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

Tô ̉ ng quan vấn đề nghiên cứ u

Khái niệm đường cong IDF của mưa

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

Hình 1.1 Ví dụ minh hoa về đường cong IDF (Lê Minh

Đường cong IDF mô tả mối quan hệ giữa cường độ mưa và thời gian xảy ra mưa, giúp xác định lượng mưa trong các khoảng thời gian khác nhau như 10 phút, 30 phút, 60 phút, hoặc thậm chí lên đến 360 giờ.

Trong khoảng thời gian 720 giờ, chúng ta có thể đo lượng mưa và tính toán cường độ mưa trung bình với đơn vị mm/giờ Chẳng hạn, 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 xác định tần suất lặp lại của các cường độ mưa trong các thời đoạn khác nhau, từ đó tạo ra 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 sử dụng Trong khi đó, cho các công trình lớn hơn và hệ thống thoát nước lâu dài cho đô thị, tần suất lặp lại từ 50 đến 100 năm sẽ là lựa chọn phù hợp.

Mu

Trong khuôn khổ môt luận văn thạc sy, nghiên cứ u đăt ra 2 muc tiêu dưới đây:

- Nghiên cứ u và áp dụng phương pháp hiêu chỉnh sai số mô hình phù hơp đối với lươn g mưa ngày cho khu vưc

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 sẽ giúp hiểu rõ hơn về những thay đổi trong mẫu 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 Các mô hình khí hậu, bao gồm cả toàn cầu và khu vực, đang gặp khó khăn trong việc dự báo và tính toán lượng mưa, đặc biệt là 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 cần thiết và sẽ mang lại ứng dụng to lớn.

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 xác định mối quan hệ này giúp cung cấp cái nhìn tổng quan về cực trị mưa và những biến đổi của hiện tượng này trong tương lai.

1.4 Tổng quan vê vấ n đê nghiên cứ u

Mô hình động lực là công cụ tiên tiến trong dự tính khí hậu tương lai, với khả năng cải tiến đáng kể nhờ vào sự phát triển của khoa học công nghệ, cho phép chạy ở độ phân giải cao dưới 10km Điều này giúp cải thiện dự báo các yếu tố khí hậu địa phương, như lượng mưa Tuy nhiên, các mô hình khí hậu vẫn gặp sai số hệ thống do nhiều yếu tố khách quan và chủ quan, bao gồm việc chưa nắm bắt đầy đủ các quá trình tự nhiên và phương pháp giải hệ phương trình Navier-Stokes Sai số này có thể gia tăng dưới tác động của biến đổi khí hậu, đặt ra thách thức cho nhiều quốc gia trong việc cải tiến mô hình Do đó, nhiều nghiên cứu đã được tiến hành nhằm phát triển các phương pháp hiệu chỉnh thống kê để giảm sai số một cách tối ưu, tiết kiệm chi phí và khả thi cho các nhóm nghiên cứu nhỏ và các quốc gia đang phát triển Mặc dù không có phương pháp hiệu chỉnh nào hoàn hảo, việc áp dụng chúng vẫn là cần thiết để giảm thiểu tính không chắc chắn trong dự tính khí hậu tương lai, như đã được chứng minh qua nhiều nghiên cứu khoa học Bài viết dưới đây sẽ trình bày một số nghiên cứu về hiệu chỉnh lượng mưa phục vụ cho việc xây dựng kịch bản và làm nền tảng cho các nghiên cứu tiếp theo.

1.4.1 Nghiên cứ u vê phương phá p hiêu chỉnh sai số đối vớ i lương mưa

Wood và ccs (2004) đã thực hiện so sánh và đánh giá 6 phương án quy mô thống kê cho một số biến, trong đó nhấn mạnh yếu tố lượng mưa là đầu vào cho các mô hình thủy văn Các mô hình này có độ phân giải rất cao so với độ phân giải của mô hình khí hậu.

Nghiên cứu sử dụng dữ liệu dự báo trễ từ quá khứ 20 năm (1975 - 1995) và bộ số liệu kịch bản cho giai đoạn 2040 - 2060 từ mô hình khí hậu NCAR-PCM Sáu phương án được áp dụng bao gồm hồi quy tuyến tính (LI), phân tách không gian (SD) và hiệu chỉnh sai số kết hợp phân tách không gian (BCSD) cho kết quả PCM (độ phân giải T42) và RCM (độ phân giải 50km) Các phương án này chi tiết hóa kết quả với độ phân giải 1/8 độ kinh vĩ và so sánh với số liệu quan trắc 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, bất kể nguồn gốc từ PCM hay RCM Hồi quy tuyến tính LI cho kết quả tốt hơn với biến đầu ra từ RCM, nhưng vẫn tạo ra sai số lớn khi sử dụng làm đầu vào cho mô hình thủy văn Phân tách không gian (SD) cho kết quả tương đồng với RCM và PCM, nhưng cả hai phương án này không thực sự hiệu quả cho mô hình thủy văn mà không hiệu chỉnh sai số Do đó, đối với dự tính tương lai, kết quả từ hai phương án BCSD-PCM và BCSD-RCM cho thấy tính hợp lý cao, nhấn mạnh sự quan trọng của việc hiệu chỉnh sai số.

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 để hiệu chỉnh lượng mưa từ các mô hình toàn cầu Phương pháp này nhằm hiệu chỉnh giá trị trung bình và 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 cộng sự (2007) đã áp dụng phương pháp BCSD để cải tiến khả năng mô phỏng lượng mưa từ mô hình toàn cầu trên lưu vực sông Ping, Thái Lan Phương pháp hiệu chỉnh sai số sử dụng chuyển hóa Gamma - Gamma, bao gồm hai bước chính: xác định ngưỡng mưa để loại bỏ các giá trị không đáng kể và sử dụng hàm phân bố lý thuyết Gamma để tính toán các giá trị xác suất tích lũy 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 phương pháp này 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, đồng thời phương pháp phân tách không gian cũng giải quyết tốt nhược điểm về 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 đối với lượng mưa ngày tại khu vực Châu Âu, sử dụng hàm phân bố Gamma để ước lượng các phân vị cho giá trị mưa trong nghiên cứu Phương pháp này hiệu chỉnh lượng mưa từ mô hình khu vực DMI với độ phân giải ngang 25x25 km 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 so với số liệu quan trắc.

Matthias Jakob và cộng sự (2011) đã áp dụng 7 phương án chi tiết hóa thống kê thực nghiệm kết hợp hiệu chỉnh sai số cho kết quả mô phỏng lượng mưa từ mô hình MM5 tại khu vực Alpine Kết quả đánh giá cho thấy phương pháp Quantile-Mapping và phương pháp hiệu chỉnh cường độ dựa trên quy mô địa phương (local intensity scaling) cải thiện rõ rệt 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, được tối ưu hóa qua việc tuyển chọn nhân tố và ngẫu nhiên hóa, vẫn bộc lộ những nhược điểm trong hiệu chỉnh lượng mưa, nhưng phương pháp Quantile-Mapping lại mang lại hiệu quả cao nhất, đặc biệt là với các giá trị cực đoan Nghiên cứu cũng chỉ ra khả năng áp dụng của phương pháp này cho các khu vực khác.

Amengual và cộng sự (2012) đã áp dụng phương pháp hiệu chỉnh thống kê để dự đoán khí hậu và đánh giá tác động của biến đổi khí hậu tại khu vực Platja de Palma, Địa Trung Hải Nhóm nghiên cứu sử dụng 12 mô hình khu vực khác nhau để thu thập dữ liệu hàng 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 của các yếu tố 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 đoán với độ tin cậy cao hơn Kết quả nghiên cứu cho thấy có sự cải thiện đáng kể trong mô hình, tuy nhiên, sự cải thiện đối với các giá trị cực đoan mưa vẫn chưa rõ rệt.

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

Winai (2013) đã áp dụng 4 phương pháp hiệu chỉnh sai số đối với lượng mưa từ mô hình toàn cầu MRI để đánh giá tác động và thích ứng trong việc vận hành hồ chứa nước dưới tác động của biến đổi khí hậu Phương pháp đầu tiên là hiệu chỉnh hàm sai số dựa trên các phân vị (Quantile-Mapping), tương tự như phương pháp Sharman (2007) với hai bước chính là hiệu chỉnh tần suất và hiệu chỉnh cường độ mưa Tác giả sử dụng hàm phân bố lý thuyết Gamma để hiệu chỉnh lượng mưa dựa trên các thông số quy mô và hình dạng của chuỗi số liệu quan trắc Phương pháp thứ hai là hiệu chỉnh dựa trên độ lệch chuẩn (SD ratio) của chuỗi số liệu quan trắc và số liệu mô hình, trong đó chuẩn sai lượng mưa được 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 để tính lượng mưa hiệu chỉnh Cuối cùng, phương pháp hiệu chỉnh delta sử dụng hệ số hiệu chỉnh bằng 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 cho hàm phân bố xác suất lượng mưa sát hơn với số liệu quan trắc, trong đó phương pháp Hybrid giảm sai số hệ thống đối với lượng mưa cực trị trong mùa mưa, còn SD Ratio giảm sai số với các giá trị mưa nhỏ trong mùa khô Phương án hiệu chỉnh lai Hybrid là phù hợp nhất với hệ số tương không gian và thời gian của lượng mưa tháng.

Argueso và cộng sự (2013) đã áp dụng phương pháp hiệu chỉnh hàm phân bố để điều chỉnh lượng mưa ngày từ kết quả mô phỏng của mô hình WRF với độ phân giải 2km cho khu vực Sydney Họ sử dụng hàm phân bố gamma theo quy trình hiệu chỉnh tương tự như Piani (2009), nhưng đề xuất thêm một bước để điều chỉnh sai số lượng mưa tại mỗi điểm lưới, bằng cách sử dụng chuỗi số liệu mưa ngày từ 5 trạm gần nhất Kết quả hiệu chỉnh cho mỗi điểm lưới được tính trung bình theo phương pháp trọng số nghịch đảo của bình phương khoảng cách, cho thấy hiệu quả rõ rệt trong việc giảm sai số cho cả đặc trưng mưa theo ngày và theo mùa, từ đó 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 Tasmania, Úc bằng mô hình khí quyển CCAM với độ phân giải 10 km và 6 phương án khác nhau, sử dụng phương pháp hiệu chỉnh thống kê qua hàm phân bố tích lũy thực nghiệm Các yếu tố khí hậu 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 này hiệu quả trong việc cải thiện lượng mưa, cả về cường độ và tần suất ngày mưa, đồng thời bảo toàn xu thế biến đổi trong tương lai Tuy nhiên, phương pháp vẫn chưa đạt hiệu quả cao với các giá trị mưa gần 0 và có xu hướng dự đoán cường độ và thời gian thấp hơn cho các sự kiện mưa nhiều ngày cũng như hạn hán.

1.4.2 Nghiên cứ u vê xây dưng đường cong IDF

Kết quả và thảo luân