CHƢƠNG 2 PHƢƠNG PHÁP NGHIÊN CỨU VÀ SỐ LIỆU
2.2. Phƣơng pháp nghiên cứu
2.2.1. Phƣơng pháp hiệu chỉnh sai số hàm phân bố thực nghiệm (quantile mapping) mapping)
Phƣơng pháp đƣợc sử dụng trong nghiên cứu này là phƣơng pháp hiệu chỉnh dựa trên hàm phân bố tích lũy xác suất thực nghiệm, đƣợc sử dụng trong các nghiên cứu [18], [27], [48], [49], [52] đã đề cập đến trong mục tổng quan.
Đối với mỗi biến nhất định, hàm mật độ xác suất tích lũy của các giá trị thời kỳ mô phỏng đƣợc làm cho phù hợp với hàm mật độ xác suất tích lũy của các giá trị quan trắc tƣơng ứng. Việc hiệu chỉnh đƣợc thực hiện bằng cách hiệu chỉnh phân bố của mô hình dựa vào phân bố của quan trắc qua hiệu chỉnh cho từng phân vị. Đây là điểm khác biệt chính quyết định hả năng hiệu chỉnh sai số tốt hơn của phƣơng pháp này khi coi sai số hệ thống của mô hình thay đổi theo phân vị số liệu quan trắc và mô hình. Từ mối quan hệ hiệu chỉnh có thể xác định hệ số hiệu chỉnh ứng với mỗi phân vị của hai phân bố này. Các hệ số hiệu chỉnh này đƣợc áp dụng để hiệu chỉnh các phân vị tƣơng ứng của thời kỳ dự tính. Phƣơng pháp này đƣợc thực hiện với các bƣớc chính nhƣ sau [11], [18], [48], [49], [52]:
- Sắp xếp chuỗi số liệu quan trắc theo thứ tự tăng dần (gọi là chuỗi trình tự), rồi lập chuỗi xếp hạng. Xác định đƣợc hạng Rx ,i cho mỗi giá trị quan trắc (số thứ tự của giá trị quan trắc trong chuỗi xếp hạng).
tính tần suất tích lũy pi tƣơng ứng của mỗi giá trị quan trắc theo công thức kinh nghiệm: 1 i Rx, n pi (2.1)
- Xác định hàm phân bố tích lũy thực nghiệm của giá trị mô phỏng của mô hình Fn,y bằng cách tính tần suất tích lũy qi cho mỗi một giá trị mô phỏng y(qi) tƣơng tự nhƣ trên.
- Xác định giá trị mô phỏng của mô hình sau khi hiệu chỉnh y’(qi) bằng cách sử dụng nghịch đảo của hàm phân bố tích lũy của quan trắc:
= (2.2)
Sai số đƣợc tính theo công thức:
y(qi)=y’(qi)-y(qi) (2.3) Giá trị y(qi) đƣợc áp dụng để hiệu chỉnh sai số thời kỳ dự tính ứng với giá trị của phân bố qi trong tƣơng lai.
Hình 2.1. Sơ đồ phƣơng pháp hiệu chỉnh phân vị (Quantile Mapping) 2.2.2. Phƣơng pháp tổ hợp
Trong nghiên cứu của luận văn sản phẩm dự tính của mỗi mô hình sau hi đã hiệu chỉnh sai số hệ thống sẽ đƣợc tổ hợp với nhau theo phƣơng pháp trung bình theo công thức dƣới đây:
Yraw Ycor
QM_Y
Mô hình
Quan trắc trtrằc
N 1 i i F N 1 EM (2.4) trong đó: N là số lƣợng mô hình đƣợc sử dụng; Fi là dự tính thành phần thứ i (mô hình thứ i) (i = 1,N).
2.2.3. Phƣơng pháp xác định mức độ chƣa chắc chắn
Tính chƣa chắc chắn (uncertainty) đƣợc dùng để đánh giá mức độ chƣa chắc chắn hay mức độ dao động của các dự tính khí hậu trong tƣơng lai từ các mô hình và các kịch bản đối với mỗi biến. Trong luận văn, tính chƣa chắc chắn đƣợc thảo luận qua các giá trị phân vị 10th, 50th (trung vị) và 90th của các thành phần mô hình. Các giá trị này đƣợc xác định bằng cách: 1) Tính xu thế tƣơng lai của các biến so với thời kỳ cơ sở 1986-2005 của các mô hình tại trạm; 2) Xác định các phân vị 10th, 50th (trung vị) và 90th tại mỗi trạm từ các giá trị của các mô hình (Hình 2.2).
Giá trị dự tính của mô hình tại các phân vị 10th và và 90th càng xa so với trung vị thì tính chƣa chắc chắn càng cao.
Hình 2.2. Minh họa bƣớc 1 (trái) và bƣớc 2 (phải) [5] 2.2.4. Phƣơng pháp đánh giá khả năng hiệu chỉnh sai số hệ thống
Để đánh giá hả năng của phƣơng pháp hiệu chỉnh sai số hệ thống mô hình, luận văn sử dụng chỉ số đánh giá sai số trung bình ME, sai số trung bình tuyệt đối MAE cho từng điểm trạm và lấy trung bình cộng để có đƣợc trị số đánh giá cho vùng nghiên cứu từ chuỗi số liệu thời kỳ cơ sở 1986-2005. Các chỉ số đánh giá này đƣợc tính theo các công thức (2.5)-(2.6): n 1 i i i O F n 1 ME (2.5)
n 1 i i i O F n 1 MAE (2.6) Trong đó: n là dung lƣợng mẫu đánh giá, Fi là nhiệt độ mô hình trƣớc hoặc sau khi hiệu chỉnh sai số; Oi là nhiệt độ quan trắc tƣơng ứng. Chỉ số ME biểu thị sai số trung bình giữa mô hình và quan trắc, kết quả giá trị của ME cho ta biết xu hƣớng sai số của mô hình nhƣng không phản ánh đƣợc độ lớn của sai số. Giá trị của ME dƣơng có nghĩa là ết quả của mô hình có xu hƣớng cao hơn so với quan trắc, ngƣợc lại giá trị của ME âm thì mô hình có xu hƣớng thấp hơn so với quan trắc. Khi ME=0, mô hình đƣợc xem là hoàn hảo. Miền giá trị của ME biến thiên từ - đến +. MAE có giá trị gần 0 là mô hình mô phỏng tốt.