Luận văn Thạc sĩ Khoa học: Nghiên cứu đồng hóa số liệu vệ tinh trong mô hình WRF để dự báo mưa lớn ở khu vực Trung Bộ

Chia sẻ: Na Na | Ngày: | Loại File: PDF | Số trang:72

Thêm vào BST

Báo xấu

83
lượt xem 11
download

Luận văn Thạc sĩ Khoa học: Nghiên cứu đồng hóa số liệu vệ tinh trong mô hình WRF để dự báo mưa lớn ở khu vực Trung Bộ

Mô tả tài liệu

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Trong luận văn này, tác giả tiến hành tìm hiểu và áp dụng phương pháp đồng hóa 3DVAR cho mô hình WRF để đồng hóa dữ liệu vệ tinh nhằm góp phần nâng cao chất lượng dự báo mưa khu vực Trung Bộ. Bố cục luận văn gồm các chương: Chương 1 - Tổng quan về dự báo mưa bằng mô hình số trị và đồng hóa số liệu vệ tinh, Chương 2 - Đồng hóa số liệu vệ tinh trong mô hình WRF, Chương 3 - Kết quả ứng dụng đồng hoá số liệu vệ tinh trong mô hình WRF để dự báo mưa lớn ở khu vực Trung Bộ.

Chủ đề:

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

Lưu

Nội dung Text: Luận văn Thạc sĩ Khoa học: Nghiên cứu đồng hóa số liệu vệ tinh trong mô hình WRF để dự báo mưa lớn ở khu vực Trung Bộ

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN ---------------------- NGUYỄN THỊ THANH NGHIÊN CỨU ĐỒNG HOÁ SỐ LIỆU VỆ TINH TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ LUẬN VĂN THẠC SĨ KHOA HỌC Hà Nội-2010
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN ---------------------- NGUYỄN THỊ THANH NGHIÊN CỨU ĐỒNG HOÁ SỐ LIỆU VỆ TINH TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ Chuyên ngành: Khí tượng – khí hậu Mã số: 60.44.87 LUẬN VĂN THẠC SĨ KHOA HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS TRẦN TÂN TIẾN Hà Nội-2010 2
LỜI CẢM ƠN Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới GS. TS. Trần Tân Tiến, là người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này. Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy văn - Hải dương 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 ở Khoa. Tôi xin cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự nhiên đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn. Tôi cũng xin cảm ơn ban lãnh đạo Viện Khoa học Khí tượng Thủy văn và Môi trường, đặc biệt là ban lãnh đạo Trung tâm Nghiên cứu Biển và tương tác Biển – Khí quyển đã hết sức giúp đỡ tạo điều kiện giúp tôi hoàn thành luận văn. Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân và bạn bè, những người 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 trường. Nguyễn Thị Thanh 3
MỤC LỤC MỞ ĐẦU 5 CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO MƯA BẰNG 7 PHƯƠNG PHÁP SỐ TRỊ VÀ ĐỒNG HOÁ SỐ LIỆU VỆ TINH 1.1 Tổng quan về dự báo mưa bằng phương pháp số trị 7 1.2 Dữ liệu vệ tinh và sự cần thiết của dữ liệu vệ tinh trong dự báo 9 thời tiết 1.3 Những nghiên cứu trên thế giới và ở Việt Nam về đồng hoá số 18 liệu vệ tinh trong mô hình số trị CHƯƠNG 2: ĐỒNG HÓA SỐ LIỆU VỆ TINH TRONG MÔ 22 HÌNH WRF 2.1 Mô hình WRF 22 2.2 Vấn đề đồng hoá số liệu vệ tinh trong mô hình WRF 29 2.3 Đồng hoá dữ liệu vệ tinh MODIS trong mô hình WRF 39 2.4 Các chỉ tiêu đánh giá kết quả dự báo mưa 40 CHƯƠNG 3: KẾT QUẢ ĐỒNG HÓA SỐ LIỆU VỆ TINH 44 TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ 3.1 Nguồn số liệu 44 3.2 Cấu hình được lựa chọn 45 3.3 Kết quả dự báo mưa của một số trường hợp điển hình 46 3.4 Đánh giá kết quả dự báo các đợt mưa lớn ở khu vực Trung Bộ 62 trong hai năm 2007 - 2008 KẾT LUẬN 66 KIÊN NGHỊ 66 TÀI LIỆU THAM KHẢO 67 4
MỞ ĐẦU Hàng năm, ở Việt Nam, đặc biệt là khu vực Miền Trung, thiên tai có nguồn gốc mưa lớn như lũ lụt, lũ quét, sạt lở đất, ... gây thiệt hại vô cùng to lớn về người và tài sản. Bên cạnh đó, chúng còn gây ra rất nhiều vấn đề về xã hội, an ninh, quốc phòng. Mưa lớn ở khu vực Miền Trung thường xảy ra do ảnh hưởng của các hình thế thời tiết khác nhau như giải hội tụ nhiệt đới (ITCZ), front lạnh, bão, áp thấp nhiệt đới, ...Trong một số trường hợp, sự kết hợp của nhiều hệ thống thời tiết khác nhau làm cho mưa lớn diễn ra phức tạp hơn. Sự tương tác giữa hoàn lưu khí quyển và địa hình núi cao của dãy núi Trường Sơn làm cho mưa lớn thường xảy ra trên diện rộng và kéo dài. Do đó, dự báo mưa lớn và nâng cao chất lượng dự báo mưa lớn là một vấn đề đặc biệt quan trọng ở khu vực Miền Trung. Dự báo mưa lớn là một trong những mục tiêu quan trọng của dự báo số trị quy mô vừa. Tuy nhiên, do thiếu chính xác của trường ban đầu cũng như tính phi tuyến trong bài toán khí tượng, các kết quả dự báo từ mô hình số trị vẫn chứa những sai số lớn. Cùng với những cố gắng trong việc tính toán, mô phỏng chi tiết các quá trình vật lý liên quan tới thời tiết, các nhà khoa học trong và ngoài nước còn có rất nhiều cố gắng trong việc cải thiện trường số liệu ban đầu (vốn là trường phân tích của mô hình toàn cầu) cho mô hình số trị khu vực bởi các số liệu quan trắc địa phương và phi truyền thống như vệ tinh, radar nhằm nâng cao chất lượng dự báo. Các quan trắc mặt đất và thám không vô tuyến cung cấp thông tin tương đối chính xác về các trường khí tượng bề mặt và trên cao. Tuy nhiên, mạng lưới quan trắc này khá thưa cả về không gian và thời gian, đặc biệt rất ít hoặc không có quan trắc ở trên biển. Trong những năm gần đây, việc cải tiến công nghệ viễn thám cho phép quan trắc khí quyển bằng vệ tinh ở những nơi không có hoặc thiếu các số liệu quan trắc, đồng thời, những quan trắc này có độ phân giải cao hơn so với các quan trắc truyền thống. Vì vậy, dữ liệu vệ tinh khí tượng ngày càng được ứng dụng rộng rãi trong việc phát hiện, theo dõi, cảnh báo các hiện tượng thời tiết nguy 5
hiểm cũng như tăng cường thông tin về trường ban đầu cho mô hình số trị khu vực. Trên thế giới đã có nhiều tác giả nghiên cứu về bài toán đồng hóa số liệu vệ tinh cho mô hình số và đạt được những kết quả khả quan trong dự báo thời tiết, cũng như dự báo các hiện tượng thời tiết cực đoan như mưa lớn, bão,…Ở Việt Nam, đồng hóa số liệu, đặc biệt là đồng hóa số liệu vệ tinh vẫn còn là vấn đề mới mẻ, chưa có nhiều tác giả nghiên cứu. Chính vì vậy, trong luận văn này, chúng tôi sẽ tiến hành tìm hiểu và áp dụng phương pháp đồng hóa 3DVAR cho mô hình WRF để đồng hóa dữ liệu vệ tinh nhằm góp phần nâng cao chất lượng dự báo mưa Khu vực Trung Bộ. Bố cục luận văn gồm các phần: Mở đầu Chương 1: Tổng quan về dự báo mưa bằng mô hình số trị và đồng hoá số liệu vệ tinh Chương 2: Đồng hoá số liệu vệ tinh trong mô hình WRF Chương 3: Kết quả ứng dụng đồng hoá số liệu vệ tinh trong mô hình WRF để dự báo mưa lớn ở khu vực Trung Bộ Kết luận 6
CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO MƯA BẰNG PHƯƠNG PHÁP SỐ TRỊ VÀ ĐỒNG HOÁ SỐ LIỆU VỆ TINH 1.1 Tổng quan về dự báo mưa bằng phương pháp số trị Dự báo mưa luôn là một trong những nhiệm vụ khó khăn nhất trong khí tượng nghiệp vụ mặc dù trên thực tế, trong vài thập kỷ qua, chất lượng dự báo thời tiết nói chung và dự báo mưa nói riêng đã được cải thiện đáng kể. Mưa sinh ra do tác động phối hợp của hầu hết các yếu tố khí tượng, và là yếu tố biến động rất mạnh theo không gian và thời gian. Rất nhiều các quá trình có thể dẫn đến mưa như: hội tụ ẩm qui mô lớn, đối lưu sâu, các quá trình gần bề mặt,... Do vậy, dự báo tốt mưa trên một vùng lớn có nghĩa là dự báo tốt tất cả các biến khí tượng khác. Hiện nay, ở các nước phát triển phương pháp số là phương pháp dự báo thời tiết chính thống. Ở Châu Âu, phương pháp này bắt đầu phát triển từ những năm 50 của thế kỷ XX, trong đó sự đầu tư cao nhất cho hướng nghiên cứu phát triển này của Liên minh Châu Âu được tập trung ở Trung tâm Dự báo thời tiết hạn vừa Châu Âu (ECMWF). Tuy nhiên, cho đến trước những năm 80 của thế kỷ XX, các nghiên cứu phát triển về lý thuyết cũng như ứng dụng chủ yếu vẫn chỉ quan tâm đến các khu vực ngoại nhiệt đới của Châu Âu và Mỹ. Dự báo thời tiết ở nhiệt đới nói chung và bằng phương pháp số nói riêng ở thời kỳ này còn nhiều khó khăn do hạn chế về động lực học lý thuyết cho vùng nhiệt đới-xích đạo. Thời kỳ 1984-1985 ở ECMWF đã có những cải tiến to lớn trong dự báo nghiệp vụ bằng mô hình toàn cầu cho các vùng nhiệt đới, đó là, việc đưa vào mô hình sơ đồ tham số hoá đối lưu (TSHĐL) nông, biến đổi TSHĐL sâu, một sơ đồ mây mới và tăng độ phân giải ngang của mô hình. Trên qui mô toàn cầu, nghiên cứu của Tiedtke và cộng sự (1988) [32] đã đánh giá tác động của tổ hợp vật lý và tăng độ phân giải ngang đối với sai số hệ thống trong dự báo nghiệp vụ ở nhiệt đới của ECMWF. Việc tăng độ phân giải ngang trong các mô hình dự báo thời tiết nghiệp vụ (Black, 1994; Rogers và cộng sự, 1998) [11], [36] nhìn chung nâng cao chất lượng dự báo mưa định 7
lượng (QPF). Khi độ phân giải ngang tăng, mô hình có thể nắm bắt được chuyển động thẳng đứng tốt hơn dẫn tới làm tăng các cực trị mưa dự báo (Weisman và cộng sự, 1997) [46]. Zhang và cộng sự (1994) [48] cũng đã nhận thấy rằng, việc nghiên cứu quan hệ giữa mưa qui mô dưới lưới và qui mô lưới có tác động đáng kể đến kết quả mô phỏng trong trường hợp độ phân giải ngang còn đủ thô để sử dụng sơ đồ TSHĐL. Hong và Pan (1998) [19] cho thấy vị trí của mưa qui mô lưới bị ảnh hưởng nhiều bởi TSHĐL hơn là việc thay đổi phương pháp tính mưa qui mô lưới. Mặt khác, thời gian kích hoạt của cả sơ đồ TSHĐL và sơ đồ ẩm hiển có tác động đáng kể đối với mưa mô phỏng (Grell, 1993) [18] và có thể thay đổi với các sơ đồ khác nhau. Những cải tiến trong thám sát và phương pháp đồng hóa số liệu để cải tiến trường ban đầu cho mô hình góp phần quan trọng trong việc nâng cao chất lượng dự báo mưa (Spencer và Stensrud, 1998) [43]. Best (1956) [13] đã chỉ ra rằng sai số trong trường ban đầu của một mô hình dự báo thời tiết số bất kỳ sẽ khuếch đại theo thời gian dự báo, thậm chí sai số nhỏ trong trường gió mực 500mb gây nên sai số đáng kể về hội tụ và phân kỳ trong trường dự báo. Huo và cộng sự (1995) [20] đã nghiên cứu độ nhạy của trường ban đầu trong dự báo các trường trong bão, kết quả cho thấy sự thay đổi nhỏ trong trường gió ban đầu tạo nên sự thay đổi lớn trong dự báo quỹ đạo bão và trường mưa dự báo. Yoshinori và cộng sự (2009) [49] đã đồng hoá số liệu lượng hơi nước ngưng tụ (PWV) từ hệ thống GPS bằng mô hình MSM, kết quả cho thấy cải thiện đáng kể vùng hội tụ phía bắc của áp thấp nhiệt đới và vùng mưa dự báo. Ở nước ta, trong những năm gần đây, các công trình nghiên cứu trong lĩnh vực dự báo mưa lớn bằng mô hình số trị cũng đã được thực hiện. Trần Tân Tiến (2004) [6] đã nghiên cứu sự phụ thuộc vào độ phân giải lưới của hai sơ đồ TSHĐL là Kuo và Kain Fristch trong dự báo mưa lớn ở khu vực Miền Trung bằng mô hình RAMS. Kiều Thị Xin (2005) [8] đã áp dụng mô hình 8
HRM để dự báo mưa lớn diện rộng ở Việt Nam. Hoàng Đức Cường (2008) [1] đã xây dựng hệ thống tổ hợp 9 dự báo thành phần bằng cách lựa chọn các phương án sử dụng sơ đồ tham số hoá vật lý khác nhau của mô hình MM5 để dự báo mưa lớn ở Việt Nam. Chu Thị Thu Hường (2007) [3] đã nghiên cứu thử nghiệm dự báo mưa thời hạn từ 1 đến 3 ngày cho khu vực Trung bộ bằng mô hình WRF. Vũ Thanh Hằng (2008) [5] đã nghiên cứu tác động của tham số hóa đối lưu đối với dự báo mưa bằng mô hình HRM ở Việt Nam. 1.2 Dữ liệu vệ tinh và sự cần thiết của dữ liệu vệ tinh trong dự báo thời tiết Trong suốt thập kỷ vừa qua, ảnh vệ tinh nhận được dựa vào các đầu đo cảm ứng, các đầu đo này đã cung cấp cho các nhà khoa học những tập số liệu toàn cầu thực và khách quan về những diễn biến của bầu khí quyển. Chúng đã làm một cuộc cách mạng trong khả năng thám sát sự tiến triển của khí quyển trái đất. Công nghệ viễn thám cung cấp cho ta thám sát quanh trái đất, và trong phần lớn trường hợp chúng thích hợp và thực hơn so với thám sát từ bề mặt đất. Những thông tin số liệu vệ tinh thu được hiện nay, cho phép chúng ta có thể theo dõi liên tục, phân tích và xác định được các yếu tố về trường nhiệt, ẩm, gió, trường mây (các quá trình hình thành và phát triển của mây, trường nhiệt độ đỉnh mây, độ cao mây, phân loại sơ bộ mây theo các cấp độ cao, xác định được lượng ẩm trong khí quyển, hàm lượng nước trong mây, vùng mây gây mưa, giông,…). Những thông tin này giúp các nhà khoa học thời tiết xác định và dự báo được quá trình hình thành, phát triển các hiện tượng thời tiết cũng như định lượng các thông số về các yếu tố mây, độ ẩm khí quyển, lượng nước chứa trong mây, lượng mưa trên trái đất để từ đó làm cơ sở cho việc nghiên cứu thực hiện các dự án về quá trình tạo mây, mưa…Mặt khác, dữ liệu vệ tinh đã được ứng dụng rất hiệu quả trong mô hình dự báo thời tiết số trị thông qua việc đồng hóa số liệu để nâng cao chất lượng dự báo. 9
Bảng 1.1 trình bày các quan trắc cơ bản từ vệ tinh có khả năng cung cấp dữ liệu cho mô hình dự báo quy mô vừa, ngoài ra chúng ta còn có thể đồng hoá dữ liệu bức xạ trực tiếp từ vệ tinh. Bảng 1.1: Các thông tin vệ tinh được sử dụng trong đồng hoá số liệu Thành phần Thiết bị đo Nhiệt độ khí quyển AVHRR, HIRS, AIRS/AMSU-A, MLS, HIRDLS, TES, MODIS Độ ẩm khí quyển AIRS/AMSU-A/HSB, MLS, HIRDLS, Khí quyển MODIS, TES Giáng thuỷ AMSR-E, TRMM Các đặc tính của mây MODIS, GLAS, AMSR-E, MISR, (Tổng lượng mây, độ AIRS, ASTER, SSM/I cao đỉnh mây, các đặc tính quang học) Thông lượng bức xạ MODIS, AMSR-E, GLAS, MISR, (bề mặt, đỉnh khí quyển) AIRS, ASTER, Đặc tính hoá học tầng TES, MLS, HIRDLS, OMI đối lưu và bình lưu (ôZôn, ClO, BrO, OH) Đặc tính của Xon khí HIRDLS, MODIS, MISR, OMI, GLAS (Đối lưu, bình lưu) Véc tơ dịch chuyển khí các vệ tinh địa tĩnh quyển (AMV): cloud motion vector (CMV); water vapor winds (WVW) Trường gió bề mặt Sactterometer (ERS, QSCAT), AMSR- E, DORIS, SSM/I Nhiệt độ mặt nước biển MODIS, AIRS, AMSR-E, SSM/I Địa hình bề mặt biển Altimeter, DORIS Đại dương (height, waves, sea level) Diệp lục và các vật chất MODIS, MERIS lơ lửng trong biển Băng biển AMER-E 10
Đất bao phủ và đất sử MODIS, MISR, ASTER dụng Đất Độ ẩm đất AMSR-E Tuyết MODIS, ASTER,AMSR-E Nhiệt độ bề mặt MODIS, AIRS, ASTER Băng đất liền GLAS, ASTER Dưới đây là một số phương pháp ước lượng các trường khí tượng từ dữ liệu vệ tinh nhằm phục vụ bài toán đồng hoá số liệu. 1.2.1 Phương pháp tính hàm lượng ẩm trong mây (LWC) sử dụng dữ liệu của vệ tinh CloudSat (NASA) CloudSat là vệ tinh quỹ đạo cực được thiết kế nhằm khảo sát các đặc tính quang học của mây trên toàn cầu của NASA. CloudSat mang theo đầu thu ở tần số 94Ghz. Sản phẩm hàm lượng ẩm trong mây (LWC) tính được từ dữ liệu của CloudSat hiện nay có độ chính xác cao và được sử dụng nhiều trong việc hiệu chỉnh LWC từ các dữ liệu khác. Sau đây là phương pháp tính LWC từ dữ liệu CloudSat. Giả sử các hạt mây có phân bố kích thước dạng chuẩn: (1.1) trong đó NT là mật độ hạt, r là kích thước hạt và các tham số còn lại tính theo biểu thức: (1.2) trong đó rg là bán kính trung bình, σg là độ lệch trung bình. Lượng nước trong mây LWC ký hiệu là l tính theo công thức: 11
(1.3) với re là bán kính hạt hiệu dụng và ρw là mật độ của nước. Độ phản xạ radar Z và hệ số suy yếu thị phổ σext: (1.4) (1.5) Sử dụng các công thức trên ta có: (1.6) Một số giá trị điển hình LWC với re và NT được trình bày trong bảng 2. Bảng 1.2: Một số giá trị tương ứng giữa LWC và các tham số khác Môi Kiểu mây Kích thước re NT LWC trường hạt mây (µm) (hạt/m3) (g/m3) (µm) Lục địa Stratus 4.7 7.3 250 0.28 cumulus (sạch) 4.8 5.8 400 0.26 cumulus (bị ô nhiễm) 3.5 4.0 1300 0.3 cumulonimbus (đang 6-8 7-10 ~500 1-3 phát triển) cumulonimbus (đang 7-8 9-10 ~300 1.0-1.5 12
suy yếu) Biển Stratus 6.7 11.3 80 0.30 (strato)cumulus 10.4 12.7 65 0.44 Khác cirrus (T < -250C) - 92 0.11 0.03 cirrus (T < -500C) - 57 0.02 0.002 1.2.2 Tính lượng hơi nước trong khí quyển bằng công nghệ split - window Công nghệ split-window (Saunders, 1967; Anding và Kauth, 1970; McMillin và Crosby, 1984) được sử dụng để tính lượng hơi nước trong khí quyển từ 2 kênh phổ của một “cửa sổ khí quyển”. Giả thiết hàm Plack là hàm tuyến tính địa phương trong cửa sổ hồng ngoại, phương trình truyền bức xạ ứng với hai kênh phổ được cho như sau: TB1 − T A = (TS + T A )τ 1 (1.7) TB 2 − T A = (TS + T A )τ 2 (1.8) τ 1 TB1 − TA = (1.9) τ 2 TB1 − TA trong đó: Ts là nhiệt độ bức xạ bề mặt; TA nhiệt độ bức xạ trung bình khí quyển; τ1,τ2 là độ truyền bức xạ từ bề mặt đến vệ tinh của hai kênh phổ; TB1, TB2 là nhiệt độ bức xạ đo được từ vệ tinh tương ứng với 2 kênh phổ. Mặt khác, sự khác biệt của độ truyền bức xạ là do sự khác biệt của hệ số hấp thụ của hơi nước với 2 kênh phổ. Ta có: τ1 ⎡ U ⎤ = exp⎢− ( β 2 − β1 ) (1.10) τ2 ⎣ cos θ ⎥⎦ Lượng hơi nước trong khí quyển được tính: cos θ T −T U= ln( B1 A ) (1.11) β 2 − β1 TB 2 − TA 13
trong đó: β1, β2 là hệ số hấp thụ khối của hơi nước đối với 2 bước sóng ứng 2 kênh phổ; θ là góc thiên đỉnh. 1.2.3 Ước lượng nhiệt độ từ số liệu ảnh hồng ngoại của vệ tinh GOES Đo đạc nhiệt độ bằng viễn thám dựa trên nguyên tắc là một đối tượng bất kì phát bức xạ điện từ tương ứng với nhiệt độ bước sóng và khả năng phát xạ của nó. Đối tượng nhận biết ở đây là mây, bề mặt đất, mặt nước biển. Nhiệt độ nhận biết được bằng cảm biến kế nhiệt gọi là nhiệt độ chói. Sau khi xác định được nhiệt độ chói bằng cách nghịch đảo hàm Planck : −1 ⎡ cν 3 ⎤ T = c2ν ⎢ln( 1 + 1) ⎥ (1.12) ⎣ Bν ⎦ Ta coi độ chói mà vệ tinh ghi được đúng bằng độ chói thực tế của bề mặt đối tượng quan trắc ta sẽ xác định được nhiệt độ thực. Bảng 1.3: Các hệ số tỷ xích thiết bị ghi hình vệ tinh GOES Kênh M B 2 257.3889 68.2167 3 38.8383 29.1287 4 5.2285 15.6854 5 5.0273 15.3332 Ước lượng nhiệt độ từ số liệu ảnh hồng ngoại vệ tinh địa tĩnh qua số hiệu định dạng GVAR (format truyền số liệu của GOESI-M), `của vệ tinh GOES-8 và GOES-9 hai vệ tinh này có độ phân giải số liệu ảnh hay còn gọi là mức lượng tử là 10 bits tương đương là 1024 tông màu và số liệu thám sát thẳng đứng là 16 bits. Từ số liệu ghi trên ảnh số sẽ chuyển đổi được về độ chói bức xạ bằng phương trình: R = (XG - B)/ M (1.13) Trong đó R là độ chói bức xạ đo bằng mW/(m2-sr-cm-1), XG là trị số đo GVAR, các hệ số B và M là tỷ xích nghiêng và phẳng tương ứng được cho 14
trước như trong bảng 1.3. Chúng chỉ phụ thuộc vào kênh và loạt (series) vệ tinh cụ thể, mà không phụ thuộc vào bộ dò sóng (detector). Sau khi tính được độ chói bức xạ ta sẽ tính được nhiệt độ chói (nhiệt độ hữu hiệu) bằng cách nghịch đảo hàm Planck ta được: c 2ν T e ff = c 1ν 3 ln (1 + ) (1.14) R trong đó, Teff là nhiệt độ hữu hiệu tính bằng K, c1 và c2 là các hằng số bức xạ, c1 = 1,191066x10-5 mW/(m2-sr-cm-4), c2 = 1,438833 K/cm-1, v là số sóng trung tâm kênh vệ tinh. Đối với một kênh cho trước, v chỉ biến động nhẹ trong bộ dò sóng, nó sẽ thay đổi khi thiết bị thay đổi và cũng được cho trước dưới dạng bảng. Bảng 1.4: Các hằng số cho thiết bị ghi hình vệ tinh GOES-9 Kênh Bộ dò sóng ν (1/cm ) α (K) β 2 1 2555.18 -0.579908 1.000942 2 2 2555.18 -0.579908 1.000942 3 1 1481.82 -0.493016 1.001076 4 1 934.59 -0.384798 1.001293 4 2 934.28 -0.363703 1.001272 5 1 834.02 -0.302995 1.000941 5 1 834.09 -0.306838 1.000948 Từ nhiệt độ hữu hiệu về nhiệt độ thực tế ta sử dung công thức: T = αTeff + β (1.15) Các hằng số α và β và cả ν phụ thuộc vào kênh, bộ dò sóng và thiết bị bức xạ kế, được cho trước ở bảng 1.4. 1.2.4 Phương pháp tính profile độ ẩm bằng hồi quy [41] Phương pháp hồi quy thường được sử dụng để tính profile nhiệt độ và độ ẩm từ nhiều kênh phổ của một sensor vệ tinh quan trắc khí quyển. Có hai phương pháp tính hồi quy profile nhiệt độ và độ ẩm: 15
+ Phương pháp Chahine (1970): Giả sử sensor có m kênh phổ, chúng ta sẽ tính hồi quy nhiệt độ và độ ẩm ở m mực tương ứng với các đỉnh của hàm trọng số tại m kênh phổ. ~ ⎡ Lj ⎤ B j (T j ( n +1) ) = B j (T j ( n) )⎢ ( n) ⎥ (1.16) ⎣⎢ L j ⎦⎥ + Phương pháp Smith (1970): Profile nhiệt độ và độ ẩm ở mỗi mực được tính hồi quy dựa trên tất cả các kênh phổ. ~ B j (T jk( n +1) ) = B j (Tk( n ) ) + L j − Lnj [ ] (1.17) Nhiệt độ được tính theo phương pháp Smith J ∑W j =1 jk T jk( n +1) Tk( n +1) = J (1.18) ∑W j =1 jk Giả thiết profile nhiệt độ và hàm Plack Bλ(T)đã biết, Smith đã đưa phương trình hồi quy tỷ số xáo trộn hơi nước tại mực thứ j như sau: ~ ⎡ L j − L(jn ) ⎤ q ( n +1) jk =q (n) k ⎢1 + ⎥ (1.19) ⎢⎣ Γ j( n ) ⎥⎦ trong đó: Γ j(n ) là hệ số điều chỉnh sự thay đổi tỷ số xáo trộn hơi nước; ~ q (nj ) là tỷ số xáo trộn hơi nước tại mực j ở bước lặp thứ n; LJ là độ chói bức xạ quan trắc và L(nj ) là độ chói bức xạ tính toán tại bước thứ n Các bước tính hồi quy: Bước 1: Chọn profile ẩm ban đầu (first-guess) q(k): số liệu khí hậu,… Bước 2: Tính hàm trọng số Bước 3: Ước lượng độ chói bức xạ (radiance) Lj ứng với mỗi kênh phổ ~ Bước 4: Nếu Lj gần bằng độ chói bức xạ quan trắc LJ với sai số cho phép thì profile hiện tại sẽ được chấp nhận. Nếu không thì profile hiện tại sẽ ~ được điều chỉnh. Bước lặp này được thực hiện cho đến khi Lj xấp xỉ bằng LJ . 16
1.2.5 Xác định véc tơ dịch chuyển mây (CMV) từ dữ liệu vệ tinh địa tĩnh Dựa vào 3 ảnh liên tục (30 phút) của kênh hồng ngoại, thị phổ hay hơi nước của vệ tinh địa tĩnh để xác định sự chuyển động của phần tử mây, từ đó xác định véc tơ dịch chuyển gió. Véc tơ gió được chia thành các mực: mực trên cao ( 150-300 mb), mực giữa (500-300 mb), và mực thấp ( 900-700 mb). Các bước tính véc tơ dịch chuyển mây CMV như sau: Bước 1: Chọn 3 ảnh liên tiếp; Bước 2: Tìm mẫu mây thích hợp trên ảnh mục tiêu; Bước 3: Theo dõi mẫu mây đó trên 2 ảnh còn lại; Bước 4: Tính véc tơ dịch chuyển của mây; Bước 5: Ước lượng độ cao của mẫu mây; Bước 6: Thẩm định chất lượng của véc tơ dịch chuyển. 1.2.6 Xác định tốc độ, hướng gió mặt biển từ vệ tinh Quickscat Quickscat ước lượng tốc độ và hướng gió tại 10m trên mặt nước đại dương bằng cách thu nhận tán xạ phản hồi (backscatter). Khi các dao động xuất hiện trên bề mặt biển độ lớn của tán xạ phản hồi sẽ thay đổi. Mặt biển gợn sóng sẽ cho tán xạ phản hồi mạnh hơn vì năng lượng tán xạ phản hồi sẽ lớn và mặt biển yên tĩnh sẽ cho tán xạ phản hồi yếu vì chúng mang ít năng lượng. Vệ tinh Quickscat luôn sử dụng một ăng - ten để thu nhận tán xạ phản hồi. Quickscat truyền dao động sóng điện từ có tần số 13.4 GHz xuống bề mặt biển với một tỉ lệ là 1 dao động tương ứng 5.4 m/s. Các dao động điện từ này phân cực dọc và ngang. Vệ tinh này dùng cùng một ăng-ten cho cả hai dao động dọc và ngang. Ăng - ten quay vòng với vận tốc 18 vòng/phút. Các nguồn cung cấp dữ liệu trên ăng - ten được thiết lập để dọc cánh sóng với góc cao 45 độ và ngang theo cánh sóng với góc cao 39 độ. Khi ăng - ten quay các dao động điện từ tạo thành một vòng tròn. Các vùng bên ngoài bao ngồm một vòng tròn đường kính 1800km, trong khi bên trong là vòng tròn đường kính 1400km. 17
1.3 Những nghiên cứu trên thế giới và ở Việt Nam về đồng hoá số liệu vệ tinh trong mô hình số trị Trong những năm 40 và 50 của thế kỷ XX, cùng với sự xuất hiện của máy tính điện tử, các phương pháp đồng hoá số liệu đầu tiên ra đời, ban đầu tên gọi là phân tích khách quan. Phân tích khách quan đầu tiên được đề xuất bởi Panofsky (1949) [30], trong đó trường khí tượng được xấp xỉ bởi một hệ hàm đa thức. Bergthorsson và Doos (1955) [12] mô tả một phương pháp mới sau này được Cressman (1959) [16], Barnes (1964) [10] phát triển thành phương pháp hiệu chỉnh liên tiếp. Khác với phương pháp xấp xỉ hàm trước đó, phương pháp hiệu chỉnh liên tiếp nội suy từ các điểm trạm về lưới với hàm trọng số kinh nghiệm cho trước (giảm dần theo khoảng cách). Do tính đơn giản, hiệu chỉnh liên tiếp thường được sử dụng trong phân tích các trường khí tượng hai chiều. Tuy nhiên, phương pháp này nhanh chóng bị vượt qua sau khi có sự xuất hiện của phương pháp nội suy tối ưu (Gandin, 1963) [17]. Giống như phương pháp hiệu chỉnh liên tiếp, phương pháp nội suy tối ưu nội suy các điểm trạm về điểm lưới nhưng trọng số được xác định từ các đặc trưng thống kê của trường nền và trường thám sát. Đặc điểm nổi bật khiến phương pháp nội suy tối ưu thống trị trong phân tích khách quan và đặt nền móng cho phương pháp đồng hoá số liệu hiện đại ra đời là khả năng đưa quan hệ vật lý vào trong quá trình phân tích (Lorenc, 1981) [21]. Phương pháp biến phân xử lý bài toán phân tích được phát triển đầu tiên ở Nhật Bản (Sasaki, 1958) [38] nhưng chỉ được các nhà khí tượng chú ý đến với bài báo của Sasaki vào năm 1970. Thompson (1969) [32] cũng đã mô tả bài toán biến phân bao hàm cả yếu tố thời gian sau này được biết đến dưới tên gọi biến phân bốn chiều (4DVAR). Lorenc (1986) [22] đề xuất bài toán phân tích tổng quát chứng minh sự tương đương giữa phương pháp nội suy tối ưu và biến phân ba chiều (3DVAR). Phương pháp 3DVAR nhằm xác định trường phân tích thông qua việc cực tiểu hoá một phiếm hàm được định nghĩa bằng độ lệch giữa trường phân tích với trường thám sát và trường nền trên 18
toàn miền tích phân. Trong trường hợp rời rạc hoá, phiếm hàm sẽ có dạng toàn phương với trọng số phụ thuộc vào hàm thống kê của trường nền và trường phân tích (hàm giá). Như vậy, 3DVAR cực tiểu hàm giá để có được trường phân tích tối ưu mà không dùng công thức hiển xác định trường phân tích như nội suy tối ưu. Andersson (1991) [9] thu hút nhiều sự quan tâm của các nhà khoa học vào 3DVAR khi sử dụng phương pháp này để đồng hoá trực tiếp số liệu bức xạ từ vệ tinh cực NOAA. Đến thập niên 90 của thế kỷ XX, hầu như toàn bộ các trung tâm dự báo lớn trên thế giới đã chuyển từ phương pháp nội suy tối ưu sang phương pháp 3DVAR (Parish và Deber, 1992) [31]. Tương tự như bài toán 3DVAR, nhưng 4DVAR có thêm chiều thời gian và trường phân tích phải thoả mãn hệ phương trình động lực mô hình. Do vậy, trường phân tích nhận được từ 4DVAR không những tối ưu theo nghĩa thống kê mà còn phù hợp với động lực của mô hình. Tuy vậy, 4DVAR đòi hỏi một khối lượng tính toán rất lớn, vượt quá tính toán dự báo của mô hình nhiều lần. Hiện tại, 4DVAR mới chỉ được thực hiện tại một số trung tâm tính toán lớn trên thế giới như Nhật Bản, Pháp và Mỹ. Cùng với sự phát triển của công nghệ viễn thám, hàng loạt những nghiên cứu về đồng hoá số liệu cũng đã được thực hiện. Routray (2008) [37] đã đồng hoá các số liệu quan trắc bề mặt, ship, bouy, cao không và vệ tinh địa tĩnh Kapanal-1 để dự báo mưa lớn ở Ấn độ bằng việc sử dụng hệ thống đồng hoá số liệu 3DVAR cho mô hình WRF. Kết quả tính toán cho thấy, việc đồng hoá số liệu đã cải thiện đáng kể chất lượng mô phỏng mưa lớn trong mùa mưa ở Ấn độ. Xavier (2006) [45] đồng hoá profile nhiệt độ và độ ẩm từ vệ tinh MODIS cùng với số liệu thám không vô tuyến để cải thiện trường đầu ban đầu của mô hình MM5. Nghiên cứu đã chỉ ra rằng việc sử dụng dữ liệu vệ tinh MODIS đã cải thiện đáng kể diễn biến mưa lớn kết hợp với áp thấp nhiệt đới. Rakesh (2009) [35] đã sử dụng sơ đồ 3DVAR để đồng hoá dữ liệu tốc độ gió và hướng gió gần bề mặt biển từ vệ tinh QSCAT (Quick Scatterometer), tốc độ gió và TPW từ vệ tinh SSM/I (spectral sensor microwave imager) cho 19
cả hai mô hình MM5 và WRF để dự báo thời tiết hạn ngắn ở Ấn Độ. Kết quả nghiên cứu cho thấy dự báo trường gió từ hai mô hình MM5 và WRF được cải thiện đáng kể trong trường hợp đồng hoá dữ liệu gió từ QSCAT và SSM/I, trong khi trường nhiệt độ và độ ẩm cho hiệu quả kém hơn. Trường dự báo mưa tốt nhất trong trường hợp đồng hoá dữ liệu TPW. Ngoài ra, nghiên cứu cũng chỉ ra rằng sai số dự báo các trường gió, nhiệt độ và độ ẩm ở các mực khác nhau bằng mô hình WRF nhỏ hơn khi dự báo bằng mô hình MM5. Ở nước ta, một số nghiên cứu về mô hình đồng hoá số liệu nhằm cải thiện trường ban đầu cũng đã và đang được thực hiện. Kiều Thị Xin và Lê Đức (2003) [7] đã nghiên cứu áp dụng mô hình đồng hoá số liệu 3DVAR cho mô hình HRM. Kết quả tính toán dự báo thời tiết bằng cách sử dụng các số liệu tại các trạm cao không và SYNOP cho thấy lượng mưa dự báo gần với thực tế hơn so với trường hợp không sử dụng đồng hoá số liệu. Kiều Thị Xin (2005) [8] cũng đã sử dụng phương pháp biến phân hai chiều để phân tích độ ẩm đất từ nhiệt độ quan trắc hai mét cho mô hình HRM. Kết quả cho thấy tác động nhỏ của độ ẩm đất đến dự báo các trường khí tượng trên cao trên khu vực Việt Nam. Trong khuôn khổ đề tài nghiên cứu khoa học cấp Bộ “Nghiên cứu thử nghiệm dự báo mưa lớn ở Việt Nam bằng mô hình MM5” của Hoàng Đức Cường (2008) [1] cũng đã nghiên cứu hiệu chỉnh trường ban đầu bằng các số liệu SYNOP và vô tuyến thám không để nâng cao chất lượng dự báo thời tiết bằng mô hình MM5. Nghiên cứu cho thấy việc sử dụng số liệu SYNOP và thám không vô tuyến để điều chỉnh trường ban đầu của mô hình MM5 bước đầu cho kết quả khả quan. Lê Đức và đồng sự (2007) [4] đã xây dựng trường ẩm cho mô hình HRM từ số liệu vệ tinh địa tĩnh MTSAT dựa trên phương pháp 3DVAR. Hoàng Đức Cường và cộng sự (2008) [2] đã hiệu chỉnh trường ban đầu của mô hình MM5 bằng dữ liệu vệ tinh MTSAT để mô phỏng cơn bão Damrey. 20