Chương 1. Tổng quan: Chương này trình bày sơ lược về dự báo mùa; các công trình nghiên cứu mô phỏng, dự báo mùa, các yếu tố và hiện tượng khí hậu cực đoan. Số liệu và phương pháp nghiên cứu: Chương này giới thiệu tổng quan về mô hình, số liệu, phương pháp xử lí số liệu và phương pháp đánh giá. Kết quả và nhận xét: Chương này trình bày kết quả dự báo hạn mùa một số trường trung bình tháng và một số chỉ số khí hậu cực đoan.
So lược về dự báo mùa. Hiện nay, bài toán dự báo thời tiết và dự báo mùa là hai bài toán được quan tâm nhiều trong nghiệp vụ dự báo. Đối với dự báo thời tiết, thông thường hạn dự báo khoảng 3-5 ngày và tối đa khoảng 5—10 ngày. Dự báo thời tiết cần phải chỉ ra được trạng thái của khí quyền tại một địa điểm cụ thể, vào những thời điểm cụ thể (từng ngày, thậm chí từng giò) trong thời hạn dự báo.
Khác với dự báo thời tiết, dự báo mùa không chỉ ra trạng thái khí quyên vào những thời điểm cụ thể đến từng ngày, thay vào đó là thông tin chung về điều kiện khí quyền trong từng khoảng thời gian nhất định (chăng hạn từng tháng, từng mùa — ba tháng, sáu tháng) trong thời hạn dự báo. Nó có thé giúp chỉ ra những xu thé tiến triển của các hiện tượng thời tiết, các yếu tố khí hậu từ quá khứ cho tới tương 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 phương pháp thống kê và phương pháp mô hình động lực.
Phương pháp thống kê là phương pháp đơn giản nhất để dự báo dị thường 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 tương lai với đặc tính khí hậu hiện tại. Điểm mạnh của phương pháp nay là tương đối dé áp dụng bởi vì hầu như phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên máy tính khiêm tốn. Tuy nhiên, phương 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 như động lực hoc nằm ấn bên trong.
Điều này có nghĩa là phương pháp hiệu quả khi sự phát triển quy mô lớn là rõ rệt và theo một hướng nhưng rất khó dé lường trước những sự chuyên pha, ví dụ như từ nóng sang lạnh và ngược lại. Và cuối cùng, phương pháp thường không nắm bắt được những yếu tố đột biến. Phương pháp động lực nhìn chung chỉ mới bắt đầu từ khoảng 30 năm trở lại đây đối với bai toán dự báo mua. Phương pháp nay sử dụng các mô hình hoàn lưu chung khí quyền.
Sự phát triển đáng kê hiện tai đã tạo ra một hệ thống tương tác đầy đủ trong 12 đó thành phan đại dương, khí quyền va mặt đất của mô hình tương tác liên tục với nhau đê cho ra các bản tin dự báo đên 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 như 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 nước Philippines. Bài toán dự báo mùa các yêu tố và hiện tượng cực đoan, dự báo bão càng trở nên cấp thiết. Tại các nước phát triển, sự cải tiễn không ngừng trong lĩnh vực dự báo thời tiết cũng như nghiên cứu khí hậu quá khứ và tương lai trong nhiều năm trở lại đây, đã làm bài toán dự báo mùa các yếu tố và hiện tượng khá tốt và giảm thiểu đáng ké thiệt hai.
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 được cải tiến và nâng cấp dé có thé 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 WRE và HadRM để tiễn hành nghiên cứu tái tạo nhiệt độ cực đại, cực tiểu và lượng mưa ngày băng số liệu tái phân tích R-2 sau đó so sánh với các số liệu quan trắc được trên toàn bộ các trạm Hoa Ky thuộc Tây Bắc Thái Bình Dương 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 tiêu cho kết quả gần với quan trắc hơn. Tương quan thời gian giữa tái tạo với quan trắc của lượng mưa ngày thấp ở cả 2 mô hình. Tuy nhiên, dự báo cho tương quan lại tăng với chuỗi thời gian dai hơn. Dev Millstein và Surabi Menon (2011) [13], sử dung mô hình WRF dé khao sat phan hồi giữa sự thay đổi albedo bề mặt, nhiệt độ, lượng mưa và độ phủ mây trung bình.
Kết quả cho thấy, với sự chấp nhận đỉnh mây và chân mây lạnh, với miền tính rộng, lượng bức xa đi ra trung bình hàng năm tăng 0.1) và nhiệt độ lúc budi chiều mùa hè ở các đô thị giảm 0. Sự khác nhau giữa: hình trên - nhiệt độ không khí 2m ÓC), hình dưới — bức xạ sóng ngắn đi ra khỏi đỉnh khí quyền (Wm-2). Bên trái là mùa hè (JJA), bên phải là mùa đông (DJF). Sự thay đôi nhiệt độ và albedo trong đô thị A Temperature Location % Urban* | A 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 * phan trăm vùng đất được coi giống như đô thị ° nhiệt độ thay đổi không đáng ké so với 0 James M.
Done và CS [20] sử dung 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 Dương có sự tăng nhẹ nhiệt độ còn các vùng sa mạc phía tây nam, thung lũng Sacramento va 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 dé xem xét sự thay đổi của nhiệt độ và lượng mưa thời kì 1990-1999 tới 2045-2054 trên toàn bộ khu vực Đông Nam Á. Xét trên cả miền tính, nhiệt độ được mô phỏng khá tốt với “cold bias” sai số thiên âm cho nhiệt độ cực đại va “warm bias” thiên dương cho nhiệt độ cực tiểu.
Lượng mưa trung bình tăng và được mô phỏng tốt hơn vào mùa khô. Xét trên quy mô địa phương và theo mùa, nhiệt độ dao động từ 0.1 đến 3C, ban ngày dao động ít hơn ban đêm. Mùa khô lượng mưa giảm. Năm 2012, Chakrit và CS [9] tiếp tục tiến hành sử dụng 8 sơ đồ tham số hóa đối lưu với mô hình WRF lồng hai lưới 60km và 20km, dé ước lượng lượng mưa gió mùa trên khu vực Thai Lan với miên lưới là khu vực Đông Nam A cho năm 15 2005.
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 mưa tốt nhất trên cả lưới tính và từng khu vực địa phương. Các tác giả cũng thấy sự phù hợp của việc sử dụng mô hình WRF dé mô phỏng khí hậu khu vực. Janime và Zaitao đã chỉ ra kha năng dự báo các di thường cực tri trên quy mô trung bình mùa tại Hoa Ky [21].
Tác giả đã chọn đợt lạnh dị thường vào tháng 7/2009 và đợt âm ướt nhất xảy ra vào tháng 10/2009 tại vùng trung tâm và phía đông nước Mĩ dé nghiên cứu. Kết quả cho thay, WRF có thé dự báo “patterns” dị thường nhiệt độ khá chính xác cả về vị trí và quy mô vùng dị thường. Tuy nhiên, giá trị dự báo đưa ra lại thiên thấp SO VỚI quan trắc, chênh lệch khoảng 3-6°C 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.
Với mưa, dự báo cho mưa là bài toán khó hơn nhiệt độ trên quy mô mùa. Mô hình có khả năng chỉ ra xu thế của mưa, tuy nhiên, các vi tri thể hiện các pattern di thường lại không luôn chính xác. Dự báo cho trường hợp mưa tháng 10/2009, mô hình chỉ bắt được vị trí trung tâm mà không bắt được mưa tại phía Bắc và phía Nam. Trong nghiên cứu của Daniel Argueso và CS (2012) [11], có thể thấy mô hình WRF không chỉ ước lượng được các trường trung bình mùa, thang, năm ma còn đánh giá được các chỉ số cực đoan như lượng mưa ngày lớn nhất (RXIday), lượng mưa 5 ngày lớn nhất (RX5day), trung bình số ngày ẩm cực đại liên tiếp hàng năm (CWD - the mean annual number of maximum consective wet days), trung bình số ngày khô han cực đại liên tiếp hang năm (CDD - the mean annual number of maximum consective dry days), số ngày có mưa vượt quá 10mm (R10 — the number of days that exceed 10mm).
Tuy sai số là không tránh khỏi nhưng một lần nữa, nghiên cứu chỉ ra được xu thế và pattern của các yếu tố trên quy mô địa phương là khá rõ ràng. Ở Việt Nam, cho đến nay chưa có nghiên cứu nào sử dụng mô hình WRF dé dự báo mùa dài hạn lên từ một tháng trở lên mà mới chỉ sử dụng một số các mô hình khí hậu khu vực như RegCM, MMS trong đề tai nghiên cứu cấp Nhà nước 16 KC08.29/06-10 “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” do GS. Phan Văn Tân làm chủ nhiệm. Về các yếu tố và hiện tượng khí hậu cực đoan Theo chương trình nghiên cứu biến đổi khí hậu của Hoa kỳ đã chỉ ra sự tăng nhiệt độ và các cực trị nhiệt độ trong tương lai (hình 1.
Nhiệt độ trung bình tăng dẫn đến việc tăng nhiệt độ cực đoan trong tương lai. Tuy nhiên, nhiệt độ lạnh hơn van xuât hiện nhưng sé it hơn hiện tai.