tóm tắt luận án tiến sĩ nghiên cứu phát triển và ứng dụng phương pháp thống kê sau mô hình tổ hợp (EMOS) vào dự báo thời tiết ở việt nam

MỞ ĐẦU Trung tâm Dự báo khí tượng thủy văn Trung ương (TTTDBTƯ) triển khai nghiệp vụ hệ thống dự báo tổ hợp thời tiết hạn ngắn (1-3 ngày) - SREPS dựa cách tiếp cận đa mơ hình đa phân tích bao gồm 20 dự báo thành phần Các sản phẩm dự báo trung bình tổ hợp (EM) dự báo xác suất từ SREPS góp phần quan trọng cơng tác dự báo thời tiết hạn ngắn TTDBTƯ Theo kết đánh giá Võ Văn Hòa nnk [12], chất lượng dự báo EM xác suất SREPS (ký hiệu Raw) nhiều hạn chế cho số biến bề mặt cao Những hạn chế dẫn đến hiệu phục vụ công tác dự báo thời tiết hệ thống SREPS chưa cao Do vậy, phương pháp hậu xử lý cần thiết để nâng cao chất lượng dự báo EM xác suất hệ thống dự báo tổ hợp (EPS) Theo Du [33], giới phổ biển cách tiếp cận để giải tồn nói cho hệ EPS, động lực thống kê Cách tiếp cận động lực liên quan đến toán cải tiến mơ hình NWP sử dụng EPS cải tiến cách thức tạo dự báo thành phần cho EPS Cách tiếp cận thống kê tương tự tốn MOS cho mơ hình NWP tất định, sử dụng kỹ thuật thống kê để hiệu chỉnh dự báo thành phần EPS tổng hợp thông tin EF cách hiệu để nâng cao chất lượng dự báo EM xác suất EPS thô Do hệ thống SREPS dựa cách tiếp cận đa mơ hình đa phân tích nên lựa chọn cách tiếp cận động lực đòi hỏi khối lượng công việc khổng lồ thực thời gian dài Trong đó, cách tiếp cận thống kê tác động đến kết đầu hệ thống SREPS mà không ảnh hưởng tới mơ hình NWP sử dụng cách thức tạo dự báo thành phần Đây cách tiếp cận đơn giản, khả thi đem lại hiệu cao sai số hệ thống chiếm ưu sai số tổng cộng Đây lý tác giả lựa chọn cách tiếp cận thống kê để hiệu chỉnh dự báo tổ hợp (EF) từ SREPS Đứng trước yêu cầu cấp thiết này, tác giả thực đề tài: “Nghiên cứu phát triển ứng dụng phương pháp thống kê sau mơ hình tổ hợp (EMOS) vào dự báo thời tiết Việt Nam” Trong khuôn khổ luận án, tác giả ứng dụng thử nghiệm số phương pháp thống kê để hiệu chỉnh kết dự báo từ SREPS cho số yếu tố nhiệt độ bề mặt Sau đó, tiến hành đánh giá lựa chọn phương pháp EMOS hiệu khả thi toán nghiệp vụ TTDBTƯ  Luận điểm bảo vệ luận án:  Luận án lựa chọn áp dụng số phương pháp thống kê hiệu chỉnh dự báo tổ hợp (EMOS) phù hợp với hệ thống SREPS TTDBTƯ;  Luận án đánh giá hiệu phương pháp EMOS nói việc nâng cao chất lượng dự báo trung bình tổ hợp xác suất cho yếu tố nhiệt độ bề mặt từ SREPS TTDBTƯ;  Luận án xác định phương pháp EMOS tốt đánh giá khả ứng dụng nghiệp vụ TTDBTƯ  Đối tƣợng, phạm vi phƣơng pháp nghiên cứu  Đối tượng nghiên cứu: yếu tố nhiệt độ bề mặt gồm nhiệt độ khơng khí (T2m), nhiệt độ điểm sương (Td2m), nhiệt độ tối cao ngày (Tmax) tối thấp ngày (Tmin)  Phạm vi nghiên cứu: toàn lãnh thổ Việt Nam đại diện 174 vị trí trạm quan trắc khí tượng bề mặt;  Phương pháp nghiên cứu: luận án sử dụng phương pháp nghiên cứu gồm phương pháp thống kê, phương pháp lập trình mơ phỏng, phương pháp tốn học phương pháp đánh giá khách quan  Những đóng góp luận án: Những đóng góp luận án đồng thời luận điểm bảo vệ nêu  Ý nghĩa khoa học thực tiễn luận án: Luận án lựa chọn số phương pháp EMOS phù hợp với hệ thống SREPS TTDBTƯ Kết nghiên cửu thử nghiệm luận án tính hiệu phương pháp EMOS chọn việc nâng cao chất lượng dự báo EM xác suất cho số yếu tố nhiệt độ bề mặt, góp phần làm sáng tỏ khả ứng dụng phương pháp  Cấu trúc luận án: Ngoài phần lời cam đoan, lời cám ơn, danh sách từ viết tắt, bảng biểu, hình vẽ đồ thị, mục lục, mở đầu, tài liệu tham khảo phụ lục, nội dung luận án bố cục chương: Chương trình bày dự báo tổ hợp vấn đề hiệu chỉnh thống kê cho dự báo tổ hợp; Chương mô tả số liệu phương pháp nghiên cứu; Chương đưa kết thử nghiệm đánh giá Cuối kết luận kiến nghị CHƢƠNG DỰ BÁO TỔ HỢP VÀ VẤN ĐỀ HIỆU CHỈNH THỐNG KÊ CHO DỰ BÁO TỔ HỢP 1.1 Dự báo tổ hợp vai trò dự báo tổ hợp Theo Kalnay (2003) [66], EF tập hợp dự báo xác định thời điểm hướng đến mục đích: 1) Tăng cường chất lượng dự báo thông qua EM; 2) Cung cấp số định lượng độ tin cậy dự báo; 3) Làm sở cho dự báo xác suất Mục đích thực để loại bỏ sai khác thành phần giữ lại đặc tính tương tự Mục đích thứ hai liên quan đến tương quan độ tán sai số dự báo EM Mục đích thứ ba xây dựng dựa tần suất dự báo xuất hiện tượng từ thành phần tổ hợp Định nghĩa Kalnay chủ yếu dựa EPS tồn cầu cho mục đích dự báo hạn vừa hạn dài tầm quan trọng dự báo tất định (dự báo từ EM) dự báo xác suất Tuy nhiên, EPS cho mục đích dự báo hạn ngắn xuất hiện, EF định nghĩa theo quan điểm dự báo xác suất Theo Gneiting nnk (2003) [51], EF tập hợp dự báo xác định thời điểm làm sở cho dự báo xác suất có độ nhọn cực đại trì độ tin cậy dự báo xác suất Hai khái niệm độ nhọn độ tin cậy đóng vai trị quan trọng EPS ngày 1.2 Sự cần thiết phải hiệu chỉnh dự báo tổ hợp Như phân tích trên, điều kiện ban đầu xác mơ hình hồn hảo sở để tạo EPS có chất lượng tốt Tuy nhiên, thực tế mơ hình sử dụng EPS ln có sai số (do chưa hoàn hảo động lực, vật lý, phương pháp số, mô tả mặt đệm, …) nguồn bất định mơ hình NWP khơng thể mơ tả đầy đủ xác EPS độ phân giải mơ hình phụ thuộc vào lực tính tốn Chính hạn chế dẫn đến EPS không tối ưu Những nhược điểm EPS không tối ưu bao gồm: 1) EM không tốt dự báo đối chứng dự báo thành phần; 2) quan hệ kỹ dự báo độ tán tổ hợp thấp (độ tán thường lớn nhỏ); 3) tạo cực trị lớn; 4) dự báo xác suất không tin cậy thiếu khả mô tả chi tiết cấu trúc không gian; … Do vậy, hiệu chỉnh thống kê cho dự báo tổ hợp (EMOS) cần thiết để nâng cao chất lượng dự báo EM xác suất cho EPS thô Theo Du (2007) [34], cách loại bỏ sai số hệ thống mô hình (mơ men bậc 1), dự báo EM gần với nghiệm thực hơn, cực trị giảm đáng kể dự báo xác suất tin cậy Đối với EPS đa mơ hình, việc hiệu chỉnh đảm bảo độ tán tạo sai số hệ thống mơ hình bị loại bỏ phù hợp Tương tự, cách hiệu chỉnh mô men bậc 2, vấn đề quan hệ thấp kỹ dự báo - độ tán tổ hợp vấn đề độ tán lớn/bé cải thiện Để cải tiến độ tin cậy dự báo xác suất, mô men cao hàm mật độ xác suất cần hiệu chỉnh 1.3 Tổng quan nghiên cứu hiệu chỉnh thống kê cho dự báo tổ hợp 1.3.1 Ngoài nước Như biết, EF nghiên cứu triển khai nghiệp vụ từ năm 1990 kỷ trước số trung tâm dự báo lớn giới Vài năm sau đó, tốn EMOS nghiên cứu hạn chế chất lượng dự báo EM xác suất EPS nghiệp vụ nhiều nghiên cứu Trên thực tế, nghiên cứu EMOS phát triển mạnh khoảng 10 năm trở lại phần lớn sử dụng cách tiếp thống kê để nâng cao chất lượng dự báo EM xác suất Một lớp EMOS việc áp dụng cho EM (mô men bậc 1) Trong lớp toán này, phương pháp thống kê sử dụng bao trung bình trượt [94], hồi quy tuyến tính [70], phương pháp tương tự trọng số phụ thuộc vào hình thời tiết [38], lọc Kalman [29], mạng thần kinh nhân tạo [118], hồi quy Logistic [60], … Bên cạnh nghiên cứu áp dụng cho EM, có nhiều nghiên cứu ứng dụng cho phương sai (mô men bậc 2) mô men bậc cao hàm phân bố xác suất để nâng cao chất lượng dự báo xác suất cải thiện quan hệ độ tán - kỹ EPS Trong lớp toán này, nhiều phương pháp thống kê sử dụng trung bình mơ hình Bayes - BMA [86], hiệu chỉnh hàm mật độ tích lũy - CDF [69], hồi quy Gauss không NGR [52], hiệu chỉnh dựa biểu đồ hạng [41], áp nhân (kernel) áp hàm mật độ [46], … 1.3.2 Trong nước Tại Việt nam, NWP giai đoạn bước đầu tiếp thu cơng nghệ nghiên cứu ứng dụng Do đó, EF giai đoạn bước đầu tìm hiểu thử nghiệm Các nghiên cứu ứng dụng EF tập trung vào toán dự báo quỹ đạo bão khu vực Biển Đông dựa tổ hợp dự báo từ Trung tâm quốc tế nghiên cứu Nguyễn Chi Mai nnk (2004) [5], Đỗ Lệ Thủy nnk [1] Trong nghiên cứu này, phương pháp tính tốn EM với trọng số tỷ lệ nghịch với sai số dự báo dự báo thành phần tương ứng hồi quy tuyến tính đa biến sử dụng Trần Tân Tiến nnk (2010, 2013) [9, 10] thử nghiệm phương án tính tốn EM khác dựa tổ hợp đa mơ hình đa vật lý cho mục đích dự báo quỹ đạo cường độ bão hạn từ 3-5 ngày khu vực Tây Bắc Thái Bình Dương Đối với tốn dự báo trường khí tượng, Trần Tân Tiến nnk (2004) [8] thử nghiệm tổ hợp trường khí tượng từ mơ hình NWP khác dạng trung bình cộng đơn giản có trọng số Để thử nghiệm EF cho tốn dự báo mưa lớn Việt Nam, Hồng Đức Cường nnk (2007) [3] ứng dụng phiên tham số hóa vật lý khác mơ hình MM5 để tạo EF Phương án tính tốn EM có trọng số tỷ lệ nghịch với phương sai sai số dự báo thành phần thực Như vậy, thấy việc nghiên cứu ứng dụng EF nói chung EMOS nói riêng nước ta cịn nhiều hạn chế số lượng quy mô ứng dụng Các phương pháp EMOS nghiên cứu chủ yếu tập trung cho tốn nâng cao chất lượng dự báo EM thơng qua EF có trọng số Bên cạnh đó, chưa có nghiên cứu EMOS hồn chỉnh cho tốn dự báo thời tiết chưa có hệ thống EMOS triển khai dự báo nghiệp vụ đơn vị dự báo tác nghiệp Đây lý luận án thực hướng tới mục tiêu triển khai nghiệp vụ hệ thống EMOS để nâng cao chất lượng dự báo từ hệ thống SREPS TTDBTƯ CHƢƠNG MÔ TẢ SỐ LIỆU VÀ PHƢƠNG PHÁP NGHIÊN CỨU 2.1 Đặt toán Theo Du (2007) [34], phương pháp EMOS nghiên cứu ứng dụng cho EPS không tối ưu để: 1) Loại bỏ sai số hệ thống dự báo thành phần để dự báo EM dựa dự báo hiệu chỉnh sai số hệ thống gần với nghiệm thực hơn, cực trị sai số giảm đáng kể, dự báo xác suất tin cậy độ tán tạo phù hợp hơn; 2) Hiệu chỉnh phương sai dự báo để cải tiến tương quan kỹ dự báo EM độ tán tổ hợp, qua giải vấn đề độ tán lớn nhỏ EPS ban đầu; 3) Hiệu chỉnh hàm phân bố xác suất để cải tiến kỹ dự báo xác suất tổng thể (độ tin cậy, độ tán, độ rộng, độ nhọn, cực trị) EPS ban đầu Như vậy, tùy thuộc vào mục đích nghiên cứu cải tiến chất lượng dự báo EPS đưa (đối tượng dự báo đặc tính sai số cần cải thiện), phương pháp EMOS khác sử dụng Mỗi phương pháp EMOS hướng đến giải nhiều hạn chế có liên quan đến sản phẩm dự báo EM xác suất Trong luận án này, tác giả tập trung thử nghiệm lớp toán EMOS tách biệt gồm 1) Các phương pháp EMOS tác động đến chất lượng dự báo EM; 2) Các phương pháp EMOS tác động đến chất lượng dự báo EM dự báo xác suất Đối với lớp toán EMOS đầu tiên, phương pháp thống kê lựa chọn để tạo cách tính trọng số EM khác Trong lớp EMOS thứ hai, phương pháp thống kê lựa chọn để hiệu chỉnh dự báo thành phần thông qua việc khử sai số hệ thống thông qua hàm phân bố cho trước cho cực đại hóa kỹ dự báo xác suất 2.2 Nghiên cứu lựa chọn ứng dụng phƣơng pháp thống kê để nâng cao chất lƣợng dự báo trung bình tổ hợp dự báo xác suất từ hệ thống SREPS 2.2.1 Các phương pháp thống kê tác động đến dự báo trung bình tổ hợp 1) Hồi quy tuyến tính đa biến (ký hiệu EMLR): Cách tiếp cận dựa phương pháp hồi quy tuyến tính đa biến giả thiết dự EM quan hệ tuyến tính với dự báo thành phần Fi qua công thức (2.2): N EM  a   a i Fi i 1 (2.2) với ai, i=1,N hệ số hồi quy Trong công thức (2.2), dự báo thành phần Fi có vai trị nhân tố dự báo toán MOS Các trọng số ao xác định phương pháp bình phương tối thiểu dựa số liệu phụ thuộc cho trước 2) Trung bình có trọng số giảm dần theo hàm mũ (EMES): Phương pháp Daley (1991) [31Error! Reference source not found.] đề xuất EM tính theo cơng thức (2.3) đây: N EM   w i Finobias i 1 (2.3) với Finobias dự báo thành phần thứ i (i=1,N) EPS đưa hiệu chỉnh sai số hệ thống Các trọng số wi tính theo cơng thức hàm mũ (2.4) đây: (2.4) w i   j1 với  nhân tố làm trơn, giá trị j công thức (2.4) hạng dự báo thành phần thứ i ( Finobias ) tính dựa sai số bình phương trung bình (MSE) Theo cơng thức (2.4), trọng số giảm dần theo đường cong hàm mũ j tăng lên 3) Trung bình có trọng số tính theo phương sai sai số (EMMV): Tương tự phương pháp EMES, phương pháp EMMV Daley (1991) [31] đề xuất EM tính theo cơng thức (2.3) trọng số wi tính theo cơng thức (2.6) với j số chạy theo tổng số dự báo thành phần (j=1,N) (1 / MSE i ) (2.6) wi  N  (1 / MSE j ) j1 2.2.2 Các phương pháp thống kê tác động đến dự báo trung bình tổ hợp dự báo xác suất 1) Hiệu chỉnh sai số hệ thống trung bình trượt (BCMA): Theo phương pháp này, việc hiệu chỉnh cho dự báo thành phần EPS thực theo công thức (2.7) đây: FBCMA  Fraw  bias (2.7) Fbcma dự báo hiệu chỉnh phương pháp BCMA, Fraw dự báo trực tiếp từ EPS bias sai số hệ thống xác định sai số trung bình cộng n ngày trước 2) Hiệu chỉnh sai số hệ thống với trọng số theo hàm mũ (BCES): Cách hiệu chỉnh theo BCES tương tự BCMA khác cách tính sai số hệ thống (bias) Cụ thể, bias tính cơng thức (2.9) đây: n bias   w i (Fi  Oi ) i 1 (2.9) với n tổng số ngày có liệu trước Trọng số wi giảm dần theo hàm mũ công thức (2.4) số i số thứ tự ngày (i =1 cho ngày trước ngày x cho x ngày trước ngày tại) 3) Hiệu chỉnh sai số hệ thống hồi quy tuyến tính (BCLR): Phương pháp dựa giả thiết có quan hệ tuyến tính quan trắc O dự báo F sau: O = a0 + a1F với a0, a1 hệ số xác định phương pháp hồi quy tuyến tính dựa tập số liệu n ngày trước Khi quan hệ thiết lập, áp dụng cho dự báo ngày Với giả thiết này, dự báo hiệu chỉnh theo phương pháp BCLR tính theo công thức (2.12) đây: FBCLR  a  a1Fraw (2.12) 4) Hiệu chỉnh sai số hệ thống lọc Kalman (BCKF): Cách thức hiệu chỉnh dựa phương pháp lọc Kalman để khắc phục nhược điểm phương pháp BCLR, trọng số a0 a1 khơng có khả tự cập nhật chu kỳ luyện có đột biến mặt hình thời tiết Với phương pháp lọc Kalman, 10 trọng số cập nhật hàng ngày suốt chu kỳ luyện thời điểm bắt đầu thử nghiệm dự báo Quá trình cập nhật trọng số thực thơng qua phương trình dự báo quan trắc Lọc Kalman công thức (2.13) (2.14) đây: x k  A  x k1  B  u k 1  w k 1 (2.13) zk  H  x k  vk (2.14) xk vector trạng thái thời điểm tại, xk-1 vector trạng thái thời điểm trước đó, uk-1 vector điều khiển hệ thống thời điểm trước đó, wk-1 véc tơ đặc trưng cho độ bất định hệ thống quy luật tuyến tính mơ tả thơng qua ma trận A 5) Hồi quy Gauss khơng kỳ vọng quan hệ tuyến tính với dự báo thành phần (NGR_ER): Kỹ thuật NGR đề xuất Gneiting nnk (2005) [52] dựa giả thiết hàm phân bố xác suất cho đại lượng EM cơng thức (2.2) xây dựng đơn giản phân bố chuẩn kỳ vọng EM phương sai σ2 sai số xác định từ tập số liệu sử dụng để xây dựng phương trình (2.2) Với cách làm vậy, phương sai σ2 độc lập so với độ tán Khi phương sai nhỏ, phân bố nhọn, độ tin cậy vào EM lớn Ngược lại phương sai lớn, phân bố tù, độ tin cậy dự báo nhỏ Ý tưởng phương pháp nằm chỗ giả định phương sai σ2 có quan hệ tuyến tính với độ tán tổ hợp (S2) N N(a   a i X i , c  dS ) i 1 (2.16) 6) Hồi quy Gauss không kỳ vọng quan hệ tuyến tính với dự báo thành phần trọng số dương (NGR_EP): 11 Phương pháp hoàn toàn tương tự NGR_ER khác chỗ hệ số sau tìm kiểm tra để đảm bảo khơng âm Nếu có hệ số âm q trình cực tiểu hóa hàm CRPS thực lại loại bỏ dự báo thành phần có hệ số âm 7) Hồi quy Gauss khơng kỳ vọng quan hệ tuyến tính với trung bình tổ hợp (NGR_EM): Đây biến thể khác phương pháp NGR_ER thay sử dụng kỳ vọng trung bình có trọng số dự báo thành phần, biến thể NGR_EM giả thiết kỳ vọng quan hệ tuyến tính với trung bình tổ hợp ( X ), hàm phân bố có dạng cơng thức (2.20) đây: N(a  bX, c  dS ) (2.20) 2.2.3 Ứng dụng phương pháp EMOS cho hệ thống SREPS Như trình bày trên, tổng cộng có kỹ thuật thống kê thử nghiệm lớp toán EMOS kỹ thuật thống kê thử nghiệm cho lớp toán EMOS thứ có kỹ thuật thống kê liên quan đến hiệu chỉnh dự báo thành phần theo sai số hệ thống kỹ thuật hiệu chỉnh theo hàm phân bố xác suất Các phương pháp EMOS áp dụng chung cho tất yếu tố dự báo nhiệt độ bề mặt hạn dự báo gồm +24h, +48h +72h với thời điểm phân tích 00GMT (7 sáng Việt Nam) Q trình tính tốn thực điểm trạm thay nút lưới Cũng giống phương pháp thống kê truyền thống khác, vấn đề dung lượng mẫu tập số liệu phụ thuộc (training dataset) sử dụng cho phương pháp EMOS yếu tố dự báo nguyên tắc khác Để đơn giản hóa dễ dàng việc so sánh, sử dụng dung lượng mẫu chung số liệu phụ 12 thuộc 40 ngày (tính từ thời điểm bắt đầu thực hiệu chỉnh) cho tất kỹ thuật EMOS sử dụng nghiên cứu 2.3 Mô tả tập số liệu nghiên cứu Để phục vụ việc xây dựng, thử nghiệm đánh giá hiệu phương pháp EMOS việc nâng cao chất lượng dự báo tất định xác suất hệ thống SREPS, tiến hành thu thập, xử lý lưu nguồn số liệu mô tả bảng 2.3 TT Bảng 2.3: Danh sách nguồn số liệu thu thập Tên nguồn số liệu Phạm vi Phạm vi Các biến thu không gian thời gian thập Quan trắc yếu tố Tại 174 điểm năm T2m nhiệt độ trạm trạm (2008- (00GMT), 2010) Td2m (00GMT), Tmax, Tmin Số liệu dự báo Toàn miền năm T2m, Td2m, yếu tố nhiệt độ bề dự báo (2008- Tmax, Tmin mặt từ hệ thống [002010) hạn dự SREPS có độ phân 280N;950Ebáo +24h, 0 giải 0.15 x 0.15 128 E] +48h +72h 2.4 Phƣơng pháp xử lý số liệu Để thuận tiện cho trình nghiên cứu triển khai nghiệp vụ sau này, tất nguồn số liệu lưới xử lý để đưa định dạng NetCDF thay sử dụng định dạng gốc ban đầu Các kết hiệu chỉnh trường khí tượng nghiên cứu từ phương pháp EMOS lưu theo định dạng NetCDF Số liệu quan trắc kiểm tra chất lượng thám sát lưu vào hệ quản trị CSDL PostGRESQL Như trình bày trên, khơng gian nghiên cứu luận án điểm trạm, nên cần thiết phải thực bước tiến xử lý để đưa 13 dự báo hệ thống SREPS từ lưới dự báo điểm trạm Do yếu tố nghiên cứu trường nhiệt độ bề mặt - dạng trường liên tục, nên nghiên cứu tác giả sử dụng phương pháp nội suy song tuyến tính (bilinear) để nội suy giá trị dự báo từ lưới dự báo điểm trạm quan tâm 2.5 Phƣơng pháp đánh giá 2.5.1 Các số đánh giá chất lượng dự báo trung bình tổ hợp Với đối tượng nghiên cứu yếu tố nhiệt độ bề mặt (các yếu tố liên tục), số đánh giá ME, MAE RMSE sử dụng để nghiên cứu khuynh hướng sai số, biên độ sai số tuyệt đối giá trị sai số thực Bên cạnh đó, để khảo sát khả khử sai số hệ thống dự báo thành phần Raw từ phương pháp EMOS, giản đồ tụ điểm sử dụng 2.5.2 Các số đánh giá chất lượng dự báo xác suất Trong luận án tác giả đánh giá tính hiệu phương pháp EMOS theo khía cạnh gồm: 1) cải thiện độ tin cậy, 2) cải thiện độ tán, 3) cải thiện độ rộng 4) cải thiện độ nhọn dự báo xác suất so với dự báo Raw từ SREPS Theo khía cạnh độ tin cậy, số đánh giá CRPS sử dụng Để đánh giá độ tán độ tin cậy EF, biểu đồ hạng sử dụng để đo mức độ phù hợp tần suất dự báo với tần suất xuất quan trắc Để đánh giá khía cạnh độ rộng dự báo xác suất, tác giả sử dụng số độ phủ 90.48% Cuối cùng, đặc trưng độ nhọn EF khảo sát thông qua khái niệm độ rộng 90.48% CHƢƠNG KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ 3.1 Đánh giá khả khử sai số hệ thống Dựa giản đồ tụ điểm, phương pháp EMOS cho thấy tính hiệu việc khử sai số hệ thống dự báo 14 thành phần hệ tổ hợp Raw phương pháp EMOS cho hiệu tốt gồm NGR_EM, NGR_EP, BCMA, BCLR BCKF Các phương pháp NGR_ER BCES cho thấy hiệu phương pháp EMOS thử nghiệm Sai số hệ thống khử tốt dự báo Tmax, Td2m T2m, hiệu cho yếu tố Tmin Raw BCMA BCES BCLR BCKF NGR_ER NGR_EP NGR_EM Hình 3.2: Giản đồ tụ điểm dự báo thành phần HRM_GFS Raw phương pháp EMOS cho dự báo Td2m hạn 24h khu vực Tây Bắc 3.2 Đánh giá khả cải thiện chất lƣợng dự báo trung bình tổ hợp 3.2.1 Yếu tố nhiệt độ khơng khí 15 Các kết đánh giá cho thấy phương pháp EMOS cho số ME dự báo T2m với biên độ nhỏ so với ME Raw hầu hết khu vực nghiên cứu Điều chứng tỏ, việc hiệu chỉnh sai số hệ thống có tác động tích cực tới sai số hệ thống EM dự báo thành phần sử dụng Theo số đánh giá MAE, hầu hết phương pháp EMOS cho giảm số MAE so với Raw hầu hết khu vực nghiên cứu Sự cải thiện lớn chất lượng dự báo T2m thường tìm thấy khu vực TB, VB ĐB, ngược lại cho khu vực ĐBBB NB Nếu so sánh phương pháp dự báo từ NGR_EM, NGR_EP, BCMA BCES cho thấy cải thiện lớn phương pháp EMLR NGR_ER không đem lại nhiều cải thiện, chí cho sai số dự báo T2m tăng lên so với Raw Các kết tương tự tìm thấy xem xét số RMSE cho dự báo T2m bảng 3.3 Bên cạnh việc nâng cao chất lượng dự báo, thấy phương pháp EMOS hạn chế sai số dự báo lớn Các kết tương tự cho dự báo T2m tìm thấy cho hạn +48h +72h Bảng 3.3: Kết tính tốn số đánh giá RMSE (0C) dự báo EM từ Raw 10 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h (các giá trị bôi đậm ngụ ý sai số tăng lên) Phƣơng pháp EMOS EMLR EMES EMMV BCMA BCLR BCES BCKF NGR_ER TB 2.3 1.41 1.46 1.37 1.56 1.43 1.36 1.81 VB 2.6 1.32 1.36 1.31 1.6 1.36 1.29 1.84 ĐB 2.1 1.47 1.5 1.42 1.74 1.46 1.36 2.0 Khu vực nghiên cứu ĐBBB BTB TTB 2.15 2.02 1.96 1.17 1.11 0.99 1.18 1.13 1.01 1.18 1.13 1.06 1.36 1.19 1.52 1.22 1.16 1.08 1.15 1.1 1.01 1.73 1.55 1.48 16 NTB 1.63 0.91 0.92 0.91 1.1 0.94 0.87 1.26 TN 1.92 0.92 0.94 0.91 1.13 0.95 0.86 1.28 NB 1.22 0.89 0.9 0.9 1.14 0.92 0.87 1.31 NGR_EP NGR_EM Raw 1.3 1.38 2.42 1.3 1.35 2.15 1.39 1.44 2.69 1.16 1.16 1.33 1.09 1.11 2.38 1.05 1.05 2.26 0.92 0.9 1.17 0.92 0.95 2.17 0.92 0.9 1.05 3.2.2 Yếu tố nhiệt độ điểm sương Tương tự yếu tố T2m, kết đánh giá cho Td2m cho thấy hầu hết phương pháp EMOS cho sai số MAE RMSE (xem bảng 3.6) nhỏ Raw nhiều khu vực nghiên cứu ngoại trừ phương pháp NGR_ER EMLR cho khu vực NTB, TN NB Các phương pháp NGR_EP, NGR_EM, BCMA BCES tiếp tục cho thấy tính hiệu việc nâng cao chất lượng dự báo EM từ Raw Theo khu vực nghiên cứu, khu vực từ TB BTB cho thấy cải thiện lớn chất lượng dự báo (có cải thiện tới 50%) Ngồi ra, phương pháp EMOS hạn chế sai số dự báo lớn dự báo Td2m từ Raw Các kết tương tự cho dự báo T2m tìm thấy cho hạn +48h +72h Bảng 3.6: Tương tự bảng 3.3 cho dự báo Td2m Phƣơng pháp EMOS EMLR EMES EMMV BCMA BCLR BCES BCKF NGR_ER NGR_EP NGR_EM Raw TB 2.16 2.04 2.11 1.92 1.43 1.77 1.66 1.94 1.39 1.4 3.24 VB 2.13 2.27 2.35 2.19 1.49 2.01 1.83 2.16 1.45 1.45 3.62 ĐB 2.14 2.25 2.34 2.1 1.5 1.95 2.14 2.05 1.45 1.46 3.0 Khu vực nghiên cứu ĐBBB BTB TTB 2.25 2.38 1.49 2.49 2.05 1.02 2.61 2.14 1.03 2.34 1.96 1.06 1.58 1.42 1.04 2.12 1.81 1.04 2.05 1.78 1.29 2.17 1.9 1.4 1.51 1.37 1.0 1.54 1.38 0.99 3.3 2.84 1.39 NTB 1.33 0.99 1.0 0.97 0.96 0.91 1.23 1.3 0.9 0.91 1.17 TN 1.27 0.88 0.88 0.85 0.93 0.82 1.17 1.31 0.91 0.87 1.15 NB 1.32 0.98 1.01 0.97 0.88 0.89 1.2 1.35 0.88 0.88 1.28 3.2.3 Yếu tố nhiệt độ tối cao ngày Các kết đánh giá cho thấy hầu hết phương pháp EMOS cho sai số dự báo Tmax nhỏ so với Raw khu vực 17 nghiên cứu ngoại trừ phương pháp EMLR NGR_ER khu vực ĐBBB BTB Nếu so sánh phương pháp EMOS, khó để tìm phương pháp tốt cho khu vực Tuy nhiên, dễ nhận thấy hai phương pháp EMLR NGR_ER có trị số MAE lớn số 10 phương pháp EMOS thử nghiệm Theo khu vực nghiên cứu, cải thiện đáng kể chất lượng dự báo EM tìm thấy khu vực TB, VB, ĐB, TTB TN Sự trì tính ổn định sai số dự báo phương pháp EMOS tìm thấy so sánh giá trị MAE với RMSE Các nhận định phù hợp xem xét hạn dự báo +48h +72h Bảng 3.9: Tương tự bảng 3.3 cho dự báo Tmax Phƣơng pháp EMOS EMLR EMES EMMV BCMA BCLR BCES BCKF NGR_ER NGR_EP NGR_EM Raw TB 3.43 2.47 2.49 2.42 2.48 2.46 2.58 3.6 2.43 2.44 4.71 VB 3.53 2.49 2.51 2.45 2.52 2.47 2.56 3.75 2.47 2.5 4.29 ĐB 3.46 2.36 2.38 2.3 2.38 2.32 2.44 3.47 2.34 2.35 3.22 Khu vực nghiên cứu ĐBBB BTB TTB 2.81 3.14 3.94 2.31 2.36 2.04 2.34 2.39 2.04 2.35 2.43 1.99 2.39 2.51 2.09 2.40 2.44 1.93 2.39 2.5 1.99 2.96 3.64 3.64 2.3 2.43 2.05 2.34 2.43 2.03 2.46 3.24 3.12 NTB 2.34 1.61 1.63 1.56 1.6 1.52 1.64 2.22 1.58 1.58 2.94 TN 2.68 1.93 1.94 1.8 1.87 1.75 1.74 2.56 1.87 1.84 3.09 NB 1.92 1.39 1.41 1.39 1.36 1.35 1.49 1.88 1.37 1.36 2.31 3.2.4 Yếu tố nhiệt độ tối thấp ngày Các kết đánh giá cho thấy ngoại trừ phương pháp EMLR NGR_ER, phương pháp EMOS lại cho giá trị MAE RMSE dự báo Tmin nhỏ so với Raw từ 0.3-10C tất khu vực nghiên cứu Như vậy, chất lượng dự báo EM từ Raw cải thiện áp dụng phương pháp EMOS Các phương pháp đem lại nhiều cải thiện nhóm phương pháp NGR_EM, NGR_EP, BCMA BCES, phương 18 pháp EMLR NGR_ER cho thấy cải thiện nhỏ số khu vực nghiên cứu Khác với yếu tố T2m, Td2m Tmax, khó để tìm khu vực có cải thiện lớn dự báo Tmin áp dụng phương pháp EMOS Về mặt trung bình, thấy khu vực TB, VB NB có cải thiện lớn khu vực khác khác biệt trị số không lớn Các kết tương tự tìm thấy xem xét chất lượng dự báo Tmin phương pháp EMOS cho hạn dự báo +48h +72h Bảng 3.12: Tương tự bảng 3.3 cho dự báo Tmin Phƣơng pháp EMOS EMLR EMES EMMV BCMA BCLR BCES BCKF NGR_ER NGR_EP NGR_EM Raw TB 2.22 1.69 1.69 1.55 1.62 1.54 1.72 2.14 1.55 1.58 2.37 VB 2.53 1.76 1.77 1.63 1.71 1.64 1.86 2.44 1.72 1.7 2.32 ĐB 2.67 1.93 1.95 1.76 1.81 1.74 2.03 2.54 1.8 1.81 2.39 Khu vực nghiên cứu ĐBBB BTB TTB 2.35 2.26 1.98 1.75 1.58 1.24 1.76 1.59 1.24 1.68 1.51 1.21 1.74 1.55 1.21 1.71 1.54 1.19 1.98 1.74 1.44 2.51 2.18 1.69 1.70 1.53 1.2 1.74 1.54 1.21 1.99 1.86 1.63 NTB 1.62 0.99 0.99 0.99 1.00 0.96 1.32 1.4 1.01 0.99 1.44 TN 1.54 1.06 1.05 0.98 1.04 0.95 1.22 1.44 1.04 1.01 1.34 NB 1.92 1.02 1.03 1.01 1.01 1.00 1.32 1.48 1.05 1.01 1.73 3.3 Đánh giá khả cải thiện chất lƣợng dự báo xác suất Do phương pháp EMLR, EMES EMMV tác động đến EM mà không tiến hành hiệu chỉnh dự báo thành phần nên dự báo xác suất tạo từ phương pháp tương tự Raw Do đó, phần đánh giá có phương pháp EMOS đánh giá so sánh với Raw 3.3.1 Yếu tố nhiệt độ khơng khí Từ bảng 3.13 thấy số phương pháp EMOS thử nghiệm, phương pháp NGR_EP, NGR_EM, BCMA BCES cho kết dự báo xác suất có độ tin cậy cao phương 19 pháp cịn lại khơng có nhiều khác biệt Các phương pháp NGR_ER BCKF không đem lại nhiều cải thiện chất lượng dự báo xác suất, chí cịn làm giảm độ tin cậy dự báo xác suất so với Raw Bảng 3.13: Kết tính tốn số CRPS dự báo xác suất từ Raw phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h (các giá trị bôi đậm ngụ ý sai số tăng lên) Phƣơng pháp EMOS BCMA BCLR BCES BCKF NGR_ER NGR_EP NGR_EM Raw TB 0.73 0.82 0.72 0.87 1.09 0.69 0.71 1.55 VB 0.74 0.82 0.73 0.93 1.16 0.73 0.73 1.28 ĐB 0.81 0.88 0.78 1.0 1.23 0.76 0.77 0.98 Khu vực nghiên cứu ĐBBB BTB TTB 0.69 0.63 0.62 0.76 0.68 0.65 0.67 0.61 0.59 0.76 0.68 0.89 1.1 0.97 0.94 0.66 0.62 0.59 0.66 0.61 0.57 0.76 0.77 0.72 NTB 0.54 0.6 0.51 0.63 0.79 0.53 0.51 0.69 TN 0.52 0.59 0.49 0.62 0.8 0.52 0.51 0.67 NB 0.54 0.61 0.51 0.63 0.83 0.52 0.5 0.61 Dựa biểu đồ hạng dự báo T2m, phương pháp BCMA, BCES, NGR_EM NGR_EP có biểu đồ hạng dạng gần phẳng Điều chứng tỏ độ tin cậy dự báo xác suất từ phương pháp tăng lên độ tán EF phù hợp so với Raw Trong đó, phương pháp NGR_ER BCKF, BCLR lại cho biểu đồ hạng có dạng hình chữ U đặc trưng Hay nói cách khác, độ tán EF từ phương pháp nhỏ so với thực tế Kết kiểm chứng xem xét kết tính tốn số độ phủ 90.48% Các khu vực cho thấy cải thiện rõ rệt độ tán tổ hợp VB, TB, ĐB TN Các khu vực ĐBBB NB thường không cho thấy nhiều cải thiện độ tán EF Đối với độ nhọn hàm phân bố, kết đánh giá dựa số độ rộng 90.48% cho thấy hầu hết phương pháp EMOS cho giá trị độ rộng 90.48% nhỏ so với Raw ngoại trừ phương pháp BCKF Các 20 phương pháp NGR_ER BCLR cho thấy cải thiện lớn độ nhọn hàm phân bố thường cho độ tán EF nhỏ 3.3.2 Yếu tố nhiệt độ điểm sương Tương tự yếu tố T2m, kết đánh giá dựa số CRPS cho thấy phương pháp EMOS cho dự báo xác suất có độ tin cậy cao so với Raw hầu hết khu vực nghiên cứu ngoại trừ phương pháp NGR_ER cho khu vực từ TTB đến NB Nếu so sánh phương pháp EMOS, độ tin cậy dự báo xác suất cải thiện nhiều áp dụng phương pháp NGR_EM NGR_EP Phương pháp NGR_ER cho thấy cải thiện khu vực từ TB đến BTB ngược lại Theo khu vực nghiên cứu, cải thiện độ tin cậy dự báo xác suất khu vực từ TB đến ĐBBB lớn nhiều so với khu vực lại Sau áp dụng phương pháp EMOS, xu hướng dự báo thiên thấp Td2m Raw gần bị triệt tiêu Biểu đồ hạng phương pháp BCMA, BCES, BCKF, NGR_EM NGR_EP có dạng gần phẳng (độ tin cậy dự báo xác suất tăng lên độ tán EF phù hợp hơn) Trong đó, phương pháp NGR_ER BCLR lại cho biểu đồ hạng có dạng hình chữ U đặc trưng (độ tán EF nhỏ so với thực tế) Đối với độ rộng 90.48%, kết đánh giá cho thấy tất phương pháp EMOS cho độ rộng nhỏ so với Raw phương pháp NGR_ER BCLR cho thấy cải thiện lớn phương pháp cho độ tán EF nhỏ nhiều so với phương pháp EMOS lại Các kết tương tự tìm thấy cho hạn dự báo +48h +72h 3.3.3 Yếu tố nhiệt độ tối cao ngày Từ bảng 3.19 nhận thấy ngoại từ phương pháp NGR_ER khu vực ĐBBB BTB có số CRPS lớn Raw, 21 phương pháp EMOS lại cho trị số CRPS nhỏ Raw tất khu vực nghiên cứu Hay nói cách khác, chất lượng dự báo xác suất Tmax từ Raw cải thiện áp dụng phương pháp EMOS Các phương pháp NGR_EM, NGR_EP tiếp tục phương pháp cho cải thiện tốt hầu hết khu vực nghiên cứu, BCMA BCES Phương pháp NGR_ER cho thấy cải thiện nhỏ khu vực ngoại trừ khu vực ĐBBB BTB Bảng 3.19: Tương tự bảng 3.13 cho yếu tố Tmax Phƣơng pháp EMOS BCMA BCLR BCES BCKF NGR_ER NGR_EP NGR_EM Raw TB 0.73 0.82 0.72 0.87 1.09 0.69 0.71 1.55 VB 0.74 0.82 0.73 0.93 1.16 0.73 0.73 1.28 ĐB 0.81 0.88 0.78 1.0 1.23 0.76 0.77 0.98 Khu vực nghiên cứu ĐBBB BTB TTB 0.69 0.63 0.62 0.76 0.68 0.65 0.67 0.61 0.59 0.76 0.68 0.89 1.1 0.97 0.94 0.66 0.62 0.59 0.66 0.61 0.57 0.76 0.77 0.72 NTB 0.54 0.6 0.51 0.63 0.79 0.53 0.51 0.69 TN 0.52 0.59 0.49 0.62 0.8 0.52 0.51 0.67 NB 0.54 0.61 0.51 0.63 0.83 0.52 0.5 0.61 Các kết đánh giá dựa biểu đồ hạng, độ phủ độ rộng 90.48% cho thấy độ tán EF, độ tin cậy độ nhọn dự báo xác suất từ phương pháp EMOS cải thiện so với Raw Các phương pháp cho thấy cải thiện tốt độ tán tổ hợp NGR_EM NGR_EP Trong đó, phương pháp BCMA, BCLR, BCKF, BCES NGR_ER mặc thấy cải thiện độ tán lại đưa đến độ tán nhỏ so với thực tế Đối với độ nhọn, phương pháp NGR_ER BCLR cho thấy cải thiện lớn có độ tán EF nhỏ 3.3.4 Yếu tố nhiệt độ tối thấp ngày Các kết đánh giá chất lượng dự báo xác suất cho yếu tố Tmin gần tương tự yếu tố T2m, Td2m Tmax Các phương pháp NGR_EM, NGR_EP, BCMA BCES tiếp tục phương pháp 22 cho cải thiện tốt kỹ dự báo xác suất (tăng độ tin cậy) hầu hết khu vực nghiên cứu Tuy nhiên, mức độ cải thiện độ tin cậy, độ tán EF, độ phủ độ nhọn không lớn dự báo yếu tố T2m, Td2m Tmax 3.4 Đánh giá khả ứng dụng điều kiện nghiệp vụ Các kết đánh giá thấy hầu phương pháp EMOS đáp ứng khía cạnh chất lượng dự báo (theo tiêu chí đánh giá chất lượng tin dự báo quy định Quyết định số 96/QĐ-KTTVQG ban hành ngày 29 tháng năm 2012 quy định việc đánh giá dự báo thời tiết hạn ngắn Trung tâm KTTV Quốc gia) yêu cầu thời gian toán nghiệp vụ Từ kết đánh giá thấy phương pháp NGR_EM, NGR_EP, BCMA BCES phương pháp EMOS tốt cho hệ thống SREPS Ngược lại, phương pháp EMLR, BCKF NGR_ER không đem lại nhiều hiệu việc nâng cao chất lượng dự báo EM xác suất hệ thống SREPS đáp ứng yêu cầu thời gian nghiệp vụ KẾT LUẬN VÀ KIẾN NGHỊ Từ nghiên cứu lý thuyết phương pháp EMOS tính tốn thử nghiệm số phương pháp EMOS lựa chọn dựa số liệu dự báo hệ thống SREPS từ năm 2008 đến 2010, tác giả rút số nhận xét kết luận sau: 1) Luận án tổng quan nghiên cứu toán EMOS lựa chọn 10 phương pháp EMOS phù hợp cho hệ thống SREPS TTDBTƯ 2) Luận án ứng dụng 10 phương pháp EMOS nói để nâng cao chất lượng dự báo EM xác suất hệ thống SREPS dựa chuỗi số liệu thử nghiệm từ 2008-2010 Kết đánh giá 23 cho thấy hầu hết phương pháp EMOS thử nghiệm cho thấy cải thiện chất lượng dự báo EM xác suất phương pháp đem lại nhiều cải thiện chất lượng dự báo EM xác suất NGR_EM, NGR_EP, BCMA BCES 3) Luận án tính hiệu phương pháp EMOS việc nâng cao chất lượng dự báo trung bình tổ hợp xác suất từ hệ thống SREPS cho số yếu tố nhiệt độ bề mặt 4) Luận án khả ứng dụng nghiệp vụ phương pháp EMOS lựa chọn Cụ thể, Phương pháp NGR_EM, BCMA BCES triển khai vào tốn nghiệp vụ TTDBTƯ để nâng cao chất lượng dự báo trung bình tổ hợp xác suất hệ thống SREPS 5) Luận án góp phần nâng cao chất lượng dự báo hệ thống NWP TTDBTƯ cung cấp thêm nguồn thơng tin tham khảo hữu ích cho dự báo viên hướng nghiên cứu có liên quan đến dự báo tổ hợp EMOS tương lai Trên sở khoa học thực nghiệm nhận từ luận án, tác giả kiến nghị số hướng nghiên cứu sau: 1) Cần tiếp tục đầu tư hướng nghiên cứu hậu xử lý cho dự báo tổ hợp (EMOS) 2) Triển khai nghiệp vụ hệ thống EMOS lựa chọn TTDBTƯ cho hệ thống SREPS 3) Nghiên cứu xây dựng phương pháp EMOS cho mục đích nâng cao chất lượng dự báo trường khí từ hệ thống dự báo tổ hợp 4) Nghiên cứu tối ưu hóa số phương pháp EMOS có sử dụng cơng thức hệ số thực nghiệm để phù hợp với điều kiện Việt Nam 24 ... phát triển ứng dụng phương pháp thống kê sau mơ hình tổ hợp (EMOS) vào dự báo thời tiết Việt Nam? ?? Trong khuôn khổ luận án, tác giả ứng dụng thử nghiệm số phương pháp thống kê để hiệu chỉnh kết dự. .. luận kiến nghị CHƢƠNG DỰ BÁO TỔ HỢP VÀ VẤN ĐỀ HIỆU CHỈNH THỐNG KÊ CHO DỰ BÁO TỔ HỢP 1.1 Dự báo tổ hợp vai trò dự báo tổ hợp Theo Kalnay (2003) [66], EF tập hợp dự báo xác định thời điểm hướng đến... vi nghiên cứu: toàn lãnh thổ Việt Nam đại diện 174 vị trí trạm quan trắc khí tượng bề mặt;  Phương pháp nghiên cứu: luận án sử dụng phương pháp nghiên cứu gồm phương pháp thống kê, phương pháp