Luận văn Nghiên cứu đồng hoá số liệu vệ tinh trong mô hình wrf để dự báo mưa lớn ở khu vực trung bộ

MỤC LỤC

MỞ ĐẦU 5

CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO MƯA BẰNG

PHƯƠNG PHÁP SỐ TRỊ VÀ ĐỒNG HOÁ SỐ LIỆU VỆ TINH

7

1.1 Tổng quan về dự báo mưa bằng phương pháp số trị 7

1.2 Dữ liệu vệ tinh và sự cần thiết của dữ liệu vệ tinh trong dự báo

thời tiết

9

1.3 Những nghiên cứu trên thế giới và ở Việt Nam về đồng hoá số

liệu vệ tinh trong mô hình số trị

18

CHƯƠNG 2: ĐỒNG HÓA SỐ LIỆU VỆ TINH TRONG MÔ

HÌNH WRF

22

2.1 Mô hình WRF 22

2.2 Vấn đề đồng hoá số liệu vệ tinh trong mô hình WRF 29

2.3 Đồng hoá dữ liệu vệ tinh MODIS trong mô hình WRF 39

2.4 Các chỉ tiêu đánh giá kết quả dự báo mưa 40

CHƯƠNG 3: KẾT QUẢ ĐỒNG HÓA SỐ LIỆU VỆ TINH

TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU

VỰC TRUNG BỘ

44

3.1 Nguồn số liệu 44

3.2 Cấu hình được lựa chọn 45

3.3 Kết quả dự báo mưa của một số trường hợp điển hình 46

3.4 Đánh giá kết quả dự báo các đợt mưa lớn ở khu vực Trung Bộ

trong hai năm 2007 - 2008

62

KẾT LUẬN 66

KIÊN NGHỊ 66

TÀI LIỆU THAM KHẢO 67

pdf72 trang | Chia sẻ: mimhthuy20 | Lượt xem: 570 | Lượt tải: 0download
Bạn đang xem trước 20 trang tài liệu Luận văn Nghiên cứu đồng hoá số liệu vệ tinh trong mô hình wrf để dự báo mưa lớn ở khu vực trung bộ, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
ắn, dài Phát xạ bề mặt Albedo bề mặt T, Qv, gió bề mặt Mây tầng thấp hoặc sự tăng cường dòng giáng Dòng đi ra 29 xb là véc tơ trường nền, B là ma trận tương quan sai số nền, y0 là trường quan trắc, y là véc tơ chuyển đổi từ trạng thái không gian mô hình đến không gian quan trắc, E, F tương ứng là ma trận tương quan sai số quan trắc và ma trận tương quan sai số biểu diễn. Như vậy, bài toán đồng hoá số liệu biến phân 3DVAR có thể nói ngắn gọn là lời giải lặp của phương trình (2.1) để tìm trạng thái được phân tích x sao cho J(x) là nhỏ nhất. Phương pháp này tương ứng khả năng ước lượng lớn nhất (sai số nhỏ nhất) trạng thái khí quyển thực được thể hiện trong hai nguồn số liệu ban đầu: trường nền xb và trường quan trắc y0. Sai số biểu diễn là một ước lượng của sai số được biết đến trong quá trình sử dụng toán tử quan trắc H để chuyển đổi những số liệu phân tích lưới tính x đến không gian quan trắc y = Hx nhằm so sánh với các giá trị quan trắc. Sai số này sẽ phụ thuộc vào độ phân giải và những phép toán lấy xấp xỉ (ví dụ tuyến tính hoá) trong H. *Ma trận tương quan sai số trường nền Phương sai sai số trường nền: Phương sai của sai số trường nền là các phần tử nằm trên đường chéo của ma trận sai số nền B. Chúng thường được đánh giá thông qua phương sai của trường dự báo mà ta sử dụng làm trường nền. Đánh giá thô hơn có thể lấy phương sai khí hậu nhân với một hệ số tuỳ ý nhỏ hơn 1. Nếu trường phân tích có chất lượng tốt (có nhiều thám sát) thì phương sai sai số trường nền có thể được đánh giá thông qua việc xác định phương sai của độ lệch giữa trường dự báo và trường phân tích. Nếu các quan trắc không tương quan, phương pháp của Hollingsworth (1986) được xem là phương pháp đánh giá tốt nhất. Đây là phương pháp đánh giá trực tiếp các đặc trưng thống kê của sai số trường nền (tương quan sai số trường nền trong không gian quan trắc bên cạnh phương sai). 30 Phương sai này sử dụng độ lệch giữa quan trắc với giá trị nền tương ứng đã được nội suy về vị trí quan trắc trong một mạng lưới quan trắc dày và đủ rộng để bao quát thông tin trên mọi quy mô. Các quan trắc được giả thiết độc lập và không tương quan lẫn nhau. Nguyên lý cơ bản của phương pháp này là xây dựng sơ đồ của ( [ ]bxHy −0 ) theo khoảng cách giữa các điểm trạm. Tại điểm 0, sơ đồ cho ta giá trị trung bình của cả phương sai quan trắc và phương sai nền. Tại những điểm khác 0, sơ đồ thể hiện giá trị trung bình của tương quan sai số nền (hình 2.3). Hình 2.3: Sơ đồ phân bố của trung bình dộ lệch giữa giá trị quan trắc với trường nền theo khoảng cách giữa các điểm trạm Tương quan sai số trường nền: Tương quan giữa các sai số trường nền là các phần tử nằm ngoài đường chéo của ma trận sai số nền B. Tương quan sai số trường nền có tầm quan trọng trong bài toán phân tích vì những lý do như sau: 31 - Truyền thông tin: trong những khu vực quan trắc thưa thớt, các số hạng tương quan trong B sẽ truyền thông tin từ một điểm quan trắc tới vùng lân cận xung quanh. - Làm trơn: trong những khu vực quan trắc dày, độ trơn của thông tin quan trắc được xác định bởi các tương quan trong B. Độ trơn của trường phân tích đảm bảo rằng phân tích chứa những quy mô có thể so sánh được về mặt thống kê với các đặc tính quy mô của trường vật lý. Ví dụ khi phân tích thực hiện trong tầng bình lưu hay trong vùng xoáy nghịch, trường phân tích cần được làm trơn nhiều theo phương ngang nhằm trung bình hoá và trải rộng các quan trắc. Ngược lại, khi phân tích thực hiện ở tầng thấp trong vùng front, bờ biển, núi hoặc gần lớp nghịch nhiệt, phân tích cần được giới hạn để không tạo ra trường phân tích quá trơn dẫn đến không chính xác về mặt vật lý. - Cân bằng vật lý: Hầu hết các hệ địa vật lý gần như thoả mãn cân bằng động lực hoặc một số cân bằng khác. Điều này dẫn đến tương quan giữa các sai số của các biến khác nhau trong mô hình. Ví dụ, trong dòng khí quyển quy mô lớn, cân bằng địa chuyển dẫn đến tương quan giữa sai số của trường gió và trường nhiệt độ. Như vậy, khi quan trắc một biến có thể đem lại mọi thông tin về các biến khác cân bằng với nó. Ví dụ, trong cân bằng địa chuyển, quan trắc gió mực thấp có thể hiệu chỉnh áp suất bề mặt. Kết hợp với đặc tính lảm trơn của ma trận B, tương quan chéo thông qua cân bằng tác động đáng kể tới chất lượng phân tích. Hình 3.2 thể hiện một quan trắc nhiệt độ được làm trơn sau đó được dùng để hiệu chỉnh độ cao địa thế vị xung quanh, dẫn tới hiệu chỉnh trường gió trong cân bằng địa chuyển. *Ma trận tương quan sai số quan trắc Phương sai sai số quan trắc: Ma trận tương quan sai số quan trắc bao gồm những ảnh hưởng của sai số đo, các sai số trong hoạt động quan trắc và sai số biểu diễn (ví dụ, mô hình không thể biểu diễn tất cả những thay đổi của nhiệt độ đo bằng nhiệt kế trong quy mô nhỏ với lưới tính của mô hình là 50km2). 32 Phương sai của sai số quan trắc chính là các phần tử nằm trên đường chéo của ma trận tương quan. Chú ý rằng phương sai sai số quan trắc bao gồm cả phương sai từ sai số thể hiện. Giá trị này không thể bỏ qua khi phan tích các hiện tượng không được thể hiện tốt trong không gian mô hình. Bảng 2.5 và 2.6 cho ta giá trị độ lệch chuẩn các biến được đo bởi trạm SYNOP và cao không theo ECMWF [7]. Bảng 2.5: Độ lệch chuẩn thám sát với trạm SYNOP Gió (m/s) Nhiệt độ (K) Độ ẩm tương đối (%) Độ cao (m) 3.6 2 10 7 Bảng 2.6: Độ lệch chuẩn thám sát với trạm cao không phân bố theo mực khí áp P (mb) 1000 850 700 500 400 300 250 200 150 100 V(m/s) 2.3 2.3 2.5 3.0 3.5 3.7 3.5 3.5 3.4 3.3 T (K) 1.7 1.5 1.3 1.2 1.2 1.4 1.5 1.5 1.6 1.7 RH(%) 15 15 15 15 15 15 15 15 15 15 H(m) 4.3 4.4 5.2 8.4 9.8 10.7 11.8 13.2 15.2 18.1 Tương quan sai số quan trắc: Tương quan sai số quan trắc là các phần tử nằm ngoài đường chéo của ma trận tương quan sai số quan trắc. Những phép đo riêng biệt được giả thiết rằng bị ảnh hưởng bởi những sai số vật lý hoàn toàn độc lập, do đó, tương quan giữa các phép đo thường được giả định bằng không. Giả thiết này hợp lý cho những phép đo được thực hiện bởi những dụng cụ đo khác nhau. Tuy nhiên, giả thiết này không còn đúng cho một tập các quan trắc được thực hiện bởi cùng một dụng cụ đo như bóng thám không, máy bay, các cảm biến trên vệ tinh hay các bản tin liên tiếp từ cùng một trạm synốp khi đồng hoá số liệu bốn chiều. Ngoài ra, quá trình xử lý số liệu qua trắc ban đầu cũng có thể sinh ra những tương quan nhân tạo giữa các quan trắc đã được xử lý. Điều này có thể quan sát thấy khi ta chuyển profile nhiệt độ quan trắc qua địa thế vị, chuyển đổi giữa độ ẩm tương đối và độ ẩm riêng mang lại tương quan với 33 nhiệt độ. Khi xét đến sai số thể hiện có thể thấy về bản chất sai số thể hiện tương quan lẫn nhau : sai số nội suy tương quan lẫn nhau khi mật độ thám sát dày hơn so với độ phân giải của mô hình. Sự có mặt của tương quan sai số quan trắc góp phần làm giảm trọng số của quan trắc và giảm sự chênh lệch giữa các giá trị quan trắc thông qua gradient hay xu thế. Tuy nhiên, việc đánh giá các giá trị tương quan và đưa các giá trị này vào quá trình phân tích đặt ra những khó khăn trong quá trình xử lý cũng như quản lý chất lượng thám sát. Trong thực tế, người ta thường cực tiểu hoá các tác động của chúng bằng cách khử bỏ bias trong thám sát, tránh những quá trình xử lý số liệu thám sát không cần thiết ban đầu, làm thưa những vùng có số liệu dày và tăng chất lượng trong thiết kế toán tử quan trắc. Phần lớn các phương pháp đồng hoá số liệu hiện đại điều giả định ma trận tương quan sai số quan trắc là ma trận chéo hoặc gần như chéo. 2.2.2 Quá trình cập nhật số liệu đầu vào trong mô hình WRF Hình 2.4 thể hiện quy trình thực hiện đồng hóa số liệu trong mô hình WRF. Để thực hiện quy trình này, ta cần ba nguồn dữ liệu đầu vào: Hình 2.4: Sơ đồ quy trình đồng hoá dữ liệu WRFDA Background Error (gen_be) Forecast (WRF) xb xa Update Lateral & Lower BCs (UPDATE_BC ) Background Preprocessing (WPS , real) xlbc Cycled Background B0 yo , R Cold-Start Background xf Observation Preprocessing (OBSPROC) WRFDA 34 a/ Số liệu dự báo ban đầu (trường nền) bx : Có hai kiểu tạo trường nền cho quá trình đồng hoá là kiểu khởi động lạnh (cold-start) và kiểu tuần hoàn (cycling). Trong trường hợp khởi động lạnh, các giá trị bx có được từ việc nội suy lưới của mô hình toàn cầu hay từ các mô hình khu vực về lưới của mô hình WRF thông qua chương trình WRFSI và WRF_Real trong mô hình WRF. Còn trong trường hợp tuần hoàn, trường nền là trường dự báo hạn ngắn từ modun ARW của hệ thống mô hình WRF. b/ Các số liệu quan trắc oy : nguồn số liệu này sẽ được cung cấp với định dạng ASCII như trong mođun little_r của mô hình MM5 hoặc định dạng BUFR. Quá trình cập nhật số liệu quan trắc vào mô hình WRFDA được thực hiện bởi chương trình OBSPROC trong mô hình WRF. c/ Tương quan sai số trường nền (B): Trong các hệ thống biến phân, tương quan được tính theo kiểu off-line và được tối ưu hoá. Để giúp người sử dụng, những nhà nghiên cứu và phát triển mô hình WRF đã đưa ra một số cung cấp sau: * Chuỗi số liệu thống kê mặc định được dùng cho những cài đặt ban đầu của miền lưới. * Cung cấp phần mođul gen_be để tạo ma trận sai số nền. * Các hàm chuẩn đoán để ước lượng độ chính xác của các biến quan trắc và các thống kê sai số nền. Những hàm chuẩn đoán này bao gồm các phương pháp dựa trên véc tơ mới và các phương pháp điều chỉnh biến phân. 2.2.3 Những cải tiến để cực tiểu hoá hàm giá Để cực tiểu hoá hàm giá, mô hình WRDA đã sử dụng phiên bản được cải tiến về giới hạn vùng nhớ của phương pháp Quasi_Newton (QNM). Và gần đây nhất là phương pháp liên kết Gradient (CGM). Không như phương pháp QNM, phương pháp CGM sẽ hạn chế tối đa những vòng lặp ở bên trong của mô hình WRFDA để mô hình có thể diễn ra một cách liên tục. Những giới hạn này sẽ mất đi thông qua những kết quả của một vòng lặp bên ngoài 35 của mô hình WRFDA, mục đích của phương pháp này là hướng tới quá trình tương tác của những giải pháp phi tuyến (ví dụ như sự tương tác giữa giá trị quan trắc và quá trình cân bằng cưỡng bức v.v.) được sử dụng để phân tích biến trong mô hình WRFDA. Vòng lặp bên ngoài này cũng được sử dụng như là quá trình biểu diễn các biến điều khiển như sau: giá trị quan trắc sẽ bị loại bỏ nếu hiệu sai số quan trắc và sai số trường nền (O_B) vượt quá giá trị cho phép (sai số độ lệch chuẩn). Sai số lớn nhất này sẽ kiểm tra giả thiết loại bỏ giá trị max của sai số O_B là do giá trị quan trắc thu được ít hơn và kém chính xác hơn giá trị dự báo hay không. Tuy nhiên trong trường hợp giá trị dự báo thu được là thưa thớt và sai số trường nền (B) là sai thì lập tức máy sẽ loại bỏ hầu hết các giá trị quan trắc có ích. Như vậy những vòng lặp bên ngoài sẽ có tác dụng làm giảm đi những ảnh hưởng từ việc loại bỏ trên. 2.2.4 Tính toán hệ số tương quan sai số trường nền Hệ số tương quan sai số trường nền là một trong số các biến đầu vào của quá trình đồng hoá số liệu. Hệ số tương quan này có ảnh hưởng rất lớn tới các biến phân tích và nó phụ thuộc vào các vị trí của các giá trị quan trắc trên lưới toàn cầu. Không khác nhiều nhưng trong công nghệ đồng hoá của Kalman Fillter, quá trình đồng hoá số liệu 3/4D_Var sẽ không đưa ngay ra hệ số tương quan của sai số trường nền mà sẽ đánh giá nó cuối cùng thông qua những thống kê khí hậu. Những thử nghiệm của Fisher (2003) tại ECM WF đã chỉ ra rằng các biến thống kê trên hoàn toàn có thể tính được bằng việc sử dụng một quá trình phân tích tuần hoàn dựa trên các quá trình vật lý và quan trắc. Phương pháp NMC đã được sử dụng để tính hệ số tương quan sai số trường nền cho mô hình WRFDA. Việc tính toán hệ số tương quan của các sai số trường nền được thiết kế trong môdul gen_be, môdul này sẽ cập nhật dữ liệu từ mô hình toàn cầu hay mô hình khu vực sau đó sẽ tính toán để tạo ra các hệ số tương quan thống kê của sai số sử dụng trong hệ thống đồng hoá số liệu. Không giống như các mô 36 hình khác, các giá trị tại các điểm nút lưới, tại biên, định dạng của dữ liệu, các quá trình ban đầu đã được yêu cầu để truyền đầu ra của mô hình vào trong trường xáo trộn chuẩn. Trường xáo trộn chuẩn gồm trường hàm dòng ψ’(i,j,k), vận tốc thế vị χ’(i,j,k), nhiệt độ T’(i,j,k), độ ẩm tương đối r’(i,j,k), áp suất bề mặt Ps’(i,j,k) ngoài ra còn có thêm các yếu tố độ cao z(i,j,k), vĩ độ φ(i,j,k). 2.2.5 Tính toán hệ số tương quan giữa các trường Để tính toán hệ số tương quan giữa các trường thì những giá trị trung bình cần phải được loại bỏ đầu tiên, để loại bỏ các giá trị này ta đã sử dụng môdul gen_be_stage2. Môdul này sẽ đưa ra biến thống kê cho trường không cân bằng như χu,Tu,Psu, các biến được sử dụng như là các biến điều khiển trong mô hình WRF_Var. Các biến điều khiển được định nghĩa là sự sai khác giữa các thành phần cân bằng và các thành phần đầy đủ của trường. Trong trạng thái này các sai số dự báo, các thành phần cân bằng được tính toán thông qua quá trình hồi quy biến phân tích, kết quả là các hệ số hồi quy này được sử dụng để truyền biến Up vào mô hình WRF. Có ba quá trình hồi quy được thực hiện để tạo ra các hệ số hồi quy: + quá trình hồi quy hàm dòng, vận tốc thế vị b cχ ψ= . + quá trình hồi quy hàm dòng, nhiệt độ , 1 1, 2 2 2 b K K K K K T G ψ=∑ . + quá trình hồi quy hàm dòng, áp suất bề mặt KWsb KP K ψ=∑ . 1, 2 K,WK KG là hệ số hồi quy, c là hệ số hồi quy được sử dụng để đánh giá sai số vận tốc thế vị từ trường hàm dòng. Dữ liệu được dùng để tính toán là một file gồm nf hàng nhân ne cột (nf x ne). File này được định nghĩa thông qua namelist của bin_type trong mô hình WRFDA. Thông qua việc lựa chọn name list trên chúng ta có thể tính toán hệ số hồi quy cho từng khu vực như vùng cực, vùng vĩ độ trung bình, .v.v. và sau 37 khi có được các hệ số tương quan ta sẽ tính được các thành phần không cân bằng. u cχ χ ψ= − , 1 1 1, 2 2 2 u K K K K K K T T G ψ= −∑ KWsu s KP P K ψ= −∑ Hệ số tương quan thẳng đứng, vector riêng, giá trị riêng và các biến điều khiển. Môđun gen_be_stage3 của mô hình WRFDA sẽ tính toán các giá trị thông kế cho các thành phần thẳng đứng của biến điều khiển truyền vào mô hình. Những tính toán này liên quan tới trường 3D trên các mực của mô hình. Trong mỗi biến điều khiển 3D, các thành phần thẳng đứng của sai số dự báo đã được tính toán và các vector riêng E, các giá trị riêng A đã được ghi lại và sử dụng trong mô hình WRF. Hệ số tương quan theo chiều ngang. Khi đề cập đến hệ số tương quan này ta thấy có sự khác nhau trong quan hệ giữa sai số theo phương ngang với mô hình WRF khu vực và mô hình WRF toàn cầu. Với mô hình WRF cho toàn cầu thì môđun gen_be_stage sẽ tính toán bậc quang phổ cho mỗi hình thức thẳng đứng của biến điều khiển 3D ( , , , )u uT rψ χ và mỗi hình thức thẳng đứng của biến điều khiển 2D (Psu). Trong khi đó với mô hình WRF khu vực thì môđun này sẽ tính toán quan hệ nằm ngang giữa các điểm lưới của trường 2D và coi nó như là hàm của khoảng cách. 2.3 Đồng hoá dữ liệu vệ tinh MODIS trong mô hình WRF Đầu đo quang học độ phân giải vừa MODIS (Moderate Resolution Imaging Spectroradiometer) được gắn trên hai vệ tinh Terra và Aqua của NASA, bắt đầu hoạt động lần lượt từ năm 1999 và 2002. MODIS hoạt động ở độ cao 705km và độ rộng cảnh chụp là 2330km, có thể bao phủ toàn bộ bề mặt trái đất trong 2 ngày. Đầu đo MODIS gồm 36 băng phổ từ bước sóng 0,4 đến 14 micro mét và độ phân giải không gian là 250m (băng 1, 2), 500m 38 (băng 3 đến băng 7) và 1000m (băng 8 đến băng 36). Vệ tinh Terra đi từ phía Bắc xuống Nam băng qua xích đạo vào buổi sáng trong khi vệ tinh Aqua đi từ phía Nam lên phía Bắc qua xích đạo vào buổi chiều. Vệ tinh TERRA và AQUA bay qua lãnh thổ Việt Nam 4 lần trong một ngày vào khoảng 0330Z, 0530Z, 15Z30, 1830Z phút tuỳ theo quỹ đạo bay. Các dữ liệu MODIS thường được sử dụng trong công tác theo dõi mây, nghiên cứu chất lượng khí quyển, chỉ số thực vật, nhiệt độ bề mặt lục địa, nhiệt độ mặt nước biển, hạn hán, ngập lụt, cháy rừng... Profile nhiệt độ và độ ẩm (nhiệt độ điểm sương) của MODIS được cho cả trên biển và đất liền, trong cả ngày lẫn đêm, trên 20 mực áp suất khí quyển là 0.5, 10, 20, 30, 50, 70, 100, 150, 200, 250, 300, 400, 500, 620, 700, 780, 850, 920, 950, 1000 hPa. Seemann và đồng sự (2003) chỉ ra sự phù hợp giữa giữa profile nhiệt độ và độ ẩm MODIS với số liệu thám không vô tuyến và có thể được sử dụng trong các mô hình dự báo thời tiết khi các quan trắc truyền thống thưa thớt. Phương pháp tính toán các profile khí quyển MODIS level 2 được ứng dụng từ gói xử lý dữ liệu TOVS quốc tế (ITPP). Đây là phương pháp hồi quy vật lý tuyến tính được đề xuất bởi Seemann (2003, 2006) [39], [40]. Các profile nhiệt độ và độ ẩm (nhiệt độ điểm sương) được tính toán từ các kênh 20, 22-25, 27-29 và 31-36 của đầu đo MODIS. Bảng 2.7 biểu diễn các kênh phổ của MODIS được sử dụng trong phương pháp hồi quy profile nhiệt độ và độ ẩm. Phương pháp loại bỏ mây việc tính toán các profile này. Phương pháp này cũng sử dụng các trường phân tích của mô hình GFS để làm trường ban đầu cho việc tính toán profile nhiệt độ và nhiệt độ điểm sương. Việc kiểm tra chất lượng các profile này được thực hiện tự động dựa vào số liệu nhiệt độ trung bình toàn cầu và trung bình khu vực ở mực 700mb, 500mb và 300mb. Đối với nhiệt độ điểm sương thì chương trình kiểm tra chất lượng được thực hiện ở mực 700mb. Ngoài ra, các profile nhiệt độ và nhiệt độ điểm sương của 80 trường hợp từ tháng 10/2002 đến 8/2005 được so sánh với 39 các số liệu từ vệ tinh AIRS (Tobin và cộng sự, 2006) [34]. Kết quả nghiên cứu cho thấy sự phù hợp tốt giữa số liệu MODIS và số liệu AIRS. Bảng 2.7: Các kênh phổ của MODIS được sử dụng trong phương pháp hồi quy profile nhiệt độ và độ ẩm [41] Biến khí quyển Kênh phổ Độ rộng phổ (µm) Phổ bức xạ (W/m2 -µm-sr) Sự khác biệt nhiệt độ và Noise (K) 20 3.660 - 3.840 0.45 (300K) 0.05 22 3.929 - 3.989 0.67 (300K) 0.07 Nhiệt độ bề mặt 23 4.020 - 4.080 0.79 (300K) 0.07 24 4.433 - 4.498 0.17 (250K) 0.25 Profile nhiệt độ 25 4.482 - 4.549 0.59 (275K) 0.25 27 6.535 - 6.895 1.16 (240K) 0.25 28 7.175 - 7.475 2.18 (250K) 0.25 Profile độ ẩm 29 8.400 - 8.700 9.58 (300K) 0.05 31 10.780 - 11.280 9.55 (300K) 0.05 Nhiệt độ bề mặt 32 11.770 - 12.270 8.94 (300K) 0.05 33 13.185 - 13.485 4.52 (260K) 0.25 34 13.485 - 13.785 3.76 (250K) 0.25 35 13.785 - 14.085 3.11 (240K) 0.25 Profile nhiệt độ 36 14.085 - 14.385 2.08 (220K) 0.35 Việc đồng hoá profile nhiệt độ và độ ẩm từ đầu đo MODIS trong mô hình WRF được thực hiện khi vệ tinh quét qua lãnh thổ Việt Nam và thông qua module WRF-Var. Hình 2.5 biểu diễn vùng số liệu của vệ tinh MODIS quét qua lãnh thổ Việt Nam tại thời điểm 0555Z ngày 8/5/2008. 40 Hình 2.5: Ảnh MODIS (vệ tinh Aqua) lúc 0555Z ngày 8/5/2008 2.4 Các chỉ tiêu đánh giá kết quả dự báo mưa Để ứng dụng được một mô hình khu vực hạn chế kiểu như MM5 vào trong nghiệp vụ dự báo thời tiết đòi hỏi trước hết là phải đánh giá được sai số dự báo của mô hình so với thực tế. Các nguyên nhân có thể đưa đến dự báo sai của mô hình số trị có thể tóm tắt như sau: - Các công thức toán học để mô tả các quá trình vật lý xảy ra trong khí quyển là chưa hoàn chỉnh; - Ảnh hưởng của địa hình (thường không được mô hình số trị mô tả hoàn chỉnh) đến kết quả dự báo; - Các quá trình vật lý và các sơ đồ tham số hóa chưa thật sự hoàn thiện; - Một số giả thiết không thực sự phù hợp được đưa ra để có thể giải đ- ược hệ phương trình thủy nhiệt động lực học mô tả khí quyển thực. - Điều kiện biên và điều kiện ban đầu của các biến khí tượng là chưa hoàn chỉnh và phụ thuộc khá nhiều vào địa hình. Các trạm thám sát thưa thớt, đặc biệt là vùng nhiệt đới; - Các kết quả nhận được chứa đựng những sai số khi giải các công thức toán học bằng phương pháp gần đúng, ... 41 Có nhiều phương pháp khác nhau để đánh giá chất lượng dự báo của mô hình số trị, trong đó có phương pháp đánh giá thống kê liên tục và phương pháp đánh giá thống kê theo hạng (categorical statistics). Đánh giá thống kê liên tục Đánh giá thống kê liên tục là số đo sự tương ứng giữa giá trị dự báo và giá trị quan trắc tại nút lưới. Phương pháp đánh giá thống kê dựa vào mômen bậc nhất hay bậc hai, trong đó phổ biến sử dụng các điểm số như sau: Sai số trung bình (ME): Sai số ME xác định xu thế mô hình dự báo vượt quá hay thấp hơn giá trị thực tế và được xác định bằng công thức toán học cho một biến x dạng: ( )∑ = −= N i of xx N xME 1 1)( (2.2) Ở đây, N là dung lượng mẫu, ký hiệu f và 0 để chỉ các giá trị dự báo và quan trắc. Giá trị ME dương thể hiện xu thế dự báo vượt giá trị thực của mô hình và ngược lại giá trị âm của ME thể hiện xu thế dự báo thấp hơn giá trị thực. Sai số bình quân phương (RMSE): RMSE là căn bậc hai của trung bình bình phương sai số giữa giá trị dự báo và thám sát, được xác định theo công thức: ( ) 2/1 1 21)( ⎟⎠ ⎞⎜⎝ ⎛ ∑ −= = N i of xx N xRMSE (2.3) RMSE giữ lại đơn vị của biến dự báo và xác định sai số về độ lớn của biến dự báo. Giá trị này càng tiến tới không thì mô hình dự báo càng chính xác. Sai số trung bình tuyệt đối (MAE): MAE là một chỉ số đưa ra độ lớn trung bình của sai số nhưng không chỉ ra hướng của độ lệch. Chỉ số này được tính như sau: (2.4) ⎥⎦ ⎤⎢⎣ ⎡ −= ∑ = N i ii OFN MAE 1 1 42 Bảng 2.8: Bảng liên kết giữa dự báo và thực tế Để đánh giá mưa định lượng, người ta thường sử dụng tiêu chuẩn đánh giá thống kê theo hạng. Đây là loại tiêu chuẩn đánh giá sự phù hợp giữa sự xảy ra hiện tượng dự báo và hiện tượng quan trắc tại nút lưới. Các điểm số đánh giá được dựa vào bảng liên kết (bảng 2.8). Một cách hình tượng, chúng ta có thể mô tả phân bố của chỉ số thông qua sơ đồ trên hình 2.6. Trong đó: - H là số trạm dự báo có mưa và thực tế có mưa (theo nghĩa vượt một ngưỡng nào đó). - M là số trạm dự báo không mưa nhưng thực tế có mưa. - F là số trạm dự báo có mưa nhưng thực tế không mưa. Dưới đây là một vài điểm số thường dùng trong đánh giá dự báo mưa định lượng trên thế giới: Chỉ số CSI (Critical Sucess Index): CSI= H/(H+M+F) (2.5) Thực tế Có Không Có H F Dự báo Không M CN Hình 2.6: Sơ đồ biểu diễn các chỉ số đánh giá chất lượng dự báo mưa F MiÒn thùc tÕ H M MiÒn dù b¸o 43 Như vậy, CSI được tính bằng tỷ số giữa vùng giao nhau của hai tập số liệu dự báo và thám sát, giá trị của CSI nằm trong khoảng [0,1]. CSI nói lên mức độ trùng khớp giữa vùng mưa dự báo và vùng mưa thám sát. Khi CSI gần đến 1 thì vùng mưa dự báo gần sát với vùng mưa thực tế, khi CSI gần đến 0 thì vùng mưa dự báo và vùng mưa thực tế rất khác nhau. Ngưỡng được chọn ở đây phụ thuộc vào thời gian tích luỹ lượng mưa (24h, 48h,...) và đặc điểm mưa khu vực được dự báo. Chỉ số FBI: FBI = (H+F)/(H+M) (2.6) Chỉ số FBI lớn hơn 1 khi lượng mưa dự báo lớn hơn so với lượng mưa thực tế và ngược lại, lượng mưa dự báo nhỏ hơn lượng mưa thực tế khi BIAS nhỏ hơn 1. Cần lưu ý là chỉ số FBI được sử dụng để đánh giá khuynh hướng dự báo diện mưa của mô hình cao hơn hay thấp hơn so với thực tế mà không đánh giá sự chính xác về lượng. FBI =1 khi vùng mưa dự báo trùng với vùng mưa thực tế tại một ngưỡng được chọn nào đó. Chỉ số POD (Probability of Detection of Event): Chỉ số POD được tính bằng tỷ số giữa số lần dự báo đúng xuất hiện mưa trên tổng số lần quan trắc có mưa. HPOD H M = + (2.7) Giá trị của POD nằm trong khoảng 0 ≤ POD ≤ 1 và dự báo hoàn hảo khi POD=1. Chỉ số FAR (False Alarm Rate): Chỉ số FAR cho biết số lần cảnh báo sai sự xuất hiện nắng nóng chiếm bao nhiều phần trăm trong tổng số lần dự báo. Giá trị của FAR nằm trong khoảng 0 ≤ FAR ≤ 1 và dự báo hoàn hảo khi FAR bằng 0. FFAR H F = + 44 CHƯƠNG 3: KẾT QUẢ ĐỒNG HÓA SỐ LIỆU VỆ TINH TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ 3.1 Nguồn số liệu 3.1.1 Điều kiện ban đầu và điều kiện biên cho mô hình WRF Các trường ban đầu và điều kiện biên cho mô hình WRF các trường phân tích và dự báo của mô hình GFS do NCEP cung cấp. Hạn dự báo tối đa của mô hình GFS là 16 ngày (384h) với các dự báo cách nhau 3h. Trong luận văn này, chúng tôi sử dụng các trường số liệu phân tích và dự báo của mô hình GFS cách nhau 6h. Địa chỉ download: 3.1.2 Số liệu vệ tinh MODIS Do đầu đo MODIS được gắn trên vệ tinh cực Terra và Aqua nên không thể cung cấp số liệu theo từng giờ và theo yêu cầu của người sử dụng. Vì vậy, việc đồng hoá số liệu MODIS phải được thực hiện ở gần thời điểm có số liệu. Hiện tại, số liệu MODIS bao phủ Việt Nam chỉ có ở khoảng thời điểm 0330Z, 0530Z, 15Z30, 1830Z. Do đó, trong luận văn này, chúng tôi sử dụng profile nhiệt độ và độ ẩm MODIS lấy từ sản phẩm MYD07_L2 của vệ tinh Aqua

Các file đính kèm theo tài liệu này:

  • pdfluanvanthacsi_chuaphanloai_326_967_1870204.pdf
Tài liệu liên quan