Luận văn thạc sĩ THỬ NGHIỆM DỰ BÁO HẠN MÙA MỘT SỐ CHỈ SỐ KHÍ HẬU CỰC ĐOAN BẰNG MÔ HÌNH REGCM CHO KHU VỰC VIỆT NAM

1


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

Trịnh Tuấn Long

THỬ NGHIỆM DỰ BÁO HẠN MÙA
MỘT SỐ CHỈ SỐ KHÍ HẬU CỰC ĐOAN BẰNG MÔ HÌNH REGCM
CHO KHU VỰC VIỆT NAM

Chuyên ngành: Khí tượng và khí hậu học
Mã số: 62.44.87
LUẬN VĂN THẠC SĨ KHOA HỌC
NGƯỜI HƯỚNG DẪN KHOA HỌC:
GS. TS. Phan Văn Tân


Hà Nội - 2012
2

LỜI CẢM ƠN

Tác giả xin bày tỏ lòng biết ơn chân thành nhất tới thầy GS.TS. Phan Văn Tân,
người đã hết lòng quan tâm cũng như kiên trì giúp đỡ từng bước nghiên cứu của học
viên.
Tác giả cũng xin chân thành cảm ơn tập thể Bộ môn khí tượng nói riêng và
Khoa Khí tượng Thủy Văn và Hải dương học nói chung đã luôn giúp đỡ, tạo điều kiện
để tác giả hoàn thành luận văn. Không những vậy, còn mang lại một môi trường làm
việc thân thiện và hiệu quả nhất cho học viên.

Trịnh Tuấn Long


3

MỤC LỤC

DANH MỤC HÌNH 4
DANH MỤC CÁC KÝ HIỆU VIẾT TẮT 6
Chương 1 TỔNG QUAN 9
1.1 Các nghiên cứu trên thế giới 9
1.2. Các nghiên cứu trong nước 19
Chương 2 PHƯƠNG PHÁP NGHIÊN CỨU 24
2.1 Xác định các chỉ số khí hậu cực đoan 24
2.2 Hệ thống mô hình dự báo khí hậu CFS 28
2.3 Mô hình khí hậu khu vực RegCM 29
2.4 Cách xác định các chỉ số ECE từ sản phẩm mô hình 34
2.5 Phương pháp đánh giá 36
Chương 3 KẾT QUẢ VÀ NHẬN XÉT 40
3.1 Kết quả nhiệt độ trung bình tháng 40
3.2 Các trường nhiệt độ cực trị 50
3.3 Các chỉ số khí hậu cực đoan 63
TÀI LIỆU THAM KHẢO 68
PHỤ LỤC 73

4

DANH MỤC HÌNH

Hình 1.1 : Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO 16
Hình 2.1 Cấu trúc lưới thẳng đứng (bên trái) và lưới ngang dạng xen kẽ ArakawaB
(bên phải) của mô hình 30
Hình 2.2 Quy trình dự báo mùa 33
Hình 2.3 Xác định chỉ số ECE bằng phương pháp phân vị 36
Hình 3.1: Nhiệt độ trung bình tháng dự báo ứng với các hạn dự báo khác nhau 41
Hình 3.2 Nhiệt độ trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số
quân phương (d) 42
Hình 3.3 Đồ thị phân bố tần suất trường nhiệt độ trung bình cho tháng 8 và tháng 4 44
Hình 3.4: Phân bố đồng thời giá trị nhiệt độ tháng 8 và tháng 4 46
Hình : 3.5 Tổng lượng mưa tháng dự báo với các hạn dự báo từ 1 đến 6 tháng 47
Hình 3.6 : Lượng mưa trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai
số quân phương (d) 48
Hình 3.7 Đồ thị phân bố tần suất trường mưa cho tháng 8 và tháng 4 49
Hình 3.8 Nhiệt độ cực tiểu trung bình tháng ứng với các hạn dự báo khác nhau 51
Hình 3.9 : Nhiệt độ cực tiểu trung bình tháng (a), hệ số tương quan (b), sai số ME (c)
và sai số quân phương (d) 52
Hình 3.10 : Đồ thị phân bố tần suất nhiệt độ cực tiểu trung bình tháng cho tháng 8 và
tháng 4 54
Hình 3.11 : Phân bố đồng thời giá trị nhiệt độ cực tiểu trung bình tháng 8 và tháng 4 . 55
Hình 3.12 Nhiệt độ cực đại trung bình tháng ứng với các hạn dự báo khác nhau 56
Hình 3.13: Nhiệt độ cực đại trung bình tháng (a), hệ số tương quan (b), sai số ME (c)
và sai số quân phương (d) 57
Hình 3.14 Đồ thị phân bố tần suất nhiệt độ cực đại trung bình tháng cho tháng 8 và
tháng 4 58
Hình 3.15 Phân bố đồng thời giá trị nhiệt độ cực đại trung bình tháng 8 và tháng 4 59

5

Hình 3.16 Nhiệt độ cực tiểu tuyệt đối tháng 3 đến tháng 8 với hạn dự báo tứng ứng từ 1
đến 6 tháng. 61
Hình 3.17 Nhiệt độ cực đại tuyệt đối tháng 3 đến tháng 8 với hạn dự báo tứng ứng từ 1
đến 6 tháng. 63
Hình 3.18 khả năng dự báo số ngày rét đậm C15 (a), rét đậm, rét hại C13 (b). 64
Hình 3.19 khả năng dự báo số ngày nắng nóng H35 (a), nắng nóng gay gắt H37 (b). 64
Hình 3.20 khả năng dự báo số ngày mưa lớn 65


6

DANH MỤC CÁC KÝ HIỆU VIẾT TẮT

AGCM
Mô hình hoàn lưu chung khí quyển
GCM
Mô hình hoàn lưu chung khí quyển (Global Circulation model)
CFS
Hệ thống dự báo mùa toàn cầu (Climate Forecast Systerm)
CFSR
Bộ số liệu tái phân tích CFS
RCM
Mô hình khí hậu khu vực (Regional Climate Model)
GPC
Trung tâm sản phẩm toàn cầu cho dự báo hạn dài
LSM
Mô hình bề mặt đất (land surface model)
RegCM

Mô hình khí hậu khu vực (Regional Climate Model)
SST
Nhiệt độ mặt nước biển toàn cầu (Sea surface temperature)
WMO
Tổ chức Khí tượng Thế giới (World Meteorological Organization)
IPCC
Ủy ban Liên chính phủ về Biến đổi khí hậu
ECE
Hiện tượng khí hậu cực trị (extreme climate events)
MRED
Tổ hợp đa mô hình khí hậu khu vực (MultiRCM Ensemble Downscaling)
MME
Hệ thống tổ hợp đa mô hình (MultiModel Ensemble)
SPI
Chỉ số giáng thủy tiêu chuẩn (Standardized Precipitation Index)
MOM3
Mô hình đại dương phiên bản 3 (Modular Ocean Model version 3)

7

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 ứng dụng mô hình khí hậu khu
vực khi sử dụng sản phẩm đầu ra từ mô hình dự báo toàn cầu làm điều kiện ban đầu và
điều kiện biên để dự báo một số chỉ số khí hậu cực đoan và đánh 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:
8

Chương 1: Tổng quan
Chương 2: Phương pháp nghiên cứu
Chương 3: Kết quả và nhận xét

9

Chương 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 lại được
ứng dụng rộng rãi trong đời 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 [12] hay miền tây Ấn Độ
[13], 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 [47], [48], Hàn Quốc [49]
hay Nam Mỹ [46] và đã cho 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 – ba tháng) 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].
10

Theo tổ chức khí tượng thế giới WMO [44], với bài toán dự báo thời tiết, dự báo
quy mô lớn hơn 10 ngày trong tương lai được coi là dự báo hạn dài. Trong dự báo khí
hậu, hạn dự báo được mở rộng từ hạn 30-45 ngày (dự báo tháng), hoặc vài ba tháng
đến 1 năm (hạn mùa), cho đến 2-3 năm (hạn dài). Các thông tin dự báo khí hậu có thể
rất khái quát để mô tả quy mô mùa (seasonal outlook) điều kiện thời tiết thông qua độ
lệch so với giá trị trung bình khí hậu của mùa đó [30]. Khái niệm mùa có thể hiểu theo
mùa thiên văn (xuân, hạ, thu, đông) và cũng có thể có khái niệm khác ở vùng nhiệt đới
(mùa mưa, mùa khô). Trong thực tế, dự báo hạn mùa (seasonal forecasting) được xét
từ quy mô tháng cho đến 1 năm (với các hạn phổ biến là 1, 3, 6, 9 tháng) nhằm đưa ra
các ứng dụng có hiệu quả của sản phẩm dự báo.
Dự báo hạn mùa (từ quy mô tháng cho đến quy mô năm) là một bài toán phức
tạp mà sự thành công của các dự báo mùa này phụ thuộc vào mức độ chi tiết hóa về
mối quan hệ tương tác giữa khí quyển và đại dương [44]. Hiện tại, với những hiểu biết
về các quá trình tương tác khí quyển – đại dương, cùng với việc mô phỏng chi tiết hóa
từng khu vực của các mô hình cũng như việc thu thập số liệu đo đạc quan trắc nâng cao
chất lượng số liệu đã tạo ra những tiến bộ trong dự báo hạn mùa. Để hiểu được cơ sở

vật lý của dự báo hạn mùa, chúng ta cần hiểu các nhân tố tạo ra các đặc trưng khí hậu
của 1 năm khác biệt so với các năm khác. Vì vậy, chúng ta cũng cần nắm được khả
năng dự báo của chính các nhân tố này và cụ thể ở quy mô thời gian nào. Trên quy mô
toàn cầu, nguyên nhân quan trọng nhất khiến các đặc trưng khí hậu thay đổi từ năm
này qua năm khác là sự biến đổi của nhiệt độ mặt nước biển toàn cầu (SST). Dị thường
nhiệt độ bề mặt biển ở khu vực nhiệt đới là đặc biệt quan trọng bởi vì đối lưu sâu trong
khí quyển miền nhiệt đới, tác động lớn đến hoàn lưu toàn cầu, lại rất nhạy cảm với SST
bên dưới. Ở một số nơi khác như Châu Âu và Tây Phi, SST của khu vực cũng được coi
là một trong những nhân tố quan trọng nhất. Đối với khu vực nhiệt đới, đặc biệt là khu
vực Thái Bình Dương xích đạo, khả năng dự báo SST được nâng cao nhờ có các quá
11

trình khác. Trong đó, ENSO là hiện tượng được quan tâm nghiên cứu và có tác động
nhiều nhất đến các quá trình làm thay đổi SST[45]. Dự báo hiện tượng ENSO, theo quy
mô tháng và năm, đã hỗ trợ tốt hơn cho dự báo hạn mùa ở nhiều nơi trên thế giới.
Một nhân tố cũng rất quan trọng khác là bề mặt đất của trái đất, nó cũng có thể
ảnh hưởng đến khí quyển trên quy mô mùa, trong đó độ ẩm đất đóng vai trò quan
trọng, cũng như một số nơi là độ phủ tuyết. Độ ẩm đất có thể dao động về căn bản từ
năm này qua năm khác và biến đổi trong độ ẩm đất có khoảng thời gian quy mô từ
tháng đến năm. Koster (2004) [27] đã sử dụng mô hình bề mặt đất (LSM) kết hợp với
trường toàn cầu trạng thái thực (của các biến giáng thủy, bức xạ và các trường khí
tượng bề mặt) để có được các trường mới về độ ẩm đất, nhiệt độ và các trạng thái đất
khác. Sau đó, tác giả đã sử dụng các trường này làm điều kiện ban đầu cho dự báo
giáng thủy và nhiệt độ bằng mô hình hoàn lưu chung khí quyển (AGCM). Sự cải thiện
trong kết quả đã được kiểm định với việc thực hiện dự báo lại ở quy mô tháng (từ
tháng 5 đến tháng 9, 1979-93) với hệ thống dự báo hạn mùa của Mô hình toàn cầu của
NASA (GMAO). Với 75 dự báo riêng biệt, kết quả đã cung cấp cơ bản đầy đủ về mặt
thống kê cho việc đánh giá sự cải thiện trong kĩ năng dự báo liên quan đến việc ban
đầu hóa điều kiện bề mặt đất. Đánh giá kĩ năng được tập trung cho khu vực Đồng bằng
lớn của Bắc Mỹ, khu vực có nguồn số liệu về điều kiện đất ban đầu đáng tin cậy và có

sự ảnh hưởng lớn của điều kiện độ ẩm đất tới các nhiễu động khí quyển trong việc phát
triển các trường khí tượng. Nghiên cứu đã chỉ ra ban đầu hóa đất tác động nhỏ nhưng
là có thể nhận thấy cho sự cải thiện của dự báo nhiệt độ và lượng mưa của khu vực
này. Đối với giáng thủy, sự phát triển trong kĩ năng dự báo xuất hiện rõ nét vào tháng 5
đến tháng 7, trong khi đó với nhiệt độ không khí, là tháng 8 và tháng 9. Cả ban đầu hóa
đất và khí quyển đều chi phối một cách độc lập đến kĩ năng thực của dự báo nhiệt độ
hàng tháng, với kĩ năng lớn nhất nhận được từ việc ban đầu hóa là khi kết hợp 2 nguồn
này.
12

Việc dự báo hạn dài chính xác các nhân tố khí hậu (nhiệt độ, lượng mưa, trên
hay dưới chuẩn… ) có những tiềm năng ứng dụng rất lớn, ví dụ những dự báo này có
thể cung cấp thông tin cần thiết cho những quyết định dài hạn và cảnh báo sớm các
thiên tai có thể xảy ra. Một lưu ý là mức độ tin cậy của bất kỳ dự báo nào cũng phụ
thuộc vào khả năng nắm bắt chính xác đến đâu của chúng khi so sánh với trung bình
khí hậu. Cụ thể là dự báo chỉ được chấp nhận nếu chúng chính xác hơn và cung cấp
nhiều thông tin hơn so với kinh nghiệm về khí hậu mà vẫn được sử dụng để đánh giá
và đưa ra các quyết định trước đây. Có hai cách tiếp cận dự báo hạn mùa là dự báo
bằng phương pháp thống kê và phương pháp mô hình động lực (dự báo sử dụng các
mô hình số trị).
Phương pháp thống kê là phương pháp đơn giản nhất để dự báo dị thường các
yếu tố so với khí hậu trung bình, quy mô tháng hay mùa, sử dụng các nguyên tắc (bằng
thống kê) liên kết các hình thế trong tương lai với đặc tính khí hậu hiện tại. Những dị
thường biến đổi chậm và có quy mô lớn của khí hậu (ví dụ như SST) có thể tồn tại
trong nhiều tháng, và có thể tác động làm thay đổi hình thế hoàn lưu chung khí quyển
và từ đó sai lệch so với trạng thái trung bình của hoàn lưu khí hậu địa phương. Ban
đầu, hướng tiếp cận này không mấy thành công, nhưng sự tăng cường hiểu biết về hiện
tượng ENSO và các hình thế tác động khác giúp cho phương pháp này đáng tin cậy
hơn. Điểm mạnh của phương pháp này là tương đối dễ áp dụng bởi vì hầu như phụ
thuộc vào thống kê khí hậu và sử dụng tài nguyên máy tính khiêm tốn. Tuy nhiên,

phương pháp đơn giản này vẫn tồn tại nhiều hạn chế. Các mô hình thống kê chỉ sử
dụng đơn thuần chuỗi số liệu trong quá khứ, dự báo các mối liên hệ phức tạp mà không
có các mối liên hệ cụ thể nào với các quá trình vật lý cũng như động lực học nằm ẩn
bên trong. Điều này có nghĩa là phương pháp hiệu quả khi sự phát triển quy mô lớn là
rõ rệt và theo một hướng nhưng rất khó để lường trước những sự chuyển pha, ví dụ
13

như từ nóng sang lạnh và ngược lại. Và cuối cùng, phương pháp thường không nắm bắt
được những yếu tố đột biến.
Phương pháp mô hình động lực dự báo mùa nhìn chung chỉ mới bắt đầu từ
khoảng 30 năm trở lại đây. Cách tiếp cận của phương pháp mô hình động lực có cơ sở
vật lý hơn, sử dụng các mô hình hoàn lưu chung khí quyển. Trong một dạng của hướng
tiếp cận này, bước đầu tiên là dự báo sự phát triển của SST trong vùng nhiệt đới Thái
Bình Dương. Các dự báo có thể dựa trên mô hình khu vực mà coi sự phát triển trong
vùng đại dương nhiệt đới là cô lập. Khi mô hình đưa ra dự báo về Thái Bình Dương, có
thể trong một năm tới, hình thế dự báo của SST sẽ được sử dụng tác động đến mô hình
hoàn lưu chung khí quyển để dự báo thời tiết toàn cầu phản ứng ra sao. Những dự báo
mùa đã cho các kết quả đầy hứa hẹn, đặc biệt là khu vực nhiệt đới. Sự phát triển của
các dự báo này được xây dựng dựa trên những điểm mạnh của mô hình và những quan
trắc ngày càng tốt hơn ở khu vực Thái Bình Dương xích đạo. Sự phát triển đáng kể
hiện tại đã tạo ra một hệ thống tương tác đầy đủ trong đó thành phần đại dương, khí
quyển và mặt đất của mô hình tương tác liên tục với nhau để cho ra các bản tin dự báo
đến vài tháng.
Vấn đề dự báo hạn mùa các yếu tố, hiện tượng khí hậu cực đoan đã được đề cập
đến trong một số nghiên cứu của các tác giả. Trong nghiên cứu của mình, Yoon (2012)
[48] đã so sánh kết quả giữa mô hình thống kê và mô hình động lực dự báo mùa lạnh ở
nước Mỹ, tác giả sử dụng phương pháp tổ hợp với 7 mô hình khí hậu khu vực MRED
với đầu vào từ sản phẩm CFS mô phỏng 5 tháng mùa lạnh. Với mỗi RCM, hệ thống 10
thành phần với các điều kiện biên và điều kiện ban đầu được mô phỏng từ tháng 12 đến
tháng 4 năm sau trong giai đoạn 1982 đến 2003. Kết quả so sánh giữa 2 phương pháp

cho thấy RCM đã đưa ra được nhiều kết quả mang tính ứng dụng hơn, đặc biệt phương
pháp RCM cho kết quả tốt ở khu vực Tây bắc và phía Nam nước Mỹ với hạn dự báo ko
14

quá dài. Kết quả đánh giá cũng cho thấy kết hợp phương pháp động lực và phương
pháp thống kê cho kết quả tốt nhất.
Sohn (2012) [49] cũng đã phát triển hệ thống dự báo mùa đa mô hình nhằm dự
báo các đợt hạn hán và ngập lụt ở Hàn Quốc. Để thuận tiện trong công tác dự báo, tác
giả dựa trên số liệu mưa để chia miền nghiên cứu thành các khu vực nhỏ hơn. Hệ thống
dựa trên sản phẩm dự báo mùa đa mô hình MME với hạn dự báo 3 tháng dự báo mưa
cho 60 trạm ở Hàn Quốc từ tháng 3 đến tháng 5. Dựa trên kết quả mô hình và chỉ số
SPI, các bản tin dự báo hạn hán và lũ hụt sẽ được xây dựng và đưa ra. Hệ thống cũng
sử dụng 3 sơ đồ đối lưu khác nhau và hiệu chỉnh kết quả dựa trên tập số liệu quá khứ
để đưa ra trọng số. Bộ trọng số này sẽ được dùng để xây dựng kết quả cuối cùng. Thử
nghiệm cho thấy, có sự cải thiện lớn trong việc đưa ra được những bản tin cảnh báo
sớm đối với hạn hán và lũ lụt, những thông tin này là rất hữu ích cho các nhà quản lý
nông nghiệp, quản lý tài nguyên nước đưa ra những kế hoạch, chính sách phù hợp.
Một nghiên cứu khác của Frumkin [46] xem xét tới khả năng dự báo mùa khô
hạn (tháng 6 đến tháng 8) trên khu vực nhiệt đới và cận nhiệt đới khu vực Nam Mỹ.
Tác giả sử dụng một số sản phẩm dự báo toàn cầu CFS, RSM [50], RSM_AN [51] làm
điều kiện đầu vào cho các mô hình khí hậu khu vực với 6 thành phần tổ hợp trong giai
đoạn 2001 đến 2007. Trong nghiên cứu này, tác giả tập trung phân tích trường mưa và
nhiệt độ bề mặt cho 2 khu vực chính là lưu vực sông Amazon và khu vực cận nhiệt đới.
Kết quả mô phỏng được so sánh với số liệu CMAP, TRMM và bộ số liệu tái phân tích
CFSR cho thấy kết quả mô phỏng với cả 3 mô hình khác nhau đều cho thấy khả năng
mô phỏng hạn mùa trên lưu vực sông Amazon và khu vực cận nhiệt đới cả đối với
trường nhiệt độ bề mặt và trường mưa, trường nhiệt tốt hơn trường mưa, đặc biệt là
trên lưu vực sông Amazon.
Hiện nay WMO đã thiết lập được các nguồn cung cấp sản phẩm dự báo hạn dài.
Các quá trình dự báo hạn dài dựa trên nền tảng công nghệ tính toán (quy mô từ 30 ngày

15

đến 2 năm) trên quy mô toàn cầu đòi hỏi lượng lớn tài nguyên máy tính cùng với
những hiểu biết đặc biệt. Vì lý do này, chỉ có một vài trung tâm trên thế giới cung cấp
các bản tin dự báo khí hậu hạn dài toàn cầu. Những dịch vụ cung cấp bởi các trung tâm
này được biết đến với tên gọi Trung tâm sản phẩm toàn cầu cho dự báo hạn dài (GPCs)
đưa ra điều kiện cơ bản cho dự báo khí hậu và thời tiết ở quy mô khu vực/địa phương
và được sử dụng ở các trung tâm dự báo khu vực và địa phương. Từ đó, dự báo hạn dài
ở quy mô khu vực được cung cấp bởi cả Các trung tâm khí hậu khu vực (RCCs) cũng
như các diễn đàn về dự báo mùa khu vực (RCOFs). Cũng như GPCs, RCCs và RCOFs
sử dụng số liệu được hỗ trợ bởi các mô hình số trị để phát triển các dự báo chi tiết thích
hợp cho khu vực riêng. Những mô hình và dự báo này sau đó được sử dụng bởi các
trung tâm dự báo để tạo ra các dự báo quốc gia và địa phương chính xác và tốt hơn.
Năm 2006, WMO bắt đầu chính thức bổ nhiệm các trung tâm đưa ra các bản tin
dự báo mùa toàn cầu được gọi là Trung tâm sản phẩm toàn cầu cho dự báo hạn dài
(GPCs), một thành phần của Hệ thống Xử lý số liệu và Dự báo toàn cầu (GDPFS) [30].
Các trung tâm này cần cung cấp tối thiểu:
o Dự báo giá trị trung bình, tích lũy hoặc tần suất với thời hạn 1 tháng hoặc lâu
hơn; đặc trưng là dị thường phân vị trung bình 3 tháng với định dạng chuẩn cho
dự báo mùa. Các dự báo thường biểu diễn dưới dạng xác suất.
o Hạn dự báo hay thời trễ dự báo (leadtime): từ 0 đến 4 tháng.
o Tần suất phát báo: hàng tháng hoặc ít nhất là theo quý
o Cung cấp: dạng ảnh hiển thị trên trang web của GPCs hoặc/và số liệu để tải về
o Các biến: nhiệt độ 2m, lượng mưa, SST, MSLP, độ cao 500hPa, nhiệt độ
850hPa
o Đánh giá kĩ năng dự báo hạn dài, sử dụng quy chuẩn của SVSLRF.
16


Một số các GPCs chính của WMO là: Cục khí tượng Úc (Bureau of

Meteorology, Australia); Cơ quan khí tượng Trung Quốc (China Meteorological
Administration/Bejing Climate Center); Trung tâm dự báo khí hậu Mỹ (Climate
Prediction Center, NOAA); Trung tâm dự báo hạn vừa Châu Âu (European Centre for
Medium-Range Weather Forecasts); Cơ quan khí tượng Nhật Bản (Japan
Meteorological Agency/Tokyo Climate Centre)…
Nổi bật trong các hệ thống dự báo khí hậu hiện nay là Hệ thống dự báo khí hậu
CFS (Climate Forecast System) với hệ thống dự báo hạn mùa sử dụng mô hình động
lực kết hợp đầy đủ đại dương-đất-khí quyển, đã được đưa vào nghiệp vụ tại NCEP từ
tháng 8 năm 2004 [32]. Hệ thống CFS cung cấp những lợi thế quan trọng trong việc dự
báo hạn mùa nghiệp vụ. Lần đầu tiên trong lịch sử dự báo nghiệp vụ của nước Mỹ, một
hệ thống mô hình động lực có kĩ năng tốt có thể so sánh được với phương pháp thống
kê hiện đang sử dụng ở Trung tâm Dự báo Khí hậu của NCEP (CPC). Điều này thể
hiện sự tiến bộ đáng kể so với các hệ thống mô hình động lực trước đây được sử dụng
ở NCEP. Hơn thế nữa, kĩ năng được cung cấp bởi CFS (theo không gian và thời gian)

Hình 1.1 : Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO
17

cũng đã hoàn thiện kĩ năng của phương pháp thống kê. Thành phần khí quyển của CFS
là phiên bản độ phân giải thấp hơn (T62L64) của Hệ thống Dự báo Toàn cầu (GFS) đã
được chạy nghiệp vụ ở NCEP từ năm 2003. Thành phần đại dương là GFDL Modul
Mô hình đại dương phiên bản 3 (MOM3) thay cho MOM1 trước đây. Một số cải tiến
quan trọng của hệ thống CFS so với hệ thống động lực trước đây bao gồm: (1) sự kết
hợp giữa khí quyển và đại dương mở rộng hầu hết toàn cầu từ 64N-74S (trước đây chỉ
có khu vực Thái Bình Dương nhiệt đới) (2) hệ thống CFS được kết hợp đầy đủ không
có hiệu chỉnh dòng (khác với trước đây có hiệu chỉnh dòng và sai số) và (3) một bộ đầy
đủ kết quả dự báo lại của 24 năm (1981-2004) với 15 dự báo cho từng tháng chạy cho
9 tháng, đã được cung cấp cùng với CFS. Bộ số liệu dự báo lại của 24 năm này đặc biệt
quan trọng trong việc đánh giá kĩ năng dự báo của hệ thống khi chạy nghiệp vụ, đồng
thời cung cấp thông tin quý báu cho việc nghiên cứu sự tương tác của các quá trình khí

quyển-đất-đại dương.
CFS có sai số nhỏ chấp nhận được trong dự báo SST vùng nhiệt đới và kĩ năng
dự báo Nino 3-4 SST có thể so sánh được với phương pháp thống kê. Tuy vậy, kĩ năng
dự báo SST vùng vĩ độ trung bình (trước đây không có) kém hơn nhiều so với khu vực
nhiệt đới và ở các thời trễ dự báo dài hơn thì chỉ có kĩ năng vào mùa đông. Kĩ năng dự
báo tháng và mùa của nhiệt độ và lượng mưa khu vực đất liền Bắc Bán cầu, cụ thể như
Mỹ, còn khiêm tốn, nhưng vẫn so sánh được với phương pháp thống kê trước đây. Kĩ
năng của lượng mưa chủ yếu tốt vào mùa đông (liên quan đến ENSO), trong khi kĩ
năng của nhiệt độ chủ yếu tốt vào mùa hè khi dị thường độ ẩm đất có tác dụng sử dụng.
Gần đây, CFS đã phát triển phiên bản 2 với dự báo tổ hợp. Dự báo sử dụng điều
kiện đầu vào của 30 ngày gần nhất và thực hiện chạy 4 lần/1 ngày. Dự báo tổ hợp đầu
vào từ 40 thành phần với điều kiện ban đầu theo thời đoạn 10 ngày. Loại tổ hợp thứ
nhất (E1) sử dụng 10 ngày đầu tiên, loại 2 (E2) sử dụng 10 ngày tiếp theo và loại 3
(E3) sử dụng 10 ngày cuối. Dị thường được tính so với sản phẩm dự báo lại giai đoạn
18

1981-2008. Tương quan theo thời gian dựa vào dự báo lại cho giai đoạn 1981-2006 và
số liệu quan trắc được sử dụng để đánh giá kĩ năng cho dị thường không gian. Độ lệch
chuẩn được tính trung bình độ lệch chuẩn của từng thành phần (vẫn tính từ bộ số liệu
dự báo lại 1981-2006) với tháng đầu vào và mùa dự báo tương ứng.
Ở Châu Âu, một dự án khác cũng đáng lưu ý là DEMETER, dự án được Liên
minh Châu Âu tài trợ để tạo bộ số liệu dự báo lại bằng phương pháp tổ hợp đa mô hình
bao gồm 7 mô hình với 9 thành phần tổ hợp mỗi mô hình, đã được đánh giá sử dụng bộ
số liệu tái phân tích ERA40 và số liệu mưa GPCP [31]. Các mô hình này từ các trung
tâm khí hậu của Châu Âu được viết tắt là: CERFACS, ECMWF, INGV, LODYC,
METEO-FRANCE, MPI và UKMO. Sản phẩm đầu ra của DEMETER được hạ quy mô
(downscale) cho phù hợp để ứng dụng vào việc dự báo sản lượng mùa màng và dịch
sốt rét. Kết quả cho thấy việc tổ hợp đa mô hình là một hướng tiếp cận khả thi khi quan
tâm đến độ bất định của mô hình trong dự báo mùa và nhiều năm, đồng thời đưa ra kết
quả dự báo đáng tin cậy hơn khi chỉ dựa trên một mô hình đơn lẻ. Thêm nữa, một lợi

ích khác của dự án là cho ra bộ sản phẩm dự báo lại quy mô mùa. Bộ số liệu này cho
tiềm năng để nâng cao hiểu biết của chúng ta về các cơ chế trong dao động liên mùa và
nhiều năm.
David Lavers (cùng cs.) đã phân tích chi tiết kĩ năng dự báo của nhiệt độ và
lượng mưa từ 8 mô hình dự báo mùa bằng phân bố đồng thời của quan trắc và dự báo
để đánh giá sản phẩm của DEMETER [15]. Kết quả cũng cho thấy kĩ năng thấp ở
những dự báo trên tháng -1 (tức là lấy thời trễ dự báo chỉ 1 ngày và đánh giá luôn cho
30 ngày đầu tiên). Ở những thời trễ dự báo dài, chỉ có khu vực Thái Bình Dương xích
đạo cho thấy kĩ năng đáng kể. Điều này có thể ảnh hưởng trong việc sử dụng các sản
phẩm dự báo mùa trong các dịch vụ khí hậu và kết quả này cũng có thể được coi như
tiêu chuẩn của khả năng dự báo khí hậu hiện tại sử dụng các mô hình động lực. Các mô
hình của DEMETER được khởi tạo chạy vào 01 tháng II, 01 tháng V, 01 tháng 8 và 01
19

tháng XI để đánh giá sự phụ thuộc quy mô mùa của các dự báo lại và tích phân cho
180 ngày. Cùng giai đoạn nghiên cứu, CFS với 15 dự báo lại (9 tháng) khởi tạo mỗi
tháng được sử dụng để đánh giá. Thời kì chung của DEMETER và CFS là 1981-2001
(21 năm). Nhiệt độ 2m ở độ phân giải 2.5x2.5 từ số liệu tái phân tích ERA40 và lượng
mưa quan trắc trung bình tháng ở độ phân giải 1.0x1.0 từ Trung tâm mưa khí hậu toàn
cầu (GPCC) được sử dụng làm số liệu để so sánh. Lượng mưa được đưa về lưới 2.5 để
khớp với độ phân giải của dự báo lại. Ở đây, tác giả thực hiện 2 phép đánh giá: (1)
đánh giá so sánh trung bình tổ hợp các mô hình với số liệu quan trắc, đây được coi là
đánh giá với khí quyển thực và (2) đánh giá với khí quyển lý tưởng, với giả thiết là một
thành phần của tổ hợp được coi là “thật” và trung bình các thành phần còn lại là “dự
báo”. Phương pháp sử dụng chính là dùng hệ số tương quan (tuyến tính).
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
Từ năm 1987, trong đề tài “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”, Phạm Đức Thi
(cùng cs.) [4] đã xây dựng các phương pháp dự báo nhiệt độ trung bình tháng và mùa
đối với mùa đông. Nhóm tác giả cố gắng tìm các dấu hiệu để phát hiện những mùa
đông có dao động nhiệt độ mang tính chất dị thường. Đồng thời, đề tài cũng xây dựng
các chỉ tiêu dự báo hạn vừa các đợt không khí lạnh, và các đợt rét đậm, rét hại, dự báo
dài hạn thời kì xuất hiện đợt rét đậm đầu tiên trong mùa đông ở khu vực phía bắc Việt
Nam. Đối với mùa hè, phương pháp dự báo chuẩn sai lượng mưa tháng và mùa, dự báo
lượng mưa cũng như các chỉ tiêu dự báo hạn vừa thời kì xuất hiện các đợt mưa thời kì
đầu mùa mưa ở đồng bằng và trung du Bắc Bộ cũng được xây dựng. Số liệu trạm Láng
(Hà Nội) trong 91 năm (1898-1989) được sử dụng cho mùa đông. Tác giả sử dụng chỉ
20

tiêu K=deltaT/sigma ≥ 1 (giá trị chuẩn sai nhiệt độ trung bình từng mùa từng tháng/độ
lệch chuẩn) để đánh giá. Tháng được coi là tháng rét đậm hay ấm đậm trong mùa đông
khi giá trị tuyệt đối của chuẩn sai nhiệt độ trung bình tháng đó bằng hoặc lớn hơn giá
trị độ lệch tiêu chuẩn. Mùa đông được coi là rét đậm hay ấm đậm khi giá trị tuyệt đối
chuẩn sai nhiệt độ trung bình ba tháng (12, 1, 2) bằng hoặc lớn hơn giá trị sigma của
nhiệt độ 3 tháng đó. Rét hại hay ấm hại lấy ngưỡng 1.5. Bên cạnh đó, tác giả cũng đưa
ra các nhận xét về các mùa đông lạnh kỷ lục (1982/83, 1983/84).
Năm 2009, Phan Văn Tân (cùng cs.) [2] cũng đã thử nghiệm bước đầu ứng dụng
mô hình khí hậu khu vực RegCM3 để dự báo nhiệt độ trung bình tháng và tổng lượng
mưa tháng cho ba tháng mùa hè 6-8/1996 khi sử dụng sản phẩm kết xuất của mô hình
khí hậu toàn cầu CAM làm điều kiện ban đầu và điều kiện biên (RegCM-CAM). Các
trường dự báo của RegCM-CAM đã được đánh giá bằng cách so sánh với sản phẩm
mô phỏng tương ứng của RegCM3 với đầu vào là số liệu tái phân tích ERA40 và nhiệt
độ mặt nước biển phân tích OISST (RegCM-ERA). Kết quả dự báo nhiệt độ và lượng
mưa của RegCM-CAM còn được so sánh trực tiếp với số liệu phân tích CRU (nhiệt
độ) và CMAP (lượng mưa), và đánh giá định lượng cho khu vực Việt Nam bằng cách
nội suy về vị trí trạm và so sánh với số liệu quan trắc từ mạng lưới trạm khí tượng
thông qua các chỉ số thống kê. Kết quả nhận được cho thấy, về cơ bản các trường nhiệt

độ và lượng mưa dự báo của RegCM-CAM phù hợp tốt với sản phẩm mô phỏng của
RegCM-ERA cũng như với các trường phân tích CRU, CMAP. Trên khu vực Việt
Nam, RegCM-CAM thường dự báo nhiệt độ thấp hơn quan trắc; sai số dự báo nhiệt độ
của RegCM-CAM trung bình khoảng 2
o
C, khá ổn định và có tính hệ thống. RegCM-
CAM cũng cho lượng mưa dự báo ở Việt Nam thấp hơn thực tế, tuy nhiên sai số còn
khá lớn và không thể hiện rõ qui luật. Trong ba tháng thử nghiệm, dự báo lượng mưa
của RegCM-CAM cho tháng 6/1996 là hợp lý nhất.
21

Trong đề tài “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” Phan Văn Tân (cùng cs.) [3] đã làm sáng tỏ mức độ biến đổi, tính chất biến
đổi và xu thế biến đổi của các yếu tố và hiện tượng khí hậu cực đoan như nhiệt độ,
lượng mưa, bão và áp thấp nhiệt đới, nắng nóng, rét hại, mưa lớn, hạn hán Ngoài ra,
đề tài còn nghiên cứu thử nghiệm ứng dụng các mô hình khí hậu khu vực với điều kiện
ban đầu và điều kiện biên từ trường dự báo toàn cầu của hệ thống mô hình kết hợp khí
quyển – đại dương CAM-SOM để dự báo mùa các trường khí hậu và các hiện tượng
cực đoan ở Việt Nam. Kết quả với 3 mô hình khí hậu khu vực được sử dụng đều có sai
số hệ thống đối với hầu hết các yếu tố và hiện tượng khí hậu cực đoan. Cụ thể với các
ECE xác định theo IPCC, tất cả các mô hình đều cho khuynh hướng dự báo hạn mùa
thấp hơn so với thực tế đối với các chỉ số TXx, TXn, TNx, TNn, DTR, Rx1day,
Rx5day, R95p, R99p, TX90p, R25 và R50 tại hầu hết các vùng khí hậu. Đối với các
chỉ số còn lại, có sự khác biệt giữa các mô hình tương ứng cho từng vùng khí hậu.
Tương tự cho các ECE xác định theo PA2, các mô hình RCM được nghiên cứu chỉ
thống nhất trong khuynh hướng sai số đối với các ECE liên quan đến không khí lạnh,
trong khi đối với các ECE liên quan đến mưa lớn và nắng nóng, khuynh hướng sai số
thường trái dấu giữa các mô hình với nhau và thay đổi theo từng vùng khí hậu. Có thể
thấy các khuynh hướng sai số trong dự báo hạn mùa về cơ bản thống nhất với khuynh

hướng sai số trong pha mô phỏng tại hầu hết các ECE và vùng khí hậu. Kết quả này
chứng tỏ tính ổn định của các RCM được nghiên cứu ở đây.
Trong những năm vừa qua, Viện Khoa học Khí tượng Thủy văn và Môi trường
đã đưa vào hệ thống nghiệp vụ dự báo dị thường tổng lượng mưa mùa và nhiệt độ
trung bình trên cơ sở phương pháp thống kê. Kết quả được biên tập thành “Thông báo
và dự báo khí hậu” ra hàng tháng và được cập nhật thường xuyên lên website của Viện
( Các thông báo này tổng kết diễn biến khí hậu 3 tháng trước
22

đó và đưa ra dự báo khí hậu cho 3 tháng tiếp theo. Diễn biến khí hậu được xem xét trên
cả quy mô toàn cầu và Việt Nam với các biến nhiệt độ, mưa, nắng, bốc hơi, chỉ số ẩm
và một số hiện tượng thời tiết đặc biệt. Dự báo khí hậu 3 tháng bao gồm các nhận định
chung về diễn biến khí hậu thế giới và khu vực (hiện tượng ENSO) và dự báo khí hậu
cho Việt Nam (nhiệt độ, lượng mưa, xoáy thuận nhiệt đới và không khí lạnh) [5]. Tuy
nhiên, các bản tin vẫn còn khá nghèo nàn và đặc biệt là chưa thể có những thông tin dự
báo về các điều kiện khí hậu cực trị.
Qua tổng quan các nghiên cứu trong và ngoài nước về bài toán dự báo hạn mùa
các hiện tượng khí hậu cực đoan, có thể nhận thấy3 điểm cần lưu ý. Thứ nhất, về mặt
phương pháp, hiện nay phương pháp mô hình động lực tỏ ra có ưu thế hơn và được
phát triển ngày càng hoàn thiện hơn. Phương pháp thống kê, tuy có ưu điểm không yêu
cầu cao về mặt tài nguyên tính toán, nhưng cũng có nhiều nhược điểm, nhất là trong
bối cảnh biến đổi khí hậu. Trong đó, việc không tính đến mối quan hệ vật lý giữa các
biến được dự báo, không nắm bắt được những phát triển đột biến của khí quyển cũng
như việc phụ thuộc nhiều vào nguồn số liệu điểm trạm vốn không đầy đủ và hoàn thiện
ở nhiều khu vực, là những khuyết điểm 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 mùa ở 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 vực đã 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
23

dự báo sẽ là cơ sở để xác định các ECE theo 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. Từ đó, 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 mùa ở Việt Nam để dự báo một số chỉ số khí
hậu cực đoan là một hướng tiếp cận mới, rất có ý 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.



24

Chương 2
PHƯƠNG 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 vực đã được 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

này sẽ 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
25

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.