Đáng chú ý, việc đồng hóa số liệu AMVs với kiểu chạy “warm start” đã làm cải thiện chất lượng dự báo mưa lớn tốt nhất ở hạn 24h, thể hiện qua các chỉ số thống kê POD, FAR, và CSI đạt t[r]
(1)VNU Journal of Science: Earth and Environmental Sciences, Vol 35, No (2019) 121-129
121
Original Article
An Experiment for Assimilating Different Type of Data Observations in Forecasting Heavy Rainfall over Central Highlands Region Due to the Impact of Hurricane Damrey
Le Lan Phuong1, Pham Quang Nam2, Tran Quang Duc2,, Phan Van Tan2 1
National Central University, 300 Zhongda Road, Taoyuan, Taiwan 2VNU University of Science, 334 Nguyen Trai, Hanoi, Vietnam
Received 30 Octorber 2019
Revised 25 November 2019; Accepted 01 December 2019
Abstract: This study investigates and assesses the impact of assimilating data types (observed data surface, sounding, and satellite-derived atmospheric motion vectors – AMVs) for the Weather Research and Forecasting (WRF) in forecasting heavy rainfall over Central Highlands region, due to the impact of hurricane Damrey The WRF model combined with the Gridpoint Statistical Interpolation (GSI) system, was started running at 12Z 03/11/2017, and 84h forecasts in advance, with two kinds for running assimilation "cold start" and "warm start", and with the three-dimensional variational data assimilation (3D-Var) method The results showed that assimilated cases have improved forecasting about spatial distribution and amount of rainfall at a 24-hour lead time, in which, the "warm start" for better forecasting Notably, the assimilation of AMVs data with the "warm start" run has improved forecasting quality of heavy rainfall, the POD, FAR, and CSI indicators are the best at the 24-hour lead time, for rainfall thresholds greater than 80mm
Keywords: data assimilation, 3D-Var, WRF-GSI, heavy rainfall, Central Highlands
Corresponding author
(2)122
Thử nghiệm đồng hóa loại số liệu quan trắc khác trong dự báo mưa lớn khu vực Tây Nguyên ảnh hưởng
của bão Damrey
Lê Lan Phương1, Phạm Quang Nam2, Trần Quang Đức2,, Phan Văn Tân2 1Trường Đại học Quốc gia Trung ương, 300 Trung Đại, Trung Lịch, Đào Viên, Đài Loan 2Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, 334 Nguyễn Trãi, Hà Nội, Việt Nam
Nhận ngày 30 tháng 10 năm 2019
Chỉnh sửa ngày 25tháng 11 năm 2019; Chấp nhận đăng ngày 01 tháng 12 năm 2019 Tóm tắt: Nghiên cứu xem xét đánh giá ảnh hưởng việc đồng hóa loại số liệu (số liệu quan trắc bề mặt, cao khơng, véc-tơ gió khí dịch chuyển vệ tinh – AMVs) cho mơ hình Nghiên cứu Dự báo Thời tiết (WRF) dự báo mưa lớn khu vực Tây Nguyên, ảnh hưởng bão Damrey Mơ hình WRF kết hợp với Hệ thống đồng hóa liệu dạng điểm – GSI bắt đầu chạy thời điểm 12Z 03/11/2017 dự báo 84h tiếp theo, với số liệu quan trắc đồng hóa theo hai kiểu “cold start” “warm start”, với phương pháp đồng hóa 3D-Var Kết cho thấy, trường hợp đồng hóa làm cải thiện dự báo diện lượng mưa hạn 24h, đó, đồng hóa kiểu “warm start” cho dự báo tốt Đáng ý, việc đồng hóa số liệu AMVs với kiểu chạy “warm start” làm cải thiện chất lượng dự báo mưa lớn tốt hạn 24h, thể qua số thống kê POD, FAR, CSI đạt tốt với ngưỡng mưa 80mm Từ khố: đồng hóa số liệu, 3D-Var, WRF-GSI, mưa lớn, Tây Nguyên
1 Mở đầu
Với tượng thời tiết cực đoan mưa lớn, bão,…, độ xác dự báo quan tâm quan trọng cho việc đưa sách ứng phó kịp thời thiên tai Việc phát triển mơ hình dự báo thời tiết số phi thủy tĩnh với độ phân giải cao, với khả tính tốn nâng lên,
Tác giả liên hệ
Địa email: tranquangduc@hus.edu.vn https://doi.org/10.25073/2588-1094/vnuees.4478
(3)L.L Phuong et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 35, No (2019) 121-129 123
tích ban đầu tốt mang ý nghĩa quan trọng, mục đích đời phương pháp đồng hóa số liệu, hệ thống đồng hóa số liệu Trong năm qua, sơ đồ đồng hóa cổ điển nội suy tối ưu (OI – Optimal Interpolation), hay hiệu chỉnh liên tiếp (SCM–Successive Correction Method), thay kỹ thuật đại với cách tiếp cận biến phân, phương pháp đồng hóa biến phân ba bốn chiều (3D-Var 4D-Var) (Courtier ccs, 1998; Rabier ccs, 2000; Mazzarella ccs, 2017) [3-5], biến thể tổ hợp Các phương pháp tích hợp vào mơ hình Nghiên cứu Dự báo Thời tiết (WRF), biết đến với tên gọi WRFDA (Skamarock ccs, 2008; Barker ccs, 2012) [6, 7], WRFDA phát triển dành riêng cho mơ hình WRF, khơng mang tính phổ cập, nên sử dụng với trường đầu vào từ mơ hình khác Một hệ thống đồng hóa cho phép thực ý tưởng vậy, GSI (Gridpoint Statistical Interpolation) – hệ thống đồng hóa liệu dạng điểm, nghiên cứu phát triển Trung tâm Thử nghiệm Phát triển (DTC) Hoa Kỳ, sử dụng làm hệ thống đồng hóa liệu tồn cầu (GDAS) nghiệp vụ Trung tâm Dự báo Môi trường Quốc gia Hoa Kỳ (NCEP) (Yang ccs, 2015; Hu ccs, 2017; Nam ccs, 2019) [1, 8, 9] GSI phát triển giống khung đồng hóa số liệu, mà cho phép hỗ trợ đưa vào nhiều loại trường khác mơ hình v.d WRF, GFS, NEMS, RTMA, CMAQ, số liệu quan trắc đọc định dạng PrepBUFR (NCEP) BUFR (WMO – World Meteorological Organization) chuẩn hóa
Bên cạnh việc nghiên cứu phát triển phương pháp đồng hóa số liệu, việc đánh giá ảnh hưởng số liệu quan trắc dùng đồng hóa phần quan trọng Ngoài nguồn số liệu quan trắc truyền thống bề mặt, cao khơng,…, nguồn số liệu phi truyền thống số liệu vệ tinh dành quan tâm lớn, lượng thông tin phong phú mang lại, không ngừng tăng lên chất
lượng lẫn số lượng liệu vệ tinh (Kidd ccs, 2009; Yang ccs, 2015) [10, 11]
Nhằm mục đích xem xét với số liệu quan trắc đồng hóa chất lượng dự báo mưa lớn mơ hình WRF cho tốt hơn? Nghiên cứu tiến hành chạy thử nghiệm đồng hóa số liệu hệ thống WRF-GSI với phương pháp 3D-Var, với số liệu quan trắc khác bao gồm số liệu: bề mặt, cao khơng, véc-tơ gió khí dịch chuyển–AMVs (Atmospheric Motion Vectors) vệ tinh mà có cách xác định dịch chuyển ảnh mây vệ tinh nước (Forsythe, 2007) [12] Để dự báo đợt mưa lớn xảy khu vực Tây Nguyên thời gian bão Damrey hoạt động (từ 31/10 đến 05/11 năm 2017) Chi tiết nguồn số liệu quan trắc, phương pháp sử dụng đưa phần 2, kết thảo luận phần 2 Số liệu, phương pháp, thiết kế thí nghiệm
(4)Việc đồng hóa số liệu cho mơ hình WRF thực hệ thống GSI phiên 3.6, với phương pháp đồng hóa 3D-Var, với loại số liệu quan trắc khác nhau, bao gồm: số liệu bề mặt, cao không, AMVs Số liệu trích xuất với mã tương ứng cho loại từ số liệu chuẩn hóa NCEP với định dạng PrepBUFR, lấy https://rda.ucar.edu/ datasets/ds337.0 Chi tiết điểm liệu có miền tính minh họa hình
và hình 2, biến trường bảng Nghiên cứu chạy mơ hình thời gian có bão Damrey hoạt động, thời điểm bắt đầu chạy mơ hình 12Z 03/11/2017 dự báo cho 84h tiếp theo, với đồng hóa thực thời điểm chạy mơ hình hay đồng hóa kiểu “cold start”, kết hợp với loại số liệu quan trắc khác nhau, khơng đồng hóa tạo thành bốn trường hợp thử nghiệm (bảng 1)
Bảng 1: Mơ tả trường hợp thí nghiệm
Tên thí nghiệm Mơ tả Số liệu dùng để đồng hóa NoDA Khơng đồng hóa Khơng có
DA-Obs
Đồng hóa biến phân chiều
Bề mặt, cao khơng
DA-AMVs Vec-tơ gió khí dịch chuyển vệ tinh
DA-Obs+AMVs Cả hai số liệu
Bảng 2: Các biến trường số liệu quan trắc, U, V thành phần gió kinh vĩ hướng, Q độ ẩm tuyệt đối, P khí áp, Z độ cao địa vị
Loại số liệu Các biến Tổng số điểm có miền tính d01
Bề mặt P, U, V 77
Cao không P, Z, U, V, Q 27
Vec-tơ gió khí dịch chuyển vệ
tinh (GOES AMVs) P, U, V 2354
Hình 1: Miền tính mơ hình WRF độ cao địa hình (m), vị trí số liệu quan trắc bề mặt (chấm xanh dương), cao
khơng (chấm đỏ) dùng đồng hóa
Hình 2: Vị trí số liệu AMVs đồng hóa, gồm chấm đỏ (<=500mb) chấm xanh dương
(5)L.L Phuong et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 35, No (2019) 121-129 125
Thêm nữa, nghiên cứu cịn thử nghiệm chạy kiểu “warm start”, mơ hình chạy đồng hóa thời điểm 12Z, trường trường dự báo lần chạy trước 06Z Kết đầu mơ hình so sánh đánh giá lưới với số liệu mưa vệ tinh GSMaP (Global Satellite Mapping of Precipitation), lấy https://sharaku.eorc.jaxa.jp/GSMaP/index.htm, có phân giải 0,1×0,1 độ kinh vĩ Để đánh giá khả dự báo pha mưa trường hợp, số thống kê tính tốn gồm số POD (xác suất phát hiện), FAR (tỷ số dự báo sai), CSI (điểm số thành công) (Wilks, 2011) [13] Các số có giá trị nằm khoảng [0, 1], miêu tả vắn tắt số sau:
- POD phần trăm số lần dự báo tượng có xảy tổng số lần quan trắc được, lý tưởng
- FAR cho biết tỷ lệ dự báo khống mơ hình (mơ hình dự báo có thực tế tượng không xảy ra), lý tưởng
- CSI giống POD đưa thêm vào số lần dự báo sai, cân POD FAR, lý tưởng
3 Kết thảo luận
Trên hình hiệu trường phân tích tính trung bình mực 850, 700, 600, 500, 300 mb trường hợp đồng hóa khơng đồng hóa Có thể thấy trường hợp DA-Obs cho nhiệt độ thiên cao so với khơng đồng hóa, ảnh hưởng chủ yếu vùng phía nam miền tính d02, dễ hiểu có trạm cao khơng (hình 3, cùng) Gió vĩ hướng cho thiên thấp phía nam, thiên cao phía bắc, gió kinh hướng cho thiên cao phía tây thiên thấp phía đơng Với tỷ lệ xáo trộn nước tương tự nhiệt độ, xu ngược lại, cho thiên thấp Vì trường hợp DA-AMVs đưa vào đồng hóa trường gió nên dễ dàng nhận thay đổi chủ yếu xảy với trường gió, cho thiên cao hơn, nhận thay đổi đồng so với DA-Obs, lý AMVs có nhiều liệu Cịn với trường hợp DA-Obs+AMVs, hòa hợp hai trường hợp đồng hóa DA-Obs DA-AMVs, nên thay đổi thông tin trường nhiều hơn, đặc biệt với trường gió (hình 3, cùng)
Hình Hiệu trường phân tích trường hợp đồng hóa khơng đồng hóa thời điểm 12Z
03/11/2017, miền tính d02
(6)Hình tương tự vậy, hiệu trường hợp đồng hóa kiểu “warm start” khơng đồng hóa Tuy nhiên, thay đổi trường nhiều so với hình 3, thơng tin có phân tán (nhiễu) tăng lên, điều dễ hiểu thời điểm sau thời điểm ban đầu giờ, sai số trường khuếch đại tăng dần theo bước thời gian mơ hình tích phân
Hình kết dự báo lượng mưa tích lũy 24h hệ thống mơ hình WRF-GSI miền tính d02 với ba hạn dự báo 24h, 48h, 72h, với thời điểm bắt đầu chạy mơ hình 12Z 03/11/2017 thời gian hoạt động bão Damrey, đồng hóa với ba nguồn số liệu quan trắc khác So sánh với số liệu mưa vệ tinh GSMaP trích xuất tương ứng, nhận thấy trường hợp cho dự báo khu vực xuất mưa giống nhau, khác biệt thể qua lượng mưa Trong đó, mưa dự báo trường hợp đồng hóa có xu hướng tiệm cận gần đến với GSMaP (hình 6), hai trường hợp DA-Obs DA-Obs+AMVs cho dự báo lượng mưa tương đồng với tất hạn dự báo, cịn với trường hợp
DA-AMVs có xu hướng dự báo khu vực có lượng mưa >100mm nhiều trường hợp khác
Ở hạn 24h, nhìn chung trường hợp dự báo khu vực xuất mưa tương đối sát so với số liệu GSMaP đất liền biển, đặc biệt, nắm bắt tốt khu vực có lượng mưa >20mm Đối với khu vực có lượng mưa >100 mm, trường hợp có xu hướng cho dự báo diện mưa lớn so với thực tế phía bắc Duyên hải Nam Trung Bộ, đó, phía nam diện mưa nhỏ Ở hạn 48h, trường hợp cho dự báo diện mưa lớn mưa GSMaP, cụ thể, mưa chủ yếu tập trung nửa phía bắc miền tính, dự báo cho mưa xuất hầu hết tồn miền tính Theo số liệu GSMaP, khu vực có lượng mưa >50mm tập trung chủ yếu phía bắc Tây Nguyên Duyên hải Nam Trung Bộ, trường hợp DA-Obs DA-Obs+AMV nắm bắt tốt vùng mưa Tương tự hạn 48h, hạn 72h, dự báo trường hợp có diện mưa mở rộng so với thực tế, trường hợp DA-AMVs Dự báo lượng mưa chưa tốt, trường hợp có xu hướng có lượng mưa lớn
Hình Lượng mưa 24h (mm) số liệu GSMaP, dự báo mơ hình miền tính d02 trường hợp NoDA, DA-Obs, DA-AMVs DA-Obs+AMVs, hạn dự báo 24h, 48h
72h, với thời điểm bắt đầu chạy 12Z 03/11/2017
Hình Hiệu lượng mưa 24h (mm) dự báo mơ hình miền tính d02 trường hợp đồng hóa số liệu GSMaP, hạn dự báo 24h, 48h
(7)L.L Phuong et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 35, No (2019) 121-129 127
Hình Tương tự hình cho kiểu chạy “warm start”
Hình Tương tự hình cho kiểu chạy “warm start”
(8)Như thông tin phần thiết kế thí nghiệm, ngồi việc đồng hóa số liệu cho mơ hình thời điểm chạy, nghiên cứu cịn chạy thử nghiệm kiểu “warm start” Kết dự báo lượng mưa mơ hình miền tính d02 với ba hạn dự báo thể hình 7, thêm ký hiệu “_ws” để phân biệt So sánh trường hợp dự báo cho thấy, tương đồng thể khu vực xuất mưa Tuy nhiên, khác với trường hợp “cold start” (hình 5), hai trường hợp Obs_ws DA-Obs+AMVs_ws cho kết dự báo lượng mưa tương đồng hạn 48h 72h Nhìn chung, trường hợp có xu hướng dự báo khu vực xuất mưa nhỏ thực tế hạn dự báo 24h (hình 7) Về lượng mưa, dự báo nắm bắt tốt khu vực có lượng mưa >20mm, cịn với khu vực có lượng mưa >100mm lệch phía bắc so với thực tế, độ lệch nhỏ so với trường hợp đồng hóa kiểu “cold start” Ở hạn 48h, giống hình 5, dự báo cho mưa xuất gần toàn miền tính, khu vực có lượng mưa >50mm, trường hợp nắm bắt chưa tốt, ngoại trừ trường hợp DA-Obs_ws cho dự báo tốt Còn với hạn 72h, dự báo có xu hướng lớn thực tế diện lượng mưa (hình 8)
Phần sử dụng số thống kê POD, FAR, CSI, để đánh giá khả dự báo pha mưa mô hình chạy với trường hợp số liệu đồng hóa khác Kết tính tốn số biểu diễn biểu đồ hình 9, với trục tung giá trị số trục hoành ngưỡng mưa chia theo khoảng 10mm từ đến 200mm Ở đây, toàn số điểm lưới mơ hình số liệu GSMaP nằm khu vực Tây Nguyên trích xuất để dùng tính tốn nhằm đảm bảo dung lượng mẫu, số điểm khoảng 7201
Với ngưỡng mưa nhỏ 20mm, hạn 24h, trường hợp "cold start" với đồng hóa DA-Obs DA-DA-Obs+AMVs cho số thống kê POD CSI tốt trường hợp khác (gồm khơng đồng hóa, đồng hóa chạy kiểu "warm start") Với ngưỡng mưa nằm khoảng 20-80mm, trường hợp DA-Obs_ws có hai số POD CSI đạt cao (POD khoảng
0,6-0,95; CSI khoảng 0,5-0,9) Còn với ngưỡng mưa lớn 80mm, trường hợp DA-Obs+AMVs_ws cho ba số tốt Chỉ số FAR trường hợp DA-AMVs_ws đạt thấp (khoảng 0,25-0,6) với ngưỡng mưa nằm khoảng 80-150mm Như vậy, đưa kết luận trường hợp đồng hóa “warm start” với số liệu AMVs cho cải thiện dự báo mưa lớn tốt trường hợp khác
Các số trường hợp đồng hóa hai hạn dự báo 48h 72h có biến động nhiều hơn, nguyên nhân lượng mưa quan trắc giảm xuống (hình 5), mơ hình cho dự báo khống Tuy nhiên, nhận trường hợp đồng hóa “warm start” cho số FAR tốt
4 Kết luận
Trong nghiên cứu này, loại số liệu quan trắc khác đồng hóa cho mơ hình WRF theo phương pháp 3D-Var hệ thống đồng hóa GSI Để khảo sát đánh giá ảnh hưởng loại số liệu đồng hóa dự báo mưa lớn mơ hình WRF, khu vực Tây Nguyên, ảnh hưởng bão Damrey Hệ thống mơ hình WRF-GSI bắt đầu chạy thời điểm 12Z 03/11/2017 dự báo 84h tiếp theo, với số liệu quan trắc đồng hóa theo hai kiểu “cold start” “warm start” Qua việc Phân tích đánh giá, rút nhận xét sau:
Các trường hợp đồng hóa cho dự báo mưa tương đối tốt diện lượng mưa hạn 24h so với số liệu mưa GSMaP, trường hợp có đồng hóa kiểu “warm start” cho dự báo tốt so với “cold start”
(9)L.L Phuong et al / VNU Journal of Science: Earth and Environmental Sciences, Vol 35, No (2019) 121-129 129
Lời cảm ơn
Nghiên cứu thực hoàn thành với hỗ trợ Đề tài nghiên cứu khoa học KC.09.15/16-20, thuộc chương trình KC.09, Bộ Khoa học Công nghệ Tập thể tác giả xin chân thành cảm ơn
Tài liệu tham khảo
[1] Y Yang, Y Wang, and K Zhu, Assimilation of Chinese Doppler Radar and Lightning Data Using WRF-GSI: A Case Study of Mesoscale Convective System, Advances in Meteorology (2015) https://doi.org/10.1155/2015/763919
[2] E N Lorenz, Deterministic nonperiodic flow, J Atmos Sci 20 (1963) 130-141 https://doi.org/ 10 1175/1520-0469(1963) 020<0130:DNF>2.0.CO;2 [3] P Courtier, E Andersson, W Heckley, D Vasiljevic, M Hamrud, A Hollingsworth, F Rabier, M Fisher, and J Pailleux, The ECMWF implementation of three‐ dimensional variational assimilation (3D‐ Var) I: Formulation, Quarterly Journal of the Royal Meteorological Society 124 (1998) 1783-1807
[4] F Rabier, H Järvinen, E Klinker, J.F Mahfouf, and A Simmons, The ECMWF operational implementation of four‐ dimensional variational assimilation I: Experimental results with simplified physics, Q.J.R Meteorol Soc 126 (2000) 1143-1170
[5] V Mazzarella, I Maiello, V Capozzi, G Budillon, and R Ferretti, Comparison between 3D-Var and 4D-Var data assimilation methods for the simulation of a heavy rainfall case in central Italy, Adv Sci Res 14 (2017) 271-278 https://doi.org/ 10.5194/asr-14-271-2017
[6] W.C Skamarock, J.B Klemp, J Dudhia, D.O Gill, D.M Barker, M.G Duda, X.Y Huang, W Wang, and J.G Powers, A description of the Advanced Research WRF Version 3, NCAR Technical Note NCAR/TN-475CSTR (2008)
[7] D Barker, X.Y Huang, Z Liu, T Auligné, X Zhang, S Rugg, R Ajjaji, A Bourgeois, J Bray, Y Chen, and M Demirtas, The weather research and forecasting model's community variational/ ensemble data assimilation system: WRFDA, Bull Amer Meteor Soc 93 (2012) 831-843
[8] M Hu, G Ge, H Shao, D Stark, K Newman, C Zhou, J Beck, and X Zhang, Grid-point Statistical Interpolation (GSI) User’s Guide v3.6, Developmental Testbed Center (2017)
[9] P.Q Nam, M.V Khiem, N.Q Trung, V.V Thang, An experiment with GSI system for data assimilation to improve quantitative rainfall forecast over southern Vietnam region (in Vietnamese), Vietnam Journal of Hydro-meteorology 698 (2019) 1-10
[10] C Kidd, V Levizzani, & P Bauer, A review of satellite meteorology and climatology at the start of the twenty-first century, Progress in Physical Geography 33 (2009) 474-489
[11] J Yang, K Duan, J Wu, X Qin, P Shi, H Liu, X Xie, X Zhang, and J Sun, Effect of data assimilation using WRF-3DVAR for heavy rain prediction on the northeastern edge of the Tibetan Plateau, Advances in Meteorology (2015) https:// doi.org/10.1155/2015/294589
[12] M Forsythe, Atmospheric motion vectors: past, present and future, In ECMWF Annual Seminar (2007)
https://doi.org/10.25073/2588-1094/vnuees.44 (http://www2.mmm.ucar.edu/wrf/users/docs/user_guide_V3/ARWUsersGuideV3.9.p https://rda.ucar.edu/ https://doi.org/