Chương 6 - NHỮNG KẾT QUẢ DỰ BÁO THỐNG KÊ CÁC QUÁ TRÌNH HẢI DƯƠNG HỌCNhiều pps

93
chung [162], sơ đồ này đã chính xác hoá đáng kể bức tranh không gian
của biển Bellinshauzen. Trước hết, ta thấy đới front cực dịch chuyển
nhiều về phía nam, biên giới xâm nhập các loại nước cận Nam Cực ở
vùng biển Bellinshauzen lên tới 62
−64°S. Sự dịch chuyển tương tự của
biên giới các đới khí hậu làm tăng độ tương phản kinh hướng của các
đặc trưng vật lý thủy văn ở phần phía đông của cung Nam Cực Thái
Bình Dương.
Một đặc điểm quan trọng
khác trong những kết quả nhận được là đã
chính xác hoá độ sâu biên giới trên của khối nước đáy. Ở trung phần biển
Bellinshauzen, biên giới trên của khối nước đáy Nam Cực bằng
3100
−3300 m, trong khi đó ở phần phía bắc và phía đông biển −
2700
−2900 m. Đó là một sự phân hoá rất lý thú về phương diện nghiên
cứu tiếp vấn đề hình thành các khối nước đáy ở vùng đại dương Nam
Cực.
Như vậy
, phép chẩn đoán thống kê đã cho phép giải quyết những
nhiệm vụ chính đã đặt ra. Việc lý giải kết quả xử lý thông tin đã đạt tới
độ tỉ mỉ và độ tin cậy cần thiết.
Tuy nhiên, phải nhận x
ét rằng những kết luận rút ra chưa thể phổ
biến cho vùng thềm lục địa của biển. Vùng này còn rất ít số liệu quan
trắc. Đa phần các mảng quan trắc đối với vùng này chỉ chứa số liệu về
nhiệt độ và độ muối. Sự phức tạp của việc ứng dụng phân tích ST , kinh
điển và thiếu vắng tài liệu quan trắc thủy

hoá bổ sung hiện chưa cho phép
gộp vùng ven bờ vào mô hình thống kê chung về cấu trúc nước trong biển
Bellinshauzen.
Sự hàm
súc và tính tin cậy vật lý của những kết quả chẩn đoán thống
kê đảm bảo hiệu quả không chỉ của mô hình đã nhận được, mà còn cho
thấy triển vọng vận dụng quan điểm tiếp cận này để nghiên cứu cấu trúc
nước ở những vùng khác của đại dương vùng Nam Cực.



Chương 6 - NHỮNG KẾT QUẢ DỰ BÁO THỐNG
KÊ CÁC QUÁ TRÌNH HẢI DƯƠNG HỌC
Nhiều thí nghiệm về phương pháp luận dự báo những tham số tổng
quát của các quá trình hải dương cho phép tiến tới lập căn cứ phương
pháp luận chẩn đoán và dự báo như là một bài toán thống nhất. Những thí
dụ dẫn dưới đây hiện thực hoá một ý tưởng đơn giản
− sử dụng các mô
hình thống kê một chiều để dự báo các tham số tổng quát của quá trình. Ý
tưởng này là cơ sở dự báo nhiệt độ nước lớp mặt Bắc Đại Tây Dương,
lượng băng biển Baren và sinh khối động vật phù du biển Baren.
Trên thực tế,
trong khi tiến hành chẩn đoán đúng đắn về quá trình và
phân tách ra những tham số tổng quát ổn định trong thời gian thì điều
quan trọng là chọn ra từ lớp các mô hình thống kê tuyến tính một mô hình
tối ưu cho phép với sai số nhỏ nhất ngoại suy các tham số cơ bản cho
khoảng dưới hai bước thời gian sắp tới. Thời khoảng đó là đủ về quan
điểm phương pháp luận (các dự báo những quá trìn
h khí tượng thủy văn
có tính khả báo không cao [146, 151]) cũng như về quan điểm thực tiễn:

sự tăng thời gian báo trước diễn ra không phải do những tính chất của mô
hình, mà liên quan tới độ ổn định của các hàm cơ sở hay các hàm trực
giao tự nhiên. Thí dụ, các thành phần chính đặc trưng cho giá trị trung
bình năm của quá trình, các hàm cơ sở
− đặc điểm biến động mùa. Khi đó
dự báo cuối cùng sẽ bằng những giá trị khôi phục của tích số giữa thành
phần chính với hàm cơ sở tương ứng.
Mặc dù sự đơn giản tương đối của ý tưởng liên kết các kết quả chẩn
đoán với các
mô hình thống kê, việc hiện thực hoá nó ở mức độ nhất định
bị khó khăn bởi sự phức tạp của công cụ toán học, sự thiếu đầy đủ về
thông tin hải dương học xuất phát và thiếu vắng những hệ thống xử lý tự


94
động.
6.1. DỰ BÁO CÁC TRƯỜNG NHIỆT Ở BẮC ĐẠI TÂY DƯƠNG
Những nguyên nhân quan trọng làm cho nhiệt độ mặt đại dương
(hay dị thường nhiệt độ mặt đại dương) trở thành trọng tâm chú ý của các
nhà nghiên cứu và các nhà dự báo thực dụng là tính ý nghĩa của nó như
một đặc trưng năng lượng quy định sự tiến triển của các quá trình hải
dương và sinh học, tính dễ quan trắc, độ chính xác đo đạc tương đối cao,
và do đó, khả năng vận dụng phân tích t
hống kê, trong đó có thống kê đa
chiều, vào quỹ dữ liệu tích luỹ được trong thời gian dài.
Trong mục
này sẽ trình bày những kết quả dự báo nhiệt độ mặt đại
dương tại một số vùng của Bắc Đại Tây Dương theo tuần tự sau:
a) Phân tích cấu trúc thống
kê các số liệu xuất phát;

b) Dự báo các chuỗi thời
gian và kiểm tra;
c) Phân tích cấu trúc qu
y mô lớn của nhiệt độ mặt đại dương Bắc
Đại Tây Dương, phân tách ra những vùng đồng nhất bằng các phương
pháp phân tích thống kê đa chiều;
d) Dự báo các thành phần chính
và các nhân tố chung có mức ý
nghĩa cao, khôi phục những giá trị dự báo của nhiệt độ mặt đại dương
theo không gian và kiểm tra chúng.
Ở đây
chúng tôi đặc biệt chú ý tới vấn đề phân tích cấu trúc dữ liệu
xuất phát, vì nó quyết định tính khả báo tiềm năng của nhiệt độ mặt đại
dương, cũng như khía cạnh phương pháp luận
− kiểm tra những phương
pháp thống kê xác suất dự báo nhiệt độ mặt đại dương, nó cho phép phát
hiện những nguồn sai số dự báo quan trọng
− sai số do phân tích dữ liệu
và sai số trong hình thành mô hình.
Như đã biết, ta có thể có được khái niệm đầy đủ về một quá trình
ngẫu nhiên nếu biết hàm
phân bố xác suất của nó, hàm này được cho
bằng hai mô men thống kê đầu tiên
− các ước lượng kỳ vọng toán học và
phương sai. Trong đại đa số những trường hợp thực tiễn, khi quá trình
không có xu thế và được biểu diễn dưới dạng những dị thường (độ lệch
so với giá trị trung bình), có thể cho rằng ước lượng kỳ vọng toán học
bằng không. Khi đó ước lượng phương sai quá trình là đặc trưng đủ để
mô tả hàm phân bố xác suất.
Trên hình 5.1 thể hiện những tham

số thống kê cơ bản của các chuỗi
dị thường nhiệt độ mặt đại dương. Cấu trúc không gian
− thời gian bất
đồng nhất của phương sai và mật độ phổ cho thấy rằng có những quá trình
quy mô khác nhau hình thành chế độ nhiệt đại dương. Nhìn chung trong
đại dương có những vùng có biến động gần như nhau và dạng hàm mật độ
xác suất gần giống "nhiễu đỏ". Cũng có những vùng có biến thiên tối đa
các đặc trưng, hoặc có những đỉnh phổ thứ cấp rõ nét.
Kết quả phân
tích các chuỗi (xem hình 5.1) cho thấy đại đa số những
tập dữ liệu mẫu về dị thường nhiệt độ mặt tuân theo luật phân bố chuẩn
trong các vùng biển Na
Uy. Bất đối xứng đạt 0,3°C về giá trị tuyệt đối.
Theo chúng tôi, trị số này đặc trưng cho sai số quan trắc và cho phép để
sử dụng trong các sơ đồ dự báo, vì nó không vượt quá giới hạn sai số dự
báo theo các chỉ tiêu 0,674
σ
và 0,8
σ
. Do đó, để phân tích và dự báo có
thể ứng dụng những quan hệ tương quan cơ bản của phép phân tích tham
số, chẳng hạn như các hệ số tương quan của Pierson.
Về tính ổn định của các
mô men thống kê đầu tiên trong phạm vi sai
số cho phép, có thể xét theo xu thế tuyến tính với giá trị không vượt quá
0,2
°C (hình 6.1). Việc kiểm tra tính phù hợp của mô hình với số liệu xuất
phát được thực hiện bằng các mô men thống kê đầu tiên, như phương sai
và hệ số tương quan, với điều kiện ước lượng kỳ vọng toán học bằng
không [259]. Mặc dù là những đặc trưng quan trọng của phép so sánh

thống kê giữa các chuỗi dự báo và thực đo, những ước lượng này không
bao quát hết tất cả những vấn đề trong khi kiểm tra tính phù hợp của m
ô
hình với dữ liệu. Có lẽ, một trong những phương pháp quan trọng là
phương pháp kiểm tra theo những chỉ tiêu nào không tham gia vào mô
hình với tư cách là tham số. Vì vậy khối kiểm tra (xem hình 0.5) được bổ


95
sung thêm những thủ tục hàm phân bố sai số một và hai chiều [44].
Một bằng chứng quan trọng ủng
hộ việc ứng dụng thủ tục tương tự
là thực tế rằng các tổ chức đồ thực nghiệm cho phép khảo sát cấu trúc bên
trong của các chuỗi sai số dự báo về phương diện tính ổn định căn cứ vào
tính biến động thấy được của số liệu xuất phát. Điều này quan trọng về
nguyên tắc khi dự đo
án những đặc điểm cấu trúc đặc trưng của những dữ
liệu thuộc loại những quan trắc biến thiên đột ngột, có những cực trị,
những građien lớn
Thí dụ dẫn tr
ên hình 6.2 là thí dụ rất tiêu biểu về phương diện này.
Hàm phân bố dị thường nhiệt độ nước mặt đại dương theo kinh tuyến
Kolsky biểu diễn trên hình này là hàm hai mốt. Như đã thấy, nó không
được khôi phục hoàn toàn bằng những phương pháp riêng lẻ, thí dụ
phương pháp ngoại suy Fourier [44]. Nó được khôi phục đạt nhất bằng
mô hình xác suất động lực (xem mục 4.1), song cả ở đây vẫn tồn tại
những khác biệt, đặc biệt ở miền âm
. Dự báo kết quả nhận được bằng
phương pháp kết hợp thống kê 10 phương pháp đã đảm bảo khôi phục tối
ưu hàm xác suất thực nghiệm này (xem mục 4.3).

Việc kiểm
tra các phương pháp dự báo khác nhau giúp tiến hành
chẩn đoán quá trình dự báo một cách triệt để hơn. Nếu phân tích hình 6.2,
có thể rút ra kết luận sơ bộ về bản chất của hai mốt trong hàm phân bố
xác suất dị thường nhiệt độ mặt đại dương. Mốt với cực đại ở miền
dương (khoảng 0
−0,4°C) chỉ ra sự tồn tại của dao động tựa dừng trong dị
thường nhiệt độ mặt đại dương, dao động này chỉ được mô phỏng bởi
phương pháp cộng Fourier tám hài. Dao động này làm chệch ước lượng
"chuẩn" khoảng 0,2
°C.
Đỉnh thứ hai
của hàm phân bố xác suất dị thường nhiệt độ mặt đại
dương gây nên bởi sự hiện diện của mốt thứ hai trong miền các giá trị âm
với cực đại nằm trong khoảng
−1,2 −0,8°C, về bản chất là một hợp
phần ngẫu nhiên (xác suất), nó chỉ có thể được mô phỏng bởi mô hình
xác suất.






Hình 6.1. Biến tr
ình thời
gian các dị thường trung
bình tháng nhiệt độ nước
mặt ở biển Na
Uy vùng tầu

thờì tiết
M

Đường gạch nối chỉ xu thế
tuyến tính





Hình 6.2. Những tổ chức đồ
thực nghiệm của các chuỗi dị
thường nhiệt độ trung bình
tháng lớp nước 0
−200 m dọc
kinh tuyến Kolsky
1 − thực, 2 − dự báo bằng phương
pháp Fourier, 3 − bằng phương
pháp thống kê động lực, 4 − bằng
phương pháp xác suất động lực, 5 −
bằng phương pháp hồi quy kết hợp




96

a − Phương pháp tự hồi quy bậc 2
b − Phương pháp Bayes
c − Phương pháp thống kê động lực
d − Phương pháp xác suất động lực
e − Phương pháp Fourier
f − Phương pháp hồi quy kết hợp
Hình 6.3. Những tổ chức đồ hai chiều sai số dự báo
i
e
các dị thường
nhiệt độ mặt đại dương tr
ung bình tháng khu vực tầu thời tiết
M

bằng những phương pháp k
hác nhau
Như vậy, mốt thứ nhất phản ánh hợp phần định luận của quá
trình, mốt thứ hai
− hợp phần ngẫu nhiên. Cả hai mốt, cũng như hàm
phân bố xác suất quá trình nói chung (xem hình 6.2) sẽ được khôi
phục đạt nhất bằng mô hình tối ưu hoá thống kê tất cả các phương
pháp (mô hình hôì quy). Nó chính là mô hình tối ưu với nghĩa làm
cực tiểu sai số bình phương trung bình của dự báo trong khuôn khổ
lý thuyết các mô hình dừng tuyến tính. Vì vậy, khác với các phương
pháp khác, về trung bình hàm phân bố hai chiều của sai số dự báo
bằng mô hình hồi quy phải có cực đại t
hể hiện rõ trong khoảng sai số
dự báo cho phép (

−0,4; 0,4°C). Kết quả này thể hiện trên hình 6.3.
Thấy rằng n
hiều phương pháp có những cực đại thứ sinh trên các tổ
chức đồ, do bản thân các mô hình sinh ra, trong khi luật phân bố dị
thường nhiệt độ mặt đại dương ở vùng tầu thời tiết
M
là phân bố chuẩn.
Rõ ràng một số mô hình (không thích nghi) thích ứng với "những quá
trình của mình" gần với hiện thực, về điều này đã nói ở mục 4.1.
Chúng tôi nhận định rằng
phép phân tích so sánh toàn bộ tập hợp
những chỉ tiêu khả báo thống kê cho phép người dự báo có được khái
niệm đầy đủ nhất về tính hiệu quả của các phương pháp dự báo anh ta sử
dụng. Ngoài ra, trên cơ sở những phương pháp kiểm tra xác suất sẽ tạo ra
khả năng đánh giá hiệu quả dự báo những dị thường lớn.
Để phân tách ra
một cách đúng đắn những cấu trúc không gian và
thời gian đồng nhất hay cùng kiểu nhằm mục đích dự báo, chúng tôi đã
tiến hành phân tích các quá trình bằng những phương pháp phân tích
thống kê đa chiều: phương pháp các thành phần chính và phân tích nhân
tố (xem mục 5.1).
Nội dun
g dự báo của các kết quả phân tích bao gồm:
1. Các vùng mà chúng tôi phân tách ra được chỉ ra
những giới hạn
biến động của nhiệt độ mặt đại dương, bên trong đó những dao động
chính dưới dạng các vectơ riêng là những dao động tựa dừng theo nghĩa
thống kê và có thể sử dụng trong các mô hình dự báo. Trong đó mô hình
dự báo trở thành mô hình đa chiều.
2. Từng v

ùng trong số các vùng được phân tách ra có mức độ liên hệ
qua lại của trường nhiệt độ mặt đại dương khác nhau (các ma trận tương
quan rất khác nhau), điều này cho phép điều chỉnh các tham số của mô


97
hình dự báo sao cho tương ứng với kiểu quá trình cụ thể. Vì, như chúng
tôi đã chứng minh, nếu sử dụng cùng một mô hình cho toàn vùng Bắc Đại
Tây Dương sẽ dẫn tới làm giảm hiệu quả dự báo.
3. Đưa cá
c thành phần chính tính được theo những hàm trực giao tự
nhiên trong tọa độ không gian hoặc thời gian vào làm tiên lượng dự báo
sẽ cho phép xây dựng được mô hình đa chiều khách quan, tính tới được
ảnh hưởng của các nhân tố bình lưu và những nhân tố khí tượng (gián
tiếp), như trong công trình [215] đã đề xuất.
Bây giờ ta xét vấn đề chẩn đoán các trường nhiệt Bắc Đại T
ây
Dương bằng những phương pháp phân tích thống kê đa chiều. Việc liên
kết ba vùng vào làm một (xem các hình 5.2
−5.5) đã cho phép đánh giá
ảnh hưởng của các quy mô không gian lên những nét chính trong bức
tranh chế độ nhiệt ở Bắc Đại Tây Dương. Nói chung cấu trúc vẫn giữ
nguyên những đặc điểm nổi bật: trong trường vectơ riêng thứ nhất thể
hiện rõ nét tính địa đới trong phân bố dị thường nhiệt độ mặt đại dương,
trong đó vùng nước của hệ thống các hải lưu Gơnstrim và Bắc Đại Tây
Dương được tách ra rõ nhất và có những
giá trị âm cực đại. Phần xích đạo
và nhiệt đới Bắc Đại Tây Dương có những giá trị dương. Bức tranh phân
bố không gian này của mốt thứ nhất của dị thường nhiệt độ mặt đại
dương rõ ràng là do ảnh hưởng của bức xạ Mặt Trời (xem hình 5.2a).

Trường vectơ riêng thứ
hai (xem hình 5.2b) cũng phản ánh phân bố
nhiệt kiểu địa đới. Tuy nhiên, đới xích đạo và nhiệt đới của Bắc Đại Tây

Dương phân cách nhau về dấu. Những vùng chịu ảnh hưởng của các hải
lưu Gơnstrim, Labrađo, Ipminge và Đông Grinlan có tỉ trọng lớn hơn so
với trong trường vectơ riêng thứ nhất. Như vậy là đã làm nổi vai trò tái
phân bố nhiệt quy mô lớn do bình lưu.
Trường vectơ riêng thứ ba p
hản ánh những quá trình kinh hướng,
chắc chắn liên quan tới động lực nước Bắc Đại Tây Dương và biển Na
Uy
− đó là vùng Niuphơnlen, đông phần Đại Tây Dương nhiệt đới và phần
trung tân biển Na
Uy.






Hình 6.4. Độ xác thực (%
) của các dự
báo dị thường nhiệt độ trung bình
tháng nước mặt đại dương ở Bắc Đại
Tây Dương theo chỉ tiêu σ6740,
a− Phương pháp Bayes
b− Phương pháp tự hồi quy
bậc 2
c− Phương pháp xác suất động lực

d− Phương pháp quán tính
e− Phương pháp thống kê động lực

Cuối cùng, thành phần thứ tư cho phép nhận diện khá rõ đới
Gơnstrim
− hải lưu Bắc Đại Tây Dương, lan tới tận 35°W và đới nước


98
trồi − ở đông phần Đại Tây Dương nhiệt đới. Cũng cần chú ý một ổ nhiệt
ở trung phần Bắc Đại Tây Dương, có thể có liên quan tới cấu trúc động
lực của hoàn lưu nước xoáy nghịch quy mô lớn tại vùng này.
Mặc dù giá trị phần phương sai được m
ô tả trong các trường thành
phần chính đầu tiên không cao, do bậc ma trận tương quan lớn
(120
×120), nhưng phải kết luận về tính ổn định và đồng nhất cấu trúc cao
của những nét chính trong bức tranh nhiệt trong trường dị thường nhiệt
độ mặt đại dương, đặc biệt về vùng Gơnstrim
− hải lưu Bắc Đại Tây
Dương khi chuyển từ các quy mô không gian nhỏ hơn, các vùng riêng lẻ,
sang những quy mô lớn hơn, bao quát thực tế toàn bộ thủy vực Bắc Đại
Tây Dương và biển Na
Uy.
Những kết quả phân tích thống kê về trường dị thườn
g nhiệt độ mặt
đại dương nhận được cho phép rút ra những kết luận như sau:
1) Cấu trúc trường dị thường nhiệt độ mặt đại dương có tính địa đới
rõ nét và gâ
y bởi dòng bức xạ Mặt Trời;

2) Sự tái phân
bố nhiệt chủ yếu do các dòng hải lưu quy mô lớn;
3) Chênh lệch kinh hướn
g trong phân bố dị thường nhiệt độ mặt đại
dương chủ yếu biểu hiện ở những đới tương tác của các dòng hải lưu quy
mô lớn.
Theo một khối lượng lớn dữ liệu xuất phát, đã phâ
n loại Bắc Đại
Tây Dương theo tính chất bất đồng nhất không gian của dị thường nhiệt
độ mặt đại dương. Kết quả này, rõ ràng có ý nghĩa quyết định khi chọn
mô hình dự báo dị thường nhiệt độ mặt đại dương và ảnh hưởng tới các
tham số khả báo của mô hình.
Như vậy,
cấu trúc thống kê của nhiệt độ mặt đại dương phụ thuộc
nhiều vào các quy mô không gian
− thời gian quan trắc và, chắc chắn
ảnh hưởng tới tính khả báo cả loại 1 và loại 2. Từ đây trở nên rõ vì sao
mô hình Frankiniul
− Hasselman [240], trong đó những thành phần cân
bằng nhiệt lớp hoạt động đại dương được dùng làm các tham số biến, là
mô hình khá thành công để chẩn đoán cũng như dự báo điều kiện nhiệt
trong đại dương. Trước hết, đó là do sự ổn định theo nghĩa thống kê của
các nhân tố ảnh hưởng tới dị thường nhiệt độ mặt đại dương, và do sự
đồng nhất của bản thân
các vùng tại đó vai trò của nhân tố này hay nhân
tố kia hoàn toàn xác định.
Một kết quả quan
trọng nữa trong ứng dụng mô hình xác suất [224]
đó là sự tăng hiệu quả dự báo ở vùng Gơnstrim
− hải lưu Bắc Đại Tây

Dương [136], tại đây sai số dự báo giảm tới 50%, trong khi theo vùng
Bắc Đại Tây Dương nói chung phương sai nhiễu trung bình bằng 70%,
tức tương ứng với mức ý nghĩa khả báo 30%.
Từ sự phân tích thống
kê đã tiến hành và những kết quả của các công
trình [44, 151] suy ra rằng sự tăng tính khả báo liên quan với chất lượng
phép phân tích, tức những mô hình đã dự báo đạt nhất những quá trình
nào và ở những vùng nào mà nó thích ứng nhất. Rõ ràng rằng (xem mục
5.2) với vùng Đại Tây
Dương xích đạo và nhiệt đới thì vai trò của những
nhân tố đã liệt kê khác so với vùng tác động của Gơnstrim, tức các tham
số mô hình cho vùng này phải khác nhiều và độ xác thực theo mô hình
[224] ở đây thấp hơn.
Chính vì xuất
phát từ những suy luận này mà chúng tôi đã ứng dụng
những mô hình xác suất thống kê khác nhau để xác định khả năng áp
dụng của chúng vớí những vùng khác nhau của Bắc Đại Tây
Dương và
biển Na
Uy (hình 6.4). Lần đầu tiên nhận được kết quả dự báo với chuỗi
quan trắc độc lập về dị thường nhiệt độ mặt đại dương từ năm 1981 đến
1985 cho một thủy vực rộng lớn như Bắc Đại Tây Dương (162 ô cạnh 5
°
kinh vĩ). Độ xác thực dự báo dao động từ 50 đến 80%, tức bằng 50
−70%
phương sai nhiễu (xem hình 6.4).
Điều lý thú l
à đối với vùng tác động của hệ thống Gơnstrim − hải
lưu Bắc Đại Tây Dương sai số dự báo bằng các phương pháp thống kê
xác suất bậc một và bậc hai đã giảm. Kết quả đạt nhất cho vùng này là kết

quả của mô hình 2
−
A
P .


99

Hình 6.5. Những giới hạn tính
khả báo thống kê (tính bằng số
tháng) của các chuỗi dị thường
nhiệt độ nước mặt trung bình
tháng ở vùng tích cực năng lượng
biển Na
Uy theo mô hình động
lực ngẫu nhiên ),( 90=d
Hình 6.6. Dự báo độc lập trường dị thường
nhiệt độ nước mặt trung bình tháng ở đông
bắc Đại Tây Dương tháng 7 năm 1981 với
thời hạn dự báo 6 tháng
(1− giá trị dự báo, 2− giá trị thực)
So với dự báo quán tính, kết quả dự báo của ba mô hình về trung
bình khá hơn 10
−20%. Nhận thấy dự báo quán tính có độ xác thực cao
hơn (tới 80%) ở phần trung tâm Bắc Đại Tây Dương. Có thể cho rằng đó
là do sự bảo tồn dị thường trong xoáy nghịch. Điều tương tự cũng nhận
thấy ở phần phía bắc biển Na Uy, nơi đây các trị số phương sai sai số cực
tiểu có vị trí ở trong đới tác động của xoáy nghịch tựa dừng với t
âm ở
khoảng

E32

−=λ và N6968

−=ϕ .
Một đặc trưng khả báo
quan trọng khác là giới hạn thời gian báo
trước của dự báo ứng với chỉ tiêu chính xác đã cho
ε . Từ các biểu thức
(4.8), (4.9) dễ dàng tính
τ và dựng sơ đồ không gian thời gian báo trước
cực đại của dự báo ứng với
9,0≤d (hình 6.5). Đã tính toán như vậy cho
biển Na
Uy (26 ô với cạnh 5° kinh vĩ). Thấy rằng giới hạn khả báo cực
đại đối với dị thường nhiệt độ mặt đại dương trung bình tháng là 1,8
tháng với vùng tác động của xoáy nghịch, hải lưu Na
Uy và vùng Fare.
Còn về trung bình, với vùng này thì thời gian báo trước của dự báo bằng
một bước thời gian có thể xem là hoàn toàn tin cậy đối với dự báo bằng
các phương pháp thống kê xác suất.
Ở Bắc Đại T
ây Dương giới hạn này tăng lên đến 2−3 bước, đặc biệt
trong đới tác động của Gơnstrim và hải lưu Bắc Đại Tây Dương. Ở các
phần xích đạo và nhiệt đới, giới hạn khả báo thống kê cực đại không quá
một bước thời gian. Một trong những nguyên nhân của điều này là do
tính không dừng rõ rệt của các chuỗi dị thường nhiệt độ mặt đại dương tại
đây.
Nhiều tác giả [
65, 146, 151] cho rằng muốn tăng hiệu quả dự báo

phải giảm phương sai của phần không khả báo của quá trình. Điều này có
thể đạt được bằng nhiều cách: dùng phương pháp lọc hoặc tăng quy mô
không gian, thời gian lấy trung bình.
Hiển nhiên l
à sử dụng phương pháp lọc hoặc tăng quy mô không
gian, thời gian lấy trung bình của đặc trưng dự báo sẽ giúp chọn mô hình
thích hợp nhất. Tuy nhiên, dưới góc độ thực tiễn, phương pháp này kém
hiệu quả vì không cho phép mô tả chi tiết, do đó, không cho phép dự báo
những đặc điểm không gian hay thời gian của quá trình.
Khi nghiên cứu và dự báo
những dao động quy mô lớn của các quá
trình hải dương, người ta giả thiết tồn tại một số không nhiều các nhân tố
ảnh hưởng có thể theo dõi, giải thích và dự báo được. Vì vậy, biểu diễn
các trường hay các chuỗi đặc trưng hải dương dưới dạng tổng của những
thành phần chính đầu tiên, một mặt sẽ lọc hợp phần nhiễu của quá trình, mặt
khác biểu diễn quá
trình dưới dạng tổng của những dao động quy mô lớn.
Việc mô phỏng những dao động như vậy bằng các phương pháp thống kê
xác suất hay thống kê vật lý sẽ hiệu quả hơn so với việc dự báo trực tiếp
chính những đặc trưng đó bằng cùng phương pháp, vì ở trường hợp sau sai
số trong dữ liệu vẫn được bảo tồn. Hơn nữa nếu chỉ sử dụng
những mô hình
thống kê xác suất một chiều thì không thể đủ do có nhiều mối liên hệ không
gian, thời gian thuận và nghịch tồn tại [120, 142, 146]. Chính trong những
công trình này đã đưa ra kết luận rằng sử dụng các phương pháp dự báo đa
chiều làm tăng hiệu quả dự báo lên 10
−20%.


100

Cải thiện được tính khả báo như vậy là nhờ vai trò của các nhân tố
bình lưu trong hệ thống những mối liên hệ không gian của nhiệt độ mặt
đại dương. Vai trò của nhân tố này đặc biệt biểu hiện rõ trong kết quả dự
báo thí nghiệm (hình 6.6). Muốn tính tới những mối liên hệ không gian
để dẫn tới tăng hiệu quả dự báo thống kê, có thể thực hiện bằng một số
cách: đưa c
ác mối liên hệ với những điểm lân cận của vùng lưới vào mô
hình
A
P như trong [143] đã đề xuất, hay dự báo những thành phần chính
đầu tiên tính theo các hàm trực giao tự nhiên của tọa độ ngang, những
thành phần này mô tả 80% phương sai, như trong [241]. Theo các tác giả,
phương pháp thứ hai tỏ ra hấp dẫn hơn, vì nó tránh cho người ta phải
chọn một cách chủ quan những điểm ảnh hưởng.
Những kết quả dự báo độc lập sử dụng
khai triển nhân tố dị thường
nhiệt độ mặt đại dương ở thủy vực biển Na
Uy (hình 6.7) là thí dụ vận
dụng mô hình đa chiều
1−
A
P và phép ngoại suy Bayes bậc một. Vì
khai triển thực hiện theo mặt rộng (ma trận các số liệu xuất phát có kích
thước 26
×120), nên các tỉ trọng nhân tố phản ánh mối liên hệ của các
trường trong thời gian.
Các kết quả dự báo, thực hiện theo m
ô hình 1−
A
P một chiều và đa

chiều, không cao lắm: độ xác thực theo chỉ tiêu
σ
8,0 theo mặt rộng
tương ứng bằng 58 và 65%. Độ xác thực theo các mô hình ngoại suy
Bayes cao hơn một ít, tuần tự bằng 65 và 73%. Độ xác thực không cao bị
quyết định nhiều bởi những điều kiện dị thường hình thành vào tháng 2
năm 1984 ở phần phía tây biển Na
Uy – suy giảm cường độ hải lưu Đông
Grinlan (nhiệt độ mặt đại dương tăng lên 2
°C). Đồng thời tăng cường hải
lưu Bắc Đại Tây Dương: nước của hải lưu này xâm nhập vào làm tăng
nhiệt độ mặt ở biển Na
Uy lên 0,8°C.
Điều quan trọng cần nhận xét là kết q
uả cụ thể này phản ánh một
mối liên hệ đã biết giữa trạng thái nhiệt của các khối nước trong những
dòng chảy chính của biển Na
Uy và sản lượng sinh học của nó: sự ấm lên
của nước Bắc Băng Dương sẽ tạo thuận lợi cho nước của hải lưu Bắc Đại
Tây Dương tiến xa lên phía bắc và phía đông mang theo những thuỷ sinh
vật ưa nhiệt.
Dưới đây
ý tưởng này được phát triển chi tiết khi phân tích và dự
báo sinh khối động vật phù du biển Na
Uy. Nhìn chung những vùng nào
của biển Na
Uy mà ở đó %74≥d (xem hình 6.5) thì tỏ ra thuận lợi nhất
cho dự báo.
Về tính khả
báo không cao của các yếu tố hệ thống khí hậu trong khuôn

khổ các mô hình một chiều tuyến tính đã được chứng minh về lý thuyết trong
các công trình [35, 65, 142, 146, 151]. Với khí quyển, tính khả báo là nhỏ
hơn một, hai bước [146], với đại dương
− bốn bước [151] tuỳ thuộc vào đặc
trưng hệ thống khí hậu, độ gián đoạn quan trắc và quy mô không gian lấy
trung bình.
Như vậy,
tăng thời hạn dự báo bằng cách ngoại suy các chuỗi xuất
phát lên hơn hai, ba bước thời gian có lẽ là vô vọng. Dưới góc độ thực
tiễn điều này khá hiển nhiên: ta thường gắn chất lượng dự báo với điều
kiện sai số dự báo không vượt ra quá
σ
674,0
hay
σ
8,0
, tức xấp xỉ tương
ứng với 0,55 và 0,74 phương sai quá trình. Trong khi đó hệ số tương
quan phải lớn hơn 0,8.
Mức liên hệ nội tại cao như vậy t
hường chỉ đảm bảo với bước trễ
bằng một, hoặc tối đa hai bước thời gian [44]. Chính điều này là nguyên
nhân chính làm cho các phương pháp ngoại suy chuỗi thời gian ít phổ
dụng. Ý nghĩa thực tiễn của thông tin dự báo với một, hai bước thời gian
không cao.
Theo ý kiến các tá
c giả, việc vận dụng công cụ phân tích thống kê đa
chiều tạo ra khả năng không chỉ tăng hiệu quả dự báo, mà còn tăng thời
gian báo trước của dự báo quá trình khí tượng thủy văn bằng các phương
pháp thống kê xác suất.

Kết quả phân tích cấu trúc thời gian đối với các chuỗi những
thành phần chính đầu tiên của các đặc trưng hải dương
i
a [181,
240] chỉ ra tính liên hệ nội tại chuỗi cao 80,)( ≥τ
i
a
R , tính ổn định
của các hàm tự tương quan và tính đúng đắn của các mô men thống
kê đầu tiên: các ước lượng kỳ vọng toán học và phương sai. Để xác


101
định độ ổn định thống kê của các ước lượng phương sai (
2
ˆ
σ
)
những thành phần chính, tính theo dị thường nhiệt độ mặt đại
dương trung bình tháng hoặc theo dị thường nhiệt độ mặt đại
dương trung bình mùa, chúng tôi đã tiến hành phân tích so sánh
theo các chuỗi được xê dịch tương đối so với nhau 12 tháng hoặc 4
mùa. Những trị số trung bình của hiệu σΔ theo các vùng: 22 ô cạnh
5° kinh vĩ và 10 ô cạnh 5° kinh vĩ, tuần tự bằng 0,04°C đối với
trường hợp chuỗi trung bình tháng và 0,03°C đối với trường hợp
chuỗi trung bình mùa, điều này chứng tỏ tính đúng đắn của các ước
lượng (với các trị số trung bình C540
22

,

ˆ
=σ và C470
20

,
ˆ
=σ ).

Hình 6.7. Phân bố sai số dự báo dị thường nhiệt độ nước mặt
trung bình tháng biển Na
Uy tháng 2 năm 1984 bằng những
phương pháp khác nhau:
a − Phương pháp Bayes một chiều, b − Phương pháp Bayes đa
chiều, c − Tự hồi quy một chiều, d − Tụ hồi quy đa chiều

Hình 6.8. Những hàm tự tương quan điển hình của hai
thành phần chính đầu tiên của các chuỗi dị thường nhiệt
độ nước mặt trung bình tháng vùng biển Na Uy (a),
Đông Bắc Đại Tây Dương (b), vùng Gơnstrim (c)
Phân tích các đồ thị hàm tự tương quan của các thành phần chính
(hình 6.8) cho phép ước lượng khoảng tương quan cực đại: theo toàn
vùng đông bắc Đại Tây Dương và biển Na
Uy (32 ô cạnh 5° kinh vĩ)
khoảng tương quan cực đại bằng 7 tháng với
)(
1
aτ
và giảm xuống còn 3
tháng với
)(

5
aτ . Thực tế khoảng này chỉ ra giới hạn khả báo cực đại của
dự báo: từ 7 đến 3 tháng.


102
Bảng 6.1. Hiệu quả dự báo dị thường nhiệt độ mặt đại dương
trung bình tháng và trung bình mùa theo 32 ô ở Bắc Đại Tây

Dương (c
huỗi độc lập từ tháng 1 đến tháng 8 năm 1981)
Thời hạn dự báo Độ xác thực, % Hiệu quả, %
1 tháng 88 53
2 tháng 69 22
3 tháng 66 9
4 tháng 67 12
5 tháng 81 15
6 tháng 69 13
7 tháng 88 2
1 mùa (I−II)
81 46
2 mùa (III−V)
78 7
3 mùa (VI−VIII)
72 3
Bảng 6.2. Ước lượng phần đóng góp (I) và độ ổn định của các hàm trực giao tự nhiên
của dị thường nhiệt độ mặt đại dương trung bình tháng tính theo
18 ô 5
° kinh vĩ thuộc vùng Gơnstrim (Bắc Đại Tây Dương)
I II


==
18
11 i
i
k
i
i
λλ
%
1957−1971
i
1957−1971 1976−1981
1976−1981
1
X
2
X
3
X
4
X
5
X
1 33 24
1
X
0,66
−0,53
0,08

−0,12
0,03
2 54 42
2
X
0,56 0,43
−0,02
0,07 0,46
3 68 55
3
X
0,24 0,48 0,20 0,17
−0,48
4 74 66
4
X
0,03 0,06
−0,71 −0,19
0,02
5 80 75

5
X
0,18
−0,10
0,23
−0,32 −0,25
Đã tiến hành phân tích tương tự với những chuỗi giá trị trung bình
mùa dị thường nhiệt độ mặt đại dương. Xác định được giới hạn khả báo
cực đại bằng 1

−2 mùa. Độ xác thực dự báo dẫn trong bảng 6.1. Độ xác
thực cao ứng với thời hạn dự báo 1
−2 tháng và 1 mùa (hơn 80%).
Bây giờ ta phân tích một vấn đề rất quan trọng − độ ổn định của các
hàm trực giao tự nhiên trong tọa độ không gian, vì với những
)(τ
i
a
R khá cao thì những giá trị dự báo nhiệt độ mặt đại dương có
thể biến thiên mạnh trong trường hợp các hàm trực giao không ổn
định. Được biết rằng [115] các hàm trực giao tự nhiên được tính
với độ chính xác tới một số thập phân. Vì vậy thay dấu của các hàm
trực giao tự nhiên khi bước trễ của chuỗi bằng 1 và hơn 1 bước thời
gian có thể dẫn tới tính sai phần đóng góp của thành phần được dự
báo.
Cần đặc biệt lưu ý điều này nếu trong mô hình dự báo dạng (4.1)
mỗi một dự báo tiếp sau được xem như trị số thực và thủ tục dự báo lặp
lại cho bước 1, bước 2 và các bước tiếp sau. Trong bảng 6.2 dẫn những
kết quả rất đáng quan tâm: từ bảng này suy ra rằng độ ổn định của các
hàm trực giao tự nhiên khá cao: khi xê dịch các chuỗi tới 60 giá trị
(tháng) so với nhau mà vẫn giữ ngu
yên những nét chính của bản đồ dị
thường nhiệt độ mặt đại dương trong trường ba hàm trực giao tự nhiên
đầu tiên ở một vùng rất biến động như vùng Gơnstrim.
Bảng 6.3. Hiệu quả dự báo dị thường nhiệt độ mặt đại dương trung
bình tháng theo 22 ô 5
° kinh vĩ và trung bình mùa theo 10 ô 5° kinh vĩ
ở Bắc Đại Tây
Dương (chuỗi độc lập từ tháng 1 đến tháng 6 năm 1982
Thời hạn dự báo Độ xác thực, % Hiệu quả, %

1 tháng 73 28
2 tháng 73 33
3 tháng 61 14
4 tháng 77 9
5 tháng 77
−3
6 tháng 68 0
1 mùa (I−III)
80 20
2 mùa (IV−VI)
80 20
Như vậy là hiệu quả dự báo với thời hạn báo trước 1−2 bước thời
gian theo một thủy vực khá lớn được quyết định chủ yếu bởi những tính
chất của
)(τ
i
a
R trong điều kiện giữ nguyên những đặc điểm không gian


103
quy mô lớn của nhiệt độ mặt đại dương. Kết quả dự báo theo sơ đồ này
dẫn trong bảng 6.3.
Với tư cách là
mô hình dự báo các thành phần chính đã sử dụng mô
hình
A
P bậc N , trong từng trường hợp cụ thể chọn bậc tối ưu theo cực
tiểu phương sai sai số [181].
Phân tích hiệu quả dự báo nhiệt độ mặt đại dương theo các

mô hình
một chiều và đa chiều đã cho phép phát hiện những mối liên hệ cao về
thống kê (cũng có thể về vật lý) theo không gian cũng như theo thời gian.
Tuy nhiên trong tất cả các trường hợp giới hạn khả báo đều không cao
−
một, hai bước thời gian. Như chúng tôi đã nói, muốn tăng giới hạn này
phải tăng quy mô lấy trung bình theo không gian và đặc biệt theo thời
gian. Nhưng khi đó lại nảy ra vấn đề độ gián đoạn của giá trị dự báo.
Thực vậy,
khi dự báo dị thường nhiệt độ mặt đại dương trung bình
năm cho 1
−2 năm sau, chúng ta không thể đưa ra dự báo giá trị trung
bình tháng theo cùng những năm đó, vì ở đây ta chỉ dùng các chuỗi dị
thường nhiệt độ trung bình năm. Điều này chỉ ra rằng trong các sơ đồ đa
chiều dự báo thống kê xác suất chỉ tính đến ảnh hưởng cuả các quy mô
không gian khác nhau và không tính đến ảnh hưởng các quy mô thời
gian. Hoàn toàn hiển nhiên rằng ảnh hưởng của chúng lên vùng dự báo sẽ
khác nhau tuỳ thuộc vào những quá trình khí tượng thủy văn qu
y mô vừa,
quy mô lớn hay quy mô toàn cầu.
Việc tính tới ảnh hưởng qua lại của
các quy mô thời gian khác nhau
trong các mô hình xác suất cho tới nay thực tế chưa được thực hiện. Vì
vây, với mực đích tăng giới hạn khả báo các đặc trưng hải dương, chúng
tôi thử nghiệm biến thể sơ đồ dự báo đang xét mà không đưa thêm những
tham số (tiên lượng) bổ sung. Thực chất của sơ đồ này là tính các hệ số
khai triển những giá trị trung bì
nh tháng của dị thường nhiệt độ mặt đại
dương theo các hàm trực giao tự nhiên thời gian đối với từng ô của vùng
đồng nhất Bắc Đại Tây Dương. Trong trường hợp này những hệ số khai

triển được tính cho từng năm cụ thể của chuỗi thời gian, còn các hàm trực
giao tự nhiên tương ứng với tháng cụ thể trong năm.
Tiếp theo,
khi tính và phân tích dạng của các hàm tự tương quan của
những hệ số khai triển, điều quan trọng là phát hiện mối liên hệ tương
quan ý nghĩa trong biến trình từ năm này sang năm khác của các hệ số
khai triển với bước dịch thời gian bằng 1 năm (bước trễ 1 bước). Khi đó
nếu thấy các hàm trực giao tự nhiên ổn định, chỉ cần dự báo các hệ số
khai triển bằng một trong những phươn
g pháp thống kê xác suất cho một
bước tương lai.
Rõ ràng, sơ đồ dự
báo này, giống như trong trường hợp những hàm
trực giao tự nhiên tọa độ không gian, phụ thuộc nhiều vào độ ổn định của
các hàm trực giao tự nhiên trong thời gian và sẽ không dẫn đến sự giảm
tiệm cận độ xác thực từ tháng giêng tới tháng 12 của năm đưọc dự báo,
như trong phương pháp trước hay trong các mô hình tự hồi quy một
chiều. Sai số dự báo trong trường hợp này sẽ ph
ân bố đều bên trong năm
được dự báo và bằng chính điều đó sẽ nâng cao độ xác thực dự báo và
tăng thời gian báo trước từ 1 đến 12 tháng.
Những dự bá
o theo sơ đồ nêu trên đã được thực hiện cho những tập
dữ liệu đại biểu tại vị trí các tầu thời tiết I, J và K với thời gian báo trước
một năm. Trong các bảng 6.4, 6.5 dẫn những đặc trưng thống kê chủ yếu
của các thành phần chính đối với chuỗi giá trị trung bình tháng dị thường
nhiệt độ mặt đại dương. Từ những số liệu này
rút ra rằng chỉ cần sử ba
thành phần chính đầu tiên để dự báo. Những hàm tự tương quan của
chúng cho thấy sự liên hệ nội chuỗi cao khi xê dịch một năm (hình 6.9).

Bán kính tương quan thời gian phụ thuộc nhiều vào cấu trúc trường [115]
mà vùng tính của chúng ta nằm trong đó: nếu trường các hàm trực giao tự
nhiên của vùng tham dự vào trường các hàm trực giao tự nhiên của toàn
miền, thì bán kính tương quan thời gian sẽ lớn và nó t
huộc các vùng giàu
thông tin. Cụ thể, đó là các vùng tầu thời tiết J và K (xem hình 6.9), điều
này phù hợp với những kết luận của công trình [187]. Điều quan trọng là
phải chứng tỏ những dao động dài hạn phát hiện được không ngẫu nhiên.
Để làm điều đó đã tính những giới hạn tin cậy của hệ số tương quan với


104
mức ý nghĩa 5%:
r
r
z
−
+
=
1
1

2
1
ln ,
trong đó
−z tham số Fisher; −σ sai số bình phương trung bình tính các
hàm tự tương quan
r
; −

τ
bán kính tương quan thời gian, bằng biên
dưới của tham số Fisher 02
≤−
σ
z .
Bảng 6.4. Ước lượng khai triển các chuỗi nhiệt độ nước theo số liệu
các tầu thời tiết I, J, K thành c
ác hàm trực giao tự nhiên thời gian

i
i
λ


=
λ
λ
18
1
i
i
i
%

==
λλ
18
11
i

i
k
i
i
%
1 6,3 52,9 52,9
2 2,5 21,0 73,2
3 1,1 9,2 83,1
4 0,5 4,2 87,3
5 0,5 4,2 91,5
Tầu thời tiết I
6 0,4 3,5 95,0
1 4,6 38,7 38,7
2 2,1 17,4 56,1
3 1,6 13,3 59,4
4 1,2 9,9 79,3
5 0,9 7,4 86,7
Tầu thời tiết J
6 0,6 5,4 92,1
1 5,9 39,0 39,0
2 2,0 20,0 59,0
3 1,6 17,5 76,5
4 0,6 6,8 83,3
5 0,6 5,0 88,3
Tầu thời tiết K
6 0,4 4,2 92,5
Nhận thấy rằng, khi 5,0=r ước lượng
τ
trở thành cao hơn so với
thực. Từ bảng 6.5 suy ra rằng giới hạn khả báo thống kê cực đại là chu kỳ

từ 1 đến 3 năm đối với những dao động từ năm này sang năm khác của
các thành phần chính được tính theo những giá trị dị thường nhiệt độ
trung bình tháng, trong đó với tầu thời tiết K là lớn nhất: với thành phần
chính thứ nhất
− 3 năm, còn với các tầu thời tiết I và J − hơn 2 năm một
chút.
Những kết quả này
đã cho phép các tác giả thử sơ đồ dự báo dài hạn
dị thường nhiệt độ mặt đại dương cho các vùng tầu thời tiết. Những kết
quả dự báo độc lập dẫn trong bảng 6.6.
Như vậy,
nhờ khảo sát sự biến động nội năm và giữa các năm của dị
thường nhiệt độ mặt đại dương cho phép chúng ta rút ra những kết luận
dự báo như sau:
1. Những dao
động của dị thường nhiệt độ mặt đại dương trung bình
tháng, trung bình mùa và trung bình năm ở Bắc Đại Tây Dương và biển
Na
Uy được mô tả khá thoả đáng bằng các mô hình thống kê xác suất bậc
1 và bậc 2.
2. Cấu trúc thống kê
của dị thường nhiệt độ mặt đại dương khác biệt
đáng kể theo thủy vực Bắc Đại Tây Dương và biển Na Uy, làm thay đổi
các sai số dự báo với thời gian báo trước 1 bước trong một phạm vi rộng:
từ 80% tại phần xích đạo và nhiệt đới Bắc Đại Tây Dương và phần phía
tây biển Na
Uy đến 20% trong hệ thống Gơnstrim − hải lưu Bắc Đại Tây
Dương.
3. Những giới hạn khả báo
thống kê tuỳ thuộc nhiều vào quy mô

không gian
− thời gian lấy trung bình và mô hình chẩn đoán thống kê xác
suất được chọn:
− Khi tăng quy mô lấy trung bình theo thời gian (mùa, năm) giới hạn
khả báo bằng 2
−3 bước;
− Khi tăng quy mô lấy trung bình theo không gian (ngoại suy các
thành phần chính theo thủy vực gồm một số ô 5
° kinh vĩ) thời gian báo
trước của dự báo tăng tới 4
−6 tháng;
− Dự báo các thành phần chính theo những hàm trực giao tự nhiên
thời gian tăng giới hạn khả báo tới 6
−8 bước.


105




Hình 6.9. Những hàm tự tương
quan chuẩn hoá của thành
phần chính thứ nhất khai triển
các chuỗi dị thường nhiệt độ
trung bình tháng mặt đại
dương vùng tầu thời tiết
I

(1), J (2) và

K
(3)

Bảng 6.5. Sai số bình phương trung bình tính toán hàm tự tương quan nhiệt độ nước
trung bình tháng theo số liệu các tầu thời tiết I, J, K
i
a
Tầu TT
τ σ2
r

z

σ− 2z τ σ
I
a
1
σ

J
a
1
σ

K
a
1
σ

1

a
I 1 0,36 0,69 0,85 0,49 1 0,18 0,18 0,11 0,14

2 0,32 0,37 0,39 0,07 2 0,18 0,18 0,15 0,11

3 0,36 0,11 0,11
−0,25
3 0,18 0,18 0,17 0,15

J 1 0,22 0,62 0,72 0,50 4 0,19 0,19 0,19 0,17

2 0,30 0,40 0,42 0,12 5 0,19 0,19 0,19 0,18

3 0,34 0,21 0,24
−0,10
6 0,20 0,19 0,19 0,19

K 1 0,28 0,45 0,43 0,20 7 0,20 0,19 0,19 0,19

2 0,22 0,64 0,76 0,54 8 0,20 0,17 0,19 0,20

3 0,30 0,45 0,48 0,18 9 0,21 0,15 0,21 0,20
2
a
I 1 0,34 0,26 0,27
−0,07
10 0,21 0,17 0,20 0,21

2 0,34 0,30 0,31
−0,02

11 0,22 0,20 0,21 0,22

J
1 0,36
−0,15
0,15
−0,21
12 0,23 0,22 0,22 0,19


2 0,26 0,16 0,16
−0,10
13 0,24 0,23 0,23 0,23

K
1 0,34 0,19 0,19
−0,15
14 0,24 0,23 0,23 0,20


2 0,36
−0,09
0,09
−0,27
15 0,24 0,20 0,19 0,23
4. Thời gian báo trước cực đại của dự báo dị thường nhiệt độ mặt đại
dương đạt được bằng con đường tối ưu hoá thống kê những mô hình
thống kê xác suất khác nhau.
Bảng 6.6. Dị thường nhiệt độ mặt đại dương thực và dự báo
theo số liệu

các tầu thời tiết I, J, K năm 1980
I J K
Tháng
Thực Dự báo Sai số Thực Dự báo Sai số Thực Dự báo Sai số
1 0,1 0,4 0,3
−0,1
0,0 0,1
−0,1 −0,2
0,1
2 0,0 0,4 0,4 0,0 0,0 0,0
−0,4 −0,3
0,1
3 0,0 0,3 0,3
−0,4
0,1 0,5
−0,5 −0,3
0,2
4
−0,1
0,3 0,4
−0,1
0,2 0,3
−0,6 −0,5
0,1
5 0,2 0,2 0,0 0,7 0,3 0,4
−0,1 −0,5
0,4
6 0,0
−0,1
0,1 0,0 0,2 0,2

−0,4 −0,7
0,3
7
−0,2 −0,1
0,1
−0,4
0,0 0,4
−0,4 −0,5
0,1
8 0,3
−0,3
0,0
−0,2 −0,2
0,0
−1,3 −0,6
0,7
9 0,1
−0,1
0,2
−0,6
0,0 0,6
−0,7 −0,6
0,1
10
−0,4
0,0 0,4
−0,3
0,2 0,5
−0,6 −0,5
0,1

11 0,0 0,1 0,1
−0,2
0,3 0,5
−0,5 −0,4 −0,1
12 0,4 0,2 0,2 0,5 0,3 0,2 0,0
−0,1
0,1
6.2. DỰ BÁO ĐIỀU KIỆN BĂNG BIỂN BAREN
Điều kiện băng cũng là một đặc trưng hải dương quan trọng. Nó có
vai trò đáng kể hình thành chế độ nhiệt các biển do tính chất cách nhiệt
của băng: mùa lạnh băng làm giảm quá trình nguội lạnh, mùa ấm
− ngăn
cản quá trình nung nóng bức xạ. Ngoài ra, các trường băng ảnh hưởng
nhiều tới sản lượng sinh học của biển, vì sự tạo và tan băng làm thay
đổi độ muối và chế độ ánh sáng lớp trên của đại dương. Vì những
nguyên nhân đó và vì điều kiện băng là một chỉ thị về những biến đổi
khí hậu, nên dự báo dài hạn điều kiện băng có ý nghĩa thực dụng
rất
lớn.


106
Bảng 6.7. Hiệu quả dự b
áo các dị thường lượng băng trung bình tháng
biển
Baren với thời hạn dự báo 1 tháng theo chuỗi từ 1/1988 đến 12/1989
Độ xác thực dự báo (%)
Phương pháp
dự báo
Sai số

trung bình
Phương sai
sai số
Dấu
σ670,

σ80,

Mức sai số
tương đối
của dự báo
Khí hậu
−0,729
0,614 8,33 25,00 33,33 1,429
Quán tính 0,008 0,309 91,67 66,67 70,83 0,720
Bayes
−0,072
0,269 83,33 45,83 58,33 0,626
Động lực − thống
kê
−0,088
0,261 95,83 70,83 70,83 0,616
Xác suất
−0,132
0,259 91,67 70,83 70,83 0,602
AP-1
−0,100
0,269 91,67 66,67 75,00 0,626
AP-2
−0,115

0,265 95,83 66,67 70,83 0,627
AP-3
−0,123
0,270 95,83 66,67 70,83 0,628
Fourier
−0,388
0,356 54,17 45,83 54,17 0,829
Trung bình
−0,188
0,256 91,67 70,83 70,83 0,596
Kết hợp hồi quy 0,000 0,231 91,67 75,00 79,17 0,539
Để xây dựng và kiểm tra những mô hình dự báo một chiều và đa
chiều đã sử dụng những chuỗi quan trắc về điều kiện băng ở biển Baren:
diện tích biển trung bình năm, phần diện tích (%) biển bị phủ băng, từ
năm 1899 đến 1981 và giá trị lượng băng trung bình tháng từ năm 1934
đến 1989.
Bây giờ chún
g ta xem xét những kết quả dự báo độc lập về giá trị
trung bình tháng lượng băng (bảng 6.7) bằng các mô hình thống kê một
chiều. Để loại trừ các thành phần tất định của quá trình tại bước đầu tiên
chuỗi xuất phát được quy tâm theo trị số trung bình, sau đó từ chuỗi này
loại bỏ hài với chu kỳ 12 bước thời gian. Thủ tục này, như đã biết, cho
phép loại trừ xu thế
− biến trình năm khổi chuỗi thời gian, còn bản thân
chuỗi trở thành chuỗi các dị thường:
 
== =
−
×
−=Δ

N
i
M
j
M
j
jijijiji
L
M
L
MN
LL
11 1

11
, (6.1)
trong đó
−
ji
L

giá trị trung bình tháng lượng băng biển Baren, −ji ,
tuần tự số hiệu năm và tháng,
−N
số năm của chuỗi, −
M
số tháng.
Theo phương
pháp luận dự báo các quá trình hải dương (xem
chương 4) chuỗi biến đổi (

ji
L

Δ ) được ngoại suy bằng những mô hình
xác suất khác nhau (xem bảng 6.7) nhằm mục đích xây dựng một mô
hình dự báo tổng quát hữu hiệu nhất. Các dự báo thực hiện với thời gian
báo trước 1 tháng cho chuỗi số liệu độc lập từ 1/1988 đến 12/1989, ngoài
ra trong mỗi bước dự báo tất cả các tham số của các mô hình được tính
lại theo thông tin mới.
Từ bảng nà
y thấy rằng độ xác thực của các dự báo theo các phương
pháp dao động từ 25 đến 71% theo tiêu chuẩn
σ670, và từ 33 đến 75%
theo tiêu chuẩn
σ80, . Tối ưu hoá thống kê những mô hình này bằng thủ
tục kết hợp đã nâng chất lượng dự báo: với mô hình hồi quy độ xác thực
tuần tự bằng 75% và 79% theo các tiêu chuẩn
σ670, và σ80, . Hiệu quả
dự báo
− độ xác thực dự báo theo mô hình kết hợp hồi quy vượt hơn so
với dự báo quán tính 8
−9%. Giá trị dự báo cuối cùng về lượng băng được
tính theo thủ tục ngược với (6.1).
Nhìn chung, nếu xuất p
hát từ mức sai số dự báo tương đối biến thiên
từ 1,34 đến 0,54, thì có thể kết luận rằng chỉ có mô hình kết hợp hồi quy
là cho giới hạn khả báo thống kê cao (2
−3 tháng) mà thôi. Với những mô
hình tự hồi quy các bậc 1
−3, mô hình xác suất, mô hình Bayes, kể cả mô

hình kết hợp trung bình, giới hạn khả báo xấp xỉ bằng 1
−2 tháng.
Lượng băng
trung bình năm là một đặc trưng bảo thủ nhất, tức có
tính ỳ nhất của hệ thống khí hậu. Việc mô phỏng cấu trúc thống kê của nó
rất quan trọng trong việc tách thành phần chu kỳ dài của quá trình. Vì tập
mẫu tuân theo luật phân bố chuẩn, ở đây ta hoàn toàn có thể sử dụng
phép phân tích thống kê tham số.
Giống như tr
ong trường hợp dự báo dị thường nhiệt độ mặt đại
dương, việc thực hiện khối dự báo xác suất (hình 0.5) về lượng băng đã
giúp chúng ta có một khẳng định có ý nghĩa phương pháp luận rằng hiệu


107
quả dự báo sẽ nâng lên nếu sử dụng thủ tục tối ưu hoá thống kê và một số
mô hình dự báo. Tuy nhiên, ở đây các giới hạn khả báo thống kê bị quy
định tuyệt đối bởi mức sai số tương đối của dự báo (công thức (4.7)), sai
số này tăng nhanh khi tăng khoảng thời gian báo trước của dự báo.

Hình 6.10. Hàm tự tương quan chuẩn hoá của chuỗi lượng băng
ở biển Bare
n
Nhằm nhận được các đặc trưng tính khả báo của các giá trị lượng
băng trung bình năm, chúng tôi đã tính hàm tự tương quan và xấp xỉ nó
bằng một công thức giải tích dạng
τβ=τ
γ
α−

cos)(
t
er
(6.2)
với các tham số bằng
40,=α , 38/π=
β
, 40,=
γ
(hình 6.10). Điều này
cho phép xác định tính thích hợp về dạng của mô hình giải tích với chuỗi
thời gian xuất phát, xác định phương sai tương đối của sai số dự báo (
d )
ứng với những thời gian báo trước khác nhau của dự báo và tính giới hạn
khả báo thống kê cực đại (thời gian báo trước) ứng với các tiêu chuẩn về
độ chính xác dự báo khác nhau (bảng 6.8). Vì quá trình có quán tính cao
− đường cong hàm tự tương quan cắt mức ý nghĩa tại bước trễ hơn 10
năm (xem hình 6.10), nên ở đây không đòi hỏi phức tạp hoá thêm thủ tục
dự báo, tức không cần tổng hợp các mô hình thống kê. Trong trường hợp
này chỉ cần sử dụng mô hình
1−
A
P với những hệ số tự hồi quy tính
theo công thức (6.2). Độ xác thực dự báo độc lập với bước trễ từ 1 đến 3
năm vẫn cao (xem bảng 6.8).
Bảng 6.8. Hiệu quả dự báo những giá trị trung bình năm lượng băng biển Baren
Thời gian báo trước, số năm

1 2 3 4 5 6 7 8 9 10

d theo mô hình (6.2)
0,48 0,69 0,75 0,80 0,83 0,86 0,88 0,90 0,93 0,94
d theo 1−AP
0,48 0,68 0,66 0,84 0,88 0,86 0,88 0,90 0,92 0,88
Độ xác thực, %
theo 0,674σ
95 70 70 55 50 Thấp hơn 50 %
theo
0,8σ

100 85 90 60 55 55 55 Thấp hơn 50 %
Với tiêu chuẩn 90,=d theo các công thức (4.8, 4.9) giới hạn khả
báo thống kê cực đại bằng 8
−10 năm, với các tiêu chuẩn σ6740, và
σ80, giới hạn này giảm xuống 4−6 năm.
Như vậy
, tách ra và dự báo thành phần chu kỳ dài của quá trình có
thể thực hiện một cách khá tin cậy bằng những mô hình xác suất tuyến
tính đơn giản bậc nhất. So sánh các kết quả dự báo trị số lượng băng
trung bình tháng và trung bình năm (xem các bảng 6.7, 6.8) cho thấy rằng
sự tăng chất lượng của các mô hình xác suất là do tăng quy mô lấy trung
bình thời gian của quá trình.
Mặc dù những
ưu việt rõ ràng của việc tối ưu hoá thống kê các mô
hình dự báo cũng như của việc tăng quy mô lấy trung bình, ở đây vẫn còn
một sự bất định
− ta không thể dự báo các chuỗi giá trị trung bình tháng
và trung bình năm với thời gian báo trước lớn hơn 1
−3 bước: thực tế này
đặc trưng cho nhiều quá trình khí tượng thủy văn và là do trong các mô

108
hình xác suất tuyến tính sai số ngoại suy tăng dần theo thời gian báo
trước của dự báo. Vì vậy, mặc dù những thành phần chu kỳ dài của lượng
băng có quán tính lớn, tới 2
−3 năm, các dự báo biến động nội trong năm
với thời hạn dự báo hơn 2
−3 tháng trở nên không hiệu quả.
Bảng 6.9. Kết quả khai triển lượng băng trung bình tháng biển Baren
theo các hàm trực giao
tự nhiên thời gian (số liệu 1946−1989)
Số hiệu
thành phần
Phương sai
%
Phương sai
tích phân, %
Số hiệu
thành phần
Phương sai
%
Phương sai
tích phân, %
1 60,6 60,6 7 1,7 97,5
2 14,4 75,0 8 0,9 98,4
3 8,2 83,2 9 0,6 99,0
4 5,8 89,1 10 0,4 99,5
5 4,4 93,5 11 0,3 99,8
6 2,3 95,8 12 0,2 100,0

Giải pháp phương pháp luận đã trình bày trong phần mở đầu sẽ giúp
ta khắc phục nhược điểm này
− dự báo những tham số tổng quát có nghĩa
của quá trình (các thành phần chính, các nhân tố khái quát ) đã nhận
được trong quá trình chẩn đoán thống kê về quá trình, tức xây dựng các
mô hình dự báo đa chiều.
Bây giờ chún
g ta xem xét những kết quả dự báo trị số lượng băng
trung bình tháng ở biển Baren bằng các mô hình đa chiều kiểu (4.1). Tại
giai đoạn thứ nhất (chẩn đoán), tập số liệu xuất phát được biến đổi bằng
phương pháp các thành phần chính (bảng 6.9). Năm vectơ riêng đầu tiên
−
chứa hơn 90% tổng phương sai, được chọn làm các tham số đủ để mô tả
quá trình đa chiều.
Như đã thấy trong mục 6.1 trên các thí dụ dự báo dị thường
nhiệt độ mặt đại dương, điều kiện quan trọng để dự báo một cách
có hiệu quả theo mô hình thống kê đa chiều dạng (4.2) là tính ổn
định của các hàm trực giao tự nhiên tính theo không gian hoặc theo
thời gian. Với lượng băng, việc kiểm tra điều kiện này đã thực hiện
tương tự: khi thêm thông tin mới vào dữ liệu xuất phát, cấu trú
c các
hàm trực giao tự nhiên không thay đổi, chứng tỏ chúng ổn định trên
thời kỳ dự báo tới một năm.


Hình 6.11. Những giá trị thực đo
(1) và dự báo (2
) dị thường độ
băng ở biển Baren với thời hạn dự
báo 1 năm

Hình 6.12. Phân bố sai số dự báo
độc lập dị thường độ băng
ở biển Baren
Phù hợp với công thức (4.3) năm thành phần chính đầu tiên của
lượng băng trung bình tháng được ngoại suy qua 1 bước (năm) tương lai
bằng cách sử dụng thủ tục tối ưu hoá thống kê các mô hình xác suất (xem
công thức (4.5)). Việc khôi phục những trị số xuất phát cho phép lập dự
báo độc lập lượng băng biển Baren với thời gian báo trước 12 tháng.
Trong trường hợp tổng quát, thời gian báo trước của dự báo bị quy định

bởi giới hạn khả báo thống kê của các thành phần chính lượng băng, bằng
2
−3 năm, hay 24−36 tháng. Vì vậy, với những mục đích dự báo nền thì
các tính toán với thời gian báo trước như vậy và độ phân giải moọt tháng
hoàn toàn hiện thực. Thủ tục tính trước lượng băng ở đây giữ nguyên


109
(xem công thức (4.2)); chỉ có các trị số của các thành phần chính được dự
báo là biến đổi trong khi các vectơ riêng không đổi. Trong thực tế có thể
dự báo những quá trình với quy mô khác nhau bằng các mô hình thống kê
đa chiều.
Trên các hình 6.11 và 6.12 thể hiện n
hững thí dụ dự báo độc lập và
phân bố sai số của 204 dự báo độc lập lượng băng từ năm 1973 đến 1989.
Nét đáng chú ý ở đây là cấu trúc mùa của dị thường lượng băng đã được
mô tả rất khá về chất lượng và định lượng. Theo chúng tôi, đó là ưu việt
chính so với các mô hình một chiều dự báo trực tiếp những chuỗi xuất
phát. Trong trường hợp n
ày dạng của đường cong dự báo lặp lại tất cả

những đặc điểm của quá trình biến thiên, nhưng hình như bị trễ một bước
so với những giá trị thực (hình 6.13). Vì vậy, ưu việt thứ hai của mô hình
đa chiều là mô tả (dự báo) một cách đồng pha những giá trị cực trị khí
hậu, chứ không phải ngẫu nhiên, trong biến động mùa của lượng băng
.
Cuối cùng, ưu việt thứ ba
− tăng thời gian báo trước của dự báo. Trong
đó sai số dự báo không tăng tỉ lệ thuận với thời hạn dự báo (hình 6.12), vì
nó phân bố tuỳ thuộc vào độ ổn định của các vectơ riêng (các hàm trực
giao tự nhiên) từ tháng này sang tháng khác. Nếu phân tích các sai số dự
báo tính bằng hiệu giữa lượng băng dự báo (
pΠ
ΔL ) và lượng băng thực
(
Φ
LΔ ), ta nhận thấy những đặc điểm: a) Các sai số dự báo phân bố tương
đối đều đặn trên toàn khoảng dự báo độc lập; b) Những trị số sai số cực
đại rơi vào các tháng mùa xuân và mùa đông, những sai số nhỏ nhất
− các
tháng mùa hè và mùa thu.
Những đặc điểm n
ày được quy định nhiều bởi cấu trúc của những
vectơ riêng (những hàm trực giao tự nhiên) chịu trách nhiệm mô tả sự
biến thiên nội năm của lượng băng, và sự biến động từ năm này sang năm
khác của các thành phần chính đầu tiên ảnh hưởng tới phân bố sai số giữa
các năm (hình 6.14). Độ xác thực trung bình theo toàn khoảng dự báo
bằng 82%. Độ xác thực trung bình tháng là ổn định
nhất (hình 6.14b),
điều này gián tiếp khẳng định về sự ổn định của các vectơ riêng.
Ta nhận thấy độ xác thực dự báo giữa năm

này và năm khác biến
thiên nhiều hơn (hình 6.14a). Những trị số nhỏ nhất rơi vào năm 1979
(59%), 1981, 1983 và 1984 (67%), những năm này ứng với các giá trị cực
trị của hệ số khai triển thứ nhất của lượng băng. Độ xác thực dự báo cực
đại bằng 100% ở năm 1980 và 1986 theo tiêu chuẩn
σ80, . Trong những
năm này trị số của các thành phần chính xấp xỉ giá trị chuẩn, giống như
các năm 1974, 1975, 1982, 1985, khi này độ các thực dự báo đạt 91%.
Nhìn chung, độ xác thực trung bìn
h của dự báo từ năm này tới năm
khác bằng 81%, còn từ tháng sang tháng bằng 82%, khá thoả mãn những
yêu cầu đối với các dự báo khí tượng thủy văn dài hạn [61, 65]. Một trong
những kết luận chính rút ra qua phân tích kết quả dự báo độc lập lượng
băng biển Baren là: ứng dụng các mô hình thống kê đa chiều có lợi thế
đáng kể cả về mức hiệu quả lẫn về thời
gian báo trước của dự báo so với
trường hợp dự báo bằng những mô hình thống kê một chiều.
Ở đây giải
quyết được hai vấn đề khó nhất: a) Phát triển được những sơ đồ dự báo cho
các quá trình quy mô khác nhau (về thời gian hay không gian) trong khuôn
khổ một mô hình dự báo đa chiều; b) Đạt được phân bố sai số dự báo, cũng
tức là các đặc trưng chất lượng dự báo, tương đối đều trên toàn khoảng dự
báo.

Hình 6.13. Biến động các chuỗi dị thường nhiệt độ trung bình tháng lớp nước
0
−200 m tại kinh tuyến Kolsky [44]


110

Hình 6.14. Độ xác thực
)(% P dự báo dị thường
năm (a) và mùa (b) của
lượng băng ở biển Baren

6.3. DỰ BÁO PHÂN BỐ KHÔNG GIAN CỦA PHÙ DU SINH VẬT
Ở BIỂN NA UY
Do sự quan tâm ngày càng cao đối với đại dương như một nguồn tài
nguyên sinh vật chủ yếu mà vấn đề xây dựng những mô hình toán mô tả
sự tiến triển các đặc trưng thủy sinh học trở nên cấp thiết.
Với tinh thần đó, trong công trình nà
y sẽ nghiên cứu những quan hệ
giữa các quá trình hải dương và sản lượng sinh học nước biển Na
Uy. Tài
liệu để phân tích là những số liệu quan trắc về sinh khối phù du sinh vật
tại những mặt cắt hải văn chuẩn ở biển Na
Uy từ năm 1968 đến 1984
trong các chuyến khảo sát tổng hợp thực hiện vào tháng sáu mỗi năm
[174]. Ở đây công cụ chính để thực hiện phân tích là những phương pháp
thống kê đa chiều.
Tại giai đoạn thứ nhất, toà
n bộ thông tin xuất phát được xử lý sơ bộ
nhằm mục đích khôi phục những khoảng trống quan trắc và lọc các sai
số. Những bài toán này được giải quyết bằng cách xây dựng mô hình hồi
quy đa thức đối với mỗi từng trường sinh khối phù du sinh vật. Những
giá trị sinh khối được biểu diễn bằng hàm bậc m của vĩ độ và kin
h độ.
Bậc tối ưu của mô hình được chọn bằng cách so sánh thử các hàm bậc từ
1 đến 7 theo phương pháp bình phương tối thiểu. Kết quả là tất cả các

trường được thể hiện qua những giá trị sinh khối phù du sinh vật khôi
phục được tại các điểm nút của một miền lưới có bước 2
° kinh vĩ tuyến từ
N60

=ϕ
đến
N75

=ϕ
và từ W15

=λ đến E15

=λ .
Sự lựa c
họn bước lấy trung bình không gian đối với các trường sinh
khối tuân theo mức gián đoạn của các số liệu khí tượng thủy văn lịch sử
thu thập cho vùng thủy vực Bắc Âu do Trung tâm Dữ liệu Thế giới, Viện
Nghiên cứu Khoa học Thông tin Khí tượng Thủy văn Liên bang quy định
và phù hợp với [46]. Sự tương đồng như vậy tạo khả năng phân tích so
sánh những trường hải dương học và sinh học.
Trong điều kiện đó, có thể hiểu được vai trò của động lực nước đại
dương thủy vực Bắc
Âu trong sự biến động chế độ nhiệt lớp trên của biển
Na
Uy và phân bố không gian sinh khối phù du sinh vật. Việc hiện thực
hoá các phương pháp phân tích thống kê đa chiều
− phân tích nhân tố và
phân tích nhóm (cluster analysis)

− đã cho phép nhận được một số tham
số (nhân tố) tổng quát phản ánh những đặc điểm quy mô lớn quan trọng
trong sự biến động sinh khối sinh vật phù du và các đặc trưng hải dương
(hình 6.15).

Hình 6.15. Phân bố không gian của ba nhân tố chung đầu tiên khai triển các
trường sinh khối phù du sinh vật ở biển Na
Uy
Nhân tố chung thứ nhất mô tả 30% tổng phương sai các trường sinh
khối khôi phục. Nhân tố này tập trung tại trung phần biển Na
Uy và trải
dài từ phía tây nam lên phía đông bắc, tại đây nó biểu lộ rõ nét cấu trúc ổ.
Nếu so sánh cấu trúc không gian của nhân tố chung thứ nhất (hình 6.15a)
và nhân tố chung thứ nhất của các đặc trưng hải dương (xem hình 5.9), dễ
dàng đi đến kết luận về sự phù hợp định tính của chúng: các ổ biến động


111
phù du sinh vật và các đặc trưng hải dương thực tế phân bố hoàn toàn
trong đới front (xem hình 5.12). Ổ trung tâm nằm ở vĩ độ 66
−68°N trong
dải phân cách luồng hải lưu Na
Uy [46] và vùng hội tụ nước nguồn gốc
Đại Tây Dương và Bắc Cực. Ổ phía nam của nhân tố chung thứ nhất của
sinh khối phù du sinh vật nằm ở vùng eo biển Fare
− Setlen, nơi đây nước
của các hải lưu Bắc Đại Tây
Dương và Na Uy gặp gỡ với nước của hải
lưu Đông Aixơlen, hình thành nên nhánh Fare
− Aixơlen mạnh mẽ của

đới front cực.
Như vậy,
sự hiện diện của các đới front phát triển là điều kiện cần
thiết hình thành các ổ phát triển mạnh phù du sinh vật trong lớp trên của
biển Na
Uy. Sự tương phản nhiệt giữa các loại nước Bắc Băng Dương và
Đại Tây Dương sẽ đặc trưng đơn trị cho vị trí và cường độ của front cực
và, do đó, quyết định những điều kiện xuất hiện các ổ phát triển phù du
sinh vật liên hợp trong không gian.
Vào mùa đông, đới front
nằm ở phía tây kinh tuyến số không, còn
trong các mùa chuyển tiếp nó lan rộng sang phía đông dọc theo vĩ tuyến
62
°. Nhập lưu nước từ Đại Tây Dương trong mùa thu định vị trong nhánh
phía đông hẹp của hải lưu Na
Uy nằm trong đới gần bờ Scanđinavi.
Vùng ảnh hưởng của nhân
tố chung thứ hai của khai triển sinh khối
chỉ gồm phần phía đông của biển Na Uy (xem hình 6.15b).
Ảnh hưởng
của nhân
tố này lan rộng tới dải bờ Scanđinavi (200−400 hải lý). Nhân tố
này cũng có cấu trúc ổ thể hiện rõ. Kích thước các ổ khoảng 300 km. Địa
điểm ngự trị chính của chúng dọc bờ Scanđinavi gián tiếp cho thấy sự
phát triển mạnh mẽ của các quá trình tương tác giữa hải lưu Na
Uy và các
loại nước ven bờ, các dòng nước lợ lục địa. Được biết rằng dọc thềm lục
địa Scanđinavi hình thành nhiều dải gọi là front ven bờ [189]. Građien độ
muối góp phần chủ yếu hình thành nên chúng.
Nhân tố chun

g thứ hai của các quá trình hải dương phản ánh vai trò
građien độ muối ở dải thềm Scanđinavi (xem hình 5.9). Phân bố không
gian của nhân tố này khá trùng hợp với cấu trúc của nhân tố chung thứ
hai của sinh khối phù du sinh vật (xem hình 6.15b). Do đó, trong trường
hợp này có thể chỉ ra nguyên nhân hình thành các ổ sinh khối, liên quan
tới chế độ động lực địa phương của nước biển. Tuy nhiên ở đây sự tương
tác diễn ra giữa cá
c loại nước "mặn" của hải lưu Na Uy và các loại nước
lợ thềm lục địa Scanđinavi. Biến động của trường độ muối là chỉ thị gián
tiếp về sự hình thành sinh khối ở đới ven bờ Scanđinavi.
Các nhân tố thứ ba, thứ tư và thứ năm của khai triển sinh k
hối phù
du sinh vật mô tả những lượng phương sai xấp xỉ bằng nhau và tổng cộng
gần bằng 10%. Cấu trúc không gian của chúng khá giống nhau và đặc
trưng bởi sự hiện diện nhiều ổ quy mô vừa, đường kính không quá 300
km (xem hình 6.15c). Trong phân bố của nhân tố thứ ba có thể nhận ra
một ổ ở phía tây bắc (xem hình 6.15c), cũng trùng hợp về trường với
nhân tố chun
g thứ ba của khai triển các đặc trưng hải dương (xem hình
5.9). Phép so sánh vừa rồi là cơ sở cho kết luận về sự biến thiên liên hợp
của cường độ hải lưu Đông Aixơlen và sự tăng cường các ổ phát triển
sinh khối quy mô vừa.
Kết cục là
những kết quả phân tích thống kê đã dẫn minh họa một
cách trực quan về tính nhất thể của các quy luật cơ bản đã phát hiện trong
phân bố không gian các đặc trưng hải dương và sinh học. Điều đó cho
phép đề ra một giả thiết có tính thực dụng về cơ chế vật lý khả dĩ hình
thành những biến thiên cấu trúc quy mô lớn của các trường sinh khối phù
du sinh vật của biển Na
Uy.

Khi phân tích sự biến động
nội năm của vị trí đới front ta nhận thấy
một thực tế rất lý thú
− sự hiện diện hai trạng thái khí hậu bền vững của
toàn bộ tập hợp các đặc trưng vật lý thủy văn ở biển Na
Uy. Trạng thái
thứ nhất
− gia tăng trao đổi nước với Đại Tây Dương, khi đó hệ thống các
dải front ở nam phần biển Na
Uy có định hướng phát triển dọc kinh tuyến
(điều này thường diễn ra nhất vào các mùa đông và hè). Trạng thái thứ
hai
− giảm thiểu trao đổi nước với Đại Tây Dương, biểu hiện ở vị trí
hướng địa đới của nhánh Fare
− Setlen trong đới front cực và front ven
bờ Scanđinavi vào mùa xuân và mùa thu. Như vậy là hai lần trong một


112
năm, trong cấu trúc không gian các trường động lực, nhiệt muối và, rõ
ràng cả các trường sinh học, có sự cường hoá các građien kinh hướng của
các đặc trưng hải dương học nghề cá đồng thời với sự gia tăng các quy
mô biến động ngang hướng.
Ngược lại, k
hi suy giảm trao đổi nước sẽ diễn ra quá trình tăng
tương phản đới trên nền gia tăng số lượng các ổ dị thường địa phương
(với đường kính 100
−300 km). Sự chuyển tiếp từ một trạng thái sang
trạng thái khác diễn ra rất nhanh, thực tế đột ngột từ mùa sang mùa (xem
hình 5.12). Điều này cho phép giả thiết "hiệu ứng chuyển mạch" như là

cơ chế quy mô lớn chủ yếu gây nên những biến thiên cấu trúc của các
trường mùa sinh khối phù du sinh vật.
Cơ chế này cho p
hép giải thích những dao động đột ngột giữa các
năm quan sát thấy trong phân bố nền của các đặc trưng nhiệt muối và
sinh học, điều không thể làm được dưới góc độ các mô hình liên tục theo
thời gian.
Phải nhấn mạnh rằng thá
ng sáu vẫn được hiểu là tháng chuyển tiếp
từ mùa xuân sang mùa hè đối với những loại quá trình khí quyển cơ bản
và cấu trúc thẳng đứng nước biển Na
Uy [7]. Vì vậy thậm chí những dao
động không lớn của các tham số hệ thống khí hậu Bắc Bán Cầu có thể
dẫn tới sự biến động đột ngột của các trường phù du động vật trong thời
kỳ khảo sát đợt tháng sáu, khi đó diễn ra sự tái thiết có tính địa phương,
mạnh mẽ của tất cả các quá trình từ mùa xuân sang mùa hè và toàn bộ hệ
thống sinh thái biển Na
Uy sẽ nhạy cảm nhất đối với sự tác động từ bên
ngoài.
Với quan điểm đó, những trường kh
ông gian của các nhân tố chung
đầu tiên thực chất sẽ phản ánh những cấu trúc điển hình cơ bản trong
phân bố phù du sinh vật ở biển Na
Uy. Để khẳng định điều này, đã tiến
hành phân loại các trường sinh khối khôi phục trong không gian các nhân
tố chung. Kết quả nhận được ba lớp, những lớp này thâu tóm sự biến
động phân bố sinh khối phù du sinh vật chủ yếu tại các ổ cơ bản: đới
front cực, đới ven bờ Scanđinavi và trong các khối nước của các hải lưu
Đại Tây Dương và Đông Aixơlen (hình 6.16).

Hình 6.16. Phân vùng biển Na Uy
theo kết quả phân loại độ biến động
nhiều năm sinh khối phù du sinh vật
(ký hiệu các vùng 1−3 với trị số sinh
khối cực đại của lớp tương ứng)

Sự ổn định của các lớp đã được kiểm tra bằng phương pháp phân
tích phân biệt tuyến tính [188], tức xây dựng hàm phân biệt tuyến tính
phân tách các lớp và ước lượng những chỉ số phân biệt lớp.
Trên cơ sở những kiểu trường chia ra, đã lập danh mục các lớp ph
ân
bố không gian của sinh khối phù du sinh vật. Nguyên tắc lập danh mục
khá đơn giản
– mỗi trường sinh vật phù du được so sánh định lượng với
từng lớp trong ba lớp và sự khác biệt nhỏ nhất giữa trường quan trắc và
lớp là căn cứ để gán cho trường đó một số hiệu lớp tương ứng.
Phép phân tích các lớp nhìn chu
ng khẳng định giả thiết "hiệu ứng
chuyển mạch" đã đề xuất.
Lớp 1 (xem hình 6.16) tương ứng với các tình
huống phát triển mạnh sinh khối phù du sinh vật, còn lớp 2 đặc trưng cho
các thời kỳ sinh vật phù du kém phát triển.
Điều quan trọng là phép
phân loại này phản ánh không những các
quy luật chung phân bố nền của sinh khối sinh vật phù du, mà cả những
đặc điểm cấu tạo không gian các trường.
Với lớp 1 điển hình là các ổ giá trị sinh khối cực đại quy

mô lớn
300
−500 km, vị trí chúng phù hợp về định tính với phân bố các dải front


113
khí hậu.
Lớp 2, n
gược lại, biểu hiện cấu trúc ổ cục bộ rõ nét của các trường
sinh khối trong bối cảnh nền chung giảm.
Lớp 3
được đặc trưng bằng một nền chung suy giảm, nhưng khác
với lớp 2, nó có một ổ mật độ sinh vật phù du gia tăng ở phía đông bắc
Aixơlen tại đới ảnh hưởng của các hải lưu Đông Aixơlen và Ianmaien.
Dưới góc độ "hiệu ứng chu
yển mạch" các lớp đã phân chia phân bố
như sau: vận chuyển nhiệt kinh hướng từ Đại Tây Dương vào biển Na
Uy
tương ứng với lớp 1; vận chuyển nhiệt suy giảm tương ứng đồng thời với
các lớp 2 và 3. Đặc điểm cuối cùng này làm chúng ta chú ý tới vai trò đặc
biệt của các quá trình thủy văn vùng tây bắc biển Na
Uy trong sự hình
thành các trường sinh khối. Vì vùng này còn ít số liệu quan trắc về sinh
khối nên hiện tại chưa cho phép khái quát sự liên hệ giữa các đặc trưng
thủy văn và sinh học.
Trên cơ sở giả thiết rằng các loại t
rường sinh khối đã được phân tách
ổn định theo thời gian và tuân thủ sơ đồ các chuỗi đồng nhất của Markov,
đã tiến hành tính toán các xác suất thực nghiệm chuyển đổi lớp này sang
lớp khác (bảng 6.10).

Bảng 6.10. Ma trận các xác suất chuyển đổi
các lớp phân bố sinh khối sinh vật phù du
Lớp trường
Lớp
trường

1 2 3
Σ
1 (0,59) 0,47 0,04 1,0
2 0,22 (0,44) 0,34 1,0
3 0,36 0,35 (0,29) 1,0
Thấy rõ rằng lớp 1, tương ứng với nền cao của nồng độ sinh khối
trong các đới front, được duy trì từ năm này sang năm khác ổn định nhất.
Lớp này với xác suất lớn nhất được thay thế bằng lớp 2, tương đương với
mức sinh khối sinh vật phù du trung bình thấp nhất nhưng với cấu tạo
không gian quy mô vừa phát triển. Về phần mình, trạng thái này hoặc duy
trì tới năm sau, hoặc được thay
thế bằng lớp 3. Phân bố sinh khối đặc
trưng của lớp 3 là có nền chung thấp và có ổ giá trị tương đối cao ở phía
tây bắc biển Na
Uy. Trạng thái phân bố tương tự thường xảy ra trước lớp
1, tức nền mật độ sinh vật phù du cao trên toàn biển. Đó là đặc trưng
chung nhất của tình hình biến thiên năm sang năm của các trường sinh
khối sinh vật phù du biển Na
Uy.
Tất cả những kết quả tính toán trên đây
có thể là căn cứ để xây dựng
dự báo xác suất kiểu phân bố không gian của phù du động vật trong biển
Na
Uy. Giá trị dự báo của phép phân loại của chúng tôi là ở chỗ trong

điều kiện độ chính xác thông tin thủy sinh không cao lắm, việc tiên đoán
kiểu trường sinh khối tương lai sẽ cho phép tránh những sai lầm chắc
chắn xảy ra khi lập các dự báo định lượng cho các điểm. Ngoài ra sẽ mở
ra khả năng tìm những mối liên hệ giữa các kiểu trường sinh khối phù du
sinh vật và các kiểu phân bố không gian của các đặc trưng vật lý thủy
văn. Trong tương lai dự định sẽ tự động hoá phương
pháp này nhằm mục
đích chẩn đoán và dự báo nghiệp vụ các đặc trưng hải dương học nghề cá
hình thành trạng thái các hệ sinh thái biển.
Để kết t
húc chương này, chúng tôi sẽ tóm lược những kết quả
chính dự báo thống kê các quá trình hải dương. Về phương diện phương
pháp luận cần lưu ý hai nguyên tắc đã thực hiện –
nguyên tắc thống nhất
giữa mô tả quá trình về mặt vật lý và về mặt thống kê và nguyên tắc bổ
sung, có nghĩa rằng vận dụng các mô hình thống kê khác nhau như thể
là ta đang xem xét các "mặt" khác nhau của đối tượng nghiên cứu.
Những nguyên tắc này đã cho phép định danh các mô hình dự báo một
cách tốt nhất (theo nghĩa thống kê), tức xác định các tham số của chúng

− bậc, kích thước và mức độ liên hệ giữa các yếu tố của các mô hình.
Cơ sở của p
hương pháp luận là thủ tục ngoại suy những tham số


114
tổng quát bằng các phương pháp thống kê khác nhau, trong đó có cả
những mô hình bao gồm các thủ tục kết hợp. Những dự báo về nhiệt độ
nước lớp mặt Bắc Đại Tây Dương và lượng băng biển Baren đã cho thấy
sự ưu việt của việc sử dụng các mô hình đa chiều so với các dự báo

những chuỗi đặc trưng hải dương xuất phát trực tiếp bằng các
mô hình
một chiều cả về phương diện hiệu quả lẫn thời gian báo trước.
Nếu như kết quả thứ nhất (vận dụn
g các mô hình xác suất một chiều)
đã khá quen thuộc và được thực tiễn dự báo khẳng định [65, 146, 151],
thì kết quả thứ hai
− cho phép ta theo cách mới nhìn nhận những khả
năng dự báo các tham số tổng quát. Thật vậy, sau khi phân tích những dự
báo đã thực hiện, ta thấy rằng cách tiếp cận này cho phép: a) Dự báo quá
trình đa chiều mà không phải tăng số chiều của mô hình dự báo; b) Tăng
thời gian báo trước của dự báo không phải do ngoại suy các tham số mô
hình, mà do sự ổn định của các hàm cơ sở, tức tính tới tính liên hệ của
trường hay của các
chuỗi thời gian.
Dự báo phân
bố không gian của phù du sinh vật ở biển Na Uy bằng
cách xây dựng vectơ các lớp trạng thái phản ánh những xu thế hiện đại
trong thủy sinh học
– dự báo những đại lượng sinh khối phù du sinh vật
cụ thể hiện thời chưa thể thực hiện được do cấu trúc phức tạp của thông
tin xuất phát. Trong đó lời giải dự báo trở thành nhiều phương án. Ở đây
cần nhận thấy rằng nếu không tiến hành chẩn đoán bằng các phương pháp
phân tích thống kê đa chiều khác nhau, thì về nguyên tắc không thể đạt
tới một kết quả dự báo thoả đáng.
Như vậy,
hiệu quả dự báo tuỳ thuộc nhiều vào tính tổng hợp của
phương pháp tiếp cận cả trong khối chẩn đoán lẫn khối dự báo (xem hình
0.5).

KẾT LUẬN
Để kết thúc việc trình bày những kết quả mô hình hoá thống kê,
chúng tôi muốn nhấn mạnh một lần nữa rằng: Tính đa tham số và tính
không đơn trị của các mối liên hệ đặc trưng cho trạng thái đại dương, đã
quyết định quan điểm phương pháp luận trong nghiên cứu các quá trình
hải dương mà hạt nhân là công cụ phân tích thống kê đa chiều. Ở đây độc
giả có quyền đưa ra những câu hỏi: "Phải chăng các phương ph
áp phân
tích thống kê đa chiều là những phương pháp vạn năng trong việc phát
hiện những đặc điểm cấu trúc tiềm ẩn của các quá trình?" và "Chúng ta
đã đạt được gì?".
Kinh nghiệm nhiều năm ở nước ta và trên thế giới ứng dụng
các
phương pháp phân tích thống kê đa chiều trong nghiên cứu địa vật lý,
việc áp dụng mạnh mẽ và thành công trong các lĩnh vực khoa học khác,
cho phép trả lời câu hỏi thứ nhất một cách khẳng định. Kết luận này cũng
có thể rút ra từ những thành tựu của công trình này. Một trong những kết
quả nghiên cứu được tiến hành bằng các phương pháp phân tích thống kê

đa chiều là chuyển từ không gian thông tin ba chiều truyền thống sang
không gian
M
chiều các trạng thái, số chiều của nó được xác định bằng
số biến trong vectơ quan trắc. Ở đây trước mắt nhà nghiên cứu mở ra vô
vàn những mối liên hệ giữa các biến mà sau này được thể hiện sáng rõ
qua những thành phần chính, những nhân tố, những lớp, những kiểu, làm
cho việc lý giải các cơ chế vật lý phức tạp được dễ dàng hơn nhiều.

Vận dụng các phương
pháp phân tích thống kê đa chiều khác nhau sẽ
giúp rất nhiều phân tích toàn diện những quá trình hải dương. Một mặt,
đó là do chúng ta đã nhận thức được rằng không thể mô tả sự đa dạng
phong phú vô cùng của những trạng thái các quá trình hải dương bằng
một mô hình tuyệt hảo nào đó, vì những kiểu mô hình khác nhau có sứ
mệnh thực hiện những chức năng khác nhau và giành cho những mục