Nghiên cứu ứng dụng mô hình anfis để dự báo lượng mưa vụ cho lưu vực sông cả

LỜI CẢM ƠN
Tôi xin trân trọng cảm ơn TS. Nguyễn Lương Bằng, là người đã tận tình chỉ bảo
và hướng dẫn tơi hồn thành luận văn này.
Tơi xin chân thành cảm ơn Ban giám hiệu Trường Đại học Thủy lợi, Phòng Đào
tạo Đại học và Sau Đại học, Khoa Kỹ thuật tài nguyên nước, Bộ môn Kỹ thuật
tài nguyên nước đã tạo điều kiện thuận lợi, nhiệt tình giúp đỡ và động viên tơi
trong q trình học tập và thực hiện luận văn.
Tôi cũng xin chân thành cảm ơn bạn bè, gia đình đã hỗ trợ, động viên, chia sẻ
khó khăn trong suốt thời gian học tập và thực hiện luận văn.

i



i


LỜI CAM ĐOAN
Học viên xin cam đoan đây là công trình nghiên cứu của bản thân tác giả. Các
kết quả nghiên cứu và những kết luận trong luận văn là trung thực, không sao
chép từ bất kỳ một nguồn nào và dưới bất kỳ hình thức nào và chưa từng được ai
cơng bố trong bất cứ cơng trình nào khác. Việc tham khảo, trích dẫn các nguồn
tài liệu đã được ghi rõ nguồn tài liệu tham khảo đúng quy định.

Tác giả luận văn

Nguyễn Thị Minh Thu

ii

MỤC LỤC
MỤC LỤC ........................................................................................................... III
DANH MỤC CÁC BẢNG BIỂU ........................................................................ V
DANH MỤC CÁC HÌNH VẼ............................................................................. VI
DANH MỤC CÁC TỪ VIẾT TẮT ...................................................................VII
MỞ ĐẦU ............................................................................................................... 1
1. Tính cấp thiết của đề tài .................................................................................... 1
2. Mục đích nghiên cứu ......................................................................................... 2
3. Đối tượng và phạm vi nghiên cứu ..................................................................... 2
4. Cách tiếp cận và phương pháp nghiên cứu ....................................................... 3
CHƯƠNG 1: TỔNG QUAN CÁC NGHIÊN CỨU DỰ BÁO LƯỢNG MƯA
VỤ VÀ VÙNG NGHIÊN CỨU ............................................................................ 4
1.1. Tổng quan các nghiên cứu về dự báo lượng mưa vụ ..................................... 4
1.1.1. Tổng quan về tình hình nghiên cứu trên thế giới ........................................ 4
1.1.2. Tổng quan về tình hình nghiên cứu trong nước .......................................... 9
1.2. Tổng quan về lưu vực nghiên cứu ................................................................ 13
1.2.1. Vị trí địa lý, diện tích và phân bổ diện tích. .............................................. 13
1.2.2. Điều kiện địa hình. ................................................................................... 15
1.2.3. Đặc điểm thổ nhưỡng và thảm phủ thực vật. ........................................... 16
1.2.4. Khí hậu, khí tượng..................................................................................... 18
1.2.5. Mạng lưới sơng ngịi và điều kiện thủy văn. ............................................ 24
1.2.6. Tình hình Kinh tế - Xã hội ........................................................................ 32
1.2.7. Phương hướng phát triển các ngành đến năm 2025. ................................. 45
CHƯƠNG 2: ỨNG DỤNG MƠ HÌNH ANFIS ĐỂ DỰ BÁO LƯỢNG MƯA
VỤ CHO LƯU VỰC NGHIÊN CỨU ................................................................ 49
2.1. Phương pháp và số liệu về lượng mưa ......................................................... 49
2.1.1. Số liệu lượng mưa ..................................................................................... 49
2.1.2. Phân tích đặc trưng mưa của lưu vực sơng Cả.......................................... 49
2.1.3. Phân tích lựa chọn phương pháp dự báo ................................................... 55
iii

2.2. Ứng dụng mơ hình ANFIS để thiết lập các mơ hình dự báo lượng mưa vụ
cho vùng nghiên cứu ........................................................................................... 58
2.2.1. Yếu tố dự báo (biến đầu ra) ....................................................................... 58
2.2.2. Nhân tố dự báo (biến đầu vào) .................................................................. 58
2.3.3. Cấu trúc của mơ hình dự báo..................................................................... 59
2.2.4. Ứng dụng mơ hình ANFIS để dự báo lượng mưa vụ cho lưu vực nghiên
cứu. ...................................................................................................................... 60
2.2.5. Đánh giá hiệu quả dự báo của các mơ hình dự báo................................... 65
CHƯƠNG 3: NGHIÊN CỨU, ĐỀ XUẤT MƠ HÌNH DỰ BÁO LƯỢNG MƯA
VỤ PHÙ HỢP CHO LƯU VỰC SƠNG CẢ ...................................................... 69
3.1. Phân tích kết quả dự báo của các mơ hình ................................................... 69
3.2. Nghiên cứu, đề xuất mơ hình dự báo phù hợp và dự báo thử nghiệm cho lưu
vực sông Cả ......................................................................................................... 75
3.2.1. Nghiên cứu, đề xuất mơ hình dự báo phù hợp cho vùng nghiên cứu ....... 75
3.2.2. Kết quả dự báo thử nghiệm cho lưu vực sông Cả ..................................... 81
KẾT LUẬN VÀ KIẾN NGHỊ ............................................................................. 86
1. Kết luận ........................................................................................................... 86
2. Kiến nghị ......................................................................................................... 87
TÀI LIỆU THAM KHẢO ................................................................................... 88
PHỤ LỤC ............................................................................................................ 92

iv


DANH MỤC CÁC BẢNG BIỂU
Bảng 1.1. Phân bố diện tích theo địa bàn hành chính ......................................... 15
Bảng 1.2. Phân loại đất đai trên lưu vực sông Cả ............................................... 16
Bảng 1.3. Đặc trưng nhiệt độ trung bình tháng trên sơng Cả (đơn vị C) .......... 19

Bảng 1.4. Số giờ nắng trung bình tháng, năm trên lưu vực sơng Cả (Đv: h) ..... 19
Bảng 1.5. Lượng nước bốc hơi bình quân tháng trên lưu vực sông Cả (Đơn
vị:mm) ................................................................................................................. 20
Bảng 1.6. Độ ẩm khơng khí các tháng tại một số trạm (Đơn vị: %)................... 21
Bảng 1.7. Tốc độ gió trung bình tháng, năm (Đơn vị: m/s) ................................ 22
Bảng 1.8. Lượng mưa trung bình tháng (Đơn vị: mm) ....................................... 24
Bảng 1.9. Đặc trưng hình thái một số lưu vực sơng ........................................... 29
Bảng 1.10. Đặc trưng dòng chảy năm các trạm thuỷ văn lưu vực sông Cả ........ 30
Bảng 1.11. Lưu lượng kiệt nhất tháng 3 4 và tháng 7 8 thực đo .................... 32
Bảng 1.12. Hiện trạng sử dụng đất hạ lưu, lưu vực sông Cả .............................. 33
Bảng 2.1. Các thông số về lượng mưa của các trạm ........................................... 49
Bảng 2.2. Độ lệch chuẩn lượng của các trạm...................................................... 55
Bảng 2.3. Các tham số của mơ hình dự báo ........................................................ 59
Bảng 2.4. Tiêu chí đánh giá chất lượng dự báo [33] ........................................... 66
Bảng 3.1. Hiệu quả dự báo lượng mưa 1 tháng của các trạm ............................. 69
Bảng 3.2. Hiệu quả dự báo lượng mưa 3 tháng của các trạm ............................. 70
Bảng 3.3. Hiệu quả dự báo lượng mưa 6 tháng của các trạm ............................. 71
Bảng 3.4. Kết quả dự báo thử nghiệm lượng mưa vụ năm 2018 tại trạm Quỳ
Châu..................................................................................................................... 82
Bảng 3.5. Kết quả dự báo thử nghiệm lượng mưa vụ năm 2018 tại trạm Tương
Dương .................................................................................................................. 83
Bảng 3.6. Kết quả dự báo thử nghiệm lượng mưa vụ năm 2018 tại trạm Đô
Lương .................................................................................................................. 84
Bảng 3. 7. Kết quả dự báo thử nghiệm lượng mưa vụ năm 2018 tại trạm Vinh 85

v



v

DANH MỤC CÁC HÌNH VẼ
Hình 1. 1. Bản đồ lưu vực sơng Cả ..................................................................... 14
Hình 2.1. Lượng mưa trung bình tháng của các trạm ......................................... 51
Hình 2.2. Lượng mưa tháng lớn nhất của các trạm ............................................. 51
Hình 2.3. Lượng mưa tháng nhỏ nhất của các trạm ............................................ 52
Hình 2.4. Diễn biến tổng lượng mưa năm của các trạm (1975-2017) ................ 53
Hình 2.5. Xu thế tổng lượng mưa năm của trạm Vinh (1975-2017)................... 53
Hình 2.6. Xu thế tổng lượng mưa năm của trạm Quỳ Châu (1975-2017) .......... 54
Hình 2.7. Xu thế tổng lượng mưa năm của trạm Tương Dương (1975-2017).... 54
Hình 2.8. Xu thế tổng lượng mưa năm của trạm Đô Lương (1975-2017) .......... 54
Hình 2.9. Các thành phần của mơ hình dự báo theo phương pháp thống kê ...... 57
Hình 2.10. Cấu trúc mơ hình ANFIS .................................................................. 60
Hình 2.11. Sơ đồ khối của mơ hình ANFIS ........................................................ 64
Hình 2. 12. Sơ đồ khối của phần mềm dự báo .................................................... 67
Hình 3.1. So sánh hiệu quả dự báo lượng mưa 1 tháng giữa các trạm ............... 72
Hình 3.2. So sánh hiệu quả dự báo lượng mưa 3 tháng giữa các trạm ............... 73
Hình 3.3. So sánh hiệu quả dự báo lượng mưa 6 tháng giữa các trạm ............... 74
Hình 3.4. So sánh hiệu quả dự báo lượng mưa vụ 1, 3 và 6 tháng của mơ hình
M4 giữa các trạm ................................................................................................. 76
Hình 3.5. Kết quả dự báo lượng mưa 1 tháng trạm Quỳ Châu (M4) .................. 77
Hình 3.6. Kết quả dự báo lượng mưa 3 tháng trạm Quỳ Châu (M4) .................. 77
Hình 3.7. Kết quả dự báo lượng mưa 6 tháng trạm Quỳ Châu (M4) .................. 78
Hình 3.8. Kết quả dự báo lượng mưa 1 tháng trạm Tương Dương (M4) ........... 78
Hình 3.9. Kết quả dự báo lượng mưa 3 tháng trạm Tương Dương (M4) ........... 78
Hình 3.10. Kết quả dự báo lượng mưa 6 tháng trạm Tương Dương (M4) ......... 79
Hình 3.11. Kết quả dự báo lượng mưa 1 tháng trạm Đơ Lương (M4)................ 79
Hình 3.12. Kết quả dự báo lượng mưa 3 tháng trạm Đơ Lương (M4) ................ 79
Hình 3.13. Kết quả dự báo lượng mưa 6 tháng trạm Đơ Lương (M4) ................ 80

Hình 3.14. Kết quả dự báo lượng mưa 1 tháng trạm Vinh (M4) ........................ 80
Hình 3.15. Kết quả dự báo lượng mưa 3 tháng trạm Vinh (M4) ........................ 80
Hình 3.16. Kết quả dự báo lượng mưa 6 tháng trạm Vinh (M4) ........................ 81

vi


DANH MỤC CÁC TỪ VIẾT TẮT
BĐKH

Biến đổi khí hậu

DBKH

Dự báo khí hậu

DBM

Dự báo mưa

TBD

Thái Bình Dương

GCM

Global Climate Model (Mơ hình khí hậu tồn cầu)

KHCH

Khoa học Cơng nghệ

KT-XH

Kinh tế - Xã hội

KTTV

Khí tượng thủy văn

ANFIS

Adaptive Neuro-Fuzzy Inference System (Mạng noron thích
nghi mờ)

ANN

Artificial Neural Networks (Mạng noron nhân tạo)

ARIMA

Autoregressive Integrated Moving Average Model (Mơ hình tự
hồi quy thích hợp)

COOR

Correlation Coefficient (Hệ số tương quan)

D

Discrepancy ratio (Tỷ lệ chênh lệch)

ENSO

El Nino and the Southern Oscillation (El Nino và dao động
nam bán cầu)

FAO

Food and Agriculture Organization (Tổ chức Lương thực &
Nông nghiệp Liên Hiệp Quốc)

FL

Fuzzy Logic

M

Mơ hình

RMSE

Root Mean Square Error (Sai số căn qn phương)

SOI

Southern Oscillation Index (chỉ số dao động nam bán cầu)

SST

Sea Surface Temperature (Nhiệt độ mặt nước biển)

SSTA

Sea Surface Temperature Anomalies (Nhiệt độ mặt nước biển
dị thường)

WMO

World Meteorological Organization (Tổ chức Khí tượng Thế
giới)

vii



MỞ ĐẦU
1. Tính cấp thiết của đề tài
Lượng mưa là hiện tượng ngẫu nhiên trong tự nhiên do hoàn lưu khí quyển và
đại dương gây ra. Dự báo lượng mưa là cực kỳ quan trọng trong lĩnh vực Kỹ
thuật Tài nguyên nước như quản lý lũ lụt, hạn hán, dòng chảy môi trường, nhu
cầu nước của các ngành khác nhau, duy trì mực nước hồ chứa và thiên tai.
Lượng mưa là nguồn cung cấp nước chính, đó là u cầu cơ bản trong việc sản
xuất nơng nghiệp, do đó dự báo mưa rất hữu ích cho việc lên kế hoạch trồng trọt
phù hợp. Lượng mưa là một quá trình ngẫu nhiên, lượng mưa phụ thuộc vào các
thông số thời tiết như nhiệt độ trung bình, áp suất khí quyển bề mặt, độ ẩm
tương đối và tốc độ gió…
Để dự báo mưa hạn mùa, hiện nay trên Thế giới cũng như Việt Nam thường có
hai cách tiếp cận là sử dụng phương pháp thống kê (thống kê truyền thống và
downscaling thống kê) và phương pháp mơ hình động lực. Nhìn chung, phương

pháp thống kê truyền thống đã đạt được những kết quả nhất định, nhiều mơ hình
thống kê có đóng góp chính trong việc đưa ra bản tin dự báo tổng lượng mưa
mùa. Phương pháp downscaling thống kê phụ thuộc nhiều vào độ chính xác của
sản phẩm dự báo từ các Mơ hình khí hậu tồn cầu (Global Climate Model –
GCM), tuy nhiên sai số của các GCM hiện nay vẫn còn khá lớn nên kết quả
nhận được theo hướng này cũng cịn nhiều hạn chế. Phương pháp mơ hình động
lực là hướng nghiên cứu đang rất được quan tâm, nó có những ưu điểm vượt trội
về khả năng cung cấp sản phẩm dự báo nhưng độ chính xác cũng chưa đạt được
như mong muốn.
Dự báo mưa hạn mùa ở Việt Nam hiện mới dừng lại trong phạm vi các mô hình
thống kê, mặc dù đã có một số cơng trình nghiên cứu ứng dụng các mơ hình số
nhưng chưa có điều kiện đưa vào nghiệp vụ, có thể do một số ngun nhân như:
khả năng tính tốn của máy tính, chưa có điều kiện biên ổn định (chưa chủ động
1


được sản phẩm của mơ hình tồn cầu), hạn chế về độ chính xác của sản phẩm dự
báo... Các thơng tin dự báo hạn mùa, trong đó có dự báo mưa đã đáp ứng phần
nào nhu cầu phục vụ phát triển kinh tế xã hội và đời sống. Tuy nhiên, để ứng
dụng có hiệu quả thì bản tin dự báo mùa cịn có những hạn chế như: (1) Đối
tượng dự báo mới giới hạn ở hai yếu tố là nhiệt độ trung bình và tổng lượng
mưa, thiếu thơng tin dự báo về các yếu tố khí hậu quan trọng khác như: nhiệt độ
cực trị, lượng mưa lớn nhất, bốc hơi, độ ẩm, số giờ nắng, gió, khả năng khơ hạn;
(2) thông tin dự báo về 3 tháng kề nhau nhiều khi không phù hợp với yêu cầu
sản xuất nông nghiệp trong những thời kỳ sinh trưởng quan trọng của cây trồng,
nhất là các thông tin dự báo theo từng tháng và dự báo đầu vụ cùng với dự báo 3
tháng để có kế hoạch điều tiết nước và bố trí cơ cấu cây trồng hợp lý ngay từ
đầu vụ.
Từ những phân tích ở trên cho thấy việc nghiên cứu, ứng dụng những phương
pháp dự báo mới để dự báo mưa hạn mùa (tháng, 3 tháng, 6 tháng) với kết quả

dự báo đủ tin cậy mang một ý nghĩa lớn trong lĩnh vực Kỹ thuật Tài nguyên
nước. Vì thế, trong nghiên cứu này tác giả ứng dụng phương pháp mới trong
lĩnh vực dự báo để nghiên cứu và đề xuất mô hình dự báo mưa hạn mùa phù hợp
và có độ tin cậy cao cho lưu vực sơng Cả.
2. Mục đích nghiên cứu
- Nghiên cứu ứng dụng Mạng noron thích nghi mờ (Adaptive neuro-fuzzy
inference system, ANFIS) để thiết lập các mô hình dự báo lượng mưa vụ với các
biến đầu vào là lượng mưa vụ trong quá khứ.
- Nghiên cứu và đề xuất mơ hình dự báo lượng mưa vụ (1 tháng, 3 tháng và 6
tháng) phù hợp cho lưu vực sông Cả.
3. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu: Tổng lượng mưa vụ (vụ 1tháng, 3 tháng và 6 tháng).
Phạm vi nghiên cứu: Lượng mưa, đặc điểm và xu thế biến đổi của lượng mưa ở
2


một số vị trí trên lưu vực sơng Cả.
4. Cách tiếp cận và phương pháp nghiên cứu


Cách tiếp cận:

- Tiếp cận thực tiễn (Khảo sát thực tế, thu thập số liệu tại vùng nghiên cứu);
- Tiếp cận kế thừa có chọn lọc và bổ sung;
- Tiếp cận các mơ hình dự báo tiên tiến đang sử dụng hiện nay trên thế giới.


Phương pháp nghiên cứu:

- Phương pháp điều tra, khảo sát, thu thập tài liệu thực tế, tài liệu tham khảo;

- Phương pháp thống kê, xác suất: Tổng hợp, xử lý và phân tích số liệu để đánh
giá diễn biến lượng mưa của khu vực;
- Phương pháp phân tích kế thừa có chọn lọc các mơ hình dự báo đã có trên thế
giới;
- Phương pháp mơ hình tốn, lập trình trên máy tính.

3



3


CHƯƠNG 1: TỔNG QUAN CÁC NGHIÊN CỨU DỰ BÁO LƯỢNG MƯA
VỤ VÀ VÙNG NGHIÊN CỨU
1.1. Tổng quan các nghiên cứu về dự báo lượng mưa vụ
1.1.1. Tổng quan về tình hình nghiên cứu trên thế giới
Việc dự báo được mức độ biến động của các yếu tố khí hậu, đặc biệt là yếu tố
lượng mưa trong từng mùa, vụ sẽ cho phép thực hiện công tác chỉ đạo sản xuất
hợp lý, tiết kiệm được nguồn nước, giảm chi phí trong sản xuất, nâng cao năng
suất cây trồng… Đó chính là một trong những yêu cầu đối với các nhà nghiên
cứu dự báo khí hậu. Trong khí tượng, cơng tác dự báo nghiệp vụ thường được
chia thành 2 loại: dự báo thời tiết và dự báo khí hậu. Dự báo thời tiết là dự báo
trước trạng thái của khí quyển tại một địa điểm và thời điểm cụ thể (thời điểm có
thể là từng giờ, từng ngày). Dự báo khí hậu là dự báo các đặc trưng về điều kiện
khí quyển trong từng khoảng thời gian dài như: tháng, mùa, vụ, năm, thập kỷ,
thế kỷ, trong đó, được quan tâm nhiều nhất là dự báo hạn mùa (tháng, mùa, vụ).
Dự báo khí hậu hạn mùa khác với dự báo thời tiết khơng chỉ ở phạm vi thời
gian, mục đích mà cịn khác cả sản phẩm, cách tiếp cận và phương pháp. Nhiều
thơng tin mà nghiên cứu dự báo thời tiết có thể bỏ qua, nhưng nghiên cứu dự

báo mùa lại cần phải tính tốn rất thận trọng [1]. Do tính tương tác khơng tuyến
tính của các hình thế thời tiết ở quy mơ synop nên dự báo thời tiết chỉ có thể dự
báo trước được một số ngày. Theo WMO quy định các dự báo khí tượng có hạn
dự báo nhỏ hơn hoặc bằng 10 ngày được xem là dự báo thời tiết (thời đoạn 10
ngày là cận trên của chu kỳ Synop) và hạn dự báo trong khoảng tháng, mùa, vụ
được xem là dự báo mùa [2]. Cho đến nay, có hai cách tiếp cận để dự báo khí
hậu mùa là dự báo bằng phương pháp thống kê thực nghiệm và phương pháp
động lực. Mỗi phương pháp đều tồn tại những điểm mạnh yếu và có xu hướng
bổ sung cho nhau, do vậy các hoạt động dự báo mùa ở nhiều trung tâm thông
thường phụ thuộc vào sự tổng hợp các thông tin được cung cấp bởi các công cụ
dự báo thống kê và mơ hình động lực[1]. Phương pháp thống kê thực nghiệm
phụ thuộc vào mối quan hệ giữa yếu tố dự báo với các nhân tố dự báo. Nhân tố
4


dự báo có thể là các quan trắc hiện tại và quá khứ hoặc các trường tái phân tích
khí quyển, đại dương (SST, SOI, MEI ...), hoặc cũng có thể là các trường dự báo
của các mơ hình khí hậu tồn cầu (hạ thấp qui mơ thống kê - Statistical
Downscaling). Mối quan hệ giữa yếu tố dự báo với các nhân tố dự báo được xây
dựng dựa trên các tập số liệu lịch sử và giả thiết rằng mối quan hệ đó vẫn duy trì
trong tương lai. Các cơng cụ phân tích thống kê khác nhau như: phân tích tương
quan, hồi quy, xác suất có điều kiện, hàm phân biệt, phân tích chuỗi thời gian
…được sử dụng nhằm nắm bắt được tính chất vật lý và các q trình động lực
trong hệ thống khí hậu. Ưu điểm của cách tiếp cận này đó là q trình tính tốn
trong các mơ hình khơng cần cơng hiệu máy tính lớn, đơn giản, dễ áp dụng
trong thực tiễn, kết quả dự báo mang tính khách quan, tuân theo một quy tắc
nhất định. Ban đầu, hướng tiếp cận này không thực sự thành công, nhưng với
sự gia tăng hiểu biết về hiện tượng ENSO và các hình thế thời tiết khác đã giúp
cho phương pháp này đáng tin cậy hơn [1]. Tuy nhiên, cách tiếp cận này tồn
tại một số điểm như: chỉ đơn thuần dựa vào mối quan hệ tuyến tính, khơng

biểu diễn trực tiếp quan hệ vật lý giữa nhân tố dự báo và yếu tố dự báo, các
điều kiện khí hậu chưa từng xảy ra không được xét đến trong quá trình dự báo,
và kết quả dự báo phụ thuộc nhiều vào độ dài chuỗi số liệu. Phương pháp động
lực là hướng nghiên cứu mơ phỏng khí hậu bằng mơ hình số. Để biểu diễn các
quan hệ vật lý giữa các yếu tố, người ta xây dựng các mơ hình số dựa trên mối
tương tác vật lý của sự chuyển động. Phát triển sớm nhất của loại mơ hình này là
mơ hình hồn lưu chung khí quyển (AGCM), sau đó, do sự ảnh hưởng quan
trọng của đại dương đối với hệ thống khí hậu nên đã lồng ghép mơ hình hồn
lưu chung đại dương (OGCM) với mơ hình hồn lưu chung khí quyển để tạo
thành hệ thống mơ hình kết hợp (couple) đại dương khí quyển (AOGCM). Mặt
khác, do nhu cầu sử dụng thông tin dự báo với độ phân giải không gian cao, các
nhà khoa học đã đưa ra các mơ hình khí hậu khu vực (RCM), mơ hình RCM
được xây dựng theo nguyên tắc RCM được lồng vào một GCM nào đó. Phương
pháp lồng ghép RCM vào AOGCM thường được gọi là hạ thấp qui mô động lực
5


(Dynamical Downscaling). Hiện nay, các mơ hình hồn lưu chung khí quyển
đại dương và các mơ hình khí hậu khu vực là công cụ chủ yếu được sử dụng để
xác định sự biến động khí hậu trong quá khứ và dự báo khí hậu cho tương lai.
Nếu kết quả đầu ra của mơ hình có sai số hệ thống, nó sẽ thực hiện thêm q
trình thống kê sản phẩm mơ hình (MOS) để đạt được kết quả đầu ra tốt hơn.
Ngoài ra, một số các trung tâm lớn như Trung tâm dự báo thời tiết hạn vừa châu
âu (ECMWF), Cơ quan Quản lý Khí quyển và Đại dương Hoa Kỳ (NOAA) hiện
đang sử dụng các mơ hình khí quyển - đại dương – đất (AOL-GCM) để đưa ra
sản phẩm dự báo mùa [3],[4]. Ưu điểm chính của mơ hình động lực là: mơ hình
động lực khơng bị hạn chế bởi sự khơng ổn định của khí hậu, có thể nắm bắt
được các giá trị cực trị hoặc những hiện tượng bất thường có thể chưa từng xuất
hiện trong khí hậu. Tuy nhiên, mơ hình cịn có những nhược điểm sau: việc giải
mơ hình số rất phức tạp, cần phải có cơng cụ máy tính lớn, đầu tư lớn về hệ

thống đồng hóa dữ liệu, hơn nữa các mơ hình này cũng có thể chứa đựng nhiều
sai số từ các quá trình tương tác với các nhân tố tác động (forcing) dẫn đến sai
số của các mơ hình biến đổi mạnh theo vùng, theo mùa và tùy thuộc từng yếu tố
khí tượng [5]. Từ những điểm mạnh, điểm yếu của phương pháp thống kê và
phương pháp mơ hình số như đã trình bày ở trên, đã có nhiều quan điểm cho
rằng cách giải quyết tối ưu trong trường hợp này là kết hợp cả hai phương pháp
để tận dụng điểm mạnh và hạn chế yếu điểm của mỗi phương pháp. Chính vì
vậy, đã có nhiều nghiên cứu dự báo mưa mùa theo hướng tiếp cận bằng phương
pháp thống kê truyền thống hoặc kết hợp cả động lực và thống kê nhằm tăng
chất lượng dự báo.
Hướng tiếp cận kết hợp cả động lực và thống kê bao gồm: (1) Thống kê sau mơ
hình (MOS): Dựa trên mối quan hệ thống kê giữa sản phẩm dự báo mưa
(hindcast) của các mơ hình động lực và số liệu quan trắc lượng mưa, xem sản
phẩm dự báo của mơ hình động lực như là các nhân tố dự báo; (2) Hạ thấp qui
mô thống kê (Statistical Downscaling): Dựa trên mối quan hệ thống kê giữa số
liệu quan trắc mưa và các trường tái phân tích, coi dự báo của GCM là hoàn hảo
6


và sử dụng chúng như là nhân tố dự báo để xác định yếu tố dự báo cho tương
lai; (3) So sánh sản phẩm dự báo mưa (hindcast) của cả 2 phương pháp thống kê
và động lực để chọn mô hình phù hợp nhất phục vụ cơng tác dự báo nghiệp vụ.
Chi tiết về các phương pháp này được trình bày trong các nghiên cứu của D. S.
Pai & M. Rajeevan [6], M. Rajeevan, và cộng sự [7]. Năm 2011, trong nghiên
cứu dự báo mưa mùa cho khu vực châu Phi, Anne Rourke đã đánh giá kỹ năng
mô phỏng lượng mưa mùa bằng cả 2 phương pháp động lực và thống kê đối với
từng vùng, từng mùa. Trên cơ sở đó đã chọn được mơ hình phù hợp nhất được
áp dụng đối với từng mùa và từng khu vực nhỏ trong vùng nghiên cứu[8]. Indira
Kadel năm 2012 đã sử dụng phương pháp Downscaling thống kê để dự báo mưa
mùa cho khu vực Nepal của Ấn Độ, trong đó, nhân tố dự báo được chọn từ bộ số

liệu tái phân tích của NCEP/NCAR về tham số khí quyển đại, dương thời kỳ
1970 – 2010 [9].
Hướng tiếp cận theo phương pháp thống kê truyền thống: Đây là hướng nghiên
cứu không mới, nhưng do tính đơn giản, dễ sử dụng, ít tốn kém, kết quả tương
đối ổn định nên cho đến nay các mơ hình thống kê vẫn đang được sử dụng khá
phổ biến. Nhiều mơ hình thống kê có vai trị chính trong việc dự báo tổng lượng
mưa mùa, đặc biệt là các quốc gia nằm trong vùng nhiệt đới, là nơi sự kiện
ENSO tác động mạnh đến lượng mưa [10]. Phần lớn các mơ hình thống kê được
xây dựng trên cơ sở hồi quy tuyến tính giữa các nhân tố dự báo (các chỉ số
ENSO) và chỉ số lượng mưa, khái qt một cách khá tồn diện và đầy đủ được
trình bày trong báo cáo của A. Troccoli, và cộng sự [11]. P. E.N.M. Momani
[12] đã áp dụng mơ hình ARIMA để dự báo lượng mưa tháng cho khu vực
Jordan thuộc vùng ven biển Địa Trung Hải. Trong nghiên cứu này các tác giả đã
sử dụng hàm tự tương quan và tự tương quan riêng phần của chuỗi lượng mưa
để xác định các tham số p,d,q trong mơ hình ARIMA để dự báo lượng mưa
tháng cho khu vực nghiên cứu. Cũng theo hướng nghiên cứu này Pudprommarat
Chookait & Apichatibutarpong Somruay [13] đã áp dụng mơ hình ARIMA đối
với chuỗi sơ liệu mưa tháng từ năm 1996 đến 2005 để dự báo mưa cho vùng
7


Thái Lan. Kết quả cho thấy số liệu quan trắc và mô phỏng là khá tương đồng đối
với các tháng có lượng mưa khơng lớn, tuy nhiên do chỉ xét duy nhất quá trình
tự hồi quy của chuỗi lượng mưa nên mơ hình khơng thể nắm bắt được những dị
thường về lượng mưa, đây là điểm hạn chế lớn nhất trong các nghiên cứu này.
V.K. Somvanshi, và cộng sự [14] đã sử dụng phương pháp mạng thần kinh nhân
tạo (ANN) và mơ hình ARIMA để dự báo tổng lượng mưa hàng năm cho khu
vực Ấn Độ phục vụ công tác quản lý tài nguyên nước. Trong nghiên cứu này,
các tác giả đã sử dụng chuỗi tổng lượng mưa hàng năm của vùng Hyderabad
thuộc Ấn Độ có độ dài chuổi là 104 năm (1901 – 2003), trong đó 93 năm đầu

được dùng để xây dựng mơ hình, 10 năm cịn lại được sử dụng để kiểm định mơ
hình. Từ kết quả tính tốn, các tác giả nhận thấy việc áp dụng phương pháp
ANN và mơ hình ARIMA trong dự báo hạn dài ở khu vực Hyderabad là khá phù
hợp và có thể áp dụng để phát triển cho các vùng khác thuộc Ấn Độ. Liên quan
đến dự báo tổng lượng mưa hàng năm, Weesakul Uruya & Lowanichchai
Sudajai [15] đã nghiên cứu áp dụng mơ hình ARIMA để dự báo lượng mưa hàng
năm phục vụ công tác lập kế hoạch điều tiết nước trên toàn lãnh thổ Thái Lan.
Các kết quả dự báo trên chuỗi số liệu độc lập (1991-2003) là khá tốt, sai số
tương đối trên toàn quốc dao động từ 7.5% đến 26.9 %. Ngoài việc xem xét
thành thành phần tự hồi quy và trung bình trượt trong mơ hình ARIMA,
Widjanarko Otok Bambang [16] còn xem xét tác động của các chỉ số khí hậu
khác đến lượng mưa tháng trên một số vùng của Indonesia. Mục tiêu của nghiên
cứu này là xác định được mơ hình dự báo mưa tốt nhất trong số các mơ
hình ARIMA, mơ hình động thái ARIMA đơn biến và mơ hình động thái
ARIMA đa biến. Số liệu sử dụng là tổng lượng mưa tháng thời kỳ 1989 - 2008
được quan trắc tại các trạm khí tượng và số liệu về chỉ số DMI, SST tại các vùng
NINO. Kết quả cho thấy khi có sự tham gia của các biến về chỉ số ENSO ở các
vùng NINO vào mơ hình động thái ARIMA thì sai số của mơ hình đã giảm đáng
kể so với trường hợp chỉ xét riêng thành phần tự hồi quy và trung bình trượt
trong mơ hình ARIMA. Trong những năm gần đây các phương pháp như ANN,
8


ANFIS và GA đã được sử dụng để xây dựng các mơ hình dự báo lượng mưa, kết
quả thu được từ các mơ hình này đã được so sánh với các số liệu thống kê, các
mơ hình dự báo ANFIS và GA có thể được sử dụng để dự báo lượng mưa tháng
chính xác hơn so với mơ hình ANN và mơ hình hồi quy tuyến tính khác, dựa
trên những kỹ thuật vượt trội của mình thì phương pháp ANFIS đã trở nên rất
phổ biến cho việc dự báo trong nhiều lĩnh vực khác nhau, phương pháp ANFIS
đã được chấp nhận như là một công cụ thay thế hiệu quả cho các phương pháp

truyền thống và được sử dụng rộng rãi để dự báo trong những hệ thống khí
tượng thủy văn [17], [18], [19].
1.1.2. Tổng quan về tình hình nghiên cứu trong nước
Ở Việt Nam hiện nay đang sử dụng các mơ hình thống kê để dự báo mưa hạn
mùa, các thông tin dự báo được cập nhật hàng tháng trên trang Web của Viện
Khoa học Khí tượng Thủy Văn và Mơi trường () và Trung
tâm Khí tượng Thủy văn Trung Ương ( Bản tin dự báo tập trung vào nhận định về diễn biến
của hiện tượng ENSO, kết quả dự báo là xác suất các pha hụt chuẩn, cận chuẩn,
vượt chuẩn của lượng mưa ở quy mô cấp vùng. Cho đến nay, thông qua các đề
tài, dự án, luận văn khoa học, luận án tiến sỹ, đã có nhiều cơng trình nghiên cứu
liên quan đến dự báo mùa nói chung và dự báo mưa nói riêng. Cách tiếp cận để
giải quyết bài toán dự báo mùa trong các nghiên cứu này đều dựa theo phương
pháp thống kê hoặc phương pháp mơ hình số. Có thể chia các cơng trình nghiên
cứu này thành 4 nhóm như sau:
1, Nhóm cơng trình nghiên cứu theo phương pháp thống kê truyền thống.
Trong đó, các nhân tố dự báo là số liệu quan trắc hoặc các trường tái phân tích
khí quyển, đại dương. Trong cách tiếp cận này, quan hệ thống kê giữa yếu tố dự
báo với các nhân tố dự báo được xây dựng dựa trên các tập số liệu lịch sử và giả
thiết rằng mối quan hệ đó vẫn duy trì trong tương lai. Trong số các cơng trình
nghiên cứu thuộc nhóm này là đề án “Nghiên cứu thử nghiệm dự báo khí hậu ở
9


Việt Nam” được thực hiện bởi nhóm tác giả Nguyễn Duy Chinh, Nguyễn Văn
Thắng, Phan Văn Tân... Trong nghiên cứu này, đối tượng dự báo được xác định
là chuẩn sai nhiệt độ và lượng mưa mùa (3 tháng liên tục) trên 7 vùng khí hậu
Việt Nam, nhân tố dự báo bao gồm: chuẩn sai nhiệt độ bề mặt nước biển
(SSTA) của các khu vực NINO, chỉ số SOI và số liệu về 12 thành phần trực giao
đầu tiên của trường số liệu SST toàn cầu. Về mặt phương pháp các tác giả đã thử
nghiệm nhiều phương pháp phân tích thống kê khác nhau như: phân tích tự

tương quan, phân tích hồi quy nhiều biến, phân tích hồi quy từng bước, phân
tích phân biệt, phân tích mạng thần kinh nhân tạo, phân tích tương quan Canon
và từ đó đã chọn được phương pháp hồi quy nhiều biến để xây dựng quy trình
dự báo [20]. Các kết quả trong nghiên cứu này đã và đang được sử dụng vào
công tác nghiệp vụ dự báo khí hậu của Viện Khoa học Khí tượng Thủy Văn và
Môi trường. Cũng theo hướng tiếp cận này cịn có một số cơng trình nghiên cứu
khác như: Lương Văn Lương Văn Việt [21] đã dự báo mưa, nhiệt và ẩm cho khu
vực Nam Bộ. Hầu hết các nghiên cứu này các tác giả đều đã sử dụng nhân tố dự
báo là các chỉ số giám sát ENSO.
2, Nhóm cơng trình nghiên cứu theo phương pháp mơ hình số.
Việc nghiên cứu sử dụng các mơ hình số trị trong dự báo khí hậu mùa ở nước ta
mới bắt đầu được thực hiện từ đầu những năm 2000, đến nay đã có nhiều cơng
trình nghiên cứu mơ phỏng mùa các trường khí hậu bằng các mơ hình số trị. Nội
dung của các cơng trình nghiên cứu này từng bước giải quyết một số vấn đề
như: tìm hiểu về cấu trúc của mơ hình; nghiên cứu ảnh hưởng của kích thước, vị
trí miền tính và độ phân giải của mơ hình, ảnh hưởng của các điều kiện biên và
điều kiện ban đầu, ảnh hưởng của việc tham số hóa q trình vật lý ... đến khả
năng mơ phỏng khí hậu mùa từ các mơ hình khí hậu khu vực, từ đó, đánh giá
khả năng ứng dụng mơ hình khí hậu khu vực vào điều kiện Việt Nam. Chi tiết
về hướng nghiên cứu này đã được Phan Văn Tân trình bày trong Báo cáo tổng
kết đề tài cấp Đại học Quốc gia (QG.TĐ.06.05) [22]. Về nhóm các cơng trình
10


nghiên cứu theo phương pháp mơ hình số ở Việt Nam đã được tổng quan khá
chi tiết và đầy đủ trong luận văn thạc sỹ của Nguyễn Đăng Mậu (2012) [23].
3, Nhóm cơng trình nghiên cứu theo phương pháp hạ thấp qui mô thống kê
(Statistical Downscaling).
Đây là hướng nghiên cứu kết hợp của cả 2 phương pháp, thống kê và mơ hình
số. Trong đó nhân tố dự báo là các trường dự báo của mơ hình GCM được tổng

hợp, phân tích lại và giả thiết rằng dự báo này là hồn hảo. Một trong những
cơng trình nghiên cứu đi đầu theo hướng này là đề tài “Nghiên cứu xây dựng mơ
hình dự báo khí hậu cho Việt Nam dựa trên kết quả của mơ hình động lực tồn
cầu” của Nguyễn Văn Thắng, năm 2006. Trong nghiên cứu này, yếu tố dự báo là
chỉ số mưa, nhiệt độ mùa (12 mùa, mỗi mùa gồm 3 tháng liên tiếp) của 7 vùng
khí hậu Việt Nam và các yếu tố khác, như số lượng các đợt khơng khí lạnh, mưa
lớn diện rộng, nắng nóng, xốy thuận nhiệt đới…, nhân tố dự báo là các trường
chuẩn sai nhiệt độ mặt nước biển (SSTA), khí áp mực biển (SLPA), bức xạ sóng
dài (OLRA), tốc độ gió (U, V) ở các mức độ cao 1000 mb, 850 mb, 700 mb, 500
mb, 200 mb; (theo ô lưới). Các trường này là kết quả của các mơ hình tồn cầu
đã được tổng hợp và phân tích lại tại các trung tâm khí hậu như CPC/NCEP,
NCAR, IRI (Mỹ), CPTEC/INPE (Brasil), NCC, BoM (Úc), ECMWF (EC). Trên
cơ sở bản đồ hệ số tương quan giữa yếu tố dự báo và giá trị tại mỗi ơ lưới của
các trường khí hậu tồn cầu nêu trên, sẽ chọn được các vị trí có tương quan tốt
nhất được sử dụng làm nhân tố dự tuyển trong mơ hình hồi quy từng bước để lọc
nhân tố [24]. Từ kết quả của Đề tài các tác giả cho rằng phương pháp
Downscaling thống kê không chỉ áp dụng tốt trong dự báo khí hậu mùa mà có
thể áp dụng dự báo trong các lĩnh vực khác, nếu yếu tố dự báo có liên quan mật
thiết với các trường khí tượng, khí hậu. Gần đây, trong đề tài cấp nhà nước
KC08.29/06-10 [25], tác giả Phan Văn Tân và CS đã áp dụng phương pháp
Downscaling thống kê để dự báo hạn mùa các yếu tố và hiện tượng khí hậu cực
đoan tại các điểm trạm ở Việt Nam. Trong đó: yếu tố dự báo là nhiệt độ cực trị,
11