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

Ngưỡng mưa (mm) C h ỉ s ố P O D KuO BM Grell FAR -36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F A R KuO BM Grell Hình 3.7. Tương tự như 3.5, thời hạn dự báo 36h 48 FBI -48h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F B I KuO BM Grell TS -48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố T S KuO BM Grell POD -48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố P O D KuO BM Grell FAR -48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) C h ỉ s ố F A R KuO BM Grell Hình 3.8. Tương tự như 3.5, thời hạn dự báo 48h Sau khi thử nghiệm áp dụng mô hình MM5 để dự báo ba đợt mưa lớn xảy ra trên khu vực nghiên cứu trong các năm 2005- 2007. Chúng tôi có một số nhận xét sau đây: - Mô hình MM5 đã dự báo được khá chính xác về diện mưa của ba đợt mưa đã được chọn thử nghiệm. Tuy nhiên lượng mưa dự báo của mô hình luôn có xu hướng nhỏ hơn lượng mưa quan trắc thực tế. - Trong 3 sơ đồ TSHĐL đã thử nghiệm, sơ đồ BM cho kỹ năng dự báo ổn định hơn so với 2 sơ đồ KuO và Grell trong dự báo các đợt mưa lớn. Đó cũng chính là lý do mà trong nghiên cứu này chúng tôi lựa chọn sơ đồ BM đề thử nghiệm dự báo thời gian thực và đánh giá dự báo nghiệp vụ. 49 3.4. Khả năng dự báo mưa lớn Mưa lớn sinh ra do nhiều hình thế thời tiết khác nhau, chẳng hạn như do ảnh hưởng của ATNĐ, bão, ITCZ, KKL, gió mùa tây nam, rãnh áp thấp,... hay sự kết hợp phức tạp của các hình thế nêu trên. Mỗi một hình thế thời tiết có những cơ chế vật lý cũng như động lực học khác nhau, ví dụ như trong bão có sự kết hợp giữa bất ổn định mạnh trên vùng đại dương nhiệt đới nóng với hội tụ ẩm mực thấp của các hệ thống hoàn lưu khu vực nhiệt đới. Trong ITCZ thì vai trò quyết định là bất ổn định trong những ổ đối lưu sâu nhiệt tới tạo nên dòng thăng mạnh và gây ra mưa lớn. Vì vậy, với mỗi một sơ đồ TSHĐL có thể mô phỏng tốt mưa trong hình thế này nhưng lại không tốt đối với hình thế khác, phụ thuộc vào những quan niệm và ý tưởng thiết lập sơ đồ. Theo thống kê của chúng tôi, trong 3 mùa mưa 2005- 2007 có 23 đợt mưa lớn diện rộng ở khu vực Nam Trung Bộ. Các hình thế gây mưa lớn chủ yếu là do ảnh hưởng của ICTZ, không khí lạnh hoặc ảnh hưởng tổ hợp của KKL với ICTZ, bão, ATNĐ và một số hệ thống khác nhưng tần suất xuất hiện ít hơn. Do đó, để đánh giá khả năng dự báo của mô hình MM5 so với quan trắc thực tế chúng tôi đã chia thành 3 loại hình thế sy nốp điển hình gây mưa lớn (Bảng 3.1). 50 Bảng 3.1: Bảng tổng hợp các hình thế gây mưa lớn từ năm 2005- 2007 STT Thời gian Bão, ATNĐ KKL KKL kết hợp với Bão, ATNĐ 1 10-13/9/2005 x 2 13-15/9/05 x 3 18-20/9/2005 x 4 27-28/9/2005 x 5 7-13/10/2005 x 6 22-27/10/2005 x 7 29/10-2/11/2005 x 8 16-20/11/2005 x 9 22-27/11/2005 x 10 30/11-8/12/2005 x 11 11-21/12/2005 x 12 23-27/9/2006 x 13 29/9-4/10/2006 x 14 01-6/10/2007 x 15 7-9/11/2006 x 16 3-6/12/2006 x 17 13-18/10/2007 x 18 24-27/10/2007 x 19 30/10-5/11/2007 x 20 9-13/11/2007 x 21 16-20/11/2007 x 22 22-24/11/2007 x 23 3-7/12/2007 x Tổng 9 7 7 51 - Hình thế ảnh hưởng của Bão hoặc ATNĐ: Theo qui luật hoạt động, vào tháng 9, ITCZ dịch chuyển dần xuống Trung Bộ và Nam Trung Bộ. Đến tháng 10, ITCZ dịch chuyển xuống Nam Bộ. Cùng với bão, hoạt động của ITCZ chi phối tình hình mưa ở khu vực này. Trên hình 3.10 (a,b) dẫn ra bản đồ phân tích synốp tại mặt đất và mực AT500 vào lúc 00Z ngày 17/9/2005, là một trường hợp điển hình về loại hình thế này. Hình 3.9: (a)- Bản đồ mặt đất, (b)- AT 500mb lúc 00Z ngày 17/9/2005 (c,d)- tương tự như a,b nhưng là mô phỏng của mô hình MM5. 52 - Hình thế ảnh hưởng của không khí lạnh: Hình thế synốp KKL ảnh hưởng độc lập hay đơn thuần là cách nói tương đối trong phân tích hình thế synốp để chỉ ra quá trình xâm nhập của KKL xuống phía nam mà không kết hợp với những hệ thống thời tiết khác ở vùng nhiệt đới. Trên hình 3.10(a,b) là bản đồ phân tích mặt đất và AT500 lúc 00Z ngày 16/11/2000. Hình 3.10(b,c) là mô phỏng của mô hình MM5 lúc 00Z ngày 04/12/2005, đây là một trường hợp điển hình của loại hình thế thời tiết ảnh hưởng của KKL đối với khu vực Nam Trung Bộ. Hình 3.10: (a)- Bản đồ mặt đất, (b)- AT 500mb lúc 00Z ngày 16/11/2000 (b,c) là mô phỏng của mô hình MM5 lúc 00Z ngày 04/12/2007. (b) (a) 53 - Hình thế ảnh hưởng kết hợp của KKL với ICTZ, Bão hoặc ATNĐ: Đây là loại hình thế sy nốp mà khu vực chịu ảnh hưởng của dải ICZ hoặc bão hay ATNĐ kết hợp với KKL. Loại hình thế thời tiết này có đặc trưng là thời gian mưa kéo dài hơn so với 2 hình thế đã nêu ở trên và thường xảy ra trong các tháng 10, tháng 11. Hình 3.11 (a,b) là bản đồ phân tích mặt đất là mực 500mb lúc 00Z ngày 11/11/2001; hình (b,c) cũng tương tự như hình (a,b) nhưng là mô phỏng của MM5 tại 00Z ngày 29/11/2005, đây là những ví dụ điển hình về dạng hình thế thời tiết loại này. Hình 3.11: (a)- Bản đồ mặt đất, (b)- AT 500mb lúc 00Z ngày 16/11/2000 (b,c) là mô phỏng của mô hình MM5 lúc 00Z ngày 29/11/2005. 54 Trên cơ sở phân chia các loại hình thế gây mưa lớn ở Nam Trung Bộ, chúng tôi đã chạy mô hình MM5 theo các cấu hình miền tính, độ phân giải ngang và các tùy chọn tham số hóa vật lý đã mô tả trong mục 3.1. Riêng sơ đồ tham số hóa đối lưu ở đây là sơ đồ Betts-Miller. Hạn dự báo của mô hình là 48h. Kết quả dự báo của mô hình được đánh giá theo từng loại hình thế gây mưa lớn. Việc đánh giá được thực hiện theo hai phương pháp là so sánh trực tiếp (hay đánh giá trực quan) và sử dụng các chỉ số thống kê định lượng.  Đánh giá trực quan: Đánh giá trực quan cho phép nhận biết một cách trực tiếp mức độ chính xác của mô hình cho từng trường hợp cụ thể. Tuy nhiên, do số trường hợp cần so sánh, đánh giá quá lớn (>400 trường hợp), ở đây không thể trình bày đầy đủ tất cả các trường hợp đã thử nghiệm. Thay vào đó, chúng tôi chỉ phân tích một số trường hợp điển hình. Mặc dù vậy, những kết luận chung được rút ra từ việc phân tích cho tất cả các trường hợp dự báo: - Trường hợp ảnh hưởng trực tiếp của ATNĐ ngày 12/9/2005: Ngày 12/9/2005, do ảnh hưởng trực tiếp của áp thấp nhiệt đới (ATNĐ) nên ở khu vực Nam Trung Bộ đã có mưa vừa, mưa to đến rất to. Trên hình 3.12 là trường mưa dự báo tích lũy từ 12-48h (a,b,c,d) và trường mưa quan trắc thực tế (e,f,g,h). Có thể nhận thấy, mô hình đã dự báo được khá chính xác trường mưa so với thực tế, đặc biệt là các tâm mưa lớn và vùng ít mưa. Cụ thể, trong các hạn dự báo mô hình đều dự báo được vùng mưa lớn ở vùng ven biển phía bắc Nam Trung Bộ (phía bắc vĩ độ 13) và cả vùng cao nguyên Nam Trung Bộ đồng thời đã dự báo vùng ít mưa và mưa nhỏ ở phía nam 120N (Khánh Hòa đến Bình Thuận). Điều này khá phù hợp diễn biến thực tế của ngày 12/9/2005 (ATNĐ 55 nằm sát vùng biển Phú Yên- Bình Định nên vùng mưa lớn xảy ra ở phía bắc của hoàn lưu ATNĐ). Hình 3.12. Mưa tích lũy dự báo và quan trắc từ 00UTC ngày 12/9/2005. (a, b, c) - lượng mưa dự báo của mô hình;(d, e, f) - lượng mưa quan trắc - Trường hợp ảnh hưởng của cơn bão số 6, ngày 29/9/2006: Ngày 29/9/2006, do ảnh hưởng của rìa phía nam cơn bão số 6 nên ở khu vực Nam Trung Bộ đã có mưa, mưa vừa, riêng phía bắc khu vực có mưa to. Trên hình 3.13 (a,b,c,d) là trường mưa dự báo với các thời hạn 12h-48h, các hình 3.13 (e,f,g,h) là lượng mưa quan trắc thực tế tại các trạm thuộc khu vực Nam Trung Bộ. So sánh trường mưa dự báo của mô hình với trường mưa quan trắc thực tế cho thấy mô hình đã dự báo khá tốt trường mưa, đặc biệt là các tâm mưa lớn. 56 Tuy nhiên ở các thời hạn dự báo 24-48h, lượng mưa do mô hình dự báo cao hơn so với số liệu thực tế khá lớn. Nhận xét chung rút ra được khi phân tích các trường hợp có hình thế ảnh hưởng của bão và ATNĐ đối với khu vực Nam Trung Bộ là mô hình dự báo khá tốt về diện mưa nhưng về lượng thì luôn có xu hướng thấp hơn quan trắc. Hình 3.13: tương tự như hình 3.12, ngày 29/9/2006 - Trường hợp ảnh hưởng của không khí lạnh ngày 17/10/2007: Từ ngày 16/10-19/10/2007, do ảnh hưởng của không khí lạnh tăng cường mạnh nên ở khu vực Nam Trung Bộ đã xảy một đợt mưa lớn diện rộng. Đặc biệt ở tỉnh Bình Định, lượng mưa ngày một số nơi đạt trên 100mm, như TP. Quy Nhơn, huyện An Hòa. Để đánh giá diện mưa dự báo của mô hình với diện mưa 57 quan trắc thực tế, việc so sánh các hình 3.14(a)-(d), (b)-(e), (c) và (f) cho thấy, ở các hạn dự báo mô hình đều dự báo được tâm mưa lớn ở khu vực phía bắc, tuy nhiên ở khu vực phía nam (từ Bình Thuận trở vào), thậm chí cả Nam Bộ mô hình vẫn dự báo mưa đều khắp, trong khi đó ở khu vực này đang là thời kỳ mùa khô, không mưa. Hình 3.14: tương tự như hình 3.12, ngày 17/10/2007 - Trường hợp ảnh hưởng hợp của bão kết hợp với KKL ngày 23/11/2007: Đây là một trường hợp điển hình về mưa lớn do ảnh hưởng kết hợp của không khí lạnh với bão. Diễn biến thực tế như sau: trưa ngày 23/11, bão số 7 đổi hướng di chuyển sang hướng Tây bắc. Hồi 13h ngày 23/11, vị trí tâm bão ở vào khoảng 11,7 độ vĩ bắc, 110,9 độ kinh đông, cách bờ biển các tỉnh Khánh Hòa - 58 Bình Thuận khoảng 200km về phía đông đông nam. Sức gió mạnh nhất ở vùng gần tâm bão mạnh cấp 11, cấp 12, giật trên cấp 12. Quan sát trên các hình 3.15(a,b,c,d), chúng ta thấy mô hình đã mô phỏng khá tốt vị trí trung tâm cơn bão số 7 và các vùng mưa lớn phân bố tập trung theo các dải mây đối lưu nằm ở rìa phía bắc hoàn lưu cơn bão số 7. So sánh trường mưa do mô hình dự báo với trường mưa quan trắc thực tế trên hình 3.15(e,f,g,h) cho thấy mô hình đã dự báo khá tốt về diện và lượng mưa ở phía bắc khu vực, đặc biệt là các tâm mưa lớn, nhưng ở phía nam của khu vực Nam Trung Bộ (từ phía nam 110N) mô hình cho dự báo khống trên phạm vi lớn kể cả diện và lượng mưa, trong khi quan trắc thực tế ở các trạm không hề có mưa. Hình 3.15: tương tự như hình 3.12, ngày 23/11/2007 59  Đánh giá thông qua các chỉ số thống kê: Trên hình 3.16 biểu diễn chỉ số FBI tính cho các đợt mưa lớn tương ứng với các hình thế thời tiết gây mưa khác nhau. Trục hoành biểu diễn ngưỡng mưa với các giá trị là 0.1, 5, 10, 20, 30, 40 và 50mm/ngày. Trục tung là giá trị của chỉ số FBI. Giá trị tương ứng nhận được của các hình thế thời tiết là các đường cong với chú giải như trên hình vẽ. Chúng ta thấy, ở các hạn dự báo 24-48h giá trị FBI đều đạt xấp xỉ và cao hơn 80% trong các hình thế thời tiết, điều đó chứng tỏ mô hình dự báo được diện mưa gần bằng với diện mưa quan trắc. Trong các thời hạn dự báo, mô hình luôn cho dự báo khống diện mưa đối với loại hình thế ảnh hưởng của bão hoặc ATNĐ nhưng lại dự báo hụt trong trường hợp ảnh hưởng của KKL hoặc tổ hợp ảnh hưởng của KKL với bão hoặc ATNĐ. Tuy nhiên, có một đặc điểm đáng lưu ý là ở hạn dự báo 24-48h, mô hình luôn dự báo khống khá lớn với hình thế thời tiết ảnh hưởng của KKL. So sánh với kết quả đánh giá diện mưa dự báo trong các nghiên cứu [2,4], chúng tôi cho rằng mô hình MM5 đã dự báo khá tốt về diện mưa trong cả 3 loại hình thế thời tiết gây mưa lớn tương ứng với các thời hạn dự báo. Chỉ số FBI hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FBI hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I Bão, ATNĐ KKL KKL+Bão, ATNĐ 60 Chỉ số FBI hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FBI hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.16: Chỉ số FBI đánh giá dự báo mưa từ tháng 9-12 các năm 2005-2007 Chỉ số TS hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số TS hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số TS hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số TS hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.17: tương tự hình 3.16, chỉ số TS Chỉ số TS là một trong những chỉ số đánh giá kỹ năng của mô hình. Từ hình 3.17 ta thấy TS giảm rất nhanh khi ngưỡng mưa tăng lên. Giá trị TS giảm từ 61 60% ở ngưỡng mưa 0,1mm ở hạn dự báo 12h xuống dưới 20% ở ngưỡng mưa trên 30mm với hình thế loại 2 và 40mm với hình thế loại 1 và loại 3. Ở các hạn dự báo 36h- 48h, chỉ số TS cao nhất đạt 0,8 ở ngưỡng mưa nhỏ, sau đó giảm nhanh ở các ngưỡng mưa vừa, mưa to, trong đó TS của hình thế thời tiết ảnh hưởng tổ hợp của KKL với bão, ATNĐ vượt trội hơn so với hình thế ảnh hưởng của KKL hoặc bão, ATNĐ đơn thuần. Trên hình 3.18 là chỉ số TS đánh giá dự báo các đợt mưa lớn trong các năm 2003-2005 của mô hình HRM với hạn dự báo 24h cho Việt Nam của tác giả Vũ Thanh Hằng [4]. Nhận thấy rằng mô hình HRM với các sơ đồ TSHĐL khác nhau, kể cả phiên bản dự báo được cải tiến khi sử dụng sơ đồ TSHĐL mới, chỉ số TS cũng rất thấp, ở hạn dự báo 24 hầu như chỉ đạt dưới 60%; đặc biệt trong trường hợp mưa do ảnh hưởng của KKL chỉ số TS đều ở mức dưới 50%. Kết quả đánh giá dự báo các đợt mưa lớn năm 2004-2005 của mô hình MM5 chạy dự báo với hai miền tính có độ phân giải ngang tương ứng là 45km và 15km của tác giả Hoàng Đức Cường [2] cho thấy chỉ số TS cũng khá thấp, ở hạn dự báo 24h chỉ số TS hầu như dưới 50% và giảm rất nhanh ở các ngưỡng mưa vừa, mưa lớn. 62 Hình 3.18: Chỉ số chỉ số TS của mô hình HRM Chỉ số POD biểu thị xác suất phát hiện đúng sự kiện, nó là tỷ số giữa số lần dự báo đúng sự xuất hiện sự kiện trên tổng số trường hợp xuất hiện sự kiện, có giá trị biến thiên từ 0->1. Có thể thấy từ hình 3.19, chỉ số POD giảm khá nhanh từ ngưỡng mưa nhỏ đến ngưỡng mưa lớn. Ở hạn dự báo 12h, mô hình cho khả năng dự báo đúng đạt 40% với ngưỡng mưa dưới 20mm nhưng ở ngưỡng mưa lớn hơn thì khả năng phát hiện mưa của mô hình rất thấp, dưới 20% đối với cả 3 loại hình thế thời tiết. Khi hạn dự báo tăng lên 24h thì chỉ số POD của mô hình cũng tăng lên, đạt 40% ở ngưỡng mưa 50mm. Đặc biệt với hạn dự báo 48h, POD đạt trên 40% ở ngưỡng mưa 100mm và đạt từ 50%-90% ở các ngưỡng mưa dưới 50mm. Nhìn chung, chỉ số POD dự báo với hình thế ảnh hưởng của KKL hoặc tổ hợp ảnh hưởng của KKL với Bão hoặc ATNĐ ít có sự khác biệt nhau và có xu hướng cao hơn trong trường hợp ảnh hưởng của Bão, ATNĐ. 63 Chỉ số POD hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số POD hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số POD hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số POD hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.19: Tương tự hình 3.16, chỉ số POD Trên hình 3.20 là kết quả đánh giá dự báo của mô hình HRM với hạn dự báo 24h trong các đợt mưa lớn từ năm 2003-2005 ở Việt Nam của tác giả Vũ Thanh Hằng [4]. Có thể nhận thấy, chỉ số POD của mô hình HRM với các phiên bản ứng với 4 sơ đồ TSHĐL khác nhau cũng giảm nhanh theo các ngưỡng mưa, ngoại trừ chỉ số POD của phiên bản dự báo sử dụng sơ đồ TSHĐL BMJ khá cao, còn lại cho xác suất phát hiện đúng rất thấp. 64 Hình 3.20: Tương tự như hình 3.18, chỉ số POD Hình 3.21 biểu diễn chỉ số FAR, là chỉ số đặc trưng cho sai số dự báo khống của mô hình. Qua đó ta thấy, trong cả 4 hạn dự báo 12- 48h, sai số dự báo khống của mô hình nhỏ nhất trong trường hợp mưa lớn do ảnh hưởng của KKL kết hợp với Bão hoặc ATNĐ, nhưng lại cho dự báo khống lớn nhất với hình thế ảnh hưởng KKL ở hạn dự báo 12h và hình thế ảnh hưởng của bão, ATNĐ trong các hạn dự báo 24- 48h. 65 Chỉ số FAR hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FAR hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FAR hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số FAR hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.21: tương tự hình 3.16, chỉ số FAR Độ chính xác chung của mô hình được phản ánh qua chỉ số PC (hình 3.22). Có thể thấy, với các hạn dự báo khác nhau giá trị PC đều đạt trên 60%, và khá ổn định theo ngưỡng mưa. Trong 3 hình thế thời tiết thì trường hợp ảnh hưởng của bão, ATNĐ có giá trị PC thấp nhất so với 2 hình thế còn lại. Chỉ số PC hạn dự báo 12h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số PC hạn dự báo 24h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C Bão, ATNĐ KKL KKL+Bão, ATNĐ 66 Chỉ số PC hạn dự báo 36h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C Bão, ATNĐ KKL KKL+Bão, ATNĐ Chỉ số PC hạn dự báo 48h 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C Bão, ATNĐ KKL KKL+Bão, ATNĐ Hình 3.22: Tương tự như hình 3.16, chỉ số PC Ngoài việc đánh giá sự xuất hiện hiện tượng theo các cấp lượng mưa đã trình bày trên đây, chúng tôi đã tiến hành tính các đặc trưng phản ánh sai số dự báo định lượng mưa ME, MAE và RMSE (bảng 3.3). Ngoài việc đánh giá sự xuất hiện hiện tượng theo các cấp lượng mưa đã trình bày trên đây chúng tôi đã tiến hành tính các đặc trưng phản ánh sai số dự báo định lượng mưa ME, MAE và RMSE (bảng 3.3). Qua đó nhận thấy, mô hình đều cho dự báo thấp hơn quan trắc (ME < 0) trong tất cả các hạn dự báo của hình thế ảnh hưởng bởi ICTZ, Bão, ATNĐ kết hợp với KKL. Với các hình thế ảnh hưởng KKL hoặc ICTZ, Bão, ATNĐ thì sai số ME <0 ở hạn dự báo 12h nhưng đều dương trong các hạn dự báo 24-48h. Tỷ số giữa sai số MAE và trung bình lượng mưa quan trắc thực tế biến động từ 0,8- 1,1. Trong đó sai số lượng mưa dự báo của mô hình trong các hình thế ảnh hưởng của ICTZ, Bão, ATNĐ luôn trên 100%, trong các hình thế ảnh hưởng KKL hoặc ảnh hưởng kết hợp của KKL với ICTZ, Bão, ATNĐ dao động từ 80-100%. 67 Bảng 3.2. Chỉ số ME, MAE, RMSE tương ứng với các hình thế Hình thế thời tiết Hạn dự báo ME MAE RMSE Trung bình quan trắc MEA/Trung bình quan trắc 12 -0.541 9.380 18.628 8.400 1.117 24 2.848 17.743 31.154 16.400 1.082 36 6.360 27.709 43.464 25.700 1.078 Bão hoặc ATNĐ 48 9.225 33.400 51.620 32.600 1.025 12 -1.004 9.887 19.695 9.000 1.099 24 0.229 16.982 31.584 16.900 1.005 36 0.718 24.406 42.759 26.000 0.939 KKL 48 2.260 29.718 51.601 34.700 0.856 12 -3.304 17.759 35.225 16.900 1.051 24 -5.975 33.653 59.414 35.400 0.951 36 -7.093 47.010 77.335 51.800 0.908 Bão hoặc ATNĐ + KKL 48 -12.866 59.860 95.279 67.600 0.886 Đánh giá chung cho dự báo của MM5 đối với 23 đợt mưa lớn với các hình thế đặc trưng trong 3 năm 2005, 2006 và 2007 là: - Diện mưa dự báo của mô hình luôn nhỏ hơn so với diện mưa quan trắc trong trường hợp ảnh hưởng của KKL nhưng lớn hơn trong trường hợp có bão hoặc ATNĐ đối với các thời hạn dự báo 12h đến 48h. - Lượng mưa dự báo của mô hình luôn cao hơn quan trắc thực tế đối với loại hình thế thời tiết ảnh hưởng của KKL hoặc có sự kết hợp của KKL với dải hội tụ nhiệt đới, bão hoặc ATNĐ và luôn luôn thấp hơn trong trường hợp ảnh hưởng của ICTZ, bão hay ATNĐ. 68 - Về cơ bản, mô hình MM5 với cấu hình thí nghiệm đã lựa chọn có khả năng dự báo được các đợt mưa lớn thời kỳ 2005-2007 cho khu vực Nam Trung Bộ. Các chỉ số đánh giá kỹ năng dự báo của mô hình đối với 3 loại hình thế đặc trưng gây mưa lớn đã chứng tỏ kỹ năng của mô hình nói chung tương đương với những kết quả đánh giá của các công nghiên cứu khác trong nước. 3.5. Khả năng dự báo nghiệp vụ Để đánh giá khả năng ứng dụng vào nghiệp vụ dự báo thời tiết, mô hình MM5 đã được chạy theo chế độ nghiệp vụ vào kỳ dự báo 00UTC hàng ngày cho các tháng mùa mưa của khu vực Nam Trung Bộ (tháng 9 đến tháng 12) trong các năm 2005-2007. Dưới đây trình bày kết quả đánh giá kỹ năng dự báo của mô hình đối với 3 yếu tố thời tiết cơ bản là lượng mưa tích lũy 12h, 24h, 36h và 48h; nhiệt độ không khí (T2m) và tốc độ gió bề mặt (gió tại độ cao 10m) ở các hạn dự báo 12h, 24h, 36h, 48h. Số liệu mưa (20 trạm), nhiệt độ và tốc độ gió (10 trạm) quan trắc thực tế được trích xuất tương ứng với thời gian dự báo của mô hình. Việc đánh giá sai số của mô hình dựa trên các chỉ số thống kê được tính căn cứ vào các chuỗi số liệu quan trắc và dự báo. Số liệu quan trắc được thu thập từ mạng lưới trạm trên khu vực, còn số liệu dự báo được nội suy từ các trường dự báo về vị trí trạm khi sử dụng phần mềm GrADS. Độ dài các chuỗi số liệu (dung lượng mẫu) bằng số lần thực hiện dự báo (mỗi ngày một lần vào lúc 00UTC, từ 01/9-31/12 của 3 năm 2005-2007) nhân với số lượng trạm quan trắc có số liệu. Đối với trường lượng mưa, các chỉ số thống kê được tính cho cả tình huống đánh giá dự báo hiện tượng (hiện tượng mưa xảy ra với lượng vượt quá một ngưỡng nào đó) và đánh giá dự báo biến liên tục. Lượng mưa tích lũy được tính 69 theo hạn dự báo, tức là với hạn dự báo 12h thì lượng mưa tích lũy từ 0-12h,…, với hạn dự báo 48h thì lượng mưa tích lũy từ 0-48h. 3.5.1. Trường mưa Kết quả tính chỉ số FBI được dẫn ra trên hình 3.23. Có thể thấy rằng, hầu như tất cả các hạn dự báo 24h đến 48h, chỉ số FBI đều lớn hơn 1, tức là diện mưa do mô hình dự báo lớn hơn diện mưa quan trắc thực tế, trong khi đó với hạn dự báo 12h giá trị FBI nhỏ hơn 1 và khá ổn định ở tất cả các ngưỡng. Với các ngưỡng lượng mưa dưới 20 mm, giá trị FBI khá gần với 1 ở tất cả các thời hạn dự báo từ 12h-48h. Nói cách khác, trong các trường hợp mưa nhỏ, diện mưa của mô hình gần tương đương với diện mưa thực tế. Trong các trường hợp mưa vừa, mưa lớn, mô hình có thể cho dự báo sót ở hạn dự báo 12h và sẽ cho dự báo khống ở các hạn dự báo dài hơn. Chỉ số FBI tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F B I 12h 24h 36h 48h Chỉ số TS tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) T S 12h 24h 36h 48h Hình 3.23: Chỉ số FBI, TS đánh giá dự báo mưa từ tháng 9-12 các năm 2005-2007 Đối với chỉ số TS (hình 3.23), khi hạn dự báo và ngưỡng mưa tăng lên giá trị của TS giảm khá nhanh. Cụ thể, với hạn dự báo 12h, chỉ số TS chỉ đạt 30 - 50% ở ngưỡng mưa nhỏ (dưới 5mm/12h), 10-20% ở ngưỡng mưa 10-30mm và dưới 10% với ngưỡng mưa trên 40mm/12h. Với hạn dự báo 24h, TS cũng chỉ đạt 40- 60% ở ngưỡng mưa dưới 5mm, 30-40% với ngưỡng mưa 10-30mm và dưới 70 20% ở các ngưỡng mưa lớn hơn 40mm. Các thời hạn dự báo 36-48h, nhìn chung chỉ số TS không có sự khác biệt lớn, đạt từ 40-70% với ngưỡng mưa dưới 10mm, 20% ở ngưỡng mưa 20-50mm và giảm xuống dưới 20% ở ngưỡng mưa 100mm trong các thời hạn dự báo 36h đến 48h. Chỉ số POD tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P O D 12h 24h 36h 48h Chỉ số FAR tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) F A R 12h 24h 36h 48h Hình 3.24: tương tự như hình 3.23, chỉ số POD, FAR Việc phân tích giá trị của chỉ số POD (hình 3.24) cho thấy, với hạn dự báo 12h, xác suất dự báo đúng của mô hình có giá trị nhỏ nhất và giảm rất nhanh theo ngưỡng lượng mưa. Trong trường hợp này, xác suất dự báo đúng của mô hình cao nhất chỉ đạt từ 40-70% ở các ngưỡng lượng mưa nhỏ hơn 10mm. Ở các ngưỡng mưa lớn hơn, giá trị POD đều ở mức dưới 40%. Khi hạn dự báo tăng lên từ 24h đến 48h, xác suất dự báo đúng của mô hình cũng được tăng đáng kể. Xác suất dự báo đúng có thể đạt từ 50% đến 90% ở các ngưỡng mưa dưới 20mm, 40%- 50% ở ngưỡng mưa 30-40mm và dưới 40% ở ngưỡng mưa >50mm. Chỉ số FAR trong tất cả 4 thời hạn dự báo đều >0.2, chứng tỏ mức độ dự báo khống của mô hình có thể trên 20%. Hạn dự báo càng tăng, ứng với khoảng thời gian tích lũy lượng mưa càng dài, tính bất liên tục của trường lượng mùa càng giảm, thì chỉ số FAR giảm dần, tức là số lần dự báo khống sẽ ít hơn. Tuy nhiên, khi tăng ngưỡng mưa thì tính bất liên tục sẽ tăng lên, và do đó có thể kéo 71 theo giá trị của FAR sẽ giảm. Chẳng hạn, ở ngưỡng mưa dưới 10mm, mô hình cho dự báo khống từ 20- 60% với hạn dự báo 24-48h, riêng hạn dự báo 12h cao hơn từ 40- trên 60%. Ở các ngưỡng mưa lớn từ 20mm- 50mm, mô hình dự báo khống nhiều hơn và tăng từ 60%-80% ở các hạn dự báo 24h- 48h. Trên các hình 3.25 biểu diễn sự biến thiên của các chỉ số ETS, chỉ số này đặc trưng cho khả năng dự báo thành công của mô hình ở các ngưỡng mưa đã chọn. Nhìn chung chỉ số ETS khá thấp, phổ biến dưới 0,4. Kết quả đánh giá dự báo của mô hình MM5 cho khu vực Đài Loan [14,15] cho thấy chỉ số ETS cũng chỉ xấp xỉ 40% với mưa tích lũy 24h và hạn dự báo 24h. Như vậy, kỹ năng này của mô hình MM5 dự báo cho khu vực Nam Trung Bộ là chấp nhận được. Chỉ số ETS tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) E T S 12h 24h 36h 48h Chỉ số PC tháng 9-12 0.0 0.2 0.4 0.6 0.8 1.0 0.1 5 10 20 30 40 50 100 Ngưỡng mưa (mm) P C 12h 24h 36h 48h Hình 3.25: tương tự như hình 3.23, chỉ số ETS, PC Từ hình 3.25 có thể thấy, chỉ số PC của các hạn dự báo đều đạt giá trị khá lớn, trên 70%, điều đó chứng tỏ mô hình dự báo khá tốt khả năng xuất hiện sự kiện có hay không có mưa ứng với các ngưỡng. Ngoài những điểm số đánh giá trên chúng tôi còn sử dụng một vài điểm số thống kê thông dụng, đó là ME, MAE và RMSE để đánh giá chất lượng dự báo về lượng mưa của mô hình so với so liệu quan trắc (bảng 3.3). 72 Có thể nhận thấy chỉ số ME >0 trong cả bốn thời hạn dự báo, có nghĩa là lượng mưa của mô hình luôn có xu hướng cao hơn quan trắc. Hạn dự báo 12- 24h, chỉ số ME dao động trong khoảng 0,8-2,6mm và tăng lên 4,4mm-5,7mm ở các hạn dự báo 36-48h. Sai số bình phương trung bình RMSE lớn hơn rất nhiều so với MAE ở tất cả các hạn dự báo từ 12h đến 48h phản ánh một thực tế khách quan là sai số dự báo lượng mưa biến động khá mạnh. Tỷ số giữa sai số MAE với giá trị trung bình quan trắc khá cao, từ 1,2 đến 1,4 điều đó cho thấy sai số dự báo về lượng mưa của mô hình từ 120 đến 140%. Bảng 3.3. Chỉ số ME, MAE, RMSE đánh giá dự báo nghiệp vụ Mưa Các đặc trưng thống kê Hạn dự báo ME MAE RMSE Tỷ số MEA/Trung bình 12h 0.802 6.910 17.373 1.445 24h 2.620 13.029 28.360 1.357 36h 4.400 18.450 37.196 1.293 48h 5.798 23.468 45.258 1.231 3.5.2. Trường Nhiệt độ (2m) Bảng 3.4 là các đặc trưng sai số trung bình (ME), sai số trung bình tuyệt đối (MAE) và sai số bình phương trung bình (RMSE) được tính toán từ 2 tập mẫu (số liệu nhiệt độ quan trắc và dự báo của mô hình) tương ứng với các thời hạn dự báo từ 24-48h. Từ đây nhận thấy, sai số ME <0 ở các hạn dự báo 12h và 36h, tức là nhiệt độ mô hình có xu hướng thấp hơn quan trắc. Các hạn dự báo 24 và 48h có ME>0, tức là nhiệt độ dự báo cao hơn quan trắc. Độ lớn của sai số mô hình thường được đánh giá thông qua sai số trung bình tuyệt đối hoặc sai số bình phương trung bình. Nhìn chung, giá trị của MAE, RMSE đều tăng theo hạn dự báo và dao động trong khoảng rất nhỏ, từ 1,2- 1,40C. 73 Trong các bảng 3.5 là kết quả đánh giá sai số ME, MAE, RMSE của mô hình MM5 dự báo nhiệt độ cho khu vực Thành phố Athen, Hy lạp[14]. Chúng ta thấy rằng mặc dù các tác giả đã tăng độ phân giải của mô hình lên 8km ở miền ngoài và 2km ở miền thứ 2 nhưng sai số dự báo nhiệt độ tại 2 trạm Khí tượng được đưa vào để đánh giá vẫn ở mức khá cao (1,6-3,00C). Bảng 3.4. Chỉ số ME, MAE, RMSE đánh giá dự báo nghiệp vụ Nhiệt độ Các đặc trưng thống kê Hạn dự báo ME MAE RMSE Trung bình quan trắc 12h -0.347 1.264 1.592 26.300 24h 0.525 1.425 1.761 24.945 36h -0.467 1.364 1.744 26.265 48h 0.482 1.458 1.812 24.918 Bảng 3.5: Chỉ số ME, MAE dự báo nhiệt độ bằng mô hình MM5 ở Thành phố Athen, Hylạp. Trạm Khí tượng Thissio Trạm Khí tượng Helliniko Thời hạn dự báo Lưới 3 (2km) Lưới 2 (8km) Lưới 3 (2km) Lưới 2 (8km) Chỉ số ME (0C) 24h -1.11 -2.24 -1.75 -2.10 36h 0.38 -1.69 -2.77 -2.41 48h -1.56 -2.19 -1.72 -2.06 Chỉ số MAE (0C) 24h 1.61 2.39 2.45 2.49 36h 1.56 2.11 3.00 2.70 48h 2.03 2.43 2.46 2.56 74 3.6.3. Tốc độ gió (độ cao 10m) Bảng 3.6, là kết quả tính toán các đặc trưng sai số ME, MAE, RMSE đối với tốc độ gió dự báo ở độ cao 10m. Sai số trung bình ME > 0 trong tất cả các hạn dự báo. Giá trị sai số trung bình tuyệt đối (MAE) ở các hạn dự báo đều cao, từ 3,5-4,0m/s. Tỷ số MAE/Trung bình quan trắc khá cao, từ 1,4-2,3, cho thấy sai số dự báo về tốc độ gió của mô hình so với quan trắc thực tế rất lớn, có thể đến 230%. Tuy nhiên, có một đặc điểm quan trọng cần được lưu ý đó là sai số dự báo nhìn chung có tính hệ thống, điều này cho phép chúng ta hiệu chỉnh kết quả dự báo của mô hình khi ứng dụng vào nghiệp vụ dự báo. Bảng 3.6. Chỉ số ME, MAE, RMSE đánh giá dự báo tốc độ gió Các đặc trưng thống kê Hạn dự báo ME MAE RMSE Trung bình MEA/Trung bình 12h 3.127 3.562 4.424 2.434 1.463 24h 3.663 3.932 4.852 1.745 2.253 36h 3.344 3.790 4.693 2.443 1.551 48h 3.769 4.062 4.987 1.757 2.312 Từ những kết quả nhận được trên đây, có thể nói rằng, kỹ năng dự báo nghiệp vụ của mô hình MM5 trong các tháng mùa mưa ở khu vực Nam Trung Bộ khá tốt. Mô hình có thể dự báo được hiện tượng có mưa hoặc không mưa ứng với các ngưỡng mưa với xác suất từ 70%-80% trong tất cả các hạn dự báo. Tuy nhiên, xét về diện mưa thì tỷ lệ dự báo khống khá cao trong các hạn dự báo từ 12h-48h. Cụ thể, ở các hạn dự báo 24-48h và ngưỡng mưa nhỏ thì giá trị chỉ số 75 FBI vào khoảng 120%, với các ngưỡng mưa vừa và mưa to FBI đạt đến 120- 140%. Ở hạn dự báo 12h nhìn chung diện mưa dự báo trong các ngưỡng mưa gần đúng với diện mưa quan trắc thực tế. Song kỹ năng dự báo của mô hình ở hạn dự báo này thấp hơn so với các hạn dự báo 24-48h. Lượng mưa dự báo của mô hình luôn có xu hướng cao hơn quan trắc trong các hạn dự báo so với thực tế từ 120-140%, với giá trị này theo chúng tôi là chấp nhận được, bởi vì thời gian thử nghiệm dự báo của nghiên cứu là thời kỳ mùa mưa ở khu vực Nam Trung Bộ nên các hệ thống thời tiết phức tạp như dải hội tụ nhiệt đới, bão, áp thấp nhiệt đới hoặc không khí lạnh ảnh hưởng với số lượng lớn. Những hệ thống thời tiết này thường gây ra những nhiễu động lớn về thời tiết, đặc biệt là mưa lớn. Qua thử nghiệm dự báo nghiệp vụ mô hình MM5 theo thời gian thực từ tháng 9-12 của 3 năm 2005-2007 có thể thấy khả năng dự báo nhiệt độ của mô hình MM5 khá tốt, sai số dự báo nhiệt độ ở các hạn dự báo từ 12-48h chỉ dao động từ 1,2-1,40C so với giá trị trung bình quan trắc 24-260C. Sai số dự báo tốc độ gió của mô hình nhìn chung còn ở mức khá cao. Sai số này theo chúng tôi có 2 lý do: thứ nhất là do quá trình tính toán nội suy từ lưới mô hình về trạm; thứ hai sai số ngay từ số liệu quan trắc thực tế của các trạm khi đưa vào đánh giá. Ngoài ra cũng không loại trừ ảnh hưởng của điều kiện địa hình và vị trí địa lý trạm quan trắc. Tuy nhiên, có một đặc điểm cần được lưu ý đó là các sai số dự báo về lượng mưa, nhiệt độ cũng như tốc độ gió đều có tính hệ thống. Điều này cho phép chúng ta hiệu chỉnh kết quả dự báo của mô hình khi ứng dụng vào nghiệp vụ dự báo thời tiết. 76 KẾT LUẬN Với mục tiêu đặt ra từ đầu là tìm kiếm một mô hình số có khả năng ứng dụng trong dự báo nghiệp vụ cho khu vực Nam Trung Bộ, trong khuôn khổ luận văn này chúng tôi đã tiến hành ba nhóm thí nghiệm số với mô hình MM5 và tiến hành đánh giá trên các khía cạnh khác nhau. Nhóm thí nghiệm đầu tiên nhằm khảo sát độ nhạy của mô hình đối với ba sơ đồ tham số hóa đối lưu khi dự báo mưa lớn trên khu vực Nam Trung Bộ. Nhóm thí nghiệm thứ hai nhằm đánh giá kỹ năng dự báo của mô hình MM5 trong các điều kiện synôp gây mưa lớn khác nhau trên khu vực nghiên cứu. Nhóm thí nghiệm thứ ba là chạy dự báo MM5 theo chế độ nghiệp vụ cho những tháng mùa mưa ở Nam Trung Bộ. Mô hình MM5 được chạy với hai miền tính lồng nhau, tương tác hai chiều, với độ phân giải ngang tương ứng là 27km và 9km, trong đó miền ngoài (D01) bao phủ toàn bộ lãnh thổ Việt Nam và Biển Đông, còn miền trong (D02) bao phủ toàn bộ khu vực Nam Trung Bộ và một phần Biển Đông. Kết quả dự báo các trường khí tượng trên khu vực Nam Trung Bộ được trích từ miền trong và tiến hành đánh giá bằng cách so sánh với số liệu quan trắc thực tế, cả bằng phương pháp trực quan và phương pháp sử dụng các chỉ số thống kê. Những kết quả nhận được cho phép rút ra một số nhận định sau: 1) Trong các sơ đồ tham số hóa đối lưu được chọn làm thí nghiệm độ nhạy là KuO, Betts-Miller và Grell thì sơ đồ Betts-Miller cho kỹ năng dự báo của MM5 tốt hơn và ổn định hơn so với 2 sơ đồ còn lại trong các hình thế gây mưa lớn trên khu vực Nam Trung Bộ. 77 2) Dự báo mưa lớn là một vấn đề quan trọng bậc nhất trong công dự báo KTTV ở các tỉnh miền Trung nói chung và khu vực Nam Trung Bộ nói riêng. Vì vậy, đánh giá khả năng dự báo mưa lớn của mô hình MM5 là công việc đầu tiên khi nghiên cứu đánh giá khả năng dự báo của mô hình này. Sau khi tiến hành thí nghiệm dự báo 23 đợt mưa lớn trong 3 năm 2005-2007, chúng tôi nhận thấy: mô hình MM5 thường dự báo khống về diện mưa nhưng lại thiếu hụt về lượng mưa trong trường hợp ảnh hưởng của bão hoặc ATNĐ. Trường hợp mưa lớn do ảnh hưởng của không khí lạnh hoặc tổ hợp ảnh hưởng của không khí lạnh với bão hoặc ATNĐ thì mô hình dự báo tốt diện mưa nhưng về lượng mưa thì mô hình lại có xu hướng dự báo cao hơn so với quan trắc. 3) Thí nghiệm thứ 3 đã được tiến hành nhằm đánh giá khả năng dự báo nghiệp vụ của mô hình MM5 trong các tháng mùa mưa ở khu vực Nam Trung Bộ từ năm 2005-2007. Kết quả thí nghiệm cho thấy, MM5 cho kết quả dự báo tương đối tốt trường nhiệt độ 2m khu vực Nam Trung Bộ trong những tháng mùa mưa. Sai số dự báo nhiệt độ cho đến hạn 48h vào khoảng trên 1 độ C. Kỹ năng dự báo trường mưa của mô hình MM5 trong mùa mưa ở khu vực Nam Trung Bộ nhìn chung tương đương với một số kết quả đã được công bố ở trong và ngoài nước. Tuy nhiên, sai số dự báo lượng mưa, và cả tốc độ gió, của mô hình so với số liệu quan trắc vẫn còn ở mức khá cao. Qua nghiên cứu thử nghiệm ứng dụng mô hình MM5 vào dự báo thời tiết mùa mưa khu vực Nam Trung Bộ (từ tháng 9-12) trong 3 năm 2005-2007, chúng tôi nhận thấy, có thể đưa mô hình MM5 vào thử nghiệm dự báo nghiệp vụ ở khu vực Nam Trung Bộ. Đồng thời, trong quá trình thử nghiệm cần phải đầu tư nghiên cứu tiếp nhằm lựa chọn được các tham số vật lý phù hợp với điều kiện thời tiết của khu vực. 78 TÀI LIỆU THAM KHẢO Tiếng Việt 1) Hoàng Đức Cường (2004), “Nghiên cứu thử nghiệm mô hình quy mô vừa MM5 vào dự báo hạn ngắn ở Việt Nam”. Báo cáo tổng kết đề tài nghiên cứu khoa học và công nghệ cấp Bộ, 147 trang. 2) Hoàng Đức Cường (2008), “ Nghiên cứu thử nghiệm dự báo mưa lớn ở Việt Nam bằng mô hình MM5”. Báo cáo tổng kết đề tài nghiên cứu khoa học và công nghệ cấp Bộ, 105 trang. 3) Nguyễn Lê Dũng, Phan Văn Tân (2008),“Thử nghiệm ứng dụng hệ thống WRF-VAR kết hợp ban đầu hóa xoáy dự báo quỹ đạo bão trên khu vực biển Đông”. Báo cáo hội nghị dự báo viên toàn quốc lần thứ 3. 4) Vũ Thanh Hằng (2008),“ Nghiên cứu tác động của tham số hóa đối lưu đối với dự báo mưa bằng mô hình HRM ở Việt Nam”. Luận án tiến sỹ khí tượng. 5) Bùi Hoàng Hải, Phan Văn Tân, Nguyễn Minh Trường,“Nghiên cứu lý tưởng sự tiến triển của xoáy thuận nhiệt đới bằng mô hình WRF”. Tạp chí KTTV số 532, tr. 1121, 4/2005. 6) Đặng Thị Hồng Nga (2006), “Nghiên cứu ứng dụng và cải tiến sơ đồ phân tích xoáy trong dự báo quỹ đạo bão bằng phương pháp số”, Đề tài cấp bộ, Bộ Tài Nguyên và Môi Trường. 7) Bùi Hoàng Hải, Phan Văn Tân (2006),“Về một sơ đồ ban đầu hóa xoáy mới áp dụng cho mô hình khu vực phân giải cao HRM”. Tạp chí KTTV, 3(555), tr. 4250. 8) Bùi Hoàng Hải, (2007), “ Nghiên cứu phát triển và ứng dụng sơ đồ ban đầu hóa xoáy ba chiều cho mục đích dự báo chuyển động bão ở Việt Nam”. Luận án Tiến sỹ Khí tượng. 9) Phan Văn Tân, Bùi Hoàng Hải (2004). “Ban đầu hóa xoáy ba chiều cho mô hình MM5 và ứng dụng trong dự báo quĩ đạo bão”. Tạp chí KTTV số 526, tr. 1425, 10/2004. 79 10) Trần Tân Tiến và nnk(2004),“ Xây dựng mô hình dự báo các trường Khí tượng Thủy văn trên biển Đông”. Báo cáo tổng kết đề tài KHCN KC09-04. 11) Đỗ Ngọc Thắng (2004),“ Nghiên cứu tham số hóa đối lưu sâu áp dụng vào mô hình dự báo thời tiết số trị ETA cho khu vực Đông Nam Á”, Luận án tiến sỹ Khí tượng. Tiếng anh 12) Brian A.Colle, Clifford F.Mass and Kenneth J.Westrick (2000), “MM5 Precipitation Verification over the Pacific Northwest during the 1997-99 Cool Seasons”. Weather and Forecasting, Volume 15, page 730-744. 13) Brian A.Colle, Clifford F.Mass and Kenneth J.Westrick (1999),“Evaluation of MM5 and Eta-10 Precipitation Forecasts over the Pacific Northwest during the cool season”.Weather and Forecasting, Volume 14, page 137-154. 14) V. kotroni and K. Lagouvardos (2004),“Evaluation of MM5 High-Resolution Real- Time Forecasts over the Urban Area of Athens, Greece”. Journal of Applied Meteorology, Volume 43, page 1666-1678. 15) Fang- Ching- Chien,Ying- Hwa-Kuo, Ming-Jen-Yang (2002),“Precipitation Forecast of MM5 in the Taiwan Area during the 1998 Mei-yu Season”. Weather and Forecasting, Volume 17, page 739-744. 16) Fang- Ching-Chien,Ying-Hwa-Kuo, Ming-Jen-Yang(2004),“MM5 Ensemble Mean Precipitation Forecasts in the Taiwan Area for Three Early Summer Convective (Mei- Yu) Seasons”. Weather and Forecasting, Volume 19, page 735-750. 17) Wei- Wang and Nelson L.Seaman (1997),“A Comparison Study of Convective Parameterization Schemes in a Mesoscale Model”. Monthly Weather Review,Volume 125, page 252-278. 80 PHỤ LỤC 81 Bảng 1: Danh sách các trạm KTTV sử dụng số liệu để đánh giá dự báo Bảng 1: Danh sách các trạm Khí tượng, Thủy văn được thu thập số liệu để đánh giá kết quả dự báo STT Tên trạm Kinh độ Vĩ độ Yếu tố sử dụng Số năm 1 An Hòa 108.9 14.6 Lượng mưa 3 2 Hoài Nhơn 109.2 14.5 Lượng mưa, Nhiệt độ, Tốc độ gió 3 3 Vĩnh Sơn 108.9 13.9 Lượng mưa 3 4 Bình Tường 108.8 14.3 Lượng mưa 3 5 Quy Nhơn 109.2 13.8 Lượng mưa, Nhiệt độ, Tốc độ gió 3 6 Hà Bằng 109.1 13.4 Lượng mưa 3 7 Tuy Hòa 109.1 13.1 Lượng mưa, Nhiệt độ, Tốc độ gió 3 8 Sơn Hòa 109.1 13.9 Lượng mưa, Nhiệt độ, Tốc độ gió 3 9 Củng Sơn 109.0 13.0 Lượng mưa 3 10 Ninh Hòa 109.1 12.5 Lượng mưa 3 11 Đồng Trăng 109.0 12.3 Lượng mưa 3 12 Nha Trang 109.2 12.2 Lượng mưa, Nhiệt độ, Tốc độ gió 3 13 Cam Ranh 109.2 11.9 Lượng mưa, Nhiệt độ, Tốc độ gió 3 14 Phan Rang 108.8 13.7 Lượng mưa, Nhiệt độ, Tốc độ gió 3 15 Tân Mỹ 109 11.6 Lượng mưa 3 16 Sông Lũy 108.4 11.2 Lượng mưa 3 17 Phan Thiết 108.1 10.9 Lượng mưa, Nhiệt độ, Tốc độ gió 3 18 Hàm Tân 107.8 10.7 Lượng mưa, Nhiệt độ, Tốc độ gió 3 19 Tà Pao 107.7 11.1 Lượng mưa 3 20 Phú Quý 108.9 10.5 Lượng mưa, Nhiệt độ, Tốc độ gió 3 82 Bảng 2: Chỉ số thống kê ứng với sơ đồ TSHĐL KuO Hạn dự báo R PC FBI POD FAR TS ETS 0.1 0.735 1.345 0.992 0.263 0.733 0.018 5 0.600 1.353 0.900 0.438 0.529 0.111 10 0.576 1.286 0.743 0.500 0.426 0.102 20 0.679 0.936 0.473 0.495 0.323 0.146 30 0.726 0.779 0.349 0.552 0.244 0.123 40 0.806 0.681 0.362 0.468 0.275 0.190 50 0.815 0.582 0.218 0.625 0.160 0.098 12h 100 0.959 0.123 0.000 0.000 0.000 0.000 0.1 0.851 1.167 0.997 0.146 0.851 -0.003 5 0.714 1.211 0.903 0.254 0.690 0.107 10 0.708 1.252 0.888 0.291 0.651 0.202 20 0.688 1.136 0.757 0.333 0.549 0.230 30 0.711 0.993 0.655 0.340 0.489 0.256 40 0.688 0.893 0.516 0.422 0.375 0.182 50 0.717 0.869 0.455 0.477 0.321 0.171 24h 100 0.813 0.563 0.125 0.778 0.087 0.033 0.1 0.879 1.137 1.000 0.121 0.879 0.000 5 0.741 1.165 0.910 0.219 0.725 0.095 10 0.706 1.180 0.876 0.258 0.671 0.135 20 0.738 1.125 0.840 0.253 0.654 0.286 30 0.721 1.040 0.751 0.277 0.583 0.281 40 0.721 0.981 0.688 0.299 0.532 0.280 50 0.703 0.880 0.585 0.336 0.451 0.234 36h 100 0.759 0.524 0.274 0.477 0.219 0.129 0.1 0.918 1.090 1.000 0.082 0.918 0.000 5 0.771 1.118 0.915 0.181 0.761 0.069 10 0.741 1.086 0.872 0.197 0.718 0.130 20 0.776 1.026 0.848 0.173 0.721 0.315 30 0.744 1.045 0.807 0.227 0.652 0.302 40 0.765 1.055 0.807 0.236 0.646 0.357 50 0.724 0.976 0.707 0.276 0.557 0.288 48h 100 0.703 0.653 0.398 0.390 0.318 0.167 83 Bảng 3: Chỉ số thống kê ứng với sơ đồ TSHĐL Betts-Miller Hạn db R PC FBI POD FAR TS ETS 0.1 0.744 1.092 0.871 0.202 0.714 0.170 5 0.647 0.971 0.582 0.331 0.452 0.172 10 0.626 0.868 0.493 0.432 0.359 0.124 20 0.697 0.791 0.427 0.460 0.313 0.155 30 0.750 0.779 0.395 0.493 0.286 0.167 40 0.774 0.754 0.319 0.577 0.222 0.129 50 0.797 0.764 0.255 0.667 0.169 0.095 12h 100 0.932 0.426 0.071 0.909 0.042 0.023 0.1 0.841 1.076 0.944 0.123 0.834 0.148 5 0.712 0.966 0.776 0.197 0.652 0.199 10 0.659 0.961 0.699 0.273 0.554 0.172 20 0.709 0.947 0.680 0.281 0.537 0.264 30 0.738 0.923 0.648 0.298 0.508 0.295 40 0.712 0.885 0.541 0.389 0.402 0.218 50 0.721 0.889 0.465 0.477 0.326 0.177 24h 100 0.824 0.708 0.229 0.676 0.155 0.094 0.1 0.865 1.078 0.962 0.107 0.862 0.091 5 0.743 1.094 0.874 0.201 0.717 0.150 10 0.717 1.104 0.841 0.238 0.666 0.191 20 0.707 1.081 0.786 0.273 0.606 0.243 30 0.703 1.033 0.725 0.298 0.554 0.255 40 0.682 0.996 0.644 0.353 0.477 0.217 50 0.658 0.955 0.559 0.415 0.401 0.168 36h 100 0.737 0.814 0.343 0.579 0.233 0.119 0.1 0.885 1.042 0.958 0.080 0.885 0.019 5 0.771 1.051 0.882 0.161 0.755 0.126 10 0.741 1.039 0.848 0.184 0.711 0.160 20 0.691 1.022 0.783 0.234 0.632 0.167 30 0.697 1.005 0.748 0.256 0.594 0.228 40 0.647 0.967 0.652 0.326 0.496 0.171 50 0.641 0.904 0.587 0.351 0.445 0.163 48h 100 0.694 0.678 0.398 0.412 0.311 0.156 84 Bảng 4: Chỉ số thống kê ứng với sơ đồ TSHĐL Grell Hạn db R PC FBI POD FAR TS ETS 5 0.585 1.271 0.671 0.427 0.447 0.093 10 0.615 1.051 0.521 0.453 0.364 0.115 20 0.718 0.745 0.436 0.415 0.333 0.183 30 0.762 0.663 0.360 0.456 0.277 0.170 40 0.800 0.565 0.290 0.487 0.227 0.151 50 0.821 0.582 0.236 0.594 0.176 0.114 12h 100 0.938 0.234 0.286 0.733 0.160 0.139 0.1 0.844 1.170 0.993 0.151 0.844 0.010 5 0.659 1.101 0.806 0.268 0.622 0.073 10 0.656 1.083 0.757 0.300 0.571 0.151 20 0.674 0.888 0.615 0.307 0.484 0.210 30 0.721 0.838 0.585 0.303 0.466 0.260 40 0.721 0.779 0.500 0.358 0.391 0.221 50 0.747 0.778 0.455 0.416 0.344 0.208 24h 100 0.829 0.583 0.188 0.679 0.134 0.080 0.1 0.879 1.137 1.000 0.121 0.879 0.000 5 0.735 1.180 0.914 0.226 0.721 0.075 10 0.694 1.120 0.837 0.253 0.652 0.134 20 0.653 0.930 0.670 0.280 0.532 0.172 30 0.650 0.847 0.588 0.307 0.466 0.179 40 0.674 0.777 0.535 0.311 0.431 0.200 50 0.700 0.746 0.514 0.311 0.417 0.220 36h 100 0.768 0.536 0.298 0.444 0.240 0.149 0.1 0.918 1.090 1.000 0.082 0.918 0.000 5 0.771 1.140 0.926 0.187 0.764 0.049 10 0.744 1.074 0.868 0.192 0.719 0.142 20 0.697 1.022 0.788 0.229 0.639 0.174 30 0.671 0.950 0.698 0.266 0.557 0.194 40 0.656 0.895 0.624 0.302 0.491 0.186 50 0.638 0.814 0.539 0.338 0.423 0.159 48h 100 0.729 0.492 0.356 0.276 0.313 0.192 85 Bảng 5: Chỉ số thống kê đánh giá mưa lớn do ảnh hưởng Bão, ATNĐ Hạn db R PC FBI POD FAR TS ETS 0.1 0.644 1.049 0.728 0.306 0.551 0.142 5 0.713 0.821 0.485 0.410 0.363 0.196 10 0.763 0.889 0.418 0.529 0.284 0.172 20 0.851 0.922 0.400 0.566 0.263 0.199 30 0.890 1.050 0.400 0.619 0.242 0.197 40 0.925 0.927 0.341 0.632 0.215 0.187 50 0.941 0.926 0.222 0.760 0.130 0.111 12h 100 0.985 0.667 0.000 1.000 0.000 0.004 0.1 0.724 1.198 0.897 0.252 0.689 0.163 5 0.688 1.136 0.724 0.363 0.513 0.233 10 0.685 1.188 0.637 0.464 0.410 0.200 20 0.751 1.281 0.588 0.541 0.347 0.214 30 0.799 1.242 0.550 0.557 0.325 0.225 40 0.846 1.167 0.500 0.571 0.300 0.229 50 0.875 1.250 0.500 0.600 0.286 0.231 24h 100 0.950 0.704 0.222 0.684 0.150 0.134 0.1 0.763 1.198 0.944 0.212 0.753 0.083 5 0.646 1.189 0.791 0.335 0.566 0.138 10 0.619 1.290 0.741 0.425 0.479 0.141 20 0.668 1.336 0.668 0.500 0.401 0.183 30 0.699 1.355 0.581 0.571 0.328 0.167 40 0.765 1.263 0.547 0.566 0.319 0.201 50 0.797 1.270 0.514 0.596 0.292 0.198 36h 100 0.907 1.188 0.438 0.632 0.250 0.212 0.1 0.799 1.155 0.953 0.175 0.792 0.075 5 0.676 1.215 0.845 0.305 0.617 0.155 10 0.649 1.304 0.806 0.382 0.538 0.172 20 0.651 1.360 0.731 0.462 0.449 0.185 30 0.674 1.423 0.690 0.515 0.398 0.190 40 0.724 1.412 0.653 0.538 0.371 0.213 50 0.737 1.430 0.585 0.591 0.317 0.185 48h 100 0.876 1.156 0.532 0.539 0.328 0.269 86 Bảng 6: Chỉ số thống kê đánh giá mưa lớn ảnh hưởng Bão, ATNĐ + KKL Hạn db R PC FBI POD FAR TS ETS 0.1 0.728 1.020 0.807 0.209 0.666 0.232 5 0.698 0.859 0.583 0.321 0.457 0.232 10 0.719 0.813 0.519 0.362 0.401 0.224 20 0.748 0.718 0.355 0.506 0.260 0.148 30 0.810 0.694 0.353 0.492 0.263 0.182 40 0.837 0.662 0.277 0.581 0.200 0.139 50 0.850 0.686 0.196 0.714 0.132 0.083 12h 100 0.955 0.571 0.071 0.875 0.048 0.036 0.1 0.778 1.035 0.875 0.154 0.754 0.192 5 0.712 0.973 0.741 0.238 0.602 0.257 10 0.696 0.938 0.671 0.284 0.530 0.244 20 0.728 0.890 0.615 0.309 0.483 0.273 30 0.757 0.884 0.578 0.346 0.443 0.280 40 0.741 0.843 0.472 0.439 0.345 0.204 50 0.755 0.780 0.394 0.494 0.285 0.169 24h 100 0.841 0.800 0.200 0.750 0.125 0.072 R PC FBI POD FAR TS ETS 0.1 0.821 1.041 0.913 0.123 0.809 0.184 5 0.753 1.052 0.836 0.205 0.688 0.285 10 0.728 1.038 0.789 0.240 0.632 0.275 20 0.737 1.000 0.742 0.258 0.590 0.310 30 0.730 0.954 0.670 0.297 0.522 0.290 40 0.712 0.933 0.577 0.382 0.425 0.229 50 0.692 0.866 0.477 0.450 0.343 0.168 36h 100 0.766 0.798 0.286 0.642 0.189 0.098 0.1 0.846 1.058 0.939 0.112 0.839 0.152 5 0.769 1.032 0.854 0.172 0.726 0.263 10 0.737 1.042 0.817 0.216 0.667 0.263 20 0.717 0.973 0.742 0.237 0.603 0.267 30 0.726 1.005 0.726 0.277 0.568 0.291 40 0.692 0.938 0.615 0.344 0.465 0.226 50 0.703 0.852 0.566 0.335 0.440 0.230 48h 100 0.728 0.727 0.318 0.563 0.226 0.111 87 Bảng 7: Chỉ số thống kê đánh giá mưa lớn do ảnh hưởng KKL Hạn db R PC FBI POD FAR TS ETS 0.1 0.695 1.198 0.824 0.312 0.599 0.226 5 0.740 0.948 0.570 0.398 0.414 0.248 10 0.767 0.866 0.464 0.464 0.331 0.210 20 0.824 0.815 0.338 0.585 0.229 0.157 30 0.873 0.807 0.295 0.634 0.195 0.148 40 0.904 0.678 0.153 0.775 0.100 0.071 50 0.927 0.634 0.073 0.885 0.047 0.028 12h 100 0.993 0.500 0.000 1.000 0.000 0.002 0.1 0.750 1.137 0.889 0.218 0.713 0.212 5 0.700 1.005 0.687 0.317 0.521 0.249 10 0.718 0.921 0.588 0.362 0.441 0.243 20 0.758 0.914 0.498 0.455 0.351 0.219 30 0.800 1.026 0.474 0.538 0.306 0.209 40 0.845 1.034 0.466 0.549 0.297 0.226 50 0.880 1.056 0.461 0.564 0.289 0.235 24h 100 0.945 1.364 0.136 0.900 0.061 0.046 0.1 0.817 1.138 0.951 0.165 0.801 0.228 5 0.721 0.984 0.751 0.237 0.609 0.275 10 0.717 0.951 0.685 0.280 0.541 0.276 20 0.714 0.890 0.557 0.375 0.417 0.228 30 0.752 0.940 0.524 0.443 0.370 0.227 40 0.783 0.909 0.492 0.458 0.348 0.232 50 0.817 0.897 0.455 0.493 0.316 0.226 36h 100 0.902 1.391 0.304 0.781 0.146 0.113 0.1 0.845 1.117 0.964 0.137 0.835 0.218 5 0.748 1.033 0.823 0.203 0.680 0.278 10 0.713 1.002 0.747 0.254 0.596 0.263 20 0.725 0.913 0.651 0.287 0.516 0.282 30 0.737 0.976 0.611 0.374 0.447 0.264 40 0.771 0.936 0.584 0.376 0.432 0.285 50 0.798 0.935 0.570 0.390 0.418 0.295 48h 100 0.879 1.312 0.494 0.624 0.271 0.220 88 Bảng 8: Chỉ số thống kê đánh giá dự báo nghiệp vụ đối với trường mưa Hạn db R PC FBI POD FAR TS ETS 0.1 0.697 1.268 0.726 0.427 0.471 0.239 5 0.795 1.115 0.489 0.562 0.301 0.202 10 0.832 1.135 0.413 0.636 0.240 0.169 20 0.885 1.107 0.290 0.738 0.160 0.119 30 0.920 1.112 0.239 0.786 0.127 0.101 40 0.942 1.150 0.172 0.851 0.087 0.070 50 0.958 1.106 0.124 0.888 0.063 0.051 12h 100 0.993 0.926 0.037 0.960 0.020 0.018 0.1 0.714 1.187 0.805 0.322 0.583 0.272 5 0.737 1.178 0.628 0.467 0.405 0.240 10 0.762 1.222 0.563 0.539 0.340 0.214 20 0.805 1.340 0.478 0.644 0.256 0.173 30 0.849 1.367 0.417 0.695 0.214 0.156 40 0.885 1.367 0.377 0.724 0.189 0.148 50 0.908 1.443 0.355 0.754 0.170 0.138 24h 100 0.970 1.177 0.142 0.880 0.070 0.061 0.1 0.748 1.166 0.865 0.258 0.665 0.304 5 0.724 1.184 0.714 0.397 0.486 0.272 10 0.735 1.239 0.662 0.466 0.420 0.249 20 0.764 1.334 0.570 0.573 0.323 0.204 30 0.797 1.374 0.487 0.646 0.258 0.170 40 0.834 1.397 0.441 0.684 0.225 0.159 50 0.858 1.437 0.396 0.724 0.194 0.142 36h 100 0.943 1.498 0.259 0.827 0.115 0.098 0.1 0.761 1.152 0.887 0.230 0.702 0.294 5 0.713 1.157 0.745 0.356 0.528 0.271 10 0.720 1.199 0.700 0.416 0.467 0.259 20 0.741 1.297 0.631 0.513 0.379 0.229 30 0.768 1.355 0.566 0.582 0.316 0.202 40 0.797 1.398 0.514 0.632 0.273 0.183 50 0.821 1.437 0.473 0.671 0.241 0.168 48h 100 0.917 1.453 0.324 0.777 0.152 0.125