Luận văn Thạc sĩ Khoa học: Đánh giá kết quả dự báo nhiệt độ và lượng mưa của một số mô hình dự báo thời tiết cho khu vực Việt Nam

Chia sẻ: Na Na | Ngày: | Loại File: PDF | Số trang:84

Thêm vào BST

Báo xấu

132
lượt xem 22
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Ngoài phần Mở đầu, Kết luận và Tài liệu tham khảo, luận văn được bố cục cụ thể như sau: Chương 1 - Tổng quan về bài toán đánh giá dự báo trong khí tượng và các chỉ số đánh giá, Chương 2 - Khái quát về các mô hình dự báo thời tiết số HRM, MM5 và nguồn số liệu sử dụng, Chương 3 - Kết quả đánh giá nhiệt độ và lượng mưa của mô hình MM5 và HRM cho khu vực Việt Nam.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn Thạc sĩ Khoa học: Đánh giá kết quả dự báo nhiệt độ và lượng mưa của một số mô hình dự báo thời tiết cho khu vực Việt Nam

TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN ----------o0o---------- PHẠM THỊ TUYẾT MÂY 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 SỸ KHOA HỌC HÀ NỘI, 2012
TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN -----------o0o----------- PHẠM THỊ TUYẾT MÂY 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 Chuyên ngành : Khí tƣợng và Khí hậu học Mã số : 60 44 87 LUẬN VĂN THẠC SỸ KHOA HỌC NGƢỜI HƢỚNG DẪN KHOA HỌC: TS. VŨ THANH HẰNG HÀ NỘI, 2012 ii
MỤC LỤC MỤC LỤC ....................................................................................................................... 1 CHƢƠNG 1. TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG KHÍ TƢỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ ........................................................................ 6 1.1. Bài toán đánh giá dự báo trong khí tƣợng ............................................................ 6 1.1.1. Mục đích và ý nghĩa của bài toán đánh giá .................................................. 6 1.1.2. Mô hình chung cho đánh giá dự báo các yếu tố thời tiết ............................. 7 1.1.3. Sơ lược về tiêu chuẩn đánh giá ................................................................... 10 1.1.4. Các loại yếu tố dự báo ................................................................................ 11 1.1.5. Các thuộc tính của một dự báo tốt .............................................................. 12 1.2. Một số phƣơng pháp và chỉ số đánh giá phổ biến .............................................. 14 1.2.1. Sơ đồ chung đánh giá sản phẩm mô hình dự báo thời tiết số ..................... 14 1.2.2. Phương pháp đánh giá đối với biến liên tục ............................................... 17 1.2.3. Phương pháp đánh giá đối với dự báo pha ................................................ 21 1.3. Cơ sở lý thuyết của phƣơng pháp đánh giá fuzzy .............................................. 24 1.4. Tình hình nghiên cứu chung liên quan đến đề tài trên thế giới và tại Việt Nam33 CHƢƠNG 2. KHÁI QUÁT VỀ CÁC MÔ HÌNH DỰ BÁO THỜI TIẾT SỐ HRM, MM5 VÀ NGUỒN SỐ LIỆU SỬ DỤNG ..................................................................... 36 2.1. Giới thiệu về mô hình MM5 .............................................................................. 36 2.1.1. Giới thiệu mô hình ...................................................................................... 36 2.1.2. Cấu trúc mô hình ........................................................................................ 36 2.1.3. Hệ các phương trình thủy nhiệt động lực của MM5 ................................... 37 2.1.4. Điều kiện biên ............................................................................................. 37 2.1.5. Các quá trình tham số hóa .......................................................................... 38 2.2. Giới thiệu về mô hình HRM .............................................................................. 40 2.2.1. Giới thiệu mô hình ...................................................................................... 40 2.2.2. Cấu trúc lưới và phương pháp số ............................................................... 40 2.2.3. Hệ các phương trình cơ bản ....................................................................... 40 2.2.4. Các quá trình tham số hóa vật lý ................................................................ 41 2.3. Số liệu ................................................................................................................. 42 CHƢƠNG 3. KẾT QUẢ ĐÁNH GIÁ NHIỆT ĐỘ VÀ LƢỢNG MƢA CỦA MÔ HÌNH MM5 VÀ HRM CHO KHU VỰC VIỆT NAM ................................................. 45 3.1. Kết quả đánh giá nhiệt độ................................................................................... 45 3.2. Kết quả đánh giá lƣợng mƣa .............................................................................. 51 3.3. Kết quả thử nghiệm đánh giá mƣa bằng phƣơng pháp fuzzy ............................ 66 3.3.1. Kết quả thử nghiệm với chuỗi số liệu mẫu ................................................. 66 3.3.2. Thử nghiệm đánh giá kết quả dự báo mưa bằng phương pháp fuzzy cho Việt Nam................................................................................................................ 71 3.3.2.1. Thử nghiệm đánh giá cho dự báo mưa do bão gây ra ............................ 71 3.3.2.2. Thử nghiệm đánh giá cho dự báo mưa do không khí lạnh gây ra .......... 75 KẾT LUẬN ................................................................................................................... 79 TÀI LIỆU THAM KHẢO ............................................................................................. 81 Tiếng Việt: ................................................................................................................. 81 Tiếng Anh: ................................................................................................................. 81 1
DANH MỤC HÌNH VẼ Hình 1.1. Sơ đồ chung cho đánh giá các yếu tố thời tiết ................................................. 8 Hình 1.2. Sơ (NWP) .......... 16 Hình 1.3 . Toán đồ tụ điểm cho dự báo gió biển. Bên trái là trƣờng hợp dự báo 00 giờ, bên phải là trƣờng hợp dự báo 36 giờ (số liệu lấy từ trạm phao) .................................. 17 Hình 1.4. Sơ đồ biểu diễn các chỉ số phục vụ đánh giá chất lƣợng dự báo mƣa .......... 21 Hình 1.5. a. Miền quan trắc; b. Đánh giá truyền thống (phải tƣơng thích cả về không gian và thời gian giữa dự báo và quan trắc); c. Đánh giá bằng phƣơng pháp fuzzy (vùng dự báo tính đến cả miền lân cận quanh điểm quan trắc). .................................... 24 Hình 1.6. Cửa sổ quan trắc và dự báo của phƣơng pháp đánh giá fuzzy ...................... 25 Hình 2.1. Sơ đồ lồng ghép hai miền tính cho MM5 ...................................................... 39 Hình 2.2. Các trạm quan trắc trong miền tính ............................................................... 43 Hình 3.1. Nhiệt độ trung bình trong các tháng mùa hè tại các trạm. a) HRM1; b) OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) ....................................................... 46 Hình 3.2. Nhiệt độ trung bình trong các tháng mùa đông tại các trạm. a) HRM1; b) OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) .............................................. 47 Hình 3.3. Sai số ME của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông (a) và mùa hè (b) ............................................................................................................ 48 Hình 3.4. Sai số MAE của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông (a) và mùa hè (b) ............................................................................................................ 49 Hình 3.5. Sai số RMSE của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông (a) và mùa hè (b) .................................................................................................. 50 Hình 3.6. Hệ số tƣơng quan nhiệt độ của các mô hình cho toàn Việt Nam (a) và các khu vực (b, c, d) ............................................................................................................. 51 Hình 3.7. Giá trị trung bình mƣa tích lũy 24 giờ trong các tháng mùa hè. a) HRM1; b) OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) .............................................. 52 Hình 3.8. Giá trị trung bình mƣa tích lũy 24 giờ trong các tháng mùa đông. a) HRM1; b) OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) .......................................... 53 Hình 3.9. Điểm số ME của mƣa cho toàn Việt Nam và các khu vực trong các tháng mùa đông (a) và mùa hè (b) ........................................................................................... 54 Hình 3.10. Điểm số MAE của mƣa cho toàn Việt Nam và các khu vực trong các tháng mùa đông (a) và mùa hè (b) ........................................................................................... 55 Hình 3.11. Chỉ số RMSE của mƣa cho Việt Nam và các khu vực trong mùa đông (a) và mùa hè (b) ................................................................................................................. 56 Hình 3.12. Hệ số tƣơng quan của mƣa của các mô hình cho Việt Nam (a) và các khu vực (b, c, d) .................................................................................................................... 58 Hình 3.13 . Chỉ số FBI cho Việt Nam và các khu vực trong thời kỳ mùa đông ........... 59 Hình 3.14. Chỉ số FBI cho Việt Nam và các khu vực trong thời kỳ mùa hè ................ 59 Hình 3.15. Chỉ số TS các khu vực theo các ngƣỡng mƣa trong mùa đông ................... 61 Hình 3.16. Chỉ số TS các khu vực theo các ngƣỡng mƣa trong mùa hè ....................... 62 Hình 3.17. Chỉ số POD các khu vực theo các ngƣỡng mƣa trong mùa đông ............... 63 Hình 3.18. Chỉ số POD các khu vực theo các ngƣỡng mƣa trong mùa hè .................... 63 Hình 3.19. Chỉ số TSS các khu vực theo các ngƣỡng mƣa trong mùa đông................. 64 Hình 3.20. Chỉ số TSS các khu vực theo các ngƣỡng mƣa trong mùa hè ..................... 65 Hình 3.21. Vùng mƣa thám sát (trái) và vùng mƣa dự báo 3h (phải) (mm/h) lúc 15h UTC ngày 29/5/1999 ..................................................................................................... 66 2
Hình 3.22. Kết quả đánh giá bằng phƣơng pháp fuzzy cho hạn dự báo 03 giờ ngày 29/5/1999 ....................................................................................................................... 68 Hình 3.23. Vùng mƣa thám sát (trái) và vùng mƣa dự báo mƣa tích lũy 24h (phải) (mm/ngày) ngày 6/7/2007 ............................................................................................. 71 Hình 3.24. Kết quả đánh giá bằng phƣơng pháp fuzzy cho dự báo mƣa 24 giờ ngày 06/7/2007 ....................................................................................................................... 72 Hình 3.25. Vùng mƣa thám sát (trái) và vùng mƣa dự báo 24h (phải) (mm/ngày) ngày 23/12/2007 (không khí lạnh) ......................................................................................... 75 Hình 3.26. Kết quả đánh giá bằng phƣơng pháp fuzzy cho hạn dự báo mƣa tích lũy 24 giờ ngày 23/12/2007 ...................................................................................................... 76 3
MỞ ĐẦU Nhƣ chúng ta đã biết, khí hậu nói chung và thời tiết nói riêng ảnh hƣởng đến mọi mặt đời sống kinh tế - xã hội của loài ngƣời. Vì vậy việc dự báo các yếu tố khí hậu cũng nhƣ thời tiết đang ngày càng quan trọng và cần thiết, trở thành mối quan tâm lớn của tất cả các quốc gia trên thế giới. Và giờ đây nó càng trở nên cấp bách hơn bao giờ hết khi ảnh hƣởng của các nƣớc trên thế giới trong đó Việt Nam cũng là một trong những quốc gia chịu ảnh hƣởng nặng nề của biến đổi khí hậu. s ở thử nghiệm nghiệp vụ hoặc nghiê văn Trung ƣơng, RAMS, HRM, WRF văn và , Trƣờng Khoa nhiên Môi . Mỗi mô hình số đều chứa đựng các sai số sinh ra do số liệu ban đầu, do các quá trình tham số hóa trong khí quyển chƣa đủ chính xác... , cần phải tìm ra đƣợc những điểm mạnh của mô hình để khai thác và sử dụng đồng thời chỉ ra những điểm yếu để tìm cách khắc phục, đem lại hiệu quả cao hơn cho công tác dự báo. Bên cạnh đó, kết quả đánh giá còn có thể cho biết về sai số hệ thống của mô hình, là cơ sở cho việc hiệu chỉnh mô hình cho tốt hơn. Chính vì vậy, vấn đề đánh giá định lƣợng sản phẩm của các mô hình số là rất cần thiết và có ý nghĩa khoa học. Bài toán đánh giá dự báo là đánh giá 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. Hơn nữa, kết quả đánh giá dự báo có thể đƣa ra những thông tin giúp các nhà quản lý quyết định có nên đầu tƣ cơ sở vật chất, trang thiết bị để phát triển mô hình hay không. và lƣợng mƣa và . Chính vì vậy, trong 4
khuôn khổ của luận văn tác giả tập trung vào việc đánh giá chất lƣợng dự báo 24h của nhiệt độ, lƣợng mƣa của hai mô hình dự báo thời tiết số đƣợc sử dụng phổ biến hiện nay ở Việt Nam là mô hình HRM và mô hình MM5. 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. Khái quát về các mô hình dự báo thời tiết số HRM, MM5 và nguồn số liệu sử dụng. Chƣơng 3. Kết quả đánh giá nhiệt độ và lƣợng mƣa của mô hình MM5 và HRM cho khu vực Việt Nam. 5
CHƢƠNG 1. TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG KHÍ TƢỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ 1.1. Bài toán đánh giá dự báo trong khí tƣợng 1.1.1. Mục đích và ý nghĩa của bài toán đánh giá 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. Có ba lý do quan trọng nhất để đánh giá dự báo là: - Kiểm tra chất lƣợng dự báo – dự báo chính xác đến đâu và sẽ đƣợc cải tiến ra sao. - Nâng cao chất lƣợng dự báo: Bƣớc đầu tiên để tiến tới dự báo tốt hơn là việc tìm ra cái gì mà ngƣời làm dự báo đang làm sai. - So sánh chất lƣợng của các hệ thống dự báo khác nhau – đến mức độ nào thì một hệ thống dự báo đƣợc cho là dự báo tốt hơn so với những hệ thống dự báo khác và bằng cách nào mà hệ thống dự báo đó đem lại kết quả tốt hơn nhƣ vậy. Các hoạt động đánh giá chỉ hữu ích khi chúng đƣa ra đƣợc các quyết định về sản phẩm dự báo đang đƣợc đánh giá. Quyết định đó sẽ làm phát sinh những thay đổi trong sản phẩm dự báo hoặc cách thức dự báo đƣợc thực hiện sau đó, hoặc quyết định đó xác nhận và khẳng định sản phẩm dự báo thỏa mãn cho các mục đích của ngƣời sử dụng và của xã hội. Các sản phẩm dự báo đƣợc phổ biến rộng rãi trong công chúng thì phải đƣợc viết đủ khách quan để ngƣời sử dụng có thể kiểm tra, còn các số liệu quan trắc khí quyển thực tế phải đƣợc thể hiện một cách chính xác những gì diễn ra trong thực tế. Hơn nữa, một vài phƣơng pháp đánh giá còn đòi hỏi quan trắc tại một điểm cũng có thể đại diện một cách đầy đủ và khách quan các hiện tƣợng thời tiết xảy ra trong một khu vực. Chính tính cấp thiết trong các hoạt động đánh giá chất lƣợng dự báo thời tiết cho thấy mục đích đánh giá phải đƣợc thiết lập trƣớc khi hệ thống đánh giá 6
đƣợc xác lập. Từ đây các hoạt động đánh giá trong khí tƣợng cũng nhƣ trong các hoạt động dự báo thời tiết có thể đƣợc phân chia thành hai mục đích chính là đánh giá hành chính và đánh giá khoa học. Mục đích hành chính: Các thông tin đánh giá trong mục đích quản lý hành chính nhằm cung cấp thông tin cho việc mua sắm các trang thiết bị chính nhƣ các máy tính có cấu hình cao hơn, tốc độ xử lý nhanh hơn,… Xác định khi nào, hoặc có nên thay thế một sản phẩm đang đƣợc sử dụng bằng một sản phẩm dự báo mới hay không, và còn nhiều các quyết định khác để phát triển tối ƣu nguồn lực về con ngƣời cũng nhƣ các nguồn trang thiết bị khác phục vụ cho công tác phát hành một bản tin dự báo thời tiết. Mục đích khoa học: Đánh giá với mục đích khoa học là xác định một cách đầy đủ và chi tiết ƣu điểm cũng nhƣ nhƣợc điểm của một sản phẩm dự báo. Các hoạt động này giúp tìm ra các biện pháp thích hợp để cải thiện chất lƣợng dự báo phục vụ cũng nhƣ cung cấp các thông tin để hoạch định phƣơng hƣớng cho việc nghiên cứu và phát triển tiếp theo. Ngoài ra một số tác giả khác còn xét đến mục đích kinh tế nhƣng đó là vấn đề rất phức tạp nên trong giới hạn luận văn này không đƣợc đề cập đến. 1.1.2. Mô hình chung cho đánh giá dự báo các yếu tố thời tiết Hình 1.1 là một kiểu mô hình chung nhất để đánh giá dự báo các yếu tố thời tiết, ngoài ra có thể có các mô hình đánh giá khác nữa. Tuy nhiên đây là mô hình cho thấy bức tranh chi tiết nhất về quan hệ giữa đặc trƣng của phép đánh giá các đại lƣợng đo và các giải pháp khác nhau để có thể lựa chọn. Sơ đồ này sử dụng cho việc quyết định các bƣớc cần thiết phải đƣợc làm trƣớc khi lựa chọn các phƣơng pháp đánh giá cụ thể. Tất cả các phƣơng pháp đánh giá đều bắt đầu từ việc tập hợp các tập số liệu quan trắc và dự báo (hình bình hành ở trên cùng trong Hình 1.1). Bƣớc tiếp theo là xử lý số liệu, bƣớc này phụ thuộc vào việc quyết định của ngƣời sử dụng (hình thoi trong sơ đồ). Quan trọng nhất là việc quyết định của ngƣời sử dụng lựa chọn mục đích đánh giá hành chính hay khoa học nhƣ đã nêu ở trên. Khi mục đích đánh giá đã đƣợc xác định, tiến hành phân loại các tập số liệu mẫu theo mục đích đã định trƣớc. Phân loại nghĩa là chia nhỏ các phần tử trong tập mẫu ra thành hai hay nhiều nhóm theo một nguyên tắc đã định sẵn, sau đó thực hiện đánh giá cho từng nhóm một cách riêng biệt. Trên Hình 1.1 đã chỉ 7
ra hai kiểu phân loại là “Phân loại ngoại bộ” và “Phân loại nội bộ”. Phân loại ngoại bộ là kiểu phân loại mà nguyên tắc lựa chọn độc lập đối với các yếu tố đang cần đƣợc đánh giá. Kiểu phân loại ngoại bộ phổ biến nhất là cho phép xác định các biến đổi trong đánh giá theo thời gian trong ngày hoặc theo mùa. Phân loại ngoại bộ có thể tiến hành ở bất cứ thời điểm nào trong quá trình trƣớc khi tính toán các đánh giá thống kê thực tế, và có thể đƣợc làm cho cả mục đích hành chính hay mục đích khoa học. Các tập số liệu dùng để đánh giá Mục đích Quản lý khoa học hành chính Phân loại Phân loại ngoại bộ ngoại bộ Phân loại Phân loại nội bộ theo nội bộ theo quan trắc dự báo Phân loại nội bộ theo dự báo Biến pha Biến liên tục Biến pha Biến liên tục Biến pha Biến liên tục Bảng liên hợp Đồ thị điểm Bảng liên hợp Đồ thị điểm Sai số trung bình tuyệt đối Điểm Berier RPS Sai số bình phƣơng trung bình Nguyên lý phát Bảng độ tin cậy hiện Độ giảm phƣơng sai tín hiệu Điểm kỹ năng Brier Hệ số phân tán Độ lệch (BIAS) Hình 1.1. Sơ đồ chung cho đánh giá các yếu tố thời tiết 8
Xuất phát từ các câu hỏi đặt ra đối với đánh giá khoa học thấy rằng, cần có một nhu cầu phân loại cao hơn đối với tập mẫu. Chẳng hạn nhƣ, nếu ta quan tâm đến dự báo cực trị thì tập mẫu sẽ phải đƣợc phân nhóm để tách các giá trị cực trị đó ra từ chuỗi các sự kiện chung. Kiểu phân nhóm này đƣợc gọi là “phân loại nội bộ” bởi vì nguyên tắc phân loại đƣợc quyết định bởi mục đích đánh giá và sử dụng chính yếu tố đang đƣợc đánh giá. Có hai cách để thực hiện phân loại nội bộ, trên Hình 1.1 cho thấy sự khác nhau trong kết quả đánh giá thu đƣợc từ hai cách phân loại đó. Phân loại theo quan trắc nghĩa là phân loại theo giá trị của các yếu tố khí tƣợng quan trắc đƣợc. Sau đó, các tiêu chuẩn 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. Một ví dụ cho phân bố có điều kiện của dự báo là một giá trị đặc biệt hay một phạm vi các giá trị quan trắc. Phân loại theo dự báo nghĩa là phân loại theo giá trị của các yếu tố khí tƣợng đƣợc dự báo. Cũng tƣơng tự nhƣ trên, các giá trị thống kê đƣợc tính toán theo cách phân loại này đƣợc gọi là điều kiện dự báo. Việc lựa chọn kiểu phân loại phụ thuộc vào mục đích đánh giá. Trong nhiều trƣờng hợp cần phải sử dụng kết hợp cả hai cách phân loại trên để đƣa ra một kết quả hoàn chỉnh. Hơn nữa, nhƣ đã thấy ở sơ đồ trên, những đại lƣợng đánh giá khác nhau (hình ô van bên dưới) đặc trƣng cho một kiểu phân nhóm khác và đƣa ra nhiều thông tin khác nhau về sản phẩm. Một cách khác, trong đánh giá hành chính, ngƣời ta ít quan tâm chi tiết đến việc biểu diễn những biến theo các giá trị khác nhau trong dự báo. Mà thay vào đó, các câu hỏi đặt ra đều mang tính chung chung và chỉ cần một câu trả lời ngắn gọn xúc tích nào đó. Vì vậy, phân loại nội bộ có thể vẫn đƣợc thực hiện nhƣng nó hiếm khi đƣợc dùng đến. Tuy nhiên, ƣu điểm lớn của đánh giá hành chính là biểu diễn chất lƣợng sản phẩm chỉ bằng vài con số hoặc việc so sánh thuận tiện hay hƣớng xác minh dễ dàng. Bản chất chung của đánh giá hành chính có mối liên hệ mật thiết với các quy tắc điểm số tổng kết đƣợc chỉ ra ở Hình 1.1. Đôi khi việc tóm tắt cũng trở nên khó khăn khi phải cố gắng tổng kết tất cả các thông tin về chất lƣợng sản phẩm chỉ trong một điểm số để cung cấp cho nhà quản lý. Nhu cầu tóm tắt thông tin đánh giá chỉ bằng một con số gây ra một áp lực lớn cho việc thiết kế hệ thống đánh giá để đảm bảo đƣợc rằng: - Điểm số đƣợc lựa chọn theo yêu cầu là đáng tin cậy; 9
- Các sự kiện hợp thành đều đƣợc xem xét công bằng nhƣ nhau trong các điểm số; Hạn chế chung của bản tổng kết đánh giá này là tất cả các sự kiện đều đƣợc xem là nhƣ nhau trong quá trình trung bình hóa. Điều này làm cho việc thực hiện thuận tiện hơn (việc tính toán sẽ đơn giản hơn khi sử dụng đại lƣợng trung bình), nhƣng cũng vì thế mà rất khó để có thể tìm đƣợc một hàm trọng số chính xác và phản ánh đủ khách quan cho các sự kiện hợp thành của mục đích sử dụng mà không có bất kỳ trở ngại nào đối với các thuộc tính của điểm số. Làm thế nào để đƣa ra các hàm trọng số của các sự kiện hợp thành trong đánh giá tổng hợp vẫn còn là vấn đề chƣa giải quyết đƣợc. Trƣớc đây, các điểm số đánh giá đã đƣợc đánh giá quá cao. Vì thế các dự báo viên sớm thất vọng khi phải cố gắng sử dụng chúng để trả lời các câu hỏi về các vấn đề mang tính chất khoa học. Tính chất của việc đánh giá tổng kết đó hạn chế việc sử dụng trong mục đích khoa học bởi thiếu sự phân loại đánh giá bằng những điều kiện cho trƣớc. Ví dụ, điểm số tổng kết không thể nói mƣa dự báo tốt nhƣ thế nào trong các trƣờng hợp ngƣỡng thấp mà chỉ có thể nói mƣa đƣợc dự báo tốt nhƣ thế nào một cách chung chung. Không thể nói, dƣới điều kiện nào mô hình phần tử hữu hạn khu vực RFE (Regional Finite Element model) tốt hơn mô hình phổ, chỉ có thể nói rằng mô hình RFE tốt hơn hoặc xấu hơn một chút so với mô hình phổ. 1.1.3. Sơ lược về tiêu chuẩn đánh giá Các điểm số dùng trong đánh giá đƣợc minh họa theo từng cặp ở phía dƣới Hình 1.1 cho thấy mối quan hệ giữa chúng. Ví dụ, bảng liên hợp và đồ thị điểm là hoàn toàn tƣơng tự nhau, chúng cung cấp các dạng thông tin nhƣ nhau, bảng liên hợp xuất phát từ yếu tố dự báo pha cùng đồ thị điểm xuất phát từ biến dự báo liên tục. Điểm tổng kết luôn đƣợc phân loại theo cách này: Điểm Brier và điểm RP đều đo chính xác các đặc tính của khả năng xảy ra hay biến pha, chúng tƣơng tự sai số bình phƣơng trung bình của dự báo theo biến liên tục. Chú ý rằng dự báo pha không tƣơng tự nhƣ sai số trung bình tuyệt đối. Có hai loại đại lƣợng đo đƣợc phân loại tƣơng ứng theo dự báo và quan trắc là “Bảng độ tin cậy” và “Nguyên lý phát hiện tín hiệu”. Trong khi đó bảng liên hợp và đồ thị điểm lại tổng quát hơn, cho phép phân loại theo một trong hai cách hoặc theo cả hai cách. Nguyên lý phát hiện tín hiệu là một ý tƣởng mới mẻ và hiện nay chƣa đƣợc sử dụng rộng rãi. 10
Các điểm số liệt kê trên Hình 1.1 gồm 3 loại, đó là: điểm số tuyến tính, điểm số toàn phƣơng (bậc hai) và điểm số kỹ năng. Điểm số toàn phƣơng đƣa ra trọng lƣợng của sai số theo bình phƣơng của chúng trong khi điểm số tuyến tính cho 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 phù hợp trong các trƣờng hợp sai số lớn thực sự nghiêm trọng hơn sai số nhỏ. Điểm số kỹ năng đƣợc xây dựng để đánh giá mối quan hệ giữa 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: chuẫn ngẫu nhiên, chuẩn quán tính và chuẩn khí hậu. Tính 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, còn chuẩn khí hậu là một dự báo trạng thái thời tiết diễn ra trong khoảng thời gian dài và cần phải có sự hiểu biết về tiến trình lịch sử của thời tiết. Điểm số kỹ năng đƣợc biểu diễn trong công thức sau: SC ST SS PS ST trong đó SC là điểm có đƣợc từ dự báo, ST là điểm đạt đƣợc từ dự báo chuẩn và PS là điểm từ dự báo hoàn hảo. Điểm số kỹ năng có thể đƣợc hình thành từ việc sử dụng bất kỳ một trong các điểm số. 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 xuyên 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. 1.1.4. Các loại yếu tố dự báo Sau khi giải quyết xong những vấn đề về phân loại và những yêu cầu của một mô hình đánh giá đã đặt ra cần lựa chọn một phƣơng pháp thích hợp để đáp ứng các yêu cầu đó. Hình chữ nhật trên Hình 1.1 đƣa ra gợi ý cho cách lựa chọn phù hợp tùy thuộc vào bản chất dự báo đƣợc đánh giá. Phụ thuộc vào mục đích đánh giá ngƣời ta chia ra thành hai dạng dự báo là: Dự báo các đại lƣợng liên tục 11
và dự báo pha. * Yếu tố dự báo liên tục: Là các yếu tố đƣợc dự báo tại một giá trị nhất định hoặc trong một khoảng giá trị nào đó. Trong số các yếu tố thời tiết thì nhiệt độ, áp suất, và gió là 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. Chẳng hạn nhƣ xét sự xuất hiện của giáng thủy (có hoặc không), hoặc xét dạng giáng thủy (băng, tuyết, nƣớc). Một số yếu tố có thể đƣợc dự báo liên tục hoặc dự báo pha tùy thuộc vào yêu cầu của ngƣời sử dụng trong quá trình làm dự báo. Tuy nhiên khi một dự báo mà cho kết quả biến thiên liên tục thì phải đƣợc đánh giá theo pha bởi vì tất cả những thông tin đó rất cần thiết cho ngƣời sử dụng. * Dự báo xác suất đƣợc xem nhƣ là dự báo pha nhƣng tổng quát hơn. Trong đó, mỗi pha đƣợc gán bằng một xác suất xảy ra và tổng tất cả xác suất phải bằng 1 (tức là một cái gì đó phải xảy ra). Dự báo pha là một dự báo xác suất thu hẹp, ở đây xác suất chỉ có hai trƣờng hợp xảy ra hoặc là 0% hoặc là 100% và hiển nhiên là một trong hai trƣờng hợp ấy chắc chắn sẽ xảy ra. 1.1.5. Các thuộc tính của một dự báo tốt Do tính chất phức tạp của bài toán đánh giá, việc lựa chọn, sử dụng những chỉ số nào để phản ánh đƣợc tất cả các khía cạnh là vấn đề khó khăn. Chẳng hạn, khi nói về đánh giá chất lƣợng dự báo (có thể là của một mô hình) Murphy (1993) đã đƣa ra 3 khái niệm để chỉ mức độ “tốt” của một dự báo là: 1) Độ chắc chắn (Consistency) của dự báo là mức độ phù hợp giữa dự báo và kiến thức hiểu biết của dự báo viên; 2) Chất lƣợng dự báo (Quality) là mức độ phù hợp giữa dự báo với thực tế xảy ra; 3) Ý nghĩa (hay giá trị - Value) của dự báo là mức độ mà dự báo có thể giúp cho ngƣời ra quyết định thấy rõ hoặc đạt đƣợc lợi ích nào đó về kinh tế hoặc lợi ích khác. Cũng theo Murphy (1993), đã đƣa ra 9 khái niệm đƣợc gọi là 9 thuộc tính đóng góp cho độ chắc chắn của dự báo nhƣ sau: - Độ lệch (Bias): Là mức độ phù hợp giữa trung bình quan trắc và trung 12
bình dự báo. - Tính liên kết (Association): Là mức độ chặt chẽ về quan hệ tuyến tính giữa dự báo và quan trắc(chẳng hạn, hệ số tƣơng quan là thƣớc đo mối quan hệ tuyến tính này). - Độ chính xác (Accuracy): dự báo và thực tế ( ) .K . - Kỹ năng dự báo (Skill): một dự báo tham chiếu nào đó. Dự báo tham chiếu nói chung là dự báo không có kỹ năng, nhƣ dự báo ngẫu nhiên (may rủi), dự báo quán tính, hoặc dự báo khí hậu. Kỹ năng ám chỉ sự tăng lên của độ chính xác do hệ thống dự báo “thông minh”. - Độ tin cậy (Reliability): 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). 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 (conditional bias). 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. - Độ phân giải (Resolution): Là năng lực của dự báo có thể phân loại tập các sự kiện thành các tập con có phân bố tần suất khác nhau. Điều đó có nghĩa là phân bố nhận đƣợc khi “A” đƣợc dự báo khác với phân bố nhận đƣợc khi “B” đƣợc dự báo. Thậm chí nếu các dự báo là sai, hệ thống dự báo có độ phân giải nếu nó có thể phân chia một cách thành công phân bố của các dạng khác nhau. (Nói cách khác, có thể tách biệt đƣợc các trƣờng hợp dự báo thành những tập có cùng phân bố). - Độ nhọn (hay độ nhạy bén - Sharpness): 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); - Độ phân biệt (hay độ phân lớp - Discrimination): Là khả năng của dự 13
báo có thể tách biệt các quan trắc thành những trƣờng hợp có tần suất dự báo cao hơn, tức là có khả năng phân lớp. Là khả năng của dự báo có thể tách biệt các quan trắc thành những trƣờng hợp có tần suất dự báo cao hơn, tức là có khả năng phân lớp. - Độ biến động (hay tính không chắc chắn - Uncertainty): 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 khăn” của dự báo. Độ biến động càng lớn có nghĩa là sẽ có những dao động lớn với nhiều tần số khác nhau trong yếu tố dự báo đang đƣợc đánh giá và dĩ nhiên việc dự báo sẽ khó khăn hơn. Độ biến động của từng tập số liệu sẽ rất khác nhau và 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. Theo truyền thống thì đánh giá dự báo tập trung nhấn mạnh vào độ chính xác và kỹ năng dự báo. Nhƣng cũng cần lƣu ý rằng các thuộc tính khác của dự báo cũng ảnh hƣởng mạnh đến giá trị dự báo. 1.2. Một số phƣơng pháp và chỉ số đánh giá phổ biến 1.2.1. Sơ đồ chung đánh giá sản phẩm mô hình dự báo thời tiết số a. Những nguyên nhân gây sai số trong mô hình dự báo số Để ứng dụng đƣợc một mô hình khu vực hạn chế vào trong nghiệp vụ dự báo thời tiết đòi hỏi trƣớc hết là phải đánh giá đƣợc sai số dự báo của mô hình so với thực tế. Các nguyên nhân có thể đƣa đến dự báo sai của mô hình số có thể tóm tắt nhƣ sau: - Các công thức toán học để mô tả các quá trình vật lý xảy ra trong khí quyển là chƣa hoàn chỉnh; - Ảnh hƣởng của địa hình đến kết quả dự báo (thƣờng không đƣợc mô hình số mô tả hoàn chỉnh); - Các quá trình vật lý và các sơ đồ tham số hóa chƣa thật sự hoàn thiện; - Một số giả thiết không thực sự phù hợp đƣợc đƣa ra để có thể giải đƣợc hệ phƣơng trình thủy nhiệt động lực học mô tả khí quyển thực. - Điều kiện biên và điều kiện ban đầu của các biến khí tƣợng là chƣa hoàn 14
chỉnh và phụ thuộc khá nhiều vào địa hình. Các trạm thám sát thƣa thớt, đặc biệt là vùng nhiệt đới; - Các kết quả nhận đƣợc chứa đựng những sai số khi giải các công thức toán học bằng phƣơng pháp gần đúng, ... b. Nguyên lý chung cho việc đánh giá mô hình dự báo số Hình 1.2 Hình 1.1 số liệu quan trắc và bộ số liệu này phải tƣơng , số liệu quan trắc có thể sẽ đƣợc phân tích về lƣới dự báo hoặc phẩm . Trong trƣờng hợp này , điều quan trọng trong đánh giá mô hình là phải luôn ghi nhớ thủ tục kiểm tra lại số liệu quan trắc khi đánh giá kết quả. Để đánh giá một sản phẩm mô hình số có hiệu quả, yêu cầu đặt ra là những vấn đề quyết định cần giải quyết phải đƣợc làm cho mục đích đánh giá trƣớc khi một hệ thống đánh giá đƣợc thiết lập. “Đánh giá hành chính” trả lời câu hỏi về xu hƣớng trong kỹ năng và độ chính xác của mô hình và thƣờng đƣợc sử dụng để so sánh độ chính xác của hai mô hình khác nhau. Tƣơng tự nhƣ đánh giá các yếu tố thời tiết cho những mục đích hành chính, có một khuynh hƣớng nhằm giảm thiểu các kết quả chỉ bằng một vài con số thông qua việc sử dụng các điểm số tổng kết. “Đánh giá khoa học” diễn của mô hình để đƣa ra thông tin có thể phản hồi lại cho c front. Bộ số liệu đánh giá phải đƣợc sắp xếp cẩn thận theo các đặc trƣng đó, và điều này có thể đƣợc thực hiện theo một trong hai hƣớng đó là theo cơ sở của các đặc trƣng quan trắc hay theo cơ sở của các đặc trƣng dự báo. 15
“Phân loại ngoại bộ” ở đây có ý nghĩa là phân chia bộ số liệu đánh giá theo mùa hoặc theo thời gian chạy mô hình . Các tập số liệu dùng để đánh giá Mục đích Quản lý khoa học hành chính Phân loại ngoại bộ Phân loại theo không gian Phân loại nội bộ Sai số trung bình tuyệt đối Sai số bình phƣơng trung bình Sai số đƣờng đi Thẩm định trung tâm áp suất Điểm kỹ năng (Độ suy giảm phƣơng sai) Độ lệch trung tâm Các trƣờng hợp nghiên cứu Hệ số phân tán Lỗi hệ thống Độ lệch (BIAS) Tƣơng quan dị thƣờng Điểm số S1 Hình 1.2 (NWP) 16
. Khi phân loại theo không gian đƣợc tiến hành 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 địa hình đồi núi, các vùng núi khuất gió, bờ biển,… 1.2.2. Phương pháp đánh giá đối với biến liên tục 1.2.2.1. Phương pháp toán đồ tụ điểm Hệ số tƣơng quan = 0.595 Hệ số tƣơng quan = 0.789 Tốc độ gió mô hình PPR (kts) Tốc độ gió mô hình PPR (kts) Hình 1.3 . Toán đồ tụ điểm cho dự báo gió biển. Bên trái là trường hợp dự báo 00 giờ, bên phải là trường hợp dự báo 36 giờ (số liệu lấy từ trạm phao) Toán đồ tụ điểm là phƣơng pháp đơn giản nhất, chủ yếu phục vụ cho các biến liên tục nhƣ nhiệt độ và gió, thƣờng gồm tất cả các điểm số ứng với mỗi cặp dự báo – quan trắc tƣơng ứng trên cùng một đồ thị với tung độ và hoành độ có tỷ lệ nhƣ nhau. Trƣờng hợp lý tƣởng là các điểm số nằm trên một đƣờng thẳng đi qua gốc tọa độ và tạo với trục hoành một góc 450 (giá trị dự báo bằng giá trị quan trắc). Đƣờng 450 này thƣờng đƣợc vẽ ra để thuận tiện cho việc nội suy các điểm rời rạc. Hình 1.3 là một ví dụ về toán đồ tụ điểm cho dự báo gió biển. Mỗi điểm “x” đại diện cho ít nhất một lần xuất hiện của cặp dự báo – quan trắc riêng lẻ. Trên mỗi đồ thị còn có một đƣờng thẳng thứ hai mà có thể không đi qua gốc tọa độ, đó chính là đƣờng hồi quy bình phƣơng tối thiểu tƣơng ứng với tập số liệu 17
quan trắc. Nếu dự báo là hoàn hảo thì đƣờng hồi quy sẽ trùng với đƣờng 450. Sự phù hợp giữa đƣờng hồi quy và đƣờng 45 0 cho thấy chất lƣợng của dự báo. Chất lƣợng dự báo sẽ giảm đi nếu đƣờng hồi quy có khuynh hƣớng lệch theo chiều nằm ngang hơn. Nếu đƣờng hồi quy nằm ngang hoàn toàn thì khi đó quan trắc hoàn toàn độc lập với dự báo. Một đại lƣợng đánh giá khác có thể ƣớc lƣợng từ đồ thị điểm là sai số bình phƣơng hoặc độ lệch. Hình 1.3 chỉ ra một đồ thị điểm khác cho dự báo nhiệt độ khách quan (sản phẩm mô hình thống kê). Tập số liệu mẫu là 701 trƣờng hợp (số liệu này đƣợc lấy từ 11 trạm vùng Đại Tây Dƣơng - CASSP). Trong đồ thị này không thấy xuất hiện các dấu “x” nhƣ đồ thị trƣớc, thay vào đó là các con số. Các số trên đồ thị này biểu hiện số trƣờng hợp các cặp giá trị nhiệt độ quan trắc - dự báo tƣơng ứng với đồ thị điểm. Một đồ thị điểm mô tả phân loại cơ bản từ tất cả các trƣờng hợp đƣợc miêu tả riêng rẽ. Điều này cho phép cân nhắc một cách linh hoạt cho phân tích số liệu. Giả sử -200C và +100C đƣợc chọn nhƣ là ngƣỡng của nhiệt độ cực trị, giá trị này có thể nhận đƣợc từ phân tích trên đồ thị. Tất cả các điểm, ở đây nhiệt độ quan trắc nằm trong giới hạn của cực trị và không có nhiệt độ dự báo đƣợc gọi là miền các sự kiện dự báo sót (missed events) và tất cả các điểm ở đây giá trị dự báo nằm trong phạm vi cực trị và không quan trắc đƣợc gọi là miền báo động sai (false alarms). Miền các sự kiện dự báo sót và miền báo động sai có thể thấy trên đồ thị. Qua đồ thị có thể thấy, tất cả nhiệt độ có giá trị cao nhất đã bị bỏ sót (dự báo dƣới ngƣỡng) trong khi đó nhiệt độ thấp xảy ra ở cả hai miền các sự kiện dự báo sót và miền báo động sai. Phân loại trên cơ sở quan trắc chỉ cho phép nhận dạng miền các sự kiện dự báo sót (đƣờng ngang vẽ đậm ở các giá trị ngƣỡng). Phân loại trên cơ sở dự báo chỉ cho phép nhận dạng đƣợc miền báo động sai (đƣờng đứng vẽ đậm ở các giá trị ngƣỡng). Từ đây có thể thấy rằng điều quan trọng nhất là phải sử dụng cả hai kiểu phân loại để nhận đƣợc thông tin đầy đủ và hoàn hảo về một sản phẩm đang đƣợc đánh giá. Ví dụ những giá trị thấp nhất đã bị bỏ sót có thể lấy lại đƣợc đơn giản bằng cách tƣởng tƣợng di chuyển tất cả các điểm trên đồ thị đến bên trái giá trị ngƣỡng 100C, nhƣng cái giá phải trả cho việc hiệu chỉnh này là sự tăng lên đột ngột trong miền báo động sai. Điều này sẽ không nhìn thấy nếu 18