Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (15.26 MB, 190 trang )
BTNMT
TTKTTVQG
BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG
TRUNG TÂM KHÍ TƯỢNG THUỶ VĂN QUỐC GIA
Số 4 Đặng Thái Thân - Quận Hoàn Kiếm - Hà Nội
------------------******** ------------------
BÁO CÁO
TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU
KHOA HỌC VÀ CÔNG NGHỆ CẤP BỘ
ĐỀ TÀI:
NGHIÊN CỨU ỨNG DỤNG DỰ BÁO TỔ HỢP CHO
MỘT SỐ TRƯỜNG DỰ BÁO BÃO
Chủ nhiệm: ThS. Võ Văn Hòa
6917
04/7/2008
HÀ NỘI, 5-2008
BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG
TRUNG TÂM KHÍ TƯỢNG THUỶ VĂN QUỐC GIA
Số 4 Đặng Thái Thân - Quận Hoàn Kiếm - Hà Nội
------------------******** ------------------
BÁO CÁO
TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU
KHOA HỌC VÀ CÔNG NGHỆ CẤP BỘ
ĐỀ TÀI:
NGHIÊN CỨU ỨNG DỤNG DỰ BÁO TỔ HỢP CHO MỘT SỐ
TRƯỜNG DỰ BÁO BÃO
Chỉ số đăng ký :
Chỉ số phân loại :
Chỉ số lưu trữ :
Cộng tác viên chính
Th.S Nguyễn Chi Mai
NCS Lê Đức
CN Vũ Duy Tiến
TS Đỗ Ngọc Thắng
Th.S Đỗ Lệ Thủy
Th.S Nguyễn Đăng Quang
CN Nguyễn Thu Hằng
CN Nguyễn Thị Anh Đào
Hà Nội, ngày … tháng … năm 2008
Hà Nội, ngày … tháng … năm 2008
CHỦ NHIỆM ĐỀ TÀI
CƠ QUAN THỰC HIỆN
CƠ QUAN CHỦ TRÌ
Võ Văn Hòa
Bùi Minh Tăng
Trần Văn Sáp
Hà Nội, ngày … tháng … năm 2008
HỘI ĐỒNG ĐÁNH GIÁ CHÍNH THỨC
CHỦ TỊCH HỘI ĐỒNG
TS. Nguyễn Lê Tâm
Hà Nội, ngày … tháng … năm 2008
CƠ QUAN QUẢN LÝ ĐỀ TÀI
TL. BỘ TRƯỞNG
KT. VỤ TRƯỞNG
VỤ KHOA HỌC VÀ CÔNG NGHỆ
PHÓ VỤ TRƯỞNG
Nguyễn Lê Tâm
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
DANH SÁCH CÁC CHỮ VIẾT TẮT
AVN
Mô hình toàn cầu của Mỹ
(AViatioN Global Model)
AT
Sai số dọc theo phương chuyển động
(Along Track error)
BGM
Nuôi các mode đang phát triển
(Breeding of Growing Modes)
BK
Trung tâm dự báo bão Bắc Kinh của Trung Quốc
BoM
Cơ quan khí tượng Australia
(Bureau of Meteorology)
BS
Điểm số Brier
(Brier Score)
BSS
Điểm số kỹ năng Brier
(Brier Skill Score)
CAPS
Trung tâm phân tích và dự báo bão
(Center for the Analysis and Prediction of Storms)
CEM
Trung bình tổ hợp theo nhóm
(Cluster Ensemble Mean)
CLIPER
Mô hình thống kê quán tính
(CLIper and PERsistence model)
CMC
Cơ quan khí tượng Canada
(Canadian Meteorological Centre)
CRPS
Điểm số xác suất hạng liên tục
(Continuous Ranked Probability Score)
CT
Sai số dọc theo phương pháp tuyến so với hướng chuyển động
(Cross Track error)
DPE
Sai số dự báo khoảng cách tâm bão
(Direct Positional Error)
DWD
Tổng cục thời tiết Cộng hoà Liên bang Đức
(Deutscher WetterDienst)
ECMWF
Trung tâm dự báo hạn vừa Châu Âu
(European Center for Medium-range Weather Forecasts)
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
i
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
EF
Dự báo tổ hợp
(Ensemble Forecast)
EMOS
Thống kê sau mô hình tổ hợp
(Ensemble-Model Output Statistics)
EOF
Phân tích hàm trực giao thực nghiệm
(Empircal Orthogonal Function)
EPS
Hệ thống dự báo tổ hợp
(Ensemble Prediction System)
GA
Trung tâm dự báo bão Guam của Mỹ
GEMPAK
Gói phần mềm khí tượng
(GEneral Meteorological PAcKage)
GFDL
Thư viện động lực học chất lỏng địa vật lý
(Geophysical Fluid Dynamics Laboratory)
GFS
Hệ thống dự báo toàn cầu của Mỹ
(Global Forecasting System)
GME
Mô hình toàn cầu của CHLB Đức
(Global Model for Europe)
GSM
Mô hình phổ toàn cầu của JMA
(Global Spectral Model)
IGN
Điểm số IGN
(IGNorance Score)
IPER
Gây nhiễu tâm xoáy ban đầu
(Initial Vortex Center PERturbation)
JMA
Cơ quan khí tượng Nhật bản
(Japan Meteorological Agency)
JP
Trung tâm dự báo bão của Nhật Bản
KILOEF
Dự báo tổ hợp hàng nghìn thành phần
(KILO-members Ensemble Forecast)
LAF
Dự báo trung bình trễ
(Lagged Average Forecast)
LDM
Hệ quản trị dữ liệu cục bộ
(Local Data Management)
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
ii
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
MAE
Sai số tuyệt đối trung bình
(Mean Absolute Error)
MCF
Dự báo Monte-Carlo
(Monte-Carlo Forecast)
ME
Sai số trung bình
(Mean Error)
NAWIPS
Hệ thống tương tác hỗ trợ dự báo viên
(National Advanced Weather Interactive Processing System)
NCEP
Trung tâm dự báo môi trường quốc gia Mỹ
(National Centers for Environmental Prediction)
NGR
Hồi quy Gauss không thuần nhất
(Nonhomogeneous Gaussian Regression)
NGR_EMOS
Hồi quy Gauss không thuần nhất dựa trên MOS tổ hợp
NGR_EMOSP
Hồi quy Gauss không thuần nhất dựa trên MOS tổ hợp nhưng
có loại bỏ các trọng số âm
NOAA
Cơ quan đại dương và khí quyển Mỹ
(National Oceanic and Atmospheric Administration)
NWP
Dự báo thời tiết số trị
(Numerical Weather Prediction)
NWS
Cơ quan thời tiết quốc gia Mỹ
(National Weather Service)
PMA
Giả thiết mô hình hoàn hảo
(Perfect Model Assumption)
PO
Quan trắc bị gây nhiễu
(Perturbed Observation)
SE
Dự báo siêu tổ hợp
(Super Ensemble Forecast)
SEM
Trung bình tổ hợp có chọn lọc
(Selected Ensemble Mean)
SD
Độ lệch chuẩn
(Stardard Deviation)
SP
Độ tán của dự báo tổ hợp
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
iii
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
(SPread)
SREF
Dự báo tổ hợp hạn ngắn
(Short Range Ensemble Forecast)
SRFD
Sự khác biệt trong dự báo hạn ngắn giữa các dự báo thành phần
(Short Range Forecast Differences)
SV
Vectơ kỳ dị
(Singular Vector)
RPS
Điểm số xác suất hạng
(Ranked Probability Score)
RSM
Mô hình phổ khu vực
(Regional Spectral Model)
RSS
Điểm kỹ năng dự báo tương đối
(Relative Skill Score)
UKMO
Cơ quan khí tượng Anh
(United Kingdom Meteorological Office)
UM
Mô hình toàn cầu của UKMO
(Unified Model)
TLAPS
Hệ thống dự báo cho khu vực nhiệt đới
(Tropical Limited Area Prediction System)
TBĐG
Dự báo tổ hợp Trung Bình Đơn Giản
TTDBTƯ
Trung Tâm Dự Báo Khí Tượng Thủy Văn Trung Ương
XTNĐ
Xoáy Thuận Nhiệt Đới
WBAR
Mô hình chính áp của Weber
(Weber's BARotropic Model)
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
iv
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
DANH SÁCH CÁC BẢNG
TT
Số thứ
tự bảng
1
Nội dung
Trang
2.2.1
Giá trị ME của các biến dự báo tại mực 850, 500mb với
hạn dự báo 24, 48 giờ từ 5 mô hình GFS, GME, GSM,
TLAPS, UM và trung bình tổ hợp.
45
2
2.2.2
Giá trị RMSE của các biến dự báo tại mực 850, 500mb với
hạn dự báo 24, 48 giờ từ 5 mô hình GFS, GME, GSM,
TLAPS, UM và trung bình tổ hợp
46
3
2.2.3
Giá trị RMSE của các biến dự báo tại mực 850, 500mb với
hạn dự báo 24, 48 giờ từ 5 mô hình GFS, GME, GSM,
TLAPS, UM đã được khử bias theo phương pháp hồi quy
tuyến tính và trung bình tổ hợp
51
4
2.2.4
Giá trị RMSE của các biến dự báo tại mực 850, 500mb với
hạn 24 và 48h từ 4 phương pháp EM_BCLR, EM_BCMA,
WM_BCLR và WM_BCMA
53
5
2.2.5
Giá trị RMSE của các biến dự báo tại mực 850, 500mb với
hạn 24 và 48h từ 5 phương pháp EM_BCMA, EM_NGR,
EM_EMOS, EM_EMOSP và SE
56
6
2.3.1
Giá trị 66.67% độ phủ của các biến dự báo tại mực 850,
500mb với hạn dự báo 24, 48 giờ từ 6 hệ tổ hợp
69
7
2.3.2
Điểm số CRPS của các biến dự báo tại mực 850, 500mb
với hạn dự báo 24, 48 giờ từ 4 hệ tổ hợp BCMA, BCLR,
NGR và NGR_EMOSP
70
8
2.3.3
Giá trị 66.67% độ rộng phân bố trung bình của các biến dự
báo tại mực 850, 500mb với hạn 24, 48h từ hệ tổ hợp
BCMA, BCLR, NGR và NGR_EMOSP
71
9
3.1.1
Danh sách các cơn bão từ năm 2001-2006 được sử dụng
trong nghiên cứu dự báo tổ hợp qũy đạo bão dựa trên các
kết qủa dự báo của 3 trung tâm quốc tế là Nhật, Bắc Kinh
và Guam (STH là số trường hợp)
76
10
3.1.2
Mô tả 4 thử nghiệm phát sinh dự báo tổ hợp quỹ đạo bão
từ kết qủa dự báo của 3 trung tâm quốc tế dựa trên phương
pháp hồi quy tuyến tính
77
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
v
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
11
3.1.3
Tổng số cơn bão và số trường hợp tương ứng trong tập số
liệu phụ thuộc cho các hạn dự báo +24h và +48h đối với 4
thử nghiệm dự báo tổ hợp dựa trên phương pháp hồi quy
tuyến tính
77
12
3.1.4
Bộ hệ số hồi quy cho 4 phương án thử nghiệm dự báo tổ
hợp qũy đạo bão dựa trên các sản phẩm dự báo của các
trung tâm quốc tế
79
13
3.2.1
Danh sách các cơn bão từ năm 2002-2006 được sử dụng
trong các thử nghiệm dự báo tổ hợp qũy đạo bão dựa trên
mô hình WBAR
88
14
3.2.2
Mô tả 6 phương án tạo tập hợp trường ban đầu cho mô
hình WBAR
90
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
vi
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
DANH SÁCH CÁC HÌNH VẼ
TT
Số thứ
tự hình
1
Nội dung
Trang
1.1.1
Dự báo độ cao địa thế vị hạn 48 giờ cho ngày 00Z18/05/2006 từ các mô hình GFS, GME, GSM, TLAPS,
UM và trường phân tích tương ứng
6
2
1.2.1
Dự báo Monte Carlo với những điều kiện ban đầu được lấy
mẫu ngẫu nhiên từ phân bố của trường ban đầu với trường
phân tích là giá trị trung bình (theo Wilks 1995). Đường
nét liền biểu diễn dự báo tất định từ trường phân tích.
8
3
1.2.2
Dự báo Monte Carlo so sánh với dự báo trung bình trễ
(Kalnay 2003). X là phân tích tại các khoảng thời gian τ,
và tf là thời điểm dự báo
10
4
1.2.3
Phương pháp BGM với chu kỳ nuôi 6 giờ
11
5
1.2.4
Phương pháp PO với chu kỳ 6 giờ
14
6
1.4.1
Các hàm mật độ xác suất dự báo nhiệt độ với độ nét (độ
nhọn) khác nhau
22
7
1.4.2
Biểu đồ hạng có phân bố đầu ứng với dự báo tổ hợp tin cậy
23
8
1.4.3
Các biểu đồ hạng cho thấy dự báo tổ hợp không tin cậy
24
9
1.4.4
Biểu đồ tin cậy cho dự báo tổ hợp dựa trên phương pháp
BCMA
29
10
1.5.1
Bản đồ spaghetti cho đường 588dm dự báo 48h
31
11
1.5.2
Bản đồ trung bình và độ tán dự báo địa thế vị mực 850mb
hạn 48h
31
12
1.5.3
Bản đồ xác suất dự báo pmsl < 1002mb hạn 48 giờ
32
13
1.5.4
Bản đồ tem dự báo địa thế vị mực 850 mb hạn 48 giờ
32
14
1.6.1
Phân loại các phương pháp dự báo tổ hợp theo Weber
(2001)
34
15
2.1.1
Trường địa thế vị mực 850mb theo dự báo của GME khi
biểu diễn với độ phân giải 0.40 (trái) và 1.250 (phải)
40
16
2.1.2
Trường phân tích của độ cao địa thế vị mực 850mb từ 5
mô hình GFS, GME, GSM, TLAPS, UM và trung bình tổ
hợp
42
17
2.1.3
Sai số phân tích ME giữa các phân tích thành phần với
phân tích trung bình tổ hợp cho khí áp trung bình mực biển
43
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
vii
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
18
2.1.4
Sai số phân tích RMSE giữa các phân tích thành phần với
phân tích trung bình tổ hợp cho khí áp trung bình mực biển
43
19
2.1.5
Sai số phân tích ME giữa các phân tích thành phần với
phân tích trung bình tổ hợp cho trường nhiệt độ tại mực
500mb
44
20
2.1.6
Sai số phân tích RMSE giữa các phân tích thành phần với
phân tích trung bình tổ hợp cho trường nhiệt độ tại mực
500mb
44
21
2.2.1
Giản đồ tụ điểm dự báo độ cao địa thế vị mực 850mb hạn
72 giờ theo các mô hình thành phần và theo trung bình tổ
hợp
47
22
2.2.2
Giản đồ tụ điểm dự báo nhiệt độ mực 500mb hạn 72 giờ
theo các mô hình thành phần và theo trung bình tổ hợp
47
23
2.2.3
Độ cao địa thế vị mực 850mb theo phân tích và dự báo từ
mô hình TLAPS hạn 48 giờ vào thời điểm 00Z-30/07/2005
trước và sau khi khử bias theo phương pháp trung bình
trượt và hồi quy tuyến tính
49
24
2.2.4
Giản đồ tụ điểm dự báo độ cao địa thế vị mực 850mb hạn
48 giờ theo TLAPS, BCMA_TLAPS, BCLR_TLAPS,
UM, BCMA_UM, BCLR_UM
50
25
2.2.5
Độ cao địa thế vị mực 850mb dự báo từ các mô hình và
trung bình tổ hợp hạn 48 giờ vào thời điểm 00Z30/07/2005 sau khi khử bias theo BCLR
52
26
2.2.6
Dự báo 48h của trường H mực 850mb tại thời điểm 00Z30/07/2005 theo EM_BCLR (a), EM_BCMA (b),
WM_BCLR (c) và WM_BCMA (d)
54
27
2.2.7
Dự báo 48h của biến H mực 850mb tại thời điểm 00Z30/07/2005 theo EM_NGR (a), EM_EMOS (b),
EM_EMOSP (c) và SE (d)
57
28
2.3.1
Biểu đồ hạng dự báo 24 giờ cho tất cả các biến trên các
mực 850 và 500mb từ hệ tổ hợp RAW (thứ tự từ trái qua
phải, từ trên xuống dưới lần lượt là pmsl, h850, h500,
u850, u500, v850, v500, t850, t500, q850, q500)
59
29
2.3.2
Tương tự như 2.3.1 nhưng cho hạn dự báo 48h
60
30
2.3.3
Biểu đồ tin cậy từ hệ tổ hợp RAW dự báo áp suất mực biển
hạn 24 (bên trái) và 48 giờ (bên phải) với ngưỡng 1001mb
60
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
viii
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
31
2.3.4
Tương tự hình 2.3.1 nhưng cho hệ tổ hợp BCMA
61
32
2.3.5
Tương tự hình 2.3.2 nhưng cho hệ tổ hợp BCMA
62
33
2.3.6
Tương tự hình 2.3.3 nhưng cho hệ tổ hợp đã hiệu chỉnh sai
số hệ thống dựa trên phương pháp BCMA
62
34
2.3.7
Tương tự hình 2.3.1 nhưng cho hệ tổ hợp BCLR
63
35
2.3.8
Tương tự hình 2.3.2 nhưng cho hệ tổ hợp BCLR
64
36
2.3.9
Tương tự hình 2.3.3 nhưng cho hệ tổ hợp đã hiệu chỉnh sai
số hệ thống dựa trên phương pháp BCLR
64
37
2.3.10
Tương tự hình 2.3.1 nhưng cho hệ tổ hợp NGR
65
38
2.3.11
Tương tự hình 2.3.2 nhưng cho hệ tổ hợp NGR
65
39
2.3.12
Tương tự hình 2.3.3 nhưng cho hệ tổ hợp NGR
66
40
2.3.13
Tương tự hình 2.3.1 nhưng cho hệ tổ hợp NGR_EMOSP
67
41
2.3.14
Tương tự hình 2.3.2 nhưng cho hệ tổ hợp NGR_EMOSP
67
42
2.3.15
Tương tự hình 2.3.3 nhưng cho hệ tổ hợp NGR_EMOSP
68
43
2.3.16
Dự báo độ cao địa thế vị mực 850mb theo các phân vị 5%
và 95% của hàm phân bố xác suất dự báo theo hệ tổ hợp
NGR
72
44
3.1.1
Sơ đồ minh họa các thành phần sai số dự báo quỹ đạo bão
(ký hiệu OB là quan trắc và FC là dự báo)
78
45
3.1.2
Kết qủa đánh giá DPE và SD trung bình cho bộ số liệu phụ
thuộc của phương án Reg2y (a), Reg3y (b), Reg4y (c) và
Reg5y (d)
80
46
3.1.3
Các biểu đồ phân tán minh họa mối quan hệ giữa DPE và
SP của EF dựa trên phương án hồi quy tuyến tính Reg2y
(a), Reg3y (b), Reg4y (c) và Reg5y (d) cho tập số liệu phụ
thuộc. Trục hoành là giá trị DPE và trục tung là giá trị SP
81
47
3.1.4
Các biểu đồ phân tán minh họa mối quan hệ giữa DPE và
SP của EF dựa trên phương án TBĐG cho tập số liệu 2
năm (a), 3 năm (b), 4 năm (c) và 5 năm (d). Trục hoành là
giá trị DPE và trục tung là giá trị SP
81
48
3.1.5
Kết qủa so sánh DPE và SD cho 5 phương án thử nghiệm
dự báo tổ hợp với các dự báo thành phần và mô hình
CLIPER cho tập số liệu độc lập
82
49
3.1.6
Tương tự hình 3.1.3 nhưng cho tập số liệu độc lập
83
50
3.1.7
Mối quan hệ giữa độ tán (SP) và sai số dự báo vị trí tâm
bão (DPE) của phương án TBĐG cho tập số liệu độc lập
83
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
ix
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
51
3.1.8
Kết qủa đánh giá sai số AT (bên trái) và CT (bên phải) của
phương án Reg2Y cho các cơn bão năm 2006 và trung
bình cả mùa bão (ký hiệu TB-2006)
85
52
3.1.9
Tương tự hình 3.1.8 nhưng cho phương án Reg3Y
85
53
3.1.10
Tương tự hình 3.1.8 nhưng cho phương án Reg4Y
88
54
3.1.11
Tương tự hình 3.1.8 nhưng cho phương án Reg5Y
85
55
3.1.12
Tương tự hình 3.1.8 nhưng cho phương án TBĐG
86
56
3.1.13
Quỹ đạo quan trắc và dự báo của JP, BK, GA và TBĐG
(ký hiệu AV) cho bão CHANCHU tại thời điểm 00Z
13/05/2006 (a) và 00Z 14/05/2006 (b)
86
57
3.1.14
Tương tự hình 3.1.13 nhưng cho bão XANGSANE tại thời
điểm 12Z 28/29/2006 (a) và 00Z 29/29/2006 (b)
87
58
3.2.1
Kết qủa đánh giá và so sánh sai số DPE trung bình của 6
phương án EF dựa trên mô hình WBAR với dự báo đối
chứng tại hạn dự báo 12h, 24h, 36h và 48h cho mùa bão
2003 (a), 2004 (b), 2005 (c), 2006 (d) và cả 4 mùa bão (e)
92
59
3.2.2
Kết qủa đánh giá chỉ số kỹ năng dự báo RSS và tỷ lệ phần
trăm số trường hợp nghiên cứu có RSS > 0 của 6 phương
án nghiên cứu cho các năm 2003 (a), 2004 (b), 2005 (c),
2006 (d) và trung bình 4 mùa bão (e)
94
60
3.2.3
Kết quả đánh giá chỉ số RSS của 6 phương án dự báo tổ
hợp cho 136 trường hợp nghiên cứu của 16 cơn bão từ năm
2003-2006 đối với hạn dự báo 24h
95
61
3.2.4
Tương tự hình 3.2.3 nhưng cho hạn dự báo 48h
95
62
3.2.5
Kết qủa đánh giá các thành phần sai số AT và CT của 6
phương án nghiên cứu cho các năm 2003 (a), 2004 (b),
2005 (c), 2006 (d) và trung bình cho 4 mùa bão (e)
97
63
3.2.6
Kết qủa đánh giá và so sánh độ SP của 6 phương án dự báo
tổ hợp dựa trên mô hình WBAR cho mùa bão 2003 (a),
2004 (b), 2005 (c), 2006 (d) và cả 4 mùa bão (e).
99
64
3.2.7
Mối quan hệ giữa độ tán (SP) và sai số dự báo vị trí tâm
bão (DPE) của phương án STEERFLOW tại hạn dự báo
12h (a), 24h (b), 36h (c) và 48h (d)
99
65
3.2.10
Các bản đồ xác suất tích lũy 24h (a) và 48h (b) dự báo
đường đi của bão Damrey (0518) tại 00Z 23/09/2005
100
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
x
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
MỤC LỤC
MỞ ĐẦU
1.1
1.2
1.2.1
1.2.2
1.2.3
1.2.4
1.2.5
1.2.6
1.3
1.3.1
1.3.1.1
1.3.1.2
1.3.1.3
1.3.1.4
1.3.2
1.3.3
1.4
1.4.1
1.4.2
1.4.3
1.4.4
1.4.5
1.4.6
1.5
1.5.1
1.5.2
1.5.3
1.5.4
1.6
CHƯƠNG I
KHÁI QUÁT VỀ DỰ BÁO TỔ HỢP
Định nghĩa về dự báo tổ hợp
Phương pháp tạo các dự báo tổ hợp thành phần
Phương pháp Monte-Carlo
Phương pháp dự báo trung bình trễ
Phương pháp nuôi nhiễu động phát triển nhanh
Phương pháp sử dụng vector kỳ dị
Phương pháp nhiễu động số liệu quan trắc
Phương pháp đa hệ thống đa mô hình
Phương pháp tính toán dự báo tổ hợp
Dự báo tất định từ dự báo tổ hợp
Dự báo trung bình tổ hợp
Dự báo trung bình có trọng số
Dự báo median và dự báo mode
Dự báo siêu tổ hợp
Dự báo kỹ năng dự báo từ dự báo tổ hợp
Dự báo xác suất từ dự báo tổ hợp
Đánh giá dự báo tổ hợp
Biểu đồ hạng
Điểm số Brier
Điểm số xác suất hạng RPS
Điểm số xác suất hạng liên tục CRPS
Điểm số IGN
Biểu đồ tin cậy
Hiển thị các sản phẩm dự báo tổ hợp
Bản đồ spaghetti
Bản đồ trung bình và độ tán
Bản đồ dự báo xác suất
Bản đồ tem
Nghiên cứu ứng dụng dự báo tổ hợp bão tại Việt Nam
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
Trang
1
4
4
7
7
9
10
12
13
14
15
15
16
17
17
18
18
20
21
23
24
26
27
28
28
30
30
31
31
32
32
xi
Trung Tâm Dự báo KTTV Trung ương
2.1
2.2
2.2.1
2.2.2
2.2.3
2.2.4
2.3
2.3.1
2.3.2
2.3.3
Trung tâm KTTV Quốc Gia
CHƯƠNG II
XÂY DỰNG HỆ THỐNG DỰ BÁO TỔ HỢP
CHO MỘT SỐ TRƯỜNG DỰ BÁO BÃO
Khái quát về các mô hình dự báo thành phần và các phương
pháp tiền xử lý tập số liệu
Dự báo tất định
Dự báo trung bình tổ hợp
Dự báo trung bình tổ hợp có hiệu chỉnh sai số hệ thống
Dự báo trung bình tổ hợp có trọng số
Dự báo siêu tổ hợp và dự báo tổ hợp từ dự báo xác suất
Dự báo xác suất
Dự báo xác suất từ hệ tổ hợp RAW
Dự báo xác suất từ hệ tổ hợp có hiệu chỉnh sai số hệ thống
Dự báo xác suất dựa trên phương pháp NGR
37
38
44
44
48
52
55
58
59
61
64
74
3.2.2
3.2.3
CHƯƠNG III
XÂY DỰNG HỆ THỐNG DỰ BÁO TỔ HỢP
QŨY ĐẠO BÃO
Dự báo tổ hợp qũy đạo bão dựa trên các kết qủa dự báo của
các trung tâm dự báo bão quốc tế
Mô tả tập số liệu nghiên cứu
Tính toán dự báo tổ hợp và phương pháp đánh giá
Một số kết qủa nghiên cứu và đánh giá
Dự báo tổ hợp quỹ đạo bão dựa trên phương pháp nhiễu
động trường ban đầu cho mô hình chính áp WBAR
Mô tả tập số liệu nghiên cứu và phương pháp phát sinh dự báo
tổ hợp qũy đạo bão
Tính toán dự báo tổ hợp và phương pháp đánh giá
Một số kết qủa nghiên cứu và đánh giá
I
II
III
KẾT LUẬN VÀ KIẾN NGHỊ
TÀI LIỆU THAM KHẢO
PHỤ LỤC
Quỹ đạo quan trắc của các cơn bão từ năm 2001-2006
Khái quát về mô hình chính áp WBAR
Dự báo xác suất dựa trên phương pháp NGR
101
104
118
118
120
129
3.1
3.1.1
3.1.2
3.1.3
3.2
3.2.1
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
74
75
77
79
87
88
91
91
xii
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
MỞ ĐẦU
Nhờ sự phát triển mạnh mẽ của công nghệ thông tin và các mô hình dự báo thời
tiết số trị trong những năm gần đây, dự báo tổ hợp đã và đang trở nên rất phổ biến ở
các trung tâm dự báo khí tượng lớn trên thế giới, nơi có tiềm năng mô hình và máy
tính lớn. Bản chất của dự báo tổ hợp là sử dụng kết quả từ nhiều dự báo thành phần
khác nhau để đưa ra một kết quả dự báo tối ưu nhất. Tuy nhiên, phương pháp cụ thể
để tạo ra các thành phần dự báo và cách tổng hợp kết quả của chúng lại có thể rất
khác nhau. Tuy mới chỉ được ứng dụng mạnh mẽ vào những năm gần đây do được
thừa hưởng thành quả của cuộc cách mạng công nghệ thông tin trên thế giới, dự báo
tổ hợp đã có một quá trình phát triển tương đối lâu dài kể từ những công trình đầu
tiên của Lorenz (1963, 1965) đề cập đến tầm quan trọng của của điều kiện ban đầu
đối với kết quả tích phân của các mô hình. Cho đến nay, dự báo tổ hợp đã được phát
triển và ứng dụng tương đối đa dạng tại nhiều nơi và cho các mục đích khác nhau và
được đánh giá là lĩnh vực có tốc độ thay đổi nhanh nhất trong nghiên cứu khí tượng.
Ở một số các trung tâm dự báo khí tượng lớn trên thế giới, hệ thống dự báo tổ
hợp nghiệp vụ đã được đưa vào hoạt động từ đầu những năm 90. Tại Mỹ, hệ thống
dự báo tổ hợp nghiệp vụ đầu tiên được sử dụng từ năm 1992 dựa trên phương pháp
nuôi nhiễu động phát triển nhanh để tạo tập hợp các trường ban đầu khác nhau cho
mô hình toàn cầu có cấu hình T126, 28 mực và có hạn dự báo tới 180 giờ. Bên cạnh
đó, hệ thống dự báo tổ hợp hạn ngắn sử dụng mô hình ETA với 15 thành phần
tương ứng với 3 phiên bản vật lý khác nhau cũng được thử nghiệm. Tại Trung tâm
dự báo hạn vừa Châu Âu (ECMWF), dự báo tổ hợp bắt đầu đưa vào nghiệp vụ từ
năm 1992 bằng việc sử dụng phương pháp tách vector kỳ dị để tạo nhiễu động ban
đầu. Hệ thống dự báo tổ hợp này hiện nay có tới 51 dự báo thành phần, thực hiện dự
báo hàng ngày và cung cấp kết quả cho các nước trong Cộng đồng Châu Âu là
thành viên của ECMWF. Gần đây, các Trung tâm Khí tượng khác như Nhật Bản
(JMA), Hàn Quốc (KMA) cũng đã có hệ thống dự báo tổ hợp cho các mô hình toàn
cầu và sử dụng phương pháp nuôi nhiễu động như của Mỹ.
Như vậy, phần lớn các hệ thống dự báo tổ hợp nghiệp vụ trên thế giới đều dựa
trên phương pháp tạo nhiễu động ban đầu và tích phân mô hình số trị với các trường
ban đầu đó để tạo nên tổ hợp dự báo. Các hệ thống này phần lớn đều phục vụ cho
dự báo hạn vừa và hạn dài. Đối với dự báo hạn ngắn, hiện tại chỉ có hệ thống dự báo
của Mỹ với việc sử dụng kết hợp nhiễu động trường ban đầu và các phiên bản vật lý
khác nhau. Bên cạnh đó, đã có một số nghiên cứu dự báo tổ hợp với nhiều mô hình
lãnh thổ hạn chế cho thấy tính ưu việt của cách tiếp cận nhiều mô hình. Tuy nhiên,
các tác giả này cũng nhấn mạnh sự cần thiết phải tiếp tục nghiên cứu thử nghiệm
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
1
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
với các khu vực và thời gian khác trong năm để khẳng định vững chắc các kết luận
này. Các nghiên cứu khác về ứng dụng dự báo tổ hợp cho dự báo hạn ngắn và bão
cũng đang được tiếp tục tiến hành.
Tại Việt nam, dự báo số trị vẫn còn ở giai đoạn bước đầu tiếp thu công nghệ và
ứng dụng. Do đó, dự báo tổ hợp cũng đang ở trong giai đoạn bước đầu tìm hiểu.
Nguyễn Chi Mai và cộng sự (2004) đã có những nghiên cứu tổng quan về dự báo tổ
hợp và thử nghiệm cách tiếp cận nhiều mô hình đối với dự báo tổ hợp đường đi của
bão. Kết quả thử nghiệm với 3 mùa bão có kết quả khả quan. Bên cạnh đó, cách tiếp
cận nhiều mô hình (hay siêu tổ hợp) đối với Việt Nam hiện nay càng trở nên phù
hợp vì chúng ta đã có thể truy cập thời gian thực đến nhiều kết quả dự báo của các
trung tâm khí tượng lớn trên thế giới. Ngoài ra, chúng ta đã có thể thu nhận được rất
nhiều sản phẩm dự báo từ một số mô hình số trị khu vực và toàn cầu theo thời gian
thực qua internet. Tuy nhiên, sự phong phú về nguồn thông tin tham khảo này đôi
khi lại gây khó khăn cho các dự báo viên trong quá trình đưa ra kết luận cuối cùng
khi làm công tác dự báo bão do sự khác nhau đáng kể giữa các kết quả dự báo
trường cũng như dự báo quĩ đạo bão của các mô hình. Chính vì những lý do trên,
việc nghiên cứu ứng dụng dự báo tổ hợp dựa trên phương pháp tiếp cận đa mô hình
và tính toán thử nghiệm phương pháp tạo nhiễu ban đầu với mô hình đơn giản dự
báo đường đi của bão được đặt ra trong đề tài này là phù hợp và khả thi với điều
kiện hiện nay. Cụ thể, đối với nghiên cứu ứng dụng dự báo tổ hợp cho một số
trường khí tượng dự báo bão, chúng tôi lựa chọn phương pháp đa mô hình để phát
sinh dự báo tổ hợp tất định và dự báo xác suất. Trong hướng nghiên cứu này, các
phương án thử nghiệm tính toán dự báo tổ hợp bao gồm:
- Đối với dự báo tổ hợp tất định: trung bình tổ hợp, hiệu chỉnh sai số hệ thống
(sử dụng trung bình trượt và hồi quy tuyến tính) kết hợp với trung bình tổ hợp, hiệu
chỉnh sai số hệ thống kết hợp với trung bình có trọng số, dự báo trung vị từ dự báo
xác suất và dự báo siêu tổ hợp (xây dựng phương trình hồi quy tuyến tính đa biến).
- Đối với dự báo xác suất: 3 biến thể của phương án hồi quy Gauss không
thuần nhất NGR sẽ được thử nghiệm
Trong nghiên cứu xây dựng hệ thống dự báo tổ hợp qũy đạo bão, hai hướng
nghiên cứu chính được đề xuất là:
- Tổ hợp qũy đạo bão đa trung tâm: trung bình đơn giản và hồi quy tuyến tính
đa biến.
- Gây nhiễu động trường ban đầu cho mô hình chính áp WBAR: gây nhiễu
tách biệt cho trường xoáy, trường môi trường và kết hợp cả hai dựa trên các tùy
chọn mực dòng dẫn và sơ đồ ban đầu hóa xoáy khác nhau. Đặc biệt, phương án gây
nhiễu động vị trí tâm bão ban đầu cũng được thử nghiệm. Ngoài những hướng
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
2
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
nghiên cứu dự báo tổ hợp qũy đạo bão nói trên, các nghiên cứu phát sinh các bản đồ
dự báo tần xuất xuất hiện và xác suất tích lũy đường đi của bão cũng sẽ được thực
hiện.
Dựa trên những mục tiêu và nội dung công việc đã được đăng ký trong bản
thuyết minh đề tài, nội dung của báo cáo tổng kết đề tài sẽ được bố cục thành các
phần sau:
Mở đầu
Chương I. Khái quát về dự báo tổ hợp
Chương II. Xây dựng hệ thống dự báo tổ hợp cho một số trường khí tượng
dự báo bão
Chương III. Xây dựng hệ thống dự báo tổ hợp qũy đạo bão
Kết luận và kiến nghị
Tài liệu tham khảo
Các phụ lục kèm theo
Đề tài do các nghiên cứu viên Phòng Nghiên cứu ứng dụng, Trung tâm Dự báo
KTTV Trung ương thực hiện với sự cộng tác chặt chẽ của các đồng nghiệp trong và
ngoài đơn vị và sự theo dõi, chỉ đạo kịp thời của Ban Giám đốc Trung tâm. Nhóm
thực hiện đề tài hy vọng những kết quả nghiên cứu mà đề tài đạt được sẽ có những
đóng góp cho công tác dự báo nghiệp vụ cũng như nghiên cứu phát triển sau này tại
Trung tâm Dự báo KTTV Trung ương nói riêng và Trung tâm KTTV Quốc gia nói
chung. Nhân dịp này, chủ nhiệm đề tài và các cộng tác viên xin gửi lời cảm ơn chân
thành đến Lãnh đạo Bộ Tài nguyên và Môi trường, Lãnh đạo Trung tâm KTTV
Quốc gia và đặc biệt là Ban Giám đốc Trung tâm Dự báo KTTV Trung ương đã tạo
mọi điều kiện cho chúng tôi hoàn thành đề tài. Một lần nữa, xin trân trọng cảm ơn.
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
3
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
CHƯƠNG I
KHÁI QUÁT VỀ DỰ BÁO TỔ HỢP
Lý thuyết dự báo tổ hợp được đặt nền móng từ những năm 70 và bắt đầu đưa
vào ứng dụng đầu những năm 90 của thế kỷ trước với mục đích sử dụng đầu tiên
cho các dự báo hạn vừa trên quy mô hành tinh. Cho đến nay, dự báo tổ hợp (EFEnsemble Forecast) đã được ứng dụng trong dự báo hạn ngắn với các quá trình quy
mô vừa cùng sự xuất hiện của rất nhiều phương pháp hiệu chỉnh dự báo tổ hợp.
Thừa nhận độ bất định (uncertainty) trong dự báo, EF không chỉ dự báo các yếu tố
khí tượng thông thường mà còn đưa ra độ bất định ứng với mỗi yếu tố dự báo. Quan
trọng hơn, EF còn cho phép thực hiện dự báo xác suất, loại hình dự báo cần được
thực hiện tại các trung tâm dự báo, rất khác so với dự báo tất định (deterministic
forecast) truyền thống. Với những thông tin hữu ích như vậy, có thể hiểu được tại
sao trong hai mươi năm trở lại đây cũng như trong tương lai các hệ thống dự báo tổ
hợp (EPS-Ensemble Prediction System) đều được triển khai tại các trung tâm dự
báo trên thế giới trong đó có Việt Nam. Lợi ích kinh tế mà EF có thể đem lại được
trình bày khá chi tiết trong Palmer (2002). EF được đánh giá là một lĩnh vực nghiên
cứu khí tượng có tốc độ phát triển rất nhanh cả về lý thuyết lẫn phương pháp thực
hiện. Các tài liệu nghiên cứu về EF nằm rải rác trên các tạp chí nghiên cứu khí
tượng và khí hậu có uy tín. Tốc độ phát triển của các nghiên cứu này nhanh tới mức
rất khó tìm được một cuốn sách trình bày chi tiết về EF theo kịp với các kiến thức
mà cộng đồng khoa học đang có được hiện tại. Có thể kể ra đây hai cuốn sách khá
nổi tiếng là cuốn “Atmospheric modeling, data assimilation and predictability” của
Kalnay (2003) và ấn bản hai của cuốn “Statistical methods in the atmospheric
sciences” của Wilks (2006). Đặc biệt trong cuốn thứ hai, tác giả đã bổ sung một
lượng lớn thông tin về EF so với ấn bản đầu tiên. Riêng tại Việt Nam, lĩnh vực dự
báo tổ hợp vẫn là một lĩnh vực hoàn toàn mới, các kiến thức được tiếp nhận đơn
giản ở mức độ trung bình tổ hợp (EM-Ensemble Mean) hay độ tán (Spread). Bởi
vậy trong chương này, toàn bộ kiến thức về EF cho tới thời điểm hiện tại sẽ được hệ
thống hóa và trình bày một cách khái quát. Sẽ có những thuật ngữ, những khái niệm
mới cần được dịch, được định nghĩa. Với những thuật ngữ mới khi dịch ra tiếng
Việt sẽ ghi thêm bên cạnh nguyên nghĩa tiếng Anh để tiện cho mục đích tra cứu.
1.1. ĐỊNH NGHĨA VỀ DỰ BÁO TỔ HỢP
Dự báo tương lai, dù với bất kỳ phương pháp nào luôn chỉ là một đánh giá về
trạng thái tương lai với một độ bất định nào đó. Lý thuyết toán học cho phép định
lượng độ bất định của dự báo nằm trong lý thuyết xác suất thống kê. Khi đưa ra các
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
4
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
dự báo, ta thường thấy kèm theo một thông tin về phần trăm độ chính xác của dự
báo. Dự báo thời tiết cũng không phải là một ngoại lệ bởi vì có rất nhiều nhân tố mà
ta không thể xác định hết ảnh hưởng của chúng tới diễn biến thời tiết tại một khu
vực nào đó. Do đó, dự báo thời tiết nên là dự báo xác suất hơn là dự báo tất định.
Nói đến dự báo thời tiết, chúng tôi muốn nói đến dự báo thời tiết bằng phương pháp
số trị, phương pháp đang được sử dụng song song với các phương pháp thống kê
truyền thống trước đây. Murphy và Winkler (1979) cho rằng dự báo không thể nói
là tốt nhất nếu độ bất định trong dự báo không được định lượng và biểu diễn một
cách chính xác. Tuy nhiên, trong thời kỳ phát triển đầu tiên của dự báo số trị, các
tác giả không đi theo con đường dự báo xác suất mà lựa chọn phương án dự báo tất
định. Thuật ngữ dự báo tất định dựa trên học thuyết tất định (deterministism) của
Laplace khi ông cho rằng nếu biết được chính xác trạng thái ban đầu của một hệ
thống ta hoàn toàn có thể xác định trạng thái tương lai với một máy tính đủ mạnh.
Điều này có nghĩa rằng không thể có tự do trong tương lai, tương lai hoàn toàn
được xác định bởi hiện tại cũng như quá khứ. Khoa học thế kỷ 20 đã cho thấy giả
thiết của Laplace là không đúng với cơ học lượng tử cùng nguyên lý bất định nổi
tiếng của nó và lý thuyết hỗn loạn mà nghiên cứu ban đầu dựa trên các mô hình khí
quyển của Lorenz (1963, 1965). Lorenz bắt đầu những nghiên cứu của mình với
một mô hình khí quyển đơn giản chỉ gồm 12 biến nhằm chứng minh khả năng dự
báo vượt trội của mô hình động lực so với dự báo thống kê truyền thống. Bằng một
sự tình cờ khi làm tròn số với các biến dự báo ban đầu, Lorenz thấy rằng những sai
số rất nhỏ trong điều kiện ban đầu sẽ làm biến đổi hoàn toàn nghiệm dự báo sau đó
2 tháng. Điều này được thể hiện một cách hình tượng trong bài nói chuyện của
Lorenz mang tên “Khả năng dự báo: liệu cái đập cánh của một con bướm ở Brazil
có thể tạo ra một cơn lốc ở bang Texas ?”. Phát hiện này đã dẫn đến khái niệm về
khả năng dự báo (predictability), đó là một hệ thống bất ổn định chỉ có khả năng dự
báo hữu hạn. Như vậy, khí quyển giống như các hệ thống động lực bất ổn định
khác, khả năng dự báo là hữu hạn cho dù điều kiện ban đầu cũng như mô hình số
chính xác tuyệt đối. Lorenz đã đánh giá giới hạn đối với dự báo thời tiết là 2 tuần.
Như vậy, sai số dự báo không chỉ phụ thuộc vào điều kiện ban đầu và mô hình số,
mà còn phụ thuộc rất nhiều vào hình thế thời tiết hiện tại. Sẽ có những ngày dự báo
vẫn còn chính xác tới hạn dự báo 1 tuần, nhưng sẽ có những ngày dự báo chỉ chính
xác trong 2 đến 3 ngày đầu tiên. Điều này được minh họa trên hình 1.1.1 với dự báo
hạn 48 giờ ngày 18/05/2006 khi có bão CHANCHU (0601) từ các mô hình GFS,
GME, GSM, TLAPS, UM (mô tả chi tiết về các mô hình này có thể xem trong
chương II). Từ hình 1.1.1 có thể thấy rõ rằng các dự báo từ 5 mô hình nói trên được
tách thành 2 nhóm: nhóm một gồm các mô hình GFS, GME, GSM và nhóm hai
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
5
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
gồm các mô hình TLAPS và UM. Những nghiên cứu của Lorenz đã cho thấy rằng
dự báo tất định với một mô hình chỉ chính xác trong một giới hạn nào đó và giới
hạn này không thể biết trước nếu chỉ sử dụng một mô hình. Do đó cần thiết phải
thay thế dự báo tất định bởi một tổ hợp các dự báo nhằm định lượng độ bất định khi
dự báo. Với các kết quả dự báo được đưa ra trong hình 1.1.1, ta có thể chắc chắn
hơn về khả năng dự báo với bão CHANCHU nhưng sẽ ít chắc chắn hơn khi dự báo
khu vực áp thấp trên vịnh Bengal.
Hình 1.1.1. Dự báo độ cao địa thế vị hạn 48 giờ cho ngày 00Z-18/05/2006 từ các
mô hình GFS, GME, GSM, TLAPS, UM và trường phân tích tương ứng
Theo Kalnay (2003), dự báo tổ hợp là một tập hợp dự báo xác định tại cùng
một thời điểm (có thể được bắt đầu từ các điều kiện ban đầu khác nhau, thời điểm
bắt đầu dự báo khác nhau, hoặc dựa trên các mô hình khác nhau) và hướng đến 3
mục đích:
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
6
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
- Tăng cường chất lượng dự báo thông qua trung bình tổ hợp
- Cung cấp một chỉ số định lượng về độ tin cậy của dự báo
- Làm cơ sở cho dự báo xác suất
Mục đích đầu tiên được thực hiện thông qua một bộ lọc (toán tử trung bình)
loại bỏ sai khác giữa các thành phần trong khi vẫn giữ lại những đặc trưng tương tự.
Mục đích thứ hai liên quan đến tương quan giữa độ tán và sai số dự báo trung bình
tổ hợp, dù mối tương quan này không hoàn toàn chặt và chưa được khẳng định
vững chắc. Mục đích thứ ba được xây dựng dựa trên tần suất dự báo xuất hiện hiện
tượng từ các thành phần tổ hợp. Mỗi một dự báo thành phần là một trạng thái có thể
có của trạng thái khí quyển thực. Điều này đồng nghĩa với việc, một EF sẽ là một
xấp xỉ hữu hạn của hàm mật độ xác suất của trạng thái khí quyển trong không gian
nghiệm. Định nghĩa của Kalnay chủ yếu dựa trên các EPS toàn cầu cho dự báo hạn
vừa và hạn dài cho nên tầm quan trọng của dự báo tất định (dự báo từ trung bình tổ
hợp) và dự báo xác suất là như nhau. Tuy nhiên, khi các EPS quy mô vừa và hạn
ngắn xuất hiện, EF đã được định nghĩa lại, hướng nhiều hơn đến quan điểm dự báo
xác suất. Theo Gneiting và cộng sự (2003), dự báo tổ hợp là một tập hợp dự báo
xác định tại cùng một thời điểm làm cơ sở cho dự báo xác suất có độ nhọn
(sharpness) cực đại trong khi vẫn duy trì độ tin cậy (reliability) của dự báo xác
suất.
1.2. PHƯƠNG PHÁP TẠO CÁC DỰ BÁO TỔ HỢP THÀNH PHẦN
1.2.1. Phương pháp Monte-Carlo
Lý thuyết cho phép định lượng độ bất định từ đó đặt cơ sở cho dự báo xác suất
dựa trên một tổ hợp các dự báo xuất hiện đầu tiên trong nghiên cứu của Leith
(1974). Tuy nhiên, ý tưởng của Leith chỉ được đưa ra nhờ công trình mang tính nền
tảng trước đó của Epstein (1969) với một phương pháp dự báo có tính đến độ bất
định của khí quyển khi dự báo mặc dù vẫn dựa trên một mô hình động lực. Epstein
gọi phương pháp dự báo này là dự báo động lực ngẫu nhiên (stochastic dynamic
prediction) mà đại lượng dự báo cơ bản là hàm mật độ xác suất của trường dự báo
từ mô hình động lực. Tiếp theo các nghiên cứu của Epstein, lần lượt là các nghiên
cứu của Gleeson (1970), Fleming (1971a, b) và cho tới Leith (1974), dự báo xác
suất bắt đầu trở nên khả thi hơn. Leith đề xuất sử dụng phương pháp dự báo Monte
Carlo sau đó đánh giá các moment dựa trên tập mẫu thu được. Phương pháp Monte
Carlo do Leith đề xuất không thực hiện trên phương trình Liouville như Epstein mà
thực hiện ngay trên chính mô hình động lực. Với giả định trường ban đầu có phân
bố chuẩn với giá trị trung bình là trường phân tích, có thể lấy mẫu bằng cách cộng
thêm vào trường phân tích các nhiễu động ngẫu nhiên (ồn trắng) trong giới hạn của
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
7
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
sai số phân tích. Tribbia và Baumhefner (1988) đã cộng các sai số ngẫu nhiên vào
mỗi điểm lưới trong khi Schubert và Suarez (1989) đưa nhiễu động vào các hàm
trực giao kinh nghiệm. Minh họa cho phương pháp dự báo Monte Carlo được cho
trên hình 1.2.1.
Hình 1.2.1. Dự báo Monte Carlo với những điều kiện ban đầu được lấy mẫu ngẫu
nhiên từ phân bố của trường ban đầu với trường phân tích là giá trị trung bình (theo
Wilks 1995). Đường nét liền biểu diễn dự báo tất định từ trường phân tích.
Như vậy, thay vì dự báo các đại lượng thống kê liên quan đến hàm phân bố
xác suất dự báo như Epstein đề xuất, Leith đánh giá các đại lượng này thông qua tập
mẫu các dự báo thu được nhờ tích phân đồng thời nhiều thành phần có trường ban
đầu khác nhau. Giống như cách Epstein đã rút gọn phương trình Liouville, hai đại
lượng được quan tâm nhất vẫn là moment bậc 1 (giá trị trung bình) và moment bậc
2 (phương sai). Bằng những chứng minh đơn giản cùng một số ý tưởng mới, Leith
đã cho thấy giá trị hai đại lượng này đem lại từ dự báo Monte Carlo. Tầm quan
trọng của hai đại lượng này vẫn giữ nguyên trong những nghiên cứu tiếp đó. Leith
đã chỉ ra rằng nếu chỉ thực hiện tích phân trên một mô hình như dự báo tất định, sai
số thu được với hạn dự báo đủ dài sẽ gấp hai lần so với sai số từ dự báo khí hậu. Do
đó, để các dự báo hạn dài có ý nghĩa cần phải thực hiện một phương pháp đánh giá
tối ưu dựa trên dự báo tất định nhằm đưa các sai số hạn dài trở về sai số khí hậu.
Phương pháp đơn giản nhất là thực hiện hồi quy tuyến tính. Tuy nhiên, điều bất ngờ
là vẫn có thể thu được dự báo hạn dài với sai số tương đương với sai số khí hậu nếu
lấy giá trị trung bình của các EF làm giá trị dự báo. Điều này cho thấy giá trị tối ưu
của trường dự báo có thể xác định đơn giản từ trung bình tổ hợp mà không cần thực
hiện các phương pháp thống kê phức tạp hơn như hồi quy. Dựa trên một mô hình
kiểm chứng, Leith đi tới kết luận rằng chỉ cần một tập mẫu nhỏ (gồm 8 dự báo
thành phần), giá trị tối ưu thu được (trung bình tổ hợp) đã đạt được độ chính xác
cao. Tuy nhiên, với sai số dự báo (moment bậc 2) dung lượng mẫu cần lớn hơn.
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
8
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
Hiệu quả của trung bình tổ hợp được Leith giải thích như một phép lọc loại bỏ các
sóng ngắn (biểu hiện thông qua sai khác giữa các thành phần) trong khi vẫn giữ lại
các sóng dài (biểu hiện thông qua mức độ tương đồng giữa các thành phần). Ngoài
trung bình tổ hợp, đóng góp thứ hai của Leith liên quan đến moment bậc 2 hay độ
tán của EF. EF không chỉ giúp loại bỏ mức độ bất định thông qua trung bình tổ hợp
mà ta còn có thể đánh giá được mức độ bất định này thông qua độ tán giữa các
thành phần. Rõ ràng dự báo từ trung bình tổ hợp sẽ có độ tin cậy cao hơn nếu độ tán
giữa các thành phần là nhỏ. Ngược lại, dự báo giữa các thành phần rất khác nhau có
nghĩa không thể có được một dự báo tin cậy. Do đó, khái niệm kỹ năng dự báo
(forecast skill) được đưa ra và hiểu như là nghịch đảo với độ tán giữa các thành
phần dự báo. Trên thực tế, kỹ năng dự báo phải được xác định bằng sai số giữa
trung bình tổ hợp và thám sát. Giả định về kỹ năng dự báo từ EF hàm nghĩa một
tương quan dương giữa độ tán và sai số dự báo. Hay nói cách khác, lợi ích của EF
nằm ở khả năng dự báo được kỹ năng dự báo.
1.2.2. Phương pháp dự báo trung bình trễ
Dựa trên phương pháp dự báo Monte Carlo được đề xuất bởi Leith, các nghiên
cứu đã được tiến hành những năm sau đó và được tổng kết bởi tại hội thảo về dự
báo động lực ngẫu nhiên do ECMWF tổ chức năm 1979. Hollingsworth (1980) khi
tiến hành thử nghiệm dự báo đã nhận thấy việc lấy mẫu ngẫu nhiên trường ban đầu
theo như phương pháp Monte Carlo sẽ không tạo ra được một phân bố phù hợp sau
đó trên các tập trạng thái dự báo. Cụ thể hơn, các dự báo thành phần có xu hướng
tập trung dẫn đến độ tán nhỏ so với thực tế. Điều này có nghĩa rằng trong không
gian nghiệm của vector trạng thái ban đầu, chỉ có một số hướng mà độ bất ổn định
tại đây sẽ khuếch đại những nhiễu động nhỏ ban đầu. Do đó những năm sau đó, dự
báo Monte Carlo chỉ được sử dụng trong một số nghiên cứu đơn giản (Murphy và
Palmer 1986, Errico và Baumhefner 1987, Murphy 1988, Mullen và Baumhefner
1994) và được tổng kết bởi Palmer và cộng sự (1990). Như vậy, các nhiễu động
được đưa vào trường phân tích với mục đích tạo ra một tổ hợp các trường ban đầu
(lấy mẫu từ phân bố của trường ban đầu) không nên lấy ngẫu nhiên mà cần được lựa
chọn theo một phương pháp nào đó để những sai số này sẽ dẫn đến nhưng sai số dự
báo quan sát được trong thực tế. Với hệ thống đồng hóa số liệu kèm theo mỗi mô
hình, sai số dự báo sẽ là độ lệch giữa phân tích tại thời điểm hiện tại so với dự báo
hạn ngắn của mô hình bắt đầu từ thời điểm phân tích trước đó. Ý tưởng này đã được
Hoffman và Kalnay (1983) triển khai và đưa ra phương pháp dự báo trung bình trễ
LAF (Lagged Average Forecasting). Ý tưởng cơ bản của phương pháp được thể
hiện trên hình 1.2.2.
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
9
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
Hình 1.2.2. Dự báo Monte Carlo so sánh (bên trái) với dự báo trung bình trễ (bên
phải). X là phân tích tại các khoảng thời gian τ, và tf là thời điểm dự báo.
Dalcher và cộng sự (1988) đã áp dụng kỹ thuật LAF vào dự báo nghiệp vụ của
ECMWF và thu được một sự cải thiện chất lượng dự báo so với dự báo nghiệp vụ
với hạn dự báo năm ngày. Murphy (1990) đã nghiên cứu về khả năng ứng dụng của
LAF trong dự báo hạn vừa-hạn dài bằng cách xây dựng một EPS gồm 7 thành phần
sử dụng mô hình toàn cầu UKMO. Nghiên cứu sử dụng LAF trong dự báo hạn dài
cũng được triển khai tại một số trung tâm dự báo (Tracton và cộng sự, 1989,
Brankovic và cộng sự, 1990, Déquá và Royer 1994). Các kết quả nghiên cứu ứng
dụng phương pháp LAF cho các hạn dự báo xa hơn không đạt được kết quả tốt như
mong muốn. Nguyên nhân dẫn đến chất lượng dự báo thấp xuất phát từ sai số hệ
thống trong mô hình, nhưng nó cũng đã chỉ ra sự thiếu sót của LAF trong việc cung
cấp các dự báo thành phần có kỹ năng trong phạm vi EF. Để khắc phục những thiếu
sót này, một biến thể của LAF đã được Ebisuzaki và Kalnay (1991) đề xuất với tên
gọi SLAF (Scaled LAF). Với giả định sai số tăng gần như tuyến tính theo thời gian
đối với các hạn dự báo từ 2 đến 3 ngày đầu, nhiễu động giữa các hạn dự báo khác
nhau tại thời điểm ban đầu không được xem như nhau giống như trong LAF mà sẽ
được hiệu chỉnh theo hạn dự báo. Thực tế cho thấy khi bao hàm cả nhiễu động
dương và âm, SLAF cho kết quả dự báo tốt hơn so với LAF. Ngoài ra, dung lượng
mẫu từ SLAF sẽ tăng lên gấp đôi so với LAF. Phương pháp này có thể dễ dàng áp
dụng cho mô hình khu vực (Hou và cộng sự 2001) nhờ đặc tính đơn giản của nó.
Tất nhiên khi đó ta phải đồng thời làm nhiễu cả điều kiện biên.
1.2.3. Phương pháp nuôi nhiễu động phát triển nhanh
Những kết quả tốt thu được với LAF, SLAF của các nghiên cứu trong những
năm sau đó đã dẫn đến sự ra đời của phương pháp BGM với tên đầy đủ là Breeding
of Growing Modes (chúng tôi tạm dịch là phương pháp “nuôi nhiễu động phát triển
nhanh” và sẽ nhắc đến thông qua cụm từ viết tắt BGM). Phương pháp BGM có thể
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
10
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
được mô tả thông qua hình 1.2.3. Chi tiết hơn về các xử lý toán học có thể tham
khảo trong Toth và Kalnay (1997).
Hình 1.2.3. Phương pháp BGM với chu kỳ nuôi 6 giờ (Toth và Kalnay 1993)
Trước khi đưa ra phương pháp BGM, Toth và Kalnay (1993) thậm chí còn đi
xa hơn phương pháp SLAF khi xác định nhiễu động không chỉ bằng độ lệch giữa dự
báo và phân tích mà còn bằng độ lệch giữa các dự báo thành phần ký hiệu bởi
SRFD (Short Range Forecast Differences). Kết quả dự báo cho thấy tốc độ phát
triển của các nhiễu động tăng lên khi chuyển từ các nhiễu ngẫu nhiên sang SLAF và
từ SLAF sang SRFD đi kèm với sự tăng lên của chất lượng dự báo. Các kết quả từ
LAF, SLAF, SRFD cho phép Toth và Kalnay (1993) phân chia sai số phân tích làm
hai loại: các sai số phát triển nhanh, năng lượng cao như các bất ổn định tà áp và
các sai số phát triển chậm hay không phát triển, năng lượng thấp như sóng trọng
trường hay sai số ngẫu nhiên. Khi dự báo, các sai số phát triển nhanh sẽ nhanh
chóng đạt tới biên độ lớn và thống trị hoàn toàn sai số của trường dự báo. Các sai số
ngẫu nhiên khi đưa vào trường phân tích sẽ thể hiện ra dưới dạng sóng trọng trường
và thông thường các nhiễu động này sẽ tắt dần (Lacarra và Talagrand 1988) hoặc
phát triển chậm. Do đó, các sai số phát triển nhanh có tầm quan trọng lớn hơn so
với các sai số phát triển chậm hay không phát triển trong việc xác định kỹ năng của
bất kỳ dự báo nào. Điều này có nghĩa rằng, lấy mẫu điều kiện ban đầu cần ưu tiên
lựa chọn nhiễu động theo theo các sai số phát triển nhanh. Chú ý rằng, các sai số
phát triển nhanh này sau mỗi chu kỳ đồng hóa nhờ quan trắc sẽ bị suy giảm về biên
độ nhưng vẫn tồn tại trong trường phân tích và lại phát triển tiếp cho tới chu kỳ
đồng hóa tiếp theo. Như vậy, hệ thống đồng hóa sẽ duy trì sự xuất hiện của các sai
số phát triển nhanh này, chính xác hơn có thể nói đến “sự chọn lọc tự nhiên các sai
số phát triển nhanh”. Điều này cho thấy tại sao LAF, SLAF và SRFD lại cho một
kết quả dự báo tốt hơn so với dự báo Monte Carlo bởi các sai số phát triển nhanh đã
được đưa vào thông qua độ lệch giữa dự báo với phân tích hay dự báo với dự báo.
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
11
