Tài liệu Nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực dự báo hạn mùa ở Việt Nam

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN --------------------- Nguyễn Quang Trung NGHIÊN CỨU KHẢ NĂNG ỨNG DỤNG MÔ HÌNH KHÍ HẬU KHU VỰC DỰ BÁO HẠN MÙAỞ VIỆT NAM Chuyên ngành: Khí tƣợng và khí hậu học Mã số: 62.44.87 BẢN TÓM TẮT LUẬN VĂN THẠC SĨ KHOA HỌC NGƢỜI HƢỚNG DẪN KHOA HỌC: GS. TS. Phan Văn Tân Hà Nội - 2012 LỜI CẢM ƠN Tác giả hoàn thành luận văn này khi học tập và công tác tại Bộ môn Khí tƣợng, Khoa Khí tƣợng Thủy văn và Hải dƣơng học, Trƣờng Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội. Luận văn đƣợc thực hiện dƣới sự hƣớng dẫn tận tình của GS. TS. Phan Văn Tân. Tác giả xin bày tỏ lòng biết ơn chân thành tới thầy, ngƣời đã hết lòng quan tâm cũng nhƣ kiên trì giúp đỡ từng bƣớc nghiên cứu của học viên. Tác giả cũng xin chân thành cảm ơn tập thể Bộ môn khí tƣợng nói riêng và Khoa Khí tƣợng Thủy Văn và Hải dƣơng học nói chung đã luôn giúp đỡ, tạo điều kiện để tác giả hoàn thành luận văn, hơn thế nữa còn mang lại một môi trƣờng làm việc và học tập hiếm có cho học viên. Nguyễn Quang Trung 2 MỤC LỤC DANH MỤC HÌNH ..........................................................................................4 DANH MỤC BẢNG .........................................................................................7 DANH MỤC CÁC KÝ HIỆU VIẾT TẮT .......................................................8 MỞ ĐẦU ...........................................................................................................9 Chƣơng 1 TỔNG QUAN ................................................................................10 1.1 Các nghiên cứu trên thế giới .................................................................10 1.2 Các nghiên cứu trong nƣớc ...................................................................18 Chƣơng 2 PHƢƠNG PHÁP NGHIÊN CỨU .................................................22 2.1 Sơ lƣợc về mô hình khí hậu khu vực RegCM3 ....................................22 2.2 Hệ thống mô hình kết hợp CAM-SOM ................................................24 2.3 Thiết kế thí nghiệm................................................................................29 2.4 Nguồn số liệu .........................................................................................34 Chƣơng 3 KẾT QUẢ VÀ NHẬN XÉT ..........................................................38 3.1 Kết quả dự báo hạn mùa bằng mô hình RegCM3 với các tùy chọn tham số hóa đối lƣu khác nhau .............................................................................38 3.1.1 Thời tiết, khí hậu khu vực Đông Nam Á giai đoạn 1996-2005 .....38 3.1.2 Hoàn lƣu, nhiệt độ và lƣợng mƣa từ đầu ra của RegCM3 .............40 3.2 Đánh giá kết quả dự báo thử nghiệm bằng Reg_CAMSOM ................54 3.2.1 Đánh giá trƣờng đầu vào nhận đƣợc từ CAMSOM .......................54 3.2.2 So sánh Reg_CAMSOM và Reg_NNRP2 .....................................58 3.2.3 Đánh giá kết quả Reg_CAMSOM .................................................64 KẾT LUẬN .....................................................................................................78 TÀI LIỆU THAM KHẢO...............................................................................79 3 DANH MỤC HÌNH Hình 1.1 Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO ...................15 Hình 2.1 Cấu trúc lƣới thẳng đứng (bên trái) và lƣới ngang dạng xen kẽ ArakawaB (bên phải) của mô hình RegCM3 ....................................................................23 Hình 2.2 Mô tả hệ toạ độ lai thẳng đứng trong CAM 3.0 .........................................27 Hình 2.3 Sơ đồ mô tả các mô hình thành phần của CAM-SOM ...............................28 Hình 2.5 Miền tính của RegCM3 trong các thí nghiệm. ...........................................31 Hình 2.4 Mô tả các thí nghiệm đƣợc thực hiện. ........................................................32 Hình 2.5 Vị trí 48 trạm lấy số liệu quan trắc để thẩm định .......................................36 Hình 3.1 Nino3.4 trung bình từ tháng 6 đến tháng 12 giai đoạn 1950 – 2007. ........39 Hình 3.2 Tần số bão ở khu vực Biển Đông (1961 - 2007) ........................................39 Hình 3.3 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 .......42 Hình 3.4 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 .......43 Hình 3.5 Trƣờng vectơ gió và độ cao địa thế vị mực 200 mb trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 .......44 Hình 3.6 Trƣờng khí áp mực biển trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 ..............................................45 Hình 3.7 Trƣờng nhiệt độ mực 2m trung bình các tháng 5-10 trong giai đoạn 19962005 của các thí nghiệm so sánh với số liệu CRU .........................................46 Hình 3.8 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí nghiệm so sánh với số liệu CRU ...............................................................47 Hình 3.9 Trƣờng nhiệt độ mực 2m trung bình các tháng 5-10 trong giai đoạn 19962005 của các thí nghiệm so sánh với số liệu quan trắc tại 48 trạm ................48 Hình 3.10 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí nghiệm so sánh với số liệu quan trắc tại 48 trạm ......................................49 4 Hình 3.11 Đồ thị tụ điểm đánh giá sai số mô phỏng nhiệt độ mực 2m (a) và lƣợng mƣa (b) của 3 thí nghiệm so với số liệu quan trắc tại 48 trạm. ......................51 Hình 3.12 Profile thẳng đứng của độ ẩm tuyệt đối (a) và nhiệt độ (b) trung bình từ tháng 5-10 giai đoạn 1996-2005 của các thí nghiệm......................................51 Hình 3.13 Biểu đồ Hovmoller trung bình trƣợt 5 ngày của nhiệt độ (a) và lƣợng mƣa (b) của các thí nghiệm Reg_Kuo (trên), Reg_Grell (giữa) và Reg_Emanuel (dƣới) .......................................................................................54 Hình 3.14 Trƣờng vectơ gió và độ cao địa thế vị mực 1000 mb trung bình các tháng 1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) ......................55 Hình 3.15 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) ......................56 Hình 3.16 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) ......................57 Hình 3.17 Trƣờng nhiệt độ không khí trung bình mực 2m các tháng 6,7,8 (trên xuống dƣới) mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và hiệu giữa chúng (phải).....................................................................59 Hình 3.18 Trƣờng tổng lƣợng mƣa các tháng 6,7,8 (trên xuống dƣới) mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và hiệu giữa chúng (phải)................................................................................................................60 Hình 3.19 Nhiệt độ không khí trung bình mực 2m các tháng từ tháng 5 đến tháng 9 mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số liệu quan trắc (phải) tại 48 trạm. .....................................................................61 Hình 3.20 Tổng lƣợng mƣa tháng trung bình trong các tháng từ tháng 5 đến tháng 9 mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số liệu quan trắc (phải) tại 48 trạm. .....................................................................62 Hình 3.21 Sai số mô phỏng nhiệt độ không khí trung bình mực 2m từ tháng 5 đến tháng 9 của RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại 48 trạm. ............................................................................................................63 5 Hình 3.22 Sai số mô phỏng lƣợng mƣa trung bình các tháng từ tháng 5 đến tháng 9 của RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại 48 trạm. .................................................................................................................64 Hình 3.23 Nhiệt độ không khí trung bình mực 2m của (a) tháng 4, (b) tháng 5, (c) tháng 6 theo số liệu CRU. ...............................................................................65 Hình 3.24 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 4 với các leadtime khác nhau ..........................................................................................66 Hình 3.25 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 5 với các leadtime khác nhau ..........................................................................................67 Hình 3.26 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 6 với các leadtime khác nhau ..........................................................................................68 Hình 3.27 Lƣợng mƣa trung bình của (a) tháng 4, (b) tháng 5, (c) tháng 6 theo số liệu CRU. .........................................................................................................69 Hình 3.28 Sai số dự báo lƣợng mƣa trung bình của tháng 4 với các leadtime khác nhau .................................................................................................................70 Hình 3.29 Sai số dự báo lƣợng mƣa trung bình của tháng 5 với các leadtime khác nhau .................................................................................................................71 Hình 3.30 Sai số dự báo lƣợng mƣa trung bình của tháng 6 với các leadtime khác nhau .................................................................................................................72 Hình 3.31 Sai số dự báo nhiệt độ mực 2m tại 48 trạm. .............................................73 Hình 3.32 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Bắc ............................74 Hình 3.33 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Nam ...........................75 Hình 3.34 Sai số dự báo lƣợng mƣa tại 48 trạm. .......................................................76 Hình 3.35 Sai số dự báo lƣợng mƣa tại các trạm miền Bắc ......................................76 Hình 3.36 Sai số dự báo lƣợng mƣa tại các trạm miền Nam.....................................77 6 DANH MỤC BẢNG Bảng 2.1 Danh mục một số trƣờng kết xuất của mô hình CAM-SOM .....................29 Bảng 2.2 Các hàm đƣợc sử dụng trong thƣ viện NFI ................................................34 Bảng 2.3 Danh sách 48 trạm lấy số liệu quan trắc để thẩm định ..............................36 7 DANH MỤC CÁC KÝ HIỆU VIẾT TẮT AGCM Mô hình hoàn lƣu chung khí quyển GCM Mô hình hoàn lƣu chung khí quyển (Global Circulation model) GPC Trung tâm sản phẩm toàn cầu cho dự báo hạn dài LSM Mô hình bề mặt đất (land surface model) RegCM Mô hình khí hậu khu vực (Regional Climate Model) SST Nhiệt độ mặt nƣớc biển toàn cầu (Sea surface temperature) WMO Tổ chức Khí tƣợng Thế giới (World Meteorological Organization) 8 MỞ ĐẦU Bài toán dự báo hạn mùa hiện đang là một trong những bài toán đƣợc quan tâm trên thế giới cũng nhƣ trong khu vực bởi những ứng dụng thiết thực đối với đời sống xã hội. Cụ thể trong dự báo hạn mùa, phƣơng pháp đƣợc quan tâm nhiều hiện nay là phƣơng pháp mô hình động lực, thay thế cho phƣơng pháp thống kê đƣợc phát triển mạnh những năm trƣớc đây. Sự phát triển của các mô hình dự báo số trị, không chỉ trên quy mô toàn cầu mà còn chi tiết hóa cho từng khu vực, đã góp phần tạo điều kiện thuận lợi cho hƣớng nghiên cứu này. Ở Việt Nam, việc ứng dụng và thử nghiệm các mô hình khí hậu khu vực cho bài toán dự báo tuy không còn mới mẻ nhƣng vẫn còn nhiều câu hỏi cần đƣợc trả lời, đặc biệt là dự báo hạn mùa. Trong khuôn khổ luận văn này, tác giả sẽ thử nghiệm sử dụng mô hình khí hậu khu vực, kết hợp với sản phẩm đầu ra từ mô hình dự báo toàn cầu, để đƣa ra các sản phẩm dự báo và đánh giá cho khu vực Việt Nam. Mô hình khu vực đƣợc sử dụng là Mô hình khí hậu khu vực RegCM phiên bản 3 (RegCM3), với đầu vào từ hệ thống mô hình kết hợp CAM-SOM. Trƣớc đó, khả năng mô phỏng của RegCM3 với các sơ đồ đối lƣu khác nhau cũng đƣợc đánh giá với kết quả trong giai đoạn 10 năm. Luận văn đƣợc bố cục thành 3 chƣơng, ngoài mở đầu, kết luận và tài liệu tham khảo nhƣ sau: Chƣơng 1: Tổng quan Chƣơng 2: Phƣơng pháp nghiên cứu Chƣơng 3: Kết quả và nhận xét 9 Chƣơng 1 TỔNG QUAN Dự báo hạn mùa hiện nay đang là một trong những bài toán đƣợc quan tâm đặc biệt, không chỉ trong nghiên cứu mà còn đƣợc mở rộng trong những ứng dụng của đời sống xã hội. Trong đó, có thể kể đến hiệu quả của sản phẩm dự báo hạn mùa có kĩ năng tốt trong lĩnh vực nông nghiệp nhƣ góp phần đƣa ra những dự báo đáng tin cậy về sản lƣợng vụ mùa ở Châu Âu [12] hay miền tây Ấn Độ [13], hơn thế nữa là trong lĩnh vực y tế nhƣ việc dự báo sự lan truyền của dịch sốt rét [38]. Chƣơng 1 sẽ trình bày tổng quan các nghiên cứu trên thế giới và trong nƣớc về dự báo hạn mùa, để có đƣợc những khái niệm cơ bản cũng nhƣ một vài nét về sự phát triển của dự báo hạn mùa. Từ đó, mục tiêu cũng nhƣ ý nghĩa bài toán đƣợc giải quyết trong khuôn khổ luận văn sẽ đƣợc chỉ rõ. 1.1 Các nghiên cứu trên thế giới Đến với bài toán dự báo hạn mùa, trƣớc hết, cần có cái nhìn khái quát về khái niệm của dự báo hạn mùa, cũng nhƣ về các trung tâm đƣa ra sản phẩm dự báo hạn mùa, đƣợc bổ nhiệm chính thức bởi Tổ chức Khí tƣợng Thế giới (WMO). Nghiệp vụ dự báo hiện nay có 3 lớp bài toán dự báo, bao gồm dự báo thời tiết, dự báo tháng và dự báo mùa. Đối với dự báo thời tiết, thông thƣờng hạn dự báo khoảng 3–5 ngày (hạn ngắn – Short range forecast) và tối đa khoảng 5–10 ngày (hạn vừa – Medium range forecast). Dự báo thời tiết cần phải chỉ ra đƣợc trạng thái của khí quyển tại một địa điểm cụ thể, vào những thời điểm cụ thể (từng ngày, thậm chí từng giờ) trong thời hạn dự báo. Khác với dự báo thời tiết, dự báo mùa không chỉ ra trạng thái khí quyển vào những thời điểm cụ thể đến từng ngày, thay vào đó là thông tin chung về điều kiện khí quyển trong từng khoảng thời gian nhất định (chẳng hạn từng tháng, từng mùa – ba tháng) trong thời hạn dự báo. Dự báo mùa, hay dự báo hạn mùa (Seasonal forecast), hay dự báo khí hậu hạn mùa (Seasonal Climate forecast) có hạn dự báo đến tối đa (hiện nay) là một năm [35]. 10 Bên cạnh đó, theo WMO [44], với bài toán dự báo thời tiết, dự báo quy mô lớn hơn 10 ngày trong tƣơng lai đƣợc coi là dự báo hạn dài, mặt khác trong dự báo khí hậu, dự báo hạn dài nói chung quan tâm ở quy mô mùa. Dự báo hạn dài đƣợc mở rộng từ hạn 30 ngày cho đến 2 năm, trong đó bao gồm các mô tả quy mô mùa (seasonal outlook) đƣợc định nghĩa là việc chỉ ra các tham số trung bình của thời tiết thông qua độ lệch so với giá trị trung bình khí hậu của mùa đó [30]. Khái niệm mùa có thể hiểu theo mùa thiên văn (xuân, hạ, thu, đông) và cũng có thể có khái niệm khác ở vùng nhiệt đới (mùa mƣa, mùa khô). Trong thực tế, dự báo hạn mùa (seasonal forecasting) đƣợc xét từ quy mô tháng cho đến 1 năm (với các hạn phổ biến là 1, 3, 6, 9 tháng) nhằm đƣa ra các ứng dụng có hiệu quả của sản phẩm dự báo. Dự báo hạn mùa (từ quy mô tháng cho đến quy mô năm) là một bài toán phức tạp mà sự thành công của các dự báo mùa này phụ thuộc vào mức độ hiểu biết (chi tiết) về mối quan hệ tƣơng tác giữa khí quyển và đại dƣơng [44]. Hiện tại, với những hiểu biết của chúng ta về các quá trình tƣơng tác trên, cùng với việc chi tiết hóa (hoàn thiện hơn) của các mô hình đã giúp phát triển việc quan trắc đo đạc cũng nhƣ tạo ra những tiến bộ trong dự báo hạn mùa. Để hiểu đƣợc cơ sở vật lý của dự báo hạn mùa, chúng ta cần hiểu các nhân tố tạo ra các đặc trƣng khí hậu của 1 năm khác biệt so với các năm khác. Vì vậy, chúng ta cũng cần nắm đƣợc khả năng dự báo của chính các nhân tố này và cụ thể ở quy mô thời gian nào. Trên quy mô toàn cầu, nguyên nhân quan trọng nhất khiến các đặc trƣng khí hậu thay đổi từ năm này qua năm khác là sự biến đổi của nhiệt độ mặt nƣớc biển toàn cầu (SST). Dị thƣờng nhiệt độ bề mặt biển ở khu vực nhiệt đới là đặc biệt quan trọng bởi vì đối lƣu sâu trong khí quyển miền nhiệt đới, tác động lớn đến hoàn lƣu toàn cầu, lại rất nhạy cảm với SST bên dƣới. Ở một số nơi khác nhƣ Châu Âu và Tây Phi, SST của khu vực cũng đƣợc coi là nhân tố quan trọng. Đối với khu vực nhiệt đới, đặc biệt là khu vực Thái Bình Dƣơng xích đạo, khả năng dự báo SST đƣợc nâng cao nhờ có các quá trình khác. Trong đó, ENSO là hiện tƣợng đƣợc quan tâm nghiên cứu và có tác động nhiều nhất đến các quá trình làm thay đổi SST. Dự báo hiện tƣợng ENSO, 11 theo quy mô tháng và năm, đã hỗ trợ tốt hơn cho dự báo hạn mùa ở nhiều nơi trên thế giới. Bề mặt đất của trái đất cũng có thể ảnh hƣởng đến khí quyển trên quy mô mùa, trong đó độ ẩm đất đóng vai trò quan trọng, cũng nhƣ một số nơi là độ phủ tuyết. Độ ẩm đất có thể dao động về căn bản từ năm này qua năm khác và biến đổi trong độ ẩm đất có khoảng thời gian quy mô từ tháng đến năm. Koster (2004) [27] đã sử dụng mô hình bề mặt đất (LSM) kết hợp với trƣờng toàn cầu trạng thái thực (của các biến giáng thủy, bức xạ và các trƣờng khí tƣợng bề mặt) để có đƣợc các trƣờng mới về độ ẩm đất, nhiệt độ và các trạng thái đất khác. Sau đó, tác giả đã sử dụng các trƣờng này làm điều kiện ban đầu cho dự báo giáng thủy và nhiệt độ bằng mô hình hoàn lƣu chung khí quyển (AGCM). Sự cải thiện trong kết quả đã đƣợc kiểm định với việc thực hiện dự báo lại ở quy mô tháng (từ tháng 5 đến tháng 9, 1979-93) với hệ thống dự báo hạn mùa của Mô hình toàn cầu của NASA (GMAO). Với 75 dự báo riêng biệt, kết quả đã cung cấp cơ bản đầy đủ về mặt thống kê cho việc đánh giá sự cải thiện trong kĩ năng dự báo liên quan đến việc ban đầu hóa điều kiện bề mặt đất. Đánh giá kĩ năng đƣợc tập trung cho khu vực Đồng bằng lớn của Bắc Mỹ, khu vực có nguồn số liệu về điều kiện đất ban đầu đáng tin cậy và có sự ảnh hƣởng lớn của điều kiện độ ẩm đất tới các nhiễu động khí quyển trong việc phát triển các trƣờng khí tƣợng. Nghiên cứu đã chỉ ra ban đầu hóa đất tác động nhỏ nhƣng là có thể nhận thấy cho sự cải thiện của dự báo nhiệt độ và lƣợng mƣa của khu vực này. Đối với giáng thủy, sự phát triển trong kĩ năng dự báo xuất hiện rõ nét vào tháng 5 đến tháng 7, trong khi đó với nhiệt độ không khí, là tháng 8 và tháng 9. Cả ban đầu hóa đất và khí quyển đều chi phối một cách độc lập đến kĩ năng thực của dự báo nhiệt độ hàng tháng, với kĩ năng lớn nhất nhận đƣợc từ việc ban đầu hóa là khi kết hợp 2 nguồn này. Việc dự báo hạn dài chính xác các nhân tố khí hậu (nhiệt độ, lƣợng mƣa, trên hay dƣới chuẩn… ) có những tiềm năng ứng dụng rất lớn, ví dụ những dự báo này có thể cung cấp thông tin cần thiết cho những quyết định dài hạn và cảnh báo sớm các thiên tai có thể xảy ra. Một lƣu ý là mức độ tin cậy của bất kỳ dự báo nào cũng 12 phụ thuộc vào khả năng nắm bắt chính xác đến đâu của chúng khi so sánh với trung bình khí hậu. Cụ thể là dự báo chỉ đƣợc chấp nhận nếu chúng chính xác hơn và cung cấp nhiều thông tin hơn so với kinh nghiệm về khí hậu mà vẫn đƣợc sử dụng để đánh giá và đƣa ra các quyết định trƣớc đây. Có hai cách tiếp cận dự báo hạn mùa là dự báo bằng phƣơng pháp thống kê và phƣơng pháp mô hình động lực (dự báo sử dụng các mô hình số trị). Phương pháp thống kê là phƣơng pháp đơn giản nhất để dự báo dị thƣờng các yếu tố so với khí hậu trung bình, quy mô tháng hay mùa, sử dụng các nguyên tắc (bằng thống kê) liên kết các hình thế trong tƣơng lai với đặc tính khí hậu hiện tại. Những dị thƣờng biến đổi chậm và có quy mô lớn của khí hậu (ví dụ nhƣ SST) có thể tồn tại trong nhiều tháng, và có thể tác động làm thay đổi hình thế hoàn lƣu chung khí quyển và từ đó sai lệch so với trạng thái trung bình của hoàn lƣu khí hậu địa phƣơng. Ban đầu, hƣớng tiếp cận này không mấy thành công, nhƣng sự tăng cƣờng hiểu biết về hiện tƣợng ENSO và các hình thế tác động khác giúp cho phƣơng pháp này đáng tin cậy hơn. Điểm mạnh của phƣơng pháp này là tƣơng đối dễ áp dụng bởi vì hầu nhƣ phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên máy tính khiêm tốn. Đƣơng nhiên, vẫn tồn tại những hạn chế. Các mô hình thống kê thƣờng thử nghiệm dự báo các mối liên hệ phức tạp mà không có các mối liên hệ cụ thể nào với các quá trình vật lý cũng nhƣ động lực học nằm ẩn bên trong. Điều này có nghĩa là phƣơng pháp hiệu quả khi sự phát triển quy mô lớn là rõ rệt và theo một hƣớng nhƣng rất khó để lƣờng trƣớc những sự chuyển pha, ví dụ nhƣ từ nóng sang lạnh và ngƣợc lại. Và cuối cùng, phƣơng pháp thƣờng không nắm bắt đƣợc những yếu tố đột biến. Phương pháp mô hình động lực là một cách tiếp cận có cơ sở vật lý hơn để dự báo mùa, sử dụng các mô hình hoàn lƣu chung khí quyển. Trong một dạng của hƣớng tiếp cận này, bƣớc đầu tiên là dự báo sự phát triển của SST trong vùng nhiệt đới Thái Bình Dƣơng. Các dự báo có thể dựa trên mô hình khu vực mà coi sự phát triển trong vùng đại dƣơng nhiệt đới là cô lập. Khi mô hình đƣa ra dự báo về Thái Bình Dƣơng, có thể trong một năm tới, hình thế dự báo của SST sẽ đƣợc sử dụng 13 tác động đến mô hình hoàn lƣu chung khí quyển để dự báo thời tiết toàn cầu phản ứng ra sao. Những dự báo mùa đã cho các kết quả đầy hứa hẹn, đặc biệt là khu vực nhiệt đới. Sự phát triển của các dự báo này đƣợc xây dựng dựa trên những điểm mạnh của mô hình và những quan trắc ngày càng tốt hơn ở khu vực Thái Bình Dƣơng xích đạo. Sự phát triển đáng kể hiện tại đã tạo ra một hệ thống tƣơng tác đầy đủ trong đó thành phần đại dƣơng, khí quyển và mặt đất của mô hình tƣơng tác liên tục với nhau để cho ra các bản tin dự báo đến vài tháng. Với sự phát triển nhƣ vậy, hiện nay WMO đã thiết lập đƣợc các nguồn cung cấp sản phẩm dự báo hạn dài. Các quá trình dự báo hạn dài dựa trên nền tảng máy tính (quy mô từ 30 ngày đến 2 năm) trên quy mô toàn cầu đòi hỏi lƣợng lớn tài nguyên máy tính cùng với những hiểu biết đặc biệt. Vì lý do này, chỉ có một vài trung tâm trên thế giới cung cấp các bản tin dự báo khí hậu hạn dài toàn cầu. Những dịch vụ cung cấp bởi các trung tâm này đƣợc biết đến với tên gọi Trung tâm sản phẩm toàn cầu cho dự báo hạn dài (GPCs) đƣa ra điều kiện cơ bản cho dự báo khí hậu và thời tiết ở quy mô khu vực/địa phƣơng và đƣợc sử dụng ở các trung tâm dự báo khu vực và địa phƣơng. Từ đó, dự báo hạn dài ở quy mô khu vực đƣợc cung cấp bởi cả Các trung tâm khí hậu khu vực (RCCs) cũng nhƣ các Diễn đàn về dự báo mùa khu vực (RCOFs). Cũng nhƣ GPCs, RCCs và RCOFs sử dụng số liệu đƣợc hỗ trợ bởi các mô hình số trị để phát triển các dự báo chi tiết thích hợp cho khu vực riêng. Những mô hình và dự báo này sau đó đƣợc sử dụng bởi các trung tâm dự báo để tạo ra các dự báo quốc gia và địa phƣơng chính xác và tốt hơn. Năm 2006, WMO bắt đầu chính thức bổ nhiệm các trung tâm đƣa ra các bản tin dự báo mùa toàn cầu đƣợc gọi là Trung tâm sản phẩm toàn cầu cho dự báo hạn dài (GPCs), một thành phần của Hệ thống Xử lý số liệu và Dự báo toàn cầu (GDPFS) [30]. Các trung tâm này cần cung cấp tối thiểu: o Dự báo giá trị trung bình, tích lũy hoặc tần suất với thời hạn 1 tháng hoặc lâu hơn; đặc trƣng là dị thƣờng phân vị trung bình 3 tháng với định dạng chuẩn cho dự báo mùa. Các dự báo thƣờng biểu diễn dƣới dạng xác suất. o Thời trễ dự báo (leadtime): từ 0 đến 4 tháng. 14 o Tần suất phát báo: hàng tháng hoặc ít nhất là theo quý o Cung cấp: dạng ảnh hiển thị trên trang web của GPCs hoặc/và số liệu để tải về o Các biến: nhiệt độ 2m, lƣợng mƣa, SST, MSLP, độ cao 500hPa, nhiệt độ 850hPa o Đánh giá kĩ năng dự báo hạn dài, sử dụng quy chuẩn của SVSLRF. Hình 1.1 Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO (WMO Global Producing Centres of Long Range Forecasts). Nguồn: WMO 2010 (www.wmo.int) Một số các GPCs chính của WMO là: Cục khí tƣợng Úc (Bureau of Meteorology, Australia); Cơ quan khí tƣợng Trung Quốc (China Meteorological Administration/Bejing Climate Center); Trung tâm dự báo khí hậu Mỹ (Climate Prediction Center, NOAA); Trung tâm dự báo hạn vừa Châu Âu (European Centre for Medium-Range Weather Forecasts); Cơ quan khí tƣợng Nhật Bản (Japan Meteorological Agency/Tokyo Climate Centre)… Mặt khác, nổi bật lên hiện nay, khi quan tâm đến dự báo hạn mùa đáng lƣu ý là Hệ thống dự báo khí hậu CFS (Climate Forecast System) với hệ thống dự báo hạn mùa sử dụng mô hình động lực kết hợp đầy đủ đại dƣơng-đất-khí quyển, đã đƣợc đƣa vào nghiệp vụ tại NCEP từ tháng 8 năm 2004 [32]. Hệ thống CFS cung cấp 15 những lợi thế quan trọng trong việc dự báo hạn mùa nghiệp vụ. Lần đầu tiên trong lịch sử dự báo nghiệp vụ của nƣớc Mỹ, một hệ thống mô hình động lực có kĩ năng tốt có thể so sánh đƣợc với phƣơng pháp thống kê hiện đang sử dụng ở Trung tâm Dự báo Khí hậu của NCEP (CPC). Điều này thể hiện sự tiến bộ đáng kể so với các hệ thống mô hình động lực trƣớc đây đƣợc sử dụng ở NCEP. Hơn thế nữa, kĩ năng đƣợc cung cấp bởi CFS (theo không gian và thời gian) cũng đã hoàn thiện kĩ năng của phƣơng pháp thống kê. Thành phần khí quyển của CFS là phiên bản độ phân giải thấp hơn (T62L64) của Hệ thống Dự báo Toàn cầu (GFS) đã đƣợc chạy nghiệp vụ ở NCEP từ năm 2003. Thành phần đại dƣơng là GFDL Modul Mô hình đại dƣơng phiên bản 3 (MOM3) thay cho MOM1 trƣớc đây. Một số cải tiến quan trọng của hệ thống CFS so với hệ thống động lực trƣớc đây bao gồm: (1) sự kết hợp giữa khí quyển và đại dƣơng mở rộng hầu hết toàn cầu từ 64N-74S (trƣớc đây chỉ có khu vực Thái Bình Dƣơng nhiệt đới) (2) hệ thống CFS đƣợc kết hợp đầy đủ không có hiệu chỉnh dòng (khác với trƣớc đây có hiệu chỉnh dòng và sai số) và (3) một bộ đầy đủ kết quả dự báo lại của 24 năm (1981-2004) với 15 dự báo cho từng tháng chạy cho 9 tháng, đã đƣợc cung cấp cùng với CFS. Bộ số liệu dự báo lại của 24 năm này đặc biệt quan trọng trong việc đánh giá kĩ năng dự báo của hệ thống khi chạy nghiệp vụ, đồng thời cung cấp thông tin quý báu cho việc nghiên cứu sự tƣơng tác của các quá trình khí quyển-đất-đại dƣơng. CFS có sai số nhỏ chấp nhận đƣợc trong dự báo SST vùng nhiệt đới và kĩ năng dự báo Nino 3-4 SST có thể so sánh đƣợc với phƣơng pháp thống kê. Tuy vậy, kĩ năng dự báo SST vùng vĩ độ trung bình (trƣớc đây không có) kém hơn nhiều so với khu vực nhiệt đới và ở các thời trễ dự báo dài hơn thì chỉ có kĩ năng vào mùa đông. Kĩ năng dự báo tháng và mùa của nhiệt độ và lƣợng mƣa khu vực đất liền Bắc Bán cầu, cụ thể nhƣ Mỹ, còn khiêm tốn, nhƣng vẫn so sánh đƣợc với phƣơng pháp thống kê trƣớc đây. Kĩ năng của lƣợng mƣa chủ yếu tốt vào mùa đông (liên quan đến ENSO), trong khi kĩ năng của nhiệt độ chủ yếu tốt vào mùa hè khi dị thƣờng độ ẩm đất có tác dụng sử dụng. 16 Gần đây, CFS đã phát triển phiên bản 2 với dự báo tổ hợp. Dự báo sử dụng điều kiện đầu vào của 30 ngày gần nhất và thực hiện chạy 4 lần/1 ngày. Dự báo tổ hợp đầu vào từ 40 thành phần với điều kiện ban đầu theo thời đoạn 10 ngày. Loại tổ hợp thứ nhất (E1) sử dụng 10 ngày đầu tiên, loại 2 (E2) sử dụng 10 ngày tiếp theo và loại 3 (E3) sử dụng 10 ngày cuối. Dị thƣờng đƣợc tính so với sản phẩm dự báo lại giai đoạn 1981-2008. Tƣơng quan theo thời gian dựa vào dự báo lại cho giai đoạn 1981-2006 và số liệu quan trắc đƣợc sử dụng để đánh giá kĩ năng cho dị thƣờng không gian. Độ lệch chuẩn đƣợc tính trung bình độ lệch chuẩn của từng thành phần (vẫn tính từ bộ số liệu dự báo lại 1981-2006) với tháng đầu vào và mùa dự báo tƣơng ứng. Ở Châu Âu, một dự án khác cũng đáng lƣu ý là DEMETER, dự án đƣợc Liên minh Châu Âu tài trợ để tạo bộ số liệu dự báo lại bằng phƣơng pháp tổ hợp đa mô hình bao gồm 7 mô hình với 9 thành phần tổ hợp mỗi mô hình, đã đƣợc đánh giá sử dụng bộ số liệu tái phân tích ERA40 và số liệu mƣa GPCP [31]. Các mô hình này từ các trung tâm khí hậu của Châu Âu đƣợc viết tắt là: CERFACS, ECMWF, INGV, LODYC, METEO-FRANCE, MPI và UKMO. Sản phẩm đầu ra của DEMETER đƣợc downscale cho phù hợp để ứng dụng vào việc dự báo sản lƣợng mùa màng và dịch sốt rét. Kết quả cho thấy việc tổ hợp đa mô hình là một hƣớng tiếp cận khả thi khi quan tâm đến độ bất định của mô hình trong dự báo mùa và nhiều năm, đồng thời đƣa ra kết quả dự báo đáng tin cậy hơn khi chỉ dựa trên một mô hình đơn lẻ. Thêm nữa, một lợi ích khác của dự án là cho ra bộ sản phẩm dự báo lại quy mô mùa. Bộ số liệu này cho tiềm năng để nâng cao hiểu biết của chúng ta về các cơ chế trong dao động liên mùa và nhiều năm. David Lavers (cùng cs.) đã phân tích chi tiết kĩ năng dự báo của nhiệt độ và lƣợng mƣa từ 8 mô hình dự báo mùa bằng phân bố đồng thời của quan trắc và dự báo để đánh giá sản phẩm của DEMETER [15]. Kết quả cũng cho thấy kĩ năng thấp ở những dự báo trên tháng-1 (tức là lấy thời trễ dự báo chỉ 1 ngày và đánh giá luôn cho 30 ngày đầu tiên). Ở những thời trễ dự báo dài, chỉ có khu vực Thái Bình Dƣơng xích đạo cho thấy kĩ năng đáng kể. Điều này có thể ảnh hƣởng trong việc sử 17 dụng các sản phẩm dự báo mùa trong các dịch vụ khí hậu và kết quả này cũng có thể đƣợc coi nhƣ tiêu chuẩn của khả năng dự báo khí hậu hiện tại sử dụng các mô hình động lực. Các mô hình của DEMETER đƣợc khởi tạo chạy vào 01 tháng II, 01 tháng V, 01 tháng 8 và 01 tháng XI để đánh giá sự phụ thuộc quy mô mùa của các dự báo lại và tích phân cho 180 ngày. Cùng giai đoạn nghiên cứu, CFS với 15 dự báo lại (9 tháng) khởi tạo mỗi tháng đƣợc sử dụng để đánh giá. Thời kì chung của DEMETER và CFS là 1981-2001 (21 năm). Nhiệt độ 2m ở độ phân giải 2.5x2.5 từ số liệu tái phân tích ERA40 và lƣợng mƣa quan trắc trung bình tháng ở độ phân giải 1.0x1.0 từ Trung tâm mƣa khí hậu toàn cầu (GPCC) đƣợc sử dụng làm số liệu để so sánh. Lƣợng mƣa đƣợc đƣa về lƣới 2.5 để khớp với độ phân giải của dự báo lại. Ở đây, tác giả thực hiện 2 phép đánh giá: (1) đánh giá so sánh trung bình tổ hợp các mô hình với số liệu quan trắc, đây đƣợc coi là đáng giá với khí quyển thực và (2) đánh giá với khí quyển lý tƣởng, với giả thiết là một thành phần của tổ hợp đƣợc coi là “thật” và trung bình các thành phần còn lại là “dự báo”. Phƣơng pháp sử dụng chính là dùng hệ số tƣơng quan (tuyến tính). Đến đây, chúng ta đã điểm qua một số các nghiên cứu cũng nhƣ các dự án và sự phát triển các trung tâm dự báo hạn mùa trên thế giới. Các khái niệm và lƣu ý cơ bản khi đề cập đến bài toán dự báo hạn mùa cũng đã đƣợc nêu ra. Tiếp theo, chúng ta sẽ tìm hiểu một số các nghiên cứu trong nƣớc. 1.2 Các nghiên cứu trong nước Trong những năm vừa qua, Viện Khoa học Khí tƣợng Thủy văn và Môi trƣờng đã đƣa vào hệ thống nghiệp vụ dự báo dị thƣờng tổng lƣợng mƣa mùa và nhiệt độ trung bình trên cơ sở phƣơng pháp thống kê. Kết quả đƣợc biên tập thành “Thông báo và dự báo khí hậu” ra hàng tháng và đƣợc cập nhật thƣờng xuyên lên website của Viện (http://www.imh.ac.vn/). Các thông báo này tổng kết diễn biến khí hậu 3 tháng trƣớc đó và đƣa ra dự báo khí hậu cho 3 tháng tiếp theo. Diễn biến khí hậu đƣợc xem xét trên cả quy mô toàn cầu và Việt Nam với các biến nhiệt độ, mƣa, nắng, bốc hơi, chỉ số ẩm và một số hiện tƣợng thời tiết đặc biệt. Dự báo khí hậu 3 18 tháng bao gồm các nhận định chung về diễn biến khí hậu thế giới và khu vực (hiện tƣợng ENSO) và dự báo khí hậu cho Việt Nam (nhiệt độ, lƣợng mƣa, xoáy thuận nhiệt đới và không khí lạnh) [5]. Năm 2009, Phan Văn Tân (cùng cs.) [2] cũng đã thử nghiệm bƣớc đầu ứng dụng mô hình khí hậu khu vực RegCM3 để dự báo nhiệt độ trung bình tháng và tổng lƣợng mƣa tháng cho ba tháng mùa hè 6-8/1996 khi sử dụng sản phẩm kết xuất của mô hình khí hậu toàn cầu CAM làm điều kiện ban đầu và điều kiện biên (RegCM-CAM). Các trƣờng dự báo của RegCM-CAM đã đƣợc đánh giá bằng cách so sánh với sản phẩm mô phỏng tƣơng ứng của RegCM3 với đầu vào là số liệu tái phân tích ERA40 và nhiệt độ mặt nƣớc biển phân tích OISST (RegCM-ERA). Kết quả dự báo nhiệt độ và lƣợng mƣa của RegCM-CAM còn đƣợc so sánh trực tiếp với số liệu phân tích CRU (nhiệt độ) và CMAP (lƣợng mƣa), và đánh giá định lƣợng cho khu vực Việt Nam bằng cách nội suy về vị trí trạm và so sánh với số liệu quan trắc từ mạng lƣới trạm khí tƣợng thông qua các chỉ số thống kê. Kết quả nhận đƣợc cho thấy, về cơ bản các trƣờng nhiệt độ và lƣợng mƣa dự báo của RegCM-CAM phù hợp tốt với sản phẩm mô phỏng của RegCM-ERA cũng nhƣ với các trƣờng phân tích CRU, CMAP. Trên khu vực Việt Nam, RegCM-CAM thƣờng dự báo nhiệt độ thấp hơn quan trắc; sai số dự báo nhiệt độ của RegCM-CAM trung bình khoảng 2oC, khá ổn định và có tính hệ thống. RegCM-CAM cũng cho lƣợng mƣa dự báo ở Việt Nam thấp hơn thực tế, tuy nhiên sai số còn khá lớn và không thể hiện rõ qui luật. Trong ba tháng thử nghiệm, dự báo lƣợng mƣa của RegCM-CAM cho tháng 6/1996 là hợp lý nhất. Trƣớc đó, trong đề tài “Xây dựng một số phƣơng pháp dự báo hạn vừa, hạn dài nhiệt độ mùa đông và mƣa mùa hè khu vực phía bắc Việt Nam”, Phạm Đức Thi (cùng cs.) [4] đã xây dựng các phƣơng pháp dự báo nhiệt độ trung bình tháng và mùa đối với mùa đông. Nhóm tác giả cố gắng tìm các dấu hiệu để phát hiện những mùa đông có dao động nhiệt độ mang tính chất dị thƣờng. Đồng thời, đề tài cũng xây dựng các chỉ tiêu dự báo hạn vừa các đợt không khí lạnh, và các đợt rét đậm, rét hại, dự báo dài hạn thời kì xuất hiện đợt rét đậm đầu tiên trong mùa đông ở khu vực 19 phía bắc Việt Nam. Đối với mùa hè, phƣơng pháp dự báo chuẩn sai lƣợng mƣa tháng và mùa, dự báo lƣợng mƣa cũng nhƣ các chỉ tiêu dự báo hạn vừa thời kì xuất hiện các đợt mƣa thời kì đầu mùa mƣa ở đồng bằng và trung du Bắc Bộ cũng đƣợc xây dựng. Số liệu trạm Láng (Hà Nội) trong 91 năm (1898-1989) đƣợc sử dụng cho mùa đông. Tác giả sử dụng chỉ tiêu K=deltaT/sigma >= 1 (giá trị chuẩn sai nhiệt độ trung bình từng mùa từng tháng/độ lệch chuẩn) để đánh giá. Tháng đƣợc coi là tháng rét đậm hay ấm đậm trong mùa đông khi giá trị tuyệt đối của chuẩn sai nhiệt độ trung bình tháng đó bằng hoặc lớn hơn giá trị độ lệch tiêu chuẩn. Mùa đông đƣợc coi là rét đậm hay ấm đậm khi giá trị tuyệt đối chuẩn sai nhiệt độ trung bình ba tháng (12, 1, 2) bằng hoặc lớn hơn giá trị sigma của nhiệt độ 3 tháng đó. Rét hại hay ấm hại lấy ngƣỡng 1.5. Bên cạnh đó, tác giả cũng đƣa ra các nhận xét về các mùa đông lạnh kỷ lục (1982/83, 1983/84). Như vậy, qua tổng quan các nghiên cứu trong và ngoài nƣớc về bài toán dự báo hạn mùa, có thể nhận thấy 2 điểm cần lƣu ý. Thứ nhất, về mặt phƣơng pháp, hiện nay phƣơng pháp mô hình động lực tỏ ra có ƣu thế hơn và đƣợc phát triển ngày càng hoàn thiện hơn. Phƣơng pháp thống kê, tuy có ƣu điểm không yêu cầu cao về mặt tài nguyên tính toán, nhƣng cũng có nhiều nhƣợc điểm. Trong đó, việc không tính đến mối quan hệ vật lý giữa các biến đƣợc dự báo, không nắm bắt đƣợc những phát triển đột biến của khí quyển cũng nhƣ việc phụ thuộc nhiều vào nguồn số liệu điểm trạm vốn không đầy đủ ở nhiều khu vực, là những khuyết điểm chính. Phƣơng pháp mô hình động lực, tuy cần tài nguyên tính toán lớn, cả về tài nguyên máy tính và nguồn nhân lực, nhƣng lại giải quyết đƣợc hầu hết các hạn chế trên của phƣơng pháp thống kê. Điểm thứ hai, so với sự phát triển trên thế giới thì dự báo hạn mùa ở Việt Nam còn khá “thô sơ”, với không nhiều các nghiên cứu và nghiệp vụ còn phụ thuộc nhiều vào phƣơng pháp thống kê. Trong khi đó, những năm gần đây, có không ít các mô hình khí hậu khu vực đã đƣợc thử nghiệm cho khu vực Việt Nam [3]. Từ đó, tác giả nhận thấy việc hƣớng đến nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực vào bài toán dự báo hạn mùa ở Việt Nam là một hƣớng đi có ý nghĩa và cần thiết. Trƣớc hết là khai thác phƣơng pháp mô hình động lực cho bài 20