ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

---------------------

Hoàng Thị Mai

ĐÁNH GIÁ ẢNH HƢỞNG CỦA SỐ LIỆU VỆ TINH ĐẾN DỰ BÁO

QŨI ĐẠO VÀ CƢỜNG ĐỘ BÃO MEGI (2010) BẰNG PHƢƠNG PHÁP

LỌC KALMAN TỔ HỢP

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – Năm 2013

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

---------------------

Hoàng Thị Mai

ĐÁNH GIÁ ẢNH HƢỞNG CỦA SỐ LIỆU VỆ TINH ĐẾN DỰ BÁO

QŨI ĐẠO VÀ CƢỜNG ĐỘ BÃO MEGI (2010) BẰNG PHƢƠNG PHÁP

LỌC KALMAN TỔ HỢP

Chuyên ngành: Khí tƣợng và Khí hậu học

Mã số: 60.440.222

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƢỜI HƢỚNG DẪN KHOA HỌC:

TS. KIỀU QUỐC CHÁNH

Hà Nội – Năm 2013

MỤC LỤC

DANH MỤC CÁC HÌNH VẼ

BẢNG KÍ HIỆU CÁC CHỮ VIẾT TẮT

Mở đầu ........................................................................................................................ 1

Chƣơng 1 TỔNG QUAN VỀ PHƢƠNG PHÁP ĐỒNG HÓA .................................. 3

1.1 Tổng quan về các phƣơng pháp đồng hóa số liệu ................................................. 3

1.2 Nghiên cứu phƣơng pháp đồng hóa số liệu trên Thế giới ..................................... 7

1.3 Nghiên cứu phƣơng pháp đồng hóa số liệu ở Việt Nam ....................................... 8

Chƣơng 2 CƠ SỞ LÍ THUYẾT VỀ LỌC KALMAN TỔ HỢP ............................... 11

2.1 Cơ sở lý thuyết của lọc Kalman .......................................................................... 11

2.2 Lọc Kalman tổ hợp ............................................................................................. 16

Chƣơng 3 THIẾT KẾ MÔ HÌNH VÀ THÍ NGHIỆM .............................................. 22

3.1 Tổng quan về bão Megi (2010) ........................................................................... 22

3.2 Thiết kế mô hình và số liệu ................................................................................. 24

3.2.1 Mô hình dự báo thời tiết WRF-LETKFS ...................................................... 24

3.2.2 Miền tính và cấu hình mô hình ..................................................................... 29

3.2.3 Nguồn số liệu ................................................................................................ 30

3.3 Thiết kế thí nghiệm ............................................................................................. 31

Chƣơng 4 KẾT QUẢ VÀ NHẬN XÉT .................................................................... 33

4.1 Thí nghiệm dự báo tất định ................................................................................. 33

4.2 Thí nghiệm tổ hợp ............................................................................................... 35

NHẬN XÉT .............................................................................................................. 47

DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN

LUẬN VĂN .............................................................................................................. 48

TÀI LIỆU THAM KHẢO ......................................................................................... 49

DANH MỤC CÁC HÌNH VẼ

Hình 2.1 Minh họa hai bƣớc chính của bộ lọc Kalman. .............................................. 15

Hình 3.1 Cƣờng độ bão Megi (2010) ........................................................................ 22

Hình 3.2 Hình ảnh mắt bão Megi đang tiến sát đảo Luzon (bên trái),Mặt cắt siêu

bão Megi ngoài khơi đảo Luzon, Philippines (bên phải). ......................................... 23

Hình 3.3 Sự di chuyển của bão Megi (2010) ............................................................ 24

Hình 3.4 Sơ đồ hệ thống của mô hình WRF ............................................................. 25

Hình 3.5 Sơ đồ hệ thống dự báo tổ hợp WRF-LETKF ............................................. 26

Hình 4.1 Các quĩ đạo của Megi (6h một) từ số liệu phân tích (đƣờng màu đen) và

dự báo 3 ngày tại thời điểm 0000 UTC ngày 17 (đƣờng màu xanh nhạt), 0000 UTC

ngày 18 (đƣờng màu đỏ), 1200 UTC ngày 18 (đƣờng màu tía), và 0000 UTC ngày

19/10/2010 (đƣờng màu xanh sẫm) .......................................................................... 33

Hình 4.2 Tốc độ gió cực đại bề mặt quan trắc đƣợc (đƣờng nét đứt) và tốc độ gió

cực đại dự báo (đƣờng nét liền) tại các thời điểm (a) 00Z17,(b) 00Z18, (c)

12Z18,(d) 00Z19 ....................................................................................................... 34

Hình 4.3 Gia số phân tích sử dụng đồng hóa số liệu gió vệ tinh (cán gió màu xanh),

gia số quan trắc gió (cán gió màu đen) tại thời điểm 1200 UTC ngày 18 cho các

mực 750hPa, 300 hPa, 250 hPa, 200 hPa khảo sát với độ dày là 30 hPa. ................ 35

Hình 4.4 (bên trái) Dự báo 00Z ngày 18/10/2010, Hình 4.5 (bên phải) Dự báo 12Z

ngày 18/10/2010 (a) Dự báo quĩ đạo bão trung bình (đƣờng liền gạch chéo) , dự

báo CTL (đƣờng liền chấm tròn), quĩ đạo bão thực (nét đứt gạch chéo), quĩ đạo của

các member (đƣởng mảnh). ...................................................................................... 36

Hình 4.6 (bên trái) Dự báo 00Z ngày 18/10/2010, Hình 4.7 (bên phải) Dự báo 12Z

ngày 18/10/2010 (a) Tốc độ gió cực đại 10m của tổ hợp các member (đƣờng

mảnh), tốc độ gió cực đại trung bình của các member (đƣờng liền đậm) và quan trắc

gió cực đại (đƣờng nét đứt); (b) Cũng giống nhƣ hình (a) nhƣng đối với áp suất cực

tiểu bề mặt. ................................................................................................................ 38

Hình 4.8 Sơ đồ độ cao theo thời gian của dòng dẫn trung bình trong miền (10o-

25oN, 110

o-125

oE) (a) thí nghiệm CTL, (b) thí nghiệm đồng hóa với số liệu CIMSS.

Đƣờng nét đứt biểu thị khoảng thời gian dự báo control bắt đầu lệch khỏi quan trắc.39

Hình 4.9 Độ cao địa thế vị tại mực 500 hPa hình bên trái thí nghiệm CTL, hình bên

phải thí nghiệm đồng hóa tại các thời điểm (a) 1200 UTC ngày 19; (b) 1800 UTC

ngày 19 và (c) 0000 UTC ngày 20. ........................................................................... 40

Hình 4.10 Mô phỏng độ lớn trung bình của độ đứt thẳng đứng giữa mực 200 và 850

hPa trong thí nghiệm CTL (đƣờng liền), trong TN1 (đƣờng nét đứt) ...................... 42

Hình 4.11 Đồng hóa số liệu vệ tinh mực thấp 800-300 hPa (bên trái), .................... 42

mực cao 300 -80 hPa (bên phải) ............................................................................... 42

Hình 4.12 Dự báo quĩ đạo Megi với đồng hóa gió AMV mực thấp (hình trái) và

mực cao (hình phải)................................................................................................... 43

Hình 4.13. Tƣơng tự nhƣ Hình 4.9 thí nghiệm mực thấp (hình trái) ............................

và thí nghiệm mực cao (hình phải) ........................................................................... 45

Hình 4.14 Đồng hóa gió AMV mực thấp (hình trái) và mực cao (hình phải) .......... 46

BẢNG KÍ HIỆU CÁC CHỮ VIẾT TẮT

3DVAR Đồng hóa biến phân 3 chiều

4DVAR Đồng hóa biến phân 4 chiều

ACCN Áp cao cận nhiệt

AMV Vectơ dịch chuyển trong khí quyển

ARW Mô hình nghiên cứu động lực nâng cao

BMJ Sơ đồ tham số hóa đối lƣu mây tích Betts-Miler-Janjic

CTL Bất định/Tất định (control)

GFS Hệ thống dự báo toàn cầu (Global Forecast System)

GRADS Grid Analysis and Display System

HRM Mô hình khu vực độ phân giải cao (The High-

resolution Regional Model)

JTWC Trung tâm cảnh bảo bão của Mỹ (The Joint Typhoon

Warning Center)

KFS Sơ đồ Kain Fritsch (Kain Fritsch scheme)

LETKF Local Ensemble Transform Kalman Filter

LSM Land-Surface Model

NMM Nonhydrostatic Meso Model

NCAR/NCEP Trung tâm dự báo môi trƣờng quốc gia Hoa Kỳ

PBL Lớp biên hành tinh

SEnKF Series Ensemble Kalman Filter

TN1, TN2, TN3 Thí nghiệm đồng hóa với toàn bộ số liệu vệ tinh, Thí

nghiệm đồng hóa với số liệu vệ tinh mực thấp (1000-

300hPa), Thí nghiệm đồng hóa với số liệu tinh mực

cao (300-80hPa).

UTC Giờ quốc tế

VMAX Tốc độ gió cực đại

WRF Mô hình dự báo thời tiết

WRF-LETKF Mô hình dự báo thời tiết với phƣơng pháp lọc Kalman

tổ hợp

WRF-VAR Mô hình dự báo thời tiết kết hợp phƣơng pháp biến

phân

1

MỞ ĐẦU

Các nghiên cứu trƣớc đây đã chỉ ra rằng quỹ đạo bão chủ yếu đƣợc xác

định bởi dòng dẫn môi trƣờng (Carr và Elsberry 1995 [9]; Berger và cộng sự

2007 [8]), rất nhiều các công trình dự báo bão bằng mô hình số đã cho thấy

quỹ đạo bão có thể đƣợc dự báo khá tốt mà không cần phải tính đến các chi

tiết động lực bên trong (Aberson và DeMaria 1994 [6]). Mặc dù dòng môi

trƣờng có tác động đến dự báo quỹ đạo bão, dự báo chính xác đƣờng đi của

bão hiện vẫn là vấn đề thách thức do các tƣơng tác đa quy mô của bão với

môi trƣờng xung quanh. Có rất nhiều yếu tố chi phối sự di chuyển của bão

bao gồm dòng dẫn môi trƣờng, hiệu ứng Beta, độ đứt gió thẳng đứng, hay

hiệu ứng địa hình (Pike và Neumann 1987 [15]; Carr và cộng sự 2001 [9];

Payne và cộng sự 2007 [16]). Những yếu tố này thể hiện đặc biệt rõ ở khu vực

Tây Bắc Thái Bình Dƣơng với sai số quỹ đạo bão ở khu vực này sau 3 ngày

có thể lên đến 500 km trong một số trƣờng hợp.

Do các yếu tố bất định trong mô hình dự báo bão, các dự báo quỹ đạo

hay cƣờng độ bão bằng một vài mô hình đơn lẻ nhìn chung không nắm bắt

đƣợc đầy đủ các biến đổi của bão nhƣ các dự báo tổ hợp. Chính vì vậy, dự

báo bão bằng các phƣơng pháp tổ hợp đang đƣợc xem là một trong những

hƣớng đi phát triển nhanh nhất, đặc biệt theo hƣớng sử dụng bộ lọc Kalman tổ

hợp (EnKF). Theo cách tiếp cận này, không những trƣờng điều kiện ban đầu

đƣợc cải thiện sau khi đã đƣợc đồng hóa các dạng số liệu quan trắc khác nhau

mà ngay cả sai số nội tại của mô hình cũng có thể đƣợc tính đến trong các bài

toán dự báo, do đó có khả năng nâng cao chất lƣợng dự báo bão một cách

đáng kể. Hiện nay, việc đánh giá và sử dụng số liệu vệ tinh để tăng cƣờng

chất lƣợng dự báo quỹ đạo và cƣờng độ bão đang đƣợc quan tâm đặc biệt do

số liệu vệ tinh có độ phủ lớn và độ chính xác cao. Với mạng lƣới quan trắc

2

thƣa thớt trên khu vực Tây Bắc Thái Bình Dƣơng các dữ liệu vệ tinh là một

nguồn thông tin quan trọng trong việc cải thiện dòng dẫn bão môi trƣờng.

Trong luận văn này tác giả sẽ tìm hiểu vai trò của số liệu vệ tinh AMV

khi đƣa vào đồng hóa sẽ ảnh hƣởng nhƣ thế nào tới việc dự báo qũy đạo và

cƣờng độ bão cho một trƣờng hợp bão Megi năm 2010 với đề tài “Đánh giá

ảnh hưởng của số liệu vệ tinh đến dự báo quỹ đạo và cường độ bão Megi

(2010) bằng phương pháp đồng hóa lọc Kalman tổ hợp” nội dung gồm 4

chƣơng nhƣ sau:

Chƣơng 1 Tổng quan về phƣơng pháp đồng hóa

Chƣơng 2 Cơ sở lý thuyết về lọc Kalman tổ hợp

Chƣơng 3 Thiết kế thí nghiệm và miền tính

Chƣơng 4 Kết quả và kết luận

Qua đây tôi xin gửi lời cảm ơn chân thành và sâu sắc tới giáo viên

hƣớng dẫn TS. Kiều Quốc Chánh cùng các thầy cô giáo trong Khoa Khí

tƣợng -Thủy văn - Hải dƣơng học đã tạo điều kiện giúp đỡ tôi hoàn thành

luận văn này.

Tôi xin bày tỏ lời cảm ơn tới các anh, chị phòng Thí nghiệm Dự báo

Thời tiết và khí hậu đã giúp đỡ và tạo điều kiện trong thời gian tôi làm việc và

học tập tại đây.

Cuối cùng tôi xin bày tỏ lòng biết ơn sâu sắc tới bố mẹ, những ngƣời

thân yêu trong gia đình tôi là những nguồn động viên tinh thần quý giá để tôi

hoàn thành luận văn.

Tôi xin chân thành cảm ơn !

Hoàng Thị Mai

3

Chƣơng 1

TỔNG QUAN VỀ PHƢƠNG PHÁP ĐỒNG HÓA

1.1 Tổng quan về các phƣơng pháp đồng hóa số liệu

Hiện nay hƣớng phát triển chính của mô hình dự báo thời tiết số là cải

tiến cấu hình của mô hình và tăng cƣờng các biểu diễn vật lí của mô hình cho

sát với thực tế hơn. Bên cạnh sự tiến bộ trong việc cải tiến phƣơng pháp và

các tham số hóa vật lí, sự tiến bộ của công nghệ máy tính đã giúp tăng đáng

kể độ phân giải của các mô hình ở cả quy mô toàn cầu và quy mô vừa. Tuy

nhiên, các nghiên cứu về tính dự báo của mô hình đó chỉ ra rằng, những cải

tiến này cuối cùng sẽ tới một giới hạn không thể vƣợt qua đƣợc do sự phụ

thuộc rất lớn của kết quả dự báo vào điều kiện ban đầu. Nói cách khác, sự bất

định xuất hiện ở trong các bản tin dự báo là kết quả của những mô hình có độ

phân giải thô, mặc dù đƣợc tính toán chính xác hơn nhƣng lại không mô tả

đúng thực tế. Vì vậy cần những phƣơng pháp tốt hơn để giải quyết vấn đề

không chỉ đơn thuần là cải tiến sức mạnh của các mô hình số. Những năm gần

đây, đồng hóa số liệu bằng phƣơng pháp tổ hợp đang đƣợc các Trung tâm khí

tƣợng lớn trên thế giới phát triển và ứng dụng, đặc biệt là phƣơng pháp lọc

Kalman tổ hợp. Với phƣơng pháp này, tổ hợp kết quả của nhiều thành phần

tham gia dự báo sẽ cải thiện đƣợc chất lƣợng dự báo dựa trên số liệu đầu vào

đƣợc cập nhật liên tục theo thời gian. Thực nghiệm cho thấy rằng phƣơng

pháp này đạt kết quả cao hơn rất nhiều so với phƣơng pháp dự báo thông

thƣờng.

Sự thay thế của dự báo đơn lẻ bằng dự báo tổ hợp dựa trên sự thừa

nhận rằng khí quyển có bản chất hỗn loạn. Lorenz (1963) [14]chỉ ra rằng, chỉ

một nhiễu động rất nhỏ (ví dụ nhiễu động đƣợc sinh ra bởi sự vỗ cánh của con

bƣớm) khi đƣợc đƣa vào khí quyển tại một thời điểm sẽ dẫn đến sự thay đổi

4

rất lớn của khí quyển theo thời gian, sự thay đổi này lớn đến mức chỉ sau

khoảng hai hoặc ba tuần, các chuyển động trong khí quyển đƣợc gây nhiễu và

khí quyển không đƣợc gây nhiễu khác nhau hoàn toàn. Nghiên cứu của

Lorenz dẫn đến một hệ thống lí thuyết động lực mới, theo đó, mô phỏng các

hệ thống tất định nhƣ khí quyển (bao gồm các mô hình số) mang tính bất

định: những nhiễu động ngẫu nhiên trong trƣờng ban đầu dù rất nhỏ sẽ dẫn

đến sự sai khác rất lớn theo thời gian. Mặt khác, chúng ta lại không thể nào đo

đƣợc chính xác trạng thái thực của khí quyển. Các giá trị của trƣờng phân tích

(đƣợc tổng hợp từ số liệu quan trắc và mô hình) luôn chứa những sai số mà ở

đó, độ lớn của sai số có thể đƣợc ƣớc lƣợng một cách gần đúng. Những sai số

này bao gồm sai số của thiết bị đo, sự không đầy đủ của các trạm quan trắc và

phép lấy gần đúng trong kĩ thuật tính toán của mô hình. Ngay cả với một mô

hình khí quyển hoàn hảo, độ chính xác của kết quả dự báo sẽ giảm nhanh

chóng chỉ trong vòng vài tuần.

Nghiên cứu về đồng hóa số liệu đƣợc bắt đầu từ những năm 50 của thế

kỷ trƣớc, phƣơng pháp đồng hóa số liệu đầu tiên đƣợc gọi là “phân tích khách

quan”, đối lập với phƣơng pháp “phân tích synop” khách quan sử dụng phép

nội suy đơn giản. Trong khí tƣợng, bài toán đồng hóa số liệu là quá trình mà

qua đó tất cả các thông tin có sẵn đƣợc sử dụng để ƣớc tính một cách chính

xác nhất có thể trạng thái khí quyển tại một thời điểm ban đầu cho trƣớc. Vấn

đề xác định điều kiện ban đầu cho mô hình dự báo số này là một bài toán

quan trọng trong bất kì hệ thống dự báo bằng mô hình số nào, do đặc tính phụ

thuộc mạnh vào điều kiện ban đầu của của các mô hình dự báo thời tiết số.

Các thông tin có sẵn về cơ bản bao gồm các quan trắc thích hợp, và phù

hợp với tính chất vật lý chi phối sự phát triển của khí quyển, chúng có giá trị

thực tế dƣới hình thức của một mô hình số. Do bản chất phi tuyến của các

phƣơng trình mô tả khí quyển nên những sai số nhỏ không thể đo đƣợc trong

5

trạng thái ban đầu sẽ phát triển rất nhanh sau một khoảng thời gian (10-14

ngày) và kết quả dự báo sẽ không còn tin cậy cho dù mô hình dự báo là hoàn

hảo. Bằng cách đồng hoá số liệu, những sai số dự báo do điều kiện ban đầu có

thể đƣợc giảm nhẹ dẫn đến kết quả dự báo tốt hơn. Ƣớc lƣợng điều kiện ban

đầu càng chính xác, thì chất lƣợng dự báo sẽ càng tốt.

Phƣơng pháp đồng hóa số liệu đã trở thành một phƣơng pháp quan

trọng trong ngành dự báo, đồng hóa số liệu có thể chia thành nhiều nhóm

khác nhau: tuần tự, không tuần tự, liên tục, biến phân ..v.v. Theo quan điểm

hiện đại, các phƣơng pháp đồng hóa số liệu có thể đƣợc tạm chia thành hai

loại: Một là phƣơng pháp đồng hóa biến phân (ĐHBP), trong đó trạng thái

phân tích đƣợc tìm bằng cách xác định trạng thái của khí quyển có khả năng

xảy ra cao nhất ứng với một tập quan trắc và một trạng thái nền cho trƣớc. Bài

toán ĐHBP có thể chia thành bài toán 3 chiều (3DVAR) hay 4 chiều

(4DVAR). Cách tiếp cận chung của bài toán này là tìm một trƣờng phân tích

nào đó có khả năng xảy ra cao nhất bằng cách tối thiểu hóa một hàm giá.

Phƣơng pháp đồng hóa biến phân này có ƣu điểm là hàm giá đƣợc cực tiểu

hóa trên toàn miền và do đó kết quả trƣờng phân tích sẽ loại bỏ đƣợc những

tình huống dị thƣờng (hay còn gọi là các tình huống dị thƣờng “mắt trâu”) -

mà trong đó trạng thái phân tích chỉ nhận giá trị xung quanh điểm quan trắc.

Mặc dù vậy, đồng hóa biến phân có một số nhƣợc điểm lớn không thể bỏ qua.

Nhƣợc điểm thứ nhất đó là không cho phép tính đến sự biến đổi của ma trận

sai số hiệp biến trạng thái nền theo thời gian. Đây là một điểm yếu lớn vì

trong thực tế sai số nền biến thiên mạnh theo thời gian và hình thế thời tiết.

Nhƣợc điểm thứ hai là việc hội tụ của phép lặp khi tìm trạng thái phân tích

phụ thuộc nhiều vào sự tồn tại của các cực trị địa phƣơng. Thêm vào đó, việc

nghịch đảo ma trận sai số nền trong thực tế là không thể. Do đó, rất nhiều các

6

giả thiết đơn giản hóa cho ma trận này phải đƣợc đƣa vào để loại bỏ các

tƣơng quan chéo không cần thiết giữa các biến.

Phƣơng pháp đồng hóa thứ hai là phƣơng pháp đồng hóa dãy (ĐHD),

khác với đồng hóa biến phân, phƣơng pháp đồng hóa dãy xác định trạng thái

phân tích theo cách làm tối thiểu hóa sai số của trạng thái phân tích so với

quan trắc và trạng thái nền. Tiêu biểu cho phƣơng pháp này là các bài toán nội

suy tối ƣu và phƣơng pháp lọc Kalman cùng với các biến thể của nó. Điểm

khác biệt cơ bản nhất giữa đồng hóa biến phân và đồng hóa dãy là ma trận sai

số hiệp biến của trạng thái nền trong đồng hóa dãy đƣợc tích phân theo thời

gian thay vì giữ không đổi nhƣ trong cách tiếp cận đồng hóa biến phân. Có

hai quá trình đòi hỏi khối lƣợng tính toán rất lớn trong các phƣơng pháp đồng

hóa dãy là các tính toán nghịch đảo ma trận và tính toán mô hình tiếp tuyến.

Các tính toán này là quá lớn ngay cả với một mô hình đơn giản, và hầu nhƣ

không thể tính toán đƣợc trong các bài toán thực tế. Để khắc phục nhƣợc

điểm này của lọc Kalman, một biến thể khác của lọc Kalman dựa trên dự báo

Monte-Carlo có tính toán khả thi hơn đã đƣợc phát triển là bộ lọc Kalman tổ

hợp (EnKF). Tuy nhiên, cách tiếp cận này cũng có một vài nhƣợc điểm liên

quan đến tính địa phƣơng hóa của số liệu quan trắc xung quanh các điểm nút

quan trắc và sự phụ thuộc của ma trận sai số vào số lƣợng thành phần tổ hợp,

ƣu điểm nổi trội của lọc Kalman tổ hợp đó là không đòi hỏi phát triển các mô

hình tiếp tuyến nhƣ trong phƣơng pháp ĐHBP. Thêm vào đó, lọc Kalman tổ

hợp cho phép tạo ra các trƣờng nhiễu ban đầu biến đổi theo thời gian. Vì vậy

phƣơng pháp EnKF đang đƣợc coi là một cách tiếp cận tiềm năng nhất cho dự

báo tổ hợp trong tƣơng lai.

7

1.2 Nghiên cứu phƣơng pháp đồng hóa số liệu trên Thế giới

Trên thế giới đã có nhiều tác giả nghiên cứu về bài toán đồng hóa số

liệu cho mô hình số và đạt đƣợc những kết quả khả quan trong dự báo thời

tiết, cũng nhƣ trong dự báo các hiện tƣợng cực đoan nhƣ mƣa lớn, bão, …

Nghiên cứu theo phƣơng pháp đồng hóa biến phân: Tác giả Xavier (2006)

[21] đã sử dụng phƣơng pháp đồng hóa biến phân ba chiều để đồng hóa

profile nhiệt độ và độ ẩm từ vệ tinh MODIS cùng với số liệu thám không vô

tuyến để cải thiện trƣờng ban đầu của mô hình MM5. Nghiên cứu đã chỉ ra

rằng việc sử dụng dữ liệu vệ tinh MODIS đã cải thiện đáng kể diễn biến mƣa

lớn kết hợp với áp thấp nhiệt đới. Sau đó cũng có tác giả Routray (2008) [18]

đã đồng hóa các số liệu quan trắc bề mặt, ship, bouy, cao không và vệ tinh địa

tĩnh Kapanal-1 để dự báo mƣa lớn ở Ấn Độ bằng việc sử dụng hệ thống đồng

hóa số liệu 3DVAR kết hợp mô hình WRF. Kết quả tính toán cho thấy, việc

đồng hóa số liệu đã cải thiện đáng kể chất lƣợng mô phỏng mƣa lớn trong

mùa mƣa ở Ấn Độ. Rakesh (2009) [19] đã sử dụng sơ đồ 3DVAR để đồng

hóa dữ liệu tốc độ gió và hƣớng gió gần bề mặt biển từ vệ tinh QSCAT, tốc

độ gió và tổng lƣợng giáng thủy (TPW) từ vệ tinh SSM/I cho cả hai mô hình

MM5 và WRF để dự báo thời tiết hạn ngắn ở Ấn Độ. Kết quả nghiên cứu cho

thấy dự báo trƣờng gió từ hai mô hình này đƣợc cải thiện đáng kể trong

trƣờng hợp đồng hóa dữ liệu gió từ QSCAT và SSM/I, trong khi trƣờng nhiệt

độ và độ ẩm cho hiệu quả kém hơn. Trƣờng dự báo mƣa tốt nhất trong trƣờng

hợp đồng hóa dữ liệu TPW. Ngoài ra, nghiên cứu cũng chỉ ra rằng sai số dự

báo các trƣờng gió, nhiệt độ và độ ẩm ở các mực khác nhau bằng mô hình

WRF nhỏ hơn khi dự báo bằng mô hình MM5.

Nghiên cứu theo phƣơng pháp đồng hóa dãy đƣợc phát triển mạnh mẽ

hơn một thập kỉ qua tại Trƣờng Đại học Marry Land, các nghiên cứu này chủ

yếu đi theo hƣớng đồng hóa lọc Kalman tổ hợp và một biến thể của nó, gọi là

8

Lọc Kalman tổ hợp địa phƣơng. Năm 2003 Kalnay đã phát hành cuốn sách

“Data Assimilation and Predictability” nội dung của cuốn sách trình bày toàn

bộ lý thuyết về phƣơng pháp đồng hóa số liệu và sự phân chia các loại đồng

hóa số liệu. Trong cuốn sách tác giả cũng trình bày rất rõ cơ sở lý thuyết của

lọc Kalman và một tổ hợp 25-50 các thành phần là đủ để phát huy tác dụng

của lọc Kalman. Những năm sau đó Kalnay và các cộng sự của mình tiếp tục

đi sâu vào việc nghiên cứu phƣơng pháp lọc Kalman tổ hợp và ứng dụng

những ƣu điểm của phƣơng pháp này vào dự báo nghiệp vụ. Gần đây Kalnay

và các cộng sự của mình (2008) [13] đã thiết kế phƣơng pháp lọc Kalman tổ

hợp địa phƣơng cho mô hình toàn cầu NCEP. Trong nghiên cứu này các tác

giả thực hiện việc tính toán bằng hệ thống song song tích hợp giữa lọc

LETKF với hệ thống dự báo toàn cầu 2004. Các thí nghiệm số đƣợc thực hiện

tại mô hình độ phân giải T26L28. Tất cả các quan trắc khí quyển đƣợc đồng

hóa nghiệp vụ bởi NCEP 2004, ngoại trừ bức xạ vệ tinh đƣợc đồng hóa bởi

LETKF. Tính chính xác của các phân tích trong LETKF đƣợc đánh giá với

nội suy thống kê phổ (SSI) (là sơ đồ đồng hóa số liệu toàn cầu của NCEP năm

2004). Các bộ quan trắc đƣợc lựa chọn trong phân tích LETKF chính xác hơn

trong SSI vùng ngoại nhiệt đới Nam bán cầu và tƣơng đối chính xác trong

ngoại nhiệt đới và nhiệt đới ở Bắc Bán cầu.

1.3 Nghiên cứu phƣơng pháp đồng hóa số liệu ở Việt Nam

Trong những năm gần đây bài toán đồng hóa số liệu ở nƣớc ta đang

đƣợc nghiên cứu nhằm cải thiện trƣờng ban đầu tốt hơn. Một số tác giả

nghiên cứu theo hƣớng đồng hóa biến phân: Kiều Thị Xin và Lê Đức (2003)

[4] đã nghiên cứu áp dụng mô hình đồng hóa số liệu 3DVAR cho mô hình

HRM. Bằng cách sử dụng các số liệu tại các trạm cao không và SYNOP, kết

quả cho thấy lƣợng mƣa dự báo gần với thực tế hơn so với trƣờng hợp không

sử dụng đồng hóa số liệu. Tác giả Kiều Thị Xin (2005) [5] cũng đã sử dụng

9

phƣơng pháp biến phân hai chiều để phân tích độ ẩm đất từ nhiệt độ quan trắc

2 mét cho mô hình HRM. Kết quả cho thấy tác động nhỏ của độ ẩm đất đến

dự báo các trƣờng khí tƣợng trên cao trên khu vực Việt Nam. Tác giả Trần

Tân Tiến và Nguyễn Thị Thanh (2011) [3] đã nghiên cứu đồng hóa dữ liệu vệ

tinh MODIS trong mô hình WRF để dự báo mƣa lớn ở khu vực Trung Bộ.

Kết quả tính toán đƣợc thực hiện bằng cách sử dụng số liệu vệ tinh MODIS

để đồng hóa trƣờng ban đầu cho mô hình WRF, dự báo mƣa lớn cho khu vực

Trung Bộ trong hai mùa mƣa 2007 - 2008 và thu đƣợc kết quả khá khả quan.

Ngoài ra, một số tác giả cũng nghiên cứu theo hƣớng này: GS Phan Văn Tân

và Nguyễn Lê Dũng (2009) [2] đã thử nghiệm và ứng dụng hệ thống WRF-

VAR kết hợp với sơ đồ ban đầu hóa xoáy vào dự báo quĩ đạo bão trên Biển

Đông. Theo nghiên cứu này, mô hình WRF kết hợp với hệ thống đồng hóa số

liệu ba chiều (gọi là hệ thống WRF-VAR), đã đƣợc ứng dụng dự báo thử

nghiệm cho một số trƣờng hợp bão hoạt động trên biển Đông có quĩ đạo

tƣơng đối phức tạp và có cƣờng độ khác nhau. Tác giả sử dụng tập số liệu

toàn cầu và số liệu địa hình cho việc chạy mô hình WRF, việc đồng hóa số

liệu đƣợc thực hiện với nguồn số liệu quan trắc giả đƣợc tạo ra nhờ một

module ban đầu hóa xoáy. Kết quả thu đƣợc đã mở ra một khả năng phát triển

hệ thống WRF-VAR thành một phiên bản dự báo bão khi thêm một module

tạo xoáy nhân tạo.

Trên thế giới cũng đã có nhiều tác giả nghiên cứu về bài toán đồng hóa

dãy, và đã đạt đƣợc nhiều kết quả khả quan trong bài toán dự bão quỹ đạo và

cƣờng độ bão. Ở Việt Nam, nghiên cứu theo phƣơng pháp này vẫn còn là vấn

đề mới mẻ, tác giả Kiều Quốc Chánh (2011) [1] đã tổng quan về hệ thống

đồng hóa lọc Kalman tổ hợp và ứng dụng cho mô hình dự báo thời tiết WRF

(WRF-LETKF). Trong đó, tác giả có đề cập tới cơ sở lý thuyết bộ lọc

Kalman, lọc Kalman tổ hợp và thiết kế phƣơng pháp đồng hóa này với mô

10

hình dự báo thời tiết WRF. Kết quả ban đầu thu đƣợc cho thấy bộ lọc Kalman

tổ hợp có khả năng nắm bắt tốt số liệu quan trắc vệ tinh. Năm 2012, Kiều và

cộng sự [12] đã nghiên cứu việc ứng dụng số liệu vệ tinh đƣa vào đồng hóa

bằng hệ thống WRF-LETKF này, kết quả cho thấy chất lƣợng dự báo bão

Megi (2010) hạn 3 ngày đƣợc cải thiện đáng kể. Ngoài ra, tác giả còn đƣa ra

nhận định về vai trò của các quan trắc ngoài rìa xa tâm bão có thể đóng góp

đáng kể trong việc nâng cao kĩ năng dự báo quỹ đạo và cƣờng độ bão. Kiều

và cộng sự (2013) [11] tiếp tục ứng dụng hệ thống WRF-LETKF để thí

nghiệm cho cơn bão Côn sơn (2010), trong nghiên cứu này tác giả đã đề xuất

phƣơng pháp đa vật lý để hiệu chỉnh sai số của mô hình, trong đó các thành

phần tổ hợp là các thành phần đa vật lý với các lựa chọn sơ đồ vật lý khác

nhau, kết quả cho thấy độ tán tổ hợp, sai số đƣợc cải thiện đáng kể. Những ƣu

điểm mà phƣơng pháp lọc Kalman tổ hợp đem lại là nguồn động lực cho các

nhà nghiên cứu phát triển và ứng dụng vào nghiệp vụ dự báo. Hiện nay, một

số đề tài đang nghiên cứu theo hƣớng này: “Nghiên cứu xây dựng hệ thống

đồng hóa tổ hợp cho mô hình thời tiết và hệ thống tổ hợp cho một số mô hình

khí hậu khu vực nhằm dự báo và dự tính các hiện tượng thời tiết, khí hậu cực

đoan” (Đề tài ĐT.NCCB-ĐHUD.2011-G/10) do TS Ngô Đức Thành chủ trì.

Ngoài ra, còn có đề tài cấp nhà nƣớc do GS Trần Tân Tiến chủ nhiệm “Xây

dựng qui trình công nghệ dự báo quĩ đạo và cường độ bão trên khu vực Tây

bắc Thái Bình Dường và biển Đông hạn 5 ngày” (KC.08.01/11-15). Các đề

tài này có một đặc điểm chung đó là ứng dụng ƣu điểm của lọc Kalman tổ

hợp kết hợp với mô hình dự báo thời tiết WRF nhằm cải thiện chất lƣợng dự

báo cƣờng độ và quĩ đạo bão trên khu vực Tây bắc Thái Bình Dƣơng và biển

Đông. Đối với dự báo quĩ đạo sau 3 ngày sai số dự báo xuống còn dƣới 350

km. Mở ra một hƣớng nghiên cứu mới trong việc dự báo quĩ đạo và cƣờng độ

bão tƣơng lai gần.

11

Chƣơng 2

CƠ SỞ LÍ THUYẾT VỀ LỌC KALMAN TỔ HỢP

2.1 Cơ sở lý thuyết của lọc Kalman

Bộ lọc Kalman cơ bản, bao gồm hai bƣớc chính gọi là bước dự báo và

bước phân tích. Trong bƣớc dự báo, một trạng thái ban đầu của khí quyển và

sai số tƣơng ứng của trạng thái này (do trạng thái ban đầu không phải là trạng

thái thực) sẽ đồng thời đƣợc tích phân theo thời gian. Trong bƣớc phân tích,

kết quả của bƣớc dự báo tại một thời điểm trong tƣơng lai sẽ đƣợc kết hợp với

số liệu quan trắc tại thời điểm đó để tạo ra đƣợc một trạng thái ban đầu mới

và sai số của trạng thái ban đầu này cho quá trình dự báo tiếp theo.

Bước dự báo

Giả thiết khí quyển tại một thời điểm i nào đó đƣợc đặc trƣng bởi một

trạng thái a

ix với một sai số a

iε . Đầu tiên chúng ta sẽ dự báo cho trạng thái đến

thời điểm i + 1 sẽ cho bởi :

)(1

a

i

f

i M xx (2.1)

trong đó M là mô hình dự báo. Do mô hình này là không hoàn hảo, dự báo

bằng mô hình này sẽ có một sai số nào đó kể cả khi điều kiện ban đầu là chính

xác. Gọi sai số nội tại này của mô hình là , khi đó một cách lý thuyết giá trị

sai số này sẽ đƣợc xác định nhƣ sau:

)(1

t

i

t

i M xx (2.2)

trong đó t

ii )1( x là trạng thái thực của khí quyển tại thời điểm i (i + 1). Chúng ta

sẽ giả thiết rằng sai số nội tại này là không lệch và ma trận sai số hiệp biến

của nó đƣợc cho bởi một ma trận Q, nghĩa là :

T Q;0 (2.3)

12

Song song với dự báo trạng thái, chúng ta sẽ dự báo cả sai số từ thời điểm thứ

i đến thời điểm thứ i + 1 sử dụng mô hình tiếp tuyến L đƣợc định nghĩa dựa

trên dạng biến phân của phƣơng trình (2.1) nhƣ sau:

iii

MxxLx

x

xx )(

)(1

(2.4)

Với mô hình tiếp tuyến L này, sai số của trạng thái tại thời điểm thứ i + 1 sẽ

đƣợc cho bởi

i

a

ii εxLε )(1 (2.5)

Trong thực tế, chúng ta không bao giờ biết đƣợc sai số tuyệt đối thực i

và nhƣ thế không thể dự báo đƣợc sai số cho bƣớc tiếp theo. Tuy nhiên, trong

đa số các trƣờng hợp, chúng ta lại có thể biết hoặc xấp xỉ đƣợc đặc trƣng

thống kê của sai số đƣợc đặc trƣng bởi ma trận sai số hiệp biến P <T>.

Thêm vào đó, ma trận này cũng sẽ đƣợc sử dụng để đồng hóa cho bƣớc tiếp

theo. Do đó, chúng ta sẽ viết lại (2.5) cho ma trận sai số hiệp biến thay vì cho

sai số tuyệt đối i. Lƣu ý theo định nghĩa rằng

t

i

f

i

f

i xxε ,

t

i

a

i

a

i xxε

chúng ta sẽ có mối quan hệ sau

QLLP

η)εLη)εL

xxxxεεP

T

Ta

i

a

i

a

i

Tt

i

f

i

t

i

f

i

T

ii

f

i

((

))(( 11111

(2.6)

Chú ý thêm rằng chúng ta đã giả thiết là sai số mô hình và sai số trạng thái

a

iε là không có tƣơng quan với nhau. Nhƣ vậy, cho trƣớc giá trị sai số mô hình

Q, mô hình M, và mô hình tiếp tuyến L, phƣơng trình (2.2) và (2.6) cấu thành

13

một quá trình dự báo cơ bản trong bƣớc dự báo theo đó trạng thái a

ix và sai số

a

iε tại thời điểm i sẽ đƣợc dự báo đến thời điểm i + 1.

Bước phân tích

Trong bƣớc phân tích tiếp theo, giả sử tại thời điểm i + 1, chúng ta có

một bộ số liệu quan trắc yo với sai số quan trắc là

o. Nhiệm vụ của chúng ta

trong bƣớc này là phải kết hợp đƣợc trạng thái dự báo f

i 1x và sai số f

i 1P với

quan trắc để tạo đƣợc một bộ số liệu đầu vào mới tốt hơn tại thời điểm i + 1.

Mặc dù a

ix là ƣớc lƣợng tốt nhất của trạng thái khí quyển tại thời điểm i, giá trị

dự báo f

i 1x tại thời điểm i + 1 lại không phải là tốt nhất do sai số của mô hình

và của a

ix . Do đó chúng ta cần phải đồng hóa tại thời điểm i + 1 để trạng thái

dự báo không bị lệch khỏi trạng thái thực tại các thời điểm này. Một cách

hình thức, chúng ta sẽ ƣớc lƣợng trạng thái khí quyển mới tốt hơn tại thời

điểm i + 1 nhƣ sau:

)]([ 111

f

i

of

i

a

i H xyKxx (2.7)

trong đó H là một toán tử quan trắc nội suy từ trƣờng mô hình sang các giá trị

điểm lƣới, và K là ma trận trọng số. Một cách trực quan, ma trận K càng lớn,

ảnh hƣởng của quan trắc lên trƣờng phân tích càng nhiều. Do đó, ma trận K

rất quan trọng và phải đƣợc dẫn ra một cách tối ƣu nhất có thể. Để thuận tiện

cho việc suy dẫn K, chúng ta định nghĩa một vài biến sai số sau:

t

i

a

i

a

i xxε ,

t

i

f

i

f

i xxε ,

)( t

i

oo

i H xyε

(2.8)

14

Để tìm ma trận K, chúng ta trƣớc hết phải tính ma trận sai số hiệp biến Pa cho

trạng thái phân tích a

i 1x và sau đó cực tiểu hóa ma trận này. Theo định nghĩa:

T

Ta

i

)(

)1

t

1i

a

1i

t

1i

a

1i

a

1i

a

1i

x-x)(x-x

(εεP

(2.9)

Thay (2.7) vào (2.9) và xắp xếp lại, chúng ta sẽ thu đƣợc:

Ta

i )εH-εKε)εH-εKεPf

1i

o

1i

f

1i

f

1i

o

1i

f

1i ((((1 (2.10)

trong đó ma trận H là tuyến tính hóa của toán tử quan trắc H.

Đặt

Tf

i )1

f

1i

f

1i (εεP ,

T)o

1i

o

1i (εεR , và giả thiết trạng thái nền không có tƣơng

quan với trạng thái phân tích, chúng ta sẽ thu đƣợc từ (2.10) phƣơng trình sau:

TTf

i

a

i KRKKHIPKHIP )()( 11 (2.11)

Ma trận trọng số K sẽ cực tiểu hóa vết của ma trận sai số a

i 1P khi và chỉ khi

0))(( 1

a

itrace PK

(2.12)

trong đó trace() ký hiệu vết của ma trận. Ở đây, đạo hàm theo ma trận sẽ đƣợc

hiểu là đạo hàm từng thành phần của ma trận. Lý do cho việc cực tiểu hóa vết

của ma trận thay vì trực tiếp ma trận là do tổng các thành phần trên đƣờng

chéo của ma trận a

i 1P sẽ chính là bình phƣơng của tổng sai số căn quân

phƣơng trong trƣờng hợp các biến là không tƣơng quan chéo. Do vết của một

ma trận là bảo toàn trong các phép biến đổi trực chuẩn, chúng ta luôn có thể

chéo hóa ma trận sai số a

i 1P để đƣa về một cơ sở mà trong đó tổng sai số căn

quân phƣơng sẽ là tổng của các thành phần đƣờng chéo. Lấy đạo hàm vết của

ma trận a

i 1P , chúng ta khi đó sẽ thu đƣợc từ (2.11) và (2.12)

1

11 )(

Tf

i

Tf

i HHPRHPK (2.13)

15

Với giá trị ma trận trọng số K cho bởi (2.13) ở trên, giá trị cực tiểu của ma

trận sai số hiệp biến phân tích khi đó sẽ thu đƣợc bằng cách thay (2.13) vào

(2.11). Biến đổi tƣờng minh chúng ta sẽ thu đƣợc:

.)( 11

f

i

a

i PKHIP (2.14)

Nhƣ vậy, ở bƣớc phân tích này chúng ta đã thu đƣợc một ƣớc lƣợng ban đầu

mới tốt hơn từ một trạng thái dự báo (hay dự báo nền) và quan trắc cho trƣớc.

Sau khi thu đƣợc trạng thái mới a

i 1x và ma trận sai số mới a

i 1P , quá trình dự

báo lại đƣợc lặp lại cho bƣớc đồng hóa kế tiếp theo. Một cách tóm tắt, lọc

Kalman đƣợc cho bởi minh họa trong hình 2.1.

Hình 2.1 Minh họa hai bước chính của bộ lọc Kalman.

Mặc dù có ƣu điểm vƣợt trội so với các phƣơng pháp đồng hóa biến

phân khác, lọc Kalman cho bởi hệ các phƣơng trình (2.1), (2.6), (2.7), (2.13),

(2.14) lại rất khó áp dụng trực tiếp trong các mô hình thời tiết có tính phi

tuyến cao và bậc tự do rất lớn. Ba khó khăn chính của bộ lọc Kalman ở trên là

1) xây dựng mô hình tiếp tuyến L; 2) lƣu trữ và thao tác các ma các trận sai số

với số chiều có kích thƣớc quá lớn; và 3) sai số nội tại của mô hình Q không

đƣợc biết đầy đủ. Khó khăn thứ nhất có thể đƣợc giải quyết bằng cách sử

dụng một biến thể của bộ lọc Kalman, gọi là Kalman tổ hợp mở rộng (EnKF)

đƣợc đề xuất ban đầu bởi Evensen năm 1994. Khó khăn thứ hai đƣợc khắc

phục bằng cách địa phƣơng hóa các số liệu quan trắc xung quanh từng điểm

16

nút lƣới (localization) hoặc đồng hóa lần lƣợt từng giá trị quan trắc theo chuỗi

(serial). Về sai số nội tại của mô hình, đây là một hƣớng phát triển còn mở

của bộ lọc Kalman trong thời gian gần đây và có rất nhiều phƣơng pháp xử lý

nhƣ: kỹ thuật tăng cấp cộng tính, kỹ thuật tăng cấp nhân, kỹ thuật hiệu chỉnh

độ lệch hệ thống, kỹ thuật cộng nhiễu ngẫu nhiên.

Nhƣ đã đề cập ở trên, quá trình đồng hóa phải bao gồm hai bƣớc chính

là phân tích khách quan và ban đầu hóa. Trong bƣớc phân tích của bộ lọc

Kalman quá trình ban đầu hóa không đƣợc trình bày một cách cụ thể. Tuy

nhiên, các phân tích chi tiết cho thấy trong thực tế, bộ lọc Kalman đã tính đến

quá trình ban đầu hóa một cách nội tại trong bƣớc dự báo. Điều này là do

trong bƣớc dự báo này, ma trận sai số hiệp biến nền sẽ đƣợc tích phân theo

thời gian. Do đó, các tƣơng quan chéo giữa các biến động lực sẽ đƣợc hiệu

chỉnh theo thời gian. Ở một giới hạn đủ dài, ma trận sai số hiệp biến nền thu

đƣợc từ bộ lọc này sẽ có khả năng phản ánh đƣợc các tƣơng quan chéo giữa

các biến động lực và nhƣ vậy thông tin quan trắc thu đƣợc của bất kỳ một

biến nào cũng sẽ đƣợc cập nhất cho tất cả các biến mô hình khác. Đây chính

là ƣu điểm của bộ lọc Kalman, đặc biệt trong vùng vĩ độ thấp tại đó không tồn

tại một ràng buộc lý thuyết tƣờng minh cho các mối quan hệ động lực giữa

các biến giống nhƣ trong vùng ngoại nhiệt đới.

2.2 Lọc Kalman tổ hợp

Do khả năng phát triển mô hình tiếp tuyến và tích phân ma trận sai số

hiệp biến theo thời gian với mô hình tiếp tuyến là không thực tế trong các mô

hình dự báo thời tiết, lọc Kalman phải đƣợc cải tiến để có thể áp dụng đƣợc

cho các bài toán nghiệp vụ. Một cách tiếp cận phổ biến nhất dựa trên tích

phân ngẫu nhiên Monte-Carlo theo đó một tập các đầu vào đƣợc tạo ra xung

quanh một giá trị trƣờng phân tích cho trƣớc. Lƣu ý rằng tập đầu vào này

không phải đƣợc lấy bất kỳ mà đƣợc tạo ra dựa theo phân bố xác suất cũng

17

nhƣ giá trị sai số của trƣờng phân tích aP tại từng thời điểm. Ví dụ nếu phân

bố của trƣờng phân tích có dạng phân bố chuẩn Gauss, khi đó tập đầu vào của

trƣờng phân tích sẽ phải tuân theo phân bố:

)()()(2

1

2/12/

1

||)2(

1)(

aaaTaa

a epan

axxPxx

P Px

(2.15)

trong đó ax là giá trị trƣờng phân tích trung bình tổ hợp thu đƣợc từ bƣớc

phân tích của lọc Kalman. Với một tập K các đầu vào { a

kx }k=1..K sinh ra từ

phân bố (2.15), chúng ta có thể thu đƣợc ma trận sai số hiệp biến dự báo cho

bƣớc thời gian tiếp theo nhƣ sau:

Tff

k

K

k

ff

k

f

K)()(

1

1

1

xxxxP

(2.16)

trong đó )]([)( 1 i

a

ki

f

k tMt xx . Các nghiên cứu đã chỉ ra rằng một tổ hợp khoảng

25-50 các thành phần là đủ để lọc Kalman tổ hợp phát huy tác dụng.

Ngoài việc giản lƣợc quá trình phát triển mô hình tiếp tuyến, cách tiếp

cận EnKF có một vài ƣu điểm nổi trội bao gồm 1) Rút bớt các tính toán với

các ma trận có số chiều lớn; 2) Không cần tuyến tính hóa mô hình cũng nhƣ

mô hình liên hợp (adjoint); 3) Cung cấp một tổ hợp các nhiễu ban đầu tối ƣu

hóa cho việc dự báo các ma trận sai số hiệp biến. Mặc dù có nhiều điểm thuận

lợi song đến tại thời điểm này, chỉ có trung tâm dự báo thời tiết của Canada

đã đƣa lọc Kalman tổ hợp vào dự báo nghiệp vụ do khối lƣợng tính toán lớn.

EnKF hiện đƣợc coi là một hƣớng đi phát triển mạnh nhất trong thời gian tới

cho các bài toán nghiên cứu có tính dự báo thấp nhƣ bão nhiệt đới và ngoại

nhiệt đới, mƣa lớn, hay dông.

Trong phần này một biến thể cụ thể của lọc EnKF, gọi là lọc EnKF tổ

hợp biến đổi địa phƣơng hóa (LETKF) sẽ đƣợc trình bày và thử nghiệm. Một

cách cơ bản, lọc LETKF là một phƣơng pháp theo đó tại mỗi điểm nút lƣới,

18

chúng ta sẽ chọn một lân cận mô hình với kích thƣớc cho trƣớc (ví dụ một

không gian 3 chiều có kích thƣớc 11 11 3 với tâm là điểm nút chúng ta

đang quan tâm). Với không gian con này, chúng ta sẽ chọn ra tất cả các quan

trắc cho đƣợc bên trong không gian này và tạo ra một vectơr quan sát lân cận

riêng biêt. Sau đó, sử dụng ma trận nhiễu tổ hợp nền để biến đổi từ không

gian căng bởi số điểm nút lƣới địa phƣơng sang không gian con căng bởi số

thành phần tổ hợp. Điều này sẽ làm giảm đáng kể khối lƣợng tính toán ma

trận vì không gian tổ hợp thƣờng nhỏ hơn không gian địa phƣơng rất nhiều.

Do đó, các phép toán ma trận sẽ có độ chính xác cao hơn. Để minh họa thuật

toán một cách rõ ràng, nhắc lại rằng ma trận nhiễu tổ hợp nền fX (có số chiều

N K) đƣợc định nghĩa nhƣ sau:

}|...||{ 21

ff

K

fffffxxxxxxX , (2.17)

trong đó,

K

k

f

k

f

K 1

1xx .

Gọi w là một vectơr biến đổi trong không gian tổ hợp đƣợc định nghĩa nhƣ

sau:

wXxxbb . (2.18)

Khi đó, hàm giá trong không gian tổ hợp địa phƣơng sẽ chuyển thành

][}])([)({)1()( 1wXxwXXXXIww

bbbTbbTbT JkJ

, (2.19)

trong đó ][ wXxbbJ là hàm giá trong không gian mô hình. Hàm giá sẽ đƣợc

cực tiểu hóa nếu w là trực giao với không gian con rỗng của toán tử Xf. Lấy

đạo hàm của )(wJ

theo w và sử dụng:

dxdx )( T

19

AxAxxx 2)( T

chúng ta sẽ thu đƣợc giá trị aw làm cực tiểu hóa hàm giá (2.19) nhƣ sau:

)]([)( 01 fTfaa H xyRYPw

, (2.20)

trong đó

)](),....,(),([ 21

ff

K

fffff HHH xxxxxxY (2.21)

và 11 ])()1[( fTfa K YRYIP

. (2.22)

Nhƣ vậy, trong không gian tổ hợp, ma trận trọng số thu đƣợc từ (2.6) sẽ có

dạng:

1)(ˆ RYPKTfa

,

và do đó ma trận trọng số K trở thành:

1)(ˆ RYPXKXKTfaff

. (2.23)

Với ma trận K thu đƣợc ở trên, giá trị trạng thái phân tích trung bình tổ hợp

tại điểm nút chúng ta đang quan tâm sẽ đƣợc cho bởi:

][ fofaxHyKxx (2.24)

Cũng giống nhƣ trong bộc lọc SEnKF, nhiệm vụ cuối cùng của chúng ta là

xây dựng bộ tổ hợp các trạng thái phân tích. Để làm điều đó, chúng ta chú ý

rằng:

Tfff

K)(

1

1XXP

; và Taaa

K)(

1

1XXP

Sử dụng mối quan hệ sau

.)( faPKHIP

và kết hợp với (2.23), chúng ta thu đƣợc:

20

TffTfaaf

TffTfaf

TffTfafaTaa

K

K

KK

))()()ˆ((ˆ1

1

))()(ˆ(1

1

)(1

1))(ˆ()(

1

1

11

1

1

XYRYPPX

XYRYPIX

XXRYPXIPXX

(2.25)

Sử dụng (2.22), chúng ta sẽ thu đƣợc:

TfafTaa K )(ˆ)1()( XPXXX (2.26)

và do đó,

2/1]ˆ)1[( afa K PXX . (2.27)

Quá trình đồng hóa theo bộ lọc LETKF nhƣ vậy có thể đƣợc tóm tắt nhƣ sau:

- Bước 1: tại mỗi điểm nút lƣới, chọn một vùng thể tích lân cận

bao xung quanh điểm nút đó để xây dựng ma trận nhiễu nền địa

phƣơng )](),....,[( 1

ff

K

fffxxxxX ;

- Bước 2: Trong mỗi thể tích lân cận, tìm tất cả các quan trắc bên

trong thể tích lân cận này và xây dựng ma trận quan trắc nhiễu nền

)](),....,([ 1

ff

K

fff HH xxxxY . (Nếu H là toán tử tuyến tính, khi đó

ffHXY .) Đồng thời xây dựng ma trận sai số quan trắc R ứng với các

quan trắc bên trong thể tích;

- Bước 3: Tính ma trận sai số hiệp biến biến đổi aP

theo (2.22) và

sau đó ma trận trọng số K theo (2.23);

- Bước 4: Cập nhật giá trị trung bình tổ hợp địa phƣơng ax theo

(2.24)

- Bước 5: Tính ma trận nhiễu phân tích Xa theo (2.27) và cộng vào

ax để thu đƣợc tổ hợp phân tích lân cận mới ( a

k

aa

k Xxx );

21

- Bước 6: Chọn điểm giữa của vectơr tổ hợp vectơr phân tích lân

cận a

kx và gán điểm này cho điểm nút lƣới chọn ở bƣớc 1

- Bước 7: Quay trở lại bƣớc 1 và lặp cho đến hết tất cả các điểm

nút lƣới.

Có thể nhận thấy dễ dàng trong các bƣớc tính toán ở phía trên rằng các

điểm nút lƣới khác nhau đƣợc thực thi một cách hoàn toàn độc lập với nhau.

Đây là một ƣu điểm của lọc LETKF vì chúng ta có thể song song hóa bộ lọc

này một cách rất hiệu quả bằng cách chia các phần công việc độc lập cho các

lõi tính toán khác nhau. Điều này cho phép tăng tính hiệu quả tính toán lên rất

nhiều và giúp lọc LETKF có đƣợc ƣu điểm mà lọc SEnKF không có đƣợc.

22

Chƣơng 3

THIẾT KẾ MÔ HÌNH VÀ THÍ NGHIỆM

3.1 Tổng quan về bão Megi (2010)

Bão Megi là siêu bão đầu tiên của năm 2010 ở vùng biển Thái Bình

Dƣơng, đây là cơn bão mạnh với áp suất cực tiểu đạt ~ 885 hPa và tốc độ gió

bề mặt đo 10 phút là 63 m/s (hình 3.1). Megi đƣợc hình thành trong điều kiện

thời tiết có độ bất ổn định mạnh lúc 0000UTC ngày 12/10/2010, khoảng 600

km về phía đông của quần đảo Philipin. Hệ thống bất ổn định này phát triển

nhanh chóng và trở thành một áp thấp nhiệt đới lúc 0900 UTC ngày 13 theo

Trung tâm cảnh báo bão Hoa Kỳ (JTWC). Do ảnh hƣởng mạnh của áp cao

cận nhiệt Tây Thái Bình Dƣơng nên hệ thống di chuyển chậm về phía Tây

Tây Bắc Philipin, sau đó tăng cƣờng thành bão nhiệt đới lúc 1200 UTC ngày

13/10/2010. Vào cuối ngày 13 và 24 giờ tiếp theo, Megi trở thành bão nhiệt

đới với đĩa mây dày đặc tại trung tâm, trên ảnh vệ tinh mắt bão xuất hiện rõ

lúc 0000UTC ngày 16/10/2010, kết quả Megi chính thức trở thành siêu bão.

Hình 3.1 Cường độ bão Megi (2010)

23

Sau khi phát triển thành siêu bão, Megi di chuyển theo hƣớng Tây Tây

bắc dọc theo rìa phía nam của của áp cao cận nhiệt Tây Thái Bình Dƣơng, và

đƣợc tăng cƣờng đáng kể dọc đƣờng đi do điều kiện môi trƣờng thuận lợi cho

việc phát triển (nhiệt độ bề mặt biển luôn lớn hơn 28oC). Cùng với điều kiện

nhiệt độ bề mặt thích hợp, một số các điều kiện thuận lợi khác nhƣ độ đứt gió

thẳng đứng nhỏ, phân kỳ mực trên cao và dòng hƣớng cực cũng đƣợc quan sát

thấy trong thời kì phát triển của Megi. Vào ngày 18/10/2010 cơn bão bị suy

yếu do đổ bộ vào đất liền Philipin, nhƣng nhanh chóng tăng cƣờng lại khi di

chuyển trên biển Đông, với nhiệt độ mặt nƣớc biển đo đƣợc là 30oC. Hình 3.2

là thời điểm bão Megi đang tiến sát vào đảo Luzon Philipin, có thể quan sát

thấy mắt bão hiện rất rõ trên ảnh mây vệ tinh với đĩa mây dày đặc.

Hình 3.2 Hình ảnh mắt bão Megi đang tiến sát đảo Luzon (bên trái),Mặt cắt siêu

bão Megi ngoài khơi đảo Luzon, Philippines (bên phải).

(Trích nguồn từ Internet)

Do ảnh hƣởng mạnh của rãnh và áp cao cận nhiệt Tây Thái Bình

Dƣơng bão Megi đổi hƣớng Bắc Đông Bắc lúc 0000UTC ngày 19/10/2010,

lúc này nhiệt độ mặt nƣớc biển bắt đầu giảm, bão cũng dần suy yếu. Sau khi

đi qua tỉnh Phúc Kiến - Trung Quốc, sáng sớm ngày 24 Megi suy yếu thành

áp thấp nhiệt đới và tan sau đó vài giờ (hình 3.3).

24

Hình 3.3 Sự di chuyển của bão Megi (2010)[22]

3.2 Thiết kế mô hình và số liệu

3.2.1 Mô hình dự báo thời tiết WRF-LETKF

Mô hình nghiên cứu và dự báo thời tiết WRF là một trong những mô

hình khí tƣợng phổ biến hiện nay. Mô hình này cho phép sử dụng các tùy

chọn khác nhau đối với tham số hóa các quá trình vật lý, nhƣ tham số hóa bức

xạ, tham số hóa lớp biên hành tinh, tham số hóa đối lƣu mây tích, khuyếch tán

xoáy rối quy mô dƣới lƣới hay các quá trình vi vật lý khác. Mô hình có thể sử

dụng số liệu thực hoặc mô phỏng lý tƣởng với điều kiện biên xung quanh là

biên tuần hoàn, mở, đối xứng.

Hiện tại WRF có hai phiên bản là phiên bản nghiên cứu nâng cao ARW

sử dụng lƣới C và phiên bản quy mô vừa phi thủy tĩnh NMM sử dụng lƣới E.

Trong luận văn này, tác giả sử dụng phiên bản ARW làm công cụ nghiên cứu.

Mô hình này bao gồm một lõi động lực ARW lƣới C và các thành phần vật lý

khác. Mô hình WRF đƣợc đánh giá là một mô hình khá hoàn thiện về hệ

thống vật lý, mô phỏng lý tƣởng hóa cùng với quá trình đồng hóa chi tiết.

Mô hình WRF gồm hai bộ phận chính:

+ Bộ phận xử lý

25

+ Bộ phận mô phỏng

Bộ phận xử lý đầu tiên sẽ thực hiện nội suy ngang và thẳng đứng số

liệu các trƣờng khí tƣợng: độ cao địa thế vị (H), các thành phần gió ngang

(u,v), độ ẩm tƣơng đối (RH), nhiệt độ (T), từ lƣới mô hình toàn cầu NCEP

hoặc ECMWF cũng nhƣ nội suy số liệu địa hình (Topography), loại đất (soil

texture), lớp phủ thực vật (vegetation)…về lƣới của mô hình. Sau đó, bộ phận

mô phỏng của mô hình WRF sẽ thực hiện tích phân hệ các phƣơng trình với

các tham số đầu vào đó đƣợc xác định nhƣ: miền tính, độ phân giải, bƣớc thời

gian.v.v…bộ phận xử lý cuối cùng sẽ sử dụng các phần mềm đồ họa

(GRADS) để hiển thị các kết quả dự báo của mô hình.

Hình 3.4 Sơ đồ hệ thống của mô hình WRF

Để tiến hành thí nghiệm, trong luận văn này sử dụng mô hình dự báo

thời tiết WRF phiên bản 3.2 kết hợp với lọc Kalman tổ hợp đƣợc gọi là mô

26

hình WRF-LETKF thiết kế bởi Phòng Thí nghiệm Dự báo Thời tiết và Khí

hậu. Mô hình WRF-LETKF đƣợc phát triển theo quy trình ứng dụng nghiệp

vụ chuẩn với tất cả các quá trình vào ra, cập nhật số liệu, xử lý đồng hóa,

kiểm tra chất lƣợng, tạo điều kiện biên tổ hợp, và dự báo tổ hợp đƣợc tiến

hành một cách tự động và đồng bộ hóa theo thời gian thực. Sơ đồ thiết kế hệ

thống đƣợc biểu diễn minh họa hình 3.5 [1].

Hình 3.5 Sơ đồ hệ thống dự báo tổ hợp WRF-LETKF

Theo sơ đồ hệ thống dự báo tổ hợp WRF-LETKF, số liệu quan trắc đầu

tiên sẽ đƣợc xử lý kiểm định chất lƣợng thông qua bộ chƣơng trình chuẩn

WRFDA cho trong mô hình WRF. Quá trình kiểm định chất lƣợng này sẽ xác

định các sai số cho các mực và các biến quan trắc tƣơng ứng. Số liệu quan

trắc sau khi đƣợc kiểm định sẽ đƣợc kết hợp với số liệu dự báo tổ hợp hạn rất

ngắn 12 giờ từ chu trình dự báo trƣớc để tạo ra một bộ các nhiễu phân tích

thông qua bộ lọc LETKF. Tại chu trình này, do số liệu dự báo toàn cầu GFS

Dự báo tổ hợp

12-h làm trƣờng

nền

Kiểm định chất

lƣợng

Quan trắc vệ

tinh

Nhiễu tổ hợp

phân tích LETKF

Cập nhật điều

kiện ban đầu

WPS

Dự báo toàn

cầu cho số

liệu GFS

Tổ hợp phân tích

biên WRFDA Mô hình

WRF

Dự báo

27

đƣợc phát báo và tải về sẽ đƣợc chƣơng trình tiền xử lý và nội suy về lƣới mô

hình. Trƣờng dự báo GFS sau đó sẽ đƣợc cộng vào nhiễu tái phân tích tạo ra

bởi lọc Kalman tổ hợp để tạo ra một tổ hợp các trƣờng phân tích cùng với

điều kiện biên tƣơng ứng của các trƣờng phân tích này. Bộ các đầu vào và

biên tạo ra trong bƣớc này sẽ đƣợc đƣa vào mô hình WRF để dự báo thời tiết

với hạn tùy ý. Song song với quá trình dự báo thời tiết đƣợc xác định trƣớc

này, mô hình WRF cũng sẽ lƣu trữ một tổ hợp các dự báo rất ngắn 12 giờ để

làm trƣờng nền cho dự báo tiếp theo. Quá trình dự báo tổ hợp nhƣ trên đƣợc

liên tục lặp lại đều đặn một ngày 2 lần (hoặc có thể lên đến 4 ngày nếu hệ

thống tính toán cho phép).

Các sơ đồ tham số hóa đối lƣu đƣợc sử dụng trong luận văn nhằm giải

quyết các tác động quy mô dƣới lƣới nhƣ là quá trình đối lƣu/các đám mây

nông. Các sơ đồ này đƣợc dùng để biểu diễn thông lƣợng thẳng đứng do

không giải quyết đƣợc vận chuyển của các dòng thăng và dòng giáng, và sự

bù lại bên ngoài các đám mây. Chúng chỉ có tác dụng trong các cột riêng ở đó

sơ đồ đƣợc khởi động và cung cấp nhiệt thẳng đứng và cấu trúc ẩm. Một vài

sơ đồ bổ sung cung cấp xu hƣớng mây và trƣờng giáng thủy trong các cột,

trong tƣơng lai các sơ đồ cũng có thể cung cấp xu hƣớng động lƣợng do vận

chuyển đối lƣu.

Các tham số hóa mây đối lƣu về lý thuyết chỉ có giá trị cho các lƣới thô

(ví dụ lớn hơn 10 km), ở đó chúng cần để giải phóng ẩn nhiệt trên quy mô

thời gian thực trong các cột đối lƣu. Đôi khi các sơ đồ này đƣợc tìm thấy có

ích trong việc gây ra sự đối lƣu trong các lƣới 5 -10 km. Dƣới đây sẽ là một

số lựa chọn trong mô hình WRF.

Sơ đồ Kain-Fritsch

28

Sơ đồ Kain-Fritsch đƣợc sử dụng trong nghiên cứu này là phiên bản cải tiến

của sơ đồ KFS gốc trong mô hình ETA. Giống nhƣ KFS phiên bản gốc, phiên

bản hiện tại vẫn dựa trên một mô hình mây đơn giản có tính đến các dòng

thăng và giáng ẩm và có đƣa vào tính toán các hiệu ứng cuốn vào, cuốn ra và

vi vật lý mây. Sự khác biệt so với phiên bản gốc gồm:

- Tốc độ cuốn vào cực tiểu đƣợc giả thiết xảy ra trong đối lƣu diện

rộng trong môi trƣờng tƣơng đối khô và bất ổn định tại biên.

- Đối lƣu nông (không gây mƣa) cho phép có dòng thăng nhƣng

không đạt tới độ dày mây tối thiểu gây mƣa và độ dày này là một

hàm của nhiệt độ chân mây.

- Tốc độ cuốn vào là một hàm của hội tụ mực thấp.

- Một số thay đổi trong tính toán dòng giáng

- Thông lƣợng khối là của thông lƣợng khối của dòng thăng tại đỉnh

mây.

Sơ đồ Betts-Miller-Janjic

Đây là sơ đồ dựa trên sơ đồ điều chỉnh đối lƣu Betts-Miller đƣợc thực

hiện bao gồm việc đƣa vào khái niệm “hiệu suất mây” để cung cấp thêm bậc

tự do trong việc xác định các profile lƣợng ẩm và nhiệt độ. Điều chỉnh đối lƣu

nông cũng có vai trò quan trọng trong sơ đồ tham số hóa này. Gần đây, các nỗ

lực đã đƣợc thực hiện để cải tiến các sơ đồ cho độ phân giải ngang cao hơn,

chủ yếu thông qua các sửa đổi trong cơ chế hoạt động. Cụ thể:

- Một giá trị cho entropy thay đổi trong mây đƣợc thiết lập thấp mà

đối với đối lƣu sâu thì không đƣợc kích hoạt;

- Nghiên cứu đỉnh mây, hạt tăng dần khi chuyển động trong môi

trƣờng.

Lớp biên hành tinh

29

Lớp biên hành tinh (PBL) chịu trách nhiệm về thông lƣợng thẳng đứng

quy mô lƣới con do vận chuyển xoáy vào trong toàn bộ cột không khí, không

chỉ là lớp biên. Vì vậy, khi sơ đồ PBL đƣợc kích hoạt, rõ ràng khuếch tán

thẳng đứng cũng đƣợc kích hoạt với giả thiết rằng sơ đồ PBL sẽ xử lý quá

trình này. Trong ARW cho phép lựa chọn các sơ đồ lớp biên hành tinh: Sơ đồ

Yonsei University (YSU), sơ đồ Mellor-Yamada-Janjic (MYJ).

Mô hình bề mặt đất

Mô hình bề mặt đất (LSM) sử dụng các thông tin khí quyển từ sơ đồ

lớp sát đất, giáng thủy từ các sơ đồ vi vật lý và tham số hóa đối lƣu, cùng với

các biến trạng thái đất và đặc tính bề mặt đất để tính toán các thông lƣợng ẩm

và nhiệt từ bề mặt. Các mô hình đất xử lý thông lƣợng ẩm, nhiệt trong các lớp

đất, các hiệu ứng liên quan đến thực vật, rễ, tán cây và độ phủ tuyết. Các mô

hình bề mặt đất là một chiều và không có tƣơng tác giữa các ô lƣới kề nhau.

Các mô hình đất trong ARW bao gồm: Mô hình khuếch tán nhiệt 5 lớp, mô

hình Noah 4 lớp, mô hình chu trình cập nhật nhanh.

Bức xạ

Tham số hóa bức xạ khí quyển nhằm cung cấp đốt nóng bức xạ do các

quá trình hấp thụ, phản xạ và tán xạ bức xạ sóng ngắn từ mặt trời và bức xạ

sóng dài từ bề mặt trái đất. Các sơ đồ tham số hóa bức xạ trong ARW bao

gồm: Sơ đồ sóng dài RRTM, sơ đồ sóng ngắn và sóng dài Eta GFDL, sơ đồ

sóng ngắn MM5 (Dudhia), sơ đồ sóng ngắn Goddard.

3.2.2 Miền tính và cấu hình mô hình

Mô hình thiết kế cấu hình với hai miền tính lƣới lồng với độ phân giải

36km và 12 km, gồm 31 mực theo phƣơng thẳng đứng, 155 x 155, 151 x 151

điểm nút lƣới theo phƣơng (x, y). Với cấu hình này miền tính sẽ bao phủ một

30

vùng diện tích khoảng 5600 km x 5600 km, tập trung ở vùng biển Đông Việt

Nam. Do giới hạn tính toán nên trong luận văn chỉ sử dụng 21 thành phần tổ

hợp tham gia dự báo với độ phân giải 12 km mặc dù là không tối ƣu so với

các thiết lập dự báo bão nghiệp vụ hiện tại, nhƣng mục đích chính của luận

văn này đó là nghiên cứu độ nhạy của số liệu vệ tinh cho việc dự báo quĩ đạo

bão Megi.

Các sơ đồ vi vật lý sử dụng trong dự báo tất định bao gồm: Sơ đồ tham

số hóa đối lƣu Kain-Fritsch; Một phiên bản sửa đổi của sơ đồ tham số hóa đối

lƣu mây tích Betts-Miler-Janjic (BMJ) cho cả hai miền tính, trong đó tham số

hóa cả đối lƣu nông và đối lƣu sâu; Tham số hóa lớp biên hành tinh của Đại

học Yonsei với sơ đồ lớp sát đất Monin-Obukhov; Sơ đồ mô hình vận chuyển

bức xạ nhanh. Trong thí nghiệm tổ hợp, toàn bộ phổ của sơ đồ vi vật lý và

tham số hóa lớp biên đƣợc sử dụng để tính các sai số nội tại của mô hình.

3.2.3 Nguồn số liệu

Điều kiện biên và điều kiện ban đầu cho dự báo tổ hợp và dự báo tất

định đƣợc lấy từ Trung tâm dự báo môi trƣờng quốc gia Hoa Kỳ (NCEP) và

hệ thống dự báo nghiệp vụ toàn cầu (GFS) với độ phân giải 1o x 1

o. Thời điểm

dự báo từ 0000UTC ngày 17/10/2010 tới 0000 UTC ngày 21/10/2010, đây là

khoảng thời gian bão Megi hoạt động với sự thay đổi 90o từ hƣớng Tây Tây

Bắc sang hƣớng Bắc.

Điều kiện biên đƣợc cập nhật 6h một lần, không cài xoáy. Mặc dù có

độ phân giải thấp, dự báo GFS nhìn chung vẫn bắt đƣợc xoáy hoàn lƣu qui

mô vừa lúc 1200 UTC ngày 16 so với hình ảnh nhìn thấy trên ảnh mây vệ

tinh. Tuy nhiên, ở các giờ tiếp theo dự báo GFS không nắm bắt đƣợc sự phát

triển của Megi cho đến 0300 UTC ngày 19/10 khi cƣờng độ bão đạt cực đại.

31

Chính vì vậy, các dự báo với độ phân giải cao với các mô hình khu vực là cần

thiết để giải quyết tốt hơn sự thay đổi quĩ đạo và cƣờng độ bão.

Trong luận văn này, số liệu quan trắc sử dụng cho các thí nghiệm với

hệ thống đồng hóa LETKF là số liệu gió vệ tinh AMV. Các nghiên cứu với số

liệu gió vệ tinh đã cho thấy số liệu này có thể giúp nâng cao chất lƣợng dự

báo của các hệ thống quy mô vừa khác nhau (Velden và cs. 2005 [17]; Berger

và cs.2007 [7]). Ƣu điểm của số liệu vệ tinh đó là các sai số quan trắc đƣợc

đánh giá và hiệu chỉnh bằng thuật toán lọc đệ quy. Mỗi điểm đều đƣợc kiểm

tra với số liệu xung quanh bằng kĩ thuật chỉ số đánh giá. Nếu dữ liệu gió tại

bất kì một điểm nào có một phân tích chỉ số chất lƣợng thấp (< 65), thì dữ liệu

này đƣợc loại bỏ. Đối với các điểm dữ liệu có chỉ số đánh giá thỏa mãn tiêu

chuẩn lựa chọn, thì các sai số kỳ vọng đƣợc đánh giá một cách chính xác.

Toàn bộ cơ sở dữ liệu vệ tinh đƣợc phân thành các vùng khác nhau, để phục

vụ việc nghiên cứu trong luận văn này, số liệu vệ tinh đƣợc lấy trong khu vực

Tây bắc Thái Bình Dƣơng theo định dạng ASCII/BURF đƣợc tải từ trang web

http://tropic.ssec.wisc.edu.

3.3 Thiết kế thí nghiệm

Để đánh giá ban đầu về khả năng dự báo quỹ đạo cũng nhƣ cƣờng độ

bão Megi các chu kì 0000 UTC ngày 17, 0000 UTC ngày 18, 1200 UTC ngày

18 và 0000 UTC ngày 19/10 sẽ đƣợc thực hiện trƣớc bằng mô hình WRF hạn

dự báo 3 ngày. Các thí nghiệm này sẽ đƣợc dùng để xem xét khả năng dự báo

sự di chuyển của Megi trong suốt thời gian cơn bão hoạt động mạnh trên khu

vực Philipin, cũng nhƣ khả năng nắm bắt của cấu hình tới hình dạng của bão

tại thời điểm 0000 UTC ngày 20. Các chu kỳ có sai số quĩ đạo lớn hơn 400

km (0000 UTC ngày 18/10 và 1200 UTC ngày 18/10) sẽ đƣợc chọn làm thí

nghiệm tất định (thí nghiệm CTL) để đánh giá với các dự báo tổ hợp.

32

Sau khi đã có thí nghiệm tất định các thí nghiệm tổ hợp sẽ đƣợc thực

hiện với cùng chu kì. Thí nghiệm tổ hợp đầu tiên, toàn bộ cơ sở dữ liệu gió

AMW sẽ đƣợc đồng hóa để đánh giá với dữ liệu trong thí nghiệm CTL (Thí

nghiệm 1).

Trong hai thí nghiệm tổ hợp tiếp theo số liệu gió AMW sẽ đƣợc phân

tách ra thành hai bộ số liệu: mực thấp (1000 – 300 hPa) (Thí nghiệm 2) và

mực cao từ 300 hPa trở lên (Thí nghiệm 3). Các thử nghiệm này nhằm nghiên

cứu việc dự báo quĩ đạo bão phụ thuộc nhƣ thế nào vào lớp dòng dẫn trên cao

của môi trƣờng.

33

Chƣơng 4

KẾT QUẢ VÀ NHẬN XÉT

4.1 Thí nghiệm dự báo tất định

Dự báo quĩ đạo bão Megi 72-h tại các thời điểm 0000 UTC ngày 17,

0000 UTC ngày 18, 1200 UTC ngày 18 và 0000 UTC ngày 19 (Hình 4.1). Có

thể quan sát thấy, tại thời điểm 0000 UTC ngày 17 quĩ đạo dự báo khá gần

với quĩ đạo thực, trong khi các trƣờng hợp còn lại biểu diễn quĩ đạo dự báo

khá xa. Dự báo tại các thời điểm 0000 và 1200 UTC ngày 18 mặc dù đều nắm

bắt đƣợc sự đổi hƣớng của Megi lúc 0000 UTC ngày 20, nhƣng quĩ đạo đều

có xu hƣớng lệch Đông dẫn đến sai số quĩ đạo trung bình 72 giờ tƣơng ứng là

410 km, 405 km. Theo nghiên cứu gần đây của Brown và cs 2010 [8] đã chỉ

ra rằng phần lớn các trƣờng hợp có sai số lớn trong khu vực Tây Bắc Thái

Bình Dƣơng liên quan tới tƣơng tác bề mặt với áp cao cận nhiệt hoặc tƣơng

tác trực tiếp giữa xoáy với xoáy.

Hình 4.1 Các quĩ đạo của Megi (6h một) từ số liệu phân tích (đường màu đen) và

dự báo 3 ngày tại thời điểm 0000 UTC ngày 17 (đường màu xanh nhạt), 0000

UTC ngày 18 (đường màu đỏ), 1200 UTC ngày 18 (đường màu tía), và 0000 UTC

ngày 19/10/2010 (đường màu xanh sẫm)

34

Hình 4.2 dự báo cƣờng độ bão Megi tại các thời điểm 00Z17, 00Z18,

12Z18, 00Z19, có thể thấy cƣờng độ dự báo tại 4 thời điểm ban đầu đều thấp

hơn hẳn so với quan trắc thực tại tất cả các thí nghiệm, đặc biệt trong 12 giờ

đầu tiên khi xoáy mới bắt đầu. Sự chênh lệch này có thể thấy rõ trong Hình

4.2a, 4.2b vận tốc cực đại giữa dự báo GFS và quan trắc là lớn hơn 25 m/s.

Điều này là do phải mất một khoảng thời gian để các mô hình xoáy điều chỉnh

với môi trƣờng xung quanh trƣớc khi phát triển động lực. Thêm vào đó, độ

phân giải thô cũng góp phần làm hạn chế kĩ năng dự báo cƣờng độ.

Hình 4.2 Tốc độ gió cực đại bề mặt quan trắc được (đường nét đứt) và tốc độ gió

cực đại dự báo (đường nét liền) tại các thời điểm (a) 00Z17,(b) 00Z18, (c)

12Z18,(d) 00Z19

Tuy nhiên, sai số cƣờng độ lớn chỉ xuất hiện trong ngày tích phân đầu

tiên, yếu tố chính quyết định đến là xoáy ban đầu kém mặc dù vậy dự báo

cƣờng độ ở các thời điểm này cũng cho thấy xu thế khá gần với quan trắc

thực. Trong thí nghiệm tổ hợp tiếp theo, các chu kì dự báo 0000 UTC và 1200

35

UTC ngày 18 có sai số quĩ đạo 3 ngày lớn nhất sẽ đƣợc, nhằm đánh giá việc

dự báo cƣờng độ Megi khi sử dụng số liệu gió AMV.

4.2 Thí nghiệm tổ hợp

Để xem xét khả năng nắm bắt hoàn lƣu quy mô lớn của vectơ gió quan

trắc AMW và vectơ gió trƣờng nền GFS, Hình 4.3 sẽ biểu diễn vectơ gió của

hai bộ số liệu này ở các mực 750hPa, 300hPa, 250hPa, 200hPa tại thời điểm

xoáy xuất hiện rõ nét trên ảnh mây vệ tinh (Hình 3.2) lúc 1200 UTC ngày

18/10.

Hình 4.3 Gia số phân tích sử dụng đồng hóa số liệu gió vệ tinh (cán gió màu xanh),

gia số quan trắc gió (cán gió màu đen) tại thời điểm 1200 UTC ngày 18 cho các

mực 750hPa, 300 hPa, 250 hPa, 200 hPa khảo sát với độ dày là 30 hPa.

Mặc dù số lƣợng 21 thành phần dự báo tham gia trong thí nghiệm tổ

hợp là nhỏ, các gia số gió phân tích thu đƣợc từ hệ thống WRF-LETKF là tốt

so với các quan trắc về cả hƣớng lẫn độ lớn. Lƣu ý rằng, do sự phân bố không

(a)

(d) (c)

(b)

36

đồng đều của số liệu quan trắc với mật độ số liệu dày hơn ở các mực trên cao,

quy mô địa phƣơng hóa của sai số hiệp biến (covariance localization scale)

không thể đƣợc đặt quá lớn (khoảng 800 km trong tất cả các thí nghiệm tổ

hợp) nhằm ngăn ảnh hƣởng của các quan trắc cách xa điểm lƣới đƣợc đồng

hóa. Ngoài ra, tƣơng quan chéo giữa các vectơ gió và các biến khác có chứa

một phần đáng kể nhiễu. Kết quả là các gia số phân tích về cơ bản giới hạn

trong khu vực lân cận điểm quan trắc.

Hình 4.4 (bên trái) Dự báo 00Z ngày 18/10/2010, Hình 4.5 (bên phải) Dự

báo 12Z ngày 18/10/2010 (a) Dự báo quĩ đạo bão trung bình (đường liền gạch

chéo) , dự báo CTL (đường liền chấm tròn), quĩ đạo bão thực (nét đứt gạch chéo),

quĩ đạo của các member (đưởng mảnh).

Hình 4.4 và Hình 4.5 chỉ ra các dự báo quĩ đạo tổ hợp tại các thời điểm

0000 UTC và 1200 UTC ngày 18 với toàn bộ số liệu ggió AMW đã đồng hóa.

Hình vẽ cho thấy có sự cải thiện đáng kể trong dự báo quĩ đạo mô hình đã

nắm bắt đƣợc sự đổi hƣớng tại thời điểm 1200 UTC ngày 20, cũng nhƣ tốc độ

di chuyển của Megi. Sai số dự báo 3 ngày từ 410 km trong dự báo tất định

xuống còn 350 km trong dự báo tổ hợp (Hình 4.4) tại thời điểm 0000 UTC

ngày 18, và từ 405 km xuống 160 km tại thời điểm 1200 UTC ngày 18 (Hình

4.5).

Về dự báo cƣờng độ, Hình 4.6 và Hình 4.7 cho thấy cƣờng độ trung

37

bình tổ hợp là mạnh hơn so với dự báo tất định cho cả hai chu kì 0000 UTC

và 1200 UTC ngày 18. Một đặc điểm đáng chú ý của dự báo cƣờng độ đó là

sự phân nhánh bắt đầu khoảng 0000 UTC ngày 19, tại thời điểm này khoảng

một nửa số thành phần tổ hợp có cƣờng độ mạnh hơn trong khi số còn lại có

cƣờng độ yếu hơn. Các thành phần có cƣờng độ dự báo cao hơn đều có một

điểm chung là đều sử dụng sơ đồ tham số hóa mây đối lƣu Kain-Fritsch

(nhƣng với sự kết hợp khác nhau của bức xạ sóng ngắn hoặc các sơ đồ vi vật

lí). Một nửa số thành phần dự báo cƣờng độ thấp có cùng sơ đồ tham số hóa

mây đối lƣu Bett-Miler-Janjic. Sơ đồ đối lƣu KF tạo ra cƣờng độ bão mạnh

hơn trong khi sơ đồ BMJ có cƣờng độ bão yếu hơn trong tất cả các dự báo tổ

hợp, điều này khá phù hợp với các nghiên cứu dự báo cƣờng độ bão và dự

báo mƣa lớn (Davis và Bosart 2002 [10]; Ratnam và Kumar 2005[20]). Việc

đánh giá cƣờng độ bão cao trong sơ đồ KF có thể liên quan tới sự tăng cƣờng

của dòng xoáy nghịch đi ra trên cao do tăng cƣờng của dòng thăng qui mô đối

lƣu.

Một đặc điểm nữa của dự báo tổ hợp, đó là các thành phần dự báo trong

sơ đồ KF có xu hƣớng không lệch về phía Đông nhƣ trong BMJ, bão đƣợc tạo

ra bởi sơ đồ KF mạnh hơn do bị ảnh hƣởng của dòng gió Tây nhiều hơn là

dòng gió Đông trên cao. Nhìn chung, dòng môi trƣờng mực 800 hPa tới 300

hPa là lớp thống trị sự di chuyển của bão, đối với các cơn bão đủ mạnh có thể

mở rộng tới độ cao đủ lớn, mực trên cao có thể ảnh hƣởng tới quĩ đạo. Trong

trƣờng hợp dòng quy mô lớn trên cao là gió Đông, các thành phần dự báo

cƣờng độ mạnh hơn trong TN1 có khả năng phục hồi hơn, trƣớc những tác

động của dòng gió Tây mực thấp kết hợp với rãnh trên cao nguyên Tibet. Có

thể thấy ở đây sự tƣơng quan lẫn nhau giữa dự báo cƣờng độ và quĩ đạo,

cƣờng độ của Megi trong TN1 giải thích cho khả năng phục hồi mạnh của bão

về phía Đông của dòng mực thấp trong khi quĩ đạo lệch ít về phía Đông có

38

thể luôn luôn giúp bão đổi hƣớng trong môi trƣờng ít bị cắt hơn để phát triển

xa hơn.

Hình 4.6 (bên trái) Dự báo 00Z ngày 18/10/2010, Hình 4.7 (bên phải) Dự báo 12Z

ngày 18/10/2010 (a) Tốc độ gió cực đại 10m của tổ hợp các member (đường

mảnh), tốc độ gió cực đại trung bình của các member (đường liền đậm) và quan

trắc gió cực đại (đường nét đứt); (b) Cũng giống như hình (a) nhưng đối với áp

suất cực tiểu bề mặt.

Để xem xét thêm sự khác biệt trong dòng quy mô lớn giữa thí nghiệm

CTL và thí nghiệm tổ hợp thứ nhất (TN1) tại thời điểm 0000 UTC ngày 20

khi Megi đổi hƣớng, ta quan sát trên Hình 4.8 so sánh mặt cắt ngang của độ

cao theo thời gian trong miền (10oN-25

oN, 110

oE-125

oE) bao phủ toàn bộ quĩ

đạo bão tại thời điểm 1200 UTC ngày 18/10.

(b)

(a)

39

Hình 4.8 Sơ đồ độ cao theo thời gian của dòng dẫn trung bình trong miền (10o-

25oN, 110

o-125

oE) (a) thí nghiệm CTL, (b) thí nghiệm 1. Đường nét đứt biểu thị

khoảng thời gian dự báo control bắt đầu lệch khỏi quan trắc.

Đây là thời điểm quan trọng nhất để xem xét sự chuyển hƣớng của quĩ

đạo Megi trong khoảng 1800 UTC ngày 18/10 đến 0000 UTC ngày 20/10.

Thời điểm này, dòng môi trƣờng trong thí nghiệm CTL là dòng hƣớng tây từ

700 hPa lên đến 400 hPa trong khi dòng môi trong TN1 có hƣớng tây nam,

điều này phù hợp với việc giảm sai số quĩ đạo bão trong Hình 4.4 và Hình

4.5. Do dòng môi trƣờng bão trong khu vực Tây bắc Thái Bình Dƣơng đƣợc

xác định chủ yếu vào sự giao tranh giữa rãnh trên khu vực Trung Quốc từ

phía đông của cao nguyên Tây Tạng với áp cao cận nhiệt Tây Thái Bình

Dƣơng, đây có thể là cơ chế vật lý chính chi phối sự thay đổi dòng dẫn trong

Hình 4.8.

Quan sát Hình 4.9 biểu diễn mặt cắt ngang của độ cao địa thế vị tại

mực 500 hPa ở thí nghiệm CTL và TN1 lúc 1800 UTC ngày 18, 0000 UTC

ngày 20. Từ hình vẽ có thể quan sát thấy sự thay đổi trong hình thế quy mô

lớn đƣợc kết hợp với sự mở rộng về phía Tây của áp cao cận nhiệt Tây Thái

Bình Dƣơng trong TN1.

(a) (b)

40

Hình 4.9 Độ cao địa thế vị tại mực 500 hPa hình bên trái thí nghiệm CTL,

hình bên phải thí nghiệm đồng hóa tại các thời điểm (a) 1200 UTC ngày 19; (b)

1800 UTC ngày 19 và (c) 0000 UTC ngày 20.

(a)

(b)

(c)

41

Lƣỡi áp cao cận nhiệt đƣờng 5875 gpm trong thí nghiệm TN1 đạt tới

130oE trong khí nó chỉ ở khoảng 128

oE lúc 1800 UTC ngày 19 trong thí

nghiệm CTL. Ngoài ra, vùng có độ cao địa thế vị lớn hơn 5880 gpm trong

TN1 là lớn hơn trong thí nghiệm CTL đã cho thấy áp cao cận nhiệt Tây Thái

Bình Dƣơng trong TN1 mạnh hơn. Sự mở rộng và tăng cƣờng của ACCN Tây

Thái Bình Dƣơng có thể quan sát đƣợc trong toàn bộ thời gian từ 1800 UTC

ngày 18 – 0000 UTC ngày 20/10, tƣơng ứng với sự tăng cƣờng của dòng

Đông nam trên rìa phía Nam của ACCN. Điều này đã bù đắp dòng mạnh phía

Tây kết hợp với rãnh vĩ độ trung bình trên khu vực trung tâm Trung Quốc,

dẫn tới dòng phía Tây yếu đi trong TN1. Kết quả bão Megi không bị đẩy quá

mạnh về phía Đông chính vì vậy mà dự bão quĩ đạo tốt hơn (Hình 4.5).

Ngoại trừ việc không có khả năng nắm bắt xoáy yếu ở các thí nghiệm

tổ hợp, có thể thấy rằng trung bình tổ hợp đã chỉ ra có sự liên kết chặt chẽ với

quan trắc đƣợc thêm vào so với dự báo tất định trong cả độ lớn của vận tốc

gió cực đại (vmax) và giai đoạn tựa dừng. Mặc dù thời điểm ban đầu xoáy

yếu, nhƣng TN1 nhằm minh họa dự báo quĩ đạo tốt hơn, đóng vai trò trong

việc dự báo cƣờng độ bão. Trong khi các yếu tố khác có thể quyết định đến

cƣờng độ bão nhƣ nhiệt độ mặt biển, sự cung cấp độ ẩm, độ đứt gió thẳng

đứng, hay tƣơng tác địa hình, sự khác biệt nhất của dòng quy mô lớn giữa thí

nghiệm CTL và TN1 thu đƣợc là ít lệch phía Đông của quĩ đạo sau 1200 UTC

ngày 19. Trong Hình 4.10 độ đứt thẳng đứng giảm từ 7.3 m/s trong thí

nghiệm CTL xuống còn 6 m/s từ 1200 UTC ngày 19 tới 0000 UTC ngày 20

trong khi Megi đạt trạng thái tựa tĩnh.

42

Hình 4.10 Mô phỏng độ lớn trung bình của độ đứt thẳng đứng giữa mực

200 và 850 hPa trong thí nghiệm CTL (đường liền), trong TN1 (đường nét đứt)

Trong thí nghiệm TN1, áp cao cận nhiệt Tây Bắc Thái Bình Dƣơng mở

rộng về phía Tây sau khi trƣờng ban đầu đƣợc đồng hóa bằng số liệu vệ tinh.

Các vectơ gió đồng hóa phân bố chủ yếu ở mực trên cao (lớn hơn 300 hPa)

chứ không phải ở các mực thấp nơi mà bị ACCN ảnh hƣởng nhiều nhất. Hình

4.11 chỉ ra sự phân bố của gió ở mực thấp tập trung chủ yếu từ mực 800 hPa

tới 300 hPa và tƣơng tự lớp trên cao tập trung từ mực 300 hPa tới 80 hPa.

Hình 4.11 Đồng hóa số liệu vệ tinh mực thấp 800-300 hPa (bên trái), mực

cao 300 -80 hPa (bên phải)

43

Có thể thấy gió mực thấp xoáy nằm xa trung tâm của Megi, trong khi

gió ở mực cao tập trung trong hoàn lƣu chính với xoáy nghịch chiếm ƣu thế.

Chính sự phân bố của gió vệ tinh đƣa ra hai vấn đề: một là, vai trò quan trọng

của dòng môi trƣờng mực thấp dƣờng nhƣ cho thấy gió AMW góp phần tới

quĩ đạo bão mặc dù các điểm dữ liệu thƣa thớt. Mặc khác, với hơn 80% các

điểm quan trắc đƣợc thêm vào ở mực cao nhƣ trong Hình 4.11, đƣợc dùng để

đánh giá ảnh hƣởng của gió mực cao tới quĩ đạo và cƣờng độ Megi. Để kiểm

tra mối quan hệ của gió AMW mực cao (TN2) so với gió AMW mực thấp

(TN3) tới dự báo Megi, hai thí nghiệm sẽ đƣợc tách ra trong phần sau.

Hình 4.12 dự báo quĩ đạo tổ hợp trong TN2 và TN3. Mặc dù, có ít điểm

quan trắc nhƣng gió AMV trong TN2 có thể giúp cải thiện đƣợc quĩ đạo Megi

tốt nhƣ là sự phân bố dày đặc của gió AMV trong TN3, sai số quĩ đạo trung

bình tổ hợp 3 ngày là 175 km và 188 km tƣơng ứng với hai thí nghiệm trên

(dù dự báo quĩ đạo trung bình tổ hợp trong thí nghiệm 2 gần với quĩ đạo thực

hơn trong TN1, nhƣng sai số quĩ đạo dọc lại lớn hơn hẳn do tốc độ di chuyển

chậm hơn trong TN1).

Hình 4.12 Dự báo quĩ đạo Megi với đồng hóa gió AMV mực thấp (hình trái)

và mực cao (hình phải).

44

Ngoài ra, độ mở của quĩ đạo tổ hợp trong TN3 nhỏ hơn nhiều trong

TN2, đã cho thấy sự lệch đáng kể về phía Đông của thành phần tổ hợp trong

thí nghiệm mực cao. Xem xét hình thế của ACCN Tây Thái Bình Dƣơng, có

thể thấy số liệu AMV mực thấp hiệu quả nhất trong việc tăng cƣờng và mở

rộng về phía Tây của ACCN Tây Thái Bình Dƣơng. Nhƣ trong Hình 4.13, sự

phân bố của ACCN Tây TBD trong TN2 rất gần với quan sát trong TN1 với

đƣờng độ cao địa thế vị 5875 gpm gần 130oE, trong khi ACCN Tây TBD ở

TN3 thì hầu nhƣ không vƣợt qua đƣợc kinh độ 130oE. Điều này có thể chỉ ra

rằng một số ít các quan trắc mực thấp trong dòng môi trƣờng ở xa tâm bão có

thể giúp cải thiện đáng kể dòng dẫn bão.

So sánh thí nghiệm mực cao (TN3) và thí nghiệm tất định (CTL), mặc

dù cả hai thí nghiệm có một hệ thống ACCN Tây Thái Bình Dƣơng yếu

không đủ mở rộng về phía Tây nhƣng quĩ đạo dự báo trong thí nghiệm mực

cao có sự cải thiện hơn. Điều này cho thấy các dòng mực cao đƣợc tăng

cƣờng có ích cho việc dự báo quĩ đạo, sự cải thiện của dòng môi trƣờng từ

mực thấp tới mực trung là cần thiết để có đƣợc dự báo quĩ đạo tốt. Mặc dù các

điểm dữ liệu ít hơn, gió AMV mực thấp đã chứng tỏ tầm quan trọng trong

việc điều chỉnh hệ thống ACCN Tây Thái Bình Dƣơng quy mô lớn hơn là

điều chỉnh dòng môi trƣờng một cách có hiệu quả.

45

Hình 4.13. Tương tự như Hình 4.9 thí nghiệm mực thấp (hình trái)

và thí nghiệm mực cao (hình phải)

Đối với dự báo cƣờng độ, kết quả tƣơng tự nhƣ trong TN1 ta có thể

thấy một sự cải thiện nhỏ ở tất cả các chu kì (Hình 4.14). Sự phân nhánh với

một nửa số thành phần tổ hợp có cƣờng độ mạnh hơn và một nửa với sơ đồ

BMJ có cƣờng độ yếu hơn cũng lặp lại trong cả hai thí nghiệm. Cũng nhƣ

TN1, dự báo cƣờng độ tốt hơn trong thí nghiệm tổ hợp có liên quan nhiều tới

46

việc sử dụng các thành phần đa vật lí chứ không phải là sự đồng hóa của gió

AMV. Các thành phần tổ hợp với tùy chọn KF có xu hƣớng phát triển mạnh

hơn. Do đó, quĩ đạo của bão trong TN2 ít bị lệch về phía Đông nhƣ trong

TN3. Mặc dù việc đồng hóa gió AMV có thể giảm độ lệch tâm bão, nhƣng

thực tế các thành phần có cƣờng độ mạnh hơn trong thí nghiệm mực cao có

thể vẫn cho thấy sự tăng cƣờng nhanh chóng nhƣ trong TN1. Điều này cho

thấy các tham số hóa vật lý đóng vai trò lớn trong việc dự báo cƣờng độ bão

Megi.

Hình 4.14 Đồng hóa gió AMV mực thấp (hình trái) và mực cao (hình phải)

47

NHẬN XÉT

Từ các kết quả nghiên cứu trong luận văn có thể đƣa ra những kết luận

ban đầu nhƣ sau:

Bằng cách đồng hóa bộ số liệu vệ tinh sử dụng phƣơng pháp lọc

Kalman tổ hợp chạy trên mô hình dự báo thời tiết WRF đã cho thấy - bộ số

liệu có thể giúp cải thiện đáng kể khả năng dự báo bão Megi. Đặc biệt, sự mô

tả ban đầu của áp cao cận nhiệt đới Tây Bắc Thái Bình Dƣơng là một trong

những yếu tố quan trọng nhất thống trị dòng dẫn của cơn bão trong khu vực

Tây bắc Thái Bình Dƣơng. Sự mở rộng về phía Tây của ACCN Tây Thái

Bình Dƣơng giúp bù đắp dòng phía Tây mực thấp kết hợp với rãnh cận nhiệt

đới dẫn đến việc dự báo quỹ đạo tốt hơn.

Hơn nữa sự tăng cƣờng của dòng môi trƣờng qui mô lớn sau khi đồng

hóa với số liệu vệ tinh AMV cho thấy việc sử dụng lọc Kalman tổ hợp đa vật

lí có một đóng góp vào việc tăng cƣờng kỹ năng dự báo. Điều đáng chú ý nhất

đó là các thành phần tổ hợp với sơ đồ tham số hóa đối lƣu Kain-Fritsch đã tạo

ra bão mạnh hơn trong khi sơ đồ Betts-Miller-Janjic hƣớng tới nắm bắt các

cơn bão yếu hơn.

Sau khi phân tách thí nghiệm tổ hợp thành các thí nghiệm đồng hóa gió

mực thấp 800-300 hPa và mực cao 300-80 hPa, các kết quả đã chỉ ra rằng mặc

dù sự phân bố rải rác theo không gian của dòng mực thấp gió AMV với hầu

hết các điểm nằm rìa của hoàn lƣu Megi nhƣng cũng đem lại kết quả dự báo

bão tốt hơn so với dòng mực cao. Các quan trắc ngoài rìa mực xa tâm bão

mực thấp có thể đóng góp đáng kể trong việc nâng cao kĩ năng dự báo quỹ

đạo và cƣờng độ bão.

48

DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ

LIÊN QUAN ĐẾN LUẬN VĂN

1. Kieu, C. Q., T. M. Nguyen, M. T. Hoang, T. Ngo-Duc, 2012:

Sensitivity of the Track and Intensity Forecasts of Typhoon Megi

(2010) to Satellite-Derived Atmospheric Motion Vectors with the

Ensemble Kalman Filter, J. Atmos. and Oceanic Tech., 29, 1794–1810

2. Kieu, C. Q., M.T. Pham, M.T. Hoang, 2013: Application of the Multi-

physics Ensemble Kalman Filter to Typhoon Forecast. Pure and

Applied Geophysics. (in press) doi: 10.1007/s00024-013-0681-y.

3. Du, T. D., T. Ngo-Duc, M. T. Hoang, and C. Q. Kieu, 2013: A Study of

Connection between Tropical Cyclone Track and Intensity Errors in the

WRF Model. Meteo. Atmos. Phys., 122, 55-64. doi: 10.1007/s00703-

013-0278-0.

4. Trần Tân Tiến, Hoàng Thị Mai, Công Thanh, 2013: Ứng dụng phƣơng

pháp lọc Kalman tổ hợp vào dự báo quỹ đạo và cƣờng độ bão 5 ngày.

Tạp chí khoa học Đại học Quốc gia Hà Nội. Khoa học Tự nhiên và

Công nghệ. Tập 29, số 2S tr. 201 – 206.

49

TÀI LIỆU THAM KHẢO

Tiếng Việt

1. Kiều Quốc Chánh, 2011, “Xây dựng hệ thống đồng hóa lọc

Kalman tổ hợp địa phƣơng cho mô hình dự báo thời tiết WRF”, Tạp chí

Khoa học ĐHQGHN, Khoa học Tự nhiên và Công nghệ Tập 27, số 1S,

tr. 17-28.

2. Nguyễn Lê Dũng, Phan Văn Tân, (2009), “Thử nghiệm ứng dụng

hệ thống WRF-VAR kết hợp ban đầu hóa xoáy dự báo quỹ đạo bão trên

khu vực biển Đông”, Tuyển tập báo cáo Hội nghị dự báo viên toàn

quốc lần thứ III, Tr 36-46.

3. Trần Tân Tiến, Nguyễn Thị Thanh (2011), “Đồng hóa dữ liệu vệ

tinh modis trong mô hình WRF để dự báo mƣa lớn ở khu vực Trung

Bộ”, Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và Công nghệ

27, Số 3S (2011) 90-95.

4. Kiều Thị Xin, Lê Đức (2003). “Nâng cao chất lƣợng dự báo mƣa

bằng mô hình khu vực phân giải cao HRM nhờ tăng độ phân giải và

điều chỉnh trƣờng ban đầu bằng phƣơng pháp đồng hoá số liệu ba

chiều”. Tuyển tập hội nghị khoa học, Viện Khoa học khí tượng thuỷ văn

và Môi trường.

5. Kiều Thị Xin, 2005. “Nghiên cứu dự báo mƣa lớn diện rộng

bằng công nghệ hiện đại phục vụ phòng chống lũ lụt ở Việt Nam”. Báo

cáo tổng kết đề tài khoa học công nghệ độc lập cấp nhà nước, tr.121-

151.

50

Tiếng Anh

6. Aberson and M. DeMaria, 1994: “Verification of a nested

barotropic hurricane track forecast model (VICBAR)”. Mon. Wea. Rev.,

122, 2804–2815.

7. Berger, H. C. Velden, S. Wanzong, and J. Daniels, cited 2007:

“Evaluation of a new quality indicator to estimate satellite-derived

Atmospheric Motion Vector error”. J. Appl. Meteor. Climatol., 50, 2309–

2318.

8. Brown, D. P., J. L. Beven, J. L. Franklin, and E. S. Blake, 2010:

“Atlantic hurricane season of 2008”. Mon. Wea. Rev., 138, 1975–2001.

9. Carr, L. E., and R. L. Elsberry, 1995: “Monsoonal interactions

leading to sudden tropical cyclone track changes ”. Mon. Wea. Rev.,

123, 265–290.

10. Davis, C., and L.F. Bosart, 2002 : “Numerical simulations of the

genesis of Hurricane Diana (1984)”. Part II: Sensitivity of track and

intensity prediction. Mon. Wea. Rev., 130, 1100–1124.

11. Kieu, C. Q., M.T. Pham, M.T. Hoang, 2013: “Application of the

Multi-physics Ensemble Kalman Filter to Typhoon Forecast”. Pure and

Applied Geophysics. (in press) doi: 10.1007/s00024-013-0681-y.

12. Kieu, C. Q., T. M. Nguyen, M. T. Hoang, T. Ngo-Duc, 2012:

“Sensitivity of the Track and Intensity Forecasts of Typhoon Megi

(2010) to Satellite-Derived Atmospheric Motion Vectors with the

Ensemble Kalman Filter”, J. Atmos. and Oceanic Tech., 29, 1794–1810

13. Kalnay et.al, 2008: “A local semble transform Kalman filter data

assimilation system for the NCEP global model”. Tellus A, Volume 60,

Issue 1, pages 113-130.

51

14. Lorenz, EdwardN, (1963): “Deterministic Nonperiodic Flow”.

Joural of the Atmospheric Sciences 20 : 130-141.

15. Pike, A. C., and C. J. Neumann, 1987: “The variation of track

forecast difficulty among tropical cyclone basins”. Wea. Forecasting,

2, 237–241.

16. Payne, K. A., R. L. Elsberry, and M. A. Boothe, 2007:

“Assessment of western North Pacific 96- and 120-h track guidance

and present forecast ability”. Wea. Forecasting, 22, 1003–1015.

17. Velden, C. S., and Coauthors, 2005: “Recent innovations in

deriving tropospheric winds from meteorological satellites”. Bull.

Amer. Meteor. Soc., 86, 205–223.

18. Routray, U.C. Mohanty, D. Niyogi, S.R. Rizvi, K.K.Osuri, 2008.

“First application of 3DVAR-WRF data assimilation for mesoscale

simulation of heavy rainfall events over Indian Monsoon region”.

Journal of the Royal Meteorological Society 1555.

19. Rakesh, Singh Randhir, C. Joshi Prakash, 2009.

“Intercomparison of the performance of MM5/WRF with and without

satellite data assimilation in short-range forecast applications over the

Indian region”. Journal of Technology and Science: 105-133.

20. Ratnam, J. V., and K. K. Kumar, 2005: “Sensitivity of the

simulated monsoons of 1987 and 1988 to convective parameterization

schemes in MM5”. J. Climate, 18, 2724–2743.

21. Xavier, Chandrasekar, R. Singh and B. Simon, 2006. “The

impact of assimilation of MODIS data for the prediction of a tropical

52

low-pressure system over India using a mesoscale model”.

International Journal of Remote Sensing 27, No.20.

Trang web

22. http://agora.ex.nii.ac.jp/digital-typhoon/summary/wnp/l/201013.html.en