Luận văn Đánh giá ảnh hưởng của số liệu vệ tinh đến dự báo quỹ đạo và cường độ bão megi (2010) bằng phương pháp lọc kalman tổ hợp

ng lai gần. 16 Chƣơng 2 CƠ SỞ LÍ THUYẾT VỀ LỌC KALMAN TỔ HỢP 2.1 Cơ sở lý thuyết của lọc Kalman Bộ lọc Kalman cơ bản, bao gồm hai bƣớc chính gọi là bước dự báo và bước phân tích. Trong bƣớc dự báo, một trạng thái ban đầu của khí quyển và sai số tƣơng ứng của trạng thái này (do trạng thái ban đầu không phải là trạng thái thực) sẽ đồng thời đƣợc tích phân theo thời gian. Trong bƣớc phân tích, kết quả của bƣớc dự báo tại một thời điểm trong tƣơng lai sẽ đƣợc kết hợp với số liệu quan trắc tại thời điểm đó để tạo ra đƣợc một trạng thái ban đầu mới và sai số của trạng thái ban đầu này cho quá trình dự báo tiếp theo. Bước dự báo Giả thiết khí quyển tại một thời điểm i nào đó đƣợc đặc trƣng bởi một trạng thái a ix với một sai số a iε . Đầu tiên chúng ta sẽ dự báo cho trạng thái đến thời điểm i + 1 sẽ cho bởi : )(1 a i f i M xx  (2.1) trong đó M là mô hình dự báo. Do mô hình này là không hoàn hảo, dự báo bằng mô hình này sẽ có một sai số nào đó kể cả khi điều kiện ban đầu là chính xác. Gọi sai số nội tại này của mô hình là , khi đó một cách lý thuyết giá trị sai số này sẽ đƣợc xác định nhƣ sau:  )(1 t i t i M xx (2.2) trong đó t ii )1( x là trạng thái thực của khí quyển tại thời điểm i (i + 1). Chúng ta sẽ giả thiết rằng sai số nội tại này là không lệch và ma trận sai số hiệp biến của nó đƣợc cho bởi một ma trận Q, nghĩa là :  T Q;0 (2.3) 17 Song song với dự báo trạng thái, chúng ta sẽ dự báo cả sai số từ thời điểm thứ i đến thời điểm thứ i + 1 sử dụng mô hình tiếp tuyến L đƣợc định nghĩa dựa trên dạng biến phân của phƣơng trình (2.1) nhƣ sau: iii M xxLx x x x  )( )( 1     (2.4) Với mô hình tiếp tuyến L này, sai số của trạng thái tại thời điểm thứ i + 1 sẽ đƣợc cho bởi i a ii εxLε )(1  (2.5) Trong thực tế, chúng ta không bao giờ biết đƣợc sai số tuyệt đối thực i và nhƣ thế không thể dự báo đƣợc sai số cho bƣớc tiếp theo. Tuy nhiên, trong đa số các trƣờng hợp, chúng ta lại có thể biết hoặc xấp xỉ đƣợc đặc trƣng thống kê của sai số đƣợc đặc trƣng bởi ma trận sai số hiệp biến P  . Thêm vào đó, ma trận này cũng sẽ đƣợc sử dụng để đồng hóa cho bƣớc tiếp theo. Do đó, chúng ta sẽ viết lại (2.5) cho ma trận sai số hiệp biến thay vì cho sai số tuyệt đối i. Lƣu ý theo định nghĩa rằng t i f i f i xxε  , t i a i a i xxε  chúng ta sẽ có mối quan hệ sau QLLP η)εLη)εL xxxxεεP T     Ta i a i a i Tt i f i t i f i T ii f i (( ))(( 11111 (2.6) Chú ý thêm rằng chúng ta đã giả thiết là sai số mô hình  và sai số trạng thái a iε là không có tƣơng quan với nhau. Nhƣ vậy, cho trƣớc giá trị sai số mô hình Q, mô hình M, và mô hình tiếp tuyến L, phƣơng trình (2.2) và (2.6) cấu thành 18 một quá trình dự báo cơ bản trong bƣớc dự báo theo đó trạng thái a ix và sai số a iε tại thời điểm i sẽ đƣợc dự báo đến thời điểm i + 1. Bước phân tích Trong bƣớc phân tích tiếp theo, giả sử tại thời điểm i + 1, chúng ta có một bộ số liệu quan trắc yo với sai số quan trắc là o. Nhiệm vụ của chúng ta trong bƣớc này là phải kết hợp đƣợc trạng thái dự báo f i 1x và sai số f i 1P với quan trắc để tạo đƣợc một bộ số liệu đầu vào mới tốt hơn tại thời điểm i + 1. Mặc dù a ix là ƣớc lƣợng tốt nhất của trạng thái khí quyển tại thời điểm i, giá trị dự báo f i 1x tại thời điểm i + 1 lại không phải là tốt nhất do sai số của mô hình và của a ix . Do đó chúng ta cần phải đồng hóa tại thời điểm i + 1 để trạng thái dự báo không bị lệch khỏi trạng thái thực tại các thời điểm này. Một cách hình thức, chúng ta sẽ ƣớc lƣợng trạng thái khí quyển mới tốt hơn tại thời điểm i + 1 nhƣ sau: )]([ 111 f i of i a i H   xyKxx (2.7) trong đó H là một toán tử quan trắc nội suy từ trƣờng mô hình sang các giá trị điểm lƣới, và K là ma trận trọng số. Một cách trực quan, ma trận K càng lớn, ảnh hƣởng của quan trắc lên trƣờng phân tích càng nhiều. Do đó, ma trận K rất quan trọng và phải đƣợc dẫn ra một cách tối ƣu nhất có thể. Để thuận tiện cho việc suy dẫn K, chúng ta định nghĩa một vài biến sai số sau: t i a i a i xxε  , t i f i f i xxε  , )( ti oo i H xyε  (2.8) 19 Để tìm ma trận K, chúng ta trƣớc hết phải tính ma trận sai số hiệp biến Pa cho trạng thái phân tích a i 1x và sau đó cực tiểu hóa ma trận này. Theo định nghĩa:     T Ta i )( )1 t 1i a 1i t 1i a 1i a 1i a 1i x-x)(x-x (εεP (2.9) Thay (2.7) vào (2.9) và xắp xếp lại, chúng ta sẽ thu đƣợc:      Ta i )εH-εKε)εH-εKεP f 1i o 1i f 1i f 1i o 1i f 1i ((((1 (2.10) trong đó ma trận H là tuyến tính hóa của toán tử quan trắc H. Đặt   Tf i )1 f 1i f 1i (εεP ,   T)o 1i o 1i (εεR , và giả thiết trạng thái nền không có tƣơng quan với trạng thái phân tích, chúng ta sẽ thu đƣợc từ (2.10) phƣơng trình sau: TTf i a i KRKKHIPKHIP   )()( 11 (2.11) Ma trận trọng số K sẽ cực tiểu hóa vết của ma trận sai số a i 1P khi và chỉ khi 0))(( 1     a itrace P K (2.12) trong đó trace() ký hiệu vết của ma trận. Ở đây, đạo hàm theo ma trận sẽ đƣợc hiểu là đạo hàm từng thành phần của ma trận. Lý do cho việc cực tiểu hóa vết của ma trận thay vì trực tiếp ma trận là do tổng các thành phần trên đƣờng chéo của ma trận ai 1P sẽ chính là bình phƣơng của tổng sai số căn quân phƣơng trong trƣờng hợp các biến là không tƣơng quan chéo. Do vết của một ma trận là bảo toàn trong các phép biến đổi trực chuẩn, chúng ta luôn có thể chéo hóa ma trận sai số a i 1P để đƣa về một cơ sở mà trong đó tổng sai số căn quân phƣơng sẽ là tổng của các thành phần đƣờng chéo. Lấy đạo hàm vết của ma trận ai 1P , chúng ta khi đó sẽ thu đƣợc từ (2.11) và (2.12) 1 11 )(    Tf i Tf i HHPRHPK (2.13) 20 Với giá trị ma trận trọng số K cho bởi (2.13) ở trên, giá trị cực tiểu của ma trận sai số hiệp biến phân tích khi đó sẽ thu đƣợc bằng cách thay (2.13) vào (2.11). Biến đổi tƣờng minh chúng ta sẽ thu đƣợc: .)( 11 f i a i   PKHIP (2.14) Nhƣ vậy, ở bƣớc phân tích này chúng ta đã thu đƣợc một ƣớc lƣợng ban đầu mới tốt hơn từ một trạng thái dự báo (hay dự báo nền) và quan trắc cho trƣớc. Sau khi thu đƣợc trạng thái mới a i 1x và ma trận sai số mới a i 1P , quá trình dự báo lại đƣợc lặp lại cho bƣớc đồng hóa kế tiếp theo. Một cách tóm tắt, lọc Kalman đƣợc cho bởi minh họa trong hình 2.1. Hình 2.1 Minh họa hai bƣớc chính của bộ lọc Kalman. Mặc dù có ƣu điểm vƣợt trội so với các phƣơng pháp đồng hóa biến phân khác, lọc Kalman cho bởi hệ các phƣơng trình (2.1), (2.6), (2.7), (2.13), (2.14) lại rất khó áp dụng trực tiếp trong các mô hình thời tiết có tính phi tuyến cao và bậc tự do rất lớn. Ba khó khăn chính của bộ lọc Kalman ở trên là 1) xây dựng mô hình tiếp tuyến L; 2) lƣu trữ và thao tác các ma các trận sai số với số chiều có kích thƣớc quá lớn; và 3) sai số nội tại của mô hình Q không đƣợc biết đầy đủ. Khó khăn thứ nhất có thể đƣợc giải quyết bằng cách sử dụng một biến thể của bộ lọc Kalman, gọi là Kalman tổ hợp mở rộng (EnKF) đƣợc đề xuất ban đầu bởi Evensen năm 1994. Khó khăn thứ hai đƣợc khắc 21 phục bằng cách địa phƣơng hóa các số liệu quan trắc xung quanh từng điểm nút lƣới (localization) hoặc đồng hóa lần lƣợt từng giá trị quan trắc theo chuỗi (serial). Về sai số nội tại của mô hình, đây là một hƣớng phát triển còn mở của bộ lọc Kalman trong thời gian gần đây và có rất nhiều phƣơng pháp xử lý nhƣ: kỹ thuật tăng cấp cộng tính, kỹ thuật tăng cấp nhân, kỹ thuật hiệu chỉnh độ lệch hệ thống, kỹ thuật cộng nhiễu ngẫu nhiên. Nhƣ đã đề cập ở trên, quá trình đồng hóa phải bao gồm hai bƣớc chính là phân tích khách quan và ban đầu hóa. Trong bƣớc phân tích của bộ lọc Kalman quá trình ban đầu hóa không đƣợc trình bày một cách cụ thể. Tuy nhiên, các phân tích chi tiết cho thấy trong thực tế, bộ lọc Kalman đã tính đến quá trình ban đầu hóa một cách nội tại trong bƣớc dự báo. Điều này là do trong bƣớc dự báo này, ma trận sai số hiệp biến nền sẽ đƣợc tích phân theo thời gian. Do đó, các tƣơng quan chéo giữa các biến động lực sẽ đƣợc hiệu chỉnh theo thời gian. Ở một giới hạn đủ dài, ma trận sai số hiệp biến nền thu đƣợc từ bộ lọc này sẽ có khả năng phản ánh đƣợc các tƣơng quan chéo giữa các biến động lực và nhƣ vậy thông tin quan trắc thu đƣợc của bất kỳ một biến nào cũng sẽ đƣợc cập nhất cho tất cả các biến mô hình khác. Đây chính là ƣu điểm của bộ lọc Kalman, đặc biệt trong vùng vĩ độ thấp tại đó không tồn tại một ràng buộc lý thuyết tƣờng minh cho các mối quan hệ động lực giữa các biến giống nhƣ trong vùng ngoại nhiệt đới. 2.2 Lọc Kalman tổ hợp Do khả năng phát triển mô hình tiếp tuyến và tích phân ma trận sai số hiệp biến theo thời gian với mô hình tiếp tuyến là không thực tế trong các mô hình dự báo thời tiết, lọc Kalman phải đƣợc cải tiến để có thể áp dụng đƣợc cho các bài toán nghiệp vụ. Một cách tiếp cận phổ biến nhất dựa trên tích phân ngẫu nhiên Monte-Carlo theo đó một tập các đầu vào đƣợc tạo ra xung quanh một giá trị trƣờng phân tích cho trƣớc. Lƣu ý rằng tập đầu vào này 22 không phải đƣợc lấy bất kỳ mà đƣợc tạo ra dựa theo phân bố xác suất cũng nhƣ giá trị sai số của trƣờng phân tích aP tại từng thời điểm. Ví dụ nếu phân bố của trƣờng phân tích có dạng phân bố chuẩn Gauss, khi đó tập đầu vào của trƣờng phân tích sẽ phải tuân theo phân bố: )()()( 2 1 2/12/ 1 ||)2( 1 )( aaaTaa a ep an a xxPxx P P x     (2.15) trong đó ax là giá trị trƣờng phân tích trung bình tổ hợp thu đƣợc từ bƣớc phân tích của lọc Kalman. Với một tập K các đầu vào { a kx }k=1..K sinh ra từ phân bố (2.15), chúng ta có thể thu đƣợc ma trận sai số hiệp biến dự báo cho bƣớc thời gian tiếp theo nhƣ sau: Tff k K k ff k f K )()( 1 1 1 xxxxP      (2.16) trong đó )]([)( 1 i a ki f k tMt xx  . Các nghiên cứu đã chỉ ra rằng một tổ hợp khoảng 25-50 các thành phần là đủ để lọc Kalman tổ hợp phát huy tác dụng. Ngoài việc giản lƣợc quá trình phát triển mô hình tiếp tuyến, cách tiếp cận EnKF có một vài ƣu điểm nổi trội bao gồm 1) Rút bớt các tính toán với các ma trận có số chiều lớn; 2) Không cần tuyến tính hóa mô hình cũng nhƣ mô hình liên hợp (adjoint); 3) Cung cấp một tổ hợp các nhiễu ban đầu tối ƣu hóa cho việc dự báo các ma trận sai số hiệp biến. Mặc dù có nhiều điểm thuận lợi song đến tại thời điểm này, chỉ có trung tâm dự báo thời tiết của Canada đã đƣa lọc Kalman tổ hợp vào dự báo nghiệp vụ do khối lƣợng tính toán lớn. EnKF hiện đƣợc coi là một hƣớng đi phát triển mạnh nhất trong thời gian tới cho các bài toán nghiên cứu có tính dự báo thấp nhƣ bão nhiệt đới và ngoại nhiệt đới, mƣa lớn, hay dông. Trong phần này một biến thể cụ thể của lọc EnKF, gọi là lọc EnKF tổ hợp biến đổi địa phƣơng hóa (LETKF) sẽ đƣợc trình bày và thử nghiệm. Một cách 23 cơ bản, lọc LETKF là một phƣơng pháp theo đó tại mỗi điểm nút lƣới, chúng ta sẽ chọn một lân cận mô hình với kích thƣớc cho trƣớc (ví dụ một không gian 3 chiều có kích thƣớc 11  11  3 với tâm là điểm nút chúng ta đang quan tâm). Với không gian con này, chúng ta sẽ chọn ra tất cả các quan trắc cho đƣợc bên trong không gian này và tạo ra một vectơr quan sát lân cận riêng biêt. Sau đó, sử dụng ma trận nhiễu tổ hợp nền để biến đổi từ không gian căng bởi số điểm nút lƣới địa phƣơng sang không gian con căng bởi số thành phần tổ hợp. Điều này sẽ làm giảm đáng kể khối lƣợng tính toán ma trận vì không gian tổ hợp thƣờng nhỏ hơn không gian địa phƣơng rất nhiều. Do đó, các phép toán ma trận sẽ có độ chính xác cao hơn. Để minh họa thuật toán một cách rõ ràng, nhắc lại rằng ma trận nhiễu tổ hợp nền fX (có số chiều N  K) đƣợc định nghĩa nhƣ sau: }|...||{ 21 ff K fffff xxxxxxX  , (2.17) trong đó,    K k f k f K 1 1 xx . Gọi w là một vectơr biến đổi trong không gian tổ hợp đƣợc định nghĩa nhƣ sau: wXxx bb  . (2.18) Khi đó, hàm giá trong không gian tổ hợp địa phƣơng sẽ chuyển thành ][}])([)({)1()( 1 wXxwXXXXIww bbbTbbTbT JkJ    , (2.19) trong đó ][ wXx bbJ  là hàm giá trong không gian mô hình. Hàm giá sẽ đƣợc cực tiểu hóa nếu w là trực giao với không gian con rỗng của toán tử Xf. Lấy đạo hàm của )(wJ  theo w và sử dụng: 24 dxdx  )( T AxAxxx 2)(  T chúng ta sẽ thu đƣợc giá trị aw làm cực tiểu hóa hàm giá (2.19) nhƣ sau: )]([)( 01 fTfaa H xyRYPw    , (2.20) trong đó )](),....,(),([ 21 ff K fffff HHH xxxxxxY  (2.21) và 11 ])()1[(  fTfa K YRYIP  . (2.22) Nhƣ vậy, trong không gian tổ hợp, ma trận trọng số thu đƣợc từ (2.6) sẽ có dạng: 1)(ˆ  RYPK Tfa  , và do đó ma trận trọng số K trở thành: 1)(ˆ  RYPXKXK Tfaff  . (2.23) Với ma trận K thu đƣợc ở trên, giá trị trạng thái phân tích trung bình tổ hợp tại điểm nút chúng ta đang quan tâm sẽ đƣợc cho bởi: ][ fofa xHyKxx  (2.24) Cũng giống nhƣ trong bộc lọc SEnKF, nhiệm vụ cuối cùng của chúng ta là xây dựng bộ tổ hợp các trạng thái phân tích. Để làm điều đó, chúng ta chú ý rằng: Tfff K )( 1 1 XXP   ; và Taaa K )( 1 1 XXP   Sử dụng mối quan hệ sau .)( fa PKHIP  25 và kết hợp với (2.23), chúng ta thu đƣợc: TffTfaaf TffTfaf TffTfafaTaa K K KK ))()()ˆ((ˆ 1 1 ))()(ˆ( 1 1 )( 1 1 ))(ˆ()( 1 1 11 1 1 XYRYPPX XYRYPIX XXRYPXIPXX             (2.25) Sử dụng (2.22), chúng ta sẽ thu đƣợc: TfafTaa K )(ˆ)1()( XPXXX  (2.26) và do đó, 2/1]ˆ)1[( afa K PXX  . (2.27) Quá trình đồng hóa theo bộ lọc LETKF nhƣ vậy có thể đƣợc tóm tắt nhƣ sau: - Bước 1: tại mỗi điểm nút lƣới, chọn một vùng thể tích lân cận bao xung quanh điểm nút đó để xây dựng ma trận nhiễu nền địa phƣơng )](),....,[( 1 ff K fff xxxxX  ; - Bước 2: Trong mỗi thể tích lân cận, tìm tất cả các quan trắc bên trong thể tích lân cận này và xây dựng ma trận quan trắc nhiễu nền )](),....,([ 1 ff K fff HH xxxxY  . (Nếu H là toán tử tuyến tính, khi đó ff HXY  .) Đồng thời xây dựng ma trận sai số quan trắc R ứng với các quan trắc bên trong thể tích; - Bước 3: Tính ma trận sai số hiệp biến biến đổi aP  theo (2.22) và sau đó ma trận trọng số K theo (2.23); - Bước 4: Cập nhật giá trị trung bình tổ hợp địa phƣơng ax theo (2.24) 26 - Bước 5: Tính ma trận nhiễu phân tích Xa theo (2.27) và cộng vào a x để thu đƣợc tổ hợp phân tích lân cận mới ( a k aa k Xxx  ); - Bước 6: Chọn điểm giữa của vectơr tổ hợp vectơr phân tích lân cận a kx và gán điểm này cho điểm nút lƣới chọn ở bƣớc 1 - Bước 7: Quay trở lại bƣớc 1 và lặp cho đến hết tất cả các điểm nút lƣới. Có thể nhận thấy dễ dàng trong các bƣớc tính toán ở phía trên rằng các điểm nút lƣới khác nhau đƣợc thực thi một cách hoàn toàn độc lập với nhau. Đây là một ƣu điểm của lọc LETKF vì chúng ta có thể song song hóa bộ lọc này một cách rất hiệu quả bằng cách chia các phần công việc độc lập cho các lõi tính toán khác nhau. Điều này cho phép tăng tính hiệu quả tính toán lên rất nhiều và giúp lọc LETKF có đƣợc ƣu điểm mà lọc SEnKF không có đƣợc. 27 Chƣơng 3 THIẾT KẾ MÔ HÌNH VÀ THÍ NGHIỆM 3.1 Tổng quan về bão Megi (2010) Bão Megi là siêu bão đầu tiên của năm 2010 ở vùng biển Thái Bình Dƣơng, nó là cơn bão mạnh với áp suất cực tiểu đạt ~ 885 hPa và tốc độ gió bề mặt đo 10 phút là 63 m/s (hình 3.1). Megi đƣợc hình thành trong điều kiện thời tiết có độ bất ổn định mạnh lúc 0000UTC ngày 12/10/2010, khoảng 600 km về phía đông của quần đảo Philipin. Hệ thống bất ổn định này phát triển nhanh chóng và trở thành một áp thấp nhiệt đới lúc 0900 UTC ngày 13 theo Trung tâm cảnh báo bão Hoa Kỳ (JTWC). Do ảnh hƣởng mạnh của áp cao cận nhiệt Tây Thái Bình Dƣơng nên hệ thống di chuyển chậm về phía Tây Tây Bắc Philipin, sau đó tăng cƣờng thành bão nhiệt đới lúc 1200 UTC ngày 13/10/2010. Vào cuối ngày 13 và 24 giờ tiếp theo, Megi trở thành bão nhiệt đới với đĩa mây dày đặc tại trung tâm, trên ảnh vệ tinh mắt bão xuất hiện rõ lúc 0000UTC ngày 16/10/2010, kết quả Megi chính thức trở thành siêu bão. Hình 3.1 Cƣờng độ bão Megi (2010) Sau khi phát triển thành siêu bão, Megi di chuyển theo hƣớng Tây Tây bắc dọc theo rìa phía nam của của áp cao cận nhiệt Tây Thái Bình Dƣơng, và 28 đƣợc tăng cƣờng đáng kể dọc đƣờng đi do điều kiện môi trƣờng thuận lợi cho việc phát triển (nhiệt độ bề mặt biển luôn lớn hơn 28oC). Cùng với điều kiện nhiệt độ bề mặt thích hợp, một số các điều kiện thuận lợi khác nhƣ độ đứt gió thẳng đứng nhỏ, phân kỳ mực trên cao và dòng hƣớng cực cũng đƣợc quan sát thấy trong thời kì phát triển của Megi. Vào ngày 18/10/2010 cơn bão bị suy yếu do đổ bộ vào đất liền Philipin, nhƣng nhanh chóng tăng cƣờng lại khi di chuyển trên biển Đông, với nhiệt độ mặt nƣớc biển đo đƣợc là 30oC. Hình 3.2 bão Megi đang tiến sát vào đảo Luzon Philipin, có thể quan sát thấy mắt bão hiện rất rõ trên ảnh mây vệ tinh với đĩa mây dày đặc. Hình 3.2 Hình ảnh mắt bão Megi đang tiến sát đảo Luzon (bên trái),Mặt cắt siêu bão Megi ngoài khơi đảo Luzon, Philippines (bên phải). Do ảnh hƣởng mạnh của rãnh và áp cao cận nhiệt Tây Thái Bình Dƣơng bão Megi đổi hƣớng Bắc Đông Bắc lúc 0000UTC ngày 19/10/2010, lúc này nhiệt độ mặt nƣớc biển bắt đầu giảm, bão cũng dần suy yếu. Sau khi đi qua tỉnh Phúc Kiến - Trung Quốc, sáng sớm ngày 24 Megi suy yếu thành áp thấp nhiệt đới và tan sau đó vài giờ (hình 3.3). 29 Hình 3.3 Sự di chuyển của bão Megi (2010) 3.2 Thiết kế mô hình và số liệu 3.2.1 Mô hình dự báo thời tiết WRF-LETKF Mô hình nghiên cứu và dự báo thời tiết WRF là mô hình khí tƣợng tân tiến và chính xác nhất hiện nay. Hệ thống phần mềm trong WRF đƣợc phát triển là khung phần mềm hiện đại. Sự tiến bộ của nghiên cứu sẽ là một con đƣờng trực tiếp dẫn tới nghiệp vụ. Mô hình WRF cho phép sử dụng các tùy chọn khác nhau đối với tham số hóa các quá trình vật lý, nhƣ tham số hóa bức xạ, tham số hóa lớp biên hành tinh, tham số hóa đối lƣu mây tích, khuyếch tán xoáy rối quy mô dƣới lƣới hay các quá trình vi vật lý khác. Mô hình có thể sử dụng số liệu thực hoặn mô phỏng lý tƣởng với điều kiện biên xung quanh là biên tuần hoàn, mở, đối xứng. Hiện tại WRF có hai phiên bản là phiên bản nghiên cứu nâng cao ARW và phiên bản quy mô vừa phi thủy tĩnh NMM. Trong luận văn này, tác giả sử dụng phiên bản ARW làm công cụ nghiên cứu. Mô hình này bao gồm giải pháp động lực ARW cùng với các thành phần cần thiết khác của hệ thống WRF đƣợc đánh giá là một mô hình khá hoàn thiện về hệ thống vật lý, thủ tục lý tƣởng hóa và đồng bộ hóa các gói dữ liệu. Mô hình WRF gồm hai bộ phận chính: 30 + Bộ phận xử lý + Bộ phận mô phỏng Bộ phận xử lý đầu tiên sẽ thực hiện nội suy ngang và thẳng đứng số liệu các trƣờng khí tƣợng: độ cao địa thế vị (H), các thành phần gió ngang (u,v), độ ẩm tƣơng đối (RH), nhiệt độ (T), từ lƣới mô hình toàn cầu NCEP hoặc ECMWF cũng nhƣ nội suy số liệu địa hình (Topography), loại đất (soil texture), lớp phủ thực vật (vegetation)về lƣới của mô hình. Sau đó, bộ phận mô phỏng của mô hình WRF sẽ thực hiện tích phân hệ các phƣơng trình với các tham số đầu vào đó đƣợc xác định nhƣ: miền tính, độ phân giải, bƣớc thời gian.v.vbộ phận xử lý cuối cùng sẽ sử dụng các phần mềm đồ họa (GRADS) để hiển thị các kết quả dự báo của mô hình. Hình 3.4 Sơ đồ hệ thống của mô hình WRF 31 Để tiến hành thí nghiệm, trong luận văn này sử dụng Mô hình dự báo thời tiết WRF phiên bản 3.2 kết hợp với lọc Kalman tổ hợp đƣợc gọi là mô hình WRF-LETKF thiết kế bởi Phòng Thí nghiệm Dự báo Thời tiết và Khí hậu. Mô hình WRF-LETKF đƣợc phát triển theo quy trình ứng dụng nghiệp vụ chuẩn với tất cả các quá trình vào ra, cập nhật số liệu, xử lý đồng hóa, kiểm tra chất lƣợng, tạo điều kiện biên tổ hợp, và dự báo tổ hợp đƣợc tiến hành một cách tự động và đồng bộ hóa theo thời gian thực. Sơ đồ thiết kế hệ thống đƣợc biểu diễn minh họa hình 3.5 [1]. Hình 3.5 Sơ đồ hệ thống dự báo tổ hợp WRF-LETKF Theo sơ đồ hệ thống dự báo tổ hợp WRF-LETKF, Số liệu quan trắc đầu tiên sẽ đƣợc xử lý kiểm định chất lƣợng thông qua bộ chƣơng trình chuẩn WRFDA cho trong mô hình WRF. Quá trình kiểm định chất lƣợng này sẽ xác định các sai số cho các mực và các biến quan trắc tƣơng ứng. Số liệu quan trắc sau khi đƣợc kiểm định sẽ đƣợc kết hợp với số liệu dự báo tổ hợp hạn rất ngắn 12 giờ từ chu trình dự báo trƣớc để tạo ra một bộ các nhiễu phân tích Dự báo tổ hợp 12-h làm trƣờng nền Kiểm định chất lƣợng Quan trắc vệ tinh Nhiễu tổ hợp phân tích LETKF Cập nhật điều kiện ban đầu WPS Dự báo toàn cầu cho số liệu GFS Tổ hợp phân tích biên WRFDA Mô hình WRF Dự báo 32 thông qua bộ lọc LETKF. Tại chu trình này, do số liệu dự báo toàn cầu GFS đƣợc phát báo và tải về sẽ đƣợc chƣơng trình tiền xử lý và nội suy về lƣới mô hình. Trƣờng dự báo GFS sau đó sẽ đƣợc cộng vào nhiễu tái phân tích tạo ra bởi lọc Kalman tổ hợp để tạo ra một tổ hợp các trƣờng phân tích cùng với điều kiện biên tƣơng ứng của các trƣờng phân tích này. Bộ các đầu vào và biên tạo ra trong bƣớc này sẽ đƣợc đƣa vào mô hình WRF để dự báo thời tiết với hạn tùy ý. Song song với quá trình dự báo thời tiết đƣợc xác định trƣớc này, mô hình WRF cũng sẽ lƣu trữ một tổ hợp các dự báo rất ngắn 12 giờ để làm trƣờng nền cho dự báo tiếp theo. Quá trình dự báo tổ hợp nhƣ trên đƣợc liên tục lặp lại đều đặn một ngày 2 lần (hoặc có thể lên đến 4 ngày nếu hệ thống tính toán cho phép). Các sơ đồ tham số hóa đối lƣu đƣợc sử dụng trong luận văn nhằm giải quyết các tác động quy mô dƣới lƣới nhƣ là quá trình đối lƣu/các đám mây nông. Các sơ đồ này đƣợc dùng để biểu diễn thông lƣợng thẳng đứng do không giải quyết đƣợc vận chuyển của các dòng thăng và dòng giáng, và sự bù lại bên ngoài các đám mây. Chúng chỉ có tác dụng trong các cột riêng ở đó sơ đồ đƣợc khởi động và cung cấp nhiệt thẳng đứng và cấu trúc ẩm. Một vài sơ đồ bổ sung cung cấp xu hƣớng mây và trƣờng giáng thủy trong các cột, và tƣơng lai các sơ đồ cũng có thể cung cấp xu hƣớng động lƣợng do vận chuyển đối lƣu. Các sơ đồ cung cấp thành phần đối lƣu của mƣa bề mặt. Các tham số hóa mây đối lƣu về lý thuyết chỉ có giá trị cho các lƣới thô, (ví dụ., lớn hơn 10 km), ở đó chúng cần để giải phóng ẩn nhiệt trên quy mô thời gian thực trong các cột đối lƣu. Đôi khi các sơ đồ này đƣợc tìm thấy có ích trong việc gây ra sự đối lƣu trong các lƣới 5 -10 km. Nói chung, chúng không nên đƣợc sử dụng khi mô hình có thể giải quyết các xoáy đối lƣu. Dƣới đây sẽ là một số lựa chọn trong mô hình WRF. 33 Sơ đồ Kain-Fritsch Sơ đồ Kain-Fritsch đƣợc sử dụng trong nghiên cứu này là phiên bản cải tiến của sơ đồ KFS gốc trong mô hình ETA dựa trên nghiên cứu của Kain và Fritsch (1990, 1993). Giống nhƣ KFS phiên bản gốc, phiên bản hiện tại vẫn dựa trên một mô hình mây đơn giản có tính đến các dòng thăng và giáng ẩm và có đƣa vào tính toán các hiệu ứng cuốn vào, cuốn ra và vi vật lý mây. Sự khác biệt so với phiên bản gốc gồm: - Tốc độ cuốn vào cực tiểu đƣợc giả thiết xảy ra trong đối lƣu diện rộng trong môi trƣờng tƣơng đối khô và bất ổn định tại biên. - Đối lƣu nông (không gây mƣa) cho phép có dòng thăng nhƣng không đạt tới độ dày mây tối thiểu gây mƣa và độ dày này là một hàm của nhiệt độ chân mây. - Tốc độ cuốn vào là một hàm của hội tụ mực thấp. - Một số thay đổi trong tính toán dòng giáng - Nhƣ bắt đầu dòng giáng là toàn bộ lớp từ 150-200 mb phía trên chân mây. - Thông lƣợng khối là của thông lƣợng khối của dòng thăng tại đỉnh mây, Sơ đồ Betts-Miller-Janjic Đây là sơ đồ dựa trên sơ đồ điều chỉnh đối lƣu Betts-Miller dựa trên nghiên cứu của Betts (1986), Betts và Miller (1986). Một số thay đổi đã đƣợc thực hiện trong nghiên cứu của Janjic (1990, 1994, 2000) bao gồm việc đƣa vào khái niệm “hiệu suất mây” để cung cấp thêm bậc tự do trong việc xác định các profile lƣợng ẩm và nhiệt độ. Điều chỉnh đối lƣu nông cũng có vai trò quan trọng trong sơ đồ tham số hóa này. Gần đây, các nỗ lực đã đƣợc thực hiện để cải tiến các sơ đồ cho độ phân giải ngang cao hơn, chủ yếu thông qua các sửa đổi trong cơ chế hoạt động. Cụ thể: 34 - Một giá trị cho entropy thay đổi trong mây đƣợc thiết lập thấp mà đối với đối lƣu sâu thì không đƣợc kích hoạt; - Nghiên cứu đỉnh mây, hạt tăng dần khi chuyển động trong môi trƣờng; và - Tác động của lực nổi trong việc hạt tăng dần đƣợc yêu cầu để vƣợt quá một ngƣỡng dƣơng quy định. Lớp biên hành tinh Lớp biên hành tinh (PBL) chịu trách nhiệm về thông lƣợng thẳng đứng quy mô lƣới con do vận chuyển xoáy vào trong toàn bộ cột không khí, không chỉ là lớp biên. Vì vậy, khi sơ đồ PBL đƣợc kích hoạt, rõ ràng khuếch tán thẳng đứng cũng đƣợc kích hoạt với giả thiết rằng sơ đồ PBL sẽ xử lý quá trình này. Trong ARW cho phép lựa chọn các sơ đồ lớp biên hành tinh: Sơ đồ Yonsei University (YSU), sơ đồ Mellor-Yamada-Janjic (MYJ). Mô hình bề mặt đất Mô hình bề mặt đất (LSM) sử dụng các thông tin khí quyển từ sơ đồ lớp sát đất, giáng thủy từ các sơ đồ vi vật lý và tham số hóa đối lƣu, cùng với các biến trạng thái đất và đặc tính bề mặt đất để tính toán các thông lƣợng ẩm và nhiệt từ bề mặt. Các mô hình đất xử lý thông lƣợng ẩm, nhiệt trong các lớp đất, các hiệu ứng liên quan đến thực vật, rễ, tán cây và độ phủ tuyết. Các mô hình bề mặt đất là một chiều và không có tƣơng tác giữa các ô lƣới kề nhau. Các mô hình đất trong ARW bao gồm: Mô hình khuếch tán nhiệt 5 lớp, mô hình Noah 4 lớp, mô hình chu trình cập nhật nhanh. Bức xạ Tham số hóa bức xạ khí quyển nhằm cung cấp đốt nóng bức xạ do các quá trình hấp thụ, phản xạ và tán xạ bức xạ sóng ngắn từ mặt trời và bức xạ sóng dài từ bề mặt trái đất. Các sơ đồ tham số hóa bức xạ trong ARW bao 35 gồm: Sơ đồ sóng dài RRTM, sơ đồ sóng ngắn và sóng dài Eta GFDL, sơ đồ sóng ngắn MM5 (Dudhia), sơ đồ sóng ngắn Goddard. 3.2.1 Miền tính và cấu hình mô hình Mô hình thiết kế cấu hình với hai miền tính lƣới lồng với độ phân giải 36km và 12 km, gồm 31 mực theo phƣơng thẳng đứng, 155 x 155, 151 x 151 điểm nút lƣới theo phƣơng (x, y). Với cấu hình này miền tính sẽ bao phủ một vùng rộng lớn diện tích khoảng 5600 km x 5600 km, tập trung ở vùng biển Đông Việt Nam. Do giới hạn tính toán nên trong luận văn chỉ sử dụng 21 thành phần tổ hợp tham gia dự báo với độ phân giải 12 km mặc dù là không tối ƣu so với các thiết lập dự báo bão nghiệp vụ hiện tại, nhƣng mục đích chính của luận văn này đó là nghiên cứu độ nhạy của số liệu vệ tinh cho việc dự báo quĩ đạo bão Megi. Các sơ đồ vi vật lý sử dụng trong dự báo tất định bao gồm: Sơ đồ tham số hóa đối lƣu Kain-Fritsch; Một phiên bản sửa đổi của sơ đồ tham số hóa đối lƣu mây tích Betts-Miler-Janjic (BMJ) cho cả hai miền tính, trong đó tham số hóa cả đối lƣu nông và đối lƣu sâu; Tham số hóa lớp biên hành tinh của Đại học Yonsei với sơ đồ lớp sát đất Monin-Obukhov; Sơ đồ mô hình vận chuyển bức xạ nhanh. Trong thí nghiệm tổ hợp, toàn bộ phổ của sơ đồ vi vật lý và tham số hóa lớp biên đƣợc sử dụng để tính các sai số nội tại của mô hình. 3.2.2 Nguồn số liệu Điều kiện biên và điều kiện ban đầu cho dự báo tổ hợp và dự báo tất định đƣợc lấy từ Trung tâm dự báo môi trƣờng quốc gia Hoa Kỳ (NCEP) và hệ thống dự báo nghiệp vụ toàn cầu (GFS) với độ phân giải 1o x 1o. Thời điểm dự báo từ 0000UTC ngày 17/10/2010 tới 0000 UTC ngày 21/10/2010, đây là khoảng thời gian bão Megi hoạt động với sự thay đổi 90o từ hƣớng Tây Tây Bắc sang hƣớng Bắc. 36 Điều kiện biên đƣợc cập nhật 6h một lần, không cài xoáy. Mặc dù có độ phân giải thấp, dự báo GFS nhìn chung vẫn bắt đƣợc xoáy hoàn lƣu qui mô vừa lúc 1200 UTC ngày 16 so với hình ảnh nhìn thấy trên ảnh mây vệ tinh. Tuy nhiên, ở các giờ tiếp theo dự báo GFS không nắm bắt đƣợc sự phát triển của Megi cho đến 0300 UTC ngày 19/10 khi cƣờng độ bão đạt cực đại. Chính vì vậy, các dự báo với độ phân giải cao với các mô hình khu vực là cần thiết để giải quyết tốt hơn sự thay đổi quĩ đạo và cƣờng độ bão. Trong luận văn này, số liệu quan trắc sử dụng cho các thí nghiệm với hệ thống đồng hóa LETKF là số liệu gió vệ tinh AMV. Các nghiên cứu với số liệu gió vệ tinh đã cho thấy số liệu này có thể giúp nâng cao chất lƣợng dự báo của các hệ thống quy mô vừa khác nhau (Velden và cs. 2005 [13]; Berger và cs.2007 [6]). Ƣu điểm của số liệu vệ tinh đó là các sai số quan trắc đƣợc đánh giá và hiệu chỉnh bằng thuật toán lọc đệ quy. Mỗi điểm đều đƣợc kiểm tra với số liệu xung quanh bằng kĩ thuật chỉ số đánh giá. Nếu dữ liệu gió tại bất kì một điểm nào có một phân tích chỉ số chất lƣợng thấp (< 65), thì dữ liệu này đƣợc loại bỏ. Đối với các điểm dữ liệu có chỉ số đánh giá thỏa mãn tiêu chuẩn lựa chọn, thì các sai số kỳ vọng đƣợc đánh giá một cách chính xác. Toàn bộ cơ sở dữ liệu vệ tinh đƣợc phân thành các vùng khác nhau, để phục vụ việc nghiên cứu trong luận văn này, số liệu vệ tinh đƣợc lấy trong khu vực Tây bắc Thái Bình Dƣơng theo định dạng ASCII/BURF đƣợc tải từ trang web 3.3 Thiết kế thí nghiệm Để đánh giá ban đầu về khả năng dự báo quỹ đạo cũng nhƣ cƣờng độ bão Megi các chu kì 0000 UTC ngày 17, 0000 UTC ngày 18, 1200 UTC ngày 18 và 0000 UTC ngày 19/10 sẽ đƣợc thực hiện trƣớc bằng mô hình WRF hạn dự báo 3 ngày. Các thí nghiệm này sẽ đƣợc dùng để xem xét khả năng dự báo sự di chuyển của Megi trong suốt thời gian cơn bão hoạt động mạnh trên khu 37 vực Philipin, cũng nhƣ khả năng nắm bắt của cấu hình tới hình dạng của bão tại thời điểm 0000 UTC ngày 20. Các chu kỳ có sai số quĩ đạo lớn hơn 400 km (0000 UTC ngày 18/10 và 1200 UTC ngày 18/10) sẽ đƣợc chọn làm thí nghiệm tất định (thí nghiệm CTL) để đánh giá với các dự báo tổ hợp. Sau khi đã có thí nghiệm tất định các thí nghiệm tổ hợp sẽ đƣợc thực hiện với cùng chu kì. Thí nghiệm tổ hợp đầu tiên, toàn bộ cơ sở dữ liệu gió AMW sẽ đƣợc đồng hóa để đánh giá với dữ liệu trong thí nghiệm CTL (Thí nghiệm 1). Trong hai thí nghiệm tổ hợp tiếp theo số liệu gió AMW sẽ đƣợc phân tách ra thành hai bộ số liệu: mực thấp (1000 – 300 hPa) và mực cao từ 300 hPa trở lên. Các thử nghiệm này nhằm nghiên cứu việc dự báo quĩ đạo bão phụ thuộc nhƣ thế nào vào lớp dòng dẫn trên cao của môi trƣờng. 38 Chƣơng 4 KẾT QUẢ VÀ KẾT LUẬN 4.1 Thí nghiệm dự báo tất định Dự báo quĩ đạo bão Megi 72-h tại các thời điểm 0000 UTC ngày 17, 0000 UTC ngày 18, 1200 UTC ngày 18 và 0000 UTC ngày 19 (Hình 4.1). Có thể quan sát thấy, tại thời điểm 0000 UTC ngày 17 quĩ đạo dự báo khá gần với quĩ đạo thực, trong khi các trƣờng hợp còn lại biểu diễn quĩ đạo dự báo khá xa. Dự báo tại các thời điểm 0000 và 1200 UTC ngày 18 mặc dù đều nắm bắt đƣợc sự đổi hƣớng của Megi lúc 0000 UTC ngày 20, nhƣng quĩ đạo đều có xu hƣớng lệch Đông dẫn đến sai số quĩ đạo trung bình 72 giờ tƣơng ứng là 410 km, 405 km. Theo nghiên cứu gần đây của Brown và cs (2010) [7] đã chỉ ra rằng phần lớn các trƣờng hợp có sai số lớn trong khu vực Tây Bắc Thái Bình Dƣơng liên quan tới tƣơng tác bề mặt với áp cao cận nhiệt hoặc tƣơng tác trực tiếp giữa xoáy với xoáy. Hình 4.1 Các quĩ đạo của Megi (6h một) từ số liệu phân tích (đƣờng màu đen) và dự báo 3 ngày tại thời điểm 0000 UTC ngày 17 (đƣờng màu xanh nhạt), 0000 UTC ngày 18 (đƣờng màu đỏ), 1200 UTC ngày 18 (đƣờng màu tía), và 0000 UTC ngày 19/10/2010 (đƣờng màu xanh sẫm) 39 Hình 4.2 dự báo cƣờng độ bão Megi tại các thời điểm 00Z17, 00Z18, 12Z18, 00Z19, có thể thấy cƣờng độ dự báo tại 4 thời điểm ban đầu đều thấp hơn hẳn so với quan trắc thực tại tất cả các thí nghiệm, đặc biệt trong 12 giờ đầu tiên khi xoáy mới bắt đầu. Sự chênh lệch này có thể thấy rõ trong Hình 4.2a, 4.2b vận tốc cực đại giữa dự báo GFS và quan trắc là lớn hơn 25 m/s. Điều này là do phải mất một khoảng thời gian để các mô hình xoáy điều chỉnh với môi trƣờng xung quanh trƣớc khi phát triển động lực. Thêm vào đó, độ phân giải thô cũng góp phần làm hạn chế kĩ năng dự báo cƣờng độ. Hình 4.2 Tốc độ gió cực đại bề mặt quan trắc đƣợc (đƣờng nét đứt) và tốc độ gió cực đại dự báo (đƣờng nét liền) tại các thời điểm (a) 00Z17,(b) 00Z18, (c) 12Z18,(d) 00Z19 Tuy nhiên, sai số cƣờng độ lớn chỉ xuất hiện trong ngày tích phân đầu tiên, yếu tố chính quyết định đến là xoáy ban đầu kém mặc dù vậy dự báo cƣờng độ ở các thời điểm này cũng cho thấy xu thế khá gần với quan trắc thực. Trong thí nghiệm tổ hợp tiếp theo, các chu kì dự báo 0000 UTC và 1200 40 UTC ngày 18 có sai số quĩ đạo 3 ngày lớn nhất sẽ đƣợc, nhằm đánh giá việc dự báo cƣờng độ Megi khi sử dụng số liệu gió AMV. 4.2 Thí nghiệm tổ hợp Để xem xét khả năng nắm bắt hoàn lƣu quy mô lớn của vectơ gió quan trắc AMW và vectơ gió trƣờng nền GFS, Hình 4.3 sẽ biểu diễn vectơ gió của hai bộ số liệu này ở các mực 750hPa, 300hPa, 250hPa, 200hPa tại thời điểm xoáy xuất hiện rõ nét trên ảnh mây vệ tinh (hình 3.2) lúc 1200 UTC ngày 18/10. Hình 4.3 Gia số phân tích sử dụng đồng hóa số liệu gió vệ tinh (cán gió màu xanh), gia số quan trắc gió (cán gió màu đen) tại thời điểm 1200 UTC ngày 18 cho các mực 750hPa, 300 hPa, 250 hPa, 200 hPa khảo sát với độ dày là 30 hPa. Mặc dù số lƣợng 21 thành phần dự báo tham gia trong thí nghiệm tổ hợp là nhỏ, các gia số gió phân tích thu đƣợc từ hệ thống WRF-LETKF là tốt (a) (d) (c) (b) 41 so với các quan trắc trong cả hƣớng và độ lớn. Lƣu ý rằng, do sự phân bố không đồng đều của số liệu quan trắc với mật độ số liệu dày hơn ở các mực trên cao, quy mô hiệp phƣơng sai địa phƣơng (covariance localization scale) không thể đƣợc đặt quá lớn (khoảng 800 km trong tất cả các thí nghiệm tổ hợp) nhằm ngăn ảnh hƣởng của các quan trắc cách xa điểm lƣới đƣợc đồng hóa. Ngoài ra, tƣơng quan chéo giữa các vectơ gió và các biến khác có chứa một phần đáng kể nhiễu. Kết quả là các gia số phân tích về cơ bản giới hạn trong khu vực lân cận điểm quan trắc. Hình 4.4 (bên trái) Dự báo 00Z ngày 18/10/2010, Hình 4.5 (bên phải) Dự báo 12Z ngày 18/10/2010 (a) Dự báo quĩ đạo bão trung bình (đƣờng liền gạch chéo) , dự báo CTL (đƣờng liền chấm tròn), quĩ đạo bão thực (nét đứt gạch chéo), quĩ đạo của các member (đƣởng mảnh). Hình 4.4 và Hình 4.5 chỉ ra các dự báo quĩ đạo tổ hợp tại các thời điểm 0000 UTC và 1200 UTC ngày 18 với toàn bộ số liệu ggió AMW đã đồng hóa. Hình vẽ cho thấy có sự cải thiện đáng kể trong dự báo quĩ đạo mô hình đã nắm bắt đƣợc sự đổi hƣớng tại thời điểm 1200 UTC ngày 20, cũng nhƣ tốc độ di chuyển của Megi. Sai số dự báo 3 ngày từ 410 km trong dự báo tất định xuống còn 350 km trong dự báo tổ hợp (Hình 4.4) tại thời điểm 0000 UTC ngày 18, và từ 405 km xuống 160 km tại thời điểm 1200 UTC ngày 18 (Hình 4.5). 42 Về dự báo cƣờng độ, Hình 4.6 và Hình 4.7 cho thấy cƣờng độ trung bình tổ hợp là mạnh hơn so với dự báo tất định cho cả hai chu kì 0000 UTC và 1200 UTC ngày 18. Một đặc điểm đáng chú ý của dự báo cƣờng độ đó là sự phân nhánh bắt đầu khoảng 0000 UTC ngày 19, tại thời điểm này khoảng một nửa số thành phần tổ hợp có cƣờng độ mạnh hơn trong khi số còn lại có cƣờng độ yếu hơn. Các thành phần có cƣờng độ dự báo cao hơn đều có một điểm chung là đều sử dụng sơ đồ tham số hóa mây đối lƣu Kain-Fritsch (nhƣng với sự kết hợp khác nhau của bức xạ sóng ngắn hoặc các sơ đồ vi vật lí). Một nửa số thành phần dự báo cƣờng độ thấp có cùng sơ đồ tham số hóa mây đối lƣu Bett-Miler-Janjic. Sơ đồ đối lƣu KF tạo ra cƣờng độ bão mạnh hơn trong khi sơ đồ BMJ có cƣờng độ bão yếu hơn trong tất cả các dự báo tổ hợp, điều này khá phù hợp với các nghiên cứu dự báo cƣờng độ bão và dự báo mƣa lớn (Davis và Bosart 2002 [9]; Ratnam và Kumar 2005). Việc đánh giá cƣờng độ bão cao trong sơ đồ KF có thể liên quan tới sự tăng cƣờng của dòng xoáy nghịch đi ra trên cao do tăng cƣờng của dòng thăng qui mô đối lƣu. Một đặc điểm nữa của dự báo tổ hợp, đó là các thành phần dự báo trong sơ đồ KF có xu hƣớng không lệch về phía Đông nhƣ trong BMJ, bão đƣợc tạo ra bởi sơ đồ KF mạnh hơn do bị ảnh hƣởng của dòng gió Tây nhiều hơn là dòng gió Đông trên cao. Nhìn chung, dòng môi trƣờng mực 800 hPa tới 300 hPa là lớp thống trị sự di chuyển của bão, đối với các cơn bão đủ mạnh có thể mở rộng tới độ cao đủ lớn, mực trên cao có thể ảnh hƣởng tới quĩ đạo. Trong trƣờng hợp dòng quy mô lớn trên cao là gió Đông, các thành phần dự báo cƣờng độ mạnh hơn trong TN1 có khả năng phục hồi hơn, trƣớc những tác động của dòng gió Tây mực thấp kết hợp với rãnh trên cao nguyên Tibet. Có thể thấy ở đây sự tƣơng quan lẫn nhau giữa dự báo cƣờng độ và quĩ đạo, cƣờng độ của Megi trong TN1 giải thích cho khả năng phục hồi mạnh của bão 43 về phía Đông của dòng mực thấp trong khi quĩ đạo lệch ít về phía Đông có thể luôn luôn giúp bão đổi hƣớng trong môi trƣờng ít bị cắt hơn để phát triển xa hơn. Hình 4.6 (bên trái) Dự báo 00Z ngày 18/10/2010, Hình 4.7 (bên phải) Dự báo 12Z ngày 18/10/2010 (a) Tốc độ gió cực đại 10m của tổ hợp các member (đƣờng mảnh), tốc độ gió cực đại trung bình của các member (đƣờng liền đậm) và quan trắc gió cực đại (đƣờng nét đứt); (b) Cũng giống nhƣ hình (a) nhƣng đối với áp suất cực tiểu bề mặt. Để xem xét thêm sự khác biệt trong dòng quy mô lớn giữa thí nghiệm CTL và thí nghiệm tổ hợp thứ nhất (TN1) tại thời điểm 0000 UTC ngày 20 khi Megi đổi hƣớng, ta quan sát trên Hình 4.7 so sánh mặt cắt ngang của độ cao theo thời gian trong miền (10oN-25oN, 110oE-125oE) bao phủ toàn bộ quĩ đạo bão tại thời điểm 1200 UTC ngày 18/10. (b) (a) 44 Hình 4.8 Sơ đồ độ cao theo thời gian của dòng dẫn trung bình trong miền (10o-25oN, 110o-125oE) (a) thí nghiệm CTL, (b) thí nghiệm đồng hóa với số liệu CIMSS. Đƣờng nét đứt biểu thị khoảng thời gian dự báo control bắt đầu lệch khỏi quan trắc. Đây là thời điểm quan trọng nhất để theo dõi quĩ đạo Megi trong khoảng 1800 UTC ngày 18/10 đến 0000 UTC ngày 20/10. Thời gian này, dòng môi trƣờng trong thí nghiệm CTL là dòng hƣớng tây từ 700 hPa lên đến 400 hPa trong khi dòng môi trong TN1 có hƣớng tây nam, điều này phù hợp với việc giảm sai số quĩ đạo bão trong Hình 4.4 và Hình 4.5. Do dòng môi trƣờng bão trong khu vực Tây bắc Thái Bình Dƣơng đƣợc xác định chủ yếu vào sự giao tranh giữa rãnh trên khu vực Trung Quốc từ phía đông của cao nguyên Tây Tạng với áp cao cận nhiệt Tây Thái Bình Dƣơng, đây có thể là cơ chế vật lý chính chi phối sự thay đổi dòng dẫn trong Hình 4.8. Quan sát Hình 4.9 biểu diễn mặt cắt ngang của độ cao địa thế vị tại mực 500 hPa ở thí nghiệm CTL và TN1 lúc 1800 UTC ngày 18, 0000 UTC ngày 20. Từ hình vẽ có thể quan sát thấy sự thay đổi trong hình thế quy mô lớn đƣợc kết hợp với sự mở rộng về phía Tây của áp cao cận nhiệt Tây Thái Bình Dƣơng trong TN1. (a) (b) 45 Hình 4.9 Độ cao địa thế vị tại mực 500 hPa hình bên trái thí nghiệm CTL, hình bên phải thí nghiệm đồng hóa tại các thời điểm (a) 1200 UTC ngày 19; (b) 1800 UTC ngày 19 và (c) 0000 UTC ngày 20. Lƣỡi áp cao cận nhiệt đƣờng 5875 gpm trong thí nghiệm TN1 đạt tới 130oE trong khí nó chỉ ở khoảng 128oE lúc 1800 UTC ngày 19 trong thí nghiệm (a) (b) (c) 46 CTL. Ngoài ra, vùng có độ cao địa thế vị lớn hơn 5880 gpm trong TN1 là lớn hơn trong thí nghiệm CTL đã cho thấy áp cao cận nhiệt Tây Thái Bình Dƣơng trong TN1 mạnh hơn. Sự mở rộng và tăng cƣờng của ACCN Tây Thái Bình Dƣơng có thể quan sát đƣợc trong toàn bộ thời gian từ 1800 UTC ngày 18 – 0000 UTC ngày 20/10, tƣơng ứng với sự tăng cƣờng của dòng Đông nam trên rìa phía Nam của ACCN. Điều này đã bù đắp dòng mạnh phía Tây kết hợp với rãnh vĩ độ trung bình trên khu vực trung tâm Trung Quốc, dẫn tới dòng phía Tây yếu đi trong TN1. Kết quả bão Megi không bị đẩy quá mạnh về phía Đông chính vì vậy mà dự bão quĩ đạo tốt hơn (Hình 4.5). Ngoại trừ không có khả năng nắm bắt xoáy yếu ở các thí nghiệm tổ hợp, có thể thấy rằng trung bình tổ hợp đã chỉ ra có sự liên kết chặt chẽ với quan trắc đƣợc thêm vào so với dự báo tất định trong cả độ lớn của vận tốc gió cực đại (vmax) và giai đoạn tựa dừng. Mặc dù thời điểm ban đầu xoáy yếu, nhƣng TN1 nhằm minh họa dự báo quĩ đạo tốt hơn, đóng vai trò trong việc dự báo cƣờng độ bão. Trong khi các yếu tố khác có thể quyết định đến cƣờng độ bão nhƣ nhiệt độ mặt biển, sự cung cấp độ ẩm, độ đứt gió thẳng đứng, hay tƣơng tác địa hình, sự khác biệt nhất của dòng quy mô lớn giữa thí nghiệm CTL và TN1 thu đƣợc là ít lệch phía Đông của quĩ đạo sau 1200 UTC ngày 19. Trong Hình 4.10 độ đứt thẳng đứng giảm từ 7.3 m/s trong thí nghiệm CTL xuống còn 6 m/s từ 1200 UTC ngày 19 tới 0000 UTC ngày 20 trong khi Megi đạt trạng thái tựa tĩnh. 47 Hình 4.10 Mô phỏng độ lớn trung bình của độ đứt thẳng đứng giữa mực 200 và 850 hPa trong thí nghiệm CTL (đƣờng liền), trong TN1 (đƣờng nét đứt) Trong thí nghiệm TN1, áp cao cận nhiệt đới Tây Bắc Thái Bình Dƣơng mở rộng về phía Tây sau khi trƣờng ban đầu đƣợc đồng hóa bằng số liệu vệ tinh. Các vectơ gió đồng hóa phân bố chủ yếu ở mực trên cao (lớn hơn 300 hPa) chứ không phải ở các mực thấp nơi mà bị ACCN ảnh hƣởng nhiều nhất. Hình 4.11 chỉ ra sự phân bố của gió ở mực thấp tập trung chủ yếu từ mực 800 hPa tới 300 hPa và tƣơng tự lớp trên cao tập trung từ mực 300 hPa tới 50 hPa. Hình 4.11 Đồng hóa số liệu vệ tinh mực thấp 800-300 hPa (bên trái), mực cao 300 -80 hPa (bên phải) 48 Có thể thấy gió mực thấp xoáy nằm xa trung tâm của Megi, trong khi gió ở mực cao tập trung trong hoàn lƣu chính với xoáy nghịch chiếm ƣu thế. Chính sự phân bố của gió vệ tinh đƣa ra hai vấn đề: một là, vai trò quan trọng của dòng môi trƣờng mực thấp dƣờng nhƣ cho thấy gió AMW góp phần tới quĩ đạo bão mặc dù các điểm dữ liệu thƣa thớt. Mặc khác, với hơn 80% các điểm quan trắc đƣợc thêm vào ở mực cao nhƣ trong Hình 4.11, đƣợc dùng để đánh giá ảnh hƣởng của gió mực cao tới quĩ đạo và cƣờng độ Megi. Để kiểm tra mối quan hệ của gió AMW mực cao so với gió AMW mực thấp tới dự báo Megi, hai thí nghiệm sẽ đƣợc tách ra trong phần sau. Hình 4.12 dự báo quĩ đạo tổ hợp trong hai thí nghiệm mực thấp và mực. Mặc dù, có ít điểm quan trắc nhƣng gió AMV mực thấp có thể giúp cải thiện đƣợc quĩ đạo Megi tốt nhƣ là sự phân bố dày đặc của gió AMV mực cao, sai số quĩ đạo trung bình 3 ngày là 175 km và 188 km tƣơng ứng với hai thí nghiệm trên (dù dự báo quĩ đạo trung bình tổ hợp trong thí nghiệm mực thấp gần với quĩ đạo thực hơn trong TN1, nhƣng sai số quĩ đạo dọc lại lớn hơn hẳn do tốc độ di chuyển chậm hơn trong TN1). Hình 4.12 Dự báo quĩ đạo Megi với đồng hóa gió AMV mực thấp (hình trái) và mực cao (hình phải). Ngoài ra, độ mở của quĩ đạo tổ hợp trong thí nghiệm mực cao nhỏ hơn nhiều 49 trong thí nghiệm mực thấp, đã cho thấy sự lệch đáng kể về phía Đông của thành phần tổ hợp trong thí nghiệm mực cao. Xem xét hình thế của ACCN Tây Thái Bình Dƣơng, có thể thấy số liệu AMV mực thấp hiệu quả nhất trong việc tăng cƣờng và mở rộng về phía Tây của ACCN Tây Thái Bình Dƣơng. Nhƣ trong Hình 4.13, sự phân bố của ACCN Tây TBD trong mực thấp rất gần với quan sát trong thí nghiệm 1 với đƣờng độ cao địa thế vị 5875 gpm gần 130 o E, trong khi thí nghiệm mực cao thì hầu nhƣ không vƣợt qua đƣợc kinh độ 130oE. Điều này có thể chỉ ra rằng một số ít các quan trắc mực thấp trong dòng môi trƣờng ở xa tâm bão có thể giúp cải thiện đáng kể dòng dẫn bão. So sánh thí nghiệm mực cao và thí nghiệm CTL, mặc dù cả hai thí nghiệm có một hệ thống ACCN Tây Thái Bình Dƣơng yếu không đủ mở rộng về phía Tây nhƣng quĩ đạo dự báo trong thí nghiệm mực cao có sự cải thiện hơn. Điều này cho thấy các dòng mực cao đƣợc tăng cƣờng có ích cho việc dự báo quĩ đạo, sự cải thiện của dòng môi trƣờng từ mực thấp tới mực trung là cần thiết để có đƣợc dự báo quĩ đạo tốt. Mặc dù các điểm dữ liệu ít hơn, gió AMV mực thấp đã chứng tỏ tầm quan trọng trong việc điều chỉnh hệ thống ACCN Tây Thái Bình Dƣơng quy mô lớn hơn là điều chỉnh dòng môi trƣờng một cách có hiệu quả. 50 Hình 4.13. Tƣơng tự nhƣ Hình 4.9 thí nghiệm mực thấp (hình trái) và thí nghiệm mực cao (hình phải) Đối với dự báo cƣờng độ, kết quả tƣơng tự nhƣ trong TN1 ta có thể thấy một sự cải thiện nhỏ ở tất cả các chu kì (Hình 4.14). Sự phân nhánh với một nửa số thành phần tổ hợp có cƣờng độ mạnh hơn và một nửa với sơ đồ BMJ có cƣờng độ yếu hơn cũng lặp lại trong cả hai thí nghiệm. Cũng nhƣ TN1, dự báo cƣờng độ tốt hơn trong thí nghiệm tổ hợp có liên quan nhiều tới việc sử 51 dụng các thành phần đa vật lí chứ không phải là sự đồng hóa của gió AMV. Các thành phần tổ hợp với tùy chọn KF có xu hƣớng phát triển mạnh hơn. Do đó, quĩ đạo của bão trong thí nghiệm ít bị lệch về phía Đông nhƣ trong thí nghiệm mực trên cao. Mặc dù việc đồng hóa gió AMV có thể giảm độ lệch tâm bão, nhƣng thực tế các thành phần có cƣờng độ mạnh hơn trong thí nghiệm mực cao có thể vẫn cho thấy sự tăng cƣờng nhanh chóng nhƣ trong TN1. Điều này cho thấy các tham số hóa vật lý đóng vai trò lớn trong việc dự báo cƣờng độ bão Megi. Hình 4.14 Đồng hóa gió AMV mực thấp (hình trái) và mực cao (hình phải) 52 KẾT LUẬN Từ các kết quả nghiên cứu trong luận văn có thể đƣa ra những kết luận ban đầu nhƣ sau: Bằng cách đồng hóa bộ số liệu vệ tinh sử dụng phƣơng pháp lọc Kalman tổ hợp chạy trên mô hình dự báo thời tiết WRF đã cho thấy, bộ số liệu có thể giúp cải thiện đáng kể khả năng dự báo bão Megi. Đặc biệt, sự mô tả ban đầu của áp cao cận nhiệt đới Tây Bắc Thái Bình Dƣơng là một trong những yếu tố quan trọng nhất thống trị dòng dẫn của cơn bão trong khu vực Tây bắc Thái Bình Dƣơng. Sự mở rộng về phía Tây của ACCN Tây Thái Bình Dƣơng giúp bù đắp dòng phía Tây mực thấp kết hợp với rãnh cận nhiệt đới dẫn đến việc dự báo quỹ đạo tốt hơn. Hơn nữa sự tăng cƣờng của dòng môi trƣờng qui mô lớn sau khi đồng hóa với số liệu vệ tinh AMV cho thấy việc sử dụng lọc Kalman tổ hợp đa vật lí có một vài lợi ích tới sự tăng cƣờng của kỹ năng dự báo. Điều đáng chú ý nhất đó là các thành phần tổ hợp với sơ đồ tham số hóa đối lƣu Kain-Fritsch đã tạo ra bão mạnh hơn trong khi sơ đồ Betts-Miller-Janjic hƣớng tới nắm bắt các cơn bão yếu hơn. Sau khi phân tách thí nghiệm gió mực thấp 800-300 hPa và mực cao 300-80 hPa đã chỉ ra rằng mặc dù sự phân bố rải rác theo không gian của dòng mực thấp AMV với hầu hết các điểm nằm rìa của hoàn lƣu Megi nhƣng cũng đem lại kết quả dự báo bão tốt hơn so với dòng mực cao. 53 TÀI LIỆU THAM KHẢO Tiếng Việt 1. Kiều Quốc Chánh, 2011, “Xây dựng hệ thống đồng hóa lọc Kalman tổ hợp địa phƣơng cho mô hình dự báo thời tiết WRF”, Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và Công nghệ Tập 27, số 1S, tr. 17-28. 2. Nguyễn Lê Dũng, Phan Văn Tân, (2009), “Thử nghiệm ứng dụng hệ thống WRF-VAR kết hợp ban đầu hóa xoáy dự báo quỹ đạo bão trên khu vực biển Đông”, Tuyển tập báo cáo Hội nghị dự báo viên toàn quốc lần thứ III, Tr 36-46. 3. Trần Tân Tiến, Nguyễn Thị Thanh (2011), “Đồng hóa dữ liệu vệ tinh modis trong mô hình WRF để dự báo mƣa lớn ở khu vực Trung Bộ”, Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và Công nghệ 27, Số 3S (2011) 90-95. 4. Kiều Thị Xin, Lê Đức (2003). “Nâng cao chất lƣợng dự báo mƣa bằng mô hình khu vực phân giải cao HRM nhờ tăng độ phân giải và điều chỉnh trƣờng ban đầu bằng phƣơng pháp đồng hoá số liệu ba chiều”. Tuyển tập hội nghị khoa học, Viện Khoa học khí tượng thuỷ văn và Môi trường. 5. Kiều Thị Xin, 2005. “Nghiên cứu dự báo mƣa lớn diện rộng bằng công nghệ hiện đại phục vụ phòng chống lũ lụt ở Việt Nam”. Báo cáo tổng kết đề tài khoa học công nghệ độc lập cấp nhà nước, tr.121- 151. 54 Tiếng Anh 6. Berger, H. C. Velden, S. Wanzong, and J. Daniels, cited 2007: “Evaluation of a new quality indicator to estimate satellite-derived Atmospheric Motion Vector error”. J. Appl. Meteor. Climatol., 50, 2309– 2318. 7. Brown, D. P., J. L. Beven, J. L. Franklin, and E. S. Blake, 2010: “Atlantic hurricane season of 2008”. Mon. Wea. Rev., 138, 1975–2001. 8. Carr, L. E., and R. L. Elsberry, 1995: “Monsoonal interactions leading to sudden tropical cyclone track changes ”. Mon. Wea. Rev., 123, 265–290. 9. Davis, C., and L.F. Bosart, 2002 : “Numerical simulations of the genesis of Hurricane Diana (1984)”. Part II: Sensitivity of track and intensity prediction. Mon. Wea. Rev., 130, 1100–1124. 10. Kalnay et.al (2008): “A local semble transform Kalman filter data assimilation system for the NCEP global model”. Tellus A, Volume 60, Issue 1, pages 113-130, January 2008. 11. Pike, A. C., and C. J. Neumann, 1987: “The variation of track forecast difficulty among tropical cyclone basins”. Wea. Forecasting, 2, 237–241. 12. Payne, K. A., R. L. Elsberry, and M. A. Boothe, 2007: “Assessment of western North Pacific 96- and 120-h track guidance and present forecast ability”. Wea. Forecasting, 22, 1003–1015. 13. Velden, C. S., and Coauthors, 2005: “Recent innovations in deriving tropospheric winds from meteorological satellites”. Bull. Amer. Meteor. Soc., 86, 205–223. 55 14. Routray, U.C. Mohanty, D. Niyogi, S.R. Rizvi, K.K.Osuri. “First application of 3DVAR-WRF data assimilation for mesoscale simulation of heavy rainfall events over Indian Monsoon region”. Journal of the Royal Meteorological Society (2008) 1555. 15. Rakesh, Singh Randhir, C. Joshi Prakash. “Intercomparison of the performance of MM5/WRF with and without satellite data assimilation in short-range forecast applications over the Indian region”. Journal of Technology and Science, 105 (2009) 133. 16. Xavier, Chandrasekar, R. Singh and B. Simon. “The impact of assimilation of MODIS data for the prediction of a tropical low- pressure system over India using a mesoscale model”. International Journal of Remote Sensing 27, No.20 (2006) 4655.