ VIẾT TẮT XTNĐ Xoáy thuận nhiệt đới

QPF Kiểm tra giáng thủy định lượng

MM5 Mô hình qui mô vừa của Trung tâm Nghiên cứu khí tượng Quốc

Gia Hoa Kỳ và Đại học bang Pennsylvania thế hệ thứ 5 (The NCAR/PSU 5th Generation Mesoscale Model)

ME Sai số trung bình (Mean Error)

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

MSE Sai số bình phương trung bình

RMSE Sai số bình phương trung bình (Root Mean Sqare Error)

FBI(BS) Tỷ số giữa vùng dự báo và vùng thám sát (Frequency Bias)

POD Xác suất phát hiện (Probability Of Detection of Event)

FAR Tỉ lệ phát hiện sai (False Alarm Ratio)

ETS Điểm số thành công hợp lý

ITCZ Dải hội tụ nhiệt đới

GFS Hệ thống dự báo toàn cầu của Hoa Kỳ (Global Forecasting

System)

MỞ ĐẦU

Phương pháp dự báo số trị - dự báo bằng mô hình thuỷ động lực học hiện đại

có phân giải cao áp dụng cho từng khu vực đã được sử dụng ở nhiều nước trên thế giới, đặc biệt là các nước phát triển Chất lượng dự báo về hiện tượng mưa lớn cao hơn hẳn các phương pháp dự báo ra đời trước đó và sản phẩm số của mô hình dự báo có thể đảm bảo các yêu cầu của các mô hình dự báo thuỷ văn đối với lũ lụt, lũ quét Một trong những nhân tố quyết định gây nên sự hình thành và phát triển mưa lớn trong các hiện tượng thời tiết nguy hiểm như xoáy thuận nhiệt đới (XTNĐ), dải hội tụ nhiệt đới là đối lưu mây tích Các quá trình đối lưu này đóng vai trò quan trọng trong chu trình vận chuyển năng lượng của khí quyển và do đó phân bố lại sự đốt nóng không đồng đều trên bề mặt trái đất Ngoài phụ thuộc vào độ hội tụ ẩm mực thấp, đối lưu mạnh còn phụ thuộc vào tính bất ổn định của khí quyển Các quá trình qui mô vừa như vậy chỉ có thể tính được bằng các mô hình số trị

Thêm vào đó mưa là hiện tượng thời tiết khó dự báo nhất Không những chỉ khó dự báo mà việc đánh giá dự báo mưa cũng là một việc hết sức khó khăn và phức tạp Trước hết khó khăn nằm ngay trong bản chất trường yếu tố mưa là trường bất liên tục và không cố định cả theo thời gian lẫn không gian ; nhiều đặc trưng thống kê có tính quy luật ở những yếu tố khí tượng khác , nhưng lại không có ở số liệu mưa, làm cho việc xử lý số liệu mưa cũng rất phức tạp Xong dự báo mưa lớn lại có vai trò đặc biệt quan trọng trong phục vụ dự báo , nhất là phục vụ phòng chống thiên tai Vì vậy, dự báo và đánh giá mưa lớn là vấn đề quan trọng cần thiết phải nghiên cứu

Luận văn này tập trung vào việc đánh giá kỹ năng dự báo 24h, 48h, 72h của mưa lớn cho miền Trung và Tây Nguyên của ba mô hình dự báo thời tiết số đang được tiến hành chạy nghiệp vụ tại Trung tâm Dự báo Khí tượng Thủy văn Trung ương là mô hình HRM-gfs, WRFARW-gfs và WRFNMM-gfs Ngoài phần Mở đầu, Kết luận và Tài liệu tham khảo, luận văn được bố cục cụ thể như sau:

Chương 1 Tổng quan về bài toán đánh giá dự báo trong khí tượng và các chỉ

số đánh giá

Chương 2 Phương pháp nghiên cứu và tập số liệu sử dụng

Chương 3 Kết quả đánh giá kỹ năng dự báo mưa lớn của mô hình HRM-gfs, WRFARW-gfs và WRFNMM-gfs cho khu vực miền Trung và Tây Nguyên

CHƯƠNG 1 TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG

KHÍ TƯỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ 1.1 Sự cần thiết của bài toán đánh giá

1.1.1 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 tập giá trị quan trắc Các hoạt động đánh giá chỉ có ích khi giúp ta đưa ra được những kết luận cuối cùng cho sản phẩm dự báo được đánh giá Để đánh giá thì kết quả dự báo phải đầy đủ và khách quan còn các quan trắc phải mô tả chính xác những gì có trong thực tế

Theo Barbara Brown (2007), đánh giá chất lượng dự báo thời tiết bao gồm 3 mục đích chính:

a Mục đích hành chính

Đánh giá theo mục đích hành chính là để chứng tỏ những lợi ích mà công tác

dự báo đem lại Thông tin đánh giá có nhiều ứng dụng mang tính hành chính như: cung cấp thông tin cho việc mua sắm các trang thiết bị hay xác định khi nào và có nên thay đổi sản phẩm dự báo bằng một sản phẩm khác… Đánh giá hành chính được sử dụng để giám sát thường xuyên chất lượng tổng thể của các dự báo và theo dõi những thay đổi về chất lượng của chúng qua từng thời kỳ

b Mục đích khoa học

Mục đích khoa học của đánh giá chất lượng dự báo để nhận biết chi tiết các

ưu điểm và nhược điểm của một sản phẩm dự báo để từ đó có những hành động tích cực nhằm cải thiện dự báo Bên cạnh đó, đánh giá khoa học cũng cung cấp trực tiếp các thông tin cho hướng nghiên cứu và phát triển dự báo

c Mục đích kinh tế

Vì mục đích kinh tế là vấn đề phức tạp nên giới hạn luận văn này không xem xét đến

1.1.2 Mô hình đánh giá chung cho các yếu tố dự báo thời tiết

Hình 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết

Theo tác giả Henry R Stanski và các cộng sự (1989), hình 1.1 là mô hình chung nhất để đánh giá dự báo các yếu tố thời tiết và tóm tắt các kiểu quyết định được đưa ra trước khi một phương pháp đánh giá chuyên dụng được lựa chọn

Tất cả các phương pháp đánh giá đều được bắt đầu từ việc tập hợp các tập số liệu quan trắc và dự báo Sau đó bước tiếp theo là xử lý các tập số liệu

Khi mục đích đánh giá được thiết lập, một tập mẫu có thể được phân loại để

đáp ứng mục đích đã định sẵn “Phân loại ngoại bộ” nghĩa là đánh giá theo nguyên

tắc lựa chọn một cách độc lập các yếu tố cần đánh giá Phân loại ngoại bộ có thể được thực hiện ở bất cứ thời điểm nào trong quá trình trước các tính toán thống kê đánh giá thực sự và có thể thực hiện cho cả mục đích hành chính và mục đích khoa học

“Phân loại nội bộ” có nguyên tắc phân loại được xác định theo mục đích

đánh giá và sử dụng chính yếu tố đang được đánh giá Có hai cách để thực hiện phân loại nội bộ với kiểu đánh giá cho mỗi cách này là khác nhau

“Phân loại theo quan trắc” nghĩa là phân loại theo giá trị của các yếu tố khí

tượng quan trắc được Sau đó, các đại lượng đánh giá có thể được tính toán cho

từng nhóm giá trị quan trắc và giá trị thống kê được tạo thành này gọi là giá trị “có

điều kiện đối với quan trắc”

“Phân loại theo dự báo” nghĩa là phân loại theo giá trị của các yếu tố thời

tiết được dự báo Tương tự như trên, các con số thống kê được tính toán theo cách

phân loại này được gọi là các giá trị “có điều kiện đối với dự báo”

Việc lựa chọn kiểu phân loại phụ thuộc vào yêu cầu đánh giá và nhiều khi sẽ cần phải sử dụng cả hai cách phân loại trên để đưa ra một câu trả lời hoàn chỉnh

1.1.3 Các loại yếu tố dự báo

Dựa theo các mục đích đánh giá người ta chia ra thành hai dạng dự báo là:

dự báo các đại lượng liên tục và dự báo pha

“Yếu tố dự báo liên tục” là các yếu tố được dự báo tại một giá trị riêng hoặc

trong một khoảng giá trị dự báo Trong số các yếu tố thời tiết thì nhiệt độ và gió hay được dự báo theo cách này

“Yếu tố dự báo pha” 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

1.1.4 Các điểm số dùng trong đánh giá

Các điểm số dùng trong đánh giá được minh họa theo từng cặp ở phía dưới hình 1.1 cho ta thấy được mối quan hệ giữa chúng

Các điểm số liệt kê trên hình 1.1 gồm 3 loại: Các điểm số tuyến tính, các điểm số toàn phương (bậc hai) và các điểm số kỹ năng

Điểm số toàn phương đưa ra trọng số của các sai số theo bình phương của chúng trong khi đó điểm số tuyến tính cho trọng số sai số có giá trị bậc nhất Vì vậy điểm số toàn phương thường đưa ra trọng số sai số lớn hơn là điểm số tuyến tính và điểm số này rất hữu dụng trong các trường hợp các sai số lớn thực sự nghiêm trọng hơn so với các sai số nhỏ

Điểm số kỹ năng được xây dựng để đánh giá mối quan hệ giữa các dự báo và một giá trị chuẩn nào đó Giá trị chuẩn được chọn lựa để mô tả một dự báo không

kỹ năng Ba tiêu chuẩn được sử dụng để so sánh là: chuẩn ngẫu nhiên, chuẩn quán tính và chuẩn khí hậu Chuẩn ngẫu nhiên mô tả sự phỏng đoán thuần túy và không yêu cầu hiểu biết tri thức, chuẩn quán tính là một dự báo xác định và yêu cầu các hiểu biết về điều kiện thời tiết ban đầu và chuẩn khí hậu là một dự báo thời tiết trung bình trong khoảng thời gian dài và cần phải có sự hiểu biết về lịch sử của thời tiết Điểm số kỹ năng được biểu diễn trong công thức sau:

SC ST SS

PS ST







trong đó SC là điểm số có được từ dự báo, ST là điểm số đạt được từ dự báo chuẩn

và PS là điểm số từ dự báo hoàn hảo Các điểm số kỹ năng có thể thu được từ việc

sử dụng bất kỳ một trong các điểm số tổng hợp Điểm số kỹ năng phổ biến nhất dựa trên nền tảng của điểm Brier (điểm kỹ năng Brier), điểm RP (điểm kỹ năng RP), các giá trị của bảng ngẫu nhiên (điểm Heidke) và sai số trung bình tuyệt đối Tiêu chuẩn thường được sử dụng nhất là chuẩn khí hậu còn điểm Heidke lại thường được kết

hợp với chuẩn ngẫu nhiên Không có điểm kỹ năng cơ bản nào là quan trọng hơn, chúng bình đẳng như nhau và đều biểu hiện đặc tính của kỹ năng

1.2 Tổng quan các nghiên cứu về đánh giá dự báo mưa trong và ngoài nước

M Goeber, S F Milton, C.A Wilson đã nghiên cứu và đưa ra nhâ ̣n đi ̣nh rằng qua GTS có thể thấy các quan trắc giáng thủy có sẵn thiếu tính đa ̣i diê ̣n Trong năm 1995, WGNE đã khởi xướng viê ̣c kiểm tra các QPF (kiểm tra giáng thủy đi ̣nh lươ ̣ng) từ các mô hình NWP (mô hình dự báo thời tiết số) với các quan trắc giáng thủy chất lượng cao ở các khu vực khác nhau trên thế giới Các kết quả đầu tiên của nghiên cứu này thu được cho Úc, Đức và Mỹ (McBride và Ebert (2000), Ebert và các cộng sự (2002)) Ở đây, các dự báo lượng giáng thủy ngày tích lũy lên đến 3 ngày, các mô hình số dự báo thời tiết đã đươ ̣c kiểm chứng ở Vương quốc Anh cho hơn một năm (các mẫu hơi khác nhau giữa các mô hình do các vấn đề truyền dẫn) Các số liệu mô hình đươ ̣c downsacle hoă ̣c upscale đến một độ phân giải chung 96*96 km2 Các dự báo được so sánh với các tích lũy upscale hàng ngày thu được từ các quan trắc radar chất lượng đã được giám sát và hiệu chuẩn (Harrison và các

cô ̣ng sự (2000)) ở quần đảo Anh và các vùng biển lân cận Ngoài ra , Masayuki Hirai, Takuya Sakashita cũng đã tiến hành các QPF ở Nhâ ̣t Bản năm 2002

A Papadopoulos và P Katsafados đã sử du ̣ng các quan trắc bề mă ̣t từ hơn

900 trạm thông thường để xác minh và so sánh những dự báo phân loại của trường gió 10 m, trường nhiệt đô ̣ không khí 2 m, trường áp suất mực nước biển 3 giờ và trường lượng mưa tích lũy 6 giờ Việc đánh giá các hê ̣ thống dựa trên việc so sánh điểm - điểm giữa các biến số mô hình được tạo ra và các quan trắc bề mặt có liên quan Do đó, một thủ tục đánh giá đã được phát triển dựa trên ước tính của các kỹ thuâ ̣t 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 lỗi mô hình được đánh giá cao 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

Trong nghiên cứ u của mình , N Tartaglione1, S Mariani, C Accadia, A Speranza và M Casaioli đã đánh giá lượng mưa mô hình với giáng thủy quan trắc đươ ̣c bởi mạng lưới thùng đo mưa dày đặc trên đảo Síp Áp dụng phương pháp kiểm nghiê ̣m là phân tíc h diê ̣n tích mưa tiếp giáp (CRA) Tác động vào các kết quả CRA, khi xem xét các mảng khác nhau của loại kiểm nghiệm và miền con khác nhau của các chỉ số (tương quan và sai số quân phương ) được sử dụng để so sánh Kết quả cho thấy cần chú ý khi thử nghiệm lượng mưa mô hình trên một miền nhỏ hơn so với mô hình

Theo Beth EbertB, phương pháp định hướng đối tượng đánh giá (dựa trên thực thể) CRA đánh giá các đă ̣c tính của các dự báo không gian cho các thực thể nơi một thực thể là bất cứ điều gì có thể được xác định bởi một đường viền khép kín Một số ví dụ về các thực thể hoặc các gio ̣t nước là những khu vực mưa tiếp giáp (phương pháp này được đặt tên CRA), khu vực triển vo ̣ng đối lưu và áp suất thấp cực tiểu Đối với mỗi thực thể có thể được xác định trong dự báo và các quan trắc , đánh giá CRA sử dụng các kỹ thuật mô hình phù hợp để xác định sai số vị trí cũng như các sai số trong diê ̣n tích , cường đô ̣ trun g bình và tối đa , dạng phân bố không gian Tổng sai số có thể được phân tích thành các thành phần do sai số vị trí, lượng

và dạng phân bố không gian Điều này rất hữu ích cho các nhà phát triển mô hình, những người cần thông tin đó để cải thiện các mô hình dự báo thời tiết số Ngoài ra, các thực thể đánh giá chính bản thân chúng có thể được phân loại là "hit", "miss"… theo cách mà chúng ở gần vị trí dự báo đến vị trí quan sát như thế nào và cường độ tối đa được đại diện bởi dự báo tốt như thế nào Đánh giá sự kiện này có thể hữu ích cho việc giám sát thực hiện dự báo

Bài toán đánh giá dự báo trong khí tượng và các chỉ số đánh giá của các mô hình số trị ở Việt Nam đến nay đã có nhiều công trình được công bố như công trình của TS Hoàng Đức Cường và các cộng sự (2008), đã dùng các chỉ số sai số trung bình ME, sai số bình phương trung bình RMSE và sai số trung bình tuyê ̣t đối MAE

để đánh giá thử nghiệm dự báo mưa lớn ở Việt Nam bằng mô hình MM5 Kết quả thu đươ ̣c là: Trong số các sơ đồ tham số hóa vật lý của mô hình số trị khu vực , có lẽ

sơ đồ tham số hóa đối lưu có độ nhạy lớn nhất đối với dự báo mưa Các tác giả nhận thấy mưa dự báo của mô hình MM 5 tương đối khác nhau ở cả hai miền tính khi sử dụng các sơ đồ tham số hóa đối lưu khác nhau Sự khác biệt trong dự báo mưa thể hiện trong cả diện mưa và lượng mưa Các chỉ số RMSE, ME, MAE và hệ số tương quan giữa lượng mưa thực tế và lượng mưa dự báo bằng mô hình MM5 với các sơ

đồ tham số hóa đối lưu khác nhau: Kuo, Grell và Betts Miller thì trong cả 3 đối tượng lượng mưa so sánh thì mô hình MM5 với sơ đồ tham số hóa đối lưu Kuo cho kết quả khả quan nhất Trong đó sơ đồ đối lưu Kuo và Betts Miller thường dự báo mưa lớn hơn so với thực tế (ME có giá trị dương) và sơ đồ đối lưu Grell dự báo lượng mưa nhỏ hơn so với thực tế (ME có giá trị âm) Hệ số tương quan giữa lượng mưa thực tế và lượng mưa dự báo đạt 0.3 - 0.4 và là khá cao đối với một yếu tố có

sự biến động tương đối lớn như lượng mưa

Trần Quang Năng (2009), qua kết quả phân tích đánh giá đầy đủ, khách quan các chỉ tiêu cho khu vực Đông Bắc Bộ trong 5 tháng mùa mưa (tháng 6, 7, 8, 9,10) của 3 năm số liệu 2005, 2006, 2007 và so sánh dự báo của mô hình ứng với từng hình thế thời tiết cụ thể Nói chung mô hình HRM cho dự báo lượng mưa thường cao hơn lượng mưa thực tế đo được Các chỉ tiêu đánh giá theo biến liên tục cũng như theo biến cấp định lượng 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

Các tác giả Trần Tân Tiến và Nguyễn Thị Thanh (2011) đã sử dụng số liệu

vệ tinh MODIS để đồng hóa trường ban đầu cho mô hình WRF bằng phương pháp 3DVAR để dự báo mưa lớn khu vực Trung Trung Bộ trong hai mùa mưa 2007,

2008 Để đánh giá khả năng dự báo có và không có mưa, đồng thời đánh giá khả năng dự báo mưa lớn của mô hình, các tác giả đã chọn các ngưỡng mưa từ nhỏ đến lớn, cụ thể các ngưỡng mưa 1, 5, 15, 20, 30, 50, 100, 150 và 200mm/ngày Thông

qua đánh giá các điểm số FBI, CSI và POD với các hạn dự báo 06-30h và 30-54h cho các đợt mưa lớn khu vực miền Trung năm 2007, 2008 với cả hai trường hợp không (GFS) và có đồng hoá số liệu (3DV), các tác giả đã nhận thấy việc đồng hóa đã tăng độ chính xác dự báo mưa lớn

Phạm Thị Tuyết Mây (2012), xét chung cho toàn chuỗi số liệu thấy mô hình HRM cho dự báo lượng mưa thiên cao, còn mô hình MM5 dự báo mưa thiên thấp

Cả hai mô hình đều cho các giá trị độ lệch trung bình giữa dự báo và quan trắc lúc

âm lúc dương (lúc dự báo thấp hơn thám sát, lúc lại dự báo cao hơn thám sát) Hệ số tương quan của HRM ổn định hơn trong các mùa so với MM5 Kết hợp giữa các chỉ

số có thể thấy mô hình HRM có tính ổn định và mức độ tin cậy cao hơn so với mô hình MM5 Ở cả hai mô hình, dự báo mưa ở các ngưỡng mưa thấp cho kết quả chính xác (độ tin cậy cao hơn) so với các ngưỡng mưa lớn

1.3 Một số phương pháp đánh giá dự báo

1.3.1 Sơ đồ chung đánh giá dự báo từ mô hình dự báo số trị

1.3.1.1 Những nguyên nhân gây ra sai số dự báo bằng mô hình số

Mô hình dự báo thời tiết số cho ra kết quả các sản phẩm dự báo từ việc phân tích các phương trình mô tả những quá trình vật lý xảy ra trong khí quyển bằng máy tính Những kết quả này không phải là một dự báo hoàn hảo bởi nó không thể mô tả hết được những thay đổi trong khí quyển Những nguyên nhân gây ra sai số dự báo của mô hình dự báo số trị bao gồm:

- Những hiểu biết của chúng ta về các công thức toán học và vật lý còn chưa đầy đủ

- Ảnh hưởng của địa hình lên kết quả dự báo (thường không được mô hình mô tả hoàn chỉnh)

- Những hiểu biết về điều kiện ban đầu còn hạn chế bởi chúng ta chỉ lấy một số lượng hạn chế các điểm trong không gian để tính toán

- Chúng ta phải điều chỉnh và đơn giản hóa các phương trình toán học trong mô hình để rút ngắn thời gian tính toán nhằm đưa ra được các sản phẩm dự báo kịp thời

- Vẫn còn tồn tại các sai số trong quá trình hoàn tất tính toán…

1.3.1.2 Nguyên tắc chung để đánh giá sản phẩm dự báo số trị

Hình 1.2 Sơ đồ chung cho đánh giá mô hình dự báo thời tiết số

Hình 1.2 mô tả một nguyên tắc chung cho việc đánh giá sản phẩm dự báo số trị Đánh giá được bắt đầu với một tập số liệu bao gồm cả số liệu dự báo và số liệu quan trắc Bộ số liệu này phải được sắp xếp đối xứng với nhau theo không gian và thời gian Theo quy mô không gian, số liệu quan trắc sẽ được phân tích về lưới của

số liệu dự báo hoặc số liệu dự báo phải được nội suy theo không gian về các điểm quan trắc Tuy nhiên, cách thứ nhất ít được làm hơn vì có những ý kiến cho rằng khi tập số liệu quan trắc được nội suy về điểm lưới thì nó đã không còn mang tính khách quan vốn có như trước khi nội suy Vì vậy, điều quan trọng trong đánh giá

mô hình là phải luôn ghi nhớ cần kiểm tra lại số liệu quan trắc khi đánh giá kết quả

Để đánh giá một sản phẩm mô hình số có hiệu quả thì cần phải xác định được rõ mục đích đánh giá trước khi thiết lập hệ thống đánh giá “Đánh giá hành chính” trả lời câu hỏi về các xu hướng trong kỹ năng và độ chính xác của mô hình

Nó thường được sử dụng để so sánh độ chính xác của hai mô hình khác nhau

“Đánh giá khoa học” trả lời các câu hỏi về sự thay đổi theo không gian và thời gian trong sự biểu diễn của mô hình để cung cấp thông tin có thể phản hồi lại cho các nhà phát triển mô hình cải tiến mô hình hay cho các dự báo viên để thay đổi

xu hướng dự báo

“Phân loại ngoại bộ” nghĩa là phân chia tập số liệu đánh giá theo mùa hoặc theo thời gian chạy của mô hình hoặc theo quy luật chọn lựa khác độc lập với các thông số đang được đánh giá Phân loại theo mùa là cách sử dụng phổ biến để phát hiện sự khác nhau trong đặc trưng giữa các mùa

Phân loại theo không gian có thể được làm vì mục đích quản lý hành chính hoặc vì mục đích khoa học Phân loại theo không gian được tiến hành theo mục đích hành chính để thấy được sự khác biệt trong độ chính xác trên các khu vực của

mô hình tương ứng với các khu vực quản lý hành chính của đất nước Khi tiến hành phân loại không gian theo mục đích khoa học, các khu vực có quy mô dưới lưới được ưu tiên lựa chọn để phản ánh các chế độ khí hậu khác nhau như các khu vực

có đồi núi, các vùng khuất gió của núi, bờ biển…

1.3.1.3 Các thuộc tính của một dự báo

Một đánh giá đơn lẻ không thể cho ta biết được thông tin đầy đủ về chất lượng của sản phẩm Tất cả đều cung cấp thông tin về một hoặc một số thuộc tính của sản phẩm dự báo Do đó, một hệ thống đánh giá sẽ bao gồm cả việc tính toán

các đại lượng được chọn khác nhau để mô tả các thuộc tính thích hợp phục vụ cho mục đích đánh giá

a) Độ chính xác là thuật ngữ chung chỉ ra mức độ chính xác, phù hợp giữa thời tiết

dự báo và thời tiết thực được thể hiện qua các quan trắc Sự khác nhau giữa một giá trị quan trắc và một giá trị dự báo được gọi là sai số Sự khác nhau này càng nhỏ thì sai số sẽ càng nhỏ và độ chính xác sẽ càng cao

Đôi khi độ chính xác cũng được biểu hiện thông qua các thuộc tính khác của

dự báo như độ tin cậy, độ phân giải hay độ không chắc chắn

b) Kỹ năng dự báo hay độ chính xác tương đối được định nghĩa như độ chính xác

của một dự báo tương đối so với độ chính xác của một sản phẩm dự báo chuẩn Theo tiêu chuẩn chung, các dự báo chuẩn như chuẩn khí hậu, dự báo quán tính, dự báo ngẫu nhiên được coi là không có kỹ năng Ý nghĩa của điểm kỹ năng là ở chỗ, chúng sẽ cho ta thấy sự khác biệt về độ chính xác giữa các dự báo khác nhau

c) Độ tin cậy là sự phù hợp trung bình giữa các giá trị dự báo và các giá trị quan

trắc Nếu tất cả các trường hợp dự báo được xem xét khi đó độ tin cậy trên toàn bộ giống như thiên hướng (bias – là mức độ phù hợp giữa trung bình quan trắc và trung bình dự báo) Nếu các trường hợp dự báo được phân chia thành các khoảng khác nhau hoặc theo các phân hạng thì độ tin cậy giống như độ lệch có điều kiện Thông thường độ tin cậy được cải tiến nhờ Bias nhưng sau khi cải tiến làm độ tin cậy của các dự báo tương đương tăng lên thì chính Bias lại sẽ bị khử đi

d) Độ phân giải là khả năng mà dự báo có thể phân chia hoặc phân tích một tập mẫu

thành các phần nhỏ với phân bố tần suất khác nhau Độ phân giải liên quan đến độ lệch chuẩn hay phương sai của các quan trắc được phân nhóm theo dự báo Độ phân giải cũng phụ thuộc vào kinh nghiệm và trình độ của dự báo viên Trong các mô hình dự báo số trị, độ phân giải thường được ngầm hiểu theo không gian

e) Độ nhọn là xu hướng của dự báo có thể dự báo được các giá trị cực trị Độ nhọn

là một thuộc tính của dự báo, tương tự như độ phân giải, một dự báo có thể có thuộc tính này ngay cả khi nó sai (trong trường hợp này nó có thể là kém tin cậy)

f) Độ không chắc chắn là sự dao động của các giá trị quan trắc trong tập mẫu đánh

giá và không phụ thuộc vào giá trị dự báo Đối với các biến được dự báo theo pha thì độ biến động là 1 nếu sự kiện xảy ra và 0 nếu sự kiện không xảy ra Đại lượng này liên quan đến độ “khó” của dự báo Độ biến động càng lớn nghĩa là sẽ có những dao động lớn với nhiều tần số khác nhau trong yếu tố dự báo được đánh giá và việc

dự báo sẽ khó khăn hơn Độ biến động của từng tập số liệu rất khác nhau Do đó, việc so sánh giữa các con số đánh giá thống kê của tập số liệu là hết sức mạo hiểm

vì chúng thường rất nhạy với độ biến động

1.3.2 Các phương pháp đánh giá

1.3.2.1 Phương pháp đánh giá với biến liên tục

a) Phương pháp toán đồ tụ điểm

Toán đồ tụ điểm được xem là công cụ đánh giá đơn giản nhất Phương pháp này thường được dùng để đánh giá các biến liên tục như nhiệt độ và gió Nó thường bao gồm tất cả các giá trị quan trắc và dự báo được chấm lên cùng một đồ thị Trục tung và trục hoành có cùng một tỷ lệ Trong mỗi đồ thị còn có đường hồi quy và đường 45o Đường 45o thường được vẽ ra để thuận tiện cho việc đánh giá trên đồ thị Nếu dự báo là hoàn hảo thì đường hồi quy sẽ trùng khít với đường 45o Vị trí tương đối giữa hai đường này biểu thị độ tin cậy

)OF(N

1

Giá trị của ME nằm trong khoảng (-∞, +∞) 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 giá trị dự báo vượt quá giá trị quan trắc và ngược lại Mô hình được xem là “hoàn hảo” (không thiên lệch về phía nào) nếu ME = 0

- Sai số tuyệt đối trung bình MAE

FN

1

Giá trị MAE nằm trong khoảng (0,+∞) MAE biểu thị độ lớn trung bình của sai số mô hình nhưng không nói lên xu hướng lệch của giá trị dự báo và quan trắc Khi MAE = 0, giá trị của mô hình hoàn toàn trùng khớp với giá trị quan trắc, mô hình được xem là “lý tưởng” Thông thường 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 là hết sức mạo hiểm Trong trường hợp ngược lại, khi MAE và

ME tương đối “sát” với nhau thì có thể dùng ME để hiệu chỉnh sản phẩm dự báo một cách đáng tin cậy

- Sai số bình phương trung bình MSE





N 1 i

2 i

F(N

2 i

F(N

1

Sai số bình phương trung bình là một trong những đại lượng cơ bản và thường được sử dụng phổ biến cho việc đánh giá kết quả của mô hình dự báo số trị Người ta thường hay sử dụng đại lượng sai số bình phương trung bình quân phương (RMSE) biểu thị độ lớn trung bình của sai số 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 Giống như MAE, RMSE không chỉ ra độ lệch giữa giá trị dự báo và giá trị quan trắc Giá trị của RMSE nằm trong khoảng (0,+ ∞) Khi 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: RMSE = MAE =0

i i

N

i

i i

O O F

F

O O F F r

1

2 1

2 1

)(

)(

))(

(

(1.5)

Hệ số tương quan cho phép đánh giá mối quan hệ tuyến tính giữa tập giá trị

dự báo và tập giá trị quan trắc Giá trị của nó biến thiên trong khoảng -1 đến 1, giá trị hoàn hảo bằng 1 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), hệ số tương quan âm biểu thị mối quan hệ ngược chiều (nghịch biến) giữa dự báo và quan trắc

1.3.2.2 Phương pháp đánh giá với dự báo pha

Trường hợp đơn giản nhất của các biến phân hạng là biến nhị phân (chỉ có hai giá trị), áp dụng trong đánh giá mô phỏng, dự báo hiện tượng (chỉ có hai cấp hay hai pha), ví dụ mưa có xuất hiện hay không Trong trường hợp này người ta thường sử dụng bảng phân loại như mô tả trong bảng 1.1, trong đó N=A+B+C+D là dung lượng mẫu Bảng 1.1 chỉ ra các tần suất dự báo và quan trắc có và không Có tất cả bốn cách kết hợp giữa dự báo (có hoặc không) và quan trắc (có hoặc không),

ta gọi đó là phân bố chung

Phân bố chung bao gồm:

- Tỷ lệ dự báo trúng (hit): đối tượng được dự báo là xảy ra và thực tế đã xảy ra

- Dự báo sai (miss): đối tượng được dự báo là không xảy ra nhưng thực tế lại xảy ra

- Báo động sai (false alarms): đối tượng được dự báo là xảy ra nhưng thực tế không xảy ra

- Dự báo đúng „yếu‟ (correct negative): đối tượng được dự báo là không xảy ra và thực tế không xảy ra

Bảng 1.1 Bảng phân loại tần số xuất hiện các sự kiện

“báo động sai” và “dự báo sai”

Các chỉ số đánh giá được sử dụng trong khuôn khổ luận văn dựa trên thống

kê từ bảng 1.1 bao gồm:

- Chỉ số FBI (hay BS): Đánh giá tỷ số giữa vùng dự báo và vùng thám sát

FBI < 1: vùng dự báo nhỏ hơn vùng thám sát

FBI > 1: vùng dự báo lớn hơn vùng thám sát

FBI = 1: vùng dự báo trùng với vùng thám sát (giá trị lý tưởng)

A B FBI

A C





FBI là tỉ lệ giữa số lần có xảy ra hiện tượng theo mô hình và theo quan trắc Giá trị FBI biến đổi trong khoảng từ 0 đến +∞ FBI càng nhỏ hơn 1 mô hình cho kết quả càng sai sót nhiều; FBI càng lớn hơn 1 mô hình cho kết quả càng sai khống nhiều Giá trị lý tưởng là FBI = 1 Đại lượng FBI chỉ cho biết mức độ phù hợp giữa

mô hình và quan trắc về tần số xuất hiện nhưng không phản ánh độ chính xác của

mô hình

- Xác suất phát hiện (POD)

A POD

“dự báo trúng”, không nhạy đối với “báo động sai”

- Chỉ số FAR (tỷ lệ phát hiện sai)

B FAR

A tiến gần tới 0) thì mô hình càng kém

- Chỉ số ETS (điểm số thành công hợp lý)

r

r

A ETS

A C B

A A





Trong đó

dự báo mƣa của mô hình số vì tính “công bằng” của nó Chỉ số này rất nhạy cảm với các dự báo đúng vì nó xử lý “B” và “C” theo cùng một cách, không phân biệt nguồn gốc của sai số dự báo

CHƯƠNG 2 PHƯƠNG PHÁP NGHIÊN CỨU VÀ TẬP SỐ LIỆU SỬ DỤNG 2.1 Đặt bài toán

Địa hình các tỉnh miền Trung có đồi núi khá phức tạp bao gồm hệ thống dãy núi Trường Sơn kéo dài từ Thanh Hoá đến vùng cao nguyên Kon Tum và nhô dần

ra sát biển tạo nên nhiều mũi, nhiều đèo chia miền Trung thành những vùng khí hậu khác nhau Tính phức tạp đa dạng của địa hình, hướng bờ biển của miền Trung đã ảnh hưởng trực tiếp đến thời tiết và chế độ khí hậu Do đó, khi dự báo thời tiết cho các tỉnh miền Trung và Tây Nguyên cần phải lưu ý tính chất địa hình và đặc thù riêng nhưng mang rõ tính quy luật đối với các loại thời tiết khác nhau Chẳng hạn, trong trường hợp bão, áp thấp nhiệt đới ảnh hưởng đến miền Trung thì thường gió mạnh mở rộng ra phía bắc và thu hẹp đáng kể ở phía nam và cần xác định rõ khả năng bão, áp thấp nhiệt đới đổ bộ ở phía bắc hay phía nam của đèo, bởi hiệu ứng của đèo rất lớn trong việc phân bố gió mạnh hay mưa lớn

Khu vực các tỉnh miền Trung và Tây Nguyên chịu ảnh hưởng của rất nhiều loại hình thời tiết khác nhau gây nên quá trình mưa lớn Mỗi loại hình thời tiết đem đến một mức độ mưa và diện mưa khác nhau Có 5 loại hình thời tiết điển hình gây mưa lớn cho các tỉnh miền Trung và Tây Nguyên:

- Hình thế gây mưa lớn do tín phong Đông Nam: Hình thế synop đặc trưng do ảnh hưởng của tín phong Đông Nam gây mưa lớn đối với các tỉnh miền Trung chỉ bao gồm 2 loại hình thế chính: hình thế tín phong Đông Nam tác động đơn thuần và hình thế xoáy thuận nhiệt đới (XTNĐ) kết hợp với hoạt động của tín phong Đông Nam (gió Đông Nam sau bão) Hướng bờ biển của các tỉnh miền Trung có thể chia làm hai hướng chính là Tây bắc - Đông nam (Đoạn từ Thanh Hóa đến Thừa Thiên Huế) và hình cánh cung hướng Bắc - Nam (đoạn từ Đà Nẵng đến Bình Thuận) nên thực tế cho thấy khi có ảnh hưởng của đới gió Đông Nam ở rìa Tây lưỡi áp cao cận nhiệt đới thì thường gây mưa tập trung đối với các tỉnh Bắc Trung Bộ và rất ít khi gây mưa cho các khu vực còn lại của miền Trung và Tây Nguyên Tuy nhiên, không phải đợt nào cũng có thể gây mưa lớn mà nó hoàn toàn phụ thuộc hoàn lưu trên cao

của lưỡi áp cao cận nhiệt đới Thời gian bắt đầu và kết thúc mưa, cường độ mưa, thời gian duy trì mưa lớn, phạm vi mưa không đồng nhất giữa các đợt do ảnh hưởng của tín phong Đông Nam Nó không chỉ phụ thuộc vào sự tác động bởi rìa phía Tây hay Tây Nam của lưỡi áp cao cận nhiệt đới (vị trí trục của lưỡi áp cao cận nhiệt đới) mà còn phụ thuộc vào độ dày của lớp gió Đông Nam ở lớp dưới của tầng đối lưu

- Hình thế thời tiết gây mưa lớn do hội tụ gió trên cao: Hình thế synốp đặc trưng gây mưa lớn do ảnh hưởng của hội tụ gió trên cao có thể phân làm 2 dạng chính: + Loại hình thế nhiễu động trên cao kết hợp với hình thế synốp là không khí lạnh hoặc xoáy thuận nhiệt đới

+ Loại nhiều hình thế tác động Phức tạp nhất là nhiễu động trên cao kết hợp với rãnh áp thấp (rãnh áp thấp ở đây bao gồm cả hoạt động của rãnh áp thấp đơn thuần, rãnh áp thấp bị nén, dải hội tụ nhiệt đới) có hoặc không có kết hợp với không khí lạnh (có thể là gió mùa Đông Bắc kèm theo front lạnh, không khí lạnh tăng cường hoặc chỉ là đới gió Đông Bắc do khối không khí lạnh lệch Đông gây ra)

- Hình thế gây mưa lớn do dải hội tụ nhiệt đới: Có nhiều dạng hình thế synốp do dải hội tụ nhiệt đới (ITCZ) gây ra mưa lớn cho các tỉnh miền Trung và Tây Nguyên Các dạng hình thế synốp thường khác nhau và điều này quyết định đến cường độ, tổng lượng mưa cũng như thời gian kéo dài do ITCZ gây ra Do sự khác biệt về địa

lý, địa hình giữa các tỉnh Bắc, Trung và Nam Trung Bộ mà sự tương tác giữa các hệ thống synốp với ITCZ gây mưa lớn có sự khác biệt không chỉ về mức độ ảnh hưởng

mà cả về thời gian trong năm Cũng như tác động của ATNĐ, bão, các hình thế synốp gây mưa lớn cho các tỉnh miền Trung và Tây Nguyên bởi ITCZ có thể phân chia vào 2 dạng chính:

+ ITCZ hoạt động đơn thuần

+ ITCZ kết hợp với các hình thế synốp gây mưa khác

- Hình thế thời tiết gây mưa lớn do không khí lạnh: Hình thế synốp đặc trưng áp cao lạnh ảnh hưởng gây mưa lớn đối với các tỉnh miền Trung và Tây Nguyên bao gồm hình thế áp cao lạnh tác động đơn thuần hoặc áp cao lạnh kết hợp với các hình thế synốp khác như rãnh áp thấp bị nén, tín phong và các nhiễu động nhiệt đới khác như dải hội tụ nhiệt đới (ITCZ), XTNĐ hay nhiễu động sóng trong đới gió Đông trên cao… Trong các loại hình thế synốp đặc trưng gây mưa lớn đối với các tỉnh miền Trung thì loại hình thế áp cao lạnh kết hợp với ITCZ hoặc XTNĐ gây mưa mãnh liệt nhất Thực tế cho thấy khi áp cao lạnh ảnh hưởng thì thường gây mưa đối với các tỉnh miền Trung nhưng không phải đợt nào cũng gây mưa lớn mà nó hoàn toàn phụ thuộc hoàn lưu trên cao ở lớp dưới của tầng đối lưu (tiêu biểu ở mực 1500m) Thời gian bắt đầu và kết thúc mưa, cường độ mưa, thời gian duy trì mưa lớn, phạm

vi mưa không đồng nhất giữa các đợt xâm nhập của KKL Nó không chỉ phụ thuộc vào sự tác động bởi rìa phía nam hay tây nam của áp cao lạnh ở khu vực đông nam Trung Quốc mà còn phụ thuộc vào điều kiện mặt đệm, địa hình

- Hình thế thời tiết gây mưa lớn do ảnh hưởng của ATNĐ, bão: Đối với các tỉnh miền Trung và Tây Nguyên mưa lớn do ảnh hưởng của ATNĐ hay bão xảy ra khá nghiêm trọng đặc biệt đối với các khu vực trước vùng chắn gió Đối với vùng ven biển các tỉnh miền Trung do điều kiện hướng bờ biển và địa hình dãy Trường Sơn

mà tình hình mưa xảy ra ác liệt hơn các khu vực khác đặc biệt các tỉnh Trung Trung

Bộ Mưa bão xảy ra tùy thuộc tốc độ di chuyển nhanh hay chậm, hướng di chuyển,

hệ thống synốp xung quanh, khả năng tồn tại của xoáy thuận nhiệt đới (XTNĐ) trên khu vực ảnh hưởng Cường độ của XTNĐ có liên quan đến mưa do quá trình phát triển đối lưu mạnh hay yếu song không thể nói mưa bão sẽ lớn hơn mưa do ATNĐ Mưa lớn do XTNĐ ảnh hưởng đối với các tỉnh miền Trung xảy ra rất nguy hiểm với hai lý do: một là sông suối miền Trung thường ngắn và dốc, cường độ mưa lớn sẽ

có nhiều khả năng hình thành lũ nhanh đặc biệt là lũ quét Hai là mùa bão miền Trung thường trùng với mùa hoạt động của gió mùa mùa đông nên ATNĐ, bão hoạt động thường kết hợp với nhiều hệ thống synốp khác như KKL, dải hội tụ nhiệt đới, tín phong cường độ mạnh làm quá trình mưa trở nên phức tạp Có nhiều dạng hình

thế synốp do ATNĐ, bão đã gây mưa lũ đối với các tỉnh miền Trung và Tây Nguyên nhưng các dạng hình thế synốp thường khác nhau và điều đó quyết định cường độ và tổng lượng mưa do ATNĐ, bão gây ra đối với khu vực miền Trung Do

sự khác biệt về địa lý, địa hình giữa các tỉnh Bắc, Trung và Nam Trung Bộ mà sự tương tác giữa các hệ thống synốp với ATNĐ, bão gây mưa lớn có sự khác biệt không chỉ về mức độ ảnh hưởng mà cả về thời gian trong năm Các hình thế synốp gây mưa lớn cho các tỉnh miền Trung và Tây Nguyên do ATNĐ, bão có thể phân chia thành 2 dạng chính: XTNĐ hoạt động độc lập và XTNĐ kết hợp với các hệ thống gây mưa khác 2 hình thế thời tiết gây nhiều đợt mưa lớn nhất cho các tỉnh miền Trung và Tây Nguyên là XTNĐ hoạt động độc lập và XTNĐ kết hợp với không khí lạnh

Do đó, luận văn này tập trung nghiên cứu kỹ năng dự báo mưa lớn của mô

hình HRM-gfs, WRFARW-gfs và WRFNMM-gfs cho khu vực miền Trung và Tây

Nguyên trong 03 năm (2008 - 2010), từ đó đánh giá chất lượng của các mô hình khu vực đối với dự báo mưa lớn khu vực miền Trung và Tây Nguyên và so sánh các mô hình với nhau Những đánh giá so sánh đó sẽ là kết quả để các dự báo viên tham khảo Từ đó nâng cao chất lượng dự báo giúp cho các cơ quan chỉ đạo ở trung ương

và địa phương có định hướng đúng trong công tác phòng tránh và giảm nhẹ thiệt hại

do mưa lớn gây ra trên các tỉnh miền Trung và Tây Nguyên

2.2 Mô tả tập số liệu nghiên cứu

Theo quy định của Tổ chức Khí tượng thế giới (WMO), mưa lớn chia làm 3 cấp:

- Mưa vừa: Lượng mưa đo được từ 16 đến 50 mm/24h hoặc 8 đến 25 mm/12h

- Mưa to: Lượng mưa đo được từ 51 đến 100 mm/24h hoặc 26 đến 50mm/12h

- Mưa rất to: Lượng mưa đo được > 100 mm/24h hoặc > 50 mm/12h

2.2.1 Miền ti ́nh toán, độ phân giải, bước tích phân thời gian và tùy chọn tham số hóa vật lý cho mô hình HRM, WRFARW, WRFNMM

2.2.1.1 Mô hi ̀nh HRM

Bảng 2.1 đưa ra cấu hình chi tiết của mô hình HRM được chạy trong nghiên cứu dự báo mưa lớn miền Trung, Tây Nguyên Việt Nam Về cơ bản,

mô hình này có dạng thủy tĩnh, sử dụng đầu vào từ mô hình toàn cầu GFS và

có miền tích phân từ 90  -130  E, 10  S -30  N (hình 2.1), độ phân giải ngang là 0.125  x 0.125  Mô hình HRM sử dụng sơ đồ sai phân ngang trên lưới Arakawa C và có số mực thẳng đứng là 40 mực Các tập số liệu địa hình, thảm phủ thực vật, dạng đất, là các trường tĩnh Ngoài ra, mô hình HRM sử dụng hệ tọa thẳng đứng dạng lai Bước thời gian tích phân của mô hình HRM

là 60 giây Các kết quả dự báo được lưu 3 giờ một và theo định dạng NetCDF

Bảng 2.1: Cấu hình động lực, vật lý và phương pháp số của mô hình HRM

Cấu hình mô hình Mô tả chi tiết HRM (Ver 2.8)

Sơ đồ sai phân thời gian Sơ đồ tách bán ẩn của Burridge

Độ phân giải ngang (độ hoặc km) 0.125  0.125 