BÀI BÁO KHOA HỌC PHÂN TÍCH, ĐÁNH GIÁ MỘT SỐ PHƯƠNG PHÁP THỐNG KÊ HIỆU CHỈNH SAI SỐ TỪ MÔ HÌNH MƯA NGÀY VỀ TRẠM MƯA ỨNG DỤNG CHO CÁC TRẠM MƯA THUỘC TỈNH BÌNH ĐỊNH Ngơ Lê An1, Lê Thị Hải Yến1, Ngô Lê Long1, Nguyễn Thị Thu Hà1 Tóm tắt: Các mơ hình khí hậu tồn cầu khu vực sử dụng rộng rãi để mô thơng tin khí tượng phạm vi không gian dù kết mô lượng mưa từ mơ hình cịn sai số Để sử dụng hiệu số liệu, có nhiều kỹ thuật hiệu chỉnh sai số thống kê nghiên cứu ứng dụng Trong báo tám phương pháp hiệu chỉnh đại diện cho ba nhóm biến đổi dựa vào phân bố xác suất lý thuyết, biến đổi có tham số biến đổi phi tham số đưa vào đánh giá Chỉ tiêu bình quân sai số tuyệt đối (MAE) sử dụng để xếp hạng phương pháp tính tốn từ phương pháp đánh giá chéo (cross-validation) Kết cho thấy nhóm biến đổi phi tham số cho hiệu hiệu chỉnh sai số tốt phân bố cường độ mưa lẫn số ngày có mưa, nhóm biến đổi dựa phân bố xác suất lý thuyết hiệu Nghiên cứu vị trí trạm đo mưa có lượng mưa ngày lớn cho kết tính tốn sai số nhiều khả ngoại suy giá trị cực trị phương pháp hiệu chỉnh cịn hạn chế Từ khóa: Thống kê hiệu chỉnh sai số, đánh giá chéo, mơ hình mưa ngày ĐẶT VẤN ĐỀ1 Các mơ hình khí hậu toàn cầu (Global Climate Model – GCM) khu vực (Regional Climate Model – RCM) sử dụng rộng rãi để mơ thơng tin khí tượng phạm vi không gian Nhiều nghiên cứu sai số kết mô lượng mưa từ mơ hình Các sai số xuất thường giả thiết làm đơn giản hố giới hạn mơ hình số mơ q trình hình thành mưa (Rauscher nnk, 2010) Do vậy, để sử dụng hiệu số liệu mưa từ mơ hình, cần xử lý sai số từ kết mô Hiện nay, kỹ thuật xử lý khác nghiên cứu nhiều nhằm đưa kết hiệu chỉnh phù hợp với Trường Đại học Thủy lợi số liệu quan trắc trạm đo mưa Về bản, kỹ thuật hiệu chỉnh sai số dựa việc hiệu chỉnh đặc trưng thống kê chuỗi số liệu tính tốn để phù hợp với đặc trưng thống kê chuỗi quan trắc Các đặc trưng bao gồm trung bình, độ lệch chuẩn, hàm phân bố (Maraun Douglas, 2016) Hai nhóm hiệu chỉnh thường sử dụng là: i) Thay đổi tỷ lệ; ii) Hiệu chỉnh Phân vị Nhóm thay đổi tỷ lệ nhóm phương pháp đơn giản tính tốn hiệu chỉnh dựa chênh lệch giá trị thực đo tính tốn Nhóm hiệu chỉnh phân vị cố gắng hiệu chỉnh biến thiên phân bố từ mơ hình cho phù hợp với biến thiên số liệu thực đo Nhìn chung, kỹ thuật tồn việc phải giả thiết mối quan hệ biến độc lập phụ thuộc không đổi tương lai (Wilby Wigley, 1997) KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 56 (3/2017) 143 Một số nghiên cứu điển hình liên quan đến kỹ thuật kể đến: Wilby nnk (2002) giới thiệu mô hình chi tiết hóa thống kê (Statistical Down Scaling Model -SDSM) nhằm chi tiết hố lượng mưa từ mơ hình toàn cầu trạm cách xây dựng quan hệ tương quan lượng mưa đặc trưng khí hậu vùng mơ hình Cơng cụ có ưu điểm tính tốn nhanh chóng, khơng địi hỏi nhiều tài ngun máy tính nhược điểm cần có nhiều liệu yếu tố khí tượng khác Lenderink nnk (2007), Schimidli nnk (2006) sử dụng phương pháp thay đổi tỷ lệ kết hợp với việc hiệu chỉnh số ngày mưa Ines Hansen (2006) nghiên cứu hiệu chỉnh sai số lượng mưa ngày từ mô hình mưa tồn cầu Các tác giả nhận thấy, kết mô thường cho nhiều trận mưa xảy kèm theo cường độ mưa nhỏ so với lượng mưa trạm đo nằm ô lưới mô tương ứng, từ đề xuất phương pháp hiệu chỉnh phân bố tần suất cường độ mưa cho lượng mưa ngày từ mô hình mưa tồn cầu Piani nnk (2010) đề xuất hàm biến đổi, hiệu chỉnh hàm phân bố lượng mưa mơ luỹ tích hàm phân bố xác suất mưa thực đo, sử dụng hàm phân bố Gamma để mô phân bố lượng mưa ngày Theo Haerter nnk (2015), nhóm phương pháp phân vị nhằm điều chỉnh hàm phân bố xác suất kết đầu mơ hình khí hậu với liệu khí hậu quan trắc thực tế ứng dụng nhiều nhóm phương pháp hiệu chỉnh thống kê Bài báo nghiên cứu đánh giá số phương pháp thống kê hiệu chỉnh phân vị thường dùng từ mơ hình mưa ngày với liệu trạm đo mưa, từ phân tích khuyến nghị lựa chọn phương pháp phù hợp Vùng nghiên cứu lưu vực sơng thuộc tỉnh Bình Định vùng dự kiến có biến động mưa lớn có mật độ trạm đo mưa cao (Bộ Tài nguyên Môi trường, 2016) 144 PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU 2.1 Phương pháp nghiên cứu Theo Piani nnk (2010), hàm biến đổi thống kê có dạng: (1) Với Po, Pm lượng mưa thực đo lượng mưa tính tốn từ mơ hình Hàm Fm hàm phân bố luỹ tích lượng mưa tính tốn hàm nghịch đảo hàm phân bố luỹ tích tương ứng với lượng mưa thực đo Dựa vào phương pháp xác định hàm biến đổi khác nhau, phương pháp thống kê hiệu chỉnh sai số đánh giá nghiên cứu chia thành ba nhóm sau: - Nhóm biến đổi dựa vào phân bố xác suất lý thuyết: phân bố Gamma, Weibull, LogNormal, hàm mũ (Exponential) Thông số hàm xác suất tính tốn theo phương pháp thích hợp tối đa cho giá trị Pm Po - Nhóm biến đổi có tham số: o Tỷ lệ (QQ_Scale): (với b tham số) o Tương quan tuyến tính (QQ_Linear): (với a b tham số) o Tương quan luỹ thừa (QQ_Power): (với b c tham số) Trong giá trị tính tốn hiệu chỉnh.Các tham số sử dụng nhóm biến đổi tìm kiếm cách so sánh đường tần suất luỹ tích kinh nghiệm với hàm tính tốn sử dụng đánh giá sai số bình phương tối thiểu - Nhóm biến đổi phi tham số (EQ_Linear): hàm phân vị thực nghiệmvới giá trị phân vị nội ngoại suy theo hồi quy tuyến tính 2.2 Dữ liệu Dữ liệu mưa mơ hình lấy từ mơ hình khí hậu địa phương HadGEM3-RA (RCM) có kích thước mơ nhỏ 0,44o x 0,44 (xấp xỉ 50km) với biên đầu vào từ mô hình HadGEM2-AO Anh có kích thước lưới 1,875o x 1,25o cho vùng Đông Á, Ấn Độ KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 56 (3/2017) Bảng Các trạm đo mưa nghiên cứu Tây Thái Bình Dương Mơ hình mô lại chuỗi mưa ngày khứ từ năm 1960 đến 2005 Trong nghiên cứu này, chuỗi liệu thực đo giai đoạn khứ từ năm 1981 đến 2005 sử dụng để so sánh đánh giá với chuỗi liệu mơ từ mơ hình Dữ liệu thực đo lấy từ trạm đo mưa trình bày bảng Dữ liệu mưa từ mơ hình sử dụng để so sánh với trạm đo lấy từ ô lưới chứa trạm đo mưa TT Tên trạm An Hoà Bồng Sơn Đề Gi Hoài Ân Phù Cát Vĩnh Kim Hoài Nhơn Quy Nhơn Bình Tường Kinh độ 108.9080 109.0333 109.1597 108.8640 109.0667 108.7667 109.0300 109.2167 108.8743 Vĩ độ 14.5480 14.4333 14.1180 14.3655 14.0000 14.2333 14.5168 13.7667 13.9395 Hình Sơ đồ vị trí trạm nghiên cứu lưới mơ hình HadGEM3-RA cho khu vực tỉnh Bình Định 2.3 Chỉ tiêu đánh giá Để đánh giá khả hiệu chỉnh sai số phương pháp, nghiên cứu sử dụng số bình quân sai số tuyệt đối (Mean Absolute Error – MAE) tính khoảng khơng gian xác suất phân bố kinh nghiệm KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 56 (3/2017) 145 tính tốn theo đề xuất Gudmundsson nnk (2012) Các giá trị MAE0.1, MAE0.2, , MAE1.0 tương ứng bình quân sai số tuyệt đối khoảng xác suất từ đến 0,1; 0,1 đến 0,2; ; 0,9 đến 1,0 Các số xác định kỹ thuật đánh giá chéo (Cross-validation) Theo đó, chuỗi số chia thành 10 mẫu khác theo thời gian Mơ hình tính tốn hiệu chỉnh mẫu kiểm định mẫu cịn lại Tính tốn số MAE lặp lại bước hiệu chỉnh kiểm định cho mẫu Chỉ số MAE cuối số tính trung bình bước kiểm định Phương pháp hiệu chỉnh cho số MAE nhỏ có nghĩa sai lệch tính tốn thực đo hơn, hay nói cách khác phương pháp tốt Ngồi ra, số ngày có mưa tiêu đánh giá nghiên cứu Ngày có mưa coi ngày có lượng mưa lớn 0.1mm KẾT QUẢ NGHIÊN CỨU Chỉ số MAE tính toán cho trạm nghiên cứu theo phương pháp khác Kết tính tốn trình bày Hình Hình Trong Hình 2, đường nét liền ký hiệu SIM thể sai số mô hình trước hiệu chỉnh, điểm chấm tương ứng phương pháp hiệu chỉnh khác Kết cho thấy nhìn chung phương pháp hiệu chỉnh có tác dụng làm giảm sai số kể tính trung bình hay theo phân bố khoảng Các sai số lớn chủ yếu xuất phần nửa khơng gian xác suất, phần nửa sai số chủ yếu ngày khơng có mưa Các dạng hàm phân bố hàm mũ (Exponential), Gamma, LogNormal hiệu khoảng tần suất cực đại (MAE1.0) Trong hàm biến đổi có tham số Tỷ lệ, Tuyến tính Luỹ thừa lại hiệu khoảng phân bố gần cực đại (MAE0.7 đến MAE0.9) cho số trạm Đặc biệt MAE0.9 hàm khơng có hiệu hiệu chỉnh sai số xét trung bình trạm tồn khu vực Nhóm biến đổi phi tham số cho kết hiệu chỉnh tốt tất khoảng phân bố trạm cho kết bình quân sai số tuyệt đối thấp so với số liệu mưa mơ hình chưa hiệu chỉnh Lợi phương pháp biến đổi phi tham số tính linh hoạt việc mơ tả phân phối xác suất khơng phụ thuộc vào hàm tính tốn Hình thể phân bố bình quân sai số tuyệt đối theo không gian ứng với dạng hàm hiệu chỉnh khác Nhìn chung, trạm đo mưa phía Đơng khu vực giáp biển Bồng Sơn, Đề Gi, Hồi Nhơn thường có giá trị MAE cao so với trạm đo mưa nằm khu vực phía Tây địa phận lưu vực sơng Kone Kể chuẩn hoá giá trị MAE cách chia cho lượng mưa trung bình trạm cho giá trị cao Điều giải thích trạm gần biển có chế độ mưa phức tạp với lượng mưa cực trị lớn, biến động mạnh nên khó hiệu chỉnh Khi tính tốn cho trường hợp cực trị, phương pháp tính tốn cần phải ngoại suy dựa số liệu hiệu chỉnh Nếu phương pháp hiệu chỉnh số liệu mô tả xu không phù hợp dẫn đến kết hiệu chỉnh số liệu kiểm định có sai số lớn Bảng Chênh lệch số ngày có mưa sau hiệu chỉnh so với thực tế (%) Exp Gamma LogNorm Weibull EQ-Linear QQ-Linear QQ-Power QQ-Scale 6.97 15.01 11.94 6.15 0.83 3.55 Bảng thể chênh lệch số ngày có mưa theo phương pháp hiệu chỉnh so với số liệu thực tế Trước hiệu chỉnh, kết mơ từ mơ hình khí hậu cho số ngày có mưa nhiều (gấp 2,8 lần so với thực tế) Sau sử dụng phương pháp hiệu chỉnh, nhìn chung, số ngày có mưa kết mô 146 0.67 0.67 Không hiệu chỉnh 280 hình điều chỉnh xấp xỉ với thực tế Phương pháp hiệu chỉnh phi tham số cho sai lệch với nhóm hiệu chỉnh có tham số tương quan tuyến tính tương quan luỹ thừa, thể tính hiệu phương pháp việc hiệu chỉnh sai số mô hình mưa KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MƠI TRƯỜNG - SỐ 56 (3/2017) Hình Bình quân sai số tuyệt đối trạm theo phương pháp KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 56 (3/2017) 147 Hình Bình quân sai số tuyệt đối (MAE) theo hàm hiệu chỉnh khác trạm đo mưa thuộc tỉnh Bình Định KẾT LUẬN Bài báo nghiên cứu sử dụng phương pháp hiệu chỉnh sai số chia thành nhóm: hàm phân bố xác suất, biến đổi có tham số biến đổi phi tham số cho trạm đo mưa thuộc tỉnh Bình Định từ mơ hình mưa HadGEM3RA Báo cáo sử dụng phương pháp Crossvalidation để đánh giá hiệu phương pháp Kết nghiên cứu cho thấy, nhóm phương pháp biến đổi phi tham số có hiệu cao hiệu chỉnh cường độ mưa lẫn 148 số ngày có mưa Các phương pháp thuộc nhóm hàm phân bố xác suất cho hiệu thấp hàm phân bố khó mơ tả xác biến động mưa ngày Các hàm phân phối xác suất có nhiều thơng số cho kết tốt hàm thơng số dễ mơ tả tần suất kinh nghiệm xác Điều thể rõ xét không gian trạm đo, sai số lớn thường trạm đo mưa gần biển nơi có lượng mưa ngày lớn kèm theo biến động cao theo thời gian KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 56 (3/2017) TÀI LIỆU THAM KHẢO Bộ Tài nguyên Môi trường (2016) Kịch Biến đổi khí hậu nước biển dâng cho Việt Nam Gudmundsson, L., Bremnes, J B., Haugen, J E., and Engen-Skaugen, T.: Technical Note: Downscaling RCM precipitation to the station scale using statistical transformations – a comparison of methods, Hydrol Earth Syst Sci., 16, 3383-3390, doi:10.5194/hess-16-33832012, 2012 Haerter, J O., B Eggert, C Moseley, C Piani and P Berg (2015), Statistical precipitation bias correction of gridded model data using point measurements, Geophys Res Lett., 42, 1919 1929, doi:10.1002/2015GL063188 Ines AVM, Hansen JW (2006) Bias correction of daily GCM rainfall for crop simulation studies Agric For Meteorol 138:44-53 Lenderink, G., Buishand, A., and van Deursen, W (2007): Estimates of future discharges of the river Rhine using two scenario methodologies: direct versus delta approach, Hydrol Earth Syst Sci., 11, 1145–1159, doi:10.5194/hess-11-1145-2007 Maraun, D (2016) Bias Correcting Climate Change Simulations - a Critical Review Current Climate Change Reports, 2, 211-220 Rauscher, S., Coppola, E., Piani, C., and Giorgi, F., (2010) Resolution effects on regional climate model simulations of seasonal precipitation over Europe, Clim Dynam., 35, 685–711, doi:10.1007/s00382-009-0607-7, 2010 Schmidli, J., Frei, C., and Vidale, P L (2006): Downscaling from GC precipitation: A benchmark for dynamical and statistical downscaling methods, Int J Climatol., 26, 679–689, doi:10.1002/ joc.1287 Wilby, R.L., Wigley, T.M.L, (1997) Downscaling general circulation model output: a review of methods and limitations Progress in Physical Geography 214, 530-548 Wilby, R.L., Dawson, C.W and Barrow E.M., (2002) SDSM - a decision support tool for the assessment of regional climate change impacts, Environmental Modelling & Software, 17, 147-159 Abstract: SOME STATISTICALTRANSFORMATION METHODS FOR BIAS CORRECTION OF DAILY PRECIPITATION FROM METEOROLOGICAL MODELS TO THE STATION SCALE – A CASE STUDY IN BINH DINH PROVINCE Global Climate Model and Regional Climate Model are widely used to simulate regional climate despite large errors of models Some bias correction techniques are applied to get more accuracy results This research studies some common bias correction methods for daily precipitation to the station scale, a case study in Binh Dinh province Eight methods of three Transformation groups: distribution derived transformations, parametric transformations, nonparametric transformations are selected for review Mean absolute error index estimated from Cross-validation technique is used for ranking the methods The nonparametric transformations is ranked as the best method in reducing biases of both of precipitation intensities and wet days Distribution derived transformations is less effective Large errors are occurred in the stations which have extreme precipitation due to the limitations of extrapolation of these techniques Keywords: Bias correction, cross-validation, Binh Dinh province, daily precipitation model… BBT nhận bài: 16/3/2017 Phản biện xong: 09/4/2017 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 56 (3/2017) 149 ... việc hiệu chỉnh số ngày mưa Ines Hansen (2006) nghiên cứu hiệu chỉnh sai số lượng mưa ngày từ mơ hình mưa tồn cầu Các tác giả nhận thấy, kết mô thường cho nhiều trận mưa xảy kèm theo cường độ mưa. .. mơ hình khí hậu với liệu khí hậu quan trắc thực tế ứng dụng nhiều nhóm phương pháp hiệu chỉnh thống kê Bài báo nghiên cứu đánh giá số phương pháp thống kê hiệu chỉnh phân vị thường dùng từ mơ hình. .. hiệu chỉnh, nhìn chung, số ngày có mưa kết mơ 146 0.67 0.67 Khơng hiệu chỉnh 280 hình điều chỉnh xấp xỉ với thực tế Phương pháp hiệu chỉnh phi tham số cho sai lệch với nhóm hiệu chỉnh có tham số