Mô hình hoá mưa - dòng chảy ( Phần cơ sở - Nxb ĐH Quốc Gia Hà Nội ) - Chương 8 ppt

264
Chơng 8
Dự Báo Lũ Lụt
Hiện nay thủy văn học lũ lụt hấp dẫn cả về cách tiếp cận vi mô dựa vào những cơ
chế liên tục lẫn cách tiếp cận vĩ mô dựa vào nghiên cứu thống kê của những tổng thể
lớn. Không một cách tiếp cận nào hoàn toàn thích hợp với thủy văn học lu vực, mà nó
đòi hỏi những chuyển tiếp về quy mô giữa quy mô địa phơng của vật lý thủy văn và
quy mô toàn cầu của một khu vực địa lý chính.
Jim Dooge, 1986
Có hai loại dự báo lũ đợc đòi hỏi trong thủy văn học. Một là dự báo lu lợng lũ
và phạm vi ngập lụt trong thời gian lũ, đặc biệt là để quyết định xem liệu những cảnh
báo lũ lụt có cần phải đợc phát báo hay không. Loại dự báo 'thời gian thực này
thờng đợc gọi là dự báo lũ. Trong những lu vực nhỏ dự báo lũ trớc hết là bài toán
mô hình ma-dòng chảy, liên quan đến ma rađa hoặc những trạm đo ma từ xa gửi
số liệu trở lại cho một cơ quan phân tích lũ lụt trong thời gian thực để sử dụng với một
mô hình dự báo. Trong những lu vực lớn có thể liên quan tới cả mô hình ma-dòng
chảy lẫn mô hình thủy lực của các lòng dẫn: dạng để xác định bao nhiêu nớc sẽ đóng
góp cho sóng lũ; sau đó cho phép dự đoán mức độ lụt lội của vùng ngập lụt và đặc tính
lũ trong suốt thời gian lũ. Những phơng pháp dự báo thời gian thực của lu lợng lũ
và mức độ ngập lụt đợc chia ra trong năm mục đầu tiên của chơng này.
Loại dự báo thứ hai đợc đề cập đến là tần suất của biến cố trận lũ với những độ
lớn khác nhau. Lũ lớn hơn thì xác suất vợt nhỏ hơn- trận lũ có độ lớn nh thế hoặc
lớn hơn sẽ xẩy ra trong một năm bất kỳ. Tần suất thấp hơn của biến cố có thể đợc
biểu diễn nh một 'thời kỳ lặp lại' hay 'khoảng tái diễn' dài hơn, nh vậy chúng ta hy
vọng trận lũ trung bình 100 năm xuất hiện một lần lớn hơn trận lũ với thời kỳ lặp lại
50 năm. Những thời kỳ lặp lại này liên quan tới nghịch đảo của xác suất vợt. Ví dụ,
một sự kiện 100 năm có xác suất vợt bằng 0.01 trong bất kỳ năm đơn nào; sự kiện 50
năm có xác suất vợt bằng 0.02. Xác định một sự kiện cực hạn bởi thời kỳ lặp lại của
nó là một cách biểu thị xác suất vợt khá tự nhiên nhng hiểu đúng mức ý nghĩa của
thời kỳ lặp lại là điều rất quan trọng. Nó là kỳ vọng độ dài trung bình thời gian giữa
những biến cố một sự kiện có độ lớn đã cho. Do đó ớc lợng của thời kỳ lặp lại là rất

khó kiểm tra với những độ dài của những ghi chép thông thờng có sẵn ở những vị trí
đã đo đạc. Thậm chí một sự kiện thời kỳ lặp lại 10 năm lý tởng đòi hỏi số liệu lũ một
thế kỷ hoặc nhiều hơn để thu đợc đánh giá chính xác độ lớn đỉnh lũ, trong thời gian
mà những đặc trng của hầu hết các lu vực có xu hớng thay đổi theo cách có thể có
một ảnh hởng đến phân bố tần suất lũ. Các đặc trng tần suất của những trận ma
,cực hạn cũng đợc biết đã thay đổi trong 100 năm trớc hoặc hơn nữa, vì những dao
265
động khí hậu và có lẽ cũng cả thay đổi khí hậu. Đa ra tiềm năng nh vậy cho sự thay
đổi quan trọng, cái thật sự đợc yêu cầu là một ớc lợng xác suất của một con lũ với
độ lớn cho trớc dới các điều kiện hiện thời (hoặc tơng lai thay đổi), và biểu thức của
xác suất này dới dạng một thời kỳ lặp lại thì có phần lạc đờng.
Nh vậy, ớc lợng tần suất lũ là một vấn đề rất khó khăn. Có một sự thay đổi
của những phơng pháp sẵn có để khắc phục những vấn đề, kể cả ớc lợng thống kê
dựa vào mẫu đo đạc lũ tại một vị trí, những phơng pháp địa phơng hoá cho những
lu vực không có số liệu và những phơng pháp dựa vào mô hình ma -dòng chảy. Một
nghiên cứu đầy đủ về chủ đề thú vị này nằm ngoài phạm vi của quyển sách này; ở đây
chúng ta sẽ chỉ xem xét cách tiếp cận mô hình hóa ma -dòng chảy, một cách tiếp cận
mà hiện thời đang thu hút một số quan tâm.
Có sự suy đoán rằng ở nhiều vùng của thế giới, những sự kiện cực hạn sẽ trở
thành cực hạn hơn nh một kết quả của cả các thay đổi khí hậu lẫn thay đổi sử dụng
đất. Lý do đi theo hớng cảnh báo của khí quyển sẽ gây ra vòng tuần hoàn tích cực
hơn, dẫn tới những trận ma cực hạn hơn, trong khi sự phá rừng và đô thị hóa và
những thay đổi sử dụng đất khác sẽ có xu hớng làm tăng các hệ số dòng chảy. Đồng
thời, sự tăng mực nớc biển liên quan đến sự tan của những khối băng ở cực và nhiệt
độ biển tăng có thể làm cho những vùng cửa sông và ven biển dễ bị ngập lụt hơn. Nếu
điều này chứng tỏ là xẩy ra thì quá trình của cảnh báo lũ sẽ càng ngày càng trở nên
quan trọng hơn.
Theo lịch sử, con ngời đã có xu hớng thờng xuyên tránh những đồng bằng
ngập lụt thờng xuyên để sinh sống. Tuy nhiên, với dân số ngày càng tăng và sự đô
thị hóa ngày càng tăng, càng ngày càng có thêm nhà ở và những tòa nhà thơng mại ở

những vùng là bộ phận của đồng bằng ngập lụt tự nhiên. Với tình huống nào đó,
những công trình phòng chống ngập lụt nh đập chắn và đê điều hoặc các kè có thể sử
dụng để giảm bớt khả năng ngập lụt và nguy hiểm, và thờng có ảnh hởng đến sự
phát triển miền đồng bằng ngập lụt đáng khích lệ, nhng những công việc nh vậy
thờng sẽ không bảo vệ chúng chống lại những trận lũ cực hạn nhất. Chắc chắn là số
những trận lũ ghi nhận đợc với thiệt hại nghiêm trọng và đánh giá tổn thất thiệt hại
hàng năm do lũ lụt tiếp tục tăng lên, làm cho lũ lụt là một trong số những mối nguy
hiểm tự nhiên tốn kém nhất dới dạng thiệt hại và mất mát tài sản của cuộc sống
(xem Smith và Ward 1998). Ngời dân và những doanh nghiệp nói chung thờng chịu
đựng hoặc không có khả năng vì những lý do tài chính để di chuyển khỏi những vùng
đồng bằng ngập lụt (mặc dù có những ví dụ về những cộng đồng buôn bán tái định c
và c trú từ những vùng đồng bằng ngập lụt với sự giúp đỡ tài chính Liên bang sau trận
lụt Mississippi năm 1993), những đánh giá đúng lúc và chính xác nh vậy của việc ngập
lụt sẽ là một ứng dụng rất thực tế của mô hình ma-dòng chảy trong tơng lai.
8.1 yêu cầu số liệu cho dự báo thời gian thực
Một trong những cách giảm nhẹ tổn thất của thiệt hại lũ lụt quan trọng nhất là sự
chuẩn bị của những cảnh báo thích hợp, cho phép ngời dân hành động bảo vệ tài sản
của họ và bản thân. Trách nhiệm cho cảnh báo lũ của những nớc khác nhau cũng
266
khác nhau. Trong đa số các trờng hợp hệ thống này đợc dựa vào những cơ quan
cảnh báo lũ lụt địa phơng, hoạt động ngay khi một trận ma hình thành lũ lụt tiềm
tàng đợc dự báo. Những cơ quan này sau đó sẽ sử dụng mô hình ma-dòng chảy
trong thời gian thực để dự báo lu lợng và mực nớc lũ trong những vùng khác nhau
nh một cơ sở cho những quyết định xem liệu có phát đi những cảnh báo lũ lụt hay
không.
Quá trình này dễ hơn rất nhiều ở những lu vực lớn nơi mà sự hình thành của
một trận lũ, và sự truyền sóng lũ xuống hạ lu, có thể mất vài ngày hoặc thậm chí
hàng tuần. Những ví dụ gần đây là trận lũ lụt ở Mississippi năm 1993 (Chagnon
1996); lũ lụt Meuse và Rhine năm 1995 (Koopmanss và nnk 1995); lũ lụt ở bắc
California năm 1997; lũ lụt ở Oder nớc cộng hòa Séc, Balan và Đức vào năm 1997

(Kundzewicz và nnk 1999); lũ sông Red năm 1997 ở bắc Hoa kỳ và Canada; các trận lũ
ở Chang Chiang (Yangtse) Trung Quốc vào năm 1998 và 1999; và những trận lũ lụt
tàn phá ở Limpopo và các sông Save ở Mozambique năm 2000.
Trong những lu vực nhỏ, với thời gian đến đỉnh ngắn, dự báo thời gian thực có
nhiều khó khăn hơn. Những lu lợng cực hạn nhất ở những lu vực nh vậy có xu
hớng xuất hiện nh một kết quả của những trận ma đối lu địa phơng hoặc những
ô lới cờng độ cao bên trong những hệ thống thời tiết synop lớn hơn. Thậm chí những
dụng cụ đo từ xa hoặc một rađa đo ma theo dõi vùng đó, thời gian đáp ứng có thể là
quá ngắn để phát ra cảnh báo trong thời gian thực. Tùy chọn duy nhất là sau đó phát
ra những cảnh báo trên cơ sở của dự báo những trận ma, nhng những cảnh báo nh
vậy có xu hớng là rất chung chung. Có thể nhận biết tiềm năng cho một trận ma
sinh lũ nhng rất khó có thể chỉ rõ chính xác ở đâu. Một ví dụ điển hình của điều này
xảy ra tại miền nam nớc Pháp và bắc Italy, nơi mà đặc biệt trong tháng chín, những
hệ thống thời tiết di chuyển trong đất liền từ Địa Trung Hải vào và tùy thuộc vào sự
tăng địa hình núi có thể đa đến làm tăng những trận ma và lũ lụt rất mãnh liệt.
Thực tế hàng năm có ít nhất một trận lũ phụ ở đâu đó trong vùng rộng lớn này.
Những ví dụ nổi tiếng là lũ năm 1988 ở Nice và lũ năm 1992 trên 560 km
2
Ouveze tại
Vaison-la-Romaine ở Pháp.
Trong trờng hợp của Vaison-la-Romaine, cơ quan khí tợng Pháp đã phát báo
một cảnh báo khả năng có lũ quét cho khu vực. Thật khó trong một trờng hợp nh
vậy cho những cộng đồng riêng lẻ để phản ứng lại, vì ma có thể không rơi trên lu
vực sẽ ảnh hởng đến họ. ở Vaison, 179 mm đợc ghi trong 24 giờ, với lợng cao hơn
bất kỳ đâu trên lu vực và cờng độ trên 200 mm trong suốt thời gian 6 phút. Thời
gian giữa lúc bắt đầu trận ma và lúc đỉnh lũ chỉ là 3.5 giờ. Lu lợng đỉnh lũ ớc
lợng là 600-1100 m
3
/s, với mực nớc đỉnh trong thị trấn Vaison là 21 m. Cầu La mã
cổ trong trung tâm của Vaison đã bị vợt đỉnh nhng trận lũ vẫn tồn tại lâu, mặc dầu

có đoạn băng viđêô đầy ấn tợng về việc trôi nổi những đoàn lữ hành chen chúc ở dới
nó. Phần lớn những nạn nhân trong sự kiện này là những khách du lịch ở một điểm
cắm trại ở đáy thung lũng thợng lu Vaison. Có nhiều thảo luận sau sự kiện này về
việc liệu có phải sự phát triển của thị trấn trên thợng lu đồng bằng ngập lụt đã làm
độ sâu của lũ và tác động của lũ lụt xấu hơn nhiều (Arnaud-Fassetta và nnk 1993). Rõ
267
ràng là nhiều cuộc sống có thể đã đợc bảo vệ nếu có thể một cảnh báo lũ chính xác.
Để làm những cảnh báo đúng đắn đòi hỏi kiến thức về những trận ma khi chúng
xẩy ra, hoặc, thậm chí tốt hơn, các dự báo chính xác những cờng độ ma tiềm tàng đi
trớc thời gian. Điều này cho phép tăng thời gian dự kiến của dự báo, có thể là quan
trọng cho những trận lũ quét và các lu vực nhỏ, nh Vaison-la-Romaine. Một số
phơng pháp hiện thời phát triển để lập dự án một chuỗi trạm đo ma hoặc số liệu
ma rađa trong tơng lai (ví dụ Krajewski và Pháp 1994; Andrieu và nnk 1996;
Dolcine và nnk 1998) nhng bất cứ phơng pháp đã sử dụng nào, những dự báo có xu
hớng giảm giá trị rất nhanh chóng. Trong tơng lai, có những khả năng kỹ thuật sử
dụng một mô hình dự báo thời tiết số trị quy mô nhỏ, lồng trong các lới của một mô
hình tuần hoàn lớn hơn, nhng những dự báo chính xác cũng sẽ đòi hỏi những sự cải
tiến những quan niệm hình thành ma sử dụng trong phát sinh hiện thời của mô
hình. Cho đến nay, các dự báo ma do những mô hình qui mô trung bình cung cấp
không đủ chính xác. Tại thời gian hiện nay hầu hết các hệ thống cảnh báo lũ lụt bị
phụ thuộc vào số liệu từ các trạm đo từ xa hoặc ma rađa, đợc truyền trở lại trung
tâm dự báo trong thời gian thực.
Lợi thế của rađa thời tiết trong những tình huống này là rađa sẽ thờng nhặt ra
những ô mãnh liệt nhất của trận ma trong hệ thống thời tiết (ví dụ Smith và nnk
1996; xem phần 3.1). Những ô nh vậy có thể nhỏ hơn khoảng cách giữa các trạm đo
từ xa, và bởi vậy có thể bị mất bởi những hệ thống trên mặt đất. Vấn đề với rađa, nh
một đầu vào để dự báo kết quả lu lợng lũ, là mối quan hệ giữa tín hiệu rađa và
cờng độ trận ma có thể không thờng xuyên đa ra một ớc lợng chính xác cờng
độ tuyệt đối (xem mục 3.1), đặc biệt khi có những hiệu ứng suy giảm vì trận ma lớn
gần rađa che lấp tín hiệu từ xa hơn. Nh vậy, cho cả rađa lẫn những hệ thống trạm

đo, nó có thể là có khả năng để đoán nhận rằng trận ma mãnh liệt đang xuất hiện
trên một diện tích lu vực nhng không chính xác là mạnh nh thế nào.
Điều này trở nên quan trọng mà bất kỳ mô hình ma-dòng chảy nào sử dụng cũng
có khả năng thích nghi thời gian thực để tính toán bất kỳ sai số nào trong những kết
quả dự báo từ những sai số đầu vào, dù từ rađa hay trận ma, hoặc từ sai số trong cấu
trúc mô hình. Tuy nhiên, điều này đòi hỏi rằng trung tâm cảnh báo lũ lụt cũng nhận
những thông tin về mực nớc sông trong thời gian thực, tại một hoặc nhiều hơn những
trạm đo trong một lu vực, để dự báo mô hình có thể đợc so sánh với những mực nớc
hoặc lu lợng quan trắc trong thời gian thực và mô hình thích nghi để tạo ra những
dự báo chính xác hơn (ít nhất cho đến khi trạm đo bị h hỏng hoặc hệ thống đo từ xa
sai lệch). Một số cách làm này đợc bàn luận đến trong mục tiếp theo.
Cũng có lý do khác tại sao thông tin lu lợng có thể hữu ích trong cảnh báo lũ
lụt, đặc biệt trong những lu vực lớn hơn. ở đâu các thời gian trễ trong hệ thống lòng
dẫn là đủ dài so với thời gian dự kiến yêu cầu cho một dự báo (nói chung trong 3-6
tiếng là thời gian dự kiến khả thi tối thiểu để cho phép một cảnh báo sẽ đợc truyền
đến dân chúng), thì đo đạc lu lợng hay mực nớc lũ ở thợng lu có thể đợc sử
dụng nh một bộ phận của hệ thống để dự báo mực nớc và lu lợng lũ và theo thời
gian của đỉnh lũ xa hơn về phía dới hạ lu.
268
Nói chung, những cảnh báo lũ lụt đợc phát đi trong quan hệ với mực nớc dự báo
của sông ở một điểm đo đạc nguy cấp mà không mô hình hóa biểu đồ chi tiết của sự lụt
lội phía thợng lu của điểm đó. Trong nhiều tình huống điều này có thể là thích hợp,
vì nếu lũ lụt đợc dự báo xuất hiện ở đâu đó trong đồng bằng ngập lụt, thì một cảnh
báo chung có thể đợc phát ra. Tuy nhiên, trong những dòng sông lớn, nh
Mississippi, sự phát triển của sóng lũ xuôi dòng có thể đợc kiểm soát rất chặt chẽ
bằng bản đồ lụt lội trong suốt trận lũ, bao gồm những ảnh hởng của những sự hỏng
hóc đê mà vốn đã khó để dự báo trớc thời gian. Nh vậy có thể cần thiết sử dụng một
mô hình diễn toán thủy lực trong dự báo những độ sâu chờ đợi ở phía hạ lu, liên tục
xem lại các tính toán khi những điều kiện thay đổi. Điều này yêu cầu bổ sung thêm về
những hiểu biết địa hình lòng dẫn và đồng bằng ngập lụt để sử dụng trong mô hình

thủy lực, cùng với những thông số nh những hệ số sức cản hiệu quả. Tài liệu địa hình
thờng đợc cung cấp nh một chuỗi các mặt cắt ngang đợc khảo sát trên đồng bằng
ngập lụt và lòng dẫn tại những vị trí khác nhau, nhng việc tăng sử dụng của những
mô hình tích hợp độ sâu hai chiều sẽ dẫn tới sử dụng số liệu đo vẽ địa hình ở dạng
những bản đồ cao trình số hoá chi tiết của đồng bằng ngập lụt. Tất nhiên, dạng lòng
dẫn có thể thay đổi trong thời gian một trận lũ vì sự xói mòn và bồi lắng. Những mô
hình vận chuyển trầm tích trong các sông cha phát triển đến giai đoận mà chúng có
thể đợc sử dụng một cách có hiệu lực và đa số các mô hình diễn toán thủy lực hiện
thời sử dụng giả thiết 'đáy cố định.
8.2 Mô hình ma-dòng chảy cho dự báo lũ
Bất kỳ mô hình ma-dòng chảy nào đã đợc hiệu chỉnh cho một lu vực riêng biệt
có thể đợc sử dụng trong dự báo lu lợng lũ. Ví dụ, hệ thống dự báo sông của Cục
thời tiết quốc gia Hoa Kỳ (Burnash 1995), là sự phát triển của mô hình Sacramento,
một dạng mô hình tính toán độ ẩm đất hiện tập trung với nhiều thông số đợc hiệu
chỉnh (ví dụ Sorooshian và nnk 1992; Gupta và nnk 1999). Sử dụng những phơng
pháp nh đợc bàn luận trong Chơng 7, dự báo có thể cũng có liên hệ với một ớc
lợng bất định trong dự báo. Cho là các ớc lợng theo cách này có thể là quan trọng.
Kinh nghiệm cho thấy rằng tính bất định trong cả những phép đo lẫn những dự báo
đỉnh lũ tăng theo độ lớn đỉnh lũ. Ngoài ra, dù một mô hình đã đợc hiệu chỉnh cho một
phạm vi nhất định của lu lợng, tính bất định chắc sẽ phải tăng thêm trong khi
những dự báo đợc làm bên ngoài phạm vi hiệu chỉnh này cho những sự kiện cực trị.
Nh vậy, có thể không có khả năng để dự đoán cuối cùng liệu mực nớc sẽ bị vợt quá
trong một trận lũ trong tơng lai hay không; tuy nhiên, có thể có khả năng đánh giá
mức rủi ro mà mực nớc sẽ bị vợt bằng sự xem xét phân bố của những dự báo (bất
định).
Nh đã chú ý trớc đây, xu thế sai số trong dự báo suốt thời gian những sự kiện
cực hạn cho thấy rằng là thuận lợi khi sử dụng một chiến lợc mô hình hóa thích hợp,
sao cho nếu một sự so sánh của lu lợng quan trắc và dự báo bộc lộ rằng các dự báo
mô hình có sai số, thì một chiến lợc để điều chỉnh các dự báo mô hình có thể đợc tiến
hành. Điều này rõ ràng chỉ có thể ở nơi mà các đo đạc mực nớc sông hoặc lu lợng có

269
thể đợc có sẵn trong thời gian thực. Sự thích nghi cũng đợc thực hiện dễ dàng hơn
cho những mô hình đơn giản hơn. Trong những mô hình phức tạp, với nhiều biến khác
nhau hoặc những thành phần có thể đợc điều chỉnh, khó có thể quyết định phải điều
chỉnh cái gì.
Một sự so sánh các phơng pháp dự báo thời gian thực, bao gồm các sơ đồ thích
ứng, đợc thực hiện bởi Tổ chức khí tợng thế giới (WMO 1975) và gần đây Moore đã
đa ra một tổng quan của những cách tiếp cận (1999). Điều không rõ ràng từ WMO
nghiên cứu là liệu sử dụng những mô hình phức tạp hơn sẽ có lợi thế hơn sử dụng một
tiếp cận rất đơn giản để mô hình hóa thời gian thực, vì sự thích nghi thời gian thực có
thể giải thích cho nhiều sai số tiềm tàng trong việc sử dụng một cấu trúc mô hình hóa
đơn giản. Trong tình hình dự báo thời gian thực, nhà thủy văn học không quan tâm tới
việc đa ra dự báo đúng của quá trình dòng chảy thợng lu của một vùng lũ có dạng
thoải, nhng rất quan tâm đến việc đa ra một dự báo tốt của mực nớc đỉnh lũ trong
vùng đó, có thể trớc nhiều giờ.
Cũng có thể có tiếp cận mà không cần mô hình hoá sự sinh dòng chảy trong thời
gian dự báo lũ. Nh đã chú ý trong mục 4.9, các mô hình mạng thần kinh mới đây đã
trở thành phổ biến nh một phơng tiện của việc ớc lợng N bớc về phía trớc của
lu lợng lũ, sử dụng đầu vào bao gồm ma và những giá trị trớc đó của lu lợng
hoặc mực nớc và một tập hợp luyện các sự kiện lịch sử (xem Hình 4.9). Tuy nhiên,
trong việc bàn luận về những cách tiếp cận mạng thần kinh, cần ghi nhớ rằng những
dự báo đợc làm cho những sự kiện cực trị hơn những sự kiện bao gồm trong tập hợp
luyện có thể không đợc ớc lợng một cách chính xác.
ở đây chúng ta sẽ xem xét hai chiến lợc mô hình hóa đơn giản cho dự báo thời
gian thực. Trớc hết là một phơng pháp tất định thích nghi của Lambert (1972) rất
khó với các dao động nhỏ của các lu vực trung bình. Mô hình đầu vào -lợng trữ - đầu
ra (ISO) này đã đợc sử dụng trong một số sơ đồ dự báo lũ của Anh, đặc biệt là ở lu
vực sông Dee phía bắc xứ Wales. Thứ hai là một dạng thích nghi của các mô hình hàm
chuyển đổi đợc xem xét trong mục 4.3. Những hàm chuyển đổi thích nghi có thể sử
dụng cho cả ma-dòng chảy và lu lợng (hoặc mực nớc) thợng lu tới lu lợng

(hoặc mực nớc) hạ lu, phụ thuộc vào số liệu sẵn có. Ví dụ ứng dụng giới thiệu trong
trờng hợp nghiên cứu của phần 8.5 cho một mô hình dự báo hoạt động cho thị trấn
Dumfries ở Scotland, sử dụng cả ma-dòng chảy và các hàm chuyển đổi lu lợng -
lu lợng. Sự thích nghi của những mô hình nh vậy có thể thực hiện trong một số
cách khác nhau. Trong mô hình Dumfries, một thông số lợi ích thích nghi đơn giản đ-
ợc sử dụng, nghĩa là hàm chuyển đổi đợc thu nhỏ hoặc phóng to trong thời gian thực
mà không thay đổi dạng của nó. Cách tiếp cận đơn giản này đã tỏ ra là rất có hiệu quả
ở đây và những ứng dụng khác.
Những loại mô hình này có thể tạo ra bộ phận của một hệ thống dự báo lũ lớn hơn
bao gồm những thành phần diễn toán lũ. Ví dụ với lu vực sông Dee, những mô hình
ISO đã đợc phát triển cho tất cả các lu vực con có đo đạc và liên kết với những một
mô hình diễn toán lũ. Một gói chung kết hợp chặt chẽ với nhiều mô hình diễn toán lũ
và mô hình ma-dòng chảy đã đợc thực hiện cho toàn bộ vùng Yorkshire của cơ quan
270
môi trờng Anh (xem Moore và nnk 1994).
8.3 Mô hình ISO Lambert
ý tởng đằng sau mô hình ISO của Alan Lambert đơn giản một cách đáng ngạc
nhiên. Nó dựa vào sự phát triển của một đờng cong rút nớc tổng thể cho một lu
vực hoặc lu vực con nơi mà một thời kỳ đo đạc lu lợng là sẵn có, bằng việc nối lại
với nhau các đờng cong rút nớc bộ phận từ những trận lũ riêng lẻ. Nhìn chung,
dạng của một đờng cong rút nớc nh vậy có thể không dễ dàng đợc biểu diễn bởi
một hàm toán học đơn giản nhng Lambert gợi ý sử dụng những hàm lôga và tuyến
tính đơn giản để biểu diễn cho những phần khác nhau của phạm vi lu lợng
(Lambert 1969, 1972). Sau đó, tại mỗi bớc thời gian trong thời gian một trận lũ, ma
trung bình (nhỏ hơn một ớc lợng của bốc hơi nếu cần thiết) đợc thêm cho lợng trữ
lu vực tơng đối (lợng trữ tuyệt đối không cần phải ớc lợng), và sử dụng biểu diễn
của hàm lu lợng - lợng trữ một thay đổi gia tăng lu lợng dễ dàng đợc dự báo.
Lu lợng đợc trừ từ lợng trữ, và mô hình sằn sàng cho bớc thời gian tiếp theo.
Điều này có thể là sự đơn giản một mô hình ma-dòng chảy. Sự hiệu chỉnh mô hình
chỉ đơn giản là một vấn đề của việc dẫn xuất ra đờng cong lợng trữ - lu lợng cho

một phạm vi rộng có thể có của lu lợng. Không một thông số nào khác có ảnh hởng.
Trong sự mô phỏng liên tục, một mô hình nh vậy sẽ không thật chính xác vì
chúng ta biết rằng mối quan hệ giữa lợng trữ và lu lợng là không đơn giản. Đây là
lý do tại sao chúng ta sử dụng các mô hình phức tạp hơn để cố gắng phản ánh sự phức
tạp của những quá trình ma-dòng chảy hiện thực hơn. Tuy nhiên, trong dự báo thời
gian thực, mô hình ISO có thể đợc sử dụng theo một cách làm giảm tác động của
những sai số cố hữu trong sử dụng một mô hình đơn giản nh vậy. Lợi thế đầu tiên
của nó là trong việc tạo ban đầu mô hình lúc bắt đầu một trận lũ. Nhìn chung, chỉ số
tốt nhất của lợng trữ ẩm kỳ trớc của một diện tích lu vực là lu lợng lúc bắt đầu
một trận lũ. Mô hình ISO dễ dàng đợc tạo ban đầu nếu lu lợng đợc biết vào bớc
thời gian đầu, vì điều này có thể đợc sử dụng để suy ra lợng trữ tơng đối ban đầu.
Lợi thế thứ hai là ngay khi những sai số đợc tìm ra giữa lu lợng quan trắc và dự
báo, mô hình có thể đợc cho lại giá trị ban đầu bằng cáh sử dụng lu lợng đo đạc
hiện thời. Thủ tục này có thể đợc thực hiện tại mỗi bớc thời gian ngay khi nhận
đợc những lu lợng đo đạc, và đợc sử dụng để cập nhật những dự báo vào trong
tơng lai.
Nh vậy đây cũng là sơ đồ mô hình hóa thích nghi hợp lý rất đơn giản. Không đòi
hỏi có cơ sở toán học phức tạp nào cho sự thích nghi, và nó rất dễ hiểu, dễ hiệu chỉnh
và dễ dàng thực hiện. Đó có thể là một sơ đồ dự báo thời gian thực rất hiệu quả nhng
rõ ràng có một số hạn chế. Đặc biệt, phép ngoại suy bên ngoài phạm vi của những
đờng cong rút nớc đã đo đạc là không chắc chắn. Trong mô hình, những mối quan
hệ sử dụng cho những khu vực thấp hơn và cao hơn của những đờng cong rút nớc
chính là giả thiết đơn giản để tiếp tục cho các điều kiện cực hạn hơn. Ngoài ra, tính
thích nghi của mô hình để thay đổi lợng trữ tơng đối hiện thời phá bỏ toàn bộ sự cân
bằng nớc cho mô hình, nhng điều này sẽ không quan trọng trong dự báo thời gian
271
thực nếu nó dẫn tới cải thiện những dự báo.
Trong những lu vực nhỏ điều này có hiệu quả để mô hình hoá dao động dự báo
thời gian thực. Những mô hình phức tạp hơn mà kém dễ dàng để thích nghi tất yếu có
thể không tạo ra những dự báo lũ lụt thời gian thực tốt hơn.

8.4 Các mô hình hàm chuyển đổi thích nghi cho dự báo thời gian
thực
Đáng chú ý rằng phần tử mô hình ISO tuyến tính đơn giản nhất có hiệu quả là mô
hình hàm chuyển đổi bậc một, tơng đơng với phơng trình (4.9). Sự khác biệt là
những đầu vào sử dụng với mô hình ISO là ma, trong khi các mô hình hàm chuyển
đổi trong mục 4.3 sử dụng những trận ma đã lọc theo cách nào đó để tạo ra một
lợng ma có hiệu quả. Với một phép lọc là trực tiếp và chỉ phụ thuộc vào lu lợng
hiện thời, nh Beven và Young đã sử dụng (1994), việc cập nhật loại mô hình ISO đơn
giản có thể vẫn còn đợc sử dụng một cách trực tiếp, nhng điều này sẽ không thể ở
nơi mà những thành phần ma hiệu quả đa vào thêm các phần tử lợng trữ. Tuy
nhiên, có một cách đơn giản để làm những mô hình nh vậy thích nghi, nh đã chú ý ở
trên, bằng cách sử dụng một thông số lợi ích hoặc số nhân thích nghi. ớc lợng ban
đầu tốt nhất của thông số lợi ích thờng là 1.0 nhng sau đó nó đợc phép thay đổi
theo các tiến triển sự kiện để hiệu chỉnh cho những sự chênh lệch phát hiện ra giữa
những giá trị dự báo và những giá trị quan trắc cung cấp cho hệ thống cảnh báo lũ lụt.
Nếu một dự báo thấp hơn đợc phát hiện ra, thì thông số lợi ích có thể là đợc tăng
cho bớc thời gian tiếp theo; nếu một dự báo cao hơn đợc phát hiện ra, thì thông số
lợi ích có thể đợc giảm bớt. Những sự thay đổi trong thông số lợi ích đợc lọc để
những sự thay đổi qua các bớc thời gian giữ tơng đối trơn. Tiếp cận thông số lợi ích
thích nghi là một cách đơn giản đền bù cho bất kỳ những sai số nào trong số liệu hoặc
cấu trúc mô hình hàm chuyển đổi có thể ảnh hởng đến sự chính xác của những dự
báo. Nói chung nó sẽ dẫn tới những dự báo đợc cải thiện thực sự. Một ví dụ của một
giải thuật thích ứng thành công đã cho trong hộp 8.1.
Có một giới hạn quan trọng của các mô hình hàm chuyển đổi trong ứng dụng dự
báo lũ. Hàm chuyển đổi đợc thiết kế để dự báo những biến đầu ra mà số liệu lịch sử
có sẵn cho việc hiệu chỉnh. Theo nghĩa này, chúng là một chiến lợc mô hình hóa thực
nghiệm. Nh vậy, mặc dầu chúng có thể cung cấp những dự báo, dễ dàng cập nhật
trong thời gian thực, mực nớc sông tại những vị trí xác định trong lu vực, chúng
không thể dự báo sự mở rộng của lũ lụt trong lu vực, trừ khi cho đến lúc diều này có
khả năng từ hiểu biết về mực nớc lũ ở những vị trí đo đạc. Dự báo định lợng của sựu

mở rộng lũ sẽ yêu cầu một mô hình ngập lũ cung cấp những dự báo phân bố, nhng
những mô hình nh vậy có một số lợng lớn các biến và những thông số không dễ
dàng đợc cập nhật trong thời gian thực. Một chiến lợc cho việc kết hợp những mô
hình hàm chuyển đổi với mô hình ngập lụt phân bố đợc xem xét trong mục 8.6.
8.5 Trờng hợp nghiên cứu: Hệ thống dự báo thời gian thực cho
thị trấn Dumfries
272
Thuật toán thích nghi phác thảo trong hộp 8.1 sẽ đợc trình diễn bằng hệ thống
dự báo lũ cho lu vực sông Nith (750 km
2
) thợng lu thị trấn Dumfries ở Scotland,
đợc báo cáo bởi Lees và nnk (1994) (Hình 8.1). ứng dụng này bao gồm việc cung cấp
cả những mô hình ma-dòng chảy lẫn những mô hình diễn toán dòng chảy cho lòng
dẫn chính, với số liệu cung cấp trong thời gian thực từ một số các vị trí đo đạc mực
nớc sông và ma. Phần thấp hơn của lòng dẫn chính cũng yêu cầu rằng mực nớc
triều đợc sử dụng trong thủ tục dự báo lũ. Thậm chí cho rằng đây là một lu vực
phản ứng nhanh, ít nhất thời gian dự kiến 5 giờ cho dự báo ở Dumfries đợc yêu cầu
cho phép những cảnh báo sẽ đợc phát đi đúng lúc để dân chúng đối phó. Vào thời
gian thi hành năm 1991, một trong những yêu cầu của hệ thống là nếu một mực nớc
lũ đợc dự báo, thì phần mềm cần tự động gọi điện tới trạm cảnh sát địa phơng với
một thông báo tạo bởi máy tính thích hợp. Cảnh sát có trách nhiệm cho phân phối
những cảnh báo lũ tới dân chúng. Bởi vậy, hệ thống cần phải dự báo chính xác là một
điều rất quan trọng.

Hình 8.1. Lu vực của sông Nith trên thị trấn Dumfries, Scotland (Lees và nnk 1994). Tái tạo với sự cho
phép của John Wiley và Sons Limited
Những mô hình sử dụng trong hệ thống Dumfries tơng tự nh loại mô hình
hàm chuyển đổi cơ học dựa trên số liệu đã đợc mô tả trong Chơng 4, nhng với một
số đặc tính bổ sung xác định cho trờng hợp dự báo lũ lụt. Những hàm chuyển đổi
đợc làm phù hợp cả cho mô hình hóa ma-dòng chảy sông ngòi, cả cho diễn toán dòng
chảy trong lòng dẫn chính. Mô hình ma-dòng chảy đòi hỏi một sự lọc ma sử dụng
phép lọc song tuyến tính mô tả trong mục 4.3.2, để ma hiệu quả ở thời điểm t là tỷ lệ
với
t
n
t
RQ
trong đó
t
Q
là lu lợng hiện thời,
t
R
là lợng ma hiện thời và n là một
thông số. Diễn toán dòng chảy sử dụng các hàm chuyển đổi từ mực nớc này tới mực
nớc khác cho phần thợng lu, trung lu, và hạ lu của lòng dẫn chính, vì mực nớc

273
là biến sơ cấp quan tâm trong trờng hợp dự báo lũ. Tất cả các mô hình hàm chuyển
đổi đợc thực hiện theo một cách mà nếu có sẵn số liệu đo đạc từ xa trực tuyến cho bất
kỳ vị trí dự báo nào, thì số liệu này có thể đợc sử dụng để cập nhật mô hình dự báo
trong thời gian thực. Điều này đạt đợc bằng việc cung cấp một thông số lợi ích biến
thời gian vào trong hàm chuyển đổi. Hàm chuyển đổi đợc hiệu chỉnh cho số liệu lịch
sử là mô hình bậc 1 tiêu biểu, với một hoặc hai thông số b (xem hộp 4.1), có dạng :








tt
u
za
zbb
y
1
1
1
10
1

(8.1)
trong đó:
t

y

là biến đầu ra đã dự báo (ở đây là mực nớc) tại thời điểm t,

t
u
là biến
đầu vào (mực nớc thợng lu hoặc ma hiệu quả) bị trễ bởi một thời gian trễ
z,

là
toán tử sai phân lùi (xem hộp 4.1), và
10
, bb
và
1
a
là các thông số đã hiệu chỉnh của
hàm chuyển đổi. Lợi ích biến - thời gian đợc cho dới dạng:








ttt
u
za

zbb
Gy
1
1
1
10
1

(8.2)
trong đó:
t
G
là thông số lợi ích tại thời điểm t. Nh vậy đánh giá tốt nhất của thông số
lợi ích sẽ là giá trị bằng 1.0 nhng cho phép nó thành biến thời gian là một cách đền
bù cho bất kỳ những sai số nào trong mô hình đợc hiệu chỉnh nguyên bản trong thời
gian lũ. Biến thời gian đợc ớc lợng trong thời gian thực sử dụng thuật toán bình
phơng tối thiểu đệ quy với sự biến đổi thông số đợc mô hình hóa nh một quá trình
đi bộ ngẫu nhiên với bộ nhớ ớc lợng đủ dài (xem hộp 8.1). Sự ẩm ớt làm giảm sự
thay đổi trong thông số lợi ích qua từng bớc thời gian nhng cho phép mô hình thích
nghi dần dần cho bất kỳ sự lệch nào của những quan trắc ra xa khỏi những dự đoán
của hàm chuyển đổi gốc. Thuật toán đệ quy cũng cho phép biến đổi của những dự báo
đợc ớc lợng theo thời gian, để nếu phát hiện ra những sai số lớn hơn, thì điều này
có thể đợc phản ánh trong những ớc lợng của độ bất định trong các dự báo.
Kết quả mô hình, với sự thích nghi thời gian thực của nó, đã tỏ ra là rất thành
công trong việc dự báo mực nớc đỉnh lũ. Một số ví dụ dự đoán cho hai trận lũ lớn cỡ
450 m
3
/s, cả hai đều gây ra nạn lụt ở trung tâm của Dumfries, đợc trình bày trong
hình 8.2, thể hiện cả dự báo hàm chuyển đổi đơn giản và dự báo thích nghi. Trong cả
hai trờng hợp dự báo thích nghi mực nớc đỉnh chỉ lệch 5 cm, với chỉ sai số nhỏ về

thời gian.
Hạ lu của vị trí Greensamds sông Nith trở thành vùng ảnh hởng thủy triều.
Kết hợp với lu lợng sông cao và mực nớc thủy triều cao có thể tăng cờng đáng kể
xác suất và tác động của lũ lụt trong thị trấn. Nh vậy một thành phần bổ sung đợc
thêm cho mô hình để dự đoán những hiệu ứng của thủy triều trên những mực nớc ở
sông Nith, cũng sử dụng một cách tiếp cận hàm chuyển đổi. Có thể xem chi tiết hơn
trong bài báo của Lees và nnk (1994).


274






Hình 8.2. So sánh dự báo lũ thích nghi và không thích nghi trớc 5 h trên sông Nith (Lees và nnk 1994).
Tái tạo với sự cho phép của John Wiley và Sons Limited.
Sự trễ tự nhiên trong hệ thống sông Nith là nhỏ hơn so với thời gian dự kiến 5 giờ
yêu cầu. Nhận thấy rằng thời gian dự kiến của những dự báo có thể đợc tăng thêm
bằng cách sử dụng sự trễ nhân tạo trong hàm chuyển đổi. Nh vậy, hàm chuyển đổi
bắt nguồn từ số liệu lịch sử đợc hiệu chỉnh với một sự trễ dài hơn thời gian trễ tự
nhiên trong lu vực. Nhận thấy rằng điều này cho các phù hợp kém hơn trong việc
hiệu chỉnh, nhng tốt hơn trong dự báo về phía trớc, với thời gian dự kiến cùng bậc
nh thời gian trễ nhân tạo. Sự cải tiến đợc củng cố bởi sự thích nghi thời gian thực
của thông số lợi ích đã mô tả ở trên. Đây là một phơng pháp rất đơn giản của việc
tăng thêm thời gian dự kiến hiệu quả của những dự báo nhng có thể không hữu ích ở
mọi nơi (đặc biệt là ở những nơi mà nhánh lên của thủy đồ là dốc) nhng giá trị của
một cách tiếp cận nh vậy, có liên quan với việc cố gắng dự báo những trận ma về
phía trớc theo thời gian, có thể đợc kiểm tra cho những tập hợp số liệu lịch sử.

8.6 Các phơng pháp cho ngập lụt trong thời gian thực
Trong những dòng sông với những đồng bằng ngập lụt rộng lớn (nói chung là
những lu vực diện tích lớn hơn hoặc bằng 250 km
2
) thời gian và độ lớn của đỉnh lũ sẽ
bị ảnh hởng lớn bởi lợng trữ tràn bờ trên đồng bằng ngập lụt. Dự báo lũ thành công
sẽ phụ thuộc vào diễn toán lũ tập trung (sử dụng hàm chuyển đổi) hay lũ phân bố (sử
dụng mô hình thủy lực) và dự báo ngập lụt (thí dụ Bradley và nnk 1995). Nó đã đợc
chỉ ra trên cách tiếp cận hàm chuyển đổi có thể dễ dàng đợc làm thích nghi để cải
thiện những dự báo thời gian thực nh thế nào. Tuy nhiên, cách tiếp cận này không
cho bất kỳ biểu thị trực tiếp nào của vùng thực tế mà ở đó kỳ vọng sẽ bị lũ lụt trong
thời gian một trận lũ riêng biệt. Cách tiếp cận diễn toán thủy lực, đợc thực hiện
trong hoặc một chiều (xuôi dòng) hoặc hai chiều (xuôi dòng và ngang) có thể đa ra
những xấp xỉ ít nhất dự báo phân bố của độ sâu và diện tích ngập lụt vì sự thay đổi
động lực trong suốt thời gian lũ lụt. Cả cách tiếp cận một chiều lẫn hai chiều đều sử
dụng những dạng đầy đủ hay những dạng đã đơn giản hóa của hệ phơng trình St
Venant (xem hộp 5.5). Nh những mô hình phân bố, với những số lợng lớn các thông
số (chủ yếu là các hệ số nhám cho những phần tử khác nhau đại diện cho lòng dẫn
chính và vùng ngập lụt), những mô hình thủy lực này có thể khó hiệu chỉnh và thực
hiện trong khuôn khổ cập nhật thích nghi. Điều này sẽ đặc biệt khó khăn ở những nơi
275
mà những hệ số nhám có ảnh hởng cho dòng chảy tràn bờ thay đổi theo mực nớc
(xem Knight và nnk 1994), và nơi chỉ có thông tin gần đúng trên địa hình của hệ
thống miền đồng bằng ngập lụt và lòng dẫn là sẵn có. Tuy nhiên hiệu chỉnh mô tả
thủy lực hợp nhất vào trong mô hình diễn toán lũ, độ chính xác vẫn còn tiếp tục phụ
thuộc rất nhiều vào mô tả địa hình và những giá trị thông số đợc sử dụng, dẫn tới sự
bất định trong những dự báo lợng trữ và diện tích ngập lụt. Một bài báo gần đây của
Romanowicz và Beven (1998) đã chỉ ra làm thế nào một mô hình thủy lực hai chiều đã
đợc đơn giản hóa có thể đợc sử dụng trong khuôn khổ GLUE của chơng 7 để giải
thích độ bất định nh vậy trong dạng quy định của phơng pháp đợc vạch ra trong

chơng cuối cùng. Bộ thông số mô hình có liên hệ với một độ hữu hiệu đợc xác định
trên cơ sở những dự báo lu lợng hạ lu và phạm vi diện tích ngập lụt đã đo đạc
trong những sự kiện lịch sử. Điều này đa đến độ hữu hiệu kỳ trớc liên quan đến
từng bộ thông số có thể sử dụng để làm trọng số những dự báo của các mô hình. Ngoài
ra, tuy nhiên, một bớc thích nghi khá đơn giản có thể đợc thêm bởi một thời gian
thực tiép theo quy định trên độ hữu hiệu tuỳ theo sự mô phỏng đặc biệt đang tái tạo
những phép đo hoặc dự báo N-bớc về phía trớc của lu lợng phía hạ lu tốt nh
thế nào. Thủ tục rút ra thì đơn giản vì nó không đòi hỏi mô hình phải chạy lại (trừ khi
những đầu vào phía thợng lu bị thay đổi); đó chỉ là độ hữu hiệu liên quan đến mỗi
mô hình đợc tính lại. Một số kết quả của một cách tiếp cận nh vậy, cho dự báo ngập
lụt trớc 3 giờ trong một ứng dụng cho đoạn sông 12 km của sông Culm ở Devon, Nớc
Anh, đợc chỉ ra trong hình 8.3. Nghiên cứu hiện thời đang xem xét khả năng sử dụng
ngập lụt viễn thám trong việc hiệu chỉnh hoặc hạn chế những dự đoán của các mô
hình nh vậy (ví dụ Bates và nnk 1997).
8.7 Dự báo tần suất lũ sử dụng mô hình ma-dòng chảy
Năm 1972, một bài báo tạo nền tảng về 'Động lực học của tần suất lũ' xuất hiện
trong Nghiên cứu tài nguyên nớc", đợc viết bởi Peter Eagleson. Trong bài báo đó,
Eagleson đã phác thảo một phơng pháp ' phân bố dẫn xuất cho tính toán tần suất lũ.
Cho đến thời gian ấy, phơng pháp luận cơ sở để đánh giá tần suất lũ đã (và còn) bằng
cách phù hợp với một phân phối thống kê lý thuyết cho những đo đạc sẵn có của lu
lợng đỉnh lũ, và sử dụng phân bố đó để ớc lợng các tần suất của những độ lớn khác
nhau của lũ. Cách tiếp cận thống kê này có một số hạn chế. Một là chúng ta không
biết rằng phân phối chính xác là gì. Log chuẩn, Wakeby, giá trị cực hạn khái quát hóa,
logistic khái quát hóa, Log Pearson III, và một số phân phối khác đã đợc sử dụng
trớc đây (với những thảo luận gần đây, xem Vogel và nnk 1993; IH 1999). Một số
phân phối khác nhau có thể cho những sự thích hợp chấp nhận đợc với số liệu sẵn có,
tất cả tạo ra những ớc lợng tần suất khác nhau trong phép ngoại suy.
Ngoài ra, sự hiệu chỉnh có thể không thật mạnh. Đa số các vị trí đo lu lợng
không có những ghi chép số liệu dài (rất ít khi dài hơn 50 năm). Bởi vậy chúng chỉ đại
diện một mẫu nhỏ cho phân phối có thể của những trận lũ tại vị trí đó, vì vậy phân

phối phù hợp có thể bị thiên lệch và kết quả ớc lợng tần suất không chắc chắn, đặc
biệt trong ngoại suy cho những thời kỳ lập lại dài (những xác suất vợt nhỏ hơn).
276
Cũng biết rằng cả tần suất của những trận ma sinh lũ, và những đặc trng đất sử
dụng, trong một số trờng hợp, có thay đổi đáng kể trong suốt thời kỳ đo đạc lịch sử (ví
dụ Walsh và nnk 1952; Arnell 1989). Cuối cùng, phân bố thống kê sẽ không giải thích
rõ ràng bất kỳ những sự thay đổi nào trong thiên nhiên của các quá trình sản sinh
dòng chảy cho những trận lũ độ lớn cao hơn (ví dụ Wood và nnk 1990).
Cấu trúc và ớc lợng thông số mô hình cũng là những vấn đề trong việc cố gắng
ớc lợng tần suất lũ bằng mô hình hóa ma-dòng chảy. Mặc dầu tiềm năng một mô
hình có thể biểu diễn bất kỳ những sự thay đổi nào trong phản ứng thủy văn của một
lu vực dới những điều kiện cực hạn hơn, không bảo đảm rằng một mô hình đã hiệu
chỉnh bởi một ớc lợng thông số kỳ trớc hoặc bởi sự hiệu chỉnh tơng phản với một
thời kỳ của các lu lợng quan trắc, thật ra, sẽ tạo ra những mô phỏng chính xác cho
những đỉnh lũ cực hạn (ví dụ Fontaine 1995). Lamb (1999), chỉ ra làm thế nào để mô
hình PDM, đợc hiệu chỉnh trong một thời kỳ mô phỏng liên tục 2 năm, có thể tái sản
sinh những độ lớn của các đỉnh lũ đã quan trắc lớn nhất khi đợc điều khiển bởi một
thời kỳ dài hơn của số liệu ma đã quan trắc, nhng không cần từ cùng những trận lũ
tạo ra những đỉnh lũ đã ghi chép.
ý tởng của Peter Eagleson là xem vấn đề tần suất lũ nh một sự biến đổi của
phân bố xác suất của các trận ma lớn vào trong một phân bố xác suất các đỉnh lũ sử
dụng một mô hình ma-dòng chảy. Lợi thế của điều này là số liệu trận ma sẵn có cho
nhiều vị trí hơn và nói chung có nhiều những thời kỳ dài hơn số liệu lu lợng dòng
chảy. Sự bất lợi là những trận ma lớn đó thay đổi cờng độ, khoảng thời gian và
profile ma, nh vậy nếu thật cần thiết cho mô hình một chuỗi liên tiếp các trận ma
lớn, một mô hình ngẫu nhiên phức tạp hơn đợc yêu cầu, trong khi những kết quả sẽ
rất phụ thuộc vào dạng mô hình ma-dòng chảy và tập hợp các giá trị thông số sử
dụng. Nh chúng ta đã thấy, điều này sẽ là một nguồn quan trọng của sự bất định
trong những dự báo mô hình. Những trận ma quan trắc đã đợc sử dụng trớc đó với
các mô hình quan niệm ma-dòng chảy để mô phỏng những chuỗi những đỉnh lũ (ví

dụ Fleming và Franz 1971) và đợc chỉ ra để cạnh tranh với những phơng pháp
thống kê. Tuy nhiên, đề nghị ban đầu của Eagleson không đợc chú ý nhiều với thực
hành dự báo cho những vị trí riêng biệt nh việc cung cấp một cấu trúc cho suy nghĩ
về vấn đề đó.








76
86
277

Hình 8.3. Các xác suất của ngập lụt trên sông Culm, Devon cho 3 bớc thờì gian suốt tận lũ tháng
1/1984 (Romanowicz và Beven 1998). Đờng chấm chấm chỉ ra đờng đồng mức, vùng tối hơn chỉ ra xác
suất tăng của ngập lụt
Trong phơng pháp của các phân phối đợc dẫn ra, hàm mật độ xác suất của
cờng độ lũ đợc dẫn xuất từ những hàm mật độ cho những biến khí hậu và lu vực
thông qua một mô hình lu vực phản ứng lại một trận ma lớn. Eagleson xoay xở để
tiếp cận với một tập hợp của các giả thiết đơn giản hóa cho phép (trong một bài báo cũ
chỉ 137 phơng trình) tổng hợp phân tích của những sự phản ứng trên tất cả các trận
ma có thể để dẫn ra phân bố của cờng độ đỉnh lũ. Phơng pháp này đã đợc mở
rộng bởi những ngời thực hiện sau đó để bao gồm những đặc trng ngẫu nhiên khác
nhau của các trận ma và những cơ chế sinh dòng chảy khác nhau ở việc làm mất đi
tính dễ xử lý toán học cho phép có những lời giải giải tích. Đây có thể không phải là
quá quan trọng trong tài nguyên máy tính hiện thời khi một mô hình ma-dòng chảy
đơn giản có thể dễ dàng đợc điều khiển bằng các đầu vào ngẫu nhiên cho những thời
kỳ hàng trăm hoặc hàng nghìn năm để dẫn ra một phân bố dự báo cờng độ lũ bằng
số. Tuy nhiên, cố gắng của Eagleson (1972) là đáng quan tâm trong đó nó cung cấp
một khuôn khổ mà những mô hình khác về sau đi theo, nghĩa là điều đó bắt đầu với
một mô hình ma ngẫu nhiên đợc sử dụng để điều khiển, hoặc theo lý thuyết xác
suất hoặc theo lý thuyết số. Một mô hình sản sinh dòng chảy, có thể sau đó đợc liên
kết với một mô hình diễn toán để dự báo đỉnh lũ tại một vị trí mong muốn. Nhiều sự
278
phát triển gần đây hơn trong việc mô hình hóa tần suất lũ bằng sự mô phỏng liên tục
đợc tổng kết trong bảng 8.1.
8.7.1 Tạo các trận ma ngẫu nhiên
Mô hình ma của Eagleson đợc dựa vào những phân bố độc lập cho khoảng thời

gian trận ma, và cờng độ ma trung bình tại một điểm. Cả hai phân bố xác suất
đợc giả thiết có dạng hàm số mũ. Trong nghiên cứu của ông, Eagleson giả thiết rằng
những trận ma là độc lập để trong việc tính toán các tần suất lũ ông chỉ cần biết số
trung bình của những trận ma trong năm. Những nghiên cứu khác về sau đã tính
toán sự biến đổi trong những điều kiện về trớc cho những sự kiện khác nhau và điều
này đòi hỏi cung cấp thêm một phân bố thứ ba của những thời gian xuất hiện bên
trong giữa những cơn ma. Để cho phép những tính toán giải tích, những trận ma
ngẫu nhiên của Eagleson có cờng độ không đổi qua một khoảng thời gian xác định,
nhng trong việc sử dụng những trận ma thống kê từ những trạm riêng lẻ, ông xét
sự khác nhau giữa những ớc lợng ma điểm và sự giảm cờng độ trung bình dự
kiến khi diện tích lu vực tăng thêm, sử dụng một hàm thực nghiệm dẫn ra bởi Cục
Thời tiết Hoa kỳ.
Những nghiên cứu về sau đã sử dụng mô phỏng số trực tiếp, hoặc trên cơ sở các
cơn ma kế tiếp nhau hoặc bởi sự mô phỏng liên tục, không bị gò ép nh vậy trong
thành phần mô hình ma của họ. Một số đã sử dụng những thời kỳ dài của các trận
ma quan trắc đã hiệu chỉnh một mô hình tơng phản với một chuỗi thời gian của
những lu lợng quan trắc. Beven (1987b) thêm một thành phần profile trận ma vào
mô hình Eagleson dựa vào những thống kê của những profile ma tích lũy quan trắc
đã chuẩn hoá cho một đơn vị thời gian và đơn vị thể tích ma. Điều này về sau đợc
làm thích nghi bởi Cameroon và nnk (1999) để sử dụng cơ sở dữ liệu của những những
profile quan trắc chuẩn hoá từ 10000 trận ma thực tế, đợc phân loại bởi những lớp
thời khoảng khác nhau. Khi một profile mới đợc yêu cầu, một profile chuẩn hoá đợc
chọn ngẫu nhiên từ cơ sở dữ liệu. Một sự biến đổi thú vị về kỹ thuật của việc sử dụng
profile chuẩn hoá, sản sinh những cờng độ ma với những đặc trng phân nhỏ, đã
đợc gợi ý bởi Puente (1997).

279

Bảng 8.1. Nghiên cứu lựa chọn của ớc lợng tần suất lũ bằng mô hình ma dòng chảy
Nghiên cứu Lu vực Mô hình ma Sản sinh dòng chảy Diễn toán

Eagleson (1972) 44 lu vực của Mỹ Hàm mũ Eagleson I,D Biến diện tích đóng góp Giải tích KW
Cordva và Rodriguez
Iturbe (1988)
Queterual, Venezuela Quan trắc Vợt thấm Horton

GUH
Diaz Granados và nnk
(1984)
Santa Pauda Creek và
Naada, Mỹ
Ma quan trắc Vợt thấm Horton GUH
Hebson và Wood (1982) Band Eagle Creek, sông
Davidson, Mỹ
Hàm mũ Eaglean I,D Vợt thấm Horton GUH
Beven (1987) Wye, xứ Wales Hàm mũ Eagleson I,D,A TOPMODEL Tuyến tính NWF
Calder (1993) Tallwyth, xứ Wales;
Larochette, Luxembourg
Quan trắc IHDM IHDM KW
Troch và nnk (1994) Mahatango Creek, Mỹ Quan trắc TOPMODEL Tuyến tính NWF
Calder và Lamb (1996) 10 lu vực của Mỹ Quan trắc Mô hình PDM và TATE NWF và TF song song
Franchini (1996) Các lu vực giữa miền
Tây nớc Mỹ
Chuyển đổi ma ngẫu
nhiên
ARNO ARNO parabolic
Onof và nnk (1996) Thames, Anh Bartlett Lewis Vợt thấm Horton Hồ chứa tuyến tính
Blazcova và Beven (1997) 3 lu vực, CH Séc Mô hình Eagleson cải tiến

TOPMODEL Tuyến tính NWF
Korothe và nnk (1997) Sông Davidson, Mỹ Mô hình Gumbel Vợt thấm Horton GUH

Robinson và Sivapalan
(1997)
Salmon Creek, úc Luật luỹ thừa/hàm mũ
mùa
Vợt bão hoà/sát mặt Tuyến tính TF
Kilshy và nnk (1998) Tyne, Anh; Cobres, Bồ
Đào Nha; Broyce, Thuỵ
Sỹ
Scott-Neyman tổng quát Mô hình SHETRAN và
ARNO
Sóng khuếch tán và
parabolic
Hashemi và nnk (1998) Brue, Anh Scott-Neyman tổng quát ARNO Parabolic
Lamb (1998) 40 lu vực, Anh Quan trắc (giờ) PDM Tuyến tính TF
Cameroon và nnk (1999) Wye, Anh GPD mở rộng cho quan
trắc
TOPMODEL Tuyến tính NWF
Steel và nnk (1999) 11 lu vực ở Scotland Quan trắc (ngày) IHACRES Tuyến tính TF
Ghi chú: I: Cờng độ ma trung bình; D: Thời gian ma; A: Thời gian đến giữa các trận ma; GPD: Phân bố Pareto tổng
quát; IHACRES: Xác định đờng đơn vị và thành phần dòng chảy từ ma, bốc hơi và số liệu dòng chảy sông; IHDM: Viện Thuỷ
văn mô hình phân bố; KW: Sóng động học; GUH: Thuỷ đồ đơn vị địa mạo; NWF: Hàm độ rộng mạng; TF: Hàm chuyển đổi.

280
Cách sử dụng dữ liệu cơn ma thực tế khác trong phân tích tần suất lũ là sử dụng
chuyển đổi ngẫu nhiên những cơn ma thực tế ghi nhận đợc sang một lu vực quan
tâm (Franchini và nnk 1996a). Cuối cùng, một số những mô hình ma đã đợc đề
xớng dựa vào những mô hình xung hoặc ô, trong đó các chuỗi thời gian của những
trận ma đã tạo ra đợc dựa vào sự xếp chồng lên nhau của những xung cờng độ đ-
ợc chọn ngẫu nhiên và khoảng thời gian bởi tính tơng tự về sự phát triển và tắt dần
của những ô trong những hệ thống ma thực tế. Nh vậy các trận ma không đợc tạo

ra trực tiếp nhng xuất hiện nh những thời kỳ của những ô xếp chồng bị phân ra bởi
những thời kỳ khô hạn. Các mô hình Bartlett-Lewis (Onof và nnk 1996) và Neyman-
Scott (Cowpertwait và nnk 1996) là thuộc loại này (xem bảng 8.1). Những mô hình nh-
vậy yêu cầu một số những thông số quan trọng, đặc biệt khi mô hình phù hợp với
những tháng riêng lẻ của năm.
8.7.2 Thành phần mô hình sản sinh dòng chảy
Một chuỗi các trận ma đã đợc tạo ra, giai đoạn tiếp theo là mô hình hóa bao
nhiêu trận ma đó trở thành dòng chảy sông ngòi. Eagleson đã làm điều này bằng
cách đánh giá những trận ma hiệu quả sử dụng một mô hình chỉ số

đơn giản (xem
mục 2.2), với một giá trị

không đổi, để lần nữa cho phép một lời giải giải tích cho
phân bố dẫn xuất của đỉnh lũ. Mô hình của ông cũng đoán nhận rằng dòng chảy có thể
sản sinh chỉ trên một phần của lu vực, trên một diện tích đóng góp khác nhau giữa
các lu vực vì những đặc trng đất, cây cỏ và địa hình các lu vực khác nhau, và bên
trong một lu vực vì sự biến đổi trong những điều kiện kỳ trớc. ông đã mô hình hóa
những sự biến đổi này bằng cách giả thiết một hàm mật độ xác suất cho diện tích đóng
góp dạng tam giác, cung cấp sự thiên lệch về phía những thành phần nhỏ của diện
tích lu vực 'đã quan sát bởi Betson (1964) (Eagleson 1972, p. 885). Sự chọn lọc ngẫu
nhiên của diện tích đóng góp cho một cơn ma là một cách cung cấp có hiệu quả điều
kiện kỳ trớc điều khiển sự sản sinh dòng chảy trong dự báo.

Eagleson sau đó diễn toán trận ma hiệu quả đợc tạo ra theo cách này bằng diễn
toán sóng động học cho cả những dòng chảy tràn lẫn trong lòng dẫn (xem mục 5.5).
Thành phần sản sinh dòng chảy tạo ra, cho mỗi trận ma với

0
i

, một khoảng thời
gian ma hiệu quả không đổi
r
t
cho trận ma đó. Phân phối thời gian rất đơn giản
này sẽ cho phép thực hiện những lời giải giải tích của phơng trình sóng động học.
Lần nữa, những nghiên cứu gần đây hơn sử dụng sự mô phỏng số trực tiếp không bị gò
ép nh vậy và một sự đa dạng của mô hình sản sinh dòng chảy và những phơng pháp
diễn toán đã đợc sử dụng (xem bảng 8.1). Điều đó dựa vào sự mô phỏng từng sự kiện,
nh trong nghiên cứu Eagleson, sẽ yêu cầu một số cách phản ánh hiệu ứng của việc
thay đổi những điều kiện kỳ trớc đến sự sản sinh dòng chảy. Việc đó sử dụng sự mô
phỏng liên tục trên những thời kỳ dài, kể cả thời kỳ khô của lu vực trong thời gian
giữa các cơn ma, sẽ tính toán cho những điều kiện về trớc một cách trực tiếp.
8.8 Trờng hợp nghiên cứu: Mô hình hóa đặc trng tần suất lũ
của lu vực Wye, Wales
Một số nghiên cứu trong bảng 8.1 đã so sánh những dự báo của mô hình với thủy

281
đồ dự báo và những đặc trng tần suất lũ tại một vị trí. Một nghiên cứu đã làm điều
này là nghiên cứu của Beven (1987b) trong một ứng dụng cho lu vực Wye 10 km
2
ở
Plynlimon giữa xứ Wales. ông sử dụng một mô hình ma lũ rất giống mô hình của
Eagleson nhng là một phiên bản của TOPMODEL nh mô hình ma-dòng chảy.
Phiên bản này cho phép sản sinh dòng chảy bởi ba cơ chế khác nhau; vợt bão hòa sử
dụng lý thuyết chỉ số địa hình phát triển trong hộp 6.2; vợt thấm trên một lớp thổ
nhỡng biến đổi theo không gian; và sản sinh dòng chảy sát mặt thuần túy. Những
kết quả của nghiên cứu này là thú vị trong một số cách. Chỉ 14 năm quan trắc là có
thể phù hợp với những phân bố thống kê cho mô hình ma và uớc lợng tần suất lũ
quan trắc. Mô hình đợc chạy với bớc thời gian một giờ, và sự phân tích của những

quan trắc cho thấy dạng của phân phối tần suất lũ biểu kiến, trong lu vực nhỏ này,
khác nhau nh thế nào giữa những lu lợng trung bình giờ và lu lợng đỉnh lũ tức
thời. Các mô hình sử dụng bớc thời gian giờ không đợc so sánh với những quan trắc
lu lợng đỉnh lũ tức thời, ít nhất trong những lu vực nhỏ. Nghiên cứu chỉ ra rằng,
với những thông số đã sử dụng, thậm chí trong lu vực tơng đối ẩm này với những
trận ma thờng xuyên, những diện tích đóng góp đã mô phỏng cho sản sinh dòng
chảy mặt rất hiếm khi đạt đến 100 phần trăm. Tính biến thiên trong những đặc trng
tần suất lũ biểu kiến đợc phát sinh bởi mô hình cho những sự thể hiện khác nhau
(những sự mô phỏng) của 14 năm cũng đợc chứng minh. Tuy nhiên, phạm vi của
những dự đoán mô hình đã là điểm ngoặt đờng cong tần suất lũ quan trắc bắt nguồn
từ ghi chép 14 năm thực tế.
Đây là một cố gắng sớm để tính toán ảnh hởng của các thể hiện của kỹ thuật mô
phỏng Monte-Carlo. ảnh hởng của các thể hiện có một ý nghĩa đặc biệt trong nghiên
cứu tần suất lũ, nhất là trong so sánh kết quả mô hình với ớc lợng tần suất đã quan
trắc, vì bản thân những quan trắc chỉ đại biểu một thể hiện đơn lẻ của chuỗi có thể
của những trận lũ có thể đã xuất hiện qua thời kỳ của ghi chép. Điều này có thể là
quan trọng trong việc đánh giá những bộ thông số khác nhau trong một mô hình, vì nó
là sự kết hợp của những giá trị thông số và một thể hiện ngẫu nhiên đặc biệt sẽ đa
đến một sự thích hợp tốt (hay không) cho những độ lớn đỉnh lũ đã quan trắc. Điều này
đã đợc khảo sát trong một nghiên cứu gần đây hơn từ số liệu lũ Wye bởi Cameron và
nnk (1999). Lần nữa, TOPMODEL sử dụng nh mô hình ma-dòng chảy nhng một
máy tạo ma lũ đợc phát triển bằng sử dụng những phân phối Pareto mở rộng để kéo
dài phần đuôi trên của phân bố cờng độ ma trung bình quan trắc trong những lớp
khoảng thời gian khác nhau của cơn ma. Những profile ma đợc chọn ngẫu nhiên
từ những mẫu lớn của những profile cờng độ quan trắc đã đợc chuẩn hoá trong mỗi
lớp khoảng thời gian. Mô hình ma này đợc chỉ ra để đa ra sự tái tạo những thống
kê ma cực hạn tốt hơn mô hình phân bố hàm mũ Eagleson đơn giản phác thảo ở trên,
ở việc đa thêm vào những thông số bổ sung.
Trong nghiên cứu mới này, những dự báo bằng mô hình đợc so sánh với 21 năm
của quan trắc lu lợng hàng giờ cũng nh chuỗi lũ cực đại hàng năm. Những dự báo

lu lợng liên tục đợc làm với TOPMODEL sử dụng những trận ma trung bình lu
vực đã qsuan trắc. Những dự báo tần suất đợc làm sử dụng thể hiện 21 năm của mô
hình ma lũ. Những tập hợp thông số mô hình đợc tạo ra ngẫu nhiên và những sự

282
mô phỏng kết quả đợc ớc lợng theo khuôn khổ GLUE của Chơng 7. Trong cách
này, hiệu ứng thể hiện kết hợp trong việc dự đoán đờng cong tần suất lũ đợc tính
đến. Nó chỉ ra rằng bộ thông số có thể đợc tìm thấy để tái tạo cả số liệu thủy đồ và
đờng cong tần suất lũ (Hình 8.4). Tuy nhiên, nếu các trận lũ cực đại hàng năm của
mô phỏng 21 năm đợc so sánh với quan trắc, thì lũ hàng năm không phải thờng
xuyên đợc sản sinh bởi cùng trận ma lũ đó trong khoảng của những đỉnh lũ thì
thờng không phù hợp với khoảng quan trắc (nh trong nghiên cứu Lamb (1999)).
Điều này phản ánh những hạn chế của việc mô hình hóa ma-dòng chảy hiện thời.
Tuy nhiên, nó không đáng ngạc nhiên vì, thậm chí trên một lu vực thí nghiệm nhỏ
nh Wye, những sự kiện ma sản sinh lũ có thể tùy thuộc vào sai số quan trọng trong
đo đạc ma và lu lợng (xem nghiên cứu các trận lũ năm 1973 và 1977 trong lu vực
này của Newson 1980). Điều cha đợc biết là liệu nguồn sai số này có quan trọng hơn
những sai số cấu trúc mô hình hay không.

Hình 8.4. Những dự báo của (a) Biểu đồ lũ và (b) Những đờng cong tần suất lũ cho lu vực sông
Wye (10.6 km
2
) ở Plynlimon, xứ Wales (sau Cameron và nnk 1999). Tái tạo từ Tạp chí thuỷ văn 219:169-
187, xuất bản (1999) với sự cho phép từ Elsevier Science
8.9 Ước lợng tần suất lũ bao gồm cả sự kiện tuyết tan
Những dự đoán tần suất lũ cho Wye đã bỏ qua bất kỳ tác động nào của tuyết tan
sinh lũ nhng trong nhiều môi trờng đây là nguyên nhân trội của lũ cực đại hàng


283
năm, ít nhất cho những lu vực lớn hơn. Công việc của Cameron và nnk đã đợc mở
rộng để bao gồm một mô hình nhiệt độ ngẫu nhiên có thể đợc sử dụng với mô hình
ma lũ để dự báo sự hình thành và tan ra của khối tuyết mùa đông. Tuyết tan đợc
dự đoán sử dụng một dạng của phơng pháp độ-ngày (Hộp 3.4), và sản sinh dòng chảy
sử dụng TOPMODEL. Trong một ứng dụng cho một lu vực nhỏ ở nớc cộng hòa Séc,
những dự đoán từ những bộ thông số đợc chọn ngẫu nhiên và những thể hiện lần nữa
đợc đánh giá trong khuôn khổ GLUE, bao gồm một sự đánh giá của phân bố tần suất
của những đơng lợng nớc khối tuyết cực đại (xem Hình 8.5). Trong trờng hợp này,
số liệu có sẵn cho sự đánh giá mô hình khá bị hạn chế do đó độ đo mờ đợc sử dụng để
tính toán những trọng số liên quan đến mỗi thể hiện mô hình. Steel và nnk (1999)
cũng đã ớc lợng tần suất lũ cho một số lu vực Xcốtlen với những thành phần lu
lợng tuyết tan từng mùa quan trọng sử dụng phơng pháp độ - ngày của Schreider

và nnk (1997) cho sự gia tăng một chuỗi ma quan trắc hàng ngày trong điều khiển
mô hình ma-dòng chảy IHACRES.
8.10 Tơng tự thủy văn và ớc lợng tần suất lũ









Hình 8.5. Những dự báo dựa vào 20 mô phỏng của khoảng thời gian 100 năm của (a) Tần suất tích lũy
của lu lợng, (b) Những đỉnh lũ, và (c) Tần suất tích lũy của đơng lợng nớc tuyết cực đại cho lu vực
Ryzmburk không đo đạc (3.3 km2), cộng hòa Séc. Những đờng với những ngôi sao là những ớc lợng
khu vực, ngoại trừ số liệu đơng lợng nớc tuyết đợc quan trắc tại hai vị trí trong khu vực. Những kết
quả tính toán bởi Sarka Blazkova
Sivapalan và nnk (1990) tạo ra một mô hình tần suất lũ thu phóng dựa vào những
khái niệm TOPMODEL và cho thấy rằng sự sản sinh dòng chảy lu vực có thể đợc so
sánh trên cơ sở của tám biến giống nhau. Những đờng cong tần suất lũ của họ đợc
dẫn xuất ra từ các mô phỏng từng trận ma và cho thấy một sự chuyển tiếp giữa
những đỉnh lũ dòng chảy tràn vợt bão hòa chiếm u thế tới những đỉnh lũ dòng chảy
tràn vợt thấm chiếm u thế cho những sự kiện cực hạn hơn. Tuy nhiên, họ chỉ giới
thiệu một sự phân tích độ nhạy và lý thuyết tơng tự này vẫn còn bị kiểm tra phản
chiếu từ những tập hợp số liệu thực, mặc dù một phiên bản đã đơn giản hóa đợc chỉ
ra có giá trị khác biệt về thủy văn của bảy lu vực nhỏ của Australia bởi Robinson và
Sivapalan (1995).


284

8.11 Các điểm khoá từ chơng 8
Có hai sử dụng của mô hình hóa ma-dòng chảy trong dự báo lũ: một là dự báo
lu lợng trong thời gian thực trong những thời kỳ lũ; hai là dự đoán những tần suất
của những cờng độ đỉnh lũ khác nhau.
Những dự báo thời gian thực sẽ rất phụ thuộc vào sự chính xác của dữ liệu đầu
vào, đặc biệt là cấu trúc không gian của cờng độ ma. Tính sẵn có của dữ liệu ma đo
bằng rađa đã rất cải thiện tiềm năng cho dự báo đỉnh lũ. Sự cải thiện thời gian dự
kiến của dự báo tùy thuộc vào sự cải tiến trong tơng lai gần dự báo ma, mà hiện nay
không phải là thật đáng tin cậy.
Dự báo lũ đợc thực hiện tốt nhất khi sử dụng những mô hình thích nghi có thể
tính toán những sai số dự báo nếu dữ liệu lu lợng hoặc mực nớc sẵn có trong thời
gian thực tế bởi sự đo lờng từ xa. Điều này đợc làm dễ dàng nhất với những mô hình
tơng đối đơn giản, nh mô hình Lambert ISO cho những lu vực nhỏ hoặc những mô
hình kiểu hàm chuyển đổi.
Dự báo ngập lụt cần ít nhất một mô hình thủy lực phân bố đợc đơn giản hóa của
dòng chảy trong lòng dẫn và đồng bằng ngập lụt, cùng với số liệu địa hình chi tiết.
Những mô hình nh vậy, có nhiều thông số và biến số, có thể là khó để làm thích nghi
cho dự báo thời gian thực. Một cách cập nhật những dự báo của sự ngập lụt đợc mô
tả, dựa vào kỹ thuật ớc lợng tính bất định ở Chơng 7.
Việc mô hình hóa ma-dòng chảy cũng đang đợc sử dụng ngày càng tăng cho dự
báo tần suất lũ trong sự kết hợp với một mô hình ma nh một thay thế cho một ớc
lợng thống kê thuần túy của tần suất lũ. Cách tiếp cận này có tiềm năng để tính toán
thay đổi bản chất của phản ứng thủy văn của một lu vực với sự thay đổi những điều
kiện kỳ trớc và thể tích hoặc cờng độ ma lũ, nhng ở thời điểm hiện tại có liên hệ
với những độ bất định quan trọng.
Hộp 8.1: Ước lợng thông số lợi ích thích nghi cho dự báo thời
gian thực
Xem xét mô hình hàm chuyển đổi bậc 1 đơn giản:

t
t
to
tt
u
za
zbb
Gy
1
1
1

(8.3)
trong đó:
t
y

là biến đầu ra dự báo;

t
u
là biến đầu vào (ma hiệu quả hoặc dòng
chảy thợng lu); z là toán tử vi phân phản hồi (xem hộp 4.1);
t

a
,
o
b
và
t
b
là thông
số cố định trong lần hiệu chỉnh trớc;
t
G
là lợi ích biến thời gian.
Lợi ích biến thời gian có thể đợc đánh giá trong thời gian thực bằng những
phơng pháp ớc lợng thông số biến thời gian đợc phát triển trong Young (1984), và
đã sử dụng trong hệ thống dự báo lũ Dumfries bởi Lees và nnk (1994). Giải thuật này
là một dạng của phép lọc đệ quy của thông số lợi ích G trong đó lợi ích tại thời điểm t,
G
t
, phụ thuộc vào G
t-1
ở bớc thời gian trớc, cùng với một hàm của sai số dự báo hiện

285
thời (
tt
yy


) trong đó y
t

là dòng chảy quan trắc tại thời điểm t.
Giải thuật đó có dạng của những phơng trình dự báo - hiệu chỉnh nh sau:
Bớc dự báo:

11/



ttt
GG
(8.4)

NVRttt
CPP
11/
(8.5)
Bớc hiệu chỉnh:



2
1/
1/1/
1/

1

ttt
ttttttt
ttt
yP
yGyyP
GG






(8.6)



2
1/
2
1/
1/

1

ttt
ttt
ttt
yP
yP
PP

(8.7)
Mức độ mà với nó lợi ích biến thời gian G
t
đợc cho phép thay đổi giữa các bớc
thời gian bị điều khiển bởi giá trị của thông số thuật toán C
NVR
, là tỷ số phơng sai
nhiễu (NVR). Giá trị của C
NVR
càng cao, ảnh hởng bộ nhớ đem lại của những giá trị
trớc đây của G tại thời điểm t-1, t-2, tắt dần càng nhanh. Nh vậy một giá trị lớn
của NVR có nghĩa rằng có một bộ nhớ ngắn và ít lọc của sự thay đổi trong G. Trong
nghiên cứu Dumfries của Lees và nnk (1994), giá trị của C
NVR
đợc cho phép thay đổi
cùng với độ lớn của sai số dự báo để sai số dự báo tại một bớc thời gian càng lớn, G
đợc cho phép thay đổi càng nhanh.
Một lợi thế của loại phơng pháp này là ớc lợng độ bất định trong các dự báo
đó có thể đợc tính toán và cũng đợc cập nhật đệ quy. Nếu chúng ta xác định sai số
dự báo về phía trớc n bớc nh :



ntntn
yy

(8.8)
khi đó phơng sai của
nt

đợc cho bởi:



22

1

var
ntnttn
vP



(8.9)
trong đó:
2

t

là phơng sai sai số dự báo hiên thời đợc ớc lợng từ đệ quy xa hơn:

2
1
22
1
2



tttt
e

(8.10)
trong đó:
2
t
e
là sai số dự báo thu phóng

2
2

1

tt
tt
t
yP
yy

e



(8.11)
Phơng sai của
n

có thể đợc sử dụng để ớc lợng giới hạn cho dự báo dựa trên
độ bất định trong những ớc lợng biến thời gian của
nt
G

nh đợc phản ánh trong
độ lớn của
nt
P

. Những chi tiết tiếp theo của giải thuật này, và mở rộng của nó cho
cập nhật đệ quy của những thông số bội, có thể tìm thấy trong Young (1984).
Chú ý rằng trong những phơng trình dự báo-hiệu chỉnh, chỉ sai số (
tt
yy


) tại
thời điểm hiện thời t có thể đợc biết, nhng điều này có thể đợc cố định trong việc

286
ngoại suy các ớc lợng của G và P về phía trớc sử dụng các phơng trình dự báo -

hiệu chỉnh cho thời gian t-n. Nhìn chung, độ lớn của những giới hạn dự báo sẽ tăng
cùng với sự tăng lu lợng và với phép ngoại suy xa hơn vào trong tơng lai. Trong hệ
thống dự báo Dumfries thấy rằng những dự báo hợp lý có thể đợc làm cho 5 giờ về
phía trớc (xem Hình 8.3), mặc dù thời gian trễ tự nhiên trong lới sông là vào khoảng
3 giờ.
Lợi ích biến thời gian trong loại mô hình này là một cách đền bù cho cả những sai
số dữ liệu lẫn bất kỳ sự phi tuyến nào không đợc biểu diễn đúng mức trong cấu trúc
mô hình. Những phơng pháp thích nghi có thể cũng đợc sử dụng với những mô hình
phi tuyến. Kỹ thuật nổi tiếng nhất là phơng pháp lọc Kalman mở rộng (xem Young
1984; Beck và Halfon 1991) đã đợc sử dụng rộng rãi trong cả các bài toán mô hình
hóa thủy văn lẫn chất lợng nớc. Thật ra, ớc lợng thông số biến thời gian có thể sử
dụng để điều tra bản chất của tính phi tuyến của một hệ thống vào-ra (xem hộp 4.3).