Luận văn Nghiên cứu ứng dụng mô hình mm5 vào dự báo thời tiết mùa mưa khu vực nam Trung Bộ

1 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN BÙI MINH SƠN NGHIÊN CỨU ỨNG DỤNG MÔ HÌNH MM5 VÀO DỰ BÁO THỜI TIẾT MÙA MƯA KHU VỰC NAM TRUNG BỘ LUẬN VĂN THẠC SĨ KHOA HỌC HÀ NỘI – 2008 2 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN BÙI MINH SƠN NGHIÊN CỨU ỨNG DỤNG MÔ HÌNH MM5 VÀO DỰ BÁO THỜI TIẾT MÙA MƯA KHU VỰC NAM TRUNG BỘ Chuyên ngành: Khí tượng và khí hậu học Mã số: 62.44.87 LUẬN VĂN THẠC SĨ KHOA HỌC Người hướng dẫn khoa học: PGS.TS Phan Văn Tân HÀ NỘI – 2008 3 MỤC LỤC Trang MỞ ĐẦU ……………………………………………………. 1 Chương 1. TỔNG QUAN CÁC MÔ HÌNH SỐ DỰ BÁO THỜI TIẾT Ở VIỆT NAM 3 1.1 Các mô hình số dự báo thời tiết ở Việt Nam …………. 3 1.1.1 Mô hình HRM………………………………… 3 1.1.2 Mô hình RAMS ………………………………….. 4 1.1.3 Mô hình ETA ……………………………………. 5 1.1.4 Mô hình WRF …………………………………… 6 1.2 Mô hình MM5 và ứng dụng trong dự báo thời tiết ở Việt Nam và trên Thế giới 7 1.2.1 Trên thế giới ………………….. 8 1.2.2 Ở Việt Nam ……………………… 10 Chương 2. MÔ HÌNH KHÍ TƯỢNG ĐỘNG LỰC QUY MÔ VỪA MM5… 13 2.1 Hệ các phương trình thủy nhiệt động lực học của mô hình MM5…… 13 2.2 Tham số hóa Vật lý ……………………………………… 17 2.2.1 Tham số hóa đối lưu ………………………………… 17 2.2.2 Tham số hóa vi vật lý mây……………………………… 19 2.2.3 Tham số hóa bức xạ …………………………………… 20 2.2.4 Tham số hóa lớp biên hành tinh (PBL) ……………………………… 20 2.2.5 Các sơ đồ (mô hình) đất …………………………………………… 21 2.3 Điều kiện biên và điều kiện ban đầu ………………………………… 22 2.4 Hệ tọa độ ngang và đứng ………………………………………………… 23 2.5 Cấu trúc của mô hình MM5………………………………………… 25 2.5.1 Mô đun TERRAIN ………………………………… 26 2.5.2 Mô đun REGRID ……………………………………… 26 4 2.2.3 Mô đun INTERPF……………… 28 2.2.4 Mô đun MM5 ……………………………………… 28 2.6. Các dạng sản phẩm của mô hình MM5 …………… 28 Chương 3. KẾT QUẢ TÍNH TOÁN VÀ PHÂN TÍCH…… 31 3.1 Thiết kế thí nghiệm …………………… 31 3.1.1 Lựa chọn miền tính và độ phân giải ………… 31 3.1.2 Lựa chọn các tham số Vật lý………… 32 3.1.3 Nguồn số liệu.............................. 33 3.1.4 Mô tả thí nghiệm ................................................ 33 3.2. Các phương pháp đánh giá ………………… 34 3.2.1. Đánh giá trực quan ............................. 34 3.2.2. Đánh giá thông qua các chỉ số thống kê ......... 35 3.3. Độ nhạy của các sơ đồ TSHĐL với các hình thế thời tiết gây mưa lớn 37 3.4. Khả năng dự báo mưa lớn ………………………………………………………….. 45 3.5. Khả năng dự báo nghiệp vụ ………… 64 3.5.1. Trường mưa ……………… 65 3.5.2. Trường Nhiệt độ (2m) …………… 68 3.5.3. Tốc độ gió (độ cao 10m) … 70 KẾT LUẬN ………………………… 72 TÀI LIỆU THAM KHẢO ………………………………. 74 PHỤ LỤC ………………………………………… 76 5 MỞ ĐẦU Phương pháp dự báo thời tiết bằng mô hình số đã được sử dụng ở nhiều nước trên thế giới trong nhiều thập kỷ qua. Chất lượng dự báo của các mô hình số không ngừng được cải tiến và đã trở thành phương pháp dự báo chủ lực trong nghiệp vụ dự báo thời tiết ở các nước phát triển. Đặc biệt là dự báo định lượng về mưa, phương pháp dự báo bằng mô hình số cao hơn hẳn các phương pháp truyền thống khác như sy nốp hay thống kê… mặt khác, sản phẩm số của mô hình dự báo có thể đảm bảo các yêu cầu của các mô hình dự báo thuỷ văn đối với dự báo lũ lụt, lũ quét. Một trong những nhân tố quyết định gây nên sự hình thành và phát triển mưa lớn trong các hiện tượng thời tiết nguy hiểm như xoáy thuận nhiệt đới, dải hội tụ nhiệt đới,... là đối lưu mây tích. Các quá trình đối lưu này đóng vai trò quan trọng trong chu trình vận chuyển năng lượng của khí quyển và do đó phân bố lại sự đốt nóng không đồng đều trên bề mặt trái đất. Ngoài phụ thuộc vào độ hội tụ ẩm mực thấp, đối lưu mạnh còn phụ thuộc vào tính bất ổn định của khí quyển. Chính vì vậy, ưu tiên phát triển phương pháp dự báo số trị, mà trước hết là áp dụng các mô hình số ở nước ta là một hướng đi nhằm tăng cường chất lượng dự báo. Ở nước ta, việc nghiên cứu ứng dụng các mô hình khu vực vào dự báo thời tiết thực sự mới bắt đầu từ cuối năm 2000, sau khi mô hình HRM được tiếp nhận từ Cơ quan Khí tượng Đức (DWD), và được chạy theo chế độ nghiệp vụ ở Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội (ĐHKHTN). Đến giữa năm 2002 thì HRM mới được đưa vào chạy thử nghiệm ứng dụng nghiệp vụ. Hiện nay HRM cũng là mô hình duy nhất được ứng dụng trong dự báo nghiệp vụ ở Trung tâm Dự báo KTTV Trung ương. Kể từ sau năm 2000, một loạt các mô hình số khác cũng đã được nghiên cứu triển khai ứng dụng ở nhiều 6 cơ sở khác nhau, như ETA, WRF, RAMS (ĐHKHTN, Trung tâm Dự báo KTTV TW), MM5 (ĐHKHTN, Viện Khoa học KTTV và MT),… Mặc dù vậy, cho đến nay chưa có một công trình nào chỉ ra được mức độ chính xác của dự báo đối với các mô hình này, nhất là đối với khu vực Nam Trung Bộ. Trong bối cảnh đó, với mục đích tìm kiếm một mô hình thích hợp có khả năng áp dụng vào nghiệp vụ dự báo cho khu vực Nam Trung Bộ, nơi mà chúng tôi đang công tác, chúng tôi chọn đề tài luận văn tốt nghiệp của mình là “Nghiên cứu ứng dụng mô hình MM5 vào dự báo thời tiết mùa mưa khu vực Nam Trung Bộ”. Nội dung của luận văn được bố cục thành 3 chương: Chương 1: Tổng quan về các mô hình dự báo số trị dự báo thời tiết Chương 2: Sơ lược về mô hình MM5 Chương 3: Kết quả tính toán và phân tích. 7 Chương 1 TỔNG QUAN VỀ CÁC MÔ HÌNH SỐ DỰ BÁO THỜI TIẾT Ở VIỆT NAM 1.1. Các mô hình số dự báo thời tiết ở Việt Nam Cùng với sự phát triển mạnh mẽ của khoa học kỹ thuật, nhất là trong lĩnh vực công nghệ thông tin và điện tử viễn thông, các mô hình số dự báo thời tiết cũng đã được xây dựng và ứng dụng vào nghiệp vụ dự báo thời tiết trong nhiều thập kỷ qua. Đến nay, các mô hình số dự báo thời tiết đã thực sự trở thành công cụ chủ yếu ở các nước phát triển như Mỹ, Nhật, một số nước Châu Âu, Australia,v.v. Sau đây là một số mô hình dự báo thời tiết tiêu biểu hiện đang được nghiên cứu khai thác ứng dụng ở Việt Nam. 1.1.1. Mô hình HRM HRM (High Resolution Regional Model) là một mô hình số thủy tĩnh dự báo thời tiết khu vực hạn chế quy mô vừa. HRM dùng toạ độ lai theo phương thẳng đứng, hệ toạ độ ngang quay (’, ’). Không gian trong HRM hiện nay có thể biến thiên từ 20 đến 40 mực thẳng đứng với độ phân giải ngang từ 0,25 độ kinh vĩ (tương đương với 28 km) đến 0.0625 độ kinh vĩ (khoảng 7 km). Hệ phương trình nguyên thuỷ của mô hình bao gồm 7 phương trình dự báo với 7 biến ứng là khí áp bề mặt (pS), các thành phần gió ngang (u, v), nhiệt độ (T), hơi nước (qV), nước mây (qC) và băng mây (qi). Ngoài ra còn có một số biến nhiệt độ và độ ẩm đất. HRM được tiếp nhận từ Cơ quan Khí tượng Đức (DWD) từ năm 2000 thông qua đề tài Khoa học Công nghệ độc lập cấp Nhà nước DBB-2000/02 do PGS. TSKH Kiều Thị Xin làm chủ nhiệm và chạy ở chế độ nghiệp vụ tại Bộ 8 môn Khí tượng từ đó đến nay. Bắt đầu từ giữa năm 2002, HRM được đưa vào chạy thử nghiệm và sau đó là chạy dự báo nghiệp vụ tại Trung tâm Dự báo Khí tượng Thủy văn Trung ương. Ở Việt Nam, trong quá trình nghiên cứu ứng dụng, HRM đã được cải tiến, phát triển trên một số khía cạnh. Chẳng hạn, Bùi Hoàng Hải [8], đã nghiên cứu phát triển HRM thành phiên bản mới (HRM_TC) vừa có chức năng dự báo bão vừa có chức năng dự báo thời tiết nói chung [8]. Vũ Thanh Hằng [4], đưa thêm ba sơ đồ tham số hóa đối lưu mới vào mô hình HRM và ứng dụng dự báo mưa ở Việt Nam đạt kết quả tốt hơn so với phiên bản HRM nguyên gốc sử dụng sơ đồ Teidtke. Ngoài ra, mô hình HRM còn được nhiều học giả, chuyên gia trong và nước tiến hành các nghiên cứu nhằm cải tiến kỹ năng dự báo của mô hình chẳng hạn như đồng hóa số liệu, cập nhật số liệu quan trắc địa phương cho phù hợp với điều kiện thời tiết ở Việt Nam. 1.1.2. Mô hình RAMS RAMS là một mô hình khu vực hạn chế được xây dựng và phát triển tại trường Đại học tổng hợp Colorado – Mỹ. Mô hình RAMS có khả năng ứng dụng rộng rãi cho các mục đích khác nhau. Mô hình được thiết kế chạy được nhiều lưới lồng với nhiều miền tính khác nhau mà độ phân giải có thể biến thiên từ vài chục km tới vài trăm mét. Vì vậy, nó có thể mô phỏng chi tiết được các hệ thống khí quyển quy mô nhỏ như là dòng chuyển động trên các địa hình phức tạp, các hoàn lưu nhiệt bề mặt,... Lưới thô hơn bên ngoài sử dụng để mô phỏng các quá trình quy mô lớn và cung cấp điều kiện biên phụ thuộc thời gian cho các lưới tính bên trong. 9 Mô hình RAMS được tiếp thu về Việt Nam thông qua đề tài KHCN KC09- 04 do GS.TS Trần Tân Tiến làm chủ nhiệm [10], và đã từng chạy theo chế độ nghiệp vụ tại Khoa Khí tượng Thủy văn và Hải dương học trong giai đoạn đề tài đang triển khai. Theo các tác giả đề tài, RAMS đã chứng tỏ khả năng dự báo tốt trong nhiều trường hợp mưa lớn, bão, và các hiện tượng thời tiết nguy hiểm như dông. 1.1.3. Mô hình ETA ETA là mô hình dự báo khu vực do trường Đại học Belgrade và Viện Khí tượng Thuỷ văn Federal – Belgrade cùng với Trung tâm Khí tượng Quốc tế Mỹ xây dựng. Điểm đặc biệt của mô hình này là sử dụng hệ toạ độ thẳng đứng “eta” (), có khả năng mô tả tốt hoàn lưu và các yếu tố khác trên khu vực địa hình phức tạp. Mô hình ETA đang được sử dụng vào nghiệp vụ ở Mỹ, Nam Tư, Hy Lạp, Rumani, Nam Phi, Ấn Độ, Italy, Brazil,... Bên cạnh ứng dụng trong dự báo thời tiết hạn ngắn, mô hình còn được sử dụng trong các bài toán về môi trường, hàng không và nông nghiệp. Mô hình ETA sử dụng hệ phương trình nguyên thủy bất thủy tĩnh viết trên hệ tọa độ cầu với đầy đủ các tham số hóa vật lý như đối lưu, lớp biên, vi vật lý mây, bức xạ và mô hình đất. Theo không gian, mô hình ETA sử dụng lưới sai phân xen kẽ Arakawa-E trong đó các biến vô hướng được xen kẽ và lệch đi nửa bước lưới so với các biến có hướng. Ở nước ta, mô hình ETA phiên bản 2001 đã được nghiên cứu từ năm 2002 và được đưa vào chạy thử nghiệm nghiệp vụ tại Trung tâm dự báo KTTV TW từ tháng 5-2003. Đến năm 2004, Trần Tân Tiến [10] đã tiến hành nghiên cứu và áp dụng mô hình ETA vào xây dựng mô hình dự báo các trường Khí tượng Thủy 10 văn trên biển Đông. Theo tác giả, sai số dự báo của mô hình ETA tương đương với các mô hình dự báo số của nước ngoài. Đỗ Ngọc Thắng [11], nghiên cứu thử nghiệm 2 sơ đồ tham số hóa đối lưu BMJ và Kain Fristch trong mô hình ETA. Tác giả kết luận sơ đồ Kain Fritsch có ưu thế hơn sơ đồ BMJ và cho kết quả dự báo tốt hơn so với sơ đồ Kain Fritsch nguyên bản. 1.1.4. Mô hình WRF WRF (the Weather Research and Forcast) là mô hình khí quyển quy mô vừa được thiết kế linh động, có độ tùy biến cao và có thể sử dụng trong nghiên cứu và dự báo nghiệp vụ. WRF là kết quả của sự hợp tác, phát triển của nhiều trường đại học, trung tâm nghiên cứu và dự báo khí tượng ở Hoa Kỳ. Hệ phương trình cơ bản của WRF là hệ phương trình đầy đủ phi thủy tĩnh viết cho chất lỏng nén được, có khả năng mô phỏng được các quá trình khí quyển trên nhiều quy mô khác nhau. WRF sử dụng hệ tọa độ áp suất cho phương thẳng đứng và lưới ngang xen kẽ Arakawa-C với sơ đồ tích phân thời gian Runge – Kutta bậc ba. Mô hình có thể sử dụng số liệu thực hoặc mô phỏng lý tưởng với điều kiện biên xung quanh là biên tuần hoàn, mở, đối xứng, biên cấu hình với điều kiện biên trên là lớp hấp thụ sóng dài của trái đất (suy giảm hoặc tán xạ Rayleigh) và điều kiện biên dưới là biên cứng hoặc bề mặt trượt tự do. Về cơ bản các sơ đồ tham số hóa vật lý của WRF đều dựa trên các mô hình MM5, ETA, và một số mô hình khác. Các sơ đồ tham số hóa vật lý trong WRF được chia thành năm loại: Các quá trình vi vật lý, các sơ đồ tham số hóa mây đối lưu, các quá trình bề mặt đất, lớp biên khí quyển và tham số hóa bức xạ. Ở Việt Nam mô hình WRF chưa được sử dụng vào nghiệp vụ dự báo thời tiết song các nghiên cứu về mô hình này nhìn chung rất đa dạng và phong phú 11 với nhiều hướng tiếp cận khác nhau, chẳng hạn, trong nghiên cứu của mình, các tác giả Bùi Hoàng Hải, Phan Văn Tân, Nguyễn Minh Trường [5] cho thấy WRF là một mô hình cho phép thực hiện những mô phỏng lý tưởng XTNĐ khá thuận lợi. Bằng công cụ này có thể mô phỏng được nhiều quá trình xảy ra trong XTNĐ, đồng thời mở ra những hướng nghiên cứu lý tưởng sâu hơn về XTNĐ cũng như áp dụng vào bài toán ban đầu hóa xoáy cho mô hình dự báo bão. Nguyễn Lê Dũng, Phan Văn Tân [3], đã thử nghiệm ứng dụng hệ thống WRF-VAR kết hợp ban đầu hóa xoáy dự báo quỹ đạo bão trên khu vực biển Đông, các tác giả cho biết việc sử dụng nguồn số liệu “giả” đã cải thiện đáng kể chất lượng dự báo quĩ đạo bão. Hiện nay mô hình WRF đang được nghiên cứu và áp dụng thử nghiệm dự báo ở Trường Đại học Khoa học Tự nhiên, ĐHQGHN, Viện Khoa học KTTV và Môi Trường, Trung tâm Dự báo KTTV TW. 1.2. Mô hình MM5 và ứng dụng trong dự báo thời tiết ở Việt Nam và trên Thế giới Mô hình MM5 được xây dựng và phát triển với sự phối hợp của Trung tâm Quốc gia nghiên cứu khí quyển (NCAR) và Trường Đại học tổng hợp Pennsylvania (PSU), Mỹ. Phiên bản đầu tiên của mô hình này được Athes phát triển từ những năm 1970. Qua quá trình thử nghiệm, mô hình đã được điều chỉnh và cải tiến nhiều lần nhằm mô phỏng tốt hơn các quá trình vật lý qui mô khu vực. Phiên bản cuối cùng của MM5 là MM5 V3.7. So với các phiên bản trước, MM5 V3.7 đã được thay đổi một cách đáng kể, chủ yếu là các sơ đồ tham số hóa 12 vật lý, kỹ thuật lồng nhiều lưới, cập nhật số liệu địa phương, đồng hóa số liệu,… chi tiết hơn về mô hình này sẽ được trình bày trong chương 2. 1.2.1. Trên thế giới Là một trong những mô hình số khu vực được phát triển đầu tiên và được phát hành miễn phí rộng rãi trên thế giới nên MM5 được cộng đồng các nhà khí tượng hết sức quan tâm. Ngay từ những phiên bản đầu tiên MM5 đã nhận được sự hưởng ứng của nhiều cơ quan dự báo thời tiết từ các quốc gia khác nhau. Chẳng bao lâu sau đó nó đã được ứng dụng trong dự báo nghiệp vụ ở Mỹ, Hồng Kông, Hàn Quốc, Đài Loan, Thái Lan và nhiều nước khác. Hình 1.1: Sản phẩm dự báo mưa của mô hình MM5 (a)- Dự báo của cơ quan Khí tượng Thái Lan; (b)- Dự báo của NCAR Ngoài việc ứng dụng trong dự báo nghiệp vụ tại các cơ quan dự báo thời tiết, MM5 còn được nghiên cứu theo nhiều hướng khác rất đa dạng. Chẳng hạn, V. Kontroni và K. Lagouvardos [14], đã sử dụng mô hình MM5 với 2 lưới lồng có độ phân giải tương ứng là 8km và 2km để dự báo trường nhiệt độ (2m) và 13 trường gió (10m) cho thành phố Athen - Hylạp. Các tác giả đánh giá rằng, khi tăng độ phân giải mô hình từ 8km lên 2km thì kỹ năng dự báo nhiệt độ và tốc độ gió của mô hình được cải thiện một cách đáng kể. Wei Wang và Nelson L.Seaman [16], khảo sát độ nhạy của 4 sơ đồ TSHĐL là KuO, BM, Grell, Kain- Fritsch bằng việc thử nghiệm dự báo 6 trường hợp mưa trong mùa lạnh và mùa nóng trên lục địa nước Mỹ. Theo các tác giả, kỹ năng dự báo của mô hình MM5 trong mùa lạnh tốt hơn mùa nóng và sơ đồ Kain- Fritsch có kỹ năng dự báo tốt nhất trong 4 sơ đồ đã lựa chọn thử nghiệm. Brian A.Colle, Clifford F.Mass và Kenneth J.Westrick [12] đã tiến hành chạy mô hình MM5 cho khu vực Tây bắc Thái Bình Dương trong các năm 1997- 1999 khi sử dụng kỹ thuật lưới lồng với 3 miền tính lồng nhau có độ phân giải tương ứng là 36km, 12km và 4 km để đánh giá khả năng dự báo mưa của mô hình này. Theo các tác giả, khi tăng độ phân giải từ 36km lên 12km thì kỹ năng dự báo của mô hình tăng lên rõ rệt, sai số dự báo giảm đi một cách đáng kể; song khi tăng độ phân giải từ 12km lên 4km thì hầu như kỹ năng dự báo của mô hình không được cải thiện, đặc biệt đối với các trường hợp mưa lớn (>50,8mm/24h). Trong một nghiên cứu khác, các tác giả Brian A.Colle, Clifford F.Mass và Kenneth J.Westrick [13] đã tiến hành thử nghiệm dự báo song song 2 mô hình ETA (độ phân giải 10km) và mô hình MM5 (2 lưới lồng 36km và 12km) để dự báo mưa khu vực tây bắc Thái Bình Dương từ 9/12/1996- 30/4/1997. Cả 2 mô hình cho kỹ năng dự báo tương đối giống nhau, đều dự báo thiên nhỏ ở sườn khuất núi nhưng lại dự báo thiên lớn ở sườn đón gió. Để dự báo mưa đối lưu do Front Mei-yu gây ra ở Đài Loan, các tác giả Fang-Ching-Chien, Ying-Hwa KuO, Mịng-Jen-Yang [15] đã sử dụng mô hình MM5 dự báo cho mùa mưa năm 1998 và thời kỳ đầu 3 mùa mưa các năm 14 2000-2002, sai số dự báo của mô hình so với quan trắc thực tế rất thấp, đặc biệt là trường hợp sử dụng tổ hợp dự báo 6 thành phần. 1.2.2. Ở Việt Nam Thực tế, mô hình MM5 (version 1.0) được du nhập vào Việt Nam từ đầu năm 1996. Tuy nhiên, do điều kiện khó khăn về máy tính, cho mãi đến cuối năm 2000, MM5 mới được chạy thử nghiệm lần đầu tiên trên máy tính SUN Ultra Workstation ở Bộ môn Khí tượng, trường Đại học KHTN-ĐHQGHN. Đến năm 2003, Tiến sỹ Hoàng Đức Cường và các cộng sự của Viện Khoa học KTTV và Môi trường, trong khuôn khổ đề tài nghiên cứu khoa học cấp Bộ:“Nghiên cứu thử nghiệm áp dụng mô hình khí tượng động lực quy mô vừa MM5 trong dự báo hạn ngắn ở Việt Nam” [1], đã khảo sát khả năng ứng dụng của MM5 trong dự báo thời tiết ở Việt Nam. Sau đó mô hình MM5 đã được chạy dự báo thử nghiệm theo chế độ nghiệp vụ tại Trung tâm Khí tượng Khí hậu - Viện Khoa học KTTV và Môi trường. Mặc dù chưa phải là mô hình chạy dự báo nghiệp vụ ở cơ quan dự báo Quốc gia, nhưng các sản phẩm dự báo của mô hình là một kênh thông tin quan trọng giúp cho các nhà dự báo tham khảo rất hữu ích. Hoàng Đức Cường (2008), trong phạm vi đề tài nghiên cứu khoa học cấp Bộ:“Nghiên cứu thử nghiệm dự báo mưa lớn ở Việt Nam bằng mô hình MM5” [2], đã sử dụng tổ hợp sản phẩm dự báo của mô hình MM5 để dự báo mưa lớn Việt Nam. Kết quả cho thấy với tổ hợp 9 phương án dự báo có trọng số thì sai số của mô hình nhỏ hơn so với các phương án dự báo riêng rẽ. Hơn nữa, theo tác giả, trong số các tùy chọn sơ đồ tham số hóa đối lưu hiện có của MM5 thì 3 sơ đồ KuO, Grell và Betts-Miller cho kết quả dự báo mưa lớn ở Việt Nam tốt nhất. Phan Văn Tân, Bùi Hoàng Hải có phương pháp tiếp cận khác đối với mô 15 hình MM5 thông qua thử nghiệm “Ban đầu hóa xoáy ba chiều cho mô hình MM5 và ứng dụng trong dự báo quĩ đạo bão” [9]. Bên cạnh sơ đồ ban đầu hóa xoáy mặc định của MM5, các tác giả đã đưa thêm một tùy chọn ban đầu hóa xoáy mới dựa trên sơ đồ phân tích xoáy của mô hình TC-LAPS. Kết quả cho thấy, việc ban đầu hóa xoáy bằng các sơ đồ phân tích và xây dựng xoáy nhân tạo đã làm tăng độ chính xác của quĩ đạo bão dự báo của mô hình. Cùng hướng tiếp cận đó Đặng Hồng Nga (2006) đã nghiên cứu áp dụng sơ đồ ban đầu hóa TC-LAPS vào mô hình MM5 và đạt được những kết quả khả quan trong nâng cao chất lượng dự báo bão bằng mô hình số. Như vậy, cho đến nay mô hình MM5 đã được nghiên cứu và thử nghiệm ứng dụng với nhiều hướng khác nhau, kết quả thu được thông qua các đề tài nghiên cứu ứng dụng hay các chuyên đề nghiên cứu thử nghiệm đều nhằm tạo ra các sản phẩm dự báo ngày một thêm phong phú. Tuy nhiên, cho đến nay chưa có một công trình nào nghiên cứu đánh giá khả năng dự báo của mô hình MM5 theo hướng đánh giá dự báo nghiệp vụ. Nam Trung Bộ là một trong những khu vực thường chịu ảnh hưởng của các đợt mưa lớn. Địa hình khu vực Nam Trung Bộ khá phức tạp, phía Tây là dãy Trường Sơn có độ cao từ 1000 đến 1500m, phía đông nằm kề sát biển Đông, với một dải đồng bằng duyên hải nhỏ, hẹp, thỉnh thoảng xen giữa là các dãy núi chắn ngang ra biển tạo nên sự phân hóa sâu sắc trong chế độ thời tiết, khí hậu. Sự xuất hiện mưa, nhất là mưa lớn, ở đây thường gây ra những hậu quả nghiêm trọng như lũ lụt, trượt lở đất,… ảnh hưởng xấu đến đời sống và các hoạt động kinh tế - xã hội. Do đó, việc dự báo mưa định lượng là một trong những bài toán hết sức quan trọng cần được quan tâm giải quyết nhằm góp phần giảm nhẹ và phòng tránh thiên tai cũng như phục vụ sự nghiệp phát triển kinh tế - xã hội, bảo đảm 16 an ninh - quốc phòng. Điều đó gợi mở cho chúng tôi hướng tiếp cận ứng dụng mô hình số vào dự báo thời tiết các tháng mùa mưa cho khu vực Nam Trung Bộ. Qua tìm hiểu và tham khảo các công trình nghiên cứu như đã nêu trên đây, chúng tôi nhận thấy nên bắt đầu thử nghiệm với mô hình MM5, vì đây là một mô hình số qui mô vừa, được cung cấp miễn phí và được ứng dụng ở nhiều nước trên thế giới cũng như ở Việt Nam. 17 Chương 2 MÔ HÌNH KHÍ TƯỢNG ĐỘNG LỰC QUY MÔ VỪA MM5 2.1. Hệ các phương trình cơ bản trong mô hình MM5 MM5 sử dụng hệ tọa độ ngang Đề các và hệ tọa độ thẳng đứng xicma (). Các phương trình cơ bản của mô hình bao gồm:  Các phương trình chuyển động ngang: (2.1) (2.2) trong đó, u và v - các thành phần vận tốc theo hướng đông và bắc;  - độ cao địa thế vị; m - nhân tố bản đồ; dt d   ;  - mật độ không khí; f - tham số Coriolis; Du và Dv - biểu diễn hiệu ứng khuếch tán ngang và đứng; p*=ps - pt.  Phương trình nhiệt động lực học: (2.3) trong đó, cp = cpd(1+0.8qv) – nhiệt dung của khí ẩm với áp suất cố định, cpd – nhiệt dung của khí khô với áp suất cố định, qv - tỷ số xáo trộn hơi nước, Q – năng lượng đoạn nhiệt, DT - biểu diễn hiệu ứng khuếch tán ngang và đứng, dt dp  được tính bằng: (2.4) uDvp xx p mp up y mvup x muup m t up f                             * * * **** //2      vDp yy p mp vp y mvvp x muvp m t p fu v                             * * * **** //2      T pp D c Q p c p Tp y mvTp x mTp m t Tp u                   ** **** //2    dt dp p * *    18 với: (2.5)  Khí áp bề mặt có thể được tính từ: (2.6) cùng với sử dụng tích phân theo phương đứng: (2.7) Sau khi xác định xu thế khí áp bề mặt t p   * , vận tốc thẳng đứng trong hệ toạ độ sigma ( ) được tính cho mỗi mực từ tích phân theo phương đứng trong phương trình (1.9): (2.8) trong đó,  ’ là biến hình thức của tích phân và  ( =0)=0.  Phương trình thuỷ tĩnh xác định độ cao địa thế vị từ nhiệt độ ảo Tv: (2.9) trong đó, R - hằng số khí khô; Tv=T(1+0.608qv); qc và qr là tỷ số xáo trộn nước mây hoặc băng và nước mưa hoặc tuyết.                  y p v x p um t p t p ****                   **** //2 p y mvp x mup m t p                1 0 2 // *** d y mvp x mup m t p ' //1 0 2 *** *   d y mvp x mup m t p p                      1 1 1 )/ln( *             c rc v t q qq RT pp  19 Đối với động lực học bất thuỷ tĩnh, các biến được phân tích thành tổng của trạng thái nền và nhiễu động như sau:      tzyxpzptzyxp ,,,,,, '0       tzyxTzTtzyxT ,,,,,, '0       tzyxztzyx ,,,,,, '0   trong đó, đặc trưng profile trạng thái nền của nhiệt độ có thể là hàm phân tích được hiệu chỉnh từ profile nhiệt độ trung bình của tầng đối lưu. Trong động lực bất thủy tĩnh, hệ tọa độ thẳng đứng được tính theo áp suất của trạng thái nền: ts t pp pp    0 trong đó, ps và pt là khí áp trạng thái nền tại bề mặt và tại đỉnh khí quyển mô hình, chúng không phụ thuộc thời gian. Áp suất tổng cộng tại mỗi nút lưới được tính như sau: '* pppp t   (2.10) trong đó, p’ là nhiễu động rối; p*(x,y) = ps(x,y) - pt. Khi đó, hệ phương trình của mô hình MM5 với động lực học bất thuỷ tĩnh trong hệ toạ độ  chuyển thành:  Các phương trình chuyển động ngang và thẳng đứng: 20 uDvp p x p px pmp uDIV up y mvup x muup m t up f                                * * * * **** '' //2      (2.11) vDp p y p py pmp vDIV vp y mvvp x muvp m t vp fu                                * * * * **** '' //2      (2.12)         Dqqgp Tp pT T Tp p gp DIV p y mvp x mup m t p rc v                            )(* ''' * 1 * // 0 00 2 ****  (2.13)  Phương trình xu thế khí áp:            gppg v y p mpx muu x p mpx mu ppm DIVp p y mvpp x mupp m t p pp 00 2 2 * // * ' /'/' * * * * '***'*                                             (2.14)  Phương trình xu thế nhiệt độ: T p p p D c Q pDgp Dt Dp p c TDIV Tp y mvTp x mTp m t Tp u                           * **** '0 2 * ' * 1 //     (2.15) trong đó                 *** //2 p y mvp x mup mDIV (2.16) 21 và v y p p m u x p p m p g       * *** *0    (2.17) 2.2. Tham số hóa vật lý Các quá trình quy mô dưới lưới như đối lưu, bức xạ, khuyếch tán rối ngang và thẳng đứng, các quá trình bề mặt đều có vai trò rất quan trọng đối với động lực học khí quyển. Chính vì vậy chúng cần được tham số hoá trong mô hình dự báo thời tiết số. Các sơ đồ tham số hoá vật lý trong mô hình MM5 rất phong phú, tạo điều kiện thuận lợi cho các đối tượng sử dụng khác nhau. Các quá trình vật lý được tham số hoá trong bộ phận mô phỏng của mô hình bao gồm: đối lưu, vi vật lý mây, bức xạ, lớp biên hành tinh, các quá trình đất – bề mặt (mô hình đất). 2.2.1. Tham số hoá đối lưu Một trong những quá trình vật lý quan trọng nhất phải được tham số hoá là đối lưu. Mô hình MM5 có khá nhiều tùy chọn sơ đồ tham số hoá đối lưu, như Anthes-KuO, Grell, Arakawa-Schubert, Fritsch-Chappell, Kain-Fritsch, Betts- Miller, Kain-Fritsch 2. Một số sơ đồ tham số hóa đối lưu đáng chú ý: - Sơ đồ Kuo: là một trong những sơ đồ đầu tiên của MM5. Sơ đồ Kuo dựa trên các giả thiết sau đây: a) đối lưu mây tích xuất hiện ở vùng có lớp bên dưới phân tầng bất ổn định có điều kiện và có hội tụ ẩm; b) chuyển động đối lưu vận chuyển không khí lớp sát đất đến độ cao rất lớn. Trong chuyển động này, không khí trong mây đi lên theo quá trình đoạn nhiệt giả; 22 c) chân mây nằm ở mực ngưng kết của không khí lớp sát đất, đỉnh mây đạt tới độ cao nơi nhiệt độ của phần tử đi lên bằng nhiệt độ môi trường; d) mây tích tồn tại một thời gian rất ngắn sau đó chúng “hoà tan” vào môi trường ở mực đó. Vì vậy, nhiệt và ẩm mà mây đem theo truyền cho không khí môi trường. Ưu điểm của các sơ đồ Kuo là quá trình đốt nóng khí quyển do đối lưu mây tích được giải thích rõ ràng hơn so với các sơ đồ tham số hoá đối lưu theo phương pháp thích ứng đối lưu. Tuy nhiên, hạn chế của chúng là không tính đến quá trình cuốn hút không khí vào mây. - Sơ đồ Betts – Miller (BM): Đây là sơ đồ dựa trên khái niệm thích ứng đối lưu, trong đó thừa nhận rằng ở những nút lưới có gradient thẳng đứng của nhiệt độ và độ ẩm tương đối vượt quá giá trị tới hạn nào đó thì chúng được thay ngay bằng giá trị tới hạn đó. Ngưỡng tới hạn này được lựa chọn khác nhau tuỳ theo tác giả của sơ đồ tham số hoá. Đồng thời động năng của xoáy quy mô nhỏ do đối lưu gây ra được cho là chuyển hoá ngay tức khắc thành nhiệt năng, và toàn bộ lượng nước rơi xuống thành mưa. Đối với không khí chưa bão hoà thì xảy ra quá trình đối lưu khô. Sơ đồ BM sử dụng hiệu chỉnh đối lưu trễ thông thường, trong đócác trường nhiệt, ẩm được hiệu chỉnh theo các profile quy chiếu chuẩn, các profile này phản ánh trạng thái tựa cân bằng do đối lưu sâu trong các quá trình bình lưu và bức xạ quy mô lớn. Cấu trúc nhiệt động lực được chia thành hai trạng thái riêng biệt: đối lưu nông và đối lưu sâu. - Sơ đồ Grell: Cho phép xác định được đặc tính của từng loại mây tích và vai trò của chúng trong quá trình trao đổi nhiệt ẩm của khí quyển. Đây là phiên 23 bản mô hình mây một chiều của Arakawa-Schubert có tính đến dòng giáng và được áp dụng đầu tiên trong mô hình MM5. Trong sơ đồ giả thiết không có xáo trộn trực tiếp giữa không khí mây với môi trường trừ ở đỉnh mây và chân mây. Thông lượng khối dòng thăng (mu ) và thông lượng khối dòng giáng (md ) được giả thiết là không đổi theo độ cao. Sự tác động của đối lưu đối với các quá trình quy mô lớn thông qua dòng cuốn ra từ mây tại chân mây và đỉnh mây, dòng giáng được bồi hoàn trong môi trường sinh ra do đối lưu. - Sơ đồ Fritsch - chappell (FC): sơ đồ tham số hoá đối lưu mây tích của Fritsch - Chappell (FC) được phát triển nhằm đơn giản hoá việc mô phỏng số các hệ thống đối lưu quy mô vừa đồng thời nó được thiết kế cho các mô hình với các bước lưới khoảng 10-30 km (Fritsch và Chappell 1980). 2.2.2. Tham số hoá vi vật lý mây Mô hình MM5 có các lựa chọn sơ đồ tham số hoá vi vật lý mây sau đây: - Sơ đồ Kessler: Sơ đồ Kessler (Kessler 1969) là một sơ đồ mây ấm đơn giản (warm cloud), và nó bao gồm hơi nước, nước mây và mưa. Các quá trình vi vật lý trong sơ đồ bao gồm là: lượng mưa, tốc độ mưa và bốc hơi của mưa, sự phát triển dần lên của nước mây và sự tự động chuyển biến của nước mây và hàm lượng nước mây từ ngưng kết. - Sơ đồ Lin: Trong sơ đồ này, có sáu dạng băng tồn tại trong mây bao gồm: hơi nước, nước mây, mưa và băng mây, tuyết và graupel. - Sơ đồ băng đơn giản –NCEP: Sơ đồ này có tính đến ảnh hưởng của việc đóng băng. Có ba dạng nước (hydrometeos) được tính đến trong sơ đồ gồm: hơi nước, nước mây/băng và mưa/tuyết. - Sơ đồ pha xáo trộn- NCEP: Sơ đồ này cũng tương tự như sơ đồ băng đơn giản trên. Tuy nhiên, mưa và tuyết được xem là hai dạng khác nhau. Sơ đồ 24 này cho phép nước chậm đông (supercooled water) tồn tại và tuyết sẽ tan dần dần khi nó rơi. Trong sơ đồ có tính đến cả sự đóng băng. - Sơ đồ ETA (trong mô hình ETA): Sơ đồ thực chất là dự báo tỉ số xáo trộn của nước/băng mây. Giáng thủy lỏng và giáng thủy đóng băng nhận được theo tỉ số xáo trộn của mây và được giả thiết là rơi xuống mặt đất trong một bước thời gian riêng lẻ. 2.2.3. Các sơ đồ tham số hoá bức xạ Các lựa chọn sơ đồ tham số hoá bức xạ trong mô hình MM5 và đặc điểm của chúng bao gồm: - Simple Cooling: Tốc độ giảm nhiệt của khí quyển không chỉ phụ thuộc vào nhiệt độ, không có sự tác động của mây và chu trình ngày đêm. - Cloud - radiation scheme: Khi không đủ cơ sở để tính đến sự tác động của bức xạ sóng dài và sóng ngắn với bầu trời quang mây và có mây như xu thế của nhiệt độ không khí, đó là dòng bức xạ bề mặt. - CCM2 radiation scheme: Phù hợp với bước lưới rộng và có thể tính chính xác trong thời gian dài cho dòng bức xạ bề mặt. - RRTM Longwave scheme: Là sự phối hợp với sơ đồ bức xạ sóng ngắn của mây khi chọn IFRAD = 4, đó là mô hình truyền nhanh bức xạ (rapit radiative transfer model). 2.2.4. Các sơ đồ tham số hóa lớp biên hành tinh (PBL) Trong mô hình MM5 có các lựa chọn sơ đồ tham số hoá lớp biên hành tinh và một số đặc điểm của chúng như sau: - Bulk PBL: Thích hợp với độ phân giải thô thẳng đứng trong lớp biên 25 - High-Resolution Blackdar PBL: Thích hợp với độ phân giải cao của lớp biên, ví như 5 lớp thấp nhất, lớp bề mặt có độ dày < 100m, bốn chế độ ổn định, bao gồm lớp xáo trộn đối lưu tự do được sử dụng phân tách bước thời gian ổn định. - Bulk-Thompson PBL: Thích hợp đối với cả độ phân giải thô và độ phân giải cao của lớp biên. Động năng xoáy được dùng đối với xáo trộn thẳng đứng, cơ bản là công thức Mellor - Yamada. - ETA PBL: Đó là sơ đồ của Mellor - Yamada dùng trong mô hình ETA dự báo sự xáo trộn thẳng đứng địa phương. - MRF PBL: Thích hợp đối với lớp biên hành tinh phân giải cao (như sơ đồ Blackada). Sơ đồ được Troen - Mahrt biểu diễn bằng các số hạng gradien và profile nhiệt độ (K) trong lớp xáo trộn. - Gayno - Seaman PBL: Cơ bản giống sơ đồ Mellor - Yamada. Nhưng khác biệt là dùng nhiệt độ thế vị nước lỏng như là biến bảo toàn, được tính chính xác trong điều kiện bão hoà. Hiệu quả của sơ đồ có thể so sánh được với sơ đồ Blackada vì nó cũng phân tách bước thời gian. 2.2.5. Các sơ đồ (mô hình) đất: Mô hình MM5 có các lựa chọn sơ đồ đất sau: - None – không lựa chọn sơ đồ đất - Sơ đồ Force/restore (Blackadar) - Sơ đồ đất 5 lớp – Nhiệt độ đất được dự báo tại 5 tầng 1,2,4,8,16 cm - Sơ đồ đất bề mặt Noah 26 - Sơ đồ đất bề mặt Pleim-Xiu: trong sơ đồ này có 4 lựa chọn ( sơ đồ Bucket, sơ đồ đất ẩm (Soil Moisture Model), sơ đồ tuyết (Snow Cover Model), và sơ đồ Polar Mods). 2.3. Điều kiện biên và điều kiện ban đầu Để chạy mô hình dự báo thời tiết khu vực yêu cầu phải có điều kiện biên xung quanh. Trong MM5, các biến trường bắt buộc phải có dùng làm điều kiện ban đầu và điều kiện biên xung quanh để chạy mô hình gồm các thành phần gió (U, V), nhiệt độ (T), độ cao địa thế vị (H), độ ẩm tương đối (RH) trên các mực đẳng áp, khí áp mực biển trung bình (PMSL) và nhiệt độ bề mặt biển (SST). Ngoài ra, tùy thuộc vào điều kiện cụ thể có thể cần có thêm một số trường ban đầu khác, như nhiệt độ và độ ẩm đất tại các lớp đất,… Việc xử lý cập nhật biên xung quanh trong mô hình MM5 có thể thực hiện theo hai phương pháp: a) Phương pháp Sponge Theo phương pháp này, các giá trị trên biên được tính như sau      LCMCn t n t n t                              1 (2.34) trong đó, n= 1, 2, 3, 4 đối với các điểm có dấu nhân (x) (nằm tại tâm ô lưới) và n =1, 2, 3, 4, 5 đối với các điểm có dấu tròn ( ) (nằm tại các nút lưới) (hình 2.2),  ký hiệu các biến cần tính, MC chỉ xu thế tính toán của mô hình, LC là xu thế quy mô lớn lấy từ mô hình mô phỏng quy mô lớn, n chỉ số nút lưới tính từ biên ngoài cùng (n=1), hàm trọng lượng thực nghiệm w(n) ở các điểm (x) tương ứng là 0.0, 0.4, 0.7, và 0.9, còn trên các điểm (  ) tương ứng là 0.0, 0.2, 0.55, 0.8 và 0.95. Ở tất cả các nút lưới khác trong miền tính thì w(n)=1. 27 Phương pháp Sponge không được sử dụng trong phiên bản phi thủy tĩnh của MM5. b) Phương pháp Nudging Theo phương pháp này thì các giá trị trên biên được tính như sau:        MCLSMCLS n FnFFnF t           221 (2.35) Hàm F giảm tuyến tính từ biên xung quanh và có dạng ) 3 5 ()( n nF   , n=2, 3, 4 (2.36) 0)( nF , n>4 Trong đó F1 và F2 của phương trình (2.35) được xác định như sau: t F   10 1 1 (2.37) t s F    50 2 1 Trong đó: t : bước thời gian :s độ phân giải của mô hình 2.4. Hệ toạ độ theo phương ngang và đứng Theo phương thẳng đứng, mô hình MM5 sử dụng hệ toạ độ sigma (): ts t pp pp    (2.38) Trong đó, p – khí áp; ps – khí áp bề mặt, pt – khí áp tại đỉnh mô hình. 28 Các mực theo phương đứng trong hệ toạ độ  có đặc điểm uốn sát địa hình ở lớp dưới và gần sát với các mực khí áp ở lớp trên. Theo (hình 2.1-b) ta có thể thấy  biến đổi từ 1 (mặt đất) tới 0 (mực khí quyển đỉnh mô hình) và các mực khí quyển được xác định bởi tập giá trị  trong khoảng [0,1]. Các biến  ,  được xác định trên các mực nguyên (K=1, 2,...), các biến còn lại được xác định trên các mực phân (K=11/2, 21/2,...). Ưu điểm của hệ toạ độ  là theo đó ta tính được ảnh hưởng của địa hình đến các quá trình nhiệt động lực học xảy ra trong khí quyển. Ngoài ra, điều kiện biên của tốc độ thăng () tại biên dưới là (1)=0. Mô hình MM5 sử dụng lưới tọa độ so le Arakawa B theo phương ngang có dạng như trên hình 2.1(a). Tại các điểm (x) mô hình thực hiện việc tích phân cho các biến vô hướng như áp suất, độ ẩm riêng, nhiệt độ,… Tại các điểm có ký hiệu (.), mô hình thực hiện việc tích phân cho các thành phần gió ngang. Hình 2.1: (a)- Cấu trúc ngang theo lưới xen kẽ Arakawa B. (b)- Cấu trúc thẳng đứng của MM5. 29 2.5. Cấu trúc của mô hình MM5 Sơ đồ trong hình 2.2 biểu diễn hệ thống các mô đun chính của mô hình MM5. Có thể chia mô hình thành hai bộ phận: bộ phận xử lý và bộ phận mô phỏng. Đầu tiên, số liệu địa hình, các thông số của miền tính và số liệu khí tượng được nội suy theo phương ngang, phương đứng thông qua các mô đun thuộc bộ phận xử lý TERRAIN, REGRID và INTERPF. Do các trường khí tượng là điều kiện ban đầu cho mô hình được lấy từ phân tích của mô hình toàn cầu có độ phân giải ngang thô nên cần thiết phải được điều chỉnh bằng số liệu thám sát địa phương. Trong trường hợp này chúng ta có thể sử dụng bổ sung thêm mô đun RAWIN/LITTLE_R. Trong trường hợp chạy lồng nhiều lưới, mô hình bổ sung mô đun NESTDOWN với mục đích làm trơn lưới Hình 2.2 Cấu trúc của hệ thống mô hình MM5 30 thô hơn ở miền ngoài. Mô đun INTERPB có chức năng chuyển các trường khí tượng từ mực sigma của mô hình về mực khí áp. 2.5.1. Mô đun TERRAIN TERRAIN là mô đun đầu tiên của hệ thống mô hình dự báo MM5, dùng để nội suy phương ngang các dữ liệu về độ cao địa hình và thảm thực vật (land use), loại hình bề mặt đất, ranh giới đất – nước,... cho các miền tính. Trường số liệu đưa vào ở đây bao gồm: Độ cao địa hình; Thảm thực vật hay loại hình sử dụng; Nhiệt độ đất các lớp sát mặt; Độ nhám bề mặt đất. Tất cả các số liệu được chia thành 6 bộ với các bậc và độ phân giải tương ứng là: 10, 30’, 10’, 5’, 2’, 30’’ và có thể tải từ Internet : ftp://ftp.ucar.edu/mesouser/MM5V3/TERRAIN_DATA/. Quá trình tính toán trong chương trình của mô đun TERRAIN được thực hiện theo hai bước sau: - Thiết lập trường địa hình khu vực cho miền dự báo ở dạng lưới thô và lưới dự báo; - Truy xuất sản phẩm là file số liệu địa hình cho khu vực lựa chọn. Sản phẩm của mô đun TERRAIN là các file TERRAIN_DOMAIN1, TERRAIN_DOMAIN2,... tương ứng với miền tính thứ nhất, miền tính thứ hai,... và sẽ là đầu vào cho các mô đun REGRID, MM5 sau này. 2.5.2. Mô đun REGRID Các chương trình trong mô đun REGRID dùng để đọc và phân tích số liệu khí tượng ở các mực khí áp theo phương ngang đồng thời nội suy các giá trị phân tích được từ lưới thô ban đầu (lưới của các mô hình toàn cầu, khu vực mà số liệu được lấy làm đầu vào cho MM5) vào lưới tính của mô hình dựa vào các 31 phép chiếu bản đồ đã được định nghĩa trong khi thực hiện tính toán ở mô đun TERRAIN. REGRID bao gồm hai thành phần chính: - Đọc và định dạng lại trường khí tượng đầu vào (thực hiện bởi mô đun pregrid); - Nội suy các trường khí tượng vào lưới tính của MM5 (thực hiện bởi mô đun regridder). Các quá trình xử lý của mô đun pregrid có thể được chia nhỏ thành các phần khác nhau và bất kỳ thành phần nào cũng có thể đọc các file số liệu khí tượng một cách dễ dàng. Mục đích để trợ giúp người sử dụng có thể thay thế các file số liệu đầu vào với các định dạng sẵn có của MM5 (vốn đã rất phong phú) bởi các số liệu có định dạng riêng. Trong thực tế, chúng tôi đã thử nghiệm thành công đưa các trường khí tượng ở dạng ASCII vào mô hình MM5 thay thế các trường khí tượng có định dạng mã hoá (GRIB). Các nguồn số liệu khí tượng cho mô hình MM5 sẽ được trình bày trong mục sau của báo cáo. Sản phẩm của mô đun REGRID là các file REGRID_DOMAIN1, REGRID_DOMAIN2,... tương ứng với các miền tính thứ nhất, miền tính thứ hai,.... Các file số liệu này là đầu vào cho mô đun RAWINS/Little_R (trong trường hợp bổ sung số liệu địa phương) hoặc mô đun INTERPF (trong trường hợp không bổ sung số liệu địa phương). Các files số liệu này được xem như là những phỏng đoán đầu tiên của quá trình phân tích khách quan hay nói cách khác, quá trình phân tích khách quan được nội suy trực tiếp ở các mực trong mô hình đối với điều kiện ban đầu và điều kiện biên của MM5. 32 2.5.3. Mô đun INTERPF Chức năng chính của mô đun INTERPF là: - Nội suy số liệu khí tượng theo chiều thẳng đứng vào lưới mô hình; - Bổ sung các trường bề mặt như khí áp, nhiệt độ không khí; - Xử lý mô hình bất thuỷ tĩnh nguyên thuỷ. 2.5.4. Mô đun MM5 MM5 là mô đun chính, đảm nhiệm chức năng mô phỏng và dự báo. Dữ liệu đầu vào của mô đun MM5 chính là đầu ra của các chương trình INTERPF và TERRAIN. Sản phẩm của mô đun MM5 là các file có tên được đặt theo qui ước MMOUT_DOMAIN1, MMOUT_DOMAIN2,... 2.6. Các dạng sản phẩm của mô hình MM5 Sản phẩm cuối cùng của MM5 là các file MMOUT_DOMAIN1,2,... cho các miền tính khác nhau ở toàn bộ các thời điểm tính từ thời điểm bắt đầu mô phỏng hoặc dự báo. Khoảng cách thời gian giữa các thời điểm này bằng bước thời gian của mô hình. Tuy nhiên, trong quá trình lưu sản phẩm dự báo số, chúng ta chỉ lưu lại các trường khí tượng cách nhau 3h, 6h hoặc 12h nhằm giảm dung lượng của file sản phẩm. Mô hình MM5 cho phép trích các yếu tố từ các trường khí tượng dự báo cho các điểm theo ô lưới dưới dạng ASCCI ngay trong quá trình chạy mô hình. Đây là một thuận lợi cho việc lập bản tin dự báo cho các điểm cố định mà không cần phải phân tích toàn bộ trường khí tượng khu vực. 33 Bảng 2.1. Các yếu tố dự báo của MM5 Các yếu tố dự báo 3 chiều U Thành phần gió vĩ hướng (m/s) V Thành phần gió kinh hướng (m/s) T Nhiệt độ (K) Q Tỉ số xáo trộn hơi nước (kg/kg) (if IMPHYS2) CLW Tỉ số xáo trộn nước mây (kg/kg) (if IMPHYS3) RNW Tỉ số xáo trộn nước mưa (kg/kg) (if IMPHYS3) ICE Tỉ số xáo trộn băng mây (kg/kg) (if IMPHYS5) SNOW Tỉ số xáo trộn tuyết (kg/kg) (if IMPHYS5) GRAUPEL Tỉ số xáo trộn hạt graupel (kg/kg) (if IMPHYS6) NCL Băng mây (if IMPHYS7) TKE Động năng rối (J/kg) (if IBLTYP=3,4,6) RAD TEND Xu thế bức xạ khí quyển (if FRAD2) W Tốc độ gió thẳng đứng (m/s) (ở tất cả các mực) Các yếu tố dự báo 2 chiều U10 Trường gió U ở độ cao 10 m V10 Trường gió V ở độ cao 10 m PSLV Áp suất mặt biển RAIN CON: Mưa đối lưu (cm) RAIN NON Mưa quy mô lưới (cm) PBL HGT Độ cao lớp biên hành tinh (m) REGIME Kiểu lớp biên hành tinh (loại 1-4) SHFLUX Thông lượng hiển nhiệt bề mặt (W/m2) LHFLUX Thông lượng ẩn nhiệt bề mặt (W/m2) UTS Vận tốc ma sát (m/s) SOIL Tx Nhiệt độ trong các lớp đất (K)(If SOIL=1,2) 34 Các sản phẩm khác SIGMAH Mực phân của mô hình ALBD Albedo bề mặt theo loại đất sử dụng SLMO Độ ẩm khả năng bề mặy theo loại đất sử dụng SFEM Độ phát xạ bề mặt theo loại đất sử dụng SFZO Độ gồ ghề theo loại đất sử dụng THERIN Nhiệt dung của bề mặt theo loại đất sử dụng SFHC Nhiệt dung của đât SIGMAH Mực phân của mô hình ALBD Albedo bề mặt theo loại đất sử dụng SLMO Độ ẩm khả năng bề mặy theo loại đất sử dụng 35 Chương 3 KẾT QUẢ TÍNH TOÁN VÀ PHÂN TÍCH Ở Việt Nam, mô hình MM5 đã được ứng dụng trong nghiên cứu và dự báo ở một số cơ sở thuộc Bộ Tài nguyên và Môi trường cũng như ở Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, song chưa có một công trình nào đi sâu đánh giá khả năng dự báo nghiệo vụ của nó. Do vậy, trong thực tiễn khi ứng dụng sản phẩm dự báo của mô hình, các dự báo viên thường gặp rất nhiều khó khăn do chưa nắm được xu hướng sai số dự báo của mô hình, chưa xác định được trong những trường hợp nào thì mô hình cho dự báo chính xác, sai số dự báo của mô hình có thể hiệu chỉnh được hay không,...v.v. Nhằm góp phần khắc phục sự khiếm khuyết đó, trong khuôn khổ luận văn này, chúng tôi đã ứng dụng mô hình MM5 dự báo thời tiết các tháng mùa mưa ở khu vực Nam Trung Bộ (tháng 9 đến tháng 12), qua đó đánh giá khả năng dự báo nghiệp vụ của mô hình đối với một số trường khí tượng quan trọng, như mưa, nhiệt độ và tốc độ gió. 3.1.Thiết kế thí nghiệm 3.1.1. Miền tính và độ phân giải Việc lựa chọn miền tính thích hợp là một vấn đề không đơn giản, nhất là đối với vùng Đông Nam Á và Việt Nam  Đông Dương, vì đây là nơi “giao tranh” của nhiều hệ thống gió mùa khác nhau. Do đó, ở đây chúng tôi cố gắng chọn miền tính sao cho bao phủ toàn vùng dự báo của Việt Nam, trong đó có chú trọng đến khu vực Nam Trung Bộ. Nhằm tăng độ phân giải ngang cho khu vực Nam Trung Bộ, mô hình được chạy với hai miền tính lồng nhau, tương tác hai 36 chiều (hình 3.1). Miền ngoài (D01) nằm trong khoảng 50N-250N và 950E-1250E, có kích thước 82 x102 điểm nút lưới, độ phân giải ngang là 27km. Miền trong (D02) nằm trong khoảng 80N-150N và 1050E-1120E, gồm 85 x 85 điểm nút lưới, độ phân giải 9km. Số mực theo chiều thẳng đứng là 23 mực. Hình 3.1. Các miền tính của mô hình MM5 3.1.2. Các tham số vật lý MM5 hỗ trợ khá nhiều tùy chọn sơ đồ tham số hóa vật lý. Tuy nhiên không có một tùy chọn nào có thể áp dụng cho tất cả mọi miền địa lý và trong mọi điều kiện thời tiết. Cách duy nhất để chỉ ra được một bộ sơ đồ tham số hóa vật lý thích hợp nhất cho từng khu vực là phải thử nghiệm nhiều lần và tiến hành đánh giá một cách đầy đủ. Trong khuôn khổ luận văn này, chúng tôi không thể thử nghiệm cho tất cả các tùy chọn hiện có của mô hình. Do đó, trên cơ sở tìm hiểu các công trình nghiên cứu trong và ngoài nước, các sơ đồ tham số hóa sau đây đã được lựa chọn cho những thử nghiệm: Sơ đồ vi vật lý mây Simple-Ice (Dudhia,1989), sơ đồ tham số lớp biên hành tinh MRF (Hong và Pan, 1996), và 37 sơ đồ bề mặt đất Noah. Riêng đối với sơ đồ tham số hóa đối lưu, việc lựa chọn gặp khá nhiều khó khăn. Vì MM5 có đến 8 tùy chọn, nếu thực hiện thử nghiệm với tất cả các tùy chọn này khối lượng tính toán sẽ quá lớn. Bởi vậy, trên cơ sở các công trình nghiên cứu [1,2,12,13,14,15,16,17] và khuyến cáo của nhóm tác giả mô hình, chúng tôi quyết định thử nghiệm với 3 sơ đồ là 1) sơ đồ KuO, 2) Betts-Miller và 3) Grell. 3.1.3. Nguồn số liệu Số liệu được sử dụng trong luận văn gồm: 1) Số liệu đề chạy mô hình; và 2) Số liệu quan trắc thực tế để đánh giá mô hình. 1) Số liệu để chạy mô hình MM5 gồm 2 loại: a) Số liệu về độ cao địa hình, lớp phủ bề mặt, loại đất và các đặc tính vật lý của đất. Tập các số liệu này được cho sẵn cùng với bộ mô hình miễn phí có thể download từ Internet; b) Số liệu làm điều kiện ban đầu và điều kiện biên phụ thuộc thời gian. Đây là các trường phân tích và dự báo của các mô hình toàn cầu. Trong luận văn nguồn số liệu này là sản phẩm của mô hình GFS/AVN của NCEP, cũng được khai thác miễn phí từ Internet. Để cập nhật biên theo thời gian chúng tôi lấy các trường số liệu cách nhau từng 6h một. 2) Số liệu quan trắc: Là bộ số liệu quan trắc khí tượng thu thập tại 20 trạm thuộc khu vực Nam Trung Bộ trong thời gian từ 01/9-31/12 của 3 năm 2005- 2007, gồm 3 yếu tố: mưa, nhiệt độ và tốc độ gió. Số liệu mưa tại các trạm quan trắc được cộng tích lũy tương ứng với các thời hạn dự báo của mô hình. 3.1.4. Mô tả thí nghiệm Trong nghiên cứu này chúng tôi đã ứng dụng mô hình MM5 để thực hiện các thí nghiệm sau đây: 38 - Thí nghiệm 1: sử dụng mô hình MM5 với cấu hình như đã nêu tại mục 3.1 để khảo sát độ nhạy của 3 sơ đồ TSHĐL KuO, Betts-Miller và Grell với các đợt mưa lớn điển hình trong các năm 2005- 2007. Thời hạn dự báo 48h, bắt đầu từ 00UTC của ngày trước khi có mưa lớn xảy ra. - Thí nghiệm 2: cùng cấu hình như thí nghiệm 1 nhưng chỉ sử dụng một sơ đồ TSHĐL là Betts-Miller để dự báo 23 đợt mưa lớn xảy ra ở khu vực Nam Trung Bộ trong 3 năm 2005-2007. Thời hạn dự báo 48h, bắt đầu từ 00UTC của ngày trước khi mưa lớn xảy ra. Mục đích của thí nghiệm này là đánh giá kỹ năng dự báo mưa lớn của mô hình đối với khu vực Nam Trung Bộ. - Thí nghiệm 3: tương tự như cấu hình đã lựa chọn với các thí nghiệm trên đây, nhưng thời gian dự báo bắt đầu 00UTC từ ngày 01/9-31/12 các năm 2005- 2007. Mô hình chạy theo chế độ nghiệp vụ. Mục đích của thí nghiệm này là để đánh giá khả năng dự báo nghiệp vụ của mô hình MM5 đối với mùa khu vực Nam Trung Bộ. 3.2. Các phương pháp đánh giá Hiện nay có rất nhiều phương pháp đánh giá sản phẩm mô hình số, trong nghiên cứu này chúng tôi sử dụng 2 phương pháp thông dụng nhất đó là phương pháp đánh giá trực quan và đánh giá định lượng bằng các chỉ số thống kê. 3.2.1. Đánh giá trực quan Phương pháp trực quan này giúp chúng ta đánh giá một cách tính tính giữa trường dự báo và quan trắc, qua đó có thể nhận định nguyên nhân gây sai số dự báo đối với từng trường hợp. Ưu điểm của phương pháp này là cho phép nhìn một cách khái quát sự phân bố không gian của sản phẩm dự báo và kết quả quan trắc. Nhược điểm của nó là khó có thể rút ra được qui luật chung về sai số của mô hình. 39 3.3.2. Đánh giá thông qua các chỉ số thống kê Đánh giá thống kê theo loại (hay đánh giá dự báo hiện tượng) là đánh giá sự phù hợp giữa hai sự kiện dự báo và quan trắc. Các chỉ số đánh giá dựa vào bảng ngẫu nhiên sau (Damrath, 2002): Hits (H) = dự báo có + quan trắc có Misses (M) = dự báo không + quan trắc có False alarms (F) = dự báo có + quan trắc không Correct negatives(CN)=dự báo không+quan trắc không Dưới đây là một số chỉ số thường dùng trong đánh giá dự báo hiện tượng. * Bias score (BIAS hay FBI): Thường dùng trong đánh giá diện mưa dự báo ứng với một ngưỡng nào đó cho trước H F FBI H M    (3.1) FBI < 1: vùng dự báo nhỏ hơn vùng thám sát FBI > 1: vùng dự báo lớn hơn vùng thám sát FBI = 1: vùng dự báo bằng với vùng thám sát (giá trị lý tưởng) * Xác suất phát hiện (Probability of Detection - POD) H POD H M   (3.2) POD chỉ nhạy đối với những hiện tượng không dự báo được (misses events) chứ không nhạy đối với phát hiện sai (false alarms). POD dao động từ 0 đến 1. Giá trị tối ưu POD = 1. * Tỷ phần dự báo phát hiện sai (False Alarms Ratio - FAR) 40 F FAR H F   (3.3) Giá trị tối ưu FAR = 0 * Chỉ số thành công (Critical Success Index – CSI hay Threat Score – TS) H CSI TS M F H     (3.4) Giá trị tối ưu TS = 1 * Chỉ số thành công hợp lý (Equitable Threat Score – ETS). ETS có giá trị tốt nhất là 1. random random H H ETS M F H H      (3.5) trong đó randomH là số dự báo đúng ngẫu nhiên xác định như sau    * random H F H M hit total    * Độ chính xác (Percentage Correct - PC) H CN PC total   (3.6) Đánh giá thống kê các biến liên tục là số đo sự tương ứng giữa giá trị dự báo và giá trị quan trắc. Phương pháp đánh giá thống kê dựa vào mômen bậc nhất hay bậc hai, trong đó phổ biến sử dụng các chỉ số sau: * Sai số trung bình (ME)     N i ii OF N ME 1 1 (3.7) * Sai số tuyệt đối trung bình (MAE)    N i ii OF N MAE 1 1 (3.8) * Sai số bình phương trung bình quân phương (RMSE) 41     N i ii OF N RMSE 1 21 (3.9) Các ký hiệu được sử dụng trên đây gồm: F : dự báo; O : quan trắc; N : tổng số trường hợp (theo pha hay toàn bộ). Vì không có một chỉ số đánh giá nào có đầy đủ ý nghĩa ưu việt do đó cần phải kết hợp tính toán nhiều chỉ số nhằm đánh giá được một cách toàn diện và dễ dàng trong phân tích kết quả. 3.3. Độ nhạy của các sơ đồ TSHĐL với các hình thế thời tiết gây mưa lớn Nhằm nghiên cứu lựa chọn sơ đồ TSHĐL phù hợp với khu vực dự báo của mô hình, chúng tôi đã chạy dự báo cho ba đợt mưa lớn ở khu vực Nam Trung Bộ là ngày 20-26/10/2005, 20-27/10/2006, 01-5/11/2007. Lượng mưa mô hình được dùng để phân tích, đánh giá là sản phẩm dự báo của miền D02. Dưới đây là một ví dụ để minh họa dự báo của mô hình: Trên các hình 3.2 đến 3.4(a-f) minh họa kết quả quan trắc và dự báo mưa tích lũy 12h, 24h, 36h và 48h tính từ 00UTC ngày 03/11/2007 của MM5 chạy với các sơ đồ đối lưu KuO, Betts-Miller và Grell; trong đó các hình (a)-(c) là các trường dự báo kết xuất trực tiếp từ mô hình, các hình (d)-(f) biểu diễn lượng mưa dự báo đã được nội suy về vị trí trạm sau đó được phân tích lại về lưới mô hình, hình (g) là lượng mưa quan trắc phân tích. Phương pháp phân tích số liệu trạm (quan trắc và dự báo) về lưới mô hình được sử dụng là phương pháp Cressman. Từ các hình 3.2(a)-(c) nhận thấy rằng trong cả ba thí nghiệm mô hình đều cho vùng mưa dự báo bao phủ một miền rộng lớn cả ngoài khơi và trên đất liền khu vực Nam Trung Bộ, trong đó thí nghiệm với sơ đồ KuO cho diện mưa dự báo rộng nhất, phủ kín miền tính, bao gồm cả Tây Nguyên, Nam Bộ và vùng 42 lãnh thổ Campuchia. Các thí nghiệm với sơ đồ Betts-Miller và Grell cho diện mưa dự báo hẹp hơn, nhất là với sơ đồ Grell. Nhìn chung phân bố không gian của mưa mô hình khi sử dụng các sơ đồ Betts-Miller và Grell khá tương đồng nhau. Cả hai thí nghiệm này đều tạo ra dải mưa lớn ngoài khơi dọc bờ biển Nam Trung Bộ, trong khi đối với sơ đồ KuO dải mưa lớn này có vị trí dịch chuyển lên phía bắc. So với số liệu quan trắc cả ba thí nghiệm đều đã dự báo được diện mưa thực tế (hình 3.2 (d)-(g)), trong đó hai thí nghiệm sử dụng sơ đồ KuO và Grell tạo ra các vị trí tâm mưa lớn phù hợp với quan trắc hơn. Mặc dù vậy, lượng mưa dự báo của mô hình nói chung thấp hơn quan trắc khá nhiều. Đánh giá chung cho dự báo mưa tích lũy 12h dường như MM5 với sơ đồ đối lưu KuO cho dự báo mưa phù hợp với quan trắc hơn so với hai sơ đồ Betts-Miller và Grell. Tình hình diễn ra tương tự đối với diện mưa dự báo tích lũy 24h, 36h và 48h. Tuy nhiên về lượng mưa, các sơ đồ Betts-Miller và Grell có xu hướng nắm bắt tốt hơn vị trí và cường độ các tâm mưa lớn (các hình 3.2, 3.3) mặc dù so với quan trắc vị trí tâm mưa dự báo hơi lùi xuống phía nam. 43 Hình 3.2. Mưa tích lũy 12h tính từ 00UTC ngày 03/11/2007. (a), (b), (c) là trường mưa dự báo của MM5 tương ứng với các sơ đồ KuO, Betts- Miller và Grell; (d), (e), (f) là mưa dự báo của mô hình; hình (g) là lượng mưa quan trắc đã được phân tích về lưới mô hình. 44 Hình 3.3: Tương tự hình 3.2 nhưng là mưa tích lũy 24h Việc xem xét trực tiếp các trường dự báo và quan trắc trên đây cũng đã được tiến hành cho tất cả các lần dự báo của ba đợt mưa thử nghiệm. Nhận xét chung rút ra từ những đánh giá này là mô hình MM5 đã có khả năng dự báo được sự xuất hiện mưa trên khu vực Nam Trung Bộ. Tuy nhiên, lượng mưa dự báo của mô hình trên khu vực nghiên cứu hầu như thấp hơn nhiều so với lượng mưa quan trắc. Một trong những nguyên nhân dẫn đến điều này có thể do sự sai lệch các vị trí các tâm mưa lớn của mô hình. Các sơ đồ tham số hóa đối lưu khác nhau cho kết quả khác nhau khá nhiều về lượng mưa dự báo. Dường như sơ đồ 45 KuO đã làm tăng dự báo khống của mô hình còn sơ đồ Betts-Miller có tính ổn định hơn. Hình 3.4. Tương tự hình 3.2 nhưng là mưa tích lũy 48h Trên các hình 3.5 đến 3.7 lần lượt dẫn ra đồ thị biểu diễn kết quả tính các chỉ số đánh giá thống kê cho cả ba đợt mưa được khảo sát, với trục hoành là các ngưỡng lượng mưa, trục tung là giá trị các chỉ số. Qua đó nhận thấy, với lượng mưa tích lũy 12h các sơ đồ KuO và Grell cho dự báo khống ở các ngưỡng lượng mưa dưới 20mm, trong khi sơ đồ Betts-Miller hầu như dự báo sót. Nói một cách chính xác hơn, diện mưa dự báo của mô hình khi chạy với các sơ đồ KuO và Grell lớn hơn diện mưa quan trắc ở các ngưỡng lượng mưa này. Cả ba sơ đồ đều cho xác suất phát hiện mưa trên 40% ở các ngưỡng dưới 30mm, sơ đồ KuO thể 46 hiện xác suất lớn hơn đáng kể (hình 3.5). Các giá trị xác suất này giảm dần khi ngưỡng lượng mưa tăng lên cho đến 50mm và sau đó giảm đột ngột lượng mưa vượt quá 100mm. Với lượng mưa tích lũy 24h, chỉ số FBI tương ứng với ba sơ đồ đối lưu thể hiện sự khác nhau đáng kể, trong đó sơ đồ KuO cho dự báo khống khá rõ ở các ngưỡng dưới 30mm. Tuy nhiên cả ba sơ đồ đều cho giá trị của các chỉ số TS và POD trên 0.5 và chỉ số FAR ở mức dưới 0.35. Đối với chỉ số TS sự khác biệt giữa các sơ đồ hầu như không rõ rệt (hình 3.5). Đối với lượng mưa tích lũy 48h, nhìn chung mô hình cho kết quả dự báo tương đương nhau khi sử dụng các sơ đồ đối lưu khác nhau, mặc dù sơ đồ KuO vẫn thể hiện sự nổi trội nhất định. Việc so sánh các chỉ số đánh giá thống kê giữa các trường hợp mưa tích lũy 12h, 24h, 36h và 48h cho thấy rằng kỹ năng dự báo của mô hình khi sử dụng các sơ đồ đối lưu KuO và BM khá hơn so với sơ đồ Grell. FBI -12h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F B I KuO BM Grell TS-12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố T S KuO BM Grell POD-12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố P O D KuO BM Grell FAR-12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F A R KuO BM Grell Hình 3.5. Chỉ số FBI, TS, POD, FAR thời hạn dự báo 12h 47 FBI -24h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F B I KuO BM Grell TS -24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố T S KuO BM Grell POD -24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố P O D KuO BM Grell FAR -24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F A R KuO BM Grell Hình 3.6. Tương tự như 3.5, thời hạn dự báo 24h FBI -36h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F B I KuO BM Grell TS -36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố T S KuO BM Grell POD -36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố P O D KuO BM Grell FAR -36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F A R KuO BM Grell Hình 3.7. Tương tự như 3.5, thời hạn dự báo 36h 48 FBI -48h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F B I KuO BM Grell TS -48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố T S KuO BM Grell POD -48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố P O D KuO BM Grell FAR -48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F A R KuO BM Grell Hình 3.8. Tương tự như 3.5, thời hạn dự báo 48h Sau khi thử nghiệm áp dụng mô hình MM5 để dự báo ba đợt mưa lớn xảy ra trên khu vực nghiên cứu trong các năm 2005- 2007. Chúng tôi có một số nhận xét sau đây: - Mô hình MM5 đã dự báo được khá chính xác về diện mưa của ba đợt mưa đã được chọn thử nghiệm. Tuy nhiên lượng mưa dự báo của mô hình luôn có xu hướng nhỏ hơn lượng mưa quan trắc thực tế. - Trong 3 sơ đồ TSHĐL đã thử nghiệm, sơ đồ BM cho kỹ năng dự báo ổn định hơn so với 2 sơ đồ KuO và Grell trong dự báo các đợt mưa lớn. Đó cũng chính là lý do mà trong nghiên cứu này chúng tôi lựa chọn sơ đồ BM đề thử nghiệm dự báo thời gian thực và đánh giá dự báo nghiệp vụ. 49 3.4. Khả năng dự báo mưa lớn Mưa lớn sinh ra do nhiều hình thế thời tiết khác nhau, chẳng hạn như do ảnh hưởng của ATNĐ, bão, ITCZ, KKL, gió mùa tây nam, rãnh áp thấp,... hay sự kết hợp phức tạp của các hình thế nêu trên. Mỗi một hình thế thời tiết có những cơ chế vật lý cũng như động lực học khác nhau, ví dụ như trong bão có sự kết hợp giữa bất ổn định mạnh trên vùng đại dương nhiệt đới nóng với hội tụ ẩm mực thấp của các hệ thống hoàn lưu khu vực nhiệt đới. Trong ITCZ thì vai trò quyết định là bất ổn định trong những ổ đối lưu sâu nhiệt tới tạo nên dòng thăng mạnh và gây ra mưa lớn. Vì vậy, với mỗi một sơ đồ TSHĐL có thể mô phỏng tốt mưa trong hình thế này nhưng lại không tốt đối với hình thế khác, phụ thuộc vào những quan niệm và ý tưởng thiết lập sơ đồ. Theo thống kê của chúng tôi, trong 3 mùa mưa 2005- 2007 có 23 đợt mưa lớn diện rộng ở khu vực Nam Trung Bộ. Các hình thế gây mưa lớn chủ yếu là do ảnh hưởng của ICTZ, không khí lạnh hoặc ảnh hưởng tổ hợp của KKL với ICTZ, bão, ATNĐ và một số hệ thống khác nhưng tần suất xuất hiện ít hơn. Do đó, để đánh giá khả năng dự báo của mô hình MM5 so với quan trắc thực tế chúng tôi đã chia thành 3 loại hình thế sy nốp điển hình gây mưa lớn (Bảng 3.1). 50 Bảng 3.1: Bảng tổng hợp các hình thế gây mưa lớn từ năm 2005- 2007 STT Thời gian Bão, ATNĐ KKL KKL kết hợp với Bão, ATNĐ 1 10-13/9/2005 x 2 13-15/9/05 x 3 18-20/9/2005 x 4 27-28/9/2005 x 5 7-13/10/2005 x 6 22-27/10/2005 x 7 29/10-2/11/2005 x 8 16-20/11/2005 x 9 22-27/11/2005 x 10 30/11-8/12/2005 x 11 11-21/12/2005 x 12 23-27/9/2006 x 13 29/9-4/10/2006 x 14 01-6/10/2007 x 15 7-9/11/2006 x 16 3-6/12/2006 x 17 13-18/10/2007 x 18 24-27/10/2007 x 19 30/10-5/11/2007 x 20 9-13/11/2007 x 21 16-20/11/2007 x 22 22-24/11/2007 x 23 3-7/12/2007 x Tổng 9 7 7 51 - Hình thế ảnh hưởng của Bão hoặc ATNĐ: Theo qui luật hoạt động, vào tháng 9, ITCZ dịch chuyển dần xuống Trung Bộ và Nam Trung Bộ. Đến tháng 10, ITCZ dịch chuyển xuống Nam Bộ. Cùng với bão, hoạt động của ITCZ chi phối tình hình mưa ở khu vực này. Trên hình 3.10 (a,b) dẫn ra bản đồ phân tích synốp tại mặt đất và mực AT500 vào lúc 00Z ngày 17/9/2005, là một trường hợp điển hình về loại hình thế này. Hình 3.9: (a)- Bản đồ mặt đất, (b)- AT 500mb lúc 00Z ngày 17/9/2005 (c,d)- tương tự như a,b nhưng là mô phỏng của mô hình MM5. 52 - Hình thế ảnh hưởng của không khí lạnh: Hình thế synốp KKL ảnh hưởng độc lập hay đơn thuần là cách nói tương đối trong phân tích hình thế synốp để chỉ ra quá trình xâm nhập của KKL xuống phía nam mà không kết hợp với những hệ thống thời tiết khác ở vùng nhiệt đới. Trên hình 3.10(a,b) là bản đồ phân tích mặt đất và AT500 lúc 00Z ngày 16/11/2000. Hình 3.10(b,c) là mô phỏng của mô hình MM5 lúc 00Z ngày 04/12/2005, đây là một trường hợp điển hình của loại hình thế thời tiết ảnh hưởng của KKL đối với khu vực Nam Trung Bộ. Hình 3.10: (a)- Bản đồ mặt đất, (b)- AT 500mb lúc 00Z ngày 16/11/2000 (b,c) là mô phỏng của mô hình MM5 lúc 00Z ngày 04/12/2007. (b) (a) 53 - Hình thế ảnh hưởng kết hợp của KKL với ICTZ, Bão hoặc ATNĐ: Đây là loại hình thế sy nốp mà khu vực chịu ảnh hưởng của dải ICZ hoặc bão hay ATNĐ kết hợp với KKL. Loại hình thế thời tiết này có đặc trưng là thời gian mưa kéo dài hơn so với 2 hình thế đã nêu ở trên và thường xảy ra trong các tháng 10, tháng 11. Hình 3.11 (a,b) là bản đồ phân tích mặt đất là mực 500mb lúc 00Z ngày 11/11/2001; hình (b,c) cũng tương tự như hình (a,b) nhưng là mô phỏng của MM5 tại 00Z ngày 29/11/2005, đây là những ví dụ điển hình về dạng hình thế thời tiết loại này. Hình 3.11: (a)- Bản đồ mặt đất, (b)- AT 500mb lúc 00Z ngày 16/11/2000 (b,c) là mô phỏng của mô hình MM5 lúc 00Z ngày 29/11/2005. 54 Trên cơ sở phân chia các loại hình thế gây mưa lớn ở Nam Trung Bộ, chúng tôi đã chạy mô hình MM5 theo các cấu hình miền tính, độ phân giải ngang và các tùy chọn tham số hóa vật lý đã mô tả trong mục 3.1. Riêng sơ đồ tham số hóa đối lưu ở đây là sơ đồ Betts-Miller. Hạn dự báo của mô hình là 48h. Kết quả dự báo của mô hình được đánh giá theo từng loại hình thế gây mưa lớn. Việc đánh giá được thực hiện theo hai phương pháp là so sánh trực tiếp (hay đánh giá trực quan) và sử dụng các chỉ số thống kê định lượng.  Đánh giá trực quan: Đánh giá trực quan cho phép nhận biết một cách trực tiếp mức độ chính xác của mô hình cho từng trường hợp cụ thể. Tuy nhiên, do số trường hợp cần so sánh, đánh giá quá lớn (>400 trường hợp), ở đây không thể trình bày đầy đủ tất cả các trường hợp đã thử nghiệm. Thay vào đó, chúng tôi chỉ phân tích một số trường hợp điển hình. Mặc dù vậy, những kết luận chung được rút ra từ việc phân tích cho tất cả các trường hợp dự báo: - Trường hợp ảnh hưởng trực tiếp của ATNĐ ngày 12/9/2005: Ngày 12/9/2005, do ảnh hưởng trực tiếp của áp thấp nhiệt đới (ATNĐ) nên ở khu vực Nam Trung Bộ đã có mưa vừa, mưa to đến rất to. Trên hình 3.12 là trường mưa dự báo tích lũy từ 12-48h (a,b,c,d) và trường mưa quan trắc thực tế (e,f,g,h). Có thể nhận thấy, mô hình đã dự báo được khá chính xác trường mưa so với thực tế, đặc biệt là các tâm mưa lớn và vùng ít mưa. Cụ thể, trong các hạn dự báo mô hình đều dự báo được vùng mưa lớn ở vùng ven biển phía bắc Nam Trung Bộ (phía bắc vĩ độ 13) và cả vùng cao nguyên Nam Trung Bộ đồng thời đã dự báo vùng ít mưa và mưa nhỏ ở phía nam 120N (Khánh Hòa đến Bình Thuận). Điều này khá phù hợp diễn biến thực tế của ngày 12/9/2005 (ATNĐ 55 nằm sát vùng biển Phú Yên- Bình Định nên vùng mưa lớn xảy ra ở phía bắc của hoàn lưu ATNĐ). Hình 3.12. Mưa tích lũy dự báo và quan trắc từ 00UTC ngày 12/9/2005. (a, b, c) - lượng mưa dự báo của mô hình;(d, e, f) - lượng mưa quan trắc - Trường hợp ảnh hưởng của cơn bão số 6, ngày 29/9/2006: Ngày 29/9/2006, do ảnh hưởng của rìa phía nam cơn bão số 6 nên ở khu vực Nam Trung Bộ đã có mưa, mưa vừa, riêng phía bắc khu vực có mưa to. Trên hình 3.13 (a,b,c,d) là trường mưa dự báo với các thời hạn 12h-48h, các hình 3.13 (e,f,g,h) là lượng mưa quan trắc thực tế tại các trạm thuộc khu vực Nam Trung Bộ. So sánh trường mưa dự báo của mô hình với trường mưa quan trắc thực tế cho thấy mô hình đã dự báo khá tốt trường mưa, đặc biệt là các tâm mưa lớn. 56 Tuy nhiên ở các thời hạn dự báo 24-48h, lượng mưa do mô hình dự báo cao hơn so với số liệu thực tế khá lớn. Nhận xét chung rút ra được khi phân tích các trường hợp có hình thế ảnh hưởng của bão và ATNĐ đối với khu vực Nam Trung Bộ là mô hình dự báo khá tốt về diện mưa nhưng về lượng thì luôn có xu hướng thấp hơn quan trắc. Hình 3.13: tương tự như hình 3.12, ngày 29/9/2006 - Trường hợp ảnh hưởng của không khí lạnh ngày 17/10/2007: Từ ngày 16/10-19/10/2007, do ảnh hưởng của không khí lạnh tăng cường mạnh nên ở khu vực Nam Trung Bộ đã xảy một đợt mưa lớn diện rộng. Đặc biệt ở tỉnh Bình Định, lượng mưa ngày một số nơi đạt trên 100mm, như TP. Quy Nhơn, huyện An Hòa. Để đánh giá diện mưa dự báo của mô hình với diện mưa 57 quan trắc thực tế, việc so sánh các hình 3.14(a)-(d), (b)-(e), (c) và (f) cho thấy, ở các hạn dự báo mô hình đều dự báo được tâm mưa lớn ở khu vực phía bắc, tuy nhiên ở khu vực phía nam (từ Bình Thuận trở vào), thậm chí cả Nam Bộ mô hình vẫn dự báo mưa đều khắp, trong khi đó ở khu vực này đang là thời kỳ mùa khô, không mưa. Hình 3.14: tương tự như hình 3.12, ngày 17/10/2007 - Trường hợp ảnh hưởng hợp của bão kết hợp với KKL ngày 23/11/2007: Đây là một trường hợp điển hình về mưa lớn do ảnh hưởng kết hợp của không khí lạnh với bão. Diễn biến thực tế như sau: trưa ngày 23/11, bão số 7 đổi hướng di chuyển sang hướng Tây bắc. Hồi 13h ngày 23/11, vị trí tâm bão ở vào khoảng 11,7 độ vĩ bắc, 110,9 độ kinh đông, cách bờ biển các tỉnh Khánh Hòa - 58 Bình Thuận khoảng 200km về phía đông đông nam. Sức gió mạnh nhất ở vùng gần tâm bão mạnh cấp 11, cấp 12, giật trên cấp 12. Quan sát trên các hình 3.15(a,b,c,d), chúng ta thấy mô hình đã mô phỏng khá tốt vị trí trung tâm cơn bão số 7 và các vùng mưa lớn phân bố tập trung theo các dải mây đối lưu nằm ở rìa phía bắc hoàn lưu cơn bão số 7. So sánh trường mưa do mô hình dự báo với trường mưa quan trắc thực tế trên hình 3.15(e,f,g,h) cho thấy mô hình đã dự báo khá tốt về diện và lượng mưa ở phía bắc khu vực, đặc biệt là các tâm mưa lớn, nhưng ở phía nam của khu vực Nam Trung Bộ (từ phía nam 110N) mô hình cho dự báo khống trên phạm vi lớn kể cả diện và lượng mưa, trong khi quan trắc thực tế ở các trạm không hề có mưa. Hình 3.15: tương tự như hình 3.12, ngày 23/11/2007 59  Đánh giá thông qua các chỉ số thống kê: Trên hình 3.16 biểu diễn chỉ số FBI tính cho các đợt mưa lớn tương ứng với các hình thế thời tiết gây mưa khác nhau. Trục hoành biểu diễn ngưỡng mưa với các giá trị là 0.1, 5, 10, 20, 30, 40 và 50mm/ngày. Trục tung là giá trị của chỉ số FBI. Giá trị tương ứng nhận được của các hình thế thời tiết là các đường cong với chú giải như trên hình vẽ. Chúng ta thấy, ở các hạn dự báo 24-48h giá trị FBI đều đạt xấp xỉ và cao hơn 80% trong các hình thế thời tiết, điều đó chứng tỏ mô hình dự báo được diện mưa gần bằng với diện mưa quan trắc. Trong các thời hạn dự báo, mô hình luôn cho dự báo khống diện mưa đối với loại hình thế ảnh hưởng của bão hoặc ATNĐ nhưng lại dự báo hụt trong trường hợp ảnh hưởng của KKL hoặc tổ hợp ảnh hưởng của KKL với bão hoặc ATNĐ. Tuy nhiên, có một đặc điểm đáng lưu ý là ở hạn dự báo 24-48h, mô hình luôn dự báo khống khá lớn với hình thế thời tiết ảnh hưởng của KKL. So sánh với kết quả đánh giá diện mưa dự báo trong các nghiên cứu [2,4], chúng tôi cho rằng mô hình MM5 đã dự báo khá tốt về diện mưa trong cả 3 loại hình thế thời tiết gây mưa lớn tương ứng với các thời hạn dự báo. Chỉ số FBI hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FBI hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I Bão, ATNĐ KKL KKL+Bão, ATNĐ 60 Chỉ số FBI hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FBI hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.16: Chỉ số FBI đánh giá dự báo mưa từ tháng 9-12 các năm 2005-2007 Chỉ số TS hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số TS hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số TS hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số TS hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.17: tương tự hình 3.16, chỉ số TS Chỉ số TS là một trong những chỉ số đánh giá kỹ năng của mô hình. Từ hình 3.17 ta thấy TS giảm rất nhanh khi ngưỡng mưa tăng lên. Giá trị TS giảm từ 61 60% ở ngưỡng mưa 0,1mm ở hạn dự báo 12h xuống dưới 20% ở ngưỡng mưa trên 30mm với hình thế loại 2 và 40mm với hình thế loại 1 và loại 3. Ở các hạn dự báo 36h- 48h, chỉ số TS cao nhất đạt 0,8 ở ngưỡng mưa nhỏ, sau đó giảm nhanh ở các ngưỡng mưa vừa, mưa to, trong đó TS của hình thế thời tiết ảnh hưởng tổ hợp của KKL với bão, ATNĐ vượt trội hơn so với hình thế ảnh hưởng của KKL hoặc bão, ATNĐ đơn thuần. Trên hình 3.18 là chỉ số TS đánh giá dự báo các đợt mưa lớn trong các năm 2003-2005 của mô hình HRM với hạn dự báo 24h cho Việt Nam của tác giả Vũ Thanh Hằng [4]. Nhận thấy rằng mô hình HRM với các sơ đồ TSHĐL khác nhau, kể cả phiên bản dự báo được cải tiến khi sử dụng sơ đồ TSHĐL mới, chỉ số TS cũng rất thấp, ở hạn dự báo 24 hầu như chỉ đạt dưới 60%; đặc biệt trong trường hợp mưa do ảnh hưởng của KKL chỉ số TS đều ở mức dưới 50%. Kết quả đánh giá dự báo các đợt mưa lớn năm 2004-2005 của mô hình MM5 chạy dự báo với hai miền tính có độ phân giải ngang tương ứng là 45km và 15km của tác giả Hoàng Đức Cường [2] cho thấy chỉ số TS cũng khá thấp, ở hạn dự báo 24h chỉ số TS hầu như dưới 50% và giảm rất nhanh ở các ngưỡng mưa vừa, mưa lớn. 62 Hình 3.18: Chỉ số chỉ số TS của mô hình HRM Chỉ số POD biểu thị xác suất phát hiện đúng sự kiện, nó là tỷ số giữa số lần dự báo đúng sự xuất hiện sự kiện trên tổng số trường hợp xuất hiện sự kiện, có giá trị biến thiên từ 0->1. Có thể thấy từ hình 3.19, chỉ số POD giảm khá nhanh từ ngưỡng mưa nhỏ đến ngưỡng mưa lớn. Ở hạn dự báo 12h, mô hình cho khả năng dự báo đúng đạt 40% với ngưỡng mưa dưới 20mm nhưng ở ngưỡng mưa lớn hơn thì khả năng phát hiện mưa của mô hình rất thấp, dưới 20% đối với cả 3 loại hình thế thời tiết. Khi hạn dự báo tăng lên 24h thì chỉ số POD của mô hình cũng tăng lên, đạt 40% ở ngưỡng mưa 50mm. Đặc biệt với hạn dự báo 48h, POD đạt trên 40% ở ngưỡng mưa 100mm và đạt từ 50%-90% ở các ngưỡng mưa dưới 50mm. Nhìn chung, chỉ số POD dự báo với hình thế ảnh hưởng của KKL hoặc tổ hợp ảnh hưởng của KKL với Bão hoặc ATNĐ ít có sự khác biệt nhau và có xu hướng cao hơn trong trường hợp ảnh hưởng của Bão, ATNĐ. 63 Chỉ số POD hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số POD hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số POD hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số POD hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.19: Tương tự hình 3.16, chỉ số POD Trên hình 3.20 là kết quả đánh giá dự báo của mô hình HRM với hạn dự báo 24h trong các đợt mưa lớn từ năm 2003-2005 ở Việt Nam của tác giả Vũ Thanh Hằng [4]. Có thể nhận thấy, chỉ số POD của mô hình HRM với các phiên bản ứng với 4 sơ đồ TSHĐL khác nhau cũng giảm nhanh theo các ngưỡng mưa, ngoại trừ chỉ số POD của phiên bản dự báo sử dụng sơ đồ TSHĐL BMJ khá cao, còn lại cho xác suất phát hiện đúng rất thấp. 64 Hình 3.20: Tương tự như hình 3.18, chỉ số POD Hình 3.21 biểu diễn chỉ số FAR, là chỉ số đặc trưng cho sai số dự báo khống của mô hình. Qua đó ta thấy, trong cả 4 hạn dự báo 12- 48h, sai số dự báo khống của mô hình nhỏ nhất trong trường hợp mưa lớn do ảnh hưởng của KKL kết hợp với Bão hoặc ATNĐ, nhưng lại cho dự báo khống lớn nhất với hình thế ảnh hưởng KKL ở hạn dự báo 12h và hình thế ảnh hưởng của bão, ATNĐ trong các hạn dự báo 24- 48h. 65 Chỉ số FAR hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FAR hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FAR hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FAR hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.21: tương tự hình 3.16, chỉ số FAR Độ chính xác chung của mô hình được phản ánh qua chỉ số PC (hình 3.22). Có thể thấy, với các hạn dự báo khác nhau giá trị PC đều đạt trên 60%, và khá ổn định theo ngưỡng mưa. Trong 3 hình thế thời tiết thì trường hợp ảnh hưởng của bão, ATNĐ có giá trị PC thấp nhất so với 2 hình thế còn lại. Chỉ số PC hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số PC hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C Bão, ATNĐ KKL KKL+Bão, ATNĐ 66 Chỉ số PC hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số PC hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.22: Tương tự như hình 3.16, chỉ số PC Ngoài việc đánh giá sự xuất hiện hiện tượng theo các cấp lượng mưa đã trình bày trên đây, chúng tôi đã tiến hành tính các đặc trưng phản ánh sai số dự báo định lượng mưa ME, MAE và RMSE (bảng 3.3). Ngoài việc đánh giá sự xuất hiện hiện tượng theo các cấp lượng mưa đã trình bày trên đây chúng tôi đã tiến hành tính các đặc trưng phản ánh sai số dự báo định lượng mưa ME, MAE và RMSE (bảng 3.3). Qua đó nhận thấy, mô hình đều cho dự báo thấp hơn quan trắc (ME < 0) trong tất cả các hạn dự báo của hình thế ảnh hưởng bởi ICTZ, Bão, ATNĐ kết hợp với KKL. Với các hình thế ảnh hưởng KKL hoặc ICTZ, Bão, ATNĐ thì sai số ME <0 ở hạn dự báo 12h nhưng đều dương trong các hạn dự báo 24-48h. Tỷ số giữa sai số MAE và trung bình lượng mưa quan trắc thực tế biến động từ 0,8- 1,1. Trong đó sai số lượng mưa dự báo của mô hình trong các hình thế ảnh hưởng của ICTZ, Bão, ATNĐ luôn trên 100%, trong các hình thế ảnh hưởng KKL hoặc ảnh hưởng kết hợp của KKL với ICTZ, Bão, ATNĐ dao động từ 80-100%. 67 Bảng 3.2. Chỉ số ME, MAE, RMSE tương ứng với các hình thế Hình thế thời tiết Hạn dự báo ME MAE RMSE Trung bình quan trắc MEA/Trung bình quan trắc 12 -0.541 9.380 18.628 8.400 1.117 24 2.848 17.743 31.154 16.400 1.082 36 6.360 27.709 43.464 25.700 1.078 Bão hoặc ATNĐ 48 9.225 33.400 51.620 32.600 1.025 12 -1.004 9.887 19.695 9.000 1.099 24 0.229 16.982 31.584 16.900 1.005 36 0.718 24.406 42.759 26.000 0.939 KKL 48 2.260 29.718 51.601 34.700 0.856 12 -3.304 17.759 35.225 16.900 1.051 24 -5.975 33.653 59.414 35.400 0.951 36 -7.093 47.010 77.335 51.800 0.908 Bão hoặc ATNĐ + KKL 48 -12.866 59.860 95.279 67.600 0.886 Đánh giá chung cho dự báo của MM5 đối với 23 đợt mưa lớn với các hình thế đặc trưng trong 3 năm 2005, 2006 và 2007 là: - Diện mưa dự báo của mô hình luôn nhỏ hơn so với diện mưa quan trắc trong trường hợp ảnh hưởng của KKL nhưng lớn hơn trong trường hợp có bão hoặc ATNĐ đối với các thời hạn dự báo 12h đến 48h. - Lượng mưa dự báo của mô hình luôn cao hơn quan trắc thực tế đối với loại hình thế thời tiết ảnh hưởng của KKL hoặc có sự kết hợp của KKL với dải hội tụ nhiệt đới, bão hoặc ATNĐ và luôn luôn thấp hơn trong trường hợp ảnh hưởng của ICTZ, bão hay ATNĐ. 68 - Về cơ bản, mô hình MM5 với cấu hình thí nghiệm đã lựa chọn có khả năng dự báo được các đợt mưa lớn thời kỳ 2005-2007 cho khu vực Nam Trung Bộ. Các chỉ số đánh giá kỹ năng dự báo của mô hình đối với 3 loại hình thế đặc trưng gây mưa lớn đã chứng tỏ kỹ năng của mô hình nói chung tương đương với những kết quả đánh giá của các công nghiên cứu khác trong nước. 3.5. Khả năng dự báo nghiệp vụ Để đánh giá khả năng ứng dụng vào nghiệp vụ dự báo thời tiết, mô hình MM5 đã được chạy theo chế độ nghiệp vụ vào kỳ dự báo 00UTC hàng ngày cho các tháng mùa mưa của khu vực Nam Trung Bộ (tháng 9 đến tháng 12) trong các năm 2005-2007. Dưới đây trình bày kết quả đánh giá kỹ năng dự báo của mô hình đối với 3 yếu tố thời tiết cơ bản là lượng mưa tích lũy 12h, 24h, 36h và 48h; nhiệt độ không khí (T2m) và tốc độ gió bề mặt (gió tại độ cao 10m) ở các hạn dự báo 12h, 24h, 36h, 48h. Số liệu mưa (20 trạm), nhiệt độ và tốc độ gió (10 trạm) quan trắc thực tế được trích xuất tương ứng với thời gian dự báo của mô hình. Việc đánh giá sai số của mô hình dựa trên các chỉ số thống kê được tính căn cứ vào các chuỗi số liệu quan trắc và dự báo. Số liệu quan trắc được thu thập từ mạng lưới trạm trên khu vực, còn số liệu dự báo được nội suy từ các trường dự báo về vị trí trạm khi sử dụng phần mềm GrADS. Độ dài các chuỗi số liệu (dung lượng mẫu) bằng số lần thực hiện dự báo (mỗi ngày một lần vào lúc 00UTC, từ 01/9-31/12 của 3 năm 2005-2007) nhân với số lượng trạm quan trắc có số liệu. Đối với trường lượng mưa, các chỉ số thống kê được tính cho cả tình huống đánh giá dự báo hiện tượng (hiện tượng mưa xảy ra với lượng vượt quá một ngưỡng nào đó) và đánh giá dự báo biến liên tục. Lượng mưa tích lũy được tính 69 theo hạn dự báo, tức là với hạn dự báo 12h thì lượng mưa tích lũy từ 0-12h,…, với hạn dự báo 48h thì lượng mưa tích lũy từ 0-48h. 3.5.1. Trường mưa Kết quả tính chỉ số FBI được dẫn ra trên hình 3.23. Có thể thấy rằng, hầu như tất cả các hạn dự báo 24h đến 48h, chỉ số FBI đều lớn hơn 1, tức là diện mưa do mô hình dự báo lớn hơn diện mưa quan trắc thực tế, trong khi đó với hạn dự báo 12h giá trị FBI nhỏ hơn 1 và khá ổn định ở tất cả các ngưỡng. Với các ngưỡng lượng mưa dưới 20 mm, giá trị FBI khá gần với 1 ở tất cả các thời hạn dự báo từ 12h-48h. Nói cách khác, trong các trường hợp mưa nhỏ, diện mưa của mô hình gần tương đương với diện mưa thực tế. Trong các trường hợp mưa vừa, mưa lớn, mô hình có thể cho dự báo sót ở hạn dự báo 12h và sẽ cho dự báo khống ở các hạn dự báo dài hơn. Chỉ số FBI tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I 12h 24h 36h 48h Chỉ số TS tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S 12h 24h 36h 48h Hình 3.23: Chỉ số FBI, TS đánh giá dự báo mưa từ tháng 9-12 các năm 2005-2007 Đối với chỉ số TS (hình 3.23), khi hạn dự báo và ngưỡng mưa tăng lên giá trị của TS giảm khá nhanh. Cụ thể, với hạn dự báo 12h, chỉ số TS chỉ đạt 30 - 50% ở ngưỡng mưa nhỏ (dưới 5mm/12h), 10-20% ở ngưỡng mưa 10-30mm và dưới 10% với ngưỡng mưa trên 40mm/12h. Với hạn dự báo 24h, TS cũng chỉ đạt 40- 60% ở ngưỡng mưa dưới 5mm, 30-40% với ngưỡng mưa 10-30mm và dưới 70 20% ở các ngưỡng mưa lớn hơn 40mm. Các thời hạn dự báo 36-48h, nhìn chung chỉ số TS không có sự khác biệt lớn, đạt từ 40-70% với ngưỡng mưa dưới 10mm, 20% ở ngưỡng mưa 20-50mm và giảm xuống dưới 20% ở ngưỡng mưa 100mm trong các thời hạn dự báo 36h đến 48h. Chỉ số POD tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D 12h 24h 36h 48h Chỉ số FAR tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R 12h 24h 36h 48h Hình 3.24: tương tự như hình 3.23, chỉ số POD, FAR Việc phân tích giá trị của chỉ số POD (hình 3.24) cho thấy, với hạn dự báo 12h, xác suất dự báo đúng của mô hình có giá trị nhỏ nhất và giảm rất nhanh theo ngưỡng lượng mưa. Trong trường hợp này, xác suất dự báo đúng của mô hình cao nhất chỉ đạt từ 40-70% ở các ngưỡng lượng mưa nhỏ hơn 10mm. Ở các ngưỡng mưa lớn hơn, giá trị POD đều ở mức dưới 40%. Khi hạn dự báo tăng lên từ 24h đến 48h, xác suất dự báo đúng của mô hình cũng được tăng đáng kể. Xác suất dự báo đúng có thể đạt từ 50% đến 90% ở các ngưỡng mưa dưới 20mm, 40%- 50% ở ngưỡng mưa 30-40mm và dưới 40% ở ngưỡng mưa >50mm. Chỉ số FAR trong tất cả 4 thời hạn dự báo đều >0.2, chứng tỏ mức độ dự báo khống của mô hình có thể trên 20%. Hạn dự báo càng tăng, ứng với khoảng thời gian tích lũy lượng mưa càng dài, tính bất liên tục của trường lượng mùa càng giảm, thì chỉ số FAR giảm dần, tức là số lần dự báo khống sẽ ít hơn. Tuy nhiên, khi tăng ngưỡng mưa thì tính bất liên tục sẽ tăng lên, và do đó có thể kéo 71 theo giá trị của FAR sẽ giảm. Chẳng hạn, ở ngưỡng mưa dưới 10mm, mô hình cho dự báo khống từ 20- 60% với hạn dự báo 24-48h, riêng hạn dự báo 12h cao hơn từ 40- trên 60%. Ở các ngưỡng mưa lớn từ 20mm- 50mm, mô hình dự báo khống nhiều hơn và tăng từ 60%-80% ở các hạn dự báo 24h- 48h. Trên các hình 3.25 biểu diễn sự biến thiên của các chỉ số ETS, chỉ số này đặc trưng cho khả năng dự báo thành công của mô hình ở các ngưỡng mưa đã chọn. Nhìn chung chỉ số ETS khá thấp, phổ biến dưới 0,4. Kết quả đánh giá dự báo của mô hình MM5 cho khu vực Đài Loan [14,15] cho thấy chỉ số ETS cũng chỉ xấp xỉ 40% với mưa tích lũy 24h và hạn dự báo 24h. Như vậy, kỹ năng này của mô hình MM5 dự báo cho khu vực Nam Trung Bộ là chấp nhận được. Chỉ số ETS tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) E T S 12h 24h 36h 48h Chỉ số PC tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C 12h 24h 36h 48h Hình 3.25: tương tự như hình 3.23, chỉ số ETS, PC Từ hình 3.25 có thể thấy, chỉ số PC của các hạn dự báo đều đạt giá trị khá lớn, trên 70%, điều đó chứng tỏ mô hình dự báo khá tốt khả năng xuất hiện sự kiện có hay không có mưa ứng với các ngưỡng. Ngoài những điểm số đánh giá trên chúng tôi còn sử dụng một vài điểm số thống kê thông dụng, đó là ME, MAE và RMSE để đánh giá chất lượng dự báo về lượng mưa của mô hình so với so liệu quan trắc (bảng 3.3). 72 Có thể nhận thấy chỉ số ME >0 trong cả bốn thời hạn dự báo, có nghĩa là lượng mưa của mô hình luôn có xu hướng cao hơn quan trắc. Hạn dự báo 12- 24h, chỉ số ME dao động trong khoảng 0,8-2,6mm và tăng lên 4,4mm-5,7mm ở các hạn dự báo 36-48h. Sai số bình phương trung bình RMSE lớn hơn rất nhiều so với MAE ở tất cả các hạn dự báo từ 12h đến 48h phản ánh một thực tế khách quan là sai số dự báo lượng mưa biến động khá mạnh. Tỷ số giữa sai số MAE với giá trị trung bình quan trắc khá cao, từ 1,2 đến 1,4 điều đó cho thấy sai số dự báo về lượng mưa của mô hình từ 120 đến 140%. Bảng 3.3. Chỉ số ME, MAE, RMSE đánh giá dự báo nghiệp vụ Mưa Các đặc trưng thống kê Hạn dự báo ME MAE RMSE Tỷ số MEA/Trung bình 12h 0.802 6.910 17.373 1.445 24h 2.620 13.029 28.360 1.357 36h 4.400 18.450 37.196 1.293 48h 5.798 23.468 45.258 1.231 3.5.2. Trường Nhiệt độ (2m) Bảng 3.4 là các đặc trưng sai số trung bình (ME), sai số trung bình tuyệt đối (MAE) và sai số bình phương trung bình (RMSE) được tính toán từ 2 tập mẫu (số liệu nhiệt độ quan trắc và dự báo của mô hình) tương ứng với các thời hạn dự báo từ 24-48h. Từ đây nhận thấy, sai số ME <0 ở các hạn dự báo 12h và 36h, tức là nhiệt độ mô hình có xu hướng thấp hơn quan trắc. Các hạn dự báo 24 và 48h có ME>0, tức là nhiệt độ dự báo cao hơn quan trắc. Độ lớn của sai số mô hình thường được đánh giá thông qua sai số trung bình tuyệt đối hoặc sai số bình phương trung bình. Nhìn chung, giá trị của MAE, RMSE đều tăng theo hạn dự báo và dao động trong khoảng rất nhỏ, từ 1,2- 1,40C. 73 Trong các bảng 3.5 là kết quả đánh giá sai số ME, MAE, RMSE của mô hình MM5 dự báo nhiệt độ cho khu vực Thành phố Athen, Hy lạp[14]. Chúng ta thấy rằng mặc dù các tác giả đã tăng độ phân giải của mô hình lên 8km ở miền ngoài và 2km ở miền thứ 2 nhưng sai số dự báo nhiệt độ tại 2 trạm Khí tượng được đưa vào để đánh giá vẫn ở mức khá cao (1,6-3,00C). Bảng 3.4. Chỉ số ME, MAE, RMSE đánh giá dự báo nghiệp vụ Nhiệt độ Các đặc trưng thống kê Hạn dự báo ME MAE RMSE Trung bình quan trắc 12h -0.347 1.264 1.592 26.300 24h 0.525 1.425 1.761 24.945 36h -0.467 1.364 1.744 26.265 48h 0.482 1.458 1.812 24.918 Bảng 3.5: Chỉ số ME, MAE dự báo nhiệt độ bằng mô hình MM5 ở Thành phố Athen, Hylạp. Trạm Khí tượng Thissio Trạm Khí tượng Helliniko Thời hạn dự báo Lưới 3 (2km) Lưới 2 (8km) Lưới 3 (2km) Lưới 2 (8km) Chỉ số ME (0C) 24h -1.11 -2.24 -1.75 -2.10 36h 0.38 -1.69 -2.77 -2.41 48h -1.56 -2.19 -1.72 -2.06 Chỉ số MAE (0C) 24h 1.61 2.39 2.45 2.49 36h 1.56 2.11 3.00 2.70 48h 2.03 2.43 2.46 2.56 74 3.6.3. Tốc độ gió (độ cao 10m) Bảng 3.6, là kết quả tính toán các đặc trưng sai số ME, MAE, RMSE đối với tốc độ gió dự báo ở độ cao 10m. Sai số trung bình ME > 0 trong tất cả các hạn dự báo. Giá trị sai số trung bình tuyệt đối (MAE) ở các hạn dự báo đều cao, từ 3,5-4,0m/s. Tỷ số MAE/Trung bình quan trắc khá cao, từ 1,4-2,3, cho thấy sai số dự báo về tốc độ gió của mô hình so với quan trắc thực tế rất lớn, có thể đến 230%. Tuy nhiên, có một đặc điểm quan trọng cần được lưu ý đó là sai số dự báo nhìn chung có tính hệ thống, điều này cho phép chúng ta hiệu chỉnh kết quả dự báo của mô hình khi ứng dụng vào nghiệp vụ dự báo. Bảng 3.6. Chỉ số ME, MAE, RMSE đánh giá dự báo tốc độ gió Các đặc trưng thống kê Hạn dự báo ME MAE RMSE Trung bình MEA/Trung bình 12h 3.127 3.562 4.424 2.434 1.463 24h 3.663 3.932 4.852 1.745 2.253 36h 3.344 3.790 4.693 2.443 1.551 48h 3.769 4.062 4.987 1.757 2.312 Từ những kết quả nhận được trên đây, có thể nói rằng, kỹ năng dự báo nghiệp vụ của mô hình MM5 trong các tháng mùa mưa ở khu vực Nam Trung Bộ khá tốt. Mô hình có thể dự báo được hiện tượng có mưa hoặc không mưa ứng với các ngưỡng mưa với xác suất từ 70%-80% trong tất cả các hạn dự báo. Tuy nhiên, xét về diện mưa thì tỷ lệ dự báo khống khá cao trong các hạn dự báo từ 12h-48h. Cụ thể, ở các hạn dự báo 24-48h và ngưỡng mưa nhỏ thì giá trị chỉ số 75 FBI vào khoảng 120%, với các ngưỡng mưa vừa và mưa to FBI đạt đến 120- 140%. Ở hạn dự báo 12h nhìn chung diện mưa dự báo trong các ngưỡng mưa gần đúng với diện mưa quan trắc thực tế. Song kỹ năng dự báo của mô hình ở hạn dự báo này thấp hơn so với các hạn dự báo 24-48h. Lượng mưa dự báo của mô hình luôn có xu hướng cao hơn quan trắc trong các hạn dự báo so với thực tế từ 120-140%, với giá trị này theo chúng tôi là chấp nhận được, bởi vì thời gian thử nghiệm dự báo của nghiên cứu là thời kỳ mùa mưa ở khu vực Nam Trung Bộ nên các hệ thống thời tiết phức tạp như dải hội tụ nhiệt đới, bão, áp thấp nhiệt đới hoặc không khí lạnh ảnh hưởng với số lượng lớn. Những hệ thống thời tiết này thường gây ra những nhiễu động lớn về thời tiết, đặc biệt là mưa lớn. Qua thử nghiệm dự báo nghiệp vụ mô hình MM5 theo thời gian thực từ tháng 9-12 của 3 năm 2005-2007 có thể thấy khả năng dự báo nhiệt độ của mô hình MM5 khá tốt, sai số dự báo nhiệt độ ở các hạn dự báo từ 12-48h chỉ dao động từ 1,2-1,40C so với giá trị trung bình quan trắc 24-260C. Sai số dự báo tốc độ gió của mô hình nhìn chung còn ở mức khá cao. Sai số này theo chúng tôi có 2 lý do: thứ nhất là do quá trình tính toán nội suy từ lưới mô hình về trạm; thứ hai sai số ngay từ số liệu quan trắc thực tế của các trạm khi đưa vào đánh giá. Ngoài ra cũng không loại trừ ảnh hưởng của điều kiện địa hình và vị trí địa lý trạm quan trắc. Tuy nhiên, có một đặc điểm cần được lưu ý đó là các sai số dự báo về lượng mưa, nhiệt độ cũng như tốc độ gió đều có tính hệ thống. Điều này cho phép chúng ta hiệu chỉnh kết quả dự báo của mô hình khi ứng dụng vào nghiệp vụ dự báo thời tiết. 76 KẾT LUẬN Với mục tiêu đặt ra từ đầu là tìm kiếm một mô hình số có khả năng ứng dụng trong dự báo nghiệp vụ cho khu vực Nam Trung Bộ, trong khuôn khổ luận văn này chúng tôi đã tiến hành ba nhóm thí nghiệm số với mô hình MM5 và tiến hành đánh giá trên các khía cạnh khác nhau. Nhóm thí nghiệm đầu tiên nhằm khảo sát độ nhạy của mô hình đối với ba sơ đồ tham số hóa đối lưu khi dự báo mưa lớn trên khu vực Nam Trung Bộ. Nhóm thí nghiệm thứ hai nhằm đánh giá kỹ năng dự báo của mô hình MM5 trong các điều kiện synôp gây mưa lớn khác nhau trên khu vực nghiên cứu. Nhóm thí nghiệm thứ ba là chạy dự báo MM5 theo chế độ nghiệp vụ cho những tháng mùa mưa ở Nam Trung Bộ. Mô hình MM5 được chạy với hai miền tính lồng nhau, tương tác hai chiều, với độ phân giải ngang tương ứng là 27km và 9km, trong đó miền ngoài (D01) bao phủ toàn bộ lãnh thổ Việt Nam và Biển Đông, còn miền trong (D02) bao phủ toàn bộ khu vực Nam Trung Bộ và một phần Biển Đông. Kết quả dự báo các trường khí tượng trên khu vực Nam Trung Bộ được trích từ miền trong và tiến hành đánh giá bằng cách so sánh với số liệu quan trắc thực tế, cả bằng phương pháp trực quan và phương pháp sử dụng các chỉ số thống kê. Những kết quả nhận được cho phép rút ra một số nhận định sau: 1) Trong các sơ đồ tham số hóa đối lưu được chọn làm thí nghiệm độ nhạy là KuO, Betts-Miller và Grell thì sơ đồ Betts-Miller cho kỹ năng dự báo của MM5 tốt hơn và ổn định hơn so với 2 sơ đồ còn lại trong các hình thế gây mưa lớn trên khu vực Nam Trung Bộ. 77 2) Dự báo mưa lớn là một vấn đề quan trọng bậc nhất trong công dự báo KTTV ở các tỉnh miền Trung nói chung và khu vực Nam Trung Bộ nói riêng. Vì vậy, đánh giá khả năng dự báo mưa lớn của mô hình MM5 là công việc đầu tiên khi nghiên cứu đánh giá khả năng dự báo của mô hình này. Sau khi tiến hành thí nghiệm dự báo 23 đợt mưa lớn trong 3 năm 2005-2007, chúng tôi nhận thấy: mô hình MM5 thường dự báo khống về diện mưa nhưng lại thiếu hụt về lượng mưa trong trường hợp ảnh hưởng của bão hoặc ATNĐ. Trường hợp mưa lớn do ảnh hưởng của không khí lạnh hoặc tổ hợp ảnh hưởng của không khí lạnh với bão hoặc ATNĐ thì mô hình dự báo tốt diện mưa nhưng về lượng mưa thì mô hình lại có xu hướng dự báo cao hơn so với quan trắc. 3) Thí nghiệm thứ 3 đã được tiến hành nhằm đánh giá khả năng dự báo nghiệp vụ của mô hình MM5 trong các tháng mùa mưa ở khu vực Nam Trung Bộ từ năm 2005-2007. Kết quả thí nghiệm cho thấy, MM5 cho kết quả dự báo tương đối tốt trường nhiệt độ 2m khu vực Nam Trung Bộ trong những tháng mùa mưa. Sai số dự báo nhiệt độ cho đến hạn 48h vào khoảng trên 1 độ C. Kỹ năng dự báo trường mưa của mô hình MM5 trong mùa mưa ở khu vực Nam Trung Bộ nhìn chung tương đương với một số kết quả đã được công bố ở trong và ngoài nước. Tuy nhiên, sai số dự báo lượng mưa, và cả tốc độ gió, của mô hình so với số liệu quan trắc vẫn còn ở mức khá cao. Qua nghiên cứu thử nghiệm ứng dụng mô hình MM5 vào dự báo thời tiết mùa mưa khu vực Nam Trung Bộ (từ tháng 9-12) trong 3 năm 2005-2007, chúng tôi nhận thấy, có thể đưa mô hình MM5 vào thử nghiệm dự báo nghiệp vụ ở khu vực Nam Trung Bộ. Đồng thời, trong quá trình thử nghiệm cần phải đầu tư nghiên cứu tiếp nhằm lựa chọn được các tham số vật lý phù hợp với điều kiện thời tiết của khu vực. 78 TÀI LIỆU THAM KHẢO Tiếng Việt 1) Hoàng Đức Cường (2004), “Nghiên cứu thử nghiệm mô hình quy mô vừa MM5 vào dự báo hạn ngắn ở Việt Nam”. Báo cáo tổng kết đề tài nghiên cứu khoa học và công nghệ cấp Bộ, 147 trang. 2) Hoàng Đức Cường (2008), “ Nghiên cứu thử nghiệm dự báo mưa lớn ở Việt Nam bằng mô hình MM5”. Báo cáo tổng kết đề tài nghiên cứu khoa học và công nghệ cấp Bộ, 105 trang. 3) Nguyễn Lê Dũng, Phan Văn Tân (2008),“Thử nghiệm ứng dụng hệ thống WRF-VAR kết hợp ban đầu hóa xoáy dự báo quỹ đạo bão trên khu vực biển Đông”. Báo cáo hội nghị dự báo viên toàn quốc lần thứ 3. 4) Vũ Thanh Hằng (2008),“ Nghiên cứu tác động của tham số hóa đối lưu đối với dự báo mưa bằng mô hình HRM ở Việt Nam”. Luận án tiến sỹ khí tượng. 5) Bùi Hoàng Hải, Phan Văn Tân, Nguyễn Minh Trường,“Nghiên cứu lý tưởng sự tiến triển của xoáy thuận nhiệt đới bằng mô hình WRF”. Tạp chí KTTV số 532, tr. 1121, 4/2005. 6) Đặng Thị Hồng Nga (2006), “Nghiên cứu ứng dụng và cải tiến sơ đồ phân tích xoáy trong dự báo quỹ đạo bão bằng phương pháp số”, Đề tài cấp bộ, Bộ Tài Nguyên và Môi Trường. 7) Bùi Hoàng Hải, Phan Văn Tân (2006),“Về một sơ đồ ban đầu hóa xoáy mới áp dụng cho mô hình khu vực phân giải cao HRM”. Tạp chí KTTV, 3(555), tr. 4250. 8) Bùi Hoàng Hải, (2007), “ Nghiên cứu phát triển và ứng dụng sơ đồ ban đầu hóa xoáy ba chiều cho mục đích dự báo chuyển động bão ở Việt Nam”. Luận án Tiến sỹ Khí tượng. 9) Phan Văn Tân, Bùi Hoàng Hải (2004). “Ban đầu hóa xoáy ba chiều cho mô hình MM5 và ứng dụng trong dự báo quĩ đạo bão”. Tạp chí KTTV số 526, tr. 1425, 10/2004. 79 10) Trần Tân Tiến và nnk(2004),“ Xây dựng mô hình dự báo các trường Khí tượng Thủy văn trên biển Đông”. Báo cáo tổng kết đề tài KHCN KC09-04. 11) Đỗ Ngọc Thắng (2004),“ Nghiên cứu tham số hóa đối lưu sâu áp dụng vào mô hình dự báo thời tiết số trị ETA cho khu vực Đông Nam Á”, Luận án tiến sỹ Khí tượng. Tiếng anh 12) Brian A.Colle, Clifford F.Mass and Kenneth J.Westrick (2000), “MM5 Precipitation Verification over the Pacific Northwest during the 1997-99 Cool Seasons”. Weather and Forecasting, Volume 15, page 730-744. 13) Brian A.Colle, Clifford F.Mass and Kenneth J.Westrick (1999),“Evaluation of MM5 and Eta-10 Precipitation Forecasts over the Pacific Northwest during the cool season”.Weather and Forecasting, Volume 14, page 137-154. 14) V. kotroni and K. Lagouvardos (2004),“Evaluation of MM5 High-Resolution Real- Time Forecasts over the Urban Area of Athens, Greece”. Journal of Applied Meteorology, Volume 43, page 1666-1678. 15) Fang- Ching- Chien,Ying- Hwa-Kuo, Ming-Jen-Yang (2002),“Precipitation Forecast of MM5 in the Taiwan Area during the 1998 Mei-yu Season”. Weather and Forecasting, Volume 17, page 739-744. 16) Fang- Ching-Chien,Ying-Hwa-Kuo, Ming-Jen-Yang(2004),“MM5 Ensemble Mean Precipitation Forecasts in the Taiwan Area for Three Early Summer Convective (Mei- Yu) Seasons”. Weather and Forecasting, Volume 19, page 735-750. 17) Wei- Wang and Nelson L.Seaman (1997),“A Comparison Study of Convective Parameterization Schemes in a Mesoscale Model”. Monthly Weather Review,Volume 125, page 252-278. 80 PHỤ LỤC 81 Bảng 1: Danh sách các trạm KTTV sử dụng số liệu để đánh giá dự báo Bảng 1: Danh sách các trạm Khí tượng, Thủy văn được thu thập số liệu để đánh giá kết quả dự báo STT Tên trạm Kinh độ Vĩ độ Yếu tố sử dụng Số năm 1 An Hòa 108.9 14.6 Lượng mưa 3 2 Hoài Nhơn 109.2 14.5 Lượng mưa, Nhiệt độ, Tốc độ gió 3 3 Vĩnh Sơn 108.9 13.9 Lượng mưa 3 4 Bình Tường 108.8 14.3 Lượng mưa 3 5 Quy Nhơn 109.2 13.8 Lượng mưa, Nhiệt độ, Tốc độ gió 3 6 Hà Bằng 109.1 13.4 Lượng mưa 3 7 Tuy Hòa 109.1 13.1 Lượng mưa, Nhiệt độ, Tốc độ gió 3 8 Sơn Hòa 109.1 13.9 Lượng mưa, Nhiệt độ, Tốc độ gió 3 9 Củng Sơn 109.0 13.0 Lượng mưa 3 10 Ninh Hòa 109.1 12.5 Lượng mưa 3 11 Đồng Trăng 109.0 12.3 Lượng mưa 3 12 Nha Trang 109.2 12.2 Lượng mưa, Nhiệt độ, Tốc độ gió 3 13 Cam Ranh 109.2 11.9 Lượng mưa, Nhiệt độ, Tốc độ gió 3 14 Phan Rang 108.8 13.7 Lượng mưa, Nhiệt độ, Tốc độ gió 3 15 Tân Mỹ 109 11.6 Lượng mưa 3 16 Sông Lũy 108.4 11.2 Lượng mưa 3 17 Phan Thiết 108.1 10.9 Lượng mưa, Nhiệt độ, Tốc độ gió 3 18 Hàm Tân 107.8 10.7 Lượng mưa, Nhiệt độ, Tốc độ gió 3 19 Tà Pao 107.7 11.1 Lượng mưa 3 20 Phú Quý 108.9 10.5 Lượng mưa, Nhiệt độ, Tốc độ gió 3 82 Bảng 2: Chỉ số thống kê ứng với sơ đồ TSHĐL KuO Hạn dự báo R PC FBI POD FAR TS ETS 0.1 0.735 1.345 0.992 0.263 0.733 0.018 5 0.600 1.353 0.900 0.438 0.529 0.111 10 0.576 1.286 0.743 0.500 0.426 0.102 20 0.679 0.936 0.473 0.495 0.323 0.146 30 0.726 0.779 0.349 0.552 0.244 0.123 40 0.806 0.681 0.362 0.468 0.275 0.190 50 0.815 0.582 0.218 0.625 0.160 0.098 12h 100 0.959 0.123 0.000 0.000 0.000 0.000 0.1 0.851 1.167 0.997 0.146 0.851 -0.003 5 0.714 1.211 0.903 0.254 0.690 0.107 10 0.708 1.252 0.888 0.291 0.651 0.202 20 0.688 1.136 0.757 0.333 0.549 0.230 30 0.711 0.993 0.655 0.340 0.489 0.256 40 0.688 0.893 0.516 0.422 0.375 0.182 50 0.717 0.869 0.455 0.477 0.321 0.171 24h 100 0.813 0.563 0.125 0.778 0.087 0.033 0.1 0.879 1.137 1.000 0.121 0.879 0.000 5 0.741 1.165 0.910 0.219 0.725 0.095 10 0.706 1.180 0.876 0.258 0.671 0.135 20 0.738 1.125 0.840 0.253 0.654 0.286 30 0.721 1.040 0.751 0.277 0.583 0.281 40 0.721 0.981 0.688 0.299 0.532 0.280 50 0.703 0.880 0.585 0.336 0.451 0.234 36h 100 0.759 0.524 0.274 0.477 0.219 0.129 0.1 0.918 1.090 1.000 0.082 0.918 0.000 5 0.771 1.118 0.915 0.181 0.761 0.069 10 0.741 1.086 0.872 0.197 0.718 0.130 20 0.776 1.026 0.848 0.173 0.721 0.315 30 0.744 1.045 0.807 0.227 0.652 0.302 40 0.765 1.055 0.807 0.236 0.646 0.357 50 0.724 0.976 0.707 0.276 0.557 0.288 48h 100 0.703 0.653 0.398 0.390 0.318 0.167 83 Bảng 3: Chỉ số thống kê ứng với sơ đồ TSHĐL Betts-Miller Hạn db R PC FBI POD FAR TS ETS 0.1 0.744 1.092 0.871 0.202 0.714 0.170 5 0.647 0.971 0.582 0.331 0.452 0.172 10 0.626 0.868 0.493 0.432 0.359 0.124 20 0.697 0.791 0.427 0.460 0.313 0.155 30 0.750 0.779 0.395 0.493 0.286 0.167 40 0.774 0.754 0.319 0.577 0.222 0.129 50 0.797 0.764 0.255 0.667 0.169 0.095 12h 100 0.932 0.426 0.071 0.909 0.042 0.023 0.1 0.841 1.076 0.944 0.123 0.834 0.148 5 0.712 0.966 0.776 0.197 0.652 0.199 10 0.659 0.961 0.699 0.273 0.554 0.172 20 0.709 0.947 0.680 0.281 0.537 0.264 30 0.738 0.923 0.648 0.298 0.508 0.295 40 0.712 0.885 0.541 0.389 0.402 0.218 50 0.721 0.889 0.465 0.477 0.326 0.177 24h 100 0.824 0.708 0.229 0.676 0.155 0.094 0.1 0.865 1.078 0.962 0.107 0.862 0.091 5 0.743 1.094 0.874 0.201 0.717 0.150 10 0.717 1.104 0.841 0.238 0.666 0.191 20 0.707 1.081 0.786 0.273 0.606 0.243 30 0.703 1.033 0.725 0.298 0.554 0.255 40 0.682 0.996 0.644 0.353 0.477 0.217 50 0.658 0.955 0.559 0.415 0.401 0.168 36h 100 0.737 0.814 0.343 0.579 0.233 0.119 0.1 0.885 1.042 0.958 0.080 0.885 0.019 5 0.771 1.051 0.882 0.161 0.755 0.126 10 0.741 1.039 0.848 0.184 0.711 0.160 20 0.691 1.022 0.783 0.234 0.632 0.167 30 0.697 1.005 0.748 0.256 0.594 0.228 40 0.647 0.967 0.652 0.326 0.496 0.171 50 0.641 0.904 0.587 0.351 0.445 0.163 48h 100 0.6