TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG KHÍ TƢỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ
Bài toán đánh giá dự báo trong khí tƣợng
1.1.1 Mục đích và ý nghĩa của bài toán đánh giá Đánh giá chất lượng dự báo thời tiết nói chung là phương pháp thẩm tra đánh giá và xác định định lƣợng mức độ chính xác của mô hình hoặc mức độ sai khác giữa các sản phẩm dự báo của mô hình với những kết quả quan trắc thực tế nhằm chỉ ra những ƣu điểm, nhƣợc điểm của mô hình, giúp cho các chuyên gia nghiên cứu tìm kiếm các giải pháp cải tiến, phát triển, nâng cao chất lƣợng dự báo của mô hình
Có ba lý do quan trọng nhất để đánh giá dự báo là:
- Kiểm tra chất lƣợng dự báo – dự báo chính xác đến đâu và sẽ đƣợc cải tiến ra sao
Để nâng cao chất lượng dự báo, bước đầu tiên là xác định những sai sót mà người làm dự báo thường mắc phải.
So sánh chất lượng của các hệ thống dự báo là rất quan trọng để xác định mức độ hiệu quả của từng hệ thống Một hệ thống dự báo được coi là tốt hơn khi nó cung cấp kết quả chính xác và đáng tin cậy hơn so với các hệ thống khác Để đánh giá điều này, cần xem xét các yếu tố như độ chính xác, khả năng dự đoán và cách mà hệ thống xử lý dữ liệu để đưa ra kết quả tốt hơn.
Các hoạt động đánh giá sản phẩm dự báo chỉ thực sự có giá trị khi chúng dẫn đến các quyết định cải tiến sản phẩm hoặc xác nhận tính phù hợp của sản phẩm với nhu cầu người sử dụng và xã hội Đối với những sản phẩm dự báo được công bố rộng rãi, cần đảm bảo tính khách quan để người dùng có thể kiểm tra Đồng thời, số liệu quan trắc khí quyển phải phản ánh chính xác hiện thực Một số phương pháp đánh giá yêu cầu việc quan trắc tại một điểm phải đại diện đầy đủ và khách quan cho các hiện tượng thời tiết trong khu vực.
Tính cấp thiết trong đánh giá chất lượng dự báo thời tiết nhấn mạnh rằng mục đích đánh giá cần được xác định trước khi hệ thống đánh giá được thiết lập Do đó, các hoạt động đánh giá trong khí tượng và dự báo thời tiết có thể được phân chia thành hai mục đích chính: đánh giá hành chính và đánh giá khoa học.
Mục đích hành chính trong việc đánh giá thông tin là để hỗ trợ mua sắm thiết bị, như máy tính có cấu hình cao và tốc độ xử lý nhanh Điều này giúp xác định thời điểm và tính khả thi của việc thay thế sản phẩm hiện tại bằng sản phẩm mới, từ đó đưa ra các quyết định quan trọng nhằm tối ưu hóa nguồn lực con người và trang thiết bị phục vụ cho công tác phát hành bản tin dự báo thời tiết.
Mục đích khoa học của việc đánh giá sản phẩm dự báo là xác định đầy đủ và chi tiết các ưu điểm và nhược điểm của nó Các hoạt động này không chỉ giúp cải thiện chất lượng dự báo mà còn cung cấp thông tin quan trọng cho việc hoạch định hướng nghiên cứu và phát triển trong tương lai.
Một số tác giả cũng xem xét mục đích kinh tế, tuy nhiên đây là một vấn đề phức tạp và sẽ không được đề cập trong giới hạn của luận văn này.
1.1.2 Mô hình chung cho đánh giá dự báo các yếu tố thời tiết
Hình 1.1 minh họa một mô hình chung để đánh giá dự báo các yếu tố thời tiết, đồng thời cũng có thể có các mô hình khác Mô hình này cung cấp cái nhìn chi tiết về mối quan hệ giữa các đặc trưng của phép đánh giá các đại lượng đo và các giải pháp lựa chọn Sơ đồ này hỗ trợ trong việc xác định các bước cần thiết trước khi lựa chọn phương pháp đánh giá cụ thể.
Tất cả các phương pháp đánh giá bắt đầu bằng việc thu thập dữ liệu quan trắc và dự báo Tiếp theo, dữ liệu sẽ được xử lý, điều này phụ thuộc vào quyết định của người sử dụng Quan trọng nhất là lựa chọn mục đích đánh giá, có thể là hành chính hoặc khoa học.
Khi xác định mục đích đánh giá, cần phân loại các tập số liệu mẫu theo mục tiêu đã đề ra Phân loại là quá trình chia nhỏ các phần tử trong tập mẫu thành hai hoặc nhiều nhóm dựa trên một nguyên tắc nhất định, sau đó tiến hành đánh giá từng nhóm một cách riêng biệt Hình 1.1 minh họa hai kiểu phân loại: “Phân loại ngoại bộ” và “Phân loại nội bộ”.
Phân loại ngoại bộ là phương pháp phân loại mà nguyên tắc lựa chọn không phụ thuộc vào các yếu tố cần đánh giá Phương pháp này phổ biến trong việc xác định sự biến đổi trong đánh giá theo thời gian trong ngày hoặc theo mùa Phân loại ngoại bộ có thể được thực hiện bất cứ lúc nào trước khi tính toán các đánh giá thống kê thực tế, phục vụ cho cả mục đích hành chính và khoa học.
Các tập số liệu dùng để đánh giá
Phân loại nội bộ theo dự báo
Hệ số phân tán Điểm Berier RPS Điểm kỹ năng Brier Bảng độ tin cậy
Phân loại nội bộ theo quan trắc
Biến pha Biến liên tục Biến pha Biến liên tục Đồ thị điểm Bảng liên hợp Đồ thị điểm
Nguyên lý phát hiện tín hiệu Độ lệch (BIAS)
Phân loại nội bộ theo dự báo
Biến pha Biến liên tục
Sai số trung bình tuyệt đối
Sai số bình phương trung bình Độ giảm phương sai
Đánh giá khoa học yêu cầu một hệ thống phân loại cao hơn cho tập mẫu, đặc biệt khi dự báo các giá trị cực trị Để tách biệt các giá trị này khỏi chuỗi sự kiện chung, cần thực hiện "phân loại nội bộ", trong đó nguyên tắc phân loại phụ thuộc vào mục đích đánh giá và yếu tố được xem xét Có hai phương pháp để thực hiện phân loại nội bộ, và Hình 1.1 minh họa sự khác biệt trong kết quả đánh giá từ hai phương pháp này.
Phân loại theo quan trắc đề cập đến việc phân loại dựa trên giá trị của các yếu tố khí tượng đã được ghi nhận Từ đó, các tiêu chuẩn đánh giá có thể được tính toán cho từng nhóm giá trị quan trắc, và giá trị thống kê này được gọi là giá trị có điều kiện đối với quan trắc Ví dụ, phân bố có điều kiện trong dự báo có thể là một giá trị cụ thể hoặc một khoảng giá trị quan trắc.
Phân loại theo dự báo liên quan đến việc phân loại dựa trên giá trị của các yếu tố khí tượng được dự đoán, với các giá trị thống kê được gọi là điều kiện dự báo Việc lựa chọn kiểu phân loại phụ thuộc vào mục đích đánh giá, và trong nhiều trường hợp, cần kết hợp cả hai phương pháp để có kết quả toàn diện Hơn nữa, các đại lượng đánh giá khác nhau thể hiện những kiểu phân nhóm khác nhau, cung cấp nhiều thông tin bổ ích về sản phẩm.
Một số phương pháp và chỉ số đánh giá phổ biến
1.2.1 Sơ đồ chung đánh giá sản phẩm mô hình dự báo thời tiết số a Những nguyên nhân gây sai số trong mô hình dự báo số Để ứng dụng đƣợc một mô hình khu vực hạn chế vào trong nghiệp vụ dự báo thời tiết đòi hỏi trước hết là phải đánh giá được sai số dự báo của mô hình so với thực tế Các nguyên nhân có thể đƣa đến dự báo sai của mô hình số có thể tóm tắt nhƣ sau:
- Các công thức toán học để mô tả các quá trình vật lý xảy ra trong khí quyển là chƣa hoàn chỉnh;
- Ảnh hưởng của địa hình đến kết quả dự báo (thường không được mô hình số mô tả hoàn chỉnh);
- Các quá trình vật lý và các sơ đồ tham số hóa chƣa thật sự hoàn thiện;
Một số giả thiết không phù hợp được đưa ra không thể giải quyết hệ phương trình thủy nhiệt động lực học mô tả khí quyển thực tế.
Điều kiện biên và điều kiện ban đầu của các biến khí tượng hiện chưa hoàn chỉnh và chịu ảnh hưởng lớn từ địa hình Sự phân bổ các trạm thám sát còn thưa thớt, đặc biệt là ở các khu vực nhiệt đới.
Các kết quả thu được thường có sai số do việc áp dụng các phương pháp gần đúng trong giải quyết các công thức toán học Nguyên lý chung để đánh giá mô hình dự báo số bao gồm việc xem xét độ chính xác và khả năng dự đoán của mô hình.
Hình 1.1 số liệu quan trắc và bộ số liệu này phải tương
, số liệu quan trắc có thể sẽ đƣợc phân tích về lưới dự báo hoặc phẩm Trong trường hợp này
Khi đánh giá mô hình, việc kiểm tra lại số liệu quan trắc là rất quan trọng để đảm bảo tính chính xác của kết quả Để đánh giá hiệu quả của sản phẩm mô hình số, cần xác định rõ các vấn đề quyết định cần giải quyết trước khi thiết lập hệ thống đánh giá “Đánh giá hành chính” giúp xác định xu hướng về kỹ năng và độ chính xác của mô hình, thường được sử dụng để so sánh độ chính xác giữa hai mô hình khác nhau Tương tự, trong việc đánh giá các yếu tố thời tiết cho mục đích hành chính, có xu hướng giảm thiểu kết quả chỉ bằng một vài con số thông qua việc sử dụng các điểm số tổng kết.
Đánh giá khoa học mô hình là quá trình cung cấp thông tin phản hồi cho c front Bộ số liệu đánh giá cần được sắp xếp cẩn thận dựa trên các đặc trưng, có thể thực hiện theo hai hướng: dựa vào các đặc trưng quan trắc hoặc theo các đặc trưng dự báo.
“Phân loại ngoại bộ” ở đây có ý nghĩa là phân chia bộ số liệu đánh giá theo mùa hoặc theo thời gian chạy mô hình
Các tập số liệu dùng để đánh giá
Phân loại theo không gian
Sai số trung bình tuyệt đối Sai số bình phương trung bình Điểm kỹ năng (Độ suy giảm phương sai)
Hệ số phân tán Độ lệch (BIAS)
Tương quan dị thường Điểm số S1
Thẩm định trung tâm áp suất Các trường hợp nghiên cứu
Sai số đường đi Độ lệch trung tâm
Khi phân loại không gian cho mục đích khoa học, các khu vực có quy mô nhỏ hơn lưới được ưu tiên lựa chọn để thể hiện các chế độ khí hậu đa dạng, bao gồm các khu vực đồi núi, vùng núi khuất gió và bờ biển.
1.2.2 Phương pháp đánh giá đối với biến liên tục
1.2.2.1 Phương pháp toán đồ tụ điểm
Hình 1.3 minh họa toán đồ tụ điểm cho dự báo gió biển, với trường hợp dự báo lúc 00 giờ ở bên trái và trường hợp dự báo lúc 36 giờ ở bên phải Dữ liệu được lấy từ trạm phao.
Toán đồ tụ điểm là phương pháp đơn giản nhất để phân tích các biến liên tục như nhiệt độ và gió, bằng cách hiển thị tất cả các điểm số tương ứng giữa dự báo và quan trắc trên cùng một đồ thị với tỷ lệ hoành độ và tung độ như nhau Trong trường hợp lý tưởng, các điểm số sẽ nằm trên một đường thẳng đi qua gốc tọa độ, tạo với trục hoành một góc 45 độ, thể hiện rằng giá trị dự báo bằng giá trị quan trắc Đường 45 độ này thường được vẽ để hỗ trợ việc nội suy các điểm rời rạc.
Hình 1.3 là một ví dụ về toán đồ tụ điểm cho dự báo gió biển Mỗi điểm
"x" biểu thị cho ít nhất một lần xuất hiện của cặp dự báo và quan trắc riêng lẻ Trên mỗi đồ thị, có một đường hồi quy bình phương tối thiểu, có thể không đi qua gốc tọa độ, tương ứng với tập số liệu.
Tốc độ gió mô hình PPR (kts) Tốc độ gió mô hình PPR (kts)
Hệ số tương quan = 0.595 quan trắc
Nếu dự báo hoàn hảo, đường hồi quy sẽ trùng với đường 45 độ, cho thấy chất lượng dự báo tốt Sự lệch của đường hồi quy theo chiều nằm ngang làm giảm chất lượng dự báo, và nếu đường hồi quy hoàn toàn nằm ngang, điều này cho thấy quan trắc hoàn toàn độc lập với dự báo.
Một đại lượng đánh giá khác từ đồ thị điểm là sai số bình phương hoặc độ lệch Hình 1.3 minh họa đồ thị điểm cho dự báo nhiệt độ khách quan, dựa trên 701 trường hợp thu thập từ 11 trạm vùng Đại Tây Dương - CASSP Trong đồ thị này, các dấu “x” không xuất hiện như trong đồ thị trước, mà thay vào đó là các con số thể hiện số trường hợp của các cặp giá trị nhiệt độ quan trắc và dự báo tương ứng.
Đồ thị điểm mô tả phân loại cơ bản từ các trường hợp riêng lẻ, giúp phân tích số liệu một cách linh hoạt Với ngưỡng nhiệt độ cực trị là -20°C và +10°C, giá trị này có thể xác định từ đồ thị Các điểm nhiệt độ quan trắc trong giới hạn cực trị mà không có dự báo được gọi là miền sự kiện dự báo sót, trong khi các điểm có giá trị dự báo nằm trong phạm vi cực trị nhưng không quan trắc được gọi là miền báo động sai Đồ thị cho thấy tất cả nhiệt độ cao nhất đã bị bỏ sót do dự báo dưới ngưỡng, trong khi nhiệt độ thấp xuất hiện ở cả hai miền.
Phân loại dựa trên quan trắc chỉ giúp nhận diện các sự kiện dự báo sót, trong khi phân loại dựa trên dự báo cho phép nhận diện miền báo động sai Do đó, việc kết hợp cả hai phương pháp phân loại là cần thiết để thu thập thông tin đầy đủ về sản phẩm được đánh giá Ví dụ, các giá trị thấp bị bỏ sót có thể được khôi phục bằng cách dịch chuyển các điểm trên đồ thị sang trái giá trị ngưỡng 10°C, nhưng điều này dẫn đến sự gia tăng đột ngột trong miền báo động sai, điều mà phân loại chỉ dựa vào quan trắc không thể phát hiện Vì vậy, luôn có khả năng hiệu chỉnh cho các sự kiện cực trị bị bỏ sót.
Phân loại dự báo dựa trên các thông tin chi tiết về nhiệt độ có thể giúp hiểu rõ hơn về ý nghĩa thực sự của dự báo Cụ thể, việc phân tích chuỗi phân bố có điều kiện cho từng nhiệt độ dự báo hoặc cho khoảng nhiệt độ sẽ cung cấp cái nhìn sâu sắc về ý nghĩa của các dự báo này.
1.2.2.2 Các chỉ số đánh giá
Cơ sở lý thuyết của phương pháp đánh giá fuzzy
Dự báo có độ phân giải cao từ các mô hình số trị có thể rất chính xác và cung cấp thông tin hữu ích cho dự báo viên Tuy nhiên, khi áp dụng các phương pháp truyền thống, kết quả thường không khả quan do khó khăn trong việc dự báo trùng khớp hoàn toàn với quan trắc ở độ phân giải cao Phương pháp đánh giá “fuzzy” giúp giảm yêu cầu về độ chính xác giữa dự báo và quan trắc bằng cách sử dụng cửa sổ không gian hoặc vùng lân cận các điểm dự báo và/hoặc quan trắc Xử lý dữ liệu trong cửa sổ này có thể bao gồm trung bình hoặc ngưỡng, tùy thuộc vào phương pháp fuzzy cụ thể Kích thước vùng lân cận có thể điều chỉnh để cung cấp kết quả đánh giá ở nhiều kích thước khác nhau, giúp người sử dụng xác định kích thước tối ưu cho dự báo có kỹ năng tốt.
Phương pháp đánh giá fuzzy cho phép dự báo không nhất thiết phải trùng khớp với vùng thám sát, với mức chênh lệch được xác định bởi vùng lân cận địa phương Sự khác biệt giữa phương pháp đánh giá truyền thống và phương pháp fuzzy được minh họa rõ ràng trong Hình 1.5.
Không phải dễ dàng chỉ ngay ra được kích thước vùng lân cận thích hợp
Giá trị dự báo phụ thuộc vào khoảng cách giữa các ô lưới, độ phân giải thời gian và trạng thái thời tiết, do đó, một giá trị đơn lẻ có thể không phù hợp cho tất cả các loại dự báo và các miền tính khác nhau.
Phương pháp đánh giá fuzzy cải thiện chất lượng dự báo bằng cách điều chỉnh kích thước miền lân cận, từ đó cung cấp thông tin giá trị cho quá trình quan trắc và dự báo.
(Đánh giá truyền thống) c Dự báo (Đánh giá fuzzy)
Hình 1.5 trình bày ba phần quan trọng: a Miền quan trắc; b Đánh giá truyền thống, yêu cầu sự tương thích về không gian và thời gian giữa dự báo và quan trắc; c Đánh giá bằng phương pháp fuzzy, mang lại sự linh hoạt trong việc xử lý dữ liệu không chắc chắn.
(vùng dự báo tính đến cả miền lân cận quanh điểm quan trắc)
Một số phương pháp đánh giá fuzzy cho rằng các ô lưới lân cận của vùng quan trắc cũng được mở rộng tương ứng với vùng dự báo, thể hiện sự không chắc chắn trong quan trắc Hình 1.6 minh họa cho mối quan hệ giữa vùng quan trắc và vùng dự báo trong đánh giá fuzzy.
Phương pháp đánh giá fuzzy được mô tả chi tiết qua cửa sổ quan trắc và dự báo, với các ký hiệu được thiết lập để hỗ trợ quá trình này.
Gọi X là giá trị quan trắc trong một ô lưới, Y là giá trị dự báo trong ô lưới tương ứng s biểu thị giá trị các ô lưới xung quanh điểm lưới đang xét, trong đó s là quy mô lưới ( ) biểu thị giá trị trung bình toàn miền tính
I x thể hiện sự kiện quan trắc trong hộp lưới, với giá trị 1 cho biết sự kiện xảy ra và 0 cho biết sự kiện không xảy ra Trong khi đó, I y cho biết sự kiện dự báo trong hộp lưới tương ứng.
I y thể hiện các sự kiện quan trắc và dự báo trong khu vực lân cận các hộp lưới đang được xem xét Quyết định về phương pháp xác định sự kiện trong vùng lân cận I s phụ thuộc vào từng phương pháp đánh giá fuzzy đang áp dụng Một số phương pháp yêu cầu I s phải được phân loại rõ ràng, như 0 hoặc 1, trong khi các phương pháp khác cho phép sử dụng các giá trị trung gian.
Ký hiệu P x s là thành phần của hộp lưới tại vùng lân cận quan trắc và s
P y là thành phần của hộp lưới tại vùng lân cận dự báo: n y s y n x s x I
, trong đó n là số ô lưới trong vùng dự báo
Bằng cách so sánh các dự báo với sự kiện quan trắc, chúng ta có thể tính toán sai số quy mô phụ thuộc E s, thông qua việc so sánh các giá trị trong ô lưới X s.
Phương pháp đánh giá fuzzy khá đơn giản: Chọn một tập hợp các quy mô với các chỉ số: s = 1, 2, …., S và ngưỡng cường độ sự kiện với các chỉ số k = 1,
Để tính toán các kết quả đánh giá fuzzy, chúng ta cần thu thập dữ liệu từ các ô lưới dự báo trong cửa sổ quy mô s xung quanh mỗi điểm thám sát Đối với mỗi quy mô s, việc này giúp xác định các giá trị cần thiết cho quá trình đánh giá.
Vùng thám sát và vùng dự báo thu thập các dữ liệu thám sát tương ứng trong cửa sổ tương ứng Đối với mỗi ngưỡng cường độ k, các thông số tính toán như I x s, I y s, P x s sẽ được áp dụng.
P y, E s) k phụ thuộc vào việc lựa chọn các biến của mô hình Đối với mỗi ngưỡng cường độ k, có một điểm số đại diện cho toàn miền.
Mỗi phương pháp đánh giá fuzzy tạo ra một ma trận (k x s) chứa các điểm số đánh giá, với các điểm số này thay đổi dựa trên quy mô (s) và cường độ (k).
Tình hình nghiên cứu chung liên quan đến đề tài trên thế giới và tại Việt Nam33 CHƯƠNG 2 KHÁI QUÁT VỀ CÁC MÔ HÌNH DỰ BÁO THỜI TIẾT SỐ HRM,
Một số tác giả nổi tiếng như Henry R Stanski, Laurence J Wilson và William R Burrows (1990), cùng với Murphy, A.H và R.L Winkler (2004), đã đưa ra sơ đồ đánh giá sản phẩm của các mô hình dự báo thời tiết số.
Mỗi quốc gia trên thế giới đều xây dựng hệ thống đánh giá mô hình NWP riêng cho các Cơ quan KTTV Quốc gia Theo khảo sát toàn cầu của WMO năm 1997, 57% các cơ quan này có hệ thống đánh giá dự báo chính thức, bao gồm cả đánh giá mô hình NWP Tuy nhiên, phương thức và bản chất đánh giá giữa các quốc gia có sự khác biệt lớn, do các phương pháp phụ thuộc vào đặc trưng sản phẩm dự báo, yếu tố dự báo, cách xây dựng phương pháp và yếu tố chủ quan của người xây dựng WMO đã nỗ lực đưa ra chuẩn mực thống nhất về đánh giá chất lượng dự báo, nhưng chưa đạt được kết quả mong muốn, bởi mỗi quốc gia có quy định và yêu cầu riêng trong đánh giá chất lượng dự báo, tùy thuộc vào mục đích và trình độ khoa học công nghệ của quốc gia đó.
Tại Cơ quan khí tượng Australia (BOM), dự báo mưa từ mô hình NWP được so sánh với lượng mưa quan trắc 24 giờ trên toàn lãnh thổ, sử dụng độ phân giải 0.25° và các chỉ số đánh giá như BIAS, RMSE cho dự báo nhị phân Cơ quan Khí tượng Canada (CMC) áp dụng BIAS và RMSE cho các yếu tố như gió, nhiệt độ và khí áp, đồng thời sử dụng BIAS và TS để đánh giá mưa theo các ngưỡng khác nhau Tổng cục khí tượng Trung Quốc (CMA) chọn 400 trạm quan trắc để đánh giá mưa từ mô hình NWP, với các chỉ số BIAS và TS cho các ngưỡng 0,1; 10; 25; 50 và 100 mm/24 giờ Cơ quan khí tượng Pháp (Meteo France) đánh giá mưa, lượng mây, nhiệt độ, độ ẩm và tốc độ gió, sử dụng điểm lưới gần nhất với các chỉ số BIAS, RMSE và các chỉ số cho dự báo nhị phân Cơ quan khí tượng Nhật Bản (JMA) chỉ tập trung vào mưa và nhiệt độ, với số liệu quan trắc được chuyển đổi thành lưới 80 km và so sánh với số liệu dự báo qua các chỉ số BIAS, TS và ETS.
Cơ quan khí tượng Anh (UKMet) sử dụng MSE để đánh giá nhiệt độ và gió, trong khi ETS được áp dụng để đo lượng mưa, mây và tầm nhìn xa với các ngưỡng khác nhau Tại Cơ quan khí tượng Mỹ (NWS), các yếu tố như nhiệt độ, gió, độ ẩm, lượng mưa, trường khí áp và độ cao địa thế vị được xem xét Các chỉ số đánh giá bao gồm BIAS, ETS, POD, FAR và Odds ratio.
Tại Việt Nam, nghiên cứu về đánh giá chất lượng dự báo mô hình số đã được thực hiện kể từ khi áp dụng các mô hình dự báo số trị Tuy nhiên, các nghiên cứu hiện tại chủ yếu tập trung vào việc đánh giá kỹ năng dự báo một số yếu tố khí tượng bề mặt như lượng mưa, khí áp và nhiệt độ, chỉ ở những khu vực nhỏ và một số biến dự báo nhất định Chưa có đánh giá tổng thể nào theo không gian, thời gian và các hình thế thời tiết Các tác giả như Nguyễn Thị Thanh Bình (2002), Trần Quang Năng (2009), và Nguyễn Văn Bảy (2004) đã thực hiện đánh giá dự báo mưa, trong khi Vũ Anh Tuấn (2003) và Nguyễn Văn Bảy (2004) tập trung vào kết quả dự báo nhiệt độ và trường áp Hoàng Đức Cường (2004) cũng đã nghiên cứu thử nghiệm áp dụng mô hình khí tượng động lực quy mô vừa MM5 trong dự báo hạn ngắn ở Việt Nam.
Viện Khoa học Khí tượng Thủy văn và Môi trường đã thực hiện nhiều đề tài cấp Nhà nước quan trọng trong lĩnh vực dự báo thời tiết Hoàng Đức Cường (2007) đã nghiên cứu thử nghiệm dự báo mưa lớn ở Việt Nam bằng mô hình MM5, trong khi Đỗ Lệ Thủy (2009) tập trung vào việc xây dựng hệ thống dự báo các yếu tố khí tượng thông qua phương pháp thống kê dựa trên sản phẩm mô hình HRM.
Trung tâm Khí tượng Thủy văn Quốc gia đã thực hiện đề tài cấp Nhà nước, đồng thời trong Báo cáo tổng kết của đề tài NCKH cấp Bộ, tác giả Dương Liên Châu và Nguyễn Viết Thi (2007) đã xây dựng hệ thống chỉ tiêu để đánh giá chất lượng dự báo khí tượng thủy văn.
Cục Khí tượng Thủy văn và Biến đổi khí hậu đang thực hiện đề tài cấp Bộ mang tên “Nghiên cứu xây dựng và phát triển hệ thống đánh giá khách quan các sản phẩm của mô hình dự báo số cho khu vực Việt Nam” Mục tiêu của đề tài là xây dựng hệ thống đánh giá khách quan cho các sản phẩm dự báo số trị, từ đó tổ chức đánh giá và so sánh chất lượng dự báo của các mô hình dự báo thời tiết số trị hiện có tại Việt Nam Đề tài do thạc sỹ Nguyễn Thị Bình Minh làm chủ nhiệm và dự kiến hoàn thành vào tháng 12 năm 2011.
CHƯƠNG 2 KHÁI QUÁT VỀ CÁC MÔ HÌNH DỰ BÁO THỜI TIẾT SỐ
Giới thiệu về mô hình MM5
Mô hình khí tượng động lực quy mô vừa thế hệ thứ 5 (MM5) do Trung tâm Quốc gia Nghiên cứu Khí quyển Mỹ (NCAR) và Trường Đại học Tổng hợp Pennsylvania (PSU) phát triển là phiên bản mới nhất trong loạt mô hình dự báo được Anthes khởi xướng từ những năm 1970 Qua nhiều lần thử nghiệm và cải tiến, MM5 đã được điều chỉnh để mô phỏng tốt hơn các quá trình vật lý quy mô vừa và có thể áp dụng cho nhiều đối tượng khác nhau Phiên bản 3.5 (MM5V3.5) ra mắt năm 2001 đã được nâng cấp với các cải tiến về kỹ thuật lồng ghép nhiều mực, động lực học bất thuỷ tĩnh, đồng hoá số liệu 4 chiều, bổ sung các sơ đồ tham số hoá vật lý và kỹ thuật tính toán.
Mô hình MM5 áp dụng hệ thống lưới lồng (nesting grid) để cải thiện khả năng mô phỏng các quá trình vật lý có quy mô nhỏ hơn kích thước lưới của miền tính ban đầu.
MM5 cho phép lồng ghép tối đa 9 khu vực, với tỷ lệ độ phân giải (ĐPG) theo phương ngang của miền tính trong so với miền tính ngoài là 3:1.
Dữ liệu ban đầu và điều kiện biên cho mô hình MM5 được thu thập từ các trường phân tích và dự báo của mô hình GFS, một mô hình toàn cầu do Trung tâm Dự báo Môi trường Mỹ (NCEP) phát triển.
Các mô đung chính của MM5 gồm:
Mô-đun TERRAIN là thành phần đầu tiên trong hệ thống mô hình dự báo MM5, có chức năng nội suy dữ liệu về độ cao địa hình, thảm thực vật, loại hình bề mặt đất và ranh giới đất – nước cho các miền tính toán Các trường số liệu đầu vào bao gồm những thông tin quan trọng phục vụ cho quá trình dự báo.
+ Thảm thực vật hay loại hình sử dụng;
+ Nhiệt độ đất các lớp sát mặt;
+ Độ nhám bề mặt đất
Các chương trình trong môđun REGRID được thiết kế để đọc và phân tích số liệu khí tượng tại các mực khí áp theo phương ngang Đồng thời, chúng cũng thực hiện nội suy các giá trị phân tích từ lưới thô ban đầu, bao gồm lưới của các mô hình toàn cầu và khu vực, vào lưới tính của mô hình Quá trình này dựa vào các phép chiếu bản đồ đã được định nghĩa trong môđun TERRAIN.
Chức năng chính của môđun INTERPF là:
+ Nội suy số liệu khí tượng theo chiều thẳng đứng vào lưới mô hình; + Bổ sung các trường bề mặt như khí áp, nhiệt độ không khí;
+ Xử lý mô hình bất thuỷ tĩnh nguyên thuỷ
MM5 là môđun đƣa ra kết quả dự báo số của mô hình, tất cả các lựa chọn của mô hình đƣợc MM5 mô phỏng và dự báo
MM5 là công cụ mạnh mẽ trong nghiên cứu lý thuyết và ứng dụng, cho phép mô phỏng và dự báo thời tiết một cách chính xác Nó có khả năng mô phỏng các hiện tượng thời tiết quy mô lớn như gió mùa, bão và áp thấp, đồng thời cũng có thể dự báo các quá trình quy mô nhỏ hơn từ 2 đến 200 km.
2.1.3 Hệ các phương trình thủy nhiệt động lực của MM5
- Phương trình xu thế khí áp;
- Phương trình xu thế nhiệt độ;
- Các phương trình chuyển động ngang và thẳng đứng;
Để chạy mô hình dự báo thời tiết khu vực, cần thiết lập điều kiện biên xung quanh, bao gồm các biến như nhiệt độ (T), độ ẩm tương đối (RH), áp suất hoặc độ cao địa thế vị (H), và các thành phần gió ngang (U, V) Các giá trị biên có thể được lấy từ phân tích trong tương lai, mô phỏng lưới thô hơn trước đó, hoặc từ các mô hình dự báo khác trong thời gian thực, thường là từ mô hình dự báo toàn cầu Trong nghiên cứu, điều kiện biên cũng có thể được cải thiện bằng cách sử dụng số liệu phân tích từ các thám sát bề mặt và cao không.
- Điều kiện biên bức xạ: Điều kiện biên trên bức xạ đƣợc thiết lập trên cơ sở lí thuyết sau:
+ Áp dụng vào khí quyển thì các quá trình khí quyển có thể mô tả bằng các phương trình tuyến tính hoá;
+ Tính ổn định tĩnh và dòng trung bình đƣợc coi là hằng số;
+ Hiệu ứng Coriolis đƣợc bỏ qua;
+ Áp dụng đƣợc đối với gần đúng thuỷ tĩnh
Việc thiết lập RUBC trong các mô hình phổ là tương đối đơn giản, nhưng phức tạp hơn đối với những mô hình nút lưới
2.1.5 Các quá trình tham số hóa
Tham số hóa các quá trình khí quyển quy mô dưới lưới trong MM5 gồm có:
Tham số hóa đối lưu được phân thành ba nhóm chính: thích ứng đối lưu, đối lưu xuyên thủng và sơ đồ dựa trên mô hình mây tích Hiện nay, có nhiều sơ đồ tham số hóa đối lưu nổi bật, bao gồm sơ đồ của Manabe và các cộng sự, Betts và Miller, Arakawa và Shubert, Grell, Frank, và Cohen.
Tham số hóa các quá trình vi mô trong mây đóng vai trò quan trọng trong mô hình số trị, bao gồm xử lý các quá trình mây và mưa quy mô lưới, tính toán pha băng và tạo hạt đá, cũng như xu thế nhiệt, biến ẩm và mưa không phải do đối lưu Ngoài ra, nó còn cung cấp thông tin và tính chất của mây cho các sơ đồ bức xạ.
Tham số hóa các quá trình vi mô trong mây bao gồm các sơ đồ như Sơ đồ Simple Ice, Sơ đồ Mixed-phase và Sơ đồ Warm Rain, cùng với một số sơ đồ ít phổ biến hơn.
- Tham số hóa bức xạ: Gồm có sơ đồ tham số hóa bức xạ sóng dài và tham số hóa bức xạ sóng ngắn, theo Rodgers (1967)
Tham số hóa lớp biên hành tinh là một quá trình quan trọng trong khí tượng học, bao gồm các yếu tố như phương trình năng lượng bề mặt, thông lượng bức xạ thuần Rn, thông lượng hiển nhiệt Hs và thông lượng ẩm Es Các mô hình khí động lực học như sơ đồ tham số hóa Bulk-aerodynamic, mô hình phân giải cao của Blackadar, cùng với sơ đồ khuếch tán thẳng đứng và sơ đồ khuếch tán ẩm thẳng đứng, đóng vai trò quan trọng trong việc hiểu và dự đoán các hiện tượng khí quyển.
- Tham số hóa các quá trình đất – bề mặt: Gồm các sơ đồ:
+ None: Không dự báo nhiệt độ lớp đất bề mặt;
+ Force - Restone (Blackada) scheme: Dùng cho lớp mỏng đơn thuần ngay trên bề mặt và nhiệt độ của lớp đó;
+ Five - Layer Soil Model: Dự báo nhiệt độ của 5 lớp: 1, 2, 4, 8, 16m;
+ OSU/Eta-Suface Model: Mô hình lớp đất bề mặt có thể dự báo nhiệt độ và độ ẩm của 4 lớp: 10, 30, 60, 100 cm
Hình 2.1 là miền tính sử dụng trong luận văn này là miền tính lồng ghép từ hai miền Miền tính thứ nhất (miền lớn) giới hạn trong khoảng 5-30 O N, 90-
Mô hình tính toán khí tượng có 130 ô với kích thước 65x95 điểm tính và độ phân giải ngang 45km Về phương đứng, 23 mực sigma phân bố không đều từ mặt đất đến khoảng 100mb Miền tính thứ hai cho Việt Nam, với độ phân giải ngang 15km và 127x63 điểm tính, được lồng vào miền tính thứ nhất, bao trùm toàn bộ lãnh thổ Việt Nam.
Hình 2.1 Sơ đồ lồng ghép hai miền tính cho MM5
Giới thiệu về mô hình HRM
Mô hình dự báo thời tiết khu vực phân giải cao HRM (High Resolution Regional Model) là một mô hình thủy tĩnh, sử dụng hệ phương trình nguyên thuỷ, bao gồm các quá trình vật lý như bức xạ, mô hình đất, và các quá trình rối trong lớp biên Mô hình này cũng mô phỏng tạo mưa qui mô lưới, đối lưu nông và đối lưu sâu HRM được phát triển bởi Tổng cục Thời tiết Cộng hòa liên bang Đức (DWD) và hiện đang được áp dụng tại nhiều cơ quan khí tượng quốc gia, bao gồm Philippines, Brazil, Tây Ban Nha và Đức Từ năm nào, mô hình HRM đã được chuyển giao và chạy nghiệp vụ tại Trung tâm Dự báo Khí tượng Thủy văn Trung ương (TTDBTƢ).
Vào năm 2002, dự án hợp tác nghiên cứu giữa DWD, Khoa Khí tượng Thủy văn và Hải dương học, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội và TTDBTƢ đã được triển khai Mô hình HRM sử dụng số liệu ban đầu và điều kiện biên từ mô hình toàn cầu GME của DWD Hiện nay, mô hình HRM-14km với độ phân giải 14km, 40 mực thẳng đứng và bước thời gian 90 giây đang được vận hành tại TTDBTƢ, cung cấp 2 phiên dự báo hàng ngày vào 00UTC và 12UTC Đây là mô hình dự báo thời tiết đầu tiên được áp dụng tại Việt Nam và đã trải qua nhiều cải tiến trong những năm gần đây.
2.2.2 Cấu trúc lưới và phương pháp số
- Lưới điều hoà hoặc lưới quay kinh-vĩ;
- Độ phân giải từ 0.25 0 đến 0.05 0 (tương ứng với 28 đến 6 km);
- Sơ đồ sai phân trung tâm bậc hai theo không gian, theo lưới C-Arakava;
- Hệ toạ độ lai với số mực từ 20 đến 40;
Sơ đồ tích phân theo thời gian Leap-frog, bán tường minh, đạt độ chính xác bậc bốn, được sử dụng để tích phân hệ phương trình dự báo Bước tích phân theo thời gian Dt (s) được xác định theo công thức CFL (Courant-Friedrichs-Levy) và phụ thuộc vào bước tích phân theo không gian.
- Cách xử lý biên theo Davies (1976)
2.2.3 Hệ các phương trình cơ bản
Hệ phương trình nguyên thuỷ của mô hình bao gồm 6 phương trình dự báo tương ứng với 6 biến: pS, u, v, T, qV, qC
- Phương trình xu thế khí áp mặt đất;
- Hai phương trình thành phần gió ngang;
- Phương trình bảo toàn nhiệt;
- Phương trình bảo toàn hơi nước;
- Phương trình bảo toàn nước lỏng trong mây;
Bài viết đề cập đến 9 phương trình cảnh báo quan trọng, bao gồm: phương trình tốc độ thẳng đứng trong tọa độ lai, phương trình trạng thái, phương trình chuyển đổi giữa động năng và thế năng, phương trình tính tốc độ thẳng đứng trong tọa độ khí áp, quan hệ tính xoáy thế tuyệt đối, quan hệ tính động năng trên một đơn vị khối lượng, quan hệ tính địa thế vị từ tích phân phương trình thủy tĩnh, quan hệ xác định nhiệt độ ảo và phương trình tính độ ẩm riêng bão hòa.
2.2.4 Các quá trình tham số hóa vật lý
* Sơ đồ tham số hóa đối lưu Tiedtke
Từ năm 1989, Tiedtke đã phát triển một sơ đồ TSHĐL mây tích dựa trên các dòng khối, chia động lực của mây thành hai phần: dòng thăng và dòng giáng Theo đó, dòng khối trong mây tích được xác định là tổng của dòng khối trong dòng thăng và dòng khối trong dòng giáng.
Tiedtke (1989) phân biệt các loại mây đối lưu như sau:
Đối lưu sâu xảy ra khi không khí hội tụ ở lớp biên trong điều kiện bất ổn định, tạo ra dòng thăng mạnh có khả năng xuyên qua tầng đối lưu.
- Đối lưu nông: bên dưới có phân kỳ nhẹ và chỉ đạt đến độ cao trong tầng đối lưu
- Đối lưu mực giữa: xuất hiện ở vùng front trong lớp giữa của khí quyển, chân mây nằm trên lớp biên khí quyển
Sơ đồ này được xây dựng dựa trên lý thuyết của sơ đồ TSHĐL Tiedtke (1989), với điểm khác biệt chính là phương pháp tính thông lượng khối lượng dòng thăng tại chân mây cho đối lưu sâu Trong sơ đồ Tiedtke, giả thuyết khép kín được xác định dựa vào hội tụ ẩm quy mô lớn ở mực thấp.
* Sơ đồ Betts-Miller-Janjic
Sơ đồ TSHĐL BMJ được xây dựng dựa trên nguyên tắc điều chỉnh cấu trúc nhiệt ẩm, mô phỏng cấu trúc nhiệt ẩm thực tế trong khí quyển nhiệt đới.
Cấu trúc nhiệt động thám sát trong khí quyển nhiệt đới:
Nghiên cứu thám sát GATE nhằm mục đích chính là phân tích đối lưu sâu phức tạp ở khu vực nhiệt đới Qua đó, nghiên cứu này sẽ thử nghiệm và phát triển các sơ đồ TSHĐL cho khu vực này trong mô hình số.
Mục đích chính của các sơ đồ TSHĐL là đảm bảo cấu trúc thẳng đứng của nhiệt và ẩm bị điều khiển bởi đối lưu gần nhất với thực tế quan sát Ý tưởng về sự cân bằng giữa trường mây và áp lực quy mô lớn đối với đối lưu nông được Betts (1973) đề xuất, trong khi Arakawa và Shubert (1974) đưa ra lý thuyết cho đối lưu sâu Điều này cho thấy cấu trúc nhiệt ẩm đặc trưng trong các vùng đối lưu được xác nhận bởi quan sát thực tế, là cơ sở cho quá trình điều chỉnh đối lưu Manable & CS (1965) đã đề xuất phương pháp điều chỉnh đối lưu sâu liên quan đến đoạn nhiệt ẩm, mặc dù khí quyển nhiệt đới không đạt đến cân bằng đoạn nhiệt ẩm khi có sự tồn tại của đối lưu sâu Tất cả những điều này chỉ ra rằng, trên quy mô lưới trong mô hình, đối lưu luôn cần duy trì cấu trúc thẳng đứng của nhiệt ẩm giống như trong quan sát thực tế.
Một vấn đề quan trọng trong nghiên cứu khí tượng là xác định cách mà các chế độ đối lưu khác nhau duy trì sự tựa cân bằng nhiệt động Betts (1982) đã đưa ra quan điểm lý thuyết từ các thám sát như GATE, BOMEX, và ATEX, dựa trên việc thiết lập điểm bão hòa Qua đó, tác giả đã xác định một tập hợp các tham số phù hợp cho đối lưu sâu và đối lưu nông trong mô hình toàn cầu, góp phần làm rõ mối quan hệ giữa mây qui mô dưới lưới và các quá trình qui mô lưới.
Số liệu
Kết quả dự báo mưa và nhiệt độ 24h từ mô hình MM5 và HRM đã được đánh giá cho toàn Việt Nam, bao gồm các khu vực Bắc Bộ, Trung Bộ và Nam Bộ, trong các tháng mùa đông (12, 01, 02) và mùa hè (06, 07, 08), cũng như trung bình toàn chuỗi trong ba năm 2007, 2008, 2009 Việt Nam có đặc điểm thời tiết và khí hậu khác biệt rõ rệt giữa các vùng và các mùa khác nhau, do đó, tập số liệu đánh giá được chia theo không gian và thời gian.
+ Toàn Việt Nam: 7.125 0 N - 27.125 0 N; 97.125 0 E - 117.125 0 E (HRM1: 128 trạm; HRM2 và MM5: 24 trạm)
+ Khu vực Bắc Bộ: 19.5 0 N - 27.125 0 N; 97.125 0 E - 117.125 0 E (HRM1: 65 trạm; HRM2 và MM5: 12 trạm)
+ Khu vực Trung Bộ: 12 0 N - 19.5 0 N; 97.125 0 E - 117.125 0 E (HRM1: 34 trạm; HRM2 và MM5: 8 trạm)
+ Khu vực Nam Bộ: 7 0 N - 12 0 N; 97.125 0 E - 117.125 0 E (HRM1: 29 trạm; HRM2 và MM5: 4 trạm)
128 trạm quan trắc 24 trạm quan trắc
Hình 2.2 Các trạm quan trắc trong miền tính
Trước khi tiến hành đánh giá, số liệu thám sát được kiểm tra theo hướng dẫn của WMO, bao gồm việc kiểm tra các giá trị ngưỡng và tính phù hợp trong không gian và thời gian Trong luận văn này, bộ số liệu sử dụng là các số liệu phát báo nghiệp vụ hàng ngày, được chỉnh biên và lưu trữ tại Trung tâm dữ liệu Khí tượng Thủy văn, do đó được xem là có độ tin cậy cao.
Sản phẩm được phân tích và đánh giá bao gồm dự báo mưa tích lũy trong 24 giờ và nhiệt độ trung bình 24 giờ từ mô hình HRM, được vận hành hàng ngày tại Trung tâm Khí tượng Thủy văn Trung ương với độ phân giải 14km Bên cạnh đó, mô hình MM5 cũng được sử dụng trong nghiên cứu tại Viện Khoa học Khí tượng.
Mô hình thủy văn và môi trường với độ phân giải 15km cho phép dự báo chính xác hơn Kết quả dự báo trên lưới được nội suy để phù hợp với vị trí của các trạm quan trắc.
