CHƯƠNG 3 KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ
3.2. Đánh giá khả năng cải thiện chất lượng dự báo trung bình tổ hợp
3.2.5. Nhận định chung
Các kết quả đánh giá nĩi trên đã chỉ ra được tính hiệu quả của các phương pháp EMOS được thử nghiệm trong việc nâng cao chất lượng dự báo T2m, Td2m, Tmax và Tmin. Nĩi chung, mức độ cải thiện chất lượng dự báo các yếu tố khí quyển bề mặt này thay đổi theo yếu tố được hiệu chỉnh, phương pháp EMOS, hạn dự báo và khu vực nghiên cứu. Trong số 4 yếu tố được nghiên cứu, sự cải thiện lớn nhất được tìm thấy khi áp dụng các phương pháp EMOS cho dự báo TBTH của Td2m và Tmax, và ít nhất cho Tmin. Nguyên nhân là do dự báo Td2m và Tmax trực tiếp từ các dự báo thành phần của SREPS cĩ khuynh hướng sai số hệ thống tương đối rõ và biên độ sai số lớn. Trong khi đĩ, sai số hệ thống trong dự báo Tmin từ SREPS khơng rõ và cĩ biên độ rất nhỏ. Ngồi ra, do Td2m và Tmax là các yếu tố biến thiên mạnh theo khơng gian (mang tính địa phương cao) nên khi áp dụng các phương pháp EMOS cĩ tính cập nhật thì chất lượng dự báo sẽ được cải thiện đáng kể
do khả năng nắm bắt được sự thay đổi hình thế thời tiết đã được tăng cường. Ngược lại, yếu tố Tmin chỉ biến thiên ở các khu vực phía Bắc vào mùa đơng nên các phương pháp EMOS chỉ phát huy hiệu quả tại các khu vực này.
Trong số 10 phương án thử nghiệm, các kết quả đánh giá đã cho thấy các phương pháp NGR_EM và NGR_EP cho chất lượng dự báo T2m, Td2m, Tmax và Tmin tốt nhất. Trong khi đĩ, các phương pháp NGR_ER và BCKF và EMLR cĩ chất lượng thấp nhất, thậm chí khơng đem lại sự cải thiện nào trong chất lượng dự báo TBTH so với dự báo trực tiếp từ SREPS. Như đã trình bày trong chương 2, tất cả các phương pháp EMOS thử nghiệm đều sử dụng chung tập số liệu phụ thuộc gồm 40 ngày để ước lượng các trọng số hoặc khử sai số hệ thống. Do đĩ, sự khác biệt trong chất lượng dự báo TBTH sẽ bị chi phối bởi bản chất của phương pháp EMOS được thử nghiệm.
Với NGR_EM và NGR_EP, việc hiệu chỉnh được thực hiện thơng qua hàm phân bố được tạo ra bởi các dự báo thành phần trong đĩ đã đưa được quan hệ giữa sai số dự báo với độ tán tổ hợp vào trong tính tốn. Đặc biệt, vấn đề trọng số âm đã được loại trừ để hạn chế tạo ra các dự báo phi vật lý. Do vậy, chất lượng dự báo các yếu tố bề mặt từ 2 phương pháp này ổn định hơn và khơng bị sai số lớn. Dẫn đến sai số trung bình sẽ tốt hơn các phương pháp cịn lại. Ngược lại, phương pháp NGR_ER do khơng loại bỏ trọng số âm trong quá trình xây dựng phương trình hồi quy tuyến tính đa biến để mơ tả quan hệ giữa kỳ vọng của hàm phân bố với các dự báo thành phần của SREPS, nên thường tạo ra các dự báo phi vật lý hoặc cĩ sai số lớn. Đối với phương pháp BCKF, việc hiệu chỉnh thực tế dựa trên các sai số trong quá khứ trong đĩ sai số càng gần với hiện tại (thời điểm bắt đầu hiệu chỉnh) thì cĩ trọng số/tác động đến việc hiệu chỉnh càng lớn. Do đĩ, những sai số bất thường sẽ ảnh hưởng lớn tới chất lượng dự báo của BCKF. Với đặc tính hiệu chỉnh này, phương pháp BCKF thường biên độ dao động sai số lớn hơn so với các
phương pháp cịn lại, đặc biệt là trong dự báo các yếu tố Td2m và Tmax - hai yếu tố cĩ tính biên thiên mạnh theo khơng gian và thời gian. Đối với phương pháp EMLR, rõ ràng việc sử dụng 40 ngày để làm tập số liệu luyện cĩ ảnh hưởng nhiều tới chất lượng dự báo khi cĩ sự thay đổi đột ngột của xu thế sai số (do thay đổi hình thế thời tiết). Đây chính là lý do làm cho phương pháp EMLR khơng cĩ được chất lượng dự báo các yếu tố bề mặt tốt như các phương pháp EMOS cịn lại.
Các kết quả đánh giá ở trên cũng cho thấy các phương pháp EMOS áp dụng cho các dự báo thành phần đã được hiệu chỉnh sai số hệ thống trước khi tính tốn TBTH đem lại nhiều sự cải thiện hơn so với việc áp dụng dựa trên các dự báo thành phần chưa hiệu chỉnh. Nếu bỏ qua phương pháp NGR_ER, việc hiệu chỉnh sai số hệ thống theo hàm phân bố đem lại hiệu quả hơn so với cách thức tính tốn TBTH cĩ trọng số khác nhau. Tổng kết lại, phương pháp NGR_EM cho chất lượng dự báo TBTH của T2m, Td2m, Tmax và Tmin tốt nhất trong số các phương pháp EMOS được thử nghiệm.