(LUẬN văn THẠC sĩ) tác động của biến đổi khí hậu đến mối quan hệ cường độ thời gian tần suất của mưa khu vực hà nội

Tổng quan vâ ́n đề nghiên cứu

Đă ̣t vấn đề

Với sự phát triển nhanh chóng của kinh tế xã hội, nhu cầu thông tin về khí tượng thủy văn ngày càng tăng, đặc biệt trong các lĩnh vực như quy hoạch, thiết kế và phát triển cơ sở hạ tầng Việc xây dựng đường cong Cường độ - thời đoạn – tần suất (IDF) của mưa là bước quan trọng để ước lượng khả năng xảy ra, cường độ và thời gian mưa, phục vụ cho các ngành này Nhiều quốc gia phát triển và một số nước Đông Nam Á đã thực hiện nghiên cứu IDF cho các tỉnh và thành phố, nhưng ở Việt Nam, các nghiên cứu này còn hạn chế và chủ yếu do dự án nước ngoài tài trợ Trong bối cảnh biến đổi khí hậu, Việt Nam đã chịu thiệt hại lớn từ những trận mưa lịch sử, như trận mưa năm 2008 tại Hà Nội và trận mưa bất thường tại Quảng Ninh gần đây Do đó, việc xây dựng và cập nhật liên tục đường cong IDF là cần thiết và cấp bách để bảo đảm phát triển cơ sở hạ tầng hiệu quả.

Luận văn này nghiên cứu phương pháp hiệu chỉnh lượng mưa cho thời kỳ cơ sở và áp dụng cho thời kỳ tương lai, nhằm xây dựng đường cong IDF và đánh giá biến đổi của đường cong này với độ tin cậy cao hơn Bố cục luận văn gồm 3 chương: Chương 1 giới thiệu khái niệm đường cong IDF, mục tiêu nghiên cứu và tổng quan về hiệu chỉnh sai số lượng mưa; Chương 2 mô tả đối tượng nghiên cứu, số liệu và phương pháp sử dụng; Chương 3 trình bày kết quả, bao gồm đánh giá phương pháp, xây dựng đường cong IDF và phân tích biến đổi của đường cong IDF trong tương lai.

Khái niệm đường cong IDF của mưa

IDF là viết tắt của Intensity – Duration – Frequency, thể hiện mối quan hệ giữa cường độ mưa, thời gian và xác suất xuất hiện Đường cong IDF mô tả xác suất của một cường độ mưa trung bình trong một khoảng thời gian nhất định Nó được xây dựng từ chuỗi số liệu mưa cực trị qua nhiều thời đoạn khác nhau bằng phương pháp phân tích tần suất Độ dài chuỗi số liệu càng lớn, độ chính xác của đường cong IDF càng cao Các đường cong IDF cho các tần suất lặp lại khác nhau luôn song song với nhau.

Hình 1.1 Vi ́ dụ minh họa về đường cong IDF (Lê Minh Nhật 2008) [12]

Đường cong IDF có thể được hiểu đơn giản là biểu đồ thể hiện mối quan hệ giữa cường độ mưa và thời gian xảy ra mưa, với các khoảng thời gian cụ thể như 10 phút, 30 phút, 60 phút, cho đến các khoảng thời gian lớn hơn như 360 giờ.

Trong khoảng thời gian 720 giờ, chúng ta có thể đo lượng mưa cụ thể và tính cường độ mưa trung bình tính bằng mm/giờ Ví dụ, nếu trong 10 phút lượng mưa đo được là 45mm, thì cường độ mưa trung bình sẽ là 270mm/giờ Bằng cách áp dụng phương pháp phân tích tần suất, ta có thể tính toán tần suất lặp lại của các cường độ mưa và thu được đường cong IDF Đối với thiết kế hệ thống thoát nước nhỏ như cống thoát nước cho một tòa nhà, cường độ mưa với tần suất lặp lại từ 2 đến 5 năm sẽ được áp dụng Trong khi đó, cho các công trình thoát nước quy mô lớn hơn ở đô thị, tần suất lặp lại từ 50 đến 100 năm sẽ được sử dụng.

Mu ̣c tiêu của luâ ̣n văn

Trong khuôn khổ một luận văn thạc sỹ, nghiên cứu đă ̣t ra 2 mu ̣c tiêu dưới đây:

- Nghiên cứ u và áp dụng phương pháp hiê ̣u chỉnh sai số mô hình phù hợp đối với lượng mưa ngày cho khu vực Hà Nô ̣i

Xây dựng đường cong cường độ - thời lượng - tần suất (IDF) của mưa trong điều kiện khí hậu hiện tại và tương lai là rất quan trọng Việc đánh giá mức độ biến đổi của đường cong IDF dưới tác động của biến đổi khí hậu giúp hiểu rõ hơn về các xu hướng mưa và quản lý tài nguyên nước hiệu quả hơn.

Mục tiêu chính là cải thiện khả năng mô phỏng lượng mưa trong các mô hình khí hậu hiện tại, bao gồm cả mô hình toàn cầu và khu vực Hiện nay, các mô hình này gặp nhiều hạn chế trong việc dự báo và tính toán lượng mưa, đặc biệt là đối với các hiện tượng mưa cực đoan Do đó, việc tìm kiếm phương pháp hiệu chỉnh phù hợp và áp dụng cho khu vực Hà Nội là rất cần thiết và có tính ứng dụng cao.

Mục tiêu thứ hai là xác định mối quan hệ giữa các đặc trưng của mưa, bao gồm cường độ, thời gian mưa và tần suất xuất hiện của hiện tượng với cường độ và thời gian tương ứng Việc định lượng mối quan hệ này sẽ cung cấp cái nhìn tổng quát về cực trị mưa và những biến đổi của các hiện tượng này trong tương lai.

Tổng quan vê ̀ vấn đề nghiên cứu

Mô hình động lực là công cụ tiên tiến trong dự tính khí hậu tương lai, với khả năng cải tiến và chạy ở độ phân giải cao dưới 10km, giúp dự báo nhiều khía cạnh khí hậu địa phương như lượng mưa Tuy nhiên, các mô hình này vẫn gặp sai số hệ thống do nhiều yếu tố khách quan và chủ quan, như việc chưa nắm bắt toàn bộ quá trình lý hóa trong tự nhiên và phương pháp giải hệ phương trình Navier-Stokes Biến đổi khí hậu cũng có thể làm gia tăng sai số từ mô phỏng Việc cải tiến các mô hình động lực là thách thức đối với nhiều quốc gia, bao gồm cả Mỹ và Nhật Bản, dẫn đến nhiều nghiên cứu về phương pháp hiệu chỉnh thống kê nhằm giảm thiểu sai số Mặc dù không có phương pháp nào hoàn hảo để loại bỏ hoàn toàn sai số, việc hiệu chỉnh vẫn là cần thiết để giảm tính không chắc chắn trong dự tính khí hậu tương lai Nhiều nghiên cứu đã chứng minh tầm quan trọng của việc hiệu chỉnh sai số, đặc biệt trong việc xây dựng kịch bản và làm đầu vào cho các nghiên cứu tiếp theo về lượng mưa.

1.4.1 Nghiên cứ u về phương pháp hiê ̣u chỉnh sai số đối với lươ ̣ng mưa

Wood và ccs (2004) đã tiến hành so sánh và đánh giá 6 phương án hạ quy mô thống kê, tập trung vào yếu tố lượng mưa làm đầu vào cho các mô hình thủy văn với độ phân giải cao hơn so với mô hình khí hậu Nghiên cứu sử dụng bộ số liệu dự báo từ quá khứ (1975 - 1995) và bộ số liệu kịch bản cho giai đoạn 2040 - 2060 từ mô hình khí hậu NCAR-PCM Các phương án bao gồm hồi quy tuyến tính (LI), phân tách không gian (SD) và hiệu chỉnh sai số kết hợp phân tách không gian (BCSD), được áp dụng cho kết quả của PCM (độ phân giải T42) và kết quả đầu ra sau khi sử dụng phương pháp hạ quy mô động lực từ mô hình khí hậu khu vực RCM (độ phân giải 50km) Phương pháp BCSD cho thấy hiệu quả cao trong việc tái tạo các đặc điểm chính của số liệu quan trắc từ bộ số liệu mô phỏng khí hậu Hồi quy tuyến tính LI cho kết quả tốt hơn với các biến đầu ra từ RCM, nhưng vẫn tạo ra sai số lớn khi làm đầu vào cho mô hình thủy văn Phân tách không gian (SD) cho kết quả tương đồng với RCM và PCM, nhưng không hiệu quả khi áp dụng cho mô hình thủy văn mà không hiệu chỉnh sai số Kết quả từ hai phương án BCSD-PCM và BCSD-RCM cho thấy tính hợp lý cao hơn, nhấn mạnh tầm quan trọng của việc hiệu chỉnh sai số trong dự tính tương lai.

Ines và Hansen (2006) đã sử dụng hàm phân bố gamma để đại diện cho lượng mưa hàng ngày và áp dụng cả hàm phân bố gamma và hàm phân bố thực nghiệm nhằm hiệu chỉnh lượng mưa từ các mô hình toàn cầu Phương pháp này nhằm hiệu chỉnh giá trị trung bình cũng như các biến động theo quy mô tháng và mùa từ mô hình toàn cầu, bao gồm cả hiệu chỉnh tần suất và hiệu chỉnh cường độ.

Sharman và ccs (2007) đã áp dụng phương pháp BCSD để cải tiến khả năng mô phỏng lượng mưa từ mô hình toàn cầu cho lưu vực sông Ping, Thái Lan Phương pháp hiệu chỉnh sử dụng hàm phân bố lý thuyết Gamma, bao gồm hai bước chính: xác định ngưỡng mưa để loại bỏ các giá trị không đáng kể và tính toán các giá trị xác suất tích lũy tương ứng với mỗi giá trị mưa Sau khi hiệu chỉnh, phương pháp phân tách không gian được áp dụng để thu được trường mưa độ phân giải cao với độ chính xác lớn hơn Nghiên cứu đã áp dụng cho mô hình ECHAM4 với hai kịch bản A2 và B2, cho thấy phương pháp Gamma-Gamma giảm sai số thô cho lượng mưa mô hình đáng kể và cải thiện độ phân giải của mô hình ECHAM4 Kết luận cho thấy phương pháp này hoàn toàn có thể áp dụng cho dự tính tương lai và các nghiên cứu đánh giá tác động.

Piani (2009) đã áp dụng phương pháp thống kê hiệu chỉnh sai số cho lượng mưa ngày tại Châu Âu, sử dụng phương pháp hiệu chỉnh hàm phân bố, trong đó hàm phân bố lý thuyết Gamma được dùng để ước lượng các phân vị cho giá trị mưa Các tác giả đã hiệu chỉnh lượng mưa từ mô hình khu vực DMI với độ phân giải ngang nội suy 25x25km Hàm phân bố tại mỗi nút lưới được hiệu chỉnh dựa trên hàm phân bố của các nút lưới tương ứng từ số liệu tái phân tích CRU Kết quả hiệu chỉnh cho thấy phân bố lượng mưa theo không gian và thời gian từ mô hình khí hậu được cải thiện rõ rệt và đồng nhất với số liệu quan trắc.

Matthias Jakob và các cộng sự (2011) đã áp dụng 7 phương án chi tiết hóa thống kê thực nghiệm để hiệu chỉnh sai số cho mô phỏng lượng mưa từ mô hình MM5 tại khu vực Alpine Kết quả cho thấy phương pháp Quantile-Mapping và phương pháp hiệu chỉnh cường độ dựa trên quy mô địa phương cải thiện đáng kể các chỉ số như trung vị, phương sai, tần suất, cường độ và giá trị cực đoan của lượng mưa hàng ngày Mặc dù phương pháp hồi quy đa biến đã được tối ưu hóa, nhưng vẫn gặp nhiều hạn chế trong việc hiệu chỉnh lượng mưa Tổng quan, phương pháp Quantile-Mapping là hiệu quả nhất, đặc biệt với các giá trị cực đoan, và có khả năng áp dụng cho các khu vực khác.

Amengual và cộng sự (2012) đã áp dụng phương pháp hiệu chỉnh thống kê để dự tính khí hậu và đánh giá tác động của biến đổi khí hậu tại khu vực Platja de Palma, Địa Trung Hải Nhóm tác giả sử dụng 12 phương án mô hình khu vực để thu thập dữ liệu ngày về các yếu tố như lượng mưa, nhiệt độ trung bình, nhiệt độ tối cao, tối thấp, độ ẩm tương đối, mức che phủ mây và tốc độ gió Phương pháp Quantile-Quantile được áp dụng để loại bỏ sai số hệ thống trong kết quả mô phỏng, dựa trên việc xác định mức độ biến đổi trong hàm phân bố tích lũy giữa thời kỳ cơ sở và tương lai Mức độ biến đổi này được áp dụng vào dữ liệu quan trắc để tạo ra bộ số liệu dự tính mới với độ tin cậy cao hơn Kết quả nghiên cứu cho thấy có sự cải thiện đáng kể trong mô hình, mặc dù đối với các giá trị cực đoan về lượng mưa, sự cải thiện vẫn chưa rõ rệt.

Hình 1.2 Minh họa phương pháp Quantile – Quantile (Amengual và nnk, 2012) [1]

Winai (2013) đã áp dụng bốn phương pháp hiệu chỉnh sai số cho lượng mưa từ mô hình toàn cầu MRI nhằm đánh giá tác động và thích ứng trong quản lý hồ chứa nước dưới tác động của biến đổi khí hậu Phương pháp đầu tiên là hiệu chỉnh hàm sai số dựa trên phân vị (Quantile-Mapping), tương tự như phương pháp Sharman (2007) với hai bước chính là hiệu chỉnh tần suất và cường độ mưa Phương pháp thứ hai sử dụng tỷ lệ độ lệch chuẩn (SD ratio) của chuỗi số liệu quan trắc và mô hình, trong đó sai số lượng mưa được điều chỉnh bằng cách nhân với tỷ số giữa độ lệch chuẩn của chuỗi quan trắc và chuỗi mô hình Phương pháp thứ ba là phương pháp lai (Hybrid), chia chuỗi số liệu thành hai chuỗi con, một chuỗi cho các giá trị mưa nhỏ hơn 99.5% và chuỗi còn lại cho các giá trị mưa cực đoan Cuối cùng, phương pháp hiệu chỉnh delta sử dụng tỷ số giữa lượng mưa quan trắc trung bình và lượng mưa mô hình trung bình cho một tháng bất kỳ Kết quả cho thấy phương pháp SD Ratio và Hybrid có khả năng hiệu chỉnh tốt hơn cho hàm phân bố xác suất lượng mưa, với phương pháp Hybrid giảm sai số hệ thống cho lượng mưa cực trị trong mùa mưa, trong khi SD Ratio giảm sai số cho các giá trị mưa nhỏ trong mùa khô Tóm lại, phương pháp lai Hybrid là phù hợp nhất với hệ số tương không gian và thời gian của lượng mưa tháng.

Argueso và các cộng sự (2013) đã áp dụng phương pháp hiệu chỉnh hàm phân bố để điều chỉnh lượng mưa ngày từ mô hình WRF với độ phân giải 2km cho khu vực Sydney Họ sử dụng hàm phân bố gamma theo phương pháp của Piani (2009) nhưng bổ sung thêm bước hiệu chỉnh sai số cho lượng mưa tại từng điểm lưới bằng cách sử dụng chuỗi số liệu mưa ngày từ 5 trạm gần nhất Mỗi điểm lưới sẽ có 5 kết quả hiệu chỉnh, được tính trung bình theo phương pháp trọng số nghịch đảo của bình phương khoảng cách Phương pháp này đã chứng minh hiệu quả rõ rệt trong việc giảm sai số cho cả đặc trưng mưa theo ngày và theo mùa, cung cấp thông tin chính xác hơn cho các nghiên cứu đánh giá tác động.

Bennett và nnk (2014) đã dự đoán khí hậu tương lai cho khu vực Tasmania, Úc bằng mô hình khí quyển CCAM với độ phân giải 10 km, sử dụng 6 phương án khác nhau và áp dụng hiệu chỉnh thống kê bằng hàm phân bố tích lũy thực nghiệm cho các biến khí hậu theo ngày Các yếu tố được hiệu chỉnh bao gồm bức xạ mặt trời, nhiệt độ tối thấp, nhiệt độ tối cao, bốc hơi tiềm năng và lượng mưa Kết quả cho thấy phương pháp hiệu chỉnh này hiệu quả trong việc cải thiện cường độ và tần suất ngày mưa, đồng thời bảo toàn xu thế biến đổi khí hậu trong tương lai từ mô hình CCAM Tuy nhiên, phương pháp vẫn chưa đạt hiệu quả cao đối với các giá trị mưa gần 0 và có xu hướng dự đoán cường độ cũng như thời gian mưa thấp hơn cho các sự kiện mưa kéo dài và hạn hán.

1.4.2 Nghiên cứ u về xây dựng đường cong IDF

Trong vài thập kỷ qua, các nhà khoa học đã chú trọng nghiên cứu tác động của biến đổi khí hậu, đặc biệt là sự thay đổi lượng mưa đối với đời sống con người và cơ sở hạ tầng Nhiều nghiên cứu và báo cáo (IPCC 2007, 2013) đã chỉ ra rằng hiện tượng mưa sẽ trở nên bất thường hơn trong tương lai, với tần suất và cường độ lớn hơn so với hiện tại Bài viết này sẽ trình bày một số công trình nghiên cứu về mối quan hệ giữa cường độ, thời gian và tần suất xuất hiện của mưa cực đoan trên thế giới.

Nghiên cứu đầu tiên sử dụng công thức thực nghiệm là của Bernard (1932), trong đó mối quan hệ giữa cường độ, thời gian và tần suất được thể hiện rõ ràng.

Công thức I(d,T) được sử dụng để tính cường độ mưa trung bình trong khoảng thời gian d với tần suất lặp lại T, trong đó a và c là các hằng số thực nghiệm Tuy nhiên, công thức này có hạn chế khi khoảng thời gian d tiến gần đến 0, dẫn đến cường độ mưa đạt giá trị vô cùng Do đó, việc áp dụng công thức này để tính toán cường độ mưa cho các khoảng thời gian nhỏ sẽ không đảm bảo độ chính xác và có thể lớn hơn nhiều so với thực tế.

Lê Minh Nhật (2007) đã nghiên cứu và áp dụng phương pháp quy mô đơn giản nhằm chi tiết hóa quy mô thời gian đối với cường độ mưa tại khu vực lưu vực sông Yodo, Nhật Bản Phương pháp này dựa trên giả thiết của Menable (1999) cho rằng hàm phân bố cường độ mưa giữa các thời lượng khác nhau có mối quan hệ nhất định, đặc trưng bởi hàm mũ của nhân tố quy mô Qua việc áp dụng phương pháp này, tác giả đã thu được cường độ mưa tại lưu vực sông Yodo trong các thời đoạn rất ngắn, từ quy mô ngày đến quy mô phút, với độ chính xác tương đối cao so với lượng mưa quan trắc thực tế.

Nguyễn Văn Thành Văn và các cộng sự (2007) đã sử dụng phần mềm SDSM để phân tích yếu tố mưa ngày cực trị cho khu vực Quebec, Canada, dựa trên hai mô hình toàn cầu HadCM3 và CGCM2 theo kịch bản A2 Các tác giả đề xuất phương pháp hiệu chỉnh lượng mưa ngày cực trị và đã thấy hiệu quả tốt khi so sánh với số liệu quan trắc tại 15 trạm đo mưa trong giai đoạn 1961 - 1990 Ngoài ra, phương pháp hạ quy mô thời gian sử dụng hàm phân bố cực trị GEV cũng được áp dụng để mô tả mối quan hệ giữa lượng mưa ngày cực trị và lượng mưa cực trị trong các quy mô thời gian nhỏ hơn Kết quả cho thấy đường cong IDF của mưa được xây dựng cho cả thời kỳ hiện tại và các thời kỳ tương lai, cho thấy xu hướng lượng mưa cực trị sẽ tăng lên, với mô hình HadCM3 cho thấy sự biến đổi không quá lớn, trong khi mô hình CGCM2 cho thấy xu thế tăng rất mạnh của lượng mưa cực trị.

Pha ̣m vi, số liê ̣u và phương pháp nghiên cứu

Pha ̣m vi và số liê ̣u nghiên cứu

Trong luận văn này, nghiên cứu được thực hiện tại khu vực nội thành Hà Nội Bài viết sẽ trình bày một số đặc điểm nổi bật về vị trí địa lý, địa hình và khí hậu của khu vực Hà Nội.

Hà Nội, thủ đô của Cộng hoà Xã hội Chủ nghĩa Việt Nam, là trung tâm chính trị và kinh tế của cả nước, tọa lạc tại 21°01' vĩ độ Bắc và 105°51' kinh độ Đông Thành phố được bao quanh bởi các tỉnh Thái Nguyên, Bắc Ninh, Hưng Yên và Hòa Bình, với địa hình đa dạng, thấp dần từ Bắc xuống Nam và từ Tây sang Đông Địa hình Hà Nội chủ yếu bao gồm đồi và núi thấp, đồng bằng gò đồi và đồng bằng, trong đó đồng bằng chiếm hơn 80% diện tích thành phố Khu vực đồi núi Sóc Sơn và Ba Vì cũng góp phần vào sự đa dạng về địa hình của Hà Nội.

Hà Nội nằm trong hệ thống sông Hồng và sông Thái Bình với mật độ sông ngòi không đồng đều, dao động từ 0,1 đến 2,5 km/km2 cho các sông có dòng chảy tự nhiên Các sông lớn chảy qua Hà Nội bao gồm sông Hồng, sông Đuống, sông Cà Lồ, sông Nhuệ, sông Cầu, sông Ngũ Huyện Khê và sông Cầu Bây Tất cả các sông này đều có độ dốc lòng sông nhỏ, uốn khúc nhiều và chế độ thủy văn phức tạp Đặc biệt, khả năng tiêu thoát nước của các sông rất kém, nhất là trong mùa mưa lớn và khi mực nước sông cao.

Hà Nội có chế độ bức xạ thiên văn nội chí tuyến, với mặt trời đi qua thiên đỉnh hai lần mỗi năm, tạo ra độ cao mặt trời lớn và thời gian chiếu sáng tương đối đồng đều Lượng bức xạ tổng cộng trung bình hàng năm đạt 123 kcal/cm2, với các tháng gần hạ chí có lượng bức xạ trên 12 kcal/cm2, thậm chí lên đến 14 kcal/cm2 vào tháng 7 Ngược lại, vào các tháng gần đông chí, lượng bức xạ tổng cộng giảm xuống dưới 9 kcal/cm2 Điều này cho thấy rằng bức xạ tổng cộng ở Hà Nội khá lớn và có sự biến đổi rõ rệt giữa các mùa, với mùa hè có bức xạ cao hơn mùa đông.

Nhiệt độ trung bình năm của Hà Nội dao động từ 23 - 24 độ C ở vùng đồng bằng và thấp hơn ở vùng núi thấp như Sóc Sơn và phía nam Ba Vì Mùa hè (tháng 5 đến tháng 9) có nền nhiệt cao, với nhiệt độ trung bình tháng 7 đạt 28,5 - 29,5 độ C, trong khi ba tháng giữa mùa hè đều trên 28 độ C Ngược lại, mùa đông (tháng 11 đến tháng 4) có nhiệt độ thấp, với tháng 1 trung bình 16 - 17 độ C và ba tháng giữa mùa đông đều dưới 18 độ C.

Hà Nội có lượng mưa trung bình hàng năm từ 1400 đến 2000 mm, xếp vào nhóm khu vực có lượng mưa phổ biến ở Việt Nam Mùa mưa bắt đầu từ tháng 4, tháng 5 và kéo dài đến hết tháng 10, với tháng 8 và tháng 9 là thời điểm có lượng mưa cao nhất Một số khu vực như phía Bắc Sóc Sơn, Bắc Mê Linh và phía Nam có lượng mưa vượt quá 2000 mm.

Ba Vì có lượng mưa mùa hè chiếm tới 80-90% tổng lượng mưa hàng năm, trong khi 6 tháng còn lại chỉ chiếm 10-20% Mặc dù số ngày mưa tập trung chủ yếu vào mùa hè, tỷ lệ này lại thấp hơn, chỉ khoảng 60% tổng số ngày mưa trong năm Tổng số ngày mưa trung bình trong năm tại Ba Vì khoảng 150 ngày.

Hà Nội trung bình trải qua 7-8 ngày mưa lớn mỗi năm, với lượng mưa vượt 50 mm/ngày, trong đó có 1-2 ngày mưa rất lớn với lượng mưa trên 100 mm/ngày Những cơn mưa lớn thường diễn ra vào mùa hè, nhưng cũng có thể xuất hiện vào tháng 2 hoặc tháng 11 Mưa rất lớn chỉ xảy ra hiếm hoi vào đầu mùa đông, như trong các năm 1984, 1996 và 2008.

2.1.1.2 Tình hình ngập lụt ở Hà Nội a) Nguyên nhân chính gây ra ngập úng

Ngập úng tại Hà Nội có thể do nhiều nguyên nhân khác nhau Dưới đây là một số nguyên nhân chủ quan có thể gây ra tình trạng này trong khu vực.

Sự phát triển kinh tế xã hội đã dẫn đến việc bê tông hóa diện tích đô thị, làm giảm khả năng thấm nước của bề mặt.

Hệ thống thoát nước đô thị hiện nay gặp nhiều khó khăn do tình trạng kém hiệu quả, cùng với việc nhiều nhánh sông như sông Tô Lịch bị cống hóa Ngoài ra, sự thu hẹp của các hệ thống sông ngòi và ao hồ đã làm giảm khả năng lưu trữ và thoát nước, gây ra nguy cơ ngập úng trong khu vực.

 Sự thay đổi trong sử dụng đất làm mất cân bằng tích chứa nước của đô thị b) Một số trận lũ lụt gây ngập úng nghiêm trọng ở Hà Nội

Lưu vực sông Hồng đã trải qua nhiều trận lũ lớn, trong đó hai trận lũ nghiêm trọng vào tháng 8 năm 1945 và tháng 8 năm 1971 đã gây ra vỡ đê, ngập lụt trên diện rộng và thiệt hại nặng nề cho nhiều khu vực.

 Trận lũ lớn năm 1945 đã ghi nhận mực nước thực đo trên sông Hồng khu vực

Trận lũ tại Hà Nội đã đạt mức 12.68m, dẫn đến việc vỡ đê ở nhiều khu vực như đê hữu ngạn sông Thao, sông Đà, sông Lô, sông Hồng, sông Đáy, sông Đuống và sông Thái Bình Sự cố này đã gây ngập lụt trên 11 tỉnh, ảnh hưởng đến 312.000 ha đất canh tác và hàng triệu người dân trong khu vực.

Vào năm 1971, một đợt mưa lớn kéo dài nhiều ngày đã làm mực nước trên các sông dâng cao, gây nguy cơ vỡ đê và dẫn đến tình trạng ngập lụt trên toàn miền Bắc Đây được xem là một trong những trận lũ lụt nghiêm trọng nhất trong vòng 100 năm qua.

Ngoài 2 trận lũ lớn đặc biệt nghiêm trọng kể trên, có thể nhắc thêm tới các trận lụt dưới đây:

Vào tháng 8 năm 1968, Bắc Bộ Việt Nam đã hứng chịu tác động của hai cơn bão liên tiếp, trong đó bão số 3 đổ bộ vào Quảng Ninh và bão số 4 đổ bộ vào Nam Định.

Mưa lớn kéo dài đã gây lũ lớn làm vỡ đê sông Hồng, sông Thái Bình và sông Thao

Phương pháp hiệu chỉnh thống kê

Dữ liệu mưa được nội suy từ chuỗi số liệu trên lưới với độ phân giải từ 1x1 độ kinh vĩ đến 2.5x2 độ kinh vĩ bằng phương pháp nội suy song tuyến tính, cho ra chuỗi số liệu mô hình tại trạm Hà Nội trong các thời kỳ 1961 – 2005 và 2070 – 2099 cho hai kịch bản RCP4.5 và RCP8.5 Tuy nhiên, chuỗi số liệu mô phỏng và dự tính tương lai chứa nhiều sai số so với thực tế, vì vậy việc áp dụng phương pháp hiệu chỉnh là rất quan trọng và cần thiết để giảm thiểu sai số do mô hình gây ra.

Phương pháp hiệu chỉnh dựa trên phân vị (Quantile-Mapping) được áp dụng trong nghiên cứu này, tương tự như nhiều nghiên cứu trước đây đã được đề cập, bao gồm các tác giả như Ines và cộng sự (2006) cũng như Kumar Mishra và Herath (2014).

Phương pháp điều chỉnh hàm phân bố xác suất tích lũy (CDF) nhằm tối ưu hóa sự phù hợp giữa mô hình và phân bố tích lũy của chuỗi số liệu quan trắc được đề xuất bởi Piani và nnk (2009), Sharma và nnk (2007), cũng như Winai (2013) Phương pháp này bao gồm hai bước chính để đạt được kết quả chính xác nhất.

Hình 2.1 Minh họa phân bố tích lũy của mưa (màu đỏ: quan trắc, màu xanh: mô hình)

Để cải thiện tần suất ngày mưa trong chuỗi số liệu mưa mô hình, cần thực hiện việc điều chỉnh bằng cách loại bỏ một số ngày mưa có lượng mưa rất nhỏ từ mô hình.

- Hiệu chỉnh hàm phân bố của chuỗi số liệu cắt xén này, thu được giá trị lượng mưa ngày sau hiệu chỉnh

Phương pháp hiệu chỉnh này có thể được mô tả một cách chi tiết như sau:

Chuỗi số liệu quan trắc mưa ngày và chuỗi số liệu mưa mô hình có thể được ước lượng hiệu quả bằng hàm phân bố gamma Do đó, việc tính toán các phân vị và thực hiện hiệu chỉnh theo phân vị sẽ dựa trên hàm phân bố gamma Hàm phân bố gamma có phân bố xác suất (PDF) được xác định rõ ràng.

Hàm phân bố tích lũy được tính như sau:

Trong đó, 𝜶 và 𝜷 là các hằng số hình dạng và quy mô tương ứng, có thể được tính toán theo công thức 3 dựa trên các giá trị trung bình và độ lệch tiêu chuẩn từ chuỗi số liệu.

 Trước tiên tiến hành chia chuỗi số liệu mưa quan trắc và mô hình thành 2 phần: phần lớn hơn phân vị 99% của chuỗi và phần còn lại

Để hiệu chỉnh tần suất mưa từ mô hình, cần xác định ngưỡng mưa nhất định để loại bỏ các giá trị mưa nhỏ hơn ngưỡng này Thông thường, ngưỡng 0.1mm được sử dụng trong quan trắc khí tượng như ngưỡng bắt đầu mưa Tuy nhiên, ngưỡng này không thể áp dụng trực tiếp cho dữ liệu từ mô hình, mà cần xác định một ngưỡng riêng Từ ngưỡng 0.1mm, xác suất tích lũy CDF sẽ được tính toán dựa trên hai tham số quy mô và hình dạng từ chuỗi số liệu quan trắc Ngưỡng mưa 0.1mm tương ứng với một phân vị trong chuỗi số liệu quan trắc, và phân vị này phụ thuộc vào hai tham số trên Sau khi xác định phân vị, ngưỡng mưa tương ứng trong chuỗi số liệu mô hình sẽ được thiết lập, và các giá trị mưa nhỏ hơn ngưỡng này sẽ được gán bằng 0.

 Sử dụng chuỗi số liệu đã được hiệu chỉnh tần suất này để tính toán các tham số quy mô và hình dạng mới cho chuỗi số liệu

Hiệu chỉnh sai số cho lượng mưa trong chuỗi số liệu cắt xén là bước quan trọng để đảm bảo tính chính xác Sau khi điều chỉnh, cần tính toán giá trị xác suất tích lũy cho tất cả các giá trị mưa trong chuỗi, dựa trên tham số hình dạng và quy mô của dữ liệu Cuối cùng, sử dụng hàm chuyển ngược các phân vị với tham số hình dạng và quy mô của chuỗi số liệu quan trắc để thu được chuỗi số liệu mô hình đã được hiệu chỉnh sai số.

Đối với các giai đoạn tương lai, cần thực hiện các bước tương tự như đã mô tả, tuy nhiên giá trị mưa hiệu chỉnh sẽ được tính bằng cách nhân giá trị mưa hiệu chỉnh với nhân tố quy mô.

Có thể thấy, phương trình (2.6) dung để hiệu chỉnh lượng mưa cho tương lai thực tế là một phương trình tổng quát hơn của phương trình (2.5).

Phương pháp xây dựng đường cong IDF

2.3.1 Phương pháp phân tích tần suất

Đường cong IDF của mưa, như đã đề cập trong mục 1.2, thể hiện mối quan hệ giữa cường độ mưa trong một khoảng thời gian nhất định và các tần suất lặp lại khác nhau, điều này được minh họa qua hình 2.1 dưới đây.

Hình 2.2 Mối quan hê ̣ giữa xác suất tích lũy và đường cong IDF (Lê Minh Nhật

Dựa vào Hình 2.2, có thể tính toán phân vị p i cho các giá trị mưa ở từng thời đoạn cụ thể Phân vị này phản ánh tần suất lặp lại xác định và được tính toán theo công thức nhất định.

Khi xác định một chu kỳ lặp lại, cường độ mưa cho từng thời đoạn có thể được tính toán thông qua hàm phân bố tích lũy từ chuỗi số liệu Việc kết nối các giá trị cường độ mưa này ở nhiều thời đoạn khác nhau sẽ tạo ra đường cong IDF của mưa.

Sử dụng hàm phân bố cho các biến cực trị Gumbel (Liew và cộng sự, 2014; Wang và cộng sự, 2014), xác suất tích lũy tại một cường độ mưa I được tính toán như sau:

Từ phương trình (8), lấy logarit 2 lần đối với cả 2 vế nhâ ̣n được:

Sử du ̣ng phương trình (2.9) với 1 tần suất lă ̣p la ̣i T cho trước, các tham số 𝝁 𝒅 và

Trong nghiên cứu này, tham số 𝝈 𝒅 được xác định dựa trên hai yếu tố chính là vị trí và quy mô từ chuỗi số liệu Thông qua việc phân tích, có thể xác định giá trị của cường độ mưa I trong khoảng thời gian d với tần suất lặp lại là T năm.

2.3.2 Phương pháp ha ̣ quy mô thời gian

Tính chất về quy mô (Scaling properties) đã được xác nhận qua nhiều nghiên cứu thực nghiệm Menabde (1999) đã áp dụng tính chất này để nghiên cứu cường độ mưa Phương pháp này cũng đã được ứng dụng rộng rãi trong các nghiên cứu toàn cầu về IDF của mưa, như trong công trình của Lê Minh Nhật (2008) và các tác giả khác.

(2007) [17, 18], Afrin và nnk (2015) [21], Wang và nnk (2014) [24]

Dấu "=" thể hiện sự bằng nhau về phân bố xác suất của hai vế, trong đó 𝜂 là quy mô hàm mỹ, và d/D là tỷ lệ giữa hai thời đoạn mưa khác nhau Tính chất quy mô này có thể được diễn đạt dưới dạng phân bố tích lũy.

Kết hợp với phương trình (2.9), thu được:

Để xác định giá trị quy mô μ, ta sử dụng công thức 𝝈 𝒅 = (𝑑/𝐷) −𝜂 𝝈 𝐷 Bằng cách lấy lũy thừa hai phía lên bậc q và tính trung bình các giá trị, ta có thể tìm ra mối quan hệ giữa các moment bậc q của hai hàm phân bố Biểu đồ thể hiện mối quan hệ giữa hàm Log của các moment này và hàm Log của các thời đoạn tương ứng với từng bậc q Từ đó, tính toán hệ số góc của các đường quan hệ Log-Log cho các bậc q Nếu tất cả các điểm nằm trên một đường thẳng, tính chất này được gọi là tính chất quy mô đơn giản (Simple Scaling) và hệ số góc của đường thẳng tương ứng với quy mô μ -𝜂 Ngược lại, nếu các điểm có dạng cong, tính chất này được gọi là quy mô phức (multi-scaling) Các bước này được mô tả qua hình dưới đây.

Hi ̀nh 2.3 Minh họa tính chất quy mô đơn và quy mô phức (Lê Minh Nhật, 2008)

Trong tương lai, phương pháp này sẽ được áp dụng để thu thập cường độ mưa trong thời gian ngắn từ số liệu mưa ngày đã được hiệu chỉnh Đồng thời, nó cũng được sử dụng cho thời kỳ hiện tại để xác định mối quan hệ IDF Mức độ biến đổi cường độ mưa ∆I sẽ được tính toán cho từng thời đoạn và tần suất lặp lại khác nhau, nhằm đánh giá tác động của biến đổi khí hậu lên mối quan hệ IDF Cuối cùng, đường cong IDF trong tương lai sẽ được tính toán bằng cách cộng mức biến đổi ∆I với đường cong IDF hiện tại, được xây dựng từ số liệu quan trắc mưa trong thời gian ngắn.

Trong đó: I là cường độ mưa, T là tần suất lặp lại, d là thời đoạn, Fut biểu thị thời kỳ tương lai và his là thời kỳ hiện tại.

Kê ́t quả và thảo luâ ̣n