Luận văn thạc sĩ " THỬ NGHIỆM DỰ BÁO HẠN MÙA MỘT SỐ CHỈ SỐ KHÍ HẬU CỰC ĐOAN BẰNG MÔ HÌNH REGCM CHO KHU VỰC VIỆT NAM "

Chia sẻ: Phạm Huy | Ngày: | Loại File: PDF | Số trang:79

Thêm vào BST

Báo xấu

139
lượt xem 19
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Trong những năm gần đây, dự báo hạn mùa (seasonal forecasting) đang là một trong những bái toán có tính ứng dụng rất lớn, có ý nghĩa rất quan trọng đối với nhiều ngành kinh tế, xã hội. Thông tin dự báo hạn mùa là căn cứ cho các nhà hoạch định chính sách, các nhà quản lý có thể đưa ra kế hoạch sản suất phù hợp cũng như chủ động ứng phó với các thiên tai, thảm họa. Trong bối cảnh biến đổi khí hậu, dường như các hiện tượng thời tiết cực đoan ngày càng xảy ra...

Chủ đề:

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

Lưu

Nội dung Text: Luận văn thạc sĩ " THỬ NGHIỆM DỰ BÁO HẠN MÙA MỘT SỐ CHỈ SỐ KHÍ HẬU CỰC ĐOAN BẰNG MÔ HÌNH REGCM CHO KHU VỰC VIỆT NAM "

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN --------------------- Trịnh Tuấn Long THỬ NGHIỆM DỰ BÁO HẠN MÙA MỘT SỐ CHỈ SỐ KHÍ HẬU CỰC ĐOAN BẰNG MÔ HÌNH REGCM CHO KHU VỰC VIỆT NAM Chuyên ngành: Khí tượng và khí hậu học Mã số: 62.44.87 LUẬN VĂN THẠC SĨ KHOA HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC: GS. TS. Phan Văn Tân Hà Nội - 2012 1
LỜI CẢM ƠN Tác giả xin bày tỏ lòng biết ơn chân thành nhất tới thầy GS.TS. Phan Văn Tân, người đã hết lòng quan tâm cũng như kiên trì giúp đỡ từng bước nghiên cứu của học viên. Tác giả cũng xin chân thành cảm ơn tập thể Bộ môn khí tượng nói riêng và Khoa Khí tượng Thủy Văn và Hải dương học nói chung đã luôn giúp đỡ, tạo điều kiện để tác giả hoàn thành luận văn. Không những vậy, còn mang lại một môi trường làm việc thân thiện và hiệu quả nhất cho học viên. Trịnh Tuấn Long 2
MỤC LỤC DANH MỤC HÌNH ......................................................................................................... 4 DANH MỤC CÁC KÝ HIỆU VIẾT TẮT....................................................................... 6 Chương 1 TỔNG QUAN ................................................................................................. 9 1.1 Các nghiên cứu trên thế giới ................................................................................... 9 1.2. Các nghiên cứu trong nước .................................................................................. 19 Chương 2 PHƯƠNG PHÁP NGHIÊN CỨU................................................................. 24 2.1 Xác định các chỉ số khí hậu cực đoan................................................................... 24 2.2 Hệ thống mô hình dự báo khí hậu CFS ................................................................ 28 2.3 Mô hình khí hậu khu vực RegCM ........................................................................ 29 2.4 Cách xác định các chỉ số ECE từ sản phẩm mô hình ........................................... 34 2.5 Phương pháp đánh giá .......................................................................................... 36 Chương 3 KẾT QUẢ VÀ NHẬN XÉT ...................................................................... 40 3.1 Kết quả nhiệt độ trung bình tháng ........................................................................ 40 3.2 Các trường nhiệt độ cực trị ................................................................................... 50 3.3 Các chỉ số khí hậu cực đoan ................................................................................. 63 TÀI LIỆU THAM KHẢO.............................................................................................. 68 PHỤ LỤC ....................................................................................................................... 73 3
DANH MỤC HÌNH Hình 1.1 : Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO ..................... 16 Hình 2.1 Cấu trúc lưới thẳng đứng (bên trái) và lưới ngang dạng xen kẽ ArakawaB (bên phải) của mô hình ................................................................................................... 30 Hình 2.2 Quy trình dự báo mùa ..................................................................................... 33 Hình 2.3 Xác định chỉ số ECE bằng phương pháp phân vị ........................................... 36 Hình 3.1: Nhiệt độ trung bình tháng dự báo ứng với các hạn dự báo khác nhau ......... 41 Hình 3.2 Nhiệt độ trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số quân phương (d) ............................................................................................................. 42 Hình 3.3 Đồ thị phân bố tần suất trường nhiệt độ trung bình cho tháng 8 và tháng 4 .. 44 Hình 3.4: Phân bố đồng thời giá trị nhiệt độ tháng 8 và tháng 4 ................................... 46 Hình : 3.5 Tổng lượng mưa tháng dự báo với các hạn dự báo từ 1 đến 6 tháng ........... 47 Hình 3.6 : Lượng mưa trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số quân phương (d) ........................................................................................................ 48 Hình 3.7 Đồ thị phân bố tần suất trường mưa cho tháng 8 và tháng 4 .......................... 49 Hình 3.8 Nhiệt độ cực tiểu trung bình tháng ứng với các hạn dự báo khác nhau .......... 51 Hình 3.9 : Nhiệt độ cực tiểu trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số quân phương (d) .............................................................................................. 52 Hình 3.10 : Đồ thị phân bố tần suất nhiệt độ cực tiểu trung bình tháng cho tháng 8 và tháng 4 ............................................................................................................................ 54 Hình 3.11 : Phân bố đồng thời giá trị nhiệt độ cực tiểu trung bình tháng 8 và tháng 4 . 55 Hình 3.12 Nhiệt độ cực đại trung bình tháng ứng với các hạn dự báo khác nhau ......... 56 Hình 3.13: Nhiệt độ cực đại trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số quân phương (d) .............................................................................................. 57 Hình 3.14 Đồ thị phân bố tần suất nhiệt độ cực đại trung bình tháng cho tháng 8 và tháng 4 ............................................................................................................................ 58 Hình 3.15 Phân bố đồng thời giá trị nhiệt độ cực đại trung bình tháng 8 và tháng 4 .... 59 4
Hình 3.16 Nhiệt độ cực tiểu tuyệt đối tháng 3 đến tháng 8 với hạn dự báo tứng ứng từ 1 đến 6 tháng. .................................................................................................................... 61 Hình 3.17 Nhiệt độ cực đại tuyệt đối tháng 3 đến tháng 8 với hạn dự báo tứng ứng từ 1 đến 6 tháng. .................................................................................................................... 63 Hình 3.18 khả năng dự báo số ngày rét đậm C15 (a), rét đậm, rét hại C13 (b). ........... 64 Hình 3.19 khả năng dự báo số ngày nắng nóng H35 (a), nắng nóng gay gắt H37 (b). 64 Hình 3.20 khả năng dự báo số ngày mưa lớn................................................................ 65 5
DANH MỤC CÁC KÝ HIỆU VIẾT TẮT AGCM Mô hình hoàn lưu chung khí quyển GCM Mô hình hoàn lưu chung khí quyển (Global Circulation model) CFS Hệ thống dự báo mùa toàn cầu (Climate Forecast Systerm) CFSR Bộ số liệu tái phân tích CFS RCM Mô hình khí hậu khu vực (Regional Climate Model) GPC Trung tâm sản phẩm toàn cầu cho dự báo hạn dài LSM Mô hình bề mặt đất (land surface model) RegCM Mô hình khí hậu khu vực (Regional Climate Model) SST Nhiệt độ mặt nước biển toàn cầu (Sea surface temperature) WMO Tổ chức Khí tượng Thế giới (World Meteorological Organization) IPCC Ủy ban Liên chính phủ về Biến đổi khí hậu ECE Hiện tượng khí hậu cực trị (extreme climate events) MRED Tổ hợp đa mô hình khí hậu khu vực (MultiRCM Ensemble Downscaling) MME Hệ thống tổ hợp đa mô hình (MultiModel Ensemble) SPI Chỉ số giáng thủy tiêu chuẩn (Standardized Precipitation Index) MOM3 Mô hình đại dương phiên bản 3 (Modular Ocean Model version 3) 6
MỞ ĐẦU Trong những năm gần đây, dự báo hạn mùa (seasonal forecasting) đang là một trong những bái toán có tính ứng dụng rất lớn, có ý nghĩa rất quan trọng đối với nhiều ngành kinh tế, xã hội. Thông tin dự báo hạn mùa là căn cứ cho các nhà hoạch định chính sách, các nhà quản lý có thể đưa ra kế hoạch sản suất phù hợp cũng như chủ động ứng phó với các thiên tai, thảm họa. Trong bối cảnh biến đổi khí hậu, dường như các hiện tượng thời tiết cực đoan ngày càng xảy ra với tần suất nhiều hơn, cường độ mạnh hơn, gây thiệt hại nặng nề, việc dự báo hạn mùa dựa trên cơ sở các mô hình động lực trở nên ưu việt hơn so với phương pháp thống kê truyền thống. Ngày nay, cùng với sự phát triển mạnh mẽ của công nghệ tính toán, các mô hình dự báo số trị ngày càng được sử dụng rộng rãi trong các nghiên cứu khí hậu. Việc ứng dụng không chỉ trên quy mô toàn cầu mà còn được chi tiết hóa cho từng khu vực, tạo điều kiện thuận lợi cho những nghiên cứu sâu hơn, mang tính ứng dụng cao hơn. Ngoài ra, mục tiêu của bài toán dự báo hạn mùa không chỉ dừng lại đơn thuần ở dự báo xu thế các yếu tố khí tượng nữa mà việc dự báo được các hiện tượng thời tiết cực đoan ở qui mô hạn mùa cũng rất được quan tâm, chú ý. Ở Việt Nam, việc ứng dụng và thử nghiệm các mô hình khí hậu khu vực cho bài toán dự báo tuy không còn mới mẻ nhưng vẫn còn nhiều câu hỏi cần được trả lời, đặc biệt là dự báo hạn mùa và khả năng dự báo các yếu tố, hiện tượng khí hậu cực đoan. Trong khuôn khổ luận văn này, tác giả sẽ thử nghiệm ứng dụng mô hình khí hậu khu vực khi sử dụng sản phẩm đầu ra từ mô hình dự báo toàn cầu làm điều kiện ban đầu và điều kiện biên để dự báo một số chỉ số khí hậu cực đoan và đánh giá cho khu vực Việt Nam. Mô hình được sử dụng là mô hình RegCM phiên bản 4.2 (RegCM4.2). Sản phẩm của mô hình toàn cầu được sử dụng là sản phẩm dự báo của hệ thống mô hình CFS. Luận văn được bố cục thành 3 chương, ngoài mở đầu, kết luận và tài liệu tham khảo như sau: 7
Chương 1: Tổng quan Chương 2: Phương pháp nghiên cứu Chương 3: Kết quả và nhận xét 8
Chương 1 TỔNG QUAN Hiện nay, dự báo hạn mùa đang là một trong những bài toán được các nhà khoa học trong và ngoài nước hết sức quan tâm. Các kết quả dự báo mùa đã mang lại được ứng dụng rộng rãi trong đời sống xã hội. Trong đó, có thể kể đến hiệu quả của sản phẩm dự báo hạn mùa trong lĩnh vực nông nghiệp như góp phần đưa ra những dự báo đáng tin cậy về sản lượng vụ mùa ở Australia [45],Châu Âu [12] hay miền tây Ấn Độ [13], và cả trong lĩnh vực y tế như góp phần cung cấp thông tin cho việc dự báo sự lan truyền của dịch sốt rét [38]. Việc dự báo hạn mùa các hiện tượng khí hậu cực đoan cũng đã được thử nghiệm ở nhiều nơi trên thế giới như Mỹ [47], [48], Hàn Quốc [49] hay Nam Mỹ [46] và đã cho những kết quả khả quan. Dưới đây là một số công trình nghiên cứu tiêu biểu. 1.1 Các nghiên cứu trên thế giới Trong nghiệp vụ dự báo có 3 lớp bài toán: dự báo thời tiết, dự báo tháng và dự báo mùa. Đối với dự báo thời tiết, thông thường hạn dự báo khoảng 3–5 ngày (hạn ngắn – Short range forecast) và tối đa khoảng 5–10 ngày (hạn vừa – Medium range forecast). 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) trong thời hạn dự báo. Dự báo mùa, hay dự báo hạn mùa (Seasonal forecast), hay dự báo khí hậu hạn mùa (Seasonal Climate forecast) có hạn dự báo đến tối đa (hiện nay) là một năm [35]. 9
Theo tổ chức khí tượng thế giới WMO [44], với bài toán dự báo thời tiết, dự báo quy mô lớn hơn 10 ngày trong tương lai được coi là dự báo hạn dài. Trong dự báo khí hậu, hạn dự báo được mở rộng từ hạn 30-45 ngày (dự báo tháng), hoặc vài ba tháng đến 1 năm (hạn mùa), cho đến 2-3 năm (hạn dài). Các thông tin dự báo khí hậu có thể rất khái quát để mô tả quy mô mùa (seasonal outlook) điều kiện thời tiết thông qua độ lệch so với giá trị trung bình khí hậu của mùa đó [30]. Khái niệm mùa có thể hiểu theo mùa thiên văn (xuân, hạ, thu, đông) và cũng có thể có khái niệm khác ở vùng nhiệt đới (mùa mưa, mùa khô). Trong thực tế, dự báo hạn mùa (seasonal forecasting) được xét từ quy mô tháng cho đến 1 năm (với các hạn phổ biến là 1, 3, 6, 9 tháng) nhằm đưa ra các ứng dụng có hiệu quả của sản phẩm dự báo. Dự báo hạn mùa (từ quy mô tháng cho đến quy mô năm) là một bài toán phức tạp mà sự thành công của các dự báo mùa này phụ thuộc vào mức độ chi tiết hóa về mối quan hệ tương tác giữa khí quyển và đại dương [44]. Hiện tại, với những hiểu biết về các quá trình tương tác khí quyển – đại dương, cùng với việc mô phỏng chi tiết hóa từng khu vực của các mô hình cũng như việc thu thập số liệu đo đạc quan trắc nâng cao chất lượng số liệu đã tạo ra những tiến bộ trong dự báo hạn mùa. Để hiểu được cơ sở vật lý của dự báo hạn mùa, chúng ta cần hiểu các nhân tố tạo ra các đặc trưng khí hậu của 1 năm khác biệt so với các năm khác. Vì vậy, chúng ta cũng cần nắm được khả năng dự báo của chính các nhân tố này và cụ thể ở quy mô thời gian nào. Trên quy mô toàn cầu, nguyên nhân quan trọng nhất khiến các đặc trưng khí hậu thay đổi từ năm này qua năm khác là sự biến đổi của nhiệt độ mặt nước biển toàn cầu (SST). Dị thường nhiệt độ bề mặt biển ở khu vực nhiệt đới là đặc biệt quan trọng bởi vì đối lưu sâu trong khí quyển miền nhiệt đới, tác động lớn đến hoàn lưu toàn cầu, lại rất nhạy cảm với SST bên dưới. Ở một số nơi khác như Châu Âu và Tây Phi, SST của khu vực cũng được coi là một trong những nhân tố quan trọng nhất. Đối với khu vực nhiệt đới, đặc biệt là khu vực Thái Bình Dương xích đạo, khả năng dự báo SST được nâng cao nhờ có các quá 10
trình khác. Trong đó, ENSO là hiện tượng được quan tâm nghiên cứu và có tác động nhiều nhất đến các quá trình làm thay đổi SST[45]. Dự báo hiện tượng ENSO, theo quy mô tháng và năm, đã hỗ trợ tốt hơn cho dự báo hạn mùa ở nhiều nơi trên thế giới. Một nhân tố cũng rất quan trọng khác là bề mặt đất của trái đất, nó cũng có thể ảnh hưởng đến khí quyển trên quy mô mùa, trong đó độ ẩm đất đóng vai trò quan trọng, cũng như một số nơi là độ phủ tuyết. Độ ẩm đất có thể dao động về căn bản từ năm này qua năm khác và biến đổi trong độ ẩm đất có khoảng thời gian quy mô từ tháng đến năm. Koster (2004) [27] đã sử dụng mô hình bề mặt đất (LSM) kết hợp với trường toàn cầu trạng thái thực (của các biến giáng thủy, bức xạ và các trường khí tượng bề mặt) để có được các trường mới về độ ẩm đất, nhiệt độ và các trạng thái đất khác. Sau đó, tác giả đã sử dụng các trường này làm điều kiện ban đầu cho dự báo giáng thủy và nhiệt độ bằng mô hình hoàn lưu chung khí quyển (AGCM). Sự cải thiện trong kết quả đã được kiểm định với việc thực hiện dự báo lại ở quy mô tháng (từ tháng 5 đến tháng 9, 1979-93) với hệ thống dự báo hạn mùa của Mô hình toàn cầu của NASA (GMAO). Với 75 dự báo riêng biệt, kết quả đã cung cấp cơ bản đầy đủ về mặt thống kê cho việc đánh giá sự cải thiện trong kĩ năng dự báo liên quan đến việc ban đầu hóa điều kiện bề mặt đất. Đánh giá kĩ năng được tập trung cho khu vực Đồng bằng lớn của Bắc Mỹ, khu vực có nguồn số liệu về điều kiện đất ban đầu đáng tin cậy và có sự ảnh hưởng lớn của điều kiện độ ẩm đất tới các nhiễu động khí quyển trong việc phát triển các trường khí tượng. Nghiên cứu đã chỉ ra ban đầu hóa đất tác động nhỏ nhưng là có thể nhận thấy cho sự cải thiện của dự báo nhiệt độ và lượng mưa của khu vực này. Đối với giáng thủy, sự phát triển trong kĩ năng dự báo xuất hiện rõ nét vào tháng 5 đến tháng 7, trong khi đó với nhiệt độ không khí, là tháng 8 và tháng 9. Cả ban đầu hóa đất và khí quyển đều chi phối một cách độc lập đến kĩ năng thực của dự báo nhiệt độ hàng tháng, với kĩ năng lớn nhất nhận được từ việc ban đầu hóa là khi kết hợp 2 nguồn này. 11
Việc dự báo hạn dài chính xác các nhân tố khí hậu (nhiệt độ, lượng mưa, trên hay dưới chuẩn… ) có những tiềm năng ứng dụng rất lớn, ví dụ những dự báo này có thể cung cấp thông tin cần thiết cho những quyết định dài hạn và cảnh báo sớm các thiên tai có thể xảy ra. Một lưu ý là mức độ tin cậy của bất kỳ dự báo nào cũng phụ thuộc vào khả năng nắm bắt chính xác đến đâu của chúng khi so sánh với trung bình khí hậu. Cụ thể là dự báo chỉ được chấp nhận nếu chúng chính xác hơn và cung cấp nhiều thông tin hơn so với kinh nghiệm về khí hậu mà vẫn được sử dụng để đánh giá và đưa ra các quyết định trước đây. Có hai cách tiếp cận dự báo hạn mùa là dự báo bằng phương pháp thống kê và phương pháp mô hình động lực (dự báo sử dụng các mô hình số trị). 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. Những dị thường biến đổi chậm và có quy mô lớn của khí hậu (ví dụ như SST) có thể tồn tại trong nhiều tháng, và có thể tác động làm thay đổi hình thế hoàn lưu chung khí quyển và từ đó sai lệch so với trạng thái trung bình của hoàn lưu khí hậu địa phương. Ban đầu, hướng tiếp cận này không mấy thành công, nhưng sự tăng cường hiểu biết về hiện tượng ENSO và các hình thế tác động khác giúp cho phương pháp này đáng tin cậy hơn. 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 12
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 mô hình động lực dự báo mùa nhìn chung chỉ mới bắt đầu từ khoảng 30 năm trở lại đây. Cách tiếp cận của phương pháp mô hình động lực có cơ sở vật lý hơn, sử dụng các mô hình hoàn lưu chung khí quyển. Trong một dạng của hướng tiếp cận này, bước đầu tiên là dự báo sự phát triển của SST trong vùng nhiệt đới Thái Bình Dương. Các dự báo có thể dựa trên mô hình khu vực mà coi sự phát triển trong vùng đại dương nhiệt đới là cô lập. Khi mô hình đưa ra dự báo về Thái Bình Dương, có thể trong một năm tới, hình thế dự báo của SST sẽ được sử dụng tác động đến mô hình hoàn lưu chung khí quyển để dự báo thời tiết toàn cầu phản ứng ra sao. Những dự báo mùa đã cho các kết quả đầy hứa hẹn, đặc biệt là khu vực nhiệt đới. Sự phát triển của các dự báo này được xây dựng dựa trên những điểm mạnh của mô hình và những quan trắc ngày càng tốt hơn ở khu vực Thái Bình Dương xích đạo. Sự phát triển đáng kể hiện tại đã tạo ra một hệ thống tương tác đầy đủ trong 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. Vấn đề dự báo hạn mùa các yếu tố, hiện tượng khí hậu cực đoan đã được đề cập đến trong một số nghiên cứu của các tác giả. Trong nghiên cứu của mình, Yoon (2012) [48] đã so sánh kết quả giữa mô hình thống kê và mô hình động lực dự báo mùa lạnh ở nước Mỹ, tác giả sử dụng phương pháp tổ hợp với 7 mô hình khí hậu khu vực MRED với đầu vào từ sản phẩm CFS mô phỏng 5 tháng mùa lạnh. Với mỗi RCM, hệ thống 10 thành phần với các điều kiện biên và điều kiện ban đầu được mô phỏng từ tháng 12 đến tháng 4 năm sau trong giai đoạn 1982 đến 2003. Kết quả so sánh giữa 2 phương pháp cho thấy RCM đã đưa ra được nhiều kết quả mang tính ứng dụng hơn, đặc biệt phương pháp RCM cho kết quả tốt ở khu vực Tây bắc và phía Nam nước Mỹ với hạn dự báo ko 13
quá dài. Kết quả đánh giá cũng cho thấy kết hợp phương pháp động lực và phương pháp thống kê cho kết quả tốt nhất. Sohn (2012) [49] cũng đã phát triển hệ thống dự báo mùa đa mô hình nhằm dự báo các đợt hạn hán và ngập lụt ở Hàn Quốc. Để thuận tiện trong công tác dự báo, tác giả dựa trên số liệu mưa để chia miền nghiên cứu thành các khu vực nhỏ hơn. Hệ thống dựa trên sản phẩm dự báo mùa đa mô hình MME với hạn dự báo 3 tháng dự báo mưa cho 60 trạm ở Hàn Quốc từ tháng 3 đến tháng 5. Dựa trên kết quả mô hình và chỉ số SPI, các bản tin dự báo hạn hán và lũ hụt sẽ được xây dựng và đưa ra. Hệ thống cũng sử dụng 3 sơ đồ đối lưu khác nhau và hiệu chỉnh kết quả dựa trên tập số liệu quá khứ để đưa ra trọng số. Bộ trọng số này sẽ được dùng để xây dựng kết quả cuối cùng. Thử nghiệm cho thấy, có sự cải thiện lớn trong việc đưa ra được những bản tin cảnh báo sớm đối với hạn hán và lũ lụt, những thông tin này là rất hữu ích cho các nhà quản lý nông nghiệp, quản lý tài nguyên nước đưa ra những kế hoạch, chính sách phù hợp. Một nghiên cứu khác của Frumkin [46] xem xét tới khả năng dự báo mùa khô hạn (tháng 6 đến tháng 8) trên khu vực nhiệt đới và cận nhiệt đới khu vực Nam Mỹ. Tác giả sử dụng một số sản phẩm dự báo toàn cầu CFS, RSM [50], RSM_AN [51] làm điều kiện đầu vào cho các mô hình khí hậu khu vực với 6 thành phần tổ hợp trong giai đoạn 2001 đến 2007. Trong nghiên cứu này, tác giả tập trung phân tích trường mưa và nhiệt độ bề mặt cho 2 khu vực chính là lưu vực sông Amazon và khu vực cận nhiệt đới. Kết quả mô phỏng được so sánh với số liệu CMAP, TRMM và bộ số liệu tái phân tích CFSR cho thấy kết quả mô phỏng với cả 3 mô hình khác nhau đều cho thấy khả năng mô phỏng hạn mùa trên lưu vực sông Amazon và khu vực cận nhiệt đới cả đối với trường nhiệt độ bề mặt và trường mưa, trường nhiệt tốt hơn trường mưa, đặc biệt là trên lưu vực sông Amazon. Hiện nay WMO đã thiết lập được các nguồn cung cấp sản phẩm dự báo hạn dài. Các quá trình dự báo hạn dài dựa trên nền tảng công nghệ tính toán (quy mô từ 30 ngày 14
đến 2 năm) trên quy mô toàn cầu đòi hỏi lượng lớn tài nguyên máy tính cùng với những hiểu biết đặc biệt. Vì lý do này, chỉ có một vài trung tâm trên thế giới cung cấp các bản tin dự báo khí hậu hạn dài toàn cầu. Những dịch vụ cung cấp bởi các trung tâm này được biết đến với tên gọi Trung tâm sản phẩm toàn cầu cho dự báo hạn dài (GPCs) đưa ra điều kiện cơ bản cho dự báo khí hậu và thời tiết ở quy mô khu vực/địa phương và được sử dụng ở các trung tâm dự báo khu vực và địa phương. Từ đó, dự báo hạn dài ở quy mô khu vực được cung cấp bởi cả Các trung tâm khí hậu khu vực (RCCs) cũng như các diễn đàn về dự báo mùa khu vực (RCOFs). Cũng như GPCs, RCCs và RCOFs sử dụng số liệu được hỗ trợ bởi các mô hình số trị để phát triển các dự báo chi tiết thích hợp cho khu vực riêng. Những mô hình và dự báo này sau đó được sử dụng bởi các trung tâm dự báo để tạo ra các dự báo quốc gia và địa phương chính xác và tốt hơn. Năm 2006, WMO bắt đầu chính thức bổ nhiệm các trung tâm đưa ra các bản tin dự báo mùa toàn cầu được gọi là Trung tâm sản phẩm toàn cầu cho dự báo hạn dài (GPCs), một thành phần của Hệ thống Xử lý số liệu và Dự báo toàn cầu (GDPFS) [30]. Các trung tâm này cần cung cấp tối thiểu: o Dự báo giá trị trung bình, tích lũy hoặc tần suất với thời hạn 1 tháng hoặc lâu hơn; đặc trưng là dị thường phân vị trung bình 3 tháng với định dạng chuẩn cho dự báo mùa. Các dự báo thường biểu diễn dưới dạng xác suất. o Hạn dự báo hay thời trễ dự báo (leadtime): từ 0 đến 4 tháng. o Tần suất phát báo: hàng tháng hoặc ít nhất là theo quý o Cung cấp: dạng ảnh hiển thị trên trang web của GPCs hoặc/và số liệu để tải về o Các biến: nhiệt độ 2m, lượng mưa, SST, MSLP, độ cao 500hPa, nhiệt độ 850hPa o Đánh giá kĩ năng dự báo hạn dài, sử dụng quy chuẩn của SVSLRF. 15
Hình 1.1 : Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO Một số các GPCs chính của WMO là: Cục khí tượng Úc (Bureau of Meteorology, Australia); Cơ quan khí tượng Trung Quốc (China Meteorological Administration/Bejing Climate Center); Trung tâm dự báo khí hậu Mỹ (Climate Prediction Center, NOAA); Trung tâm dự báo hạn vừa Châu Âu (European Centre for Medium-Range Weather Forecasts); Cơ quan khí tượng Nhật Bản (Japan Meteorological Agency/Tokyo Climate Centre)… Nổi bật trong các hệ thống dự báo khí hậu hiện nay là Hệ thống dự báo khí hậu CFS (Climate Forecast System) với hệ thống dự báo hạn mùa sử dụng mô hình động lực kết hợp đầy đủ đại dương-đất-khí quyển, đã được đưa vào nghiệp vụ tại NCEP từ tháng 8 năm 2004 [32]. Hệ thống CFS cung cấp những lợi thế quan trọng trong việc dự báo hạn mùa nghiệp vụ. Lần đầu tiên trong lịch sử dự báo nghiệp vụ của nước Mỹ, một hệ thống mô hình động lực có kĩ năng tốt có thể so sánh được với phương pháp thống kê hiện đang sử dụng ở Trung tâm Dự báo Khí hậu của NCEP (CPC). Điều này thể hiện sự tiến bộ đáng kể so với các hệ thống mô hình động lực trước đây được sử dụng ở NCEP. Hơn thế nữa, kĩ năng được cung cấp bởi CFS (theo không gian và thời gian) 16
cũng đã hoàn thiện kĩ năng của phương pháp thống kê. Thành phần khí quyển của CFS là phiên bản độ phân giải thấp hơn (T62L64) của Hệ thống Dự báo Toàn cầu (GFS) đã được chạy nghiệp vụ ở NCEP từ năm 2003. Thành phần đại dương là GFDL Modul Mô hình đại dương phiên bản 3 (MOM3) thay cho MOM1 trước đây. Một số cải tiến quan trọng của hệ thống CFS so với hệ thống động lực trước đây bao gồm: (1) sự kết hợp giữa khí quyển và đại dương mở rộng hầu hết toàn cầu từ 64N-74S (trước đây chỉ có khu vực Thái Bình Dương nhiệt đới) (2) hệ thống CFS được kết hợp đầy đủ không có hiệu chỉnh dòng (khác với trước đây có hiệu chỉnh dòng và sai số) và (3) một bộ đầy đủ kết quả dự báo lại của 24 năm (1981-2004) với 15 dự báo cho từng tháng chạy cho 9 tháng, đã được cung cấp cùng với CFS. Bộ số liệu dự báo lại của 24 năm này đặc biệt quan trọng trong việc đánh giá kĩ năng dự báo của hệ thống khi chạy nghiệp vụ, đồng thời cung cấp thông tin quý báu cho việc nghiên cứu sự tương tác của các quá trình khí quyển-đất-đại dương. CFS có sai số nhỏ chấp nhận được trong dự báo SST vùng nhiệt đới và kĩ năng dự báo Nino 3-4 SST có thể so sánh được với phương pháp thống kê. Tuy vậy, kĩ năng dự báo SST vùng vĩ độ trung bình (trước đây không có) kém hơn nhiều so với khu vực nhiệt đới và ở các thời trễ dự báo dài hơn thì chỉ có kĩ năng vào mùa đông. Kĩ năng dự báo tháng và mùa của nhiệt độ và lượng mưa khu vực đất liền Bắc Bán cầu, cụ thể như Mỹ, còn khiêm tốn, nhưng vẫn so sánh được với phương pháp thống kê trước đây. Kĩ năng của lượng mưa chủ yếu tốt vào mùa đông (liên quan đến ENSO), trong khi kĩ năng của nhiệt độ chủ yếu tốt vào mùa hè khi dị thường độ ẩm đất có tác dụng sử dụng. Gần đây, CFS đã phát triển phiên bản 2 với dự báo tổ hợp. Dự báo sử dụng điều kiện đầu vào của 30 ngày gần nhất và thực hiện chạy 4 lần/1 ngày. Dự báo tổ hợp đầu vào từ 40 thành phần với điều kiện ban đầu theo thời đoạn 10 ngày. Loại tổ hợp thứ nhất (E1) sử dụng 10 ngày đầu tiên, loại 2 (E2) sử dụng 10 ngày tiếp theo và loại 3 (E3) sử dụng 10 ngày cuối. Dị thường được tính so với sản phẩm dự báo lại giai đoạn 17
1981-2008. Tương quan theo thời gian dựa vào dự báo lại cho giai đoạn 1981-2006 và số liệu quan trắc được sử dụng để đánh giá kĩ năng cho dị thường không gian. Độ lệch chuẩn được tính trung bình độ lệch chuẩn của từng thành phần (vẫn tính từ bộ số liệu dự báo lại 1981-2006) với tháng đầu vào và mùa dự báo tương ứng. Ở Châu Âu, một dự án khác cũng đáng lưu ý là DEMETER, dự án được Liên minh Châu Âu tài trợ để tạo bộ số liệu dự báo lại bằng phương pháp tổ hợp đa mô hình bao gồm 7 mô hình với 9 thành phần tổ hợp mỗi mô hình, đã được đánh giá sử dụng bộ số liệu tái phân tích ERA40 và số liệu mưa GPCP [31]. Các mô hình này từ các trung tâm khí hậu của Châu Âu được viết tắt là: CERFACS, ECMWF, INGV, LODYC, METEO-FRANCE, MPI và UKMO. Sản phẩm đầu ra của DEMETER được hạ quy mô (downscale) cho phù hợp để ứng dụng vào việc dự báo sản lượng mùa màng và dịch sốt rét. Kết quả cho thấy việc tổ hợp đa mô hình là một hướng tiếp cận khả thi khi quan tâm đến độ bất định của mô hình trong dự báo mùa và nhiều năm, đồng thời đưa ra kết quả dự báo đáng tin cậy hơn khi chỉ dựa trên một mô hình đơn lẻ. Thêm nữa, một lợi ích khác của dự án là cho ra bộ sản phẩm dự báo lại quy mô mùa. Bộ số liệu này cho tiềm năng để nâng cao hiểu biết của chúng ta về các cơ chế trong dao động liên mùa và nhiều năm. David Lavers (cùng cs.) đã phân tích chi tiết kĩ năng dự báo của nhiệt độ và lượng mưa từ 8 mô hình dự báo mùa bằng phân bố đồng thời của quan trắc và dự báo để đánh giá sản phẩm của DEMETER [15]. Kết quả cũng cho thấy kĩ năng thấp ở những dự báo trên tháng -1 (tức là lấy thời trễ dự báo chỉ 1 ngày và đánh giá luôn cho 30 ngày đầu tiên). Ở những thời trễ dự báo dài, chỉ có khu vực Thái Bình Dương xích đạo cho thấy kĩ năng đáng kể. Điều này có thể ảnh hưởng trong việc sử dụng các sản phẩm dự báo mùa trong các dịch vụ khí hậu và kết quả này cũng có thể được coi như tiêu chuẩn của khả năng dự báo khí hậu hiện tại sử dụng các mô hình động lực. Các mô hình của DEMETER được khởi tạo chạy vào 01 tháng II, 01 tháng V, 01 tháng 8 và 01 18
tháng XI để đánh giá sự phụ thuộc quy mô mùa của các dự báo lại và tích phân cho 180 ngày. Cùng giai đoạn nghiên cứu, CFS với 15 dự báo lại (9 tháng) khởi tạo mỗi tháng được sử dụng để đánh giá. Thời kì chung của DEMETER và CFS là 1981-2001 (21 năm). Nhiệt độ 2m ở độ phân giải 2.5x2.5 từ số liệu tái phân tích ERA40 và lượng mưa quan trắc trung bình tháng ở độ phân giải 1.0x1.0 từ Trung tâm mưa khí hậu toàn cầu (GPCC) được sử dụng làm số liệu để so sánh. Lượng mưa được đưa về lưới 2.5 để khớp với độ phân giải của dự báo lại. Ở đây, tác giả thực hiện 2 phép đánh giá: (1) đánh giá so sánh trung bình tổ hợp các mô hình với số liệu quan trắc, đây được coi là đánh giá với khí quyển thực và (2) đánh giá với khí quyển lý tưởng, với giả thiết là một thành phần của tổ hợp được coi là “thật” và trung bình các thành phần còn lại là “dự báo”. Phương pháp sử dụng chính là dùng hệ số tương quan (tuyến tính). Trong các nghiên cứu gần đây vê dự báo mùa mà chúng ta đã điểm qua, các khái niệm và lưu ý cơ bản và một số kết quả ban đầu về dự báo mùa đã được nêu ra. Tiếp theo, chúng ta sẽ tìm hiểu một số các nghiên cứu trong nước. 1.2. Các nghiên cứu trong nước Từ năm 1987, trong đề tài “Xây dựng một số phương pháp dự báo hạn vừa, hạn dài nhiệt độ mùa đông và mưa mùa hè khu vực phía bắc Việt Nam”, Phạm Đức Thi (cùng cs.) [4] đã xây dựng các phương pháp dự báo nhiệt độ trung bình tháng và mùa đối với mùa đông. Nhóm tác giả cố gắng tìm các dấu hiệu để phát hiện những mùa đông có dao động nhiệt độ mang tính chất dị thường. Đồng thời, đề tài cũng xây dựng các chỉ tiêu dự báo hạn vừa các đợt không khí lạnh, và các đợt rét đậm, rét hại, dự báo dài hạn thời kì xuất hiện đợt rét đậm đầu tiên trong mùa đông ở khu vực phía bắc Việt Nam. Đối với mùa hè, phương pháp dự báo chuẩn sai lượng mưa tháng và mùa, dự báo lượng mưa cũng như các chỉ tiêu dự báo hạn vừa thời kì xuất hiện các đợt mưa thời kì đầu mùa mưa ở đồng bằng và trung du Bắc Bộ cũng được xây dựng. Số liệu trạm Láng (Hà Nội) trong 91 năm (1898-1989) được sử dụng cho mùa đông. Tác giả sử dụng chỉ 19
tiêu K=deltaT/sigma ≥ 1 (giá trị chuẩn sai nhiệt độ trung bình từng mùa từng tháng/độ lệch chuẩn) để đánh giá. Tháng được coi là tháng rét đậm hay ấm đậm trong mùa đông khi giá trị tuyệt đối của chuẩn sai nhiệt độ trung bình tháng đó bằng hoặc lớn hơn giá trị độ lệch tiêu chuẩn. Mùa đông được coi là rét đậm hay ấm đậm khi giá trị tuyệt đối chuẩn sai nhiệt độ trung bình ba tháng (12, 1, 2) bằng hoặc lớn hơn giá trị sigma của nhiệt độ 3 tháng đó. Rét hại hay ấm hại lấy ngưỡng 1.5. Bên cạnh đó, tác giả cũng đưa ra các nhận xét về các mùa đông lạnh kỷ lục (1982/83, 1983/84). Năm 2009, Phan Văn Tân (cùng cs.) [2] cũng đã thử nghiệm bước đầu ứng dụng mô hình khí hậu khu vực RegCM3 để dự báo nhiệt độ trung bình tháng và tổng lượng mưa tháng cho ba tháng mùa hè 6-8/1996 khi sử dụng sản phẩm kết xuất của mô hình khí hậu toàn cầu CAM làm điều kiện ban đầu và điều kiện biên (RegCM-CAM). Các trường dự báo của RegCM-CAM đã được đánh giá bằng cách so sánh với sản phẩm mô phỏng tương ứng của RegCM3 với đầu vào là số liệu tái phân tích ERA40 và nhiệt độ mặt nước biển phân tích OISST (RegCM-ERA). Kết quả dự báo nhiệt độ và lượng mưa của RegCM-CAM còn được so sánh trực tiếp với số liệu phân tích CRU (nhiệt độ) và CMAP (lượng mưa), và đánh giá định lượng cho khu vực Việt Nam bằng cách nội suy về vị trí trạm và so sánh với số liệu quan trắc từ mạng lưới trạm khí tượng thông qua các chỉ số thống kê. Kết quả nhận được cho thấy, về cơ bản các trường nhiệt độ và lượng mưa dự báo của RegCM-CAM phù hợp tốt với sản phẩm mô phỏng của RegCM-ERA cũng như với các trường phân tích CRU, CMAP. Trên khu vực Việt Nam, RegCM-CAM thường dự báo nhiệt độ thấp hơn quan trắc; sai số dự báo nhiệt độ của RegCM-CAM trung bình khoảng 2oC, khá ổn định và có tính hệ thống. RegCM- CAM cũng cho lượng mưa dự báo ở Việt Nam thấp hơn thực tế, tuy nhiên sai số còn khá lớn và không thể hiện rõ qui luật. Trong ba tháng thử nghiệm, dự báo lượng mưa của RegCM-CAM cho tháng 6/1996 là hợp lý nhất. 20