Luận án tiến sĩ hus nghiên cứu ứng dụng phương pháp thống kê sau mô hình tổ hợp emos vào dự báo nhiệt độ và điểm sương bề mặt ở việt nam

Luận án tiến sĩ nghiên cứu hus nghiên cứu ứng dụng phương pháp thống kê sau mô hình tổ hợp emos vào dự báo nhiệt độ và điểm, phát triển phương pháp mới, đánh giá hiệu quả ứng dụng

• Tác giả: Võ Văn Hòa
• Người hướng dẫn: Bùi Minh Tăng
• Trường học: Trường Đại học Khoa học Tự nhiên
• Chuyên ngành: Khí tượng và khí hậu học
• Đề tài: Nghiên cứu ứng dụng phương pháp thống kê sau mô hình tổ hợp (EMOS) vào dự báo nhiệt độ và điểm sương bề mặt ở Việt Nam
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cam đoan
• 1. TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NGHIÊN CỨU HIỆU CHỈNH THỐNG KÊ CHO DỰ BÁO TỔ HỢP
• 1.1. Khái niệm và vai trò của dự báo tổ hợp
• 1.2. Sự cần thiết phải hiệu chỉnh dự báo tổ hợp
• 1.3. Tổng quan các nghiên cứu hiệu chỉnh thống kê cho dự báo tổ hợp
• 2. MÔ TẢ SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Đặt bài toán
• 2.2. Nghiên cứu lựa chọn và ứng dụng các phương pháp thống kê để nâng cao chất lượng dự báo trung bình tổ hợp và xác suất từ hệ thống SREPS
• 2.3. Các phương pháp thống kê tác động đến dự báo trung bình tổ hợp
• 2.4. Các phương pháp thống kê tác động đến cả dự báo trung bình tổ hợp và dự báo xác suất
• 2.5. Ứng dụng các phương pháp EMOS cho hệ thống SREPS. Mô tả tập số liệu nghiên cứu
• 2.6. Phương pháp xử lý số liệu
• 2.7. Phương pháp đánh giá
• 2.8. Các chỉ số đánh giá chất lượng dự báo trung bình tổ hợp
• 2.9. Các chỉ số đánh giá chất lượng dự báo xác suất
• 3. KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Đánh giá khả năng khử sai số hệ thống
• 3.2. Đánh giá khả năng cải thiện chất lượng dự báo trung bình tổ hợp
• 3.2.1. Yếu tố nhiệt độ không khí
• 3.2.2. Yếu tố nhiệt độ điểm sương
• 3.2.3. Yếu tố nhiệt độ tối cao ngày
• 3.2.4. Yếu tố nhiệt độ tối thấp ngày
• 3.2.5. Nhận định chung
• 3.3. Đánh giá khả năng cải thiện chất lượng dự báo xác suất
• 3.3.1. Yếu tố nhiệt độ không khí
• 3.3.2. Yếu tố nhiệt độ điểm sương
• 3.3.3. Yếu tố nhiệt độ tối cao ngày
• 3.3.4. Yếu tố nhiệt độ tối thấp ngày
• 3.3.5. Nhận định chung
• 3.4. Xây dựng qui trình dự báo nghiệp vụ và đánh giá kết quả thử nghiệm nghiệp vụ từ năm 2011-2013
• 3.5. Xây dựng qui trình dự báo nghiệp vụ cho hệ thống EMOS dựa trên phương pháp NGR_EM
• 3.6. Kết quả đánh giá thử nghiệm nghiệp vụ từ năm 2011 đến 2013
• 4. KIẾN NGHỊ VỀ CÁC HƯỚNG NGHIÊN CỨU TIẾP THEO
• 5. DANH MỤC CÁC CÔNG TRÌNH NGHIÊN CỨU CỦA TÁC GIẢ CÓ LIÊN QUAN ĐẾN LUẬN ÁN
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về nghiên cứu ứng dụng EMOS trong dự báo nhiệt độ

Nghiên cứu ứng dụng phương pháp EMOS (Efficient Model Output Statistics) trong dự báo nhiệt độ và điểm sương ở Việt Nam đã trở thành một chủ đề quan trọng trong lĩnh vực khí tượng. Phương pháp này giúp cải thiện độ chính xác của các dự báo thời tiết, đặc biệt là trong bối cảnh biến đổi khí hậu ngày càng phức tạp. EMOS cho phép hiệu chỉnh các dự báo từ các mô hình số trị, từ đó nâng cao chất lượng dự báo trung bình tổ hợp và xác suất. Việc áp dụng EMOS không chỉ giúp giảm thiểu sai số mà còn cung cấp thông tin đáng tin cậy hơn cho các quyết định liên quan đến nông nghiệp, thủy lợi và quản lý thiên tai.

1.1. Khái niệm và vai trò của EMOS trong dự báo thời tiết

EMOS là một phương pháp thống kê được sử dụng để hiệu chỉnh các dự báo từ mô hình số trị. Phương pháp này giúp cải thiện độ chính xác của các dự báo nhiệt độ và điểm sương bằng cách sử dụng các dữ liệu quan trắc thực tế. EMOS không chỉ đơn thuần là một công cụ, mà còn là một phần quan trọng trong quy trình dự báo thời tiết hiện đại, giúp các nhà khí tượng học đưa ra những dự báo chính xác hơn.

1.2. Tình hình nghiên cứu và ứng dụng EMOS tại Việt Nam

Tại Việt Nam, nghiên cứu về EMOS đã được triển khai từ những năm gần đây, với mục tiêu nâng cao chất lượng dự báo thời tiết. Các nghiên cứu đã chỉ ra rằng việc áp dụng EMOS có thể cải thiện đáng kể độ chính xác của các dự báo nhiệt độ và điểm sương, đặc biệt trong các điều kiện khí hậu đặc thù của Việt Nam. Các kết quả từ nghiên cứu này đã được ứng dụng trong thực tiễn, góp phần nâng cao hiệu quả công tác dự báo thời tiết.

II. Vấn đề và thách thức trong dự báo nhiệt độ và điểm sương

Dự báo nhiệt độ và điểm sương ở Việt Nam gặp nhiều thách thức do sự biến đổi khí hậu và các yếu tố địa lý phức tạp. Các mô hình dự báo hiện tại thường gặp khó khăn trong việc phản ánh chính xác các điều kiện thời tiết thực tế. Sai số hệ thống trong các dự báo là một vấn đề lớn, ảnh hưởng đến độ tin cậy của thông tin dự báo. Việc cải thiện chất lượng dự báo là cần thiết để đáp ứng nhu cầu ngày càng cao của xã hội.

2.1. Các yếu tố ảnh hưởng đến độ chính xác của dự báo

Nhiều yếu tố có thể ảnh hưởng đến độ chính xác của dự báo nhiệt độ và điểm sương, bao gồm sai số trong mô hình số trị, điều kiện địa hình và thảm thực vật. Những yếu tố này có thể dẫn đến sự không chính xác trong các dự báo, gây khó khăn cho các nhà khí tượng trong việc đưa ra các quyết định kịp thời.

2.2. Tác động của biến đổi khí hậu đến dự báo thời tiết

Biến đổi khí hậu đang tạo ra những thách thức mới cho dự báo thời tiết. Sự thay đổi trong các mẫu thời tiết có thể làm tăng độ phức tạp của các dự báo, đòi hỏi các nhà nghiên cứu phải liên tục cập nhật và cải tiến các phương pháp dự báo. Việc áp dụng EMOS có thể giúp giảm thiểu tác động của biến đổi khí hậu đến độ chính xác của dự báo.

III. Phương pháp EMOS Giải pháp hiệu quả cho dự báo thời tiết

Phương pháp EMOS đã được chứng minh là một giải pháp hiệu quả trong việc cải thiện chất lượng dự báo nhiệt độ và điểm sương. Bằng cách sử dụng các kỹ thuật thống kê, EMOS giúp điều chỉnh các dự báo từ mô hình số trị, từ đó nâng cao độ chính xác và độ tin cậy của thông tin dự báo. Việc áp dụng EMOS không chỉ giúp cải thiện chất lượng dự báo mà còn tạo ra những cơ hội mới cho nghiên cứu và ứng dụng trong lĩnh vực khí tượng.

3.1. Cách thức hoạt động của phương pháp EMOS

EMOS hoạt động bằng cách sử dụng các dữ liệu quan trắc để hiệu chỉnh các dự báo từ mô hình số trị. Phương pháp này giúp xác định các sai số hệ thống và điều chỉnh các dự báo cho phù hợp với thực tế. Qua đó, EMOS không chỉ cải thiện độ chính xác của các dự báo mà còn giúp các nhà khí tượng đưa ra những quyết định kịp thời và chính xác hơn.

3.2. Lợi ích của việc áp dụng EMOS trong dự báo thời tiết

Việc áp dụng EMOS mang lại nhiều lợi ích, bao gồm cải thiện độ chính xác của các dự báo, giảm thiểu sai số và cung cấp thông tin đáng tin cậy hơn cho các quyết định liên quan đến nông nghiệp, thủy lợi và quản lý thiên tai. EMOS cũng giúp các nhà nghiên cứu có cái nhìn sâu sắc hơn về các yếu tố ảnh hưởng đến thời tiết, từ đó phát triển các phương pháp dự báo hiệu quả hơn.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của EMOS

Nghiên cứu ứng dụng EMOS đã cho thấy những kết quả khả quan trong việc cải thiện chất lượng dự báo nhiệt độ và điểm sương ở Việt Nam. Các kết quả này không chỉ có ý nghĩa trong lĩnh vực nghiên cứu mà còn có tác động lớn đến thực tiễn, giúp nâng cao hiệu quả công tác dự báo thời tiết. Việc áp dụng EMOS đã giúp giảm thiểu sai số trong các dự báo, từ đó cung cấp thông tin chính xác hơn cho các quyết định liên quan đến quản lý thiên tai và phát triển kinh tế.

4.1. Đánh giá chất lượng dự báo sau khi áp dụng EMOS

Các nghiên cứu đã chỉ ra rằng việc áp dụng EMOS đã giúp cải thiện đáng kể độ chính xác của các dự báo nhiệt độ và điểm sương. Các chỉ số đánh giá chất lượng dự báo như RMSE và MAE đã giảm rõ rệt, cho thấy hiệu quả của phương pháp này trong việc nâng cao chất lượng dự báo.

4.2. Ứng dụng EMOS trong công tác dự báo thời tiết tại Việt Nam

EMOS đã được ứng dụng trong công tác dự báo thời tiết tại nhiều trung tâm khí tượng ở Việt Nam. Các sản phẩm dự báo từ EMOS đã góp phần quan trọng trong việc nâng cao hiệu quả công tác dự báo, đặc biệt là trong các tình huống thời tiết cực đoan. Việc áp dụng EMOS không chỉ giúp cải thiện chất lượng dự báo mà còn tạo ra những cơ hội mới cho nghiên cứu và ứng dụng trong lĩnh vực khí tượng.

V. Kết luận và triển vọng tương lai của nghiên cứu EMOS

Nghiên cứu ứng dụng EMOS trong dự báo nhiệt độ và điểm sương ở Việt Nam đã mở ra nhiều triển vọng mới cho lĩnh vực khí tượng. Việc cải thiện chất lượng dự báo không chỉ giúp nâng cao độ chính xác mà còn tạo ra những cơ hội mới cho nghiên cứu và ứng dụng trong thực tiễn. Trong tương lai, việc tiếp tục nghiên cứu và phát triển các phương pháp như EMOS sẽ là cần thiết để đáp ứng nhu cầu ngày càng cao của xã hội trong việc dự báo thời tiết.

5.1. Hướng nghiên cứu tiếp theo trong ứng dụng EMOS

Các nghiên cứu tiếp theo có thể tập trung vào việc cải tiến các thuật toán EMOS để nâng cao hơn nữa độ chính xác của các dự báo. Việc kết hợp EMOS với các công nghệ mới như trí tuệ nhân tạo cũng có thể mở ra những hướng đi mới trong nghiên cứu và ứng dụng dự báo thời tiết.

5.2. Tác động của EMOS đến ngành khí tượng Việt Nam

Việc áp dụng EMOS không chỉ giúp cải thiện chất lượng dự báo mà còn có tác động lớn đến ngành khí tượng Việt Nam. Các sản phẩm dự báo từ EMOS đã góp phần nâng cao hiệu quả công tác dự báo, giúp các nhà khí tượng đưa ra những quyết định kịp thời và chính xác hơn trong công tác quản lý thiên tai và phát triển kinh tế.

Nội dung chính

Tổng quan luận án

Công trình khoa học được thực hiện bởi nghiên cứu sinh Võ Văn Hòa dưới sự hướng dẫn của Bùi Minh Tăng và TS. Phan Văn Tân tại Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia Hà Nội, phối hợp cùng Trung tâm Dự báo khí tượng thủy văn Trung ương (TTDBTƯ). Luận án thuộc chuyên ngành Khí tượng và khí hậu học (mã số 62.22), bảo vệ năm 2015. Đề tài tập trung nghiên cứu ứng dụng phương pháp thống kê sau mô hình tổ hợp (Ensemble Model Output Statistics - EMOS) nhằm giải quyết bài toán nâng cao chất lượng dự báo các yếu tố nhiệt độ bề mặt tại Việt Nam.

Tính cấp thiết của đề tài xuất phát từ thực tiễn ứng dụng các hệ thống dự báo thời tiết số trị (NWP) và hệ thống dự báo tổ hợp (HTTH). Các mô hình NWP luôn tồn tại các nguồn bất định từ điều kiện ban đầu, tham số hóa vật lý, động lực học và mô tả địa hình, dẫn tới sai số hệ thống (bias) trong kết quả đầu ra. Năm 2010, TTDBTƯ đã đưa vào vận hành hệ thống dự báo tổ hợp thời tiết hạn ngắn (SREPS) hạn 1-3 ngày dựa trên phương pháp đa mô hình đa phân tích gồm 20 thành phần dự báo. Mặc dù đóng vai trò quan trọng trong tác nghiệp, kết quả đánh giá cho thấy dự báo trực tiếp từ SREPS (Raw) tồn tại sai số hệ thống rõ rệt đối với các yếu tố nhiệt độ và độ ẩm, khiến dự báo trung bình tổ hợp (TBTH) và dự báo xác suất chưa đáp ứng được yêu cầu của bài toán nghiệp vụ dự báo điểm.

Khoảng trống nghiên cứu được tác giả chỉ ra là: trên thế giới có hai hướng giải quyết nhược điểm này gồm hướng tiếp cận động lực và hướng tiếp cận thống kê. Hướng tiếp cận động lực đòi hỏi cải tiến đồng thời cả 4 mô hình khu vực và 5 mô hình toàn cầu của hệ thống SREPS, đòi hỏi khối lượng tính toán rất lớn và thời gian dài. Trong khi đó, hướng tiếp cận thống kê (EMOS) chỉ can thiệp vào dữ liệu đầu ra mà không làm thay đổi mô hình, rất phù hợp khi sai số hệ thống chiếm ưu thế. Tại Việt Nam trước thời điểm luận án hoàn thành, các nghiên cứu DBTH chủ yếu mới tập trung vào bài toán quỹ đạo bão hoặc tính trung bình tổ hợp có trọng số đơn giản cho một vài trường quy mô lớn, chưa có hệ thống EMOS hoàn chỉnh nào được nghiên cứu và ứng dụng trong nghiệp vụ cho dự báo thời tiết điểm.

Ba luận điểm bảo vệ của luận án được xác định cụ thể:

1. Luận án đã lựa chọn và áp dụng một số phương pháp thống kê hiệu chỉnh dự báo tổ hợp (EMOS) phù hợp với hệ thống dự báo tổ hợp thời tiết hạn ngắn (SREPS) tại TTDBTƯ;
2. Luận án đã đánh giá và chỉ ra được hiệu quả của các phương pháp EMOS nói trên trong việc nâng cao chất lượng dự báo TBTH và xác suất từ SREPS cho các yếu tố nhiệt độ và điểm sương bề mặt;
3. Luận án đã xác định được phương pháp EMOS tốt nhất và đánh giá được khả năng ứng dụng nghiệp vụ tại TTDBTƯ.

Mục tiêu nghiên cứu là thử nghiệm các phương pháp thống kê nhằm hiệu chỉnh kết quả dự báo từ hệ thống SREPS cho các yếu tố nhiệt độ bề mặt, từ đó đánh giá và lựa chọn phương án EMOS khả thi nhất để triển khai vào quy trình nghiệp vụ tác nghiệp tại TTDBTƯ.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các yếu tố nhiệt độ bề mặt gồm nhiệt độ không khí tại độ cao 2m (T2m), nhiệt độ điểm sương tại độ cao 2m (Td2m), nhiệt độ tối cao ngày (Tmax) và nhiệt độ tối thấp ngày (Tmin).
• Phạm vi không gian: Toàn bộ lãnh thổ Việt Nam, đại diện bởi mạng lưới 174 trạm quan trắc khí tượng bề mặt.
• Phạm vi thời gian: Đánh giá chi tiết cho các hạn dự báo 24 giờ, 48 giờ và 72 giờ; giai đoạn thử nghiệm nghiệp vụ tác nghiệp liên tục kéo dài 3 năm từ 2011 đến 2013.

Tổng quan tài liệu và vị trí của luận án

Tổng quan tài liệu trong luận án được xây dựng toàn diện trên cả bình diện quốc tế và trong nước về lý thuyết dự báo tổ hợp và các phương pháp hậu xử lý thống kê:

Về lý thuyết dự báo tổ hợp, tác giả điểm lại các nghiên cứu nền tảng của Lorenz (1963, 1969, 1974, 1975) về tính nhạy cảm với điều kiện ban đầu của khí quyển và sự tồn tại của các nguồn bất định. Kalnay (2003) xác định ba mục đích chính của DBTH: nâng cao chất lượng qua trung bình tổ hợp, cung cấp độ tin cậy và làm cơ sở cho dự báo xác suất. Gneiting và cộng sự (2003) nhấn mạnh mục tiêu đạt độ nhọn cực đại trong khi vẫn duy trì độ tin cậy của hàm phân bố xác suất. Du (2007) phân loại các hệ thống tổ hợp thành ba nhóm: hệ thống một chiều (HTTH-1D) tập trung vào nhiễu động điều kiện ban đầu (sử dụng các kỹ thuật như Monte-Carlo, dự báo trễ, ươm nhiễu, véc tơ kỳ dị, lọc Kalman tổ hợp ETKF); hệ thống hai chiều (HTTH-2D) xét thêm bất định trong động lực và vật lý mô hình (đa mô hình, đa vật lý, vật lý rối); và hệ thống ba chiều (HTTH-3D) kết hợp thêm chiều thời gian quá khứ.

Về các phương pháp hiệu chỉnh thống kê tác động đến mô men bậc 1 (dự báo trung bình tổ hợp):

• Van Den Dool và Rukhovets (1994) áp dụng hồi quy tuyến tính đa biến cho trường địa thế vị 500mb hạn 6-10 ngày, chỉ ra nhược điểm xuất hiện trọng số âm và các giá trị dự báo phi vật lý.
• Krishnamurti và cộng sự (1999, 2001, 2002) phát triển phương pháp dự báo siêu tổ hợp (super ensemble forecast) kết hợp nhiều mô hình NWP khác nhau, sử dụng dạng dị thường so với khí hậu để giải quyết vấn đề trọng số âm.
• Daley (1991) đề xuất kỹ thuật tính trung bình tổ hợp có trọng số giảm theo hàm mũ và trọng số tỷ lệ nghịch với phương sai sai số.
• Stensrud và Yussouf (2003, 2007) ứng dụng phương pháp hiệu chỉnh sai số hệ thống (BCE) dựa trên trung bình trượt 7 ngày và 12 ngày cho nhiệt độ và điểm sương tại Hoa Kỳ. Yussouf và Stensrud (2006) mở rộng BCE bằng phương pháp làm trơn hàm mũ và phương sai cực tiểu.
• Cui và cộng sự (2012) áp dụng lọc Kalman hiệu chỉnh 35 biến dự báo từ hệ thống NAEFS của NCEP.
• Nghiên cứu của Ebert (2001) về dự báo trung vị; các nghiên cứu của Wilks (2006), Hamill và cộng sự về ứng dụng mạng thần kinh nhân tạo (ANN) và hồi quy Logistic cho các biến gián đoạn như mưa.

Về các phương pháp hiệu chỉnh thống kê tác động đến mô men bậc 2 và hàm phân bố xác suất:

• Gneiting và cộng sự (2005) đề xuất phương pháp hồi quy Gauss không thuần nhất (NGR), thiết lập quan hệ tuyến tính giữa phương sai hiệu chỉnh và độ tán tổ hợp ($\sigma^2 = c + dS^2$).
• Hagedorn và cộng sự (2008) ứng dụng NGR cho nhiệt độ 2m từ hệ thống ECMWF với chuỗi phụ thuộc 30 ngày, cải thiện 60-80% so với hiệu chỉnh sai số đơn giản.
• Kann và cộng sự (2009) thử nghiệm NGR cho mô hình khu vực ALADIN-LAEF và đề xuất biến thể NGR-TD có trọng số theo thời gian.
• Wilks và Hamill (2007) so sánh NGR, GED và hồi quy Logistic cho Tmax, Tmin từ hệ thống NCEP-GFS.
• Wilson và cộng sự (2007) ứng dụng phương pháp trung bình mô hình Bayes (BMA) cho hệ thống toàn cầu của CMC với kích thước cửa sổ trượt tối ưu 40 ngày.

Về các nghiên cứu trong nước: Các tác giả Nguyễn Chi Mai và cộng sự (2004), Đỗ Lệ Thủy và cộng sự (2009) áp dụng DBTH trong dự báo quỹ đạo bão trên Biển Đông bằng hồi quy đa biến và trọng số nghịch đảo sai số. Trần Tân Tiến và cộng sự (2004, 2010, 2013) nghiên cứu tổ hợp đa mô hình đa vật lý trong khuôn khổ các đề tài cấp Nhà nước KC.01 và KC.04. Hoàng Đức Cường và cộng sự (2007, 2011) thử nghiệm DBTH bằng mô hình MM5 và WRF cho dự báo mưa lớn và bão với phương án trọng số theo phương sai sai số. TTDBTƯ (2005-2007) khảo sát sơ bộ trung bình trượt, hồi quy tuyến tính và NGR cho một số trường khí tượng quy mô lớn.

Khoảng trống luận án lựa chọn giải quyết: Chưa có công trình nào tại Việt Nam tiến hành thử nghiệm toàn diện các phương pháp EMOS hiện đại cho hệ thống dự báo tổ hợp thời tiết hạn ngắn quy mô khu vực (SREPS) đối với các biến thời tiết bề mặt tại các điểm trạm quan trắc, đồng thời đưa ra được một quy trình công nghệ vận hành tự động trong điều kiện tác nghiệp thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án dựa trên cơ sở lý thuyết về phân bố xác suất của sai số trong mô hình số trị và các nguyên lý tối ưu hóa thống kê sau mô hình. Do các biến nghiên cứu (T2m, Td2m, Tmax, Tmin) là các đại lượng vật lý biến đổi liên tục và có tính đồng nhất cao, tác giả áp dụng giả định phân bố chuẩn cho sai số và hàm phân bố xác suất dự báo. Khung phân tích được chia thành hai nhóm phương pháp rõ rệt:

1. Nhóm phương pháp chỉ tác động đến dự báo trung bình tổ hợp (TBTH): Can thiệp vào công thức gán trọng số cho từng dự báo thành phần $F_i$ nhằm cực tiểu hóa sai số trung bình hoặc sai số quân phương.
2. Nhóm phương pháp tác động đồng thời đến dự báo TBTH và dự báo xác suất: Vừa hiệu chỉnh sai số hệ thống của từng thành phần hoặc của TBTH, vừa điều chỉnh phương sai sai số thông qua mối quan hệ tuyến tính với độ tán tổ hợp, đảm bảo hàm phân bố xác suất có độ nhọn và độ tin cậy tối ưu.

Nhóm phương pháp	Ký hiệu	Cơ sở toán học và cơ chế vận hành
Chỉ tác động đến TBTH	EMLR	Hồi quy tuyến tính đa biến: TBTH là tổ hợp tuyến tính của các $F_i$ đã khử sai số bằng BCMA, hệ số xác định bằng bình phương tối thiểu.
	EMES	Trung bình có trọng số giảm dần theo hàm mũ dựa trên xếp hạng MSE của các thành phần đã khử sai số; hệ số làm trơn $\alpha = 0.85$.
	EMMV	Trung bình có trọng số tỷ lệ nghịch với phương sai sai số của từng thành phần đã được khử sai số hệ thống.
Tác động đến TBTH và xác suất	BCMA	Hiệu chỉnh sai số hệ thống bằng trung bình trượt đại số của sai số dự báo trong $n$ ngày quá khứ.
	BCES	Hiệu chỉnh sai số hệ thống bằng trung bình trượt có trọng số giảm theo hàm mũ ($\alpha = 0.85$) ưu tiên các ngày gần nhất.
	BCLR	Thiết lập phương trình hồi quy tuyến tính đơn biến $O = a_0 + a_1 F_{raw}$ trên chuỗi số liệu $n$ ngày trước đó.
	BCKF	Lọc Kalman thích ứng cập nhật hàng ngày các hệ số $a_0, a_1$; ma trận hiệp biến $Q = 0.007$, $R = 0$; điều kiện ban đầu lấy từ BCLR.
	NGR_ER	Hồi quy Gauss không thuần nhất; kỳ vọng là trung bình có trọng số của các $F_i$; phương sai $\sigma^2 = c + dS^2$; cực tiểu hóa CRPS bằng thuật toán BFGS.
	NGR_EP	Tương tự NGR_ER nhưng lặp lại tối ưu hóa để loại trừ các thành phần có trọng số hồi quy âm ($a_i < 0$).
	NGR_EM	Hồi quy Gauss không thuần nhất; kỳ vọng quan hệ tuyến tính với TBTH của hệ thống SREPS; phương sai liên hệ với độ tán $S^2$.

Nguồn tư liệu và dữ liệu nghiên cứu:

• Dữ liệu dự báo tổ hợp: Đầu ra từ hệ thống SREPS vận hành tại TTDBTƯ, gồm 20 thành phần dự báo kết hợp từ 4 mô hình khu vực chạy với các điều kiện biên và trường ban đầu từ 5 mô hình toàn cầu (GEM của CMC, GME của DWD, GFS của NCEP, GSM của JMA, NOGAPS của Hải quân Mỹ).
• Dữ liệu quan trắc: Số liệu thực đo các yếu tố T2m, Td2m, Tmax, Tmin từ 174 trạm khí tượng bề mặt phân bố trên toàn lãnh thổ Việt Nam. Phương pháp nội suy song tuyến tính được sử dụng để chuyển đổi dữ liệu từ các điểm nút lưới của mô hình NWP về tọa độ thực tế của từng trạm quan trắc.

Hệ thống chỉ số đánh giá:

• Chỉ số kiểm chứng dự báo tất định (TBTH): Sai số trung bình (Mean Error - ME), sai số tuyệt đối trung bình (Mean Absolute Error - MAE), sai số quân phương (Root Mean Square Error - RMSE).
• Chỉ số kiểm chứng dự báo xác suất: Chỉ số xác suất hạng liên tục (Continuous Ranked Probability Score - CRPS), độ phủ khoảng tin cậy 90.48%, độ rộng khoảng tin cậy 90.48%, biểu đồ hạng (rank histogram) và giản đồ tụ điểm (scatter plot).

Nội dung chính theo từng chương

Chương 1. Tổng quan về các phương pháp nghiên cứu hiệu chỉnh thống kê cho dự báo tổ hợp

Chương 1 trình bày hệ thống lý luận về DBTH, phân tích bản chất của việc mô hình hóa các trạng thái khí quyển trong không gian pha nhằm khắc phục giới hạn dự báo tất định. Tác giả luận giải sâu sắc nguyên nhân dẫn đến một hệ thống dự báo tổ hợp không tối ưu (suboptimal), bao gồm sự thiếu hụt độ tán tổ hợp, tỷ lệ cực trị sai số cao và sai số hệ thống nội tại trong các mô hình thành phần.

Chương này phân tích và so sánh hai hướng tiếp cận nâng cao chất lượng DBTH:

• Hướng tiếp cận động lực: Tác động vào phương trình vi phân mô tả khí quyển, cấu trúc vật lý và kỹ thuật đồng hóa số liệu. Phương pháp này đòi hỏi tài nguyên tính toán rất lớn và khó bóc tách triệt để sai số địa phương.
• Hướng tiếp cận thống kê (EMOS): Khai thác chuỗi sai số trong quá khứ để hiệu chỉnh các mô men thống kê ở đầu ra. Phương pháp này có tính khả thi cao, chi phí tính toán thấp, đặc biệt hiệu quả trong bài toán dự báo điểm tại mạng lưới trạm quan trắc bề mặt.

Tác giả hoàn thiện việc tổng hợp các công trình nghiên cứu trên thế giới về các kỹ thuật hiệu chỉnh thống kê áp dụng cho mô men bậc 1, bậc 2 và hàm mật độ xác suất. Đồng thời, chương 1 điểm lại các nghiên cứu DBTH tại Việt Nam từ năm 2000 đến 2013, khẳng định sự thiếu vắng của một công trình nghiên cứu toàn diện về EMOS cho dự báo thời tiết hạn ngắn tác nghiệp, tạo lập cơ sở khoa học vững chắc cho đề tài luận án.

Chương 2. Mô tả số liệu và phương pháp nghiên cứu

Chương 2 thiết lập bài toán hiệu chỉnh thống kê cho 20 dự báo thành phần của hệ thống SREPS đối với 4 biến liên tục: T2m, Td2m, Tmax và Tmin. Tác giả trình bày chi tiết công thức toán học và thuật toán thực hiện cho 10 phương pháp EMOS được chia thành hai nhóm: nhóm 3 phương pháp chỉ tác động đến TBTH (EMLR, EMES, EMMV) và nhóm 7 phương pháp tác động đồng thời đến TBTH và xác suất (BCMA, BCES, BCLR, BCKF, NGR_ER, NGR_EP, NGR_EM).

Cơ sở dữ liệu nghiên cứu được xây dựng từ 174 trạm quan trắc bề mặt trên toàn quốc cùng tập số liệu dự báo tương ứng từ SREPS. Tác giả trình bày phương pháp nội suy song tuyến tính từ 4 điểm lưới mô hình xung quanh về vị trí trạm. Một nội dung kỹ thuật quan trọng của chương là việc khảo sát kích thước cửa sổ số liệu quá khứ (độ dài chuỗi số liệu phụ thuộc) thông qua phân tích biến thiên RMSE trung bình khu vực Tây Bắc vào tháng 11 năm 2010. Kết quả xác định chu kỳ trượt tối ưu cho việc ước lượng các tham số thống kê của các phương pháp là từ 20 đến 30 ngày, vừa đảm bảo tính ổn định thống kê, vừa thích ứng linh hoạt với sự chuyển đổi của các hình thế thời tiết.

Cuối chương, tác giả xây dựng chi tiết công thức tính toán các đại lượng kiểm chứng khách quan gồm ME, MAE, RMSE cho dự báo TBTH và CRPS, độ phủ, độ rộng 90.48%, giản đồ tụ điểm và biểu đồ hạng cho dự báo xác suất.

Chương 3. Kết quả thử nghiệm và đánh giá

Chương 3 trình bày toàn bộ kết quả thực nghiệm và phân tích kiểm chứng định lượng trên các tập số liệu độc lập:

1. Khả năng khử sai số hệ thống: Dự báo trực tiếp từ mô hình (Raw) có độ lệch sai số ME rất lớn, đặc biệt là hiện tượng dự báo thấp hơn thực tế đối với nhiệt độ bề mặt tại nhiều vùng địa hình phức tạp. Cả 10 phương pháp EMOS đều khử triệt để sai số hệ thống, đưa giá trị ME trung bình toàn mạng lưới về tiệm cận giá trị 0°C. Giản đồ tụ điểm trên khu vực Tây Bắc cho thấy các điểm phân bố sau hiệu chỉnh co cụm chặt chẽ quanh đường chéo chuẩn trị 45°.

2. Nâng cao chất lượng dự báo TBTH:

• Đối với yếu tố T2m hạn 24h: Các phương pháp EMOS làm giảm rõ rệt RMSE so với Raw. Trong đó, nhóm phương pháp hồi quy Gauss không thuần nhất (NGR_EM, NGR_ER, NGR_EP) đạt mức giảm RMSE cao nhất, vượt trội so với các phương pháp trung bình trượt đơn giản (BCMA) hay làm trơn hàm mũ (BCES).
• Đối với Td2m, Tmax và Tmin: Xu hướng cải thiện diễn ra đồng nhất. Sai số MAE và RMSE đều giảm đáng kể trên toàn bộ 174 trạm. Kết quả tại các phụ lục cho hạn dự báo 48h và 72h cũng ghi nhận kỹ năng dự báo của các phương pháp EMOS luôn duy trì ưu thế so với dự báo Raw.

3. Cải thiện chất lượng dự báo xác suất:

• Chỉ số CRPS: Toàn bộ 7 phương pháp EMOS nhóm hai đều đem lại giá trị CRPS nhỏ hơn rõ rệt so với Raw trên cả 4 yếu tố khí tượng, chứng minh hàm phân bố xác suất sau hiệu chỉnh tiệm cận sát hơn với phân bố quan trắc thực tế.
• Độ phủ và độ rộng 90.48%: Dự báo Raw ban đầu có độ tán rất hẹp (under-dispersion), dẫn đến độ phủ khoảng tin cậy 90.48% thực tế chỉ đạt mức rất thấp (thường dưới 40-50%). Sau khi áp dụng các phương pháp NGR, độ phủ tăng mạnh lên xấp xỉ mức lý thuyết 90.48%, đồng thời độ rộng khoảng tin cậy được điều chỉnh mở rộng một cách hợp lý theo hàm phương sai $\sigma^2 = c + dS^2$.
• Biểu đồ hạng (Rank Histogram): Biểu đồ hạng của Raw có dạng chữ U rõ rệt, khẳng định hệ thống tổ hợp nguyên bản thiếu độ tán nghiêm trọng và xuất hiện nhiều giá trị quan trắc nằm ngoài biên tổ hợp. Sau hiệu chỉnh bằng NGR, biểu đồ hạng chuyển dịch sang dạng phẳng phân bố đều, thể hiện tính tin cậy cao của dự báo xác suất.

4. Xây dựng quy trình và thử nghiệm nghiệp vụ (2011-2013): Dựa trên các phân tích khoa học và yêu cầu tác nghiệp, tác giả lựa chọn phương pháp NGR_EM làm phương án tối ưu để xây dựng quy trình công nghệ dự báo nghiệp vụ tự động tại TTDBTƯ. Phương pháp này có thời gian xử lý nhanh, vận hành ổn định và đạt chất lượng tương đương NGR_ER nhưng không gặp phải lỗi tính toán do trọng số âm hay phụ thuộc quá mức vào từng thành phần riêng lẻ. Kết quả đánh giá kiểm chứng liên tục trong 3 năm tác nghiệp (2011-2013) tại 174 trạm một lần nữa xác nhận: NGR_EM luôn có các chỉ số ME, MAE, RMSE và CRPS tốt hơn Raw cho tất cả các hạn dự báo 24h, 48h và 72h trên cả 4 biến T2m, Td2m, Tmax và Tmin.

Kết quả và những đóng góp mới

Luận án đã đạt được các kết quả khoa học và đóng góp mới cụ thể như sau:

Về mặt lý luận và khoa học:

• Luận án đã hệ thống hóa và làm sáng tỏ cơ sở toán học của các kỹ thuật hiệu chỉnh thống kê sau mô hình tổ hợp (EMOS) đối với các biến khí tượng bề mặt có phân bố liên tục trong điều kiện khí hậu nhiệt đới gió mùa tại Việt Nam.
• Chứng minh bằng thực nghiệm rằng việc hiệu chỉnh sai số hệ thống (mô men bậc 1) kết hợp với điều chỉnh phương sai theo độ tán tổ hợp (mô men bậc 2) thông qua mô hình hồi quy Gauss không thuần nhất (NGR) đã khắc phục thành công nhược điểm thiếu độ tán và sai số hệ thống cố hữu của hệ thống tổ hợp đa mô hình đa phân tích SREPS.

Về mặt thực tiễn và ứng dụng:

• Lần đầu tiên xây dựng và thử nghiệm thành công hệ thống 10 phương pháp EMOS cho hệ thống SREPS tại Việt Nam trên mạng lưới 174 trạm quan trắc bề mặt, áp dụng cho 4 yếu tố thời tiết quan trọng gồm T2m, Td2m, Tmax và Tmin ở các hạn dự báo 24h, 48h và 72h.
• Xác định được phương pháp NGR_EM là phương án tối ưu nhất, vừa đảm bảo chất lượng dự báo TBTH và xác suất cao nhất, vừa đảm bảo tính ổn định và tốc độ tính toán nhanh trong điều kiện nghiệp vụ.
• Thiết lập hoàn chỉnh sơ đồ quy trình công nghệ nghiệp vụ vận hành hệ thống EMOS dựa trên phương pháp NGR_EM và tiến hành thử nghiệm tác nghiệp thành công trong 3 năm liên tiếp (2011-2013) tại Trung tâm Dự báo khí tượng thủy văn Trung ương.

Kiến nghị và giải pháp:

• Đề xuất chính thức đưa quy trình EMOS dựa trên phương pháp NGR_EM vào dây chuyền tác nghiệp thường trực tại TTDBTƯ để cung cấp các bản tin dự báo điểm nhiệt độ và điểm sương bề mặt phục vụ công tác dự báo thời tiết và cảnh báo thiên tai.
• Duy trì việc lưu trữ đồng bộ dữ liệu quan trắc bề mặt hàng ngày để cập nhật liên tục chuỗi số liệu phụ thuộc 20-30 ngày phục vụ bài toán hiệu chỉnh thích ứng.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

• Luận án mới chỉ tập trung nghiên cứu trên các biến khí tượng liên tục và có tính đồng nhất cao (nhiệt độ không khí, điểm sương, nhiệt độ tối cao và tối thấp ngày); chưa mở rộng áp dụng cho các biến không liên tục, phi Gauss hoặc có tính biến động không gian lớn như lượng mưa và trường gió bề mặt.
• Các phương pháp EMOS được áp dụng theo phương pháp thích ứng dựa trên chuỗi số liệu quá khứ gần (20-30 ngày) nên chưa phân tách và mô tả triệt để sai số đặc thù theo từng hình thế thời tiết dị thường hoặc trong các giai đoạn chuyển mùa đột ngột.
• Phạm vi hiệu chỉnh mới dừng lại ở bài toán dự báo điểm tại 174 trạm quan trắc khí tượng bề mặt, chưa thực hiện hạ quy mô thống kê để tạo ra sản phẩm dự báo dạng lưới phủ kín lãnh thổ (Gridded MOS).

Hướng nghiên cứu tiếp theo:

• Nghiên cứu ứng dụng các phương pháp EMOS phi tuyến tính cho bài toán dự báo xác suất định lượng mưa (PQPF) và gió bề mặt, sử dụng các công cụ như hồi quy Logistic, trung bình mô hình Bayes (BMA) hoặc mạng thần kinh nhân tạo (ANN).
• Kết hợp các phương pháp phân loại hình thế thời tiết (như phân cụm K-means, thuật toán di truyền) trước khi tính toán trọng số hiệu chỉnh EMOS nhằm xử lý tốt hơn các tình huống thời tiết cực đoan.
• Ứng dụng các thuật toán nội suy không gian để đưa kết quả hiệu chỉnh từ các điểm trạm lên mạng lưới độ phân giải cao phục vụ bài toán dự báo diện rộng.

Giá trị tham khảo

Luận án là tài liệu chuyên khảo có giá trị học thuật và ứng dụng thực tiễn trong ngành Khí tượng và khí hậu học:

• Đối với nghiên cứu sinh, học viên cao học và sinh viên chuyên ngành Khí tượng, Thủy văn, Hải dương học và Toán ứng dụng: Luận án cung cấp cơ sở lý thuyết chi tiết, hệ thống công thức toán học chặt chẽ và phương pháp luận rõ ràng về kỹ thuật dự báo tổ hợp và các phương pháp hậu xử lý thống kê hiện đại. Phần tổng quan tài liệu và danh mục tài liệu tham khảo phong phú là nguồn dữ liệu hữu ích cho các nghiên cứu chuyên sâu tiếp theo.
• Đối với dự báo viên và cán bộ công nghệ tại Trung tâm Dự báo KTTV Quốc gia và các Đài KTTV khu vực: Luận án cung cấp quy trình công nghệ hoàn chỉnh, các bộ tham số thực nghiệm tối ưu (như hệ số làm trơn $\alpha = 0.85$, độ dài cửa sổ trượt 20-30 ngày, ma trận hiệp biến lọc Kalman) và mã nguồn thuật toán để ứng dụng trực tiếp vào công tác dự báo nghiệp vụ hàng ngày.
• Phần đáng tham khảo nhất của luận án là Chương 2 (chi tiết toán học của 10 phương pháp EMOS, cách thiết lập bài toán cực tiểu hóa CRPS bằng thuật toán BFGS) và mục 3.4 của Chương 3 (sơ đồ tổ chức quy trình nghiệp vụ tự động hóa và kết quả đánh giá thử nghiệm tác nghiệp 2011-2013).

Câu hỏi thường gặp

1. Hệ thống dự báo tổ hợp thời tiết hạn ngắn SREPS tại TTDBTƯ có cấu hình như thế nào? Hệ thống SREPS được TTDBTƯ đưa vào nghiệp vụ từ năm 2010, áp dụng cách tiếp cận đa mô hình đa phân tích để tạo ra 20 dự báo thành phần hạn 1-3 ngày. Cấu hình hệ thống gồm 4 mô hình số trị khu vực chạy riêng rẽ với các điều kiện biên và trường phân tích ban đầu được cung cấp từ 5 mô hình toàn cầu: GEM (Cơ quan khí tượng Canada), GME (Tổng cục thời tiết Đức), GFS (Trung tâm NCEP Hoa Kỳ), GSM (Cơ quan khí tượng Nhật Bản) và NOGAPS (Hải quân Hoa Kỳ).

2. Vì sao tác giả chỉ lựa chọn các yếu tố nhiệt độ và điểm sương bề mặt để thử nghiệm EMOS? Các phương pháp EMOS được lựa chọn trong nghiên cứu (đặc biệt là hồi quy Gauss không thuần nhất NGR) dựa trên giả định biến dự báo là đại lượng vật lý liên tục và tuân theo phân bố chuẩn (Gauss). Nhiệt độ không khí (T2m), điểm sương (Td2m), nhiệt độ tối cao (Tmax) và tối thấp ngày (Tmin) có tính đồng nhất cao và thể hiện khuynh hướng sai số hệ thống rõ rệt nhất trong hệ thống SREPS. Các biến gián đoạn như lượng mưa đòi hỏi các mô hình phân bố phi chuẩn và kỹ thuật phi tuyến phức tạp hơn nên được tác giả xếp vào hướng nghiên cứu tiếp theo.

3. Mười phương pháp EMOS thử nghiệm trong luận án được phân loại cụ thể ra sao? Mười phương pháp được chia thành hai nhóm riêng biệt:

• Nhóm 1 (chỉ tác động đến dự báo TBTH, gồm 3 phương pháp): EMLR (hồi quy tuyến tính đa biến), EMES (trung bình có trọng số hàm mũ) và EMMV (trung bình có trọng số theo phương sai sai số).
• Nhóm 2 (tác động đồng thời đến TBTH và xác suất, gồm 7 phương pháp): BCMA (trung bình trượt), BCES (trung bình trượt trọng số hàm mũ), BCLR (hồi quy tuyến tính đơn biến), BCKF (lọc Kalman), NGR_ER (hồi quy Gauss không thuần nhất với kỳ vọng từ các thành phần), NGR_EP (NGR loại bỏ trọng số âm) và NGR_EM (hồi quy Gauss không thuần nhất với kỳ vọng từ TBTH).

4. Cơ chế điều chỉnh độ tán tổ hợp của phương pháp hồi quy Gauss không thuần nhất (NGR) hoạt động như thế nào? Phương pháp NGR giả định biến dự báo tuân theo phân bố chuẩn với kỳ vọng là hàm hồi quy tuyến tính và phương sai $\sigma^2$ có quan hệ tuyến tính với độ tán tổ hợp $S^2$ thông qua công thức $\sigma^2 = c + dS^2$ (trong đó các hệ số $c, d \ge 0$). Tập tham số được xác định thông qua việc cực tiểu hóa chỉ số xác suất hạng liên tục (CRPS) bằng thuật toán BFGS trên tập số liệu quá khứ. Cơ chế này cho phép phân bố xác suất tự động mở rộng khi độ bất định lớn và thu hẹp khi độ bất định nhỏ, giải quyết triệt để tình trạng thiếu hụt độ tán của hệ thống SREPS nguyên bản.

5. Vì sao phương pháp NGR_EM được lựa chọn để triển khai quy trình nghiệp vụ thay vì NGR_ER hay NGR_EP? Mặc dù NGR_ER và NGR_EP cũng mang lại kỹ năng dự báo tương đương, nhưng NGR_EM có cấu trúc toán học gọn nhẹ hơn khi chỉ thiết lập quan hệ giữa kỳ vọng với giá trị TBTH của tổ hợp (thay vì hồi quy riêng lẻ trên toàn bộ 20 thành phần). Điều này giúp thuật toán BFGS hội tụ nhanh hơn, giảm thiểu nguy cơ quá khớp số liệu, tránh hoàn toàn hiện tượng xuất hiện trọng số âm phi vật lý và đảm bảo tính ổn định tuyệt đối về mặt thời gian xử lý trong môi trường tác nghiệp khắt khe tại TTDBTƯ.

Kết luận

Luận án tiến sĩ của tác giả Võ Văn Hòa đã giải quyết thành công bài toán nâng cao chất lượng dự báo tổ hợp thời tiết hạn ngắn tại Việt Nam bằng cách tiếp cận hậu xử lý thống kê EMOS. Thông qua việc thử nghiệm và đánh giá khách quan 10 kỹ thuật thống kê trên mạng lưới 174 trạm quan trắc bề mặt, công trình đã chứng minh tính hiệu quả vượt trội của phương pháp trong việc khử sai số hệ thống, nâng cao chất lượng dự báo trung bình tổ hợp và khôi phục độ tin cậy của dự báo xác suất cho các yếu tố nhiệt độ và điểm sương. Phương pháp NGR_EM đã được lựa chọn tối ưu, xây dựng thành quy trình công nghệ hoàn chỉnh và đưa vào vận hành thử nghiệm nghiệp vụ ổn định giai đoạn 2011-2013 tại TTDBTƯ, đóng góp thiết thực cho công tác nghiệp vụ dự báo thời tiết tại Việt Nam.