NGHIÊN cứu ĐỒNG HOÁ số LIỆU vệ TINH TRONG mô HÌNH WRF để dự báo mưa lớn ở KHU vực TRUNG bộ

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
----------------------

NGUYỄN THỊ THANH

NGHIÊN CỨU ĐỒNG HOÁ SỐ LIỆU VỆ TINH TRONG MÔ HÌNH
WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội-2010


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
----------------------

NGUYỄN THỊ THANH

NGHIÊN CỨU ĐỒNG HOÁ SỐ LIỆU VỆ TINH TRONG MÔ HÌNH
WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ

Chuyên ngành: Khí tượng – khí hậu
Mã số: 60.44.87

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:
GS.TS TRẦN TÂN TIẾN

Hà Nội-2010

2


LỜI CẢM ƠN

Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới GS. TS. Trần Tân
Tiến, là người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này.
Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy
văn - Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn quý
giá, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian
tôi học tập ở Khoa.
Tôi xin cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự nhiên
đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn.
Tôi cũng xin cảm ơn ban lãnh đạo Viện Khoa học Khí tượng Thủy văn
và Môi trường, đặc biệt là ban lãnh đạo Trung tâm Nghiên cứu Biển và tương
tác Biển – Khí quyển đã hết sức giúp đỡ tạo điều kiện giúp tôi hoàn thành
luận văn.
Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân
và bạn bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều
kiện tốt nhất cho tôi trong suốt thời gian học tập tại trường.

Nguyễn Thị Thanh

3


MỤC LỤC
MỞ ĐẦU

5

CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO MƯA BẰNG 7
PHƯƠNG PHÁP SỐ TRỊ VÀ ĐỒNG HOÁ SỐ LIỆU VỆ TINH
1.1 Tổng quan về dự báo mưa bằng phương pháp số trị

7

1.2 Dữ liệu vệ tinh và sự cần thiết của dữ liệu vệ tinh trong dự báo 9
thời tiết
1.3 Những nghiên cứu trên thế giới và ở Việt Nam về đồng hoá số 18
liệu vệ tinh trong mô hình số trị
CHƯƠNG 2: ĐỒNG HÓA SỐ LIỆU VỆ TINH TRONG MÔ 22
HÌNH WRF
2.1 Mô hình WRF

22

2.2 Vấn đề đồng hoá số liệu vệ tinh trong mô hình WRF

29

2.3 Đồng hoá dữ liệu vệ tinh MODIS trong mô hình WRF
2.4 Các chỉ tiêu đánh giá kết quả dự báo mưa

39

40

CHƯƠNG 3: KẾT QUẢ ĐỒNG HÓA SỐ LIỆU VỆ TINH 44
TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU
VỰC TRUNG BỘ
3.1 Nguồn số liệu

44

3.2 Cấu hình được lựa chọn

45

3.3 Kết quả dự báo mưa của một số trường hợp điển hình

46

3.4 Đánh giá kết quả dự báo các đợt mưa lớn ở khu vực Trung Bộ 62
trong hai năm 2007 - 2008
KẾT LUẬN

66

KIÊN NGHỊ

66

TÀI LIỆU THAM KHẢO

67

4

MỞ ĐẦU
Hàng năm, ở Việt Nam, đặc biệt là khu vực Miền Trung, thiên tai có
nguồn gốc mưa lớn như lũ lụt, lũ quét, sạt lở đất, ... gây thiệt hại vô cùng to
lớn về người và tài sản. Bên cạnh đó, chúng còn gây ra rất nhiều vấn đề về xã
hội, an ninh, quốc phòng. Mưa lớn ở khu vực Miền Trung thường xảy ra do
ảnh hưởng của các hình thế thời tiết khác nhau như giải hội tụ nhiệt đới
(ITCZ), front lạnh, bão, áp thấp nhiệt đới, ...Trong một số trường hợp, sự kết
hợp của nhiều hệ thống thời tiết khác nhau làm cho mưa lớn diễn ra phức tạp
hơn. Sự tương tác giữa hoàn lưu khí quyển và địa hình núi cao của dãy núi
Trường Sơn làm cho mưa lớn thường xảy ra trên diện rộng và kéo dài. Do đó,
dự báo mưa lớn và nâng cao chất lượng dự báo mưa lớn là một vấn đề đặc
biệt quan trọng ở khu vực Miền Trung.
Dự báo mưa lớn là một trong những mục tiêu quan trọng của dự báo số
trị quy mô vừa. Tuy nhiên, do thiếu chính xác của trường ban đầu cũng như
tính phi tuyến trong bài toán khí tượng, các kết quả dự báo từ mô hình số trị
vẫn chứa những sai số lớn. Cùng với những cố gắng trong việc tính toán, mô
phỏng chi tiết các quá trình vật lý liên quan tới thời tiết, các nhà khoa học
trong và ngoài nước còn có rất nhiều cố gắng trong việc cải thiện trường số
liệu ban đầu (vốn là trường phân tích của mô hình toàn cầu) cho mô hình số
trị khu vực bởi các số liệu quan trắc địa phương và phi truyền thống như vệ
tinh, radar nhằm nâng cao chất lượng dự báo. Các quan trắc mặt đất và thám
không vô tuyến cung cấp thông tin tương đối chính xác về các trường khí
tượng bề mặt và trên cao. Tuy nhiên, mạng lưới quan trắc này khá thưa cả về
không gian và thời gian, đặc biệt rất ít hoặc không có quan trắc ở trên biển.
Trong những năm gần đây, việc cải tiến công nghệ viễn thám cho phép quan
trắc khí quyển bằng vệ tinh ở những nơi không có hoặc thiếu các số liệu quan
trắc, đồng thời, những quan trắc này có độ phân giải cao hơn so với các quan
trắc truyền thống. Vì vậy, dữ liệu vệ tinh khí tượng ngày càng được ứng dụng

rộng rãi trong việc phát hiện, theo dõi, cảnh báo các hiện tượng thời tiết nguy
5


hiểm cũng như tăng cường thông tin về trường ban đầu cho mô hình số trị khu
vực.
Trên thế giới đã có nhiều tác giả nghiên cứu về bài toán đồng hóa số
liệu vệ tinh cho mô hình số và đạt được những kết quả khả quan trong dự báo
thời tiết, cũng như dự báo các hiện tượng thời tiết cực đoan như mưa lớn,
bão,…Ở Việt Nam, đồng hóa số liệu, đặc biệt là đồng hóa số liệu vệ tinh vẫn
còn là vấn đề mới mẻ, chưa có nhiều tác giả nghiên cứu. Chính vì vậy, trong
luận văn này, chúng tôi sẽ tiến hành tìm hiểu và áp dụng phương pháp đồng
hóa 3DVAR cho mô hình WRF để đồng hóa dữ liệu vệ tinh nhằm góp phần
nâng cao chất lượng dự báo mưa Khu vực Trung Bộ.
Bố cục luận văn gồm các phần:
Mở đầu
Chương 1: Tổng quan về dự báo mưa bằng mô hình số trị và đồng hoá
số liệu vệ tinh
Chương 2: Đồng hoá số liệu vệ tinh trong mô hình WRF
Chương 3: Kết quả ứng dụng đồng hoá số liệu vệ tinh trong mô hình
WRF để dự báo mưa lớn ở khu vực Trung Bộ
Kết luận

6


CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO MƯA BẰNG PHƯƠNG
PHÁP SỐ TRỊ VÀ ĐỒNG HOÁ SỐ LIỆU VỆ TINH
1.1 Tổng quan về dự báo mưa bằng phương pháp số trị
Dự báo mưa luôn là một trong những nhiệm vụ khó khăn nhất trong khí

tượng nghiệp vụ mặc dù trên thực tế, trong vài thập kỷ qua, chất lượng dự báo
thời tiết nói chung và dự báo mưa nói riêng đã được cải thiện đáng kể. Mưa
sinh ra do tác động phối hợp của hầu hết các yếu tố khí tượng, và là yếu tố
biến động rất mạnh theo không gian và thời gian. Rất nhiều các quá trình có
thể dẫn đến mưa như: hội tụ ẩm qui mô lớn, đối lưu sâu, các quá trình gần bề
mặt,... Do vậy, dự báo tốt mưa trên một vùng lớn có nghĩa là dự báo tốt tất cả
các biến khí tượng khác.
Hiện nay, ở các nước phát triển phương pháp số là phương pháp dự báo
thời tiết chính thống. Ở Châu Âu, phương pháp này bắt đầu phát triển từ
những năm 50 của thế kỷ XX, trong đó sự đầu tư cao nhất cho hướng nghiên
cứu phát triển này của Liên minh Châu Âu được tập trung ở Trung tâm Dự
báo thời tiết hạn vừa Châu Âu (ECMWF). Tuy nhiên, cho đến trước những
năm 80 của thế kỷ XX, các nghiên cứu phát triển về lý thuyết cũng như ứng
dụng chủ yếu vẫn chỉ quan tâm đến các khu vực ngoại nhiệt đới của Châu Âu
và Mỹ. Dự báo thời tiết ở nhiệt đới nói chung và bằng phương pháp số nói
riêng ở thời kỳ này còn nhiều khó khăn do hạn chế về động lực học lý thuyết
cho vùng nhiệt đới-xích đạo. Thời kỳ 1984-1985 ở ECMWF đã có những cải
tiến to lớn trong dự báo nghiệp vụ bằng mô hình toàn cầu cho các vùng nhiệt
đới, đó là, việc đưa vào mô hình sơ đồ tham số hoá đối lưu (TSHĐL) nông,
biến đổi TSHĐL sâu, một sơ đồ mây mới và tăng độ phân giải ngang của mô
hình. Trên qui mô toàn cầu, nghiên cứu của Tiedtke và cộng sự (1988) [32] đã
đánh giá tác động của tổ hợp vật lý và tăng độ phân giải ngang đối với sai số
hệ thống trong dự báo nghiệp vụ ở nhiệt đới của ECMWF. Việc tăng độ phân
giải ngang trong các mô hình dự báo thời tiết nghiệp vụ (Black, 1994; Rogers
và cộng sự, 1998) [11], [36] nhìn chung nâng cao chất lượng dự báo mưa định
7


lượng (QPF). Khi độ phân giải ngang tăng, mô hình có thể nắm bắt được
chuyển động thẳng đứng tốt hơn dẫn tới làm tăng các cực trị mưa dự báo

(Weisman và cộng sự, 1997) [46].
Zhang và cộng sự (1994) [48] cũng đã nhận thấy rằng, việc nghiên cứu
quan hệ giữa mưa qui mô dưới lưới và qui mô lưới có tác động đáng kể đến
kết quả mô phỏng trong trường hợp độ phân giải ngang còn đủ thô để sử dụng
sơ đồ TSHĐL. Hong và Pan (1998) [19] cho thấy vị trí của mưa qui mô lưới
bị ảnh hưởng nhiều bởi TSHĐL hơn là việc thay đổi phương pháp tính mưa
qui mô lưới. Mặt khác, thời gian kích hoạt của cả sơ đồ TSHĐL và sơ đồ ẩm
hiển có tác động đáng kể đối với mưa mô phỏng (Grell, 1993) [18] và có thể
thay đổi với các sơ đồ khác nhau.
Những cải tiến trong thám sát và phương pháp đồng hóa số liệu để cải
tiến trường ban đầu cho mô hình góp phần quan trọng trong việc nâng cao
chất lượng dự báo mưa (Spencer và Stensrud, 1998) [43]. Best (1956) [13] đã
chỉ ra rằng sai số trong trường ban đầu của một mô hình dự báo thời tiết số
bất kỳ sẽ khuếch đại theo thời gian dự báo, thậm chí sai số nhỏ trong trường
gió mực 500mb gây nên sai số đáng kể về hội tụ và phân kỳ trong trường dự
báo. Huo và cộng sự (1995) [20] đã nghiên cứu độ nhạy của trường ban đầu
trong dự báo các trường trong bão, kết quả cho thấy sự thay đổi nhỏ trong
trường gió ban đầu tạo nên sự thay đổi lớn trong dự báo quỹ đạo bão và
trường mưa dự báo. Yoshinori và cộng sự (2009) [49] đã đồng hoá số liệu
lượng hơi nước ngưng tụ (PWV) từ hệ thống GPS bằng mô hình MSM, kết
quả cho thấy cải thiện đáng kể vùng hội tụ phía bắc của áp thấp nhiệt đới và
vùng mưa dự báo.
Ở nước ta, trong những năm gần đây, các công trình nghiên cứu trong
lĩnh vực dự báo mưa lớn bằng mô hình số trị cũng đã được thực hiện. Trần
Tân Tiến (2004) [6] đã nghiên cứu sự phụ thuộc vào độ phân giải lưới của hai
sơ đồ TSHĐL là Kuo và Kain Fristch trong dự báo mưa lớn ở khu vực Miền
Trung bằng mô hình RAMS. Kiều Thị Xin (2005) [8] đã áp dụng mô hình
8

HRM để dự báo mưa lớn diện rộng ở Việt Nam. Hoàng Đức Cường (2008)
[1] đã xây dựng hệ thống tổ hợp 9 dự báo thành phần bằng cách lựa chọn các
phương án sử dụng sơ đồ tham số hoá vật lý khác nhau của mô hình MM5 để
dự báo mưa lớn ở Việt Nam. Chu Thị Thu Hường (2007) [3] đã nghiên cứu
thử nghiệm dự báo mưa thời hạn từ 1 đến 3 ngày cho khu vực Trung bộ bằng
mô hình WRF. Vũ Thanh Hằng (2008) [5] đã nghiên cứu tác động của tham
số hóa đối lưu đối với dự báo mưa bằng mô hình HRM ở Việt Nam.
1.2 Dữ liệu vệ tinh và sự cần thiết của dữ liệu vệ tinh trong dự báo thời
tiết
Trong suốt thập kỷ vừa qua, ảnh vệ tinh nhận được dựa vào các đầu đo
cảm ứng, các đầu đo này đã cung cấp cho các nhà khoa học những tập số liệu
toàn cầu thực và khách quan về những diễn biến của bầu khí quyển. Chúng đã
làm một cuộc cách mạng trong khả năng thám sát sự tiến triển của khí quyển
trái đất. Công nghệ viễn thám cung cấp cho ta thám sát quanh trái đất, và
trong phần lớn trường hợp chúng thích hợp và thực hơn so với thám sát từ bề
mặt đất.
Những thông tin số liệu vệ tinh thu được hiện nay, cho phép chúng ta
có thể theo dõi liên tục, phân tích và xác định được các yếu tố về trường
nhiệt, ẩm, gió, trường mây (các quá trình hình thành và phát triển của mây,
trường nhiệt độ đỉnh mây, độ cao mây, phân loại sơ bộ mây theo các cấp độ
cao, xác định được lượng ẩm trong khí quyển, hàm lượng nước trong mây,
vùng mây gây mưa, giông,…). Những thông tin này giúp các nhà khoa học
thời tiết xác định và dự báo được quá trình hình thành, phát triển các hiện
tượng thời tiết cũng như định lượng các thông số về các yếu tố mây, độ ẩm
khí quyển, lượng nước chứa trong mây, lượng mưa trên trái đất để từ đó làm
cơ sở cho việc nghiên cứu thực hiện các dự án về quá trình tạo mây,
mưa…Mặt khác, dữ liệu vệ tinh đã được ứng dụng rất hiệu quả trong mô hình
dự báo thời tiết số trị thông qua việc đồng hóa số liệu để nâng cao chất lượng
dự báo.
9

Bảng 1.1 trình bày các quan trắc cơ bản từ vệ tinh có khả năng cung
cấp dữ liệu cho mô hình dự báo quy mô vừa, ngoài ra chúng ta còn có thể
đồng hoá dữ liệu bức xạ trực tiếp từ vệ tinh.
Bảng 1.1: Các thông tin vệ tinh được sử dụng trong đồng hoá số liệu
Thành phần
Nhiệt độ khí quyển
Khí quyển
Khí quyển

Khí quyển

Khí quyển

Khí quyển

Độ ẩm khí quyển
Giáng thuỷ
Các đặc tính của mây
(Tổng lượng mây, độ
cao đỉnh mây, các đặc
tính quang học)
Thông lượng bức xạ
(bề mặt, đỉnh khí quyển)
Đặc tính hoá học tầng
đối lưu và bình lưu
(ôZôn, ClO, BrO, OH)
Đặc tính của Xon khí
(Đối lưu, bình lưu)

Véc tơ dịch chuyển khí
quyển (AMV): cloud
motion vector (CMV);
water vapor winds
(WVW)
Trường gió bề mặt
Nhiệt độ mặt nước biển

Đại dương
Đại dương

Địa hình bề mặt biển
(height, waves, sea
level)
Diệp lục và các vật chất
lơ lửng trong biển
Băng biển

Thiết bị đo
AVHRR, HIRS, AIRS/AMSU-A, MLS,
HIRDLS, TES, MODIS
AIRS/AMSU-A/HSB, MLS, HIRDLS,
MODIS, TES
AMSR-E, TRMM
MODIS, GLAS, AMSR-E, MISR,
AIRS, ASTER, SSM/I

MODIS, AMSR-E, GLAS, MISR,
AIRS, ASTER,
TES, MLS, HIRDLS, OMI

HIRDLS, MODIS, MISR, OMI, GLAS
các vệ tinh địa tĩnh

Sactterometer (ERS, QSCAT), AMSRE, DORIS, SSM/I
MODIS, AIRS, AMSR-E, SSM/I
Altimeter, DORIS

MODIS, MERIS
AMER-E

Đại dương

10


Đất
Đất
Đất

Đất bao phủ và đất sử
dụng
Độ ẩm đất

MODIS, MISR, ASTER

Tuyết

MODIS, ASTER,AMSR-E

Nhiệt độ bề mặt
Băng đất liền

MODIS, AIRS, ASTER
GLAS, ASTER

AMSR-E

Dưới đây là một số phương pháp ước lượng các trường khí tượng từ dữ
liệu vệ tinh nhằm phục vụ bài toán đồng hoá số liệu.
1.2.1 Phương pháp tính hàm lượng ẩm trong mây (LWC) sử dụng dữ liệu
của vệ tinh CloudSat (NASA)
CloudSat là vệ tinh quỹ đạo cực được thiết kế nhằm khảo sát các đặc
tính quang học của mây trên toàn cầu của NASA. CloudSat mang theo đầu
thu ở tần số 94Ghz. Sản phẩm hàm lượng ẩm trong mây (LWC) tính được từ
dữ liệu của CloudSat hiện nay có độ chính xác cao và được sử dụng nhiều
trong việc hiệu chỉnh LWC từ các dữ liệu khác. Sau đây là phương pháp tính
LWC từ dữ liệu CloudSat.
Giả sử các hạt mây có phân bố kích thước dạng chuẩn:

(1.1)
trong đó NT là mật độ hạt, r là kích thước hạt và các tham số còn lại
tính theo biểu thức:

(1.2)
trong đó rg là bán kính trung bình, ⌠g là độ lệch trung bình.
Lượng nước trong mây LWC ký hiệu là l tính theo công thức:

11

(1.3)
với re là bán kính hạt hiệu dụng và 〉w là mật độ của nước.
Độ phản xạ radar Z và hệ số suy yếu thị phổ ⌠ext:

(1.4)

(1.5)
Sử dụng các công thức trên ta có:

(1.6)
Một số giá trị điển hình LWC với re và NT được trình bày trong bảng 2.
Bảng 1.2: Một số giá trị tương ứng giữa LWC và các tham số khác
Môi

Kiểu mây

trường

Kích thước

re

NT

LWC

hạt mây

(µm)

(hạt/m )

(g/m )

3

3

(µm)
Lục địa

Stratus

4.7

7.3

250

0.28

Lục địa

cumulus (sạch)

4.8

5.8

400

0.26

cumulus (bị ô nhiễm)

3.5

4.0

1300

0.3

cumulonimbus (đang

6-8

7-10

~500

1-3

7-8

9-10

~300

1.0-1.5

Lục địa

phát triển)
cumulonimbus (đang

12


suy yếu)
Biển

Stratus

6.7

11.3

80

0.30

Biển

(strato)cumulus

10.4

12.7

65

0.44

Khác

cirrus (T < -25 C)

0

-

92

0.11

0.03

Khác

cirrus (T < -50 C)

0

-

57

0.02

0.002

1.2.2 Tính lượng hơi nước trong khí quyển bằng công nghệ split - window
Công nghệ split-window (Saunders, 1967; Anding và Kauth, 1970;
McMillin và Crosby, 1984) được sử dụng để tính lượng hơi nước trong khí
quyển từ 2 kênh phổ của một “cửa sổ khí quyển”.
Giả thiết hàm Plack là hàm tuyến tính địa phương trong cửa sổ hồng
ngoại, phương trình truyền bức xạ ứng với hai kênh phổ được cho như sau:

TB1 − TA = (TS + TA ) 1

(1.7)

TB 2 − TA = (TS + TA ) 2

(1.8)

1
2

T − TA
= B1
TB1 − TA

(1.9)

trong đó: Ts là nhiệt độ bức xạ bề mặt; TA nhiệt độ bức xạ trung bình
khí quyển; τ1,τ2 là độ truyền bức xạ từ bề mặt đến vệ tinh của hai kênh phổ;
TB1, TB2 là nhiệt độ bức xạ đo được từ vệ tinh tương ứng với 2 kênh phổ.

Mặt khác, sự khác biệt của độ truyền bức xạ là do sự khác biệt của hệ
số hấp thụ của hơi nước với 2 kênh phổ. Ta có:
1

U
= exp− ( 2 −  1 )
2 
cos 

(1.10)

Lượng hơi nước trong khí quyển được tính:
U=

cos

T − TA
ln( B1
)
 2 − 1
TB 2 − T A

(1.11)

13


trong đó: β1, β2 là hệ số hấp thụ khối của hơi nước đối với 2 bước sóng
ứng 2 kênh phổ; θ là góc thiên đỉnh.
1.2.3 Ước lượng nhiệt độ từ số liệu ảnh hồng ngoại của vệ tinh GOES

Đo đạc nhiệt độ bằng viễn thám dựa trên nguyên tắc là một đối tượng
bất kì phát bức xạ điện từ tương ứng với nhiệt độ bước sóng và khả năng phát
xạ của nó. Đối tượng nhận biết ở đây là mây, bề mặt đất, mặt nước biển.
Nhiệt độ nhận biết được bằng cảm biến kế nhiệt gọi là nhiệt độ chói. Sau khi
xác định được nhiệt độ chói bằng cách nghịch đảo hàm Planck :
c  
T = c2 ln( 1 + 1)
B


−1

3

(1.12)

Ta coi độ chói mà vệ tinh ghi được đúng bằng độ chói thực tế của bề
mặt đối tượng quan trắc ta sẽ xác định được nhiệt độ thực.
Bảng 1.3: Các hệ số tỷ xích thiết bị ghi hình vệ tinh GOES
Kênh

M

B

2

257.3889

68.2167

3

38.8383

29.1287

4

5.2285

15.6854

5

5.0273

15.3332

Ước lượng nhiệt độ từ số liệu ảnh hồng ngoại vệ tinh địa tĩnh qua số
hiệu định dạng GVAR (format truyền số liệu của GOESI-M), `của vệ tinh
GOES-8 và GOES-9 hai vệ tinh này có độ phân giải số liệu ảnh hay còn gọi là
mức lượng tử là 10 bits tương đương là 1024 tông màu và số liệu thám sát
thẳng đứng là 16 bits. Từ số liệu ghi trên ảnh số sẽ chuyển đổi được về độ
chói bức xạ bằng phương trình:
R = (XG - B)/ M

(1.13)

Trong đó R là độ chói bức xạ đo bằng mW/(m2-sr-cm-1), XG là trị số

đo GVAR, các hệ số B và M là tỷ xích nghiêng và phẳng tương ứng được cho

14


trước như trong bảng 1.3. Chúng chỉ phụ thuộc vào kênh và loạt (series) vệ
tinh cụ thể, mà không phụ thuộc vào bộ dò sóng (detector).
Sau khi tính được độ chói bức xạ ta sẽ tính được nhiệt độ chói (nhiệt độ
hữu hiệu) bằng cách nghịch đảo hàm Planck ta được:
c 2
ln (1 + c 1) 3
(1.14)
R
trong đó, Teff là nhiệt độ hữu hiệu tính bằng K, c1 và c2 là các hằng số
T e ff =

bức xạ, c1 = 1,191066x10-5 mW/(m2-sr-cm-4), c2 = 1,438833 K/cm-1, v là
số sóng trung tâm kênh vệ tinh. Đối với một kênh cho trước, v chỉ biến động
nhẹ trong bộ dò sóng, nó sẽ thay đổi khi thiết bị thay đổi và cũng được cho
trước dưới dạng bảng.
Bảng 1.4: Các hằng số cho thiết bị ghi hình vệ tinh GOES-9
Kênh

Bộ dò sóng

ν (1/cm )

α (K)

β

2

1

2555.18

-0.579908

1.000942

2

2

2555.18

-0.579908

1.000942

3

1

1481.82

-0.493016

1.001076

4

1

934.59

-0.384798

1.001293

4

2

934.28

-0.363703

1.001272

5

1

834.02

-0.302995

1.000941

5

1

834.09

-0.306838

1.000948

Từ nhiệt độ hữu hiệu về nhiệt độ thực tế ta sử dung công thức:
T = αTeff + β

(1.15)

Các hằng số α và β và cả ν phụ thuộc vào kênh, bộ dò sóng và thiết bị
bức xạ kế, được cho trước ở bảng 1.4.
1.2.4 Phương pháp tính profile độ ẩm bằng hồi quy [41]
Phương pháp hồi quy thường được sử dụng để tính profile nhiệt độ và
độ ẩm từ nhiều kênh phổ của một sensor vệ tinh quan trắc khí quyển. Có hai
phương pháp tính hồi quy profile nhiệt độ và độ ẩm:
15


+ Phương pháp Chahine (1970): Giả sử sensor có m kênh phổ, chúng ta
sẽ tính hồi quy nhiệt độ và độ ẩm ở m mực tương ứng với các đỉnh của hàm
trọng số tại m kênh phổ.
B j (T

) = B j (T

( n+1)
j

( n)
j

~
 Lj 
) ( n) 
 L j 

(1.16)

+ Phương pháp Smith (1970): Profile nhiệt độ và độ ẩm ở mỗi mực
được tính hồi quy dựa trên tất cả các kênh phổ.

[

~
B j (T jk( n+1) ) = B j (Tk( n ) ) + L j − Lnj

]

(1.17)

Nhiệt độ được tính theo phương pháp Smith
J

∑WT
jk

Tk( n+1) =

(
jkn+1)

j =1

(1.18)

J

∑W
j =1

jk

Giả thiết profile nhiệt độ và hàm Plack Bλ(T)đã biết, Smith đã đưa
phương trình hồi quy tỷ số xáo trộn hơi nước tại mực thứ j như sau:
q

=q

( n+1) ( n )
jk
k

~


L j − L(jn ) 
1 +

℘
j( n )



(1.19)

trong đó: ℘ j( n) là hệ số điều chỉnh sự thay đổi tỷ số xáo trộn hơi nước;
~

q (jn) là tỷ số xáo trộn hơi nước tại mực j ở bước lặp thứ n; LJ là độ chói bức xạ

quan trắc và L(jn ) là độ chói bức xạ tính toán tại bước thứ n
Các bước tính hồi quy:
Bước 1: Chọn profile ẩm ban đầu (first-guess) q(k): số liệu khí hậu,…
Bước 2: Tính hàm trọng số
Bước 3: Ước lượng độ chói bức xạ (radiance) Lj ứng với mỗi kênh phổ
Bước 4: Nếu Lj gần bằng độ chói bức xạ quan trắc LJ với sai số cho

~

phép thì profile hiện tại sẽ được chấp nhận. Nếu không thì profile hiện tại sẽ
được điều chỉnh. Bước lặp này được thực hiện cho đến khi Lj xấp xỉ bằng LJ .

~

16


1.2.5 Xác định véc tơ dịch chuyển mây (CMV) từ dữ liệu vệ tinh địa tĩnh
Dựa vào 3 ảnh liên tục (30 phút) của kênh hồng ngoại, thị phổ hay hơi
nước của vệ tinh địa tĩnh để xác định sự chuyển động của phần tử mây, từ đó
xác định véc tơ dịch chuyển gió. Véc tơ gió được chia thành các mực: mực
trên cao ( 150-300 mb), mực giữa (500-300 mb), và mực thấp ( 900-700 mb).
Các bước tính véc tơ dịch chuyển mây CMV như sau:
Bước 1: Chọn 3 ảnh liên tiếp;
Bước 2: Tìm mẫu mây thích hợp trên ảnh mục tiêu;
Bước 3: Theo dõi mẫu mây đó trên 2 ảnh còn lại;
Bước 4: Tính véc tơ dịch chuyển của mây;
Bước 5: Ước lượng độ cao của mẫu mây;
Bước 6: Thẩm định chất lượng của véc tơ dịch chuyển.
1.2.6 Xác định tốc độ, hướng gió mặt biển từ vệ tinh Quickscat
Quickscat ước lượng tốc độ và hướng gió tại 10m trên mặt nước đại
dương bằng cách thu nhận tán xạ phản hồi (backscatter). Khi các dao động
xuất hiện trên bề mặt biển độ lớn của tán xạ phản hồi sẽ thay đổi. Mặt biển
gợn sóng sẽ cho tán xạ phản hồi mạnh hơn vì năng lượng tán xạ phản hồi sẽ
lớn và mặt biển yên tĩnh sẽ cho tán xạ phản hồi yếu vì chúng mang ít năng
lượng. Vệ tinh Quickscat luôn sử dụng một ăng - ten để thu nhận tán xạ phản
hồi. Quickscat truyền dao động sóng điện từ có tần số 13.4 GHz xuống bề mặt
biển với một tỉ lệ là 1 dao động tương ứng 5.4 m/s. Các dao động điện từ này
phân cực dọc và ngang. Vệ tinh này dùng cùng một ăng-ten cho cả hai dao
động dọc và ngang. Ăng - ten quay vòng với vận tốc 18 vòng/phút. Các
nguồn cung cấp dữ liệu trên ăng - ten được thiết lập để dọc cánh sóng với góc
cao 45 độ và ngang theo cánh sóng với góc cao 39 độ. Khi ăng - ten quay các
dao động điện từ tạo thành một vòng tròn. Các vùng bên ngoài bao ngồm một
vòng tròn đường kính 1800km, trong khi bên trong là vòng tròn đường kính

1400km.
17


1.3 Những nghiên cứu trên thế giới và ở Việt Nam về đồng hoá số liệu vệ
tinh trong mô hình số trị
Trong những năm 40 và 50 của thế kỷ XX, cùng với sự xuất hiện của
máy tính điện tử, các phương pháp đồng hoá số liệu đầu tiên ra đời, ban đầu
tên gọi là phân tích khách quan. Phân tích khách quan đầu tiên được đề xuất
bởi Panofsky (1949) [30], trong đó trường khí tượng được xấp xỉ bởi một hệ
hàm đa thức. Bergthorsson và Doos (1955) [12] mô tả một phương pháp mới
sau này được Cressman (1959) [16], Barnes (1964) [10] phát triển thành
phương pháp hiệu chỉnh liên tiếp. Khác với phương pháp xấp xỉ hàm trước
đó, phương pháp hiệu chỉnh liên tiếp nội suy từ các điểm trạm về lưới với
hàm trọng số kinh nghiệm cho trước (giảm dần theo khoảng cách). Do tính
đơn giản, hiệu chỉnh liên tiếp thường được sử dụng trong phân tích các trường
khí tượng hai chiều. Tuy nhiên, phương pháp này nhanh chóng bị vượt qua
sau khi có sự xuất hiện của phương pháp nội suy tối ưu (Gandin, 1963) [17].
Giống như phương pháp hiệu chỉnh liên tiếp, phương pháp nội suy tối ưu nội
suy các điểm trạm về điểm lưới nhưng trọng số được xác định từ các đặc
trưng thống kê của trường nền và trường thám sát. Đặc điểm nổi bật khiến
phương pháp nội suy tối ưu thống trị trong phân tích khách quan và đặt nền
móng cho phương pháp đồng hoá số liệu hiện đại ra đời là khả năng đưa quan
hệ vật lý vào trong quá trình phân tích (Lorenc, 1981) [21].
Phương pháp biến phân xử lý bài toán phân tích được phát triển đầu
tiên ở Nhật Bản (Sasaki, 1958) [38] nhưng chỉ được các nhà khí tượng chú ý
đến với bài báo của Sasaki vào năm 1970. Thompson (1969) [32] cũng đã mô
tả bài toán biến phân bao hàm cả yếu tố thời gian sau này được biết đến dưới
tên gọi biến phân bốn chiều (4DVAR). Lorenc (1986) [22] đề xuất bài toán
phân tích tổng quát chứng minh sự tương đương giữa phương pháp nội suy tối

ưu và biến phân ba chiều (3DVAR). Phương pháp 3DVAR nhằm xác định
trường phân tích thông qua việc cực tiểu hoá một phiếm hàm được định nghĩa
bằng độ lệch giữa trường phân tích với trường thám sát và trường nền trên
18


toàn miền tích phân. Trong trường hợp rời rạc hoá, phiếm hàm sẽ có dạng
toàn phương với trọng số phụ thuộc vào hàm thống kê của trường nền và
trường phân tích (hàm giá). Như vậy, 3DVAR cực tiểu hàm giá để có được
trường phân tích tối ưu mà không dùng công thức hiển xác định trường phân
tích như nội suy tối ưu. Andersson (1991) [9] thu hút nhiều sự quan tâm của
các nhà khoa học vào 3DVAR khi sử dụng phương pháp này để đồng hoá trực
tiếp số liệu bức xạ từ vệ tinh cực NOAA. Đến thập niên 90 của thế kỷ XX,
hầu như toàn bộ các trung tâm dự báo lớn trên thế giới đã chuyển từ phương
pháp nội suy tối ưu sang phương pháp 3DVAR (Parish và Deber, 1992) [31].
Tương tự như bài toán 3DVAR, nhưng 4DVAR có thêm chiều thời
gian và trường phân tích phải thoả mãn hệ phương trình động lực mô hình.
Do vậy, trường phân tích nhận được từ 4DVAR không những tối ưu theo
nghĩa thống kê mà còn phù hợp với động lực của mô hình. Tuy vậy, 4DVAR
đòi hỏi một khối lượng tính toán rất lớn, vượt quá tính toán dự báo của mô
hình nhiều lần. Hiện tại, 4DVAR mới chỉ được thực hiện tại một số trung tâm
tính toán lớn trên thế giới như Nhật Bản, Pháp và Mỹ.
Cùng với sự phát triển của công nghệ viễn thám, hàng loạt những
nghiên cứu về đồng hoá số liệu cũng đã được thực hiện. Routray (2008) [37]
đã đồng hoá các số liệu quan trắc bề mặt, ship, bouy, cao không và vệ tinh địa
tĩnh Kapanal-1 để dự báo mưa lớn ở Ấn độ bằng việc sử dụng hệ thống đồng
hoá số liệu 3DVAR cho mô hình WRF. Kết quả tính toán cho thấy, việc đồng
hoá số liệu đã cải thiện đáng kể chất lượng mô phỏng mưa lớn trong mùa mưa
ở Ấn độ. Xavier (2006) [45] đồng hoá profile nhiệt độ và độ ẩm từ vệ tinh
MODIS cùng với số liệu thám không vô tuyến để cải thiện trường đầu ban

đầu của mô hình MM5. Nghiên cứu đã chỉ ra rằng việc sử dụng dữ liệu vệ
tinh MODIS đã cải thiện đáng kể diễn biến mưa lớn kết hợp với áp thấp nhiệt
đới. Rakesh (2009) [35] đã sử dụng sơ đồ 3DVAR để đồng hoá dữ liệu tốc độ
gió và hướng gió gần bề mặt biển từ vệ tinh QSCAT (Quick Scatterometer),
tốc độ gió và TPW từ vệ tinh SSM/I (spectral sensor microwave imager) cho
19


cả hai mô hình MM5 và WRF để dự báo thời tiết hạn ngắn ở Ấn Độ. Kết quả
nghiên cứu cho thấy dự báo trường gió từ hai mô hình MM5 và WRF được
cải thiện đáng kể trong trường hợp đồng hoá dữ liệu gió từ QSCAT và SSM/I,
trong khi trường nhiệt độ và độ ẩm cho hiệu quả kém hơn. Trường dự báo
mưa tốt nhất trong trường hợp đồng hoá dữ liệu TPW. Ngoài ra, nghiên cứu
cũng chỉ ra rằng sai số dự báo các trường gió, nhiệt độ và độ ẩm ở các mực
khác nhau bằng mô hình WRF nhỏ hơn khi dự báo bằng mô hình MM5.
Ở nước ta, một số nghiên cứu về mô hình đồng hoá số liệu nhằm cải
thiện trường ban đầu cũng đã và đang được thực hiện. Kiều Thị Xin và Lê
Đức (2003) [7] đã nghiên cứu áp dụng mô hình đồng hoá số liệu 3DVAR cho
mô hình HRM. Kết quả tính toán dự báo thời tiết bằng cách sử dụng các số
liệu tại các trạm cao không và SYNOP cho thấy lượng mưa dự báo gần với
thực tế hơn so với trường hợp không sử dụng đồng hoá số liệu. Kiều Thị Xin
(2005) [8] cũng đã sử dụng phương pháp biến phân hai chiều để phân tích độ
ẩm đất từ nhiệt độ quan trắc hai mét cho mô hình HRM. Kết quả cho thấy tác
động nhỏ của độ ẩm đất đến dự báo các trường khí tượng trên cao trên khu
vực Việt Nam. Trong khuôn khổ đề tài nghiên cứu khoa học cấp Bộ “Nghiên
cứu thử nghiệm dự báo mưa lớn ở Việt Nam bằng mô hình MM5” của Hoàng
Đức Cường (2008) [1] cũng đã nghiên cứu hiệu chỉnh trường ban đầu bằng
các số liệu SYNOP và vô tuyến thám không để nâng cao chất lượng dự báo
thời tiết bằng mô hình MM5. Nghiên cứu cho thấy việc sử dụng số liệu
SYNOP và thám không vô tuyến để điều chỉnh trường ban đầu của mô hình

MM5 bước đầu cho kết quả khả quan. Lê Đức và đồng sự (2007) [4] đã xây
dựng trường ẩm cho mô hình HRM từ số liệu vệ tinh địa tĩnh MTSAT dựa
trên phương pháp 3DVAR. Hoàng Đức Cường và cộng sự (2008) [2] đã hiệu
chỉnh trường ban đầu của mô hình MM5 bằng dữ liệu vệ tinh MTSAT để mô
phỏng cơn bão Damrey.

20


CHƯƠNG 2: ĐỒNG HÓA SỐ LIỆU VỆ TINH TRONG MÔ
HÌNH WRF
2.1 Mô hình WRF
2.1.1 Tổng quan về mô hình WRF
Mô hình Nghiên cứu và Dự báo WRF (Weather Research and Forecast)
là mô hình đang được phát triển từ những đặc tính ưu việt nhất của mô hình
MM5 với sự cộng tác của nhiều cơ quan tổ chức lớn trên thế giới, chủ yếu là:
Phòng nghiên cứu Khí tượng qui mô nhỏ và qui mô vừa của trung tâm quốc
gia nghiên cứu Khí quyển Hoa Kỳ (NCAR/MMM), trung tâm quốc gia dự báo
môi trường (NOAA/NCEP), phòng thí nghiệm phương pháp dự báo (NOAA
/FSL), trung tâm phân tích và dự báo bão của trường đại học Oklahoma (CAPS),
cơ quan thời tiết hàng không Hoa kỳ (AFWA) và các trung tâm khí tượng quốc
tế như Học viện khoa học khí tượng của Trung Quốc CAMS, Cơ quan thời tiết
trung ương của Đài Loan, Cơ quan khí tượng Hàn Quốc KMA.
Hiện nay, mô hình WRF đang được sử dụng rộng rãi trong dự báo thời
tiết nghiệp vụ cũng như trong nghiên cứu ở nhiều quốc gia trên thế giới, cụ thể:
tại Mỹ, mô hình WRF đang được chạy nghiệp vụ tại NCEP (từ năm 2004) và
AFWA (từ tháng 7/2006). Mô hình này cũng đang được chạy nghiệp vụ tại
KMA (2006), tại Ấn Độ, Đài Loan và Israel (từ năm 2007). Ngoài ra một số
nước khác đang sử dụng WRF trong nghiên cứu và dự định sử dụng mô hình
này trong nghiệp vụ như Trung Quốc, New Zealand, Braxin,...

Phiên bản 3.2 của mô hình WRF ra đời tháng 4 năm 2008, bao gồm các
chức năng chính sau: hệ phương trình động lực học bất thuỷ tĩnh nén được đầy
đủ; các sơ đồ vật lý được tích hợp cho những ứng dụng ở quy mô từ mét đến
hàng nghìn km và có mã nguồn mở để người sử dụng, cũng như các nhà nghiên
cứu có thể đưa thêm các sơ đồ vật lý vào mô hình; điều kiện biên di động; hệ
thống đồng hoá số liệu 3DVAR; kỹ thuật lồng ghép miền tính di động.
2.1.2 Cấu trúc của mô hình WRF
Sơ đồ mô tả cấu trúc các thành phần của mô hình WRF
21


Hình 2.1. Cấu trúc tổng quan của mô hình WRF
Các thành phần chính của mô hình WRF gồm có:
· Hệ thống tiền xử lý của mô hình WRF (The WRF Pre-processing
System ,WPS)
· Môđun đồng hóa số liệu (WRFDA)
· Môđun mô phỏng ARW (ARW solver)
· Chương trình đồ họa và xử lý sản phẩm của mô hình (Post-processing
& Visualization tools)
WPS: đây là chương trình được sử dụng chủ yếu để mô phỏng các dữ
liệu thực (real –data), bao gồm: xác định miền mô phỏng; nội suy các dữ liệu
địa hình, sử dụng đất (landuse), các loại đất về miền mô phỏng; đọc và nội
suy các trường khí tượng từ các mô hình khác (mô hình toàn cầu, mô hình
khu vực có độ phân giải thấp) về miền mô phỏng.
WRFDA: là chương trình đồng hóa số liệu quan trắc vào trường phân
tích được tạo ra bởi chương trình WPS. Chương trình này cũng cho phép cập
nhật điều kiện ban đầu trong trường hợp mô hình WRF được chạy ở chế độ

22

tuần hoàn. Kỹ thuật đồng hóa số liệu biến phân bao gồm cả biến phân ba
chiều 3DVAR và biến phân 4 chiều 4DVAR
ARW solver: Đây là mođun chính của hệ thống mô hình WRF, bao
gồm các chương trình khởi tạo đối trường hợp mô phỏng lý tưởng, các mô
phỏng dữ liệu thực và chương trình tích phân. Các chức năng chính của mô
hình WRF là:
- Các phương trình không thủy tĩnh nén được đầy đủ
- Ứng dụng đối với cả miền tính toàn cầu và khu vực
- Hệ toạ độ ngang là lưới so le Arakawa C, hệ toạ độ thẳng đứng là hệ
toạ độ khối theo địa hình.
- Bước thời gian sai phân Runge-Kutta bậc 3 được sử dụng đối với các
số sóng âm thanh và sóng trọng trường, sai phân bậc 2 đến bậc 6 được sử
dụng cho cả phương ngang và phương thẳng đứng.
- Lồng ghép miền tính một chiều và 2 chiều và lựa chọn miền tính lồng
ghép di dộng (moving nest).
- WRF được thiết kế cho phép ghép nối với các mô hình khác như mô
hình đại dương, mô hình đất.
- Các lựa chọn tham số hóa vật lý đầy đủ cho bề mặt đất, lớp biên hành
tinh, bức xạ bề mặt và khí quyển, quá trình vi vật lý và quá trình đối lưu.
- Mô hình lớp xáo trộn đại dương một cột
Post-processing & Visualization tools: bao gồm một số chương trình
và phần mềm cho việc khai thác sản phẩm và đồ họa như RIP4, NCL,
GrADS và Vis5D,…
2.1.3 Các quá trình vật lý trong mô hình
Các sơ đồ tham số hoá vật lý trong mô hình WRF rất phong phú, tạo
điều kiện thuận lợi cho các đối tượng sử dụng khác nhau. Các quá trình vật lý
được tham số hóa trong mô hình WRF bao gồm: Các quá trình vật lý vi mô,
tham số hoá đối lưu mây tích, lớp biên hành tinh, mô hình bề mặt, các quá
trình đất - bề mặt (mô hình đất), bức xạ, khuếch tán.

23


a. Vật lí vi mô
Vi vật lí bao gồm các quá trình xử lí hơi nước, mây và quá trình giáng
thủy. Các sơ đồ vi vật lí dùng để tính toán xu thế của nhiệt độ, độ ẩm khí
quyển và mưa bề mặt. Tuy nhiên mỗi sơ đồ có độ phức tạp và các biến ẩm
riêng khác nhau. Các sơ đồ vi vật lí có trong mô hình trên bảng 2.1.
Bảng 2.1: Tùy chọn vật lí vi mô trong WRF
Loại sơ đồ

Số lượng biến

Pha băng

Pha hỗn hợp

Kessler

3

Không

Không

Purdue Lin

6

Có

Có

WSM 3

3

Có

Không

WSM 5

5

Có

Không

WSM 6

6

Có

Có

EtaGCP

2

Có

Có

Thompson

7

Có

Có

Lựa chọn mặc định của mô hình WRF trong mảng vật lí vi mô là sơ đồ
mây, giáng thủy theo lưới Eta (EtaGCP). Sơ đồ này dự báo những thay đổi
của hơi nước ngưng tụ trong các dạng mây chứa nước, mây gây mưa, mây
chứa băng, giáng thủy băng (tuyết, băng hòn, mưa đá).
b. Đối lưu mây tích
Trong mô hình số trị nói chung, tham số hóa đối lưu mây tích có tầm
quan trọng đặc biệt đối với mô phỏng có độ phân giải trên 10km, mô hình
không mô phỏng được các ổ đối lưu riêng biệt và các quá trình vận chuyển
nhiệt ẩm. Mây đối lưu Cb, Cu sâu có xu hướng làm nóng và khô không khí
môi trường do chúng làm tiêu hao ẩm môi trường còn mây tầng Ci,Cs nông
lại có xu hướng làm cho môi trường lạnh và ẩm nhờ sự bốc hơi của hơi nước
và nước cuốn ra từ mây (do không khí môi trường khô hơn). Chính vì vậy,

24


việc xem xét phổ mây tích với các kích cỡ khác nhau là rất quan trọng trong

nghiên cứu mối tương tác giữa mây tích và môi trường quy mô lớn. Mây tích
có quy mô nhỏ hơn nhiều so với độ phân giải thông thường của lưới mô hình,
nên ảnh hưởng của nó đối với hoàn lưu quy mô lớn không thể tính trực tiếp
mà chỉ có thể tính gián tiếp từ cân bằng nhiệt và ẩm của hệ thống hoàn lưu
quy mô lớn.
Mục đích của chính của vấn đề tham số hóa đối lưu là:
- Dự báo lượng mưa sinh ra do đối lưu;
- Tính toán tác động của đối lưu đến các qua trình nhiệt động lực học
mô hình như tính ổn định thẳng đứng, phân bố lại trường nhiệt, ẩm hình thành
mây, các ảnh hưởng đến đốt nóng bề mặt, bức xạ khí quyển,....
Bảng 2.2: Một số tùy chọn tham số hóa đối lưu mây tích trong mô hình WRF
Sơ đồ

Mây giáng

Loại kết hợp

Kain – Fritsch

Có

Thông lượng khối

Betts-Miller-

Không

Bình lưu

Có

Thông lượng khối

Janjic
Grell-Devenyi

Có nhiều phương pháp khác nhau đã được sử dụng để liên kết mây với
các trường giải được như nhiệt độ, độ ẩm và gió, nhưng vẫn chưa một phương
pháp nào là hoàn thiện nhất, mỗi sơ đồ đưa ra đều có những ưu, nhược điểm
riêng.
Tham số hóa đối lưu mây tích về mặt lí thuyết chỉ đúng cho những lưới
thô, đối với lưới tĩnh thì bỏ qua sự đối lưu. Trong mô hình WRF có những tùy
chọn tham số hóa đối lưu khác nhau được mô tả trong bảng 2.2.
c. Lớp bề mặt

25