Dự báo mưa đá là một trong những bài toán thách thức nhất trong lĩnh vực khí tượng hiện nay [47]. Con người chưa thể quan trắc cũng như mô phỏng quá trình hình thành và phát triển của mưa đá, dẫn tới còn nhiều khía cạnh về hiện tượng chưa được hiểu rõ. Do đó, những phương pháp dự báo hiện nay hầu như không thể giải thích được đầy đủ về hiện tượng, dẫn tới khó khăn trong dự báo mưa đá.
Các mô hình số có độ phân giải cao và siêu cao cho phép dự báo hiển các ổ đối lưu đơn lẻ. Các yếu tố vi vật lý trong mây được xấp xỉ bằng các sơ đồ tham số
hóa vi vật lý (MP). Chúng đóng vai trò tối quan trọng trong các mô hình số phân
giải đối lưu hiển, đặc biệt trong các trường hợp đối lưu sâu gây dông mạnh. Hiện nay các sơ đồ MP đa số là sơ đồ khối, tại đó giả thiết rằng phân bố nước tuân theo phổ phân bố kích thước hạt (PSD):
x xD
N D N D e0x (1)
Trong đó: xlà hệ số độ dốc, xlà tham số hình dạng và N0xlà hệ số chặn [71]. Các sơ đồ vi vật lý sử dụng nhiều phương pháp khác nhau để giải một hoặc nhiều biến, từ đó thu được phổ kích thước hạt tại mỗi điểm lưới. Đối với các mô hình nghiệp vụ yêu cầu dự báo thời gian thực, người ta sử dụng các sơ đồ MP bậc một giải tỉ lệ xáo trộn của các pha nhằm tiết kiệm tài nguyên và thời gian tính toán.
Nhiều sơ đồ bậc cao giải thêm tổng số hạt ngưng kết (bậc hai) hay dự báo độ phản hồi vô tuyến (bậc ba) bổ sung nhiều thông tin có ý nghĩa trong bài toán dự báo [45].
Với sự phát triển bùng nổ của mô hình số trong những năm 2000, các sản phẩm dự báo đã giải quyết được nhiều nhược điểm về độ phân giải không gian và thời gian của dự báo truyền thống. Những sản phẩm dự báo thời tiết cực đoan liên
quan tới đối lưu cũng có bước tiến vượt bậc trong giai đoạn này, tiêu biểu là Dự báo
Xác suất Dông nguy hiểm Thay thế (SSPF) [36]. Trong số đó, chỉ số Độ xoáy dòng thăng (Updraft Helicity - UH) cho khả năng dự báo tốt nhất, do đó được phát triển,
thử nghiệm và được ứng dụng rộng rãi trong nghiệp vụ dự báo thời tiết nguy hiểm tại Hoa Kỳ từ đầu thập niên 2010s [67].
Trên cơ sở dự báo dông, chỉ số UH đã được dùng để dự báo mưa đá. Nghiên cứu của Gagne và ccs., (2017) chỉ ra rằng UH là chỉ số dông tốt nhất dùng để dự báo mưa đá rất lớn (kích thước hạt từ 25 - 50 mm) [30]. Tương đồng với kết quả trên, Labriola và ccs., (2019b) thử nghiệm dự báo mưa đá với nhiều tùy chọn sơ đồ
MP, ghi nhận điểm kỹ năng rất cao của chỉ số UH trong trường hợp này [42]. Tuy nhiên, UH đặc trưng cho dạng dông xoay nên có thể chưa chỉ thị tất cả các loại dông gây ra mưa đá, đặc biệt ở miền nhiệt đới.
Bên cạnh sử dụng các chỉ số dông thay thế đại diện cho các khu vực mưa đá,
nhiều hướng nghiên cứu hướng tới dự báo chi tiết về mưa đá, như địa điểm và kích thước hạt mưa đá. Một mô hình phải kể tới là HAILCAST là mô hình một chiều, ban đầu được phát triển để ước lượng kích thước mưa đá sử dụng profile nhiệt độ, độ ẩm và gió quan trắc tại một điểm [20]. Những cải tiến sau đó bao gồm xây dựng mô hình đối lưu và phát triển mô hình tăng trưởng kích thước mưa đá [63], và nhúng mô hình trong mô hình đối lưu hiển [34].
Hình 1.4. Sơ đồ cấu trúc mô hình Hailcast, theo Adams và ccs., (2016) [12]
Hiện nay HAILCAST đã được tích hợp trong mô hình WRF tạo thành Mô hình nhúng HAILCAST-WRF (sau đây gọi tắt là mô hình Hailcast) [12] là một mô
hình độc lập thời gian được nhúng trong các cấu hình mô hình đối lưu hiển, sử dụng
để dự báo kích thước hạt mưa đá cực đại tại bề mặt. Cụ thể, sơ đồ giản lược của mô hình Hailcast được trình bày ở Hình 1.4. Bước đầu, mô hình sử dụng vòng lặp kiểm tra cường độ đối lưu thông qua vận tốc thẳng đứng và thời gian đối lưu. Khi đối lưu đạt cường độ nhất định, mô hình kích hoạt mô đun tính toán sự tăng trưởng của các hạt mưa đá. Năm kích thước nhân ngưng kết ban đầu được nhúng vào mực thấp nhất của mây, sau đó được theo dõi, tính toán các đại lượng vật lý khi chúng di chuyển trong không gian. Kích thước hạt đá được ghi nhận khi chúng rơi tới bề mặt.
Mô hình tiếp tục quá trình lặp cho tới khi ổ dông không còn thỏa mãn điều kiện đối lưu hoặc thời gian đối lưu vượt quá ngưỡng thời gian nhất định.
Như vậy, mô hình Hailcast được xây dựng dựa trên các điều kiện đối lưu, các quá trình phát triển kích thước hạt cũng như sự di chuyển của hạt đá để dự báo
kích thước hạt mưa đá cực đại có thể xuất hiện tại bề mặt. Vì Hailcast xem xét cả trên phương diện động lực và nhiệt động lực nên đã được lựa chọn nhằm thử nghiệm, phát triển và đã được ứng dụng trong nghiệp vụ tại Trung tâm Cảnh báo Dông Hoa Kỳ (CPC) từ 2009 [11]. Các cải tiến của mô hình Hailcast đã nâng cao kỹ năng dự báo tương đồng với các chỉ số dông thay thế nhưng vẫn cần cải thiện về khả năng dự báo kích thước mưa đá trong tương lai [10].
Việc ứng dụng học máy (ML) vào dự báo mưa đá cho thấy những hiệu quả nhất định. David Gagne và ccs., sử dụng 18 biến dự báo từ hệ thống dự báo tổ hợp
(SSEF) làm số liệu đầu vào cho mô hình học máy, đưa ra dự báo về diện và kích thước hạt để so sánh với kết quả dự báo từ mô hình HAILCAST và số liệu quan trắc. Kết quả cho thấy mô hình học máy đưa ra dự báo mưa đá tương đương với dự
báo viên chuyên nghiệp cho các trận mưa đá có kích thước hạt nhỏ hơn 60 mm [29].
Năm 2017, David Gagne và ccs., tiếp tục công bố nghiên cứu về khả năng dự báo mưa đá của mô hình học máy bằng phương pháp dông. Mô hình học máy sử dụng hai bộ số liệu của SSEF và NCAR nhằm huấn luyện mô hình, sau đó sử dụng các chỉ số dông thay thế để đưa ra dự báo mưa đá. Kết quả dự báo cho mùa xuân và hè 2015 cho thấy mô hình học máy sử dụng chỉ số UH có kết quả dự báo tốt nhất trong phân loại các ổ dông cho mưa đá [30].