Hiện nay, trên hệ thống sông Sê San có khoảng 142 hồ thủy lợi, thủy điện đã, đang và dự kiến xây dựng. Tổng dung tích của các hồ này lên đến
khoảng 3660 triệu m3. Trong số đó 66 hồ có nhiệm vụ tạo nguồn phát điện. Những hồ chứa có dung tích lớn trên lưu vực sông bao gồm Thượng KonTum, PleiKrong, Yaly, Sê San 3, Sê San 3A, Sê San 4, Sê San 4A.
-Thủy điện Thượng KonTum (trên nhánh ĐăkBla) nằm trên sông Đăk Snghé - một nhánh của sông Đăk Bla (nhánh cấp 1 của sông Sê San). Thủy điện Thượng KonTum được lắp 2 tổ máy có tổng công suất 220 MW, công suất đảm bảo 90,8 MW, điện lượng trung bình đạt 1,1 tỷ KWh/năm. Thủy điện Thượng Kon Tum có nhiệm vụ chính là khai thác thủy năng sông Đăk Snghé để cung cấp điện năng lên lưới 220 KV của hệ thống điện quốc gia. Ngoài ra, công trình còn bổ sung nguồn nước ổn định cho sông Trà Khúc (tỉnh Quảng Ngãi) phục vụ nhu cầu dân sinh, nông nghiệp và công nghiệp ở vùng hạ du. Dự án sẽ phát điện tổ máy thứ nhất vào năm 2018 và đưa vào vận hành cả 2 tổ máy vào năm 2019.
- Thủy điện PleiKrông (trên nhánh Krông PôKô được xây dựng trên địa bàn tỉnh KonTum, trên sông Pô Kô, nhánh lớn thuộc phần thượng lưu của sông Sê San. Công trình được khởi công tháng 11 năm 2003. Tích nước hồ chứa vào tháng 8/2006.
- Thủy điện Ialy được khởi công xây dựng vào năm 1993. Lòng hồ thủy điện Yaly phần lớn nằm trên địa phận huyện Sa Thầy, tỉnh Kon Tum, thuộc lưu vực sông Pô Kô và Đắk Bla, công suất thiết kế 720 MW. Công trình hoàn thành vào năm 2003, với nhà máy chính đặt tại xã Ialy, huyện Chư Păh, tỉnh Gia Lai.
Tiếp sau hồ thủy điện Ialy còn có các đập thủy diện Sê San 3, Sê San 3A, Sê San 4, Sê San 4A đều nằm trên dòng chính sông Sê San.
Các hồ thủy điện lớn trên lưu vực sông Sê San ngoài việc cung cấp nước để phát điện còn góp phần đáng kể vào việc điều tiết dòng chảy trong mùa cạn. Theo quy trình vận hành liên hồ chứa thủy điện trên lưu vực sông Sê San, trong các tháng mùa cạn các hồ này có chế độ vận hành đảm bảo dòng chảy tối thiểu về hạ du đạt 195 m3/s, lớn hơn so với dòng chảy nhỏ nhất đã đo được của sông Sê San từ 15 – 20%. Ngoài ra các hồ thủy điện nhỏ và thủy lợi khác cũng góp phần quan trọng vào việc cung cấp nước cho sản xuất trong mùa khô ở các tỉnh Gia Lai, Kon Tum.
Bảng 1.2: Thông số chính của một số hồ chứa trên lưu vực sông Sê San T T Thông số Đơn vị Hồ Kon Tum Thượng Plei Krông
Ialy Sê San 3 Sê San 3A Sê San 4 Sê San 4A 1 Diện tích lưu vực Km2 374 3.216 7.455 7.788 8.084 9.326 9.368
2 Lưu lượng TB năm m3/s 16,9 128 264 274 286 330 330,6
3 Lưu lượng đỉnh lũ thiết kế m3/s 2.650 7.063 17.570 14.700 15.000 16.570 15.060 4 Lưu lượng đỉnh lũ kiểm tra m3/s 3.521 10.000 22.753 17.536 18.000 20.090 17.950 5 Mực nước dâng bình thường m 1160,00 570,00 515,00 304,20 239,0 215,00 155,2 6 Mực nước chết m 1.138,00 537,00 490,00 303,20 238,5 210,00 150,0 7 Dung tích toàn bộ *106m3 145,5 1.048,7 1.037 92,0 80,6 893,3 13,1 8 Dung tích hưu ích *106m3 103,1 948 779 3,8 4,0 264,2 7,6
10 Thời gian mùa cạn Tháng 1 - 7 12-6 12-6 12-6 12-6 12-6 12-6
1.2 Tổng quan dự báo thủy văn hạn vừa trong và ngoài nước
1.2.1 Trên thế giới:
Nghiên cứu dự báo thủy văn hạn vừa trên thế giới hiện nay vẫn là một đề tài hấp dẫn các nhà khoa học, đặc biệt là vấn đề làm thế nào để nâng cao chất lượng và thời gian dự kiến. Các phương pháp dự báo hạn vừa có thể được chia thành các nhóm chính như sau:
- Nhóm phương pháp hồi quy: Xây dựng mối quan hệ dòng chảy theo các thời kỳ dự báo với các yếu tố khí hậu, thủy văn. Hệ các phương trình hồi quy mô tả các mối quan hệ giữa các yếu tố khí hậu như mưa, nhiệt độ, bốc hơi, các hoàn lưu khí quyển, cao áp Thái Bình Dương, diễn biến mực nước biển qua chỉ số ENSO đã được đưa vào phân tích dự báo với lượng trữ nước trong sông, lượng trữ nước thời kỳ đầu mùa, lượng trữ nước trong thời kỳ cuối mùa, lưu lượng dòng chảy của từng thời đoạn được nghiên cứu và phân tích ứng dụng trong các dự báo.
- Nhóm các phương pháp nhận dạng, tương tự, thống kê khách quan và xác suất: Dựa trên tính chất ngẫu nhiên của các đại lượng dòng chảy, mức độ định lượng của chúng theo không gian và thời gian sẽ tuân theo các quy luật ngẫu nhiên. Phương pháp thống kê xác định mối quan hệ, đánh giá sự xuất hiện cũng như tần suất xuất hiện và đánh giá sự biến động của dòng chảy và các cực trị của chúng theo không gian và thời gian qua các tham số thống kê cơ bản.
Chen và Chang [15] đã áp dụng mô hình mạng trí tuệ nhân tạo với thuật toán Thuyết Tiến Hóa – EANN (Evolutionary Algorithms Nueral Network) vào dự báo dòng chảy 10 ngày đến hồ chứa Shihmen thuộc lưu vực sông Tanshui của Đài Loan. Mô hình EANN sử dụng thuật toán Thuyết Tiến Hóa để tìm và xây dựng mạng nơ ron thần kinh, các trọng số kết nối một cách tự động. Mô hình EANN thực chất là một quá trình lai ghép bao gồm việc sử dụng thuật toán giải đoán gen (GA – Genetic Algorithm) với thuật toán Leo Dốc - SCGA (Scaled conjugate Gradient Algorithm) để dò tìm và tối ưu hóa mạng nơ ron cùng với việc xác định các trọng số kết nối. Kết quả dự báo của mô hình EANN là tốt hơn rất nhiều so với mô hình AR và ARMAX (mô hình cải tiến của ARMA). Việc sử dụng mô hình EANN đã một phần nào đó khắc
phục được nhược điểm cố hữu của mô hình mạng trí tuệ nhân tạo (ANN) trong việc tìm ra mạng nơ ron phù hợp và tiết kiệm thời gian tìm kiếm.
Renji và cộng sự [15] đã nghiên cứu xây dựng một mô hình Lai ghép (Hybrid Mdelling) trên cơ sở tích hợp hàm Gamma, hàm chuyển đổi dạng sóng (wavelet transformation - WT) với mô hình mạng trí tuệ nhân tạo với thuật toán tối ưu tập mờ (Adaptive neuro-fuzzy inference system - ANFIS). Trong đó, hàm Gamma sẽ được dùng để kiểm tra và lựa chọn các biến đầu vào và độ dài của các biến đầu vào, hàm chuyển đổi dạng sóng WT được dùng để chuyển các tín hiệu đầu vào thành các băng tần khác nhau sau đó dùng mô hình ANFIS để mô hình hóa các tín hiệu đầu vào đã được chuyển đổi thành tín hiệu đầu ra là dòng chảy. Mô hình lai ghép này đã được áp dụng cho lưu vực sông Brue ở Tây Nam nước Anh. Kết quả thu được rất tốt. Sự thành công của mô hình còn mở ra một hướng mới trong dự báo thủy văn đó là các mô hình lai ghép với các kỹ thuật lựa chọn biến đầu vào, kết hợp với việc chuyển đổi tín hiệu bằng nhiều phương pháp khác nhau ví dụ như hàm Sigmois, hàm Instain,… và các dạng mô hình mạng trí tuệ nhân tạo ANN sử dụng các thuật toán tối ưu khác nhau như thuật toán quét ngược (BPNN), tập mờ (ANFIS) như trong nghiên cứu này, thuật toán Giải đoán Gen (GA),…
- Nhóm phương pháp mô hình toán: thiết lập các phương trình toán học mô tả mối quan hệ giữa các nhân tố ảnh hưởng hình thành nên dòng chảy. Thời gian dự báo của phương pháp mô hình tùy thuộc vào thời gian dự báo định lượng mưa. Tuy nhiên, với sự phát triển về chất lượng và thời gian dự báo định lượng mưa, nhóm các phương pháp mô hình sẽ là công cụ có nhiều triển vọng trong dự báo dòng chảy hạn vừa và hạn dài hiện nay.
Việc mở rộng áp dụng các mô hình thủy văn thông số phân bố dựa trên cơ sở tận dụng các thông tin từ viễn thám và GIS kết hợp với kết quả dự báo mưa từ các mô hình số trị dự báo thời tiết như MM5, RAMS, HRM, BOLAM, v.v… đã trở nên rất phổ biến và hiệu quả. Có thể kể đến một số mô hình đã và đang được sử dụng rộng rãi trên thế giới như:
- Mô hình thủy văn mô phỏng dòng chảy từ mưa: Các mô hình thông số tập trung HEC-HMS, SSARR, TANK, NAM..; các mô hình thông số phân phối như MARINE, WETSPA,... Các mô hình này đã và đang ngày càng
được phát triển với cơ sở lý thuyết chặt chẽ hơn, giao diện mô hình thân thiện và dễ sử dụng.
- Cùng với đó các mô hình thủy lực 1 chiều, 2 chiều mô phỏng tính toán dòng chảy trong hệ thống sông và ngập lụt cũng được phát triển mạnh mẽ, có thể kể đến một số mô hình như: Mô hình HEC (HEC–3, HEC-RAS), mô hình
MIKE (Mô hình MIKE–BASIN, MIKE-11, MIKE-FLOODWATCH, MIKE21).... Gouweleew và cộng sự đã tiến hành nghiên cứu tích hợp mô hình số bán thống kê dự báo thời tiết hạn vừa ECMWF vào mô hình thủy văn thông số phân bố LISFLOOD để dự báo dòng chảy cho sông Meuse và Rhine của Đức. Mô hình thời tiết ECMWF là mô hình toàn cầu có khả năng đưa ra dự báo thời tiết với thời gian dự kiến lên tới 10 ngày. Tuy nhiên độ phân giải của mô hình này tương đối thưa (80km) với 40 tầng theo chiều thẳng đứng. Mô hình LISFOOD mô phỏng cho lưu vực sông nghiên cứu có độ phân giải 1km; trong khi mạng lưới sông suối được xây dựng từ DEM 75m thì các bản đồ hiện trạng sử dụng đất được xây dựng từ dữ liệu của CORIN có độ phân giải 1km, được cập nhập thêm thông tin từ bản đồ giấy có độ phân giải 100m. Số liệu đầu vào mô hình LISFLOOD chính là kết quả dự báo mưa, nhiệt độ và độ ẩm của mô hình khí tượng, ngoài ra còn có dữ liệu địa hình, hiện trạng sử dụng đất, loại đất, chỉ số lá LAI (Leaf Area Index), và chiều sâu của đất cũng cần phải đưa vào cho lưu vực nghiên cứu.
1.2.2 Trong nước
a.Dự báo khí tượng:
Trước năm 2006, hầu hết các sản phẩm dự báo từ mô hình số trị cho hạn vừa đều được các dự báo viên tham khảo thông qua các website của các trung tâm lớn trên thế giới như Trung tâm khí tượng quốc gia Mỹ (NWS), Trung tâm dự báo thời tiết hạn vừa Châu Âu (ECMWF) hay sản phẩm dự báo điểm của dự án RA2 của Nhật Bản. Hầu hết các sản phẩm này lấy được dưới dạng các tệp tin ảnh và không thể truy cập để lấy dạng số, ngoại trừ số liệu RA2. Do đó, nhiều khi gây khó khăn cho các dự báo viên và không thể sử dụng các nguồn số liệu này để tạo ra các sản phẩm dự báo cho các mục đích cụ thể.
Từ năm 2006, nhờ vào sự phát triển của công nghệ máy tính, đường truyền dữ liệu và sự hợp tác với các trung tâm dự báo thời tiết lớn trên thế giới, hàng loạt các sản phẩm dự báo số trị được thu nhận và sử dụng dưới
dạng số. Đầu tiên phải kể tới là sản phẩm mô hình GSM (Global Spectral Model) của Cơ quan khí tượng Nhật Bản JMA (Japan Meteorological Agency) được truyền với độ phân giải 1,25 x 1,25 độ kinh vĩ và hạn dự báo lớn nhất mới đến 72h. Tiếp đó bản thân mô hình này được phía cơ quan khí tượng Nhật Bản nâng cấp, cải tiến và chạy với độ phân giải tinh hơn, nên các phiên bản hiện tại nhận được gồm độ phân giải 0.5x0.5 độ kinh vĩ đối với đầy đủ các trường khí tượng và 0,25 x 0,25 độ kinh vĩ đối với các trường bề mặt. Hạn dự báo của cả hai phiên bản này cũng được tăng lên rất nhiều, từ 72h lên đến 240h (10 ngày) và khoảng thời gian dự báo cách nhau 6 tiếng tăng lên 3 tiếng một, tần suất thu nhận là 4 phiên/ngày. Sản phẩm dự báo mưa từ mô hình này đã được tác giả Bùi Minh Tăng đánh giá, kiểm định có độ tin cậy cao khi áp dụng dự báo thời tiết nghiệp vụ tại TTDBQG. Song song với sản phẩm mô hình GSM, sản phẩm dự báo của mô hình GFS (Global Forecast System) của Trung tâm dự báo môi trường quốc gia Hoa Kỳ (NCEP) cũng được thu thập. Ban đầu loại sản phẩm này cũng được thu thập khá thô, độ phân giải không gian là 1.0x1.0 độ kinh vĩ, hạn dự báo 72h và khoảng thời gian dự báo cách nhau 3h. Theo thời gian phát triển, mô hình GFS được cải tiến cả về động lực và độ phân giải của sản phẩm. Độ phân giải không gian tăng lên 0,5 x 0,5 độ kinh vĩ, thời gian dự báo cách nhau 3h và hạn dự báo cũng tăng lên đến 10 ngày. Mặc dù các sản phẩm số trị dự báo hạn vừa khá phong phú nhưng độ phân giải của các mô hình GSM và GFS còn khá thô so với yêu cầu dự báo chi tiết tại các điểm trạm hay các khu vực mong muốn.
Để cải thiện chất lượng dự báo hạn vừa và hạn dài, cuối năm 2011, Trung tâm dự báo KTTV Trung ương nay là Trung tâm dự báo KTTV Quốc gia tiến hành hợp tác mua sản phẩm dự báo từ Trung tâm dự báo thời tiết hạn vừa Châu Âu (ECMWF). Trong dự án này, sản phẩm mô hình IFS (Integrated Forecast System) được truyền cho TTDBQG 2 phiên/ngày với độ phân giải cao nhất từ trước tới nay 0,125 x 0,125 độ kinh vĩ, hạn dự báo lên đến 15 ngày, thời gian dự báo cách nhau 6h. ECMWF cũng đã hỗ trợ TTDBQG phát triển các phần mềm giải mã số liệu, hiển thị số liệu theo cách riêng phù hợp với yêu cầu nghiệp vụ, ngoài ra còn cung cấp tài khoản truy cập riêng để tham khảo các sản phẩm dự báo đặc biệt về hạn vừa, hạn dài tại website ECMWF.
Các sản phẩm dự báo số trị hạn vừa còn được các cơ quan đơn vị khác nghiên cứu như Trường Đại học Khoa học tự nhiên và Viện Khoa học khí tượng thủy văn và biến đổi khí hậu. Các hướng nghiên cứu chủ yếu của Trường Đại học Khoa học Tự nhiên do GS. Phan Văn Tân [15] và các cộng sự thực hiện tại Khoa Khí tượng Thủy văn và Hải dương học dựa theo cách tiếp cận sử dụng các mô hình khí hậu khu vực RCM (Regional Climate Model) chạy với đầu vào từ các dự báo khí hậu toàn cầu xuống độ phân giải tinh hơn nhằm đáp ứng nhu cầu dự báo hạn vừa, hạn dài của từng địa phương. Các mô hình được áp dụng thử nghiệm bao gồm clWRF, RegCM, MM5CL, REMO... chạy với đầu vào thu thập miễn phí từ hệ thống CFS (Climate Forecast System) của NCEP. Các sản phẩm này hầu hết mang tính chất nghiên cứu, một số ít được chạy nghiệp vụ tuy nhiên các sản phẩm tham khảo có độ phân giải khá thô (36km thậm chí có nghiên cứu còn lên đến 54km), chủ yếu được đưa trên website dưới dạng hình ảnh nên việc truy cập dạng số làm đầu vào cho các nghiên cứu khác là khá khó khăn.
Tại Viện khoa học khí tượng thủy văn và biến đổi khí hậu công tác dự báo khí tượng hạn vừa cũng được đưa ra theo từng tháng. Bản tin dự báo đưa ra theo phương pháp kết hợp giữa phương pháp thống kê truyền thống và tham khảo từ các trung tâm dự báo lớn trên thế giới.
Như vậy, trong các sản phẩm mô hình số trị hiện đang sử dụng trong nước, các sản phẩm từ mô hình GFS, GSM, IFS tại TTDBQG là khả thi nhất trong việc đáp ứng nhu cầu dự báo hạn vừa cả về mặt thời gian nghiệp vụ và định dạng truy xuất làm đầu vào cho các nghiên cứu dự báo thủy văn hạn vừa.
b.Dự báo thuỷ văn:
Các phương pháp dự báo hạn vừa trong thời kỳ đầu (khoảng năm 1960- 1975) dựa trên các phân tích hồi quy, thống kê khách quan, nhận dạng. Từ năm 1975, dự báo hạn vừa và hạn dài ứng dụng các kỹ thuật máy tính phát triển các phương trình đơn lẻ mô tả dòng chảy từ phương trình cân bằng nước cơ bản trong một thời đoạn nhất định theo phương trình cân bằng vật chất.