Luận văn Thạc sĩ Khoa học: Thử nghiệm dự báo hạn mùa một số yếu tố và hiện tượng cực đoan ở Việt Nam bằng mô hình ClWRF

Chia sẻ: Na Na | Ngày: | Loại File: PDF | Số trang:100

Thêm vào BST

Báo xấu

82
lượt xem 9
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bố cục của Luận văn gồm 3 chương: Chương 1 trình bày sơ lược về dự báo mùa; các công trình nghiên cứu mô phỏng, dự báo mùa, các yếu tố và hiện tượng khí hậu cực đoan. Chương 2 giới thiệu tổng quan về mô hình, số liệu, phương pháp xử lí số liệu và phương pháp đánh giá. Chương 3 trình bày kết quả dự báo hạn mùa một số trường trung bình tháng và một số chỉ số khí hậu cực đoan.

Chủ đề:

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

Lưu

Nội dung Text: Luận văn Thạc sĩ Khoa học: Thử nghiệm dự báo hạn mùa một số yếu tố và hiện tượng cực đoan ở Việt Nam bằng mô hình ClWRF

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN --------------------- Nguyễn Thị Hạnh THỬ NGHIỆM DỰ BÁO HẠN MÙA MỘT SỐ YẾU TỐ VÀ HIỆN TƯỢNG CỰC ĐOAN Ở VIỆT NAM BẰNG MÔ HÌNH CLWRF LUẬN VĂN THẠC SĨ KHOA HỌC Hà Nội - 2013 1
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN --------------------- Nguyễn Thị Hạnh THỬ NGHIỆM DỰ BÁO HẠN MÙA MỘT SỐ YẾU TỐ VÀ HIỆN TƯỢNG CỰC ĐOAN Ở VIỆT NAM BẰNG MÔ HÌNH CLWRF Chuyên ngành: Khí tượng và khí hậu học Mã số: 60440222 LUẬN VĂN THẠC SĨ KHOA HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS. Phan Văn Tân Hà Nội - 2013 2
Mục lục DANH MỤC HÌNH ....................................................................................................4 DANH MỤC BẢNG ...................................................................................................8 DANH MỤC VIẾT TẮT ............................................................................................9 Mở đầu ......................................................................................................................11 Chương 1. TỔNG QUAN .........................................................................................12 1.1. Sơ lược về dự báo mùa. ...............................................................................12 1.2. Một số công trình nghiên cứu mô phỏng và dự báo mùa. ...........................13 1.3. Về các yếu tố và hiện tượng khí hậu cực đoan ............................................18 Chương 2-SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU ....................................24 2.1. Mô hình và thí nghiệm.................................................................................24 2.1.1. Sơ lược về mô hình................................................................................24 2.1.2. Thiết kế thí nghiệm ................................................................................24 2.2. Số liệu và phương pháp xử lý số liệu ..........................................................28 2.3. Hạn dự báo ...................................................................................................31 2.4. Đánh giá dự báo ...........................................................................................33 Chương 3. KẾT QUẢ VÀ NHẬN XÉT ...................................................................35 3.1. Dự báo các trường trung bình tháng. ...........................................................35 3.1.1. Nhiệt độ trung bình tháng mực 2m. ......................................................35 3.1.2. Nhiệt độ trung bình cực tiểu tháng ...........................................................42 3.1.3. Nhiệt độ cực đại trung bình tháng............................................................51 3.1.4. Lượng mưa tháng .....................................................................................60 3.2. Đánh giá khả năng dự báo một số hiện tượng cực đoan .............................69 Kết luận .....................................................................................................................94 TÀI LIỆU THAM KHẢO .........................................................................................96 3
DANH MỤC HÌNH Hình 1.1. Sự khác nhau giữa: hình trên - nhiệt độ không khí 2m (0C), hình dưới – bức xạ sóng ngắn đi ra khỏi đỉnh khí quyển (Wm-2). Bên trái là mùa hè (JJA), bên phải là mùa đông (DJF). ............................................................................................14 Hình 1.2. Sự tăng nhiệt độ trung bình dẫn đến tăng nhiệt độ cực đoan. Nguồn: US Climate Change Science Program / Southwest Climate Change Network ...............18 Hình 2.1. Miền tính ...................................................................................................25 Hình 2.2. Sơ đồ thể hiện phương pháp xử lý số liệu .................................................28 Hình 2.3. Quy trình thực hiện dự báo .......................................................................32 Hình 3.1. Nhiệt độ trung bình tháng mực 2m của các tháng được dự báo với hạn dự báo từ 1 đến 6 tháng trước hiệu chỉnh , sau hiệu chỉnh và quan trắc. .......................36 Hình 3.2. Sai số ME, MAE, RMSE của T2m cho 17 tháng được dự báo ứng với trường hợp hiệu chỉnh và không hiệu chỉnh ứng với hạn dự báo từ 1 đến 6 tháng. .38 Hình 3.3. Nhiệt độ Tm cho 17 tháng ứng với các hạn dự báo trên toàn quốc ứng với trường hợp dự báo chưa hiệu chỉnh, hiệu chỉnh và quan trắc. ..................................42 Hình 3.4. Sai số ME, MAE, RMSE của Tm ứng với trường hợp dự báo chưa hiệu chỉnh, hiệu chỉnh. ......................................................................................................44 Hình 3.5. Sai số ME, MAE, RMSE của Tm trên khu vực B3 cho 17 tháng được dự báo ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh. ..............................................45 Hình 3.6. Sai số ME, MAE, RMSE của Tm trên khu vực B4 cho 17 tháng được dự báo ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh. ..............................................46 Hình 3.7. Sai số ME, MAE, RMSE của Tm trên khu vực N3 cho 17 tháng được dự báo ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh. ..............................................47 Hình 3.8. Nhiệt độ Tx cho 17 tháng được dự báo ứng với các hạn dự báo trên toàn quốc ứng với trường hợp dự báo chưa hiệu chỉnh, hiệu chỉnh và quan trắc. ............51 Hình 3.9. Sai số ME, MAE, RMSE của Tm ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh. .................................................................................................................52 Hình 3.10. Sai số ME, MAE, RMSE của Tx trên khu vực B3 cho 17 tháng được dự báo ứng với trường hợp chưa hiệu chỉnh và hiệu chỉnh............................................54 Hình 3.11. Sai số ME, MAE, RMSE của Tx trên khu vực N3 cho 17 tháng được dự báo ứng với trường hợp chưa hiệu chỉnh và hiệu chỉnh............................................55 4
Hình 3.12. Sai số ME, MAE, RMSE của Tx trên khu vực N3 cho 17 tháng được dự báo ứng với trường hợp chưa hiệu chỉnh và hiệu chỉnh............................................56 Hình 3.13. Tổng lượng mưa hàng tháng của 17 tháng được dự báo cho hạn dự báo 1 đến 6 tháng ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh và quan trắc. .............60 Hình 3.14. Sai số ME, MAE, RMSE của mưa ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh. .................................................................................................................61 Hình 3.15. Sai số ME, MAE, RMSE của mưa ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh trên khu vực B3. ......................................................................................63 Hình 3.16. Sai số ME, MAE, RMSE của mưa ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh rên khu vực B4. .......................................................................................64 Hình 3. 17. Sai số ME, MAE, RMSE của mưa ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh trên khu vực N3. ......................................................................................65 Hình 3.18. Sai số trung bình ME của tổng số ngày ba tháng mùa hè 2012 có Tm < TN10 tại 4 thời điểm dự báo .....................................................................................69 Hình 3.19. Sai số MAE của tổng số ngày ba tháng mùa hè 2012 có Tm < TN10 tại 4 thời điểm dự báo khác nhau ......................................................................................71 Hình 3.20. Sai số ME của tổng số ngày ba tháng mùa hè 2012 có Tx > TX90 tại 4 thời điểm dự báo........................................................................................................72 Hình 3.21. Sai số MAE của tổng số ngày ba tháng mùa hè 2012 có Tx > TX90 tại 4 thời điểm dự báo khác nhau ......................................................................................73 Hình 3.22. Sai số ME của tổng số ngày ba tháng mùa hè 2012 có R> R95 tại 4 thời điểm dự báo ...............................................................................................................74 Hình 3.23. Sai số MAE của tổng số ngày ba tháng mùa hè 2012 có R > R95 tại 4 thời điểm dự báo........................................................................................................75 Hình 3.24. Sai số ME của tổng số ngày ba tháng mùa hè 2012 có R > R99 tại 4 thời điểm dự báo ...............................................................................................................76 Hình 3.25. Sai số MAE của tổng số ngày ba tháng mùa hè 2012 có R > R99 tại 4 thời điểm dự báo........................................................................................................77 Hình 3.26. Sai số ME của tổng số ngày ba tháng mùa đông 2012 có Tm
Hình 3.28. Sai số ME của tổng số ngày ba tháng mùa đông 2012 có Tm > TN90 tại 4 thời điểm dự báo.....................................................................................................80 Hình 3.29. Sai số MAE của tổng số ngày ba tháng mùa đông 2012 có Tm > TN90 tại 4 thời điểm dự báo ...............................................................................................81 Hình 3.30. Sai số ME của tổng số ngày ba tháng mùa đông 2012 có TxTX90 tại 4 thời điểm dự báo........................................................................................................84 Hình 3.33. Sai số MAE của tổng số ngày ba tháng mùa đông 2012 có Tx>TX90 tại 4 thời điểm dự báo.....................................................................................................85 Hình 3.34. Sai số ME của tổng số ngày 6 tháng có Tm < TN10 ứng với 12 tháng đứng dự báo. ..............................................................................................................86 Hình 3.35. Sai số MAE của tổng số ngày 6 tháng có Tm < TN10 ứng với 12 tháng đứng dự báo. ..............................................................................................................86 Hình 3.36. Sai số ME của tổng số ngày 6 tháng có Tm > TN90 ứng với 12 tháng đứng dự báo. ..............................................................................................................87 Hình 3.37. Sai số MAE của tổng số ngày 6 tháng có Tm > TN90 ứng với 12 tháng đứng dự báo. ..............................................................................................................87 Hình 3.38. Sai số ME của tổng số ngày 6 tháng có Tx < TX10 ứng với 12 tháng đứng dự báo. ..............................................................................................................88 Hình 3.39. Sai số MAE của tổng số ngày 6 tháng có Tx < TX10 ứng với 12 tháng đứng dự báo. ..............................................................................................................89 Hình 3.40. Sai số ME của tổng số ngày 6 tháng có Tx > TX90 ứng với 12 tháng đứng dự báo. ..............................................................................................................89 Hình 3.41. Sai số MAE của tổng số ngày 6 tháng có Tx > TX90 ứng với 12 tháng đứng dự báo. ..............................................................................................................90 Hình 3.42. Sai số ME tổng số ngày 6 tháng có R > R95 ứng với 12 tháng đứng dự báo. ............................................................................................................................90 Hình 3.43. Sai số MAE của tổng số ngày 6 tháng có R > R95 ứng với 12 tháng đứng dự báo. ..............................................................................................................91 6
Hình 3.44. Sai số ME của tổng số ngày 6 tháng có R > R99 ứng với 12 tháng đứng dự báo. .......................................................................................................................92 Hình 3.45. Sai số MAE của tổng số ngày 6 tháng có R > R99 ứng với 12 tháng đứng dự báo. ..............................................................................................................92 7
DANH MỤC BẢNG Bảng 1.1. Sự thay đổi nhiệt độ và albedo trong đô thị ..............................................15 Bảng 2.1. Các trường hợp chạy dự báo .....................................................................26 Bảng 2.2. Danh sách 77 trạm sử dụng trong luận văn ..............................................29 Bảng 3.1. Bảng giá trị nhiệt độ trung bình bề mặt ....................................................40 Bảng 3.2 Sai số MAE của nhiệt độ trung bình tháng mực 2m (T2m) cho các tháng được dự báo với hạn dự báo 1 đến 6 tháng ...............................................................41 Bảng 3.3. Bảng giá trị nhiệt độ cực tiểu trung bình tháng ........................................49 Bảng 3.4. Sai số MAE của nhiệt độ cực tiểu trung bình tháng (Tm) cho các tháng được dự báo với hạn dự báo 1 đến 6 tháng ...............................................................50 Bảng 3.5. Bảng giá trị nhiệt độ cực đại trung bình tháng .........................................58 Bảng 3.6. Sai số MAE của nhiệt độ cực đại trung bình tháng (Tx) cho các tháng được dự báo với hạn dự báo 1 đến 6 tháng ...............................................................59 Bảng 3.7. Bảng giá trị lượng mưa tháng ...................................................................67 Bảng 3.8. Sai số MAE của lượng mưa tháng (R) cho các tháng được dự báo với hạn dự báo 1 đến 6 tháng ..........................................................................................68 8
DANH MỤC VIẾT TẮT AGCM Mô hình hoàn lưu chung khí quyển (Atmospheric General Circulation Model) AMIP Atmospheric Model Intercomparison Project AOGCM Mô hình hoàn lưu chung khí quyển-đại dương (Atmosphere- Ocean General Circulation Model) B1 Tây Bắc B2 Đông Bắc B3 Đồng bằng Bắc bộ B4 Bắc Trung bộ CCSM Community Climate System Model CS Cộng sự CFS Climate Forecast System CFSR Climate Forecast System Reanalysis clWRF Climate WRF model CRU Climatic Research Unit ECE Extreme Climate Events ECHAM Mô hình khí hậu toàn cầu (ECMWF – Hamburg) F(x) Hàm phân bố f(x) Hàm mật độ xác suất Fi Giá trị mô hình GCM Mô hình khí hậu toàn cầu HadAM3 Hadley Centre Atmospheric Model version 3 KHCĐ Khí hậu cực đoan L Hạn dự báo MAE Sai số tuyệt đối trung bình ME Sai số trung bình N1 Nam Trung bộ N2 Tây Nguyên N3 Nam bộ Oi Giá trị quan trắc PCM Parallel Climate Model p Xác suất q Phân vị R Tổng lượng mưa tháng RCM Regional Climate Model 9
RCP The Representative Concentration Pathways RegCM Regional Climate Model RMSE Root Mean Square Error R95 Số ngày mưa lớn hơn phân vị 95% R99 Số ngày mưa lớn hơn phân vị 99% SRES The Special Report on Emissions Scenarios TBCHC, TBKHC Trung bình chưa hiệu chỉnh TBHC Trung bình hiệu chỉnh TBQT Trung bình quan trắc Tm Nhiệt độ cực tiểu trung bình tháng TN10 Số ngày có nhiệt độ cực tiểu nhỏ hơn phân vị 10% TN90 Số ngày có nhiệt độ cực tiểu lớn hơn phân vị 90% Tx Nhiệt độ cực đại trung bình tháng TX10 Số ngày có nhiệt độ cực đại nhỏ hơn phân vị 10% TX90 Số ngày có nhiệt độ cực đại lớn hơn phân vị 90% T2m Nhiệt độ trung bình bề mặt mực 2m X Biến khí hậu cực trị x Tập giá trị của X WRF Weather Research and Forecasting 10
Mở đầu Bài toán dự báo mùa (hay dự báo hạn mùa) cho đến bây giờ vẫn là một trong những vấn đề cấp thiết đặt ra với Việt Nam. Việc dự báo sớm các yếu tố khí hậu như nhiệt độ, lượng mưa cùng với các hiện tượng cực đoan được chú trọng trong nhiều năm trở lại đây. Sự biến động bất thường của mưa, nhiệt độ cũng như các hiện tượng cực đoan đang có xu hướng ngày càng phức tạp hơn. Việc dự báo được sớm các yếu tố và hiện tượng này thực sự là vấn đề cấp thiết để cung cấp thông tin phục vụ phòng tránh thiên tai, hạn chế những thiệt hại về người và của. Trong nhiều năm qua, bài toán dự báo mùa không còn mới và quá khó khăn với các nước có nền khoa học tiên tiến trên thế giới. Nhưng ở Việt Nam, mặc dù cũng đã được quan tâm từ sớm nhưng những nghiên cứu vẫn còn nhiều hạn chế. Ngày nay, cùng với các công trình nghiên cứu của các nhà khoa học đi trước còn có sự hỗ trợ mạnh mẽ của công nghệ tính toán hiện đại, các mô hình dự báo số trị ngày càng được cải tiến và sử dụng rộng rãi trong các nghiên cứu khí hậu. Nên, việc nghiên cứu bài toán dự báo mùa cho các yếu tố thời tiết cũng hiện tượng khí hậu cực đoan không còn bị hạn chế nhiều về mặt không gian và thời gian. Nó có thể chi tiết hóa cho từng khu vực, tạo điều kiện thuận lợi cho những nghiên cứu sâu hơn, mang tính ứng dụng cao hơn. Nhằm góp phần vào việc xây dựng, phát triển bài toán dự báo mùa ở Việt Nam, đề tài luận văn được chọn là: “Thử nghiệm dự báo hạn mùa một số yếu tố và hiện tượng cực đoan ở Việt Nam bằng mô hình ClWRF”, Bố cục của Luận văn gồm 3 chương: Chương 1. Tổng quan: Chương này trình bày sơ lược về dự báo mùa; các công trình nghiên cứu mô phỏng, dự báo mùa, các yếu tố và hiện tượng khí hậu cực đoan. Chương 2. Số liệu và phương pháp nghiên cứu: Chương này giới thiệu tổng quan về mô hình, số liệu, phương pháp xử lí số liệu và phương pháp đánh giá. Chương 3. Kết quả và nhận xét: Chương này trình bày kết quả dự báo hạn mùa một số trường trung bình tháng và một số chỉ số khí hậu cực đoan. 11
Chương 1. TỔNG QUAN 1.1. Sơ lược về dự báo mùa. Hiện nay, bài toán dự báo thời tiết và dự báo mùa là hai bài toán được quan tâm nhiều trong nghiệp vụ dự báo. Đối với dự báo thời tiết, thông thường hạn dự báo khoảng 3–5 ngày và tối đa khoảng 5–10 ngày. Dự báo thời tiết cần phải chỉ ra được trạng thái của khí quyển tại một địa điểm cụ thể, vào những thời điểm cụ thể (từng ngày, thậm chí từng giờ) trong thời hạn dự báo. Khác với dự báo thời tiết, dự báo mùa không chỉ ra trạng thái khí quyển vào những thời điểm cụ thể đến từng ngày, thay vào đó là thông tin chung về điều kiện khí quyển trong từng khoảng thời gian nhất định (chẳng hạn từng tháng, từng mùa – ba tháng, sáu tháng) trong thời hạn dự báo. Nó có thể giúp chỉ ra những xu thế tiến triển của các hiện tượng thời tiết, các yếu tố khí hậu từ quá khứ cho tới tương lai. Dự báo mùa, hay dự báo hạn mùa, hay dự báo khí hậu hạn mùa có hạn dự báo đến tối đa (hiện nay) là một năm [30]. Có hai cách tiếp cận dự báo hạn mùa là dự báo bằng phương pháp thống kê và phương pháp mô hình động lực. Phương pháp thống kê là phương pháp đơn giản nhất để dự báo dị thường các yếu tố so với khí hậu trung bình, quy mô tháng hay mùa, sử dụng các nguyên tắc (bằng thống kê) liên kết các hình thế trong tương lai với đặc tính khí hậu hiện tại. Điểm mạnh của phương pháp này là tương đối dễ áp dụng bởi vì hầu như phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên máy tính khiêm tốn. Tuy nhiên, phương pháp đơn giản này vẫn tồn tại nhiều hạn chế. Các mô hình thống kê chỉ sử dụng đơn thuần chuỗi số liệu trong quá khứ, dự báo các mối liên hệ phức tạp mà không có các mối liên hệ cụ thể nào với các quá trình vật lý cũng như động lực học nằm ẩn bên trong. Điều này có nghĩa là phương pháp hiệu quả khi sự phát triển quy mô lớn là rõ rệt và theo một hướng nhưng rất khó để lường trước những sự chuyển pha, ví dụ như từ nóng sang lạnh và ngược lại. Và cuối cùng, phương pháp thường không nắm bắt được những yếu tố đột biến. Phương pháp động lực nhìn chung chỉ mới bắt đầu từ khoảng 30 năm trở lại đây đối với bài toán dự báo mùa. Phương pháp này sử dụng các mô hình hoàn lưu chung khí quyển. Sự phát triển đáng kể hiện tại đã tạo ra một hệ thống tương tác đầy đủ trong 12
đó thành phần đại dương, khí quyển và mặt đất của mô hình tương tác liên tục với nhau để cho ra các bản tin dự báo đến vài tháng. Trong bối cảnh biến đổi khí hậu đang diễn ra nhanh chóng những thập niên gần đây, cùng với những hậu quả đáng báo động mà nó đã gây ra như trận động đất kinh hoàng tại Nhật Bản năm 2011, nắng nóng nghiêm trọng tại châu Âu, và gần đây là cơn bão Haiyan (11/2013) đã gây ra hậu quả vô cùng to lớn với đất nước Philippines…Bài toán dự báo mùa các yếu tố và hiện tượng cực đoan, dự báo bão càng trở nên cấp thiết. Tại các nước phát triển, sự cải tiến không ngừng trong lĩnh vực dự báo thời tiết cũng như nghiên cứu khí hậu quá khứ và tương lai trong nhiều năm trở lại đây, đã làm bài toán dự báo mùa các yếu tố và hiện tượng khá tốt và giảm thiểu đáng kể thiệt hại. 1.2. Một số công trình nghiên cứu mô phỏng và dự báo mùa. Hiện nay, có nhiều mô hình khu vực (RCM) ngoài việc thực hiện bài toán dự báo thời tiết, còn được cải tiến và nâng cấp để có thể phục vụ vào bài toán nghiên cứu, mô phỏng, dự tính khí hậu. Zongxin Zhang và CS (2009) [35] đã sử dụng 2 mô hình WRF và HadRM để tiến hành nghiên cứu tái tạo nhiệt độ cực đại, cực tiểu và lượng mưa ngày bằng số liệu tái phân tích R-2 sau đó so sánh với các số liệu quan trắc được trên toàn bộ các trạm Hoa Kỳ thuộc Tây Bắc Thái Bình Dương cho thời kì 2003-3007. Kết quả chỉ ra sai số cực đại Tx vào mùa xuân và mùa hè thấp hơn vào mùa thu và mùa đông so với quan trắc. Với nhiệt độ cực tiểu cho kết quả gần với quan trắc hơn. Tương quan thời gian giữa tái tạo với quan trắc của lượng mưa ngày thấp ở cả 2 mô hình. Tuy nhiên, dự báo cho tương quan lại tăng với chuỗi thời gian dài hơn. Dev Millstein và Surabi Menon (2011) [13], sử dụng mô hình WRF để khảo sát phản hồi giữa sự thay đổi albedo bề mặt, nhiệt độ, lượng mưa và độ phủ mây trung bình. Kết quả cho thấy, với sự chấp nhận đỉnh mây và chân mây lạnh, với miền tính rộng, lượng bức xạ đi ra trung bình hàng năm tăng 0.16 ±0.03 Wm-2 (hình 1.1) và nhiệt độ lúc buồi chiều mùa hè ở các đô thị giảm 0.11 -0.530 (bảng 1.1). 13
Hình 1.1. Sự khác nhau giữa: hình trên - nhiệt độ không khí 2m (0C), hình dưới – bức xạ sóng ngắn đi ra khỏi đỉnh khí quyển (Wm-2). Bên trái là mùa hè (JJA), bên phải là mùa đông (DJF). 14
Bảng 1.1. Sự thay đổi nhiệt độ và albedo trong đô thị Δ Temperature a Location % Urban Δ Albedo Summer (JJA) Winter (DJF) Columbus, OH 20% 0.02 – 0.02b – 0.05 San Antonio, TX 27% 0.03 – 0.08b – 0.10 San Diego, CA 28% 0.03 – 0.13 – 0.11 b Jacksonville, FL 28% 0.03 + 0.01 – 0.06 San Jose, CA 29% 0.03 – 0.23 – 0.10 Dallas, TX 42% 0.05 – 0.09b – 0.08b Phoenix, AZ 47% 0.05 – 0.16 – 0.19 Miami, FL 54% 0.06 – 0.11 – 0.12 Chicago, IL 61% 0.07 – 0.27 – 0.12 Atlanta, GA 70% 0.08 – 0.12 – 0.21 Philadelphia, PA 75% 0.09 – 0.22 – 0.22 Houston, TX 86% 0.10 – 0.19 – 0.24 New York, NY 91% 0.10 – 0.30 – 0.24 Detroit, MI 95% 0.11 – 0.39 – 0.12 Los Angeles, CA 96% 0.11 – 0.53 – 0.41 a phần trăm vùng đất được coi giống như đô thị b nhiệt độ thay đổi không đáng kể so với 0 James M. Done và CS [20] sử dụng mô hình WRF để tái tạo khí hậu khu vực, kết quả cho thấy rằng các vùng châu thổ lớn, dãy Rocky và khu vực tây Bắc Thái Bình Dương có sự tăng nhẹ nhiệt độ còn các vùng sa mạc phía tây nam, thung lũng Sacramento và San Joaquin ở Califonia có sự giảm nhẹ nhiệt độ bề mặt. Năm 2006, Wei Gao và CS [34] cũng đã mở rộng mô hình WRF dự báo thời tiết cho khí hậu. Năm 2011, Chakrit và CS [10] đã sử dụng mô hình WRF để xem xét sự thay đổi của nhiệt độ và lượng mưa thời kì 1990-1999 tới 2045-2054 trên toàn bộ khu vực Đông Nam Á. Xét trên cả miền tính, nhiệt độ được mô phỏng khá tốt với “cold bias” sai số thiên âm cho nhiệt độ cực đại và “warm bias” thiên dương cho nhiệt độ cực tiểu. Lượng mưa trung bình tăng và được mô phỏng tốt hơn vào mùa khô. Xét trên quy mô địa phương và theo mùa, nhiệt độ dao động từ 0.1 đến 30C, ban ngày dao động ít hơn ban đêm. Mùa khô lượng mưa giảm. Năm 2012, Chakrit và CS [9] tiếp tục tiến hành sử dụng 8 sơ đồ tham số hóa đối lưu với mô hình WRF lồng hai lưới 60km và 20km, để ước lượng lượng mưa gió mùa trên khu vực Thái Lan với miền lưới là khu vực Đông Nam Á cho năm 15
2005. Đầu vào là số liệu tái phân tích của NCEP/NCAR. Kết quả cho thấy, sơ đồ Best-Miller-Janjic cho sai số nhỏ nhất, phân bố mưa tốt nhất trên cả lưới tính và từng khu vực địa phương. Các tác giả cũng thấy sự phù hợp của việc sử dụng mô hình WRF để mô phỏng khí hậu khu vực. Janime và Zaitao đã chỉ ra khả năng dự báo các dị thường cực trị trên quy mô trung bình mùa tại Hoa Kỳ [21]. Tác giả đã chọn đợt lạnh dị thường vào tháng 7/2009 và đợt ẩm ướt nhất xảy ra vào tháng 10/2009 tại vùng trung tâm và phía đông nước Mĩ để nghiên cứu. Kết quả cho thấy, WRF có thể dự báo “patterns” dị thường nhiệt độ khá chính xác cả về vị trí và quy mô vùng dị thường. Tuy nhiên, giá trị dự báo đưa ra lại thiên thấp so với quan trắc, chênh lệch khoảng 3-60C cho dự báo tháng 7/2009. Trên dãy núi Rocky và khu vực phía Tây Bắc, Đông Bắc Mĩ, mô hình cho kết quả thấp hơn rất nhiều so với quan trắc thực tế. Với mưa, dự báo cho mưa là bài toán khó hơn nhiệt độ trên quy mô mùa. Mô hình có khả năng chỉ ra xu thế của mưa, tuy nhiên, các vị trí thể hiện các pattern dị thường lại không luôn chính xác. Dự báo cho trường hợp mưa tháng 10/2009, mô hình chỉ bắt được vị trí trung tâm mà không bắt được mưa tại phía Bắc và phía Nam. Trong nghiên cứu của Daniel Argueso và CS (2012) [11], có thể thấy mô hình WRF không chỉ ước lượng được các trường trung bình mùa, tháng, năm mà còn đánh giá được các chỉ số cực đoan như lượng mưa ngày lớn nhất (RX1day), lượng mưa 5 ngày lớn nhất (RX5day), trung bình số ngày ẩm cực đại liên tiếp hàng năm (CWD - the mean annual number of maximum consective wet days), trung bình số ngày khô hạn cực đại liên tiếp hàng năm (CDD – the mean annual number of maximum consective dry days), số ngày có mưa vượt quá 10mm (R10 – the number of days that exceed 10mm). Tuy sai số là không tránh khỏi nhưng một lần nữa, nghiên cứu chỉ ra được xu thế và pattern của các yếu tố trên quy mô địa phương là khá rõ ràng. Ở Việt Nam, cho đến nay chưa có nghiên cứu nào sử dụng mô hình WRF để dự báo mùa dài hạn lên từ một tháng trở lên mà mới chỉ sử dụng một số các mô hình khí hậu khu vực như RegCM, MM5 trong đề tài nghiên cứu cấp Nhà nước 16
KC08.29/06-10 “Nghiên cứu tác động của biến đổi khí hậu toàn cầu đến các yếu tố và hiện tượng khí hậu cực đoan ở Việt Nam, khả năng dự báo và giải pháp chiến lược ứng phó” do GS. TS. Phan Văn Tân làm chủ nhiệm. 17
1.3. Về các yếu tố và hiện tượng khí hậu cực đoan Theo chương trình nghiên cứu biến đổi khí hậu của Hoa kỳ đã chỉ ra sự tăng nhiệt độ và các cực trị nhiệt độ trong tương lai (hình 1.2). Nhiệt độ trung bình tăng dẫn đến việc tăng nhiệt độ cực đoan trong tương lai. Tuy nhiên, nhiệt độ lạnh hơn vẫn xuất hiện nhưng sẽ ít hơn hiện tại. Hình 1.2. Sự tăng nhiệt độ trung bình dẫn đến tăng nhiệt độ cực đoan. Nguồn: US Climate Change Science Program / Southwest Climate Change Network Kiktev và CS (2003) [22] đã đánh giá khả năng mô phỏng ECE của mô hình AGCM HadAM3. Các tác giả nhận thấy, xu thế giá trị năm của các chỉ số khí hậu ước tính trên lưới (mô hình) cho thời kỳ 1950-1995 biểu diễn rõ ràng hơn bức tranh các kiểu xu thế trong các chỉ số khí hậu so với việc xem xét chúng dựa trên số liệu trạm trực tiếp. Các xu thế tính trên lưới cũng cho phép so sánh xu thế quan trắc với xu thế mô phỏng bởi mô hình khí hậu thích hợp chạy với các điều kiện biên quan trắc biến đổi của SST, qui mô băng biển và những kết hợp khác của tác động do con người. Kết quả sử dụng kỹ thuật bootstrap đánh giá tính bất định trong ước lượng xu thế trên lưới và ý nghĩa trường của các kiểu xu thế quan trắc cho thấy: có sự 18
giảm đáng kể số ngày băng giá và tăng số đêm nóng. Những vùng có sự tăng đáng kể của cực trị mưa và số ngày giảm ở Bắc bán cầu. Meehl và CS (2004a) [26] đã đánh giá kết quả mô phỏng số ngày sương giá từ mô hình PCM (Parallel Climate Model) cho thế kỷ 20 trong đó có tính đến sự tác động của các yếu tố như biến động mặt trời, núi lửa, xon khí, ôzôn và khí nhà kính. Các kết quả mô phỏng và quan trắc đều cho thấy xu thế giảm khoảng 2 ngày cho mỗi thập kỷ ở phía Tây nước Mỹ trong thế kỷ 20. Tuy nhiên, kết quả mô phỏng từ PCM lại rất khác so với quan trắc trong vùng Đông Nam nước Mỹ (mô phỏng cho giảm trong khi quan trắc lại cho tăng số ngày sương giá). Nguyên nhân dẫn đến sai số này theo nhóm tác giả là do sự bất ổn định của mô hình PCM khi mô phỏng tác động của các hiện tượng El Nino cho vùng Đông Nam nước Mỹ. Meehl và Warren, và CS (2004b) [27] cũng sử dụng mô hình PCM để đánh giá khả năng mô phỏng số đợt nóng (heat wave) trong thời kỳ 1961-1990 dựa trên tiêu chí 1 đợt nóng là có ít nhất 3 ngày liên tiếp có đêm ấm. Các kết quả đánh giá cho thấy kỹ năng mô phỏng của PCM là rất tốt. Kharin và CS (2005) [28] đã đánh giá kỹ năng mô phỏng các ECE liên quan đến nhiệt độ và mưa dựa trên 15 GCM trong dự án AMIP-2. Kết quả cho thấy, hầu hết các GCM mô phỏng tốt các cực trị nhiệt độ, đặc biệt là các cực trị nhiệt độ tối cao. Tuy nhiên, hầu hết các mô hình không mô phỏng tốt cho các cực trị mưa, đặc biệt là cho vùng nhiệt đới. Sun và CS (2006) [31] đã khảo sát cường độ mưa ngày được mô phỏng từ 18 AOGCM và nhận thấy hầu hết các mô hình cho lượng mưa mô phỏng ít hơn so với thực tế. Ngoài ra, sai số hệ thống là không rõ ràng dẫn đến lượng mưa trung bình theo mùa không đáng tin cậy. Kimoto và CS (2005) [23] đã nghiên cứu mô phỏng lượng mưa ngày cho khu vực Nhật Bản dựa trên một AOGCM với độ phân giải thô và cao. Các kết quả đánh giá cho thấy phân bố mưa trong trường hợp sử dụng phân giải cao đáng tin cậy hơn độ phân giải thô. Emori và CS (2005) [15] đã chỉ ra rằng các mô hình AGCM với độ phân giải cao có thể mô phỏng tốt các cực trị mưa nếu mô hình có khả năng kìm hãm đối lưu khi độ ẩm tương đối tại các vùng lân cận nhỏ 19
hơn 80%. Hay nói cách khác, cực trị mưa được mô phỏng từ các GCM rất nhạy với các sơ đồ tham số hóa đối lưu. Chẳng hạn, nghiên cứu của Kiktev và CS (2003) [22] với mô hình HadAM3 GCM cho thấy kỹ năng mô phỏng sự thay đổi các cực trị mưa là rất kém. May (2004) [25] đã nghiên cứu sự biến đổi các cực trị mưa ngày dựa trên mô phỏng từ mô hình ECHAM4 GCM và nhận thấy mô hình này mô phỏng khá tốt cho hầu hết các khu vực thuộc Ấn Độ nhưng lại thiên cao cho khu vực trung tâm của Ấn Độ. Theo hướng này, Iorio và CS (2004) [19] đã nghiên cứu tác động của độ phân giải mô hình tới kết quả mô phỏng lượng mưa ở Hoa Kỳ dựa trên mô hình CCM3 và thấy rằng các mô phỏng với độ phân giải cao sẽ tạo ra các phân bố mưa ngày tin cậy hơn độ phân giải thô (thường cho nhiều ngày mưa với lượng mưa nhỏ). Tuy nhiên, không phải lúc nào độ phân giải cao cũng tạo ra kết quả mô phỏng mưa tốt mà phải kết hợp sự cải tiến trong các sơ đồ tham số hóa đối lưu và mây. Duffy P. B. và CS (2006) [14] phân tích kết quả mô phỏng khí hậu hiện tại và tương lai ở tây Hoa Kỳ được thực hiện với 4 RCM lồng vào 2 AOGCM. Mục đích của các tác giả là đánh giá mức độ phản ứng lại của khí hậu khu vực đối với sự gia tăng các khí nhà kính. Bốn RCM được ứng dụng cho các miền tính, các kịch bản tăng khí nhà kính khác nhau, và trong một số trường hợp các điều kiện biên khác nhau, để mô phỏng khí hậu tương lai. Đối với mô phỏng khí hậu hiện tại, mô phỏng của RCM được so sánh với quan trắc và với các trường GCM làm điều kiện biên cho RCM. Đối với mô phỏng khí hậu tương lai (khí nhà kính gia tăng), sản phẩm của RCM được so sánh với nhau và với GCM điều khiển. Theo các tác giả, khi lấy trung bình không gian trên khu vực tây Hoa Kỳ, kết quả của từng RCM gần như tuân theo trường điều khiển GCM trên cùng một vùng, cả đối với khí hậu hiện tại và tương lai. Phản ứng lại của giáng thủy mô hình trong nhiều khu vực không đáng kể so với dao động giữa các năm. Các mô hình đều cho nhiệt độ gần bề mặt sẽ tăng lên nhưng phân bố không gian không giống nhau về mức độ tăng. Bốn RCM cho những ước lượng rất khác nhau về hàm lượng nước của tuyết trong khí hậu hiện tại, và 20