tóm tắt luận án tiến sĩ nghiên cứu phát triển và ứng dụng phương pháp thống kê sau mô hình tổ hợp (EMOS) vào dự báo thời tiết ở việt nam

1
MỞ ĐẦU
Trung tâm Dự báo khí tượng thủy văn Trung ương (TTTDBTƯ)
đã triển khai nghiệp vụ hệ thống dự báo tổ hợp thời tiết hạn ngắn (1-3
ngày) - SREPS dựa trên cách tiếp cận đa mô hình đa phân tích và bao
gồm 20 dự báo thành phần. Các sản phẩm dự báo trung bình tổ hợp
(EM) và dự báo xác suất từ SREPS đã và đang góp phần quan trọng
trong công tác dự báo thời tiết hạn ngắn tại TTDBTƯ. Theo kết quả
đánh giá của Võ Văn Hòa và nnk [12], chất lượng dự báo EM và xác
suất của SREPS (ký hiệu là Raw) vẫn còn nhiều hạn chế cho một số
biến bề mặt và trên cao. Những hạn chế này dẫn đến hiệu quả phục
vụ công tác dự báo thời tiết của hệ thống SREPS chưa cao. Do vậy,
phương pháp hậu xử lý là cần thiết để nâng cao chất lượng dự báo
EM và xác suất của hệ thống dự báo tổ hợp (EPS).
Theo Du [33], trên thế giới hiện tại phổ biển 2 cách tiếp cận để
giải quyết những tồn tại nói trên cho các hệ EPS, đó là động lực và
thống kê. Cách tiếp cận động lực liên quan đến bài toán cải tiến mô
hình NWP sử dụng trong EPS hoặc cải tiến cách thức tạo ra các dự
báo thành phần cho EPS. Cách tiếp cận thống kê tương tự như bài
toán MOS cho mô hình NWP tất định, đó là sử dụng các kỹ thuật
thống kê để hiệu chỉnh các dự báo thành phần của EPS hoặc tổng hợp
thông tin EF một cách hiệu quả nhất để nâng cao được chất lượng dự
báo EM và xác suất của EPS thô. Do hệ thống SREPS dựa trên cách
tiếp cận đa mô hình đa phân tích nên lựa chọn cách tiếp cận động lực
đòi hỏi một khối lượng công việc khổng lồ và thực hiện trong thời
gian dài. Trong khi đó, cách tiếp cận thống kê chỉ tác động đến kết
quả đầu ra của hệ thống SREPS mà không ảnh hưởng tới các mô hình
NWP được sử dụng cũng như cách thức tạo ra các dự báo thành
phần. Đây là cách tiếp cận đơn giản, khả thi và có thể đem lại hiệu

2
quả cao khi sai số hệ thống chiếm ưu thế trong sai số tổng cộng. Đây
chính là lý do tác giả lựa chọn cách tiếp cận thống kê để hiệu chỉnh
dự báo tổ hợp (EF) từ SREPS.
Đứng trước yêu cầu cấp thiết này, tác giả thực hiện đề tài:
“Nghiên cứu phát triển và ứng dụng phương pháp thống kê sau mô
hình tổ hợp (EMOS) vào dự báo thời tiết ở Việt Nam”. Trong khuôn
khổ luận án, tác giả ứng dụng và thử nghiệm một số phương pháp
thống kê để hiệu chỉnh các kết quả dự báo từ SREPS cho một số yếu
tố nhiệt độ bề mặt. Sau đó, tiến hành đánh giá và lựa chọn các
phương pháp EMOS hiệu quả và khả thi nhất trong bài toán nghiệp
vụ tại TTDBTƯ.
 Luận điểm bảo vệ của luận án:
 Luận án đã lựa chọn và áp dụng một số phương pháp
thống kê hiệu chỉnh dự báo tổ hợp (EMOS) phù hợp với
hệ thống SREPS tại TTDBTƯ;
 Luận án đã đánh giá và chỉ ra được hiệu quả của các
phương pháp EMOS nói trên trong việc nâng cao chất
lượng dự báo trung bình tổ hợp và xác suất cho các yếu
tố nhiệt độ bề mặt từ SREPS tại TTDBTƯ;
 Luận án đã xác định được phương pháp EMOS tốt nhất
và đánh giá được khả năng ứng dụng nghiệp vụ tại
TTDBTƯ
 Đối tƣợng, phạm vi và phƣơng pháp nghiên cứu
 Đối tượng nghiên cứu: các yếu tố nhiệt độ bề mặt gồm
nhiệt độ không khí (T2m), nhiệt độ điểm sương (Td2m),
nhiệt độ tối cao ngày (Tmax) và tối thấp ngày (Tmin).
 Phạm vi nghiên cứu: toàn bộ lãnh thổ Việt Nam đại diện
bởi 174 vị trí trạm quan trắc khí tượng bề mặt;

3
 Phương pháp nghiên cứu: luận án sử dụng các phương
pháp nghiên cứu gồm phương pháp thống kê, phương
pháp lập trình mô phỏng, phương pháp toán học và
phương pháp đánh giá khách quan.
 Những đóng góp mới của luận án: Những đóng góp mới
của luận án đồng thời cũng là những luận điểm bảo vệ đã
được nêu trên đây
 Ý nghĩa khoa học và thực tiễn của luận án: Luận án đã lựa
chọn được một số phương pháp EMOS phù hợp với hệ thống
SREPS tại TTDBTƯ. Kết quả nghiên cửu thử nghiệm của
luận án đã chỉ ra tính hiệu quả của các phương pháp EMOS
được chọn trong việc nâng cao chất lượng dự báo EM và xác
suất cho một số yếu tố nhiệt độ bề mặt, góp phần làm sáng tỏ
khả năng ứng dụng của phương pháp.
 Cấu trúc của luận án: Ngoài các phần lời cam đoan, lời
cám ơn, danh sách các từ viết tắt, bảng biểu, hình vẽ và đồ
thị, mục lục, mở đầu, tài liệu tham khảo và phụ lục, nội dung
chính của luận án được bố cục trong 3 chương: Chương 1
trình bày về dự báo tổ hợp và vấn đề hiệu chỉnh thống kê cho
dự báo tổ hợp; Chương 2 mô tả số liệu và phương pháp
nghiên cứu; Chương 3 đưa ra các kết quả thử nghiệm và đánh
giá. Cuối cùng là kết luận và kiến nghị.
CHƢƠNG 1. DỰ BÁO TỔ HỢP VÀ VẤN ĐỀ HIỆU CHỈNH
THỐNG KÊ CHO DỰ BÁO TỔ HỢP
1.1. Dự báo tổ hợp và vai trò của dự báo tổ hợp
Theo Kalnay (2003) [66], EF là một tập hợp dự báo xác định tại
cùng một thời điểm và hướng đến 3 mục đích: 1) Tăng cường chất
lượng dự báo thông qua EM; 2) Cung cấp một chỉ số định lượng về

4
độ tin cậy của dự báo; và 3) Làm cơ sở cho dự báo xác suất. Mục
đích đầu tiên được thực hiện để loại bỏ sai khác giữa các thành phần
trong khi vẫn giữ lại những đặc tính tương tự. Mục đích thứ hai liên
quan đến tương quan giữa độ tán và sai số dự báo EM. Mục đích thứ
ba được xây dựng dựa trên tần suất dự báo xuất hiện hiện tượng từ
các thành phần tổ hợp.
Định nghĩa của Kalnay chủ yếu dựa trên các EPS toàn cầu cho
mục đích dự báo hạn vừa và hạn dài cho nên tầm quan trọng của dự
báo tất định (dự báo từ EM) và dự báo xác suất là như nhau. Tuy
nhiên, khi các EPS cho mục đích dự báo hạn ngắn xuất hiện, EF đã
được định nghĩa theo quan điểm dự báo xác suất. Theo Gneiting và
nnk (2003) [51], EF là một tập hợp dự báo xác định tại cùng một thời
điểm làm cơ sở cho dự báo xác suất có độ nhọn cực đại trong khi vẫn
duy trì độ tin cậy của dự báo xác suất. Hai khái niệm độ nhọn và độ
tin cậy đóng vai trò quan trọng trong các EPS ngày nay.
1.2. Sự cần thiết phải hiệu chỉnh dự báo tổ hợp
Như đã phân tích ở trên, điều kiện ban đầu chính xác và mô hình
hoàn hảo là cơ sở để tạo ra một EPS có chất lượng tốt. Tuy nhiên,
trên thực tế mô hình sử dụng trong EPS luôn có sai số (do sự chưa
hoàn hảo trong động lực, vật lý, phương pháp số, mô tả mặt đệm, …)
trong khi nguồn bất định trong một mô hình NWP không thể được
mô tả đầy đủ và chính xác trong một EPS cũng như độ phân giải của
mô hình phụ thuộc vào năng lực tính toán. Chính những hạn chế này
dẫn đến một EPS không tối ưu. Những nhược điểm của một EPS
không tối ưu bao gồm: 1) EM không tốt hơn dự báo đối chứng và các
dự báo thành phần; 2) quan hệ giữa kỹ năng dự báo và độ tán tổ hợp
thấp (độ tán thường là quá lớn hoặc quá nhỏ); 3) tạo ra các cực trị
lớn; 4) dự báo xác suất không tin cậy và thiếu khả năng mô tả chi tiết

5
cấu trúc không gian; … Do vậy, hiệu chỉnh thống kê cho dự báo tổ
hợp (EMOS) là cần thiết để nâng cao chất lượng dự báo EM và xác
suất cho EPS thô.
Theo Du (2007) [34], bằng cách loại bỏ sai số hệ thống của mô
hình (mô men bậc 1), dự báo EM sẽ gần với nghiệm thực hơn, các
cực trị sẽ giảm đáng kể và dự báo xác suất sẽ tin cậy hơn. Đối với
EPS đa mô hình, việc hiệu chỉnh sẽ đảm bảo độ tán được tạo ra khi
sai số hệ thống của từng mô hình bị loại bỏ sẽ phù hợp hơn. Tương
tự, bằng cách hiệu chỉnh mô men bậc 2, vấn đề quan hệ thấp giữa kỹ
năng dự báo - độ tán tổ hợp và vấn đề độ tán quá lớn/bé có thể được
cải thiện. Để cải tiến độ tin cậy của dự báo xác suất, các mô men cao
hơn như hàm mật độ xác suất cũng cần được hiệu chỉnh.
1.3. Tổng quan các nghiên cứu hiệu chỉnh thống kê cho dự báo tổ
hợp
1.3.1. Ngoài nước
Như đã biết, EF đã được nghiên cứu và triển khai nghiệp vụ từ
những năm 1990 của thế kỷ trước tại một số trung tâm dự báo lớn
trên thế giới. Vài năm sau đó, bài toán EMOS cũng đã được nghiên
cứu khi các hạn chế trong chất lượng dự báo EM và xác suất của các
EPS nghiệp vụ được chỉ ra trong nhiều nghiên cứu. Trên thực tế, các
nghiên cứu về EMOS phát triển mạnh nhất trong khoảng 10 năm trở
lại đây trong đó phần lớn sử dụng cách tiếp thống kê để nâng cao
chất lượng dự báo EM và xác suất.
Một trong những lớp EMOS đầu tiên là việc áp dụng cho EM
(mô men bậc 1). Trong lớp bài toán này, các phương pháp thống kê
được sử dụng bao như trung bình trượt [94], hồi quy tuyến tính [70],
phương pháp tương tự trong đó trọng số phụ thuộc vào hình thế thời
tiết [38], lọc Kalman [29], mạng thần kinh nhân tạo [118], hồi quy

6
Logistic [60], … Bên cạnh các nghiên cứu áp dụng cho EM, đã có
nhiều nghiên cứu ứng dụng cho phương sai (mô men bậc 2) và các
mô men bậc cao hơn như hàm phân bố xác suất để nâng cao chất
lượng dự báo xác suất cũng như cải thiện quan hệ độ tán - kỹ năng
của EPS. Trong lớp bài toán này, rất nhiều phương pháp thống kê đã
được sử dụng như trung bình mô hình Bayes - BMA [86], hiệu chỉnh
hàm mật độ tích lũy - CDF [69], hồi quy Gauss không thuần nhất -
NGR [52], hiệu chỉnh dựa trên biểu đồ hạng [41], áp nhân (kernel)
hoặc áp hàm mật độ [46], ….
1.3.2. Trong nước
Tại Việt nam, NWP vẫn còn ở giai đoạn bước đầu tiếp thu công
nghệ và nghiên cứu ứng dụng. Do đó, EF cũng đang ở trong giai
đoạn bước đầu tìm hiểu và thử nghiệm. Các nghiên cứu ứng dụng EF
đầu tiên tập trung vào bài toán dự báo quỹ đạo bão trên khu vực Biển
Đông dựa trên tổ hợp các dự báo từ các Trung tâm quốc tế như các
nghiên cứu của Nguyễn Chi Mai và nnk (2004) [5], Đỗ Lệ Thủy và
nnk [1]. Trong những nghiên cứu này, các phương pháp tính toán EM
với các trọng số tỷ lệ nghịch với sai số dự báo của từng dự báo thành
phần tương ứng và hồi quy tuyến tính đa biến được sử dụng.
Trần Tân Tiến và nnk (2010, 2013) [9, 10] đã thử nghiệm các
phương án tính toán EM khác nhau dựa trên tổ hợp đa mô hình đa vật
lý cho mục đích dự báo quỹ đạo và cường độ bão hạn từ 3-5 ngày
trên khu vực Tây Bắc Thái Bình Dương. Đối với bài toán dự báo các
trường khí tượng, Trần Tân Tiến và nnk (2004) [8] đã thử nghiệm tổ
hợp các trường khí tượng từ các mô hình NWP khác nhau dưới dạng
trung bình cộng đơn giản và có trọng số. Để thử nghiệm EF cho bài
toán dự báo mưa lớn ở Việt Nam, Hoàng Đức Cường và nnk (2007)
[3] đã ứng dụng các phiên bản tham số hóa vật lý khác nhau trong mô

7
hình MM5 để tạo ra EF. Phương án tính toán EM có trọng số tỷ lệ
nghịch với phương sai sai số của từng dự báo thành phần đã được
thực hiện.
Như vậy, có thể thấy việc nghiên cứu và ứng dụng EF nói chung
và EMOS nói riêng ở nước ta còn nhiều hạn chế cả về số lượng và
quy mô ứng dụng. Các phương pháp EMOS được nghiên cứu chủ
yếu tập trung cho bài toán nâng cao chất lượng dự báo EM thông qua
EF có trọng số. Bên cạnh đó, chưa có nghiên cứu EMOS hoàn chỉnh
nào cho bài toán dự báo thời tiết cũng như chưa có hệ thống EMOS
nào được triển khai trong dự báo nghiệp vụ tại các đơn vị dự báo tác
nghiệp. Đây cũng chính là lý do luận án này được thực hiện và hướng
tới mục tiêu triển khai nghiệp vụ hệ thống EMOS để nâng cao chất
lượng dự báo từ hệ thống SREPS tại TTDBTƯ.
CHƢƠNG 2. MÔ TẢ SỐ LIỆU VÀ
PHƢƠNG PHÁP NGHIÊN CỨU
2.1. Đặt bài toán
Theo Du (2007) [34], các phương pháp EMOS được nghiên cứu
và ứng dụng cho các EPS không tối ưu để:
1) Loại bỏ sai số hệ thống của các dự báo thành phần để dự báo
EM dựa trên các dự báo đã hiệu chỉnh sai số hệ thống sẽ gần với
nghiệm thực hơn, các cực trị sai số sẽ giảm đáng kể, dự báo xác suất
sẽ tin cậy hơn và độ tán được tạo ra sẽ phù hợp hơn;
2) Hiệu chỉnh phương sai dự báo để cải tiến tương quan giữa kỹ
năng dự báo EM và độ tán tổ hợp, qua đó giải quyết được vấn đề độ
tán quá lớn hoặc quá nhỏ của EPS ban đầu;
3) Hiệu chỉnh hàm phân bố xác suất để cải tiến kỹ năng dự báo
xác suất tổng thể (độ tin cậy, độ tán, độ rộng, độ nhọn, cực trị) của
EPS ban đầu.

8
Như vậy, tùy thuộc vào mục đích của nghiên cứu cải tiến chất
lượng dự báo của một EPS đưa ra (đối tượng dự báo hoặc đặc tính sai
số cần cải thiện), các phương pháp EMOS khác nhau sẽ được sử
dụng. Mỗi một phương pháp EMOS sẽ hướng đến giải quyết một
hoặc nhiều hạn chế có liên quan đến sản phẩm dự báo EM hoặc xác
suất. Trong luận án này, tác giả sẽ tập trung thử nghiệm 2 lớp bài
toán EMOS tách biệt gồm 1) Các phương pháp EMOS chỉ tác động
đến chất lượng dự báo EM; và 2) Các phương pháp EMOS tác động
đến cả chất lượng dự báo EM và dự báo xác suất. Đối với lớp bài
toán EMOS đầu tiên, các phương pháp thống kê được lựa chọn để tạo
ra các cách tính trọng số EM khác nhau. Trong khi đối với lớp
EMOS thứ hai, các phương pháp thống kê sẽ được lựa chọn để hiệu
chỉnh từng dự báo thành phần thông qua việc khử sai số hệ thống
hoặc thông qua hàm phân bố cho trước sao cho cực đại hóa kỹ năng
dự báo xác suất.
2.2. Nghiên cứu lựa chọn và ứng dụng các phƣơng pháp thống kê
để nâng cao chất lƣợng dự báo trung bình tổ hợp và dự báo
xác suất từ hệ thống SREPS
2.2.1. Các phương pháp thống kê chỉ tác động đến dự báo trung
bình tổ hợp
1) Hồi quy tuyến tính đa biến (ký hiệu EMLR):
Cách tiếp cận này dựa trên phương pháp hồi quy tuyến tính đa
biến trong đó giả thiết dự EM quan hệ tuyến tính với các dự báo
thành phần F
i
qua công thức (2.2):




N
1i
ii0
FaaEM
(2.2)
với a
i
, i=1,N là các hệ số hồi quy. Trong công thức (2.2), các dự báo
thành phần F
i
có vai trò như là các nhân tố dự báo trong bài toán

9
MOS. Các trọng số a
o
và a
i
sẽ được xác định bằng phương pháp bình
phương tối thiểu dựa trên bộ số liệu phụ thuộc cho trước.
2) Trung bình có trọng số giảm dần theo hàm mũ (EMES):
Phương pháp này được Daley (1991) [31Error! Reference
source not found.] đề xuất trong đó EM được tính theo công thức
(2.3) dưới đây:



N
1i
nobias
ii

FwEM
(2.3)
với
nobias
i
F
là dự báo thành phần thứ i (i=1,N) của EPS đưa ra nhưng
đã được hiệu chỉnh sai số hệ thống. Các trọng số w
i
sẽ được tính theo
công thức hàm mũ (2.4) dưới đây:
1j
i
w


(2.4)
với

là nhân tố làm trơn, giá trị j trong công thức (2.4) là hạng của
dự báo thành phần thứ i (
nobias
i
F
) được tính dựa trên sai số bình
phương trung bình (MSE). Theo công thức (2.4), trọng số sẽ giảm
dần theo đường cong hàm mũ khi j tăng lên.
3) Trung bình có trọng số tính theo phương sai sai số (EMMV):
Tương tự phương pháp EMES, phương pháp EMMV cũng được
Daley (1991) [31] đề xuất trong đó EM được tính theo công thức

(2.3) ở trên và các trọng số w
i
được tính theo công thức (2.6) dưới
đây với j là các chỉ số chạy theo tổng số dự báo thành phần (j=1,N).



N
1j
j
i
i
)MSE/1(
)MSE/1(
w
(2.6)
2.2.2. Các phương pháp thống kê tác động đến cả dự báo trung
bình tổ hợp và dự báo xác suất
1) Hiệu chỉnh sai số hệ thống bằng trung bình trượt (BCMA):
Theo phương pháp này, việc hiệu chỉnh cho một dự báo thành
phần bất kỳ của EPS được thực hiện theo công thức (2.7) dưới đây:

10
biasFF
rawBCMA

(2.7)
trong đó F
bcma
là dự báo đã được hiệu chỉnh bằng phương pháp

BCMA, F
raw
là dự báo trực tiếp từ EPS và bias là sai số hệ thống
được xác định bằng sai số trung bình cộng của n ngày trước đó.
2) Hiệu chỉnh sai số hệ thống với trọng số theo hàm mũ (BCES):
Cách hiệu chỉnh theo BCES là tương tự như BCMA nhưng khác
ở trong cách tính sai số hệ thống (bias). Cụ thể, bias sẽ được tính như
công thức (2.9) dưới đây:



n
1i
iii
)OF(wbias
(2.9)
với n là tổng số ngày có dữ liệu trước đó. Trọng số w
i
sẽ giảm dần
theo hàm mũ như trong công thức (2.4) nhưng chỉ số i là số thứ tự
ngày (i =1 cho ngày trước ngày hiện tại và bằng x cho x ngày trước
ngày hiện tại).
3) Hiệu chỉnh sai số hệ thống bằng hồi quy tuyến tính (BCLR):
Phương pháp này dựa trên giả thiết có một quan hệ tuyến tính
giữa quan trắc O và dự báo F như sau: O = a
0
+ a
1
F với a
0

, a
1
là các
hệ số được xác định bằng phương pháp hồi quy tuyến tính dựa trên
tập số liệu của n ngày trước đó. Khi quan hệ này đã được thiết lập, nó
sẽ được áp dụng cho dự báo của ngày kế tiếp. Với giả thiết này, dự
báo hiệu chỉnh theo phương pháp BCLR sẽ được tính theo công thức
(2.12) dưới đây:
raw10BCLR
FaaF 
(2.12)
4) Hiệu chỉnh sai số hệ thống bằng lọc Kalman (BCKF):
Cách thức hiệu chỉnh này dựa trên phương pháp lọc Kalman để
khắc phục nhược điểm của phương pháp BCLR, đó là các trọng số a
0

và a
1
không có khả năng tự cập nhật trong chu kỳ luyện khi có sự đột
biến về mặt hình thế thời tiết. Với phương pháp lọc Kalman, các

11
trọng số này sẽ được cập nhật hàng ngày trong suốt chu kỳ luyện cho
tới thời điểm bắt đầu thử nghiệm dự báo. Quá trình cập nhật các
trọng số này được thực hiện thông qua phương trình dự báo và quan
trắc của Lọc Kalman như công thức (2.13) và (2.14) dưới đây:
1k1k1kk
wuBxAx



(2.13)
kkk
vxHz 
(2.14)
trong đó x
k
là vector trạng thái thời điểm hiện tại, x
k-1
là vector trạng
thái thời điểm trước đó, u
k-1
là vector điều khiển hệ thống tại thời
điểm trước đó, w
k-1
là véc tơ đặc trưng cho độ bất định của hệ thống
do quy luật tuyến tính mô tả thông qua ma trận A.
5) Hồi quy Gauss không thuần nhất trong đó kỳ vọng quan hệ
tuyến tính với các dự báo thành phần (NGR_ER):
Kỹ thuật NGR được đề xuất đầu tiên bởi Gneiting và nnk (2005)
[52] trong đó dựa trên giả thiết hàm phân bố xác suất cho đại lượng
EM trong công thức (2.2) có thể được xây dựng đơn giản bằng phân
bố chuẩn trong đó kỳ vọng chính là EM và phương sai σ
2
là sai số
được xác định từ tập số liệu đã sử dụng để xây dựng phương trình
(2.2). Với cách làm như vậy, phương sai σ
2
sẽ độc lập so với độ tán.
Khi phương sai nhỏ, phân bố nhọn, độ tin cậy vào EM sẽ lớn. Ngược
lại khi phương sai lớn, phân bố tù, độ tin cậy dự báo sẽ nhỏ. Ý tưởng

cơ bản của phương pháp này nằm ở chỗ giả định phương sai σ
2
có
quan hệ tuyến tính với độ tán tổ hợp (S
2
)

)dSc,Xaa(N
2
N
1i
ii0




(2.16)
6) Hồi quy Gauss không thuần nhất trong đó kỳ vọng quan hệ
tuyến tính với các dự báo thành phần và trọng số luôn dương
(NGR_EP):

12
Phương pháp này hoàn toàn tương tự như NGR_ER và chỉ khác
ở chỗ các hệ số a
i
sau khi được tìm ra sẽ được kiểm tra để đảm bảo
không âm. Nếu có hệ số a
i
nào đó âm thì quá trình cực tiểu hóa hàm
CRPS sẽ được thực hiện lại nhưng đã loại bỏ dự báo thành phần có

hệ số âm.
7) Hồi quy Gauss không thuần nhất trong đó kỳ vọng quan hệ
tuyến tính với trung bình tổ hợp (NGR_EM):
Đây là một biến thể khác của phương pháp NGR_ER trong đó
thay vì sử dụng kỳ vọng như là trung bình có trọng số của các dự báo
thành phần, thì biến thể NGR_EM giả thiết kỳ vọng quan hệ tuyến
tính với trung bình tổ hợp (
X
), do đó hàm phân bố có dạng như công
thức (2.20) dưới đây:
)dSc,Xba(N
2

(2.20)
2.2.3. Ứng dụng các phương pháp EMOS cho hệ thống SREPS
Như đã trình bày ở trên, tổng cộng có 3 kỹ thuật thống kê được
thử nghiệm trong lớp bài toán EMOS đầu tiên và 7 kỹ thuật thống kê
được thử nghiệm cho lớp bài toán EMOS thứ 2 trong đó có 4 kỹ thuật
thống kê liên quan đến hiệu chỉnh các dự báo thành phần theo sai số
hệ thống và 3 kỹ thuật hiệu chỉnh theo hàm phân bố xác suất. Các
phương pháp EMOS sẽ được áp dụng chung cho tất cả các yếu tố dự
báo nhiệt độ bề mặt tại các hạn dự báo chính gồm +24h, +48h và
+72h với thời điểm phân tích là 00GMT (7 giờ sáng Việt Nam). Quá
trình tính toán sẽ thực hiện trên từng điểm trạm thay vì trên nút lưới.
Cũng giống như các phương pháp thống kê truyền thống khác,
vấn đề ở đây là dung lượng mẫu của tập số liệu phụ thuộc (training
dataset) sử dụng cho từng phương pháp EMOS và yếu tố dự báo về
nguyên tắc là khác nhau. Để đơn giản hóa và dễ dàng trong việc so
sánh, chúng tôi sử dụng dung lượng mẫu chung của bộ số liệu phụ

13
thuộc là 40 ngày (tính từ thời điểm bắt đầu thực hiện hiệu chỉnh) cho
tất cả các kỹ thuật EMOS được sử dụng trong nghiên cứu này.
2.3. Mô tả tập số liệu nghiên cứu
Để phục vụ việc xây dựng, thử nghiệm và đánh giá hiệu quả của
các phương pháp EMOS trong việc nâng cao chất lượng dự báo tất
định và xác suất của hệ thống SREPS, chúng tôi đã tiến hành thu
thập, xử lý và lưu các nguồn số liệu như được mô tả trong bảng 2.3.
Bảng 2.3: Danh sách các nguồn số liệu được thu thập
TT
Tên nguồn số liệu
Phạm vi
không gian
Phạm vi
thời gian
Các biến thu
thập
1
Quan trắc các yếu tố
nhiệt độ tại trạm
Tại 174 điểm
trạm
3 năm
(2008-
2010)
T2m
(00GMT),
Td2m
(00GMT),
Tmax, Tmin

2
Số liệu dự báo các
yếu tố nhiệt độ bề
mặt từ hệ thống
SREPS có độ phân
giải 0.15
0
x 0.15
0

Toàn bộ miền
dự báo
[0
0
-
28
0
N;95
0
E-
128
0
E]
3 năm
(2008-
2010)
T2m, Td2m,
Tmax, Tmin
tại các hạn dự
báo +24h,

+48h và +72h
2.4. Phƣơng pháp xử lý số liệu
Để thuận tiện cho quá trình nghiên cứu cũng như triển khai
nghiệp vụ sau này, tất cả các nguồn số liệu trên lưới đều được xử lý
để đưa về định dạng NetCDF thay vì sử dụng định dạng gốc ban đầu.
Các kết quả hiệu chỉnh các trường khí tượng được nghiên cứu từ các
phương pháp EMOS cũng được sao lưu theo định dạng NetCDF. Số
liệu quan trắc được kiểm tra chất lượng thám sát và sao lưu vào hệ
quản trị CSDL PostGRESQL.
Như đã trình bày ở trên, không gian nghiên cứu của luận án là tại
các điểm trạm, nên cần thiết phải thực hiện bước tiến xử lý để đưa

14
các dự báo của hệ thống SREPS từ lưới dự báo về điểm trạm. Do yếu
tố nghiên cứu là trường nhiệt độ bề mặt - dạng trường liên tục, nên
trong nghiên cứu này tác giả sử dụng phương pháp nội suy song
tuyến tính (bilinear) để nội suy các giá trị dự báo từ lưới dự báo về
điểm trạm quan tâm.
2.5. Phƣơng pháp đánh giá
2.5.1. Các chỉ số đánh giá chất lượng dự báo trung bình tổ hợp
Với đối tượng nghiên cứu là các yếu tố nhiệt độ bề mặt (các yếu
tố liên tục), các chỉ số đánh giá ME, MAE và RMSE được sử dụng
để nghiên cứu về khuynh hướng sai số, biên độ sai số tuyệt đối và giá
trị sai số thực. Bên cạnh đó, để khảo sát khả năng khử sai số hệ thống
trong dự báo thành phần của Raw từ các phương pháp EMOS, giản
đồ tụ điểm được sử dụng.
2.5.2. Các chỉ số đánh giá chất lượng dự báo xác suất
Trong luận án này tác giả sẽ đánh giá tính hiệu quả của các
phương pháp EMOS theo các khía cạnh gồm: 1) cải thiện về độ tin
cậy, 2) cải thiện độ tán, 3) cải thiện độ rộng và 4) cải thiện độ nhọn

của dự báo xác suất so với dự báo Raw từ SREPS. Theo khía cạnh độ
tin cậy, chỉ số đánh giá CRPS được sử dụng. Để đánh giá cả độ tán
và độ tin cậy của EF, biểu đồ hạng được sử dụng để đo mức độ phù
hợp giữa tần suất dự báo với tần suất xuất hiện của quan trắc. Để
đánh giá các khía cạnh độ rộng của dự báo xác suất, tác giả sử dụng
chỉ số độ phủ 90.48%. Cuối cùng, đặc trưng độ nhọn của EF sẽ được
khảo sát thông qua khái niệm độ rộng 90.48%.
CHƢƠNG 3. KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ
3.1. Đánh giá khả năng khử sai số hệ thống
Dựa trên các giản đồ tụ điểm, các phương pháp EMOS đã cho
thấy tính hiệu quả trong việc khử sai số hệ thống trong các dự báo

15
thành phần của hệ tổ hợp Raw trong đó các phương pháp EMOS cho
hiệu quả tốt nhất gồm NGR_EM, NGR_EP, kế tiếp là BCMA, BCLR
và BCKF. Các phương pháp NGR_ER và BCES cho thấy hiệu quả
kém nhất trong 7 phương pháp EMOS được thử nghiệm. Sai số hệ
thống được khử tốt nhất trong dự báo Tmax, kế tiếp là Td2m và T2m,
và ít hiệu quả hơn cho yếu tố Tmin.

Raw

BCMA

BCES

BCLR

BCKF

NGR_ER

NGR_EP

NGR_EM
Hình 3.2: Giản đồ tụ điểm của dự báo thành phần HRM_GFS của Raw cùng
7 phương pháp EMOS cho dự báo Td2m hạn 24h trên khu vực Tây Bắc
3.2. Đánh giá khả năng cải thiện chất lƣợng dự báo trung bình tổ
hợp
3.2.1. Yếu tố nhiệt độ không khí

16
Các kết quả đánh giá cho thấy các phương pháp EMOS cho chỉ
số ME trong dự báo T2m với biên độ nhỏ hơn so với ME của Raw tại
hầu hết các khu vực nghiên cứu. Điều này chứng tỏ, việc hiệu chỉnh
sai số hệ thống đã có tác động tích cực tới sai số hệ thống của EM khi
các dự báo thành phần được sử dụng. Theo chỉ số đánh giá MAE, hầu
hết các phương pháp EMOS đã cho giảm chỉ số MAE so với Raw tại
hầu hết các khu vực nghiên cứu. Sự cải thiện lớn nhất trong chất
lượng dự báo T2m thường được tìm thấy tại các khu vực TB, VB và
ĐB, và ngược lại cho các khu vực ĐBBB và NB. Nếu so sánh giữa
các phương pháp thì dự báo từ NGR_EM, NGR_EP, BCMA và
BCES cho thấy sự cải thiện lớn nhất trong khi các phương pháp
EMLR và NGR_ER không đem lại nhiều sự cải thiện, thậm chí là
cho sai số dự báo T2m tăng lên so với Raw. Các kết quả tương tự
cũng được tìm thấy khi xem xét chỉ số RMSE cho dự báo T2m như
trong bảng 3.3. Bên cạnh việc nâng cao chất lượng dự báo, cũng có
thể thấy các phương pháp EMOS còn hạn chế được các sai số dự báo
lớn. Các kết quả tương tự cho dự báo T2m cũng được tìm thấy cho
hạn +48h và +72h.

Bảng 3.3: Kết quả tính toán chỉ số đánh giá RMSE (
0
C) của dự báo
EM từ Raw và 10 phương pháp EMOS cho yếu tố T2m với hạn dự
báo 24h (các giá trị bôi đậm ngụ ý sai số tăng lên)
Phƣơng
pháp EMOS
Khu vực nghiên cứu
TB
VB
ĐB
ĐBBB
BTB
TTB
NTB
TN
NB
EMLR
2.3
2.6
2.1
2.15
2.02
1.96
1.63
1.92
1.22
EMES
1.41
1.32

1.47
1.17
1.11
0.99
0.91
0.92
0.89
EMMV
1.46
1.36
1.5
1.18
1.13
1.01
0.92
0.94
0.9
BCMA
1.37
1.31
1.42
1.18
1.13
1.06
0.91
0.91
0.9
BCLR
1.56
1.6

1.74
1.52
1.36
1.19
1.1
1.13
1.14
BCES
1.43
1.36
1.46
1.22
1.16
1.08
0.94
0.95
0.92
BCKF
1.36
1.29
1.36
1.15
1.1
1.01
0.87
0.86
0.87
NGR_ER
1.81
1.84

2.0
1.73
1.55
1.48
1.26
1.28
1.31

17
NGR_EP
1.3
1.3
1.39
1.16
1.09
1.05
0.92
0.92
0.92
NGR_EM
1.38
1.35
1.44
1.16
1.11
1.05
0.9
0.95
0.9
Raw

2.42
2.15
2.69
1.33
2.38
2.26
1.17
2.17
1.05

3.2.2. Yếu tố nhiệt độ điểm sương
Tương tự yếu tố T2m, các kết quả đánh giá cho Td2m cũng cho
thấy hầu hết các phương pháp EMOS cho sai số MAE và RMSE
(xem bảng 3.6) nhỏ hơn Raw tại nhiều khu vực nghiên cứu ngoại trừ
các phương pháp NGR_ER và EMLR cho khu vực NTB, TN và NB.
Các phương pháp NGR_EP, NGR_EM, BCMA và BCES tiếp tục
cho thấy tính hiệu quả trong việc nâng cao chất lượng dự báo EM từ
Raw. Theo khu vực nghiên cứu, các khu vực từ TB cho đến BTB cho
thấy sự cải thiện lớn trong chất lượng dự báo (có khi cải thiện tới hơn
50%). Ngoài ra, các phương pháp EMOS còn hạn chế được các sai số
dự báo lớn trong dự báo Td2m từ Raw. Các kết quả tương tự cho dự
báo T2m cũng được tìm thấy cho hạn +48h và +72h
Bảng 3.6: Tương tự bảng 3.3 nhưng cho dự báo Td2m
Phƣơng
pháp EMOS
Khu vực nghiên cứu
TB
VB
ĐB
ĐBBB

BTB
TTB
NTB
TN
NB
EMLR
2.16
2.13
2.14
2.25
2.38
1.49
1.33
1.27
1.32
EMES
2.04
2.27
2.25
2.49
2.05
1.02
0.99
0.88
0.98
EMMV
2.11
2.35
2.34
2.61

2.14
1.03
1.0
0.88
1.01
BCMA
1.92
2.19
2.1
2.34
1.96
1.06
0.97
0.85
0.97
BCLR
1.43
1.49
1.5
1.58
1.42
1.04
0.96
0.93
0.88
BCES
1.77
2.01
1.95
2.12

1.81
1.04
0.91
0.82
0.89
BCKF
1.66
1.83
2.14
2.05
1.78
1.29
1.23
1.17
1.2
NGR_ER
1.94
2.16
2.05
2.17
1.9
1.4
1.3
1.31
1.35
NGR_EP
1.39
1.45
1.45
1.51

1.37
1.0
0.9
0.91
0.88
NGR_EM
1.4
1.45
1.46
1.54
1.38
0.99
0.91
0.87
0.88
Raw
3.24
3.62
3.0
3.3
2.84
1.39
1.17
1.15
1.28
3.2.3. Yếu tố nhiệt độ tối cao ngày
Các kết quả đánh giá cho thấy hầu hết các phương pháp EMOS
cho sai số trong dự báo Tmax nhỏ hơn so với Raw tại các khu vực

18

nghiên cứu ngoại trừ các phương pháp EMLR và NGR_ER tại các
khu vực ĐBBB và BTB. Nếu so sánh giữa các phương pháp EMOS,
rất khó để tìm ra phương pháp tốt nhất cho mọi khu vực. Tuy nhiên,
dễ nhận thấy hai phương pháp EMLR và NGR_ER có trị số MAE lớn
nhất trong số 10 phương pháp EMOS thử nghiệm. Theo khu vực
nghiên cứu, sự cải thiện đáng kể trong chất lượng dự báo EM được
tìm thấy tại khu vực TB, VB, ĐB, TTB và TN. Sự duy trì tính ổn
định trong sai số dự báo của các phương pháp EMOS cũng được tìm
thấy khi so sánh giá trị MAE với RMSE. Các nhận định này cũng
phù hợp khi xem xét các hạn dự báo +48h và +72h.
Bảng 3.9: Tương tự bảng 3.3 nhưng cho dự báo Tmax
Phƣơng
pháp EMOS
Khu vực nghiên cứu
TB
VB
ĐB
ĐBBB
BTB
TTB
NTB
TN
NB
EMLR
3.43
3.53
3.46
3.14
3.94
2.81

2.34
2.68
1.92
EMES
2.47
2.49
2.36
2.31
2.36
2.04
1.61
1.93
1.39
EMMV
2.49
2.51
2.38
2.34
2.39
2.04
1.63
1.94
1.41
BCMA
2.42
2.45
2.3
2.35
2.43
1.99

1.56
1.8
1.39
BCLR
2.48
2.52
2.38
2.39
2.51
2.09
1.6
1.87
1.36
BCES
2.46
2.47
2.32
2.40
2.44
1.93
1.52
1.75
1.35
BCKF
2.58
2.56
2.44
2.39
2.5
1.99

1.64
1.74
1.49
NGR_ER
3.6
3.75
3.47
3.64
3.64
2.96
2.22
2.56
1.88
NGR_EP
2.43
2.47
2.34
2.3
2.43
2.05
1.58
1.87
1.37
NGR_EM
2.44
2.5
2.35
2.34
2.43
2.03

1.58
1.84
1.36
Raw
4.71
4.29
3.22
2.46
3.24
3.12
2.94
3.09
2.31
3.2.4. Yếu tố nhiệt độ tối thấp ngày
Các kết quả đánh giá cho thấy ngoại trừ phương pháp EMLR và
NGR_ER, các phương pháp EMOS còn lại đều cho các giá trị MAE
và RMSE trong dự báo Tmin nhỏ hơn so với Raw từ 0.3-1
0
C tại tất
cả các khu vực nghiên cứu. Như vậy, chất lượng dự báo EM từ Raw
đã được cải thiện khi áp dụng các phương pháp EMOS này. Các
phương pháp đem lại nhiều sự cải thiện nhất vẫn là nhóm phương
pháp NGR_EM, NGR_EP, BCMA và BCES, trong khi các phương

19
pháp EMLR và NGR_ER chỉ cho thấy sự cải thiện nhỏ ở một số khu
vực nghiên cứu. Khác với các yếu tố T2m, Td2m và Tmax, rất khó
để tìm ra khu vực nào có sự cải thiện lớn nhất trong dự báo Tmin khi
áp dụng các phương pháp EMOS. Về mặt trung bình, có thể thấy các
khu vực TB, VB và NB có sự cải thiện lớn hơn các khu vực khác

nhưng sự khác biệt trong trị số là không lớn. Các kết quả tương tự
cũng được tìm thấy khi xem xét chất lượng dự báo Tmin của các
phương pháp EMOS cho hạn dự báo +48h và +72h.
Bảng 3.12: Tương tự bảng 3.3 nhưng cho dự báo Tmin
Phƣơng
pháp EMOS
Khu vực nghiên cứu
TB
VB
ĐB
ĐBBB
BTB
TTB
NTB
TN
NB
EMLR
2.22
2.53
2.67
2.35
2.26
1.98
1.62
1.54
1.92
EMES
1.69
1.76
1.93

1.75
1.58
1.24
0.99
1.06
1.02
EMMV
1.69
1.77
1.95
1.76
1.59
1.24
0.99
1.05
1.03
BCMA
1.55
1.63
1.76
1.68
1.51
1.21
0.99
0.98
1.01
BCLR
1.62
1.71
1.81

1.74
1.55
1.21
1.00
1.04
1.01
BCES
1.54
1.64
1.74
1.71
1.54
1.19
0.96
0.95
1.00
BCKF
1.72
1.86
2.03
1.98
1.74
1.44
1.32
1.22
1.32
NGR_ER
2.14
2.44
2.54

2.51
2.18
1.69
1.4
1.44
1.48
NGR_EP
1.55
1.72
1.8
1.70
1.53
1.2
1.01
1.04
1.05
NGR_EM
1.58
1.7
1.81
1.74
1.54
1.21
0.99
1.01
1.01
Raw
2.37
2.32
2.39

1.99
1.86
1.63
1.44
1.34
1.73
3.3. Đánh giá khả năng cải thiện chất lƣợng dự báo xác suất
Do các phương pháp EMLR, EMES và EMMV chỉ tác động đến
EM mà không tiến hành hiệu chỉnh các dự báo thành phần nên dự
báo xác suất được tạo ra từ các phương pháp này tương tự như Raw.
Do đó, trong các phần đánh giá dưới đây chỉ có 7 phương pháp
EMOS được đánh giá và so sánh với Raw.
3.3.1. Yếu tố nhiệt độ không khí
Từ bảng 3.13 có thể thấy trong số 7 phương pháp EMOS được
thử nghiệm, phương pháp NGR_EP, NGR_EM, BCMA và BCES
cho các kết quả dự báo xác suất có độ tin cậy cao hơn các phương

20
pháp còn lại và không có nhiều khác biệt. Các phương pháp
NGR_ER và BCKF không đem lại nhiều sự cải thiện trong chất
lượng dự báo xác suất, thậm chí còn làm giảm độ tin cậy của dự báo
xác suất so với Raw.
Bảng 3.13: Kết quả tính toán chỉ số CRPS của dự báo xác suất từ
Raw và 7 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h
(các giá trị bôi đậm ngụ ý sai số tăng lên)
Phƣơng
pháp EMOS
Khu vực nghiên cứu
TB
VB

ĐB
ĐBBB
BTB
TTB
NTB
TN
NB
BCMA
0.73
0.74
0.81
0.69
0.63
0.62
0.54
0.52
0.54
BCLR
0.82
0.82
0.88
0.76
0.68
0.65
0.6
0.59
0.61
BCES
0.72
0.73

0.78
0.67
0.61
0.59
0.51
0.49
0.51
BCKF
0.87
0.93
1.0
0.89
0.76
0.68
0.63
0.62
0.63
NGR_ER
1.09
1.16
1.23
1.1
0.97
0.94
0.79
0.8
0.83
NGR_EP
0.69
0.73

0.76
0.66
0.62
0.59
0.53
0.52
0.52
NGR_EM
0.71
0.73
0.77
0.66
0.61
0.57
0.51
0.51
0.5
Raw
1.55
1.28
0.98
0.76
0.77
0.72
0.69
0.67
0.61
Dựa trên biểu đồ hạng của dự báo T2m, các phương pháp
BCMA, BCES, NGR_EM và NGR_EP có biểu đồ hạng dạng gần
phẳng. Điều này chứng tỏ độ tin cậy của dự báo xác suất từ các

phương pháp này đã được tăng lên và độ tán của EF đã phù hợp hơn
so với Raw. Trong khi đó, các phương pháp NGR_ER và BCKF,
BCLR lại cho biểu đồ hạng có dạng hình chữ U đặc trưng. Hay nói
cách khác, độ tán EF từ các phương pháp này là quá nhỏ so với thực
tế. Kết quả này được kiểm chứng khi xem xét kết quả tính toán chỉ số
độ phủ 90.48%. Các khu vực cho thấy sự cải thiện rõ rệt nhất trong
độ tán tổ hợp là VB, TB, ĐB và TN. Các khu vực ĐBBB và NB
thường không cho thấy nhiều sự cải thiện trong độ tán EF. Đối với độ
nhọn của hàm phân bố, các kết quả đánh giá dựa trên chỉ số độ rộng
90.48% cho thấy hầu hết các phương pháp EMOS đều cho giá trị độ
rộng 90.48% nhỏ hơn so với Raw ngoại trừ phương pháp BCKF. Các

21
phương pháp NGR_ER và BCLR cho thấy sự cải thiện lớn nhất trong
độ nhọn của hàm phân bố do thường cho độ tán EF nhỏ.
3.3.2. Yếu tố nhiệt độ điểm sương
Tương tự yếu tố T2m, các kết quả đánh giá dựa trên chỉ số CRPS
cho thấy các phương pháp EMOS cho dự báo xác suất có độ tin cậy
cao hơn so với Raw tại hầu hết các khu vực nghiên cứu ngoại trừ
phương pháp NGR_ER cho các khu vực từ TTB đến NB. Nếu so
sánh giữa các phương pháp EMOS, độ tin cậy của dự báo xác suất
được cải thiện nhiều nhất khi áp dụng các phương pháp NGR_EM và
NGR_EP. Phương pháp NGR_ER cho thấy sự cải thiện ít tại các khu
vực từ TB đến BTB và ngược lại. Theo các khu vực nghiên cứu, sự
cải thiện độ tin cậy của dự báo xác suất tại các khu vực từ TB đến
ĐBBB là lớn hơn nhiều so với khu vực còn lại.
Sau khi áp dụng các phương pháp EMOS, xu hướng dự báo thiên
thấp Td2m của Raw đã gần như bị triệt tiêu. Biểu đồ hạng của các
phương pháp BCMA, BCES, BCKF, NGR_EM và NGR_EP đã có
dạng gần phẳng (độ tin cậy của dự báo xác suất đã được tăng lên và

độ tán của EF đã phù hợp hơn). Trong khi đó, các phương pháp
NGR_ER và BCLR lại cho biểu đồ hạng có dạng hình chữ U đặc
trưng (độ tán EF quá nhỏ so với thực tế). Đối với độ rộng 90.48%,
kết quả đánh giá cho thấy tất cả các phương pháp EMOS cho độ rộng
nhỏ hơn so với Raw trong đó các phương pháp NGR_ER và BCLR
cho thấy sự cải thiện lớn nhất do các phương pháp này cho độ tán EF
nhỏ hơn nhiều so với các phương pháp EMOS còn lại. Các kết quả
tương tự cũng được tìm thấy cho các hạn dự báo +48h và +72h.
3.3.3. Yếu tố nhiệt độ tối cao ngày
Từ bảng 3.19 có thể nhận thấy ngoại từ phương pháp NGR_ER
tại các khu vực ĐBBB và BTB có chỉ số CRPS lớn hơn Raw, các

22
phương pháp EMOS còn lại đều cho trị số CRPS nhỏ hơn Raw tại tất
cả các khu vực nghiên cứu. Hay nói cách khác, chất lượng dự báo xác
suất Tmax từ Raw đã được cải thiện khi áp dụng các phương pháp
EMOS này. Các phương pháp NGR_EM, NGR_EP tiếp tục là các
phương pháp cho sự cải thiện tốt nhất tại hầu hết các khu vực nghiên
cứu, kế tiếp là BCMA và BCES. Phương pháp NGR_ER chỉ cho thấy
sự cải thiện nhỏ ở các khu vực ngoại trừ 2 khu vực ĐBBB và BTB.
Bảng 3.19: Tương tự bảng 3.13 nhưng cho yếu tố Tmax
Phƣơng
pháp EMOS
Khu vực nghiên cứu
TB
VB
ĐB
ĐBBB
BTB
TTB

NTB
TN
NB
BCMA
0.73
0.74
0.81
0.69
0.63
0.62
0.54
0.52
0.54
BCLR
0.82
0.82
0.88
0.76
0.68
0.65
0.6
0.59
0.61
BCES
0.72
0.73
0.78
0.67
0.61
0.59

0.51
0.49
0.51
BCKF
0.87
0.93
1.0
0.89
0.76
0.68
0.63
0.62
0.63
NGR_ER
1.09
1.16
1.23
1.1
0.97
0.94
0.79
0.8
0.83
NGR_EP
0.69
0.73
0.76
0.66
0.62
0.59

0.53
0.52
0.52
NGR_EM
0.71
0.73
0.77
0.66
0.61
0.57
0.51
0.51
0.5
Raw
1.55
1.28
0.98
0.76
0.77
0.72
0.69
0.67
0.61
Các kết quả đánh giá dựa trên biểu đồ hạng, độ phủ và độ rộng
90.48% cũng cho thấy độ tán EF, độ tin cậy và độ nhọn của dự báo
xác suất từ các phương pháp EMOS đã được cải thiện so với Raw.
Các phương pháp cho thấy sự cải thiện tốt nhất trong độ tán tổ hợp là
NGR_EM và NGR_EP. Trong khi đó, các phương pháp BCMA,
BCLR, BCKF, BCES và NGR_ER mặc dù cho thấy sự cải thiện độ
tán nhưng lại đưa đến độ tán quá nhỏ so với thực tế. Đối với độ nhọn,

các phương pháp NGR_ER và BCLR cho thấy sự cải thiện lớn nhất
do có độ tán EF nhỏ.
3.3.4. Yếu tố nhiệt độ tối thấp ngày
Các kết quả đánh giá chất lượng dự báo xác suất cho yếu tố Tmin
gần tương tự như các yếu tố T2m, Td2m và Tmax. Các phương pháp
NGR_EM, NGR_EP, BCMA và BCES tiếp tục là các phương pháp

23
cho sự cải thiện tốt nhất trong kỹ năng dự báo xác suất (tăng độ tin
cậy) tại hầu hết các khu vực nghiên cứu. Tuy nhiên, mức độ cải thiện
về độ tin cậy, độ tán EF, độ phủ và độ nhọn không lớn như trong dự
báo các yếu tố T2m, Td2m và Tmax.
3.4. Đánh giá khả năng ứng dụng trong điều kiện nghiệp vụ
Các kết quả đánh giá có thế thấy về cơ bản hầu các phương pháp
EMOS đã đáp ứng được cả khía cạnh chất lượng dự báo (theo tiêu
chí đánh giá chất lượng bản tin dự báo được quy định trong Quyết
định số 96/QĐ-KTTVQG ban hành ngày 29 tháng 3 năm 2012 quy
định về việc đánh giá dự báo thời tiết hạn ngắn của Trung tâm KTTV
Quốc gia) và yêu cầu thời gian của bài toán nghiệp vụ. Từ các kết
quả đánh giá ở trên có thể thấy các phương pháp NGR_EM,
NGR_EP, BCMA và BCES là các phương pháp EMOS tốt nhất cho
hệ thống SREPS. Ngược lại, các phương pháp EMLR, BCKF và
NGR_ER không đem lại nhiều hiệu quả trong việc nâng cao chất
lượng dự báo EM và xác suất của hệ thống SREPS mặc dù vẫn đáp
ứng được yêu cầu về thời gian nghiệp vụ.
KẾT LUẬN VÀ KIẾN NGHỊ
Từ các nghiên cứu lý thuyết về các phương pháp EMOS và tính
toán thử nghiệm một số phương pháp EMOS được lựa chọn dựa trên
bộ số liệu dự báo của hệ thống SREPS từ năm 2008 đến 2010, tác giả
rút ra một số nhận xét và kết luận như sau:

1) Luận án đã tổng quan được các nghiên cứu về bài toán
EMOS và đã lựa chọn được 10 phương pháp EMOS phù hợp cho hệ
thống SREPS của TTDBTƯ
2) Luận án đã ứng dụng được 10 phương pháp EMOS nói trên
để nâng cao chất lượng dự báo EM và xác suất của hệ thống SREPS
dựa trên chuỗi số liệu thử nghiệm từ 2008-2010. Kết quả đánh giá

24
cho thấy hầu hết các phương pháp EMOS được thử nghiệm đều cho
thấy sự cải thiện trong chất lượng dự báo EM và xác suất trong đó
các phương pháp đem lại nhiều sự cải thiện trong chất lượng dự báo
EM và xác suất là NGR_EM, NGR_EP, BCMA và BCES.
3) Luận án đã chỉ ra được tính hiệu quả của các phương pháp
EMOS trong việc nâng cao chất lượng dự báo trung bình tổ hợp và
xác suất từ hệ thống SREPS cho một số yếu tố nhiệt độ bề mặt.
4) Luận án đã chỉ ra được khả năng ứng dụng nghiệp vụ của
phương pháp EMOS được lựa chọn. Cụ thể, Phương pháp NGR_EM,
BCMA và BCES có thể triển khai vào bài toán nghiệp vụ tại
TTDBTƯ để nâng cao chất lượng dự báo trung bình tổ hợp và xác
suất của hệ thống SREPS.
5) Luận án đã góp phần nâng cao chất lượng dự báo của các hệ
thống NWP tại TTDBTƯ và cung cấp thêm nguồn thông tin tham
khảo hữu ích cho các dự báo viên cũng như hướng nghiên cứu có liên
quan đến dự báo tổ hợp và EMOS trong tương lai.
Trên cơ sở khoa học và thực nghiệm nhận được từ luận án, tác
giả kiến nghị một số hướng nghiên cứu tiếp theo như sau:
1) Cần tiếp tục đầu tư hướng nghiên cứu hậu xử lý cho dự báo
tổ hợp (EMOS).
2) Triển khai nghiệp vụ hệ thống EMOS được lựa chọn tại
TTDBTƯ cho hệ thống SREPS.

3) Nghiên cứu xây dựng các phương pháp EMOS cho mục đích
nâng cao chất lượng dự báo các trường khí quyển từ các hệ thống dự
báo tổ hợp.
4) Nghiên cứu tối ưu hóa một số phương pháp EMOS có sử
dụng các công thức và hệ số thực nghiệm để phù hợp với điều kiện
Việt Nam.