1.5. TỔNG QUAN CÁC PHƯƠNG PHÁP SỬ DỤNG ĐỂ CẢI TIẾN MÔ
1.5.3.3. Phương pháp nội suy mưa không gian
Phương pháp nội suy mưa theo không gian dễ thực hiện, chi phí không đáng kể so với phương pháp định lượng mưa viễn thám và tái phân tích số liệu mưa. Số liệu mưa tái phân tích có độ phân giải thấp và xác định tương quan số liệu viễn thám với trạm đo mưa mặt đất không cao nên các phương pháp tái phân tích số liệu mưa và định lượng mưa viễn thám chưa đáp ứng được yêu cầu mô phỏng chi tiết của mô hình thủy văn thông số phân bố. Ngoài ra, số liệu quan trắc viễn thám và tái phân tích lượng mưa có độ trễ lớn nên chưa có khả năng ứng dụng trong nghiệp vụ dự báo. Do đó, phương pháp nội suy mưa không gian thường được sử dụng để chi tiết mưa đầu vào cho mô hình thủy văn thông số phân bố [46].
Thuật toán nội suy không gian có thể được phân loại theo các quan điểm khác nhau, Qingfang Hu (2019) chia thành 5 phương pháp bao gồm: hồi quy bội, thống kê địa lý, mô hình chính xác cao bề mặt, máy học, nội suy kết hợp. Phương pháp hồi quy bội là thiết lập mối quan hệ tuyến tính hoặc phi tuyến tính giữa số liệu các trạm và các biến không gian bằng phương pháp bình phương nhỏ nhất (OLS), hồi quy trọng số địa lý (GWR), phụ gia tổng quát (GAM). Phương pháp thống kê địa lý bao gồm: Kriging thường (OK), Kriging tổng thể (UK), Kriging hướng ngoại (KED) và Co-Kriging (CK) [58]. Mô hình chính xác cao bề mặt (HASM) là một phương pháp nội suy và dự đoán không gian do Yue đề xuất dựa trên lý thuyết hình học vi phân [109], [110]. Trên cơ sở của phương trình Gauss - Codazii, HASM biến bài toán mô phỏng bề mặt thành một hệ phương trình tuyến tính rời rạc với ma trận xác định dương đối xứng để xây dựng cơ sở lý thuyết cho các phương pháp nghịch đảo khoảng cách (IDW), Kriging thường và Spline [58], [99], [111]. Ngoài ra, một số thuật
toán cho máy tính học cách nội suy không gian với các yếu tố ảnh hưởng phức tạp và cơ chế vật lý đã được nghiên cứu như như mạng thần kinh nhân tạo (ANN), quy tắc khai thác kết hợp, suy luận mờ và ngẫu nhiên [58]. Các thuật toán nội suy kết hợp cải thiện độ chính xác của các yếu tố trong không gian bằng cách tích hợp các loại thuật toán khác nhau, như phương pháp AURELHY đã kết hợp kết hợp nhiều phương pháp hồi quy và Kriging [58].
Địa hình vùng núi có tác động lớn đến các yếu tố cần nội suy, đặc biệt là lượng mưa; do đó, nhiều nghiên cứu đã tính toán tác động của địa hình đến nội suy số liệu mưa. Đánh giá ảnh hưởng của địa hình đến nội suy mưa ở lưu vực Middle Yarra và Ovens (Úc) cho thấy phương pháp Kriging có tương quan với địa hình tốt hơn IDW và Spline không có tương quan với địa hình [87]. Để đánh giá ảnh hưởng của địa hình đến nội suy mưa trên lưu vực sông Xinxie, Tao Chen (2017) đã sử dụng phương pháp hồi quy các thành phần chính (PCRR), hồi quy nhiều biến, nghịch đảo khoảng cách (IDW) và cho kết quả phương pháp PCRR có xét đến địa hình là tốt nhất, phương pháp IDW không xét đến địa hình là kém nhất [41]. So sánh các phương pháp nội suy trong mô hình thủy văn thông số phân bố trên các lưu vực sông lớn ở Tây Phi, Ruelland (2008) đánh giá phương pháp IDW và Kriging hiệu quả hơn so với đa giác (THI) và thấp nhất là Spline [85]. Tuy nhiên, nghiên cứu của M. Coulibaly ở Nam Phi và lưu vực Charlie Creek (Hoa Kỳ) đánh giá phương pháp Kriging nội suy mưa tốt hơn phương pháp IDW [43]. Ngoài ra, phương pháp Kriging, IDW được kết hợp với phương trình hồi quy để phân tích biến thiên theo không gian và ước tính định lượng mưa ở vùng núi cho kết quả tin cậy hơn so với khi không kết hợp [54], [113].
Phương pháp nội suy số liệu theo không gian khá đa dạng, mỗi phương cho ra một bản đồ mưa khác nhau, độ tin cậy và sự lựa chọn phương pháp nội suy phụ thuộc vào sự thay đổi của kết quả nội suy so với số liệu gốc [46]. Mô hình thủy văn thông số phân bố thường yêu cầu nội suy không gian như một phần của quá trình mô hình hóa, lựa chọn phép nội suy phụ thuộc vào thuật
toán, mật độ trạm và yêu cầu về độ phân giải [89]. Hiện nay chưa có phương pháp nội suy mưa tốt nhất; do đó, phương pháp khắc phục thiếu số liệu mưa không gian cần được lựa chọn phù hợp, khả thi tích hợp với mô hình MARINE. Ngoài ra, phương pháp đó cần có khả năng kết hợp với phương trình hồi quy bội để tính toán tác động của địa hình đến lượng mưa. Do đó, Luận án lựa chọn phương pháp trọng số nghịch đảo khoảng cách (Inverse Distance Weighted - IDW) vì lý do sau đây:
- Địa hình nước ta chủ yếu là đồi núi và tác động của dãy núi làm biến đổi đáng kể lượng mưa giữa sườn đón gió và sườn khuất gió, nhưng phương pháp IDW có khả năng lựa trạm mưa bên cùng một phía của dãy núi để nội suy, nên sử dụng tốt cho vùng núi nước ta.
- Bán kính tìm kiếm trong phương pháp IDW cho phép lựa chọn những trạm có ảnh hưởng nút lưới để nội suy và loại bỏ những trạm không ảnh hưởng, nên có khả năng ứng dụng hiệu quả với lưu vực sông lớn.
- Giá trị nội suy nằm trong giới hạn lượng mưa của các trạm nên giảm được sai số tính toán cực trị trong không gian.
- Có khả năng điều chỉnh được mức độ ảnh hưởng của trạm đo đến nút lưới nội suy, sao cho phù hợp với diễn biến thực tế của trận mưa thông qua hiệu chỉnh bậc khoảng cách.
- Phương pháp IDW tính toán nhanh và thuật toán đơn giản nên thuận tiện trong việc tích hợp với các mô đun, công cụ khác để tăng chất lượng mưa đầu vào cho mô hình thủy văn thông số phân bố.
Tác động của địa hình gây ra nhiễu động lớn hơn trong không khí, làm biến đổi lượng mưa theo độ cao. Tuy nhiên, tùy thuộc vào hướng đón gió của địa hình và tác động của các yếu tố khí tượng, điều kiện tự nhiên khác mà mức độ biến đổi lượng mưa theo độ cao trong mỗi trận mưa có sự khác nhau. Trong các nghiên cứu về nội suy mưa cho thấy, khi kết hợp các phương pháp với hồi quy lượng mưa theo độ cao địa hình cho kết quả tốt hơn. Do đó, phương pháp IDW được kết hợp với phương pháp hồi quy mưa theo độ cao địa hình để xây
dựng công cụ nội suy mưa theo không gian cho mô hình MARINE. Mặc dù công cụ không cải tiến mô hình MARINE nhưng cải thiện chất lượng mưa đầu vào, khắc phục một số nhược điểm về tính mưa phân bố trong những nghiên cứu trước đây và được tích hợp để tạo thành một bộ công cụ mô hình hoàn chỉnh.