Xây dựng mô hình cảnh báo sớm h n khí tượng phục vụ công tác khai thác và quản lý tài nguyên nước vùng duyên hải miền trung tt

BỘ GIÁO DỤC VÀ ĐÀO TẠO

BỘ NÔNG NGHIỆP VÀ PTNT

TRƯỜNG ĐẠI HỌC THỦY LỢI

NGUYỄN THÁI HÀ

XÂY DỰNG MÔ HÌNH CẢNH BÁO SỚM HẠN KHÍ TƯỢNG PHỤC VỤ
CÔNG TÁC KHAI THÁC VÀ QUẢN LÝ TÀI NGUYÊN NƯỚC VÙNG
DUYÊN HẢI MIỀN TRUNG

Chuyên ngành: Kỹ thuật tài nguyên nước
Mã số chuyên ngành: 9 58 02 12

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT

HÀ NỘI, NĂM 2019


Công trình được hoàn thành tại Trường Đại học Thủy lợi

Người hướng dẫn khoa học
Người hướng dẫn khoa học

1: PGS.TS. Nguyễn Đăng Tính
2: GS.TS. Nguyễn Văn Tỉnh

Phản biện 1:
Phản biện 2:
Phản biện 3:

Luận án sẽ được bảo vệ trước Hội đồng chấm luận án họp tại
...............................................................................................................................
...............................................................................................................................
vào lúc
giờ
ngày tháng năm

Có thể tìm hiểu luận án tại thư viện:
- Thư viện Quốc gia
- Thư viện Trường Đại học Thủy lợi


MỞ ĐẦU
1. Tính cấp thiết của đề tài luận án
Hạn hán là một phần tự nhiên của khí hậu, hạn hán hình thành do sự thiếu hụt
lượng mưa, lượng bốc hơi lớn và việc khai thác quá mức nguồn tài nguyên nước.
Hạn hán xuất hiện trên khắp thế giới có thể xảy ra ở tất cả các vùng khí hậu, hạn
hán khá phổ biến ở Việt Nam, đặc biệt là ở các tỉnh Duyên hải Miền Trung
(DHMT). Sự khắc nghiệt của một đợt hạn hán không chỉ phụ thuộc vào khoảng
thời gian, cường độ, không gian, mà còn phụ thuộc vào nhu cầu dùng nước từ
các hoạt động của con người và cây trồng.
Cho đến nay ở Việt Nam đã có nhiều nghiên cứu về hạn hán nhưng những kết
quả đã nghiên cứu còn một số tồn tại cũng như chưa được thực hiện một cách hệ
thống và chưa được áp dụng rộng rãi trong thực tế. Để giúp cho các nhà quản lý,
nhà hoạch định chính sách và người dân địa phương chủ động trong việc khai
thác và quản lý tài nguyên nước thì các nghiên cứu về hạn hán ở Việt Nam nói
chung và vùng DHMT nói riêng là rất quan trong và cần thiết. Vì thế, đề tài “Xây
dựng mô hình cảnh báo sớm hạn khí tượng phục vụ công tác khai thác và quản
lý tài nguyên nước vùng Duyên hải Miền Trung” đã được đề xuất nghiên cứu.

2. Mục tiêu nghiên cứu
Đánh giá diễn biến hạn hán, xây dựng mô hình cảnh báo sớm hạn khí tượng phục
vụ cho công tác khai thác và quản lý tài nguyên nước vùng DHMT.
3. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu là: Hạn khí tượng, tính chất, mức độ, xu thế và phân bố
của hạn hán; Phạm vi nghiên là: Vùng Duyên hải Miền Trung.
4. Nội dung nghiên cứu của luận án
Phân tích đánh giá diễn biến hạn hán của vùng nghiên cứu; Phân tích diễn biến
hạn hán của vùng nghiên cứu trong các đợt xảy ra ENSO; Đánh giá tương quan
giữa hạn hán của vùng nghiên cứu với nhiệt độ mặt nước biển (SST) và chỉ số
dao động Nam bán cầu (SOI) để lựa chọn biến đầu vào cho mô hình dự báo hạn;
Thiết lập cấu trúc các mô hình dự báo hạn khí tượng bằng phương pháp thống kê
(Mạng noron thích nghi mờ, ANFIS) và lựa chọn mô hình dự báo phù hợp cho
vùng nghiên cứu; Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng
nghiên cứu bằng các bản đồ dự báo chỉ số hạn.
1


5. Phương pháp nghiên cứu
Phương pháp phân tích thống kê; phương pháp kế thừa; phương pháp vùng hạn
không kề giáp nhau (NCDA); phương pháp phân tích tương quan; phương pháp
phân tích tổng hợp; và phương pháp mô hình toán (mô hình ANFIS).
6. Ý nghĩa khoa học và thực tiễn
Luận án đã góp phần bổ sung cơ sở khoa học trong việc sử dụng và lựa chọn chỉ
số hạn, xây dựng bản đồ hạn theo phương pháp NCDA và phương pháp dự báo
hạn khí tượng. Kết quả nghiên cứu của luận án có thế được ứng dụng để xây dựng
mô hình cảnh báo sớm hạn khí tượng cho khu vực nghiên cứu cũng như các khu
vực khác, giúp cho các nhà quản lý, nhà hoạch định chính sách và người dân địa
phương chủ động trong việc khai thác và quản lý tài nguyên nước.
7. Cấu trúc của luận án

Nội dung bao gồm phần mở đầu, phần kết luận kiến nghị và 3 chương:
Chương 1: Tổng quan tình hình nghiên cứu và dự báo hạn
Chương 2: Cơ sở khoa học và phương pháp dự báo hạn khí tượng cho vùng
Duyên hải Miền Trung
Chương 3: Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng Duyên hải
Miền Trung.
CHƯƠNG 1 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU VÀ DỰ BÁO HẠN

1.1 Khái niệm về hạn hán
1.1.1 Định nghĩa và phân loại hạn hán.
Hạn hán là một phần tự nhiên của khí hậu, hạn hán hình thành do một hoặc nhiều
nguyên nhân khác nhau, bao gồm sự thiếu hụt mưa, lượng bốc hơi lớn và việc
khai thác quá mức nguồn tài nguyên nước. Hạn hán xuất hiện trên khắp thế giới
có thể xảy ra ở tất cả các vùng khí hậu, với các đặc tính của hạn biến đổi đáng kể
từ vùng này sang vùng khác. Theo tổ chức Khí tượng Thế giới (WMO), hạn hán
được phân thành 4 loại là: (1) Hạn khí tượng; (2) Hạn thủy văn; (3) Hạn nông
nghiệp; (4) Hạn kinh tế - xã hội.
1.1.2 Các chỉ số hạn
Chỉ số hạn thường là một con số đặc trưng cho trạng thái chung của hạn hán tại
một thời điểm đo được, mỗi chỉ số hạn hán đều được lựa chọn sao cho phù hợp
2


với khu vực nghiên cứu và mục đích nghiên cứu. Dưới đây là một số chỉ số đã
được dùng phổ biến trên thế giới:
 Chỉ số hạn khí tượng: Chỉ số chuẩn hóa lượng mưa (SPI); chỉ số Sazonop
(SaI); Chỉ số chuẩn hóa lượng mưa và bốc hơi (SPEI). Trong các chỉ số hạn
khí tượng trên thì ở Việt Nam chủ yếu sử dụng chỉ số SPI và SaI, còn chỉ số
SPEI mới được đề xuất năm 2010 nên vẫn chưa được sử dụng rộng rãi.
 Chỉ số hạn Nông nghiệp: Chỉ số độ ẩm tương đối của đất (RSMI); chỉ số độ

ẩm đất bất thường (SMAPI); chỉ số Palmer (PDSI); chỉ số chuẩn hóa độ ẩm
đất (SSI); chỉ số độ ẩm cây trồng (SMI). Trong các chỉ số hạn nông nghiệp
trên thì chỉ số được sử dụng rộng rãi nhất trên thế giới và ở Việt Nam là chỉ
số PDSI.
 Chỉ số hạn thủy văn: Chỉ số cung cấp nước mặt (SWSI).
 Chỉ số hạn kinh tế-xã hội: Chỉ số khan hiếm nước xã hội (SWSI).
1.1.3 Các đặc trưng của hạn hán
Các đợt hạn hán thường khác nhau bởi ba đặc trưng là: cường độ, thời gian, sự
trải rộng theo không gian.
1.2 Tình hình hạn hán và các nghiên cứu về hạn hán trên thế giới
1.2.1 Tình hình hạn hán trên thế giới
Trong những thập kỷ gần đây hạn hán xảy ra nhiều nơi trên thế giới, gây nhiều
thiệt hại về kinh tế, ảnh hưởng đến đời sống con người và môi trường sinh thái.
Hàng năm có khoảng 21 triệu ha đất biến thành đất không có năng suất kinh tế
do hạn hán. Trong gần 1/4 thế kỷ vừa qua, số dân gặp rủi ro vì hạn hán trên những
vùng đất khô cằn đã tăng hơn 80%. Hơn 1/3 đất đai thế giới đã bị khô cằn mà
trên đó có 17,7% dân số thế giới sinh sống. Thiệt hại do hạn hán gây ra ở nhiều
nước trên thế giới là rất nghiêm trọng, kể cả về người và tài sản.
1.2.2 Các nghiên cứu về hạn hán trên thế giới
Trên thế giới đã có nhiều nghiên cứu về hạn hán. Nhưng do tính phức tạp của
hiện tượng này, đến nay vẫn chưa có một phương pháp chung cho các nghiên
cứu về hạn hán. Trong việc xác định, nhận dạng, giám sát và cảnh báo hạn hán,
các tác giả thường sử dụng công cụ chính là các chỉ số hạn. Các kết quả nghiên
cứu cho thấy không có một chỉ số nào có ưu điểm vượt trội so với các chỉ số khác

3


trong mọi điều kiện. Do đó, việc áp dụng các chỉ số/hệ số hạn phụ thuộc vào điều
kiện cụ thể của từng vùng cũng như cơ sở dữ liệu quan trắc sẵn có ở vùng đó.

Hiện nay công tác dự báo, cảnh báo hạn được thực hiện theo hai cách tiếp cận
chính: (1) Dự báo trực tiếp các chỉ số hạn bằng các mô hình dự báo thống kê
thuần túy. Phương pháp này dựa trên mối tương quan giữa chỉ số hạn với các
nhân tố hoàn lưu quy mô lớn cũng như các đặc trưng về ENSO, … Nhiều nghiên
cứu đã chứng minh rằng các đặc trưng của ENSO là những nhân tố quan trọng
đối với hạn hán và có thể sử dụng làm nhân tố dự báo; (2) Cách tiếp cận thứ 2 là
dự báo trên cơ sở sản phẩm dự báo của các mô hình khí hậu, mô hình thủy văn.
Phương pháp này liên quan trực tiếp đến khả năng dự báo các điều kiện khí hậu,
thủy văn đem lại các đặc tính vật lý của hạn hán, trước hết là mưa, nhiệt độ, dòng
chảy, độ ẩm đất.
1.3 Tình hình hạn hán và các nghiên cứu về hạn hán ở Việt Nam
1.3.1 Tình hình hạn hán ở Việt Nam
Tình hình hạn hán ở Việt Nam diễn biến ngày càng phức tạp, từ năm 1985 ÷ 2016
Việt Nam đã xẩy ra một số đợt hạn như: năm 1992, hạn nặng ở miền Trung và
đồng bằng Nam Bộ; hạn xảy ra gay gắt ở một số tỉnh thuộc Trung Bộ vào vụ
đông xuân 1994-1995; năm 2002 và 2004-2005 hạn hán xảy ra trên diện rộng,
nhất là ở vùng BTB, NTB và Tây Nguyên; mùa khô năm 2009-2010 trên các hệ
thống sông, suối toàn quốc, dòng chảy đều thiếu hụt, mực nước xuống mức thấp
lịch sử đã gây ra tình trạng thiếu nước cho SXNN. Đặc biệt là đợt hạn trầm trọng
trên diện rộng vào đông xuân 1997-1998, chỉ tính riêng thiệt hại về vật chất trong
nông nghiệp ở Việt Nam đã tới con số 5.000 tỷ đồng; và năm 2014-2016, do hiện
tượng El Nino đã gây ra hạn hán, xâm nhập mặn. Đã đe dọa nghiêm trọng đến
sản xuất NN và dân sinh, tổng thiệt hại ước tính là 5.572 tỷ VN đồng.
1.3.2 Các nghiên cứu về hạn hán ở Việt Nam
Các nghiên cứu về hạn hán ở Việt Nam trong những năm gần đây, chủ yếu tập
trung vào 2 vấn đề chính: (1) Nghiên cứu cơ bản về hạn hán và tác động tới dân
sinh, kinh tế, xã hội; (2) Các giải pháp, phòng chống và giảm nhẹ thiệt hại do hạn
hán. Năm 2001, Nguyễn Đức Hậu đã nghiên cứu xác định và ứng dụng chỉ tiêu
hạn để đánh giá tác động của ENSO đến tình hình hạn và xây dựng các phương
trình hồi quy dự báo hạn cho 7 vùng khí hậu ở Việt Nam. Đến năm 2007, Nguyễn

Văn Thắng đã đánh giá được mức độ hạn hán, chọn được các chỉ tiêu xác định
4


hạn hán phù hợp và xây dựng được công nghệ dự báo và cảnh báo sớm hạn hán
cho các vùng khí hậu ở Việt Nam bằng các số liệu khí tượng thuỷ văn và các tư
liệu viễn thám để phục vụ phát triển kinh tế xã hội. Năm 2015, Nguyễn Văn
Thắng đã xây dựng được bộ chỉ tiêu hạn phù hợp để thực hiện giám sát, cảnh báo
hạn hán; xây dựng công nghệ, quy trình mô hình thống kê tổ hợp dự báo hạn khí
tượng cho toàn quốc theo chỉ số hạn SPI; xây dựng được công nghệ, quy trình
ứng dụng sản phẩm dự báo của 8 mô hình toàn cầu trong cảnh báo hạn ở Việt
Nam hạn đến 6 tháng.
Với vùng nghiên cứu thì Nguyễn Trọng Hiệu (2000) và Nguyễn Văn Cư (2001)
đã nghiên cứu xác định chỉ tiêu hạn, đánh giá tác động của hạn hán, nguyên nhân
hoang mạc hoá và các giải pháp phòng chống hạn hán, hoang mạc hoá ở 4 tỉnh
Quãng Ngãi, Bình Định, Ninh Thuận và Bình Thuận. Đào Xuân Học (2001) đã
sử dụng chỉ số khô hạn Sazonop để khảo sát, đánh giá hạn hán cho các tỉnh
DHMT. Năm 2005, Nguyễn Quang Kim đã nghiên cứu hiện trạng hạn hán, thiết
lập cơ sở khoa học cho quy trình dự báo hạn cho vùng NTB và Tây nguyên, lập
trình các phần mềm tính toán chỉ số hạn và phần mềm dự báo hạn khí tượng bằng
chỉ số SPI. Năm 2008, Trần Thục đã đánh giá được mức độ hạn hán và thiếu
nước sinh hoạt ở 9 tỉnh Nam Trung Bộ và Tây Nguyên. Năm 2014, Nguyễn
Lương Bằng đã sử dụng chỉ số SPI và SPEI trong nghiên cứu ảnh hưởng của
ENSO tới diễn biến hạn khí tượng ở lưu vực sông Cái Khánh Hòa, kết quả nghiên
cứu cho thấy chỉ số SPEI đánh giá diễn biến hạn hán ở lưu vực sông Cái là phù
hợp hơn so với chỉ số SPI.
Về phương pháp dự báo hạn, thì các nghiên cứu trước đây ở Việt Nam chủ yếu
sử dụng phương pháp thống kê. Nguyễn Quang Kim (2005) đã sử dụng mô hình
hồi qui tuyến tính đa biến để dự báo hạn bằng chỉ số SPI cho vùng NTB và Tây
Nguyên, các nhân tố dự báo được sử dụng là chỉ số SOI, SST và độ cao địa thế

vị mực 500mb. Nguyễn Văn Thắng (2015) cũng sử dụng mô hình hồi quy tuyến
tính đa biến để dự báo chỉ số hạn SPI cho 7 vùng khí hậu ở Việt Nam. Nguyễn
Lương Bằng (2015) đã ứng dụng mô hình ANFIS để dự báo hạn thông qua hai
chỉ số SPI và SPEI cho tỉnh Khánh Hòa với các biến đầu vào là nhiệt độ mặt
nước biển (SST). Nguyễn Văn Thắng (2015) đã xây dựng được công nghệ, quy
trình ứng dụng sản phẩm dự báo của 8 mô hình toàn cầu trong cảnh báo hạn ở
Việt Nam hạn đến 6 tháng bằng chỉ số SPI.

5


1.4 Tổng quan về vùng nghiên cứu
Vùng DHMT bao gồm 14 tỉnh và thành phố trải dài từ Thanh Hóa đến Bình
Thuận. Vùng nghiên cứu thường xảy ra hạn hán do ảnh hưởng của các đợt El
Nino, đặc biệt là các tỉnh từ Khánh Hòa đến Bình Thuận.
1.5 Kết luận chương 1
Qua nghiên cứu, phân tích tổng quan về các mô hình dự báo, cảnh báo hạn hán
trên thế giới cũng như Việt Nam. Luận án này đã định hướng lựa chọn các nội
dung và phương pháp nghiên cứu như sơ đồ sau:

Hình 1.3 Sơ đồ nội dung và phương pháp nghiên cứu
CHƯƠNG 2 CƠ SỞ KHOA HỌC VÀ PHƯƠNG PHÁP DỰ BÁO HẠN
KHÍ TƯỢNG CHO VÙNG DUYÊN HẢI MIỀN TRUNG
2.1 Hiện trạng hạn hán của vùng nghiên cứu
Theo số liệu thống kê của Tổng cục Thủy lợi trong 35 năm từ 1980 đến 2014,
vùng DHMT đã xảy ra nhiều đợt hạn hán, làm thiệt hại tới hàng trăm nghìn hecta
6


đất trồng và thiếu nước sinh hoạt trầm trọng cho hàng triệu người dân. Tỷ lệ diện

tích hạn trên diện tích gieo cấy lớn nhất là năm 1993 sau đó đến các năm 2010,
2005, 1998, 1985 và 1988, tuy nhiên trên thực tế thì năm 1998 là năm xảy ra hạn
nặng nhất với 180836ha bị hạn và 51130ha bị mất trắng. Thời kỳ hạn căng thẳng
nhất ở vùng nghiên cứu là vào vụ Hè thu từ cuối tháng 6 đến đầu tháng 9, tần
suất xảy ra hạn trên diện rộng của vùng DHMT là 5-9 năm thì xảy ra một lần.

Hình 2.3 Tỷ lệ diện tích bị hạn so với tổng diện tích gieo cấy của vùng DHMT
2.2 Giới thiệu về ENSO và các số liệu cần thu thập
2.2.1 Giới thiệu về ENSO
ENSO (El Nino and the Southern Oscillation) là hiện tượng tương tác giữa đại
dương và khí quyển ở Thái Bình Dương (TBD), là yếu tố theo mùa làm ảnh
hưởng đến biến đổi khí hậu. El Nino tên gọi hiện tượng tăng lên khác thường của
nhiệt độ nước biển tầng mặt (SST) vùng xích đạo phía đông TBD. Đối lập với
hiện tượng El Nino, là hiện tượng SST vùng xích đạo đông TBD lạnh đi khác
thường được gọi là La Nina. Dao động Nam (Southern Oscillation-SO) là nguyên
nhân dẫn đến sự trao đổi không khí giữa Đông và Tây bán cầu. SO được xác định
qua trị số chênh lệch áp suất không khí mặt biển giữa Tahiti (17,5S; 149,6W)
nằm ở đông nam TBD và Darwin (12.4S; 130.9E) nằm ở tây bắc Australia.
Để theo dõi hoạt động ENSO người ta dựa vào chuẩn sai nhiệt độ nước biển tầng
mặt (SSTA) ở vùng biển xích đạo TBD. Một chu trình El Nino là thời kỳ liên
tục, có trị số trung bình trượt 5 tháng của SSTA ở vùng Nino3.4 (5N-5S,
120W-170W) lớn hơn hoặc bằng 0.5C, một chu trình La Nina là thời kỳ liên
tục, có trị số trung bình trượt 5 tháng của SSTA ở vùng Nino3.4 nhỏ hơn hoặc
bằng -0.5C. Từ năm 1985 đến năm 2014 đã xuất hiện 9 lần El Nino và 9 lần La
Nina. Sự thay đổi SST ở TBD đã gây ra các hoạt động ENSO dẫn đến sự bất
thường của các khối khí biển cũng như sự hoạt động của gió mùa và các nhiễu
7


động xích đạo-nhiệt đới làm biến đổi thời tiết ở vùng phía tây TBD trong đó có

vùng nghiên cứu.
2.2.2 Các số liệu cần thu thập
1. Mưa, nhiệt độ: Được thu thập ở 27 trạm khí tượng trong vùng DHMT. Số liệu
sử dụng trong nghiên cứu được lấy từ tháng 1-1985 đến tháng 12-2014.
2. Chuẩn sai nhiệt độ mặt nước biển (SSTA): SSTA ở vùng Nino3.4 được lấy từ
1/1984 ÷ 12/2014 tại website ( />_monitoring/ensostuff/ONI_ v5.php).
3. Chỉ số dao động Nam bán cầu (SOI): Số liệu SOI được lấy từ 1/1984 ÷ 12/2014
tại website (c. noaa.gov/teleconnections/enso/indicators/soi/).
2.3 Phương pháp dự báo hạn khí tượng cho vùng nghiên cứu
Nội dung và phương pháp đánh giá, dự báo và cảnh báo hạn khí tượng cho vùng
nghiên cứu được minh họa như sơ đồ sau:

Hình 2.8 Sơ đồ minh họa các nội dung và phương pháp dự báo hạn khí tượng
2.3.1 Lựa chọn chỉ số hạn
8


Chỉ số SPI đã được dùng trong nhiều nghiên cứu để đánh giá và cảnh báo, kết
quả cho thấy chỉ số SPI là phù hợp với vùng nghiên cứu. Vì thế, trong luận án
này tác giả cũng sẽ lựa chọn chỉ số SPI, đồng thời sử thêm chỉ số SPEI (chỉ số
này mới được đề xuất năm 2010 và chưa được nghiên cứu, sử dụng rộng rãi ở
VN) để so sánh đánh giá sự phù hợp của hai chỉ số này trong việc đánh giá và
cảnh báo sớm hạn khí tượng của vùng nghiên cứu.
 Chỉ số SPI: Được McKee và cộng sự đề xuất năm 1993, chỉ số SPI được
tính toán dựa trên hàm phân phối gamma với liệt số liệu mưa theo thời gian ở
dạng biến ngẫu nhiên có phân phối chuẩn.
 Chỉ số SPEI: Được Vicente-Serrano đề xuất năm 2010, chỉ số SPEI được
tính toán dựa trên hàm phân bố xác suất log-logistic với liệt số liệu hiệu số giữa
lượng mưa và bốc hơi theo thời gian ở dạng biến ngẫu nhiên có phân phối chuẩn.
Trong luận án này các chỉ số SPI, SPEI sẽ tính toán với các quy mô thời gian

khác nhau (1 và 3 tháng). Chỉ số SPI và SPEI với thời đoạn 1 tháng được ký hiệu
lần lượt là SPI1 và SPEI1, chỉ số SPI và SPEI với thời đoạn 3 tháng được ký hiệu
lần lượt là SPI3 và SPEI3.
Bảng 2.3 Phân cấp hạn hán theo chỉ số SPI, SPEI
Chỉ số SPI, SPEI
≥ 2,0
1,5÷1,99
1,0 ÷ 1,49
0.50 ÷ 0,99
-0.49 ÷ 0.49

Điều kiện khí hậu
Cực kỳ ẩm
Rất ẩm
Ẩm vừa
Ẩm nhẹ
Bình thường

Chỉ số SPI, SPEI
-0.50 ÷ - 0.99
-1,0 ÷ -1,49
-1,5 ÷ -1,99
≤ -2,0

Điều kiện khí hậu
Hạn nhẹ
Hạn vừa
Hạn nặng
Hạn cực nặng

Trong luận án này tác giả đã viết code chương trình tính toán các chỉ số này trên
ngôn ngữ lập trình R.
2.3.2 Phân tích đánh giá diễn biến hạn hán của vùng nghiên cứu bằng các chỉ
số hạn
Trong luận án này sử dụng phương pháp vùng hạn không kề giáp nhau (NCDA)
để phân tích, đánh giá diễn biến hạn hán của vùng nghiên cứu. Phương pháp này
chia vùng nghiên cứu thành các ô lưới và coi điều kiện hạn hán của mỗi ô lưới
này là độc lập, không liên quan với nhau. Để có thể áp dụng phương pháp NCDA
cho vùng DHMT, các bước được thực hiện như sau: (1) Chia vùng nghiên cứu
thành 3752 ô lưới với diện tích 5×5km; (2) Nội suy mưa và nhiệt độ tới các ô
lưới bằng phương pháp trọng số nghịch đảo khoảng cách; (3) Kiểm định kết quả
nội suy mưa và nhiệt độ; (4) Tính các chỉ số hạn SPI, SPEI theo thời đoạn 1 và 3
9


tháng cho các ô lưới; (5) áp dụng phương pháp NCDA để đánh giá hạn theo
không gian, thời gian thông qua tỷ lệ diện tích các cấp hạn tương ứng (cấp 1, 2,
3 và 4 tương ứng là nhẹ, vừa, nặng và rất nặng).
2.3.3 Phân tích ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên
cứu
Sự thay đổi SSTA, SOI ở TBD đã gây ra các hoạt động ENSO dẫn đến sự bất
thường của các khối khí biển dẫn đến hiện tượng El Nino, khi El Nino xuất hiện
thì lượng mưa của vùng nghiên cứu sẽ giảm và khả năm xảy ra hạn hán sẽ cao.
Vì thế, trong luận án này tác giả sẽ đi nghiên cứu ảnh hưởng của hoạt động ENSO
tới diễn biến hạn khí tượng theo không gian và thời gian của vùng nghiên cứu
bằng hai phương pháp sau: (1) phân tích diễn biến hạn hán của vùng nghiên cứu
trong các thời kỳ xảy ra El Nino; (2) xác định mối tương quan giữa SSTA, SOI
với các chỉ số SPI, SPEI bằng phương trình tương quan (với 2 thời đoạn 1 và 3
tháng). Mỗi chuỗi chỉ số hạn sẽ xác định tương quan với 12 chuỗi SSTA và SOI
khác nhau (12 chuỗi SSTA và SOI là các chuỗi SSTA và SOI có độ trễ so với chỉ

số hạn là từ 1 tháng đến 12 tháng). Giá trị tuyệt đối của hệ số tương quan càng
lớn (càng gần 1) thì mối quan hệ tuyết tính giữa chỉ số hạn và SSTA, SOI càng
chặt chẽ.
2.3.4 Thiết lập mô hình dự báo hạn khí tượng, đề xuất mô hình dự báo phù
hợp cho vùng nghiên cứu
Các đánh giá và dự báo hạn hán có thể được thực hiện bằng việc sử dụng các chỉ
số hạn hán. Từ phần đánh giá tổng quan về các mô hình dự báo hạn trên thế giới
và Việt Nam hiện nay, NCS lựa chọn mô hình dự báo hạn với các thành phần
như sau;
1. Biến đầu ra (yếu tố dự báo)
Biến đầu ra là các chỉ hạn SPI, SPEI với các thời đoạn là 1 và 3 tháng. Kết quả
đầu ra của các chỉ số hạn SPI, SPEI được thể hiện thông qua 3 yếu tố là thời gian
dự báo (hạn ngắn, hạn dài), tính chất nghiêm trọng và khả năng phát sinh (độ lớn
nhỏ theo phân cấp hạn hán của các chỉ số hạn).
2. Biến đầu vào (nhân tố dự báo)
Các biến đầu vào là số liệu SSTA và SOI có hệ số tương quan cao với các chỉ số
SPI và SPEI, đồng thời kết hợp với chỉ số SPI và SPEI ở các bước thời gian trước

10


đó. Chi tiết về loại biến và số biến đầu vào của mô hình dự báo được trình bày ở
hình 2.4 phía sau.
3. Phương pháp dự báo
Mô hình ANFIS do J. S. R. Jang và cộng sự đề xuất năm 1997 được sử dụng để
xây dựng các mô hình dự báo các chỉ số SPI, SPEI với các nhân tố dự báo khác
nhau để tìm ra mô hình dự báo phù hợp với vùng nghiên cứu. ANFIS được dựa
trên một hệ thống giao diện mờ và được đào tạo bởi một thuật toán bắt nguồn từ
lý thuyết mạng nơron, và có cấu trúc như hình sau:

Hình 2.11 Cấu trúc mô hình ANFIS
Giá trị đầu ra của SPI hoặc SPEI được tính như sau:

w1 f1  w2 f 2

w1  w2
w ( x , y , z ) f 1  x , y , z   w 2 ( x, y , z ) f 2  x , y , z 
 1
w1 ( z, y, z ) w2 x, y, z 

SPI hoặc SPEI = f  x, y, z  

(2-41)

Với thuật toán học lai của mô hình ANFIS thì tập số liệu đầu vào được chia là
hai bộ số liệu là bộ số liệu của quá trình luyện mạng và bộ số liệu của quá trình
kiểm định.
4. Thiết lập mô hình dự báo hạn khí tượng cho vùng nghiên cứu
 Cấu trúc của các mô hình dự báo
Cấu trúc của các mô hình dự báo (loại biến, số lượng biến đầu vào) được thể hiện
chi tiết ở hình 2.13.
Tập dữ liệu luyện mạng sử dụng số liệu từ năm 1985-2009; tập số liệu kiểm định
sử dụng số liệu từ năm 2010-2014.
11


Hình 2.13 Cấu trúc của các mô hình dự báo
 Đánh giá chất lượng dự báo
Việc đánh giá chất lượng dự báo của các mô hình cho quá trình luyện mạng và
kiểm định được đánh giá thông qua 3 hệ số: RSR (RMSE-observations standard

deviation ratio); CORR (Correlation Coefficient); E (Efficiency), hay còn gọi là
chỉ số Nash. Một mô hình dự báo có chất lượng tốt khi giá trị của CORR, E gần
giá trị 1.0 và RSR gần giá trị 0.0, ngoài ra các giá trị RSR, E phải đảm bảo tiêu
chí đánh giá theo tiêu chuẩn của WMO như bảng sau:
Bảng 2.4 Tiêu chí đánh giá chất lượng dự báo
Xếp loại
Rất tốt
Tốt
Đạt yêu cầu
Không đạt

RSR
0 ≤ RSR ≤ 0.5
0.5 < RSR ≤ 0.6
0.6 < RSR ≤ 0.7
RSR > 0.7

12

E
0.75 < E ≤ 1
0.65 < E ≤ 0.75
0.50 < E ≤ 0.65
E ≤ 0.5


Các mô hình dự báo hạn khí tượng cho vùng nghiên cứu được lập trình trên phần
mềm Matlab. Sơ đồ khối của chương trình dự báo hạn khí tượng được thể hiện
như hình sau:

Hình 2.14 Sơ đồ khối của chương trình dự báo
13


2.4 Kết luận chương 2
(1) Vùng DHMT là một trong những vùng thường xảy ra hạn hán, hạn căng thẳng
nhất là vào vụ Hè thu từ cuối tháng 6 đến đầu tháng 9. Trong nghiên cứu này đã
lựa chọn và sử dụng hai chỉ số hạn khí tượng là SPI và SPEI để đánh giá, dự báo
và cảnh báo hạn hán cho vùng nghiên cứu; (2) Phương pháp đánh giá diễn biến
hạn hán của vùng nghiên cứu trong các đợt xảy ra El Nino và phương pháp phân
tích tương quan giữa SSTA & SOI với các chỉ số hạn SPI, SPEI đã được sử dụng
để đánh giá ảnh hưởng của ENSO đến diễn biến hạn hán của vùng DHMT; (3)
Phương pháp dự báo hạn khí tượng là mô hình ANFIS với biến đầu ra là các chỉ
số hạn (SPI, SPEI) ở tương lai, biến đầu vào là các chuỗi SSTA, SOI và chuỗi
chỉ số hạn (SPI, SPEI) ở các bước thời gian trước; (4) Năm mô hình dự báo với
biến và số biến đầu vào khác nhau đã được thiết lập, chất lượng dự báo của 5 mô
hình này được so sánh, đánh giá thông qua 3 hệ số thống kê là RSR, CORR và
E.
CHƯƠNG 3 XÂY DỰNG MÔ HÌNH CẢNH BÁO SỚM HẠN KHÍ
TƯỢNG CHO VÙNG DUYÊN HẢI MIỀN TRUNG
3.1 Diễn biến hạn hán theo không gian, thời gian của vùng nghiên cứu
3.1.1 Phân tích kết quả kiểm định nội suy lượng mưa và nhiệt độ
Phương pháp nội suy IDW có đủ độ tin cậy để nội suy lượng mưa và nhiệt độ
phục vụ cho việc tính toán chỉ số hạn của vùng nghiên cứu.
3.1.2 Diễn biến hạn hán theo thời gian của vùng nghiên cứu
Diễn biến hạn hán theo thời gian của vùng nghiên cứu thông qua 2 chỉ số SPI,
SPEI được thể hiện như các hình sau:

Hình 3.5 Diễn biến hạn hán vùng DHMT theo chỉ số SPI1 và SPEI1

14


Hình 3.6 Diễn biến hạn hán vùng DHMT theo chỉ số SPI3 và SPEI3
Diễn biến hạn hán của cùng DHMT theo hai chỉ số đều thể hiện các năm 1988,
1993, 1998, 2005, 2010 xuất hiện hạn hán kéo dài, phù hợp với các đợt hạn hán
trong thực tế. Nhưng chỉ số SPEI phản ánh diễn biến hạn hán của vùng nghiên
cứu phù hợp với tình hình hạn hán trong thực tế vùng nghiên cứu hơn chỉ số SPI,
và chỉ số SPEI3 lại phản ánh diễn biến hạn hán phù hợp hơn chỉ số SPEI1.
3.1.3 Diễn biến hạn hán theo không gian của vùng nghiên cứu
Tỷ lệ diện tích hạn theo chỉ số SPI, SPEI và thực tế sản xuất nông nghiệp của
vùng nghiên cứu được thể hiện trong các hình sau:

Hình 3.11 Tỷ lệ DT hạn hán theo chỉ số SPI3, SPEI3 và thực tế SXNN
Tỷ lệ diện tích bị hạn theo chỉ số SPEI lớn hơn chỉ số SPI ở hầu hết các năm, chỉ
có một số năm thì ngược lại, tỷ lệ diện tích bị hạn theo chỉ số SPEI3 là lớn nhất,
sau đó là SPI3, tiếp theo là SPEI1 và thấp nhất là SPI1. Tần suất xảy ra hạn của
các chỉ số theo không gian được thể hiện ở hình sau:

15


Hình 3.12 Tần suất (%) xảy ra hạn của các chỉ số theo không gian
3.2 Ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu
3.2.1 Diễn biến hạn hán của vùng DHMT trong các thời kỳ phát sinh ENSO
Diễn biến hạn hán của vùng nghiên cứu theo các chỉ số SPI, SPEI trong các thời
kỳ xảy ra ENSO được thể hiện trong các hình sau:

Hình 3.27 Giá trị SPI, SPEI-1 trong các thời kỳ xảy ra ENSO

Hình 3.28 Giá trị SPI, SPEI-3 trong các thời kỳ xảy ra ENSO
Trong các đợt xảy ra El Nino thì vùng nghiên cứu đều phát sinh hạn hán, nhưng
thời điểm của các đợt hạn hán thường xảy ra muộn hơn (trễ hơn) thời điểm xảy
16


ra các đợt El Nino. Chỉ số SPEI3 phản ánh mức độ hạn hán của vùng nghiên cứu
trong các đợt El Nino lớn hơn các chỉ số hạn khác.
3.2.2 Đánh giá kết quả mối tương quan giữa SSTA và SOI với SPI và SPEI
Kết quả hệ số tương quan trung bình giữa SSTA, SOI với các chỉ số SPI, SPEI
tại các ô lưới của toàn bộ khu vực nghiên cứu được thể hiện ở bảng 3.4.
Tương quan giữa SSTA với các chỉ số SPI, SPEI đạt giá trị cao nhất khi chuỗi số
liệu SSTA trước chuỗi số liệu SPI, SPEI là 3 tháng (độ trễ 3 tháng), còn tương
quan giữa SOI với các chỉ số SPI, SPEI đạt giá trị cao nhất khi chuỗi số liệu SOI
trước chuỗi số liệu SPI, SPEI là 2 tháng (độ trễ 2 tháng).
Bảng 3.4 Hệ số tương quan giữa SSTA, SOI với các chỉ số SPI, SPEI
Hệ số tương quan giữa SSTA1 với SPI1, SPEI1
Độ trễ j
1
2 (*) 3 (*) 4 (*) 5 (*)
6
7
8
9
(tháng)
SPI1
-0.14 -0.157 -0.167 -0.161 -0.146 -0.119 -0.108 -0.094 -0.089
SPEI1
-0.14 -0.157 -0.167 -0.161 -0.146 -0.119 -0.108 -0.094 -0.089
Hệ số tương quan giữa SSTA3 với SPI3, SPEI3

Độ trễ j
1
2 (*) 3 (*) 4 (*) 5 (*)
6
7
8
9
(tháng)
SPI3
-0.256 -0.269 -0.274 -0.266 -0.244 -0.212 -0.183 -0.156 -0.134
SPEI3
-0.256 -0.269 -0.274 -0.266 -0.244 -0.212 -0.183 -0.156 -0.134
Hệ số tương quan giữa SOI1 với SPI1, SPEI1
Độ trễ j
1 (*) 2 (*) 3 (*) 4 (*)
5
6
7
8
9
(tháng)
SPI1
0.162 0.169 0.143 0.144 0.138 0.088 0.085 0.063 0.058
SPEI1
0.162 0.169 0.143 0.144 0.138 0.088 0.085 0.063 0.058
Hệ số tương quan giữa SOI3 với SPI3, SPEI3
Độ trễ j
1 (*) 2 (*) 3 (*) 4 (*)
5
6

7
8
9
(tháng)
SPI3
0.278 0.303 0.292 0.266 0.238 0.213 0.17 0.124 0.096
SPEI3
0.278 0.303 0.292 0.266 0.238 0.213 0.17 0.124 0.096

10

11

12

-0.073 -0.062 -0.064
-0.073 -0.062 -0.064

10

11

12

-0.118 -0.109 -0.102
-0.118 -0.109 -0.102

10

11

12

0.045 0.042 0.037
0.045 0.042 0.037

10

11

12

0.079 0.071 0.06
0.079 0.071 0.06

Ghi chú: * Mối tương quan có độ tin cậy trên 90%
3.3 Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
3.3.1 Đánh giá kết quả các mô hình dự báo hạn cho vùng nghiên cứu
Kết quả các thông số thống kê (CORR, E và RSR) của các mô hình dự báo SPI,
SPEI được thể hiện ở bảng sau:

17


Bảng 3.5 Đánh giá chất lượng dự báo các chỉ số hạn của các mô hình
SPI1
SPEI1
Mô Quá trình luyện mạng Quá trình kiểm đinh Mô Quá trình luyện mạng Quá trình kiểm đinh
hình CORR E
RSR CORR

E
RSR hình CORR E
RSR CORR E
RSR
M1
0.33 0.11 0.94
0.26
0.06 0.97 M1 0.38 0.14 0.92
0.45 0.13 0.93
M2
0.38 0.15 0.92
0.29
0.05 0.97 M2 0.46 0.22 0.89
0.35 0.09 0.96
M3
0.56 0.31 0.83
0.36
0.12 0.94 M3 0.63 0.40 0.77
0.40 0.14 0.93
M4
0.82 0.67 0.58
0.46
0.21 0.89 M4 0.83 0.68 0.56
0.48 0.18 0.91
M5
1.00 1.00 0.06
0.16 -0.01 1.01 M5 1.00 1.00 0.04
0.55 0.21 0.89
SPI3
SPEI3

Mô Quá trình luyện mạng Quá trình kiểm đinh Mô Quá trình luyện mạng Quá trình kiểm đinh
hình CORR E
RSR CORR
E
RSR hình CORR E
RSR CORR E
RSR
M1
0.53 0.28 0.85
0.52
0.24 0.87 M1 0.60 0.36 0.80
0.77 0.32 0.82
M2
0.58 0.34 0.81
0.60
0.28 0.85 M2 0.64 0.41 0.77
0.78 0.36 0.80
M3
0.76 0.57 0.65
0.42
0.12 0.94 M3 0.76 0.57 0.65
0.78 0.46 0.73
M4
0.90 0.81 0.44
0.63
0.38 0.79 M4 0.91 0.82 0.42
0.82 0.68 0.56
M5
1.00 0.99 0.08
0.60

0.34 0.81 M5 1.00 0.99 0.07
0.74 0.53 0.69

Mô hình M4 dự báo chỉ số SPEI3 là mô hình có chất lượng dự báo là tốt nhất,
đảm bảo tiêu chí đánh giá theo tiêu chuẩn của WMO (bảng 2.4). Kết quả so sánh
giữa giá trị SPEI3 thực tế tính toán và dự báo của hai quá trình luyện mạng và
kiểm định bằng mô hình M4 cho vùng nghiên cứu được thể hiện ở hình sau:

Hình 3.32 So sánh kết quả dự báo chỉ số SPEI3 theo mô hình M4 cho toàn vùng
3.3.2 Lựa chọn chỉ số để cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
Theo kết quả đánh giá diễn biến hạn hán theo không gian và thời gian bằng các
chỉ số hạn SPI, SPEI ở mục 3.1 thì chỉ số SPEI3 phản ánh diễn biến hạn hán của
vùng nghiên cứu phù hợp với tình hình hạn thực tế hơn các chỉ số khác. Đồng
thời từ kết quả nghiên cứu trong mục 3.3.1 thì kết quả dự báo hạn theo chỉ số
SPEI3 cũng cho kết quả dự báo tốt nhất. Vì thế, trong luận án này tác giả lựa
chọn chỉ số để cảnh báo sớm hạn khí tượng là chỉ số SPEI3.
18


Bảng 3.6 Cấp hạn và cấp cảnh báo sớm hạn khí tượng theo chỉ số SPEI3
SPEI3
≥ - 0.49

Điều kiện
khí hậu
Không hạn

-0.50 ÷ - 0.99 Hạn nhẹ

-1.0 ÷ -1.49 Hạn vừa

-1.5 ÷ -1.99 Hạn nặng

≥ -2.0

Hạn cực
nặng

Cấp cảnh báo
Cấp 1: Khuyến cáo về tình trạng thiếu hụt mưa, chú ý tiết kiệm
nước khi SPEI3 theo các thời đoạn khác nhau của tháng hoặc/và
của một vài tháng trước đều rơi vào cấp này.
Cấp 2: Cảnh báo tình trạng hạn vừa, chú ý tiết kiệm nước và
chuẩn bị công tác dự phòng. Đặc biệt lưu ý khi SPEI3 theo các
thời đoạn khác nhau của tháng hoặc/và của một vài tháng trước
đều rơi vào cấp này.
Cấp 3: Cảnh báo tình trạng hạn nặng, yêu cầu các biện pháp tiết
kiệm và hạn chế dùng nước, đặc biệt khi SPEI3 theo các thời
đoạn khác nhau của tháng hoặc/và của một vài tháng trước đều
rơi vào cấp này. Các công tác dự phòng cần được kiểm tra. Nếu
tình trạng nguồn nước (hồ chứa, dòng chảy mặt, nước ngầm)
giảm thấp có thể áp dụng chế độ ngừng cấp nước cho các hộ ít
quan trọng nhất.
Cấp 4: Cảnh báo tình trạng hạn rất nặng. Tùy theo tình trạng
nguồn nước mặt có thể ngừng cấp nước cho các hộ ít quan trọng
và/hoặc áp dụng chế độ dùng nước theo định mức. Có thể phải
khởi động các họat động cứu trợ.

3.3.3 Lựa chọn mô hình dự báo hạn cho vùng nghiên cứu
Trong nghiên cứu này tác giả đề xuất mô hình dự báo cho 6 tháng tiếp theo so

với thời gian quan trắc của vùng nghiên cứu gồm 2 loại dự báo là: (1) dự báo cho
2 tháng đầu (tháng 1 và 2 năm 2015) và (2) dự báo cho 4 tháng kế tiếp (tháng 3
đến tháng 6 năm 2015). Cấu trúc các tham số của 2 loại dự báo được thể hiện ở
bảng sau:
Bảng 3.7 Các tham số của các mô hình dự báo cho 6 tháng tiếp theo
Mô
Tham số đầu vào
hình
Hạn ngắn
SOI3(10/2014), SOI3(11/2014), SSTA3(10/2014),
M4
SSTA3(11/2014), SPEI3(12/2014)
SOI3(11/2014), SOI3(12/2014), SSTA3(11/2014),
M4
SSTA3(12/2014), SPEI3(1/2015)
Hạn dài
SOI3(12/2014), SOI3(1/2015), SSTA3(12/2014),
M4
SSTA3(1/2015), SPEI3(2/2015)

19

Đầu ra

SPEI3(1/2015)
SPEI3(2/2015)

SPEI3(3/2015)

M4
M4
M4

SOI3(1/2015), SOI3(2/2015), SSTA3(1/2015),
SSTA3(2/2015), SPEI3(3/2015)
SOI3(2/2015), SOI3(3/2015), SSTA3(2/2015),
SSTA3(3/2015), SPEI3(4/2015)
SOI3(3/2015), SOI3(4/2015), SSTA3(3/2015),
SSTA3(4/2015), SPEI3(5/2015)

SPEI3(4/2015)
SPEI3(5/2015)
SPEI3(6/2015)

3.3.4 Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
Từ kết quả và nội dung của các phần nghiên cứu phía trước tác giả đề xuất mô
hình cảnh báo hạn sớm hạn khí tượng cho vùng nghiên cứu như hình sau:

Hình 3.42 Sơ đồ mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
mô hình cảnh báo sớm hạn khí tượng này bao gồm 3 khối chính là: (1) khối quan
trắc và thu thập số liệu; (2) khối tính toán và xử lý số liệu; và (3) khối phân tích
20


tổng hợp số liệu quan trắc và kết quả dự báo để đưa ra các bản đồ, bản tin đánh
giá hiện trạng hạn và dự báo diễn biến hạn.
3.3.5 Bản đồ và số liệu cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
1. Bản đồ cảnh báo cho 2 tháng đầu (tháng 1 và tháng 2 năm 2015)
Tháng 1/2015

Tháng 1/2015

Hình 3.43 Bản đồ dự báo, cảnh báo theo chỉ số SPEI3 tháng 1, 2 năm 2015
2. Bản đồ cảnh báo cho 4 tháng kế tiếp (từ tháng 3 đến tháng 6 năm 2015)
Tháng 3/2015

Tháng 4/2015

Tháng 3/2015

Tháng 4/2015

Hình 3.44 Bản đồ dự báo, cảnh báo theo chỉ số SPEI3 tháng 3, 4, 5, 6 năm 2015
21


3.4 Kết luận chương 3
(1) Chỉ số SPEI phản ánh diễn biến hạn hán của vùng nghiên cứu phù hợp với
tình hình hạn hán trong thực tế vùng nghiên cứu hơn chỉ số SPI. Thời gian, quy
mô, cường độ và tần suất hạn hán của vùng DHMT theo chỉ số SPEI cũng lớn
hơn chỉ số SPI.
(2) Khi xảy ra một đợt El Nino thì vùng nghiên cứu sẽ phát sinh một đợt hạn hán
kéo dài trong nhiều tháng, nhưng thời điểm của các đợt hạn hán thường xảy ra
muộn hơn (trễ hơn) thời điểm xảy ra các đợt El Nino. Những chuỗi số liệu SSTA,
SOI có mối tương quan lớn với chuỗi SPI, SPEI sẽ được lựa chọn để làm biến
đầu vào cho các mô hình dự báo hạn khí tượng.
(3) Kết quả dự báo chỉ số SPEI3 bằng mô hình M4 có chất lượng dự báo cao
nhất, đạt yêu cầu theo các tiên chuẩn đánh giá chất lượng dự báo. Chỉ số hạn
được lựa chọn để đánh giá cấp độ hạn và cấp cảnh báo sớm hạn khí tượng là chỉ

số SPEI3. Đã lựa chọn được mô hình dự báo hạn ngắn 2 tháng và mô hình dự
báo hạn dài là 4 tháng tiếp theo.
(4) Mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu đã được xây dựng
với 3 khối chính là: khối quan trắc và thu thập số liệu; khối tính toán và xử lý số
liệu; và khối phân tích tổng hợp số liệu quan trắc và kết quả dự báo. Đồng thời
đã xây dựng được bản đồ cảnh báo sớm hạn khí tượng cho vùng nghiên cứu bằng
chỉ số SPEI3 từ tháng 1 đến tháng 6 năm 2015.
KẾT LUẬN VÀ KIẾN NGHỊ
1. Những kết quả đạt được của luận án
Hạn hán xuất hiện trên khắp thế giới có thể xảy ra ở tất cả các vùng khí hậu, trong
đó có vùng DHMT. Để có được những giải pháp khai thác và quản lý tài nguyên
nước hữu hiệu thì công tác cảnh báo sớm hạn khí tượng là rất quan trọng. Vì thế,
trong luận án này đã giải quyết và đạt được những kết quả sau:
(1) Từ năm 1985 – 2014, vùng DHMT đã có nhiều đợt hạn hán xảy ra, trong đó
có 5 đợt xảy ra hạn hán nghiêm trọng, hạn xảy ra trong cả 3 vụ sản xuất làm thiệt
hại đến hàng triệu hecta đất nông nghiệp. Thời kỳ hạn căng thẳng nhất là vụ Hè

22


thu từ cuối tháng 6 đến đầu tháng 9, và cứ 5 đến 9 năm lại xảy ra một đợt hạn
trên diện rộng.
(2) Diễn biến hạn hán theo các chỉ số SPI, SPEI đều thể hiện các năm 1988, 1993,
1998, 2005, 2010 xuất hiện hạn hán kéo dài trong nhiều tháng, phù hợp với các
đợt hạn hán trong thực tế là hạn hán xảy ra trong thời gian dài ở cả 3 vụ. Nhưng
chỉ số SPEI3 phản ánh diễn biến hạn hán của vùng nghiên cứu là phù hợp hơn
các chỉ số khác.
(3) Mức độ ảnh hưởng của hiện tượng El Nino đến hạn hán của vùng nghiên cứu
là tương đối lớn, khi xảy ra một đợt El Nino thì vùng nghiên cứu sẽ phát sinh một
đợt hạn hán kéo dài trong nhiều tháng, nhưng thời điểm của các đợt hạn hán

thường xảy ra muộn hơn (trễ hơn) thời điểm xảy ra các đợt El Nino.
(4) Khi SST ở vùng Nino3.4 tăng (SSTA dương) và SOI âm tính đều có ảnh
hưởng đến diễn biến hạn hán của khu vực nghiên cứu, đặc biệt là khi SST ở vùng
Nino3.4 tăng (SSTA ≥ 0.5C dẫn đến phát sinh El Nino) thì khả năng lớn sẽ phát
sinh một đợt hạn hán cho vùng nghiên cứu nhưng điểm phát sinh hạn hán thường
trễ hơn từ 2 đến 3 tháng.
(5) Kết quả dự báo chỉ số SPEI3 với biến đầu vào là các chuỗi SSTA3, SOI3
trước 2 & 3 tháng và chuỗi SPEI3 trước 1 tháng (mô hình M4) có chất lượng dự
báo cao nhất, đạt yêu cầu theo các tiên chuẩn đánh giá chất lượng dự báo.
(6) Các bản đồ cảnh báo sớm hạn khí tượng cho vùng nghiên cứu bằng chỉ số
SPEI3 từ tháng 1 đến tháng 6 năm 2015 đã được xây dựng từ mô hình dự báo
hạn ngắn (1÷2 tháng) và dự báo hạn dài (3÷6 tháng) bằng mạng ANFIS với cấu
trúc M4 được mô tả như bảng 3.6.
(7) Đã xây dựng được mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
gồm 3 khối chính là: khối quan trắc và thu thập số liệu; khối tính toán và xử lý
số liệu; và khối phân tích tổng hợp số liệu quan trắc và kết quả dự báo, mô hình
này được mô tả chi tiết như hình 3.42.
2. Những đóng góp mới của luận án
(1) Xác định được mối quan hệ của các yếu tố ENSO, diễn biến nhiệt độ mặt
nước biển dị thường (SSTA) và chỉ số dao động Nam bán cầu (SOI) với diễn
biến của hạn khí tượng của vùng Duyên hải Miền Trung (thông quan các chỉ số
23