Khi nói đến mƣa lớn, chúng ta cần quan tâm đầu tiên đến pha xuất hiện sau đó là sự phân bố mƣa và lƣợng mƣa. Do đó, việc đánh giá cả pha và lƣợng là yêu cầu cần thiết phải làm khi đánh giá khả năng dự báo của mô hình. Cho đến nay, trên thế giới có rất nhiều các chỉ số đánh giá đƣợc sử dụng. Sau đây là một số chỉ số thƣờng hay đƣợc sử dụng nhất trong đánh giá dự báo mƣa:
- H (Hit): Dự báo trúng - M (Miss): Dự báo sai
- F (False Alarm): Dự báo khống
- N (Correct Negative) Dự báo không xảy ra, và thực tế không xảy ra hiện tƣợng
Sau khi lập đƣợc bảng các phân loại dự báo trên sẽ cho ta biết loại sai số hay gặp. Một hệ thống dự báo đƣợc coi là hoàn hảo khi đƣa ra các dự báo chỉ gồm toàn Hit và Correct Negative và không có Miss và False Alarm. Dựa vào bảng phân loại ngƣời ta có thể tính toán ra các chỉ số để biết những đặc điểm riêng của các dự báo. Một số chỉ số thƣờng đƣợc sử dụng bao gồm:
- Chỉ số FBI (Frequency Bias Index) - Chỉ số POD (Probability of Detection) - Chỉ số FAR (False Alarm Ratio) - Chỉ số TS (Threat Score)
Chỉ số FBI : FBI = (H+F)/(H+M). Chỉ số này cho biết tần suất giữa số lần dự báo “có” và thực tế quan trắc “có”. FBI có giá trị từ 0 đến +∞. Giá trị hoàn hảo là 1.
Chỉ số POD: POD= H/(H+M). Chỉ số này cho biết dự báo đúng bao nhiêu phần trăm so với thực tế. Giá trị hoàn hảo là 1.
Chỉ Số FAR: FAR = F/(H+F). Chỉ số này cho biết dự báo sai bao nhiêu phần trăm trong tổng số lần có hiện tƣợng. Giá trị hoàn hảo là 0.
Chỉ số TS: TS = H/(H+M+F). Chỉ số này xác định sự phù hợp giữa vùng dự báo và vùng quan trắc. Giá trị TS =1 là dự báo hoàn hảo; TS=0 là dự báo kém.
Theo quy định của Trung tâm Khí tƣợng Thủy văn Quốc gia về đánh giá chất lƣợng dự báo khì tƣợng hạn ngắn hiện nay, thuật ngữ về mƣa bao gồm cấp mƣa và dạng mƣa đƣợc quy định theo bảng sau:
Bảng 3.3 Cấp mưa và dạng mưa TT Cấp mưa và dạng mƣa Lƣợng mƣa 12h R(mm)/12h Ghi chú (Ký hiệu AERO)
1 Không mƣa Không mƣa Không mƣa (-)
Mƣa không đo đƣợc (gt) 2 Mƣa nhỏ lƣợng mƣa không đáng kể Giọt R 0.3
3 Mƣa nhỏ 0.3 < R 3.0
Không tính thời gian mƣa xảy ra liên tục hay
ngắt quãng
4 Mƣa 3.0 < R 8.0
5 Mƣa vừa 8.0 < R 25.0
6 Mƣa to 25.0 < R 50.0
7 Mƣa rất to R > 50.0
8 Mƣa rào nhẹ, mƣa rào nhẹ và dông Giọt R 3.0 Mƣa bất ổn định dạng rào có hoặc không kèm
theo dông. 9 Mƣa rào, mƣa rào và dông, mƣa
dông
3.0 < R 25.0
10 Mƣa phùn
Mƣa nhỏ, mƣa phùn
Giọt < R 3.0 Mƣa ổn định, xảy ra liên tục hoặc ngắt quãng
11 Dông Dông, chớp Dông có thể báo kèm
với mƣa bất ổn định Với mục đích của luận văn là thử nghiệm phƣơng pháp lọc Kalman tổ hợp dự báo mƣa lớn miền Trung thì hiện tƣợng để đánh giá ở đây chính là mƣa lớn. Theo bảng phân cấp lƣợng mƣa nhƣ trên (Bảng 3.3) ta thấy rằng mƣa lớn chính là những ngày có lƣợng mƣa lớn hơn 50mm (R>25mm/12h).
Nhƣ vậy, để đánh giá khả năng dự báo của mô hình tôi sử dụng ngƣỡng lƣợng mƣa là 50mm/ngày làm giới hạn cho pha dự báo. Sau khi phân loại và tính toán, kết quả phân loại dự báo và các chỉ số dự báo đƣợc thể hiện ở phần dƣới đây.
3.3.1 Đánh giá khả năng dự báo của mô hình khi đồng hóa số liệu cao không khu vực châu Á
Dƣới đây là bảng so sánh các chỉ số dự báo của mô hình WRF và WRF – KF khi đồng hóa số liệu cao không khu vực châu Á.
Bảng 3.4. Bảng so sánh phân loại dự báo khi đồng hóa số liệu cao không khu vực Châu Á Ngày Chỉ số WRF WRF - KF 15/10 H 1 7 M 21 15 F 0 2 N 4 2 Tổng 26 26 16/10 H 8 10 M 15 13 F 1 1 N 2 2 Tổng 26 26 17/10 H 8 18 M 12 2 F 1 0 N 5 6 Tổng 26 26
Bảng 3.5. Bảng các chỉ số đánh giá dự báo khi đồng hóa số liệu cao không khu vực Châu Á Ngày Chỉ số WRF WRF - KF 14/10 FBI 0.05 0.41 POD 0.05 0.32 FAR 0 0.22 TS 0.05 0.29 15/10 FBI 0.39 0.48 POD 0.35 0.43 FAR 0.11 0.09 TS 0.33 0.42 16/10 FBI 0.45 0.9 POD 0.4 0.9 FAR 0.11 0 TS 0.38 0.9
Qua bảng trên (Bảng 3.4 và bảng 3.5) ta thấy các chỉ số đánh giá dự báo mƣa của mô hình WRF-KF khi dự báo đợt mƣa này tốt hơn nhiều so với kết quả dự báo mƣa của mô hình WRF.
3.3.2 Đánh giá khả năng dự báo của mô hình khi đồng hóa số liệu cao không Việt Nam
Bảng các chỉ số dự báo của mô hình WRF và WRF – KF khi đồng hóa số liệu cao không của Việt Nam
Bảng 3.6. Bảng so sánh phân loại dự báo khi đồng hóa số liệu cao không Việt Nam Ngày Chỉ số WRF WRF - KF 15/10 H 1 11 M 21 11 F 0 1 N 4 3 Tổng 26 26 16/10 H 8 16 M 15 7 F 1 1 N 2 2 Tổng 26 26 17/10 H 8 19 M 12 1 F 1 0 N 5 6 Tổng 26 26
Bảng 3.7. Bảng các chỉ số đánh giá dự báo khi đồng hóa số liệu cao không Việt Nam
Ngày Chỉ số WRF WRF - KF 15/10 FBI 0.05 0.54 POD 0.05 0.5 FAR 0 0.08 TS 0.05 0.48 16/10 FBI 0.39 0.74 POD 0.35 0.7 FAR 0.11 0.06 TS 0.33 0.67 17/10 FBI 0.45 0.95 POD 0.4 0.95 FAR 0.11 0 TS 0.38 0.95
Qua hai bảng trên (Bảng 3.6 và 3.7), ta thấy các chỉ số đánh giá dự báo mƣa của mô hình WRF-KF khi đồng hóa số liệu cao không Việt Nam trong đợt mƣa này cũng tốt hơn nhiều so với kết quả dự báo mƣa của mô hình WRF.
3.3.3 So sánh khả năng dự báo của mô hình khi đồng số liệu cao không khu vực Châu Á và khi đồng hóa số liệu cao không Việt Nam
Bảng 3.8. Bảng so sánh phân loại dự báo khi đồng hóa số liệu cao không khu vực Châu Á và Việt Nam
Ngày Chỉ số Châu Á Việt Nam
15/10 H 7 9 M 15 13 F 2 1 N 2 3 Tổng 26 26 16/10 H 10 15 M 13 8 F 1 1 N 2 2 Tổng 26 26 17/10 H 18 19 M 2 1 F 0 0 N 6 6 Tổng 26 26
Bảng 3.9. Bảng các chỉ số đánh giá dự báo khi đồng hóa số liệu cao không khu vực Châu Á và Việt Nam
Ngày Chỉ số Châu Á Việt Nam
14/10 FBI 0.41 0.54 POD 0.32 0.5 FAR 0.22 0.08 TS 0.29 0.48 15/10 FBI 0.48 0.74 POD 0.43 0.7 FAR 0.09 0.06 TS 0.42 0.67 16/10 FBI 0.9 0.95 POD 0.9 0.95 FAR 0 0 TS 0.9 0.95
Thông qua các chỉ số ở hai bảng trên ta thấy khả năng dự báo của mô hình khi đồng hóa số liệu cao không Việt Nam tốt hơn so với việc đồng hóa số liệu cao không khu vực Châu Á.
KẾT LUẬN
Sau khi thử nghiệm phƣơng pháp lọc Kalman tổ hợp cho mô hình WRF để dự báo mƣa lớn miền Trung tôi có một số kết luận nhƣ sau:
- Cƣờng độ mƣa khi sử dụng mô hình WRF và WRF–KF tại các bƣớc thời gian dự báo khác nhau là khác nhau nhiều (lƣợng mƣa tại trƣờng hợp WRF-KF lớn hơn so với WRF).
- Kết quả dự báo khi có đồng hóa số liệu tại địa phƣơng (TB) đã rất gần với kết quả quan trắc tại trạm (Trạm) và tốt hơn hẳn kết quả dự báo từ mô hình WRF (CTL).
- Ngoài việc dự báo đƣợc mƣa lớn, mô hình WRF-KF đã bắt đƣợc các trạm có lƣợng mƣa nhỏ và những trạm không mƣa.
- Tuy có kết quả dự báo tốt hơn nhƣng kết quả mô hình WRF-KF vẫn chƣa bắt đƣợc các ngày có mƣa lớn đặc biệt trong khu vực. Kết quả mô hình chỉ dự báo đƣợc lƣợng mƣa nhỏ hơn 250mm trong khi đó một số trạm có lƣợng mƣa ngày lên đến 390 – 700mm/ngày.
- Chỉ số đánh giá dự báo mƣa lớn của mô hình WRF-KF trong đợt mƣa này tốt hơn nhiều so với kết quả dự báo mƣa của mô hình WRF.
- Kết quả dự báo của WRF-KF khi đồng hóa số liệu cao không tại Việt Nam có phần tốt hơn (dự báo đƣợc lƣợng mƣa lớn hơn, chỉ số đánh dự báo cao hơn) so với WRF-KF khi đồng hóa số liệu cao không khu vực Châu Á.
Như vậy phương pháp đồng hóa lọc Kalman tổ hợp địa phương đã thể hiện được ưu điểm trong việc dự báo mưa lớn tại miền Trung Việt Nam tốt hơn so với không đồng hóa (WRF), điều đó mở ra một xu hướng nghiên cứu mới cho việc dự báo mưa lớn được cải thiện tốt hơn.
TÀI LIỆU THAM KHẢO
Tiếng Việt
[1]. Kiều Quốc Chánh, Tổng quan hệ thống đồng hóa lọc Kalman tổ hợp và ứng dụng cho mô hình dự báo thời tiết WRF, Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và Công nghệ 27, Số 1S (2011) 17-28.
[2]. Hoàng Đức Cƣờng và các cộng sự, Nghiên cứu vai trò của dữ liệu cao không trong sơ đồ đồng hóa số liệu 3DVAR cho mô hình WRF nhằm mục đích dự báo thời tiết ở Việt Nam, Hội thảo Khoa học Khí tƣợng Cao không lần thứ VII (2010) 145 – 156.
[3]. Võ Văn Hòa, (2007), Nghiên cứu thử nghiệm mô hình WRF dự báo quỹ đạo bão trên khu vực biển đông, Tạp chí KTTV số 5761-2007, Tr. 13-20.
[4]. Trần Tân Tiến, Nguyễn Đăng Quế, 2002, Xử lý số liệu khí tượng và dự báo thời tiết bằng phương pháp thống kê vật lý, Nhà xuất bản Đại học Quốc Gia Hà Nội, số 01.69.ĐH2002.
[5]. Trần Tân Tiến, (1997), Nghiên cứu dự báo thời tiết bằng phương pháp số trị, nhà xuất bản Đại học Quốc gia Hà Nội.
[6]. Phạm Đức Thi và CCS, Xây dựng một số phương pháp dự báo hạn vừa, hạn dài nhiệt độ mùa đông và mưa mùa hè khu vực phía bắc Việt Nam.
Tiếng Anh
[7]. Bergthorsson, P., and B. D¨o¨os, 1955: Numerical weather map analysis, Tellus7,329-340.
[8]. Bougeault, P., Houze, R. A., Rotunno, R., and Volkert, H., 2003: MAP (Mesoscale Alpine Programme), Quart. J. Royal Meteorol. Soc., 129, 341–899.
[9]. Cressman, G. P., 1959: An operational objective analysis system, Mon. Wea. Rev.87, 367-374.
[10]. C. Yaiprasert, K. Jaroensutasinee, and M. Jaroensutasinee, The Pixel Value Data Approach for Rainfall Forecasting Based on GOES-9 Satellite Image Sequence Analysis, World Academy of science, Egineering and Technology 32 2007.
[12]. Dee, D., and A. Da Silva, 1998: Data assimilation in the presence of forecast bias. Quart. J. Roy. Meteor. Soc.124,269-295.
[13]. Elementi, M., C. Marsigli, and T. Paccagnella, 2005: High resolution forecast of heavy precipitation with Lokal Modell: analysis of two case studies in the Alpine area. Natural Hazards and Earth System Sciences, 5, 593–602.
[14]. Kato, T., and H. Goda, 2001: Formation and maintenance processes of a stationary band-shaped heavy rainfall observed in Niigata on 4 August 1998. J. Meteor. Soc. Japan, 79, 899-924.
[15]. Kato, T., M. Yoshizaki, K. Bessho, T. Inoue, Y. Sato and XBAIU- 01 observation group, 2003: Reason for the failure of the simulation of heavy rainfall during X-BAIU-01-Importance of a vertical profile of water vapor for numerical simulations, J. Meteor. Soc. Japan, 81, 993-1013.
[16]. Kato, T., and K. Aranami 2009: Formation Factors of 2004 Niigata- Fukushima and Fukui Heavy Rainfalls and Problems in the Predictions using a Cloud- Resolving Model. SOLA, 10, doi:10.2151/sola.
[17]. Kehoe, R. M., M. A. Boothe, R. L. Elsberry, 2007: Dynamical tropical cyclone 96- and 120-h track forecast errors in the Western North Pacific. Wea. Forecasting, 22, 520-538.
[18]. Lee, Dong-Kyou *, Hyun-Ha Lee, Jai-Won Lee and Jung-Hoon Cho Atmospheric Sciences Program, School of Earth and Environmental Sciences, Seoul National University, Seoul, Korea, HEAVY RAINFALL PREDICTION OVER EAST ASIA USING THE HIGH RESOLUTION WRF MODEL.
[19]. Lin, N., J. A. Smith, G. Villarini, T. P. Marchok, M. L. Baeck, 2010: Modeling Extreme Rainfall, Winds, and Surge from Hurricane Isabel (2003), 25, doi: 10.1175/2010WAF2222349.
[20]. Payne, K. A., R. L. Elsberry, M. A. Boothe, 2007: Assessment of Western North Pacific 96- and 120-h track guidance and present forecast ability. Wea. Forecasting.,22, 1003-1015.
[21]. Schumacher, R. S., C. A. Davis, 2010: Ensemble-based Forecast Uncertainty Analysis of Diverse Heavy Rainfall Events, 25. doi: 10.1175/2010WAF2222378.
[22]. Talagrand, O., 1997: Assimilation of observations, an introduction. J. Met. Soc. JapanSpecial Issue 75, 1B,191-209.
Trang web
[14]. http://dss.ucar.edu/datasets/ds083.2/
[16].http://www.mmm.ucar.edu/wrf/users/docs/user_guide_V3/contents.html [17].http://www.mmm.ucar.edu/wrf/users/docs/user_guide_V3/users_guide_cha p1.htm