Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
---------------------
Nguyễn Quang Trung
NGHIÊN CỨU KHẢ NĂNG ỨNG DỤNG MÔ HÌNH KHÍ HẬU KHU
VỰC DỰ BÁO HẠN MÙA Ở VIỆT NAM
Chuyên ngành: Khí tƣợng và khí hậu học
Mã số: 62.44.87
LUẬN VĂN THẠC SĨ KHOA HỌC
NGƢỜI HƢỚNG DẪN KHOA HỌC:
GS. TS. Phan Văn Tân
Hà Nội - 2012
2
LỜI CẢM ƠN
Tác giả hoàn thành luận văn này khi học tập và công tác tại Bộ môn Khí
tƣợng, Khoa Khí tƣợng Thủy văn và Hải dƣơng học, Trƣờng Đại học Khoa học Tự
nhiên, Đại học Quốc gia Hà Nội. Luận văn đƣợc thực hiện dƣới sự hƣớng dẫn tận
tình của GS. TS. Phan Văn Tân. Tác giả xin bày tỏ lòng biết ơn chân thành tới thầy,
ngƣời đã hết lòng quan tâm cũng nhƣ kiên trì giúp đỡ từng bƣớc nghiên cứu của học
viên.
Tác giả cũng xin chân thành cảm ơn tập thể Bộ môn khí tƣợng nói riêng và
Khoa Khí tƣợng Thủy Văn và Hải dƣơng học nói chung đã luôn giúp đỡ, tạo điều
kiện để tác giả hoàn thành luận văn, hơn thế nữa còn mang lại một môi trƣờng làm
việc và học tập hiếm có cho học viên.
Nguyễn Quang Trung
3
MỤC LỤC
DANH MỤC HÌNH .......................................................................................... 4
DANH MỤC BẢNG ......................................................................................... 7
DANH MỤC CÁC KÝ HIỆU VIẾT TẮT ....................................................... 8
MỞ ĐẦU ........................................................................................................... 9
Chƣơng 1 TỔNG QUAN ................................................................................ 10
1.1 Các nghiên cứu trên thế giới ................................................................. 10
1.2 Các nghiên cứu trong nƣớc ................................................................... 18
Chƣơng 2 PHƢƠNG PHÁP NGHIÊN CỨU ................................................. 22
2.1 Sơ lƣợc về mô hình khí hậu khu vực RegCM3 .................................... 22
2.2 Hệ thống mô hình kết hợp CAM-SOM ................................................ 24
2.3 Thiết kế thí nghiệm ................................................................................ 29
2.4 Nguồn số liệu ......................................................................................... 34
Chƣơng 3 KẾT QUẢ VÀ NHẬN XÉT .......................................................... 38
3.1 Kết quả dự báo hạn mùa bằng mô hình RegCM3 với các tùy chọn tham
số hóa đối lƣu khác nhau ............................................................................. 38
3.1.1 Thời tiết, khí hậu khu vực Đông Nam Á giai đoạn 1996-2005 ..... 38
3.1.2 Hoàn lƣu, nhiệt độ và lƣợng mƣa từ đầu ra của RegCM3 ............. 40
3.2 Đánh giá kết quả dự báo thử nghiệm bằng Reg_CAMSOM ................ 54
3.2.1 Đánh giá trƣờng đầu vào nhận đƣợc từ CAMSOM ....................... 54
3.2.2 So sánh Reg_CAMSOM và Reg_NNRP2 ..................................... 58
3.2.3 Đánh giá kết quả Reg_CAMSOM ................................................. 64
KẾT LUẬN ..................................................................................................... 78
TÀI LIỆU THAM KHẢO............................................................................... 79
4
DANH MỤC HÌNH
Hình 1.1 Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO ................... 15
Hình 2.1 Cấu trúc lƣới thẳng đứng (bên trái) và lƣới ngang dạng xen kẽ ArakawaB
(bên phải) của mô hình RegCM3 .................................................................... 23
Hình 2.2 Mô tả hệ toạ độ lai thẳng đứng trong CAM 3.0 ......................................... 27
Hình 2.3 Sơ đồ mô tả các mô hình thành phần của CAM-SOM ............................... 28
Hình 2.5 Miền tính của RegCM3 trong các thí nghiệm. ........................................... 31
Hình 2.4 Mô tả các thí nghiệm đƣợc thực hiện. ........................................................ 32
Hình 2.5 Vị trí 48 trạm lấy số liệu quan trắc để thẩm định ....................................... 36
Hình 3.1 Nino3.4 trung bình từ tháng 6 đến tháng 12 giai đoạn 1950 – 2007. ........ 39
Hình 3.2 Tần số bão ở khu vực Biển Đông (1961 - 2007) ........................................ 39
Hình 3.3 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 4,
7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 ....... 42
Hình 3.4 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 4,
7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 ....... 43
Hình 3.5 Trƣờng vectơ gió và độ cao địa thế vị mực 200 mb trung bình các tháng 4,
7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 ....... 44
Hình 3.6 Trƣờng khí áp mực biển trung bình các tháng 4, 7, 10 (trên xuống dƣới)
của các thí nghiệm so sánh với số liệu NNRP2 .............................................. 45
Hình 3.7 Trƣờng nhiệt độ mực 2m trung bình các tháng 5-10 trong giai đoạn 1996-
2005 của các thí nghiệm so sánh với số liệu CRU ......................................... 46
Hình 3.8 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các
thí nghiệm so sánh với số liệu CRU ............................................................... 47
Hình 3.9 Trƣờng nhiệt độ mực 2m trung bình các tháng 5-10 trong giai đoạn 1996-
2005 của các thí nghiệm so sánh với số liệu quan trắc tại 48 trạm ................ 48
Hình 3.10 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các
thí nghiệm so sánh với số liệu quan trắc tại 48 trạm ...................................... 49
5
Hình 3.11 Đồ thị tụ điểm đánh giá sai số mô phỏng nhiệt độ mực 2m (a) và lƣợng
mƣa (b) của 3 thí nghiệm so với số liệu quan trắc tại 48 trạm. ...................... 51
Hình 3.12 Profile thẳng đứng của độ ẩm tuyệt đối (a) và nhiệt độ (b) trung bình từ
tháng 5-10 giai đoạn 1996-2005 của các thí nghiệm. ..................................... 51
Hình 3.13 Biểu đồ Hovmoller trung bình trƣợt 5 ngày của nhiệt độ (a) và lƣợng
mƣa (b) của các thí nghiệm Reg_Kuo (trên), Reg_Grell (giữa) và
Reg_Emanuel (dƣới) ....................................................................................... 54
Hình 3.14 Trƣờng vectơ gió và độ cao địa thế vị mực 1000 mb trung bình các tháng
1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) ...................... 55
Hình 3.15 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng
1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) ...................... 56
Hình 3.16 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng
1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) ...................... 57
Hình 3.17 Trƣờng nhiệt độ không khí trung bình mực 2m các tháng 6,7,8 (trên
xuống dƣới) mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2
(giữa) và hiệu giữa chúng (phải). .................................................................... 59
Hình 3.18 Trƣờng tổng lƣợng mƣa các tháng 6,7,8 (trên xuống dƣới) mô phỏng của
RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và hiệu giữa chúng
(phải). ............................................................................................................... 60
Hình 3.19 Nhiệt độ không khí trung bình mực 2m các tháng từ tháng 5 đến tháng 9
mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số
liệu quan trắc (phải) tại 48 trạm. ..................................................................... 61
Hình 3.20 Tổng lƣợng mƣa tháng trung bình trong các tháng từ tháng 5 đến tháng 9
mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số
liệu quan trắc (phải) tại 48 trạm. ..................................................................... 62
Hình 3.21 Sai số mô phỏng nhiệt độ không khí trung bình mực 2m từ tháng 5 đến
tháng 9 của RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại
48 trạm. ............................................................................................................ 63
6
Hình 3.22 Sai số mô phỏng lƣợng mƣa trung bình các tháng từ tháng 5 đến tháng 9
của RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại 48
trạm. ................................................................................................................. 64
Hình 3.23 Nhiệt độ không khí trung bình mực 2m của (a) tháng 4, (b) tháng 5, (c)
tháng 6 theo số liệu CRU. ............................................................................... 65
Hình 3.24 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 4 với các
leadtime khác nhau .......................................................................................... 66
Hình 3.25 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 5 với các
leadtime khác nhau .......................................................................................... 67
Hình 3.26 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 6 với các
leadtime khác nhau .......................................................................................... 68
Hình 3.27 Lƣợng mƣa trung bình của (a) tháng 4, (b) tháng 5, (c) tháng 6 theo số
liệu CRU. ......................................................................................................... 69
Hình 3.28 Sai số dự báo lƣợng mƣa trung bình của tháng 4 với các leadtime khác
nhau ................................................................................................................. 70
Hình 3.29 Sai số dự báo lƣợng mƣa trung bình của tháng 5 với các leadtime khác
nhau ................................................................................................................. 71
Hình 3.30 Sai số dự báo lƣợng mƣa trung bình của tháng 6 với các leadtime khác
nhau ................................................................................................................. 72
Hình 3.31 Sai số dự báo nhiệt độ mực 2m tại 48 trạm. ............................................. 73
Hình 3.32 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Bắc ............................ 74
Hình 3.33 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Nam ........................... 75
Hình 3.34 Sai số dự báo lƣợng mƣa tại 48 trạm. ....................................................... 76
Hình 3.35 Sai số dự báo lƣợng mƣa tại các trạm miền Bắc ...................................... 76
Hình 3.36 Sai số dự báo lƣợng mƣa tại các trạm miền Nam ..................................... 77
7
DANH MỤC BẢNG
Bảng 2.1 Danh mục một số trƣờng kết xuất của mô hình CAM-SOM ..................... 29
Bảng 2.2 Các hàm đƣợc sử dụng trong thƣ viện NFI ................................................ 34
Bảng 2.3 Danh sách 48 trạm lấy số liệu quan trắc để thẩm định .............................. 36
8
DANH MỤC CÁC KÝ HIỆU VIẾT TẮT
AGCM Mô hình hoàn lƣu chung khí quyển
GCM Mô hình hoàn lƣu chung khí quyển (Global Circulation model)
GPC Trung tâm sản phẩm toàn cầu cho dự báo hạn dài
LSM Mô hình bề mặt đất (land surface model)
RegCM Mô hình khí hậu khu vực (Regional Climate Model)
SST Nhiệt độ mặt nƣớc biển toàn cầu (Sea surface temperature)
WMO Tổ chức Khí tƣợng Thế giới (World Meteorological Organization)
9
MỞ ĐẦU
Bài toán dự báo hạn mùa hiện đang là một trong những bài toán đƣợc quan
tâm trên thế giới cũng nhƣ trong khu vực bởi những ứng dụng thiết thực đối với đời
sống xã hội. Cụ thể trong dự báo hạn mùa, phƣơng pháp đƣợc quan tâm nhiều hiện
nay là phƣơng pháp mô hình động lực, thay thế cho phƣơng pháp thống kê đƣợc
phát triển mạnh những năm trƣớc đây. Sự phát triển của các mô hình dự báo số trị,
không chỉ trên quy mô toàn cầu mà còn chi tiết hóa cho từng khu vực, đã góp phần
tạo điều kiện thuận lợi cho hƣớng nghiên cứu này.
Ở Việt Nam, việc ứng dụng và thử nghiệm các mô hình khí hậu khu vực cho
bài toán dự báo tuy không còn mới mẻ nhƣng vẫn còn nhiều câu hỏi cần đƣợc trả
lời, đặc biệt là dự báo hạn mùa. Trong khuôn khổ luận văn này, tác giả sẽ thử
nghiệm sử dụng mô hình khí hậu khu vực, kết hợp với sản phẩm đầu ra từ mô hình
dự báo toàn cầu, để đƣa ra các sản phẩm dự báo và đánh giá cho khu vực Việt Nam.
Mô hình khu vực đƣợc sử dụng là Mô hình khí hậu khu vực RegCM phiên bản 3
(RegCM3), với đầu vào từ hệ thống mô hình kết hợp CAM-SOM. Trƣớc đó, khả
năng mô phỏng của RegCM3 với các sơ đồ đối lƣu khác nhau cũng đƣợc đánh giá
với kết quả trong giai đoạn 10 năm. Luận văn đƣợc bố cục thành 3 chƣơng, ngoài
mở đầu, kết luận và tài liệu tham khảo nhƣ sau:
Chƣơng 1: Tổng quan
Chƣơng 2: Phƣơng pháp nghiên cứu
Chƣơng 3: Kết quả và nhận xét
10
Chƣơng 1
TỔNG QUAN
Dự báo hạn mùa hiện nay đang là một trong những bài toán đƣợc quan tâm
đặc biệt, không chỉ trong nghiên cứu mà còn đƣợc mở rộng trong những ứng dụng
của đời sống xã hội. Trong đó, có thể kể đến hiệu quả của sản phẩm dự báo hạn
mùa có kĩ năng tốt trong lĩnh vực nông nghiệp nhƣ góp phần đƣa ra những dự báo
đáng tin cậy về sản lƣợng vụ mùa ở Châu Âu [12] hay miền tây Ấn Độ [13], hơn thế
nữa là trong lĩnh vực y tế nhƣ việc dự báo sự lan truyền của dịch sốt rét [38].
Chƣơng 1 sẽ trình bày tổng quan các nghiên cứu trên thế giới và trong nƣớc về dự
báo hạn mùa, để có đƣợc những khái niệm cơ bản cũng nhƣ một vài nét về sự phát
triển của dự báo hạn mùa. Từ đó, mục tiêu cũng nhƣ ý nghĩa bài toán đƣợc giải
quyết trong khuôn khổ luận văn sẽ đƣợc chỉ rõ.
1.1 Các nghiên cứu trên thế giới
Đến với bài toán dự báo hạn mùa, trƣớc hết, cần có cái nhìn khái quát về
khái niệm của dự báo hạn mùa, cũng nhƣ về các trung tâm đƣa ra sản phẩm dự báo
hạn mùa, đƣợc bổ nhiệm chính thức bởi Tổ chức Khí tƣợng Thế giới (WMO).
Nghiệp vụ dự báo hiện nay có 3 lớp bài toán dự báo, bao gồm dự báo thời tiết, dự
báo tháng và dự báo mùa. Đối với dự báo thời tiết, thông thƣờng hạn dự báo khoảng
3–5 ngày (hạn ngắn – Short range forecast) và tối đa khoảng 5–10 ngày (hạn vừa –
Medium range forecast). Dự báo thời tiết cần phải chỉ ra đƣợc trạng thái của khí
quyển tại một địa điểm cụ thể, vào những thời điểm cụ thể (từng ngày, thậm chí
từng giờ) trong thời hạn dự báo. Khác với dự báo thời tiết, dự báo mùa không chỉ ra
trạng thái khí quyển vào những thời điểm cụ thể đến từng ngày, thay vào đó là
thông tin chung về điều kiện khí quyển trong từng khoảng thời gian nhất định
(chẳng hạn từng tháng, từng mùa – ba tháng) trong thời hạn dự báo. Dự báo mùa,
hay dự báo hạn mùa (Seasonal forecast), hay dự báo khí hậu hạn mùa (Seasonal
Climate forecast) có hạn dự báo đến tối đa (hiện nay) là một năm [35].
11
Bên cạnh đó, theo WMO [44], với bài toán dự báo thời tiết, dự báo quy mô
lớn hơn 10 ngày trong tƣơng lai đƣợc coi là dự báo hạn dài, mặt khác trong dự báo
khí hậu, dự báo hạn dài nói chung quan tâm ở quy mô mùa. Dự báo hạn dài đƣợc
mở rộng từ hạn 30 ngày cho đến 2 năm, trong đó bao gồm các mô tả quy mô mùa
(seasonal outlook) đƣợc định nghĩa là việc chỉ ra các tham số trung bình của thời
tiết thông qua độ lệch so với giá trị trung bình khí hậu của mùa đó [30]. Khái niệm
mùa có thể hiểu theo mùa thiên văn (xuân, hạ, thu, đông) và cũng có thể có khái
niệm khác ở vùng nhiệt đới (mùa mƣa, mùa khô). Trong thực tế, dự báo hạn mùa
(seasonal forecasting) đƣợc xét từ quy mô tháng cho đến 1 năm (với các hạn phổ
biến là 1, 3, 6, 9 tháng) nhằm đƣa ra các ứng dụng có hiệu quả của sản phẩm dự
báo.
Dự báo hạn mùa (từ quy mô tháng cho đến quy mô năm) là một bài toán
phức tạp mà sự thành công của các dự báo mùa này phụ thuộc vào mức độ hiểu biết
(chi tiết) về mối quan hệ tƣơng tác giữa khí quyển và đại dƣơng [44]. Hiện tại, với
những hiểu biết của chúng ta về các quá trình tƣơng tác trên, cùng với việc chi tiết
hóa (hoàn thiện hơn) của các mô hình đã giúp phát triển việc quan trắc đo đạc cũng
nhƣ tạo ra những tiến bộ trong dự báo hạn mùa. Để hiểu đƣợc cơ sở vật lý của dự
báo hạn mùa, chúng ta cần hiểu các nhân tố tạo ra các đặc trƣng khí hậu của 1 năm
khác biệt so với các năm khác. Vì vậy, chúng ta cũng cần nắm đƣợc khả năng dự
báo của chính các nhân tố này và cụ thể ở quy mô thời gian nào. Trên quy mô toàn
cầu, nguyên nhân quan trọng nhất khiến các đặc trƣng khí hậu thay đổi từ năm này
qua năm khác là sự biến đổi của nhiệt độ mặt nƣớc biển toàn cầu (SST). Dị thƣờng
nhiệt độ bề mặt biển ở khu vực nhiệt đới là đặc biệt quan trọng bởi vì đối lƣu sâu
trong khí quyển miền nhiệt đới, tác động lớn đến hoàn lƣu toàn cầu, lại rất nhạy
cảm với SST bên dƣới. Ở một số nơi khác nhƣ Châu Âu và Tây Phi, SST của khu
vực cũng đƣợc coi là nhân tố quan trọng. Đối với khu vực nhiệt đới, đặc biệt là khu
vực Thái Bình Dƣơng xích đạo, khả năng dự báo SST đƣợc nâng cao nhờ có các
quá trình khác. Trong đó, ENSO là hiện tƣợng đƣợc quan tâm nghiên cứu và có tác
động nhiều nhất đến các quá trình làm thay đổi SST. Dự báo hiện tƣợng ENSO,
12
theo quy mô tháng và năm, đã hỗ trợ tốt hơn cho dự báo hạn mùa ở nhiều nơi trên
thế giới.
Bề mặt đất của trái đất cũng có thể ảnh hƣởng đến khí quyển trên quy mô
mùa, trong đó độ ẩm đất đóng vai trò quan trọng, cũng nhƣ một số nơi là độ phủ
tuyết. Độ ẩm đất có thể dao động về căn bản từ năm này qua năm khác và biến đổi
trong độ ẩm đất có khoảng thời gian quy mô từ tháng đến năm. Koster (2004) [27]
đã sử dụng mô hình bề mặt đất (LSM) kết hợp với trƣờng toàn cầu trạng thái thực
(của các biến giáng thủy, bức xạ và các trƣờng khí tƣợng bề mặt) để có đƣợc các
trƣờng mới về độ ẩm đất, nhiệt độ và các trạng thái đất khác. Sau đó, tác giả đã sử
dụng các trƣờng này làm điều kiện ban đầu cho dự báo giáng thủy và nhiệt độ bằng
mô hình hoàn lƣu chung khí quyển (AGCM). Sự cải thiện trong kết quả đã đƣợc
kiểm định với việc thực hiện dự báo lại ở quy mô tháng (từ tháng 5 đến tháng 9,
1979-93) với hệ thống dự báo hạn mùa của Mô hình toàn cầu của NASA (GMAO).
Với 75 dự báo riêng biệt, kết quả đã cung cấp cơ bản đầy đủ về mặt thống kê cho
việc đánh giá sự cải thiện trong kĩ năng dự báo liên quan đến việc ban đầu hóa điều
kiện bề mặt đất. Đánh giá kĩ năng đƣợc tập trung cho khu vực Đồng bằng lớn của
Bắc Mỹ, khu vực có nguồn số liệu về điều kiện đất ban đầu đáng tin cậy và có sự
ảnh hƣởng lớn của điều kiện độ ẩm đất tới các nhiễu động khí quyển trong việc phát
triển các trƣờng khí tƣợng. Nghiên cứu đã chỉ ra ban đầu hóa đất tác động nhỏ
nhƣng là có thể nhận thấy cho sự cải thiện của dự báo nhiệt độ và lƣợng mƣa của
khu vực này. Đối với giáng thủy, sự phát triển trong kĩ năng dự báo xuất hiện rõ nét
vào tháng 5 đến tháng 7, trong khi đó với nhiệt độ không khí, là tháng 8 và tháng 9.
Cả ban đầu hóa đất và khí quyển đều chi phối một cách độc lập đến kĩ năng thực
của dự báo nhiệt độ hàng tháng, với kĩ năng lớn nhất nhận đƣợc từ việc ban đầu hóa
là khi kết hợp 2 nguồn này.
Việc dự báo hạn dài chính xác các nhân tố khí hậu (nhiệt độ, lƣợng mƣa, trên
hay dƣới chuẩn… ) có những tiềm năng ứng dụng rất lớn, ví dụ những dự báo này
có thể cung cấp thông tin cần thiết cho những quyết định dài hạn và cảnh báo sớm
các thiên tai có thể xảy ra. Một lƣu ý là mức độ tin cậy của bất kỳ dự báo nào cũng
13
phụ thuộc vào khả năng nắm bắt chính xác đến đâu của chúng khi so sánh với trung
bình khí hậu. Cụ thể là dự báo chỉ đƣợc chấp nhận nếu chúng chính xác hơn và
cung cấp nhiều thông tin hơn so với kinh nghiệm về khí hậu mà vẫn đƣợc sử dụng
để đánh giá và đƣa ra các quyết định trƣớc đây. Có hai cách tiếp cận dự báo hạn
mùa là dự báo bằng phƣơng pháp thống kê và phƣơng pháp mô hình động lực (dự
báo sử dụng các mô hình số trị).
Phương pháp thống kê là phƣơng pháp đơn giản nhất để dự báo dị thƣờng
các yếu tố so với khí hậu trung bình, quy mô tháng hay mùa, sử dụng các nguyên
tắc (bằng thống kê) liên kết các hình thế trong tƣơng lai với đặc tính khí hậu hiện
tại. Những dị thƣờng biến đổi chậm và có quy mô lớn của khí hậu (ví dụ nhƣ SST)
có thể tồn tại trong nhiều tháng, và có thể tác động làm thay đổi hình thế hoàn lƣu
chung khí quyển và từ đó sai lệch so với trạng thái trung bình của hoàn lƣu khí hậu
địa phƣơng. Ban đầu, hƣớng tiếp cận này không mấy thành công, nhƣng sự tăng
cƣờng hiểu biết về hiện tƣợng ENSO và các hình thế tác động khác giúp cho
phƣơng pháp này đáng tin cậy hơn. Điểm mạnh của phƣơng pháp này là tƣơng đối
dễ áp dụng bởi vì hầu nhƣ phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên
máy tính khiêm tốn. Đƣơng nhiên, vẫn tồn tại những hạn chế. Các mô hình thống kê
thƣờng thử nghiệm dự báo các mối liên hệ phức tạp mà không có các mối liên hệ cụ
thể nào với các quá trình vật lý cũng nhƣ động lực học nằm ẩn bên trong. Điều này
có nghĩa là phƣơng pháp hiệu quả khi sự phát triển quy mô lớn là rõ rệt và theo một
hƣớng nhƣng rất khó để lƣờng trƣớc những sự chuyển pha, ví dụ nhƣ từ nóng sang
lạnh và ngƣợc lại. Và cuối cùng, phƣơng pháp thƣờng không nắm bắt đƣợc những
yếu tố đột biến.
Phương pháp mô hình động lực là một cách tiếp cận có cơ sở vật lý hơn để
dự báo mùa, sử dụng các mô hình hoàn lƣu chung khí quyển. Trong một dạng của
hƣớng tiếp cận này, bƣớc đầu tiên là dự báo sự phát triển của SST trong vùng nhiệt
đới Thái Bình Dƣơng. Các dự báo có thể dựa trên mô hình khu vực mà coi sự phát
triển trong vùng đại dƣơng nhiệt đới là cô lập. Khi mô hình đƣa ra dự báo về Thái
Bình Dƣơng, có thể trong một năm tới, hình thế dự báo của SST sẽ đƣợc sử dụng
14
tác động đến mô hình hoàn lƣu chung khí quyển để dự báo thời tiết toàn cầu phản
ứng ra sao. Những dự báo mùa đã cho các kết quả đầy hứa hẹn, đặc biệt là khu vực
nhiệt đới. Sự phát triển của các dự báo này đƣợc xây dựng dựa trên những điểm
mạnh của mô hình và những quan trắc ngày càng tốt hơn ở khu vực Thái Bình
Dƣơng xích đạo. Sự phát triển đáng kể hiện tại đã tạo ra một hệ thống tƣơng tác đầy
đủ trong đó thành phần đại dƣơng, khí quyển và mặt đất của mô hình tƣơng tác liên
tục với nhau để cho ra các bản tin dự báo đến vài tháng.
Với sự phát triển nhƣ vậy, hiện nay WMO đã thiết lập đƣợc các nguồn cung
cấp sản phẩm dự báo hạn dài. Các quá trình dự báo hạn dài dựa trên nền tảng máy
tính (quy mô từ 30 ngày đến 2 năm) trên quy mô toàn cầu đòi hỏi lƣợng lớn tài
nguyên máy tính cùng với những hiểu biết đặc biệt. Vì lý do này, chỉ có một vài
trung tâm trên thế giới cung cấp các bản tin dự báo khí hậu hạn dài toàn cầu. Những
dịch vụ cung cấp bởi các trung tâm này đƣợc biết đến với tên gọi Trung tâm sản
phẩm toàn cầu cho dự báo hạn dài (GPCs) đƣa ra điều kiện cơ bản cho dự báo khí
hậu và thời tiết ở quy mô khu vực/địa phƣơng và đƣợc sử dụng ở các trung tâm dự
báo khu vực và địa phƣơng. Từ đó, dự báo hạn dài ở quy mô khu vực đƣợc cung
cấp bởi cả Các trung tâm khí hậu khu vực (RCCs) cũng nhƣ các Diễn đàn về dự báo
mùa khu vực (RCOFs). Cũng nhƣ GPCs, RCCs và RCOFs sử dụng số liệu đƣợc hỗ
trợ bởi các mô hình số trị để phát triển các dự báo chi tiết thích hợp cho khu vực
riêng. Những mô hình và dự báo này sau đó đƣợc sử dụng bởi các trung tâm dự báo
để tạo ra các dự báo quốc gia và địa phƣơng chính xác và tốt hơn.
Năm 2006, WMO bắt đầu chính thức bổ nhiệm các trung tâm đƣa ra các bản
tin dự báo mùa toàn cầu đƣợc gọi là Trung tâm sản phẩm toàn cầu cho dự báo hạn
dài (GPCs), một thành phần của Hệ thống Xử lý số liệu và Dự báo toàn cầu
(GDPFS) [30]. Các trung tâm này cần cung cấp tối thiểu:
o Dự báo giá trị trung bình, tích lũy hoặc tần suất với thời hạn 1 tháng hoặc lâu
hơn; đặc trƣng là dị thƣờng phân vị trung bình 3 tháng với định dạng chuẩn
cho dự báo mùa. Các dự báo thƣờng biểu diễn dƣới dạng xác suất.
o Thời trễ dự báo (leadtime): từ 0 đến 4 tháng.
15
o Tần suất phát báo: hàng tháng hoặc ít nhất là theo quý
o Cung cấp: dạng ảnh hiển thị trên trang web của GPCs hoặc/và số liệu để tải
về
o Các biến: nhiệt độ 2m, lƣợng mƣa, SST, MSLP, độ cao 500hPa, nhiệt độ
850hPa
o Đánh giá kĩ năng dự báo hạn dài, sử dụng quy chuẩn của SVSLRF.
Một số các GPCs chính của WMO là: Cục khí tƣợng Úc (Bureau of
Meteorology, Australia); Cơ quan khí tƣợng Trung Quốc (China Meteorological
Administration/Bejing Climate Center); Trung tâm dự báo khí hậu Mỹ (Climate
Prediction Center, NOAA); Trung tâm dự báo hạn vừa Châu Âu (European Centre
for Medium-Range Weather Forecasts); Cơ quan khí tƣợng Nhật Bản (Japan
Meteorological Agency/Tokyo Climate Centre)…
Mặt khác, nổi bật lên hiện nay, khi quan tâm đến dự báo hạn mùa đáng lƣu ý
là Hệ thống dự báo khí hậu CFS (Climate Forecast System) với hệ thống dự báo hạn
mùa sử dụng mô hình động lực kết hợp đầy đủ đại dƣơng-đất-khí quyển, đã đƣợc
đƣa vào nghiệp vụ tại NCEP từ tháng 8 năm 2004 [32]. Hệ thống CFS cung cấp
Hình 1.1 Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO (WMO
Global Producing Centres of Long Range Forecasts). Nguồn: WMO 2010
(www.wmo.int)
16
những lợi thế quan trọng trong việc dự báo hạn mùa nghiệp vụ. Lần đầu tiên trong
lịch sử dự báo nghiệp vụ của nƣớc Mỹ, một hệ thống mô hình động lực có kĩ năng
tốt có thể so sánh đƣợc với phƣơng pháp thống kê hiện đang sử dụng ở Trung tâm
Dự báo Khí hậu của NCEP (CPC). Điều này thể hiện sự tiến bộ đáng kể so với các
hệ thống mô hình động lực trƣớc đây đƣợc sử dụng ở NCEP. Hơn thế nữa, kĩ năng
đƣợc cung cấp bởi CFS (theo không gian và thời gian) cũng đã hoàn thiện kĩ năng
của phƣơng pháp thống kê. Thành phần khí quyển của CFS là phiên bản độ phân
giải thấp hơn (T62L64) của Hệ thống Dự báo Toàn cầu (GFS) đã đƣợc chạy nghiệp
vụ ở NCEP từ năm 2003. Thành phần đại dƣơng là GFDL Modul Mô hình đại
dƣơng phiên bản 3 (MOM3) thay cho MOM1 trƣớc đây. Một số cải tiến quan trọng
của hệ thống CFS so với hệ thống động lực trƣớc đây bao gồm: (1) sự kết hợp giữa
khí quyển và đại dƣơng mở rộng hầu hết toàn cầu từ 64N-74S (trƣớc đây chỉ có khu
vực Thái Bình Dƣơng nhiệt đới) (2) hệ thống CFS đƣợc kết hợp đầy đủ không có
hiệu chỉnh dòng (khác với trƣớc đây có hiệu chỉnh dòng và sai số) và (3) một bộ
đầy đủ kết quả dự báo lại của 24 năm (1981-2004) với 15 dự báo cho từng tháng
chạy cho 9 tháng, đã đƣợc cung cấp cùng với CFS. Bộ số liệu dự báo lại của 24 năm
này đặc biệt quan trọng trong việc đánh giá kĩ năng dự báo của hệ thống khi chạy
nghiệp vụ, đồng thời cung cấp thông tin quý báu cho việc nghiên cứu sự tƣơng tác
của các quá trình khí quyển-đất-đại dƣơng.
CFS có sai số nhỏ chấp nhận đƣợc trong dự báo SST vùng nhiệt đới và kĩ
năng dự báo Nino 3-4 SST có thể so sánh đƣợc với phƣơng pháp thống kê. Tuy vậy,
kĩ năng dự báo SST vùng vĩ độ trung bình (trƣớc đây không có) kém hơn nhiều so
với khu vực nhiệt đới và ở các thời trễ dự báo dài hơn thì chỉ có kĩ năng vào mùa
đông. Kĩ năng dự báo tháng và mùa của nhiệt độ và lƣợng mƣa khu vực đất liền Bắc
Bán cầu, cụ thể nhƣ Mỹ, còn khiêm tốn, nhƣng vẫn so sánh đƣợc với phƣơng pháp
thống kê trƣớc đây. Kĩ năng của lƣợng mƣa chủ yếu tốt vào mùa đông (liên quan
đến ENSO), trong khi kĩ năng của nhiệt độ chủ yếu tốt vào mùa hè khi dị thƣờng độ
ẩm đất có tác dụng sử dụng.
17
Gần đây, CFS đã phát triển phiên bản 2 với dự báo tổ hợp. Dự báo sử dụng
điều kiện đầu vào của 30 ngày gần nhất và thực hiện chạy 4 lần/1 ngày. Dự báo tổ
hợp đầu vào từ 40 thành phần với điều kiện ban đầu theo thời đoạn 10 ngày. Loại tổ
hợp thứ nhất (E1) sử dụng 10 ngày đầu tiên, loại 2 (E2) sử dụng 10 ngày tiếp theo
và loại 3 (E3) sử dụng 10 ngày cuối. Dị thƣờng đƣợc tính so với sản phẩm dự báo
lại giai đoạn 1981-2008. Tƣơng quan theo thời gian dựa vào dự báo lại cho giai
đoạn 1981-2006 và số liệu quan trắc đƣợc sử dụng để đánh giá kĩ năng cho dị
thƣờng không gian. Độ lệch chuẩn đƣợc tính trung bình độ lệch chuẩn của từng
thành phần (vẫn tính từ bộ số liệu dự báo lại 1981-2006) với tháng đầu vào và mùa
dự báo tƣơng ứng.
Ở Châu Âu, một dự án khác cũng đáng lƣu ý là DEMETER, dự án đƣợc Liên
minh Châu Âu tài trợ để tạo bộ số liệu dự báo lại bằng phƣơng pháp tổ hợp đa mô
hình bao gồm 7 mô hình với 9 thành phần tổ hợp mỗi mô hình, đã đƣợc đánh giá sử
dụng bộ số liệu tái phân tích ERA40 và số liệu mƣa GPCP [31]. Các mô hình này từ
các trung tâm khí hậu của Châu Âu đƣợc viết tắt là: CERFACS, ECMWF, INGV,
LODYC, METEO-FRANCE, MPI và UKMO. Sản phẩm đầu ra của DEMETER
đƣợc downscale cho phù hợp để ứng dụng vào việc dự báo sản lƣợng mùa màng và
dịch sốt rét. Kết quả cho thấy việc tổ hợp đa mô hình là một hƣớng tiếp cận khả thi
khi quan tâm đến độ bất định của mô hình trong dự báo mùa và nhiều năm, đồng
thời đƣa ra kết quả dự báo đáng tin cậy hơn khi chỉ dựa trên một mô hình đơn lẻ.
Thêm nữa, một lợi ích khác của dự án là cho ra bộ sản phẩm dự báo lại quy mô
mùa. Bộ số liệu này cho tiềm năng để nâng cao hiểu biết của chúng ta về các cơ chế
trong dao động liên mùa và nhiều năm.
David Lavers (cùng cs.) đã phân tích chi tiết kĩ năng dự báo của nhiệt độ và
lƣợng mƣa từ 8 mô hình dự báo mùa bằng phân bố đồng thời của quan trắc và dự
báo để đánh giá sản phẩm của DEMETER [15]. Kết quả cũng cho thấy kĩ năng thấp
ở những dự báo trên tháng-1 (tức là lấy thời trễ dự báo chỉ 1 ngày và đánh giá luôn
cho 30 ngày đầu tiên). Ở những thời trễ dự báo dài, chỉ có khu vực Thái Bình
Dƣơng xích đạo cho thấy kĩ năng đáng kể. Điều này có thể ảnh hƣởng trong việc sử
18
dụng các sản phẩm dự báo mùa trong các dịch vụ khí hậu và kết quả này cũng có
thể đƣợc coi nhƣ tiêu chuẩn của khả năng dự báo khí hậu hiện tại sử dụng các mô
hình động lực. Các mô hình của DEMETER đƣợc khởi tạo chạy vào 01 tháng II, 01
tháng V, 01 tháng 8 và 01 tháng XI để đánh giá sự phụ thuộc quy mô mùa của các
dự báo lại và tích phân cho 180 ngày. Cùng giai đoạn nghiên cứu, CFS với 15 dự
báo lại (9 tháng) khởi tạo mỗi tháng đƣợc sử dụng để đánh giá. Thời kì chung của
DEMETER và CFS là 1981-2001 (21 năm). Nhiệt độ 2m ở độ phân giải 2.5x2.5 từ
số liệu tái phân tích ERA40 và lƣợng mƣa quan trắc trung bình tháng ở độ phân giải
1.0x1.0 từ Trung tâm mƣa khí hậu toàn cầu (GPCC) đƣợc sử dụng làm số liệu để so
sánh. Lƣợng mƣa đƣợc đƣa về lƣới 2.5 để khớp với độ phân giải của dự báo lại. Ở
đây, tác giả thực hiện 2 phép đánh giá: (1) đánh giá so sánh trung bình tổ hợp các
mô hình với số liệu quan trắc, đây đƣợc coi là đáng giá với khí quyển thực và (2)
đánh giá với khí quyển lý tƣởng, với giả thiết là một thành phần của tổ hợp đƣợc coi
là “thật” và trung bình các thành phần còn lại là “dự báo”. Phƣơng pháp sử dụng
chính là dùng hệ số tƣơng quan (tuyến tính).
Đến đây, chúng ta đã điểm qua một số các nghiên cứu cũng nhƣ các dự án và
sự phát triển các trung tâm dự báo hạn mùa trên thế giới. Các khái niệm và lƣu ý cơ
bản khi đề cập đến bài toán dự báo hạn mùa cũng đã đƣợc nêu ra. Tiếp theo, chúng
ta sẽ tìm hiểu một số các nghiên cứu trong nƣớc.
1.2 Các nghiên cứu trong nước
Trong những năm vừa qua, Viện Khoa học Khí tƣợng Thủy văn và Môi
trƣờng đã đƣa vào hệ thống nghiệp vụ dự báo dị thƣờng tổng lƣợng mƣa mùa và
nhiệt độ trung bình trên cơ sở phƣơng pháp thống kê. Kết quả đƣợc biên tập thành
“Thông báo và dự báo khí hậu” ra hàng tháng và đƣợc cập nhật thƣờng xuyên lên
website của Viện (http://www.imh.ac.vn/). Các thông báo này tổng kết diễn biến khí
hậu 3 tháng trƣớc đó và đƣa ra dự báo khí hậu cho 3 tháng tiếp theo. Diễn biến khí
hậu đƣợc xem xét trên cả quy mô toàn cầu và Việt Nam với các biến nhiệt độ, mƣa,
nắng, bốc hơi, chỉ số ẩm và một số hiện tƣợng thời tiết đặc biệt. Dự báo khí hậu 3
19
tháng bao gồm các nhận định chung về diễn biến khí hậu thế giới và khu vực (hiện
tƣợng ENSO) và dự báo khí hậu cho Việt Nam (nhiệt độ, lƣợng mƣa, xoáy thuận
nhiệt đới và không khí lạnh) [5].
Năm 2009, Phan Văn Tân (cùng cs.) [2] cũng đã thử nghiệm bƣớc đầu ứng
dụng mô hình khí hậu khu vực RegCM3 để dự báo nhiệt độ trung bình tháng và
tổng lƣợng mƣa tháng cho ba tháng mùa hè 6-8/1996 khi sử dụng sản phẩm kết xuất
của mô hình khí hậu toàn cầu CAM làm điều kiện ban đầu và điều kiện biên
(RegCM-CAM). Các trƣờng dự báo của RegCM-CAM đã đƣợc đánh giá bằng cách
so sánh với sản phẩm mô phỏng tƣơng ứng của RegCM3 với đầu vào là số liệu tái
phân tích ERA40 và nhiệt độ mặt nƣớc biển phân tích OISST (RegCM-ERA). Kết
quả dự báo nhiệt độ và lƣợng mƣa của RegCM-CAM còn đƣợc so sánh trực tiếp với
số liệu phân tích CRU (nhiệt độ) và CMAP (lƣợng mƣa), và đánh giá định lƣợng
cho khu vực Việt Nam bằng cách nội suy về vị trí trạm và so sánh với số liệu quan
trắc từ mạng lƣới trạm khí tƣợng thông qua các chỉ số thống kê. Kết quả nhận đƣợc
cho thấy, về cơ bản các trƣờng nhiệt độ và lƣợng mƣa dự báo của RegCM-CAM
phù hợp tốt với sản phẩm mô phỏng của RegCM-ERA cũng nhƣ với các trƣờng
phân tích CRU, CMAP. Trên khu vực Việt Nam, RegCM-CAM thƣờng dự báo
nhiệt độ thấp hơn quan trắc; sai số dự báo nhiệt độ của RegCM-CAM trung bình
khoảng 2oC, khá ổn định và có tính hệ thống. RegCM-CAM cũng cho lƣợng mƣa
dự báo ở Việt Nam thấp hơn thực tế, tuy nhiên sai số còn khá lớn và không thể hiện
rõ qui luật. Trong ba tháng thử nghiệm, dự báo lƣợng mƣa của RegCM-CAM cho
tháng 6/1996 là hợp lý nhất.
Trƣớc đó, trong đề tài “Xây dựng một số phƣơng pháp dự báo hạn vừa, hạn
dài nhiệt độ mùa đông và mƣa mùa hè khu vực phía bắc Việt Nam”, Phạm Đức Thi
(cùng cs.) [4] đã xây dựng các phƣơng pháp dự báo nhiệt độ trung bình tháng và
mùa đối với mùa đông. Nhóm tác giả cố gắng tìm các dấu hiệu để phát hiện những
mùa đông có dao động nhiệt độ mang tính chất dị thƣờng. Đồng thời, đề tài cũng
xây dựng các chỉ tiêu dự báo hạn vừa các đợt không khí lạnh, và các đợt rét đậm, rét
hại, dự báo dài hạn thời kì xuất hiện đợt rét đậm đầu tiên trong mùa đông ở khu vực
20
phía bắc Việt Nam. Đối với mùa hè, phƣơng pháp dự báo chuẩn sai lƣợng mƣa
tháng và mùa, dự báo lƣợng mƣa cũng nhƣ các chỉ tiêu dự báo hạn vừa thời kì xuất
hiện các đợt mƣa thời kì đầu mùa mƣa ở đồng bằng và trung du Bắc Bộ cũng đƣợc
xây dựng. Số liệu trạm Láng (Hà Nội) trong 91 năm (1898-1989) đƣợc sử dụng cho
mùa đông. Tác giả sử dụng chỉ tiêu K=deltaT/sigma >= 1 (giá trị chuẩn sai nhiệt độ
trung bình từng mùa từng tháng/độ lệch chuẩn) để đánh giá. Tháng đƣợc coi là
tháng rét đậm hay ấm đậm trong mùa đông khi giá trị tuyệt đối của chuẩn sai nhiệt
độ trung bình tháng đó bằng hoặc lớn hơn giá trị độ lệch tiêu chuẩn. Mùa đông đƣợc
coi là rét đậm hay ấm đậm khi giá trị tuyệt đối chuẩn sai nhiệt độ trung bình ba
tháng (12, 1, 2) bằng hoặc lớn hơn giá trị sigma của nhiệt độ 3 tháng đó. Rét hại hay
ấm hại lấy ngƣỡng 1.5. Bên cạnh đó, tác giả cũng đƣa ra các nhận xét về các mùa
đông lạnh kỷ lục (1982/83, 1983/84).
Như vậy, qua tổng quan các nghiên cứu trong và ngoài nƣớc về bài toán dự
báo hạn mùa, có thể nhận thấy 2 điểm cần lƣu ý. Thứ nhất, về mặt phƣơng pháp,
hiện nay phƣơng pháp mô hình động lực tỏ ra có ƣu thế hơn và đƣợc phát triển ngày
càng hoàn thiện hơn. Phƣơng pháp thống kê, tuy có ƣu điểm không yêu cầu cao về
mặt tài nguyên tính toán, nhƣng cũng có nhiều nhƣợc điểm. Trong đó, việc không
tính đến mối quan hệ vật lý giữa các biến đƣợc dự báo, không nắm bắt đƣợc những
phát triển đột biến của khí quyển cũng nhƣ việc phụ thuộc nhiều vào nguồn số liệu
điểm trạm vốn không đầy đủ ở nhiều khu vực, là những khuyết điểm chính. Phƣơng
pháp mô hình động lực, tuy cần tài nguyên tính toán lớn, cả về tài nguyên máy tính
và nguồn nhân lực, nhƣng lại giải quyết đƣợc hầu hết các hạn chế trên của phƣơng
pháp thống kê. Điểm thứ hai, so với sự phát triển trên thế giới thì dự báo hạn mùa ở
Việt Nam còn khá “thô sơ”, với không nhiều các nghiên cứu và nghiệp vụ còn phụ
thuộc nhiều vào phƣơng pháp thống kê. Trong khi đó, những năm gần đây, có
không ít các mô hình khí hậu khu vực đã đƣợc thử nghiệm cho khu vực Việt Nam
[3]. Từ đó, tác giả nhận thấy việc hƣớng đến nghiên cứu khả năng ứng dụng mô
hình khí hậu khu vực vào bài toán dự báo hạn mùa ở Việt Nam là một hƣớng đi có ý
nghĩa và cần thiết. Trƣớc hết là khai thác phƣơng pháp mô hình động lực cho bài
21
toán dự báo mùa ở Việt Nam, hơn thế nữa nếu kết quả khả quan, có thể ứng dụng
tốt cho các bài toán sau này nhƣ thống kê trên sản phẩm mô hình hay dự báo tổ hợp.
Để giải quyết hƣớng đi này, tác giả tập trung vào hai khía cạnh. Đầu tiên là khảo sát
đƣợc năng lực của mô hình khí hậu khu vực lựa chọn sử dụng, mà ở đây là mô hình
Mô hình khí hậu khu vực RegCM phiên bản 3 (RegCM3). Khi điều kiện đầu vào là
trƣờng khí quyển thực, đƣợc coi là trƣờng “dự báo hoàn hảo”, đồng thời với các
tham số hóa đối lƣu khác nhau, khả năng mô phỏng của RegCM3 sẽ nhƣ thế nào?
Tiếp theo, sẽ khai thác sử dụng đầu ra từ một mô hình dự báo toàn cầu làm điều
kiện biên cho RegCM3 nhằm đƣa ra các sản phẩm dự báo bƣớc đầu. Mô hình toàn
cầu đƣợc sử dụng ở đây là hệ thống mô hình CAMSOM. Các kết quả đƣợc đánh giá
so sánh với số liệu quan trắc, cả trên quy mô lƣới và điểm trạm. Chi tiết việc thiết
kế các thí nghiệm cũng nhƣ mô hình đƣợc sử dụng và các nguồn số liệu sẽ đƣợc
trình bày trong chƣơng 2 tiếp sau đây.
22
Chƣơng 2
PHƢƠNG PHÁP NGHIÊN CỨU
Trong chƣơng 1, ý nghĩa thực tiễn và khoa học của bài toán dự báo hạn mùa
bằng mô hình khí hậu khu vực đã đƣợc chỉ ra. Để cụ thể hóa bài toán nghiên cứu
khả năng ứng dụng mô hình khí hậu khu vực dự báo hạn mùa ở Việt Nam trong
khuôn khổ luận văn này, chƣơng 2 sẽ trình bày việc thiết kế các thí nghiệm sẽ đƣợc
thực hiện. Mô hình khí hậu khu vực RegCM phiên bản 3 và hệ thống mô hình kết
hợp CAM-SOM là hai công cụ chính sẽ đƣợc ứng dụng để mô phỏng và dự báo hạn
mùa cho khu vực Việt Nam. Sản phẩm đầu ra của CAM-SOM đƣợc sử dụng làm
đầu vào (điều kiện ban đầu và điều kiện biên phụ thuộc thời gian) để chạy cho mô
hình RegCM3. Các tùy chọn tham số hóa đối lƣu khác nhau đối với mô hình
RegCM3 cũng đƣợc thử nghiệm khi chạy với số liệu tái phân tích nhằm đánh giá
năng lực của mô hình trong trƣờng hợp điều kiện đầu vào (các trƣờng khí quyển)
đƣợc xem là gần thực.
2.1 Sơ lược về mô hình khí hậu khu vực RegCM3
Hiện nay, mô hình khí hậu khu vực RegCM đã đƣợc ứng dụng để nghiên cứu
khí hậu quá khứ, hiện tại và tƣơng lai tại nhiều nơi khác nhau trên thế giới, từ Châu
Mỹ, Châu Âu đến Châu Á, Châu Phi [21] [34] [9] [37]. Phiên bản NCAR RegCM
(NCAR Regional Climate Model) đầu tiên đƣợc xây dựng dựa trên MM4
(Mesoscale Model Version 4) của Trung tâm quốc gia nghiên cứu khí quyển
(NCAR) và Trƣờng đại học Tổng hợp Pennsylvania (PSU), Hoa Kỳ, vào cuối
những năm 1980 [18] [16]. Phiên bản RegCM đầu tiên đã đƣa vào sơ đồ trao đổi
sinh khí quyển (Biosphere Atmosphere Transfer Scheme BATS) để biểu diễn
các quá trình bề mặt và sơ đồ truyền bức xạ của NCARCCM phiên bản 1 (CCM1).
Tiếp sau đó, kết quả của những cải tiến quan trọng về vật lý và các sơ đồ số hóa của
RegCM đã dẫn đến sự hình thành phiên bản thứ hai của RegCM, gọi là RegCM2
[19] [20]. Và phổ biến nhất hiện nay là RegCM phiên bản 3 (RegCM3) với những
cải tiến và bổ sung đáng kể so với các phiên bản trƣớc [29]. Đó là những thay đổi
23
trong vật lý mô hình bao gồm sơ đồ giáng thủy qui mô lƣới, các sơ đồ tham số hóa
vật lý nhƣ sơ đồ tính các dòng từ bề mặt biển của Zeng, sơ đồ đối lƣu mây tích
Betts,...
Mô hình RegCM3 sử dụng hệ tọa độ thẳng đứng thủy tĩnh theo địa hình, ký
hiệu là , đƣợc định nghĩa bởi ( ) /( )t s tp p p p
trong đó p là áp suất, pt là áp
suất tại đỉnh mô hình, và ps là áp suất tại bề mặt. bằng 0 tại đỉnh và bằng 1 tại bề
mặt. Thông thƣờng, độ phân giải thẳng đứng trong lớp biên mịn hơn các lớp trên
cao và số mực thay đổi tuỳ theo yêu cầu ngƣời sử dụng. Lƣới ngang có dạng xen kẽ
ArakawaB (Hình 2.1). Các biến vô hƣớng (T, q, p,…) đƣợc xác định tại tâm các ô
lƣới trong khi các thành phần vận tốc gió hƣớng đông (u) và hƣớng bắc (v) đƣợc
xác định tại các nút lƣới. Vị trí tâm ô lƣới ký hiệu bằng dấu nhân, còn các nút lƣới
đƣợc ký hiệu bằng dấu chấm tròn. Theo phƣơng thẳng đứng các biến vô hƣớng và
thành phần gió ngang (u, v) đƣợc xác định tại mực giữa mỗi lớp, gọi là các mực
phân, còn thành phần vận tốc thẳng đứng đƣợc xác định trên các mực nguyên (Hình
2.1).
Hình 2.1 Cấu trúc lƣới thẳng đứng (bên trái) và lƣới ngang dạng xen kẽ ArakawaB
(bên phải) của mô hình RegCM3
Hệ phƣơng trình cơ bản của RegCM3 bao gồm các phƣơng trình động lƣợng
ngang, phƣơng trình liên tục, phƣơng trình nhiệt động học, phƣơng trình thủy tĩnh
và phƣơng trình ẩm [29]. Về điều kiện ban đầu và điều kiện biên, mô hình khí hậu
khu vực RegCM đƣợc xây dựng dựa trên nguyên tắc cân bằng giữa các quá trình
24
qui mô lớn (thƣờng là các trƣờng khí tƣợng toàn cầu và đƣợc gọi là các trƣờng điều
khiển), đƣợc cập nhật thƣờng xuyên theo thời gian trên vùng biên, với các quá trình
qui mô khu vực (đƣợc xác định bởi động lực học và vật lý của chính mô hình khu
vực) tại vùng biên xung quanh gọi là vùng đệm. Điều kiện ban đầu và điều kiện
biên của mô hình đƣợc cung cấp bởi trƣờng điều khiển là số liệu tái phân tích hay
trƣờng dự báo của GCM tuỳ theo mục đích mô phỏng hay dự báo. Mô hình sẽ cập
nhật thông tin từ trƣờng điều khiển sau từng bƣớc thời gian tích phân. Giá trị biên
tại mỗi bƣớc thời gian tích phân là giá trị nội suy từ các trƣờng điều khiển đƣợc cập
nhật từng 3h, 6h hoặc 12h một. Mô hình RegCM cho phép chọn một trong các
phƣơng pháp cập nhật biên là: (1) biên cố định, (2) biên biến đổi theo thời gian, (3)
biên giả và (4) biên lỏng dần (hay biên giảm dƣ). Trên các vùng đại dƣơng, nhiệt độ
mặt nƣớc biển (SST) đƣợc cung cấp nhƣ là điều kiện biên dƣới. Trên bề mặt đất, sơ
đồ BATS1E khi chạy kết hợp (couple) sẽ cung cấp các dòng trao đổi đất khí
quyển. Ngoài ra để chạy RegCM3 cần phải có độ cao địa hình, lớp phủ thực vật, đất
và các tính chất vật lý của đất,...
Về tham số hóa đối lƣu, trong mô hình RegCM có thể sử dụng một trong ba
tùy chọn sau đây để tính giáng thuỷ đối lƣu: (1) Sơ đồ Kuo sửa đổi; (2) Sơ đồ MIT
Emanuel; và (3) Sơ đồ Grell. Trong đó, sơ đồ Grell có thể áp dụng với một trong hai
giả thiết khép kín: (1) khép kín Arakawa và Schubert và (2) khép kín Fritsch và
Chappell.
2.2 Hệ thống mô hình kết hợp CAM-SOM
Mô phỏng và tính toán đầy đủ đặc tính ba chiều của hệ thống khí hậu là mục
đích của các mô hình khí hậu toàn cầu (GCM), trong đó có tính đến ít nhất hai thành
phần quan trọng là khí quyển và bề mặt bao gồm bề mặt đất và đại dƣơng. Hầu hết
các GCM hiện nay đã bao gồm hai mô hình kết hợp khí quyển và bề mặt đất. Việc
kết hợp thêm với thành phần đại dƣơng gặp nhiều khó khăn hơn bởi nhiều nguyên
nhân trong đó quan trọng nhất là khả năng đáp ứng của máy tính. Do đó đa số các
GCM hiện nay chạy với SST cho trƣớc nhƣ là điều kiện biên dƣới trên biển (và
25
thƣờng đƣợc ký hiệu là AGCM). Khi GCM có sự kết hợp đầy đủ các thành phần khí
quyển – bề mặt đất và đại dƣơng nó đƣợc gọi là hệ thống mô hình kết hợp khí
quyển – đại dƣơng và ký hiệu là AOGCM.
Một trong những AOGCM đơn giản là mô hình trong đó thành phần đại
dƣơng đƣợc đƣa vào nhƣ là một lớp nƣớc mỏng phía trên (SOM – Slab Ocean
Model). SOM còn đƣợc gọi là mô hình “lớp xáo trộn” hoặc “lớp mỏng” do độ dày
của lớp này tƣơng đƣơng với độ dày lớp xáo trộn trong đại dƣơng. Mô hình “lớp
xáo trộn” biểu diễn đại dƣơng nhƣ là lớp nƣớc mỏng với độ sâu ấn định, thông
thƣờng giữa 70 và 100m. Đôi khi độ sâu lớp xáo trộn có thể thay đổi theo địa hình,
nhƣng thƣờng không chênh lệch nhiều trên toàn cầu.
CAM (Community Atmosphere Model) là thành phần khí quyển trong mô
hình hệ thống khí hậu CCSM (Community Climate System Model) trong đó kết hợp
mô hình khí quyển với mô hình bề mặt đất CLM (Community Land Model).
CAM-SOM là hệ thống kết hợp (couple) giữa CAM và SOM, là một
AOGCM đơn giản sẽ đƣợc ứng dụng trong luận văn này. Sau đây sẽ trình bày tóm
tắt hai thành phần của hệ thống CAM-SOM.
Mô hình CAM 3.0
Trung tâm Quốc gia Nghiên cứu Khí quyển Hoa Kỳ (NCAR) đã phát triển
mô hình khí quyển toàn cầu ba chiều nghiên cứu và tìm hiểu khí hậu Trái đất trong
nhiều năm. Mô hình đƣợc thiết kế để làm một công cụ của cộng đồng nên có tên là
Mô hình Khí hậu Cộng đồng (CCM - Community Climate Model). Phiên bản gốc
của Mô hình Khí hậu Cộng đồng NCAR là CCM0A [39] và CCM0B [40], đƣợc dựa
trên mô hình phổ của Australia [33], [34] và một phiên bản của mô hình phổ
ECMWF [6]. Trải qua thế hệ thứ hai của Mô hình Cộng đồng, CCM1, đƣợc ban
hành năm 1987 [41], [7], [42], thế hệ thứ 3 của Mô hình Khí hậu Cộng đồng ra đời
vào tháng 10 năm 1992 [8], [22] và đến CCM3 là thế hệ thứ tƣ của Mô hình Khí
hậu Cộng đồng NCAR [26]. Hiện nay, CAM 3.0 đã là thế hệ thứ 5 của mô hình khí
quyển toàn cầu NCAR [14]. Tên của mô hình thay đổi từ Mô hình Khí hậu Cộng
26
đồng sang Mô hình Khí quyển Cộng đồng, thể hiện vai trò của CAM 3.0 trong hệ
thống khí hậu kết hợp đầy đủ CCSM (Community Climate System Model).
Mô hình CAM 3.0 có ba dạng nhân động lực: (1) động lực Ơle, (2) động lực
bán-Lagrangian, (3) động lực thể tích hữu hạn, và hệ tọa độ thẳng đứng lai [14]. Hệ
tọa độ thẳng đứng lai đƣợc phát triển với mục đích cung cấp khung áp dụng chung
cho trục tọa độ thẳng đứng, trong đó bám sát theo địa hình gần bề mặt Trái đất và
trở thành hệ tọa độ áp suất ở những lớp trên. Trong CAM 3.0, hệ tọa độ lai đƣợc
biểu diễn nhƣ sau:
Nếu áp suất bề mặt là , thì trục tọa độ thẳng đứng thỏa mãn:
là hàm đơn của p
trong đó pt là đỉnh mô hình
(2.1)
Trong trƣờng hợp pt=0 thì 2 điều kiện cuối là đồng nhất và hệ tọa độ trở
thành hệ đƣợc miêu tả trong Simmons và Strüfing (1981) [33]. Điều kiện biên cần
để khép kín hệ là:
(2.2)
(2.3)
Với các mô tả trên của hệ tọa độ, hệ các phƣơng trình liên tục có thể viết lại
theo Kasahara (1974) [25] và Simmons và Strüfing (1981) [33]. Tham số hóa vật lý
trong CAM 3.0 bao gồm một chuỗi các thành phần, đƣợc minh họa bởi: P = {M, C,
R, S, T}, trong đó M biểu thị quá trình giáng thủy (Moist), C biểu thị mây (Cloud),
R biểu thị bức xạ (Radiation), S biểu thị mô hình đất (Surface model), và T biểu thị
xáo trộn rối (Turbulent mixing). Mỗi thành phần trên lần lƣợt lại đƣợc chia nhỏ
thành các thành phần con khác nhau.
,p
,p
, 1
0, 0
,t tp
, 0
, ( ) 0t tp w p
27
Hình 2.2 Mô tả hệ toạ độ lai thẳng đứng trong CAM 3.0
Mô hình SOM
Cấu hình hiện tại của mô hình đại dƣơng lớp mỏng SOM cho phép có quá
trình tƣơng tác đầy đủ ở bề mặt với CAM 3.0. Biến dự báo cho đại dƣơng là nhiệt
độ lớp xáo trộn T0. Lớp xáo trộn đại dƣơng có nguồn nội nhiệt Q (còn gọi là thông
lƣợng Q), biểu diễn trao đổi nƣớc sâu theo mùa và vận chuyển nhiệt đại dƣơng
phƣơng ngang. Ví dụ, nếu sử dụng nhiệt độ bề mặt và phân bố băng biển cho trƣớc,
thông lƣợng thuần năng lƣợng bề mặt trên mặt biển có thể đƣợc tính toán để tính
nguồn nhiệt Q. Trao đổi thêm của nhiệt xuất hiện giữa lớp xáo trộn và mô hình băng
biển khi băng đƣợc hình thành và tan rã.
Công thức tổng quát cho mô hình đại dƣơng lớp mỏng mở đƣợc đƣa ra bởi
Hansen và CS (1984) [23] với một số thay đổi cho phép có tỉ lệ phủ băng biển.
Phƣơng trình điều khiển nhiệt độ T0 lớp xáo trộn đại dƣơng là:
(2.4) 0
0 0 0 (1 ) (1 )oi frz
TC h A F Q AF A F
t
28
trong đó T0 là nhiệt độ lớp xáo trộn đại dƣơng, là mật độ của của nƣớc
trong đại dƣơng, C0 là nhiệt dung của nƣớc biển, h0 là độ sâu trung bình năm của
đại dƣơng (m), A là tỉ lệ của đại dƣơng đƣợc phủ bởi băng biển, F là thông lƣợng
nhiệt thuần từ khí quyển xuống đại dƣơng (Wm-2
), Q là thông lƣợng nhiệt trong lớp
xáo trộn (Wm-2
), Foi là nhiệt trao đổi với băng biển (Wm-2
), và Ffrz là nhiệt nhận
đƣợc khi băng biển phát triển trên vùng nƣớc mở (Wm-2
). và C0 là các hằng số.
Hình 2.3 Sơ đồ mô tả các mô hình thành phần của CAM-SOM
Nhƣ vậy, CAM 3.0 đƣợc phát triển là mô hình khí hậu thành phần khí quyển,
một trong bốn thành phần của CCSM (bao gồm mô hình khí quyển, mô hình đại
dƣơng, mô hình đất và mô hình băng biển). CAM 3.0 có thể chạy một cách độc lập
và cũng có thể chạy kết hợp với các mô hình thành phần của CCSM. CAM 3.0 có
thể ứng dụng để dự báo khí hậu trong tƣơng lai khi kết hợp với mô hình đại dƣơng
lớp mỏng (Hình 2.3). Nhiệt độ mặt nƣớc biển và độ phủ băng biển bây giờ là biến
dự báo nhận đƣợc từ mô hình đại dƣơng.
Có thể nhận đƣợc gần 300 biến từ CAM-SOM và các biến có thể là các giá
trị tức thời, giá trị cực đại, giá trị cực tiểu, và giá trị trung bình theo thời gian: Trung
bình ngày, trung bình tháng, trung bình theo mùa, trung bình năm. Một số biến dự
báo quan trọng kết xuất từ mô hình CAM-SOM có thể làm đầu vào cho mô hình khí
hậu khu vực (Bảng 2.1).
0
0
29
Bảng 2.1 Danh mục một số trƣờng kết xuất của mô hình CAM-SOM
Tên trƣờng Mô tả trƣờng Số mực Đơn vị
LPSTEN Xu thế áp suất bề mặt 1 Pa/s
OMEGA Vận tốc thẳng đứng (áp suất) 26 Pa/s
PBLH Độ cao lớp biên 1 m
PHIS Thế vị bề mặt 1 m2/s2
PS Áp suất bề mặt 1 Pa
PSDRY Áp suất bề mặt 1 Pa
PSL Áp suất mực biển 1 Pa
Q Độ ẩm riêng 26 kg/kg
SICTHK Độ dày băng biển 1 m
SST Nhiệt độ bề mặt biển 1 K
T Nhiệt độ 26 K
TS Nhiệt độ bề mặt 1 K
TS1 Nhiệt độ dƣới đất TS1 1 K
TS2 Nhiệt độ dƣới đất TS2 1 K
TS3 Nhiệt độ dƣới đất TS3 1 K
TS4 Nhiệt độ dƣới đất TS4 1 K
U Thành phần gió vĩ hƣớng 26 m/s
V Thành phần gió kinh hƣớng 26 m/s
Z3 Độ cao địa thế vị (trên mực biển) 26 m
2.3 Thiết kế thí nghiệm
Xin nhắc lại, trong khuôn khổ luận văn này, các thí nghiệm đƣợc thực hiện
nhằm nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực (RegCM3) vào bài
toán dự báo hạn mùa ở Việt Nam. Cụ thể hơn là trả lời hai câu hỏi về (1) khả năng
dự báo hạn mùa của mô hình RegCM3 với các tùy chọn tham số hóa đối lƣu khác
nhau và (2) khả năng kết nối của RegCM3 với mô hình toàn cầu (CAM-SOM)
30
nhằm đƣa ra đƣợc kết quả dự báo hạn mùa cho khu vực Việt Nam. Nhƣ vậy, có hai
nhóm thí nghiệm đƣợc thực hiện nhƣ sau:
TN1. Nghiên cứu khả năng dự báo hạn mùa của mô hình RegCM3
với các tùy chọn tham số hóa đối lƣu khác nhau
Mô hình RegCM3 đƣợc thiết kế chạy lần lƣợt với 3 sơ đồ tham số hóa đối
lƣu khác nhau, từ ngày 01 tháng 04 đến ngày 31 tháng 10 của từng năm trong giai
đoạn 1996-2005 với số liệu đầu vào là số liệu tái phân tích NNRP2 của Trung tâm
quốc gia Dự báo Môi trƣờng của Mỹ (National Centre for Environmental Prediction
(NCEP) Reanalysis datasets) và bộ số liệu phân tích hàng tháng trên lƣới 1 độ của
nhiệt độ mặt biển ngoại suy tối ƣu (OISST) từ Cơ quan quản lý biển và khí quyển
quốc gia (National Ocean and Atmosphere Administration). Các sơ đồ đối lƣu đƣợc
sử dụng là: (1) Sơ đồ Kuo sửa đổi; (2) Sơ đồ MIT Emanuel và (3) Sơ đồ Grell với
giả thiết khép kín Arakawa và Schubert. Kí hiệu tƣơng ứng với 3 nhóm kết quả của
thí nghiệm 1 này là: Reg_Kuo, Reg_Emanuel và Reg_Grell. Với điều kiện biên là số
liệu tái phân tích, điều kiện khí quyển gần thực nhất có thể có, thí nghiệm này nhằm
đƣa ra các dự báo cho mùa hè (mở rộng từ tháng 04 đến tháng 10) trong giai đoạn
10 năm với các sơ đồ đối lƣu khác nhau. Thí nghiệm này nhằm đánh giá khả năng
của RegCM3 khi trƣờng đầu vào cho RegCM3 là trƣờng khí quyển thực. Kết quả
đƣợc so sánh với số liệu quan trắc để đƣa ra đánh giá về chất lƣợng mô phỏng hạn
mùa của RegCM3 cho khu vực Việt Nam.
TN2. Nghiên cứu khả năng kết nối mô hình RegCM3 với CAM-SOM
Kết nối với đầu ra từ hệ thống mô hình kết hợp CAM-SOM, mô hình
RegCM3 đƣợc đặt chạy với 2 trƣờng hợp:
a. Từ ngày 01 tháng 04 đến ngày 01 tháng 10 của từng năm trong giai đoạn
2000-2005, kết quả đƣợc so sánh với kết quả của chạy RegCM3 với đầu
vào là số liệu tái phân tích NNRP2 cho giai đoạn tƣơng ứng, nhằm đánh
giá sự khác biệt khi dự báo với 2 đầu vào khác nhau (kết quả dự báo của
CAM-SOM và số liệu tái phân tích) của mô hình RegCM3. Kí hiệu tƣơng
ứng của 2 nhóm thí nghiệm này là Reg_CAMSOM và Reg_NNRP2.
31
b. Chạy 4 tháng (leadtime từ 0 cho đến 3 tháng) bắt đầu từ ngày 01 của từng
tháng từ tháng 01 đến tháng 06, của từng năm trong giai đoạn 2001-2005.
Đây là kết quả thử nghiệm dự báo hạn mùa, đặt chạy nối tiếp để xét đến
sự khác biệt của kết quả với các leadtime khác nhau của RegCM3 khi sử
dụng sản phẩm dự báo của CAM-SOM.
Hình 2.5 Miền tính của RegCM3 trong các thí nghiệm. Độ phân giải ngang 36 km.
Mô tả một cách trực quan hơn các thí nghiệm đƣợc minh họa trong hình 2.4.
Cấu hình của mô hình trong tất cả các thí nghiệm nhƣ sau. Theo chiều thẳng đứng
mô hình gồm 18 mực σ với đỉnh tại mực 50 mb. Miền tính mô hình gồm 144x105
điểm (theo hai chiều đông-tây và nam-bắc tƣơng ứng) với tâm tại điểm 11.5oN và
108oE. Độ phân giải ngang là 36 km sử dụng phép chiếu Mercator. Hình 2.5 mô tả
miền tính với độ cao địa hình.
Một điểm lƣu ý ở đây là khi sử dụng đầu ra từ hệ thống mô hình CAMSOM
làm đầu vào cho mô hình RegCM3, cần phải sửa đổi quá trình tiền xử lý (chuẩn bị
điều kiện biên) trong mô hình RegCM3. Cụ thể về chƣơng trình cần chỉnh sửa các
module:
o cam42.f: tạo mới tập tin này, chứa chƣơng trình con đọc các biến tốc độ
gió kinh vĩ hƣớng, nhiệt độ, độ ẩm riêng, nhiệt độ bề mặt, độ cao địa thế vị
và khí áp bề mặt (U, V, T, Q, TS, Z3, PS) từ đầu vào CAMSOM.
32
o CAM.f: chỉnh sửa từ CCSM.f ban đầu, gọi chƣơng trình con từ cam42.f
kết hợp với việc đọc biến địa thế vị bề mặt (PHIS) từ đầu vào CAMSOM.
o ICBC.f: chỉnh sửa để sử dụng các chƣơng trình con trong 2 tập tin trên
Hình 2.4 Mô tả các thí nghiệm đƣợc thực hiện.
TN1: nghiên cứu khả năng dự báo hạn mùa của mô hình RegCM3 với các sơ đồ
tham số hóa đối lưu khác nhau (10 năm với 7 tháng/1năm); TN2a (6 năm với 6
tháng/năm) & TN2b (5 năm với 6 lần đặt chạy/năm, 4 tháng/1 lần): nghiên cứu khả
năng kết nối mô hình RegCM3 với CAM-SOM
Việc đọc số liệu đầu vào cho RegCM3 từ sản phẩm của CAMSOM đƣợc mô
tả sau đây. Mô hình CAMSOM lƣu trữ kết quả dƣới dạng netcdf do đó cần sử dụng
bộ thƣ viện tƣơng ứng để trích xuất. Bộ thƣ viện Netcdf Fortran Interface (NFI)
đƣợc đƣa vào trong quá trình biên dịch và sử dụng các hàm liệt kê trong Bảng 2.2.
Nguyên lý thực hiện việc đọc dữ liệu bao gồm:
- Đọc Header: Header là đoạn dữ liệu đầu tiên của số liệu toàn cầu. Đoạn dữ
liệu này cho ta biết nội dung về lƣới tính cả phƣơng ngang và phƣơng thẳng đứng.
T4 T10 T4 T10 T4 T10 T4 T10
1996 1997 2004 2005 1998 ~ 2003
T4 T9
2000
T4 T9
2001
T4 T9
2002
T4 T9
2003
T4 T9
2004
T4 T9
2005
T1 T2 T3 T4 T5 T6 T7 T8 T9
2001 ~ 2005
TN2b
TN1
TN2a
33
Vì mô hình toàn cầu CAM-SOM là mô hình phổ nên trƣớc khi có thể sử dụng làm
đầu vào cho mô hình khu vực nó đã đƣợc chuyển đổi sang dạng lƣới Gauss theo
phƣơng ngang và lƣới lai sigma - áp suất theo phƣơng đứng. Trƣớc khi biến đổi mô
hình này đƣợc chạy với cấu hình T42 tƣơng ứng với độ phân giải ~2,81 độ. Việc
cần làm của bộ chƣơng trình là thiết lập các thông số lƣới: kinh độ, vĩ độ, mực
thẳng đứng sao cho khớp với header của CAM-SOM. Sau đó các thông số lƣới của
mô hình khí hậu khu vực đƣợc thiết lập tại đây.
- Sử dụng các hàm trong thư viện NFI để lần lượt đọc các biến: Nhiệt độ các
mực, độ cao địa thế vị các mực, độ ẩm riêng các mực, tốc độ gió vĩ hƣớng các mực,
tốc độ gió kinh hƣớng các mực, áp suất bề mặt, độ cao địa thế vị bề mặt, nhiệt độ bề
mặt nƣớc biển. Sử dụng độ cao địa thế vị bề mặt tính độ cao địa hình.
- Nội suy thẳng đứng (sigma sang áp suất):
o Tính áp suất tại các mực theo các tham số của hệ tọa độ lai: ak, bk.
o Tính độ cao tại các mực áp suất dựa trên độ cao và nhiệt độ của các mực
sigma, áp suất bề mặt, áp suất đỉnh khí quyển.
o Tính tốc độ gió kinh hƣớng và vĩ hƣớng tại các mực áp suất dựa trên các
biến tƣơng ứng tại mực sigma.
o Tính nhiệt độ tại các mực áp suất dựa trên nhiệt độ tại mực sigma.
o Chuyển độ ẩm riêng thành độ ẩm tƣơng đối
o Tính độ ẩm tƣơng đối tại các mực áp suất dựa trên độ ẩm tƣơng đối tại
mực sigma.
- Nội suy ngang: Nội suy theo phƣơng ngang song tuyến tính đƣợc thực hiện
tại các điểm nhân đối với nhiệt độ, độ cao, độ ẩm và tại các điểm tròn đối với tốc độ
gió kinh, vĩ hƣớng.
- Hệ bản đồ:
o Tốc độ gió kinh, vĩ hƣớng đƣợc tính toán lại sao cho vector gió sau khi
thực hiện phép quay phù hợp với hệ bản đồ đƣợc sử dụng trong mô hình khí
hậu khu vực RegCM (Mercator).
o Đảo chiều các mực thẳng đứng.
34
o Tính các biến yêu cầu trƣớc khi tính P* bao gồm: Nhiệt độ trung bình lớp
tính từ bề mặt đến mực dƣới cùng, Áp suất tại đỉnh lớp này, Độ cao tại mực
áp suất đó.
o Ngoại suy áp suất bề mặt từ áp suất của mực gần bề mặt nhất
o Tính áp suất tại điểm tròn dựa theo áp suất tại điểm nhân.
Bảng 2.2 Các hàm đƣợc sử dụng trong thƣ viện NFI
TT Tên Ghi chú
1 NF_OPEN Mở file netcdf
2 NF_INQ_VARID Tìm vị trí biến
3 NF_INQ_DIMID Tìm vị trí các chiều
4 NF_INQ_DIMLEN Tìm độ lớn các chiều
5 NF_INQ_VARNAME Đọc tên biến
6 NF_GET_VARA_REAL Đọc biến thực vào mảng
7 NF_GET_VARA_INT2 Đọc biến nguyên vào mảng
2.4 Nguồn số liệu
Số liệu cho RegCM3:
Tất cả nguồn số liệu đầu vào cần để cung cấp cho mô hình RegCM3 (bao
gồm số liệu về độ cao địa hình, các loại bề mặt, nhiệt độ mặt nƣớc biển và số liệu
tái phân tích làm điều kiện ban đầu và điều kiện biên cập nhật theo thời gian) có thể
đƣợc tải về từ trang web http://www.ictp.trieste.it/pubregcm/RegCM3. Cụ thể:
Bộ số liệu lớp phủ (Global Landuse Cover Characteric: GLCC) cung cấp
thông tin về thực vật/mặt đệm, nhận đƣợc từ số liệu Bức xạ phân giải rất cao
tiên tiến (Advanced Very High Resolution Radiation: AVHRR) từ tháng
4/1992 đến tháng 3/1993 và đƣợc chia thành 18 loại đất phủ/thực vật đƣợc
định nghĩa trong sơ đồ tƣơng tác sinh quyển-khí quyển BATS. Mặt đệm của
mỗi ô lƣới của mô hình đƣợc xác định thuộc 1 trong số 18 loại này..
35
Số liệu độ cao địa hình đƣợc lấy từ USGS. Các tập tin số liệu mặt đệm và
độ cao địa hình đều có sẵn tại các độ phân giải 30 và 10 phút. Ở đây sử dụng
tập số liệu độ phân giải 10 phút.
Số liệu SST là bộ số liệu phân tích hàng tháng trên lƣới 1 độ của nhiệt độ
mặt biển ngoại suy tối ƣu (OISST) (1981-2011) cũng có sẵn từ Cơ quan quản
lý biển và khí quyển quốc gia (National Ocean and Atmosphere
Administration).
Số liệu tái phân tích toàn cầu để sử dụng đối với các điều kiện ban đầu và
biên là số liệu tái phân tích NNRP2 của Trung tâm quốc gia Dự báo Môi
trƣờng của Mỹ (National Centre for Environmental Prediction Reanalysis
datasets), lƣới 2.5 độ, L17, từ 1996 đến 2005.
Số liệu đầu ra của hệ thống mô hình CAM-SOM để sử dụng đối với các
điều kiện ban đầu và biên đƣợc lấy từ tháng 01 đến tháng 09 của từng năm
trong giai đoạn 2000-2005. Nhƣ đã đề cập, số liệu đầu ra của CAM-SOM
cho dƣới định dạng netcdf với tên tập tin và các biến chứa trong các tập tin
tƣơng ứng nhƣ sau:
somYYYY_rmr.cam2.h0.YYYY-MM.nc (địa thế vị bề mặt)
somYYYY_rmr.cam2.h1.YYYY-12-01-21600.nc (tốc độ gió kinh, vĩ
hƣớng)
somYYYY_rmr.cam2.h2.YYYY-12-01-21600.nc (độ ẩm tuyệt đối, nhiệt độ
các mực và nhiệt độ bề mặt)
somYYYY_rmr.cam2.h3.YYYY-12-01-21600.nc (khí áp bề mặt và độ cao
địa thế vị)
Trong đó, YYYY chỉ năm (YYYY nhỏ hơn YYYY 1 năm) và MM chỉ tháng của số
liệu chứa trong tập tin.
36
Hình 2.5 Vị trí 48 trạm lấy số liệu quan trắc để thẩm định
Số liệu đánh giá:
Số liệu CRU: Số liệu tái phân tích của Trung tâm nghiên cứu khí hậu của
Anh với độ phân giải ngang 0,5 độ, chỉ lấy số liệu nhiệt độ bề mặt, lƣợng
mƣa trung bình tháng.
Số liệu đầu vào: có thể so sánh với chính số liệu đầu vào NNRP2 (NCEP)
để xem xét khả năng tái tạo các trƣờng gió, nhiệt và ẩm của mô hình.
Số liệu quan trắc thực tế trên Việt Nam: 48 trạm quan trắc khí tƣợng điển
hình trải đều trên lãnh thổ Việt Nam. Trong 1 ngày có số liệu tại 4 obs quan
trắc chuẩn. Nhiệt độ đƣợc tính trung bình ngày, sau đó tính trung bình các
tháng để so sánh. Lƣợng mƣa tính tổng lƣợng ngày, sau đó tính trung bình
tháng để so sánh. Danh sách các trạm trình bày trong Bảng 2.3 và hiển thị
trên hình 2.5.
Bảng 2.3 Danh sách 48 trạm lấy số liệu quan trắc để thẩm định
STT Tên trạm Kinh độ Vĩ độ STT Tên trạm Kinh độ Vĩ độ
1 Điện Biên 103.00 21.21 25 Hƣơng Khê 105.70 18.18
2 Lai Châu 103.09 22.03 26 Nam Đông 107.72 16.17
3 Mộc Châu 104.38 20.51 27 Thanh Hóa 105.46 19.49
4 Sơn La 103.54 21.20 28 Tƣơng Dƣơng 104.43 19.28
5 Hà Giang 104.59 22.49 29 Vinh 105.40 18.40
6 Thái Nguyên 105.83 21.60 30 Ba Tơ 108.73 14.77
37
7 Tuyên Quang 105.22 21.82 31 Đà Nẵng 108.20 16.03
8 Yên Bái 104.52 21.42 32 Nha Trang 109.12 12.15
9 Bắc Quang 104.50 22.29 33 Phan Thiết 108.06 10.56
10 Lạng Sơn 106.46 21.50 34 Phú Quý 108.93 10.52
11 Sa Pa 103.82 22.35 35 Quy Nhơn 109.13 13.46
12 Bãi Cháy 107.07 20.97 36 Trà My 108.23 15.35
13 Cô Tô 107.77 20.98 37 Tuy Hòa 109.17 13.05
14 Bạch Long Vĩ 107.72 20.13 38 Ayunpa 108.54 13.25
15 Hà Nội 105.51 21.01 39 Buôn Ma Thuột 108.03 12.41
16 Hòa Bình 105.20 20.49 40 Bảo Lộc 107.48 11.28
17 Nam Định 106.10 20.26 41 Đà Lạt 108.26 11.57
18 Ninh Bình 105.59 20.16 42 Kontum 107.37 14.20
19 Phủ Liễn 106.38 20.48 43 Playcu 108.00 13.59
20 Đông Hà 107.08 16.85 44 Cà Mau 105.17 9.10
21 Đồng Hới 106.37 17.28 45 Cần Thơ 105.47 10.02
22 Hà Tĩnh 105.54 18.21 46 Côn Đảo 106.60 8.68
23 Hồi Xuân 105.10 20.37 47 Rạch Giá 105.05 10.00
24 Huế 107.41 16.24 48 Vũng Tàu 107.05 10.20
38
Chƣơng 3
KẾT QUẢ VÀ NHẬN XÉT
Chƣơng 3 sẽ trình bày và đánh giá các kết quả theo nhƣ thiết kế thí nghiệm
đã nêu trong chƣơng 2. Cụ thể kết quả sẽ gồm hai phần chính tƣơng ứng với 2 thí
nghiệm, đó là (1) nghiên cứu khả năng dự báo hạn mùa của mô hình RegCM3 với
các sơ đồ tham số hóa đối lƣu khác nhau và (2) nghiên cứu khả năng kết nối mô
hình RegCM3 với CAM-SOM.
3.1 Kết quả dự báo hạn mùa bằng mô hình RegCM3 với các tùy chọn tham
số hóa đối lưu khác nhau
3.1.1 Thời tiết, khí hậu khu vực Đông Nam Á giai đoạn 1996-2005
Trƣớc khi đánh giá các kết quả dự báo thử nghiệm từ đầu ra của mô hình
RegCM3, chúng ta cần quan tâm đến điều kiện thời tiết, khí hậu của khu vực Đông
Nam Á trong giai đoạn nghiên cứu (1996-2005). Hiện tƣợng ENSO và hoạt động
của bão là hai nhân tố ảnh hƣởng mạnh mẽ đến thời tiết, khí hậu khu vực Đông
Nam Á trong giai đoạn này.
ENSO là từ ghép đƣợc cấu tạo bởi “El Nino/Southern Oscillation (El
Nino/Dao động Nam)”, thực chất là chỉ cả 2 hai hiện tƣợng El Nino và La Nina và
có liên quan với dao động của khí áp giữa 2 bờ phía Đông Thái Bình Dƣơng với
phía Tây Thái Bình Dƣơng - Đông Ấn Độ Dƣơng gần xích đạo. “El Nino” là từ
đƣợc dùng để chỉ hiện tƣợng nóng lên dị thƣờng của lớp nƣớc biển bề mặt ở khu
vực xích đạo trung tâm và Đông Thái Bình Dƣơng, kéo dài 8 - 12 tháng, hoặc lâu
hơn, thƣờng xuất hiện 3 - 4 năm một lần, song cũng có khi dày hơn hoặc thƣa hơn.
“La Nina” là hiện tƣợng lớp nƣớc biển bề mặt ở khu vực nói trên lạnh đi dị thƣờng,
xảy ra với chu kỳ tƣơng tự hoặc thƣa hơn El Nino.
Hiện tƣợng El Nino và La Nina có ảnh hƣởng đến thời tiết, khí hậu toàn cầu
với mức độ khác nhau và rất đa dạng. Tuy nhiên, đối với từng khu vực cụ thể, vẫn
có thể xác định đƣợc những ảnh hƣởng chủ yếu có tính đặc trƣng của mỗi hiện
tƣợng nói trên [1]. Trong giai đoạn 1996-2005, đặc biệt đáng chú ý là đợt El Nino
39
mạnh năm 1997-1998 (kéo dài khoảng 15 tháng, từ tháng 4 năm 1997 đến tháng 6
năm 1998) và ngay sau đó là đợt La Nina năm 1998-2000 (từ tháng 8 năm 1998 đến
tháng 7 năm 2000). Những thời kỳ xảy ra ENSO mạnh (Hình 3.1) sẽ đƣợc chú ý
trong khi phân tích kết quả mô phỏng hoàn lƣu, nhiệt độ, độ ẩm và lƣợng mƣa của
mô hình RegCM3 tiếp sau đây.
Hình 3.1 Nino3.4 trung bình từ tháng 6 đến tháng 12 trong giai đoạn 1950 – 2007.
Về hoạt động của bão, số lƣợng các cơn bão Biển Đông tăng trong các năm
1996, 1999 và 2001 (trung bình khoảng 15 cơn bão/ 1 năm) [3]. Bão Biển Đông là
những cơn bão hình thành ngay trên Biển Đông hoặc di chuyển từ ngoài khơi Tây
Bắc Thái Bình Dƣơng vào khu vực đƣợc giới hạn bởi kinh tuyến 100oE – 120
oE và
vĩ tuyến 0oN – 23
oN [3]. Trong khi đó, năm 1997 lại đánh dấu một năm “ôn hòa”
với chỉ 6 cơn bão (Hình 3.2).
Hình 3.2 Tần số bão ở khu vực Biển Đông (1961 - 2007)
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
1954
1959
1964
1969
1974
1979
1984
1989
1994
1999
2004
Năm
Nin
o 3
.4
La Nina El Nino Bình thường
0
2
4
6
8
10
12
14
16
18
1961 1966 1971 1976 1981 1986 1991 1996 2001 2006Năm
Số
cơ
n
Tổng TB trượt 5 năm Xu thế tuyến tính
40
3.1.2 Hoàn lưu, nhiệt độ và lượng mưa từ đầu ra của RegCM3
Trong mục này, sản phẩm đầu ra của RegCM3 với thiết kế nhƣ thí nghiệm 1
(mục 2.3) sẽ đƣợc trình bày và đánh giá với các trƣờng/biến cơ bản. Xin nhắc lại là
các kết quả đƣợc chia thành 3 nhóm so sánh với nhau, ứng với các tùy chọn tham số
hóa đối lƣu đƣợc sử dụng khi chạy RegCM3, cụ thể là Reg_Kuo, Reg_Emanuel và
Reg_Grell. Trƣớc tiên, trƣờng độ cao địa thế vị, trƣờng gió cũng nhƣ trƣờng khí áp
mực biển sẽ đƣợc so sánh với miền phân tích đƣợc giới hạn từ 5oN đến 25
oN và
100oE đến 120
oE. Miền phân tích đƣợc giới hạn nhỏ hơn miền thiết kế thí nghiệm,
bao quanh khu vực Việt Nam, giúp cho việc tập trung đánh giá hiệu quả hơn. Tiếp
theo đó, trƣờng nhiệt độ mực 2m và lƣợng mƣa cũng sẽ đƣợc phân tích không chỉ
trên khu vực Việt Nam mà còn đƣợc đƣa về các điểm trạm. Các trạm cũng đƣợc
chia theo 7 vùng khí hậu của Việt Nam để đánh giá theo dạng đồ thị tụ điểm. Cuối
cùng, profile thẳng đứng của nhiệt độ và độ ẩm, cùng với biểu đồ dạng Hovmoller
đƣợc sử dụng để làm rõ một số điểm khác biệt giữa các kết quả.
Trƣờng gió và trƣờng độ cao địa thế vị sẽ đƣợc đánh giá trƣớc tiên. Các hình
từ 3.3 đến 3.5 thể hiện trƣờng vectơ gió và trƣờng độ cao địa thế vị các mực 850,
500, 200 mb trung bình trong giai đoạn 1996-2005 của các tháng 4, 7, 10 từ đầu ra
của các thí nghiệm (Reg_Kuo, Reg_Emanuel, Reg_Grell) đƣợc so sánh với số liệu
tái phân tích (NNRP2). Vectơ gió đơn vị mực 200 mb là 20 m/s còn 2 mực còn lại
là 10 m/s, đƣợc thể hiện bằng vectơ màu đen trên nền độ cao địa thế vị thể hiện
bằng màu, theo thang bên dƣới. So sánh với trƣờng tái phân tích, một điều dễ nhận
thấy là mô hình RegCM3, dù với sơ đồ tham số hóa đối lƣu nào, cũng tái tạo tốt
hình thế trƣờng độ cao địa thế vị và trƣờng gió. Sự sai khác tồn tại chủ yếu là độ lớn
trƣờng độ cao, nhƣng cũng chỉ khoảng 5 mb. Xét chung cả 3 mực đƣợc đánh giá,
Reg_Kuo cho trƣờng “mạnh” hơn trong khi Reg_Emanuel tái tạo trƣờng “yếu” hơn,
do vậy, Reg_Grell với kết quả “vừa phải” đƣợc cho là kết quả tốt nhất. Trƣờng gió
trên diện của miền phân tích đƣợc mô phỏng tốt nhƣng nếu xét riêng cho khu vực
Việt Nam thì có một số trƣờng hợp sai khác lớn về hƣớng.
41
Cụ thể, xét ở mực 850 mb, nhìn chung kết quả mô phỏng hạn mùa của cả 3
thí nghiệm đều khá tƣơng đồng với số liệu tái phân tích, trong đó Reg_Grell và
Reg_Emanuel tái tạo trƣờng độ cao địa thế vị là tốt nhất. Điều này có thể nhận thấy
ở cả 3 tháng, với tháng 4 và tháng 10 là rõ nét nhất. Trong tháng 4, Reg_Kuo cho
mô phỏng cao hơn khoảng 5mb trên khu vực khá rộng ở phía Đông Bắc miền phân
tích. Do đó, sự lấn sâu của lƣỡi áp cao về phía khu vực Việt Nam đƣợc gia tăng
trong Reg_Kuo. Tuy vậy, Reg_Emanuel lại cho trƣờng gió ở miền nam Việt Nam
kém hơn so với 2 thí nghiệm còn lại trong tháng này. Trong tháng 7, Reg_Kuo cũng
cho kết quả mô phỏng cao hơn khoảng 5mb nhƣng chủ yếu ở phía nam miền phân
tích trong khi Reg_Emanuel lại cho kết quả thấp hơn ở phía Tây Bắc miền phân tích
với trƣờng gió mạnh hơn so với NNRP khá nhiều. Đáng chú ý là nếu chỉ xét riêng
cho khu vực Việt Nam thì trƣờng gió của Reg_Grell trong tháng này có kết quả mô
phỏng tốt nhất. Đến tháng 10, đồng thời cả Reg_Kuo và Reg_Grell đều cho trƣờng
độ cao lớn hơn khoảng 5mb ở phía nam miền, cho thấy sự lấn xuống rộng hơn của
hệ thống áp cao. Cũng nhƣ tháng 4, Reg_Emanuel mô phỏng trƣờng độ cao địa thế
vị tốt hơn nhƣng lại tái tạo trƣờng gió kém hơn Reg_Grell cả về hƣớng và độ lớn
trong trƣờng hợp này.
Lên đến mực 500 mb, mô phỏng của cả 3 thí nghiệm vẫn cho kết quả tốt khi
so sánh với số liệu tái phân tích, ở mực này Reg_Grell cho mô phỏng tốt hơn cả. Có
thể nhận thấy trong tháng 4, trƣờng độ cao của Reg_Kuo và Reg_Grell sát với
NNRP hơn, trong khi Reg_Emanuel cho mô phỏng thấp ở phía Tây miền phân tích.
Trƣờng gió của Reg_Grell là hợp lý hơn cả, tuy vẫn cao hơn về độ lớn. Đến tháng
7, Reg_Grell tiếp tục cho kết quả mô phỏng trƣờng gió tốt hơn, trong khi trƣờng độ
cao của Reg_Emanuel lại kém nhất. Và đến tháng 10, trong khi trƣờng gió mô
phỏng của các thí nghiệm không khác nhau nhiều và rất sát với số liệu tái phân tích
thì trƣờng độ cao lại cho thấy sự mô phỏng tốt hơn cả của Reg_Grell (đặc biệt nếu
chú ý riêng khu vực Việt Nam).
42
Reg_Kuo Reg_Grell Reg_Emanuel NNRP2
Hình 3.3 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 4,
7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2
43
Reg_Kuo Reg_Grell Reg_Emanuel NNRP2
Hình 3.4 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 4,
7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2
Cuối cùng, ở mực 200 mb, khả năng mô phỏng hạn mùa của các thí nghiệm
vẫn cho kết quả tốt và sự khác biệt giữa các thí nghiệm là không nhiều. Trong tháng
4, cả 3 thí nghiệm cho kết quả tái tạo gần nhƣ tƣơng tự nhau cả trƣờng độ cao và
trƣờng gió, và đều mô phỏng trƣờng độ cao bị thấp hơn ở phía Đông nam miền
phân tích. Và tháng 7 đánh dấu kết quả mô phỏng trƣờng độ cao khá tốt của
44
Reg_Emanuel dẫn đến trƣờng gió của Reg_Emanuel sát với số liệu tái phân tích
hơn cả. Kết quả của tháng 10 cho sự tái tạo trƣờng gió tốt ở tất cả các thí nghiệm
nhƣng trƣờng độ cao đều thấp hơn ở khoảng giữa miền phân tích, dải cắt ngang qua
miền trung Việt Nam.
Reg_Kuo Reg_Grell Reg_Emanuel NNRP2
Hình 3.5 Trƣờng vectơ gió và độ cao địa thế vị mực 200 mb trung bình các tháng 4,
7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2
45
Khi so sánh giữa các thí nghiệm, trƣờng khí áp mực biển cũng cho thấy sự
mô phỏng hạn mùa tốt của RegCM3, đặc biệt là Reg_Emanuel. Hình 3.6 thể hiện
trƣờng khí áp mực biển trung bình giai đoạn 1996-2005 của các tháng 4, 7, 10 từ
đầu ra của các thí nghiệm (Reg_Kuo, Reg_Emanuel, Reg_Grell) đƣợc so sánh với
số liệu tái phân tích (NNRP2). Nhìn chung, các thí nghiệm đều mô phỏng tốt hình
Reg_Kuo Reg_Grell Reg_Emanuel NNRP2
Hình 3.6 Trƣờng khí áp mực biển trung bình các tháng 4, 7, 10 (trên xuống dƣới)
của các thí nghiệm so sánh với số liệu NNRP2
46
thế phân bố khí áp mực biển trong các tháng, tuy về giá trị lớn hơn khoảng 2mb
trong đa phần các trƣờng hợp. Reg_Emanuel cho kết quả mô phỏng sát với số liệu
tái phân tích nhất vào tháng 4 và tháng 10. Trong khi đó, Reg_Kuo và Reg_Grell
cho giá trị khí áp lớn hơn ở hầu nhƣ trên toàn miền phân tích trong tất cả các trƣờng
hợp.
Tiếp theo, hai biến cơ bản khi đánh giá dự báo hạn mùa là nhiệt độ mực 2m
và lƣợng mƣa trung bình tháng sẽ đƣợc phân tích sau đây. Trƣờng nhiệt độ mực 2m
và lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí
nghiệm (Reg_Kuo, Reg_Grell, Reg_Emanuel) so sánh với số liệu CRU đƣợc thể
hiện trong hình 3.7 và 3.8. Mô phỏng nhiệt độ mực 2m của cả 3 thí nghiệm nhìn
chung nắm bắt đƣợc phân bố nhiệt độ trên khu vực Việt Nam nhƣng đều cho giá trị
cao hơn số liệu CRU khoảng 1oC. Điều này có thể thấy rõ ở các vùng khí hậu B2,
B4, N1 và N3. Riêng vùng có địa hình cao nhƣ B1 và N2, nhiệt độ mô phỏng của
Reg_Grell và Reg_Emanuel cho kết quả tốt hơn Reg_Kuo.
Reg_Kuo Reg_Grell Reg_Emanuel CRU
Hình 3.7 Trƣờng nhiệt độ mực 2m trung bình các tháng 5-10 trong giai đoạn 1996-
2005 của các thí nghiệm so sánh với số liệu CRU
47
Kết quả mô phỏng lƣợng mƣa lại cho sự khác biệt lớn giữa các thí nghiệm,
nhìn chung thì Reg_Grell mô phỏng cho khu vực Việt Nam là gần với số liệu CRU
nhất. Bên cạnh đó, Reg_Kuo cho mô phỏng khô hơn (thấp hơn khoảng 50-100 mm)
còn Reg_Emanuel mô phỏng lƣợng mƣa vƣợt quá rất nhiều (từ 100 đến 200 mm).
Xét riêng từng vùng khí hậu của Việt Nam thì khu vực B4 đƣợc mô phỏng trong
Reg_Grell là tốt hơn cả. Phân bố mƣa của Reg_Grell cũng cho kết quả tƣơng đồng
với CRU tốt nhất. Nhƣ vậy, trong khi nhiệt độ mực 2m đƣợc mô phỏng hạn mùa tốt
ở cả 3 thí nghiệm thì lƣợng mƣa trung bình đánh dấu sự mô phỏng sai khác nhiều so
với số liệu CRU, và nếu xét trên toàn khu vực Việt Nam thì Reg_Grell có kết quả
khả quan nhất.
Reg_Kuo Reg_Grell Reg_Emanuel CRU
Hình 3.8 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các
thí nghiệm so sánh với số liệu CRU
Để thấy rõ hơn khả năng dự báo hạn mùa trong các thí nghiệm, nhiệt độ mực
2m và lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí
nghiệm (Reg_Kuo, Reg_Grell, Reg_Emanuel) đƣợc nội suy về trạm và so sánh với
số liệu quan trắc tại 48 trạm (hình 3.9 và 3.10). Nguồn số liệu quan trắc tại trạm cho
ta cái nhìn cụ thể hơn để đánh giá tính ứng dụng của sản phẩm dự báo từ RegCM3.
Một cách tổng quát, nhiệt độ 2m mô phỏng bởi 3 thí nghiệm nhìn chung xấp xỉ và
48
thấp hơn số liệu quan trắc tại trạm, từ 1oC đến 2
oC. Các trạm thuộc khu vực B1 và
B4 cho kết quả mô phỏng thấp hơn quan trắc rõ rệt hơn cả. Bên cạnh đó các trạm
đặc biệt nhƣ Sapa, Đà Lạt kết quả mô phỏng lại cao hơn quan trắc, khoảng 2oC. So
sánh giữa các thí nghiệm, Reg_Kuo cho giá trị mô phỏng cao hơn 2 thí nghiệm còn
lại và Reg_Grell cho mô phỏng thấp hơn cả. Khu vực đồng bằng nhƣ B3 và N3 có
kết quả mô phỏng gần với giá trị quan trắc nhất.
Hình 3.9 Trƣờng nhiệt độ mực 2m trung bình các tháng 5-10 trong giai đoạn 1996-
2005 của các thí nghiệm so sánh với số liệu quan trắc tại 48 trạm
Khác với nhiệt độ mực 2m, lƣợng mƣa mô phỏng hạn mùa bởi 3 thí nghiệm
khi so sánh với số liệu quan trắc cho thấy sự khác biệt lớn khi thay đổi việc sử dụng
các sơ đồ đối lƣu. Trong đó, Reg_Emanuel mô phỏng dƣờng nhƣ gần với số liệu
quan trắc nhất, còn Reg_Kuo và Reg_Grell cho mô phỏng thấp hơn hẳn, đặc biệt là
Reg_Kuo. Các thí nghiệm không mô phỏng tốt lƣợng mƣa quá lớn ở tâm mƣa Bắc
Quang. Nhƣ vậy, cũng nhƣ khi đánh giá theo diện và so sánh với số liệu CRU, khi
so sánh với số liệu tại trạm cũng cho thấy sự mô phỏng không tốt về lƣợng mƣa
trung bình của các thí nghiệm.
0
5
10
15
20
25
30
35
DIE
NB
IEN
LA
ICH
AU
MO
CC
HA
US
ON
LA
HA
GIA
NG
TH
AIN
GU
YE
NT
UY
EN
QU
AN
G
YE
NB
AI
BA
CQ
UA
NG
LA
NG
SO
N
SA
PA
BA
ICH
AY
CO
TO
BA
CH
LO
NG
VI
HA
NO
IH
OA
BIN
H
NA
MD
INH
NIN
HB
INH
PH
UL
IEN
DO
NG
HA
DO
NG
HO
IH
AT
INH
HO
IXU
AN
HU
EH
UO
NG
KH
E
NA
MD
ON
G
TH
AN
HH
OA
TU
ON
GD
UO
NG
VIN
H
BA
TO
DA
NA
NG
NH
AT
RA
NG
PH
AN
TH
IET
PH
UQ
UY
QU
YN
HO
N
TR
AM
YT
UY
HO
A
AY
UN
PA
BU
ON
MA
TH
UO
TB
AO
LO
C
DA
LA
T
KO
NT
UM
PL
AY
CU
CA
MA
U
CA
NT
HO
CO
ND
AO
RA
CH
GIA
VU
NG
TA
U
Trạm
T2m (oC)
Reg_Kuo Reg_Grell Reg_Emanuel OBS
49
Hình 3.10 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các
thí nghiệm so sánh với số liệu quan trắc tại 48 trạm
Tiếp tục khai thác nguồn số liệu tại điểm trạm, đồ thị tụ điểm đƣợc sử dụng
để đánh giá sai số mô phỏng của 3 thí nghiệm khi so sánh với số liệu quan trắc tại
48 trạm với 2 biến là nhiệt độ mực 2m (Hình 3.11a) và lƣợng mƣa (Hình 3.11b).
Lƣu ý là đối với đánh giá lƣợng mƣa, trạm Bắc Quang với lƣợng mƣa quá lớn đƣợc
bỏ ra không đánh giá ở đây. Đồ thị có trục hoành là giá trị quan trắc và trục tung là
giá trị mô phỏng của các thí nghiệm. Các trạm đƣợc đánh dấu phân biệt giữa 7 vùng
khí hậu, với các trạm thuộc miền Bắc (B1, B2, B3, B4) có màu xanh và các trạm
thuộc miền Nam (N1, N2, N3) có màu đỏ. Với đồ thị này, kết quả dự báo thấp hơn
so với quan trắc của biến nhiệt độ và kết quả không tốt với biến lƣợng mƣa đƣợc chỉ
ra khá rõ nét. Kết quả cũng không cho sự khác biệt nào đáng kể khi so sánh giữa các
trạm miền bắc và miền nam Việt Nam.
Về biến nhiệt độ mực 2m, cả 3 thí nghiệm đều cho mô phỏng hạn mùa thấp
hơn quan trắc ở hầu hết các trạm, ngoài một số trạm thuộc B2 và N2. Các trạm có
giá trị mô phỏng tốt nằm ở các vùng B3, N1 và N3. Riêng vùng B1, cả 3 thí nghiệm
đều không nắm bắt đƣợc sự khác biệt giữa các trạm trong vùng (dao động từ 22 đến
26oC) mà đều mô phỏng với giá trị khoảng 22-23
oC. Nhìn chung, sai số dự báo nằm
chủ yếu trong khoảng 2oC. Các trạm có giá trị nhiệt độ quan trắc thấp (nhƣ Sapa, Đà
Lạt) cả 3 thí nghiệm đều cho mô phỏng cao hơn. So sánh giữa 3 thí nghiệm cho
thấy sự khác biệt không đáng kể, chỉ khác biệt lớn khi dự báo ngƣỡng nhiệt độ lớn
0
200
400
600
800
DIE
NB
IEN
LA
ICH
AU
MO
CC
HA
U
SO
NL
AH
AG
IAN
G
TH
AIN
GU
YE
NT
UY
EN
QU
AN
G
YE
NB
AI
BA
CQ
UA
NG
LA
NG
SO
NS
AP
A
BA
ICH
AY
CO
TO
BA
CH
LO
NG
VI
HA
NO
I
HO
AB
INH
NA
MD
INH
NIN
HB
INH
PH
UL
IEN
DO
NG
HA
DO
NG
HO
I
HA
TIN
HH
OIX
UA
N
HU
EH
UO
NG
KH
E
NA
MD
ON
GT
HA
NH
HO
A
TU
ON
GD
UO
NG
VIN
H
BA
TO
DA
NA
NG
NH
AT
RA
NG
PH
AN
TH
IET
PH
UQ
UY
QU
YN
HO
N
TR
AM
YT
UY
HO
A
AY
UN
PA
BU
ON
MA
TH
UO
T
BA
OL
OC
DA
LA
T
KO
NT
UM
PL
AY
CU
CA
MA
UC
AN
TH
O
CO
ND
AO
RA
CH
GIA
VU
NG
TA
U
Trạm
Tpr (mm)Reg_Kuo Reg_Grell Reg_Emanuel OBS
50
hơn 26oC, giá trị mô phỏng của Reg_Emanuel lớn hơn khoảng 2
oC so với Reg_Kuo
và Reg_Grell.
a. b.
51
Hình 3.11 Đồ thị tụ điểm đánh giá sai số mô phỏng nhiệt độ mực 2m (a) và lƣợng
mƣa (b) của 3 thí nghiệm so với số liệu quan trắc tại 48 trạm.
Về biến lƣợng mƣa, Reg_Emanuel cho dự báo tốt hơn Reg_Kuo và
Reg_Grell, tuy sai số vẫn còn lớn. Reg_Kuo và Reg_Grell cho mô phỏng thấp hơn
quan trắc ở tất cả các trạm, trong khi ở trƣờng hợp Reg_Emanuel điểm biểu diễn
các trạm tập trung quanh đƣờng 1:1 tốt hơn cho thấy mô phỏng “gần” với quan trắc
hơn. Reg_Emanuel cũng có sai số nằm trong khoảng 100 mm là chủ yếu, trong khi
Reg_Kuo và Reg_Grell sai số có thể lên đến 200-300 mm. Reg_Kuo cho mô phỏng
thấp, dao động quanh 50 mm, trong khi Reg_Grell cao hơn là khoảng 100 mm.
Reg_Emanuel cho mô phỏng lƣợng mƣa các trạm miền bắc tốt hơn các trạm miền
nam.
a. b.
Hình 3.12 Profile thẳng đứng của độ ẩm tuyệt đối (a) và nhiệt độ (b) trung bình từ
tháng 5-10 giai đoạn 1996-2005 của các thí nghiệm.
Kết hợp thông tin từ các mực độ cao khác nhau, profile thẳng đứng của nhiệt
độ và độ ẩm tuyệt đối đƣợc thể hiện trong hình 3.12. Độ ẩm tuyệt đối và nhiệt độ
52
đƣợc tính trung bình các tháng từ 5 đến 10 giai đoạn 1996-2005 của các thí nghiệm.
Miền tính trung bình đƣợc lấy từ 8oN đến 24
oN và 102
oE đến 110
oE, bao quanh vừa
trọn vẹn khu vực Việt Nam. Về cơ bản, sự khác biệt về độ ẩm tuyệt đối giữa các thí
nghiệm có thể nhận thấy đƣợc, trong khi sự khác biệt về nhiệt độ là không đáng kể.
Qua hình vẽ, ta nhận thấy profile nhiệt độ thẳng đứng chênh lệch rất nhỏ giữa các
trƣờng hợp. Chênh lệch, tuy nhỏ, chủ yếu giữa Reg_Emanuel với 2 trƣờng hợp còn
lại và ở dƣới mực 700 mb. Ở trên mực 300 mb, profile của 3 thí nghiệm dƣờng nhƣ
đồng nhất. Điều này cũng xảy ra với độ ẩm tuyệt đối, trên 300 mb các thí nghiệm
gần nhƣ trùng khít profile, nhƣng dƣới 300 mb, frofile của độ ẩm tuyệt đối có sự
khác biệt lớn hơn rõ rệt. Trong đó, khoảng từ 800 mb đến 300 mb có sự khác biệt
lớn nhất. Khoảng từ 1000 mb đến 850 mb, profile của Reg_Kuo và Reg_Grell gần
nhƣ giống nhau. Trong khoảng này, độ ẩm tuyệt đối của Reg_Emanuel giảm nhanh
hơn một chút so với Reg_Kuo và Reg_Grell. Nhìn chung, Reg_Emanuel cho độ ẩm
tuyệt đối lớn hơn 2 thí nghiệm còn lại ở tất cả các mực, còn Reg_Grell là thấp nhất.
Cuối cùng nhƣng không kém phần đáng chú ý, biểu đồ dạng Hovmoller biểu
diễn trung bình trƣợt 5 ngày của nhiệt độ và lƣợng mƣa tiến triển theo các tháng từ
tháng 5 đến tháng 10 trung bình giai đoạn 1996-2005 của 3 thí nghiệm đƣợc chỉ ra
trong hình 3.13. Giá trị đƣợc đánh giá từ 8oN đến 24
oN, trải dài theo khu vực Việt
Nam từ miền nam ra miền bắc, và lấy trung bình từ 102oE đến 100
oE. Nhìn chung,
Reg_Kuo và Reg_Emanuel mô phỏng trƣờng nhiệt phát triển qua các tháng lớn hơn
so với Reg_Grell, rõ nét ở miền nam (vĩ độ dƣới 10oN). Sự khác biệt cũng nhận
thấy rõ ở khoảng vĩ độ 16oN-18
oN và 20
oN-22
oN. Từ tháng 5 đến tháng 8, sự khác
biệt giữa các thí nghiệm cũng lớn hơn và rõ nét hơn khoảng từ tháng 9 đến tháng
10. Với lƣợng mƣa, sự chênh lệch giữa các thí nghiệm là rất rõ nét. Trong khi
Reg_Kuo cho thấy sự phát triển của lƣợng mƣa trung bình trƣợt 5 ngày nhỏ (khoảng
5-10 mm) và Reg_Grell cũng chỉ thấy lớn hơn một chút (khoảng 15 mm) vào
khoảng sau tháng 7, thì Reg_Emanuel cho thấy lƣợng mƣa lớn ngay từ đầu tháng 6.
Trong trƣờng hợp của Reg_Emanuel, đặc biệt chú ý dải vĩ độ 18oN đến 20
oN vào
các tháng 8, 9 có lƣợng mƣa lớn đáng kể (45 mm). Nhƣ vậy, một cách tổng quát có
53
thể thấy, Reg_Kuo mô phỏng khí hậu khô (lƣợng mƣa nhỏ) với nền nhiệt cao có
khác biệt bắc nam lớn trong khi Reg_Emanuel cũng cho nền nhiệt cao ngay từ các
tháng 5, 6 và vùng có nhiệt độ cao lan rộng hơn về phía bắc lại kèm theo lƣợng mƣa
lớn (bắt đầu khoảng tháng 7). Cuối cùng, Reg_Grell mô phỏng trạng thái “ôn hòa”
hơn cả, với nền nhiệt thấp hơn một chút và lƣợng mƣa nằm ở khoảng giữa so với 2
thí nghiệm còn lại.
54
a. b.
Hình 3.13 Biểu đồ Hovmoller trung bình trƣợt 5 ngày của nhiệt độ (a) và lƣợng
mƣa (b) của các thí nghiệm Reg_Kuo (trên), Reg_Grell (giữa) và Reg_Emanuel
(dƣới)
Tóm lại, bằng các cách biểu diễn và đánh giá khác nhau cho các trƣờng dự
báo hạn mùa từ sản phẩm của RegCM3, ta có thể nhận thấy sự tái tạo tốt của
RegCM3 với trƣờng độ cao địa thế vị, trƣờng gió và trƣờng nhiệt độ. Sự khác biệt
giữa các thí nghiệm (sử dụng các sơ đồ đối lƣu khác nhau) là có thể nhận thấy, đặc
biệt là trƣờng nhiệt độ và lƣợng mƣa trung bình, cũng nhƣ là biến độ ẩm. Xét theo
các mực thẳng đứng khác nhau, cũng nhƣ xét theo sự tiến triển theo mùa trên dải vĩ
độ của Việt Nam, sự khác biệt và đặc tính của các thí nghiệm đƣợc làm rõ hơn.
Trong đó, Reg_Grell cho dự báo hạn mùa với trạng thái “ôn hòa” hơn cả và đánh
giá tổng quan chung là tốt hơn cả.
3.2 Đánh giá kết quả dự báo thử nghiệm bằng Reg_CAMSOM
3.2.1 Đánh giá trường đầu vào nhận được từ CAMSOM
Ở mục trƣớc, các kết quả “dự báo lý tƣởng” khi thiết kế chạy RegCM3 với
đầu vào gần thực (số liệu tái phân tích) đã cho thấy khả năng mô phỏng hạn mùa tốt
của RegCM3. Tiếp theo, kết quả dự báo thử nghiệm của RegCM3 với đầu vào
CAM-SOM sẽ đƣợc đánh giá với 2 thí nghiệm nhỏ. Nhƣng trƣớc khi xem xét kết
55
quả dự báo thử nghiệm của RegCM3 với đầu vào từ mô hình CAMSOM, ta cần
đánh giá trƣờng đầu vào nhận đƣợc từ CAMSOM. Dƣới đây, các từ hình 3.14 đến
3.16 thể hiện trƣờng vectơ gió và độ cao địa thế vị tại các mực 1000, 850 và 500 mb
trung bình các tháng 01, 04, 07 nhận đƣợc từ CAMSOM, đƣợc so sánh với số liệu
tái phân tích NNRP2. Lƣu ý là nhƣ trình bày trong hình 2.4, các tháng thực hiện thí
nghiệm (nhận đầu vào từ CAMSOM) chỉ từ tháng 01 đến tháng 09 nên ở đây chỉ
đánh giá cho các tháng 01, 04, 07. Trƣờng vectơ gió đƣợc thể hiện với vectơ đơn vị
đồng nhất bằng 7 m/s. Trƣờng độ cao địa thế vị đƣợc thể hiện bằng đƣờng contour
màu xanh.
Hình 3.14 Trƣờng vectơ gió và độ cao địa thế vị mực 1000 mb trung bình các tháng
1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới)
56
Một cách tổng quan, trƣờng đầu vào từ CAMSOM khá tƣơng đồng với số
liệu NNRP2, đặc biệt là trong tháng 1. Điều này có thể thấy rõ ở mực 1000 mb,
CAMSOM đã tái tạo khá tƣơng đồng với NNRP2 về trƣờng độ cao địa thế vị và tái
tạo tốt trƣờng gió cho tháng 1. Tuy vậy, trƣờng gió trong tháng 7 của CAMSOM lại
mô phỏng nhỏ hơn nhiều so với NNRP2, đặc biệt là ở phía nam miền phân tích.
Điều này có thể do CAMSOM mô phỏng trung tâm áp cao hơn nhƣng rút về phía
bắc nhiều hơn so với NNRP2. Trƣờng gió trong tháng 1 và tháng 4 trên khu vực
Việt Nam của CAMSOM có giá trị lớn hơn. Nếu xét hẹp trên khu vực Việt Nam thì
hƣớng gió tháng 4 có sự sai khác rõ rệt, ở cả miền bắc và miền nam.
Hình 3.15 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng
1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới)
57
Lên đến mực 850 mb, mô phỏng của CAMSOM lại tốt hơn vào tháng 7 cho
trƣờng độ cao và trƣờng gió so với tháng 1, tháng 4. Tuy trƣờng gió yếu hơn, đặc
biệt là phía nam, nhƣng trƣờng độ cao hợp lý về độ lớn cũng nhƣ sự lấn xuống phía
nam của trung tâm áp. Trong khi đó, ở tháng 1 và tháng 4, các trung tâm áp dƣờng
nhƣ “rút lui” nhiều hơn so với trong biểu diễn của số liệu NNRP2. Điều này dẫn
đến trƣờng gió đồng nhất hơn về hƣớng và độ lớn cao hơn. Tuy vậy, trƣờng gió nếu
chỉ xét trên khu vực Việt Nam thì tái tạo của CAMSOM khác biệt khá nhiều so với
số liệu tái phân tích.
Hình 3.16 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng
1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới)
Ở mực 500 mb, mô phỏng của CAMSOM nhìn chung là tốt nhất trong các
mực, với cả 3 tháng và cả 2 trƣờng. Độ lớn và hình thế phân bố trƣờng độ cao của
58
CAMSOM ở mực này tƣơng đồng cao với số liệu tái phân tích, chỉ khác biệt đôi
chút ở phía đông bắc miền phân tích vào tháng 7. Trƣờng gió đƣợc tái tạo tốt cả về
hƣớng và độ lớn, phía bắc miền phân tích cho mô phỏng tốt hơn phía nam. Nhƣ
vậy, về trƣờng độ cao và trƣờng gió, có thể nói CAMSOM đã tái tạo tốt, cho sự
tƣơng đồng cao khi so sánh với số liệu NNRP2. Điều này sẽ giúp cho việc
downscaling hiệu quả hơn của mô hình RegCM3, khi mà trƣờng dự báo (từ
CAMSOM) gần với trƣờng khí quyển thực (số liệu NNRP2).
3.2.2 So sánh Reg_CAMSOM và Reg_NNRP2
Sau khi đánh giá đƣợc sự tái tạo tốt của CAMSOM, tạo trƣờng đầu vào hiệu
quả cho RegCM3, ta tiến hành thêm một thí nghiệm để đánh giá khả năng dự báo
của RegCM3 với 2 loại đầu vào khác nhau. Kết quả đầu tiên của thí nghiệm 2 (hình
2.4) là kết quả dự báo của RegCM3 với đầu vào CAMSOM và với đầu vào NNRP2
đƣợc so sánh với nhau (TN2a). Hình 3.17 và 3.18 lần lƣợt thể hiện trƣờng nhiệt độ
không khí trung bình mực 2m và trƣờng tổng lƣợng mƣa tháng của các tháng 6, 7, 8
mô phỏng bởi RegCM3 theo số liệu CAMSOM và theo số liệu NNRP2 đƣợc so
sánh với nhau.
59
Hình 3.17 Trƣờng nhiệt độ không khí trung bình mực 2m các tháng 6,7,8 (trên
xuống dƣới) mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa)
và hiệu giữa chúng (phải).
Nhìn chung, cùng tƣơng đồng về sự phân bố nhiệt độ giữa các vùng, sự khác
biệt giữa hai kết quả dự báo của RegCM3 với biến nhiệt độ vẫn có thể nhận thấy.
Tuy có sự khác biệt riêng, nhƣng nhìn chung ở cả 3 tháng, trƣờng nhiệt độ mô
phỏng của Reg_CAMSOM thấp hơn so với Reg_NNRP2 ở miền bắc Việt Nam và
cao hơn ở miền nam. Nhiệt độ chênh lệch khoảng 1oC. Tháng 6, nhiệt độ thấp hơn
của Reg_CAMSOM xảy ra ở các vùng B2, B3, B4 và N2 nhƣng trong tháng 7 chỉ
có vùng B2 là thấp hơn. Tháng 8, các vùng có nhiệt độ của Reg_CAMSOM thấp
hơn là B2, B3 và B4.
60
Hình 3.18 Trƣờng tổng lƣợng mƣa các tháng 6,7,8 (trên xuống dƣới) mô phỏng của
RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và hiệu giữa chúng (phải).
Về lƣợng mƣa, nhìn chung cả 3 tháng, nhận thấy ngay sự lớn hơn đáng kể
của lƣợng mƣa mô phỏng bởi Reg_CAMSOM so với Reg_NNRP2 trên khu vực
Tây Nguyên trong khi lƣợng mƣa thấp hơn nằm ở khu vực B1 và B3. Xét trên khu
vực Việt Nam, vào tháng 6, lƣợng mƣa Reg_CAMSOM lớn hơn Reg_NNRP2 hầu
61
hết các khu vực trong khi vào tháng 8 lại thấp hơn ở phần lớn diện tích Việt Nam.
Sai số chênh lệch giữa 2 mô phỏng là khoảng 50 đến 100 mm. Nhƣ vậy, sự khác
biệt về lƣợng mƣa, đặc biệt ở khu vực miền nam Việt Nam, trong 2 kết quả dự báo
có thể nhận ra rõ rệt.
Hình 3.19 Nhiệt độ không khí trung bình mực 2m các tháng từ tháng 5 đến tháng 9
mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số liệu
quan trắc (phải) tại 48 trạm.
Một lần nữa, để chi tiết hóa hơn việc đánh giá, nguồn số liệu tại trạm đƣợc sử
dụng để so sánh với 2 sản phẩm dự báo trên. Hình 3.19 thể hiện nhiệt độ mực 2m
tính trung bình cho các tháng từ tháng 5 đến tháng 9 từ kết quả mô phỏng của
RegCM3 theo số liệu CAMSOM và NNRP2 so sánh với số liệu quan trắc tại trạm.
Nhìn chung, kết quả mô phỏng của RegCM3 trong cả 2 trƣờng hợp với đầu vào từ
CAMSOM và từ NNRP2 đều thấp hơn so với giá trị quan trắc tại trạm. Các vùng
B2, B3, B4, N1 và N3 thể hiện rõ nét điều này. Chỉ một số trƣờng hợp, một số trạm,
nhiệt độ mô phỏng là cao hơn (nhƣ các trạm thuộc vùng B1 và trạm Đà Lạt). Tuy
vậy, về phân bố nhiệt độ trên toàn Việt Nam, mô phỏng là khá tốt.
62
Hình 3.20 Tổng lƣợng mƣa tháng trung bình trong các tháng từ tháng 5 đến tháng 9
mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số liệu
quan trắc (phải) tại 48 trạm.
Lƣợng mƣa tính trung bình cho các tháng từ tháng 5 đến tháng 9 từ kết quả
mô phỏng của RegCM3 theo số liệu CAMSOM và NNRP2 so sánh với số liệu quan
trắc tại trạm đƣợc thể hiện trong hình 3.20. Lƣợng mƣa mô phỏng bởi RegCM với 2
loại đầu vào khác nhau có sự sai khác không lớn và đều thấp hơn so với số liệu
quan trắc. Mô phỏng tốt có thể nhận thấy ở vài trƣờng hợp riêng biệt, nhƣ các trạm
ven biển Ninh Thuận. Đáng chú ý là mô phỏng của Reg_CAMSOM đặc biệt rất
thấp ở khu vực B2.
63
Hình 3.21 Sai số mô phỏng nhiệt độ không khí trung bình mực 2m từ tháng 5 đến
tháng 9 của RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại 48
trạm.
Để thấy rõ hơn sai số trong mô phỏng của Reg_CAMSOM và Reg_NNRP2,
hình 3.21 thể hiện nhiệt độ tính trung bình cho các tháng từ tháng 5 đến tháng 9 từ
kết quả mô phỏng của RegCM3 theo số liệu CAMSOM và NNRP2 so sánh với số
liệu quan trắc tại 48 trạm. Có thể nhận thấy rõ hơn sự mô phỏng thấp hơn đáng kể
của 2 thí nghiệm so với số liệu quan trắc. Tuy nhiên vẫn có những trạm mô phỏng
xấp xỉ hoặc cao hơn quan trắc, điển hình là các trạm thuộc khu vực Tây Nguyên
(nhƣ Bảo Lộc, Kontum, Playcu). Sai số mô phỏng khoảng 2-3oC. Các trạm thuộc
vùng N3 (nhƣ Cà Mau, Cần Thơ) có kết quả mô phỏng tốt hơn cả. Ở phần lớn các
trạm, mô phỏng của Reg_NNRP2 là cao hơn Reg_CAMSOM, chỉ có một số trạm
(nhƣ Điện Biên, Sơn La, Bảo Lộc, Đà Lạt) là Reg_CAMSOM mô phỏng cao hơn.
0
5
10
15
20
25
30
35
DIE
NB
IEN
LA
ICH
AU
MO
CC
HA
US
ON
LA
HA
GIA
NG
TH
AIN
GU
YE
NT
UY
EN
QU
AN
G
YE
NB
AI
BA
CQ
UA
NG
LA
NG
SO
N
SA
PA
BA
ICH
AY
CO
TO
BA
CH
LO
NG
VI
HA
NO
I
HO
AB
INH
NA
MD
INH
NIN
HB
INH
PH
UL
IEN
DO
NG
HA
DO
NG
HO
I
HA
TIN
H
HO
IXU
AN
HU
E
HU
ON
GK
HE
NA
MD
ON
G
TH
AN
HH
OA
TU
ON
GD
UO
NG
VIN
H
BA
TO
DA
NA
NG
NH
AT
RA
NG
PH
AN
TH
IET
PH
UQ
UY
QU
YN
HO
N
TR
AM
Y
TU
YH
OA
AY
UN
PA
BU
ON
MA
TH
UO
T
BA
OL
OC
DA
LA
T
KO
NT
UM
PL
AY
CU
CA
MA
U
CA
NT
HO
CO
ND
AO
RA
CH
GIA
VU
NG
TA
U
Trạm
T2m (oC)
Reg_CAMSOM Reg_NNRP2 Quan trắc
0
200
400
600
800
DIE
NB
IEN
LA
ICH
AU
MO
CC
HA
U
SO
NL
AH
AG
IAN
G
TH
AIN
GU
YE
NT
UY
EN
QU
AN
G
YE
NB
AI
BA
CQ
UA
NG
LA
NG
SO
NS
AP
A
BA
ICH
AY
CO
TO
BA
CH
LO
NG
VI
HA
NO
IH
OA
BIN
H
NA
MD
INH
NIN
HB
INH
PH
UL
IEN
DO
NG
HA
DO
NG
HO
IH
AT
INH
HO
IXU
AN
HU
E
HU
ON
GK
HE
NA
MD
ON
G
TH
AN
HH
OA
TU
ON
GD
UO
NG
VIN
HB
AT
O
DA
NA
NG
NH
AT
RA
NG
PH
AN
TH
IET
PH
UQ
UY
QU
YN
HO
NT
RA
MY
TU
YH
OA
AY
UN
PA
BU
ON
MA
TH
UO
T
BA
OL
OC
DA
LA
T
KO
NT
UM
PL
AY
CU
CA
MA
UC
AN
TH
O
CO
ND
AO
RA
CH
GIA
VU
NG
TA
U
Trạm
Tpr (mm)Reg_CAMSOM Reg_NNRP2 Quan trắc
64
Hình 3.22 Sai số mô phỏng lƣợng mƣa trung bình các tháng từ tháng 5 đến tháng 9
của RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại 48 trạm.
Hình 3.22 tƣơng tự nhƣ hình 3.21 nhƣng cho lƣợng mƣa. Mô phỏng thiên
thấp của Reg_CAMSOM và Reg_NNRP2 đƣợc thấy rõ khi so sánh tại từng điểm
trạm. Mô phỏng thiên thấp này đặc biệt thấy rõ ở các trạm thuộc vùng B1 (nhƣ Hà
Giang, Lai Châu), B2 (nhƣ Sapa, Bắc Quang) và N2 (nhƣ Bảo Lộc, Playcu). Tại các
trạm mô phỏng của Reg_CAMSOM và Reg_NNRP2 khá tƣơng đồng, với xu thế
cao hơn một chút của Reg_NNRP2 ở đa phần các trạm.
Đến đây, có thể rút ra đƣợc nhận xét về mô phỏng thấp hơn của
Reg_CAMSOM cũng nhƣ Reg_NNRP2 so với số liệu quan trắc về cả nhiệt độ và
lƣợng mƣa, tuy cả 2 kết quả dự báo cho phân bố theo vùng tốt. Kết quả dự báo của
Reg_CAMSOM và Reg_NNRP2 cũng tồn tại sự khác biệt có thể nhận thấy, với sự
tái tạo cao hơn một chút của Reg_NNRP2.
3.2.3 Đánh giá kết quả Reg_CAMSOM
Reg_CAMSOM sau khi đƣợc đánh giá chất lƣợng dự báo ở thí nghiệm trƣớc
sẽ đƣợc thiết lập chạy thử nghiệm tựa nhƣ nghiệp vụ với leadtime cao nhất là 3
tháng (theo TN2b, hình 2.4) cho giai đoạn 2001-2005. Theo nhƣ thiết kế thí nghiệm
chạy dự báo bằng mô hình RegCM3 với đầu vào CAMSOM (Hình 2.4), có 3 tháng
có đầy đủ kết quả dự báo với các leadtime khác nhau từ leadtime=0 đến leadtime=3.
Xin nhắc lại là leadtime thể hiện khoảng thời gian từ khi có sản phẩm dự báo (phát
báo) đến thời điểm dự báo (thời điểm bản tin có hiệu lực). Nhƣ vậy leadtime tăng
lên tức là ta có bản tin dự báo sớm hơn, thời điểm đƣợc dự báo trƣớc xa hơn. Việc
dự báo sớm hơn tạo điều kiện tốt hơn cho các ứng dụng khác của bản tin dự báo,
tuy nhiên cũng cần tránh việc do dự báo quá sớm (leadtime lớn) dẫn đến sai số lớn
của bản tin. Do đó, việc đánh giá kết quả dự báo với các leadtime khác nhau có ý
nghĩa trong việc xác định đƣợc leadtime hợp lý nhất. Trƣớc hết ta đánh giá kết quả
dự báo nhiệt độ trung bình mực 2m và lƣợng mƣa trung bình tháng của 3 tháng này
65
bằng cách so sánh với số liệu CRU. Hình 3.23 hiển thị nhiệt độ trung bình mực 2m
của 3 tháng 4, 5, 6 theo số liệu CRU trong giai đoạn 2001-2005. Các hình từ hình
3.24 đến 3.26 thể hiện sai số dự báo nhiệt độ mực 2m của Reg_CAMSOM so với số
liệu CRU trong các tháng 4, 5, 6 với các leadtime khác nhau.
Hình 3.23 Nhiệt độ không khí trung bình mực 2m của (a) tháng 4, (b) tháng 5, (c)
tháng 6 theo số liệu CRU.
Theo số liệu CRU, nhiệt độ trung bình mực 2m của các tháng 4, 5, 6 nằm
trong khoảng từ 23oC đến 30
oC. Ở khu vực miền bắc của Việt Nam (các vùng B1,
B2, B3) nhiệt độ tăng lên khoảng 2-3oC từ tháng 4 đến tháng 6, trong khi khu vực
miền trung và miền nam, nền nhiệt duy trì cao và ít có sự thay đổi. Sự tăng cƣờng
ảnh hƣởng của áp thấp nóng phía tây bắt đầu rõ rệt vào khoảng cuối tháng 3, đầu
tháng 4 đối với các phân vùng khí hậu miền Bắc là nguyên nhân chính tạo ra sự
khác biệt này.
66
Hình 3.24 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 4 với các
leadtime khác nhau
Trong tháng 4, nhìn chung dự báo nhiệt độ mực 2m của Reg_CAMSOM
thấp hơn nhiều (khoảng 3oC) so với số liệu CRU. Và trong các leadtime khác nhau
sai số dự báo là không khác biệt nhiều trên khu vực Việt Nam (khu vực Đông Bắc,
thuộc miền nam Trung Quốc sai số có sự khác biệt rõ nét hơn. Trên khu vực Việt
Nam, sai số lớn hơn cả là ở vùng B1, nơi địa hình cao (dãy Hoàng Liên Sơn), duy
trì sai số lớn qua các leadtime khác nhau. Trong khi đó khu vực B2 và B3, đặc biệt
là đồng bằng Bắc Bộ, kết quả dự báo có vẻ tốt hơn cả, sai số khoảng 1.5oC. Sai số ở
khu vực này tăng lên khi leadtime tăng lên, trong đó kết quả dự báo tại leadtime=1
cho kết quả khả quan nhất. Sai số dự báo ở miền Trung và miền Nam không có sự
khác biệt lớn giữa các leadtime khác nhau, trong đó với leadtime=2 kết quả sai số
thấp hơn các trƣờng hợp còn lại. Dƣờng nhƣ có sự nhạy cảm với địa hình trong kết
quả dự báo. Lƣu ý đầu tiên là tại leadtime=2, kết quả dự báo nhìn chung là cho sai
67
số nhỏ nhất trong các trƣờng hợp, khi tăng lên leadtime=3 sai số dự báo càng thiên
âm nhiều hơn.
Hình 3.25 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 5 với các
leadtime khác nhau
Kết quả dự báo trong tháng 5 tốt hơn so với trong tháng 4, với sai số nằm
trong khoảng 1.5oC. Sai số vẫn duy trì xu thế thiên âm trên toàn Việt Nam, sai số
cho xu thế thiên âm chỉ xuất hiện trên một khu vực nhỏ thuộc Trung Quốc. Khu vực
B1 vẫn là nơi có sai số lớn hơn cả (khoảng 3.5oC) trong khi đó giá trị sai số không
còn sự khác biệt nhiều giữa vùng đồng bằng Bắc Bộ và các vùng khác thuộc miền
trung và miền nam của cả nƣớc. Xu thế sai số giảm khi leadtime tăng lên (từ 0 đến 3
tháng) xuất hiện, với sai số thấp hơn cả khi leadtime=3. Đây là một điểm khác biệt
so với kết quả dự báo trong tháng 4.
68
Hình 3.26 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 6 với các
leadtime khác nhau
Trong tháng 6, sai số dự báo tuy vẫn duy trì xu thế thiên âm nhƣng chỉ còn
khoảng 1oC. Trong 3 tháng đánh giá ở đây, kết quả dự báo tháng 6 là tốt nhất. Tuy
vậy cũng cần lƣu ý là nền nhiệt trong tháng 6 là cao nhất trong 3 tháng và sự khác
biệt giữa các vùng trên khu vực Việt Nam cũng không lớn, nhƣ đã chỉ ra trong hình
3.23. Sai số lớn vẫn nằm trong vùng B1, và các sai số nhỏ nằm ở vùng đồng bằng
Bắc Bộ, vùng B4 và khu vực Nam Bộ. Sai số đƣợc cải thiện khi leadtime tăng lên,
có thể thấy rõ ở khu vực Đông Bắc Bộ, Tây Nguyên và Nam Trung Bộ.
Nhƣ vậy, sai số dự báo nhiệt độ 2m trong cả 3 tháng khi xét với các leadtime
khác nhau đều cho xu thế thiên âm trên khu vực Việt Nam. Vùng núi có địa hình
cao thuộc khu vực B1 có sai số dự báo cao nhất, trong khi vùng đồng bằng Bắc Bộ
có sai số thấp hơn cả. Ở các tháng 5, 6 sai số dự báo giảm khi leadtime tăng từ 0
69
tháng lên 3 tháng. Một cách hiểu đơn giản là dự báo sớm cho kết quả sai số thấp
hơn hay việc tăng leadtime đến một khoảng thời gian thích hợp đã cải thiện kết quả
dự báo. Cần nhiều đánh giá hơn để có thể kết luận điều này. Nhƣng cũng lƣu ý về
nền nhiệt các tháng 5 và 6 là đồng đều hơn trên khu vực Việt Nam so với tháng 4.
Hình 3.27 Lƣợng mƣa trung bình của (a) tháng 4, (b) tháng 5, (c) tháng 6 theo số
liệu CRU.
Lƣợng mƣa trung bình tháng 4, 5, 6 trong giai đoạn 2001-2005 theo số liệu
CRU đƣợc hiển thị trong hình 3.27. Các hình từ Hình 3.28 đến 3.30 thể hiện sai số
dự báo lƣợng mƣa của Reg_CAMSOM so với số liệu CRU trong các tháng 4, 5, 6
với các leadtime khác nhau. Theo số liệu CRU, lƣợng mƣa các tháng 5 và 6 lớn hơn
nhiều so với tháng 4. Lƣợng mƣa trung bình tháng 4 trên khu vực Việt Nam nằm
trong khoảng 50 đến 100 mm trong khi đó lƣợng mƣa trung bình các tháng 5 và 6
nằm trong khoảng 400 mm. Khu vực ven biển Nam Trung Bộ lƣợng mƣa thấp hơn
so với các khu vực còn lại trong cả nƣớc.
70
Hình 3.28 Sai số dự báo lƣợng mƣa trung bình của tháng 4 với các leadtime khác
nhau
Dự báo lƣợng mƣa trong tháng 4 cho sai số thiên âm trên hầu hết khu vực
Việt Nam ngoại trừ khu vực ven biển Nam Trung Bộ cho dự báo thiên dƣơng. Sai
số dự báo lƣợng mƣa nằm khoảng 200 mm đối với dự báo thiên âm và khoảng 100
mm đối với vùng có kết quả thiên dƣơng. Nhìn chung, sai số dự báo các khu vực
đƣợc cải thiện khi leadtime tăng lên (từ 0 đến 3 tháng). Chỉ đặc biệt khu vực ven
biển Nam Trung Bộ, nơi cho dự báo thiên dƣơng, giá trị sai số dự báo nhỏ nhất nằm
trong khoảng 30 mm lại trong trƣờng hợp leadtime=1. Đến leadtime=3, khu vực dự
báo thiên dƣơng có xu hƣớng co dần lên khu vực Bắc Trung Bộ. Nhìn chung, nhƣ
dự tính trƣớc, kết quả dự báo lƣợng mƣa cho sai số lớn.
71
Hình 3.29 Sai số dự báo lƣợng mƣa trung bình của tháng 5 với các leadtime khác
nhau
Trong tháng 5, sai số dự báo lƣợng mƣa có sự khác biệt giữa các khu vực
trong cả nƣớc rõ nét hơn và xu thế dự báo thiên âm chiếm ƣu thế gần nhƣ toàn bộ
trên khu vực Việt Nam trong tất cả các trƣờng hợp. Trong đó, xuất hiện khu vực có
sai số nhỏ hơn hẳn nằm trong khu vực Tây Nguyên. Sai số tại khu vực này có sự
khác biệt giữa các leadtime khác nhau, chuyển từ thiên dƣơng sang thiên âm với sai
số khoảng 30 mm. Khu vực ven biển Nam Trung Bộ vẫn là khu vực cho sai số thiên
âm nhỏ hơn các khu vực khác, khoảng 50 mm. Mặt khác, khu vực B2 và B3 lại là
nơi cho kết quả dự báo thiên âm lớn nhất, lên đến khoảng 300 mm. Nhìn lại hình
3. 27, đây là khu vực có lƣợng mƣa lớn hơn so với các khu vực khác trong cả nƣớc,
tuy vậy khu vực B4 cũng có lƣợng mƣa xấp xỉ nhƣng sai số lại không rõ nét nhƣ
vậy. Một điểm lƣu ý nữa là việc thay đổi leadtime dƣờng nhƣ không cải thiện đƣợc
sai số dự báo.
72
Đối với tháng 6, giá trị sai số thiên âm chiếm toàn bộ miền đánh giá, với sai
số trong khoảng 100 đến 400 mm. Đặc biệt, sai số lớn xuất hiện ở khu vực B4 duy
trì rõ nét trong tất cả các trƣờng hợp leadtime khác nhau. Đây là khu vực có lƣợng
mƣa lớn theo số liệu CRU (hình 3. 30). Một lần nữa khu vực có sai số nhỏ là Nam
Trung Bộ và Tây Nguyên, thấp hơn quan trắc khoảng 50 mm. Giữa các leadtime
khác nhau không có sự khác biệt về sai số lớn, hay việc thay đổi leadtime không cải
thiện đƣợc sai số nhìn chung trên khu vực Việt Nam. Tuy vậy, khi xét khu vực nhỏ
hơn (nhƣ B1 hay N3) thì cũng có sự thay đổi nhận thấy đƣợc về sai số trong các
trƣờng hợp leadtime khác nhau.
Hình 3.30 Sai số dự báo lƣợng mƣa trung bình của tháng 6 với các leadtime khác
nhau
Đến đây, qua đánh giá dự báo lƣợng mƣa cho các tháng 4, 5, 6 có thể nhận
thấy việc thay đổi leadtime không chỉ ra đƣợc cải thiện hay khác biệt nào lớn trong
việc dự báo lƣợng mƣa. Những khu vực có lƣợng mƣa lớn có sai số dự báo lớn hơn
73
cả, điều này có thể lý giải do việc mô phỏng khô hơn của Reg_CAMSOM đƣợc
phân tích trong kết quả của thí nghiệm TN2a (mục 3.2.2). Bên cạnh đó, đây là kết
quả dự báo lấy trung bình trong giai đoạn 2001-2005, mà chƣa tách biệt để đánh giá
các năm chịu tác động đặc biệt của các hiện tƣợng nhƣ ENSO (mục 3.1.1).
Để đánh giá kĩ hơn, sử dụng nguồn số liệu quan trắc tại trạm ta tiến hành
đánh giá sai số dự báo với các leadtime khác nhau và các tháng cần dự báo khác
nhau. Hình 3.31 đến hình 3.36 thể hiện các chỉ tiêu đánh giá của kết quả dự báo
nhiệt độ 2m và lƣợng mƣa bằng mô hình RegCM3, so sánh với số liệu quan trắc.
Các chỉ tiêu đó là sai số trung bình (ME), sai số trung bình tuyệt đối (MAE), sai số
quân phƣơng (RMSE) và hệ số tƣơng quan (CC). Các kết quả đƣợc thể hiện trên đồ
thị với trục tung thể hiện leadtime (từ 0 đến 3 tháng) và trục hoành thể hiện tháng
cần dự báo. Các kết quả đƣợc xét trên tất cả các trạm (48 trạm), đồng thời xét riêng
cho các trạm thuộc các vùng B1, B2, B3, B4 (tạm gọi là miền Bắc) và các trạm
thuộc vùng N1, N2, N3 (tạm gọi là miền Nam).
ME MAE
RMSE CC
Hình 3.31 Sai số dự báo nhiệt độ mực 2m tại 48 trạm.
Đối với dự báo nhiệt độ mực 2m, nhìn chung sai số dự báo giảm khi dự báo
các tháng mùa hè (tháng 6, 7, 8) so với dự báo cho các tháng mùa đông (tháng 1, 2).
74
RMSE giảm từ 4oC xuống khoảng 2.5
oC. Nền nhiệt mùa hè cao, kết hợp với biên độ
dao động nhiệt của mùa hè cũng thấp hơn so với mùa đông có thể là nguyên nhân
của sự chênh lệch sai số này. Trong dự báo từng tháng việc thay đổi leadtime không
có sự khác biệt lớn về sai số dự báo (chỉ chênh lệch khoảng 0.2oC). Dự báo thiên âm
trong tất cả các trƣờng hợp, tƣơng đồng với kết quả khi so sánh với số liệu CRU. Hệ
số tƣơng quan cao nằm ở các tháng mùa đông (tháng 1, 2) với hệ số khoảng 0.8.
ME MAE
RMSE CC
Hình 3.32 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Bắc
Khi chỉ xét riêng cho các trạm miền Bắc, dự báo vẫn cho kết quả thấp hơn so
với quan trắc, khoảng 3oC. Dự báo các tháng mùa đông cho các trạm miền Bắc vẫn
cho sai số lớn hơn so với dự báo các tháng trong mùa hè. Khi chỉ xét riêng các trạm
miền bắc, hệ số tƣơng quan chỉ còn nằm trong khoảng 0.5 đến 0.7. Việc thay đổi
leadtime (tăng từ 0 đến 3 tháng) không tác động nhiều đến sai số. Sai số giảm nhẹ
khi dự báo các tháng 5, 6 và 7, cũng chỉ khoảng 0.2oC. Sai số tăng lên khi dự báo
các tháng 3 và 4.
75
ME MAE
RMSE CC
Hình 3.33 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Nam
Xu thế dự báo nhiệt độ thiên âm vẫn thấy khi chỉ xét riêng các trạm miền
Nam tuy vậy sự giảm sai số dự báo khi leadtime tăng có thể đƣợc nhận thấy ở một
số trƣờng hợp. Các tháng 5 và 6 cho thấy rõ điều này khi sai số giảm khoảng 0.2oC
từ leadtime 1 đến 3. Tuy vậy, bên cạnh đó, các tháng nhƣ 2, 3, 4 lại cho thấy sai số
dự báo tăng khi leadtime tăng. Hệ số tƣơng quan nhận đƣợc chỉ khoảng 0.55.
ME MAE
76
RMSE CC
Hình 3.34 Sai số dự báo lƣợng mƣa tại 48 trạm.
Sai số dự báo lƣợng mƣa vẫn cho giá trị thiên âm giống nhƣ với biến nhiệt
độ ở tất cả các tháng cần dự báo và các leadtime khác nhau. Nếu xét trên cả 48 trạm
thì sự thay đổi leadtime không làm thay đổi nhiều sai số dự báo. Có thể thấy điều
này rõ nét ở tháng 5, 6 và 7. Sai số các tháng từ tháng 5 đến tháng 9 lớn hơn các
tháng từ 1 đế 4. Hệ số tƣơng quan thấp hơn nhiều so với biến nhiệt độ, chỉ khoảng
0.2.
ME MAE
RMSE CC
Hình 3.35 Sai số dự báo lƣợng mƣa tại các trạm miền Bắc
Hình 3.35 và 3.36 thể hiện sai số dự báo lƣợng mƣa khi xét riêng cho các
trạm miền Bắc và các trạm miền Nam. Nhìn chung, xu thế sai số tƣơng đồng với khi
77
xét cho cả khu vực Việt Nam. Sai số các tháng từ tháng 5 trở đi lớn hơn sai số dự
báo trong các tháng trƣớc đó. Xu thế dự báo vẫn thiên âm rõ rệt và hệ số tƣơng quan
khá thấp. Sự thay đổi sai số dự báo khi thay đổi các leadtime cũng không rõ rệt. Có
thể nhận thấy ở tháng 5, 6 đối với các trạm miền Bắc và tháng 3, 4 đối với các trạm
miền Nam.
Nhƣ vậy, nhìn chung, đối với cả hai biến nhiệt độ và lƣợng mƣa, xu thế dự
báo thiên âm rõ rệt khi thực hiện các đánh giá. Bên cạnh đó, ảnh hƣởng của các
leadtime khác nhau (theo nhƣ thí nghiệm) không đƣợc nhận thấy rõ nét. Sai số dự
báo lớn, còn hệ số tƣơng quan chỉ tốt đối với biến nhiệt độ và khá kém đối với biến
lƣợng mƣa.
ME MAE
RMSE CC
Hình 3.36 Sai số dự báo lƣợng mƣa tại các trạm miền Nam
78
KẾT LUẬN
Ý nghĩa khoa học và thực tiễn của bài toán dự báo hạn mùa đã đƣợc chỉ ra,
trên quy mô toàn cầu. Từ đó, luận văn đã hoàn thành nghiên cứu khả năng ứng dụng
mô hình RegCM3 dự báo hạn mùa ở khu vực Việt Nam. Mục tiêu chính là thử
nghiệm các sơ đồ tham số hóa khác nhau của RegCM3 trong việc mô phỏng hạn
mùa đối với khu vực Việt Nam và đồng thời kết hợp đầu ra của mô hình toàn cầu (ở
đây là hệ thống CAM-SOM) để thực hiện dự báo hạn mùa.
Một số kết luận ban đầu là:
+ Mô hình RegCM3 tái tạo tốt các trƣờng độ cao và trƣờng gió trong mùa hè
(từ tháng 4 đến tháng 10) của giai đoạn đƣợc nghiên cứu (1996-2005). Kết quả mô
phỏng ở các mực đƣợc đánh giá trong chƣơng 3 đã chỉ ra điều đó.
+ Mô hình RegCM3 cũng tái tạo tốt trƣờng nhiệt độ 2m ở với cả 3 sơ đồ
tham số hóa đối lƣu khác nhau (phân bố nhiệt độ tƣơng đồng với quan trắc, sai số
xấp xỉ 1oC). Riêng đối với biến lƣợng mƣa, có sự khác biệt lớn khi thay đổi các sơ
đồ. Trong đó, Reg_Grell cho kết quả mô phỏng “ôn hòa” và gần với quan trắc hơn
cả, còn Reg_Emanuel lại cho lƣợng mƣa quá lớn.
+ Mô hình RegCM3 có khả năng kết hợp đƣợc với hệ thống mô hình
CAMSOM. Chƣơng trình để đọc đầu ra của CAMSOM tạo đầu vào cho RegCM3
đƣợc phát triển. Các kết quả mô phỏng khi đƣợc so sánh với trƣờng hợp đầu vào là
số liệu tái phân tích cũng cho kết quả tốt.
+ Với thiết kế dự báo ban đầu (chạy với leadtime từ 0 đến 3 tháng), các kết
quả chƣa cho thấy rõ sự khác biệt rõ nét giữa các leadtime khác nhau. Xu thế dự báo
thiên âm là rõ rệt đối với cả biến nhiệt độ và lƣợng mƣa. Cần có sự hiệu chỉnh kết
quả nếu nghiên cứu kĩ hơn sau này.
79
TÀI LIỆU THAM KHẢO
Tiếng Việt
1. Nguyễn Đức Ngữ (2007), “Tác động của ENSO đến thời tiết, khí hậu, môi
trƣờng và kinh tế xã hội ở Việt Nam”, Hội thảo chuyên đề về Đa dạng sinh
học và Biến đổi khí hậu: Mối liên quan tới Đói nghèo và Phát triển bền
vững, Hà Nội, Ngày 22-23 tháng 5, 2007.
2. Phan Văn Tân, Hồ Thị Minh Hà, Lƣơng Mạnh Thắng, Trần Quang Đức
(2009), “Về khả năng ứng dụng mô hình RegCM vào dự báo hạn mùa các
trƣờng khí hậu bề mặt ở Việt Nam”, Tạp chí Khoa học ĐHQGHN, Khoa học
Tự nhiên và Công nghệ 25 (2009), tr. 241-251.
3. Phan Văn Tân (2010), “Nghiên cứu tác động của biến đổi khí hậu toàn cầu đến
các yếu tố và hiện tƣợng khí hậu cực đoan ở Việt Nam, khả năng dự báo và
giải pháp chiến lƣợc ứng phó”, Đề tài cấp Nhà nước, mã số KC08.29/06-10.
4. Phạm Đức Thi (1987), “Xây dựng một số phƣơng pháp dự báo hạn vừa, hạn dài
nhiệt độ mùa đông và mƣa mùa hè khu vực phía bắc Việt Nam”, Tổng cục
KTTV Đề tài Chương trình 42.
5. http://www.imh.ac.vn/
Tiếng Anh
6. Baede, A. P. M., M. Jarraud, and U. Cubasch (1979), “Adiabatic formulation
and organization of ECMWF's model”, Technical Report 15, ECMWF,
Reading, U.K.
7. Bath, L. M., M. A. Dias, D. L. Williamson, G. S. Williamson, and R. J. Wolski
(1987), “User's Guide to NCAR CCM1”, Technical Report NCAR/TN-
286+IA, National Center for Atmospheric Research, Boulder, CO, 173 pp.
8. Bath, L., J. Rosinski, and J. Olson (1992), “User's Guide to NCAR CCM2”,
Technical Report NCAR/TN-379+IA, National Center for Atmospheric
Research, Boulder, CO, 156 pp.
9. Bergant K., Belda M., Halenka T. (2007), “Systematic errors in the simulation
of European climate (1961-2000) with RegCM3 driven by NCEP/NCAR
reanalysis”, International Journal of Climatology Vol. 27 (4), pp. 455-472.
10. Bourke, W., B. McAvaney, K. Puri, and R. Thurling (1977), “Global modeling
of atmospheric flow by spectral methods, in Methods in Computational
Physics”, Vol. 17, 267-324, Academic Press, New York.
11. Briegleb, B. P. (1992), “Delta-Eddington approximation for solar radiation in
the NCAR Community Climate Model”, J. Geophys. Res., 97, 7603-7612.
80
12. Cantelaube, P., Terres, J.M., (2005) “Seasonal weather forecasts for crop yield
modelling in Europe”, Tellus Series a-Dyn. Meteorol. Ocea-
nogr. 57 (3), 476–487
13. Challinor, AJ; Slingo, JM; Wheeler, TR; Doblas-Reyes,FJ (2005) “Probabilistic
simulations of crop yield over western India using the DEMETER
seasonal hindcast ensembles”, TELLUS A, 57, pp.498-512.
14. Collins, W. D., P. J. Rasch, et al. (2004), “Description of the NCAR
Community Atmosphere Model (CAM 3.0)”, NCAR Tech Note NCAR/TN-
464+STR, National Center for Atmospheric Research, Boulder, CO 80307.
15. David Lavers, Lifeng Luo, and Eric F. Wood (2009), “A multiple model
assessment of seasonal climate forecast skill for applications”,
GEOPHYSICAL RESEARCH LETTERS, VOL. 36, L23711.
16. Dickinson R. E., R. M. Errico, F. Giorgi, and G. T. Bates (1989), “A regional
climate model for the western united states”, Clim. Change, 15, 383-422.
17. Dickinson R.E., Henderson-Sellers A., Kennedy P.J. (1993), “Biosphere-
atmosphere transfer scheme (Bats) version 1e as coupled to the ncar
community climate model”, Tech. rep., National Center for Atmospheric
Research.
18. Giorgi, F. and G. T. Bates, (1989), “The climatological skill of a regional model
over complex terrain”, Mon. Wea. Rev., 117, 2325-2347.
19. Giorgi Filippo, Maria Rosaria Marinucci, and Gary T. Bates (1993ª),
“Development of a Second-Generation Regional Climate Model (RegCM2).
Part I: Boundary-Layer and Radiative Transfer Processes”, Mon. Wea. Rev.,
121, 27912813.
20. Giorgi, F., M.R. Marinucci, G.T. Bates, and G. DeCanio (1993b), “Development
of a second generation regional climate model (REGCM2). Part II:
Convective processes and assimilation of lateral boundary conditions”,
Monthly Weather Review, 121, 2814-2832.
21. Giorgi, F. and C. Shields, (1999), “Tests of precipitation parameterizations
available in the latest version of the NCAR regional climate model (RegCM)
over the continental United States”, Journal of Geophysical Research, 104,
6353-6375
22. Hack, J. J., B. A. Boville, B. P. Briegleb, J. T. Kiehl, P. J. Rasch, and D. L.
Williamson (1993), “Description of the NCAR Community Climate Model
(CCM2)”, Technical Report NCAR/TN-382+STR, National Center for
Atmospheric Research, 120 pp.
23. Hansen, J., A. Lacis, D. Rind, G. Russell, P. Stone, I. Fung, R. Ruedy, and
J. Lerner (1984), “Climate sensitivity: Analysis of feedback mechanisms,
81
in Climate Processes and Climate Sensitivity”, edited by J. E. Hansen, and
T. Takahashi, 130-163, Amer. Geophys. Union, Washington, D.C.
24. Holtslag A.A.M., Bruijn E.I.F., Pan H.-L. (1990), “A high resolution air mass
transformation model for short-range weather forecasting”, Mon. Wea. Rev.
Vol. 118, pp. 1561–1575.
25. Kasahara, A. (1974), “Various vertical coordinate systems used for numerical
weather prediction”, Mon. Wea. Rev., 102, 509-522.
26. Kiehl, J. T., J. Hack, G. Bonan, B. Boville, B. Briegleb, D. Williamson, and
P. Rasch, (1996), “Description of the NCAR Community Climate Model
(CCM3)”, Technical Report NCAR/TN-420+STR, National Center for
Atmospheric Research, Boulder, Colorado, 152 pp.
27. Koster, Randal D., Max J. Suarez, Ping Liu, Urszula Jambor, Aaron Berg,
Michael Kistler, Rolf Reichle, Matthew Rodell, and Jay Famiglietti (2004),
“Realistic Initialization of Land Surface States: Impacts on Subseasonal
Forecast Skill”, J Hydrometeorology, 5(6), 1049
28. McAvaney, B. J., W. Bourke, and K. Puri (1978) “A global spectral model for
simulation of the general circulation”, J. Atmos. Sci., 35, 1557-1583.
29. Nellie Elguindi, Xunqiang Bi, Filippo Giorgi, Badrinath Nagarajan, Jeremy Pal,
and Fabien Solmon (2004), “RegCM Version 3.0 User's Guide”, Physics of
Weather and Climate Group, International Centre for Theoretical Physics,
MIRAMARE TRIESTE, February 2004
30. New Attachment II-9 to the Manual on the GDPS (WMO-No. 485),Volume I,
(2002), “Standardised Verification System (SVS) for Long-Range
Forecasts(LRF) Version 3.0”, August 12 2002 SVS for LRF.
31. Palmer, T. N., Alessandri, A., Andersen, U., Cantelaube, P., Davey, M.,
D´el´ecluse, P., D´equ´e, M., D´ıez, E., Doblas-Reyes, F. J., Feddersen, H.,
Graham, R., Gualdi, S., Gu´er´emy, J.-F., Hagedorn, R., Hoshen, M.,
Keenlyside, N., Latif, M., Lazar, A., Maisonnave, E., Marletto, V., Morse,
A. P., Orfila, B., Rogel, P., Terres, J.-M. and Thomson, M. C. (2004)
“Development of a European multimodel ensemble system for seasonal-to-
interannual prediction (DEMETER)”, Bull. Am. Meteorol. Soc., 85, 853–872
32. Saha, S., and Coauthors, (2006), “The NCEP Climate Forecast System”, J.
Climate, 19, 3483–3517.
33. Simmons, A. J., and R. Strüfing (1981), “An energy and angular-momentum
conserving finite-difference scheme, hybrid coordinates and medium-range
weather prediction”, Technical Report ECMWF Report No. 28, European
Centre for Medium-Range Weather Forecasts, Reading, U.K., 68 pp.
82
34. Singh G.P., Oh J., Kim J., Kim O. (2006), “Sensitivity of Summer Monsoon
Precipitation over East Asia to Convective Parameterization Schemes in
RegCM3”, SOLA Vol. 2 (029-032).
35. Stockdale, T. (2000), “An overview of techniques for seasonal
forecasting”, Stochastic Environ. Res. Risk Assess., 14, 305–318
36. Sundqvist H., Berge E., Kristjansson J.E. (1989), “Condensation and cloud
parameterization studies with a mesoscale numerical weather prediction
model”, Mon. Wea. Rev. Vol. 117, pp. 1641-1657.
37. Sylla M. B. & A. T. Gaye & J. S. Pal & G. S. Jenkins & X. Q. Bi, (2009),
“High-resolution simulations of West African climate using regional climate
model (RegCM3) with different lateral boundary conditions”, Theor Appl
Climatol 98:293–314
38. Thomson, M.C., F.J. Doblas-Reyes, S.J. Mason, R. Hagedorn, S.J. Connor, T.
Phindela, A.P. Morse and T.N. Palmer (2006), “Malaria early warnings
based on seasonal climate forecasts from multi-model ensembles”, Nature,
439, 576-579.
39. Washington, W. M. (1982), “Documentation for the Community Climate Model
(CCM)”, Version Φ, Technical Report NTIS No. PB82 194192, National
Center for Atmospheric Research, Boulder, Colorado.
40. Williamson, D. L. (1983), “Description of NCAR Community Climate Model
(CCM0B)”, Technical Report NCAR/TN-210+STR, National Center for
Atmospheric Research, Boulder, Colorado, NTIS No. PB83 23106888,
88 pp.
41. Williamson, D. L., J. T. Kiehl, V. Ramanathan, R. E. Dickinson, and J. J. Hack
(1987), “Description of NCAR Community Climate Model (CCM1)”,
Technical Report NCAR/TN-285+STR, National Center for Atmospheric
Research, Boulder, Colorado, 112 pp.
42. Williamson, G. S., and D. L. Williamson (1987), “Circulation statistics from
seasonal and perpetual January and July simulations with the NCAR
Community Climate Model (CCM1): R15”, Technical Report NCAR/TN-
302+STR, National Center for Atmospheric Research, Boulder, Colorado,
199 pp.
43. Zeng X., Zhao M., Dickinson R.E. (1998a), “Intercomparison of Bulk
Aerodynamic Algorithm for the Computation of Sea Surface Fluxes Using
TOGA COARE and TAO data”, Journal of Climate Vol. 11, pp. 2628-2644.
44. http://www.wmo.int/pages/themes/climate/long_range_forecasting.php