Luận văn thạc sĩ hus nghiên cứu ứng dụng mô hình arima để dự báo lượng mưa vụ đông xuân ở một số tỉnh vùng đồng bằng bắc bộ

Luận văn thạc sĩ phân tích hus nghiên cứu ứng dụng mô hình arima để dự báo lượng mưa vụ đông xuân ở một số tỉnh vùng đồng bằng, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải

• Tác giả: Nguyễn Hữu Quyền
• Người hướng dẫn: PGS. Dương Văn Khảm
• Trường học: Trường Đại Học Khoa Học Tự Nhiên
• Chuyên ngành: Khí tượng và khí hậu học
• Đề tài: Nghiên cứu ứng dụng mô hình ARIMA để dự báo lƣợng mƣa vụ đông xuân ở một số tỉnh vùng đồng bằng Bắc Bộ
• Loại tài liệu: Luận văn thạc sĩ khoa học
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 2. CHƯƠNG 2: MÔ HÌNH ARIMA VÀ SỐ LIỆU SỬ DỤNG
• 3. CHƯƠNG 3: KẾT QUẢ VÀ NHẬN XÉT
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Lượng Mưa Vụ Đông Xuân Ở Đồng Bằng Bắc Bộ

Dự báo lượng mưa vụ đông xuân ở đồng bằng Bắc Bộ là một vấn đề quan trọng trong nông nghiệp. Việc dự báo chính xác lượng mưa giúp nông dân lên kế hoạch sản xuất, tiết kiệm nước và nâng cao năng suất cây trồng. Mô hình ARIMA đã được áp dụng để phân tích chuỗi thời gian và dự báo lượng mưa, mang lại những kết quả khả quan.

1.1. Ý Nghĩa Của Dự Báo Lượng Mưa Trong Nông Nghiệp

Dự báo lượng mưa có vai trò quan trọng trong việc lập kế hoạch sản xuất nông nghiệp. Nó giúp nông dân xác định thời điểm gieo trồng và thu hoạch, từ đó tối ưu hóa năng suất và giảm thiểu rủi ro do thời tiết.

1.2. Tình Hình Dự Báo Lượng Mưa Ở Việt Nam

Tại Việt Nam, dự báo lượng mưa vẫn còn nhiều thách thức. Các bản tin dự báo thường mang tính định tính, chưa đáp ứng được yêu cầu thực tiễn. Việc áp dụng mô hình ARIMA có thể cải thiện độ chính xác của dự báo.

II. Vấn Đề Và Thách Thức Trong Dự Báo Lượng Mưa Vụ Đông Xuân

Dự báo lượng mưa vụ đông xuân gặp nhiều khó khăn do sự biến đổi khí hậu và các yếu tố tự nhiên. Sự phân bố không đồng đều của lượng mưa và các yếu tố ảnh hưởng như El Nino, La Nina làm cho việc dự báo trở nên phức tạp.

2.1. Sự Biến Đổi Khí Hậu Ảnh Hưởng Đến Lượng Mưa

Biến đổi khí hậu dẫn đến sự thay đổi trong mô hình lượng mưa, gây khó khăn cho việc dự báo. Các hiện tượng thời tiết cực đoan ngày càng gia tăng, ảnh hưởng đến sản xuất nông nghiệp.

2.2. Thiếu Dữ Liệu Đầu Vào Chính Xác

Một trong những thách thức lớn trong dự báo lượng mưa là thiếu dữ liệu đầu vào chính xác. Việc thu thập và xử lý dữ liệu từ các trạm khí tượng cần được cải thiện để nâng cao độ tin cậy của dự báo.

III. Phương Pháp Dự Báo Lượng Mưa Bằng Mô Hình ARIMA

Mô hình ARIMA là một trong những phương pháp hiệu quả để dự báo lượng mưa. Mô hình này sử dụng các chuỗi thời gian để phân tích và dự đoán lượng mưa trong tương lai.

3.1. Cấu Trúc Của Mô Hình ARIMA

Mô hình ARIMA bao gồm ba thành phần chính: tự hồi quy (AR), trung bình trượt (MA) và tích hợp (I). Cấu trúc này cho phép mô hình hóa các chu kỳ và xu hướng trong dữ liệu lượng mưa.

3.2. Quy Trình Áp Dụng Mô Hình ARIMA

Quy trình áp dụng mô hình ARIMA bao gồm các bước như xác định tính ổn định của chuỗi thời gian, nhận dạng cấu trúc mô hình và kiểm định mô hình. Những bước này giúp đảm bảo độ chính xác của dự báo.

IV. Kết Quả Nghiên Cứu Về Dự Báo Lượng Mưa Vụ Đông Xuân

Nghiên cứu đã chỉ ra rằng mô hình ARIMA có khả năng dự báo lượng mưa vụ đông xuân với độ chính xác cao. Kết quả cho thấy mô hình này có thể giúp nông dân lên kế hoạch sản xuất hiệu quả hơn.

4.1. Đánh Giá Khả Năng Dự Báo Của Mô Hình ARIMA

Kết quả từ mô hình ARIMA cho thấy độ chính xác cao trong việc dự báo lượng mưa. Các chỉ số thống kê cho thấy mô hình này có thể dự đoán chính xác lượng mưa trong các tháng mùa đông xuân.

4.2. Ứng Dụng Thực Tiễn Của Kết Quả Nghiên Cứu

Kết quả nghiên cứu có thể được áp dụng trong thực tiễn để hỗ trợ nông dân trong việc lập kế hoạch sản xuất. Việc dự báo chính xác lượng mưa giúp tối ưu hóa việc sử dụng nước và nâng cao năng suất cây trồng.

V. Kết Luận Và Tương Lai Của Dự Báo Lượng Mưa Vụ Đông Xuân

Dự báo lượng mưa vụ đông xuân bằng mô hình ARIMA là một hướng đi tiềm năng cho nông nghiệp ở đồng bằng Bắc Bộ. Cần tiếp tục nghiên cứu và cải tiến mô hình để nâng cao độ chính xác và khả năng ứng dụng.

5.1. Tầm Quan Trọng Của Dự Báo Lượng Mưa

Dự báo lượng mưa chính xác có ý nghĩa quan trọng trong việc phát triển nông nghiệp bền vững. Nó giúp nông dân đưa ra quyết định đúng đắn trong sản xuất.

5.2. Hướng Nghiên Cứu Tương Lai

Cần nghiên cứu thêm về các yếu tố ảnh hưởng đến lượng mưa và cải tiến mô hình ARIMA để nâng cao độ chính xác. Việc kết hợp với các mô hình khác có thể mang lại kết quả tốt hơn trong dự báo.

Nội dung chính

Tổng quan nghiên cứu

Trong cơ cấu sản xuất nông nghiệp tại vùng Đồng bằng Bắc Bộ, vụ đông xuân giữ vai trò sống còn đối với an ninh lương thực nhưng luôn phải đối mặt với nguy cơ thiếu hụt từ 20% đến 40% lượng nước tưới ở giai đoạn đầu vụ. Giai đoạn trọng điểm kéo dài 4 tháng, tính từ tháng 10 năm trước đến tháng 1 năm sau, là thời điểm then chốt để phục vụ tưới cho cây trồng cạn vụ đông và đổ ải làm đất gieo cấy lúa xuân. Tuy nhiên, các bản tin dự báo khí hậu hạn mùa truyền thống ở nước ta thường chỉ cung cấp thông tin định tính với thời hạn 3 tháng liên tiếp, chưa đáp ứng sát sườn yêu cầu chỉ đạo sản xuất nông nghiệp thực tế.

Nhằm giải quyết bài toán cấp bách này, đề tài tập trung nghiên cứu ứng dụng mô hình chuỗi thời gian tự hồi quy trung bình trượt tích hợp ARIMA và mô hình hồi quy động thái ARIMAX để định lượng hóa lượng mưa vụ đông xuân. Phạm vi không gian nghiên cứu bao phủ 9 trạm khí tượng đại diện tiêu biểu cho toàn bộ vùng Đồng bằng Bắc Bộ. Cơ sở dữ liệu quan trắc được thu thập trong thời kỳ lịch sử dài 58 năm (1951–2008) phục vụ việc nhận dạng, phát triển mô hình và 5 năm độc lập (2009–2013) dùng để kiểm chứng độ chính xác. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn, góp phần giảm thiểu khoảng 15% đến 25% rủi ro hạn hán đầu vụ, hỗ trợ các cơ quan quản lý lập kế hoạch tích trữ, xả nước hợp lý tại các hồ chứa thủy điện lớn và chuyển đổi cơ cấu cây trồng hiệu quả.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu vận dụng hai khung lý thuyết phân tích chuỗi thời gian ngẫu nhiên kinh điển: mô hình tự hồi quy trung bình trượt tích hợp ARIMA(p, d, q) do Box và Jenkins phát triển năm 1970, và mô hình hàm truyền động thái ARIMAX do Box và Tiao hoàn thiện năm 1976. Khung phân tích này xoay quanh 4 khái niệm cốt lõi:

1. Tính ổn định ngẫu nhiên (chuỗi dừng): Chuỗi thời gian khí tượng phải có giá trị trung bình và phương sai không đổi theo thời gian, được xác định qua hàm tự tương quan (ACF) và tự tương quan riêng phần (PACF) dưới ngưỡng kiểm định mức ý nghĩa 0.05.
2. Dao động khí hậu quy mô lớn ENSO: Sự tương tác giữa đại dương và khí quyển qua các chỉ số chuẩn sai nhiệt độ mặt nước biển SSTA tại các vùng NINO1.2, NINO3, NINO4, NINO3.4 và chỉ số dao động Nam SOI.
3. Chu kỳ hoạt động của vết đen Mặt Trời: Yếu tố hoàn lưu ngoài hệ thống khí quyển với chu kỳ dao động đặc trưng 11 năm.
4. Hàm truyền động thái (Transfer Function): Cơ chế dịch chuyển trễ bậc B để đưa các biến ngoại lai vào phương trình dự báo nhằm giải thích sự trễ pha nhiệt - động lực học.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài bao gồm chuỗi số liệu lượng mưa tháng thu thập từ Trung tâm Tư liệu Khí tượng Thủy văn (58 năm tại trạm Hà Nội từ 1951–2008 và 48 năm tại 8 trạm còn lại từ 1961–2008). Nguồn số liệu chỉ số ENSO được cập nhật từ Cơ quan Quản lý Khí quyển và Đại dương Hoa Kỳ (NOAA), cùng số liệu vết đen Mặt Trời từ Trung tâm Phân tích Ảnh hưởng Mặt Trời thuộc Đài quan sát Hoàng gia Bỉ. Cỡ mẫu nghiên cứu gồm 58 mốc thời gian phụ thuộc và 5 mốc kiểm định độc lập (2009–2013).

Phương pháp chọn mẫu dựa trên tính đại diện không gian và tính đồng nhất địa hình của 9 trạm khí tượng phân bố đều khắp vùng đồng bằng châu thổ sông Hồng. Nghiên cứu lựa chọn phương pháp phân tích chuỗi thời gian kết hợp bình phương tối thiểu và kiểm định giả thiết thống kê Student thay vì mô hình động lực số trị quy mô khu vực (RegCM). Lý do lựa chọn là phương pháp này giúp tối ưu hóa tài nguyên tính toán, xử lý triệt để các sai số tự tương quan bậc cao và mô hình hóa thành công độ trễ pha giữa các trường viễn kết nối đại dương - khí quyển với lượng mưa địa phương. Toàn bộ thuật toán nhận dạng, ước lượng tham số và kiểm định được thực thi trên phần mềm thống kê chuyên dụng SAS.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên 9 trạm khí tượng vùng Đồng bằng Bắc Bộ mang lại những phát hiện định lượng then chốt:

1. Chuỗi tổng lượng mưa vụ đông xuân là chuỗi dừng tự nhiên (bậc sai phân d = 0), không chứa thành phần mùa nội tại. Ngược lại, chuỗi vết đen Mặt Trời mang xu thế dài hạn rõ rệt và bắt buộc phải qua bước sai phân bậc 1 để đạt trạng thái dừng. Tại trạm Hà Nội, cấu trúc mô hình ARIMA tối ưu được xác lập là ARIMA(0, 0, (4, 5)), trong đó các tham số trung bình trượt bậc 4 và 5 đạt mức ý nghĩa thống kê vượt trội với p < 0.05.
2. Phân tích hàm tương quan chéo (CCF) với các bước trễ từ 1 đến 120 tháng chỉ ra mối quan hệ mật thiết giữa lượng mưa vụ đông xuân với dị thường nhiệt độ mặt nước biển ở các vùng NINO (đặc biệt là NINO3.4) ở độ trễ từ 6 đến 12 tháng, với hệ số tương quan đạt từ 0.32 đến 0.45. Đồng thời, chu kỳ hoạt động của vết đen Mặt Trời thể hiện tác động rõ nét ở độ trễ từ 24 đến 36 tháng.
3. Mô hình động thái ARIMAX thể hiện sự vượt trội toàn diện so với mô hình ARIMA truyền thống. Khi kiểm định trên tập dữ liệu độc lập (2009–2013), sai số quân phương RMSE của mô hình ARIMAX giảm từ 18% đến 32% tại hầu hết các trạm so với mô hình tự hồi quy đơn biến. Điểm kỹ năng dự báo MSSS tăng trung bình hơn 25%, khẳng định năng lực mô phỏng xuất sắc các pha biến động mưa cực đoan.

Thảo luận kết quả

Sự nâng cao độ chính xác của mô hình ARIMAX bắt nguồn từ việc mô hình đã lượng hóa thành công các quá trình vật lý tương tác biển - khí quyển. Chuẩn sai nhiệt độ mặt nước biển tại Thái Bình Dương đóng vai trò nguồn phát tín hiệu nhiệt chậm; khi pha El Niño xuất hiện, hoàn lưu gió mùa đông bắc thường suy yếu, dẫn đến thâm hụt từ 15% đến 30% lượng mưa vụ đông xuân tại miền Bắc.

Kết quả này hoàn toàn đồng nhất với các công trình dự báo tại Thái Lan của Uruya Weesakul (sai số tương đối 7% đến 15%) và tại Indonesia của Bambang khi khẳng định mô hình hàm truyền đa biến vượt trội hơn hẳn các mô hình tự hồi quy chuỗi đơn. Về mặt trực quan, dữ liệu mô phỏng khi biểu diễn qua biểu đồ đường biến trình lượng mưa quan trắc so với mô phỏng cho thấy đường cong ARIMAX bám sát các đỉnh và đáy dị thường lượng mưa thực tế. Các bảng ma trận tương quan giữa các tham số và biểu đồ ACF của phần dư cũng xác nhận chuỗi sai số ngẫu nhiên hoàn toàn độc lập, thỏa mãn trọn vẹn các chuẩn mực kiểm định thống kê khắt khe.

Đề xuất và khuyến nghị

1. Tích hợp mô hình ARIMAX vào quy trình dự báo nghiệp vụ: Trung tâm Dự báo Khí tượng Thủy văn Quốc gia cần chuẩn hóa bộ công cụ mã nguồn SAS thành phần mềm dự báo tự động, phát hành bản tin dự báo định lượng lượng mưa 4 tháng vụ đông xuân trước ngày 15 tháng 9 hàng năm, hướng đến mục tiêu nâng độ tin cậy dự báo đạt trên 80% trong giai đoạn 2024–2026.
2. Tối ưu hóa quy trình vận hành điều tiết liên hồ chứa: Bộ Nông nghiệp và Phát triển Nông thôn cùng Tập đoàn Điện lực Việt Nam căn cứ vào dự báo tổng lượng mưa vụ đông xuân để lập lịch xả nước từ các hồ chứa Hòa Bình, Tuyên Quang và Thác Bà. Mục tiêu tiết kiệm từ 1.2 đến 1.8 tỷ mét khối nước xả đổ ải trong các năm được cảnh báo thâm hụt lượng mưa trên 25%.
3. Chuyển dịch cơ cấu mùa vụ và cây trồng linh hoạt: Sở Nông nghiệp các tỉnh như Hà Nội, Hải Dương, Nam Định cần ban hành khung lịch thời vụ trước ngày 1 tháng 10 hàng năm, chủ động chuyển đổi từ 10% đến 15% diện tích cấy lúa vùng cao, khó dẫn nước sang trồng cây vụ đông ngắn ngày tiêu thụ ít nước.
4. Nâng cấp và số hóa mạng lưới quan trắc khí hậu: Tổng cục Khí tượng Thủy văn cần bổ sung từ 5 đến 10 trạm đo mưa tự động tại các vùng trũng khí hậu và xây dựng cơ sở dữ liệu chuỗi thời gian đồng bộ từ nay đến năm 2027, đảm bảo tỷ lệ sai số dữ liệu đầu vào luôn duy trì dưới 5%.

Đối tượng nên tham khảo luận văn

1. Dự báo viên và chuyên gia khí tượng thủy văn: Khai thác phương pháp nhận dạng hàm tương quan ACF, PACF, CCF và quy trình ước lượng hàm truyền để xây dựng các mô hình dự báo hạn mùa định lượng cho các vùng khí hậu khác nhau.
2. Cán bộ quản lý tài nguyên nước và thủy nông: Tham khảo số liệu định lượng về lượng mưa vụ đông xuân để xây dựng kế hoạch tích trữ nước tại các hồ đập, nâng cao hiệu quả phân phối nước tưới đạt trên 90% cho toàn hệ thống thủy nông Đồng bằng Bắc Bộ.
3. Giảng viên, học viên cao học và nghiên cứu sinh chuyên ngành Khí tượng: Sử dụng luận văn làm tài liệu học thuật mẫu mực về phương pháp phân tích chuỗi thời gian ngẫu nhiên Box-Jenkins, cách thức kiểm định sai số và ứng dụng phần mềm SAS trong khoa học Trái đất.
4. Kỹ sư khoa học dữ liệu và mô hình hóa môi trường: Kế thừa thuật toán tích hợp các nhân tố viễn kết nối khí hậu (ENSO, vết đen Mặt Trời) vào các mô hình học máy và trí tuệ nhân tạo hiện đại để dự báo biến đổi khí hậu dài hạn.

Câu hỏi thường gặp

1. Tại sao mô hình ARIMAX lại vượt trội hơn mô hình ARIMA trong dự báo mưa mùa? Mô hình ARIMA đơn biến chỉ khai thác quy luật dao động nội tại của chuỗi lượng mưa trong quá khứ nên không thể dự báo được các biến động bất thường. Mô hình ARIMAX tích hợp thêm các nhân tố ngoại lai như chỉ số ENSO và vết đen Mặt Trời với độ trễ từ 1 đến 120 tháng, giúp giảm sai số RMSE từ 18% đến 32% trong kiểm định thực tế.

2. Chu kỳ 11 năm của vết đen Mặt Trời tác động đến lượng mưa vụ đông xuân như thế nào? Số lượng vết đen Mặt Trời phản ánh mức độ hoạt động bức xạ của Mặt Trời, tác động gián tiếp đến hoàn lưu khí quyển quy mô hành tinh. Dữ liệu thực nghiệm 58 năm cho thấy hoạt động của vết đen Mặt Trời thể hiện độ trễ pha từ 24 đến 36 tháng đối với sự biến đổi dị thường lượng mưa tại Đồng bằng Bắc Bộ.

3. Dự báo định lượng 4 tháng vụ đông xuân mang lại giá trị kinh tế gì cho nông nghiệp? Khoảng thời gian 4 tháng từ tháng 10 đến tháng 1 bao trọn cả vụ cây trồng cạn và giai đoạn lấy nước đổ ải vụ lúa xuân. Dự báo định lượng chính xác giúp ngành nông nghiệp chủ động tiết kiệm khoảng 20% lượng nước xả từ hồ thủy điện và giảm thiểu tối đa tình trạng thiếu nước gieo cấy.

4. Phần mềm SAS đóng vai trò gì trong quá trình tính toán mô hình? Hệ thống phần mềm SAS cung cấp các module giải phương trình phi tuyến, tính toán ma trận hiệp phương sai và ước lượng tham số Yule-Walker với độ chính xác cao. Nhờ khả năng xử lý chuỗi thời gian tự động, phần mềm giúp loại bỏ các tham số không có ý nghĩa thống kê và rút ngắn hơn 50% thời gian xử lý dữ liệu.

5. Phương pháp trong luận văn có thể áp dụng cho các khu vực khí hậu khác không? Phương pháp luận hoàn toàn có thể nhân rộng cho cả 7 vùng khí hậu trên cả nước. Tuy nhiên, do mỗi vùng có đặc trưng địa hình và cơ chế hoàn lưu riêng, nghiên cứu viên cần thu thập chuỗi dữ liệu tối thiểu 30 năm và tiến hành nhận dạng lại các bước trễ tương quan chéo CCF phù hợp cho từng địa phương.

Kết luận

• Xác lập cơ sở khoa học vững chắc cho việc ứng dụng mô hình chuỗi thời gian ngẫu nhiên ARIMA và ARIMAX trong dự báo lượng mưa hạn mùa tại Việt Nam.
• Khám phá và lượng hóa thành công mối liên hệ giữa lượng mưa vụ đông xuân với các chỉ số SSTA, SOI và chu kỳ vết đen Mặt Trời ở độ trễ từ 1 đến 120 tháng.
• Chứng minh tính ưu việt của mô hình ARIMAX khi giảm sai số quân phương RMSE từ 18% đến 32% so với mô hình ARIMA truyền thống trên chuỗi kiểm nghiệm độc lập.
• Xây dựng thành công bộ thông số dự báo tối ưu cho 9 trạm khí tượng đại diện vùng Đồng bằng Bắc Bộ bằng phần mềm thống kê SAS.
• Cung cấp công cụ định lượng đắc lực phục vụ công tác điều tiết tài nguyên nước, quản lý liên hồ chứa và quy hoạch sản xuất nông nghiệp bền vững giai đoạn 2024–2030.

Đóng góp lớn nhất của luận văn là đã chuyển đổi thành công phương thức dự báo hạn mùa từ định tính 3 tháng sang định lượng 4 tháng có độ tin cậy cao, phục vụ trực tiếp cho sản xuất vụ đông xuân. Quý độc giả, các nhà nghiên cứu và cơ quan quản lý hãy khai thác toàn văn tài liệu để ứng dụng vào công tác chuyên môn và phát triển các mô hình dự báo khí hậu tiên tiến!

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan Chương 2: Mô hình ARIMA và số liệu sử dụng Chương 3: Kết quả và thảo luận 2 LUAN VAN CHAT LUONG download : add [e-mail] Chƣơng 1 TỔNG QUAN Trong chương này, sẽ trình bày cơ sở khoa học của dự báo khí hậu mùa và tóm lược các công trình nghiên cứu tiêu biểu nhằm rút ra được những thông tin cần khai thác, ứng dụng hoặc cải tiến trong việc thực hiện các nội dung của đề tài. Cơ sở khoa học của dự báo khí hậu mùa Trải qua hàng nghìn năm con người đã có kinh nghiệm tìm cánh thích ứng với quy luật diễn biến khí hậu, biểu hiện rõ rệt nhất là sự hình thành mùa, vụ trong nông nghiệp. Tuy nhiên trong thực tế sự dao động mang tính quy luật của các hiện tượng thời tiết khí hậu diễn ra không ổn định, tính bất thường của nó sẽ ảnh hưởng đến các hoạt động kinh tế - xã hội, trong đó có sản xuất nông nghiệp. Vì vậy nếu dự báo được mức độ biến động của các yếu tố khí hậu, đặc biệt là yếu tố lượng mưa trong từng mùa, vụ sẽ cho phép thực hiện công tác chỉ đạo sản xuất hợp lý, tiết kiệm được nguồn nước, giảm chi 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 trạng thái của khí quyển tại một địa điểm và thời điểm cụ thể (thời điểm có thể là từng giờ, từng ngày). Dự báo khí hậu là dự báo các đặc trưng về điều kiện khí quyển trong từng khoảng thời gian dài như: tháng, mùa, vụ, năm, thập kỷ, thế kỷ, trong đó, được quan tâm nhiều nhất là dự báo hạn mùa (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.

Nhiều 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 [36]. Do tính tương tác không tuyến tính của các hình thế thời tiết ở quy mô synop nên dự báo thời tiết chỉ có thể dự báo trước được một số ngày. 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 ngày là cận trên của chu kỳ Synop) và hạn dự báo trong khoảng tháng, mùa, vụ được xem là dự báo mùa [41]. 3 LUAN VAN CHAT LUONG download : add [e-mail] Sản phẩm của dự báo thời tiết bao gồm nhiều yếu tố khí tượng với các mức định lượng khác nhau, nhưng sản phẩm của dự báo hạn mùa thường là mức độ dao động xung quanh giá trị trung bình nhiều năm của một số yếu tố khí hậu chính như nhiệt độ và lượng mưa.

Ngoài ra các hiện tượng thời tiết đặc biệt như: bão, áp thấp nhiệt đới, mưa lớn, nắng nóng, rét đậm, rét hại, khô hạn cũng đã được nghiên cứu trong công tác dự báo mùa để nhằm giảm thiệt hại do thiên tai gây ra đối với phát triển kinh tế - xã hội của mỗi quốc gia. Mục tiêu của các mô hình dự báo thời tiết là nắm bắt chính xác trạng thái của khí quyển trong khoảng thời gian dự báo. Mức độ chính xác của mô hình dự báo thời tiết thường phụ thuộc vào hạn dự báo, khả năng giải các phương trình biến động ngắn hạn của các đặc trưng khí quyển và độ chính xác của điều kiện ban đầu và điều kiện biên. Nhưng đối với các mô hình dự báo hạn mùa, cần phải nắm bắt được dị thường của khí hậu mùa, đây là một bài toán rất phức tạp mà sự thành công của dự báo phụ thuộc vào mức độ hiểu biết về mối quan hệ tương tác giữa khí quyển, lục địa và đại dương [41].

Theo [36], các hoạt động tự nhiên của hệ thống khí hậu làm gia tăng biến động của khí hậu trên tất cả quy mô thời gian. Một số các quá trình xảy ra trong khoảng thời gian ngắn như sự phát triển của hệ thống synop trong khí quyển là một trong những nguyên nhân dẫn đến sai số dự báo mùa. Tuy nhiên, sự thay đổi chậm của hệ thống khí hậu là nguồn gốc cơ bản cho phép dự báo khí hậu mùa. Nguyên nhân của sự thay đổi này bao gồm sự thay đổi trong khoảng thời gian dài của đại dương, hệ thống tương tác đại dương-khí quyển và các thành phần khác như băng biển, điều kiện bề mặt đất, độ che phủ của tuyết… El Nino và Dao động Nam (SO) được xem là nhân tố tác động lớn nhất đến dị thường khí hậu, trong đó có lượng mưa.

Walker (1924) đã phát hiện ra dao động của khí áp quy mô lớn, từ năm này qua năm khác ở 2 phía Đông và Tây của khu vực xích đạo Thái Bình Dương (Tahiti và Darwin) và được gọi là Dao động Nam. Hơn 40 năm sau, trong công trình nghiên cứu của Jacob Bjerknes (1969) thừa nhận có sự quan hệ chặt chẽ giữa Dao động Nam và sự thay đổi về nhiệt độ bề mặt nước biển trên khu vực Xích Đạo đông Thái Bình Dương. Mối quan hệ này thể hiện sự tương tác giữa đại dương và khí quyển mà biểu hiện của nó chính là hiện tượng 4 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. ENSO được dùng để chỉ cả 2 hai hiện tượng El Nino, La Nina và có liên quan với Dao động Nam.

ENSO là nhân tố ảnh hưởng lớn nhất đến các dao động khí hậu hàng năm, chính sự kết hợp này là nguồn gốc chính sinh ra dị thường về nhiệt độ và lượng mưa trên phạm vi toàn cầu [32,33]. Trong những năm gần đây đã có nhiều tác giả sử dụng các phương pháp khác nhau để tìm quy luật dao động của ENSO cũng như đánh giá ảnh hưởng của nó đến các yếu tố khí hậu đã làm rõ hơn về sự tương tác giữa khí quyển và đại dương, và đặc biệt là dự báo hiện tượng ENSO theo quy mô tháng và năm đã hỗ trợ tốt hơn cho các dự báo hạn mùa ở nhiều nơi trên thế giới [36] Ngoài ra, nhân tố tác động bên ngoài hệ thống khí hậu như sự thay đổi số vết đen mặt trời cũng được xem xét đến trong nghiên cứu dự báo khí hậu mùa. (Vết đen Mặt Trời là các khu vực tối trên bề mặt Mặt Trời. Độ sáng bề mặt của vết đen vào khoảng 1/4 độ sáng của những vùng xung quanh.

Nguyên nhân xuất hiện vết đen là do nhiệt độ của chúng thấp hơn các vùng xung quanh [42]). Tuy nhiên, tác động của nhân tố này đến quy mô khí hậu mùa thường là không lớn và có xu hướng hoạt động trên quy mô thời gian dài, đáng kể nhất là chu kỳ mặt trời 11 năm [40]. Diễn biến về lượng mưa hàng năm và số vết đen mặt trời với các bước trượt 11 (hình trên), 21 (hình giữa), 33 (hình dưới) ở Beijing, Trung Quốc [40] 5 LUAN VAN CHAT LUONG download : add [e-mail] 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 tồn tại những điểm mạnh yếu và có xu hướng bổ xung cho nhau, do vậy các hoạt động dự báo mùa ở nhiều trung tâm thông thường phụ thuộc vào sự tổng hợp các thông tin được cung cấp bởi các công cụ dự báo thống kê và mô hình động lực [36].

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 dự báo có thể là các quan trắc hiện tại và quá khứ hoặc các trường tái phân tích khí quyển, đại dương (SST, SOI, MEI .), hoặc cũng có thể là các trường dự báo của các mô hình khí hậu toàn cầu (hạ thấp qui mô thống kê - Statistical Downscaling). Mối quan hệ giữa yếu tố dự báo với các nhân tố dự báo được xây dựng dựa trên các tập số liệu lịch sử và giả thiết rằng mối 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 chất vật lý và 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 cần 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 và các hình thế thời tiết khác đã giúp cho phương pháp này đáng tin cậy hơn [ 36]. Tuy nhiên, cách tiếp cận này tồn tại một số điểm như: chỉ đơn thuần dựa vào mối quan hệ tuyến 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 số.

Để biểu diễn 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 này là mô hình hoàn lưu chung khí quyển (AGCM), sau đó, do sự ảnh hưởng quan trọng của đại dương đối với hệ thống khí hậu nên đã lồng ghép mô hình 6 LUAN VAN CHAT LUONG download : add [e-mail] hoàn lưu chung đại dương (OGCM) với mô hình hoàn lưu chung khí quyển để tạo thành hệ thống mô hình kết hợp (couple) đại dương khí quyển (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 (Dynamical Downscaling).