Luận văn Áp dụng phương pháp umos để cải thiện dự báo pha mưa trên khu vực Việt Nam

y cho dự báo POP theo UMOS cho mô hình WRF- ARW vào mùa hènăm 2015 cho hạn dự báo 48giờ tại 9 khu vực nghiên 7 cứu...Er ror! Bookmark not defined. Hình 3.8: Biểu đồ tin cậy cho dự báo POP theo UMOS cho mô hình WRF- ARWvào mùa đôngnăm 2015 cho hạn dự báo 48giờ tại 9 khu vực nghiên cứu ......................................................................... Error! Bookmark not defined. Hình 3.9: Bản đồ dự báo hạn 24 giờ cho xác suất xảy ra mƣa từ 00Z ngày 04/08/2015 theo GMOS với dự báo từ UMOS của mô hình WRF-ARW và quan trắc tƣơng ứng ........................................ Error! Bookmark not defined. Hình 3.10: Bản đồ dự báo hạn 48 giờ cho xác suất xảy ra mƣa từ 00Z ngày 04/08/2015 theo GMOS với dự báo từ UMOS của mô hình WRF-ARW và quan trắc tƣơng ứng ........................................ Error! Bookmark not defined. DANH MỤC KÝ HIỆU VIẾT TẮT ANN: Artificial Neural Network - Phƣơng pháp mạng thần kinh nhân tạo. BCDG:Tên phƣơng pháp hiệu chỉnh viết tắt của 4 tác giả là: Bergthorssen, Cressman, Doss và Glann. BOM:Bureau of Meteorology - Cục Khí tƣợng Úc. BSS: Brier Skill Score - Chỉ số kỹ năng Brier. CMA: China Meteorological Administration- Cơ quan Khí tƣợng Trung Quốc. DMO:Direct Model Output - Kết quả dự báo trực tiếp từ mô hình. ECMWF:European Centre for Medium-Range Weather Forecasts-Trung tâm dự báo hạn vừa Châu Âu. ETS: Equitable Threat Score - Tên một loại chỉ số kỹ năng. FAR: False Alarm Ratio - Tỷ lệ dự báo khống. GASP: Global Analysis and Prediction- Mô hình phân tích và dự báo toàn cầu. GMOS: Gridded Model Ouput Statistics - Thống kê sau mô hình trên lƣới. GSM: Global Spectral Model - Mô hình phổ toàn cầu của JMA. HKO:HongKong Observatory- Cơ quan Khí tƣợng Hồng Kông. JMA: Japan Meteorological Agency - Cơ quan Khí tƣợng Nhật bản. 8 KF: Kalman Filter - Phƣơng pháp lọc Kalman dạng tổng quát (ma trận). LAPS: Limited Area Prediction System- Hệ thống mô hình dự báo giới hạn khu vực. LFM: Limited Fine Mesh- Mô hình lƣới mịn giới hạn. LR:Linear Regression - Hồi quy tuyến tính. MLR: Multi Linear Regression - Hồi quy tuyến tính đa biến. MOS:Model Output Statistics - Phƣơng pháp dự báo thống kê động lực sau mô hình. NCEP: National Centers for Environmental Prediction - Trung tâm dự báo môi trƣờng quốc gia Mỹ. NeTCDF:Network Common Data Form - Tên một loại định dạng file. NGM:Nested Grid Model- Mô hình lƣới lồng. NWP: Numerical Weather Prediction - Dự báo thời tiết số trị. POD:Probability Of Detection - Xác suất phát hiện hiện tƣợng. POP: Probability Of Precipitation - Xác suất xảy ra mƣa. PP:Perfect Prognosis - Phƣơng pháp dự báo hoàn hảo. PQPF:Probabilistic Quantitative Precipitation Forecast - Dự báo xác suất định lƣợng mƣa. ROC: Relative Operating Characteristic- Đƣờng đặc trƣng hoạt động. ROCA: Relative Operating Characteristic Area - Diện tích đƣờng đặc trƣng hoạt động. RV: Reduction of Variance - Chỉ số RV (Giới hạn số lƣợng nhân tố đƣa vào phƣơng trình dự báo). SSCP: Sum of Squares and Cross Products - Ma trận phƣơng sai hiệp biến. UMOS:Updateable Model Output Statistics - Phƣơng pháp dự báo Thống kê sau mô hình có cập nhật hệ số. VCE: Vertical Change of Elevation- Biến đổi theo địa hình. WRF-ARW:Weather Reasearch and Forecasting Model-Mô hình dự báo khu vực của Mỹ. 9 10 MỞ ĐẦU Dự báo mƣa, đặc biệt dự báo định lƣợng mƣa là một vấn đề rất khó khăn, đồng thời cũng là một trong những yêu cầu cấp thiết trong công tác dự báo, đặc biệt trong dự báo bão, lũ, phục vụ phòng chống thiên tai và phát triển kinh tế-xã hội, điều tiết hồ chứa. Việc sử dụng phƣơng pháp synốp truyền thống chỉ có thể dự báo mƣa một cách định tính. Tuy các mô hình dự báo thời tiết số trị (NWP) có thể đƣa ra những dự báo định lƣợng, nhƣng những sản phẩm dự báo trực tiếp từ mô hình (DMO-Direct Model Output) thƣờng có những sai số hệ thống nhất định liên quan đến nhiều yếu tố, đặc biệt là vấn đề tham số hóa. Hơn nữa, DMO cũng chƣa tính đến các yếu tố địa phƣơng của chính những địa điểm dự báo. Từ lâu, phƣơng pháp dự báo thống kê bằng cách xây dựng các phƣơng trình hồi quy tuyến tính đơn giản giữa yếu tố dự báo với các yếu tố đã biết (nhƣng không phải từ mô hình số trị) đã đƣợc áp dụng trong dự báo thời tiết.Từ khi mô hình dự báo số đƣợc đƣa vào nghiệp vụ, phƣơng pháp thống kê có kết hợp với các sản phẩm của mô hình bắt đầu đƣợc hình thành để tăng cƣờng thêm những kết quả của dự báo động lực trong dự báo nghiệp vụ.Hai phƣơng pháp thống kê cơ bản không có và có sử dụng sản phẩm của mô hình NWP là Dự báo hoàn hảo (PP-Perfect Prognosis) và Thống kê sau mô hình (MOS-Model Ouput Statistics).Về cơ bản, cả hai cách tiếp cận này đều sử dụng các phƣơng trình hồi quy nhiều biến, trong đó các nhân tố đƣợc lựa chọn thông qua một sơ đồ tuyển chọn nhân tố.Hiện nay, ở hầu hết các Trung tâm dự báo trên thế giới, song song với việc đƣa ra các sản phẩm mô hình thƣờng có các chỉ dẫn thống kê (guidance) để thêm giá trị vào những sản phẩm trực tiếp của mô hình.Đây là phƣơng thức hợp lý để diễn xuất mô hình một cách khách quan nhằm loại bỏ những sai số của mô hình và dự báo định lƣợng cho địa điểm có tính đến các điều kiện khí hậu và địa phƣơng cụ thể.Cơ quan Khí tƣợng Mỹ là nơi đã áp dụng phƣơng pháp MOS nhiều nhất đối với các mô hình khác nhau để đƣa ra các sản phẩm dự báo nghiệp vụ. Ngoài ra, Trung tâm Dự báo hạn vừa Châu Âu (ECMWF), Cơ quan Khí tƣợng Úc (BOM), Cơ quan Khí tƣợng Hồng Kông (HKO), 11 Cục Khí tƣợng Trung Quốc (CMA),cũng áp dụng phƣơng pháp MOS đối với mô hình nghiệp vụ để nâng cao chất lƣợng dự báo DMO. Trong Luận vănlựa chọn phƣơng pháp UMOS thay vì phƣơng pháp hồi quy tuyến tính truyền thống. Sự khác biệt cơ bản mang đến tính ƣu việt của phƣơng pháp UMOS là so với cách tiếp cận hồi quy tuyến tính đa biến là: UMOS đặt trọng tâm vào ma trận SSCP (Sums of Squares and Cross Products, tích của ma trận chuyển vị và ma trận của nhân tố dự báo) và thực hiện giải hệ phƣơng trình tuyến tính trên ma trận này để xác định tập hệ số hồi quy tuyến tính. Điều quan trọng là khi mô hình thay đổi, ma trận SSCP sẽ đƣợc tính thông qua một phƣơng pháp lấy trọng số giữa ma trận SSCP cũ và mới.Dự báo cần hiệu chỉnh đƣợc lấy từ sản phẩm dự báo của mô hình khu vực khu vực WRF-ARW, các phƣơng trình UMOS sẽ đƣợc xây dựng chi tiết cho từng điểm trạm có quan trắc trên lãnh thổ Việt Nam. Đối với bài toán dự báo mƣa tích lũy 24 giờ trong Luận văn sẽ tập trung vào bài toán dự báo xảy ra mƣa hay không (dự báo pha) với ngƣỡng mƣa 0.1mm/24 giờđƣợc xem là ngƣỡng để xác định có hay không xảy ra mƣa. Số liệu để xây dựng các phƣơng trình dự báo đƣợc lấy từ dự báo của các mô hình WRF-ARW từ năm 2011 đến năm 2013 và đánh giá độc lập trong hai năm 2014 và 2015. Một số kết quả chính thu đƣợc cho thấy phƣơng pháp UMOS đãcải thiện chất lƣợng dự báo đáng kể so với DMO của mô hình WRF-ARW. Các giá trị BSS dƣơng và lớn chỉđƣợc tìm thấy trong các phƣơng trình dự báo POP mùa đông và mùa hè theo UMOS. Với phƣơng pháp UMOS, chất lƣợng dự báo POP của các phƣơng trình mùa đông và mùa hè cũng có nhiều khác biệt.Chất lƣợng dự báo vào mùa đông tốt hơn nhiều so với mùa hè tại tất cả các khu vực.Chất lƣợng hạn dự báo 24 giờ luôn tốt hơn 48giờ.Bên cạnh đó, mức độ cải thiện chất lƣợng dự báo POP của UMOS còn đạt cả khả năng dự báo xác suất hiện tƣợng cũng nhƣ khả năng phân hoạch giữa các sự kiện xảy ra hay không xảy ra. Cấu trúc Luận văn gồm: Phần Mở đầu, 3 Chƣơng, Kết luận, Danh mục tài liệu tham khảo và Phụ lục: 12 MỞ ĐẦU Chƣơng 1: Tổng quan về vấn đề nghiên cứu 1.1. Tổng quan về các phƣơng pháp thống kê sau mô hình 1.2. Tình hình nghiên cứu nƣớc ngoài 1.3. Tình hình nghiên cứutrong nƣớc Chƣơng 2: Số liệu và phƣơng pháp nghiên cứu 2.1. Số liệu 2.1.1. Số liệu quan trắc 2.1.1. Số liệu dự báo 2.2. Phƣơng pháp nghiên cứu 2.2.1. Phƣơng pháp UMOS 2.2.2. Phƣơng pháp GMOS 2.3. Áp dụng phƣơng pháp UMOS cho bài toán dự báo POP 2.3.1. Xác định yếu tố dự báo 2.3.2. Xác định nhân tố dự báo 2.3.3. Xây dựng phƣơng trình dự báo POP 2.4. Phƣơng pháp đánh giá kết quả dự báo POP 2.4.1. Điểm số Brier 2.4.2. Biểu đồ tin cậy 2.4.3. Đƣờng đặc trƣng hoạt động ROC và chỉ số ROCA 2.5. Xây dựng hệ thống GMOS để đƣa dự báo UMOS từ điểm trạm về lƣới phân giải cao Chƣơng 3: Kết quả và đánh giá 3.1. Kết quả xây dựng phƣơng trình dự báo 3.2. Kết quả đánh giá dự báo 3.2.1. Đánh giá các chỉ số kỹ năng 3.2.2. Biểu đồ tin cậy 3.3. Thử nghiệm kết quả hiển thị dƣới dạng lƣới GMOS cho dự báo POP KẾT LUẬN 13 TÀI LIỆU THAM KHẢO PHỤ LỤC 14 CHƢƠNG I: TỔNG QUAN 1.1.Tổng quan về các phƣơng pháp thống kê sau mô hình Nhƣ đã biết, có rất nhiều phƣơng pháp dự báo khí hậu và dự báo thời tiết nghiệp vụ đều dựa trên nền tảng của phƣơng pháp thống kê.Điều này là do khí quyển là một hệ thống động lực phi tuyến nên không thể dự báo chính xác theo quan điểm dự báo tất định (deterministic). Vì vậy, các phƣơng pháp thống kê thực sự cần thiết và trở thành một phần không thể thiếu của các hệ thống dự báo.Trong khoa học khí quyển, việc ứng dụng các phƣơng pháp thống kê trong dự báo nghiệp vụ có thể phân làm 2 dạng: Dự báo thống kê cổ điển và Dự báo thống kê động lực (Wilks, 1995, 2006). Phƣơng pháp dự báo thống kê cổ điển đƣợc nghiên cứu phát triển trƣớc khi có các sản phẩm dự báo thời tiết số (NWP)và chủ yếu đƣợc ứng dụng cho dự báo khí hậu. Với sự phát triển của khoa học khí quyển và công nghệ tính toán, các sản phẩm NWP đƣợc sử dụng rộng rãi và dẫn đến sự ra đời của phƣơng pháp dự báo thống kê động lực do các thông tin dự báo trực tiếptừ mô hình NWP (DMO) vẫn chƣa thực sự chính xác. Mục đích chính của phƣơng pháp dự báo thống kê động lực (MOS) là sử dụng các thông tin NWP kết hợp với các công cụ tính toán thống kê để tăng cƣờng chất lƣợng dự báo của DMO. Hiện tại, phƣơng pháp này đƣợc sử dụng tại hầu hết các Trung tâm dự báo trên thế giới và đóng vai trò nhƣ là các hệ thống diễn giải (guidance) trợ giúp cho các dự báo viên trong nghiệp vụ dự báo. Phƣơng pháp này thực sự quan trọng trong việc cung cấp các bản tin dự báo định lƣợng hoặc dự báo cho các điểm không thuộc lƣới tính toán của mô hình NWP. Về cơ bản, MOS đều sử dụng các thông tin dự báo từ mô hình nhƣ là các nhân tố dự báo, trong đó các phƣơng trình dự báo đƣợc xây dựng dựa trên mối quan hệ giữa các dự báo từ thời điểm trƣớc đó của mô hình NWP nhƣng xác định tại thời điểm hiện tại với quan trắc hiện tại của yếu tố dự báo. Kể từ khi ra đời cho đến nay, cách tiếp cận MOS đã đƣợc nghiên cứu và sử dụng trong nghiệp vụ tại nhiều Trung tâm Khí tƣợng trên thế giới. Cụ thể, Mỹ là nơi đã áp dụng MOS nhiều nhất đối với các mô hình khác nhau để đƣa ra các sản phẩm dự báo nghiệp vụ nhƣ hệ thống 15 NGM-MOS dự báo cho khoảng 600 địa điểm trên nƣớc Mỹ cho thời hạn 06 đến 60 giờ. Ngoài ra, Trung tâm Dự báo hạn vừa Châu Âu (ECMWF) cũng sử dụng phƣơng pháp MOS đối với sản phẩm mô hình của mình. Cơ quan Khí tƣợng Úc cũng áp dụng phƣơng pháp MOS đối với mô hình nghiệp vụ GAPS và LAPS cho hơn 600 địa điểm dự báo với thời hạn đến 7 ngày. Phƣơng pháp MOS cũng đƣợc sử dụng trong nghiệp vụ ở Tổng cục Khí tƣợng Trung Quốc (CMA) từ năm 1984, dự báo cho khoảng 260 địa điểm với thời hạn 24 đến 60 giờ. Tại Hồng Kông, dự báo POP đƣợc dựa trên phƣơng pháp LR và áp dụng cho hệ thống dự báo tổ hợp thu nhận đƣợc của ECMWF. Nói chung, hầu hết các Trung tâm dự báo trên thế giới đều sử dụng cách tiếp cận MOS để nâng cao chất lƣợng dự báo mƣa từ các mô hình NWP, trong đó các phƣơng pháp thống kê đƣợc sử dụng có thể khác nhau tùy thuộc vào từng hiện tƣợng đƣợc dự báo. 1.2.Tình hình nghiên cứu nƣớc ngoài Những nỗ lực nghiên cứu áp dụng các phƣơng pháp thống kê trong bài toán dự báo xác suất định lƣợng mƣa (PQPF) đầu tiên phải kể đến công trình nghiên cứu của Klein (1968) dựa trên cách tiếp cận dự báo hoàn hảo (PP). Tiếp theo thành công của Klein (1968), Glahn và Lowry (1972) là những ngƣờiđã tiên phong trong việc ứng dụng MOS nhằm mục đích: Nâng cao chất lƣợng dự báo mƣa từ mô hình NWP;dự báo cho các điểm không đƣợc dự báo trực tiếp từ mô hình NWP và áp dụng cho bài toán hạ quy mô (downscaling). Đối với bài toán PQPF, mô hình MOS của Glahn và Lowry (1972) đƣợc xây dựng dựa trên phƣơng pháp hồi quy tuyến tính đa biến (MLR) với yếu tố dự báo là xác suất xảy ra mƣa thay vì lƣợng mƣa hiểu theo nghĩa thông thƣờng. Cụ thể, lƣợng mƣa quan trắc sẽ đƣợc quy về biến nhị phân trong đó nhận giá trị 1 nếu có mƣa xảy ra (xác suất 100%) và giá trị 0 nếu không có mƣa xảy ra (xác suất 0%). Glahn và Lowry (1972) gọi phƣơng pháp thống kê này là mô hình POP (Probability Of Precipatation). Quá trình tuyển chọn nhân tố cho mô hình POP đƣợc thực hiện dựa trên phƣơng pháp hồi quy từng bƣớc với tiêu chuẩn dừng tuyển chọn dựa trên chỉ số đánh giá Brier. Trong nghiên cứu này, Glahn và Lowry (1972) không phát triển các phƣơng trình MOS cho tất cả các trạm mà 16 dựa trên các đặc trƣng khí hậu để nhóm các trạm vào trong các nhóm khác nhau và phát triển các phƣơng trình MOS cho từng nhóm trạm này. Kế thừanhững thành công trong nghiên cứu của Glahn và Lowry (1972), rất nhiều nghiên cứu dựa trên cách tiếp cận MOS cho bài toán PQPF đã đƣợc thực hiện nhƣ nghiên cứu của Wasserman (1972), Lowry và Glahn (1976), Paegle (1974), Bermowitz (1975), Arritt và Frank (1985),cho các trạm thuộc nƣớc Mỹ; Tapp và cộng sự (1986) cho Úc; Lemcke và Kruizinga (1988) cho Hà Lan, Brunet và cộng sự (1988) cho Canađa,Hầu hết các nghiên cứu này dựa trên ý tƣởng về mô hình POP của Glahn và Lowry (1972) nhƣng đã đƣợc địa phƣơng hóa và có một số điểm khác biệt liên quan đến các tùy chọn về ngƣỡng mƣa, tập nhân tố, dung lƣợng mẫu, mùa dự báo, tiêu chí tuyển chọn nhân tố,Tuy nhiên, có một kết quả chung mà tất cả các nghiên cứu nói trên chỉ ra các kết quả dự báo từ MOS đã cho thấy sự cải thiện đáng kể chất lƣợng dự báo so với DMO, dự báo khí hậu quán tính và dự báo chủ quan của dự báo viên. Đặc biệt, cách tiếp cận MOS còn đƣợc ứng dụng để phát triển các phƣơng trình dự báo lƣợng mƣa trung bình lƣu vực sông nhƣ trong các nghiên cứu của Charba (1998), Antolik (2000), Sokol (2003), Nói chung, những nghiên cứu ứng dụng MOS đầu tiên cho bài toán PQPF đƣợc dựa trên phƣơng pháp MLR. Với phƣơng pháp thống kê này, có hai hạn chế mà các nghiên cứu gặp phải đó là: Sự quá khớp (overfitting) của các phƣơng trình dự báo (có thể tạo ra các dự báo PQPF lớn hơn 1 hoặc nhỏ hơn 0 khi áp dụng cho tập số liệu độc lập) và quan hệ phi tuyến giữa yếu tố dự báo và các nhân tố dự báo không thể đƣa vào trong tính toán. Để giải quyết hai hạn chế này, một số phƣơng pháp thống kê phi tuyến đã đƣợc đề xuất bao gồm phƣơng pháp hồi quy logistic (LR) và mạng thần kinh nhân tạo (ANN). Nghiên cứu ứng dụng LR đầu tiên cho bài toán PQPF là của Applequist và nnk (2002). Trong nghiên cứu này, các tác giả đã đánh giá kỹ năng dự báo PQPF dựa trên một số phƣơng pháp thống kê khác nhautrong đó MLR đƣợc sử dụng nhƣ là dự báo đối chứng. Các kết quả đánh giá đã cho thấy phƣơng pháp LR là có kỹ năng tốt hơn cả. Đối với các phƣơng pháp còn lại, sự cải thiện là không rõ ràng. Ngoài nghiên cứu của Applequist và cộng sự 17 (2002), một số nghiên cứu ứng dụng LR cho bài toán PQPF phải kể đến là Gahrs và cộng sự (2003), Hamill và cộng sự (2004), Sloughter và cộng sự (2007). Đối với việc ứng dụng phƣơng pháp ANN cho bài toán PQPF, đã có rất nhiều công trình nghiên cứu đề cập đến vấn đề này nhƣ Lindner and Krein (1993), Navone và Ceccatto (1994), Kuligowski và Barros (1998a,b), Hall và nnk (1999), Marban (2003),...Nói chung, hầu hết các nghiên cứu này đều cho thấy sự cải thiện trong chất lƣợng dự báo PQPF khi áp dụng phƣơng pháp ANN. Ngoài ra, một kết quả quan trọng có thể rút ra từ những nghiên cứu nói trên là về cấu trúc của mạng ANN phù hợp cho bài toán PQPF, đó là một mạng gồm 3 lớp: một lớp đầu vào, một lớp ẩn và một lớp đầu ra. Các hàm truyền trong mạng ANN nói trên đều có dạng hàm sigma phi tuyến giống nhƣ phƣơng pháp hồi quy logistic. Tuy nhiên, vào những năm 90 bắt đầu nhận thấy những hạn chế của MOS dẫn đến giảm dần sử dụng MOS trong diễn giải dự báo.Vì khi xây dựng các phƣơng trình hồi quy, tập số liệu mô hình dùng làm nhân tố dự báo phải đồng nhất. Theo đánh giá của Jacks và nnk (1990) để có đƣợc một quan hệ thống kê ổn định, cần ít nhất hai năm số liệu dự báo từ mô hình và thám sát. Sau đó khi sử dụng MOS, các đặc trƣng của mô hình dự báo nhƣ các sơ đồ tham số hóa, độ phân giải,...cần đƣợc giữ nguyên nhƣ khi sử dụng mô hình để thiết lập quan hệ thống kê. Điều này rõ ràng là một hạn chế lớn của MOS, vì ta biết rằng từ thập kỷ 90 với sự phát triển nhanh của tốc độ tính toán cũng nhƣ các hệ thống quan trắc, các mô hình thƣờng xuyên đƣợc cập nhật với độ phân giải ngày càng cao, các sơ đồ tham số hóa tinh tế hơn, trƣờng phân tích chính xác hơn. Erikson và nnk (2002) cho thấy sai số hệ thống sẽ xuất hiện khi sử dụng MOS với mô hình đƣợc cải tiến. Do đó, khi mô hình có sự thay đổi ta phải đợi ít nhất hai năm mới có thể bắt đầu sử dụng MOS trong dự báo hoặc dự báo lại với mô hình đã thay đổi cho hai năm trƣớc đó nhằm xác định lại các hệ số hồi quy. Với số phƣơng trình hồi quy rất lớn (tại mỗi trạm, cho mỗi biến và mỗi hạn dự báo có một phƣơng trình hồi quy riêng biệt), chi phí cho tái xây dựng hệ thống MOS khi mô hình thay đổi là khá lớn. 18 Ví dụ thông qua hệ thống MOS của Mỹ: Hệ thống MOS đầu tiên đƣợc xây dựng cho mô hình LFM vào năm 1976,đến năm 1990 hệ thống này đƣợc thay thế bởi hệ thống MOS cho mô hình NGM (Jacks và nnk, 1990).Từ năm 1993, mô hình ETA bắt đầu đƣợc đƣa vào chạy nghiệp vụ tại NCEP thay thế cho mô hình LFM. Do mô hình ETA thƣờng xuyên đƣợc cải tiến, không có hệ thống MOS nào đƣợc xây dựng cho mô hình này trong suốt những năm 90 (Mao và nnk, 1999). Phải đến năm 2002 khi hệ thống dự báo với mô hình ETA đã trở nên ổn định, hệ thống MOS cho ETA mới bắt đầu đƣợc thực hiện (Dallavalle và nnk, 2004). Với hệ thống mới này, các tác giả đã tính đến khả năng mô hình thay đổi trong quá trình sử dụng MOS bằng cách lựa chọn một lƣới tính cố định cho MOS thƣờng có độ phân giải thô hơn so với độ phân giải mô hình hay làm trơn các nhân tố dự báo (Erikson và nnk, 2002). Để giải quyết hạn chế này của phƣơng pháp MOS truyền thống khi mô hình liên tục có sự thay đổi, ngƣời ta sử dụng các phƣơng pháp thống kê có khả năng tự cập nhật. Thông tin sẽ đƣợc truyền vào phƣơng trình dự báo ngay khi có những thay đổi trong mô hình dự báo. Hiện tại có hai phƣơng pháp cho phép hệ phƣơng trình dự báo tự cập nhật: + Phƣơng pháp thứ nhất: Sử dụng lọc Kalman, thay vì cố định các hệ số hồi quy trong phƣơng trình hồi quy, các hệ số này sẽ đƣợc cập nhật hàng ngày theo thời gian (Simonsen 1991, Homleid 1995). Cần chú ý là tên gọi lọc Kalman có thể gây hiểu lầm về một phƣơng pháp lọc nhiễu.Thực tế lọc Kalman là một phƣơng pháp đánh giá tối ƣu trạng thái của một hệ thống thể hiện qua các biến trạng thái từ các quan trắc gián tiếp (Grewal và Andrews, 2001). + Phƣơng pháp thứ hai: Về cơ bản vẫn sử dụng phƣơng pháp MOS truyền thống nhƣng đƣa thêm khả năng tự cập nhật cho MOS thông qua một phƣơng pháp lấy trọng số giữa hai tập dữ liệu cũ và mới khi có thay đổi trong mô hình (Wilson và Vallée, 2002) với tên gọi UMOS. Nếu mô hình không có cải tiến nào đáng kể, UMOS sẽ trở thành phƣơng pháp MOS thông thƣờng. 19 Ngoài ra, một số tác giả đề xuất một số phƣơng pháp mới thay thế cho MOS với tập số liệu mẫu ngắn hơn (Mao và cộng sự, 1999) hoặc phƣơng pháp phi tuyến thông qua mạng tế bào thần kinh có khả năng tự cập nhật (Yuval và Hsieh, 2003). Cần lƣu ý khi sử dụng các phƣơng pháp phi tuyến thay thế cho phƣơng pháp hồi quy tuyến tính, vấn đề thay đổi của mô hình khi sử dụng MOS vẫn không đƣợc giải quyết. Cả hai phƣơng pháp này cùng xuất hiện những năm đầu thập kỷ 90 và nhanh chóng đƣợc các Trung tâm dự báo trên thế giới triển khai ứng dụng, đặc biệt là lọc Kalman. Đƣợc đề xuất bởi các tác giả Bắc Âu, lọc Kalman nhanh chóng đƣợc triển khai thực hiện đầu tiên tại các nƣớc Đan Mạch (Simonsen, 1991), Nauy (Homleid, 2004) hay Iceland (Crochet, 2004). Sau đó phƣơng pháp này dần đƣợc các nƣớc khác tại Châu Âu sử dụng nhƣ Pháp (Météo France, 2002), Đức (Haalman, 2003), Rumani (Diaconu, 2002), Hy Lạp (Golanis và Anadranistokis, 2002),...Tại các nƣớc Đông Á, lọc Kalman đƣợc ứng dụng nhiều trong hệ thống diễn giải dự báo hạn ngắn tại Cơ quan Khí tƣợng Nhật Bản (JMA) và Cơ quan Khí tƣợng Hàn quốc (KMA). Từ năm 1996, JMA chủ yếu sử dụng lọc Kalman trong diễn giải kết quả dự báo từ mô hình cho mọi yếu tố khí tƣợng cơ bản: mƣa, gió, nhiệt độ (JMA, 2006). Tại Hàn Quốc, dự báo nhiệt độ cho 40 điểm trạm của Hàn Quốc cùng 32 điểm khác tại CHDCND Triều Tiên, Trung Quốc, Nhật Bản theo phƣơng pháp lọc Kalman và một biến thể của nó là DLM (Joo, 2006). Riêng với phƣơng pháp UMOS, dù đƣợc phát triển tại Mỹ nhƣng lại đƣợc ứng dụng tại Canada (Wilson và Vallée, 2002, 2003). 1.3.Tình hình nghiên cứu trong nƣớc Kể từ năm 2000, khi mô hình số dự báo thời tiết đầu tiên HRM bắt đầu đƣợc đƣa vào chạy dự báo tại Việt Nam, cho đến nay có nhiều mô hình khác nhau đang đƣợc chạy nghiên cứu hay dự báo thử nghiệm tại một số Trung tâm dự báo và nghiên cứu của Việt Nam. Tuy nhiên, một hệ thống diễn giải dự báo cho các sản phẩm dự báo từ mô hình NWP vẫn chƣa đƣợc triển khai nghiệp vụ tại Việt Nam cho đến trƣớc năm 2008. Tại cácTrung tâm có sử dụng mô hình dự báo, sản phẩm 20 dự báo cuối cùng vẫn là sản phẩm dự báo trực tiếp từ mô hình, chƣa có bất kỳ hiệu chỉnh nào. Trong nỗ lực tăng cƣờng chất lƣợng dự báo từ các mô hình NWP, Võ Văn Hòa và cộng sự (2007) đã thử nghiệm lọc Kalman để hiệu chỉnh dự báo từ mô hình HRM. Mặc dù phƣơng trình thống kê mà nhóm tác giả đã sử dụng còn đơn giản, kết quả hiệu chỉnh cho thấy những cải tiến đáng kể và chỉ ra khả năng phát triển dự báo thống kê sau mô hình ở Việt Nam. Bên cạnh việc ứng dụng trực tiếp từ mô hình, dự báo tổ hợp (DBTH) cũng đang ở trong giai đoạn bƣớc đầu tìm hiểu và thử nghiệm. Các nghiên cứu ứng dụng DBTH đầu tiên tập trung vào bài toán dự báo quỹ đạo bão trên khu vực Biển Đông dựa trên tổ hợp các dự báo từ các Trung tâm dự báo bão quốc tế nhƣ các nghiên cứu của Nguyễn Chi Mai và nnk (2004), Đỗ Lệ Thủy và nnk (2009). Trong những nghiên cứu này, các phƣơng pháp tính toán trung bình tổ hợp (TBTH) với các trọng số tỷ lệ nghịch với sai số dự báo của từng dự báo thành phần tƣơng ứng và hồi quy tuyến tính đa biến đƣợc sử dụng. Các kết quả đánh giá cho một số mùa bão từ 2000- 2004 đã cho thấy chất lƣợng dự báo TBTH đƣợc xác định theo các cách tiếp cận nói trên đã đƣợc cải thiện so với TBTH dạng trung bình đơn giản (trọng số nhƣ nhau). Vẫn theo hƣớng nghiên cứu dự báo bão, Trần Tân Tiến và nnk (2010, 2013) đã thử nghiệm các phƣơng án tính toán TBTH khác nhau dựa trên tổ hợp đa mô hình đa vật lý cho mục đích dự báo quỹ đạo và cƣờng độ bão hạn từ 3-5 ngày trên khu vực Tây Bắc Thái Bình Dƣơng. Các kết quả nghiên cứu từ các đề tài nghiên cứu khoa học (NCKH) cấp Nhà nƣớc mang mã số KC.08.05 và KC.08.01 này đã cho thấy việc tính toán TBTH theo các trọng số khác nhau đã cải thiện đƣợc chất lƣợng dự báo quỹ đạo và cƣờng độ bão so với trung bình đơn giản (trọng số nhƣ nhau). Đối với bài toán dự báo các trƣờng khí tƣợng, trong khuôn khổ đề tài NCKH cấp Nhà nƣớc mang mã số KC.09.04, Trần Tân Tiến và nnk (2004) đã thử nghiệm tổ hợp các trƣờng khí tƣợng từ các mô hình NWP khác nhau dƣới dạng trung bình cộng đơn giản và có trọng số. Các kết quả thử nghiệm và đánh giá cũng cho thấy 21 việc lấy trung bình có trọng số theo sai số dự báo đã đem lại hiệu quả trong việc nâng cao chất lƣợng dự báo một số trƣờng khí tƣợng trên Biển Đông. Tiếp theo hƣớng nghiên cứu này, Trung tâm Dự báo khí tƣợng thủy văn Trung ƣơng đã thử nghiệm một số phƣơng pháp thống kê nhƣ trung bình trƣợt, hồi quy tuyến tính, hồi quy Gauss không thuần nhất để hiệu chỉnh DBTH cho một số trƣờng quy mô lớn (áp, gió, ẩm) hay đƣợc tham khảo trong dự báo bão từ hệ thống tổ hợp (HTTH) đa mô hình toàn cầu (Võ Văn Hòa và nkk (2007)). Các kết quả đánh giá dựa trên chuỗi số liệu 3 năm (2005-2007) đã cho thấy chất lƣợng dự báo TBTH và xác suất đã đƣợc cải thiện đáng kể khi áp dụng các phƣơng pháp thống kê nói trên để khử sai số hệ thống trong các dự báo thành phần. Để thử nghiệm DBTH cho bài toán dự báo mƣa lớn ở Việt Nam, Hoàng Đức Cƣờng và nnk (2007) đã ứng dụng các phiên bản tham số hóa vật lý khác nhau trong mô hình MM5 để tạo ra DBTH. Phƣơng án tính toán TBTH có trọng số tỷ lệ nghịch với phƣơng sai sai số của từng dự báo thành phần đã đƣợc thực hiện. Các kết quả thử nghiệm cho một số đợt mƣa lớn