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 đang gặp phải Việc này sẽ giúp cải thiện độ chính xác và hiệu quả của các dự báo trong tương lai.
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 mang lại kết quả chính xác hơn và đáng tin cậy hơn so với các hệ thống khác Để đánh giá sự vượt trội này, cần xem xét các yếu tố như độ chính xác, khả năng dự đoán và tính nhất quán của kết quả mà hệ thống đó cung cấp.
Các hoạt động đánh giá chỉ có giá trị khi chúng dẫn đến quyết định về sản phẩm dự báo Những quyết định này có thể dẫn đến thay đổi trong sản phẩm hoặc phương pháp dự báo, hoặc xác nhận rằng sản phẩm đáp ứng nhu cầu của người sử dụng và xã hội Đối với các sản phẩm dự báo phổ biến, cần viết một cách khách quan để người dùng có thể kiểm tra, trong khi số liệu quan trắc khí quyển phải phản ánh chính xác thực tế Hơn nữa, một số phương pháp đánh giá yêu cầu quan trắc tại một điểm phải đủ đại diện và khách quan cho các hiện tượng thời tiết trong khu vực.
Đánh giá chất lượng dự báo thời tiết là một hoạt động cấp thiết, đòi hỏi mục đích đánh giá phải được xác định trước khi thiết lập hệ thống Các hoạt động này trong khí tượng và dự báo thời tiết có thể được phân loại thành hai mục đích chính: đánh giá hành chính và đánh giá khoa học.
Mục đích hành chính của việc đánh giá thông tin là cung cấp dữ liệu cần thiết cho việc mua sắm trang thiết bị, chẳng hạn 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, đồng thời hỗ trợ các quyết định khác 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 một cách chi tiết các ưu điểm và nhược điểm của nó Qua đó, 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 khuôn khổ của luận văn này.
1.1.2 Mô hình chung cho đánh giá dự báo các yếu tố thời tiết
Mô hình trong Hình 1.1 là một trong những kiểu mô hình phổ biến nhất để đánh giá và dự báo các yếu tố thời tiết, bên cạnh 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 và các giải pháp lựa chọn Sơ đồ này hỗ trợ quyết định các bước cần thiết trước khi lựa chọn phương pháp đánh giá cụ thể.
Tất cả các phương pháp đánh giá bắt đầu từ việc thu thập dữ liệu quan trắc và dự báo Sau đó, dữ liệu sẽ được xử lý, và bước 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.
Sau khi xác định mục đích đánh giá, việc phân loại các tập số liệu mẫu theo mục đích đã định là cần thiết Phân loại bao gồm việc chia nhỏ các phần tử trong tập mẫu thành hai hoặc nhiều nhóm dựa trên nguyên tắc đã được thiết lập, và 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 đánh giá độc lập các yếu tố cần phân tích, cho phép xác định sự biến đổi trong đánh giá theo thời gian trong ngày hoặc theo mùa Kiểu phân loại này có thể được thực hiện bất cứ lúc nào trước khi tiến hành 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
Mục đích khoa học Quản lý hành chính
Phân loại nội bộ theo quan trắc
Phân loại nội bộ theo dự báo
Phân loại nội bộ theo dự báo
Biến pha Biến liên tục
Biến pha Biến liên tục Biến pha Biến liên tục
Bảng liên hợp Đồ thị điểm Bảng liên hợp Đồ thị điểm Sai số trung bình tuyệt đối Điểm Berier RPS
Sai số bình phương trung bình
Nguyên lý phát hiện Bảng độ tin cậy Điểm kỹ năng
Brier Độ giảm phương sai
Hình 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết Độ lệch (BIAS)
Để nâng cao chất lượng đánh giá khoa học, cần thiết phải có một phương pháp phân loại mẫu hiệu quả hơn Ví dụ, trong dự báo cực trị, mẫu dữ liệu cần được phân nhóm để tách biệt các giá trị cực trị khỏi chuỗi sự kiện chung Phân nhóm này được gọi là “phân loại nội bộ”, với nguyên tắc phân loại dựa trên mục đích đánh giá và yếu tố được xem xét Hai phương pháp phân loại nội bộ khác nhau sẽ dẫn đến kết quả đánh giá khác nhau, như thể hiện trong Hình 1.1.
Phân loại theo quan trắc liên quan đến việc phân loại dựa trên giá trị của các yếu tố khí tượng được ghi nhận Các tiêu chuẩn đánh giá sẽ 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 Một ví dụ điển hình cho phân bố có điều kiện trong dự báo là một giá trị cụ thể hoặc một khoảng giá trị quan trắc.
Phân loại theo dự báo dựa trên giá trị của các yếu tố khí tượng được dự báo, với các giá trị thống kê được gọi là điều kiện dự báo 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 hoàn chỉnh Những đại lượng đánh giá khác nhau cũng biểu thị cho các kiểu phân nhóm khác nhau, cung cấp nhiều thông tin đa dạng 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 đã được đưa ra nhằm giải quyết hệ phương trình thủy nhiệt động lực học, mô tả chính xác khí quyển thực tế.
Điều kiện biên và điều kiện ban đầu của các biến khí tượng hiện nay còn thiếu sót và chịu ảnh hưởng lớn từ yếu tố địa hình Sự phân bố các trạm thám sát khí tượng cũng rất thưa thớt, đặc biệt là ở các khu vực nhiệt đới.
Các kết quả thu được có chứa sai số do việc áp dụng các phương pháp gần đúng trong giải các công thức toán học Nguyên lý chung để đánh giá mô hình dự báo số là xác định độ chính xác và khả năng dự đoán của mô hình, từ đó cải thiện và tối ưu hóa quy trình dự báo.
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
Trong quá trình 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 một sản phẩm mô hình số, cần xác định rõ các vấn đề quyết định 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 giữa hai mô hình khác nhau Tương tự, khi 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 giúp 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 trên 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
Mục đích khoa học Quản lý hành chính
Phân loại theo không gian
Phân loại nội bộ Sai số trung bình tuyệt đối
Sai số bình phương trung bình Thẩm định trung tâm áp suất Điểm kỹ năng (Độ suy giảm phương sai) Độ lệch trung tâm
Các trường hợp nghiên cứu
Hệ số phân tán Độ lệch (BIAS)
Tương quan dị thường Điểm số S1
Tốc độ gió mô hình PPR (kts) Tốc độ gió mô hình PPR (kts)
Hệ số tương quan = 0.789 Hệ số tương quan = 0.595
Khi phân loại theo không gian cho mục đích khoa học, các khu vực nhỏ dưới lưới được ưu tiên lựa chọn để phản ánh sự đa dạng của các chế độ khí hậu Những khu vực này bao gồm các vùng đồi núi, các vùng núi khuất gió và bờ biển, giúp cung cấp cái nhìn sâu sắc về ảnh hưởng của địa hình đến khí hậu.
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 trình bày toán đồ tụ điểm cho dự báo gió biển, với bên trái thể hiện dự báo tại thời điểm 00 giờ và bên phải là dự báo tại thời điểm 36 giờ 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, 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 đều 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 cho 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” đại diện 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, không nhất thiết phải đi qua gốc tọa độ, tương ứng với tập số liệu quan trắc.
Nếu dự báo hoàn hảo, đường hồi quy sẽ trùng với đường 45 độ, cho thấy chất lượng dự báo tốt Sự sai lệch của đường hồi quy so với đường 45 độ cho thấy chất lượng dự báo giảm Khi đường hồi quy hoàn toàn nằm ngang, điều này chỉ ra rằng quan trắc hoàn toàn độc lập với dự báo.
Một đại lượng đánh giá khác có thể ước lượng từ đồ thị điểm là sai số bình phương hoặc độ lệch Hình 1.3 minh họa một đồ thị điểm cho dự báo nhiệt độ khách quan, dựa trên 701 trường hợp mẫu từ 11 trạm vùng Đại Tây Dương - CASSP Trong đồ thị này, thay vì các dấu “x” như đồ thị trước, các con số được sử dụng để biểu thị số trường hợp của các cặp giá trị nhiệt độ quan trắc và dự báo tương ứng.
Một đồ thị điểm giúp phân loại cơ bản từ các trường hợp riêng lẻ, tạo điều kiện cho phân tích số liệu 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 có 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 Trên đồ thị, có thể nhận thấy rằng tất cả nhiệt độ cao nhất đều bị bỏ sót do dự báo dưới ngưỡng, trong khi nhiệt độ thấp xuất hiện ở cả hai miền sự kiện dự báo sót và báo động sai.
Phân loại dựa trên quan trắc chỉ giúp nhận diện miền sự kiện dự báo sót, trong khi phân loại dựa trên dự báo lại chỉ xác định được miền báo động sai Do đó, việc sử dụng cả hai loại phân loại là cần thiết để có thông tin đầy đủ về sản phẩm 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 sẽ dẫn đến sự gia tăng đột ngột trong miền báo động sai, một yếu tố không thể nhận ra chỉ với phân loại dựa trên quan trắc Vì vậy, việc hiệu chỉnh cho các sự kiện cực trị bị bỏ sót là luôn khả thi.
Phân loại dựa trên dự báo có thể giúp hiểu rõ hơn về ý nghĩa thực tế của các dự báo này Thông tin chi tiết về ý nghĩa của dự báo cho từng nhiệt độ có thể được thu thập từ chuỗi phân bố có điều kiện tương ứng với mỗi nhiệt độ dự báo hoặc trong một phạm vi nhiệt độ nhất định.
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 thường rất chính xác và cung cấp thông tin hữu ích cho các dự báo viên Tuy nhiên, khi áp dụng các phương pháp truyền thống, kết quả thường không đạt yêu cầu do khó khăn trong việc đồng bộ hóa dự báo với quan trắc ở độ phân giải cao Đánh giá “fuzzy” giúp giảm bớt yêu cầu về độ chính xác giữa dự báo và quan trắc thông qua việc sử dụng một cửa sổ không gian hoặc vùng lân cận của các điểm dữ liệu Việc xử lý số liệu trong cửa sổ này có thể bao gồm các phương pháp như trung bình hoặc ngưỡng, tùy thuộc vào phương pháp fuzzy cụ thể Kích thước của vùng lân cận có thể điều chỉnh để cung cấp các kết quả đánh giá đa dạng, cho phép người dùng xác định kích thước tối ưu cho dự báo có kỹ năng tốt.
Phương pháp đánh giá fuzzy cho phép sự không trùng khớp giữa vùng dự báo và vùng thám sát, với mức chênh lệch được xác định bởi một vùng lân cận địa phương Sự khác biệt giữa phương pháp đánh giá truyền thống và phương pháp đánh giá 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 mọi loại dự báo và các miền tính khác nhau.
Phương pháp đánh giá fuzzy điều chỉnh kích thước miền lân cận, từ đó cung cấp thông tin về chất lượng dự báo như một hàm của quy mô Điều này bao gồm hai khía cạnh quan trọng: quan trắc và dự báo.
(Đánh giá truyền thống) c Dự báo
Hình 1.5 trình bày ba khía cạnh 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, và c Đánh giá bằng phương pháp fuzzy.
(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 Trường hợp này được minh họa trong hình 1.6, với hai khái niệm chính là vùng quan trắc và vùng dự báo.
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.
Ix đại diện cho sự kiện quan trắc trong hộp lưới, với giá trị 1 cho biết sự kiện xảy ra và 0 cho biết không xảy ra Trong khi đó, Iy thể hiện sự kiện dự báo trong hộp lưới tương ứng.
I s biểu thị các sự kiện quan trắc và dự báo trong khu vực lân cận các hộp lưới Quyết định phương pháp xác định sự kiện trong vùng lân cận I s phụ thuộc vào từng phương pháp đánh giá fuzzy cụ thể Một số phương pháp yêu cầu 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
P y s là thành phần của hộp lưới tại vùng lân cận dự báo:
P y s 1 I y n trong đó n là số ô lưới trong vùng dự báo.
Bằng cách so sánh dự báo với các sự kiện quan trắc ta có thể tính đƣợc sai số quy mô phụ thuộc
E s dựa trên một so sánh các giá trị trong ô lưới
Phương pháp đánh giá fuzzy rất đơn giản, bắt đầu bằng cách 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, 2, , K, từ đó tính toán các kết quả đánh giá fuzzy Đối với mỗi quy mô s, cần thu thập các ô lưới dự báo trong cửa sổ quy mô s xung quanh mỗi điểm thám sát.
Vùng thám sát và vùng dự báo cần thu thập các dữ liệu thám sát tương ứng trong khoảng thời gian xác định Đối với mỗi ngưỡng cường độ k, quy mô tính toán sẽ được thực hiện cho các chỉ số I x s và I y s.
Việc lựa chọn các biến của mô hình ảnh hưởng đến giá trị E s ) k Mỗi ngưỡng cường độ k sẽ tương ứng với một điểm số đại diện cho toàn miền.
Mỗi phương pháp đánh giá fuzzy tạo ra một ma trận (k x s) với các điểm số đánh giá, trong đó các điểm số này thay đổi tùy theo quy mô.
Việc kiểm tra thực hiện dự báo theo phương pháp này giúp xác định quy mô và cường độ của dự báo với độ phân giải cao, mang lại giá trị hữu ích Kết quả đánh giá fuzzy có thể được tổng hợp theo dự báo tháng, mùa hoặc các hiện tượng thời tiết tương tự, từ đó phát hiện các quy luật có tính hệ thống Các phương pháp đánh giá fuzzy đặc trưng đóng vai trò quan trọng trong quá trình này.
Tất cả các phương pháp đều sử dụng một trong hai loại đã đƣợc đề cập đến ở trên l à :
– một vùng dự báo” Tùy vào từng nhu cầu cụ thể về thông tin chất lượng dự báo mà người dùng có thể lựa chọn phương pháp phù hợp. s
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 bật như Henry R Stanski, Laurence J Wilson và William R Burrows (1990), cùng với Murphy, A.H và R.L Winkler (2004), đã đề xuất sơ đồ chung để 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, theo kết quả điều tra toàn cầu của WMO năm 1997, 57% các Cơ quan KTTV có hệ thống đánh giá dự báo chính thức Tuy nhiên, phương thức và bản chất đánh giá khác nhau giữa các quốc gia, phụ thuộc vào đặc trưng sản phẩm dự báo, yếu tố dự báo, phương pháp xây dựng và cả yếu tố chủ quan của người đánh giá WMO đã nỗ lực thiết lập chuẩn mực thống nhất về đánh giá chất lượng dự báo, nhưng chưa đạt kết quả mong muốn do mỗi quốc gia có quy định và yêu cầu riêng trong công tác đánh giá chất lượng dự báo khí tượng.
Tại các cơ quan khí tượng như Cơ quan khí tượng Australia (BOM), dự báo mưa từ mô hình NWP được so sánh với lượng mưa quan trắc 24 giờ, với độ phân giải phân tích là 0.25° và sử dụng các chỉ số BIAS, RMSE cùng một số chỉ số đánh giá dự báo nhị phân Cơ quan Khí tượng Canada (CMC) áp dụng các chỉ số 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 Tổng cục khí tượng Trung Quốc (CMA) đã chọn 400 trạm quan trắc để đánh giá mưa từ mô hình NWP, sử dụng BIAS và TS cho các ngưỡng khác nhau Cơ quan khí tượng Pháp (Meteo France) đánh giá các yếu tố như mưa, lượng mây và nhiệt độ, sử dụng các chỉ số BIAS, RMSE và đánh giá dự báo nhị phân Cơ quan khí tượng Nhật Bản (JMA) chỉ đánh giá mưa và nhiệt độ, biến đổi số liệu quan trắc thành lưới đồng nhất 80 km và so sánh với số liệu dự báo bằng các chỉ số BIAS, TS và ETS.
Cơ quan khí tượng Anh (UKMet) sử dụng chỉ số MSE để đánh giá nhiệt độ và gió, trong khi chỉ số ETS được áp dụng để đánh giá mưa, lượng mây và tầm nhìn xa với các ngưỡng khác nhau Tại Cơ quan khí tượng Mỹ (NWS), các yếu tố được đánh giá bao gồm nhiệt độ, gió, độ ẩm, lượng mưa, trường khí áp và độ cao địa thế Các chỉ số thống kê như BIAS, ETS, POD, FAR và Odds ratio được sử dụng để phân tích dữ liệu khí tượng.
Tại Việt Nam, các nghiên cứu về đánh giá chất lượng dự báo mô hình số đã được thực hiện sau khi áp dụng các mô hình dự báo số trị Tuy nhiên, các nghiên cứu này chủ yếu tập trung vào việc đánh giá kỹ năng dự báo cho một số yếu tố khí tượng bề mặt như lượng mưa, khí áp và nhiệt độ, và chỉ áp dụng cho một số biến dự báo cũng như khu vực nhỏ Chưa có một đánh giá tổng thể nào theo cả 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 đánh giá 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 tại Việt Nam.
Viện Khoa học Khí tượng Thủy văn và Môi trường đã thực hiện nhiều nghiên cứu quan trọng về dự báo thời tiết, trong đó có đề tài cấp Nhà nước của Hoàng Đức Cường (2007) về dự báo mưa lớn tại Việt Nam sử dụng mô hình MM5 Bên cạnh đó, Đỗ Lệ Thủy (2009) cũng đã nghiên cứu 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 về chất lượng dự báo khí tượng thủy văn 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 này.
Cục Khí tượng Thủy văn và Biến đổi khí hậu đang thực hiện đề tài cấp Bộ "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, nhằm tổ chức đánh giá và so sánh chất lượng dự báo của các mô hình 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 tƣợng 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 từ những năm 1970 Qua nhiều lần thử nghiệm và cải tiến, MM5 đã được điều chỉnh để mô phỏng hiệu quả hơn các quá trình vật lý quy mô vừa, phục vụ cho nhiều ứng dụng khác nhau Phiên bản 3.5 (MM5V3.5), ra mắt năm 2001, đã cải tiến đáng kể so với các phiên bản trước, bao gồm các 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 tiên tiến.
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 giữa miền tính trong và miền tính ngoài là 3:1.
Số liệu ban đầu và điều kiện biên cho mô hình MM5 được lấy từ các trường phân tích và dự báo của mô hình toàn cầu GFS, do Trung tâm Dự báo Môi trường Mỹ (NCEP - National Centers for Environmental Predictions) cung cấp.
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 các dữ liệu địa hình như độ cao, thảm thực vật, loại hình bề mặt đất và ranh giới đất – nước cho các miền tính Các trường số liệu đầu vào cho mô đun này rất đa dạng và quan trọng.
+ Thảm thực vật hay loại hình sử dụng;
+ Nhiệt độ đất các lớp sát mặt;
+ Độ nhám bề mặt đất.
Môđun REGRID bao gồm các chương trình dùng để đọc và phân tích số liệu khí tượng tại các mực khí áp theo phương ngang Chương trình này 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, làm đầu vào cho MM5 Các giá trị này được chuyển vào lưới tính của mô hình dựa trên các phép chiếu bản đồ đã được xác định trong quá trình tính toán ở 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 một công cụ mạnh mẽ cho nghiên cứu lý thuyết và ứng dụng trong lĩnh vực khí tượng Nó cho phép mô phỏng và dự báo thời tiết một cách toàn diện, bao gồm các hiện tượng quy mô lớn như gió mùa, bão và áp thấp Bên cạnh đó, MM5 cũng hỗ trợ mô phỏng và dự báo các quá trình quy mô nhỏ hơn, với khoảng cách từ 2 đến 200 km, giúp cải thiện độ chính xác trong dự báo thời tiết.
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 xác định các điều kiện biên xung quanh, bao gồm nhiệt độ (T), độ ẩm tương đối (RH), áp suất hoặc độ cao địa thế (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 của lưới thô hơn, hoặc từ các mô hình dự báo khác trong thời gian thực, thường là mô hình dự báo toàn cầu Trong các nghiên cứu, điều kiện biên 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 chia 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, cũng như 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 khác 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: Bao gồm phương trình năng lượng bề mặt,
Thông lượng bức xạ thuần Rn, thông lượng hiển nhiệt Hs và thông lượng ẩm Es là những yếu tố quan trọng trong nghiên cứu khí động lực học Sơ đồ tham số hóa khí động lực học (Bulk-aerodynamic) cung cấp cái nhìn tổng quan về các quá trình này Mô hình phân giải cao của Blackadar và sơ đồ khuếch tán thẳng đứng giúp cải thiện độ chính xác trong dự đoán khí hậu Ngoài ra, sơ đồ khuếch tán ẩm thẳng đứng đóng vai trò quan trọng trong việc hiểu rõ hơn về sự phân bố độ ẩm trong không khí.
- 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-
Miền tính thứ nhất cho Việt Nam có 130 O E với 65x95 điểm tính và độ phân giải ngang 45km, trong khi phương đứng 23 mực sigma phân bố không đều từ mặt đất đến khoảng 100mb Bên cạnh đó, miền tính thứ hai (miền nhỏ) được lồng vào miền tính thứ nhất với độ phân giải ngang 15km và 127x63 điểm tính, 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 và bao gồm đầy đủ các quá trình vật lý như bức xạ, mô hình đất, các quá trình rối trong lớp biên, tạo mưa qui mô lưới, đối lưu nông và đối lưu sâu Được phát triển tại Tổng cục Thời tiết Cộng hòa liên bang Đức (DWD), mô hình HRM hiện đang được áp dụng tại nhiều cơ quan khí tượng quốc gia, bao gồm Philippines, Brazil, Tây Ban Nha và Đức Từ năm 2010, mô hình HRM đã được chuyển giao và chạy nghiệp vụ tại Trung tâm Dự báo Khí tượng Thủy văn Trung ương (TTDBTƯ).
Năm 2002, dự án hợp tác nghiên cứu giữa DWD, Khoa Khí tượng Thủy văn và Hải dương học thuộc Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, và TTDBTƢ đã được triển khai Dữ liệu ban đầu và điều kiện biên cho mô hình HRM được lấy từ các trường phân tích và dự báo của mô hình toàn cầu GME của DWD Hiện tại, mô hình HRM-14km với độ phân giải ngang 14km, 40 mực thẳng đứng và bước thời gian 90 giây đang được vận hành tại TTDBTƢ.
Mô hình dự báo thời tiết HRM, được triển khai lần đầu tại Việt Nam, hiện đã trải qua nhiều lần cải tiến Hệ thống này cung cấp hai phiên dự báo hàng ngày vào lúc 00UTC (7 giờ Việt Nam) và 12UTC (19 giờ Việt Nam).
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, với độ chính xác bậc bốn, được áp 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
Kể từ năm 1989, Tiedtke đã phát triển một sơ đồ TSHĐL mây tích dựa trên các dòng khối, phân chia động lực của mây thành hai phần: dòng thăng và dòng giáng Theo đó, dòng khối trong mây được xác định là tổng hợp 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 lớn 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 thiết 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 phát triển dựa trên nguyên tắc điều chỉnh cấu trúc nhiệt ẩm, nhằm mô phỏng cấu trúc nhiệt ẩm thực tế trong khí quyển nhiệt đới.
Cấu trúc nhiệt động thám sát trong khí quyển nhiệt đới:
Một trong những mục đích quan trọng của nghiên cứu thám sát GATE là phân tích đối lưu sâu có tổ chức phức tạp ở khu vực nhiệt đới, nhằm thử nghiệm và phát triển các sơ đồ TSHĐL 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 với thực tế quan sát Ý tưởng về sự cân bằng giữa trường mây và đối lưu quy mô lớn được Betts (1973) phát triển cho đối lưu nông, trong khi Arakawa và Shubert (1974) tập trung vào đối lưu sâu Điều này cho thấy cấu trúc nhiệt ẩm trong các vùng đối lưu được xác định thông qua quan sát Manable & CS (1965) đã đề xuất phương pháp điều chỉnh đối lưu sâu liên quan đến đoạn nhiệt ẩm, nhấn mạnh rằng khí quyển nhiệt đới không đạt được cân bằng đoạn nhiệt ẩm khi có đối lưu sâu Tất cả những điều này cho thấy rằng trên quy mô lưới trong mô hình, cấu trúc thẳng đứng của nhiệt ẩm cần phải được duy trì gần như giống với quan sát thực tế.
Vấn đề tiếp theo là xác định cách chứng minh rằng các chế độ đối lưu khác nhau có cấu trúc nhiệt động tựa cân bằng khác nhau, nhằm duy trì sự cân bằng giữa mây qui mô dưới lưới và các quá trình qui mô lưới Betts (1982) đã đưa ra một quan điểm lý thuyết từ các thám sát như GATE, BOMEX, và ATEX, dựa trên việc thiết lập điểm bão hoà Từ những quan sát này, 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.
Số liệu
Kết quả dự báo mưa và nhiệt độ trong 24 giờ của mô hình MM5 và HRM đã được đánh giá cho toàn quốc và từng khu vực Bắc Bộ, Trung Bộ, Nam Bộ trong các tháng mùa đông (12, 01, 02) và mùa hè (06, 07, 08), cùng với trung bình toàn chuỗi trong ba năm 2007, 2008, 2009 Phân tích này được thực hiện nhằm phản ánh đặc điểm địa hình và khí hậu của từng vùng miền.
Thời tiết và khí hậu ở Việt Nam có sự khác biệt rõ rệt giữa các vùng miền và các mùa trong năm Số liệu đánh giá được phân chia theo không gian và thời gian, cho thấy sự đa dạng trong điều kiện khí hậu của đất nước.
+ 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;
+ 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 xác minh các giá trị ngưỡng và tính phù hợp của dữ liệu theo không gian và thời gian Trong luận văn này, số liệu sử dụng là bộ số liệu phát báo nghiệp vụ hàng ngày, đã được chỉnh biên và lưu trữ tại Trung tâm dữ liệu Khí tượng Thủy văn, do đó được coi 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 trong 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, cùng với dữ liệu từ mô hình MM5 được thực hiện tại Viện Khoa học Khí tượng.
Mô hình thủy văn và môi trường với độ phân giải 15km cung cấp kết quả dự báo chính xác Các dữ liệu dự báo trên lưới được nội suy để xác định vị trí của các trạm quan trắc, giúp nâng cao tính chính xác trong việc theo dõi và phân tích điều kiện môi trường.