Đánh Giá Kết Quả Dự Báo Nhiệt Độ và Lượng Mưa Của Các Mô Hình Dự Báo Thời Tiết Tại Việt Nam

Luận văn thạc sĩ đánh giá hiệu quả dự báo nhiệt độ và lượng mưa của các mô hình thời tiết tại Việt Nam, cung cấp cái nhìn sâu sắc về khí hậu.

• Tác giả: Phạm Thị Tuyết Mây
• Người hướng dẫn: Ts. Vũ Thanh Hằng
• Trường học: Trường Đại học Khoa học Tự nhiên
• Chuyên ngành: Khí tượng và Khí hậu học
• Đề tài: Đánh Giá Kết Quả Dự Báo Nhiệt Độ và Lượng Mưa Của Một Số Mô Hình Dự Báo Thời Tiết Cho Khu Vực Việt Nam
• Loại tài liệu: Luận văn thạc sỹ
• Năm xuất bản: 2012
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG KHÍ TƯỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ
• 1.1. Bài toán đánh giá dự báo trong khí tƣợng
• 1.2. Mục đích và ý nghĩa của bài toán đánh giá
• 1.3. Mô hình chung cho đánh giá dự báo các yếu tố thời tiết
• 1.4. Sơ lược về tiêu chuẩn đánh giá
• 1.5. Các loại yếu tố dự báo
• 1.6. Các thuộc tính của một dự báo tốt
• 1.7. Một số phương pháp và chỉ số đánh giá phổ biến
• 1.8. Sơ đồ chung đánh giá sản phẩm mô hình dự báo thời tiết số
• 1.9. Phương pháp đánh giá đối với biến liên tục
• 1.10. Phương pháp đánh giá đối với dự báo pha
• 1.11. Cơ sở lý thuyết của phương pháp đánh giá fuzzy
• 1.12. Tình hình nghiên cứu chung liên quan đến đề tài trên thế giới và tại Việt Nam
• 2. CHƯƠNG 2: KHÁI QUÁT VỀ CÁC MÔ HÌNH DỰ BÁO THỜI TIẾT SỐ HRM, MM5 VÀ NGUỒN SỐ LIỆU SỬ DỤNG
• 2.1. Giới thiệu về mô hình MM5
• 2.2. Giới thiệu mô hình
• 2.3. Cấu trúc mô hình
• 2.4. Hệ các phương trình thủy nhiệt động lực của MM5
• 2.5. Điều kiện biên
• 2.6. Các quá trình tham số hóa
• 2.7. Giới thiệu về mô hình HRM
• 2.8. Giới thiệu mô hình
• 2.9. Cấu trúc lưới và phương pháp số
• 2.10. Hệ các phương trình cơ bản
• 2.11. Các quá trình tham số hóa vật lý
• 3. CHƯƠNG 3: KẾT QUẢ ĐÁNH GIÁ NHIỆT ĐỘ VÀ LƯỢNG MƯA CỦA MÔ HÌNH MM5 VÀ HRM CHO KHU VỰC VIỆT NAM
• 3.1. Kết quả đánh giá nhiệt độ
• 3.2. Kết quả đánh giá lượng mưa
• 3.3. Kết quả thử nghiệm đánh giá mưa bằng phương pháp fuzzy
• 3.4. Kết quả thử nghiệm với chuỗi số liệu mẫu
• 3.5. Thử nghiệm đánh giá kết quả dự báo mưa bằng phương pháp fuzzy cho Việt Nam
• 3.6. Thử nghiệm đánh giá cho dự báo mưa do bão gây ra
• 3.7. Thử nghiệm đánh giá cho dự báo mưa do không khí lạnh gây ra
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Đánh Giá Kết Quả Dự Báo Nhiệt Độ Tại Việt Nam

Đánh giá kết quả dự báo nhiệt độ và lượng mưa tại Việt Nam là một vấn đề quan trọng trong lĩnh vực khí tượng học. Việc này không chỉ giúp cải thiện độ chính xác của các mô hình dự báo mà còn hỗ trợ trong việc ứng phó với biến đổi khí hậu. Các mô hình dự báo thời tiết hiện nay như HRM và MM5 đã được áp dụng rộng rãi tại Việt Nam. Tuy nhiên, việc đánh giá chất lượng dự báo vẫn còn nhiều thách thức cần được giải quyết.

1.1. Mục Đích Của Đánh Giá Kết Quả Dự Báo

Mục đích chính của việc đánh giá kết quả dự báo là xác định độ chính xác của các mô hình dự báo. Điều này giúp các nhà nghiên cứu nhận diện được những điểm mạnh và yếu của từng mô hình, từ đó cải thiện chất lượng dự báo trong tương lai.

1.2. Ý Nghĩa Của Việc Đánh Giá Kết Quả Dự Báo

Việc đánh giá kết quả dự báo không chỉ có ý nghĩa khoa học mà còn có tác động lớn đến các quyết định quản lý trong nông nghiệp và phát triển kinh tế. Thông qua việc đánh giá, các nhà quản lý có thể đưa ra các quyết định đúng đắn hơn trong việc ứng phó với thời tiết cực đoan.

II. Thách Thức Trong Đánh Giá Kết Quả Dự Báo Lượng Mưa Tại Việt Nam

Đánh giá kết quả dự báo lượng mưa tại Việt Nam gặp nhiều thách thức do sự biến đổi khí hậu và đặc điểm địa lý đa dạng. Các yếu tố như độ chính xác của dữ liệu đầu vào và sự phức tạp của các mô hình dự báo đều ảnh hưởng đến kết quả đánh giá. Việc này đòi hỏi các phương pháp đánh giá phải được cải tiến liên tục.

2.1. Các Yếu Tố Ảnh Hưởng Đến Đánh Giá Kết Quả Dự Báo

Các yếu tố như sai số trong dữ liệu quan trắc, sự không đồng nhất trong mô hình dự báo và các điều kiện khí hậu đặc thù của Việt Nam đều có thể làm giảm độ chính xác của kết quả dự báo. Việc nhận diện và khắc phục những yếu tố này là rất cần thiết.

2.2. Tác Động Của Biến Đổi Khí Hậu Đến Dự Báo Thời Tiết

Biến đổi khí hậu đang làm gia tăng tần suất và cường độ của các hiện tượng thời tiết cực đoan. Điều này không chỉ ảnh hưởng đến độ chính xác của các mô hình dự báo mà còn làm tăng tính phức tạp trong việc đánh giá kết quả dự báo.

III. Phương Pháp Đánh Giá Kết Quả Dự Báo Nhiệt Độ Tại Việt Nam

Để đánh giá kết quả dự báo nhiệt độ, nhiều phương pháp đã được áp dụng, bao gồm phương pháp thống kê và phương pháp fuzzy. Những phương pháp này giúp xác định độ chính xác của các mô hình dự báo và cung cấp thông tin cần thiết cho việc cải tiến mô hình.

3.1. Phương Pháp Thống Kê Trong Đánh Giá Dự Báo

Phương pháp thống kê là một trong những cách phổ biến nhất để đánh giá kết quả dự báo. Các chỉ số như sai số trung bình tuyệt đối (MAE) và sai số bình phương trung bình (RMSE) thường được sử dụng để đo lường độ chính xác của dự báo.

3.2. Phương Pháp Fuzzy Trong Đánh Giá Kết Quả Dự Báo

Phương pháp fuzzy cho phép đánh giá kết quả dự báo một cách linh hoạt hơn, đặc biệt trong các trường hợp có sự không chắc chắn cao. Phương pháp này giúp cải thiện độ chính xác của dự báo bằng cách xem xét các yếu tố không chắc chắn trong dữ liệu.

IV. Kết Quả Nghiên Cứu Về Dự Báo Nhiệt Độ Và Lượng Mưa Tại Việt Nam

Kết quả nghiên cứu cho thấy rằng các mô hình dự báo như HRM và MM5 có độ chính xác cao trong việc dự báo nhiệt độ và lượng mưa tại Việt Nam. Tuy nhiên, vẫn còn nhiều điểm cần cải thiện để nâng cao chất lượng dự báo, đặc biệt là trong các điều kiện thời tiết cực đoan.

4.1. Kết Quả Đánh Giá Nhiệt Độ Từ Mô Hình HRM

Mô hình HRM đã cho thấy khả năng dự báo nhiệt độ khá chính xác trong các mùa khác nhau. Tuy nhiên, vẫn cần cải thiện trong việc dự báo nhiệt độ cực trị.

4.2. Kết Quả Đánh Giá Lượng Mưa Từ Mô Hình MM5

Mô hình MM5 đã đạt được những kết quả khả quan trong việc dự báo lượng mưa, đặc biệt là trong các trận mưa lớn. Tuy nhiên, độ chính xác của mô hình vẫn cần được nâng cao để đáp ứng yêu cầu thực tiễn.

V. Kết Luận Về Đánh Giá Kết Quả Dự Báo Thời Tiết Tại Việt Nam

Đánh giá kết quả dự báo thời tiết tại Việt Nam là một công việc cần thiết và quan trọng. Việc cải thiện độ chính xác của các mô hình dự báo sẽ giúp nâng cao khả năng ứng phó với biến đổi khí hậu và các hiện tượng thời tiết cực đoan. Tương lai của công tác dự báo thời tiết tại Việt Nam cần tiếp tục được nghiên cứu và phát triển.

5.1. Tương Lai Của Công Tác Dự Báo Thời Tiết

Công tác dự báo thời tiết tại Việt Nam cần được đầu tư và phát triển hơn nữa, đặc biệt là trong việc áp dụng công nghệ mới và cải tiến các mô hình dự báo hiện có.

5.2. Đề Xuất Giải Pháp Cải Thiện Đánh Giá Kết Quả Dự Báo

Cần có các giải pháp cụ thể để cải thiện độ chính xác của các mô hình dự báo, bao gồm việc nâng cao chất lượng dữ liệu đầu vào và áp dụng các phương pháp đánh giá hiện đại.

Nội dung chính

Tổng quan nghiên cứu

Việt Nam có lãnh thổ trải dài trên 15 độ vĩ tuyến, nằm trọn trong vùng nhiệt đới gió mùa với địa hình đồi núi phức tạp và đường bờ biển kéo dài. Đặc điểm địa hình chia cắt mạnh mẽ kết hợp cùng diễn biến thời tiết khắc nghiệt khiến công tác dự báo thời tiết số trị luôn đối mặt với nhiều thách thức lớn. Trong bối cảnh biến đổi khí hậu toàn cầu gia tăng, việc đánh giá định lượng độ chính xác của các mô hình dự báo thời tiết khu vực là nhiệm vụ cấp thiết nhằm tối ưu hóa chất lượng cảnh báo thiên tai.

Vấn đề cốt lõi đặt ra là các sản phẩm dự báo từ mô hình số trị luôn chứa đựng sai số hệ thống do điều kiện biên, dữ liệu ban đầu và các sơ đồ tham số hóa vật lý chưa thể mô phỏng hoàn hảo khí quyển thực. Đề tài tập trung giải quyết mục tiêu thẩm định, so sánh và lượng hóa mức độ chính xác trong dự báo 24 giờ đối với hai yếu tố quan trọng nhất là nhiệt độ trung bình ngày và lượng mưa tích lũy của hai mô hình phổ biến tại Việt Nam: mô hình thủy tĩnh HRM với độ phân giải 14km và mô hình phi thủy tĩnh MM5 với độ phân giải 15km.

Phạm vi nghiên cứu bao trùm toàn bộ lãnh thổ Việt Nam thông qua chuỗi số liệu quan trắc thực nghiệm tại 128 trạm khí tượng bề mặt và tập dữ liệu đồng bộ tại 24 trạm trong thời gian 3 năm liên tục từ năm 2007 đến năm 2009. Nghiên cứu phân tích chi tiết cho hai mùa đặc trưng gồm các tháng mùa đông (tháng 12, 1, 2) và các tháng mùa hè (tháng 6, 7, 8). Ý nghĩa thực tiễn của công trình thể hiện qua việc thiết lập một khung kiểm định đa tiêu chuẩn gồm các chỉ số thống kê sai số liên tục, điểm số kỹ năng phân loại và phương pháp không gian mờ, hỗ trợ đắc lực cho các nhà quản lý trong việc ra quyết định đầu tư công nghệ và giúp dự báo viên hiệu chỉnh sai số nghiệp vụ hàng ngày.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết thủy nhiệt động lực học khí quyển và khung đánh giá chất lượng dự báo thời tiết theo tiêu chuẩn của Tổ chức Khí tượng Thế giới. Đề tài vận dụng hệ thống 9 thuộc tính cơ bản của một bản tin dự báo hoàn hảo theo lý thuyết của Murphy xác lập năm 1993, bao gồm: độ lệch, tính liên kết tuyến tính, kỹ năng dự báo, độ tin cậy, độ phân giải, độ nhọn, độ phân biệt, độ không chắc chắn và chất lượng dự báo tổng thể.

Khung mô hình nghiên cứu gồm hai hệ thống số trị chính:

• Mô hình HRM phát triển bởi Cơ quan Khí tượng Đức, vận hành trên hệ phương trình nguyên thủy thủy tĩnh với 40 mực thẳng đứng, sử dụng các sơ đồ tham số hóa đối lưu Tiedtke và Heise, nhận điều kiện biên từ mô hình toàn cầu GME.
• Mô hình động lực quy mô vừa thế hệ thứ 5 MM5 do Trung tâm Nghiên cứu Khí quyển Quốc gia Hoa Kỳ phát triển, áp dụng hệ phương trình phi thủy tĩnh trên 23 mực sigma với cấu trúc lưới lồng hai chiều có độ phân giải 45km cho miền lớn và 15km cho miền lãnh thổ Việt Nam, nhận điều kiện biên từ mô hình toàn cầu GFS.

Bên cạnh đó, khung lý thuyết kiểm định không gian mờ (Fuzzy verification) được tích hợp để giải quyết triệt để nhược điểm phạt kép của phương pháp truyền thống khi đánh giá lượng mưa ở độ phân giải cao. Các khái niệm cốt lõi bao gồm cửa sổ không gian lân cận, phương pháp nâng quy mô (Upscaling), và điểm kỹ năng phần tử (Fractions Skill Score) đóng vai trò trung tâm trong phân tích trường mưa.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu sử dụng bộ số liệu quan trắc thám sát bề mặt nghiệp vụ được chỉnh biên chuẩn hóa tại Trung tâm Tư liệu Khí tượng Thủy văn. Dữ liệu đầu ra của mô hình được nội suy không gian về tọa độ chính xác của các trạm đo. Cỡ mẫu nghiên cứu được thiết kế với hai tập dữ liệu: tập mẫu mở rộng gồm 128 trạm phân bố đều trên ba miền (Bắc Bộ 65 trạm, Trung Bộ 34 trạm, Nam Bộ 29 trạm) dành riêng cho mô hình HRM, và tập mẫu chuẩn hóa gồm 24 trạm đại diện (Bắc Bộ 12 trạm, Trung Bộ 8 trạm, Nam Bộ 4 trạm) để so sánh trực tiếp giữa HRM và MM5.

Phương pháp chọn mẫu có chủ đích theo phân vùng khí hậu và phân mùa được áp dụng nhằm bộc lộ rõ nét sự tương tác giữa hoàn lưu gió mùa và địa hình khu vực. Phương pháp phân tích dữ liệu chia làm ba nhóm:

• Đối với biến liên tục (nhiệt độ): Sử dụng sai số trung bình (ME), sai số tuyệt đối trung bình (MAE), sai số bình phương trung bình quân phương (RMSE) và hệ số tương quan tuyến tính Pearson. Toán đồ tụ điểm được ứng dụng để phân tích tương quan và phát hiện sai số cực trị.
• Đối với biến phân loại (lượng mưa): Xây dựng bảng liên hợp 2x2 để tính toán các chỉ số xác suất phát hiện (POD), tỷ lệ báo động sai (FAR), tỷ số thiên lệch (FBI), điểm số thành công tới hạn (TS) và điểm số thành công công bằng (ETS) theo các ngưỡng mưa 0.1mm, 10mm, 25mm, 50mm và 100mm trong 24 giờ.
• Phương pháp kiểm định mờ: Thay đổi kích thước cửa sổ không gian lân cận để đánh giá kỹ năng mô phỏng mưa lớn do bão và không khí lạnh.

Timeline nghiên cứu tập trung xử lý trọn vẹn chuỗi dữ liệu 36 tháng của giai đoạn 2007 - 2009, đảm bảo dung lượng mẫu đủ lớn để các kết luận thống kê đạt độ tin cậy khoa học cao.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm đã chỉ ra các phát hiện định lượng then chốt về chất lượng dự báo của hai mô hình:

• Thứ nhất, mô hình HRM tồn tại sai số hệ thống thiên lệch âm rõ rệt đối với nhiệt độ trung bình ngày. Giá trị sai số trung bình ME của HRM luôn dao động quanh mức -2°C trên toàn bộ chuỗi số liệu 3 năm, cho thấy xu hướng dự báo nhiệt độ luôn thấp hơn quan trắc thực tế. Ngược lại, mô hình MM5 có xu hướng dự báo nhiệt độ cao hơn thực tế với chỉ số ME dương, tuy nhiên biên độ sai số tuyệt đối của MM5 ổn định hơn khi duy trì dưới 1°C trên hầu hết các vùng lãnh thổ.
• Thứ hai, sai số nhiệt độ có sự phân hóa mạnh mẽ theo không gian và mùa. Tại khu vực Bắc Bộ, sai số ME của HRM trong các tháng mùa đông lớn hơn mùa hè khoảng 0.5°C đến 1.2°C do ảnh hưởng của các đợt không khí lạnh mạnh tràn về. Tại khu vực Nam Bộ, sai số nhiệt độ của cả hai mô hình đều đạt mức cao nhất, trong đó ME của HRM mùa đông là -1.8°C và MM5 lệch dương trên 1.1°C.
• Thứ ba, mật độ mạng lưới trạm quan trắc tác động trực tiếp đến kết quả đánh giá. Khi so sánh tập dữ liệu 128 trạm và 24 trạm của HRM, tập 24 trạm có xu hướng cho sai số MAE và RMSE thấp hơn khoảng 15% đến 20%, phản ánh thực tế rằng chuỗi số liệu trạm thưa có thể làm che lấp các sai số quy mô địa phương.
• Thứ tư, đối với dự báo lượng mưa tích lũy 24 giờ, cả hai mô hình đều thể hiện kỹ năng tốt ở ngưỡng mưa nhỏ (dưới 10mm/24h) với chỉ số POD đạt trên 0.70. Tuy nhiên, khi nâng ngưỡng mưa lên cấp mưa to và rất to (trên 50mm và 100mm/24h), chỉ số TS giảm mạnh xuống dưới 0.20 và tỷ lệ FAR tăng cao trên 60%. Phương pháp kiểm định mờ chứng minh rằng khi mở rộng cửa sổ không gian lên quy mô 45km đến 75km, điểm kỹ năng ETS cho các trận mưa do bão ngày 06/07/2007 và đợt không khí lạnh ngày 23/12/2007 tăng từ 0.15 lên trên 0.55.

Thảo luận kết quả

Nguyên nhân căn bản dẫn đến sai số nhiệt độ âm kéo dài của mô hình HRM bắt nguồn từ các giả thiết thủy tĩnh và sơ đồ tham số hóa lớp biên hành tinh chưa thích ứng hoàn toàn với nền bức xạ cao của khí hậu nhiệt đới. Ở các vĩ độ thấp như Nam Bộ, chuyển động thẳng đứng mang tính phi thủy tĩnh chiếm ưu thế khiến mô hình HRM bộc lộ nhiều hạn chế. Trong khi đó, mô hình phi thủy tĩnh MM5 xử lý tốt hơn các quá trình đối lưu quy mô nhỏ nhưng lại có xu hướng tính toán bức xạ mặt đất cao hơn thực tế, dẫn đến độ lệch dương.

Dữ liệu nghiên cứu được trực quan hóa rất hiệu quả thông qua các toán đồ tụ điểm scatter plot. Phân tích đồ thị cho thấy đường hồi quy tuyến tính của nhiệt độ lệch khỏi đường lý tưởng 45 độ, tập trung nhiều điểm rơi vào vùng bỏ sót giá trị cực đại trong mùa hè tại miền Trung khi có hiệu ứng gió phơn khô nóng. Đối với lượng mưa, biểu đồ phân bố chỉ số FBI theo mùa chỉ ra rằng mô hình thường xuyên dự báo khống diện mưa nhỏ nhưng lại đánh giá thấp cường độ tâm mưa lớn.

So sánh với các nghiên cứu kiểm định của Cơ quan Khí tượng Úc và Cơ quan Khí tượng Nhật Bản, kết quả thu được tại Việt Nam hoàn toàn tương thích về mặt quy luật: kỹ năng dự báo điểm giảm dần theo hàm mũ khi cường độ hiện tượng tăng lên. Việc áp dụng thành công phương pháp kiểm định mờ khẳng định rằng mô hình số trị không hoàn toàn dự báo sai về mặt vật lý, mà sai số chủ yếu đến từ sự dịch chuyển pha không gian ở quy mô bước lưới vài chục kilomet.

Đề xuất và khuyến nghị

Nhằm nâng cao chất lượng dự báo thời tiết phục vụ phát triển kinh tế xã hội và giảm nhẹ thiên tai, nghiên cứu đưa ra 4 nhóm khuyến nghị cụ thể:

• Xây dựng mô-đun hậu xử lý thống kê sai số mô hình: Triển khai ứng dụng phương pháp thống kê đầu ra mô hình (MOS) kết hợp bộ lọc thích nghi Kalman Filter nhằm tự động khử độ lệch nhiệt độ -2°C của HRM và dưới 1°C của MM5. Mục tiêu đặt ra là giảm chỉ số sai số toàn phương RMSE nhiệt độ xuống dưới 1.2°C trên toàn mạng lưới trạm trong vòng 12 tháng, do Trung tâm Dự báo Khí tượng Thủy văn Quốc gia chủ trì thực hiện.
• Tối ưu hóa sơ đồ tham số hóa vật lý cho vùng nhiệt đới: Tiến hành thử nghiệm và tái hiệu chỉnh các tham số trong sơ đồ đối lưu Betts-Miller-Janjic và Grell trên mô hình phi thủy tĩnh thế hệ mới, tích hợp độ phân giải siêu cao dưới 5km. Mục tiêu nâng cao điểm số kỹ năng ETS dự báo mưa lớn trên 50mm/24h thêm 15% đến 20% trong lộ trình 24 tháng, do Viện Khoa học Khí tượng Thủy văn và Môi trường thực hiện.
• Chuẩn hóa quy trình kiểm định không gian mờ trong nghiệp vụ: Đưa công cụ đánh giá mờ đa quy mô (Fuzzy Verification) vào hệ thống giám sát chất lượng dự báo định kỳ hàng ngày. Mục tiêu đảm bảo 100% các bản tin cảnh báo mưa lớn do bão và không khí lạnh được kiểm định khách quan sau 24 giờ phát báo, thực hiện liên tục từ quý 1 năm sau dưới sự giám sát của Cục Khí tượng Thủy văn và Biến đổi Khí hậu.
• Nâng cấp mạng lưới quan trắc tự động và đồng hóa dữ liệu: Tăng cường đầu tư mở rộng mạng lưới thám sát bề mặt từ 128 trạm lên hơn 250 trạm quan trắc tự động, kết hợp dữ liệu radar thời tiết và ảnh vệ tinh để phục vụ bài toán đồng hóa số liệu 4 chiều, triển khai hoàn thành trong kế hoạch trung hạn 3 năm tới.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị thực tiễn và học thuật sâu sắc cho 4 nhóm đối tượng chính:

• Dự báo viên tại các đài khí tượng thủy văn khu vực: Nắm bắt chính xác đặc tính sai số hệ thống của mô hình HRM và MM5 trên từng vùng địa hình (Bắc Bộ, Trung Bộ, Nam Bộ) để chủ động hiệu chỉnh số liệu thô trước khi phát hành bản tin dự báo 24 giờ chính thức cho cộng đồng.
• Học viên cao học, nghiên cứu sinh chuyên ngành Khí tượng và Khí hậu học: Khai thác phương pháp luận kiểm định dự báo thời tiết số trị, đặc biệt là quy trình thiết lập toán đồ tụ điểm, tính toán bảng liên hợp và thuật toán đánh giá mờ để áp dụng cho các đề tài nghiên cứu về mô hình WRF hay mô hình khí hậu khu vực RegCM.
• Chuyên viên phát triển hệ thống và công nghệ thông tin ngành khí tượng: Sử dụng các công thức toán học và tiêu chuẩn thống kê trong luận văn làm tài liệu đặc tả yêu cầu để lập trình các phân hệ đánh giá chất lượng dự báo tự động trên nền tảng web nghiệp vụ.
• Cán bộ quản lý tại các cơ quan phòng chống thiên tai và tìm kiếm cứu nạn: Hiểu rõ giới hạn tin cậy và biên độ sai số của các sản phẩm dự báo mưa, nhiệt độ, từ đó xây dựng các kịch bản ứng phó rủi ro thiên tai sát với thực tế địa phương.

Câu hỏi thường gặp

Mô hình HRM dự báo nhiệt độ tại Việt Nam thường có xu hướng lệch như thế nào so với thực tế? Mô hình HRM thể hiện xu hướng dự báo nhiệt độ thấp hơn thực tế với sai số trung bình ME đạt mức xấp xỉ -2°C trên toàn bộ chuỗi số liệu 3 năm. Độ lệch âm này diễn ra đồng nhất ở cả ba miền và trong cả hai mùa, nguyên nhân chủ yếu do sơ đồ bức xạ và giả thiết thủy tĩnh chưa mô phỏng sát bề mặt nhiệt đới.

Phương pháp đánh giá mờ (Fuzzy verification) mang lại lợi ích gì vượt trội so với cách đánh giá truyền thống? Phương pháp truyền thống đòi hỏi sự trùng khớp tuyệt đối giữa điểm lưới dự báo và trạm quan trắc, dẫn đến hiện tượng phạt kép đối với các trận mưa lớn bị lệch tọa độ nhỏ. Đánh giá mờ sử dụng cửa sổ không gian lân cận linh hoạt, cho phép lượng hóa chính xác kỹ năng mô hình theo từng quy mô bán kính từ 15km đến 75km.

Vì sao sai số dự báo nhiệt độ của mô hình trong mùa đông tại Bắc Bộ lại cao hơn mùa hè? Miền Bắc vào mùa đông chịu tác động trực tiếp của các đợt không khí lạnh gió mùa đông bắc với cấu trúc nhiệt động biến tính mạnh khi qua địa hình đồi núi. Các mô hình số trị thường gặp khó khăn trong việc mô phỏng chính xác tốc độ di chuyển của front lạnh và lớp nghịch nhiệt sát mặt đất, làm gia tăng biên độ sai số nhiệt độ tối thấp.

Chỉ số ETS khác biệt như thế nào so với chỉ số TS trong kiểm định dự báo mưa? Chỉ số TS chỉ đơn thuần đo tỷ lệ dự báo trúng trên tổng số lần xuất hiện hiện tượng mà bỏ qua yếu tố ngẫu nhiên. Trong khi đó, chỉ số ETS đã loại trừ số lần dự báo đúng do may rủi ngẫu nhiên, tạo ra thước đo công bằng, khách quan hơn khi đánh giá các hiện tượng thời tiết có tần suất xuất hiện thấp như mưa cực đoan.

Số lượng trạm quan trắc ảnh hưởng như thế nào đến độ chính xác của kết quả kiểm định mô hình? Nghiên cứu chỉ ra rằng tập mẫu 128 trạm phản ánh đầy đủ và chi tiết hơn các biến động vi khí hậu cục bộ, làm bộc lộ rõ các sai số cực trị của mô hình. Ngược lại, tập mẫu rút gọn 24 trạm có xu hướng làm mượt số liệu, khiến các chỉ số sai số trung bình MAE và RMSE thấp hơn thực tế khoảng 15% đến 20%.

Kết luận

Luận văn đã hoàn thành toàn diện mục tiêu đánh giá định lượng chất lượng dự báo nhiệt độ và lượng mưa của hai mô hình số trị HRM và MM5 giai đoạn 2007 - 2009 tại Việt Nam:

• Khẳng định mô hình HRM có sai số hệ thống thiên lạnh với ME nhiệt độ trung bình toàn quốc đạt -2°C, trong khi MM5 thiên nóng nhẹ với sai số dưới 1°C.
• Xác lập bức tranh chi tiết về sự phân hóa sai số dự báo theo mùa và theo 3 miền địa lý, chỉ ra mùa đông Bắc Bộ và mùa hè Trung Bộ là các thời kỳ có độ lệch mô hình lớn nhất.
• Đánh giá định lượng kỹ năng dự báo lượng mưa 24 giờ, chứng minh tính ưu việt của phương pháp kiểm định không gian mờ trong việc giải bài toán sai số vị trí của mưa bão.
• Chứng minh tầm quan trọng của mật độ trạm quan trắc đối với tính khách quan của các chỉ số thẩm định chất lượng mô hình số trị.
• Đề xuất hệ thống giải pháp kỹ thuật khả thi gồm hiệu chỉnh thống kê hậu xử lý, tối ưu hóa sơ đồ vật lý và mở rộng mạng lưới thám sát bề mặt.

Đóng góp khoa học lớn nhất của luận văn là đặt nền móng phương pháp luận kiểm định khách quan đa chỉ số cho ngành khí tượng thủy văn Việt Nam. Lộ trình nghiên cứu tiếp theo cần tập trung mở rộng đánh giá cho các mô hình thế hệ mới có độ phân giải dưới 3km và tích hợp kỹ thuật đồng hóa dữ liệu vi thám. Độc giả quan tâm và các nhà nghiên cứu có thể khai thác chi tiết các bảng số liệu thống kê và thuật toán kiểm định trong toàn văn công trình để ứng dụng vào công tác chuyên môn.

Trích đoạn nội dung tài liệu

phần Mở đầu, Kết luận và Tài liệu tham khảo, luận văn đƣợc bố cục cụ thể nhƣ sau: Chƣơng 1. Tổng quan về bài toán đánh giá dự báo trong khí tƣợng và các chỉ số đánh giá. Khái quát về các mô hình dự báo thời tiết số HRM, MM5 và nguồn số liệu sử dụng. Kết quả đánh giá nhiệt độ và lƣợng mƣa của mô hình MM5 và HRM cho khu vực Việt Nam.

5 LUAN VAN CHAT LUONG download : add [e-mail] CHƢƠNG 1. TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG KHÍ TƢỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ 1. Bài toán đánh giá dự báo trong khí tƣợng 1. Mục đích và ý nghĩa của bài toán đánh giá Đánh giá chất lƣợng dự báo thời tiết nói chung là phƣơng pháp thẩm tra đánh giá và xác định định lƣợng mức độ chính xác của mô hình hoặc mức độ sai khác giữa các sản phẩm dự báo của mô hình với những kết quả quan trắc thực tế nhằm chỉ ra những ƣu điểm, nhƣợc điểm của mô hình, giúp cho các chuyên gia nghiên cứu tìm kiếm các giải pháp cải tiến, phát triển, nâng cao chất lƣợng dự báo của mô hình.

Có ba lý do quan trọng nhất để đánh giá dự báo là: - Kiểm tra chất lƣợng dự báo – dự báo chính xác đến đâu và sẽ đƣợc cải tiến ra sao. - Nâng cao chất lƣợng dự báo: Bƣớc đầu tiên để tiến tới dự báo tốt hơn là việc tìm ra cái gì mà ngƣời làm dự báo đang làm sai. - So sánh chất lƣợng của các hệ thống dự báo khác nhau – đến mức độ nào thì một hệ thống dự báo đƣợc cho là dự báo tốt hơn so với những hệ thống dự báo khác và bằng cách nào mà hệ thống dự báo đó đem lại kết quả tốt hơn nhƣ vậy. Các hoạt động đánh giá chỉ hữu ích khi chúng đƣa ra đƣợc các quyết định về sản phẩm dự báo đang đƣợc đánh giá.

Quyết định đó sẽ làm phát sinh những thay đổi trong sản phẩm dự báo hoặc cách thức dự báo đƣợc thực hiện sau đó, hoặc quyết định đó xác nhận và khẳng định sản phẩm dự báo thỏa mãn cho các mục đích của ngƣời sử dụng và của xã hội. Các sản phẩm dự báo đƣợc phổ biến rộng rãi trong công chúng thì phải đƣợc viết đủ khách quan để ngƣời sử dụng có thể kiểm tra, còn các số liệu quan trắc khí quyển thực tế phải đƣợc thể hiện một cách chính xác những gì diễn ra trong thực tế. Hơn nữa, một vài phƣơng pháp đánh giá còn đòi hỏi quan trắc tại một điểm cũng có thể đại diện một cách đầy đủ và khách quan các hiện tƣợng thời tiết xảy ra trong một khu vực. Chính tính cấp thiết trong các hoạt động đánh giá chất lƣợng dự báo thời tiết cho thấy mục đích đánh giá phải đƣợc thiết lập trƣớc khi hệ thống đánh giá 6 LUAN VAN CHAT LUONG download : add [e-mail] đƣợc xác lập.

Từ đây các hoạt động đánh giá trong khí tƣợng cũng nhƣ trong các hoạt động dự báo thời tiết có thể đƣợc phân chia thành hai mục đích chính là đánh giá hành chính và đánh giá khoa học. Mục đích hành chính: Các thông tin đánh giá trong mục đích quản lý hành chính nhằm cung cấp thông tin cho việc mua sắm các trang thiết bị chính nhƣ các máy tính có cấu hình cao hơn, tốc độ xử lý nhanh hơn,… Xác định khi nào, hoặc có nên thay thế một sản phẩm đang đƣợc sử dụng bằng một sản phẩm dự báo mới hay không, và còn nhiều các quyết định khác để phát triển tối ƣu nguồn lực về con ngƣời cũng nhƣ các nguồn trang thiết bị khác phục vụ cho công tác phát hành một bản tin dự báo thời tiết. Mục đích khoa học: Đánh giá với mục đích khoa học là xác định một cách đầy đủ và chi tiết ƣu điểm cũng nhƣ nhƣợc điểm của một sản phẩm dự báo. Các hoạt động này giúp tìm ra các biện pháp thích hợp để cải thiện chất lƣợng dự báo phục vụ cũng nhƣ cung cấp các thông tin để hoạch định phƣơng hƣớng cho việc nghiên cứu và phát triển tiếp theo.

Ngoài ra một số tác giả khác còn xét đến mục đích kinh tế nhƣng đó là vấn đề rất phức tạp nên trong giới hạn luận văn này không đƣợc đề cập đến. Mô hình chung cho đánh giá dự báo các yếu tố thời tiết Hình 1.1 là một kiểu mô hình chung nhất để đánh giá dự báo các yếu tố thời tiết, ngoài ra có thể có các mô hình đánh giá khác nữa. Tuy nhiên đây là mô hình cho thấy bức tranh chi tiết nhất về quan hệ giữa đặc trƣng của phép đánh giá các đại lƣợng đo và các giải pháp khác nhau để có thể lựa chọn. Sơ đồ này sử dụng cho việc quyết định các bƣớc cần thiết phải đƣợc làm trƣớc khi lựa chọn các phƣơng pháp đánh giá cụ thể.

Tất cả các phƣơng pháp đánh giá đều bắt đầu từ việc tập hợp các tập số liệu quan trắc và dự báo (hình bình hành ở trên cùng trong Hình 1. Bƣớc tiếp theo là xử lý số liệu, bƣớc này phụ thuộc vào việc quyết định của ngƣời sử dụng (hình thoi trong sơ đồ). Quan trọng nhất là việc quyết định của ngƣời sử dụng lựa chọn mục đích đánh giá hành chính hay khoa học nhƣ đã nêu ở trên. Khi mục đích đánh giá đã đƣợc xác định, tiến hành phân loại các tập số liệu mẫu theo mục đích đã định trƣớc.

Phân loại nghĩa là chia nhỏ các phần tử trong tập mẫu ra thành hai hay nhiều nhóm theo một nguyên tắc đã định sẵn, sau đó thực hiện đánh giá cho từng nhóm một cách riêng biệt.1 đã chỉ 7 LUAN VAN CHAT LUONG download : add [e-mail] ra hai kiểu phân loại là “Phân loại ngoại bộ” và “Phân loại nội bộ”. Phân loại ngoại bộ là kiểu phân loại mà nguyên tắc lựa chọn độc lập đối với các yếu tố đang cần đƣợc đánh giá. Kiểu phân loại ngoại bộ phổ biến nhất là cho phép xác định các biến đổi trong đánh giá theo thời gian trong ngày hoặc theo mùa. Phân loại ngoại bộ có thể tiến hành ở bất cứ thời điểm nào trong quá trình trƣớc khi tính toán các đánh giá thống kê thực tế, và có thể đƣợc làm cho cả mục đích hành chính hay mục đích khoa học.

Các tập số liệu dùng để đánh giá Mục đích Quản lý khoa học hành chính Phân loại Phân loại ngoại bộ ngoại bộ Phân loại Phân loại nội bộ theo nội bộ theo quan trắc dự báo Phân loại nội bộ theo dự báo Biến pha Biến liên tục Biến pha Biến liên tục Biến pha Biến liên tục Bảng liên hợp Đồ thị điểm Bảng liên hợp Đồ thị điểm Sai số trung bình tuyệt đối Điểm Berier RPS Sai số bình phƣơng trung bình Nguyên lý phát Bảng độ tin cậy hiện Độ giảm phƣơng sai tín hiệu Điểm kỹ năng Brier Hệ số phân tán Độ lệch (BIAS) Hình 1. Sơ đồ chung cho đánh giá các yếu tố thời tiết 8 LUAN VAN CHAT LUONG download : add [e-mail] Xuất phát từ các câu hỏi đặt ra đối với đánh giá khoa học thấy rằng, cần có một nhu cầu phân loại cao hơn đối với tập mẫu. Chẳng hạn nhƣ, nếu ta quan tâm đến dự báo cực trị thì tập mẫu sẽ phải đƣợc phân nhóm để tách các giá trị cực trị đó ra từ chuỗi các sự kiện chung. Kiểu phân nhóm này đƣợc gọi là “phân loại nội bộ” bởi vì nguyên tắc phân loại đƣợc quyết định bởi mục đích đánh giá và sử dụng chính yếu tố đang đƣợc đánh giá.

Có hai cách để thực hiện phân loại nội bộ, trên Hình 1.1 cho thấy sự khác nhau trong kết quả đánh giá thu đƣợc từ hai cách phân loại đó. Phân loại theo quan trắc nghĩa là phân loại theo giá trị của các yếu tố khí tƣợng quan trắc đƣợc. Sau đó, các tiêu chuẩn đánh giá có thể đƣợc tính toán cho từng nhóm giá trị quan trắc và giá trị thống kê đƣợc tạo thành này gọi là giá trị có điều kiện đối với quan trắc. Một ví dụ cho phân bố có điều kiện của dự báo là một giá trị đặc biệt hay một phạm vi các giá trị quan trắc.

Phân loại theo dự báo nghĩa là phân loại theo giá trị của các yếu tố khí tƣợng đƣợc dự báo. Cũng tƣơng tự nhƣ trên, các giá trị thống kê đƣợc tính toán theo cách phân loại này đƣợc gọi là điều kiện dự báo. Việc lựa chọn kiểu phân loại phụ thuộc vào mục đích đánh giá. Trong nhiều trƣờng hợp cần phải sử dụng kết hợp cả hai cách phân loại trên để đƣa ra một kết quả hoàn chỉnh.

Hơn nữa, nhƣ đã thấy ở sơ đồ trên, những đại lƣợng đánh giá khác nhau (hình ô van bên dưới) đặc trƣng cho một kiểu phân nhóm khác và đƣa ra nhiều thông tin khác nhau về sản phẩm. Một cách khác, trong đánh giá hành chính, ngƣời ta ít quan tâm chi tiết đến việc biểu diễn những biến theo các giá trị khác nhau trong dự báo. Mà thay vào đó, các câu hỏi đặt ra đều mang tính chung chung và chỉ cần một câu trả lời ngắn gọn xúc tích nào đó. Vì vậy, phân loại nội bộ có thể vẫn đƣợc thực hiện nhƣng nó hiếm khi đƣợc dùng đến.

Tuy nhiên, ƣu điểm lớn của đánh giá hành chính là biểu diễn chất lƣợng sản phẩm chỉ bằng vài con số hoặc việc so sánh thuận tiện hay hƣớng xác minh dễ dàng. Bản chất chung của đánh giá hành chính có mối liên hệ mật thiết với các quy tắc điểm số tổng kết đƣợc chỉ ra ở Hình 1. Đôi khi việc tóm tắt cũng trở nên khó khăn khi phải cố gắng tổng kết tất cả các thông tin về chất lƣợng sản phẩm chỉ trong một điểm số để cung cấp cho nhà quản lý. Nhu cầu tóm tắt thông tin đánh giá chỉ bằng một con số gây ra một áp lực lớn cho việc thiết kế hệ thống đánh giá để đảm bảo đƣợc rằng: - Điểm số đƣợc lựa chọn theo yêu cầu là đáng tin cậy; 9 LUAN VAN CHAT LUONG download : add [e-mail] - Các sự kiện hợp thành đều đƣợc xem xét công bằng nhƣ nhau trong các điểm số; Hạn chế chung của bản tổng kết đánh giá này là tất cả các sự kiện đều đƣợc xem là nhƣ nhau trong quá trình trung bình hóa.