MỤC LỤC
MỤC LỤC. 1
DANH MỤC BẢNG. 4
DANH MỤC HÌNH VẼ. 6
DANH MỤC KÝ HIỆU VIẾT TẮT. 7
MỞ ĐẦU. 9
CHưƠNG I: TỔNG QUAN . 13
1.1. Tổng quan về các phương pháp thống kê sau mô hình. 13
1.2. Tình hình nghiên cứu nước ngoài. 14
1.3. Tình hình nghiên cứu trong nước. 18
CHưƠNG II: SỐ LIỆU VÀ PHưƠNG PHÁP NGHIÊN CỨUError! Bookmark not d
2.1. Số liệu .
2.1.1. Số liệu quan trắc .
2.1.2. Số liệu dự báo.
2.2. Phương pháp nghiên cứu.
2.2.1. Phương pháp UMOS.
2.2.2. Phương pháp GMOS.
2.3. Áp dụng phương pháp UMOS cho bài toán dự báo POP
2.3.1. Xác định yếu tố dự báo.
2.3.2. Xác định nhấn tố dự báo .
2.3.3. Xây dựng phương trình dự báo POP .
2.4. Phương pháp đánh giá kết quả dự báo POP
2.4.1. Điểm số Brier .
2.4.2. Biểu đồ tin cậy.
31 trang |
Chia sẻ: anan10 | Lượt xem: 539 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Luận văn Áp dụng phương pháp umos để cải thiện dự báo pha mưa trên khu vực Việt Nam, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
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
Các file đính kèm theo tài liệu này:
- 01050003336_5675_2003004.pdf