đánh giá kết quả dự báo nhiệt độ và lƣợng mƣa của một số mô hình
TRANSCRIPT
TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
----------o0o----------
PHẠM THỊ TUYẾT MÂY
ĐÁNH GIÁ KẾT QUẢ DỰ BÁO NHIỆT ĐỘ VÀ
LƢỢNG MƢA CỦA MỘT SỐ MÔ HÌNH DỰ BÁO
THỜI TIẾT CHO KHU VỰC VIỆT NAM
LUẬN VĂN THẠC SỸ KHOA HỌC
HÀ NỘI, 2012
ii
TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
-----------o0o-----------
PHẠM THỊ TUYẾT MÂY
ĐÁNH GIÁ KẾT QUẢ DỰ BÁO NHIỆT ĐỘ VÀ
LƢỢNG MƢA CỦA MỘT SỐ MÔ HÌNH DỰ BÁO
THỜI TIẾT CHO KHU VỰC VIỆT NAM
Chuyên ngành : Khí tƣợng và Khí hậu học
Mã số : 60 44 87
LUẬN VĂN THẠC SỸ KHOA HỌC
NGƢỜI HƢỚNG DẪN KHOA HỌC:
TS. VŨ THANH HẰNG
HÀ NỘI, 2012
1
MỤC LỤC
MỤC LỤC ....................................................................................................................... 1 CHƢƠNG 1. TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG KHÍ
TƢỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ ........................................................................ 6 1.1. Bài toán đánh giá dự báo trong khí tƣợng ............................................................ 6
1.1.1. Mục đích và ý nghĩa của bài toán đánh giá .................................................. 6 1.1.2. Mô hình chung cho đánh giá dự báo các yếu tố thời tiết ............................. 7 1.1.3. Sơ lược về tiêu chuẩn đánh giá ................................................................... 10 1.1.4. Các loại yếu tố dự báo ................................................................................ 11 1.1.5. Các thuộc tính của một dự báo tốt .............................................................. 12
1.2. Một số phƣơng pháp và chỉ số đánh giá phổ biến .............................................. 14 1.2.1. Sơ đồ chung đánh giá sản phẩm mô hình dự báo thời tiết số ..................... 14 1.2.2. Phương pháp đánh giá đối với biến liên tục ............................................... 17 1.2.3. Phương pháp đánh giá đối với dự báo pha ................................................ 21
1.3. Cơ sở lý thuyết của phƣơng pháp đánh giá fuzzy .............................................. 24 1.4. Tình hình nghiên cứu chung liên quan đến đề tài trên thế giới và tại Việt Nam33
CHƢƠNG 2. KHÁI QUÁT VỀ CÁC MÔ HÌNH DỰ BÁO THỜI TIẾT SỐ HRM,
MM5 VÀ NGUỒN SỐ LIỆU SỬ DỤNG ..................................................................... 36 2.1. Giới thiệu về mô hình MM5 .............................................................................. 36
2.1.1. Giới thiệu mô hình ...................................................................................... 36 2.1.2. Cấu trúc mô hình ........................................................................................ 36 2.1.3. Hệ các phương trình thủy nhiệt động lực của MM5 ................................... 37 2.1.4. Điều kiện biên ............................................................................................. 37 2.1.5. Các quá trình tham số hóa .......................................................................... 38
2.2. Giới thiệu về mô hình HRM .............................................................................. 40 2.2.1. Giới thiệu mô hình ...................................................................................... 40 2.2.2. Cấu trúc lưới và phương pháp số ............................................................... 40 2.2.3. Hệ các phương trình cơ bản ....................................................................... 40 2.2.4. Các quá trình tham số hóa vật lý ................................................................ 41
2.3. Số liệu ................................................................................................................. 42 CHƢƠNG 3. KẾT QUẢ ĐÁNH GIÁ NHIỆT ĐỘ VÀ LƢỢNG MƢA CỦA MÔ
HÌNH MM5 VÀ HRM CHO KHU VỰC VIỆT NAM ................................................. 45 3.1. Kết quả đánh giá nhiệt độ ................................................................................... 45 3.2. Kết quả đánh giá lƣợng mƣa .............................................................................. 51 3.3. Kết quả thử nghiệm đánh giá mƣa bằng phƣơng pháp fuzzy ............................ 66
3.3.1. Kết quả thử nghiệm với chuỗi số liệu mẫu ................................................. 66 3.3.2. Thử nghiệm đánh giá kết quả dự báo mưa bằng phương pháp fuzzy cho
Việt Nam ................................................................................................................ 71 3.3.2.1. Thử nghiệm đánh giá cho dự báo mưa do bão gây ra ............................ 71 3.3.2.2. Thử nghiệm đánh giá cho dự báo mưa do không khí lạnh gây ra .......... 75 KẾT LUẬN ................................................................................................................... 79 TÀI LIỆU THAM KHẢO ............................................................................................. 81
Tiếng Việt: ................................................................................................................. 81 Tiếng Anh: ................................................................................................................. 81
2
DANH MỤC HÌNH VẼ
Hình 1.1. Sơ đồ chung cho đánh giá các yếu tố thời tiết ................................................. 8 Hình 1.2. Sơ (NWP) .......... 16 Hình 1.3 . Toán đồ tụ điểm cho dự báo gió biển. Bên trái là trƣờng hợp dự báo 00 giờ,
bên phải là trƣờng hợp dự báo 36 giờ (số liệu lấy từ trạm phao) .................................. 17 Hình 1.4. Sơ đồ biểu diễn các chỉ số phục vụ đánh giá chất lƣợng dự báo mƣa .......... 21 Hình 1.5. a. Miền quan trắc; b. Đánh giá truyền thống (phải tƣơng thích cả về không
gian và thời gian giữa dự báo và quan trắc); c. Đánh giá bằng phƣơng pháp fuzzy
(vùng dự báo tính đến cả miền lân cận quanh điểm quan trắc). .................................... 24 Hình 1.6. Cửa sổ quan trắc và dự báo của phƣơng pháp đánh giá fuzzy ...................... 25 Hình 2.1. Sơ đồ lồng ghép hai miền tính cho MM5 ...................................................... 39 Hình 2.2. Các trạm quan trắc trong miền tính ............................................................... 43 Hình 3.1. Nhiệt độ trung bình trong các tháng mùa hè tại các trạm. a) HRM1; b) OBS
(128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) ....................................................... 46 Hình 3.2. Nhiệt độ trung bình trong các tháng mùa đông tại các trạm. a) HRM1; b)
OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) .............................................. 47 Hình 3.3. Sai số ME của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông
(a) và mùa hè (b) ............................................................................................................ 48 Hình 3.4. Sai số MAE của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông
(a) và mùa hè (b) ............................................................................................................ 49 Hình 3.5. Sai số RMSE của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa
đông (a) và mùa hè (b) .................................................................................................. 50 Hình 3.6. Hệ số tƣơng quan nhiệt độ của các mô hình cho toàn Việt Nam (a) và các
khu vực (b, c, d) ............................................................................................................. 51 Hình 3.7. Giá trị trung bình mƣa tích lũy 24 giờ trong các tháng mùa hè. a) HRM1; b)
OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) .............................................. 52 Hình 3.8. Giá trị trung bình mƣa tích lũy 24 giờ trong các tháng mùa đông. a) HRM1;
b) OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm) .......................................... 53 Hình 3.9. Điểm số ME của mƣa cho toàn Việt Nam và các khu vực trong các tháng
mùa đông (a) và mùa hè (b) ........................................................................................... 54 Hình 3.10. Điểm số MAE của mƣa cho toàn Việt Nam và các khu vực trong các tháng
mùa đông (a) và mùa hè (b) ........................................................................................... 55 Hình 3.11. Chỉ số RMSE của mƣa cho Việt Nam và các khu vực trong mùa đông (a)
và mùa hè (b) ................................................................................................................. 56 Hình 3.12. Hệ số tƣơng quan của mƣa của các mô hình cho Việt Nam (a) và các khu
vực (b, c, d) .................................................................................................................... 58 Hình 3.13 . Chỉ số FBI cho Việt Nam và các khu vực trong thời kỳ mùa đông ........... 59 Hình 3.14. Chỉ số FBI cho Việt Nam và các khu vực trong thời kỳ mùa hè ................ 59 Hình 3.15. Chỉ số TS các khu vực theo các ngƣỡng mƣa trong mùa đông ................... 61 Hình 3.16. Chỉ số TS các khu vực theo các ngƣỡng mƣa trong mùa hè ....................... 62 Hình 3.17. Chỉ số POD các khu vực theo các ngƣỡng mƣa trong mùa đông ............... 63 Hình 3.18. Chỉ số POD các khu vực theo các ngƣỡng mƣa trong mùa hè .................... 63 Hình 3.19. Chỉ số TSS các khu vực theo các ngƣỡng mƣa trong mùa đông................. 64 Hình 3.20. Chỉ số TSS các khu vực theo các ngƣỡng mƣa trong mùa hè ..................... 65 Hình 3.21. Vùng mƣa thám sát (trái) và vùng mƣa dự báo 3h (phải) (mm/h) lúc 15h
UTC ngày 29/5/1999 ..................................................................................................... 66
3
Hình 3.22. Kết quả đánh giá bằng phƣơng pháp fuzzy cho hạn dự báo 03 giờ ngày
29/5/1999 ....................................................................................................................... 68 Hình 3.23. Vùng mƣa thám sát (trái) và vùng mƣa dự báo mƣa tích lũy 24h (phải)
(mm/ngày) ngày 6/7/2007 ............................................................................................. 71 Hình 3.24. Kết quả đánh giá bằng phƣơng pháp fuzzy cho dự báo mƣa 24 giờ ngày
06/7/2007 ....................................................................................................................... 72 Hình 3.25. Vùng mƣa thám sát (trái) và vùng mƣa dự báo 24h (phải) (mm/ngày) ngày
23/12/2007 (không khí lạnh) ......................................................................................... 75 Hình 3.26. Kết quả đánh giá bằng phƣơng pháp fuzzy cho hạn dự báo mƣa tích lũy 24
giờ ngày 23/12/2007 ...................................................................................................... 76
4
MỞ ĐẦU
Nhƣ chúng ta đã biết, khí hậu nói chung và thời tiết nói riêng ảnh hƣởng
đến mọi mặt đời sống kinh tế - xã hội của loài ngƣời. Vì vậy việc dự báo các yếu
tố khí hậu cũng nhƣ thời tiết đang ngày càng quan trọng và cần thiết, trở thành
mối quan tâm lớn của tất cả các quốc gia trên thế giới. Và giờ đây nó càng trở
nên cấp bách hơn bao giờ hết khi ảnh hƣởng của
các nƣớc trên thế giới trong đó Việt Nam cũng là một trong
những quốc gia chịu ảnh hƣởng nặng nề của biến đổi khí hậu.
s
ở thử nghiệm
nghiệp vụ
hoặc nghiê
văn Trung ƣơng, RAMS, HRM, WRF
văn và , Trƣờng Khoa nhiên
Môi .
Mỗi mô hình số đều chứa đựng các sai số sinh ra do số liệu ban đầu, do
các quá trình tham số hóa trong khí quyển chƣa đủ chính xác... ,
cần phải tìm ra đƣợc những điểm mạnh của mô
hình để khai thác và sử dụng đồng thời chỉ ra những điểm yếu để tìm cách khắc
phục, đem lại hiệu quả cao hơn cho công tác dự báo. Bên cạnh đó, kết quả đánh
giá còn có thể cho biết về sai số hệ thống của mô hình, là cơ sở cho việc hiệu
chỉnh mô hình cho tốt hơn. Chính vì vậy, vấn đề đánh giá định lƣợng sản phẩm
của các mô hình số là rất cần thiết và có ý nghĩa khoa học.
Bài toán đánh giá dự báo là đánh giá mức độ chính xác của mô hình hoặc
mức độ sai khác giữa các sản phẩm dự báo của mô hình với những kết quả quan
trắc thực tế nhằm chỉ ra những ƣu điểm, nhƣợc điểm của mô hình, giúp cho các
chuyên gia nghiên cứu tìm kiếm các giải pháp cải tiến, phát triển, nâng cao chất
lƣợng dự báo của mô hình. Hơn nữa, kết quả đánh giá dự báo có thể đƣa ra
những thông tin giúp các nhà quản lý quyết định có nên đầu tƣ cơ sở vật chất,
trang thiết bị để phát triển mô hình hay không.
và lƣợng mƣa và
. Chính vì vậy, trong
5
khuôn khổ của luận văn tác giả tập trung vào việc đánh giá chất lƣợng dự báo
24h của nhiệt độ, lƣợng mƣa của hai mô hình dự báo thời tiết số đƣợc sử dụng
phổ biến hiện nay ở Việt Nam là mô hình HRM và mô hình MM5. Ngoài phần
Mở đầu, Kết luận và Tài liệu tham khảo, luận văn đƣợc bố cục cụ thể nhƣ sau:
Chƣơng 1. Tổng quan về bài toán đánh giá dự báo trong khí tƣợng và các
chỉ số đánh giá.
Chƣơng 2. Khái quát về các mô hình dự báo thời tiết số HRM, MM5 và
nguồn số liệu sử dụng.
Chƣơng 3. Kết quả đánh giá nhiệt độ và lƣợng mƣa của mô hình MM5 và
HRM cho khu vực Việt Nam.
6
CHƢƠNG 1. TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ DỰ BÁO TRONG
KHÍ TƢỢNG VÀ CÁC CHỈ SỐ ĐÁNH GIÁ
1.1. Bài toán đánh giá dự báo trong khí tƣợng
1.1.1. Mục đích và ý nghĩa của bài toán đánh giá
Đánh giá chất lƣợng dự báo thời tiết nói chung là phƣơng pháp thẩm tra
đánh giá và xác định định lƣợng mức độ chính xác của mô hình hoặc mức độ sai
khác giữa các sản phẩm dự báo của mô hình với những kết quả quan trắc thực tế
nhằm chỉ ra những ƣu điểm, nhƣợc điểm của mô hình, giúp cho các chuyên gia
nghiên cứu tìm kiếm các giải pháp cải tiến, phát triển, nâng cao chất lƣợng dự
báo của mô hình.
Có ba lý do quan trọng nhất để đánh giá dự báo là:
- Kiểm tra chất lƣợng dự báo – dự báo chính xác đến đâu và sẽ đƣợc cải
tiến ra sao.
- Nâng cao chất lƣợng dự báo: Bƣớc đầu tiên để tiến tới dự báo tốt hơn là
việc tìm ra cái gì mà ngƣời làm dự báo đang làm sai.
- So sánh chất lƣợng của các hệ thống dự báo khác nhau – đến mức độ
nào thì một hệ thống dự báo đƣợc cho là dự báo tốt hơn so với những hệ thống
dự báo khác và bằng cách nào mà hệ thống dự báo đó đem lại kết quả tốt hơn
nhƣ vậy.
Các hoạt động đánh giá chỉ hữu ích khi chúng đƣa ra đƣợc các quyết định
về sản phẩm dự báo đang đƣợc đánh giá. Quyết định đó sẽ làm phát sinh những
thay đổi trong sản phẩm dự báo hoặc cách thức dự báo đƣợc thực hiện sau đó,
hoặc quyết định đó xác nhận và khẳng định sản phẩm dự báo thỏa mãn cho các
mục đích của ngƣời sử dụng và của xã hội. Các sản phẩm dự báo đƣợc phổ biến
rộng rãi trong công chúng thì phải đƣợc viết đủ khách quan để ngƣời sử dụng có
thể kiểm tra, còn các số liệu quan trắc khí quyển thực tế phải đƣợc thể hiện một
cách chính xác những gì diễn ra trong thực tế. Hơn nữa, một vài phƣơng pháp
đánh giá còn đòi hỏi quan trắc tại một điểm cũng có thể đại diện một cách đầy
đủ và khách quan các hiện tƣợng thời tiết xảy ra trong một khu vực.
Chính tính cấp thiết trong các hoạt động đánh giá chất lƣợng dự báo thời
tiết cho thấy mục đích đánh giá phải đƣợc thiết lập trƣớc khi hệ thống đánh giá
7
đƣợc xác lập. Từ đây các hoạt động đánh giá trong khí tƣợng cũng nhƣ trong các
hoạt động dự báo thời tiết có thể đƣợc phân chia thành hai mục đích chính là
đánh giá hành chính và đánh giá khoa học.
Mục đích hành chính: Các thông tin đánh giá trong mục đích quản lý hành
chính nhằm cung cấp thông tin cho việc mua sắm các trang thiết bị chính nhƣ
các máy tính có cấu hình cao hơn, tốc độ xử lý nhanh hơn,… Xác định khi nào,
hoặc có nên thay thế một sản phẩm đang đƣợc sử dụng bằng một sản phẩm dự
báo mới hay không, và còn nhiều các quyết định khác để phát triển tối ƣu nguồn
lực về con ngƣời cũng nhƣ các nguồn trang thiết bị khác phục vụ cho công tác
phát hành một bản tin dự báo thời tiết.
Mục đích khoa học: Đánh giá với mục đích khoa học là xác định một cách
đầy đủ và chi tiết ƣu điểm cũng nhƣ nhƣợc điểm của một sản phẩm dự báo. Các
hoạt động này giúp tìm ra các biện pháp thích hợp để cải thiện chất lƣợng dự
báo phục vụ cũng nhƣ cung cấp các thông tin để hoạch định phƣơng hƣớng cho
việc nghiên cứu và phát triển tiếp theo.
Ngoài ra một số tác giả khác còn xét đến mục đích kinh tế nhƣng đó là
vấn đề rất phức tạp nên trong giới hạn luận văn này không đƣợc đề cập đến.
1.1.2. Mô hình chung cho đánh giá dự báo các yếu tố thời tiết
Hình 1.1 là một kiểu mô hình chung nhất để đánh giá dự báo các yếu tố
thời tiết, ngoài ra có thể có các mô hình đánh giá khác nữa. Tuy nhiên đây là mô
hình cho thấy bức tranh chi tiết nhất về quan hệ giữa đặc trƣng của phép đánh
giá các đại lƣợng đo và các giải pháp khác nhau để có thể lựa chọn. Sơ đồ này
sử dụng cho việc quyết định các bƣớc cần thiết phải đƣợc làm trƣớc khi lựa chọn
các phƣơng pháp đánh giá cụ thể.
Tất cả các phƣơng pháp đánh giá đều bắt đầu từ việc tập hợp các tập số
liệu quan trắc và dự báo (hình bình hành ở trên cùng trong Hình 1.1). Bƣớc tiếp
theo là xử lý số liệu, bƣớc này phụ thuộc vào việc quyết định của ngƣời sử dụng
(hình thoi trong sơ đồ). Quan trọng nhất là việc quyết định của ngƣời sử dụng
lựa chọn mục đích đánh giá hành chính hay khoa học nhƣ đã nêu ở trên.
Khi mục đích đánh giá đã đƣợc xác định, tiến hành phân loại các tập số
liệu mẫu theo mục đích đã định trƣớc. Phân loại nghĩa là chia nhỏ các phần tử
trong tập mẫu ra thành hai hay nhiều nhóm theo một nguyên tắc đã định sẵn, sau
đó thực hiện đánh giá cho từng nhóm một cách riêng biệt. Trên Hình 1.1 đã chỉ
8
ra hai kiểu phân loại là “Phân loại ngoại bộ” và “Phân loại nội bộ”.
Phân loại ngoại bộ là kiểu phân loại mà nguyên tắc lựa chọn độc lập đối
với các yếu tố đang cần đƣợc đánh giá. Kiểu phân loại ngoại bộ phổ biến nhất là
cho phép xác định các biến đổi trong đánh giá theo thời gian trong ngày hoặc
theo mùa. Phân loại ngoại bộ có thể tiến hành ở bất cứ thời điểm nào trong quá
trình trƣớc khi tính toán các đánh giá thống kê thực tế, và có thể đƣợc làm cho
cả mục đích hành chính hay mục đích khoa học.
Hình 1.1. Sơ đồ chung cho đánh giá các yếu tố thời tiết
Mục đích
khoa học
Các tập số liệu
dùng để đánh giá
Quản lý
hành
chính
Phân loại
ngoại bộ
Phân loại
ngoại bộ
Phân loại
nội bộ theo
dự báo
Hệ số phân tán
Điểm Berier RPS
Điểm kỹ năng
Brier
Bảng độ tin cậy
Bảng liên hợp
Phân loại
nội bộ theo
quan trắc
Biến pha Biến liên tục Biến liên tục
Biến pha
Đồ thị điểm Bảng liên hợp
Đồ thị điểm
Nguyên lý phát
hiện
tín hiệu
Độ lệch (BIAS)
Phân loại
nội bộ theo
dự báo
Biến pha
Biến liên tục
Sai số trung bình tuyệt đối
Sai số bình
phƣơng trung bình
Độ giảm phƣơng sai
9
Xuất phát từ các câu hỏi đặt ra đối với đánh giá khoa học thấy rằng, cần
có một nhu cầu phân loại cao hơn đối với tập mẫu. Chẳng hạn nhƣ, nếu ta quan
tâm đến dự báo cực trị thì tập mẫu sẽ phải đƣợc phân nhóm để tách các giá trị
cực trị đó ra từ chuỗi các sự kiện chung. Kiểu phân nhóm này đƣợc gọi là “phân
loại nội bộ” bởi vì nguyên tắc phân loại đƣợc quyết định bởi mục đích đánh giá
và sử dụng chính yếu tố đang đƣợc đánh giá. Có hai cách để thực hiện phân loại
nội bộ, trên Hình 1.1 cho thấy sự khác nhau trong kết quả đánh giá thu đƣợc từ
hai cách phân loại đó.
Phân loại theo quan trắc nghĩa là phân loại theo giá trị của các yếu tố khí
tƣợng quan trắc đƣợc. Sau đó, các tiêu chuẩn đánh giá có thể đƣợc tính toán cho
từng nhóm giá trị quan trắc và giá trị thống kê đƣợc tạo thành này gọi là giá trị
có điều kiện đối với quan trắc. Một ví dụ cho phân bố có điều kiện của dự báo là
một giá trị đặc biệt hay một phạm vi các giá trị quan trắc.
Phân loại theo dự báo nghĩa là phân loại theo giá trị của các yếu tố khí
tƣợng đƣợc dự báo. Cũng tƣơng tự nhƣ trên, các giá trị thống kê đƣợc tính toán
theo cách phân loại này đƣợc gọi là điều kiện dự báo. Việc lựa chọn kiểu phân
loại phụ thuộc vào mục đích đánh giá. Trong nhiều trƣờng hợp cần phải sử dụng
kết hợp cả hai cách phân loại trên để đƣa ra một kết quả hoàn chỉnh. Hơn nữa,
nhƣ đã thấy ở sơ đồ trên, những đại lƣợng đánh giá khác nhau (hình ô van bên
dưới) đặc trƣng cho một kiểu phân nhóm khác và đƣa ra nhiều thông tin khác
nhau về sản phẩm.
Một cách khác, trong đánh giá hành chính, ngƣời ta ít quan tâm chi tiết
đến việc biểu diễn những biến theo các giá trị khác nhau trong dự báo. Mà thay
vào đó, các câu hỏi đặt ra đều mang tính chung chung và chỉ cần một câu trả lời
ngắn gọn xúc tích nào đó. Vì vậy, phân loại nội bộ có thể vẫn đƣợc thực hiện
nhƣng nó hiếm khi đƣợc dùng đến. Tuy nhiên, ƣu điểm lớn của đánh giá hành
chính là biểu diễn chất lƣợng sản phẩm chỉ bằng vài con số hoặc việc so sánh
thuận tiện hay hƣớng xác minh dễ dàng. Bản chất chung của đánh giá hành
chính có mối liên hệ mật thiết với các quy tắc điểm số tổng kết đƣợc chỉ ra ở
Hình 1.1. Đôi khi việc tóm tắt cũng trở nên khó khăn khi phải cố gắng tổng kết
tất cả các thông tin về chất lƣợng sản phẩm chỉ trong một điểm số để cung cấp
cho nhà quản lý. Nhu cầu tóm tắt thông tin đánh giá chỉ bằng một con số gây ra
một áp lực lớn cho việc thiết kế hệ thống đánh giá để đảm bảo đƣợc rằng:
- Điểm số đƣợc lựa chọn theo yêu cầu là đáng tin cậy;
10
- Các sự kiện hợp thành đều đƣợc xem xét công bằng nhƣ nhau trong các
điểm số;
Hạn chế chung của bản tổng kết đánh giá này là tất cả các sự kiện đều
đƣợc xem là nhƣ nhau trong quá trình trung bình hóa. Điều này làm cho việc
thực hiện thuận tiện hơn (việc tính toán sẽ đơn giản hơn khi sử dụng đại lƣợng
trung bình), nhƣng cũng vì thế mà rất khó để có thể tìm đƣợc một hàm trọng số
chính xác và phản ánh đủ khách quan cho các sự kiện hợp thành của mục đích
sử dụng mà không có bất kỳ trở ngại nào đối với các thuộc tính của điểm số.
Làm thế nào để đƣa ra các hàm trọng số của các sự kiện hợp thành trong đánh
giá tổng hợp vẫn còn là vấn đề chƣa giải quyết đƣợc.
Trƣớc đây, các điểm số đánh giá đã đƣợc đánh giá quá cao. Vì thế các dự
báo viên sớm thất vọng khi phải cố gắng sử dụng chúng để trả lời các câu hỏi về
các vấn đề mang tính chất khoa học. Tính chất của việc đánh giá tổng kết đó hạn
chế việc sử dụng trong mục đích khoa học bởi thiếu sự phân loại đánh giá bằng
những điều kiện cho trƣớc. Ví dụ, điểm số tổng kết không thể nói mƣa dự báo
tốt nhƣ thế nào trong các trƣờng hợp ngƣỡng thấp mà chỉ có thể nói mƣa đƣợc
dự báo tốt nhƣ thế nào một cách chung chung. Không thể nói, dƣới điều kiện
nào mô hình phần tử hữu hạn khu vực RFE (Regional Finite Element model) tốt
hơn mô hình phổ, chỉ có thể nói rằng mô hình RFE tốt hơn hoặc xấu hơn một
chút so với mô hình phổ.
1.1.3. Sơ lược về tiêu chuẩn đánh giá
Các điểm số dùng trong đánh giá đƣợc minh họa theo từng cặp ở phía
dƣới Hình 1.1 cho thấy mối quan hệ giữa chúng. Ví dụ, bảng liên hợp và đồ thị
điểm là hoàn toàn tƣơng tự nhau, chúng cung cấp các dạng thông tin nhƣ nhau,
bảng liên hợp xuất phát từ yếu tố dự báo pha cùng đồ thị điểm xuất phát từ biến
dự báo liên tục. Điểm tổng kết luôn đƣợc phân loại theo cách này: Điểm Brier
và điểm RP đều đo chính xác các đặc tính của khả năng xảy ra hay biến pha,
chúng tƣơng tự sai số bình phƣơng trung bình của dự báo theo biến liên tục. Chú
ý rằng dự báo pha không tƣơng tự nhƣ sai số trung bình tuyệt đối. Có hai loại
đại lƣợng đo đƣợc phân loại tƣơng ứng theo dự báo và quan trắc là “Bảng độ tin
cậy” và “Nguyên lý phát hiện tín hiệu”. Trong khi đó bảng liên hợp và đồ thị
điểm lại tổng quát hơn, cho phép phân loại theo một trong hai cách hoặc theo cả
hai cách. Nguyên lý phát hiện tín hiệu là một ý tƣởng mới mẻ và hiện nay chƣa
đƣợc sử dụng rộng rãi.
11
Các điểm số liệt kê trên Hình 1.1 gồm 3 loại, đó là: điểm số tuyến tính,
điểm số toàn phƣơng (bậc hai) và điểm số kỹ năng.
Điểm số toàn phƣơng đƣa ra trọng lƣợng của sai số theo bình phƣơng của
chúng trong khi điểm số tuyến tính cho sai số có giá trị bậc nhất. Vì vậy điểm số
toàn phƣơng thƣờng đƣa ra trọng số sai số lớn hơn là điểm số tuyến tính và điểm
số này rất phù hợp trong các trƣờng hợp sai số lớn thực sự nghiêm trọng hơn sai
số nhỏ.
Điểm số kỹ năng đƣợc xây dựng để đánh giá mối quan hệ giữa dự báo và
một giá trị chuẩn nào đó. Giá trị chuẩn đƣợc chọn lựa để mô tả một dự báo
không kỹ năng.
Ba tiêu chuẩn đƣợc sử dụng để so sánh là: chuẫn ngẫu nhiên, chuẩn quán
tính và chuẩn khí hậu. Tính ngẫu nhiên mô tả sự phỏng đoán thuần túy và không
yêu cầu hiểu biết tri thức, chuẩn quán tính là một dự báo xác định và yêu cầu các
hiểu biết về điều kiện thời tiết, còn chuẩn khí hậu là một dự báo trạng thái thời
tiết diễn ra trong khoảng thời gian dài và cần phải có sự hiểu biết về tiến trình
lịch sử của thời tiết. Điểm số kỹ năng đƣợc biểu diễn trong công thức sau:
STPS
STSCSS
trong đó SC là điểm có đƣợc từ dự báo, ST là điểm đạt đƣợc từ dự báo chuẩn và
PS là điểm từ dự báo hoàn hảo. Điểm số kỹ năng có thể đƣợc hình thành từ việc
sử dụng bất kỳ một trong các điểm số. Điểm số kỹ năng phổ biến nhất dựa trên
nền tảng của điểm Brier (điểm kỹ năng Brier), điểm RP (điểm kỹ năng RP), các
giá trị của bảng ngẫu nhiên (điểm Heidke) và sai số trung bình tuyệt đối. Tiêu
chuẩn thƣờng đƣợc sử dụng nhất là chuẩn khí hậu, còn điểm Heidke lại thƣờng
xuyên đƣợc kết hợp với chuẩn ngẫu nhiên. Không có điểm kỹ năng cơ bản nào
là quan trọng hơn, chúng bình đẳng nhƣ nhau và đều biểu hiện đặc tính của kỹ
năng.
1.1.4. Các loại yếu tố dự báo
Sau khi giải quyết xong những vấn đề về phân loại và những yêu cầu của
một mô hình đánh giá đã đặt ra cần lựa chọn một phƣơng pháp thích hợp để đáp
ứng các yêu cầu đó. Hình chữ nhật trên Hình 1.1 đƣa ra gợi ý cho cách lựa chọn
phù hợp tùy thuộc vào bản chất dự báo đƣợc đánh giá. Phụ thuộc vào mục đích
đánh giá ngƣời ta chia ra thành hai dạng dự báo là: Dự báo các đại lƣợng liên tục
12
và dự báo pha.
* Yếu tố dự báo liên tục: Là các yếu tố đƣợc dự báo tại một giá trị nhất
định hoặc trong một khoảng giá trị nào đó. Trong số các yếu tố thời tiết thì nhiệt
độ, áp suất, và gió là hay đƣợc dự báo theo cách này.
* Yếu tố dự báo pha: Là các yếu tố dự báo có thể xảy ra hoặc không xảy
ra. Chẳng hạn nhƣ xét sự xuất hiện của giáng thủy (có hoặc không), hoặc xét
dạng giáng thủy (băng, tuyết, nƣớc).
Một số yếu tố có thể đƣợc dự báo liên tục hoặc dự báo pha tùy thuộc vào
yêu cầu của ngƣời sử dụng trong quá trình làm dự báo. Tuy nhiên khi một dự
báo mà cho kết quả biến thiên liên tục thì phải đƣợc đánh giá theo pha bởi vì tất
cả những thông tin đó rất cần thiết cho ngƣời sử dụng.
* Dự báo xác suất đƣợc xem nhƣ là dự báo pha nhƣng tổng quát hơn.
Trong đó, mỗi pha đƣợc gán bằng một xác suất xảy ra và tổng tất cả xác suất
phải bằng 1 (tức là một cái gì đó phải xảy ra). Dự báo pha là một dự báo xác
suất thu hẹp, ở đây xác suất chỉ có hai trƣờng hợp xảy ra hoặc là 0% hoặc là
100% và hiển nhiên là một trong hai trƣờng hợp ấy chắc chắn sẽ xảy ra.
1.1.5. Các thuộc tính của một dự báo tốt
Do tính chất phức tạp của bài toán đánh giá, việc lựa chọn, sử dụng những
chỉ số nào để phản ánh đƣợc tất cả các khía cạnh là vấn đề khó khăn. Chẳng hạn,
khi nói về đánh giá chất lƣợng dự báo (có thể là của một mô hình) Murphy
(1993) đã đƣa ra 3 khái niệm để chỉ mức độ “tốt” của một dự báo là:
1) Độ chắc chắn (Consistency) của dự báo là mức độ phù hợp giữa dự báo
và kiến thức hiểu biết của dự báo viên;
2) Chất lƣợng dự báo (Quality) là mức độ phù hợp giữa dự báo với thực tế
xảy ra;
3) Ý nghĩa (hay giá trị - Value) của dự báo là mức độ mà dự báo có thể
giúp cho ngƣời ra quyết định thấy rõ hoặc đạt đƣợc lợi ích nào đó về kinh tế
hoặc lợi ích khác.
Cũng theo Murphy (1993), đã đƣa ra 9 khái niệm đƣợc gọi là 9 thuộc tính
đóng góp cho độ chắc chắn của dự báo nhƣ sau:
- Độ lệch (Bias): Là mức độ phù hợp giữa trung bình quan trắc và trung
13
bình dự báo.
- Tính liên kết (Association): Là mức độ chặt chẽ về quan hệ tuyến tính
giữa dự báo và quan trắc(chẳng hạn, hệ số tƣơng quan là thƣớc đo mối quan hệ
tuyến tính này).
- Độ chính xác (Accuracy):
dự báo và thực tế ( )
. K
.
- Kỹ năng dự báo (Skill):
một dự báo tham chiếu nào đó. Dự báo tham chiếu
nói chung là dự báo không có kỹ năng, nhƣ dự báo ngẫu nhiên (may rủi), dự báo
quán tính, hoặc dự báo khí hậu. Kỹ năng ám chỉ sự tăng lên của độ chính xác do
hệ thống dự báo “thông minh”.
- Độ tin cậy (Reliability): Là sự phù hợp trung bình giữa các giá trị dự báo
và các giá trị quan trắc. Nếu tất cả các trƣờng hợp dự báo đƣợc xem xét khi đó
độ tin cậy trên toàn bộ giống nhƣ thiên hƣớng (bias). Nếu các trƣờng hợp dự báo
đƣợc phân chia thành các khoảng khác nhau hoặc theo các phân hạng thì độ tin
cậy giống nhƣ độ lệch có điều kiện (conditional bias). Thông thƣờng độ tin cậy
đƣợc cải tiến nhờ Bias. Nhƣng sau khi cải tiến làm độ tin cậy của các dự báo
tƣơng đƣơng tăng lên thì chính Bias lại sẽ bị khử đi.
- Độ phân giải (Resolution): Là năng lực của dự báo có thể phân loại tập
các sự kiện thành các tập con có phân bố tần suất khác nhau. Điều đó có nghĩa là
phân bố nhận đƣợc khi “A” đƣợc dự báo khác với phân bố nhận đƣợc khi “B”
đƣợc dự báo. Thậm chí nếu các dự báo là sai, hệ thống dự báo có độ phân giải
nếu nó có thể phân chia một cách thành công phân bố của các dạng khác nhau.
(Nói cách khác, có thể tách biệt đƣợc các trƣờng hợp dự báo thành những tập có
cùng phân bố).
- Độ nhọn (hay độ nhạy bén - Sharpness): Là xu hƣớng của dự báo có thể
dự báo đƣợc các giá trị cực trị. Độ nhọn là một thuộc tính của dự báo, tƣơng tự
nhƣ độ phân giải, một dự báo có thể có thuộc tính này ngay cả khi nó sai (trong
trƣờng hợp này nó có thể là kém tin cậy);
- Độ phân biệt (hay độ phân lớp - Discrimination): Là khả năng của dự
14
báo có thể tách biệt các quan trắc thành những trƣờng hợp có tần suất dự báo
cao hơn, tức là có khả năng phân lớp. Là khả năng của dự báo có thể tách biệt
các quan trắc thành những trƣờng hợp có tần suất dự báo cao hơn, tức là có khả
năng phân lớp.
- Độ biến động (hay tính không chắc chắn - Uncertainty): Là sự dao động
của các giá trị quan trắc trong tập mẫu đánh giá và không phụ thuộc vào giá trị
dự báo. Đối với các biến đƣợc dự báo theo pha thì độ biến động là 1 nếu sự kiện
xảy ra và 0 nếu sự kiện không xảy ra. Đại lƣợng này liên quan đến độ “khó
khăn” của dự báo. Độ biến động càng lớn có nghĩa là sẽ có những dao động lớn
với nhiều tần số khác nhau trong yếu tố dự báo đang đƣợc đánh giá và dĩ nhiên
việc dự báo sẽ khó khăn hơn. Độ biến động của từng tập số liệu sẽ rất khác nhau
và do đó, việc so sánh giữa các con số đánh giá thống kê của tập số liệu là hết
sức mạo hiểm vì chúng thƣờng rất nhạy với độ biến động.
Theo truyền thống thì đánh giá dự báo tập trung nhấn mạnh vào độ chính
xác và kỹ năng dự báo. Nhƣng cũng cần lƣu ý rằng các thuộc tính khác của dự
báo cũng ảnh hƣởng mạnh đến giá trị dự báo.
1.2. Một số phƣơng pháp và chỉ số đánh giá phổ biến
1.2.1. Sơ đồ chung đánh giá sản phẩm mô hình dự báo thời tiết số
a. Những nguyên nhân gây sai số trong mô hình dự báo số
Để ứng dụng đƣợc một mô hình khu vực hạn chế vào trong nghiệp vụ dự
báo thời tiết đòi hỏi trƣớc hết là phải đánh giá đƣợc sai số dự báo của mô hình so
với thực tế. Các nguyên nhân có thể đƣa đến dự báo sai của mô hình số có thể
tóm tắt nhƣ sau:
- Các công thức toán học để mô tả các quá trình vật lý xảy ra trong khí
quyển là chƣa hoàn chỉnh;
- Ảnh hƣởng của địa hình đến kết quả dự báo (thƣờng không đƣợc mô
hình số mô tả hoàn chỉnh);
- Các quá trình vật lý và các sơ đồ tham số hóa chƣa thật sự hoàn thiện;
- Một số giả thiết không thực sự phù hợp đƣợc đƣa ra để có thể giải đƣợc
hệ phƣơng trình thủy nhiệt động lực học mô tả khí quyển thực.
- Điều kiện biên và điều kiện ban đầu của các biến khí tƣợng là chƣa hoàn
15
chỉnh và phụ thuộc khá nhiều vào địa hình. Các trạm thám sát thƣa thớt, đặc biệt
là vùng nhiệt đới;
- Các kết quả nhận đƣợc chứa đựng những sai số khi giải các công thức
toán học bằng phƣơng pháp gần đúng, ...
b. Nguyên lý chung cho việc đánh giá mô hình dự báo số
Hình 1.2
Hình
1.1
số liệu quan trắc và bộ số liệu này phải tƣơng
, số liệu quan trắc có thể sẽ đƣợc phân
tích về lƣới dự báo hoặc
phẩm
. Trong trƣờng hợp này
, điều quan trọng trong đánh giá mô
hình là phải luôn ghi nhớ thủ tục kiểm tra lại số liệu quan trắc khi đánh giá kết
quả.
Để đánh giá một sản phẩm mô hình số có hiệu quả, yêu cầu đặt ra là
những vấn đề quyết định cần giải quyết phải đƣợc làm cho mục đích đánh giá
trƣớc khi một hệ thống đánh giá đƣợc thiết lập. “Đánh giá hành chính” trả lời
câu hỏi về xu hƣớng trong kỹ năng và độ chính xác của mô hình và thƣờng đƣợc
sử dụng để so sánh độ chính xác của hai mô hình khác nhau. Tƣơng tự nhƣ đánh
giá các yếu tố thời tiết cho những mục đích hành chính, có một khuynh hƣớng
nhằm giảm thiểu các kết quả chỉ bằng một vài con số thông qua việc sử dụng các
điểm số tổng kết.
“Đánh giá khoa học”
diễn của mô hình để đƣa ra
thông tin có thể phản hồi lại cho c
front. Bộ số liệu đánh giá
phải đƣợc sắp xếp cẩn thận theo các đặc trƣng đó, và điều này có thể đƣợc thực
hiện theo một trong hai hƣớng đó là theo cơ sở của các đặc trƣng quan trắc hay
theo cơ sở của các đặc trƣng dự báo.
16
“Phân loại ngoại bộ” ở đây có ý nghĩa là phân chia bộ số liệu đánh giá
theo mùa hoặc theo thời gian chạy mô hình
.
Hình 1.2 (NWP)
Mục đích
khoa học
Các tập số liệu
dùng để đánh giá
Quản lý
hành
chính
Phân loại
ngoại bộ
Phân loại
theo không
gian
Sai số trung bình tuyệt đối
Sai số bình phƣơng trung bình
Điểm kỹ năng (Độ suy giảm phƣơng sai)
Hệ số phân tán
Độ lệch (BIAS)
Tƣơng quan dị thƣờng
Điểm số S1
Thẩm định trung tâm áp suất
Các trƣờng hợp nghiên cứu
Sai số đƣờng đi
Độ lệch trung tâm
Lỗi hệ thống
Phân loại
nội bộ
17
. Khi phân loại theo
không gian đƣợc tiến hành theo mục đích khoa học, các khu vực có quy mô dƣới
lƣới đƣợc ƣu tiên lựa chọn để phản ánh các chế độ khí hậu khác nhau nhƣ các
khu vực có địa hình đồi núi, các vùng núi khuất gió, bờ biển,…
1.2.2. Phương pháp đánh giá đối với biến liên tục
1.2.2.1. Phương pháp toán đồ tụ điểm
Hình 1.3 . Toán đồ tụ điểm cho dự báo gió biển. Bên trái là trường hợp dự báo 00 giờ,
bên phải là trường hợp dự báo 36 giờ (số liệu lấy từ trạm phao)
Toán đồ tụ điểm là phƣơng pháp đơn giản nhất, chủ yếu phục vụ cho các
biến liên tục nhƣ nhiệt độ và gió, thƣờng gồm tất cả các điểm số ứng với mỗi
cặp dự báo – quan trắc tƣơng ứng trên cùng một đồ thị với tung độ và hoành độ
có tỷ lệ nhƣ nhau. Trƣờng hợp lý tƣởng là các điểm số nằm trên một đƣờng
thẳng đi qua gốc tọa độ và tạo với trục hoành một góc 450 (giá trị dự báo bằng
giá trị quan trắc). Đƣờng 450 này thƣờng đƣợc vẽ ra để thuận tiện cho việc nội
suy các điểm rời rạc.
Hình 1.3 là một ví dụ về toán đồ tụ điểm cho dự báo gió biển. Mỗi điểm
“x” đại diện cho ít nhất một lần xuất hiện của cặp dự báo – quan trắc riêng lẻ.
Trên mỗi đồ thị còn có một đƣờng thẳng thứ hai mà có thể không đi qua gốc tọa
độ, đó chính là đƣờng hồi quy bình phƣơng tối thiểu tƣơng ứng với tập số liệu
Hệ số tƣơng quan = 0.789
Tốc độ gió mô hình PPR (kts) Tốc độ gió mô hình PPR (kts)
Hệ số tƣơng quan = 0.595
18
quan trắc.
Nếu dự báo là hoàn hảo thì đƣờng hồi quy sẽ trùng với đƣờng 450. Sự phù
hợp giữa đƣờng hồi quy và đƣờng 450 cho thấy chất lƣợng của dự báo. Chất
lƣợng dự báo sẽ giảm đi nếu đƣờng hồi quy có khuynh hƣớng lệch theo chiều
nằm ngang hơn. Nếu đƣờng hồi quy nằm ngang hoàn toàn thì khi đó quan trắc
hoàn toàn độc lập với dự báo.
Một đại lƣợng đánh giá khác có thể ƣớc lƣợng từ đồ thị điểm là sai số
bình phƣơng hoặc độ lệch. Hình 1.3 chỉ ra một đồ thị điểm khác cho dự báo
nhiệt độ khách quan (sản phẩm mô hình thống kê). Tập số liệu mẫu là 701
trƣờng hợp (số liệu này đƣợc lấy từ 11 trạm vùng Đại Tây Dƣơng - CASSP).
Trong đồ thị này không thấy xuất hiện các dấu “x” nhƣ đồ thị trƣớc, thay vào đó
là các con số. Các số trên đồ thị này biểu hiện số trƣờng hợp các cặp giá trị nhiệt
độ quan trắc - dự báo tƣơng ứng với đồ thị điểm.
Một đồ thị điểm mô tả phân loại cơ bản từ tất cả các trƣờng hợp đƣợc
miêu tả riêng rẽ. Điều này cho phép cân nhắc một cách linh hoạt cho phân tích
số liệu. Giả sử -200C và +10
0C đƣợc chọn nhƣ là ngƣỡng của nhiệt độ cực trị,
giá trị này có thể nhận đƣợc từ phân tích trên đồ thị. Tất cả các điểm, ở đây nhiệt
độ quan trắc nằm trong giới hạn của cực trị và không có nhiệt độ dự báo đƣợc
gọi là miền các sự kiện dự báo sót (missed events) và tất cả các điểm ở đây giá
trị dự báo nằm trong phạm vi cực trị và không quan trắc đƣợc gọi là miền báo
động sai (false alarms). Miền các sự kiện dự báo sót và miền báo động sai có thể
thấy trên đồ thị. Qua đồ thị có thể thấy, tất cả nhiệt độ có giá trị cao nhất đã bị
bỏ sót (dự báo dƣới ngƣỡng) trong khi đó nhiệt độ thấp xảy ra ở cả hai miền các
sự kiện dự báo sót và miền báo động sai.
Phân loại trên cơ sở quan trắc chỉ cho phép nhận dạng miền các sự kiện
dự báo sót (đƣờng ngang vẽ đậm ở các giá trị ngƣỡng). Phân loại trên cơ sở dự
báo chỉ cho phép nhận dạng đƣợc miền báo động sai (đƣờng đứng vẽ đậm ở các
giá trị ngƣỡng). Từ đây có thể thấy rằng điều quan trọng nhất là phải sử dụng cả
hai kiểu phân loại để nhận đƣợc thông tin đầy đủ và hoàn hảo về một sản phẩm
đang đƣợc đánh giá. Ví dụ những giá trị thấp nhất đã bị bỏ sót có thể lấy lại
đƣợc đơn giản bằng cách tƣởng tƣợng di chuyển tất cả các điểm trên đồ thị đến
bên trái giá trị ngƣỡng 100C, nhƣng cái giá phải trả cho việc hiệu chỉnh này là sự
tăng lên đột ngột trong miền báo động sai. Điều này sẽ không nhìn thấy nếu
19
phân loại trên cơ sở của một mình quan trắc. Do vậy luôn luôn có thể hiệu đính
cho sự kiện cực trị đã bị bỏ sót.
Phân loại trên cơ sở dự báo có lẽ có ích hơn cho hiểu biết về ý nghĩa thực
của dự báo. Thông tin chi tiết về ý nghĩa của dự báo cho các nhiệt độ khác nhau
có thể nhận đƣợc từ một chuỗi phân bố có điều kiện cho mỗi nhiệt độ dự báo
hoặc cho phạm vi của nhiệt độ.
1.2.2.2 Các chỉ số đánh giá
Trong các công thức dƣới đây, Fi và Oi tƣơng ứng là giá trị mô hình và giá
trị quan trắc của một biến nào đó (nhiệt độ, lƣợng mƣa), i=1,2,…, N, N là dung
lƣợng mẫu.
a. Sai số trung bình (ME - Mean Error)
N
1iii )OF(
N
1ME
(1. 1)
Giá trị của ME nằm trong khoảng (-∞, +∞). ME cho biết xu hƣớng lệch
trung bình của giá trị dự báo so với giá trị quan trắc, nhƣng không phản ánh độ
lớn của sai số. ME dƣơng cho biết giá trị dự báo vƣợt quá giá trị quan trắc và
ngƣợc lại. Mô hình đƣợc xem là “hoàn hảo” (không thiên lệch về một phía nào
cả) nếu ME=0.
b. Sai số tuyệt đối trung bình (MAE-Mean Absolute Error)
N
1iiOiF
N
1MAE
(1. 2)
Giá trị MAE nằm trong khoảng (0,+∞). MAE biểu thị biên độ trung bình
của sai số mô hình nhƣng không nói lên xu hƣớng lệch của giá trị dự báo và
quan trắc. Khi MAE = 0, giá trị của mô hình hoàn toàn trùng khớp với giá trị
quan trắc, mô hình đƣợc xem là “lý tƣởng”. Thông thƣờng MAE đƣợc sử dụng
cùng với ME để đánh giá độ tin cậy. Chẳng hạn, nếu MAE của sản phẩm khác
biệt hẳn so với ME thì việc hiệu chỉnh là hết sức mạo hiểm. Trong trƣờng hợp
ngƣợc lại, khi mà MAE và ME tƣơng đối “sát” với nhau thì có thể dùng ME để
hiệu chỉnh sản phẩm dự báo một cách đáng tin cậy.
c. Sai số bình phƣơng trung bình MSE (Mean Square Error)
20
N
1i
2
ii )OF(N
1MSE (1. 3)
MSE là trung bình của tổng bình phƣơng của hiệu giữa các giá trị mô hình và
quan trắc, phản ánh mức độ dao động của sai số. Mô hình là “lí tƣởng” nếu
MSE=0.
d. Sai số bình phƣơng trung bình quân phƣơng (RMSE - Root mean square
Error)
N
1i
2
ii )OF(N
1RMSE
(1. 4)
Sai số bình phƣơng trung bình là một trong những đại lƣợng cơ bản và
thƣờng đƣợc sử dụng phổ biến cho việc đánh giá kết quả của mô hình dự báo số
trị. Ngƣời ta thƣờng hay sử dụng đại lƣợng sai số bình phƣơng trung bình quân
phƣơng (RMSE) biểu thị độ lớn trung bình của sai số. Đặc biệt RMSE rất nhạy
với những giá trị sai số lớn. Do đó nếu RMSE càng gần MAE sai số mô hình
càng ổn định và có thể thực hiện việc hiệu chỉnh sản phẩm mô hình. Giống nhƣ
MAE, RMSE không chỉ ra độ lệch giữa giá trị dự báo và giá trị quan trắc. Giá trị
của RMSE nằm trong khoảng (0,+ ∞).
Khi so sánh MAE và RMSE ta thấy: RMSE ≥ MAE. Còn RMSE = MAE
khi và chỉ khi tất cả các sai số có độ lớn nhƣ nha0u: RMSE = MAE =0.
e. Hệ số tƣơng quan (Correlation coefficient)
N
i
i
N
i
i
N
i
ii
OOFF
OOFF
r
1
2
1
2
1
)()(
))((
(1. 5)
Hệ số tƣơng quan (r) cho phép đánh giá mối quan hệ tuyến tính giữa tập
giá trị dự báo và tập giá trị quan trắc. Giá trị của nó biến thiên trong khoảng -1
đến 1, giá trị hoàn hảo bằng 1. Giá trị tuyệt đối của hệ số tƣơng quan càng lớn
thì mối quan hệ tuyến tính giữa hai biến càng chặt chẽ. Hệ số tƣơng quan dƣơng
phản ánh mối quan hệ cùng chiều (đồng biến), ngƣợc lại, hệ số tƣơng quan âm
biểu thị mối quan hệ ngƣợc chiều (nghịch biến) giữa dự báo và quan trắc.
21
1.2.3. Phương pháp đánh giá đối với dự báo pha
Đánh giá thống kê theo loại (categorical statistics) là loại tiêu chuẩn đánh
giá sự phù hợp giữa sự xảy ra hiện tƣợng dự báo và hiện tƣợng quan trắc tại nút
lƣới.
Các điểm số đánh giá đƣợc dựa vào bảng ngẫu nhiên sau (Damrath, 2002):
Hình 1.4. Sơ đồ biểu diễn các chỉ số phục vụ đánh giá chất lượng dự báo mưa
Hits (H) = dự báo có + quan trắc có
Misses (M) = dự báo không + quan trắc có
False alarms (F) = dự báo có + quan trắc không
Correct negatives (CN) = dự báo không + quan trắc không
Dƣới đây là một vài điểm số thƣờng dùng trong đánh giá dự báo mƣa định
lƣợng ở trên thế giới:
a. Chỉ số FBI (BS hay FBI - Bias score): Đánh giá tỷ số giữa vùng dự báo và
vùng thám sát.
FBI < 1: vùng dự báo nhỏ hơn vùng thám sát
FBI > 1: vùng dự báo lớn hơn vùng thám sát
FBI = 1: vùng dự báo trùng với vùng thám sát (giá trị lý tƣởng)
MH
FHFBI
FBI là tỉ lệ giữa số lần có xảy ra hiện tƣợng theo mô hình và
theo quan trắc. Giá trị FBI biến đổi trong khoảng từ 0 đến +∞.
(1. 6)
22
FBI càng nhỏ hơn 1 mô hình cho kết quả càng sai sót nhiều; FBI
càng lớn hơn 1 mô hình cho kết quả càng sai khống nhiều. Đại lƣợng
FBI chỉ cho biết mức độ phù hợp giữa mô hình và quan trắc về tần số
xuất hiện nhƣng không phản ánh độ chính xác của mô hình.
b. Xác suất phát hiện (Probability of Detection - POD)
MH
HPOD
(1. 7)
POD đƣợc hiểu là xác suất xuất hiện hiện tƣợng, bằng tỷ số giữa số lần
trùng khớp giữa mô hình và quan trắc khi hiện tƣợng có xuất hiện (hits) và tổng
số lần xuất hiện hiện tƣợng trong thực tế. POD cho biết khả năng thành công của
mô hình, có giá trị trong khoảng từ 0 đến 1, lý tƣởng là POD = 1 (mô hình đƣợc
xem là hoàn hảo). POD càng gần 1 thì độ chính xác của mô hình càng cao. POD
chỉ nhạy đối với những hiện tƣợng không dự báo đƣợc (misses events) chứ
không nhạy đối với phát hiện sai (false alarms).
c. Tỷ phần phát hiện sai (False Alarms Ratio - FAR)
FH
FFAR
(1. 8)
FAR cho biết tỷ lệ mô phỏng/dự báo khống của mô hình (mô hình cho kết
quả có nhƣng thực tế hiện tƣợng không xảy ra). Giá trị của FAR biến đổi từ 0
cho đến 1. FAR=0 khi F=0, tức tỷ lệ khống của mô hình bằng 0. Giá trị của FAR
càng gần 0 thì mô hình càng tốt (tối ƣu). Ngƣợc lại, FAR càng tiệm cận tới 1
(tƣơng đƣơng với H tiến gần tới không) thì mô hình càng kém.
d. Điểm số thành công (Critical Success Index – CSI hay Threat Score – TS)
HFM
HTSCSI
(1. 9)
TS phản ánh mối quan hệ giữa số lần mô hình cho kết quả hiện tƣợng có
xuất hiện và số lần quan trắc đƣợc hiện tƣợng có xuất hiện. Nó có thể đƣợc xem
nhƣ thƣớc đo độ chính xác của mô hình khi bỏ qua không xem xét những trƣờng
hợp hiện tƣợng không xuất hiện. Phạm vi biến thiên của TS từ 0 đến 1. TS=0
nghĩa là mô hình không có kỹ năng, TS=1 – mô hình là hoàn hảo.
23
e. Điểm số thành công hợp lý (Equitable Threat Score – ETS)
ETS có giá trị tốt nhất là 1.
random
random
HHFM
HHETS
(1. 10)
trong đó Hrandom là số dự báo đúng ngẫu nhiên xác định nhƣ sau
total
)MH(*)FH(Hrandom
(1. 11)
ETS cho biết mối quan hệ giữa số lần mô hình đúng (kể cả đúng do ngẫu
nhiên) so với quan trắc trong những trƣờng hợp hiện tƣợng có xuất hiện trong
thực tế. Phạm vi biến thiên của ETS là 1/3 đến 1. ETS=1 – mô hình là hoàn hảo.
Chỉ số ETS thƣờng đƣợc dùng trong đánh giá dự báo mƣa của mô hình số vì
tính “công bằng” của nó. Chỉ số này rất nhạy cảm với các dự báo đúng, vì nó xử
lý “F” và “M” theo cùng một cách, không phân biệt nguồn gốc của sai số dự
báo.
f. Điểm số so le (Odds Ratio)
F*M
CN*HOR
(1. 12)
g. Điểm số Hanssen & Kuipers (HK hay TSS)
CNF
F
MH
HTSSHK
(1. 13)
TSS phản ánh mức độ tách biệt giữa những kết quả của mô hình đối với các sự
kiện có xảy ra và không xảy ra hiện tƣợng. Giá trị của TSS nằm trong khoảng -1
đến 1. TSS=0 là mô hình không có kỹ năng, TSS=1 thì mô hình là hoàn hảo.
h. Độ chính xác (Percentage Correct – PC hay Fraction Correct - FC)
total
CNHPC
(1. 14)
FC phản ánh tỷ lệ trùng khớp giữa kết quả của mô hình và quan trắc trong
cả hai pha có và không xuất hiện hiện tƣợng. Giá trị của PC biến đổi trong
khoảng từ 0 đến 1. Nếu mô hình là hoàn hảo, tức kết quả mô hình trùng khớp
hoàn toàn với quan trắc thì PC bằng 1, ngƣợc lại, PC sẽ bằng 0 nếu tất cả mọi
trƣờng hợp kết quả của mô hình đều ngƣợc với quan trắc. PC càng lớn độ chính
xác mô phỏng, dự báo của mô hình càng cao.
24
1.3. Cơ sở lý thuyết của phƣơng pháp đánh giá fuzzy
Những dự báo có độ phân giải cao của các mô hình số trị có thể khá chính
xác và cung cấp cho dự báo viên những thông tin rất hữu ích. Tuy nhiên, khi
đánh giá sử dụng các phƣơng pháp truyền thống chúng lại thƣờng có kết quả
không tốt bởi vì rất khó khăn trong việc dự báo trùng khớp hoàn toàn với quan
trắc ở độ phân giải cao. Đánh giá “fuzzy” tiến tới trùng khớp bằng cách làm
giảm yêu cầu về mức độ chính xác giữa dự báo và quan trắc. Mấu chốt của cách
tiếp cận fuzzy là việc sử dụng một cửa sổ không gian (spatial window) hoặc
vùng lân cận các điểm dự báo và/hoặc quan trắc. Việc xử lý số liệu trong cửa sổ
có thể bao gồm trung bình (nâng qui mô) hoặc ngƣỡng phụ thuộc vào phƣơng
pháp fuzzy đặc biệt đƣợc sử dụng và mô hình giải quyết ẩn nó liên quan tới việc
làm thế nào để có một dự báo tốt. Kích thƣớc của vùng lân cận có thể đƣợc thay
đổi để cung cấp các kết quả đánh giá ở nhiều kích thƣớc, do đó cho phép ngƣời
sử dụng xác định tại kích thƣớc nào thì dự báo có kỹ năng tốt.
Phƣơng pháp đánh giá fuzzy cho phép vùng dự báo có thể không thật
trùng khớp với vùng thám sát. Mức chênh lệch cho phép đƣợc xác định bởi một
vùng lân cận địa phƣơng. Sự khác nhau giữa phƣơng pháp đánh giá truyền thống
và phƣơng pháp đánh giá fuzzy đƣợc thể hiện trong Hình 1.5.
Không phải dễ dàng chỉ ngay ra đƣợc kích thƣớc vùng lân cận thích hợp.
Nó còn phụ thuộc vào khoảng cách giữa các ô lƣới, độ phân giải thời gian, và
trạng thái thời tiết, vì vậy một giá trị đơn lẻ có thể không thích hợp cho tất cả
các loại dự báo cũng nhƣ các miền tính.
Phƣơng pháp đánh giá fuzzy giải quyết đƣợc điều này bằng cách thay đổi
kích thƣớc của miền lân cận, bởi vậy nó đem lại các thông tin cho chất lƣợng dự
báo nhƣ là một hàm của quy mô.
a. Quan trắc b. Dự báo
(Đánh giá truyền thống)
c. Dự báo
(Đánh giá fuzzy)
Hình 1.5. a. Miền quan trắc; b. Đánh giá truyền thống (phải tương thích cả về không
gian và thời gian giữa dự báo và quan trắc); c. Đánh giá bằng phương pháp fuzzy
(vùng dự báo tính đến cả miền lân cận quanh điểm quan trắc).
25
Một số phƣơng pháp đánh giá fuzzy giả định rằng các ô lƣới lân cận của
vùng quan trắc cũng đƣợc mở rộng tƣơng ứng nhƣ vùng dự báo. Đây là một
trong những cách thể hiện sự không chắc chắn trong quan trắc. Trƣờng hợp này
đƣợc thể hiện trong hình 1.6, đƣợc gọi là vùng quan trắc – vùng dự báo.
a. Quan trắc
(Đánh giá fuzzy)
b. Dự báo
(Đánh giá fuzzy)
Hình 1.6. Cửa sổ quan trắc và dự báo của phương pháp đánh giá fuzzy
Để mô tả kỹ phƣơng pháp đánh giá fuzzy, một số các ký hiệu đƣợc thiết
lập nhƣ sau:
Gọi X là giá trị quan trắc trong một ô lƣới, Y là giá trị dự báo trong ô lƣới
tƣơng ứng. s biểu thị giá trị các ô lƣới xung quanh điểm lƣới đang xét, trong đó
s là quy mô lƣới. ) ( biểu thị giá trị trung bình toàn miền tính.
Ix cho biết sự kiện quan trắc đƣợc trong hộp lƣới (có xảy ra = 1, không
xảy ra = 0), và Iy cho biết sự kiện dự báo đƣợc trong hộp lƣới tƣơng ứng. sxI và
syI biểu thị các sự kiện quan trắc và dự báo trong vùng lân cận các hộp lƣới
đang xét. Việc quyết định sử dụng phƣơng pháp nào để xác định sự kiện trong
vùng lân cận sI phụ thuộc vào từng phƣơng pháp đánh giá fuzzy đang đƣợc sử
dụng, nhƣ chúng ta sẽ xét đến dƣới đây. Một số phƣơng pháp đòi hỏi sI phải
đƣợc tách riêng, ví dụ nhƣ 0 hoặc 1, trong khi đó các phƣơng pháp khác cho
phép sử dụng các giá trị trung gian.
Ký hiệu sxP là thành phần của hộp lƣới tại vùng lân cận quan trắc và
syP là thành phần của hộp lƣới tại vùng lân cận dự báo:
26
n
ysy
n
xsx In
PIn
P11
,
trong đó n là số ô lƣới trong vùng dự báo.
Bằng cách so sánh dự báo với các sự kiện quan trắc ta có thể tính đƣợc sai
số quy mô phụ thuộc sE dựa trên một so sánh các giá trị trong ô lƣới
sX và
sY trong vùng lân cận.
Phƣơng pháp đánh giá fuzzy khá đơn giản: Chọn một tập hợp các quy mô
với các chỉ số: s = 1, 2, …., S và ngƣỡng cƣờng độ sự kiện với các chỉ số k = 1,
2, ..., K, thông qua đó để tính toán các kết quả đánh giá fuzzy.
a. Đối với mỗi quy mô s: Với mỗi điểm thám sát, thu thập các ô lƣới dự
báo trong cửa sổ quy mô s xung quanh điểm thám sát đó. Nếu trƣờng hợp là
“vùng thám sát – vùng dự báo” thì cũng thu thập những thám sát tƣơng ứng
trong cửa sổ tƣơng ứng.
b. Đối với mỗi ngƣỡng cƣờng độ k quy mô tính toán ( sxI , syI , sxP ,
syP , sE )k phụ thuộc vào việc lựa chọn các biến của mô hình (đƣợc đề cập
dƣới đây).
c. Đối với mỗi ngƣỡng cƣờng độ k có một điểm số đại diện cho toàn
miền.
Mỗi phƣơng pháp đánh giá fuzzy cho kết quả là một ma trận (k x s) các
điểm số đánh giá đối với các điểm số thay đổi tùy thuộc vào quy mô (s) và
cƣờng độ (k).
Bằng cách kiểm tra việc thực hiện dự báo theo cách này có thể quyết định
đƣợc sự kết hợp quy mô, cƣờng độ tại dự báo với độ phân giải cao hữu ích. Kết
quả đánh giá fuzzy có thể đƣợc tập hợp theo dự báo tháng, dự báo mùa, hoặc các
hiện tƣợng thời tiết tƣơng tự để tìm ra quy luật có tính hệ thống.
a. Các phương pháp đánh giá fuzzy đặc trưng
Tất cả các phƣơng pháp đều sử dụng một trong hai loại đã đƣợc đề cập
đến ở trên là: “một điểm quan trắc – một vùng dự báo”, và “một vùng quan trắc
– một vùng dự báo”. Tùy vào từng nhu cầu cụ thể về thông tin chất lƣợng dự
báo mà ngƣời dùng có thể lựa chọn phƣơng pháp phù hợp.
27
a. Nâng quy mô (Upscaling):
Là một trong những phƣơng pháp đánh giá đơn giản và xuất hiện sớm
nhất. Các giá trị dự báo và quan trắc đƣợc lấy trung bình theo các quy mô tăng
dần và đƣợc đem so sánh bằng cách sử dụng các điểm số truyền thống. Mô hình
đƣa ra một dự báo có chất lƣợng thì tƣơng thích với quan trắc khi lấy trung bình
trong các quy mô lƣới thô. Yates và Cộng sự (CS) (2006) sử dụng cả các biến
liên tục và các biến pha để đánh giá dự báo nâng quy mô, trong khi Zepeda-Arce
và CS(2000) và Weygandt cùng CS (2004) đánh giá dự báo mƣa bằng cách sử
dụng các điểm số truyền thống. Trong trƣờng hợp này quy tắc để tính toán các
hiện tƣợng trong vùng lân cận là:
NguongY1
NguongY0 I
s
s
sy
Tƣơng tự đối với sxI .
b. Độ phủ tối thiểu (Minimum coverage)
Damrath (2004) giả định rằng trong các vùng lân cận sự kiện quan trắc và
dự báo không có độ nhọn, tức là các hiện tƣợng có thể xảy ra ở bất cứ đâu trong
vùng lân cận đó, với xác suất tƣơng ứng là sxP và syP . Ông đã thử nghiệm
với hai mô hình cơ bản. Đầu tiên, thiết lập một độ phủ tiêu chuẩn tối thiểu, dự
báo tốt nếu nhƣ các hiện tƣợng đƣợc dự báo vƣợt quá một xác suất phủ tối thiểu
của vùng dự báo đã chọn, hiện tƣợng xảy ra trong vùng lân cận đƣợc xác định
nhƣ sau:
es
es
sPP1
PP0 I
Trong đó Pe là giá trị nhỏ nhất trong vùng lân cận, giá trị đó phải nằm
trong các hộp lƣới của cả dự báo và quan trắc. Yêu cầu đặt ra là hiện tƣợng phải
xảy ra ít nhất một lần trong vùng lân cận đó. Một số ứng dụng đòi hỏi các hiện
tƣởng phải xảy ra trong nửa vùng lân cận trƣớc khi thiết lập sI = 1. Các điểm số
dự báo xác suất thƣờng dùng là xác suất phát hiện POD, tỉ lệ báo động sai FAR,
điểm cảnh báo ETS đƣợc tính cho các hiện tƣợng xảy ra trong vùng lân cận.
c. Fuzzy lôgic (Fuzzy logic)
28
Phƣơng pháp lôgic đƣợc Damrath (2004) xác định các hiện tƣợng xảy ra
trong vùng lân cận nhƣ xác suất của chính các thành phần trong hộp lƣới:
ss PI
sI nằm trong khoảng từ 0 đến 1. Một dự báo có thể chính xác hoặc không
cũng giống nhƣ trƣờng hợp quan trắc. Khả năng này đƣợc gọi là “có độ tin cậy”.
Phƣơng pháp này có thể chỉ ra dự báo chuẩn và dự báo sai cùng một lúc.
Thích hợp cho các mô hình có dự báo chính xác nhiều hơn dự báo sai. Nguyên
tắc của phƣơng pháp này đƣợc đƣa ra bởi Zimmerman (2001), các yếu tố trong
bảng tổng hợp đƣợc xác định bởi trọng số nhỏ nhất hỗ trợ cho các nguyên tắc
đối với dự báo đúng, dự báo khống, tỉ lệ báo động sai, và khả năng loại trừ đúng.
Nhƣợc điểm của phƣơng pháp này là các yếu tố trong bảng khó có thể thể lên
đến 1 đƣợc.
Quan trắc
sxP 1- sxP
Dự báo syP Min( sxP ,
syP ) Min(1- sxP ,syP )
1-syP Min( sxP ,1-
syP ) Min(1- sxP ,1-syP )
Vì vậy, Ebert (2002) đã cải tiến phƣơng pháp này bằng cách dùng các xác
suất đồng thời để xác định các yếu tố trong bảng:
Quan trắc
sxP 1- sxP
Dự báo syP
sxPsyP (1- sxP )
syP
1-syP sxP (1-
syP ) (1- sxP )(1-syP )
Các điểm số trong bảng này đƣợc tính từ các yếu tố trong bảng phía trên
d. Bảng liên hợp các sự kiện (Multi-event contingency table)
Atger (2001) đã đƣa ra một bảng liên hợp các sự kiện để ƣớc lƣợng sự
phù hợp giữa dự báo và quan trắc cho nhiều ngƣỡng đã định. Bảng liên hợp
truyền thống 2x2 chỉ sử dụng cho một sự kiện đơn lẻ, các giá trị của biến không
vƣợt quá một ngƣỡng nhất định. Bảng này không những có thể mở rộng các
ngƣỡng cƣờng độ mà còn có thể tăng kích thƣớc, ví dụ nhƣ kích thƣớc về không
29
gian, thời gian. Bất kỳ một thành phần lân cận nào syI cũng có thể đƣợc xác
định theo nguyên tắc.
es
es
syPP
PPI
1
0
Với Pe=1/n, tức là bắt buộc phải có ít nhật một sự kiện xảy ra trong hộp
lƣới dự báo, tƣơng ứng với sự kiện quan trắc đƣợc ở tâm của cửa sổ quan trắc.
“Một dự báo tốt là dự báo có ít nhất một sự kiện gần với sự kiện quan trắc
đƣợc”. Điều này cho thấy sai số dự báo là chấp nhận đƣợc.
e. Cường độ - quy mô (Intensity-scale)
Phƣơng pháp này đƣợc đề xuất bởi Casati (2004), quy mô phụ thuộc vào
hiệu sai số, Iy - Ix, sử dụng mảng hai chiều. Hiệu sai số sxy II tại mỗi quy mô
có thể coi nhƣ là tổng sai số trung bình tại quy mô lớn nhất và thay đổi tùy vào
tính chất đặc trƣng của quy mô đó. Các giá trị bình phƣơng trung bình đƣợc tính
theo miền và phụ thuộc vào điểm kỹ năng (ss) có tính đến dự báo ngẫu nhiên
không có kỹ năng. Trƣờng hợp này một dự báo tốt là dự báo đúng nhiều hơn là
quan trắc sắp xếp ngẫu nhiên. Phƣơng pháp này không giống với các phƣơng
pháp khác, phƣơng pháp này sử dụng cửa sổ rời rạc hơn là các cửa sổ động,
chính vì vậy phƣơng pháp này đƣợc thực hiện khá nhanh.
f. Điểm kỹ năng phần tử (Fractions skill score - FBS).
Phƣơng pháp này đƣợc phát triển bởi Roberts (2005), so sánh trực tiếp các
phần tử trong sự kiện trong các cửa sổ bao quanh vùng quan trắc và dự báo.
Nguyên tắc cơ bản của mô hình là một dự báo tốt khi tần suất các sự kiện dự báo
gần trùng với tần suất các sự kiện quan trắc. Thay vì suy luận từ các tần suất
xuất hiện sự kiện các vùng lân cận, chúng đƣợc sử dụng trực tiếp để so sánh các
điểm số Brier, nhƣ sau:
N
sxsy PPN
2)(1
FBS
Trong đó N là số các ô lƣới trong cửa sổ. FBS là một trong những trƣờng
hợp (bằng một nửa) của điểm số Brier nhƣng giá trị quan trắc lúc này chỉ nhận
giá trị từ 0 đến 1. Kết quả có thể đƣợc biểu diễn nhƣ là một điểm số kỹ năng các
phần tử
30
N N
sxsy PPN
221
FBS1FSS
Số hạng thứ hai trong mẫu số là khả năng dự báo kém nhất để không có
sự chồng chéo giữa dự báo và quan trắc. FSS nhận giá trị trong khoảng từ 0 đến
1, giá trị tối ƣu bằng 1. Nếu độ lệch dự báo là sxsy PbP thì FSS tiến dần tới
2b/(b2-1) khi quy mô tăng lên.
g. Phương pháp tiếp cận thực tế (Pragmatic approach)
Phƣơng pháp này sử dụng các dự báo trƣớc trong một vùng lân cận các
điểm quan trắc. Thay vì đánh giá xác suất dự báo trong các ô lân cận dựa trên
các quan trắc, trong miền lân cận đƣợc chọn để đánh giá dựa trên các giá trị
quan trắc ở trung tâm hộp lƣới. Phƣơng pháp này sử dụng điểm Brier (BS) và
điểm kỹ năng Brier (BSS) để đánh giá các dự báo thành công. Quyết định tới mô
hình: Một dự báo tốt là dự báo có khả năng cao phát hiện sự kiện có xảy ra hay
không. Để xác định mức độ phát triển của dự báo thực tiễn nó đƣợc đem so sánh
với đầu ra của mô hình, BSS đƣợc đối chiếu với đầu ra của mô hình mà có xác
suất bằng 0 hoặc 1 tại điểm quan trắc. Để áp dụng, thay vì tính toán BSS với lƣu
ý đến khí hậu tiêu biểu trong toàn miền quan trắc.
N
xx
N
xsy
IPN
IPN
2
2
)(1
)(1
1BSS
h. Phương pháp thực nghiệm hoàn hảo (Practically perfect hindcast)
Brooks (1998) đã phát triển một phƣơng pháp đánh giá fuzzy để giải
quyết vấn đề đánh giá các sự kiện hiếm. Rất khó khăn nếu không nói là không
thể để đạt đƣợc một dự báo hoàn hảo cho các sự kiện hiếm hoi, do đó, điểm số
nhƣ số điểm cảnh báo (TS) thƣờng có giá trị rất thấp. Mục đích đƣa ra các điểm
số đánh giá trong trƣờng hợp này là so sánh nó với số điểm đạt đƣợc bằng một
"thực nghiệm hoàn hảo", đó là dự báo không gian đã đƣợc xác định bởi một kiến
thức dự báo hoàn hảo của dự báo viên về các quan trắc trƣớc đó .
Nếu quan trắc trên một mạng lƣới có độ phân giải cao (ví dụ, dữ liệu
radar) thì xác suất sxP có thể đƣợc ƣớc lƣợng từ quan trắc trong các vị trí lân
cận. Đối với mỗi quy mô nhất định, các ngƣỡng xác suất đƣợc xác định nhƣ sau:
31
threshs
threshs
sPP
PPI
1
0
Ngƣỡng xác suất đƣợc đƣa ra là giá trị điểm cảnh báo TS lớn nhất trên
toàn miền khi sxI đƣợc đánh giá dựa trên việc xác định Ix tƣơng ứng đƣợc định
nghĩa là vùng mƣa sát thực. Sử dụng ngƣỡng dự báo xác suất syI đƣợc tính và
đánh giá với Ix tƣơng ứng.
i. Căn bậc hai có điều kiện của RPS (Conditional square root of RPS)
Germann và Zawadzki (2004) áp dụng phƣơng pháp một điểm quan trắc –
một vùng dự báo để đánh giá lƣợng mƣa. Tần suất xuất hiện của các giá trị dự
báo giáng thủy tăng theo hàm lôga thời gian, đƣợc dùng để phân cấp các điểm số
xác suất (RPS). Căn bậc hai của nó có thể đƣợc hiểu nhƣ là độ lệch chuẩn của
xác suất. Thông thƣờng mƣa quan trắc đƣợc dùng để đánh giá kết quả để so sánh
với các sự kiện khác của dự báo. Điểm số này là căn bậc hai của RPS (ký hiệu là
CSRR)
0
CSRRxP
RPS
Trong trƣờng hợp này, dự báo rất hữu ích nếu nó có một xác suất cao phù
hợp với giá trị quan sát.
j. Vùng liên đới RMSE (Area related RMSE)
Rezacova et al. (2006) đề xuất, cách tiếp cận của phƣơng pháp này là so
sánh các giá trị dự báo lƣới phân giải cao và quan trắc trong vùng lân cận để đƣa
ra sai số quy mô phụ thuộc vào quan trắc sE . Dự báo tốt là dự báo có độ phân
bố cƣờng độ gần đúng với thám sát. Phƣơng pháp này tính toán diện tích liên
quan đến sai số bình phƣơng trung bình RMSE. Các giá trị quan trắc và dự báo
đƣợc sắp xếp từ nhỏ đến lớn sau đó RMSE đƣợc tính từ chuỗi số liệu đƣợc sắp
xếp đó. Quy mô phụ thuộc vào giá trị RMSE có thể đƣợc vẽ trên bản đồ hoặc
chúng có thể đƣợc tổng hợp trên các miền.
k. Tóm tắt các phương pháp đánh giá fuzzy phổ biến
Tùy vào từng nhu cầu cụ thể về thông tin chất lƣợng dự báo mà ngƣời
dùng có thể lựa chọn phƣơng pháp phù hợp.
NO-NF: Vùng lân cận quan trắc – vùng lân cận dự báo
32
SF-NF: Một điểm quan trắc – vùng dự báo lân cận
Bảng 1.1. Bảng tóm tắt các phƣơng pháp đánh giá fuzzy phổ biến
Phƣơng pháp
Fuzzy
Loại
dự báo
Xác định mô
hình dự báo
Đại
lƣợng so
sánh
Nguyên tắc xác định
sI
Chỉ số
truyền
thống
Nâng quy mô
(uspcaling)
NO-NF
Tƣơng tự với
quan trắc khi
tính trung bình
các quy mô lƣới
thô
sxI ,
syI thresholdY1
thresholdY0 I
s
s
s
BIAS,
TS,
ETS
Độ phủ tối thiểu
(Minimum
coverage) NO-NF
Dự báo các hiện
tƣợng vƣợt quá
một phần tử nhỏ
nhất của vùng
đang xét
sxI ,
syI es
es
sPP
PPI
1
0
POD,
FAR,
ETS
Fuzzy lôgic (Fuzzy
logic) NO-NF
Thích hợp cho
các dự báo
chuẩn hơn là các
dự báo sai
sxI ,
syI ss PI
POD,
FAR,
ETS
Bảng liên hợp các sự
kiện (Multi-event
contingency table)
SO-NF
Dự báo đƣợc ít
nhất một hiện
tƣợng tƣơng
thích với một
hiện tƣợng quan
trắc đƣợc
Ix , syI es
es
sPP
PPI
1
0
ROC,
V
Cƣờng độ - quy mô
(Intensity-scale) NO-NF
Có kết cấu chính
xác hơn so với
các quan trắc
đƣợc xắp xếp
ngẫu nhiên
Ix , Iy --- SS
Điểm kỹ năng phần
tử (Fractions skill
score - FBS).
NO-NF
Có sự đồng nhất
về tần suất xuất
hiện các hiện
tƣợng dự báo và
quan trắc đƣợc
sxP ,
syP ---
FSS
(liên
quan
đến 1
chủ đề)
Phƣơng pháp tiếp
cận thực tế
(Pragmatic
approach)
SO-NF
Xác suất phát
hiện cao các
hiện tƣợng xảy
ra hay không
xảy ra
Ix , syP --- BS,
BSS
Phƣơng pháp thực
nghiệm hoàn hảo
(Practically perfect
hindcast) SO-NF
Một cách gần
đúng là những
kiến thức hoàn
hảo của ngƣời
làm dự báo đƣợc
quy làm thám
sát trƣớc đó
Ix , syI
Iy , sxI optimalss
optimalss
s PP
PPI
,
,
1
0
TSx,
TSy
Căn bậc hai có điều
kiện (Conditional
square root of RPS)
SO-NF
Xác suất phát
hiện cao tƣơng
ứng với các giá
trị thám sát
Ix , syP ---
CSRR
(liên
quan
đến
33
Phƣơng pháp
Fuzzy
Loại
dự báo
Xác định mô
hình dự báo
Đại
lƣợng so
sánh
Nguyên tắc xác định
sI
Chỉ số
truyền
thống
một
chủ đề)
Vùng liên đới
RMSE (Area related
RMSE)
NO-NF
Phân bố cƣờng
độ gần đúng với
thám sát
Chuỗi X,
Chuỗi Y --- RMSE
b. Ưu điểm của phương pháp đánh giá fuzzy
Thích hợp cho cả biến không liên tục;
Kết quả có thể dễ dàng nhận thấy bằng trực giác;
Có thể sử dụng để so sánh các dự báo với các độ phân giải khác nhau, biết đƣợc
những quy mô nào có kỹ năng để đƣa ra quy mô dự báo hữu ích và đáng tin cậy.
1.4. Tình hình nghiên cứu chung liên quan đến đề tài trên thế giới và tại
Việt Nam
Một số tác giả trên thế giới đã đƣa ra sơ đồ chung đánh giá sản phẩm mô
hình dự báo thời tiết số, nhƣ Henry R.Stanski, Laurence J. Wilson và William R.
Burrows (1990); Murphy, A.H và R.L. Winkler (2004) …
Tuy nhiên tại mỗi quốc gia trên thế giới, các Cơ quan KTTV Quốc gia
đều tự xây dựng cho riêng mình một hệ thống đánh giá mô hình NWP. Theo kết
quả điều tra trên quy mô toàn cầu vào năm 1997 của WMO (tổ chức Khí tƣợng
thế giới), 57% các Cơ quan KTTV quốc gia có hệ thống đánh giá dự báo đƣợc
chính thức dùng trong nghiệp vụ trong đó bao gồm cả đánh giá mô hình NWP.
Tuy nhiên, có sự khác biệt rất lớn về phƣơng thức và bản chất của cách đánh giá
giữa quốc gia này với quốc gia khác vì các phƣơng pháp đánh giá đƣợc sử dụng
hoàn toàn phụ thuộc vào đặc trƣng riêng của từng loại sản phẩm dự báo, yếu tố
dự báo, cách xây dựng phƣơng pháp dự báo, và đôi khi còn do yếu tố chủ quan
của ngƣời xây dựng phƣơng pháp đánh giá dự báo. Trong nhiều năm qua, WMO
đã có những cố gắng để đƣa ra những chuẩn mực thống nhất về đánh giá chất
lƣợng dự báo (bao gồm cả dự báo NWP) cho các cơ quan KTTV Quốc gia
nhƣng vẫn chƣa đạt đƣợc kết quả mong muốn. Bởi vì mỗi quốc gia đều có
những quy định, quy tắc riêng trong đánh giá chất lƣợng dự báo KTTV cho
riêng quốc gia mình, phụ thuộc vào mục đích, yêu cầu, thực trạng công tác quan
trắc đo đạc, công tác dự báo và trình độ khoa học công nghệ dự báo của quốc gia
34
đó.
Tại một số nơi nhƣ Cơ quan khí tƣợng Australia (BOM), dự báo mƣa từ
mô hình NWP đƣợc đánh giá so với lƣợng mƣa quan trắc 24 giờ trên toàn lãnh
thổ; độ phân giải của trƣờng phân tích là 0.25°, và trƣờng phân tích đƣợc quy về
độ phân giải của mô hình. Các chỉ số đánh giá cơ bản là BIAS, RMSE và một số
chỉ số khác áp dụng cho dự báo nhị phân (có/không). Tại Cơ quan Khí tƣợng
Canada (CMC), ngƣời ta sử dụng các chỉ số BIAS và RMSE đối với các yếu tố
nhƣ gió, nhiệt độ, điểm sƣơng, khí áp mặt đất và độ cao địa thế vị; các chỉ số
BIAS và TS cho các ngƣỡng khác nhau đƣợc sử dụng để đánh giá mƣa. Tại
Tổng cục khí tƣợng Trung Quốc (CMA), 400 trạm quan trắc đã đƣợc lựa chọn
kỹ để dùng vào việc đánh giá mƣa từ mô hình NWP. Các sản phẩm dự báo số và
dự báo khách quan đƣợc nội suy về vị trí các trạm này. Các chỉ số đƣợc sử dụng
là BIAS và TS cho 1 số ngƣỡng (0,1; 10; 25; 50 và 100 mm/24 giờ). Tại Cơ
quan khí tƣợng Pháp (Meteo France), ngƣời ta đánh giá các yếu tố mƣa, lƣợng
mây, nhiệt độ và độ ẩm tại 2m, tốc độ gió, hƣớng gió, và cƣờng độ gió giật.
Điểm lƣới gần điểm quan trắc nhất đƣợc sử dụng để đánh giá với các chỉ số
BIAS, RMSE và các chỉ số đánh giá cho dự báo nhị phân. Tại Cơ quan khí
tƣợng Nhật Bản (JMA) chỉ đánh giá mƣa và nhiệt độ. Số liệu quan trắc đƣợc
biến đổi thành một lƣới số liệu đồng nhất độ phân giải 80 km, và số liệu dự báo
đƣợc so sánh với số liệu quan trắc này sử dụng các chỉ số BIAS, TS và ETS. Tại
Cơ quan khí tƣợng Anh (UKMet), MSE đƣợc sử dụng để đánh giá nhiệt độ và
gió, trong khi đó ETS lại đƣợc dùng để đánh giá mƣa, lƣợng mây và tầm nhìn xa
với các ngƣỡng khác nhau. Tại Cơ quan khí tƣợng Mỹ (NWS), chỉ có các yếu tố
nhƣ nhiệt độ, gió, độ ẩm, lƣợng mƣa, trƣờng khí áp, độ cao địa thế vị đƣợc đánh
giá. Các chỉ số đƣợc sử dụng là BIAS, ETS, POD, FAR và Odds ratio.
Tại Việt Nam, kể từ sau khi đƣa vào áp dụng các mô hình dự báo số trị,
cũng đã có một số nghiên cứu về đánh giá chất lƣợng dự báo mô hình số. Tuy
nhiên, các nghiên cứu này mới chỉ dừng lại ở việc đánh giá kỹ năng dự báo một
số yếu tố khí tƣợng bề mặt nhƣ lƣợng mƣa, khí áp và nhiệt độ đối với một số mô
hình đã chạy nghiệp vụ ở Việt Nam. Các nghiên cứu đánh giá này mới chỉ áp
dụng cho một số biến dự báo và một số khu vực nhỏ mà chƣa thực hiện đƣợc
một đánh giá tổng thể theo cả không gian, thời gian cũng nhƣ các hình thế thời
tiết. Đánh giá dự báo mƣa, có tác giả Nguyễn Thị Thanh Bình (2002), Trần
Quang Năng (2009), Nguyễn Văn Bảy (2004). Đánh giá kết quả dự báo nhiệt độ,
35
có tác giả Vũ Anh Tuấn (2003). Đánh giá kết quả trƣờng áp, tác giả Nguyễn Văn
Bảy (2004). Hoàng Đức Cƣờng (2004), Nghiên cứu thử nghiệm áp dụng mô
hình khí tượng động lực quy mô vừa MM5 trong dự báo hạn ngắn ở Việt Nam,
Viện Khoa học Khí tƣợng Thủy văn và Môi trƣờng – Đề tài cấp Nhà nƣớc.
Hoàng Đức Cƣờng (2007), Nghiên cứu thử nghiệm dự bao mưa lớn ở Việt Nam
bằng mô hình MM5, Viện Khoa học Khí tƣợng Thủy văn và Môi trƣờng – Đề tài
cấp Nhà nƣớc; Đỗ Lệ Thủy (2009), Nghiên cứu xây dựng hệ thống dự báo các
yếu tố khí tượng bằng phương pháp thống kê trên sản phẩm mô hình HRM,
Trung tâm Khí tƣợng Thủy văn Quốc gia – Đề tài cấp Nhà nƣớc. Ngoài ra trong
Báo cáo tổng kết đề tài NCKH cấp Bộ tác giả Dƣơng Liên Châu – Nguyễn Viết
Thi (2007) có xây dựng hệ thống chỉ tiêu đánh giá chất lƣợng dự báo Khí tƣợng
Thủy văn.
Hiện nay Cục Khí tƣợng Thủy văn và Biến đổi khí hậu đang thực hiện đề
tài cấp Bộ “Nghiên cứu xây dựng và phát triển hệ thống đánh giá khách quan
các sản phẩm của mô hình dự báo số cho khu vực Việt Nam” nhằm xây dựng
đƣợc hệ thống đánh giá khách quan các sản phẩm dự báo số trị, qua đó tổ chức
đánh giá và so sánh chất lƣợng dự báo của các mô hình dự báo thời tiết số trị
hiện có tại Việt Nam, do thạc sỹ Nguyễn Thị Bình Minh chủ nhiệm đề tài, hoàn
thành trong tháng 12 năm 2011.
36
CHƢƠNG 2. KHÁI QUÁT VỀ CÁC MÔ HÌNH DỰ BÁO THỜI TIẾT SỐ
HRM, MM5 VÀ NGUỒN SỐ LIỆU SỬ DỤNG
2.1. Giới thiệu về mô hình MM5
2.1.1. Giới thiệu mô hình
Mô hình khí tƣợng động lực quy mô vừa thế hệ thứ 5 (MM5) của Trung
tâm Quốc gia Nghiên cứu Khí quyển Mỹ (NCAR) và Trƣờng Đại học Tổng hợp
Pennsylvania Mỹ (PSU) là thế hệ mới nhất trong một loạt các mô hình dự báo
đƣợc Anthes phát triển từ những năm 1970. Qua quá trình thử nghiệm, mô hình đã
đƣợc điều chỉnh và cải tiến nhiều lần nhằm mô phỏng tốt hơn các quá trình vật lý
quy mô vừa và có thể áp dụng đối với nhiều đối tƣợng sử dụng khác nhau. Phiên
bản 3.5 (MM5V3.5) của mô hình ra đời năm 2001 đã đƣợc điều chỉnh, cải tiến
thêm so với các phiên bản trƣớc trong các mảng: Kỹ thuật lồng ghép nhiều mực;
Động lực học bất thuỷ tĩnh; Đồng hoá số liệu 4 chiều; Bổ sung lựa chọn các sơ
đồ tham số hoá vật lý; Kỹ thuật tính toán.
Mô hình MM5 sử dụng hệ thống lƣới lồng (nesting grid) nhằm mô phỏng
tốt hơn các quá trình vật lý có quy mô nhỏ hơn bƣớc lƣới của miền tính ban đầu.
Về lý thuyết, MM5 cho phép lồng ghép tối đa 9 khu vực. Tỷ lệ của độ phân giải
(ĐPG) theo phƣơng ngang của miền tính trong so với miền tính ngoài luôn là
3:1.
Số liệu ban đầu và điều kiện biên phụ thuộc vào thời gian cho mô hình
MM5 đƣợc lấy từ các trƣờng phân tích và dự báo từ mô hình toàn cầu GFS. GFS
là mô hình phổ toàn cầu của Trung tâm dự báo môi trƣờng Mỹ (NCEP-National
Centers for Environmental Predictions).
2.1.2. Cấu trúc mô hình
Các mô đung chính của MM5 gồm:
- Môđun TERRAIN
TERRAIN là mô đun đầu tiên của hệ thống mô hình dự báo MM5, dùng
để nội suy phƣơng ngang các dữ liệu về độ cao địa hình và thảm thực vật (land
use), loại hình bề mặt đất, ranh giới đất – nƣớc,... cho các miền tính. Trƣờng số
liệu đƣa vào ở đây bao gồm:
+ Độ cao địa hình;
37
+ Thảm thực vật hay loại hình sử dụng;
+ Nhiệt độ đất các lớp sát mặt;
+ Độ nhám bề mặt đất.
- Môđun REGRID
Các chƣơng trình trong môđun REGRID dùng để đọc và phân tích số liệu
khí tƣợng ở các mực khí áp theo phƣơng ngang đồng thời nội suy các giá trị
phân tích đƣợc từ lƣới thô ban đầu (lƣới của các mô hình toàn cầu, khu vực mà
số liệu đƣợc lấy làm đầu vào cho MM5) vào lƣới tính của mô hình dựa vào các
phép chiếu bản đồ đã đƣợc định nghĩa trong khi thực hiện tính toán ở môđun
TERRAIN.
- Môđun INTERPF
Chức năng chính của môđun INTERPF là:
+ Nội suy số liệu khí tƣợng theo chiều thẳng đứng vào lƣới mô hình;
+ Bổ sung các trƣờng bề mặt nhƣ khí áp, nhiệt độ không khí;
+ Xử lý mô hình bất thuỷ tĩnh nguyên thuỷ.
- Môđun MM5
MM5 là môđun đƣa ra kết quả dự báo số của mô hình, tất cả các lựa chọn
của mô hình đƣợc MM5 mô phỏng và dự báo.
Phổ ứng dụng của MM5 bao gồm nghiên cứu lý thuyết và ứng dụng.
MM5 cho phép mô phỏng và dự báo thời tiết nói chung, các quá trình quy mô từ
lớn đến vừa nhƣ gió mùa, bão, áp thấp,… Ngoài ra, MM5 cũng cho phép mô
phỏng và dự báo các quá trình quy mô nhỏ hơn (từ 2 đến 200km).
2.1.3. Hệ các phương trình thủy nhiệt động lực của MM5
- Phƣơng trình xu thế khí áp;
- Phƣơng trình xu thế nhiệt độ;
- Các phƣơng trình chuyển động ngang và thẳng đứng;
2.1.4. Điều kiện biên
- Điều kiện biên xung quanh
Để chạy mô hình dự báo thời tiết khu vực yêu cầu phải có điều kiện biên
38
xung quanh. Trong MM5, ở bốn biên xung quanh ta phải xác định các biến nhiệt
độ (T), độ ẩm tƣơng đối (RH), áp suất hoặc độ cao địa thế vị (H), các thành phần
gió ngang (U, V) và có thể cả các trƣờng vật lý vi mô nhƣ là mây nếu cần thiết.
Các giá trị biên có thể lấy từ phân tích trong tƣơng lai, từ mô phỏng của lƣới thô
hơn trƣớc đó (tƣơng tác một chiều) hoặc từ các mô hình dự báo khác (trong dự
báo thời gian thực). Đối với dự báo thời gian thực, giá trị biên thƣờng lấy mô
hình dự báo toàn cầu. Trong các trƣờng hợp nghiên cứu điều kiện biên có thể lấy
từ số liệu phân tích đƣợc tăng cƣờng từ các thám sát bề mặt và cao không.
- Điều kiện biên bức xạ:
Điều kiện biên trên bức xạ đƣợc thiết lập trên cơ sở lí thuyết sau:
+ Áp dụng vào khí quyển thì các quá trình khí quyển có thể mô tả bằng
các phƣơng trình tuyến tính hoá;
+ Tính ổn định tĩnh và dòng trung bình đƣợc coi là hằng số;
+ Hiệu ứng Coriolis đƣợc bỏ qua;
+ Áp dụng đƣợc đối với gần đúng thuỷ tĩnh.
Việc thiết lập RUBC trong các mô hình phổ là tƣơng đối đơn giản, nhƣng
phức tạp hơn đối với những mô hình nút lƣới.
2.1.5. Các quá trình tham số hóa
Tham số hóa các quá trình khí quyển quy mô dƣới lƣới trong MM5 gồm
có:
- Tham số hóa đối lưu: Đƣợc chia làm 03 nhóm chính là thích ứng đối
lƣu, đối lƣu xuyên thủng và sơ đồ dựa trên mô hình mây tích. Hiện nay có nhiều
sơ đồ tham số hóa đối lƣu nhƣ sơ đồ của Manabe và các cộng sự, Betts và
Miller, Arakawa và Shubert, Grell, Frank, và Cohen.
- Tham số hóa các quá trình vi mô trong mây: Vai trò chính của các sơ đồ
vi vật lý mây trong mô hình số trị là: Xử lý các quá trình mây và mƣa quy mô l-
ƣới; Có thể tính toán đến pha băng và tạo hạt đá; Tính toán xu thế nhiệt, các biến
ẩm, và mƣa không phải do đối lƣu; và cung cấp các thông tin và tính chất của
mây cho các sơ đồ bức xạ.
Tham số hóa các quá trình vi mô trong mây gồm có Sơ đồ Simple Ice, Sơ
đồ Mixed-phase và sơ đồ Warm Rain... và một số sơ đồ khác ít phổ biến hơn.
39
- Tham số hóa bức xạ: Gồm có sơ đồ tham số hóa bức xạ sóng dài và
tham số hóa bức xạ sóng ngắn, theo Rodgers (1967).
- Tham số hóa lớp biên hành tinh: Bao gồm phƣơng trình năng lƣợng bề
mặt, Thông lƣợng bức xạ thuần Rn, thông lƣợng hiển nhiệt Hs và thông lƣợng
ẩm Es, sơ đồ tham số hóa khí động lực học (Bulk-aerodynamic), mô hình phân
giải cao của Blackadar, sơ đồ khuếch tán thẳng đứng, Sơ đồ khuếch tán ẩm
thẳng đứng.
- Tham số hóa các quá trình đất – bề mặt: Gồm các sơ đồ:
+ None: Không dự báo nhiệt độ lớp đất bề mặt;
+ Force - Restone (Blackada) scheme: Dùng cho lớp mỏng đơn thuần
ngay trên bề mặt và nhiệt độ của lớp đó;
+ Five - Layer Soil Model: Dự báo nhiệt độ của 5 lớp: 1, 2, 4, 8, 16m;
+ OSU/Eta-Suface Model: Mô hình lớp đất bề mặt có thể dự báo nhiệt độ
và độ ẩm của 4 lớp: 10, 30, 60, 100 cm.
Hình 2.1 là miền tính sử dụng trong luận văn này là miền tính lồng ghép
từ hai miền. Miền tính thứ nhất (miền lớn) giới hạn trong khoảng 5-30ON, 90-
130OE với 65x95 điểm tính và độ phân giải ngang 45km. Về phƣơng đứng 23
mực sigma phân bố không đều từ mặt đất đến mực xấp xỉ 100mb. Miền tính thứ
hai cho Việt Nam (miền nhỏ) đƣợc lồng vào miền tính thứ nhất có độ phân giải
ngang 15km với 127x63 điểm tính. Miền tính này bao trùm lãnh thổ Việt Nam.
Hình 2.1. Sơ đồ lồng ghép hai miền tính cho MM5
40
2.2. Giới thiệu về mô hình HRM
2.2.1. Giới thiệu mô hình
Mô hình dự báo thời tiết khu vực phân giải cao HRM (High resolution
Regional Model) là mô hình thuỷ tĩnh, sử dụng hệ phƣơng trình nguyên thuỷ,
bao gồm đầy đủ các quá trình vật lý nhƣ: Bức xạ, mô hình đất, các quá trình rối
trong lớp biên, tạo mƣa qui mô lƣới, đối lƣu nông và đối lƣu sâu. Mô hình HRM
đƣợc phát triển tại Tổng cục Thời tiết Cộng hòa liên bang Đức (DWD) và đang
đƣợc chạy nghiệp vụ tại nhiều cơ quan khí tƣợng quốc gia nhƣ tại Philipin,
Brazil, Tây Ban Nha, Đức,… Mô hình HRM đƣợc chuyển giao và chạy nghiệm
vụ tại Trung tâm Dự báo Khí tƣợng Thủy văn Trung ƣơng (TTDBTƢ) từ năm
2002 thông qua dự án hợp tác nghiên cứu giữa 3 đơn vị là DWD, Khoa Khí
tƣợng Thủy văn và Hải dƣơng học, Trƣờng Đại học Khoa học Tự nhiên, Đại học
Quốc gia Hà Nội và TTDBTƢ. Số liệu ban đầu và điều kiện biên phụ thuộc vào
thời gian cho mô hình HRM đƣợc lấy từ các trƣờng phân tích và dự báo từ mô
hình toàn cầu (Global Model for Europe - GME) của DWD. Hiện tại, mô hình
HRM đang đƣợc chạy nghiệp vụ tại TTDBTƢ với phiên bản HRM-14km (độ
phân giải ngang là 14km, 40 mực thẳng đứng và bƣớc thời gian là 90 giây) cho 2
phiên dự báo hàng ngày vào 00UTC (7 giờ Việt Nam) và 12UTC (19 giờ Việt
Nam). HRM là mô hình dự báo thời tiết đầu tiên đƣợc triển khai tại Việt Nam và
đã đƣợc cải tiến nhiều lần trong những năm gần đây.
2.2.2. Cấu trúc lưới và phương pháp số
- Lƣới điều hoà hoặc lƣới quay kinh-vĩ;
- Độ phân giải từ 0.250 đến 0.05
0(tƣơng ứng với 28 đến 6 km);
- Sơ đồ sai phân trung tâm bậc hai theo không gian, theo lƣới C-Arakava;
- Hệ toạ độ lai với số mực từ 20 đến 40;
- Sơ đồ tích phân theo thời gian Leap-frog, bán tƣờng minh, có độ chính xác bậc
bốn đƣợc áp dụng để tích phân hệ phƣơng trình dự báo. Bƣớc tích phân theo
thời gian Dt (s) theo công thức CFL (Courant-Friedrichs-Levy) và phụ thuộc vào
bƣớc tích phân theo không gian;
- Cách xử lý biên theo Davies (1976).
2.2.3. Hệ các phương trình cơ bản
41
Hệ phƣơng trình nguyên thuỷ của mô hình bao gồm 6 phƣơng trình dự
báo tƣơng ứng với 6 biến: pS, u, v, T, qV, qC.
- Phƣơng trình xu thế khí áp mặt đất;
- Hai phƣơng trình thành phần gió ngang;
- Phƣơng trình bảo toàn nhiệt;
- Phƣơng trình bảo toàn hơi nƣớc;
- Phƣơng trình bảo toàn nƣớc lỏng trong mây;
Ngoài ra còn có 9 phƣơng trình cảnh báo, đó là: Phƣơng trình tốc độ
thẳng đứng trong toạ độ lai, phƣơng trình trạng thái, phƣơng trình chuyển đổi
giữa động năng và thế năng, phƣơng trình tính tốc độ thẳng đứng trong toạ độ
khí áp, quan hệ tính xoáy thế tuyệt đối, quan hệ tính động năng trên một đơn vị
khối lƣợng, quan hệ tính địa thế vị từ tích phân phƣơng trình thuỷ tĩnh, quan hệ
xác định nhiệt độ ảo và phƣơng trình tính độ ẩm riêng bão hoà.
2.2.4. Các quá trình tham số hóa vật lý
* Sơ đồ tham số hóa đối lưu Tiedtke
Từ năm 1989, Tiedtke đã xây dựng một sơ đồ TSHĐL mây tích dựa trên
cơ sở gần đúng các dòng khối. Ông đã chia động lực của mây tích thành hai
phần, một phần dòng thăng và một phần dòng giáng. Dòng khối trong mây khi
đó là tổng của dòng khối trong dòng thăng và dòng khối trong dòng giáng.
Tiedtke (1989) phân biệt các loại mây đối lƣu nhƣ sau:
- Đối lƣu sâu: hội tụ không khí ở lớp biên trong điều kiện bất ổn định có
khả năng tạo thành dòng thăng lớn để có thể xuyên qua tầng đối lƣu.
- Đối lƣu nông: bên dƣới có phân kỳ nhẹ và chỉ đạt đến độ cao trong tầng
đối lƣu.
- Đối lƣu mực giữa: xuất hiện ở vùng front trong lớp giữa của khí quyển,
chân mây nằm trên lớp biên khí quyển.
* Sơ đồ Heise
Sơ đồ này đƣợc phát triển dựa trên cơ sở lý thuyết của sơ đồ TSHĐL
Tiedtke (1989). Điểm khác biệt duy nhất giữa hai sơ đồ là cách tính thông lƣợng
khối lƣợng dòng thăng tại chân mây cho đối lƣu sâu. Trong sơ đồ Tiedtke, giả
42
thiết khép kín này đƣợc xác định dựa vào hội tụ ẩm qui mô lớn ở mực thấp.
* Sơ đồ Betts-Miller-Janjic
Sơ đồ TSHĐL BMJ đƣợc xây dựng trên nguyên tắc điều chỉnh cấu trúc
nhiệt ẩm đối lƣu mô hình về cấu trúc nhiệt ẩm thám sát thực trong khí quyển
nhiệt đới.
Cấu trúc nhiệt động thám sát trong khí quyển nhiệt đới:
Một trong những mục đích chìa khóa quan trọng của nghiên cứu thám sát
GATE là nghiên cứu đối lƣu sâu có tổ chức rất phức tạp ở nhiệt đới để thử
nghiệm và phát triển các sơ đồ TSHĐL khu vực này trong mô hình số (Betts,
1974). Mục đích đầu tiên của các sơ đồ TSHĐL là phải đảm bảo cho cấu trúc
thẳng đứng của nhiệt và ẩm bị điều khiển mạnh bởi đối lƣu phải gần thực, nghĩa
là gần nhất với thám sát. Ý tƣởng cơ bản về tựa cân bằng giữa trƣờng mây và ép
buộc qui mô lớn đối với đối lƣu nông là của Betts (1973) và đối với đối lƣu sâu
là do Arakawa và Shubert (1974) đƣa ra. Điều đó có nghĩa cấu trúc nhiệt ẩm đặc
trƣng trong các vùng đối lƣu đƣợc minh chứng bởi thám sát. Đây là cơ sở của
quá trình điều chỉnh đối lƣu. Manable & CS (1965) đề xuất phƣơng pháp điều
chỉnh đối lƣu sâu về đoạn nhiệt ẩm trong khi khí quyển nhiệt đới không tiến đến
cân bằng đoạn nhiệt ẩm khi tồn tại đối lƣu sâu. Tất cả đó cho thấy, trên qui mô
lƣới trong mô hình có mặt đối lƣu luôn phải duy trì một cấu trúc thẳng đứng của
nhiệt ẩm thực nhƣ thám sát.
Vấn đề tiếp theo là bằng thám sát làm thế nào minh chứng đƣợc rằng các
chế độ đối lƣu khác nhau có các cấu trúc nhiệt động tựa cân bằng khác nhau để
duy trì đƣợc sự tựa cân bằng giữa mây qui mô dƣới lƣới và các quá trình qui mô
lƣới. Betts (1982) nêu ra một quan điểm lý thuyết từ thám sát (GATE, BOMEX,
ATEX) dựa vào sự thiết lập điểm bão hoà. Từ đó tác giả đã xác định đƣợc một
tập hợp các tham số thích hợp cho đối lƣu sâu và đối lƣu nông trong mô hình
toàn cầu.
2.3. Số liệu
Kết quả dự báo mƣa và nhiệt độ 24h của mô hình MM5 và HRM đƣợc
đánh giá cho toàn Việt Nam và cho từng khu vực Bắc Bộ, Trung Bộ và Nam Bộ
trong các tháng mùa đông (12, 01, 02), các tháng mùa hè (06, 07, 08), và trung
bình toàn chuỗi (gồm cả mùa đông và mùa hè) trong ba năm 2007, 2008, 2009.
Các phân tích đánh giá đƣợc phân chia nhƣ vậy vì đặc điểm địa hình cũng nhƣ
43
đặc điểm thời tiết, khí hậu ở Việt Nam có sự khác biệt rõ rệt giữa các vùng và
trong các mùa khác nhau. Tập số liệu đánh giá đƣợc chia theo không gian và
thời gian nhƣ sau:
+ Toàn Việt Nam: 7.1250N - 27.125
0N; 97.125
0E - 117.125
0E (HRM1: 128
trạm; HRM2 và MM5: 24 trạm)
+ Khu vực Bắc Bộ: 19.50N - 27.125
0N; 97.125
0E - 117.125
0E (HRM1: 65 trạm;
HRM2 và MM5: 12 trạm)
+ Khu vực Trung Bộ: 120N - 19.5
0N; 97.125
0E - 117.125
0E (HRM1: 34 trạm;
HRM2 và MM5: 8 trạm)
+ Khu vực Nam Bộ: 70N - 12
0N; 97.125
0E - 117.125
0E (HRM1: 29 trạm; HRM2
và MM5: 4 trạm)
128 trạm quan trắc
24 trạm quan trắc
Hình 2.2. Các trạm quan trắc trong miền tính
Số liệu thám sát trƣớc khi đánh giá đƣợc kiểm tra theo chỉ dẫn chung của
WMO, gồm kiểm tra các giá trị ngƣỡng và kiểm tra tính phù hợp bên trong tập
số liệu (theo không gian và thời gian). Tuy nhiên trong luận văn này, số liệu
đƣợc dùng là bộ số liệu phát báo nghiệp vụ hàng ngày và đƣợc chỉnh biên, lƣu
trữ tại Trung tâm tƣ liệu Khí tƣợng Thủy văn nên đƣợc xem là có độ tin cậy cao.
Hai đại lƣợng đƣợc lựa chọn để phân tích, đánh giá là sản phẩm dự báo
mƣa tích lũy 24h và nhiệt độ trung bình 24h của mô hình HRM đƣợc chạy
nghiệp vụ hàng ngày tại Trung tâm Khí tƣợng Thủy văn Trung ƣơng với độ
phân giải 14km và của mô hình MM5 đƣợc chạy tại Viện Khoa học Khí tƣợng
## #
## #
# # ##
##
#
#
##
#
#
#
##
##
#
9 8
9 8
1 0 0
1 0 0
1 0 2
1 0 2
1 0 4
1 0 4
1 0 6
1 0 6
1 0 8
1 0 8
1 1 0
1 1 0
1 1 2
1 1 2
1 1 4
1 1 4
1 1 6
1 1 6
1 1 8
1 1 8
1 0 1 0
1 2 1 2
1 4 1 4
1 6 1 6
1 8 1 8
2 0 2 0
2 2 2 2
# ##
### ## #
# ##
##
## # ### #
#### ## #
# ###
#
##
#
#
##
###
###
#
#####
## ##
##
## #
###
#
#
#
##
###
###
#
##
#
##
## #
#
## #
###
#
####
#
## #
#
# ###
#
##
##
#
###
#
##
## ##
#
#
#
####
#
9 8
9 8
1 0 0
1 0 0
1 0 2
1 0 2
1 0 4
1 0 4
1 0 6
1 0 6
1 0 8
1 0 8
1 1 0
1 1 0
1 1 2
1 1 2
1 1 4
1 1 4
1 1 6
1 1 6
1 1 8
1 1 8
1 0 1 0
1 2 1 2
1 4 1 4
1 6 1 6
1 8 1 8
2 0 2 0
2 2 2 2
44
Thủy văn và Môi trƣờng với độ phân giải 15km. Kết quả dự báo trên lƣới của
mô hình đƣợc nội suy về vị trí của các trạm quan trắc.
45
CHƢƠNG 3. KẾT QUẢ ĐÁNH GIÁ NHIỆT ĐỘ VÀ LƢỢNG MƢA CỦA
MÔ HÌNH MM5 VÀ HRM CHO KHU VỰC VIỆT NAM
Lãnh thổ Việt Nam, kéo dài trên 150 vĩ tuyến, nằm trong cùng một đới khí
hậu nhiệt đới gió mùa, đặc trƣng cơ bản là một nền bức xạ - nhiệt độ cao phù
hợp với những chỉ tiêu cơ bản của khí hậu vùng nội chí tuyến, và một sự phân
hóa theo mùa rõ rệt phụ thuộc vào sự thay đổi theo mùa của hoàn lƣu. Tuy
nhiên, tính phức tạp của một cơ chế gió mùa không thuần nhất ở khu vực Đông
Nam Á, đƣợc khơi sâu thêm trong điều kiện địa hình chia cắt của nƣớc ta đã
đem lại những khác biệt rất rõ rệt về khí hậu giữa các vùng miền.
Trong chƣơng này tác giả sẽ trình bày kết quả đánh giá dự báo 24 giờ của
nhiệt độ trung bình ngày và lƣợng mƣa của mô hình HRM và MM5 tại 24 trạm
trên toàn Việt Nam. Riêng mô hình HRM có hai kết quả đánh giá là HRM1 với
128 trạm và HRM2 với 24 trạm cho toàn Việt Nam. Việc đánh giá kết quả HRM
với 2 chuỗi số liệu có độ dài khác nhau giúp ta xem xét đƣợc mức độ ảnh hƣởng
của số trạm đối với các chỉ số đánh giá.
Dƣới đây là những kết quả đánh giá cho các tháng mùa đông (tháng 12, 1,
2), và các tháng mùa hè (6, 7, 8) của ba năm 2007, 2008, 2009 trên toàn Việt
Nam và theo từng khu vực Bắc Bộ, Trung Bộ và Nam Bộ vì các hình thế thời
tiết nói chung và yếu tố mƣa và nhiệt nói riêng trong các mùa và giữa các khu
vực có sự khác biệt rõ rệt.
3.1. Kết quả đánh giá nhiệt độ
Trƣớc khi phân tích các chỉ số, giá trị nhiệt độ trung bình ngày của chuỗi
số liệu tính toán (mùa hè, mùa đông) đƣợc biểu diễn trên các hình từ 3.1 đến 3.2
để có cái nhìn chung nhất về sự phân bố nhiệt độ trên toàn lãnh thổ Việt Nam.
Hình 3.1 biểu diễn nhiệt độ trung bình trong các tháng mùa hè của các
phiên bản mô hình HRM1, HRM2, MM5 và các giá trị quan trắc tƣơng ứng.
Hình vẽ cho thấy mô hình HRM (gồm cả HRM1 và HRM2) nhìn chung có giá
trị nhiệt độ trung bình thấp hơn so với quan trắc. Kết quả của mô hình MM5 ở
khu vực Bắc Bộ và Nam Bộ thƣờng lớn hơn so với quan trắc nhƣng ở khu vực
Trung Bộ lại thể hiện ngƣợc lại.
46
(a)
(b)
(c)
(d)
(e)
Hình 3.1. Nhiệt độ trung bình trong các tháng mùa hè tại các trạm. a) HRM1; b) OBS
(128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm)
Hình 3.2 là giá trị nhiệt độ trung bình trong các tháng mùa đông của mô
hình HRM1, HRM2, MM5 và các trạm quan trắc tƣơng ứng. Hình vẽ cho thấy
mô hình HRM vẫn cho giá trị nhiệt độ trung bình ngày thấp hơn so với quan
trắc. Đối với mô hình MM5, kết quả dự báo ở khu vực Bắc Bộ nhỏ hơn so với
quan trắc tuy nhiên ở khu vực Trung Bộ và Nam Bộ lại có giá trị nhiệt độ trung
bình của mô hình lớn hơn so với quan trắc.
47
(a)
(b)
(c)
(d)
(e)
Hình 3.2. Nhiệt độ trung bình trong các tháng mùa đông tại các trạm. a) HRM1; b)
OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm)
Hình 3.3 là kết quả tính sai số ME của nhiệt độ (0C) cho toàn Việt Nam và
các khu vực Bắc Bộ, Trung Bộ, Nam Bộ trong các tháng mùa đông và mùa hè.
Từ hình vẽ nhận thấy mô hình HRM luôn có ME âm trong các tháng mùa đông,
các tháng mùa hè, cũng nhƣ trung bình toàn chuỗi, giá trị ME bằng khoảng -20C.
Điều này có nghĩa là mô hình HRM thƣờng cho kết quả dự báo nhiệt độ thấp
hơn so với thực tế. Khi đánh giá riêng cho từng khu vực ta thấy ở khu vực Bắc
Bộ và Nam Bộ sai số trong các tháng mùa đông thƣờng lớn hơn sai số trong các
tháng mùa hè, riêng khu vực Trung Bộ lại có xu thế ngƣợc lại. Những sai số lớn
trong thời kỳ mùa đông ở khu vực Bắc Bộ liên quan nhiều đến hoạt động của gió
48
mùa mùa đông gây nên những đợt xâm nhập lạnh trên lãnh thổ nƣớc ta, ảnh
hƣởng mạnh mẽ đến sự biến đổi nhiệt độ nói chung và nhiệt độ tối thấp nói
riêng ở khu vực Bắc Bộ. Đối với khu vực Trung Bộ, hoạt động của gió mùa tây
nam trong các tháng mùa hè gây nên hiện tƣợng thời tiết khô nóng, hệ quả là mô
hình có thể không dự báo tốt đƣợc những giá trị nhiệt độ cao nhất ở đây. Ở khu
vực Nam Bộ thƣờng có sai số lớn là do đây là vùng vĩ độ thấp, gần xích đạo nên
mô hình thủy tĩnh nhƣ HRM chƣa mô tả đƣợc tốt những quá trình xảy ra trong
khí quyển. Giá trị ME của mô hình HRM ở khu vực Bắc Bộ và Trung Bộ cũng
có sự khác biệt nhiều giữa hai chuỗi số liệu (HRM1 và HRM2). Nhìn chung, với
trƣờng hợp độ dài chuỗi số liệu ngắn (HRM2) thƣờng cho sai số nhỏ hơn. Điều
này cho thấy số lƣợng của các trạm tham gia vào quá trình đánh giá cũng ảnh
hƣởng đáng kể đến kết quả đánh giá mô hình.
(a)
(b)
Hình 3.3. Sai số ME của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông
(a) và mùa hè (b)
Kết quả tính ME của mô hình MM5 cho thấy trong các tháng mùa đông
ME âm trên toàn Việt Nam và khu vực Bắc Bộ, ngƣợc lại ME dƣơng ở khu vực
Trung Bộ và Nam Bộ. Trong các tháng mùa hè, mô hình MM5 thƣờng cho dự
báo nhiệt độ cao hơn so với thực tế (ME > 0). Tuy nhiên, xét về giá trị tuyệt đối
thì sai số này không lớn (thƣờng dƣới 1oC) và ít có sự khác biệt hơn giữa các
khu vực. Tính trung bình cho toàn chuỗi số liệu thì MM5 cho dự báo nhiệt độ
cao hơn thực tế trên cả ba khu vực cũng nhƣ toàn Việt Nam, trong đó sai số lớn
nhất ở khu vực Nam Bộ. Điều này cho thấy, mặc dù MM5 là một mô hình phi
thủy tĩnh nhƣng cũng gặp phải những khó khăn trong việc mô tả các quá trình
khí quyển ở vùng vĩ độ thấp.
Nhƣ vậy, xét chung cho toàn chuỗi số liệu ta thấy mô hình HRM dự báo
Mùa đông
-2.794
-1.734
-2.756-2.488
-2.396
-0.621
-2.232
-1.716
0.2880.272
-0.647
-0.2
-3
-2
-1
0
1
2
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
ME
(0
C)
HRM1
HRM2
MM5
Mùa hè
-1.649
-1.987
0.8460.578
-2.097-2.065-2.368
-1.933-2.014 -2.16
0.474
1.166
-3
-2
-1
0
1
2
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
ME
(0C
)
HRM1
HRM2
MM5
49
nhiệt độ thiên thấp khoảng 20C, còn mô hình MM5 dự báo nhiệt độ thiên cao
khoảng dƣới 0,50C. Cả hai mô hình đều có sai số lớn ở khu vực Nam Bộ.
(a)
(b)
Hình 3.4. Sai số MAE của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa đông
(a) và mùa hè (b)
Tƣơng tự, Hình 3.4 và Hình 3.5 biểu diễn giá trị MAE và RMSE của nhiệt
độ cho cả hai mô hình. Giá trị MAE cho biết giá trị tuyệt đối độ lệch của dự báo
khỏi quan trắc và đƣợc dùng để đánh giá sai số trung bình cho các yếu tố khí
tƣợng mà không chú ý đến thiên hƣớng sai số dƣơng hoặc âm. Từ hình vẽ nhận
thấy giá trị MAE của mô hình HRM (gồm cả HRM1 và HRM2) cao hơn rõ rệt
so với giá trị MAE của mô hình MM5. Điều này cho thấy về cơ bản mô hình bất
thủy tĩnh MM5 mô tả đƣợc trạng thái khí quyển chính xác hơn so với mô hình
thủy tĩnh HRM. Giá trị MAE trong các tháng mùa đông của mô hình HRM
thƣờng lớn hơn trong các tháng mùa hè, ngoại trừ khu vực Trung Bộ. Nhìn
chung, sai số của HRM1 thƣờng lớn hơn sai số của HRM2 trong đó khu vực Bắc
Bộ có sai số lớn nhất (MAE_HRM1 = 2,885oC và MAE_HRM2 = 2,398
oC).
Điều này là do trong các tháng mùa đông, hoàn lƣu gió mùa bất ổn định mạnh
và gây nên sự phân hóa rõ rệt về nhiệt độ, đặc biệt ở khu vực Bắc Bộ nơi chịu
ảnh hƣởng mạnh và ít biến tính nhất của khối không khí lạnh. Ngƣợc lại, trong
các tháng mùa hè hoàn lƣu gió mùa gây ra sự biến động lớn chủ yếu trong chế
độ mƣa còn về cơ bản nền nhiệt tƣơng đối ổn định giữa các khu vực do đó giá trị
sai số trong các tháng mùa hè ít có sự khác biệt giữa các khu vực.
Kết quả tính MAE của mô hình MM5 có sự khác biệt ít hơn giữa các khu
vực và giữa các tháng, khu vực Bắc Bộ cũng là nơi có sai số lớn nhất
(MAE_MM5 = 1,818oC). Tƣơng tự nhƣ MAE, RMSE không chỉ ra xu hƣớng
của sai số, tuy nhiên với sai số càng lớn thì trọng số càng lớn và do đó RMSE rất
Mùa đông
2.964
3.338
2.303
2.883
2.167
2.637
1.339
2.397
1.522
1.854
1.2111.07
0
1
2
3
4
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
MA
E (
0C
)
HRM1
HRM2
MM5
Mùa hè
1.827
2.4322.297
2.2272.051
2.2472.0912.133
1.3391.457
1.7651.594
0
1
2
3
4
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
MA
E (
0C
)
HRM1
HRM2
MM5
50
nhạy đối với các sai số lớn của mô hình. Từ hình vẽ cho thấy RMSE của nhiệt
độ của mô hình HRM trong thời kỳ mùa đông ở khu vực Bắc Bộ lớn hơn đáng
kể so với RMSE của các khu vực còn lại và RMSE trong thời kỳ mùa hè. Điều
này cho thấy trong các tháng mùa đông nhiều trạm có kết quả dự báo sai khác
nhiều so với thực tế dẫn đến giá trị RMSE bị khuếch đại lên đáng kể ở khu vực
Bắc Bộ.
Mô hình MM5 cho kết quả RMSE tƣơng đối nhỏ và ít có sự khác biệt
trong cả mùa đông và mùa hè cũng nhƣ giữa các khu vực. Nhƣ vậy, sai số trong
kết quả dự báo nhiệt độ của mô hình MM5 nhìn chung ổn định hơn so với mô
hình HRM.
(a)
(b)
Hình 3.5. Sai số RMSE của nhiệt độ cho toàn Việt Nam và các khu vực trong mùa
đông (a) và mùa hè (b)
Đối với chuỗi số liệu đánh giá dài hơn HRM1 cho giá trị tuyệt đối của
ME chênh lệch rất ít với MAE nên việc hiệu chỉnh đối với HRM1 là có thể thực
hiện đƣợc. Tuy nhiên, với chuỗi số liệu đánh giá ngắn hơn HRM2 có giá trị
tuyệt đối MAE và ME chênh lệch nhau không nhiều, nhƣng RMSE lớn hơn rất
nhiều (toàn Việt Nam và khu vực Bắc Bộ), điều này chứng tỏ ẩn chứa nhiều sai
số lớn khiến cho việc hiệu chỉnh là không đủ tin cậy. Tƣơng tự nhƣ vậy đối với
mô hình MM5, MAE lớn hơn giá trị tuyệt đối của ME khá nhiều nên việc hiểu
chỉnh sai số là mạo hiểm vì các sai số âm và sai số dƣơng đã khử lẫn nhau trong
quá trình tính toán sai số.
Mùa đông
3.392.825
4.0793.637
3.167
2.036
12.351
9.045
1.4081.514
2.4862.062
0
2
4
6
8
10
12
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
RM
SE
(0
C)
HRM1
HRM2
MM5
Mùa hè
2.645 2.719 2.858
2.1682.518 2.4642.669
2.3862.652.981
2.303 2.154
0
2
4
6
8
10
12
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
RM
SE
(0
C)
HRM1
HRM2
MM5
51
(a)
(b)
(c)
(d)
Hình 3.6. Hệ số tương quan nhiệt độ của các mô hình cho toàn Việt Nam (a) và các
khu vực (b, c, d)
Hệ số tƣơng quan cho biết mức độ phù hợp giữa nhiệt độ dự báo và nhiệt
độ quan trắc, đƣợc biểu diễn trên Hình 3.6. Từ hình vẽ nhận thấy hệ số tƣơng
quan nhiệt độ luôn dƣơng trong các trƣờng hợp và tƣơng đối cao, thể hiện mối
quan hệ đồng biến giữa dự báo và quan trắc. Xét một cách chung nhất cho cả hai
mô hình thì hệ số tƣơng quan khu vực Nam Bộ có giá trị lớn nhất, và nhỏ nhất ở
khu vực Bắc Bộ. Hệ số tƣơng quan của mô hình HRM các tháng mùa hè lớn hơn
các tháng mùa đông (Chênh lệch ít nhất là khu vực Nam Bộ: R_hè = 0.869,
R_đông = 0.838). Mô hình MM5 thể hiện ngƣợc lại, hệ số tƣơng quan mùa đông
lớn hơn mùa hè (Chênh lệch lớn nhất là khu vực Trung Bộ, R_hè = 0.734,
R_đông = 0.893). Điều này cũng phù hợp với kết quả tính toán chỉ số RMSE vì
hệ số tƣơng quan rất nhạy với những giá trị sai số lớn, tản mạn. RMSE của hô
hình HRM trong những tháng mùa đông lớn hơn trong các tháng mùa hè, và
RMSE của mô hình MM5 các tháng mùa đông nhỏ hơn các tháng mùa hè.
3.2. Kết quả đánh giá lƣợng mƣa
Tƣơng tự nhƣ nhiệt độ, trƣớc khi phân tích chi tiết các sai số của trƣờng
mƣa, giá trị lƣợng mƣa trung bình ngày của các chuỗi số liệu đánh giá (mùa
đông và mùa hè) đƣợc biểu diễn để có cái nhìn chung nhất về sự phân bố của
lƣợng mƣa theo thời gian và theo không gian.
0.866 0.804
0.472
0.9060.923
0.793
0
0.2
0.4
0.6
0.8
1
Mùa Đông Mùa Hè
Việt Nam
HRM1
HRM2
MM5
0.758 0.774
0.297
0.8830.856
0.731
0
0.2
0.4
0.6
0.8
1
Mùa Đông Mùa Hè
Bắc Bộ
HRM1
HRM2
MM5
0.785 0.7970.833 0.8490.893
0.734
0
0.2
0.4
0.6
0.8
1
Mùa Đông Mùa Hè
Trung Bộ
HRM1 HRM2
0.838 0.8690.905 0.9290.9610.877
0
0.2
0.4
0.6
0.8
1
Mùa Đông Mùa Hè
Nam Bộ
HRM1
HRM2
MM5
52
(a)
(b)
(c)
(d)
(e)
Hình 3.7. Giá trị trung bình mưa tích lũy 24 giờ trong các tháng mùa hè. a) HRM1; b)
OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm)
Hình 3.7 là giá trị lƣợng mƣa tích lũy 24h trong các tháng mùa hè của mô
hình HRM, MM5 và các trạm quan trắc tƣơng ứng. Hình vẽ cho thấy mô hình
HRM (gồm cả HRM1 và HRM2) đều cho giá trị lƣợng mƣa ngày lớn hơn so với
quan trắc trong khi đó kết quả dự báo của mô hình MM5 thƣờng cho giá trị
lƣợng mƣa ngày nhỏ hơn so với quan trắc.
Hình 3.8 biểu diễn lƣợng mƣa tích lũy 24h trong các tháng mùa đông của
mô hình HRM, MM5 và các trạm quan trắc tƣơng ứng. Hình vẽ cho thấy tƣơng
tự nhƣ trong các tháng mùa hè mô hình HRM (gồm cả HRM1 và HRM2) đều
cho giá trị lƣợng mƣa ngày lớn hơn so với quan trắc trong khi đó mô hình MM5
thể hiện kết quả ngƣợc lại.
53
(a)
(b)
(c)
(d)
(e)
Hình 3.8. Giá trị trung bình mưa tích lũy 24 giờ trong các tháng mùa đông. a) HRM1; b)
OBS (128 trạm); c) HRM2; d) MM5; e) OBS (24 trạm)
Để đánh giá khả năng dự báo của hai mô hình đối với biến mƣa – một
trong những yếu tố khí tƣợng khó dự báo nhất, bên cạnh các điểm số đánh giá
thống kê truyền thống giống nhƣ nhiệt độ, một số điểm số khác thƣờng đƣợc
dùng trong đánh giá biến bất liên tục cũng đƣợc sử dụng đó là FBI, TS, POD và
TSS.
Hình 3.9 biểu diễn kết quả điểm số ME (mm/ngày) của lƣợng mƣa cho
toàn Việt Nam, khu vực Bắc Bộ, Trung Bộ và Nam Bộ trong các tháng mùa
đông (a), mùa hè (b), và trung bình toàn chuỗi (c).
Từ hình vẽ cho thấy mô hình HRM cho kết quả ME rất nhỏ trong mùa
đông (giá trị đều dƣới 1mm/ngày) và lớn hơn đáng kể trong mùa hè (lên tới gần
54
7mm/ngày nhƣ khu vực Bắc Bộ). Điều này cho thấy kết quả dự báo mƣa trong
các tháng mùa hè (đồng thời là mùa mƣa ở phần lớn các vùng khí hậu) kém
chính xác hơn trong mùa đông. Nguyên nhân có thể là do trong thời kỳ mùa hè
gió mùa tây nam hoạt động mạnh mang theo nhiều ẩm và cho mƣa ở lục địa
nhƣng điểm hạn chế của mô hình HRM là miền tích phân của mô hình không đủ
rộng về phía nam để nắm bắt đƣợc hoàn lƣu đi từ vùng vĩ độ thấp đặc biệt là
dòng vƣợt xích đạo từ nam bán cầu.
(a)
(b)
Hình 3.9. Điểm số ME của mưa cho toàn Việt Nam và các khu vực trong các tháng
mùa đông (a) và mùa hè (b)
Trong các tháng mùa đông ME ở khu vực Trung Bộ lớn nhất nhƣng trong
các tháng mùa hè khu vực có ME lớn là khu vực Bắc Bộ. Mô hình HRM luôn
cho ME dƣơng trong các tháng mùa hè, có nghĩa là mô hình HRM thƣờng dự
báo khống mƣa trong các tháng mùa hè. Vào mùa đông, giá trị độ lệch ME của
mô hình HRM nhỏ hơn rất nhiều so với mùa hè và thể hiện dấu không đồng nhất
giữa các khu vực: ME > 0 ở khu vực Bắc Bộ và Nam Bộ (dự báo thiên cao)
trong khi đó ME < 0 ở khu vực Trung Bộ (dự báo thiên thấp). Kết quả đánh giá
chung cho toàn chuỗi số liệu cho thấy sai số lớn nhất thƣờng ở khu vực Bắc Bộ
và nhỏ nhất ở khu vực Trung Bộ. Điều này cũng tƣơng tự với kết quả sai số
nhiệt độ đã phân tích ở phần trên. Giá trị ME của mô hình HRM ở khu vực Bắc
Bộ khác biệt không đáng kể giữa hai chuỗi số liệu HRM1 và HRM2, nhƣng ở
khu vực Trung Bộ và Nam Bộ lại có sự khác biệt rõ. Trƣờng hợp chuỗi số liệu
ngắn (HRM2) thƣờng cho sai số nhỏ hơn. Điều này cho thấy số liệu các trạm
tham gia vào quá trình đánh giá có ảnh hƣởng đáng kể đến kết quả đánh giá của
mô hình tùy thuộc vào mỗi khu vực.
Kết quả tính ME của mô hình MM5 cho thấy ME < 0 ở hầu hết các khu
vực trong các tháng mùa đông và các tháng mùa hè (ngoại trừ khu vực Nam Bộ
Mùa đông
0.162-0.881
0.237
-0.076
-0.208-0.4820.026-0.182 -0.161-0.402-0.422-0.37
-7
-5
-3
-1
1
3
5
7
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘME
(m
m)
HRM1
HRM2
MM5
Mùa hè
4.562
2.252 2.412
1.5481.031
-3.586
-6.597
1.215
6.704
4.15
6.902
-1.401
-7
-5
-3
-1
1
3
5
7
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘME
(m
m)
HRM1
HRM2
MM5
55
vào mùa hè), điều này nghĩa là mô hình MM5 thƣờng dự báo thiên thấp lƣợng
mƣa. Giá trị ME trong mùa đông nhỏ hơn rất nhiều so với mùa hè tƣơng tự nhƣ
mô hình HRM. Giá trị ME của khu vực Bắc Bộ lớn nhất, sau đó đến Trung Bộ
và Nam Bộ. Điều này cho thấy đối với dự báo lƣợng mƣa, mô hình phi thủy tĩnh
MM5 mô tả tốt hơn các quá trình khí quyển ở vùng vĩ độ thấp.
Nhƣ vậy, xét chung cho toàn chuỗi số liệu ta thấy mô hình HRM cho dự
báo lƣợng mƣa thiên cao, còn mô hình MM5 dự báo lƣợng mƣa thiên thấp. Cả
hai mô hình đều cho sai số lớn nhất ở khu vực Bắc Bộ.
Tƣơng tự, Hình 3.10 và Hình 3.11 biểu diễn giá trị MAE và RMSE của
lƣợng mƣa. Hình vẽ cho thấy giá trị MAE của mô hình HRM trong mùa hè lớn
hơn rất nhiều so với trong mùa đông. Giá trị MAE trong mùa đông lớn nhất ở
khu vực Trung Bộ (~ 3 mm), và nhỏ nhất ở khu vực Bắc Bộ (~ 1 mm). Tuy
nhiên, trong mùa hè MAE của khu vực Bắc Bộ lại lớn nhất (~16 mm) và nhỏ
nhất ở khu vực Trung Bộ (~7 mm). Giá trị MAE có sự nghịch đảo giữa hai mùa
nhƣ vậy có thể do sự khác biệt về hoàn lƣu khí quyển giữa hai mùa mà mô hình
chƣa nắm bắt đƣợc tốt. Nhìn chung, sai số của HRM1 thƣờng lớn hơn sai số của
HRM2, trong đó độ lệch lớn nhất vào mùa hè ở khu vực Trung Bộ
(MAE_HRM1 = 7.967 mm và MAE_HRM2 = 6.434 mm).
Kết quả tính MAE của mô hình MM5 cho thấy MAE trong mùa hè lớn
hơn rất nhiều so với mùa đông. Mùa đông MAE lớn nhất ở khu vực Trung Bộ
(3.473 mm), và nhỏ nhất ở khu vực Bắc Bộ (1.151 mm). Mùa hè thì Nam Bộ lại
là khu vực có MAE lớn nhất (14.23 mm) và nhỏ nhất ở Trung Bộ (5.868 mm).
(a)
(b)
Hình 3.10. Điểm số MAE của mưa cho toàn Việt Nam và các khu vực trong các tháng
mùa đông (a) và mùa hè (b)
Mùa đông
2.1251.31
3.554
2.2861.462
0.882
2.506
1.1291.984
1.151
3.473
1.56
0
2
4
6
8
10
12
14
16
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
MA
E (
mm
)
HRM1
HRM2
MM5
Mùa hè
11.376
7.967
15.373
12.495
10.742
6.434
16.446
12.146
14.23
5.868
11.844
10.208
0
2
4
6
8
10
12
14
16
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
MA
E (
mm
)
HRM1
HRM2
MM5
56
Phần tiếp theo phân tích sai số quân phƣơng RMSE của mƣa cho khu vực
Việt Nam, Bắc Bộ, Trung Bộ, và Nam bộ trong mùa đông và mùa hè (Hình
3.11). Tƣơng tự nhƣ ME và MAE, RMSE trong mùa hè lớn hơn đáng kể so với
mùa đông. Điều này cho thấy trong các tháng mùa hè, cũng chính là mùa mƣa ở
hầu hết các vùng, lƣợng mƣa lớn và các hình thế gây mƣa cũng phức tạp hơn
nên mô hình gặp phải khó khăn trong trong việc mô phỏng chính xác hoàn lƣu
khí quyển, lƣợng ẩm khí quyển dẫn đến kết quả dự báo bị sai khác nhiều hơn so
với thực tế. Bên cạnh đó còn có vai trò của địa hình ở một số trạm ảnh hƣởng
tới kết quả dự báo mƣa dẫn đến giá trị RMSE bị khuyếch đại lên đáng kể, đặc
biệt là ở khu vực Bắc Bộ vào mùa hè (~30 mm/ngày). Xu hƣớng lệch của RMSE
giữa các khu vực tƣơng tự với xu hƣớng của ME và MAE nhƣ đã phân tích ở
trên.
Tính trung bình toàn chuỗi số liệu, RMSE ở khu vực Bắc Bộ có giá trị lớn
nhất. Khi tính chung cho toàn Việt Nam thì cả hai mô hình có giá trị RMSE gần
nhƣ bằng nhau. Đối với khu vực Trung Bộ và Nam Bộ thì mô hình MM5 có giá
trị RMSE lớn hơn mô hình HRM.
Từ các kết quả trên ta thấy, HRM1 và HRM2 có MAE lớn hơn nhiều so
với ME, điều này khiến cho việc hiệu chỉnh mô hình HRM là tƣơng đối khả
quan. Còn mô hình MM5 thì giá trị MAE và RMSE không lớn hơn hơn ME
nhiều lắm nên việc hiệu chỉnh là không đảm bảo, có hàm chứa các giá trị sai số
lớn.
(a)
(b)
Hình 3.11. Chỉ số RMSE của mưa cho Việt Nam và các khu vực trong mùa đông (a) và
mùa hè (b)
Mùa đông
8.77
12.416
7.8999.485
4.4
11.488
3.876
7.3845.89
13.167
3.787
8.378
0
5
10
15
20
25
30
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
RM
SE
(m
m)
HRM1
HRM2
MM5
Mùa hè
23.722
26.768
20.201 19.864
22.819
28.065
15.011
17.579
23.116
24.511
16.198
29.981
0
5
10
15
20
25
30
VIỆT NAM BẮC BỘ TRUNG BỘ NAM BỘ
RM
SE
(m
m)
HRM1
HRM2
MM5
57
Hình 3.12 là kết quả tính toán hệ số tƣơng quan mƣa. Kết hợp với Hình
3.6 ta thấy so với nhiệt độ thì hệ số tƣơng quan của mƣa thấp hơn hẳn, nhất là
vào mùa hè, khi mà các hình thế gây mƣa khó đƣợc mô hình mô tả đầy đủ. Hầu
hết hệ số tƣơng quan đều dƣơng ở các khu vực (thể hiện mối quan hệ đồng
biến), riêng mô hình MM5 có hệ số tƣơng quan âm (thể hiện quan hệ nghịch
biến) trong các tháng mùa hè ở khu vực Nam Bộ (Hình 3.12d). Hình 3.12a biểu
diễn hệ số tƣơng quan tính cho toàn Việt Nam cho thấy nhìn chung mô hình
HRM có hệ số tƣơng quan của mƣa lớn hơn mô hình MM5, và hệ số tƣơng quan
của mƣa trong các tháng mùa đông tốt hơn trong các tháng mùa hè. Điều này có
thể do mƣa mùa hè gắn liền với nhiều hình thế gây mƣa lớn phức tạp nhƣ bão,
dải hội tụ nhiệt đới… mà mô hình chƣa mô phỏng chính xác.
Các Hình 3.12b, 3.12c, 3.12d biễu diễn hệ số tƣơng quan của mƣa ở các
khu vực Bắc Bộ, Trung Bộ, Nam Bộ. Với chuỗi số liệu đánh giá dài hơn HRM1
có hệ số tƣơng quan mƣa ở khu vực Bắc Bộ là nhỏ nhất trong các tháng mùa
đông, tiếp đến là ở khu vực Trung Bộ và lớn nhất là ở khu vực Nam Bộ. Ngƣợc
lại trong các tháng mùa hè, khu vực Nam Bộ lại có hệ số tƣơng quan nhỏ nhất,
tiếp đến là khu vực Bắc Bộ và lớn nhất là ở khu vực Trung Bộ. Trƣờng hợp
đánh giá trên chuỗi số liệu ngắn cho thấy HRM2 khác biệt khá nhiều so với
HRM1. Trong các tháng mùa đông hệ số tƣơng quan lớn nhất ở khu vực Bắc Bộ,
sau đó là khu vực Trung Bộ và nhỏ nhất là khu vực Nam Bộ. Trong các tháng
mùa hè hệ số tƣơng quan có giá trị lớn nhất ở khu vực Trung Bộ, tiếp đến là khu
vực Bắc Bộ và Nam Bộ.
Đối với mô hình MM5, trong các tháng mùa đông hệ số tƣơng quan lớn
nhất ở khu vực Bắc Bộ, sau đó là khu vực Trung Bộ và Nam Bộ. Trong các
tháng mùa hè hệ số tƣơng quan ở khu vực Trung Bộ lớn nhất, tiếp đến là ở khu
vực Bắc Bộ, riêng khu vực Nam Bộ có hệ số tƣơng quan âm (thể hiện mối quan
hệ nghịch biến) và có giá trị tuyệt đối nhỏ nhất.
58
(a)
(b)
(c)
(d)
Hình 3.12. Hệ số tương quan của mưa của các mô hình cho Việt Nam (a) và các khu vực (b, c,
d)
Tiếp theo Hình 3.13 và Hình 3.14 biểu diễn kết quả tính toán chỉ số FBI
trung bình trong các tháng mùa đông và trong các tháng mùa hè của toàn Việt
Nam và các khu vực Bắc Bộ, Trung Bộ, Nam Bộ của mô hình HRM và MM5.
Trục hoành biểu diễn ngƣỡng mƣa với các giá trị 1, 2, 5, 10, 15, 20, 30, 40, 50
mm/ngày và trục tung là giá trị điểm số FBI. Giá trị tƣơng ứng nhận đƣợc của
các mô hình dự báo là các đƣờng cong với chú giải nhƣ trên hình vẽ.
0.371
0.254
0.499
0.2810.309
0.029
0
0.1
0.2
0.3
0.4
0.5
0.6
Mùa Đông Mùa Hè
Việt Nam
HRM1
HRM2
MM5
0.127
0.254
0.566
0.241
0.535
0.055
0
0.1
0.2
0.3
0.4
0.5
0.6
Mùa Đông Mùa Hè
Bắc Bộ
HRM1
HRM2
MM5
0.432
0.287
0.493
0.383
0.275
0.083
0
0.1
0.2
0.3
0.4
0.5
0.6
Mùa Đông Mùa Hè
Trung Bộ
HRM1HRM2
0.469
0.172
0.329
0.1130.119
-0.082-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Mùa Đông Mùa Hè
Nam Bộ
HRM1
HRM2
59
Hình 3.13 . Chỉ số FBI cho Việt Nam và các khu vực trong thời kỳ mùa đông
Hình 3.14. Chỉ số FBI cho Việt Nam và các khu vực trong thời kỳ mùa hè
Mùa đông Việt Nam
0
0.5
1
1.5
2
2.5
3
1 2 5 10 15 20 30 40 50Ngưỡng mưa (mm)
FB
I HRM1
HRM2
MM5
Mùa đông Bắc Bộ
0
0.5
1
1.5
2
2.5
3
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
FB
I
HRM1
HRM2
MM5
Mùa đông Trung Bộ
0
0.5
1
1.5
2
2.5
3
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
FB
I
HRM1
HRM2
MM5
Mùa đông Nam Bộ
0
0.5
1
1.5
2
2.5
3
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
FB
I
HRM1
HMR2
MM5
Mùa hè Việt Nam
0
0.5
1
1.5
2
2.5
3
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
FB
I
HRM1
HRM2
MM5
Mùa hè Bắc Bộ
0
0.5
1
1.5
2
2.5
3
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
FB
I
HRM1
HRM2
MM5
Mùa hè Trung Bộ
0
0.5
1
1.5
2
2.5
3
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
FB
I
HRM1
HRM2
MM5
Mùa hè Nam Bộ
0
0.5
1
1.5
2
2.5
3
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
FB
I
HRM1
HRM2
MM5
60
Nhìn trên Hình 3.13 ta thấy, trong các tháng mùa đông khi tính cho toàn
Việt Nam giá trị FBI lớn hơn 1 khi ngƣỡng mƣa dƣới 10mm/ngày đối với mô
hình HRM và dƣới 2mm/ngày đối với mô hình MM5, điều này có nghĩa là ở
ngƣỡng này mô hình có diện mƣa dự báo lớn hơn so với diện mƣa thám sát. Nhƣ
vậy, đối với cả hai mô hình thƣờng cho kết quả dự báo khống ở các ngƣỡng mƣa
nhỏ. Trong các tháng mùa hè (Hình 3.14), mô hình MM5 có giá trị FBI nhỏ hơn
1 ở tất cả các ngƣỡng, tức là dự báo diện mƣa mùa hè của mô hình này nhỏ hơn
thực tế. Trong khi đó mô hình HRM có FBI >1 ở ngƣỡng dƣới 30mm/ngày (mô
hình dự báo diện mƣa lớn hơn thám sát) và <1 ở ngƣỡng trên 30mm/ngày (mô
hình dự báo diện mƣa nhỏ hơn thám sát).
Ở khu vực Bắc Bộ, mô hình MM5 có giá trị FBI < 1 trong cả các tháng
mùa đông và các tháng mùa hè, nghĩa là mô hình luôn cho diện mƣa nhỏ hơn so
với thực tế ở tất cả các ngƣỡng mƣa. Trong các tháng mùa đông, mô hình HRM
với chuỗi số liệu đánh giá dài hơn (HRM1) có FBI luôn lớn hơn 1 ngoại trừ
ngƣỡng mƣa 15mm/ngày là FBI = 1, tức là diện mƣa dự báo thƣờng lớn hơn
diện mƣa thám sát. HRM2 có FBI dao động xung quanh giá trị 1 theo các
ngƣỡng mƣa, tuy nhiên biên độ dao động này khá nhỏ, chứng tỏ các trạm tham
gia vào chuỗi số liệu đánh giá có kết quả dự báo diện mƣa tƣơng đối phù hợp
với thám sát. Trong các tháng mùa hè, HRM1 và HRM2 đều có FBI > 1 ở
ngƣỡng mƣa dƣới 20mm, và nhỏ hơn 1 ở những ngƣỡng mƣa lớn hơn. Điều này
có nghĩa là mô hình HRM thƣờng dự báo khống ở các ngƣỡng mƣa nhỏ nhƣng
lại dự báo sót ở các ngƣỡng mƣa lớn.
Đối với khu vực Trung Bộ, trong các tháng mùa đông FBI cũng lớn hơn 1
ở những ngƣỡng mƣa nhỏ (< 10mm/ngày đối với HRM, và < 2mm/ngày đối với
MM5), và nhỏ hơn 1 ở những ngƣỡng mƣa lớn hơn. Trong các tháng mùa hè,
FBI của mô hình MM5 > 1 ở ngƣỡng mƣa dƣới 5mm/ngày, còn FBI của mô
hình HRM > 1 ở ngƣỡng dƣới 30mm/ngày, và chỉ số này có giá trị nhỏ hơn 1 ở
những ngƣỡng lớn hơn.
Ở khu vực Nam Bộ, trong các tháng mùa đông cả hai trƣờng hợp HRM1,
HRM2 đều có xu hƣớng giống nhƣ những khu vực khác, ở ngƣỡng mƣa thấp (<
10mm/ngày đối với HRM1 và < 5mm/ngày đối với HRM2) mô hình có chỉ số
FBI lớn hơn 1 (dự báo diện mƣa lớn hơn thám sát) và ở những ngƣỡng mƣa cao
hơn có FBI nhỏ hơn 1 (dự báo diện mƣa nhỏ hơn thám sát). Mô hình MM5 có
giá trị FBI biến đổi phức tạp hơn. Ở ngƣỡng dƣới 2mm/ngày và ngƣỡng trên
61
20mm/ngày có chỉ số FBI lớn hơn 1, ngƣỡng mƣa từ 2mm/ngày đến 20mm/ngày
có FBI < 1. Trong các tháng mùa đông xu hƣớng biến đổi của chỉ số FBI cũng
tƣơng tự nhƣ trong các tháng mùa hè, mô hình HRM có FBI > 1 ở ngƣỡng mƣa
dƣới 17mm/ngày, và FBI < 1 ở các ngƣỡng cao hơn. Mô hình MM5 có FBI > 1
ở ngƣỡng mƣa dƣới 4mm/ngày và trên 30mm/ngày, các ngƣỡng còn lại có FBI
<1.
Hình 3.15. Chỉ số TS các khu vực theo các ngưỡng mưa trong mùa đông
Mùa đông Việt Nam
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50Ngưỡng mưa (mm)
TS
HRM1
HRM2
MM5
Mùa đông Bắc Bộ
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
HRM1
HRM2
MM5
Mùa đông Trung Bộ
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
HRM1
HRM2
MM5
Mùa đông Nam Bộ
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50Ngưỡng mưa (mm)
TS
HRM1
HRM2
MM5
62
Hình 3.16. Chỉ số TS các khu vực theo các ngưỡng mưa trong mùa hè
Hình 3.15 và Hình 3.16 biểu diễn điểm số thành công TS ở các ngƣỡng
mƣa của hai mô hình, điểm số này cho biết mức độ trùng khớp giữa vùng mƣa
thám sát và vùng mƣa dự báo. Giá trị TS biến đổi trong khoảng từ 0 đến 1 với
giá trị lý tƣởng là TS bằng 1. Trên hình vẽ nhận thấy, ở tất cả các khu vực và đối
với cả hai mô hình, TS có giá trị giảm dần khi ngƣỡng mƣa tăng lên. Điều này
có nghĩa là với những ngƣỡng mƣa lớn thì mức độ trùng khớp giữa mô hình và
thám sát càng giảm đi. Trong các tháng mùa đông, giá trị TS giảm theo ngƣỡng
mƣa chậm hơn so với trong các tháng mùa hè.
Trong tất cả các trƣờng hợp, đƣờng màu đỏ (HRM2), và đƣờng màu xanh
lục (HRM1) đều nằm trên đƣờng màu xanh lá cây (MM5), điều này cho thấy mô
hình HRM cho điểm số thành công tốt hơn mô hình MM5.
Mùa hè Việt Nam
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
HRM1
HRM2
MM5
Mùa hè Bắc Bộ
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
HRM1
HRM2
MM5
Mùa hè Trung Bộ
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
HRM1
HRM2
MM5
Mùa hè Nam Bộ
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
HRM1
HRM2
MM5
63
Hình 3.17. Chỉ số POD các khu vực theo các ngưỡng mưa trong mùa đông
Hình 3.18. Chỉ số POD các khu vực theo các ngưỡng mưa trong mùa hè
Mùa đông Việt Nam
0
0.2
0.4
0.6
0.8
1
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
PO
DHRM1
HRM2
MM5
Mùa đông Bắc Bộ
0
0.2
0.4
0.6
0.8
1
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
PO
D
HRM1
HRM2
MM5
Mùa đông Trung Bộ
0
0.2
0.4
0.6
0.8
1
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
PO
D
HRM1
HRM2
MM5
Mùa đông Nam Bộ
0
0.2
0.4
0.6
0.8
1
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
PO
D
HRM1
HRM2
MM5
Mùa hè Việt Nam
0
0.2
0.4
0.6
0.8
1
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
PO
D
HRM1
HRM2
MM5
Mùa hè Bắc Bộ
0
0.2
0.4
0.6
0.8
1
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
PO
D
HRM1
HRM2
MM5
Mùa hè Trung Bộ
0
0.2
0.4
0.6
0.8
1
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
PO
D
HRM1
HRM2
MM5
Mùa hè Nam Bộ
0
0.2
0.4
0.6
0.8
1
1 2 5 10 15 20 30 40 50Ngưỡng mưa (mm)
PO
D
HRM1
HRM2
MM5
64
Hình 3.17 và Hình 3.18 là biểu diễn kết quả tính chỉ số xác suất phát hiện
hiện tƣợng (POD), POD có giá trị từ 0 đến 1, giá trị tối ƣu là bằng 1. Kết quả
tính toán ta cho thấy trong tất cả các trƣờng hợp điểm số POD trong các tháng
mùa hè lớn hơn trong các tháng mùa đông - nghĩa là xác suất phát hiện đúng
hiện tƣợng mƣa trong các tháng mùa hè tốt hơn trong các tháng mùa đông. Tuy
nhiên giá trị POD giảm mạnh khi ngƣỡng mƣa tăng lên. Nhƣ vậy, ở những
ngƣỡng mƣa lớn, xác suất phát hiện đúng hiện tƣợng gần nhƣ bằng không.
Trong cả hai mùa và ở tất cả các khu vực đƣờng màu xanh lục (HRM1) và
đƣờng màu đỏ (HRM2) đều ở phía trên đƣờng màu xanh lá cây (MM5), điều
này cho thấy mô hình HRM có xác suất phát hiện mƣa tốt hơn so với mô hình
MM5.
Hình 3.19. Chỉ số TSS các khu vực theo các ngưỡng mưa trong mùa đông
Mùa đông Việt Nam
-0.2
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
S
HRM1
HRM2
MM5
Mùa đông Bắc Bộ
-0.2
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
S
HRM1
HRM2
MM5
Mùa đông Trung Bộ
-0.2
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
S
HRM1
HRM2
MM5
Mùa đông Nam Bộ
-0.2
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
S
HRM1
HRM2
MM5
65
Hình 3.20. Chỉ số TSS các khu vực theo các ngưỡng mưa trong mùa hè
Hình 3.19 và Hình 3.20 biểu diễn điểm kỹ năng TSS của hai mô hình ở
các ngƣỡng mƣa. Giá trị TSS nằm trong khoảng -1 đến 1, giá trị tối ƣu là bằng 1.
Hình vẽ cho thấy điểm số TSS trong các tháng mùa đông dốc hơn so với trong
các tháng mùa hè, điều này chứng tỏ vào mùa đông TSS giảm theo độ tăng
ngƣỡng mƣa lớn hơn so với mùa hè. Kỹ năng dự báo mƣa của các mô hình tốt
hơn vào mùa đông và ở các ngƣỡng mƣa nhỏ, sau đó giảm nhanh khi ngƣỡng
mƣa tăng lên. Trong các tháng mùa hè, các đƣờng biểu diễn TSS có xu hƣớng
nằm ngang hơn, có nghĩa là kỹ năng dự báo của các mô hình tƣơng đối ổn định
khi ngƣỡng mƣa tăng lên. Đƣờng màu xanh lục (HRM1) và đƣờng màu đỏ
(HRM2) đều nằm trên so với đƣờng màu xanh lá cây (MM5), điều này cho thấy
mô hình HRM có kỹ năng tốt hơn so với mô hình MM5.
Mùa hè Việt Nam
-0.2
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
SHRM1
HRM2
MM5
Mùa hè Bắc Bộ
-0.2
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
S
HRM1
HRM2
MM5
Mùa hè Trung Bộ
-0.2
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
S
HRM1
HRM2
MM5
Mùa hè Nam Bộ
-0.2
0
0.2
0.4
0.6
0.8
1 2 5 10 15 20 30 40 50
Ngưỡng mưa (mm)
TS
S
HRM1
HRM2
MM5
66
3.3. Kết quả thử nghiệm đánh giá mƣa bằng phƣơng pháp fuzzy
3.3.1. Kết quả thử nghiệm với chuỗi số liệu mẫu
Để làm sáng tỏ phƣơng pháp đánh giá fuzzy, trƣớc khi áp dụng đánh giá
cho khu vực Việt Nam, tác giả đã thử nghiệm với chuỗi số liệu mẫu đánh giá dự
báo mƣa gây ra bởi một cơn bão tại xứ Wales nƣớc Anh. Số liệu thám sát lấy từ
số liệu rađa, số liệu dự báo với độ phân giải tinh 5km, hạn dự báo 3 giờ của mô
hình dự báo quy mô vừa (Golding 2000). Miền tính gồm 256x256 ô lƣới tại
trung tâm của vùng mƣa.
Hình 3.21 cho thấy sự sai khác giữa vùng mƣa thám sát và dự báo lúc 15h
UTC ngày 29 tháng 5 năm 1999. Hình vẽ cho thấy vùng mƣa dự báo có cƣờng
độ nhỏ hơn và mở rộng hơn so với vùng mƣa thám sát. Vị trí tâm mƣa dự báo
lệch về phía tây so với vùng mƣa thám sát.
Hình 3.22 biểu diễn kết quả của các phƣơng pháp đánh giá fuzzy đã nêu
tại bảng 1.1. Trục hoành là ngƣỡng cƣờng độ mƣa, trục tung là quy mô không
gian. Kích thƣớc cửa sổ đƣợc chọn là 65 ô lƣới (tƣơng ứng với 325km). Các
điểm số là hàm của quy mô không gian và cƣờng độ mƣa (từ 0.1 – 50mm/h).
Ngoài ra các kết quả có thể đƣợc vẽ dƣới dạng các đƣờng cong, ở mỗi ngƣỡng
mƣa đƣờng cong này là hàm của quy mô không gian, và ngƣợc lại. Trƣờng hợp
kết quả tính CSRR và vùng liên đới RMSE chỉ là hàm của không gian (kích
thƣớc cửa sổ) vì nó độc lập với ngƣỡng mƣa.
100 km
Hình 3.21. Vùng mưa thám sát (trái) và vùng mưa dự báo 3h (phải) (mm/h) lúc 15h UTC ngày
29/5/1999
67
Phƣơng pháp nâng quy mô (upscaling) cho giá trị ETS lớn nhất ở ngƣỡng
cƣờng độ mƣa nhỏ và quy mô không gian lớn (Hình 3.22.a), còn ở những vị trí
ngƣỡng cƣờng độ mƣa lớn, khoảng cách không gian lớn những điểm số này cho
giá trị nhỏ hoặc không xác định (mô hình không có kỹ năng). Điều này có thể là
do vùng mƣa trải rộng ra ở những khoảng cách xa nhƣng chỉ cho cƣờng độ mƣa
thấp. Ở những ngƣỡng cƣờng độ mƣa lớn, quy mô không gian lớn, mức độ phù
hợp giữa thám sát và dự báo giảm đi, hoặc không xác định (mô hình không có
kỹ năng).
Ở hai hình tiếp theo Hình 3.22b và Hình 3.22c là hai dạng biến thể của
phƣơng pháp tiêu chuẩn phủ tối thiểu (minimum coverage criterion). Trƣờng
hợp đầu tiên (Hình 3.22b), ấn định có ít nhất một sự kiện xảy ra trong hộp lƣới,
trên hình cho thấy mô hình không tính đƣợc lƣợng mƣa ở ngƣỡng cƣờng độ mƣa
50mm/giờ, nên ở ngƣỡng cƣờng độ này ETS có giá trị bằng 0 ở tất cả các quy
mô không gian khác nhau, ETS có giá trị cao nhất ở quy mô không gian lớn ở
bất cứ khoảng cƣờng độ mƣa nào dƣới 50mm/giờ, điều này là do khi bán kính
mở rộng ra, việc tìm thấy ít nhất một sự kiện xảy ra đáp ứng tiêu chí của phƣơng
pháp trong khu vực ấy sẽ dễ dàng hơn. ETS cho giá trị cao nhất (0.61) ở ngƣỡng
cƣờng độ mƣa 20mm/giờ và quy mô không gian là 325km. Ở những quy mô
không gian nhỏ hơn, tỉ lệ báo động sai ETS cho giá trị nhỏ hơn.
Trƣờng hợp tiếp theo (Hình 3.22c), đòi hỏi phải sự kiện xảy ra
trong hộp lƣới phải trên 50% (≥50 coverage). Gần giống với trƣờng hợp nâng
quy mô (upscaling), giá trị ETS lớn nhất ở các ngƣỡng quy mô cƣờng độ mƣa
thấp, nhƣng ở quy mô không gian nhỏ hơn (24÷45km) (Hình 3.22c). Ở ngƣỡng
cƣờng độ mƣa lớn, quy mô không gian rộng hơn, ETS có giá trị bằng 0 (các ô
màu xanh dƣơng), mô hình dự báo không có kỹ năng (các ô trắng).
Cả phƣơng pháp fuzzy lôgic (Hình 3.22d) và dạng khác của nó phƣơng
pháp xác suất đồng thời (Hình 3.22e - joint probability) đều xác định các hiện
tƣợng xảy ra trong vùng lân cận nhƣ xác suất của chính chúng trong hộp lƣới,
nhƣng khác nhau ở cách tính dự báo đúng trong bảng liên hợp. Phƣơng pháp
fuzzy logic cải thiện hiệu suất khi tăng quy mô không gian ở hầu hết các ngƣỡng
mƣa khi độ tin cậy của các dự báo không chính xác giảm nhanh so với các dự
báo chính xác (Hình 3.22.d).
68
Hình 3.22. Kết quả đánh giá bằng phương pháp fuzzy cho hạn dự báo 03 giờ ngày
29/5/1999
Khi bảng liên hợp các yếu tố dựa trên xác suất đồng thời, khác với fuzzy
lôgic, trƣờng hợp này giá trị ETS xấu đi khi quy mô không gian tăng (Hình
3.22e). Điều này là do xác suất đồng thời của dự báo có và không có hiện tƣợng
xảy ra so với thám sát giảm đi khi các trƣờng trở nên không đồng nhất và P
nhận các giá trị trung bình. Mức độ phù hợp giữa dự báo và thám sát ở mỗi
ngƣỡng cƣờng độ mƣa với quy mô không gian trên 5km sẽ cho một giá trị ETS
cao nhất (ví dụ, ngƣỡng mƣa 20km/giờ, ETS lớn nhất ở khoảng cách 45km).
Điểm số Hanssen và Kuipers đƣợc biểu diễn trƣờng hợp bảng liên hợp
các sự kiện (Multi-event contingency table). Tiêu chuẩn cho một dự báo tốt
trong trƣờng hợp này là dự báo đúng đƣợc ít nhất một sự kiện gần với thám sát.
Trƣờng hợp này tƣơng tự nhƣ trƣờng hợp tiêu chuẩn phủ thứ nhất (Hình 3.22b -
69
Anywhere in window), trừ trƣờng hợp các sự kiện quan trắc ở vị trí trung tâm
của vùng lân cận. Các giá trị lớn nhất của chỉ số HK nằm ở quy mô trung bình
và ngƣỡng mƣa cao (Hình 3.22f). Hình 3.21 cho thấy mƣa dự báo thấp hơn
trong khoảng vài km so với tâm mƣa thám sát, nhƣng khi mở rộng không gian ra
ngoài thì dễ dàng tìm thấy có ít nhất một khoảng nào đó có cƣờng độ mƣa dự
báo gần đúng với thám sát.
Phƣơng pháp quy mô - cƣờng độ cho thấy vùng có điểm số lớn nhất
không phụ thuộc vào ngƣỡng mƣa (Hình 3.22.g). Cấu trúc giống nhƣ một điểm
kỹ năng đối với việc sắp xếp ngẫu nhiên trong cửa sổ thám sát, các điểm số có
giá trị cực trị xảy ra tại các ngƣỡng mƣa lớn. Kết quả thu đƣợc từ phƣơng pháp
này biến thiên nhiều nhất so với các phƣơng pháp khác bởi vì các không gian
cửa sổ đƣợc lấy từng trƣờng hợp riêng lẻ chứ không lấy liên tiếp các cửa sổ với
các kích thƣớc khác nhau.
Điểm kỹ năng phần tử (FSS) (Hình 3.22h) đo mức độ phù hợp giữa xác
suất xuất hiện sự kiện dự báo và các hiện tƣợng quan trắc trong vùng lân cận,
cấu trúc giống nhƣ điểm kỹ năng đặc trƣng cho các dự báo không chồng chéo
lên nhau. Giá trị điểm số FSS tăng lên cùng với độ tăng của ngƣỡng không gian
khi dự báo gần đúng với thám sát, và đối với trƣờng hợp này, FSS đạt giá trị lớn
nhất tại ngƣỡng cƣờng độ mƣa trung bình, nơi dự báo có độ lệch nhỏ nhất so với
thám sát.
Các phƣơng pháp tiếp cận thực tế so sánh xác suất của các sự kiện bên
trong cửa sổ dự báo với các hiện tƣợng xảy ra ở trung tâm cửa sổ quan trắc, sử
dụng số điểm kỹ năng Brier đánh giá sai số bình phƣơng trung bình với chuẩn
khí hậu. Các kỹ năng lớn nhất về các ngƣỡng mƣa trung bình đến lớn và quy mô
không gian vừa phải (Hình 3.22i).
Hình 3.22j cho thấy tỷ lệ chính xác của phƣơng pháp thực nghiệm hoàn
hảo (Practically perfect hindcast), ETSy/ETSx. Trƣờng hợp này ETS cho giá trị
lớn ở quy mô không gian lớn và ngƣỡng cƣờng độ mƣa thấp (0,1-0,2mm/giờ).
Thấy rõ lƣợng mƣa trung bình phía tây xứ Wales đƣợc dự báo không tốt đối với
ngƣỡng mƣa trung bình.
Hai phƣơng pháp tiếp theo xác định các điểm số một cách trực tiếp độc
lập với cƣờng độ mƣa, không phải xác định sự xuất hiện hay xác suất của các sự
kiện. Căn bậc hai có điều kiện của RPS (CSRR) cơ bản kiểm tra xác suất dự báo
70
cƣờng độ mƣa phù hợp nhƣ thế nào so với giá trị thám sát. Khi quy mô tăng quy
mô RPS giảm (Hình 3.22k), khi tiếp tục tăng quy mô lớn hơn nữa dự báo không
còn đƣợc sắc nét nữa và điểm số bắt đầu trở nên kém hơn (RPS tăng lên).
Vùng liên đới RMSE tính giá trị sai số bình phƣơng trung bình của cƣờng
độ đƣợc sắp xếp trong không gian cửa sổ. Các đồ thị Hình 3.22l cho thấy trung
bình của các giá trị RMSE khu vực liên đới đến tất cả các cửa sổ trong miền
tính. Phù hợp với FSS trong Hình 3.22h, điểm số đƣợc cải thiện khi tăng kích
thƣớc cửa sổ đồng nghĩa với việc sự phân bố cƣờng độ trong vùng lân cận dự
báo và thám sát trở nên phù hợp hơn.
Điểm mấu chốt của phƣơng pháp đánh giá fuzzy là đƣa ra đƣợc thông tin
dự báo ở quy mô và cƣờng độ nào là có kỹ năng, đƣa ra đƣợc quyết định đúng
đắn về tính hữu ích của mô hình cho ngƣời sử dụng,
Việc có một mức độ phù hợp tốt giữa dự báo và thám sát ở quy mô thô là
hết sức quan trọng, điều này chỉ xảy trong trƣờng hợp mƣa nhỏ (Hình 3.22a).
Nếu không kết hợp các giá trị trung bình khu vực, đòi hỏi dự báo có chứa
một giá trị phù hợp trong vùng lân cận của các giá trị quan sát, thì nhiều khả
năng là mức độ sai số sẽ tăng lên. Trong thực tế, khi các kỹ năng nhƣ là một
minh chứng cho độ giảm các báo động sai (false alarms) và dự báo xót (miss) để
dự báo đƣợc tốt hơn đối với ngƣỡng cƣờng độ mƣa lớn nhất (Hình 3.22b, hình
3.22e). Nếu mức độ bao phủ trên 50% là cần thiết cho một sự kiện thì chỉ phù
hợp đối với lƣợng mƣa nhỏ hơn (Hình 3.22c).
Khi sự kiện đƣợc phép cả một phần "có" và một phần "không", fuzzy
lôgic cho thấy dự báo chính xác hơn ở quy mô lớn nhất (Hình 3.22d). Ngƣợc lại,
phƣơng pháp xác suất chung cho thấy quy mô lớn hơn ít chính xác và trong thực
tế, dự báo chính xác nhất ở quy mô lớn nhất và cƣờng độ mƣa nhẹ nhất (Hình
3.22e).
Nếu đặc trƣng chính xác cho phần mƣa là quan trọng nhất, thì kỹ năng lớn
nhất xảy ra ngẫu nhiên ở quy mô không gian lớn và ngƣỡng cƣờng độ mƣa cao
(nơi không dự báo và không quan trắc đƣợc nhƣng sai số ngẫu nhiên lại nhỏ)
(Hình 3.22g). Chúng ta có thể làm giảm các quy mô không gian và cƣờng độ khi
chúng không đặc trƣng tại những vùng quy mô không gian và cƣờng độ không
có mƣa (xem Hình 3.22a) trong khi các mô hình dự báo mƣa tốt nhất ở quy mô
lớn và lƣợng mƣa nhỏ trong khi dự báo kém chính xác nhất xảy ra tại quy mô
71
không gian nhỏ và cƣờng độ mƣa cao. Nếu dự báo hữu ích đòi hỏi rằng các tần
số dự báo tƣơng tự nhƣ tần số quan sát, dự báo là tốt nhất ở quy mô lớn và
cƣờng độ mƣa trung bình (Hình 3.22h). Khi dự báo cho các địa điểm cụ thể chứ
không phải là khu vực lân cận, các kỹ năng tốt nhất trong việc phát hiện các sự
kiện và không phải là sự kiện xảy ra ở quy mô không gian trung bình và cƣờng
độ trung bình (Hình 3.22i). Dự báo gần nhất sẽ đƣợc cấp bởi một dự báo có kỹ
năng tốt ở các quy mô trung bình và ngƣỡng mƣa nhỏ (Hình 3.22j). Cuối cùng,
khi phân bố cƣờng độ thám sát là quan trọng, cả hai phƣơng pháp sai phƣơng có
điều kiện CSRR và phƣơng pháp vùng liên đới RMSE đều cho kỹ năng tốt ở
ngƣỡng mƣa trung bình với quy mô lớn (Hình. 3.22k và Hình 3.22l).
3.3.2. Thử nghiệm đánh giá kết quả dự báo mưa bằng phương pháp fuzzy cho
Việt Nam
Thử nghiệm đánh giá chất lƣợng dự báo mƣa bằng phƣơng pháp fuzzy
cho khu vực Bắc Bộ Việt Nam. Tác giả thử nghiệm phƣơng pháp fuzzy cho 2
hình thế mƣa khác nhau: mƣa do bão và mƣa do không khí lạnh. Thời gian thử
nghiệm cho đánh giá dự báo mƣa do bão gây ra là ngày 06/7/2007 (ngày đang
có bão đổ bộ vào miền bắc Việt Nam) và mƣa do không khí lạnh gây ra là ngày
23/12/2007. Các số liệu này đƣợc trích từ tập số liệu đã thu thập đƣợc nhƣ đã
nói ở những phần trên (Số liệu dự báo của mô hình HRM).
Miền đánh giá: Khu vực Bắc Bộ: 19.50N - 27.125
0N; 97.125
0E - 117.125
0E
(HRM1: 65 trạm đƣợc nội suy về lƣới mô hình)
3.3.2.1. Thử nghiệm đánh giá cho dự báo mưa do bão gây ra
a b
Hình 3.23. Vùng mưa thám sát (trái) và vùng mưa dự báo mưa tích lũy 24h (phải)
(mm/ngày) ngày 6/7/2007
72
Hình 3.23 biểu diễn sự sai khác giữa vùng mƣa thám sát (Hình 3.23a) và
dự báo (Hình 3.23b) ngày 6/7/2007. Hình vẽ cho thấy, cƣờng độ mƣa dự báo
nhỏ hơn so với thám sát, vùng mƣa của mô hình HRM lệch lên phía Bắc so với
thám sát.
Hình 3.24 biểu diễn kết quả đánh giá fuzzy của một số phƣơng pháp tiêu
biểu cho dự báo mƣa khu vực bắc bộ Việt Nam với hình thế mƣa do bão gây ra,
trục hoành là ngƣỡng cƣờng độ mƣa, trục tung là quy mô không gian. Kích
thƣớc cửa sổ đƣợc chọn là 65 ô lƣới (tƣơng ứng với 910km). Các điểm số là
hàm của kích thƣớc cửa sổ và phụ thuộc vào ngƣỡng cƣờng độ mƣa (từ 0.1 –
150mm/ngày).
Hình3.24. Kết quả đánh giá bằng phương pháp fuzzy cho dự báo mưa 24 giờ ngày
06/7/2007
73
Phƣơng pháp nâng quy mô (upscaling) cho giá trị ETS lớn nhất ở ngƣỡng
cƣờng độ mƣa nhỏ (dƣới 5mm/ngày) và quy mô không gian lớn (ETS =0.46 tại
quy mô 462km) (Hình 3.23a). Ở những ngƣỡng cƣờng độ mƣa cao hơn (trên
5mm/ngày), ETS cho giá trị nhỏ (hoặc không xác định đƣợc (không có kỹ năng)
– những ô màu trắng). Điều này là do ở phạm vi rộng hơn mức độ phù hợp giữa
dự báo và thám sát giảm đi ở các mức độ mƣa khác nhau.
Ở hình tiếp theo hình 3.24.b và hình 3.24c là kết quả tính chỉ số ETS bằng
phƣơng pháp độ bao phủ tối thiểu (minimum coverage). Trong trƣờng hợp này,
phƣơng pháp không có kỹ năng với những cƣờng độ mƣa trên 50mm/ngày, nên
từ ngƣỡng cƣờng độ này ETS có giá trị bằng 0 (những ô màu xanh dƣơng) hoặc
không xác định đƣợc (những ô màu trắng) ở tất cả các quy mô không gian từ
nhỏ đến lớn. Trong Hình 3.24 (anywhere in window), ta thấy ETS có giá trị cao
nhất ở quy mô không gian lớn (0.58) ở ngƣỡng cƣờng độ mƣa 30mm/ngày. Ở
những quy mô không gian nhỏ hơn, ETS cho giá trị nhỏ hơn. Điều này là do ở
một quy mô rộng lớn thì điều kiện dự báo xảy ra ít nhất một sự kiện so với thám
sát dễ đƣợc đáp ứng hơn so với phạm vi quy mô nhỏ. Một trƣờng hợp khác của
phƣơng pháp độ phủ tối thiểu, độ phủ trên 50% (≥50 coverage) gần giống với
trƣờng hợp nâng quy mô (upscaling) trong Hình 3.24a, giá trị ETS lớn nhất ở
các ngƣỡng cƣờng độ mƣa nhỏ (dƣới 5mm/ngày), nhƣng ở quy mô không gian
nhỏ (hình 3.24c). Ở ngƣỡng cƣờng độ mƣa lớn, quy mô không gian lớn hơn,
ETS có giá trị bằng 0 hoặc không xác định đƣợc. Điều này cho thấy ở quy mô
không gian rộng lớn hơn điều kiện mức độ phù hợp giữa dự báo và thám sát
phải trên 50% là khó thực hiện đƣợc hơn ở các quy mô không gian nhỏ ở tất cả
các ngƣỡng cƣờng độ mƣa (đặc biệt là những ngƣỡng mƣa lớn).
Hai trƣờng hợp tiếp theo Hình 3.24d và Hình 3.24e là phƣơng pháp fuzzy
lôgic và xác suất đồng thời (một dạng của phƣơng pháp fuzzy lôgic). Hai
phƣơng pháp này đều cho ETS bằng 0 hoặc không xác định đƣợc giá trị ở các
ngƣỡng mƣa trên 30mm/ngày. Trong khi đó, ở ngƣỡng mƣa dƣới 30mm/ ngày,
fuzzy lôgic (Hình 3.24d) cho giá trị ETS hơn ở quy mô lớn và ngƣỡng cƣờng độ
mƣa nhỏ (ETS cho giá trị cao hơn ở cả một vùng dƣới 5mm/ngày với quy mô
trên 126km), còn xác suất đồng thời (Hình 3.24e) thì cho giá trị ETS lớn ở
ngƣỡng cƣờng độ mƣa rất nhỏ (dƣới 5mm/ngày) với quy mô không gian nhỏ
(ETS lớn nhất 0.18 ở quy mô nhỏ hơn 42km).
Hình tiếp theo (Hình 3.24f) biểu diễn phƣơng pháp liên hợp các sự kiện
74
(Multi-event contingency table), tiêu chuẩn cho một dự báo tốt trong trƣờng hợp
này là dự báo đúng đƣợc ít nhất một sự kiện gần đúng với thám sát. Trong
phƣơng pháp này ETS lớn hơn ở quy mô nhỏ với cƣờng độ mƣa thấp (ETS lớn
nhất bằng 0.18 ở ngƣỡng dƣới 5mm/ngày với quy mô 14km). Ở các ngƣỡng
mƣa trên 50mm/ngày và dƣới 100 mm/ngày ETS có giá trị bằng 0, ở ngƣỡng
trên 100 mm/ ngày giá trị ETS là không xác định.
Điểm kỹ năng phần tử (FSS) (Hình 3.24g) xác định mức độ phù hợp giữa
các dự báo và các hiện tƣợng quan trắc đƣợc trong vùng lân cận, cấu trúc giống
nhƣ điểm kỹ năng đối với các dự báo không chồng chéo lên nhau. Giá trị điểm
số FSS tăng lên cùng với độ tăng của ngƣỡng không gian khi dự báo gần đúng
với thám sát, và đối với trƣờng hợp này, FSS đạt giá trị lớn nhất tại ngƣỡng
cƣờng độ mƣa thấp, nơi dự báo có độ lệch nhỏ nhất.
Khi dự báo cho các điểm trong chính ô lƣới chứ không phải là khu vực
lân cận, các kỹ năng lớn nhất trong việc phát hiện các sự kiện và không phải là
sự kiện xảy ra ở quy mô trung bình và cƣờng độ trung bình (Hình 3.24.h).
Trƣờng hợp này điểm số BSS có giá trị tuyệt đối lớn nhất ở quy mô nhỏ và
ngƣỡng cƣờng độ mƣa thấp. Ngƣợc lại ở các quy mô lớn và ngƣỡng cƣờng độ
mƣa cao, điểm số BSS cho giá trị rất thấp.
Hình 3.24i cho thấy tỷ lệ chính xác của phƣơng pháp thực nghiệm hoàn
hảo (Practically perfect hindcast). Trƣờng hợp này ETS cho giá trị lớn ở quy
mô không gian lớn và ngƣỡng cƣờng độ mƣa nhỏ (dƣới 5mm/ngày).
Tiếp theo là phƣơng pháp sai số bình phƣơng có điều kiện (CSRR) RPS
(Hình 3.24j) cơ bản kiểm tra xác suất dự báo cƣờng độ mƣa phù hợp nhƣ thế
nào so với giá trị thám sát. Phƣơng pháp này độc lập với ngƣỡng cƣờng độ mƣa,
đƣợc biểu diễn dƣới dạng đƣờng cong. Đƣờng CSRR có xu hƣớng giảm dần
theo mức tăng quy mô, tức là ở quy mô lớn hơn mô hình dự báo tốt hơn (vì
CSRR gần giống nhƣ độ lệch chuẩn của xác suất). Ở quy mô lớn hơn nữa đƣờng
CSRR lại có xu hƣớng tăng lên, ở quy mô quá lớn này, dự báo xác suất dự báo
không còn sắc nét và điểm số bắt đầu trở nên kém hơn.
Vùng liên đới RMSE tính giá trị sai số bình phƣơng trung bình, các đƣờng
biểu diễn trong Hình 3.24k cho thấy đƣờng liên đới RMSE giảm dần theo mức
tăng quy mô. Điều này cũng phù hợp với xu hƣớng điểm FSS trong Hình 3.24g,
điểm số đƣợc cải thiện khi tăng quy mô đồng nghĩa với việc sự phân bố mƣa dự
75
báo và thám sát trở nên phù hợp hơn.
3.3.2.2. Thử nghiệm đánh giá cho dự báo mưa do không khí lạnh gây ra
Hình 3.25 biểu diễn sự sai khác giữa vùng mƣa thám sát và dự báo ngày
23/12/2007, mƣa thám sát (Hình 3.25a), vùng mƣa dự báo (Hình 3.25b). Hình vẽ
cho thấy vị trí mƣa dự báo lệch hẳn về phía nam so với thám sát (và vùng mƣa
dự báo cũng nhỏ hơn rất nhiều so với vùng mƣa thám sát), cƣờng độ mƣa dự
báo nhỏ hơn rất nhiều so với thám sát.
Hình 3.25. Vùng mưa thám sát (trái) và vùng mưa dự báo 24h (phải) (mm/ngày) ngày
23/12/2007 (không khí lạnh)
Hình 3.26 biểu diễn kết quả phƣơng pháp đánh giá fuzzy của một số
phƣơng pháp cho dự báo mƣa khu vực bắc bộ Việt Nam với hình thế mƣa do
không khí lạnh gây ra, trục hoành là ngƣỡng cƣờng độ mƣa, trục tung là quy mô
không gian. Kích thƣớc cửa sổ đƣợc chọn là 65 ô lƣới (tƣơng ứng với 910km).
Các điểm số là hàm của kích thƣớc cửa sổ và phụ thuộc vào ngƣỡng cƣờng độ
mƣa (từ 0.1 – 150mm/ngày).
Phƣơng pháp nâng quy mô (upscaling) cho giá trị ETS lớn nhất ở ngƣỡng
cƣờng độ mƣa nhỏ (dƣới 5mm/ngày) và quy mô không gian lớn (ETS =0.49 tại
quy mô 462km) (hình 3.26.a), những ngƣỡng cƣờng độ mƣa cao hơn (trên
5mm/ngày), ETS cho giá trị nhỏ (hoặc không xác định đƣợc (không có kỹ năng)
– những ô màu trắng). Điều này là do ở phạm vi rộng hơn mức độ phù hợp giữa
dự báo và thám sát giảm đi.
Ở hình tiếp theo hình 3.26b và hình 3.26c là kết quả tính chỉ số ETS bằng
phƣơng pháp độ phủ tổi thiểu (minimum coverage). Trong trƣờng hợp này,
phƣơng pháp không có kỹ năng với những cƣờng độ mƣa trên 20mm/ngày, trên
ngƣỡng cƣờng độ này ETS có giá trị bằng 0 (các ô màu xanh dƣơng) hoặc xác
định đƣợc (những ô màu trắng). Trong hình 3.26b (anywhere in window), ta
76
thấy ETS có giá trị cao nhất ở quy mô không gian trung bình (0.42) ở ngƣỡng
cƣờng độ mƣa nhỏ dƣới 5 mm/ngày. Điều này là do ở một quy mô rộng lớn thì
điều kiện dự báo xảy ra ít nhất một sự kiện so với thám sát dễ đƣợc đáp ứng hơn
so với phạm vi quy mô nhỏ. Một trƣờng hợp khác của phƣơng pháp độ phủ tối
thiểu, độ phủ trên 50% (≥50 coverage), giá trị ETS lớn nhất ở các ngƣỡng cƣờng
độ mƣa nhỏ (dƣới 5mm/ngày) với quy mô không gian trung bình (hình 3.26c). Ở
ngƣỡng cƣờng độ mƣa lớn, quy mô không gian lớn hơn, ETS có giá trị bằng 0
hoặc không xác định đƣợc. Điều này cho thấy ở quy mô không gian rộng lớn
hơn mức độ phù hợp giữa dự báo và thám sát phải trên 50% là ít khả quan hơn ở
các quy mô không gian nhỏ ở tất cả các ngƣỡng cƣờng độ mƣa (đặc biệt là
những ngƣỡng mƣa lớn).
Hình 3.26. Kết quả đánh giá bằng phương pháp fuzzy cho hạn dự báo mưa tích lũy 24
giờ ngày 23/12/2007
77
Hai trƣờng hợp tiếp theo Hình 3.26d và hình 3.26e là phƣơng pháp fuzzy
lôgic và xác suất đồng thời (một dạng của phƣơng pháp fuzzy lôgic). Hai
phƣơng pháp này đều cho ETS bằng 0 (những ô màu xanh dƣơng) hoặc không
xác định đƣợc (những ô màu trắng) giá trị ETS ở các ngƣỡng mƣa trên
20mm/ngày. Trong khi đó, ở ngƣỡng mƣa dƣới 20mm/ ngày, fuzzy lôgic (Hình
2.26d) cho giá trị ETS hơn hơn ở quy mô lớn và quy mô trung bình với ngƣỡng
cƣờng độ mƣa nhỏ, còn xác suất đồng thời (hình 3.26e) thì cho giá trị ETS lớn ở
ngƣỡng cƣờng độ mƣa rất nhỏ (dƣới 5mm/ngày) với quy mô không gian nhỏ
(ETS lớn nhất 0.27 ở quy mô nhỏ hơn 126km).
Hình tiếp theo (Hình 3.26f) biểu diễn phƣơng pháp liên hợp các sự kiện
(Multi-event contingency table), ETS lớn hơn ở quy mô nhỏ với cƣờng độ mƣa
thấp (ETS lớn nhất bằng 0.28 ở ngƣỡng dƣới 5mm/ngày với quy mô 14km). Ở
các ngƣỡng mƣa trên 20mm/ngày giá trị ETS là không xác định đƣợc.
Điểm kỹ năng phần tử (FSS) (hình 3.26g), giá trị điểm số FSS cao ở quy
mô không gian lớn ở tất cả các ngƣỡng mƣa nhƣng cao nhất là ở ngƣỡng mƣa
thấp (dƣới 5mm/ngày). Điều này là do vị trí vùng mƣa dự báo lệch về phía nam
quá nhiều so với vị trí vùng mƣa thám sát, mặt khác dự báo lại chỉ cho kết quả
mƣa ở ngƣỡng thấp.
Khi dự báo cho các điểm trong chính ô lƣới chứ không phải là khu vực
lân cận, các kỹ năng lớn nhất trong việc phát hiện các sự kiện và không phải là
sự kiện xảy ra ở quy mô trung bình và cƣờng độ mƣa thấp (hình 3.24.h). Trƣờng
hợp này điểm số BSS có giá trị tuyệt đối lớn nhất ở quy mô nhỏ và ngƣỡng
cƣờng độ mƣa thấp.
Hình 3.26.i cho thấy tỷ lệ chính xác của phƣơng pháp thực nghiệm hoàn
hảo (Practically perfect hindcast). Trƣờng hợp này ETS cho giá trị lớn ở quy
mô không gian lớn và ngƣỡng cƣờng độ mƣa nhỏ dƣới 5mm/ngày (ETS lớn nhất
bằng 0.54). Ở ngƣỡng mƣa vừa (16-20mm/ngày) ETS có giá trị bằng 0, và ở
ngƣỡng trên 20mm/ngày ETS không xác định.
Tiếp theo là phƣơng pháp sai số bình phƣơng có điều kiện (CSRR) RPS
(hình 3.26j), phƣơng pháp này độc lập với ngƣỡng cƣờng độ mƣa, đƣợc biểu
diễn dƣới dạng đƣờng cong. Đƣờng CSRR có xu hƣớng giảm dần theo mức tăng
quy mô, tức là ở quy mô lớn hơn mô hình dự báo tốt hơn (vì CSRR gần giống
nhƣ độ lệch chuẩn của xác suất). Ở quy mô lớn hơn nữa đƣờng CSRR lại có xu
78
hƣớng tăng lên, ở quy mô quá lớn này, dự báo xác suất không còn sắc nét và
điểm số bắt đầu trở nên kém hơn.
Vùng liên đới RMSE tính giá trị sai số bình phƣơng trung bình, các đƣờng
biểu diễn trong hình 3.26k cho thấy đƣờng liên đới RMSE giảm mạnh theo mức
tăng quy mô. Điều này cũng phù hợp với xu hƣớng điểm FSS trong hình 3.26g,
điểm số đƣợc cải thiện khi tăng quy mô đồng nghĩa với việc sự phân bố mƣa dự
báo và thám sát trở nên phù hợp hơn.
79
KẾT LUẬN
Vì không có một điểm số đánh giá nào chứa đầy đủ thông tin cũng nhƣ ý
nghĩa ƣu việt do đó cần phải kết hợp tính toán nhiều điểm số nhằm đánh giá
đƣợc một cách toàn diện và khách quan trong phân tích kết quả.
Sau khi chọn phân tích kết hợp các điểm số đánh giá trên có chú trọng đến
tính hệ thống và tính ngẫu nhiên của sai số, tác giả đã rút ra một số kết luận sau:
* Đối với nhiệt độ:
Mô hình HRM cho nhiệt độ dự báo thấp hơn so với quan trắc khoảng 20C
(dự báo thiên thấp). Trong khi đó mô hình MM5 cho nhiệt độ dự báo cao hơn
quan trắc khoảng dƣới 0.50C (dự báo thiên cao). Sai số nhiệt độ trong mùa đông
thƣờng lớn hơn so với mùa hè. Kết quả đánh giá chung cho toàn chuỗi số liệu
của HRM cho thấy sai số lớn nhất thƣờng ở khu vực Bắc Bộ và nhỏ nhất là ở
khu vực Trung Bộ, MM5 cho sai số lớn ở khu vực Nam Bộ.
Tuy rằng mô hình MM5 cho giá trị độ lệch trung bình nhiệt độ nhỏ hơn so
với mô hình HRM nhƣng độ ổn định không cao (Có lúc dự báo cho giá trị nhiệt
độ thấp hơn so với thám sát thiên thấp, có lúc lại cho dự báo thiên cao). Và hệ số
tƣơng quan cũng thấp hơn so với mô hình HRM. Mô hình HRM luôn cho giá trị
nhiệt độ dự báo thấp hơn so với giá trị thám sát (ME luôn âm), kết hợp với giá
trị MAE chênh lệch không nhiều so với ME. Điều này khiến cho việc hiệu chỉnh
mô hình HRM sẽ dễ dàng hơn so với mô hình MM5.
Kết quả đánh giá nhiệt độ của đề tài này cho khu vực Bắc Bộ Việt Nam
hoàn toàn phù hợp với kết quả đề tài luận văn thạc sỹ: “Đánh giá sản phẩm mô
hình dự báo số HRM trƣờng nhiệt độ mùa đông ở Bắc Bộ Việt Nam” của tác giả
Vũ Anh Tuấn (2004).
* Đối với mƣa:
HRM cho dự báo mƣa mùa hè kém chính xác hơn trong mùa đông (ME
mùa đông dƣới 1mm/ngày, trong khi mùa hè tới gần 7mm/ngày tại khu vực Bắc
Bộ). Sai số lớn nhất thƣờng ở khu vực Bắc Bộ và nhỏ nhất ở khu vực Trung Bộ.
Trƣờng hợp chuỗi số liệu ngắn (HRM2) thƣờng cho sai số nhỏ hơn.
Mô hình MM5 cho dự báo lƣợng mƣa thiên thấp. MM5 cho dự báo lƣợng
mƣa thấp hơn so với thực tế ở khu vực Bắc Bộ và Trung Bộ, cũng nhƣ khu vực
Việt Nam. Chỉ riêng khu vực Nam Bộ cho lƣợng mƣa cao hơn, trong đó sai số
80
lớn nhất ở khu vực Bắc Bộ. Điều này cho thấy đối với dự báo lƣợng mƣa, mô
hình phi thủy tĩnh MM5 mô tả tốt hơn các quá trình khí quyển ở vùng vĩ độ
thấp.
Nhƣ vậy, xét chung cho toàn chuỗi số liệu ta thấy mô hình HRM cho dự
báo lƣợng mƣa thiên cao, còn mô hình MM5 dự báo mƣa thiên thấp. Cả hai mô
hình đều cho các giá trị độ lệch trung bình giữa dự báo và quan trắc lúc âm lúc
dƣơng (lúc dự báo thấp hơn thám sát, lúc lại dự báo cao hơn thám sát). Hệ số
tƣơng quan của HRM ổn định hơn trong các mùa so với MM5.
Kết hợp giữa các chỉ số có thể thấy mô hình HRM có tính ổn định và mức
độ tin cậy cao hơn so với mô hình MM5.
Ở cả hai mô hình, dự báo mƣa ở các ngƣỡng mƣa thấp cho kết quả chính
xác (độ tin cậy cao hơn) so với các ngƣỡng mƣa lớn.
* Đánh giá dự báo mƣa bằng phƣơng pháp fuzzy:
Ƣu điểm lớn nhất của phƣơng pháp đánh giá kết quả dự báo mƣa mô hình
HRM là có thể dễ dàng nhận thấy bằng trực giác ở những quy mô không gian
nào và ở ngƣỡng mƣa nào mô hình cho dự báo tốt hơn.
Các kết quả đƣợc tính trên đây chỉ chiếm một phần nhỏ của các điểm số
mà phƣơng pháp fuzzy có thể tính đƣợc. Tuy nhiên, rất khó để đồng thời làm rõ
ý nghĩa của tất cả các điểm số đó bằng một điểm số duy nhất, mà ngƣời dùng
phải kết hợp tất cả các điểm số đó mới đƣa ra đƣợc một kết luận đúng đắn nhất.
Đánh giá fuzzy là một phƣơng pháp hoàn toàn mới tại Việt Nam, số liệu mô
hình HRM có độ phân giải (14km) không đƣợc tinh nhƣ số liệu rađa của số liệu
mẫu (5km), số liệu chỉ chạy cho hai ngày không đủ dài để đánh giá thống kê.
Chính vì vậy mà việc áp dụng phƣơng pháp này trong khuôn khổ luận văn, tác
giả chủ yếu chú trọng đến việc thử nghiệm phƣơng pháp.
Tuy vậy, bƣớc đầu cũng đã thu đƣợc một số kết quả có ý nghĩa về mặt lý
thuyết. Về cơ bản mô hình HRM dự báo tốt đƣợc lƣợng mƣa ở cƣờng độ mƣa
không quá cao và HRM dự báo tốt hơn ở những quy mô không gian không quá
lớn.
Hƣớng nghiên cứu tiếp theo, tác giả có tham vọng sử dụng phƣơng pháp
này để đánh giá cho tất cả các mô hình dự báo thời tiết đang chạy nghiệp vụ tại
Việt Nam với độ chính xác đủ tin cậy./.
81
TÀI LIỆU THAM KHẢO
Tiếng Việt:
1. Nguyễn Văn Bảy (2003), Đánh giá dự báo mưa vừa, mưa lớn và trường dự
báo khí áp mực biển cho và trên khu vực Trung Bộ, Luận văn thạc sĩ Khoa học,
Đại học Khoa học Tự Nhiên, Đại học Quốc gia Hà Nội;
2. Dƣơng Liên Châu, Nguyễn Viết Thi (2007), Xây dựng hệ thống chỉ tiêu đánh
giá chất lượng dự báo khí tượng thủy văn, Đề tài cấp Nhà nƣớc, Trung tâm Dự
báo Khí tƣợng thủy văn Trung Ƣơng;
3. Hoàng Đức Cƣờng (2004), Nghiên cứu thử nghiệm áp dụng mô hình khí tượng
động lực quy mô vừa MM5 trong dự báo hạn ngắn ở Việt Nam, Viện Khoa học
Khí tƣợng Thủy văn và Môi trƣờng, tháng 12/2004 – Đề tài cấp Nhà nƣớc;
4. Hoàng Đức Cƣờng (2007), Nghiên cứu thử nghiệm dự bao mưa lớn ở Việt
Nam bằng mô hình MM5, Viện Khoa học Khí tƣợng Thủy văn và Môi trƣờng,
tháng 12/2007– Đề tài cấp Nhà nƣớc;
5. Nguyễn Đình Dũng (2007), Nghiên cứu Đánh giá chất lượng sản phẩm dự
báo khí hậu và xây dựng quy trình đánh giá trong dự báo nghiệp vụ, Viện Khoa
học Khí tƣợng Thủy văn và Môi trƣờng, 2007.
6. Trần Quang Năng (2009), Đánh giá sai số hệ thống dự báo mưa của mô hình
HRM cho khu vực đông Bắc Bộ, Luận văn thạc sĩ Khoa học, Đại học Khoa học
Tự Nhiên, Đại học Quốc gia Hà Nội, Hà Nội;
7. Đỗ Lệ Thủy (2009), Nghiên cứu xây dựng hệ thống dự báo các yếu tố khí
tượng bằng phương pháp thống kê trên sản phẩm mô hình HRM, Trung tâm Khí
tƣợng Thủy văn Quốc gia – Đề tài cấp Nhà nƣớc;
8. Vũ Anh Tuấn (2004), Đánh giá sản phẩm mô hình dự báo số (HRM) trường
nhiệt độ mùa Đông ở Bắc bộ Việt Nam, Luận văn thạc sĩ Khoa học, Đại học
Khoa học Tự nhiên, Đại học Quốc gia Hà Nội;
Tiếng Anh:
1. Atger, F. (2001), “Verification of intense precipitation forecasts from single
models and ensemble prediction systems”, Nonlin. Proc. Geophys., 8, 401-417.
2. Brooks, H.E., M. Kay and J.A. Hart (1998), “Objective limits on forecasting
skill of rare events”, 19th Conf. Severe Local Storms, AMS, 552-555.
3. Damrath, U., (2004) “Verification against precipitation observations of a high
density network – what did we learn” Intl. Verification Methods Workshop, 15-
17 September 2004, Montreal, Canada. [Available online at
82
http://www.bom.gov.au/bmrc/wefor/staff/eee/verif/Workshop2004/presentations
/5.3_Damrath.pdf; 24 November 2006.
4. Elizabeth E. Ebert (2006), “Fuzzy Verification of High Resolution Gridded
Forecasts”, Review and Proposed Framework, Bureau of Meteorology
Research Centre, Australia;
5. Germann, U. and I. Zawadzki, (2004) “Scale dependence of the predictability
of precipitation from continental radar images”, Part II: Probability forecasts. J.
Appl. Meteorol., 43, 74-89.
6. Henry R. Stanski, Laurence J. Wilson and William R. Burrows (1990),
“Survey of common verification methods in meteorology”, Atmospheric
Environment Service Forecast Research Division 4905 Dufferin Street,
Downsview, Ontation, Canada M3H 5T4;
7. Murphy, A.H. and R.L. Winkler, 1987, “A general framework for forecast
verification”. Mon. Wea. Rev. 115, 1330-1338.
8. Rezacova, D., Z. Sokol and P. Pesice, (2005), “A radar-based verification of
precipitation forecast for local convective storms”, Atmos. Res., in press.
9. Roberts, N.M., (2005), “An investigation of the ability of a storm-scale
configuration of the Met Office NWP model to predict flood-producing
rainfall”, Forecasting Research Tech. Rept. 455, Met Office, 80 pp.
10. Theis, S.E., A. Hense and U. Damrath, (2005), “Probabilistic precipitation
forecasts from a deterministic model: a pragmatic approach”, Meteorol. Appl.,
12, 257-268.
11. Weygandt, S.S., A.F. Loughe, S.G. Benjamin and J.L. Mahoney, (2004),
“Scale sensitivities in model precipitation skill scores during IHOP”, 22nd
Conf.
Severe Local Storms, Amer. Met. Soc., 4-8 October 2004, Hyannis, MA.
12. Yates, E., S. Anquetin, V. Ducrocq, J.-D. Creutin, D. Ricard and K.
Chancibault, (2006), “Point and areal validation of forecast precipitation fields”,
Meteorol. Appl., 13, 1-20.
13. Zepeda-Arce, J., E. Foufoula-Georgiou, and K.K. Droegemeier, (2000),
“Space-time rainfall organization and its role in validating quantitative
precipitation forecasts”, J. Geophys. Res., 105 (D8), 10,129-10,146.
14. Zimmermann, H.-J., (2001), “Fuzzy Set Theory and Its Applications”,
Kluwer Dordrecht, 507 pp.