Tài liệu Luận văn thạc sĩ " THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS " doc

LUẬN VĂN THẠC SỸ

THỬ NGHIỆM DỰ BÁO QUỸ
ĐẠO BÃO BẰNG PHƯƠNG PHÁP
NUÔI NHƯNG DAO ĐỘNG PHÁT
TRIỂN NHANH CỦA MÔ HÌNH
RAMS

MỤC LỤC

CHƯƠNG I 6
TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP 6
1.1. CƠ SỞ LÝ THUYẾT 6
1.2. PHÂN LOẠI HỆ THỐNG DỰ BÁO TỔ HỢP 7
1.2.1. Hệ thống dự báo tổ hợp 1 chiều 7
1.2.2. Hệ thống dự báo tổ hợp 2 chiều 17
1.2.3. Hệ thống dự báo tổ hợp 3 chiều 19
1.3 CÁC PHƯƠNG PHÁP TỔ HỢP KẾT QUẢ DỰ BÁO 21
1.3.1.Trung bình đơn giản 21
1.3.2. Tính trọng số theo sai số 22
1.3.3. Tính trọng số bằng hồi quy tuyến tính 22
1.4. CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT QUẢ TỔ HỢP. 23
1.4.1. Bản đồ trung bình và độ phân tán 23
1.4.2. Spagheti maps - Bản đồ ghép chồng 24
1.4.3. Dự báo đường đi của bão 24
1.5. KHẢ NĂNG VÀ HIỆN TRẠNG DỰ BÁO TỔ HỢP Ở VIỆT NAM 25
CHƯƠNG 2 27
MÔ HÌNH DỰ BÁO THỜI T
IẾT QUY MÔ VỪA RAMS VÀ ÁP DỤNG DỰ
BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG 27

2.1. GIỚI THIỆU VỀ MÔ HÌNH RAMS 27
2.1.1. Các phương trình cơ bản của RAMS 28
2.1.2. Cấu trúc lưới 30
2.1.3. Sai phân thời gian 31
2.1.4. Bình lưu 33
2.1.5. Các điều kiện biên 36
2.2 ÁP DỤNG MÔ HÌNH RAMS ĐỂ DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG. 40
2.2.1 Chọn miền tính và cấu hình lưới 40
2.2.2 Cập nhật số liệu địa phương trong mô hình RAMS 40


1
2.2.3 Đánh giá khả năng dự báo quỹ đạo bão bằng mô hình RAMS cho khu vực
Biển Đông.
42
2.3 PHƯƠNG PHÁP TẠO NHÂN BAN ĐẦU VÀ NUÔI NHIỄU TRÊN MÔ HÌNH
RAMS. 43
2.3.1 Tạo nhân ban đầu 43
2.3.2 Nuôi những dao động phát triển nhanh 45
CHƯƠNG 3 48
THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG P
HƯƠNG PHÁP NUÔI
NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS 48
3.1 MÔ TẢ TẬP SỐ LIỆU NGHIÊN CỨU 48
3.2 NUÔI NHIỄU PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS 49
3.3 DỰ BÁO TỔ HỢP QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHỮNG DAO
ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS. 55
3.3.1 Cơn bão Chan chu (12-17/5/2006) 55
3.5.2 Cơn bão Prapiroon (31/07/2006-3/8/2006) 64
3.5.3. Đánh giá khả năng dự báo bão bằng phương pháp nuôi những dao động

phát triển nhanh trên toàn bộ tập mẫu.
67
KẾT LUẬN 74


2
LỜI CẢM ƠN

Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới GS. TS. Trần Tân
Tiến, là người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này.
Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy
văn - Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn quý
báu, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian
tôi học tập và thực hành ở Khoa.
Tôi cũng x
in cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự
nhiên đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn.
Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân
và bạn bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều
kiện tốt nhất cho tôi trong suốt thời gian học tập tại trường.

Công Thanh


3

MỞ ĐẦU

Ngày nay ngành công nghệ thông tin phát triển mạnh mẽ, nhờ đó các mô
hình dự báo thời tiết số trị cũng phát triển. Cùng với sự phát triển của mô

hình
số, dự báo tổ hợp đã và đang trở nên rất phổ biến trên thế giới. Bản chất của
dự báo tổ hợp là sử dụng kết quả từ nhiều dự báo thành phần khác nhau để
đưa ra một kết quả dự báo tối ưu nhất. Tuy nhiên, phương pháp cụ thể để tạo
ra các thành phần dự báo và cách tổng hợp kết quả của chúng lại có thể rất
khác nhau. Dự báo tổ hợp đã có một quá trình phát t
riển tương đối lâu dài kể
từ những công trình đầu tiên của Lorenz (1963, 1965) đề cập đến tầm quan
trọng của của điều kiện ban đầu đối với kết quả tích phân của các mô
hình.
Cho đến nay, dự báo tổ hợp đã được phát triển và ứng dụng rất đa dạng tại
nhiều nơi và cho các mục đích khác nhau.
Phần lớn các hệ thống dự báo tổ hợp nghiệp vụ trên thế giới đều dựa trên
phương pháp tạo nhiễu động ban đầu và tích phân mô hình số trị với các
trường ban đầu đó để tạo nên tổ hợp dự báo. Chính vì những lý do trên, việc
nghiên cứu ứng dụng dự báo tổ hợp dựa trên phương pháp tạo nhiễu ban đầu
với m
ô hình số để dự báo đường đi của bão được đặt ra trong luận văn là phù
hợp và khả thi với điều kiện hiện nay. Cụ thể, nội dung luận văn là nghiên
cứu dự báo tổ hợp bằng phương pháp nuôi những dao động phát triển nhanh
của mô hình RAMS để tạo ra trường khí
tượng ban đầu, các trường ban đầu
này sẽ được đưa vào mô hình RAMS dự báo hạn 72 giờ, các kết quả dự báo
được tổ hợp bằng cách lấy trung bình đơn giản và sử dụng để dự báo bão.


4
Dựa trên những mục tiêu và nội dung của luận văn sẽ được bố cục thành
các phần sau:
MỞ ĐẦU

CHƯƠNG I:
TỔNG QUAN PHƯƠNG P
HÁP DỰ BÁO TỔ HỢP
CHƯƠNG 2:
MÔ HÌNH DỰ BÁO THỜI TIẾT QUY MÔ VỪA RAMS VÀ
ÁP DỤNG DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG
CHƯƠNG 3:
THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG P
HƯƠNG
PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH
CỦA MÔ HÌNH RAMS
KẾT LUẬN




5
CHƯƠNG I
TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP
1.1. CƠ SỞ LÝ THUYẾT
Dự báo tổ hợp là một tập hợp các dự báo bất kì được xác định tại cùng
một thời điểm. Vì
vậy tập hợp các dự báo trễ, các dự báo từ trung tâm nghiệp
vụ khác nhau hoặc các mô hình khác nhau đều có thể tạo ra được một dự báo
tổ hợp. Từ đầu những năm 1990, kỹ thuật dự báo tổ hợp đã được sử dụng để
dự báo thời tiết ở các trung tâm toàn cầu. Ý tưởng của dự báo tổ hợp dựa trên
lý thuyết rối của Lorenz (1963) [52]
với giả thuyết rằng: “các nghiệm số thu
được trong quá trình tích phân mô hình theo các điều kiện ban đầu khác nhau
(có chứa sai số) có thể phân kì theo thời gian”. Điều này được giải thích bằng

hiệu ứng Butterfly: do bản chất phi tuyến của các phương trình m
ô tả khí
quyển nên những sai số nhỏ không thể đo được trong trạng thái ban đầu của
khí quyển sẽ trở thành những sai số đủ lớn sau một khoảng thời gian tích phân
(10 – 14 ngày). Vì vậy, kết quả dự báo không sử dụng được cho dù mô hình là
hoàn hảo.
Trái lại, nếu các điều kiện ban đầu đó đư
ợc gây nhiễu với giá trị nhiễu
có đặc trưng cho phân bố như phân bố của sai số quan trắc thì việc tổ hợp các

nghiệm từ các điều kiện ban đầu có gây nhiễu này (mỗi điều kiện ban đầu là
một thành phần tổ hợp) bao phủ nghiệm thực và trạng thái thực của khí quyển
khi mô hình dự báo hoàn hảo. Nếu các nhiễu không đặc trưng cho phân bố sai
số của trường ban đầu thì kết quả dự báo có thể nằm ở một trong các nhóm,
trong khi trạng thái khí quyển thực xảy ra trong các nhóm
khác. Nếu chọn
phân bố sai số tương xứng thì dựa trên các dự báo thành phần sẽ thu được dự
báo cuối cùng bằng việc áp dụng phương pháp thống kê hoặc phương pháp
lấy trung bình sẽ cho dự báo tốt hơn dự báo thành phần.


6
Bằng cách tính trung bình tổ hợp các kết quả dự báo, những sai số dự
báo xảy ra do điều kiện ban đầu được loại bỏ dẫn đến kết quả dự báo tốt hơn.
Đối với dự báo quỹ đạo bão (XTNĐ), phương pháp tổ hợp giữ vai trò
quan trọng. Giữa thập niên 1990, kỹ thuật dự báo tổ hợp được nghiên cứu cho
bài toán dự báo XTNĐ, đặc biệt là dự báo quỹ đạo. Việc ứng dụng này xuất
phát từ thực tế là trường phân tích và trường dự báo từ các mô hình toàn cầu
thường không m
ô tả đúng vị trí, cấu trúc và cường độ của xoáy thuận nhiệt

đới do mạng lưới quan trắc tại các vùng biển nhiệt đới còn ít, chưa đủ theo
yêu cầu, vì vậy mà những sai số trong các trường ban đầu này sẽ ảnh hưởng
đến kết quả dự báo XTNĐ.
1.2. PHÂN LOẠI HỆ THỐNG DỰ BÁO TỔ HỢP
Hệ thống dự báo tổ hợp có thể phân chia thành 3 loại chính: hệ thống 1
chiều, 2 chiều và 3 chiều.
1.2.1. Hệ thống dự báo tổ hợp 1 chiều
Điều kiện độ bất định
(uncertainty) của trường ban đầu được coi là hệ
thống dự báo tổ hợp 1 chiều có chứa điều kiện nhiễu ban đầu. Ba đặc tính cơ
bản cần phải tuân theo khi tạo nhiễu: Tính sát thực, tính phân kỳ, tính trực
giao. Tính sát thực là độ lớn của nhiễu cần nằm trong cỡ của sai số phân tích
thực và đặc trưng cho phân bố phổ thực tế trên quy mô không gian. Độ bất
định của trường ban đầu là lớn ở trong các sóng quy m
ô nhỏ (khó quan trắc
được) và độ bất định của trường ban đầu là nhỏ trong các sóng quy mô lớn
(dễ quan trắc được). Tính phân kỳ là các nhiễu cần có cấu trúc phát triển động
lực trong các thành phần sao cho các thành phần này phân nhánh nhiều nhất
trong quá trình tích phân mô hình để chúng chứa tất cả các trường hợp có thể
xảy ra trong không gian của mô hình. Tính trực giao là các nhiễu thành phần
cần được trực giao để cực đại hóa dung lượng thông tin chứa trong tổ hợp,
điều này đặc biệt quan trọng trong dự báo tổ hợp các quá trình quy m
ô nhỏ.


7
Điều kiện hay trạng thái ban đầu cần được tạo nhiễu bao gồm trạng thái bên
trong, biên trên, biên dưới và biên xung quanh (nếu là khu vực giới hạn). Hiện
nay có 5 (hoặc nhiều hơn) phương pháp khác nhau tạo nhiễu các trường ban
đầu (trường thực và trường phân tích) đặc biệt là cho trạng thái bên trong của

trường ban đầu.
1. Nhiễu ngẫu nhiên (phương pháp Monte Carlo): nhiễu được sinh
ra ngẫu nhiên dựa trên phương pháp thống kê (thường lấy phâ
n bố
chuẩn). Do vậy, nhiễu ngẫu nhiên m
ô tả tốt độ lớn trung bình của độ
bất định trường ban đầu trong phân tích (tính sát thực), nhưng nó có
những hạn chế trong việc phát triển cấu trúc không gian động lực và
không phản ánh được “sai số ngày”. Kết quả là, nhiễu phát triển với
tốc độ chậm và do đó, tính phân kỳ giữa các thành phần trong
trường hợp này thường không lý tưởng. Phương pháp tạo nhiễu
ngẫu nhiên thường được dùng ở những nơi mà ở đó không có
phương pháp nào tốt hơn.
2. Phương pháp dự báo trễ thời gian (dự báo trễ): gồm có 2 loại dự
báo chính: “dự báo trễ trực t
iếp” và “dự báo trễ có chuẩn hóa”
(Hoffman và Kalnay, 1983) [40].
Phương pháp dự báo trễ trực t
iếp là phương pháp đưa nhiều dự báo
với đầu vào là các thời điểm khác nhau trong quá khứ nhưng cùng
hướng tới một thời điểm tổ hợp (một sự kết hợp của các dự báo cũ
và mới). Phương pháp này có thể chỉ ra lỗi của một dự báo cũ tại
thời điểm t=0
(thời điểm ban đầu) một cách trực tiếp như một nhiễu
của trường ban đầu, chúng có thể phản ánh “sai số ngày” và có cấu
trúc động lực phát triển của độ tán tổ hợp lớn hơn so với phương
pháp nhiễu ngẫu nhi
ên. Ưu điểm của của phương pháp này là nhiễu
sinh ra hoàn toàn tự do và không cần định hướng sinh nhiễu trường

8
ban đầu cho tổ hợp, có nghĩa là tất cả các trung tâm dự báo số trị có
thể dùng loại dự báo này để tổ hợp một cách tự động. Tuy nhiên, sự
quan tâm chính là chất lượng (độ lớn) của nhiễu phụ thuộc vào tuổi
của một dự báo bởi vì chất lượng của dự báo giảm theo thời gian.
Để tránh điểm yếu này, sai số dự báo trong quá khứ trước tiên được
chuẩn hóa nhờ vào “tuổi” của chúng (giả thiết sự phát triển của sai
số là gần như tuyến tính) tại thời điểm t
=0 để có được độ lớn như
nhau với tất cả các nhiễu và sau đó cộng thêm hoặc trừ đi với trường
phân tích kiểm tra (control analysis) nhằm mục đích tạo ra đa phân
tích làm trường ban đầu cho tổ hợp dự báo (Ebisusaki và Kalnay,
1983; Kalnay 2003) [44]. Phiên bản sau khi sửa chữa này được gọi
là phương pháp trễ có chuẩn hóa và có thể biểu diễn đơn giản bằng
phương trì
nh sau:
Nhiễu ban đầu= Chuẩn hóa x (dự báo trễ - phân tích hiện tại) (1.1)
Nhiễu này không những có khả năng kiểm soát kích cỡ nhiễu mà
còn tạo ra một cặp thành phần tổ hợp bằng cách cộng trừ nó với
trường phân tích kiểm tra. Phương pháp dự báo trễ có cù
ng ý tưởng
và có quy trình kỹ thuật tương tự với phương pháp nuôi nhiễu (sẽ
được trình bày ở phương pháp 3). Phương pháp trễ đã và đang được
sử dụng t
rong rất nhiều nghiên cứu tổ hợp và trong nghiệp vụ ví dụ
như tại hệ thống tác nghiệp dự báo tổ hợp theo mùa (Saha và các
cộng sự, 2006; Hou và các cộng sự, 2001; Lu và các cộng sự, 2006;
Brankovic và các cộng sự, 2006; Mittermaier, 2007)
[71][41][54][15][58]. Nhược điểm của phương pháp dự báo trễ đó là

nó không thể tạo được tổ hợp với các thành phần có kí
ch cỡ đủ lớn
bởi vì số lượng mẫu dự báo cũ có chất lượng tốt có thể sử dụng bị
giới hạn trong thực tế. Mặt khác, chất lượng của dự báo sẽ bị giảm


9
xuống đáng kể nếu mẫu dự báo quá cũ chứa đựng một tổ hợp kích
cỡ lớn. Bên cạnh đó, các dự báo trễ thường được sử dụng như là
“nhân ban đầu” để khởi động lạnh cho một tổ hợp ví dụ như phương
pháp nuôi nhiễu.
3. Phương pháp nuôi nhiễu:
Tên khác của phương pháp nuôi nhiễu còn được gọi là nuôi nhiễu
động phát triển nhanh (Breeding of Grow
ing Modes viết tắt BGM).
Một dạng khác của phương pháp dự báo trễ, phương pháp BGM sử
dụng hai dự báo đồng thời (tại một thời điểm quá khứ gần t=-T) như
là một dự báo trễ và số liệu phân tích để tính nhiễu mới tại thời điểm
t=0. Sự khác biệt của phương pháp BGM so với phương pháp dự
báo trễ là có sử dụng công thức chuẩn hóa và nhân ban đầu được
cộng hoặc trừ cho trường phân tích kiểm tra (Toth and Kalnay, 1993
and 1997) [76]
[77]. Để tạo nhân ban đầu ta có thể dùng phương
pháp dự báo trễ. Bằng cách này, chúng ta có thể tạo ra nhiều nhân
ban đầu và có được kích cỡ tổ hợp lớn tại thời điểm ban đầu để bắt
đầu phương pháp BGM. Do đó, phương pháp BGM có thể vượt qua
mọi giới hạn của phương pháp dự báo trễ, tất cả các dự báo quá khứ
giờ đều có thể sử dụng cùng lúc, các đại lượng chuẩn hóa không cần
dựa vào tuổi dự báo. Nhiễu bây giờ có thể được biểu diễn một cách
đơn giản theo phương trì

nh (1.2).
Nhiễu ban đầu = Chuẩn hóa x (dự báo 1 - dự báo 2)
(1.2)
So sánh phương trình (1.1) với p
hương trình (1.2), có thể nhận ra
rằng nhiễu trong phương pháp BGM không chỉ thuần túy là sai số
của một dự báo mà còn là sự khác nhau giữa hai dự báo quá khứ, nó
là sự mở rộng phi tuyến của véc tơ Lyapunov (Kalnay, 2003) [44]
.
Kinh nghiệm của trung tâm dự báo tổ hợp hạn ngắn (NCEP SREF)


10
chỉ ra rằng véc tơ nuôi trở nên có cấu trúc và quá trình phát triển của
độ tán trong tổ hợp đủ lớn khi mà quá trình nuôi nhiễu được thực
hiện trong khoảng từ hai đến ba ngày tính từ lúc khởi động lạnh với
nhân ban đầu là ngẫu nhiên. Toth và Kalnay chỉ ra rằng cấu trúc
không gian của một véc tơ nuôi trưởng thành không nhạy với quy
mô thời gian (T) và thường được chọn có quy tắc. Véc tơ nhiễu nuôi
này phản ảnh tốt lỗi phân tích (sai số ngày) được đưa vào trong chu
trì
nh đồng hóa số liệu (tính sát thực). Mặc dù có sự khác nhau giữa
các dự báo quá khứ nhưng về cơ bản phương pháp đã phản ánh
được sai số cấu trúc phát triển của chu trình trong quá khứ nhưng
không chỉ ra được sai số cho dự báo tương lai. Thực nghiệm cho
thấy rằng véc tơ nhiễu nuôi phát triển (tính phân kỳ) tốt trong thực
tế và cho kết quả tốt hơn cách sử dụng cả hai phương pháp Monte
Carlo và dự báo trễ (Toth và kalnay, 1993 và 1997). Bởi vì phương
pháp này đơn giản, nó không cần sự đơn giản hóa toán học hay giả
thiết và dễ dàng thực hiện, tốn ít tài nguyên máy tính và cho không

gian tổ hợp tốt, nó được sử dụng và kiểm tra ở các trung tâm dự báo
lớn như tại hệ thống tổ hợp của NCEP (Du và Tracton, 2001;

Tracton và Kalnay, 1993) [24][79] và CMA (trung tâm quản lý khí
tượng Trung Quốc). Tuy nhiên, các thành phần tổ hợp của véc tơ
nuôi này là không đủ trực giao và chúng có tương quan cao nên kết
quả là lượng thông ti
n tốt nhất chứa trong một tổ hợp bị giảm (Wang
và Bishop, 2003; Martin và các cộng sự, 2007) [85][55]. Một kết
quả khác là độ tán phát triển của tổ hợp (chủ yếu là độ lớn chứ
không phải cấu trúc) gần như quan hệ với độ khuếch đại ban đầu
của véc tơ nuôi. Để trực giao các véc tơ nuôi, kỹ thuật biến đổi tổ
hợp (ET) được sử dụng để làm cho các véc tơ nuôi trực giao với


11
nhau hơn bằng cách áp dụng ma trận chuyển vị phức để chuyển
nhiễu dự báo thành nhiễu phân tích (Wei và các cộng sự, 2007) [88].
Kinh nghiệm chỉ ra rằng kỹ thuật ET có thể tăng kết quả tổ hợp qua
phương pháp nuôi cơ bản. Do đó, ET đã được áp dụng tại hệ thống
tổ hợp toàn cầu của NCEP để làm cải thiện phương pháp BGM (Wei
và các cộng sự, 2007). Một phương pháp khác được đưa ra để phát

triển phương pháp nuôi cơ bản được gọi là phương pháp nuôi hình
học. Phương pháp này kiểm soát không gian tương quan của số
lượng thành phần véc tơ nuôi để làm chúng giảm tương quan với
nhau (Martin và các cộng sự, 2007) [55]. Phương pháp nuôi hình
học cho độ tán tốt hơn so với phương pháp nuôi cơ bản. Bởi vì véc
tơ nuôi chủ yếu mô tả bất ổn định tà áp (baroclinic instability) quy
mô synop nhưng không đúng với bất ổn định đối lưu quy mô nhỏ

hơn (Toth và Kalnay 1993). Tuy nhiên, chúng ta luôn m
ong muốn
có được bất ổn định quy mô nhỏ hơn trong nhiễu của một hệ thống
dự báo tổ hợp quy mô vừa cho mục đích dự báo, vì như thường nói,
các hệ thống đối lưu có liên hệ chặt chẽ tới các hiện tượng giáng
thủy. Chen và các cộng sự (2003) [19] cho rằng sự khác nhau của 2
dự báo từ cùng một mô hình nhưng với các phiên bản khác nhau về
sơ đồ đối lưu (thay cho một phiên bản như trong phương pháp nuôi

truyền thống) sẽ giúp mô tả bất ổn định đối lưu trong nhiễu và do đó
cải thiện kết quả dự báo trong việc dự báo mưa (giáng thủy) lớn.
Mặt khác, tùy vào đặc điểm có quy mô nhanh, nhỏ, chóng bão hòa
hay dao động có quy mô chậm, lớn, nghiêng trái trong quá trình
nuôi, nuôi véc tơ nhiễu là phương pháp tốt để sử dụng cho hệ thống
dự báo tổ hợp tương tác biển khí mà chủ yếu liên quan tới các kiểu
thời tiết biến đổi chậm (
Cai và các cộng sự, 2002; Yang và các cộng


12
sự, 2006) [17][92]. Gần đây, giáo sư Eugenia Kalnay (2007) nhận
xét rằng véc tơ nuôi có khả năng dự báo sự chuyển tiếp của thời tiết.
4. Phương pháp phân tích véc tơ kỳ dị (SV):
Phương pháp này trước tiên cần để phát
triển một phiên bản tuyến
tính của một mô hình phi tuyến (được gọi là mô hình tiếp tuyến
tuyến tính viết tắt là TLM) được xem như là phương pháp Adjoint
(Errico,1997) [35] của TLM. Sau một khoảng thời gian trong tương
lai tối ưu cần thiết ví dụ từ 0-48h, TLM được tích phân t
heo thời

gian, sau đó tích phân ngược bằng phương pháp Adjoint theo thời
gian để tìm ra không gian ban đầu nhạy với dự báo (tại thời điểm t =
48h). Chu trình “tiến và lùi” này cần được tích phân nhiều lần để thu
được các véc tơ dẫn đường kỳ dị. Sau đó, quá trình kết hợp tuyến
tính bao gồm chuẩn hóa và trực giao được luân phiên áp dụng vào
véc tơ để xây dựng số nhiễu yêu cầu. Cộng hoặc t
rừ các nhiễu vào
trường phân tích kiểm tra, một tổ hợp dự báo được hình thành.
Không giống véc tơ nuôi, cấu trúc của SV là nhạy với quy tắc sử
dụng và với lựa chọn chu trình thời gian (Errico và Vukiceric, 1992;
Palmer và các cộng sự, 1998) [36] [69]. Trung tâm dự báo hạn vừa
châu âu (ECMWF) chọn năng lượng tổng cộng là tiêu chuẩn và 0-
48h là chu trình thời gian để tính các véc tơ kỳ dị trong hệ thống tổ
hợp toàn cầu của họ (Buizza, 1994; Palmer và các cộng sự, 1998)
[16]
. Rõ ràng là các SV là một phương pháp nhìn về tương lai hơn
là nhìn về quá khứ như phương pháp nuôi nhiễu.
Độ lớn tối ưu trong toán học (mathemati
cally optimizes) của nhiễu
phát triển và trực giao hóa có độ tán tổ hợp lớn và chứa nhiều thông
tin vào trước thời điểm dự báo. Phương pháp SV được sử dụng rộng
rãi và đã được kiểm tra trong cả nghiên cứu và nghiệp vụ như tổ hợp


13
khu vực tại ECMWF và Trung tâm khí tượng Canada (Li và các
cộng sự, 2007) [51]. Một bất lợi của phương pháp này đó là tài
nguyên tính toán vì số bước tích phân “tiến lùi” thường đòi hỏi gấp
3 lần số SV mà bạn muốn tạo ra (ví dụ nó cần tích phân khoảng
3x50x2=300 lần cho dự báo 48h để thu được 50 SV cực đại hóa sau

48h). Do đó số SV cần phải được tính toán khi tăng độ phân giải mô
hình và tiết kiệm thời gian tính toán khi ứng dụng. Một bất lợi khác
của phương pháp này đó là hạn dự báo cần được xác định tại thời
điểm mà SV được chọn phát triển tối ưu. Do đó các tổ hợp dựa vào
SV có thể không đạt được tối ưu do quá trình thực hiện phải qua
khoảng thời gian dài. Giả thiết tuyến tính mà nhiễu l
à đủ nhỏ để cho
sự phát triển của nó có thể bị thống trị bởi phiên bản tuyến tính
(TLM và Adjoint)
của một mô hình phi tuyến và cũng liên quan tới
việc tính toán các SV cơ bản mặc dù nó có đặc tính phi tuyến ở một
số cấp độ bằng cách tính toán và tổ hợp các SV đa thành phần. Để
bỏ qua giả thiết tuyến tính, một vài kết quả đã đạt được như sửa quá
trình tích phân (Oortwin và Barkmejer, 1995, Barkmeijer, 1996)
[66][10], giới thiệu khái niệm véc tơ kỳ dị phi tuyến (Mu, 2000) và
điều kiện của phương pháp cực đại hóa nhiễu phi tuyến (CNOP)
(Mu và các cộng sự, 2003; Mu và Zhang, 2006) [59][60]
. Với mô
hình đơn giản, phương pháp CNOP đã cho thấy sự cải thiện về chất
lượng của dự báo các đặc tính phi tuyến trong nhiễu so với phương
pháp SV mặc dù vẫn cần được tiếp tục nghiên cứu với những mô
hình NMP đầy đủ. Thêm quá trình vật lý ẩm vào TLM và Adjoint
(Ehrendorfer và các cộng sự, 1999) [34] là một bước khác để tiến
gần tới thực tiễn và cho kết quả tốt hơn. Bởi vì SV là một kỳ vọng
toán học và tập trung vào sự phát triển cấu trúc nhiễu trong tương lai


14
mà không liên quan trực tiếp tới quá khứ, nên một câu hỏi đặt ra là
nhiễu SV có thực sự phản ảnh sai số ngày mà luôn thấy được trong

quá trình đồng hóa số liệu vừa qua? Những nghiên cứu sau đang
nhắm tới những quan tâm kiểu đó và đã cải tiến kết quả (Barkmeijer
và các cộng sự, 1998; Fischer và các cộng sự, 1998) [14][37]: ví dụ
phương pháp mở rộng SV bằng cách thêm véc tơ kỳ dị cuối hoặc
mở rộng từ chu trình ngay trước đó, khoảng 48h trước thời điểm bắt
đầu chạy m
ô hình (thời gian phân tích) của chu trình nhiễu SV tiếp
theo; Dùng sự đồng biến phương sai để thay thế năng lượng toàn
phần như là một quy tắc tính các SV; và ứng dụng Kalman filter…
Kết quả nhiễu SV này gần với véc tơ Lyapunov hoặc véc tơ nuôi
cho cả phương pháp mở rộng SV và phương pháp sử dụng đồng
biến phương sai (Kalnay, 2003; Reynolds và Errico, 1990) [44][70].
5. Kết hợp với đồng hóa số liệu:
Phiên
bản đơn giản nhất của phương pháp này là dùng trực tiếp
nhiều phân tích có thể để làm trường ban đầu cho một dự báo tổ hợp
(Tracton và các cộng sự, 1998; Grimit và Mass, 2002) [78][38]. Tuy
nhiên, số lượng các phân tích có thể tương đối là giới hạn, nó sẽ giới
hạn kích cỡ của tổ hợp. Bằng nhiễu quan trắc, (Houtekamer và các
cộng sự 1996) và Mitchell (1998) [42] muốn tạo ra nhiều số liệu
phân tí
ch cơ bản để bắt đầu hệ thống tổ hợp toàn cầu của họ.
Phương pháp này mở ra một hướng nghiên cứu tạo nhiễu cơ bản của
trường ban đầu cho tổ hợp do đó được gọi là phương pháp biến đổi
tổ hợp lọc Kalman (ETKF) (Anderson,1996) [10]. Phương pháp
ETKF được nghiên cứu chi tiết hơn bởi Wang và Bishop (2003)
[84], Wang và các cộng sự (2004) [85], Wei và các cộng sự (2006)
[89]
cho tổ hợp phát triển. Trong nghiên cứu của họ, ETKF chuyển

15
nhiễu dự báo vào trong nhiễu phân tích bằng cách nhân một ma trận
ánh xạ. Sử dụng thông tin quan trắc, độ lớn của nhiễu phân tích
được điều chỉnh trước khi nhiễu được cộng vào trường phân tích
kiểm tra để làm trường ban đầu của dự báo tổ hợp. Ma trận ánh xạ
đã dùng cũng có thể đảm bảo tất cả nhiễu trực giao với nhau, một tài
nguyên cần thiết cho dự báo tổ hợp. Mặc dù
ETKF không được sử
dụng trong quá trình đồng hóa số liệu để trực tiếp tạo ra nhiều
trường phân tích trong nghiên cứu của họ, nhưng bản thân ETKF có
thể là một kỹ thuật đồng hóa dữ liệu tổ hợp cơ bản (Tippett và các
đồng nghiệp, 2003; Anderson, 2001; Whitaker và Hamil, 2002; Ott
và các cộng sự, 2004; Szunyogh và các cộng sự, 2004; Hamil, 2006;
Zhang và các cộng sự, 2004; Wang và các cộng sự, 2007)
[75][11][90][68][73][95]. Do đó, người ta tin tưởng rằng phương
pháp ETKF có một tiềm năng lớn để trực tiếp liên kết dự báo tổ hợp
với đồng hóa số liệu (DA) vào trong một quy trì
nh thống nhất trong
hệ thống dự báo thời tiết; Sự thay đổi tổ hợp dự báo cung cấp thông
tin đồng biến phương sai nền cho DA, trong khi DA cung cấp các
trường dự báo để làm trường ban đầu cho dự báo tổ hợp. Trong một
hệ thống tương tác như thế, không những hệ thống dự báo tổ hợp có
thể tăng được tính sát thực của nhiễu trường ban đầu mà còn phản
ánh đúng sai số ngày trong t
rường phân tích, mà chất lượng của
trường phân tích cũng được cải thiện bằng cách sử dụng thông tin ít
phụ thuộc vào trường nền (Hamill, 2006; Zhang,2005) [39][93]. Do
đó, người ta tin rằng phương pháp ETKF có một tiềm năng lớn.
Phương pháp này có đã được sử dụng trong nghiệp vụ tại Cơ quan

Dự báo Vương quốc Anh (Mylne, liên hệ trực tiếp) và lực lượng
Thủy – không quân Mỹ (McLay và các cộng sự, 2007) [56]
.


16
1.2.2. Hệ thống dự báo tổ hợp 2 chiều
Bên
cạnh độ bất định của trường ban đầu, độ bất định trong cơ cấu vật
lý và động lực mô hình cũng được quan tâm. Hệ thống dự báo tổ hợp 2 chiều
đề cập đến nghiên cứu này. Hiện nay, có rất nhiều giải pháp đã sử dụng theo
hướng này như hệ thống đa mô hình, đa cơ chế vật lý, đa động lực, đa tổ hợp
với độ bất định của t
rường ban đầu và đa tổ hợp với điều kiện biên. Dựa vào
những kết quả nghiên cứu như của Mullen và các cộng sự (1999) hay của
Tracton và các cộng sự (1998), NCEP đã tiên phong thực hiện nghiệp vụ một
hệ thống dự báo tổ hợp hạn ngắn dựa trên phương pháp “hệ thống đa tổ hợp”
bao gồm 2
hệ thống tổ hợp thành phần ở đó mỗi hệ thống lại dựa trên những
mô hình khu vực khác nhau từ ngay khi bắt đầu phát triển chúng (Du and
Tracton, 2001) [25]. Hiện nay NCEP SREF gồm có 4 tổ hợp thành phần với 4
mô hình khu vực (Du và các cộng sự , 2006). Rõ ràng phương pháp hệ thống
đa tổ hợp là một sự kết hợp quan trọng của nhiều mô hình, nhiều cơ chế động
lực, nhiều cơ chế vật lý, nhiều trường ban đầu và nhiều điều kiện biên ban
đầu. Hệ thống tổ hợp đa m
ô hình được coi là một phương pháp đặc biệt, nó đã
và đang được chứng minh là rất hiệu quả và làm việc rất tốt (trong cả 2 vấn đề
giảm sai số của tổ hợp dự báo trung bình cũng như tăng không gian tổ hợp)
trong nghiệp vụ (Du và các cộng sự 2003; Mylne và các cộng sư; 2002) [26]

[65]. Phiên bản đơn giản nhất của tổ hợp đa mô hình được gọi là tổ hợp Poor-
Man (Người nghèo) nơi nhiều dự báo riêng biệt của nhiều mô hình được kéo
lại gần nhau để tạo ra một tổ hợp nếu một mô hình không đủ khả năng để tự
chạy tổ hợp của chính nó (Wobus và Kalnay, 1995; Ebert, 2001) [91][32].
Phương pháp đa mô hình ngày nay đã được chấp nhận và sử dụng rộng rãi.
Một phát triển gần đây của p
hương pháp đa mô hình đó là sự kết hợp của
nhiều hệ thống đa tổ hợp từ nhiều trung tâm như TIGGE (tổ hợp các ảnh
hưởng nghiêm trọng toàn cầu THORPEX), NAEFS (hệ thống tổ hợp dự báo


17
Bắc Mỹ), các trung tâm ứng dụng quốc tế khác, và được gọi là tổ hợp Rich-
Man (người giàu). Rõ ràng một bất lợi của phương pháp đa mô hình là giá
thành để phát triển và duy trì nhiều mô hình nếu chúng được chạy bởi một
đơn vị nghiên cứu. Thêm vào đó, phương pháp đa mô hình cũng có thể sử
dụng phương pháp “siêu tổ hợp” của trường đại học bang Florida
(Krishnamurti, 1999) [50] nó sẽ mang lại tính tất định hơn. Phương pháp này
đã tăng đáng kể độ chính xác của dự báo khi hiệu chỉnh sai số hệ thống. Tuy
nhiên, phương phá
p này chỉ cung cấp giải pháp tất định (deterministic) thích
hợp nhất mà không đưa thêm giá trị dự báo hoặc thông tin bất ổn định nào.
Trong một m
ô hình, một tổ hợp có thể được tạo thành bằng cách thay
đổi sơ đồ vật lý của các thành phần. Phương pháp đa cơ chế vật lý có hiệu quả
trong dự báo hệ thống đối lưu yếu với tác động quy m
ô lớn (Stensrud và các
cộng sự, 2000; Jankov và các cộng sự, 2005) [72][43]. Sử dụng nhiều sơ đồ
đối lưu, Du và các cộng sự (2004) [27] đã so sánh những yếu tố liên quan của
nhiều cơ chế vật lý và nhiễu trường ban đầu đóng góp vào độ tán của tổ hợp

trong dự báo hạn ngắn (1-3 ngày). Kết quả của họ chỉ ra rằng độ bất định của
trường ban đầu là thành phần đóng góp nổi trội cho độ tán của tổ hợp các
trường nền quy m
ô lớn như gió, áp suất, độ cao (địa thế vị) và nhiệt độ, trong
khi các cơ chế vật lý khác nhau sẽ cung cấp thêm những thông tin về độ tán
để phân biệt những khu vực giông bão quy mô nhỏ. Tuy nhiên, đối với giáng
thủy và bất ổn định đối lưu như CAPE, các trường ban đầu và cơ chế vật lý
khác nhau đều được đánh giá quan trọng như nhau. Với trường hợp tổ hợp dự
báo quỹ đạo bão có độ phân giải cao
(4 km) cũng có cùng nhận định (Kong và
các cộng sự, 2007) [49]. Do đó, ta thấy cả trường ban đầu và cơ chế vật lý
khác nhau đều cần được lưu tâm tới cùng một lúc khi dự báo tổ hợp quy mô
meso để làm tăng sự đa dạng của dự báo. Với NCEP SREF, người ta thấy
rằng sự ảnh hưởng giữa nhiễu trường ban đầu và nhiễu vật lý quả thực làm



18
tăng đáng kể không gian tổ hợp trong mùa nóng. Ngược lại, khi kết hợp nhiễu
trường nền và nhiễu vật lý với nhau mặc dù ảnh hưởng từ các cơ chế vật lý
khác nhau nhưng có vẻ như giảm không gian tổ hợp trong mùa lạnh. Đa cơ
chế vật lý được hi vọng có thể là cách hiệu quả để xây dựng hệ thống tổ hợp
cho đối lưu ở khu vực chí tuyến. Một vấn đề cần đư
ợc lưu ý của phương pháp
đa cơ chế vật lý là thay thế sơ đồ vật lý khác nhau làm tốc độ phát triển của độ
tán tổ hợp ban đầu sớm bị dập tắt theo thời gian và không thể tồn tại được đến
hết thời hạn dự báo.
Một vấn đề cần được nghiên cứu đó là vai trò cơ chế đa động lực liên

quan tới đa cơ chế vật lý trong xác định độ tán tổ hợp quan trọng thế nào. Một

số người kì vọng rằng vật lý có thể quan trọng hơn động lực trong sự đa dạng
của dự báo. Thực tế tại các trung tâm dự báo số trị đang nghiên cứu là: nên để
một mô hình là nhân hay nhiều mô hình là nhân để duy trì trong hệ thống tổ
hợp. Luôn dễ dàng hơn và rẻ hơn khi chỉ duy trì một cơ chế động lực của mô

hình làm nhân nhưng biến đổi cơ chế vật lý để tổ hợp.
1.2.3. Hệ thống dự báo tổ hợp 3 chiều
Chiều quá khứ (past
-time dimension) đóng vai trò quan trọng trong hệ
thống dự báo tổ hợp 3 chiều. Nếu chúng ta hiểu và sử dụng được chiều quá
khứ chính xác thì nó sẽ giúp chúng ta nhìn nhận vấn đề trong tương lai đúng
đắn hơn. Chiều quá khứ được coi là một chiều bên cạnh biến đổi trường ba
n
đầu và mô hình, đó là một mặt quan trọng của dự báo thời tiết (Cao, 2002)
[18]. Tổ hợp trực tiếp dự báo trễ là một phương pháp tiêu biểu đưa chiều quá
khứ vào tổ hợp. Cấp độ của tính đồng nhất từ lần chạy này đến lần chạy khác
trong quá khứ là sự đánh giá của độ bất định trong dự báo: tính đồng nhất cao
hay thấp sẽ cho biết khả năng dự báo cao hay thấp trong một hiện tượng. Lợi
ích chính của việc sử dụng chiều quá khứ là chất lượng dự báo tăng cùng với


19
tuổi của dự báo. Dự báo cũ cho kết quả xấu hơn so với dự báo mới hơn. Tuy
nhiên cũng như chất lượng mô hình và trường ban đầu được cải thiện, có thể
nó sẽ hoàn toàn không còn đúng nữa nếu thời gian quá khứ là quá cũ. Ví dụ, ít
khi chúng ta thấy trường hợp dự báo 48h lại chính xác hơn dự báo 24h. Tần
số chạy các mô hình tại các trung tâm dự báo số trị tăng lên do vậy thông tin
chứa trong chu trình dự báo ở quá khứ cũng tăng và các thông t
in này cần
được sử dụng hiệu quả và kinh tế hơn. Một lợi ích của chiều này đó là nó

không bị mất đi trong quá trình tích phân mô hình. Tuy nhiên chưa có nhiều
nghiên cứu về phương pháp tổ hợp 3 chiều nhằm giúp người nghiên cứu nhận
ra được tầm quan trọng của chiều không gian trong dự báo tổ hợp.
Thực tế, tại các trung tâm
dự báo, hệ thống tổ hợp đa quy m
ô là cần
thiết để phục vụ cho nhiều mục đích của dự báo. Những hệ thống này nên làm
việc tương tác và gắn kết với nhau bằng nhiều cách thích hợp. Mỗi mô hình
có tính đơn trị của nó trong quá trình xây dựng và đánh dấu những vấn đề đơn
trị của chính nó. Ví dụ: một mô hình dự báo tổ hợp về khí hậu thường tập
trung vào hướng biến đổi khí hậu, ảnh hưởng của khí nhà kính tới sự nóng lên
của trái đất hoặc những vấn đề biến đổi của tự nhiên; một hệ thống dự báo tổ
hợp m
ùa thì quan tâm đến quy mô tháng, năm của xu thế thời tiết; một hệ
thống dự báo tổ hợp toàn cầu thì quan tâm đến dòng nền quy mô lớn hạn vừa
3-14 ngày và nguồn cung cấp nhiệt; một hệ thống dự báo tổ hợp khu vực lại
quan tâm
đến những hiện tượng thời tiết hạn ngắn 1-3 ngày với sự tập trung
vào những yếu tố thời tiết bề mặt. Những hệ thống dự báo tổ hợp quy mô
khác nhau dĩ nhiên cần những cách tạo nhân ban đầu và mô hình khác nhau.
Ví dụ cả trường phân tích và xoáy (cấu trúc và cấp độ) cần được gây nhiễu để
dự báo bão (Zhang và Krishnamurti, 1999; Cheung và Chang, 1999a và
1999b) [95][19][20].


20
Theo nghiên cứu của (Du và các cộng sự, 1997; Talagrand) [30][74]
khoảng 7-10 thành phần là đủ để thu được phần lớn các thông tin có ích từ
một mô hình. Tuy nhiên tùy vào từng trường hợp cụ thể để xác định số thành
phần tham gia tổ hợp, ví dụ cần ít các thành phần khi dự báo tổ hợp ở mực

500 hpa và nhiều hơn khi dự báo tổ hợp liên quan tới đối lưu có giáng thủy; ít
các thành phần đối với mô hình có độ phân giải thấp và nhiều với hệ thống
m
ô hình có độ phân giải cao. Tuy nhiên câu trả lời từ thực tế rất khác với
những luận điểm lý thuyết: độ tán tổ hợp kích cỡ giới hạn được sử dụng đủ tốt
cho dự báo nhưng độ tán tổ hợp có kích cỡ lớn hoặc vô hạn lại cần thiết trong
lý thuyết. Do đó nó luôn cần có sự cân bằng giữa sự hiệu quả và sự lý tưởng
(Mullen và Buizza, 2002).
1.3 CÁC PHƯƠNG PHÁP TỔ HỢP KẾT QUẢ DỰ BÁO
Sau khi có được kết quả dự báo của các thành phần tham
gia tổ hợp, sử
dụng các đặc trưng thống kê để đưa ra kết quả dự báo tổ hợp.
Công thức tổng quát:




Trong đó: F
th
: kết quả dự báo tổ hợp
F
i
: kết quả dự báo thành phần
W
i
: trọng số tương ứng với từng dự báo thành phần
N :
số thành phần tham gia tổ hợp
1.3.1.Trung bình đơn giản
Công thức tính trọng số:

w=w
i
= 1/ N (1.4)
Mọi thành phần dự báo được coi là quan trọng như nhau. Không cần
phải có số liệu lịch sử, không cần quan tâm
đến tính chất hay đặc điểm của
i
N
ith
FwF



(
1.3
)



21
các nguồn số liệu. Chất lượng của dự báo tổ hợp sẽ giảm sút đáng kể trong
trường hợp có một vài dự báo thành phần không tốt, tách hẳn so với chùm các
dự báo thành phần khác. Để có kết quả tổ hợp tốt ta phải lựa chọn các dự báo
trước khi đưa vào tổ hợp. Điều này đòi hỏi các dự báo viên phải giàu kinh
nghiệm, nắm chắc các kiến thức Synop ảnh hưởng đến đường đi của bão và
đặc điểm dự báo của từng nguồn số liệu. Tuy nhiê
n việc lựa chọn không phải
lúc nào cũng cải thiện được chất lượng dự báo tổ hợp, mà có thể lại lược bỏ
những nguồn thông tin tốt.
1.3.2. Tính trọng số theo sai số

Công thức tính trọng số:



N
i
i
i
i
e
e
W
1
/1
/1
(1.5)
Trong đó: e
: sai số của nguồn dự báo thành phần
i
Phải bảo đảm rằng tỷ trọng của từng dự báo thành phần tỷ lệ nghịch với
sai số tương ứng và tổng tỷ trọng bằng 1.
1.3.3. Tính trọng số bằng hồi quy tuyến tính
Công thức tính trọng số:
(1.6)
CFwF
i
N
i
ith



1
Trong đó : C: số hạng tự do
W
: các hệ số hồi quy (trọng số của từng dự báo thành phần)
i
Đối với phương pháp này ta
phải sử dụng bộ số liệu lịch sử của một
hoặc một vài mùa bão trước để xây dựng phương trình hồi quy. Sai số tổ hợp
sẽ biến đổi tương đối mạnh nếu ta sử dụng các số liệu nền khác nhau. Bộ số
liệu để tính hồi quy càng lớn thì kết quả tổ hợp hồi quy t
uyến tính sẽ càng tốt.
Các dự báo thành phần phải có độ dài bộ số liệu lịch sử tương đương nhau.


22

Trường hợp siêu tổ hợp:
Phương trì
nh (1.6) sẽ có dạng:
))(()(
1
ii
N
i
i
FtFaOtS 


(1.7)

Trong đó:
: giá trị trung bình đã quan trắc ở giai đoạn chuẩn bị O
N: số các m
ô hình thành phần
a
: trọng số hồi quy của mô hình i
i
F
(t): giá trị dự báo của mô hình i
i

i
F
: giá trị trung bình của các dự báo của mô hình i trong giai
đoạn chuẩn bị.
1.4. CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT QUẢ TỔ HỢP.
1.4.1. Bản đồ trung bình và độ phân tán
Kết quả tổ hợp được trình bà
y bằng cách vẽ trường dự báo trung bình
của cả tập hợp và độ phân tán của tập hợp dự báo này. Hình 1.10 minh hoạ
kết quả dự báo trường khí áp mặt đất sử dụng phương pháp tổ hợp. Các
đường đẳng áp là trung bì
nh của tập hợp các dự báo và vùng được bôi màu
thể hiện độ phân tán của tập hợp này. Độ phân tán càng nhỏ có nghĩa là độ
đáng tin cậy của hình thế dự báo càng cao. Ngược lại nơi có độ phân tán lớn
(vùng được bôi màu đậm) thì tương ứng với vùng kết quả của tập hợp các dự
báo khác nhau nhiều và độ đáng tin cậy nhỏ.


23

Hình 1.10. Bản đồ trung bình và độ phân tán của dự báo tổ hợp
1.4.2. Spagheti maps - Bản đồ ghép chồng
Vẽ các đường đẳng áp của một giá trị nà
o đó của các dự báo khác nhau, ta
thấy là trên bản đồ sẽ có nhiều đường đan xen nhau. Nơi mà các đường này
nằm rất gần nhau thì độ tin cậy của hình thế thời tiết dự báo được càng lớn.
Ngược lại, khi các đường này nằm tách xa nhau thì hình thế thời tiết dự báo
được có độ tin cậy càng kém
(Hình 1.11).


24








Hình 1.11: Bản đồ ghép chồng (
Spaghetti maps)
1.4.3. Dự báo đường đi của bão