Mở đầu Bài toán dự báo mùa (hay dự báo hạn mùa) cho đến bây giờ vẫn là một trong những vấn đề cấp thiết đặt ra với Việt Nam. Việc dự báo sớm các yếu tố khí hậu nhƣ nhiệt độ, lƣợng mƣa cùng với các hiện tƣợng cực đoan đƣợc chú trọng trong nhiều năm trở lại đây. Sự biến động bất thƣờng của mƣa, nhiệt độ cũng nhƣ các hiện tƣợng cực đoan đang có xu hƣớng ngày càng phức tạp hơn. Việc dự báo đƣợc sớm các yếu tố và hiện tƣợng này thực sự là vấn đề cấp thiết để cung cấp thông tin phục vụ phòng tránh thiên tai, hạn chế những thiệt hại về ngƣời và của.
Trong nhiều năm qua, bài toán dự báo mùa không còn mới và quá khó khăn với các nƣớc có nền khoa học tiên tiến trên thế giới. Nhƣng ở Việt Nam, mặc dù cũng đã đƣợc quan tâm từ sớm nhƣng những nghiên cứu vẫn còn nhiều hạn chế. Ngày nay, cùng với các công trình nghiên cứu của các nhà khoa học đi trƣớc còn có sự hỗ trợ mạnh mẽ của công nghệ tính toán hiện đại, các mô hình dự báo số trị ngày càng đƣợc cải tiến và sử dụng rộng rãi trong các nghiên cứu khí hậu. Nên, việc nghiên cứu bài toán dự báo mùa cho các yếu tố thời tiết cũng hiện tƣợng khí hậu cực đoan không còn bị hạn chế nhiều về mặt không gian và thời gian.
Nó có thể chi tiết hóa cho từng khu vực, tạo điều kiện thuận lợi cho những nghiên cứu sâu hơn, mang tính ứng dụng cao hơn. Nhằm góp phần vào việc xây dựng, phát triển bài toán dự báo mùa ở Việt Nam, đề tài luận văn đƣợc chọn là: “Thử nghiệm dự báo hạn mùa một số yếu tố và hiện tƣợng cực đoan ở Việt Nam bằng mô hình ClWRF”, Bố cục của Luận văn gồm 3 chƣơng: Chƣơng 1. Tổng quan: Chƣơng này trình bày sơ lƣợc về dự báo mùa; các công trình nghiên cứu mô phỏng, dự báo mùa, các yếu tố và hiện tƣợng khí hậu cực đoan. Số liệu và phƣơng pháp nghiên cứu: Chƣơng này giới thiệu tổng quan về mô hình, số liệu, phƣơng pháp xử lí số liệu và phƣơng pháp đánh giá.
Kết quả và nhận xét: Chƣơng này trình bày kết quả dự báo hạn mùa một số trƣờng trung bình tháng và một số chỉ số khí hậu cực đoan. 11 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Chƣơng 1. Sơ lƣợc về dự báo mùa. Hiện nay, bài toán dự báo thời tiết và dự báo mùa là hai bài toán đƣợc quan tâm nhiều trong nghiệp vụ dự báo.
Đối với dự báo thời tiết, thông thƣờng hạn dự báo khoảng 3–5 ngày và tối đa khoảng 5–10 ngày. Dự báo thời tiết cần phải chỉ ra đƣợc trạng thái của khí quyển tại một địa điểm cụ thể, vào những thời điểm cụ thể (từng ngày, thậm chí từng giờ) trong thời hạn dự báo. Khác với dự báo thời tiết, dự báo mùa không chỉ ra trạng thái khí quyển vào những thời điểm cụ thể đến từng ngày, thay vào đó là thông tin chung về điều kiện khí quyển trong từng khoảng thời gian nhất định (chẳng hạn từng tháng, từng mùa – ba tháng, sáu tháng) trong thời hạn dự báo. Nó có thể giúp chỉ ra những xu thế tiến triển của các hiện tƣợng thời tiết, các yếu tố khí hậu từ quá khứ cho tới tƣơng lai.
Dự báo mùa, hay dự báo hạn mùa, hay dự báo khí hậu hạn mùa có hạn dự báo đến tối đa (hiện nay) là một năm [30]. Có hai cách tiếp cận dự báo hạn mùa là dự báo bằng phƣơng pháp thống kê và phƣơng pháp mô hình động lực. Phương pháp thống kê là phƣơng pháp đơn giản nhất để dự báo dị thƣờng các yếu tố so với khí hậu trung bình, quy mô tháng hay mùa, sử dụng các nguyên tắc (bằng thống kê) liên kết các hình thế trong tƣơng lai với đặc tính khí hậu hiện tại. Điểm mạnh của phƣơng pháp này là tƣơng đối dễ áp dụng bởi vì hầu nhƣ phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên máy tính khiêm tốn.
Tuy nhiên, phƣơng pháp đơn giản này vẫn tồn tại nhiều hạn chế. Các mô hình thống kê chỉ sử dụng đơn thuần chuỗi số liệu trong quá khứ, dự báo các mối liên hệ phức tạp mà không có các mối liên hệ cụ thể nào với các quá trình vật lý cũng nhƣ động lực học nằm ẩn bên trong. Điều này có nghĩa là phƣơng pháp hiệu quả khi sự phát triển quy mô lớn là rõ rệt và theo một hƣớng nhƣng rất khó để lƣờng trƣớc những sự chuyển pha, ví dụ nhƣ từ nóng sang lạnh và ngƣợc lại. Và cuối cùng, phƣơng pháp thƣờng không nắm bắt đƣợc những yếu tố đột biến.
Phương pháp động lực nhìn chung chỉ mới bắt đầu từ khoảng 30 năm trở lại đây đối với bài toán dự báo mùa. Phƣơng pháp này sử dụng các mô hình hoàn lƣu chung khí quyển. Sự phát triển đáng kể hiện tại đã tạo ra một hệ thống tƣơng tác đầy đủ trong 12 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com đó thành phần đại dƣơng, khí quyển và mặt đất của mô hình tƣơng tác liên tục với nhau để cho ra các bản tin dự báo đến vài tháng. Trong bối cảnh biến đổi khí hậu đang diễn ra nhanh chóng những thập niên gần đây, cùng với những hậu quả đáng báo động mà nó đã gây ra nhƣ trận động đất kinh hoàng tại Nhật Bản năm 2011, nắng nóng nghiêm trọng tại châu Âu, và gần đây là cơn bão Haiyan (11/2013) đã gây ra hậu quả vô cùng to lớn với đất nƣớc Philippines…Bài toán dự báo mùa các yếu tố và hiện tƣợng cực đoan, dự báo bão càng trở nên cấp thiết.
Tại các nƣớc phát triển, sự cải tiến không ngừng trong lĩnh vực dự báo thời tiết cũng nhƣ nghiên cứu khí hậu quá khứ và tƣơng lai trong nhiều năm trở lại đây, đã làm bài toán dự báo mùa các yếu tố và hiện tƣợng khá tốt và giảm thiểu đáng kể thiệt hại. Một số công trình nghiên cứu mô phỏng và dự báo mùa. Hiện nay, có nhiều mô hình khu vực (RCM) ngoài việc thực hiện bài toán dự báo thời tiết, còn đƣợc cải tiến và nâng cấp để có thể phục vụ vào bài toán nghiên cứu, mô phỏng, dự tính khí hậu. Zongxin Zhang và CS (2009) [35] đã sử dụng 2 mô hình WRF và HadRM để tiến hành nghiên cứu tái tạo nhiệt độ cực đại, cực tiểu và lƣợng mƣa ngày bằng số liệu tái phân tích R-2 sau đó so sánh với các số liệu quan trắc đƣợc trên toàn bộ các trạm Hoa Kỳ thuộc Tây Bắc Thái Bình Dƣơng cho thời kì 2003-3007.
Kết quả chỉ ra sai số cực đại Tx vào mùa xuân và mùa hè thấp hơn vào mùa thu và mùa đông so với quan trắc. Với nhiệt độ cực tiểu cho kết quả gần với quan trắc hơn. Tƣơng quan thời gian giữa tái tạo với quan trắc của lƣợng mƣa ngày thấp ở cả 2 mô hình. Tuy nhiên, dự báo cho tƣơng quan lại tăng với chuỗi thời gian dài hơn.
Dev Millstein và Surabi Menon (2011) [13], sử dụng mô hình WRF để khảo sát phản hồi giữa sự thay đổi albedo bề mặt, nhiệt độ, lƣợng mƣa và độ phủ mây trung bình. Kết quả cho thấy, với sự chấp nhận đỉnh mây và chân mây lạnh, với miền tính rộng, lƣợng bức xạ đi ra trung bình hàng năm tăng 0.1) và nhiệt độ lúc buồi chiều mùa hè ở các đô thị giảm 0. 13 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Sự khác nhau giữa: hình trên - nhiệt độ không khí 2m (0C), hình dƣới – bức xạ sóng ngắn đi ra khỏi đỉnh khí quyển (Wm-2).
Bên trái là mùa hè (JJA), bên phải là mùa đông (DJF). 14 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Sự thay đổi nhiệt độ và albedo trong đô thị Δ Temperature a Location % Urban Δ Albedo Summer (JJA) Winter (DJF) Columbus, OH 20% 0.05 San Antonio, TX 27% 0.10 San Diego, CA 28% 0.06 San Jose, CA 29% 0.24 New York, NY 91% 0.12 Los Angeles, CA 96% 0.41 a phần trăm vùng đất đƣợc coi giống nhƣ đô thị b nhiệt độ thay đổi không đáng kể so với 0 James M. Done và CS [20] sử dụng mô hình WRF để tái tạo khí hậu khu vực, kết quả cho thấy rằng các vùng châu thổ lớn, dãy Rocky và khu vực tây Bắc Thái Bình Dƣơng có sự tăng nhẹ nhiệt độ còn các vùng sa mạc phía tây nam, thung lũng Sacramento và San Joaquin ở Califonia có sự giảm nhẹ nhiệt độ bề mặt.
Năm 2006, Wei Gao và CS [34] cũng đã mở rộng mô hình WRF dự báo thời tiết cho khí hậu. Năm 2011, Chakrit và CS [10] đã sử dụng mô hình WRF để xem xét sự thay đổi của nhiệt độ và lƣợng mƣa thời kì 1990-1999 tới 2045-2054 trên toàn bộ khu vực Đông Nam Á. Xét trên cả miền tính, nhiệt độ đƣợc mô phỏng khá tốt với “cold bias” sai số thiên âm cho nhiệt độ cực đại và “warm bias” thiên dƣơng cho nhiệt độ cực tiểu. Lƣợng mƣa trung bình tăng và đƣợc mô phỏng tốt hơn vào mùa khô.
Xét trên quy mô địa phƣơng và theo mùa, nhiệt độ dao động từ 0.1 đến 30C, ban ngày dao động ít hơn ban đêm. Mùa khô lƣợng mƣa giảm. Năm 2012, Chakrit và CS [9] tiếp tục tiến hành sử dụng 8 sơ đồ tham số hóa đối lƣu với mô hình WRF lồng hai lƣới 60km và 20km, để ƣớc lƣợng lƣợng mƣa gió mùa trên khu vực Thái Lan với miền lƣới là khu vực Đông Nam Á cho năm 15 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Đầu vào là số liệu tái phân tích của NCEP/NCAR.
Kết quả cho thấy, sơ đồ Best-Miller-Janjic cho sai số nhỏ nhất, phân bố mƣa tốt nhất trên cả lƣới tính và từng khu vực địa phƣơng. Các tác giả cũng thấy sự phù hợp của việc sử dụng mô hình WRF để mô phỏng khí hậu khu vực. Janime và Zaitao đã chỉ ra khả năng dự báo các dị thƣờng cực trị trên quy mô trung bình mùa tại Hoa Kỳ [21]. Tác giả đã chọn đợt lạnh dị thƣờng vào tháng 7/2009 và đợt ẩm ƣớt nhất xảy ra vào tháng 10/2009 tại vùng trung tâm và phía đông nƣớc Mĩ để nghiên cứu.
Kết quả cho thấy, WRF có thể dự báo “patterns” dị thƣờng nhiệt độ khá chính xác cả về vị trí và quy mô vùng dị thƣờng. Tuy nhiên, giá trị dự báo đƣa ra lại thiên thấp so với quan trắc, chênh lệch khoảng 3-60C cho dự báo tháng 7/2009. Trên dãy núi Rocky và khu vực phía Tây Bắc, Đông Bắc Mĩ, mô hình cho kết quả thấp hơn rất nhiều so với quan trắc thực tế.