Dự báo mưa hạn mùa cho khu vực việt nam bằng mô hình CCAM

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

Nguyễn Xuân Thành

DỰ BÁO MƢA HẠN MÙA CHO KHU VỰC VIỆT NAM
BẰNG MÔ HÌNH CCAM
Chuyên ngành: Khí tượng và Khí hậu học
Mã số: 6044 0222
LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – 2017


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

Nguyễn Xuân Thành

DỰ BÁO MƢA HẠN MÙA CHO KHU VỰC VIỆT NAM
BẰNG MÔ HÌNH CCAM
Chuyên ngành: Khí tượng và Khí hậu học
Mã số: 6044 0222
LUẬN VĂN THẠC SĨ KHOA HỌC
Ngƣời hƣớng dẫn khoa học:
GS. TS. Phan Văn Tân

Hà Nội – 2017

LỜI CẢM ƠN
Để hoàn thành được luận văn này, tôi xin gửi lời cảm ơn sâu sắc đến các Thầy Cô
trong khoa Khí tượng Thuỷ văn và Hải Dương học, trường Đại học Khoa học Tự nhiên – Đại
học Quốc Gia Hà Nội, đã trang bị cho tôi những kiến thức chuyên môn, kinh nghiệm quý báu,
cũng như tạo điều kiện giúp đỡ tôi trong suốt thời gian học tập tại trường, cũng như đã giúp đỡ
tôi rất nhiều trong quá trình thực hiện Luận văn này.
Đặc biệt, tôi xin trân trọng cảm ơn GS.TS. Phan Văn Tân, là người đã tận tình chỉ bảo,
định hướng khoa học và tạo điều kiện tốt nhất cho tôi trong suốt thời gian học tập là làm việc
tại Bộ môn.
Tôi cũng xin chân thành cảm ơn các thầy cô, các anh chị và các bạn đồng nghiệp trong
khoa Khí tượng Thuỷ văn và Hải dương học nói chung, và trong nhóm nghiên cứu
REMOCLIC nói riêng đã luôn luôn giúp đỡ, hỗ trợ tôi trong suốt quá trình học tập chuyên
môn cũng như cung cấp và hướng dẫn các kỹ năng nghiệp vụ cần thiết để hoàn thành được
luận văn này.
Sau cùng tôi xin gửi lời cảm ơn đến gia đình và bạn bè, những người luôn ủng hộ, cổ
vũ, tin tưởng và động viên tôi trong suốt thời gian qua.
Học viên
Nguyễn Xuân Thành


MỤC LỤC

MỤC LỤC ....................................................................................................................... 1
DANH MỤC HÌNH ........................................................................................................ 2
DANH MỤC KÝ HIỆU VIẾT TẮT ............................................................................. 5
MỞ ĐẦU ......................................................................................................................... 6
Chƣơng 1 Tổng quan ..................................................................................................... 7
1.1. Giới thiệu chung và ý nghĩa thực tiễn của dự báo khí hậu hạn mùa.............. 7
1.2. Tổng quan về dự báo khí hậu hạn mùa ........................................................... 10

1.3. Các phƣơng pháp dự báo hạn mùa ................................................................. 15
1.3.1. Hướng tiếp cận sử dụng phương pháp thống kê thực nghiệm ...................... 15
1.3.2. Hướng tiếp cận sử dụng phương pháp động lực........................................... 17
1.3.3. Hướng tiếp cận sử dụng phương pháp tổ hợp đa mô hình ........................... 19
1.4. Hiện trạng về dự báo mùa trong nƣớc. ........................................................... 20
Chƣơng 2 Phƣơng pháp nghiên cứu và số liệu .......................................................... 23
2.1. Tổng quan về mô hình CCAM. ........................................................................ 23
2.1.1. Một số đặc điểm nổi bật của mô hình CCAM .............................................. 23
2.1.2. Sơ lược về kỹ thuật vận hành mô hình CCAM ............................................ 28
2.2. Thiết kế thí nghiệm............................................................................................ 31
2.2.1. Các nguồn số liệu được sử dụng ................................................................... 31
2.2.2. Thiết kế thí nghiệm ....................................................................................... 33
2.2.3. Phương pháp đánh giá .................................................................................. 35
Chƣơng 3 Kết quả và nhận xét ................................................................................... 40
3.1. Đánh giá khả năng mô phỏng của CCAM giai đoạn 2001 – 2010. ............... 40
3.2. Đánh giá kết quả mô phỏng toàn cầu phân giải 1 độ. .................................... 54
3.3. Đánh giá kết quả chi tiết hoá với phân giải 0.25 độ. ...................................... 58
3.4. Đánh giá kết quả chi tiết hoá phân giải 0.08 độ .............................................. 72
KẾT LUẬN VÀ KIẾN NGHỊ ..................................................................................... 73
Tài liệu tham khảo ....................................................................................................... 76

1


DANH MỤC HÌNH
Hình 1 Tương quan giữa chỉ số ENSO khu vực Nino3-4 (trung bình miền từ 5◦ N–5◦ S,
170◦ –120◦ W) và số liệu mưa lưới GPCCv5 trung bình các tháng 3-4-5, 6-7-8, 910-11, 12-1-2 tương ứng cho các hình a, b, c, d (giai đoạn 1960 – 2009) [9]. .... 12
Hình 2 Minh hoạ về lưới lập phương của CCAM .......................................................... 24
Hình 3 So sánh giữa lưới lập phương đều và lưới lập phương co dãn. [36] ................ 25
Hình 4 Minh họa mặt lập phương bảo giác khi được ghép lại (a); mặt lập phương khi

được trải ra (b); và hệ toạ độ của khối lập phương trên mặt cầu (c) ................... 26
Hình 5 Sơ đồ chuyển đổi các hệ tọa độ trong mô hình CCAM từ khâu xử lý số liệu đầu
vào đến khâu chiết xuất kết quả đầu ra ................................................................. 26
Hình 6 Phân bố 125 trạm được sử dụng trong luận văn ............................................... 32
Hình 7 Các dạng lưới lập phương đều (a), lập phương co giãn 0.25 độ (b),................ 34
Hình 8 Quy trình thực hiện dự báo hạn mùa [6] ........................................................... 35
Hình 9 Phân bố giá trị xuất hiện của các trường hợp ................................................... 37
Hình 10 Minh hoạ cấu trúc một biểu đồ hộp ................................................................. 39
Hình 11 Phân bố trường độ ẩm tương đối và hoàn lưu mực 1000mb cho các mùa
Đông, Xuân, Hạ, Thu tương ứng DJF, MAM, JJA, SON; số liệu trung bình giai
đoạn 2001 - 2010 từ mô phỏng của CCAM-CFSR (trên) và CFSR (dưới). .......... 42
Hình 12 Tương tự như hình 11 nhưng cho mực 850 mb. ............................................... 43
Hình 13 Tương tự hình 11 nhưng cho mực 500 mb ....................................................... 44
Hình 14 Tương tự hình 11 nhưng cho mực 200 mb ....................................................... 45
Hình 15 Phân bố tổng lượng mưa tháng trung bình cho các mùa đông, xuân, hạ thu
tương ứng DJF, MAM, JJA, SON; số liệu trung bình giai đoạn 2001 – 20100 từ
GPCC v6, TRMM 3B42v7, và CCAM-CFSR (a, b, c) ........................................... 47
Hình 16 Biến trình tổng lượng mưa tháng trong năm trung bình giai đoạn 2001 –
2010, trung bình miền 0 – 360, -45 – 45 trên lục địa (a), đại dương (b), và trung
bình miền 60 – 150, -10 – 40 trên lục địa (c), đại dương (d), so sánh giữa số liệu
TRMM, GPCC, và CCAM-CFSR .......................................................................... 48
Hình 17 Sai số trung bình giai đoạn 2001 – 2010 giữa các chỉ số R10mm, R20mm,
CDD, CWD (a, b, c, d) so sánh giữa kết quả từ CCAM-CFSR và TRMM............ 49
Hình 18 Sai số trung bình giai đoạn 2001 – 2010 giữa các chỉ số Rx1day, Rx5day,
SDII (a, b, c) so sánh giữa kết quả từ CCAM-CFSR và TRMM. .......................... 50
Hình 19 Biểu đồ biến động theo thời gian của sai số (a) và sai số tương đối (b) trung
bình khu vực 50 – 150, -10 – 40 giai đoạn 01/2001 – 12/2010............................. 51
Hình 20 Phân bố giá trị PC theo các vùng cho từng tháng giai đoạn 2001-2010 ........ 52

2

Hình 21 Phân bố giá trị ROC-1, ROC-2, ROC-3 (từ trên xuống) theo các vùng cho
từng tháng giai đoạn 2001-2010 ........................................................................... 54
Hình 22 So sánh trường ẩm và hoàn lưu mùa Đông (trái) và Hè (phải) mực 1000mb
giữa CCAM-CFS và CCAM-IRI với các hạn dự báo 1, 3, 6 tháng (từ trên xuống)
............................................................................................................................... 55
Hình 23 Tương tự hình 22 nhưng cho mực 850 mb ....................................................... 56
Hình 24 So sánh trường tổng lượng mưa tháng trung bình mùa Đông (trái) và hè
(phải) giữa CCAM-CFS (trái) và CCAM-IRI (phải) với các hạn dự báo 1, 3, 6
tháng (từ trên xuống) ............................................................................................. 57
Hình 25 So sánh phân bố tổng lượng mưa tháng (2 cột bên trái) và phân bố sai số
tương đối (2 cột bên phải) trung bình mùa Đông 2012 – 2013 (2 cột bên trái),
giữa CCAM-CFS và CCAM-IRI với các hạn dự báo 1, 3, 6 (từ trên xuống) ........ 59
Hình 26 Tương tự hình 25 nhưng cho mùa hè ............................................................... 60
Hình 27Biểu đồ so sánh sai số tương đối tuyệt đối giữa CCAM-CFS và CCAM-IRI với
số liệu quan trắc tại trạm. ..................................................................................... 61
Hình 28 Phân bố sai số tương đối trung bình (RME) (trên) và sai số tuyệt đối trung
bình (RMAE) (dưới) tại các tháng với các hạn dự báo khác nhau. (trường hợp
CCAM-CFS) .......................................................................................................... 65
Hình 29 Phân bố sai số tương đối RE giữa các giá trị Trung bình (Average), Trung vị
(Median), phân vị trên (Q75), phân vị dưới (Q25) với giá trị trung bình (Average)
của tổng lượng mưa tại các trạm trên từng vùng các nhau với các hạn dự báo 1,
3, 6 (từ trên xuống) ................................................................................................ 66
Hình 30 Tương tự hình 27 những cho sai số tương đối của Rx1day ............................. 67
Hình 31 Tương tự hình 27 những cho sai số tương đối của Rx5day ............................. 68
Hình 32 Tương tự hình 27 những cho sai số tương đối của SDII.................................. 69
Hình 33 Tương tự hình 27 những cho sai số R10mm .................................................... 69
Hình 34 Tương tự hình 27 nhưng cho sai số R20mm .................................................... 70
Hình 35 Tương tự hình 27 những cho sai số CDD ........................................................ 71

Hình 36 Tương tự hình 27 những cho sai số CWD........................................................ 71
Hình 37 So sánh dự báo tổng lượng mưa các tháng 7, 8, 9, 10, 11 giữa mô phỏng của
CCAM-CFS 0.08 độ tại hai thời điểm bắt đầu dự báo khác nhau và số liệu VnGP
0.1 độ. .................................................................................................................... 72

3


DANH MỤC BẢNG
Bảng 1 Một số tham khảo về lựa chọn cấu hình miền tính. ........................................... 30
Bảng 2 Một số tham khảo lựa chọn bước thời gian tích phân ....................................... 31
Bảng 3 Một số chỉ số khí hậu cực đoan về mưa ............................................................ 37
Bảng 4Phân bố giá trị RAE của 6 dự báo cho các tháng của các trạm trên từng vùng
khí hậu; Kết quả từ mô hình CCAM-CFS ............................................................. 62
Bảng 5 Phân bố giá trị RAE của 6 dự báo cho các tháng của các trạm trên từng vùng
khí hậu; Kết quả từ mô hình CCAM-IRI ............................................................... 62
Bảng 6 Phân bố giá trị RE của 6 dự báo cho các tháng của các trạm trên từng vùng
khí hậu;Kết quả từ mô hình CCAM-CFS .............................................................. 64
Bảng 7 Phân bố giá trị RE của 6 dự báo cho các tháng của các trạm trên từng vùng
khí hậu;Kết quả từ mô hình CCAM-IRI ................................................................ 64

4


DANH MỤC KÝ HIỆU VIẾT TẮT
CSIRO
AGCM
AOGCM
CCAM
CCAM-CFS

The Commonwealth Scientific and Industrial Research Organisation
Tổ chức nghiên cứu khoa học và công nghiệp Liên bang Australia
General Circulation Models of the Atmosphere
Mô hình hoàn lưu chung khí quyển
Atmosphere-Ocean General Circulation Model
Mô hình hoàn lưu chung khí quyển - đại dương
Conformal Cubic Atmospheric Model
Mô hình khí quyển bảo giác lập phương
Mô hình CCAM với số liệu đầu vào từ CFSv2

CCAM-CFSR Mô hình CCAM với số liệu đầu vào từ CFSR
CCAM-IRI

Mô hình CCAM với số liệu đầu vào từ IRI

CFS

Climate Forecast System
Hệ thống mô hình dự báo dự báo khí hậu toàn cầu
European Centre for Medium Range Weather Forecasts
Trung tâm dự báo thời tiết hạn vừa Châu Âu
El Niño Southern Oscillation
Dao động nam El Niño
El Nino/Southern Oscillation

ECMWF
ENSO
ENSO
GFS

GHG
IPCC
IRI
ITCZ
NCEP
RCM
SST
SSTA

Global Forecast System
Hệ thống dự báo toàn cầu
Green house gases
Các khí nhà kính
Intergovernmental Panel on Climate Change
Ban Liên chính phủ về Biến đổi khí hậu
The International Research Institute for Climate and Society
Viện nghiên cứu quốc tế về khí hậu và xã hội
The Inter Tropical Convergence Zone
Dải hội tụ nhiệt đới
National Centers for Environmental Prediction
Trung tâm dự báo môi trường quốc gia, Mỹ
Regional Climate Model
Mô hình khí hậu khu vực
Sea Surface Temperature
Nhiệt độ bề mặt biển
Sea Surface Temperature Anormally
Dị thường nhiệt độ bề mặt biển

5

MỞ ĐẦU
Trong những năm gần đây, cùng với sự phát triển của khoa học công nghệ, đặc
biệt là trong ngành kỹ thuật máy tính và tính toán hiệu năng cao, phương pháp dự báo
thời tiết và khí hậu sử dụng mô hình động lực đã có những bước phát triển mạnh mẽ và
ngày càng được ứng dụng rộng rãi, chất lượng của các mô phỏng ngày các được hoàn
thiện. Chính điều này đã tạo điều kiện thuận lợi cho nhiều hướng nghiên cứu được thử
nghiệm ứng dụng và phát triển, trong đó bao gồm cả các cải thiện chất lượng cho các
mô hình hiện có hoặc xây dựng các mô hình mới với các hướng tiếp cận khác nhau.
Một số mô hình đang được nghiên cứu nổi bật có thể kể đến như: WRF, RegCM,
REMO, PRECIS, RAM, ... Mô hình khí quyển lập phương bảo giác (CCAM) được
nghiên cứu xây dựng và phát triển bởi trung tâm CSIRO với khả năng mô phỏng toàn
cầu ở dạng lưới lập phương đều, và khả năng chi tiết hoá với phân giải cao cho một
khu vực chỉ định bằng lưới lập phương co giãn, đã được thử nghiệm trong một số
nghiên cứu trong nước và quốc tế. Kết quả bước đầu nhận được đã cho thấy tiềm năng
của mô hình này khi ứng dụng vào các bài toán khí tượng với các quy mô không gian
và thời gian khác nhau.
Ở một phương diện khác, các bài toán dự báo với quy mô thời gian hạn mùa đã
dần thể hiện được vai trò, và bắt đầu được ứng dụng rộng rãi. Nhiều nghiên cứu trên
thế giới đã cho thấy được hiệu quả và các lợi ích của các thông tin dự báo mùa đem lại.
Việc đưa ra được thông tin về xu hướng của nhiệt độ, lượng mưa, và một số yếu tố thời
tiết khác cho một hoặc một vài tháng tiếp theo sẽ là một nguồn tham khảo hữu ích cho
cả chính quyền và người dân trong việc xây dựng kế hoạch và chiến lược cho mùa tiếp
theo. Đặc biệt, các dự báo hạn mùa về lượng mưa có ý nghĩa quan trọng không chỉ
trong xây dựng kế hoạch canh tác, lựa chọn giống phù hợp với thời tiết mùa tiếp theo
của các ngành nông lâm nghiệp, mà còn có ý nghĩa chiến lược đến việc quản lý tài
nguyên nước, vận hành và điều tiết các hệ thống hồ chứa thuỷ điện, thuỷ lợi, cũng như
một số ngành khác như năng lượng sạch, nghư nghiệp, ... Hiểu được ý nghĩa và tầm
quan trọng của các dự báo mùa, trong luận văn này, học viên đã thực hiện một số thử
nghiệm ứng dụng sử dụng mô hình động lực nhằm mô phỏng trường mưa trên khu vực

Việt Nam với các độ phân giải khác nhau. Bố cục luận văn sẽ được cấu trúc thành 3
chương không kể phần mở đầu, các danh mục và tài liệu tham khảo như sau:
-

Chương 1: Tổng quan

-

Chương 2: Phương pháp nghiên cứu
Chương 3: Kết quả và nhận xét

6


Chƣơng 1 Tổng quan
Nội dung chương này sẽ giới thiệu khái quát về dự báo khí hậu hạn mùa bao gồm
một số khái niệm cơ bản, cơ chế hoạt động, và một số hướng tiếp cận cũng như ý nghĩa
thực tiễn của bài toán dự báo mùa. Ngoài ra, một số thông tin về khu vực nghiên cứu là
Việt Nam và một số nghiên cứu về dự báo mùa đã được thực hiện trên khu vực này
cũng sẽ được đưa ra nhằm có được cái nhìn tổng quan nhất về mục tiêu của luận văn.

1.1. Giới thiệu chung và ý nghĩa thực tiễn của dự báo khí hậu hạn mùa.
Dự báo khí hậu hạn mùa (hay dự báo mùa) là các dự báo được thực hiện nhằm đưa
ra thông tin về các biến thiên của hệ thống khí hậu với quy mô thời gian của mỗi dự
báo (hay hạn dự báo) nằm trong khoảng từ một vài tháng cho đến hơn một năm (Luo
và cs., 2011) [9]. Mặt khác, các dự báo có hạn dự báo từ vài ngày cho đến khoảng hai
tuần thường được coi là các dự báo thời tiết; trong khi các dự báo cận mùa là các dự
báo được thực hiện để đưa ra thông tin với quy mô thời gian nằm giữa dự báo thời tiết
và dự báo mùa. Đối với các dự báo có hạn dự báo từ một vài năm trở lên và các dự báo
được thực hiện với mục đích ước lượng các khả năng phát triển của khí hậu cho tương

lai vài thập kỷ tiếp theo dựa trên các kịch bản có sẵn, các dự báo này sẽ được coi là các
dự báo khí hậu hạn dài, hoặc dự tính khí hậu. Mặc dù vậy, ranh giới giữa các loại dự
báo là không rõ ràng và không mang tính bắt buộc.
Theo Shukla và Kinter (2006) [10], nhìn chung, các dự báo có quy mô thời gian từ
vài tháng trở lên thường được thực hiện dựa trên tính biến động chậm và có thể dự tính
được của một số yếu tố như độ ẩm đất, độ phủ băng, các quan hệ băng biển, và đặc biệt
là các biến thiên của nhiệt độ bề mặt biển (SST). Đối với dự báo mùa, trữ lượng nhiệt
– ẩm trong đại dương và lục địa, cùng với các quá trình hình thành – tan rã của tuyết và
băng biển là những yếu tố quan trọng nhất ảnh hưởng đến khả năng dự báo được và
chất lượng của các dự báo. Ngoài ra, theo các nghiên cứu của Oldenborgh và cs.,
(2005) [11], Weisheimer và cs., (2009) [8] và Wu và cs., (2009) [12], đều đã chỉ ra
rằng, dao động Nam Elnino (ENSO) là một quá trình có ảnh hưởng đáng kể đến chất
lượng của các dự báo quy mô thời gian hạn mùa. Cụ thể, khi dị thường nhiệt độ mặt
biển (SSTA) ở vùng nhiệt đới Thái Bình Dương tăng lên theo chiều dương (hay mặt
biển ấm hơn), sẽ làm cho thông lượng nhiệt giữa đại dương và khí quyển tăng lên. Quá
trình này nếu diễn ra đủ mạnh sẽ dẫn đến các thay đổi trong lớp biên khí quyển từ đó
gây ra những sự thay đổi về giáng thuỷ cũng như trong quá trình giải phóng ẩn nhiệt ở

7


tầng đối lưu. Sự thay đổi về giải phóng ẩn nhiệt từ đó cũng sẽ dẫn đến những ảnh
hưởng tới các hoàn lưu khí quyển, và hệ quả là các dị thường về khí hậu ở nhiều vùng
khác nhau trên Trái Đất.
Ngoài các yếu tố mang tính quyết định được nêu ở phần trên, một số yếu tố khác
cũng có những ảnh hưởng đáng kể đến chất lượng của dự báo mùa bao gồm: hoạt động
của mặt trời (hoạt động của các vết đen mặt trời, và các chu trình dài khác), bụi núi lửa,
hay những tác động từ các hoạt động sinh hoạt và sản xuất của con người làm thay đổi
thành phần khí quyển như sự tăng lên của nồng độ khí nhà kính (GHG), xon khí, hoặc
những thay đổi về sử dụng đất, đô thị hoá, ... Các yếu tố này hiện nay cũng đang được

xem xét nghiên cứu và được cân nhắc đưa vào các mô phỏng hạn mùa nhằm cải thiện
chất lượng của các dự báo. Chính những điều này đã đặt ra nhiều thách thức không nhỏ
cho các dự báo mùa, từ những điều chỉnh trong các quá trình ban đầu hoá, hay việc xác
định phương pháp làm dự báo cũng như ước lượng được khả năng dự báo được và cho
đến khảo sát tính không chắc chắn của mỗi thông tin nhận được của từng dự báo khác
nhau.
Trên thực tế, sự cần thiết của các thông tin dự báo với quy mô thời gian hạn mùa từ
lâu đã được chú ý đến trong các ngành nông nghiệp (Sivakumar và cs., 2000) [13], tuy
nhiên, những tiềm năng về lợi ích kinh tế mà các dự báo hạn mùa đem lại vẫn còn chưa
được toàn cộng đồng nhận thức một cách rõ ràng. Trong khi đó, các thông tin về khí
hậu với quy mô thời gian hạn mùa ở một mức độ nhất định có thể trở thành một trong
những yếu tố quan trọng và đóng góp không nhỏ đến sự phát triển của nhiều ngành
nghề, đặc biệt là các hoạt động quản lý và sản xuất phụ thuộc nhiều vào các yếu tố khí
hậu mà điển hình là việc lập kế hoạch và đưa ra phương thức canh tác cho mùa vụ tiếp
theo trong nông nghiệp. Bên cạnh đó, các thông tin về trạng thái trung bình của thời
tiết trong một vài tháng tiếp theo còn có tầm quan trọng không nhỏ trong việc hỗ trợ
cho các nhà hoạch định chiến lược của một số các ngành như y tế, quản lý tài nguyên
nước (Gamiz-Fortis, 2008) [14], hay trong các chiến lược phát triển của ngành năng
lượng (Morale, 2007) [15].
Trong một thí dụ được đưa ra trong nghiên cứu của Francisco và cs., (2013) [16],
tính thiết thực và lợi ích kinh tế mà dự báo mùa đem lại đã được thể hiện rõ ràng trong
quá trình phát triển ngành năng lượng tái tạo. Theo đó, sản lượng sản xuất năng lượng
tái tạo từ các nguồn năng lượng mới (như năng lượng mặt trời và năng lượng gió) sẽ
được quyết định bởi một loạt các chỉ tiêu khí hậu như: tốc độ gió, hướng gió, sự thay

8


đổi của lượng bức xạ mặt trời đi xuống, ... Nghiên cứu này cũng chỉ ra rằng, nhiều dự
án xây dựng ứng dụng năng lượng tái tạo được thực hiện với số tiền cần vay vốn có thể

lên tới 80%, và nhà thầu sẽ phải trả tiền lãi hàng năm bất kể năng lượng có được tạo ra,
hay sản lượng năng lượng tạo ra có đặt đủ yêu cầu hay không. Do đó, khi xây dựng các
chính sách đầu tư, kế hoạch quản lý các nhà máy điện, cũng như việc truyền tải các
nguồn năng lượng tái tạo này vào hệ thống mạng lưới năng lượng cần phải được tham
khảo kỹ càng các thông tin về khí hậu để có được một chiến lược phù hợp nhằm đảm
bảo năng suất sản xuất đạt được tối đa, và tận dụng được các tài nguyên sẵn có và giảm
thiểu các lãng phí không cần thiết. Điều này là đặc biệt quan trọng trong năm vận hành
đầu tiên, do đây là năm có độ rủi ro rất cao.
Hiểu được ý nghĩa thực tiễn và tầm quan trọng của các dự báo mùa, nhiều đề tài
nghiên cứu và dự án về chủ đề này đã được thực hiện và đưa vào ứng dụng thử
nghiệm. Hai hướng tiếp cận phổ biến đã và đang được ứng dụng vào dự báo hạn mùa
là: hướng tiếp cận sử dụng mô hình thống kê thực nghiệm (hay phương pháp thống kê)
và hướng tiếp cận sử dụng mô hình động lực (hay phương pháp động lực). Ngoài ra,
phương pháp tổ hợp, kết hợp các dự báo từ một trong hai, hoặc cả hai hướng tiếp cận
trên cũng được thử nghiệm và đem lại nhiều kết quả tích cực. Chi tiết về các phương
pháp dự báo hạn mùa sẽ được trình bày rõ hơn ở phần sau.
Trên thế giới, cho đến nay đã có rất nhiều nỗ lực được thực hiện nhằm cung cấp và
ứng dụng các thông tin từ các dự báo hạn mùa vào nghiệp vụ thực tế. Năm 2006,
WMO bắ t đầ u chính thức v ận hành các Trung tâm sản phẩ m toàn cầ u cho dự b áo hạn
dài (GPCs) như một thành phầ n của H ệ thố ng Xử lý số li ệu và Dự báo toàn cầ u
(GDPFS) [17]. Một số các GPCs chính của WMO là : Cục khí tượng Úc (Bureau of
Meteorology, Australia); Cơ quan khí tượng Trung Quốc
(China Meteorological
Administration/Bejing Climate Center ); Trung tâm dự báo khí h
ậu Mỹ (Climate
Prediction Center, NOAA); Trung tâm dự báo ha ̣n vừa Châu Âu (European Centre for
Medium-Range Weather Forecasts ); Cơ quan khí tượng Nh
ật Bản
(Japan
Meteorological Agency/Tokyo Climate Centre ); ... Ở Châu Âu , một dự án khác cũng

đáng lưu ý là DEMETER [18], được Liên minh Châu Âu tài trơ ̣ để ta ̣o b ộ số liệu dự
báo lại bằng phương pháp tổ hợp đa mô hình bao gồm 7 mô hình với 9 thành phần tổ
hơ ̣p mỗi mô hiǹ h. Các mô hình này từ các trung tâm khí h ậu của Châu Âu đươ ̣c viế t tắ t
là: CERFACS, ECMWF, INGV, LODYC, METEO-FRANCE, MPI và UKMO . Ngoài
ra, nhiều nghiên cứu với các quy mô khác nhau đã được thực hiện và có những đóng

9


góp đáng kể trong dưới nhiều góc độ khác nhau trong quá trình phát triển và cải thiện
hệ thống dự báo mùa trên toàn cầu. Các nghiên cứu này sẽ được trình bày cụ thể ở
phần sau đây.
Một số nghiên cứu khác ứng dụng mô hình khí hậu để chi tiết hoá phân giải cao cho
một khu vực phương pháp thí nghiệm gần như tương tự đã được thực hiện trước đây
như: Xing Yuan và cs. (2012)[53]đã sử dụng mô hình WRF với 16 cấu hình khác nhau
để chi tiết hoá số liệu CFS xuống độ phân giải 30km cho khu vực Trung Quốc; và
Jonatan và cs. (2014) [54] cũng sử dụng tổ hợp 22 thành phần số liệu từ CFS làm đầu
vào cho mô hình WRF với để dự báo mưa hạn mùa cho các khu vực Sudan-Sahel,
Sudan, và Guinean. Theo nghiên cứu của Xing Yuan, mô hình WRF đã làm giảm được
sai số của trung bình lượng mưa theo mùa đến 33% so với CFS, trong khi đó, nghiên
cứu của Jonatan lại cho thấy WRF đã giảm được tính không chắc chắn đến 69%. Điểm
chung giữa hai nghiên cứu trên và luận văn này là đều sử dụng số liệu CFS để chi tiết
hoá và dự báo mưa cho một (hoặc một số) khu vực, tuy nhiên hướng tiếp cận của mỗi
nghiên cứu lại có khác biệt, trong đó, một nghiên cứu thay đổi cấu hình và khảo sát độ
nhạy của mô hình, nghiên cứu còn lại sử dụng một lượng lớn đầu vào khác nhau để
thực hiện nhiều dự vào và tổ hợp các dự báo lại. Do thời gian và điều kiện máy tính có
hạn, luận văn này chỉ có thể thực hiện mô phỏng với một số lượng hạn chế đầu vào, và
cấu hình mô hình cố định.

1.2. Tổng quan về dự báo khí hậu hạn mùa

Đối với các dự báo nói chung, câu hỏi về khả năng dự báo hay nói cách khác là
mức độ chính xác mà một thông tin dự báo có thể nhận được, và câu hỏi làm thế
nào để cải thiện chất lượng cho các dự báo là hai vấn đề luôn được quan tâm. Trong
các nghiên cứu của Pegion và Kirtman (2008) [19], Giorgi và Marinucci (1996) đã kết
luận rằng việc đánh giá khả năng dự báo cần bao gồm cả việc đánh giá kết quả nhận
được từ mô hình, và cả các đánh giá chất lượng của điều kiện biên và điều kiện ban
đầu, cũng như khả năng nắm bắt được các tương tác giữa khí quyển, băng biển, lục địa,
đại dương, và các quá trình hồi tiếp ở các quy mô khác nhau của mỗi mô hình. Mặt
khác, trong nghiệp vụ thực tế, thông tin dự báo nhiệt độ không khí các mực gần bề mặt
và các hình thế mưa là những yếu tố có vai trò quan trọng nhất và luôn được quan tâm
sử dụng nhiều nhất trong các hoạt động của con người, do vậy, việc đánh giá trường
nhiệt độ và lượng mưa luôn là một phần không thể thiếu khi đánh giá kỹ năng của một
hệ thống dự báo.

10


Theo một số nghiên cứu của Brankovic và Palmer (1994) [20], Shukla (1998) [21],
chất lượng dự báo của các biến nói chung và nhiệt độ, lượng mưa nói riêng chịu ảnh
hưởng rất lớn từ chất lượng dự báo của các điều kiện biên của hệ thống khí hậu, trong
đó nhiệt độ bề mặt biển (SST) đóng vai trò rất quan trọng, đặc biệt là ở vùng nhiệt đới.
Cũng chính vì vậy, khả năng nắm bắt được các dao động trong dao động nam Elnino
(ENSO) trở thành một trong những nguồn quan trọng nhất ảnh hưởng đến kỹ năng dự
báo ở quy mô thời gian hạn mùa. Cụ thể hơn, ngoài những dị thường về nhiệt độ bề
mặt biển, giữa các pha của ENSO thường có những dịch chuyển không gian tương đối
rõ ràng của giáng thuỷ ở khu vực nhiệt đới Thái Bình Dương, điều này dẫn đến những
thay đổi quy mô lớn trong các hệ thống hoàn lưu và giáng thuỷ ở chính Thái Bình
Dương và cả trên toàn cầu (Alexander, 2007) [22]. Chính vì vậy, các mô hình cũng cần
nắm bắt được những biến động này để có thể cải thiện chất lượng mô phỏng cho khu
vực nghiên cứu. Một minh chứng về mối quan hệ giữa ENSO và lượng mưa toàn cầu

được thể hiện trong đánh giá hệ số tương quan giữa chỉ số ENSO trung bình trên vùng
Nino 3-4 với số liệu mưa GPCCv5 cho giai đoạn 1960 – 2009 của Francisco và các
cộng sự (2013) [16] (Hình 1).
Có thể thấy trên rất nhiều khu vực bao gồm cả nhiệt đới và ngoại nhiệt đới, độ lớn
của hệ số tương quan đạt tương đối cao, một số vùng giá trị tương quan đạt trên 0.5.
Minh hoạ trên đã cho thấy, việc đánh giá về kỹ năng dự báo SST trong ENSO là một
yêu cầu căn bản cho mỗi hệ thống dự báo hạn mùa. Ngoài ra, không chỉ tại khu vực
Thái Bình Dương, SST tại một số khu vực như nhiệt đới Đại Tây Dương và Ấn Độ
Dương cũng ảnh hưởng không nhỏ đến đến sự biến đổi khí hậu của các khu vực lân
cận. Thí dụ, SSTA trên khu vực nhiệt đới Đại Tây Dương có ảnh hưởng trực tiếp tới vị
trí của dải hội tụ nhiệt đới (ITCZ) – yếu tố đóng vai trò lớn đến các hình thế giáng thuỷ
trên khu vực Đông Bắc Brazil và Tây Phi, trong khi SSTA ở Ấn Độ Dương lại có các
tác động trên những phần phía đông của lục địa Châu Phi. Mặt khác, biến động của
SST tại các vùng Đại Tây Dương và Ấn Độ Dương cũng được cho là có liên kết xa với
các biến động trên vùng nhiệt đới Thái Bình Dương (Shukla, 1998 [21]; Goddard, 2001
[23])

11


Hình 1 Tương quan giữa chỉ số ENSO khu vực Nino3-4 (trung bình miền từ 5◦ N–5◦ S, 170◦ –
120◦ W) và số liệu mưa lưới GPCCv5 trung bình các tháng 3-4-5, 6-7-8, 9-10-11, 12-1-2
tương ứng cho các hình a, b, c, d (giai đoạn 1960 – 2009)[16].

Ngoài nhiệt độ bề mặt biển, một số thành phần khác cũng có ảnh hưởng đáng kể
đến khả năng dự báo của các dự bào mùa. Đầu tiên có thể kể đến là những dị thường
trong khí quyển với thời gian tồn tại tương đối dài (có thể lên tới 2 tháng) xuất phát từ
những nhiễu loạn trong tầng bình lưu. Nghiên cứu của Ineson (2008) [24] cho thấy, ở
nhiều khu vực tại châu Âu vào mùa đông, ảnh hưởng của các nhiễu động từ tầng bình
lưu đến bề nhiệt độ bề mặt là rất rõ ràng và quan trọng. Một số nghiên cứu khác cũng

cho thấy, khả năng dự báo của các dự báo hạn mùa chịu ảnh hưởng của các tương tác
giữa tầng đối lưu và tầng bình lưu kết hợp với dao động tựa hai năm (QBO) và những
pha nóng lên đột ngột của tầng bình lưu (SSW) [16]
Một thành phần khác cũng đang được quan tâm đến nhiều trong các dự báo hạn
mùa là băng biển. Các hệ thống dự báo mùa hiện nay xem xét đến băng – biển dưới
nhiều góc độ khác nhau, từ việc sử dụng các số liệu băng biển theo trung bình khí hậu,
cho tới các mô hình ban đầu hoá nhiệt động về tương tác băng biển từ một trạng thái

12


ban đầu quan trắc được. Trong khi một số phân tích của Holland và cs., (2010) [25]
cho thấy, khi độ dày lớp băng của băng biển trên một khu vực cao hơn so với giá trị
trung bình nhiều năm thì khả năng dự báo chính xác được cho khu vực này càng dài và
ngược lại. Tuy nhiên cũng có nhiều quan điểm cho rằng, khả năng dự báo của băng
biển Bắc Cực với quy mô thời gian lớn hơn 3 năm sẽ thường bị chi phối bởi các tác
động từ bên ngoài hơn là từ điều kiện ban đầu, trong đó, những bất thường về thời gian
bắt đầu mùa đông và mức độ băng biển vào mùa xuân có thể ảnh hưởng đến hoàn lưu
Bắc bán cầu. Ngoài ra, trong các nghiên cứu của Balmaseda (2010) [26] và Francis
(2009) [27], băng biển cũng có những tác động nhất định đến vị trí của đường đi bão
vào mùa hè trên Bắc Đại Tây Dương và các hình thế hoàn lưu mùa đông. Mặc dù vậy,
cho đến nay vẫn chưa có nghiên cứu nào đánh giá tính hiệu quả của việc ban đầu hoá
băng biển đến việc cải thiện chất lượng cho các dự tính khí hậu hạn mùa. Điều này đòi
hỏi những hiểu biết ở một mức độ khá cao về tác động giữa băng biển và khí quyển, và
cần phải thực hiện các so sánh mô hình giữa có ban đầu hoá băng biển và không có ban
đầu hoá băng biển để đưa ra được những kết luận chính xác.
Ngoài các thành phần trên đại dương, khả năng mô phỏng các thành phần trên lục
địa cũng có những ảnh hưởng đáng kể đến chất lượng của các dự báo hạn mùa. Quá
trình ban đầu hoá sát với thực tế các thành phần đất trong các mô phỏng có thể làm
tăng tính chính xác của dự báo mưa và nhiệt độ trong dự báo với quy mô thời gian mùa

và tựa mùa. Nhiều nghiên cứu trước đây đã chỉ ra được sự ảnh hưởng của các thành
phần trên lục địa đến hệ thống khí hậu, trong đó hai biến quan trọng có thể kể đến là độ
ẩm đất và độ phủ tuyết. Trong các nghiên cứu về sự xuất hiện các cực trị nhiệt độ mùa
hè và sự xuất hiện của mùa mưa (Quesada, 2012 [28]; Muller, 2012 [29]), thông tin
điều kiện ban đầu của độ ẩm đất góp phần không nhỏ đến tính chính xác của các dự
báo cho mùa hè trên lục địa. Chính vì vậy, bài toán thử nghiệm ban đầu hoá độ ẩm đất
nhằm cải thiện các dự báo động lực cho các yếu tố nhiệt độ và lượng mưa với quy mô
thời gian hạn mùa và cận mùa đã được tìm hiểu trong nhiều nghiên cứu gần đây.
Cùng với độ ẩm đât, độ phủ tuyết trên lục địa cũng là một thành phần biến động
chậm của hệ thống khí hậu. Điều này xuất phát từ khả năng cách ly và khả năng phản
xạ đáng kể của tuyết, và từ vai trò của các lớp tuyết trong chu trình thuỷ văn. Băng
tuyết cũng có những tác động trên quy mô không gian địa phương đến nhiệt độ không
khí bề mặt. Mặt khác, nhiều khảo sát thực tế và nghiên cứu mô hình trong những năm
gần đây đã chỉ ra rằng độ phủ của lớp tuyết có thể ảnh hưởng đến các hình thế hoàn lưu

13


quy mô lớn như Dao động bắc Đại Tây Dương (NAO) (Gong et al, 2002) [30] và các
biến động bắc Thái Bình Dương (Peings, 2012) [31]. Khi một lớp băng tuyết lớn xuất
hiện trên lục địa Á Âu, bề mặt lạnh sẽ gây những ảnh hưởng đến sự lan truyền của các
sóng quy mô hành tinh xuống phần lục địa phía nam của lục địa Á Âu, cùng với đó là
các ảnh hưởng lan truyền lên cao trong tầng đối lưu và thậm chí đến cả tầng bình lưu.
Ngoài ra, để nắm bắt được ảnh hưởng của các quá trình trên lục địa và tối ưu chất
lượng dự báo, các cơ chế cơ bản trong quan hệ lục địa – khí quyển (như quá trình bốc
hơi, động lực học lớp biên, và đối lưu) cũng cần được hiểu rõ và diễn tả chính xác
trong các hệ thống dự báo.
Khả năng dự báo được của các dự báo hạn mùa cũng chịu tác động nhất định từ
những thay đổi trong thành phần khí quyển như phát thải khí nhà kính (GHG), xon khí,
hay việc sự thay đổi độ phủ đất liên quan đến các quá trình đô thị hoá và một số hoạt

động khác của con. Bên cạnh đó, tuy rằng không thường xuyên xuất hiện, nhưng các
hoạt động tự nhiên của núi lửa cũng có thể gây ra cũng thay đổi tức thời có tác động
đáng kể đến thành phần xon khí trong khí quyển, từ đó dẫn đến sự thay đổi cân bằng
bức xạ làm thay đổi phân bố năng lượng mặt trời trên nhiều vùng và gây ra các tác
động nhất định đến hoàn lưu khí quyển [17].

14


1.3. Các phƣơng pháp dự báo hạn mùa
Trong phần trước đã đề cập đến một số hướng tiếp cận bài toán dự báo mùa bao
gồm: phương pháp sử dụng mô hình thống kê thực nghiệm, phương pháp sử dụng các
mô hình động lực. Ngoài ra, phương pháp tổ hợp nhiều mô hình cũng là một hướng
tiếp cận đang nhận được nhiều quan tâm nghiên cứu và ứng dụng. Trên thực tế, cả hai
phương pháp thống kê và động lực đều có những ưu – nhược điểm nhất định, do vậy,
kết quả nghiên cứu thu được từ mỗi phương pháp sẽ góp phần bổ khuyết và cải thiện
cho phương pháp còn lại, từ đó, ưu điểm của tất cả các dự báo khả dụng sẽ được kết
hợp để ứng dụng vào nghiệp vụ thực tế. Mặc dù vậy, việc khảo sát tính ổn định cũng
như chất lượng dự báo của cả hai phương pháp này đều phải phụ thuộc nhiều vào các
số liệu quan trắc trên cả phương diện chất lượng và số lượng. Mặt khác, do tính chất
hỗn loạn của hệ thống khí hậu và hệ thống dự báo hiện tại vẫn chưa thể đạt đến mức
hoàn hảo, nên tính không chắc chắn trong mỗi dự báo là điều không thể tránh khỏi, và
việc định lượng được tính không chắc chắn đóng vai trò quan trọng trong các dự tính
khí hậu. Chính vì không thể tránh khỏi tính không chắc chắn trong các dự báo, phương
pháp dự báo khí hậu được xây dựng theo hướng đưa ra xác suất đã được phát triển
(Murphy, 1984 [32]; Tippett, 2008 [33]) và ứng dụng vào nghiệp vụ. Bằng cách đưa ra
xác suất về các sự kiện có thể xảy ra, các quyết định về việc có hay không hành động
trước các sự kiện sẽ được hỗ trợ dựa trên việc tham khảo các dự báo trên. Tuy nhiên,
các phép toán xác suất cũng đòi hỏi một đánh giá thích hợp về các dự báo trong đó cần
bao gồm nhiều khía cạnh khác nhau như: tính chính xác của dự báo, độ ổn định của mô

hình dự báo, tính không chắc chắn, và độ tin cậy trong các ước lượng tính chính xác
của các dự báo.

1.3.1. Hƣớng tiếp cận sử dụng phƣơng pháp thống kê thực nghiệm
Một dự báo hạn mùa sử dụng phương pháp thống kê có thể được thực hiện bằng
cách dựa trên những phân tích số liệu quan trắc dị thường nhiệt độ bề mặt biển
(SSTA). Do bản chất có tính biến động chậm nên các dự báo về sự thay đổi của STT
hoặc dựa trên SST luôn có được một mức độ kỹ năng nhất định về khí hậu trong
khoảng thời gian từ vài tháng cho tới một năm. Nhiều phương pháp thống kê phức tạp
vẫn được sử dụng rộng rãi để thực hiện các dự báo mùa và trong một số trường hợp,
chất lượng dự báo có thể so sánh được với các mô hình động lực (Oldenborgh, 2005
[11]; Tippett, 2012 [33]). Một số kỹ thuật điển hình được áp dụng trong dự báo bằng
phương pháp thống kê có thể kể đến như: kỹ thuật phân tích tương quan Canon (CCA)

15


kết hợp phân tích thành phần chính (PCA) được Barnston và Ropelewski (1992) áp
dụng vào dự báo nhiệt độ bề mặt biển tại các khu vực trong các đợt ENSO, hoặc một
số phương pháp hồi qui tuyến tính, phương pháp tách giá trị kỳ vị (SVD). Ngoài ra,
một số mô hình toán học cũng được ứng dụng như: hồi qui tuyến tính đa biến (MLR
hay REG), ước lượng hồi qui xác suất sự kiện (REEP), mạng thần kinh nhân tạo
(ANN), phân tích phân biệt (FDA), và một số kỹ thuật như phân tích hàm trực giao
thực nghiệm (EOF) hay phân tích thành phần chính (PCA), phân tích nhân tố (FA).[1]
Một số nghiên cứu điển hình về dự báo sử dụng phương pháp thống kê có thể kể
đến như: thử nghiệm hạ quy mô thống kê từ số liệu NCEP/CFS phân giải 2.5 độ xuống
phân giải 20 km cho khu vực Đông Nam Hoa Kỳ của Young-Kwon Lim và CS (2010);
hay thử nghiệm áp dụng kỹ thuật thống kê phi tuyến áp dụng ANN vào dự báo hiện
tượng El Nino của Tangang và CS (1997); hoặc thử nghiệm áp dụng kỹ thuật tương tự
vào chuỗi số liệu SST của Van den Dool (1994). Trong nghiên cứu hạ quy mô thống

kê, các tác giả đã sử dụng một số kỹ thuật bao gồm: phân tích hàm trực giao thực
nghiệm với chu kỳ dừng (Cyclostationary Empirical Orthogonal Function - CSEOF),
hồi qui đa biến, và tạo chuỗi thời gian ngẫu nhiên. Theo các tác giả, dự báo CFS không
có kỹ năng ở độ phân giải thô, nhưng việc hạ qui mô đã làm giảm đáng kể sai số quá
ẩm và hệ số tương quan tăng lên từ 0.1-0.5. Khả năng dự báo phân hạng (hay dự báo
pha) của giáng thuỷ mùa và giáng thuỷ cực đoan (tần suất số ngày mưa lớn) đánh giá
bằng điểm số kỹ năng Heidke (HSS) cũng được cải thiện bởi việc hạ qui mô. Chẳng
hạn, HSS trung bình miền tính đối với hai hạng dự báo bằng hạ qui mô ít nhất là 0.20,
trong khi điểm số dự báo bằng CFS gần bằng 0 và không bao giờ vượt quá 0.1. [1]
Phương pháp thống kê có ưu điểm là dễ thực hiện và ứng dụng vào nghiệp vụ.
Trong một thử nghiệm nghiên cứu mối quan hệ giữa SST vùng nhiệt đới Đại Tây
Dương và mưa từ tháng 3 đến tháng 5 ở vùng Đông Bắc của Brazil (Moura, 2004), kết
quả nhận được cho thấy cả các dự báo thống kê và các dự báo động lực đều cho những
kết quả tích cực và có những cạnh tranh về kỹ năng dự báo với nhau. Trong báo cáo
tổng hợp của Franciso (và cs., 2013) [16], nhiều nghiên cứu đã chỉ ra, trong khi
phương pháp động lực thường được ứng dụng và cho kết quả khá tốt trên các khu vực
nhiệt đới, phương pháp thống kê lại được sử dụng và cho kết quả khá tốt cho các khu
vực ngoại nhiệt đới. Cũng theo báo cáo này, một số dự báo hạn mùa bằng phương pháp
thống kê cho kết quả khá tốt đã được thực hiện cho giáng thuỷ trên khu vực bán đảo
Iberian và Scandinavia, là hai khu vực mà phương pháp động lực có kỹ năng dự báo

16


khá thấp. Trên một khía cạnh khác, tại những vùng vĩ độ cao hơn, dự báo băng biển trở
thành mục tiêu chính của các dự báo mùa. Cùng với đó, những nghiên cứu đầu tiên
trong dự báo mùa về băng biển dựa vào phương pháp thống kê đã sử dụng các quy luật
về dị thường mùa. Tuy vậy, do sự ấm dần lên của Trái Đất trong những năm gần đây
đã dẫn tới những thay nhanh chóng xuất hiện trong khí hậu Bắc Cực cùng với sự giảm
mạnh về diện tích băng biển so với quá khứ. Điều này đã khiến cho những quy luật

trong băng biển có sự thay đổi và các mô hình thống kê không còn nắm bắt được.
Những điều tương tự cũng đang xảy ra trên quy mô toàn cầu khiến cho nhiều mô hình
thống kê đã dần xuất hiện các nhược điểm, chính vì vậy, hệ quả là các hệ thống dự báo
động lực đã được tập trung cải thiện, hoặc xuất hiện và phát triển mạnh mẽ trong
những năm gần đây.

1.3.2. Hƣớng tiếp cận sử dụng phƣơng pháp động lực
Bắt đầu từ những năm 1980, cơ sở lý thuyết và những ứng dụng đầu tiên của mô
hình động lực để dự báo cho các hiện tượng ENSO đã được thực hiện. Xuất phát từ các
mối quan hệ giữa các đại dương nhiệt đới và khí quyển vùng ngoại nhiệt đới, ý tưởng
thực hiện dự báo cho các biến khí quyển bằng việc sử dụng hệ thống mô hình kết hợp
đại dương – khí quyển đã được đưa ra. Trên cơ sở này, mô hình kết hợp Cane – Zebiak
là mô hình đầu tiên dự báo cho sự bắt đầu của sự kiện ENSO đã được ra đời (Cane,
1986) [34]. Cùng với đó, các mô hình hoàn lưu chung khí quyển (GCM) cũng dần xuất
hiện và cho phép mô phỏng lại những kiến thức về động lực của hệ thống khí hậu trong
một cách hoàn chỉnh nhất. Tuy nhiên, do các hạn chế về năng lực tính toán và nguồn
lực máy tính tại thời điểm đó, các mô hình chỉ có thể chạy được với độ phân giải rất
thô, và các kết quả thu được là không đáng kể. Mặt khác, các hiểu biết và kinh nghiệm
về tham số hoá vật lý cho các quy mô dưới lưới không được xem xét đến hoặc không
thể được biểu diễn được một cách rõ ràng như hiện tại.
Đối với các mô hình động lực, thông tin ban đầu về trạng thái của bề mặt biển, độ
phủ băng biển, tuyết, độ ẩm đất, ... là rất quan trọng và có vai trò quyết định. Trong
một hệ thống dự báo đầy đủ, quá trình ban đầu hoá chính là giai đoạn quan trọng đầu
tiên và có ảnh hưởng không nhỏ đến chất lượng của các dự báo. Chất lượng của quá
trình này không chỉ bị ảnh hưởng bởi chất lượng của các quan trắc, mà còn phụ thuộc
vào cả các kỹ năng đưa các số liệu thu thập được lên đúng định dạng lưới mà mô hình
dùng để giải các hệ phương trình. Cho đến nay, đã có nhiều nghiên cứu được thực hiện
cho quá trình ban đầu hoá các thành phần khí quyển và đại dương của các hệ thống dự

17

báo động lực, tuy nhiên, nhiều phương diện như ban đầu hoá một số yếu tố mặt đất,
hoặc ban đầu hoá băng biển cho tới nay vẫn còn chưa được chú trọng và chưa có nhiều
nghiên cứu được thực hiện. Trong khi đó, từ một số kết quả nghiên cứu thu được
(Balmaseda, 2010 [26]; Francis, 2009 [27]) đã cho thấy, tính chính xác của các dự báo
về băng biển có thể lên tới vài tháng khi sử dụng một hệ thống dự báo động lực với
băng biển đã được ban đầu hoá. Điều này cho thấy những tiềm năng của việc cải thiện
quá trình ban đầu hoá băng biển trong các dự báo mùa và cả các dự tính khí hậu hạn
dài.
Do tính phức tạp về động lực, dự báo bằng phương pháp động lực nói chung đã
được chia thành hai loại hệ thống dự báo. Hệ thống thứ nhất sử dụng hai mô hình,
trong đó, một mô hình động lực kết hợp đại dương – khí quyển hoặc mô hình thống kê,
sẽ có nhiệm vụ dự báo trường SST với quy mô thời gian hạn mùa. Sau đó, một mô
hình khí hậu khác sẽ sử dụng SST được dự báo trước đó làm điều kiện biên và dự báo
cho các biến khí quyển khác. Hệ thống thứ hai chỉ sử dụng một mô hình toàn cầu kết
hợp đại dương – khí quyển duy nhất, trong đó, tất cả các hệ thống tương tác nhỏ hơn sẽ
được mô phỏng và hoạt động đồng thời. Các hệ thống sử dụng một mô hình thường có
kỹ năng dự báo tương đối tốt hơn so với hệ thống sử dụng hai mô hình và cũng có xu
hướng tốt hơn so với các mô hình thống kê đơn giản, đặc biệt là trên khu vực đại
dương vùng nhiệt đới. Tuy vậy, hệ thống này cũng đòi hỏi một nguồn lực máy tính và
tính toán khá lớn, cũng như những hiểu biết tổng quát và chi tiết nhất về các quá trình
đại dương – khí quyển. Nổi bật trong số này, mô hình CFS (Climate Forecast System)
của NCEP (Saha S. và CS, 2006) hiện đang là mô hình rất được chú ý [35]. Đây là hệ
thống mô hình kết hợp đầy đủ (full couple) đồng thời giữa mô hình khí quyển và mô
hình đại dương, đã được đưa vào chạy nghiệp vụ từ tháng 8 năm 2004 tại NCEP.
Thành phần khí quyển của CFS là mô hình khí quyển GFS của NCEP (Moorthi và cs.,
2001). Thành phần đại dương là mô hình MOM3 của GFDL (Pacanowski và cs.,
1998), là phiên bản sai phân hữu hạn các phương trình nguyên thủy mô tả đại dương
dựa trên các giả thiết xấp xỉ thủy tĩnh và Boussinesq. Hiện tại, phiên bản CFSv2 cung

cấp 4 dự báo nghiệp vụ hàng ngày với hạn dự báo lên đến 9 tháng. Ngoài ra, số liệu
của các tái dự báo cho giai đoạn 1982 – 2009 cũng đang được cung cấp miễn phí với
chu kỳ dự báo là 4 dự báo một ngày, và 5 ngày 1 lần một lần. Các số liệu từ CFS đang
là một nguồn tin cậy để sử dụng làm điều kiện biên và điều kiện ban đầu cho các quá
trình hạ quy mô dự báo.

18


Mặc dù vậy, phương pháp động lực cũng vẫn còn tồn tại một số nhược điểm khi
trong nhiều mô phỏng khí hậu trung bình, hoặc biến thiên khí hậu, ... đã xuất hiện
những sai số hệ thống liên quan đến các vấn đề trong các phép toán của mô hình. Một
số trường hợp “kinh điển” về các sai số này bao gồm (Francisco và cs., 2013) [16]: vấn
đề ICTZ đôi, lưỡi lạnh ở gần xích đạo quá mạnh, biến trình mùa yếu hoặc không liên
tục, thất bại trong việc mô phỏng các ổ đối lưu đa quy mô ở vùng nhiệt đới, và mô
phỏng các quá trình mây yếu hoặc không rõ ràng đặc biệt là các loại mây tầng mực
thấp. Hầu hết trường hợp sai số này được xác định ở các mô hình được sử dụng trong
các thử nghiệm về biến đổi khí hậu. Sai số hệ thống của mô hình có thể xuất phát từ
quá trình đơn giản hoá các phương trình động lực học để giải bằng phương pháp số.
Ngoài ra, những giới hạn về phân giải không gian và thời gian của mô hình đồng nghĩa
là một số biến khí hậu quan trọng chỉ được giải thông qua quá trình tham số hoá, cùng
với một số nguyên nhân như sự thiếu thông tin, hiểu biết về toàn bộ các thành phần của
hệ thống vật lý khí hậu (Palmer, 2000) [18], trong đó bao gồm cả các hoạt động của
lớp xáo trộn trong đại dương, và nhiều nguyên nhân khác. Một trong những hạn chế
lớn nhất của việc nghiên cứu và ứng dụng phương pháp động lực vào trong các dự báo
nói chung và dự báo hạn mùa nói riêng chính là sự đòi hỏi một nguồn lực tính toán rất
mạnh và tài nguyên máy tính tương đối lớn.

1.3.3. Hƣớng tiếp cận sử dụng phƣơng pháp tổ hợp đa mô hình
Nhằm cải thiện chất lượng dự của các dự báo của cả phương pháp thông kê và

phương pháp động lực, dự báo tổ hợp đa mô hình có thể được xem là sự kết hợp hài
hoà, lôgic giữa phương pháp thống kê và phương pháp động lực trong đó sản phẩm đầu
ra của các mô hình số là số liêu đầu vào của các mô hình thống kê. Đây cũng là hướng
tiếp cận cho phép cải thiện đáng kể chất lượng dự báo của mô hình số (Wang Huijun
và cs., 2009; Zongjian Ke và cs., 2009; Piani C. và cs., 2010)[1]. Một số kỹ thuật
thường được sử dụng là tổ hợp các dự báo độc lập của một hoặc nhiều mô hình sử
dụng các điều kiện ban đầu khác nhau, hoặc với các quá trình tham số hoá khác nhau
(với mô hình động lực). Nhiều nghiên cứu đã cho thấy các hệ thống sử dụng dự báo tổ
hợp đa mô hình nhìn chung thường có những cải thiện đáng kể so với các hệ thống
đơn chỉ sử dụng một mô hình. Tuy nhiên, hướng tiếp cận này cũng cần đòi hỏi một
lượng tại nguyên tính toán và lưu trữ khổng lồ, cũng như khả năng hiểu biết và kiểm
soát từng mô hình nhỏ trong hệ thống tổ hợp. Trong nhiều trường hợp, việc xác định
phương án tổ hợp bao gồm: lựa chọn các mô hình, các cấu hình của mỗi mô hình sẽ

19


được sử dụng, hay việc xác định trọng số của mỗi thành phần trong một tập hợp nhiều
dự báo, cũng cần được nghiên cứu thử nghiệm rất nhiều trước khi đưa ra phương án
cuối cùng.

1.4. Hiện trạng về dự báo mùa trong nƣớc.
Việt Nam là một quốc gia có điều kiện khí hậu khá phức tạp, phân hóa mạnh theo cả
không gian và thời gian.Nguyên nhân do sự tương tác giữa địa hình và hoàn lưu gió
mùa cũng như các dạng nhiễu động nhiệt đới (ITCZ, bão), chế độ mưa trong năm ở
Việt Nam được chia làm hai mùa khá rõ rệt với các vùng khí hậu phía bắc và phía nam
có mùa mưa gần trùng với mùa gió mùa mùa hè và mùa khô gần trùng với mùa gió
mùa mùa đông, trong khi đó các vùng khí hậu miền trung lại có mùa mưa dịch chuyển
về mùa đông với cực đại mưa rơi vào khoảng tháng 10, tháng 11. Trong khi đó, sản
xuất nông nghiệp đóng vai trò quan trọng trong sản xuất kinh tế khi thu hút đến khoảng

gần 70% lực lượng lao động. Ngoài ra, Việt Nam cũng được biết đến như một quốc gia
có mật độ các nhà máy thuỷ điện dày đặc. Trừ một số nhà máy thuỷ điện có công suất
lớn, đa số còn lại đều có qui mô vừa và nhỏ, phân bố trên các con sông ngắn và có độ
dốc lớn ở miền Trung. Hệ thống thuỷ điện này, ngoài chức năng chính là cung cấp
nguồn điện năng cho đất nước, còn có vai trò điều tiết nước phục vụ sản xuất nông
nghiệp. Chính vì vậy, thông tin dự báo mưa hạn mùa là cực kỳ quan trọng không chỉ
đối với sản xuất nông nghiệp, điều tiết các hồ chứa cho các nhà máy thuỷ điện mà còn
đối với nhiều lĩnh vực kinh tế xã hội khác, đặc biệt trong bối cảnh biến đổi khí hậu
hiện nay.
Mặc dù vậy, vấn đề dự báo mùa ở Việt Nam nói chung, dự báo mưa hạn mùa nói
riêng hầu như chưa quan tâm đúng mức. Hệ thống dự báo mùa nghiệp vụ ở Việt Nam
hiện nay chủ yếu dựa vào phương pháp thống kê truyền thống trong đó yếu tố dự báo
là dị thường nhiệt độ và lượng mưa mùa, còn nhân tố dự báo là dị thường nhiệt độ mặt
nước biển các vùng Nino 3, 4, 3+4 và các chỉ số ENSO. Bài toán dự báo mùa bằng các
mô hình động lực mới chỉ được khởi xướng gần đây, tuy nhiên chưa có hệ thống dự
báo mùa động lực nào được đưa vào nghiệp vụ ở Việt Nam cho đến nay.
Một số nghiên cứu đáng chú ý liên quan đến dự báo hạn mùa đã được thực hiện ở
Việt Nam trước đây có thể kể đến như: nghiên cứu xây dựng các phương pháp dự báo
nhiệt độ trung bình tháng và mùa cho mùa đông, đồng thời xây dựng các chỉ tiêu dự

20


báo hạn vừa các đợt không khí lạnh , và các đợt rét đ ậm, rét hại, dự báo dài ha ̣n thời kì
xuấ t hiện đơ ̣t rét đậm đầ u tiên trong mùa đông ở khu vực phía bắ c Vi ệt Nam của Phạm
Đức Thi và cs (1987) [2] trong khuôn khổ đề tài “Xây dựng m ột số phư ơ ng pháp dự
báo hạn vừa, hạn dài nhi ệt độ mùa đông và mưa mùa hè khu vực phía bắc Vi ệt Nam”;
hay các thử nghiệm sử dụng phương pháp thống kê vào dự báo về dị thường tổng
lượng mưa mùa và nhiệt độ trung bình mùa (tổng hoặc trung bình từng 3 tháng liên
tiếp nhau), của Nguyễn Duy Chinh (2000) trong khuôn khổ đề tài cấp Tổng cục Khí

tượng Thủy văn. Kết quả của đề tại đã được ứng dụng vào thực tế với sản phẩm là
“Thông báo khí hậu” ra hàng tháng và được cập nhật thường xuyên trên trang thông tin
điện tử của Viện Khoa học Khí tượng Thuỷ văn và Biến đổi khí hậu.
Do các hạn chế về điều kiện tính toán và lữu trữ, cũng như những nền tảng ban đầu
trong việc sử dụng các mô hình số, phải đến những năm gần đây, việc ứng dụng
phương pháp động lực vào bài toán các bài toán dự báo nói chung và bài toán dự báo
hạn mùa nói riêng mới dần được thực hiện. Trong đề tài “Nghiên cứu tác động của biế n
đổ i khí h ậu toàn cầ u đế n các yế u tố và hi ện tư ơ ̣ng khí h ậu cực đoan ở Vi ệt Nam, khả
năng dự báo và giải pháp chiến lược ứng phó” Phan Văn Tân (cùng cs., 2008) [3] đã
bước đầu ứng dụng thành công hệ thống mô hình kết hợp đại dương - khí quyển CAMSOM chạy dự báo hạn mùa cung cấp đầu vào cho các mô hình khí hậu khu vực trong
điều kiện Việt Nam. Các tác giả cũng đã sử dụng các chỉ số TXx , TXn, TNx, TNn,
DTR, Rx1day, Rx5day, R95p, R99p, TX90p, R25 và R50 để làm sáng tỏ mức đ ộ biế n
đổ i, tính chất biến đổi và xu thế biến đổi của các yếu tố và hi ện tư ơ ̣ng khí hậu cực đoan
như nhiệt độ, lượng mưa , bão và áp thấp nhi ệt đới, nắ ng nóng , rét hại , mưa lớn, hạn
hán ... Mặc dù vậy, những kết quả nhận được vẫn còn nhiều hạn chế.
Trên cơ sở này, Phan Văn Tân (và cs., 2014) trong đề tài “Nghiên cứu xây dựng hệ
thống mô hình dự báo hạn mùa một số hiện tượng khí hậu cực đoan phục vụ phòng
tránh thiên tai ở Việt Nam” [1], đã ứng dụng xây dựng được hệ thống mô hình có khả
năng dự báo hạn mùa các trường khí hậu với hạn dự báo 1, 3, 6 tháng ở Việt Nam và
xây dựng được hệ thống nghiệp vụ dự báo một số hiện tượng khí hậu cực đoan như
nắng nóng, rét đậm, rét hại, hạn hán, mưa lớn. Một số mô hình đã được nghiên cứu bao
gồm: CAM-SOM, CCAM, MM5, RegCM, WRF, ngoài ra, nhóm tác giã cũng đã bước
đầu khảo sát và ứng dụng thành công một số phương pháp hiệu chỉnh sai số cho các
mô hình.

21


Ngoài các nghiên cứu trên, một số các thử nghiệm về dự báo hạn mùa trong khuôn
khổ các luận văn, luận án tiến sĩ cũng đã được thực hiện. Một số công trình đáng chú ý

của Nguyễn Quang Trung (2012) [4], Trịnh Tuấn Long (2012) [5], Nguyễn Thị Hạnh
(2013) [6] đã cho thấy được tiềm năng ứng dụng các mô hình khí hậu động lực vào bài
toán dự báo hạn mùa trong điều kiện của Việt Nam.
Dựa trên cơ sở của các nghiên cứu đi trước, trong luận văn này, học viên sẽ thử
nghiệm ứng dụng mô hình khí hậu toàn cầu CCAM vào bài toán dự báo hạn mùa.
Điểm mới của nghiên cứu này chính là việc ứng dụng một mô hình toàn cầu, chỉ sử
dụng duy nhất thông tin dự báo SST để làm điều kiện biên và đưa ra các dự báo trên
quy mô toàn cầu. Mặt khác, cùng với khả năng sử dụng hệ lưới co giãn để chi tiết hoá
phân giải cao cho một khu vực nhất định của mô hình CCAM, các kết quả ở độ phân
giải thô trên quy mô toàn cầu trước đó sẽ tiếp tục được sử dụng làm điều kiện biên và
điều kiện ban đầu để thực hiện các dự báo ở độ phân giải cao hơn trên khu vực Việt
Nam. Ngoài ra, luận văn này chỉ đi sâu vào đánh giá và phân tích khả năng mô phỏng
mưa hạn mùa dưới các góc độ khác nhau. Chi tiết cụ thể của nghiên cứu này sẽ được
đưa ra trong phần sau.

22