ĐẠI HỌC QUỐC GIA HÀ NỘI · 2016-05-09 · 2 LỜI CẢM ƠN Tác giả hoàn thành luận văn này khi học tập và công tác tại Bộ môn Khí tƣợng, Khoa Khí

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 3.6 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


2005 của các thí nghiệm so sánh với số liệu quan trắc tại 48 trạm ................ 48


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 3.17 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 3.27 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


nhau ................................................................................................................. 71


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)

http://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

http://www.imh.ac.vn/

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




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..

http://www.ictp.trieste.it/pubregcm/RegCM3

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


7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2

43




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.




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


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


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


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.


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


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.


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.



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.



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


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.


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


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


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


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.


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.

http://dubaobien.vn/dhkhtn/chi-tiet/de-tai/gioi-thieu-de-tai/gioi-thieu-de-tai.html




http://www.imh.ac.vn/

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.,

Délécluse, P., Déqué, M., D´ıez, E., Doblas-Reyes, F. J., Feddersen, H.,

Graham, R., Gualdi, S., Guérémy, 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

http://www.ucm.es/info/climast/paco/abstr/nat06_1.htm

http://www.wmo.int/pages/themes/climate/long_range_forecasting.php

Documents

ĐẠI HỌC QUỐC GIA HÀ NỘI · 2016-05-09 · 2 LỜI CẢM ƠN Tác giả hoàn thành luận văn này khi học tập và công tác tại Bộ môn Khí tƣợng, Khoa Khí