Chương 4 KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
4.4. Hiệu chỉnh lượng mưa
Từ dữ liệu lượng mưa từ hệ thống
https://sharaku.eorc.jaxa.jp/GSMaP/index.htm của Jaxa Nhật Bản. Tiến hành download dữ liệu và hiệu chỉnh bằng số liệu quan trắc ta có dữ liệu lượng mưa của của khu vực.
Sản phẩm mưa vệ tinh độ phân giải cao được sử dụng có tên gọi là GSMaP (Global Satellite Mapping Precipitation). Năm 2002, Trung tâm Khoa học và Công nghệ Nhật Bản (JST – Japan Science and Technology Agency) đã bắt đầu thiết lập GSMaP và sau đó đến năm 2007 được đẩy mạnh bởi Trung tâm Nghiên cứu Vũ trụ Nhật Bản (JAXA – Japan Aerospace Exploration Agency) và nhóm các nhà khoa học thực hiện Nhiệm vụ Đo đạc mưa (PMM – Precipitation Measuring Mission) để thiết lập một sản phẩm mưa toàn cầu với độ phân giải cao theo không gian và theo thời gian. Sản phẩm GSMaP là sự kết hợp từ số liệu bức xạ sóng ngắn của nhiều vệ tinh quĩ đạo thấp như TRMM TMI, AQUA AMSRE, ADEOS II AMSRE và DMSP SSM/I và số liệu bức xạ hồng ngoại GEO [13]. Với sự kết hợp đó, GSMaP bao phủ trên phạm vi từ 60oN đến 60oS với độ phân giải theo phương ngang là 0,1 độ (3600 x 1200 pixels) và độ phân giải thời gian là 1 giờ.
Trong khuôn khổ của đề tài, dữ liệu lượng mưa trong hai ngày 16 và 17 tháng 7 năm 2018 từ trạm khí tượng thuỷ văn của 7 trạm và từ dữ liệu GSMaP theo từng giờ được sử dụng để nghiên cứu.
-5 0 5 10 15 20 25 30 35 40
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
1-Trạm Bái Thượng (mm/h)
0 1 2 3 4 5 6 7 8 9
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
2-Trạm Hồi Xuân (mm/h)
0 5 10 15 20 25 30
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
3-Trạm Như Xuân (mm/h)
0 5 10 15 20 25 30 35
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
4-Sầm Sơn (mm/h)
Hình 4.20. Biểu đồ lượng mưa trong 48 h từ ngày 16 – 17/07/2018 tại 7 trạm (màu xanh), dữ liệu vệ tinh (màu cam).
0 5 10 15 20 25
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
5- Thanh Hoá (mm/h)
0 5 10 15 20 25 30 35
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
6-Tĩnh Gia (mm/h)
0 2 4 6 8 10 12 14 16 18
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
7-Yên Định (mm/h)
Có thể nhận thấy rằng, lượng mưa theo giờ có độ tương quan khá thấp ở tất cả các trạm theo giờ. Điều này có thể lý giải bởi giá trị đo mưa tại trạm chỉ đặc trưng cho 1 vị trí trong khi lượng mưa từ dữ liệu vệ tinh là một giá trị trung bình cho một diện tích lớn hơn 100km2 (độ phân giải 0,1 độ cỡ 11,8 km).
Với tổng lượng mưa ngày (mm/24h) hoặc 2 ngày (mm/48h) thì tương quan tốt hơn. Nhưng trạm Tĩnh Gia có sự khác biệt sai số lớn với lượng mưa 24h và 48h đều cao hơn so với từ dữ liệu vệ tinh. Nhất là lượng mưa tại trạm Tĩnh Gia đo được là lượng mưa vừa trong nhiều giờ đồng hồ nhưng dữ liệu vệ tinh lại rất thấp. Do đó, trong quá trình tính toán không sử dụng dữ liệu trạm này để hiệu chỉnh.
Bảng 4.14. Dữ liệu tổng lương mưa từ 7 trạm trong 24h (mm/24h) STT Tên trạm Dữ liệu đo Dữ liệu vệ tinh Sai lệch
1 Bái Thượng 45.90 118.17 -72.27
2 Hồi Xuân 24.20 20.12 4.08
3 Như Xuân 82.90 199.28 -116.38
4 Sầm Sơn 98.40 138.89 -40.49
5 Thanh Hoá 69.30 123.46 -54.16
6 Tĩnh Gia 169.00 110.09 58.91
7 Yên Định 55.90 80.96 -25.06
Hiệu chỉnh với 6 trạm (trừ trạm Tĩnh Gia) với dữ liệu 24h
Regression Statistics
Multiple R 0.809670189
R Square 0.655565815
Adjusted R Square 0.569457268 Standard Error 17.45130748
Observations 6
Coefficients
Intercept 21.92769212
X Variable 1 0.359880811
Hình 4.21. Biểu đồ lượng mưa 24h tại trạm (màu xanh), dữ liệu vệ tinh (màu cam), dữ liệu hiệu chỉnh (màu xám)
Bảng 4.15. Dữ liệu tổng lương mưa từ 7 trạm trong 48h (mm/48h)
STT Tên trạm Dữ liệu đo Dữ liệu vệ tinh Sai lệch
1 Bái Thượng 73.30 124.04 -50.74
2 Hồi Xuân 32.00 25.40 6.60
3 Như Xuân 117.60 211.81 -94.21
4 Sầm Sơn 152.30 149.31 2.99
5 Thanh Hoá 125.70 130.98 -5.28
6 Tĩnh Gia 254.00 119.28 134.72
7 Yên Định 64.00 91.47 -27.47
0.00 50.00 100.00 150.00 200.00 250.00
1 2 3 4 5 6 7
Lượng mưa mm/24h
Hiệu chỉnh với 6 trạm (trừ trạm Tĩnh Gia) với dữ liệu 48h
Regression Statistics
Multiple R 0.779351207
R Square 0.607388305
Adjusted R Square 0.509235381
Standard Error 31.53716699
Observations 6
Coefficients
Intercept 24.90961176
0.566765676
Hình 4.22. Biểu đồ lượng mưa 48h tại trạm (màu xanh), dữ liệu vệ tinh (màu cam), dữ liệu hiệu chỉnh (màu xám).
0 50 100 150 200 250 300
1 2 3 4 5 6 7
Lượng mưa mm/48h
Hình 4.23. Bản đồ lượng mưa 24h ngày 16/07/2018
Hình 4.24. Bản đồ lượng mưa sau hiệu chỉnh 24h ngày 16/07/2018
Hình 4.25. Bản đồ lượng mưa 48h ngày 16-17/07/2018
Hình 4.26. Bản đồ lượng mưa sau hiệu chỉnh 48h ngày 16-17/07/2018
KẾT LUẬN, TỒN TẠI VÀ KIẾN NGHỊ
1. Kết luận chung
Thời tiết ảnh hưởng rất lớn đến đời sống kinh tế – xã hội của loài người. Việc dự báo các hiện tượng thời tiết ngày càng trở nên cần thiết và trở thành mối quan tâm nhiều quốc gia trên thế giới. Dự báo thời tiết thông qua dự báo các yếu tố: áp suất, nhiệt độ, độ ẩm, gió, mưa... Như chúng ta đã biết, mưa lớn là nguyên nhân chính gây ra lũ ở vùng Trung Trung bộ và đã để lại những hậu quả rất nghiêm trọng cho vùng này trong nhiều năm qua nhất là trong thời gian gần đây.
Với nhiệt độ không khí, số liệu khí tượng đã được tăng dày với độ phân giải là 1km. Dữ liệu nhiệt độ quan trắc tại trạm và số liệu đo có hệ số tương quan rất cao hầu hết là trên 0.9, mô hình tương quan là rất đáng tin cậy. Số liệu nhiệt độ có thể cung cấp 2 dữ liệu lúc 11h sáng và 13 chiều trong ngày tuỳ điều kiện thời tiết.
Với số liệu độ ẩm tương đối, số liệu khí tượng đã được tăng dày với độ phân giải là 1km. Dữ liệu độ ẩm tương đối quan trắc tại trạm và số liệu đo có hệ số tương quan rất cao trung bình từ 0.9, mô hình tương quan là rất đáng tin cậy. Số liệu độ ẩm tương đối có thể cung cấp 1 dữ liệu lúc 13 chiều trong ngày tuỳ điều kiện thời tiết.
Với dữ liệu lượng mưa, số liệu đã được tăng dày với độ phân giải là 11km. Dữ liệu lượng mưa hiệu chỉnh theo ngày có tương quan tốt 0.809, mô hình tương quan là đáng tin cậy. Số liệu lượng mưa tổng hợp hằng ngày và liên tục.
Trong khuôn khổ của đề tài, một số thông số được sử dụng ngay kết quả trực tiếp từ các tổ chức như NASA và JAXA. Các dữ liệu này hiện nay đều được cung cấp dưới dạng gần thời gian thực. Do đó, phương pháp đề tài đã nghiên cứu hoàn toàn có thể sử dụng để tăng dày số liệu khí tượng nhằm phục vụ dự báo mô hình ngắn hạn. Điều này có ý nghĩa thực tiễn hết sức giá trị.
2. Tồn tại
Tuy nhiên, với một số trường hợp dữ liệu trạm có độ lệch lớn có thể giải thích là do thời gian lệch giữa thời điểm chụp ảnh của vệ tinh và thời điểm đo tại trạm. Điều này dẫn đến một số trường hợp có sự bất thường trong ngắn hạn xảy ra. Đồng thời, dữ liệu vệ tinh tổng hợp cho vùng cho diện tích lớn hơn rất nhiều so với dữ liệu trạm đặc trưng cho phạm vị rất hẹp quanh trạm đo. Do đó, sự chênh lệch giữa dữ liệu vệ tinh và trạm đo là hoàn toàn có thể hiểu được. Để khắc phục tình trạng này thì việc chọn lọc số liệu đầu vào của các trạm, chuẩn hoá dữ liệu trạm là rất cần thiết cho từng thời điểm tính toán.
Dữ liệu nhiệt độ và độ ẩm phụ thuộc nhiều ảnh hưởng của mây. Dữ liệu sẽ kém tin cậy hoặc không có số liệu nếu độ che phủ mây quá lớn. Tuy nhiên, với các loại vệ tinh khí tượng ngày càng có độ phân giải cao hơn, tần xuất chụp lớn hơn (1h hoặc 30 phút/lần) thì việc này hoàn toàn có thể khắc phục.
Trong khuôn khổ đề tài, số liệu khí tượng được cung cấp chưa đầy đủ.
Nếu số liệu bao gồm cả sức trương hơi nước, điểm sương thì số liệu sẽ được tính toán chính xác và hiệu chỉnh ở mức cao hơn.
3. Kiến nghị
Kết hợp nhiều loại vệ tinh và tính toán trên hệ thống điện toán đám mây là xu thế đang phát triển mạnh mẽ hiện nay đòi hỏi phải có chiến lược đào tạo nhân lực, nâng cao chất lượng nguồn nhân lực trong lĩnh vực khí tượng thuỷ văn và viễn thám tại Đài quan trắc khí tượng Thanh Hoá nói riêng và tỉnh Thanh Hoá nói nói chung.
Tăng cường đầu tư nâng cấp trạm quan trắc khí tượng thuỷ văn thành các trạm tổng hợp, quan trắc tự động. Nghiên cứu đầu tư thêm các trạm ở các vị trí đặc thù với mật độ dày hơn đủ để đảm bảo độ tương quan giữa các mô hình khí tượng với dữ liệu viễn thám.