Tóm tắt Luận án Tiến sĩ Kỹ thuật: Xây dựng mô hình cảnh báo sớm hạn khí tượng phục vụ công tác khai thác và quản lý tài nguyên nước vùng Duyên hải Miền Trung

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

22
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục tiêu tổng quát của luận án là đánh giá diễn biến hạn hán, xây dựng mô hình cảnh báo sớm hạn khí tượng phục vụ cho công tác khai thác và quản lý tài nguyên nước vùng DHMT. Mời các bạn tham khảo!

Chủ đề:

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

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật: Xây dựng mô hình cảnh báo sớm hạn khí tượng phục vụ công tác khai thác và quản lý tài nguyên nước vùng Duyên hải Miền Trung

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ NÔNG NGHIỆP VÀ PTNT TRƯỜNG ĐẠI HỌC THỦY LỢI NGUYỄN THÁI HÀ XÂY DỰNG MÔ HÌNH CẢNH BÁO SỚM HẠN KHÍ TƯỢNG PHỤC VỤ CÔNG TÁC KHAI THÁC VÀ QUẢN LÝ TÀI NGUYÊN NƯỚC VÙNG DUYÊN HẢI MIỀN TRUNG Chuyên ngành: Kỹ thuật tài nguyên nước Mã số chuyên ngành: 9 58 02 12 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT HÀ NỘI, NĂM 2019
Công trình được hoàn thành tại Trường Đại học Thủy lợi Người hướng dẫn khoa học 1: PGS.TS. Nguyễn Đăng Tính Người hướng dẫn khoa học 2: GS.TS. Nguyễn Văn Tỉnh Phản biện 1: Phản biện 2: Phản biện 3: Luận án sẽ được bảo vệ trước Hội đồng chấm luận án họp tại ............................................................................................................................... ............................................................................................................................... vào lúc giờ ngày tháng năm Có thể tìm hiểu luận án tại thư viện: - Thư viện Quốc gia - Thư viện Trường Đại học Thủy lợi
MỞ ĐẦU 1. Tính cấp thiết của đề tài luận án Hạn hán là một phần tự nhiên của khí hậu, hạn hán hình thành do sự thiếu hụt lượng mưa, lượng bốc hơi lớn và việc khai thác quá mức nguồn tài nguyên nước. Hạn hán xuất hiện trên khắp thế giới có thể xảy ra ở tất cả các vùng khí hậu, hạn hán khá phổ biến ở Việt Nam, đặc biệt là ở các tỉnh Duyên hải Miền Trung (DHMT). Sự khắc nghiệt của một đợt hạn hán không chỉ phụ thuộc vào khoảng thời gian, cường độ, không gian, mà còn phụ thuộc vào nhu cầu dùng nước từ các hoạt động của con người và cây trồng. Cho đến nay ở Việt Nam đã có nhiều nghiên cứu về hạn hán nhưng những kết quả đã nghiên cứu còn một số tồn tại cũng như chưa được thực hiện một cách hệ thống và chưa được áp dụng rộng rãi trong thực tế. Để giúp cho các nhà quản lý, nhà hoạch định chính sách và người dân địa phương chủ động trong việc khai thác và quản lý tài nguyên nước thì các nghiên cứu về hạn hán ở Việt Nam nói chung và vùng DHMT nói riêng là rất quan trong và cần thiết. Vì thế, đề tài “Xây dựng mô hình cảnh báo sớm hạn khí tượng phục vụ công tác khai thác và quản lý tài nguyên nước vùng Duyên hải Miền Trung” đã được đề xuất nghiên cứu. 2. Mục tiêu nghiên cứu Đánh giá diễn biến hạn hán, xây dựng mô hình cảnh báo sớm hạn khí tượng phục vụ cho công tác khai thác và quản lý tài nguyên nước vùng DHMT. 3. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu là: Hạn khí tượng, tính chất, mức độ, xu thế và phân bố của hạn hán; Phạm vi nghiên là: Vùng Duyên hải Miền Trung. 4. Nội dung nghiên cứu của luận án Phân tích đánh giá diễn biến hạn hán của vùng nghiên cứu; Phân tích diễn biến hạn hán của vùng nghiên cứu trong các đợt xảy ra ENSO; Đánh giá tương quan giữa hạn hán của vùng nghiên cứu với nhiệt độ mặt nước biển (SST) và chỉ số dao động Nam bán cầu (SOI) để lựa chọn biến đầu vào cho mô hình dự báo hạn; Thiết lập cấu trúc các mô hình dự báo hạn khí tượng bằng phương pháp thống kê (Mạng noron thích nghi mờ, ANFIS) và lựa chọn mô hình dự báo phù hợp cho vùng nghiên cứu; Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu bằng các bản đồ dự báo chỉ số hạn. 1
5. Phương pháp nghiên cứu Phương pháp phân tích thống kê; phương pháp kế thừa; phương pháp vùng hạn không kề giáp nhau (NCDA); phương pháp phân tích tương quan; phương pháp phân tích tổng hợp; và phương pháp mô hình toán (mô hình ANFIS). 6. Ý nghĩa khoa học và thực tiễn Luận án đã góp phần bổ sung cơ sở khoa học trong việc sử dụng và lựa chọn chỉ số hạn, xây dựng bản đồ hạn theo phương pháp NCDA và phương pháp dự báo hạn khí tượng. Kết quả nghiên cứu của luận án có thế được ứng dụng để xây dựng mô hình cảnh báo sớm hạn khí tượng cho khu vực nghiên cứu cũng như các khu vực khác, giúp cho các nhà quản lý, nhà hoạch định chính sách và người dân địa phương chủ động trong việc khai thác và quản lý tài nguyên nước. 7. Cấu trúc của luận án Nội dung bao gồm phần mở đầu, phần kết luận kiến nghị và 3 chương: Chương 1: Tổng quan tình hình nghiên cứu và dự báo hạn Chương 2: Cơ sở khoa học và phương pháp dự báo hạn khí tượng cho vùng Duyên hải Miền Trung Chương 3: Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng Duyên hải Miền Trung. CHƯƠNG 1 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU VÀ DỰ BÁO HẠN 1.1 Khái niệm về hạn hán 1.1.1 Định nghĩa và phân loại hạn hán. Hạn hán là một phần tự nhiên của khí hậu, hạn hán hình thành do một hoặc nhiều nguyên nhân khác nhau, bao gồm sự thiếu hụt mưa, lượng bốc hơi lớn và việc khai thác quá mức nguồn tài nguyên nước. Hạn hán xuất hiện trên khắp thế giới có thể xảy ra ở tất cả các vùng khí hậu, với các đặc tính của hạn biến đổi đáng kể từ vùng này sang vùng khác. Theo tổ chức Khí tượng Thế giới (WMO), hạn hán được phân thành 4 loại là: (1) Hạn khí tượng; (2) Hạn thủy văn; (3) Hạn nông nghiệp; (4) Hạn kinh tế - xã hội. 1.1.2 Các chỉ số hạn Chỉ số hạn thường là một con số đặc trưng cho trạng thái chung của hạn hán tại một thời điểm đo được, mỗi chỉ số hạn hán đều được lựa chọn sao cho phù hợp 2
với khu vực nghiên cứu và mục đích nghiên cứu. Dưới đây là một số chỉ số đã được dùng phổ biến trên thế giới:  Chỉ số hạn khí tượng: Chỉ số chuẩn hóa lượng mưa (SPI); chỉ số Sazonop (SaI); Chỉ số chuẩn hóa lượng mưa và bốc hơi (SPEI). Trong các chỉ số hạn khí tượng trên thì ở Việt Nam chủ yếu sử dụng chỉ số SPI và SaI, còn chỉ số SPEI mới được đề xuất năm 2010 nên vẫn chưa được sử dụng rộng rãi.  Chỉ số hạn Nông nghiệp: Chỉ số độ ẩm tương đối của đất (RSMI); chỉ số độ ẩm đất bất thường (SMAPI); chỉ số Palmer (PDSI); chỉ số chuẩn hóa độ ẩm đất (SSI); chỉ số độ ẩm cây trồng (SMI). Trong các chỉ số hạn nông nghiệp trên thì chỉ số được sử dụng rộng rãi nhất trên thế giới và ở Việt Nam là chỉ số PDSI.  Chỉ số hạn thủy văn: Chỉ số cung cấp nước mặt (SWSI).  Chỉ số hạn kinh tế-xã hội: Chỉ số khan hiếm nước xã hội (SWSI). 1.1.3 Các đặc trưng của hạn hán Các đợt hạn hán thường khác nhau bởi ba đặc trưng là: cường độ, thời gian, sự trải rộng theo không gian. 1.2 Tình hình hạn hán và các nghiên cứu về hạn hán trên thế giới 1.2.1 Tình hình hạn hán trên thế giới Trong những thập kỷ gần đây hạn hán xảy ra nhiều nơi trên thế giới, gây nhiều thiệt hại về kinh tế, ảnh hưởng đến đời sống con người và môi trường sinh thái. Hàng năm có khoảng 21 triệu ha đất biến thành đất không có năng suất kinh tế do hạn hán. Trong gần 1/4 thế kỷ vừa qua, số dân gặp rủi ro vì hạn hán trên những vùng đất khô cằn đã tăng hơn 80%. Hơn 1/3 đất đai thế giới đã bị khô cằn mà trên đó có 17,7% dân số thế giới sinh sống. Thiệt hại do hạn hán gây ra ở nhiều nước trên thế giới là rất nghiêm trọng, kể cả về người và tài sản. 1.2.2 Các nghiên cứu về hạn hán trên thế giới Trên thế giới đã có nhiều nghiên cứu về hạn hán. Nhưng do tính phức tạp của hiện tượng này, đến nay vẫn chưa có một phương pháp chung cho các nghiên cứu về hạn hán. Trong việc xác định, nhận dạng, giám sát và cảnh báo hạn hán, các tác giả thường sử dụng công cụ chính là các chỉ số hạn. Các kết quả nghiên cứu cho thấy không có một chỉ số nào có ưu điểm vượt trội so với các chỉ số khác 3
trong mọi điều kiện. Do đó, việc áp dụng các chỉ số/hệ số hạn phụ thuộc vào điều kiện cụ thể của từng vùng cũng như cơ sở dữ liệu quan trắc sẵn có ở vùng đó. Hiện nay công tác dự báo, cảnh báo hạn được thực hiện theo hai cách tiếp cận chính: (1) Dự báo trực tiếp các chỉ số hạn bằng các mô hình dự báo thống kê thuần túy. Phương pháp này dựa trên mối tương quan giữa chỉ số hạn với các nhân tố hoàn lưu quy mô lớn cũng như các đặc trưng về ENSO, … Nhiều nghiên cứu đã chứng minh rằng các đặc trưng của ENSO là những nhân tố quan trọng đối với hạn hán và có thể sử dụng làm nhân tố dự báo; (2) Cách tiếp cận thứ 2 là dự báo trên cơ sở sản phẩm dự báo của các mô hình khí hậu, mô hình thủy văn. Phương pháp này liên quan trực tiếp đến khả năng dự báo các điều kiện khí hậu, thủy văn đem lại các đặc tính vật lý của hạn hán, trước hết là mưa, nhiệt độ, dòng chảy, độ ẩm đất. 1.3 Tình hình hạn hán và các nghiên cứu về hạn hán ở Việt Nam 1.3.1 Tình hình hạn hán ở Việt Nam Tình hình hạn hán ở Việt Nam diễn biến ngày càng phức tạp, từ năm 1985 ÷ 2016 Việt Nam đã xẩy ra một số đợt hạn như: năm 1992, hạn nặng ở miền Trung và đồng bằng Nam Bộ; hạn xảy ra gay gắt ở một số tỉnh thuộc Trung Bộ vào vụ đông xuân 1994-1995; năm 2002 và 2004-2005 hạn hán xảy ra trên diện rộng, nhất là ở vùng BTB, NTB và Tây Nguyên; mùa khô năm 2009-2010 trên các hệ thống sông, suối toàn quốc, dòng chảy đều thiếu hụt, mực nước xuống mức thấp lịch sử đã gây ra tình trạng thiếu nước cho SXNN. Đặc biệt là đợt hạn trầm trọng trên diện rộng vào đông xuân 1997-1998, chỉ tính riêng thiệt hại về vật chất trong nông nghiệp ở Việt Nam đã tới con số 5.000 tỷ đồng; và năm 2014-2016, do hiện tượng El Nino đã gây ra hạn hán, xâm nhập mặn. Đã đe dọa nghiêm trọng đến sản xuất NN và dân sinh, tổng thiệt hại ước tính là 5.572 tỷ VN đồng. 1.3.2 Các nghiên cứu về hạn hán ở Việt Nam Các nghiên cứu về hạn hán ở Việt Nam trong những năm gần đây, chủ yếu tập trung vào 2 vấn đề chính: (1) Nghiên cứu cơ bản về hạn hán và tác động tới dân sinh, kinh tế, xã hội; (2) Các giải pháp, phòng chống và giảm nhẹ thiệt hại do hạn hán. Năm 2001, Nguyễn Đức Hậu đã nghiên cứu xác định và ứng dụng chỉ tiêu hạn để đánh giá tác động của ENSO đến tình hình hạn và xây dựng các phương trình hồi quy dự báo hạn cho 7 vùng khí hậu ở Việt Nam. Đến năm 2007, Nguyễn Văn Thắng đã đánh giá được mức độ hạn hán, chọn được các chỉ tiêu xác định 4
hạn hán phù hợp và xây dựng được công nghệ dự báo và cảnh báo sớm hạn hán cho các vùng khí hậu ở Việt Nam bằng các số liệu khí tượng thuỷ văn và các tư liệu viễn thám để phục vụ phát triển kinh tế xã hội. Năm 2015, Nguyễn Văn Thắng đã xây dựng được bộ chỉ tiêu hạn phù hợp để thực hiện giám sát, cảnh báo hạn hán; xây dựng công nghệ, quy trình mô hình thống kê tổ hợp dự báo hạn khí tượng cho toàn quốc theo chỉ số hạn SPI; xây dựng được công nghệ, quy trình ứng dụng sản phẩm dự báo của 8 mô hình toàn cầu trong cảnh báo hạn ở Việt Nam hạn đến 6 tháng. Với vùng nghiên cứu thì Nguyễn Trọng Hiệu (2000) và Nguyễn Văn Cư (2001) đã nghiên cứu xác định chỉ tiêu hạn, đánh giá tác động của hạn hán, nguyên nhân hoang mạc hoá và các giải pháp phòng chống hạn hán, hoang mạc hoá ở 4 tỉnh Quãng Ngãi, Bình Định, Ninh Thuận và Bình Thuận. Đào Xuân Học (2001) đã sử dụng chỉ số khô hạn Sazonop để khảo sát, đánh giá hạn hán cho các tỉnh DHMT. Năm 2005, Nguyễn Quang Kim đã nghiên cứu hiện trạng hạn hán, thiết lập cơ sở khoa học cho quy trình dự báo hạn cho vùng NTB và Tây nguyên, lập trình các phần mềm tính toán chỉ số hạn và phần mềm dự báo hạn khí tượng bằng chỉ số SPI. Năm 2008, Trần Thục đã đánh giá được mức độ hạn hán và thiếu nước sinh hoạt ở 9 tỉnh Nam Trung Bộ và Tây Nguyên. Năm 2014, Nguyễn Lương Bằng đã sử dụng chỉ số SPI và SPEI trong nghiên cứu ảnh hưởng của ENSO tới diễn biến hạn khí tượng ở lưu vực sông Cái Khánh Hòa, kết quả nghiên cứu cho thấy chỉ số SPEI đánh giá diễn biến hạn hán ở lưu vực sông Cái là phù hợp hơn so với chỉ số SPI. Về phương pháp dự báo hạn, thì các nghiên cứu trước đây ở Việt Nam chủ yếu sử dụng phương pháp thống kê. Nguyễn Quang Kim (2005) đã sử dụng mô hình hồi qui tuyến tính đa biến để dự báo hạn bằng chỉ số SPI cho vùng NTB và Tây Nguyên, các nhân tố dự báo được sử dụng là chỉ số SOI, SST và độ cao địa thế vị mực 500mb. Nguyễn Văn Thắng (2015) cũng sử dụng mô hình hồi quy tuyến tính đa biến để dự báo chỉ số hạn SPI cho 7 vùng khí hậu ở Việt Nam. Nguyễn Lương Bằng (2015) đã ứng dụng mô hình ANFIS để dự báo hạn thông qua hai chỉ số SPI và SPEI cho tỉnh Khánh Hòa với các biến đầu vào là nhiệt độ mặt nước biển (SST). Nguyễn Văn Thắng (2015) đã xây dựng được công nghệ, quy trình ứng dụng sản phẩm dự báo của 8 mô hình toàn cầu trong cảnh báo hạn ở Việt Nam hạn đến 6 tháng bằng chỉ số SPI. 5
1.4 Tổng quan về vùng nghiên cứu Vùng DHMT bao gồm 14 tỉnh và thành phố trải dài từ Thanh Hóa đến Bình Thuận. Vùng nghiên cứu thường xảy ra hạn hán do ảnh hưởng của các đợt El Nino, đặc biệt là các tỉnh từ Khánh Hòa đến Bình Thuận. 1.5 Kết luận chương 1 Qua nghiên cứu, phân tích tổng quan về các mô hình dự báo, cảnh báo hạn hán trên thế giới cũng như Việt Nam. Luận án này đã định hướng lựa chọn các nội dung và phương pháp nghiên cứu như sơ đồ sau: Hình 1.3 Sơ đồ nội dung và phương pháp nghiên cứu CHƯƠNG 2 CƠ SỞ KHOA HỌC VÀ PHƯƠNG PHÁP DỰ BÁO HẠN KHÍ TƯỢNG CHO VÙNG DUYÊN HẢI MIỀN TRUNG 2.1 Hiện trạng hạn hán của vùng nghiên cứu Theo số liệu thống kê của Tổng cục Thủy lợi trong 35 năm từ 1980 đến 2014, vùng DHMT đã xảy ra nhiều đợt hạn hán, làm thiệt hại tới hàng trăm nghìn hecta 6
đất trồng và thiếu nước sinh hoạt trầm trọng cho hàng triệu người dân. Tỷ lệ diện tích hạn trên diện tích gieo cấy lớn nhất là năm 1993 sau đó đến các năm 2010, 2005, 1998, 1985 và 1988, tuy nhiên trên thực tế thì năm 1998 là năm xảy ra hạn nặng nhất với 180836ha bị hạn và 51130ha bị mất trắng. Thời kỳ hạn căng thẳng nhất ở vùng nghiên cứu là vào vụ Hè thu từ cuối tháng 6 đến đầu tháng 9, tần suất xảy ra hạn trên diện rộng của vùng DHMT là 5-9 năm thì xảy ra một lần. Hình 2.3 Tỷ lệ diện tích bị hạn so với tổng diện tích gieo cấy của vùng DHMT 2.2 Giới thiệu về ENSO và các số liệu cần thu thập 2.2.1 Giới thiệu về ENSO ENSO (El Nino and the Southern Oscillation) là hiện tượng tương tác giữa đại dương và khí quyển ở Thái Bình Dương (TBD), là yếu tố theo mùa làm ảnh hưởng đến biến đổi khí hậu. El Nino tên gọi hiện tượng tăng lên khác thường của nhiệt độ nước biển tầng mặt (SST) vùng xích đạo phía đông TBD. Đối lập với hiện tượng El Nino, là hiện tượng SST vùng xích đạo đông TBD lạnh đi khác thường được gọi là La Nina. Dao động Nam (Southern Oscillation-SO) là nguyên nhân dẫn đến sự trao đổi không khí giữa Đông và Tây bán cầu. SO được xác định qua trị số chênh lệch áp suất không khí mặt biển giữa Tahiti (17,5S; 149,6W) nằm ở đông nam TBD và Darwin (12.4S; 130.9E) nằm ở tây bắc Australia. Để theo dõi hoạt động ENSO người ta dựa vào chuẩn sai nhiệt độ nước biển tầng mặt (SSTA) ở vùng biển xích đạo TBD. Một chu trình El Nino là thời kỳ liên tục, có trị số trung bình trượt 5 tháng của SSTA ở vùng Nino3.4 (5N-5S, 120W-170W) lớn hơn hoặc bằng 0.5C, một chu trình La Nina là thời kỳ liên tục, có trị số trung bình trượt 5 tháng của SSTA ở vùng Nino3.4 nhỏ hơn hoặc bằng -0.5C. Từ năm 1985 đến năm 2014 đã xuất hiện 9 lần El Nino và 9 lần La Nina. Sự thay đổi SST ở TBD đã gây ra các hoạt động ENSO dẫn đến sự bất thường của các khối khí biển cũng như sự hoạt động của gió mùa và các nhiễu 7
động xích đạo-nhiệt đới làm biến đổi thời tiết ở vùng phía tây TBD trong đó có vùng nghiên cứu. 2.2.2 Các số liệu cần thu thập 1. Mưa, nhiệt độ: Được thu thập ở 27 trạm khí tượng trong vùng DHMT. Số liệu sử dụng trong nghiên cứu được lấy từ tháng 1-1985 đến tháng 12-2014. 2. Chuẩn sai nhiệt độ mặt nước biển (SSTA): SSTA ở vùng Nino3.4 được lấy từ 1/1984 ÷ 12/2014 tại website (http://origin.cpc.ncep.noaa.gov/products/analysis _monitoring/ensostuff/ONI_ v5.php). 3. Chỉ số dao động Nam bán cầu (SOI): Số liệu SOI được lấy từ 1/1984 ÷ 12/2014 tại website (https://www.ncdc. noaa.gov/teleconnections/enso/indicators/soi/). 2.3 Phương pháp dự báo hạn khí tượng cho vùng nghiên cứu Nội dung và phương pháp đánh giá, dự báo và cảnh báo hạn khí tượng cho vùng nghiên cứu được minh họa như sơ đồ sau: Hình 2.8 Sơ đồ minh họa các nội dung và phương pháp dự báo hạn khí tượng 2.3.1 Lựa chọn chỉ số hạn 8
Chỉ số SPI đã được dùng trong nhiều nghiên cứu để đánh giá và cảnh báo, kết quả cho thấy chỉ số SPI là phù hợp với vùng nghiên cứu. Vì thế, trong luận án này tác giả cũng sẽ lựa chọn chỉ số SPI, đồng thời sử thêm chỉ số SPEI (chỉ số này mới được đề xuất năm 2010 và chưa được nghiên cứu, sử dụng rộng rãi ở VN) để so sánh đánh giá sự phù hợp của hai chỉ số này trong việc đánh giá và cảnh báo sớm hạn khí tượng của vùng nghiên cứu.  Chỉ số SPI: Được McKee và cộng sự đề xuất năm 1993, chỉ số SPI được tính toán dựa trên hàm phân phối gamma với liệt số liệu mưa theo thời gian ở dạng biến ngẫu nhiên có phân phối chuẩn.  Chỉ số SPEI: Được Vicente-Serrano đề xuất năm 2010, chỉ số SPEI được tính toán dựa trên hàm phân bố xác suất log-logistic với liệt số liệu hiệu số giữa lượng mưa và bốc hơi theo thời gian ở dạng biến ngẫu nhiên có phân phối chuẩn. Trong luận án này các chỉ số SPI, SPEI sẽ tính toán với các quy mô thời gian khác nhau (1 và 3 tháng). Chỉ số SPI và SPEI với thời đoạn 1 tháng được ký hiệu lần lượt là SPI1 và SPEI1, chỉ số SPI và SPEI với thời đoạn 3 tháng được ký hiệu lần lượt là SPI3 và SPEI3. Bảng 2.3 Phân cấp hạn hán theo chỉ số SPI, SPEI Chỉ số SPI, SPEI Điều kiện khí hậu Chỉ số SPI, SPEI Điều kiện khí hậu ≥ 2,0 Cực kỳ ẩm -0.50 ÷ - 0.99 Hạn nhẹ 1,5÷1,99 Rất ẩm -1,0 ÷ -1,49 Hạn vừa 1,0 ÷ 1,49 Ẩm vừa -1,5 ÷ -1,99 Hạn nặng 0.50 ÷ 0,99 Ẩm nhẹ ≤ -2,0 Hạn cực nặng -0.49 ÷ 0.49 Bình thường Trong luận án này tác giả đã viết code chương trình tính toán các chỉ số này trên ngôn ngữ lập trình R. 2.3.2 Phân tích đánh giá diễn biến hạn hán của vùng nghiên cứu bằng các chỉ số hạn Trong luận án này sử dụng phương pháp vùng hạn không kề giáp nhau (NCDA) để phân tích, đánh giá diễn biến hạn hán của vùng nghiên cứu. Phương pháp này chia vùng nghiên cứu thành các ô lưới và coi điều kiện hạn hán của mỗi ô lưới này là độc lập, không liên quan với nhau. Để có thể áp dụng phương pháp NCDA cho vùng DHMT, các bước được thực hiện như sau: (1) Chia vùng nghiên cứu thành 3752 ô lưới với diện tích 5×5km; (2) Nội suy mưa và nhiệt độ tới các ô lưới bằng phương pháp trọng số nghịch đảo khoảng cách; (3) Kiểm định kết quả nội suy mưa và nhiệt độ; (4) Tính các chỉ số hạn SPI, SPEI theo thời đoạn 1 và 3 9
tháng cho các ô lưới; (5) áp dụng phương pháp NCDA để đánh giá hạn theo không gian, thời gian thông qua tỷ lệ diện tích các cấp hạn tương ứng (cấp 1, 2, 3 và 4 tương ứng là nhẹ, vừa, nặng và rất nặng). 2.3.3 Phân tích ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu Sự thay đổi SSTA, SOI ở TBD đã gây ra các hoạt động ENSO dẫn đến sự bất thường của các khối khí biển dẫn đến hiện tượng El Nino, khi El Nino xuất hiện thì lượng mưa của vùng nghiên cứu sẽ giảm và khả năm xảy ra hạn hán sẽ cao. Vì thế, trong luận án này tác giả sẽ đi nghiên cứu ảnh hưởng của hoạt động ENSO tới diễn biến hạn khí tượng theo không gian và thời gian của vùng nghiên cứu bằng hai phương pháp sau: (1) phân tích diễn biến hạn hán của vùng nghiên cứu trong các thời kỳ xảy ra El Nino; (2) xác định mối tương quan giữa SSTA, SOI với các chỉ số SPI, SPEI bằng phương trình tương quan (với 2 thời đoạn 1 và 3 tháng). Mỗi chuỗi chỉ số hạn sẽ xác định tương quan với 12 chuỗi SSTA và SOI khác nhau (12 chuỗi SSTA và SOI là các chuỗi SSTA và SOI có độ trễ so với chỉ số hạn là từ 1 tháng đến 12 tháng). Giá trị tuyệt đối của hệ số tương quan càng lớn (càng gần 1) thì mối quan hệ tuyết tính giữa chỉ số hạn và SSTA, SOI càng chặt chẽ. 2.3.4 Thiết lập mô hình dự báo hạn khí tượng, đề xuất mô hình dự báo phù hợp cho vùng nghiên cứu Các đánh giá và dự báo hạn hán có thể được thực hiện bằng việc sử dụng các chỉ số hạn hán. Từ phần đánh giá tổng quan về các mô hình dự báo hạn trên thế giới và Việt Nam hiện nay, NCS lựa chọn mô hình dự báo hạn với các thành phần như sau; 1. Biến đầu ra (yếu tố dự báo) Biến đầu ra là các chỉ hạn SPI, SPEI với các thời đoạn là 1 và 3 tháng. Kết quả đầu ra của các chỉ số hạn SPI, SPEI được thể hiện thông qua 3 yếu tố là thời gian dự báo (hạn ngắn, hạn dài), tính chất nghiêm trọng và khả năng phát sinh (độ lớn nhỏ theo phân cấp hạn hán của các chỉ số hạn). 2. Biến đầu vào (nhân tố dự báo) Các biến đầu vào là số liệu SSTA và SOI có hệ số tương quan cao với các chỉ số SPI và SPEI, đồng thời kết hợp với chỉ số SPI và SPEI ở các bước thời gian trước 10
đó. Chi tiết về loại biến và số biến đầu vào của mô hình dự báo được trình bày ở hình 2.4 phía sau. 3. Phương pháp dự báo Mô hình ANFIS do J. S. R. Jang và cộng sự đề xuất năm 1997 được sử dụng để xây dựng các mô hình dự báo các chỉ số SPI, SPEI với các nhân tố dự báo khác nhau để tìm ra mô hình dự báo phù hợp với vùng nghiên cứu. ANFIS được dựa trên một hệ thống giao diện mờ và được đào tạo bởi một thuật toán bắt nguồn từ lý thuyết mạng nơron, và có cấu trúc như hình sau: Hình 2.11 Cấu trúc mô hình ANFIS Giá trị đầu ra của SPI hoặc SPEI được tính như sau: w1 f1  w2 f 2 SPI hoặc SPEI = f  x, y, z    w1  w2 w ( x , y , z ) f 1  x , y , z   w 2 ( x, y , z ) f 2  x , y , z   1 w1 ( z, y, z ) w2 x, y, z  (2-41) Với thuật toán học lai của mô hình ANFIS thì tập số liệu đầu vào được chia là hai bộ số liệu là bộ số liệu của quá trình luyện mạng và bộ số liệu của quá trình kiểm định. 4. Thiết lập mô hình dự báo hạn khí tượng cho vùng nghiên cứu  Cấu trúc của các mô hình dự báo Cấu trúc của các mô hình dự báo (loại biến, số lượng biến đầu vào) được thể hiện chi tiết ở hình 2.13. Tập dữ liệu luyện mạng sử dụng số liệu từ năm 1985-2009; tập số liệu kiểm định sử dụng số liệu từ năm 2010-2014. 11
Hình 2.13 Cấu trúc của các mô hình dự báo  Đánh giá chất lượng dự báo Việc đánh giá chất lượng dự báo của các mô hình cho quá trình luyện mạng và kiểm định được đánh giá thông qua 3 hệ số: RSR (RMSE-observations standard deviation ratio); CORR (Correlation Coefficient); E (Efficiency), hay còn gọi là chỉ số Nash. Một mô hình dự báo có chất lượng tốt khi giá trị của CORR, E gần giá trị 1.0 và RSR gần giá trị 0.0, ngoài ra các giá trị RSR, E phải đảm bảo tiêu chí đánh giá theo tiêu chuẩn của WMO như bảng sau: Bảng 2.4 Tiêu chí đánh giá chất lượng dự báo Xếp loại RSR E Rất tốt 0 ≤ RSR ≤ 0.5 0.75 < E ≤ 1 Tốt 0.5 < RSR ≤ 0.6 0.65 < E ≤ 0.75 Đạt yêu cầu 0.6 < RSR ≤ 0.7 0.50 < E ≤ 0.65 Không đạt RSR > 0.7 E ≤ 0.5 12
Các mô hình dự báo hạn khí tượng cho vùng nghiên cứu được lập trình trên phần mềm Matlab. Sơ đồ khối của chương trình dự báo hạn khí tượng được thể hiện như hình sau: Hình 2.14 Sơ đồ khối của chương trình dự báo 13
2.4 Kết luận chương 2 (1) Vùng DHMT là một trong những vùng thường xảy ra hạn hán, hạn căng thẳng nhất là vào vụ Hè thu từ cuối tháng 6 đến đầu tháng 9. Trong nghiên cứu này đã lựa chọn và sử dụng hai chỉ số hạn khí tượng là SPI và SPEI để đánh giá, dự báo và cảnh báo hạn hán cho vùng nghiên cứu; (2) Phương pháp đánh giá diễn biến hạn hán của vùng nghiên cứu trong các đợt xảy ra El Nino và phương pháp phân tích tương quan giữa SSTA & SOI với các chỉ số hạn SPI, SPEI đã được sử dụng để đánh giá ảnh hưởng của ENSO đến diễn biến hạn hán của vùng DHMT; (3) Phương pháp dự báo hạn khí tượng là mô hình ANFIS với biến đầu ra là các chỉ số hạn (SPI, SPEI) ở tương lai, biến đầu vào là các chuỗi SSTA, SOI và chuỗi chỉ số hạn (SPI, SPEI) ở các bước thời gian trước; (4) Năm mô hình dự báo với biến và số biến đầu vào khác nhau đã được thiết lập, chất lượng dự báo của 5 mô hình này được so sánh, đánh giá thông qua 3 hệ số thống kê là RSR, CORR và E. CHƯƠNG 3 XÂY DỰNG MÔ HÌNH CẢNH BÁO SỚM HẠN KHÍ TƯỢNG CHO VÙNG DUYÊN HẢI MIỀN TRUNG 3.1 Diễn biến hạn hán theo không gian, thời gian của vùng nghiên cứu 3.1.1 Phân tích kết quả kiểm định nội suy lượng mưa và nhiệt độ Phương pháp nội suy IDW có đủ độ tin cậy để nội suy lượng mưa và nhiệt độ phục vụ cho việc tính toán chỉ số hạn của vùng nghiên cứu. 3.1.2 Diễn biến hạn hán theo thời gian của vùng nghiên cứu Diễn biến hạn hán theo thời gian của vùng nghiên cứu thông qua 2 chỉ số SPI, SPEI được thể hiện như các hình sau: Hình 3.5 Diễn biến hạn hán vùng DHMT theo chỉ số SPI1 và SPEI1 14
Hình 3.6 Diễn biến hạn hán vùng DHMT theo chỉ số SPI3 và SPEI3 Diễn biến hạn hán của cùng DHMT theo hai chỉ số đều thể hiện các năm 1988, 1993, 1998, 2005, 2010 xuất hiện hạn hán kéo dài, phù hợp với các đợt hạn hán trong thực tế. Nhưng chỉ số SPEI phản ánh diễn biến hạn hán của vùng nghiên cứu phù hợp với tình hình hạn hán trong thực tế vùng nghiên cứu hơn chỉ số SPI, và chỉ số SPEI3 lại phản ánh diễn biến hạn hán phù hợp hơn chỉ số SPEI1. 3.1.3 Diễn biến hạn hán theo không gian của vùng nghiên cứu Tỷ lệ diện tích hạn theo chỉ số SPI, SPEI và thực tế sản xuất nông nghiệp của vùng nghiên cứu được thể hiện trong các hình sau: Hình 3.11 Tỷ lệ DT hạn hán theo chỉ số SPI3, SPEI3 và thực tế SXNN Tỷ lệ diện tích bị hạn theo chỉ số SPEI lớn hơn chỉ số SPI ở hầu hết các năm, chỉ có một số năm thì ngược lại, tỷ lệ diện tích bị hạn theo chỉ số SPEI3 là lớn nhất, sau đó là SPI3, tiếp theo là SPEI1 và thấp nhất là SPI1. Tần suất xảy ra hạn của các chỉ số theo không gian được thể hiện ở hình sau: 15
Hình 3.12 Tần suất (%) xảy ra hạn của các chỉ số theo không gian 3.2 Ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu 3.2.1 Diễn biến hạn hán của vùng DHMT trong các thời kỳ phát sinh ENSO Diễn biến hạn hán của vùng nghiên cứu theo các chỉ số SPI, SPEI trong các thời kỳ xảy ra ENSO được thể hiện trong các hình sau: Hình 3.27 Giá trị SPI, SPEI-1 trong các thời kỳ xảy ra ENSO Hình 3.28 Giá trị SPI, SPEI-3 trong các thời kỳ xảy ra ENSO Trong các đợt xảy ra El Nino thì vùng nghiên cứu đều phát sinh hạn hán, nhưng thời điểm của các đợt hạn hán thường xảy ra muộn hơn (trễ hơn) thời điểm xảy 16
ra các đợt El Nino. Chỉ số SPEI3 phản ánh mức độ hạn hán của vùng nghiên cứu trong các đợt El Nino lớn hơn các chỉ số hạn khác. 3.2.2 Đánh giá kết quả mối tương quan giữa SSTA và SOI với SPI và SPEI Kết quả hệ số tương quan trung bình giữa SSTA, SOI với các chỉ số SPI, SPEI tại các ô lưới của toàn bộ khu vực nghiên cứu được thể hiện ở bảng 3.4. Tương quan giữa SSTA với các chỉ số SPI, SPEI đạt giá trị cao nhất khi chuỗi số liệu SSTA trước chuỗi số liệu SPI, SPEI là 3 tháng (độ trễ 3 tháng), còn tương quan giữa SOI với các chỉ số SPI, SPEI đạt giá trị cao nhất khi chuỗi số liệu SOI trước chuỗi số liệu SPI, SPEI là 2 tháng (độ trễ 2 tháng). Bảng 3.4 Hệ số tương quan giữa SSTA, SOI với các chỉ số SPI, SPEI Hệ số tương quan giữa SSTA1 với SPI1, SPEI1 Độ trễ j 1 2 (*) 3 (*) 4 (*) 5 (*) 6 7 8 9 10 11 12 (tháng) SPI1 -0.14 -0.157 -0.167 -0.161 -0.146 -0.119 -0.108 -0.094 -0.089 -0.073 -0.062 -0.064 SPEI1 -0.14 -0.157 -0.167 -0.161 -0.146 -0.119 -0.108 -0.094 -0.089 -0.073 -0.062 -0.064 Hệ số tương quan giữa SSTA3 với SPI3, SPEI3 Độ trễ j 1 2 (*) 3 (*) 4 (*) 5 (*) 6 7 8 9 10 11 12 (tháng) SPI3 -0.256 -0.269 -0.274 -0.266 -0.244 -0.212 -0.183 -0.156 -0.134 -0.118 -0.109 -0.102 SPEI3 -0.256 -0.269 -0.274 -0.266 -0.244 -0.212 -0.183 -0.156 -0.134 -0.118 -0.109 -0.102 Hệ số tương quan giữa SOI1 với SPI1, SPEI1 Độ trễ j 1 (*) 2 (*) 3 (*) 4 (*) 5 6 7 8 9 10 11 12 (tháng) SPI1 0.162 0.169 0.143 0.144 0.138 0.088 0.085 0.063 0.058 0.045 0.042 0.037 SPEI1 0.162 0.169 0.143 0.144 0.138 0.088 0.085 0.063 0.058 0.045 0.042 0.037 Hệ số tương quan giữa SOI3 với SPI3, SPEI3 Độ trễ j 1 (*) 2 (*) 3 (*) 4 (*) 5 6 7 8 9 10 11 12 (tháng) SPI3 0.278 0.303 0.292 0.266 0.238 0.213 0.17 0.124 0.096 0.079 0.071 0.06 SPEI3 0.278 0.303 0.292 0.266 0.238 0.213 0.17 0.124 0.096 0.079 0.071 0.06 Ghi chú: * Mối tương quan có độ tin cậy trên 90% 3.3 Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu 3.3.1 Đánh giá kết quả các mô hình dự báo hạn cho vùng nghiên cứu Kết quả các thông số thống kê (CORR, E và RSR) của các mô hình dự báo SPI, SPEI được thể hiện ở bảng sau: 17
Bảng 3.5 Đánh giá chất lượng dự báo các chỉ số hạn của các mô hình SPI1 SPEI1 Mô Quá trình luyện mạng Quá trình kiểm đinh Mô Quá trình luyện mạng Quá trình kiểm đinh hình CORR E RSR CORR E RSR hình CORR E RSR CORR E RSR M1 0.33 0.11 0.94 0.26 0.06 0.97 M1 0.38 0.14 0.92 0.45 0.13 0.93 M2 0.38 0.15 0.92 0.29 0.05 0.97 M2 0.46 0.22 0.89 0.35 0.09 0.96 M3 0.56 0.31 0.83 0.36 0.12 0.94 M3 0.63 0.40 0.77 0.40 0.14 0.93 M4 0.82 0.67 0.58 0.46 0.21 0.89 M4 0.83 0.68 0.56 0.48 0.18 0.91 M5 1.00 1.00 0.06 0.16 -0.01 1.01 M5 1.00 1.00 0.04 0.55 0.21 0.89 SPI3 SPEI3 Mô Quá trình luyện mạng Quá trình kiểm đinh Mô Quá trình luyện mạng Quá trình kiểm đinh hình CORR E RSR CORR E RSR hình CORR E RSR CORR E RSR M1 0.53 0.28 0.85 0.52 0.24 0.87 M1 0.60 0.36 0.80 0.77 0.32 0.82 M2 0.58 0.34 0.81 0.60 0.28 0.85 M2 0.64 0.41 0.77 0.78 0.36 0.80 M3 0.76 0.57 0.65 0.42 0.12 0.94 M3 0.76 0.57 0.65 0.78 0.46 0.73 M4 0.90 0.81 0.44 0.63 0.38 0.79 M4 0.91 0.82 0.42 0.82 0.68 0.56 M5 1.00 0.99 0.08 0.60 0.34 0.81 M5 1.00 0.99 0.07 0.74 0.53 0.69 Mô hình M4 dự báo chỉ số SPEI3 là mô hình có chất lượng dự báo là tốt nhất, đảm bảo tiêu chí đánh giá theo tiêu chuẩn của WMO (bảng 2.4). Kết quả so sánh giữa giá trị SPEI3 thực tế tính toán và dự báo của hai quá trình luyện mạng và kiểm định bằng mô hình M4 cho vùng nghiên cứu được thể hiện ở hình sau: Hình 3.32 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 cho toàn vùng 3.3.2 Lựa chọn chỉ số để cảnh báo sớm hạn khí tượng cho vùng nghiên cứu Theo kết quả đánh giá diễn biến hạn hán theo không gian và thời gian bằng các chỉ số hạn SPI, SPEI ở mục 3.1 thì chỉ số SPEI3 phản ánh diễn biến hạn hán của vùng nghiên cứu phù hợp với tình hình hạn thực tế hơn các chỉ số khác. Đồng thời từ kết quả nghiên cứu trong mục 3.3.1 thì kết quả dự báo hạn theo chỉ số SPEI3 cũng cho kết quả dự báo tốt nhất. Vì thế, trong luận án này tác giả lựa chọn chỉ số để cảnh báo sớm hạn khí tượng là chỉ số SPEI3. 18