Luận văn Tổng quan phương pháp dự báo tổ hợp

MỤC LỤC CHƯƠNG I ................................................................................................................... 6 TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP ............................................... 6 1.1. CƠ SỞ LÝ THUYẾT .........................................................................................................6 1.2. PHÂN LOẠI HỆ THỐNG DỰ BÁO TỔ HỢP..................................................................7 1.2.1. Hệ thống dự báo tổ hợp 1 chiều.......................................................................................... 7 1.2.2. Hệ thống dự báo tổ hợp 2 chiều.........................................................................................17 1.2.3. Hệ thống dự báo tổ hợp 3 chiều.........................................................................................19 1.3 CÁC PHƯƠNG PHÁP TỔ HỢP KẾT QUẢ DỰ BÁO....................................................21 1.3.1.Trung bình đơn giản .................................................................................................................21 1.3.2. Tính trọng số theo sai số .......................................................................................................22 1.3.3. Tính trọng số bằng hồi quy tuyến tính ............................................................................22 1.4. CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT QUẢ TỔ HỢP. .............................................23 1.4.1. Bản đồ trung bình và độ phân tán .....................................................................................23 1.4.2. Spagheti maps - Bản đồ ghép chồng................................................................................24 1.4.3. Dự báo đường đi của bão......................................................................................................24 1.5. KHẢ NĂNG VÀ HIỆN TRẠNG DỰ BÁO TỔ HỢP Ở VIỆT NAM .............................25 CHƯƠNG 2................................................................................................................. 27 MÔ HÌNH DỰ BÁO THỜI TIẾT QUY MÔ VỪA RAMS VÀ ÁP DỤNG DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG............................................................ 27 2.1. GIỚI THIỆU VỀ MÔ HÌNH RAMS................................................................................27 2.1.1. Các phương trình cơ bản của RAMS...............................................................................28 2.1.2. Cấu trúc lưới...............................................................................................................................30 2.1.3. Sai phân thời gian.....................................................................................................................31 2.1.4. Bình lưu ........................................................................................................................................33 2.1.5. Các điều kiện biên....................................................................................................................36 2.2 ÁP DỤNG MÔ HÌNH RAMS ĐỂ DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG. ....40 2.2.1 Chọn miền tính và cấu hình lưới.........................................................................................40 2.2.2 Cập nhật số liệu địa phương trong mô hình RAMS ...................................................40 1 2.2.3 Đánh giá khả năng dự báo quỹ đạo bão bằng mô hình RAMS cho khu vực Biển Đông. ...............................................................................................................................................42 2.3 PHƯƠNG PHÁP TẠO NHÂN BAN ĐẦU VÀ NUÔI NHIỄU TRÊN MÔ HÌNH RAMS. .....................................................................................................................................43 2.3.1 Tạo nhân ban đầu.......................................................................................................................43 2.3.2 Nuôi những dao động phát triển nhanh............................................................................45 CHƯƠNG 3................................................................................................................. 48 THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS............ 48 3.1 MÔ TẢ TẬP SỐ LIỆU NGHIÊN CỨU............................................................................48 3.2 NUÔI NHIỄU PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS ....................................49 3.3 DỰ BÁO TỔ HỢP QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHỮNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS. .....................................................55 3.3.1 Cơn bão Chan chu (12-17/5/2006) ....................................................................................55 3.5.2 Cơn bão Prapiroon (31/07/2006-3/8/2006) ....................................................................64 3.5.3. Đánh giá khả năng dự báo bão bằng phương pháp nuôi những dao động phát triển nhanh trên toàn bộ tập mẫu. ........................................................................................67 KẾT LUẬN ................................................................................................................. 74 2 LỜI CẢM ƠN Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới GS. TS. Trần Tân Tiến, là người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này. Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy văn - Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn quý báu, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian tôi học tập và thực hành ở Khoa. Tôi cũng xin cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự nhiên đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn. Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân và bạn bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều kiện tốt nhất cho tôi trong suốt thời gian học tập tại trường. Công Thanh 3 MỞ ĐẦU Ngày nay ngành công nghệ thông tin phát triển mạnh mẽ, nhờ đó các mô hình dự báo thời tiết số trị cũng phát triển. Cùng với sự phát triển của mô hình số, dự báo tổ hợp đã và đang trở nên rất phổ biến trên thế giới. Bản chất của dự báo tổ hợp là sử dụng kết quả từ nhiều dự báo thành phần khác nhau để đưa ra một kết quả dự báo tối ưu nhất. Tuy nhiên, phương pháp cụ thể để tạo ra các thành phần dự báo và cách tổng hợp kết quả của chúng lại có thể rất khác nhau. Dự báo tổ hợp đã có một quá trình phát triển tương đối lâu dài kể từ những công trình đầu tiên của Lorenz (1963, 1965) đề cập đến tầm quan trọng của của điều kiện ban đầu đối với kết quả tích phân của các mô hình. Cho đến nay, dự báo tổ hợp đã được phát triển và ứng dụng rất đa dạng tại nhiều nơi và cho các mục đích khác nhau. Phần lớn các hệ thống dự báo tổ hợp nghiệp vụ trên thế giới đều dựa trên phương pháp tạo nhiễu động ban đầu và tích phân mô hình số trị với các trường ban đầu đó để tạo nên tổ hợp dự báo. Chính vì những lý do trên, việc nghiên cứu ứng dụng dự báo tổ hợp dựa trên phương pháp tạo nhiễu ban đầu với mô hình số để dự báo đường đi của bão được đặt ra trong luận văn là phù hợp và khả thi với điều kiện hiện nay. Cụ thể, nội dung luận văn là nghiên cứu dự báo tổ hợp bằng phương pháp nuôi những dao động phát triển nhanh của mô hình RAMS để tạo ra trường khí tượng ban đầu, các trường ban đầu này sẽ được đưa vào mô hình RAMS dự báo hạn 72 giờ, các kết quả dự báo được tổ hợp bằng cách lấy trung bình đơn giản và sử dụng để dự báo bão. 4 Dựa trên những mục tiêu và nội dung của luận văn sẽ được bố cục thành các phần sau: MỞ ĐẦU CHƯƠNG I: TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP CHƯƠNG 2: MÔ HÌNH DỰ BÁO THỜI TIẾT QUY MÔ VỪA RAMS VÀ ÁP DỤNG DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG CHƯƠNG 3: THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS KẾT LUẬN 5 CHƯƠNG I TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP 1.1. CƠ SỞ LÝ THUYẾT Dự báo tổ hợp là một tập hợp các dự báo bất kì được xác định tại cùng một thời điểm. Vì vậy tập hợp các dự báo trễ, các dự báo từ trung tâm nghiệp vụ khác nhau hoặc các mô hình khác nhau đều có thể tạo ra được một dự báo tổ hợp. Từ đầu những năm 1990, kỹ thuật dự báo tổ hợp đã được sử dụng để dự báo thời tiết ở các trung tâm toàn cầu. Ý tưởng của dự báo tổ hợp dựa trên lý thuyết rối của Lorenz (1963) [52] với giả thuyết rằng: “các nghiệm số thu được trong quá trình tích phân mô hình theo các điều kiện ban đầu khác nhau (có chứa sai số) có thể phân kì theo thời gian”. Điều này được giải thích bằng hiệu ứng Butterfly: do bản chất phi tuyến của các phương trình mô tả khí quyển nên những sai số nhỏ không thể đo được trong trạng thái ban đầu của khí quyển sẽ trở thành những sai số đủ lớn sau một khoảng thời gian tích phân (10 – 14 ngày). Vì vậy, kết quả dự báo không sử dụng được cho dù mô hình là hoàn hảo. Trái lại, nếu các điều kiện ban đầu đó được gây nhiễu với giá trị nhiễu có đặc trưng cho phân bố như phân bố của sai số quan trắc thì việc tổ hợp các nghiệm từ các điều kiện ban đầu có gây nhiễu này (mỗi điều kiện ban đầu là một thành phần tổ hợp) bao phủ nghiệm thực và trạng thái thực của khí quyển khi mô hình dự báo hoàn hảo. Nếu các nhiễu không đặc trưng cho phân bố sai số của trường ban đầu thì kết quả dự báo có thể nằm ở một trong các nhóm, trong khi trạng thái khí quyển thực xảy ra trong các nhóm khác. Nếu chọn phân bố sai số tương xứng thì dựa trên các dự báo thành phần sẽ thu được dự báo cuối cùng bằng việc áp dụng phương pháp thống kê hoặc phương pháp lấy trung bình sẽ cho dự báo tốt hơn dự báo thành phần. 6 Bằng cách tính trung bình tổ hợp các kết quả dự báo, những sai số dự báo xảy ra do điều kiện ban đầu được loại bỏ dẫn đến kết quả dự báo tốt hơn. Đối với dự báo quỹ đạo bão (XTNĐ), phương pháp tổ hợp giữ vai trò quan trọng. Giữa thập niên 1990, kỹ thuật dự báo tổ hợp được nghiên cứu cho bài toán dự báo XTNĐ, đặc biệt là dự báo quỹ đạo. Việc ứng dụng này xuất phát từ thực tế là trường phân tích và trường dự báo từ các mô hình toàn cầu thường không mô tả đúng vị trí, cấu trúc và cường độ của xoáy thuận nhiệt đới do mạng lưới quan trắc tại các vùng biển nhiệt đới còn ít, chưa đủ theo yêu cầu, vì vậy mà những sai số trong các trường ban đầu này sẽ ảnh hưởng đến kết quả dự báo XTNĐ. 1.2. PHÂN LOẠI HỆ THỐNG DỰ BÁO TỔ HỢP Hệ thống dự báo tổ hợp có thể phân chia thành 3 loại chính: hệ thống 1 chiều, 2 chiều và 3 chiều. 1.2.1. Hệ thống dự báo tổ hợp 1 chiều Điều kiện độ bất định (uncertainty) của trường ban đầu được coi là hệ thống dự báo tổ hợp 1 chiều có chứa điều kiện nhiễu ban đầu. Ba đặc tính cơ bản cần phải tuân theo khi tạo nhiễu: Tính sát thực, tính phân kỳ, tính trực giao. Tính sát thực là độ lớn của nhiễu cần nằm trong cỡ của sai số phân tích thực và đặc trưng cho phân bố phổ thực tế trên quy mô không gian. Độ bất định của trường ban đầu là lớn ở trong các sóng quy mô nhỏ (khó quan trắc được) và độ bất định của trường ban đầu là nhỏ trong các sóng quy mô lớn (dễ quan trắc được). Tính phân kỳ là các nhiễu cần có cấu trúc phát triển động lực trong các thành phần sao cho các thành phần này phân nhánh nhiều nhất trong quá trình tích phân mô hình để chúng chứa tất cả các trường hợp có thể xảy ra trong không gian của mô hình. Tính trực giao là các nhiễu thành phần cần được trực giao để cực đại hóa dung lượng thông tin chứa trong tổ hợp, điều này đặc biệt quan trọng trong dự báo tổ hợp các quá trình quy mô nhỏ. 7 Điều kiện hay trạng thái ban đầu cần được tạo nhiễu bao gồm trạng thái bên trong, biên trên, biên dưới và biên xung quanh (nếu là khu vực giới hạn). Hiện nay có 5 (hoặc nhiều hơn) phương pháp khác nhau tạo nhiễu các trường ban đầu (trường thực và trường phân tích) đặc biệt là cho trạng thái bên trong của trường ban đầu. 1. Nhiễu ngẫu nhiên (phương pháp Monte Carlo): nhiễu được sinh ra ngẫu nhiên dựa trên phương pháp thống kê (thường lấy phân bố chuẩn). Do vậy, nhiễu ngẫu nhiên mô tả tốt độ lớn trung bình của độ bất định trường ban đầu trong phân tích (tính sát thực), nhưng nó có những hạn chế trong việc phát triển cấu trúc không gian động lực và không phản ánh được “sai số ngày”. Kết quả là, nhiễu phát triển với tốc độ chậm và do đó, tính phân kỳ giữa các thành phần trong trường hợp này thường không lý tưởng. Phương pháp tạo nhiễu ngẫu nhiên thường được dùng ở những nơi mà ở đó không có phương pháp nào tốt hơn. 2. Phương pháp dự báo trễ thời gian (dự báo trễ): gồm có 2 loại dự báo chính: “dự báo trễ trực tiếp” và “dự báo trễ có chuẩn hóa” (Hoffman và Kalnay, 1983) [40]. Phương pháp dự báo trễ trực tiếp là phương pháp đưa nhiều dự báo với đầu vào là các thời điểm khác nhau trong quá khứ nhưng cùng hướng tới một thời điểm tổ hợp (một sự kết hợp của các dự báo cũ và mới). Phương pháp này có thể chỉ ra lỗi của một dự báo cũ tại thời điểm t=0 (thời điểm ban đầu) một cách trực tiếp như một nhiễu của trường ban đầu, chúng có thể phản ánh “sai số ngày” và có cấu trúc động lực phát triển của độ tán tổ hợp lớn hơn so với phương pháp nhiễu ngẫu nhiên. Ưu điểm của của phương pháp này là nhiễu sinh ra hoàn toàn tự do và không cần định hướng sinh nhiễu trường 8 ban đầu cho tổ hợp, có nghĩa là tất cả các trung tâm dự báo số trị có thể dùng loại dự báo này để tổ hợp một cách tự động. Tuy nhiên, sự quan tâm chính là chất lượng (độ lớn) của nhiễu phụ thuộc vào tuổi của một dự báo bởi vì chất lượng của dự báo giảm theo thời gian. Để tránh điểm yếu này, sai số dự báo trong quá khứ trước tiên được chuẩn hóa nhờ vào “tuổi” của chúng (giả thiết sự phát triển của sai số là gần như tuyến tính) tại thời điểm t=0 để có được độ lớn như nhau với tất cả các nhiễu và sau đó cộng thêm hoặc trừ đi với trường phân tích kiểm tra (control analysis) nhằm mục đích tạo ra đa phân tích làm trường ban đầu cho tổ hợp dự báo (Ebisusaki và Kalnay, 1983; Kalnay 2003) [44]. Phiên bản sau khi sửa chữa này được gọi là phương pháp trễ có chuẩn hóa và có thể biểu diễn đơn giản bằng phương trình sau: Nhiễu ban đầu= Chuẩn hóa x (dự báo trễ - phân tích hiện tại) (1.1) Nhiễu này không những có khả năng kiểm soát kích cỡ nhiễu mà còn tạo ra một cặp thành phần tổ hợp bằng cách cộng trừ nó với trường phân tích kiểm tra. Phương pháp dự báo trễ có cùng ý tưởng và có quy trình kỹ thuật tương tự với phương pháp nuôi nhiễu (sẽ được trình bày ở phương pháp 3). Phương pháp trễ đã và đang được sử dụng trong rất nhiều nghiên cứu tổ hợp và trong nghiệp vụ ví dụ như tại hệ thống tác nghiệp dự báo tổ hợp theo mùa (Saha và các cộng sự, 2006; Hou và các cộng sự, 2001; Lu và các cộng sự, 2006; Brankovic và các cộng sự, 2006; Mittermaier, 2007) [71][41][54][15][58]. Nhược điểm của phương pháp dự báo trễ đó là nó không thể tạo được tổ hợp với các thành phần có kích cỡ đủ lớn bởi vì số lượng mẫu dự báo cũ có chất lượng tốt có thể sử dụng bị giới hạn trong thực tế. Mặt khác, chất lượng của dự báo sẽ bị giảm 9 xuống đáng kể nếu mẫu dự báo quá cũ chứa đựng một tổ hợp kích cỡ lớn. Bên cạnh đó, các dự báo trễ thường được sử dụng như là “nhân ban đầu” để khởi động lạnh cho một tổ hợp ví dụ như phương pháp nuôi nhiễu. 3. Phương pháp nuôi nhiễu: Tên khác của phương pháp nuôi nhiễu còn được gọi là nuôi nhiễu động phát triển nhanh (Breeding of Growing Modes viết tắt BGM). Một dạng khác của phương pháp dự báo trễ, phương pháp BGM sử dụng hai dự báo đồng thời (tại một thời điểm quá khứ gần t=-T) như là một dự báo trễ và số liệu phân tích để tính nhiễu mới tại thời điểm t=0. Sự khác biệt của phương pháp BGM so với phương pháp dự báo trễ là có sử dụng công thức chuẩn hóa và nhân ban đầu được cộng hoặc trừ cho trường phân tích kiểm tra (Toth and Kalnay, 1993 and 1997) [76][77]. Để tạo nhân ban đầu ta có thể dùng phương pháp dự báo trễ. Bằng cách này, chúng ta có thể tạo ra nhiều nhân ban đầu và có được kích cỡ tổ hợp lớn tại thời điểm ban đầu để bắt đầu phương pháp BGM. Do đó, phương pháp BGM có thể vượt qua mọi giới hạn của phương pháp dự báo trễ, tất cả các dự báo quá khứ giờ đều có thể sử dụng cùng lúc, các đại lượng chuẩn hóa không cần dựa vào tuổi dự báo. Nhiễu bây giờ có thể được biểu diễn một cách đơn giản theo phương trình (1.2). Nhiễu ban đầu = Chuẩn hóa x (dự báo 1 - dự báo 2) (1.2) So sánh phương trình (1.1) với phương trình (1.2), có thể nhận ra rằng nhiễu trong phương pháp BGM không chỉ thuần túy là sai số của một dự báo mà còn là sự khác nhau giữa hai dự báo quá khứ, nó là sự mở rộng phi tuyến của véc tơ Lyapunov (Kalnay, 2003) [44]. Kinh nghiệm của trung tâm dự báo tổ hợp hạn ngắn (NCEP SREF) 10 chỉ ra rằng véc tơ nuôi trở nên có cấu trúc và quá trình phát triển của độ tán trong tổ hợp đủ lớn khi mà quá trình nuôi nhiễu được thực hiện trong khoảng từ hai đến ba ngày tính từ lúc khởi động lạnh với nhân ban đầu là ngẫu nhiên. Toth và Kalnay chỉ ra rằng cấu trúc không gian của một véc tơ nuôi trưởng thành không nhạy với quy mô thời gian (T) và thường được chọn có quy tắc. Véc tơ nhiễu nuôi này phản ảnh tốt lỗi phân tích (sai số ngày) được đưa vào trong chu trình đồng hóa số liệu (tính sát thực). Mặc dù có sự khác nhau giữa các dự báo quá khứ nhưng về cơ bản phương pháp đã phản ánh được sai số cấu trúc phát triển của chu trình trong quá khứ nhưng không chỉ ra được sai số cho dự báo tương lai. Thực nghiệm cho thấy rằng véc tơ nhiễu nuôi phát triển (tính phân kỳ) tốt trong thực tế và cho kết quả tốt hơn cách sử dụng cả hai phương pháp Monte Carlo và dự báo trễ (Toth và kalnay, 1993 và 1997). Bởi vì phương pháp này đơn giản, nó không cần sự đơn giản hóa toán học hay giả thiết và dễ dàng thực hiện, tốn ít tài nguyên máy tính và cho không gian tổ hợp tốt, nó được sử dụng và kiểm tra ở các trung tâm dự báo lớn như tại hệ thống tổ hợp của NCEP (Du và Tracton, 2001; Tracton và Kalnay, 1993) [24][79] và CMA (trung tâm quản lý khí tượng Trung Quốc). Tuy nhiên, các thành phần tổ hợp của véc tơ nuôi này là không đủ trực giao và chúng có tương quan cao nên kết quả là lượng thông tin tốt nhất chứa trong một tổ hợp bị giảm (Wang và Bishop, 2003; Martin và các cộng sự, 2007) [85][55]. Một kết quả khác là độ tán phát triển của tổ hợp (chủ yếu là độ lớn chứ không phải cấu trúc) gần như quan hệ với độ khuếch đại ban đầu của véc tơ nuôi. Để trực giao các véc tơ nuôi, kỹ thuật biến đổi tổ hợp (ET) được sử dụng để làm cho các véc tơ nuôi trực giao với 11 nhau hơn bằng cách áp dụng ma trận chuyển vị phức để chuyển nhiễu dự báo thành nhiễu phân tích (Wei và các cộng sự, 2007) [88]. Kinh nghiệm chỉ ra rằng kỹ thuật ET có thể tăng kết quả tổ hợp qua phương pháp nuôi cơ bản. Do đó, ET đã được áp dụng tại hệ thống tổ hợp toàn cầu của NCEP để làm cải thiện phương pháp BGM (Wei và các cộng sự, 2007). Một phương pháp khác được đưa ra để phát triển phương pháp nuôi cơ bản được gọi là phương pháp nuôi hình học. Phương pháp này kiểm soát không gian tương quan của số lượng thành phần véc tơ nuôi để làm chúng giảm tương quan với nhau (Martin và các cộng sự, 2007) [55]. Phương pháp nuôi hình học cho độ tán tốt hơn so với phương pháp nuôi cơ bản. Bởi vì véc tơ nuôi chủ yếu mô tả bất ổn định tà áp (baroclinic instability) quy mô synop nhưng không đúng với bất ổn định đối lưu quy mô nhỏ hơn (Toth và Kalnay 1993). Tuy nhiên, chúng ta luôn mong muốn có được bất ổn định quy mô nhỏ hơn trong nhiễu của một hệ thống dự báo tổ hợp quy mô vừa cho mục đích dự báo, vì như thường nói, các hệ thống đối lưu có liên hệ chặt chẽ tới các hiện tượng giáng thủy. Chen và các cộng sự (2003) [19] cho rằng sự khác nhau của 2 dự báo từ cùng một mô hình nhưng với các phiên bản khác nhau về sơ đồ đối lưu (thay cho một phiên bản như trong phương pháp nuôi truyền thống) sẽ giúp mô tả bất ổn định đối lưu trong nhiễu và do đó cải thiện kết quả dự báo trong việc dự báo mưa (giáng thủy) lớn. Mặt khác, tùy vào đặc điểm có quy mô nhanh, nhỏ, chóng bão hòa hay dao động có quy mô chậm, lớn, nghiêng trái trong quá trình nuôi, nuôi véc tơ nhiễu là phương pháp tốt để sử dụng cho hệ thống dự báo tổ hợp tương tác biển khí mà chủ yếu liên quan tới các kiểu thời tiết biến đổi chậm (Cai và các cộng sự, 2002; Yang và các cộng 12 sự, 2006) [17][92]. Gần đây, giáo sư Eugenia Kalnay (2007) nhận xét rằng véc tơ nuôi có khả năng dự báo sự chuyển tiếp của thời tiết. 4. Phương pháp phân tích véc tơ kỳ dị (SV): Phương pháp này trước tiên cần để phát triển một phiên bản tuyến tính của một mô hình phi tuyến (được gọi là mô hình tiếp tuyến tuyến tính viết tắt là TLM) được xem như là phương pháp Adjoint (Errico,1997) [35] của TLM. Sau một khoảng thời gian trong tương lai tối ưu cần thiết ví dụ từ 0-48h, TLM được tích phân theo thời gian, sau đó tích phân ngược bằng phương pháp Adjoint theo thời gian để tìm ra không gian ban đầu nhạy với dự báo (tại thời điểm t = 48h). Chu trình “tiến và lùi” này cần được tích phân nhiều lần để thu được các véc tơ dẫn đường kỳ dị. Sau đó, quá trình kết hợp tuyến tính bao gồm chuẩn hóa và trực giao được luân phiên áp dụng vào véc tơ để xây dựng số nhiễu yêu cầu. Cộng hoặc trừ các nhiễu vào trường phân tích kiểm tra, một tổ hợp dự báo được hình thành. Không giống véc tơ nuôi, cấu trúc của SV là nhạy với quy tắc sử dụng và với lựa chọn chu trình thời gian (Errico và Vukiceric, 1992; Palmer và các cộng sự, 1998) [36] [69]. Trung tâm dự báo hạn vừa châu âu (ECMWF) chọn năng lượng tổng cộng là tiêu chuẩn và 0- 48h là chu trình thời gian để tính các véc tơ kỳ dị trong hệ thống tổ hợp toàn cầu của họ (Buizza, 1994; Palmer và các cộng sự, 1998) [16]. Rõ ràng là các SV là một phương pháp nhìn về tương lai hơn là nhìn về quá khứ như phương pháp nuôi nhiễu. Độ lớn tối ưu trong toán học (mathematically optimizes) của nhiễu phát triển và trực giao hóa có độ tán tổ hợp lớn và chứa nhiều thông tin vào trước thời điểm dự báo. Phương pháp SV được sử dụng rộng rãi và đã được kiểm tra trong cả nghiên cứu và nghiệp vụ như tổ hợp 13 khu vực tại ECMWF và Trung tâm khí tượng Canada (Li và các cộng sự, 2007) [51]. Một bất lợi của phương pháp này đó là tài nguyên tính toán vì số bước tích phân “tiến lùi” thường đòi hỏi gấp 3 lần số SV mà bạn muốn tạo ra (ví dụ nó cần tích phân khoảng 3x50x2=300 lần cho dự báo 48h để thu được 50 SV cực đại hóa sau 48h). Do đó số SV cần phải được tính toán khi tăng độ phân giải mô hình và tiết kiệm thời gian tính toán khi ứng dụng. Một bất lợi khác của phương pháp này đó là hạn dự báo cần được xác định tại thời điểm mà SV được chọn phát triển tối ưu. Do đó các tổ hợp dựa vào SV có thể không đạt được tối ưu do quá trình thực hiện phải qua khoảng thời gian dài. Giả thiết tuyến tính mà nhiễu là đủ nhỏ để cho sự phát triển của nó có thể bị thống trị bởi phiên bản tuyến tính (TLM và Adjoint) của một mô hình phi tuyến và cũng liên quan tới việc tính toán các SV cơ bản mặc dù nó có đặc tính phi tuyến ở một số cấp độ bằng cách tính toán và tổ hợp các SV đa thành phần. Để bỏ qua giả thiết tuyến tính, một vài kết quả đã đạt được như sửa quá trình tích phân (Oortwin và Barkmejer, 1995, Barkmeijer, 1996) [66][10], giới thiệu khái niệm véc tơ kỳ dị phi tuyến (Mu, 2000) và điều kiện của phương pháp cực đại hóa nhiễu phi tuyến (CNOP) (Mu và các cộng sự, 2003; Mu và Zhang, 2006) [59][60]. Với mô hình đơn giản, phương pháp CNOP đã cho thấy sự cải thiện về chất lượng của dự báo các đặc tính phi tuyến trong nhiễu so với phương pháp SV mặc dù vẫn cần được tiếp tục nghiên cứu với những mô hình NMP đầy đủ. Thêm quá trình vật lý ẩm vào TLM và Adjoint (Ehrendorfer và các cộng sự, 1999) [34] là một bước khác để tiến gần tới thực tiễn và cho kết quả tốt hơn. Bởi vì SV là một kỳ vọng toán học và tập trung vào sự phát triển cấu trúc nhiễu trong tương lai 14 mà không liên quan trực tiếp tới quá khứ, nên một câu hỏi đặt ra là nhiễu SV có thực sự phản ảnh sai số ngày mà luôn thấy được trong quá trình đồng hóa số liệu vừa qua? Những nghiên cứu sau đang nhắm tới những quan tâm kiểu đó và đã cải tiến kết quả (Barkmeijer và các cộng sự, 1998; Fischer và các cộng sự, 1998) [14][37]: ví dụ phương pháp mở rộng SV bằng cách thêm véc tơ kỳ dị cuối hoặc mở rộng từ chu trình ngay trước đó, khoảng 48h trước thời điểm bắt đầu chạy mô hình (thời gian phân tích) của chu trình nhiễu SV tiếp theo; Dùng sự đồng biến phương sai để thay thế năng lượng toàn phần như là một quy tắc tính các SV; và ứng dụng Kalman filter… Kết quả nhiễu SV này gần với véc tơ Lyapunov hoặc véc tơ nuôi cho cả phương pháp mở rộng SV và phương pháp sử dụng đồng biến phương sai (Kalnay, 2003; Reynolds và Errico, 1990) [44][70]. 5. Kết hợp với đồng hóa số liệu: Phiên bản đơn giản nhất của phương pháp này là dùng trực tiếp nhiều phân tích có thể để làm trường ban đầu cho một dự báo tổ hợp (Tracton và các cộng sự, 1998; Grimit và Mass, 2002) [78][38]. Tuy nhiên, số lượng các phân tích có thể tương đối là giới hạn, nó sẽ giới hạn kích cỡ của tổ hợp. Bằng nhiễu quan trắc, (Houtekamer và các cộng sự 1996) và Mitchell (1998) [42] muốn tạo ra nhiều số liệu phân tích cơ bản để bắt đầu hệ thống tổ hợp toàn cầu của họ. Phương pháp này mở ra một hướng nghiên cứu tạo nhiễu cơ bản của trường ban đầu cho tổ hợp do đó được gọi là phương pháp biến đổi tổ hợp lọc Kalman (ETKF) (Anderson,1996) [10]. Phương pháp ETKF được nghiên cứu chi tiết hơn bởi Wang và Bishop (2003) [84], Wang và các cộng sự (2004) [85], Wei và các cộng sự (2006) [89] cho tổ hợp phát triển. Trong nghiên cứu của họ, ETKF chuyển 15 nhiễu dự báo vào trong nhiễu phân tích bằng cách nhân một ma trận ánh xạ. Sử dụng thông tin quan trắc, độ lớn của nhiễu phân tích được điều chỉnh trước khi nhiễu được cộng vào trường phân tích kiểm tra để làm trường ban đầu của dự báo tổ hợp. Ma trận ánh xạ đã dùng cũng có thể đảm bảo tất cả nhiễu trực giao với nhau, một tài nguyên cần thiết cho dự báo tổ hợp. Mặc dù ETKF không được sử dụng trong quá trình đồng hóa số liệu để trực tiếp tạo ra nhiều trường phân tích trong nghiên cứu của họ, nhưng bản thân ETKF có thể là một kỹ thuật đồng hóa dữ liệu tổ hợp cơ bản (Tippett và các đồng nghiệp, 2003; Anderson, 2001; Whitaker và Hamil, 2002; Ott và các cộng sự, 2004; Szunyogh và các cộng sự, 2004; Hamil, 2006; Zhang và các cộng sự, 2004; Wang và các cộng sự, 2007) [75][11][90][68][73][95]. Do đó, người ta tin tưởng rằng phương pháp ETKF có một tiềm năng lớn để trực tiếp liên kết dự báo tổ hợp với đồng hóa số liệu (DA) vào trong một quy trình thống nhất trong hệ thống dự báo thời tiết; Sự thay đổi tổ hợp dự báo cung cấp thông tin đồng biến phương sai nền cho DA, trong khi DA cung cấp các trường dự báo để làm trường ban đầu cho dự báo tổ hợp. Trong một hệ thống tương tác như thế, không những hệ thống dự báo tổ hợp có thể tăng được tính sát thực của nhiễu trường ban đầu mà còn phản ánh đúng sai số ngày trong trường phân tích, mà chất lượng của trường phân tích cũng được cải thiện bằng cách sử dụng thông tin ít phụ thuộc vào trường nền (Hamill, 2006; Zhang,2005) [39][93]. Do đó, người ta tin rằng phương pháp ETKF có một tiềm năng lớn. Phương pháp này có đã được sử dụng trong nghiệp vụ tại Cơ quan Dự báo Vương quốc Anh (Mylne, liên hệ trực tiếp) và lực lượng Thủy – không quân Mỹ (McLay và các cộng sự, 2007) [56]. 16 1.2.2. Hệ thống dự báo tổ hợp 2 chiều Bên cạnh độ bất định của trường ban đầu, độ bất định trong cơ cấu vật lý và động lực mô hình cũng được quan tâm. Hệ thống dự báo tổ hợp 2 chiều đề cập đến nghiên cứu này. Hiện nay, có rất nhiều giải pháp đã sử dụng theo hướng này như hệ thống đa mô hình, đa cơ chế vật lý, đa động lực, đa tổ hợp với độ bất định của trường ban đầu và đa tổ hợp với điều kiện biên. Dựa vào những kết quả nghiên cứu như của Mullen và các cộng sự (1999) hay của Tracton và các cộng sự (1998), NCEP đã tiên phong thực hiện nghiệp vụ một hệ thống dự báo tổ hợp hạn ngắn dựa trên phương pháp “hệ thống đa tổ hợp” bao gồm 2 hệ thống tổ hợp thành phần ở đó mỗi hệ thống lại dựa trên những mô hình khu vực khác nhau từ ngay khi bắt đầu phát triển chúng (Du and Tracton, 2001) [25]. Hiện nay NCEP SREF gồm có 4 tổ hợp thành phần với 4 mô hình khu vực (Du và các cộng sự , 2006). Rõ ràng phương pháp hệ thống đa tổ hợp là một sự kết hợp quan trọng của nhiều mô hình, nhiều cơ chế động lực, nhiều cơ chế vật lý, nhiều trường ban đầu và nhiều điều kiện biên ban đầu. Hệ thống tổ hợp đa mô hình được coi là một phương pháp đặc biệt, nó đã và đang được chứng minh là rất hiệu quả và làm việc rất tốt (trong cả 2 vấn đề giảm sai số của tổ hợp dự báo trung bình cũng như tăng không gian tổ hợp) trong nghiệp vụ (Du và các cộng sự 2003; Mylne và các cộng sư; 2002) [26] [65]. Phiên bản đơn giản nhất của tổ hợp đa mô hình được gọi là tổ hợp Poor- Man (Người nghèo) nơi nhiều dự báo riêng biệt của nhiều mô hình được kéo lại gần nhau để tạo ra một tổ hợp nếu một mô hình không đủ khả năng để tự chạy tổ hợp của chính nó (Wobus và Kalnay, 1995; Ebert, 2001) [91][32]. Phương pháp đa mô hình ngày nay đã được chấp nhận và sử dụng rộng rãi. Một phát triển gần đây của phương pháp đa mô hình đó là sự kết hợp của nhiều hệ thống đa tổ hợp từ nhiều trung tâm như TIGGE (tổ hợp các ảnh hưởng nghiêm trọng toàn cầu THORPEX), NAEFS (hệ thống tổ hợp dự báo 17 Bắc Mỹ), các trung tâm ứng dụng quốc tế khác, và được gọi là tổ hợp Rich- Man (người giàu). Rõ ràng một bất lợi của phương pháp đa mô hình là giá thành để phát triển và duy trì nhiều mô hình nếu chúng được chạy bởi một đơn vị nghiên cứu. Thêm vào đó, phương pháp đa mô hình cũng có thể sử dụng phương pháp “siêu tổ hợp” của trường đại học bang Florida (Krishnamurti, 1999) [50] nó sẽ mang lại tính tất định hơn. Phương pháp này đã tăng đáng kể độ chính xác của dự báo khi hiệu chỉnh sai số hệ thống. Tuy nhiên, phương pháp này chỉ cung cấp giải pháp tất định (deterministic) thích hợp nhất mà không đưa thêm giá trị dự báo hoặc thông tin bất ổn định nào. Trong một mô hình, một tổ hợp có thể được tạo thành bằng cách thay đổi sơ đồ vật lý của các thành phần. Phương pháp đa cơ chế vật lý có hiệu quả trong dự báo hệ thống đối lưu yếu với tác động quy mô lớn (Stensrud và các cộng sự, 2000; Jankov và các cộng sự, 2005) [72][43]. Sử dụng nhiều sơ đồ đối lưu, Du và các cộng sự (2004) [27] đã so sánh những yếu tố liên quan của nhiều cơ chế vật lý và nhiễu trường ban đầu đóng góp vào độ tán của tổ hợp trong dự báo hạn ngắn (1-3 ngày). Kết quả của họ chỉ ra rằng độ bất định của trường ban đầu là thành phần đóng góp nổi trội cho độ tán của tổ hợp các trường nền quy mô lớn như gió, áp suất, độ cao (địa thế vị) và nhiệt độ, trong khi các cơ chế vật lý khác nhau sẽ cung cấp thêm những thông tin về độ tán để phân biệt những khu vực giông bão quy mô nhỏ. Tuy nhiên, đối với giáng thủy và bất ổn định đối lưu như CAPE, các trường ban đầu và cơ chế vật lý khác nhau đều được đánh giá quan trọng như nhau. Với trường hợp tổ hợp dự báo quỹ đạo bão có độ phân giải cao (4 km) cũng có cùng nhận định (Kong và các cộng sự, 2007) [49]. Do đó, ta thấy cả trường ban đầu và cơ chế vật lý khác nhau đều cần được lưu tâm tới cùng một lúc khi dự báo tổ hợp quy mô meso để làm tăng sự đa dạng của dự báo. Với NCEP SREF, người ta thấy rằng sự ảnh hưởng giữa nhiễu trường ban đầu và nhiễu vật lý quả thực làm 18 tăng đáng kể không gian tổ hợp trong mùa nóng. Ngược lại, khi kết hợp nhiễu trường nền và nhiễu vật lý với nhau mặc dù ảnh hưởng từ các cơ chế vật lý khác nhau nhưng có vẻ như giảm không gian tổ hợp trong mùa lạnh. Đa cơ chế vật lý được hi vọng có thể là cách hiệu quả để xây dựng hệ thống tổ hợp cho đối lưu ở khu vực chí tuyến. Một vấn đề cần được lưu ý của phương pháp đa cơ chế vật lý là thay thế sơ đồ vật lý khác nhau làm tốc độ phát triển của độ tán tổ hợp ban đầu sớm bị dập tắt theo thời gian và không thể tồn tại được đến hết thời hạn dự báo. Một vấn đề cần được nghiên cứu đó là vai trò cơ chế đa động lực liên quan tới đa cơ chế vật lý trong xác định độ tán tổ hợp quan trọng thế nào. Một số người kì vọng rằng vật lý có thể quan trọng hơn động lực trong sự đa dạng của dự báo. Thực tế tại các trung tâm dự báo số trị đang nghiên cứu là: nên để một mô hình là nhân hay nhiều mô hình là nhân để duy trì trong hệ thống tổ hợp. Luôn dễ dàng hơn và rẻ hơn khi chỉ duy trì một cơ chế động lực của mô hình làm nhân nhưng biến đổi cơ chế vật lý để tổ hợp. 1.2.3. Hệ thống dự báo tổ hợp 3 chiều Chiều quá khứ (past-time dimension) đóng vai trò quan trọng trong hệ thống dự báo tổ hợp 3 chiều. Nếu chúng ta hiểu và sử dụng được chiều quá khứ chính xác thì nó sẽ giúp chúng ta nhìn nhận vấn đề trong tương lai đúng đắn hơn. Chiều quá khứ được coi là một chiều bên cạnh biến đổi trường ban đầu và mô hình, đó là một mặt quan trọng của dự báo thời tiết (Cao, 2002) [18]. Tổ hợp trực tiếp dự báo trễ là một phương pháp tiêu biểu đưa chiều quá khứ vào tổ hợp. Cấp độ của tính đồng nhất từ lần chạy này đến lần chạy khác trong quá khứ là sự đánh giá của độ bất định trong dự báo: tính đồng nhất cao hay thấp sẽ cho biết khả năng dự báo cao hay thấp trong một hiện tượng. Lợi ích chính của việc sử dụng chiều quá khứ là chất lượng dự báo tăng cùng với 19 tuổi của dự báo. Dự báo cũ cho kết quả xấu hơn so với dự báo mới hơn. Tuy nhiên cũng như chất lượng mô hình và trường ban đầu được cải thiện, có thể nó sẽ hoàn toàn không còn đúng nữa nếu thời gian quá khứ là quá cũ. Ví dụ, ít khi chúng ta thấy trường hợp dự báo 48h lại chính xác hơn dự báo 24h. Tần số chạy các mô hình tại các trung tâm dự báo số trị tăng lên do vậy thông tin chứa trong chu trình dự báo ở quá khứ cũng tăng và các thông tin này cần được sử dụng hiệu quả và kinh tế hơn. Một lợi ích của chiều này đó là nó không bị mất đi trong quá trình tích phân mô hình. Tuy nhiên chưa có nhiều nghiên cứu về phương pháp tổ hợp 3 chiều nhằm giúp người nghiên cứu nhận ra được tầm quan trọng của chiều không gian trong dự báo tổ hợp. Thực tế, tại các trung tâm dự báo, hệ thống tổ hợp đa quy mô là cần thiết để phục vụ cho nhiều mục đích của dự báo. Những hệ thống này nên làm việc tương tác và gắn kết với nhau bằng nhiều cách thích hợp. Mỗi mô hình có tính đơn trị của nó trong quá trình xây dựng và đánh dấu những vấn đề đơn trị của chính nó. Ví dụ: một mô hình dự báo tổ hợp về khí hậu thường tập trung vào hướng biến đổi khí hậu, ảnh hưởng của khí nhà kính tới sự nóng lên của trái đất hoặc những vấn đề biến đổi của tự nhiên; một hệ thống dự báo tổ hợp mùa thì quan tâm đến quy mô tháng, năm của xu thế thời tiết; một hệ thống dự báo tổ hợp toàn cầu thì quan tâm đến dòng nền quy mô lớn hạn vừa 3-14 ngày và nguồn cung cấp nhiệt; một hệ thống dự báo tổ hợp khu vực lại quan tâm đến những hiện tượng thời tiết hạn ngắn 1-3 ngày với sự tập trung vào những yếu tố thời tiết bề mặt. Những hệ thống dự báo tổ hợp quy mô khác nhau dĩ nhiên cần những cách tạo nhân ban đầu và mô hình khác nhau. Ví dụ cả trường phân tích và xoáy (cấu trúc và cấp độ) cần được gây nhiễu để dự báo bão (Zhang và Krishnamurti, 1999; Cheung và Chang, 1999a và 1999b) [95][19][20]. 20 Theo nghiên cứu của (Du và các cộng sự, 1997; Talagrand) [30][74] khoảng 7-10 thành phần là đủ để thu được phần lớn các thông tin có ích từ một mô hình. Tuy nhiên tùy vào từng trường hợp cụ thể để xác định số thành phần tham gia tổ hợp, ví dụ cần ít các thành phần khi dự báo tổ hợp ở mực 500 hpa và nhiều hơn khi dự báo tổ hợp liên quan tới đối lưu có giáng thủy; ít các thành phần đối với mô hình có độ phân giải thấp và nhiều với hệ thống mô hình có độ phân giải cao. Tuy nhiên câu trả lời từ thực tế rất khác với những luận điểm lý thuyết: độ tán tổ hợp kích cỡ giới hạn được sử dụng đủ tốt cho dự báo nhưng độ tán tổ hợp có kích cỡ lớn hoặc vô hạn lại cần thiết trong lý thuyết. Do đó nó luôn cần có sự cân bằng giữa sự hiệu quả và sự lý tưởng (Mullen và Buizza, 2002). 1.3 CÁC PHƯƠNG PHÁP TỔ HỢP KẾT QUẢ DỰ BÁO Sau khi có được kết quả dự báo của các thành phần tham gia tổ hợp, sử dụng các đặc trưng thống kê để đưa ra kết quả dự báo tổ hợp. Công thức tổng quát: Trong đó: Fth: kết quả dự báo tổ hợp Fi: kết quả dự báo thành phần Wi : trọng số tương ứng với từng dự báo thành phần N : số thành phần tham gia tổ hợp 1.3.1.Trung bình đơn giản Công thức tính trọng số: w=wi = 1/ N (1.4) Mọi thành phần dự báo được coi là quan trọng như nhau. Không cần phải có số liệu lịch sử, không cần quan tâm đến tính chất hay đặc điểm của i N ith FwF  (1.3) 21 các nguồn số liệu. Chất lượng của dự báo tổ hợp sẽ giảm sút đáng kể trong trường hợp có một vài dự báo thành phần không tốt, tách hẳn so với chùm các dự báo thành phần khác. Để có kết quả tổ hợp tốt ta phải lựa chọn các dự báo trước khi đưa vào tổ hợp. Điều này đòi hỏi các dự báo viên phải giàu kinh nghiệm, nắm chắc các kiến thức Synop ảnh hưởng đến đường đi của bão và đặc điểm dự báo của từng nguồn số liệu. Tuy nhiên việc lựa chọn không phải lúc nào cũng cải thiện được chất lượng dự báo tổ hợp, mà có thể lại lược bỏ những nguồn thông tin tốt. 1.3.2. Tính trọng số theo sai số Công thức tính trọng số:    N i i i i e eW 1 /1 /1 (1.5) Trong đó: e : sai số của nguồn dự báo thành phần i Phải bảo đảm rằng tỷ trọng của từng dự báo thành phần tỷ lệ nghịch với sai số tương ứng và tổng tỷ trọng bằng 1. 1.3.3. Tính trọng số bằng hồi quy tuyến tính Công thức tính trọng số: (1.6) CFwF i N i ith   1 Trong đó : C: số hạng tự do W : các hệ số hồi quy (trọng số của từng dự báo thành phần) i Đối với phương pháp này ta phải sử dụng bộ số liệu lịch sử của một hoặc một vài mùa bão trước để xây dựng phương trình hồi quy. Sai số tổ hợp sẽ biến đổi tương đối mạnh nếu ta sử dụng các số liệu nền khác nhau. Bộ số liệu để tính hồi quy càng lớn thì kết quả tổ hợp hồi quy tuyến tính sẽ càng tốt. Các dự báo thành phần phải có độ dài bộ số liệu lịch sử tương đương nhau. 22 Trường hợp siêu tổ hợp: Phương trình (1.6) sẽ có dạng: ))(()( 1 ii N i i FtFaOtS    (1.7) Trong đó: : giá trị trung bình đã quan trắc ở giai đoạn chuẩn bị O N: số các mô hình thành phần a : trọng số hồi quy của mô hình i i F (t): giá trị dự báo của mô hình i i iF : giá trị trung bình của các dự báo của mô hình i trong giai đoạn chuẩn bị. 1.4. CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT QUẢ TỔ HỢP. 1.4.1. Bản đồ trung bình và độ phân tán Kết quả tổ hợp được trình bày bằng cách vẽ trường dự báo trung bình của cả tập hợp và độ phân tán của tập hợp dự báo này. Hình 1.10 minh hoạ kết quả dự báo trường khí áp mặt đất sử dụng phương pháp tổ hợp. Các đường đẳng áp là trung bình của tập hợp các dự báo và vùng được bôi màu thể hiện độ phân tán của tập hợp này. Độ phân tán càng nhỏ có nghĩa là độ đáng tin cậy của hình thế dự báo càng cao. Ngược lại nơi có độ phân tán lớn (vùng được bôi màu đậm) thì tương ứng với vùng kết quả của tập hợp các dự báo khác nhau nhiều và độ đáng tin cậy nhỏ. 23 Hình 1.10. Bản đồ trung bình và độ phân tán của dự báo tổ hợp 1.4.2. Spagheti maps - Bản đồ ghép chồng Vẽ các đường đẳng áp của một giá trị nào đó của các dự báo khác nhau, ta thấy là trên bản đồ sẽ có nhiều đường đan xen nhau. Nơi mà các đường này nằm rất gần nhau thì độ tin cậy của hình thế thời tiết dự báo được càng lớn. Ngược lại, khi các đường này nằm tách xa nhau thì hình thế thời tiết dự báo được có độ tin cậy càng kém (Hình 1.11). 24 Hình 1.11: Bản đồ ghép chồng ( Spaghetti maps) 1.4.3. Dự báo đường đi của bão Các kết quả dự báo tổ hợp thường được biểu diễn dưới dạng chùm các dự báo khác nhau hoặc trường xác suất bão đi qua (Hình 1.12). Hình 1.12. Kết quả dự báo tổ hợp cho đường đi của bão Bên trái: chòm dự báo. Bên phải: trường xác suất bão đi qua 1.5. KHẢ NĂNG VÀ HIỆN TRẠNG DỰ BÁO TỔ HỢP Ở VIỆT NAM Ở Việt Nam một số tác giả đã và đang tìm hiểu, nghiên cứu và tìm ra hướng áp dụng tối ưu nhất phương pháp dự báo tổ hợp như công trình nghiên cứu dự báo các trường khí tượng trên biển Đông trên cơ sở các mô hình RAMS và ETA của GS.TS Trần Tân Tiến [9]; nghiên cứu về tổ hợp dự báo quỹ đạo bão bằng phương pháp lấy trung bình đơn giản của ThS Nguyễn Chi Mai [5][6][7]; dự báo tổ hợp xoáy thuận nhiệt đới dựa trên mô hình WBAR với hàng nghìn thành phần của ThS Võ Văn Hoà [2][3][4][8]; phương pháp tổ hợp cho mô hình MM5 của TS Hoàng Đức Cường[1]. Hệ thống dự báo tổ hợp do GS.TS Trần Tân Tiến cùng các cộng sự xây dựng bao gồm hai mô hình số trị chính là RAMS và ETA với hy vọng xây dựng nên một hệ thống sản phẩm tốt hơn từ dự báo riêng lẻ của các mô hình. 25 Qua thử nghiệm bước đầu cho thấy hệ thống dự báo tổ hợp đã phát huy được tính ưu việt của nó ở các mực đẳng áp 850mb đến mực 300mb. Phương pháp của ThS Nguyễn Chi Mai cùng các cộng sự sử dụng dự báo quỹ đạo bão là phương pháp thống kê từ dự báo của các trung tâm quốc tế. Bằng việc thực hiện lấy trung bình đơn giản, hồi quy tuyến tính đa biến và tính trọng số theo sai số của bộ số liệu 3 mùa bão từ 2001 đến 2003. Mặc dù bộ số liệu chưa đủ dài song kết qủa thu được cho thấy hiệu quả rõ rệt trong phương pháp lấy trung bình đơn giản và có thể sử dụng tham khảo trong công tác dự báo bão nghiệp vụ. Bên cạnh đó tác giả còn tiếp cận với phương pháp tạo nhiễu động cho trường ban đầu đối với mô hình chính áp để tạo ra các thành phần tổ hợp khác nhau và cũng đã có những cải thiện lớn nhất trong chất lượng dự báo quỹ đạo bão. ThS Võ Văn Hoà đã trình bày một khía cạnh mới trong việc ứng dụng phương pháp gây nhiễu động trường ban đầu cho dự báo tổ hợp quỹ đạo của XTNĐ và tạo ra các bản đồ dự báo xác suất dựa trên dự báo tổ hợp hàng nghìn thành phần của mô hình WBAR và cho thấy sự cải thiện đáng kể trong chất lượng dự báo quỹ đạo XTNĐ. TS Hoàng Đức Cường đã thử nghiệm dự báo tổ hợp cho mô hình MM5 bằng phương pháp lấy trung bình đơn giản với các dự báo thành phần lần lượt là sản phẩm của mô hình MM5 sau khi đã có những lựa chọn khác nhau đối với các sơ đồ tham số hóa đối lưu và vi vật lý mây. 26 CHƯƠNG 2 MÔ HÌNH DỰ BÁO THỜI TIẾT QUY MÔ VỪA RAMS VÀ ÁP DỤNG DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG 2.1. GIỚI THIỆU VỀ MÔ HÌNH RAMS Mô hình RAMS (Regional Atmospheric Modeling System) được Đại học Tổng hợp Colorado (CSU) kết hợp với ASTER divsion- thuộc Mission Research Corporation phát triển đa mục đích. Đó là một mô hình dự báo số mô phỏng hoàn lưu khí quyển với qui mô từ toàn cầu cho đến các mô phỏng xoáy lớn (Large Eddy Simulation-LES) của lớp biên khí quyển hành tinh. Mô hình thường được sử dụng nhiều nhất để mô phỏng các hiện tượng khí quyển qui mô vừa (2-2000 km) từ dự báo thời tiết nghiệp vụ đến các ứng dụng để mô phỏng, quản lý chất lượng môi trường không khí. RAMS cũng thường được sử dụng thành công với các độ phân giải cao hơn mô phỏng các xoáy trong lớp biên khí quyển (10-100 m phân giải lưới ngang), mô phỏng điều kiện vi khí hậu cho các toà nhà cao tầng (1 m phân giải lưới ngang) cho đến các mô phỏng số trực tiếp cho buồng khí động (1 cm phân giải lưới ngang). Mô hình RAMS được các nhà khoa học thuộc Khoa KT-TV-HDH, Trường ĐH Khoa Học Tự Nhiên Hà Nội đưa vào nghiên cứu tại Việt Nam từ năm 2001. Đến năm 2004, GS.TS Trần Tân Tiến cùng các cộng sự của ông đã tiến hành cải tiến, áp dụng thành công mô hình RAMS trong dự báo thời tiết tại Việt Nam và hoàn thành đề tài nghiên cứu cấp nhà nước “Xây dựng mô hình dự báo các trường Khí tượng Thủy văn biển Đông Việt Nam”. Kết quả nghiên cứu đã chỉ ra kỹ năng dự báo ưu việt của mô hình RAMS đối với các trường khí tượng trên lãnh thổ Việt Nam. Ngoài việc có thể cập nhật tự động số liệu 7 giờ một lần trong ngày để dự báo thời tiết tại các tỉnh, thành trong cả nước, mô hình RAMS còn có thể dự báo thời tiết cho từng khu vực nhỏ, chẳng hạn như dự báo thời tiết cho sân vận động quốc gia Mỹ Đình trong thời 27 gian diễn ra SEAGAMES 22 hoặc có thể dự báo cho từng quận trong nội thành Hà Nội. Thử nghiệm với những trường hợp thời tiết bất thường như đợt mưa lũ lớn ở Nghệ An - Hà Tĩnh trong năm 2002, mô hình cũng đã mô phỏng được ... Trong nghiên cứu dự báo bão, mô hình RAMS cũng cho kết quả khả quan. Nó có thể mô phỏng được xu hướng di chuyển của ngay cả những cơn bão có sự đổi hướng đột ngột như bão Chan chu năm 2006. Tuy nhiên vì thiếu số liệu quan trắc trên biển nên sự sai lệch về vị trí và cường độ bão ngay trong trường phân tích toàn cầu ban đầu đã làm gia tăng sai số trong dự báo của RAMS. 2.1.1. Các phương trình cơ bản của RAMS Các phương trình cơ bản của RAMS là các phương trình nguyên thủy thủy tĩnh hoặc không thủy tĩnh được lấy trung bình Reynolds. Tất cả các biến, ngoại trừ một số kí hiệu khác, đều là các đại lượng được lấy trung bình trong một thể tích ô lưới và do đó kí hiệu gạch ngang chỉ giá trị trung bình được bỏ qua. Phép biến đổi tọa độ của lưới ngang và thẳng đứng được bỏ qua trong phần này. Các biến đổi này sẽ được trình bày trong phần sau. Các kí hiệu được trình bày trong Bảng 2.1. Các phương trình chuyển động:                          z uK zy uK yx uK x fv xz uw y uv x uu t u mmm ' (2.1)                          z vK zy vK yx vK x fu xz vw y vv x vu t v mmm ' (2.2)                          z wK zy wK yx wK x g xz ww y wv x wu t w mmm o v   '' (2.3) Phương trình nhiệt động lực: 28 rad ilil h il h il h ilililil tz K zy K yx K xz w y v x u t                              (2.4) Phương trình liên tục đối với tỷ hỗn hợp của các thực thể nước:                         z rK zy rK yx rK xz rw y rv x ru t r n h n h n h nnnn (2.5) Phương trình liên tục khối lượng:          z w y v x u c R t oooooo oov o    ' (2.6) Lựa chọn thủy tĩnh của RAMS sẽ thay thế phương trình chuyển động thẳng đứng và phương trình liên tục khối lượng bằng phương trình thủy tĩnh như sau:  vT v rrgg z      (2.7) 0u v w x y z          (2.8) Bảng 2.1. Các kí hiệu chính được sử dụng trong mô hình Kí hiệu Định nghĩa U Thành phần gió theo hướng đông-tây V Thành phần gió theo hướng bắc-nam W Thành phần gió thẳng đứng F Tham số coriolis Km Hệ số nhớt rối động lượng Kh Hệ số nhớt rối nhiệt và ẩm il Nhiệt độ thế vị của nước lỏng-băng rn Tỷ hỗn hợp của nước tổng cộng, mưa, tinh thể băng, và tuyết  Mật độ Con Chỉ số kí hiệu khuynh hướng do tham số hoá đối lưu 29 Rad Chỉ số kí hiệu khuynh hướng do tham số hoá bức xạ Res Chỉ số kí hiệu khuynh hướng do tham số hoá các quá trình vật lý vi mô qui mô dưới lưới G Trọng lực rt Tỷ hỗn hợp của nước tổng cộng rv Tỷ hỗn hợp của hơi nước  Hàm Exner tổng cộng ' Hàm Exner nhiễu v Nhiệt độ thế vị ảo P Khí áp 2.1.2. Cấu trúc lưới 2.1.2.1. Lưới lồng Lưới lồng được sử dụng trong RAMS là lưới C dạng chuẩn (Mesinger và Arakawa, 1976) [57]. Tất cả các biến ẩm và nhiệt động lực được xác định tại cùng một điểm với các thành phần vận tốc u, v, còn w được xác định so le ở bước lưới 1/2x, 1/2y, và 1/2z tương ứng. 2.1.2.2. Phép chiếu bản đồ Lưới ngang sử dụng phép chiếu cực quay ba chiều, trong đó cực của phép chiếu được quay tới khu vực gần tâm của miền tính, do vậy làm giảm thiểu sự biến dạng của phép chiếu ở các khu vực chính cần quan tâm. Các tham số bản đồ phù hợp được sử dụng trong tất cả các số hạng đạo hàm theo phương ngang. 2.1.2.3. Hệ toạ độ địa hình Cấu trúc thẳng đứng của lưới sử dụng hệ tọa độ địa hình z (Gal-Chen và Somerville, 1975; Clark, 1977; Tripoli và Cotton, 1982) [83]. Đây là hệ tọa độ địa hình trong đó mực tại đỉnh của mô hình gần như phẳng còn các mực 30 dưới sẽ có dạng theo địa hình. Các toạ độ trong hệ này được xác định như sau:         g g zH zz Hz yy xx * * * (2.9) trong đó H là độ cao đỉnh lưới và zg là độ cao địa hình địa phương, là hàm của x và y. 2.1.2.4. Các mực thẳng đứng Việc sử dụng lưới thẳng đứng có khoảng cách biến đổi làm tăng độ phân giải ở gần mặt đất, nó giúp tránh được tỷ số giãn lưới jR~ lớn giữa các mực kề nhau trong đó jR~ được xác định đối với mực j bất kỳ như sau:    1~ ~ ~   j j j Z Z R (2.10) là tỷ số giữa bề dày lớp trên và lớp dưới và   jjj ZZZ ~~~ 1   (2.14) là bề dày lớp được xác định bằng hiệu độ cao của hai mực. Do vậy thông thường ta lấy một giá trị jR~ khá nhỏ cố định trên một số mực sao cho lưới biến đổi dạng hình học từ giá trị jZ~ nhỏ gần bề mặt tới giá trị lớn hơn ở trên cao. 2.1.3. Sai phân thời gian RAMS có nhiều cách lựa chọn đối với các sơ đồ sai phân thời gian cơ bản. Đối với mô hình không thủy tĩnh, người dùng có thể lựa chọn sơ đồ sai phân bậc nhất tiến-lùi, sơ đồ Leapfrog (Tripoli và Cotton, 1982) hoặc sơ đồ lai trong đó bao gồm sai phân thời gian tiến đối với các biến nhiệt động lực và 31 sai phân leapfrog đối với các thành phận vận tốc và áp suất. Mô hình thủy tĩnh sử dụng sơ đồ tiến-lùi. Tất cả các lựa chọn ở trên được tính toán bằng sơ đồ sai phân "tách thời gian" (Tripoli và Cotton, 1982; Tremback và các ĐTG, 1985) [80] tương tự như sơ đồ tách thời gian của Klemp và Wilhelmson (1978) [48] và sơ đồ tách hiện của Gadd (1978). ý tưởng cơ bản đằng sau các sơ đồ là chia bước thời gian thành các bước thời gian nhỏ hơn đối với các số hạng trong phương trình có khả năng tạo ra sự lan truyền của các mode sóng nhanh. Trong mô hình không thủy tĩnh, các mode này là sóng âm và sóng trọng trường trong khi trong mô hình thủy tĩnh các mode này là sóng trọng trường ngoại và sóng Lamb. 2.1.3.1. Trường hợp không thủy tĩnh Sơ đồ sai phân thời gian có thể được mô tả đơn giản như dưới đây đối với hệ phương trình hai chiều, khô, nhớt và tựa Boussinesq trong đó phép biến đổi hệ toạ độ theo phương thẳng đứng và phương ngang được bỏ qua. Đối với trường hợp không thủy tĩnh, các phương trình cơ bản có dạng sau: uo Ffvz uw x uu xt u      ' (2.15) w o o Fgz ww x wu xt w           '' (2.16)   F z w x u t     (2.17)        z w x uc t oooo oo    2 2' (2.18) trong đó c là tốc độ âm. 2.1.3.1. Trường hợp không thủy tĩnh 32 Đối với việc lựa chọn điều kiện thuỷ tĩnh, các sơ đồ sai phân thời gian có thể được biểu diễn đối với một hệ phương trình đơn giản hai chiều, khô, không nhớt như sau: fv z uw x uuF F xt u u u        (2.19) x uF F z w t          (2.20) 0   z w t u  (2.21)   g z   (2.22) 2.1.4. Bình lưu RAMS sử dụng hai dạng sơ đồ bình lưu cho việc lựa chọn phép sai phân thời gian trong quá trình mô phỏng của mô hình, đó là sơ đồ dạng Leapfrog chuẩn và sơ đồ tiến ngược dòng (Tremback và các ĐTG, 1987) [81]. Sơ đồ Leapfrog được sử dụng đối với tất cả các biến trong quá trình lựa chọn sai phân thời gian Leapfrog và đối với các thành phần vận tốc trong quá trình lựa chọn sai phân thời gian lai. Các sơ đồ bình lưu được biểu diễn dưới dạng thông lượng để bảo toàn khối lượng và động lượng. Xét theo hướng x, các số hạng bình lưu trong phương trình (2.1)-(2.4) có thể được viết lại với giả thiết bước lưới không đổi và bỏ qua địa hình và sự chuyển đổi sang toạ độ cầu, có dạng như sau:           2/12/12/12/11 1       jjjjj j uuFF x x u x u x u    (2.23) 33 Trong đó u là thành gió theo hướng x,  là mật độ không khí,  là các biến được vận chuyển bình lưu. Chỉ số j chỉ điểm lưới xem xét. 2.1.4.1. Bình lưu Leapfrog Các thông lượng bình lưu Leapfrog được sai phân trung tâm theo không gian và thời gian với sơ đồ bình lưu Leapfrog bậc hai hoặc bậc bốn. Biểu thức của các thông lượng F này có dạng: Thông lượng Leapfrog bậc 2:   2/12/1   jj uF  (2.24) Thông lượng Leapfrog bậc 4:      2112/12/1 12 1 12 7 12 7 12 1 jjjjjj uF  (2.25) 2.1.4.2. Bình lưu tiến Các thông lượng bình lưu tiến được tính theo sơ đồ bình lưu tiến ngược dòng bậc hai hoặc bậc sáu, sơ đồ này là do Tremback (1987) xây dựng và thử nghiệm. Các sơ đồ này thuộc cùng một họ sơ đồ giống như sơ đồ tiến ngược dòng bậc nhất cổ điển và sơ đồ bậc hai được sử dụng nhiều hơn của Crowley (1968). Như đã được Tremback và các ĐTG mô tả chi tiết năm 1987, hai dạng khác nhau của sơ đồ thông lượng được xây dựng. Dạng thứ nhất dựa theo phương pháp của Crowley (1968), dạng xấp xỉ đa thức đối với trường được bình lưu sau đó tích phân hàm này. Tuy nhiên đối với các sơ đồ bậc ba hoặc cao hơn sơ đồ dạng này không trở lại dạng bình lưu khi bước lưới và vận tốc bình lưu không đổi. Dạng sơ đồ thứ hai được mô tả bởi Bott (1989) cũng thực hiện yêu cầu này. Dạng thứ hai chính xác hơn so với dạng thứ nhất nhưng nó đòi hỏi bước lưới là hằng số. Do vậy, dạng thứ nhất được gọi là dạng thông lượng tích phân, dùng trong phương thẳng đứng nơi mà bước lưới được kéo giãn để làm tăng độ phân giải ở các độ cao gần mặt đất. Dạng thứ 34 hai được dùng trong phương ngang nơi bước lưới là hằng số theo một hướng bất kỳ. Các thông lượng bình lưu tiến này có thể được biểu diễn như sau (trong đó  = ut/x): Thông lượng bậc hai )( 2 )( 2 1 2 12/1    jjjjj x tF  (2.26) Các thông lượng tích phân bậc sáu    )325150253(256 321122/1 jjjjjjj x tF  +   )9125225022501259(3840 32112 2 jjjjjj  +   )5393434395(288 32112 3 jjjjjj  +   )13343413(192 32112 4 jjjjjj  +   )3223(240 32112 5 jjjjjj  + )510105( 720 32112 6   jjjjjj  (2.27) Các thông lượng với bước lưới không đổi bậc sáu    )837378(60 321122/1 jjjjjjj x tF    )225245245252(360 32112 2 jjjjjj    )7667(48 32112 3 jjjjjj    )11282811(144 32112 4 jjjjjj  35   )3223(240 32112 5 jjjjjj    )510105(720 32112 6 jjjjjj  (2.28) 2.1.5. Các điều kiện biên 2.1.5.1. Điều kiện biên xung quanh RAMS bao gồm vài lựa chọn cho dạng đặc trưng của các điều kiện biên xung quanh. Dạng tổng quát với lưới so le C được sử dụng trong RAMS là điều kiện phát xạ cơ bản (Sommerfeld):   x ucu t u    (2.29) trong đó u là thành phần gió vuông góc với biên. Vấn đề là sau đó xác định dạng của c, là vận tốc pha. Các lựa chọn tồn tại trong RAMS theo sơ đồ Orlanski (1976), là sơ đồ cải tiến của Klemp và Lilly (1978) [48] (Durran, 1981) [46] và sơ đồ Klemp và Wilhelmson (1977) [47]. Orlanski (1976) tính c theo công thức:          x u t uc (2.30) Sơ đồ Klemp và Lilly (1978) tính trung bình vận tốc pha của Orlanski theo trục thẳng đứng, sau đó áp dụng vận tốc trung bình cho toàn bộ cột khí quyển thẳng đứng. Sơ đồ Klemp và Wilhelmson (1978) đơn giản chỉ rõ giá trị hằng số như là vận tốc pha của sóng trọng trường điển hình, cỡ 10-30 m/s. Điều kiện biên phát xạ chỉ áp dụng cho các thành phần vận tốc vuông góc. Vì lưới so le các biến khác được xác định lệch ra ngoài 1/2x so với thành phần vận tốc vuông góc. Các biến này cũng phải được xác định bằng một phương pháp nào đó. Trong RAMS, các lựa chọn tồn tại đối với điều kiện gradien bằng 0, các điều kiện dòng thổi vào và/hay dòng thổi ra là hằng số, hoặc các điều kiện dòng thổi ra phát xạ. 36 2.1.5.2. Điều kiện biên thẳng đứng Đối với các điều kiện biên dưới tại bề mặt, các dòng thông lượng ở lớp bề mặt cung cấp thông tin về sự trao đổi chủ yếu giữa khí quyển và bề mặt. Tuy nhiên, để thuận tiện hơn đối với mục đích số sẽ định nghĩa các giá trị biến tại một mực ảo 1/2 z nằm dưới bề mặt. Đối với các điều kiện biên trên, có một số lựa chọn phụ thuộc vào dạng mô phỏng và ý đồ mô phỏng. Đối với hệ phương trình không thuỷ tĩnh, có hai lựa chọn cho việc xác định thành phần vận tốc vuông góc đến đỉnh của miền tính. Hoặc sử dụng điều kiện biên vách đơn giản (w = 0) hay áp dụng điều kiện biên phát xạ sóng trọng trường của Klemp và Durran (1983). Điều kiện Klemp-Durran được suy diễn cho sóng trọng trường tuyến tính, dừng, và thuỷ tĩnh, cho thấy khả năng ứng dụng tốt trong một số trường hợp, đặc biệt khi RAMS được ban đầu hoá với điều kiện đồng nhất ngang và dòng bị cưỡng bức bởi điạ hình. Kinh nghiệm cho thấy có một số tình huống kém thành công hơn với các trường hợp mà ở đó dòng thể hiện tính không dừng mạnh (ví dụ trong trường hợp đối lưu sâu). Điều kiện này không thích hợp với ban đầu hoá không đồng nhất, vì điều kiện này giả thiết là tất cả các chuyển động thẳng đứng tại đỉnh mô hình là kết quả của sự lan truyền sóng trọng trường thẳng đứng. Do đó, để có thể kết hợp cả điều kiện vách lẫn điều kiện Klemp- Durran, một lớp hấp thụ có thể được sử dụng mở rộng từ đỉnh của miền tính cần quan tâm đến đỉnh của mô hình. Trong trường hợp đồng nhất ngang, lớp này là một lớp ma sát Rayleigh đơn giản ở đó một số hạng mở rộng được thêm vào phương trình dự báo cơ bản:     0  t (2.31) 37 trong đó  tương ứng với các biến dự báo u, v, w, và , o là các giá trị ban đầu của các biến trên,  là qui mô thời gian được xác định là một hàm tuyến tính theo độ cao, biến đổi từ giá trị vô cùng tại đáy của lớp hấp thụ tới giá trị nhỏ nhất tại đỉnh miền tính của mô hình nó thường được gán giá trị trong khoảng từ 60 đến 300 giây. Đối với các ban đầu hoá không thuỷ tĩnh, điều kiện ép biên tương đương với sơ đồ của Davies (1978) [23] hay sơ đồ ma sát Rayleigh, có thể được sử dụng như là một lớp hấp thụ tại đỉnh mô hình. Tương tự như các điều kiện biên xung quanh, các biến khác được xác định lệch lên trên 1/2 z so với các thành phần vận tốc vuông góc vì lưới so le đã được sử dụng. Các biến này được xác định bằng phép ngoại suy đơn giản. Đối với mô hình thuỷ tĩnh, chiều thẳng đứng được áp dụng khác ít nhiều so với mô hình không thuỷ tĩnh. RAMS bao gồm 2 lựa chọn đối với điều kiện biên của phương trình thuỷ tĩnh. Hoặc áp suất biên tại đỉnh được tính với điều kiện Klemp-Durran đã mô tả ở trên hoặc áp suất tại mặt đất được dự báo theo cách sau. Phương trình thuỷ tĩnh được viết với dạng phi tuyến theo hàm Exner  vT v rrg z   1  pCR p p pC / 00     (2.32) Điều kiện biên đối với phương trình thuỷ tĩnh trong quá trình tích phân mô hình là phương trình dự báo áp suất bề mặt được nhận từ việc thế phương trình thuỷ tĩnh vào phương trình bảo toàn khối lượng nén được          T g z z g dz y v x u gt p 1 (2.33) trong đó zg là độ cao của mặt đất và zT là độ cao của đỉnh mô hình. 38 Điều kiện biên giả thiết là phân kỳ trên đỉnh mô hình là nhỏ được so với phân kỳ trong miền tính. Giả thiết này phù hợp với nhiều mô hình sử dụng trục toạ độ p trong đó đặt áp suất tại đỉnh mô hình là 100mb và định nghĩa /t = 0 tại đỉnh. Cả hai dạng của lớp hấp thụ tại đỉnh đều có sẵn trong mô hình thuỷ tĩnh. 39 2.2 ÁP DỤNG MÔ HÌNH RAMS ĐỂ DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG. 2.2.1 Chọn miền tính và cấu hình lưới Để có thể nắm bắt được những cơn bão hình thành từ phía đông Philippin và di chuyển vào Biển Đông, tác giả lựa chọn miền dự báo gồm 161x161 điểm lưới theo phương ngang, với bước lưới là 28km, tạo ra miền tính có kích thước 4508x4508 km2. Tâm miền tính được đặt ở 150N và 1100E. Miền tính này bao phủ toàn bộ lãnh thổ Việt Nam và một phần lục địa Trung Quốc, vừa đảm bảo hạn chế sai số khuếch tán vào tâm miền tính, vừa tính đến ảnh hưởng của hoàn lưu gió mùa đông bắc, xuất phát từ cao áp Syberi và các trung tâm cực đới khác. Biên phía nam của miền tính ở vào khoảng -50S, với mục tiêu mô tả tốt hơn hoàn lưu gió mùa tây nam vào mùa hè, thổi từ nam bán cầu vượt qua xích đạo vào khu vực Đông Nam Á. Hình 2.1. Miền dự báo được lựa chọn trong nghiên cứu - Số mực theo chiều thẳng đứng là 26 mực, trong đó mực đẳng áp trên cùng là 10 mb. - Bước thời gian tích phân được đặt là 60 giây. 2.2.2 Cập nhật số liệu địa phương trong mô hình RAMS 40 Do số liệu của các mô hình toàn cầu có độ phân giải rất thấp nên khi chạy các mô hình khu vực cần phải tiến hành cập nhật số liệu địa phương nhằm mục đích phản ánh tốt hơn trường ban đầu. Nguồn số liệu địa phương dùng trong nghiên cứu này được lấy từ Trung tâm Dự báo Khí tượng Thủy văn Trung ương, bao gồm 4 loại: (1) Số liệu quan trắc khí tượng bề mặt (AAXX). (2) Số liệu khí tượng thu được từ các tàu quan trắc hoặc các trạm phao tự động đặt trên biển (BBXX). (3) Số liệu quan trắc cao không tại các mực đẳng áp chuẩn trong lớp không khí từ mặt đất đến 100mb (TTAA). (4) Số liệu quan trắc nhiệt độ và gió tại các điểm đặc biệt (TTBB). Trong đó, các biến được đưa vào cập nhật là độ cao địa thế vị, hướng gió, tốc độ gió, nhiệt độ và nhiệt độ điểm sương. Hình 2.2 sau đây là bản đồ phân bố các trạm quan trắc bề mặt và các trạm cao không. a b Hình 2.2. Mạng lưới trạm bề mặt (a) và cao không (b) dùng trong thử nghiệm. 41 Cả 4 loại số liệu này sẽ được đưa vào mô-đun Ctdubao để tiến hành giải mã, đồng thời format cho đúng với định dạng số liệu cập nhật địa phương mà RAMS yêu cầu (Raph_2, Tremback, 10/2000). Sản phẩm đầu ra của Ctdubao là hai file: dp-s (số liệu bề mặt), dp-r (số liệu cao không). Đưa vào mô hình RAMS, mô hình sẽ thực hiện cập nhật các thông tin trên. 2.2.3 Đánh giá khả năng dự báo quỹ đạo bão bằng mô hình RAMS cho khu vực Biển Đông. Dựa vào đề tài KC08-05 tác giả đánh giá sai số dự báo cho toàn bộ tập mẫu khoảng 800 trường hợp bão trong các năm 2004, 2005, 2006, 2007, 2008 đã được mô phỏng theo hai phương án (bảng 2.1). + Chạy mô hình RAMS có cập nhật số liệu địa phương (Rams) + Chạy mô hình RAMS vừa cài xoáy giả, vừa cập nhật số liệu địa phương (RamsBog). Bảng 2.1. Kết quả sai số vị trí dự bão theo 2 phương án Rams và RamsBog HanDB RAMS (km) RAMSBOG (km) 6 113 135 12 145 199 18 182 279 24 220 344 30 250 394 36 280 428 42 306 457 48 339 469 54 363 480 60 393 486 66 419 499 72 441 521 42 Kết quả từ bảng 2.1 cho thấy dự báo của mô hình RAMS đối với các cơn bão hoạt động trên Biển Đông có sai số tương đối lớn, cụ thể đối với hạn dự báo 24, 48 và 72 giờ lần lượt là 220, 339 và 441 km. Còn đối với trường hợp có sử dụng phương pháp tạo xoáy giả, kết quả của phương pháp này cho sai số khoảng cách lớn hơn so với trường hợp không cài xoáy lần lượt là 344, 469 và 521 km với hạn dự báo là 24, 48 và 72 giờ. 2.3 PHƯƠNG PHÁP TẠO NHÂN BAN ĐẦU VÀ NUÔI NHIỄU TRÊN MÔ HÌNH RAMS. Trong luận văn này tác giả chọn phương pháp tổ hợp 1 chiều sử dụng phương pháp nuôi những dao động phát triển nhanh. Mô hình dự báo số được giả thiết là hoàn hảo và sai số dự báo chỉ do điều kiện ban đầu gây nên. Do đó, điểm mấu chốt trong phương pháp này là tìm phương pháp tạo ra tập hợp các trường ban đầu khác nhau từ một trường phân tích ban đầu cho mô hình dự báo số. Theo lý thuyết (trình bày ở phần 1.2.1), nhân ban đầu tạo ra bằng phương pháp dự báo trễ có cấu trúc động lực phát triển của độ tán tổ hợp lớn hơn so với nhân ngẫu nhiên. Vì vậy, trong luận văn này tác giả sử dụng phương pháp dự báo trễ để tạo ra nhân ban đầu. 2.3.1 Tạo nhân ban đầu Trong luận văn này, tác giả tạo nhân ban đầu bằng phương pháp dự báo trễ, nội dung của phương pháp này như sau: o Sử dụng số liệu phân tích của những obs 48,42,36,30 giờ trước thời điểm dự báo. o Tích phân dự báo tới 24 giờ trước khi dự báo o Tìm hiệu của các tích phân này từng đôi một o Chuẩn hóa lại các nhiễu ban đầu này (D1, D2,…,D6)  D* = S.D 43 Ở đây  PCS  /    N np P N TT  1 2 850850 Với: N là số điểm lưới, T p850 , T n850 : là giá trị dương và âm của 1 cặp dự báo của trường nhiệt độ tại các mực 850mb, C là hệ số điều chỉnh (chọn theo kinh nghiệm) tác giả chọn C=1.2 }D5 }D6 (T-48) (T-42) (T-36) (T-30) (T-24) Hình 2.3: Cách tạo nhân ban đầu trước khi nuôi nhiễu }D3 }D4 }D1 }D2 Kết quả của phương pháp tạo nhân ban đầu này là tác giả đã tạo được 6 nhân ban đầu (hình 2.3) cho mỗi trường hợp dự báo bão. Như vậy, trong thử nghiệm này, mỗi cơn bão tác giả cần phải tạo ra 6 nhân với mỗi nhân tương ứng với hiệu của 2 dự báo trễ sau khi đã chuẩn hóa. Ví dụ: để có nhân ban đầu D1, cần chuẩn bị số liệu tại các obs trước thời điểm làm dự báo 48 (T-48) giờ và 42 giờ (T-42). Sau đó đưa các số liệu này vào tích phân đến cùng thời điểm trước khi làm dự báo 24 giờ (T-24). Tiếp theo, sử dụng công thức chuẩn hóa để tạo ra nhân ban đầu D1. Làm tương tự như vậy, sẽ tạo ra 6 nhân ban đầu là D1, D2, D3, D4, D5 và D6. Những nhân ban đầu này sẽ được dùng cho 44 phương pháp nuôi để tìm ra những dao động phát triển nhanh của mô hình dự báo. 2.3.2 Nuôi những dao động phát triển nhanh Sử dụng phương pháp nuôi những dao động ban đầu để tìm ra nhiễu phát triển nhất cho trường ban đầu của các cơn bão thử nghiệm. Phương pháp này dựa trên ý tưởng của 2 tác giả Toth and Kanay (Breeding of Growing Model viết tắt BGM). Nội dung của phương pháp này như sau: a/ Tạo một nhân ban đầu bất kỳ và chuẩn hóa như đã trình bày ở trên b/ Cộng và trừ nhiễu đã chuẩn hóa với trường phân tích, sử dụng điều kiện biên cập nhật của NCEP và tích phân mô hình 6 giờ với hai trường ban đầu này. c/ Lấy hiệu của 2 trường trường dự báo để được nhiễu mới D ở thời điểm t+6 d/ Chuẩn hóa nhiễu này theo công thức D* = S.D Ở đây PCS  /   N np P N TT  1 2 850850 Với: N là số điểm lưới, , T p850 T n850 : là giá trị dương và âm của 1 cặp dự báo của trường nhiệt độ tại các mực 850mb, C là hệ số điều chỉnh (chọn theo kinh nghiệm) tác giả chọn C=1.2 e/ Lặp lại từ bước b/ cho tới thời điểm T00 (hình 2.4) ta tìm được nhiễu phát triển nhanh đối với mô hình dự báo (hình 2.5). 45 Hình 2.4: Phương pháp nuôi mode phát triển Hình 2.5: Các cặp nhiễu dùng trong dự báo tổ hợp Sau 24 giờ nuôi, 6 giờ chuẩn hóa 1 lần ta tìm được những dao động phát triển nhanh cho mô hình dự báo. Mỗi nhân ban đầu ở trên sau khi nuôi sẽ tạo ra 1 nhiễu mới. Đây là một mode phát triển nhanh của mô hình RAMS. Nhiễu này sẽ được cộng và trừ với trường phân tích kiểm tra để tạo ra 2 trường ban đầu. Trong luận văn này, do tác giả chọn số nhân ban đầu là 6 vì vậy các trường ban đầu được tạo ra sẽ là 12. Kết hợp với trường phân tích kiểm tra, ta thu được sẽ là 13 trường ban đầu. 13 trường ban đầu này được đưa vào mô hình 46 RAMS để tích phân dự báo hạn 72 giờ, kết quả ta sẽ thu được 13 trường dự báo (các dự báo thành phần) tương ứng với 13 trường đầu vào. Tìm tâm bão của 13 trường này và tổ hợp bằng cách lấy trung bình, cho ta dự báo tổ hợp vị trí tâm bão. Như vậy, để dự báo 72 giờ cho 7 cơn bão, không kể trường hợp tạo nhân ban đầu cho mỗi cơn bão, khối lượng tích phân mô hình để ra được sản phẩm tổ hợp là khá lớn 7x13=91 lần tích phân mô hình hạn dự báo 72 giờ. 47 CHƯƠNG 3 THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS 3.1 MÔ TẢ TẬP SỐ LIỆU NGHIÊN CỨU Trong nghiên cứu này, các trường phân tích và dự báo 6 giờ một của mô hình toàn cầu GFS với độ phân giải ngang 1x1 độ kinh vĩ sẽ được sử dụng làm điều kiện ban đầu và điều kiện biên cho mô hình RAMS. Với miền tính toán như hình 2.1, tác giả đã thử nghiệm với 7 cơn bão và áp thấp nhiệt đới (xoáy thuận nhiệt đới, XTNĐ) hoạt động trên biển Đông trong mùa bão năm 2006. Danh sách các cơn bão được liệt kê trong bảng 3.1 B¶ng 3.1. Danh sách các trường hợp bão và áp thấp nhiệt đới được lựa chọn thực hiện thử nghiệm. Tên bão và ATNĐ Thời điểm tiến hành dự báo Vĩ độ Kinh độ STT Vmax (kt) CHANCHU 1 00Z - 13/05/2006 13.3 120.6 50 PRAPIROON 2 00Z - 31/07/2006 15.4 122.8 25 XANGSAGE 3 00Z - 27/09/2006 12.5 125.5 90 CHEBI 4 00Z - 10/11/2006 16.1 127.2 55 DURIAN 5 00Z - 01/12/2006 13.6 120.3 75 UTOR 6 00Z – 11/12/2006 13.3 118.4 75 CIMARON 7 00Z - 28/10/2006 14.3 128.2 65 48 3.2 NUÔI NHIỄU PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS Theo nghiên cứu của Zhou và Chen, 2005 [96] về dự báo tổ hợp xoáy thuận nhiệt đới dùng mô hình chính áp cho khu vục tây bắc Thái Bình Dương là chỉ cần sử dụng nhân ban đầu của trường gió (u,v) và trường nhiệt (t) là đủ. Nên các nhân ban đầu này được đưa vào chu trình nuôi để tìm ra các dao động phát triển nhanh của mô hình RAMS. Dưới đây, tác giả trình bày kết quả tạo nhân ban đầu và nuôi những dao động phát triển nhanh của mô hình RAMS. Nhân ban đầu cho trường gió và nhiệt. Nhân ban đầu được tạo ra bằng phương pháp dự báo trễ đã được trình bày trong phần 2.4.1. Hình 3.1: Trường t (độ C), u (m/s), v (m/s) của nhân D1 a c c a b b Hình 3.2: Trường t (độ C), u (m/s), v (m/s) của nhân D3 Để tạo nhân ban đầu cho cơn bão Chan chu tại thời điểm 7h ngày 13/05/2006, tác giả đã sử dụng số liệu GFS tại thời điểm (T-48), (T-42), (T- 36), (T-30), sau đó tích phân các số liệu tại các thời điểm này đến (T-24), tìm hiệu các trường nhiệt, gió ở các mực tại thời điểm (T-24) từng đôi một và 49 chuẩn hóa. Kết quả sẽ nhân được 6 nhân ban đầu là D1, D2, …, D6. Trường gió, nhiệt của nhân D1, D3 được thể hiện trên hình (hình 3.1). Đối với trường nhiệt độ của nhân D1 (hình 3.1a) ta thấy các tâm cao xảy ra mạnh chủ yếu nằm ở phía bắc của Việt Nam, trong khi đó ta quan sát trường nhiệt độ của nhân D3 (hình 3.2a) thì những tâm cao này diễn ra ở một phần phía tây bắc Mianma và những tâm thấp nằm ở miền trung Việt Nam, quần đảo Philippin và một phần của nước Úc. Trường gió u của nhân D1 (hình 3.1b) có tâm cao ở phía tây và tây bắc, nhưng đối với nhân D3 (hình 3.2b) thì trường gió lại có tâm thấp ở phía Nam của bản đồ. Trường gió v của nhân D1 (hình 3.1c) có các tâm cao chủ yếu ở khu vực Việt Nam, Trung Quốc và một phần của nước Úc, trong khi đó trường gió v của nhân D3 (hình 3.2c) lại có tâm cao ở tại Indonexia, Malayxia và nước Úc. Qua phân tích các trường gió và nhiệt tại mực 850mb của 2 nhân D1 và D3 ta thấy: Nhiễu của mỗi trường khí tượng ở mỗi mực, đều có các biến động khác nhau, các biến động này được sinh ra bởi sai số của các dự báo tại các thời điểm trước đó. 50 Nuôi những dao động phát triển nhanh của mô hình RAMS Hình 3.3. Chu trình nuôi 24 giờ của phương pháp BGM cho cơn bão Chan chu 7h ngày 13/5/2006 Đưa lần lượt các nhân ban đầu D1, D2, …, D6 vào chu trình nuôi những dao động phát triển nhanh của RAMS (hình 3.3) có thời hạn nuôi 24 giờ với khoảng cách của mỗi lần nuôi là 6 giờ. Quá trình nuôi dao động phát triển nhanh của mô hình RAMS với trường nhiệt, gió của nhân D1 của cơn bão Chan chu như sau: cộng, trừ trường nhiệt, gió ở các mực của nhân D1 với trường nhiệt, gió của các mực của trường GFS 00h ngày 12/05/2006 (T-24), kết quả tạo ra 1 cặp trường dự báo mới. Tích phân cặp trường dự báo này tới thời điểm 06h ngày 12/05/2006 (T-18), tìm hiệu của cặp dự báo tại (T-18) và chuẩn hóa theo công thức trình bày ở phương pháp BGM. Trường nhiệt, gió đã được chuẩn hóa này được cộng và trừ với trường nhiệt, gió của trường GFS tại 12 h ngày 12/05/2006 (T-12), tích phân cặp này tới 18h ngày 12/05/2006 (T-06), đưa kết quả dự báo tại (T-12) hạn 6 giờ của trường nhiệt, gió đã tìm hiệu và chuẩn hóa cộng với trường nhiệt, gió của trường GFS tại (T-6). Tiếp tục tích phân cặp nhiễu tại (T-6), tìm hiệu và chuẩn hóa trường nhiệt, gió ở các mực ta có được trường nhiệt, gió của nhân D1 (hình 3.5) và cộng trừ nhân D1 với trường nhiệt, gió 51 của trường GFS tại 00 h ngày 13/05/2006 (T00), 2 trường mới được tạo ra này được xem như là 2 thành phần dự báo. Hình 3.4: Trường t (độ C), u (m/s), v (m/s) của nhân D1 tại thời điểm T-12 giờ a a b b c c Hình 3.5: Trường t (độ C), u (m/s), v (m/s) của nhân D1 tại thời điểm T00 giờ Phân tích trường nhiệt và gió của nhân D1 tại T-12 giờ trước thời điểm dự báo, trên hình 3.4 các tâm cao ở phía bắc vẫn được duy trì tuy nhiên các tâm này mở rộng hơn, trong khi đó trên Biển Đông lại hình thành những tâm thấp mới. Tiếp tục nuôi nhân D1 tới thời điểm T00 (hình 3.5), các tâm cao ở phía bắc Việt Nam vẫn được duy trì, tâm thấp mới sinh ra trong quá trình nuôi dao động so với thời điểm T=-12 giờ trên Biển Đông đã bị giảm. Sau một chu trình nuôi ta tìm được dao động phát triển nhanh của mô hình RAMS đối với nhân D1. 52 c b a Hình 3.6: Trường t (độ C) ,u (m/s) ,v (m/s) của nhân D3 tại thời điểm T=-12 giờ b a c Hình 3.7: Trường t (độ C) ,u (m/s) ,v (m/s) của nhân D3 tại thời điểm T=00 giờ Tương tự như trường nhiệt độ và gió của nhân D1, trường nhiệt độ (hình 3.6a) của nhân D3 sau một chu trình nuôi 24 giờ, các tâm cao ở phía bắc và tây bắc Việt Nam, tâm thấp ở phía Đông Trung Quốc và ở quần đảo Philippin đã thu hẹp so với trường nhiệt độ tại thời điểm T=-12 (hình 3.7 a). Các thành phần u, v của trường gió (hình 3.7 b,c) nhân D3 lại cho thấy các tâm cao ở khu vực phía Đông bắc Việt Nam có xu hướng lùi về phía nam và yếu đi. Để thấy vai trò của quá trình trước và sau khi nuôi nhiễu, ta tìm hiệu của trường gió và nhiệt độ của nhân D1 và nhân D3 tại T=00 trừ đi trường gió, nhiệt được tạo bởi phương pháp dự báo trễ (nhân ban đầu), kết quả được biễu diễn ở hình 3.8 và hình 3.9: 53 b a c Hình 3.8: Biến động của Trường t (độ C) ,u (m/s) ,v (m/s) của nhân D1 a b c Hình 3.9: Biến động của Trường t (độ C) ,u (m/s) ,v (m/s) của nhân D3 Đối với trường nhiệt, và trường gió v của 2 nhân D1 và D3 đều cho vùng biến động mạnh tại khu vực phía bắc Việt Nam (hình 3.8a, hình 3.9a, hình 3.8c, hình 3.9c). Trong khi biến động của trường nhiệt, và trường gió v của 2 nhân D1 và D3 có vùng biến động mạnh ở khu vực Thái Lan và Mianma (hình 3.8b, hình 3.9b). Từ phân tích trên cho thấy, các nhân ban đầu đã thay đổi trong quá trình nuôi và nó trở thành các mode phát triển của mô hình RAMS. 54 3.3 DỰ BÁO TỔ HỢP QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHỮNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS. Kết quả dự báo tổ hợp quỹ đạo của 7 cơn bão (bảng 3.1) được sử dụng để đánh giá sai số của phương pháp và so sánh với các dự báo khác. Để thấy rõ hiệu quả của phương pháp tổ hợp dưới đây sẽ trình bày kết quả dự báo quỹ đạo của 2 cơn bão điển hình Chan chu 13/05/2006 và Prapiroon ngày 31/07/2006. 3.3.1 Cơn bão Chan chu (12-17/5/2006) Diễn biến của cơn bão Chan chu Đây là cơn bão rất mạnh, hình thành từ phía Đông Philipin, trưa ngày 12/5 vượt qua Philipin vào Biển Đông. Bão di chuyển nhanh theo hướng Tây Tây Bắc. Sáng 15/5, khi đến khoảng kinh tuyến 115 độ kinh đông bão đổi hướng di chuyển nhanh về phía Bắc (hình 3.10). Chiều tối ngày 17/5 bão đổ bộ vào đất liền tỉnh Quảng Đông (Trung Quốc). Hình 3.10. Quỹ đạo thực của bão Chan chu (Nhật bản) 55 Phân tích hình thế synop cơn bão Chan chu Ngày 14 tháng 5 năm 2006 bão Chan chu đã mạnh tới 2 cấp so với ngày 13, từ cấp 10, lên cấp 12, lúc 00z ngày 14/5/2006 vị trí tâm bão ở vào khoảng 14.0 độ vĩ bắc; 117.6 độ kinh đông. Hình 3.11: Bản đồ phân tích mặt đất 00z ngày 14/5/2006 Trên bản đồ phân tích mặt đất 00z ngày 14 tháng 5 năm 2006 (Hình 3.11) ta thấy một áp cao lạnh lục địa đang bao trùm toàn bộ Trung Quốc với đường đẳng áp khép kín ở trung tâm áp cao lạnh này lên tới 1030mb. Lưỡi áp cao lạnh này đã ảnh hưởng đến Bắc Bộ, Bắc Trung Bộ và một số nơi thuộc Trung Trung Bộ và phía bắc Biển Đông. Hình 3.12: Bản đồ phân tích mực 850mb 00z ngày 14/5/2006 56 Trên bản đồ phân tích AT-850 (Hình 3.12) thể hiện rất rõ sự khống chế của lưỡi áp cao lạnh lục địa với các nơi trên đất liền nước ta và khu vực bắc Biển Đông. Với đường khép kín 156 (dam) ở trung tâm trong tháng 5, chứng tỏ đây là đợt hoạt động mạnh của áp cao lạnh lục địa trong giai đoạn này. Qua phân tích các bản đồ phân tích mặt đất và AT-850 lúc 00z ngày 14/5/2006 (hình 3.12) ta thấy bão Chan chu đang nằm ở phía Đông Nam của lưỡi áp cao lạnh lục địa với trường gió Đông Bắc thịnh hành trên toàn bộ khu vực phía Đông Nam Trung Quốc đến hết khu vực bắc biển Đông. Hình 3.13: Bản đồ phân tích mực 500mb 00z ngày 14/5/2006 Bản đồ phân tích AT-500 (Hình 3.13) phân tích được một lưỡi áp cao cận nhiệt đới với đường bao quanh là 584 (dam), tuy nhiên trong lưỡi áp cao này lại phân thành hai trung tâm, một vùng có trung tâm ở vào khoảng 150N - 1050E, một ở khu vực phía đông Philippin với trục của áp cao cận nhiệt đi qua bắc Trung Bộ, trong khi đó bão Chan chu lại nằm ở phía dưới trường yên của áp cao này. Cùng với đó trên khu vực 108 – 1120E; 30 – 350N cũng thể hiện khá rõ một trục rãnh. 57 Hình 3.14: Ảnh mây vệ tinh 00z ngày 14/5/2006 Ảnh mây vệ tinh 00z ngày 14/5/2006 (Hình 3.14) thể hiện rất rõ sự hoạt động của áp cao cận nhiệt đới với trường yên nằm ở phía bắc Philippin, sự lấn xuống của áp cao lục địa đã bao trùm toàn bộ khu vực Bắc Bộ và bắc Biển Đông, đồng thời cũng cho ta thấy phạm vi và cường độ của bão Chan chu trong thời điểm này là rất mạnh. Với phân bố các trường khí tượng từ mặt đất lên 5km như đã phân tích ở trên ta thấy có 2 khả năng cho sự di chuyển của bão Chan chu trong thời gian tương lai: Khả năng 1: bão sẽ phá vỡ trường yên của áp cao cận nhiệt ở mực 500mb và di chuyển lên phía bắc, với trường hợp này bão sẽ xâm nhập và cuốn hút mạnh khối không khí lạnh tầng thấp dẫn đến khả năng bão sẽ suy yếu cường độ trong thời gian tương lai; Khả năng 2: bão không phá vỡ trường yên trên mực 500mb mà sẽ đi theo dòng dẫn của rìa đông nam của bộ phận áp cao cận nhiệt phía Tây kết hợp với trường gió Đông bắc của áp cao lạnh do đó bão sẽ di chuyển chủ yếu về phía Tây, với trường hợp này do hoạt động ở trong vùng biển sâu, đang trong giai đoạn trẻ nên khả năng bão sẽ giữ cường độ hoặc tiếp tục mạnh lên. 58 Hình 3.15: Ảnh mây vệ tinh 00z ngày 15/5/2006 Thực tế 00z ngày 15/5/2006 ta thấy: bão Chan chu tiếp tục mạnh thêm và cường độ của nó cũng đã vượt cấp 12, bão dịch chuyển chủ yếu theo hướng Tây Tây Bắc, ảnh mây vệ tinh (Hình 3.15) cho thấy tâm bão rất nhỏ và sắc nét, chứng tỏ cường độ bão rất mạnh, vị trí lúc 7h sáng ở vào khoảng 14,1 độ vĩ bắc; 115,3 độ kinh đông, và lúc này nó chỉ còn cách bờ biển các tỉnh Quảng Ngãi - Phú Yên khoảng 680 km về phía đông, như vậy bão đã di chuyển trong 24 giờ trước theo khả năng thứ 2 là nhiều hơn. Hình 3.16: Bản đồ phân tích mặt đất 00z ngày 15/5/2006 59 Trên bản đồ phân tích mặt đất (hình 3.16) Áp cao lục địa dịch chuyển ra phía đông, cường độ suy yếu chậm với vùng trung tâm ở phía Tây Bắc đến Bắc so với vị trí của bão. Nói chung, hình thế tầng thấp ít biến đổi so với 24 giờ trước. Hình 3.17: Bản đồ phân tích mực 500mb 00z ngày 15/5/2006 Trên mực 500mb (hình 3.17) ta thấy áp cao cận nhiệt nhánh phía Tây đã suy yếu hoàn toàn; phía nam Trung Quốc trục rãnh gió tây hoạt động nhưng không mạnh với điểm nam nhất của rãnh ở khoảng 27 độ vĩ bắc, 100 độ kinh đông, nằm khá xa so với vị trí của bão, đồng thời ảnh mây vệ tinh 00z ngày 15/5/2006 cho ta thấy áp cao cận nhiệt đới hầu như lùi hẳn ra phía đông của quần đảo Philippin, toàn bộ hoàn lưu bão thể hiện rộng trên cả biển Đông. Với các hình thế synop ở tầng thấp và cao như phân tích lúc 00z ngày 15/5/2006 chúng ta thấy có 2 khả năng có thể xảy ra đối với quỹ đạo của bão trong thời gian tới. Khả năng thứ nhất: bão sẽ di chuyển theo nội lực của nó lên phía Bắc hoặc tây bắc, trường hợp này bão sẽ tương tác với khối cao áp lục địa do đó cường độ bão có khả năng suy yếu. Trường hợp 2, bão sẽ chịu tác động của trường gió Đông Bắc ở tầng thấp, bão sẽ di chuyển theo hướng Tây. Với hình thế phân tích trên bão có khả năng sẽ di chuyển theo trường hợp 2 (gần giống như di chuyển của bão ở 24 giờ trước đây). Thực tế di 60 chuyển của bão Chan chu trong ngày 15/5/2006 đã có sự thay đổi không như kết quả phân tích bản đồ synop thời điểm 00z ngày 15/5/2006. Bão đã dừng lại không di chuyển tiếp theo hướng tây tây bắc mà đổi hướng di chuyển lên phía bắc với tốc độ khoảng 10-15km một giờ và tiếp tục giữ cường độ mạnh (cấp TYPHOON-4) tới 06z ngày 16/5/2006 mới giảm đi một cấp còn TYPHOON-3. 61 Kết quả dự báo tổ hợp và đánh giá sai số Hình 3.18. Dự báo tổ hợp 72 giờ quỹ đạo bão bằng mô hình RAMS từ 7h ngày 13/05/2006 Quỹ đạo dự báo kiểm tra: đường nét đứt có chấm tròn; Quỹ đạo dự báo có đưa những dao động phát triển nhanh vào trường ban đầu: đường nét liền mỏng (12 đường); Quỹ đạo dự báo tổ hợp: đường nét liền có chấm tròn; Quỹ đạo thực (Nhật bản): đường nét liền có hình tam giác. Đã tiến hành thử nghiệm phương pháp nuôi những dao động phát triển nhanh và dự báo quỹ đạo bão Chan chu 3 ngày từ 7h (giờ Việt Nam) ngày 13/05/2006 tới 7h ngày 16/05/2006. Dự báo bằng phương pháp tổ hợp đối với cơn bão Chan chu được trình bày ở hình 3.18, cặp dự báo thành phần tổ hợp có xu hướng tán về 2 phía của quỹ đạo thực và chúng đã bao trùm được quỹ đạo thực và quỹ đạo dự báo kiểm tra. Tổ hợp 12 thành phần và quỹ đạo dự báo kiểm tra bằng phương pháp lấy trung bình kết quả thu được: Đối với trường hợp dự báo kiểm tra, mô hình RAMS cho kết quả dự báo tốc độ di chuyển trong 42 giờ đầu chậm (SSDOC<0) và hướng di chuyển lệch về phía phải so với quỹ đạo thực của 62 bão (SSNGANG>0), 30 giờ sau tốc độ di chuyển nhanh (SSDOC>0), hướng di chuyển lệch về phía trái so với thực tế (SSNGANG<0). Bảng 3.2: Bảng sai số khoảng cách (SSKC), sai số dọc (SSDOC) và sai số ngang (SSNGANG) của dự báo tâm bão bằng mô hình RAMS khi không nuôi những dao động phát triển nhanh (dự báo kiểm tra viết tắt CF) và khi nuôi những dao động phát triển nhanh(BGM). (Thời điểm dự báo 7h ngày 13/05/2006) SS KC (km) SS DOC (km) SS NGANG (km) Hạn dự báo CF BGM CF BGM CF BGM 6 114 63 -113 -62 15 13 12 160 67 -160 -60 15 29 18 198 70 -176 -67 90 -20 24 168 36 -92 -25 140 27 30 183 86 -75 -43 167 74 36 176 107 -74 -52 159 94 42 150 123 -74 -56 130 110 48 168 147 165 125 27 76 54 186 133 181 127 -43 40 60 219 128 215 124 -44 35 66 250 133 246 118 -42 61 72 167 93 154 78 -66 50 Phương pháp nuôi những dao động phát triển nhanh cho kết quả dự báo quỹ đạo bão tốt hơn so với trường hợp dự báo kiểm tra về cả tốc độ di chuyển, hướng di chuyển và sai số khoảng cách. Cụ thể trường hợp nuôi những dao động phát triển nhanh cải thiện được sai số khoảng cách là 132, 21 và 74 km với hạn dự báo 24, 48 và 72 h. Trong khi đó tốc độ di chuyển của bão được dự báo chính xác hơn, giảm sai số 70, 40 và 76 km hạn 24, 48, 72 giờ với dự báo kiểm tra. Đặc biệt sau khi dự báo được sự đổi hướng của quỹ đạo bão trước 48 tiếng, hướng di chuyển cho hạn dự báo tiếp theo hướng di chuyển dự báo ổn định (song song với đường quỹ đạo thực thực) so với đường dự báo kiểm tra. 63 3.5.2 Cơn bão Prapiroon (31/07/2006-3/8/2006) Diễn biến của cơn bão Prapiroon Đêm ngày 31/7 rạng sáng ngày 1/8 một áp thấp nhiệt đới vượt qua Philipin vào Biển Đông, hồi 1h sáng ngày 1/8 vị trí trung tâm ở vào khoảng 16-17 độ vĩ Bắc, 119-120 độ kinh Đông, sức gió mạnh nhất vùng gần trung tâm cấp 7, giật trên cấp 7, di chuyển ổn định theo hướng Tây Tây Bắc 15- 20km/h, trưa ngày 1/8 áp thấp nhiệt đới mạnh lên thành bão. Bão tiếp tục di chuyển theo hướng Tây Tây Bắc 10-15km/h và mạnh thêm, đến chiều tối ngày 2/8 đạt đến cấp 12, giật trên cấp 12, tối ngày 3/8 đổ bộ vào phía Tây tỉnh Quảng Đông (Trung Quốc), suy yếu dần và tiếp tục di chuyển theo hướng giữa Tây Tây Bắc. Bão đã gây gió mạnh cấp 6, cấp 7, giật trên cấp 7 ở phía Bắc vịnh Bắc Bộ; cấp 5, giật cấp 7 ở vùng ven biển tỉnh Quảng Ninh- Hải Phòng (hình 3.19). Các nơi thuộc phía Đông Bắc Bộ và Thanh Hóa có mưa vừa, có nơi mưa to. Hình 3.19. Quỹ đạo thực của bão Chan chu (Nhật bản) Phân tích Synop tổng quát trong các ngày thử nghiệm dự báo: Bão Prapiroon hình thành từ một áp thấp nhiệt đới ở phía đông Philippin. Ở các tầng từ mặt đất tới 500 mb hình thế chủ đạo ảnh hưởng, chi phối tới hoạt động của bão trong những ngày này là áp cao cận nhiệt đới và dải hội tụ. 64 Hình 3.20: Bản đồ phân tích mặt đất 00z ngày 01/08/2006 Hình 3.21: Bản đồ phân tích mực 500mb 00z ngày 01/08/2006 Hình 3.22: Bản đồ phân tích mặt đất 00z ngày 02/08/2006 Hình 3.23: Bản đồ phân tích mực 500mb 00z ngày 02/08/2006 Ngày 01/8/2006 áp cao cận nhiệt đang trong quá trình suy yếu chậm (trước ó áp cao cận nhiệt đới rất mạnh với đường 592dam khống chế, có 01 trung đ tâm trên khu vực Thượng Hải) (hình 3.21), ngày 02 và 03/8 áp cao cận nhiệt phát triển trở lại với lưỡi cao di chuyển dần sang phía tây, trục của áp cao này ít thay đổi (hình 3.23). Dải hội tụ nhiệt đới tồn tại trong suốt quá trình hoạt động của bão Prapiroon và có trục tương đối ổn định (hình 3.20, hình 3.22). Đó là nguyên nhân chính làm cho bão hoạt động và có hướng di chuyển ổn định. 65 Kết quả dự báo tổ hợp và đánh giá sai số Hình 3.24. Dự báo 72 giờ quỹ đạo bão bằng mô hình RAMS 7 giờ ngày 31/07/2006 Quỹ đạo dự báo kiểm tra: đường nét đứt có chấm tròn; Quỹ đạo dự báo nuôi những dao động phát triển nhanh: đường nét liền mỏng (12 đường); Quỹ đạo dự báo tổ hợp: đường nét liền có chấm tròn; Quỹ đạo thực ( Nhật bản): đường nét liền có hình tam giác Phân tích bản đồ synop cho thấy bão di chuyển ổn định như trên, nhưng khi sử dụng mô hình RAMS để dự báo cho cơn bão Prapiroon ngày 31/7/2006 với hạn dự báo 72 giờ, Ở bảng 3.3, dự báo kiểm tra cho sai số khoảng cách rất lớn khoảng từ 200 đến 300 km cho dự báo hạn 72h. Tốc độ của bão di chuyển nhanh (trên 200 km) với hạn dự báo từ 12 đến 54 giờ, hướng di chuyển tại các thời đoạn dự báo rất lớn ví dụ hạn dự báo từ 48 đến 54 giờ sai số ngang của thời điểm nay lên tới 287 km. Trong khi đó sai số của trường hợp nuôi những dao động phát triển nhanh cho kết quả sai số khoảng cách nhỏ chỉ trong khoảng 150 đến 250 km 66 hạn 72 giờ, tốc độ di chuyển chậm, sát với quỹ đạo thực hơn so với quỹ đạo kiểm tra và có hướng di chuyển ổn định trong suốt quá trình dự báo. Bảng 3.3: Bảng sai số khoảng cách (SSKC), sai số dọc (SSDOC) và sai số ngang (SSNGANG) của dự báo tâm bão bằng mô hình RAMS khi không nuôi những dao động phát triển nhanh (dự báo kiểm tra viết tắt CF) và khi nuôi những dao động phát triển nhanh(BGM). (Thời điểm dự báo 7h ngày 31/07/2006) SS KC (km) SS DỌC (km) SS NGANG (km) H báo ạn dự CF BG M CF BG M CF BG M 6 245 147 -47 -44 -241 -141 12 191 149 191 136 10 -63 18 328 169 280 150 170 77 24 268 134 235 71 128 113 30 306 149 271 119 142 90 36 290 153 284 125 56 87 42 373 232 288 147 238 180 48 316 237 304 227 87 66 54 352 212 290 144 -200 -155 60 235 145 183 127 -148 -71 66 293 192 120 30 -267 -190 72 320 143 136 -106 -289 -96 phương pháp nuôi những dao độ cứu (hình 3.25) và tiến hành đánh giá sai số khoảng cách dựa trên 7 cơn bão. 3.5.3. Đánh giá khả năng dự báo bão bằng ng phát triển nhanh trên toàn bộ tập mẫu. Dựa trên bộ tập mẫu của các cơn bão nghiên cứu, tác giả đưa ra dự báo quỹ đạo bão bằng mô hình RAMS của 7 cơn bão nghiên 67 a: Dự báo tổ hợp 72 giờ quỹ đạo bão Durian 7 giờ ngày 01/12/2006 b: Dự báo tổ hợp 72 giờ quỹ đạo bão Prapiroon 7h ngày 31/07/2006 c: Dự báo tổ hợp 72 giờ quỹ đạo bão Utor 7h ngày 11/12/2006 d: Dự báo tổ hợp 72 giờ quỹ đạo bão Chan chu 7h ngày 13/05/2006 e: Dự báo tổ hợp 72 giờ quỹ đạo bão Xangsane 7h ngày 27/09/2006 f: Dự báo tổ hợp 72 giờ quỹ đạo bão Cimaron 7h ngày 28/10/2006 68 g: Dự báo tổ hợp 72 giờ quỹ đạo bão Chebi 7h ngày 11/11/2006 Hình 3.25. Dự báo 72 giờ quỹ đạo bão bằng mô hình RAMS của 7 cơn bão nghiên cứu Quỹ đạo dự báo kiểm tra: đường nét đứt có chấm tròn; Quỹ đạo dự báo nuôi những dao động phát triển nhanh: đường nét liền mỏng (12 đường); Quỹ đạo dự báo tổ hợp: đường nét liền có chấm tròn; Quỹ đạo thực ( Nhật bản): đường nét liền có hình tam giác Nhận xét: Từ hình 3.26 cho thấy kết quả dự báo bão bằng phương pháp tổ hợp được cho là tốt với những cơn bão Durian (hình 3.25a), Prapiroon (hình 3.25b), Utor (hình 3.25c), Chan chu (hình 3.25d), Cimaron (hình 3.25f) và Chebi (hình 3.25g). Trong khi đó kết quả dự báo thành phần của cơn Xangsane (hình 3.25e) chưa bao được quỹ đạo thực của cơn bão, nguyên nhân có thể là do số thành phần tham gia tổ hợp chưa đủ lớn (các trung tâm lớn thường sử dụng 50 thành phần). B¶ng 3.4 tr×nh bµy kÕt qu¶ sai sè kho¶ng c¸ch trung b×nh toµn bé dung l−îng mÉu đối với 7 cơn bão năm 2006. H×nh 3.25 lµ ®å thÞ biÓu diÔn gi¸ trÞ sai sè t−¬ng øng cña b¶ng 3.4 69 B¶ng 3.4. Sai sè kho¶ng c¸ch trung b×nh (MPE) cña toµn bé tËp mÉu øng víi tõng ph−¬ng ¸n thö nghiÖm. MPE H¹n Dự báo bằng phương pháp BGM Dự báo kiểm tra 6 72 0 7 12 5 5 7 7 18 3 5 10 10 24 1 4 10 13 30 0 4 12 16 36 9 5 13 16 42 1 8 15 17 48 7 3 13 20 54 8 3 14 23 60 5 6 14 26 66 4 2 17 30 72 3 4 15 32 0 50 100 150 200 250 300 350 0 6 12 18 24 30 36 42 48 54 60 66 72 Sử dụng phương pháp BGM Dự báo kiểm tra H×nh 3.26. Sai sè kho¶ng c¸ch trung b×nh (MPE) cña dự báo bằng phương pháp BGM và dự báo kiểm tra . 70 Từ kết quả ở bảng 3.4 và hình 3.26 về sai số khoảng cách trung bình của toàn bộ tập mẫu ứng với các phương án thử nghiệm cho thấy: Ở những thời điểm ban đầu của dự báo, vị trí tâm bão trong các phương án gần như nhau và tương đối sát với vị trí của vị trí tâm bão quan trắc. Sai số khoảng cách trung bình tại từng thời điểm dự báo 12, 24 và 36 giờ của phương án tổ hợp lần lượt là 75, 101 và 139 km. Trong khi đó ở các phương án dự báo kiểm tra có giá trị sai số là 75, 134 và 165 km, sai số lệch nhau không đáng kể. Hạn dự báo tăng, sai số vị trí của các phương án dự báo kiểm tra tăng nhanh hơn nhiều so với các phương án dự báo sử dụng phương pháp BGM. Cụ thể ở các hạn dự báo 48, 60 và 72h phương án dự báo sử dụng phương pháp BGM có sai số 137, 145 và 153 km trong khi đó sai số đối với phương án dự báo kiểm tra là 203, 266 và 324 km. Như vậy ta thấy trong các trường hợp đã xét phương án dự báo sử dụng phương pháp BGM cho sai số vị trí tâm bão giảm gần 100 km trong các thời hạn dự báo 48, 60 và 72 giờ. Như vậy phương pháp BGM làm tăng độ chính xác dự báo với các hạn dự báo từ 2 đến 3 ngày. B¶ng 3.5. Sai sè dọc trung b×nh (MATE) cña toµn bé tËp mÉu øng víi tõng ph−¬ng ¸n thö nghiÖm. MATE H¹n Dự báo bằng phương pháp BGM Dự báo kiểm tra 6 -43 -3 12 7 2 -2 -2 18 7 4 -2 24 0 6 -2 30 1 8 -1 36 9 3 -1 1 42 0 5 -3 71 48 2 7 5 8 54 9 3 2 5 60 2 5 4 6 66 5 2 -4 72 1 -1 -6 -60 -40 -20 0 20 40 60 80 100 0 6 12 18 24 30 36 42 48 54 60 66 72 Sử dụng phương pháp BGM Dự báo kiểm tra H×nh 3.27. Sai sè dọc trung b×nh (MATE) cña dự báo bằng phương pháp BGM và dự báo kiểm tra . Xét sai số dọc trung bình của 7 cơn bão, dự báo kiểm tra cho sai số dọc thấp hơn so với phương án tổ hợp trong 42 giờ đầu, trong 24 giờ tiếp theo dự báo kiểm tra lại cho kết quả sai số dọc lớn hơn so với dự báo tổ hợp thể hiện ở bảng 5 và hình 27. Với sai số ngang trung bình, dự báo bằng phương pháp BGM cho kết quả lệch về phía phải của cơn bão, trong khi dự báo kiểm tra cho kết quả lệch phải trong 42 giờ đầu và lệch về phía trái của cơn bão trong các giờ tiếp theo (bảng 3.6) và hình (3.28). 72 B¶ng 3.6. Sai sè ngang trung b×nh (MCTE) cña toµn bé tËp mÉu øng víi tõng ph−¬ng ¸n thö nghiÖm. MCTE H¹n Dự báo bằng phương pháp BGM Dự báo kiểm tra 6 -18 7 -1 12 5 7 18 7 9 3 4 24 1 6 6 7 30 9 4 6 7 36 6 6 4 1 42 7 4 7 3 48 4 0 3 -3 54 3 5 -1 -7 60 4 2 -6 66 3 7 2 -4 72 2 7 2 -6 -100 -80 -60 -40 -20 0 20 40 60 80 100 0 6 12 18 24 30 36 42 48 54 60 66 72 Sử dụng phương pháp BGM Dự báo kiểm tra H×nh 3.28. Sai sè ngang trung b×nh (MCTE) cña dự báo bằng phương pháp BGM và dự báo kiểm tra . 73 KẾT LUẬN Qua kết quả nghiên cứu về phương pháp nuôi những dao động phát triển nhanh của mô hình RAMS, luận văn đã thực hiện được một số kết quả: (1). Đã đưa ra tổng quan về hệ thống dự báo tổ hợp trên thế giới. (2). Xây dựng được chương trình tạo ra nhân nhiễu động ban đầu bằng phương pháp dự báo trễ và chương trình nuôi những dao động phát triển nhanh của mô hình RAMS. Sử dụng các chương trình này để dự báo quỹ đạo cho 7 cơn bão bằng phương pháp nuôi những dao động phát triển nhanh. (3). Áp dụng thành công phương pháp BGM vào dự báo quỹ đạo bão vì các dự báo thành phần của tổ hợp có độ tán rộng, tán về 2 phía của đường quỹ đạo thực (best track) và đường dự báo kiểm tra (control forecast), nó hoàn toàn phù hợp với lý thuyết tổ hợp của Kalnay. Phương pháp BGM cho dự báo hạn 2,3 ngày tốt hơn hẳn so với dự báo kiểm tra (cả về hướng di chuyển và sai số khoảng cách tâm bão). 4) Kết quả đánh giá sai số khoảng cách cho 7 cơn bão cho thấy:  Dự báo quỹ đạo bão trong 42 giờ đầu:  Sai số khoảng cách giữa quỹ đạo dự báo bằng phương pháp BGM với quỹ đạo thực trong khoảng từ 72 đến 151 km.  Sai số khoảng cách giữa dự báo quỹ đạo bằng phương pháp BGM với quỹ đạo dự báo kiểm tra là gần như nhau, tốc độ di chuyển của quỹ đạo bão bằng phương pháp BGM chậm hơn so với quỹ đạo thực, trong khi đó quỹ đạo dự báo kiểm tra nhanh hơn so với quỹ đạo thực. Hướng di chuyển của cả 2 dự báo đều lệch phải so với quỹ đạo thực. 74  Dự báo quỹ đạo hạn 48 giờ:  Sai số khoảng cách của quỹ đạo dự báo bằng phương pháp BGM là 137 km so với quỹ đạo bão thực.  Sử dụng phương pháp BGM để dự báo quỹ đạo bão cho sai số khoảng cách giảm 66 km so với dự báo kiểm tra. Hướng di chuyển của dự báo bão quỹ đạo bằng phương pháp BGM lệch phải so với quỹ đạo thực trong khi đó quỹ đạo của dự báo kiểm tra lại lệch trái so với quỹ đạo thực. Tốc độ di chuyển của quỹ đạo bão bằng phương pháp BGM giảm 35 km so với dự báo kiểm tra.  Dự báo quỹ đạo hạn 72 giờ:  Sai số khoảng cách tại thời điểm này so với dự báo kiểm tra giảm 172 km, hướng di chuyển của dự báo quỹ đạo bão bằng phương pháp BGM lệch phải, trong khi đó dự báo kiểm tra cho dự báo quỹ đạo bão có xu thế lệch trái so với quỹ đạo thực. Tốc độ di chuyển của cả 2 phương án đều hơi chậm so với quỹ đạo thực. 5) Kết quả nghiên cứu có thể sử dụng thử nghiệm trong nghiệp vụ. Phương hướng nghiên cứu tiếp: Dự báo cho nhiều trường hợp bão và xây dựng dự báo siêu tổ hợp. 75 TÀI LIỆU THAM KHẢO Tiếng Việt 1 Hoàng Đức Cường “Ứng dụng phương pháp dự báo tổ hợp cho mô hình MM5”. Hội thảo khoa học lần thứ 9 – Viện Khí tượng Thủy văn 2 Võ Văn Hòa, 2006: Dự báo quỹ đạo xoáy thuận nhiệt đới dựa trên dự báo tổ hợp hàng nghìn thành phần. Tạp chí KTTV, 547, tr 7-18. 3 Võ Văn Hòa, Đỗ Lệ Thủy, Nguyễn Chi Mai, 2006: “Các phương pháp tạo nhiễu động trong dự báo tổ hợp quỹ đạo xoáy thuận nhiệt đới. Phần I: Giới thiệu phương pháp và hướng áp dụng cho điều kiện ở Việt Nam”. Tạp chí KTTV, 541, tr 23-32. 4 Võ Văn Hòa, Đỗ Lệ Thủy, Nguyễn Chi Mai, 2006: Các phương pháp tạo nhiễu động trong dự báo tổ hợp quỹ đạo xoáy thuận nhiệt đới. Phần II: Một số kết quả nghiên cứu. Tạp chí KTTV, 543, tr 21-31. 5 Nguyễn Chi Mai, Nguyễn Thu Hằng, 2004: Phương pháp dự báo tổ hợp và khả năng ứng dụng ở Việt Nam. Tạp chí KTTV, 518, tr 30-37. 6 Nguyễn Chi Mai, Nguyễn Thu Hằng, Nguyễn Phương Liên, 2004: Thử nghiệm dự báo tổ hợp quỹ đạo bão bằng phương pháp thống kê từ dự báo của các trung tâm quốc tế. Tạp chí KTTV, 519, tr 23-28. 7 Nguyễn Chi Mai, Nguyễn Thu Hằng, Phạm Lệ Hằng, 2004: Dự báo đường đi của bão sử dụng thống kê tập hợp dự báo của các mô hình số trị và các trung tâm dự báo quốc tế. Báo cáo tổng kết đề tài nghiên cứu cơ bản, mã số 730902. 8 Đỗ Lệ Thuỷ, Võ Văn Hoà, Nguyễn Chi Mai, 2005: Dự báo tổ hợp quỹ đạo xoáy thuận nhiệt đới dựa trên phương pháp nhiễu động trên mô hình chính áp. Báo cáo tổng kết đề tài nghiên cứu cơ bản, mã số 732904. 9 Trần Tân Tiến, (2004), Dự báo trường khí tượng, thuỷ văn biển Đông, Báo cáo tổng kết đề tài cấp nhà nước KC09-04. Tiếng Anh 10 Anderson, J. L, 1996. A method for producing and evaluating probabilistic forecasts from ensemble model integrations. J. Climate, 9, 1518-1530. 11 Anderson, J. L., 2001. An ensemble adjustment Kalman filter for data assimilation. Mon. Wea. Rev., 129, 2884-2903. 12 ATMET (2000), RALPH dataset formats version 2: RAMS Standard Input Format for Pressure Coordinate and Observation Data. 13 Barkmeijer, J., 1996. Constructing fast-growing perturbations for the nonlinear regime. J. Atmos. Sci., 53, 2838-2851. 14 Barkmeijer, J., M. Van Gijzen and F. Bouttier, 1998. Singular vectors and the 76 estimates of analysis-error covariance matrix. Quart. J. Roy. Meteor. Soc., 124, 1695-1713. 15 Brankovic, C., T. N. Palmer, F. Molteni, S. Tibaldi and U. Cubasch, 2006. Extended-range predictions with ECMWF models: Time-lagged ensemble forecasting. Quart. J. Roy. Meteor. Soc., 116, 867-912. 16 Buizza, R., 1994. Sensitivity of optimal unstable structures. Quart. J. Roy. Meteor. Soc., 120, 429-451. 17 Cai, M., E. Kalnay and Z. Toth, 2002. Bred vectors of the Zebiak-Cane model and their application to ENSO prediction. J. Climate, 16, 40-56. 18 Cao, H, 2002. Memorial dynamics of systems and its applications. Chinese Geology Press, Beijing, China, 192pp. (in Chinese) 19 Chen, J., J. Xue and H. Yang, 2003. Impact of physical parameterization schemes on mesoscale heavy rain simulations. Acta Meteorologica Sinica, 61, 203-218. 20 Cheung, K. W. C. and J. C. L. Chan, 1999a. Ensemble forecasting of tropical cyclone motion using a barotropic model. Part I: perturbations of the environment. Mon. Wea. Rev., 127, 1229-1243. 21 Cheung, K. W. C. and J. C. L. Chan, 1999b. Ensemble forecasting of tropical cyclone motion using a barotropic model. Part II: perturbations of the vortex. Mon. Wea. Rev., 127, 2617-2640. 22 Clark, T.L., 1977: A small-scale dynamic model using a terrain-following coordinate transformation. J. Comput. Phys., 24, 186-215. 23 Davies, H.C., 1978: A lateral boundary formulation for multi-level prediction models. Quart. J. R. Met. Soc., 102, 405-418. 24 Du J. and M. S. Tracton, 2001. Implementation of a real-time short-range ensemble forecasting system at NCEP: an update. Preprints, 9th Conference on Mesoscale Processes, Ft. Lauderdale, Florida, Amer. Meteor. Soc., 355-356. 25 Du, J. and M. S. Tracton, 2001. Implementation of a real-time short-range ensemble forecasting system at NCEP: an update. Preprints, 9th Conference on Mesoscale Processes, Ft. Lauderdale, Florida, Amer. Meteor. Soc., 355-356. 26 Du, J., 2004. Hybrid Ensemble Prediction System: a New Ensembling Approach. Preprints, Symposium on the 50th Anniversary of Operational Numerical Weather Prediction, University of Maryland, College