Luận văn Thử nghiệm dự báo quỹ đạo bão bằng phương pháp nuôi nhưng dao động phát triển nhanh của mô hình Rams

Kết quả đánh giá sai sốkhoảng cách cho 7 cơn bão cho thấy:  Dự báo quỹ đạo bão trong 42 giờ đầu:  Sai số khoảng cách giữa quỹ đạo dựbáo bằng phương pháp BGM với quỹ đạo thực trong khoảng từ72 đến 151 km.  Sai số khoảng cách giữa dự báo quỹ đạo bằng phương pháp BGM với quỹ đạo dự báo kiểm tra là gần như nhau, tốc độ di chuyển của quỹ đạo bão bằng phương pháp BGM chậm hơn so với quỹ đạo thực, trong khi đó quỹ đạo dự báo kiểm tra nhanh hơn so với quỹ đạo thực. Hướng di chuyển của cả 2 dự báo đều lệch phải so với quỹ đạo thực.  Dự báo quỹ đạo hạn 48 giờ:  Sai số khoảng cách của quỹ đạo dự báo bằng phương pháp BGM là 137 km so với quỹ đạo bão thực.  Sử dụng phương pháp BGM để dự báo quỹ đạo bão cho sai số khoảng cách giảm 66 km so với dự báo kiểm tra. Hướng di chuyển của dựbáo bão quỹ đạo bằng phương pháp BGM lệch phải so với quỹ đạo thực trong khi đó quỹ đạo của dự báo kiểm tra lại lệch trái so với quỹ đạo thực. Tốc độ di chuyển của quỹ đạo bão bằng phương pháp BGM giảm 35 km so với dự báo kiểm tra.

pdf84 trang | Chia sẻ: lylyngoc | Ngày: 25/12/2013 | Lượt xem: 1501 | Lượt tải: 0download
Bạn đang xem nội dung tài liệu Luận văn Thử nghiệm dự báo quỹ đạo bão bằng phương pháp nuôi nhưng dao động phát triển nhanh của mô hình Rams, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
ai số dự báo cho toàn bộ tập mẫu khoảng 800 trường hợp bão trong các năm 2004, 2005, 2006, 2007, 2008 đã được mô phỏng theo hai phương án (bảng 2.1). + Chạy mô hình RAMS có cập nhật số liệu địa phương (Rams) + Chạy mô hình RAMS vừa cài xoáy giả, vừa cập nhật số liệu địa phương (RamsBog). Bảng 2.1. Kết quả sai số vị trí dự bão theo 2 phương án Rams và RamsBog HanDB RAMS (km) RAMSBOG (km) 6 113 135 12 145 199 18 182 279 24 220 344 30 250 394 36 280 428 42 306 457 48 339 469 54 363 480 60 393 486 66 419 499 72 441 521 42 Kết quả từ bảng 2.1 cho thấy dự báo của mô hình RAMS đối với các cơn bão hoạt động trên Biển Đông có sai số tương đối lớn, cụ thể đối với hạn dự báo 24, 48 và 72 giờ lần lượt là 220, 339 và 441 km. Còn đối với trường hợp có sử dụng phương pháp tạo xoáy giả, kết quả của phương pháp này cho sai số khoảng cách lớn hơn so với trường hợp không cài xoáy lần lượt là 344, 469 và 521 km với hạn dự báo là 24, 48 và 72 giờ. 2.3 PHƯƠNG PHÁP TẠO NHÂN BAN ĐẦU VÀ NUÔI NHIỄU TRÊN MÔ HÌNH RAMS. Trong luận văn này tác giả chọn phương pháp tổ hợp 1 chiều sử dụng phương pháp nuôi những dao động phát triển nhanh. Mô hình dự báo số được giả thiết là hoàn hảo và sai số dự báo chỉ do điều kiện ban đầu gây nên. Do đó, điểm mấu chốt trong phương pháp này là tìm phương pháp tạo ra tập hợp các trường ban đầu khác nhau từ một trường phân tích ban đầu cho mô hình dự báo số. Theo lý thuyết (trình bày ở phần 1.2.1), nhân ban đầu tạo ra bằng phương pháp dự báo trễ có cấu trúc động lực phát triển của độ tán tổ hợp lớn hơn so với nhân ngẫu nhiên. Vì vậy, trong luận văn này tác giả sử dụng phương pháp dự báo trễ để tạo ra nhân ban đầu. 2.3.1 Tạo nhân ban đầu Trong luận văn này, tác giả tạo nhân ban đầu bằng phương pháp dự báo trễ, nội dung của phương pháp này như sau: o Sử dụng số liệu phân tích của những obs 48,42,36,30 giờ trước thời điểm dự báo. o Tích phân dự báo tới 24 giờ trước khi dự báo o Tìm hiệu của các tích phân này từng đôi một o Chuẩn hóa lại các nhiễu ban đầu này (D1, D2,…,D6)  D* = S.D 43 Ở đây  PCS  /    N np P N TT  1 2 850850 Với: N là số điểm lưới, T p850 , T n850 : là giá trị dương và âm của 1 cặp dự báo của trường nhiệt độ tại các mực 850mb, C là hệ số điều chỉnh (chọn theo kinh nghiệm) tác giả chọn C=1.2 }D5 }D6 (T-48) (T-42) (T-36) (T-30) (T-24) Hình 2.3: Cách tạo nhân ban đầu trước khi nuôi nhiễu }D3 }D4 }D1 }D2 Kết quả của phương pháp tạo nhân ban đầu này là tác giả đã tạo được 6 nhân ban đầu (hình 2.3) cho mỗi trường hợp dự báo bão. Như vậy, trong thử nghiệm này, mỗi cơn bão tác giả cần phải tạo ra 6 nhân với mỗi nhân tương ứng với hiệu của 2 dự báo trễ sau khi đã chuẩn hóa. Ví dụ: để có nhân ban đầu D1, cần chuẩn bị số liệu tại các obs trước thời điểm làm dự báo 48 (T-48) giờ và 42 giờ (T-42). Sau đó đưa các số liệu này vào tích phân đến cùng thời điểm trước khi làm dự báo 24 giờ (T-24). Tiếp theo, sử dụng công thức chuẩn hóa để tạo ra nhân ban đầu D1. Làm tương tự như vậy, sẽ tạo ra 6 nhân ban đầu là D1, D2, D3, D4, D5 và D6. Những nhân ban đầu này sẽ được dùng cho 44 phương pháp nuôi để tìm ra những dao động phát triển nhanh của mô hình dự báo. 2.3.2 Nuôi những dao động phát triển nhanh Sử dụng phương pháp nuôi những dao động ban đầu để tìm ra nhiễu phát triển nhất cho trường ban đầu của các cơn bão thử nghiệm. Phương pháp này dựa trên ý tưởng của 2 tác giả Toth and Kanay (Breeding of Growing Model viết tắt BGM). Nội dung của phương pháp này như sau: a/ Tạo một nhân ban đầu bất kỳ và chuẩn hóa như đã trình bày ở trên b/ Cộng và trừ nhiễu đã chuẩn hóa với trường phân tích, sử dụng điều kiện biên cập nhật của NCEP và tích phân mô hình 6 giờ với hai trường ban đầu này. c/ Lấy hiệu của 2 trường trường dự báo để được nhiễu mới D ở thời điểm t+6 d/ Chuẩn hóa nhiễu này theo công thức D* = S.D Ở đây PCS  /   N np P N TT  1 2 850850 Với: N là số điểm lưới, , T p850 T n850 : là giá trị dương và âm của 1 cặp dự báo của trường nhiệt độ tại các mực 850mb, C là hệ số điều chỉnh (chọn theo kinh nghiệm) tác giả chọn C=1.2 e/ Lặp lại từ bước b/ cho tới thời điểm T00 (hình 2.4) ta tìm được nhiễu phát triển nhanh đối với mô hình dự báo (hình 2.5). 45 Hình 2.4: Phương pháp nuôi mode phát triển Hình 2.5: Các cặp nhiễu dùng trong dự báo tổ hợp Sau 24 giờ nuôi, 6 giờ chuẩn hóa 1 lần ta tìm được những dao động phát triển nhanh cho mô hình dự báo. Mỗi nhân ban đầu ở trên sau khi nuôi sẽ tạo ra 1 nhiễu mới. Đây là một mode phát triển nhanh của mô hình RAMS. Nhiễu này sẽ được cộng và trừ với trường phân tích kiểm tra để tạo ra 2 trường ban đầu. Trong luận văn này, do tác giả chọn số nhân ban đầu là 6 vì vậy các trường ban đầu được tạo ra sẽ là 12. Kết hợp với trường phân tích kiểm tra, ta thu được sẽ là 13 trường ban đầu. 13 trường ban đầu này được đưa vào mô hình 46 RAMS để tích phân dự báo hạn 72 giờ, kết quả ta sẽ thu được 13 trường dự báo (các dự báo thành phần) tương ứng với 13 trường đầu vào. Tìm tâm bão của 13 trường này và tổ hợp bằng cách lấy trung bình, cho ta dự báo tổ hợp vị trí tâm bão. Như vậy, để dự báo 72 giờ cho 7 cơn bão, không kể trường hợp tạo nhân ban đầu cho mỗi cơn bão, khối lượng tích phân mô hình để ra được sản phẩm tổ hợp là khá lớn 7x13=91 lần tích phân mô hình hạn dự báo 72 giờ. 47 CHƯƠNG 3 THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS 3.1 MÔ TẢ TẬP SỐ LIỆU NGHIÊN CỨU Trong nghiên cứu này, các trường phân tích và dự báo 6 giờ một của mô hình toàn cầu GFS với độ phân giải ngang 1x1 độ kinh vĩ sẽ được sử dụng làm điều kiện ban đầu và điều kiện biên cho mô hình RAMS. Với miền tính toán như hình 2.1, tác giả đã thử nghiệm với 7 cơn bão và áp thấp nhiệt đới (xoáy thuận nhiệt đới, XTNĐ) hoạt động trên biển Đông trong mùa bão năm 2006. Danh sách các cơn bão được liệt kê trong bảng 3.1 B¶ng 3.1. Danh sách các trường hợp bão và áp thấp nhiệt đới được lựa chọn thực hiện thử nghiệm. Tên bão và ATNĐ Thời điểm tiến hành dự báo Vĩ độ Kinh độ STT Vmax (kt) CHANCHU 1 00Z - 13/05/2006 13.3 120.6 50 PRAPIROON 2 00Z - 31/07/2006 15.4 122.8 25 XANGSAGE 3 00Z - 27/09/2006 12.5 125.5 90 CHEBI 4 00Z - 10/11/2006 16.1 127.2 55 DURIAN 5 00Z - 01/12/2006 13.6 120.3 75 UTOR 6 00Z – 11/12/2006 13.3 118.4 75 CIMARON 7 00Z - 28/10/2006 14.3 128.2 65 48 3.2 NUÔI NHIỄU PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS Theo nghiên cứu của Zhou và Chen, 2005 [96] về dự báo tổ hợp xoáy thuận nhiệt đới dùng mô hình chính áp cho khu vục tây bắc Thái Bình Dương là chỉ cần sử dụng nhân ban đầu của trường gió (u,v) và trường nhiệt (t) là đủ. Nên các nhân ban đầu này được đưa vào chu trình nuôi để tìm ra các dao động phát triển nhanh của mô hình RAMS. Dưới đây, tác giả trình bày kết quả tạo nhân ban đầu và nuôi những dao động phát triển nhanh của mô hình RAMS. Nhân ban đầu cho trường gió và nhiệt. Nhân ban đầu được tạo ra bằng phương pháp dự báo trễ đã được trình bày trong phần 2.4.1. Hình 3.1: Trường t (độ C), u (m/s), v (m/s) của nhân D1 a c c a b b Hình 3.2: Trường t (độ C), u (m/s), v (m/s) của nhân D3 Để tạo nhân ban đầu cho cơn bão Chan chu tại thời điểm 7h ngày 13/05/2006, tác giả đã sử dụng số liệu GFS tại thời điểm (T-48), (T-42), (T- 36), (T-30), sau đó tích phân các số liệu tại các thời điểm này đến (T-24), tìm hiệu các trường nhiệt, gió ở các mực tại thời điểm (T-24) từng đôi một và 49 chuẩn hóa. Kết quả sẽ nhân được 6 nhân ban đầu là D1, D2, …, D6. Trường gió, nhiệt của nhân D1, D3 được thể hiện trên hình (hình 3.1). Đối với trường nhiệt độ của nhân D1 (hình 3.1a) ta thấy các tâm cao xảy ra mạnh chủ yếu nằm ở phía bắc của Việt Nam, trong khi đó ta quan sát trường nhiệt độ của nhân D3 (hình 3.2a) thì những tâm cao này diễn ra ở một phần phía tây bắc Mianma và những tâm thấp nằm ở miền trung Việt Nam, quần đảo Philippin và một phần của nước Úc. Trường gió u của nhân D1 (hình 3.1b) có tâm cao ở phía tây và tây bắc, nhưng đối với nhân D3 (hình 3.2b) thì trường gió lại có tâm thấp ở phía Nam của bản đồ. Trường gió v của nhân D1 (hình 3.1c) có các tâm cao chủ yếu ở khu vực Việt Nam, Trung Quốc và một phần của nước Úc, trong khi đó trường gió v của nhân D3 (hình 3.2c) lại có tâm cao ở tại Indonexia, Malayxia và nước Úc. Qua phân tích các trường gió và nhiệt tại mực 850mb của 2 nhân D1 và D3 ta thấy: Nhiễu của mỗi trường khí tượng ở mỗi mực, đều có các biến động khác nhau, các biến động này được sinh ra bởi sai số của các dự báo tại các thời điểm trước đó. 50 Nuôi những dao động phát triển nhanh của mô hình RAMS Hình 3.3. Chu trình nuôi 24 giờ của phương pháp BGM cho cơn bão Chan chu 7h ngày 13/5/2006 Đưa lần lượt các nhân ban đầu D1, D2, …, D6 vào chu trình nuôi những dao động phát triển nhanh của RAMS (hình 3.3) có thời hạn nuôi 24 giờ với khoảng cách của mỗi lần nuôi là 6 giờ. Quá trình nuôi dao động phát triển nhanh của mô hình RAMS với trường nhiệt, gió của nhân D1 của cơn bão Chan chu như sau: cộng, trừ trường nhiệt, gió ở các mực của nhân D1 với trường nhiệt, gió của các mực của trường GFS 00h ngày 12/05/2006 (T-24), kết quả tạo ra 1 cặp trường dự báo mới. Tích phân cặp trường dự báo này tới thời điểm 06h ngày 12/05/2006 (T-18), tìm hiệu của cặp dự báo tại (T-18) và chuẩn hóa theo công thức trình bày ở phương pháp BGM. Trường nhiệt, gió đã được chuẩn hóa này được cộng và trừ với trường nhiệt, gió của trường GFS tại 12 h ngày 12/05/2006 (T-12), tích phân cặp này tới 18h ngày 12/05/2006 (T-06), đưa kết quả dự báo tại (T-12) hạn 6 giờ của trường nhiệt, gió đã tìm hiệu và chuẩn hóa cộng với trường nhiệt, gió của trường GFS tại (T-6). Tiếp tục tích phân cặp nhiễu tại (T-6), tìm hiệu và chuẩn hóa trường nhiệt, gió ở các mực ta có được trường nhiệt, gió của nhân D1 (hình 3.5) và cộng trừ nhân D1 với trường nhiệt, gió 51 của trường GFS tại 00 h ngày 13/05/2006 (T00), 2 trường mới được tạo ra này được xem như là 2 thành phần dự báo. Hình 3.4: Trường t (độ C), u (m/s), v (m/s) của nhân D1 tại thời điểm T-12 giờ a a b b c c Hình 3.5: Trường t (độ C), u (m/s), v (m/s) của nhân D1 tại thời điểm T00 giờ Phân tích trường nhiệt và gió của nhân D1 tại T-12 giờ trước thời điểm dự báo, trên hình 3.4 các tâm cao ở phía bắc vẫn được duy trì tuy nhiên các tâm này mở rộng hơn, trong khi đó trên Biển Đông lại hình thành những tâm thấp mới. Tiếp tục nuôi nhân D1 tới thời điểm T00 (hình 3.5), các tâm cao ở phía bắc Việt Nam vẫn được duy trì, tâm thấp mới sinh ra trong quá trình nuôi dao động so với thời điểm T=-12 giờ trên Biển Đông đã bị giảm. Sau một chu trình nuôi ta tìm được dao động phát triển nhanh của mô hình RAMS đối với nhân D1. 52 c b a Hình 3.6: Trường t (độ C) ,u (m/s) ,v (m/s) của nhân D3 tại thời điểm T=-12 giờ b a c Hình 3.7: Trường t (độ C) ,u (m/s) ,v (m/s) của nhân D3 tại thời điểm T=00 giờ Tương tự như trường nhiệt độ và gió của nhân D1, trường nhiệt độ (hình 3.6a) của nhân D3 sau một chu trình nuôi 24 giờ, các tâm cao ở phía bắc và tây bắc Việt Nam, tâm thấp ở phía Đông Trung Quốc và ở quần đảo Philippin đã thu hẹp so với trường nhiệt độ tại thời điểm T=-12 (hình 3.7 a). Các thành phần u, v của trường gió (hình 3.7 b,c) nhân D3 lại cho thấy các tâm cao ở khu vực phía Đông bắc Việt Nam có xu hướng lùi về phía nam và yếu đi. Để thấy vai trò của quá trình trước và sau khi nuôi nhiễu, ta tìm hiệu của trường gió và nhiệt độ của nhân D1 và nhân D3 tại T=00 trừ đi trường gió, nhiệt được tạo bởi phương pháp dự báo trễ (nhân ban đầu), kết quả được biễu diễn ở hình 3.8 và hình 3.9: 53 b a c Hình 3.8: Biến động của Trường t (độ C) ,u (m/s) ,v (m/s) của nhân D1 a b c Hình 3.9: Biến động của Trường t (độ C) ,u (m/s) ,v (m/s) của nhân D3 Đối với trường nhiệt, và trường gió v của 2 nhân D1 và D3 đều cho vùng biến động mạnh tại khu vực phía bắc Việt Nam (hình 3.8a, hình 3.9a, hình 3.8c, hình 3.9c). Trong khi biến động của trường nhiệt, và trường gió v của 2 nhân D1 và D3 có vùng biến động mạnh ở khu vực Thái Lan và Mianma (hình 3.8b, hình 3.9b). Từ phân tích trên cho thấy, các nhân ban đầu đã thay đổi trong quá trình nuôi và nó trở thành các mode phát triển của mô hình RAMS. 54 3.3 DỰ BÁO TỔ HỢP QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHỮNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS. Kết quả dự báo tổ hợp quỹ đạo của 7 cơn bão (bảng 3.1) được sử dụng để đánh giá sai số của phương pháp và so sánh với các dự báo khác. Để thấy rõ hiệu quả của phương pháp tổ hợp dưới đây sẽ trình bày kết quả dự báo quỹ đạo của 2 cơn bão điển hình Chan chu 13/05/2006 và Prapiroon ngày 31/07/2006. 3.3.1 Cơn bão Chan chu (12-17/5/2006) Diễn biến của cơn bão Chan chu Đây là cơn bão rất mạnh, hình thành từ phía Đông Philipin, trưa ngày 12/5 vượt qua Philipin vào Biển Đông. Bão di chuyển nhanh theo hướng Tây Tây Bắc. Sáng 15/5, khi đến khoảng kinh tuyến 115 độ kinh đông bão đổi hướng di chuyển nhanh về phía Bắc (hình 3.10). Chiều tối ngày 17/5 bão đổ bộ vào đất liền tỉnh Quảng Đông (Trung Quốc). Hình 3.10. Quỹ đạo thực của bão Chan chu (Nhật bản) 55 Phân tích hình thế synop cơn bão Chan chu Ngày 14 tháng 5 năm 2006 bão Chan chu đã mạnh tới 2 cấp so với ngày 13, từ cấp 10, lên cấp 12, lúc 00z ngày 14/5/2006 vị trí tâm bão ở vào khoảng 14.0 độ vĩ bắc; 117.6 độ kinh đông. Hình 3.11: Bản đồ phân tích mặt đất 00z ngày 14/5/2006 Trên bản đồ phân tích mặt đất 00z ngày 14 tháng 5 năm 2006 (Hình 3.11) ta thấy một áp cao lạnh lục địa đang bao trùm toàn bộ Trung Quốc với đường đẳng áp khép kín ở trung tâm áp cao lạnh này lên tới 1030mb. Lưỡi áp cao lạnh này đã ảnh hưởng đến Bắc Bộ, Bắc Trung Bộ và một số nơi thuộc Trung Trung Bộ và phía bắc Biển Đông. Hình 3.12: Bản đồ phân tích mực 850mb 00z ngày 14/5/2006 56 Trên bản đồ phân tích AT-850 (Hình 3.12) thể hiện rất rõ sự khống chế của lưỡi áp cao lạnh lục địa với các nơi trên đất liền nước ta và khu vực bắc Biển Đông. Với đường khép kín 156 (dam) ở trung tâm trong tháng 5, chứng tỏ đây là đợt hoạt động mạnh của áp cao lạnh lục địa trong giai đoạn này. Qua phân tích các bản đồ phân tích mặt đất và AT-850 lúc 00z ngày 14/5/2006 (hình 3.12) ta thấy bão Chan chu đang nằm ở phía Đông Nam của lưỡi áp cao lạnh lục địa với trường gió Đông Bắc thịnh hành trên toàn bộ khu vực phía Đông Nam Trung Quốc đến hết khu vực bắc biển Đông. Hình 3.13: Bản đồ phân tích mực 500mb 00z ngày 14/5/2006 Bản đồ phân tích AT-500 (Hình 3.13) phân tích được một lưỡi áp cao cận nhiệt đới với đường bao quanh là 584 (dam), tuy nhiên trong lưỡi áp cao này lại phân thành hai trung tâm, một vùng có trung tâm ở vào khoảng 150N - 1050E, một ở khu vực phía đông Philippin với trục của áp cao cận nhiệt đi qua bắc Trung Bộ, trong khi đó bão Chan chu lại nằm ở phía dưới trường yên của áp cao này. Cùng với đó trên khu vực 108 – 1120E; 30 – 350N cũng thể hiện khá rõ một trục rãnh. 57 Hình 3.14: Ảnh mây vệ tinh 00z ngày 14/5/2006 Ảnh mây vệ tinh 00z ngày 14/5/2006 (Hình 3.14) thể hiện rất rõ sự hoạt động của áp cao cận nhiệt đới với trường yên nằm ở phía bắc Philippin, sự lấn xuống của áp cao lục địa đã bao trùm toàn bộ khu vực Bắc Bộ và bắc Biển Đông, đồng thời cũng cho ta thấy phạm vi và cường độ của bão Chan chu trong thời điểm này là rất mạnh. Với phân bố các trường khí tượng từ mặt đất lên 5km như đã phân tích ở trên ta thấy có 2 khả năng cho sự di chuyển của bão Chan chu trong thời gian tương lai: Khả năng 1: bão sẽ phá vỡ trường yên của áp cao cận nhiệt ở mực 500mb và di chuyển lên phía bắc, với trường hợp này bão sẽ xâm nhập và cuốn hút mạnh khối không khí lạnh tầng thấp dẫn đến khả năng bão sẽ suy yếu cường độ trong thời gian tương lai; Khả năng 2: bão không phá vỡ trường yên trên mực 500mb mà sẽ đi theo dòng dẫn của rìa đông nam của bộ phận áp cao cận nhiệt phía Tây kết hợp với trường gió Đông bắc của áp cao lạnh do đó bão sẽ di chuyển chủ yếu về phía Tây, với trường hợp này do hoạt động ở trong vùng biển sâu, đang trong giai đoạn trẻ nên khả năng bão sẽ giữ cường độ hoặc tiếp tục mạnh lên. 58 Hình 3.15: Ảnh mây vệ tinh 00z ngày 15/5/2006 Thực tế 00z ngày 15/5/2006 ta thấy: bão Chan chu tiếp tục mạnh thêm và cường độ của nó cũng đã vượt cấp 12, bão dịch chuyển chủ yếu theo hướng Tây Tây Bắc, ảnh mây vệ tinh (Hình 3.15) cho thấy tâm bão rất nhỏ và sắc nét, chứng tỏ cường độ bão rất mạnh, vị trí lúc 7h sáng ở vào khoảng 14,1 độ vĩ bắc; 115,3 độ kinh đông, và lúc này nó chỉ còn cách bờ biển các tỉnh Quảng Ngãi - Phú Yên khoảng 680 km về phía đông, như vậy bão đã di chuyển trong 24 giờ trước theo khả năng thứ 2 là nhiều hơn. Hình 3.16: Bản đồ phân tích mặt đất 00z ngày 15/5/2006 59 Trên bản đồ phân tích mặt đất (hình 3.16) Áp cao lục địa dịch chuyển ra phía đông, cường độ suy yếu chậm với vùng trung tâm ở phía Tây Bắc đến Bắc so với vị trí của bão. Nói chung, hình thế tầng thấp ít biến đổi so với 24 giờ trước. Hình 3.17: Bản đồ phân tích mực 500mb 00z ngày 15/5/2006 Trên mực 500mb (hình 3.17) ta thấy áp cao cận nhiệt nhánh phía Tây đã suy yếu hoàn toàn; phía nam Trung Quốc trục rãnh gió tây hoạt động nhưng không mạnh với điểm nam nhất của rãnh ở khoảng 27 độ vĩ bắc, 100 độ kinh đông, nằm khá xa so với vị trí của bão, đồng thời ảnh mây vệ tinh 00z ngày 15/5/2006 cho ta thấy áp cao cận nhiệt đới hầu như lùi hẳn ra phía đông của quần đảo Philippin, toàn bộ hoàn lưu bão thể hiện rộng trên cả biển Đông. Với các hình thế synop ở tầng thấp và cao như phân tích lúc 00z ngày 15/5/2006 chúng ta thấy có 2 khả năng có thể xảy ra đối với quỹ đạo của bão trong thời gian tới. Khả năng thứ nhất: bão sẽ di chuyển theo nội lực của nó lên phía Bắc hoặc tây bắc, trường hợp này bão sẽ tương tác với khối cao áp lục địa do đó cường độ bão có khả năng suy yếu. Trường hợp 2, bão sẽ chịu tác động của trường gió Đông Bắc ở tầng thấp, bão sẽ di chuyển theo hướng Tây. Với hình thế phân tích trên bão có khả năng sẽ di chuyển theo trường hợp 2 (gần giống như di chuyển của bão ở 24 giờ trước đây). Thực tế di 60 chuyển của bão Chan chu trong ngày 15/5/2006 đã có sự thay đổi không như kết quả phân tích bản đồ synop thời điểm 00z ngày 15/5/2006. Bão đã dừng lại không di chuyển tiếp theo hướng tây tây bắc mà đổi hướng di chuyển lên phía bắc với tốc độ khoảng 10-15km một giờ và tiếp tục giữ cường độ mạnh (cấp TYPHOON-4) tới 06z ngày 16/5/2006 mới giảm đi một cấp còn TYPHOON-3. 61 Kết quả dự báo tổ hợp và đánh giá sai số Hình 3.18. Dự báo tổ hợp 72 giờ quỹ đạo bão bằng mô hình RAMS từ 7h ngày 13/05/2006 Quỹ đạo dự báo kiểm tra: đường nét đứt có chấm tròn; Quỹ đạo dự báo có đưa những dao động phát triển nhanh vào trường ban đầu: đường nét liền mỏng (12 đường); Quỹ đạo dự báo tổ hợp: đường nét liền có chấm tròn; Quỹ đạo thực (Nhật bản): đường nét liền có hình tam giác. Đã tiến hành thử nghiệm phương pháp nuôi những dao động phát triển nhanh và dự báo quỹ đạo bão Chan chu 3 ngày từ 7h (giờ Việt Nam) ngày 13/05/2006 tới 7h ngày 16/05/2006. Dự báo bằng phương pháp tổ hợp đối với cơn bão Chan chu được trình bày ở hình 3.18, cặp dự báo thành phần tổ hợp có xu hướng tán về 2 phía của quỹ đạo thực và chúng đã bao trùm được quỹ đạo thực và quỹ đạo dự báo kiểm tra. Tổ hợp 12 thành phần và quỹ đạo dự báo kiểm tra bằng phương pháp lấy trung bình kết quả thu được: Đối với trường hợp dự báo kiểm tra, mô hình RAMS cho kết quả dự báo tốc độ di chuyển trong 42 giờ đầu chậm (SSDOC<0) và hướng di chuyển lệch về phía phải so với quỹ đạo thực của 62 bão (SSNGANG>0), 30 giờ sau tốc độ di chuyển nhanh (SSDOC>0), hướng di chuyển lệch về phía trái so với thực tế (SSNGANG<0). Bảng 3.2: Bảng sai số khoảng cách (SSKC), sai số dọc (SSDOC) và sai số ngang (SSNGANG) của dự báo tâm bão bằng mô hình RAMS khi không nuôi những dao động phát triển nhanh (dự báo kiểm tra viết tắt CF) và khi nuôi những dao động phát triển nhanh(BGM). (Thời điểm dự báo 7h ngày 13/05/2006) SS KC (km) SS DOC (km) SS NGANG (km) Hạn dự báo CF BGM CF BGM CF BGM 6 114 63 -113 -62 15 13 12 160 67 -160 -60 15 29 18 198 70 -176 -67 90 -20 24 168 36 -92 -25 140 27 30 183 86 -75 -43 167 74 36 176 107 -74 -52 159 94 42 150 123 -74 -56 130 110 48 168 147 165 125 27 76 54 186 133 181 127 -43 40 60 219 128 215 124 -44 35 66 250 133 246 118 -42 61 72 167 93 154 78 -66 50 Phương pháp nuôi những dao động phát triển nhanh cho kết quả dự báo quỹ đạo bão tốt hơn so với trường hợp dự báo kiểm tra về cả tốc độ di chuyển, hướng di chuyển và sai số khoảng cách. Cụ thể trường hợp nuôi những dao động phát triển nhanh cải thiện được sai số khoảng cách là 132, 21 và 74 km với hạn dự báo 24, 48 và 72 h. Trong khi đó tốc độ di chuyển của bão được dự báo chính xác hơn, giảm sai số 70, 40 và 76 km hạn 24, 48, 72 giờ với dự báo kiểm tra. Đặc biệt sau khi dự báo được sự đổi hướng của quỹ đạo bão trước 48 tiếng, hướng di chuyển cho hạn dự báo tiếp theo hướng di chuyển dự báo ổn định (song song với đường quỹ đạo thực thực) so với đường dự báo kiểm tra. 63 3.5.2 Cơn bão Prapiroon (31/07/2006-3/8/2006) Diễn biến của cơn bão Prapiroon Đêm ngày 31/7 rạng sáng ngày 1/8 một áp thấp nhiệt đới vượt qua Philipin vào Biển Đông, hồi 1h sáng ngày 1/8 vị trí trung tâm ở vào khoảng 16-17 độ vĩ Bắc, 119-120 độ kinh Đông, sức gió mạnh nhất vùng gần trung tâm cấp 7, giật trên cấp 7, di chuyển ổn định theo hướng Tây Tây Bắc 15- 20km/h, trưa ngày 1/8 áp thấp nhiệt đới mạnh lên thành bão. Bão tiếp tục di chuyển theo hướng Tây Tây Bắc 10-15km/h và mạnh thêm, đến chiều tối ngày 2/8 đạt đến cấp 12, giật trên cấp 12, tối ngày 3/8 đổ bộ vào phía Tây tỉnh Quảng Đông (Trung Quốc), suy yếu dần và tiếp tục di chuyển theo hướng giữa Tây Tây Bắc. Bão đã gây gió mạnh cấp 6, cấp 7, giật trên cấp 7 ở phía Bắc vịnh Bắc Bộ; cấp 5, giật cấp 7 ở vùng ven biển tỉnh Quảng Ninh- Hải Phòng (hình 3.19). Các nơi thuộc phía Đông Bắc Bộ và Thanh Hóa có mưa vừa, có nơi mưa to. Hình 3.19. Quỹ đạo thực của bão Chan chu (Nhật bản) Phân tích Synop tổng quát trong các ngày thử nghiệm dự báo: Bão Prapiroon hình thành từ một áp thấp nhiệt đới ở phía đông Philippin. Ở các tầng từ mặt đất tới 500 mb hình thế chủ đạo ảnh hưởng, chi phối tới hoạt động của bão trong những ngày này là áp cao cận nhiệt đới và dải hội tụ. 64 Hình 3.20: Bản đồ phân tích mặt đất 00z ngày 01/08/2006 Hình 3.21: Bản đồ phân tích mực 500mb 00z ngày 01/08/2006 Hình 3.22: Bản đồ phân tích mặt đất 00z ngày 02/08/2006 Hình 3.23: Bản đồ phân tích mực 500mb 00z ngày 02/08/2006 Ngày 01/8/2006 áp cao cận nhiệt đang trong quá trình suy yếu chậm (trước ó áp cao cận nhiệt đới rất mạnh với đường 592dam khống chế, có 01 trung đ tâm trên khu vực Thượng Hải) (hình 3.21), ngày 02 và 03/8 áp cao cận nhiệt phát triển trở lại với lưỡi cao di chuyển dần sang phía tây, trục của áp cao này ít thay đổi (hình 3.23). Dải hội tụ nhiệt đới tồn tại trong suốt quá trình hoạt động của bão Prapiroon và có trục tương đối ổn định (hình 3.20, hình 3.22). Đó là nguyên nhân chính làm cho bão hoạt động và có hướng di chuyển ổn định. 65 Kết quả dự báo tổ hợp và đánh giá sai số Hình 3.24. Dự báo 72 giờ quỹ đạo bão bằng mô hình RAMS 7 giờ ngày 31/07/2006 Quỹ đạo dự báo kiểm tra: đường nét đứt có chấm tròn; Quỹ đạo dự báo nuôi những dao động phát triển nhanh: đường nét liền mỏng (12 đường); Quỹ đạo dự báo tổ hợp: đường nét liền có chấm tròn; Quỹ đạo thực ( Nhật bản): đường nét liền có hình tam giác Phân tích bản đồ synop cho thấy bão di chuyển ổn định như trên, nhưng khi sử dụng mô hình RAMS để dự báo cho cơn bão Prapiroon ngày 31/7/2006 với hạn dự báo 72 giờ, Ở bảng 3.3, dự báo kiểm tra cho sai số khoảng cách rất lớn khoảng từ 200 đến 300 km cho dự báo hạn 72h. Tốc độ của bão di chuyển nhanh (trên 200 km) với hạn dự báo từ 12 đến 54 giờ, hướng di chuyển tại các thời đoạn dự báo rất lớn ví dụ hạn dự báo từ 48 đến 54 giờ sai số ngang của thời điểm nay lên tới 287 km. Trong khi đó sai số của trường hợp nuôi những dao động phát triển nhanh cho kết quả sai số khoảng cách nhỏ chỉ trong khoảng 150 đến 250 km 66 hạn 72 giờ, tốc độ di chuyển chậm, sát với quỹ đạo thực hơn so với quỹ đạo kiểm tra và có hướng di chuyển ổn định trong suốt quá trình dự báo. Bảng 3.3: Bảng sai số khoảng cách (SSKC), sai số dọc (SSDOC) và sai số ngang (SSNGANG) của dự báo tâm bão bằng mô hình RAMS khi không nuôi những dao động phát triển nhanh (dự báo kiểm tra viết tắt CF) và khi nuôi những dao động phát triển nhanh(BGM). (Thời điểm dự báo 7h ngày 31/07/2006) SS KC (km) SS DỌC (km) SS NGANG (km) H báo ạn dự CF BG M CF BG M CF BG M 6 245 147 -47 -44 -241 -141 12 191 149 191 136 10 -63 18 328 169 280 150 170 77 24 268 134 235 71 128 113 30 306 149 271 119 142 90 36 290 153 284 125 56 87 42 373 232 288 147 238 180 48 316 237 304 227 87 66 54 352 212 290 144 -200 -155 60 235 145 183 127 -148 -71 66 293 192 120 30 -267 -190 72 320 143 136 -106 -289 -96 phương pháp nuôi những dao độ cứu (hình 3.25) và tiến hành đánh giá sai số khoảng cách dựa trên 7 cơn bão. 3.5.3. Đánh giá khả năng dự báo bão bằng ng phát triển nhanh trên toàn bộ tập mẫu. Dựa trên bộ tập mẫu của các cơn bão nghiên cứu, tác giả đưa ra dự báo quỹ đạo bão bằng mô hình RAMS của 7 cơn bão nghiên 67 a: Dự báo tổ hợp 72 giờ quỹ đạo bão Durian 7 giờ ngày 01/12/2006 b: Dự báo tổ hợp 72 giờ quỹ đạo bão Prapiroon 7h ngày 31/07/2006 c: Dự báo tổ hợp 72 giờ quỹ đạo bão Utor 7h ngày 11/12/2006 d: Dự báo tổ hợp 72 giờ quỹ đạo bão Chan chu 7h ngày 13/05/2006 e: Dự báo tổ hợp 72 giờ quỹ đạo bão Xangsane 7h ngày 27/09/2006 f: Dự báo tổ hợp 72 giờ quỹ đạo bão Cimaron 7h ngày 28/10/2006 68 g: Dự báo tổ hợp 72 giờ quỹ đạo bão Chebi 7h ngày 11/11/2006 Hình 3.25. Dự báo 72 giờ quỹ đạo bão bằng mô hình RAMS của 7 cơn bão nghiên cứu Quỹ đạo dự báo kiểm tra: đường nét đứt có chấm tròn; Quỹ đạo dự báo nuôi những dao động phát triển nhanh: đường nét liền mỏng (12 đường); Quỹ đạo dự báo tổ hợp: đường nét liền có chấm tròn; Quỹ đạo thực ( Nhật bản): đường nét liền có hình tam giác Nhận xét: Từ hình 3.26 cho thấy kết quả dự báo bão bằng phương pháp tổ hợp được cho là tốt với những cơn bão Durian (hình 3.25a), Prapiroon (hình 3.25b), Utor (hình 3.25c), Chan chu (hình 3.25d), Cimaron (hình 3.25f) và Chebi (hình 3.25g). Trong khi đó kết quả dự báo thành phần của cơn Xangsane (hình 3.25e) chưa bao được quỹ đạo thực của cơn bão, nguyên nhân có thể là do số thành phần tham gia tổ hợp chưa đủ lớn (các trung tâm lớn thường sử dụng 50 thành phần). B¶ng 3.4 tr×nh bµy kÕt qu¶ sai sè kho¶ng c¸ch trung b×nh toµn bé dung l−îng mÉu đối với 7 cơn bão năm 2006. H×nh 3.25 lµ ®å thÞ biÓu diÔn gi¸ trÞ sai sè t−¬ng øng cña b¶ng 3.4 69 B¶ng 3.4. Sai sè kho¶ng c¸ch trung b×nh (MPE) cña toµn bé tËp mÉu øng víi tõng ph−¬ng ¸n thö nghiÖm. MPE H¹n Dự báo bằng phương pháp BGM Dự báo kiểm tra 6 72 0 7 12 5 5 7 7 18 3 5 10 10 24 1 4 10 13 30 0 4 12 16 36 9 5 13 16 42 1 8 15 17 48 7 3 13 20 54 8 3 14 23 60 5 6 14 26 66 4 2 17 30 72 3 4 15 32 0 50 100 150 200 250 300 350 0 6 12 18 24 30 36 42 48 54 60 66 72 Sử dụng phương pháp BGM Dự báo kiểm tra H×nh 3.26. Sai sè kho¶ng c¸ch trung b×nh (MPE) cña dự báo bằng phương pháp BGM và dự báo kiểm tra . 70 Từ kết quả ở bảng 3.4 và hình 3.26 về sai số khoảng cách trung bình của toàn bộ tập mẫu ứng với các phương án thử nghiệm cho thấy: Ở những thời điểm ban đầu của dự báo, vị trí tâm bão trong các phương án gần như nhau và tương đối sát với vị trí của vị trí tâm bão quan trắc. Sai số khoảng cách trung bình tại từng thời điểm dự báo 12, 24 và 36 giờ của phương án tổ hợp lần lượt là 75, 101 và 139 km. Trong khi đó ở các phương án dự báo kiểm tra có giá trị sai số là 75, 134 và 165 km, sai số lệch nhau không đáng kể. Hạn dự báo tăng, sai số vị trí của các phương án dự báo kiểm tra tăng nhanh hơn nhiều so với các phương án dự báo sử dụng phương pháp BGM. Cụ thể ở các hạn dự báo 48, 60 và 72h phương án dự báo sử dụng phương pháp BGM có sai số 137, 145 và 153 km trong khi đó sai số đối với phương án dự báo kiểm tra là 203, 266 và 324 km. Như vậy ta thấy trong các trường hợp đã xét phương án dự báo sử dụng phương pháp BGM cho sai số vị trí tâm bão giảm gần 100 km trong các thời hạn dự báo 48, 60 và 72 giờ. Như vậy phương pháp BGM làm tăng độ chính xác dự báo với các hạn dự báo từ 2 đến 3 ngày. B¶ng 3.5. Sai sè dọc trung b×nh (MATE) cña toµn bé tËp mÉu øng víi tõng ph−¬ng ¸n thö nghiÖm. MATE H¹n Dự báo bằng phương pháp BGM Dự báo kiểm tra 6 -43 -3 12 7 2 -2 -2 18 7 4 -2 24 0 6 -2 30 1 8 -1 36 9 3 -1 1 42 0 5 -3 71 48 2 7 5 8 54 9 3 2 5 60 2 5 4 6 66 5 2 -4 72 1 -1 -6 -60 -40 -20 0 20 40 60 80 100 0 6 12 18 24 30 36 42 48 54 60 66 72 Sử dụng phương pháp BGM Dự báo kiểm tra H×nh 3.27. Sai sè dọc trung b×nh (MATE) cña dự báo bằng phương pháp BGM và dự báo kiểm tra . Xét sai số dọc trung bình của 7 cơn bão, dự báo kiểm tra cho sai số dọc thấp hơn so với phương án tổ hợp trong 42 giờ đầu, trong 24 giờ tiếp theo dự báo kiểm tra lại cho kết quả sai số dọc lớn hơn so với dự báo tổ hợp thể hiện ở bảng 5 và hình 27. Với sai số ngang trung bình, dự báo bằng phương pháp BGM cho kết quả lệch về phía phải của cơn bão, trong khi dự báo kiểm tra cho kết quả lệch phải trong 42 giờ đầu và lệch về phía trái của cơn bão trong các giờ tiếp theo (bảng 3.6) và hình (3.28). 72 B¶ng 3.6. Sai sè ngang trung b×nh (MCTE) cña toµn bé tËp mÉu øng víi tõng ph−¬ng ¸n thö nghiÖm. MCTE H¹n Dự báo bằng phương pháp BGM Dự báo kiểm tra 6 -18 7 -1 12 5 7 18 7 9 3 4 24 1 6 6 7 30 9 4 6 7 36 6 6 4 1 42 7 4 7 3 48 4 0 3 -3 54 3 5 -1 -7 60 4 2 -6 66 3 7 2 -4 72 2 7 2 -6 -100 -80 -60 -40 -20 0 20 40 60 80 100 0 6 12 18 24 30 36 42 48 54 60 66 72 Sử dụng phương pháp BGM Dự báo kiểm tra H×nh 3.28. Sai sè ngang trung b×nh (MCTE) cña dự báo bằng phương pháp BGM và dự báo kiểm tra . 73 KẾT LUẬN Qua kết quả nghiên cứu về phương pháp nuôi những dao động phát triển nhanh của mô hình RAMS, luận văn đã thực hiện được một số kết quả: (1). Đã đưa ra tổng quan về hệ thống dự báo tổ hợp trên thế giới. (2). Xây dựng được chương trình tạo ra nhân nhiễu động ban đầu bằng phương pháp dự báo trễ và chương trình nuôi những dao động phát triển nhanh của mô hình RAMS. Sử dụng các chương trình này để dự báo quỹ đạo cho 7 cơn bão bằng phương pháp nuôi những dao động phát triển nhanh. (3). Áp dụng thành công phương pháp BGM vào dự báo quỹ đạo bão vì các dự báo thành phần của tổ hợp có độ tán rộng, tán về 2 phía của đường quỹ đạo thực (best track) và đường dự báo kiểm tra (control forecast), nó hoàn toàn phù hợp với lý thuyết tổ hợp của Kalnay. Phương pháp BGM cho dự báo hạn 2,3 ngày tốt hơn hẳn so với dự báo kiểm tra (cả về hướng di chuyển và sai số khoảng cách tâm bão). 4) Kết quả đánh giá sai số khoảng cách cho 7 cơn bão cho thấy:  Dự báo quỹ đạo bão trong 42 giờ đầu:  Sai số khoảng cách giữa quỹ đạo dự báo bằng phương pháp BGM với quỹ đạo thực trong khoảng từ 72 đến 151 km.  Sai số khoảng cách giữa dự báo quỹ đạo bằng phương pháp BGM với quỹ đạo dự báo kiểm tra là gần như nhau, tốc độ di chuyển của quỹ đạo bão bằng phương pháp BGM chậm hơn so với quỹ đạo thực, trong khi đó quỹ đạo dự báo kiểm tra nhanh hơn so với quỹ đạo thực. Hướng di chuyển của cả 2 dự báo đều lệch phải so với quỹ đạo thực. 74  Dự báo quỹ đạo hạn 48 giờ:  Sai số khoảng cách của quỹ đạo dự báo bằng phương pháp BGM là 137 km so với quỹ đạo bão thực.  Sử dụng phương pháp BGM để dự báo quỹ đạo bão cho sai số khoảng cách giảm 66 km so với dự báo kiểm tra. Hướng di chuyển của dự báo bão quỹ đạo bằng phương pháp BGM lệch phải so với quỹ đạo thực trong khi đó quỹ đạo của dự báo kiểm tra lại lệch trái so với quỹ đạo thực. Tốc độ di chuyển của quỹ đạo bão bằng phương pháp BGM giảm 35 km so với dự báo kiểm tra.  Dự báo quỹ đạo hạn 72 giờ:  Sai số khoảng cách tại thời điểm này so với dự báo kiểm tra giảm 172 km, hướng di chuyển của dự báo quỹ đạo bão bằng phương pháp BGM lệch phải, trong khi đó dự báo kiểm tra cho dự báo quỹ đạo bão có xu thế lệch trái so với quỹ đạo thực. Tốc độ di chuyển của cả 2 phương án đều hơi chậm so với quỹ đạo thực. 5) Kết quả nghiên cứu có thể sử dụng thử nghiệm trong nghiệp vụ. Phương hướng nghiên cứu tiếp: Dự báo cho nhiều trường hợp bão và xây dựng dự báo siêu tổ hợp. 75 TÀI LIỆU THAM KHẢO Tiếng Việt 1 Hoàng Đức Cường “Ứng dụng phương pháp dự báo tổ hợp cho mô hình MM5”. Hội thảo khoa học lần thứ 9 – Viện Khí tượng Thủy văn 2 Võ Văn Hòa, 2006: Dự báo quỹ đạo xoáy thuận nhiệt đới dựa trên dự báo tổ hợp hàng nghìn thành phần. Tạp chí KTTV, 547, tr 7-18. 3 Võ Văn Hòa, Đỗ Lệ Thủy, Nguyễn Chi Mai, 2006: “Các phương pháp tạo nhiễu động trong dự báo tổ hợp quỹ đạo xoáy thuận nhiệt đới. Phần I: Giới thiệu phương pháp và hướng áp dụng cho điều kiện ở Việt Nam”. Tạp chí KTTV, 541, tr 23-32. 4 Võ Văn Hòa, Đỗ Lệ Thủy, Nguyễn Chi Mai, 2006: Các phương pháp tạo nhiễu động trong dự báo tổ hợp quỹ đạo xoáy thuận nhiệt đới. Phần II: Một số kết quả nghiên cứu. Tạp chí KTTV, 543, tr 21-31. 5 Nguyễn Chi Mai, Nguyễn Thu Hằng, 2004: Phương pháp dự báo tổ hợp và khả năng ứng dụng ở Việt Nam. Tạp chí KTTV, 518, tr 30-37. 6 Nguyễn Chi Mai, Nguyễn Thu Hằng, Nguyễn Phương Liên, 2004: Thử nghiệm dự báo tổ hợp quỹ đạo bão bằng phương pháp thống kê từ dự báo của các trung tâm quốc tế. Tạp chí KTTV, 519, tr 23-28. 7 Nguyễn Chi Mai, Nguyễn Thu Hằng, Phạm Lệ Hằng, 2004: Dự báo đường đi của bão sử dụng thống kê tập hợp dự báo của các mô hình số trị và các trung tâm dự báo quốc tế. Báo cáo tổng kết đề tài nghiên cứu cơ bản, mã số 730902. 8 Đỗ Lệ Thuỷ, Võ Văn Hoà, Nguyễn Chi Mai, 2005: Dự báo tổ hợp quỹ đạo xoáy thuận nhiệt đới dựa trên phương pháp nhiễu động trên mô hình chính áp. Báo cáo tổng kết đề tài nghiên cứu cơ bản, mã số 732904. 9 Trần Tân Tiến, (2004), Dự báo trường khí tượng, thuỷ văn biển Đông, Báo cáo tổng kết đề tài cấp nhà nước KC09-04. Tiếng Anh 10 Anderson, J. L, 1996. A method for producing and evaluating probabilistic forecasts from ensemble model integrations. J. Climate, 9, 1518-1530. 11 Anderson, J. L., 2001. An ensemble adjustment Kalman filter for data assimilation. Mon. Wea. Rev., 129, 2884-2903. 12 ATMET (2000), RALPH dataset formats version 2: RAMS Standard Input Format for Pressure Coordinate and Observation Data. 13 Barkmeijer, J., 1996. Constructing fast-growing perturbations for the nonlinear regime. J. Atmos. Sci., 53, 2838-2851. 14 Barkmeijer, J., M. Van Gijzen and F. Bouttier, 1998. Singular vectors and the 76 estimates of analysis-error covariance matrix. Quart. J. Roy. Meteor. Soc., 124, 1695-1713. 15 Brankovic, C., T. N. Palmer, F. Molteni, S. Tibaldi and U. Cubasch, 2006. Extended-range predictions with ECMWF models: Time-lagged ensemble forecasting. Quart. J. Roy. Meteor. Soc., 116, 867-912. 16 Buizza, R., 1994. Sensitivity of optimal unstable structures. Quart. J. Roy. Meteor. Soc., 120, 429-451. 17 Cai, M., E. Kalnay and Z. Toth, 2002. Bred vectors of the Zebiak-Cane model and their application to ENSO prediction. J. Climate, 16, 40-56. 18 Cao, H, 2002. Memorial dynamics of systems and its applications. Chinese Geology Press, Beijing, China, 192pp. (in Chinese) 19 Chen, J., J. Xue and H. Yang, 2003. Impact of physical parameterization schemes on mesoscale heavy rain simulations. Acta Meteorologica Sinica, 61, 203-218. 20 Cheung, K. W. C. and J. C. L. Chan, 1999a. Ensemble forecasting of tropical cyclone motion using a barotropic model. Part I: perturbations of the environment. Mon. Wea. Rev., 127, 1229-1243. 21 Cheung, K. W. C. and J. C. L. Chan, 1999b. Ensemble forecasting of tropical cyclone motion using a barotropic model. Part II: perturbations of the vortex. Mon. Wea. Rev., 127, 2617-2640. 22 Clark, T.L., 1977: A small-scale dynamic model using a terrain-following coordinate transformation. J. Comput. Phys., 24, 186-215. 23 Davies, H.C., 1978: A lateral boundary formulation for multi-level prediction models. Quart. J. R. Met. Soc., 102, 405-418. 24 Du J. and M. S. Tracton, 2001. Implementation of a real-time short-range ensemble forecasting system at NCEP: an update. Preprints, 9th Conference on Mesoscale Processes, Ft. Lauderdale, Florida, Amer. Meteor. Soc., 355-356. 25 Du, J. and M. S. Tracton, 2001. Implementation of a real-time short-range ensemble forecasting system at NCEP: an update. Preprints, 9th Conference on Mesoscale Processes, Ft. Lauderdale, Florida, Amer. Meteor. Soc., 355-356. 26 Du, J., 2004. Hybrid Ensemble Prediction System: a New Ensembling Approach. Preprints, Symposium on the 50th Anniversary of Operational Numerical Weather Prediction, University of Maryland, College Park, Maryland, June 14-17, 2004, Amer. Meteor. Soc., CD-ROM (paper p4.2, 5pp) . [available online: ]. 27 Du, J., J. McQueen, G. DiMego, T. Black, H, Juang, E. Rogers, B. Ferrier, B. Zhou, Z. Toth and M. S, Tracton, 2004. The NOAA/NWS/NCEP short-range ensemble forecast (SREF) system: evaluation of an initial condition vs. multi-model physics 77 ensemble approach. Preprints (CD), 16th Conference on Numerical Weather Prediction, Seattle, Washington, Amer. Meteor. Soc. 28 Du, J., 2005: Impact of Model Error and Imperfect Initial Condition Perturbations on Ensemble-Based Probabilistic Forecasts: UNPREDICTABLE SPOTS. Preprints, 17th Conference on Numerical Weather Prediction/21st Conference on Weather Analysis and Forecasting, Washington DC., Aug. 1-5, 2005, Amer. Meteor. Soc. (paper 15B.6) [available online ]. 29 Du, J., G. DiMego, M. S. Tracton, and B. Zhou 2003. NCEP short-range ensemble forecasting (SREF) system: multi-IC, multi-model and multi-physics approach. Research Activities in Atmospheric and Oceanic Modelling (edited by J. Cote), Report 33, CAS/JSC Working Group Numerical Experimentation (WGNE), WMO/TD-No. 1161, 5.09-5.10. 30 Du, J., S. L. Mullen and F. Sanders, 1997. Short-range ensemble forecasting of quantitative precipitation. Mon. Wea. Rev., 125, 2427-2459. 31 Durran, DR., 1981: The effects of moisture on mountain lee waves. Technical Report Ph.D. Thesis NTIS PB82156621, Massachusetts Institute of Technology. 32 Ebert, E.E., 2001. Ability of a Poor Man's Ensemble to Predict the Probability and Distribution of Precipitation. Mon. Wea. Rev., 129, 2461–2480. 33 Ebisuzaki, W. and E. Kalnay, 1991. Ensemble experiments with a new lagged average forecasting scheme. WMO, Research activities in atmospheric and oceanic modeling. Report 15, 6.31-32. 34 Ehrendorfer, M., R.M. Errico and K.D. Raeder, 1999. Singular-Vector Perturbation Growth in a Primitive Equation Model with Moist Physics. J. Atmos. Sci., 56, 1627–1648 35 Errico, R. and D. Baumhefner, 1998. Predictability experiments using a high- resolution limited area model. Mon. Wea. Rev., 115, 488-504. 36 Errico, R. and T. Vukicevic, 1992. Sensitivity analysis using an adjoint of the PSU- NCAR mesoscale model. Mon. Wea. Rev., 120, 1644-1660. 37 Fischer, M., A. Joly and F. Lalaurette, 1998. Error growth and Kalman filtering within an idealized baroclinic flow. Tellus, 50A, 596-615. 38 Grimit, E.P., and C.F. Mass, 2002. Initial Results of a Mesoscale Short-Range Ensemble Forecasting System over the Pacific Northwest. Wea Forecasting, 17, 192–205. 39 Hamill, T. M., 2006. Ensemble-based atmospheric data assimilation. Chapter 6 of Predictability of Weather and Climate, Cambridge Press, 124-156. 78 40 Hoffman, R. N. and E. Kalnay, 1983. Lagged average forecasting, an alternative to Monte Carlo forecasting. Tellus, 35A, 100-118. 41 Hou, D., E. Kalnay and K. K. Droegemeier, 2001. Objective verification of the SAMEX'98 ensemble forecasts. Mon. Wea. Rev., 129, 73-91. 42 Houtekamer, P. L., L. Lefaivre, J. Derome, H. Ritchie and H. L. Mitchell, 1996. Asystem simulation approach to ensemble prediction. Mon. Wea. Rev., 124, 1225- 1242. verification of the SAMEX'98 ensemble forecasts. Mon. Wea. Rev., 129, 73- 91. 43 Jankov, I., W.A. Gallus, M. Segal, B. Shaw and S.E. Koch, 2005. The Impact of Different WRF Model Physical Parameterizations and Their Interactions on Warm Season MCS Rainfall. Wea. Forecasting, 20, 1048–1060. 44 Kalnay, E, 2003. Atmospheric modeling, data assimilation and predictability. Cambridge University Press, 368pp. 45 Klemp, J.B. and D.K. Lilly, 1978: Numerical simulation of hydrostatic mountain waves. J. Atmos. Sci., 35, 78-107. 46 Klemp, J.B. and DR. Durran, 1983: An upper boundary condition permitting internal gravity wave radiation in numerical mesoscale models. Mon. Wea. Rev., 111, 430-444. 47 Klemp, J.B. and R.B. Wilhelmson, l978a: The simulation of three-dimensional convective storm dynamics. J. Atmos. Sci., 35, 1070-1096. 48 Klemp, J.B. and RB. Wilhelmson, 1978b: Simulations of right- and left-moving storms produced through storm splitting. J. Atmos. Sci., 35, 1097-1110. 49 Kong, F., K. K. Droegemeier and N.L. Hickmon, 2007. Multiresolution ensemble forecasts of an observed tornadic thunderstorm system, Part II. Mon. Wea. Rev., 135, 759-782 50 Krishnamurti, T. N., C. M. Kishtawal, T. LaRow, D. Bachiochi, Z. Zhang, C. E. Williford, S. Gadhil and S. Surendran, 1999. Improved weather and seasonal climate forecasts from multimodel superensemble. Science, 285, 1548-1550. 51 Li, X., M. Charron, L. Spacek and G. Candille, 2007. A regional ensemble prediction system based on moist targeted singular vectors and stochastic parameter perturbations. Mon. Wea. Rev., (in press). 52 Lorenz, E. N., 1963. Deterministic nonperiodic flow. J. Atmos. Sci., 20, 130-141. 53 Lorenz, E. N., 1965. A study of the predictability of a 28-variable atmospheric model. Tellus, 17, 321-333. 54 Lu, C., H. Yuan, B.E. Schwartz and S.G. Benjamin, 2007. Short-Range Numerical Weather Prediction Using Time-Lagged Ensembles. Wea. Forecasting, 22, 580– 79 595. 55 Martin, A., V. Homar, L. Fita, J. M., Gutierrez, M. A.. Rodriguez and C. Primo, 2007. Geometrid vs. classical breeding of vectors: application to hazardous weather in the Western Mediterranean. Geophysical Research Abstracts, 9, European Geosciences Union. 56 Mclay, J. M., C. H. Bishop and C. A. Reynolds, 2007. The ensemble-transform scheme adapted for the generation of stochastic forecast perturbations. Quart. J. Roy. Meteor. Soc., 133, 1257-1266. 57 Mesinger, F. and A. Arakawa, 1976: Numerical methods used in atmospheric models. GARP Publication Series, No. 14, WMO/ICSU Joint Organizing Committee, 64 pp. 58 Mittermaier, M. P., 2007. Improving short-range high-resolution model precipitation forecast skill using time-lagged ensembles. Qart. J. Roy. Meteor. Soc., submitted 59 Mu M. and W. S. Duan, 2003. A new approach to study ENSO predictability: conditional nonlinear optimal perturbation. Chinese Sci. Bull., 48, 1045-1047 60 Mu M. and Z. Zhang, 2006. Conditional nonlinear optimal perturbations of a two- dimensional quasi-geostrophic model. J. Atmos. Sci., 63, 1587-1604. 61 Mu, M., 2000. Nonlinear singular vectors and nonlinear singular values. Scinece in China (D), 43, 375-385. 62 Mu, M., W. S. Duan and B. Wang, 2003. Conditional nonlinear optimal perturbation and its applications. Nonlinear Processes in Geophysics, 10, 493-501. 63 Mullen, S. L. and D. P. Baumhefner, 1994. Monte Carlo simulation of explosive cyclogenesis. Mon.Wea. Rev., 122, 1548-1567. 64 Mullen, S. L. and R. Buizza, 2002. The impact of horizontal resolution and ensemble size on probabilistic forecasts of precipitation by the ECMWF ensemble prediction system. Wea. Forecasting, 17, 173-191. 65 Mylne, K. R., Evans, R. E., and Clark, R. T., 2002: Multi-model multi-analysis ensembles in quasi-operational medium-range forecasting. Quart. J. Roy. Meteor. Soc., 128, 361-384. 66 Oortwijn, J. and J. Barkmeijer, 1995. Perturbations that optimally trigger weather regimes. J. Atmos. Sci., 52, 3952-3944. 67 Orlanski, I., 1976: A simple boundary condition for unbounded hyperbolic flows. J. Comput. Phys., 21, 251-269. 68 Ott, E., B. R. Hunt, I. Szunyogh, A. V. Zimin, E. J. Kostelich, M. Corazza, E. Kalnay, D. J. Patil and J. A. Yorke, 2004. A local ensemble Kalman filter for 80 atmospheric data assimilation. Tellus, 56A, 415-428. 69 Palmer, T. N., R. Gelaro, J. Barkmeijer and R. Buizza, 1998. Singular vectors, metrics and adaptive observations. J. Atmos. Sci., 55, 633-653. 70 Reynolds, C.A. and R.M. Errico, 1999. Convergence of Singular Vectors toward Lyapunov Vectors. Mon. Wea. Rev., 127, 2309–2323. 71 Saha, S., S. Nadiga, C. Thiaw, J. Wang, W. Wang, Q. Zhang, H.M. Van den Dool, H.L. Pan, S. Moorthi, D. Behringer, D. Stokes, M. Peña, S. Lord, G. White, W. Ebisuzaki, P. Peng and P. Xie, 2006. The NCEP Climate Forecast System. J. Climate, 19, 3483–3517. 72 Stensrud, D. J., J. W. Bao and T. T. Warner, 2000. Using initial condition and model physics perturbations in short-range ensemble. Mon. Wea. Rev., 128, 2077- 2107. 73 Szungyogh, I., E. J. Kostelich, G. Gyarmati, B. R. Hunt, A. V. Zimin, E. Kalnay, D. J. Patil and J. A.York, 2004. A local ensemble Kalman filter for the NCEP GFS model. AMS annual meeting, Seattle, WA, Jan. 11-15. 74 Talagrand, O., R. Vautard and B. Strauss, 1997. Evaluation of probabilistic prediction systems. Proceedings, ECMWF Workshop on Predictability, ECMWF, 1–25. [Available from ECMWF, Shinfield Park, Reading, Berkshire RG2 9AX, United Kingdom.] 75 Tippett, M. K., J. L. Anderson, C. H. Bishop, T. Hamill and J. S. Whitaker, 2003. Ensemble squared root filters. Mon. Wea. Rev., 131, 1485-1490. 76 Toth, Z. and E. Kalnay, 1993. Ensemble forecasting at NCEP: the generation of perturbations. Bull. Amer. Meteor. Soc., 74, 2317-2330. 77 Toth, Z. and E. Kalnay, 1997. Ensemble forecasting at NCEP: the breeding method. Mon. Wea. Rev., 125, 3297-3318. 78 Tracton M. S., J. Du, Z. Toth and H. Juang, 1998: Short-range ensemble forecasting (SREF) at NCEP/EMC. Preprints, 12th Conf. on Numerical Weather Prediction, Phoenix, Amer. Meteor. Soc., 269-272. 79 Tracton, M. S. and E. Kalnay, 1993. Ensemble forecasting at NMC: practical aspects. Wea. Forecasting, 8, 379-398. 80 Tremback, C.J. and R. Kessler, 1985: A surface temperature and moisture parameterization for use in rnesoscale numerical models. Preprints, 7th Conference on Numerical Weather Prediction, 17-20 June 1985, Montreal, Canada, AMS. 81 Tremback, C.J., J. Powell, W.R. Cotton, and R.A. Pielke, 1987: The forward in time upstream advection scheme: Extension to higher orders. Mon. Wea. Rev., 115, 540-555. 81 82 82 Tripoli, G.J., 1992: An explicit three-dimensional nonhydrostatic numerical simulation of a tropical cyclone. Meteorol. Atmos. Phys., Springer-Verlag. 83 Tripoli, G.J., and W.R. Cotton, 1982: The Colorado State University three- dimensional cloud/mesoscale model - 1982. Part I: General theoretical framework and sensitivity experiments. J. de Rech. Atmos., 16, 185-220. 84 Wang, X. and C. H. Bishop, 2003. A comparison of breeding and ensemble transform Kalman filter ensemble forecast schemes. J. Atmos. Sci., 60, 1140-1158. 85 Wang, X., C. H. Bishop and S. J. Julier, 2004. Which is better, an ensemble of positive/negative pairs or a centered spherical simplex ensemble? Mon. Wea. Rev., 132, 1590-1605. 86 Wang, X., T.M. Hamill, J.S. Whitaker and C.H. Bishop, 2007. A Comparison of Hybrid Ensemble Transform Kalman Filter–Optimum Interpolation and Ensemble Square Root Filter Analysis Schemes. Mon. Wea. Rev., 135, 1055–1076. 87 Wang, Y. and A. Kann, 2005. ALADIN-LAEF (Limited Area Ensemble Forecasting) at ZAMG: Status and Plan. 15th ALADIN Workshop [available online: www.cnrm.meteo.fr/aladin/meetings/Wk2005/WANG.pdf]. 88 Wei, M., Z. Toth, R. Wobus and Y. Zhu, 2007. Initial perturbations based on the ensemble transform (ET) technique on the NCEP global operational forecast system. Tellus, (in press). 89 Wei, M., Z. Toth, R. Wobus, Y. Zhu, C. Bishop and X. Wang, 2006. Ensemble Transform Kalman Filter-based ensemble perturbations in an operational global prediction system at NCEP. Tellus, 58A, 28-44. 90 Whittaker, J. S. and T. M. Hamill, 2002. Ensemble data assimilation without perturbed observation. Mon. Wea. Rev., 130, 1913-1924. 91 Wobus, R. and E. Kalnay, 1995. Three years of operational prediction of forecast skill. Mon. Wea. Rev., 123, 2132-2148. 92 Yang, S-C., M. Cai, E. Kalnay, M. Rienecker, G. Yuan and Z. Toth, 2006. ENSO bred vector in coupled ocean-atmospheric general circulation models. J. Climate, 19, 1422-1436. 93 Zhang, F., 2005. Dynamics and Structure of Mesoscale Error Covariance of a Winter Cyclone Estimated through Short-Range Ensemble Forecasts. Mon. Wea. Rev., 133, 2876–2893. 94 Zhang, F., C. Snyder and J. Sun, 2004. Impacts of initial estimate and observation availability on convective-scale data assimilation with an ensemble Kalman filter. Mon. Wea. Rev., 132, 1238–53. 95 Zhang, Z. and T. N. Krishnamurti, 1999. A perturbation method for hurricane 83 ensemble prediction. Mon. Wea. Rev., 127, 447-469. 96 Zhou, C.L.Chen. Ensemble forecasting of tropical cyclone motion using a baroclinic model. Atmos. Sci., vol 23, no 3,2006, 342-354

Các file đính kèm theo tài liệu này:

  • pdflvths_cong_thanh_0953.pdf
Luận văn liên quan