MỞ ĐẦU Bài toán dự báo định lượng mưa ở Việt Nam vẫn luôn là bài toán khó nhất. Mặc dù chất lượng dự báo của mô hình số đã không ngừng được cải thiện trong khoảng 20 năm trở lại đây tuy nhiên do tính thiếu chính xác của trường ban đầu, các kết quả dự báo vẫn ẩn chứa rất nhiều sai số. Để giải quyết vấn đề này, phương pháp đồng hóa số liệu đã được nghiên cứu và phát triển. Một cách tổng quát, mục đích chính của đồng hóa số liệu là sự kết hợp các thông tin từ mô hình toàn cầu, trường nền, số liệu quan trắc địa phương (quan trắc trạm, radar, vệ tinh…) nhằm tạo ra một trường ban đầu tốt nhất có thể, nhờ đó giúp nâng cao chất lượng dự báo của mô hình.
Trong rất nhiều các loại số liệu dùng để đồng hóa, số liệu Radar là một trong những nguồn dữ liệu quan trọng. Radar có thể cung cấp một lượng lớn dữ liệu từ bề mặt đến nhiều mực độ cao với độ phân giải lớn, điều này cực kỳ hữu ích để dự báo các hiện tượng liên quan đến quá trình đối lưu như bão, mưa, mưa lớn, dông. Bên cạnh đó, dữ liệu Radar còn rất gần với thời gian thực (realtime), vì vậy rất quan trọng đối với các công tác dự báo hạn ngắn và hạn cực ngắn (nowcasting). Ở thành phố Hồ Chí Minh (TP.
HCM), mưa lớn là một trong những thiên taihiện tượng gây ra nhiều hậu quả nghiêm trọng nhất. Nguyên nhân bởi mưa lớn ở đây mang đặc điểm bất ngờ cao, mặc dù có thể diễn ra không lâu nhưng với lượng mưa lớn trong thời gian ngắn nên khi kết hợp với triều cường có thể gây ra ngập cục bộ; trong khi đó cơ sở hạ tầng và hệ thống thoát nước của của thành phố lại chưa đáp ứng kịp. Hơn thế nữa, trong thời gian gần đây các hiện tượng mưa lớn bất thường cũng như mưa trái mùa xảy ra với tần suất ngày một nhiều. Do vậy nghiên cứu về dự báo mưa hạn ngắn ở TP.HCM là vấn đề rất cần thiết.
Ở Việt Nam, các bài toán về đồng hóa số liệu đã được nghiên cứu từ lâu và thu được một số thành quả nhất định tuy nhiên vấn đề đồng hóa số liệu Radar lại chưa được nghiên cứu nhiều. Đặc biệt áp dụng phương pháp này để dự báo mưa lớn hạn ngắn kết hợp với mô hình số độ phân giải cao cho khu vực TP. HCM là một vấn đề hoàn toàn mới. Chính vì vậy luận văn này sẽ tiến hành nghiên cứu “Ảnh 13 z hƣởng của đồng hóa dữ liệu Radar đến dự báo mƣa ngắn hạn trên khu vực thành phố Hồ Chí Minh” với mục đích chính là thử nghiệm đồng hóa số liệu Radar nhằm cải thiện chất lượng dự báo mưa lớn cho khu vực này.
Luận văn được bố cục thành 3 chương như sau: Chƣơng 1. TỔNG QUAN: trong phần này, tác giả trình bày về lịch sử của đồng hóa số liệu, tổng hợp các nghiên cứu trong và ngoài nước liên quan đến đồng hóa số liệu Radar bằng phương pháp 3DVAR trong mô hình số. PHƢƠNG PHÁP VÀ SỐ LIỆU: phần này tác giải nêu khái quát về mô hình WRF, hệ thống đồng hóa 3DVAR trong mô hình WRF, vai trò của tương quan sai số trường nền và phương pháp xử lý số liệu Radar trước khi đưa vào quá trình đồng hóa. Chương này cũng nêu lên các nguồn số liệu sử dụng trong luận văn, quy trình chạy đồng hóa với các chế độ khác nhau và phương pháp đánh giá kết quả dự báo của mô hình.
Chƣơng 3: KẾT QUẢ VÀ THẢO LUẬN: trình bày các kết quả về những ảnh hưởng của đồng hóa đến trường ban đầu. So sánh kết quả trước, sau đồng hóa cho đợt mưa lớn điển hình và đánh giá sai số cho một số đợt mưa lớn năm 2018. 14 z CHƢƠNG 1: TỔNG QUAN 1. Tổng quan chung về đồng hóa số liệu Trong vài thập kỷ qua kỹ năng dự báo thời tiết của các mô hình số tăng lên đáng kể chủ yếu nhờ các yếu tố sau: Sự hiểu biết chi tiết hơn của con người về các quá trình vật lý trong khí quyển như: quy mô mây, mưa, chuyển động nhiệt hỗn loạnhỗn loạn chuyển nhiệt, độ ẩm, động lượng và bức xạ.
Lượng dữ liệu quan trắc mà chủ yếu là từ vệ tinh và máy bay đã tăng lên đáng kể đặc biệt trên các vùng đại dương. Sức mạnh của các siêu máy tính không ngừng được nâng cao giúp cho mô hình có thể chạy ở độ phân giải rất cao trong một thời gian ngắn. Đồng hóa số liệu cải thiện trường ban đầu. Trong các yếu tố kể trên đồng hóa dữ liệu là một phần rất quan trọng.
Do đặc thù của mô hình dự báo thời tiết bằng phương pháp số có tính phụ thuộc ban đầu mạnh, các bản tin dự báo thời tiết đôi khi cho các kết quả hoàn toàn sai lệch do điều kiện ban đầu không chính xác [3]. Mục đích của dữ liệu đồng hóa là xác định chính xác nhất có thể trạng thái của khí quyển cho một mô hình dự báo bằng cách sử dụng tất cả thông tin có sẵn kết hợp với các quan trắc và dự báo hạn ngắn (nhưng vẫn thỏa mãn các ràng buộc về động lực) để thu được điều kiện ban đầu cho mô hình dự báo thời tiết (NWP). Theo Daley (1991), vấn đề xác định điều kiện ban đầu cho mô hình dự báo là rất cần thiết, tuy nhiên, đây là một quá trình vô cùng phức tạp. Đồng hóa dữ liệu tạo ra một trường ban đầu đều đặn, nhất quán, đại diện bốn chiều của trạng thái của bầu khí quyển từ các mảng không đồng nhất của số liệu quan trắc [7].
Lịch sử của đồng hóa số liệu được bắt đầu từ những năm 1950. Thuở ban đầu, Charney và cộng sự (1950) thực hiện nội suy bằng tay của các quan sát có sẵn cho một lưới thông thường và tính toán điều kiện ban đầu sau đó tự số hóa. Công việc này tốn rất nhiều thời gian và công sức [9]. Sau đó, một phương pháp tự động 1 z và thuận tiện hơn ra đời cũng bởi tác giả này gọi là "phân tích khách quan".
Các phương pháp khách quan sử dụng phép nội suy đơn giản. Gilchrist và Cressman (1954) đã sử dụng phương pháp phân tích khách quan và đưa ra một chương trình nội suy cho độ cao địa thế vị bằng việc vẽ các vòng tròn quanh từng điểm lưới, chỉ những điểm quan trắc nằm trong vòng tròn (của từng điểm lưới) mới có ảnh hưởng đến giá trị của điểm lưới đó. Nhược điểm của phương pháp này là nếu dữ liệu quá thưa và phân bố dữ liệu theo thời gian không đồng đều sẽ không đủ để khởi tạo điều kiện ban đầu cho mô hình [10]. Lưới mô hình (các vòng tròn), số liệu quan trắc (hình vuông) và bán kính ảnh hưởng xung quanh một điểm lưới Bergthorsson và Doos (1955) đã giới thiệu phương pháp hiệu chỉnh liên tiếp (SCM) để khắc phục lượng dữ liệu quan trắc nghèo nàn bằng việc bổ sung thêm các thông tin từ trường nền, trường dự báo hạn ngắn hoặc từ các phân tích trước đó cho trường ban đầu [11].
Phương pháp này sau đó cũng được phát triển bởi Cressman (1959) [12]. Trải qua nhiều giai đoạn phát triển, nhìn chung có ba loại chính của kỹ thuật đồng hóa dữ liệu: phương pháp thực nghiệm (Gilchrist và Cressman, 1954) [13], phương pháp biến phân dựa trên lý thuyết điều khiển tối ưu (Lions, 1968) [14] và phương pháp thống kê dựa trên lý thuyết về ước lượng thống kê tối ưu (Bennett, 2 z 2002) [15] áp dụng cho cả hai ngành khí tượng và hải dương học. Bước ngoặt của đồng hóa số liệu là ở các phương pháp biến phân (3D-VAR, 4D-VAR) lần đầu tiên được giới thiệu trong khí tượng bởi Lewis và cộng sự (1985) [16], Talagrand và cộng sự (1987) [17]. Bài toán biến phân tập trung vào việc tìm kiếm trạng thái khí quyển có khả năng xảy ra cao nhất ứng với một tập quan trắc và một trạng thái nền cho trước bằng cách tối thiểu hoá một hàm giá.
Ưu điểm của phương pháp này là hàm giá được cực tiểu hoá trên toàn miền và các quan trắc được dàn đều, tránh được tình huống “mắt trâu” từ một điểm có giá trị quá lớn, tuy nhiên nhược điểm của nó là trường nền không biến đổi theo thời gian trong khi thực tế thì ngược lại, đối với mỗi thời điểm và với các hình thế thời tiết khác nhau lại cần một loại trường nền khác nhau. Để khắc phục vấn đề này, các phương pháp thống kê (bộ lọc Kalman) được giới thiệu bởi Ghil (1989) đã ra đời, ưu điểm của nó là ma trận sai số hiệp biến của trạng thái nền được tích phân theo thời gian, tuy nhiên do đòi hỏi khối lượng tính toán rất lớn, sau đó một số biến thể của phương pháp này đã ra đời như: bộ lọc Kalman tổ hợp EnKF, lọc Kalman tổ hợp biến đổi địa phương LETKF [18]. Nhìn chung mặc dù đồng hoá số liệu trong khí tượng đã được quan tâm từ đầu những năm 1950 nhưng bài toán này lại chỉ thực sự phát triển mạnh trong thời gian gần 20 năm gần đây do sự phát triển mạnh của máy tính, cho phép thực hiện được các thuật toán một cách nhanh chóng và có hiệu quả [3]. Trải qua nhiều giai đoạn phát triển, các kỹ thuật đồng hóa có thể đƣợc chia thành các nhóm nhƣ sau: I) Phương pháp thực nghiệm Phương pháp hiệu chỉnh liên tiếp (SCM - Successive Correction Method) Phương pháp nudging Phương pháp khởi tạo trong không gian vật lý (PI - Physical Initialisation) II) Phương pháp thống kê Nội suy tối ưu (OI - Optimal Interpolation) Biến phân ba chiều (3DVAR – 3 Dimensional Variational data assimilation) Biến phân bốn chiều (4DVAR – 4 Dimensional Variational data 3 z assimilation) III) Phương pháp tiên tiến Lọc Kalman (EKF - Extended Kalman Filter) Tổ hợp Lọc Kalman (EnFK - Ensemble Kalman Filter) Lọc Kalman địa phương (LETKF - Local ensemble transform Kalman filter) Đối với các loại dữ liệu quan trắc dùng để đồng hóa, được phân loại thành bốn loại chính như sau: 1.
Các quan trắc đơn cấp (Single-level observations) gồm dữ liệu ở bề mặt hoặc từ quan trắc của các máy bay. Quan trắc nhiều cấp: các dữ liệu trên không, dữ liệu thám không vô tuyến và Profilers gió. Dữ liệu Radar Doppler: gồm độ phản hồi và vận tốc gió xuyên tâm 4. Dữ liệu vệ tinh - bức xạ.
Nghiên cứu đồng hóa số liệu RADAR trong bài toán dự báo mƣa lớn hạn ngắn bằng phƣơng pháp 3DVAR 1. Ngoài nước Radar là sản phẩm của sự phát triển kỹ thuật vô tuyến và điện tử học hiện đại.