Thử nghiệm dự báo hạn mùa một số chỉ số khí hậu cực đoan bằng mô hình RegCM cho khu vực việt nam

Thử nghiệm dự báo hạn mùa một số chỉ số khí
hậu cực đoan bằng mô hình RegCM cho khu
vực Việt Nam

Trịnh Tuấn Long


Trường Đại học Khoa học Tự nhiên
Luận văn ThS chuyên ngành: Khí tượng và Khí hậu học; Mã số: 60 44 87
Người hướng dẫn: GS.TS. Phan Văn Tân
Năm bảo vệ: 2012


Abstract: Trình bày tổng quan về tình hình nghiên cứu thử nghiệm dự báo hạn mùa –
một chỉ số khí hậu cực đoan bằng mô hình (mô hình khí hậu khu vực) RegCM cho khu
vực Việt Nam trên thế giới và Việt Nam. Tìm hiểu các phương pháp nghiên cứu: xác
định các chỉ số khí hậu cực đoan; hệ thống mô hình dự báo khí hậu (hệ thống dự báo mùa
toàn cầu) CFS; mô hình khí hậu khu vực RegCM; cách xác định các chỉ số ECE từ sản
phẩm mô hình; phương pháp đánh giá. Các kết quả nghiên cứu: kết quả nhiệt độ trung
bình tháng; các trường nhiệt độ cực trị; các chỉ số khí hậu cực đoan.

Keywords: Khí hậu học; Dự báo khí hậu; Chỉ số khí hậu; Mô hình RegCM; Mô hình
khí hậu khu vực; Dự báo hạn mùa


Content
MỞ ĐẦU

Trong những năm gần đây, dự báo hạn mùa (seasonal forecasting) đang là một trong
những bái toán có tính ứng dụng rất lớn, có ý nghĩa rất quan trọng đối với nhiều ngành kinh tế,
xã hội. Thông tin dự báo hạn mùa là căn cứ cho các nhà hoạch định chính sách, các nhà quản lý

có thể đưa ra kế hoạch sản suất phù hợp cũng như chủ động ứng phó với các thiên tai, thảm họa.
Trong bối cảnh biến đổi khí hậu,dường như các hiện tượng thời tiết cực đoan ngày càng xảy ra
với tần suất nhiều hơn, cường độ mạnh hơn, gây thiệt hại nặng nề, việc dự báo hạn mùa dựa trên
cơ sở các mô hình động lực trở nên ưu việt hơn so với phương pháp thống kê truyền thống.
Ngày nay, cùng với sự phát triển mạnh mẽ của công nghệ tính toán, các mô hình dự báo
số trị ngày càng được sử dụng rộng rãi trong các nghiên cứu khí hậu. Việc ứng dụng không chỉ
trên quy mô toàn cầu mà còn được chi tiết hóa cho từng khu vực, tạo điều kiện thuận lợi cho
những nghiên cứu sâu hơn, mang tính ứng dụng cao hơn. Ngoài ra, mục tiêu của bài toán dự báo
hạn mùa không chỉ dừng lại đơn thuần ở dự báo xu thế các yếu tố khí tượng nữa mà việc dự báo
được các hiện tượng thời tiết cực đoan ở qui mô hạn mùa cũng rất được quan tâm, chú ý.
Ở Việt Nam, việc ứng dụng và thử nghiệm các mô hình khí hậu khu vực cho bài toán dự
báo tuy không còn mới mẻ nhưng vẫn còn nhiều câu hỏi cần được trả lời, đặc biệt là dự báo hạn
mùa và khả năng dự báo các yếu tố, hiện tượng khí hậu cực đoan. Trong khuôn khổ luận văn
này, tác giả sẽ thử nghiệm ứngdụng mô hình khí hậu khu vựckhi sử dụngsản phẩmđầu ra từ mô
hình dự báo toàn cầulàm điều kiện ban đầu và điều kiện biên đểdự báo một số chỉ số khí hậu cực
đoan vàđánh giá cho khu vực Việt Nam. Mô hình được sử dụng là mô hình RegCM phiên bản
4.2 (RegCM4.2). Sản phẩm của mô hình toàn cầu được sử dụng là sản phẩm dự báo của hệ thống
mô hình CFS.
Luận văn được bố cục thành 3 chương, ngoài mở đầu, kết luận và tài liệu tham khảo như
sau:
Chương 1: Tổng quan
Chương 2: Phương pháp nghiên cứu
Chương 3: Kết quả và nhận xét
Chƣơng 1
TỔNG QUAN

Hiện nay, dự báo hạn mùa đang là một trong những bài toán được các nhà khoa học trong
và ngoài nước hết sức quan tâm. Các kết quả dự báo mùa đã mang lạiđược ứng dụng rộng rãi
trongđời sống xã hội. Trong đó, có thể kể đến hiệu quả của sản phẩm dự báo hạn mùa trong lĩnh
vực nông nghiệp như góp phần đưa ra những dự báo đáng tin cậy về sản lượng vụ mùa ở

Australia [45],Châu Âu [13] hay miền tây Ấn Độ [14], và cả trong lĩnh vực y tế như góp phần
cung cấp thông tin cho việc dự báo sự lan truyền của dịch sốt rét [38]. Việc dự báo hạn mùa các
hiện tượng khí hậu cực đoan cũng đã được thử nghiệm ở nhiều nơi trên thế giới như Mỹ [31],
[48], Hàn Quốc [40] hay Nam Mỹ [19] và đãcho những kết quả khả quan. Dưới đây là một số
công trình nghiên cứu tiêu biểu.
1.1 Các nghiên cứu trên thế giới
Trong nghiệp vụ dự báo có 3 lớp bài toán:dự báo thời tiết, dự báo tháng và dự báo mùa.
Đối với dự báo thời tiết, thông thường hạn dự báo khoảng 3–5 ngày (hạn ngắn – Short range
forecast) và tối đa khoảng 5–10 ngày (hạn vừa – Medium range forecast). Dự báo thời tiết cần
phải chỉ ra được trạng thái của khí quyển tại một địa điểm cụ thể, vào những thời điểm cụ thể
(từng ngày, thậm chí từng giờ) trong thời hạn dự báo. Khác với dự báo thời tiết, dự báo mùa
không chỉ ra trạng thái khí quyển vào những thời điểm cụ thể đến từng ngày, thay vào đó là
thông tin chung về điều kiện khí quyển trong từng khoảng thời gian nhất định (chẳng hạn
từng tháng, từng mùa – batháng) trong thời hạn dự báo. Dự báo mùa, hay dự báo hạn mùa
(Seasonal forecast), hay dự báo khí hậu hạn mùa (Seasonal Climate forecast) có hạn dự báo đến
tối đa (hiện nay) là một năm [35].
Trong các nghiên cứu gần đây vê dự báo mùa mà chúng ta đã điểm qua, các khái niệm và
lưu ý cơ bản và một số kết quả ban đầu về dự báo mùa đã được nêu ra. Tiếp theo, chúng ta sẽ tìm
hiểu một số các nghiên cứu trong nước.
1.2. Các nghiên cứu trong nước
Qua tổng quan các nghiên cứu trong và ngoài nước về bài toán dự báo hạn mùa các hiện
tượng khí hậu cực đoan, cóthể nhận thấy3 điểmcần lưu ý. Thứ nhất, về mặt phương pháp, hiện
nay phương pháp mô hình động lực tỏ ra có ưu thế hơn vàđược phát triển ngày càng hoàn thiện
hơn. Phương pháp thống kê, tuy cóưu điểm không yêu cầu cao về mặt tài nguyên tính toán,
nhưng cũng có nhiều nhượcđiểm, nhất là trong bối cảnh biến đổi khí hậu. Trong đó, việc không
tính đến mối quan hệ vật lý giữa các biếnđược dự báo, không nắm bắt được những phát triển đột
biến của khí quyển cũng như việc phụ thuộc nhiều vào nguồn số liệuđiểm trạm vốn không đầy
đủ và hoàn thiện ở nhiều khu vực, là những khuyếtđiểm chính. Phương pháp mô hình động lực,
tuy cần tài nguyên tính toán lớn, cả về tài nguyên máy tính và nguồn nhân lực, nhưng lại giải
quyết được hầu hết các hạn chế trên của phương pháp thống kê. Điểm thứ hai, so với sự phát

triển trên thế giới thì dự báo hạn mùaở Việt Nam còn khá “thô sơ”, với không nhiều các nghiên
cứu và nghiệp vụ còn phụ thuộc nhiều vào phương pháp thống kê. Trong khi đó, những năm gần
đây, có không ít các mô hình khí hậu khu vựcđã và đang được thử nghiệm cho khu vực Việt
Nam [3]. Hơn nữa, việc dự báo hạn mùa được các yếu tố, hiện tượng khí hậu cực đoan khá mới
mẻ ở Việt Nam.Điểm thứ ba, trong lĩnh vực nghiên cứu mô phỏng và dự báo ECE bằng các mô
hình số, kể cả mô hình toàn cầu và mô hình khu vực, các GCM nói chung cũng như các RCM
nói riêng được ứng dụng tái tạo cũng như dự báo trường khí hậu. Các trường khí hậu sau khi
được tái tạo hoặc dự báo sẽ là cơ sở để xác định các ECEtheo các kĩ thuật khác nhau. Với cùng
một mô hình, kết quả mô phỏng, dự báo có thể tốt cho khu vực này nhưng lại kém cho một khu
vực khác. Ngay trên cùng một khu vực, yếu tố, hiện tượng này có thể mô phỏng hoặc dự báo tốt
nhưng yếu tố, hiện tượng khác lại có sai số lớn, thậm chí không chấp nhận được. Từđó, tác giả
nhận thấy việc hướng đến nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực vào bài toán
dự báo hạn mùaở Việt Nam để dự báo một số chỉ số khí hậu cực đoan là một hướng tiếp cận mới,
rất cóý nghĩa và cần thiết.Để giải quyết bài toán này, chúng tôi tập trung vào hai khía cạnh. Đầu
tiên là đánh giá được khả năng mô phỏng hạn mùa một số trường cơ bản của mô hình khí hậu
khu vực RegCM phiên bản 4.2 với đầu vào từ trường dự báo thực CFS. Dựa trên kết quả thu
được, tác giả sẽ lựa chọn và tiến hành đánh giả khả năng mô phỏng một số chỉ số khí hậu cực
đoan.
Chƣơng 2
PHƢƠNG PHÁP NGHIÊN CỨU

Trong chương một, ý nghĩa khoa học và thực tiễn của bài toán dự báo hạn mùa cũng như
ứng dụng dự báo mùa yếu tố, hiện tượng khí hậu cực đoan bằng mô hình khí hậu khu vựcđãđược
chỉ ra. Để cụ thể hóa bài toán thử nghiệm ứng dụng RegCM4.2 dự báo hạn mùa một số chỉ số khí
hậu cực đoan cho khu vực Việt Nam, trong chương nàysẽ trình bày sơ lược mô hình RegCM
phiên bản 4.2 và hệ thống dự báo mùa CFS. Ngoài ra ở đây cũng sẽ đưa ra một số chỉ số thống
kê sử dụng trong đánh giá chất lượng dự báo.
Trước hết cần làm rõ một số khái niệm về “yếu tố và hiện tượng cực đoan” sẽ được sử
dụng trong luận văn.
2.1 Xác định các chỉ số khí hậu cực đoan

Khái niệm “hiện tượng cực đoan” (nói chung) được hiểu là những hiện tượng thỏa mãn
các điều kiện: 1) Hiếm, tức có tần suất xuất hiện tương đối thấp trong một khoảng thời gian
tương đối dài; 2) Có cường độ lớn; và 3) Khắc nghiệt, tức là có khả năng gây ra những ảnh
hưởng lớn hoặc dữ dội, đe dọa trực tiếp hoặc gián tiếp đến sự sống trên Trái đất.
Trong lĩnh vực khí tượng, theo IPCC (2007), hiện tượng thời tiết cực đoan là hiện tượng
hiếm ở một nơi cụ thể vào một thời gian cụ thể trong năm. Định nghĩa “hiếm” có thể được hiểu
theo nhiều cách khác nhau, nhưng hiện tượng thời tiết cực đoan được hiểu là hiện tượng có xác
suất xuất hiện nhỏ, thông thường được chọn là nhỏ hơn 10%. Theo định nghĩa này, các tính chất
của cái gọi là “thời tiết cực đoan” có thể rất khác nhau giữa nơi này và nơi khác. Khi hiện tượng
thời tiết cực đoan xảy ra vào một thời gian nào đó trong năm, chẳng hạn một mùa, khá ổn định,
nó có thể được gọi là hiện tượng khí hậu cực đoan. Nói cách khác, hiện tượng khí hậu cực đoan
là sự tổng hợp của hiện tượng thời tiết cực đoan được đặc trưng bởi trung bình và các cực trị
tuyệt đối của các hiện tượng thời tiết cực đoan trên một khoảng thời gian nhất định đủ dài.
Nói chung, hiện tượng khí hậu cực đoan phần lớn không được quan trắc trực tiếp mà
thường được xác định căn cứ vào số liệu quan trắc của các yếu tố khí hậu và dựa trên một số chỉ
tiêu qui ước cụ thể nào đó.
Ở Việt Nam hiện nay tồn tại hai khái niệm: “yếu tố khí hậu cực đoan” và “hiện tượng khí
hậu cực đoan”. Cái gọi là “yếu tố khí hậu cực đoan” xuất phát từ tên gọi các biến khí hậu cực trị
(extreme) mà tập giá trị của chúng là tập hợp các giá trị “cực đại” hoặc “cực tiểu” của biến khí
quyển được quan trắc nào đó, chẳng hạn, tập hợp các giá trị quan trắc của nhiệt độ cực đại tuyệt
đối ngày (hoặc tháng, hoặc năm).Yếu tố khí hậu cực đoan sẽ được xác định dựa trên tập các giá
trị này (sẽ được trình bày dưới đây). Giá trị cực trị nhất (lớn nhất hoặc nhỏ nhất) trong chuỗi
quan trắc hiện có được gọi là giá trị kỷ lục. Đương nhiên về nguyên tắc, “kỷ lục” chỉ có một giá
trị duy nhất cho đến thời điểm hiện tại. Hiện tượng khí hậu cực đoan ở Việt Nam chưa được
phân định một cách rõ ràng. Tuy nhiên, theo cách dùng thông thường hiện nay, những hiện
tượng có ảnh hưởng xấu đến sức khỏe con người, gia súc gia cầm hoặc đến hoạt động sản xuất
có thể được cho là những hiện tượng cực đoan. Ở một vài khía cạnh nào đó, cách hiểu này là có
thể chấp nhận được, vì nó đã thỏa mãn các tiêu chí nêu trên.
Để tránh những tranh luận không cần thiết, trong luận văn này chúng tôi tạm qui ước cả
hai khái niệm “yếu tố khí hậu cực đoan” và “hiện tượng khí hậu cực đoan” là các chỉ số khí hậu

cực đoan, và chấp nhận rằng không nhất thiết chỉ số phải là một đại lượng vô thứ nguyên. Với
qui ước đó, sau đây sẽ đưa ra cách xác định các chỉ số khí hậu cực đoan được sử dụng trong luận
văn.
Trong báo cáo năm 2007, IPCC đãsử dụng tất cả 27 chỉ số khí hậu cực đoan bao gồm cả
các yếu tố và hiện tượng (ECE). Trong số đó chỉ có một số chỉ số thường được sử dụng ở Việt
Nam. Ngược lại, nhiều chỉ số sử dụng khá phổ biến ở Việt Nam nhưng lại không có trong danh
mục 27 chỉ số nói trên.Việc xem xét tất cả các chỉ số của IPCC và của Việt Nam là rất khó có thể
thực hiện được trong luận văn này. Hơn nữa, mục tiêu chủ yếu của luận văn là thử nghiệm khả
năng dự báo mùa cho Việt Nam nên ở đây chỉ giới hạn xem xét các chỉ số ECE sau:
1) Nhiệt độ cực đại trung bình tháng (Tx)
2) Nhiệt độ cực tiểu trung bình tháng (Tm)
3) Nhiệt độ cực đại tuyệt đối tháng (TXx)
4) Nhiệt độ cực tiểu tuyệt đối tháng (TNn)
5) Số ngày rét đậm (C15), số ngày rét hại(C13), số ngày nắng nóng (H35), số ngày nắng
nóng gay gắt (H37), số ngày mưa lớn trên 50mm (R50) trong tháng
Ngoài ra, hai yếu tố quan trọng của khí hậu bề mặt cũng được xem xét nữa là 1) Nhiệt độ
trung bình tháng (T); và 2) Lượng mưa tháng (R).
2.2Hệ thống mô hình dự báo khí hậu CFS
CFS (Climate Forecast System) là mô hình dự báo khí hậu của NCEP, Hoa Kỳ. Đây là
mô hình kết hợp đầy đủ khí quyển – đại dương toàn cầu. Thành phần khí quyển của CFS được
phát triển từ mô hình dự báo thời tiết toàn cầu GFS. Còn thành phần đại dương là mô hình đại
dương Modular GFDL phiên bản 3 (MOM3). Chi tiết hơn về CFS có thể tham khảo, chẳng hạn
tại [1], [2], [3].
Hiện tại CFS đã được phát triển đến phiên bản 2, và đang được sử dụngchạy dự báo
nghiệp vụ 4 lần/ngày (00, 06, 12, 18 giờ UTC), trong đó lần chạy tại 00UTCcóhạn dự báo 9
tháng nhưng chỉ cung cấp miễn phí cho cộng đồng tới hạn dự báo 6 tháng. Kết quả dự báo
nghiệp vụ của CFS cũng chỉ được lưu trữ trongvòng 7 ngày gần nhất.
Các sản phẩm dự báo của CFS được lưu thành 5 nhóm file là FLXF, PGBF, OCNH,
OCNF và IPVF. Khoảng cách giữa các lát cắt thời gian có thể từng 6 giờ một hoặc từng tháng.
Độ phân giải không gian của số liệu là 1 x 1 độ kinh vĩ với 37 mực theo chiều thẳng đứng từ

1000 cho đến 1 mb.Số liệu được lưu dưới dạng GRIB2.
Trong luận văn này, để thử nghiệm khả năng dự báo một số chỉ số khí hậu cực đoan, bộ
số liệu CFS dự báo năm 2012 từ tháng 1 đến tháng 10được sử dụng làm điều kiện ban đầu và
điều kiện biên cho mô hình khí hậu khu vực RegCM4.2 với các biến đầu vào là 5 biến được cho
trên cácmực áp suất là độ cao địa thế vị (HGT), độ ẩm tương đối (RH), nhiệt độ không khí
(TMP), các thành phần gió vĩ hướng (UGRD), kinh hướng (VGRD)và 2 biến bề mặt là khí áp
mực biển (PRMSL), nhiệt độ bề mặt biển (SST).
2.3 Mô hình khí hậu khu vực RegCM
2.3.1 Giới thiệu về mô hình RegCM
Hiện nay, mô hình khí hậu khu vực RegCM đã được ứng dụng để nghiên cứu khí hậu quá
khứ, hiện tại và tương lai tại nhiều nơi khác nhau trên thế giới, từ Châu Mỹ, Châu Âu đến Châu
Á, Châu Phi [21] [34] [10] [37]. Phiên bản NCAR RegCM (NCAR Regional Climate Model)
đầu tiên được xây dựng dựa trên MM4 (Mesoscale Model Version 4) của Trung tâm quốc gia
nghiên cứu khí quyển (NCAR) và Trường đại học Tổng hợp Pennsylvania (PSU), Hoa Kỳ, vào
cuối những năm 1980[20] [17]. Phiên bản RegCM đầu tiên đã đưa vào sơ đồ trao đổi sinh  khí
quyển (Biosphere Atmosphere Transfer Scheme  BATS) để biểu diễn các quá trình bề mặt và
sơ đồ truyền bức xạ của NCARCCM phiên bản 1 (CCM1). Tiếp sau đó, kết quả của những cải
tiến quan trọng về vật lý và các sơ đồ số hóa của RegCM đã dẫn đến sự hình thành phiên bản thứ
hai của RegCM, gọi là RegCM2[23] [24]. Một phiên bản cũng đã được sử dụng rộng rãi, khá
phổ biến và được sử dụng trong nhiều nghiên cứu khí hậu khu vực là RegCM phiên bản 3
(RegCM3) với những cải tiến và bổ sung đáng kể so với các phiên bản trước[34]. Đó là những
thay đổi trong vật lý mô hình bao gồm sơ đồ giáng thủy qui mô lưới, các sơ đồ tham số hóa vật
lý như sơ đồ tính các dòng từ bề mặt biển của Zeng, sơ đồ đối lưu mây tích Betts Phiên bản 4.2
(RegCM4.2) mới được sử dụng từ tháng 5 năm 2011, so với RegCM3, phiên bản 4.2 đã được
phát triển để thân thiện hơn với người dùng. Tất cả các tham số cấu hình, tùy chọn được đưa về
một file namelist, các dữ liệu đầu vào và đầu ra đều sử dụng định dạng netcdf, cùng với đó là sự
hỗ trợ nhiều thư viện giúp người dùng dễ dàng thao tác. Hiện nay RegCM4.2 cũng đang được
người dùng sử dụng rộng rãi.
Về tham số hóa đối lưu, trong mô hình RegCM4.2 có thể sử dụng một trong bảy tùy chọn
sau đây thay vì với chỉ 3 tùy chọn ở phiên bản RegCM3 để tính giáng thuỷ đối lưu: (1) Sơ đồ

Kuo sửa đổi; (2) Sơ đồ Grell; Trong đó, sơ đồ Grell có thể áp dụng với một trong hai giả thiết
khép kín: (1) khép kín Arakawa và Schubert và (2) khép kín Fritsch và Chappell. (3) Sơ đồ
Betts-Miller; (4) Sơ đồ Emanuel (5) Sơ đồ Tiedtke. Ngoài ra phiên 4.2 đã cải tiến so với phiên
bản 3 khi đưa thêm 2 lựa chọn kết hợp (6) sử dụng sơ đồ Grell trên đất liền và sơ đồ Emanuel
trên biển và (7) Sử dụng sơ đồ Emanuel trên đất liền và sơ đồ Grell trên biển.
Tất cả nguồn số liệu đầu vào cần để cung cấp cho mô hình RegCM4 (bao gồm số liệu về
độ cao địahình, các loại bề mặt, nhiệt độ mặt nước biển và số liệu tái phân tích làm điều kiệnban
đầu và điều kiện biên cập nhật theo thời gian) có thể được tải về từ trang web
Cụ thể:
Bộ số liệu lớp phủ (Global Landuse Cover Characteric:GLCC) cung cấp thông tin về
thực vật/mặt đệm, nhận được từ số liệu Bức xạphân giải rất cao tiên tiến (Advanced Very High
Resolution Radiation: AVHRR)từ tháng 4/1992 đến tháng 3/1993 và được chia thành 18 loại đất
phủ/thực vậtđược định nghĩa trong sơ đồ tương tác sinh quyển-khí quyển BATS. Mặt đệmcủa
mỗi ô lưới của mô hình được xác định thuộc 1 trong số 18 loại này
Số liệu độ cao địa hình được lấy từ USGS. Các tập tin số liệu mặt đệm và độ cao địahình
đều có sẵn tại các độ phân giải 30 và 10 phút.Ởđây sử dụng tập số liệuđộ phân giải 10 phút.
2.3.2 Cấu hình thí nghiệm
Với mục đích thử nghiệm ứng dụng mô hình RegCM với số liệu CFS dự báo hạn mùa
một số chỉ số khí hậu cực đoan cho Việt Nam, chúng tôi đã thiết lập cấu hình cho mô
hìnhRegCM như sau:
1) Phiên bản sử dụng: RegCM4.2
2) Miền tính: gồm 144x130 điểm lưới, tâm miền đặt tại (20N; 105E), bao phủ toàn bộ
Việt Nam và phần lớn lãnh thổ các nước Đông Nam Á
3) Độ phân giải ngang 36 x 36 km với 18 mực theo chiểu thẳng đứng
4) Tham số hóa vật lý:Sơ đồ đất BATS, sơ đồ đối lưu Grell – AS. Ngoài ra, các sơ đồ
bức xạ, lớp biên hành tinh, mưa qui mô lưới,… được lấy ngầm định.
5) Điều kiện ban đầu và điều kiện biên: Số liệu CFS cập nhật 6h/lần
6) Hạn dự báo: 6 tháng, không kể tháng đứng làm dự báo (Lead time chạy từ 0 đến 6
tháng)
7) Số lần chạy dự báo trong một tháng: Về nguyên tắc có thể chạy mô hình mỗi ngày

một lần. Tuy nhiên do dung lượng số liệu điều kiện biên quá lớn (khoảng 40GB/dự
báo), hơn nữa tốc độ đường truyền Internet không đảm bảo nên ở đây chỉ thực hiện
chạy mô hình 7 ngày/lần. Như vậy, trung bình mỗi tháng có 4 lần chạy dự báo. Mặc
dù vậy, tùy thuộc vào đường truyền số liệu, số lần dự báo có thể ít hơn do không tải
được số liệu về hoặc số liệu tải về bị lỗi hoặc không đủ.
2.4 Cách xác định các chỉ số ECE từ sản phẩm mô hình
Về nguyên tắc, các chỉ số ECE có thể được xác định trực tiếp từ sản phẩm đầu ra của mô
hình khu vực với các ngưỡng nhiệt độ (T2m, Tx) hoặc lượng mưa (R24) hàng ngày đã cho như
trong mục 2.1. Tuy nhiên, để loại trừ phần nào ảnh hưởng sai số hệ thống của mô hình, một số
chỉ số như C13, C15, H35, H37, R50 sẽ được xác định bằng các ngưỡng phân vị T13, T15, T35,
T37, Rd50 thay cho các ngưỡng cố định 13
o
C, 15
o
C, 35
o
C, 37
o
C và 50mm, các chỉ số khác được
xác định trực tiếp từ sản phẩm mô hình.

2.5 Phương pháp đánh giá
Do chưa có đầy đủ các nguồn số liệu phân tích hoặc tái phân tích trên lưới của miền dự
báo nên để tiến hành đánh giá trong luận văn này sẽ so sánh trực tiếp sản phẩm của mô hình sau
khi đã nội suy về mạng lưới trạm khí tượng trên lãnh thổ Việt Nam với số liệu quan trắc synop
tương ứng tại trạm.
Số liệu quan trắc được sử dụng là bộ số liệu hàng ngày từ 172 trạm của các yếu tố: nhiệt
độ trung bình ngày (T2m), nhiệt độ cực đại ngày (Tx), nhiệt độ cực tiểu ngày (Tm) và lượng mưa
ngày (R24).
Hai khía cạnh được quan tâm xem xét khi đánh giá ở đây là hạn dự báo (Lead time) và

thời điểm được dự báo (Target month) hay đích dự báo. Do đó khi lập các tập mẫu, tất cả các lần
dự báo trong một tháng được gộp lại với nhau nhằm làm tăng dung lượng mẫu. Mặc dù vậy dung
lượng mẫu vẫn chưa đủ lớn vì mới chỉ có chưa đầy một năm làm dự báo và mỗi tháng chỉ có tối
đa 4-5 lần dự báo. Bởi vậy, toàn bộ số liệu của tất cả các trạm cũng đã được gộp lại. Nói cách
khác, việc đánh giá ở đây mới chỉ dừng lại ở mức độ xem xét tính hợp lý của kết quả dự báo,
chưa thể nói về độ chính xác của dự báo vì việc “trộn lẫn” đó có thể sẽ gây ra sự bất đồng nhất
lớn trong tập mẫu.
Một vấn đề khác, trong dự báo hạn mùa, đơn vị thời gian dự báo (time window) tối thiểu
là một tháng thay vì hàng ngày hoặc hàng giờ như trong dự báo thời tiết. Nghĩa là giá trị dự báo
chỉ có ý nghĩa phản ánh “điều kiện thời tiết” trong tháng được dự báo chứ không thể chỉ rõ hiện
tượng sẽ xảy ra vào ngày nào cụ thể. Việc so sánh giá trị dự báo với giá trị quan trắc theo đơn vị
ngày vì vậy chưa thực sự hợp lý, nhất là các đặc trưng phản ánh sai số hệ thống, sai số quân
phương hay hệ số tương quan. Tuy nhiên cũng vì lý do dung lượng mẫu bé nên trong luận văn
này vẫn phải sử dụng cách xem xét đó với mục đích đánh giá sơ bộ. Ngoài ra, để hợp lý hơn, ở
đây đã sử dụng thêm hai đặc trưng khác là phân bố tần suất không điều kiện một chiều và hai
chiều.

Chƣơng 3
KẾT QUẢ VÀ NHẬN XÉT
Nội dung kết quả bao gồm:
 Nhiệt độ trung bình, lượng mưa trung bình tháng
 Nhiệt độ cực đại, cực tiểu trung bình tháng
 Nhiệt độ cực đại, cực tiểu tuyệt đối tháng
 Số ngày rét đậm C15 và số ngày rét đậm rét hại C13
 Số ngày nắng nóng H35, và số ngày nắng nóng gay gắt H37
 Số ngày mưa lớn R50mm

KẾT LUẬN

Với mục tiêu của bài toán là thử nghiệm dự báo hạn mùa một số chỉ số khí hậu cực đoan,

37 dự báo bởi mô hình RegCM4.2 với hạn dự báo tối đa là 6 tháng sử dụng điều kiện ban đầu và
điều kiện biên từ hệ thống dự báo CFS đã thử nghiệm cho khu vực Việt Nam. Một cải tiến quan
trọng khi RegCM4.2 đã được điều chỉnh để đọc trường đầu vào SST 6 giờ một thay vì lấy giá trị
trung bình tháng như phiên bản gốc qua đó thông tin SST được cập nhập tốt hơn cho phép dự
báo tốt hơn. Giá trị dự báo ứng với mỗi tháng được lấy trung bình từ các dự báo với thời điểm dự
báo ban đầu khác nhau trong cùng một tháng. Để thử nghiệm dự báo một số chỉ số khí hậu cực
đoan, trường mưa, nhiệt độ trung bình ngày, nhiệt độ cực tiểu ngày và nhiệt độ cực đại ngày
được nội suy về 172 trạm khí tượng synop và so sánh với số liệu quan trắc. Ngoài ra các chỉ số
khí hậu cực đoan: số ngày rét đậm C15, số ngày rét đậm, rét hại C13, số ngày nắng nóng H35, số
ngày nắng nóng gay gắt H37 và số ngày mưa lớn R50 được tính toán bằng phương pháp tính xác
suất dựa trên chuỗi số liệu quan trắc thời kì 1961-2010 của 70 trạm trên toàn quốc. Từ các phân
tích kết quả có thể rút ra một số kết luận:
1. Đối với dự báo các trường nhiệt độ trung bình tháng và lượng mưa tháng
- Dự báo mô hình RegCM4.2 cho kết quả dự báo luôn thiên thấp với các trường nhiệt độ
trung bình.
- Đối với trường mưa kết quả dự báo khá kém, không có tính đồng nhất giữa các tháng
và nhất là với các dự báo hạn dài.
- Kết quả dự báo hạn mùa không phụ thuộc nhiều vào thời điểm dự báo ban đầu mà phụ
thuộc chủ yếu vào tháng dự báo. Đối với trường nhiệt độ nói chung có tính đồng nhất
và ổn định với dự báo với các hạn dự báo khác nhau.
- Dựa vào phân bố tần suất và phân bố đồng thời có thể thấy sai số dự báo có tính hệ
thống.
- Phân bố tần suất và phân bố đồng thời cho thấy với khoảng giá trị nhiệt độ thấp mô
hình nắm bắt phân bố tốt hơn khoảng giá trị nhiệt độ cao. Ngoài ra, hàm phân bố của
dự báo có dạng chuẩn vào các tháng mùa hè, trong khi hàm phân bố quan trắc vào các
tháng này có dạng lệch phải.
2. Đối với các trường cực trị tháng
- Kết quả dự báo mô hình thiên thấp với các trường, nhiệt độ cực tiểu ngày và nhiệt độ
cực đại ngày.
- Kết quả dự báo hạn mùa không phụ thuộc nhiều vào thời điểm dự báo ban đầu mà phụ

thuộc chủ yếu vào tháng dự báo. Đối với các trường nhiệt độ cực trị, kết quả dự báo có
tính đồng nhất và ổn định với các tháng dự báo và với các hạn dự báo khác nhau.
- Dựa vào đồ thị phân bố tần suất và phân bố đồng thời có thể khẳng định sai số dự báo
của mô hình có tính hệ thống.
3. Đối với dự báo một số chỉ số khí hậu cực đoan
- Bằng phương pháp dự báo theo xác suất, chỉ số C13, C15, H35 và H37 ban đầu đã cho
các kết quả hợp lý.
- Tuy vẫn có dự báo khống cho tháng 5 hoặc không dự báo được cho tháng 9 đều là các
tháng chuyển mùa nhưng các dự báo C13, C15 khá đồng nhất với các tháng dự báo và
các hạn dự báo khác nhau. Nhìn chung dự báo C13 và C15 là tốt hơn so với dự báo
H35 và H37, nguyên nhân do dự báo nhiệt độ trung bình ngày được đánh giá tốt hơn so
với dự báo nhiệt độ cực đại ngày.
- Dự báo mưa lớn nhìn chung chưa tốt do dự báo giá trị lượng mưa ngày chưa chính xác.
Mặc dù vậy, kết quả bước đầu khẳng định có thể dự báo hạn mùa bằng phương pháp mô
hình. Các sai số có thể liên quan do sơ đồ đất của mô hình RegCM bao gồm độ ẩm đất và nhiệt
độ đất không được cập nhập.
Do kết quả mô hình có tính hệ thống, để kết quả dự báo được tốt hơn, mô hình cần được
hiệu chỉnh. Ngoài ra phương pháp tổ hợp kết quả với nhiều điều kiện đầu vào khác nhau và
nhiều mô hình khác nhau sẽ cho kết quả dự báo tốt hơn.



References
Tiếng Việt
1. Nguyễn Đức Ngữ (2007), “Tác động của ENSO đến thời tiết, khí hậu, môi trường và kinh tế
xã hội ở Việt Nam”, Hội thảo chuyên đề về Đa dạng sinh học và Biến đổi khí hậu: Mối
liên quan tới Đói nghèo và Phát triển bền vững, Hà Nội, Ngày 22-23 tháng 5, 2007.
2. Phan Văn Tân, Hồ Thị Minh Hà, Lương Mạnh Thắng, Trần Quang Đức (2009), “Về khả
năng ứng dụng mô hình RegCM vào dự báo hạn mùa các trường khí hậu bề mặt ở Việt
Nam”, Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và Công nghệ 25 (2009), tr.

241-251.
3. Phan Văn Tân (2010), “Nghiên cứu tác động của biến đổi khí hậu toàn cầu đến các yếu tố và
hiện tượng khí hậu cực đoan ở Việt Nam, khả năng dự báo và giải pháp chiến lược ứng
phó”,Đề tài cấp Nhà nước, mã số KC08.29/06-10.
4. Phạm Đức Thi (1987), “Xây dựng một số phương pháp dự báo hạn vừa, hạn dài nhiệt độ
mùa đông và mưa mùa hè khu vực phía bắc Việt Nam”, Tổng cục KTTV Đề tài Chương
trình 42.
5.

Tiếng Anh

6. Alves, O. Wang G., Zhong A.(2006),Operational coupled model seasonal forecast system,
Bureau of Meteorology. Bureau of Meteorology
7. Baede, A. P. M., M. Jarraud, and U. Cubasch (1979),“Adiabatic formulation and
organization of ECMWF's model”, Technical Report 15, ECMWF, Reading, U.K.
8. Bath, L. M., M. A. Dias, D. L. Williamson, G. S. Williamson, and R. J. Wolski
(1987),“User's Guide to NCAR CCM1”, Technical Report NCAR/TN-286+IA, National
Center for Atmospheric Research, Boulder, CO, 173 pp.
9. Bath, L., J. Rosinski, and J. Olson (1992),“User's Guide to NCAR CCM2”, Technical Report
NCAR/TN-379+IA, National Center for Atmospheric Research, Boulder, CO, 156 pp.
10. Bergant K., Belda M., Halenka T. (2007), “Systematic errors in the simulation of European
climate (1961-2000) with RegCM3 driven by NCEP/NCAR reanalysis”, International
Journal of Climatology Vol. 27 (4), pp. 455-472.
11. Bourke, W., B. McAvaney, K. Puri, and R. Thurling (1977),“Global modeling of
atmospheric flow by spectral methods, in Methods in Computational Physics”, Vol. 17,
267-324, Academic Press, New York.
12. Briegleb, B. P.(1992), “Delta-Eddington approximation for solar radiation in the NCAR
Community Climate Model”, J. Geophys. Res., 97, 7603-7612.
13. Cantelaube, P., Terres, J.M., (2005) “Seasonal weather forecasts for crop yield
modelling in Europe”, Tellus Series a-Dyn. Meteorol. Ocea- nogr. 57 (3), 476–487

14. Challinor, AJ; Slingo, JM; Wheeler, TR; Doblas-Reyes,FJ (2005) “Probabilistic
simulations of crop yield over western India using the DEMETER seasonal hindcast
ensembles”, TELLUS A, 57, pp.498-512.
15. Collins, W. D., P. J. Rasch, et al.(2004),“Description of the NCAR Community Atmosphere
Model (CAM 3.0)”, NCAR Tech Note NCAR/TN-464+STR, National Center for
Atmospheric Research, Boulder, CO 80307.
16. David Lavers, Lifeng Luo, and Eric F. Wood (2009), “A multiple model assessment of
seasonal climate forecast skill for applications”, GEOPHYSICAL RESEARCH LETTERS,
VOL. 36, L23711.
17. Dickinson R. E., R. M. Errico, F. Giorgi, and G. T. Bates (1989),“A regional climate model
for the western united states”,Clim. Change, 15, 383-422.
18. Dickinson R.E., Henderson-Sellers A., Kennedy P.J. (1993), “Biosphere-atmosphere transfer
scheme (Bats) version 1e as coupled to the ncar community climate model”, Tech. rep.,
National Center for Atmospheric Research.
19. Frumkin, A., Misra V. (2012), “Predictability of dry season reforecasts over the tropical and
the sub-tropical South American region”, International Journal of ClimatologyDOI.
10.1002/joc.3508.
20. Giorgi, F. and G. T. Bates, (1989),“The climatological skill of a regional model over
complex terrain”,Mon. Wea. Rev., 117, 2325-2347.
21. Giorgi Filippo, Maria Rosaria Marinucci, and Gary T. Bates(1993ª),“Development of a
Second-Generation Regional Climate Model (RegCM2). Part I: Boundary-Layer and
Radiative Transfer Processes”, Mon. Wea. Rev., 121, 27912813.
22. Giorgi, F., M.R. Marinucci, G.T. Bates, and G. DeCanio (1993
b
),“Development of a second
generation regional climate model (REGCM2). Part II: Convective processes and
assimilation of lateral boundary conditions”,Monthly Weather Review, 121, 2814-2832.
23. Giorgi, F. and C. Shields, (1999),“Tests of precipitation parameterizations available in the
latest version of the NCAR regional climate model (RegCM) over the continental United
States”,Journal of Geophysical Research, 104, 6353-6375

24. Hack, J. J., B. A. Boville, B. P. Briegleb, J. T. Kiehl, P. J. Rasch, and D. L. Williamson
(1993),“Description of the NCAR Community Climate Model (CCM2)”, Technical
Report NCAR/TN-382+STR, National Center for Atmospheric Research, 120 pp.
25. Hansen, J., A. Lacis, D. Rind, G. Russell, P. Stone, I. Fung, R. Ruedy, and J. Lerner
(1984),“Climate sensitivity: Analysis of feedback mechanisms, in Climate Processes and
Climate Sensitivity”, edited by J. E. Hansen, and T. Takahashi, 130-163, Amer. Geophys.
Union, Washington, D.C.
26. Holtslag A.A.M., Bruijn E.I.F., Pan H L. (1990), “A high resolution air mass transformation
model for short-range weather forecasting”, Mon. Wea. Rev. Vol. 118, pp. 1561–1575.
27. Kanamitsu, M., Kanamaru, H. (2007) “Fifty-seven year reanalysis downscaling at 10 km
(CaRD10). Part IL System detail and validation with observations”. Journal of Climate
20: 5553O5 71
28. Kasahara, A. (1974),“Various vertical coordinate systems used for numerical weather
prediction”, Mon. Wea. Rev., 102, 509-522.
29. Kiehl, J. T., J. Hack, G. Bonan, B. Boville, B. Briegleb, D. Williamson, and P. Rasch,
(1996),“Description of the NCAR Community Climate Model (CCM3)”, Technical
Report NCAR/TN-420+STR, National Center for Atmospheric Research, Boulder,
Colorado, 152 pp.
30. Koster, Randal D., Max J. Suarez, Ping Liu, Urszula Jambor, Aaron Berg, Michael Kistler,
Rolf Reichle, Matthew Rodell, and Jay Famiglietti (2004), “Realistic Initialization of
Land Surface States: Impacts on Subseasonal Forecast Skill”, J Hydrometeorology, 5(6),
1049
31. Lim, Y. K., Shin D. W. (2007),“Dynamically and statistically downscaled seasonal
simualations of maximum surface air temperature over the southeastern United States,
Journal of Geophysical Vol. 112, D24102.
32. McAvaney, B. J., W. Bourke, and K. Puri(1978)“A global spectral model for simulation of
the general circulation”, J. Atmos. Sci., 35, 1557-1583.
33. Misra, V., Kanamitsu, M.,(2004). “Anomaly nesting: a methdology to downscale seasonal 8
climate simulations from AGCMs”. Journal of Climate 17: 3249-3262
34. Nellie Elguindi, Xunqiang Bi, Filippo Giorgi, Badrinath Nagarajan, Jeremy Pal, and Fabien

Solmon (2004),“RegCM Version 3.0 User's Guide”, Physics of Weather and Climate
Group, International Centre for Theoretical Physics, MIRAMARE TRIESTE, February
2004
35. New Attachment II-9 to the Manual on the GDPS (WMO-No. 485),Volume I, (2002),
“Standardised Verification System (SVS) for Long-Range Forecasts(LRF) Version 3.0”,
August 12 2002 SVS for LRF.
36. Palmer, T. N., Alessandri, A., Andersen, U., Cantelaube, P., Davey, M., D´el´ecluse, P.,
D´equ´e, M., D´ıez, E., Doblas-Reyes, F. J., Feddersen, H., Graham, R., Gualdi, S.,
Gu´er´emy, J F., Hagedorn, R., Hoshen, M., Keenlyside, N., Latif, M., Lazar, A.,
Maisonnave, E., Marletto, V., Morse, A. P., Orfila, B., Rogel, P., Terres, J M. and
Thomson, M. C. (2004) “Development of a European multimodel ensemble system for
seasonal-to-interannual prediction (DEMETER)”,Bull. Am. Meteorol. Soc., 85, 853–872
37. Saha, S., and Coauthors, (2006),“The NCEP Climate Forecast System”, J. Climate, 19,
3483–3517.
38. Simmons, A. J., and R. Strüfing(1981),“An energy and angular-momentum conserving
finite-difference scheme, hybrid coordinates and medium-range weather prediction”,
Technical Report ECMWF Report No. 28, European Centre for Medium-Range Weather
Forecasts, Reading, U.K., 68 pp.
39. Singh G.P., Oh J., Kim J., Kim O. (2006), “Sensitivity of Summer Monsoon Precipitation
over East Asia to Convective Parameterization Schemes in RegCM3”, SOLA Vol. 2
(029-032).
40. Sohn,S. J.,Tam C. Y., and Ahn, J. B.(2012) “Development of a multimodel-base seasonal
prediction system for extreme droughts and floods: a case study for South Korea”
International Journal of Climatology DOI.10.1002 joc.3464
41. Stockdale, T. (2000), “An overview of techniques for seasonal forecasting”, Stochastic
Environ. Res. Risk Assess., 14, 305–318
42. Sundqvist H., Berge E., Kristjansson J.E. (1989), “Condensation and cloud parameterization
studies with a mesoscale numerical weather prediction model”, Mon. Wea. Rev. Vol.
117, pp. 1641-1657.
43. Sylla M. B. & A. T. Gaye & J. S. Pal & G. S. Jenkins & X. Q. Bi, (2009),“High-resolution

simulations of West African climate using regional climate model (RegCM3) with
different lateral boundary conditions”,Theor Appl Climatol 98:293–314
44. Thomson, M.C., F.J. Doblas-Reyes, S.J. Mason, R. Hagedorn, S.J. Connor, T. Phindela, A.P.
Morse and T.N. Palmer (2006), “Malaria early warnings based on seasonal climate
forecasts from multi-model ensembles”, Nature, 439, 576-579.
45. Washington, W. M.(1982),“Documentation for the Community Climate Model (CCM)”,
Version Φ, Technical Report NTIS No. PB82 194192, National Center for Atmospheric
Research, Boulder, Colorado.
46. Williamson, D. L. (1983),“Description of NCAR Community Climate Model (CCM0B)”,
Technical Report NCAR/TN-210+STR, National Center for Atmospheric Research,
Boulder, Colorado, NTIS No. PB83 23106888, 88 pp.
47. Williamson, D. L., J. T. Kiehl, V. Ramanathan, R. E. Dickinson, and J. J. Hack
(1987),“Description of NCAR Community Climate Model (CCM1)”, Technical Report
NCAR/TN-285+STR, National Center for Atmospheric Research, Boulder, Colorado,
112 pp.
48. Williamson, G. S., and D. L. Williamson (1987),“Circulation statistics from seasonal and
perpetual January and July simulations with the NCAR Community Climate Model
(CCM1): R15”, Technical Report NCAR/TN-302+STR, National Center for Atmospheric
Research, Boulder, Colorado, 199 pp.
49. Yoon, J. H., Leung, L. R. and Correia, J., (2012) “Comparison of dynamically and
statistically downscaled seasonal climate forecasts for the cold season over the United
States”, Journal of geophysical research Vol. 117, D21109
50. Zeng, X., Zhao M., Dickinson R.E. (1998a), “Intercomparison of Bulk Aerodynamic
Algorithm for the Computation of Sea Surface Fluxes Using TOGA COARE and TAO
data”, Journal of Climate Vol. 11, pp. 2628-2644.
51.