Luận văn Đánh giá ảnh hưởng của số liệu vệ tinh đến dự báo qũi đạo và cường độ bão megi (2010) bằng phương pháp lọc kalman tổ hợp

Đối với dự báo quĩ đạo sau 3 ngày sai số dự báo xuống còn dƣới 350 km. Mở ra một hƣớng nghiên cứu mới trong việc dự báo quĩ đạo và cƣờng độ bão tƣơng lai gần. 11 Chƣơng 2 CƠ SỞ LÍ THUYẾT VỀ LỌC KALMAN TỔ HỢP 2.1 Cơ sở lý thuyết của lọc Kalman Bộ lọc Kalman cơ bản, bao gồm hai bƣớc chính gọi là bước dự báo và bước phân tích. Trong bƣớc dự báo, một trạng thái ban đầu của khí quyển và sai số tƣơng ứng của trạng thái này (do trạng thái ban đầu không phải là trạng thái thực) sẽ đồng thời đƣợc tích phân theo thời gian. Trong bƣớc phân tích, kết quả của bƣớc dự báo tại một thời điểm trong tƣơng lai sẽ đƣợc kết hợp với số liệu quan trắc tại thời điểm đó để tạo ra đƣợc một trạng thái ban đầu mới và sai số của trạng thái ban đầu này cho quá trình dự báo tiếp theo. Bước dự báo Giả thiết khí quyển tại một thời điểm i nào đó đƣợc đặc trƣng bởi một trạng thái a ix với một sai số a iε . Đầu tiên chúng ta sẽ dự báo cho trạng thái đến thời điểm i + 1 sẽ cho bởi : )(1 a i f i M xx  (2.1) trong đó M là mô hình dự báo. Do mô hình này là không hoàn hảo, dự báo bằng mô hình này sẽ có một sai số nào đó kể cả khi điều kiện ban đầu là chính xác. Gọi sai số nội tại này của mô hình là , khi đó một cách lý thuyết giá trị sai số này sẽ đƣợc xác định nhƣ sau:  )(1 t i t i M xx (2.2) trong đó t ii )1( x là trạng thái thực của khí quyển tại thời điểm i (i + 1). Chúng ta sẽ giả thiết rằng sai số nội tại này là không lệch và ma trận sai số hiệp biến của nó đƣợc cho bởi một ma trận Q, nghĩa là :  T Q;0 (2.3) 12 Song song với dự báo trạng thái, chúng ta sẽ dự báo cả sai số từ thời điểm thứ i đến thời điểm thứ i + 1 sử dụng mô hình tiếp tuyến L đƣợc định nghĩa dựa trên dạng biến phân của phƣơng trình (2.1) nhƣ sau: iii M xxLx x x x  )( )( 1     (2.4) Với mô hình tiếp tuyến L này, sai số của trạng thái tại thời điểm thứ i + 1 sẽ đƣợc cho bởi i a ii εxLε )(1  (2.5) Trong thực tế, chúng ta không bao giờ biết đƣợc sai số tuyệt đối thực i và nhƣ thế không thể dự báo đƣợc sai số cho bƣớc tiếp theo. Tuy nhiên, trong đa số các trƣờng hợp, chúng ta lại có thể biết hoặc xấp xỉ đƣợc đặc trƣng thống kê của sai số đƣợc đặc trƣng bởi ma trận sai số hiệp biến P  . Thêm vào đó, ma trận này cũng sẽ đƣợc sử dụng để đồng hóa cho bƣớc tiếp theo. Do đó, chúng ta sẽ viết lại (2.5) cho ma trận sai số hiệp biến thay vì cho sai số tuyệt đối i. Lƣu ý theo định nghĩa rằng t i f i f i xxε  , t i a i a i xxε  chúng ta sẽ có mối quan hệ sau QLLP η)εLη)εL xxxxεεP T     Ta i a i a i Tt i f i t i f i T ii f i (( ))(( 11111 (2.6) Chú ý thêm rằng chúng ta đã giả thiết là sai số mô hình  và sai số trạng thái a iε là không có tƣơng quan với nhau. Nhƣ vậy, cho trƣớc giá trị sai số mô hình Q, mô hình M, và mô hình tiếp tuyến L, phƣơng trình (2.2) và (2.6) cấu thành 13 một quá trình dự báo cơ bản trong bƣớc dự báo theo đó trạng thái a ix và sai số a iε tại thời điểm i sẽ đƣợc dự báo đến thời điểm i + 1. Bước phân tích Trong bƣớc phân tích tiếp theo, giả sử tại thời điểm i + 1, chúng ta có một bộ số liệu quan trắc yo với sai số quan trắc là o. Nhiệm vụ của chúng ta trong bƣớc này là phải kết hợp đƣợc trạng thái dự báo f i 1x và sai số f i 1P với quan trắc để tạo đƣợc một bộ số liệu đầu vào mới tốt hơn tại thời điểm i + 1. Mặc dù a ix là ƣớc lƣợng tốt nhất của trạng thái khí quyển tại thời điểm i, giá trị dự báo f i 1x tại thời điểm i + 1 lại không phải là tốt nhất do sai số của mô hình và của a ix . Do đó chúng ta cần phải đồng hóa tại thời điểm i + 1 để trạng thái dự báo không bị lệch khỏi trạng thái thực tại các thời điểm này. Một cách hình thức, chúng ta sẽ ƣớc lƣợng trạng thái khí quyển mới tốt hơn tại thời điểm i + 1 nhƣ sau: )]([ 111 f i of i a i H   xyKxx (2.7) trong đó H là một toán tử quan trắc nội suy từ trƣờng mô hình sang các giá trị điểm lƣới, và K là ma trận trọng số. Một cách trực quan, ma trận K càng lớn, ảnh hƣởng của quan trắc lên trƣờng phân tích càng nhiều. Do đó, ma trận K rất quan trọng và phải đƣợc dẫn ra một cách tối ƣu nhất có thể. Để thuận tiện cho việc suy dẫn K, chúng ta định nghĩa một vài biến sai số sau: t i a i a i xxε  , t i f i f i xxε  , )( ti oo i H xyε  (2.8) 14 Để tìm ma trận K, chúng ta trƣớc hết phải tính ma trận sai số hiệp biến Pa cho trạng thái phân tích a i 1x và sau đó cực tiểu hóa ma trận này. Theo định nghĩa:     T Ta i )( )1 t 1i a 1i t 1i a 1i a 1i a 1i x-x)(x-x (εεP (2.9) Thay (2.7) vào (2.9) và xắp xếp lại, chúng ta sẽ thu đƣợc:      Ta i )εH-εKε)εH-εKεP f 1i o 1i f 1i f 1i o 1i f 1i ((((1 (2.10) trong đó ma trận H là tuyến tính hóa của toán tử quan trắc H. Đặt   Tf i )1 f 1i f 1i (εεP ,   T)o 1i o 1i (εεR , và giả thiết trạng thái nền không có tƣơng quan với trạng thái phân tích, chúng ta sẽ thu đƣợc từ (2.10) phƣơng trình sau: TTf i a i KRKKHIPKHIP   )()( 11 (2.11) Ma trận trọng số K sẽ cực tiểu hóa vết của ma trận sai số a i 1P khi và chỉ khi 0))(( 1     a itrace P K (2.12) trong đó trace() ký hiệu vết của ma trận. Ở đây, đạo hàm theo ma trận sẽ đƣợc hiểu là đạo hàm từng thành phần của ma trận. Lý do cho việc cực tiểu hóa vết của ma trận thay vì trực tiếp ma trận là do tổng các thành phần trên đƣờng chéo của ma trận ai 1P sẽ chính là bình phƣơng của tổng sai số căn quân phƣơng trong trƣờng hợp các biến là không tƣơng quan chéo. Do vết của một ma trận là bảo toàn trong các phép biến đổi trực chuẩn, chúng ta luôn có thể chéo hóa ma trận sai số a i 1P để đƣa về một cơ sở mà trong đó tổng sai số căn quân phƣơng sẽ là tổng của các thành phần đƣờng chéo. Lấy đạo hàm vết của ma trận ai 1P , chúng ta khi đó sẽ thu đƣợc từ (2.11) và (2.12) 1 11 )(    Tf i Tf i HHPRHPK (2.13) 15 Với giá trị ma trận trọng số K cho bởi (2.13) ở trên, giá trị cực tiểu của ma trận sai số hiệp biến phân tích khi đó sẽ thu đƣợc bằng cách thay (2.13) vào (2.11). Biến đổi tƣờng minh chúng ta sẽ thu đƣợc: .)( 11 f i a i   PKHIP (2.14) Nhƣ vậy, ở bƣớc phân tích này chúng ta đã thu đƣợc một ƣớc lƣợng ban đầu mới tốt hơn từ một trạng thái dự báo (hay dự báo nền) và quan trắc cho trƣớc. Sau khi thu đƣợc trạng thái mới a i 1x và ma trận sai số mới a i 1P , quá trình dự báo lại đƣợc lặp lại cho bƣớc đồng hóa kế tiếp theo. Một cách tóm tắt, lọc Kalman đƣợc cho bởi minh họa trong hình 2.1. Hình 2.1 Minh họa hai bước chính của bộ lọc Kalman. Mặc dù có ƣu điểm vƣợt trội so với các phƣơng pháp đồng hóa biến phân khác, lọc Kalman cho bởi hệ các phƣơng trình (2.1), (2.6), (2.7), (2.13), (2.14) lại rất khó áp dụng trực tiếp trong các mô hình thời tiết có tính phi tuyến cao và bậc tự do rất lớn. Ba khó khăn chính của bộ lọc Kalman ở trên là 1) xây dựng mô hình tiếp tuyến L; 2) lƣu trữ và thao tác các ma các trận sai số với số chiều có kích thƣớc quá lớn; và 3) sai số nội tại của mô hình Q không đƣợc biết đầy đủ. Khó khăn thứ nhất có thể đƣợc giải quyết bằng cách sử dụng một biến thể của bộ lọc Kalman, gọi là Kalman tổ hợp mở rộng (EnKF) đƣợc đề xuất ban đầu bởi Evensen năm 1994. Khó khăn thứ hai đƣợc khắc phục bằng cách địa phƣơng hóa các số liệu quan trắc xung quanh từng điểm 16 nút lƣới (localization) hoặc đồng hóa lần lƣợt từng giá trị quan trắc theo chuỗi (serial). Về sai số nội tại của mô hình, đây là một hƣớng phát triển còn mở của bộ lọc Kalman trong thời gian gần đây và có rất nhiều phƣơng pháp xử lý nhƣ: kỹ thuật tăng cấp cộng tính, kỹ thuật tăng cấp nhân, kỹ thuật hiệu chỉnh độ lệch hệ thống, kỹ thuật cộng nhiễu ngẫu nhiên. Nhƣ đã đề cập ở trên, quá trình đồng hóa phải bao gồm hai bƣớc chính là phân tích khách quan và ban đầu hóa. Trong bƣớc phân tích của bộ lọc Kalman quá trình ban đầu hóa không đƣợc trình bày một cách cụ thể. Tuy nhiên, các phân tích chi tiết cho thấy trong thực tế, bộ lọc Kalman đã tính đến quá trình ban đầu hóa một cách nội tại trong bƣớc dự báo. Điều này là do trong bƣớc dự báo này, ma trận sai số hiệp biến nền sẽ đƣợc tích phân theo thời gian. Do đó, các tƣơng quan chéo giữa các biến động lực sẽ đƣợc hiệu chỉnh theo thời gian. Ở một giới hạn đủ dài, ma trận sai số hiệp biến nền thu đƣợc từ bộ lọc này sẽ có khả năng phản ánh đƣợc các tƣơng quan chéo giữa các biến động lực và nhƣ vậy thông tin quan trắc thu đƣợc của bất kỳ một biến nào cũng sẽ đƣợc cập nhất cho tất cả các biến mô hình khác. Đây chính là ƣu điểm của bộ lọc Kalman, đặc biệt trong vùng vĩ độ thấp tại đó không tồn tại một ràng buộc lý thuyết tƣờng minh cho các mối quan hệ động lực giữa các biến giống nhƣ trong vùng ngoại nhiệt đới. 2.2 Lọc Kalman tổ hợp Do khả năng phát triển mô hình tiếp tuyến và tích phân ma trận sai số hiệp biến theo thời gian với mô hình tiếp tuyến là không thực tế trong các mô hình dự báo thời tiết, lọc Kalman phải đƣợc cải tiến để có thể áp dụng đƣợc cho các bài toán nghiệp vụ. Một cách tiếp cận phổ biến nhất dựa trên tích phân ngẫu nhiên Monte-Carlo theo đó một tập các đầu vào đƣợc tạo ra xung quanh một giá trị trƣờng phân tích cho trƣớc. Lƣu ý rằng tập đầu vào này không phải đƣợc lấy bất kỳ mà đƣợc tạo ra dựa theo phân bố xác suất cũng 17 nhƣ giá trị sai số của trƣờng phân tích aP tại từng thời điểm. Ví dụ nếu phân bố của trƣờng phân tích có dạng phân bố chuẩn Gauss, khi đó tập đầu vào của trƣờng phân tích sẽ phải tuân theo phân bố: )()()( 2 1 2/12/ 1 ||)2( 1 )( aaaTaa a ep an a xxPxx P P x     (2.15) trong đó ax là giá trị trƣờng phân tích trung bình tổ hợp thu đƣợc từ bƣớc phân tích của lọc Kalman. Với một tập K các đầu vào { a kx }k=1..K sinh ra từ phân bố (2.15), chúng ta có thể thu đƣợc ma trận sai số hiệp biến dự báo cho bƣớc thời gian tiếp theo nhƣ sau: Tff k K k ff k f K )()( 1 1 1 xxxxP      (2.16) trong đó )]([)( 1 i a ki f k tMt xx  . Các nghiên cứu đã chỉ ra rằng một tổ hợp khoảng 25-50 các thành phần là đủ để lọc Kalman tổ hợp phát huy tác dụng. Ngoài việc giản lƣợc quá trình phát triển mô hình tiếp tuyến, cách tiếp cận EnKF có một vài ƣu điểm nổi trội bao gồm 1) Rút bớt các tính toán với các ma trận có số chiều lớn; 2) Không cần tuyến tính hóa mô hình cũng nhƣ mô hình liên hợp (adjoint); 3) Cung cấp một tổ hợp các nhiễu ban đầu tối ƣu hóa cho việc dự báo các ma trận sai số hiệp biến. Mặc dù có nhiều điểm thuận lợi song đến tại thời điểm này, chỉ có trung tâm dự báo thời tiết của Canada đã đƣa lọc Kalman tổ hợp vào dự báo nghiệp vụ do khối lƣợng tính toán lớn. EnKF hiện đƣợc coi là một hƣớng đi phát triển mạnh nhất trong thời gian tới cho các bài toán nghiên cứu có tính dự báo thấp nhƣ bão nhiệt đới và ngoại nhiệt đới, mƣa lớn, hay dông. Trong phần này một biến thể cụ thể của lọc EnKF, gọi là lọc EnKF tổ hợp biến đổi địa phƣơng hóa (LETKF) sẽ đƣợc trình bày và thử nghiệm. Một cách cơ bản, lọc LETKF là một phƣơng pháp theo đó tại mỗi điểm nút lƣới, 18 chúng ta sẽ chọn một lân cận mô hình với kích thƣớc cho trƣớc (ví dụ một không gian 3 chiều có kích thƣớc 11  11  3 với tâm là điểm nút chúng ta đang quan tâm). Với không gian con này, chúng ta sẽ chọn ra tất cả các quan trắc cho đƣợc bên trong không gian này và tạo ra một vectơr quan sát lân cận riêng biêt. Sau đó, sử dụng ma trận nhiễu tổ hợp nền để biến đổi từ không gian căng bởi số điểm nút lƣới địa phƣơng sang không gian con căng bởi số thành phần tổ hợp. Điều này sẽ làm giảm đáng kể khối lƣợng tính toán ma trận vì không gian tổ hợp thƣờng nhỏ hơn không gian địa phƣơng rất nhiều. Do đó, các phép toán ma trận sẽ có độ chính xác cao hơn. Để minh họa thuật toán một cách rõ ràng, nhắc lại rằng ma trận nhiễu tổ hợp nền fX (có số chiều N  K) đƣợc định nghĩa nhƣ sau: }|...||{ 21 ff K fffff xxxxxxX  , (2.17) trong đó,    K k f k f K 1 1 xx . Gọi w là một vectơr biến đổi trong không gian tổ hợp đƣợc định nghĩa nhƣ sau: wXxx bb  . (2.18) Khi đó, hàm giá trong không gian tổ hợp địa phƣơng sẽ chuyển thành ][}])([)({)1()( 1 wXxwXXXXIww bbbTbbTbT JkJ    , (2.19) trong đó ][ wXx bbJ  là hàm giá trong không gian mô hình. Hàm giá sẽ đƣợc cực tiểu hóa nếu w là trực giao với không gian con rỗng của toán tử Xf. Lấy đạo hàm của )(wJ  theo w và sử dụng: dxdx  )( T 19 AxAxxx 2)(  T chúng ta sẽ thu đƣợc giá trị aw làm cực tiểu hóa hàm giá (2.19) nhƣ sau: )]([)( 01 fTfaa H xyRYPw    , (2.20) trong đó )](),....,(),([ 21 ff K fffff HHH xxxxxxY  (2.21) và 11 ])()1[(  fTfa K YRYIP  . (2.22) Nhƣ vậy, trong không gian tổ hợp, ma trận trọng số thu đƣợc từ (2.6) sẽ có dạng: 1)(ˆ  RYPK Tfa  , và do đó ma trận trọng số K trở thành: 1)(ˆ  RYPXKXK Tfaff  . (2.23) Với ma trận K thu đƣợc ở trên, giá trị trạng thái phân tích trung bình tổ hợp tại điểm nút chúng ta đang quan tâm sẽ đƣợc cho bởi: ][ fofa xHyKxx  (2.24) Cũng giống nhƣ trong bộc lọc SEnKF, nhiệm vụ cuối cùng của chúng ta là xây dựng bộ tổ hợp các trạng thái phân tích. Để làm điều đó, chúng ta chú ý rằng: Tfff K )( 1 1 XXP   ; và Taaa K )( 1 1 XXP   Sử dụng mối quan hệ sau .)( fa PKHIP  và kết hợp với (2.23), chúng ta thu đƣợc: 20 TffTfaaf TffTfaf TffTfafaTaa K K KK ))()()ˆ((ˆ 1 1 ))()(ˆ( 1 1 )( 1 1 ))(ˆ()( 1 1 11 1 1 XYRYPPX XYRYPIX XXRYPXIPXX             (2.25) Sử dụng (2.22), chúng ta sẽ thu đƣợc: TfafTaa K )(ˆ)1()( XPXXX  (2.26) và do đó, 2/1]ˆ)1[( afa K PXX  . (2.27) Quá trình đồng hóa theo bộ lọc LETKF nhƣ vậy có thể đƣợc tóm tắt nhƣ sau: - Bước 1: tại mỗi điểm nút lƣới, chọn một vùng thể tích lân cận bao xung quanh điểm nút đó để xây dựng ma trận nhiễu nền địa phƣơng )](),....,[( 1 ff K fff xxxxX  ; - Bước 2: Trong mỗi thể tích lân cận, tìm tất cả các quan trắc bên trong thể tích lân cận này và xây dựng ma trận quan trắc nhiễu nền )](),....,([ 1 ff K fff HH xxxxY  . (Nếu H là toán tử tuyến tính, khi đó ff HXY  .) Đồng thời xây dựng ma trận sai số quan trắc R ứng với các quan trắc bên trong thể tích; - Bước 3: Tính ma trận sai số hiệp biến biến đổi aP  theo (2.22) và sau đó ma trận trọng số K theo (2.23); - Bước 4: Cập nhật giá trị trung bình tổ hợp địa phƣơng ax theo (2.24) - Bước 5: Tính ma trận nhiễu phân tích Xa theo (2.27) và cộng vào a x để thu đƣợc tổ hợp phân tích lân cận mới ( ak aa k Xxx  ); 21 - Bước 6: Chọn điểm giữa của vectơr tổ hợp vectơr phân tích lân cận a kx và gán điểm này cho điểm nút lƣới chọn ở bƣớc 1 - Bước 7: Quay trở lại bƣớc 1 và lặp cho đến hết tất cả các điểm nút lƣới. Có thể nhận thấy dễ dàng trong các bƣớc tính toán ở phía trên rằng các điểm nút lƣới khác nhau đƣợc thực thi một cách hoàn toàn độc lập với nhau. Đây là một ƣu điểm của lọc LETKF vì chúng ta có thể song song hóa bộ lọc này một cách rất hiệu quả bằng cách chia các phần công việc độc lập cho các lõi tính toán khác nhau. Điều này cho phép tăng tính hiệu quả tính toán lên rất nhiều và giúp lọc LETKF có đƣợc ƣu điểm mà lọc SEnKF không có đƣợc. 22 Chƣơng 3 THIẾT KẾ MÔ HÌNH VÀ THÍ NGHIỆM 3.1 Tổng quan về bão Megi (2010) Bão Megi là siêu bão đầu tiên của năm 2010 ở vùng biển Thái Bình Dƣơng, đây là cơn bão mạnh với áp suất cực tiểu đạt ~ 885 hPa và tốc độ gió bề mặt đo 10 phút là 63 m/s (hình 3.1). Megi đƣợc hình thành trong điều kiện thời tiết có độ bất ổn định mạnh lúc 0000UTC ngày 12/10/2010, khoảng 600 km về phía đông của quần đảo Philipin. Hệ thống bất ổn định này phát triển nhanh chóng và trở thành một áp thấp nhiệt đới lúc 0900 UTC ngày 13 theo Trung tâm cảnh báo bão Hoa Kỳ (JTWC). Do ảnh hƣởng mạnh của áp cao cận nhiệt Tây Thái Bình Dƣơng nên hệ thống di chuyển chậm về phía Tây Tây Bắc Philipin, sau đó tăng cƣờng thành bão nhiệt đới lúc 1200 UTC ngày 13/10/2010. Vào cuối ngày 13 và 24 giờ tiếp theo, Megi trở thành bão nhiệt đới với đĩa mây dày đặc tại trung tâm, trên ảnh vệ tinh mắt bão xuất hiện rõ lúc 0000UTC ngày 16/10/2010, kết quả Megi chính thức trở thành siêu bão. Hình 3.1 Cường độ bão Megi (2010) 23 Sau khi phát triển thành siêu bão, Megi di chuyển theo hƣớng Tây Tây bắc dọc theo rìa phía nam của của áp cao cận nhiệt Tây Thái Bình Dƣơng, và đƣợc tăng cƣờng đáng kể dọc đƣờng đi do điều kiện môi trƣờng thuận lợi cho việc phát triển (nhiệt độ bề mặt biển luôn lớn hơn 28oC). Cùng với điều kiện nhiệt độ bề mặt thích hợp, một số các điều kiện thuận lợi khác nhƣ độ đứt gió thẳng đứng nhỏ, phân kỳ mực trên cao và dòng hƣớng cực cũng đƣợc quan sát thấy trong thời kì phát triển của Megi. Vào ngày 18/10/2010 cơn bão bị suy yếu do đổ bộ vào đất liền Philipin, nhƣng nhanh chóng tăng cƣờng lại khi di chuyển trên biển Đông, với nhiệt độ mặt nƣớc biển đo đƣợc là 30oC. Hình 3.2 là thời điểm bão Megi đang tiến sát vào đảo Luzon Philipin, có thể quan sát thấy mắt bão hiện rất rõ trên ảnh mây vệ tinh với đĩa mây dày đặc. Hình 3.2 Hình ảnh mắt bão Megi đang tiến sát đảo Luzon (bên trái),Mặt cắt siêu bão Megi ngoài khơi đảo Luzon, Philippines (bên phải). (Trích nguồn từ Internet) Do ảnh hƣởng mạnh của rãnh và áp cao cận nhiệt Tây Thái Bình Dƣơng bão Megi đổi hƣớng Bắc Đông Bắc lúc 0000UTC ngày 19/10/2010, lúc này nhiệt độ mặt nƣớc biển bắt đầu giảm, bão cũng dần suy yếu. Sau khi đi qua tỉnh Phúc Kiến - Trung Quốc, sáng sớm ngày 24 Megi suy yếu thành áp thấp nhiệt đới và tan sau đó vài giờ (hình 3.3). 24 Hình 3.3 Sự di chuyển của bão Megi (2010)[22] 3.2 Thiết kế mô hình và số liệu 3.2.1 Mô hình dự báo thời tiết WRF-LETKF Mô hình nghiên cứu và dự báo thời tiết WRF là một trong những mô hình khí tƣợng phổ biến hiện nay. Mô hình này cho phép sử dụng các tùy chọn khác nhau đối với tham số hóa các quá trình vật lý, nhƣ tham số hóa bức xạ, tham số hóa lớp biên hành tinh, tham số hóa đối lƣu mây tích, khuyếch tán xoáy rối quy mô dƣới lƣới hay các quá trình vi vật lý khác. Mô hình có thể sử dụng số liệu thực hoặc mô phỏng lý tƣởng với điều kiện biên xung quanh là biên tuần hoàn, mở, đối xứng. Hiện tại WRF có hai phiên bản là phiên bản nghiên cứu nâng cao ARW sử dụng lƣới C và phiên bản quy mô vừa phi thủy tĩnh NMM sử dụng lƣới E. Trong luận văn này, tác giả sử dụng phiên bản ARW làm công cụ nghiên cứu. Mô hình này bao gồm một lõi động lực ARW lƣới C và các thành phần vật lý khác. Mô hình WRF đƣợc đánh giá là một mô hình khá hoàn thiện về hệ thống vật lý, mô phỏng lý tƣởng hóa cùng với quá trình đồng hóa chi tiết. Mô hình WRF gồm hai bộ phận chính: + Bộ phận xử lý 25 + Bộ phận mô phỏng Bộ phận xử lý đầu tiên sẽ thực hiện nội suy ngang và thẳng đứng số liệu các trƣờng khí tƣợng: độ cao địa thế vị (H), các thành phần gió ngang (u,v), độ ẩm tƣơng đối (RH), nhiệt độ (T), từ lƣới mô hình toàn cầu NCEP hoặc ECMWF cũng nhƣ nội suy số liệu địa hình (Topography), loại đất (soil texture), lớp phủ thực vật (vegetation)về lƣới của mô hình. Sau đó, bộ phận mô phỏng của mô hình WRF sẽ thực hiện tích phân hệ các phƣơng trình với các tham số đầu vào đó đƣợc xác định nhƣ: miền tính, độ phân giải, bƣớc thời gian.v.vbộ phận xử lý cuối cùng sẽ sử dụng các phần mềm đồ họa (GRADS) để hiển thị các kết quả dự báo của mô hình. Hình 3.4 Sơ đồ hệ thống của mô hình WRF Để tiến hành thí nghiệm, trong luận văn này sử dụng mô hình dự báo thời tiết WRF phiên bản 3.2 kết hợp với lọc Kalman tổ hợp đƣợc gọi là mô 26 hình WRF-LETKF thiết kế bởi Phòng Thí nghiệm Dự báo Thời tiết và Khí hậu. Mô hình WRF-LETKF đƣợc phát triển theo quy trình ứng dụng nghiệp vụ chuẩn với tất cả các quá trình vào ra, cập nhật số liệu, xử lý đồng hóa, kiểm tra chất lƣợng, tạo điều kiện biên tổ hợp, và dự báo tổ hợp đƣợc tiến hành một cách tự động và đồng bộ hóa theo thời gian thực. Sơ đồ thiết kế hệ thống đƣợc biểu diễn minh họa hình 3.5 [1]. Hình 3.5 Sơ đồ hệ thống dự báo tổ hợp WRF-LETKF Theo sơ đồ hệ thống dự báo tổ hợp WRF-LETKF, số liệu quan trắc đầu tiên sẽ đƣợc xử lý kiểm định chất lƣợng thông qua bộ chƣơng trình chuẩn WRFDA cho trong mô hình WRF. Quá trình kiểm định chất lƣợng này sẽ xác định các sai số cho các mực và các biến quan trắc tƣơng ứng. Số liệu quan trắc sau khi đƣợc kiểm định sẽ đƣợc kết hợp với số liệu dự báo tổ hợp hạn rất ngắn 12 giờ từ chu trình dự báo trƣớc để tạo ra một bộ các nhiễu phân tích thông qua bộ lọc LETKF. Tại chu trình này, do số liệu dự báo toàn cầu GFS Dự báo tổ hợp 12-h làm trƣờng nền Kiểm định chất lƣợng Quan trắc vệ tinh Nhiễu tổ hợp phân tích LETKF Cập nhật điều kiện ban đầu WPS Dự báo toàn cầu cho số liệu GFS Tổ hợp phân tích biên WRFDA Mô hình WRF Dự báo 27 đƣợc phát báo và tải về sẽ đƣợc chƣơng trình tiền xử lý và nội suy về lƣới mô hình. Trƣờng dự báo GFS sau đó sẽ đƣợc cộng vào nhiễu tái phân tích tạo ra bởi lọc Kalman tổ hợp để tạo ra một tổ hợp các trƣờng phân tích cùng với điều kiện biên tƣơng ứng của các trƣờng phân tích này. Bộ các đầu vào và biên tạo ra trong bƣớc này sẽ đƣợc đƣa vào mô hình WRF để dự báo thời tiết với hạn tùy ý. Song song với quá trình dự báo thời tiết đƣợc xác định trƣớc này, mô hình WRF cũng sẽ lƣu trữ một tổ hợp các dự báo rất ngắn 12 giờ để làm trƣờng nền cho dự báo tiếp theo. Quá trình dự báo tổ hợp nhƣ trên đƣợc liên tục lặp lại đều đặn một ngày 2 lần (hoặc có thể lên đến 4 ngày nếu hệ thống tính toán cho phép). Các sơ đồ tham số hóa đối lƣu đƣợc sử dụng trong luận văn nhằm giải quyết các tác động quy mô dƣới lƣới nhƣ là quá trình đối lƣu/các đám mây nông. Các sơ đồ này đƣợc dùng để biểu diễn thông lƣợng thẳng đứng do không giải quyết đƣợc vận chuyển của các dòng thăng và dòng giáng, và sự bù lại bên ngoài các đám mây. Chúng chỉ có tác dụng trong các cột riêng ở đó sơ đồ đƣợc khởi động và cung cấp nhiệt thẳng đứng và cấu trúc ẩm. Một vài sơ đồ bổ sung cung cấp xu hƣớng mây và trƣờng giáng thủy trong các cột, trong tƣơng lai các sơ đồ cũng có thể cung cấp xu hƣớng động lƣợng do vận chuyển đối lƣu. Các tham số hóa mây đối lƣu về lý thuyết chỉ có giá trị cho các lƣới thô (ví dụ lớn hơn 10 km), ở đó chúng cần để giải phóng ẩn nhiệt trên quy mô thời gian thực trong các cột đối lƣu. Đôi khi các sơ đồ này đƣợc tìm thấy có ích trong việc gây ra sự đối lƣu trong các lƣới 5 -10 km. Dƣới đây sẽ là một số lựa chọn trong mô hình WRF. Sơ đồ Kain-Fritsch 28 Sơ đồ Kain-Fritsch đƣợc sử dụng trong nghiên cứu này là phiên bản cải tiến của sơ đồ KFS gốc trong mô hình ETA. Giống nhƣ KFS phiên bản gốc, phiên bản hiện tại vẫn dựa trên một mô hình mây đơn giản có tính đến các dòng thăng và giáng ẩm và có đƣa vào tính toán các hiệu ứng cuốn vào, cuốn ra và vi vật lý mây. Sự khác biệt so với phiên bản gốc gồm: - Tốc độ cuốn vào cực tiểu đƣợc giả thiết xảy ra trong đối lƣu diện rộng trong môi trƣờng tƣơng đối khô và bất ổn định tại biên. - Đối lƣu nông (không gây mƣa) cho phép có dòng thăng nhƣng không đạt tới độ dày mây tối thiểu gây mƣa và độ dày này là một hàm của nhiệt độ chân mây. - Tốc độ cuốn vào là một hàm của hội tụ mực thấp. - Một số thay đổi trong tính toán dòng giáng - Thông lƣợng khối là của thông lƣợng khối của dòng thăng tại đỉnh mây. Sơ đồ Betts-Miller-Janjic Đây là sơ đồ dựa trên sơ đồ điều chỉnh đối lƣu Betts-Miller đƣợc thực hiện bao gồm việc đƣa vào khái niệm “hiệu suất mây” để cung cấp thêm bậc tự do trong việc xác định các profile lƣợng ẩm và nhiệt độ. Điều chỉnh đối lƣu nông cũng có vai trò quan trọng trong sơ đồ tham số hóa này. Gần đây, các nỗ lực đã đƣợc thực hiện để cải tiến các sơ đồ cho độ phân giải ngang cao hơn, chủ yếu thông qua các sửa đổi trong cơ chế hoạt động. Cụ thể: - Một giá trị cho entropy thay đổi trong mây đƣợc thiết lập thấp mà đối với đối lƣu sâu thì không đƣợc kích hoạt; - Nghiên cứu đỉnh mây, hạt tăng dần khi chuyển động trong môi trƣờng. Lớp biên hành tinh 29 Lớp biên hành tinh (PBL) chịu trách nhiệm về thông lƣợng thẳng đứng quy mô lƣới con do vận chuyển xoáy vào trong toàn bộ cột không khí, không chỉ là lớp biên. Vì vậy, khi sơ đồ PBL đƣợc kích hoạt, rõ ràng khuếch tán thẳng đứng cũng đƣợc kích hoạt với giả thiết rằng sơ đồ PBL sẽ xử lý quá trình này. Trong ARW cho phép lựa chọn các sơ đồ lớp biên hành tinh: Sơ đồ Yonsei University (YSU), sơ đồ Mellor-Yamada-Janjic (MYJ). Mô hình bề mặt đất Mô hình bề mặt đất (LSM) sử dụng các thông tin khí quyển từ sơ đồ lớp sát đất, giáng thủy từ các sơ đồ vi vật lý và tham số hóa đối lƣu, cùng với các biến trạng thái đất và đặc tính bề mặt đất để tính toán các thông lƣợng ẩm và nhiệt từ bề mặt. Các mô hình đất xử lý thông lƣợng ẩm, nhiệt trong cá