Thử nghiệm dự báo hạn mùa một số chỉ số khí hậu cực đoan bằng mô hình regcm cho khu vực Việt Nam

Với mục tiêu của bài toán là thử nghiệm dự báo hạn mùa một số chỉ số khí hậu cực đoan, 37 dự báo bởi mô hình RegCM4.2 với hạn dự báo tối đa là 6 tháng sử dụng điều kiện ban đầu và điều kiện biên từ hệ thống dự báo CFS đã thử nghiệm cho khu vực Việt Nam. Một cải tiến quan trọng khi RegCM4.2 đã được điều chỉnh để đọc trường đầu vào SST 6 giờ một thay vì lấy giá trị trung bình tháng như phiên bản gốc qua đó thông tin SST được cập nhập tốt hơn cho phép dự báo tốt hơn. Giá trị dự báo ứng với mỗi tháng được lấy trung bình từ các dự báo với thời điểm dự báo ban đầu khác nhau trong cùng một tháng. Để thử nghiệm dự báo một số chỉ số khí hậu cực đoan, trường mưa, nhiệt độ trung bình ngày, nhiệt độ cực tiểu ngày và nhiệt độ cực đại ngày được nội suy về 172 trạm khí tượng synop và so sánh với số liệu quan trắc. Ngoài ra các chỉ số khí hậu cực đoan: số ngày rét đậm C15, số ngày rét đậm, rét hại C13, số ngày nắng nóng H35, số ngày nắng nóng gay gắt H37 và số ngày mưa lớn R50 được tính toán bằng phương pháp tính xác suất dựa trên chuỗi số liệu quan trắc thời kì 1961-2010 của 70 trạm trên toàn quốc.

pdf79 trang | Chia sẻ: lylyngoc | Lượt xem: 2331 | Lượt tải: 0download
Bạn đang xem trước 20 trang tài liệu Thử nghiệm dự báo hạn mùa một số chỉ số khí hậu cực đoan bằng mô hình regcm cho khu vực Việt Nam, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
đầu và điều kiện biên cập nhật theo thời gian) có thể được tải về từ trang web Cụ thể: 32 Bộ số liệu lớp phủ (Global Landuse Cover Characteric:GLCC) cung cấp thông tin về thực vật/mặt đệm, nhận được từ số liệu Bức xạ phân giải rất cao tiên tiến (Advanced Very High Resolution Radiation: AVHRR) từ tháng 4/1992 đến tháng 3/1993 và được chia thành 18 loại đất phủ/thực vật được định nghĩa trong sơ đồ tương tác sinh quyển-khí quyển BATS. Mặt đệm của mỗi ô lưới của mô hình được xác định thuộc 1 trong số 18 loại này.. Số liệu độ cao địa hình được lấy từ USGS. Các tập tin số liệu mặt đệm và độ cao địa hình đều có sẵn tại các độ phân giải 30 và 10 phút. Ở đây sử dụng tập số liệu độ phân giải 10 phút. 2.3.2 Cấu hình thí nghiệm Với mục đích thử nghiệm ứng dụng mô hình RegCM với số liệu CFS dự báo hạn mùa một số chỉ số khí hậu cực đoan cho Việt Nam, chúng tôi đã thiết lập cấu hình cho mô hình RegCM như sau: 1) Phiên bản sử dụng: RegCM4.2 2) Miền tính: gồm 144x130 điểm lưới, tâm miền đặt tại (20N; 105E), bao phủ toàn bộ Việt Nam và phần lớn lãnh thổ các nước Đông Nam Á 3) Độ phân giải ngang 36 x 36 km với 18 mực theo chiểu thẳng đứng 4) Tham số hóa vật lý: Sơ đồ đất BATS, sơ đồ đối lưu Grell – AS. Ngoài ra, các sơ đồ bức xạ, lớp biên hành tinh, mưa qui mô lưới,… được lấy ngầm định. 5) Điều kiện ban đầu và điều kiện biên: Số liệu CFS cập nhật 6h/lần 6) Hạn dự báo: 6 tháng, không kể tháng đứng làm dự báo (Lead time chạy từ 0 đến 6 tháng) 7) Số lần chạy dự báo trong một tháng: Về nguyên tắc có thể chạy mô hình mỗi ngày một lần. Tuy nhiên do dung lượng số liệu điều kiện biên quá lớn (khoảng 40GB/dự báo), hơn nữa tốc độ đường truyền Internet không đảm 33 bảo nên ở đây chỉ thực hiện chạy mô hình 7 ngày/lần. Như vậy, trung bình mỗi tháng có 4 lần chạy dự báo. Mặc dù vậy, tùy thuộc vào đường truyền số liệu, số lần dự báo có thể ít hơn do không tải được số liệu về hoặc số liệu tải về bị lỗi hoặc không đủ. Trong luận văn này đã sử dụng tất cả 37 lần chạy dự báo, bắt đầu từ 09/01/2012 đến 29/10/2012. Một điểm đáng chú ý ở đây là phiên bản RegCM4.2 sử dụng nhiệt độ mực nước biển (SST) trung bình tháng, trong khi đó CFS có cung cấp SST 6 giờ một. Do đó, chúng tôi đã cải tiến và thay đổi RegCM4.2 cập nhập số liệu SST 6 giờ một từ CFS. Trên hình 3 minh họa qui trình chạy dự báo của mô hình. Trục nằm ngang là các tháng đứng làm dự báo. Có thể thấy số lần dự báo trong từng tháng có thể khác nhau. Mỗi lần dự báo được thể hiện bởi một đường nằm nghiêng, trong đó các L=0, L=1,… biểu thị hạn dự báo. Từ các vạch kẻ trên đường nằm nghiêng nếu chiếu xuống đường nằm ngang ta sẽ nhận được thông tin dự báo cho tháng nào với hạn dự báo bằng bao nhiêu tháng. Hình 2.2 Quy trình dự báo mùa 34 2.4 Cách xác định các chỉ số ECE từ sản phẩm mô hình Về nguyên tắc, các chỉ số ECE có thể được xác định trực tiếp từ sản phẩm đầu ra của mô hình khu vực với các ngưỡng nhiệt độ (T2m, Tx) hoặc lượng mưa (R24) hàng ngày đã cho như trong mục 2.1. Tuy nhiên, để loại trừ phần nào ảnh hưởng sai số hệ thống của mô hình, một số chỉ số như C13, C15, H35, H37, R50 sẽ được xác định bằng các ngưỡng phân vị T13, T15, T35, T37, Rd50 thay cho các ngưỡng cố định 13 o C, 15 o C, 35 o C, 37 oC và 50mm, các chỉ số khác được xác định trực tiếp từ sản phẩm mô hình. Cụ thể: 1) Các chỉ số được xác định trực tiếp từ sản phẩm mô hình: Tx= Tm= TXx= MAX(Txi) TNn= MIN(Tni) 2) Các chỉ số được xác định gián tiếp từ sản phẩm mô hình qua các ngưỡng phân vị: C15= số ngày trong tháng có T ≤ T15 C13= số ngày trong tháng có T ≤ T13 H35= số ngày trong tháng có Txi ≥ Tx35 H37= số ngày trong tháng có Txi ≥ Tx37 R50= số ngày trong tháng có R24 ≥ Rd50 35 Trong đó: Txi và Tmi tương ứng là giá trị nhiệt độ cực đại và cực tiểu của ngày thứ i; n là số ngày trong tháng được xét. T là nhiệt độ trung bình ngày. R24 là lượng mưa tích lũy ngày. Các ngưỡng phân vị T13, T15, Tx35, Tx37, Rd50 được xác định sao cho: P(T ≤ T15) = PC15 P(T ≤ T13) = PC13 P(Tx ≥ Tx35) = PH35 P(Tx ≥ Tx37) = PH37 P(R24 ≥ Rd50) = PR50 Các đại lượng PC15, PC13, PH35, PH37, PR50 là xác suất khí hậu được xác định như sau: Từ số liệu quan trắc hàng ngày của 70 trạm khí tượng phân bố trên toàn lãnh thổ Việt Nam giai đoạn 1961-2010 của các yếu tố nhiệt độ trung bình ngày (T2m), nhiệt độ cực đại ngày (Tx) và lượng mưa ngày R24, tính được các xác suất sau cho từng tháng trong năm: PC15= P(T2m ≤ 150C) PC13= P(T2m ≤ 130C) PH35= P(Tx ≥ 350C) PH37= P(Tx ≥ 370C) PR50= P(R ≥ 50mm) 36 Trong ví dụ minh họa dưới đây (hình 4) đường màu đỏ biểu diễn phân bố xác suất của nhiệt độ cực đại quan trắc, đường màu xanh biểu diễn phân bố xác suất của nhiệt độ cực đại mô hình. Diện tích miền màu đỏ là PH35, ngưỡng quan trắc tương ứng bằng 350C. Diện tích miền màu xanh bằng diện tích miền tô màu đỏ và bằng PH35. Khi đó, ngưỡng của mô hình là giá trị thỏa mãn PH35= P(Tx ≥ Tx35). Hình 2.3 Xác định chỉ số ECE bằng phương pháp phân vị 2.5 Phương pháp đánh giá Do chưa có đầy đủ các nguồn số liệu phân tích hoặc tái phân tích trên lưới của miền dự báo nên để tiến hành đánh giá trong luận văn này sẽ so sánh trực tiếp sản phẩm của mô hình sau khi đã nội suy về mạng lưới trạm khí tượng trên lãnh thổ Việt Nam với số liệu quan trắc synop tương ứng tại trạm. Số liệu quan trắc được sử dụng là bộ số liệu hàng ngày từ 172 trạm của các yếu tố: nhiệt độ trung bình ngày (T2m), nhiệt độ cực đại ngày (Tx), nhiệt độ cực tiểu ngày (Tm) và lượng mưa ngày (R24). Ngưỡng quan trắc Ngưỡng mô hình 37 Hai khía cạnh được quan tâm xem xét khi đánh giá ở đây là hạn dự báo (Lead time) và thời điểm được dự báo (Target month) hay đích dự báo. Do đó khi lập các tập mẫu, tất cả các lần dự báo trong một tháng được gộp lại với nhau nhằm làm tăng dung lượng mẫu. Mặc dù vậy dung lượng mẫu vẫn chưa đủ lớn vì mới chỉ có chưa đầy một năm làm dự báo và mỗi tháng chỉ có tối đa 4-5 lần dự báo. Bởi vậy, toàn bộ số liệu của tất cả các trạm cũng đã được gộp lại. Nói cách khác, việc đánh giá ở đây mới chỉ dừng lại ở mức độ xem xét tính hợp lý của kết quả dự báo, chưa thể nói về độ chính xác của dự báo vì việc “trộn lẫn” đó có thể sẽ gây ra sự bất đồng nhất lớn trong tập mẫu. Một vấn đề khác, trong dự báo hạn mùa, đơn vị thời gian dự báo (time window) tối thiểu là một tháng thay vì hàng ngày hoặc hàng giờ như trong dự báo thời tiết. Nghĩa là giá trị dự báo chỉ có ý nghĩa phản ánh “điều kiện thời tiết” trong tháng được dự báo chứ không thể chỉ rõ hiện tượng sẽ xảy ra vào ngày nào cụ thể. Việc so sánh giá trị dự báo với giá trị quan trắc theo đơn vị ngày vì vậy chưa thực sự hợp lý, nhất là các đặc trưng phản ánh sai số hệ thống, sai số quân phương hay hệ số tương quan. Tuy nhiên cũng vì lý do dung lượng mẫu bé nên trong luận văn này vẫn phải sử dụng cách xem xét đó với mục đích đánh giá sơ bộ. Ngoài ra, để hợp lý hơn, ở đây đã sử dụng thêm hai đặc trưng khác là phân bố tần suất không điều kiện một chiều và hai chiều. Từ đó, tập mẫu được sử dụng để đánh giá cho một tháng (target) nào đó sẽ là: 1) Là số ngày trong tháng đầu tiên được dự báo. 2) Số giá trị cho một tháng sử dụng thêm hai đặc trưng khác là phân bố tần suất và phân bố đồng thời. Ở đây, số liệu quan trắc được lặp lại cho mỗi lần dự báo do đó luôn luôn có sự tương ứng mỗi giá trị dự báo sẽ có một giá trị quan trắc. Dung lượng mẫu sẽ là: N = 172 x Nday x Nfcs Với Nday là số ngày của tháng đích (target), Nfcs là số lần chạy dự báo có thể có (ít nhất 1 lần, nhiều nhất 5 lần). Các đặc trưng thống kê được sử dụng trong đánh giá gồm: 1) Sai số trung bình hay sai số hệ thống ME (Mean Error) )( 1 1 i N i i OF N ME    38 Chỉ số ME biểu thị sai số trung bình của mô hình so với quan trắc, nó cho biết thiên hướng sai số của mô hình nhưng không phản ánh độ lớn của sai số. ME dương có nghĩa là giá trị của mô hình có xu hướng cao hơn quan trắc, ME âm thì mô hình thấp hơn quan trắc. Mô hình được xem là ”hoàn hảo” (không thiên lệch về một phía nào cả) nếu ME=0. Miền giá trị của ME biến thiên từ - đến +. 2) Sai số quân phương RMSE (Root Mean Square Error)     N i ii OF N RMSE 1 21 RMSE là căn bậc hai của MSE và là thước đo của biên độ sai số nhưng không cho biết thiên hướng của sai số, và còn được gọi là sai số bậc hai. Khi sai số biến động càng mạnh thì RMSE càng lớn. Đặc biệt RMSE rất nhạy cảm với những giá trị sai số lớn. Do đó, nếu RMSE càng gần MAE sai số mô hình càng ổn định và có thể thực hiện việc hiệu chỉnh sản phẩm mô hình. Giữa RMSE và MAE tồn tại bất đẳng thức MAERMSE. Dấu “=” xảy ra khi và chỉ khi mô hình hoàn toàn không có sai số, khi đó RMSE = MAE = 0. 3) Hệ số tương quanCOR (Correlation Coefficient) COR= Fi -F( ) Oi -O( ) i=1 N å Fi -F( ) 2 i=1 N å Oi -O( ) 2 i=1 N å 4) Phân bố tần suất một chiều P1(fj, fk) = P(fj≤ F <fk) P1(oj, ok) = P(oj ≤ O<ok) 5) Phân bố tần suất hai chiều P2(fj, fk om, ol) = P(fj ≤ F <fk; om ≤ O <ol) 39 Trong các công thức trên đây, Fi và Oi tương ứng là giá trị mô hình và giá trị quan trắc của một biến nào đó,i=1,2,…, N, vớiN là dung lượng mẫu. 40 Chương 3 KẾT QUẢ VÀ NHẬN XÉT 3.1 Kết quả nhiệt độ trung bình tháng a) Nhiệt độ trung bình tháng Bản đồ trường nhiệt độ trung bình tháng (hình 3.1) dự báo cho tháng 3 đến tháng 8 có hạn dự báo lần lượt từ 1 đến 6 tháng với thời điểm dự báo ban đầu là ngày 13 tháng 02 năm 2012. Kết quả dự báo cho thấy trường nhiệt độ trung bình đã được mô phỏng khá tốt. Vào tháng 1, nhiệt độ không khí thấp ở phía Nam Trung Quốc do khối không khí lạnh lục địa hoạt động. Nhiệt độ tăng dần khi di chuyển xuống phía Nam. Vào các tháng tiếp theo, khi sự hoạt động của khối không khí lạnh lục địa suy yếu, nhiệt độ không khí đã tăng dần. Ngoài ra nhiệt độ không khí thấp hơn ở những nơi có địa hình cao cũng được mô phỏng khá hợp lý. 41 Hình 3.1: Nhiệt độ trung bình tháng dự báo ứng với các hạn dự báo khác nhau 42 (a) (b) (c) (d) Hình 3.2 Nhiệt độ trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số quân phương (d) Hình 3.2 (a) biểu diễn giá trị nhiệt độ trung bình tháng với trục x là tháng dự báo (từ tháng 1 đến tháng 10), hạn dự báo từ 0 đếm 6 tháng được biểu diễn theo trục y. Thang bên dưới là giá trị quan trắc từng tháng tương ứng, thang giá trị biểu diễn nhiệt độ đơn vị là độ C. Giá trị tại mỗi ô thể hiện giá trị trung bình cho một tháng cụ thể với 1 hạn dự báo xác định. Khi so sánh giá trị trung bình tháng kết quả mô hình và quan trắc chúng ta có thể thấy kết quả mô hình thấp hơn quan trắc ở hầu hết các tháng và hầu hết các hạn dự báo. Khi xem xét với các hạn dự báo, với các thời điểm dự báo ban đầu khác nhau, chúng ta có thể thấy kết quả dự báo nhiệt độ khá đồng nhất với các đích 43 dự báo, điều này cho thấy, mô hình cho kết quả dự báo khí hậu khá ổn định, ko bị ảnh hưởng nhiều bởi điều kiện thời gian ban đầu khác nhau. Cần phải lưu ý rằng, kết quả giá trị dự báo tại một tháng được so sánh với các hạn dự báo khác nhau cùng một cột giá trị. Hình 3.2 (b) biểu diễn giá trị tương quan của chuỗi giá trị quan trắc và mô hình, trục x là tháng dự báo (từ tháng 1 đến tháng 10), trục y là hạn dự báo (từ 0 đến 6 tháng). Thang màu biểu diễn giá trị tương quan tương ứng (từ 0.0 đến 1.0) với mỗi tháng cụ thể và 1 hạn dự báo xác định. Khi xem xét giá trị tương quan giữa kết quả mô hình và quan trắc, chúng ta có thể thấy, đối với trường nhiệt độ, mô hình cho kết quả tương quan khá cao, hầu hết các dự báo cho kết quả tương quan từ 0,4 đến 0,8. Đối với dự báo cho tháng 6, tháng 7 và tháng 10 cho tương quan cao hơn cả. Ngoài ra, với hạn dự báo càng ngắn cho giá trị tương quan càng cao, điều này cho thấy, đối với trường nhiệt độ, hạn dự báo càng ngắn cho kết quả dự báo càng tốt hơn. Hình 3.2 (c) biểu diễn tương tự với giá trị sai số trung bình ME. Kết quả cho thấy mô hình cho dự báo giá trị nhiệt độ thiên thấp ở tất cả các tháng và tất cả các hạn dự báo, giá trị sai số chủ yếu trong khoảng từ -1 đến -3.50C. Trong các tháng dự báo, các tháng mùa hè tháng 7, tháng 8, tháng 9 là cho sai số dự báo nhỏ hơn cả. Các tháng chuyển mùa, tháng 4, tháng 5 và tháng 10 cho sai số lớn hơn cả. Hạn dự báo càng dài cho sai số dự báo càng lớn. Với các thời điểm dự báo khác nhau không cho giá trị sai số đáng kể. Hình 3.2 (d) biểu diễn tương tự với giá trị sai số quân phương (RMSE). Ở trường nhiệt độ, RMSE chủ yếu biến động trong khoảng từ 3.50C đến 5.50C. Giá trị sai số quân phương lớn do sai số dự báo giá trị từng ngày của mô hình sai khác với giá trị hàng ngày của quan trắc. Trong dự báo hạn dài tối đa đến 6 tháng, rất khó để dự báo chính xác giá trị nhiệt độ từng ngày cụ thể. Kết quả cũng cho thấy dự báo cho các tháng 6, 7, 8 với hạn dự báo từ 1 đến 3 tháng cho kết quả sai số quân phương là thấp nhất, Với thời điểm dự báo ban đầu là tháng 1, cho khoảng sai số quân phương là lớn nhất. Từ những đánh giá cho trường nhiệt độ bề mặt cho ta thấy một số kết luận: - Đối với trường nhiệt độ bề mặt, dự báo cho các tháng mùa hè (từ tháng 6 đến tháng 9) với hạn dự báo ngắn (khoảng từ 1 đến 3 tháng) cho kết quả tốt nhất. Với các thời điểm dự báo khác nhau hầu như ít cho kết quả khác nhau với cùng đích dự báo. 44 - Với trường nhiệt độ, có thể thấy rõ ràng là mô hình cho dự báo thiên âm, với các hạn dự báo khác nhau đều cho sai số khá đồng nhất, ngoài ra chuỗi số liệu được phân tích theo giá trị từng ngày, vì mục đích của bài toán là dự báo hạn mùa, hàm phân bố các giá trị trong tháng của dự báo mới là đặc trưng quan trọng nhất, nó cho phép đánh giá dự báo có nắm bắt được phổ giá trị hay không, đó là quyết định có dự báo được các khoảng giá trị cực trị hay không. Sau đây chúng tôi sẽ phân tích hàm phân bố tần suất (hình 3.3) và phân bố đồng thời (hình 3.4) đối với trường nhiệt độ trung bình. (a) (b) (c) (d) (e) Hình 3.3 Đồ thị phân bố tần suất trường nhiệt độ trung bình cho tháng 8 và tháng 4 Hình 3.3 biểu diễn phân bố tần suất (phân bố một chiều) trường nhiệt độ trung bình cho tháng 8 và tháng 4 với các hạn dự báo khác nhau. Trục x là giá trị nhiệt độ (đơn vị độ C), trục y là tần suất (đơn vị %). Đồ thị màu đỏ biểu diễn phân bố quan trắc, đồ thị màu xanh biểu diễn phân bố mô hình. Dự báo tháng 8 với hạn dự báo 1 tháng (a), 3 tháng (b), 6 tháng (c) và dự báo tháng 4 với hạn dự báo 1 tháng (d) và 3 tháng (e). Dựa vào đồ thị phân bố với dự báo trường nhiệt độ tháng 8 với các hạn dự báo 1 tháng, 3 tháng, 6 tháng cho thấy phân bố nhiệt độ tháng 8 chủ yếu khoảng 24 đến 260C, 45 kỳ vọng khoảng 250C trong khi giá trị quan trắc có ngưỡng giá trị lớn hơn, khoảng 26 đến 300C, trung bình khoảng 280C. Đối với dạng phân bố của đồ thị dự báo có dạng chuẩn, đối xứng hơn, trong khi phân bố hàm quan trắc có dạng lệch phải. Giá trị quan trắc phân bố trong khoảng từ 18 đến 320C, trong khi dự báo giá trị trong khoảng 18 đến 30 0 C. Với các hạn dự báo khác nhau hầu như có sự đồng nhất về dạng phân bố. Từ dạng phân bố của mô hình và quan trắc có thể thấy, đối với dự báo tháng 8, mô hình dự báo thiên thấp so với quan trắc từ 2-40C có tính hệ thống. Phân bố tần suất giá trị nhiệt độ tháng 4 có sự khác biệt so với các tháng 6,7,8 khi mà phân bố giá trị quan trắc trải rộng trong khoảng từ 16 đến 340C và chủ yếu phân bố trong khoảng 24 đến 300C, trong khi phân bố giá trị quan trắc trong tháng 8 chủ yếu trong khoảng 28 đến 300C. Sự khác biệt trong phân bố tần suất tháng 4 và tháng 8 cho phép khảo sát về khả năng dự báo với các phân bố tần suất khác nhau. Sự phân bố tần suất giữa 3 mùa hè, tháng 7, tháng 8, tháng 9 (xem phụ lục) với các hạn dự báo khác nhau cũng được cho thấy nền nhiệt độ dự báo đều thấp hơn quan trắc, giá trị kỳ vọng của dự báo đều thấp hơn quan trắc khoảng 2 đến 40C. Về dạng phân bố nhiệt độ dự báo tháng 7, 8, 9 hầu như tuân theo dạng phân bố chuẩn, trong khi phân bố quan trắc thường có dạng chuẩn (tháng 8, 9) hoặc lệch phải (tháng 7). Giá trị dự báo hầu hết rơi vào khoảng 18 đến 300C, trong khi giá trị quan trắc phổ biến trong khoảng 20-320C. Ngoài ra, khi xem xét độ nhọn của phân bố, chúng ta có thể thấy dự báo nắm bắt khá tốt. Phân bố tần suất cao nhất khoảng 35% đối với tháng 7, 38% đối với tháng 8 và khoảng 40% đối với tháng 9. Từ các kết quả trên cũng cho thấy mô hình cho giá trị dự báo nắm bắt khá tốt phân bố giá trị quan trắc, từ đó củng cố thêm nhận định sai số có tính hệ thống của mô hình. (a) (b) (c) 46 (d) (e) Hình 3.4: Phân bố đồng thời giá trị nhiệt độ tháng 8 và tháng 4 Tiếp theo, trong hình 3.4 chúng tôi sẽ xem xét phân bố đồng thời hay phân bố tần suất 2 chiều của trường nhiệt độ trung bình. Trục x là giá trị mô hình, trục y là giá trị quan trắc, giá trị tại mỗi ô là xác suất (%) có điều kiện với ngưỡng giá trị tương ứng. Phân bố đồng thời nhiệt độ tháng 4 và tháng 8 cho thấy các dự báo luôn cho giá trị thiên âm tuy nhiên các giá trị dự báo và quan trắc tập trung xung quanh đường đẳng trị. Đường tần suất cực đại luôn song song với đường đẳng trị cho thấy sai số của mô hình là đồng nhất và mang tính hệ thống. Cực đại tần suất cũng cho thấy với khoảng nhiệt độ từ 24 đến 280C đối với tháng 4 và 26 đến 300C đối với tháng 8 mô hình nắm bắt phân bố khá tốt. So với tháng 4, các giá trị nhiệt độ trung bình tháng 8 có mức độ tập trung cao hơn, do nhiệt độ vào mùa hè đồng nhất giữa các trạm ở miền Bắc và các trạm ở miền Nam, trong khi vào tháng 4 có sự chênh lệch nhiệt độ rõ rệt hơn. Ngoài ra giá trị tần suất cực đại trong tháng 8 cũng cao hơn so với tháng 4, cho thấy độ tin cậy dự báo tháng 8 là tốt hơn. Với hạn dự báo khác nhau hầu như không có sự khác biệt. Với hạn dự báo càng dài, độ tán của dự báo càng rộng cho thấy độ tin cậy của dự báo giảm khi hạn dự báo tăng. Phân bố đồng thời với các tháng 7, 8, 9 (xem phụ lục) cũng cho thấy với dự báo các tháng khác nhau, mô hình đều cho dự báo khá đồng nhất, đường cực đại tần suất gần như song song với đường đẳng trị, nhiệt độ dự báo. Ở cả 3 tháng dự báo chúng ta đều có thể nhận thấy với hạn dự báo càng dài, độ tán của giá trị mô hình càng rộng, điều này có nghĩa thông tin dự báo tản mạn hơn và độ tin cậy thấp hơn. b) Lượng mưa tháng Bản đồ tổng lượng mưa tháng được biểu diễn trong hình 3.5 dự báo cho tháng 3 đến tháng 8 với hạn dự báo lần lượt từ 1 đến 6 tháng với thời điểm điểm dự báo ngày 13 tháng 02 năm 2012. 47 Hình : 3.5 Tổng lượng mưa tháng dự báo với các hạn dự báo từ 1 đến 6 tháng 48 (a) (b) Hình 3.6 : Lượng mưa trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số quân phương (d) Trong dự báo thời tiết cũng như khí hậu, trường mưa là một yếu tố rất khó dự báo, nhất là dự báo bằng mô hình. Giá trị dự báo mưa cho thấy, mô hình cũng đã dự báo được những tháng mưa có mưa và những tháng không mưa, tuy nhiên giá trị tương quan giữa dự báo và quan trắc là không lớn. Với tháng 4 là tháng chuyển mùa, bắt đầu từ mùa khô sang mùa mưa, hầu như mô hình không có khả năng dự báo. Tương tự với các dự báo hạn trên 3 tháng với đích dự báo là các tháng mùa hè cũng cho tương quan rất nhỏ. 49 Với dự báo mưa hầu hết các dự báo có xu hướng thiên âm với các tháng có lượng mưa nhiều và không rõ rệt xu hướng đối với các tháng có lượng mưa nhỏ. RMSE khá đồng nhất với các tháng, điều này cho thấy dự báo mưa hạn mùa phụ thuộc chủ yếu và đích dự báo, đối với dự báo mưa RMSE lớn vào các tháng mùa hè và nhỏ vào các tháng đầu năm, điều này không có nghĩa là dự báo các tháng mùa hè thì xấu hơn các tháng đầu năm. Nguyên nhân chủ yếu là do lượng mưa nhiều hơn vào các tháng mùa hè, còn vào các tháng đầu năm lượng mưa nhỏ. (a) (b) (c) (d) (e) Hình 3.7 Đồ thị phân bố tần suất trường mưa cho tháng 8 và tháng 4 Phân bố tần suất có thể thấy mô hình chưa dự báo tốt trường mưa, khi dạng phân bố quan trắc và dự báo có sự khác biệt. Mô hình dự báo không mưa (lượng mưa bằng 0mm/ngày) với tần suất khoảng 15% trong khi quan trắc có tần suất trên 50%. Trong khi quan trắc lượng mưa trải đều trong khoảng từ 3 đến khoảng 30mm/ngày với tần suất thấp thì trong dự báo, hầu hết giá trị trong khoảng từ 0 đến 10mm/ngày với tần suất cao hơn. Với các hạn dự báo khác nhau đều cho kết quả dự báo khá đồng nhất. Đối với tháng 4, dự báo giá trị chủ yếu trong khoảng giá trị từ 1 đến 5 mm/ngày với tần suất lớn, trong khi quan trắc giá trị có độ tán rộng, với tần suất khá nhỏ, sự 50 chênh lệch tần suất giữa quan trắc và dự báo là khá rõ rệt. So với tháng 8 thì dự báo phân bố tần suất tháng 4 kém hơn. Kết quả cho thấy dự báo sự phân bố 3 tháng 7, 8, 9 (xem phụ lục) không có sự khác biệt rõ nét, dự báo lượng mưa chủ yếu ở ngưỡng thấp với tần suất lớn, trong khi giá trị quan trắc có độ tán lớn hơn, trải rộng và tần suất nhỏ hơn dự báo. Dự báo không mưa ở tháng 9 là tốt nhất so với tháng 7 và tháng 8. Dạng phân bố của hầu hết các dự báo đều có dạng lệch phải. Sự khác biệt với các hạn dự báo khác nhau không được thể hiện rõ. 3.2 Các trường nhiệt độ cực trị 3.2.1 Các trường nhiệt độ cực trị trung bình tháng a) Tm 51 Hình 3.8 Nhiệt độ cực tiểu trung bình tháng ứng với các hạn dự báo khác nhau 52 (a) (b) (c) (d) Hình 3.9 : Nhiệt độ cực tiểu trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số quân phương (d) Cũng tương tự như đối với trường nhiệt độ bề mặt, đối với nhiệt độ cực tiểu ngày, kết quả mô hình đều cho giá trị thiên thấp so với quan trắc. Ở tất cả các tháng và với tất cả các hạn dự báo từ 1 đến 6 tháng, giá trị nhiệt độ cực tiểu ngày đều thấp hơn so với quan trắc. Sự đồng nhất dự báo với các hạn dự báo khác nhau cũng thể hiện rõ. Từ tháng 5 đến tháng 8, các hạn dự báo khác nhau đều cho cùng kết quả dự báo. Khi xem xét chỉ số tương quan giữa quan trắc và mô hình, chúng ta đều thấy có sự tương quan lớn. Hầu hết các tháng và các hạn dự báo, giá trị tương quan khoảng 0.5 đến 0.7, lớn hơn giá trị tương quan với dự báo trường nhiệt độ bề mặt. Một phần nguyên nhân là do 53 phân bố giá trị nhiệt độ cực tiểu ngày biến thiên nhỏ hơn giá trị nhiệt độ trung bình ngày. Giá trị tương quan lớn ở hầu hết các tháng với các hạn dự báo khác nhau. Giá trị tương quan đặc biệt lớn (khoảng 0.7) với các dự báo tháng 1, tháng 2, tháng 3, điều này cho thấy khả năng nắm bắt xu thế của mô hình tốt hơn vào mùa đông, khi nhiệt độ cực tiểu ngày xuống ngưỡng giá trị thấp hơn. Cũng tương tự như nhiệt độ bề mặt, giá trị sai số trung bình ME cho thấy đối với nhiệt độ cực tiểu, mô hình cũng cho kết quả dự báo thiên âm ở tất cả các tháng và tất cả các hạn dự báo, khoảng sai số nhỏ hơn vào dự báo các tháng mùa đông (tháng 1, tháng 2, tháng 3) và các tháng mùa hè (tháng 7, tháng 8, tháng 9). Ngược lại, vào các tháng chuyển mùa (tháng 4, tháng 5 hoặc tháng 10) cho giá trị thiên âm lớn. Dựa vào chỉ số sai số quân phương, cũng cho thấy sai số đối với những tháng mùa đông và nhất là những tháng mùa hè có sai số nhỏ, vào những tháng chuyển tiếp sai số dự báo lớn hơn, nhất là tháng 10, đối với trường dự báo nhiệt độ cực tiểu ngày, ảnh hưởng của thời điểm dự báo ban đầu cũng không rõ rệt. Mặc dù vẫn cho dự báo nhiệt độ cực tiểu thiên thấp, tuy nhiên so với dự báo nhiệt độ trung bình, dự báo nhiệt độ cực tiểu cho kết quả khả quan hơn với sai số ME và RMSE thấp hơn. Khả năng nắm bắt xu thế cũng tốt hơn thể hiện ở giá trị tương quan cao hơn. Ở cả dự báo nhiệt độ cực tiểu và nhiệt độ trung bình đều có sự đồng nhất đối với các hạn dự báo khác nhau. (a) (b) (c) 54 (d) (e) Hình 3.10 : Đồ thị phân bố tần suất nhiệt độ cực tiểu trung bình tháng cho tháng 8 và tháng 4 Hình 3.10 thể hiện phân bố tần suất cho trường nhiệt độ cực tiểu ngày với các hạn dự báo khác nhau cho tháng 8 và tháng 4. Có thể nhận thấy ngay mô hình cho phân bố tần suất với kỳ vọng thấp hơn so với quan trắc, nằm trong khoảng 22-240C trong khi giá trị trong quan trắc là từ 24-260C. Đáng lưu ý là ở khoảng nhiệtđộ 16-180C, mô hình nắm bắt tốt hơn. Bên cạnh đó, dự báo của mô hình chưa nắm bắt tốt dạng phân bố của quan trắc (có xu hướng lệch phải). Tuy nhiên phân bố trong tháng 4 trải rộng và phân bố đều hơn so với tháng 8. Sự lệch phải trong phân bố của quan trắc vẫn chưa được nắm bắt tốt trong tháng 8, trong tháng 4, dạng phân bố đã được dự báo tốt hơn. Đối với các hạn dự báo khác nhau sự khác biệt là không rõ rệt, tuy nhiên dựa vào dạng phân bố có thể thấy dự báo với hạn là 1 và 3 tháng tốt hơn hạn 6 tháng. Đối với phân bố tần suất giá trị nhiệt độ cực tiểu ngày, ở cả 3 tháng mùa hè, tháng 7, tháng 8, tháng 9 (xem phụ lục) giá trị dự báo đều có phân bố chuẩn, với giá trị kỳ vọng nhỏ hơn so với quan trắc. Tần suất cực đại giá trị dự báo khoảng 20 đến 220C chiếm 35% tập giá trị mẫu, trong khi tần suất cực đại của quan trắc khoảng 24 đến 26 0 C chiếm khoảng 40% tập giá trị mẫu. Giá trị dự báo tuân theo quy luật phân bố chuẩn, trong khi giá trị quan trắc có độ lệch phải nhỏ. Độ tán dự báo và quan trắc tương đối đồng nhất. 55 (a) (b) (c) (c) (d) Hình 3.11 : Phân bố đồng thời giá trị nhiệt độ cực tiểu trung bình tháng 8 và tháng 4 So với nhiệt độ trung bình, phân bố nhiệt độ cực tiểu ngày cho thấy có sự bất đối xứng khi độ tán của dự báo khá rộng đối với tháng 4, dự báo cho giá trị từ 4 đến 300C, trong khi quan trắc, giá trị chỉ phân bố trong khoảng 10 đến 300C. Sự khác biệt này không còn rõ rệt trong tháng 8 (trừ dự báo tháng 8 với hạn 6 tháng). Trong 3 tháng 7, 8, 9, (xem phụ lục) dự báo tháng 8 cho phân bố tốt nhất. Cực đại tần suất khá đồng nhất trong tháng 8. Với hạn dự báo càng dài, mức độ tản mạn giá trị càng lớn, độ tin cậy của dự báo càng thấp. b) Tx 56 Hình 3.12 Nhiệt độ cực đại trung bình tháng ứng với các hạn dự báo khác nhau 57 (a) (b) (c) (d) Hình 3.13: Nhiệt độ cực đại trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số quân phương (d) Cũng tương tự như trường nhiệt độ trung bình và nhiệt độ cực tiểu ngày, đối với nhiệt độ cực đại ngày, mô hình cũng cho kết quả dự báo nhỏ hơn quan trắc ở tất cả các tháng và tất cả các hạn dự báo.Với các hạn dự báo khác nhau đều cho kết quả khá tương đồng tại các tháng dự báo, nhất là đối với các tháng mùa hè. Hệ số tương quan trong dự báo nhiệt độ cực đại ngày khá thấp và kém đồng nhất với với cả hạn dự báo và với cả tháng dự báo. Hầu hết đối với hạn dự báo từ 3 tháng trở lên trong các tháng chuyển mùa đều cho giá trị tương quan rất thấp, giá trị 58 hầu hết trong khoảng từ 0.1 đến 0.2. Với các tháng mùa hè, với những dự báo hạn dài trên 3 tháng cũng cho tương quan thấp. Sai số ME cũng cho thấy, dự báo nhiệt độ cực đại từ mô hình là thiên thấp so với quan trắc, giá trị sai số trung bình hầu hết trong khoảng từ -2 đến -40C. Tuy nhiên sai số này chỉ đồng nhất với dự báo các tháng mùa hè. Đối với các tháng chuyển mùa và với các hạn dự báo khác nhau, giá trị sai số trung bình khác nhau khá lớn. RMSE cũng cho thấy điều tương tự đối với dự báo nhiệt độ cực đại, RMSE có giá trị nhỏ hơn đối với các tháng mùa hè và với các hạn dự báo nhỏ hơn 3 tháng. (a) (b) (c) (d) (e) Hình 3.14 Đồ thị phân bố tần suất nhiệt độ cực đại trung bình tháng cho tháng 8 và tháng 4 Phân bố tần suất trường nhiệt độ cực đại ngày cho tháng 8 của mô hình và quan trắc được thể hiện trong hình 3.14. Kỳ vọng trong phân bố của mô hình vẫn thấp hơn so với quan trắc, tuy nhiên độ tán và độ lệch của phân bố có sự tương đồng cao. Mô hình cho phân bố chủ yếu nằm trong khoảng 28-32oC còn phân bố của quan trắc nằm trong khoảng 30-34oC. Trong trường hợp này sự khác biệt giữa các hạn dự báo khác nhau vẫn không rõ nét. 59 Phân bố nhiệt độ cực đại trong tháng 8 và 9 của số liệu quan trắc có xu hướng lệch phải rõ nét hơn so với tháng 7 (xem phụ lục), với khoảng nhiệt độ chủ yếu từ 30- 34 oC. Do đó, so với tháng 7, mô hình nắm bắtcó phần kém hơn. Tuy nhiên, trong tháng 9, hạn dự báo bằng 1 cho kết quả tốt hơn so với hạn dự báo 3 tháng và 6 tháng. Đối với nhiệt độ cực đại tháng, tần suất phân bố của dự báo đều có dạng chuẩn, trừ tháng 8 có độ lệch phải, do vào mùa hè, tại hầu hết các trạm đều có ngưỡng nhiệt độ cực đại ngày lớn (khoảng từ 32 đến 340C). Với các hạn dự báo khác nhau hầu như không có sự khác biệt đáng kể. Về độ rộng của hàm phân bố, phổ các giá trị dự báo và quan trắc đều khá đồng nhất với nhau. So sánh phân bố giá trị nhiệt độ cực đại giữa tháng 4 và tháng 8 cho thấy phân bố tần suất trong tháng 4 có độ tán rộng hơn và cho phân bố chuẩn trong cả dự báo và quan trắc. Hạn dự báo khác nhau đều cho kết quả khá đồng nhất. (d) (e) (f) (d) (e) Hình 3.15 Phân bố đồng thời giá trị nhiệt độ cực đại trung bình tháng 8 và tháng 4 So với dự báo nhiệt độ trung bình và nhiệt độ cực tiểu, dự báo nhiệt độ cực đại ngày cho kết quả kém hơn. So với tháng 8, giá trị tần suất cực đại cho dự báo tháng 4 vẫn còn chưa cao, phân bố kết quả dự báo chưa tập trung, mức độ tản mạn của phân bố lớn. So với tháng 4, phân bố tần suất dự báo tháng 8 cho kết quả khả quan hơn. 60 Phân bố đồng thời các tháng 7, 8, 9 (xem phụ lục) nhiệt độ cực đại có độ phân tán rộng, nhất là đối với tháng 9. Ngoài ra giá trị tần suất cực đại cũng chưa cao, phân bố tản mạn. Qua khảo sát đánh giá khả năng mô phỏng với trường nhiệt độ bao gồm trường nhiệt độ trung bình,nhiệt độ cực tiểu ngày và nhiệt độ cực đại ngày, chúng ta có thể nhận thấy - Dự báo nhiệt độ cho các tháng mùa hè (tháng 6, tháng 7, tháng 8, tháng 9) mô hình có khả năng dự báo tốt hơn các tháng chuyển mùa (tháng 4 và tháng 10) - Với các hạn dự báo khác nhau đều cho kết quả khá tương đồng với cùng một đích dự báo, điều đó cho thấy khả năng dự báo phụ thuộc nhiều vào tháng cần dự báo hơn là hạn dự báo. - Khả năng dự báo mùa không phụ thuộc nhiều vào các điều kiện ban đầu, điều này có nghĩa với các tháng chọn làm thời điểm dự báo khác nhau, với cùng một đích dự báo cho kết quả khá tương đồng với nhau. - Dự báo với trường nhiệt độ trung bình và trường nhiệt độ cực tiểu ngày là tốt nhất, với giá trị tương quan dự báo lớn (0.4-0.7), tuy sai số ME và RMSE lớn nhưng các dự báo với các hạn dự báo khác nhau và các tháng dự báo đều có sai số khá đồng nhất. Có thể sai số của mô hình mang tính hệ thống, để khảo sát chi tiết hơn khả năng dự báo của mô hình, chúng ta có thể xem xét hàm phân bố giá trị dự báo và quan trắc. 3.2.2 Các trường nhiệt độ cực trị tuyệt đối Kết quả dự báo nhiệt độ cực tiểu tuyệt đối tháng và nhiệt độ cực đại tuyệt đối tháng cho tháng 3 đến tháng 8 với hạn dự báo tương ứng từ 1 đến 6 tháng được thể hiện trên hình 3.16 và 3.17. Với thời điểm dự báo ban đầu là ngày 13 tháng 02 năm 2012. Vì nhiệt độ cực tiểu tháng và nhiệt độ cực đại tháng chỉ có 1 giá trị trong một tháng, vì vậy tập giá trị mẫu không đủ lớn nên chúng tôi không tiến hành đánh giá với các chỉ số thống kê và hàm phân bố. a) Nhiệt độ cực tiểu tuyệt đối tháng TNn Nhiệt độ cực tiểu tháng được mô phỏng nhìn chung hợp lý, nhiệt độ tăng dần từ phía Bắc xuống phía Nam, Nhiệt độ thấp hơn tại những nơi có địa hình cao hơn. từ tháng 3 đến tháng 8, nhiệt độ tăng dần theo thời gian. 61 Hình 3.16 Nhiệt độ cực tiểu tuyệt đối tháng 3 đến tháng 8 với hạn dự báo tứng ứng từ 1 đến 6 tháng. 62 b) Nhiệt độ cực đại tuyệt đối tháng TXx 63 Hình 3.17 Nhiệt độ cực đại tuyệt đối tháng 3 đến tháng 8 với hạn dự báo tứng ứng từ 1 đến 6 tháng. Cũng tương tự như nhiệt độ cực tiểu tháng, nhiệt độ cực đại tháng (hình 3.17) nhìn chung được mô phỏng khá hợp lý. 3.3 Các chỉ số khí hậu cực đoan Phương pháp xác định số ngày nắng nóng (H35), nắng nóng gay gắt (H37), số ngày rét đậm (C15), số ngày rét hại (C13) và số ngày mưa lớn R50 từ mô hình được chỉ ra trong mục 2.4. Dưới đây là so sánh kết quả giữa dự báo mô hình và quan trắc. Trục x là tháng dự báo (từ tháng 1 đến tháng 10), trục y là hạn dự báo (từ 0 đến 6 tháng), bên dưới là giá trị quan trắc từng tháng tứng ứng với thang giá trị là trung bình số ngày xuất hiện trong một tháng. a) Số ngày rét đậm rét hại C13, C15 64 (a) (b) Hình 3.18 khả năng dự báo số ngày rét đậm C15 (a), rét đậm, rét hại C13 (b). Với khả năng dự báo trường nhiệt độ của mô hình với sai số mang tính hệ thống như đã nêu trên, Kết quả dự báo số ngày rét đậm cho kết quả khá đồng nhất với các tháng dự báo, nhất là tháng 4, tháng 9 tháng 10 và với các hạn dự báo khác nhau. Các tháng chuyển mùa được dự báo khá tốt một phần là vì vào tháng này có ít ngày rét đậm (khoảng dưới 2 ngày). Kết quả dự báo tháng 5 có dưới 2 ngày rét đậm, tuy nhiên trong số liệu quan trắc ko có ngày nào rét đậm trong tháng này. Các kết quả dự báo còn thiếu đồng nhất cho tháng 2 và tháng 3 với các hạn dự báo khác nhau. Kết quả dự báo càng chính xác với hạn dự báo càng ngắn. Đối với số ngày rét đậm, rét hại (C13), mô hình cho kết quả tương đối chính xác với hầu hết các tháng dự báo. Chỉ có tháng 9 vẫn có trung bình dưới 2 ngày rét đậm rét hại/tháng kết quả dự báo mô hình vẫn chưa dự báo được. Với các hạn dự báo khác nhau, kết quả mô hình tương đối đồng nhất. b) Số ngày nắng nóng và nắng nóng gay gắt H35, H37 (a) (b) Hình 3.19 khả năng dự báo số ngày nắng nóng H35 (a), nắng nóng gay gắt H37 (b). Như đã nêu trên, kết quả dự báo phân bố tần suất và phân bố đồng thời trường nhiệt độ cực đại là không tốt bằng dự báo cho trường nhiệt độ trung bình. Chính vì vậy, kết quả dự báo số ngày nắng nóng (H35) và nắng nóng gay gắt (H37) dựa vào trường nhiệt độ cực đại là kém hơn so với dự báo C13 và C15. Kết quả dự báo cho thấy, số 65 ngày nắng nóng (H35) cho kết quả không đồng nhất đối với dự báo các tháng mùa hè nhất là tháng 6 và tháng 7. Các dự báo với hạn trên 1 tháng hầu như cho kết quả chưa tốt khi so sánh với quan trắc. Kết quả dự báo không đồng nhất với các hạn khác nhau. Các kết quả dự báo chỉ chính xác đối tháng 9, tháng 10 và các tháng đầu năm, nguyên nhân là do vào các tháng chuyển mùa, có ít ngày nắng nóng hoặc không có vào các tháng này. Điều đó cho thấy dự báo ECE chỉ tốt với các tháng có tần suất xuất hiện ECE thấp. Đối với số ngày nắng nóng gay gắt (H37) mô hình cho kết quả dự báo khả quan hơn. Nhất là vào các tháng mùa hè, kết quả dự báo đã có sự đồng nhất trong tháng và với các hạn dự báo khác nhau. c .Số ngày mưa lớn R50 (a) Hình 3.20 khả năng dự báo số ngày mưa lớn Dự báo số ngày mưa lớn ở mô hình nhìn chung cho kết quả chưa tin cậy. Kết quả dự báo khác khác biệt với cùng 1 tháng dự báo với các hạn dự báo khác nhau. Dự báo cũng cho kết quả sai khác. Với các tháng đầu năm, dự báo tốt hơn bởi trong những tháng đầu năm, có ít ngày mưa lớn trên các trạm tại Việt Nam. 66 KẾT LUẬN Với mục tiêu của bài toán là thử nghiệm dự báo hạn mùa một số chỉ số khí hậu cực đoan, 37 dự báo bởi mô hình RegCM4.2 với hạn dự báo tối đa là 6 tháng sử dụng điều kiện ban đầu và điều kiện biên từ hệ thống dự báo CFS đã thử nghiệm cho khu vực Việt Nam. Một cải tiến quan trọng khi RegCM4.2 đã được điều chỉnh để đọc trường đầu vào SST 6 giờ một thay vì lấy giá trị trung bình tháng như phiên bản gốc qua đó thông tin SST được cập nhập tốt hơn cho phép dự báo tốt hơn. Giá trị dự báo ứng với mỗi tháng được lấy trung bình từ các dự báo với thời điểm dự báo ban đầu khác nhau trong cùng một tháng. Để thử nghiệm dự báo một số chỉ số khí hậu cực đoan, trường mưa, nhiệt độ trung bình ngày, nhiệt độ cực tiểu ngày và nhiệt độ cực đại ngày được nội suy về 172 trạm khí tượng synop và so sánh với số liệu quan trắc. Ngoài ra các chỉ số khí hậu cực đoan: số ngày rét đậm C15, số ngày rét đậm, rét hại C13, số ngày nắng nóng H35, số ngày nắng nóng gay gắt H37 và số ngày mưa lớn R50 được tính toán bằng phương pháp tính xác suất dựa trên chuỗi số liệu quan trắc thời kì 1961- 2010 của 70 trạm trên toàn quốc. Từ các phân tích kết quả có thể rút ra một số kết luận: 1. Đối với dự báo các trường nhiệt độ trung bình tháng và lượng mưa tháng - Dự báo mô hình RegCM4.2 cho kết quả dự báo luôn thiên thấp với các trường nhiệt độ trung bình. - Đối với trường mưa kết quả dự báo khá kém, không có tính đồng nhất giữa các tháng và nhất là với các dự báo hạn dài. - Kết quả dự báo hạn mùa không phụ thuộc nhiều vào thời điểm dự báo ban đầu mà phụ thuộc chủ yếu vào tháng dự báo. Đối với trường nhiệt độ nói chung có tính đồng nhất và ổn định với dự báo với các hạn dự báo khác nhau. - Dựa vào phân bố tần suất và phân bố đồng thời có thể thấy sai số dự báo có tính hệ thống. - Phân bố tần suất và phân bố đồng thời cho thấy với khoảng giá trị nhiệt độ thấp mô hình nắm bắt phân bố tốt hơn khoảng giá trị nhiệt độ cao. Ngoài ra, hàm phân bố của dự báo có dạng chuẩn vào các tháng mùa hè, trong khi hàm phân bố quan trắc vào các tháng này có dạng lệch phải. 2. Đối với các trường cực trị tháng 67 - Kết quả dự báo mô hình thiên thấp với các trường, nhiệt độ cực tiểu ngày và nhiệt độ cực đại ngày. - Kết quả dự báo hạn mùa không phụ thuộc nhiều vào thời điểm dự báo ban đầu mà phụ thuộc chủ yếu vào tháng dự báo. Đối với các trường nhiệt độ cực trị, kết quả dự báo có tính đồng nhất và ổn định với các tháng dự báo và với các hạn dự báo khác nhau. - Dựa vào đồ thị phân bố tần suất và phân bố đồng thời có thể khẳng định sai số dự báo của mô hình có tính hệ thống. 3. Đối với dự báo một số chỉ số khí hậu cực đoan - Bằng phương pháp dự báo theo xác suất, chỉ số C13, C15, H35 và H37 ban đầu đã cho các kết quả hợp lý. - Tuy vẫn có dự báo khống cho tháng 5 hoặc không dự báo được cho tháng 9 đều là các tháng chuyển mùa nhưng các dự báo C13, C15 khá đồng nhất với các tháng dự báo và các hạn dự báo khác nhau. Nhìn chung dự báo C13 và C15 là tốt hơn so với dự báo H35 và H37, nguyên nhân do dự báo nhiệt độ trung bình ngày được đánh giá tốt hơn so với dự báo nhiệt độ cực đại ngày. - Dự báo mưa lớn nhìn chung chưa tốt do dự báo giá trị lượng mưa ngày chưa chính xác. Mặc dù vậy, kết quả bước đầu khẳng định có thể dự báo hạn mùa bằng phương pháp mô hình. Các sai số có thể liên quan do sơ đồ đất của mô hình RegCM bao gồm độ ẩm đất và nhiệt độ đất không được cập nhập. Do kết quả mô hình có tính hệ thống, để kết quả dự báo được tốt hơn, mô hình cần được hiệu chỉnh. Ngoài ra phương pháp tổ hợp kết quả với nhiều điều kiện đầu vào khác nhau và nhiều mô hình khác nhau sẽ cho kết quả dự báo tốt hơn. 68 TÀI LIỆU THAM KHẢO Tiếng Việt 1. Nguyễn Đức Ngữ (2007), “Tác động của ENSO đến thời tiết, khí hậu, môi trường và kinh tế xã hội ở Việt Nam”, Hội thảo chuyên đề về Đa dạng sinh học và Biến đổi khí hậu: Mối liên quan tới Đói nghèo và Phát triển bền vững, Hà Nội, Ngày 22-23 tháng 5, 2007. 2. Phan Văn Tân, Hồ Thị Minh Hà, Lương Mạnh Thắng, Trần Quang Đức (2009), “Về khả năng ứng dụng mô hình RegCM vào dự báo hạn mùa các trường khí hậu bề mặt ở Việt Nam”, Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và Công nghệ 25 (2009), tr. 241-251. 3. Phan Văn Tân (2010), “Nghiên cứu tác động của biến đổi khí hậu toàn cầu đến các yếu tố và hiện tượng khí hậu cực đoan ở Việt Nam, khả năng dự báo và giải pháp chiến lược ứng phó”,Đề tài cấp Nhà nước, mã số KC08.29/06-10. 4. Phạm Đức Thi (1987), “Xây dựng một số phương pháp dự báo hạn vừa, hạn dài nhiệt độ mùa đông và mưa mùa hè khu vực phía bắc Việt Nam”, Tổng cục KTTV Đề tài Chương trình 42. 5. Tiếng Anh 6. Baede, A. P. M., M. Jarraud, and U. Cubasch (1979),“Adiabatic formulation and organization of ECMWF's model”, Technical Report 15, ECMWF, Reading, U.K. 7. Bath, L. M., M. A. Dias, D. L. Williamson, G. S. Williamson, and R. J. Wolski (1987),“User's Guide to NCAR CCM1”, Technical Report NCAR/TN-286+IA, National Center for Atmospheric Research, Boulder, CO, 173 pp. 8. Bath, L., J. Rosinski, and J. Olson (1992),“User's Guide to NCAR CCM2”, Technical Report NCAR/TN-379+IA, National Center for Atmospheric Research, Boulder, CO, 156 pp. 9. Bergant K., Belda M., Halenka T. (2007), “Systematic errors in the simulation of European climate (1961-2000) with RegCM3 driven by NCEP/NCAR reanalysis”, International Journal of Climatology Vol. 27 (4), pp. 455-472. 69 10. Bourke, W., B. McAvaney, K. Puri, and R. Thurling (1977),“Global modeling of atmospheric flow by spectral methods, in Methods in Computational Physics”, Vol. 17, 267-324, Academic Press, New York. 11. Briegleb, B. P.(1992), “Delta-Eddington approximation for solar radiation in the NCAR Community Climate Model”, J. Geophys. Res., 97, 7603-7612. 12. Cantelaube, P., Terres, J.M., (2005) “Seasonal weather forecasts for crop yield modelling in Europe”, Tellus Series a-Dyn. Meteorol. Ocea- nogr. 57 (3), 476– 487 13. Challinor, AJ; Slingo, JM; Wheeler, TR; Doblas-Reyes,FJ (2005) “Probabilistic simulations of crop yield over western India using the DEMETER seasonal hindcast ensembles”, TELLUS A, 57, pp.498-512. 14. Collins, W. D., P. J. Rasch, et al.(2004),“Description of the NCAR Community Atmosphere Model (CAM 3.0)”, NCAR Tech Note NCAR/TN-464+STR, National Center for Atmospheric Research, Boulder, CO 80307. 15. David Lavers, Lifeng Luo, and Eric F. Wood (2009), “A multiple model assessment of seasonal climate forecast skill for applications”, GEOPHYSICAL RESEARCH LETTERS, VOL. 36, L23711. 16. Dickinson R. E., R. M. Errico, F. Giorgi, and G. T. Bates (1989),“A regional climate model for the western united states”,Clim. Change, 15, 383-422. 17. Dickinson R.E., Henderson-Sellers A., Kennedy P.J. (1993), “Biosphere- atmosphere transfer scheme (Bats) version 1e as coupled to the ncar community climate model”, Tech. rep., National Center for Atmospheric Research. 18. Giorgi, F. and G. T. Bates, (1989),“The climatological skill of a regional model over complex terrain”,Mon. Wea. Rev., 117, 2325-2347. 19. Giorgi Filippo, Maria Rosaria Marinucci, and Gary T. Bates(1993ª),“Development of a Second-Generation Regional Climate Model (RegCM2). Part I: Boundary- Layer and Radiative Transfer Processes”, Mon. Wea. Rev., 121, 27912813. 20. Giorgi, F., M.R. Marinucci, G.T. Bates, and G. DeCanio (1993b),“Development of a second generation regional climate model (REGCM2). Part II: Convective processes and assimilation of lateral boundary conditions”,Monthly Weather Review, 121, 2814-2832. 21. Giorgi, F. and C. Shields, (1999),“Tests of precipitation parameterizations available in the latest version of the NCAR regional climate model (RegCM) over the continental United States”,Journal of Geophysical Research, 104, 6353-6375 70 22. Hack, J. J., B. A. Boville, B. P. Briegleb, J. T. Kiehl, P. J. Rasch, and D. L. Williamson (1993),“Description of the NCAR Community Climate Model (CCM2)”, Technical Report NCAR/TN-382+STR, National Center for Atmospheric Research, 120 pp. 23. Hansen, J., A. Lacis, D. Rind, G. Russell, P. Stone, I. Fung, R. Ruedy, and J. Lerner (1984),“Climate sensitivity: Analysis of feedback mechanisms, in Climate Processes and Climate Sensitivity”, edited by J. E. Hansen, and T. Takahashi, 130-163, Amer. Geophys. Union, Washington, D.C. 24. Holtslag A.A.M., Bruijn E.I.F., Pan H.-L. (1990), “A high resolution air mass transformation model for short-range weather forecasting”, Mon. Wea. Rev. Vol. 118, pp. 1561–1575. 25. Kasahara, A. (1974),“Various vertical coordinate systems used for numerical weather prediction”, Mon. Wea. Rev., 102, 509-522. 26. Kiehl, J. T., J. Hack, G. Bonan, B. Boville, B. Briegleb, D. Williamson, and P. Rasch, (1996),“Description of the NCAR Community Climate Model (CCM3)”, Technical Report NCAR/TN-420+STR, National Center for Atmospheric Research, Boulder, Colorado, 152 pp. 27. Koster, Randal D., Max J. Suarez, Ping Liu, Urszula Jambor, Aaron Berg, Michael Kistler, Rolf Reichle, Matthew Rodell, and Jay Famiglietti (2004), “Realistic Initialization of Land Surface States: Impacts on Subseasonal Forecast Skill”, J Hydrometeorology, 5(6), 1049 28. McAvaney, B. J., W. Bourke, and K. Puri(1978)“A global spectral model for simulation of the general circulation”, J. Atmos. Sci., 35, 1557-1583. 29. Nellie Elguindi, Xunqiang Bi, Filippo Giorgi, Badrinath Nagarajan, Jeremy Pal, and Fabien Solmon (2004),“RegCM Version 3.0 User's Guide”, Physics of Weather and Climate Group, International Centre for Theoretical Physics, MIRAMARE TRIESTE, February 2004 30. New Attachment II-9 to the Manual on the GDPS (WMO-No. 485),Volume I, (2002), “Standardised Verification System (SVS) for Long-Range Forecasts(LRF) Version 3.0”, August 12 2002 SVS for LRF. 31. Palmer, T. N., Alessandri, A., Andersen, U., Cantelaube, P., Davey, M., D´el´ecluse, P., D´equ´e, M., D´ıez, E., Doblas-Reyes, F. J., Feddersen, H., Graham, R., Gualdi, S., Gu´er´emy, J.-F., Hagedorn, R., Hoshen, M., Keenlyside, N., Latif, M., Lazar, A., Maisonnave, E., Marletto, V., Morse, A. P., Orfila, B., Rogel, P., Terres, J.-M. and Thomson, M. C. (2004) “Development of a European multimodel ensemble system for seasonal-to- interannual prediction (DEMETER)”,Bull. Am. Meteorol. Soc., 85, 853–872 71 32. Saha, S., and Coauthors, (2006),“The NCEP Climate Forecast System”, J. Climate, 19, 3483–3517. 33. Simmons, A. J., and R. Strüfing(1981),“An energy and angular-momentum conserving finite-difference scheme, hybrid coordinates and medium-range weather prediction”, Technical Report ECMWF Report No. 28, European Centre for Medium-Range Weather Forecasts, Reading, U.K., 68 pp. 34. Singh G.P., Oh J., Kim J., Kim O. (2006), “Sensitivity of Summer Monsoon Precipitation over East Asia to Convective Parameterization Schemes in RegCM3”, SOLA Vol. 2 (029-032). 35. Stockdale, T. (2000), “An overview of techniques for seasonal forecasting”, Stochastic Environ. Res. Risk Assess., 14, 305–318 36. Sundqvist H., Berge E., Kristjansson J.E. (1989), “Condensation and cloud parameterization studies with a mesoscale numerical weather prediction model”, Mon. Wea. Rev. Vol. 117, pp. 1641-1657. 37. Sylla M. B. & A. T. Gaye & J. S. Pal & G. S. Jenkins & X. Q. Bi, (2009),“High- resolution simulations of West African climate using regional climate model (RegCM3) with different lateral boundary conditions”,Theor Appl Climatol 98:293–314 38. Thomson, M.C., F.J. Doblas-Reyes, S.J. Mason, R. Hagedorn, S.J. Connor, T. Phindela, A.P. Morse and T.N. Palmer (2006), “Malaria early warnings based on seasonal climate forecasts from multi-model ensembles”, Nature, 439, 576- 579. 39. Washington, W. M.(1982),“Documentation for the Community Climate Model (CCM)”, Version Φ, Technical Report NTIS No. PB82 194192, National Center for Atmospheric Research, Boulder, Colorado. 40. Williamson, D. L. (1983),“Description of NCAR Community Climate Model (CCM0B)”, Technical Report NCAR/TN-210+STR, National Center for Atmospheric Research, Boulder, Colorado, NTIS No. PB83 23106888, 88 pp. 41. Williamson, D. L., J. T. Kiehl, V. Ramanathan, R. E. Dickinson, and J. J. Hack (1987),“Description of NCAR Community Climate Model (CCM1)”, Technical Report NCAR/TN-285+STR, National Center for Atmospheric Research, Boulder, Colorado, 112 pp. 42. Williamson, G. S., and D. L. Williamson (1987),“Circulation statistics from seasonal and perpetual January and July simulations with the NCAR Community Climate Model (CCM1): R15”, Technical Report NCAR/TN- 72 302+STR, National Center for Atmospheric Research, Boulder, Colorado, 199 pp. 43. Zeng, X., Zhao M., Dickinson R.E. (1998a), “Intercomparison of Bulk Aerodynamic Algorithm for the Computation of Sea Surface Fluxes Using TOGA COARE and TAO data”, Journal of Climate Vol. 11, pp. 2628-2644. 44. 45. Alves, O. Wang G., Zhong A.(2006),Operational coupled model seasonal forecast system, Bureau of Meteorology. Bureau of Meteorology (A2) 46. Frumkin, A., Misra V. (2012), “Predictability of dry season reforecasts over the tropical and the sub-tropical South American region”, International Journal of ClimatologyDOI. 10.1002/joc.3508. (A3) 47. Lim, Y. K., Shin D. W. (2007),“Dynamically and statistically downscaled seasonal simualations of maximum surface air temperature over the southeastern United States, Journal of Geophysical Vol. 112, D24102. (B1) 48. Yoon, J. H., Leung, L. R. and Correia, J., (2012) “Comparison of dynamically and statistically downscaled seasonal climate forecasts for the cold season over the United States”, Journal of geophysical research Vol. 117, D21109 (B2) 49. Sohn,S. J.,Tam C. Y., and Ahn, J. B.(2012) “Development of a multimodel-base seasonal prediction system for extreme droughts and floods: a case study for South Korea” International Journal of Climatology DOI.10.1002 joc.3464 (B3) 50. Kanamitsu, M., Kanamaru, H. (2007) “Fifty-seven year reanalysis downscaling at 10 km (CaRD10). Part IL System detail and validation with observations”. Journal of Climate 20: 5553O5 71 51. Misra, V., Kanamitsu, M.,(2004). “Anomaly nesting: a methdology to downscale seasonal 8 climate simulations from AGCMs”. Journal of Climate 17: 3249- 3262 73 PHỤ LỤC 1. Đồ thị phân bố tần suất các tháng 7, 8, 9 a) Nhiệt độ trung bình T (a) (b) (c) (d) (e) (f) (g) (h) (i) 74 b) Nhiệt độ cực tiểu Tm (a) (b) (c) (d) (e) (f) (g) (h) (i) 75 c) Nhiệt độ cực đại Tx (a) (b) (c) (d) (e) (f) (g) (h) (i) 76 d) Lượng mưa R (a) (b) (c) (d) (e) (f) (g) (h) (i) 77 2. Phân bố đồng thời các tháng 7, 8, 9 a) Trường nhiệt độ trung bình (a) (b) (c) (d) (e) (f) (g) (h) (i) 78 b) Trường nhiệt độ cực tiểu Tm (a) (b) (c) (d) (e) (f) (g) (h) (i) 79 c) Tường nhiệt độ cực đại Tx (a) (b) (c) (d) (e) (f) (g) (h) (i)

Các file đính kèm theo tài liệu này:

  • pdflong_luanvan_thacsi_0389.pdf
Luận văn liên quan