Cấu trúc không - thời gian của nhiệt độ và lượng mưa tháng ở Việt Nam trong các thập kỷ gần đây và thử nghiệm dự báo : Luận văn ThS. Khoa học khí quyển và khí tượng: 60 44 87

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

ĐỖ VĂN MẪN

CẤU TRÚC KHÔNG - THỜI GIAN CỦA NHIỆT ĐỘ VÀ
LƢỢNG MƢA THÁNG Ở VIỆT NAM TRONG CÁC
THẬP KỶ GẦN ĐÂY VÀ THỬ NGHIỆM DỰ BÁO

LUẬN VĂN THẠC SỸ KHOA HỌC

Hà Nội - 2013

1


ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

ĐỖ VĂN MẪN

CẤU TRÚC KHÔNG - THỜI GIAN CỦA NHIỆT ĐỘ VÀ
LƢỢNG MƢA THÁNG Ở VIỆT NAM TRONG CÁC
THẬP KỶ GẦN ĐÂY VÀ THỬ NGHIỆM DỰ BÁO

Chuyên ngành: Khí tƣợng - Khí hậu học
Mã số: 604487

LUẬN VĂN THẠC SỸ KHOA HỌC

NGƢỜI HƢỚNG DẪN KHOA HỌC:
GS. TS. PHAN VĂN TÂN

Hà Nội - 2013

2


MỤC LỤC

DANH MỤC HÌNH VẼ ........................................................................................ 5
LỜI CẢM ƠN ....................................................................................................... 8
MỞ ĐẦU ............................................................................................................... 9
Chƣơng 1: TỔNG QUAN ................................... Error! Bookmark not defined.
I. TỔNG QUAN .................................................................................................. 10
1. Một số khái niệm chung .................................................................................. 10
2. Tình hình nghiên cứu ngoài nƣớc ................................................................... 12
3. Tình hình nghiên cứu trong nƣớc .................................................................... 16
II. MỘT SỐ PHƢƠNG PHÁP THỐNG KÊ ỨNG DỤNG TRONG DỰ BÁO
KHÍ HẬU ............................................................................................................ 18
1. Phƣơng pháp tƣơng quan, hồi qui ................................................................... 19
2. Phƣơng pháp xác suất có điều kiện và hàm phân biệt .................................... 20
3. Phƣơng pháp phân tích phổ ............................................................................. 20
4. Phƣơng pháp phân tích "mạng thần kinh" (neural network) .......................... 20
III. ĐÁNH GIÁ CHẤT LƢỢNG DỰ BÁO KHÍ HẬU...................................... 21
1. Chỉ tiêu đánh giá dựa trên sai khác giữa giá trị dự báo và quan trắc .............. 21
2. Chỉ số đánh giá dựa vào xác suất xuất hiện .................................................... 22
3. Chỉ tiêu đánh giá dựa vào ”bảng liên kết” (contigency table) ........................ 23
Chƣơng 2: PHƢƠNG PHÁP NGHIÊN CỨU..................................................... 26

I. PHƢƠNG PHÁP PHÂN TÍCH CẤU TRÚC KHÔNG GIAN, THỜI GIAN
TRƢỜNG DỮ LIỆU ........................................................................................... 26
Phân tích nhân tố ................................................................................................. 26
2. Phân tích tƣơng quan Canon ........................................................................... 30
3. Kiểm nghiệm chéo .......................................................................................... 30
4. Hệ số tƣơng quan chuẩn sai (ACC - Pearson) ................................................ 31
Chƣơng 3: PHÂN TÍCH CẤU TRÚC TRƢỜNG NHIỆT, MƢA QUAN TRẮC
VÀ MỘT SỐ KẾT QUẢ DỰ BÁO THỬ NGHIỆM ......................................... 33
I. PHÂN TÍCH CẤU TRÚC KHÔNG GIAN, THỜI GIAN CỦA TRƢỜNG
NHIỆT ĐỘ VÀ LƢỢNG MƢA ......................................................................... 33
3


1. Phân tích cấu trúc trƣờng nhiệt độ trong bốn mùa .......................................... 34
1.1. Cấu trúc trƣờng nhiệt độ các tháng hoạt động của gió mùa mùa đông (12-2)
............................................................................................................................. 34
1.2. Cấu trúc trƣờng nhiệt độ các tháng hoạt động của gió mùa mùa hè (6-8)... 37
1.3. Cấu trúc trƣờng nhiệt độ các tháng mùa xuân (3-5) .................................... 40
1.4. Cấu trúc trƣờng nhiệt độ các tháng mùa thu (9-11) ..................................... 42
2. Phân tích cấu trúc không gian và thời gian trƣờng mƣa mùa ......................... 45
2.1. Cấu trúc trƣờng mƣa các tháng hoạt động của gió mùa mùa hè (6-8)......... 45
2.2. Cấu trúc trƣờng mƣa các tháng hoạt động của gió mùa mùa đông (12-02) 47
II. KẾT QUẢ PHÂN TÍCH VÀ DỰ BÁO THỬ NGHIỆM............................... 49
1. Số liệu, các bƣớc thực hiện ............................................................................. 49
2. Một số kết quả và nhận xét ............................................................................. 50
2.1. Phân tích dự báo nhiệt độ và lƣợng mƣa các tháng hoạt động mạnh của gió
mùa mùa hè (tháng 6, tháng 7, tháng 8) .............................................................. 50
2.2. Phân tích dự báo nhiệt độ và lƣợng mƣa các tháng hoạt động mạnh của gió
mùa mùa đông (tháng 12, tháng 1, tháng 2)........................................................ 55
KẾT LUẬN ......................................................................................................... 60

TÀI LIỆU THAM KHẢO ................................................................................... 63
PHỤ LỤC ............................................................................................................ 66

4


DANH MỤC HÌNH VẼ
Hình 1.1: Minh họa chỉ số LEPS theo hàm xác suất tích luỹ
Hình 2.1: Qui trình kiểm nghiệm chéo
Hình 3.1: Tổng lƣợng phƣơng sai chiếm đóng trong các thành phần chính trƣờng
nhiệt độ quan trắc các tháng mùa đông
Hình 3.2: Hình thế không gian và thời gian của tín hiệu thứ nhất (mode 1)
trƣờng nhiệt độ quan trắc các tháng mùa đông
Hình 3.3: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2) trƣờng
nhiệt độ các tháng mùa đông
Hình 3.4: Hình thế không gian và thời gian của tín hiệu thứ ba (mode 3) trƣờng
nhiệt độ các tháng mùa đông
Hình 3.5: Hình thế không gian và thời gian của tín hiệu thứ tƣ (mode 4) trƣờng
nhiệt độ các tháng mùa đông
Hình 3.6: Tổng lƣợng phƣơng sai chiếm đóng trong các thành phần chính trƣờng
nhiệt độ quan trắc các tháng mùa hè
Hình 3.7: Hình thế không gian và thời gian của tín hiệu thứ nhất (mode 1)
trƣờng nhiệt độ các tháng mùa hè
Hình 3.8: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2) trƣờng
nhiệt độ các tháng mùa hè
Hình 3.9: Hình thế không gian và thời gian của tín hiệu thứ ba (mode 3) trƣờng
nhiệt độ các tháng mùa hè
Hình 3.10: Hình thế không gian và thời gian của tín hiệu thứ tƣ (mode 4) trƣờng
nhiệt độ các tháng mùa hè
Hình 3.11: Tổng lƣợng phƣơng sai chiếm đóng trong các thành phần chính

trƣờng nhiệt độ quan trắc các tháng mùa xuân (3-5)
Hình 3.12: Hình thế không gian và thời gian của tín hiệu thứ nhất (mode 1)
trƣờng nhiệt độ quan trắc các tháng mùa xuân (3-5)
Hình 3.13: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2)
trƣờng nhiệt độ quan trắc các tháng mùa xuân (3-5)
Hình 3.14: Hình thế không gian và thời gian của tín hiệu thứ ba (mode 3) trƣờng
nhiệt độ quan trắc các tháng mùa xuân (3-5)
Hình 3.15: Hình thế không gian và thời gian của tín hiệu thứ tƣ (mode 4) trƣờng
nhiệt độ quan trắc các tháng mùa xuân (3-5)
5


Hình 3.16: Tổng lƣợng phƣơng sai chiếm đóng trong các thành phần chính
trƣờng nhiệt độ quan trắc các tháng mùa thu (9-11)
Hình 3.17: Hình thế không gian và thời gian của tín hiệu thứ nhất (mode 1)
trƣờng nhiệt độ quan trắc các tháng mùa thu (9-11)
Hình 3.18: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2)
trƣờng nhiệt độ quan trắc các tháng mùa thu (9-11)
Hình 3.19: Hình thế không gian và thời gian của tín hiệu thứ ba (mode 3) trƣờng
nhiệt độ quan trắc các tháng mùa thu (9-11)
Hình 3.20: Hình thế không gian và thời gian của tín hiệu thứ tƣ (mode 4) trƣờng
nhiệt độ quan trắc các tháng mùa thu (9-11)
Hình 3.21: Tổng lƣợng phƣơng sai chiếm đóng trong các thành phần chính
trƣờng lƣợng mƣa quan trắc các tháng mùa hè
Hình 3.22: Hình thế không gian và thời gian của tín hiệu thứ nhất (mode 1)
trƣờng lƣợng mƣa quan trắc các tháng mùa hè
Hình 3.23: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2)
trƣờng lƣợng mƣa quan trắc các tháng mùa hè
Hình 3.24: Hình thế không gian và thời gian của tín hiệu thứ ba (mode 3) trƣờng
lƣợng mƣa quan trắc các tháng mùa hè

Hình 3.25: Hình thế không gian và thời gian của tín hiệu thứ tƣ (mode 4) trƣờng
lƣợng mƣa quan trắc các tháng mùa hè
Hình 3.26: Tổng lƣợng phƣơng sai chiếm đóng trong các thành phần chính
trƣờng lƣợng mƣa quan trắc các tháng mùa đông
Hình 3.27: Hình thế không gian và thời gian của tín hiệu thứ nhất (mode 1)
trƣờng lƣợng mƣa quan trắc các tháng mùa đông
Hình 3.28: Hình thế không gian và thời gian của tín hiệu thứ hai (mode 2)
trƣờng lƣợng mƣa quan trắc các tháng mùa đông
Hình 3.29: Hình thế không gian và thời gian của tín hiệu thứ ba (mode 3) trƣờng
lƣợng mƣa quan trắc các tháng mùa đông
Hình 3.30: Hình thế không gian và thời gian của tín hiệu thứ tƣ (mode 4) trƣờng
lƣợng mƣa quan trắc các tháng mùa đông
Hình 3.31: Mode 1 CCA giữa yếu tố dự báo là nhiệt độ trung bình mùa và các
nhân tố dự báo z500, slp, t2m, u850; tƣơng quan cca = 0,95
Hình 3.32: Mode 2 CCA giữa yếu tố dự báo là nhiệt độ trung bình mùa và các
nhân tố dự báo z500, slp, t2m, u850; tƣơng quan cca = 0,89
6


Hình 3.33: Mode 1 CCA giữa yếu tố dự báo là lƣợng mƣa trung bình mùa và các
nhân tố dự báo z500, slp, t2m, u850; tƣơng quan cca = 0,92
Hình 3.34: Mode 2 CCA giữa yếu tố dự báo là lƣợng mƣa trung bình mùa và các
nhân tố dự báo z500, slp, t2m, u850; tƣơng quan cca = 0,86
Hình 3.35: Hệ số tƣơng quan giữa nhiệt độ dự báo và quan trắc tại trạm
Hình 3.36: Hệ số tƣơng quan giữa lƣợng mƣa dự báo và quan trắc tại trạm
Hình 3.37: Mode 1 CCA giữa yếu tố dự báo là nhiệt độ trung bình mùa và các
nhân tố dự báo z500, slp, t2m, u850; tƣơng quan cca = 0,98
Hình 3.38: Mode 2 CCA giữa yếu tố dự báo là nhiệt độ trung bình mùa và các
nhân tố dự báo z500, slp, t2m, u850; tƣơng quan cca = 0,95
Hình 3.39: Mode 1 CCA giữa yếu tố dự báo là lƣợng mƣa trung bình mùa và các

nhân tố dự báo z500, slp, t2m, u850; tƣơng quan cca = 0,97
Hình 3.40: Mode 2 CCA giữa yếu tố dự báo là lƣợng mƣa trung bình mùa và các
nhân tố dự báo z500, slp, t2m, u850; tƣơng quan cca = 0,93
Hình 3.41: Hệ số tƣơng quan giữa nhiệt độ dự báo và quan trắc tại trạm
Hình 3.42: Hệ số tƣơng quan giữa lƣợng mƣa dự báo và quan trắc tại trạm

7


LỜI CẢM ƠN
Lời đầu tiên, tôi xin đƣợc gửi lời cảm ơn chân thành với lòng biết ơn sâu
sắc tới thầy giáo GS. TS. PHAN VĂN TÂN, Chủ nhiệm bộ môn Khí tƣợng,
Khoa Khí tƣợng, Thủy văn và Hải dƣơng học, Trƣờng Đại học Khoa học Tự
nhiên, Đại học Quốc gia Hà Nội và ThS. Tạ Hữu Chỉnh, phòng Dự báo khí
tƣợng hạn vừa - hạn dài, Trung tâm Dự báo khí tƣợng thủy văn Trung ƣơng,
Trung tâm Khí tƣợng Thủy văn quốc gia đã hƣớng dẫn chỉ bảo tận tình trong
suốt quá trình thực hiện luận văn này. Đồng thời, tôi cũng xin cảm ơn tới Phòng
Dự báo khí hậu, Viện Khoa học Khí tƣợng Thủy văn và Môi trƣờng, các thầy,
cô trong Khoa Khí tƣợng, Thủy văn và Hải dƣơng học, Trƣờng Đại học Khoa
học Tự nhiên, Đại học Quốc gia Hà Nội đã quan tâm giúp đỡ, tạo mọi điều kiện
cho tôi trong quá trình học tập và làm luận văn.
Một lần nữa, tôi xin chân thành cảm ơn những góp ý của các thầy cô, các
anh chị, bạn đồng nghiệp và các em. Những ý kiến này đã giúp tôi hoàn thiện
luận văn tốt hơn.
Học viên: Đỗ Văn Mẫn

8


MỞ ĐẦU

Trong nghiên cứu và dự báo khí hậu, ngƣời ta thƣờng quan tâm đến các
đặc trƣng của hai yếu tố đó là nhiệt độ và lƣợng mƣa. Các giá trị nhiệt độ và
lƣợng mƣa tháng bao gồm giá trị tối thấp, giá trị trung bình, giá trị tối cao.
Hiện nay, theo số liệu quan trắc toàn cầu cho thấy nhiệt độ trái đất đang
tăng lên và tăng lên với tốc độ lớn. Sự phân bố nhiệt độ, phân bố dòng năng
lƣợng và phân bố mƣa trên thế giới đều biến đổi. Sự phân bố đó ở Việt Nam
diễn ra nhƣ thế nào?.
Hoàn lƣu khí quyển, hoàn lƣu ở biển và đại dƣơng cũng biến đổi dẫn đến
có sự phân bố lại trƣờng nhiệt độ và lƣợng mƣa đối với các khu vực trên thế
giới. Sự phân bố lại này có ảnh hƣởng đến sự phân bố, sự biến đổi của nhiệt độ
và lƣợng mƣa theo không gian và thời gian ở Việt Nam ra sao?.
Trong một hội nghị của Ban liên Chính phủ về biến đổi khí hậu (IPCC)
nhiều tác giả đã khẳng định xu thế chung của biến đổi khí hậu hiện nay là xuất
hiện ngày càng nhiều các hiện tƣợng khí tƣợng cực đoan cả về cƣờng độ và tần
suất theo không gian và thời gian. Để hiểu biết và nắm chắc đặc điểm, quy luật
thay đổi, xu thế biến đổi, sự phân hóa theo kinh độ, vĩ độ và độ cao, sự biến đổi
theo thời gian về nhiệt độ và lƣợng mƣa cũng nhƣ nghiên cứu và dự báo tốt
đƣợc các yếu tố này là việc không dễ trong điều kiện biến đổi khí hậu nhƣ hiện
nay.
Ở Việt Nam, trong những năm qua đã có một số đề tài tập trung nghiên
cứu và dự báo đối với nhiệt độ và lƣợng mƣa tháng, mùa và đã thu đƣợc một số
kết quả khả quan. Mỗi nghiên cứu khác nhau là một cách tiếp cận khác nhau. Do
đó, để giải quyết phần nào các câu hỏi ở trên, tôi đã chọn tên đề tài là: “Cấu trúc
không - thời gian của nhiệt độ và lượng mưa tháng ở Việt Nam trong các thập
kỷ gần đây và thử nghiệm dự báo”.

9


Chƣơng 1

TỔNG QUAN
I. TỔNG QUAN
1. Một số khái niệm chung
Diễn biến của khí hậu là những dao động mang tính quy luật, tuy nhiên
trên thực tế lại không diễn ra một cách ổn định. Tính "thất thường" của khí hậu,
đặc biệt là diễn biến của thiên tai đã có những tác động mạnh mẽ đến việc lập kế
hoạch sản xuất hàng năm và gây ra những thiệt hại nặng nề cho đời sống xã hội.
Những khái niệm về mùa, vụ sản xuất thƣờng đƣợc hình thành một cách
tƣơng đối, từ trạng thái trung bình nhiều năm của khí hậu. Vì thế, nếu biết trƣớc
mức độ biến động của khí hậu (chênh lệch so với chuẩn hay chuẩn sai), sẽ cho
phép tìm đƣợc các biện pháp thích ứng cho công tác quản lý, chỉ đạo thực hiện
kế hoạch các mùa, vụ sản xuất hàng năm, cũng nhƣ các kế hoạch dài hạn khác.
Đó chính là yêu cầu đối với công tác dự báo khí hậu.
Trƣớc đây, do chƣa có đƣợc những hiểu biết đầy đủ, đặc biệt về mối
tƣơng tác giữa đại dƣơng và khí quyển nên ngƣời ta cho rằng dự báo khí tƣợng
không thể vƣợt quá thời hạn 10 ngày. Sự phát triển của khoa học, đặc biệt các kỹ
thuật viễn thám, kỹ thuật tính toán trong những thập kỷ gần đây đã tạo cơ sở
khoa học tin cậy cho sự ra đời các mô hình mô phỏng ngày càng chính xác hơn
về các quá trình vận động của khí quyển, của đại dƣơng và mối quan hệ tƣơng
tác giữa chúng. Những kết quả nghiên cứu, thực nghiệm về hiện tƣợng El Niño,
La Nina và dao động Nam (Southern Osillation - SO) tức là ENSO đã có tác
động mạnh mẽ đến việc phát triển các phƣơng pháp dự báo khí hậu, mở ra khả
năng nâng cao độ chính xác và kéo dài thời hạn dự báo.
Khái niệm về dự báo khí hậu mới chỉ hình thành rõ nét trong vài thập kỷ
gần đây nhƣng cũng đã có nhiều quan niệm khác nhau. Nhiều ngƣời cho rằng,
dự báo khí hậu phải là dự báo những biến động khí hậu có chu kỳ kéo dài từ
nhiều năm tới hàng thập kỷ, thậm chí hàng thế kỷ. Còn những biến động có chu
kỳ dƣới một năm đƣợc gọi chung là dự báo khí tƣợng hạn dài, ít nhiều gắn bó
hơn với dự báo thời tiết. Tuy nhiên, bản chất của khí quyển về cơ bản là rất hỗn
loạn, vì thế không hi vọng dự báo đƣợc chính xác vị trí và thời gian của các hiện

tƣợng thời tiết đơn lẻ trƣớc 15 ngày. Những thay đổi rất nhỏ ở trạng thái ban đầu
10


của khí quyển sẽ lớn lên và trở thành những khác biệt rất lớn của thời tiết sau 10
- 14 ngày. Do đó, Mỹ và một số nƣớc khác đã coi các loại dự báo từ hai tuần trở
lên đều là dự báo khí hậu. Mặc dầu vậy, theo quan điểm khí hậu hiện đại, ở Việt
Nam, ngƣời ta coi dự báo khí hậu là dự báo từ tháng, mùa, năm trở lên và
nghiên cứu dự báo, ra thông báo khí hậu cũng theo thời hạn đó. Ngƣời ta cũng
thống nhất quan điểm coi dự báo mùa chính là đối tƣợng trung tâm của dự báo
khí hậu.
Nhìn chung, dự báo khí hậu khác với dự báo thời tiết hàng ngày không chỉ
ở phạm vi thời gian, mục đích, mà cả sản phẩm, cách tiếp cận và phƣơng pháp.
Có nhiều thông tin mà dự báo thời tiết bỏ qua thì dự báo khí hậu phải tính toán
rất thận trọng. Sản phẩm của dự báo thời tiết bao gồm nhiều yếu tố khí tƣợng
khác nhau với các mức độ định lƣợng khác nhau và thƣờng là xác định thời tiết
hàng ngày. Dự báo khí hậu thƣờng dự báo xu hƣớng và mức độ dao động xung
quanh giá trị trung bình nhiều năm (hoặc giá trị trung bình chuẩn) dƣới dạng giá
trị chuẩn sai hoặc xác suất xuất hiện của hai yếu tố khí hậu cơ bản, đó là nhiệt
độ và lƣợng mƣa. Các hiện tƣợng khí tƣợng đặc biệt có liên quan nhƣ bão - áp
thấp nhiệt đới, mƣa lớn - lũ lụt, nắng nóng - khô hạn, ... cũng đang đƣợc đặt ra
trong nghiên cứu dự báo khí hậu, nhằm đáp ứng ngày càng nhiều các nhu cầu
quản lý và quy hoạch phát triển kinh tế - xã hội trong các điều kiện thời tiết - khí
hậu dị thƣờng có thể xảy ra trên lãnh thổ.
Mục tiêu của các mô hình dự báo thời tiết là dự báo chính xác thời tiết, vì
vậy mô hình thời tiết phụ thuộc rất nhiều vào các điều kiện ban đầu và khả năng
giải các phƣơng trình tính toán những biến động ngắn hạn. Còn mô hình khí hậu
thì dựa vào số liệu đặc trƣng cho những điều kiện biến động cỡ tháng, mùa và
năm. Ngoài các tham số khí hậu thông thƣờng các mô hình khí hậu còn bao gồm
một số tham số khác về bề mặt nƣớc biển, băng biển, mây, bức xạ, ...

Nhƣ trên đã nói, sản phẩm dự báo khí hậu thƣờng là chuẩn sai hoặc xác
suất xuất hiện các “pha” của đối tƣợng dự báo. Có ba pha cơ bản là trên (vƣợt)
chuẩn, lân cận (xấp xỉ) chuẩn và dƣới (hụt) chuẩn. Ở đây chuẩn khí hậu chính là
giá trị trung bình đƣợc tính cho thời kỳ nhất định đƣợc coi là thời kì chuẩn. Theo
Tổ chức Khí tƣợng thế giới (WMO) thời kì chuẩn đƣợc chọn là 1961 - 1990. Hai
yếu tố cơ bản mà dự báo khí hậu thƣờng phải thực hiện là nhiệt độ và lƣợng
mƣa. Một số hiện tƣợng khí tƣợng đặc biệt khác có liên quan đến thiên tai nhƣ
hoạt động của bão - áp thấp nhiệt đới, các đợt mƣa lớn liên quan đến lũ lụt, các
11


đợt nắng nóng không mƣa liên tục có khả năng gây hạn cục bộ, ... cũng đang
đƣợc đặt ra trong nghiên cứu dự báo khí hậu, nhằm đáp ứng các nhu cầu quản lý
và quy hoạch phát triển kinh tế - xã hội trong các điều kiện thời tiết - khí hậu dị
thƣờng có thể xảy ra trên lãnh thổ.
Dự báo thời tiết và dự báo khí hậu phân biệt nhau không chỉ ở thời đoạn
dự báo mà cả ở phƣơng pháp thực hiện. Dự báo khí hậu đƣợc phân ra thành các
loại hình dự báo khí hậu khác nhau dựa vào đặc điểm biến động của khí hậu.
Các biến động khí hậu đƣợc chia thành ba loại chính:
- Biến động có bƣớc sóng tƣơng đối ngắn (khoảng từ 1 tháng đến dƣới 1
năm) chủ yếu là các biến động có tính chất mùa nhƣ hạn hán, lũ, bão, dao động
Madden - Julian, …
- Biến động có bƣớc sóng cỡ năm hay dao động hàng năm, chu kỳ từ 1 năm
tới một vài thập kỉ, nhƣ hiện tƣợng ENSO.
- Biến động có bƣớc sóng kéo dài hàng thập kỉ đến thế kỉ, ví dụ nhƣ biến
động của bức xạ mặt trời, hoàn lƣu nƣớc sâu, khí nhà kính (GHG).
Dựa vào các loại biến động khí hậu nêu trên, dự báo khí hậu cũng đƣợc phân
thành ba loại: hạn ngắn, hạn vừa và hạn dài.
- Dự báo khí hậu hạn ngắn có thời hạn dự báo dƣới một năm, đối tƣợng
chính là dự báo mùa. Quan niệm về mùa trong dự báo khí hậu hiện nay trên thế

giới là thời kì ba tháng liên tiếp.
- Dự báo khí hậu hạn vừa có thời hạn dự báo cỡ từ một năm trở lên tới vài
thập kỉ
- Dự báo khí hậu hạn dài với thời hạn dự báo từ thập kỉ tới hàng thế kỉ.
Dự báo đƣợc tiến hành phổ biến ở nƣớc ta hiện nay là dự báo khí hậu hạn
ngắn. Dự báo hạn vừa chủ yếu chỉ đƣợc thực hiện trong dự báo hiện tƣợng
ENSO, còn dự báo khí hậu hạn dài thƣờng đƣợc đề cập đến trong các nghiên
cứu về biến đổi khí hậu.
2. Tình hình nghiên cứu ngoài nƣớc
Hiện nay, trên thế giới mô hình số ngày càng đƣợc ứng dụng nhiều cho lĩnh
vực dự báo mùa vì những tính năng ƣu việt của nó. Thay vì sử dụng quan hệ
toán học nhƣ trong dự báo thống kê, phƣơng pháp mô hình hóa sử dụng quan hệ
12


vật lý đã thể hiện đƣợc tính vƣợt trội trong việc nắm bắt đƣợc sát hơn trạng thái
thực của khí quyển. Do vậy, mô hình hóa dần chiếm ƣu thế chủ đạo, đóng góp
nhiều cho dự báo. Tuy nhiên, do hiểu biết chƣa triệt để về các quá trình trong
khí quyển nên bài toán dự báo chƣa thể giải quyết hoàn hảo đƣợc ở tất cả các qui
mô không gian và thời gian. Vì vậy, kết quả dự báo bằng mô hình hóa vẫn còn
chứa đựng sai số sinh ra do phƣơng pháp toán [12][16][22][23]. Nhƣ vậy, để có
đƣợc một kết quả chính xác hơn thì cần có một hệ thống diễn giải sau mô hình,
hệ thống này làm nhiệu vụ hiệu chỉnh sai số hệ thống.
Trƣớc kia, dự báo hạn mùa bằng thống kê đã từng đƣợc ứng dụng rộng rãi,
nhƣng bản thân của phƣơng pháp tồn tại những hạn chế cố hữu, đó là: “chúng
chỉ nắm bắt được những hiện tượng mang tính qui luật và sẽ cho sai số lớn khi
đối tượng dự báo xảy ra có tính đột biến” [6]. Do vậy nếu đứng một mình thì
phƣơng pháp này khó mang lại hiệu quả cao. Trái lại, nếu kết hợp với mô hình
hóa thì thống kê lại trở thành một công cụ hữu ích giúp giảm bớt sai số không
mong muốn. Do vậy, khoa học tiến tới phƣơng pháp kết hợp giữa thống kê và

mô hình hóa nhằm làm tăng chất lƣợng dự báo.
Tác giả Ashoke Basistha, D. S. Arya, N. K. Goel, 2008, Cơ quan Khí
tƣợng Ấn Độ đã sử dụng kỹ thuật nội suy, phƣơng pháp phổ Kriging để mô
phỏng cấu trúc không gian và thời gian của lƣợng mƣa vùng núi Himalayas trên
khu vực Ấn Độ [9] với khu vực nghiên cứu là vùng Uttarakhand, cho thấy: (a)
Phƣơng pháp phổ Kriging với mô hình Hole và logarit tự nhiên chuyển đổi kết
hợp xu hƣớng liên tục đƣợc tìm thấy là phƣơng pháp phù hợp nhất cho nội suy
lƣợng mƣa ở khu vực này (với RMSE 328,7). (b) Theo quy mô hàng năm, có
một mối tƣơng quan không gian giữa các trạm đo mƣa lên đến 70km. (c) Lƣợng
mƣa trung bình của tác giả theo tính toán tốt nhất là 1608 mm. Tác giả Jinwei
Dong, Jiyuan Liu, Fulu Tao, Xinliang Xu, Junbang Wang, 2009, tạp chí khoa
học khí hậu, Viện Hàn lâm khoa học Trung Quốc [12] đã mô phỏng tính toán
cấu trúc không gian và thời gian của nhiệt độ trên lãnh thổ Trung Quốc ảnh
hƣởng bởi hệ thống cây trồng từ những năm 1980 đến năm 2000. Trong nghiên
cứu này, thay đổi không - thời gian của nhiệt độ dựa trên dữ liệu khí tƣợng đã
đƣợc kiểm tra. Bằng cách phân tích ATZs (Accumulated temperature zones) và
đất canh tác, mối quan hệ giữa điều kiện đất đai và nhiệt độ, những tác động
tiềm năng của nhiệt độ tích lũy trên các hệ thống đất đai và cây tròng trồng đƣợc

13


đánh giá, đã cho kết quả khá tốt trong ứng dụng sản xuất nông nghiệp của Trung
Quốc.
Bản chất của phƣơng pháp nhằm thiết lập mối quan hệ thực nghiệm giữa
các biến dự báo của mô hình và yếu tố dự báo dƣới những hình thức khác nhau
nhƣ: sử dụng hồi qui tuyến tính, hoặc kết hợp với khai triển EOF (empirical
orthogonal function), CCA (canonical correlation analysis), SVD (singular value
decomposite). Nhìn chung có thể phân làm 2 loại, loại thứ nhất hiệu chỉnh đƣa
thông tin dự báo trên lƣới của mô hình về các điểm trạm quan trắc, diễn đạt theo

một cách khác có thể gọi đó là phƣơng pháp hạ qui mô thống kê (statistical
downscaling) [5][8-11][14][17]. Cách làm này gần tƣơng tự với hệ thống “diễn
giải khách quan xử lý sau mô hình” Model Output Statistics (MOS) ứng dụng
trong khí tƣợng hạn ngắn. Cách thứ hai tiến hành hiệu chỉnh trực tiếp trên ô lƣới
của mô hình, cách thực hiện này sẽ phân tích số liệu quan trắc tại các điểm trạm
lên lƣới bằng các kỹ thuật phân tích hai chiều nhƣ Cressman hay Barnes, trong
trƣờng hợp không có số liệu quan trắc, có thể coi số liệu tái phân tích nhƣ quan
trắc, sau đó tiến hành phân tích hiệu chỉnh, có thể so sánh tƣơng tự nhƣ hệ thống
GMOS (Gridded Model Output Statistics) trong khí tƣợng hạn ngắn. Tuy nhiên,
sử dụng hệ thống MOS đòi hỏi bộ số liệu của mô hình dự báo cung cấp phải
đồng nhất về độ phân giải, cũng nhƣ các tham số hóa vật lý đối lƣu mây tích,
bức xạ, … Trong khi đó, các mô hình dự báo số thƣờng xuyên phát triển, thay
đổi, mỗi lần thay đổi nhƣ thế thì phải đợi ít nhất hai năm sau mới có thể vận
hành đƣợc hệ thống MOS, nhƣ vậy gây ra bất tiện. Vì lý do đó, hệ thống MOS
tiếp tục đƣợc phát triển lên thành UMOS (Update Model Output Statistics), cho
phép cập nhật hệ số trong phƣơng trình hồi qui thông qua một phƣơng pháp lấy
trọng số giữa tập số liệu cũ và mới khi có thay đổi trong mô hình. Tuy nhiên, đối
với bài toán dự báo cỡ tháng, mùa do chủ yếu quan tâm nhiều đến xu thế biến
đổi của các yếu tố (chuẩn sai) hơn là giá trị thực tế của chúng, cũng nhƣ mối
quan tâm của khí tƣợng hạn mùa là những quá trình có qui mô thời gian dài nên
nhìn chung chủ yếu vẫn chỉ sử dụng MOS truyền thống.
Hiện nay, tƣ tƣởng về cách thức lựa chọn khu vực cho nhân tố dự báo cũng
đã đƣợc cải tiến, khu vực của nhân tố dự báo có thể đƣợc lựa chọn bao gồm
những điểm rời rạc trong không gian thay vì một trƣờng liên tục nhƣ trƣớc kia
[8][11][14][17]. Biện pháp hiệu chỉnh này cũng đã cho thấy tính hiệu quả, thậm
chí có những mô hình dự báo khi chƣa xử lý thì không hề có kỹ năng nhƣng sau
khi xử lý hiệu chỉnh thì trở nên có kỹ năng rõ rệt [22].
14

Tuy vậy, nếu chỉ dừng lại ở đó thì bài toán mới chỉ xử lý giảm bớt sai số
hệ thống SE (systematic error). Trong khi sai số nhìn chung đƣợc phân chia
thành: i) Sai số hệ thống SE (systematic error); ii) Sai số sinh ra do quá trình vật
lý chƣa hoàn hảo của mô hình còn gọi là các AIP (Atmospheric Internal
Processes)[14]. Chẳng hạn nhƣ một giả thiết vật lý nào đó tồn tại trong các sơ đồ
tham số hóa bức xạ, đối lƣu, … chƣa gần giống với thực tế thì chính sự khác biệt
về khoảng cách đó sẽ phát sinh ra loại sai số này; iii) Sai số ngẫu nhiên sinh ra
do bản chất linh động, tƣơng tác nhiều chiều của khí quyển, ngay cả khi các sơ
đồ vật lý, các điều kiện của mô hình giả sử rằng đƣợc thực hiện hoàn hảo thì vẫn
tồn tại loại sai số này. Do vậy, ngƣời ta tiếp tục tìm cách giảm bớt loại sai số
ngẫu nhiên và các AIP [23]. Nhìn chung để giảm bớt đƣợc các AIP cho mô hình
thì cần phải tập trung cải tiến, phát triển các giả thiết vật lý. Còn đối với sai số
ngẫu nhiên, hiện nay để giảm bớt loại sai số này ngƣời ta phát triển dự báo tổ
hợp [15][17][19-20][22].
Mỗi một loại mô hình số, do đặc tính vật lý mà chỉ có thể dự báo tốt một
số đối tƣợng nhất định, về mặt vật lý có thể hiểu là chỉ có khả năng nắm bắt
đƣợc một số loại nguồn bất định - uncertainties (nguồn ngẫu nhiên, không chắc
chắn) trong khí quyển. Do vậy, để nâng cấp kỹ năng mô hình khoa học tiến đến
kết hợp giữa nhiều loại mô hình khác nhau với thuật ngữ MME (Multi Model
Essemble) [22] nhằm nắm bắt đƣợc nhiều loại nguồn bất định - uncertainties,
hay diễn đạt theo một cách khác là phƣơng pháp này đã kết hợp chọn ra ƣu điểm
của nhiều loại mô hình cũng nhƣ hạn chế bớt nhƣợc điểm.
Bài toán này hiện nay các trung tâm khí hậu lớn trên thế giới nhƣ: APCC,
TCC, CPC, IRI, … đang sử dụng trong nghiệp vụ dự báo. Cơ bản, hệ thống dự
báo MME đƣợc chia thành 2 loại là: xác định và xác suất (deterministic và
probabilistic). Trong dự báo hạn mùa ngƣời ta sử dụng một số thành phần tổ hợp
nhƣ: 1- Tổ hợp đơn (Simple Composite Method - SCM); 2- Tổ hợp có hiệu
chỉnh (Statistical Pattern Projection Method - SPPM); 3- Siêu tổ hợp (Synthetic
Multi-Model Super Ensemble Method - SSE) [22]. Mỗi một thành phần nhƣ vậy
đều có những ƣu điểm và nhƣợc điểm riêng, khi sử dụng đồng thời chúng có vai

trò bổ trợ lẫn nhau làm cho dự báo hoàn hảo hơn. Ví dụ nhƣ khi sử dụng sơ đồ
SCM sẽ có ƣu điểm dự báo trên các khu vực biển nhiệt đới và trong trƣờng hợp
tất cả các mô hình thành phần đều có kỹ năng tốt thì chỉ cần sử dụng SCM là đủ
[22]. Tuy nhiên, nếu các mô hình thành phần cho dự báo không đồng pha, hoặc
không có kỹ năng thì kết quả dự báo sẽ bị nhiễu. Nhƣợc điểm này sẽ đƣợc bổ
15


sung bởi các sơ đồ tổ hợp có hiệu chỉnh thống kê SPPM, khi sử dụng SPPM thì
kết quả vẫn tốt ngay cả trƣờng hợp các mô hình thành phần khi đứng một mình
không có kỹ năng [22]. Trong trƣờng hợp khi các mô hình thành phần tăng lên
từ 5 đến 15 thì sơ đồ SSE lại cho kết quả tốt nhất [22]. Bên cạnh đó, thành phần
xác suất (probabilistic) trong thập niên gần đây cũng đã phổ biến đƣợc ứng dụng
với thành phần PMME (Probabilistic Multi Model Essemble) [18] cho phép đƣa
ra kết luận về xác suất xảy ra hiện tƣợng hay pha nào đó, đây cũng là một thành
phần không thể thiếu trong dự báo nghiệp vụ.
3. Tình hình nghiên cứu trong nƣớc
Song song với tiến trình chung của thế giới, nhóm ngành dự báo khí
tƣợng hạn mùa ở Việt Nam cũng đã và đang từng bƣớc phát triển. Cho đến nay,
để giải bài toán dự báo khí tƣợng hạn mùa có hai đơn vị nhà nƣớc là: Trung tâm
Dự báo khí tƣợng thủy văn Trung ƣơng (TTDBTW) và Viện Khoa học Khí
tƣợng Thủy văn và Môi trƣờng (Viện KTTV&MT). TTDBTW thiên về chức
năng nghiệp vụ cung cấp các bản tin phục vụ cộng đồng, Viện KTTV&MT thiên
nhiều hơn về chức năng nghiên cứu, phát triển và chuyển giao công nghệ. Hai
cơ quan này phối hợp chặt chẽ nhằm đƣa ra dự báo phục vụ cộng đồng đƣợc tốt
hơn
Về khía cạnh nghiên cứu, khoảng 2 đến 3 thập kỷ trƣớc đây, những phát
triển đầu tiên tại Việt Nam về lĩnh vực này đã có đề cập đến phƣơng pháp tƣơng
tự hoàn lƣu - hiển thị lại bản đồ khí áp, chuẩn sai khí áp tại mực 500mb.
Phƣơng pháp nhằm mục đích đánh giá cƣờng độ và vị trí hoạt động của các

trung tâm khí quyển nhƣ: Lƣỡi áp cao cận nhiệt đới Tây Thái Bình Dƣơng hoặc
Rãnh Đông Á. Sau đó so sánh với tập số liệu lịch sử, tìm ra năm gần giống nhất
so với hình thế hiện tại. Cách làm này đơn giản, có nhiều nhƣợc điểm, hiện vẫn
đang đƣợc thực hiện nghiệp vụ tại TTDBTW.
TS. Phạm Đức Thi (1989) đã đƣa vào các phép toán phân tích tự tƣơng
quan nhằm tìm ra qui luật vận động vật lý của một chuỗi số liệu. Ví dụ nhƣ:
phân tích chuỗi chuẩn sai nhiệt độ trung bình tháng hay chuẩn sai tổng lƣợng
mƣa tháng từ năm 1960 đến nay, phƣơng pháp chỉ tìm kiếm qui luật của bản
thân chuỗi số đó và cô lập nó trong mối quan hệ tƣơng hỗ với các yếu tố bên
ngoài. Thực tế, hệ quả thời tiết - khí hậu gây ra tại một khu vực không phải chỉ
phụ thuộc vào một yếu tố duy nhất nên bài toán còn nhiều sai sót. Do vậy,
TSKH. Nguyễn Duy Chinh (2003) tìm cách xây dựng phƣơng trình hồi qui
16


tuyến tính đa biến mục đích đƣa vào ảnh hƣởng của đa yếu tố. Hồi qui tuyến
tính đa biến mong muốn tìm kiếm một kết quả ổn định hơn do có sự tham gia
của nhiều nhân tố dự báo. Tuy nhiên, trong nhiều trƣờng hợp thì phƣơng trình
đa nhân tố lại không hiệu quả bằng ít nhân tố, điều đó nghĩa là có những nhân tố
làm cho kết quả kém đi. Do vậy mà hồi qui từng bƣớc đã đƣợc sử dụng để lọc đi
những nhân tố gây nhiễu [3]. So với các phƣơng pháp trƣớc thì bài toán dự báo
cũng đã đƣợc cải thiện hơn, nhƣng nhƣ thế vẫn chƣa đủ.
Để loại bỏ bớt các yếu tố ngẫu nhiên, nhân tố dự báo đƣợc lựa chọn là
một khu vực (gồm nhiều điểm quan trắc). Trong cách sử dụng này thì mỗi một
điểm trạm lại đƣợc coi là một nhân tố dự báo giả, do vậy trong nhiều trƣờng hợp
số lƣợng các nhân tố dự báo sẽ tăng lên rất lớn gây khó khăn cho việc phân tích.
Vì vậy, mà phép phân tích trực giao EOF (emperical orthogonal function) [4]
đƣợc ứng dụng kết hợp xây dựng phƣơng trình hồi qui. Phép phân tích này cơ
bản sẽ phân tích trƣờng nhân tố dự báo thành một trƣờng thứ cấp có dung lƣợng
nhỏ hơn nhiều trƣờng ban đầu, nhƣng mang gần nhƣ đầy đủ thông tin của

trƣờng ban đầu tập trung trong các vec tơ riêng đầu tiên. Quá trình xây dựng
phƣơng trình dự báo đƣợc thực hiện với trƣờng thứ cấp đó. Cách làm này có ƣu
điểm nhƣ sau: i) Tăng tính độc lập giữa các nhân tố dự báo; ii) Do tính toán với
trƣờng thứ cấp gọn nhẹ hơn nên giảm đƣợc tối đa khối lƣợng phép tính xuống nghĩa là giảm đƣợc loại sai số tính toán; iii) Cho phép lọc ra đƣợc những tín hiệu
quan trọng từ trƣờng nền nên cũng hạn chế đƣợc những yếu tố gây nhiễu. Hay
một hình thức khác của nó là phép phân tích tƣơng quan Canon - CCA
(canonical correlation analysis) [5] cho phép phân tích cả nhân tố dự báo và yếu
tố dự báo thành 2 trƣờng thứ cấp tƣơng ứng, sau đó cực đại hóa mối quan hệ
giữa 2 trƣờng này. Bên cạnh đó, để cho kết quả đƣợc khánh quan và có tính
thống kê hơn, thủ tục kiểm nghiệm chéo (cross-validation) đã đƣợc sử dụng [5].
Nhằm kiểm định chất lƣợng phƣơng trình dự báo và tuyển chọn các nhân tố dự
báo có quan hệ tốt. Trong thủ tục này tập số liệu ban đầu sẽ đƣợc chia thành hai
tập con bằng nhiều cách khác nhau, một tập sử dụng để xây dựng quan hệ thống
kê, một tập để kiểm định quan hệ thống kê, xây dựng và kiểm tra trên từng cách
chia này, sau đó lấy trung bình.
Bên cạnh đó, nghiên cứu về ảnh hƣởng của hiện tƣợng ENSO (Elnino
South Oscilation), biến đổi nhiệt độ bề mặt biển (Sea Surface Temperature SST) ở các khu vực Nino1, Nino2, Nino3, Nino4, Nino34,..hay chỉ số dao động
nam SOI (south oscilation index) có quan hệ với lƣợng mƣa, nhiệt độ khu vực
17


Việt Nam [2] đƣợc công bố. Kết quả này làm tiền đề cho việc tuyển chọn các
nhân tố dự báo để xây dựng phƣơng trình dự báo. Tuy vậy, cho dù là nhân tố
này hay nhân tố khác nhƣng bản chất của cách thực hiện vẫn là thống kê truyền
thống nên không tránh khỏi hạn chế cố hữu của phƣơng pháp.
Sau đó, TS. Nguyễn Văn Thắng (2006) đã đề cập đến sử dụng kết quả dự
báo của mô hình toàn cầu theo kiểu hạ qui mô thống kê (statistical downscaling).
Cách thực hiện này không phải là ngoại suy mà là chuyển thông tin dự báo trên
lƣới của mô hình về vị trí các điểm trạm quan trắc. Ƣu điểm là đơn giản, gọn
gàng, tận dụng đƣợc nguồn số liệu miễn phí, ít tốn kém phù hợp với các nƣớc

đang phát triển. Trong nhiều trƣờng hợp cách làm này cũng cho kết quả tốt.
Song vẫn tồn tại một số nhƣợc điểm: i) Trong trƣờng hợp các điểm trạm chịu
ảnh hƣởng chủ yếu bởi yếu tố địa phƣơng nhƣ địa hình, mặt đệm, ... thì hiệu quả
dự báo thấp - do không tìm đƣợc mối quan hệ hệ thống; ii) Trong trƣờng hợp mô
hình khí hậu khu vực phát triển đến mức độ phân giải chỉ còn khoảng vài chục
km thì biện pháp này sẽ trở nên ít hiệu lực hơn.
Năm 2009, nhóm nghiên cứu phát triển mô hình hóa tại Trƣờng Đại học
Khoa học Tự nhiên, Đại học Quốc gia Hà Nội đã tiến hành thử nghiệm dự báo
sử dụng mô hình khí hậu khu vực RegCM3 (Regional Climate Model, version 3)
bằng cách lồng trong mô hình toàn cầu CAM3 (Community Atmosphere
Model)[6]. Nghĩa là sử dụng số liệu chiết xuất từ mô hình toàn cầu CAM3 làm
điều kiện biên và ban đầu cho RegCM3. Kết quả dự báo cũng đƣa ra chi tiết cho
khu vực Việt Nam hơn là sử dụng mô hình toàn cầu và hứa hẹn về khả năng ứng
dụng nghiệp vụ trong tƣơng lai. Tuy nhiên, nghiên cứu cũng chƣa chính thức
công bố về khả năng tác nghiệp.
II. MỘT SỐ PHƢƠNG PHÁP THỐNG KÊ ỨNG DỤNG TRONG DỰ
BÁO KHÍ HẬU
Cùng với những đối tƣợng dự báo khí hậu cơ bản nhƣ khí áp, nhiệt độ,
lƣợng mƣa, gió, ... cho phạm vi toàn cầu cũng nhƣ khu vực thì dự báo hiện
tƣợng ENSO nói chung, nhiệt độ mặt nƣớc biển trên khu vực nhiệt đới Thái
Bình Dƣơng nói riêng cũng đƣợc coi là một bộ phận quan trọng của dự báo khí
hậu hiện nay. Dự báo hiện tƣợng ENSO không chỉ có ý nghĩa nhƣ là một hiện
tƣợng khí hậu thế giới mà bản thân kết quả dự báo hiện tƣợng này còn là cơ sở,
là nhân tố dự báo dùng cho nhiều mô hình dự báo khí hậu các khu vực. Vì thế
những phƣơng pháp dùng để dự báo hiện tƣợng ENSO bao gồm cả trƣờng nhiệt
18


độ mặt nƣớc biển (SST) hoặc chuẩn sai nhiệt độ mặt nƣớc biển (SSTA) cho khu
vực nhiệt đới Thái Bình Dƣơng (TBD) nói chung, SST hoặc SSTA ở các khu

vực NINO nói riêng, ... cũng đƣợc coi là các phƣơng pháp dự báo khí hậu.
Trong các mô hình thống kê, ngƣời ta sử dụng lý thuyết toán thống kê để
tìm những mối quan hệ có thể chấp nhận đƣợc giữa các nhân tố dự báo và các
đối tƣợng dự báo. Trong đó, nhân tố dự báo là các yếu tố khí hậu với số liệu
trong quá khứ hoặc kết quả của mô hình động lực trong tƣơng lai, đối tƣợng dự
báo khí hậu thƣờng là chuẩn sai nhiệt độ hay lƣợng mƣa. Dựa vào các nguồn số
liệu khí hậu, hải văn đã thu thập và tích lũy đƣợc của các nƣớc (số liệu quan trắc
hoặc số liệu phân tích lại các trƣờng khí tƣợng và hải dƣơng), ngƣời ta thiết lập
đƣợc những mô hình dự báo trên cơ sở phân tích diễn biến đồng thời hoặc có
tính đến độ trễ theo thời gian của các nhân tố đƣợc chọn (nhân tố dự báo) với
các nhân tố cần xác định (đối tƣợng dự báo). Có thể nêu một vài dạng mô hình
chính đã và đang đƣợc sử dụng trong dự báo khí hậu sau đây:
1. Phƣơng pháp tƣơng quan, hồi qui
Dựa trên nguồn số liệu đã thu đƣợc ngƣời ta tiến hành tìm các mối quan
hệ có thể có giữa các nhân tố dự báo với các đối tƣợng dự báo. Trên cơ sở mối
quan hệ đƣợc khảo sát, ngƣời ta có thể thiết lập các mô hình dự báo, đơn giản
nhất là các mô hình hồi quy tuyến tính hoặc phi tuyến với một hoặc nhiều biến,
đƣợc xây dựng trực tiếp từ một đối tƣợng dự báo Y và các nhân tố dự báo X i.
Phƣơng trình dự báo có dạng tổng quát:
Y = a0 +  ai Xik

(1.1)

trong đó: a0, ai, k là các tham số đƣợc ƣớc lƣợng từ các chuỗi số liệu của đối
tƣợng dự báo và nhân tố dự báo. Trong nhiều trƣờng hợp giữa các biến cũng tồn
tại sự phụ thuộc lẫn nhau làm cho các mối quan hệ tƣơng quan và hồi quy trực
tiếp trở nên kém hiệu quả. Một số phƣơng pháp biến đổi sử dụng trong các mô
hình thống kê nhƣ sử dụng hàm trực giao thực nghiệm hay phân tích thành phần
chính, phân tích nhân tố, ... đã đƣợc sử dụng làm cho các mô hình dự báo có
hiệu quả hơn.

Trong dự báo khí hậu đối tƣợng dự báo thƣờng không phải chỉ là một
điểm, một thời điểm mà là cả một tập hợp các điểm, một tập hợp thời đoạn hay
các thời điểm, ... Khi đó phƣơng pháp dự báo thống kê sẽ sử dụng một phƣơng
pháp phân tích khác - đó là phương pháp phân tích tương quan chính tắc hay
19


tương quan Canon (Canonical correlation analysis). Tƣơng quan Canon cho
phép xác định đƣợc tƣơng quan cực đại trong mối quan hệ tuyến tính giữa hai
tập hợp các đối tƣợng dự báo và các nhân tố dự báo.
2. Phƣơng pháp xác suất có điều kiện và hàm phân biệt
Dựa vào lý thuyết xác suất để đánh giá khả năng xuất hiện giữa các hiện
tƣợng mà giữa chúng lại có sự phụ thuộc lẫn nhau: sự xuất hiện của hiện tƣợng
này sẽ quyết định khả năng xuất hiện của hiện tƣợng kia. Dựa vào các nguồn
thông tin của quá khứ hoặc từ suy luận lý thuyết ngƣời ta xác định đƣợc mối
quan hệ có tính xác suất này. Lý thuyết xác suất có điều kiện, lý thuyết hàm
phân biệt là cơ sở cho các mô hình dự báo xác suất trong dự báo khí hậu. Cũng ở
một dạng gần tƣơng tự, phƣơng pháp “dự báo pha” (chủ yếu là dự báo 2 pha và
3 pha) đã đƣợc áp dụng.
Xích Makov cũng là một phƣơng pháp cơ bản trong toán thống kê xác lập
mối quan hệ giữa các chuỗi sự kiện của các biến cố thời gian. Phƣơng pháp xích
Makov cũng đƣợc sử dụng trong dự báo khí hậu ở một số trung tâm dự báo khí
hậu lớn hiện nay.
3. Phƣơng pháp phân tích phổ
Là một phần cơ bản của lý thuyết toán thống kê nghiên cứu quy luật dao
động của các sự kiện xảy ra theo thời gian, cũng nhƣ mối quan hệ giữa chúng
đƣợc xét dƣới dạng dao động của các giá trị phổ. Lý thuyết phân tích phổ cũng
đang đƣợc nghiên cứu sử dụng ở một số nƣớc.
4. Phƣơng pháp phân tích "mạng thần kinh" (neural network)
Là phƣơng pháp mới đƣợc phát triển gần đây dựa trên nguyên lý của các

mối liên hệ đa chiều của hệ thần kinh để tạo dựng mối liên hệ giữa các đối tƣợng
dự báo và các nhân tố dự báo. Dựa trên cơ sở của một nguồn thông tin phong
phú kết hợp với khả năng rất lớn hiện nay về máy tính đã cho phép tạo ra một
mô hình chọn lựa để thiết lập mối liên hệ tối ƣu đa chiều giữa các nhân tố dự
báo và đối tƣợng dự báo theo cách mô phỏng truyền dẫn, lựa chọn thông tin của
hệ thống thần kinh con ngƣời. Mô hình này đang đƣợc sử dụng ở một số trung
tâm dự báo khí hậu và cũng đã đƣợc vận dụng trong một vài bài toán về thuỷ
văn ở nƣớc ta.

20


Nhìn chung tuy không phản ánh đƣợc trực tiếp cơ chế của các quá trình
vật lý liên kết giữa nhân tố dự báo và đối tƣợng dự báo, song trên đây là những
mô hình dự báo dễ tiếp cận và sử dụng, có hiệu quả tƣơng đối cao hiện nay. Đối
với các nƣớc chƣa có khả năng sử dụng các mô hình động lực thì việc sử dụng
các mô hình toán thống kê để dự báo khí hậu là giải pháp đúng đắn. Tuy nhiên,
để sử dụng có hiệu quả các mô hình thống kê thì số liệu quá khứ, kể cả của nhân
tố dự báo và đối tƣợng dự báo, đều đóng vai trò đặc biệt quan trọng.
III. ĐÁNH GIÁ CHẤT LƢỢNG DỰ BÁO KHÍ HẬU
Các mô hình dự báo thời tiết và khí hậu đang phát triển khá mạnh mẽ trên
thế giới. Việc đánh giá chất lƣợng dự báo khí hậu để lựa chọn mô hình dự báo
tối ƣu là một vấn đề rất quan trọng và không phải đơn giản. Dựa trên các
phƣơng pháp và chỉ tiêu đã đƣợc nêu trong “Thông báo kỹ thuật” số 8 năm 1999
của Tổ chức Khí tƣợng thế giới (WMO) kết hợp với các chỉ số và chỉ tiêu đã
đƣợc sử dụng ở một số nƣớc, một vài chỉ tiêu chính sau đây đã đƣợc lựa chọn
để tiến hành kiểm chứng và đánh giá mô hình dự báo:
1. Chỉ tiêu đánh giá dựa trên sai khác giữa giá trị dự báo và quan trắc
Đối với các kết quả dự báo số, nhất là các biến liên tục, chỉ số đánh giá
đƣợc tính cụ thể qua nhiều chỉ số chứa đựng chính sự sai khác giữa giá trị dự

báo và quan trắc tƣơng ứng, gọi tắt là sai số. Có thể nêu ra một vài chỉ tiêu chính
nhƣ sau:
- Sai số trung bình - ME (mean error)
ME 

1 N
 ( F  Oi )
N i 1 i

(1.1)

hoặc sai số quân phương là căn bậc hai của sai số bình phƣơng trung bình RMSE (root mean squared error)
N
RMSE   1  (F  O )2 1/ 2
N i1 i i

(1.2)

- Phương sai thặng dư (residual variance) hay sai số bình phương trung
bình - MSE (mean squared error)

21


S e2  MSE 

N
1

[ yi  y ( xi )]2


N  df  1 i 1

trong đó: yˆ ( xi ) là giá trị hồi quy (dự báo) của yi ; df là bậc tự do (số nhân tố dự
báo (NTDB) tham gia mô hình). Rõ ràng MSE càng nhỏ thì dự báo càng chính
xác, chất lƣợng dự báo càng cao.
- Chỉ số Fisher (F). Trong lý thuyết kiểm nghiệm giả thiết thống kê, tiêu
chuẩn Fisher thƣờng đƣợc dùng để đánh giá sự giống nhau hoặc khác nhau giữa
2 tập hợp biến. Trong phƣơng trình hồi quy tuyến tính nhiều biến, chỉ số F đƣợc
định nghĩa nhƣ sau:
F = MSR / MSE

(1.3)

với MSR là tổng bình phƣơng độ lệch giữa giá trị hồi quy với giá trị trung bình
của biến Y.

1
MSR 
df

2

N


  y ( xi )  y 
i 1

trong đó, df là bậc tự do của hồi quy bội, y là giá trị trung bình của Y. Nhƣ vậy

nếu tổng bình phƣơng trung bình của sai số giữa dự báo và quan trắc càng nhỏ
so với tổng bình phƣơng độ lệch giữa dự báo với trị số trung bình của đối tƣợng
dự báo (ĐTDB) thì F càng lớn, điều đó cũng có nghĩa là kết quả dự báo càng có
ý nghĩa.
2. Chỉ số đánh giá dựa vào xác suất xuất hiện
- Sai số tuyến tính trong môi trường xác suất
Mô hình dự báo đƣợc kiểm tra và đánh giá chất lƣợng bởi sai số tuyến
tính trong môi trƣờng xác suất (Linear Error in Probability Space - LEPS) trên
cơ sở tập biến phụ thuộc. Để đánh giá các kết quả dự báo theo xác suất, LEPS
dựa vào hàm phân bố xác suất tích lũy của giá trị quan trắc và dự báo để tính sai
số giữa chúng qua các quan trắc cụ thể để đánh giá. Gọi P f là xác suất xuất hiện
giá trị quan trắc y và Po là xác suất xuất hiện giá trị dự báo y' tƣơng ứng với
quan trắc. Công thức chung của chỉ số này là:
S = 1- | Pf - Po |

22

(2.1)


Nhƣ vậy, Pf và Po là suất bảo đảm của đối tƣợng dự báo đối với hai phân
phối khác nhau, một đƣợc xác định từ mẫu mô phỏng của mô hình ( P f ), một
đƣợc xác định từ mẫu quan trắc thực tế ( Po ). Kỳ vọng của đặc trƣng xác suất
này có thể đƣợc xác định bằng công thức sau:
[LEPS] = 1 - | Pf - Po | - 1.5(0.5 - Pf + Pf2) (0.5 - Po + Po2)

(2.2)

Giá trị của hệ số LEPS thƣờng đƣợc tính bằng (%). Từ hình (1.1) có thể
thấy đối với khu vực xác suất gần 0 và 1 sai khác giữa xác suất dự báo và quan

trắc thƣờng nhỏ nhƣng ở khu vực gần trung vị thì sai khác này lớn hơn nhiều.
Điều đó cho thấy những dự báo đối với giá trị lân cận trung vị thƣờng cho kết
quả kém hơn.

Hình 1.1: Minh họa chỉ số LEPS theo hàm xác suất tích luỹ

Về lý thuyết, giá trị trung bình của chỉ số LEPS có thể dao động từ -3/8
khi (Pf, Po ) = (0,1), (0,1) đến 5/8 khi (Pf, Po ) = (0,0), (1,1). Theo tài liệu của Úc
(Australia) thì mô hình cho kết quả tốt khi giá trị trung bình của LEPS > 10%,
rất tốt nếu đạt trên 30%.
3. Chỉ tiêu đánh giá dựa vào “bảng liên kết” (contigency table)
Để đánh giá chất lƣợng và giá trị của dự báo khí hậu đối với một hiện
tƣợng nào đó (nhƣ hạn, mƣa, lốc tố, ...) mà kết quả đƣợc yêu cầu trả lời chỉ là có
hoặc không, có thể sử dụng "bảng liên kết" giữa kết quả dự báo với thực tế đã
xuất hiện để xây dựng các chỉ tiêu đánh giá. Hình thức thể hiện của "bảng liên
kết" đƣợc trình bày trong Bảng 1.1.
23


Bảng 1.1: Bảng liên kết 2 pha
Dự báo

Quan
trắc

Có

Không

Có

N11 - Thành công
(Hit)

N12 - Thất bại (Miss)

Không

N21 - Báo động sai
(False alarm)

N22 - Đúng, bị bỏ qua
(Correct rejection)

Bốn trƣờng hợp có thể xảy ra biểu thị các tình huống, hiện tƣợng có đƣợc
dự báo hay không và thực tế nó có xuất hiện hay không. Khi hiện tƣợng xuất
hiện và đƣợc dự báo có: "thành công", hiện tƣợng xuất hiện nhƣng không đƣợc
dự báo có: "thất bại". Nếu hiện tƣợng không xuất hiện nhƣng lại dự báo có, tức
là đã "báo động sai" còn nếu hiện tƣợng không xuất hiện và cũng đƣợc dự báo
không xuất hiện thì dự báo đúng nhƣng kết quả bị bỏ qua.
Sau nhiều lần dự báo, ta có thể tổng kết để đánh giá mức độ chính xác
cũng nhƣ hiệu quả kinh tế của mô hình. Để tiến hành đánh giá mô hình sau N
lần dự báo, có thể sử dụng các chỉ tiêu đánh giá sau:
- Tỷ lệ thành công (Hit Rate - HR)
HR = N11/(N11+N12)

(3.1)

- Tỷ lệ báo động sai (False Alarm Rate - FR) là tỷ số của số lần dự báo
nhƣng hiện tƣợng không xuất hiện với tổng số lần hiện tƣợng không xuất hiện:

FR = N21/(N21+N22)

(3.2)

Hai chỉ tiêu HR và FR đặc trƣng cho mô hình dự báo các hiện tƣợng. Bảo
đảm cân bằng giữa chúng là đòi hỏi của bất kỳ mô hình dự báo nào và khi tỷ lệ
"thành công" vƣợt tỷ lệ "báo động sai", mô hình đƣợc coi là "tinh xảo" (skill).
Với quan niệm trên nhƣng khi đối tƣợng dự báo A không phải là một hiện
tƣợng với hai khả năng xuất hiện nhƣ đã nêu mà là một đại lƣợng xuất hiện dƣới
dạng một chuỗi giá trị, đƣợc chia thành nhiều khoảng (pha) để dự báo, sẽ xử lý
nhƣ thế nào?
Giả sử đối tƣợng dự báo đƣợc chia thành hai pha có vai trò và ý nghĩa nhƣ
nhau, có khả năng xuất hiện ngang nhau thì rõ ràng, kết quả "báo động sai" đối
với pha này sẽ là "thất bại" đối với pha kia và "tỷ lệ báo động sai" của mô hình
dự báo đối với pha này sẽ có ý nghĩa là "tỷ lệ thất bại" đối với pha còn lại. Khi
24


đó, ngoài ý nghĩa cụ thể đối với mỗi pha dựa theo định nghĩa trên, ta sẽ phải có
thêm định nghĩa khác đại diện cho cả mô hình. Đó là tỷ lệ "thành công" và "báo
động sai" trung bình của các pha. Theo các ký hiệu đã nêu ta có các định nghĩa
sau:
- Tỷ lệ thành công trung bình
HRTB = (N11+N22)/N

(3.3)

- Tỷ lệ báo động sai trung bình
FRTB= (N12+N21)/N

(3.4)

Thực ra, đối với mô hình 2 pha, 50% là "xác suất khí hậu". Hiện nay, để
đƣợc sử dụng trong nghiệp vụ dự báo, HRTB thƣờng phải đạt trên 65 - 70%.
HRTB ở đây cũng có thể coi là độ chính xác của mô hình dự báo theo quan niệm
thông thƣờng nhƣ dự báo dấu chuẩn sai.

25