thử nghiệm dự báo hạn mùa một số chỉ số khí hậu cực đoan bằng mô hình regcm cho khu vực việt nam luận văn ths. khoa học khí quyển và khí tượng

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


Trịnh Tuấn Long


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



LUẬN VĂN THẠC SĨ KHOA HỌC







Hà Nội – Năm 2012



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

Trịnh Tuấn Long

THỬ NGHIỆMDỰ BÁO HẠN MÙA
MỘT SỐ CHỈ SỐ KHÍ HẬU CỰC ĐOAN BẰNG MÔ HÌNH REGCM
CHOKHU VỰC VIỆT NAM

Chuyên ngành: Khí tƣợng và khí hậu học
Mã số: 60.44.87
LUẬN VĂN THẠC SĨ KHOA HỌC

NGƢỜI HƢỚNG DẪN KHOA HỌC:
GS. TS. Phan Văn Tân


Hà Nội - 2012
1


MỤC LỤC

DANH MỤC HÌNH 2
DANH MỤC CÁC KÝ HIỆU VIẾT TẮT 4
Chƣơng 1 TỔNG QUAN 7
1.1 Các nghiên cứu trên thế giới 7
1.2. Các nghiên cứu trong nƣớc 16
Chƣơng 2 PHƢƠNG PHÁP NGHIÊN CỨU 21
2.1 Xác định các chỉ số khí hậu cực đoan 21
2.2Hệ thống mô hình dự báo khí hậu CFS 25
2.3 Mô hình khí hậu khu vực RegCM 26
2.4 Cách xác định các chỉ số ECE từ sản phẩm mô hình 30

2.5 Phƣơng pháp đánh giá 33
Chƣơng 3 KẾT QUẢ VÀ NHẬN XÉT 36
3.1 Kết quả nhiệt độ trung bình tháng 36
3.2 Các trƣờng nhiệt độ cực trị 46
3.3 Các chỉ số khí hậu cực đoan 58
TÀI LIỆU THAM KHẢO 63
PHỤ LỤC 68






2

DANH MỤC HÌNH

Hình 1.1 : Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO 13
Hình 2.1 Cấu trúc lƣới thẳng đứng (bên trái) và lƣới ngang dạng xen kẽ ArakawaB
(bên phải) của mô hình 27
Hình 2.2 Quy trình dự báo mùa 30
Hình 2.3 Xác định chỉ số ECE bằng phƣơng pháp phân vị 33
Hình 3.1: Nhiệt độ trung bình tháng dự báo ứng với các hạn dự báo khác nhau 37
Hình 3.2 Nhiệt độ trung bình tháng (a), hệ số tƣơng quan (b), sai số ME (c) và sai
số quân phƣơng (d) 38
Hình 3.3 Đồ thị phân bố tần suất trƣờng nhiệt độ trung bình cho tháng 8 và tháng 4 40
Hình 3.4: Phân bố đồng thời giá trị nhiệt độ tháng 8 và tháng 4 41
Hình : 3.5 Tổng lƣợng mƣa tháng dự báo với các hạn dự báo từ 1 đến 6 tháng 43
Hình 3.6 : Lƣợng mƣa trung bình tháng (a), hệ số tƣơng quan (b), sai số ME (c) và
sai số quân phƣơng (d) 44

Hình 3.7 Đồ thị phân bố tần suất trƣờng mƣa cho tháng 8 và tháng 4 45
Hình 3.8 Nhiệt độ cực tiểu trung bình tháng ứng với các hạn dự báo khác nhau 47
Hình 3.9 : Nhiệt độ cực tiểu trung bình tháng (a), hệ số tƣơng quan (b), sai số ME
(c) và sai số quân phƣơng (d) 48
Hình 3.10 : Đồ thị phân bố tần suất nhiệt độ cực tiểu trung bình tháng cho tháng 8
và tháng 4 49
Hình 3.11 : Phân bố đồng thời giá trị nhiệt độ cực tiểu trung bình tháng 8 và tháng 4 . 50
Hình 3.12 Nhiệt độ cực đại trung bình tháng ứng với các hạn dự báo khác nhau 52
Hình 3.13: Nhiệt độ cực đại trung bình tháng (a), hệ số tƣơng quan (b), sai số ME
(c) và sai số quân phƣơng (d) 53
Hình 3.14 Đồ thị phân bố tần suất nhiệt độ cực đại trung bình tháng cho tháng 8 và
tháng 4 53
Hình 3.15 Phân bố đồng thời giá trị nhiệt độ cực đại trung bình tháng 8 và tháng 4 54
Hình 3.16 Nhiệt độ cực tiểu tuyệt đối tháng 3 đến tháng 8 với hạn dự báo tứng ứng
từ 1 đến 6 tháng. 56
3

Hình 3.17 Nhiệt độ cực đại tuyệt đối tháng 3 đến tháng 8 với hạn dự báo tứng ứng
từ 1 đến 6 tháng. 57
Hình 3.18 khả năng dự báo số ngày rét đậm C15 (a), rét đậm, rét hại C13 (b). 58
Hình 3.19 khả năng dự báo số ngày nắng nóng H35 (a), nắng nóng gay gắt H37 (b). 59
Hình 3.20 khả năng dự báo số ngày mƣa lớn 60


4

DANH MỤC CÁC KÝ HIỆU VIẾT TẮT
AGCM
Mô hình hoàn lƣu chung khí quyển
CFS

Hệ thống dự báo mùa toàn cầu (Climate Forecast Systerm)
CFSR
Bộ số liệu tái phân tích CFS
CMAP
Số liệu tái phân tích mƣa trên lƣới CPC Merged Analysis of Precipitation
ECE
Hiện tƣợng khí hậu cực trị (extreme climate events)
ENSO
Dao động Nam (El Nino Southern Oscillation)
GCM
Mô hình hoàn lƣu chung khí quyển (Global Circulation model)
GPC
Trung tâm sản phẩm toàn cầu cho dự báo hạn dài
IPCC
Ủy ban Liên chính phủ về Biến đổi khí hậu
LSM
Mô hình bề mặt đất (land surface model)
MME
Hệ thống tổ hợp đa mô hình (MultiModel Ensemble)
MOM3
Mô hình đại dƣơng phiên bản 3 (Modular Ocean Model version 3)
MRED
Tổ hợp đa mô hình khí hậu khu vực (MultiRCM Ensemble Downscaling)
RCM
Mô hình khí hậu khu vực (Regional Climate Model)
RegCM
Mô hình khí hậu khu vực (Regional Climate Model)
SPI
Chỉ số giáng thủy tiêu chuẩn (Standardized Precipitation Index)
SST

Nhiệt độ mặt nƣớc biển toàn cầu (Sea surface temperature)
TRMM
Số liệu mƣa vùng nhiệt đới (Tropical Rainfall Measuring Mission)
WMO
Tổ chức Khí tƣợng Thế giới (World Meteorological Organization)

5

MỞ ĐẦU

Trong những năm gần đây, dự báo hạn mùa (seasonal forecasting) đang là
một trong những bái toán có tính ứng dụng rất lớn, có ý nghĩa rất quan trọng đối với
nhiều ngành kinh tế, xã hội. Thông tin dự báo hạn mùa là căn cứ cho các nhà hoạch
định chính sách, các nhà quản lý có thể đƣa ra kế hoạch sản suất phù hợp cũng nhƣ
chủ động ứng phó với các thiên tai, thảm họa. Trong bối cảnh biến đổi khí
hậu,dƣờng nhƣ các hiện tƣợng thời tiết cực đoan ngày càng xảy ra với tần suất
nhiều hơn, cƣờng độ mạnh hơn, gây thiệt hại nặng nề, việc dự báo hạn mùa dựa trên
cơ sở các mô hình động lực trở nên ƣu việt hơn so với phƣơng pháp thống kê truyền
thống.
Ngày nay, cùng với sự phát triển mạnh mẽ của công nghệ tính toán, các mô
hình dự báo số trị ngày càng đƣợc sử dụng rộng rãi trong các nghiên cứu khí hậu.
Việc ứng dụng không chỉ trên quy mô toàn cầu mà còn đƣợc chi tiết hóa cho từng
khu vực, tạo điều kiện thuận lợi cho những nghiên cứu sâu hơn, mang tính ứng
dụng cao hơn. Ngoài ra, mục tiêu của bài toán dự báo hạn mùa không chỉ dừng lại
đơn thuần ở dự báo xu thế các yếu tố khí tƣợng nữa mà việc dự báo đƣợc các hiện
tƣợng thời tiết cực đoan ở qui mô hạn mùa cũng rất đƣợc quan tâm, chú ý.
Ở Việt Nam, việc ứng dụng và thử nghiệm các mô hình khí hậu khu vực cho
bài toán dự báo tuy không còn mới mẻ nhƣng vẫn còn nhiều câu hỏi cần đƣợc trả
lời, đặc biệt là dự báo hạn mùa và khả năng dự báo các yếu tố, hiện tƣợng khí hậu
cực đoan. Trong khuôn khổ luận văn này, tác giả sẽ thử nghiệm ứngdụng mô hình

khí hậu khu vựckhi sử dụngsản phẩmđầu ra từ mô hình dự báo toàn cầulàm điều
kiện ban đầu và điều kiện biên đểdự báo một số chỉ số khí hậu cực đoan vàđánh giá
cho khu vực Việt Nam. Mô hình đƣợc sử dụng là mô hình RegCM phiên bản 4.2
(RegCM4.2). Sản phẩm của mô hình toàn cầu đƣợc sử dụng là sản phẩm dự báo của
hệ thống mô hình CFS.
Luận văn đƣợc bố cục thành 3 chƣơng, ngoài mở đầu, kết luận và tài liệu
tham khảo nhƣ sau:
6

Chƣơng 1: Tổng quan
Chƣơng 2: Phƣơng pháp nghiên cứu
Chƣơng 3: Kết quả và nhận xét

7

Chƣơng 1
TỔNG QUAN

Hiện nay, dự báo hạn mùa đang là một trong những bài toán đƣợc các nhà
khoa học trong và ngoài nƣớc hết sức quan tâm. Các kết quả dự báo mùa đã mang
lạiđƣợc ứng dụng rộng rãi trongđời sống xã hội. Trong đó, có thể kể đến hiệu quả
của sản phẩm dự báo hạn mùa trong lĩnh vực nông nghiệp nhƣ góp phần đƣa ra
những dự báo đáng tin cậy về sản lƣợng vụ mùa ở Australia [45],Châu Âu [13] hay
miền tây Ấn Độ [14], và cả trong lĩnh vực y tế nhƣ góp phần cung cấp thông tin
cho việc dự báo sự lan truyền của dịch sốt rét [38]. Việc dự báo hạn mùa các hiện
tƣợng khí hậu cực đoan cũng đã đƣợc thử nghiệm ở nhiều nơi trên thế giới nhƣ Mỹ
[31], [48], Hàn Quốc [40] hay Nam Mỹ [19] và đãcho những kết quả khả quan.
Dƣới đây là một số công trình nghiên cứu tiêu biểu.
1.1 Các nghiên cứu trên thế giới
Trong nghiệp vụ dự báo có 3 lớp bài toán:dự báo thời tiết, dự báo tháng và
dự báo mùa. Đối với dự báo thời tiết, thông thƣờng hạn dự báo khoảng 3–5 ngày
(hạn ngắn – Short range forecast) và tối đa khoảng 5–10 ngày (hạn vừa – Medium
range forecast). Dự báo thời tiết cần phải chỉ ra được trạng thái của khí quyển tại
một địa điểm cụ thể, vào những thời điểm cụ thể (từng ngày, thậm chí từng giờ)
trong thời hạn dự báo. Khác với dự báo thời tiết, dự báo mùa không chỉ ra trạng
thái khí quyển vào những thời điểm cụ thể đến từng ngày, thay vào đó là thông tin
chung về điều kiện khí quyển trong từng khoảng thời gian nhất định (chẳng hạn
từng tháng, từng mùa – batháng) trong thời hạn dự báo. Dự báo mùa, hay dự báo

hạn mùa (Seasonal forecast), hay dự báo khí hậu hạn mùa (Seasonal Climate
forecast) có hạn dự báo đến tối đa (hiện nay) là một năm [35].
Theo tổ chức khí tƣợng thế giới WMO [44], với bài toán dự báo thời tiết, dự
báo quy mô lớn hơn 10 ngày trong tƣơng lai đƣợc coi là dự báo hạn dài. Trong dự
báo khí hậu, hạn dự báo đƣợc mở rộng từ hạn 30-45 ngày (dự báo tháng), hoặc vài
8

ba tháng đến 1 năm(hạn mùa), cho đến 2-3 năm (hạn dài). Các thông tin dự báo khí
hậu có thể rất khái quát để mô tả quy mô mùa (seasonal outlook) điều kiện thời tiết
thông qua độ lệch so với giá trị trung bình khí hậu của mùa đó [35]. Khái niệm mùa
có thể hiểu theo mùa thiên văn (xuân, hạ, thu, đông) và cũng có thể có khái niệm
khác ở vùng nhiệt đới (mùa mƣa, mùa khô). Trong thực tế, dự báo hạn mùa
(seasonal forecasting) đƣợc xét từ quy mô tháng cho đến 1 năm (với các hạn phổ
biến là 1, 3, 6, 9 tháng) nhằm đƣa ra các ứng dụng có hiệu quả của sản phẩm dự
báo.
Dự báo hạn mùa (từ quy mô tháng cho đến quy mô năm) là một bài toán
phức tạp mà sự thành công của các dự báo mùa này phụ thuộc vào mức độ chi tiết
hóa về mối quan hệ tƣơng tác giữa khí quyển và đại dƣơng [44]. Hiện tại, với những
hiểu biết về các quá trình tƣơng tác khí quyển – đại dƣơng, cùng với việc mô phỏng
chi tiết hóa từng khu vực của các mô hình cũng nhƣ việcthu thập số liệu đo đạc
quan trắc nâng cao chất lƣợng số liệu đã tạo ra những tiến bộ trong dự báo hạn mùa.
Để hiểu đƣợc cơ sở vật lý của dự báo hạn mùa, chúng ta cần hiểu các nhân tố tạo ra
các đặc trƣng khí hậu của 1 năm khác biệt so với các năm khác. Vì vậy, chúng ta
cũng cần nắm đƣợc khả năng dự báo của chính các nhân tố này và cụ thể ở quy mô
thời gian nào. Trên quy mô toàn cầu, nguyên nhân quan trọng nhất khiến các đặc
trƣng khí hậu thay đổi từ năm này qua năm khác là sự biến đổi của nhiệt độ mặt
nƣớc biển toàn cầu (SST). Dị thƣờng nhiệt độ bề mặt biển ở khu vực nhiệt đới là
đặc biệt quan trọng bởi vì đối lƣu sâu trong khí quyển miền nhiệt đới, tác động lớn
đến hoàn lƣu toàn cầu, lại rất nhạy cảm với SST bên dƣới. Ở một số nơi khác nhƣ
Châu Âu và Tây Phi, SST của khu vực cũng đƣợc coi là một trong những nhân tố

quan trọng nhất. Đối với khu vực nhiệt đới, đặc biệt là khu vực Thái Bình Dƣơng
xích đạo, khả năng dự báo SST đƣợc nâng cao nhờ có các quá trình khác. Trong đó,
ENSO là hiện tƣợng đƣợc quan tâm nghiên cứu và có tác động nhiều nhất đến các
quá trình làm thay đổi SST[45]. Dự báo hiện tƣợng ENSO, theo quy mô tháng và
năm, đã hỗ trợ tốt hơn cho dự báo hạn mùa ở nhiều nơi trên thế giới.
9

Một nhân tố cũng rất quan trọng khác là bề mặt đất của trái đất, nó cũng có
thể ảnh hƣởng đến khí quyển trên quy mô mùa, trong đó độ ẩm đất đóng vai trò
quan trọng, cũng nhƣ một số nơi là độ phủ tuyết. Độ ẩm đất có thể dao động về căn
bản từ năm này qua năm khác và biến đổi trong độ ẩm đất có khoảng thời gian quy
mô từ tháng đến năm. Koster (2004) [30] đã sử dụng mô hình bề mặt đất (LSM) kết
hợp với trƣờng toàn cầu trạng thái thực (của các biến giáng thủy, bức xạ và các
trƣờng khí tƣợng bề mặt) để có đƣợc các trƣờng mới về độ ẩm đất, nhiệt độ và các
trạng thái đất khác. Sau đó, tác giả đã sử dụng các trƣờng này làm điều kiện ban đầu
cho dự báo giáng thủy và nhiệt độ bằng mô hình hoàn lƣu chung khí quyển
(AGCM). Sự cải thiện trong kết quả đã đƣợc kiểm định với việc thực hiện dự báo
lại ở quy mô tháng (từ tháng 5 đến tháng 9, 1979-93) với hệ thống dự báo hạn mùa
của Mô hình toàn cầu của NASA (GMAO). Với 75 dự báo riêng biệt, kết quả đã
cung cấp cơ bản đầy đủ về mặt thống kê cho việc đánh giá sự cải thiện trong kĩ
năng dự báo liên quan đến việc ban đầu hóa điều kiện bề mặt đất. Đánh giá kĩ năng
đƣợc tập trung cho khu vực Đồng bằng lớn của Bắc Mỹ, khu vực có nguồn số liệu
về điều kiện đất ban đầu đáng tin cậy và có sự ảnh hƣởng lớn của điều kiện độ ẩm
đất tới các nhiễu động khí quyển trong việc phát triển các trƣờng khí tƣợng. Nghiên
cứu đã chỉ ra ban đầu hóa đất tác động nhỏ nhƣng là có thể nhận thấy cho sự cải
thiện của dự báo nhiệt độ và lƣợng mƣa của khu vực này. Đối với giáng thủy, sự
phát triển trong kĩ năng dự báo xuất hiện rõ nét vào tháng 5 đến tháng 7, trong khi
đó với nhiệt độ không khí, là tháng 8 và tháng 9. Cả ban đầu hóa đất và khí quyển
đều chi phối một cách độc lập đến kĩ năng thực của dự báo nhiệt độ hàng tháng, với
kĩ năng lớn nhất nhận đƣợc từ việc ban đầu hóa là khi kết hợp 2 nguồn này.

Việc dự báo hạn dài chính xác các nhân tố khí hậu (nhiệt độ, lƣợng mƣa, trên
hay dƣới chuẩn… ) có những tiềm năng ứng dụng rất lớn, ví dụ những dự báo này
có thể cung cấp thông tin cần thiết cho những quyết định dài hạn và cảnh báo sớm
các thiên tai có thể xảy ra. Một lƣu ý là mức độ tin cậy của bất kỳ dự báo nào cũng
phụ thuộc vào khả năng nắm bắt chính xác đến đâu của chúng khi so sánh với trung
bình khí hậu. Cụ thể là dự báo chỉ đƣợc chấp nhận nếu chúng chính xác hơn và
10

cung cấp nhiều thông tin hơn so với kinh nghiệm về khí hậu mà vẫn đƣợc sử dụng
để đánh giá và đƣa ra các quyết định trƣớc đây. Có hai cách tiếp cận dự báo hạn
mùa là dự báo bằng phƣơng pháp thống kê và phƣơng pháp mô hình động lực (dự
báo sử dụng các mô hình số trị).
Phương pháp thống kê làphƣơng pháp đơn giản nhất để dự báo dị thƣờng các
yếu tố so với khí hậu trung bình, quy mô tháng hay mùa, sử dụng các nguyên tắc
(bằng thống kê) liên kết các hình thế trong tƣơng lai với đặc tính khí hậu hiện tại.
Những dị thƣờng biến đổi chậm và có quy mô lớn của khí hậu (ví dụ nhƣ SST) có
thể tồn tại trong nhiều tháng, và có thể tác động làm thay đổi hình thế hoàn lƣu
chung khí quyển và từ đó sai lệch so với trạng thái trung bình của hoàn lƣu khí hậu
địa phƣơng. Ban đầu, hƣớng tiếp cận này không mấy thành công, nhƣng sự tăng
cƣờng hiểu biết về hiện tƣợng ENSO và các hình thế tác động khác giúp cho
phƣơng pháp này đáng tin cậy hơn. Điểm mạnh của phƣơng pháp này là tƣơng đối
dễ áp dụng bởi vì hầu nhƣ phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên
máy tính khiêm tốn. Tuy nhiên, phƣơng pháp đơn giản này vẫn tồn tại nhiều hạn
chế. Các mô hình thống kê chỉ sử dụng đơn thuần chuỗi số liệu trong quá khứ, dự
báo các mối liên hệ phức tạp mà không có các mối liên hệ cụ thể nào với các quá
trình vật lý cũng nhƣ động lực học nằm ẩn bên trong. Điều này có nghĩa là phƣơng
pháp hiệu quả khi sự phát triển quy mô lớn là rõ rệt và theo một hƣớng nhƣng rất
khó để lƣờng trƣớc những sự chuyển pha, ví dụ nhƣ từ nóng sang lạnh và ngƣợc lại.
Và cuối cùng, phƣơng pháp thƣờng không nắm bắt đƣợc những yếu tố đột biến.
Phương pháp mô hình động lựcdự báo mùa nhìn chung chỉ mới bắt đầu từ

khoảng 30 năm trở lại đây. Cách tiếp cận của phƣơng pháp mô hình động lực có cơ
sở vật lý hơn, sử dụng các mô hình hoàn lƣu chung khí quyển. Trong một dạng của
hƣớng tiếp cận này, bƣớc đầu tiên là dự báo sự phát triển của SST trong vùng nhiệt
đới Thái Bình Dƣơng. Các dự báo có thể dựa trên mô hình khu vực mà coi sự phát
triển trong vùng đại dƣơng nhiệt đới là cô lập. Khi mô hình đƣa ra dự báo về Thái
Bình Dƣơng, có thể trong một năm tới, hình thế dự báo của SST sẽ đƣợc sử dụng
11

tác động đến mô hình hoàn lƣu chung khí quyển để dự báo thời tiết toàn cầu phản
ứng ra sao. Những dự báo mùa đã cho các kết quả đầy hứa hẹn, đặc biệt là khu vực
nhiệt đới. Sự phát triển của các dự báo này đƣợc xây dựng dựa trên những điểm
mạnh của mô hình và những quan trắc ngày càng tốt hơn ở khu vực Thái Bình
Dƣơng xích đạo. Sự phát triển đáng kể hiện tại đã tạo ra một hệ thống tƣơng tác đầy
đủ trong đó thành phần đại dƣơng, khí quyển và mặt đất của mô hình tƣơng tác liên
tục với nhau để cho ra các bản tin dự báo đến vài tháng.
Vấn đề dự báo hạn mùa các yếu tố, hiện tƣợng khí hậu cực đoan đã đƣợc đề
cập đến trong một số nghiên cứu của các tác giả. Trong nghiên cứu của mình, Yoon
(2012) [40] đã so sánh kết quả giữa mô hình thống kê và mô hình động lực dự báo
mùa lạnh ở nƣớc Mỹ, tác giả sử dụng phƣơng pháp tổ hợp với 7 mô hình khí hậu
khu vực MRED với đầu vào từ sản phẩm CFS mô phỏng 5 tháng mùa lạnh. Với mỗi
RCM, hệ thống 10 thành phần với các điều kiện biên và điều kiện ban đầu đƣợc mô
phỏng từ tháng 12 đến tháng 4 năm sau trong giai đoạn 1982 đến 2003. Kết quả so
sánh giữa 2 phƣơng pháp cho thấy RCM đã đƣa ra đƣợc nhiều kết quả mang tính
ứng dụng hơn, đặc biệt phƣơng pháp RCM cho kết quả tốt ở khu vực Tây bắc và
phía Nam nƣớc Mỹ với hạn dự báo ko quá dài. Kết quả đánh giá cũng cho thấy kết
hợp phƣơng pháp động lực và phƣơng pháp thống kê cho kết quả tốt nhất.
Sohn (2012) [49] cũng đã phát triển hệ thống dự báo mùa đa mô hình nhằm
dự báo các đợt hạn hán và ngập lụt ở Hàn Quốc. Để thuận tiện trong công tác dự
báo, tác giả dựa trên số liệu mƣa để chia miền nghiên cứu thành các khu vực nhỏ
hơn. Hệ thống dựa trên sản phẩm dự báo mùa đa mô hình MME với hạn dự báo 3

tháng dự báo mƣa cho 60 trạm ở Hàn Quốc từ tháng 3 đến tháng 5. Dựa trên kết quả
mô hình và chỉ số SPI, các bản tin dự báo hạn hán và lũ hụt sẽ đƣợc xây dựng và
đƣa ra. Hệ thống cũng sử dụng 3 sơ đồ đối lƣu khác nhau và hiệu chỉnh kết quả dựa
trên tập số liệu quá khứ để đƣa ra trọng số. Bộ trọng số này sẽ đƣợc dùng đểxây
dựng kết quả cuối cùng. Thử nghiệm cho thấy, có sự cải thiện lớn trong việc đƣa ra
đƣợc những bản tin cảnh báo sớm đối với hạn hán và lũ lụt, những thông tin này là
12

rất hữu ích cho các nhà quản lý nông nghiệp, quản lý tài nguyên nƣớc đƣa ra những
kế hoạch, chính sách phù hợp.
Một nghiên cứu khác của Frumkin [46] xem xét tới khả năng dự báo mùa
khô hạn (tháng 6 đến tháng 8) trên khu vực nhiệt đới và cận nhiệt đới khu vực Nam
Mỹ. Tác giả sử dụng một số sản phẩm dự báo toàn cầu CFS, RSM [27], RSM_AN
[33] làm điều kiện đầu vào cho các mô hình khí hậu khu vực với 6 thành phần tổ
hợp trong giai đoạn 2001 đến 2007. Trong nghiên cứu này, tác giả tập trung phân
tích trƣờng mƣa và nhiệt độbề mặt cho 2 khu vực chính là lƣu vực sông Amazon và
khu vực cận nhiệt đới. Kết quả mô phỏng đƣợc so sánh với số liệu CMAP, TRMM
và bộ số liệu tái phân tích CFSR cho thấy kết quả mô phỏng với cả 3 mô hình khác
nhau đều cho thấy khả năng mô phỏng hạn mùa trên lƣu vực sông Amazon và khu
vực cận nhiệt đới cả đối với trƣờng nhiệt độ bề mặt và trƣờng mƣa, trƣờng nhiệt tốt
hơn trƣờng mƣa, đặc biệt là trên lƣu vực sông Amazon.
Hiện nay WMO đã thiết lập đƣợc các nguồn cung cấp sản phẩm dự báo hạn
dài. Các quá trình dự báo hạn dài dựa trên nền tảng công nghệ tính toán (quy mô từ
30 ngày đến 2 năm) trên quy mô toàn cầu đòi hỏi lƣợng lớn tài nguyên máy tính
cùng với những hiểu biết đặc biệt. Vì lý do này, chỉ có một vài trung tâm trên thế
giới cung cấp các bản tin dự báo khí hậu hạn dài toàn cầu. Những dịch vụ cung cấp
bởi các trung tâm này đƣợc biết đến với tên gọi Trung tâm sản phẩm toàn cầu cho
dự báo hạn dài (GPCs) đƣa ra điều kiện cơ bản cho dự báo khí hậu và thời tiết ở quy
mô khu vực/địa phƣơng và đƣợc sử dụng ở các trung tâm dự báo khu vực và địa
phƣơng. Từ đó, dự báo hạn dài ở quy mô khu vực đƣợc cung cấp bởi cả Các trung

tâm khí hậu khu vực (RCCs) cũng nhƣ các diễn đàn về dự báo mùa khu vực
(RCOFs). Cũng nhƣ GPCs, RCCs và RCOFs sử dụng số liệu đƣợc hỗ trợ bởi các
mô hình số trị để phát triển các dự báo chi tiết thích hợp cho khu vực riêng. Những
mô hình và dự báo này sau đó đƣợc sử dụng bởi các trung tâm dự báo để tạo ra các
dự báo quốc gia và địa phƣơng chính xác và tốt hơn.
13

Năm 2006, WMO bắt đầu chính thức bổ nhiệm các trung tâm đƣa ra các bản
tin dự báo mùa toàn cầu đƣợc gọi là Trung tâm sản phẩm toàn cầu cho dự báo hạn
dài (GPCs), một thành phần của Hệ thống Xử lý số liệu và Dự báo toàn cầu
(GDPFS) [30]. Các trung tâm này cần cung cấp tối thiểu:
o Dự báo giá trị trung bình, tích lũy hoặc tần suất với thời hạn 1 tháng hoặc lâu
hơn; đặc trƣng là dị thƣờng phân vị trung bình 3 tháng với định dạng chuẩn
cho dự báo mùa. Các dự báo thƣờng biểu diễn dƣới dạng xác suất.
o Hạn dự báo hay thời trễ dự báo (leadtime): từ 0 đến 4 tháng.
o Tần suất phát báo: hàng tháng hoặc ít nhất là theo quý
o Cung cấp: dạng ảnh hiển thị trên trang web của GPCs hoặc/và số liệu để tải
về
o Các biến: nhiệt độ 2m, lƣợng mƣa, SST, MSLP, độ cao 500hPa, nhiệt độ
850hPa
o Đánh giá kĩ năng dự báo hạn dài, sử dụng quy chuẩn của SVSLRF.

Một số các GPCs chính của WMO là: Cục khí tƣợng Úc (Bureau of
Meteorology, Australia); Cơ quan khí tƣợng Trung Quốc (China Meteorological
Administration/Bejing Climate Center); Trung tâm dự báo khí hậu Mỹ (Climate

Hình 1.1 : Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO
14

Prediction Center, NOAA); Trung tâm dự báo hạn vừa Châu Âu (European Centre

for Medium-Range Weather Forecasts); Cơ quan khí tƣợng Nhật Bản (Japan
Meteorological Agency/Tokyo Climate Centre)…
Nổi bật trong các hệ thống dự báo khí hậu hiện nay là Hệ thống dự báo khí
hậu CFS (Climate Forecast System) với hệ thống dự báo hạn mùa sử dụng mô hình
động lực kết hợp đầy đủ đại dƣơng-đất-khí quyển, đã đƣợc đƣa vào nghiệp vụ tại
NCEP từ tháng 8 năm 2004 [37]. Hệ thống CFS cung cấp những lợi thế quan trọng
trong việc dự báo hạn mùa nghiệp vụ. Lần đầu tiên trong lịch sử dự báo nghiệp vụ
của nƣớc Mỹ, một hệ thống mô hình động lực có kĩ năng tốt có thể so sánh đƣợc
với phƣơng pháp thống kê hiện đang sử dụng ở Trung tâm Dự báo Khí hậu của
NCEP (CPC). Điều này thể hiện sự tiến bộ đáng kể so với các hệ thống mô hình
động lực trƣớc đây đƣợc sử dụng ở NCEP. Hơn thế nữa, kĩ năng đƣợc cung cấp bởi
CFS (theo không gian và thời gian) cũng đã hoàn thiện kĩ năng của phƣơng pháp
thống kê. Thành phần khí quyển của CFS là phiên bản độ phân giải thấp hơn
(T62L64) của Hệ thống Dự báo Toàn cầu (GFS) đã đƣợc chạy nghiệp vụ ở NCEP
từ năm 2003. Thành phần đại dƣơng là GFDL Modul Mô hình đại dƣơng phiên bản
3 (MOM3) thay cho MOM1 trƣớc đây. Một số cải tiến quan trọng của hệ thống
CFS so với hệ thống động lực trƣớc đây bao gồm: (1) sự kết hợp giữa khí quyển và
đại dƣơng mở rộng hầu hết toàn cầu từ 64N-74S (trƣớc đây chỉ có khu vực Thái
Bình Dƣơng nhiệt đới) (2) hệ thống CFS đƣợc kết hợp đầy đủ không có hiệu chỉnh
dòng (khác với trƣớc đây có hiệu chỉnh dòng và sai số) và (3) một bộ đầy đủ kết
quả dự báo lại của 24 năm (1981-2004) với 15 dự báo cho từng tháng chạy cho 9
tháng, đã đƣợc cung cấp cùng với CFS. Bộ số liệu dự báo lại của 24 năm này đặc
biệt quan trọng trong việc đánh giá kĩ năng dự báo của hệ thống khi chạy nghiệp vụ,
đồng thời cung cấp thông tin quý báu cho việc nghiên cứu sự tƣơng tác của các quá
trình khí quyển-đất-đại dƣơng.
CFS có sai số nhỏ chấp nhận đƣợc trong dự báo SST vùng nhiệt đới và kĩ
năng dự báo Nino 3-4 SST có thể so sánh đƣợc với phƣơng pháp thống kê. Tuy vậy,
15

kĩ năng dự báo SST vùng vĩ độ trung bình (trƣớc đây không có) kém hơn nhiều so

với khu vực nhiệt đới và ở các thời trễ dự báo dài hơn thì chỉ có kĩ năng vào mùa
đông. Kĩ năng dự báo tháng và mùa của nhiệt độ và lƣợng mƣa khu vực đất liền Bắc
Bán cầu, cụ thể nhƣ Mỹ, còn khiêm tốn, nhƣng vẫn so sánh đƣợc với phƣơng pháp
thống kê trƣớc đây. Kĩ năng của lƣợng mƣa chủ yếu tốt vào mùa đông (liên quan
đến ENSO), trong khi kĩ năng của nhiệt độ chủ yếu tốt vào mùa hè khi dị thƣờng độ
ẩm đất có tác dụng sử dụng.
Gần đây, CFS đã phát triển phiên bản 2 với dự báo tổ hợp. Dự báo sử dụng
điều kiện đầu vào của 30 ngày gần nhất và thực hiện chạy 4 lần/1 ngày. Dự báo tổ
hợp đầu vào từ 40 thành phần với điều kiện ban đầu theo thời đoạn 10 ngày. Loại tổ
hợp thứ nhất (E1) sử dụng 10 ngày đầu tiên, loại 2 (E2) sử dụng 10 ngày tiếp theo
và loại 3 (E3) sử dụng 10 ngày cuối. Dị thƣờng đƣợc tính so với sản phẩm dự báo
lại giai đoạn 1981-2008. Tƣơng quan theo thời gian dựa vào dự báo lại cho giai
đoạn 1981-2006 và số liệu quan trắc đƣợc sử dụng để đánh giá kĩ năng cho dị
thƣờng không gian. Độ lệch chuẩn đƣợc tính trung bình độ lệch chuẩn của từng
thành phần (vẫn tính từ bộ số liệu dự báo lại 1981-2006) với tháng đầu vào và mùa
dự báo tƣơng ứng.
Ở Châu Âu, một dự án khác cũng đáng lƣu ý là DEMETER, dự án đƣợc Liên
minh Châu Âu tài trợ để tạo bộ số liệu dự báo lại bằng phƣơng pháp tổ hợp đa mô
hình bao gồm 7 mô hình với 9 thành phần tổ hợp mỗi mô hình, đã đƣợc đánh giá sử
dụng bộ số liệu tái phân tích ERA40 và số liệu mƣa GPCP [36]. Các mô hình này từ
các trung tâm khí hậu của Châu Âu đƣợc viết tắt là: CERFACS, ECMWF, INGV,
LODYC, METEO-FRANCE, MPI và UKMO. Sản phẩm đầu ra của DEMETER
đƣợc hạ quy mô (downscale) cho phù hợp để ứng dụng vào việc dự báo sản lƣợng
mùa màng và dịch sốt rét. Kết quả cho thấy việc tổ hợp đa mô hình là một hƣớng
tiếp cận khả thi khi quan tâm đến độ bất định của mô hình trong dự báo mùa và
nhiều năm, đồng thời đƣa ra kết quả dự báo đáng tin cậy hơn khi chỉ dựa trên một
mô hình đơn lẻ. Thêm nữa, một lợi ích khác của dự án là cho ra bộ sản phẩm dự báo
16

lại quy mô mùa. Bộ số liệu này cho tiềm năng để nâng cao hiểu biết của chúng ta về

các cơ chế trong dao động liên mùa và nhiều năm.
David Lavers (cùng cs.) đã phân tích chi tiết kĩ năng dự báo của nhiệt độ và
lƣợng mƣa từ 8 mô hình dự báo mùa bằng phân bố đồng thời của quan trắc và dự
báo để đánh giá sản phẩm của DEMETER [16]. Kết quả cũng cho thấy kĩ năng thấp
ở những dự báo trên tháng-1 (tức là lấy thời trễ dự báo chỉ 1 ngày và đánh giá luôn
cho 30 ngày đầu tiên). Ở những thời trễ dự báo dài, chỉ có khu vực Thái Bình
Dƣơng xích đạo cho thấy kĩ năng đáng kể. Điều này có thể ảnh hƣởng trong việc sử
dụng các sản phẩm dự báo mùa trong các dịch vụ khí hậu và kết quả này cũng có
thể đƣợc coi nhƣ tiêu chuẩn của khả năng dự báo khí hậu hiện tại sử dụng các mô
hình động lực. Các mô hình của DEMETER đƣợc khởi tạo chạy vào 01 tháng II, 01
tháng V, 01 tháng 8 và 01 tháng XI để đánh giá sự phụ thuộc quy mô mùa của các
dự báo lại và tích phân cho 180 ngày. Cùng giai đoạn nghiên cứu, CFS với 15 dự
báo lại (9 tháng) khởi tạo mỗi tháng đƣợc sử dụng đểđánh giá. Thời kì chung của
DEMETER và CFS là 1981-2001 (21 năm). Nhiệt độ 2m ở độ phân giải 2.5x2.5 từ
số liệu tái phân tích ERA40 và lƣợng mƣa quan trắc trung bình tháng ở độ phân giải
1.0x1.0 từ Trung tâm mƣa khí hậu toàn cầu (GPCC) đƣợc sử dụng làm số liệu để so
sánh. Lƣợng mƣa đƣợc đƣa về lƣới 2.5 để khớp với độ phân giải của dự báo lại. Ở
đây, tác giả thực hiện 2 phép đánh giá: (1) đánh giá so sánh trung bình tổ hợp các
mô hình với số liệu quan trắc, đây đƣợc coi là đánh giá với khí quyển thực và(2)
đánh giá với khí quyển lý tƣởng, với giả thiết là một thành phần của tổ hợp đƣợc coi
là “thật” và trung bình các thành phần còn lại là “dự báo”. Phƣơng pháp sử dụng
chính là dùng hệ số tƣơng quan (tuyến tính).
Trong các nghiên cứu gần đây vê dự báo mùa mà chúng ta đã điểm qua, các
khái niệm và lƣu ý cơ bản và một số kết quả ban đầu về dự báo mùa đã đƣợc nêu ra.
Tiếp theo, chúng ta sẽ tìm hiểu một số các nghiên cứu trong nƣớc.
1.2. Các nghiên cứu trong nước
17

Từ năm 1987, trong đề tài “Xây dựng một số phƣơng pháp dự báo hạn vừa,
hạn dài nhiệt độ mùa đông và mƣa mùa hè khu vực phía bắc Việt Nam”, Phạm Đức

Thi (cùng cs.) [4] đã xây dựng các phƣơng pháp dự báo nhiệt độ trung bình tháng
và mùa đối với mùa đông. Nhóm tác giả cố gắng tìm các dấu hiệu để phát hiện
những mùa đông có dao động nhiệt độ mang tính chất dị thƣờng. Đồng thời, đề tài
cũng xây dựng các chỉ tiêu dự báo hạn vừa các đợt không khí lạnh, và các đợt rét
đậm, rét hại, dự báo dài hạn thời kì xuất hiện đợt rét đậm đầu tiên trong mùa đông ở
khu vực phía bắc Việt Nam. Đối với mùa hè, phƣơng pháp dự báo chuẩn sai lƣợng
mƣa tháng và mùa, dự báo lƣợng mƣa cũng nhƣ các chỉ tiêu dự báo hạn vừa thời kì
xuất hiện các đợt mƣa thời kì đầu mùa mƣa ở đồng bằng và trung du Bắc Bộ cũng
đƣợc xây dựng. Số liệu trạm Láng (Hà Nội) trong 91 năm (1898-1989) đƣợc sử
dụng cho mùa đông. Tác giả sử dụng chỉ tiêu K=deltaT/sigma ≥ 1 (giá trị chuẩn sai
nhiệt độ trung bình từng mùa từng tháng/độ lệch chuẩn) để đánh giá. Tháng đƣợc
coi là tháng rét đậm hay ấm đậm trong mùa đông khi giá trị tuyệt đối của chuẩn sai
nhiệt độ trung bình tháng đó bằng hoặc lớn hơn giá trị độ lệch tiêu chuẩn. Mùa đông
đƣợc coi là rét đậm hay ấm đậm khi giá trị tuyệt đối chuẩn sai nhiệt độ trung bình
ba tháng (12, 1, 2) bằng hoặc lớn hơn giá trị sigma của nhiệt độ 3 tháng đó. Rét hại
hay ấm hại lấy ngƣỡng 1.5. Bên cạnh đó, tác giả cũng đƣa ra các nhận xét về các
mùa đông lạnh kỷ lục (1982/83, 1983/84).
Năm 2009, Phan Văn Tân (cùng cs.) [2] cũng đã thử nghiệm bƣớc đầu ứng
dụng mô hình khí hậu khu vực RegCM3 để dự báo nhiệt độ trung bình tháng và
tổng lƣợng mƣa tháng cho ba tháng mùa hè 6-8/1996 khi sử dụng sản phẩm kết xuất
của mô hình khí hậu toàn cầu CAM làm điều kiện ban đầu và điều kiện biên
(RegCM-CAM). Các trƣờng dự báo của RegCM-CAM đã đƣợc đánh giá bằng cách
so sánh với sản phẩm mô phỏng tƣơng ứng của RegCM3 với đầu vào là số liệu tái
phân tích ERA40 và nhiệt độ mặt nƣớc biển phân tích OISST (RegCM-ERA). Kết
quả dự báo nhiệt độ và lƣợng mƣa của RegCM-CAM còn đƣợc so sánh trực tiếp với
số liệu phân tích CRU (nhiệt độ) và CMAP (lƣợng mƣa), và đánh giá định lƣợng
cho khu vực Việt Nam bằng cách nội suy về vị trí trạm và so sánh với số liệu quan
18

trắc từ mạng lƣới trạm khí tƣợng thông qua các chỉ số thống kê. Kết quả nhận đƣợc

cho thấy, về cơ bản các trƣờng nhiệt độ và lƣợng mƣa dự báo của RegCM-CAM
phù hợp tốt với sản phẩm mô phỏng của RegCM-ERA cũng nhƣ với các trƣờng
phân tích CRU, CMAP. Trên khu vực Việt Nam, RegCM-CAM thƣờng dự báo
nhiệt độ thấp hơn quan trắc; sai số dự báo nhiệt độ của RegCM-CAM trung bình
khoảng 2
o
C, khá ổn định và có tính hệ thống. RegCM-CAM cũng cho lƣợng mƣa
dự báo ở Việt Nam thấp hơn thực tế, tuy nhiên sai số còn khá lớn và không thể hiện
rõ qui luật. Trong ba tháng thử nghiệm, dự báo lƣợng mƣa của RegCM-CAM cho
tháng 6/1996 là hợp lý nhất.
Trong đề tài “Nghiên cứu tác động của biến đổi khí hậu toàn cầu đến các yếu
tố và hiện tƣợng khí hậu cực đoan ở Việt Nam, khả năng dự báo và giải pháp chiến
lƣợc ứng phó” Phan Văn Tân (cùng cs.) [3] đã làm sáng tỏ mức độ biến đổi, tính
chất biến đổi và xu thế biến đổi của các yếu tố và hiện tƣợng khí hậu cực đoan nhƣ
nhiệt độ, lƣợng mƣa, bão và áp thấp nhiệt đới, nắng nóng, rét hại, mƣa lớn, hạn hán
Ngoài ra, đề tài còn nghiên cứu thử nghiệm ứng dụng các mô hình khí hậu khu
vực với điều kiện ban đầu và điều kiện biên từ trƣờng dự báo toàn cầu của hệ thống
mô hình kết hợp khí quyển – đại dƣơng CAM-SOM để dự báo mùa các trƣờng khí
hậu và các hiện tƣợng cực đoan ở Việt Nam. Kết quả với 3 mô hình khí hậu khu
vực đƣợc sử dụng đều có sai số hệ thống đối với hầu hết các yếu tố và hiện tƣợng
khí hậu cực đoan. Cụ thể với các ECE xác định theo IPCC, tất cả các mô hình đều
cho khuynh hƣớng dự báo hạn mùa thấp hơn so với thực tế đối với các chỉ số TXx,
TXn, TNx, TNn, DTR, Rx1day, Rx5day, R95p, R99p, TX90p, R25 và R50 tại hầu
hết các vùng khí hậu. Đối với các chỉ số còn lại, có sự khác biệt giữa các mô hình
tƣơng ứng cho từng vùng khí hậu. Tƣơng tự cho các ECE xác định theo PA2, các
mô hình RCM đƣợc nghiên cứu chỉ thống nhất trong khuynh hƣớng sai số đối với
các ECE liên quan đến không khí lạnh, trong khi đối với các ECE liên quan đến
mƣa lớn và nắng nóng, khuynh hƣớng sai số thƣờng trái dấu giữa các mô hình với
nhau và thay đổi theo từng vùng khí hậu. Có thể thấy các khuynh hƣớng sai số trong
dự báo hạn mùa về cơ bản thống nhất với khuynh hƣớng sai số trong pha mô phỏng

19

tại hầu hết các ECE và vùng khí hậu. Kết quả này chứng tỏ tính ổn định của các
RCM đƣợc nghiên cứu ở đây.
Trong những năm vừa qua, Viện Khoa học Khí tƣợng Thủy văn và Môi
trƣờng đã đƣa vào hệ thống nghiệp vụ dự báo dị thƣờng tổng lƣợng mƣa mùa và
nhiệt độ trung bình trên cơ sở phƣơng pháp thống kê. Kết quả đƣợc biên tập thành
“Thông báo và dự báo khí hậu” ra hàng tháng và đƣợc cập nhật thƣờng xuyên lên
website của Viện ( Các thông báo này tổng kết diễn biến khí
hậu 3 tháng trƣớc đó và đƣa ra dự báo khí hậu cho 3 tháng tiếp theo. Diễn biến khí
hậu đƣợc xem xét trên cả quy mô toàn cầu và Việt Nam với các biến nhiệt độ, mƣa,
nắng, bốc hơi, chỉ số ẩm và một số hiện tƣợng thời tiết đặc biệt. Dự báo khí hậu 3
tháng bao gồm các nhận định chung về diễn biến khí hậu thế giới và khu vực (hiện
tƣợng ENSO) và dự báo khí hậu cho Việt Nam (nhiệt độ, lƣợng mƣa, xoáy thuận
nhiệt đới và không khí lạnh) [5]. Tuy nhiên, các bản tin vẫn còn khá nghèo nàn và
đặc biệt là chƣa thể có những thông tin dự báo về các điều kiện khí hậu cực trị.
Qua tổng quan các nghiên cứu trong và ngoài nƣớc về bài toán dự báo hạn
mùa các hiện tƣợng khí hậu cực đoan, cóthể nhận thấy3 điểmcần lƣu ý. Thứ nhất,
về mặt phƣơng pháp, hiện nay phƣơng pháp mô hình động lực tỏ ra có ƣu thế hơn
vàđƣợc phát triển ngày càng hoàn thiện hơn. Phƣơng pháp thống kê, tuy cóƣu điểm
không yêu cầu cao về mặt tài nguyên tính toán, nhƣng cũng có nhiều nhƣợcđiểm,
nhất là trong bối cảnh biến đổi khí hậu. Trong đó, việc không tính đến mối quan hệ
vật lý giữa các biếnđƣợc dự báo, không nắm bắt đƣợc những phát triển đột biến của
khí quyển cũng nhƣ việc phụ thuộc nhiều vào nguồn số liệuđiểm trạm vốn không
đầy đủ và hoàn thiện ở nhiều khu vực, là những khuyếtđiểm chính. Phƣơng pháp
mô hình động lực, tuy cần tài nguyên tính toán lớn, cả về tài nguyên máy tính và
nguồn nhân lực, nhƣng lại giải quyết đƣợc hầu hết các hạn chế trên của phƣơng
pháp thống kê. Điểm thứ hai, so với sự phát triển trên thế giới thì dự báo hạn mùaở
Việt Nam còn khá “thô sơ”, với không nhiều các nghiên cứu và nghiệp vụ còn phụ
thuộc nhiều vào phƣơng pháp thống kê. Trong khi đó, những năm gần đây, có

20

không ít các mô hình khí hậu khu vựcđã và đang đƣợc thử nghiệm cho khu vực Việt
Nam [3]. Hơn nữa, việc dự báo hạn mùa đƣợc các yếu tố, hiện tƣợng khí hậu cực
đoan khá mới mẻ ở Việt Nam.Điểm thứ ba, trong lĩnh vực nghiên cứu mô phỏng và
dự báo ECE bằng các mô hình số, kể cả mô hình toàn cầu và mô hình khu vực, các
GCM nói chung cũng nhƣ các RCM nói riêng đƣợc ứng dụng tái tạo cũng nhƣ dự
báo trƣờng khí hậu. Các trƣờng khí hậu sau khi đƣợc tái tạo hoặc dự báo sẽ là cơ sở
để xác định các ECEtheo các kĩ thuật khác nhau. Với cùng một mô hình, kết quả mô
phỏng, dự báo có thể tốt cho khu vực này nhƣng lại kém cho một khu vực khác.
Ngay trên cùng một khu vực, yếu tố, hiện tƣợng này có thể mô phỏng hoặc dự báo
tốt nhƣng yếu tố, hiện tƣợng khác lại có sai số lớn, thậm chí không chấp nhận đƣợc.
Từđó, tác giả nhận thấy việc hƣớng đến nghiên cứu khả năng ứng dụng mô hình khí
hậu khu vực vào bài toán dự báo hạn mùaở Việt Nam để dự báo một số chỉ số khí
hậu cực đoan là một hƣớng tiếp cận mới, rất cóý nghĩa và cần thiết.Để giải quyết
bài toán này, chúng tôi tập trung vào hai khía cạnh. Đầu tiên là đánh giá đƣợc khả
năng mô phỏng hạn mùa một số trƣờng cơ bản của mô hình khí hậu khu vực
RegCM phiên bản 4.2 với đầu vào từ trƣờng dự báo thực CFS. Dựa trên kết quả thu
đƣợc, tác giả sẽ lựa chọn và tiến hành đánh giả khả năng mô phỏng một số chỉ số
khí hậu cực đoan.



21

Chƣơng 2
PHƢƠNG PHÁP NGHIÊN CỨU

Trong chƣơng một, ý nghĩa khoa học và thực tiễn của bài toán dự báo hạn
mùa cũng nhƣ ứng dụng dự báo mùa yếu tố, hiện tƣợng khí hậu cực đoan bằng mô

hình khí hậu khu vựcđãđƣợc chỉ ra. Để cụ thể hóa bài toán thử nghiệm ứng dụng
RegCM4.2 dự báo hạn mùa một số chỉ số khí hậu cực đoan cho khu vực Việt Nam,
trong chƣơng nàysẽ trình bày sơ lƣợc mô hình RegCM phiên bản 4.2 và hệ thống
dự báo mùa CFS. Ngoài ra ở đây cũng sẽ đƣa ra một số chỉ số thống kê sử dụng
trong đánh giá chất lƣợng dự báo.
Trƣớc hết cần làm rõ một số khái niệm về “yếu tố và hiện tƣợng cực đoan”
sẽ đƣợc sử dụng trong luận văn.
2.1 Xác định các chỉ số khí hậu cực đoan
Khái niệm “hiện tƣợng cực đoan” (nói chung) đƣợc hiểu là những hiện tƣợng
thỏa mãn các điều kiện: 1) Hiếm, tức có tần suất xuất hiện tƣơng đối thấp trong một
khoảng thời gian tƣơng đối dài; 2) Có cƣờng độ lớn; và 3) Khắc nghiệt, tức là có
khả năng gây ra những ảnh hƣởng lớn hoặc dữ dội, đe dọa trực tiếp hoặc gián tiếp
đến sự sống trên Trái đất.
Trong lĩnh vực khí tƣợng, theo IPCC (2007), hiện tƣợng thời tiết cực đoan là
hiện tƣợng hiếm ở một nơi cụ thể vào một thời gian cụ thể trong năm. Định nghĩa
“hiếm” có thể đƣợc hiểu theo nhiều cách khác nhau, nhƣng hiện tƣợng thời tiết cực
đoan đƣợc hiểu là hiện tƣợng có xác suất xuất hiện nhỏ, thông thƣờng đƣợc chọn
là nhỏ hơn 10%. Theo định nghĩa này, các tính chất của cái gọi là “thời tiết cực
đoan” có thể rất khác nhau giữa nơi này và nơi khác. Khi hiện tƣợng thời tiết cực
đoan xảy ra vào một thời gian nào đó trong năm, chẳng hạn một mùa, khá ổn định,
nó có thể đƣợc gọi là hiện tƣợng khí hậu cực đoan. Nói cách khác, hiện tƣợng khí
hậu cực đoan là sự tổng hợp của hiện tƣợng thời tiết cực đoan đƣợc đặc trƣng bởi
22

trung bình và các cực trị tuyệt đối của các hiện tƣợng thời tiết cực đoan trên một
khoảng thời gian nhất định đủ dài.
Nói chung, hiện tƣợng khí hậu cực đoan phần lớn không đƣợc quan trắc trực
tiếp mà thƣờng đƣợc xác định căn cứ vào số liệu quan trắc của các yếu tố khí hậu và
dựa trên một số chỉ tiêu qui ƣớc cụ thể nào đó.
Ở Việt Nam hiện nay tồn tại hai khái niệm: “yếu tố khí hậu cực đoan” và

“hiện tƣợng khí hậu cực đoan”. Cái gọi là “yếu tố khí hậu cực đoan” xuất phát từ
tên gọi các biến khí hậu cực trị (extreme) mà tập giá trị của chúng là tập hợp các giá
trị “cực đại” hoặc “cực tiểu” của biến khí quyển đƣợc quan trắc nào đó, chẳng hạn,
tập hợp các giá trị quan trắc của nhiệt độ cực đại tuyệt đối ngày (hoặc tháng, hoặc
năm).Yếu tố khí hậu cực đoan sẽ đƣợc xác định dựa trên tập các giá trị này (sẽ đƣợc
trình bày dƣới đây). Giá trị cực trị nhất (lớn nhất hoặc nhỏ nhất) trong chuỗi quan
trắc hiện có đƣợc gọi là giá trị kỷ lục. Đƣơng nhiên về nguyên tắc, “kỷ lục” chỉ có
một giá trị duy nhất cho đến thời điểm hiện tại. Hiện tƣợng khí hậu cực đoan ở Việt
Nam chƣa đƣợc phân định một cách rõ ràng. Tuy nhiên, theo cách dùng thông
thƣờng hiện nay, những hiện tƣợng có ảnh hƣởng xấu đến sức khỏe con ngƣời, gia
súc gia cầm hoặc đến hoạt động sản xuất có thể đƣợc cho là những hiện tƣợng cực
đoan. Ở một vài khía cạnh nào đó, cách hiểu này là có thể chấp nhận đƣợc, vì nó đã
thỏa mãn các tiêu chí nêu trên.
Để tránh những tranh luận không cần thiết, trong luận văn này chúng tôi tạm
qui ƣớc cả hai khái niệm “yếu tố khí hậu cực đoan” và “hiện tƣợng khí hậu cực
đoan” là các chỉ số khí hậu cực đoan, và chấp nhận rằng không nhất thiết chỉ số phải
là một đại lƣợng vô thứ nguyên. Với qui ƣớc đó, sau đây sẽ đƣa ra cách xác định
các chỉ số khí hậu cực đoan đƣợc sử dụng trong luận văn.
Một biến khí quyển đƣợc gọi là yếu tố khí hậu cực trị nếu miền giá trị của
nó thiên về một phía nào đó của tập giá trị có thể của biến khí quyển đƣợc xét. Ví
dụ, nhiệt độ không khí hàng ngày (tại một địa điểm nào đó) là một biến khí quyển.
23

Miền giá trị của nó có thể biến thiên từ a
0
đến b
0
. Mỗi ngày có một giá trị nhỏ nhất
(nhiệt độ cực tiểu ngày, hay nhiệt độ thấp nhất ngày) và một giá trị lớn nhất (nhiệt
độ cực đại ngày, hay nhiệt độ cao nhất ngày). Tập hợp tất cả các giá trị nhiệt độ cực

tiểu (cực đại) ngày đƣợc xem là tập giá trị có thể của một đại lƣợng ngẫu nhiên gọi
là yếu tố khí hậu cực tiểu (cực đại) – gọi chung là yếu tố khí hậu cực trị hay biến
khí hậu cực trị. Khi đó nhiệt độ cực tiểu sẽ có miền biến thiên trong khoảng (hoặc
đoạn) từ a
0
đến a
1
, còn nhiệt độ cực đại sẽ có miền biến thiên trong khoảng b
1
đến
b
0
, với a
0
 a
1
, b
1
 b
0
.
Gọi X là một biến khí hậu cực trị nào đó có hàm phân bố là F(x), hoặc hàm
mật độ xác suất là f(x). Khi đó tập các giá trị x của X thỏa mãn điều kiện sau đƣợc
gọi là tập các giá trị cực đoan của X, hay yếu tố khí hậu cực đoan:
 
pxXPxxXx
mm
 )(|,
(2.1)
hoặc

 
pxXPxxXx
MM
 )(|,
(2.2)
với


m
x
a
mm
dxxfxFxXPp
0
)()()(
(2.3)
hoặc


0
)()(1)(
b
x
MM
M
dxxfxFxXPp
(2.4)
Nghĩa là xác suất xuất hiện sự kiện X < x
m
hoặc X > x

M
bằng p với x
m
và x
M

là những giá trị xác định nào đó của X. Trong khí hậu xác suất p trong các biểu thức
(2.1)-(2.4) thông thƣờng đƣợc chọn là một số nhỏ hơn hoặc bằng 10% (IPCC,
2007). Tuy nhiên, trong nhiều trƣờng hợp để linh động hơn cho các ứng dụng khác