Luận án Nghiên cứu tính toán mưa, lũ thiết kế có xét đến biến đổi khí hậu khu vực Nam Trung Bộ - Lê Thị Hải Yến

lớn nhất cho vùng Tây Nguyên. Kết quả mô phỏng từ mô hình đƣợc hiệu chỉnh sai số so với các trạm quan trắc trong khu vực nhằm mô tả tốt nhất diễn biến thay đổi tại địa phƣơng. Tƣơng tự, Quan Van Dau và nnk [58] cũng sử dụng mô hình RCM HadGEM3-RA để đánh giá thiệt hại lũ dƣới tác động tiềm năng của BĐKH cho miền trung Việt Nam. Ngoài ra, các kịch bản BĐKH cho Việt Nam đƣợc Bộ Tài nguyên và Môi trƣờng công bố (2009, 2012, 2016) cũng sử dụng một số các mô hình RCM nhƣ AGCM/MRI, PRECIS, CCAM, RegCM, clWRF, mỗi mô hình RCM này đƣợc xây dựng từ một số các mô hình GCM khác. Nhìn chung, mô hình RCM cho kết quả mô phỏng chi tiết hơn so với mô hình GCM, cụ thể là kích thƣớc ô lƣới chỉ từ 5-40km thay vì từ 50-250km. Tuy nhiên độ chính xác của RCM cũng còn phụ thuộc vào nhiều yếu tố.Theo Warner và nnk (1997) [59], kích thƣớc miền tính không quá lớn nhƣng đảm bảo sao cho những tác động địa phƣơng đƣợc thể hiện khi tăng độ phân giải đồng thời vai trò điều khiển của trƣờng toàn cầu thông qua điều kiện biên vẫn phải phát huy tác dụng. Ngoài ra, vị trí miền tính còn phụ thuộc vào nguồn số liệu đầu vào. Từ một số thử nghiệm của mình, Liang và nnk (2004) [50], và Liu và nnk (2006) [60] đã chỉ ra rằng do sự khiếm khuyết số liệu trên các vùng đại dƣơng nhiệt đới, việc mở rộng miền tính về phía vĩ độ thấp có thể làm giảm độ chính xác mô phỏng của RCM do chất lƣợng của trƣờng toàn cầu kém. Vị trí 48 của miền tính đi qua các khu vực có địa hình phức tạp có thể gây ra nhiễu và ảnh hƣởng xấu tới kết quả mô phỏng do sự không phù hợp giữa giá trị trƣờng trên lƣới độ phân thô của GCM và giá trị nội suy về lƣới độ phân giải tinh hơn của RCM. Ở những nơi có địa hình cao, sai số mô phỏng còn đƣợc sinh ra do việc ngoại suy các biến bề mặt của các trƣờng điều khiển. Do các mô hình RCM thƣờng gắn với một mô hình GCM làm điều kiện biên để mô phỏng chi tiết nên kết quả chính xác của RCM cũng phụ thuộc rất nhiều vào mô hình GCM. Việc thay đổi mô hình đầu vào GCM cho mô hình RCM đòi hỏi nhiều công sức, thời gian tính toán. Các kết quả mô phỏng RCM cũng chỉ đƣợc cung cấp miễn phí một cách hạn chế. Nhiều mô hình RCM cần có giấy phép, hoặc bản quyền thƣơng mại để có thể đƣợc khai thác hay sử dụng kết quả. Do điều kiện hạn chế về tiếp cận dữ liệu mô phỏng của các mô hình RCM, trong khi việc đánh giá mức độ bất định về biến đổi khí hậu trong tƣơng lai cần đƣợc dựa trên nhiều kết quả từ nhiều mô hình khí hậu khác nhau, đồng thời phƣơng pháp nghiên cứu của luận án có thể ứng dụng trên GCM hoặc RCM, nên luận án sẽ sử dụng các dữ liệu từ các mô hình GCM cung cấp miễn phí từ trang web của IPCC. Mặc dù số lƣợng các mô hình GCM và các phiên bản khác nhau của mô hình khá nhiều nhƣng số lƣợng mô hình GCM mà Luận án có thể truy cập và thu thập đƣợc số liệu của mô hình lại hạn chế. Vì vậy sau khi phân tích, đánh giá, phân tích độ phân giải của từng mô hình khí hậu khác nhau, luận án kiến nghị sử dụng 11 mô hình khí hậu GCM thƣờng đƣợc sử dụng trong các nghiên cứu trên thế giới, có thời đoạn mô phỏng ngày với phạm vi không gian mô phỏng bao trùm vùng nghiên cứu (bảng 2.1). 49 Bảng 2.1 Các mô hình khí hậu đƣợc lựa chọn TT Tên mô hình Trung tâm Quốc gia Độ phân giải 1 ACCESS 1.3 Cục Khí tƣợng Úc 1,875 o x 1,25 o (205km x 137,5km) 2 CanESM2 Trung tâm Mô hình và phân tích khí hậu Canada 2,81 o x 2,79 o (300km x 298km) 3 CMCC-CMS Trung tâm Địa Trung Hải về BĐKH Italia 1,875 o x 1,865 o (205km x 200km) 4 CNRM-CM5 Trung tâm Quốc gia Nghiên cứu Khí tƣợng Pháp 1,40 o x 1,40 o (150km x 150km) 5 CSIRO-MK3.6 Tổ chức Nghiên cứu Khoa học và Công nghiệp Liên bang Úc 1,875 o x 1,865 o (205km x 200km) 6 FGOALS-g2 Viện Vật lý Khí quyển, Viện Khoa học Trung Quốc 2,81 o x 2,79 o (300km x 298km) 7 GFDL-ESM2G Phòng thí nghiệm động lực học địa vật lý Mỹ 2,50 o x 2,00 o (270km x 220km) 8 HadGEM2-CC Trung tâm Met Office Hadley Anh 1,875 o x 1,25 o (205km x 137,5km) 9 IPSL-CM5A- MR Viện Pierre Simon Laplace Pháp 2,50 o x 1,268 o (270km x 140km) 10 MIROC5 Viện Nghiên cứu khí quyển và đại dƣơng Nhật Bản 1,40 o x 1,40 o (150km x 150km) 11 MPI-ESM Viện Khí tƣợng Max Planck Đức 1,875 o x 1,865 o (205km x 200km) Kích thƣớc ô lƣới chi tiết của 11 mô hình khí hậu toàn cầu đƣợc thể hiện nhƣ hình 2.3 dƣới đây và hình 1,2 phụ lục 5. 50 Hình 2.3 Ô lƣới mô hình Access1-3, CanESM2, CMCC-CMS, CNRM-CM5. 51 2.2 Cơ sở lý thuyết chi tiết hóa các kịch bản BĐKH Hiện nay trên thế giới đã có rất nhiều các mô hình đƣợc áp dụng để mô phỏng các kịch bản biến đổi khí hậu trong báo cáo IPCC (từ AR4 đến AR5). Các mô hình mô phỏng các diễn biến của các kịch bản tƣơng lai khác nhau, mô phỏng các diễn biến khí quyển trong tƣơng lai, sử dụng các mô hình trên phạm vi toàn cầu kéo dài đến hết thế kỷ 21. Có rất nhiều các tổ chức quốc tế đã tiến hành xây dụng các GCMs khác nhau và một GCM có thể mô phỏng một vài kịch bản khác nhau. Ví dụ nhƣ mô hình CCSM4 của Mỹ có thể mô phỏng đƣợc 2 kịch bản AR5 khác nhau nhƣ RCP4.5 và RCP8.5. HadGEM2-ES của vƣơng quốc Anh cũng có thể mô phỏng 2 kịch bản AR5 khác nhau nhƣ RCP2.6 và RCP4.5. Ngay cả trong một kịch bản thì cũng có rất nhiều điều kiện ban đầu khác nhau nhƣ r1i1p1 hay r3i1p1Và tùy các mô hình GCMs khác nhau thì các dữ liệu mô phỏng cũng có thể khác nhau. Một số mô hình chỉ cung cấp dữ liệu tháng, một số khác cung cấp dữ liệu ngày và có thể là 6 giờ, hay thậm chí là 3 giờ. Bên cạnh đó có những mô hình cung cấp gần nhƣ đầy đủ các bƣớc thời gian. Dữ liệu đầu ra của các mô hình khí tƣợng toàn cầu có thể đƣợc download trực tiếp qua các portal dữ liệu GCMs toàn cầu. Tuy nhiên việc thu thập dữ liệu cũng mất rất nhiều thời gian và bộ nhớ. Do vậy để có thể có đƣợc một hệ thống dữ liệu GCMs đa dạng, thì có thể tốn cả về thời gian và máy móc. Một nhƣợc điểm chung của các GCMs là dữ liệu đầu ra đều ở dạng quy mô không gian khá kém. Chúng thƣờng chia thế giới thành các khung tọa độ vuông, thƣờng theo thứ tự 100-300km ngang. Điều này có nghĩa là chúng chỉ cung cấp các kết quả ở độ phân giải này, chẳng hạn một kết quả nhiệt độ cho một khu vực có diện tích 10.000 đến 90.000 km2. Khi nhìn vào các dự báo khí hậu tƣơng lai ở quy mô địa phƣơng, các kết quả đầu ra xuất hiện trực tiếp từ các GCM rõ ràng là không đủ cho các phân tích chi tiết nhƣ các tác động lên nguồn nƣớc. Các dữ liệu nguyên gốc của các GCMs chỉ có thể mô tả đƣợc xu thế của một vùng nghiên cứu rộng lớn nhƣ một quốc gia có diện tích trung bình cỡ Việt Nam. Để nghiên cứu những biến đổi các yếu tố thời tiết khí hậu, hay thủy văn trong tƣơng lai, thì cần phải áp dụng các phƣơng pháp kỹ thuật thu hẹp quy mô hay chi tiết hoá. Các kỹ thuật này dựa trên các kết quả toàn cầu, và do đó đồng nhất với các tƣơng tác khí hậu toàn cầu, nhƣng chúng tập trung vào một địa 52 phƣơng cụ thể trên thế giới. Có hai cách tiếp cận về thu hẹp quy mô dữ liệu là động lực và thống kê, tƣơng ứng là hai phƣơng pháp chi tiết hóa: (i) phƣơng pháp chi tiết hóa thống kê (Statistical Downscaling), (ii) phƣơng pháp chi tiết hóa động lực (Dynamical Downscaling).  Phương pháp thống kê Bản chất của phƣơng pháp thống kê là xây dựng mối quan hệ toán học giữa các thông số khí tƣợng ở độ phân giải toàn cầu (2o-4o) với các thông số khí tƣợng ở 1 khu vực nhỏ hơn với độ phân giải chi tiết hơn (0,25o-0,5o). Các mối quan hệ toán học này đƣợc thực hiện giữa các dữ liệu trong quá khứ của các thông số khí tƣợng ở độ phân giải toàn cầu và độ phân giải địa phƣơng. Hầu hết các phƣơng pháp thống kê chỉ tập trung vào 2 yếu tố khí tƣợng bao gồm mƣa và nhiệt độ. Các yếu tố này có thể lấy trực tiếp từ các dữ liệu đầu ra của GCMs với độ phân giải toàn cầu, và đƣợc đƣa vào phát triển các mối quan hệ với các điểm đo trên bề mặt khu vực nghiên cứu trong quá khứ. Một điểm lƣu ý của phƣơng pháp này là chỉ các dữ liệu GCMs ở cao độ bề mặt đại dƣơng mới đƣợc đƣa vào tính toán. Khi đƣa vào tính toán thƣờng thì các điểm đo trên bề mặt không trùng khớp với các dữ liệu từ GCMs do đó các dữ liệu của GCMs sẽ cần đƣợc tính toán nội suy để đƣa ra các điểm tính toán trùng khớp với những dữ liệu đo đạc trên khu vực tính toán. Để phân loại các phƣơng pháp chi tiết hoá thống kê, theo Wilby và nnk [61], phƣơng pháp thống kê sẽ đƣợc chia làm 3 loại bao gồm phƣơng pháp phân loại hình thế thời tiết, phƣơng pháp mô hình hồi quy, phƣơng pháp phát sinh thời tiết. Bản chất của phƣơng pháp phân loại hình thế thời tiết là dựa vào việc phân chia các nhóm ngày dữ liệu theo các dạng thời tiết khác nhau. Các loại hay nhóm thời tiết đƣợc định nghĩa bởi các phân tích nhóm theo các yếu tố khí tƣợng theo Corte-Real và nnk 1999 [62]. Trong phƣơng pháp này các dữ liệu ở khu vực nghiên cứu sẽ đƣợc gán vào các nhóm thời tiết tƣơng ứng và tính toán từ dữ liệu toàn cầu GCMs tƣơng ứng bằng các phƣơng trình hồi quy tham khảo Hay và nnk, 1991 [63]; Corte-Real và nnk, 1999 [62]. Tuy nhiên theo Wilby (1994) [64] thì các phƣơng pháp này có những hạn chế trong việc áp dụng tính toán thu hẹp cho các yếu tố thời tiết cực trị nhƣ mƣa lũ và hạn hán. Gần đây phƣơng pháp này đã đƣợc cải tiến thêm khi đƣa vào tính toán thu hẹp 53 theo nhiều điểm và nhiều hơn một yếu tố khí tƣợng. Ngoài ra phƣơng pháp này cũng có thể đƣợc chia làm nhiều cách thức ứng dụng khác nhau cho từng yếu tố khí tƣợng. Ví dụ nhƣ mƣa, có thể sử dụng các phƣơng pháp phân tích riêng đặc tính của mƣa, và phân chia nhóm hình thái mƣa theo các đặc tính đó tham khảo của Hughes và Guttorp, 1994 [65]. Phƣơng pháp phổ biến nhất và đơn giản nhất trong nhóm chi tiết hoá thống kê là phƣơng pháp mô hình hồi quy. Đây là phƣơng pháp sử dụng các khái niệm toán học để đƣa ra các mối quan hệ tuyến tính hoặc phi tuyến cho số liệu GCMs với các số liệu khí tƣợng cần đƣợc thu hẹp ở một khu vực cụ thể. Một ứng dụng phổ biến của phƣơng pháp này là phƣơng pháp hồi quy nhiều biến của Murphy, 1999 [66], quy tắc phân tích tƣơng quan (Von Storch và nnk, 1993 [67]), và phƣơng pháp mạng noron thần kinh một phƣơng pháp tƣơng tự với phƣơng pháp hồi quy phi tuyến tham khảo Crane và Hewitson,1998 [68]. Von Storch (1999) [69], Burger cũng đã thảo thuận trong nghiên cứu của mình ngoài thu hẹp giá trị các yếu tố khí tƣợng còn vấn đề về thu hẹp về độ lệch của các yếu tố đó. Hơn nữa phƣơng pháp này chỉ đơn thuần là áp dụng toán học do đó, các mức độ biến đổi theo thời gian ít nhiều cũng mang tính ràng buộc của các mối quan hệ toán học. Một phƣơng pháp khác trong nhóm các phƣơng pháp chi tiết hoá thống kê là phƣơng pháp phát sinh thời tiết. Đây là phƣơng pháp sử dụng các đặc tính thống kê của khí hậu địa phƣơng nhƣ giá trị trung bình và độ lệch chuẩn. Các mô hình trong phƣơng pháp này dựa vào sự xuất hiện mƣa thông qua quá trình chuyển vị Markov cho những ngày mƣa và không mƣa. Sau đó các biến khí tƣợng khác nhƣ số lƣợng mƣa ngày, số giờ nắng, nhiệt độ sẽ đƣợc mô hình hóa theo số lƣợng xuất hiện các trận mƣa trong khu vực. Do đó các mối quan hệ giữa dữ liệu khí tƣợng GCMs sẽ đƣợc đƣa vào tìm các mối quan hệ tƣơng quan với các yếu tố ở địa phƣơng. Ƣu điểm của các phƣơng pháp thống kê là có thể tính toán nhanh chóng, có khả năng thu hẹp rất nhiều kịch bản cùng một lúc. Các phƣơng pháp đơn giản, và có rất nhiều các phần mềm hỗ trợ tính toán. Tuy nhiên, do có nhiều phƣơng pháp hay các mô hình ứng dụng khác nhau, nên việc lựa chọn phƣơng pháp nào, ứng dụng nào cũng cần phải đƣợc suy xét kỹ cho phù hợp với nghiên cứu. Một ƣu điểm khác của phƣơng pháp này 54 là ít sử dụng nguồn lực máy tính, và có thể áp dụng hàng chục, thậm chí đến gần trăm kịch bản tính toán khác nhau. Rất nhiều nghiên cứu đã ứng dụng phƣơng pháp chi tiết hóa thống kê (Burlando và Rosso, 2002 [70]; Fowler và nnk, 2007 [71]; Goyal và Ojha, 2011 [72]; Hashmi và nnk., 2013 [73]; Pilling và Jones, 2002 [74];) Bên cạnh những ƣu điểm trên, thì phƣơng pháp thống kê cũng có những giới hạn về khả năng ứng dụng và tính thực tế trong việc sử dụng dữ liệu đầu ra. Thực tế là mô hình khí hậu toàn cầu chỉ có thể mô phỏng đƣợc những hoàn lƣu quy mô lớn, trong khi thời tiết hay khí hậu ở một địa điểm nào đó ngoài chịu ảnh hƣởng của nhân tố hoàn lƣu, còn chịu ảnh hƣởng của những yếu tố địa phƣơng nhƣ: Địa hình, khoảng cách đến biển, thảm thực vật... Do vậy, gây ra sự giảm kỹ năng dự báo khi mô phỏng khí hậu quy mô nhỏ, sự thiếu hụt này sản sinh ra những sai số nhất định và cần đƣợc sửa chữa trƣớc khi sử dụng. Bên cạnh ý nghĩa về hiệu chỉnh sai số, chi tiết hóa thống kê cũng có thể đƣợc hiểu giống nhƣ mang thông tin đặc trƣng của địa phƣơng nằm trong chuỗi số liệu quan trắc đóng góp trở lại nhằm lấp đầy những lỗ hổng của mô hình số. Đối với những khu vực ít dữ liệu thì phƣơng pháp này không có nhiều ý nghĩa khi mức độ bất định tăng lên rất lớn. Thêm nữa việc áp dụng phƣơng pháp thống kê trong phƣơng pháp này không thể mô phỏng đƣợc tất cả các yếu tố mặt đệm địa hình, thay đổi về thảm phủ thực vật hay cấu trúc đất. Hầu hết các phƣơng chi tiết hoá thống kê chỉ thu hẹp 2 yếu tố khí tƣợng đó là mƣa và nhiệt độ, trong khi các yếu tố khác không đƣợc đƣa vào tính toán. Dữ liệu đầu ra hầu hết tồn tại ở dữ liệu tháng hoặc có thể là ngày.  Phương pháp động lực Đây là phƣơng pháp mô phỏng hệ thống khí quyển tại phạm vi địa phƣơng sử dụng các phƣơng trình vật lý bao gồm các phƣơng trình bảo toàn lƣợng, động lƣợng, năng lƣợng. Mô phỏng này đƣợc biết đến nhƣ một cách hiểu khác là mô phỏng lại một cách chi tiết hơn các yếu tố khí hậu thời tiết tại một khu vực từ các dữ liệu toàn cầu. Phƣơng pháp thu nhỏ động lực sẽ sử dụng đầu ra của các GCMs để làm các điều kiện biên cũng nhƣ điều kiện ban đầu để mô phỏng các dữ liệu khí quyển một cách chi tiết hơn. Phƣơng pháp này đƣợc bắt đầu vào những năm 80 của thế kỷ 20, với mục đích là tính toán các dữ liệu khí tƣợng từ các mô hình khí tƣợng toàn cầu ở độ phân giải cao. Ngày nay, số lƣợng các công cụ để tính toán thu hẹp động lực ngày càng phát triển và 55 đã có rất nhiều các tổ chức, các Viện nghiên cứu trên thế giới tập trung vào nghiên cứu phát triển các công nghệ thu hẹp động lực, và có thể ứng dụng cho nhiều nghiên cứu khác nhau. Phƣơng pháp động lực đƣợc thực hiện thông qua các mô hình khí hậu địa phƣơng gọi là RCM. Các mô hình khí hậu địa phƣơng sử dụng các dữ liệu từ các GCMs làm điều kiện biên và điều kiện ban đầu. Các mô phỏng RCM thông thƣờng là các mô phỏng khí tƣợng địa phƣơng ở độ phân giải cao. Các mô hình này có khả năng thu hẹp các dữ liệu khí tƣợng đến phạm vi rất nhỏ, và không chỉ áp dụng trong tính toán BĐKH mà các RCMs hoàn toàn còn có thể ứng dụng trong các tính toán dự báo khí hậu thời tiết trong phạm vi ngắn. Ví dụ nhƣ các mô hình RCM có thể tính toán dự báo khí tƣợng mƣa ngày, mƣa 72h (Dickinson và nnk, 1989 [75] và Giorgi, 1990 [76]). Hiện nay cũng có rất nhiều các RCM khác nhau, tuy nhiên các RCMs phổ biến trong quá khứ nhƣ MM5 hay bây giờ là RegCM4 hay WRF. Các mô hình RCM này thƣờng đƣợc khuyến cáo là thu hẹp dần dần từ các GCMs xuống các ô lƣới tính toán nhỏ hơn, và thông thƣờng bằng 1/3 các ô lƣới trƣớc đó. Phƣơng pháp động lực là phƣơng pháp mô phỏng có tính toán đến ảnh hƣởng của các yếu tố mặt đệm nhƣ địa hình. Do đó, các tƣơng tác khí hậu mặt đệm hoàn toàn có thể tƣơng tác với các yếu tố nhƣ mƣa, nhiệt độ, ẩm, gió...ví dụ phƣơng pháp này có thể mô phỏng một số trận mƣa lớn do khối không khí ẩm di chuyển từ biển vào đất liền gặp những khối núi lớn chắn đƣờng và khối không khí ẩm này gây mƣa trƣớc khi đi sâu vào đất liền. Đặc biệt trong nghiên cứu BĐKH, thì các yếu tố địa hình thảm phủ lại đặc biệt quan trọng khi đƣợc coi là một trong những đặc tính riêng biệt của một vùng hay địa phƣơng. Trong các nghiên cứu BĐKH cho các khu vực có xu hƣớng suy kiệt nguồn nƣớc trong tƣơng lai, thì các yếu tố mặt đệm lại đóng vai trò chủ chốt trong việc thay đổi các yếu tố khí tƣợng thủy văn (bốc hơi). Một ƣu điểm khác của phƣơng pháp thu hẹp động lực là dữ liệu đầu ra của phƣơng pháp này là rất chi tiết theo cả không gian lẫn thời gian. Trƣớc hết dữ liệu thu hẹp động lực có thể cung cấp dữ liệu đầu ra theo từng giờ, do đó có thể tính toán đƣợc ảnh hƣởng BĐKH đến mƣa lũ trên khu vực nghiên cứu. Các mô phỏng động lực cung cấp dữ liệu ở dạng dữ liệu giờ cho hầu hết các dữ liệu khí tƣợng từ thời điểm mô phỏng cho đến hết thế kỷ 21 (dữ liệu bức xạ mặt trời đến, bức xạ đi từ mặt đất, gió, nhiệt độ không khí, nhiệt độ mặt đất, áp suất, mƣa, bốc hơi). Qua quá trình mô phỏng thu hẹp động lực, các dữ liệu đầu ra sẽ đƣợc thu 56 hẹp ở mức độ rất chi tiết. Dữ liệu có thể đƣợc cung cấp đến độ phân giải rất chi tiết nhƣ 10km, 3km, 1km hay thậm chí 100m. Tuy nhiên tùy vào mức độ chi tiết của dữ liệu thì thời gian mô phỏng cũng rất khác nhau. Chính vì vậy, tùy theo nhu cầu sử dụng mà mức độ tính toán thu nhỏ khác nhau. Tuy nhiên, khi áp dụng thu nhỏ động lực, thì theo Jang và Kavvas, 2013 [77] nên thu nhỏ xuống dƣới 10 km đối với các nghiên cứu về BĐKH có kết hợp tính toán đến thủy văn thủy lực. Nếu dữ liệu thu hẹp đƣợc đƣa về độ phân giải 81 km, thì hầu hết các yếu tố khí tƣợng hay các yếu tố thời tiết đều chƣa thể hiện đƣợc rõ bản chất trong khu vực nghiên cứu khi mà các giá trị đều mang tính trung bình hóa cao. Trong khi đó, ở dữ liệu có độ phân giải 27 km, các yếu tố khí tƣợng cũng nhƣ địa hình có cải thiện hơn, tuy nhiên các mức độ các dữ liệu vẫn chƣa cho thấy đƣợc mức độ chính xác cao. Đối với dữ liệu ở độ phân giải 9 km và 3km, thì các yếu tố khí tƣợng cũng nhƣ địa hình đã đƣợc thể hiện chính xác hơn, có mức độ phân bố chi tiết hơn. Mặc dù độ phân giải 3 km mô phỏng với độ chi tiết cao hơn, tuy nhiên thời gian mô phỏng thu hẹp cũng nhiều hơn gấp đôi so với 9 km. Nhƣ vậy, tùy vào mục đích cuối cùng, mà lựa chọn các mức độ thu hẹp sao cho phù hợp. Phƣơng pháp thu hẹp động lực đòi hỏi nhiều thời gian mô phỏng và một hệ thống máy tính lớn. Đây cũng là nhƣợc điểm lớn nhất của phƣơng pháp này. Dựa trên các phân tích ƣu nhƣợc điểm của các phƣơng pháp thu hẹp quy mô và ứng dụng trong điều kiện của Việt Nam, cùng với yêu cầu của bài toán, công cụ sẵn có, luận án lựa chọn phƣơng pháp thu hẹp quy mô theo phƣơng pháp thống kê. Để mô tả đầy đủ diễn biến mƣa theo không gian (với các dạng địa hình khác nhau), luận án cố gắng sử dụng hết các trạm đo mƣa trong khu vực và lân cận (vùng Tây Nguyên) nhằm mô tả chính xác nhất diễn biến thay đổi mƣa theo không gian. Một số trạm đo có chuỗi số liệu ngắn đƣợc khắc phục bằng cách tính toán bổ sung dựa trên phân tích quan hệ với các trạm đo mƣa lân cận. 2.3 Phƣơng pháp thống kê chi tiết hóa Nhƣ đã trình bày ở trên, lƣợng mƣa mô phỏng theo các mô hình toàn cầu GCMs hay các mô hình vùng RCMs đều có sự sai lệch (chủ yếu là do các hiểu biết chỉ có giới hạn về quá trình sinh mƣa hoăc do độ phân giải về không gian chƣa đủ). Vì thế, chúng cần phải trải qua quá trình “hậu xử lý” trƣớc khi đƣợc sử dụng trong các bài toán đánh giá 57 tác động của khí hậu. Quá trình “hậu xử lý” thƣờng dùng nhất là phƣơng pháp “biến đổi thống kê” nhằm hiệu chỉnh một số khía cạnh hay đặc trƣng của phân bố các giá trị lƣợng mƣa GCMs hay RCMs sao cho phân bố mới của chúng phù hợp với các giá trị thực đo. Phƣơng pháp biến đổi thống kê nhằm tìm ra một hàm h mà khi vẽ các biến tính toán Pm thì hàm phân bố mới của nó phù hợp với phân bố của biến thực đo Po (trong đó Pm và Po là lƣợng mƣa tính toán và mƣa thực đo). Hàm biến đổi này có thể đƣợc trình bày bằng công thức: Po = h(Pm) (2-1) Các hàm biến đổi thống kê là một ứng dụng của phép biển đổi tích phân xác suất và nếu phân bố của biến nghiên cứu đã biết thì hàm biến đổi đƣợc định nghĩa theo Ines và Hansen, 2006 [78] và Piani và nnk, 2010 [79]: )) (2-2) Trong đó Fm là phân bố xác suất luỹ tích của Pm và là hàm ngƣợc phân bố luỹ tích tƣơng ứng với Po. Hình 2.4 Phân bố tần suất mƣa thực đo và hiệu chỉnh (theo Gudmundsson và nnk [80]) 58 Để xác định đƣợc hàm biến đổi thống kê, chúng ta có thể sử dụng phƣơng pháp phân bố xác suất lý luận để giải phƣơng trình (2-2) theo Boe và nnk (2007) [81], Gudmundsson và nnk (2012) [80], Ngô Lê An và nnk (2017) [82]. Phân bố xác suất lý luận thƣờng dùng là một phân bố pha trộn giữa phân bố Bernoulli và phân bố Gamma, trong đó phân bố Bernoulli đƣợc sử dụng để mô phỏng khả năng xuất hiện mƣa còn phân bố Gamma sử dụng để mô phỏng cƣờng độ mƣa. Các phân phối thống kê này đƣợc làm cho phù hợp với các phần của đƣờng phân bố luỹ tích tƣơng ứng của các ngày mƣa thực đo (Po > 0) bằng cách làm giảm nhỏ nhất sai số quân phƣơng. Các giá trị mƣa tính toán tƣơng ứng với phần không mƣa của hàm phân bố xác suất luỹ tích thực đo kinh nghiệm đƣợc gán bằng không. Một phƣơng pháp khác thƣờng dùng là sử dụng hiệu chỉnh phân vị kinh nghiệm. Trong phƣơng pháp này, các hàm phân bố luỹ tích kinh nghiệm đƣợc xấp xỉ bằng bảng các phân vị kinh nghiệm. Các giá trị nằm giữa các phân vị có thể nội suy bằng hàm tuyến tính. Từ đấy, giá trị tính toán đƣợc hiệu chỉnh sao cho phù hợp với số liệu thực đo tại các phân vị. Đây cũng là phƣơng pháp hiệu chỉnh sai số thống kê đƣợc sử dụng trong Báo cáo kịch bản BĐKH và NBD cho Việt Nam của Bộ Tài nguyên và Môi trƣờng (2016). [44] Dựa trên các kết luận nghiên cứu nhƣ Gudmundsson và nnk (2012) [80], Ngô Lê An và nnk (2017) [82]..., luận án sử dụng phƣơng pháp hiệu chỉnh sai số phân vị kinh nghiệm trong nghiên cứu này. 2.4 Kịch bản BĐKH và dữ liệu sử dụng trong luận án Việc dự tính khí hậu tƣơng lai bằng GCM đƣợc thực hiện dựa trên các kịch bản phát thải khí nhà kính. Dựa trên điều kiện số liệu thu thập đƣợc cũng nhƣ các kịch bản khuyến cáo sử dụng trong báo cáo Kịch bản BĐKH và nƣớc biển dâng cho Việt Nam (2016), luận án sử dụng 2 kịch bản RCP 4.5 và RCP 8.5 đại diện cho các kịch bản trung bình và cao. Dữ liệu mƣa ngày của 11 mô hình thời kỳ quá khứ từ năm (1970 – 2005) và thời kỳ tƣơng lai (2006 – 2100) cho 2 kịch bản RCP 4.5 và RCP 8.5 đƣợc sử dụng để đánh giá tác động của biến đổi khí hậu đến vùng nghiên cứu. 59 Số liệu mƣa ngày thực đo của 93 trạm đo mƣa trong khu vực đƣợc thu thập từ thời điểm trạm bắt đầu quan trắc cho đến năm 2005, trong đó có khoảng 20 trạm đo mƣa nằm trên khu vực Tây Nguyên. Việc đƣa thêm các số liệu quan trắc ở các trạm Tây Nguyên giúp cho việc xây dựng bản đồ phân bố mƣa theo không gian đƣợc chính xác hơn. Hơn nữa, một số lƣu vực sông lớn trong khu vực bắt nguồn từ khu vực Tây Nguyên nên nếu không xét đến lƣợng mƣa BĐKH của Tây Nguyên sẽ làm giảm mức độ chính xác của việc đánh giá mƣa lũ trong khu vực nghiên cứu. Danh sách trạm đo mƣa, số liệu quan trắc sử dụng trong việc hiệu chỉnh sai số nhằm chi tiết hoá số liệu BĐKH của GCM về các trạm trong luận án đƣợc trình bày ở Phụ lục 1. Đa số các trạm đo mƣa bắt đầu đo từ năm 1979 trở lại đây. Một số trạm đo mƣa có số liệu bị thiếu, bị mất hoặc có những giá trị bất thƣờng sẽ đƣợc nội suy bổ sung, hiệu chỉnh bằng phƣơng pháp tƣơng quan với các trạm đo lân cận. Nhƣ vậy, thời kỳ nền sử dụng để so sánh đánh giá với biến động trong tƣơng lai sẽ đƣợc lấy từ thời điểm trạm bắt đầu đo cho đến năm 2005. Thống kê số thời gian các trạm đo đƣợc trình bày ở bảng 2.2 và phụ lục 1. Bảng 2.2 Thống kê số trạm mƣa và số năm quan trắc sử dụng trong tính toán Số năm sử dụng cho thời kỳ nền >=25 năm 20-24 năm 15-19 năm 10-14 năm Tổng Số trạm 87 2 2 2 93 60 Hình 2.5 Bản đồ vị trí 93 trạm khí tƣợng sử dụng trong luận án 2.5 Phƣơng pháp tính toán lũ thiết kế Các đặc trƣng lũ thiết kế đƣợc tính toán bao gồm lƣu lƣợng đỉnh lũ Qmax, tổng lƣợng lũ thiết kế Wmax và đƣờng quá trình lũ thiết kế (Q~t)max-p. Các phƣơng pháp tính toán lũ thiết kế có thể phân ra 3 nhóm sau: (a) các phƣơng pháp thống kê, (b) các phƣơng pháp tất định và (c) các phƣơng pháp kết hợp cả 2 nhóm phƣơng pháp trên. 61  Phƣơng pháp thống kê: Tính toán lũ thiết kế bằng cách khớp một phân bố tần suất lũ với các đỉnh lũ thực đo. Nếu chuỗi quan trắc lũ dài thì phƣơng pháp này thƣờng đƣợc sử dụng và đƣợc coi nhƣ là một “phƣơng pháp chuẩn” trong việc tính toán tần suất lũ. Trong trƣờng hợp không có chuỗi quan trắc lũ thì phân bố tần suất lũ có thể đƣợc lấy bằng cách sử dụng các phƣơng pháp phân vùng mƣa (lƣu vực tƣơng tự). Hạn chế lớn nhất của phƣơng pháp thống kê này là cần phải có chuỗi số liệu lũ quan trắc dài, đại biểu. Các sai số lớn có thể xảy ra khi các chuỗi đo ngắn và cần phải đƣợc ngoại suy để ƣớc tính lũ có tần suất nhỏ. Trên thế giới, nhiều quốc gia sử dụng các phƣơng pháp thống kê này nhƣ là phƣơng pháp chuẩn trong tính toán. Tuy nhiên các hàm phân bố xác suất lựa chọn thƣờng khác nhau phụ thuộc vào cơ quan tính toán của từng quốc gia. Nhƣ đối với việc lựa chọn hàm phân bố sử dụn