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

LUẬN ÁN TIẾN SĨ KỸ THUẬT

HÀ NỘI, NĂM 2019

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

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Chuyên ngành: KỸ THUẬT TÀI NGUYÊN NƯỚC

Mã số:

9 58 02 12

NGƯỜI HƯỚNG DẪN KHOA HỌC

1. PGS.TS. Nguyễn Đăng Tính

2. GS.TS. Nguyễn Văn Tỉnh

HÀ NỘI, NĂM 2019

LỜI CAM ĐOAN

Tác giả luận án xin cam đoan đây là công trình nghiên cứu của bản thân tác giả. Các kết

quả nghiên cứu và những kết luận trong luận án là trung thực, không sao chép từ bất kỳ

một nguồn nào, dưới bất kỳ hình thức nào và chưa từng được ai công bố trong bất cứ

công trình nào khác. Việc tham khảo, trích dẫn các nguồn tài liệu đã được ghi rõ nguồn

tài liệu tham khảo đúng quy định.

Tác giả luận án

Nguyễn Thái Hà

LỜI CẢM ƠN

Tôi xin trân trọng cảm ơn PGS.TS. Nguyễn Đăng Tính và GS.TS. Nguyễn Văn Tỉnh, là

người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận án này.

Tôi xin chân thành cảm ơn Ban giám hiệu Trường Đại học Thủy lợi, Phòng Đào tạo Đại

học và Sau Đại học, Khoa Kỹ thuật tài nguyên nước, Bộ môn Kỹ thuật tài nguyên nước

đã tạo điều kiện thuận lợi, nhiệt tình giúp đỡ và động viên tôi trong quá trình nghiên

cứu, thực hiện luận án.

Tôi cũng xin chân thành cảm ơn các đồng nghiệp, bạn bè, gia đình đã hỗ trợ, động viên,

chia sẻ khó khăn trong suốt thời gian nghiên cứu và làm luận án.

MỤC LỤC

LỜI CAM ĐOAN .......................................................................................................... I

LỜI CẢM ƠN ............................................................................................................... II

MỤC LỤC ................................................................................................................... III

DANH MỤC CÁC BẢNG BIỂU ............................................................................... VI

DANH MỤC CÁC HÌNH VẼ ................................................................................... VII

DANH MỤC CÁC TỪ VIẾT TẮT ............................................................................. X

MỞ ĐẦU ......................................................................................................................... 1

1. Tính cấp thiết của đề tài luận án .................................................................................. 1

2. Mục tiêu nghiên cứu .................................................................................................... 2

3. Đối tượng và phạm vi nghiên cứu ............................................................................... 2

4. Nội dung nghiên cứu của luận án ................................................................................ 3

5. Phương pháp nghiên cứu ............................................................................................. 3

 Cách tiếp cận trong luận án: ........................................................................... 3

 Các phương pháp nghiên cứu chính trong luận án: ....................................... 3

6. Ý nghĩa khoa học và thực tiễn ..................................................................................... 4

 Ý nghĩa khoa học: ............................................................................................ 4

 Ý nghĩa thực tiễn: ............................................................................................ 4

7. Cấu trúc của luận án .................................................................................................... 5

CHƯƠNG 1 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU VÀ DỰ BÁO HẠN....... 7

1.1 Khái niệm về hạn hán ................................................................................................ 7

1.1.1 Định nghĩa và phân loại hạn hán. ................................................................. 7

1.1.2 Các chỉ số hạn.............................................................................................. 10

1.1.3 Các đặc trưng của hạn hán.......................................................................... 20

1.2 Tình hình hạn hán và các nghiên cứu về hạn hán trên thế giới ............................... 21

1.2.1 Tình hình hạn hán trên thế giới ................................................................... 21

1.2.2 Các nghiên cứu về hạn hán trên thế giới ..................................................... 23

1.3 Tình hình hạn hán và các nghiên cứu về hạn hán ở Việt Nam ................................ 30

iii

1.3.1 Tình hình hạn hán ở Việt Nam ..................................................................... 30

1.3.2 Các nghiên cứu về hạn hán ở Việt Nam ...................................................... 33

1.4 Tổng quan về vùng nghiên cứu ............................................................................... 36

1.5 Những thành tựu và hạn chế trong các nghiên cứu về hạn hán ............................... 39

1.6 Định hướng nghiên cứu của luận án ........................................................................ 40

CHƯƠNG 2 CƠ SỞ KHOA HỌC VÀ PHƯƠNG PHÁP DỰ BÁO HẠN KHÍ TƯỢNG CHO VÙNG DUYÊN HẢI MIỀN TRUNG .............................................. 43

2.1 Hiện trạng hạn hán của vùng nghiên cứu ................................................................ 43

2.2 Giới thiệu về ENSO và các số liệu cần thu thập ..................................................... 47

2.2.1 Giới thiệu về ENSO ...................................................................................... 47

2.2.2 Các số liệu cần thu thập .............................................................................. 50

2.3 Phương pháp dự báo hạn khí tượng cho vùng nghiên cứu ...................................... 56

2.3.1 Lựa chọn chỉ số hạn ..................................................................................... 57

2.3.2 Phân tích đánh giá diễn biến hạn hán của vùng nghiên cứu bằng các chỉ số hạn ........................................................................................................................ 63

2.3.3 Phân tích ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu ............................................................................................................................... 67

2.3.4 Thiết lập mô hình dự báo hạn khí tượng, đề xuất mô hình dự báo phù hợp cho vùng nghiên cứu ............................................................................................. 70

2.4 Kết luận chương 2 ................................................................................................... 84

CHƯƠNG 3 XÂY DỰNG MÔ HÌNH CẢNH BÁO SỚM HẠN KHÍ TƯỢNG CHO VÙNG DUYÊN HẢI MIỀN TRUNG ........................................................................ 85

3.1 Diễn biến hạn hán theo không gian, thời gian của vùng nghiên cứu ...................... 85

3.1.1. Phân tích kết quả kiểm định nội suy lượng mưa và nhiệt độ ...................... 85

3.1.2 Diễn biến hạn hán theo thời gian của vùng nghiên cứu .............................. 86

3.1.3 Diễn biến hạn hán theo không gian của vùng nghiên cứu .......................... 91

3.2 Ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu .................... 103

3.2.1 Diễn biến hạn hán của vùng DHMT trong các thời kỳ phát sinh ENSO ... 103

3.2.2 Đánh giá kết quả mối tương quan giữa SSTA và SOI với SPI và SPEI .... 105

3.3. Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu ............... 108

3.3.1 Đánh giá kết quả các mô hình dự báo hạn khí tượng cho vùng nghiên cứu ............................................................................................................................. 108

3.3.2 Lựa chọn chỉ số để cảnh báo sớm hạn khí tượng cho vùng nghiên cứu .... 116

3.3.3 Lựa chọn mô hình dự báo hạn cho vùng nghiên cứu ................................ 117

3.3.4 Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu ..... 118

3.3.5 Bản đồ và số liệu cảnh báo sớm hạn khí tượng cho vùng nghiên cứu ...... 120

3.4 Kết luận chương 3 ................................................................................................. 124

KẾT LUẬN VÀ KIẾN NGHỊ ................................................................................... 127

1. Những kết quả đạt được của luận án ....................................................................... 127

2. Những đóng góp mới của luận án ........................................................................... 128

3. Những tồn tại và hạn chế của luận án ...................................................................... 128

4. Kiến nghị những nghiên cứu tiếp theo của luận án ................................................. 128

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ ............................................... 129

TÀI LIỆU THAM KHẢO ......................................................................................... 130

PHỤ LỤC ................................................................................................................... 138

DANH MỤC CÁC BẢNG BIỂU

Bảng 1.1 Phân cấp hạn hán theo chỉ số giáng thủy ....................................................... 11

Bảng 1.2 Phân cấp hạn hán theo chỉ số SPI [9] ............................................................. 12

Bảng 1.3 Phân cấp hạn theo chỉ số K ............................................................................ 13

Bảng 1.4 Phân cấp hạn hán theo chỉ số độ ẩm tương đối của đất RSMI ...................... 15

Bảng 1.5 Phân cấp hạn theo chỉ số PDSI [13] ............................................................... 17

Bảng 1.6 Phân cấp hạn theo SWSI [19] ........................................................................ 19

Bảng 2.1 Xu thế biển đổi lương mưa theo năm cho các trạm mưa vùng DHMT ......... 53

Bảng 2.2 Xu thế biển đổi nhiệt độ theo năm cho các trạm vùng DHMT ...................... 54

Bảng 2.3 Phân cấp hạn hán theo chỉ số SPI, SPEI [9] .................................................. 62

Bảng 2.4 Tiêu chí đánh giá chất lượng dự báo [103] .................................................... 81

Bảng 3.1. Độ tin cậy của phép nội suy mưa và nhiệt độ (%) ........................................ 85

Bảng 3.2 Giá trị nhỏ nhất của SPI, SPEI trong các thời kỳ phát sinh El Nino ........... 104

Bảng 3.3 Tổng số tháng xảy ra hạn hán trong các thời kỳ phát sinh El Nino theo chỉ số SPI, SPEI ..................................................................................................................... 104

Bảng 3.4 Hệ số tương quan trung bình giữa SSTA, SOI với các chỉ số SPI, SPEI .... 106

Bảng 3.5 Đánh giá chất lượng dự báo các chỉ số hạn của các mô hình ...................... 109

Bảng 3.6 Cấp hạn và cấp cảnh báo sớm hạn khí tượng theo chỉ số SPEI3 ................. 116

Bảng 3.7 Các tham số của các mô hình dự báo cho 6 tháng tiếp theo ........................ 118

Bảng 3.8 Kết quả dự báo chỉ số SPEI3 tại các trạm (từ tháng 1/2015 đến 6/2015) .... 123

DANH MỤC CÁC HÌNH VẼ

Hình 1.1 Sơ đồ quan hệ giữa các loại hạn hán [5] ......................................................... 10

Hình 1.2 Bản đồ vùng Duyên hải Miền Trung .............................................................. 37

Hình 1.3 Sơ đồ nội dung và phương pháp nghiên cứu .................................................. 42

Hình 2.1 Tỷ lệ (%) diện tích bị hạn so với tổng diện tích gieo cấy vùng BTB ............. 43

Hình 2.2 Tỷ lệ (%) diện tích bị hạn so với tổng diện tích gieo cấy vùng NTB ............. 45

Hình 2.3 Tỷ lệ (%) diện tích bị hạn so với tổng diện tích gieo cấy toàn vùng DHMT . 46

Hình 2.4 Vị trí khu vực theo dõi hoạt động ENSO (Nino3.4) ...................................... 48

Hình 2.5 Vị trí và tên các trạm Khí tượng ..................................................................... 51

Hình 2.6 Diễn biến giá trị SSTA từ năm 1984 đến năm 2014 ...................................... 55

Hình 2.7 Diễn biến giá trị SOI từ năm 1984 đến năm 2014 ......................................... 56

Hình 2.8 Sơ đồ minh họa các nội dung và phương pháp dự báo hạn khí tượng ........... 57

Hình 2.9 Ô lưới vùng nghiên cứu .................................................................................. 64

Hình 2.10 Các thành phần của mô hình dự báo thống kê đang được áp dụng trên thế giới [85] ................................................................................................................................. 72

Hình 2.11 Cấu trúc mô hình ANFIS .............................................................................. 75

Hình 2.12 Sơ đồ khối của mô hình ANFIS ................................................................... 78

Hình 2.13 Cấu trúc của các mô hình dự báo ................................................................. 79

Hình 2.14 Sơ đồ khối của chương trình dự báo hạn khí tượng ..................................... 83

Hình 3.1 Diễn biến hạn hán vùng BTB theo chỉ số SPI1 và SPEI1 .............................. 86

Hình 3.2 Diễn biến hạn hán vùng BTB theo chỉ số SPI3 và SPEI3 .............................. 86

Hình 3.3 Diễn biến hạn hán vùng NTB theo chỉ số SPI1 và SPEI1 .............................. 87

Hình 3.4 Diễn biến hạn hán vùng NTB theo chỉ số SPI3 và SPEI3 .............................. 87

Hình 3.5 Diễn biến hạn hán toàn vùng DHMT theo chỉ số SPI1 và SPEI1 .................. 87

Hình 3.6 Diễn biến hạn hán toàn vùng DHMT theo chỉ số SPI3 và SPEI3 .................. 88

Hình 3.7 Số tháng xảy ra hạn hán theo các chỉ số hạn .................................................. 89

vii

Hình 3.8 Tỷ lệ DT hạn theo từng tháng của 5 năm hạn điển hình theo chỉ số SPEI1 ... 90

Hình 3.9 Tỷ lệ DT hạn theo từng tháng của 5 năm hạn điển hình theo chỉ số SPEI3 .. 90

Hình 3.10 Tỷ lệ DT hạn hán theo chỉ số SPI1, SPEI1 và thực tế sản xuất nông nghiệp của vùng DHMT ............................................................................................................ 92

Hình 3.11 Tỷ lệ DT hạn hán theo chỉ số SPI3, SPEI3 và thực tế sản xuất nông nghiệp của vùng DHMT ............................................................................................................ 92

Hình 3.12 Tần suất (%) xảy ra hạn của các chỉ số theo không gian ............................. 93

Hình 3.13 Tần suất (%) xảy ra các cấp hạn của chỉ số SPI1 theo không gian .............. 94

Hình 3.14 Tần suất (%) xảy ra các cấp hạn của chỉ số SPEI1 theo không gian ............ 94

Hình 3.15 Tần suất (%) xảy ra các cấp hạn của chỉ số SPI3 theo không gian .............. 95

Hình 3.16 Tần suất (%) xảy ra các cấp hạn của chỉ số SPEI3 theo không gian ............ 95

Hình 3.17 Tần suất (%) xảy ra hạn vào tháng 3 của các chỉ số theo không gian .......... 96

Hình 3.18 Tần suất (%) xảy ra hạn vào tháng 4 của các chỉ số theo không gian .......... 96

Hình 3.19 Tần suất (%) xảy ra hạn vào tháng 6 của các chỉ số theo không gian .......... 96

Hình 3.20 Tần suất (%) xảy ra hạn vào tháng 7 của các chỉ số theo không gian .......... 97

Hình 3.21 Tần suất (%) xảy ra hạn vào tháng 8 của các chỉ số theo không gian .......... 97

Hình 3.22 Phân bố cấp hạn vào tháng 6, 7 năm 1988 .................................................. 98

Hình 3.23 Phân bố cấp hạn vào tháng 6, 7 năm 1993 ................................................... 99

Hình 3.24 Phân bố cấp hạn vào tháng 6, 7 năm 1998 ................................................. 100

Hình 3.25 Phân bố cấp hạn vào tháng 6, 7 năm 2005 ................................................. 101

Hình 3.26 Phân bố cấp hạn vào tháng 6, 7 năm 2005 ................................................. 102

Hình 3.27 Giá trị SPI, SPEI-1 trong các thời kỳ xảy ra ENSO (1985-2014) .............. 103

Hình 3.28 Giá trị SPI, SPEI-3 trong các thời kỳ xảy ra ENSO (1985-2014) .............. 103

Hình 3.29 Tương quan giữa SSTA với các chỉ số SPI, SPEI theo không gian (với độ trễ j = 3 tháng) ................................................................................................................... 107

Hình 3.30 Tương quan giữa SOI với các chỉ số SPI, SPEI theo không gian (với độ trễ j = 2 tháng) ..................................................................................................................... 108

viii

Hình 3.31 So sánh chất lượng dự báo theo chỉ số SPEI3 giữa các mô hình ............... 110

Hình 3.32 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 cho toàn vùng ..... 110

Hình 3.33 Chất lượng dự báo cho chỉ số SPEI3 bằng mô hình M4 theo không gian . 111

Hình 3.34 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 tại trạm Cam Ranh ..................................................................................................................................... 112

Hình 3.35 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 tại trạm Phan Rang ..................................................................................................................................... 112

Hình 3.36 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 tại trạm Phan Thiết ..................................................................................................................................... 113

Hình 3.37 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 1988) .... 113

Hình 3.38 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 1993) .... 114

Hình 3.39 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 1998) .... 114

Hình 3.40 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 2005) .... 115

Hình 3.41 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 2010) .... 115

Hình 3.42 Sơ đồ mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu ........... 119

Hình 3.43 Bản đồ dự báo, cảnh báo theo chỉ số SPEI3 tháng 1, 2 năm 2015 ............. 121

Hình 3.44 Bản đồ dự báo, cảnh báo theo chỉ số SPEI3 tháng 3, 4 năm 2015 ............. 122

Hình 3.45 Bản đồ dự báo, cảnh báo theo chỉ số SPEI3 tháng 5, 6 năm 2015 ............. 123

DANH MỤC CÁC TỪ VIẾT TẮT

ANFIS Mạng noron thích nghi mờ (Adaptive Neuro-Fuzzy Inference System)

ANN Mạng noron nhân tạo (Artificial Neural Networks)

ARIMA Mô hình tự hồi quy thích hợp (Autoregressive Integrated Moving Average Model)

BĐKH Biến đổi khí hậu

BTB Bắc Trung Bộ

CI Chỉ số hạn tích hợp (Integrated Drought Index)

CMI Chỉ số độ ẩm cây trồng (Crop Moisture Index)

CORR Hệ số tương quan (Correlation Coefficient)

DBHH Dự báo hạn hán

DBKH Dự báo khí hậu

DHMT Duyên hải Miền Trung

E Chỉ số hiệu quả (Efficiency)

ENSO El Nino và dao động Nam bán cầu (El Nino and the Southern Oscillation)

FAO Tổ chức Lương thực & Nông nghiệp Liên Hiệp Quốc (Food and Agriculture Organization)

FL Logic mờ (Fuzzy Logic)

IDW Trọng số nghịch đảo khoảng cách (Inverse distance weighting)

KHCH Khoa học Công nghệ

KTTV Khí tượng thủy văn

KT-XH Kinh tế - Xã hội

M Mô hình

MSDI Chỉ số tiêu chuẩn hóa đa biện (Multivariate Standardized Drought Index)

NAWM Gió mùa đông bắc Á (Northeast Asian Winter Monsoon)

NCDA Vùng hạn không kề giáp nhau (Non-contigous drought analysis)

NTB Nam Trung Bộ

PCA Phân tích thành phần chính (Principal Component Analysis)

PDSI Chỉ số Palmer

RSR Hệ số thống kê giữa sai số căn quân phương và độ lệch chuẩn (RMSE - observations standard deviation ratio)

SASM Gió mùa hè Nam Á (South Asian Summer Monsoon)

SOI Chỉ số dao động Nam bán cầu (Southern Oscillation Index)

SPEI Chỉ số chuẩn hóa lượng mưa và bốc hơi (Standardized Precipitation Evapotranspiration Index)

SPI Chỉ số chuẩn hóa lượng mưa (Standardized Precipitation Index)

SSI Chỉ số chuẩn hóa độ ẩm đất (Standardized Soil Moisture Index)

SST Nhiệt độ mặt nước biển (Sea Surface Temperature)

SSTA Nhiệt độ mặt nước biển dị thường (Sea Surface Temperature Anomalies)

SWSI Chỉ số cung cấp nước mặt (Social Water Scarcity Index)

TBD Thái Bình Dương

WMO Tổ chức Khí tượng Thế giới (World Meteorological Organization)

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 một hoặc nhiều nguyên

nhân khác nhau, bao gồm 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, với các đặc tính của hạn là biến đổi đáng kể từ vùng này sang

vùng khác. Hạn hán là một sự sai khác theo thời gian, rất khác với sự khô hạn, bởi khô

hạn bị giới hạn trong những vùng có lượng mưa thấp, nhiệt độ cao và là một đặc trưng

lâu dài của khí hậu. Vì vậy, hiện tượng hạn hán xảy ra trong từng năm với các đặc tính

thời tiết và các tác động của nó là không giống nhau.

Hạn hán khá phổ biến ở Việt Nam, đặc biệt là ở các tỉnh Duyên hải Miền Trung

(DHMT). Theo số liệu thống kê của Tổng cục thủy lợi trong giai đoạn 1985 – 2014, toàn

vùng đã có nhiều đợt hạn hán xảy ra, trong đó có 5 đợt xảy ra hạn hán nghiêm trọng,

hạn xảy ra trong cả 3 vụ sản xuất làm thiệt hại đến hàng triệu hecta đất nông nghiệp và

sự thiếu hụt nước trầm trọng cho hàng triệu người dân ở các vùng khác nhau trên cả

nước, đặc biệt là khu vực DHMT.

Sự khắc nghiệt của hiện tượng hạn hán không chỉ phụ thuộc vào khoảng thời gian, cường

độ, không gian của một thời đoạn hạn hán cụ thể, mà còn phụ thuộc vào nhu cầu dùng

nước từ các hoạt động của con người và cây trồng lên nguồn cung cấp nước của khu

vực. Số liệu thống kê cho thấy rằng những thiệt hại về mặt kinh tế do hạn hán lớn hơn

rất nhiều so với do lũ lụt. 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. Cho đến nay ở Việt Nam đã có nhiều đề tài, dự án nghiên cứu về hạn hán

nhưng những kết quả đã nghiên cứu còn một số hạn chế như: (i) Công tác dự báo, cảnh

báo hạn ở Việt Nam chưa thoả mãn yêu cầu để áp dụng rộng rãi trong công tác đánh giá,

dự báo và cảnh báo hạn cho các vùng, các tỉnh khác nhau; (ii) Việc đánh giá, dự báo và

cảnh báo hạn cho một vùng rộng lớn hoặc trên toàn quốc chủ yếu dựa vào các chỉ số hạn

khí tượng. Còn các chỉ số hạn thủy văn và nông nghiệp mới chỉ được dùng để đánh giá,

dự báo và cảnh báo hạn cho những vùng nhỏ hoặc theo lưu vực sông; (iii) Phương pháp

dự báo hạn chủ yếu là phương pháp thống kê, phương pháp động lực cũng đã được dùng

để dự báo hạn nhưng chưa nhiều. Các sản phẩm dự báo, cảnh báo chủ yếu là theo điểm;

(iv) Chưa có khung thể chế và pháp lý cho các hoạt động ứng phó và giảm nhẹ thiệt hại

do hạn hán. Bởi vậy, cần nhiều nghiên cứu hơn nữa về hạn hán nhằm xác định được các

chỉ số hạn và các chỉ tiêu phân cấp hạn phù hợp, trên cơ sở đó xây dựng các cấp cảnh

báo hạn cho từng địa phương, đặc biệt ở các vùng hạn hán hay xảy ra. Đồng thời phải

xây dựng được mô hình cảnh báo sớm hạn hán phù hợp cho các vùng của Việt Nam.

Với mong muốn kết quả nghiên cứu của luận án sẽ đóng góp một phần trong việc giải

quyết các nhiệm vụ nêu trên. Vì thế, tác giả đã đề xuất 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” để phân tích, đánh giá diễn biến hạn hán, xác định mức độ ảnh

hưởng của hiện tượng El Nino và dao động Nam bán cầu (ENSO) đến hạn hán và xây

dựng được mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu.

2. Mục tiêu nghiên cứu

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. Để đạt được mục tiêu trên thì các mục tiêu cụ thể được xác định như sau:

Đánh giá mối quan hệ giữa diễn biến hạn hán của vùng DHMT với các yếu tố ENSO,

nhiệt độ mặt nước biển dị thường (SSTA) và chỉ số dao động Nam bán cầu (SOI);

Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu trong mối quan

hệ giữa hạn hán với các yếu tố SSTA và SOI.

3. Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu trong luận án này là: Hạn khí tượng, tính chất, mức độ, xu thế và

phân bố của hạn hán.

Phạm vi nghiên cứu của luận án này là: Nghiên cứu cảnh báo sớm hạn khí tượng vùng

Duyên hải Miền Trung thông qua các chỉ số tương quan xa của vùng xích đạo TBD

(vùng đặc trưng của El nino, SOI), bao gồm các tỉnh thành sau: Thanh Hóa, Nghệ An,

Hà Tĩnh, Quảng Bình, Quảng Trị, Thừa Thiên Huế, Đà Nẵng, Quảng Nam, Quảng Ngãi,

Bình Định, Phú Yên, Khánh Hòa, Ninh Thuận và Bình Thuận.

4. Nội dung nghiên cứu của luận án

 Lựa chọn chỉ số hạn, phân tích đánh giá diễn biến hạn hán theo các chỉ số hạn và so

sánh với diễn biến hạn hán theo thực tế của vùng nghiên cứu;

 Phân tích mối quan hệ giữa diễn biến hạn hán của vùng nghiên cứu trong các đợt xảy

ra ENSO;

 Phân tích và đánh giá tương quan giữa hạn hán của vùng nghiên cứu với nhiệt độ mặt

nước biển (SST), chỉ số dao động Nam bán cầu (SOI) bằng phương pháp phân tích

tương quan phục vụ cho việc 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.

5. Phương pháp nghiên cứu

 Cách tiếp cận trong luận án:

 Tiếp cận thực tế: Điều tra, khảo sát và thu thập số liệu về khí tượng và hiện trạng hạn

hán của vùng nghiên cứu;

 Tiếp cận kế thừa có chọn lọc và bổ sung các nghiên cứu đã có trong nước cũng như

trên thế giới về hạn và cảnh báo hạn;

 Tiếp cận các phương pháp, công cụ đánh giá, dự báo và cảnh báo hạn mới trên thế

giới.

 Các phương pháp nghiên cứu chính trong luận án:

 Phương pháp điều tra, khảo sát, thu thập tài liệu thực tế, tài liệu tham khảo;

 Phương pháp thống kê, xác suất: Tổng hợp, xử lý và phân tích số liệu làm cơ sở để

phân tích đánh giá diễn biến hạn hán và xây dựng mô hình cảnh báo hạn;

 Phương pháp kế thừa: Kế thừa các tài liệu, công trình khoa học đã và đang thực hiện

về đánh giá, dự báo và cảnh báo hạn hán trên thế giới;

 Phương pháp vùng hạn không kề giáp nhau (NCDA): Phân tích, đánh giá diễn biến

hạn hán của vùng nghiên cứu theo không gian và thời gian;

 Phương pháp phân tích tương quan: Phân tích mối quan hệ giữa diễn biến hạn hán

của vùng nghiên cứu với hiện tượng ENSO thông qua hệ số tương quan giữa các chỉ

số hạn và nhiệt độ mặt nước biển (SST), chỉ số dao động Nam bán cầu (SOI). Để làm

cơ sở lựa chọn biến đầu vào cho các mô hình dự báo;

 Phương pháp phân tích tổng hợp: Phân tích tổng hợp các tài liệu liên quan để đề ra

mục tiêu, nội dung nghiên cứu. Phân tích tổng hợp kết quả nghiên cứu để làm cơ sở

để xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu;

 Phương pháp mô hình toán: Thiết lập các mô hình dự báo hạn bằng phương pháp mô

hình toán (mạng noron thích nghi mờ, ANFIS).

6. Ý nghĩa khoa học và thực tiễn

 Ý nghĩa khoa học:

 Luận án đã góp phần hoàn thiện cơ sở khoa học trong việc sử dụng và lựa chọn chỉ

số hạn để đánh giá, dự báo và cảnh báo hạn cho vùng nghiên cứu nói riêng và Việt

Nam nói chung.

 Luận án đã bổ sung thêm cơ sở khoa học trong việc xây dựng bản đồ hạn theo phương

pháp vùng hạn không kề giáp nhau (NCDA).

 Luận án đã cung cấp cơ sở khoa học để thiết lập các mô hình dự báo hạn khí tượng

phục vụ cho công tác cảnh báo sớm hạn khí tượng.

 Ý nghĩa thực tiễn:

 Góp phần làm sáng tỏ xu thế và diễn biến hạn hán của khu vực Duyên hải Miền Trung

ở quá khứ trong mối quan hệ với hiện tượng ENSO.

 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.

 Kết quả của luận án đưa ra được các bản đồ cảnh báo sớm hạn khí tượng bằng các

chỉ số hạn. 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

Luận án gồm 165 trang thuyết minh trong đó có: 62 hình vẽ, 18 bảng biểu minh họa, 1

trang liệt kê danh mục 2 công trình đã công bố của tác giả về kết quả nghiên cứu của đề

tài luận án, 8 trang liệt kê 103 tài liệu tham khảo và 28 trang phụ lục.

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 này nêu tổng quan về vùng nghiên cứu; khái niệm về hạn hán, các chỉ số được

dùng trong đánh giá và dự báo hạn hán; tổng hợp được tình hình hạn hán và các nghiên

cứu có liên quan đến hạn hán trên Thế giới cũng như Việt Nam; những thành tựu và hạn

chế của các nghiên cứu về hạn và tự báo hạn; định hướng mục tiêu và các nội dung

nghiên cứu của luận án.

Chương 2: Cơ sở khoa học và phương pháp dự báo hạn khí tượng cho vùng Duyên

hải Miền Trung

Trong chương này đã nêu được các cơ sở khoa học để phục vụ cho nghiên cứu như: hiện

trạng hạn hán của vùng nghiên cứu; hiện tượng ENSO và ảnh hưởng của hiện tượng này

đến khí hậu của vùng nghiên cứu; số liệu mưa, nhiệt độ của vùng nghiên cứu; số liệu về

SSTA, SOI. Lựa chọn chỉ số hạn để đánh giá, dự báo hạn cho vùng nghiên cứu; sử dụng

phương pháp phân tích tương quan để đánh giá ảnh hưởng của ENSO đến diễn biến hạn

hán của vùng nghiên cứu thông qua các chỉ số hạn; sử dụng mạng Nơron thích nghi mờ

(ANFIS) để thiết lập các mô hình dự báo hạn khí tượng cho vùng nghiên cứu với các

biến đầu vào và ra khác nhau.

Chương 3: Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng Duyên hải Miền

Trung

Trong chương này đã đưa ra được kết quả diễn biến hán của vùng nghiên cứu theo không

gian và thời gian bằng các chỉ số hạn, đồng thời có sự đánh giá sự phù hợp giữa diễn

biến hạn hán của vùng nghiên cứu bằng các chỉ số hạn so với tình hình hạn hán thực tế.

Kết quả đánh giá ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu.

Phân tích kết quả dự báo của các mô hình dự báo, từ đó lựa chọn mô hình dự báo phù

hợp cho vùng nghiên cứu. Xây dựng được mô hình cảnh báo sớm hạn khí tượng, đồng

thời đưa ra được các bản đồ cảnh báo hạn cho vùng nghiên cứu.

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.

Hạn hán là một sự sai khác theo thời gian, rất khác với sự khô hạn. Bởi khô hạn bị giới

hạn trong những vùng có lượng mưa thấp, nhiệt độ cao và là một đặc trưng lâu dài của

khí hậu [1]. So với các thảm họa tự nhiên khác như: xoáy, lũ lụt, động đất, núi lửa phun

trào và sóng thần có sự khởi đầu nhanh chóng, có ảnh hưởng trực tiếp và có cấu trúc, thì

hạn hán lại ngược lại. Hạn hán khác với các thảm họa tự nhiên khác theo các khía cạnh

quan trọng sau [2]:

 Không tồn tại một định nghĩa chung về hạn hán.

 Hạn hán có sự khởi đầu chậm, là hiện tượng từ từ, dẫn đến khó có thể xác định được

sự bắt đầu và kết thúc một thời kỳ hạn.

 Thời gian hạn dao động từ vài tháng đến vài năm, vùng trung tâm và vùng xung quanh

bị ảnh hưởng bởi hạn hán có thể thay đổi theo thời gian.

 Không có một chỉ thị hoặc một chỉ số hạn đơn lẻ nào có thể xác định chính xác sự bắt

đầu và mức độ khắc nghiệt của sự kiện hạn cũng như các tác động tiềm năng của nó.

 Phạm vi không gian của hạn hán thường lớn hơn nhiều so với các thảm họa khác, do

đó các ảnh hưởng của hạn thường trải dài trên nhiều vùng địa lý lớn.

 Các tác động của hạn nhìn chung không theo cấu trúc và khó định lượng. Các tác

động tích lũy lại và mức độ ảnh hưởng của hạn sẽ mở rộng khi các sự kiện hạn tiếp

tục kéo dài từ mùa này sang mùa khác hoặc sang năm khác.

 Mặt khác, hạn hán ảnh hưởng đến nhiều lĩnh vực kinh tế và xã hội nên các định nghĩa

về hạn sẽ được đưa ra theo nhiều cách tiếp cận khác nhau: như các ngưỡng sử dụng,

theo mục đích sử dụng, khu vực, địa phương… Hơn nữa, hạn xảy ra với tần suất thay

đổi gần như ở tất cả các vùng trên toàn cầu, các tác động của hạn đến nhiều lĩnh vực

cũng khác nhau theo không gian và thời gian. Như vậy để có được một định nghĩa

chung nhất về hạn hán thì rất khó.

D.A. Wilhite [2] cho rằng mặc dù các nhân tố khí hậu (nhiệt độ cao, gió mạnh, độ ẩm

tương đối thấp) thường gắn liền với hạn hán ở nhiều vùng trên thế giới và có thể làm

nghiêm trọng thêm mức độ hạn, song lượng mưa vẫn là nhân tố ảnh hưởng chính gây ra

hạn hán và tác giả cũng đã đưa ra một định nghĩa về hạn: “hạn hán là kết quả của sự

thiếu hụt lượng mưa tự nhiên trong một thời kỳ dài, thường là một mùa hoặc lâu hơn”.

Chính vì vậy, hạn hán thường được gắn liền với các khoảng thời điểm (mùa hạn chính,

sự khởi đầu muộn của mùa mưa, sự xuất hiện mưa trong mối liên hệ với các giai đoạn

sinh trưởng chính của cây trồng) và đặc tính của mưa (cường độ mưa, các đợt mưa). Với

các thời điểm hạn xuất hiện khác nhau sẽ dẫn đến các sự kiện hạn khác nhau về tác động,

phạm vi ảnh hưởng cũng như các đặc tính khí hậu của hạn khác nhau.

Trong quấn sách nói về hạn hán và nông nghiệp (Drought and agriculture) của tổ chức

WMO (Khí tượng Thế giới) [3], thì 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) Hạn khí tượng (Meteorological Drought): Hạn khí tượng là hiện tượng thiếu hụt

nước trong suốt một khoảng thời gian nào đó do sự mất cân bằng giữa lượng giáng thủy

và bốc hơi, hạn khí tượng phản ánh đặc trưng vật lý hạn hán. Hạn khí tượng không phản

ánh được ảnh hưởng của sự thiếu hụt dòng chảy nhưng lại phản ảnh tốt sự thiết hụt nước

thực tế.

(2) Hạn nông nghiệp (Agricultural Drought): Hạn nông nghiệp thường xảy ra ở nơi độ

ẩm đất không đáp ứng đủ nhu cầu của một cây trồng cụ thể ở thời gian nhất định và cũng

ảnh hưởng đến vật nuôi và các hoạt động nông nghiệp khác. Mối quan hệ giữa lượng

mưa và lượng mưa thấm vào đất thường không được chỉ rõ. Sự thẩm thấu lượng mưa

vào trong đất sẽ phụ thuộc vào các điều kiện ẩm trước đó, độ dốc của đất, loại đất, cường

độ mưa. Hạn nông nghiệp xảy ra sau hạn hán khí tượng, bởi vì hạn khí tượng có ảnh

hưởng đến lượng nước có trong đất, khả năng giữ nước trong đất thấp thì khả năng xảy

ra hạn nông nghiệp sẽ cao và ngược lại. Ví dụ, một số loại đất có khả năng giữ nước tốt

hơn thì các loại đất đó ít bị hạn hơn.

(3) Hạn thuỷ văn (Hydrological Drought): Hạn thủy văn liên quan đến sự thiếu hụt

nguồn nước mặt và nguồn nước ngầm. Nó được lượng hóa bằng dòng chảy, tuyết, mực

nước hồ, hồ chứa và nước ngầm. Hạn thủy văn xuất hiện trễ hơn hạn khí tượng và nông

nghiệp, sau khi kết thúc một đợt hạn khí tượng và nông nghiệp thì hạn thủy văn phải

mất một khoảng thời gian dài mới kết thúc. Cũng giống như hạn nông nghiệp, hạn thủy

văn không chỉ ra được mối quan hệ rõ ràng giữa lượng mưa và trạng thái cung cấp nước

bề mặt trong các hồ, bể chứa, tầng ngập nước, dòng suối. Bởi vì quá trình hình thành

dòng chảy rất phức tạp và phụ thuộc vào nhiều thành phần trong hệ thống thủy văn, như

sự tưới tiêu, kiểm soát lũ lụt, vận chuyển nước, phát điện, cung cấp nước sinh hoạt và

bảo tồn môi trường.

(4) Hạn kinh tế-xã hội khác hoàn toàn với các loại hạn khác. Bởi nó phản ánh mối quan

hệ giữa sự cung cấp và nhu cầu hàng hóa kinh tế (ví dụ như cung cấp nước, thủy điện),

nó phụ thuộc vào lượng mưa. Sự cung cấp đó biến đổi hàng năm như là một hàm của

lượng mưa và nước. Nhu cầu nước cũng dao động và thường có xu thế dương do sự tăng

dân số, sự phát triển của kinh tế và các nhân tố khác.

Khi lượng mưa hiệu quả giảm, lượng bốc hơi tăng trong quá trình thay đổi khí hậu sẽ

dẫn đến biểu hiện đầu tiên của hạn hán đó là hạn khí tượng. Hạn khí tượng sẽ quyết định

đến việc có xuất hiện hạn hán hay không và nó cũng là cơ sở phát sinh các loại hạn hán

khác. Khi thảm phủ thực vật dày (như rừng rậm) sẽ làm giảm tốc độ dòng khí có lợi cho

quá trình ngư tụ hơi nước dẫn đến lượng mưa tăng, ngược lại khi thảm phủ thực vật

mỏng sẽ làm tăng tốc độ dòng khí làm giảm khả năng gây mưa. Do đó, hạn khí tượng

xảy ra ở một mức độ nào đó sẽ dẫn đến hạn nông nghiệp, hạn thủy văn và ngược lại.

Sản lượng nông nghiệp chủ yếu phụ thuộc vào công tác thủy lợi, thậm chi khi lượng

mưa và độ ẩm đất giảm nhưng cây trồng vẫn cho năng suất cao. Hạn thủy văn cũng có

tác động đến hạn nông nghiệp; hạn thủy văn là trang thái khô cằn cực đoan của lưu vực

trong một khoảng thời gian dài (ít nhất là một quý hoặc 1 năm), quá trình hình thành

dòng chảy bao gồm toàn bộ quá trình vật lý của lưu vực như lượng mưa, bốc hơi mặt

ruộng, bốc hơi mặt đất và quá trình ngấm từ mặt đất xuống tầng nước ngầm. Hạn thủy

văn làm cho lượng nước trong lưu vực thiếu hụt, mực nước ngầm hạ thấp làm ảnh hưởng

đến công tác thủy lợi, gây khó khăn cho việc cung cấp nước cho cây [4]. Từ những phân

tích ở trên cho thấy, 4 loại hạn hán ở trên có sự liên quan và tương hỗ chặt chẽ với nhau,

được thể hiện như trong hình 1.1.

Hạn khí tượng

Hạn kinh tế - xã hội

Hạn thủy văn

Hạn nông nghiệp

Hình 1.1 Sơ đồ quan hệ giữa các loại hạn hán [5]

Ghi chú: nét liền là mối liên quan trực tiếp, nét đứt là mối liên quan gián tiếp.

1.1.2 Các chỉ số hạn

Theo H. Hisdal & L. M. Tallaksen [6], thuật ngữ “định nghĩa sự kiện hạn hán” và “chỉ

số hạn hán” vẫn còn chưa rõ ràng. Chỉ số hạn hán thường là một con số đặc trưng cho

trạng thái chung của hạn hán tại một thời điểm đo được. Còn định nghĩa một sự kiện

hạn hán được áp dụng để lựa chọn các sự kiện hạn hán trong một chuỗi thời gian bao

gồm sự bắt đầu và kết thúc của các đợt hạn hán. Việc dự tính hạn hán dựa trên các chỉ

số hạn hán được trình bày chi tiết bởi WMO [3] và Richard R. Heim [7]. Tuy nhiên, mỗi

chỉ số hạn hán đều được lựa chọn sao cho phù hợp 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.

1.1.2.1 Chỉ số hạn khí tượng

Hạn khí tượng là sự thiếu hụt lượng nước bất thường được tạo ra do sự mất cân bằng

giữa lượng giáng thủy và bốc hơi, chỉ số hạn khí tượng chủ yếu được tính toán từ các

yếu tố như lượng giáng thủy, nhiệt độ không khí, bốc hơi và các yếu tố khí tượng khác.

Chỉ số hạn khí tượng thường được phân thành hai loại là chỉ số giáng thủy và chỉ số đa

yếu tố khí tượng.

(1) Chỉ số giáng thủy

① Tần số phân bố giáng thuỷ hàng năm

Phân bố giáng thủy là một trong những dạng nhận biết cơ bản của hiện tượng hạn hán

trong một vùng nhất định. Và tần số phân bố giáng thủy được xác định trong khoảng

(WMO [3]):

Bảng 1.1 Phân cấp hạn hán theo chỉ số giáng thủy

Giá trị P Điều kiện

- Rất khô

- Khô

- Bình thường

- Ẩm P < P  2 P P  2 P < P < P   P P  P < P < P   P P > P   P

Trong đó: P là lượng giáng thuỷ trong một năm xem xét; 𝑃 là lượng giáng thuỷ trung

bình trong thời kì chuẩn;  là độ lệch chuẩn.

② Chỉ số chuẩn hóa lượng mưa (Standardized Precipitation Index – SPI)

SPI là một chỉ số dựa vào khả năng có thể của giáng thuỷ cho bất cứ thang thời gian

nào. Chỉ số SPI được xác định như sau:

(1-1)

Trong đó: R là lượng giáng thuỷ trong khoảng thời gian xác định; Rtb là lượng giáng

thuỷ trung bình trong khoảng thời gian xác định;  là giá trị độ lệch chuẩn.

Năm 1993, SPI đã được McKee và cộng sự [8] phát triển để tính toán các thời kỳ khô

hạn và ẩm ướt với các quy mô thời gian khác nhau. Những quy mô thời gian này phản

ánh tác động của hạn hán đến sự thay đổi tài nguyên nước khác nhau. Điều kiện độ ẩm

đất phản ánh mức độ dị thường của giáng thuỷ trong thời gian ngắn, trong khi đó nước

mặt, dòng chảy và bể tích trữ nước lại phản ánh những dị thường giáng thuỷ trong thời

gian dài. Từ những nguyên nhân này, McKee và cộng sự đã tính toán SPI cho những

quy mô chia thời gian dài như 3, 6, 12, 24 và 48 tháng. SPI có thể được ước tính cho

những quy mô thời gian khác nhau, có thể cung cấp sớm lời cảnh báo của hạn hán và

giúp đánh giá hạn hán khắc nghiệt và nó cũng dễ tính toán hơn các chỉ số khác. Tuy

nhiên giá trị của nó lại dựa vào dữ liệu sơ bộ có thể thay đổi. SPI tính toán cho bất cứ

vùng nào dựa vào số liệu thống kê lượng giáng thuỷ dài hạn cho một thời kì yêu cầu.

Giá trị SPI dương cho biết lượng giáng thuỷ cao hơn giá trị trung bình nhiều năm, trong

khi đó giá trị âm cho biết lượng giáng thuỷ thấp hơn giá trị trung bình nhiều năm. Bởi

vì SPI được chuẩn hoá, khí hậu ẩm hơn và khô hơn có thể được trình bày theo cách như

vậy, và thời kì ẩm cũng có thể được giám sát khi sử dụng SPI. Theo Tổ chức Khí tượng

thế giới (WMO), thì trạng khô hạn hay ẩm ướt được phân cấp theo chỉ số SPI như bảng

1.2.

Bảng 1.2 Phân cấp hạn hán theo chỉ số SPI [9]

Chỉ số SPI ≥ 2,0 1,5÷1,99 1,0 ÷ 1,49 0.50 ÷ 0,99 -0.49 ÷ 0.49 -0.50 ÷ - 0.99 -1,0 ÷ -1,49 -1,5 ÷ -1,99 ≤ -2,0 Điều kiện khí hậu Cực kỳ ẩm Rất ẩm Ẩm vừa Ẩmnhẹ Bình thường Hạn nhẹ Hạn vừa Hạn nặng Hạn cực nặng

(2) Chỉ số đa yếu tố khí tượng

① Chỉ số cán cân nước (K)

K là chỉ số thông dụng ở Việt Nam, được tính theo công thức sau:

(1-2)

Trong đó: E là lượng bốc hơi trong khoảng thời gian xác định; R là lượng mưa trung

bình trong khoảng thời gian xác định.

Hạn xảy ra khi lượng bốc hơi bắt đầu vượt quá lượng mưa rơi xuống. Qua đó ta có các

ngưỡng chỉ tiêu theo bảng sau:

Bảng 1.3 Phân cấp hạn theo chỉ số K

Giá trị K < 0.5 0.5 → 1.0 1.0 → 2.0 2.0 → 4.0 > 4.0 Điều kiện Rất ẩm Ẩm Hơi khô Khô Rất khô

② Chỉ tiêu hạn khí tượng Sa.I

Chỉ tiêu Sa.I là chỉ số mang tên tác giả người Nga Sazonop, được xác định chỉ dựa vào

sự mất cần bằng về lượng mưa và nhiệt độ không khí trong một thời kỳ dài nào đó.

Hạn khí tượng, một hiện tượng tự nhiên được coi là thiên tai do sự thiếu hụt nghiêm

trọng về lượng mưa so với mức chuẩn khí hậu xảy ra trong một thời gian dài. Dựa vào

lí do đó, các nhà khí tượng trên thế giới đã đưa ra nhiều dạng chỉ tiêu để xác định hạn

tuỳ sự phù hợp với điều kiện khí hậu vùng đó. Trong số đó, tác giả Sazonôp đã đưa ra

chỉ tiêu Sa.I (lấy tên là chỉ tiêu Sazonov), dựa vào sự mất cân bằng về độ lệch so với

chuẩn giữa hai yếu tố khí hậu: lượng mưa và nhiệt độ. Chỉ tiêu này được xác định bởi

công thức sau:

(1-3)

Trong đó :

T: Chuẩn sai nhiệt độ tháng (hoặc trong một thời kỳ dài nào đó)

T: Độ lệch tiêu chuẩn nhiệt độ tháng (hoặc cùng một thời kỳ T)

R: Chuẩn sai lượng mưa tháng (hoặc cùng một thời kỳ với T)

R: Độ lệch tiêu chuẩn lượng mưa tháng (hoặc cùng một thời kỳ R)

Theo công thức (1-3) thì mức độ hạn - úng được đánh giá bằng giá trị của Sa.I như sau:

Sa.I  1: khô hạn; Sa.I  - 1: dư thừa nước;

Sa.I  2: hạn nặng; Sa.I  - 2: úng ngập.

③ Chỉ số chuẩn hóa lượng mưa và bốc hơi (Standardized Precipitation

Evapotranspiration Index - SPEI)

Để nghiên cứu và theo dõi quá trình hạn hán dưới sự ảnh hưởng của hiện tượng nóng

lên toàn cầu S. M. Vicente-Serrano, và cộng sự [10] đã đề xuất ra chỉ số chuẩn hóa lượng

mưa và bốc hơi, trong quá trình tính toán chỉ số SPEI sẽ dựa vào chỉ số (D) là hiệu số

của lượng mưa (P) và lượng bốc hơi tiềm năng (PET), chỉ số (D) cho biết sự dư thừa

hoặc thiếu hụt độ ẩm, từ đó xác định được các điều kiện ẩm ướt và khô hạn. Mỗi thời

đoạn tăng giảm lượng nước có thể được định nghĩa như sau:

(1-4) Di = Pi - PETi

Trong đó: PET sử dụng phương pháp Thornthwaite để tính toán, trong chuỗi tăng giảm

lượng nước có thể xảy ra giá trị âm. Vì vậy, chỉ số SPEI sử dụng 3 tham số của hàm

phân bố xác suất log-logistic để mô tả xác suất của một sự kiện, dạng hàm số xác suất

tích lũy như sau:

(1-5)

Trong đó, tham số α, β,  có thể dùng phương pháp Moments tuyến tính để xác định sự

phù hợp. Chỉ số SPEI được tính toán tương tự như chỉ số SPI.

Theo Tổ chức Khí tượng thế giới (WMO), thì trạng khô hạn hay ẩm ướt theo chỉ số SPEI

cũng được phân cấp giống như chỉ số SPI (bảng 1.2).

1.1.2.2 Chỉ số hạn Nông nghiệp

Hạn nông nghiệp bị ảnh hưởng bởi nhiều yếu tố, cơ chế hình thành hạn phức tạp hơn

hạn khí tượng, hạn nông nghiệp ngoài sự ảnh hưởng bởi các yếu tố như: lượng mưa,

nhiệt độ, địa hình mà còn chịu sự ảnh hưởng của các yếu tố khác như: con người, cơ cấu

cây trồng, giống cây trồng... Như vậy, chỉ số hạn nông nghiệp có liên quan đến khí hậu,

cây trồng, đất và các yếu tố môi trường khác. Chỉ số hạn nông nghiệp nói chung có hai

loại là: chỉ số độ ẩm đất và chỉ số hạn cây trồng.

① Chỉ số độ ẩm tương đối của đất (Relative soil moisture index - RSMI)

Năm 2006, Trung Quốc đã xây dựng bộ tiêu chuẩn quốc gia về các chỉ số hạn để đánh

giá hạn hán [11], trong đó có chỉ số hạn về độ ẩm tương đối của đất (Relative soil

moisture index - RSMI), RSMI là chỉ số dựa vào diễn biến độ ẩm tương đối của đất để

phân cấp và đánh giá diễn biến hạn hán.

Bảng 1.4 Phân cấp hạn hán theo chỉ số độ ẩm tương đối của đất RSMI

TT Ảnh hưởng của hạn hán Độ ẩm tương đối của đất RSMI (10-20 cm) Mức độ hạn hán

RSMI ≥ 60% Không hạn 1

Hạn nhẹ 2 50%  RSMI < 60%

Hạn vừa 3 40%  RSMI < 50 %

Hạn nặng 4 30%  RSMI < 40 %

RSMI < 30% 5 Hạn rất nặng Độ ẩm bình thường, không có dấu hiệu của hạn hán Bốc hơi bề mặt thấp, không khí sát bề mặt bị khô Bề mặt đất bị khô, lá cây có hiện tượng héo Tầng đất bị hạn tăng dần, cây bắt đầu héo, lá khô, quả rụng Bề mặt đất hầu như không có bốc hơi, cây khô héo và chết

② Chỉ số độ ẩm đất bất thường (Soil Moisture Anomaly Percentage Index-SMAPI)

Năm 1988, K.H. Bergman, và cộng sự [12] đã đề xuất ra chỉ số độ ẩm đất bất thường

(SMAPI) để mô tả tình hình hạn hán trên phạm vi toàn cầu. Chỉ số độ ẩm đất bất thường

là chỉ số biểu thị giá trị sai lệch tính theo % của độ ẩm đất thực tế so với độ ẩm trung

bình nhiều năm trong cùng một thời kỳ tính toán. Người ta cho rằng độ ẩm trung bình

trong nhiều năm ở một thời kỳ nào đó là tương đối ổn định, khi độ ẩm đất thực tế thấp

hơn mức trung bình nhiều năm thì xảy ra tình trạng mất nước và khô hạn. Chỉ số độ ẩm

đất bất thường là một chỉ số hạn hán tương đối.

③ Chỉ số khắc nghiệt hạn Palmer (Palmer Drougt Severity Index - PDSI)

Chỉ số Palmer được phát triển bởi W. C. Palmer [13] vào những năm 1965 và sử dụng

thông tin về nhiệt độ và lượng mưa hàng tháng vào công thức xác định khô hạn. Và bây

giờ, nó đã trở thành chỉ số thông dụng và là cơ sở để tính toán cho nhiều chỉ số khác,

PDSI được tính như sau:

(1-6)

Với PDSI của tháng đầu tiên trong điều kiện khô hoặc ẩm bằng

Trong đó, Z = Kd: Chỉ số dị thường ẩm:

(1-7)

 Giá trị của d được coi là độ lệch chuẩn độ ẩm. Bốn giá trị tiềm năng được tính toán

như:

 Bốc thoát hơi tiềm năng (PE ) được tính bằng phương pháp Thornthwaite.

 Bổ sung tiềm năng (PR) - Lượng ẩm cần thiết để đưa vào đất trường hợp tích trữ.

 Thất thoát tiềm năng (PL) - Lượng hơi ẩm có thể bị mất từ đất để bốc thoát hơi nước,

trong suốt thời kỳ lượng giáng thủy bằng 0.

 Dòng chảy tiềm năng (PRO) - Sự chênh lệch giữa giáng thủy tiềm năng và PR.

Các hệ số khí hậu được tính như là tỷ lệ giữa trung bình của các giá trị thực tế so với

tiềm năng cho 12 tháng:

cho 12 tháng

K là một yếu tố trọng lượng. Giá trị của K được xác định từ các bản ghi khí hậu thực tế

trước khi tính toán. Palmer đưa ra các mối quan hệ thực nghiệm cho K như sau:

(1-8)

Ở đây, là giá trị trung bình tuyệt đối của d, và phụ thuộc vào nguồn cung cấp

và nhu cầu nước trung bình, được xác định:

(1-9)

Trong đó, PE là lượng bốc thoát hơi tiềm năng, R là lượng bổ sung, RO là dòng chảy, P

là giáng thủy và L là lượng thất thoát.

Ưu điểm: Là chỉ số hạn tổng quát đầu tiên được sử dụng rộng rãi, và PDSI rất có hiệu

quả đối với hạn nông nghiệp vì trong công thức tính toán có tính cả độ ẩm của đất.

Một số hạn chế của chỉ số PDSI: Khi tính toán theo chỉ số PDSI thì hạn hán sẽ xuất hiện

chậm hơn so với các đợt hạn khoảng vài tháng, đặc điểm này đã hạn chế việc ứng dụng

chỉ số này ở nhiều khu vực có các cực trị khí hậu thường xuyên xảy ra, chẳng hạn như

vùng tây nam Châu Á nơi nhiều vùng rộng lớn bị thống trị bởi khí hậu gió mùa. Một

vấn đề quan trọng nữa liên quan đến việc sử dụng PDSI đó là sự tính toán khá phức tạp

và đòi hỏi có nhiều số liệu khí tượng đầu vào. Việc ứng dụng chỉ số này ở Châu Á nói

chung hay ở Việt Nam nói riêng nơi mạng lưới quan trắc thưa thớt là một hạn chế đáng

kể.

Bảng 1.5 Phân cấp hạn theo chỉ số PDSI [13]

PDSI ≥ 4.0 3.0  3.99 2.0  2.99 1.0  1.99 0.5  0.99 0.49  -0.49 -0.5  -0.99 -1.0  -1.99 -2.0  -2.99 -3.0  -3.99 ≤ -4.0 Điều kiện Cực ẩm Rất ẩm Ẩm vừa Ẩm nhẹ Chớm ẩm Gần chuẩn Chớm khô Hạn nhẹ Hạn vừa Hạn nặng Hạn nghiêm trọng

④ Chỉ số chuẩn hóa độ ẩm đất (Standardized Soil Moisture Index - SSI)

Để phản ánh mức độ ẩm ướt và khô hạn, năm 2013 Zengchao Hao & Amir Agha-

Kouchak [14] đã đề xuất ra chỉ số chuẩn hóa độ ẩm đất (Standardized Soil Moisture

Index - SSI) để giám sát hạn hán. SSI được tính toán dựa trên diễn biết độ ẩm của đất,

phương pháp tính toán và phân cấp mức độ hạn hán theo chỉ số SSI cũng giống như chỉ

số SPI (bảng 1.2).

⑤ Chỉ số độ ẩm cây trồng (Crop Moisture Index - SMI)

Chỉ số độ ẩm cây trồng (CMI) là một sản phẩm phụ của chỉ số PDSI. Năm 1968, Palmer

đã thiết lập phương trình tính toán quá trình chỉ số PDSI để đánh giá tình trạng nước

trong thời đoạn ngắn của vùng trồng cây [15]. PDSI được tính toán dựa trên giá trị trung

bình tuần của nhiệt độ không khí và tổng lượng mưa, và đánh giá trị số PDSI hàng tuần

thông qua chỉ số bốc hơi và độ ẩm bất thường. Một thời kỳ hạn xuất hiện khi chỉ số CMI

nhỏ hơn không, khi CMI nhỏ hơn không biểu thị lượng bốc hơi không đủ, khi CMI lớn

hơn không biểu thị lượng bốc hơi thực tế lớn hơn lượng bốc hơi của cây trồng hoặc

lượng mưa lớn hơn lượng nước mà cây trồng cần. Chỉ số CMI có thể cho thấy ngay

được tình hình biến đổi lượng nước trong thời gian ngắn, CMI chủ yếu giám sát ảnh

hưởng của điều kiện nước trong thời đoạn ngắn tới sự phát triển của cây trồng, còn theo

thời đoạn dài thì không phản ánh được tình hình hạn hán.

(6) Chỉ số hạn cây trồng

Chỉ số hạn cây trồng dựa trên đặc điểm sinh lý, sinh thái của cây trồng để thành lập,

thông qua việc giám sát quá trình sinh trưởng của cây trồng, nhiệt độ của lá và hàm

lượng nước của lá để xác định mức độ ảnh hưởng của hạn hán. Tùy thuộc vào nội dung

giám sát mà chỉ số hạn cây trồng có thể chia thành các loại chỉ số như sau: Chỉ số trạng

thái thực vật [16] (Vegetation Condition Index - VCI), chỉ số trạng thái nhiệt độ

(Temperature Condition Index - TCI) và chỉ số thiếu hụt nước (Water Deficit Index -

WDI) [17].

1.1.2.3 Chỉ số hạn thủy văn

Chỉ số hạn thủy văn thường dùng bao gồm chỉ số tổng lượng nước thiếu hụt và chỉ số

cung cấp nước mặt (Surface Water Supply Index – SWSI)

① Chỉ số tổng lượng nước thiết hụt

Chỉ số tổng lượng nước thiếu hụt là một chỉ số hạn thủy văn truyền thống, được tính như

sau: S = D×M. Trong đó: S là tổng lượng nước thiếu nước; D là thời gian duy trì tình

trạng thiếu hụt nước của thời đoạn tính toán; M là lưu lượng thiếu hụt so với lưu lượng

bình quân của lưu vực. Chỉ số tổng lượng nước thiếu hụt là số âm, khi giá trị tuyệt đối

càng lớn thì tình hình hạn càng nghiêm trọng, hạn hán kết thúc khi chỉ số tổng lượng

nước thiếu hụt lớn hơn hoặc bằng không. Năm 1966, P. H. Herbst, và cộng sự [18] đã

sử dụng lượng mưa tháng hoặc dòng chảy tháng để kiểm nghiệm và phân tích tình hình

hạn hán bằng chỉ số tổng lượng nước thiếu hụt.

② Chỉ số cung cấp nước mặt (Surface Water Supply Index – SWSI)

Chỉ số cấp nước mặt (Surface Water Supply Index - SWSI) được đề xuất bởi B. A.

Shafer & L. E. Dezman [19] năm 1982, và đang được sử dụng khá rộng rãi ở nhiều bang

của Hoa Kỳ. SWSI tích hợp dung tích hồ chứa, lưu lượng dòng chảy mặt, mưa và/hoặc

tuyết thành một chỉ số duy nhất. SWSI được tính theo công thức:

(1-10)

Trong đó a, b, c và d là các trọng số đối với các thành phần tuyết, mưa, dòng chảy mặt

và dung tích hồ chứa trong cân bằng nước lưu vực (a+b+c+d=1); Psnow, Prain, Pstrm, và

Presv là sác xuất (%) không vượt quá của các thành phần cân bằng nước tương ứng (P(X≤

A)). Chỉ số SWSI được tính với thời đoạn tháng và có giá trị trong khoảng từ -4,2 đến

+4,2. Giá trị âm thể hiện mức độ thiếu nước, giá trị càng nhỏ mức độ khô hạn càng khốc

liệt. Giá trị dương thể hiện tình trạng dư thừa nước. Bảng 1.6 thể hiện thang phân cấp

hạn theo SWSI.

Bảng 1.6 Phân cấp hạn theo SWSI [19]

SWSI ≤-4 -4  -3 -2,9  -2 - 1,9  -1 -0,9 0,9 1  1,9 2  2,9 3  4 > 4 Tình trạng cấp nước Hạn cực nặng Hạn rất nặng Hạn vừa Hơi khô Gần như bình thường Hơi ẩm Ẩm vừa Rất ẩm Cực ẩm

1.1.2.4 Chỉ số hạn kinh tế-xã hội

Chỉ số hạn hán kinh tế-xã hội có thể đánh giá định lượng được ảnh hưởng của hạn hán

đến tình hình kinh tế-xã hội, thiệt hại kinh tế của các ngành như vận tải, du lịch, phát

điện và các ngành công nghiệp khác có quan hệ chặt chẽ với cường độ và thời gian duy

trì hạn hán. Năm 1990, L. OhIsson [20] đã đề xuất ra chỉ số khan hiếm nước xã hội

(Social Water Scarcity Index - SWSI) để phản ánh ảnh hưởng của hạn hán tới xã hội.

Công thức thính toán chỉ số SWSI như sau:

(1-11)

Trong đó: ARW là lượng nước sẵn có hàng năm

P là số nhân khẩu

HDI là chỉ số phát triển con người (Human Development Index)

Nước có sẵn hàng năm ARW được lấy từ dữ liệu tính toán tiêu chuẩn thủy văn, HDI

được xác định dựa trên tuổi thọ trung bình, trình độ giáo dục và GDP của mỗi quốc gia,

HDI phản ánh tình trạng toàn diện của một quốc gia. Khi SWSI = 0 ÷ 5 thì toàn bộ xã

hội được cung cấp đủ nước và không bị hạn, khí SWSI = 6 ÷ 10 thì xảy ra hạn nhẹ,

SWSI = 11 ÷ 20 thì xảy ra hạn nặng, SWSI > 20 thì xảy ra hạn rất nặng.

1.1.3 Các đặc trưng của hạn hán

Theo D.A. Wilhite [2] và M. Singh [21] khi so sánh các đợt hạn hán với nhau, các tác

giả thấy rằng mỗi đợt hạn hán thường khác nhau bởi ba đặc trưng sau đây: cường độ,

thời gian, sự trải rộng theo không gian của hạn hán.

(1) Cường độ hạn hán được định nghĩa là mức độ thiếu hụt lượng mưa hay mức độ ảnh

hưởng hạn hán kết hợp với sự thiếu hụt đó. Nó thường được xác định bởi sự trệch khỏi

mức độ trung bình của các chỉ số khí hậu và liên quan mật thiết với thời gian xác định

ảnh hưởng của hạn.

(2) Thời gian hạn hán chỉ khoảng thời gian một đợt hạn hán kéo dài, thông thường nó

kéo dài ít nhất là hai đến ba tháng để chắc chắn là hạn hán, sau đó có thể kéo dài hàng

tháng hàng năm.

(3) Hạn hán còn có sự khác nhau theo không gian. Hạn có thể xảy ra trên nhiều vùng

với diện tích hàng trăm km2 nhưng với mức độ gần như không nghiêm trọng và thời

gian tương đối ngắn. Hạn lục địa có thể trải rộng trên nhiều vùng với diện tích hàng

trăm, hàng nghìn km2, đặc biệt là các trường hợp nghiêm trọng hạn có thể trải rộng hàng

triệu km2, có khi chiếm gần nửa đại lục (WMO [3]). Diện tích bị ảnh hưởng bởi hạn hán

có thể tăng dần lên khi hạn nghiêm trọng xảy ra và các vùng hạn hán có cường độ hạn

cực đại cũng sẽ thay đổi từ mùa này sang mùa khác.

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. Đồng hành với hạn hán, hoang mạc hoá và sa mạc hoá trên thế giới cũng ngày

càng lan rộng từ các vùng đất khô hạn, bán khô hạn đến cả một số vùng bán ẩm ướt.

Diện tích hoang mạc hoá đã lên đến 39,4 triệu km2, chiếm 26,3% đất tự nhiên thế giới

và trên 100 quốc gia chịu ảnh hưởng. Nguy cơ đói và khát do hạn hán uy hiếp 250 triệu

con người trên trái đất, kèm theo đó còn ảnh hưởng tới môi trường khí hậu chung toàn

cầu (WMO [22]). Một số ví dụ điển hình về của hạn hán tại các quốc gia:

Tại Trung Quốc, từ năm 1876 đến 1879, hạn hán và lũ lụt đã gây ra nạn đói lịch sử, làm

chết khoảng 9 đến 13 triệu người. Năm 1958 đến 1961, mưa lũ diễn ra ở nhiều vùng,

sau đó là các đợt hạn hán nghiêm trọng và kéo dài đã gây mất mùa khiến sản lượng ngũ

cốc giảm khoảng từ 25 đến 30%, khiến khoảng 16,5 triệu người thiệt mạng và đây được

coi là nạn đói khủng khiếp nhất trong lịch sử nước này, trong các năm 1994 và 1995,

mỗi năm có từ khoảng 27 đến 55 triệu ha đất nông nghiệp bị ảnh hưởng do thiên tai có

liên quan đến hạn hán, chỉ tính riêng năm 1994 đã làm tổn thất khoảng 25 triệu tấn lương

thực. Mùa xuân năm 1995, hạn hán lan rộng khắp nơi, tại phần lớn các tỉnh phía Bắc

Trung Quốc có lượng mưa giảm từ 50-80% so với bình thường, một số vùng không có

mưa hoặc tuyết. Thêm vào đó, gió mạnh và nhiệt độ cao đã góp phần làm cho hạn hán

càng thêm nặng nề. Kết quả là nhiều vùng thuộc tỉnh Hà Bắc, phía Bắc tỉnh Sơn Tây và

Thiểm Tây, phía Đông tỉnh Cam Túc, phía Tây vùng Nội Mông, miền Trung và Đông

tỉnh Sơn Đông, một số vùng tại tỉnh Giang Tây, tỉnh An Huy tại miền Đông Trung Quốc

đều bị hạn nặng. Đến đầu tháng 5/1995 đã có hơn 10 triệu người và hơn 5 triệu gia súc

thiếu nước sinh hoạt. Mùa hè năm 2000, hạn hán kéo dài 3 tháng liên tục tại nhiều địa

phương đã làm cho tổng sản lượng lương thực ở Trung Quốc giảm 9% [23].

Ở Inđônêxia, từ năm 1982 đến 1983, hiện tượng El Ninô xảy ra đồng thời với hạn hán

và làm cho 420.000 ha ruộng lúa bị ảnh hưởng do thiếu nước, 158.000 ha bị mất trắng

và 3,7 ha rừng gỗ tái sinh bị cháy trụi. Năm 1991, hiện tượng El Ninô cùng với nắng

nóng đã gây ra hạn hán nghiêm trọng nhất trong lịch sử, gây tổn thất lớn đến sản xuất

nông nghiệp làm 483.000 ha trong đó có 190.000 ha lúa bị huỷ hoại hoàn toàn, buộc

chính phủ phải nhập khẩu khẩn cấp 600.000 tấn lương thực. Hạn hán cũng là nguyên

nhân gây ra cháy rừng, tại Kalimantan ở Inđônêxia 88.000 ha rừng bị cháy. Đây là vụ

cháy rừng lớn nhất trong lịch sử tại quốc gia này, cháy lớn đến nỗi lớp khói dày đặc do

nó tạo ra đã bao phủ toàn bộ đảo Kalimantan, lan tới tận các nước láng giềng là

Singapore và Malaixia trong tháng 9 và tháng 10 năm 1991 và cháy rừng âm ỉ kéo dài

đến tận 29/4/1992. Trong những năm 1997-1998, do ảnh hưởng của hiện tượng El Ninô,

các nước trong khu vực Đông Nam Á (trong đó có Việt Nam) hầu như không có mưa,

nhiệt độ không khí cao đã gây cháy rừng ở nhiều nơi, trong đó cháy rừng xảy ra nghiêm

trọng nhất là ở Inđônêxia và Malaixia [24, 25]

Ở châu Phi, một trong những khu vực điển hình thường xuyên xảy ra hạn hán và cũng

vì hạn hán xảy ra triền miên đã là nguyên nhân gây ra nghèo đói và chiến tranh, trong

đó có nhiều cuộc chiến tranh chỉ đơn thuần xuất phát từ việc tranh dành nguồn nước.

Do nguồn nước phân bố không đều, nên nhiều vùng tại châu Phi, hạn hán mang tính

thường xuyên đã gây nên sự suy giảm nguồn lương thực, năng lượng và nước rất phổ

biến [26]. Những thông báo về sự suy giảm của nền kinh tế và môi trường tại châu lục

này đang gây mối lo ngại cho nhiều quốc gia trên thế giới. Theo OTA (Office of

Technology Assessment), do hạn hán kéo dài, sản xuất lương thực trong thời kỳ từ 1975

đến 1985 tại Tây Phi đã giảm sút 25%, khiến cộng đồng quốc tế đã phải trợ giúp 15 tỷ

USD nhưng vẫn không cải thiện nổi nền kinh tế bị sa sút của các nước ở khu vực này.

Nơi điển hình chịu tác động nghiêm trọng nhất của hạn hán tại châu lục này là nước

Cộng hòa Sudan vào mùa xuân năm 1984, mất mùa làm nạn đói lan rộng, trong đó ba

tỉnh Kordofan và Darfur ở miền Tây và tỉnh Red Sea (Biển Đỏ) ở miền Đông Sudan là

bị đói nghèo nặng nề nhất. Tình trạng thiếu đói đã ảnh hưởng đến một nửa dân số,

khoảng 20-25 triệu người và làm chết khoảng 3% dân số trong vòng một tháng. Khoảng

2,5 triệu người phải di cư ra thành phố hoặc đến các khu vực phía Nam. Hạn hán kéo

dài tại tỉnh Kordofan đã làm sa mạc đã tiến về hướng Nam khoảng 90-100 km trong

vòng 17 năm, trung bình mức sa mạc hoá từ 5 đến 6 km hàng năm. Đợt hạn tại Sahel

năm 1974 đã làm chết tới 300.000 người và ảnh hưởng đến 150 triệu người do bị đói và

suy dinh dưỡng. Trước đó, những đợt hạn liên tiếp trong thời gian 6 năm (1968-1974)

đã làm cho số người bị chết ước tính từ 100.000 đến 300.000 người. Tại Mali, hạn hán

kéo dài đã làm cho sa mạc Sahara mở rộng xuống phía Nam khoảng 350 km trong vòng

20 năm, kết quả là đã có 1,5 tỷ ha vốn là đất canh tác biến thành hoang mạc.

Tại Hoa Kỳ, sản xuất công, nông nghiệp và dịch vụ phát triển cao, đồng thời cũng là

quốc gia sử dụng nước nhiều nhất trên thế giới. Do vậy, những năm bị hạn hán, thiệt hại

về kinh tế ở nước này là rất nghiêm trọng. Hoa Kỳ cũng là nước quan tâm nhiều đến vấn

đề hạn hán và có nhiều cơ quan nghiên cứu về hạn hán. Theo kết quả thống kê về những

thiệt hại do bão, lũ lụt và hạn hán gây ra trong thời gian 100 năm gần đây cho thấy mức

thiệt hại bình quân hàng năm do hạn hán gây ra là lớn nhất, từ 6-8 tỷ USD, tiếp sau đó

là do lũ lụt khoảng 2,41 tỷ USD và sau cùng là do bão khoảng từ 1,2 đến 4,8 tỷ USD.

Cũng theo số liệu thống kê, thiệt hại về kinh tế do hạn hán gây ra, cao nhất là vào năm

1988, khoảng 39,4 tỷ USD, gần tương đương với mức thiệt hại năm 1998 cũng do hạn

bao gồm mất mát về nông nghiệp, năng lượng, nước, sinh thái và các vấn đề khác, ...

chiếm hơn 39 tỉ USD. Về thời gian, hạn hán cũng hết sức dai dẳng, có thể kéo dài hàng

tháng, hàng năm, thậm chí hàng thập kỷ. Theo tài liệu thống kê của Cơ quan Quản lý

lưu vực sông và khí quyển đại dương quốc gia Hoa Kỳ cho thấy, tại một số nơi liên tục

có hạn trong cả 100 năm, lưu vực sông Missouri có đến 90 năm bị hạn có ở mức độ khác

nhau [7].

Thiệt hại do hạn hán gây ra ở nhiều nước trên thế giới là rất nghiêm trọng, kể cả về

người và tài sản. Thực tế, các con số thiệt hại nêu trên rất khó có thể được thống kê một

cách chính xác do số liệu thống kê chưa đầy đủ hoặc giá cả trong quá khứ và hiện tại là

khác nhau [2].

1.2.2 Các nghiên cứu về hạn hán trên thế giới

Trên thế giới, có rất nhiều tác giả 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 hán. Việc theo dõi sự biến động của giá

trị các chỉ số hạn hán sẽ giúp ta xác định được sự khởi đầu, thời gian kéo dài cũng như

cường độ hạn. Chỉ số hạn hán là hàm của các biến đơn như lượng mưa, nhiệt độ, bốc

thoát hơi, dòng chảy... hoặc là tổng hợp của các biến. Mỗi chỉ số đều có ưu điểm nhược

điểm khác nhau, và mỗi nước đều sử dụng các chỉ số phù hợp với điều kiện của nước

mình. Việc xác định hạn hán bằng các chỉ số hạn không chỉ áp dụng với bộ số liệu quan

trắc mà còn áp dụng với bộ số liệu là sản phẩm của mô hình khí hậu khu vực và mô hình

khí hậu toàn cầu. Trong quá trình nghiên cứu hạn, việc xác định các đặc trưng của hạn

là hết sức cần thiết, như xác định: sự khởi đầu và kết thúc hạn, thời gian kéo dài hạn,

phạm vi mở rộng của hạn, mức độ hạn, tần suất và mối liên hệ giữa những biến đổi của

hạn với khí hậu [27].

Các phân tích về hạn hán trên quy mô toàn cầu của Aiguo Dai, và cộng sự [28], theo

khu vực và địa phương của Benjamin Lloyd-Hughes & Mark A. Saunders [29] đã thông

qua các chỉ số hạn dựa trên số liệu mưa, nhiệt độ và độ ẩm quan trắc trong quá khứ cho

thấy số đợt hạn, thời gian kéo dài hạn, cũng như tần suất và mức độ của nó ở một số nơi

đã tăng lên đáng kể. Nổi bật lên trong nghiên cứu hạn trên quy mô toàn cầu là nghiên

cứu của Nico Wanders, và cộng sự [30], trong nghiên cứu của mình tác giả đã phân tích

ưu điểm, nhược điểm của 18 chỉ số hạn hán bao gồm cả chỉ số hạn khí tượng, chỉ số hạn

thủy văn, chỉ số độ ẩm, rồi lựa chọn ra các chỉ số thích hợp để áp dụng phân tích các đặc

trưng của hạn hán trong năm vùng khí hậu khác nhau trên toàn cầu: vùng xích đạo, vùng

khô hạn cực, vùng nhiệt độ ấm, vùng tuyết, vùng địa cực. Nhiều nghiên cứu cho thấy sự

giảm lượng mưa đáng kể đi kèm với sự tăng nhiệt độ sẽ làm tăng quá trình bốc hơi, gây

ra hạn hán nghiêm trọng hơn (A. V. Meshcherskaya & V. G. Blazhevich [31], cùng với

xu thế nóng lên trên toàn cầu giai đoạn (1980-2000), tần suất và xu thế hạn tăng lên và

xảy ra nghiêm trọng hơn vào bất cứ mùa nào trong năm, như ở Cộng hòa Séc cứ khoảng

5 năm lại xảy ra đợt hạn hán nặng trong suốt mùa đông hoặc mùa hè, với mức độ nặng

và tần suất lớn nhất vào tháng IV và tháng VI (xảy ra trên toàn bộ lãnh thổ với tổng diện

tích là 95%); hạn xảy ra vào các tháng mùa hè ở Hy Lạp ảnh hưởng nghiêm trọng đến

hoa màu và sự cung cấp nước trong thành phố; ở Cộng hòa Moldova, cứ 2 năm thì lại

có một đợt hạn nặng vào mùa thu [32]. Bên cạnh sự gia tăng về tần suất và mức độ hạn,

thời gian kéo dài các đợt hạn cũng tăng lên đáng kể, thời gian xảy ra hạn có thể kéo vài

tháng đến vài năm ở nhiều quốc gia. Nghiên cứu hạn dựa trên bộ số liệu mưa và nhiệt

độ tháng quan trắc với bước lưới 0,5 trên toàn lãnh thổ Châu Âu 35-70N và 35E-

10W (Benjamin Lloyd-Hughes & Mark A. Saunders [29]) đã chỉ ra rằng thời gian hạn

hán lớn nhất trung bình trên mỗi ô lưới ở Châu Âu là 48 ± 17 tháng, tần suất hạn hán

cao hơn xảy ra ở lục địa Châu Âu, thấp hơn ở bờ biển phía đông bắc Châu Âu, bờ biển

Địa Trung Hải, thời gian hạn kéo dài nhất thì xảy ra ở Italya, đông bắc Pháp, đông bắc

Nga, với thời gian kéo dài là 40 tháng. Xukai Zou, và cộng sự [33] đã chỉ ra rằng hạn

hán ở phía bắc Trung Quốc có xu thế tăng lên kể từ sau những năm 1990, đặc biệt có

vài vùng hạn hán kéo dài 4-5 năm từ năm 1997 đến năm 2003. Vì vậy, có thể nói trên

thế giới đã có rất nhiều các nghiên cứu về hạn hán và đi đến kết luận: ① Hạn hán là hiện

tượng hết sức phức tạp mà sự hình thành là do cả hai nguyên nhân: tự nhiên và con

người; ② Các yếu tố tự nhiên gây hạn như sự dao động của các dạng hoàn lưu khí quyển

ở phạm vi rộng và các vùng xoáy nghịch, hoặc các hệ thống áp thấp cao, sự biến đổi khí

hậu, sự thay đổi nhiệt độ mặt nước biển như El Nino) ; ③ và các nguyên nhân do con

người như nhu cầu nước ngày càng gia tăng, phá rừng, ô nhiễm môi trường ảnh hưởng

tới nguồn nước, quản lý đất và nước kém bền vững, gây hiệu ứng nhà kính,... Hiện nay,

rất nhiều chỉ số/hệ số hạn khác nhau đã được phát triển và ứng dụng ở các nước trên thế

giới như: Chỉ số ẩm Ivanov (1948), chỉ số khô Budyko (1950), chỉ số khô Penman, chỉ

số gió mùa GMI, chỉ số mưa chuẩn hóa SPI, chỉ số chuẩn hóa lượng mưa và bốc hơi

SPEI, chỉ số Sazonov, chỉ số Koloskov (1925), hệ số khô, hệ số cạn, chỉ số Palmer

(PDSI), chỉ số độ ẩm cây trồng (CMI), chỉ số cấp nước mặt (SWSI), chỉ số RDI

(Reclamation Drought Index)... Kinh nghiệm trên thế giới cho thấy hầu như không có

một chỉ số nào có ưu điểm vượt trội so với các chỉ số khác 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 hệ thống cơ sở dữ liệu quan trắc sẵn có ở vùng đó [34].

Nhằm mục đích giảm nhẹ tác hại của hạn hán, ở một số nước phát triển trên thế giới đã

thành lập các trung tâm giám sát, dự báo, cảnh báo hạn hán. Nhiệm vụ chính của các

trung tâm này là:

1. Theo dõi, giám sát, dự báo và cảnh báo hạn hán;

2. Phối hợp với các ban ngành có liên quan để đề xuất và tiến hành các hoạt động ngăn

ngừa, phòng tránh và giảm nhẹ tác hại của hạn hán;

3. Phối hợp với các cơ quan nghiên cứu khoa học xây dựng các phương pháp dự báo và

cảnh báo hạn hán.

Kinh nghiệm và thành tựu trong giám sát, cảnh báo hạn hán ở một vài quốc gia như sau:

 Ở Mỹ

Đã thành lập Trung tâm Quốc gia về giảm nhẹ hạn hán (The National Drought

Mitigation Center – NDMC). Các dạng thông tin về hạn hán được phát hành thường

xuyên cho các ngành ở Mỹ, đặc biệt là cho nông nghiệp, bao gồm:

 Đánh giá các điều kiện hạn gần đây và hiện trạng hạn hán dựa trên sự phối hợp giám

sát hạn hán toàn diện giữa các cơ quan của Bộ Nông nghiệp và Trung tâm Quốc gia

về Giảm nhẹ hạn hán;

 Các bản đồ chỉ số hạn của Cơ quan Khí quyển Đại dương Quốc gia (NOAA) cho 6,

12 tuần trước;

 Nhận định về hạn hán mùa do Trung tâm Dự báo Khí hậu thuộc NOAA (được cập

nhật hàng tháng);

 Tính toán của NOAA về lượng mưa cần có đến cuối các đợt hạn hán trên toàn nước

Mỹ;

 Giám sát độ ẩm đất: Hiện trạng độ ẩm đất trên các bang/các khu vực;

 Giám sát hạn hán của NOAA thông qua các chỉ số hạn, bao gồm: Chỉ số chuẩn hoá

lượng mưa, tỷ chuẩn lượng mưa hàng tháng; Chỉ số hạn khắc nghiệt theo Palmer (cập

nhật hàng tuần); Chỉ số ẩm cây trồng (cập nhật hàng tuần).

Đã tập trung vào 3 hoạt động bắt buộc của kế hoạch phòng chống hạn hán là: 1) Giám

sát và cảnh báo sớm; 2) Đánh giá nguy cơ rủi ro và tác động; 3) Giảm nhẹ và ứng phó

với hạn hán.

 Ở Úc

Từ năm 1965 đã thành lập tổ chức theo dõi và phục vụ phòng chống hạn hán (Bureau's

Drought Watch Service) với sự liên kết giữa cơ quan khí tượng Úc (BOM [35]) và cơ

quan nông nghiệp trên toàn quốc đến tận các bang. Tổ chức này cung cấp thời điểm bắt

đầu thống nhất để cảnh báo hạn trên toàn quốc. Những thông báo chính thức về hạn hán

được kết hợp với những yếu tố khác như mưa và trách nhiệm của các cơ quan khác của

chính phủ. Kể từ khi thực hiện “Chính sách quốc gia về hạn hán” năm 1992, tổ chức này

đã triển khai các công việc phân tích tình hình mưa. Các sản phẩm phân tích mưa được

công bố thông qua bản tin thời tiết hoặc qua website của tổ chức này. Cũng giống như

ở Mỹ, các thông tin viễn thám được ứng dụng rộng rãi trong việc xây dựng các sản phẩm

về giám sát và cảnh báo hạn hán.

 Ở Trung Quốc

Chính phủ Trung Quốc rất coi trọng việc giám sát, dự báo và đánh giá ảnh hưởng của

hạn hán. Trung tâm Khí hậu Quốc gia (NCC) thuộc Cục Khí tượng Trung Quốc (CMA

[36]) được thành lập từ năm 1995 đã xây dựng và vận hành một hệ thống giám sát và

cảnh báo sớm hạn hán với nhiều sản phẩm khác nhau như các bản tin hạn hán hàng

tháng, hàng năm. Ở Trung Quốc đã thực hiện thành công việc đánh giá phạm vi tác hại

của hạn hán, đặc biệt là giám sát hạn hán và dự báo, cảnh báo hạn hán cũng như đánh

giá mức độ ảnh hưởng. Việc đánh giá, giám sát và dự báo hạn hán được tiến hành với

sự trợ giúp của công nghệ viễn thám, trong đó đã sử dụng số liệu về chỉ số thực vật đo

từ vệ tinh VCI (Vegetation Condition Index) và chỉ số cung cấp nước thực vật WSVI

(Water Supplying Vegetation Index). Việc sử dụng mô hình WSVI để giám sát và dự

báo hạn hán được tiến hành trên cơ sở phân tích cường độ hạn hán, phân bố không - thời

gian của hạn hán. Đã tiến hành xác định các mức độ tin cậy về chỉ số cường độ hạn hán

và các dị thường về hạn hán. Sau đó vận dụng các kỹ thuật phi tuyến tính phổ động lực

học để xây dựng mô hình dự báo hạn hán với các ngưỡng thời gian khác nhau. Mô hình

dự báo với độ chính xác trung bình là 85%. Việc dự báo hạn nông nghiệp và xác định

nhu cầu tưới bằng viễn thám được tiến hành dựa trên cơ sở mô hình cân bằng nước và

quan hệ giữa cây trồng với các điều kiện môi trường. Bằng mô hình này có thể dự báo

sự biến động của lượng nước trong đất và nhu cầu tưới tiêu, với các khoảng thời gian

dự báo là 10 ngày, 20 ngày, 30 ngày, với độ chính xác là 95%, 90% và 88% theo từng

mức thời gian. Căn cứ vào các kết quả nghiên cứu thực nghiệm đã xác định được các

chỉ tiêu và các cấp hạn hán đối với một số cây trồng như tiểu mạch, ngô, bông từ đó có

thể dự báo, cảnh báo được mức độ hạn hán.

Các chuyên gia về hạn đều nhấn mạnh tầm quan trọng của dự báo và quản lý trong việc

giảm nhẹ thiệt hại do hạn gây ra. Điều đó được thể hiện trong công thức mang tính khái

niệm: (Rủi ro của một thảm hoạ) = (Thiên tai)(Tính dễ tổn hại)/(Quản lý). Việc giảm

nhẹ ảnh hưởng của hạn hán đòi hỏi sử dụng tất cả thành tố của chu trình quản lý thảm

hoạ thiên tai: Phòng chống (Dự phòng -> Giảm nhẹ -> Dự báo, dự đoán và cảnh báo

sớm -> Thiên tai) -> Phục hồi (Đánh giá tác động -> Phản ứng -> Phục hồi -> Xây dựng

lại). Vì vậy, dự báo, cảnh báo hạn hán là một trong những thành tố rất quan trọng, góp

phần rất lớn trong việc giảm nhẹ thiệt hại do hạn hán gây ra. Công tác dự báo, cảnh báo

hạn hán có định hướng chung như sau:

 Lựa chọn các chỉ số hạn thích hợp và tiến hành giám sát hạn trên cơ sở các chỉ số đã

lựa chọn.

 Trên cơ sở kết quả giám sát hạn tiến hành phân tích đặc điểm cơ bản của hạn hán về

phân bố không gian trong đó có xây dựng các bản đồ hạn với tỉ lệ khác nhau và cả

diễn biến về thời gian, trong đó có xác định mùa hạn và dự kiến xu thế tương lai của

hạn.

 Phân vùng hạn nhằm xác định đặc thù và nguy cơ hạn trên từng bộ phận lãnh thổ.

 Xây dựng công nghệ dự báo, cảnh báo hạn.

Hiện nay, dự báo, cảnh báo hạn được thực hiện theo hai cách tiếp cận chính:

(1) Dự báo trực tiếp các chỉ số hạn (hạn khí tượng, nông nghiệp, thủy văn) bằng các mô

hình dự báo thống kê thuần túy. Phương pháp này dựa trên mối tương quan giữa chỉ số

đặc trưng hạn hán 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 ENSO (nhiệt độ bề mặt

biển các vùng Nino SST, chỉ số dao động Nam bán cầu SOI, áp suất bề mặt biển SLP,

…) là những nhân tố quan trọng đối với hạn hán và có thể sử dụng làm nhân tố dự báo.

Năm 2009, Ashkan Farokhnia, và cộng sự [37] đã sử dụng 2 nhân tố SST và SLP và thử

nghiệm dự báo thành công chỉ số hạn hiệu dụng EDI trên toàn lảnh thổ Iran.

(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.

Hai phương pháp chính được sử dụng rộng rãi trong nghiên cứu dự báo khí hậu quy mô

khu vực và quốc gia là phương pháp thống kê thực nghiệm và phương mô hình hóa động

lực. Phương pháp thống kê thực nghiệm được xây dựng trên cơ sở các nguồn số liệu khí

hậu quá khứ trong khi các mô hình động lực dựa trên các nguyên lý cơ bản nhiệt động

lực học trong khí quyển để mô phỏng các hiện tượng, các quá trình vận động của toàn

bộ khí quyển đối với khu vực quan tâm. Mặc dù các mô hình thống kê thực nghiệm hiện

đang được sử dụng chủ yếu tại một số trung tâm dự báo khí hậu khu vực và quốc tế,

song cùng với sự phát triển mạnh mẽ của công nghệ máy tính và những hiểu biết sâu về

bản chất vật lý các quá trình trong khí quyển đã tạo điều kiện cho việc phát triển và ứng

dụng các mô hình động lực trong dự báo khí hậu (DBKH), đặc biệt tại các trung tâm

nghiên cứu DBKH lớn trên thế giới như Trung tâm Dự báo Thời tiết Hạn vừa Châu Âu

(ECMWF), Viện Nghiên cứu Quốc tế về Khí hậu và Xã hội (IRI), Trung tâm Khí hậu

Hadley-Anh, Trung tâm Quốc gia Dự báo Môi trường Mỹ (NCEP),...

Mô hình động lực DBKH được phát triển đầu tiên là các mô hình hoàn lưu chung khí

quyển (General Circulation Model, GCM) dự báo cho toàn cầu. Mô hình GCM thường

có độ phân giải trên 1 độ kinh vĩ nên không thể biểu diễn đủ chi tiết các đặc trưng khí

hậu của khu vực và địa phương. Chính vì vậy, cần thiết phải chi tiết hóa thông tin dự

báo từ GCM trước khi được ứng dụng. Biện pháp khoa học phổ biển hiện nay là chi tiết

hóa (downscaling) thống kê và động lực. Chi tiết hóa thống kê là phương pháp xây dựng

mối quan hệ giữa thông tin khí hậu địa phương với kết quả dự báo GCM hoặc số liệu tái

phân tích trong quá khứ. Mối quan hệ này sau đó được sử dụng để dự báo điều kiện khí

hậu địa phương trên cơ sở sản phẩm dự báo của mô hình GCM. Chi tiết hóa động lực là

lồng một mô hình khí hậu khu vực phân giải cao (Regional Climate Model, RCM) vào

mô hình GCM để GCM điều khiển RCM thông qua điều kiện biên xung quanh của miền

RCM, còn RCM phát triển khí hậu trong miền hữu hạn của mình. Như vậy, khí hậu của

mô hình khu vực được xác định bởi sự cân bằng giữa hai nhân tố: (i) Những thông tin

được cung cấp bởi điều kiện biên xung quanh và ii) động lực học và vật lý của mô hình

RCM (F. Giorgi & L. O. Mearns [38]).

Có một số mô hình động lực dự báo toàn cầu hiện đang được ứng dụng để dự báo chuẩn

sai hoàn lưu trung bình mùa trước một hay nhiều tháng, trong số đó đáng chú ý là hệ

thống mô hình dự báo khí hậu toàn cầu CFS (Climate Forecast System) của Trung tâm

Dự báo Môi trường Mỹ (NCEP). Đây là hệ thống mô hình kết hợp đầy đủ đồng thời

giữa mô hình khí quyển, mô hình đất và mô hình đại dương, được đưa vào nghiệp vụ từ

năm 2004 tại NCEP. Hiện tại, hạn dự báo của CFS là 9 tháng. Gần đây, để tăng cường

khả năng ứng dụng sản phẩm dự báo của CFS trong thực tế, một số các nghiên cứu đã

áp dụng phương pháp chi tiết hóa thống kê và chi tiết hóa động lực để chi tiết hóa thông

tin dự báo từ CFS. Mô hình phổ khu vực RSM (Regional Spectral Model) phát triển bởi

NCEP có tương đồng về lõi động lực và vật lý được lựa chọn trong các nghiên cứu này

(Suranjana Saha, và cộng sự [39]).

Một số nghiên cứu gần đây đã chỉ ra những kết quả tích cực trong việc ứng dụng mô

hình động lực DBKH để nghiên cứu dự báo hạn hán. Ví dụ như đã bắt đầu sử dụng kết

quả dự báo từ mô hình CFS để giám sát và cảnh báo hạn hán. Các cảnh báo hạn hán cho

1, 3, 6 tháng tiếp theo được cung cấp miễn phí cho người sử dụng qua internet. Ở Mỹ

đã sử dụng mô hình dự báo CFS để dự báo hạn hán cho tháng 8 năm 2011 trên toàn lục

địa ở Mỹ theo chỉ tiêu độ ẩm đất. Gần đây, Đài Loan đã ứng dụng bộ mô hình DBKH

toàn cầu và khu vực GSM/RSM để tính toán các đặc trưng khí hậu. Các đặc trưng khí

hậu sau đó được sử dụng như đầu vào cho mô hình thủy văn để đưa ra các cảnh báo về

hạn thủy văn (C. M. Liu, và cộng sự [40]).

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

Hạn hán là một loại thiên tai phổ biến ở Việt Nam, đứng thứ 3 sau bão và lũ, thường

xuyên xảy ra ở một vài vùng ít mưa và hay xảy ra vào mùa khô tại nhiều vùng khác

nhau. Hạn hán ảnh hưởng đến đời sống xã hội và gây nhiều thiệt hại về dân sinh, kinh

tế và môi trường. Những năm qua, Nhà nước đã ưu tiên thực hiện nhiều giải pháp phòng

chống hạn hán nhờ đó đã giảm thiểu thiệt hại do hạn hán gây ra. Tuy nhiên, tình hình

hạn hán diễn biến ngày càng phức tạp, đặc biệt do biến đổi khí hậu toàn cầu đã làm thiên

tai hạn hán gay gắt hơn. Có thể nêu các ví dụ điển hình về thiệt hại do hạn hán gây ra

những năm gần đây ở như sau [41]:

 Hạn năm 1992, hạn nặng ở miền Trung và đồng bằng Nam Bộ đã làm cho 6.000ha

rừng đặc dụng ở Quảng Nam - Đà Nẵng bị cháy, 300.000ha lúa hè thu ở Nam Bộ bị

hại, mất trắng 10.000ha. Ước tính thiệt hại trên 50 tỷ đồng;

 Hạn hè thu năm 1993 ở Bắc Trung Bộ, do lượng mưa thiếu hụt suốt trong 7 - 8 tháng,

đặc biệt là các tháng VI, VII, VIII, với nhiệt độ cao (38-40C), nắng nóng gay gắt,

hạn đã xảy ra hết sức nghiêm trọng. Đồng ruộng bị nứt nẻ, lúa bị chết, hầu hết các hồ

đập bị cạn nước, ngay cả nước sinh hoạt cũng khó khăn. Đó là đợt hạn hiếm thấy

trong vòng 50-60 năm gần đây ở khu vực này, làm cho trên 26.000ha lúa không cấy

được hoặc bị chết và trên 35.000ha hạn nặng, 500ha rừng bị cháy. Thiệt hại ước tính

trên 42 tỷ đồng;

 Hạn đông xuân 1994-1995, hạn xảy ra gay gắt ở một số tỉnh thuộc cao nguyên Trung

Bộ, trong đó, Đắc Lắc đã bị hạn chưa từng thấy trong 50 năm qua ảnh hưởng rất lớn

đến cây trồng, đặc biệt là cà phê - nguồn kinh tế lớn của nhân dân địa phương, nước

sinh hoạt hàng ngày cũng bị thiếu nghiêm trọng. Thiệt hại cho sản xuất khoảng 600

tỷ đồng;

 Hạn đông xuân 1995-1996, hạn cũng đã xảy ra ở nhiều nơi trên phạm vi toàn quốc.

Ở trung du, miền núi Bắc Bộ diện tích bị hạn là 13.380 ha, ở đồng bằng Bắc Bộ là

100.000ha. Hạn xảy ra nghiêm trọng ở các tỉnh thuộc khu vực Tây Nguyên;

 Đặc biệt hạn trầm trọng trên diện rộng vào đông xuân 1997-1998 với ảnh hưởng của

El Nino hoạt động mạnh từ tháng 5/1997 đến tháng 4/1998 làm cho nhiều nước trên

thế giới bị hạn hán nghiêm trọng, gây tổn thất lớn cho nền kinh tế và sự phát triển của

xã hội. Chỉ tính riêng thiệt hại về vật chất trong nông nghiệp ở Việt Nam đã tới con

số 5.000 tỷ đồng;

 Năm 2002 là một năm hạn hán nghiêm trọng trên cả nước, nhất là ở vùng Bắc Trung

Bộ, Nam Trung Bộ và Tây Nguyên. Từ đầu năm mưa rất ít, mãi đến tháng VIII vẫn

tiếp tục nắng nóng, ít mưa trên các tỉnh ven biển Trung Bộ từ Quảng Bình đến Bình

Thuận và trên 2 tỉnh Tây Nguyên là Gia Lai và Đắk Lắc, làm cho hầu hết các hồ nước

ở khu vực này bị khô kiệt;

 Những tháng trước mùa mưa năm 2003, hạn hán bao trùm hầu khắp Tây Nguyên, gây

thiệt hại cho khoảng 300 ha lúa ở Kon Tum, 3000 ha lúa ở Gia Lai và 50.000 ha đất

canh tác ở Đắk Lắc; thiếu nước cấp cho sinh hoạt của 100.000 hộ dân. Chỉ tính riêng

cho Đắk Lắc, tổng thiệt hại ước tính khoảng 250 tỷ đồng.

 Hạn hán thiếu nước năm 2004-2005 xảy ra trên diện rộng nhưng không nghiêm trọng

như năm 1997-1998. Ở Bắc Bộ, mực nước sông Hồng tại Hà Nội vào đầu tháng 3

xuống mức 1,72 m thấp nhất kể từ năm 1963 đến năm 2005. Ở Miền Trung và Tây

Nguyên, nắng nóng kéo dài, dòng chảy trên các sông suối ở mức thấp hơn trung bình

nhiều năm cùng kỳ, một số suối cạn kiệt hoàn toàn; nhiều hồ, đập dâng hết khả năng

cấp nước.

 Trong năm 2006, từ những tháng đầu năm cho đến những tháng cuối năm, do lượng

mưa bị thiếu hụt so với trung bình nhiều năm nên tại nhiều nơi tình trạng thiếu nước

dẫn đến khô hạn rồi hạn hán cục bộ xảy ra liên tục, rải rác ở một số tỉnh trong cả

nước.

 Trong 4 tháng đầu năm 2007, hạn hán cục bộ đã xảy ra ở nhiều nơi trên cả nước; từ

tháng VII đến đầu tháng VIII hạn hán cục bộ cũng xảy ra tại các tỉnh từ Nghệ An đến

Khánh Hòa.

 Năm 2008, các tháng IV-VI, hạn hán cục bộ xảy ra ở nhiều nơi trên phạm vi cả nước,

trong đó nặng nề nhất là các tỉnh thuộc Tây Nguyên và Nam Trung Bộ.

 Mùa khô năm 2009-2010 là năm rất nhiều khu vực trên thế giới, trong đó có Việt

Nam, Trên các hệ thống sông, suối toàn quốc, dòng chảy đều thiếu hụt nhiều so với

trung bình nhiều năm, có nơi tới 60-90%; mực nước nhiều nơi đạt mức thấp nhất lịch

sử như sông Hồng, Thái Bình, mực nước xuống mức thấp lịch sử nên đã gây thiếu

nước cho sản xuất nông nghiệp, không mưa, nhiều nơi còn nghiêm trọng hơn năm

1998.

 Năm 2011, từ tháng II-IV, hạn hán đã xảy ra tại một số tỉnh Yên Bái, Đà Nẵng, Kon

Tum, Đắc Lắc và Bình Phước; khô hạn đã làm 14.300ha cây trồng, 1000 ha lúa bị

hạn, hàng chục héc ta rừng bị cháy, thiệt hai khoảng 363 tỷ đồng.

 Năm 2013, do tác động của hạn hán, khu vực Nam Trung Bộ có đến 17.277ha cây

trồng bị thiếu nước và xâm nhập mặn, gồm 15.627ha lúa, 300ha càphê, 1.350ha cây

trồng khác. Khu vực Tây Nguyên có 51.403ha cây trồng cũng lâm vào cảnh tương tự.

 Năm 2014-2016, từ cuối năm 2014, hiện tượng El Nino đã ảnh hưởng đến Việt Nam

làm cho nền nhiệt độ tăng cao, thiếu hụt lượng mưa là nguyên nhân gây ra hạn hán,

xâm nhập mặn, gây thiệt hại nặng nề đã đe dọa nghiêm trọng đến sản xuất và dân

sinh. Theo thông tin tổng hợp của Ban chỉ đạo Trung ương về phòng, chống thiên tai,

tính đến ngày 22/4/2016, thiệt hại do hạn hán và xâm nhập mặn ở khu vực Nam Trung

Bộ, Tây Nguyên và ĐBSCL như sau: thiệt hại về lúa: 240.215 ha; về hoa màu: 18.335

ha; cây ăn quả: 55.651 ha; cây công nghiệp: 104.106 ha; thủy sản: 4.641 ha; gây thiếu

nước sinh hoạt: khoảng 400.000 hộ. Tổng thiệt hại ước tính là 5.572 tỷ VN đồng.

Nhưng điều nghiêm trọng hơn là hơn 1,5 triệu người dân (của 400.000 hộ) thiếu nước

sinh hoạt hợp vệ sinh với những rủi ro lớn đến sức khỏe và sinh hoạt.

1.3.2 Các nghiên cứu về hạn hán ở Việt Nam

Đối với Việt Nam, nơi có tiềm năng nguồn nước phong phú nhưng do tính chất phân

mùa sâu sắc nên thường xuyên xuất hiện hạn hán. Cũng như các nghiên cứu trên thế

giới, các nghiên cứu về hạn hán ở Việt Nam chủ yếu tập trung đến hạn khí tượng, hạn

thủy văn và hạn nông nghiệp. Các đề tài, dự án nghiên cứu hạn hán ở Việt Nam đã được

triển khai trong những năm gần đây, chủ yếu tập trung vào 2 vấn đề chính:

(1) Các 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 hạn hán bao gồm:

 Giải pháp công trình xây dựng các công trình thu trữ, điều tiết nước;

 Các giải pháp phi công trình như: nghiên cứu xây dựng các hệ thống dự báo, cảnh

báo sớm; các giải pháp về thể chế chính sách để giảm nhẹ thiệt hại do hạn hán, sử

dụng tài nguyên nước hiệu quả, hợp lý...

Năm 2001, Nguyễn Đức Hậu [42] đã nghiên cứu xác định chỉ tiêu hạn, ứng dụng chỉ

tiêu hạn để đánh giá tác động của hiện tượng ENSO đến tình hình hạn và xây dựng một

loạt các phương trình hồi quy dự báo hạn cho 7 vùng khí hậu ở Việt Nam: Tây Bắc,

Đông Bắc, đồng bằng Bắc Bộ, Bắc Trung Bộ, Nam Trung Bộ, Tây Nguyên và Nam Bộ

bằng chỉ số hạn SPI. Năm 2006, Nguyễn Trọng Yêm [43] đã nghiên cứu đánh giá những

đặc điểm cơ bản về hạn hán ở Việt Nam, các kết quả được phân tích, đúc kết dựa trên

các đặc trưng hạn bằng chỉ số khô hạn tháng, năm và tần suất hạn tháng. Đến năm 2007,

Nguyễn Văn Thắng [41] đã đánh giá được mức độ hạn hán ở các vùng khí hậu và chọn

được các chỉ tiêu xác định hạn hán phù hợp với từng vùng khí hậu ở Việt Nam, đồng

thời 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, trọng tâm là sản xuất nông nghiệp và quản lý tài nguyên nước trong

cả nước. Năm 2010, Nguyễn Lập Dân [44] đã xây dựng hệ thống quản lý hạn hán vùng

đồng bằng sông Hồng (ĐBSH), hệ thống quản lý sa mạc hóa vùng Nam Trung Bộ và đề

xuất các giải pháp chiến lược và tổng thể quản lý hạn ở cấp Quốc gia, phòng ngừa, ngăn

chặn và phục hồi các vùng hoang mạc hóa, sa mạc hóa. Năm 2015, Vũ Thị Thu Lan [45]

đã xây dựng được bản đồ hạn KT-XH phù hợp với vùng hạ du sông Hồng đến năm

2020; đề xuất các giải pháp giảm thiểu hạn KT-XH cũng như giải pháp ứng phó khi xuất

hiện hạn KT-XH phù hợp cho vùng hạ du sông Hồng. Năm 2015, Nguyễn Văn Thắng

[46] 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; đã ứng

dụng thành công các mô hình khí hậu khu vực RSM và CWRF vào dự báo các trường

khí hậu trung bình phục vụ dự báo hạn thủy văn, nông nghiệp ở ĐBSH hạn đến 6 tháng;

xây dựng công nghệ, quy trình dự báo hạn thủy văn, nông nghiệp cho vùng ĐBSH theo

chỉ số hạn SWSI và PDSI; xây dựng và đưa vào ứng dụng nghiệp vụ hệ thống giám sát

hạn hán thời gian thực bằng công nghệ viễn thám và nhóm nghiên cứu cũng đã xây dựng

được các hướng dẫn, quy trình thực hiện trong dự báo nghiệp vụ.

Còn đối với vùng nghiên cứu thì năm 2000 Nguyễn Trọng Hiệu [47] và năm 2001,

Nguyễn Văn Cư [48] đã nghiên cứu xác định chỉ tiêu hạn, đánh giá tác động của hạn

hán (hạn khí tượng và hạn thuỷ văn) đến tình hình hạn, 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. Cũng trong năm 2001, Đào Xuân Học [49] đã sử dụng chỉ

số khô hạn Sazonop để khảo sát, đánh giá hạn hán cho các tỉnh DHMT. Kết quả nghiên

cứu cho thấy chỉ số Sazonop tương đối phù hợp với diễn biến hạn thực tế, đặc biệt trong

những năm hạn nặng. Đồng thời, nghiên cứu này cũng đã phân tích xác định nguyên

nhân gây ra hạn hán, phân loại và phân cấp hạn. Dựa trên các nguyên nhân gây hạn hán,

đã đưa ra các biện pháp phòng chống và giảm nhẹ hạn hán. Năm 2005, Nguyễn Quang

Kim [50] 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, cơ sở dữ liệu khu vực nghiên cứu để lập trình

các phần mềm tính toán chỉ số hạn và phần mềm dự báo hạn khí tượng bằng chỉ số SPI.

Việc dự báo hạn được dựa trên nguyên tắc phân tích mối tương quan giữa các yếu tố khí

hậu, các hoạt động ENSO và các điều kiện thực tế vùng nghiên cứu. Năm 2008, Trần

Thục [51] đã đánh giá được mức độ hạn hán và thiếu nước sinh hoạt ở 9 tỉnh Nam Trung

Bộ và Tây Nguyên. Trên cơ sở đó đã xây dựng được bản đồ hạn hán thiếu nước sinh

hoạt trong vùng nghiên cứu. Tuy nhiên, ở đây cũng chỉ xét đến hạn khí tượng, hạn thủy

văn và hạn nông nghiệp. Năm 2014, Nguyễn Lương Bằng [52] đã sử dụng chỉ số 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 vì trong công thức tính toán có sử dụng

yếu tố nhiệt độ không khí để tính toán lượng bốc hơi.

Khi xuất hiện hiện tượng El Nino hoặc khi có dấu hiệu về sự thiết hụt lượng mưa thì

Trung tâm KTTV Quốc gia và Viện KTTV&MT nay là Viện KTTV&BĐKH đều có các

bản tin cảnh báo về hiện tượng này. Ngoài ra, thông tin về chỉ số khô (ẩm) cho các khu

vực của Việt Nam cũng có thể khai thác từ các bản tin thông báo và dự báo khí hậu hàng

tháng của Viện KHKTTV& BĐKH phục vụ công tác dự báo, cảnh báo hạn hán ở Việt

Nam.

Về công nghệ dự báo, các nghiên cứu trước đây chủ yếu phát triển mô hình dự báo hạn

hán bằng phương pháp thống kê. Nguyễn Quang Kim [50] thực hiện xây dựng mô hình

hồi qui tuyến tính đa biến để dự báo hạn khí tượng (chỉ số SPI) cho vùng NTB và Tây

Nguyên, các nhân tố dự báo được sử dụng bao gồm chỉ số SOI, nhiệt độ mặt nước biển

(SST), độ cao địa thế vị mực 500mb. Phương pháp hồi quy từng bước được sử dụng để

lọc các nhân tố dự báo tương quan cao với chỉ số SPI. Nguyễn Văn Thắng [41] 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 (mỗi vùng 1 giá trị dự báo). Nguyễn Lương Bằng [53] đã ứng dụng mô hình

ANFIS (Adaptive Neuro-Fuzzy Inference System) 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).

Đối với mô hình dự báo động lực, do điều kiện khó khăn về điều kiện biên nên các

nghiên cứu trước đây đều mới chỉ dừng lại ở bước thử nghiệm dự báo các trường khí

hậu cho một số trường hợp trong quá khứ, chưa ứng dụng được trong dự báo hạn hán.

Đến năm 2015, Nguyễn Văn Thắng [46] 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, đã ứng dụng thành công các mô hình khí hậu khu vực RSM và CWRF vào dự

báo các trường khí hậu trung bình phục vụ dự báo hạn thủy văn, nông nghiệp ở ĐBSH

hạn đến 6 tháng.

Dự báo hạn hán thông thường được thực hiện thông qua dự báo chỉ số hạn. Các nghiên

cứu trước đây Nguyễn Quang Kim [50]; Nguyễn Văn Thắng [41]; Nguyễn Lương Bằng

[53]) đã ứng dụng thành công một vài chỉ số hạn như chỉ số chuẩn hóa lượng mưa SPI,

chỉ số chuẩn hóa lượng mưa và bốc hơi SPEI, chỉ số cấp nước bề mặt SWSI, nhưng mới

chỉ tính toán và phân tích đánh giá mức độ phù hợp cho một số tỉnh, vùng miền nghiên

cứu, chưa bao trùm tất cả các vùng và lưu vực sông trên cả nước.

1.4 Tổng quan về vùng nghiên cứu

Vùng Duyên hải Miền Trung có phía Bắc giáp khu vực đồng bằng Sông Hồng và Trung

du miền núi vùng Bắc Bộ; phía Nam giáp các tỉnh Bình Phước, Đồng Nai và Bà Rịa-

Vũng Tàu vùng Nam Bộ; phía Đông giáp Biển Đông; phía Tây giáp Lào và Tây Nguyên.

Toàn vùng có 14 tỉnh và thành phố bao gồm: các tỉnh Thanh Hóa, Nghệ An, Hà Tĩnh,

Quảng Bình, Quảng Trị, Thừa Thiên Huế, Quảng Nam, Quảng Ngãi, Bình Định, Phú

Yên, Khánh Hòa, Ninh Thuận, Bình Thuận và TP Đà Nẵng (hình 1.2).

Hình 1.2 Bản đồ vùng Duyên hải Miền Trung

Dải đất DHMT được bao bọc bởi những dãy núi chạy dọc bờ phía Tây và sườn bờ biển

phía Đông, vùng có chiều ngang theo hướng Đông - Tây hẹp nhất Việt Nam (khoảng 50

km) và nằm trên địa bàn tỉnh Quảng Bình. Địa hình miền Trung gồm 2 khu vực chính

là Bắc Trung Bộ và Nam Trung Bộ.

Bắc Trung Bộ bao gồm các dãy núi phía Tây. Nơi giáp Lào có độ cao trung bình và thấp.

Riêng miền núi phía Tây tỉnh Thanh Hoá có độ cao từ 1000-1500m. Khu vực miền núi

Nghệ An - Hà Tĩnh là đầu nguồn của dãy Trường Sơn có địa hình rất hiểm trở, phần lớn

các núi cao nằm rải rác ở đây. Các miền đồng bằng có tổng diện tích khoảng 6.200km2,

trong đó đồng bằng Thanh Hoá do nguồn phù sa từ sông Mã và sông Chu bồi đắp, chiếm

gần một nửa diện tích và là đồng bằng rộng nhất của Trung Bộ.

Nam Trung Bộ thuộc khu vực cận giáp biển. Địa hình ở đây bao gồm đồng bằng ven

biển và núi thấp, có chiều ngang theo hường Đông - Tây (trung bình 40-50 km), hạn hẹp

hơn so với Bắc Trung Bộ. Có hệ thống sông ngòi ngắn và dốc, bờ biển sâu với nhiều

đoạn khúc khuỷu, thềm lục địa hẹp. Các miền đồng bằng có diện tích không lớn do các

dãy núi phía Tây trải dọc theo hướng Nam tiến dần ra sát biển và có hướng thu hẹp dần

diện tích lại. Đồng bằng chủ yếu do sông và biển bồi đắp, khi hình thành nên thường

bám sát theo các chân núi.

Xét chung, địa hình vùng DHMT có độ cao thấp dần từ khu vực miền núi xuống đồi gò

trung du, xuôi xuống các đồng bằng phía trong dải cồn cát ven biển rồi ra đến các đảo

ven bờ.

vùng DHMT là “mặt tiền” của Việt Nam nhìn ra biển Đông, các tỉnh Duyên hải Miền

Trung có ưu thế rất quan trọng về kinh tế biển. Với nguồn tài nguyên khá đa dạng và

phong phú, nhiều tiềm năng nổi trội về biển, đảo, vịnh nước sâu, đất, rừng, di sản văn

hóa lịch sử... cho phép phát triển 5 lĩnh vực chủ yếu của kinh tế biển là: đánh bắt xa bờ;

khai thác tài nguyên khoáng sản; cảng biển và dịch vụ hàng hải; khu kinh tế, khu công

nghiệp gắn liền với lợi thế cảng biển và du lịch biển đảo, gắn với văn hóa, lịch sử. Trong

đó, du lịch là lĩnh vực tràn trề thế mạnh phát triển.

Khí hậu vùng DHMT được chia ra làm hai khu vực chính là Bắc Trung Bộ và Nam

Trung Bộ. Khu vực Bắc Trung Bộ (bao gồm toàn bộ phía Bắc đèo Hải Vân). Vào mùa

đông, do gió mùa thổi theo hướng Đông Bắc mang theo hơi nước từ biển vào nên toàn

khu vực chịu ảnh hưởng của thời tiết lạnh kèm theo mưa. Đây là điểm khác biệt với thời

tiết khô hanh vào mùa Đông vùng Bắc Bộ. Đến mùa Hè không còn hơi nước từ biển vào

nhưng có thêm gió mùa Tây Nam (còn gọi là gió Lào) thổi ngược lên gây nên thời tiết

khô nóng, vào thời điểm này nhiệt độ ngày có thể lên tới trên 40C, trong khi đó độ ẩm

không khí lại rất thấp. Vùng Nam Trung Bộ (bao gồm khu vực đồng bằng ven biển Nam

Trung Bộ thuộc phía Nam đèo Hải Vân). Gió mùa Đông Bắc khi thổi đến đây thường

suy yếu đi do bị chặn lại bởi dãy Bạch Mã. Vì vậy khi về mùa hè khi xuất hiện gió mùa

Tây Nam thổi mạnh từ vịnh Thái Lan và tràn qua dãy núi Trường Sơn sẽ gây ra thời tiết

khô nóng cho toàn bộ khu vực.

Vùng DHMT chịu hậu quả to lớn của chiến tranh, chịu hậu quả khắc nghiệt của mưa

bão, đã vậy còn là “máng xối” của dãy Trường Sơn, đất đai không phì nhiêu, không

thuận lợi cho phát triển nông nghiệp. Cùng đó, vùng DHMT thường xuyên chịu ảnh

hưởng lớn của hiện tượng El Nino, vào mùa khô nhiều nơi trong vùng DHMT thường

xảy ra hạn hán. Đặc biệt là các tỉnh từ Khánh Hòa đến Bình Thuận.

1.5 Những thành tựu và hạn chế trong các nghiên cứu về hạn hán

Thông qua tổng quan các nghiên cứu về hán ở Việt Nam nói chung và vùng DHMT rói

riêng cho thấy các nghiên cứu đã đạt được những thành tựu cũng như còn những hạn

chế như sau:

 Những thành tựu đã đạt được:

 Đã nghiên cứu hiện trạng hạn hán, thiết lập cơ sở khoa học cho quy trình dự báo hạn,

cơ sở dữ liệu để lập trình các phần mềm tính toán chỉ số hạn và phần mềm dự báo

hạn khí tượng và thủy văn. Việc dự báo hạn được dựa trên nguyên tắc phân tích mối

tương quan giữa các yếu tố khí hậu, các hoạt động ENSO và các điều kiện thực tế

vùng nghiên cứu;

 Đã xây dựng mô hình dự báo hạn cho các vùng khí hậu Việt Nam trên cơ sở mối quan

hệ giữa nhiệt độ mặt nước biến với chỉ số khô hạn bằng phương pháp hồi quy tuyến

tính. Đồng thời 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, trọng tâm là sản xuất nông nghiệp và quản lý tài

nguyên nước trong cả nước;

 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. Xây dựng được bản đồ dự báo cảnh báo hạn cho

các tỉnh và các vùng khí hậu Việt Nam hạn ngắn đến 3 tháng và hạn dài đến 6 tháng.

Đồng thời xây dựng được các hướng dẫn, quy trình thực hiện trong dự báo nghiệp

vụ;

 Đã đưa ra các biện pháp phòng chống và giảm nhẹ hạn hán, đề xuất các giải pháp

chiến lược và tổng thể quản lý hạn ở cấp Quốc gia.

 Những hạn chế, tồn tại:

 Việc áp dụng các kết quả nghiên cứu về dự báo, cảnh báo hạn ở Việt Nam vào thực

tế còn khó khăn;

 Chưa có nhiều nghiên cứu về việc sử dụng và so sánh giữa các chỉ số hạn, đặc biệt là

các chỉ số hạn mới được đề xuất;

 Chưa có nhiều nghiên cứu về việc ứng dụng và so sánh giữa các phương pháp dự báo,

đặc biệt là các phương pháp tiên tiến;

 Phương pháp động lực dựa trên các sản phẩm dự báo của các mô hình toàn khí hậu

toàn cầu cũng đã được sử dụng để dự báo, cảnh báo hạn ở Việt Nam. Tuy nhiên, chưa

có nhiều ứng dụng trong dự báo thời gian thực do hạn chế về số liệu đầu vào của mô

hình;

 Chưa xây dựng được các bản đồ dự báo, cảnh báo hạn theo không gian với độ phân

giải cao từ quy mô vùng đến từng tỉnh, huyện cho toàn quốc.

1.6 Định hướng nghiên cứu của luận án

Qua nghiên cứu tổng quan cho thấy:

Hạn hán là một hiện tượng thiên tai nhưng không thể quan trắc trực tiếp được, 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, trong đó có vùng DHMT. Theo

WMO thì hạn hán được phân thành 4 loại là: Hạn khí tượng, hạn thủy văn, hạn nông

nghiệp, hạn kinh tế - xã hội.

Các nghiên cứu về hạn hán trên thế giới hiện nay chủ yếu tập trung vào hạn khí tượng,

vì hạn khí tượng thường xuất hiện đầu tiên và là nguyên nhân chính gây ra các loại hạn

tiếp theo. Các chỉ số hạn khí tượng thường yêu cầu ít số liệu đầu vào như mưa hoặc nhiệt

độ, do đó hạn khí tượng có thể được ứng dụng ở nhiều vùng khác nhau trên thế giới. Do

đó, đánh giá và dự báo được hạn khí tượng sẽ có tác dụng với các nhà quản lý trong việc

phòng chống, giảm nhẹ hạn hán.

Để đánh giá, dự báo và cảnh báo khả năng xảy ra hạn hán thường dựa vào các chỉ số

hạn. Chỉ số hạn hán 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 với

khu vực nghiên cứu và mục đích nghiên cứu.

Các mô hình dự báo, cảnh báo hạn chủ yếu dừng lại ở các mô hình thống kê, các chỉ số

hạn thường được dùng để dự báo là chỉ số SPI, SPEI, PDSI, CMI, SWSI. Trong những

năm gần đây thì chỉ số SPI, SPEI được dùng phổ biến nhất trong các mô hình dự báo

hạn với các phương pháp dự báo tiên tiến như ANN và ANFIS. Mô hình động lực dự

báo khí hậu để tính toán dự báo, cảnh báo hạn cũng đã được đề cập đến. Tuy nhiên, các

nghiên cứu này mới chỉ dừng lại ở bước thử nghiệm và đánh giá khả năng dự báo trên

tập số liệu quá khứ, chưa có ứng dụng trong dự báo thời gian thực do hạn chế về số liệu

đầu vào của mô hình.

Bởi vậy, rất cần các nghiên cứu bổ sung như xác định được các chỉ số hạn, các phương

pháp dự báo hạn tiên tiến với các nhân tố dự báo khác nhau, cũng như xây dựng được

mô hình cảnh báo sớm hạn hán phù hợp cho các vùng của Việt Nam. Vì thế, NCS đưa

ra định hướng nghiên cứu của mình trong luận án này như sau:

 Đối tượng nghiên cứu là hạn khí tượng và phạm vi nghiên cứu là vùng Duyên hải

Miền Trung;

 Lựa chọn các chỉ số hạn khí tượng để tiến hành đánh giá, dự báo và cảnh báo hạn cho

vùng nghiên cứu;

 Đánh giá diễn biến hạn hán của vùng nghiên cứu theo thời gian và không gian bằng

các chỉ số hạn để xác định sự phù hợp của các chỉ số hạn với tình hình hạn thực tế.

Nghiên cứu ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu để xác

định nhân tố dự báo (biến đầu vào) cho các mô hình dự báo;

 Nghiên cứu, thiết lập mô hình dự báo hạn khí tượng phù hợp và có độ tin cậy cao cho

vùng nghiên cứu với yếu tố dự báo, phương pháp dự báo và biến đầu vào khác nhau.

Xây dựng được mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu. Đồng

thời xây dựng bản đồ cảnh báo sớm hạn khí tượng cho vùng nghiên cứu với thời hạn

đến 6 tháng.

Chi tiết định hướng lựa chọn các nội dung và phương pháp nghiên cứu được thể hiện

trong 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 giai đoạn 1980 – 2014, những đợt

hạn hán khắc nghiệt đã xảy ra hơn 10 năm, gây nên những thiệt hại tới hàng trăm nghìn

hecta đất trồng và sự thiếu hụt nước trầm trọng cho hàng triệu người dân ở các tỉnh khác

nhau trên toàn khu vực DHMT.

 Tình hình hạn hán ở vùng Bắc Trung bộ

Bắc Trung Bộ bao gồm các tỉnh Thanh Hoá, Nghệ An, Hà Tĩnh, Quảng Bình, Quảng

Trị, Thừa Thiên Huế (6 tỉnh). Theo tài liệu SXNN từ năm 1980 – 2014 của Tổng cục

Thủy lợi, ở Bắc Trung Bộ có các năm hạn hán đáng kể sau đây:

Hạn vụ Đông xuân năm 1991, 1992, 1993, 2009, 2010, 2014;

Hạn vụ Hè thu năm 1988, 1991, 1992, 1993, 1994, 1995, 1996, 1998, 2005, 2009, 2010;

)

(

ụ v

DT hạn/DT gieo cấy vụ Đông xuân DT hạn/DT gieo cấy vụ Hè thu DT hạn/DT gieo cấy vụ Mùa DT hạn/DT gieo cấy cả năm

m ă n ả c

o e h t

n a h

n ạ h

ị b

h c í t

n ệ i d

ệ l ỷ T

Năm

4 8 9 1

2 0 0 2

0 8 9 1

2 8 9 1

6 8 9 1

8 8 9 1

0 9 9 1

2 9 9 1

4 9 9 1

6 9 9 1

8 9 9 1

0 0 0 2

4 0 0 2

6 0 0 2

8 0 0 2

0 1 0 2

2 1 0 2

4 1 0 2

Hạn vụ Mùa năm 1983, 1985, 1998, 2003, 2005.

Hình 2.1 Tỷ lệ (%) diện tích bị hạn so với tổng diện tích gieo cấy vùng BTB

Trong 35 năm nói trên khu vực Bắc Trung Bộ trải qua một những đợt hạn khá lớn, gần

như liên tục trong 8 năm từ 1991 đến 1998 (năm 1997 mức độ hạn thấp hơn) và đợt

2009 đến 2014. Trong những năm này hạn nặng xảy ra đồng thời ở vụ Đông xuân, Hè

thu và một số năm ở cả vụ Mùa. Các năm hạn nặng nhất được ghi nhận là 1985 (vụ Mùa

với diện tích hạn lên đến 123985 ha), 1993 (vụ Đông xuân 47513 ha, vụ Hè thu 73088

ha và vụ Mùa 24386 ha), 1998 (Đông xuân 14933 ha, Hè thu 62371 ha – mất trắng

31018 ha, Mùa 51627 ha – mất trắng 12900 ha), năm 2005 (vụ Hè thu 68741ha, vụ Mùa

51627ha), năm 2010 (vụ Đông xuân 55269ha, Hè thu 34520ha, vụ Mùa 25117ha). Nếu

xét về tổng diện tích bị hạn cả 3 vụ năm 1985 là năm hạn nặng nhất (160580 ha), tiếp

đến là năm 1993 (144987 ha), tiếp theo là năm 2005 (135301ha), sau đó mới đến năm

1998 (128931 ha) và năm 2010 (114906ha). Tuy nhiên mức độ khốc liệt thực chất có lẽ

theo thứ tự ngược lại 1998 – 1993 – 2005 bởi lẽ diện tích mất trắng của các năm này có

sự chênh lệch rất đáng kể, năm 1998 mất 43918 ha, năm 1993 mất 19943 ha, năm 2005

chỉ mất trắng 1978 ha. Hạn vụ Đông xuân hầu hết xảy ra từ cuối tháng 3 đến đầu tháng

5 (trước khi có mưa và lũ tiểu mãn), chỉ có một số ít năm hạn xảy ra sớm hơn vào cuối

tháng 2. Hạn vụ Hè thu xảy ra từ tháng 6 đến tháng 9, chủ yếu vào tháng 7 và 8. Hạn vụ

Mùa thường xảy ra từ cuối tháng 7 đến đầu tháng 9, trước khi bắt đầu mùa mưa ở Bắc

Trung Bộ.

 Tình hình hạn hán ở Vùng Nam Trung Bộ

Nam Trung Bộ là vùng đất từ trung Trung Bộ đến cực nam Trung bộ. Bao gồm thành

phố Đà Nẵng và các tỉnh Quảng Nam, Quảng Ngãi, Bình Định, Phú Yên, Khánh Hoà,

Ninh Thuận, Bình Thuận (7 tỉnh và 1 thành phố). Theo tài liệu SXNN từ năm 1980 –

2014 của Tổng cục Thủy lợi, ở Nam Trung Bộ có các năm hạn hán đáng kể sau đây:

Hạn vụ Đông xuân năm 1983, 1993, 1998, 2005;

Hạn vụ Hè thu năm 1982, 1988, 1993, 1998, 2002, 2005, 2007, 2010-2014;

Hạn vụ Mùa năm 1982, 1988, 1993.

)

(

ụ v

DT hạn/DT gieo cấy vụ Đông xuân DT hạn/DT gieo cấy vụ Hè thu DT hạn/DT gieo cấy vụ Mùa DT hạn/DT gieo cấy cả năm

m ă n ả c

o e h t

n ạ h

ị b

h c í t

n ệ i d

ệ l ỷ T

0 Năm

0 8 9 1

0 9 9 1

8 0 0 2

2 8 9 1

4 8 9 1

6 8 9 1

8 8 9 1

2 9 9 1

4 9 9 1

6 9 9 1

8 9 9 1

0 0 0 2

2 0 0 2

4 0 0 2

6 0 0 2

0 1 0 2

2 1 0 2

4 1 0 2

Hình 2.2 Tỷ lệ (%) diện tích bị hạn so với tổng diện tích gieo cấy vùng NTB

Trừ 3 năm hạn nặng 1983 (19405 ha), 1993 (35120 ha, mất trắng 15417 ha) và 1998

(16492 ha) ở vùng Nam Trung Bộ hạn vụ Đông xuân không đáng kể so với vụ Hè thu

và vụ Mùa. Với diện tích hạn bình quân trong giai đoạn 1980 – 2014 của các vụ tương

ứng là 4836 ha, 15143 ha và 7761 ha, diện tích hạn vụ Đông xuân bình quân chỉ bằng

31.9% diện tích hạn vụ Hè thu và 62.3% diện tích hạn vụ Mùa.

Dựa trên tổng diện tích bị hạn và diện tích mất trắng, trong 35 năm từ 1980 đến 2014 có

7 năm hạn nặng nhất (xếp theo thứ tự giảm dần) là 1993, 2013, 2007, 1988, 2002, 2005

và 1988. Theo diện tích mất trắng trật tự trên cũng không thay đổi. Trong 7 năm đó có

đến 4 năm (1988, 1993, 1998 và 2005) hạn nặng xảy ra ở cả 3 vụ, 3 năm còn lại hạn chủ

yếu xảy ra ở vụ Hè thu và vụ Mùa. Chu kỳ xuất hiện hạn nặng của năm lẫn các vụ hè

thu và mùa khoảng 5 năm, có thể 2 năm hạn nặng liền nhau.

Xét theo tỷ lệ phần trăm diện tích bị hạn so với diện tích gieo cấy (hình 2.2), ngoài 3

năm hạn nặng cả năm (1988, 1998 và 2005) hạn vụ Đông xuân ở Nam Trung Bộ hầu

như không đáng kể, tỷ lệ diện tích hạn trên diện tích gieo cấy cao hơn nhiều ở các vụ

Hè thu (cao nhất) và vụ Mùa. Thời gian hạn ở vụ Hè thu rơi vào khoảng cuối tháng 6

đến tháng 8, chủ yếu là tháng 6 và 7, ở vụ Mùa từ cuối tháng 7 đến đầu tháng 9. Như

vậy có thể khẳng định thời kỳ hạn căng thẳng nhất ở Nam Trung Bộ là từ cuối tháng 6

đến đầu tháng 9.

)

(

ụ v

DT hạn/DT gieo cấy vụ Đông xuân DT hạn/DT gieo cấy vụ Hè thu DT hạn/DT gieo cấy vụ Mùa DT hạn/DT gieo cấy cả năm

m ă n ả c

o e h t

n ạ h

ị b

h c í t

n ệ i d

ệ l ỷ T

Năm

2 9 9 1

0 8 9 1

2 8 9 1

4 8 9 1

6 8 9 1

8 8 9 1

0 9 9 1

4 9 9 1

6 9 9 1

8 9 9 1

0 0 0 2

2 0 0 2

4 0 0 2

6 0 0 2

8 0 0 2

0 1 0 2

2 1 0 2

4 1 0 2

 Hiện trạng hạn hán toàn vùng Duyên hải Miền Trung

Hình 2.3 Tỷ lệ (%) diện tích bị hạn so với tổng diện tích gieo cấy toàn vùng DHMT

Xét cho toàn vùng DHMT trong 35 năm từ 1980 đến 2014 thì 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. Tỷ lệ diện tích hạn trên diện tích gieo cấy cao nhất là vụ

Hè thu sau đó đến vụ Mùa và thấp nhất là Đông xuân, tỷ lệ diện tích hạn lớn nhất của

vụ Hè thu xảy ra vào năm 1993, 2005 và 2010 còn vụ Mùa xảy ra vào năm 1985. Xét

trên khoảng thời gian 35 năm từ 1980 đến 2014 thì có 2 đợt xảy ra hạn cả 3 vụ với tỷ lệ

diện tích bị hạn lớn là từ 1991 đến 1998 (gần như liên tục trong 8 năm từ 1991 đến 1998,

năm 1997 mức độ hạn thấp hơn) và từ 2005 đến 2014 (gần như liên tục, các năm 2006,

2008 và 2012 mức độ hạn thấp hơn những năm còn lại). Hạn vụ Đông xuân hầu hết xảy

ra từ cuối tháng 3 đến đầu tháng 5 (trước khi có mưa và lũ tiểu mãn), chỉ có một số ít

năm hạn xảy ra sớm hơn vào cuối tháng 2, hạn vụ Hè thu xảy ra từ tháng 6 đến tháng 9,

chủ yếu vào tháng 6, 7. Hạn vụ Mùa thường xảy ra từ cuối tháng 7 đến đầu tháng 9, chủ

yếu vào tháng 8 trước khi bắt đầu mùa mưa ở DHMT. Như vậy có thể khẳng định thời

kỳ hạn căng thẳng nhất ở DHMT 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.

Số liệu thống kê diện tích cây trồng bị hạn của vùng DHMT từ năm 1980 đến năm 2014

được thể hiện chi tiết ở Phụ lục 2.1.

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 đặc sắc về tương tác giữa

đại dương và khí quyển ở Thái Bình Dương (TBD), là yếu tố theo mùa rất quan trọng

ảnh hưởng đến biến đổi khí hậu [54]. El Nino tên gọi hiện tượng tăng lên khác thường

của nhiệt độ nước biển tầng mặt (SST) vùng xích đạo phía đông TBD, tạo ra dòng nước

nóng lan truyền từ xích đạo dọc theo bờ biển Peru và Ecuador xuống phía nam. Dòng

nước nóng này thường đạt cường độ mạnh nhất vào cuối tháng XII. Trong khoa học,

thuật ngữ bây giờ mở rộng để bao gồm các sự kiện quy mô lớn sự ấm lên dọc theo hai

đường xích đạo và vùng bờ biển Nam Mỹ [55, 56]. El Nino bắt đầu được quan tâm nhiều

nhất kể từ sau hiện tượng El Nino 1982-1983, mà lúc đó được coi là một El Nino mạnh

nhất thế kỷ này. Mối quan tâm này càng lớn khi hiện tượng này đã gây ra nhiều hậu quả

vô cùng lớn lao về kinh tế, xã hội trên toàn thế giới. 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. Hiện

tượng La Nina cũng gây ra những dị thường về thời tiết khí hậu nhiều nơi. Cả hai hiện

tượng trên xảy ra kế tiếp nhau và trên một vùng rất rộng lớn, từ bờ biển Peru – Ecuador

tới giữa TBD gần quần đảo Marshall [57, 58].

Dao động Nam (Southern Oscillation-SO) về bản chất là sóng dài (dạng sóng Rossby),

tồn tại thường xuyên trong khí quyển nam TBD, là nguyên nhân dẫn đến sự trao đổi

không khí giữa Đông và Tây bán cầu. Hiện tượng này được biết đến từ cuối thế kỷ trước,

đến đầu những năm 1930 đã được G. T. Walker & E. W. Bliss [59] mô tả chi tiết qui

mô, đặc trưng và khẳng định mối quan hệ của nó với dao động nhiệt độ, lượng mưa ở

Châu Đại Dương, Nam Á và một số vùng khác trên thế giới. 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 [60]. Sự biến đổi áp

suất không khí ở hai điểm này thường trái ngược nhau. Khi chỉ số dương (khí áp ở

Darwin thấp) gió tín phong đông nam của nam Bán cầu thổi mạnh từ Nam Mỹ qua TBD,

cung cấp lượng ẩm phong phú cho hệ thống gió mùa mùa hè Châu Đại Dương - Châu

Á- Châu Phi làm cho gió mùa phát triển mạnh mẽ. Ngược lại, khi chỉ số này âm, tín

phong đông nam của nam Bán cầu suy yếu, đôi khi dừng hẳn và được thay thế bởi gió

theo chiều ngược lại từ tây sang đông, lượng ẩm hội tụ vào hệ thống gió mùa mùa hè ở

đông Bán cầu suy giảm, gió mùa suy yếu rõ rệt [61].

Giữa các hiện tượng El Nino xảy ra đồng thời với SO âm tính, được gọi là pha nóng

ENSO (warm ENSO), còn La Nina xuất hiện đồng bộ với SO dương tính, tạo thành pha

lạnh (cold ENSO). Tuy vậy, cũng có những trường hợp El Nino hoặc La Nina có xu

hướng xuất hiện, nhưng SO không đạt đến độ cực trị và ngược lại, có trường hợp SO

đạt đến độ cực trị, nhưng nhiệt độ nước biển chỉ dao động mạnh ở dải hẹp ven bờ, do đó

El Nino và La Nina không xảy ra [58].

Việt Nam

DARWIN

TAHITI

Xích đạo Nino3.4

Hình 2.4 Vị trí khu vực theo dõi hoạt động ENSO (Nino3.4)

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 [62, 63]. 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, một chu kỳ El Nino dài nhất là

18 tháng (từ tháng 9 năm 1986 đến tháng 2 năm 1988), còn một chu kỳ La Nina dài nhất

là 32 tháng (từ tháng 7 năm 1998 đến tháng 2 năm 2001), chu kỳ El Nino thường ngắn

hơn chu kỳ La Nina, nhưng biên độ dao động nhiệt độ lại lớn hơn [64, 65]

Trong thời kỳ El Nino hoat động thì nhiệt độ nước biển tầng mặt vùng xích đạo phía

đông TBD tăng lên khác thường, gây ra dòng thăng ở vùng này phát triển mạnh mẽ, làm

suy yếu dòng gió đông xích đạo kéo theo bên bờ tây TBD dòng giáng phát triển, hậu

quả về thời tiết là phía đông TBD mưa gia tăng, còn phía tây giảm mưa, thậm chí không

mưa dẫn đến hạn hán nghiêm trọng. Trong thời kỳ La Nina hoat động, thì tình hình

ngược lại nhiệt độ nước biển tầng mặt vùng xích đạo phía đông TBD giảm xuống khác

thường, ở phía đông TBD dòng giáng mạnh mẽ, làm dòng gió đông xích đạo mạnh lên

bất thường, kéo theo bên bờ tây TBD dòng thăng phát triển, hậu quả về thời tiết là phía

bờ Tây TBD mưa lớn, bão, lũ lụt xảy ra nhiều, còn phía đông mưa ít, thậm chí không

mưa [58, 66, 67]

Khu vực nghiên cứu nằm trên Bán đảo Đông Dương (BĐĐD), mà BĐĐD nằm trong

vùng hoạt động của hệ thống gió mùa châu Á và nó chịu ảnh hưởng của cả gió mùa Ấn

Độ và gió mùa Đông Nam Á [25]. Khu vực này chế độ gió rất phức tạp bao gồm chế độ

gió mùa hè (South Asian summer monsoon - SASM) và chế độ gió mùa đông bắc

(Northeast Asian winter monsoon - NAWM). Mùa mưa xảy ra từ đầu tháng 5 đến giữa

tháng 11, mùa khô từ cuối tháng 12 đến tháng 4 năm sau. Cơ chế vật lý làm cho SASM

chuyển đổi theo mùa của hoàn lưu khí quyển do sự ấm dần lên của một vùng đất rộng

lớn nằm ở vĩ độ trung và thấp của Châu Á [68], [69]. Sự hoạt động của SASM bình

thường bắt đầu vào giữa tháng 5 [24], và kết thúc sau khoảng 4 tháng, thì được thay thế

bằng NAWM, trong tháng 9 tại xung quan vùng có vĩ độ 18N, vào tháng 10 ở những

vùng từ 10N-18N, và trong tháng 11 đối với những vùng phía nam vĩ độ 10N. Sự duy

trì chênh lệch nhiệt độ lớn giữa lục địa Châu Á và Đại dương đã tạo ra hệ thống gió mùa

này [69, 70].

Chế độ mưa của vùng nghiên cứu chịu sự ảnh hưởng lớn của SASM mà SASM lại chịu

sự ảnh hưởng của hiện tượng ENSO, sự tương tác giữa ENSO và SASM là rất phức tạp,

sự tương tác này đã được biết đến kể từ công trình nghiên cứu của Sir Gilbert Walker

[67]. Ngoài ra ảnh hưởng của ENSO tới SASM thông qua các hoàn lưu khí quyển trên

vùng trung và đông TBD cũng đã được nêu bởi T. Yasunari [71] và B. P. Kirtman & J.

Shukla [72]. Theo nghiên cứu của B. N. Goswami, và cộng sự [73] thì lượng mưa do

SASM có mối quan hệ với SSTA trong khu vực xích đạo phía đông TBD. Sự ảnh hưởng

của SSTA ở đông TBD tới lượng mưa SASM đã được nêu bởi Tsing-Chang Chen &

Jin-ho Yoon [25]. Khi SST tăng lên mạnh ở trung tâm xích đạo phía đông TBD có thể

ngăn chặn các hoạt động đối lưu trên xích đạo khu vực Tây TBD và sau đó làm suy yếu

SASM làm ảnh hưởng đến lượng mưa trên BĐĐD [74].

Như vậy, thể nói rằng ENSO đã gây ra biến đổi thời tiết, khí hậu ở vùng xích đạo - nhiệt

đới TBD và các vùng lân cận. 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 động xích đạo-nhiệt đới làm biến đổi thời tiết ở vùng nghiên cứu. Cũng từ những

phân tích ở trên cho thấy khi hiện tượng El Nino xuất hiện thì lượng mưa của vùng

nghiên cứu sẽ giảm và khả năm xảy ra hạn hán sẽ cao, ngược lại khi hiện tượng La Nina

xuất hiện thì lượng mưa tại vùng nghiên cứu sẽ tăng lúc đó khả năng xảy ra lũ lụt sẽ lớn.

2.2.2 Các số liệu cần thu thập

1. Số liệu mưa, nhiệt độ

Số liệu lượng mưa tháng và nhiệt độ trung bình tháng được thu thập ở 27 trạm khí tượng

thuộc vùng nghiên cứu (vị trí và tên các trạm khí tượng được thể hiện ở hình 2.5). Các

số liệu này được sự quản lý của Trung tâm Khí tượng Thủy văn Quốc gia Việt Nam,

chất lượng của số liệu đủ sự bảm bảo và tin cậy để tính toán. Phạm vi thời gian khai thác

số liệu để sử dụng trong nghiên cứu được lấy từ tháng 1 năm 1985 đến tháng 12 năm

2014.

Hình 2.5 Vị trí và tên các trạm Khí tượng

Các thông tin chi tiết về các trạm khí tượng được sử dụng trong nghiên cứu này được

thể hiện trong phần Phụ lục 2.2.

 Phân tích xu thế biến đổi của lượng mưa và nhiệt độ

Việc đánh giá xu thế biến đổi cửa lượng mưa và nhiệt độ ở vùng DHMT được thực hiện

trên cơ sở phân tích thống kê chuỗi số liệu quan trắc trong thời kỳ 30 năm 1985-2014.

Xu thế biến đổi chung của lượng mưa và nhiệt độ có thể áp dụng các chỉ tiêu thống kê

để đánh giá xu thế biến đổi của các chuỗi số liệu quan trắc. Một trong số các chỉ tiêu

đánh giá xu thế biến đổi được áp dụng rộng rãi là chỉ tiêu Kendall [75, 76]. Chỉ tiêu

Kendall được xác định như sau:

(2-1)

Trong đó: x là giá trị tại thời điểm k và j, và k>j; n là chiều dài chuỗi số liệu, và

(2-2)

Và phương sai được tính:

(2-3)

Chỉ tiêu chuẩn hoá Kendall Z, được tính:

(2-4)

Nếu Z > 0, chuỗi số liệu có xu thế biến đổi tăng, Z > 1.65 chuỗi có xu thế tăng rõ rệt với

độ tin cậy là 90%; Z > 1.92 chuỗi có xu thế tăng rõ rệt với độ tin cậy là 5%, Z > 2.58

chuỗi có xu thế tăng rõ rệt với độ tin cây là 99%.

Nếu Z = 0, chuỗi số liệu ổn định không xuất hiện xu thế biến đổi;

Nếu Z < 0, chuỗi số liệu có xu thế biến đổi tăng, Z < 1.65 chuỗi có xu thế tăng rõ rệt với

độ tin cậy là 90%; Z < 1.92 chuỗi có xu thế tăng rõ rệt với độ tin cậy là 95%, Z < 2.58

chuỗi có xu thế tăng rõ rệt với độ tin cây là 99%.

 Xu thế biến đổi của lượng mưa

Bảng 2.1 Xu thế biển đổi lương mưa theo năm cho các trạm mưa vùng DHMT

TT

Tên trạm

Thời gian

Z

TB Mưa nhiều năm (mm)

Phan Rang

1 Hồi Xuân 2 Thanh Hóa 3 Quỳ Châu 4 Vinh 5 Hà Tĩnh 6 Kỳ Anh 7 Đồng Hới 8 Tuyên Hóa 9 Đông Hà 10 Khe Sanh 11 A Lưới 12 Huế 13 Đà Nẵng 14 Tam Kỳ 15 Trà My 16 Ba Tơ 17 Quảng Ngãi 18 Hoài Nhơn 19 Quy Nhơn 20 Củng Sơn 21 Tuy Hòa 22 Cam Ranh 23 Nha Trang 24 Nha Hố 25 26 Hàm Tân 27

Phan Thiết

1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014 1985-2014

0.64 0.39 0.79 -0.68 -1.28 -1.61 -0.21 -0.50 1.25 1.18 1.11 2.62 1.61 1.07 0.32 1.32 0.86 1.57 0.21 0.04 -0.43 1.00 1.64 2.14 2.69 -0.39 0.93

Độ tin cậy ** * **

Xu thế(mm/năm) 4.333 4.344 5.714 -6.737 -19.709 -22.209 -2.960 -7.375 12.427 12.688 20.020 43.785 14.567 11.048 8.917 30.939 11.964 18.500 3.871 0.571 -4.107 11.092 14.715 14.113 16.367 -2.700 4.800

1734 1643 1623 2016 2600 2754 2121 2426 2339 2131 3769 2996 2319 2778 4171 3719 2546 2116 1949 1720 2100 1277 1472 870 828 1586 1146

Ghi chú: * Độ tin cậy trên 95%, ** Độ tin cậy trên 99%

Nhận xét: Xu thế mưa của vùng DHMT không có sự gia tăng hay suy giảm rõ rệt theo

thời gian. Có một vùng cục bộ có xu thế tăng rõ rệt là bờ biển của tỉnh Thừa Thiên Huế

và tỉnh Ninh Thuận.

 Xu thế biến đổi của nhiệt độ

Bảng 2.2 Xu thế biển đổi nhiệt độ theo năm cho các trạm vùng DHMT

TT

Tên trạm

Thời gian

Z

TB Nhiệt độ nhiều năm (°C)

Độ tin cậy + * ** * + * + * * * + *

23.42 1.87 23.8733 0.86 23.6433 1.99 24.3267 2.63 24.3467 2.51 24.47 1.74 24.75 2.06 24.16 0.91 25.11 0.99 22.7333 1.68 21.7667 2.14 24.9533 -1.11 25.8633 2.44 25.7433 2.05 24.58 1.76 25.41 2.07 25.96 2.97 26.1233 1.26 27.1733 1.59 26.0667 0.34 26.77 3.56 27.1567 3.89 26.83 3.64 27.3167 4.29 27.0333 3.01 26.58 3.14 26.9967 3.19

Xu thế (°C/năm) 0.023 0.010 0.023 0.038 0.033 0.020 0.022 0.011 0.011 0.017 0.018 -0.010 0.023 0.015 0.014 0.014 0.025 0.007 0.011 0.000 0.022 0.029 0.027 0.028 0.019 0.018 0.015

Ghi chú: + Độ tin cậy trên 90%,* Độ tin cậy trên 95%, ** Độ tin cậy trên 99%

Nhận xét: Xu thế nhiệt độ của vùng DHMT tăng rõ rệt theo thời gian, đặc biệt là ba tỉnh

vùng Nam Trung Bộ như Khánh hòa, Ninh Thuận và Bình Thuận với số thống kê Z rất

cao (biểu thị xu hướng tăng là rất rõ ràng và cao). Ngoài ra còn có các tỉnh Nghệ An,

Hà Tĩnh, Đà Nẵng, Quảng Nam, Bình Định, xu thể nhiệt độ tăng rõ rệt được quan sát

khắp toàn tỉnh.

2. Số liệu về chuẩn sai nhiệt độ mặt nước biển (Sea Surface Temperature Anomalies, SSTA)

Trong luận án này tác giả sử dụng bộ số liệu SSTA ở vùng Nino3.4 (vùng theo dõi hoạt

động của ENSO có tọa độ là 5N-5S, 120W-170W), bộ số liệu đã được chuẩn hóa

bằng cách chia độ lệch chuẩn cho từng tháng (C). Số liệu SSTA được lấy từ tháng

1/1984 đến tháng 12/2014 với thời gian là 31 năm và được thu thập từ Cục Khí quyển

và Đại dương Mỹ (National Oceanic and Atmospheric Administration - NOAA) tại

website (http://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ ONI_

v5.php).

)

SSTA

C  ( g n á h t

o e h t

-1

-2

A T S S a ủ c ị r t á i G

-3 Năm

5 8 9 1

2 9 9 1

9 9 9 1

6 0 0 2

3 1 0 2

4 8 9 1

6 8 9 1

7 8 9 1

8 8 9 1

9 8 9 1

0 9 9 1

1 9 9 1

3 9 9 1

4 9 9 1

5 9 9 1

6 9 9 1

7 9 9 1

8 9 9 1

0 0 0 2

1 0 0 2

2 0 0 2

3 0 0 2

4 0 0 2

5 0 0 2

7 0 0 2

8 0 0 2

9 0 0 2

0 1 0 2

1 1 0 2

2 1 0 2

4 1 0 2

Diễn biến của SSTA từ tháng 1/1984 đến tháng 12/2014 được thể hiện ở hình sau:

Hình 2.6 Diễn biến giá trị SSTA từ năm 1984 đến năm 2014

3. Số liệu chỉ số dao động Nam bán cầu (Southern Oscillation Index - SOI):

SOI là chỉ số chênh lệch áp suất không khí mặt biển giữa Tahiti nằm ở đông nam TBD

có tọa độ là (17,5S; 149,6W) và Darwin nằm ở tây bắc Australia có tọa độ là (12.4S;

130.9E). SOI là giá trị đã được chuẩn hóa theo từng tháng và không có thứ nguyên. Số

liệu SOI được lấy từ tháng 1/1984 đến tháng 12/2014 với thời gian là 31 năm và được

lấy từ Cục Khí quyển và Đại dương Mỹ (National Oceanic and Atmospheric

Administration - NOAA) tại website (https://www.ncdc.noaa.gov/teleconnections/

enso/indicators/ soi/).

SOI

g n á h t

o e h t I

-1

-2

O S a ủ c ị r t á i G

-3 Năm

8 8 9 1

7 9 9 1

6 0 0 2

4 8 9 1

5 8 9 1

6 8 9 1

7 8 9 1

9 8 9 1

0 9 9 1

1 9 9 1

2 9 9 1

3 9 9 1

4 9 9 1

5 9 9 1

6 9 9 1

8 9 9 1

9 9 9 1

0 0 0 2

1 0 0 2

2 0 0 2

3 0 0 2

4 0 0 2

5 0 0 2

7 0 0 2

8 0 0 2

9 0 0 2

0 1 0 2

1 1 0 2

2 1 0 2

3 1 0 2

4 1 0 2

Diễn biến của SOI từ tháng 1/1984 đến tháng 12/2014 được thể hiện ở hình sau:

Hình 2.7 Diễn biến giá trị SOI từ năm 1984 đến năm 2014

2.3 Phương pháp dự báo hạn khí tượng cho vùng nghiên cứu

Trên thế giới, có rất nhiều tác giả 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 [27]. Với mục tiêu của luận án là đánh giá diễn biến hạn hán của vùng DHMT,

đặc biệt là trong các thời điểm xảy ra ENSO và xây dựng mô hình cảnh báo sớm hạn

khí tượng cho vùng nghiên cứu. Vì thế, tác giả đưa ra các nội dung và phương pháp dự

báo hạn khí tượng cho vùng nghiên cứu như sơ đồ minh họa sau:

Hiện tượng ENSO Vùng nghiên cứu Số liệu khí tượng

Lựa chọn chỉ số hạn

Diễn biến hạn theo thực tế Diễn biến hạn theo các chỉ số hạn Số liệu SSTA, SOI và các giai đoạn xảy ra El Nino

Phân tích diễn biến hạn hán theo chỉ số hạn và theo thực thế tế để đánh giá sự phù hợp của các chỉ số hạn

Phân tích ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu

Lựa chọn biến đầu vào, biến đầu ra cho mô hình dự báo hạn Lựa chọn phương pháp dự báo

Thiết lập mô hình dự báo hạn khí tượng, đề xuất mô hình dự báo phù hợp cho vùng nghiên cứu

Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu

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

Hạn hán là một hiện tượng tự nhiên không thể tránh khỏi và có tần suất lặp lại (D.A.

Wilhite [2]). Đánh giá hạn hán thường dựa vào các đặc trưng về thời gian, mức độ, sự

lan rộng trong không gian và tác động của hạn hán đến kinh tế xã hội. Donald A. Wilhite

& Michael H. Glantz [1] đã phân hạn hán thành bốn loại là: hạn khí tượng; hạn thủy

văn; hạn nông nghiệp và hạn kinh tế xã hội. Hạn khí tượng thường xuất hiện đầu tiên và

là nguyên nhân chính gây ra các loại hạn tiếp theo. Do đó, đánh giá và cảnh báo được

hạn khí tượng sẽ có tác dụng với các nhà quản lý trong việc phòng chống, giảm nhẹ hạn

hán. Một mặt lợi thế khác của hạn khí tượng là các chỉ số của loại hạn này thường yêu

cầu ít số liệu đầu vào như mưa hoặc nhiệt độ, do đó hạn khí tượng có thể được ứng dụng

ở nhiều vùng khác nhau trên thế giới. Việc phân tích đặc trưng theo không gian và thời

gian của hạn khí tượng cũng như phân tích các nhân tố gây ra hạn hán có một ý nghĩa

hết sức quan trọng trong việc khai thác và quản lý tài nguyên nước cũng như trong dự

báo, phòng chống, giảm nhẹ thiệt hại do hạn hán gây ra. Chính vì thế, trong luận án này

tác giả sẽ lựa chọn hạn khí tượng là đối tượng để nghiên cứu.

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 hán. Việc theo dõi sự biến động của giá trị các chỉ

số hạn hán sẽ giúp ta xác định được sự khởi đầu, thời gian kéo dài cũng như cường độ

hạn. Chỉ số hạn hán là hàm của các biến đơn như lượng mưa, nhiệt độ, bốc thoát hơi,

dòng chảy... hoặc là tổng hợp của các biến. Mỗi chỉ số đều có ưu điểm nhược điểm khác

nhau, và mỗi nước đều sử dụng các chỉ số phù hợp với điều kiện của nước mình. Việc

xác định hạn hán bằng các chỉ số hạn không chỉ áp dụng với bộ số liệu quan trắc mà còn

áp dụng với bộ số liệu là sản phẩm của mô hình khí hậu khu vực và mô hình khí hậu

toàn cầu [27].

Các nghiên cứu ở Việt Nam về cảnh báo sớm hạn khí tượng thì đã sử dụng một số chỉ

số hạn khí tượng phổ biến như: Đào Xuân Học [49] đã sử dụng chỉ số khô hạn Sazonop

để khảo sát, đánh giá và dự báo hạn khí tượng cho các tỉnh DHMT; Nguyễn Quang Kim

[50] đã lập trình phần mềm dự báo hạn khí tượng bằng chỉ số SPI; Nguyễn Văn Thắng

[41] cũng sử dụng chỉ số SPI dự báo hạn cho 7 vùng khí hậu ở Việt Nam; Nguyễn Lương

Bằng [53] đã sử dụng 2 chỉ số SPI và SPEI để dự báo hạn khí tượng cho tỉnh Khánh

Hòa.

Các thành phần khác nhau trong chu trình tuần hoàn nước có mức độ phản ứng về thời

gian khác nhau đối với lượng tích lũy mưa. Ví dụ, nước mặt có thời gian phản ứng nhanh

hơn với sự thiếu hụt lượng mưa trong khi nước dưới đất phản ứng chậm hơn. T. B.

McKee, và cộng sự [8] đã diễn giải được đặc tính của hạn hán bằng việc phát triển chỉ

số chuẩn hóa lượng mưa SPI. SPI có thể được tính toán được nhiều thời đoạn khác nhau

bằng việc chuyển hóa liệt số liệu mưa thành hàm tiêu chuẩn hóa. Với đặc tính thứ hai,

SPI có thể so sánh được hạn hán ở các vùng có điều kiện thời tiết khác nhau. Tuy nhiên,

SPI cũng tồn tại một số hạn chế. Ví dụ, SPI cần phải có liệt thời gian dài để đảm bảo độ

chính xác trong tính toán. WMO [9] đề nghị ít nhất 30 năm dữ liệu. Ngoài ra, chỉ số SPI

giả thiết rằng nguyên nhân của hạn khí tượng là do mưa gây ra chủ yếu còn các yếu tố

khí tượng khác không ảnh hưởng hoặc ảnh hưởng không đáng kể (ví dụ: nhiệt độ, bốc

hơi). Tuy nhiên giả thiết này bị hạn chế ở những vùng chịu tác động của biến đổi khí

hậu (nhiệt độ tăng). Tập trung vào hạn chế này, S. M. Vicente-Serrano, và cộng sự [10]

đã phát triển một chỉ số mới bao gồm cả nhiệt độ và mưa, gọi là chỉ số chuẩn hóa lượng

mưa và bốc hơi SPEI. Sự khác biệt chính nằm ở chỗ liệt thời gian sử dụng để tính toán

là chuỗi số liệu cân bằng nước giữa mưa và bốc hơi tiềm năng. Hạn chế của SPEI là chỉ

số này yêu cầu nhiều số liệu đầu vào hơn SPI, và cũng nhạy với cách tính tiềm năng bốc

hơi. Thêm nữa SPEI cũng yêu cầu chuỗi số liệu dài, từ 30 đến hơn 50 năm.

Vùng nghiên cứu là vùng có nền nhiệt độ cao, tốc độ gió lớn và đây là nguyên nhân làm

tăng lượng bốc hơi dẫn đến khi đánh giá hạn có xét đến nhân tố bốc sẽ nghiêm trọng

hơn là chỉ xét đến một nhân tố là lượng mưa. Chỉ số SPI đã được Tổ chức Khí tượng

Thế giới WMO [10] đề xuất là chỉ số thông dụng nhất để đánh giá và dự báo hạn hán,

chỉ số này đã được nghiên cứu và ứng dụng ở Việt Nam. Đồng thời, chỉ số SPEI đã được

đề xuất và sử dụng phổ biến trên thế giới từ năm 2010, nhưng ở Việt Nam chỉ số này

chưa được sử dụng rỗng rãi, mới chỉ có Nguyễn Lương Bằng [53] sử dụng chỉ số này

để dự báo hạn khí tượng cho tỉnh Khánh Hòa.

Đối với vùng nghiên cứu thì 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 để nghiên cứu, đồng thời sử thêm

chỉ số SPEI 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.

2.2.2.1 Chỉ số SPI

Để đánh giá hạn hán thì McKee và cộng sự [8] đã đề xuất chỉ số chuẩn hóa lượng mưa

SPI. Dựa trên sự phù hợp cao của phân phối gamma với liệt số liệu mưa theo thời gian

ở nhiều nơi Edwards và McKee [77] đã phát triển chỉ số SPI ở dạng biến ngẫu nhiên có

phân phối chuẩn:

( > 0) (2-5)

Trong đó: α là tham số hình dạng, β là tham số tỉ lệ, là lượng mưa, là hàm gamma.

Ước tính giá trị α, β tối ưu bằng phương pháp ước lượng giá trị cực đại.

; ;

Xác định các tham số của hàm xác suất lũy tích, từ lượng mưa hàng năm , xác suất

lũy tích của biến ngẫu nhiên nhỏ hơn được tính như sau:

(2-6)

Nếu lượng mưa bằng 0 thì xác suất lũy tích được tính như sau:

(2-7)

Trong đó m là số mẫu có lượng mưa bằng 0, n là tổng số mẫu.

Tiến hành tiêu chuẩn hóa hàm xác suất lũy tích gamma, từ công thức (2-6) và (2-7) ta

có được công thức xác định giá trị xác suất lũy tích như sau:

(2-8)

Từ công thức (2.8) tính toán theo phương pháp gần đúng ta được:

(2-9)

Trong đó: ; S = 1 khi F > 0.5 ; S = -1 khi F ≤ 0.5; c0 = 2.515517; c1 =

0.802853; c2 = 0.010328; d1 = 1.432788; d2 = 0.189269; d3 = 0.001308 (c0, c1, c2, d1, d2,

d3 là các hằng số của hàm phân phối chuẩn).

2.2.2.2 Chỉ số SPEI

Chỉ số SPEI do Vicente-Serrano [10] đề xuất được tính như sau:

Đầu tiên tính toán bốc hơi tiềm năng (PET). Lượng bốc hơi tiềm năng được tính theo

phương pháp Thornthwaite, lợi thế của phương pháp này là lượng bốc hơi tiềm năng

được tính toán chỉ dựa vào biến nhiệt độ và vị trí của vùng nghiên cứu.

Bước thứ hai là đi tính toán giá trị chênh lệch giữa lượng mưa và bốc hơi tháng theo

công thức sau:

(2-10)

Trong đó, Di là giá trị chênh lệch giữa lượng mưa và bốc hơi, Pi là lượng mưa tháng,

PETi là lượng bốc hơi tháng.

Bước thứ ba tính toán cũng giống như phương pháp tính toán chỉ số SPI, với chuỗi số

liệu đầu vào là Di, tính toán các giá trị SPEI tương ứng. Chuỗi số liệu Di có thể là giá trị

âm, vì vậy khi tính chỉ số SPEI sẽ sử dụng 3 tham số của hàm phân bố xác suất log-

logistic. Hàm phân bố xác suất log-logistic tích lũy như sau:

(2-11)

Trong đó, , ,  lần lượt sử dụng phương pháp Moments tuyến tính phù hợp như sau:

(2-12)

(2-13)

(2-14)

Trong đó, Γ là hám số yếu tố, , , là chuỗi số liệu sơ cấp của trọng số xác suất

Di. Được tính toán theo phương pháp sau:

(2-15)

(2-16)

Trong đó, N là tổng số tháng tính toán

Sau đó dựa vào mật độ xác suất tích lũy để tiến hành tiêu chuẩn hóa :

(2-17)

Nếu mật độ xác suất tích lũy P ≤ 0.5 thì:

(2-18)

(2-19)

Trong đó, c0 = 2.515517, c1 = 0.802853, c2 = 0.010328, d1 = 1.432788, d1 = 0.189269,

d3 = 0.001308.

Nếu P > 0.5

(2-20)

(2-21)

Theo Tổ chức Khí tượng thế giới WMO [9], thì trạng khô hạn hay ẩm ướt được phân

cấp theo chỉ số SPI, SPEI như trong bảng 2.3. Các chỉ số SPI và SPEI có thể được tính

toán cho nhiều thời đoạn khác nhau, thường là trong phạm vi từ 1 tháng, 3 tháng, 6 tháng

… đến 48 tháng. Các chỉ số SPI với thời đoạn 1 tháng thể hiện tính chất hạn hán theo

từng tháng (được tính từ lượng mưa và bốc hơi của từng tháng), thời đoạn 3 tháng thể

hiện tính chất hạn hán theo mùa, vụ 3 tháng (được tính từ lượng mưa và bốc hơi trung

bình trong 3 tháng liên tiếp), thời đoạn 6 tháng thể hiện tính chất hạn hán theo mùa, vụ

6 tháng (được tính từ lượng mưa và bốc hơi trung bình trong 6 tháng liên tiếp)… Trong

luận án này tác giả sẽ so sánh, đánh giá diễn biến hạn hán theo các chỉ số hạn với hiện

trạng hạn hán trong sản xuất nông nghiệp, trong khi mùa vụ sản xuất nông nghiệp thường

là 3 tháng. Do đó, luận án này sẽ chỉ tính toán giá trị của các chỉ số SPI, SPEI với quy

mô thời gian là 1 tháng và 3 tháng. Chỉ số SPI và SPEI với thời đoạn tính toán là 1 tháng

được ký hiệu lần lượt là SPI1 và SPEI1, chỉ số SPI và SPEI với thời đoạn tính toán là 3

tháng được ký hiệu lần lượt là SPI3 và SPEI3.

Bảng 2.3 Phân cấp hạn hán theo chỉ số SPI, SPEI [9]

Chỉ số SPI, SPEI ≥ 2,0 1,5÷1,99 1,0 ÷ 1,49 0.50 ÷ 0,99 -0.49 ÷ 0.49 -0.50 ÷ - 0.99 Điều kiện khí hậu Cực kỳ ẩm Rất ẩm Ẩm vừa Ẩm nhẹ Bình thường Hạn nhẹ

-1,0 ÷ -1,49 Hạn vừa

-1,5 ÷ -1,99 Hạn nặng

≤ -2,0 Hạn cực nặng

Dựa vào phương pháp tính toán các chỉ số SPI và SPEI, trong luận án này tác giả đã viết

code chương trình tính toán các chỉ số này trên ngôn ngữ lập trình R. Chi tiết code

chương trình tính toán các chỉ số SPI, SPEI được thể hiện ở Phụ lục 2.3.

2.3.2 Phân tích đánh giá diễn biến hạn hán của vùng nghiên cứu bằng các chỉ số hạn

Các chỉ số hạn được tính toán chỉ phản ánh diễn biến hạn hán theo thời gian, tuy nhiên

chỉ số hạn theo không gian cũng đóng vai trò quan trọng việc phân vùng hạn hán và xác

định đặc thù cũng như nguy cơ hạn ở các tỉnh trong vùng nghiên cứu. Để xác định phân

bố hạn hán theo không gian bằng các chỉ số hạn khí tượng thì hiện nay trên thế giới có

hai phương pháp: phương pháp thứ nhất là tính toán các chỉ số hạn tại các vị trí có số

liệu khí tượng sau đó nội suy ra các vị trí không có số liệu; phương pháp thứ hai là nội

suy trước số liệu khí tượng ở các vị trí chưa có số liệu từ các vị trí có số liệu, sau đó mới

tính toán ra các chỉ số hạn. Theo nghiên cứu của Jinyoung Rhee & Gregory J Carbone

[78] về việc xác định phân bố hạn hán theo không gian được thực hiện trên 824 trạm đo

mưa của nước Mỹ trong 30 năm (1961-1990). Kết quả cho thấy độ chính xác của việc

nội suy lượng mưa trước sau đó mới tính toán chỉ số SPI có độ chính xác cao hơn so với

việc tính toán chỉ số SPI trước rồi mới nội suy. Do đó, nghiên cứu này áp sẽ dụng phương

pháp nội suy số liệu khí tượng trước sau đó mới tính toán các chỉ số hạn sau, phương

pháp này còn gọi là phương pháp vùng hạn không kề giáp nhau (NCDA).

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 [78]:

(1) Tạo ô lưới cho toàn vùng DHMT với diện tích 55km, tổng cộng có 3752 ô lưới

(hình 2.9);

Hình 2.9 Ô lưới vùng nghiên cứu

(2) Nội suy mưa và nhiệt độ tới các ô lưới, phương pháp nội suy được sử dụng trong

nghiên cứu này là phương pháp trọng số nghịch đảo khoảng cách (Inverse distance

weighting, IDW). Phương pháp IDW được xuất phát từ khái niệm của luật Tobler (luật

đầu tiên trong địa lý, từ năm 1970), luật này được định nghĩa là “mọi thứ quan hệ với

mọi thứ, nhưng những thứ gần có quan hệ hơn là những thứ xa”.

Phương pháp IDW dựa trên nội suy đa biến sử dụng dữ liệu nội suy không gian theo

khái niệm trọng số nghịch đảo khoảng cách, được phát triển bởi Cục Khí tượng quốc

gia Hoa Kỳ năm 1972. Ý tưởng tổng quan dựa trên giả thiết giá trị của điểm chưa biết

giá trị là giá trị bình quân trọng số của điểm đã biết ở xung quanh điểm này. Quá trình

này là quá trình gán giá trị cho các điểm chưa biết sử dụng giá trị từ một tập hợp rải rác

các điểm có giá trị. Giá trị của điểm chưa biết là tổng trọng số của N giá trị đã biết.

IDW có thể ước tính số liệu mưa, nhiệt độ không gian ở những điểm chưa biết bằng các

số liệu đã biết ở gần điểm chưa biết. Công thức của IDW được thể hiện như sau [79]:

(2-22)

(2-23)

Trong đó: Pchua-biet là giá trị chưa biết của mưa hoặc nhiệt độ; Pi à giá trị đã biết của mưa

hoặc nhiệt độ từ các trạm đo, wi là trọng số của mỗi trạm đo; N là tổng số lượng trạm

đo mưa hoặc nhiệt độ; di là khoảng cách từ trạm đo mưa hoặc nhiệt độ i tới vị trí chưa

biết giá trị;  là số mũ (là một tham số khống chế), thường được chọn là 2 theo nghiên

cứu của L. Xiao-song [80].

Theo Manh Hung Le, và cộng sự [81] dù phương pháp IDW nội suy mưa và nhiệt độ

kém chính xác hơn các phương pháp phức tạp khác như hồi quy đa biến, mạng nơ ron

thần kinh nhân tạo, nhưng khi tính toán các chỉ số hạn thì các phương pháp trên cho kết

quả là tương đối giống nhau. Do đó, phương pháp IDW được lựa chọn để nội suy mưa

và nhiệt độ cho các ô lưới trong vùng nghiên cứu do tính đơn giản của phương pháp.

(3) Kiểm định kết quả nội suy mưa và nhiệt độ

Để đánh giá kết quả nội suy mưa và nhiệt độ tác giả sử dụng phương pháp kiểm định

như sau:

- Sử dụng 23 trạm khí tượng (trong tổng số 27 trạm khí tượng đã lựa chọn của vùng

nghiên cứu) để nội suy mưa và nhiệt độ cho các ô lưới.

- Sử dụng lượng mưa và nhiệt độ ở 4 trạm khí tượng còn lại để kiểm định kết quả nội

suy là: Trạm Hà Tĩnh (tỉnh Hà Tĩnh) đại diện cho khu vực phía bắc của vùng DHMT;

trạm Nha Hố (tỉnh Ninh Thuận) đại diện cho khu vực phía nam của vùng DHMT; và

trạm A Lưới (tỉnh Thừa Thiên Huế), trạm Đà Nẵng (TP Đà Nẵng) đại diện cho khu vực

giữa của vùng DHMT, là hai điểm có địa hình bị chia cắt lớn nhất bởi Dãy núi Bạch Mã

nối liền từ dãy trường sơn ra biển.

- Sử dụng 4 trạm khí tượng còn lại để kiểm định kết quả nội suy là: Trạm Hà Tĩnh (tỉnh

Hà Tĩnh) đại diện cho khu vực phía bắc của vùng DHMT; trạm Nha Hố (tỉnh Ninh

Thuận) đại diện cho khu vực phía nam của vùng DHMT; và trạm A Lưới (tỉnh Thừa

Thiên Huế), trạm Đà Nẵng (TP Đà Nẵng) đại diện cho khu vực giữa của vùng DHMT,

là hai điểm có địa hình bị chia cắt lớn nhất bởi Dãy núi Bạch Mã nối liền từ dãy trường

sơn ra biển.

- Từ kết quả nội suy lượng mưa và nhiệt độ tại 4 ô lưới là 4 vị trí của 4 trạm khí tượng

dùng để kiểm định tiến hành tính toán các chỉ số hạn SPI, SPEI theo kết quả nội suy

lượng mưa và nhiệt độ (từ năm 1985 đến năm 2014).

- Tính toán các chỉ số hạn SPI, SPEI theo số liệu lượng mưa và nhiệt độ thực đo tại 4

trạm khí tượng dùng để kiểm định (từ năm 1985 đến năm 2014).

- Tính toán độ tin cậy (mức đảm bảo P) của phép nội suy theo công thức:

P = m/n*100 (%)

Trong đó:

n là số giá trị SPI, SPEI theo liệt số liệu tính toán (với chỉ số SPI1 và SPEI1 thì n = 360

giá trị, với chỉ số SPI3 và SPEI3 thì n = 358 giá trị).

m là số giá trị phép nội suy đúng: giá trị của phép nội suy đúng khi giá trị của trị số SPI,

SPEI được tính toán theo kết quả nội suy mưa và nhiệt độ có cùng cấp hạn với giá trị

của trị số SPI, SPEI được tính toán theo số liệu lượng mưa và nhiệt độ thực đo (theo

phân cấp hạn hán tại Bảng 2.3).

- Giá trị của P càng gần giá trị 100 (%) thì độ tin cậy của phép nội suy càng cao.

(4) Sử dụng tất cả 27 trạm khí tượng trong vùng nghiên cứu để nội suy mưa và nhiệt độ

cho các ô lưới. Từ kết quả nội suy mưa và nhiệt độ tính các chỉ số hạn SPI, SPEI theo

thời đoạn 1 tháng và 3 tháng cho các ô lưới trong vùng nghiên cứu;

(5) Áp dụng phương pháp vùng hạn không kề giáp nhau (NCDA) để đánh giá hạn theo

không gian thời gian. Phương pháp NCDA phân loại các giá trị của các chỉ số SPI và

SPEI trên thành các nhóm để phản ánh tình trạng hạn hán, với công thức tính như sau:

(2-24)

Trong đó Ds,t là tình trạng hạn hán ở thời điểm t được quyết định bởi giá trị của SPI,

SPEI ở cùng thời gian. Các giá trị 1, 2, 3 và 4 tương ứng với hạn nhẹ, hạn vừa, hạn nặng

và hạn rất nặng.

Diện tích hạn tương ứng với từng chỉ số hạn được tính như sau:

(2-25)

Trong đó , , , là diện tích ,

hạn nhẹ, hạn vừa, hạn nặng, hạn rất nặng, và tất cả các loại hạn ở thời điểm t;

là tổng diện tích; là diện tích ô lưới.

2.3.3 Phân tích ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu

Như đã phân tích ở phần trên thì ENSO đã gây ra biến đổi thời tiết, khí hậu ở vùng xích

đạo - nhiệt đới TBD trong đó có vùng DHMT. 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 xuất hiện, 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: phương pháp thứ nhất là phân tích diễn

biến hạn hán của vùng nghiên cứu trong các thời kỳ xảy ra El Nino; phương pháp thứ

hai là xác định mối tương quan giữa SSTA, SOI với các chỉ số SPI, SPEI bằng phương

trình tương quan.

Phương trình tương quan được được sử dụng rộng rãi trong các ngành khoa học như là

một thước đo của sự phụ thuộc tuyến tính giữa hai biến, nó được phát triển bởi Karl

Pearson từ một ý tưởng liên quan giới thiệu bởi Francis Galton năm 1880 [82, 83].

Thông qua các phương trình tương quan giữa để xác định hệ số tương quan của hai chuỗi

số liệu, nếu hệ số tương quan là dương (phản ánh mối quan hệ đồng biến) và âm (phản

ánh mối quan hệ nghịch biến), giá trị tuyệt đối của hệ số tương quan càng lớn, thì mức

độ phụ thuộc tuyến tính giữa chuỗi càng lớn và chặt chẽ.

Trong luận án này tác giả nghiên cứu 8 mối tương quan như sau: (1) tương quan giữa

SSTA1 với SPI1; (2) tương quan giữa SSTA1 với SPEI1; (3) tương quan giữa SSTA3

với SPI3; (4) tương quan giữa SSTA3 với SPEI3; (5) tương quan giữa SOI1 với SPI1;

(6) tương quan giữa SOI1 với SPEI1; (7) tương quan giữa SOI3 với SPI3; (8) tương

quan giữa SOI3 với SPEI3. Trong đó SSTA1 là giá trị SSTA thời đoạn 1 tháng, SSTA3

là giá trị SSTA thời đoạn 3 tháng (giá trị trung bình 3 tháng liên tiếp), SOI1 là giá trị

SOI theo thời đoạn 1 tháng, SOI3 là giá trị SOI thời đoạn 3 tháng (giá trị trung bình 3

tháng liên tiếp).

Mối tương quan giữa chuỗi số liệu SSTA, SOI là x (x1, x2, ..., xn) và chuỗi số liệu SPI,

SPEI là y (y1, y2, ..., yn), với n cặp trị số quan sát (xi, yi) (i=1,.., n) để xây dựng ma trận

tương quan giữa SSTA, SOI và các chỉ số SPI, SPEI. Các chuỗi số liệu được sử dụng để

tính toán như sau: (1) Các chuỗi số liệu có vai trò là nhân tố bao gồm SSTA và SOI, các

nhân tố SSTA với các thời đoạn 1, 3 tháng được ký hiệu là SSTA1j, SSTA3j: trong đó

các ký hiệu j = 1, 2, ..., 12 là chuỗi số liệu SSTA ở thời điểm thứ j (j = 1 khi chuỗi số

liệu SSTA ở trước 1 tháng so với chuỗi giá trị SPI và SPEI, j = 12 khi chuỗi số liệu

SSTA ở trước 12 tháng so với chuỗi giá trị SPI và SPEI). Các nhân tố SOI với các thời

đoạn 1, 3 tháng được ký hiệu là SOI1j, SOI3j: trong đó các ký hiệu j = 1, 2, ..., 12 là số

liệu SOI ở thời điểm thứ j (j = 1 khi chuỗi số liệu SOI ở trước 1 tháng so với chuỗi giá

trị SPI và SPEI, j = 12 khi chuỗi số liệu SOI ở trước 12 tháng so với chuỗi giá trị SPI và

SPEI); (2) Chuỗi số liệu so sánh, là đối tượng cần nghiên cứu được ký hiệu là SPIk,

SPEIk: trong đó chỉ số k = 1, 2 (k = 1 khi chỉ số SPI và SPEI là thời đoạn 1 tháng, k = 3

khi chỉ số SPI là SPEI là thời đoạn 3 tháng).

Trong khí tượng, để nghiên cứu mối quan hệ các yếu tố người ta thường tiến hành các

bước sau: Đầu tiên đo khảo sát mối liên hệ bằng cách tính hệ số tương quan sau đó đánh

giá được mức độ chặt chẽ của các mối liên hệ qua độ lớn của hệ số tương quan. Trong

luận án này sử dụng mối tương quan đơn để xác định mối tương giữa các yếu tố khí

tượng với nhau. Hệ số tương quan giữa hai biến x và y người ta gọi là , hệ số tương

quan là một biến ngẫu nhiên và không thứ nguyên được tính toán như sau:

i = 1, 2, …, n (2-26)

Trong đó:

: giá trị trung bình của dãy xi

: giá trị trung bình của dãy yi

n: là độ dài của mẫu.

Ta có khoảng giá trị của  là: 0  |  |  1 (2-27)

Việc đánh giá mối quan hệ tương quan giữa hai biến có thể được tiến hành thông qua

việc xem xét hệ số tương quan (2.26) giữa chúng tính được từ tập mẫu. Theo (2-27) giá

trị tuyệt đối của hệ số tương quan càng lớn (tiến tới giá trị 1) thì mối quan hệ tuyết tính

giữa hai biến càng chặt chẽ.

Kiểm định tương quan: Dựa vào mức độ tin cậy của số liệu thống kê Z để kiểm định

mối tương quan, mức độ tin cậy của số liệu thống kê Z được tính toán theo công thức

(2-28)

Trong đó: z là biến đổi Fisher, S là tổng độ lệch chuẩn

Biến đổi Fisher (z) được tính toán như sau:

(2-29)

Trong đó  là tương quan giữa hai biến

Tổng độ lệch chuẩn (S) được tính toán như sau:

(2-30)

Trong đó n là độ dài của mẫu (cỡ mẫu)

Độ tin cậy hay mức độ tin cậy là mức độ chính xác của xác suất, mức ý nghĩa là xác suất

xảy ra lỗi thường ký hiệu là P, giá trị của P càng nhỏ càng tốt, độ tin cậy có thể được

hiểu là mức độ chắc chắn, ví dụ như độ tin cậy là 90%, 95%, 99% thì mức ý nghĩa lần

lượt là P < 0.1, P < 0.05 và P < 0.01. Giá trị Z tương ứng với các mức độ tin cậy 90%,

95% và 99% lần lượt là Z90% = 1.65, Z95% = 1.92 và Z99% = 2.58. Như vậy nếu (1.65 ≤ Z

< 1.92) thì tương quan giữa hai chuỗi số liệu có ý nghĩa thống kê với độ tin cậy 90%;

nếu (1.92 ≤ Z < 2.58) thì tương quan giữa hai chuỗi số liệu có ý nghĩa thống kê với độ

tin cậy 95%; nếu (2.58 ≤ Z) thì tương quan giữa hai chuỗi số liệu có ý nghĩa thống kê

với độ tin cậy 99% [75, 76].

2.3.4 Thiết lập mô hình dự báo hạn khí tượng, đề xuất mô hình dự báo phù hợp cho vùng nghiên cứu

Một đánh giá khách quan tình trạng hạn hán ở một khu vực cụ thể trong tương lai là

bước đầu tiên cho kế hoạch tài nguyên nước, nhằm ngăn chặn và giảm thiểu tác động

của hạn hán trong tương lai. Các đánh giá và dự báo hạn hán có thể được thực hiện bằng

việc sử dụng các chỉ số hạn hán.

Như đã phân tích trong chương 1, để dự báo hạn hán thì có hai phương pháp đó là dự

báo trực tiếp các chỉ số hạn bằng các mô hình dự báo thống kê thuần túy; và dự báo trên

cơ sở sản phẩm dự báo của các mô hình khí hậu, mô hình thủy văn. Trong luận án này

sẽ sử dụng phương pháp dự báo trực tiếp các chỉ số hạn bằng mô hình thống kê thực

nghiệm dựa trên cơ sở các nguồn số liệu khí hậu quá khứ. Đây là hướng nghiên cứu

không mới, nhưng do tính đơn giản, dễ sử dụng, ít tốn kém, kết quả tương đối ổn định

nên cho đến nay các mô hình thống kê vẫn đang được sử dụng khá phổ biến. Nhiều mô

hình thống kê có vai trò chính trong việc dự báo hạn hán và lượng mưa mùa, đặc biệt là

các quốc gia nằm trong vùng nhiệt đới, là nơi sự kiện ENSO tác động mạnh đến lượng

mưa [84].

Các biến đầu vào (nhân tố dự báo) để dự báo hạn hán bằng phương pháp thống kê phụ

thuộc vào các loại dự báo hạn hán khác nhau [85] (hình 2.10). Các biến và các thành

phần liên quan đến dự báo hạn hán bao gồm: (i) lượng mưa để phân tích hạn hán khí

tượng như là sự thiếu hụt lượng mưa dẫn đến hạn hán, (ii) số liệu dòng chảy, hồ chứa

và mực nước hồ để phân tích hạn thủy văn, (iii) mực nước ngầm cho hạn nước ngầm và

(iv) độ ẩm của đất và năng suất cây trồng cho hạn nông nghiệp (một số chỉ số hạn hán

dựa trên sự kết hợp của lượng mưa, nhiệt độ và độ ẩm của đất, đã được đề xuất trong

những thập kỷ gần đây để nghiên cứu hạn nông nghiệp có thể được sử dụng để dự báo).

Một số chỉ số hạn hán đã được dùng cho việc đánh giá ảnh hưởng của hạn hán và xác

định các tham số hạn hán khác nhau, chẳng hạn như cường độ, thời gian, mức độ nghiêm

trọng và phạm vi không gian. Ngoài ra, các chỉ số khí hậu như ENSO, SOI, SST và các

trường khí hậu của các mô hình dự báo toàn cầu cũng đã được sử dụng ngoài các biến

khí tượng thuỷ văn cho dự báo hạn hán dài hạn.

Biến khí tượng thủy văn Lượng mưa, dòng chảy, nhiệt độ, bốc hơi, độ ẩm đất, mực nước ngầm, mực nước hồ chứa

Đầu ra

Thời gian dự báo

Bắt đầu và kết thúc

Tính chất nghiêm trọng

Chỉ số hạn Chỉ số chuẩn hóa lượng mưa (SPI) Chỉ số chuẩn hóa lượng mưa và bốc hơi (SPEI) Chỉ số Palmer (PDSI) Chỉ số độ ẩm cây trồng (CMI) Chỉ số cung cấp nước mặt (SWSI)

Phương pháp luận Mô hình hồi quy Mô hình chuỗi thới gian Mô hình xác suất Mạng tần kinh nhân tạo (ANN) Mạng noron thích nghi mờ (ANFIS) Mô hình hỗn hợp

Khả năng phát sinh

Chỉ số khí hậu toàn cầu El Nino and the Southern Oscillation (ENSO) Sea Surface Temperature (SST) Southern Oscillation Index (SOI) ……………

Hình 2.10 Các thành phần của mô hình dự báo thống kê đang được áp dụng trên thế giới [85]

2.3.4.1 Lựa chọn biến đầu ra (yếu tố dự báo)

Có một số chỉ số hạn hán thường được sử dụng trong công tác dự báo, chẳng hạn như

chỉ số PDSI, độ ẩm cây trồng, SPI và SPEI. Chỉ số PDSI, SPI và SPEI là các chỉ số

truyền thống và phổ biến nhất cho dự báo hạn hán do tiêu chuẩn của nó [86]. Từ những

phân tích và đánh giá ở các phần trước về sự phù hợp và đặc điểm nổi trội của hai chỉ

số hạn SPI và SPEI. Do đó, trong nghiên cứu này tác giả sẽ lựa chọn các yếu tố dự báo

là các chỉ hạn SPI và 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).

2.3.4.2 Lựa chọn biến đầu vào (nhân tố dự báo)

Một trong những bước quan trọng nhất trong việc phát triển một mô hình dự báo đạt yêu

cầu là lựa chọn của các biến đầu vào. Điều này là bởi vì các biến này xác định cấu trúc

của các mô hình dự báo, và ảnh hưởng đến các hệ số trọng số và chất lượng của các mô

hình dự báo.

Hiện nay trên thế giới thì một trong những biến đầu vào phổ biến hay được lựa chọn là

ENSO, SST và SOI, đặc biệt là những nơi chịu sự tác động mạnh của ENSO [84, 85].

Còn ở Việt Nam, có Nguyễn Quang Kim [50] đã sử dụng các biến đầu vào là chỉ số SOI,

SST) và độ cao địa thế vị mực 500mb để xây dựng mô hình dự báo chỉ số SPI cho vùng

NTB và Tây Nguyên; Nguyễn Văn Thắng [41] đã sử dụng biến đầu vào là ENSO để xây

dựng mô hình dự báo chỉ số hạn SPI cho 7 vùng khí hậu ở Việt Nam; Nguyễn Lương

Bằng [53] cũng đã sử dụng biến đầu vào là SST ở các vùng Nino khác nhau để thiết lập

các mô hình dự báo chỉ số SPI và SPEI cho tỉnh Khánh Hòa. Kết quả của các nghiên

cứu này cho thấy các mô hình dự báo với các biến đầu vào là ENSO, SST, SOI đều có

chất lượng dự báo tốt và đủ độ tin cậy.

Việc sử dụng các biến đầu vào chính là giá trị của các chỉ số hạn ở các bước thời gian

trước đó cũng được nhiều nhà khoa học trên thế giới sử dụng để thiết lập các mô hình

dự báo hạn. A. K. Mishra & V. R. Desai [87] áp dụng các mô hình mạng thần kinh và

ARIMA để dự báo hạn hán với biến đầu vào là chỉ số SPI ở các bước thời gian trước

đó; UlkerGuner Bacanli, và cộng sự [88] sử dụng các nhân tố dự báo là SPI và lượng

mưa ở các bước thời gian trước đó trong việc xây dựng mô hình dự báo cho SPI. Kết

quả của các nghiên cứu này cũng cho thấy chất lượng dự báo tốt và đủ độ tin cậy.

Vì thế, trong nghiên cứu này tác giả sẽ sử dụng các biến đầu vào là số liệu SSTA và SOI

có hệ số tương quan cao với các chỉ số SPI, SPEI. Đồng thời kết hợp với chỉ số SPI,

SPEI ở các bước thời gian trước đó để thiết lập các mô hình dự báo hạn khí tượng. Chi

tiết về loại biến và số biến đầu vào của mô hình dự báo được trình bày ở phần thiết lập

cấu trúc các mô hình dự báo phía sau.

2.3.4.3 Lựa chọn phương pháp dự báo

Có nhiều phương pháp truyền thống, chẳng hạn như mô hình phân tích hồi quy và tự

hồi quy tích hợp di chuyển trung bình, thường được sử dụng trong dự báo các quá trình

thủy văn. Các kỹ thuật mới như mạng thần kinh nhân tạo (ANN), Logic mờ (FL) và

Mạng noron thích nghi mờ (ANFIS) gần đây đã được chấp nhận như là một công cụ

thay thế hiệu quả cho mô hình của hệ thống thủy văn phức tạp và sử dụng rộng rãi để

dự báo. A. K. Mishra & V. R. Desai [87] áp dụng các mô hình mạng thần kinh và

ARIMA để dự báo hạn hán với yếu tố dự báo là SPI. Các kết quả đã chứng minh rằng

phương pháp mạng thần kinh có thể được áp dụng thành công cho dự báo hạn hán. Hơn

nữa, Hiệp hội Kỹ sư Dân dụng Hoa Kỳ (American Society of Civil Engineers – ASCE)

[89] đã làm một đánh giá toàn diện của các ứng dụng của ANN trong bối cảnh dự báo

thủy văn. Mặt khác, một số nghiên cứu cũng đã được thực hiện bằng cách sử dụng FL

trong thủy văn và quy hoạch tài nguyên nước [90-93]. Trong những năm gần đây Mạng

noron thích nghi mờ (ANFIS) là sự kết hợp của phương pháp ANN và FL, đã được sử

dụng trong các vấn đề về mô hình về kỹ thuật phi tuyến và tài nguyên nước [94-98].

ANFIS được đề xuất như là một thay thế cho các phương pháp truyền thống để dự báo

hạn hán với yếu tố dự báo là SPI cho quy mô thời đoạn khác nhau bởi UlkerGuner

Bacanli, và cộng sự [88]. Đóng góp chính của phương pháp ANFIS là nó giúp loại bỏ

các vấn đề cơ bản trong mô hình fuzzy (xác định các thông số chức năng thành viên và

thiết kế của quy tắc mờ nếu-thì) bằng cách sử dụng khả năng học tập của ANN cho tự

động hệ quy tắc mờ và tối ưu hóa các thông số. UlkerGuner Bacanli, và cộng sự [88] sử

dụng các nhân tố dự báo là SPI và lượng mưa ở các bước thời gian trước đó trong việc

xây dựng mô hình dự báo cho SPI. Maryam Mokhtarzad, và cộng sự [99] đã sử dụng và

so sánh các phương pháp ANN, ANFIS và SVM (support vector machine) để dự báo

chỉ số SPI với các biến đầu vào nhiệt độ, độ ẩm và lượng mưa mùa. Kết quả của các

nghiên cứu này cho thấy rằng chất lượng dự báo bằng phương pháp ANFIS cao hơn so

với phương pháp ANN.

Vì vậy, trong luận án này, tác giả sẽ áp dụng phương pháp ANFIS để xây dựng 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.

Mô hình ANFIS được đề xuất bởi J. -S. R. Jang [100], J.-S.R. Jang, và cộng sự [101],

và đã được áp dụng để nghiên cứu nhiều vấn đề. Mô hình ANFIS được dựa trên một hệ

thống giao diện mờ, được đào tạo bởi một thuật toán bắt nguồn từ lý thuyết mạng nơron.

Một xử lý chi tiết của ANFIS được cung cấp bởi H. Ying [102]. Các hệ thống Sugeno-

type của ANFIS với ba yếu tố đầu vào và hai quy tắc, được sử dụng trong nghiên cứu

này, được thể hiện trong hình 2.11. Các nút hình vuông và hình tròn được sử dụng để

phản ánh đặc tính khác nhau của việc học thích nghi. Các nút vuông (các nút thích nghi)

có các thông số, trong khi các nút tròn (nút cố định) thì không. Mỗi nút có chức năng

nút riêng. Các chức năng nút khác nhau từ nút tới nút. Sự kết nối giữa hai nút cho biết

hướng của tín hiệu. Không có trọng lượng là liên kết với các kết nối.

Hình 2.11 Cấu trúc mô hình ANFIS

Trong hình 2.11, mô hình ANFIS có thể có nhiều biến đầu vào khác nhau, trong luận án

này tác giả mô tả cấu trúc của mô hình ANFIS có 3 biến đầu vào còn với những cấu trúc

có số biến đầu vào khác thì cũng tương tự. Biến đầu vào 1 (được ký hiệu là biến x), biến

đầu vào 2 (được ký hiệu là biến y), biến đầu vào 3 (được ký hiệu là biến z); biến đầu ra

là yếu tố dự báo (chỉ số SPI, SPEI). Mỗi biến đầu vào có 3 hàm thuộc là (A1, A2), (B1,

B2), (C1, C2) tương ứng.

Quy tắc mờ Nếu-Thì (if-then) kiểu Sugeno-type cho biến đầu ra tuyến tính được thiết

lập như sau:

Quy tắc 1: Nếu x bằng A1, y bằng B1 , z bằng C1 thì:

(2-31)

Quy tắc 2: Nếu x bằng A2, y bằng B2 thì:

(2-32)

Trong công thức trên thì Ai, Bi, Ci là tập mờ (một tập mờ được xác định duy nhất bởi

hàm thuộc của nó); fi là hàm đầu ra của vùng mới; và pi, qi, ri, si là các hệ số kết quả

được xác định trong quá trình luyện mạng, i là biến chạy từ 1 đến 2.

Một hàm thuộc (membership function, MF) là một đường cong xác định độ mạnh của

một điểm  thuộc về một tập hợp, bằng cách chỉ định mức độ thuộc giữa 0 và 1,

. Có thể có một dạng hình MF, chẳng hạn như hình chuông MF,

Gaussian MF, hai mặt Gaussian MF, hình tam giác MF, hình thang MF, và hình dạng pi

MF. Trong luận án này sử dụng hàm thuộc là Gaussian MF. Hàm thuộc Gaussian MF

có dạng:

(2-33)

Trong đó, là giá trị của đầu vào đến nút ith; và là chiều rộng trung tâm đường

cong Gaussian của tập mờ tương ứng. và được gọi là các tham số tiền đề.

Các nút trong cùng một lớp có chức năng như nhau, như mô tả dưới đây:

Lớp đầu tiên của hình 2.11 chứa các nút thích nghi được đại diện bởi i, mà các kết quả

đầu ra được tính với hàm của nút là:

(2-34)

(2-35)

(2-36)

Trong đó , , và là các nhãm ngôn ngữ (ví dụ như “nhỏ”, “trung bình”, hoặc

“cao”) gắn với nút đó,

là hàm thuộc. Như vậy, O1, i đại diện cho cấp thuộc của một tập mờ Z’(= A1, A2, B1, B2, C1, C2), và xác định mức độ cho mỗi đầu vào x, y, z thảo mãn

tập mờ A.

Lớp thứ hai là lớp quy tắc. Mỗi nút trong lớp này có hình tròn, có nhãn là , được gọi

là các nút quy tắc. Một đầu ra từ các nút quy tắc đại diện cho một sản phẩm của các tín

hiệu đầu vào. Nghĩa là, nút cố định nhận các đầu vào từ các nút thích nghi tương ứng,

và mỗi giá trị đầu ra của nút biểu diễn cường độ của một quy tắc đã cho:

(2-37)

Trong lớp thứ ba, mỗi nút là một nút cố định hình tròn có nhãn là N. Số lượng các nút

trong lớp này là các nút số giống nhau trong lớp quy tắc. Nút thứ i trong lớp này được

tính là tỷ lệ của cường độ quy tắc của nút thứ I so với tổng tất cả các cường độ của các

quy tắc:

(2-38)

Trong lớp thứ tư, mỗi nút là một nút thích nghi hình vuông, có nhãn là Z. Số lượng các

nút trong lớp này giống như số nút trong lớp thứ ba. Đầu ra từ mỗi nút là giá trị kết quả

trọng số của một quy tắc nhất định:

(2-39)

Lớp thứ năm chỉ chứa một nút đầu ra, và được gọi là lớp tổng kết. Nút đơn này là một

nút hình tròn và được biểu thị là . Nút này tính tổng sản lượng của ANFIS, là tổng của

các đầu ra của tất cả các nút thích nghi trong lớp thứ tư:

(2-40)

Giá trị đầu ra của SPI hoặc SPEI được tính như sau:

SPI hoặc SPEI =

(2-41)

ANFIS sử dụng một thuật toán học lai để hiệu chỉnh mạng. Việc kết hợp thuật toán hồi

phục lại với thuật toán xấp xỉ hoặc thuật toán truyền lại được sử dụng trong thuật toán

học lai ghép để tối ưu hóa các tham số trong các lớp 1 và 4. Các chi tiết toán học của

các thuật toán được đưa ra trong nghiên cứu của J.-S.R. Jang, và cộng sự [101], P. C.

Nayak, và cộng sự [95] và UlkerGuner Bacanli, và cộng sự [88]. 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, toàn bộ quá trình dự báo

bằng mô hình ANFIS được mô tả như sơ đồ khối sau:

Hình 2.12 Sơ đồ khối của mô hình ANFIS

2.3.4.4 Thiết lập mô hình dự báo hạn khí tượng cho vùng nghiên cứu

(1) Cấu trúc của các mô hình dự báo

Biến đầu ra của các mô hình là SPI1, SPI3 và SPEI1, SPEI3 tại thời điểm t được ký là

SPIi(t) và SPEIi(t). Các biến đầu vào là SOI1, SOI3 và SSTA1, SSTA3 ở trước các biến

đầu ra SPIi(t) và SPEIi(t) là 2 và 3 bước thời được ký hiệu lần lượt là SOIi(t-2), SSTAi(t-

2) và SOIi(t-3), SSTAi(t-3); còn các biến đầu vào là SPI1, SPI3 và SPEI1, SPEI3 ở trước

các biến đầu ra SPIi(t) và SPEIi(t) là 1 và 2 bước thời được ký hiệu lần lượt là SPIi(t-1),

SPEIi(t-1) và SPIi(t-2), SPEIi(t-2). Trong đó chỉ số i biểu thị các thới đoạn tính toán khác

nhau (i = 1 biểu thì thới đoạn tính toán là 1 tháng, i = 3 biểu thì thới đoạn tính toán là 3

tháng).

Trong nghiên cứu này, tác giả đã thiết lập ra 5 mô hình dự báo (M1 đến M5) với cấu

trúc các biến đầu vào là SSTA, SOI và SPI, SPEI (1 và 3 tháng) khác nhau. Loại biến

và số lượng biến đầu vào của các mô hình được thể hiện chi tiết ở hình sau:

Hình 2.13 Cấu trúc của các mô hình dự báo

Để tiến hành dự báo các chỉ số SPI, SPEI với 5 mô hình có cấu trúc như trên, các chuỗi

dữ liệu được chia thành hai tập con (tập dữ liệu luyện mạng và kiểm định), tập dữ liệu

luyện mạng sử dụng số liệu từ năm 1985-2009. Để đạt được một sự đánh giá tin cậy hơn

và để so sánh chất lượng dự báo thì cần có một bộ dữ liệu để kiểm định không được sử

dụng trong quá trình luyện mạng, tập dữ liệu kiểm định sử dụng số liệu từ năm 2010-

2014.

Trong mỗi mô hình, mỗi biến đầu vào phải được nhóm vào một số giá trị trong lớp lớp

1, xây dựng các quy tắc mờ. Ngoài ra, mỗi quy tắc mờ sẽ được xây dựng thông qua một

số thông số của các hàm thành viên trong lớp 2 (hình 2.11). Vì số lượng các thông số

tăng lên cùng với quy luật thặng dư mờ, cấu trúc mô hình trở nên phức tạp hơn. Trong

nghiên cứu này, các chức năng phân nhóm phép trừ mờ được sử dụng để thiết lập các

quy tắc mờ, dựa trên các mối quan hệ giữa các biến số đầu vào-ra. Thủ tục đào tạo và

xây dựng các quy tắc được được sử bởi thuật toán lai để xác định các thông số đầu vào

và đầu ra tuyến tính phi tuyến.

(2) Đánh giá chất lượng dự báo, lựa chọn mô hình dự báo phù hợp cho vùng nghiên cứu

của các mô hình

Việc đánh giá chất lượng dự báo của các mô hình cho quá trình luyện mạng và kiểm

định các tập dữ liệu được đánh giá thông qua 3 thông số thống kê là:

 Hệ số RSR (RMSE -observations standard deviation ratio) là hệ số thống kê giữa sai

số căn quân phương (Root mean square error, RMSE) và độ lệch chuẩn của chuỗi số

liệu tính toán:

(2-42)

 Hệ số tương quan CORR (Correlation Coefficient)

(2-43)

 Hệ số hiệu quả E (Efficiency), hay còn gọi là chỉ số Nash

(2-44)

Trong đó: G’(i) là giá trị chỉ số hạn dự báo tại thời điểm i; G (i) là giá trị chỉ số hạn tính

toán tại thời điểm i; là giá trị chỉ số hạn trung bình của chuỗi số liệu tính toán;

là giá trị chỉ số hạn trung bình của chuỗi số liệu dự báo;  là độ lệch chuẩn của chuỗi số

liệu tính toán; n là số giá trị của chuỗi chỉ số hạn.

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 [103] (như bảng 2.4).

Bảng 2.4 Tiêu chí đánh giá chất lượng dự báo [103]

Xếp loại Rất tốt Tốt Đạt yêu cầu Không đạt RSR 0 ≤ RSR ≤ 0.5 0.5 < RSR ≤ 0.6 0.6 < RSR ≤ 0.7 RSR > 0.7 E 0.75 < E ≤ 1 0.65 < E ≤ 0.75 0.50 < E ≤ 0.65 E ≤ 0.5

Kết quả dự báo các chỉ số hạn SPI, SPEI (1 và 3 tháng) của quá trình luyện mạng từ năm

1985-2009 và quá trình kiểm định (2010-2014) được so sánh, đánh giá với các chỉ số

hạn SPI, SPEI (1 và 3 tháng) thực tế tính toán từ năm 1985-2014 thông qua 3 thông số

thống kê là CORR, E và RSR.

Một mô hình có chất lượng dự báo tốt khi cả chất lượng của quá trình luyện mạng và

kiểm định đều tốt. Mô hình dự báo phù hợp cho khu vực nghiên cứu được lựa chọn là

mô hình có chất lượng dự báo tốt nhất và đảm bảo tiêu chí đánh giá theo tiêu chuẩn của

WMO [103].

Dựa vào cấu trúc của 5 mô hình dự báo khác nhau (hình 2.13) và thuật toán của mạng

noron thích nghi mờ ANFIS (hình 2.11) tác giả tiến hành lập trình chương trình dự báo

hạn khí tượng cho vùng nghiên cứu trên ngôn ngữ lập trình Matlab (code chương trình

chạy của các mô hình được thể hiện ở phần Phụ lục 2.4).

Sơ đồ khối của chương trình dự báo hạn khí tượng cho vùng nghiên cứu được mô tả

trong hình 2.14. Các ký hiệu sử dụng trong sơ đồ: các điểm trên toàn vùng nghiên cứu

(grid) được ký hiệu là Gi, vùng nghiên cứu được chia ra làm 3752 điểm vì thế chỉ số i

sẽ là (i = 1 ÷ 3752); các mô hình dự báo được ký hiệu là Mj, trong nghiên cứu này có 5

mô hình vì thế chỉ số j sẽ là (j = 1 ÷ 5); các chỉ số hạn được ký hiệu là Ck, trong nghiên

cứu này có 4 loại chỉ số là SPI1, SPI3, SPEI1 và SPEI3 vì thế chỉ số k = 1 ÷ 4. Các chỉ

số SPI1, SPI3, SPEI1 và SPEI3 sẽ tương ứng với ký kiệu là C1, C2, C3, C4.

Hình 2.14 Sơ đồ khối của chương trình dự báo hạn khí tượng

2.4 Kết luận chương 2

(1) Vùng DHMT là một trong những vùng thường xảy ra hạn hán, trong 35 năm từ 1980

đến 2014 đã xảy ra 5 đợt hạn điển hình, hạn hán xảy ra ở cả 3 vụ. Đợt hạn nặng nhất là

năm 1998, sau đó đến năm 1993, 2005, 2010 và 1988. Thời kỳ hạn căng thẳng nhất ở

DHMT 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.

(2) Sự thay đổi SST và SOI 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 động xích đạo-

nhiệt đới TBD, làm biến đổi thời tiết ở bán đảo Đông Dương trong đó có vùng nghiên

cứu.

(3) Phân tích và sử dụng số liệu mưa và nhiệt độ tại 27 trạm khí tượng trong vùng nghiên

cứu, đã thu thập số liệu SSTA tại vùng Nino3.4 và số liệu chỉ số SOI từ Cục Khí quyển

và Đại dương Mỹ (NOAA). Các số liệu này đều đảm bảo độ tin cậy để tính toán.

(4) Lựa chọn được hai chỉ số hạn khí tượng dùng trong nghiên cứu là chỉ số chuẩn hóa

lượng mưa (SPI) và chỉ số chuẩn hóa lượng mưa và bốc hơi (SPEI). Trong đó chỉ số

SPEI là chỉ số chưa được áp dụng và nghiên cứu rộng rãi ở Việt Nam cũng như vùng

vùng DHMT.

(5) Phương pháp đánh giá diễn biến hạn hán của vùng nghiên cứu trong các đợt xảy ra

El Nino và phương pháp phân tích mối 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.

(6) Lựa chọn được phương pháp dự báo hạn khí tượng là mạng noron thích nghi mờ

(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.

(7) Thiết lập được 5 mô hình dự báo với biến và số biến đầu vào khác nhau, chất lượng

dự báo của 5 mô hình này được so sánh, đánh giá để tìm ra mô hình dự báo phù hợp cho

vùng nghiên cứu. Đồng thời đã đưa ra sơ đồ các bước lập trình chương trình dự báo hạn

khí tượng cho vùng nghiên cứu trên ngôn ngữ lập trình Matlab.

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

Từ kết quả tính toán các chỉ số hạn SPI, SPEI theo kết quả nội suy lượng mưa, nhiệt độ

và quả tính toán các chỉ số hạn SPI, SPEI theo số liệu lượng mưa, nhiệt độ thực đo tại 4

trạm khí tượng dùng để kiểm định (từ năm 1985 đến năm 2014), thì kết quả tính toán độ

tin cậy của phép nội suy như bảng sau:

Bảng 3.1. Độ tin cậy của phép nội suy mưa và nhiệt độ (%)

Theo chỉ số SPI Theo chỉ số SPEI

Trạm

SPI1 (360 giá trị) SPI3 (358 giá trị) SPEI1 (360 giá trị) SPEI3 (358 giá trị)

83,3 85,2 86,1 88,0 Hà Tĩnh (300/360) (305/358) (310/360) (315/358)

75,0 79,3 77,8 79,3 A Lưới (270/360) (284/358) (280/360) (284/358)

72,2 73,5 75,0 76,3 Đà Nẵng (260/360) (263/358) (270/360) (273/358)

86,1 88,3 87,5 88,8 Nha Hố (310/360) (316/358) (315/360) (318/358)

Từ kết quả của bảng trên cho thấy độ tin cậy của phép nội suy tại trạm Nha Hố và trạm

Hà Tĩnh là cao hơn trạm A Lưới và Đà Nẵng (cao nhất là trạm Nha Hố và thấp nhất là

trạm Đà Nẵng).

Từ hình 2.5 (chương 2) cho thấy mật độ số trạm để tính nội suy cho trạm Nha Hố và

trạm Hà Tĩnh là lớn hơn so với trạm A Lưới và Đà Nẵng, hơn nữa tại vị trí trạm A Lưới

và Đà Nẵng lại bị chia cắt địa hình lớn bởi Dãy Bạch Mã. Điều này cho thấy kết quả

tính toán độ tin cậy của phép nội suy là khá phù hợp với mật độ trạm và địa hình của

khu vực nghiên cứu.

Cũng từ kết quả của bảng 3.1 cho thấy độ tin cậy của phương pháp nội suy lượng mưa

và nhiệt độ chưa được cao, đặc biệt là ở những vùng có mật độ số trạm dùng để nội suy

ít và bị chia cắt địa hình lớn. Tuy nhiên, độ tin cậy của phương pháp nội suy đều lớn

hơn 70%. Vì thế có thể dùng phương pháp nội suy này 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

Chỉ số bình quân hạn hán theo chỉ số SPI và SPEI cho vùng BTB, NTB và toàn vùng

DHMT được tính bằng trung bình hóa các chỉ số SPI và SPEI theo ô lưới cho từng tháng.

Trong hình 3.1 và 3.2 diễn tả xu thế diễn biến hạn hán lần lượt của các chỉ số SPI, SPEI

1 tháng và SPI, SPEI 3 tháng của vùng BTB. Hình 3.3 và 3.4 diễn tả xu thế diễn biến

hạn hán lần lượt của các chỉ số SPI, SPEI 1 tháng và SPI, SPEI 3 tháng của vùng NTB.

Trong hình 3.5 và hình 3.6 diễn tả xu thế diễn biến hạn hán lần lượt của các chỉ số SPI,

SPEI 1 tháng và SPI, SPEI 3 tháng của toàn vùng DHMT.

Hình 3.1 Diễn biến hạn hán vùng BTB theo chỉ số SPI1 và SPEI1

Hình 3.2 Diễn biến hạn hán vùng BTB theo chỉ số SPI3 và SPEI3

Hình 3.3 Diễn biến hạn hán vùng NTB theo chỉ số SPI1 và SPEI1

Hình 3.4 Diễn biến hạn hán vùng NTB theo chỉ số SPI3 và SPEI3

Hình 3.5 Diễn biến hạn hán toàn vùng DHMT theo chỉ số SPI1 và SPEI1

Hình 3.6 Diễn biến hạn hán toàn vùng DHMT theo chỉ số SPI3 và SPEI3

Theo kết quả từ hình 3.1 đến hình 3.6, có thể nhận thấy 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 là hạn hán xảy ra trong thời gian dài ở cả 3 vụ và tỷ lệ diện tích bị hạn trên

tổng diện tích gieo cấy lớn. Các chỉ số hạn theo thời đoạn 1 tháng, tần suất xảy ra hạn

nhiều hơn so với chỉ số hạn theo thời đoạn 3 tháng. Tuy nhiên, quãng thời gian xảy ra

hạn theo thời đoạn 1 tháng lại ngắn hơn so với quãng thời gian xảy ra hạn theo thời đoạn

3 tháng. Đối với chỉ số SPI, đợt hạn 2004-2005 dường như là giai đoạn hạn nặng nhất

với nhiều tháng chỉ số âm lớn và liên tục cho cả hai thời đoạn 1 tháng và 3 tháng. Ngược

lại, chỉ số SPEI phát hiện thấy giai đoạn 1997-1998 là giai đoạn hạn nặng nhất, giai đoạn

2004-2005 cũng xuất hiện hạn nặng nhưng cường độ không lớn như giai đoạn 1997-

1998. Trong thực tế thì đợt hạn 1997-1998 là đợt xảy ra hạn nặng nhất với 180836ha bị

hạn và 51130 ha bị mất trắng.

Trong đợt hạn năm 1988, 1993 và 2005, chỉ số SPI3 và SPEI3 đều thể hiện hạn hán diễn

ra trong thời gian dài mức độ hạn hán là tương đương nhau, chỉ xảy ra hạn trung bình,

sự phản ánh này khá phù hợp với thực tế, nhưng theo chỉ số SPI1 thì mức độ hạn hán

lớn hơn chỉ số SPEI1 ngược lại thời gian xảy ra hạn hán lại ngắn hơn. Trong đợt hạn

hán năm 1998 và 2010, thì các chỉ số SPEI1 và SPEI3 đều cho thấy thời gian xảy ra hạn

hán và mức độ hán lớn hơn các chỉ số SPI1 và SPI3. Theo SPEI1 và SPEI3 thì trong hai

đợt hạn này có xảy ra hạn nặng trong khi theo SPI1 và SPI3 thì không xuất hiện hạn

nặng, nhưng theo thống kê thì trong hai đợt hạn này vùng nghiên cứu xảy ra hạn nặng

nhất, đặc biệt là năm 1998 có đến 51130ha diện tích trồng trọt bị mất trắng.

Chi tiết diễn biến hạn hán vùng DHMT theo các chỉ số hạn tại 27 trạm khí tượng đại

SPI1

SPEI1

SPI3

SPEI3

n ạ h

ị b g n á h t

ố S

0 Năm

9 8 9 1

2 0 0 2

9 0 0 2

5 8 9 1

6 8 9 1

7 8 9 1

8 8 9 1

0 9 9 1

1 9 9 1

2 9 9 1

3 9 9 1

4 9 9 1

5 9 9 1

6 9 9 1

7 9 9 1

8 9 9 1

9 9 9 1

0 0 0 2

1 0 0 2

3 0 0 2

4 0 0 2

5 0 0 2

6 0 0 2

7 0 0 2

8 0 0 2

0 1 0 2

1 1 0 2

2 1 0 2

3 1 0 2

4 1 0 2

diện được thể hiện ở Phụ lục 3.1.

Hình 3.7 Số tháng xảy ra hạn hán theo các chỉ số hạn

Ghi chú: Số tháng xảy ra hạn hán là những tháng mà giá trị các chỉ số SPI1, SPI3,

SPEI1 và SPEI3 nhỏ hơn hoặc bằng -0,5 (theo tiêu chuẩn phân cấp hạn hán ở bảng

2.3); và được xác định từ hình 3.5 và 3.6.

Từ kết quả của hình 3.7 cho thấy số tháng xảy ra hạn hán ở hầu hết các năm thì theo chỉ

số SPEI3 là lớn nhất, sau đó đến chỉ số SPI3, SPEI1 và thấp nhất là chỉ số SPI1. Vào

những năm hạn điển hình (hạn hán thực tế xảy ra ở cả 3 vụ là năm 1988, 1993, 1998,

2005, 2010) thì số tháng xảy ra hạn của cả 4 chỉ số trên đều lớn, số tháng xảy ra hạn đều

lớn hơn 5 tháng. Nhưng, theo chỉ số SPEI3 là lớn nhất số tháng xảy hạn đều lớn hơn 6

tháng đặc biệt là vào năm 1988 số tháng xảy ra hạn là 10 tháng liên tiếp từ tháng 1 đến

tháng 10. Điều này cho thấy số tháng xảy ra hạn hán của cả 4 chỉ số đều tương đối phù

hợp với số tháng xảy ra hạn hán trong thực tế nhưng chỉ số SPEI3 số tháng xảy ra là lớn

nhất và phù hơn so với các chỉ số khác.

)

1993 2005

(

1988 1998 2010

n ạ h

ị b

h c í t

n ệ i d ệ l ỷ T

100 90 80 70 60 50 40 30 20 10 0 Tháng

T10 T11 T12

)

(

1993 2005

1988 1998 2010

n ạ h

ị b

h c í t

n ệ i d

ệ l ỷ T

100 90 80 70 60 50 40 30 20 10 0 Tháng

T10 T11 T12

Hình 3.8 Tỷ lệ DT hạn theo từng tháng của 5 năm hạn điển hình theo chỉ số SPEI1

Hình 3.9 Tỷ lệ DT hạn theo từng tháng của 5 năm hạn điển hình theo chỉ số SPEI3

Ghi chú: Tỷ lệ diện tích hạn là tỷ lệ diện tích có giá trị các chỉ số SPI1, SPI3, SPEI1 và

SPEI3 nhỏ hơn hoặc bằng -0,5 (theo tiêu chuẩn phân cấp hạn hán ở bảng 2.3) so với

tổng diện tích của vùng DHMT.

Diễn biến diện tích hạn theo từng tháng của 5 năm hạn điển hình (1988, 1993, 1998,

2005, 2010) theo chỉ số SPEI1 và SPEI3 được thể hiện ở hình 3.8 và hình 3.9. Có thể

thấy rằng hạn hán xảy ra ở tất cả các tháng rất phù hợp với tình hình hạn thực tế là trong

các năm này hạn hán xảy ra ở cả 3 vụ. Nhưng theo chỉ số SPEI1 thì tỷ lệ diện tích hạn

hán xảy ra từ tháng 1 đến tháng 8 không có sự khác biệt đáng kể, còn từ tháng 9 đến

tháng 12 tỷ lệ diện tích xảy ra hạn cũng tương đối lớn đặc biệt là những năn 1988, 1993,

2010. Trong khi đó theo chỉ số SPEI3 thì tỷ lệ diện tích hạn hán xảy ra chủ yếu từ tháng

1 đến tháng 9, tháng 6 và 7 có tỷ lệ diện tích hạn lớn nhất trong năm, còn các tháng 10,

11, 12 có xảy ra hạn nhưng tỷ lệ diện tích xảy ra hạn nhỏ hơn các tháng khác rất nhiều.

Tuy nhiên, theo diễn biến hạn hán trong thực tế của vùng nghiên cứu thì hạn hán xảy ra

trong vụ hè thu là lớn nhất và chủ yếu xảy trong tháng 6 vá tháng 7, điều này cho thấy

trong các năm hạn điển hình thì chỉ số SPEI3 phản ánh diễn biến hạn hán phù hợp với

thực tế hơn chỉ số SPEI1.

Chỉ số SPI1 và SPEI1 phản ánh tình trạng hạn hán của tháng hiện tại từ chính tình trạng

thiếu hụt lượng mưa của tháng đó, còn chỉ số SPI3 và SPEI3 lại phản ánh tình trạng hạn

hán của tháng hiện tại từ sự thiếu hụt lượng mưa tích lũy từ những tháng trước và của

cả tháng đó. Vì thế, khi sử dụng các chỉ số hạn này để đánh giá diễn biến hạn hán của

vùng nghiên cứu thì chỉ số SPI3 và SPEI3 phản ánh diễn biến hạn hán của vùng nghiên

cứu phù hợp với tình trạng hạn hán trong sản xuất nông nghiệp hơn chỉ số SPI1 và

SPEI1.

Từ những phân tích ở trên cho thấy 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

Phương pháp vùng hạn không kề giáp nhau (NCDA) tính được diện tích hạn theo các

cấp độ hạn nhẹ, hạn vừa, hạn nặng, và hạn rất nặng theo từng tháng của khu vực nghiên

cứu. Diện tích hạn từng năm được tính từ trung bình từ tổng diện tích các cấp độ hạn

của các tháng trong năm đó, 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 hình 3.10 và hình 3.11.

)

Tỷ lệ DT hạn theo chỉ số SPI1 Tỷ lệ DT hạn theo chỉ số SPEI1 Tỷ lệ DT hạn thực tế theo SXNN

(

( I E P S

, I P S ố s ỉ h c

N N X S o e h T

o e h T

Năm

3 9 9 1

5 9 9 1

5 8 9 1

7 8 9 1

9 8 9 1

1 9 9 1

7 9 9 1

9 9 9 1

1 0 0 2

3 0 0 2

5 0 0 2

7 0 0 2

9 0 0 2

1 1 0 2

3 1 0 2

)

Tỷ lệ DT hạn theo chỉ số SPI3 Tỷ lệ DT hạn theo chỉ số SPEI3 Tỷ lệ DT hạn thực tế theo SXNN

(

( I E P S

, I P S ố s ỉ h c

N N X S o e h T

o e h T

90 80 70 60 50 40 30 20 10 0

Năm

9 9 9 1

5 0 0 2

5 8 9 1

7 8 9 1

9 8 9 1

1 9 9 1

3 9 9 1

5 9 9 1

7 9 9 1

1 0 0 2

3 0 0 2

7 0 0 2

9 0 0 2

1 1 0 2

3 1 0 2

Hình 3.10 Tỷ lệ DT hạn hán theo chỉ số SPI1, SPEI1 và thực tế sản xuất nông nghiệp của vùng DHMT

Hình 3.11 Tỷ lệ DT hạn hán theo chỉ số SPI3, SPEI3 và thực tế sản xuất nông nghiệp của vùng DHMT

Theo kết quả tại hình 3.10 và 3.11 cho thấy, theo các chỉ số SPI và SPEI thì tỷ lệ diện

tích xảy ra hạn lớn nhất là các năm 1988, 1993, 1998, 2005 và 2010 trùng với các năm

có tỷ lệ diện tích bị hạn lớn nhất theo thực tế SXNN. Theo chỉ số SPI và SPEI thì năm

1998 là năm có tỷ lệ diện tích hạn lớn nhất, trong khi theo thực tế SXNN thì năm 1993

mới là năm có tỷ lệ diện tích bị hạn lớn nhất, nhưng năm 1998 là năm xảy ra hạn nặng

nhất với tỷ lệ diện tích bị mất trắng cao nhất. 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.

Hình 3.12 Tần suất (%) xảy ra hạn của các chỉ số theo không gian

Ghi chú: Tần suất xảy ra các cấp hạn theo không gian là tỷ lệ giữa tổng số tháng xảy

có giá trị các chỉ số nhỏ hơn hoặc bằng giá trị của cấp hạn đó (theo tiêu chuẩn phân

cấp hạn hán ở bảng 2.3) so vởi tổng số tháng trong chuỗi tài liệu tính toán tại các ô lưới

theo không gian.

Hình 3.12 thể hiện tần suất xảy ra hạn của các chỉ số theo không gian. Từ kết quả của

hình này cho thấy tần suất xảy ra hạn của cả vùng nghiên cứu thì theo chỉ số SPEI là lớn

hơn so với chỉ số SPI. Theo chỉ số SPI thì tần suất xảy ra hạn lớn nhất ở tỉnh Quảng

Nam rồi đến Quảng Trị, Quảng Bình, Khánh Hòa và thấp nhất là tỉnh Bình Thuận, còn

theo chỉ số SPEI thì tần suất xảy ra hạn lớn nhất ở tỉnh Quảng Nam rồi đến Khánh Hòa,

Quảng Bình, Quảng Trị và thấp nhất là phía bắc tỉnh Nghệ An.

Tần suất xảy ra các cấp hạn của các chỉ số được thể hiện ở các hình sau:

Hình 3.13 Tần suất (%) xảy ra các cấp hạn của chỉ số SPI1 theo không gian

Hình 3.14 Tần suất (%) xảy ra các cấp hạn của chỉ số SPEI1 theo không gian

Hình 3.15 Tần suất (%) xảy ra các cấp hạn của chỉ số SPI3 theo không gian

Hình 3.16 Tần suất (%) xảy ra các cấp hạn của chỉ số SPEI3 theo không gian

Theo kết quả của các hình 3.13, 3.14, 3.15 và 3.16 cho thấy tần suất xảy ra hạn nhẹ và

hạn rất nặng theo không gian thì không có sự khác biệt lớn giữa các chỉ số. Nhưng tần

suất xảy ra hạn vừa và hạn nặng theo không gian thì có sự khác biệt lớn, theo chỉ số SPI

thì tấn suất xảy ra ở vùng BTB lớn hơn còn theo chỉ số SPEI thì vùng NTB lớn hơn.

Theo số liệu thống kê của Tổng cục thủy lợi thì vùng BTB hạn hán thường xảy ra ở vụ

Đông xuân (tập trung vào các tháng 3, 4) và vụ Hè thu (tập trung vào các tháng 7, 8),

còn vùng NTB thì hạn vụ Đông xuân gần như không xuất hiện chủ yếu hạn xảy ra ở vụ

hè thu (tập trung chủ yếu vào tháng 6, 7). Kết quả tần suất xảy ra hạn theo không gian

của các chỉ số hạn ở các tháng 3, 4, 6, 7 và 8 được thể hiện ở các hình sau:

Hình 3.17 Tần suất (%) xảy ra hạn vào tháng 3 của các chỉ số theo không gian

Hình 3.18 Tần suất (%) xảy ra hạn vào tháng 4 của các chỉ số theo không gian

Hình 3.19 Tần suất (%) xảy ra hạn vào tháng 6 của các chỉ số theo không gian

Hình 3.20 Tần suất (%) xảy ra hạn vào tháng 7 của các chỉ số theo không gian

Hình 3.21 Tần suất (%) xảy ra hạn vào tháng 8 của các chỉ số theo không gian

Theo kết quả từ các hình trên thì các chỉ số đều phản ánh tần suất xảy ra hạn vào tháng

3, 4 ở vùng BTB đều lớn hơn vùng NTB, tần suất xảy ra hạn giữa các vùng của khu vực

nghiên cứu có sự khác biệt lớn, có nơi tần suất xảy ra hạn lên đến 47%, nhưng có nơi

thì không xảy ra hạn, trong đó tỉnh Quảng Nam có tần suất xảy ra hạn lớn nhất, ngược

lại tỉnh Bình Thuận là thấp nhất. Trong khi đó vào các tháng 6, 7, 8 thì tần suất xảy ra

hạn của cả vùng nghiên cứu đều lớn, nơi có tần suất nhỏ nhất là 17%, nơi có tần suất lớn

nhất là 48% và tần suất xảy ra hạn ở vùng NTB lớn hơn vùng BTB. Tần suất xảy ra hạn

lớn nhất vào tháng 6 là các tỉnh Quảng Nam, Khánh Hòa và Ninh Thuận, vào tháng 7 là

các tỉnh Quảng Nam và Ninh Thuận, vào tháng 8 là các tỉnh Quảng Bình, Quảng Trị và

Khánh Hòa. Điều này cho thấy vào các tháng mà vùng nghiên cứu thường xảy ra hạn

hán thì các chỉ số đã phản ánh diễn biến hạn hán theo không gian khá phù hợp với tình

hình hạn hán thực tế.

Phân bố cấp hạn tháng 6, 7 theo không gian vào những năm hạn điển hình (1988, 1993,

1998, 2005, 2010) được thể hiện ở các hình sau:

Hình 3.22 Phân bố cấp hạn vào tháng 6, 7 năm 1988

Hình 3.23 Phân bố cấp hạn vào tháng 6, 7 năm 1993

Hình 3.24 Phân bố cấp hạn vào tháng 6, 7 năm 1998

100

Hình 3.25 Phân bố cấp hạn vào tháng 6, 7 năm 2005

101

Hình 3.26 Phân bố cấp hạn vào tháng 6, 7 năm 2005

Từ kết quả của các hình trên cho thấy vào những năm hạn điển hình thì diện tích và

cường độ hạn theo chỉ số SPI ít hơn nhiều so với chỉ số SPEI. Lý giải cho điều này là

do chỉ số SPEI kết hợp cả hai yếu tố mưa và nhiệt độ trong công thức của mình. Mà

trong các năm hạn điển hình là những năm El Nino hoạt động mạnh gây ra hiện tượng

tăng nhiệt độ bề mặt toàn cầu trong nhiều tháng. Nền nhiệt độ của vùng DHMT cũng bị

ảnh hưởng, gây ra tỉ lệ diện tích hạn cũng như cường độ hạn tăng cao dựa trên cách tính

của chỉ số SPEI. Trong khi đó, không có yếu tố nhiệt độ trong công thức, SPI không

phát hiện được tỉ lệ diện tích hạn lớn.

102

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

Chỉ số bình quân hạn hán theo chỉ số SPI và SPEI cho toàn vùng DHMT được tính bằng

trung bình hóa các chỉ số SPI và SPEI theo ô lưới cho từng tháng. Trong hình 3.27 và

hình 3.28 diễn tả diễn biến hạn hán lần lượt của các chỉ số SPI, SPEI 1 tháng, SPI, SPEI

3 tháng và các thời kỳ xảy ra ENSO.

Hình 3.27 Giá trị SPI, SPEI-1 trong các thời kỳ xảy ra ENSO (1985-2014)

Hình 3.28 Giá trị SPI, SPEI-3 trong các thời kỳ xảy ra ENSO (1985-2014)

Theo kết quả ở hình 3.27 và hình 3.28, có thể nhận thấy hầu hết 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 ra các đợt El Nino. Trong các thời kỳ

xảy ra El Nino thì thời kỳ từ 5/1997 ÷ 5/1998 là thời kỳ hạn xảy ra nặng nhất với nhiều

tháng chỉ số âm lớn và liên tục, sau đó là thời kỳ 7/2004 ÷ 4/2005, và thời kỳ 6/2002 ÷

2/2003 là hạn xảy ra nhẹ hơn cả. Trong thực tế thì đợt hạn 1997-1998 cũng là đợt xảy

103

ra hạn nặng nhất với 180836(ha) bị hạn và 51130(ha) bị mất trắng.

Mức độ hạn hán của vùng nghiên cứu trong các thời kỳ xảy ra El Nino được xác định

bằng giá trị cực tiểu và số tháng xảy ra hạn của các chỉ số SPI, SPEI trong thời kỳ đó.

Giá trị cực tiểu của các chỉ số hạn, và số tháng xảy ra hạn (giá trị của SPI, SPEI ≤ -0.5)

trong các thời kỳ xảy ra El Nino được thống kê trong các bảng 3.2 và 3.3.

Bảng 3.2 Giá trị nhỏ nhất của SPI, SPEI trong các thời kỳ phát sinh El Nino

Thời kỳ phát sinh El Nino Giá trị nhỏ nhất của SPI, SPEI

1986/9

1988/2

Từ tháng Đến tháng Tổng số tháng

1991/6

1992/7

SPI1 -1.5 SPEI1 -1.36 SPI3 -1.1 SPEI3 -1.19

1994/10

1995/3

-1.4 -1.09 -1.4 -1.27

1997/5

1998/5

-0.6 -0.53 -0.6 -0.66

2002/6

2003/2

-0.9 -1.4 -1.0 -1.66

2004/7

2005/4

-0.6 -0.62 -0.2 -0.94

2006/9

2007/1

-1.3 -1.22 -1.2 -1.38

2009/7

2010/4

-1.20 -1.57 -1.3 -1.32

2014/11

2014/12

-1.1 -1.53 -1.1 -1.52

-0.4 -0.74 -1.2 -1.31

Bảng 3.3 Tổng số tháng xảy ra hạn hán trong các thời kỳ phát sinh El Nino theo chỉ số SPI, SPEI

Thời kỳ phát sinh El Nino

1986/9

1988/2

Từ tháng Đến tháng Tổng số tháng Tổng số tháng xảy ra hạn hán (SPI, SPEI ≤ -0.5) SPEI1 SPI3 SPI1 SPEI3

1991/6

1992/7

6 5 8 9

1994/10

1995/3

1997/5

1998/5

2002/6

2003/2

6 4 5 5

2004/7

2005/4

2006/9

2007/1

2 3 2 1 7 2 3 6 0 3 8 2

2009/7

2010/4

2014/11

2014/12

6 2 5 2 7 3 7 4

5 0 6 1 3 1 5 3

Từ bảng 3.2 và 3.3 cho thấy trong các thời kỳ xảy ra El Nino thì mức độ hạn hán của

vùng nghiên cứu theo chỉ số SPEI3 là lớn nhất, sau đó đến SPEI1, SPI3 và thấp nhất là

104

SPI1.

Mức độ dị thường của hạn hán được xác định bằng giá trị cực tiểu của các chỉ số SPI,

SPEI trong toàn liệt số liệu (1985 ÷ 2014). Theo kết quả của bảng 3.1 và 3.2 thì giá trị

cực tiểu của SPI1 là -1.5 rơi vào tháng 12/1987, SPEI1 là -1.57 rơi vào tháng 11/2006,

SPI3 là -1.5 rơi vào tháng 10/2004, SPEI3 là -1.66 rơi vào tháng 3/1988. Điều này cho

thấy hạn nặng xảy ra trong vùng nghiên cứu đều rơi vào các thời điểm xảy ra El Nino.

Từ kết quả và phân tích ở trên cho thấy mức độ ảnh hưởng của hiện tượng El Nino đến

hạn hán của vùng nghiên cứu là tương đối lớn, khi xảy ra một đợt El Nino thì vùng

nghiên cứu sẽ phát sinh một đợt hạn hán kéo dài trong nhiều tháng, giá trị âm của các

chỉ số hạn lớn, nhưng thời điểm của các đợt hạn hán thường xảy ra muộn hơn (trễ hơn)

thời điểm xảy 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.

105

Hệ số tương quan giữa SSTA1 với SPI1, SPEI1

2 (*) 3 (*) 4 (*) 5 (*)

Độ trễ j (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

2 (*) 3 (*) 4 (*) 5 (*)

Độ trễ j (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

1 (*) 2 (*) 3 (*) 4 (*)

Độ trễ j (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

1 (*) 2 (*) 3 (*) 4 (*)

Độ trễ j (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

Bảng 3.4 Hệ số tương quan trung bình giữa SSTA, SOI với các chỉ số SPI, SPEI

Ghi chú: * Mối tương quan có độ tin cậy trên 90%

Từ kết quả của bảng 3.4 cho thấy tương quan giữa SSTA và SOI với chỉ số SPI và SPEI

đều như nhau và tương quan giữa SSTA, SOI với các chỉ số SPI3 và SPEI3 là lớn hơn

so với các chỉ số SPI1 và SPEI1, nhưng tương quan giữa SOI với các chỉ số SPI, SPEI

lớn hơn so với tương quan giữa SSTA với các chỉ số SPI, SPEI. Tương quan giữa SSTA

với các chỉ số SPI, SPEI là mối tương quan nghịch, còn tương quan giữa SOI với các

chỉ số SPI, SPEI là mối tương quan thuận, điều này phù hợp với quy luật của thời tiết,

khí hậu ở vùng xích đạo-nhiệt đới TBD là khi SST ở vùng Nino3.4 tăng thì El Nino xảy

ra đồng thời với SO âm tính sẽ gây ra hạn hán nghiêm trọng cho vùng phía tây TBD.

Cũng từ kết quả từ bảng 3.4 cho thấy 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). Điều này cho

106

thấy khi SST ở vùng Nino3.4 tăng (SSTA dương) và SOI âm tính đều có quan hệ tuyến

tính với diễn biến hạn hán của khu vực nghiên cứu, đặc biệt là khi SST ở vùng Nino3.4

tăng (SSTA ≥ 0.5 dẫn đến phát sinh El Nino) thì khả năng lớn sẽ phát sinh hạn hán cho

vùng nghiên cứu nhưng thời điểm phát sinh hạn hán thường trễ hơn từ 2 đến 3 tháng.

Kết quả mối tương quan giữa SSTA, SOI và các chỉ số SPI, SPEI với các độ trễ khác

nhau (độ trễ j = 1 ÷ 12 tháng) được thể hiện ở Phụ lục 3.2. Mối quan hệ giữa SSTA với

các chỉ số SPI, SPEI có hệ số tương quan cao nhất với độ trễ là 3 tháng (j = 3 tháng)

theo không gian được thể hiện ở hình 3.29, mối quan hệ giữa SOI với các chỉ số SPI,

SPEI có hệ số tương quan cao nhất với độ trễ là 2 tháng (j = 3 tháng) theo không gian

được thể hiện ở hình 3.30.

Hình 3.29 Tương quan giữa SSTA với các chỉ số SPI, SPEI theo không gian (với độ trễ j = 3 tháng)

107

Hình 3.30 Tương quan giữa SOI với các chỉ số SPI, SPEI theo không gian (với độ trễ j = 2 tháng)

Từ kết quả của mối tương quan giữa SSTA, SOI và các chỉ số hạn SPI, SPEI cho thấy

theo không gian thì tương quan giữa SSTA, SOI với các chỉ số hạn có sự khác biệt lớn

giữa các điểm trong vùng nghiên cứu, nhưng có một đặc điểm chung là với độ trễ từ 1

đến 6 tháng thì tương quan giữa SSTA, SOI với các chỉ số hạn ở vùng Nam Trung Bộ

lớn hơn nhiều so với vùng Bắc Trung Bộ, trong khi đó với độ trễ từ 7 đến 12 tháng thì

ngược lại, nhưng độ chênh lại không lớn. Tương quan giữa SSTA với chỉ số hạn có giá

trị lớn nhất ở tỉnh Bình Thuận và Quảng Nam (hệ số tương quan là 0,43 với độ trễ j = 3

tháng), nhỏ nhất là ở các tỉnh Thanh Hóa, Nghệ An và Hà Tĩnh. Còn tương quan giữa

SOI với chỉ số hạn có giá trị lớn nhất ở các tỉnh Khánh Hòa, Ninh Thuận và Bình Thuận

(hệ số tương quan là 0,462 với độ trễ là j = 2 tháng), nhỏ nhất là ở các tỉnh Thanh Hóa,

Nghệ An và Hà Tĩnh. Thông qua kết quả mối tương quan giữa SSTA, SOI với các chỉ

số hạn theo không gian cho thấy mối quan hệ và ảnh hưởng của El Nino tới diễn biến

hạn hán của vùng Nam Trung Bộ là lớn hơn so với vùng Bắc Trung Bộ đặc biệt là các

tỉnh Quảng Nam, Khánh Hòa, Ninh Thuận và Bình Thuận.

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 khí tượng cho vùng nghiên cứu

Kết quả các thông số thống kê (CORR, E và RSR) của các mô hình dự báo SPI, SPEI

được tính trung bình cho toàn bộ khu vực nghiên cứu được thể hiện ở bảng sau:

108

SPI1

SPEI1

Quá trình kiểm đinh

Quá trình luyện mạng

Quá trình kiểm đinh Mô hình

Mô hình

CORR E

RSR CORR E RSR

CORR E

RSR CORR E

RSR

0.33 0.11 0.94

0.06 0.97 M1

0.38 0.14 0.92

0.45 0.13 0.93

0.26

0.38 0.15 0.92

0.05 0.97 M2

0.46 0.22 0.89

0.35 0.09 0.96

0.29

0.56 0.31 0.83

0.12 0.94 M3

0.63 0.40 0.77

0.40 0.14 0.93

0.36

0.82 0.67 0.58

0.21 0.89 M4

0.83 0.68 0.56

0.48 0.18 0.91

0.46

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

Quá trình kiểm đinh

Quá trình luyện mạng

Quá trình kiểm đinh Mô hình

Mô hình

CORR E

RSR CORR E RSR

CORR E

RSR CORR E

RSR

0.53 0.28 0.85

0.24 0.87 M1

0.60 0.36 0.80

0.77 0.32 0.82

0.52

0.58 0.34 0.81

0.28 0.85 M2

0.64 0.41 0.77

0.78 0.36 0.80

0.60

0.76 0.57 0.65

0.12 0.94 M3

0.76 0.57 0.65

0.78 0.46 0.73

0.42

0.90 0.81 0.44

0.38 0.79 M4

0.91 0.82 0.42

0.82 0.68 0.56

0.63

1.00 0.99 0.08

0.34 0.81 M5

1.00 0.99 0.07

0.74 0.53 0.69

0.60

Bảng 3.5 Đánh giá chất lượng dự báo các chỉ số hạn của các mô hình

Từ kết quả của các thông số thống kê (CORR, E và RSR) trên cho thấy chất lượng dự

báo của quá trình luyện mạng đều tốt hơn trong quá trình kiểm định, chất lượng dự báo

của quá trình luyện mạng tăng dần từ mô hình M1 đến M5, nhưng chất lượng dự báo

của quá trình kiểm định lại tăng từ mô hình M1 đến M4 đến mô hình M5 thì lại giảm và

chất lượng dự báo của các mô hình cho chỉ số SPEI3 là tốt nhất.

Cũng từ kết quả của bảng trên cho thấy chỉ có các mô hình dự báo theo chỉ số SPEI3

(M4 và M5) là đảm bảo tiêu chí đánh giá theo tiêu chuẩn của WMO (bảng 2.4), theo

tiêu chí này thì mô hình M5 ở mức đạt yêu cầu, trong khi đó mô hình M4 ở mức tốt.

Như vậy có thể nói mô hình M4 dự báo chỉ số SPEI3 là mô hình có chất lượng dự báo

là tốt nhất, kết quả so sánh chất lượng dự báo của các mô hình theo chỉ số SPEI3 được

thể hiện ở hình sau:

109

Hình 3.31 So sánh chất lượng dự báo theo chỉ số SPEI3 giữa các mô hình

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 toàn vùng nghiên cứu được thể hiện ở hình

Hình 3.32 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 cho toàn vùng

Theo kết quả ở hình trên, có thể nhận thấy vào các năm hạn điển hình (1988, 1993, 1998,

2005, 2010) thì kết quả dự báo giá trị chỉ số SPEI3 khá sát với thực tế, nhưng vào những

năm ẩm ướt (chỉ số SPEI dương) thì kết quả dự báo giá trị chỉ số SPEI3 chưa sát với

thực tế lắm. Điều này cho thấy chất lượng dự báo giá trị SPEI3 của mô hình M4 chưa

đạt ở mức độ “rất tốt” nhưng ở những thời điểm xảy ra hạn thì kết quả dự báo lại rất phù

hợp với số liệu thực tế.

Chất lượng dự báo cho chỉ số SPEI3 bằng mô hình M4 (CORR, E, RSR) theo không

110

gian của toàn bộ vùng nghiên cứu được thể hiện ở hình sau:

Quá trình luyện mạng

Quá trình kiểm định

Hình 3.33 Chất lượng dự báo cho chỉ số SPEI3 bằng mô hình M4 theo không gian

Từ kết quả của hình trên cho thấy theo không gian thì chất lượng dự báo của quá trình

luyện mạng cũng cao hơn quá trình kiểm định, nhưng có sự khác biệt lớn giữa các vùng

111

của khu vực nghiên cứu. Chất lượng dự báo của vùng NTB cao hơn vùng BTB, chất

lượng dự báo tốt nhất là ở các tỉnh Quảng Nam, Khánh Hòa, Ninh Thuận và Bình Thuận,

còn chất lượng dự báo kém nhất rơi vào các tỉnh từ Thanh Hóa đến Hà Tĩnh và thấp nhất

là tỉnh Thanh Hóa. Theo tiêu chí đánh giá chất lượng dự báo thì những vùng có màu đỏ

là những vùng có kết quả dự báo có độ tin cậy thấp. Từ kết quả này cho thấy khi dự báo

hạn cho vung nghiên cứu bằng chỉ số SPEI3 với mô hình M4 thì kết quả dự báo của

vùng NTB là đáng tin cậy cao và đảm bảo chất lượng dự báo đặc biệt là các tỉnh từ

Khánh Hòa đến Bình Thuận.

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 ở một số trạm có kết quả dự báo tốt của vùng

NTB được thể hiện ở các hình sau:

Hình 3.34 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 tại trạm Cam Ranh

Hình 3.35 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 tại trạm Phan Rang

112

Hình 3.36 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 tại trạm Phan Thiết

Kết quả so sánh giá trị SPEI3 thực tế tính toán và dự báo (theo mô hình M4) theo không

gian của toàn bộ vùng nghiên cứu trong các tháng thường xảy ra hạn của những năm

hạn điển hình (tháng 6, 7 các năm 1988, 1993, 1998, 2005, 2010) được thể hiện ở các

hình sau:

Hình 3.37 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 1988)

113

Hình 3.38 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 1993)

Hình 3.39 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 1998)

114

Hình 3.40 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 2005)

Hình 3.41 Kết quả so sánh giá trị SPEI3 thực tế và dự báo (tháng 6, 7 năm 2010)

Từ kết quả của các hình trên cho thấy theo không gian thì kết quả chỉ số SPEI3 theo

thực tế và dự báo có sự khác biệt nhau nhưng sự khác biệt đó là không lớn, diện tích xảy

ra các cấp hạn theo dự báo tương đương với diện tích xảy ra hạn theo tính toán, nhưng

điều quan trọng nhất là theo tính toán vùng nào xảy ra hạn nặng và rất nặng thì kế quả

dự báo cũng thể hiện được điều đó.

115

3.3.2 Lựa chọn chỉ số để cảnh báo sớm hạn khí tượng cho vùng nghiên cứu

Như đã đề cập ở trên để đánh giá tình trạng và mức độ hạn nhằm đưa ra các khuyến cáo,

cảnh báo thích hợp hoặc đưa ra những quyết định đúng đắn về các họat động phòng và

ứng phó giảm thiểu tác động của hạn hán cần có các tiêu chuẩn và chỉ số hạn phù hợp.

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. Tác giả cũng đã phát triển các phần mềm cho phép tính toán và dự báo

một cách thuận tiện chỉ số này (phụ lục 2.3 và 2.4). Chi tiết về chỉ số hạn SPEI3 đã

được trình bày ở các mức độ khác nhau trong chương 1 và chương 2, phần này chỉ đề

cập thêm về phân cấp hạn và các cấp cảnh báo sớm hạn khí tượng theo chỉ số SPEI3.

Bảng 3.6 Cấp hạn và cấp cảnh báo sớm hạn khí tượng theo chỉ số SPEI3

Cấp cảnh báo SPEI3 Điều kiện khí hậu

≥ 2.0 Cực kỳ ẩm

1.5÷1.99 Rất ẩm

1.0 ÷ 1.49 Ẩm vừa

0.50 ÷ 0,99 Ẩm nhẹ

-0.49 ÷ 0.49 Bình thường

-0.50 ÷ - 0.99 Hạn nhẹ

Cấp 1: Khuyến cáo về tình trạng thiếu hụt mưa, chú ý tiết kiệm nước khi SPEI3 theo các thời đoạn khác nhau của tháng hoặc/và của một vài tháng trước đều rơi vào cấp này.

-1.0 ÷ -1.49 Hạn vừa

Cấp 2: Cảnh báo tình trạng hạn vừa, chú ý tiết kiệm nước và chuẩn bị công tác dự phòng. Đặc biệt lưu ý khi SPEI3 theo các thời đoạn khác nhau của tháng hoặc/và của một vài tháng trước đều rơi vào cấp này.

-1.5 ÷ -1.99 Hạn nặng

Cấp 3: Cảnh báo tình trạng hạn nặng, yêu cầu các biện pháp tiết kiệm và hạn chế dùng nước, đặc biệt khi SPEI3 theo các thời đoạn khác nhau của tháng

116

hoặc/và của một vài tháng trước đều rơi vào cấp này. Các công tác dự phòng cần được kiểm tra. Nếu tình trạng nguồn nước (hồ chứa, dòng chảy mặt, nước ngầm) giảm thấp có thể áp dụng chế độ ngừng cấp nước cho các hộ ít quan trọng nhất.

≥ -2.0 Hạn cực nặng

Cấp 4: Cảnh báo tình trạng hạn rất nặng. Tùy theo tình trạng nguồn nước mặt có thể ngừng cấp nước cho các hộ ít quan trọng và/hoặc áp dụng chế độ dùng nước theo định mức. Có thể phải khởi động các họat động cứu trợ.

Bảng 3.6 thể hiện cấp hạn, cấp cảnh báo và các biện pháp ứng phó có thể áp dụng tương

ứng theo chỉ số SPEI3. Lưu ý rằng để đưa ra cảnh báo tổng hợp xác thực cần kết hợp

đánh giá tình trạng hạn theo chỉ số này với các chỉ số đánh giá tình trạng nguồn nước

hiện có và các kết quả dự báo, dự đoán viễn cảnh nguồn nước trong các thời đoạn (tháng,

mùa) tiếp theo. Đồng thời cần tiếp tục đánh giá, kiểm định mức phù hợp của chỉ số này

để điều chỉnh bảng phân cấp hạn và cấp cảnh báo. Hơn nữa có thể áp dụng một số chỉ

số khác khi điều kiện số liệu quan trắc cho phép.

3.3.3 Lựa chọn mô hình dự báo hạn cho vùng nghiên cứu

Từ kết quả ở mục 3.3.1 về việc đánh giá kết quả các mô hình dự báo hạn cho vùng

nghiên cứu thì mô hình có chất lượng dự báo tốt nhất là mô hình M4 với yếu dự báo

(biến đầu ra) là chỉ số SPEI3 ở thời điểm t SPEI3(t), biến đầu vào là SOI3(t-2), SOI3(t-

2), SSTA3(t-2), SSTA3(t-3) và SPEI3(t-1). Điều này cho thấy với số liệu quan trắc

SSTA, SOI đã có đến thời điểm hiện tại thì chỉ dự báo được chỉ số SPEI3 cho 2 tháng

tiếp theo của tương lai, còn để dự báo chỉ số SPEI3 cho các thời đoạn dài hơn thì phải

dùng số liệu SSTA3, SOI3 dự báo. Vì thế, trong nghiên cứu này tác giả đề xuất mô hình

dự báo cho 6 tháng tiếp theo so với thời gian quan trắc của vùng nghiên cứu (từ tháng 1

đến tháng 6 năm 2015) gồm 2 loại dự báo như sau:

 Dự báo cho 2 tháng đầu (tháng 1 và 2 năm 2015)

 Dự báo chỉ số SPEI3 cho tháng 1 năm 2015 thì dùng số liệu đầu vào là SSTA3, SOI3

theo số liệu quan trắc (SSTA3 tháng 10/2014, tháng 11/2014; SOI3 tháng 10/2014,

11/2014) và SPEI3 tính toán của tháng 12/2014.

117

 Dự báo chỉ số SPEI3 cho tháng 2 năm 2015 thì dùng số liệu đầu vào là SSTA3, SOI3

theo số liệu quan trắc (SSTA3 tháng 11/2014, tháng 12/2014; SOI3 tháng 11/2014,

12/2014) và SPEI3 dự báo của tháng 1/2015.

 Dự báo cho 4 tháng kế tiếp (tháng 3 đến tháng 6 năm 2015)

Dự báo chỉ số SPEI3 cho tháng 3 đến tháng 6 năm 2015 thì dùng số liệu đầu vào là

SSTA3, SOI3 theo số liệu dự báo (SSTA3 tháng 1/2015 đến tháng 4/2015; SOI3 tháng

1/2015 đến tháng 4/2016) và SPEI3 dự báo tháng 2/2015 đến tháng 5/2015.

Cấu trúc các tham số của mô hình dự báo cho 6 tháng tiếp theo so với thời gian quan

trắc (từ tháng 1 đến tháng 6 năm 2015) được thể hiện ở bảng sau:

Bảng 3.7 Các tham số của các mô hình dự báo cho 6 tháng tiếp theo

Mô hình

Tham số đầu vào (nhân tố dự báo)

Đầu ra (yếu tố dự báo)

Hạn ngắn

SPEI3(1/2015)

SOI3(10/2014), SOI3(11/2014), SSTA3(10/2014), SSTA3(11/2014), SPEI3(12/2014)

SPEI3(2/2015)

SOI3(11/2014), SOI3(12/2014), SSTA3(11/2014), SSTA3(12/2014), SPEI3(1/2015)

Hạn dài

SPEI3(3/2015)

SOI3(12/2014), SOI3(1/2015), SSTA3(12/2014), SSTA3(1/2015), SPEI3(2/2015)

SPEI3(4/2015)

SOI3(1/2015), SOI3(2/2015), SSTA3(1/2015), SSTA3(2/2015), SPEI3(3/2015)

SPEI3(5/2015)

SOI3(2/2015), SOI3(3/2015), SSTA3(2/2015), SSTA3(3/2015), SPEI3(4/2015)

SPEI3(6/2015)

SOI3(3/2015), SOI3(4/2015), SSTA3(3/2015), SSTA3(4/2015), SPEI3(5/2015)

3.3.4 Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu

Từ kết quả và nội dung của các phần nghiên cứu phía trước tác giả đề xuất mô hình cảnh

báo hạn sớm hạn khí tượng cho vùng nghiên cứu như hình sau:

118

Số liệu quan trắc khí tượng (mưa, nhiệt độ)

Số liệu quan trắc SSTA, SOI từ các Trung tâm khí hậu

Số liệu dự báo SSTA, SOI từ các Trung tâm khí hậu

SSTA, SOI quan trắc

Tính toán SPEI3

SSTA, SOI dự báo

Mô hình dự báo ANFIS (M4)

Diễn biến SPEI3 hiện trạng

Kết quả dự báo SPEI3 cho 2 tháng tiếp theo kể từ tháng hiện tại (tháng thứ 1 ÷ 2)

Kết quả dự báo SPEI3 cho 4 kế tiếp kế tiếp kể từ tháng hiện tại (tháng thứ 3 ÷ 6)

Phân tích tổng hợp số liệu quan trắc và kết quả các chương trình dự báo hạn khí tượng. Xây dựng bản đồ dự báo, cảnh báo hạn

Bản tin đánh giá hiện trạng; Bản tin dự báo và cảnh báo hạn

Hình 3.42 Sơ đồ mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu

Hình 3.42 thể hiện mô hình cảnh báo sớm hạn khí tượng được đề xuất để áp dụng cho

khu vực DHMT. Hệ thống này bao gồm 3 khối chính là: (1) Khối quan trắc và thu thập

số liệu; (2) Khối tính toán và xử lý số liệu; và (3) Khối phân tích tổng hợp số liệu quan

trắc và kết quả dự báo để đưa ra các bản đồ, bản tin đánh giá hiện trạng hạn và dự báo

diễn biến hạn.

 Khối quan trắc và thu thập số liệu

 Số liệu quan trắc phục vụ dự báo và cảnh báo hạn bao gồm các số liệu quan trắc của

các trạm khí tượng trong vùng nghiên cứu (27 trạm đo mưa, nhiệt độ như chương 2

119

đã trình bày);

 Các số liệu về các yếu tố khí hậu toàn cầu, gồm các số liệu quan trắc và dự báo về

nhiệt độ mặt nước biển dị thường SSTA tại vùng Nino3.4 (vùng theo dõi hoạt động

của El Nino) và Chỉ số dao động Nam bán cầu (SOI) (dùng để làm yếu tố đầu vào

của mô hình dự báo M4 cho khu vực DHMT).

 Khối tính toán và xử lý số liệu

Khối này bao gồm việc tính toán và xử lý số liệu nhằm đưa ra được hiện trạng hạn hán

và diễn biến hạn hán trong tương lai (hạn ngắn và hạn dài).

 Dựa trên cơ sở số liệu mưa và nhiệt độ được cập nhật về từ các trạm khí tượng, áp

dụng phần mềm tính toán chỉ số hạn để tính toán chỉ số SPEI3 cập nhật đến thời điểm

quan trắc cho các trạm. Đây là chỉ số thể hiện diễn biến hạn đến thời điểm quan trắc.

 Với các số liệu về SSTA, SOI và chỉ số SPEI3 cập nhật đến thời điểm quan trắc, sử

dụng mô hình dự báo ANFIS (mô hình M4) để dự báo chỉ số SPEI3 cho 2 tháng tiếp

theo so với thời gian quan trắc (hạn ngắn). Và các số liệu về SSTA, SOI dự báo từ

các trung tâm khí hậu toàn cầu và chỉ số SPEI3 dự báo ở các thời điểm trước để dự

báo chỉ số SPEI3 cho 4 tháng tiếp theo so với thời gian quan trắc (hạn dài)

 Khối phân tích tổng hợp số liệu quan trắc và kết quả dự báo

Sau khi đã thực hiện tính toán xử lý số liệu đánh giá hiện trạng và dự báo, cần phân tích

tổng hợp để đưa ra những bản tin đáng tin cậy nhất. Đây là một bước quan trọng và đòi

hỏi những kinh nghiệm nhất định bởi có thể có những khác biệt nhất định giữa kết quả

dự báo và thực tế. Cần lưu ý rằng hạn hán thường xảy ra chậm, có tác động tích lũy và

ít có khả năng xảy ra đột ngột như mưa lũ, bởi vậy xu thế diễn biến của chỉ số hạn trong

quá khứ tính đến thời điểm dự báo là một cơ sở quan trọng cho việc đánh giá.

3.3.5 Bản đồ và số liệu cảnh báo sớm hạn khí tượng cho vùng nghiên cứu

3.2.4.1 Bản đồ cảnh báo cho 2 tháng đầu (tháng 1 và tháng 2 năm 2015)

120

Tháng 1/2015 Tháng 2/2015

Hình 3.43 Bản đồ dự báo, cảnh báo theo chỉ số SPEI3 tháng 1, 2 năm 2015

3.2.4.2 Bản đồ cảnh báo cho 4 tháng kế tiếp (từ tháng 3 đến tháng 6 năm 2015)

121

3/2015 4/2015

Hình 3.44 Bản đồ dự báo, cảnh báo theo chỉ số SPEI3 tháng 3, 4 năm 2015

122

5/2015 6/2015

Hình 3.45 Bản đồ dự báo, cảnh báo theo chỉ số SPEI3 tháng 5, 6 năm 2015

Chi tiết kết quả dự báo giá trị của chỉ số SPEI3 từ tháng 1/2015 đến tháng 6/2015 đại

diện tại 27 trạm khí tượng được thể hiện ở bảng sau:

Bảng 3.8 Kết quả dự báo chỉ số SPEI3 tại các trạm (từ tháng 1/2015 đến 6/2015)

Tên trạm

Tháng 1/2015

Tháng 2/2015

Tháng 3/2015

Tháng 4/2015

Tháng 5/2015

Tháng 6/2015

Hồi Xuân

-1.08

-1.77

-0.47

-0.21

0.12

-0.08

Thanh Hóa

-1.41

-1.93

-0.84

-1.38

-1.09

0.03

Quỳ Châu

-0.78

-0.26

-0.79

-1.41

-0.06

0.68

Vinh

-0.61

-1.12

-1.46

-1.06

-1.29

-0.98

Hà Tĩnh

-1.03

-1.09

-1.37

-0.97

-1.34

-1.06

Kỳ Anh

-1.57

-2.19

-0.90

-1.34

-1.61

-0.12

123

Đồng Hới

-0.54

-1.01

-1.68

-0.64

-0.91

-1.21

Tuyên Hóa

-1.31

-2.11

-0.87

-1.38

-1.04

-0.12

Đông Hà

-0.61

-2.00

-0.34

-1.13

-1.07

-0.43

Khe Sanh

-1.16

-1.85

-1.15

-1.60

-0.77

-1.16

A Lưới

-0.41

0.17

-1.19

0.17

-0.14

-0.46

Huế

-1.02

-1.71

0.87

-1.35

-1.00

0.81

Đà Nẵng

-0.26

-1.07

-1.01

-0.28

0.09

-1.06

Tam Kỳ

-1.06

-1.78

-1.12

-0.96

-0.05

-1.05

Trà My

0.31

1.63

-1.73

-1.12

-0.50

-1.69

Ba Tơ

0.29

0.37

-0.56

-0.68

-0.54

-0.57

Quảng Ngãi

0.13

-0.53

-1.29

-1.35

-0.62

-1.19

Hoài Nhơn

-0.01

-0.16

-1.66

-1.27

-1.25

-1.77

Quy Nhơn

-0.95

-0.97

0.62

-1.16

-1.22

-0.06

Tuy Hòa

-1.96

-2.09

-0.82

-1.01

-1.27

-0.55

Sơn Hòa

-0.81

-0.17

-1.56

-1.01

-1.24

-1.82

Cam Ranh

-0.26

-0.35

0.56

-0.21

-1.45

Nha Trang

-0.13

-0.37

-0.74

-0.93

-0.89

-1.08

Nha Hố

-0.86

-1.17

-0.06

0.18

-0.56

-0.68

Phan Rang

-0.61

-0.94

-0.49

-0.74

-0.52

-0.57

Hàm Tân

-1.17

-1.10

-0.42

0.69

0.54

-0.43

Phan Thiết

-0.05

-0.52

-0.48

-0.47

-0.39

-0.49

3.4 Kết luận chương 3

(1) Xây dựng được bản đồ phân bố hạn hán theo thời gian và không gian của vùng

DHMT bằng hai chỉ số SPI và SPEI. Diễn biến hạn hán theo các chỉ số SPI, SPEI đều

thể hiện các năm 1988, 1993, 1998, 2005, 2010 xuất hiện hạn hán kéo dài trong nhiều

tháng, phù hợp với các đợt hạn hán trong thực tế là hạn hán xảy ra trong thời gian dài ở

cả 3 vụ. Khi sử dụng các chỉ số hạn này để đánh giá diễn biến hạn hán của vùng DHMT

thì 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. Đồng thời các chỉ số hạn theo

thời đoạn dài (SPI3, SPEI3) phản ánh diễn biến hạn hán của vùng nghiên cứu phù hợp

với tình trạng hạn hán trong sản xuất nông nghiệp hơn chỉ số theo thời đoạn ngắn (SPI1,

124

SPEI1).

(2) Chỉ số SPEI được tính toán từ lượng mưa và bốc hơi, nên chỉ số SPEI phản ánh diễn

biến hạn hán của cả vùng DHMT lớn hơn chỉ số SPI về cả thời gian, quy mô, cường độ

và tần suất. Nhưng, chỉ số SPI lại cho thấy tần suất xảy ra hạn ở vùng BTB lớn hơn vùng

NTB, còn chỉ số SPEI thì cho thấy sự ngược lại, và các tỉnh từ Quảng Nam đến Ninh

Thuận có tần suất xảy ra hạn lớn hơn các tỉnh khác trong vùng.

(3) Mức độ ảnh hưởng của hiện tượng ENSO đến hạn hán của vùng nghiên cứu là tương

đối lớn, khi xảy ra một đợt El Nino thì vùng nghiên cứu sẽ phát sinh một đợt hạn hán

kéo dài trong nhiều tháng, giá trị âm của các chỉ số hạn lớn, nhưng thời điểm của các

đợt hạn hán thường xảy ra muộn hơn (trễ hơn) thời điểm xảy ra các đợt El Nino và ảnh

hưởng của El Nino tới diễn biến hạn hán của vùng Nam Trung Bộ là lớn hơn so với

vùng Bắc Trung Bộ.

(4) Khi SST ở vùng Nino3.4 tăng (SSTA dương) và SOI âm tính đều có ảnh hưởng đến

diễn biến hạn hán của khu vực nghiên cứu, đặc biệt là khi SST ở vùng Nino3.4 tăng

(SSTA ≥ 0.5C dẫn đến phát sinh El Nino) thì khả năng lớn sẽ phát sinh một đợt hạn

hán cho vùng nghiên cứu nhưng thời điểm phát sinh hạn hán thường trễ hơn từ 2 đến 3

tháng. Từ kết quả này, thì những chuỗi số liệu SSTA, SOI có mối tương quan lớn với

chuỗi SPI, SPEI sẽ được lựa chọn để làm biến đầu vào (nhân tố dự báo) cho các mô hình

dự báo hạn khí tượng.

(5) Kết quả dự báo chỉ số SPEI3 với biến đầu vào là các chuỗi SSTA3, SOI3 trước 2 &

3 tháng và chuỗi SPEI3 trước 1 tháng (mô hình M4) có chất lượng dự báo cao nhất, đạt

yêu cầu theo các tiên chuẩn đánh giá chất lượng dự báo và kết quả dự báo diễn biến hạn

hán trong những năm hạn điển hình khá sát với diễn biến hạn hán theo tính toán. Theo

không gian thì kết quả dự báo chỉ số SPEI3 bằng mô hình M4 cho vùng NTB có độ tin

cậy cao và đảm bảo chất lượng dự báo, đặc biệt là các tỉnh từ Khánh Hòa đến Bình

Thuận.

(6) Chỉ số hạn được lựa chọn để đánh giá cấp độ hạn và cấp cảnh báo sớm hạn khí tượng

là chỉ số SPEI3. Đã lựa chọn được mô hình dự báo hạn ngắn 2 tháng bằng chỉ số SPEI3

(dự báo chỉ số SPEI3 cho 2 tháng tiếp theo trong tương lai) với biến đầu vào là SSTA3,

125

SOI3 và chỉ số SPEI3 trong quá khứ; và lựa chọn được mô hình dự báo hạn dài là 4

tháng tiếp theo (dự báo chỉ số SPEI3 cho tháng thứ 3 đến tháng thứ 6 tiếp theo trong

tương lai) với biến đầu vào là SSTA3, SOI3 dự báo và chỉ số SPEI3 trong quá khứ.

(7) Mô hình cảnh báo hạn sớm hạn khí tượng cho vùng nghiên cứu đã được xây dựng

với 3 khối chính là: Khối quan trắc và thu thập số liệu; khối tính toán và xử lý số liệu;

và khối phân tích tổng hợp số liệu quan trắc và kết quả dự báo. Đồng thời đã xây dựng

được bản đồ cảnh báo sớm hạn khí tượng cho vùng nghiên cứu bằng chỉ số SPEI3 từ

tháng 1 đến tháng 6 năm 2015.

126

KẾT LUẬN VÀ KIẾN NGHỊ

1. Những kết quả đạt được của luận án

Hạn hán xuất hiện trên khắp thế giới có thể xảy ra ở tất cả các vùng khí hậu, trong đó có

vùng DHMT. Để có được những giải pháp khai thác và quản lý tài nguyên nước hữu

hiệu thì công tác cảnh báo sớm hạn khí tượng là rất quan trọng. Vì thế, trong luận án

này đã giải quyết và đạt được những kết quả sau:

(1) Từ năm 1985 – 2014, vùng DHMT đã có nhiều đợt hạn hán xảy ra, trong đó có 5 đợt

xảy ra hạn hán nghiêm trọng, hạn xảy ra trong cả 3 vụ sản xuất làm thiệt hại đến hàng

triệu hecta đất nông nghiệp. Thời kỳ hạn căng thẳng nhất là vụ Hè thu từ cuối tháng 6

đến đầu tháng 9, và cứ 5 đến 9 năm lại xảy ra một đợt hạn trên diện rộng.

(2) Diễn biến hạn hán theo các chỉ số SPI, SPEI đều thể hiện các năm 1988, 1993, 1998,

2005, 2010 xuất hiện hạn hán kéo dài trong nhiều tháng, phù hợp với các đợt hạn hán

trong thực tế là hạn hán xảy ra trong thời gian dài ở cả 3 vụ. Nhưng chỉ số SPEI3 phản

ánh diễn biến hạn hán của vùng nghiên cứu là phù hợp hơn các chỉ số khác.

(3) Mức độ ảnh hưởng của hiện tượng El Nino đến hạn hán của vùng nghiên cứu là

tương đối lớn, khi xảy ra một đợt El Nino thì vùng nghiên cứu sẽ phát sinh một đợt hạn

hán kéo dài trong nhiều tháng, nhưng thời điểm của các đợt hạn hán thường xảy ra muộn

hơn (trễ hơn) thời điểm xảy ra các đợt El Nino.

(4) Khi SST ở vùng Nino3.4 tăng (SSTA dương) và SOI âm tính đều có ảnh hưởng đến

diễn biến hạn hán của khu vực nghiên cứu, đặc biệt là khi SST ở vùng Nino3.4 tăng

(SSTA ≥ 0.5 dẫn đến phát sinh El Nino) thì khả năng lớn sẽ phát sinh một đợt hạn hán

cho vùng nghiên cứu nhưng điểm phát sinh hạn hán thường trễ hơn từ 2 đến 3 tháng.

(5) Kết quả dự báo chỉ số SPEI3 với biến đầu vào là các chuỗi SSTA3, SOI3 trước 2 &

3 tháng và chuỗi SPEI3 trước 1 tháng (mô hình M4) có chất lượng dự báo cao nhất, đạt

yêu cầu theo các tiên chuẩn đánh giá chất lượng dự báo.

(6) Các bản đồ cảnh báo sớm hạn khí tượng cho vùng nghiên cứu bằng chỉ số SPEI3 từ

tháng 1 đến tháng 6 năm 2015 đã được xây dựng từ mô hình dự báo hạn ngắn (1÷2

tháng) và dự báo hạn dài (3÷6 tháng) bằng mạng ANFIS với cấu trúc M4 được mô tả

127

như bảng 3.6.

(7) Đã xây dựng được mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu gồm

3 khối chính là: khối quan trắc và thu thập số liệu; khối tính toán và xử lý số liệu; và

khối phân tích tổng hợp số liệu quan trắc và kết quả dự báo, mô hình này được mô tả

chi tiết như hình 3.42.

2. Những đóng góp mới của luận án

(1) Xác định được mối quan hệ của các yếu tố ENSO, diễn biến nhiệt độ mặt nước biển

dị thường (SSTA) và chỉ số dao động Nam bán cầu (SOI) với diễn biến của hạn khí

tượng của vùng Duyên hải Miền Trung (thông quan các chỉ số SPI và SPEI). Đồng thời

xây dựng được bản đồ nguy cơ hạn hán cho khu vực nghiên cứu.

(2) Xây dựng được mô hình cảnh báo sớm hạn khí tượng cho vùng Duyên hải Miền

Trung sử dụng mạng Nơ ron thích nghi mờ (ANFIS).

3. Những tồn tại và hạn chế của luận án

Luận án này mới chỉ đánh giá diễn biến hạn hán của vùng nghiên cứu bằng các chỉ số

hạn khí tượng, khi xây dựng các bản đồ hạn để đánh giá diễn biến hạn hán theo không

gian chưa xem xét đến yếu tố địa hình khi nội suy. Đồng thời mới ứng dụng mô hình

ANFIS với các biến đầu và là nhiệt độ mặt nước biển dị thường (SSTA), chỉ số dao động

Nam bán cầu (SOI) và chỉ số hạn trong quá khứ để dự báo hạn khí tượng cho vùng

nghiên cứu, mà chưa có sự so sánh với việc sử dụng các biến đầu vào khác, cũng như

các phương pháp dự báo khác.

4. Kiến nghị những nghiên cứu tiếp theo của luận án

Để tăng độ tin cậy cũng như có thể áp dụng biện pháp dự báo, cảnh báo này được rộng

rãi hơn thì hướng nghiên cứu tiếp theo của đề tài này là:

(1) Nghiên cứu so sánh chất lượng dự báo của phương pháp ANFIS với các phương

pháp thống kê khác cũng như với các phương pháp dự báo từ mô hình khí hậu toàn.

(2) Xây dựng hệ thống vận hành, cung cấp và cập nhật sản phẩm của nghiên cứu này

trên website.

128

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ

1. Nguyễn Thái Hà, Nguyễn Đăng Tính, Nguyễn Lương Bằng. “Xây dựng bản đồ phân

bố hạn khí tượng theo không gian, thời gian cho vùng Duyên hải Miền Trung sử dụng

phương pháp vùng hạn không kề giáp (NCDA)”. Tạp chí Nông nghiệp và PTNT, số 3+4,

pp.199-204, 2018.

2. Nguyễn Thái Hà, Nguyễn Đăng Tính, Nguyễn Lương Bằng. “Ảnh hưởng của El

Nino tới diễn biến hạn hán vùng Duyên hải Miền Trung theo không gian và thời gian”.

Tạp chí Nông nghiệp và PTNT, số 9, pp.55-61, 2018.

129

TÀI LIỆU THAM KHẢO

[1]. Donald A. Wilhite & Michael H. Glantz. "Understanding: the Drought Phenomenon: The Role of Definitions", Water International, vol. 10(3), pp. 111- 120, 1985.

[2]. D.A. Wilhite. "Drought as a natural hazard: Concepts and definitions", in Drought: A Global Assessment, London & New York, 2000, pp.3-18.

[3]. J.J. Burgos, M.S. Kalik, và cộng sự. Drought and agriculture: report of the CaGm Working Group on the Assessment of Drought. Geneva: WMO, 1975, pp.127.

[4]. IPCC. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, United Kingdom and New York, NY, USA: Cambridge University Press, 2007, pp.996.

[5]. AMS. "Meteorological drought policy statement", Bulletin of American Meteorological Society, vol. 78, pp. 847-849, 1997.

[6]. H. Hisdal & L. M. Tallaksen. Drought event definition. Assessment of the Regional impact of droughts in Europe, 2000.

[7]. Richard R. Heim. "A Review of Twentieth-Century Drought Indices Used in the United States", Bulletin of the American Meteorological Society, vol. 83(8), pp. 1149-1165, 2002.

[8]. T. B. McKee, N. J. Doesken & J. Kleist. "The relationship of drought frequency and duration to time scales", in 8th Conf. on Applied Climatology, Anaheim, California, 1993, pp.179-184.

[9]. WMO. Standardized Precipitation Index User Guide in WMO-No. 1090. 2012, World Meteorological Organization: Geneva 2, Switzerland.

[10]. S. M. Vicente-Serrano, S. Begueria & J. I. Lopez-Moreno. "A Multiscalar Drought to Global Warming: The Standardized Precipitation Index Sensitive Evapotranspiration Index", Journal of Climate, vol. 23(7), pp. 1696-1718, 2010.

[11]. People's Republic of China National Standard. "Classification of meteorological drought (in Chinese) GB/T 20481-2006". 2006.

[12]. K.H. Bergman, P. Sabol & D. Miskus. "Experimental indices for monitoring global drought conditions", in Proceedings of the 13th Annual Climate Diagnostics Workshop, Cambridge, Mass, 1988, pp.190-197.

[13]. W. C. Palmer. "Meteorological Drought", W. Bureau, Editor. 1965, U.S.

Goverment Printing Office: U.S. Department of Commerce.

[14]. Zengchao Hao & Amir Agha-Kouchak. "Multivariate Standardized Drought Index: A parametric multi-index model", Advances in Water Resources, vol. 57(0), pp. 12-18, 2013.

130

[15]. W. C. Palmer. "Keeping Track of Crop Moisture Conditions, Nationwide: The New Crop Moisture Index", Weatherwise, vol. 21(4), pp. 156-161, 1968.

[16]. W. T. Liu & F. N. Kogan. "Monitoring regional drought using the Vegetation Condition Index", International Journal of Remote Sensing, vol. 17(14), pp. 2761- 2782, 1996.

[17]. M. S. Moran, T. R. Clarke, và cộng sự. "Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index", Remote Sensing of Environment, vol. 49(3), pp. 246-263, 1994.

[18]. P. H. Herbst, D. B. Bredenkamp & H. M. G. Barker. "A technique for the evaluation of drought from rainfall data", Journal of Hydrology, vol. 4(0), pp. 264- 272, 1966.

[19]. B. A. Shafer & L. E. Dezman. "Development of a surface water supply index (SWSI) to assess the severity of drought conditions in snowpack runoff areas", in 50th Annual Western Snow Conference, Reno, Nevada, 1982, pp.164-175.

[20]. L. OhIsson. "Water conflicts and social resource scarcity", Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, vol. 25(3), pp. 213-220, 2000.

[21]. M. Singh. "Identifying and assessing drought hazard and risk in Africa", in Regional Conference on Insurance and Reinsurance for Natural Catastrophe Risk in Africa, Casablanca Morocco, 2006, pp.37.

[22]. WMO. Climate Change and Desertification. Geneva: WMO, 2007, pp.4.

[23]. Bin He, Aifeng Lü, và cộng sự. "Drought hazard assessment and spatial characteristics analysis in China", Journal of Geographical Sciences vol. 21(2), pp. 235-249, 2011.

[24]. J. Matsumoto. "Seasonal transition of summer rainy season over Indochina and adjacent monsoon region", Advances in Atmospheric Sciences, vol. 14(2), pp. 231- 245, 1997.

[25]. Tsing-Chang Chen & Jin-ho Yoon. "Interannual Variation in Indochina Summer Monsoon Rainfall: Possible Mechanism", Journal of Climate, vol. 13(11), pp. 1979-1986, 2000.

[26]. Lennart Olsson & Brian W. Head. "Urban water governance in times of multiple stressors: an editorial", Ecology and Society, vol. 20(1), 2015.

[27]. Thomas C. Piechota & John A. Dracup. "Drought and regional hydrologic Variation in the United States Association with the El Nino-Southern Oscillation", Water Resources Research, vol. 32(5), pp. 1359–1373, 1996.

[28]. Aiguo Dai, Kevin E. Trenberth & Taotao Qian. "A Global Dataset of Palmer Drought Severity Index for 1870–2002: Relationship with Soil Moisture and Effects of Surface Warming", Journal of Hydrometeorology, vol. 5(6), pp. 1117-

131

1130, 2004.

[29]. Benjamin Lloyd-Hughes & Mark A. Saunders. "A drought climatology for Europe", International Journal of Climatology, vol. 22(13), pp. 1571-1592, 2002.

[30]. Nico Wanders, Henny AJ Van Lanen & Anne F van Loon. "Indicators for drought characterization on a global scale", "Wageningen Universiteit", 2010.

[31]. A. V. Meshcherskaya & V. G. Blazhevich. "The Drought and Excessive Moisture Indices in a Historical Perspective in the Principal Grain-Producing Regions of the Former Soviet Union", Journal of Climate, vol. 10(10), pp. 2670-2682, 1997.

[32]. V. Potop & J. Soukup. "Spatiotemporal characteristics of dryness and drought in the Republic of Moldova", Theoretical and Applied Climatology, vol. 96(3), pp. 305-318, 2009.

[33]. Xukai Zou, Panmao Zhai & Qiang Zhang. "Variations in droughts over China: 1951–2003", Geophysical research letters, vol. 32(4), pp. 4, 2005.

[34]. Shaw Rajib & Nguyen Huy. Droughts in Asian Monsoon Region. Emerald Group Publishing Limited, 2011.

[35]. BOM. "Australian Government Bureau of Meteorology". Internet:

http://www.bom.gov.au/, May, 2016.

[36]. CMA. "China Meteorological Administration". Internet: http://www.cma.gov.cn/en2014/, May, 2016.

[37]. Ashkan Farokhnia, Saeed Morid & Hi-Ryong Byun. "Application of global SST and SLP data for drought forecasting on Tehran plain using data mining and ANFIS techniques", Theoretical and Applied Climatology, vol. 104(1), pp. 71-81, 2011.

[38]. F. Giorgi & L. O. Mearns. "Introduction to special section: Regional Climate Modeling Revisited", Journal of Geophysical Research-Atmospheres, vol. 104(D6), pp. 6335–6352, 1999.

[39]. Suranjana Saha, Shrinivas Moorthi, và cộng sự. "The NCEP Climate Forecast

System Version 2", Journal of Climate, vol. 27(6), pp. 2185-2208, 2013.

[40]. C. M. Liu, J. Xia & S. L. Guo. "Advances in distributed hydrological modeling in the Yellow River basin", Advances in Water Science, vol. 15(4), pp. 495–500, 2004.

[41]. Nguyễn Văn Thắng. "Nghiên cứu xây dựng công nghệ dự báo và cảnh báo sớm hạn hán ở Việt Nam", Trong Báo cáo tổng kết đề tài, 2007.

[42]. Nguyễn Đức Hậu. "Thử nghiệm xây dựng mô hình dự báo hạn ở 7 vùng khí hậu Việt Nam trên cơ sở mối quan hệ giữa nhiệt độ mặt nước biến với chỉ số khô hạn", Trong Báo cáo tổng kết đề tài, 2001.

132

[43]. Nguyễn Trong Yêm. "Nghiên cứu xây dựng bản đồ phân vùng tai biến môi trường tự nhiên lãnh thổ Việt Nam", Trong Báo cáo tổng kết đề tài cấp nhà nước, 2006.

[44]. Nguyễn Lập Dân. "Nghiên cứu cơ sở khoa học quản lý hạn hán và sa mặc hóa để xây dựng hệ thống quản lý, đề xuất các giải pháp chiến lược và tổng giảm thiểu tác hại: Nghiên cứu điển hình cho đồng bằng sông Hồng và Nam Trung Bộ", Trong Báo cáo tổng kết đề tài cấp Nhà nước, 2010.

[45]. Vũ Thị Thu Lan. "Nghiên cứu đánh giá tác động của hạn kinh tế xã hội hạ du sông Hồng và đề xuất các giải pháp ứng phó", Trong Báo cáo nhiệm thu đề tài cấp Nhà nước, 2015.

[46]. Nguyễn Văn Thắng. "Nghiên cứu xây dựng hệ thống dự báo, cảnh báo hạn hán cho Việt Nam với thời hạn đến 3 tháng", Trong Đề tài cấp Nhà nước KC08.17/11- 15, 2015.

[47]. Nguyễn Trọng Hiệu. "Nguyên nhân và các giải pháp phòng chống hoang mạc hoá ở khu vực ven biển miền Trung", Trong Báo cáo tổng kết đề tài cấp Nhà nước, 2000.

[48]. Nguyễn Văn Cư. "Nguyên nhân và các giải pháp phòng chống sa mạc hoá ở khu vực ven biển miền Trung (Ninh Thuận-Bình Thuận)", Trong Báo cáo tổng kết đề tài KHCN cấp Nhà nước, 2001.

[49]. Đào Xuân Học. "Nghiên cứu các giải pháp giảm nhẹ thiên tai hạn hán ở các tỉnh Duyên hải Miền trung từ Hà tĩnh đến Bình Thuận", Trong Báo cáo tổng kết đề tài cấp nhà nước, 2001.

[50]. Nguyễn Quang Kim. "Nghiên cứu dự báo hạn hán vùng Nam Trung Bộ và Tây Nguyên và xây dựng các giải pháp phòng chống", Trong Báo cáo tổng kết đề tài cấp Nhà nước, 2005.

[51]. Trần Thục. "Xây dựng bản đồ hạn hán và mức độ thiếu nước sinh hoạt ở Nam Trung bộ và Tây Nguyên", Trong Báo cáo tổng kết đề án cấp bộ, 2008.

[52]. Nguyễn Lương Bằng. "Ảnh hưởng của ENSO tới diễn biến hạn khí tượng ở lưu vực sông Cái", Tạp chỉ Thủy lợi & Môi trường, vol. 2014(46), pp. 71-78, 2014.

[53]. VanHieu Nguyen, QiongFang Li & LuongBang Nguyen. "Drought forecasting using ANFIS- a case study in drought prone area of Vietnam", Paddy and Water Environment, vol. 15(3), pp. 605–616, 2017.

[54]. S.G.H Philander. El Nino, La Nina and the Southern Oscillation. San Diego: Academic Press, 1990.

[55]. Bryan C. Weare, Alfredo R. Navato & Reginald E. Newell. "Empirical Orthogonal Analysis of Pacific Sea Surface Temperatures", Journal of Physical Oceanography, vol. 6(5), pp. 671-678, 1976.

[56]. C. S. Ramage. Preliminary discussion of the meteorology of the 1972-1973 El Nino. Bull. Amerrican: American Meteorological Society, 1975.

133

[57]. Klaus Wyrtki. "El Niño—The Dynamic Response of the Equatorial Pacific Oceanto Atmospheric Forcing", Journal of Physical Oceanography, vol. 5(4), pp. 572-584, 1975.

[58]. Narasimhan K. Larkin & D. E. Harrison. "ENSO Warm (El Niño) and Cold (La Niña) Event Life Cycles: Ocean Surface Anomaly Patterns, Their Symmetries, Asymmetries, and Implications. ", Journal of Climate. , vol. 15(10), pp. 1118- 1140, 2002.

[59]. G. T. Walker & E. W. Bliss. "World Weather V", Memoirs of the Royal Meteorological Society, vol. 4(36), pp. 53-84, 1932.

[60]. C. F. Ropelewski & P. D. Jones. "An Extension of the Tahiti–Darwin Southern Oscillation Index", Mon. Wea. Rev., vol. 115, pp. 2161–2165, 1987.

[61]. M. Latif & N. S. Keenlyside. "El Nino/Southern Oscillation response to global warming", Proc Natl Acad Sci U S A, vol. 106(49), pp. 20578-83, 2009.

[62]. Heng Xiao & Carlos R. Mechoso. "Seasonal Cycle–El Niño Relationship: Validation of Hypotheses", Journal of the Atmospheric Sciences, vol. 66(6), pp. 1633-1653, 2009.

[63]. M.A. Balmaseda, O.J. Alves, và cộng sự. "Ocean initialization for seasonal

forecasts", Oceanography, vol. 22(3), pp. 154–159, 2009.

[64]. Kevin E. Trenberth. "The Definition of El Niño", Bulletin of the American Meteorological Society, vol. 78(12), pp. 2771-2777, 1997.

[65]. CPC. "Cold & Warm Episodes Season". by

Internet: http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyears .shtml, Feb, 2014.

[66]. Carmen Bredeson. El Niño & La Niña : Deadly Weather. Berkeley Heights, NJ: Enslow Publishers, 2002.

[67]. G. T. Walker. Correlation in seasonal variations of weather. IX: A further study of world weather. Poona, India: Meteorological Office, 1924.

[68]. Haiyan He, John W. McGinnis, và cộng sự. "Onset of the Asian Summer Monsoon in 1979 and the Effect of the Tibetan Plateau", Monthly Weather Review, vol. 115(9), pp. 1966-1995, 1987.

[69]. M. Yanai, C. Li & Z. Song. "Seasonal heating of the Tibetan Plateau and its effects on the evolution of the Asian summer monsoon", Journal of the Meteorological Society of Japan, vol. 70(1B), pp. 319-351, 1992.

[70]. Chengfeng Li & Michio Yanai. "The Onset and Interannual Variability of the Asian Summer Monsoon in Relation to Land–Sea Thermal Contrast", Journal of Climate, vol. 9(2), pp. 358-375, 1996.

[71]. T. Yasunari. "Impact of Indian monsoon on the coupled atmosphere/ocean system

134

in the tropical pacific", Meteorology and Atmospheric Physics, vol. 44(1-4), pp. 29-41, 1990.

[72]. B. P. Kirtman & J. Shukla. "Influence of the Indian summer Monsoon on ENSO", Quarterly Journal of the Royal Meteorological Society, vol. 126(562), pp. 213- 239, 2000.

[73]. B. N. Goswami, V. Krishnamurthy & H. Annamalai. "A broad scale circulation index for the interannual variability of the Indian summer monsoon", Quarterly Journal of the Royal Meteorological Society, vol. 125(554), pp. 611-633, 1999.

[74]. B. Wang, R.G. Wu & T. Li. "Atmosphere-warm ocean interaction and its impacts on Asian-Australian monsoon variation", Journal of Climate, vol. 16(8), pp. 1195- 1211, 2003.

[75]. Maurice Kendall. Rank correlation methods. Philadelphia, PA, U.S.A: Hafner, 1962.

[76]. Henry B. Mann. "Nonparametric tests against trend", Journal of the Econometric Society, vol. 13(3), pp. 245-259, 1945.

[77]. Daniel C. Edwards & T. B. McKee. Characteristics of 20th Century Drought in the United States at Multiple Time Scales. Colorado State University, 1997,

[78]. Jinyoung Rhee & Gregory J Carbone. "Estimating drought conditions for regions with limited precipitation data", Journal of Applied Meteorology and Climatology, vol. 50(3), pp. 548-559, 2011.

[79]. F.-W. Chen & C.-W. Liu. "Estimation of the spatial rainfall distribution using inverse distance weighting (IDW) in the middle of Taiwan", Paddy and Water Environment, vol. 10(3), pp. 209-222, 2012.

[80]. L. Xiao-song. "Study on the Spatial Interpolation of Agroclimatic Resources in Chongqing", Journal of Anhui Agricultural Sciences, vol. 30, pp. 186-200, 2008.

[81]. Manh Hung Le, Gerald Corzo Perez, và cộng sự. "Studying the Impact of Infilling Techniques on Drought Estimation – a Case Study in the South Central Region of Vietnam (accepted)", in Seventh International Conference on Information Science and Technology. 2017: Danang, Vietnam.

[82]. J. L. Rodgers & W. A. Nicewander. "Thirteen ways to look at the correlation coefficient", The American Statistician, vol. 42(1), pp. 59-66, 1988.

[83]. Stephen M Stigler. "Francis Galton's Account of the Invention of Correlation", Statistical Science vol. 4(2), pp. 73–79, 1989.

[84]. Alberto Troccoli. Weather and climate predictions for the energy sector. 2010, University of Reading: Reading, UK.

[85]. Ashok K. Mishra & Vijay P. Singh. "A review of drought concepts", Journal of Hydrology, vol. 391(1-2), pp. 204-216, 2010.

135

[86]. B. Bonaccorso, I. Bordi, và cộng sự. "Spatial Variability of Drought: An Analysis of the SPI in Sicily", Water Resources Management, vol. 17(4), pp. 273-296, 2003.

[87]. A. K. Mishra & V. R. Desai. "Drought forecasting using feed-forward recursive neural network", Ecological Modelling, vol. 198(1–2), pp. 127-138, 2006.

[88]. UlkerGuner Bacanli, Mahmut Firat & Fatih Dikbas. "Adaptive Neuro-Fuzzy Inference System for drought forecasting", Stochastic Environmental Research and Risk Assessment, vol. 23(8), pp. 1143-1154, 2009.

[89]. ASCE. "Artificial Neural Networks in Hydrology. II: Hydrologic Applications", Journal of Hydrologic Engineering, vol. 5(2), pp. 124-137, 2000.

[90]. C. Mahabir, F. E. Hicks & A. Robinson Fayek. "Application of fuzzy logic to forecast seasonal runoff", Hydrological Processes, vol. 17(18), pp. 3749-3762, 2003.

[91]. S.Y. Liong, W.H. Lim, và cộng sự. "Advance flood forecasting for flood stricken Bangladesh with a fuzzy reasoning method", Hydrological Processes vol. 14(3), pp. 431-448, 2000.

[92]. P. C. Nayak, K. P. Sudheer & K. S. Ramasastri. "Fuzzy computing based rainfall– runoff model for real time flood forecasting", Hydrological Processes, vol. 19(4), pp. 955-968, 2005.

[93]. Abdüsselam Altunkaynak, Mehmet Özger & Mehmet Çakmakci. "Water Consumption Prediction of Istanbul City by Using Fuzzy Logic Approach", Water Resources Management, vol. 19(5), pp. 641-654, 2005.

[94]. Fi-John Chang & Ya-Ting Chang. "Adaptive neuro-fuzzy inference system for prediction of water level in reservoir", Advances in Water Resources, vol. 29(1), pp. 1-10, 2006.

[95]. P. C. Nayak, K. P. Sudheer, và cộng sự. "A neuro-fuzzy computing technique for modeling hydrological time series", Journal of Hydrology, vol. 291(1–2), pp. 52- 66, 2004.

[96]. Zekai Şen & Abdüsselam Altunkaynak. "A comparative fuzzy logic approach to runoff coefficient and runoff estimation", Hydrological Processes, vol. 20(9), pp. 1993-2009, 2006.

[97]. Mahmut Firat & Mahmud Güngör. "River flow estimation using adaptive neuro fuzzy inference system", Mathematics and Computers in Simulation, vol. 75(3–4), pp. 87-96, 2007.

[98]. Mahmut Firat & Mahmud Güngör. "Hydrological time-series modelling using an adaptive neuro-fuzzy inference system", Hydrological Processes, vol. 22(13), pp. 2122-2132, 2008.

[99]. Maryam Mokhtarzad, Farzad Eskandari, và cộng sự. "Drought forecasting by ANN, ANFIS, and SVM and comparison of the models", Environmental Earth

136

Sciences, vol. 76(21), pp. pp. 1-10, 2017.

[100]. J. -S. R. Jang. "ANFIS: adaptive-network-based fuzzy inference system", IEEE Transactions on Systems, Man, and Cybernetics, vol. 23(3), pp. 665-685, 1993.

[101]. J.-S.R. Jang, C.-T. Sun & E. Mizutani. Neuro-Fuzzy and Soft Computing. Englewood Cliffs, New Jersey, USA: Prentice Hall, 1997.

[102]. H. Ying. Fuzzy Control and Modeling: Analytical Foundations and Applications. Wiley-IEEE Press, 2000, pp.i - xxxii.

[103]. WMO. Manual on the Implementation of Education and Training Standards in Meteorology and Hydrology 2012, World Meteorological Organnization: Geneva 2, Switzerland.

137

PHỤ LỤC

Phụ lục 2.1. Thống kê diện tích cây trồng bị hạn khu vực DHMT (1980-2014)

Vụ Đông xuân

Vụ Hè thu

Vụ Mùa

Năm

BTB

0 0 6960 6370 34424 17160 59207 886 22350 13940 8032 7910

NTB DHMT BTB NTB DHMT BTB NTB DHMT 2960 2960 2774 2774 13158 16599 4331 12268 15212 4602 14508 10610 27088 13335 13753 31012 18777 11720 19292 56656 7782 48874 24657 42420 12512 12145 15331 1734 13597 19787 8470 11317 17054 5362 129347 19604 123985 9716 9888 26712 12948 800 12148 18099 9685 27772 8414 19117 11201 19817 32295 7916 6957 12860 47557 21790 25767 68038 49282 38038 30000 23339 5358 17981 16022 21192 8072 7950 12704 9660 35017 21589 19497 15520 3044 27583 17117 10466 48325 3745 35542 44580 18646 17866 38265 37155 15794 780 52949 77044 24386 52658 82633 73088 35305 108393 23217 6233 16984 46208 5729 33917 40479 15068 1635 13433 51547 33332 37831 13716 12028 4078 7950 55974 30088 45658 10316 9394 444 8950 31879 20451 14593 17286 57330 51627 92081 31425 62371 29710 5703 0 0 0 30300 0 0 0 0 0 0 13330 0 0 0 76367 44660 40240 36290 23259 17941 21112 15942 57330 51627 31425 68741 36670 105411 9594 9050 32079 20651 14693 17386 11897 11897 99557 45999 25992 73565 9194 8850 31679 20251 14493 17186 14978 14378 45841 48962 34322 11519 25717 25117 64385 34520 72092 106612 14670 14470 87337 42769 31414 55923 16668 10930 79095 39031 32496 46600 10897 10897 49999 31992 83565 115557 18307 18007 57192 33256 77828 111085

1980 13143 1981 14508 1982 18777 1983 23015 19405 60 1984 16994 1985 26707 5 1986 27772 1987 32285 10 1988 34282 15000 3145 1989 18047 4145 1990 17444 93 1991 35449 1992 38185 80 1993 47513 35120 19 1994 33898 112 1995 33220 1996 30046 42 166 1997 20285 1998 14933 16492 1999 30300 0 2000 2001 0 2424 2002 32000 886 0 2003 2004 18007 3105 2005 14933 16492 266 2006 20385 2007 30012 15987 66 2008 20185 3950 2009 45012 9116 2010 55269 7161 2011 35608 3985 2012 35047 2013 33012 16987 2014 44141 13052

4420 5318 5703 544 0 344 600 600 200 5738 0 300

(Nguồn: Theo tài liệu SXNN từ 1980-2014 của Tổng cục Thủy lợi, đơn vị tính là ha)

138

Phụ lục 2.2. Thông tin các trạm khí tượng sử dụng trong vùng nghiên cứu

Tỉnh, Thành Phố Kinh độ Vĩ độ Tên trạm

TT 1 Hồi Xuân 105.12 20.37 Thanh Hóa 2 Thanh Hoá 105.78 19.82

Nghệ An 3 Quỳ Châu 4 Vinh 105.12 105.67 19.57 18.67

5 Hà Tĩnh 105.9 18.4 Hà Tĩnh 6 Kỳ Anh 106.28 18.08

Quảng Bình 7 Đồng Hới Tuyên Hoá 8 106.62 106.2 17.47 17.82

Quảng Trị 9 Đông Hà 10 Khe Sanh 107.08 106.83 16.83 16.63

11 A Lưới 107.42 16.2 Thừa Thiên Huế 12 Huế 107.7 16.4

13 Đà Nẵng Đà Nẵng 108.18 16.03

14 Tam Kỳ 108.47 15.57 Quảng Nam 15 Trà My 108.22 15.33

16 Ba Tơ 108.75 14.77 Quảng Ngãi 17 Quảng Ngãi 108.78 15.13

18 Hoài Nhơn 109.02 14.53 Bình Định 19 Quy Nhơn 109.22 13.77

20 Tuy hòa 109.28 13.08 Phú Yên 21 Sơn Hòa 108.98 13.05

22 Cam Ranh 109.17 11.95 Khánh Hòa 23 Nha Trang 109.2 12.25

24 Nha Hố 108.9 11.67 Ninh Thuận

Bình Thuận 25 Phan rang 26 Hàm Tân 27 Phan Thiết 108.95 107.77 108.1 11.58 10.67 10.93

SPI_SPEICalculaiton = function(SCALE){ #-------------------------------------------- SPICal = function(RVal, SCALE){ library(SPEI) SPI = spi(RVal, scale = SCALE) SPIval = as.numeric(SPI$fitted)

Phụ lục 2.3. Code chương trình tính toán chỉ số SPI, SPEI

139

SPIval = SPIval[SCALE:length(SPIval)] SPIval[SPIval <= -3.5] = -3.5 SPIval[SPIval == -Inf] = -3.5 SPIval[SPIval == Inf] = 3.5 return(SPIval) } #--------------------------------------------- SPEICal = function(RVal,TVal,Lat, SCALE){ library(SPEI) PET = thornthwaite(TVal,Lat) D = RVal - PET SPEI = spei(D, scale = SCALE, distribution = 'log-Logistic') SPEIval = as.numeric(SPEI$fitted) SPEIval = SPEIval[SCALE:length(SPEIval)] SPEIval[SPEIval <= -3.5] = -3.5 SPEIval[SPEIval == -Inf] = -3.5 SPEIval[SPEIval == Inf] = 3.5 return(SPEIval) } #---------------------------------------- RGrid = read.table("..\\Ketqua\\RGrid8514.csv", header = F, sep = ",") TGrid = read.table("..\\Ketqua\\TGrid8514.csv", header = F, sep = ",") LAT = read.table("..\\Khonggian\\LatGridAvaiCenter.csv",header = F,sep = ",") SPEImatrix = mat.or.vec(nrow(RGrid) - SCALE + 1,ncol(RGrid)) SPImatrix = mat.or.vec(nrow(RGrid) - SCALE + 1,ncol(RGrid)) for (iG in 1: ncol(RGrid)){ RVal = RGrid[,iG] TVal = TGrid[,iG] Lat = LAT[iG,1] SPEImatrix[,iG] = SPEICal(RVal,TVal,Lat,SCALE) SPImatrix[,iG] = SPICal(RVal, SCALE) } SPEImatrix = round(SPEImatrix,3) SPImatrix = round(SPImatrix,3) SPEImatrix = as.data.frame(SPEImatrix) SPImaxtrix = as.data.frame(SPImatrix) COLNAMES = mat.or.vec(ncol(RGrid),1) for (iG in 1 : ncol(RGrid)){ COLNAMES[iG] = paste("Grid",iG,sep = "") } nyr = nrow(RGrid)/12 mon = rep(seq(1,12),nyr) maxyr = 2014; minyr = 1985 yr = mat.or.vec(nrow(RGrid),1) for(i in 1:nyr){ t = rep(minyr + i-1,12) yr[(1 + 12*(i-1)):(12 + 12*(i-1))]= t } mon = mon[SCALE:length(mon)]; yr = yr[SCALE:length(yr)]

140

SPImatrix = data.frame(mon,yr,SPImatrix) SPEImatrix = data.frame(mon,yr,SPEImatrix) colnames(SPImatrix) = c("mon","yr",COLNAMES);colnames(SPEImatrix) = c("mon","yr",COLNAMES) write.table(SPEImatrix, paste("..\\Ketqua\\SPEI",SCALE,"_Grid.csv",sep = ""),row.names = F,col.names = T, sep= ",") write.table(SPImatrix, paste("..\\Ketqua\\SPI",SCALE,"_Grid.csv",sep = ""),row.names = F,col.names = T, sep= ",") }

Phụ lục 2.4. Code chương trình chạy dự báo hạn

Code run % Following File: % ErrCal.m % ANFIS_Ha.m %-----Can Thay-------- divDt = 298; divMod = 1; divMod2 = 5; %-----Can Thay--------- ResEval_all = []; ResSimBest_all = []; ResSimVerBest_all = []; wtime_all =[]; ii_start = 0001; ii_end = 3752; for ii = ii_start: ii_end ResEval =[]; ResSimBest = []; ResSimVerBest = []; wtime =[]; filename = fullfile(pwd,'Input', ['Grid' num2str(ii) '_M5.csv']); Dt = csvread(filename); %% Parameter settings %% First model tic; [ 'Grid' ' ' num2str(ii)]; [ErrAcc, Eval, SimBest, SimVerBest] = ANFIS_Ha(Dt, divMod,divMod2, divDt); ErrFile = fullfile(pwd,'nodesfis_grid', ['Grid' num2str(ii) '.txt']); % pwd: current path csvwrite(ErrFile, ErrAcc); ResEval = [ResEval; Eval]; ResSimBest = [ResSimBest SimBest];

141

ResSimVerBest = [ResSimVerBest SimVerBest]; wtime =[wtime; toc]; ResEval_all = [ResEval_all; Eval]; ResSimBest_all = [ResSimBest_all SimBest]; ResSimVerBest_all = [ResSimVerBest_all SimVerBest]; wtime_all = [wtime_all; toc]; csvwrite(fullfile(pwd,'Grid_res', ['Grid' num2str(ii) 'Err.txt']),ResEval); csvwrite(fullfile(pwd,'Grid_res', ['Grid' num2str(ii) 'Sim.txt']),ResSimBest); csvwrite(fullfile(pwd,'Grid_res', ['Grid' num2str(ii) 'SimVer.txt']),ResSimVerBest); csvwrite(fullfile(pwd,'Grid_res', ['Grid' num2str(ii) 'Runtime.txt']),wtime); end csvwrite(fullfile(pwd,'Grid_res', ['Grid' num2str(ii_start) '_' num2str(ii_end) '_' 'Err.txt']),ResEval_all); csvwrite(fullfile(pwd,'Grid_res', ['Grid' num2str(ii_start) '_' num2str(ii_end) '_' 'Sim.txt']),ResSimBest_all); csvwrite(fullfile(pwd,'Grid_res', ['Grid' num2str(ii_start) '_' num2str(ii_end) '_' 'SimVer.txt']),ResSimVerBest_all); csvwrite(fullfile(pwd,'Grid_res', ['Grid' num2str(ii_start) '_' num2str(ii_end) '_' 'Runtime.txt']),wtime_all); Code ANFIS function [ResErrAcc, ResEval, ResSimBest, ResSimVerBest] = ANFIS_Ha(Dt, divMod,divMod2, divDt) % Computer Program for training and % Testing the ANFIS model % NGUYEN THAI HA, 2015. % Modified by NGUYEN THAI HA, Oct 2017 %% Splitting data x1 = Dt(1:divDt,divMod:divMod2-1); y1 = Dt(1:divDt,divMod2); x2 = Dt(divDt + 1 : end,divMod:divMod2-1); y2 = Dt(divDt + 1 : end,divMod2); traindata = [x1 y1]; testdata = [x2 y2]; %=================================================================== % Genfis1: generates an initial Sugeno-type FIS for the ANFIS training % using a grid partition. % Number of membership functions: 3 % Type of membership functions: gaussmf %=================================================================== % Parmeter setting numEpochs=300; mfType = str2mat('gaussmf'); nn = 1.9; % maximum parameter

142

ResEval= []; % Error between Output and Simulation. [ Correl Nash Efficient RMSE] ResSimBest = []; % Best result for training in each run ResSimVerBest = []; % Best result for verification in each run ResErrAcc =[]; % To generate an initial FIS minErr = 10; for ii = 1.1 :0.1: nn in_fis = genfis1(traindata,2,mfType,'linear'); [fismat1,trnErr,ss,fismat2,tstErr]=anfis(traindata,in_fis,[numEpochs 0 ... ii 0.9 1.1],[],testdata,1); % Chinh cai 0.9 dau tien %=================================================================== % Evalfis: performs fuzzy inference calculations. % Z: the predicted %=================================================================== z1 = evalfis(x1,fismat1); z2 = evalfis(x2,fismat2); ErrTemp = [ii ErrCal(z1,y1) ErrCal(z2,y2)]; ResErrAcc =[ResErrAcc; ErrTemp ]; Err = 0.2ErrTemp(4) + 0.8ErrTemp(7); % More weight for verfication if minErr > Err minErr = Err; bestANFIS = ii; bestANFIS1 = fismat1; bestANFIS2 = fismat2; end end z1 = evalfis(x1,bestANFIS1); z2 = evalfis(x2,bestANFIS2); ResEval = [ResEval bestANFIS ErrCal(z1,y1) ErrCal(z2,y2)]; ResSimBest = [ResSimBest z1]; ResSimVerBest = [ResSimVerBest z2]; end Code ket qua function Err = ErrCal(Sim1, Obs1) CORR = corr(Sim1,Obs1); E = 1-sum((Sim1-Obs1).^2)/sum((Obs1-mean(Obs1)).^2); RSR = sqrt(sum((Sim1-Obs1).^2))/sqrt(sum((Obs1-mean(Obs1)).^2)); Err = [CORR E RSR ]; end

Phụ lục 3.1. Diễn biến hạn hán tại các trạm theo các chỉ số SPI, SPEI

143

- Trạm Hồi Xuân, tỉnh Thanh Hóa

- Trạm Thanh Hóa, tỉnh Thanh Hóa

144

- Trạm Quỳ Châu, tỉnh Nghệ An

- Trạm Vinh, tỉnh Nghệ An

145

- Trạm Hà Tĩnh, tỉnh Hà Tĩnh

- Trạm Kỳ Anh, tỉnh Hà Tĩnh

146

- Trạm Tuyên Hóa, tỉnh Quảng Bình

- Trạm Đồng Hới, tỉnh Quảng Bình

147

- Trạm Đông Hà, tỉnh Quảng Trị

- Trạm Khe Sanh, tỉnh Quảng Trị

148

- Trạm Huế, tỉnh Thừa Thiên Huế

- Trạm A Lưới, tỉnh Thừa Thiên Huế

149

- Trạm Đà Nẵng, TP Đà Nẵng

- Trạm Tam Kỳ, tỉnh Quảng Nam

150

- Trạm Trà My, tỉnh Quảng Nam

- Trạm Quảng Ngãi, tỉnh Quảng Ngãi

151

- Trạm Ba Tơ, tỉnh Quảng Ngãi

- Trạm Hoài Nhơn, tỉnh Bình Định

152

- Trạm Quy Nhơn, tỉnh Bình Định

- Trạm Tuy Hòa, tỉnh Phú Yên

153

- Trạm Sơn Hòa, tỉnh Phú Yên

- Trạm Nha Trang, tỉnh Khánh Hòa

154

- Trạm Cam Ranh, tỉnh Khánh Hòa

- Trạm Nha Hố, tỉnh Ninh Thuận

155

- Trạm Phan Rang, tỉnh Ninh Thuận

- Trạm Hàm Tân, tỉnh Bình Thuận

156

- Trạm Phan Thiết, tỉnh Bình Thuận

* Ghi chú: Đường nét đứt màu đỏ thể hiện giá trị của chỉ số SPI, cột màu xanh thể hiện giá trị của chỉ số SPEI

Phụ lục 3.2.1. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 1 tháng)

Phụ lục 3.2. Tương quan giữa SSTA, SOI với các chỉ số SPI, SPEI theo không gian

157

Phụ lục 3.2.2. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 2 tháng)

Phụ lục 3.2.3. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 3 tháng)

Phụ lục 3.2.4. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 4 tháng)

158

Phụ lục 3.2.5. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 5 tháng)

Phụ lục 3.2.6. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 6 tháng)

Phụ lục 3.2.7. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 7 tháng)

159

Phụ lục 3.2.8. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 8 tháng)

Phụ lục 3.2.9. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 9 tháng)

Phụ lục 3.2.10. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 10 tháng)

160

Phụ lục 3.2.11. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 11 tháng)

Phụ lục 3.2.12. Tương quan giữa SSTA với các chỉ số SPI, SPEI (độ trễ j = 12 tháng)

Phụ lục 3.2.13. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 1 tháng)

161

Phụ lục 3.2.14. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 2 tháng)

Phụ lục 3.2.15. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 3 tháng)

Phụ lục 3.2.16. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 4 tháng)

162

Phụ lục 3.2.17. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 5 tháng)

Phụ lục 3.2.18. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 6 tháng)

Phụ lục 3.2.19. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 7 tháng)

163

Phụ lục 3.2.20. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 8 tháng)

Phụ lục 3.2.21. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 9 tháng)

Phụ lục 3.2.22. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 10 tháng)

164

Phụ lục 3.2.23. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 11 tháng)

Phụ lục 3.2.24. Tương quan giữa SOI với các chỉ số SPI, SPEI (độ trễ j = 12 tháng)

165

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

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 Duyên hải Miền Trung. Mời các bạn cùng tham khảo!

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

LUẬN ÁN TIẾN SĨ KỸ THUẬT

HÀ NỘI, NĂM 2019

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

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Chuyên ngành: KỸ THUẬT TÀI NGUYÊN NƯỚC

Mã số:

9 58 02 12

NGƯỜI HƯỚNG DẪN KHOA HỌC

1. PGS.TS. Nguyễn Đăng Tính

2. GS.TS. Nguyễn Văn Tỉnh

HÀ NỘI, NĂM 2019

LỜI CAM ĐOAN

LỜI CẢM ƠN

MỤC LỤC

DANH MỤC CÁC BẢNG BIỂU

DANH MỤC CÁC HÌNH VẼ

DANH MỤC CÁC TỪ VIẾT TẮT

MỞ ĐẦU

CHƯƠNG 1 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU VÀ DỰ BÁO HẠN

Hạn khí tượng

Hạn kinh tế - xã hội

Hạn thủy văn

Hạn nông nghiệp

CHƯƠNG 2 CƠ SỞ KHOA HỌC VÀ PHƯƠNG PHÁP DỰ BÁO HẠN KHÍ TƯỢNG CHO VÙNG DUYÊN HẢI MIỀN TRUNG

TT

Tên trạm

Thời gian

Z

TB Mưa nhiều năm (mm)

Độ tin cậy ** * **

Xu thế(mm/năm) 4.333 4.344 5.714 -6.737 -19.709 -22.209 -2.960 -7.375 12.427 12.688 20.020 43.785 14.567 11.048 8.917 30.939 11.964 18.500 3.871 0.571 -4.107 11.092 14.715 14.113 16.367 -2.700 4.800

TT

Tên trạm

Thời gian

Z

TB Nhiệt độ nhiều năm (°C)

Độ tin cậy + * ** * + * + * * * + * ** ** ** ** ** ** ** **

Xu thế (°C/năm) 0.023 0.010 0.023 0.038 0.033 0.020 0.022 0.011 0.011 0.017 0.018 -0.010 0.023 0.015 0.014 0.014 0.025 0.007 0.011 0.000 0.022 0.029 0.027 0.028 0.019 0.018 0.015

Biến khí tượng thủy văn Lượng mưa, dòng chảy, nhiệt độ, bốc hơi, độ ẩm đất, mực nước ngầm, mực nước hồ chứa

Đầu ra

Thời gian dự báo

Tính chất nghiêm trọng

Chỉ số hạn Chỉ số chuẩn hóa lượng mưa (SPI) Chỉ số chuẩn hóa lượng mưa và bốc hơi (SPEI) Chỉ số Palmer (PDSI) Chỉ số độ ẩm cây trồng (CMI) Chỉ số cung cấp nước mặt (SWSI)

Phương pháp luận Mô hình hồi quy Mô hình chuỗi thới gian Mô hình xác suất Mạng tần kinh nhân tạo (ANN) Mạng noron thích nghi mờ (ANFIS) Mô hình hỗn hợp

Khả năng phát sinh

Chỉ số khí hậu toàn cầu El Nino and the Southern Oscillation (ENSO) Sea Surface Temperature (SST) Southern Oscillation Index (SOI) ……………

CHƯƠNG 3 XÂY DỰNG MÔ HÌNH CẢNH BÁO SỚM HẠN KHÍ TƯỢNG CHO VÙNG DUYÊN HẢI MIỀN TRUNG

Mô hình

Tham số đầu vào (nhân tố dự báo)

Đầu ra (yếu tố dự báo)

Hạn ngắn

Hạn dài

Số liệu quan trắc khí tượng (mưa, nhiệt độ)

Số liệu quan trắc SSTA, SOI từ các Trung tâm khí hậu

Số liệu dự báo SSTA, SOI từ các Trung tâm khí hậu

SSTA, SOI quan trắc

Tính toán SPEI3

SSTA, SOI dự báo

Mô hình dự báo ANFIS (M4)

Diễn biến SPEI3 hiện trạng

Kết quả dự báo SPEI3 cho 2 tháng tiếp theo kể từ tháng hiện tại (tháng thứ 1 ÷ 2)

Kết quả dự báo SPEI3 cho 4 kế tiếp kế tiếp kể từ tháng hiện tại (tháng thứ 3 ÷ 6)

Phân tích tổng hợp số liệu quan trắc và kết quả các chương trình dự báo hạn khí tượng. Xây dựng bản đồ dự báo, cảnh báo hạn

Bản tin đánh giá hiện trạng; Bản tin dự báo và cảnh báo hạn

Tên trạm

Tháng 1/2015

Tháng 2/2015

Tháng 3/2015

Tháng 4/2015

Độ tin cậy + * ** * + * + * * * + *