Luận án Nghiên cứu khả năng mô phỏng mùa các yếu tố khí tượng trên lãnh thổ Việt Nam bằng phương pháp thủy động và thống kê

Hanssen và Kuipers H FHK H M F CN = −+ + -1 Æ 1 tốt = 1 xấu = 0 Dự báo sự kiện “có” phân biệt tốt đến đâu so với sự kiện “không” ? Chỉ số kỹ năng Heidke . . ( ) e ran e ran H CN HHSS N H + −= − e.ran ( )( )1 ( )( ) H M H F H CN M CN FN + +⎡ ⎤= ⎢ ⎥+ + +⎣ ⎦ -∞Æ 1 tốt = 1 xấu = 0 Độ chính xác của dự báo quan hệ với tính ngẫu nhiên như thế nào? 69 c/ Các phương pháp đánh giá đối với dự báo đa nhóm Các phương pháp đánh giá đối với dự báo đa nhóm cũng bắt đầu với bảng ngẫu nhiên biểu diễn tần số dự báo và quan trắc trong các nhóm nhỏ khác nhau (Bảng 2.3). Trong bảng này, n(Fi,Oj) ký hiệu số dự báo thuộc nhóm thứ i có số quan trắc thuộc nhóm thứ j, N(Fi) là tổng số dự báo thuộc nhóm i, N(Oj) là tổng số quan trắc thuộc nhóm j, và N là tổng số quan trắc. Một hệ thống dự báo hoàn hảo phải đạt các giá trị khác 0 chỉ trên đường chéo và các giá trị ngoài đường chéo phải bằng 0. Các chỉ số Acc, chỉ số kỹ năng Heidke và biệt thức Hanssen và Kuipers ở đây tương tự như phương pháp phân đôi nhưng là lấy tổng theo nhóm (Bảng 2.4). Bảng 2.3: Bảng ngẫu nhiên đối với dự báo đa nhóm Quan trắc Nhóm Tổng i,j 1 2 ... K 1 n(F1,O1) n(F2,O1) ... n(FK,O1) N(F1) Dự báo 2 n(F1,O2) n(F2,O2) ... n(FK,O2) N(F2) Nhóm ... ... ... ... ... ... K n(F1,OK) n(F2,OK) ... n(FK,OK) N(FK) Tổng N(O1) N(O2) ... N(OK) N Bảng 2.4: Bảng các chỉ số đánh giá dự báo đa nhóm Chỉ số Biểu thức tính Giá trị Ý nghĩa Độ chính xác Acc 1 1 ( , ) K i i i Acc n F O N = = ∑ 0 Æ 1 tốt = 1 Dự báo đúng bao nhiêu phần trăm? Chỉ số kỹ năng Heidke 2 1 1 2 1 1 1( , ) ( ) ( ) 11 ( ) ( ) K K i i i i i i K i i i n F O N F N O N NHSS N F N O N = = = − = − ∑ ∑ ∑ -∞Æ 1 tốt = 1 xấu = 0 Độ chính xác của dự báo quan hệ với tính ngẫu nhiên như thế nào? Biệt thức Hanssen và Kuipers 2 1 1 2 2 1 1 1( , ) ( ) ( ) 11 ( ( )) K K i i i i i i K i i n F O N F N O N NHK N F N = = = − = − ∑ ∑ ∑ -1 Æ 1 tốt = 1 xấu = 0 Dự báo sự kiện “có” phân biệt tốt đến đâu so với sự kiện “không” ? d/ Phương pháp đánh giá đối với dự báo các biến liên tục Minh họa cho phương pháp đánh giá dự báo các biến liên tục và phương pháp thống kê là một ví dụ về tập hợp 10 ngày nhiệt độ được dự báo bởi Stanski vcs. (1989). Đánh giá các dự báo biến liên tục thường được thực hiện bằng đồ thị tụ điểm và đồ thị hộp cũng như một vài chỉ số tổng quát trong Bảng 2.5. 70 Bảng 2.5: Bảng các chỉ số đánh giá dự báo biến liên tục Chỉ số Biểu thức tính Giá trị Ý nghĩa ME 1 1 ( ) N i i i ME F O N = = −∑ -∞Æ∞ tốt = 0 Sai số dự báo trung bình bằng bao nhiêu? MAE 1 1 N i i i MAE F O N = = −∑ 0Æ∞ tốt = 0 Biên độ trung bình của sai số dự báo RMSE 2 1 1 ( ) N i i i RMSE F O N = = −∑ 0Æ∞ tốt = 0 Biên độ trung bình của sai số dự báo Hệ số tương quan r 2 2 ( )( ) ( ) ( ) F F O O r F F O O − −= − − ∑ ∑ ∑ -1Æ1 tốt = 1 Tương quan giữa giá trị dự báo và giá trị quan trắc 2.2.2. Phương pháp luyện mạng thần kinh nhân tạo ANN Phương pháp luyện ANN là một trong những phương pháp hiệu quả được đánh giá cao trong số các phương pháp thống kê sản phẩm mô hình số do khả năng biểu diễn quan hệ vật lý phi tuyến giữa các đại lượng khí tượng. Hình 2.6 biểu diễn tổng quát quá trình này từ sản phẩm dự báo của GCM hoặc RCM về quy mô địa phương, trong đó giá trị tại lưới thô của GCM hoặc RCM trên một khu vực nhỏ nào đó được trích ra làm nhân tố dự báo cho các điểm trạm hoặc các vùng nhỏ hơn thông qua các phương trình hồi quy, tương quan, ... Hình 2.6: Dự báo cho địa phương bằng phương pháp thống kê sản phẩm của GCM hoặc RCM. 71 Ý tưởng xây dựng ANN bắt nguồn từ việc nghiên cứu hệ thần kinh sinh học của con người, trong đó quan trọng nhất là sự điều khiển của bộ não sau đó là sự lan truyền thông tin trong hệ thống các tế bào thần kinh [Haykins, 1994]. Tuy không được xây dựng chặt chẽ và phức tạp như hệ thống thần kinh sinh học nhưng ANN lại có thể mô hình hoá được rất nhiều quá trình phức tạp của các hệ thống thần kinh sinh học và ngoài ra, rất nhiều đặc tính của ANN lại không có trong các hệ thần kinh sinh học. Ví dụ, ANN có thể bao gồm các đầu ra là các giá trị hằng số riêng lẻ trong khi đó đầu ra của các neuron sinh học là một chuỗi liên kết và biểu hiện phức tạp theo thời gian của các nhánh. Sau đây là hình vẽ so sánh cấu trúc của mạng thần kinh sinh học với ANN (Hình 2.7). Hình 2.7: Cấu trúc của mạng thần kinh sinh học (trên) và cấu trúc ANN (dưới). [ sight.com/fig/0330250 106025.png] Đối với mạng thần kinh sinh học, thông tin có thể lan truyền từ cơ quan thụ cảm về não bộ hoặc ngược lại nhưng đều theo một cách thức như nhau là thông qua các xung thần kinh trên các sợi trục thần kinh và liên kết hoá học trên các khớp thần kinh. Cách thức lan truyền thông tin này được ANN mô phỏng đơn giản hơn rất nhiều nhưng cũng khá đầy đủ và tương đồng. Ban đầu, thông tin từ các nhánh thần kinh đi vào một neuron sinh học, tương ứng với việc cung cấp các đầu vào cho các nodes trên ANN. Sau đó thông tin lan truyền trên sợi trục thần kinh, tương ứng với các hàm truyền của ANN. Các khớp thần kinh sinh học tương ứng với các trọng số trong ANN. Cuối cùng thông tin đi tới một cơ quan thực hiện hành động, tương ứng với việc ANN cho ra một kết xuất. ANN có thể rất phức tạp bao gồm nhiều nút, nhiều lớp ẩn nhưng đơn giản nhất là chỉ có 1 lớp đầu vào, 1 lớp ẩn và lớp kết xuất. 72 Một trong những toán tử thường được sử dụng nhiều nhất trong ANN là toán tử lan truyền ngược (back-propagation) trong đó thông tin không những được lan truyền tiến dọc theo các nút nhờ hàm truyền và các trọng số mà còn được lan truyền ngược trở lại để cập nhật các trọng số sao cho sai số giữa kết xuất và hàm đích giảm đi. Phương pháp cực tiểu hoá sai số giữa kết xuất và hàm đích thường được sử dụng là phương pháp học giảm dốc nhất (phương pháp giảm gradient). Mục đích là tính gradient sao cho cực tiểu hóa sai số tổng cộng giữa giá trị mong muốn trong thực tế và kết xuất của ANN. Nguyên tắc học là trọng số được cập nhật sao cho làm giảm gradient tổng cộng của sai số theo mọi trọng số trên tất cả các mẫu nghĩa là di chuyển theo hướng ngược lại của gradient sai số tổng cộng, theo hướng giảm sai số nhiều nhất trên mặt lỗi (Hình 2.8). Hình 2.8: Mặt lỗi là hàm của các trọng số. Điểm dốc nhất trên mặt lỗi là nơi sai số tổng cộng nhỏ nhất. ANN thường sử dụng hàm truyền logistic sigmoid (logsig) hoặc hyperbolic tangent sigmoid (tansig) trong các lớp ẩn. Đối với lớp kết xuất, nếu hàm đích là những giá trị biến đổi từ 0 đến 1, ANN sẽ sử dụng hàm sigmoid, ngược lại sẽ sử dụng hàm tuyến tính (purelin) như được biểu diễn trong Hình 2.9. (a) Hàm truyền logistic sigmoid (b) Hàm truyền hyperbolic tangent sigmoid (c) Hàm truyền tuyến tính Hình 2.9: Các dạng hàm truyền cơ bản của ANN, (a) hàm Log-sigma, (b) tan- sigma, (c) tuyến tính [Demuth vcs., 2000]. 73 Thuật toán Levenberg-Marquardt là một trong những cải tiến của phương pháp lan truyền ngược và grandient giảm dốc nhất trong đó trọng số được cập nhật không phải hằng số theo thời gian mà biến đổi tùy thuộc gradient tại bước ngay trước đó. Đây là thuật toán chính thức của phương pháp ANN trong chương trình MatLab (Matrix Laboratory, Mỹ), được luận án sử dụng để hiệu chỉnh nhiệt độ và lượng mưa. Đầu vào Lớp ẩn 1 Lớp ẩn 2 Lớp ẩn 3 Kết xuất Hình 2.10: Mạng thần kinh 3 lớp theo phương pháp Levenberg-Marquardt. Đầu vào Lớp ẩn 1 Lớp ẩn 2 Lớp ẩn 3 Kết xuất Hình 2.11: Dạng vectơ của mạng 3 lớp trong Hình 2.10. Mạng thần kinh 3 lớp có dạng và công thức cụ thể như trên hình Hình 2.10 hoặc dạng vectơ như trên hình Hình 2.11 trong đó ký hiệu p là vectơ đầu vào, IW là ma trận trọng số của đầu vào, b là các vectơ tham số tại từng lớp, LW là các ma trận trọng số tại các lớp, f là các hàm truyền, a là vectơ chứa các giá trị tại các nút (các nơron) và y là vectơ đầu ra. Trong trường hợp tổng quát, khi có nhiều lớp thì không 74 thể viết công thức tường minh như trên vì quá dài, thay vì đó, sử dụng công thức quy nạp để mô phỏng một mạng thần kinh với chỉ số trên là số thứ tự của lớp: ( ) ( ) ( ) 1 1 1 1 1 2 2,1 1 2 2 2 2 , 1 1 , , ... ,N N N N N N N N n IWp b a f n n LW a b a f n n LW a b a f n y− − = + = = + = = + = = (2.80) Mạng thần kinh nhân tạo được luyện bằng cách thay đổi các trọng số IW, LW và b để sai số giữa đầu ra và mục tiêu là nhỏ nhất. Phương pháp được lựa chọn là từng bước cập nhật trọng số theo đường dốc nhất (hướng âm của gradient). Công thức thay đổi theo đường dốc nhất có dạng: 1k k k kx x g+ = −α trong đó xk là vectơ chứa các trọng số và b tại bước (thế hệ) thứ k, gk là gradient của sai số đối với trọng số và b, αk là bước tiến. Thuật toán này có thể hiểu một cách hình tượng giống như một hòn bi lăn trong một cái chảo sẽ tìm đường dốc nhất để đi tới đáy chảo. Trong những chương trình luyện mạng đơn giản, người ta cho bước tiến αk là hằng số và quá trình hội tụ rất chậm. Các thuật toán cải tiến sẽ thay đổi bước tiến trong quá trình luyện. Ở đây ta sử dụng thuật toán Levenberg-Marquardt để luyện. Thuật toán Levenberg-Marquardt được trình bày chi tiết trong Phụ lục B. 2.3. Nguồn số liệu sử dụng a/ Số liệu cho RegCM3 Nguồn số liệu cung cấp cho mô hình RegCM3 bao gồm số liệu về độ cao địa hình, các loại bề mặt, nhiệt độ mặt nước biển và số liệu tái phân tích làm điều kiện ban đầu và điều kiện biên cập nhật theo thời gian. Tất cả số liệu đầu vào cần để chạy mô hình có thể được tải về từ trang web RegCM3. ™ Bộ số liệu Đặc trưng đất phủ toàn cầu (Global Landuse Cover Characteric: GLCC) cung cấp thông tin về thực vật/mặt đệm, nhận được từ số liệu Bức xạ phân giải rất cao tiên tiến (Advanced Very High Resolution Radiation: AVHRR) 75 từ tháng 4/1992 đến tháng 3/1993 và được chia thành 18 loại đất phủ/thực vật được định nghĩa trong sơ đồ tương tác sinh quyển-khí quyển BATS. Mặt đệm của mỗi ô lưới của mô hình được xác định thuộc 1 trong số 18 loại này. Có thể xem kỹ hơn về số liệu GLCC tại trang web glcc.html. ™ Số liệu độ cao địa hình được lấy từ USGS. Các file số liệu mặt đệm và độ cao địa hình đều có sẵn tại các độ phân giải 30 và 10 phút và có thể tải về từ trang web của ICTP là DATA/SURFACE. ™ Số liệu SST có thể là nhiệt độ mặt biển toàn cầu (GISST) hàng tháng trên lưới cách nhau 1 độ (1871-2002) có sẵn từ Cơ quan Khí tượng Trung tâm Hadley (Hadley Center Meteorological Office) ( hoặc bộ số liệu phân tích hàng tuần trên lưới 1 độ của nhiệt độ mặt biển ngoại suy tối ưu (OISST) (1981-2002) cũng có sẵn từ Cơ quan quản lý biển và khí quyển quốc gia (National Ocean and Atmosphere Administration) trên trang web ™ Số liệu phân tích toàn cầu để sử dụng đối với các điều kiện ban đầu và biên bao gồm: 9 ECMWF: Số liệu tái phân tích của Trung tâm dự báo thời tiết hạn vừa của Châu Âu (European Centre for Medium-Range Weather Forecasts Reanalysis, T42, L15) từ 1993-1997. 9 NNRP1: Số liệu tái phân tích của Trung tâm quốc gia Dự báo Môi trường của Mỹ (National Centre for Environmental Prediction (NCEP) Reanalysis datasets), lưới 2.5 độ, L17, từ 1948-2001. 9 NNRP2: Số liệu tái phân tích của Trung tâm quốc gia Dự báo Môi trường của Mỹ (National Centre for Environmental Prediction (NCEP) Reanalysis datasets), lưới 2.5 độ, L17, từ 1979-2001. 9 ERA40: Số liệu tái phân tích của Trung tâm dự báo thời tiết hạn vừa của Châu Âu (ECMWF Re-analysis), là số liệu tái phân tích toàn cầu của các 76 biến khí quyển từ rất nhiều quan trắc truyền thống và số liệu vệ tinh cho giai đoạn từ tháng 9/1957 đến 8/2002. b/ Số liệu thẩm định ™ CRU: Số liệu tái phân tích của Trung tâm nghiên cứu khí hậu của Anh với độ phân giải ngang 0,5 độ, chỉ có số liệu nhiệt độ bề mặt, lượng mưa, tổng lượng mây và độ ẩm tuyệt đối trung bình tháng. ™ Số liệu đầu vào: có thể so sánh với chính số liệu đầu vào ERA40 (ECMWF) để xem xét khả năng tái tạo các trường gió, nhiệt và ẩm của mô hình. ™ Quan trắc thực tế trên Việt Nam: 60 trạm quan trắc khí tượng điển hình trải đều trên lãnh thổ Việt Nam. Trong 1 ngày có số liệu tại 4 ốp quan trắc chuẩn. Nhiệt độ được tính trung bình ngày, sau đó tính trung bình các tháng để so sánh. Lượng mưa tính tổng lượng ngày, sau đó tính trung bình tháng để so sánh. Tóm lược các bước thực hiện trong chương 3 và 4: ™ Trước hết chọn các tham số động lực và vật lý thích hợp nhất cho mô hình RegCM3 đối với khu vực ĐNA, sau đó chạy mô phỏng khí hậu hạn mùa trong 10 mùa hè từ năm 1991 đến 2000 với các tham số được chọn. ™ Đánh giá kết quả mô phỏng bằng các chỉ số thống kê, chỉ ra sai số hệ thống của nhiệt độ và lượng mưa mô phỏng so với quan trắc. ™ Hiệu chỉnh nhiệt độ và lượng mưa trung bình tháng bằng ANN. Chương 3 và 4 sau đây trình bày các kết quả nghiên cứu chính của luận án. 77 Chương 3 KẾT QUẢ MÔ PHỎNG CÁC TRƯỜNG KHÍ TƯỢNG TRÊN KHU VỰC ĐÔNG NAM Á BẰNG MÔ HÌNH KHÍ HẬU KHU VỰC RegCM3 3.1. Thời tiết, khí hậu khu vực ĐNA trong thập kỷ cuối thế kỷ XX Trong thập kỷ cuối của thế kỷ XX, thời tiết khu vực ĐNA đã chịu ảnh hưởng mạnh mẽ của hiện tượng ENSO. ENSO là từ ghép được cấu tạo bởi “El Nino/Southern Oscillation (El Nino/Dao động Nam)”, thực chất là chỉ cả 2 hai hiện tượng El Nino và La Nina và có liên quan với dao động của khí áp giữa 2 bờ phía Đông Thái Bình Dương với phía Tây Thái Bình Dương - Đông Ấn Độ Dương gần xích đạo. “El Nino” là từ được dùng để chỉ hiện tượng nóng lên dị thường của lớp nước biển bề mặt ở khu vực xích đạo trung tâm và Đông Thái Bình Dương, kéo dài 8 - 12 tháng, hoặc lâu hơn, thường xuất hiện 3 - 4 năm một lần, song cũng có khi dày hơn hoặc thưa hơn. “La Nina” là hiện tượng lớp nước biển bề mặt ở khu vực nói trên lạnh đi dị thường, xảy ra với chu kỳ tương tự hoặc thưa hơn El Nino. Hiện tượng El Nino và La Nina có ảnh hưởng đến thời tiết, khí hậu toàn cầu với mức độ khác nhau và rất đa dạng. Tuy nhiên, đối với từng khu vực cụ thể, vẫn có thể xác định được những ảnh hưởng chủ yếu có tính đặc trưng của mỗi hiện tượng nói trên [Nguyễn Đức Ngữ, 2007]. Các kỳ El Nino và La Nina từ mức độ yếu, ôn hòa đến mạnh, xảy ra trong thế kỷ XX được tổng kết trong Bảng 3.1, trong đó 10 năm cuối của thế kỷ XX đã xảy ra 4 đợt El Nino với một đợt xảy ra năm 1997-1998 được xem là mạnh nhất thế kỷ [Nguyễn Đức Ngữ và Phạm Thị Thanh Hương, 2003]. Các đợt El Nino và La Nina trong thời kỳ 1991-2000 được trình bày trong Bảng 3.2. Hiện tượng El Nino chủ yếu bắt đầu xảy ra vào các tháng mùa hè, kéo dài đến hết mùa hè năm đó hoặc sang mùa hè năm sau. 78 Những thời kỳ xảy ra ENSO mạnh sẽ được chú ý trong khi phân tích kết quả mô phỏng hoàn lưu, nhiệt độ, độ ẩm và lượng mưa của mô hình RegCM3 trong mùa gió mùa mùa hè trên khu vực ĐNA tiếp sau đây. Bảng 3.1: Các kỳ El Nino và La Nina trong thế kỷ XX. El Nino yếu hoặc ôn hòa 57-58, 65-66, 77-78, 87-88, 92-93, 94-95 El Nino mạnh 72-73, 82-83, 91-92, 97-98 La Nina yếu hoặc ôn hòa 50-51, 56-57, 64-65, 70-71, 71-72, 74-75, 98-99, 2000 La Nina mạnh 55-56, 73-74, 75-76, 88-89 Bảng 3.2: Các đợt ENSO trong thập kỷ của cuối thế kỷ XX [Nguyễn Đức Ngữ, 2007; Trenberth, 1997] ENSO Năm Tháng bắt đầu Tháng kết thúc Thời gian kéo dài 1991-1992 4/1991 6/1992 15 tháng 1993 2/1993 8/1993 7 tháng 1994-1995 6/1994 3/1995 10 tháng El Nino 1997-1998 4/1997 6/1998 15 tháng 1995-1996 8/1995 4/1996 9 tháng La Nina 1998-2000 8/1998 7/2000 18 tháng 3.2. Hoàn lưu, nhiệt độ, độ ẩm và lượng mưa của RegCM3 3.2.1. Cấu hình động lực Các thử nghiệm đều sử dụng cấu hình như trong Bảng 3.3. Độ phân giải ngang 60km và 18 mực thẳng đứng trong đó có 6 mực trong lớp PBL (dưới 850mb) và mực trên cùng của mô hình ở 70mb. Sau một số thử nghiệm về số liệu đầu vào, thời gian spin-up và thời đoạn mô phỏng chúng tôi lựa chọn điều kiện ban đầu và biên xung quanh biến đổi theo thời gian từng 6h là tái phân tích ERA40 (ECMWF), thời gian spin-up là 10 ngày và hạn mô phỏng là 3 tháng. Khu vực đệm xung quanh gồm 12 điểm lưới, sử dụng thuật toán "giảm dư" trên biên [Giorgi vcs, 1993]. 79 Bảng 3.3: Cấu hình động lực trong RegCM3. Động lực học Thủy tĩnh Số liệu đầu vào ERA40 Miền tích phân 15S-27N; 70-135E Độ phân giải ngang 60km Độ phân giải thẳng đứng 18 mực sigma (từ mặt đất Æ 70mb) Thời gian mô phỏng 3 tháng mùa hè (6-8) trong 10 năm (1991-2000) Thời gian Spin-up 10 ngày (bắt đầu từ 20/5 hàng năm) Đối với dự báo thời tiết, điều kiện ban đầu rất quan trọng, còn với bài toán DBKHKV, điều kiện ban đầu sẽ bị quên đi sau một thời gian tích phân, trong khi điều kiện biên được cập nhật theo thời gian lại có vai trò quan trọng. Do đó, lựa chọn miền tính và điều kiện biên, nhất là biên xung quanh cần lưu ý trước nhất khi mô phỏng hoặc dự báo khí hậu khu vực. Kích thước miền càng nhỏ, ảnh hưởng của biên xung quanh đến kết quả mô phỏng càng lớn [Giorgi vcs., 1993; Jones vcs., 1995; Seth và Giorgi, 1998] bởi vì trong khi tác động của biên xung quanh trong các thử nghiệm miền nhỏ ép buộc mô hình để nhận được mô phỏng tốt hơn, cũng đồng thời làm xuất hiện những phản ứng không thực đối với các tác động nội tại không phù hợp với tác động quy mô lớn được truyền vào. Do đó, miền tính phải đủ lớn để RCM có thể bộc lộ được động lực nội tại của nó thay vì bị ép buộc về trạng thái của trường điều khiển. Biên xung quanh đặt trên các khu vực có địa hình cao đáng kể có thể dẫn tới tạo ra nhiễu và dự báo không đáng tin cậy [Hong và Juang, 1998]. Điều này là do sự không phù hợp giữa độ phân giải thô của GCM và độ phân giải tinh hơn của RCM. Nó không chỉ gây ra nhiễu đáng kể mà còn đòi hỏi “ngoại suy” các biến bên dưới mực bề mặt của các trường điều khiển. Nhìn chung, nên đặt biên xung quanh trên đại dương hơn là trên đất liền để tránh những ảnh hưởng có thể của những tính toán không thực tế của năng lượng toàn phần tại mặt đất, gần các biên. Một yếu tố quan trọng ảnh hưởng tới năng lượng toàn phần tại mặt đất, gần các biên xung quanh là sự hình thành mây, đặc biệt khi sử dụng các sơ đồ vi vật lý mây hiển, vì nước mây thường không được cung cấp như là các LBC và đòi hỏi một 80 vài ô lưới để sinh ra. Hơn nữa, giáng thuỷ giả thường hình thành gần các biên xung quanh. Do đó, miền của mô hình nên bao quanh tất cả các vùng nơi đó các tác động và hoàn lưu ảnh hưởng trực tiếp đến khí hậu của khu vực và nên mở rộng đến chừng nào có thể nhưng tránh đặt biên trên những khu vực có địa hình phức tạp. Hình 3.1 : Dòng gió mùa chính trong 3 tháng mùa hè (6, 7, 8) ở Châu Á. []. Nhưng những tiêu chí này rất khó thực hiện đầy đủ khi dự báo khí hậu khu vực Châu Á, đặc biệt là khu vực ĐNA. Phía Bắc có dãy Hymalaya với đỉnh Chomolungma cao nhất thế giới (> 8000m). Ba phía còn lại không có núi cao nhưng lại có rất nhiều đảo, bán đảo và đường bờ biển dài và uốn khúc. Mặt khác, như thấy trên Hình 3.1, dòng gió mùa chính trong mùa hè khu vực Châu Á trải dài từ khoảng 60E đến khoảng 140E. Nếu miền quá hẹp theo phương đông-tây cũng sẽ không biểu diễn tốt hoàn lưu gió mùa. Vì vậy, chúng tôi chọn miền tính từ 15S-27N; 70-135E để mô phỏng khí hậu khu vực Đông Nam Á. Một số thử nghiệm miền tính cho thấy việc lựa chọn miền tích phân này là thích hợp. Với miền tích phân này, Hình 3.2 cho thấy đường dòng đã được RegCM tái tạo tốt. Tuy nhiên, ẩm mô phỏng thấp hơn thực tế, nhất là trên Ấn Độ Dương và Biển Đông. Tốc độ gió kinh hướng của mô hình yếu hơn ERA40 trong khi tốc độ gió vĩ hướng được tái tạo mạnh hơn ERA40 trên vịnh Belgan làm cho đường dòng 81 ở đây có xu thế vĩ hướng hơn so với thực. Kết quả là ẩm từ Ấn Độ Dương và Nam Bán Cầu không được vận chuyển chính xác vào bờ tây của Burma, và càng vào sâu trong lục địa, ẩm càng thiếu hụt, có thể thấy trên Thái Lan. (a) ERA40, 8/96 (b) RegCM3, 8/96 Hình 3.2: Đường dòng và độ ẩm trung bình tháng 8/1996 mực 850mb của (a) ERA40 và (b) RegCM3. Đơn vị độ ẩm là kg/kg. Tương tự, đường dòng trên Biển Đông cũng có tính vĩ hướng hơn so với ERA40 làm cho lượng ẩm trên Biển Đông thiếu hụt so với thực tế. Nếu miền hẹp về 82 phía tây và phía nam gây nên nhiễu trên phía nam của cao nguyên Tây Tạng, đường dòng quá ken xít ở biên phía tây, trên vịnh Belgan và ẩm ít hơn thực tế tại bờ đông của vịnh. Đường dòng trên vịnh Bengal có xu hướng vĩ hướng hơn thực tế làm cho rãnh thấp nông hơn và không đưa được ẩm vào bờ tây của Burma (Hình 3.3). Vùng đệm tại xích đạo được mô phỏng chính xác hơn khi biên phía nam mở rộng xuống 15S (Hình 3.2 b so với Hình 3.3). Hình 3.3: Tương tự Hình 3.2b nhưng miền tích phân rộng hơn về phía bắc, hẹp hơn về 3 phía còn lại. Bên cạnh lựa chọn miền tính, độ phân giải cũng rất quan trọng khi thiết lập thử nghiệm cho mô hình khí hậu khu vực. Lựa chọn độ phân giải có thể điều chỉnh hiệu ứng của các tác động vật lý và các tham số hoá [Giorgi và Marinucci, 1996; Laprise vcs., 1998]. Khả năng biểu diễn chu trình thuỷ văn chủ yếu được cải thiện khi tăng độ phân giải do biểu diễn địa hình tốt hơn [Christensen vcs, 1998; Leung và Ghan, 1999]. Việc giải cụ thể hơn các phổ của chuyển động khí quyển tại độ phân giải cao cải thiện khả năng biểu diễn các hệ thống xoáy thuận và xoáy thẳng đứng nhưng đôi khi cũng có thể dự báo xấu hơn một vài khía cạnh của khí hậu [Machenhauer vcs., 1998; Kato vcs., 1999]. Độ phân giải cao không cải thiện đáng kể nhiệt độ mặt đất một cách hệ thống nhưng làm biến đổi nhiệt một số địa phương do biểu diễn được địa hình của mô hình [Kato vcs., 1999]. Tính trung bình trên toàn lục địa, tổng lượng mưa nhạy đối với độ phân giải ngang hơn là nhạy với tác động của địa hình. Địa hình hầu hết góp phần vào phân bố lại diện mưa theo không gian và tác động chủ yếu trên khu vực có địa hình phức tạp [Giorgi và Marinucci, 1996]. 83 Tập hợp các kết quả nghiên cứu của RCM trên thế giới của Giorgi (2006) cho thấy RCM tái tạo mưa chi tiết hơn GCM và RCM_25km mô phỏng lượng mưa 5-7 mm/ngày khu vực ven biển phía tây nước Anh gần với quan trắc hơn phiên bản RCM_50km nhưng cường độ giáng thủy miền bắc nước Anh lại vượt quá quan trắc trong trường hợp độ phân giải 25km (Hình 3.4). Các kết quả mô phỏng của luận án (Hình 3.5) rất phù hợp với những kết quả nghiên cứu này. (a) GCM_300km (b) RCM_50km (c) RCM_25km (d) Quan trắc Hình 3.4: Lượng mưa mô phỏng bởi (a) GCM_300km, (b) RCM_50km, (c) RCM_25km và (d) Quan trắc [Giorgi, 2006]. Đơn vị mm/ngày. 84 Trong luận án, RegCM3 được chạy thử nghiệm với độ phân giải ngang 60km và 45km. Các kết quả mô phỏng nhiệt độ không khác biệt nhiều giữa 2 trường hợp. Lượng mưa của RegCM3_45km chi tiết hơn RegCM3_60km trên khu vực Việt Nam và cường độ mưa tại khu vực tây nam Campuchia mạnh hơn quan trắc (xem Hình 3.5). Do đó, sai số RMSE tổng cộng của RegCM3_45km giảm đi trong khi HSTQ tăng lên so với RegCM3_60km, nhưng sai số RMSE tại khu vực tây nam Campuchia của RegCM3_45km lại cao hơn (Hình 3.6). (a) Mưa, RegCM3_60km (b) RegCM3_45km Hình 3.5: Lượng mưa trung bình tháng 8 của 3 năm 1996-1998 mô phỏng bởi (a)RegCM3_60km và (b) RegCM3_45km. Đơn vị mm/ngày. (a) Mưa, RMSE, RegCM3_60km (b) RegCM3_45km Hình 3.6: Sai số RMSE của lượng mưa trung bình tháng 6-8/1996-1998 của (a) RegCM3_60km và (b) RegCM3_45km. Đơn vị mm/ngày. 85 Các chỉ số đánh giá của phiên bản 60km lần lượt là HSTQ = 0.33, RMSE = 8.49, MAE = 5.58, ME = -0.94 còn các giá trị tương ứng của phiên bản 45km lần lượt là HSTQ = 0.36, RMSE = 8.19, MAE = 5.29, ME = -1.01. Như vậy, kết quả mô phỏng với hai độ phân giải 60km và 45km không khác biệt đáng kể trong khi đó thời gian chạy phiên bản 45km lớn hơn gần gấp đôi so với phiên bản 60km. Hơn nữa, Gao vcs. (2006) kiểm nghiệm vai trò của độ phân giải ngang lên giáng thuỷ mô phỏng của Đông Á bằng việc sử dụng RegCM2 với độ phân giải ngang là 45, 60, 90, 120, 180, 240 và 360 km thấy rằng độ phân giải 60km hoặc cao hơn là cần thiết để mô tả tốt phân bố giáng thuỷ trên Trung Quốc và Đông Á. Do đó, chúng tôi lựa chọn độ phân giải 60km trong tất cả các thử nghiệm sau này. Tiếp theo là các thử nghiệm lựa chọn sơ đồ tham số hóa vật lý, cụ thể là sơ đồ tham số hóa đối lưu và sơ đồ tính thông lượng đại dương – khí quyển. 3.2.2. Lựa chọn sơ đồ tham số hóa vật lý Tham số hóa vật lý là thành phần quan trọng nhất trong mô hình hóa khí hậu. Với cùng một miền tích phân và các tham số khác như độ phân giải, bước thời gian tích phân, điều kiện ban đầu và điều kiện biên xung quanh, RegCM vẫn cho các kết quả mô phỏng rất khác nhau nếu các sơ đồ tham số hóa vật lý khác nhau được lựa chọn. Các sơ đồ tham số hóa vật lý được thử nghiệm trong RegCM3 được trình bày trong Bảng 3.4. Bảng 3.4: Các sơ đồ vật lý biểu diễn trong RegCM3. Sơ đồ tham số hóa đối lưu (1)Kuo (2)BMJ (3)GAS (4)GFC Sơ đồ