Yếu tố nhiệt độ khơng khí

Một phần của tài liệu (LUẬN án TIẾN sĩ) nghiên cứu ứng dụng phương pháp thống kê sau mô hình tổ hợp (EMOS) vào dự báo nhiệt độ và điểm sương bề mặt ở việt nam (Trang 76 - 80)

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

3.2.1. Yếu tố nhiệt độ khơng khí

Bảng 3.1 đưa ra kết quả tính tốn chỉ số đánh giá ME của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h và cho 9 khu vực nghiên cứu. Cần lưu ý là nhĩm phương pháp EMLR, EMES và EMMV sử dụng các dự báo thành phần đã được hiệu chỉnh sai số hệ thống bằng phương pháp BCMA trước khi tính tốn TBTH với các phương án trọng số khác nhau. Tại mỗi khu vực nghiên cứu, chỉ số ME trong bảng là giá trị trung bình của khu vực nghiên cứu trong đĩ gộp tồn bộ các trạm quan trắc trực thuộc lại để tạo thành một chuỗi số liệu đánh giá dựa trên chuỗi số liệu thử nghiệm 2008-2010.

Từ bảng 3.1 cĩ thể thấy hầu hết các phương pháp EMOS cho chỉ số ME trong dự báo T2m với biên độ nhỏ hơn so với ME của Raw tại hầu hết các khu vực nghiên cứu. Điều này chứng tỏ, việc hiệu chỉnh sai số hệ thống đã cĩ tác động tích cực tới sai số hệ thống của TBTH khi các dự báo thành phần được sử dụng. Nĩi chung, mức độ cải thiện sai số trung bình thay đổi

theo từng phương pháp, khu vực nghiên cứu và rất khĩ để chỉ ra phương pháp nào là tốt nhất. Tuy nhiên, từ bảng 3.1 cĩ thể nhận thấy phương pháp EMLR là kém hiệu quả nhất trong số các phương pháp EMOS được thử nghiệm. Nếu so sánh giữa các khu vực, các khu vực ĐBBB và NTB là khu vực cho thấy ít sự cải thiện trong chất lượng thơng qua chỉ số đánh giá ME. Các kết quả tương tự cũng được tìm thấy tại các hạn dự báo +48h và +74h (phụ lục 2).

Bảng 3.1: Kết quả tính tốn chỉ số đánh giá ME (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h (các giá

trị bơi đậm ngụ ý khơng đem lại sự cải thiện trong sai số)

Phương pháp EMOS

Khu vực nghiên cứu

TB VB ĐB ĐBBB BTB TTB NTB TN NB EMLR 0.90 0.85 0.28 0.10 0.28 0.56 0.12 0.18 0.26 EMES 0.01 0.01 0.15 -0.04 -0.11 -0.04 0.07 0.08 -0.04 EMMV -0.02 -0.04 0.14 -0.09 -0.14 -0.04 0.07 0.1 -0.04 BCMA -0.08 -0.08 0.02 -0.15 -0.15 -0.07 0.04 0.08 -0.05 BCLR 0.18 0.2 0.26 0.23 0.15 0.16 0.20 0.18 0.08 BCES -0.07 -0.05 0.01 -0.03 -0.04 -0.02 0.02 0.03 0.00 BCKF -0.04 -0.01 -0.03 -0.02 -0.8 -0.10 -0.11 -0.04 -0.11 NGR_ER 0.09 0.11 0.09 0.06 0.02 0.08 0.09 0.07 0.07 NGR_EP 0.05 0.03 0.02 0.02 -0.04 -0.02 0.09 0.01 0.02 NGR_EM 0.07 0.1 0.14 0.07 0.01 0.03 0.13 0.11 0.03 Raw -1.2 -0.77 0.17 0.02 0.20 0.35 -0.06 -0.13 0.19

Để cĩ cái nhìn rõ hơn về mức độ cải thiện trong chất lượng dự báo TBTH cho T2m từ các phương pháp EMOS được thử nghiệm, chúng ta xem xét kết quả đánh giá dựa trên các chỉ số sai số tuyệt đối (MAE) và sai số quân phương (RMSE). Các bảng 3.2 và 3.3 tương ứng đưa ra kết quả tính tốn 2 chỉ số này cho yếu tố T2m với hạn dự báo 24h và cho 9 khu vực nghiên cứu. Từ bảng 3.2 cĩ thể thấy hầu hết các phương pháp EMOS đã cho giảm chỉ số

MAE so với Raw tại hầu hết các khu vực nghiên cứu. Sự cải thiện lớn nhất trong chất lượng dự báo T2m thường được tìm thấy tại các khu vực TB, VB và ĐB. Sự cải thiện ít được tìm thấy tại các khu vực ĐBBB và NB. Nếu so sánh giữa các phương pháp thì dự báo từ NGR_EM, NGR_EP, BCMA và BCES cho thấy sự cải thiện lớn nhất trong khi các phương pháp EMLR và NGR_ER khơng đem lại nhiều sự cải thiện, thậm chí là cho sai số dự báo T2m tăng lên so với Raw.

Bảng 3.2: Kết quả tính tốn chỉ số đánh giá MAE (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h

Phương pháp EMOS

Khu vực nghiên cứu

TB VB ĐB ĐBBB BTB TTB NTB TN NB EMLR 1.8 1.6 1.4 1.35 1.52 1.6 1.23 1.34 1.42 EMES 1.0 0.99 1.08 0.89 0.83 0.78 0.7 0.7 0.7 EMMV 1.04 1.03 1.11 0.9 0.85 0.79 0.71 0.71 0.71 BCMA 0.97 0.98 1.06 0.93 0.86 0.82 0.71 0.7 0.7 BCLR 1.02 1.02 1.09 0.96 0.87 0.82 0.73 0.72 0.72 BCES 0.95 0.97 1.01 0.9 0.83 0.78 0.68 0.65 0.67 BCKF 1.13 1.2 1.27 1.16 1.01 0.9 0.87 0.86 0.89 NGR_ER 1.28 1.37 1.46 1.31 1.15 1.12 0.95 0.95 1.0 NGR_EP 0.92 0.97 1.02 0.89 0.82 0.8 0.71 0.69 0.7 NGR_EM 0.97 1.0 1.06 0.91 0.84 0.79 0.69 0.69 0.7 Raw 1.96 1.65 1.28 1.04 1.05 0.98 0.91 0.9 0.81

Nguyên nhân chính dẫn đến những hạn chế này là trong phương pháp EMLR, việc sử dụng dung lượng mẫu 40 ngày để tính tốn các hệ số hồi quy trong một số trường hợp là khơng phù hợp khi cĩ sự thay đổi đột biến về hình thế thời tiết. Về nguyên tắc, trong bài tốn hồi quy các trọng số cần được xác định trên tập số liệu phụ thuộc đủ dài. Cịn đối với phương pháp NGR_ER, vấn đề trọng số âm đã ảnh hưởng đến chất lượng dự báo. Đây chính là lý do

tại sao biến thể NGR_EP được đề xuất để đảm bảo các hệ số hồi quy trong việc tính tốn kỳ vọng luơn dương.

Các kết quả tương tự cũng được tìm thấy khi xem xét chỉ số RMSE cho dự báo T2m như trong bảng 3.3. Cụ thể, các phương pháp NGR_EM, NGR_EP, BCMA và BCES cho thấy sự cải thiện lớn nhất trong khi các phương pháp EMLR và NGR_ER khơng đem lại nhiều sự cải thiện. Bên cạnh việc nâng cao chất lượng dự báo, cũng cĩ thể thấy các phương pháp EMOS cịn hạn chế được các sai số dự báo lớn. Cụ thể, chệnh lệch giữa giá trị MAE và RMSE của các phương pháp EMOS tại hầu hết khu vực khơng cĩ nhiều sự khác biệt và thường khơng quá 0.60C. Trong khi đĩ, dự báo TBTH từ Raw tại một số khu vực cĩ sự chênh lệch giữa giá trị MAE và RMSE lên tới hơn 10C. Các kết quả tương tự cho dự báo T2m cũng được tìm thấy cho hạn +48h và +72h (chi tiết xem trong phụ lục 2).

Bảng 3.3: Kết quả tính tốn chỉ số đánh giá RMSE (độ C) của dự báo TBTH từ Raw và 10 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h

Phương pháp EMOS

Khu vực nghiên cứu

TB VB ĐB ĐBBB BTB TTB NTB TN NB EMLR 2.3 2.6 2.1 2.15 2.02 1.96 1.63 1.92 1.22 EMES 1.41 1.32 1.47 1.17 1.11 0.99 0.91 0.92 0.89 EMMV 1.46 1.36 1.5 1.18 1.13 1.01 0.92 0.94 0.9 BCMA 1.37 1.31 1.42 1.18 1.13 1.06 0.91 0.91 0.9 BCLR 1.56 1.6 1.74 1.52 1.36 1.19 1.1 1.13 1.14 BCES 1.43 1.36 1.46 1.22 1.16 1.08 0.94 0.95 0.92 BCKF 1.36 1.29 1.36 1.15 1.1 1.01 0.87 0.86 0.87 NGR_ER 1.81 1.84 2.0 1.73 1.55 1.48 1.26 1.28 1.31 NGR_EP 1.3 1.3 1.39 1.16 1.09 1.05 0.92 0.92 0.92 NGR_EM 1.38 1.35 1.44 1.16 1.11 1.05 0.9 0.95 0.9 Raw 2.42 2.15 2.69 1.33 2.38 2.26 1.17 2.17 1.05

Một phần của tài liệu (LUẬN án TIẾN sĩ) nghiên cứu ứng dụng phương pháp thống kê sau mô hình tổ hợp (EMOS) vào dự báo nhiệt độ và điểm sương bề mặt ở việt nam (Trang 76 - 80)

Tải bản đầy đủ (PDF)

(173 trang)