1. Trang chủ
  2. » Khoa Học Tự Nhiên

Lựa chọn thành phần dự báo tổ hợp cho hệ thống dự báo hạn mùa

8 47 0

Đang tải... (xem toàn văn)

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 8
Dung lượng 9,13 MB

Nội dung

Nghiên cứu này trình bày kết quả thử nghiệm lựa chọn thành phần dự báo của một hệ thống tổ hợp nghiệp vụ dự báo khí hậu hạn mùa ở Việt Nam. Việc ứng dụng các mô hình động lực để xây dựng các hệ thống dự báo tổ hợp hạn mùa đã và đang dành được nhiều quan tâm trong 20 năm gần đây.

BÀI BÁO KHOA HỌC DOI:10.36335/VNJHM.2019(EME2).193-200 LỰA CHỌN THÀNH PHẦN DỰ BÁO TỔ HỢP CHO HỆ THỐNG DỰ BÁO HẠN MÙA Mai Văn Khiêm1, Hà Trường Minh2, Phạm Quang Nam3, Vũ Văn Thăng2, Nguyễn Quang Trung2 Tóm tắt: Nghiên cứu trình bày kết thử nghiệm lựa chọn thành phần dự báo hệ thống tổ hợp nghiệp vụ dự báo khí hậu hạn mùa Việt Nam Việc ứng dụng mơ hình động lực để xây dựng hệ thống dự báo tổ hợp hạn mùa dành nhiều quan tâm 20 năm gần Tuy nhiên, để cân tài nguyên tính tốn hạn chế nước phát triển, Việt Nam với hiệu tin dự báo, việc lựa chọn thành phần dự báo hợp lý trở nên quan trọng Hệ thống dự báo nghiệp vụ hạn mùa đánh giá nghiên cứu có khả đưa dự báo tổ hợp từ 20 đến 40 thành phần Kết dự báo thử nghiệm cho năm 2018, 117 trạm, với 36 dự báo thành phần lựa chọn để nghiên cứu Việc lựa chọn dựa phân nhóm theo ba mơ hình (RegCM, clWRF, RSM) đánh giá so sánh kỹ dự báo riêng nhóm (theo số kỹ RPSSD) Nhìn chung, dự báo xác suất cho giai đoạn thử nghiệm cho thấy kỹ dự báo tốt nhóm mơ hình RSM so với mơ hình clWRF RegCM Do đó, 15 thành phần dự báo RSM khuyến cáo nên sử dụng trường hợp hạn chế tài ngun tính tốn Từ khóa: Dự báo khí hậu hạn mùa, clWRF, RegCM, RSM, CFSv2, RPSS Ban Biên tập nhận bài: 11/12/2019 Ngày phản biện xong: 12/12/2019 Mở đầu Dự báo khí hậu hạn mùa hướng đến khoảng trống tin dự báo thời tiết, dự báo nội mùa dự tính khí hậu nhiều năm, thường đưa dự báo với hạn dự báo từ tuần gần năm [2] Trong 20 năm qua, khơng phát triển cấp quốc gia, có 11 trung tâm quốc tế xây dựng để đưa tin dự báo nghiệp vụ khí hậu hạn mùa, chủ yếu hạn dự báo tháng sử dụng dự báo tổ hợp từ sản phẩm mơ hình động lực [3] Điều xuất phát từ thực tế thông tin dự báo khí hậu hạn mùa có ý nghĩa quan trọng nhiều ngành kinh tế - xã hội giao thông vận tải xây dựng, đặc biệt quản lý Trung tâm Dự báo Khí tượng Thủy văn Quốc gia Viện Khoa học Khí tượng Thủy văn Biến đổi khí hậu Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội Email: maikhiem77@gmail.com Ngày đăng: 20/12/2019 sản xuất nông nghiệp [3] Carberry cs (2000) [1] mối quan tâm việc khai thác tin dự báo khí hậu hạn mùa, nhằm hỗ trợ người nơng dân quản lý hệ thống trồng trọt, cụ thể định hạn dài việc luân canh Tác giả sâu vào phân tích trường hợp điển hình việc luân canh cao lương bơng, định dựa vào kết dự báo số Dao động Nam (Southern Oscillation Index - SOI) Tháng 10 hàng năm thời điểm mà người nông dân Úc cần định xem nên để đất hoang, trồng cao lương hay trồng cho mùa hè năm Sự luân canh dựa tin dự báo SOI giúp tăng sản lượng 14% hai năm giảm xói TẠP CHÍ KHÍ TƯỢNG THỦY VĂN Số phục vụ Hội thảo chuyên đề 193 BÀI BÁO KHOA HỌC 194 mòn đất gần 23% [1] Những thơng tin dự báo khí hậu quan trọng để xây dựng kế hoạch ứng phó với thiên tai [8] Điều trở nên quan trọng bối cảnh biến đổi khí hậu, tượng thời tiết cực đoan xảy với tần suất nhiều hơn, cường độ mạnh [7] Bên cạnh phương pháp dự báo thống kê truyền thống, việc ứng dụng mơ hình động lực vào hệ thống nghiệp vụ dự báo khí hậu quan tâm mạnh mẽ [2] Các mô hình này, thực tế chương trình máy tính, thực việc giải số phương trình mơ tả nguyên lý nhiệt động lực học q trình vận động tồn khí [2] Việc ứng dụng mơ hình động lực hỗ trợ cơng nghệ máy tính hiểu biết sâu chất vật lý q trình khí Các hệ thống dự báo khí hậu tiên tiến (ví dụ hệ thống CFSv2 Mỹ, EPS Nhật hay GlobSea5 Anh) ứng dụng mơ hình động lực này, khơng thực dự báo tổ hợp dựa nhiều dự báo thành phần [3,5] Đơn cử Trung tâm Hadley Anh vận hành hệ thống dự báo khí hậu mùa GloSea5, từ tháng 01 năm 2013 Độ phân giải mơ hình khí bề mặt đất tăng lên so với GloSea4 từ 210×140 km lên 92×62 km Độ phân giải ngang mơ hình biển băng biển giảm từ 111 km tới 27 km [5] Trong dự báo khí hậu mùa, để loại bỏ sai số hệ thống mơ hình, dự báo hiệu chỉnh dự báo lại (hindcast) mơ hình Dự báo lại GloSea5 thực giai đoạn 1996-2009, dự báo bắt đầu ngày 01, 09, 17 25 tháng Dự báo mùa Trung tâm chia làm loại với thông tin dự báo chuẩn, chuẩn tựa chuẩn hạn dự báo trước từ đến tháng [5] Để xây dựng hệ thống nghiệp vụ dự báo khí hậu ứng dụng mơ hình động lực cần tài ngun tính tốn lớn, đặc biệt hệ thống dự báo tổ hợp [2] Dự báo tổ hợp từ nhiều thành phần cho phép xem xét tính bất định TẠP CHÍ KHÍ TƯỢNG THỦY VĂN Số phục vụ Hội thảo chuyên đề dự báo đơn lẻ [13] Thực tế, dự báo tổ hợp xác suất trở thành chuẩn kỹ thuật nhiều hệ thống dự báo khí hậu hạn mùa, loại thơng tin dự báo hữu ích cho nhiều ngành kinh tế - xã hội [13] Ví dụ như, toán quản lý rủi ro thiên tai, thông tin dự báo xác suất, từ nhiều thành phần tổ hợp, đóng vai trò quan trọng Bởi vì, dự báo thành phần tạo khả trạng thái khí khác nhau, đảm bảo độ đồng với tiến triển điều kiện biên (điều kiện nhiệt độ mặt nước biển nồng độ khí nhà kính) Dự báo tổ hợp cho biết thơng tin phân bố dự báo thành phần, độ bất định dự báo hạn mùa [13] Tuy nhiên, cân đối tài ngun tính tốn cấu trúc, quy mô hệ thống dự báo tổ hợp lại nảy sinh toán lựa chọn thành phần dự báo Tapiador cs (2006) đề xuất phương pháp dựa ý tưởng entropy để lựa chọn thành phần dự báo hệ thống dự báo tổ hợp từ mơ hình động lực tồn cầu Cũng giống phương pháp xử lý hậu mơ hình khác, kỹ thuật phương pháp Tapiador cs (2006) dùng phép hồi quy có trọng số phép phân tích tương quan Tuy nhiên, khác biệt nằm sở để lựa chọn dựa lý thuyết tổng entropy cực đại, cụ thể hóa hệ số tương quan dự báo thành phần với số liệu tái phân tích (ở nghiên cứu số liệu ERA-40) Về bản, phương pháp dựa giả thiết cân lượng nên ứng dụng với mơ tồn cầu [11] Yuan Wood (2012) [14] nhiều mơ hình động lực hệ thống dự báo tổ hợp có chung thành phần khí (hoặc đại dương), dẫn đến kết dự báo tương tự Điều dẫn đến câu hỏi liệu có nên để trọng số dự báo thành phần kết tổ hợp hay tạo tổ hợp nhỏ mà có kỹ dự báo tốt thơng tin dự báo hữu ích [14] Yuan Wood (2012) [14] đề xuất phương pháp chia nhánh theo thứ tự, dựa vào kết đánh giá tính BÀI BÁO KHOA HỌC tương tự từ số liệu dự báo lại (ví dụ thực cho 12 mơ hình dự báo thành phần khu vực Mỹ Châu Âu) Ở Việt Nam, đề tài “Nghiên cứu xây dựng hệ thống nghiệp vụ dự báo khí hậu hạn mùa cho Việt Nam mơ hình động lực”, mã số KC.08.01/16-20 xây dựng hệ thống nghiệp vụ dự báo khí hậu hạn mùa, ứng dụng ba mơ hình khí hậu khu vực (bao gồm RSM, RegCM, clWRF) Hệ thống cho phép đưa tin dự báo tổ hợp từ 20 đến 40 dự báo thành phần Tuy vậy, để phù hợp với điều kiện tài ngun tính tốn Việt Nam tại, việc chuyển giao hệ thống dự báo quan chuyên trách, việc lựa chọn số thành phần dự báo phù hợp, với ý nghĩa đảm bảo kỹ dự báo hệ thống, cần xem xét Nghiên cứu bước đầu kết việc lựa chọn thành phần dự báo Mục mô tả hệ thống dự báo nghiệp vụ Mục trình bày số dùng để đánh giá, lựa chọn thành phần dự báo Mục trình bày kết thảo luận, trước đến với số kết luận Mục Hệ thống nghiệp vụ dự báo khí hậu hạn mùa 2.1 Hệ thống nghiệp vụ vận hành Từ tháng 10/2017, hệ thống tổ hợp dự báo khí hậu hạn mùa hoàn thiện vận hành thử nghiệm chế độ nghiệp vụ Viện Khoa học Khí tượng Thủy văn Biến đổi khí hậu Quy trình vận hành hệ thống dự báo bao gồm tám bước tiến trình, gộp tiến trình thành ba bước bản, bao gồm (1) thu thập xử lý số liệu điều kiện biên điều kiện ban đầu, (2) chạy mơ hình RCMs, (3) hậu xử lý số liệu đầu mơ hình Có thể nhìn thấy Hình sơ đồ vận hành cụ thể sử dụng điều kiện biên điều kiện ban đầu từ hệ thống mơ hình tồn cầu CFSv2 để chạy mơ hình khu vực RSM, RegCM, clWRF [9] Hệ thống dự báo nghiệp vụ cho tin vào tuần cuối hàng tháng Cấu hình động lực Tải số liệu CFSv2 Tạo tập tin ICBC định dạng cho RCMs Chạy mơ hình RSM (15 thành phần) RegCM (15 thành phần) clWRF (6 thành phần) Định dạng chuẩn tập tin đầu Nội suy số liệu điểm trạm Tính toán sản phẩm dự báo (chuẩn sai, dự báo xác suất, tượng cực đoan, số gió mùa) Hiệu chỉnh dự báo phương pháp BJP Cập nhật tin dự báo lên http://climate.com.vn/ Đánh giá tin dự báo Tính tốn sai số so với quan trắc Tính số kỹ dự báo Hình Quy trình dự báo nghiệp vụ hệ thống dự báo khí hậu sử dụng nghiên cứu vật lý mơ hình khí hậu khu vực thiết lập cho khu vực Việt Nam độ phân giải ngang khoảng 25km Chi tiết cấu hình tham khảo báo cáo tổng kết đề tài Tồn chương trình vận hành hệ thống dự báo tự động hóa thơng qua chương trình Linux bash-shell kết hợp với chương trình Fortran phần mềm Climate Data Operators (CDO) Sản phẩm dự báo cập nhật hàng tháng lên địa trang mạng http://climate.com.vn/ Hai loại sản phẩm dự báo cung cấp chuẩn sai nhiệt độ, lượng mưa tháng 06 tháng dự báo xác suất cho ba pha (dưới, cận chuẩn) tổ hợp từ dự báo thành phần Bên cạnh đó, dự báo tượng cực đoan nắng nóng, rét đậm, rét hại dự báo số gió mùa cung cấp 2.2 Bộ số liệu dự báo lại cho thời kỳ 1982TẠP CHÍ KHÍ TƯỢNG THỦY VĂN Số phục vụ Hội thảo chuyên đề 195 BÀI BÁO KHOA HỌC 196 2011 Sản phẩm dự báo khí hậu hạn mùa tập trung vào dự báo xu mức độ dao động xung quanh giá trị trung bình nhiều năm hay trung bình chuẩn Kết dự báo cung cấp dạng dự báo chuẩn sai xác suất xuất pha, với ba pha (vượt) chuẩn, lân cận (xấp xỉ) chuẩn (hụt) chuẩn Do đó, cần phải có giá trị dự báo trung bình nhiều năm mơ hình (hay gọi trường khí hậu mơ hình) làm chuẩn so sánh để đưa thông tin dự báo Do hạn chế số liệu đầu vào tài ngun tính tốn nên nghiên cứu trước Việt Nam sử dụng (1) giá trị trung bình nhiều năm số liệu quan trắc trạm (2) giá trị dự báo với điều kiện ban đầu điều kiện biên số liệu tái phân tích (điều kiện hồn hảo) Phải nói thêm rằng, sai số mơ hình động lực so với giá trị quan trắc, việc sử dụng thay khơng phù hợp quy trình nghiệp vụ Từ đó, hệ thống dự báo này, trường khí hậu mơ hình từ số liệu dự báo lại theo thời gian thực thời kỳ khứ 1983 - 2010 xây dựng Cụ thể, ba số liệu trường khí hậu mơ hình xây dựng sử dụng ba mơ hình khí hậu khu vực RSM, RegCM clWRF Một số phương pháp hiệu chỉnh nghiên cứu thử nghiệm nhằm giảm bớt sai số hệ thống RCM, bao gồm: (1) phương pháp hiệu chỉnh trung bình đơn giản, (2) phương pháp hiệu chỉnh phân vị - phân vị (3) phương pháp mơ hình Bayesian với xác suất kết hợp (BJP) Từ chuỗi số liệu dự báo lại cho thời kỳ 1983-2010 mơ hình, mối quan hệ thống kê phương pháp hiệu chỉnh so với số liệu quan trắc tìm áp dụng thử nghiệm dự báo cho thời kỳ độc lập 2012-2014 Kết đánh giá cho thấy tất phương pháp hiệu chỉnh giúp giảm bớt sai số RCM, phương pháp BJP lựa chọn có cải thiện kết dự báo nhiều Phương pháp BJP xây dựng mối quan hệ số liệu dự báo mơ hình số liệu quan trắc dựa phân bố xác TẠP CHÍ KHÍ TƯỢNG THỦY VĂN Số phục vụ Hội thảo chuyên đề suất kết hợp Phân bố kết hợp mô hình hóa hàm phân bố chuẩn song biến (bivariate normal distribution) [10,12,15] Sau mối quan hệ áp dụng cho kết dự báo từ mơ hình tương lai Hình Ví dụ sản phẩm dự báo xác suất hệ thống cho biến nhiệt độ, tháng năm 2020 (bản tin phát vào tháng 10 năm 2019) Lựa chọn thành phần dự báo Hình biểu diễn ví dụ kết dự báo xác suất hệ thống dự báo Từ dự báo thành phần mơ hình, tin cuối cho biết xác suất pha, biến khí tượng Để lựa chọn thành phần dự báo, trước hết, tiếp thu phương pháp Yuan Wood (2012) [14] đánh giá nghiên cứu chia theo nhóm ba mơ hình khu vực (clWRF, RegCM, RSM) Tức dự báo thành phần mơ hình gom vào nhóm Bước tiếp theo, số đánh giá kỹ dự báo dùng để đánh giá kỹ riêng nhóm Từ đây, đưa thơng tin để loại bỏ hay lựa chọn nhóm mơ hình, dự báo thành phần nhóm Phiên chuẩn hóa số RPSS (Ranked Probability Skill Score) số “debiased-RPSS” (RPSSD) sử dụng để đánh giá cho nhóm Chỉ số RPSS thơng dụng đánh giá dự báo khí hậu hạn mùa, sử dụng dự báo tham khảo (reference) với giá trị pha 0.33, 0.66 Chỉ số đạt giá trị cao 1.0 Chỉ số kỹ RPSS tính theo cơng thức (1) thơng qua số RPS (công thức BÀI BÁO KHOA HỌC 2) RPScl (cơng thức 3) Trong đó, ký hiệu ‹…› thể phép tính trung bình, Yk thể thành phần thứ k vectơ dự báo tích lũy theo pha Ok vectơ quan trắc tích lũy cho pha (1) (2) (3) Hệ số RPSSD đề xuất sử dụng sau giảm thiểu phụ thuộc RPSS vào kích thước tập mẫu tổ hợp Điều cho phép đánh giá lúc tập mẫu nhỏ (ví dụ, số liệu dự báo lại) tập mẫu lớn hệ thống nghiệp vụ [4,13] Hệ số tính theo cơng thức Trong đó, K số pha dự báo (ở 3) M số thành phần dự báo Việc đánh giá tiến hành cho giai đoạn dự báo từ tháng 10/2017 đến tháng 12/2018 Số thành phần dự báo ba mơ hình clWRF, RegCM, RSM cho giai đoạn 6, 15, 15 Tổng số thành phần dự báo 36 (4) (5) Kết thảo luận Hình thể kết tính số RPSSD dự báo xác suất pha nhiệt độ lượng mưa thời gian thử nghiệm cho năm 2018 Kỹ dự báo tháng tính tốn cho 117 trạm với hạn dự báo, sau giá trị trung bình điểm kỹ biểu diễn Hình Xin lưu ý lại mơ hình coi có kỹ dự báo RPSSD lớn kỹ cao giá trị RPSSD tiệm cận 1.0 Có thể nhận thấy, ngồi số trạm khu vực Nam Bộ, hạn dự báo lớn tháng, nhìn chung kỹ dự báo hệ thống nghiệp vụ tốt cho biến nhiệt độ lượng mưa (chỉ số RPSSD lớn 0.5 hầu hết điểm trạm, hạn dự báo) Dự báo cho hạn dự báo 01 tháng cho kết hơn, thời gian tích phân chưa đủ dài để ảnh hưởng điều kiện biên (nhiệt độ mặt nước biển độ ẩm đất) vượt trội phụ thuộc vào điều kiện ban đầu (quy mô 14 ngày) dẫn đến việc dự báo qn tính [13] Ít có khu vực có điểm kỹ dự báo nhỏ 0, cho thấy kết dự báo khí hậu Nhìn chung, kỹ dự báo lượng mưa có phần ổn định kỹ dự báo nhiệt độ (Hình 3) Điều cần lưu ý chất số RPSSD cho kỹ dự báo tốt (1) dự báo có độ phân biệt pha cao (2) xác suất cao pha dự báo trùng với pha quan trắc Ở đây, dự báo pha cho lượng mưa trung bình năm có độ phân biệt pha tốt Cũng phải nói thêm kết cho dự báo thử nghiệm năm 2018, cần phải cập nhật đánh giá cho năm Để lựa chọn nhóm dự báo thành phần từ ba mơ hình khu vực, đánh giá kỹ tương tự tính riêng cho nhóm mơ hình Kết chênh lệch số kỹ ba trường hợp so với trường hợp sử dụng tất 36 thành phần dự báo thể Hình từ đến Có thể nhận thấy thành phần dự báo mơ hình clWRF RegCM làm giảm kỹ dự báo xác suất mơ hình Trong đó, thành phần dự báo từ mơ hình RSM cho thấy cải thiện kỹ dự báo, đặc biệt khu vực Nam Bộ Điều phù hợp mặt động lực mô hình phổ RSM với mơ hình tồn cầu CFSv2 Từ đó, bước đầu đưa khuyến cáo việc sử dụng thành phần dự báo từ mơ hình RSM, điều kiện hạn chế hệ thống tính tốn Về chế gây nên việc dự báo RegCM clWRF không tốt khu vực phía Nam, nơi có dao động nhiệt thấp cần xem xét nghiên cứu sau Điều gây sơ đồ đất hai mô hình chưa cấu hình tối ưu cho dự báo mùa khu vực phía Nam Dao động nhiệt thấp kéo theo kỹ dự báo tốt thường đạt TẠP CHÍ KHÍ TƯỢNG THỦY VĂN Số phục vụ Hội thảo chuyên đề 197 BÀI BÁO KHOA HỌC phương pháp dự báo thống kê Đối với phương pháp dự báo động lực, trình tương tác vật lý thành phần mơ hình khí hậu khu vực tạo độ bất định phá vỡ quy luật tuyến tính Cũng phải nhắc lại việc đánh giá cần kéo dài cho năm (ngoài 2018) để phát hiệu chỉnh sai số hệ thống (nếu có) từ mơ hình khu vực Hình Giá trị trung bình số kỹ RPSSD tính tốn cho dự báo thử nghiệm năm 2018 tương ứng với hạn dự báo (trục tung), 117 trạm nước (trục hoành) cho biến nhiệt độ (hàng trên) biến lượng mưa (hàng dưới) Tính tốn dự báo xác suất từ 36 dự báo thành phần (Q), thời gian dạng thức tin (C) tính phù hợp thơng tin dự báo với vấn đề cần định cụ thể (S) I = δ * f(αQ, βC, χS) (6) Trong đó, hệ số δ, α, β, χ nằm đoạn [0,1] Hệ số α gắn liền với chất lượng tin dự báo (hay kỹ hệ thống dự báo), tính hàm độ sai lệch phân tán hàm phân bố dự báo so với hàm phân bố tham khảo (có thể lấy trường hợp khơng có kỹ làm hàm tham khảo) Kỹ dự báo thấp (α), với giá trị β, χ thấp, kéo theo việc tin khó áp dụng Mặt khác, theo công thức 6, trường hợp α thấp, mà cải thiện giá trị β, χ, tin có ý nghĩa ứng dụng cao [6] Hình Giá Tương tự hình cho thành phần mơ hình clWRF Hình Tương tự hình tính cho dự báo xác suất từ 15 thành phần RSM trừ trường hợp dùng tất 36 thành phần 198 Nghiên cứu giúp lựa chọn thành phần dự báo sản phẩm dự báo dựa đánh giá kỹ dự báo nhóm mơ hình thành phần Việc lựa chọn thành phần cải thiện kỹ dự báo có mục đích cuối tin dự báo ứng dụng hiệu Do đó, cần bàn luận việc ứng dụng tin dự báo Meinke Stone (2005) [6] tính hiệu (I) việc ứng dụng tin dự báo khí hậu phụ thuộc vào chất lượng tin dự báo TẠP CHÍ KHÍ TƯỢNG THỦY VĂN Số phục vụ Hội thảo chuyên đề Hình Tương tự hình cho 15 thành phần mơ hình RegCM Kết luận Nghiên cứu đề cập đến việc lựa chọn thành phần dự báo hệ thống tổ hợp nghiệp vụ dự báo khí hậu hạn mùa Đây câu hỏi quan trọng, cần cân đối tài ngun tính tốn hiệu tin dự báo Hệ thống dự báo nghiệp vụ hạn mùa (sản phẩm đề tài BÀI BÁO KHOA HỌC KC.08.01/16-20) có khả đưa dự báo tổ hợp từ 20 đến 40 thành phần Trong nghiên cứu này, kết dự báo thử nghiệm cho năm 2018, 117 trạm với 36 dự báo thành phần lựa chọn để thử nghiệm xác định lựa chọn dự báo thành phần phù hợp Việc lựa chọn dựa phân nhóm theo mơ hình đánh giá so sánh kỹ dự báo riêng nhóm (theo số kỹ RPSSD) Nhìn chung, dự báo xác suất cho giai đoạn thử nghiệm cho thấy kỹ dự báo tốt nhóm mơ hình RSM so với mơ hình clWRF RegCM Từ đó, thành phần dự báo RSM khuyến cáo nên sử dụng trường hợp hạn chế tài nguyên tính toán Cũng cần lưu ý khả dự báo (predictability) thấp cung cấp thơng tin dự báo có ích, đưa điều kiện khí hậu khu vực quan tâm [13] Việc lựa chọn thành phần tương lai thực cho thành phần riêng nhóm mơ hình Lời cảm ơn: Bài báo phần kết nghiên cứu Đề tài “Nghiên cứu xây dựng hệ thống nghiệp vụ dự báo khí hậu hạn mùa cho Việt Nam mơ hình động lực”, mã số KC.08.01/1620 Tài liệu tham khảo Carberry, P., Hammer, G., Meinke, H., Bange, M., (2000), The potential value of seasonal climate forecasting in managing cropping systems In Applications of seasonal climate forecasting in agricultural and natural ecosystems, Springer, Dordrecht, 167-181 Doblas‐Reyes, Francisco, J., et al (2013), Seasonal climate predictability and forecasting: status and prospects Wiley Interdisciplinary Reviews: Climate Change, 4.4, 245-268 Graham, R.J., et al (2011), Long-range forecasting and the Global Framework for Climate Services Climate Research, 47 (1-2), 47-55 Jolliffe, I.T., Stephenson, D.B (Eds.) (2012), Forecast verification: a practitioner's guide in atmospheric science John Wiley & Sons MacLachlan, C., Arribas, A., Peterson, K.A., Maidens, A., Fereday, D., Scaife, A.A., M., Gordon, M., Vellinga, A., Williams, R., E., Comer, J., Camp, P., Xavier, G., Madec (2015), Global Seasonal forecast system version (GloSea5): a high‐resolution seasonal forecast system Quarterly Journal of the Royal Meteorological Society, 141 (689), 1072-1084 Meinke, H., Stone, R.C., (2005), Seasonal and inter-annual climate forecasting: the new tool for increasing preparedness to climate variability and change in agricultural planning and operations Climatic change, 70 (1-2), 221-253 Nguyễn Văn Thắng cs., (2015), Nghiên cứu xây dựng hệ thống dự báo, cảnh báo hạn hán cho Việt Nam với thời hạn đến tháng Báo cáo tổng kết đề tài cấp Nhà nước, mã số KC.08.17/11-15 Phan Văn Tân cs., (2014), Nghiên cứu xây dựng hệ thống mơ hình dự báo hạn mùa số tượng khí hậu cực đoan phục vụ phòng tránh thiên tai Việt Nam Báo cáo tổng kết đề tài cấp Nhà nước, mã số ĐT.NCCN-ĐHUD.2011-G/09 Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., Tripp, P et al (2014), The NCEP climate forecast system version Journal of Climate, 27 (6), 2185-2208 10 Schepen, A., Zhao, T., Wang, Q.J., Robertson, D.E., (2018), A Bayesian modelling method for post-processing daily sub-seasonal to seasonal rainfall forecasts from global climate models and evaluation for 12 Australian catchments, Hydrology and Earth System Sciences, 1615-1628 11 Tapiador, F.J., Gallardo, C., (2006), Entropy‐based member selection in a GCM ensemble forecasting Geophysical Research Letters, 33 (2), L02804 TẠP CHÍ KHÍ TƯỢNG THỦY VĂN Số phục vụ Hội thảo chuyên đề 199 BÀI BÁO KHOA HỌC 12 Wang, Q.J., Robertson, D.E., Chiew, F.H.S., (2009), A Bayesian joint probability modeling approach for seasonal forecasting of streamflows at multiple sites, Water Resources Research, 45 13 Weigel, A.P., Baggenstos, D., Liniger, M.A., Vitart, F., Appenzeller, C., (2008), Probabilistic verification of monthly temperature forecasts Monthly Weather Review, 136 (12), 5162-5182 14 Yuan, X., Wood, E.F., (2012), On the clustering of climate models in ensemble seasonal forecasting Geophysical Research Letters, 39 (18) 15 Zhao, T., Bennett, J.C., Wang, Q.J., Schepen, A., Wood, A.W., Robertson, D.E., Ramos, M.H., (2017), How Suitable is Quantile Mapping For Postprocessing GCM Precipitation Forecasts? Journal of Climate, 30, 3185-3196 SELECTION OF MEMBERS FOR AN ENSEMBLE SEASONAL FORECAST SYSTEM Khiem Mai Van1, Minh Ha Truong2, Nam Pham Quang3, Thang Vu Van2, Trung Nguyen Quang2 National Centre for Hydro-Meteorological Forecasting Vietnam Institute of Meteorology, Hydrology and Climate Change Hanoi University of Science, Vietnam National University Abstract: This study presents an attempt to select proper members of an ensemble seasonal forecast system in Vietnam Implementing dynamical regional climate models on the development of seasonal forecast system has played an important role during the last 20 years However, balancing limited computing resource in developing countries (e.g Vietnam) and the application efficiency of forecast bulletins raises a remarkable question of selecting rational forecast members The forecast system evaluated in this study has from 20 to 40 members Forecast results during 2018, at 117 meteorological stations, according to 36 forecast members are used The selection procedure firstly groups members in clusters of each model (i.e RegCM, clWRF, RSM) and then evaluates the forecast skill applying the RPSSD skill score In general, probability forecast during 2018 shows that the forecast skill of RSM group is better than the group of clWRF and RegCM Therefore, 15 forecast members of RSM model are recommended to use in the case of computing resource limitation Keywords: Seasonal forecast, clWRF, RegCM, RSM, CFSv2, RPSS 200 TẠP CHÍ KHÍ TƯỢNG THỦY VĂN Số phục vụ Hội thảo chuyên đề ... đến việc lựa chọn thành phần dự báo hệ thống tổ hợp nghiệp vụ dự báo khí hậu hạn mùa Đây câu hỏi quan trọng, cần cân đối tài nguyên tính toán hiệu tin dự báo Hệ thống dự báo nghiệp vụ hạn mùa (sản... kính) Dự báo tổ hợp cho biết thông tin phân bố dự báo thành phần, độ bất định dự báo hạn mùa [13] Tuy nhiên, cân đối tài nguyên tính tốn cấu trúc, quy mơ hệ thống dự báo tổ hợp lại nảy sinh toán lựa. .. suất hệ thống cho biến nhiệt độ, tháng năm 2020 (bản tin phát vào tháng 10 năm 2019) Lựa chọn thành phần dự báo Hình biểu diễn ví dụ kết dự báo xác suất hệ thống dự báo Từ dự báo thành phần mơ

Ngày đăng: 09/02/2020, 21:51

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w