Luận văn ứng dụng SWIRLS kết hợp radar và mô hình số trị dự báo mưa bão ở Việt Nam - Hoàng Gia Nam

Nghiên cứu ứng dụng hệ thống SWIRLS kết hợp số liệu radar và mô hình số trị WRF nhằm nâng cao năng lực dự báo mưa hạn cực ngắn do bão đổ bộ tại Việt Nam.

• Tác giả: Hoàng Gia Nam
• Người hướng dẫn: GS.TS Phan Văn Tân
• Trường học: Đại học Quốc gia Hà Nội - Trường Đại học Khoa học Tự nhiên
• Chuyên ngành: Khí tượng học
• Đề tài: Ứng dụng hệ thống SWIRLS kết hợp số liệu radar và sản phẩm mô hình số trị dự báo mưa hạn cực ngắn do bão đổ bộ cho Việt Nam
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan hệ thống SWIRLS và mô hình số trị dự báo mưa bão

Hệ thống SWIRLS đại diện cho bước tiến lớn trong khí tượng hiện đại. Nền tảng này tập trung xử lý dự báo thời tiết hạn cực ngắn. Dữ liệu radar phản hồi nhanh cung cấp thông tin chi tiết về các đám mây đối lưu. Mô hình số trị bổ sung bức tranh toàn cảnh về động lực khí quyển. Sự phối hợp này tạo nên cơ chế cảnh báo mưa lũ hiệu quả. Việt Nam là quốc gia chịu nhiều ảnh hưởng từ bão biển Đông. Lượng mưa cực đoan thường gây ngập lụt nghiêm trọng tại các đô thị và vùng ven biển. Việc ứng dụng công nghệ hiện đại giúp giảm thiểu rủi ro thiên tai. SWIRLS sử dụng thuật toán quang lưu để theo dõi chuyển động mây. Hệ thống tính toán vector di chuyển của các vùng phản hồi vô tuyến cao. Mô hình số trị phân tích các trường vật lý quy mô lớn hơn. Khi kết hợp, hai công cụ bù trừ khiếm khuyết cho nhau một cách chuẩn xác. Radar phản ánh chân thực trạng thái mưa tức thời. Mô hình số cung cấp xu thế phát triển cấu trúc mây tương lai. Đây là giải pháp then chốt nâng cao chất lượng dịch vụ khí tượng thủy văn quốc gia.

1.1. Khái niệm và nguyên lý hoạt động của SWIRLS

Hệ thống SWIRLS được phát triển bởi Đài Khí tượng Hồng Kông. Nền tảng chuyên trách dự báo định lượng mưa trong phạm vi từ một đến sáu giờ. Thuật toán ROVER giữ vai trò cốt lõi trong phân tích trường chuyển động. Hệ thống trích xuất vận tốc quang học từ chuỗi ảnh radar liên tiếp. Nhờ đó, vector di chuyển của từng khối mây được xác định chính xác. Công nghệ này duy trì độ phân giải không gian và thời gian rất cao. Thuật toán ngoại suy vị trí mưa dựa trên quán tính chuyển động thực tế. Dữ liệu được cập nhật liên tục sau mỗi chu kỳ quét radar mười phút. Tốc độ xử lý nhanh đáp ứng nhu cầu cảnh báo khẩn cấp cho cơ quan quản lý.

1.2. Vai trò mạng lưới radar thời tiết tại Việt Nam

Mạng lưới radar thời tiết Việt Nam bao phủ rộng khắp các vùng trọng điểm. Các trạm radar cung cấp thông tin liên tục về cấu trúc và độ phản hồi của mây bão. Thiết bị phát hiện kịp thời các ổ đối lưu mạnh ngoài khơi trước khi bão đổ bộ. Dữ liệu đo đạc thực tế giúp nhận diện sớm các vùng mưa đặc biệt lớn. Tuy nhiên, địa hình đồi núi phức tạp đôi khi che khuất chùm tia radar ở tầm thấp. Khoảng cách quét xa bờ cũng làm giảm độ chi tiết của cấu trúc thẳng đứng. Việc tích hợp dữ liệu radar vào phần mềm phân tích tự động giải quyết hạn chế này. Nguồn số liệu phản hồi đóng vai trò đầu vào nền tảng cho hệ thống cảnh báo sớm.

II. Thách thức khi dự báo mưa bão bằng radar và mô hình số trị

Dự báo mưa bão hạn cực ngắn luôn đối mặt nhiều trở ngại kỹ thuật phức tạp. Các cơn bão nhiệt đới thường thay đổi cường độ rất nhanh khi tiến sát bờ biển. Phương pháp ngoại suy radar đơn thuần chỉ dựa vào bảo toàn hình dạng phản hồi. Giả định này nhanh chóng mất tính chính xác sau hai đến ba giờ dự báo. Các quá trình sinh trưởng và tiêu tan mây diễn ra phi tuyến tính mạnh mẽ. Radar không thể mô phỏng sự hình thành tế bào đối lưu mới ngoài trường quan trắc. Ngược lại, mô hình số trị thời tiết như WRF gặp hiện tượng thời gian khởi động mô hình. Giai đoạn này làm suy giảm chất lượng dự báo trong những giờ đầu tiên. Mô hình thường tính toán sai lệch thời điểm bão tiếp cận đất liền. Lãnh thổ Việt Nam hẹp ngang khiến sai số nhỏ về quỹ đạo gây hậu quả rất lớn. Dự báo định lượng mưa vì thế xuất hiện độ lệch đáng kể về không gian. Nếu chỉ sử dụng riêng lẻ từng công cụ, sai số cảnh báo sẽ tăng cao.

2.1. Giới hạn ngoại suy radar đối với bão di chuyển nhanh

Ngoại suy radar mang lại độ chính xác vượt trội trong sáu mươi phút đầu. Sau khoảng thời gian này, hiệu quả dự báo suy giảm rõ rệt. Bão di chuyển nhanh làm thay đổi nhanh chóng trường động lực học nội tại. Cấu trúc mây đối lưu liên tục biến đổi khi ma sát với địa hình đất liền. Radar không dự đoán được tốc độ tiêu tan của các dải mây bão. Thuật toán ngoại suy thuần túy bỏ qua các quy luật nhiệt động lực học khí quyển. Kết quả dự báo sau ba giờ thường xuất hiện sai lệch lớn về cường độ phản hồi. Đây là rào cản kỹ thuật cố hữu của các phương pháp quan trắc thuần túy.

2.2. Nhược điểm khởi động và sai số thời gian của mô hình NWP

Mô hình số trị động lực học chứa đựng các phương trình vật lý toàn diện. Dẫu vậy, mô hình cần thời gian điều chỉnh trường gió và ẩm ở bước khởi tạo. Hiện tượng này khiến mô hình phản ứng chậm với các ổ mưa lớn cục bộ tức thời. WRF thường dự báo mưa bão lệch về thời gian hoặc tọa độ vài chục kilomet. Khi bão áp sát ven biển miền Trung, sai số này làm mất đi tính kịp thời. Lượng mưa tích lũy giờ đầu thường bị mô hình đánh giá thấp hơn thực tế. Điểm kỹ năng dự báo hạn cực ngắn của mô hình số trị đơn lẻ thường ở mức thấp.

III. Giải pháp kết hợp SWIRLS với mô hình số trị dự báo mưa bão

Giải pháp kết hợp SWIRLS và mô hình số trị mang tên kỹ thuật pha trộn sản phẩm. Phương pháp này tận dụng thế mạnh riêng biệt của từng công cụ dự báo. SWIRLS vượt trội trong việc nắm bắt diễn biến mưa thực tế giờ đầu tiên. Mô hình số trị WRF duy trì khả năng mô phỏng tiến trình phát triển dài hơn. Thuật toán kết hợp áp dụng hàm trọng số biến thiên theo thời gian dự báo. Ở hạn một giờ đầu, trọng số nghiêng hoàn toàn về phía phản hồi radar SWIRLS. Bước sang các giờ tiếp theo, tỷ trọng của mô hình số trị tăng dần đều đặn. Đến hạn dự báo sáu giờ, thông tin vật lý từ mô hình số giữ vai trò chủ đạo. Quá trình chuyển tiếp diễn ra liên tục và loại bỏ hiện tượng nhảy số liệu đột ngột. Kết quả tạo ra trường mưa tích lũy vừa chân thực vừa phù hợp quy luật khí quyển. Kỹ thuật này khắc phục triệt để sai số thời gian của mô hình số trị. Đồng thời, phương pháp kéo dài phạm vi cảnh báo hiệu quả của radar thời tiết.

3.1. Kỹ thuật pha trộn Blending tối ưu hóa trọng số dự báo

Thuật toán pha trộn sử dụng sơ đồ trọng số tuyến tính hoặc phi tuyến. Dữ liệu phản hồi radar SWIRLS và dự báo từ mô hình WRF được chuẩn hóa cùng lưới tính. Trọng số của SWIRLS giảm dần từ một về không trong khung thời gian từ một đến sáu giờ. Ngược lại, trọng số mô hình số trị tăng tương ứng theo từng bước thời gian. Thuật toán tự động hiệu chỉnh độ lệch pha giữa hai nguồn dữ liệu độc lập. Sự kết hợp này bảo toàn cấu trúc vùng mưa lớn ngoài khơi và trên đất liền. Sản phẩm hợp nhất cung cấp bức tranh lượng mưa đồng nhất và tin cậy cho chuyên viên khí tượng.

3.2. Cải thiện chỉ số ETS và xác suất phát hiện POD mưa lớn

Đánh giá định lượng chứng minh sự vượt trội của phương pháp pha trộn dữ liệu. Chỉ số đánh giá kỹ năng dự báo ETS tăng đáng kể tại các ngưỡng mưa nguy hiểm. Đối với lượng mưa từ mười đến mười lăm milimet mỗi giờ, sản phẩm hợp nhất duy trì ETS ổn định. Xác suất phát hiện POD đối với các tâm mưa bão lớn tăng từ bốn mươi lên năm mươi phần trăm. Đồng thời, tỷ lệ phát báo động giả giảm xuống rõ rệt so với chạy mô hình đơn lẻ. Sự cải thiện này duy trì liên tục từ hạn dự báo một giờ đến ba giờ. Kết quả khẳng định độ vững chắc của thuật toán trong điều kiện thời tiết khắc nghiệt.

IV. Hiệu quả ứng dụng SWIRLS kết hợp dự báo mưa bão tại Việt Nam

Ứng dụng thực tế tại Việt Nam chứng minh giá trị to lớn của hệ thống dự báo tích hợp. Các nghiên cứu tình huống đối với bão nhiệt đới Noru, Dianmu và Etau cho kết quả rất khả quan. Khi bão Noru đổ bộ vào miền Trung, mô hình số trị thuần túy dự báo mưa chủ yếu ngoài biển. Trong khi đó, đất liền đã xuất hiện các trận mưa rất to. Hệ thống pha trộn SWIRLS đã sửa chữa kịp thời độ lệch vị trí vùng mưa này. Cảnh báo định lượng mưa trên đất liền được phát ra sớm trước hai đến ba giờ. Nhờ vậy, chính quyền địa phương chủ động phương án sơ tán dân cư vùng ngập trũng. Sự kết hợp này mở ra hướng đi chiến lược cho ngành khí tượng thủy văn Việt Nam. Việc đồng hóa dữ liệu quan trắc trạm tự động AWS tiếp tục nâng cao độ chính xác. Hệ thống hỗ trợ đắc lực công tác vận hành an toàn hồ chứa thủy điện và thủy lợi. Công nghệ này đánh dấu bước chuyển mình sang giai đoạn dự báo số trị hiện đại và tự động hóa cao.

4.1. Thực tiễn cảnh báo thiên tai qua các cơn bão điển hình

Thử nghiệm với cơn bão Noru năm 2022 cho thấy năng lực cảnh báo vượt trội của hệ thống. Chu kỳ dự báo lúc không giờ ghi nhận lượng mưa thực tế trên đất liền tăng cao. Mô hình số trị đơn thuần chưa kích hoạt mưa tại ven bờ do hiện tượng khởi động chậm. Hệ thống kết hợp SWIRLS đã bổ sung ngay lập tức trường phản hồi radar thực tế. Điểm số kỹ năng đối với ngưỡng mưa lớn trên mười milimet mỗi giờ tăng vọt. Dự báo tái hiện chính xác tâm mưa dồn dập tại Quảng Nam và Đà Nẵng. Thành công này tạo cơ sở vững chắc cho việc ứng dụng nghiệp vụ thường xuyên.

4.2. Định hướng hoàn thiện hệ thống quan trắc và dự báo số

Ngành khí tượng cần tiếp tục nâng cấp mạng lưới radar phân giải cao và trạm đo mưa tự động. Việc chuẩn hóa dữ liệu đầu vào giúp thuật toán SWIRLS vận hành mượt mà và ổn định. Nghiên cứu mở rộng việc đồng hóa sâu các sản phẩm vệ tinh khí tượng mới. Tối ưu hóa sơ đồ tham số hóa vi vật lý trong mô hình WRF là yêu cầu then chốt. Sự phối hợp giữa viện nghiên cứu và cơ quan khí tượng nghiệp vụ cần đẩy mạnh hơn nữa. Việc làm chủ công nghệ pha trộn sản phẩm bảo đảm an toàn cộng đồng trước biến đổi khí hậu ngày càng gay gắt.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 : TỔNG QUAN 1. Bão và mưa do bão Tổ chức Khí tượng thế giới (WMO) định nghĩa xoáy thuận nhiệt đới là vùng xoáy gió xoáy với đường kính có thể lên tới hàng trăm kilomet. Tùy thuộc vào sức gió gần bề mặt mà phân loại xoáy thuận nhiệt đới thành Bão (trên cấp 7 theo thang gió bão Bô-Pho) hoặc áp thấp nhiệt đới (ATNĐ, cấp 6-7 theo thang gió bão Bô-Pho) [32]. Bão/ATNĐ là những thiên tai nguy hiểm có nguồn gốc khí tượng có mức độ tàn phá rất lớn, trực tiếp và gián tiếp gây ra những ảnh hưởng nặng nề tới các hoạt động kinh tế, xã hội.

Những đặc trưng như gió mạnh, mưa lớn, nước dâng do bão/ATNĐ, lũ lụt và sạt lở đất là nguy cơ chính gây thiệt hại về con người và cơ sở hạ tầng, đặc biệt là ở các khu vực ven biển. Trong nghiên cứu này, bão/ATNĐ sẽ được gọi chung là bão. Khả năng dự báo mưa lớn đi kèm với những cơn bão đổ bộ chỉ có thể cải thiện khi có những hiểu biết sâu sắc về cơ chế mưa cũng như phân bố mưa của bão. Từ những nghiên cứu ban đầu về bão đã cho thấy cấu trúc mưa trong bão rất phức tạp và biến đổi từ trường hợp này sang trường hợp khác (Miller 1958, Fran, Marks Jr 1985, Burpee và Black 1989) [23, 21, 8].

Trên các ảnh radar thường thấy mưa bão được tổ chức thành các dải xoắn hướng vào tâm bão (Wexler 1947) [31] và thường được đề cập tới là các dải mưa (rain bands). Một vùng mưa cường độ lớn bao quanh vùng tâm bão chính là thành mắt bão (eyewall) (Kessler III 1958) [17].Theo lý thuyết, phân bố không gian của mưa bão được biết đến như là một chuỗi các thành phần vành khuyên bao gồm thành phần đối xứng và bất đối xứng. Sự phức tạp của trường mưa bão đã được đề cập trong hàng loạt các nghiên cứu từ quan trắc cho đến mô hình liên tục trong những thập kỷ qua. Rodgers và Adler (1981) [26] đã xây dựng các đường profile của mưa theo hướng bán kính đối với 21 cơn bão ở vùng đông và tây Thái Bình Dương sử dụng quan trắc từ vệ tinh.

Kết quả cho thấy cường độ bão tăng lên không chỉ liên quan đến sự tăng lên của tốc độ mưa 11 trung bình mà còn liên quan đến sự đóng góp tương đối của mưa lớn. Kết quả nghiên cứu cũng cho thấy bán kính mưa cực đại giảm khi cường độ bão tăng lên. Sử dụng đo đạc từ radar cho thấy tốc độ mưa của thành phần đối xứng trục là 11mm/h ở thành mắt bão trong cơn bão Allen (1980), giá trị này gấp khoảng 6 lần giá trị ở bán kính 111km tính từ thành mắt bão (Marks Jr 1985) [21]. Burpee và Black 1989 [8] đã phân tích cấu trúc mưa từ số liệu radar ở khoảng cách 75km tính từ tâm bão của cơn bão Alicia (1983) và cơn bão Elena (1985).

Kết quả cho thấy tốc độ mưa của thành phần đối xứng trục tương ứng chỉ là 5,2 và 6mm/h. Những giá trị này giảm xuống còn 2,8 và 3,4mm/h ở dải mưa đầu tiên xung quanh tâm bão. Những nghiên cứu này đều cho thấy mỗi cơn bão có phân bố mưa rất khác nhau trong suốt quá trình phát triển, có thể liên quan đến nhiều nhân tố trong đó cả động lực bão và môi trường bão đều có thể ảnh hưởng đến cấu trúc mưa bão. Tính bất đối xứng trong mưa bão cũng đã được nghiên cứu nhiều từ số liệu quan trắc cũng như sử dụng mô hình số (Marks và cộng sự 2002) [22].

Những quan trắc từ số liệu radar đều cho thấy tính bất đối xứng của mưa trong cơn bão Allen (Marks Jr 1985) [21] cũng như trong hai cơn bão Alicia và Elena (Burpee và Black 1989) [8]. Tuy nhiên, sự bất đối xứng này biến đổi đáng kể từ cơn bão này sang cơn bão khác. Chẳng hạn như cơn bão Allen có cực đại tốc độ tạo mưa ở cung phần tư bên phải-phía trước trong khu vực thành mắt bão và di chuyển theo chiều xoáy nghịch ra phía vùng ngoài rìa. Cực đại mưa trong cơn bão Alicia thì ban đầu quan sát thấy ở cung phần tư bên trái-phía trước sau đó chuyển sang cung phần tư bên phải-phía trước.

Những kết quả quan trắc khác cũng cho thấy có sự thay đổi như vậy. Nghiên cứu của Miller (1958) [23] cho thấy mưa cực đại chủ yếu rơi vào cung phần tư bên phải-phía trước từ số liệu tổng hợp của 16 cơn bão ở khu vực Florida. Frank (1977) [15] cũng đã chỉ ra rằng sự phân bố mưa có tính đối xứng trục với những cơn bão ở vùng tây bắc Thái Bình Dương sử dụng chuỗi số liệu đo mưa dài 21 năm trên 13 đảo nhỏ. Rodgers, Chang và công sự (1994) [27] đã sử dụng số liệu vệ tinh để phân tích và cho thấy vùng mưa cực đại xuất hiện ở phía trước trong các cơn bão ở Bắc Đại Tây Dương.

Vị trí vùng mưa cực đại cũng dịch chuyển về phía bên phải-phía trước khi tốc độ của cơn bão tăng lên. Mặc dù hầu hết các nghiên cứu 12 trước đây đều đã chỉ ra rằng vùng cực đại mưa nằm ở phía trước của tâm bão nhưng vị trí và biên độ có sự dao động rất lớn. Trong thực tế, những cơn bão tương đối giống nhau về vị trí hình thành, cường độ và tốc độ như cơn bão Allen, Alicia và Elena cũng có cấu trúc mưa rất khác nhau. Như vậy, sự phân bố mưa bão được xác định bởi rất nhiều nhân tố bao gồm các nhân tố môi trường như độ đứt gió, nhiệt độ mặt nước biển, sự phân bố ẩm, cũng như các nhân tố riêng của cơn bão như cường độ, vị trí, tốc độ di chuyển.

Để đánh giá được những nhân tố này ảnh hưởng như thế nào đến mưa bão cần có sự nghiên cứu sự phụ thuộc của nó là một hàm theo hướng bán kính và hướng phương vị của tâm bão đối với các nhân tố cường độ, vị trí và tốc độ di chuyển của bão. Thông thường để phân tách giữa mưa do bão và mưa do các hệ thống thời tiết khác gây ra, mưa do bão được định nghĩa là mưa xảy ra cho một khu vực trong một thời đoạn mà bão tác động trực tiếp từ giai đoạn di chuyển đến và đi qua khu vực đó. Với một số khu vực ven biển, bão có thể ảnh hưởng trực tiếp trong một thời đoạn đủ dài để gây ra lượng mưa rất lớn nhưng có thể không đổ bộ. Tuy nhiên phần lớn bão di chuyển vào một khu vực, đổ bộ và tan đi trên đất liền.

Trong thời kì này mưa xảy ra có thể bao gồm cả mưa do bão hoặc mưa do một số hệ thống đang và đồng thời tác động, tuy nhiên trong phạm vị nghiên cứu của Đề tài vẫn được xem chung là mưa do bão. Do độ tin cậy của dự báo quỹ đạo bão được cải thiện rất nhiều trong những năm trở lại đây hạn dự báo 1-3 ngày có sai số trung bình khoảng 80-250km (DeMaria 2005) [12] nên mưa do bão cần được xác định ngay khi có những bản tin cảnh báo và dự báo bão có khả năng cao đổ bộ vào một khu vực nhất định. Khi phát bản tin cuối cùng liên quan đến bão ảnh hưởng trực tiếp đến một khu vực cụ thể thì sau khoảng 12-24h được xem là sự kết thúc của mưa do bão (Hình 1.1 Mô phỏng cấu trúc trường mưa bão (Chen và cs, 2010) [9] Nếu gió mạnh do bão có tác động lớn trên biển thì mưa do bão là một trong những yếu tố nguy hiểm nhất của bão (Li và cộng sự 2012,2014) [19,20]. Lượng mưa lớn từ bão không chỉ gây lũ lụt tại các khu vực ven biển mà còn có thể gây mưa lớn tại những vùng núi nằm sâu hơn trong đất liền và dẫn tới sạt lở đất.

Tính toán dựa trên số liệu ước lượng mưa từ vệ tinh chỉ ra rằng, tại các khu vực có khả năng xuất hiện bão thì mưa bão chiếm ~ 5% số ngày mưa của khu vực đó và có thể chiếm tới trên 30% số ngày diễn ra mưa cực đoan với lượng mưa vượt 100mm trong 24 giờ (Prat và Nelson 2016) [25]. Để giảm thiểu thiệt hại do mưa bão, thì việc dự báo định lượng mưa do bão phải được nâng cao chất lượng không chỉ về mặt hạn dự báo (trước 1 – 3 ngày) mà cả định lượng mưa tại địa điểm bão ảnh hưởng. Tuy nhiên, bài toán dự báo định lượng mưa là một trong những thách thức hiện nay của lĩnh vực dự báo thời tiết, nó phụ thuộc vào dự báo quỹ đạo, cường độ của bão, cấu trúc bão, các hệ thống thời tiết. Tình hình nghiên cứu ngoài nước Khái niệm dự báo hạn cực ngắn đối với các hiện tượng thời tiết nói chung và mưa lớn nói riêng được xác định tùy thuộc vào mỗi quốc gia, và hạn dự báo có thể thay đổi từ 0-3 giờ, 0-6 giờ, 0-12 giờ, 0-18 giờ hay dưới 24 giờ.

Đến nay, nhiều nước đã và đang nghiên cứu, áp dụng các phương pháp khác nhau trong dự báo hạn cực 14 ngắn. Trong đó, 3 trụ cột chính được sử dụng trong lĩnh vực này là: (1) phương pháp dự báo số trị bằng mô hình dự báo quy mô khu vực với độ phân giải cao, (2) phương pháp phân tích ảnh mây vệ tinh và (3) phương pháp phân tích sản phẩm của radar. Ba phương pháp này thường được sử dụng kết hợp với nhau và được hiệu chỉnh bằng các phương pháp thống kê. a) Dự báo mưa bằng phân tích ảnh radar thời tiết có ưu điểm là cho kết quả đo mưa thời điểm hiện tại một cách trực tuyến, độ chính xác cao, với độ phân giải không gian và thời gian cao (~1km, 5-10 phút), khu vực bao phủ rộng lớn (100 – 200km) nên thuận lợi trong vấn đề dự báo và theo dõi diễn biến mưa.

Nhiều nước (Hoa Kỳ, Anh, Hà Lan, Nhật, Đài Loan, Hồng Kông) đã xây dựng thành công các hệ thống cảnh báo sớm thiên tai dựa vào dữ liệu mưa chủ yếu từ hệ thống radar. Ví dụ, hai hệ thống của Cơ quan thời tiết Hoa Kỳ đưa ra các dự báo cực ngắn các cơn dông, mưa lớn nguy hiểm rất hiệu quả là Hệ thống hỗ trợ Quyết định cảnh báo WDSS (“Warning Decision Support System”) (Lakshmanan và cộng sự 2007) [18] và Hệ thống tương tác xử lý thời tiết tiên tiến AWIPS (“Advanced Weather Interactive Processing System”). Các hệ thống này sử dụng các thuật toán tính toán đường đi của dông, xác định mưa đá, xoáy thuận quy mô vừa, lốc xoáy và gió gây hại và các dữ liệu, sản phẩm được hiển thị tương tác.