ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
----------------------
NGUYỄN THỊ THANH
NGHIÊN CỨU ĐỒNG HOÁ SỐ LIỆU VỆ TINH TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ
LUẬN VĂN THẠC SĨ KHOA HỌC
Hà Nội-2010
2
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
----------------------
NGUYỄN THỊ THANH
NGHIÊN CỨU ĐỒNG HOÁ SỐ LIỆU VỆ TINH TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC TRUNG BỘ
Chuyên ngành: Khí tượng – khí hậu
Mã số: 60.44.87
LUẬN VĂN THẠC SĨ KHOA HỌC
NGƯỜI HƯỚNG DẪN KHOA HỌC:
GS.TS TRẦN TÂN TIẾN
Hà Nội-2010
3
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
giá, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian
tôi học tập ở Khoa.
Tôi 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.
Tôi cũng xin cảm ơn ban lãnh đạo Viện Khoa học Khí tượng Thủy văn
và Môi trường, đặc biệt là ban lãnh đạo Trung tâm Nghiên cứu Biển và tương
tác Biển – Khí quyển đã hết sức giúp đỡ tạo điều kiện giúp tôi 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.
Nguyễn Thị Thanh
4
MỤC LỤC MỞ ĐẦU 5
CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO MƯA BẰNG
PHƯƠNG PHÁP SỐ TRỊ VÀ ĐỒNG HOÁ SỐ LIỆU VỆ TINH
7
1.1 Tổng quan về dự báo mưa bằng phương pháp số trị 7
1.2 Dữ liệu vệ tinh và sự cần thiết của dữ liệu vệ tinh trong dự báo
thời tiết
9
1.3 Những nghiên cứu trên thế giới và ở Việt Nam về đồng hoá số
liệu vệ tinh trong mô hình số trị
18
CHƯƠNG 2: ĐỒNG HÓA SỐ LIỆU VỆ TINH TRONG MÔ
HÌNH WRF
22
2.1 Mô hình WRF 22
2.2 Vấn đề đồng hoá số liệu vệ tinh trong mô hình WRF 29
2.3 Đồng hoá dữ liệu vệ tinh MODIS trong mô hình WRF 39
2.4 Các chỉ tiêu đánh giá kết quả dự báo mưa 40
CHƯƠNG 3: KẾT QUẢ ĐỒNG HÓA SỐ LIỆU VỆ TINH
TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU
VỰC TRUNG BỘ
44
3.1 Nguồn số liệu 44
3.2 Cấu hình được lựa chọn 45
3.3 Kết quả dự báo mưa của một số trường hợp điển hình 46
3.4 Đánh giá kết quả dự báo các đợt mưa lớn ở khu vực Trung Bộ
trong hai năm 2007 - 2008
62
KẾT LUẬN 66
KIÊN NGHỊ 66
TÀI LIỆU THAM KHẢO 67
5
MỞ ĐẦU
Hàng năm, ở Việt Nam, đặc biệt là khu vực Miền Trung, thiên tai có
nguồn gốc mưa lớn như lũ lụt, lũ quét, sạt lở đất, ... gây thiệt hại vô cùng to
lớn về người và tài sản. Bên cạnh đó, chúng còn gây ra rất nhiều vấn đề về xã
hội, an ninh, quốc phòng. Mưa lớn ở khu vực Miền Trung thường xảy ra do
ảnh hưởng của các hình thế thời tiết khác nhau như giải hội tụ nhiệt đới
(ITCZ), front lạnh, bão, áp thấp nhiệt đới, ...Trong một số trường hợp, sự kết
hợp của nhiều hệ thống thời tiết khác nhau làm cho mưa lớn diễn ra phức tạp
hơn. Sự tương tác giữa hoàn lưu khí quyển và địa hình núi cao của dãy núi
Trường Sơn làm cho mưa lớn thường xảy ra trên diện rộng và kéo dài. Do đó,
dự báo mưa lớn và nâng cao chất lượng dự báo mưa lớn là một vấn đề đặc
biệt quan trọng ở khu vực Miền Trung.
Dự báo mưa lớn là một trong những mục tiêu quan trọng của dự báo số
trị quy mô vừa. Tuy nhiên, do thiếu chính xác của trường ban đầu cũng như
tính phi tuyến trong bài toán khí tượng, các kết quả dự báo từ mô hình số trị
vẫn chứa những sai số lớn. Cùng với những cố gắng trong việc tính toán, mô
phỏng chi tiết các quá trình vật lý liên quan tới thời tiết, các nhà khoa học
trong và ngoài nước còn có rất nhiều cố gắng trong việc cải thiện trường số
liệu ban đầu (vốn là trường phân tích của mô hình toàn cầu) cho mô hình số
trị khu vực bởi các số liệu quan trắc địa phương và phi truyền thống như vệ
tinh, radar nhằm nâng cao chất lượng dự báo. Các quan trắc mặt đất và thám
không vô tuyến cung cấp thông tin tương đối chính xác về các trường khí
tượng bề mặt và trên cao. Tuy nhiên, mạng lưới quan trắc này khá thưa cả về
không gian và thời gian, đặc biệt rất ít hoặc không có quan trắc ở trên biển.
Trong những năm gần đây, việc cải tiến công nghệ viễn thám cho phép quan
trắc khí quyển bằng vệ tinh ở những nơi không có hoặc thiếu các số liệu quan
trắc, đồng thời, những quan trắc này có độ phân giải cao hơn so với các quan
trắc truyền thống. Vì vậy, dữ liệu vệ tinh khí tượng ngày càng được ứng dụng
rộng rãi trong việc phát hiện, theo dõi, cảnh báo các hiện tượng thời tiết nguy
6
hiểm cũng như tăng cường thông tin về trường ban đầu cho mô hình số trị khu
vực.
Trên thế giới đã có nhiều tác giả nghiên cứu về bài toán đồng hóa số
liệu vệ tinh cho mô hình số và đạt được những kết quả khả quan trong dự báo
thời tiết, cũng như dự báo các hiện tượng thời tiết cực đoan như mưa lớn,
bão,…Ở Việt Nam, đồng hóa số liệu, đặc biệt là đồng hóa số liệu vệ tinh vẫn
còn là vấn đề mới mẻ, chưa có nhiều tác giả nghiên cứu. Chính vì vậy, trong
luận văn này, chúng tôi sẽ tiến hành tìm hiểu và áp dụng phương pháp đồng
hóa 3DVAR cho mô hình WRF để đồng hóa dữ liệu vệ tinh nhằm góp phần
nâng cao chất lượng dự báo mưa Khu vực Trung Bộ.
Bố cục luận văn gồm các phần:
Mở đầu
Chương 1: Tổng quan về dự báo mưa bằng mô hình số trị và đồng hoá
số liệu vệ tinh
Chương 2: Đồng hoá số liệu vệ tinh trong mô hình WRF
Chương 3: Kết quả ứng dụng đồng hoá số liệu vệ tinh trong mô hình
WRF để dự báo mưa lớn ở khu vực Trung Bộ
Kết luận
7
CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO MƯA BẰNG PHƯƠNG
PHÁP SỐ TRỊ VÀ ĐỒNG HOÁ SỐ LIỆU VỆ TINH
1.1 Tổng quan về dự báo mưa bằng phương pháp số trị
Dự báo mưa luôn là một trong những nhiệm vụ khó khăn nhất trong khí
tượng nghiệp vụ mặc dù trên thực tế, trong vài thập kỷ qua, chất lượng dự báo
thời tiết nói chung và dự báo mưa nói riêng đã được cải thiện đáng kể. Mưa
sinh ra do tác động phối hợp của hầu hết các yếu tố khí tượng, và là yếu tố
biến động rất mạnh theo không gian và thời gian. Rất nhiều các quá trình có
thể dẫn đến mưa như: hội tụ ẩm qui mô lớn, đối lưu sâu, các quá trình gần bề
mặt,... Do vậy, dự báo tốt mưa trên một vùng lớn có nghĩa là dự báo tốt tất cả
các biến khí tượng khác.
Hiện nay, ở các nước phát triển phương pháp số là phương pháp dự báo
thời tiết chính thống. Ở Châu Âu, phương pháp này bắt đầu phát triển từ
những năm 50 của thế kỷ XX, trong đó sự đầu tư cao nhất cho hướng nghiên
cứu phát triển này của Liên minh Châu Âu được tập trung ở Trung tâm Dự
báo thời tiết hạn vừa Châu Âu (ECMWF). Tuy nhiên, cho đến trước những
năm 80 của thế kỷ XX, các nghiên cứu phát triển về lý thuyết cũng như ứng
dụng chủ yếu vẫn chỉ quan tâm đến các khu vực ngoại nhiệt đới của Châu Âu
và Mỹ. Dự báo thời tiết ở nhiệt đới nói chung và bằng phương pháp số nói
riêng ở thời kỳ này còn nhiều khó khăn do hạn chế về động lực học lý thuyết
cho vùng nhiệt đới-xích đạo. Thời kỳ 1984-1985 ở ECMWF đã có những cải
tiến to lớn trong dự báo nghiệp vụ bằng mô hình toàn cầu cho các vùng nhiệt
đới, đó là, việc đưa vào mô hình sơ đồ tham số hoá đối lưu (TSHĐL) nông,
biến đổi TSHĐL sâu, một sơ đồ mây mới và tăng độ phân giải ngang của mô
hình. Trên qui mô toàn cầu, nghiên cứu của Tiedtke và cộng sự (1988) [32] đã
đánh giá tác động của tổ hợp vật lý và tăng độ phân giải ngang đối với sai số
hệ thống trong dự báo nghiệp vụ ở nhiệt đới của ECMWF. Việc tăng độ phân
giải ngang trong các mô hình dự báo thời tiết nghiệp vụ (Black, 1994; Rogers
và cộng sự, 1998) [11], [36] nhìn chung nâng cao chất lượng dự báo mưa định
8
lượng (QPF). Khi độ phân giải ngang tăng, mô hình có thể nắm bắt được
chuyển động thẳng đứng tốt hơn dẫn tới làm tăng các cực trị mưa dự báo
(Weisman và cộng sự, 1997) [46].
Zhang và cộng sự (1994) [48] cũng đã nhận thấy rằng, việc nghiên cứu
quan hệ giữa mưa qui mô dưới lưới và qui mô lưới có tác động đáng kể đến
kết quả mô phỏng trong trường hợp độ phân giải ngang còn đủ thô để sử dụng
sơ đồ TSHĐL. Hong và Pan (1998) [19] cho thấy vị trí của mưa qui mô lưới
bị ảnh hưởng nhiều bởi TSHĐL hơn là việc thay đổi phương pháp tính mưa
qui mô lưới. Mặt khác, thời gian kích hoạt của cả sơ đồ TSHĐL và sơ đồ ẩm
hiển có tác động đáng kể đối với mưa mô phỏng (Grell, 1993) [18] và có thể
thay đổi với các sơ đồ khác nhau.
Những cải tiến trong thám sát và phương pháp đồng hóa số liệu để cải
tiến trường ban đầu cho mô hình góp phần quan trọng trong việc nâng cao
chất lượng dự báo mưa (Spencer và Stensrud, 1998) [43]. Best (1956) [13] đã
chỉ ra rằng sai số trong trường ban đầu của một mô hình dự báo thời tiết số
bất kỳ sẽ khuếch đại theo thời gian dự báo, thậm chí sai số nhỏ trong trường
gió mực 500mb gây nên sai số đáng kể về hội tụ và phân kỳ trong trường dự
báo. Huo và cộng sự (1995) [20] đã nghiên cứu độ nhạy của trường ban đầu
trong dự báo các trường trong bão, kết quả cho thấy sự thay đổi nhỏ trong
trường gió ban đầu tạo nên sự thay đổi lớn trong dự báo quỹ đạo bão và
trường mưa dự báo. Yoshinori và cộng sự (2009) [49] đã đồng hoá số liệu
lượng hơi nước ngưng tụ (PWV) từ hệ thống GPS bằng mô hình MSM, kết
quả cho thấy cải thiện đáng kể vùng hội tụ phía bắc của áp thấp nhiệt đới và
vùng mưa dự báo.
Ở nước ta, trong những năm gần đây, các công trình nghiên cứu trong
lĩnh vực dự báo mưa lớn bằng mô hình số trị cũng đã được thực hiện. Trần
Tân Tiến (2004) [6] đã nghiên cứu sự phụ thuộc vào độ phân giải lưới của hai
sơ đồ TSHĐL là Kuo và Kain Fristch trong dự báo mưa lớn ở khu vực Miền
Trung bằng mô hình RAMS. Kiều Thị Xin (2005) [8] đã áp dụng mô hình
9
HRM để dự báo mưa lớn diện rộng ở Việt Nam. Hoàng Đức Cường (2008)
[1] đã xây dựng hệ thống tổ hợp 9 dự báo thành phần bằng cách lựa chọn các
phương án sử dụng sơ đồ tham số hoá vật lý khác nhau của mô hình MM5 để
dự báo mưa lớn ở Việt Nam. Chu Thị Thu Hường (2007) [3] đã nghiên cứu
thử nghiệm dự báo mưa thời hạn từ 1 đến 3 ngày cho khu vực Trung bộ bằng
mô hình WRF. Vũ Thanh Hằng (2008) [5] đã nghiên cứu tác động của tham
số hóa đối lưu đối với dự báo mưa bằng mô hình HRM ở Việt Nam.
1.2 Dữ liệu vệ tinh và sự cần thiết của dữ liệu vệ tinh trong dự báo thời
tiết
Trong suốt thập kỷ vừa qua, ảnh vệ tinh nhận được dựa vào các đầu đo
cảm ứng, các đầu đo này đã cung cấp cho các nhà khoa học những tập số liệu
toàn cầu thực và khách quan về những diễn biến của bầu khí quyển. Chúng đã
làm một cuộc cách mạng trong khả năng thám sát sự tiến triển của khí quyển
trái đất. Công nghệ viễn thám cung cấp cho ta thám sát quanh trái đất, và
trong phần lớn trường hợp chúng thích hợp và thực hơn so với thám sát từ bề
mặt đất.
Những thông tin số liệu vệ tinh thu được hiện nay, cho phép chúng ta
có thể theo dõi liên tục, phân tích và xác định được các yếu tố về trường
nhiệt, ẩm, gió, trường mây (các quá trình hình thành và phát triển của mây,
trường nhiệt độ đỉnh mây, độ cao mây, phân loại sơ bộ mây theo các cấp độ
cao, xác định được lượng ẩm trong khí quyển, hàm lượng nước trong mây,
vùng mây gây mưa, giông,…). Những thông tin này giúp các nhà khoa học
thời tiết xác định và dự báo được quá trình hình thành, phát triển các hiện
tượng thời tiết cũng như định lượng các thông số về các yếu tố mây, độ ẩm
khí quyển, lượng nước chứa trong mây, lượng mưa trên trái đất để từ đó làm
cơ sở cho việc nghiên cứu thực hiện các dự án về quá trình tạo mây,
mưa…Mặt khác, dữ liệu vệ tinh đã được ứng dụng rất hiệu quả trong mô hình
dự báo thời tiết số trị thông qua việc đồng hóa số liệu để nâng cao chất lượng
dự báo.
10
Bảng 1.1 trình bày các quan trắc cơ bản từ vệ tinh có khả năng cung
cấp dữ liệu cho mô hình dự báo quy mô vừa, ngoài ra chúng ta còn có thể
đồng hoá dữ liệu bức xạ trực tiếp từ vệ tinh.
Bảng 1.1: Các thông tin vệ tinh được sử dụng trong đồng hoá số liệu
Thành phần Thiết bị đo Nhiệt độ khí quyển AVHRR, HIRS, AIRS/AMSU-A, MLS,
HIRDLS, TES, MODIS Độ ẩm khí quyển AIRS/AMSU-A/HSB, MLS, HIRDLS,
MODIS, TES Giáng thuỷ AMSR-E, TRMM Các đặc tính của mây (Tổng lượng mây, độ cao đỉnh mây, các đặc tính quang học)
MODIS, GLAS, AMSR-E, MISR, AIRS, ASTER, SSM/I
Thông lượng bức xạ (bề mặt, đỉnh khí quyển)
MODIS, AMSR-E, GLAS, MISR, AIRS, ASTER,
Đặc tính hoá học tầng đối lưu và bình lưu (ôZôn, ClO, BrO, OH)
TES, MLS, HIRDLS, OMI
Đặc tính của Xon khí (Đối lưu, bình lưu)
HIRDLS, MODIS, MISR, OMI, GLAS
Khí quyển
Véc tơ dịch chuyển khí quyển (AMV): cloud motion vector (CMV); water vapor winds (WVW)
các vệ tinh địa tĩnh
Trường gió bề mặt Sactterometer (ERS, QSCAT), AMSR-E, DORIS, SSM/I
Nhiệt độ mặt nước biển MODIS, AIRS, AMSR-E, SSM/I
Địa hình bề mặt biển (height, waves, sea level)
Altimeter, DORIS
Diệp lục và các vật chất lơ lửng trong biển
MODIS, MERIS
Đại dương
Băng biển AMER-E
11
Đất bao phủ và đất sử dụng
MODIS, MISR, ASTER
Độ ẩm đất AMSR-E Tuyết MODIS, ASTER,AMSR-E Nhiệt độ bề mặt MODIS, AIRS, ASTER
Đất
Băng đất liền GLAS, ASTER
Dưới đây là một số phương pháp ước lượng các trường khí tượng từ dữ
liệu vệ tinh nhằm phục vụ bài toán đồng hoá số liệu.
1.2.1 Phương pháp tính hàm lượng ẩm trong mây (LWC) sử dụng dữ liệu
của vệ tinh CloudSat (NASA)
CloudSat là vệ tinh quỹ đạo cực được thiết kế nhằm khảo sát các đặc
tính quang học của mây trên toàn cầu của NASA. CloudSat mang theo đầu
thu ở tần số 94Ghz. Sản phẩm hàm lượng ẩm trong mây (LWC) tính được từ
dữ liệu của CloudSat hiện nay có độ chính xác cao và được sử dụng nhiều
trong việc hiệu chỉnh LWC từ các dữ liệu khác. Sau đây là phương pháp tính
LWC từ dữ liệu CloudSat.
Giả sử các hạt mây có phân bố kích thước dạng chuẩn:
(1.1)
trong đó NT là mật độ hạt, r là kích thước hạt và các tham số còn lại
tính theo biểu thức:
(1.2)
trong đó rg là bán kính trung bình, σg là độ lệch trung bình.
Lượng nước trong mây LWC ký hiệu là l tính theo công thức:
12
(1.3)
với re là bán kính hạt hiệu dụng và ρw là mật độ của nước.
Độ phản xạ radar Z và hệ số suy yếu thị phổ σext:
(1.4)
(1.5)
Sử dụng các công thức trên ta có:
(1.6)
Một số giá trị điển hình LWC với re và NT được trình bày trong bảng 2.
Bảng 1.2: Một số giá trị tương ứng giữa LWC và các tham số khác
Môi
trường
Kiểu mây Kích thước
hạt mây
(µm)
re
(µm)
NT
(hạt/m3)
LWC
(g/m3)
Stratus 4.7 7.3 250 0.28
cumulus (sạch) 4.8 5.8 400 0.26
cumulus (bị ô nhiễm) 3.5 4.0 1300 0.3
cumulonimbus (đang
phát triển)
6-8 7-10 ~500 1-3
Lục địa
cumulonimbus (đang 7-8 9-10 ~300 1.0-1.5
13
suy yếu)
Stratus 6.7 11.3 80 0.30 Biển
(strato)cumulus 10.4 12.7 65 0.44
cirrus (T < -250C) - 92 0.11 0.03 Khác
cirrus (T < -500C) - 57 0.02 0.002
1.2.2 Tính lượng hơi nước trong khí quyển bằng công nghệ split - window
Công nghệ split-window (Saunders, 1967; Anding và Kauth, 1970;
McMillin và Crosby, 1984) được sử dụng để tính lượng hơi nước trong khí
quyển từ 2 kênh phổ của một “cửa sổ khí quyển”.
Giả thiết hàm Plack là hàm tuyến tính địa phương trong cửa sổ hồng
ngoại, phương trình truyền bức xạ ứng với hai kênh phổ được cho như sau:
11 )( τASAB TTTT +=− (1.7)
22 )( τASAB TTTT +=− (1.8)
AB
AB
TTTT
−−
=1
1
2
1
ττ (1.9)
trong đó: Ts là nhiệt độ bức xạ bề mặt; TA nhiệt độ bức xạ trung bình
khí quyển; τ1,τ2 là độ truyền bức xạ từ bề mặt đến vệ tinh của hai kênh phổ;
TB1, TB2 là nhiệt độ bức xạ đo được từ vệ tinh tương ứng với 2 kênh phổ.
Mặt khác, sự khác biệt của độ truyền bức xạ là do sự khác biệt của hệ
số hấp thụ của hơi nước với 2 kênh phổ. Ta có:
⎥⎦⎤
⎢⎣⎡ −−=
θββ
ττ
cos)(exp 12
2
1 U (1.10)
Lượng hơi nước trong khí quyển được tính:
)ln(cos
2
1
12 AB
AB
TTTTU
−−
−=
ββθ (1.11)
14
trong đó: β1, β2 là hệ số hấp thụ khối của hơi nước đối với 2 bước sóng
ứng 2 kênh phổ; θ là góc thiên đỉnh.
1.2.3 Ước lượng nhiệt độ từ số liệu ảnh hồng ngoại của vệ tinh GOES
Đo đạc nhiệt độ bằng viễn thám dựa trên nguyên tắc là một đối tượng
bất kì phát bức xạ điện từ tương ứng với nhiệt độ bước sóng và khả năng phát
xạ của nó. Đối tượng nhận biết ở đây là mây, bề mặt đất, mặt nước biển.
Nhiệt độ nhận biết được bằng cảm biến kế nhiệt gọi là nhiệt độ chói. Sau khi
xác định được nhiệt độ chói bằng cách nghịch đảo hàm Planck :
(1.12)
Ta coi độ chói mà vệ tinh ghi được đúng bằng độ chói thực tế của bề
mặt đối tượng quan trắc ta sẽ xác định được nhiệt độ thực.
Bảng 1.3: Các hệ số tỷ xích thiết bị ghi hình vệ tinh GOES
Ước lượng nhiệt độ từ số liệu ảnh hồng ngoại vệ tinh địa tĩnh qua số
hiệu định dạng GVAR (format truyền số liệu của GOESI-M), `của vệ tinh
GOES-8 và GOES-9 hai vệ tinh này có độ phân giải số liệu ảnh hay còn gọi là
mức lượng tử là 10 bits tương đương là 1024 tông màu và số liệu thám sát
thẳng đứng là 16 bits. Từ số liệu ghi trên ảnh số sẽ chuyển đổi được về độ
chói bức xạ bằng phương trình:
R = (XG - B)/ M (1.13)
Trong đó R là độ chói bức xạ đo bằng mW/(m2-sr-cm-1), XG là trị số
đo GVAR, các hệ số B và M là tỷ xích nghiêng và phẳng tương ứng được cho
Kênh M B
2 257.3889 68.2167
3 38.8383 29.1287
4 5.2285 15.6854
5 5.0273 15.3332
131
2 ln( 1)cT cBν
νν−
⎡ ⎤= +⎢ ⎥
⎣ ⎦
15
trước như trong bảng 1.3. Chúng chỉ phụ thuộc vào kênh và loạt (series) vệ
tinh cụ thể, mà không phụ thuộc vào bộ dò sóng (detector).
Sau khi tính được độ chói bức xạ ta sẽ tính được nhiệt độ chói (nhiệt độ
hữu hiệu) bằng cách nghịch đảo hàm Planck ta được:
(1.14)
trong đó, Teff là nhiệt độ hữu hiệu tính bằng K, c1 và c2 là các hằng số
bức xạ, c1 = 1,191066x10-5 mW/(m2-sr-cm-4), c2 = 1,438833 K/cm-1, v là
số sóng trung tâm kênh vệ tinh. Đối với một kênh cho trước, v chỉ biến động
nhẹ trong bộ dò sóng, nó sẽ thay đổi khi thiết bị thay đổi và cũng được cho
trước dưới dạng bảng.
Bảng 1.4: Các hằng số cho thiết bị ghi hình vệ tinh GOES-9
Kênh Bộ dò sóng ν (1/cm ) α (K) β
2 1 2555.18 -0.579908 1.000942
2 2 2555.18 -0.579908 1.000942
3 1 1481.82 -0.493016 1.001076
4 1 934.59 -0.384798 1.001293
4 2 934.28 -0.363703 1.001272
5 1 834.02 -0.302995 1.000941
5 1 834.09 -0.306838 1.000948
Từ nhiệt độ hữu hiệu về nhiệt độ thực tế ta sử dung công thức:
T = αTeff + β (1.15)
Các hằng số α và β và cả ν phụ thuộc vào kênh, bộ dò sóng và thiết bị
bức xạ kế, được cho trước ở bảng 1.4.
1.2.4 Phương pháp tính profile độ ẩm bằng hồi quy [41]
Phương pháp hồi quy thường được sử dụng để tính profile nhiệt độ và
độ ẩm từ nhiều kênh phổ của một sensor vệ tinh quan trắc khí quyển. Có hai
phương pháp tính hồi quy profile nhiệt độ và độ ẩm:
23
1ln (1 )e f f
cTc
R
νν
=+
16
+ Phương pháp Chahine (1970): Giả sử sensor có m kênh phổ, chúng ta
sẽ tính hồi quy nhiệt độ và độ ẩm ở m mực tương ứng với các đỉnh của hàm
trọng số tại m kênh phổ.
⎥⎥⎦
⎤
⎢⎢⎣
⎡=+
)()()1(
~)()( n
j
jnjj
njj L
LTBTB (1.16)
+ Phương pháp Smith (1970): Profile nhiệt độ và độ ẩm ở mỗi mực
được tính hồi quy dựa trên tất cả các kênh phổ.
[ ]njj
nkj
njkj LLTBTB −+=+ ~)()( )()1( (1.17)
Nhiệt độ được tính theo phương pháp Smith
∑
∑
=
=
+
+ = J
j
J
j
njk
nk
TT
1jk
1
)1(jk
)1(
W
W (1.18)
Giả thiết profile nhiệt độ và hàm Plack Bλ(T)đã biết, Smith đã đưa
phương trình hồi quy tỷ số xáo trộn hơi nước tại mực thứ j như sau:
⎥⎥⎦
⎤
⎢⎢⎣
⎡
Γ
−+=+
)(
)()()1(
~1 n
j
njjn
kn
jk
LLqq (1.19)
trong đó: )(njΓ là hệ số điều chỉnh sự thay đổi tỷ số xáo trộn hơi nước;
)(njq là tỷ số xáo trộn hơi nước tại mực j ở bước lặp thứ n; JL~ là độ chói bức xạ
quan trắc và )(njL là độ chói bức xạ tính toán tại bước thứ n
Các bước tính hồi quy:
Bước 1: Chọn profile ẩm ban đầu (first-guess) q(k): số liệu khí hậu,…
Bước 2: Tính hàm trọng số
Bước 3: Ước lượng độ chói bức xạ (radiance) Lj ứng với mỗi kênh phổ
Bước 4: Nếu Lj gần bằng độ chói bức xạ quan trắc JL~ với sai số cho
phép thì profile hiện tại sẽ được chấp nhận. Nếu không thì profile hiện tại sẽ
được điều chỉnh. Bước lặp này được thực hiện cho đến khi Lj xấp xỉ bằng JL~ .
17
1.2.5 Xác định véc tơ dịch chuyển mây (CMV) từ dữ liệu vệ tinh địa tĩnh
Dựa vào 3 ảnh liên tục (30 phút) của kênh hồng ngoại, thị phổ hay hơi
nước của vệ tinh địa tĩnh để xác định sự chuyển động của phần tử mây, từ đó
xác định véc tơ dịch chuyển gió. Véc tơ gió được chia thành các mực: mực
trên cao ( 150-300 mb), mực giữa (500-300 mb), và mực thấp ( 900-700 mb).
Các bước tính véc tơ dịch chuyển mây CMV như sau:
Bước 1: Chọn 3 ảnh liên tiếp;
Bước 2: Tìm mẫu mây thích hợp trên ảnh mục tiêu;
Bước 3: Theo dõi mẫu mây đó trên 2 ảnh còn lại;
Bước 4: Tính véc tơ dịch chuyển của mây;
Bước 5: Ước lượng độ cao của mẫu mây;
Bước 6: Thẩm định chất lượng của véc tơ dịch chuyển.
1.2.6 Xác định tốc độ, hướng gió mặt biển từ vệ tinh Quickscat
Quickscat ước lượng tốc độ và hướng gió tại 10m trên mặt nước đại
dương bằng cách thu nhận tán xạ phản hồi (backscatter). Khi các dao động
xuất hiện trên bề mặt biển độ lớn của tán xạ phản hồi sẽ thay đổi. Mặt biển
gợn sóng sẽ cho tán xạ phản hồi mạnh hơn vì năng lượng tán xạ phản hồi sẽ
lớn và mặt biển yên tĩnh sẽ cho tán xạ phản hồi yếu vì chúng mang ít năng
lượng. Vệ tinh Quickscat luôn sử dụng một ăng - ten để thu nhận tán xạ phản
hồi. Quickscat truyền dao động sóng điện từ có tần số 13.4 GHz xuống bề mặt
biển với một tỉ lệ là 1 dao động tương ứng 5.4 m/s. Các dao động điện từ này
phân cực dọc và ngang. Vệ tinh này dùng cùng một ăng-ten cho cả hai dao
động dọc và ngang. Ăng - ten quay vòng với vận tốc 18 vòng/phút. Các
nguồn cung cấp dữ liệu trên ăng - ten được thiết lập để dọc cánh sóng với góc
cao 45 độ và ngang theo cánh sóng với góc cao 39 độ. Khi ăng - ten quay các
dao động điện từ tạo thành một vòng tròn. Các vùng bên ngoài bao ngồm một
vòng tròn đường kính 1800km, trong khi bên trong là vòng tròn đường kính
1400km.
18
1.3 Những nghiên cứu trên thế giới và ở Việt Nam về đồng hoá số liệu vệ
tinh trong mô hình số trị
Trong những năm 40 và 50 của thế kỷ XX, cùng với sự xuất hiện của
máy tính điện tử, các phương pháp đồng hoá số liệu đầu tiên ra đời, ban đầu
tên gọi là phân tích khách quan. Phân tích khách quan đầu tiên được đề xuất
bởi Panofsky (1949) [30], trong đó trường khí tượng được xấp xỉ bởi một hệ
hàm đa thức. Bergthorsson và Doos (1955) [12] mô tả một phương pháp mới
sau này được Cressman (1959) [16], Barnes (1964) [10] phát triển thành
phương pháp hiệu chỉnh liên tiếp. Khác với phương pháp xấp xỉ hàm trước
đó, phương pháp hiệu chỉnh liên tiếp nội suy từ các điểm trạm về lưới với
hàm trọng số kinh nghiệm cho trước (giảm dần theo khoảng cách). Do tính
đơn giản, hiệu chỉnh liên tiếp thường được sử dụng trong phân tích các trường
khí tượng hai chiều. Tuy nhiên, phương pháp này nhanh chóng bị vượt qua
sau khi có sự xuất hiện của phương pháp nội suy tối ưu (Gandin, 1963) [17].
Giống như phương pháp hiệu chỉnh liên tiếp, phương pháp nội suy tối ưu nội
suy các điểm trạm về điểm lưới nhưng trọng số được xác định từ các đặc
trưng thống kê của trường nền và trường thám sát. Đặc điểm nổi bật khiến
phương pháp nội suy tối ưu thống trị trong phân tích khách quan và đặt nền
móng cho phương pháp đồng hoá số liệu hiện đại ra đời là khả năng đưa quan
hệ vật lý vào trong quá trình phân tích (Lorenc, 1981) [21].
Phương pháp biến phân xử lý bài toán phân tích được phát triển đầu
tiên ở Nhật Bản (Sasaki, 1958) [38] nhưng chỉ được các nhà khí tượng chú ý
đến với bài báo của Sasaki vào năm 1970. Thompson (1969) [32] cũng đã mô
tả bài toán biến phân bao hàm cả yếu tố thời gian sau này được biết đến dưới
tên gọi biến phân bốn chiều (4DVAR). Lorenc (1986) [22] đề xuất bài toán
phân tích tổng quát chứng minh sự tương đương giữa phương pháp nội suy tối
ưu và biến phân ba chiều (3DVAR). Phương pháp 3DVAR nhằm xác định
trường phân tích thông qua việc cực tiểu hoá một phiếm hàm được định nghĩa
bằng độ lệch giữa trường phân tích với trường thám sát và trường nền trên
19
toàn miền tích phân. Trong trường hợp rời rạc hoá, phiếm hàm sẽ có dạng
toàn phương với trọng số phụ thuộc vào hàm thống kê của trường nền và
trường phân tích (hàm giá). Như vậy, 3DVAR cực tiểu hàm giá để có được
trường phân tích tối ưu mà không dùng công thức hiển xác định trường phân
tích như nội suy tối ưu. Andersson (1991) [9] thu hút nhiều sự quan tâm của
các nhà khoa học vào 3DVAR khi sử dụng phương pháp này để đồng hoá trực
tiếp số liệu bức xạ từ vệ tinh cực NOAA. Đến thập niên 90 của thế kỷ XX,
hầu như toàn bộ các trung tâm dự báo lớn trên thế giới đã chuyển từ phương
pháp nội suy tối ưu sang phương pháp 3DVAR (Parish và Deber, 1992) [31].
Tương tự như bài toán 3DVAR, nhưng 4DVAR có thêm chiều thời
gian và trường phân tích phải thoả mãn hệ phương trình động lực mô hình.
Do vậy, trường phân tích nhận được từ 4DVAR không những tối ưu theo
nghĩa thống kê mà còn phù hợp với động lực của mô hình. Tuy vậy, 4DVAR
đòi hỏi một khối lượng tính toán rất lớn, vượt quá tính toán dự báo của mô
hình nhiều lần. Hiện tại, 4DVAR mới chỉ được thực hiện tại một số trung tâm
tính toán lớn trên thế giới như Nhật Bản, Pháp và Mỹ.
Cùng với sự phát triển của công nghệ viễn thám, hàng loạt những
nghiên cứu về đồng hoá số liệu cũng đã được thực hiện. Routray (2008) [37]
đã đồng hoá các số liệu quan trắc bề mặt, ship, bouy, cao không và vệ tinh địa
tĩnh Kapanal-1 để dự báo mưa lớn ở Ấn độ bằng việc sử dụng hệ thống đồng
hoá số liệu 3DVAR cho mô hình WRF. Kết quả tính toán cho thấy, việc đồng
hoá số liệu đã cải thiện đáng kể chất lượng mô phỏng mưa lớn trong mùa mưa
ở Ấn độ. Xavier (2006) [45] đồng hoá profile nhiệt độ và độ ẩm từ vệ tinh
MODIS cùng với số liệu thám không vô tuyến để cải thiện trường đầu ban
đầu của mô hình MM5. Nghiên cứu đã chỉ ra rằng việc sử dụng dữ liệu vệ
tinh MODIS đã cải thiện đáng kể diễn biến mưa lớn kết hợp với áp thấp nhiệt
đới. Rakesh (2009) [35] đã sử dụng sơ đồ 3DVAR để đồng hoá dữ liệu tốc độ
gió và hướng gió gần bề mặt biển từ vệ tinh QSCAT (Quick Scatterometer),
tốc độ gió và TPW từ vệ tinh SSM/I (spectral sensor microwave imager) cho
20
cả hai mô hình MM5 và WRF để dự báo thời tiết hạn ngắn ở Ấn Độ. Kết quả
nghiên cứu cho thấy dự báo trường gió từ hai mô hình MM5 và WRF được
cải thiện đáng kể trong trường hợp đồng hoá dữ liệu gió từ QSCAT và SSM/I,
trong khi trường nhiệt độ và độ ẩm cho hiệu quả kém hơn. Trường dự báo
mưa tốt nhất trong trường hợp đồng hoá dữ liệu TPW. Ngoài ra, nghiên cứu
cũng chỉ ra rằng sai số dự báo các trường gió, nhiệt độ và độ ẩm ở các mực
khác nhau bằng mô hình WRF nhỏ hơn khi dự báo bằng mô hình MM5.
Ở nước ta, một số nghiên cứu về mô hình đồng hoá số liệu nhằm cải
thiện trường ban đầu cũng đã và đang được thực hiện. Kiều Thị Xin và Lê
Đức (2003) [7] đã nghiên cứu áp dụng mô hình đồng hoá số liệu 3DVAR cho
mô hình HRM. Kết quả tính toán dự báo thời tiết bằng cách sử dụng các số
liệu tại các trạm cao không và SYNOP cho thấy lượng mưa dự báo gần với
thực tế hơn so với trường hợp không sử dụng đồng hoá số liệu. Kiều Thị Xin
(2005) [8] cũng đã sử dụng phương pháp biến phân hai chiều để phân tích độ
ẩm đất từ nhiệt độ quan trắc hai mét cho mô hình HRM. Kết quả cho thấy tác
động nhỏ của độ ẩm đất đến dự báo các trường khí tượng trên cao trên khu
vực Việt Nam. Trong khuôn khổ đề tài nghiên cứu khoa học cấp Bộ “Nghiên
cứu thử nghiệm dự báo mưa lớn ở Việt Nam bằng mô hình MM5” của Hoàng
Đức Cường (2008) [1] cũng đã nghiên cứu hiệu chỉnh trường ban đầu bằng
các số liệu SYNOP và vô tuyến thám không để nâng cao chất lượng dự báo
thời tiết bằng mô hình MM5. Nghiên cứu cho thấy việc sử dụng số liệu
SYNOP và thám không vô tuyến để điều chỉnh trường ban đầu của mô hình
MM5 bước đầu cho kết quả khả quan. Lê Đức và đồng sự (2007) [4] đã xây
dựng trường ẩm cho mô hình HRM từ số liệu vệ tinh địa tĩnh MTSAT dựa
trên phương pháp 3DVAR. Hoàng Đức Cường và cộng sự (2008) [2] đã hiệu
chỉnh trường ban đầu của mô hình MM5 bằng dữ liệu vệ tinh MTSAT để mô
phỏng cơn bão Damrey.
21
CHƯƠNG 2: ĐỒNG HÓA SỐ LIỆU VỆ TINH TRONG MÔ
HÌNH WRF
2.1 Mô hình WRF
2.1.1 Tổng quan về mô hình WRF
Mô hình Nghiên cứu và Dự báo WRF (Weather Research and Forecast)
là mô hình đang được phát triển từ những đặc tính ưu việt nhất của mô hình
MM5 với sự cộng tác của nhiều cơ quan tổ chức lớn trên thế giới, chủ yếu là:
Phòng nghiên cứu Khí tượng qui mô nhỏ và qui mô vừa của trung tâm quốc
gia nghiên cứu Khí quyển Hoa Kỳ (NCAR/MMM), trung tâm quốc gia dự báo
môi trường (NOAA/NCEP), phòng thí nghiệm phương pháp dự báo (NOAA
/FSL), trung tâm phân tích và dự báo bão của trường đại học Oklahoma (CAPS),
cơ quan thời tiết hàng không Hoa kỳ (AFWA) và các trung tâm khí tượng quốc
tế như Học viện khoa học khí tượng của Trung Quốc CAMS, Cơ quan thời tiết
trung ương của Đài Loan, Cơ quan khí tượng Hàn Quốc KMA.
Hiện nay, mô hình WRF đang được sử dụng rộng rãi trong dự báo thời
tiết nghiệp vụ cũng như trong nghiên cứu ở nhiều quốc gia trên thế giới, cụ thể:
tại Mỹ, mô hình WRF đang được chạy nghiệp vụ tại NCEP (từ năm 2004) và
AFWA (từ tháng 7/2006). Mô hình này cũng đang được chạy nghiệp vụ tại
KMA (2006), tại Ấn Độ, Đài Loan và Israel (từ năm 2007). Ngoài ra một số
nước khác đang sử dụng WRF trong nghiên cứu và dự định sử dụng mô hình
này trong nghiệp vụ như Trung Quốc, New Zealand, Braxin,...
Phiên bản 3.2 của mô hình WRF ra đời tháng 4 năm 2008, bao gồm các
chức năng chính sau: hệ phương trình động lực học bất thuỷ tĩnh nén được đầy
đủ; các sơ đồ vật lý được tích hợp cho những ứng dụng ở quy mô từ mét đến
hàng nghìn km và có mã nguồn mở để người sử dụng, cũng như các nhà nghiên
cứu có thể đưa thêm các sơ đồ vật lý vào mô hình; điều kiện biên di động; hệ
thống đồng hoá số liệu 3DVAR; kỹ thuật lồng ghép miền tính di động.
2.1.2 Cấu trúc của mô hình WRF
Sơ đồ mô tả cấu trúc các thành phần của mô hình WRF
22
Hình 2.1. Cấu trúc tổng quan của mô hình WRF
Các thành phần chính của mô hình WRF gồm có:
• Hệ thống tiền xử lý của mô hình WRF (The WRF Pre-processing
System ,WPS)
• Môđun đồng hóa số liệu (WRFDA)
• Môđun mô phỏng ARW (ARW solver)
• Chương trình đồ họa và xử lý sản phẩm của mô hình (Post-processing
& Visualization tools)
WPS: đây là chương trình được sử dụng chủ yếu để mô phỏng các dữ
liệu thực (real –data), bao gồm: xác định miền mô phỏng; nội suy các dữ liệu
địa hình, sử dụng đất (landuse), các loại đất về miền mô phỏng; đọc và nội
suy các trường khí tượng từ các mô hình khác (mô hình toàn cầu, mô hình
khu vực có độ phân giải thấp) về miền mô phỏng.
WRFDA: là chương trình đồng hóa số liệu quan trắc vào trường phân
tích được tạo ra bởi chương trình WPS. Chương trình này cũng cho phép cập
nhật điều kiện ban đầu trong trường hợp mô hình WRF được chạy ở chế độ
23
tuần hoàn. Kỹ thuật đồng hóa số liệu biến phân bao gồm cả biến phân ba
chiều 3DVAR và biến phân 4 chiều 4DVAR
ARW solver: Đây là mođun chính của hệ thống mô hình WRF, bao
gồm các chương trình khởi tạo đối trường hợp mô phỏng lý tưởng, các mô
phỏng dữ liệu thực và chương trình tích phân. Các chức năng chính của mô
hình WRF là:
- Các phương trình không thủy tĩnh nén được đầy đủ
- Ứng dụng đối với cả miền tính toàn cầu và khu vực
- Hệ toạ độ ngang là lưới so le Arakawa C, hệ toạ độ thẳng đứng là hệ
toạ độ khối theo địa hình.
- Bước thời gian sai phân Runge-Kutta bậc 3 được sử dụng đối với các
số sóng âm thanh và sóng trọng trường, sai phân bậc 2 đến bậc 6 được sử
dụng cho cả phương ngang và phương thẳng đứng.
- Lồng ghép miền tính một chiều và 2 chiều và lựa chọn miền tính lồng
ghép di dộng (moving nest).
- WRF được thiết kế cho phép ghép nối với các mô hình khác như mô
hình đại dương, mô hình đất.
- Các lựa chọn tham số hóa vật lý đầy đủ cho bề mặt đất, lớp biên hành
tinh, bức xạ bề mặt và khí quyển, quá trình vi vật lý và quá trình đối lưu.
- Mô hình lớp xáo trộn đại dương một cột
Post-processing & Visualization tools: bao gồm một số chương trình
và phần mềm cho việc khai thác sản phẩm và đồ họa như RIP4, NCL,
GrADS và Vis5D,…
2.1.3 Các quá trình vật lý trong mô hình
Các sơ đồ tham số hoá vật lý trong mô hình WRF rất phong phú, tạo
điều kiện thuận lợi cho các đối tượng sử dụng khác nhau. Các quá trình vật lý
được tham số hóa trong mô hình WRF bao gồm: Các quá trình vật lý vi mô,
tham số hoá đối lưu mây tích, lớp biên hành tinh, mô hình bề mặt, các quá
trình đất - bề mặt (mô hình đất), bức xạ, khuếch tán.
24
a. Vật lí vi mô
Vi vật lí bao gồm các quá trình xử lí hơi nước, mây và quá trình giáng
thủy. Các sơ đồ vi vật lí dùng để tính toán xu thế của nhiệt độ, độ ẩm khí
quyển và mưa bề mặt. Tuy nhiên mỗi sơ đồ có độ phức tạp và các biến ẩm
riêng khác nhau. Các sơ đồ vi vật lí có trong mô hình trên bảng 2.1.
Bảng 2.1: Tùy chọn vật lí vi mô trong WRF
Loại sơ đồ Số lượng biến Pha băng Pha hỗn hợp
Kessler 3 Không Không
Purdue Lin 6 Có Có
WSM 3 3 Có Không
WSM 5 5 Có Không
WSM 6 6 Có Có
EtaGCP 2 Có Có
Thompson 7 Có Có
Lựa chọn mặc định của mô hình WRF trong mảng vật lí vi mô là sơ đồ
mây, giáng thủy theo lưới Eta (EtaGCP). Sơ đồ này dự báo những thay đổi
của hơi nước ngưng tụ trong các dạng mây chứa nước, mây gây mưa, mây
chứa băng, giáng thủy băng (tuyết, băng hòn, mưa đá).
b. Đối lưu mây tích
Trong mô hình số trị nói chung, tham số hóa đối lưu mây tích có tầm
quan trọng đặc biệt đối với mô phỏng có độ phân giải trên 10km, mô hình
không mô phỏng được các ổ đối lưu riêng biệt và các quá trình vận chuyển
nhiệt ẩm. Mây đối lưu Cb, Cu sâu có xu hướng làm nóng và khô không khí
môi trường do chúng làm tiêu hao ẩm môi trường còn mây tầng Ci,Cs nông
lại có xu hướng làm cho môi trường lạnh và ẩm nhờ sự bốc hơi của hơi nước
và nước cuốn ra từ mây (do không khí môi trường khô hơn). Chính vì vậy,
25
việc xem xét phổ mây tích với các kích cỡ khác nhau là rất quan trọng trong
nghiên cứu mối tương tác giữa mây tích và môi trường quy mô lớn. Mây tích
có quy mô nhỏ hơn nhiều so với độ phân giải thông thường của lưới mô hình,
nên ảnh hưởng của nó đối với hoàn lưu quy mô lớn không thể tính trực tiếp
mà chỉ có thể tính gián tiếp từ cân bằng nhiệt và ẩm của hệ thống hoàn lưu
quy mô lớn.
Mục đích của chính của vấn đề tham số hóa đối lưu là:
- Dự báo lượng mưa sinh ra do đối lưu;
- Tính toán tác động của đối lưu đến các qua trình nhiệt động lực học
mô hình như tính ổn định thẳng đứng, phân bố lại trường nhiệt, ẩm hình thành
mây, các ảnh hưởng đến đốt nóng bề mặt, bức xạ khí quyển,....
Bảng 2.2: Một số tùy chọn tham số hóa đối lưu mây tích trong mô hình WRF
Sơ đồ Mây giáng Loại kết hợp
Kain – Fritsch Có Thông lượng khối
Betts-Miller-Janjic
Không Bình lưu
Grell-Devenyi Có Thông lượng khối
Có nhiều phương pháp khác nhau đã được sử dụng để liên kết mây với
các trường giải được như nhiệt độ, độ ẩm và gió, nhưng vẫn chưa một phương
pháp nào là hoàn thiện nhất, mỗi sơ đồ đưa ra đều có những ưu, nhược điểm
riêng.
Tham số hóa đối lưu mây tích về mặt lí thuyết chỉ đúng cho những lưới
thô, đối với lưới tĩnh thì bỏ qua sự đối lưu. Trong mô hình WRF có những tùy
chọn tham số hóa đối lưu khác nhau được mô tả trong bảng 2.2.
c. Lớp bề mặt
26
Những sơ đồ lớp bề mặt tính toán hệ số vận tốc và trao đổi ma sát, cho
phép tính dòng nhiệt và ẩm bề mặt bởi mô hình đất - bề mặt và sơ đồ lớp biên
hành tinh. Các sơ đồ bề mặt trong mô hình WRF được mô tả trong bảng 2.3.
Bảng 2.3: Tùy chọn bề mặt đất trong WRF
Sơ đồ Quá trình thực vật
Biến thay đổi trong đất (các tầng)
Tuyết
5 lớp Không Nhiệt độ (5) Không có
Noah Có Nhiệt độ, nước +băng, nước (4)
1-lớp, nhỏ
RUC Có Nhiệt độ, băng, nước + băng (6)
Nhiều lớp
Những mô hình bề mặt đất (LSMs) dùng thông tin khí quyển từ lớp bề
mặt, bức xạ từ sơ đồ bức xạ, giáng thủy từ vật lí vi mô và sơ đồ đối lưu, cùng
với thông tin quan trọng trên những biến trạng thái của đất và thuộc tính của
bề mặt đất để cung cấp những thông tin về thông lượng nhiệt và ẩm qua
những điểm mặt đất và những điểm trên mặt biển, băng. Các thông lượng này
cung cấp điều kiện biên ban đầu cho dòng thăng trong mô hình PBL.
Mô hình mặt đất không cung cấp những xu hướng, nhưng cập nhật
những biến trạng thái của đất gồm: nhiệt độ bề mặt, profile nhiệt độ đất,
profile độ ẩm đất, tuyết. Không có trao đổi ngang giữa những điểm lân cận
trong LSMs, vì vậy nó có thể coi như mô hình cột một chiều cho mỗi điểm
lưới trong mô hình WRF. Hiện nay có nhiều mô hình bề mặt có thể chạy độc
lập.
d. Lớp biên hành tinh (Planetery Boundery Layer, PBL)
Lớp biên hành tinh (PBL) có nhiệm vụ tính toán thông lượng xoáy quy
mô dưới lưới. Vì vậy khi PBL được kích hoạt thì khuếch tán theo chiều thẳng
đứng cũng được kích hoạt. Hầu hết, khuếch tán ngang là không đổi
(Kk=const). Thông lượng bề mặt được cung cấp bởi bề mặt và sơ đồ bề mặt
27
đất. Sơ đồ PBL xác định các profile thông lượng giữa lớp biên và trạng thái
của lớp biên. Vì vậy sẽ cung cấp những khuynh hướng của nhiệt độ, độ ẩm
(bao gồm cả mây), động lượng ngang trong toàn cột khí quyển. Hầu hết các
sơ đồ PBL xét sự xáo trộn khô, nhưng cũng bao gồm hiệu ứng bão hòa trong
sự ổn định thẳng.
e. Bức xạ khí quyển
Các sơ đồ bức xạ khí quyển cho ta thấy sự đốt nóng bề mặt khí quyển
bởi thông lượng bức xạ sóng ngắn của mặt trời và sóng dài của bề mặt đất.
Bức xạ sóng dài bao gồm tia hồng ngoại (IR) hoặc bức xạ nhiệt hấp thụ được
phát ra từ khối không khí và bề mặt. Dòng bức xạ sóng dài từ bề mặt phụ
thuộc vào loại bề mặt đất, nhiệt độ bề mặt đất. Bức xạ sóng ngắn có chứa cả
bức xạ sóng dài, và phụ cận sóng dài trong phổ mặt trời. Vì chỉ có nguồn là
mặt trời, nên bức xạ sóng dài gồm các quá trình hấp thụ, phản xạ, phát xạ
trong khí quyển và tại bề mặt. Phản xạ phụ thuộc vào Albedo của mặt đệm.
Bức xạ còn phụ thuộc vào phân bố của mây, hơi nước và các khí CO2,
O3,…Các tùy chọn bức xạ trong mô hình WRF cho trên Bảng 2.4.
Bảng 2.4. Tùy chọn sơ đồ bức xạ trong WRF
Sơ đồ Sóng dài (LW)/Sóng ngắn (SW)
Số dải Loại
RRTM Sóng dài 16 CO2 ,O3, mây
GFTL-LW Sóng dài 14 CO2 ,O3, mây
GFDLSW Sóng ngắn 12 CO2 ,O3, mây
MM5SW Sóng ngắn 1 mây
Goddard Sóng ngắn 11 CO2 ,O3, mây
f. Sơ đồ tương tác giữa các quá trình vật lí
28
Trong khi mô hình tham số hóa vật lí phân loại theo cách môđun, và sự
tương tác giữa chúng thông qua những biến trạng thái mô hình (ẩn nhiệt, ẩm,
gió,…), xu hướng của chúng, và thông lượng bề mặt (hình 2.2)
Quá trình tham số hóa mây tích tác động vào vi vật lí thông qua dòng đi
ra. Vi vật lí cùng với mây tích tác động đến bức xạ thông qua sự ảnh hưởng
của mây tới bức xạ. Bức xạ và bề mặt tương tác với nhau thông qua phát xạ
sóng ngắn, dài và Albedo bề mặt. Bề mặt tương tác với lớp biên hành tinh
thông qua thông lượng nhiệt ẩm bề mặt và gió. Lớp biên hành tinh và mây
tích tương tác với nhau thông qua dòng giáng và mây tầng thấp.
Hình 2.2: Sơ đồ tương tác vật lí
2.2 Vấn đề đồng hoá số liệu vệ tinh trong mô hình WRF
2.2.1 Bài toán đồng hóa số liệu biến phân ba chiều 3DVAR
Mục đích cơ bản của đồng hoá số liệu biến phân ba chiều là cung cấp
một ước lượng tối ưu của trạng thái khí quyển thực ở thời điểm phân tích
thông qua việc giải lặp hàm giá:
(2.1)
trong đó, x là véc tơ trạng thái phân tích,
VI VẬT LÍ MÂY TÍCH
BỨC XẠ PLB
BỀ MẶT
Ảnh hưởng của mây
Một phần mây
Tương tác giữa các quá trình vật lí
Thông lượng nhiệt ẩm bề mặt
Sóng ngắn, dài Phát xạ bề mặt Albedo bề mặt T, Qv, gió bề mặt
Mây tầng thấp hoặc sự tăng cường dòng giáng
Dòng đi ra
29
xb là véc tơ trường nền,
B là ma trận tương quan sai số nền,
y0 là trường quan trắc,
y là véc tơ chuyển đổi từ trạng thái không gian mô hình
đến không gian quan trắc,
E, F tương ứng là ma trận tương quan sai số quan trắc và
ma trận tương quan sai số biểu diễn.
Như vậy, bài toán đồng hoá số liệu biến phân 3DVAR có thể nói ngắn
gọn là lời giải lặp của phương trình (2.1) để tìm trạng thái được phân tích x
sao cho J(x) là nhỏ nhất. Phương pháp này tương ứng khả năng ước lượng lớn
nhất (sai số nhỏ nhất) trạng thái khí quyển thực được thể hiện trong hai nguồn
số liệu ban đầu: trường nền xb và trường quan trắc y0. Sai số biểu diễn là một
ước lượng của sai số được biết đến trong quá trình sử dụng toán tử quan trắc
H để chuyển đổi những số liệu phân tích lưới tính x đến không gian quan trắc
y = Hx nhằm so sánh với các giá trị quan trắc. Sai số này sẽ phụ thuộc vào độ
phân giải và những phép toán lấy xấp xỉ (ví dụ tuyến tính hoá) trong H.
*Ma trận tương quan sai số trường nền
Phương sai sai số trường nền:
Phương sai của sai số trường nền là các phần tử nằm trên đường chéo
của ma trận sai số nền B. Chúng thường được đánh giá thông qua phương sai
của trường dự báo mà ta sử dụng làm trường nền. Đánh giá thô hơn có thể lấy
phương sai khí hậu nhân với một hệ số tuỳ ý nhỏ hơn 1. Nếu trường phân tích
có chất lượng tốt (có nhiều thám sát) thì phương sai sai số trường nền có thể
được đánh giá thông qua việc xác định phương sai của độ lệch giữa trường dự
báo và trường phân tích. Nếu các quan trắc không tương quan, phương pháp
của Hollingsworth (1986) được xem là phương pháp đánh giá tốt nhất. Đây là
phương pháp đánh giá trực tiếp các đặc trưng thống kê của sai số trường nền
(tương quan sai số trường nền trong không gian quan trắc bên cạnh phương
sai).
30
Phương sai này sử dụng độ lệch giữa quan trắc với giá trị nền tương
ứng đã được nội suy về vị trí quan trắc trong một mạng lưới quan trắc dày và
đủ rộng để bao quát thông tin trên mọi quy mô. Các quan trắc được giả thiết
độc lập và không tương quan lẫn nhau. Nguyên lý cơ bản của phương pháp
này là xây dựng sơ đồ của ( [ ]bxHy −0 ) theo khoảng cách giữa các điểm trạm.
Tại điểm 0, sơ đồ cho ta giá trị trung bình của cả phương sai quan trắc và
phương sai nền. Tại những điểm khác 0, sơ đồ thể hiện giá trị trung bình của
tương quan sai số nền (hình 2.3).
Hình 2.3: Sơ đồ phân bố của trung bình dộ lệch giữa giá trị quan trắc với
trường nền theo khoảng cách giữa các điểm trạm
Tương quan sai số trường nền:
Tương quan giữa các sai số trường nền là các phần tử nằm ngoài đường
chéo của ma trận sai số nền B. Tương quan sai số trường nền có tầm quan
trọng trong bài toán phân tích vì những lý do như sau:
31
- Truyền thông tin: trong những khu vực quan trắc thưa thớt, các số
hạng tương quan trong B sẽ truyền thông tin từ một điểm quan trắc tới vùng
lân cận xung quanh.
- Làm trơn: trong những khu vực quan trắc dày, độ trơn của thông tin
quan trắc được xác định bởi các tương quan trong B. Độ trơn của trường phân
tích đảm bảo rằng phân tích chứa những quy mô có thể so sánh được về mặt
thống kê với các đặc tính quy mô của trường vật lý. Ví dụ khi phân tích thực
hiện trong tầng bình lưu hay trong vùng xoáy nghịch, trường phân tích cần
được làm trơn nhiều theo phương ngang nhằm trung bình hoá và trải rộng các
quan trắc. Ngược lại, khi phân tích thực hiện ở tầng thấp trong vùng front, bờ
biển, núi hoặc gần lớp nghịch nhiệt, phân tích cần được giới hạn để không tạo
ra trường phân tích quá trơn dẫn đến không chính xác về mặt vật lý.
- Cân bằng vật lý: Hầu hết các hệ địa vật lý gần như thoả mãn cân bằng
động lực hoặc một số cân bằng khác. Điều này dẫn đến tương quan giữa các
sai số của các biến khác nhau trong mô hình. Ví dụ, trong dòng khí quyển quy
mô lớn, cân bằng địa chuyển dẫn đến tương quan giữa sai số của trường gió
và trường nhiệt độ. Như vậy, khi quan trắc một biến có thể đem lại mọi thông
tin về các biến khác cân bằng với nó. Ví dụ, trong cân bằng địa chuyển, quan
trắc gió mực thấp có thể hiệu chỉnh áp suất bề mặt. Kết hợp với đặc tính lảm
trơn của ma trận B, tương quan chéo thông qua cân bằng tác động đáng kể tới
chất lượng phân tích. Hình 3.2 thể hiện một quan trắc nhiệt độ được làm trơn
sau đó được dùng để hiệu chỉnh độ cao địa thế vị xung quanh, dẫn tới hiệu
chỉnh trường gió trong cân bằng địa chuyển.
*Ma trận tương quan sai số quan trắc
Phương sai sai số quan trắc:
Ma trận tương quan sai số quan trắc bao gồm những ảnh hưởng của sai
số đo, các sai số trong hoạt động quan trắc và sai số biểu diễn (ví dụ, mô hình
không thể biểu diễn tất cả những thay đổi của nhiệt độ đo bằng nhiệt kế trong
quy mô nhỏ với lưới tính của mô hình là 50km2).
32
Phương sai của sai số quan trắc chính là các phần tử nằm trên đường
chéo của ma trận tương quan. Chú ý rằng phương sai sai số quan trắc bao
gồm cả phương sai từ sai số thể hiện. Giá trị này không thể bỏ qua khi phan
tích các hiện tượng không được thể hiện tốt trong không gian mô hình. Bảng
2.5 và 2.6 cho ta giá trị độ lệch chuẩn các biến được đo bởi trạm SYNOP và
cao không theo ECMWF [7].
Bảng 2.5: Độ lệch chuẩn thám sát với trạm SYNOP
Gió (m/s) Nhiệt độ (K) Độ ẩm tương đối (%) Độ cao (m) 3.6 2 10 7
Bảng 2.6: Độ lệch chuẩn thám sát với trạm cao không phân bố theo
mực khí áp
P (mb) 1000 850 700 500 400 300 250 200 150 100 V(m/s) 2.3 2.3 2.5 3.0 3.5 3.7 3.5 3.5 3.4 3.3 T (K) 1.7 1.5 1.3 1.2 1.2 1.4 1.5 1.5 1.6 1.7 RH(%) 15 15 15 15 15 15 15 15 15 15 H(m) 4.3 4.4 5.2 8.4 9.8 10.7 11.8 13.2 15.2 18.1
Tương quan sai số quan trắc:
Tương quan sai số quan trắc là các phần tử nằm ngoài đường chéo của
ma trận tương quan sai số quan trắc. Những phép đo riêng biệt được giả thiết
rằng bị ảnh hưởng bởi những sai số vật lý hoàn toàn độc lập, do đó, tương
quan giữa các phép đo thường được giả định bằng không. Giả thiết này hợp lý
cho những phép đo được thực hiện bởi những dụng cụ đo khác nhau. Tuy
nhiên, giả thiết này không còn đúng cho một tập các quan trắc được thực hiện
bởi cùng một dụng cụ đo như bóng thám không, máy bay, các cảm biến trên
vệ tinh hay các bản tin liên tiếp từ cùng một trạm synốp khi đồng hoá số liệu
bốn chiều. Ngoài ra, quá trình xử lý số liệu qua trắc ban đầu cũng có thể sinh
ra những tương quan nhân tạo giữa các quan trắc đã được xử lý. Điều này có
thể quan sát thấy khi ta chuyển profile nhiệt độ quan trắc qua địa thế vị,
chuyển đổi giữa độ ẩm tương đối và độ ẩm riêng mang lại tương quan với
33
nhiệt độ. Khi xét đến sai số thể hiện có thể thấy về bản chất sai số thể hiện
tương quan lẫn nhau : sai số nội suy tương quan lẫn nhau khi mật độ thám sát
dày hơn so với độ phân giải của mô hình.
Sự có mặt của tương quan sai số quan trắc góp phần làm giảm trọng số
của quan trắc và giảm sự chênh lệch giữa các giá trị quan trắc thông qua
gradient hay xu thế. Tuy nhiên, việc đánh giá các giá trị tương quan và đưa
các giá trị này vào quá trình phân tích đặt ra những khó khăn trong quá trình
xử lý cũng như quản lý chất lượng thám sát. Trong thực tế, người ta thường
cực tiểu hoá các tác động của chúng bằng cách khử bỏ bias trong thám sát,
tránh những quá trình xử lý số liệu thám sát không cần thiết ban đầu, làm thưa
những vùng có số liệu dày và tăng chất lượng trong thiết kế toán tử quan trắc.
Phần lớn các phương pháp đồng hoá số liệu hiện đại điều giả định ma trận
tương quan sai số quan trắc là ma trận chéo hoặc gần như chéo.
2.2.2 Quá trình cập nhật số liệu đầu vào trong mô hình WRF
Hình 2.4 thể hiện quy trình thực hiện đồng hóa số liệu trong mô hình
WRF. Để thực hiện quy trình này, ta cần ba nguồn dữ liệu đầu vào:
Hình 2.4: Sơ đồ quy trình đồng hoá dữ liệu WRFDA
Background Error
(gen_be)
Forecast (WRF)
xb
xaUpdate Lateral & Lower BCs (UPDATE_BC
)
Background Preprocessing (WPS , real)
xlbc
Cycled Background
B0
yo , R
Cold-Start Background
xf
Observation Preprocessing (OBSPROC)
WRFDA
34
a/ Số liệu dự báo ban đầu (trường nền) bx : Có hai kiểu tạo trường nền
cho quá trình đồng hoá là kiểu khởi động lạnh (cold-start) và kiểu tuần hoàn
(cycling). Trong trường hợp khởi động lạnh, các giá trị bx có được từ việc nội
suy lưới của mô hình toàn cầu hay từ các mô hình khu vực về lưới của mô
hình WRF thông qua chương trình WRFSI và WRF_Real trong mô hình
WRF. Còn trong trường hợp tuần hoàn, trường nền là trường dự báo hạn ngắn
từ modun ARW của hệ thống mô hình WRF.
b/ Các số liệu quan trắc oy : nguồn số liệu này sẽ được cung cấp với
định dạng ASCII như trong mođun little_r của mô hình MM5 hoặc định dạng
BUFR. Quá trình cập nhật số liệu quan trắc vào mô hình WRFDA được thực
hiện bởi chương trình OBSPROC trong mô hình WRF.
c/ Tương quan sai số trường nền (B): Trong các hệ thống biến phân,
tương quan được tính theo kiểu off-line và được tối ưu hoá.
Để giúp người sử dụng, những nhà nghiên cứu và phát triển mô hình
WRF đã đưa ra một số cung cấp sau:
* Chuỗi số liệu thống kê mặc định được dùng cho những cài đặt ban
đầu của miền lưới.
* Cung cấp phần mođul gen_be để tạo ma trận sai số nền.
* Các hàm chuẩn đoán để ước lượng độ chính xác của các biến quan
trắc và các thống kê sai số nền. Những hàm chuẩn đoán này bao gồm các
phương pháp dựa trên véc tơ mới và các phương pháp điều chỉnh biến phân.
2.2.3 Những cải tiến để cực tiểu hoá hàm giá
Để cực tiểu hoá hàm giá, mô hình WRDA đã sử dụng phiên bản được
cải tiến về giới hạn vùng nhớ của phương pháp Quasi_Newton (QNM). Và
gần đây nhất là phương pháp liên kết Gradient (CGM). Không như phương
pháp QNM, phương pháp CGM sẽ hạn chế tối đa những vòng lặp ở bên trong
của mô hình WRFDA để mô hình có thể diễn ra một cách liên tục. Những
giới hạn này sẽ mất đi thông qua những kết quả của một vòng lặp bên ngoài
35
của mô hình WRFDA, mục đích của phương pháp này là hướng tới quá trình
tương tác của những giải pháp phi tuyến (ví dụ như sự tương tác giữa giá trị
quan trắc và quá trình cân bằng cưỡng bức v.v.) được sử dụng để phân tích
biến trong mô hình WRFDA. Vòng lặp bên ngoài này cũng được sử dụng như
là quá trình biểu diễn các biến điều khiển như sau: giá trị quan trắc sẽ bị loại
bỏ nếu hiệu sai số quan trắc và sai số trường nền (O_B) vượt quá giá trị cho
phép (sai số độ lệch chuẩn). Sai số lớn nhất này sẽ kiểm tra giả thiết loại bỏ
giá trị max của sai số O_B là do giá trị quan trắc thu được ít hơn và kém
chính xác hơn giá trị dự báo hay không. Tuy nhiên trong trường hợp giá trị dự
báo thu được là thưa thớt và sai số trường nền (B) là sai thì lập tức máy sẽ
loại bỏ hầu hết các giá trị quan trắc có ích. Như vậy những vòng lặp bên ngoài
sẽ có tác dụng làm giảm đi những ảnh hưởng từ việc loại bỏ trên.
2.2.4 Tính toán hệ số tương quan sai số trường nền
Hệ số tương quan sai số trường nền là một trong số các biến đầu vào
của quá trình đồng hoá số liệu. Hệ số tương quan này có ảnh hưởng rất lớn tới
các biến phân tích và nó phụ thuộc vào các vị trí của các giá trị quan trắc trên
lưới toàn cầu. Không khác nhiều nhưng trong công nghệ đồng hoá của
Kalman Fillter, quá trình đồng hoá số liệu 3/4D_Var sẽ không đưa ngay ra hệ
số tương quan của sai số trường nền mà sẽ đánh giá nó cuối cùng thông qua
những thống kê khí hậu. Những thử nghiệm của Fisher (2003) tại ECM WF
đã chỉ ra rằng các biến thống kê trên hoàn toàn có thể tính được bằng việc sử
dụng một quá trình phân tích tuần hoàn dựa trên các quá trình vật lý và quan
trắc.
Phương pháp NMC đã được sử dụng để tính hệ số tương quan sai số
trường nền cho mô hình WRFDA.
Việc tính toán hệ số tương quan của các sai số trường nền được thiết kế
trong môdul gen_be, môdul này sẽ cập nhật dữ liệu từ mô hình toàn cầu hay
mô hình khu vực sau đó sẽ tính toán để tạo ra các hệ số tương quan thống kê
của sai số sử dụng trong hệ thống đồng hoá số liệu. Không giống như các mô
36
hình khác, các giá trị tại các điểm nút lưới, tại biên, định dạng của dữ liệu, các
quá trình ban đầu đã được yêu cầu để truyền đầu ra của mô hình vào trong
trường xáo trộn chuẩn. Trường xáo trộn chuẩn gồm trường hàm dòng
ψ’(i,j,k), vận tốc thế vị χ’(i,j,k), nhiệt độ T’(i,j,k), độ ẩm tương đối r’(i,j,k), áp
suất bề mặt Ps’(i,j,k) ngoài ra còn có thêm các yếu tố độ cao z(i,j,k), vĩ độ
φ(i,j,k).
2.2.5 Tính toán hệ số tương quan giữa các trường
Để tính toán hệ số tương quan giữa các trường thì những giá trị trung
bình cần phải được loại bỏ đầu tiên, để loại bỏ các giá trị này ta đã sử dụng
môdul gen_be_stage2.
Môdul này sẽ đưa ra biến thống kê cho trường không cân bằng như
χu,Tu,Psu, các biến được sử dụng như là các biến điều khiển trong mô hình
WRF_Var. Các biến điều khiển được định nghĩa là sự sai khác giữa các thành
phần cân bằng và các thành phần đầy đủ của trường. Trong trạng thái này các
sai số dự báo, các thành phần cân bằng được tính toán thông qua quá trình hồi
quy biến phân tích, kết quả là các hệ số hồi quy này được sử dụng để truyền
biến Up vào mô hình WRF. Có ba quá trình hồi quy được thực hiện để tạo ra
các hệ số hồi quy:
+ quá trình hồi quy hàm dòng, vận tốc thế vị b cχ ψ= .
+ quá trình hồi quy hàm dòng, nhiệt độ , 1 1, 2 22
b K K K KK
T G ψ=∑ .
+ quá trình hồi quy hàm dòng, áp suất bề mặt KWsb KP K ψ=∑ .
1, 2 K,WK KG là hệ số hồi quy, c là hệ số hồi quy được sử dụng để đánh
giá sai số vận tốc thế vị từ trường hàm dòng.
Dữ liệu được dùng để tính toán là một file gồm nf hàng nhân ne cột (nf x
ne). File này được định nghĩa thông qua namelist của bin_type trong mô hình
WRFDA. Thông qua việc lựa chọn name list trên chúng ta có thể tính toán hệ
số hồi quy cho từng khu vực như vùng cực, vùng vĩ độ trung bình, .v.v. và sau
37
khi có được các hệ số tương quan ta sẽ tính được các thành phần không cân
bằng.
u cχ χ ψ= − , 1 1 1, 2 22
u K K K K KK
T T G ψ= −∑
KWsu s KP P K ψ= −∑
Hệ số tương quan thẳng đứng, vector riêng, giá trị riêng và các biến
điều khiển.
Môđun gen_be_stage3 của mô hình WRFDA sẽ tính toán các giá trị
thông kế cho các thành phần thẳng đứng của biến điều khiển truyền vào mô
hình. Những tính toán này liên quan tới trường 3D trên các mực của mô hình.
Trong mỗi biến điều khiển 3D, các thành phần thẳng đứng của sai số dự báo
đã được tính toán và các vector riêng E, các giá trị riêng A đã được ghi lại và
sử dụng trong mô hình WRF.
Hệ số tương quan theo chiều ngang.
Khi đề cập đến hệ số tương quan này ta thấy có sự khác nhau trong
quan hệ giữa sai số theo phương ngang với mô hình WRF khu vực và mô
hình WRF toàn cầu. Với mô hình WRF cho toàn cầu thì môđun gen_be_stage
sẽ tính toán bậc quang phổ cho mỗi hình thức thẳng đứng của biến điều khiển
3D ( , , , )u uT rψ χ và mỗi hình thức thẳng đứng của biến điều khiển 2D (Psu).
Trong khi đó với mô hình WRF khu vực thì môđun này sẽ tính toán quan hệ
nằm ngang giữa các điểm lưới của trường 2D và coi nó như là hàm của
khoảng cách.
2.3 Đồng hoá dữ liệu vệ tinh MODIS trong mô hình WRF
Đầu đo quang học độ phân giải vừa MODIS (Moderate Resolution
Imaging Spectroradiometer) được gắn trên hai vệ tinh Terra và Aqua của
NASA, bắt đầu hoạt động lần lượt từ năm 1999 và 2002. MODIS hoạt động ở
độ cao 705km và độ rộng cảnh chụp là 2330km, có thể bao phủ toàn bộ bề
mặt trái đất trong 2 ngày. Đầu đo MODIS gồm 36 băng phổ từ bước sóng 0,4
đến 14 micro mét và độ phân giải không gian là 250m (băng 1, 2), 500m
38
(băng 3 đến băng 7) và 1000m (băng 8 đến băng 36). Vệ tinh Terra đi từ phía
Bắc xuống Nam băng qua xích đạo vào buổi sáng trong khi vệ tinh Aqua đi từ
phía Nam lên phía Bắc qua xích đạo vào buổi chiều. Vệ tinh TERRA và
AQUA bay qua lãnh thổ Việt Nam 4 lần trong một ngày vào khoảng 0330Z,
0530Z, 15Z30, 1830Z phút tuỳ theo quỹ đạo bay.
Các dữ liệu MODIS thường được sử dụng trong công tác theo dõi mây,
nghiên cứu chất lượng khí quyển, chỉ số thực vật, nhiệt độ bề mặt lục địa,
nhiệt độ mặt nước biển, hạn hán, ngập lụt, cháy rừng... Profile nhiệt độ và độ
ẩm (nhiệt độ điểm sương) của MODIS được cho cả trên biển và đất liền, trong
cả ngày lẫn đêm, trên 20 mực áp suất khí quyển là 0.5, 10, 20, 30, 50, 70, 100,
150, 200, 250, 300, 400, 500, 620, 700, 780, 850, 920, 950, 1000 hPa.
Seemann và đồng sự (2003) chỉ ra sự phù hợp giữa giữa profile nhiệt độ và độ
ẩm MODIS với số liệu thám không vô tuyến và có thể được sử dụng trong các
mô hình dự báo thời tiết khi các quan trắc truyền thống thưa thớt.
Phương pháp tính toán các profile khí quyển MODIS level 2 được ứng
dụng từ gói xử lý dữ liệu TOVS quốc tế (ITPP). Đây là phương pháp hồi quy
vật lý tuyến tính được đề xuất bởi Seemann (2003, 2006) [39], [40]. Các
profile nhiệt độ và độ ẩm (nhiệt độ điểm sương) được tính toán từ các kênh
20, 22-25, 27-29 và 31-36 của đầu đo MODIS. Bảng 2.7 biểu diễn các kênh
phổ của MODIS được sử dụng trong phương pháp hồi quy profile nhiệt độ và
độ ẩm. Phương pháp loại bỏ mây việc tính toán các profile này. Phương pháp
này cũng sử dụng các trường phân tích của mô hình GFS để làm trường ban
đầu cho việc tính toán profile nhiệt độ và nhiệt độ điểm sương.
Việc kiểm tra chất lượng các profile này được thực hiện tự động dựa
vào số liệu nhiệt độ trung bình toàn cầu và trung bình khu vực ở mực 700mb,
500mb và 300mb. Đối với nhiệt độ điểm sương thì chương trình kiểm tra chất
lượng được thực hiện ở mực 700mb. Ngoài ra, các profile nhiệt độ và nhiệt độ
điểm sương của 80 trường hợp từ tháng 10/2002 đến 8/2005 được so sánh với
39
các số liệu từ vệ tinh AIRS (Tobin và cộng sự, 2006) [34]. Kết quả nghiên
cứu cho thấy sự phù hợp tốt giữa số liệu MODIS và số liệu AIRS.
Bảng 2.7: Các kênh phổ của MODIS được sử dụng trong phương pháp hồi quy profile nhiệt độ và độ ẩm [41]
Biến khí quyển Kênh phổ
Độ rộng phổ (µm)
Phổ bức xạ (W/m2 -µm-sr)
Sự khác biệt nhiệt độ và Noise (K)
20 3.660 - 3.840 0.45 (300K) 0.05 22 3.929 - 3.989 0.67 (300K) 0.07
Nhiệt độ bề mặt
23 4.020 - 4.080 0.79 (300K) 0.07 24 4.433 - 4.498 0.17 (250K) 0.25 Profile nhiệt độ 25 4.482 - 4.549 0.59 (275K) 0.25 27 6.535 - 6.895 1.16 (240K) 0.25 28 7.175 - 7.475 2.18 (250K) 0.25
Profile độ ẩm
29 8.400 - 8.700 9.58 (300K) 0.05 31 10.780 - 11.280 9.55 (300K) 0.05 Nhiệt độ bề mặt 32 11.770 - 12.270 8.94 (300K) 0.05 33 13.185 - 13.485 4.52 (260K) 0.25 34 13.485 - 13.785 3.76 (250K) 0.25 35 13.785 - 14.085 3.11 (240K) 0.25
Profile nhiệt độ
36 14.085 - 14.385 2.08 (220K) 0.35
Việc đồng hoá profile nhiệt độ và độ ẩm từ đầu đo MODIS trong mô
hình WRF được thực hiện khi vệ tinh quét qua lãnh thổ Việt Nam và thông
qua module WRF-Var. Hình 2.5 biểu diễn vùng số liệu của vệ tinh MODIS
quét qua lãnh thổ Việt Nam tại thời điểm 0555Z ngày 8/5/2008.
40
Hình 2.5: Ảnh MODIS (vệ tinh Aqua) lúc 0555Z ngày 8/5/2008
2.4 Các chỉ tiêu đánh giá kết quả dự báo mưa
Để ứng dụng được một mô hình khu vực hạn chế kiểu như MM5 vào
trong nghiệp vụ dự báo thời tiết đòi hỏi trước hết là phải đánh giá được sai số
dự báo của mô hình so với thực tế. Các nguyên nhân có thể đưa đến dự báo
sai của mô hình số trị có thể tóm tắt như sau:
- Các công thức toán học để mô tả các quá trình vật lý xảy ra trong khí
quyển là chưa hoàn chỉnh;
- Ảnh hưởng của địa hình (thường không được mô hình số trị mô tả
hoàn chỉnh) đến kết quả dự báo;
- Các quá trình vật lý và các sơ đồ tham số hóa chưa thật sự hoàn thiện;
- Một số giả thiết không thực sự phù hợp được đưa ra để có thể giải đ-
ược hệ phương trình thủy nhiệt động lực học mô tả khí quyển thực.
- Điều kiện biên và điều kiện ban đầu của các biến khí tượng là chưa
hoàn chỉnh và phụ thuộc khá nhiều vào địa hình. Các trạm thám sát thưa thớt,
đặc biệt là vùng nhiệt đới;
- Các kết quả nhận được chứa đựng những sai số khi giải các công thức
toán học bằng phương pháp gần đúng, ...
41
Có nhiều phương pháp khác nhau để đánh giá chất lượng dự báo của
mô hình số trị, trong đó có phương pháp đánh giá thống kê liên tục và phương
pháp đánh giá thống kê theo hạng (categorical statistics).
Đánh giá thống kê liên tục Đánh giá thống kê liên tục là số đo sự tương
ứng giữa giá trị dự báo và giá trị quan trắc tại nút lưới. Phương pháp đánh giá
thống kê dựa vào mômen bậc nhất hay bậc hai, trong đó phổ biến sử dụng các
điểm số như sau:
Sai số trung bình (ME):
Sai số ME xác định xu thế mô hình dự báo vượt quá hay thấp hơn giá
trị thực tế và được xác định bằng công thức toán học cho một biến x dạng:
( )∑=
−=N
i
of xxN
xME1
1)( (2.2)
Ở đây, N là dung lượng mẫu, ký hiệu f và 0 để chỉ các giá trị dự báo và
quan trắc. Giá trị ME dương thể hiện xu thế dự báo vượt giá trị thực của mô
hình và ngược lại giá trị âm của ME thể hiện xu thế dự báo thấp hơn giá trị
thực.
Sai số bình quân phương (RMSE):
RMSE là căn bậc hai của trung bình bình phương sai số giữa giá trị dự
báo và thám sát, được xác định theo công thức:
( )2/1
1
21)( ⎟⎠⎞
⎜⎝⎛
∑ −==
N
i
of xxN
xRMSE (2.3)
RMSE giữ lại đơn vị của biến dự báo và xác định sai số về độ lớn của
biến dự báo. Giá trị này càng tiến tới không thì mô hình dự báo càng chính
xác.
Sai số trung bình tuyệt đối (MAE):
MAE là một chỉ số đưa ra độ lớn trung bình của sai số nhưng không chỉ
ra hướng của độ lệch. Chỉ số này được tính như sau:
(2.4) ⎥⎦
⎤⎢⎣
⎡−= ∑
=
N
iii OF
NMAE
1
1
42
Bảng 2.8: Bảng liên kết giữa dự báo và thực tế
Để đánh giá mưa định lượng, người ta thường sử dụng tiêu chuẩn đánh
giá thống kê theo hạng. Đây là loại tiêu chuẩn đánh giá sự phù hợp giữa sự
xảy ra hiện tượng dự báo và hiện tượng quan trắc tại nút lưới. Các điểm số
đánh giá được dựa vào bảng liên kết (bảng 2.8). Một cách hình tượng, chúng
ta có thể mô tả phân bố của chỉ số thông qua sơ đồ trên hình 2.6. Trong đó:
- H là số trạm dự báo có mưa và thực tế có mưa (theo nghĩa vượt một
ngưỡng nào đó).
- M là số trạm dự báo không mưa nhưng thực tế có mưa.
- F là số trạm dự báo có mưa nhưng thực tế không mưa.
Dưới đây là một vài điểm số thường dùng trong đánh giá dự báo mưa
định lượng trên thế giới:
Chỉ số CSI (Critical Sucess Index):
CSI= H/(H+M+F) (2.5)
Thực tế Có Không
Có H F Dự báo Không M CN
Hình 2.6: Sơ đồ biểu diễn các chỉ số đánh giá chất lượng dự báo mưa
F
MiÒn thùc tÕ
H
M
MiÒn dù b¸o
43
Như vậy, CSI được tính bằng tỷ số giữa vùng giao nhau của hai tập số
liệu dự báo và thám sát, giá trị của CSI nằm trong khoảng [0,1]. CSI nói lên
mức độ trùng khớp giữa vùng mưa dự báo và vùng mưa thám sát. Khi CSI
gần đến 1 thì vùng mưa dự báo gần sát với vùng mưa thực tế, khi CSI gần đến
0 thì vùng mưa dự báo và vùng mưa thực tế rất khác nhau. Ngưỡng được
chọn ở đây phụ thuộc vào thời gian tích luỹ lượng mưa (24h, 48h,...) và đặc
điểm mưa khu vực được dự báo.
Chỉ số FBI:
FBI = (H+F)/(H+M) (2.6)
Chỉ số FBI lớn hơn 1 khi lượng mưa dự báo lớn hơn so với lượng mưa
thực tế và ngược lại, lượng mưa dự báo nhỏ hơn lượng mưa thực tế khi BIAS
nhỏ hơn 1. Cần lưu ý là chỉ số FBI được sử dụng để đánh giá khuynh hướng
dự báo diện mưa của mô hình cao hơn hay thấp hơn so với thực tế mà không
đánh giá sự chính xác về lượng. FBI =1 khi vùng mưa dự báo trùng với vùng
mưa thực tế tại một ngưỡng được chọn nào đó.
Chỉ số POD (Probability of Detection of Event):
Chỉ số POD được tính bằng tỷ số giữa số lần dự báo đúng xuất hiện
mưa trên tổng số lần quan trắc có mưa.
HPOD
H M=
+ (2.7)
Giá trị của POD nằm trong khoảng 0 ≤ POD ≤ 1 và dự báo hoàn hảo
khi POD=1.
Chỉ số FAR (False Alarm Rate):
Chỉ số FAR cho biết số lần cảnh báo sai sự xuất hiện nắng nóng chiếm
bao nhiều phần trăm trong tổng số lần dự báo. Giá trị của FAR nằm trong
khoảng 0 ≤ FAR ≤ 1 và dự báo hoàn hảo khi FAR bằng 0.
FFAR
H F=
+
44
CHƯƠNG 3: KẾT QUẢ ĐỒNG HÓA SỐ LIỆU VỆ TINH
TRONG MÔ HÌNH WRF ĐỂ DỰ BÁO MƯA LỚN Ở KHU VỰC
TRUNG BỘ
3.1 Nguồn số liệu
3.1.1 Điều kiện ban đầu và điều kiện biên cho mô hình WRF
Các trường ban đầu và điều kiện biên cho mô hình WRF các trường
phân tích và dự báo của mô hình GFS do NCEP cung cấp. Hạn dự báo tối đa
của mô hình GFS là 16 ngày (384h) với các dự báo cách nhau 3h. Trong luận
văn này, chúng tôi sử dụng các trường số liệu phân tích và dự báo của mô
hình GFS cách nhau 6h.
Địa chỉ download: http://nomads.ncdc.noaa.gov/
3.1.2 Số liệu vệ tinh MODIS
Do đầu đo MODIS được gắn trên vệ tinh cực Terra và Aqua nên không
thể cung cấp số liệu theo từng giờ và theo yêu cầu của người sử dụng. Vì vậy,
việc đồng hoá số liệu MODIS phải được thực hiện ở gần thời điểm có số liệu.
Hiện tại, số liệu MODIS bao phủ Việt Nam chỉ có ở khoảng thời điểm 0330Z,
0530Z, 15Z30, 1830Z. Do đó, trong luận văn này, chúng tôi sử dụng profile
nhiệt độ và độ ẩm MODIS lấy từ sản phẩm MYD07_L2 của vệ tinh Aqua ở
khoảng thời gian 0530Z để đồng hoá 3DVAR trong mô hình WRF với thời
điểm ban đầu 0600Z. Địa chỉ download:
ftp://ladsweb.nascom.nasa.gov/allData/5/MYD07_L2/
3.1.3 Số liệu mưa quan trắc
Số liệu mưa bề mặt được sử dụng để so sánh với mưa dự báo của mô
hình WRF trong cả hai trường hợp không và có đồng hoá số liệu. Đây là số
liệu mưa ngày (tính từ 19h00 (1200Z) hôm trước đến 19h00 ngày lấy số liệu)
của 43 trạm quan trắc bề mặt thuộc khu vực Trung Bộ trong 17 đợt mưa lớn
năm 2007-2008 xảy ra ở khu vực này. Các đợt mưa lớn được lựa chọn trong
nghiên cứu này đều có lượng mưa đo được tại một số trạm thuộc khu vực
45
Trung Bộ là 50mm/ngày trở lên. Bảng 3.1 dưới đây là thống kê 17 đợt mưa
lớn xảy ra ở khu vực Trung Bộ trong 2 năm 2007 - 2008.
Để so sánh với lượng mưa đo được tại các trạm quan trắc bề mặt,
chúng tôi đã trích số liệu mưa dự báo từ mô hình WRF trong cả hai trường
hợp không và có sử dụng đồng hoá số liệu vệ tinh MODIS (với hạn dự báo 06
-30h và 30 đến 54h) tại các điểm lưới gần với vị trí của các trạm quan trắc.
Việc so sánh được thực hiện thông qua trực quan nghĩa là thông qua việc
phân tích hình vẽ, đồng thời đánh giá chất lượng mưa dự báo theo các chỉ tiêu
thống kê liên tục (cho từng đợt mưa) và theo các chỉ tiêu thống kê theo hạng
(cho 17 đợt mưa) như được trình bày trong chương 2.
Bảng 3.1: Bảng tổng hợp các mưa lớn xảy ra ở khu vực Trung Bộ trong
năm 2007 - 2008
STT Đợt mưa Khu vực xảy ra mưa lớn Lượng mưa phổ biến (mm/ngày)
1 5-6/1/2007 Trung Trung Bộ 100-150 2 29/4/2007 Quảng Trị - Thừa Thiên Huế 60-150 3 5-8/8/2007 Trung Bộ 150 -500 4 25-26/9/2007 Bắc Bộ và Bắc Trung Bộ 60-120 5 1-4/10/2007 Hà Tĩnh - Quảng Nam 100-300 6 15-17/10/2007 Quảng Bình - Quảng Nam 100-200 7 30-31/10/2007 Nghệ An -Quảng Nam 100-250 8 1-3/11/2007 Hà Tĩnh - Bình Định 100-150 9 10-11/11/2007 Thừa Thiên Huế - Quảng Ngãi 100-200
10 19/11/2007 Quảng Bình - Khánh Hoà 50-100 11 9-10/5/2008 Bắc Bộ và Bắc Trung Bộ 50-200 12 29-30/9/2008 Bắc Bộ và Bắc Trung Bộ 60-200 13 11-13/10/2008 Nghệ An - Quảng Nam 70-120 14 14-16/10/2008 Bắc và Trung Trung Bộ 50-200 15 19-20/10/2008 Quảng Bình - Quảng trị 50-200 16 29-30/10/2008 Bắc và Trung Trung Bộ 50-150 17 14-18/11/2008 Nam Trung Bộ và Nam Bộ 100-200
3.2 Cấu hình được lựa chọn
Nghiên cứu này sử dụng mô hình WRF phiên bản 3.0 với 41 mực sigma
theo phương thẳng đứng. Mô hình WRF được lựa chọn với hai miền tính lồng
46
ghép, độ phân giải lần lượt là 45km và 15km, toạ độ tâm là 16,5° vĩ Bắc và 110°
kinh Đông. Miền ngoài bao trùng toàn bộ lãnh thổ Việt Nam, còn miền trong
bao trùng khu vực Trung Bộ (hình 3.1). Tất cả các mô phỏng trong nghiên
cứu này đều lựa chọn các sơ đồ tham số hóa cho cả 2 miền tính là như nhau:
sơ đồ tham số hoá đối lưu Kain – Fritsch (Kain, 2002), sơ đồ lớp biên hành
tinh MRF (Hong và Pan, 1996), sơ đồ đất bề mặt Noah Land-Surface Model
(Chen và Dudhia, 2001), và sơ đồ bức xạ sóng dài RRTM (Mlawer, 1997).
Riêng sơ đồ tham số hoá vi vật lý được chọn sơ đồ WSM5 (Hong và cộng sự,
2004) cho miền tính 1 và sơ đồ Thompson (Thompson và cộng sự, 2004) cho
miền tính 2.
Hình 3.1: Các miền tính của mô hình WRF được lựa chọn cho Việt Nam và
khu vực Trung Bộ
Mô hình tính toán với hai trường hợp khác nhau: Trường hợp thứ nhất
(GFS) sử dụng trường phân tích và dự báo toàn cầu NCEP-GFS làm điều kiện
ban đầu và điều kiện biên. Trường hợp thứ hai (3DV) đồng hóa các profile
nhiệt độ và độ ẩm (nhiệt độ điểm sương) để cải thiện điều kiện ban đầu sử
dụng trong trường hợp 1. Việc đồng hoá được thực hiện cho miền tính 1. Thời
gian bắt đầu thực hiện mô phỏng được xét như nhau trong cả hai trường hợp
GFS và 3DV. Mô phỏng được thực hiện với hạn dự báo 54h với bước thời
47
gian sai phân 180s. Sản phẩm mưa từ mô hình được so sánh với lượng mưa
đo tại các trạm quan trắc bề mặt.
3.3 Kết quả dự báo mưa của một số trường hợp điển hình
3.3.1 Đợt mưa lớn xảy ra ngày 30-31/10/2007
Do ảnh hưởng của ATNĐ gần bờ kết hợp với KKL đã gây mưa to ở các
tỉnh Nghệ An đến Quảng Nam với lượng mưa 100-250mm, riêng Thừa Thiên
Huế có lượng mưa đo được trong 48h xấp xỉ 450mm. Đợt mưa này đã gây lũ
lớn ở các tỉnh từ Thừa Thiên Huế đến Bình Định.
a)
b)
Hình 3.2: Hiệu trường nhiệt độ giữa trường hợp trường hợp GFS và 3DV tại 06Z ngày 29/10/2007 ở mực bề mặt (a) và mực 200mb (b)
a) b) Hình 3.3: Hiệu trường nhiệt độ điểm sương giữa trường hợp trường hợp GFS và 3DV tại 06Z ngày 29/10/2007 ở mực bề mặt (a) và mực 200mb (b)
48
Mô phỏng được thực hiện từ 06Z ngày 29 đến 12Z ngày 31 tháng 10
năm 2007 đối với cả hai trường hợp đồng hoá số liệu vệ tinh MODIS và
không đồng hoá số liệu.
Hình 3.2 và 3.3 lần lượt trình bày hiệu nhiệt độ và hiệu nhiệt độ điểm
sương giữa trường hợp không đồng hóa (GFS) và trường hợp đồng hóa số liệu
MODIS (3DV) ở mực bề mặt và mực 200mb tại 06Z ngày 29/10/2007. Theo
hình 3.2, có sự khác biệt rõ rệt về trường nhiệt độ trong hai trường hợp không
và có đồng hoá số liệu MODIS, tập trung ở khu vực biển Đông và vịnh Thái
Lan. Ở mực bề mặt, trường nhiệt độ sau khi đồng hóa giảm so với trường
không đồng hóa tại khu vực ven bờ biển từ Bắc Bộ và đến Trung Trung Bộ
với giá trị lớn nhất là xấp xỉ 20K, riêng khu vực Nam Trung Bộ và Nam Bộ lại
tăng nhẹ. Ở mực 200mb, trường nhiệt độ sau khi đồng hoá giảm rõ rệt ở toàn
bộ khu vực ven biển và lãnh thổ Việt Nam. Đối với trường nhiệt độ điểm
sương (hình 3.3), đồng hóa số liệu làm tăng nhiệt độ điểm sương ở khu vực
ven bờ và lãnh thổ Việt Nam và giảm ở vùng ngoài khơi. Mặt khác, hình 3.2
và 3.3 cho thấy sự khác biệt của trường nhiệt độ điểm sương giữa trường hợp
không đồng hoá và đồng hoá lớn hơn so với sự khác biệt của trường nhiệt độ.
Sự khác biệt nhiệt độ điểm sương giữa trường hợp GFS và trường 3DV có thể
đạt cực đại là -40K ở khu vực Nam Bộ, trong khi sự khác biệt nhiệt độ chỉ xấp
xỉ 20K ở khu vực vịnh Bắc Bộ và ven biển Trung Quốc.
Hình 3.4 biểu diễn lượng mưa tích lũy 24h từ 12Z ngày 29 đến 12Z
ngày 30 tháng 10 năm 2007 (dự báo từ 06 đến 30h) trong trường hợp không
đồng hóa GFS (a) và có đồng hóa 3DV (b). Tương tự, hình 3.4 biểu diễn
lượng mưa tích lũy 24h từ 12Z ngày 30 đến 12Z ngày 31 (dự báo từ 30 đến
54h) trong trường hợp không (a) và có đồng hóa số liệu (b). Theo hình 3.4, có
sự khác biệt đáng kể cả về diện và lượng mưa giữa hai trường hợp không
đồng hoá (GFS) và đồng hoá số liệu MODIS (3DV). Diện mưa trong trường
hợp 3DV lớn hơn và dịch chuyển về phía nam so với trường hợp GFS. Tuy
nhiên, lượng mưa trong trường hợp GFS đạt cực đại 320mm ở khu vực Nam
49
Trung Bộ, trong khi lượng mưa cực đại trong trường hợp 3DV đạt 160mm
dọc khu vực Trung Trung Bộ. Tương tự, với mưa tích luỹ 24h dự báo từ 30
đến 54h, diện mưa trong trường hợp 3DV mở rộng hơn về phía nam và vùng
mưa cực đại cũng được mở rộng hơn so với trường hợp GFS (hình 3.5).
a)
b)
Hình 3.4: Mưa tích lũy 24h từ 12Z ngày 29 đến 12Z ngày 30/10/2007 (dự báo từ 06 đến 30h) trong trường hợp GFS (a) và 3DV(b)
a)
b)
Hình 3.5: Mưa tích lũy 24h từ 12Z ngày 30 đến 12Z ngày 31/10/2007 (dự báo từ 30 đến 54h) trong trường hợp GFS (a) và 3DV(b)
50
5 106 107 108 109 110 111
10
11
12
13
14
15
16
17
Aluoi
BaTo
DaNang
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
PhanRang
CamRanh
PhanThiet
PhuQuy
QuyNhon
SonHoaTuyHoa
NhaTrang
HamTan
HoaiNhon
75.3
77.5
6.5
120.4
42.6
80.3
12.5
58.7
70.8
94.2122.5107.2
5969
38
44
95.3
85123.9
79
29
96.5
a)
5 106 107 108 109 110 111
10
11
12
13
14
15
16
17
Aluoi
BaTo
DaNang
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
PhanRang
CamRanh
PhanThiet
PhuQuy
QuyNhon
SonHoaTuyHoa
NhaTrang
HamTan
HoaiNhon
75.3
77.5
6.5
120.4
42.6
80.3
12.5
58.7
70.8
94.2122.5107.2
5969
38
44
95.3
85123.9
79
29
96.5
b)
Hình 3.6: Lượng mưa quan trắc tại các trạm (điểm tròn) từ 12Z ngày 29 đến 12Z ngày 30/10/2007 và lượng mưa tích lũy 24h từ 06 đến 30h dự báo (đường contour) trong trường hợp không (a) và có đồng hóa số liệu (b).
51
5 106 107 108 109 110 111
10
11
12
13
14
15
16
17
18
19ngoLuongHonNgu
HuongSon
HuongKhe KyAnh
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
TuyenHoa
PhanRang
CamRanh
PhanThiet
PhuQuy
QuyNhon
SonHoaTuyHoa
NhaTrang
HamTan
HoaiNhon
7.714.922.6
58 82.771.1155.8 260.4
109.2278.3
26.6
24.5
14.3
159.7
96.6
167.4
369.3
4
34
156.1
83.5106.482
71.9
00.1
0
0
25
22 18
0
0
35
a)
5 106 107 108 109 110 111
10
11
12
13
14
15
16
17
18
19ngoLuongHonNgu
HuongSon
HuongKhe KyAnh
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
TuyenHoa
PhanRang
CamRanh
PhanThiet
PhuQuy
QuyNhon
SonHoaTuyHoa
NhaTrang
HamTan
HoaiNhon
7.714.922.6
58 82.771.1155.8 260.4
109.2278.3
26.6
24.5
14.3
159.7
96.6
167.4
369.3
4
34
156.1
83.5106.482
71.9
00.1
0
0
25
22 18
0
0
35
b)
Hình 3.7: Lượng mưa quan trắc tại các trạm (điểm tròn) từ 12Z ngày 30 đến 12Z ngày 31/10/2007 và lượng mưa tích lũy 24h dự báo từ 30 đến 54h (đường contour) trong trường hợp không (a) và có đồng hóa số liệu (b).
52
5 106 107 108 109 110 111
10
11
12
13
14
15
16
17
18
197.714.9
25.760.6 87.273.8165.4 295.4
112.9302.6
101.9
102
20.8
280.1
108.9
210
449.6
16.5
92.7
226.9
177.7228.9189.2
86.7
5969.1
38
44
120.3
107141.9
79
29
131.5
ngoLuongHonNgu
HuongSon
HuongKhe KyAnh
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
TuyenHoa
PhanRang
CamRanh
PhanThiet
PhuQuy
QuyNhon
SonHoaTuyHoa
NhaTrang
HamTan
HoaiNhon
a)
5 106 107 108 109 110 111
10
11
12
13
14
15
16
17
18
19Q yng
oLuongHonNgu
HuongSon
HuongKhe KyAnh
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
TuyenHoa
PhanRang
CamRanh
PhanThiet
PhuQuy
QuyNhon
SonHoaTuyHoa
NhaTrang
HamTan
HoaiNhon
7.714.925.7
60.6 87.273.8165.4 295.4
112.9302.6
101.9
102
20.8
280.1
108.9
210
449.6
16.5
92.7
226.9
177.7228.9189.2
86.7
5969.1
38
44
120.3
107141.9
79
29
131.5
b)
Hình 3.8: Lượng mưa quan trắc tại các trạm (điểm tròn) từ 12Z ngày 29 đến 12Z ngày 31/10/2007 và lượng mưa tích lũy 48h dự báo từ 06 đến 54h (đường contour) trong trường hợp không (a) và có đồng hóa số liệu (b).
53
Hình 3.6 biểu diễn lượng mưa quan trắc tại các trạm (điểm tròn) từ 12Z
ngày 29 đến 12Z ngày 30 và lượng mưa tích lũy 24h dự báo từ 06 đến 30h
(đường contour) trong trường hợp không (a) và có đồng hóa số liệu (b).
Trường hợp đồng hoá số liệu MODIS cho thấy rõ các tâm mưa Huế - Đà
Nẵng, Tam Kỳ - Quảng Ngãi, Sơn Hoà – Tuy Hoà, Nha Trang – Cam Ranh,
trong khi trường hợp không đồng hoá số liệu MODIS cho tâm mưa không rõ
ràng ở Huế - Đà Nẵng và một tâm mưa lớn ở phía đông bắc Phan Thiết. Đối
với tâm mưa Huế - Đà Nẵng, cả hai trường hợp không và có đồng hoá đều
cho đường contour cực đại dịch về phía tây bắc so với trạm Đà Nẵng. Trong
khi, lượng mưa đo được tại các trạm trong 24h (từ 12Z ngày 29 đến 12Z ngày
30/10/2007) tại các trạm Huế, Nam Đông, Đà Nẵng tương ứng là 80.3, 70.3,
120.4mm. Tuy nhiên, trường hợp 3DV cho giá trị cực đại tại tâm này là
110mm, trong khi GFS cho chỉ giá trị cực đại là 80mm. Theo hình 3.5, lượng
mưa đo được tại trạm các Tam Kỳ, Trà My, Quảng Ngãi lần lượt là 122.5,
107.2 và 94.2 mm. Như vậy, trường hợp đồng hoá dữ liệu đã mô phỏng tốt
tâm mưa tại Tam Kỳ - Quảng Ngãi với trị số là 110mm, trong khi trường hợp
không đồng hoá đã không mô phỏng được tâm mưa này. Tương tự, trường
hợp 3DV cũng đã mô phỏng tốt tâm mưa Sơn Hoà – Tuy Hoà cả về về vị trí
tâm và độ lớn trong khi trường hợp GFS không mô phỏng được tâm mưa này.
Như vậy, mô phỏng WRF với đồng hoá số liệu MODIS cho lượng mưa dự
báo với hạn 06 đến 30h gần với thực tế hơn so với trường hợp không đồng
hoá.
Hình 3.7 biểu diễn lượng mưa quan trắc tại các trạm (điểm tròn) từ 12Z
ngày 30 đến 12Z ngày 31 và lượng mưa tích lũy 24h dự báo từ 30 đến 54h
(đường contour) trong trường hợp không (a) và có đồng hóa số liệu (b). Theo
hình 3.7, lượng mưa đo được tại trạm các Huế, Nam Đông, Đà Nẵng lần lượt
là 369.3, 156.1 và 159.7mm. Cả hai trường hợp không và có đồng hoá đều
mô phỏng tâm mưa tại khu vực này với lượng mưa thấp hơn thực tế, trị số lớn
nhất tại tâm lần lượt là 150mm (trường hợp GFS) và 200mm (trường hợp
54
3DV). Tương tự, với tâm mưa Hà Tĩnh – Kỳ Anh, cả hai trường hợp không và
có đồng hóa đều cho mưa thấp hơn thực tế. Đồng hoá số liệu MODIS đã dịch
chuyển vùng mưa ở vùng phía tây bắc trạm Phan Thiết đến khu vực Nha
Trang - Hàm Tân. Thực tế, khu vực này không có mưa. Như vậy, với hạn dự
báo 30 đến 54h, đồng hoá số liệu 3DVAR đã dự báo khống mưa ở khu vực
Nam Trung Bộ.
Hình 3.8 thể hiện lượng mưa quan trắc tại các trạm (điểm tròn) từ 12Z
ngày 29 đến 12Z ngày 31 và lượng mưa tích lũy 48h dự báo từ 06 đến 54h
(đường contour) trong trường hợp không (a) và có đồng hóa số liệu (b). Cả
hai trường hợp đều mô phỏng được tâm mưa Tam Kỳ - Quảng Ngãi. Tuy
nhiên, trường hợp đồng hóa số liệu cho vị trí tâm mưa gần với thực tế hơn
trường hợp không đồng hóa số liệu. Với các tâm mưa Hà Tĩnh – Kỳ Anh và
Huế - Đà Nẵng, cả hai trường hợp đều mô phỏng tương đối chính xác về vị trí
tâm mưa nhưng lượng mưa lại thấp hơn so với thực tế. Tuy nhiên, trường hợp
đồng hoá số liệu cho lượng mưa gần với thực tế hơn.
Bảng 3.2: Các sai số dự báo mưa so với số liệu quan trắc mưa tại các trạm đối
với đợt mưa ngày 30-31/10/2007
06-30h 30-54h
ME MAE RMSE ME MAE RMSE
GFS -5.7 13.5 30.2 -10.3 24.7 38.7
3DV 4.0 7.3 26.5 -11.8 24.4 33.7
Bảng 3.2 thể hiện các sai số dự báo mưa so với số liệu quan trắc mưa
tại các trạm. Theo bảng này, với hạn dự báo từ 06 đến30h, trường hợp 3DV
có ME > 0 tức là dự báo cao hơn so với thực tế, ngược lại, trường hợp GFS có
ME < 0. Với hạn dự báo 30 đến 54h, cả hai trường hợp đều cho mưa nhỏ hơn
thực tế (ME < 0). Với các sai số MAE và RMSE, trường hợp đồng hóa số liệu
MODIS cho sai số nhỏ hơn trường hợp không đồng hóa đối với cả hạn dự báo
55
06-30h và 30-54h. Điều cho thấy sự phù hợp về vị trí vùng mưa của 3DV với
thực tế hơn trường hợp GFS.
3.2.2 Đợt mưa lớn xảy ra ngày 9-10/5/2008
Do ảnh hưởng của KKL, ngày 9-10/5/2008, Bắc Bộ và Bắc Trung Bộ
có mưa vừa, mưa to kèm dông lốc. Lượng mưa đo được sau 48h phổ biến 50-
200mm, riêng trạm Tuyên Hóa lượng mưa đo được là trên 400mm.
Mô phỏng được thực hiện từ 06Z ngày 08 đến 12Z ngày 10 tháng 05
năm 2008 cho cả hai trường hợp trường hợp không đồng hóa và trường hợp
đồng hóa số liệu MODIS.
a) b)
Hình 3.9: Hiệu trường nhiệt độ giữa trường hợp trường hợp GFS và 3DV tại 06Z ngày 08/05/2008 ở (a) mực bề mặt và (b) mực 200mb
a) b)
Hình 3.10: Hiệu trường nhiệt độ điểm sương giữa trường hợp trường hợp GFS và 3DV tại 06Z ngày 08/05/2008 ở (a) mực bề mặt và (b) mực 200mb
56
Hình 3.9 và 3.10 biểu diễn hiệu nhiệt độ và nhiệt độ điểm sương giữa
trường hợp không đồng hóa (GFS) và trường hợp đồng hóa số liệu MODIS
(3DV) lần lượt ở mực bề mặt và mực 200mb tại 06Z ngày 08/05/2008. Ở mực
bề mặt, đồng hóa số liệu MODIS cho nhiệt độ giảm ở khu vực ven bờ Biển
Đông và khu vực Nam Bộ và tăng ở khu vực ngoài khơi so với trường hợp
không đồng hóa số liệu MODIS, với hiệu nhiệt độ là K02± . Ở mực trên cao,
đồng hóa số liệu MODIS cho trường nhiệt độ tăng so với trường hợp không
sử dụng sơ đồ đồng hóa 3DVAR trên toàn khu vực Biển Đông. Theo hình 3.9,
sự khác biệt về trường nhiệt độ điểm sương ở trên cao lớn hơn ở mực bề mặt,
ở mực 200mb, hiệu trường nhiệt độ điểm sương trong trường hợp không đồng
hóa và đồng hóa số liệu MODIS lớn nhất là -40K, trong khi ở mực bề mặt là -
20K.
Hình 3.11 biểu diễn lượng mưa tích lũy 24h từ 12Z ngày 08 đến 12Z
ngày 09/05/2008 (dự báo từ 06 đến 30h) trong trường hợp không đồng hóa
GFS (a) và có đồng hóa 3DV (b). Hình 3.12 biểu diễn lượng mưa tích lũy 24h
từ 12Z ngày 09 đến 12Z ngày 10/05/2008 (dự báo từ 30 đến 54h) trong
trường hợp không và có đồng hóa số liệu.
Theo hình 3.11 và 3.12, có sự khác biệt đáng kể cả về diện và lượng
mưa giữa hai trường hợp không đồng hoá (GFS) và đồng hoá số liệu MODIS
(3DV) ở cả hạn dự báo 06 đến 30h và 30 đến 54h. Diện mưa trong trường hợp
3DV mở rộng so với trường hợp GFS. Lượng mưa trong trường hợp GFS đạt
cực đại 160mm, trong khi lượng mưa cực đại trong trường hợp 3DV đạt
250mm (hình 3.10). Vùng mưa cực đại mở rộng ở khu vực Bắc Trung Bộ và
dịch chuyển về phía tây bắc (khu vực Trung Trung Bộ và Tây Nguyên) hơn
so với trường hợp GFS. Đối với mưa tích lũy 24h từ 30 đến 54h dự báo, cả
hai trường hợp không và có đồng hóa số liệu MODIS đều cho lượng mưa cực
đại là 250mm. Tuy nhiên, vùng mưa cực đại trong trường hợp 3DV dịch về
phía nam hơn so với trường hợp GFS.
57
Hình 3.13 biểu diễn lượng mưa quan trắc tại các trạm (điểm tròn) từ
12Z ngày 08 đến 12Z ngày 09/05/2008 và lượng mưa tích lũy 24h dự báo từ
06 đến 30h (đường contour) trong trường hợp không (a) và có đồng hóa số
liệu (b). Theo hình 3.13, lượng mưa 24h đo được tại các trạm từ Hồi Xuân
đến Đô Lương ngày 09/05/2008 xấp xỉ 50mm. Cả hai trường hợp không và có
đồng hóa số liệu MODIS đều cho tâm mưa lệch về phía bắc của vùng mưa
này. Tuy nhiên, trường hợp 3DV cho đường contour 50mm đi qua các trạm
Hồi Xuân đến Đô Lương, trong khi, trường hợp GFS đã không mô phỏng
được vùng mưa này. Theo số liệu quan trắc, lượng mưa 24h đo được
10/05/2008 tại các trạm từ Huế đến Ba Tơ xấp xỉ 50mm. Trường hợp 3DV
mô phỏng tâm mưa trên 200m ở phía đông khu vực này và đường đẳng trị
50mm cũng đi qua hầu hết các trạm nêu trên. Trong khi trường hợp GFS cho
vùng mưa thu hẹp ở gần vị trí của trạm Ba Tơ. Như vậy, đồng hóa số liệu
MODIS cải thiện được trường mưa dự báo ở hạn 06 đến 30h dự báo.
Tương tự, hình 3.14 thể hiện lượng mưa quan trắc tại trạm từ 12Z ngày
09 đến 12Z ngày 10/05/2008 và lượng mưa tích lũy 24h dự báo từ 30 đến 54h
trong cả hai trường hợp không và có đồng hóa số liệu MODIS. Trường hợp
đồng hóa số liệu MODIS đã mô phỏng tốt tâm mưa Hương Khê – Kỳ Anh –
Ba Đồn, trong khi trường hợp không đồng hóa số liệu MODIS cho tâm mưa
tại khu vực Con Cuông – Vinh (dịch về phía bắc so với thực tế).
Theo hình 3.15, lượng mưa đo được trong 48h từ 12Z ngày 08 đến 12Z
ngày 10/05/2008 tại trạm Tuyên Hóa là 459.6mm, Kỳ Anh là 193.8mm.
Trường hợp 3DV mô phỏng 1 tâm mưa lớn tại khu vực này với trị số tại tâm
là 400mm, tuy hơi lệch về phía đông hơn so với thực tế (gần với trạm Kỳ
Anh). Trong khi GFS chỉ cho tâm mưa 200mm ở khu vực này. Ở khu vực
Con Cuông – Vinh, lượng mưa đo được trong 48h giờ phổ biến là 50-82mm.
Tại vùng này, 3DV cho đường đẳng trị 100mm đi qua, còn GFS lại mô phỏng
1 tâm mưa với trị số tại tâm là 250mm ở gần trạm Con Cuông. Như vậy, khi
58
sử dụng sơ đồ đồng hóa 3DVAR, trường mưa dự báo đã được cải thiện đáng
kể cả về vị trí tâm mưa và lượng mưa.
a) b)
Hình 3.11: Mưa tích lũy 24h từ 12Z ngày 08 đến 12Z ngày 09/05/2008 (dự báo từ 06 đến 30h) trong trường hợp GFS (a) và 3DV(b)
a)
b) Hình 3.12: Mưa tích lũy 24h từ 12Z ngày 09 đến 12Z ngày 10/05/2008 (dự
báo từ 30 đến 54h) trong trường hợp GFS (a) và 3DV(b)
59
103 104 105 106 107 108 109 1
14
15
16
17
18
19
20
21
YenDinhSamSon
BaiThuong
NhuXuanTinhGia
QuyChauQuyHopTayHieu
QuynhLuuConCuongDoLuongHonNgu
HuongSon
HuongKhe KyAnh
ThanhHoa
HoiXuan
TuongDuong
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
TuyenHoa
QuyNhon
HoaiNhon
5620
6418
1057.34840
10.225.948.5 0
00.1 0
40
58
20
00
53
49
30
48.5
0.1
22
60.3
30
2
45
43.947.649.4
10.5
0.2
0.1
a) 103 104 105 106 107 108 109 1
14
15
16
17
18
19
20
21
YenDinhSamSon
BaiThuongNhuXuan
TinhGiaQuyChau
QuyHopTayHieuQuynhLuuConCuong
DoLuongHonNgu
HuongSon
HuongKhe KyAnh
ThanhHoa
HoiXuan
TuongDuong
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
TuyenHoa
QuyNhon
HoaiNhon
562064
181057.3
484010.225.948.5 0
00.1 0
40
58
20
00
53
49
30
48.5
0.1
22
60.330
2
45
43.947.649.4
10.5
0.2
0.1
b)
Hình 3.13: Lượng mưa quan trắc tại các trạm (điểm tròn) từ 12Z ngày 08 đến 12Z ngày 09/05/2008 và lượng mưa tích lũy 24h dự báo từ 06 đến 30h (đường contour) trong trường hợp không (a) và có đồng hóa số liệu (b).
60
103 104 105 106 107 108 109 1
13
14
15
16
17
18
19
20
21
YenDinhSamSon
BaiThuong
NhuXuanTinhGia
QuyChauQuyHopTayHieu
QuynhLuuConCuongDoLuongHonNgu
HuongSon
HuongKhe KyAnh
ThanhHoa
HoiXuan
TuongDuong
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
TuyenHoa
QuyNhon
SonHoaTuyHoa
HoaiNhon
23.627.1
16.243.9
51.52.62 1.4
1.113.84.5 49.812.7121.4 193.8
16.3
25.8
62.2
3351
23
66
34.9
2.1
69.6
19.8
0.2
25.1
0
3
00.432.1
449
6.1
11.40.1
0
a)
13
14
15
16
17
18
19
20
21
YenDinhSamSon
BaiThuong
NhuXuanTinhGia
QuyChauQuyHopTayHieu
QuynhLuuConCuongDoLuongHonNgu
HuongSon
HuongKhe KyAnh
ThanhHoa
HoiXuan
TuongDuong
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
TuyenHoa
QuyNhon
SonHoaTuyHoa
HoaiNhon
23.627.1
16.243.9
51.52.62 1.4
1.113.84.5 49.812.7121.4 193.8
16.3
25.8
62.2
3351
23
66
34.9
2.1
69.6
19.8
0.2
25.1
0
3
00.432.1
449
6.1
11.40.1
0
b)
Hình 3.14: Lượng mưa quan trắc tại các trạm (điểm tròn) từ 12Z ngày 09 đến 12Z ngày 10/05/2008 và lượng mưa tích lũy 24h dự báo từ 30 đến 54h (đường contour) trong trường hợp không (a) và có đồng hóa số liệu (b).
61
103 104 105 106 107 108 109 1
13
14
15
16
17
18
19
20
21
YenDinhSamSon
BaiThuong
NhuXuanTinhGia
QuyChauQuyHopTayHieu
QuynhLuuConCuongDoLuongHonNgu
HuongSon
HuongKhe KyAnh
ThanhHoa
HoiXuan
TuongDuong
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgai
TamKyTraMy
TuyenHoa
QuyNhon
SonHoaTuyHoa
HoaiNhon
79.647.1
80.261.9
61.559.95041.4
11.339.753 49.812.7121.5 193.8
56.3
83.8
82.2
3351
76
115
64.9
50.6
69.7
41.8
60.5
55.1
2
48
43.94881.5
459.5
6.3
11.417.2
0.1
a)
103 104 105 106 107 108 109 1
13
14
15
16
17
18
19
20
21
YenDinhSamSon
BaiThuongNhuXuan
TinhGiaQuyChau
QuyHopTayHieuQuynhLuuConCuong
DoLuongHonNgu
HuongSon
HuongKhe KyAnh
ThanhHoa
HoiXuan
TuongDuong
Vinh
HaTinh
Aluoi
BaTo
ConCo
DaNang
BaDon
DongHa
Hue
KheSanh
LySon
NamDong
QuangNgaiTamKy
TraMy
TuyenHoa
QuyNhon
SonHoaTuyHoa
HoaiNhon
79.647.1
80.261.9
61.559.95041.4
11.339.753 49.812.7121.5 193.8
56.3
83.8
82.2
3351
76
115
64.9
50.6
69.7
41.8
60.5
55.1
2
48
43.94881.5
459.5
6.3
11.417.2
0.1
b)
Hình 3.15: Lượng mưa quan trắc tại các trạm (điểm tròn) từ 12Z ngày 08 đến
12Z ngày 10/05/2008 và lượng mưa tích lũy 48h dự báo từ 06 đến 54h (đường
contour) trong trường hợp không (a) và có đồng hóa số liệu (b).
62
Bảng 3.3 thể hiện các sai số dự báo mưa so với số liệu quan trắc mưa
tại các trạm. Xét về lượng mưa, trường hợp đồng hoá số liệu MODIS dự báo
mưa lớn hơn (ME > 0) so với thực tế ở hạn dự báo từ 06-30h và nhỏ hơn (ME
> 0) so với thực tế. Trong khi đó, trường hợp trường hợp không đồng hoá số
liệu dự báo nhỏ hơn so với thực tế (ME < 0) ở cả hạn dự báo từ 06-30h và 30-
54h. Như vậy, đồng hoá số liệu đã làm tăng lượng mưa dự báoTheo bảng 3.3,
dự báo mưa trong trường hợp đồng hóa số liệu MODIS cho sai số MAE và
RMSE nhỏ hơn trường hợp không đồng hóa đối với cả hạn dự báo từ 06-30h
và hạn dự báo từ 30-54h. Tuy nhiên, ở hạn dự báo 30-54h, cả hai trường hợp
đều cho các sai số MAE, RMSE là tương đối lớn so với thực tế.
Bảng 3.3: Các sai số dự báo mưa so với số liệu quan trắc mưa tại các trạm đối
với đợt mưa ngày 09-10/05/2008
06-30h 30-54h
ME MAE RMSE ME MAE RMSE
GFS -6.6 12.7 17.1 -25.4 52.8 82.1
3DV 3.5 6.3 8.9 -21.1 33.7 48.6
3.4 Đánh giá kết quả dự báo các đợt mưa lớn ở khu vực Trung Bộ trong
hai năm 2007 - 2008
Mưa lớn ở khu vực Miền Trung thường xảy ra do ảnh hưởng của các
hình thế thời tiết khác nhau như giải hội tụ nhiệt đới (ITCZ), front lạnh, bão,
áp thấp nhiệt đới, ...Khó khăn lớn trong mô phỏng mưa lớn khu vực này
không chỉ trong việc xác định nguồn ẩm. Khó khăn lớn hơn nữa ở đây là mô
phỏng đúng hoàn lưu mang ẩm đến và tương tác giữa địa hình với hoàn lưu
này. Đây là vùng chịu tác động của gần như tất cả các loại nhiễu động nhiệt
đới. Các loại sóng xích đạo mạnh cùng với dao động nội mùa tương tác với
XTNĐ và gió mùa đông bắc chi phối hoàn lưu mang ẩm đến Trung Bộ khó có
thể được mô phỏng tốt bằng mô hình số hiện nay. Tất cả đó cho ta thấy sự
63
khó khăn đặc biệt trong mô phỏng và dự báo mưa lớn Trung Bộ. Bên cạnh đó,
việc đánh giá dự báo mưa của mô hình về diện và về lượng mưa ở Trung Bộ
càng khó khăn hơn vì lưới thám sát quá thưa thớt trên một diện tích quá hẹp
và dài với sườn núi dốc.
Trong phần này, chúng tôi sẽ trình bày những kết quả đánh giá chất
lượng dự báo mưa lớn cho 17 đợt mưa lớn khu vực Trung Bộ năm 2007, 2008
theo một số chỉ tiêu đã trình bày trong Chương 2.
Để đánh giá khả năng dự báo có và không có mưa, đồng thời đánh giá
khả năng dự báo mưa lớn của mô hình, chúng tôi đã chọn các ngưỡng mưa từ
nhỏ đến lớn, cụ thể các ngưỡng mưa mưa 1, 5, 15, 20, 30, 50, 100, 150 và
200mm/ngày. Các hình 3.16 đến 3.17 lần lượt thể hiện các điểm số FBI, CSI
và POD với các hạn dự báo 06-30h và 30-54h cho các đợt mưa lớn khu vực
Miền Trung năm 2007, 2008 với cả hai trường hợp không (GFS) và có đồng
hoá số liệu (3DV). Theo hình 3.16, với hạn dự báo 06-30h, cả hai trường hợp
đồng hoá và không đồng hoá đều cho mưa lớn hơn thực tế ở các ngưỡng dưới
75mm và nhỏ hơn thực tế ở ngưỡng trên 75mm (hình 3.16a). Các chỉ số CSI
và POD trong cả hai trường hợp không và có đồng hoá giảm dần khi ngưỡng
mưa tăng. Như vậy, đối với ngưỡng mưa lớn, mô hình hầu như dự báo không
chính xác về vùng mưa và lượng mưa. Tuy nhiên, trường hợp đồng hoá số
liệu MODIS có chỉ số CSI, POD cao hơn so với trường hợp không đồng hoá,
đặc biệt là đối với các ngưỡng mưa lớn. Như vậy, việc đồng hoá đã tăng độ
chính xác dự báo mưa lớn.
Tương tự với hạn dự báo 06-30h, cả hai trường hợp không và có sử
dụng sơ đồ đồng hóa 3DVAR đều cho mưa lớn hơn thực tế ở các ngưỡng mưa
nhỏ và cho mưa nhỏ hơn thực tế ở ngưỡng mưa lớn đối với hạn dự báo 30-
54h (hình 3.16a). Ở hạn dự báo này, trường hợp không và có đồng hoá số liệu
đều có chỉ số CSI xấp xỉ bằng nhau và đều cho giá trị CSI tương đối nhỏ ở
các ngưỡng mưa lớn. Điều này có nghĩa là ở các ngưỡng mưa lớn, vùng mưa
dự báo tương đối khác so với vùng mưa thực tế. Theo hình 3.17c, trường hợp
64
đồng hoá số liệu cho thấy sự cải thiện trong số lần dự báo mưa thành công,
tuy nhiên, cả hai trường hợp không và có đồng hoá đều cho số lần dự báo
mưa thành công rất thấp ở các ngưỡng mưa lớn.
Như vậy, đồng hóa số liệu MODIS cải thiện đáng kể trường mưa dự
báo ở hạn mưa 06-30h, nhưng không có sự thay đổi lớn đối với hạn dự báo
30-54h.
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1 5 15 30 50 100 150 200
GFS
3DV
a)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
1 5 15 30 50 100 150 200
GFS
3DV
b)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 5 15 30 50 100 150 200
GFS
3DV
c)
Hình 3.16: Các điểm số FBI (a); CSI (b) và POD (c) với hạn dự báo 06-30h
cho các đợt mưa lớn khu vực Trung Bộ năm 2007, 2008 đối với trường hợp
không (GFS) và có đồng hóa dữ liệu MODIS (3DV)
65
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1 5 15 30 50 100 150 200
GFS
3DV
a)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
1 5 15 30 50 100 150 200
GFS
3DV
b)
00.10.20.30.40.50.60.70.80.9
1
1 5 15 30 50 100 150 200
GFS
3DV
c)
Hình 3.17: Các điểm số FBI (a); CSI (b) và POD (c) với hạn dự báo 30-54h
cho các đợt mưa lớn khu vực Miền Trung năm 2007, 2008 đối với trường
hợp không (GFS) và có đồng hóa dữ liệu MODIS (3DV)
66
KẾT LUẬN
Từ những kết quả trên cho thấy rằng vai trò của đồng hoá dữ liệu vệ
tinh là quan trọng trong việc góp phần nâng cao chất lượng dự báo mưa lớn
khu vực Trung Bộ.
Qua những nghiên cứu đạt được trong luận văn này, tác giả đã rút ra
một số kết luận như sau:
1) Việc đồng hóa profile nhiệt độ và nhiệt độ điểm sương từ vệ tinh
MODIS thông qua sơ đồ đồng hóa 3DVAR đã cho thấy sự khác biệt
lớn của trường ban đầu so với trường hợp không đồng hóa. Có sự khác
biệt lớn ở trường nhiệt độ điểm sương ban đầu hơn sự ở trường nhiệt độ
và sự khác biệt thể hiện rõ ở các mực trên cao hơn ở mực bề mặt.
2) Dựa trên phân tích trường mưa dự báo và mưa của các trạm cho thấy
việc đồng hóa số liệu MODIS cho dự báo chính xác hơn về tâm mưa và
lượng mưa ở dự báo.
3) Đánh giá thống kê lượng mưa dự báo và lượng mưa ở các trạm cho
thấy đồng hóa số liệu MODIS đã cải thiện đáng kể cả về diện mưa và
lượng mưa dự báo trong 30h đầu. Tuy nhiên, ở hạn dự báo từ 30 đến
54h, việc đồng hóa số liệu MODIS không cho kết quả vượt trội so với
trường hợp không đồng hóa.
4) Để đánh giá định lượng kết quả dự báo mưa theo các chỉ tiêu thống kê
cần phải nghiên cứu kỹ hơn khi sử dụng lượng mưa tại các trạm.
KIẾN NGHỊ
Nghiên cứu khai thác số liệu vệ tinh để nâng cao chất lượng trường
ban đầu cho khu vực Việt Nam là bài toán có ý nghĩa cả về mặt khoa học
lẫn thực tiễn đối với những người nghiên cứu và làm nghiệp vụ. Việc đồng
hoá số liệu MODIS đã cải thiện đáng kể trường mưa dự báo trong 30h đầu.
Vì vậy, trong tương lai cần tập trung nghiên cứu sâu hơn vấn đề này để có
thể áp dụng vào thực tiễn
67
TÀI LIỆU THAM KHẢO
Tiếng Việt
1. Hoàng Đức Cường, 2008: Nghiên cứu thử nghiệm dự báo mưa lớn ở
Việt Nam bằng mô hình MM5. Báo cáo tổng kết đề tài nghiên cứu
khoa học cấp Bộ.
2. Hoàng Đức Cường, Nguyễn Thị Thanh, Trần Thị Thảo, 2008: Thử
nghiệm ứng dụng dữ liệu vệ tinh cho mô hình MM5. Tuyển tập báo cáo
hội nghị dự báo viên toàn quốc lần thứ 3, Trung tâm Dự báo Khí tượng
Thuỷ văn Trung Ương, tr12-18.
3. Chu Thị Thu Hường, 2007: Nghiên cứu thử nghiệm dự báo mưa thời
hạn từ 1 đến 3 ngày cho khu vực Trung bộ Việt Nam bằng mô hình
WRF, Luận văn thạc sỹ, Trường ĐHKHTN, ĐH QG HN.
4. Lê Đức, Đỗ Lệ Thuỷ, Lương Hồng Trung, 2007: Xây dựng trường ẩm
cho mô hình HRM từ số liệu vệ tinh địa tĩnh dựa trên phương pháp biến
phân ba chiều (3DVAR) (Phần I, II). Tạp chí KTTV, số 555-2007, tr. 22
– 32 và số 558-2007, tr. 43-49.
5. Vũ Thanh Hằng, 2008: Nghiên cứu tác động của tham số hóa đối lưu
đối với dự báo mưa bằng mô hình HRM ở Việt Nam. Luận án tiến sỹ
ngành khí tượng.
6. Trần Tân Tiến, Nguyễn Minh Trường, Công Thanh, Kiều Quốc Chánh,
2004: Sử dụng mô hình RAMS mô phỏng đợt mưa lớn ở miền Trung
tháng 9/2002, Tạp chí khoa học ĐHQGHN, KHTN & CN Tập XX
(3PT), tr. 51-60.
7. Kiều Thị Xin, Lê Đức, 2003: Nâng cao chất lượng dự báo mưa bằng
mô hình khu vực phân giải cao HRM nhờ tăng độ phân giải và điều
chỉnh trường ban đầu bằng phương pháp đồng hoá số liệu ba chiều.
Tuyển tập hội nghị khoa học, Viện Khoa học khí tượng thuỷ văn và Môi
trường.
68
8. Kiều Thị Xin, 2005: Nghiên cứu dự báo mưa lớn diện rộng bằng công
nghệ hiện đại phục vụ phòng chống lũ lụt ở Việt Nam. Báo cáo tổng
kết đề tài khoa học công nghệ độc lập cấp nhà nước, tr.121-151.
Tiếng Anh
9. Anderson, E., Hollingsworth, A., Kelly, G., Lonnberg, P.,1991: Global
observing system experiments on operational statistical retrievals of
satellite sounding data. Mon. Weather Rev., 119, 1851-1864
10. Barnes, S. L, 1964: A technique for maximizing details in numerical
weather-map analysis, Journal of Applied Meterolog, 3, 396–409.
11. Black T.M., 1994: The new NMC mesoscale Eta model: Description
and forecast examples, Wea. Forecasting, 9, 265-278.
12. Bergthorsson, P. & Doos,B.R,1955: Numreical weather map analysis,
Tellus, 7, 329-340.
13. Bouttier F. and Courtier P., 1999: Data assimilation concepts and
methods. ECMWF meteorological training course lecture series.
14. Courtier P., E. Andersson, W. Heckley, J. Pailleux, D. Vasiljevic, M.
Hamrud, A. Hollingsworth, F. Rabier and M. Fisher, 1998: The
ECMWF implementation of threedimensional variational assimilation
(3D-Var). I: Formulation. Quarterly Journal Royal Met. Society, 124,
No. 550, 1783-1789.
15. Hoang Duc Cuong, Nguyen Thi Thanh, Tran Thi Thao (2009): Heavy
rainfall forecast over Center Vietnam using MM5 and WRF models,
International MAHASRI/HyARC Workshop on Asian monsoon.
16. Cresssman, G.P, 1959: An operational objective analysis system, Mon.
Wea. Rev., 87, 367-374
17. Gandin,L.S, 1963: The objective analysis of meteorological fields,
Israel program for Scientific Translations, Jerusalam, 242pp.
18. Grell G.A., 1993: Prognostic evalation of assumptions used by cumulus
parameterizations, Mon. Wea. Rev, 121, 764-787.
69
19. Hong S.-Y, Pan H.-L., 1998: Convective trigger function for a mass-
flux cumulus parameterization scheme, Mon. Wea. Rev, 126, 2599-
2620.
20. Huo, Z., Zhang D-L, Gyakum J., and Staniforth A., 1995: A Diagnostic
Analysis of the Superstorm of March 1993. Mon. Wea. Rev., 123, 1740-
1761.
21. Lorenc, A.C, 1981: A global three-dimensional multivariate statistical
analysis scheme, Mon. Wea. Rev., 109, 701-721.
22. Lorenc, A.C, 1986: Analysis methods for numerical weather
prediction, Quart. J. Roy. Met. Soc.,112, 1177-1194
23. Fan, Jeffrey S. Tilley, 2005: Dynamic assimilation of MODIS-
retrieved humidity profiles within a regional model for high-latitude
forecast Applications. Mon. Wea. Rev.-Special section, 133, 3450-
3480.
24. Janjic, Z. I., 1996a: The Mellor-Yamada level 2.5 scheme in the NCEP
Eta Model. 11th Conference on Numerical Weather Prediction,
Norfolk, VA, 19-23 August 1996; American Meteorological Society,
Boston, MA, 333-334.
25. Janjic, Z. I., 2002b: Nonsingular Implementation of the Mellor–
Yamada Level 2.5 Scheme in the NCEP Meso model, NCEP Office
Note, No. 437, 61 pp.
26. Kain J. S., 2004: The Kain–Fritsch Convective Parameterization: An
Update. Journal of Applied Meteorology, 43, No. 1, 170–181.
27. Kusaka H., Y.-R. Guo, A. Crook, D. M. Barker and H. Hirakuchi,
2004: The Impact of Assimilating GPS-PW data using WRF-3DVAR
on a Simulation of a Squall Line Observed during IHOP. 20th
Conference on Weather Analysis and Forecasting/16th Conference on
Numerical Weather Prediction
70
28. Liu, Y.-C., S.-H. Chen, F.-C. Chien, 2010: The impact of MODIS and
AIRS total precipitable water on modifying the vertical shear and
Hurricane Emily simulations, Journal of Geophysical Research, in
press
29. Mlawer, E. J., S. J. Taubman, P. D. Brown, M. J. Iacono, and S. A.
Clough, 1997: Radiative transfer for inhomogeneous atmosphere:
RRTM, a validated correlated-k model for the longwave. J. Geophys.
Res., 102 (D14), 16663–16682.
30. Panofsky, H.A, 1949, Objective weather map analysis, J. Meteor., 6,
386-392.
31. Parrish, DavidF., and Derber, John C, 1992: The National
Meteorological Center's Spectral Statistical-Interpolation analysis
system, Mon.Wea.Rev., 120, 1747-1763.
32. Thompson, Philip. D, 1969: Reduction of analysis error through
constraints of dynamical consistency, J.Appl.Meteor., 8, 738-742.
33. Tiedtke M., 1988: Parameterization of cumulus convection in large-
scale models, Physically Based Modelling and Simulation of Climate
and Climate change, M. Schlesinger, Ed., Reidel, 375-431.
34. Tobin, D. C., H. E. Revercomb, R. O. Knuteson, B. M. Lesht, L. L.
Strow, S. E. Hannon, W. F. Feltz, L. A. Moy, E. J. Fetzer, and T. S.
Cress, 2006: Atmospheric Radiation Measurement site atmospheric
state best estimates for Atmospheric Infrared Sounder temperature and
water vapor retrieval validation, J. Geophys. Res., 111, D09S14.
35. Rakesh V, Singh Randhir, Joshi Prakash C, 2009: Intercomparison of
the performance of MM5/WRF with and without satellite data
assimilation in short-range forecast applications over the Indian region,
Journal of Technology and Science, 105, 133-155.
36. Rogers E., Coauthors, 1998: “Changes to the NCEP Operational
“Early” Eta Analysis/Forecast system. NWS Tech. Procedures Bull.
71
Vol.(447), National Oceanic and Atmospheric Administration/National
Weather Service, 14 pp.
37. Routray, A., Mohanty, U. C., Niyogi, D., Rizvi, S. R., Osuri, K. K.,
2008: First application of 3DVAR-WRF data assimilation for
mesoscale simulation of heavy rainfall events over Indian Monsoon
region. Journal of the Royal Meteorological Society.
38. Sasaki, Y., 1958: A objective analysis based on the variational
analysis, J Meteor. Soc. Janpan, 36, 77-88.
39. Seemann, S. W., J. Li, W. P. Menzel, and L. E. Gumley, 2003:
Operational retrieval of atmospheric temperature, moisture, and ozone
from MODIS infrared radiances. J. Appl.Meteor., 42, 1072-1091.
40. Seemann, Borbas, E., Knuteson, R., Weisz, E., Stephenson, G., Li, J.,
Huang, H-L., 2006: A global infrared surface emissivity database for clear
sky sounding retrievals from satellite-based radiance measurements, J. Appl.
Meteor., 52, 1072-1091
41. Seemann, Eva E. Borbas, Jun Li,W. Paul Menzel, Liame, Gumley,
2006: MODIS atmospheric profile retrieval algorithm theoretical basis
document, Cooperative Institute for Meteorological Satellite Studies
University of Wisconsin-Madison, Version 6.
42. Shu-Hua Chen, Zhan Zhao, Jennifer S. Haase, Aidong Chen, Francois
Vandenberghe, 2007: A Study of the Characteristics and Assimilation
of Retrieved MODIS Total Precipitable Water Data in Severe Weather
Simulations. Monthly Weather Review.
43. Spencer, P.L, and Stensrud D.J, 1998: Simulating Flash Flood Events:
Importance of the Subgrid Representation of Convection. Mon. Wea.
Rev., 126, 2884-2912.
44. Sun, J., and N. A. Crook, 1998: Dynamical and Microphysical
Retrieval from Doppler Radar Observations Using a Cloud Model and
72
Its Adjoint. Part II: Retrieval Experiments for an Observed Florida
Convective Storm. J. Atmos. Sci., 55, 835-852.
45. Xavier, A. Chandrasekar, R. Singh and B. Simon, 2006: The impact of
assimilation of MODIS data for the prediction of a tropical low-
pressure system over India using a mesoscale model. International
Journal of Remote Sensing, 27, No. 20, 4655–4676.
46. Weisman M.L., Skamarock W.C. and Klemp J.B., 1997: The resolution
dependence of explicitly modeled convective systems. Mon. Wea. Rev.,
125, 527-548.
47. William C. Skamarock, Joseph B. Klemp, Jimy Dudhia, David O. Gill,
Dale M. Barker, Michael G. Duda, Xiang-Yu Huang, Wei Wang and
Jordan G. Powers, 2008: A Description of the Advanced Research
WRF Version 3. NCAR Technical Note.
48. Zhang D.-L., Kain J.S., Fritsch J.M., Gao K., 1994: Comments on
‘Parameterization of convective precipitation in mesoscale numerical
models. A critical review, Mon. Wea. Rev, 122, 2222-2231.
49. Yoshinori Shoji, Masaru Kunii, and Kazuo Saito, 2009: Assimilation
of Nationwide and Global GPS PWV Data for a Heavy Rain Event on
28 July 2008 in Hokuriku and Kinki, Japan, Mon. Wea. Rev, 10, 2151-
2159.
Top Related