Luận văn Thạc sỹ khoa học Khí tượng và khí hậu học: Đánh giá kỹ năng dự báo mưa lớn cho miền trung và Tây Nguyên của một số mô hình khu vực

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

---------------------

Nguyễn Thanh Tú

ĐÁNH GIÁ KỸ NĂNG DỰ BÁO MƢA LỚN CHO MIỀN TRUNG VÀ

TÂY NGUYÊN CỦA MỘT SỐ MÔ HÌNH KHU VỰC

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – Năm 2013

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

---------------------

Nguyễn Thanh Tú

ĐÁNH GIÁ KỸ NĂNG DỰ BÁO MƢA LỚN CHO MIỀN TRUNG VÀ

TÂY NGUYÊN CỦA MỘT SỐ MÔ HÌNH KHU VỰC

Chuyên ngành: Khí tƣợng và Khí hậu học

Mã số: 62 44 87

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƢỜI HƢỚNG DẪN KHOA HỌC:

TS. BÙI MINH TĂNG

Hà Nội – Năm 2013

LỜI CẢM ƠN

Trƣớc hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới TS. Bùi Minh Tăng - ngƣời

đã tận tình chỉ bảo và hƣớng dẫn tôi hoàn thành luận văn này.

Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tƣợng - Thủy văn -

Hải dƣơng học đã cung cấp cho tôi những kiến thức chuyên môn quý giá, giúp đỡ

và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian tôi học tập và thực

hành ở Khoa.

Tôi xin cảm ơn các cán bộ phòng Nghiên cứu ứng dụng (Trung tâm dự báo

Khí tƣợng Thủy văn Trung Ƣơng), đặc biệt là Thạc sĩ Võ Văn Hòa và Thạc sĩ Dƣ

Đức Tiến đã tạo điều kiện, trao đổi chuyên môn cũng nhƣ có những ý kiến quý báu

giúp tôi hoàn thiện luận văn này.

Tôi cũng xin cảm ơn Phòng sau đại học, Trƣờng Đại học Khoa học Tự nhiên

đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn.

Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, ngƣời thân và bạn

bè, những ngƣời đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều kiện tốt nhất

cho tôi trong suốt thời gian học tập tại trƣờng.

Nguyễn Thanh Tú

MỤC LỤC

MỞ ĐẦU .............................................................................................. 10

Chƣơng 1. TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG

KHÍ TƢỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ ................................................ 12

1.1 Sự cần thiết của bài toán đánh giá. .................................................... 12

1.1.1 Mục đích và ý nghĩ của đánh giá dự báo .................................. 12

1.1.2 Mô hình đánh giá chung cho các yếu tố đánh giá thời tiết ....... 13

1.1.3 Các loại yếu tố dự báo ............................................................... 14

1.1.4 Các điểm số dùng trong đánh giá .............................................. 15

1.2 Tổng quan các nghiên cứu về đánh giá dự báo mƣa trong và ngoài

nƣớc. ................................................................................................................ 16

1.2.1 Tổng quan ngoài nƣớc ............................................................... 16

1.2.2 Tổng quan trong nƣớc ............................................................... 17

1.3 Một số phƣơng pháp đánh giá dự báo ............................................... 19

1.3.1 Sơ đồ chung đánh giá dự báo từ mô hình dự báo số trị ............ 19

1.3.2 Các phƣơng pháp đánh giá ........................................................ 23

Chƣơng 2. PHƢƠNG PHÁP NGHIÊN CỨU VÀ TẬP SỐ LIỆU SỬ DỤNG ..

......................................................................................................................... 29

2.1. Đặt bài toán ....................................................................................... 29

2.2. Mô tả tập số liệu nghiên cứu ............................................................ 32 2.2.1 Miền tính toán , đô ̣ phân giải , bƣớ c tích phân thờ i gian và tù y

chọn tham số hóa vật lý cho mô hình HRM, WRFARW, WRFNMM. ......... 32

2.2.2 Số liệu mô hình ......................................................................... 37

2.2.3 Số liệu quan trắc ........................................................................ 38

2.3 Phƣơng pháp đánh giá dự báo mƣa lớn ............................................. 38

2.3.1 Phƣơng pháp đánh giá định lƣợng ............................................ 39

2.3.2 Phƣơng pháp đánh giá theo ngƣỡng mƣa ................................. 39

Chƣơng 3. KẾT QUẢ ĐÁNH GIÁ KỸ NĂNG DỰ BÁO MƢA LỚN CỦA

MÔ HÌNH HRM-gfs, WRFARW-gfs VÀ WRFNMM-gfs CHO KHU VỰC

MIỀN TRUNG VÀ TÂY NGUYÊN .............................................................. 40

3.1. Kết quả đánh giá các đợt mƣa lớn từ năm 2008 đến 2010 cho khu

vực miền Trung và Tây Nguyên ..................................................................... 40

3.2. Kết quả đánh giá dự báo mƣa lớn của một số trƣờng hợp điển hình

cho khu vực miền Trung và Tây Nguyên ....................................................... 52

3.2.1. Dự báo 24h đợt mƣa từ ngày 25-27/7/2010 khu vực Trung

Trung Bộ của 3 mô hình .................................................................................. 53

3.2.2 Dự báo 24h đợt mƣa từ ngày 30/9-5/10/2010 khu vực Bắc

Trung Bộ của 3 mô hình ................................................................................. 55

KẾT LUẬN ............................................................................................. 60

TÀI LIỆU THAM KHẢO ....................................................................... 62

PHỤ LỤC ................................................................................................ 65

DANH MỤC CÁC HÌNH VẼ

Hình 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết ................................. 13

Hình 1.2 Sơ đồ chung cho đánh giá mô hình dự báo thời tiết số .................... 20

Hình 2.1 Miền tích phân dự báo của mô hình HRM ...................................... 34

Hình 2.2 Miền tích phân dự báo của mô hình WRFARW .............................. 36

Hình 2.3 Miền tích phân dự báo của mô hình WRFNMM ............................. 37

Hình 3.1 Dự báo trong 3 ngày lƣợng mƣa trung bình của các đợt mƣa lớn khu

vực miền Trung và Tây Nguyên năm 2008 đến 2010 bằng mô hình HRM ... 40

Hình 3.2 Dự báo trong 3 ngày lƣợng mƣa trung bình của các đợt mƣa lớn khu

vực miền Trung và Tây Nguyên năm 2008 đến 2010 bằng mô hình

WRFARW ...................................................................................................... 41

Hình 3.3 Dự báo trong 3 ngày lƣợng mƣa trung bình của các đợt mƣa lớn khu

vực miền Trung và Tây Nguyên năm 2008 đến 2010 bằng mô hình

WRFNMM ..................................................................................................... 42

Hình 3.4 Các chỉ số ME, MAE, RMSE và hệ số tƣơng quan của các đợt mƣa

lớn khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 với hạn dự báo

24h, 48h, 72h ................................................................................................... 43

Hình 3.5 Chỉ số BIAS của các đợt mƣa lớn khu vực miền Trung và Tây

Nguyên năm 2008 đến 2010 với hạn dự báo 24h, 48h, 72h ........................... 44

Hình 3.6 Chỉ số POD của các đợt mƣa lớn khu vực miền Trung và Tây

Nguyên năm 2008 đến 2010 với hạn dự báo 24h, 48h, 72h ........................... 45

Hình 3.7 Chỉ số FAR của các đợt mƣa lớn khu vực miền Trung và Tây

Nguyên năm 2008 đến 2010 với hạn dự báo 24h, 48h, 72h ........................... 46

Hình 3.8 Các chỉ số ME, MAE, RMSE và hệ số tƣơng quan của các đợt mƣa

lớn cho từng khu vực năm 2008 đến 2010 ...................................................... 47

Hình 3.9 Các chỉ số BIAS, POD, FAR khu vƣ̣c Bắc Trung Bô ̣ năm 2008 đến 2010

......................................................................................................................... 48

Hình 3.10 Các chỉ số BIAS , POD, FAR khu vƣ̣c Trung Trung Bô ̣ năm 2008 đến

2010.................................................................................................................. 49

Hình 3.11 Các chỉ số BIAS, POD, FAR khu vƣ̣c Nam Trung Bô ̣ năm 2008 đến 201050

Hình 3.12 Các chỉ số BIAS, POD, FAR khu vƣ̣c Tây Nguyên năm 2008 đến 2010 ....

................................................................................................................................... 51

Hình 3.13 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực

Trung Trung Bộ ngày 25/7/2010 .................................................................... 53

Hình 3.14 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực

Trung Trung Bộ ngày 26/7/2010 .................................................................... 54

Hình 3.15 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực

Trung Trung Bộ ngày 27/7/2010 .................................................................... 55

Hình 3.16 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực

Bắc Trung Bộ ngày 30/9/2010 ........................................................................ 56

Hình 3.17 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực

Bắc Trung Bộ ngày 01/10/2010 ...................................................................... 57

Hình 3.18 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực

Bắc Trung Bộ ngày 02/10/2010 ...................................................................... 58

Hình 3.19 Lƣợng mƣa tích lũy 24h của quan trắc và 3 mô hình tại khu vực

Bắc Trung Bộ ngày 04/10/2010 ...................................................................... 59

DANH MỤC CÁC BẢNG

Bảng 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết ................................. 26

Bảng 2.1 Cấu hình động lực, vật lý và phƣơng pháp số của mô hình HRM .. 34

Bảng 2.2 Cấu hình động lực, vật lý và phƣơng pháp số của mô hình

WRFARW ....................................................................................................... 35

BẢNG KÝ HIỆU CÁC CHỮ VIẾT TẮT

Xoáy thuận nhiệt đới XTNĐ

Kiểm tra giáng thủy định lƣợng QPF

Mô hình qui mô vừa của Trung tâm Nghiên cứu khí tƣợng Quốc MM5

Gia Hoa Kỳ và Đại học bang Pennsylvania thế hệ thứ 5 (The

NCAR/PSU 5th Generation Mesoscale Model)

Sai số trung bình (Mean Error) ME

Sai số tuyệt đối trung bình (Mean Absolute Error) MAE

Sai số bình phƣơng trung bình MSE

Sai số bình phƣơng trung bình (Root Mean Sqare Error) RMSE

Hệ số tƣơng quan r

Tỷ số giữa vùng dự báo và vùng thám sát (Frequency Bias) FBI(BS)

Xác suất phát hiện (Probability Of Detection of Event) POD

Tỉ lệ phát hiện sai (False Alarm Ratio) FAR

Điểm số thành công hợp lý ETS

Dải hội tụ nhiệt đới ITCZ

Không khí lạnh KKL

Hệ thống dự báo toàn cầu của Hoa Kỳ (Global Forecasting GFS

System)

MỞ ĐẦU

Phƣơng pháp dự báo số trị - dự báo bằng mô hình thuỷ động lực học hiện đại

có phân giải cao áp dụng cho từng khu vực đã đƣợc sử dụng ở nhiều nƣớc trên thế

giới, đặc biệt là các nƣớc phát triển. Chất lƣợng dự báo về hiện tƣợng mƣa lớn cao

hơn hẳn các phƣơng pháp dự báo ra đời trƣớc đó và sản phẩm số của mô hình dự

báo có thể đảm bảo các yêu cầu của các mô hình dự báo thuỷ văn đối với lũ lụt, lũ

quét. Một trong những nhân tố quyết định gây nên sự hình thành và phát triển mƣa

lớn trong các hiện tƣợng thời tiết nguy hiểm nhƣ xoáy thuận nhiệt đới (XTNĐ), dải

hội tụ nhiệt đới... là đối lƣu mây tích. Các quá trình đối lƣu này đóng vai trò quan

trọng trong chu trình vận chuyển năng lƣợng của khí quyển và do đó phân bố lại sự

đốt nóng không đồng đều trên bề mặt trái đất. Ngoài phụ thuộc vào độ hội tụ ẩm

mực thấp, đối lƣu mạnh còn phụ thuộc vào tính bất ổn định của khí quyển. Các quá

trình qui mô vừa nhƣ vậy chỉ có thể tính đƣợc bằng các mô hình số trị.

Thêm vào đó mƣa là hiện tƣợng thời tiết khó dự báo nhất . Không những chỉ

khó dự báo mà việc đánh giá dự báo mƣa cũng là một việc hết sức khó khăn và

phức tạp. Trƣớc hết khó khăn nằm ngay trong bản chất trƣờng yếu tố mƣa là trƣờng

bất liên tục và không cố định cả theo thời gian lẫn không gian ; nhiều đặc trƣng

thống kê có tính quy luật ở những yếu tố khí tƣợng khác , nhƣng lại không có ở số

liệu mƣa, làm cho việc xử lý số liệu mƣa cũng rất phức tạp . Xong dự báo mƣa lớ n

lại có vai trò đặc biệt quan trọng trong phục vụ dự báo , nhất là phục vụ phòng

chống thiên tai . Vì vậy, dƣ̣ báo và đánh giá mƣa lớ n là vấn đề quan trọng cần thiết

phải nghiên cứu.

Luận văn này tập trung vào việc đánh giá kỹ năng dự báo 24h, 48h, 72h của

mƣa lớn cho miền Trung và Tây Nguyên của ba mô hình dự báo thời tiết số đang

đƣợc tiến hành chạy nghiệp vụ tại Trung tâm Dự báo Khí tƣợng Thủy văn Trung

ƣơng là mô hình HRM-gfs, WRFARW-gfs và WRFNMM-gfs. Ngoài phần Mở đầu,

Kết luận và Tài liệu tham khảo, luận văn đƣợc bố cục cụ thể nhƣ sau:

Chƣơng 1. Tổng quan về bài toán đánh giá dự báo trong khí tƣợng và các chỉ

số đánh giá.

Chƣơng 2. Phƣơng pháp nghiên cứu và tập số liệu sử dụng

Chƣơng 3. Kết quả đánh giá kỹ năng dự báo mƣa lớn của mô hình HRM-gfs,

WRFARW-gfs và WRFNMM-gfs cho khu vực miền Trung và Tây Nguyên.

CHƢƠNG 1. TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG

KHÍ TƢỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ

1.1. Sự cần thiết của bài toán đánh giá

1.1.1. Mục đích và ý nghĩa của đánh giá dự báo

Đánh giá là sự tính toán ƣớc lƣợng mối quan hệ giữa tập số liệu dự báo và

tập giá trị quan trắc. Các hoạt động đánh giá chỉ có ích khi giúp ta đƣa ra đƣợc

những kết luận cuối cùng cho sản phẩm dự báo đƣợc đánh giá. Để đánh giá thì kết

quả dự báo phải đầy đủ và khách quan còn các quan trắc phải mô tả chính xác

những gì có trong thực tế.

Theo Barbara Brown (2007), đánh giá chất lƣợng dự báo thời tiết bao gồm 3

mục đích chính:

a. Mục đích hành chính

Đánh giá theo mục đích hành chính là để chứng tỏ những lợi ích mà công tác

dự báo đem lại. Thông tin đánh giá có nhiều ứng dụng mang tính hành chính nhƣ:

cung cấp thông tin cho việc mua sắm các trang thiết bị hay xác định khi nào và có

nên thay đổi sản phẩm dự báo bằng một sản phẩm khác… Đánh giá hành chính

đƣợc sử dụng để giám sát thƣờng xuyên chất lƣợng tổng thể của các dự báo và theo

dõi những thay đổi về chất lƣợng của chúng qua từng thời kỳ.

b. Mục đích khoa học

Mục đích khoa học của đánh giá chất lƣợng dự báo để nhận biết chi tiết các

ƣu điểm và nhƣợc điểm của một sản phẩm dự báo để từ đó có những hành động tích

cực nhằm cải thiện dự báo. Bên cạnh đó, đánh giá khoa học cũng cung cấp trực tiếp

các thông tin cho hƣớng nghiên cứu và phát triển dự báo

c. Mục đích kinh tế

Vì mục đích kinh tế là vấn đề phức tạp nên giới hạn luận văn này không xem

xét đến.

1.1.2. Mô hình đánh giá chung cho các yếu tố dự báo thời tiết

Hình 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết

Theo tác giả Henry R. Stanski và các cộng sự (1989), hình 1.1 là mô hình

chung nhất để đánh giá dự báo các yếu tố thời tiết và tóm tắt các kiểu quyết định

đƣợc đƣa ra trƣớc khi một phƣơng pháp đánh giá chuyên dụng đƣợc lựa chọn.

Tất cả các phƣơng pháp đánh giá đều đƣợc bắt đầu từ việc tập hợp các tập số

liệu quan trắc và dự báo. Sau đó bƣớc tiếp theo là xử lý các tập số liệu.

Khi mục đích đánh giá đƣợc thiết lập, một tập mẫu có thể đƣợc phân loại để

đáp ứng mục đích đã định sẵn. “Phân loại ngoại bộ” nghĩa là đánh giá theo nguyên

tắc lựa chọn một cách độc lập các yếu tố cần đánh giá. Phân loại ngoại bộ có thể

đƣợc thực hiện ở bất cứ thời điểm nào trong quá trình trƣớc các tính toán thống kê

đánh giá thực sự và có thể thực hiện cho cả mục đích hành chính và mục đích khoa

học.

“Phân loại nội bộ” có nguyên tắc phân loại đƣợc xác định theo mục đích

đánh giá và sử dụng chính yếu tố đang đƣợc đánh giá. Có hai cách để thực hiện

phân loại nội bộ với kiểu đánh giá cho mỗi cách này là khác nhau.

“Phân loại theo quan trắc” nghĩa là phân loại theo giá trị của các yếu tố khí

tƣợng quan trắc đƣợc. Sau đó, các đại lƣợng đánh giá có thể đƣợc tính toán cho

từng nhóm giá trị quan trắc và giá trị thống kê đƣợc tạo thành này gọi là giá trị “có

điều kiện đối với quan trắc”.

“Phân loại theo dự báo” nghĩa là phân loại theo giá trị của các yếu tố thời

tiết đƣợc dự báo. Tƣơng tự nhƣ trên, các con số thống kê đƣợc tính toán theo cách

phân loại này đƣợc gọi là các giá trị “có điều kiện đối với dự báo”.

Việc lựa chọn kiểu phân loại phụ thuộc vào yêu cầu đánh giá và nhiều khi sẽ

cần phải sử dụng cả hai cách phân loại trên để đƣa ra một câu trả lời hoàn chỉnh.

1.1.3. Các loại yếu tố dự báo

Dựa theo các mục đích đánh giá ngƣời ta chia ra thành hai dạng dự báo là:

dự báo các đại lƣợng liên tục và dự báo pha.

“Yếu tố dự báo liên tục” là các yếu tố đƣợc dự báo tại một giá trị riêng hoặc

trong một khoảng giá trị dự báo. Trong số các yếu tố thời tiết thì nhiệt độ và gió hay

đƣợc dự báo theo cách này.

“Yếu tố dự báo pha” là các yếu tố dự báo có thể xảy ra hoặc không xảy ra.

Một vài yếu tố có thể đƣợc dự báo pha hoặc là dự báo liên tục, việc lựa chọn

chủ yếu phụ thuộc vào yêu cầu của ngƣời sử dụng trong quá trình dự báo.

1.1.4. Các điểm số dùng trong đánh giá

Các điểm số dùng trong đánh giá đƣợc minh họa theo từng cặp ở phía dƣới

hình 1.1 cho ta thấy đƣợc mối quan hệ giữa chúng.

Các điểm số liệt kê trên hình 1.1 gồm 3 loại: Các điểm số tuyến tính, các

điểm số toàn phƣơng (bậc hai) và các điểm số kỹ năng.

Điểm số toàn phƣơng đƣa ra trọng số của các sai số theo bình phƣơng của

chúng trong khi đó điểm số tuyến tính cho trọng số sai số có giá trị bậc nhất. Vì vậy

điểm số toàn phƣơng thƣờng đƣa ra trọng số sai số lớn hơn là điểm số tuyến tính và

điểm số này rất hữu dụng trong các trƣờng hợp các sai số lớn thực sự nghiêm trọng

hơn so với các sai số nhỏ.

Điểm số kỹ năng đƣợc xây dựng để đánh giá mối quan hệ giữa các dự báo và

một giá trị chuẩn nào đó. Giá trị chuẩn đƣợc chọn lựa để mô tả một dự báo không

kỹ năng. Ba tiêu chuẩn đƣợc sử dụng để so sánh là: chuẩn ngẫu nhiên, chuẩn quán

tính và chuẩn khí hậu. Chuẩn ngẫu nhiên mô tả sự phỏng đoán thuần túy và không

yêu cầu hiểu biết tri thức, chuẩn quán tính là một dự báo xác định và yêu cầu các

hiểu biết về điều kiện thời tiết ban đầu và chuẩn khí hậu là một dự báo thời tiết

trung bình trong khoảng thời gian dài và cần phải có sự hiểu biết về lịch sử của thời

tiết. Điểm số kỹ năng đƣợc biểu diễn trong công thức sau:

trong đó SC là điểm số có đƣợc từ dự báo, ST là điểm số đạt đƣợc từ dự báo chuẩn

và PS là điểm số từ dự báo hoàn hảo. Các điểm số kỹ năng có thể thu đƣợc từ việc

sử dụng bất kỳ một trong các điểm số tổng hợp. Điểm số kỹ năng phổ biến nhất dựa

trên nền tảng của điểm Brier (điểm kỹ năng Brier), điểm RP (điểm kỹ năng RP), các

giá trị của bảng ngẫu nhiên (điểm Heidke) và sai số trung bình tuyệt đối. Tiêu chuẩn

thƣờng đƣợc sử dụng nhất là chuẩn khí hậu còn điểm Heidke lại thƣờng đƣợc kết

hợp với chuẩn ngẫu nhiên. Không có điểm kỹ năng cơ bản nào là quan trọng hơn,

chúng bình đẳng nhƣ nhau và đều biểu hiện đặc tính của kỹ năng.

1.2. Tổng quan các nghiên cứu về đánh giá dự báo mƣa trong và ngoài nƣớc

1.2.1. Tổng quan những nghiên cứ u ngoài nước

M. Goeber, S. F. Milton, C.A. Wilson đã nghiên cƣ́ u và đƣa ra nhâ ̣n đi ̣nh

rằng qua GTS có thể thấy các quan trắc giáng thủ y có sẵn thiếu tính đa ̣i diê ̣n . Trong năm 1995, WGNE đã khởi xƣớng viê ̣c kiểm tra các QPF (kiểm tra giáng thủ y đi ̣nh lƣơ ̣ng) từ các mô hình NWP (mô hình dự báo thời tiết số) vớ i các quan trắc giáng

thủy chất lƣợng cao ở các khu vực khác nhau trên thế giới. Các kết quả đầu tiên của

nghiên cƣ́ u này thu đƣợc cho Úc, Đức và Mỹ (McBride và Ebert (2000), Ebert và

tích lũy lên đến 3 các cộ ng sƣ̣ (2002)). Ở đây, các dự báo lƣợng giáng thủy ngày

ngày, các mô hình số dự báo thời tiết đã đƣơ ̣c kiểm chƣ́ ng ở Vƣơng quốc Anh cho hơn một năm (các mẫu hơi khác nhau giữa các mô hình do các vấn đề truyền dẫn).

Các số liê ̣u mô hình đƣơ ̣c downsacle hoă ̣c upscale đến một độ phân giải chung 96*96 km2. Các dự báo đƣợc so sánh với các tích lũy upscale hàng ngày thu đƣơ ̣c tƣ̀ (Harrison và các các quan trắc radar chất lƣợng đã đƣợc giám sát và hiệu chuẩn

cô ̣ng sƣ̣ (2000)) ở quần đảo Anh và các vùng biển lân cận. Ngoài ra , Masayuki

Hirai, Takuya Sakashita cũng đã tiến hành các QPF ở Nhâ ̣t Bản năm 2002.

A. Papadopoulos và P . Katsafados đã sƣ̉ du ̣ng các quan trắc bề mă ̣t tƣ̀ hơn

900 trạm thông thƣờng để xác minh và so sánh những dự báo phân loại của trƣờng

gió 10 m, trƣờng nhiê ̣t đô ̣ không khí 2 m, trƣờng áp suất mực nƣớc biển 3 giờ và trƣờng lƣợng mƣa tích lũy 6 giờ . Việc đánh giá các hê ̣ thống dựa trên việc so sánh

điểm - điểm giữa các biến số mô hình đƣợc tạo ra và các quan trắc bề mặt có liên

quan. Do đó, một thủ tục đánh giá đã đƣợc phát triển dựa trên ƣớc tính của các kỹ thuâ ̣t đánh giá khách quan truyền thống nhƣ bias, RMSE… cho các yếu tố dƣ̣ báo

liên tục và rời rạc. Kết quả sơ bộ cho thấy rằng các lỗi mô hình đƣợc đánh giá cao

phụ thuộc vào chu kỳ ngày đêm, phụ thuộc vào mùa, phụ thuộc vào thời gian dự

báo và vị trí các trạm đặc biệt là trên các khu vực có điều kiện địa lý phức tạp .

Trong nghiên cƣ́ u củ a mình , N. Tartaglione1, S. Mariani, C. Accadia, A. Speranza và M . Casaioli đã đánh giá lƣợng mƣa mô hình với giáng thủ y quan trắc đƣơ ̣c bởi mạng lƣới thùng đo mƣa dày đặc trên đảo Síp. Áp dụng phƣơng pháp

kiểm nghiê ̣m là phân tíc h diê ̣n tích mƣa tiếp giáp (CRA). Tác động vào các kết quả CRA, khi xem xét các mảng khác nhau của loại kiểm nghiệm và miền con khác

nhau củ a các chỉ số (tƣơng quan và sai số quân phƣơng ) đƣợc sử dụng để so sánh . Kết quả cho thấy cần chú ý khi thử nghiệm lƣợng mƣa mô hình trên một miền nhỏ

hơn so với mô hình.

(dƣ̣a trên Theo Beth EbertB, phƣơng pháp đi ̣nh hƣớ ng đối tƣơ ̣ng đánh giá

thƣ̣c thể) CRA đánh giá các đă ̣c tính củ a các dƣ̣ báo không gian cho các thƣ̣c thể nơi một thực thể là bất cứ điều gì có thể đƣợc xác định bởi một đƣờng viền khép kín.

Một số ví dụ về các thực thể hoặc các gio ̣t nƣớ c là những khu vực mƣa tiếp giáp (phƣơng pháp này đƣợc đặt tên CRA), khu vƣ̣c triển vo ̣ng đối lƣu và áp suất thấp

cực tiểu. Đối với mỗi thực thể có thể đƣợc xác định trong dự báo và các quan trắc ,

đánh giá CRA sử dụng các kỹ thuật mô hình phù hợp để xác định sai số vị trí cũng nhƣ các sai số trong diê ̣n tích , cƣờ ng đô ̣ trun g bình và tối đa , dạng phân bố không gian. Tổng sai số có thể đƣợc phân tích thành các thành phần do sai số vị trí, lƣợng và dạng phân bố không gian . Điều này rất hữu ích cho các nhà phát triển mô hình,

những ngƣời cần thông tin đó để cải thiện các mô hình dự báo thời tiết số. Ngoài ra,

các thực thể đánh giá chính bản thân chú ng có thể đƣợc phân loại là "hit", "miss"… theo cách mà chúng ở gần vị trí dự báo đến vị trí quan sát nhƣ thế nào và cƣờng độ

tối đa đƣợc đại diện bởi dự báo tốt nhƣ thế nào. Đánh giá sự kiện này có thể hữu ích

cho việc giám sát thực hiện dự báo.

1.2.2. Tổng quan những nghiên cứ u trong nước

Bài toán đánh giá dự báo trong khí tƣợng và các chỉ số đánh giá của các mô

hình số trị ở Việt Nam đến nay đã có nhiều công trình đƣợc công bố nhƣ công trình

của TS. Hoàng Đức Cƣờng và các cộng sự (2008), đã dù ng các chỉ số sai số trung bình ME, sai số bình phƣơng trung bình RMSE và sai số trung bình tuyê ̣t đối MAE

để đánh giá thử nghiệm dự báo mƣa lớn ở Việt Nam bằng mô hình MM5. Kết quả

thu đƣơ ̣c là: Trong số các sơ đồ tham số hóa vật lý của mô hình số trị khu vực , có lẽ sơ đồ tham số hóa đối lƣu có độ nhạy lớn nhất đối với dự báo mƣa . Các tác giả nhận

thấy mƣa dự báo của mô hình MM 5 tƣơng đối khác nhau ở cả hai miền tính khi sử

dụng các sơ đồ tham số hóa đối lƣu khác nhau. Sự khác biệt trong dự báo mƣa thể

hiện trong cả diện mƣa và lƣợng mƣa. Các chỉ số RMSE, ME, MAE và hệ số tƣơng

quan giữa lƣợng mƣa thực tế và lƣợng mƣa dự báo bằng mô hình MM5 với các sơ

đồ tham số hóa đối lƣu khác nhau: Kuo, Grell và Betts Miller thì trong cả 3 đối

tƣợng lƣợng mƣa so sánh thì mô hình MM5 với sơ đồ tham số hóa đối lƣu Kuo cho

kết quả khả quan nhất. Trong đó sơ đồ đối lƣu Kuo và Betts Miller thƣờng dự báo

mƣa lớn hơn so với thực tế (ME có giá trị dƣơng) và sơ đồ đối lƣu Grell dự báo

lƣợng mƣa nhỏ hơn so với thực tế (ME có giá trị âm). Hệ số tƣơng quan giữa lƣợng

mƣa thực tế và lƣợng mƣa dự báo đạt 0.3 - 0.4 và là khá cao đối với một yếu tố có

sự biến động tƣơng đối lớn nhƣ lƣợng mƣa.

Trần Quang Năng (2009), qua kết quả phân tích đánh giá đầy đủ, khách quan

các chỉ tiêu cho khu vực Đông Bắc Bộ trong 5 tháng mùa mƣa (tháng 6, 7, 8, 9,10)

của 3 năm số liệu 2005, 2006, 2007 và so sánh dự báo của mô hình ứng với từng

hình thế thời tiết cụ thể. Nói chung mô hình HRM cho dự báo lƣợng mƣa thƣờng

cao hơn lƣợng mƣa thực tế đo đƣợc. Các chỉ tiêu đánh giá theo biến liên tục cũng

nhƣ theo biến cấp định lƣợng đều biến thiên đúng quy luật, không biểu hiện tình

trạng bất quy luật, tất cả chứng tỏ tính ổn định của các mô đun tính mƣa trong mô

hình HRM. Sai số hệ thống phân bố theo không gian có quy luật, chất lƣợng dự báo

mô hình tốt hơn ngẫu nhiên.

Các tác giả Trần Tân Tiến và Nguyễn Thị Thanh (2011) đã sử dụng số liệu

vệ tinh MODIS để đồng hóa trƣờng ban đầu cho mô hình WRF bằng phƣơng pháp

3DVAR để dự báo mƣa lớn khu vực Trung Trung Bộ trong hai mùa mƣa 2007,

2008. Để đánh giá khả năng dự báo có và không có mƣa, đồng thời đánh giá khả

năng dự báo mƣa lớn của mô hình, các tác giả đã chọn các ngƣỡng mƣa từ nhỏ đến

lớn, cụ thể các ngƣỡng mƣa 1, 5, 15, 20, 30, 50, 100, 150 và 200mm/ngày. Thông

qua đánh giá các điểm số FBI, CSI và POD với các hạn dự báo 06-30h và 30-54h

cho các đợt mƣa lớn khu vực miền Trung năm 2007, 2008 với cả hai trƣờng

hợp không (GFS) và có đồng hoá số liệu (3DV), các tác giả đã nhận thấy việc đồng

hóa đã tăng độ chính xác dự báo mƣa lớn.

Phạm Thị Tuyết Mây (2012), xét chung cho toàn chuỗi số liệu thấy mô hình

HRM cho dự báo lƣợng mƣa thiên cao, còn mô hình MM5 dự báo mƣa thiên thấp.

Cả hai mô hình đều cho các giá trị độ lệch trung bình giữa dự báo và quan trắc lúc

âm lúc dƣơng (lúc dự báo thấp hơn thám sát, lúc lại dự báo cao hơn thám sát). Hệ số

tƣơng quan của HRM ổn định hơn trong các mùa so với MM5. Kết hợp giữa các chỉ

số có thể thấy mô hình HRM có tính ổn định và mức độ tin cậy cao hơn so với mô

hình MM5. Ở cả hai mô hình, dự báo mƣa ở các ngƣỡng mƣa thấp cho kết quả

chính xác (độ tin cậy cao hơn) so với các ngƣỡng mƣa lớn.

1.3. Một số phƣơng pháp đánh giá dự báo

1.3.1. Sơ đồ chung đánh giá dự báo từ mô hình dự báo số trị

1.3.1.1. Những nguyên nhân gây ra sai số dự báo bằng mô hình số

Mô hình dự báo thời tiết số cho ra kết quả các sản phẩm dự báo từ việc phân

tích các phƣơng trình mô tả những quá trình vật lý xảy ra trong khí quyển bằng máy

tính. Những kết quả này không phải là một dự báo hoàn hảo bởi nó không thể mô tả

hết đƣợc những thay đổi trong khí quyển. Những nguyên nhân gây ra sai số dự báo

của mô hình dự báo số trị bao gồm:

- Những hiểu biết của chúng ta về các công thức toán học và vật lý còn chƣa đầy đủ.

- Ảnh hƣởng của địa hình lên kết quả dự báo (thƣờng không đƣợc mô hình mô tả

hoàn chỉnh).

- Những hiểu biết về điều kiện ban đầu còn hạn chế bởi chúng ta chỉ lấy một số

lƣợng hạn chế các điểm trong không gian để tính toán.

- Chúng ta phải điều chỉnh và đơn giản hóa các phƣơng trình toán học trong mô

hình để rút ngắn thời gian tính toán nhằm đƣa ra đƣợc các sản phẩm dự báo kịp

thời.

- Vẫn còn tồn tại các sai số trong quá trình hoàn tất tính toán…

1.3.1.2. Nguyên tắc chung để đánh giá sản phẩm dự báo số trị

Hình 1.2 Sơ đồ chung cho đánh giá mô hình dự báo thời tiết số

Hình 1.2 mô tả một nguyên tắc chung cho việc đánh giá sản phẩm dự báo số

trị. Đánh giá đƣợc bắt đầu với một tập số liệu bao gồm cả số liệu dự báo và số liệu

quan trắc. Bộ số liệu này phải đƣợc sắp xếp đối xứng với nhau theo không gian và

thời gian. Theo quy mô không gian, số liệu quan trắc sẽ đƣợc phân tích về lƣới của

số liệu dự báo hoặc số liệu dự báo phải đƣợc nội suy theo không gian về các điểm

quan trắc. Tuy nhiên, cách thứ nhất ít đƣợc làm hơn vì có những ý kiến cho rằng khi

tập số liệu quan trắc đƣợc nội suy về điểm lƣới thì nó đã không còn mang tính

khách quan vốn có nhƣ trƣớc khi nội suy. Vì vậy, điều quan trọng trong đánh giá

mô hình là phải luôn ghi nhớ cần kiểm tra lại số liệu quan trắc khi đánh giá kết quả.

Để đánh giá một sản phẩm mô hình số có hiệu quả thì cần phải xác định

đƣợc rõ mục đích đánh giá trƣớc khi thiết lập hệ thống đánh giá. “Đánh giá hành

chính” trả lời câu hỏi về các xu hƣớng trong kỹ năng và độ chính xác của mô hình.

Nó thƣờng đƣợc sử dụng để so sánh độ chính xác của hai mô hình khác nhau.

“Đánh giá khoa học” trả lời các câu hỏi về sự thay đổi theo không gian và

thời gian trong sự biểu diễn của mô hình để cung cấp thông tin có thể phản hồi lại

cho các nhà phát triển mô hình cải tiến mô hình hay cho các dự báo viên để thay đổi

xu hƣớng dự báo.

“Phân loại ngoại bộ” nghĩa là phân chia tập số liệu đánh giá theo mùa hoặc

theo thời gian chạy của mô hình hoặc theo quy luật chọn lựa khác độc lập với các

thông số đang đƣợc đánh giá. Phân loại theo mùa là cách sử dụng phổ biến để phát

hiện sự khác nhau trong đặc trƣng giữa các mùa.

Phân loại theo không gian có thể đƣợc làm vì mục đích quản lý hành chính

hoặc vì mục đích khoa học. Phân loại theo không gian đƣợc tiến hành theo mục

đích hành chính để thấy đƣợc sự khác biệt trong độ chính xác trên các khu vực của

mô hình tƣơng ứng với các khu vực quản lý hành chính của đất nƣớc. Khi tiến hành

phân loại không gian theo mục đích khoa học, các khu vực có quy mô dƣới lƣới

đƣợc ƣu tiên lựa chọn để phản ánh các chế độ khí hậu khác nhau nhƣ các khu vực

có đồi núi, các vùng khuất gió của núi, bờ biển…

1.3.1.3. Các thuộc tính của một dự báo

Một đánh giá đơn lẻ không thể cho ta biết đƣợc thông tin đầy đủ về chất

lƣợng của sản phẩm. Tất cả đều cung cấp thông tin về một hoặc một số thuộc tính

của sản phẩm dự báo. Do đó, một hệ thống đánh giá sẽ bao gồm cả việc tính toán

các đại lƣợng đƣợc chọn khác nhau để mô tả các thuộc tính thích hợp phục vụ cho

mục đích đánh giá.

a) Độ chính xác là thuật ngữ chung chỉ ra mức độ chính xác, phù hợp giữa thời tiết

dự báo và thời tiết thực đƣợc thể hiện qua các quan trắc. Sự khác nhau giữa một giá

trị quan trắc và một giá trị dự báo đƣợc gọi là sai số. Sự khác nhau này càng nhỏ thì

sai số sẽ càng nhỏ và độ chính xác sẽ càng cao.

Đôi khi độ chính xác cũng đƣợc biểu hiện thông qua các thuộc tính khác của

dự báo nhƣ độ tin cậy, độ phân giải hay độ không chắc chắn.

b) Kỹ năng dự báo hay độ chính xác tƣơng đối đƣợc định nghĩa nhƣ độ chính xác

của một dự báo tƣơng đối so với độ chính xác của một sản phẩm dự báo chuẩn.

Theo tiêu chuẩn chung, các dự báo chuẩn nhƣ chuẩn khí hậu, dự báo quán tính, dự

báo ngẫu nhiên đƣợc coi là không có kỹ năng. Ý nghĩa của điểm kỹ năng là ở chỗ,

chúng sẽ cho ta thấy sự khác biệt về độ chính xác giữa các dự báo khác nhau.

c) Độ tin cậy là sự phù hợp trung bình giữa các giá trị dự báo và các giá trị quan

trắc. Nếu tất cả các trƣờng hợp dự báo đƣợc xem xét khi đó độ tin cậy trên toàn bộ

giống nhƣ thiên hƣớng (bias – là mức độ phù hợp giữa trung bình quan trắc và trung

bình dự báo). Nếu các trƣờng hợp dự báo đƣợc phân chia thành các khoảng khác

nhau hoặc theo các phân hạng thì độ tin cậy giống nhƣ độ lệch có điều kiện. Thông

thƣờng độ tin cậy đƣợc cải tiến nhờ Bias nhƣng sau khi cải tiến làm độ tin cậy của

các dự báo tƣơng đƣơng tăng lên thì chính Bias lại sẽ bị khử đi.

d) Độ phân giải là khả năng mà dự báo có thể phân chia hoặc phân tích một tập mẫu

thành các phần nhỏ với phân bố tần suất khác nhau. Độ phân giải liên quan đến độ

lệch chuẩn hay phƣơng sai của các quan trắc đƣợc phân nhóm theo dự báo. Độ phân

giải cũng phụ thuộc vào kinh nghiệm và trình độ của dự báo viên. Trong các mô

hình dự báo số trị, độ phân giải thƣờng đƣợc ngầm hiểu theo không gian.

e) Độ nhọn là xu hƣớng của dự báo có thể dự báo đƣợc các giá trị cực trị. Độ nhọn

là một thuộc tính của dự báo, tƣơng tự nhƣ độ phân giải, một dự báo có thể có thuộc

tính này ngay cả khi nó sai (trong trƣờng hợp này nó có thể là kém tin cậy).

f) Độ không chắc chắn là sự dao động của các giá trị quan trắc trong tập mẫu đánh

giá và không phụ thuộc vào giá trị dự báo. Đối với các biến đƣợc dự báo theo pha

thì độ biến động là 1 nếu sự kiện xảy ra và 0 nếu sự kiện không xảy ra. Đại lƣợng

này liên quan đến độ “khó” của dự báo. Độ biến động càng lớn nghĩa là sẽ có những

dao động lớn với nhiều tần số khác nhau trong yếu tố dự báo đƣợc đánh giá và việc

dự báo sẽ khó khăn hơn. Độ biến động của từng tập số liệu rất khác nhau. Do đó,

việc so sánh giữa các con số đánh giá thống kê của tập số liệu là hết sức mạo hiểm

vì chúng thƣờng rất nhạy với độ biến động.

1.3.2. Các phương pháp đánh giá

1.3.2.1. Phương pháp đánh giá với biến liên tục

a) Phƣơng pháp toán đồ tụ điểm

Toán đồ tụ điểm đƣợc xem là công cụ đánh giá đơn giản nhất. Phƣơng pháp

này thƣờng đƣợc dùng để đánh giá các biến liên tục nhƣ nhiệt độ và gió. Nó thƣờng

bao gồm tất cả các giá trị quan trắc và dự báo đƣợc chấm lên cùng một đồ thị. Trục

tung và trục hoành có cùng một tỷ lệ. Trong mỗi đồ thị còn có đƣờng hồi quy và đƣờng 45o. Đƣờng 45o thƣờng đƣợc vẽ ra để thuận tiện cho việc đánh giá trên đồ thị. Nếu dự báo là hoàn hảo thì đƣờng hồi quy sẽ trùng khít với đƣờng 45o. Vị trí

tƣơng đối giữa hai đƣờng này biểu thị độ tin cậy.

b) Các chỉ số đánh giá

Trong các công thức dƣới đây, Fi và Oi tƣơng ứng là giá trị mô hình và giá trị

quan trắc của biến nào đó (lƣợng mƣa), i = 1, 2, …, N, N là dung lƣợng mẫu.

- Sai số trung bình ME

(1.1)

Giá trị của ME nằm trong khoảng (-∞, +∞). ME cho biết xu hƣớng lệch trung

bình của giá trị dự báo so với giá trị quan trắc nhƣng không phản ánh độ lớn của sai

số. ME dƣơng cho biết giá trị dự báo vƣợt quá giá trị quan trắc và ngƣợc lại. Mô

hình đƣợc xem là “hoàn hảo” (không thiên lệch về phía nào) nếu ME = 0.

- Sai số tuyệt đối trung bình MAE

(1.2)

Giá trị MAE nằm trong khoảng (0,+∞). MAE biểu thị độ lớn trung bình của

sai số mô hình nhƣng không nói lên xu hƣớng lệch của giá trị dự báo và quan trắc.

Khi MAE = 0, giá trị của mô hình hoàn toàn trùng khớp với giá trị quan trắc, mô

hình đƣợc xem là “lý tƣởng”. Thông thƣờng MAE đƣợc sử dụng cùng với ME để

đánh giá độ tin cậy. Chẳng hạn, nếu MAE của sản phẩm khác biệt hẳn so với ME

thì việc hiệu chỉnh là hết sức mạo hiểm. Trong trƣờng hợp ngƣợc lại, khi MAE và

ME tƣơng đối “sát” với nhau thì có thể dùng ME để hiệu chỉnh sản phẩm dự báo

một cách đáng tin cậy.

- Sai số bình phƣơng trung bình MSE

(1.3)

MSE là trung bình của tổng bình phƣơng của hiệu giữa các giá trị mô hình và

quan trắc, phản ánh mức độ dao động của sai số. Mô hình là “lí tƣởng” nếu MSE =

- Sai số bình phƣơng trung bình quân phƣơng RMSE

(1.4)

Sai số bình phƣơng trung bình là một trong những đại lƣợng cơ bản và

thƣờng đƣợc sử dụng phổ biến cho việc đánh giá kết quả của mô hình dự báo số trị.

Ngƣời ta thƣờng hay sử dụng đại lƣợng sai số bình phƣơng trung bình quân phƣơng

(RMSE) biểu thị độ lớn trung bình của sai số. RMSE rất nhạy với những giá trị sai

số lớn. Do đó nếu RMSE càng gần MAE sai số mô hình càng ổn định và có thể thực

hiện việc hiệu chỉnh sản phẩm mô hình. Giống nhƣ MAE, RMSE không chỉ ra độ

lệch giữa giá trị dự báo và giá trị quan trắc. Giá trị của RMSE nằm trong khoảng

(0,+ ∞). Khi so sánh MAE và RMSE ta thấy: RMSE ≥ MAE. Còn RMSE = MAE

khi và chỉ khi tất cả các sai số có độ lớn nhƣ nhau: RMSE = MAE =0.

- Hệ số tƣơng quan r

(1.5)

Hệ số tƣơng quan cho phép đánh giá mối quan hệ tuyến tính giữa tập giá trị

dự báo và tập giá trị quan trắc. Giá trị của nó biến thiên trong khoảng -1 đến 1, giá

trị hoàn hảo bằng 1. Giá trị tuyệt đối của hệ số tƣơng quan càng lớn thì mối quan hệ

tuyến tính giữa hai biến càng chặt chẽ. Hệ số tƣơng quan dƣơng phản ánh mối quan

hệ cùng chiều (đồng biến), hệ số tƣơng quan âm biểu thị mối quan hệ ngƣợc chiều

(nghịch biến) giữa dự báo và quan trắc.

1.3.2.2. Phương pháp đánh giá với dự báo pha

Trƣờng hợp đơn giản nhất của các biến phân hạng là biến nhị phân (chỉ có

hai giá trị), áp dụng trong đánh giá mô phỏng, dự báo hiện tƣợng (chỉ có hai cấp hay

hai pha), ví dụ mƣa có xuất hiện hay không... Trong trƣờng hợp này ngƣời ta

thƣờng sử dụng bảng phân loại nhƣ mô tả trong bảng 1.1, trong đó N=A+B+C+D là

dung lƣợng mẫu. Bảng 1.1 chỉ ra các tần suất dự báo và quan trắc có và không. Có

tất cả bốn cách kết hợp giữa dự báo (có hoặc không) và quan trắc (có hoặc không),

ta gọi đó là phân bố chung.

Phân bố chung bao gồm:

- Tỷ lệ dự báo trúng (hit): đối tƣợng đƣợc dự báo là xảy ra và thực tế đã xảy ra.

- Dự báo sai (miss): đối tƣợng đƣợc dự báo là không xảy ra nhƣng thực tế lại xảy ra.

- Báo động sai (false alarms): đối tƣợng đƣợc dự báo là xảy ra nhƣng thực tế không

xảy ra.

- Dự báo đúng „yếu‟ (correct negative): đối tƣợng đƣợc dự báo là không xảy ra và

thực tế không xảy ra.

Bảng 1.1 Bảng phân loại tần số xuất hiện các sự kiện

Quan trắc

Có Không Tổng

(A + B) – Dự báo Có A – Thành công B – Thất bại có

(C + D) – Dự báo Mô hình Không C – Báo động sai D – Đúng yếu không

(A + C) – Quan (B + D) – Quan N – Tổng Tổng trắc có trắc không

Bảng liên hợp là một công cụ rất hữu ích để từ đó ta có các dạng sai số khác

nhau. Một dự báo hoàn hảo sẽ chỉ cho ta “dự báo trúng” và “đúng yếu”; không cho

“báo động sai” và “dự báo sai”.

Các chỉ số đánh giá đƣợc sử dụng trong khuôn khổ luận văn dựa trên thống

kê từ bảng 1.1 bao gồm:

- Chỉ số FBI (hay BS): Đánh giá tỷ số giữa vùng dự báo và vùng thám sát.

FBI < 1: vùng dự báo nhỏ hơn vùng thám sát

FBI > 1: vùng dự báo lớn hơn vùng thám sát

FBI = 1: vùng dự báo trùng với vùng thám sát (giá trị lý tƣởng)

(1.6)

FBI là tỉ lệ giữa số lần có xảy ra hiện tƣợng theo mô hình và theo quan trắc.

Giá trị FBI biến đổi trong khoảng từ 0 đến +∞. FBI càng nhỏ hơn 1 mô hình cho kết

quả càng sai sót nhiều; FBI càng lớn hơn 1 mô hình cho kết quả càng sai khống

nhiều. Giá trị lý tƣởng là FBI = 1. Đại lƣợng FBI chỉ cho biết mức độ phù hợp giữa

mô hình và quan trắc về tần số xuất hiện nhƣng không phản ánh độ chính xác của

mô hình.

- Xác suất phát hiện (POD)

(1.7)

POD đƣợc hiểu là xác suất xuất hiện hiện tƣợng, bằng tỷ số giữa số lần trùng

khớp giữa mô hình và quan trắc khi hiện tƣợng có xuất hiện (A) và tổng số lần xuất

hiện hiện tƣợng trong thực tế. POD cho biết khả năng thành công của mô hình, có

giá trị trong khoảng từ 0 đến 1, lý tƣởng là POD = 1 (mô hình đƣợc xem là hoàn

hảo). POD càng gần 1 thì độ chính xác của mô hình càng cao. POD rất nhạy đối với

“dự báo trúng”, không nhạy đối với “báo động sai”.

- Chỉ số FAR (tỷ lệ phát hiện sai)

(1.8)

FAR cho biết tỷ lệ mô phỏng/dự báo khống của mô hình (mô hình cho kết

quả có nhƣng thực tế hiện tƣợng không xảy ra). Giá trị của FAR biến đổi từ 0 đến 1.

FAR=0 khi B=0, tức là tỷ lệ khống của mô hình bằng 0. Giá trị của FAR càng gần 0

thì mô hình càng tốt (tối ƣu). Ngƣợc lại, FAR càng tiệm cận tới 1 (tƣơng đƣơng với

A tiến gần tới 0) thì mô hình càng kém.

- Chỉ số ETS (điểm số thành công hợp lý)

(1.9)

Trong đó

(1.10)

ETS có giá trị tốt nhất là 1. ETS cho biết mối quan hệ giữa số lần mô hình

đúng (kể cả đúng do ngẫu nhiên) so với quan trắc trong những trƣờng hợp hiện

tƣợng có xuất hiện trong thực tế. Phạm vi biến thiên của ETS là 1/3 đến 1. ETS=0

nghĩa là mô hình không có kỹ năng. Chỉ số ETS thƣờng đƣợc dùng trong đánh giá

dự báo mƣa của mô hình số vì tính “công bằng” của nó. Chỉ số này rất nhạy cảm

với các dự báo đúng vì nó xử lý “B” và “C” theo cùng một cách, không phân biệt

nguồn gốc của sai số dự báo.

CHƢƠNG 2. PHƢƠNG PHÁP NGHIÊN CỨU VÀ TẬP SỐ LIỆU SỬ DỤNG

2.1. Đặt bài toán

Địa hình các tỉnh miền Trung có đồi núi khá phức tạp bao gồm hệ thống dãy

núi Trƣờng Sơn kéo dài từ Thanh Hoá đến vùng cao nguyên Kon Tum và nhô dần

ra sát biển tạo nên nhiều mũi, nhiều đèo chia miền Trung thành những vùng khí hậu

khác nhau. Tính phức tạp đa dạng của địa hình, hƣớng bờ biển của miền Trung đã

ảnh hƣởng trực tiếp đến thời tiết và chế độ khí hậu. Do đó, khi dự báo thời tiết cho

các tỉnh miền Trung và Tây Nguyên cần phải lƣu ý tính chất địa hình và đặc thù

riêng nhƣng mang rõ tính quy luật đối với các loại thời tiết khác nhau. Chẳng hạn,

trong trƣờng hợp bão, áp thấp nhiệt đới ảnh hƣởng đến miền Trung thì thƣờng gió

mạnh mở rộng ra phía bắc và thu hẹp đáng kể ở phía nam và cần xác định rõ khả

năng bão, áp thấp nhiệt đới đổ bộ ở phía bắc hay phía nam của đèo, bởi hiệu ứng

của đèo rất lớn trong việc phân bố gió mạnh hay mƣa lớn.

Khu vực các tỉnh miền Trung và Tây Nguyên chịu ảnh hƣởng của rất nhiều

loại hình thời tiết khác nhau gây nên quá trình mƣa lớn. Mỗi loại hình thời tiết đem

đến một mức độ mƣa và diện mƣa khác nhau. Có 5 loại hình thời tiết điển hình gây

mƣa lớn cho các tỉnh miền Trung và Tây Nguyên:

- Hình thế gây mƣa lớn do tín phong Đông Nam: Hình thế synop đặc trƣng do ảnh

hƣởng của tín phong Đông Nam gây mƣa lớn đối với các tỉnh miền Trung chỉ bao

gồm 2 loại hình thế chính: hình thế tín phong Đông Nam tác động đơn thuần và

hình thế xoáy thuận nhiệt đới (XTNĐ) kết hợp với hoạt động của tín phong Đông

Nam (gió Đông Nam sau bão). Hƣớng bờ biển của các tỉnh miền Trung có thể chia

làm hai hƣớng chính là Tây bắc - Đông nam (Đoạn từ Thanh Hóa đến Thừa Thiên

Huế) và hình cánh cung hƣớng Bắc - Nam (đoạn từ Đà Nẵng đến Bình Thuận) nên

thực tế cho thấy khi có ảnh hƣởng của đới gió Đông Nam ở rìa Tây lƣỡi áp cao cận

nhiệt đới thì thƣờng gây mƣa tập trung đối với các tỉnh Bắc Trung Bộ và rất ít khi

gây mƣa cho các khu vực còn lại của miền Trung và Tây Nguyên. Tuy nhiên, không

phải đợt nào cũng có thể gây mƣa lớn mà nó hoàn toàn phụ thuộc hoàn lƣu trên cao

của lƣỡi áp cao cận nhiệt đới. Thời gian bắt đầu và kết thúc mƣa, cƣờng độ mƣa,

thời gian duy trì mƣa lớn, phạm vi mƣa... không đồng nhất giữa các đợt do ảnh

hƣởng của tín phong Đông Nam. Nó không chỉ phụ thuộc vào sự tác động bởi rìa

phía Tây hay Tây Nam của lƣỡi áp cao cận nhiệt đới (vị trí trục của lƣỡi áp cao cận

nhiệt đới) mà còn phụ thuộc vào độ dày của lớp gió Đông Nam ở lớp dƣới của tầng

đối lƣu.

- Hình thế thời tiết gây mƣa lớn do hội tụ gió trên cao: Hình thế synốp đặc trƣng

gây mƣa lớn do ảnh hƣởng của hội tụ gió trên cao có thể phân làm 2 dạng chính:

+ Loại hình thế nhiễu động trên cao kết hợp với hình thế synốp là không khí lạnh

hoặc xoáy thuận nhiệt đới.

+ Loại nhiều hình thế tác động. Phức tạp nhất là nhiễu động trên cao kết hợp với

rãnh áp thấp (rãnh áp thấp ở đây bao gồm cả hoạt động của rãnh áp thấp đơn thuần,

rãnh áp thấp bị nén, dải hội tụ nhiệt đới) có hoặc không có kết hợp với không khí

lạnh (có thể là gió mùa Đông Bắc kèm theo front lạnh, không khí lạnh tăng cƣờng

hoặc chỉ là đới gió Đông Bắc do khối không khí lạnh lệch Đông gây ra).

- Hình thế gây mƣa lớn do dải hội tụ nhiệt đới: Có nhiều dạng hình thế synốp do dải

hội tụ nhiệt đới (ITCZ) gây ra mƣa lớn cho các tỉnh miền Trung và Tây Nguyên.

Các dạng hình thế synốp thƣờng khác nhau và điều này quyết định đến cƣờng độ,

tổng lƣợng mƣa cũng nhƣ thời gian kéo dài do ITCZ gây ra. Do sự khác biệt về địa

lý, địa hình giữa các tỉnh Bắc, Trung và Nam Trung Bộ mà sự tƣơng tác giữa các hệ

thống synốp với ITCZ gây mƣa lớn có sự khác biệt không chỉ về mức độ ảnh hƣởng

mà cả về thời gian trong năm. Cũng nhƣ tác động của ATNĐ, bão, các hình thế

synốp gây mƣa lớn cho các tỉnh miền Trung và Tây Nguyên bởi ITCZ có thể phân

chia vào 2 dạng chính:

+ ITCZ hoạt động đơn thuần.

+ ITCZ kết hợp với các hình thế synốp gây mƣa khác.

- Hình thế thời tiết gây mƣa lớn do không khí lạnh: Hình thế synốp đặc trƣng áp cao

lạnh ảnh hƣởng gây mƣa lớn đối với các tỉnh miền Trung và Tây Nguyên bao gồm

hình thế áp cao lạnh tác động đơn thuần hoặc áp cao lạnh kết hợp với các hình thế

synốp khác nhƣ rãnh áp thấp bị nén, tín phong và các nhiễu động nhiệt đới khác nhƣ

dải hội tụ nhiệt đới (ITCZ), XTNĐ hay nhiễu động sóng trong đới gió Đông trên

cao… Trong các loại hình thế synốp đặc trƣng gây mƣa lớn đối với các tỉnh miền

Trung thì loại hình thế áp cao lạnh kết hợp với ITCZ hoặc XTNĐ gây mƣa mãnh

liệt nhất. Thực tế cho thấy khi áp cao lạnh ảnh hƣởng thì thƣờng gây mƣa đối với

các tỉnh miền Trung nhƣng không phải đợt nào cũng gây mƣa lớn mà nó hoàn toàn

phụ thuộc hoàn lƣu trên cao ở lớp dƣới của tầng đối lƣu (tiêu biểu ở mực 1500m).

Thời gian bắt đầu và kết thúc mƣa, cƣờng độ mƣa, thời gian duy trì mƣa lớn, phạm

vi mƣa... không đồng nhất giữa các đợt xâm nhập của KKL. Nó không chỉ phụ

thuộc vào sự tác động bởi rìa phía nam hay tây nam của áp cao lạnh ở khu vực đông

nam Trung Quốc mà còn phụ thuộc vào điều kiện mặt đệm, địa hình.

- Hình thế thời tiết gây mƣa lớn do ảnh hƣởng của ATNĐ, bão: Đối với các tỉnh

miền Trung và Tây Nguyên mƣa lớn do ảnh hƣởng của ATNĐ hay bão xảy ra khá

nghiêm trọng đặc biệt đối với các khu vực trƣớc vùng chắn gió. Đối với vùng ven

biển các tỉnh miền Trung do điều kiện hƣớng bờ biển và địa hình dãy Trƣờng Sơn

mà tình hình mƣa xảy ra ác liệt hơn các khu vực khác đặc biệt các tỉnh Trung Trung

Bộ. Mƣa bão xảy ra tùy thuộc tốc độ di chuyển nhanh hay chậm, hƣớng di chuyển,

hệ thống synốp xung quanh, khả năng tồn tại của xoáy thuận nhiệt đới (XTNĐ) trên

khu vực ảnh hƣởng. Cƣờng độ của XTNĐ có liên quan đến mƣa do quá trình phát

triển đối lƣu mạnh hay yếu song không thể nói mƣa bão sẽ lớn hơn mƣa do ATNĐ.

Mƣa lớn do XTNĐ ảnh hƣởng đối với các tỉnh miền Trung xảy ra rất nguy hiểm với

hai lý do: một là sông suối miền Trung thƣờng ngắn và dốc, cƣờng độ mƣa lớn sẽ

có nhiều khả năng hình thành lũ nhanh đặc biệt là lũ quét. Hai là mùa bão miền

Trung thƣờng trùng với mùa hoạt động của gió mùa mùa đông nên ATNĐ, bão hoạt

động thƣờng kết hợp với nhiều hệ thống synốp khác nhƣ KKL, dải hội tụ nhiệt đới,

tín phong cƣờng độ mạnh... làm quá trình mƣa trở nên phức tạp. Có nhiều dạng hình

thế synốp do ATNĐ, bão đã gây mƣa lũ đối với các tỉnh miền Trung và Tây

Nguyên nhƣng các dạng hình thế synốp thƣờng khác nhau và điều đó quyết định

cƣờng độ và tổng lƣợng mƣa do ATNĐ, bão gây ra đối với khu vực miền Trung. Do

sự khác biệt về địa lý, địa hình giữa các tỉnh Bắc, Trung và Nam Trung Bộ mà sự

tƣơng tác giữa các hệ thống synốp với ATNĐ, bão gây mƣa lớn có sự khác biệt

không chỉ về mức độ ảnh hƣởng mà cả về thời gian trong năm. Các hình thế synốp

gây mƣa lớn cho các tỉnh miền Trung và Tây Nguyên do ATNĐ, bão có thể phân

chia thành 2 dạng chính: XTNĐ hoạt động độc lập và XTNĐ kết hợp với các hệ

thống gây mƣa khác. 2 hình thế thời tiết gây nhiều đợt mƣa lớn nhất cho các tỉnh

miền Trung và Tây Nguyên là XTNĐ hoạt động độc lập và XTNĐ kết hợp với

không khí lạnh.

Do đó, luận văn này tập trung nghiên cứu kỹ năng dự báo mƣa lớn của mô

hình HRM-gfs, WRFARW-gfs và WRFNMM-gfs cho khu vực miền Trung và Tây

Nguyên trong 03 năm (2008 - 2010), từ đó đánh giá chất lƣợng của các mô hình khu

vực đối với dự báo mƣa lớn khu vực miền Trung và Tây Nguyên và so sánh các mô

hình với nhau. Những đánh giá so sánh đó sẽ là kết quả để các dự báo viên tham

khảo. Từ đó nâng cao chất lƣợng dự báo giúp cho các cơ quan chỉ đạo ở trung ƣơng

và địa phƣơng có định hƣớng đúng trong công tác phòng tránh và giảm nhẹ thiệt hại

do mƣa lớn gây ra trên các tỉnh miền Trung và Tây Nguyên.

2.2. Mô tả tập số liệu nghiên cứu

Theo quy định của Tổ chức Khí tƣợng thế giới (WMO), mƣa lớn chia làm 3

cấp:

- Mƣa vừa: Lƣợng mƣa đo đƣợc từ 16 đến 50 mm/24h hoặc 8 đến 25 mm/12h.

- Mƣa to: Lƣợng mƣa đo đƣợc từ 51 đến 100 mm/24h hoặc 26 đến 50mm/12h.

- Mƣa rất to: Lƣợng mƣa đo đƣợc > 100 mm/24h hoặc > 50 mm/12h.

2.2.1. Miền tính toá n, độ phân giả i, bướ c tích phân thờ i gian và tùy chọn tham số hóa vật lý cho mô hình HRM, WRFARW, WRFNMM.

2.2.1.1 Mô hình HRM

Bảng 2.1 đƣa ra cấu hình chi tiết của mô hình HRM đƣợc chạy trong nghiên cứu dự báo mƣa lớn miền Trung, Tây Nguyên Việt Nam. Về cơ bản, mô hình này có dạng thủy tĩnh, sử dụng đầu vào từ mô hình toàn cầu GFS và

có miền tích phân từ 90-130E, 10S -30N (hình 2.1), độ phân giải ngang là

0.125x 0.125. Mô hình HRM sử dụng sơ đồ sai phân ngang trên lƣới

Arakawa C và có số mực thẳng đứng là 40 mực. Các tập số liệu địa hình, thảm phủ thực vật, dạng đất, ... là các trƣờng tĩnh. Ngoài ra, mô hình HRM sử dụng hệ tọa thẳng đứng dạng lai. Bƣớc thời gian tích phân của mô hình HRM là 60 giây. Các kết quả dự báo đƣợc lƣu 3 giờ một và theo định dạng NetCDF.

Bảng 2.1: Cấu hình động lực, vật lý và phương pháp số của mô hình HRM

Cấu hình mô hình

Mô tả chi tiết HRM (Ver. 2.8)

Động lực

Lọc số

Tham số hóa vật lý

Đối lƣu Bức xạ sóng ngắn Bức xạ sóng dài Lớp biên hành tinh Đất Bề mặt Vi vật lý mây Sơ đồ sai phân thời gian Hệ tọa độ thẳng đứng Lƣới sai phân ngang

Hệ phƣơng trình nguyên thủy, dạng thủy tĩnh Có Sơ đồ Tiedtke Ritter và Geleyn Ritter và Geleyn Sơ đồ Monin-Obukhov Mô hình 7 lớp Sơ đồ khuếch tán 2 lớp Doms và Schättler Sơ đồ tách bán ẩn của Burridge Hệ tọa độ lai Arakawa C

Độ phân giải ngang (độ hoặc km)

Số nút lƣới/Độ rộng (độ)

0.1250.125 321 x 321

Điểm lƣới góc Tây Nam/Tâm lƣới

Số mực thẳng đứng Bƣớc thời gian tích phân (giây)

85E, 10S (Điểm góc) 40 60

Khí tƣợng

Điều kiện ban đầu

Địa hình Đất

GFS 0.5 USGS 1km FAO 8km

Điều kiện biên

GFS 0.5cập nhập biên 6 giờ 72 giờ

3 giờ

Hạn dự báo Khoảng thời gian giữa các sản phẩm đầu ra

Hình 2.1: Miền tích phân dự báo của mô hình HRM

2.2.1.2 Mô hình WRFARW

Bảng 2.2 đƣa ra cấu hình chi tiết của mô hình WRFARW đƣợc chạy nghiệp vụ tại Trung tâm Dự báo KTTV Trung ƣơng. Hiện tại, mô hình này chạy với phiên bản thủy tĩnh, sử dụng đầu vào từ mô hình toàn cầu GFS và có

miền tích phân từ 85-125E, 10S -30N (hình 2.2), độ phân giải ngang là

13.75km x 13.75km. Mô hình WRFARW sử dụng sơ đồ sai phân ngang trên lƣới Arakawa C và có số mực thẳng đứng là 40 mực. Các tập số liệu địa hình,

thảm phủ thực vật, dạng đất... là các trƣờng tĩnh. Ngoài ra, mô hình WRFARW sử dụng hệ tọa độ áp suất. Bƣớc thời gian tích phân của mô hình là 60 giây. Các kết quả dự báo đƣợc lƣu 3/6 giờ một và theo định dạng NetCDF.

Bảng 2.2: Cấu hình động lực, vật lý và phương pháp số của mô hình

WRFARW

Cấu hình mô hình

Mô tả chi tiết WRFARW (Ver. 3.3)

Động lực

Hệ phƣơng trình nguyên thủy, dạng thủy tĩnh

Lọc số

Không

Đối lƣu

Sơ đồ Kain-Fritsch

Bức xạ sóng ngắn

RRTM

Bức xạ sóng dài

Dudhia

Lớp biên hành tinh

Yonsei

Tham số hóa vật lý

Đất

Noah

Bề mặt

Monin-Obukhov

Vi vật lý mây

WSM-3

Sơ đồ sai phân thời gian

Sơ đồ Runge – Kutta bậc ba

Hệ tọa độ thẳng đứng

Hệ tọa độ áp suất

Lƣới sai phân ngang

Arakawa C

Độ phân giải ngang (km)

13.75km x 13.75km

Số nút lƣới

321 x 321

Điểm Tâm lƣới

110E, 10N (Tâm lƣới)

Số mực thẳng đứng

40 Bƣớc thời gian tích phân (giây)

60 Khí tƣợng

GFS 0.5

Điều kiện ban

Địa hình

USGS 1km

đầu

Đất

FAO 8km

Điều kiện biên

GFS 0.5cập nhập biên 6 giờ

Hạn dự báo

72 giờ

3 giờ

Khoảng thời gian giữa các sản phẩm đầu ra

Hình 2.2: Miền tích phân dự báo của mô hình WRF-ARW

2.2.1.3 Mô hình WRFNMM

Hiện tại, mô hình WRF-NMM đƣợc chạy nghiệp vụ tại Trung tâm Dự báo KTTV Trung ƣơng với phiên bản thủy tĩnh, sử dụng đầu vào từ mô hình

toàn cầu GFS và có miền tích phân từ 85-125E, 10S -30N (hình 2.3), độ

phân giải ngang là 13.75km x 13.75km. Mô hình WRF-NMM sử dụng sơ đồ sai phân ngang trên lƣới Arakawa C và có số mực thẳng đứng là 40 mực. Các tập số liệu địa hình, thảm phủ thực vật, dạng đất... là các trƣờng tĩnh. Ngoài

ra, mô hình WRF-NMM sử dụng hệ tọa độ áp suất. Bƣớc thời gian tích phân của mô hình là 60 giây. Các kết quả dự báo đƣợc lƣu 3/6 giờ một và theo định dạng NetCDF.

Hình 2.3: Miền tích phân dự báo của mô hình WRF-NMM

2.2.2 Số liệu mô hình

Sản phẩm dự báo 24h, 48h và 72h của các năm 2008, 2009, 2010 từ mô hình

HRM-gfs, WRFARW-gfs và WRFNMM-gfs chạy nghiệp vụ hàng ngày với đầu vào

gfs là số liệu mƣa tích lũy dự báo thời hạn 24 giờ.

Số liệu này đã đƣợc mô hình nội suy bằng phƣơng pháp nội suy song tuyến

tính (Bilinear interpolation) về vị trí các trạm quan trắc cho trƣớc theo danh sách và

tọa độ trạm. Việc tổ chức số liệu đƣợc thể hiện ở các file dữ liệu lƣu, trong đó các

file đều có cột “mã trạm”, kinh độ trạm, vĩ độ trạm, lƣợng mƣa tích lũy 24h, lƣợng

mƣa tích lũy 24h (dự báo cho 48h), lƣợng mƣa tích lũy 24h (dự báo cho 72h), các

ngày trong tháng.

Việc đánh giá dự báo trong luận văn này đƣợc tiến hành theo hƣớng: trƣớc

tiên tiến hành đánh giá cho cả 4 khu vực Bắc Trung Bộ, Trung Trung Bộ, Nam

Trung Bộ và Tây Nguyên bằng 3 mô hình và 3 bƣớc thời gian 24h, 48h và 72h. Sau

đó đánh giá cho từng khu vực riêng một và cuối cùng là đánh giá cho 1 số đợt mƣa

điển hình.

Số liệu đƣợc chia làm 2 cột, một cột là số liệu dự báo và một cột là số liệu

quan trắc. Các số liệu thiếu đƣợc ký hiệu là -99.

2.2.3. Số liệu quan trắc

Số liệu mƣa đƣợc thu thập từ 64 trạm quan trắc khí tƣợng bề mặt trên khu

vực miền Trung và Tây Nguyên: Bắc Trung Bộ 20 trạm, Trung Trung Bộ 15 trạm,

Nam Trung Bộ 12 trạm và Tây Nguyên 17 trạm.

2.3. Phƣơng pháp đánh giá dự báo mƣa lớn

Đánh giá chất lƣợng dự báo thời tiết nói chung là phƣơng pháp thẩm tra đánh

giá và xác định định lƣợng mức độ chính xác của mô hình hoặc mức độ sai khác

giữa các sản phẩm dự báo của mô hình với những kết quả quan trắc thực tế nhằm

chỉ ra những ƣu điểm, nhƣợc điểm của mô hình, giúp cho các chuyên gia nghiên

cứu tìm kiếm các giải pháp cải tiến, phát triển, nâng cao chất lƣợng dự báo của mô

hình.

Trong luâ ̣n văn này, mục đích để đánh giá dự báo là:

- Kiểm tra chất lƣợng dự báo củ a mô ̣t số mô hình số tri ̣ khu vƣ̣c – dự báo chính xác đến đâu và sẽ đƣợc cải tiến ra sao.

- So sánh chất lƣợng dự báo 24h, 48h và 72h của các mô hình đó – đến mức độ nào thì một mô hình dự báo đƣợc cho là dự báo tốt hơn so với những mô hình dự báo khác và bằng cách nào mà mô hình dự báo đó đem lại kết quả tốt hơn nhƣ vậy .

- So sánh chất lƣợng dự báo của các mô hình với cƣờng độ mƣa khác nhau (mƣa

vừa, mƣa to và mƣa rất to).

- Đƣa ra đƣợc những khuyến cáo cho dự báo viên nên ƣu tiên mô hình nào tại 1 khu

vực nhất định.

Vớ i mu ̣c đích đán h giá nhƣ vâ ̣y , tôi sƣ̉ du ̣ng các phƣơng pháp sau đây để

đánh giá dƣ̣ báo:

2.3.1. Phương pháp đánh giá định lượng:

. Sau khi sản Lƣợng mƣa đo đƣợc ta ̣i các tra ̣m cho ta trƣờng số liê ̣u mƣa

phẩm dự báo mƣa củ a các mô hình từ nút lƣới đƣợc nội suy về trạm , ta thu đƣơ ̣c trƣờng mƣa dự báo . Trong trƣờng hợp này, ta hoàn toàn có thể đánh giá chất lƣợng

dự báo mƣa củ a các mô hình b ằng những công thức định lƣợng khi dù ng các chỉ số ME, RMSE, MAE.

2.3.2. Phương pháp đánh giá theo ngưỡng mưa

Để đánh giá một cách hệ thống và toàn diện viê ̣c dƣ̣ báo mƣa củ a các mô

hình, sau khi đánh giá về lƣơ ̣ng, ta tiến hành phân chia lƣợng mƣa dự báo và thực tế

ra thành các cấp. Sau đó ta tiếp tu ̣c phân chú ng ra thành tƣ̀ ng că ̣p 2 cấp mô ̣t vớ i mu ̣c đích đánh giá ngƣỡng mƣa . Để đánh giá ngƣỡng mƣa cho các mô hình , chúng ta có thể sƣ̉ du ̣ng các chỉ số nhƣ BIAS, POD, FAR, ETS...

CHƢƠNG 3. KẾT QUẢ ĐÁNH GIÁ KỸ NĂNG DỰ BÁO MƢA LỚN CỦA

MÔ HÌNH HRM-gfs, WRFARW-gfs VÀ WRFNMM-gfs CHO KHU VỰC

MIỀN TRUNG VÀ TÂY NGUYÊN

3.1. Kết quả đánh giá các đợt mƣa lớn từ năm 2008 đến năm 2010 cho khu vực

miền Trung và Tây Nguyên

Trƣớc khi phân tích chi tiết các sai số của trƣờng mƣa , giá trị lƣợng mƣa

tổng trung bình ngày của cả chuỗi số liệu đánh giá đƣợc biểu diễn để có cái nhìn

quan nhất về sự phân bố của lƣợng mƣa theo thời gian và theo không gian.

Hình 3.1 Dự báo trong 3 ngày lượng mưa trung bình củ a cá c đợt mưa lớ n khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 bằ ng mô hình HRM

Hình 3.2 Dự báo trong 3 ngày lượng mưa trung bình củ a cá c đợt mưa lớ n khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 bằ ng mô hình WRFARW

Hình 3.1, hình 3.2 và hình 3.3 là giá trị lƣợng mƣa tích lũy 24h tính trung

bình cả chuỗi số liệu của mô hình HRM , WRFARW, WRFNMM vớ i ha ̣n dƣ̣ báo 24h, 48h, 72h và lƣơ ̣ng mƣa quan trắc đƣơ ̣c ta ̣i cá c tra ̣m (OBS). Tƣ̀ các hình trên ta thấy mô hình HRM cho kết quả dƣ̣ báo ta ̣i các vi ̣ trí tƣơng đối chính xác cho cả khu vƣ̣c miền Trung và Tây Nguyên , mô hình WRFARW t uy không dƣ̣ báo tốt cho cả miền Trung và Tây Nguyên nhƣng trên khu vƣ̣c tƣ̀ Thanh Hóa đến Quảng Tri ̣ lại cho kết quả dƣ̣ báo là tốt nhất trong cả 3 mô hình, mô hình WRFNMM cho kết quả

. Cả 3 mô hình đều cho kết quả chất dƣ̣ báo lƣơ ̣ng mƣa nhỏ hơn so vớ i quan trắc

lƣơ ̣ng dƣ̣ báo giảm dần theo ha ̣n dƣ̣ báo 24h, 48h và 72h.

Hình 3.3 Dự báo trong 3 ngày lượng mưa trung bình của cá c đợt mưa lớ n khu vực miền Trung và Tây Nguyên năm 2008 đến 2010 bằ ng mô hình WRFNMM

Hình 3.4 biểu diễn kết quả các điểm số ME, MAE, RMSE (mm/ngày) và hệ

số tƣơng quan của lƣợng mƣa lớ n n ăm 2008 đến 2010 cho khu vƣ̣c miền Trung và Tây Nguyên vớ i ha ̣n dƣ̣ báo 24h, 48h và 72h.

Tƣ̀ hình vẽ ta thấy ME củ a mô hình HRM và WRFARW cho kết quả dƣơng vớ i cả 3 hạn dự báo (2 mô hình này dƣ̣ báo thiên cao lƣơ ̣ng mƣa ). Hạn dự báo càng lớ n thì 2 mô hình này dƣ̣ báo càng chính xác hơn do chúng có xu hƣớng dự báo

vƣơ ̣t so vớ i quan trắc . Riêng vớ i mô hình WRFNMM cho kết quả âm với cả 3 hạn dƣ̣ báo chƣ́ ng tỏ mô hình thƣ ờng dự báo thiên thấp lƣợng mƣa và hạn dự báo nhỏ chính xác hơn so với các hạn dự báo lớn . Mô hình HRM cho kết quả ME thấp nhất trong cả 3 hạn dự báo so với 2 mô hình còn la ̣i chứng tỏ mô hình HRM dƣ̣ báo chính xác nhất trong 3 mô hình.

Đối với MAE và RMSE cả 3 mô hình đều cho kết quả với hạn dự báo càng

dài thì cho sai số càng nhiều.

Hình 3.4 Các điểm số ME, MAE, RMSE và hê ̣ số tương quan của các đợt mưa lớn khu vực miền Trung và Tây N guyên năm 2008 đến 2010 vớ i hạn dự bá o 24h, 48h,

72h.

Hệ số tƣơng quan cho biết mức độ phù hợp giữa lƣơ ̣ng mƣa dự báo và lƣơ ̣ng

mƣa quan trắc , tƣ̀ hình vẽ ta thấy hê ̣ số tƣơng quan củ a lƣơ ̣ng mƣa vớ i ha ̣n dƣ̣ báo 24h và 48h đa ̣t khoảng tƣ̀ 0.35 đến 0.45 khá cao đối với một yếu tố có sự biến động

tƣơng đối lớ n nhƣ lƣơ ̣ng mƣa, hê ̣ số tƣơng quan giảm dần khi ha ̣n dƣ̣ báo tăng (hạn dƣ̣ báo càng dài thì sai số củ a mô hình càng lớ n ). Mô hình HRM cho hê ̣ số tƣơng quan tố t nhất xong đến mô hình WRFARW và cuối cù ng là mô hình WRFNMM .

Nhƣ vâ ̣y, xét chung cho toàn chuỗi số liệu mô hình HRM cho dƣ̣ báo tốt nhất so vớ i 2 mô hình còn la ̣i và hạn dự báo càng dài thì sai số dự báo của các mô hình càng lớn, rất phù hơ ̣p vớ i hình 3.1, 3.2 và 3.3.

Để đánh giá khả năng dự báo của ba mô hình đối với biến mƣa, một trong

những yếu tố khí tƣợng khó dự báo nhất, bên cạnh các điểm số đánh giá thống kê

truyền thống, một số điểm số khác thƣờng đƣợc dùng trong đánh giá biến bất liên

tục cũng đƣợc sử dụng đó là FBI (BIAS), POD, FAR và ETS.

Hình 3.5 Chỉ số BIAS của các đợt mưa

lớ n khu vực miền Trung và Tây Nguyên

năm 2008 đến 2010 vớ i hạn dự bá o 24h, 48h, 72h

Chỉ số BIAS giúp ta đánh giá tỷ số giữa vùng dự báo và vùng quan trắc. Trên hình 3.5 ta thấy, vớ i cƣờ ng đô ̣ mƣa tƣ̀ 16-50mm mô hình HRM cho kết quả vù ng dƣ̣ báo tốt nhất vớ i cả 3 hạn dự báo so vớ i 2 mô hình còn la ̣i, chỉ số BIAS của mô hình HRM xấp xỉ bằng 1. Mô hình WRFAW cho kết quả vù ng dƣ̣ bá o lớn hơn vù ng quan trắc trong cả 3 hạn dự báo, chỉ số BIAS của mô hình WRFAW xấp xỉ bằng 1.4 còn mô hình WRFNMM cho kết quả vù ng dƣ̣ báo nhỏ hơn vù ng quan trắc , chỉ số BIAS của mô hình WRFNMM xấp xỉ bằng 0.8. Tuy nhiên, vớ i cƣờ ng đô ̣ mƣa trên 50mm trong cả 3 hạn dự báo chỉ số BIAS của mô hình HRM la ̣i nằm trong khoảng 0.55- 0.75.

0.6-0.7 và chỉ số BIAS của mô hình

Vớ i cƣờ ng đô ̣ mƣa 50-100mm, mô hình WRFARW cho kết quả vù ng dƣ̣ báo tốt nhất v ới cả 3 hạn dự báo so với 2 mô hình còn la ̣i , chỉ số BIAS của mô hình WRFARW trong khoảng 0.99-1.2. Mô hình HRM và mô hình WRFNMM cho kết quả vùng dự báo nhỏ hơn nhiều so với vùng quan trắc (cả 3 hạn dự báo ), chỉ số BIAS củ a mô hình HRM trong khoảng WRFNMM xấp xỉ 0.4.

Vớ i cƣờ ng đô ̣ mƣa ≥ 100mm, chỉ số BIAS của 3 mô hình vớ i các ha ̣n dƣ̣ báo 0.2 chƣ́ ng tỏ vớ i

rất thấp đă ̣c biê ̣t là mô hình WRFNMM cho chỉ số BIAS xấp xỉ cƣờ ng đô ̣ mƣa rất to các mô hình cho kết quả vù ng dƣ̣ báo nhỏ hơn nhiều so vớ i vùng quan trắc.

Hình 3.6 Chỉ số POD của các đợt mưa

lớ n khu vực miền Trung và Tây Nguyên

năm 2008 đến 2010 với hạn dự báo 24h,

48h, 72h

POD đƣợc hiểu là xác suất xuất hiện hiện tƣợng, bằng tỷ số giữa số lần trùng

khớp giữa mô hình và quan trắc khi hiện tƣợng có xuất hiện.

Trong cả 3 hạn dự báo, mô hình WRFWARW đều cho giá trị POD lớn hơn

so với mô hình HRM và WRFNMM trong dự báo cƣờng độ mƣa 16-50mm và 50-

100mm nhƣng vớ i cƣờ ng đô ̣ mƣa ≥ 100mm thì mô hình HRM la ̣i cho giá tri ̣ POD lớ n nhất cho thấy ở ngƣỡng mƣa rất to xác suất phát hiện đúng hiện tƣợng của mô

hình HRM là tốt nhất . Mô hình HRM luôn cho giá tri ̣ POD lớ n hơn so vớ i mô hình WRFNMM trong cả 3 hạn dự báo với cả 3 cƣờ ng đô ̣ mƣa.

Cả 3 mô hình đều cho giá tri ̣ POD giảm dần khi hạn dự báo tăng lên chƣ́ ng tỏ cả 3 mô hình đều dƣ̣ báo chính xác ha ̣n dƣ̣ báo 24h nhất và dƣ̣ báo 48h chính xác hơn so vớ i dƣ̣ báo 72h.

Hình 3.7 Chỉ số FAR của các đợt mưa

lớ n khu vực miền Trung và Tây Nguyên

năm 2008 đến 2010 vớ i hạn dự bá o 24h,

48h, 72h

FAR cho biết tỷ lệ mô phỏng dự báo khống của mô hình. Tƣ̀ hình 3.7 ta thấy giá trị FAR của các mô hình với hạn dự báo 24h là nhỏ nhất chƣ́ ng tỏ các mô hình

vớ i ha ̣n dƣ̣ báo 24h cho kết quả vù ng dƣ̣ báo tốt nhất so vớ i 2 hạn dự báo 48h và 72h.

Vớ i cƣờ ng đô ̣ mƣa 50-100mm, mô hình WRFARW đều có giá trị FAR lớ n hơn so vớ i mô hình WRF NMM trong cả 3 hạn dự báo . Trong khi đó vớ i cƣờ ng đô ̣ mƣa 16-50mm, giá trị FAR của mô hình HRM và mô hình WRFNMM lại khá tƣơng

đồng vớ i nhau.

Vớ i cƣờ ng đô ̣ mƣa ≥ 100mm, chỉ số FAR của 3 mô hình vớ i các hạn dự báo 0.5

24h và 48h rất thấp đă ̣c biê ̣t là mô hình WRFNMM cho chỉ số FAR khoảng chƣ́ ng tỏ vớ i cƣờ ng đô ̣ mƣa rất to tỷ lệ mô phỏng dự báo khống của mô hình là nhỏ.

Kết luâ ̣n: vớ i ha ̣n dƣ̣ báo càng lớ n thì sai củ a mô hình càng cao về cả lƣợng và diện, tƣ̀ các kết quả trên ta chỉ nhâ ̣n xét đƣơ ̣c mô hình HRM dƣ̣ báo tốt hơn vớ i 2 mô hình còn la ̣i trên cả khu vƣ̣c miền Trung và Tây N guyên. Để đánh giá đƣơ ̣c kết quả tốt hơn phần tiếp theo tôi tiến h ành đánh giá 3 mô hình theo tƣ̀ ng khu vƣ̣c nhỏ (Bắc Trung Bô ̣, Trung Trung Bô ̣, Nam Trung Bô ̣ và Tây Nguyên ) vớ i ha ̣n dƣ̣ báo

24h để có cái nhìn chính xác tại khu vực nào mô hình cho kết quả tốt nhất với từng

cƣờ ng đô ̣ mƣa trong nhƣ̃ng năm 2008-2010.

Hình 3.8 Các chỉ số ME, MAE, RMSE và hê ̣ số tương quan của cá c đợt mưa lớ n cho từng khu vực năm 2008 đến 2010

dƣ̣ báo vƣ ợt so với quan trắc là nhiều ME lớ n và dƣơng chƣ́ ng tỏ Tƣ̀ hình 3.8 ta thấy, mô hình HRM dƣ̣ báo cho khu vƣ̣c Bắc Trung Bô ̣ , mô hình WRFARW dƣ̣ báo cho khu vƣ̣c Bắc Trung Bô ̣ và Trung Trung Bô ̣ cho kết quả . Mô hình

WRFNMM ta ̣i khu vƣ̣c Nam Trung Bô ̣ và Tây Nguyên cho kết quả ME lớ n và âm chƣ́ ng tỏ mô hình dƣ̣ báo hu ̣ t so vớ i quan trắc là nhiều , mô hình này ở hầu hết các khu vƣ̣c đều cho ME<0. Giá trị ME của các mô hình tại 4 khu vƣ̣c lú c âm lú c dƣơng ngoại trừ năm trƣờ ng hơ ̣p trên thì các mô hình dƣ̣ báo tƣơng đối tốt ta ̣i các khu vƣ̣c.

tại khu vực Trung Với MAE và RMSE cả 3 mô hình cho kết quả nhỏ nhất

Trung Bô ̣ và lớn nhất tại Bắc Trung Bộ. Ba mô hình đều cho kết quả tƣơng đối bằng nhau ta ̣i mô ̣t khu vƣ̣c.

Hê ̣ số tƣơng quan ta ̣i các khu vƣ̣c không ảnh hƣở ng nhiề u tớ i mô hình. Cả ba mô hình đều cho hê ̣ số tƣơng quan lớ n nhất đa ̣t khoảng 0.5 tại khu vực Nam Trung Bô ̣, khu vƣ̣c Tây Nguyên cũng có kết quả tốt vớ i hê ̣ số tƣơng quan là 0.45, vớ i yếu tố dƣ̣ báo không liên tu ̣c và có sƣ̣ biến động nhƣ lƣơ ̣ng mƣa thì kết quả trên là tƣơng đố i tốt, tại khu vực Bắc Trung Bộ và Trung Bộ kết quả là kém nhất với hệ số tƣơng

quan 0.3.

Hình 3.9 Các chỉ số BIAS , POD, FAR

năm 2008 đến khu vực Bắ c Trung Bộ

2010

Tƣ̀ hình 3.9 ta thấy, mô hình HRM dƣ̣ báo vù ng mƣa tốt hơn 2 mô hình còn lại với các cƣờng độ mƣa ngoại trừ cƣờng độ 16-30mm/24h thì mô hình WRFNMM

lại dự báo vùng mƣa tốt hơn ở khu vực Bắc Trung Bộ . Vớ i chỉ số POD ta ̣i khu vƣ̣c Bắc Trung Bô ̣ vớ i cƣờ ng đô ̣ mƣa 16-30mm/24 và trên 100mm/24h mô hình HRM cho kết quả tốt hơn 2 mô hình còn lại, tại cƣờng độ mƣa từ 30-100mm/24h mô hình WRFARW cho kết quả tốt nhất trong 3 mô hình, nguyên nhân do mô hình này dƣ̣ báo vùng mƣa lớ n hơn quan trắc nhiều nên chỉ số POD cũng đƣơ ̣c tăng lên . Chỉ số FAR cho biết tỷ lệ mô phỏng dự báo khống của mô hình vớ i cƣờ ng đô ̣ tăng tƣ̀ 16 đến 100mm/24h thì mô hình cho kết quả tăng dần tuy nhiên ta ̣i cƣờ ng đô ̣ trên 100mm/24h cả 3 mô hình cho kết quả thấp hơn so vớ i các cƣờ ng đô ̣ thấp nguyên nhân do số ngày mƣa trên 100mm/24h it hơn nhiều so vớ i các ngày mƣa có cƣờ ng đô ̣ nhỏ . Kết quả đánh giá ta ̣i khu vƣ̣c Bắc Trung Bô ̣ cho thấy mô hình WRFNMM dƣ̣ bá o tốt vớ i cƣờ ng đô ̣ mƣa tƣ̀ 16-30mm/24h so vớ i 2 mô hình còn la ̣i , vớ i cƣờ ng đô ̣ tƣ̀ 30-50mm/24h và trên 100mm/24h mô hình HRM dƣ̣ báo tốt nhất trong 3 mô hình. Mô hình WRFARW dƣ̣ báo tốt nhất trong 3 mô hình vớ i cƣờ ng đô ̣ mƣa tƣ̀ 50- 100mm/24h.

Hình 3.10 Các chỉ số BIAS , POD, FAR

năm 2008 đến khu vực Trung Trung Bộ

2010

Tại khu vực Trung Trung Bộ chỉ số BIAS của mô hình HRM cho kết quả

. Chỉ số FAR của mô hình

giảm từ 1.07 xuống 0.6 khi cƣờ ng đô ̣ mƣa tăng , kết quả tốt vớ i cƣờ ng đô ̣ mƣa đa ̣t 16-50mm/24h. Mô hình WRFNMM cho kết quả chỉ số BIAS tốt nhất trong 3 mô hình với cƣờng độ mƣa từ 16-30mm/24h. Mô hình WRFARW dƣ̣ báo chỉ số BIAS tốt hơn 2 mô hình còn la ̣i vớ i cƣờ ng đô ̣ mƣa tƣ̀ 50-100mm/24h. Chỉ số POD của mô hình WRFARW cho kết quả tốt ở gần hết các cƣờng độ , đă ̣c biê ̣t vớ i cƣờ ng đô ̣ mƣa trên 100mm/24h thì mô hình HRM la ̣i cho kết quả tốt HRM tăng vớ i cƣờ ng đô ̣ 16-50mm/24h và giảm khi cƣờ ng đô ̣ tăng , vớ i mô hình WRFARW và WRFNMM thì chỉ số FAR tăng tƣ̀ 16-70mm/24h xong giảm xuống khi cƣờ ng đô ̣ tăng tƣ̀ 70-100mm/24h. Tƣ̀ kết quả trên ta có nhâ ̣n xét ta ̣i khu vƣ̣c Trung Trung Bô ̣, vớ i cƣờ ng đô ̣ mƣa tƣ̀ 16-30mm/24h mô hình WRFNMM dƣ̣ báo tốt hơn 2 mô hình còn la ̣i , mô hình HRM dƣ̣ báo tốt vớ i cƣờ ng đô ̣ mƣa tƣ̀ 30- 50mm/24h và trên 100mm/24h so vớ i 2 mô hình còn la ̣i , vớ i cƣờ ng đô ̣ mƣa tƣ̀ 50- 100mm/24h mô hình WRFARW dƣ̣ báo tốt hơn 2 mô hình còn la ̣i.

Hình 3.11 Các chỉ số BIAS , POD, FAR

năm 2008 đến khu vực Nam Trung Bộ

2010

Tại khu vực Nam Trung Bộ ta thấy , chỉ số BIAS của 3 mô hình cho kết quả , vớ i cƣờ ng đô ̣ mƣa 16-30mm/24h mô hình giảm dần kh i cƣờ ng đô ̣ mƣa tăng WRFNMM và mô hình HRM cho kế t quả dƣ̣ báo vù ng mƣa khá sát so vớ i thƣ̣c tế vớ i cƣờ ng đô ̣ mƣa 30-70mm/24h mô hình WRFARW cho kết quả dƣ̣ báo thiên cao còn HRM và WRFANMM cho kết quả dự báo thiên thấp . Cả 3 mô hình đều cho kết quả dự báo vùng mƣa thiên thấ p vớ i cƣờ ng đô ̣ mƣa trên 70mm/24h. Chỉ số POD

của mô hình WRFARW cho kết quả tốt ở gần hết các cƣờng độ nguyên nhân do mô

hình này dự báo thiên cao , đă ̣c biê ̣t vớ i cƣờ ng đô ̣ mƣa trên 100mm/24h thì mô hình HRM cho kết quả POD tốt nhất bằng vớ i mô hình WRFARW . Chỉ số FAR của mô hình HRM tăng với cƣờng độ 16-50mm/24h và giảm khi cƣờ ng đô ̣ tăng , vớ i mô

hình WRFARW và WRFNMM thì chỉ số FAR tăng từ 16-70mm/24h xong giảm

xuố ng khi cƣờ ng đô ̣ tăng tƣ̀ 70-100mm/24h, mô hình WRFNMM cho kết quả FAR tố t nhất ở gần hết các cƣờ ng đô ̣ nguyên nhân do mô hình này dƣ̣ báo thiên thấp . Tƣ̀ kết quả trên ta có nhâ ̣n xét ta ̣i khu vƣ̣c Nam Trung Bô ̣, mô hình HRM dƣ̣ báo tốt vớ i cƣờ ng đô ̣ mƣa tƣ̀ 16-30mm/24h và trên 70mm/24h. Mô hình WRFARW dƣ̣ báo tốt vớ i cƣờ ng đô ̣ mƣa tƣ̀ 30-70mm/24h so vớ i 2 mô hình còn la ̣i . Mô hình WRFNMM do dƣ̣ báo thiên thấp nên dƣ̣ báo tốt vớ i cƣờ ng đô ̣ 16-30mm/24h.

Hình 3.12 Các chỉ số BIAS , POD, FAR

khu vực Tây Nguyên năm 2008 đến 2010

Tại khu vực Tây Nguyên chỉ số BIAS của mô hình WRFNMM dự báo vùng

, mô hình mƣa thấp hơn nhiều so vớ i quan trắc vớ i tất cả các cƣờ ng đô ̣ mƣa WRFARW cho kết quả dƣ̣ báo vù ng mƣa khá tốt cho tất cả cá c cƣờ ng đô ̣, mô hình HRM cho kết quả chỉ số BIAS ở các cƣờ ng đô ̣ không tốt bằng mô hình WRFARW tuy nhiên , lại cho kết quả tốt nhất với cƣờng độ mƣa 16-30mm/24h. Chỉ số POD

của mô hình WRFARW cho kết quả tốt ở gần hết các cƣờ ng đô ̣ nguyên nhân do mô

hình này dự báo thiên cao , đă ̣c biê ̣t vớ i cƣờ ng đô ̣ mƣa trên 100mm/24h thì mô hình HRM cho kết quả POD tốt nhất . Chỉ số FAR của mô hình HRM tăng với cƣờng độ

16-50mm/24h và giảm khi cƣờ ng đô ̣ tăng , mô hình WRFARW cho chỉ số FAR tăng 100mm/24h, vớ i mô vớ i cƣờ ng đô ̣ tƣ̀ 16-100mm/24h và giảm khi cƣờ ng đô ̣ trên

hình WRFNMM thì chỉ số FAR tăng từ 16-70mm/24h xong giảm xuống khi cƣờ ng đô ̣ tăng tƣ̀ 70-100mm/24h, mô hình WRFNMM cho kết quả FAR tốt nhất ở gần hết các cƣờng độ nguyên nhân do mô hình này dự báo thiên thấp . Tƣ̀ kết quả trên ta có nhâ ̣n xét ta ̣i khu vƣ̣c Tây Nguyên , mô hình HRM dƣ̣ báo tốt vớ i cƣờ ng đô ̣ mƣa tƣ̀ 16-30mm/24h và trên 70mm/24h. Mô hình WRFARW dƣ̣ báo tốt vớ i cƣờ ng đô ̣ mƣa tƣ̀ 30-70mm/24h so vớ i 2 mô hình còn la ̣i . Mô hình WRFNMM do dƣ̣ báo vù ng mƣa thấp hơn thƣ̣c tế nhiều vớ i các cƣờ ng đô ̣ nên dƣ̣ báo kém nhất trong 3 mô hình.

3.2. Kết quả đánh giá dự báo mƣa lớn của một số trƣờng hợp điển hình

cho khu vực miền Trung và Tây Nguyên

Để làm sáng tỏ thêm kết luâ ̣n củ a phần trên , tôi đã tiến hành đánh giá 2 đơ ̣t mƣa ta ̣i khu vƣ̣c Trung Trung Bô ̣ tƣ̀ ngày 25-27/7/2010 và Bắc Trung Bộ từ ngày

30/9-5/10/2010.

3.2.1 Dự bá o 24h đợt mưa từ ngày 25-27/7/2010 khu vực Trung Trung Bộ của 3

mô hình.

Đợt mƣa từ ngày 25-27/7/2010 là đợt mƣa do rãnh thấp trục Tây Bắc -Đông

Nam nối vớ i vù ng thấp ngoài khơi Nam Trung Bô ̣ vớ i cƣờ ng đô ̣ mƣa vƣ̀ a và to điển hình nhƣ ta ̣i Đà Nẵng 158mm.

Hình 3.13 Lượng mưa tích lũy 24h của quan trắ c và 3 mô hình tại khu vự c Trung Trung Bộ ngà y 25/7/2010

y 25/7/2010 là tƣơng đối nhỏ Tƣ̀ hình 3.13 ta thấy , lƣơ ̣ng mƣa thƣ̣c tế quan trắc đƣơ ̣c trên toàn khu vƣ̣c , phổ biến trong khoảng

Trung Trung Bô ̣ ngà 10mm/24h. Đánh giá ở trên cho t a thấy vớ i cƣờ ng đô ̣ nhỏ thì mô hình HRM và mô hinh WRFARW dƣ̣ báo thiên cao , điều đó đƣơ ̣c thể hiê ̣n trong hình 3.13 rất rõ .

25/7/2010

Trong khi đó mô hình WRFNMM cho kết quả rất tốt vớ i ngày mƣa nguyên nhân do mô hình này dƣ̣ báo thiên thấp vớ i các ngƣỡng mƣa .

Hình 3.14 Lượng mưa tích lũy 24h của quan trắ c và 3 mô hình t ại khu vực Trung Trung Bộ ngà y 26/7/2010

Đến ngày 26/7/2010 lƣơ ̣ng mƣa quan trắc thƣ̣c tế ta ̣i khu vƣ̣c Trung Trung

Bô ̣ đã tăng đáng kể đă ̣c biê ̣t khu vƣ̣c Đà Nẵng, Huế và Quảng Nam vớ i lƣơ ̣ng mƣa phổ biến tƣ̀ 60-80mm/24h. Với lƣợng mƣa này nhƣ đánh giá về diện và cƣờng độ ở Trung Trung Bô ̣ thì mô hình WRFARW dƣ̣ báo rất tố t, nó cũng đƣợc thể hiện tƣơ ng đối sát vớ i tâm mƣa ta ̣i khu vƣ̣c Đà Nẵng , Huế, Quảng Ngãi, lƣơ ̣ng mƣa dƣ̣ báo trên toàn khu vực Trung Trung Bộ gần nhƣ trùng khít với lƣợng mƣa quan trắc ta ̣i hình 3.14. Vớ i lƣơ ̣ng mƣa này thì mô hì nh WRFNMM dƣ̣ báo thiên thấp và nó cũng đƣơ ̣c thể hiê ̣n trên hình vẽ , lƣơ ̣ng mƣa phổ biến mô hình WRFNMM cho kết quả

nằ m trong khoảng 10-30mm thấp hơn rất nhiều so vớ i thƣ̣ c tế . Mô hình HRM dƣ̣ báo lƣợng mƣa không chính xác bằng WRFARW nhƣng vẫn tốt hơn nhiều so vớ i WRFNMM do tâm mƣa dƣ̣ báo bi ̣ lê ̣ch ta ̣i khu vƣ̣c Quảng Tri ̣.

Hình 3.15 Lượng mưa tích lũy 24h của quan trắ c và 3 mô hình tại khu vực Trung Trung Bộ ngày 27/7/2010

10-40mm, Ngày 27/7/2010 lƣơ ̣ng mƣa khu vƣ̣c Trung Trung Bô ̣ phổ biến

tâm mƣa lớ n nhất lú c này ở khu vƣ̣c Quảng Bình , Quảng Trị. Do tâm mƣa trên diê ̣n rô ̣ng lên cả 3 mô hình đều không bắt đƣơ ̣c , cả 3 mô hình dƣ̣ báo lƣơ ̣ng mƣa hu ̣t so vớ i quan trắc.

3.2.2 Dự bá o 24h đợt mưa từ ngày 30/9-05/10/2010 khu vực Bắ c Trung Bộ của 3 mô hình.

Đợt mƣa từ ngày 30/9-05/10/2010 là đợt mƣa do hoàn lƣu áp thấp + gió

Đông trên cao và không khí la ̣n h vớ i cƣờ ng đô ̣ mƣa to và rất to ta ̣i khu vƣ̣c Bắc Trung Bô ̣ vớ i lƣơ ̣ng mƣa điển hình nhƣ Tuyên Hóa 1163mm, Minh Hóa 1618mm, Mai Hóa 1288mm, Đồng Tâm 1157mm.

Hình 3.16 Lượng mưa tích lũy 24h của quan trắ c và 3 mô hình tại khu vực Bắc Trung Bộ ngà y 30/9/2010

Tại khu vực Bắc Trung Bộ nhƣ đáng giá ở trên thì

2 mô hình HRM và WRFNMM dƣ̣ báo tốt vớ i cƣờ ng đô ̣ mƣa tƣ̀ 16-50mm, nó cũng thể hiện tốt ở hình 3.16. Mô hình HRM dƣ̣ báo tố t nhất trong 3 mô hình. Nó không nhƣ̃ng dƣ̣ báo tốt lƣơ ̣ng mƣa trên toàn khu vƣ̣c mà còn dự báo tƣơng đối chính xác cả tâm mƣa . Do mô hình WRFNMM dƣ̣ báo thiên thấp nên ta ̣i khu vƣ̣c Hà Tĩnh có lƣơ ̣ng mƣa lớ n tƣ̀ 30-75mm/24h mô hình dƣ̣ báo hu ̣t so vớ i quan trắc , tuy nhiên vớ i lƣơ ̣ng mƣa thấp ta ̣i khu vƣ̣c Thanh Hóa và Nghê ̣ An mô hình dƣ̣ báo tốt . Mô hình WRFARW dƣ̣ báo kém nhất do dƣ̣ báo sai tâm mƣa nên lƣơ ̣ng mƣa tƣơng đối lê ̣ch so vớ i quan

trắc.

Hình 3.17 Lượng mưa tích lũy 24h của quan trắ c và 3 mô hình tại khu vực Bắc Trung Bộ ngà y 01/10/2010

Ngày 01/10/2010 trong khi lƣơ ̣ng mƣa củ a khu vƣ̣c Bắc Trung Bô ̣ tăng lên phổ biến tƣ̀ 15-60mm/24h thì mô hình WRFNMM lại cho thấy dƣ̣ báo thiên thấp của nó chỉ chính xác với lƣợng mƣa thấp , khi lƣơ ̣ng mƣa tăng lên thì dƣ̣ báo hu ̣t vớ i quan trắc. Mô hình HRM vẫn cho kết quả là khả quan nh ất với dự báo lƣợ ng mƣa tƣơng đối trù ng vớ i quan trắc trên cả khu vƣ̣c và đă ̣c biê ̣t là tâm mƣa tƣơng đối sát . Mô hình WRFARW cho kết quả dƣ̣ báo hu ̣t so vớ i quan trắc và không bắt đƣơ ̣c tâm mƣa.

Hình 3.18 Lượng mưa tích lũy 24h của quan trắ c và 3 mô hình tại khu vực Bắc Trung Bộ ngà y 02/10/2010

Ngày 02/10/2010 cả 3 mô hình đều bắt đƣơ ̣c tâm mƣa tƣơng đối chính xác ,

mô hình HRM vẫn cho kết quả tốt nhất, 2 mô hình còn la ̣i cho kết quả dƣ̣ báo hu ̣t hơn so vớ i quan trắc.

Hình 3.19 Lượng mưa tích lũy 24h của quan trắ c và 3 mô hình tại khu vực Bắc Trung Bộ ngà y 04/10/2010

Ngày 04/10/2010 trên hình vẽ ta thấy , 2 mô hình HRM và WRFARW dƣ̣ báo tƣơng đối tốt tâm mƣa , tuy nhiên WRFARW cho dƣ̣ báo hu ̣t so vớ i quan trắc , mô hình HRM cho kết quả tốt so vớ i 2 mô hình còn la ̣i trên toàn bô ̣ khu vƣ̣c . Mô hình WRFNMM không dƣ̣ báo tốt khu vƣ̣c tâm mƣa nhƣng vẫn cho kết quả dƣ̣ báo tốt

tại các khu vực mƣa thấp.

KẾT LUẬN

Sau khi tiến hành các đánh giá định lƣợ ng, các đánh giá theo n gƣỡng mƣa,

tác giả đã rút ra một số kết luận nhƣ sau:

+ Tính trung bình cả chuỗi số liê ̣u thì mô hình HRM cho dƣ̣ báo tốt hơn 2 mô hình còn lại và có lƣợng mƣa dƣ̣ báo tƣơng đối chính xác trên cả bốn khu vƣ̣c . Vớ i hạn dự báo dài thì mô hình này cho kết quả dự báo kém dần theo thời gian và với

cƣờ ng đô ̣ mƣa càng lớ n thì sai số củ a mô hình càng tăng . Mô hình HRM cho dƣ̣ báo tốt hơn 2 mô hình còn la ̣i vớ i các cƣờ ng đô ̣ mƣa và khu vƣ̣c mƣa khác nhau:

- Vớ i cƣờ ng đô ̣ mƣa 16-30mm/24h mô hình dƣ̣ báo tốt ở khu vƣ̣c Nam Trung

Bô ̣ và Tây Nguyên.

- Với cƣờng độ mƣa 30-50mm/24h mô hình dƣ̣ báo tốt ở khu vƣ̣c Bắ c Trung

Bộ và Trung Trung Bộ

- Vớ i cƣờ ng đô ̣ mƣa trên 100mm/24h mô hình dƣ̣ báo tốt ở cả 4 khu vƣ̣c

+ Tính trung bình cả chuỗi số liệu , mô hình WRFARW tuy không dƣ̣ báo tốt bằng mô hình HRM nhƣng với lƣợ ng mƣa tƣ̀ 50-100mm/24h thì mô hình này lại cho kết quả là tố t nhất khi so sánh cả 3 mô hình vớ i nhau. Mô hình WRFARW cũng cho kết quả dƣ̣ báo kém dần khi ha ̣n dƣ̣ báo tăng và cƣờ ng đô ̣ mƣa tăng . Tại 4 khu vƣ̣c đánh giá thì mô hình WRFARW dƣ̣ báo tốt hơn 2 mô hình còn lại với cƣờng độ mƣa khác nhau:

- Vớ i cƣờ ng đô ̣ mƣa tƣ̀ 30-50mm/24h mô hình dƣ̣ báo tốt ở khu vƣ̣c Nam

Trung Bô ̣ và Tây Nguyên.

- Vớ i cƣờ ng đô ̣ mƣa tƣ̀ 50-70mm/24h mô hình dƣ̣ báo tốt cả 4 khu vƣ̣c.

+ Mô hình WRFNMM luôn dƣ̣ báo hụt cho cả chuỗi số liệu tƣ̀ 2008-2010 tuy 2 mô hình cò n la ̣i vớ i cƣờ ng đô ̣

nhiên la ̣i cho kết quả dƣ̣ báo mƣa tốt nhất so vớ i mƣa tƣ̀ 10-30mm/24h. Mô hình WRFNMM cũng cho kết quả dƣ̣ báo kém dần khi

hạn dự báo tăng và cƣờng độ m ƣa tăng. Vớ i cƣờ ng đô ̣ 10-30mm/24h mô hình dƣ̣ báo tốt tại khu vực Bắc Trung Bộ, Trung Trung Bô ̣ và Nam Trung Bô ̣.

Trong hƣớng nghiên cứu tiếp theo, tác giả mong muốn thực hiện đánh giá

các mô hình đang chạy nghiệp vụ ở Việt Nam cho tất cả các yếu tố khí tƣợng cùng

không đơn thuần là tra ̣m khí tƣơ ̣ng tru yền

bô ̣ số liê ̣u củ a các tra ̣m quan trắc chƣ́ thố ng để có kết quả tố t hơn.

TÀI LIỆU THAM KHẢO

Tiếng Viê ̣t

1. Phạm Vũ Anh (2006), “Tập bài giảng khí tƣợng Synôp nâng cao”.

2. Dƣơng Liên Châu (2007), Xây dựng hệ thống chỉ tiêu đánh giá chất lƣợng

dự báo Khí tƣợng Thủy văn, Trung tâm Khí tƣợng Thủy văn Quốc Gia, Hà

Nội.

3. Hoàng Đức Cƣờng và ccs (2008), “Nghiên cƣ́ u thƣ̉ nghiê ̣m dƣ̣ báo mƣa lớ n

ở Việt Nam bằng mô hình MM 5”, Viện Khoa học Khí tƣợng Thủy văn và

Môi trƣờng

4. Phan Tất Đắc, Phạm Ngọc Toàn, (1993): Khí hậu Việt Nam. Nhà xuất bản

khoa học và kỹ thuật, Hà Nội.

5. Phạm Thị Tuyết Mây (2012), “Đánh giá kết quả dự báo nhiệt độ và lƣợng

mƣa của một số mô hình dự báo thời tiết cho khu vực Việt Nam”, Luận văn

thạc sĩ Khí Tƣợng, trƣờng Đại học Khoa học Tự nhiên, Đại học quốc gia Hà

Nội, Hà Nội.

6. Trần Công Minh (2001), Khí tƣợng Synop, NXB ĐHQG, Hà Nội.

7. Trần Quang Năng (2009), “Đánh giá sai số hê ̣ thống dƣ̣ báo mƣa củ a mô

hình HRM cho khu vƣ̣c Đông Bắc Bô ̣” , Luận văn thạc sĩ Khí Tƣợng, trƣờng

Đại học Khoa học Tự nhiên, Đại học quốc gia Hà Nội, Hà Nội.

8. Vũ Anh Tuấn, Nguyễn Văn Hƣởng, Bùi Minh Tăng, Võ Văn Hòa, Nghiên

cứu phân loại và xác định loại hình thế thời tiết gây mƣa lớn trên khu vực

miền Trung và Tây Nguyên Việt Nam, Hội thảo Khoa học Quốc gia về Khí

tƣợng Thủy văn, Môi trƣờng và Biến đổi Khí hậu.

Tiếng Anh

9. Barbara G. Brown, Gregory Thompson, Roelof T. Bruintjes, Randy

Bullock and Tressa Kane. Intercomparison of In-Flight Icing Algorithms.

Part II: Statistical Veriﬁcation Results.

10. Cluva. Assessing vulnerability of urban systems, populations and goods in

relation to natural and man-made disasters in Africa.

11. Ebert, E.E. and W.A. Gallus, 2009: Toward better understanding of the

contiguous rain area (CRA) verification method. Wea. Forecasting, 24, 1401-

1415.

12. Beth Ebert (2002), “Verification of Precipitation Forecasts”, WWRP

international Conference on Quantitative Precipitation Forecasting, UK.

13. Beth Ebert. CRA (entity-based) verification.

14. M. Goeber, S.F . Milton, C.A. Wilson. WGNE assessment of Quantitative

Precipitation Forecasts from Operational Numerical Weather Prediction

Models over the U.K.

15. Masayuki Hirai, Takuya Sakashita. Verification of Quantitative

Precipitation Forecast from Operational Numerical Weather Prediction

Models over Japan (WGNE precipitation forecast intercomparison project).

16. Ian T. Jolliffe and David B. Stephenson. Forecast Verification A

Practitioner‟s Guide in Atmospheric Science.

17. P. Katsafados, A. Papadopoulos and E. Mavromatidis. Statistical

evaluation of real-time WRF predictions across the Mediterranean region.

18. Silas Michaelides (2008), Precipitation: Advances in Measurement,

Estimation and Prediction, Springer, 504, ISBN 3540776540,

9783540776543

19. A. Papadopoulos and P. Katsafados. Evaluation of two Operational

Weather Forecasting Systems for the Mediterranean Region.

20. Henry R. Stanski, Laurence J. Wilson, William R. Burrows. Survey of

common verification methods in meteorology.

21. N. Tartaglione1, S. Mariani, C. Accadia, A. Speranza and M. Casaioli.

Comparison of rain gauge observations with modeled precipitation over

Cyprus using Contiguous Rain Area analysis.

22. Nazario Tartaglione1, Stefano Mariani, Marco Casaioli, Christophe

Accadia, Stefano Federico. Displacement errors of quantitative precipitation

forecasts over the Calabria region the Calabria region.

23. WMO (October 2008). Recommendations for the verification and

intercomparison of QPFS and PQPFS from operational NWP models.

Revision 2.

PHỤ LỤC

Phụ lục 1: Chỉ số ETS theo hạn dự báo và cƣờng độ mƣa của từng khu vực

Chỉ số ETS của các đợt mƣa lớn khu vực

miền Trung và Tây Nguyên năm 2008

đến 2010 vớ i ha ̣n dƣ̣ báo 24h, 48h, 72h.

30/9-05/10/2010 khu vƣ ̣c Bắ c Phụ lục 2: Mô ̣t số hình vẽ về đơ ̣t mƣa

Trung Bô ̣ củ a 3 mô hình.

Phụ lục 3: Bảng thống kê tại từng khu vực và cƣờng độ mƣa khác nhau

nên ƣu tiên mô hình nào để dƣ ̣ bá o mƣa tƣ̀ số liê ̣u năm 2008 đến năm 2010.

Cƣờ ng đô ̣ mƣa (mm/24h) Khu vƣ̣c Mô Hình 16-30 30-50 50-70 70-100 ≥100

HRM x x Bắc

Trung WRFARW x x

Bô ̣ WRENMM x

HRM x x Trung

Trung WRFARW x x

Bô ̣ WRENMM x

HRM x x Nam

Trung WRFARW x x x

Bô ̣ WRENMM x

HRM x x Tây WRFARW x x x Nguyên

WRENMM