Nghiên cứu ứng dụng mô hình ANFIS để dự báo lượng mưa cho lưu vực sông Cả

Luận văn thạc sĩ nghiên cứu ứng dụng mô hình ANFIS để dự báo lượng mưa cho lưu vực sông Cả, góp phần quản lý tài nguyên nước hiệu quả.

• Người hướng dẫn: TS. Nguyễn Lương Bằng
• Trường học: Trường Đại học Thủy lợi
• Chuyên ngành: Kỹ thuật tài nguyên nước
• Đề tài: Dự báo lượng mưa cho lưu vực sông Cả bằng mô hình ANFIS
• Loại tài liệu: luận văn

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN CÁC NGHIÊN CỨU DỰ BÁO LƯỢNG MƯA VỤ VÀ VÙNG NGHIÊN CỨU
• 1.1. Tổng quan các nghiên cứu về dự báo lượng mưa vụ
• 1.2. Tổng quan về tình hình nghiên cứu trên thế giới
• 1.3. Tổng quan về tình hình nghiên cứu trong nước
• 1.4. Tổng quan về lưu vực nghiên cứu
• 1.4.1. Vị trí địa lý, diện tích và phân bổ diện tích
• 1.4.2. Điều kiện địa hình
• 1.4.3. Đặc điểm thổ nhưỡng và thảm phủ thực vật
• 1.4.4. Khí hậu, khí tượng
• 1.4.5. Mạng lưới sông ngòi và điều kiện thủy văn
• 1.4.6. Tình hình Kinh tế - Xã hội
• 1.4.6.1. Phương hướng phát triển các ngành đến năm 2025
• 2. CHƯƠNG 2: ỨNG DỤNG MÔ HÌNH ANFIS ĐỂ DỰ BÁO LƯỢNG MƯA VỤ CHO LƯU VỰC NGHIÊN CỨU
• 2.1. Phương pháp và liệu v8 lượng mưa
• 2.2. Số liệu lượng mưa
• 2.3. Phân tích đặc trưng mưa của lưu vực sông Cả
• 2.4. Phân tích lựa chọn phương pháp dự báo
• 2.5. Ứng dụng mô hình ANFIS để thiết lập các mô hình dự báo lượng mưa vụ cho vùng nghiên cứu
• 2.5.1. Yếu tố dự báo (biến đầu ra)
• 2.5.2. Nhân tố dự báo (biến đầu vào)
• 2.5.3. Cấu trúc của mô hình dự báo
• 2.5.4. Ứng dụng mô hình ANFIS để dự báo lượng mưa vụ cho lưu vực nghiên cứu
• 2.5.5. Phân tích kết quả dự báo của các mô hình
• 2.6. Nghiên cứu, đề xuất mô hình dự báo phù hợp và dự báo thử nghiệm cho lưu vực
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tính cấp thiết của đề tài

Lượng mưa là một yếu tố quan trọng trong lĩnh vực Kỹ thuật Tài nguyên nước, ảnh hưởng đến nhiều khía cạnh như quản lý lũ lụt, hạn hán, và nhu cầu nước cho sản xuất nông nghiệp. Dự báo lượng mưa giúp cải thiện khả năng lập kế hoạch và quản lý tài nguyên nước hiệu quả. Nghiên cứu này nhấn mạnh tầm quan trọng của việc ứng dụng các phương pháp hiện đại để dự báo lượng mưa, đặc biệt là mô hình ANFIS. Việc dự báo chính xác lượng mưa không chỉ phục vụ cho ngành nông nghiệp mà còn hỗ trợ trong việc quản lý các hiện tượng thiên tai, giúp giảm thiểu thiệt hại do thiên tai gây ra. "Dự báo lượng mưa là cực kỳ quan trọng trong lĩnh vực Kỹ thuật Tài nguyên nước". Từ những phân tích trên, việc nghiên cứu và ứng dụng các phương pháp dự báo mới để dự báo mưa hạn mùa có ý nghĩa lớn trong việc phát triển kinh tế xã hội và bảo vệ môi trường.

II. Mục đích nghiên cứu

Mục đích của nghiên cứu là ứng dụng mô hình ANFIS để thiết lập các mô hình dự báo lượng mưa vụ cho lưu vực sông Cả. Nghiên cứu này không chỉ hướng đến việc dự báo lượng mưa cho từng tháng mà còn cho các khoảng thời gian 3 tháng và 6 tháng. Việc sử dụng mô hình ANFIS cho phép kết hợp giữa khả năng học hỏi của mạng nơ-ron và lý thuyết mờ, từ đó nâng cao độ chính xác trong dự báo. "Nghiên cứu ứng dụng Mạng nơ-ron thích nghi mờ (ANFIS) để thiết lập các mô hình dự báo lượng mưa". Mục tiêu này không chỉ giúp cải thiện độ chính xác trong dự báo mà còn tạo điều kiện cho việc ra quyết định trong quản lý tài nguyên nước.

III. Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của đề tài là tổng lượng mưa vụ, bao gồm các khoảng thời gian 1 tháng, 3 tháng và 6 tháng. Phạm vi nghiên cứu tập trung vào lưu vực sông Cả, nơi có đặc điểm khí hậu và địa hình đa dạng. Việc xác định đối tượng và phạm vi nghiên cứu rõ ràng giúp định hướng cho quá trình thu thập và phân tích dữ liệu. "Phạm vi nghiên cứu: Lượng mưa, đặc điểm và xu thế biến đổi của lượng mưa ở một số vị trí trên lưu vực sông Cả". Điều này không chỉ tăng cường tính chính xác của mô hình mà còn giúp hiểu rõ hơn về các yếu tố ảnh hưởng đến lượng mưa trong khu vực nghiên cứu.

IV. Cách tiếp cận và phương pháp nghiên cứu

Nghiên cứu sử dụng nhiều phương pháp tiếp cận khác nhau, bao gồm khảo sát thực tế, thu thập số liệu và phân tích thống kê. Phương pháp thống kê và xác suất được áp dụng để đánh giá diễn biến lượng mưa, trong khi các mô hình toán học được sử dụng để lập trình trên máy tính. "Phương pháp điều tra, khảo sát, thu thập tài liệu thực tế, tài liệu tham khảo". Việc kết hợp các phương pháp này cho phép nghiên cứu đạt được kết quả đáng tin cậy và có thể áp dụng trong thực tiễn. Từ đó, nghiên cứu không chỉ mang tính lý thuyết mà còn có giá trị ứng dụng cao trong quản lý tài nguyên nước.

V. Tổng quan các nghiên cứu về dự báo lượng mưa

Tổng quan các nghiên cứu trước đây cho thấy có hai phương pháp chính trong dự báo lượng mưa: phương pháp thống kê và phương pháp động lực. Mỗi phương pháp đều có những ưu điểm và nhược điểm riêng. Phương pháp thống kê thường đơn giản và dễ áp dụng, nhưng có thể không chính xác trong những điều kiện khí hậu chưa từng xảy ra. Ngược lại, phương pháp động lực cung cấp mô hình khí hậu chi tiết nhưng yêu cầu tính toán phức tạp. "Phương pháp động lực là hướng nghiên cứu mô phỏng khí hậu bằng mô hình". Việc kết hợp cả hai phương pháp có thể cải thiện độ chính xác của dự báo, điều này cho thấy sự cần thiết của việc nghiên cứu và phát triển các mô hình mới như ANFIS.

VI. Ứng dụng mô hình ANFIS để dự báo lượng mưa

Mô hình ANFIS đã được áp dụng để thiết lập các mô hình dự báo lượng mưa cho lưu vực nghiên cứu. Mô hình này cho phép xác định các yếu tố dự báo và biến đầu ra một cách hiệu quả. Việc phân tích kết quả dự báo từ mô hình ANFIS cho thấy độ chính xác cao trong việc dự báo lượng mưa cho các khoảng thời gian khác nhau. "Phân tích kết quả dự báo của các mô hình". Điều này chứng tỏ rằng ANFIS là một công cụ hữu ích trong việc dự báo lượng mưa, góp phần nâng cao khả năng quản lý tài nguyên nước và ứng phó với biến đổi khí hậu.

VII. Kết luận và kiến nghị

Nghiên cứu đã chỉ ra rằng việc ứng dụng mô hình ANFIS trong dự báo lượng mưa là một bước tiến quan trọng trong lĩnh vực Kỹ thuật Tài nguyên nước. Kết quả dự báo cho thấy mô hình này có thể đáp ứng được yêu cầu về độ chính xác trong dự báo lượng mưa cho lưu vực sông Cả. "Kiến nghị áp dụng mô hình ANFIS trong các nghiên cứu tiếp theo". Để nâng cao hiệu quả dự báo, cần tiếp tục nghiên cứu và phát triển các mô hình dự báo khác, đồng thời cải thiện quy trình thu thập và xử lý dữ liệu. Điều này không chỉ giúp nâng cao chất lượng dự báo mà còn hỗ trợ trong việc ra quyết định trong quản lý tài nguyên nước.

Nội dung chính

Tổng quan nghiên cứu

Lưu vực sông Cả, với diện tích tự nhiên khoảng 27.200 km², là một trong những lưu vực sông lớn thuộc vùng Bắc Trung Bộ Việt Nam, có vai trò quan trọng trong phát triển kinh tế - xã hội và quản lý tài nguyên nước. Lượng mưa trung bình năm trên lưu vực dao động từ 1.500 mm đến 2.500 mm, phân bố không đều theo mùa với hai mùa rõ rệt: mùa mưa và mùa khô. Mưa lớn tập trung chủ yếu vào các tháng 5, 6 và 9, 10, chiếm tới 60% tổng lượng mưa năm, trong khi mùa khô chỉ chiếm khoảng 15-20%. Biến động lượng mưa và dòng chảy trên lưu vực có ảnh hưởng lớn đến sản xuất nông nghiệp, thủy sản, và quản lý lũ lụt, hạn hán.

Nghiên cứu tập trung vào ứng dụng mô hình Adaptive Neuro-Fuzzy Inference System (ANFIS) để dự báo lượng mưa vụ (1 tháng, 3 tháng, 6 tháng) cho lưu vực sông Cả, nhằm nâng cao độ chính xác và tin cậy của dự báo khí tượng thủy văn phục vụ quản lý tài nguyên nước và phát triển kinh tế - xã hội. Phạm vi nghiên cứu bao gồm phân tích đặc trưng lượng mưa, điều kiện khí hậu, địa hình, và các yếu tố ảnh hưởng đến lượng mưa tại các trạm khí tượng trong lưu vực từ năm 1975 đến 2017.

Mục tiêu chính của luận văn là xây dựng và đề xuất mô hình dự báo lượng mưa vụ phù hợp, có độ tin cậy cao, giúp cải thiện công tác dự báo khí hậu hạn mùa, hỗ trợ kế hoạch sản xuất nông nghiệp, điều tiết nước hồ chứa và phòng chống thiên tai. Kết quả nghiên cứu có ý nghĩa thiết thực trong việc nâng cao hiệu quả quản lý tài nguyên nước và phát triển bền vững vùng lưu vực sông Cả.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính:

1. Phương pháp thống kê và mô hình dự báo khí hậu: Bao gồm các phương pháp thống kê truyền thống như hồi quy đa biến, phân tích chuỗi thời gian, mô hình ARIMA, và các kỹ thuật hạ thấp qui mô thống kê (Statistical Downscaling). Các phương pháp này dựa trên mối quan hệ giữa các nhân tố dự báo khí hậu như chỉ số ENSO, nhiệt độ mặt nước biển (SST), áp suất khí quyển, và dữ liệu quan trắc lịch sử để dự báo lượng mưa.

2. Mô hình Adaptive Neuro-Fuzzy Inference System (ANFIS): Là sự kết hợp giữa mạng nơ-ron nhân tạo (ANN) và logic mờ (Fuzzy Logic), ANFIS có khả năng mô hình hóa các quan hệ phi tuyến phức tạp giữa các biến đầu vào và đầu ra. Mô hình này được áp dụng để dự báo lượng mưa vụ với các biến đầu vào là lượng mưa các vụ trước đó, giúp nâng cao độ chính xác so với các mô hình truyền thống.

Các khái niệm chính trong nghiên cứu bao gồm: lượng mưa vụ, dự báo khí hậu hạn mùa, mô hình thống kê, mô hình động lực, hạ thấp qui mô thống kê, và mạng nơ-ron thích nghi.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là số liệu lượng mưa quan trắc tại các trạm khí tượng trong lưu vực sông Cả từ năm 1975 đến 2017, bao gồm các trạm như Vinh, Quy Châu, Tương Dương, Đô Lương. Dữ liệu được xử lý và phân tích đặc trưng lượng mưa theo tháng, mùa và vụ, đồng thời đánh giá xu thế biến đổi khí hậu.

Phương pháp chọn mẫu là sử dụng toàn bộ chuỗi số liệu quan trắc có sẵn để đảm bảo tính đại diện và độ tin cậy. Phân tích thống kê được thực hiện để xác định các đặc trưng lượng mưa và các yếu tố ảnh hưởng.

Mô hình ANFIS được xây dựng và huấn luyện trên tập dữ liệu lịch sử, với các biến đầu vào là lượng mưa các vụ trước đó và biến đầu ra là lượng mưa dự báo cho các khoảng thời gian 1 tháng, 3 tháng và 6 tháng. Quá trình huấn luyện và kiểm định mô hình được thực hiện theo timeline nghiên cứu từ năm 2018 đến 2020.

Phương pháp đánh giá hiệu quả mô hình dựa trên các chỉ số thống kê như hệ số tương quan (COOR), sai số căn bậc hai trung bình (RMSE), và tỷ lệ chênh lệch (Discrepancy ratio). Kết quả dự báo được so sánh với số liệu quan trắc thực tế để đánh giá độ chính xác.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Đặc trưng lượng mưa và biến đổi khí hậu: Lượng mưa trung bình năm tại các trạm trong lưu vực dao động từ 1.500 mm đến 2.500 mm, với hai mùa mưa rõ rệt. Mùa mưa chiếm khoảng 80% tổng lượng mưa năm, tập trung vào các tháng 5, 6 và 9, 10. Xu thế biến đổi khí hậu thể hiện qua sự gia tăng biến động lượng mưa theo năm, với các năm nhiều nước và năm kiệt xen kẽ.

2. Hiệu quả mô hình ANFIS trong dự báo lượng mưa vụ: Mô hình ANFIS cho kết quả dự báo lượng mưa vụ 1 tháng, 3 tháng và 6 tháng với hệ số tương quan COOR đạt từ 0.75 đến 0.85, sai số RMSE giảm khoảng 15-20% so với các mô hình thống kê truyền thống như ARIMA. Ví dụ, tại trạm Quy Châu, dự báo lượng mưa 3 tháng đạt độ chính xác cao với sai số trung bình dưới 10%.

3. So sánh hiệu quả dự báo giữa các trạm: Mô hình ANFIS thể hiện hiệu quả tốt nhất tại các trạm có chuỗi số liệu dài và ổn định như Vinh và Đô Lương, với độ chính xác dự báo trên 85%. Các trạm có biến động khí hậu phức tạp hơn như Tương Dương có độ chính xác dự báo thấp hơn khoảng 5-7%.

4. Ứng dụng mô hình trong quản lý tài nguyên nước: Dự báo lượng mưa vụ chính xác giúp cải thiện kế hoạch điều tiết nước hồ chứa, giảm thiểu thiệt hại do lũ lụt và hạn hán, đồng thời hỗ trợ sản xuất nông nghiệp với kế hoạch tưới tiêu hợp lý.

Thảo luận kết quả

Nguyên nhân mô hình ANFIS đạt hiệu quả cao là do khả năng mô hình hóa các quan hệ phi tuyến và xử lý dữ liệu không chắc chắn trong khí hậu. So với các nghiên cứu trước đây sử dụng mô hình ARIMA hoặc mạng nơ-ron nhân tạo (ANN), ANFIS kết hợp ưu điểm của cả hai phương pháp, giúp giảm sai số và tăng độ tin cậy.

Kết quả dự báo có thể được trình bày qua biểu đồ so sánh lượng mưa dự báo và quan trắc theo từng tháng, từng vụ tại các trạm, hoặc bảng số liệu thống kê các chỉ số đánh giá mô hình. Điều này giúp minh bạch và dễ dàng đánh giá hiệu quả mô hình.

So với các nghiên cứu trong nước và quốc tế, nghiên cứu này đã mở rộng phạm vi dự báo theo nhiều khoảng thời gian (1, 3, 6 tháng) và áp dụng thành công mô hình ANFIS cho lưu vực sông Cả, góp phần nâng cao chất lượng dự báo khí hậu hạn mùa tại Việt Nam.

Đề xuất và khuyến nghị

1. Triển khai ứng dụng mô hình ANFIS trong công tác dự báo khí tượng thủy văn: Cơ quan khí tượng thủy văn nên tích hợp mô hình ANFIS vào hệ thống dự báo hiện tại để nâng cao độ chính xác dự báo lượng mưa vụ, đặc biệt cho các vùng lưu vực sông lớn như sông Cả. Thời gian thực hiện trong vòng 1-2 năm.

2. Phát triển hệ thống thu thập và quản lý dữ liệu khí tượng thủy văn: Đầu tư nâng cấp mạng lưới trạm quan trắc, đảm bảo dữ liệu đầy đủ, chính xác và liên tục để phục vụ huấn luyện và cập nhật mô hình dự báo. Chủ thể thực hiện là các viện nghiên cứu và cơ quan khí tượng trong 3 năm tới.

3. Tăng cường đào tạo và chuyển giao công nghệ cho cán bộ kỹ thuật: Tổ chức các khóa đào tạo về mô hình ANFIS và các kỹ thuật dự báo hiện đại cho cán bộ khí tượng thủy văn nhằm nâng cao năng lực vận hành và phát triển mô hình. Thời gian thực hiện 1 năm.

4. Xây dựng kế hoạch ứng phó thiên tai dựa trên dự báo lượng mưa vụ: Sử dụng kết quả dự báo để lập kế hoạch điều tiết nước hồ chứa, phòng chống lũ lụt và hạn hán, đồng thời hỗ trợ sản xuất nông nghiệp với lịch tưới tiêu hợp lý. Chủ thể là các cơ quan quản lý tài nguyên nước và nông nghiệp, thực hiện liên tục hàng năm.

Đối tượng nên tham khảo luận văn

1. Cơ quan khí tượng thủy văn và quản lý tài nguyên nước: Nghiên cứu cung cấp mô hình dự báo lượng mưa vụ có độ chính xác cao, giúp cải thiện công tác dự báo khí hậu hạn mùa và quản lý nguồn nước hiệu quả.

2. Các nhà nghiên cứu và sinh viên ngành khí tượng thủy văn, tài nguyên nước: Luận văn trình bày chi tiết phương pháp ứng dụng ANFIS trong dự báo khí hậu, là tài liệu tham khảo quý giá cho các nghiên cứu tiếp theo.

3. Ngành nông nghiệp và thủy sản: Kết quả dự báo lượng mưa vụ hỗ trợ lập kế hoạch sản xuất, tưới tiêu, và phòng chống thiên tai, giúp nâng cao năng suất và giảm thiệt hại.

4. Các nhà hoạch định chính sách và quản lý vùng lưu vực sông: Thông tin dự báo chính xác giúp xây dựng các chính sách phát triển bền vững, quản lý rủi ro thiên tai và phát triển kinh tế xã hội vùng lưu vực.

Câu hỏi thường gặp

1. Mô hình ANFIS là gì và tại sao được chọn để dự báo lượng mưa?
   ANFIS là mô hình kết hợp mạng nơ-ron nhân tạo và logic mờ, có khả năng mô hình hóa các quan hệ phi tuyến phức tạp. Mô hình này được chọn vì độ chính xác cao và khả năng xử lý dữ liệu không chắc chắn trong khí hậu, vượt trội hơn các mô hình truyền thống.

2. Phạm vi dữ liệu sử dụng trong nghiên cứu là gì?
   Dữ liệu lượng mưa được thu thập từ các trạm khí tượng trong lưu vực sông Cả từ năm 1975 đến 2017, bao gồm các trạm chính như Vinh, Quy Châu, Tương Dương, Đô Lương, đảm bảo tính đại diện và độ tin cậy cho mô hình.

3. Mô hình ANFIS dự báo lượng mưa cho các khoảng thời gian nào?
   Mô hình được xây dựng để dự báo lượng mưa vụ với các khoảng thời gian 1 tháng, 3 tháng và 6 tháng, phù hợp với nhu cầu quản lý tài nguyên nước và sản xuất nông nghiệp.

4. Hiệu quả dự báo của mô hình ANFIS so với các mô hình khác như thế nào?
   ANFIS cho hệ số tương quan từ 0.75 đến 0.85 và giảm sai số RMSE khoảng 15-20% so với mô hình ARIMA và ANN, thể hiện độ chính xác và tin cậy cao hơn trong dự báo lượng mưa vụ.

5. Làm thế nào để ứng dụng kết quả nghiên cứu vào thực tiễn?
   Kết quả có thể được tích hợp vào hệ thống dự báo khí tượng thủy văn hiện tại, hỗ trợ lập kế hoạch điều tiết nước hồ chứa, phòng chống thiên tai và hỗ trợ sản xuất nông nghiệp, góp phần phát triển kinh tế - xã hội bền vững vùng lưu vực sông Cả.

Kết luận

• Nghiên cứu đã thành công trong việc ứng dụng mô hình ANFIS để dự báo lượng mưa vụ 1 tháng, 3 tháng và 6 tháng cho lưu vực sông Cả với độ chính xác cao, hệ số tương quan đạt 0.75-0.85.
• Đặc trưng lượng mưa trên lưu vực có biến động theo mùa và năm, ảnh hưởng lớn đến quản lý tài nguyên nước và sản xuất nông nghiệp.
• Mô hình ANFIS vượt trội hơn các mô hình thống kê truyền thống về khả năng dự báo lượng mưa vụ, giảm sai số và tăng độ tin cậy.
• Đề xuất triển khai ứng dụng mô hình trong công tác dự báo khí tượng thủy văn, nâng cấp hệ thống quan trắc và đào tạo cán bộ kỹ thuật.
• Các bước tiếp theo bao gồm tích hợp mô hình vào hệ thống dự báo quốc gia, mở rộng nghiên cứu cho các lưu vực khác và phát triển các công cụ hỗ trợ ra quyết định dựa trên dự báo lượng mưa.

Hành động ngay hôm nay để nâng cao hiệu quả quản lý tài nguyên nước và phát triển bền vững vùng lưu vực sông Cả!

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1. Tính cấp thiết của đề tài Lượng mưa là hiện tượng ngẫu nhiên trong tự nhiên do hoàn lưu khí quyển và đại đương gây ra. Dự báo lượng mưa là cực kỳ quan trong trong lĩnh vực Kỳ thuật Tài nguyên nước như quản lý lũ lụt, hạn hán, dòng chảy môi trường, nhu cầu nước của các ảnh khác nhau, duy trì mực nước hồ chứa và thiên tai. Lượng mưa là nguồn cung cấp nước chính, đó là yêu cầu cơ bản trong việc sản xuất nông nghiệp, do đó dự báo mưa rit hữu ích cho việc lên kế hoạch trồng trot phù hợp.

Lượng mưa là một quá trình ngẫu nhiên, lượng mưa phụ thuộc vào các thông số thời tiết như nhiệt độ trung bình, áp suất khí quyển bé mặt, độ ẩm tương đối và tốc độ gió. "Để dự báo mưa han mùa, hiện nay trên Thể giới cũng như Việt Nam thường có hai cách tiếp cận là sử dụng phương pháp thống kê (thống kê truyền thống và downscaling thống kê) và phương pháp mô hình động lực. Nhin chung, phương pháp thống kê truyền thống đã đạt được những kết quả nhất định, nhiều mô hình thống kê có đóng góp chính trong việc đưa ra bản tin dự báo tổng lượng mưa mùa. Phương pháp downscaling thống kê phụ thuộc nhiều vào độ chính xác của.

sản phẩm dự báo từ các Mô hình khí hậu toàn cầu (Global Climate Model GCM), tuy nhiên sai số của các GCM hiện nay vẫn còn khá lớn nên kết qui nhận được theo hướng này cũng còn nhiễu hạn chế. Phương pháp mô hình động lực là hướng nghiên cứu dang rất được quan tâm, nó có những ưu điểm vượt trội về khả năng cung cấp sản phẩm dự báo nhưng độ chính xác cũng chưa đạt được như mong muốn. Dự báo mưa hạn mùa ở Việt Nam hiện mới dừng lại rong phạm vi các mô hình thống kê, mặc dù đã có một số công trình nghiên cứu ứng dụng các mô hình số nhưng chưa có điều kiện đưa vào nghiệp vụ, có thể do một số nguyên nhân như: khả năng tính toán của máy tính, chưa có điều kiện biên ổn định (chưa chủ động được sản phẩm của mô hình toàn cầu). hạn chế về độ chính xác của sản phẩm dự.

Các thông tin dự báo hạn mùa, trong đó có dự báo mưa đã đáp ứng phần nào nhu cầu phục vụ phát triển kinh tế xã hội và đời sống. Tuy nhiên, để ứng dung có hiệu quả thì bản tin dự báo mùa còn có những hạn chế như: (1) Đối tượng dự báo mới giới hạn ở hai yếu tổ là nhiệt độ trung bình và tổng lượng mưa, thiểu thông fin dự báo về các yêu tổ khí hậu quan trọng khác như: nhiệt độ cực trị, lượng mưa lớn nhất, bốc hơi, độ am, số giờ nắng, gi 6, khả năng khô hạn; (2) thông tin dự báo về 3 tháng kề nhau nhiều khi không phù hợp với yêu cầu sản xuất nông nghiệp trong những thời kỳ sinh trưởng quan trọng của cây trồng, nhất là các thông tin dự báo theo từng tháng và dự báo đầu vụ cùng với dự báo 3 tháng để có kế hoạch điều tiết nước và bố trí cơ cấu cây trằng hợp lý ngay từ đầu vụ. Tir những phân tích ở trên cho thấy việc nghiền cứu, ứng dụng những phương pháp dự báo mới để dự báo mưa hạn mùa (tháng, 3 tháng, 6 tháng) với kết quả dự báo đủ tin cậy mang một ý nghĩa lớn trong lĩnh vực Kỹ thuật Tài nguyên nước. Vì thé, trong nghiên cứu này tác giả ứng dụng phương pháp mới trong Tĩnh vực dự báo để nghiên cứu và đề xuất mô hình dự báo mưa hạn mùa phủ hợp, và có độ tin cậy cao cho lưu vực sông Cả.

Mục đích nghiên cứu - Nghiên cứu ứng dung Mạng noron thích nghỉ mở (Adaptive neuro-fuzzy inference system, ANFIS) dé thiết lập các mô hình dự báo lượng mura vụ với các biến đầu vào là lượng mưa vụ trong quá khứ. ~ Nghiên cứu và đề xuất mô hình dự báo lượng mưa vụ (1 tháng, 3 tháng và 6 tháng) phủ hợp cho lưu vực sông Cả. Đối trợng và phạm vi nghiên cứu Đắi tượng nghiên cứu: Tông lượng mưa vụ (vụ Itháng, 3 thang va 6 tháng). "Phạm vi nghiên cứu: Lượng mưa, đặc điểm và xu thé biển đỗi của lượng mưa ở một số vị trí trên lưu vực sông Cả 4, Cách tiếp cận và phương pháp nghiên cứu.

> Cáchtiếp ~ Tiếp cận thực tiễn (Khảo sát thực tế, thu thập số liệu tại vùng nghiên cứu); - Tiếp cận kế thừa có chọn lọc và bổ sung; ~ Tiếp cận các mô hình dự báo tiên tiền dang sử dụng hiện nay trên thé giới. > Phuong pháp nghiên cứu: ~ Phương pháp điều tra, khảo sát, thu thập tài liệu thực tế, tài liệu tham khảo; ~ Phương pháp thống kê, xác suất: Tổng hop, xử lý và phân tích số liệu để đánh giá dién biến lượng mưa của khu vực; - Phương pháp phân tích kế thừa có chọn lọc các mô hình dự báo đã có trên thế giới: ~ Phương pháp mô hình toán, lập trình trên máy tính CHUONG 1: TONG QUAN CÁC NGHIÊN CỨU DỰ BAO LƯỢNG MƯA. VU VA VUNG NGHIÊN CỨU 1. Tổng quan các nghiên cứu về dự báo lượng mưa vụ 1.

Tong quan về tình hình nghiên cứu trên thé giớ. Vige dự báo được mức độ biến động của các yếu tố khí hậu, đặc bi là yếu tổ lượng mưa trong từng mùa, vụ sẽ cho phép thực hiện công tác chỉ đạo sản xt hop lý, ti kiệm được nguồn nước, giảm chỉ phí trong sản xuất, nâng cao năng suất cây trồng. Đó chính là một trong những yêu cầu đối với các nhà nghiên cứu dự báo khí hậu. Trong khí tượng, công tác dự báo nghiệp vụ thường được chia thành 2 loại: dự báo thời tiết và dự báo khí hậu.

Dự báo thời tiết là dự báo trước trang thái của khí quyén tại một địa điểm và thời điểm cụ thé (thời điểm có thể là từng giờ, từng ngày). Dự báo khí hậu là dự báo các đặc trưng về điều kiện khí quyén trong từng khoảng thời gian dai như: tháng, mùa, vụ, năm, thập kỷ, thể kỷ, trong đó, được quan tâm nhiều nhất là dự báo hạn mủa (tháng, mùa, vụ). Dự báo khí hậu hạn mùa khác với dự báo thời tiết không chỉ ở phạm vi thời gian, mục đích mà còn khác cả sản phẩm, cách tiếp cận và phương pháp. thông tin mà nghiên cứu dự báo thời tiết có thể bỏ qua, nhưng nghiên cứu dự báo mùa lại cần phải tính toán rất thận trọng [1].

Do tính tương tác không tuyến tính của các hình thể thời tiết ở quy mô synop nên dự báo thời tiết chỉ có thể dự báo trước được một số ngảy. Theo WMO quy định các dự báo khí tượng có hạn. dự báo nhỏ hơn hoặc bằng 10 ngày được xem là dự báo thời tiết (thời đoạn 10 ngây là cận trên của chu kỳ Synop) và hạn dự báo trong khoảng tháng, mùa, vụ được xem là dự báo mùa [2]. Cho đến nay, có hai cách tiếp cận để dự báo khí hậu mùa là dự báo bằng phương pháp thống kê thực nghiệm và phương pháp động lực.

Mỗi phương pháp đều tên tại những điểm mạnh yếu và có xu hướng bổ sung cho nhau, do vậy các hoạt động dự báo mùa ở nhiều trung tâm thông thường phụ thuộc vào sự tng hợp các thông tin được cung cấp bởi các công cụ dự báo thống kê và mô hình động lực[1]. Phương pháp thống kê thực nghiệm. phụ thuộc vào mối quan hệ giữa yếu tố dự báo với các nhân tố dự báo. Nhân tố 4 dự báo có thể là các quan trắc hiện tại và quá khứ hoặc các trường tái phân tích khí quyển, đại đương (SST, SOI, MET.) hoặc cũng có thể là các trường dự báo của các mô hình khí hậu toàn cầu (hạ thắp qui mô thống kế - Statistical Downscaling).

Mỗi quan hệ giữa yếu tổ dự báo với các nhân tổ dự báo được xây, dựng dựa trên các tập số liệu lich sử va gia thiết rằng mỗi quan hệ đó vẫn duy trì trong tương lai. Các công cụ phân tích thống kê khác nhau như: phân tích tương quan, hồi quy, xác suất có điều kiện, hàm phân biệt, phân tích chuỗi thời gian .được sử dụng nhằm nắm bắt được tính chat vật lý va các quá trình động lực trong hệ thống khí hậu. Ưu điểm của cách tiếp cận này đó là quá trình tính toán trong các mô hình không cin công hiệu máy tính lớn, đơn giản, dễ áp dụng trong thực tiễn, kết quả dự báo mang tính khách quan, tuân theo một quy tắc nhất định. Ban đầu, hướng tiếp cận này không thực sự thành công, nhưng với sự gia tăng hiểu biết về hiện tượng ENSO vàcác hình thé thời tiết khác đã giúp.

cho phương pháp này đáng tin cây hon [I]. Tuy nhiên, cách cận này tổ tại một số điểm như: chỉ đơn thuần dựa vào mối quan hệ tuyết tính, không biểu diễn trực tiếp quan hệ vật lý giữa nhân tố dự báo và yếu tố dự báo, các điều kiện khí hậu chưa từng xảy ra không được xét đến trong quá trình dự báo, và kết quả dự báo phụ thuộc nhiều vào độ dài chuỗi số liệu. Phương pháp động lực là hướng nghiên cứu mô phỏng khí hậu bằng mô hình. Đổ biểu các quan hệ vật lý giữa các yếu tố, người ta xây dựng các mô hình số dựa trên mối tương tác vật lý của sự chuyển động.

Phát triển sớm nhất của loại mô hình nảy là mô hình hoàn lưu chung khí quyển (AGCM), sau đó, do sự ảnh hưởng quan trong củ: dương đối với hệ thống khí hậu nên đã lồng ghép mô hình hoàn lưu chung đại đương (OGCM) với mô hình hoàn lưu chung khi quyển dé tạo thành hệ thống mô hình kết hợp (couple) đại dương khí quyền (AOGCM). Mặt khác, do nhu cầu sử dụng thông tin dự báo với độ phân giải không gian cao, các nhà khoa học đã đưa ra các mô hình khí hậu khu vực (RCM), mô hình RCM được xây dựng theo nguyên tắc RCM được lồng vào một GCM nào đó. Phương pháp lồng ghép RCM vào AOGCM thường được gọi là hạ thấp qui mô động lực 5 (Dynamical Downscaling). Hiện nay, các mô hình hoàn lưu chung khí quyển đại đương và các mô hình khí hậu khu vực là công cụ chủ yêu được sử dụng để xác định sự biến động khí hậu trong quá khứ và dự báo khí hậu cho tương lai Nếu kết quả đầu ra của mô hình có sai số hệ thống, nó sẽ thực hiện thêm quá trình thống kê sản phẩm mô hình (MOS) dé đạt được kết quả đầu ra tốt hơn.

Ngoài ra, một số các trung tâm lớn như Trung tâm dự báo thời tiết hạn vừa châu.