luận án tiến sĩ vai trò của đồng hóa cập nhật nhanh số liệu ra đa trong mô hình wrf đối với dự báo định lượng mưa hạn cực ngắn cho khu vực thành phố hồ chí minh

Model, tần suất KDE quan trắc nét đứt xanh- KDE Obs, dự báo nét đứt đỏ-KDE Model với thử nghiệm không đồng hóa bên trái, đồng hóa VR trái-giữa, ZH phÁi-giữa và ZHVR phÁi đối với các cấu

Bà GIÁO DĂC VÀ ĐÀO T¾O Bà TÀI NGUYÊN VÀ MÔI TR¯àNG

VIàN KHOA HâC

KHÍ T¯þNG THĂY VN VÀ BI¾N ĐäI KHÍ HÀU

TR¯¡NG BÁ KIÊN

ĐàNH L¯þNG M¯A H¾N CĂC NGÂN CHO KHU VĂC

LUÀN ÁN TI¾N S) KHÍ T¯þNG VÀ KHÍ HÀU HâC

Hà Nßi – 2023

Bà GIÁO DĂC VÀ ĐÀO T¾O Bà TÀI NGUYÊN VÀ MÔI TR¯àNG

VIàN KHOA HâC

KHÍ T¯þNG THĂY VN VÀ BI¾N ĐäI KHÍ HÀU

TR¯¡NG BÁ KIÊN

ĐàNH L¯þNG M¯A H¾N CĂC NGÂN CHO KHU VĂC

LâI CAM ĐOAN

Tác gi¿ xin cam oan ây là công trình nghiên cāu cÿa b¿n thân tác gi¿ Các kÁt qu¿ nghiên cāu và các kÁt luÁn trong LuÁn án này là trung thực, không sao chép d°ßi bÁt kỳ hình thāc nào từ bÁt kỳ mát nguồn nào Việc tham kh¿o các nguồn tài liệu ã °āc trích d¿n ầy ÿ và ghi nguồn theo úng quy ßnh

Tác giÁ LuÁn án

Tr°¢ng Bá Kiên

LâI CÀM ¡N

Tr°ßc tiên tác gi¿ xin gửi lái c¿m ¡n Án Trung tâm nghiên cāu Khí t°āng - Khí hÁu, Viện Khoa hác Khí t°āng Thÿy văn và BiÁn ổi khí hÁu - Bá Tài nguyên và Môi tr°áng ã t¿o mái iều kiện thuÁn lāi cho tác gi¿ trong quá trình nghiên cāu và hoàn thành LuÁn án

Vßi lòng kính tráng và biÁt ¡n sâu sắc, tác gi¿ xin gửi lái c¿m ¡n ặc biệt tßi thầy h°ßng d¿n khoa hác là PGS.TS D°¡ng Hồng S¡n và PGS.TS Ngô Đāc Thành ã tÁn tình giúp ÿ tác gi¿ từ những b°ßc ầu tiên xây dựng h°ßng nghiên cāu, cũng nh° trong suốt quá trình nghiên cāu và hoàn thiện LuÁn án Các Thầy h°ßng d¿n ã luôn ÿng há, áng viên và hß trā những iều kiện tốt nhÁt ể tác gi¿ hoàn thành LuÁn án

Tác gi¿ chân thành c¿m ¡n các thầy cô giáo cÿa Viện Khoa hác Khí t°āng Thÿy văn và BiÁn ổi khí hÁu; các chuyên gia, các nhà khoa hác, các ồng nghiệp và các c¡ quan hữu quan ã có những góp ý về mặt khoa hác cũng nh° hß trā nguồn tài liệu, số liệu cho tác gi¿ trong suốt quá trình thực hiện LuÁn án

Cuối cùng, tác gi¿ xin gửi lái c¿m ¡n tßi bố, mẹ và gia ình ã luôn ã bên c¿nh, áng viên c¿ về vÁt chÁt l¿n tinh thần, t¿o mái iều kiện tốt nhÁt ể tác gi¿ có thể hoàn thành LuÁn án cÿa mình

TÁC GIÀ

Tr°¢ng Bá Kiên

2 Măc tiêu nghiên cāu 2

3 Câu hỏi nghiên cāu 2

4 LuÁn iểm b¿o vệ 2

5 Đối t°āng và ph¿m vi nghiên cāu 3

6 Ph°¡ng pháp nghiên cāu và kỹ thuÁt sử dăng 3

7 Đóng góp mßi cÿa LuÁn án 3

8 Ý ngh*a khoa hác và thực tiễn cÿa LuÁn án 3

9 CÁu trúc luÁn án 4

CH¯¡NG 1: TäNG QUAN VÀ ĐâNG HÓA Sà LIàU 7

TRONG DĂ BÁO M¯A ĐàNH L¯þNG H¾N CĂC NGÂN 7

1.1 Tổng quan các nghiên cāu trên thÁ gißi 8

1.2 Tổng quan các nghiên cāu ã Việt Nam 20

Tiểu kÁt Ch°¡ng 1 25

CH¯¡NG 2: PH¯¡NG PHÁP ĐâNG HÓA Sà LIàU RA-ĐA DĂ BÁO M¯A ĐàNH L¯þNG H¾N CĂC NGÂN VÀ Sà LIàU Sþ DĀNG 26

2.1 Hệ thống mô hình khu vực áp dăng trong luÁn án 26

2.1.1 Giới thiệu về mô hình WRF 26

2.1.2 Đồng hóa 3-DVAR trong mô hình WRF 27

2.1.3 Đồng hóa số liệu quan trắc ra-đa cho mô hình WRF 32

2.1.4 Đồng hóa cập nhật nhanh số liệu 34

2.2 Lác nhiễu cho số liệu quan trắc ra-a 36

2.2.1 Giới thiệu về Ra-đa Nhà Bè 36

2.2.2 Lọc nhiễu cho số liệu quan trắc ra-đa 37

2.2.3 Xử lý số liệu Ra-đa phục vụ đồng hóa 40

2.3 ThiÁt kÁ hệ thống ồng hóa cÁp nhÁt nhanh ra-a dự báo m°a h¿n cực ngắn

cho TP.HCM 45

2.4 Số liệu sử dăng trong luÁn án 47

2.4.1 Số liệu quan trắc mưa giờ 47

2.4.2 Số liệu GFS 49

2.5 Ph°¡ng pháp ánh giá hiệu qu¿ cÿa việc ồng bá hóa số liệu 49

2.6 Đßnh ngh*a và phân cÁp m°a lßn 51

Tiểu kÁt Ch°¡ng 2 52

CH¯¡NG 3 NGHIÊN CĄU LĂA CHâN BÞ THAM Sà PHÙ HþP CHO Hà THàNG HCM-RAP DĂ BÁO M¯A H¾N CĂC NGÂN 54

KHU VĂC THÀNH PHà Hâ CHÍ MINH 54

3.1 ThiÁt lÁp thử nghiệm a cÁu hình vÁt lý ối vßi hệ thống HCM-RAP 54

3.2 Đánh giá lựa chán bá s¡ ồ vÁt lý dự báo m°a h¿n cực ngắn ối vßi hệ thống HCM-RAP 56

3.2.1 Phân bố mưa theo không gian của các cấu hình kết hợp tham số hóa vật lý khác nhau của hệ thống HCM-RAP 56

3.2.2 Phân bố tần suất mưa theo các cấu hình kết hợp tham số hóa của hệ thống HCM-RAP 67

3.2.3 Đánh giá kĩ năng dự báo của các cấu hình kết hợp tham số hóa cho hệ thống HCM-RAP theo các h¿n dự báo 73

3.2.4 Lựa chọn cấu hình kết hợp sơ đồ tham số hóa phù hợp cho hệ thống HCM-RAP trong dự báo h¿n mưa định lượng h¿n cực ngắn 87

Tiểu kÁt Ch°¡ng 3 88

CH¯¡NG 4 VAI TRÒ CĂA ĐâNG HÓA Sà LIàU RA-ĐA 89

TRONG DĂ BÁO M¯A ĐàNH L¯þNG H¾N CĂC NGÂN CHO 89

KHU VĂC THÀNH PHà Hâ CHÍ MINH 89

4.1 Vai trò và ¿nh h°ãng số liệu ra-a trong ồng hóa cÁp nhÁt nhanh cho mô hình WRF dự báo m°a h¿n cực ngắn khu vực TP.HCM 89

4.1.1 So sánh trường ban đầu giữa đồng hóa và không đồng hóa cập nhật nhanh 89

4.1.2 Vai trò và Ánh hưởng số liệu ra-đa trong đồng hóa cập nhật nhanh 98

4.2 So sánh ngo¿i suy ra-a và dự báo cÿa HCM-RAP 106

Tiểu kÁt Ch°¡ng 4 111

K¾T LUÀN VÀ KI¾N NGHà 112

KÁt luÁn 112

KiÁn nghß 113

DANH MĀC CÁC CÔNG TRÌNH KHOA HâC CĂA TÁC GIÀ LIÊN QUAN Đ¾N LUÀN ÁN 114 TÀI LIàU THAM KHÀO 115 PHĀ LĀC 124

BÁng 3 1 Các cấu hình tổ hợp đa vật lý khác nhau của HCM-RAP 55BÁng 3 2 Danh sách các đợt mưa mô phỏng bằng HCM-RAP trong Luận án 55

DANH MĀC HÌNH VẼ

Hình 1 1 Sơ đồ tổng quát các phương pháp và kĩ thuật đồng hóa số liệu cho mô hình

số hiện nay (M Asch, M Bocquet and M Nodet, 2017) [54] 15

Hình 1 2 Sơ đồ mô hình VDAPS 17

Hình 1 3 Hệ thống cập nhật nhanh của CWB 18

Hình 1 4 Tổng hợp về việc đồng hóa cập nhật nhanh của các cơ quan dự báo nghiệp vụ trên thế giới 19

Hình 1 5 KhÁ năng dự báo và độ chính xác của các phương pháp dự báo mưa định lượng hiện nay [Saito, 2018] 19

Hình 1 5 Chỉ số đánh giá CSI của học máy MetNet2, HRRR và HREF ngưỡng 2mm/h theo các h¿n từ 1 đến 12 cho Hoa Kỳ 20

Hình 1 6 Minh họa quá trình lo¿i bỏ nhiễu địa hình và nhiễu biển t¿i Ra-đa Đông Hà 22

Hình 1 7 Ành minh họa quá trình xử lý từ dữ liệu sau lọc nhiễu đến các điểm dữ liệu được lựa chọn 23

Hình 1 8 Kết quÁ so sánh giữ mô hình số, ngo¿i suy ra-đa và kết hợp t¿i thời điẻm dự báo ngày 23/9/2021 với các h¿n dự báo 1-6h 23

Hình 2 1 Cấu trúc tổng quan của mô hình WRF 27

Hình 2 2 Sơ đồ giÁi lặp của phương pháp biến phân ba chiều 30

Hình 2 3 Sơ đồ quy trình đồng hóa dữ liệu WRFDA 30

Hình 2 4 Sơ đồ đồng hóa ra-đa trong WRF-3DVAR 33

Hình 2 5 Sơ đồ hệ thống RUC sử dụng mô hình WRF 34

Hình 2 6 Biểu đồ mô tÁ mô hình RAP 35

Hình 2 7 Khu vực tr¿m Ra-đa Nhà Bè 37

Hình 2 8 Các nguồn sai số của ra đa 38

Hình 2 9 Số liệu ra-đa Nhà Bè trước (trái) và sau (phÁi) khi lọc nhiễu 38

Hình 2 10 Số liệu ra-đa Nhà Bè trước (trái) và sau (phÁi) khi lọc nhiễu 39

Hình 2 11 Biểu thị quá trình QC cho độ phÁn hồi Ra-đa trong đó a) là độ phÁn hồi thô, b) là độ phÁn hồi đã qua hiệu chỉnh và c) là độ phÁn hồi bị lo¿i bỏ trong quá trình hiệu chỉnh 39

Hình 2 12 Các bước xử lý số liệu Ra-đa 40

Hình 2 13 SÁn phẩm a) PPI, b) Cmax , c) Hmax, d) Mặt cắt Cappi t¿i lat 10.3 cho Ra-đa Nhà Bè thời điểm 12z ngày 24/10/2016 41

Hình 2 14 Minh họa quá trình chuyển đổi dữ liệu PPI sang CAPPI 42

Hình 2 15 Tổng hợp giá trị lớn nhất của độ phÁn hồi Ra-đa sau khi được tỉa thưa ở nhiều mực cho miền tính độ phân giÁi 3km thời điểm 12z ngày 24/10/2016 42

Hình 2 16 Độ phÁn hồi Ra-đa sau khi được tỉa thưa ở các mực 1km, 2km, 3km và 4km cho miền tính độ phân giÁi 3km thời điểm 12z ngày 24/10/2016 43

Hình 2 17 Đồng hóa chỉ độ phÁn hồi 44Hình 2 18 Đồng hóa độ phÁn hồi, vận tốc gió xuyên tâm 44Hình 2 19 Sơ đồ mô tÁ quy trình vận hành hệ thống HCM-RAP cập nhật số liệu ra-đa từng giờ 45Hình 2 20 Hai miền tính của hệ thống HCM-RAP 46Hình 2 21 BÁn đồ vị trí các tr¿m đo mưa bề mặt và tự động trên khu vực TP.HCM phục vụ so sánh đánh giá trong luận án 48 Hình 3 1 Phân bố mưa trung bình h¿n 1h giữa mưa quan trắc (39 tr¿m-trên cùng phía trên) và thử nghiệm không(trên-phÁi), đồng hóa VR (giữa-trái), ZH (giữa-phÁi) và ZHVR (dưới-trái) đối với cấu hình kết hợp tham số hóa vật lý khác nhau KF3_THP_MYJ 57

Hình 3 2 Phân bố mưa trung bình h¿n 1h giữa mưa quan trắc (39 tr¿m-trên cùng phía trên) và thử nghiệm không(trên-phÁi), đồng hóa VR (giữa-trái), ZH (giữa-phÁi) và ZHVR (dưới-trái) đối với cấu hình kết hợp tham số hóa vật lý khác nhau KF3_LIN_MYJ 58

Hình 3 3 Phân bố mưa trung bình h¿n 1h giữa mưa quan trắc (39 tr¿m-trên cùng phía trên) và thử nghiệm không(trên-phÁi), đồng hóa VR (giữa-trái), ZH (giữa-phÁi) và ZHVR (dưới-trái) đối với cấu hình kết hợp tham số hóa vật lý khác nhau KF3_WSM5_MYJ 60

Hình 3 4 Phân bố mưa trung bình h¿n 1h giữa mưa quan trắc (39 tr¿m-trên cùng phía trên) và thử nghiệm không(trên-phÁi), đồng hóa VR (giữa-trái), ZH (giữa-phÁi) và ZHVR (dưới-trái) đối với cấu hình kết hợp tham số hóa vật lý khác nhau GD_LIN_MYJ 62

Hình 3 5 Phân bố mưa trung bình h¿n 1h giữa mưa quan trắc (39 tr¿m-trên cùng phía trên) và thử nghiệm không(trên-phÁi), đồng hóa VR (giữa-trái), ZH (giữa-phÁi) và ZHVR (dưới-trái) đối với cấu hình kết hợp tham số hóa vật lý khác nhau GD_WSM5_MYJ 63

Hình 3 6 Phân bố mưa trung bình h¿n 1h giữa mưa quan trắc (39 tr¿m-trên cùng phía trên) và thử nghiệm không(trên-phÁi), đồng hóa VR (giữa-trái), ZH (giữa-phÁi) và ZHVR (dưới-trái) đối với cấu hình kết hợp tham số hóa vật lý khác nhau BMJ_THP_MYJ 64

Hình 3 7 Phân bố mưa trung bình h¿n 1h giữa mưa quan trắc (39 tr¿m-trên cùng phía trên) và thử nghiệm không(trên-phÁi), đồng hóa VR (giữa-trái), ZH (giữa-phÁi) và ZHVR (dưới-trái) đối với cấu hình kết hợp tham số hóa vật lý khác nhau BMJ_LIN_YSU 65

Hình 3 8 Biểu đồ tần suất giữa mưa quan trắc (cột màu xanh navy nh¿t- Hist.Obs, mưa dự báo (cột màu đỏ- Hist Model, tần suất KDE quan trắc (nét đứt xanh- KDE Obs, dự báo (nét đứt đỏ-KDE Model) với thử nghiệm không đồng hóa (bên trái), đồng hóa VR (trái-giữa), ZH (phÁi-giữa) và ZHVR (phÁi) đối với các cấu hình kết hợp tham số hóa vật lý khác nhau t¿i tr¿m An Phú đối với mưa h¿n 1h 68

Hình 3 9 Biểu đồ tần suất giữa mưa quan trắc (cột màu xanh navy nh¿t- Hist.Obs, mưa dự báo (cột màu đỏ- Hist Model), tần suất KDE quan trắc (nét đứt xanh- KDE Obs) và dự báo (nét đứt đỏ-KDE Model) với thử nghiệm không đồng hóa (bên trái), đồng hóa VR (trái-giữa), ZH (phÁi-giữa) và ZHVR (phÁi) đối với các cấu hình kết hợp tham số hóa vật lý khác nhau t¿i tr¿m An Phú đối với mưa h¿n 3h 70Hình 3 10 Biểu đồ tần suất giữa mưa quan trắc (cột màu xanh navy nh¿t- Hist.Obs), mưa dự báo (cột màu đỏ- Hist Model), tần suất KDE quan trắc (nét đứt xanh- KDE Obs) và dự báo (nét đứt đỏ-KDE Model) với thử nghiệm không đồng hóa (bên trái), đồng hóa VR (trái-giữa), ZH (phÁi-giữa) và ZHVR (phÁi) đối với các cấu hình kết hợp tham số hóa vật lý khác nhau t¿i tr¿m An Phú đối với mưa h¿n 6h 72Hình 3 11 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1 h của 7 cấu hình kết hợp tham số hóa vật lý khác nhau với các h¿n dự báo 1 h và ngưỡng mưa 0.1mm/h (2,4mm/ngày ~có mưa) 74Hình 3 12 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 1h và ngưỡng mưa 1mm/h (24mm/ngày ~mưa vừa) 75Hình 3 13 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 1h và ngưỡng mưa 2mm/h (48mm/ngày ~mưa to) 76Hình 3 14 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 1h và ngưỡng mưa 4mm/h (96mm/ngày ~mưa rất to) 77Hình 3 15 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 3h và ngưỡng mưa 0.1mm/h (2,4mm/ngày ~có mưa) 79Hình 3 16 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 3h và ngưỡng mưa 1mm/h (24mm/ngày ~mưa vừa) 80Hình 3 17 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 3h và ngưỡng mưa 2mm/h (48mm/ngày ~mưa to) 81Hình 3 18 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 3h và ngưỡng mưa 4mm/h (96mm/ngày ~mưa rất to) 82

Hình 3 19 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 6h và ngưỡng mưa 0.1mm/h (2,4mm/ngày ~có mưa) 83Hình 3 20 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 6h và ngưỡng mưa 1mm/h (24mm/ngày ~mưa vừa) 84Hình 3 21 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 6h và ngưỡng mưa 2mm/h (48mm/ngày ~mưa to) 85Hình 3 22 GiÁn đồ hiệu suất đối với trường hợp không đồng hóa (trái trên), đồng hóa VR (phÁi trên), ZH (trái dưới) và đồng hóa kết hợp ZHVR (phÁi dưới) dự báo mưa tích lũy 1h của 7 cấu hình kết hợp sơ đồ tham số với h¿n dự báo 6h và ngưỡng mưa 4mm/h (96mm/ngày ~mưa rất to) 86 Hình 4 1 So sánh sự sai khác độ phÁn hồi giữa đồng hóa độ phÁn hồi ZH (phÁi) với không đồng hóa (trái) t¿i thời điểm ban đầu 2019090400Z đối với miền 1 90Hình 4 2 So sánh sự sai khác tốc độ gió (đổ màu), hướng gió (cán gió) mực 10m giữa đồng hóa gió xuyên tâm VR (phÁi) với không đồng hóa (trái) t¿i thời điểm ban đầu 2019090400Z đối với miền 1 90Hình 4 3 So sánh sự sai khác tỉ lệ xáo trộn hơi nước (g/kg) giữa đồng hóa kết hợp độ phÁn hồi, gió xuyên tâm ZHVR (phÁi) với không đồng hóa (trái) t¿i thời điểm ban đầu 2019090400Z đối với miền 1 91Hình 4 4 So sánh sự sai khác tốc độ gió (đổ màu), hướng gió (cán gió) mực thứ 25 trong mô hình giữa đồng hóa gió xuyên tâm VR (phÁi) với không đồng hóa (trái) t¿i thời điểm ban đầu 2019090400Z đối với miền 1 92Hình 4 5 So sánh trường nhiệt độ (trái), gió (giữa), hơi nước (phÁi) t¿i thời điểm ban đầu giữa đồng hóa VR (trên cùng), ZH (giữa) và ZHVR (dưới cùng) với không đồng hóa t¿i thời điểm ban đầu đối với miền 1 93Hình 4 6 So sánh trường nhiệt độ (trái), gió (giữa), xáo trộn hơi nước (phÁi) t¿i thời điểm ban đầu giữa đồng hóa VR (trên cùng), ZH (giữa) và ZHVR (dưới cùng) với không đồng hóa t¿i thời điểm ban đầu đối với miền 2 94Hình 4 7 Biến trình MDBZ theo thời gian từ 00h 00 phút đến 06h 00 phút với bước thời gian 10 phút 95Hình 4 8 Biến trình QCLOUD theo thời gian từ 00h 00 phút đến 06h 00 phút với bước thời gian 10 phút 95Hình 4 9 Biến trình MDBZ, QRAIN, QICE, QCLOUD theo thời gian từ 00h 00 phút đến 06h 00 phút với bước thời gian 10 phút 96Hình 4 10 Biến trình QRAIN theo thời gian từ 00h 00 phút đến 06h 00 phút với bước thời gian 10 phút 97

Hình 4 11 Chỉ số đánh giá FBI của 2 phương án vật lý tốt nhất với đồng hóa VR (cột 1 và 2 từ trái sang), 1 phương án vật lý tốt nhất CTL (cột màu vàng) và 2 phương án ZH (cột 4, 5 từ trái sang), 2 phương án ZHVR (cột 6, 7 từ trái sang) dự báo mưa tích lũy 1h với các h¿n dự báo 1,3,6h tương ứng các ngưỡng mưa có mưa, 24, 48, 72, 96, 120mm/h) 98

Hình 4 12 Chỉ số đánh giá POD của 2 phương án vật lý tốt nhất với đồng hóa VR (cột 1 và 2 từ trái sang), 1 phương án vật lý tốt nhất CTL (cột màu vàng) và 2 phương án ZH (cột 4, 5 từ trái sang), 2 phương án ZHVR (cột 6, 7 từ trái sang) dự báo mưa tích lũy 1h ở các h¿n dự báo 1,3, 6h tương ứng các ngưỡng mưa có mưa, 24, 48, 72, 96, 120mm/h) 99

Hình 4 13 Chỉ số đánh giá FAR của 2 phương án vật lý tốt nhất với đồng hóa VR (cột 1 và 2 từ trái sang), 1 phương án vật lý tốt nhất CTL (cột màu vàng) và 2 phương án ZH (cột 4, 5 từ trái sang), 2 phương án ZHVR (cột 6, 7 từ trái sang) dự báo mưa tích lũy 1h ở các h¿n dự báo 1, 3, 6h tương ứng các ngưỡng mưa có mưa, 24, 48, 72, 96, 120mm/h) 100

Hình 4 14 Chỉ số H của 2 phương án vật lý tốt nhất với đồng hóa VR (cột 1 và 2 từ trái sang), 1 phương án vật lý tốt nhất CTL (cột màu vàng) và 2 phương án ZH (cột 4, 5 từ trái sang), 2 phương án ZHVR (cột 6, 7 từ trái sang) dự báo mưa tích lũy 1h ở các h¿n dự báo 1,3, 6h tương ứng các ngưỡng mưa có mưa, 24, 48, 72, 96, 120mm/h) 101

Hình 4 15 Chỉ số Miss của 2 phương án vật lý tốt nhất với đồng hóa VR (cột 1 và 2 từ trái sang), 1 phương án vật lý tốt nhất CTL (cột màu vàng) và 2 phương án ZH (cột 4, 5 từ trái sang), 2 phương án ZHVR (cột 6, 7 từ trái sang) dự báo mưa tích lũy 1h ở các h¿n dự báo 1,3, 6h tương ứng các ngưỡng mưa có mưa, 24, 48, 72, 96, 120mm/h) 102

Hình 4 16 Chỉ số False của 2 phương án vật lý tốt nhất với đồng hóa VR (cột 1 và 2 từ trái sang), 1 phương án vật lý tốt nhất CTL (cột màu vàng) và 2 phương án ZH (cột 4, 5 từ trái sang), 2 phương án ZHVR (cột 6, 7 từ trái sang) dự báo mưa tích lũy 1h ở các h¿n dự báo 1,3, 6h tương ứng các ngưỡng mưa có mưa, 24, 48, 72, 96, 120mm/h) 102

Hình 4 14 Chỉ số H, F, M, CN của 2 phương án vật lý tốt nhất với đồng hóa VR (cột 1 và 2 từ trái sang), 1 phương án vật lý tốt nhất CTL (cột màu vàng) và 2 phương án ZH (cột 4, 5 từ trái sang), 2 phương án ZHVR (cột 6, 7 từ trái sang) dự báo mưa tích lũy 1h ở các h¿n dự báo 1,3, 6h tương ứng các ngưỡng mưa có mưa, 24, 48, 72, 96, 120mm/h) 103

Hình 4 18 Chỉ số đánh giá CSI của 2 phương án vật lý tốt nhất với đồng hóa VR (cột 1 và 2 từ trái sang), 1 phương án vật lý tốt nhất CTL (cột màu vàng) và 2 phương án ZH (cột 4, 5 từ trái sang), 2 phương án ZHVR (cột 6, 7 từ trái sang) dự báo mưa tích lũy 1h ở các h¿n dự báo 1,3, 6h tương ứng các ngưỡng mưa có mưa, 24, 48, 72, 96, 120mm/h) 103

Hình 4 19 Chỉ số đánh giá CSI của hệ thống học máy MetNet-2, HRRR và HREF với ngưỡng 2mm/h theo các h¿n từ 1 dến 12h 104

Hình 4 20 Chỉ số đánh giá FBI của hệ thống HCM-RAP và ngo¿i suy ra-đa Nhà Bè với ngưỡng 0,1; 1; 2 và 5mm/h theo các h¿n từ 1 đến 6h 107Hình 4 21 Chỉ số đánh giá FAR của hệ thống HCM-RAP và ngo¿i suy ra-đa Nhà Bè với ngưỡng 0,1; 1; 2 và 5mm/h theo các h¿n từ 1 đến 6h 108Hình 4 22 Chỉ số đánh giá POD của hệ thống HCM-RAP và ngo¿i suy ra-đa Nhà Bè với ngưỡng 0,1; 1; 2 và 5mm/h theo các h¿n từ 1 đến 6h 109Hình 4 23 Chỉ số đánh giá CSI của hệ thống HCM-RAP và ngo¿i suy ra-đa Nhà Bè với ngưỡng 0,1; 1; 2 và 5mm/h theo các h¿n từ 1 đến 6h 110

DANH MĀC CHĀ VI¾T TÂT KÝ

3DVAR Đồng hóa biÁn phân ba chiều (Three-dimensional variational) 4DVAR Đồng hóa biÁn phân bốn chiều (Four-dimensional variational)

AFWA C¡ quan thái tiÁt Không quân Hoa Kỳ (Air Force Weather Agency) ARW Advanced Research WRF

BUFR Đßnh d¿ng phổ quát nhß phân ể biểu diễn dữ liệu khí t°āng (The Binary Universal Form for the Representation of meteorological data) CSI Chỉ số dự báo thành công (Critical Success Index)

COSMO Mô hình hóa quy mô nhỏ cÿa Căc Khí t°āng Đāc (Consortium for Small-scale Modeling)

CV3/5/7 Ma trÁn sai số tr°áng nền lo¿i 3/5/7 (Var Background Error 3/5/7) CWB Căc Khí t°āng Đài Loan (Central Weather bureau)

DFI Khãi t¿o lác số (digital filter initialization)

DWD C¡ quan khí t°āng Đāc (Deutscher Wetterdienst)

EEC TÁp oàn Điện tử EEC (Enterprise Electronics Cooperation)

ECMWF Trung tâm Dự báo Thái tiÁt h¿n vừa châu Âu (European Centre for Medium-Range Weather Forecasts)

EnKF Ensemble Kalman Filter (Tổ hāp lác Kalman) FAR Tỉ lệ c¿nh báo sai (False Alarms Ratio)

FBI Frequency bias index (hay BS – Bias score)

FMI Viện Khí t°āng Phần Lan (The Finnish Meteorological Institute) GFDL Mô hình liên kÁt trong phòng thí nghiệm áng lực hác chÁt lỏng ßa vÁt

lý (Geophysical Fluid Dynamics Laboratory Coupled Model) GFS Hệ thống dự báo toàn cầu (Global Forecast System)

GSI Nái suy thống kê iểm l°ßi (Gridpoint Statistical Interpolation)

JMA C¡ quan khí t°āng NhÁt B¿n (Japan Meteorological Agency) JMA MA Mô hình quy mô vừa cÿa quan khí t°āng NhÁt B¿n

JMA LA Mô hình quy mô ßa ph°¡ng cÿa quan khí t°āng NhÁt B¿n

KMA Tổng căc Khí t°āng Hàn Quốc (The Korea Meteorological Administration)

KTTV Khí t°āng thÿy văn

LETKF Bá lác Kalman tổ hāp ßa ph°¡ng hóa biÁn ổi (Local ensemble transform Kalman filter)

METEO

FRANCE C¡ quan khí t°āng Pháp MET

OFFICE C¡ quan khí t°āng V°¡ng Quốc Anh

MetNet Mô hình trí tuệ nhân t¿o m¿ng thần kinh dự báo m°a (Neural Weather Model for Precipitation Forecasting)

MP S¡ ồ vi vÁt lý (Micro Physics)

MM5 Mô hình Quy mô vừa thÁ hệ 5 (Mesoscale Model 5)

NCAR Trung tâm nghiên cāu khí quyển quốc gia, Hoa Kỳ (National Center for Atmospheric Research)

NCEP Trung tâm dự báo Môi tr°áng quốc gia Mỹ (National Centers for Environmental Prediction)

NWP Mô hình dự báo thái tiÁt số (Numerical Weather Prediction) PBL Lßp biên hành tinh (the planetary boundary layer)

KÝ

POD Xác xuÁt phát hiện (Probability of Detection) RUC CÁp nhÁt nhanh (The Rapid Update Cycle)

Kain-Fritsch (KF); Betts-Miller-Janjic (BMJ); Grell-Freitas (GF); Grell-Devenyi (GD); New Tiedtke (NT); Multi-scale Kain-Fritsch (MSKF); Kain-Fritsch sửa ổi (MKF); Scale-aware Kain-Fritsch (SAKF); Betts-Miller-Janjic (BMJ) Yonsei University (YSU); Mellor-Yamada-Janjic (MYJ); Asymmetric Convective Model version 2 (ACM2); University of Washington (UW); Thermal Diffusion (TD) RAP CÁp nhÁt nhanh (The Rapid Refresh)

SWIRLS Hệ thống ngo¿i suy Ra-a c¿nh báo dông ßa ph°¡ng (Short-range Warning of Intense Rainstorms in Localized Systems)

UF Đßnh d¿ng phổ quát (Universal Format) VR Gió xuyên tâm ra-a (Radial velocity)

VDAS Very short-range Data Assimilation and Prediction System

WPS Mô-un tiền xử lý cÿa mô hình WRF (WRF Preprocessing System) WRF Mô hình dự báo và nghiên cāu thái tiÁt (Weather Research and

Forecast model)

WRFDA Module ồng hóa số liệu trong mô hình WRF ZH Đá ph¿n hồi vô tuyÁn ra-a (reflectivity-ZH)

Mä ĐÀU 1 Đặt v¿n đÁ

Hiện nay, bài toán dự báo ßnh l°āng m°a, ặc biệt là m°a ßnh l°āng h¿n cực ngắn bằng mô hình số trß v¿n là mát thách thāc lßn ối vßi các trung tâm dự báo nghiệp vă trên thÁ gißi cũng nh° ã Việt Nam â các trung tâm dự báo trên thÁ gißi, dự báo, c¿nh báo m°a lßn trong thái o¿n ngắn cho các khu vực nhỏ ã và ang °āc āng dăng ồng hóa số liệu vßi a d¿ng các nguồn số liệu quan trắc cho các mô hình số trß á phân gi¿i cao mà s¿n phẩm là các dự báo tÁt ßnh, dự báo tổ hāp, xác suÁt Mát trong những cách tiÁp cÁn °āc quan tâm hiện nay là ồng hóa <cÁp nhÁt nhanh= số liệu quan trắc gồm c¿ số liệu truyền thống và phi truyền thống

Thành phố Hồ Chí Minh (TP.HCM) là khu vực kinh tÁ năng áng, phát triển rÁt nhanh và m¿nh vßi tốc á ô thß hóa nhanh tuy nhiên c¡ sã h¿ tầng l¿i ch°a theo kßp Trong những năm vừa qua, có nhiều āt m°a lßn iển hình, trái mùa x¿y ra trên khu vực TP.HCM gây thiệt h¿i áng kể Thống kê cho thÁy, các sự kiện m°a lßn trong thái gian ngắn ã x¿y ra vßi tần suÁt và c°áng á ngày mát lßn Ngoài ra, các nghiên cāu cũng cho thÁy d°ßi tác áng cÿa biÁn ổi khí hÁu, tần suÁt, c°áng á, sự trái quy luÁt cÿa các trÁn m°a trái mùa cũng thể hiện xu h°ßng gia tăng

Hiện nay, m¿ng l°ßi ra-a thái tiÁt ã n°ßc ta ngày càng °āc hoàn thiện vßi 10 tr¿m ra-a °āc nâng cÁp và bao phÿ trên ph¿m vi c¿ n°ßc Tr¿m ra-a Nhà Bè là mát trong số các tr¿m °āc nâng cÁp gần ây nhằm cung cÁp nguồn số liệu vßi công nghệ ồng hóa cÁp nhÁt nhanh từng giá cho mô hình số trß WRF dự báo m°a ßnh

l°āng h¿n cực ngắn Trên c¡ sã khoa hác và thực tÁ nghiên cāu, LuÁn án <Vai trò của đồng hoá cập nhật nhanh số liệu ra-đa trong mô hình WRF đối với dự báo định lượng mưa hạn cực ngắn cho khu vực TP.HCM= °āc thực hiện vßi măc ích

chính là c¿i thiện và nâng cao á chính xác kÁt qu¿ dự báo m°a ßnh l°āng h¿n cực ngắn cho khu vực TP.HCM trên c¡ sã ồng hóa số liệu số liệu ra-a cÁp nhÁt nhanh cho mô hình WRF

2 Māc tiêu nghiên cąu

1) Xác ßnh °āc bá tham số tối °u ồng hóa số liệu ra-a cÁp nhÁt nhanh cho mô hình WRF trên khu vực TP.HCM (gái là HCM-RAP) trong việc c¿i thiện chÁt l°āng dự báo m°a ßnh l°āng h¿n cực ngắn (1-6h) cho khu vực TP.HCM

2) C¿i thiện k* năng dự báo m°a h¿n cực ngắn và xác ßnh °āc māc á óng góp că thể cÿa á ph¿n hồi, tốc á gió xuyên tâm trong việc c¿i thiện chÁt l°āng dự báo m°a h¿n dự báo 1h, 3h, 6h và các ng°ÿng m°a khác nhau cho khu vực TP.HCM, trên c¡ sã ồng hóa số liệu ra-a cÁp nhÁt nhanh cho mô hình WRF

3 Câu hßi nghiên cąu

LuÁn án tÁp trung vào gi¿i áp các câu hỏi sau:

1) Đồng hóa số liệu ra-a cÁp nhÁt nhanh cho mô hình WRF s¿ ¿nh h°ãng nh° thÁ nào trong việc dự báo m°a ßnh l°āng h¿n cực ngắn (1-6h) cho khu vực nhỏ?

2) Tổ hāp cÁu hình vÁt lý nào là tối °u nhÁt cho mô hình HCM-RAP trong việc c¿i thiện chÁt l°āng dự báo m°a ßnh l°āng h¿n cực ngắn (1-6h) cho khu vực TP.HCM?

3) Đóng góp và vai trò cÿa á ph¿n hồi và tốc á gió xuyên tâm khi ồng hóa cÁp nhÁt nhanh số liệu ra-a ối vßi k* năng dự báo m°a ßnh l°āng h¿n cực ngắn và các ng°ÿng m°a khác nhau nh° thÁ nào?

4) Đồng hóa số liệu ra-a cÁp nhanh cho mô hình WRF có thể nâng cao á chính xác so vßi ngo¿i suy ra-a dự báo m°a ßnh l°āng h¿n cực ngắn (1-6h) cho khu vực TP.HCM?

4 LuÁn điểm bÁo vá

1) Đồng hóa số liệu ra-a cÁp nhanh cho mô hình WRF s¿ c¿i thiện kh¿ năng dự báo m°a ßnh l°āng h¿n cực ngắn 1h, 3h, 6h cho khu vực TP.HCM so vßi dự báo hiện t¿i

2) Đá ph¿n hồi có vai trò ¿nh h°ãng chÿ ¿o và óng góp chÿ yÁu h¡n so vßi so vßi tốc á gió xuyên tâm ra-a trong việc c¿i thiện chÁt l°āng dự báo m°a t¿i các h¿n dự báo 1h, 3h, 6h và các ng°ÿng m°a khác nhau trong ồng hóa cÁp nhÁt nhanh cho mô hình WRF

5 Đái t°ÿng và ph¿m vi nghiên cąu

- Đối t°āng nghiên cāu: Ph°¡ng pháp ồng hóa số liệu ra-a cÁp nhÁt nhanh phăc vă dự báo m°a h¿n cực ngắn cho khu vực TP.HCM

- Ph¿m vi thái gian: Các āt m°a lßn trong 3 năm 2019, 2020 và 2021 + Ph¿m vi không gian: Khu vực TP.HCM

6 Ph°¢ng pháp nghiên cąu và kỹ thuÁt sÿ dāng

Ph°¡ng pháp số trß: Dùng mô hình WRF-DA ồng hóa ra-a cÁp nhÁt nhanh dự báo các āt m°a ßnh l°āng h¿n cực ngắn °āc lựa chán trong luÁn án cho khu vực TP.HCM và lân cÁn

Ph°¡ng pháp thống kê: Dùng ể thống kê các āt m°a; tính toán, so sánh, ánh giá k* năng dự báo m°a

7 Đóng góp mái căa LuÁn án

1) LuÁn án ã tiÁn hành thử nghiệm và xác ßnh °āc bá tham số hoá vÁt lý phù hāp cho hệ thống HCM-RAP āng dăng trong dự báo ßnh l°āng m°a h¿n cực ngắn (1-6h) cho khu vực TP.HCM theo ph°¡ng pháp ồng hóa cÁp nhÁt nhanh từng giá ra-a cho mô hình WRF

2) LuÁn án ã phân tích, ánh giá hiệu qu¿ cÿa các yÁu tố quan trắc cÿa ra-a trong ồng hóa cÁp nhÁt nhanh và xác ßnh °āc ồng hóa á ph¿n hồi có vai trò, ¿nh h°ãng lßn nhÁt trong việc c¿i thiện k* năng dự báo m°a ßnh l°āng h¿n cực ngắn Ngoài ra, ồng hoá số liệu ra-a cÁp nhÁt nhanh ã c¿i thiện chÁt l°āng dự báo ßnh l°āng m°a h¿n từ 4-6h so vßi ngo¿i suy ra-a, bổ khuyÁt kho¿ng trống, ồng thái, cùng vßi ngo¿i suy m°a ra-a h¿n 1-3h nhằm năng cao chÁt l°āng dự báo m°a ßnh l°āng h¿n cực ngắn cho khu vực TP.HCM

8 Ý ngh*a khoa hãc và thăc tißn căa LuÁn án

a) Ý nghĩa khoa học

KÁt qu¿ nghiên cāu cÿa luÁn án ã góp phần khẳng ßnh vai trò cÿa quan trắc ra-a trong ồng hóa cÁp nhÁt nhanh cho mô hình WRF và xác ßnh rằng á ph¿n hồi có vai trò, ¿nh h°ãng lßn nhÁt trong việc c¿i thiện k* năng dự báo m°a ßnh l°āng h¿n cực ngắn Ngoài ra, ồng hoá số liệu ra-a cÁp nhÁt nhanh ã c¿i thiện chÁt l°āng

dự báo ßnh l°āng m°a h¿n từ 4-6h so vßi ngo¿i suy ra-a, bổ khuyÁt kho¿ng trống, ồng thái, cùng vßi ngo¿i suy m°a ra-a h¿n 1-3h nhằm nâng cao chÁt l°āng dự báo m°a ßnh l°āng h¿n cực ngắn cho khu vực TP.HCM

b) Ý nghĩa thực tiễn

Trong iều kiện về trang thiÁt bß, công nghệ, số liệu và ặc biệt là năng lực tính toán hiện nay t¿i Trung tâm Dự báo Khí t°āng Thÿy văn Quốc gia và Đài Khí t°āng Thÿy văn Nam Bá thì hệ thống HCM-RAP có thể vÁn hành trong iều kiện nghiệp vă nhằm cung cÁp kÁt qu¿ phăc vă tham kh¿o trong nghiệp vă dự báo m°a ßnh l°āng h¿n cực ngắn cho khu vực TP.HCM

9 C¿u trúc luÁn án

Ngoài phần mã ầu và kÁt luÁn, LuÁn án gồm 4 ch°¡ng sau:

Ch°¡ng 1 Tổng quan các nghiên cứu về ồng hoá số liệu ra-a cho mô hình số

trß dự báo m°a ßnh l°āng h¿n cực ngắn cho khu vực nhỏ trên thÁ gißi và ã Việt Nam, ặc biệt về ồng hoá cÁp nhÁt nhanh số liệu ra-a cho mô hình số trß

Ch°¡ng 2 Phương pháp luận và số liệu nghiên cứu Trình bày ph°¡ng pháp và

số liệu sử dăng ể ồng hóa cÁp nhÁt nhanh liệu ra-a cho mô hình WRF dự báo m°a ßnh l°āng h¿n cực ngắn từ 1-6h cho khu vực TP.HCM ối vßi các āt m°a lßn trong 3 năm 2029, 2020 và 2021

Ch°¡ng 3 Nghiên cứu lựa chọn bộ tham số phù hợp cho hệ thống HCM-RAP

dự báo mưa h¿n cực ngắn khu vực TP.HCM Trình bày về việc thiÁt lÁp thử nghiệm

a cÁu hình vÁt lý ối vßi hệ thống HCM-RAP, ánh giá lựa chán °āc bá s¡ ồ vÁt lý dự báo m°a h¿n cực ngắn ối vßi hệ thống HCM-RAP theo các h¿n dự báo

Ch°¡ng 4 Vai trò của đồng hóa số liệu ra-đa trong dự báo mưa định lượng h¿n

cực ngắn cho khu vực TP.HCM Trình bày về kÁt qu¿ nghiên cāu vai trò cÿa ra-a

trong ồng hóa và thÁy rằng á ph¿n hồi có vai trò quyÁt ßnh và ¿nh h°ãng nhiều nhÁt so vßi tốc á gió xuyên tâm khi ồng hóa cÁp nhÁt nhanh ối vßi dự báo h¿n cực ngắn và các ng°ÿng m°a khác nhau cho khu vực TP.HCMvà ồng hóa á ph¿n hồi kÁt hāp vßi tốc á gió xuyên tâm cho mô hình WRF có thể c¿i thiện kho¿ng 2 lần so vßi vßi không ồng hóa Thêm vào ó, trong 4h ầu ngo¿i suy ra-a có k* năng h¡n

ối vßi tÁt c¿ các ng°ÿng m°a, tuy nhiên h¿n từ 4-6h thì HCM-RAP thể hiện k* năng v°āt lên so vßi ngo¿i suy ra-a, ặc biệt ng°ÿng m°a lßn (2mm/h và 5mm/h) Că thể khung lô-gic cho LuÁn án nh° sau

CH¯¡NG 1: TäNG QUAN VÀ ĐâNG HÓA Sà LIàU

Ngày nay, cùng vßi tiÁn bá cÿa khoa hác máy tính và sự phát triển không ngừng cÿa các mô hình số trß, mô hình số trß ã trã thành tră cát chính trong dự báo ßnh l°āng m°a ã tÁt c¿ các Trung tâm dự báo khí t°āng thÿy văn (KTTV) trên thÁ gißi bên c¿nh các ph°¡ng pháp sy-nốp và thống kê Ph°¡ng pháp dự báo số trß °āc ặc biệt quan tâm trong vài thÁp kỷ gần ây, nhá kh¿ năng dự báo ßnh l°āng m°a chi tiÁt theo không gian và thái gian Tuy nhiên, mặc dù các hệ thống mô hình số trß ã có những b°ßc tiÁn v°āt bÁc nh°ng vÁn ề dự báo m°a cÿa mô hình số trß v¿n chāa ựng nhiều sai số, và việc āng dăng trực tiÁp giá trß m°a ßnh l°āng dự báo từ mô hình số trên các khu vực nhiệt ßi và gió mùa còn h¿n chÁ [Kato, T và H Goda, (2001)] Để c¿i tiÁn chÁt l°āng dự báo ßnh l°āng m°a cÿa mô hình số trß, các nhà nghiên cāu khí t°āng và các c¡ quan dự báo quốc gia ã và ang tÁp trung vào năm

hướng chính sau ây: (1) Nghiên cứu tăng cường độ phân giÁi lưới tính cho mô hình

ể có thể tính toán trực tiÁp °āc các quá trình vÁt lý quy mô nhỏ (d°ßi vài km) Cùng vßi sự phát triển cÿa khoa hác tính toán cũng nh° kh¿ năng phát triển các s¡ ồ rối bÁc cao, rÁt nhiều các nghiên cāu ã āng dăng các mô hình số trß á phân gi¿i cao ể dự báo ßnh l°āng m°a; (2) Nghiên cứu cÁi tiến/ lựa chọn các sơ đồ tham số vật lý cho phù hāp vßi tính chÁt, iều kiện nhiệt áng lực cÿa khu vực nghiên cāu; (3)

Nghiên cứu ứng dụng sơ đồ đồng hóa số liệu ể cÁp nhÁt các nguồn số liệu phi truyền

thống, ặc biệt số liệu radar, vệ tinh, o m°a tự áng nhằm c¿i tiÁn chÁt l°āng tr°áng ban ầu Các ph°¡ng pháp ồng hóa số liệu quan trắc kÁt hāp vßi mô hình có á phân gi¿i cao ã phát triển nhanh trong thÁp kỷ qua; (4) Nghiên cứu ứng dụng các phương

pháp thống kê để hiệu chỉnh sai số hệ thống cÿa mô hình trên c¡ sã các quan trắc

thực tÁ trong quá khā Các mô hình v¿n còn tồn t¿i những sai số nhÁt ßnh, vÁn ề quan tráng là chúng ta hiểu °āc b¿n chÁt cÿa sai số và có thể hiệu chỉnh sai số cÿa

mô hình tr°ßc khi cung cÁp kÁt qu¿ cho ng°ái sử dăng; (5) Nghiên cứu ứng dụng dự

báo tổ hợp các thành phần mô hình ể cung cÁp bổ sung các s¿n phẩm dự báo xác

suÁt x¿y ra bên c¿nh dự báo tÁt ßnh truyền thống Cùng vßi việc nâng cÁp, c¿i tiÁn chÁt l°āng dự báo theo các h°ßng nêu trên, ã hầu hÁt các c¡ quan dự báo nghiệp vă trên thÁ gißi s¿n phẩm dự báo cuối cùng cung cÁp hàng ngày cho ng°ái sử dăng ều dựa trên kÁt qu¿ tổ hāp cÿa nhiều mô hình thành phần

ĐÁn nay ã hầu hÁt các c¡ quan dự báo lßn trên thÁ gißi ã nghiên cāu và āng dăng °āc 5 bài toán quan tráng nêu trên Ph°¡ng pháp dự báo số trß hiện ã và ang °āc sử dăng ráng rãi trong dự báo ßnh l°āng m°a t¿i nhiều trung tâm dự báo lßn trên thÁ gißi và trã thành công că hß trā dự báo ßnh l°āng m°a không thể thiÁu cho các dự báo viên Tuy nhiên, do ặc thù cÿa mô hình số trß có tính phă thuác ban ầu m¿nh, các b¿n tin dự báo thái tiÁt ôi khi cho các kÁt qu¿ hoàn toàn sai lệch do iều kiện ban ầu không chính xác Chính vì vÁy bên c¿nh những c¿i tiÁn về vÁt lý mô hình, tăng á phân gi¿i,&thì việc c¿i thiện và cÁp nhÁt chính xác h¡n các thông tin ban ầu từ số liệu quan trắc thông qua ồng hóa số liệu là vô cùng cần thiÁt

1.1 Tång quan các nghiên cąu trên th¿ giái

a) Tham sá vÁt lý trong mô hình sá trá

Nh° ã nêu ã trên, trong lßch sử phát triển dự báo thái tiÁt nói chung và dự báo m°a nói riêng thì có 3 ph°¡ng pháp chính °āc sử dăng ể dự báo ßnh l°āng m°a, gồm: i) Ph°¡ng pháp thống kê; ii) Ph°¡ng pháp Sy-nốp; và iii) Ph°¡ng pháp số trß Trong ó ph°¡ng pháp dự báo số trß °āc ặc biệt quan tâm trong vài thÁp kỷ gần ây do có kh¿ năng dự báo ßnh l°āng m°a chi tiÁt theo không gian, thái gian Ph°¡ng pháp dự báo số trß thông qua việc gi¿i gần úng hệ ph°¡ng trình Navie-Stoke ã cho phép mã ráng không những về h¿n dự báo mà còn tăng c°áng chÁt l°āng dự báo các hoàn l°u khí quyển và hiện t°āng, hệ qu¿ thái tiÁt mát cách ßnh l°āng ã các quy mô không gian khác nhau, từ các mô hình toàn cầu á phân gi¿i ngang 15-50 km Án các mô hình quy mô vừa (<15 km) và d°ßi vừa (<2 km) tùy thuác năng lực máy tính Mô hình số trß sử dăng các ph°¡ng pháp tham số hóa nên các s¡ ồ tham số hóa ã °āc chú tráng nghiên cāu, phát triển nhằm gi¿i quyÁt các quá trình vÁt lý có quy mô nhỏ h¡n á phân gi¿i l°ßi tính cÿa mô hình số trß

Hiện nay cáng ồng khoa hác ã bổ sung rÁt nhiều lựa chán cho mô hình, thay vì mát s¡ ồ vÁt lý cố ßnh trong mô hình, việc a d¿ng hóa các tùy chán s¡ ồ vÁt lý s¿ cho phép ánh giá °āc các thông số phù hāp tùy thuác vào từng khu vực áp dăng Mát trong những mô hình °āc cáng ồng khoa hác phát triển theo h°ßng a d¿ng tùy chán trên là mô hình WRF Đây là mát trong những hệ thống mô hình mã °āc hß trā mát cách ầy ÿ nhÁt hiện nay và mô hình WRF °āc āng dăng mát cách ráng rãi trong nghiên cāu và nghiệp vă Hầu hÁt các s¡ ồ vÁt lý hiện ¿i ều °āc °a vào mô hình WRF, cho phép các nghiên cāu thử nghiệm mát cách dễ dàng h¡n cho từng khu vực khác nhau trên thÁ gißi S¡ ồ tham số hóa ối l°u, vi vÁt lý mây và lßp biên hành tinh là bá 3 s¡ ồ quan tráng trong mô hình WRF ngoài kỹ thuÁt ồng hóa số liệu, ặc biệt là số liệu ra-a D°ßi ây là phần mô t¿ về mát số s¡ ồ chính:

S¢ đã tham sá hóa đái l°u: S¡ ồ tham số hóa Kain-Fritsch (KF);

Betts-Miller-Janjic (BMJ); Grell-Freitas (GF); Grell-Devenyi (GD); New Tiedtke (NT); Multi-scale Fritsch (MSKF); Fritsch sửa ổi (MKF); Scale-aware Kain-Fritsch (SAKF)&

S¡ ồ KF là mát tham số ối l°u cổ iển ã °āc sử dăng thành công từ những năm 1990, là mát s¡ ồ ối l°u nông dựa trên mô hình dòng ra và dòng vào có thể mô phỏng các dòng thăng và giáng cÿa các dòng khối l°āng (Kain 2004; Castro et al 2005; Ma và Tan 2009; Pennelly và cáng sự 2014) Theo các nghiên cāu chỉ ra rằng hóa ối l°u Kain-Fritsch (KF) trong mô hình WRF là phù hāp cho dự báo l°āng m°a (B Chen et al (2021); P Kumar et al (2020); N Aryal et al (2019); C Lavado-Casimiro et al (2016); S Zhang et al (2013) [14, 19, 56, 57 59] Đặc biệt trong mô hình WRF hiện nay thì s¡ ồ KF có Án 3 biÁn thể khác nhau nh° s¡ ồ sử dăng kiểu kích ho¿t ối l°u Fritsch–Chappell (KF1), kích ho¿t dựa trên sự vÁn chuyển thẳng āng cÿa á ẩm (KF2) và quá trình nhiễu lo¿n bổ sung phă thuác vào á ẩm t°¡ng ối liên quan Án c¡ chÁ kích ho¿t ầu tiên (KF3) Các nghiên cāu hiệu qu¿ giữa việc cÁp nhÁt dữ liệu 1 giá so vßi 3 giá và 6 giá cho mô hình dự báo thái tiÁt WRF vßi các chÁ á nhÁp liệu khác nhau, các nghiên cāu trên thÁ gißi cũng chỉ ra rằng KF3

vßi ồng hóa cÁp nhÁt từng giá mát là mát lựa chán tốt ối vßi việc dự báo m°a, ặc biệt là m°a ßnh l°āng h¿n cực ngắn(Liu, Y., Wang, P., & Li, Y (2018);; Li, Y., Li, Y., & Wang, P (2019); Zhang, Y., & Zheng, W (2021)) [51, 72, 80]

S¡ ồ Betts-Miller-Janjic (BMJ) là s¡ ồ tham số ối l°u có thể iều chỉnh sự bÁt ổn ßnh trong môi tr°áng bằng cách t¿o ra sự ối l°u sâu và ã °āc sử dăng ráng rãi trong các mô hình số BMJ xem xét c¿ cÁp á ối l°u nông và sâu; tuy nhiên, không có dòng thăng và giáng cũng nh° không dòng vào và ra cÿa ám mây Theo các nghiên cāu chỉ ra rằng hóa ối l°u BMJ trong mô hình WRF cũng là mát trong các s¡ ồ phù hāp cho dự báo l°āng m°a, ặc biệt là m°a lßn (Alviola, P A., et al (2014); Abdalla, S., et al (2018); Parween, S., et al (2020) Ali, M., et al (2021) [11,

12, 13 58] Các nghiên cāu chỉ rằng về việc cÁp nhÁt dữ liệu 1 giá tốt h¡n khá nhiều

so vßi 3 giá và 6 giá cho mô hình WRF ối vßi sự góp mặt cÿa Betts-Miller-Janjic S¡ ồ Grell-Devenji là mát s¡ ồ ối l°u tổng hāp và gần ây ã °āc sử dăng trong mô hình có á phân gi¿i cao (Grell và Freitas 2014) S¡ ồ này sử dăng các ph°¡ng trình tham chiÁu ể tính toán các thông số khí t°āng nh° tốc á gió, á ẩm và nhiệt á trong khí quyển, giúp mô hình có thể mô phỏng các hiện t°āng thái tiÁt khác nhau S¡ ồ Grell-Devenyi có tính linh ho¿t và °āc sử dăng ráng rãi trong việc dự báo thái tiÁt và khí hÁu trên toàn cầu Theo các nghiên cāu chỉ ra rằng s¡ ồ ối l°u Grell-Devenji trong mô hình WRF cũng là mát trong các s¡ ồ phù hāp cho dự báo l°āng m°a, ặc biệt là m°a lßn (Grell, G A., & Devenyi, D (2002); Huang, B., & Zhang, H (2013); Jain, P., Mandal, M., & Ghosh, S (2020) [35, 39, 41]

S¢ đã vi vÁt lý (MP): S¡ ồ vi vÁt lý cÿa mô hình WRF bao gồm quá trình h¡i n°ßc,

mây và m°a °āc gi¿i quyÁt rõ ràng, và bài báo này sử dăng các s¡ ồ ¡n gi¿n Án phāc t¿p Các s¡ ồ chính nh°: Lin; WSM3; WSM5; WDM6; Morrison et al (2005) Milbrandt và Yau; New Thompson; Morrison-Gettleman (MG); GFDL; McFarquhar; Eta&

S¡ ồ Lin là s¡ ồ mát tham số chāa năm lßp n°ßc trong khí quyển và thích hāp cho mô phỏng á phân gi¿i cao (Lin et al 1983, 2018)

S¡ ồ vi vÁt lý mây New Thompson là mát trong những s¡ ồ vi vÁt lý mây °āc sử dăng trong mô hình WRF mô t¿ quá trình t°¡ng tác giữa mây và khí quyển trong việc dự báo m°a S¡ ồ này bao gồm mát bá các ph°¡ng trình ặc t¿ các quá trình nh° ng°ng tă, óng băng, nóng ch¿y và bay h¡i cÿa các h¿t mây, °āc tính toán dựa trên các thông số về nhiệt á, á ẩm, áp suÁt và tốc á gió Các kÁt qu¿ cÿa s¡ ồ vi vÁt lý mây New Thompson ã °āc kiểm chāng là phù hāp vßi dữ liệu thực nghiệm và th°áng °āc sử dăng trong các nghiên cāu và āng dăng dự báo m°a Đặc biệt các nghiên cāu gần ây cũng chỉ rằng việc cÁp nhÁt dữ liệu 1 giá tốt h¡n khá nhiều so vßi 3 giá và 6 giá, că thể vßi s¡ ồ vi vÁt lý New Thompson không chỉ cho vùng nhiệt ßi và vùng ngo¿i nhiệt ßi cũng nh° xoáy quy mô vừa (bão và áp thÁp nhiệt ßi) (Zhang, Y., & Zheng, W (2021); Chen, Y., & Zhang, Y (2017))

S¡ ồ WSM6 °āc dựa trên Lin et al (1983) và Rutledge và Hobbs (1984), vßi mát số iều chỉnh vßi 6 lßp mã ráng Theo các nghiên cāu chỉ ra rằng WSM6 trong mô hình WRF cũng là mát trong các s¡ ồ phù hāp cho dự báo l°āng m°a, ặc biệt là m°a lßn

S¢ đã láp biên: Yonsei University (YSU); Mellor-Yamada-Janjic (MYJ);

Asymmetric Convective Model version 2 (ACM2); University of Washington (UW); Thermal Diffusion (TD)&S¡ ồ PBL, s¡ ồ YSU phân tán không căc bá dựa trên s¡ ồ PBL dự báo ph¿m vi trung bình , tính toán các thông l°āng ho¿t áng ã mát á cao nhÁt ßnh, cân nhắc hồ s¡ cÿa toàn bá miền Hai s¡ ồ khuÁch tán căc bá và cô lÁp MYJ (Janjić 1994) °āc sử dăng ng°ÿng TKE ể chẩn oán á cao cÿa PBL

Mô hình mô phỏng và dự báo thái tiÁt nh° WRF có nhiều tùy chán s¡ ồ tham số khác nhau, mßi mát s¡ ồ có các °u nh°āc iểm khác nhau, tùy thuác tính chÁt nhiệt áng lực ã khu vực nghiên cāu Do vÁy nghiên cāu cÁu hình mô hình WRF trong dự báo m°a ßnh l°āng h¿n ngắn cần °āc thực hiện

b) Đãng hóa sá liáu trong dă báo m°a

Do ặc thù cÿa mô hình dự báo thái tiÁt bằng ph°¡ng pháp số trß là sử dăng các ph°¡ng trình và thuÁt toán ể tính toán các thông số thái tiÁt, nh° áp suÁt khí quyển, nhiệt á, á ẩm và gió, dựa trên các thông tin ầu vào, bao gồm dữ liệu quan

trắc, dữ liệu mô hình và các yÁu tố khác nên các b¿n tin dự báo thái tiÁt ôi khi có á sai lệch lßn do iều kiện ban ầu không chính xác Măc ích cÿa dữ liệu ồng hóa là xác ßnh chính xác nhÁt có thể tr¿ng thái cÿa khí quyển cho mát mô hình dự báo bằng cách sử dăng tÁt c¿ thông tin có sẵn kÁt hāp vßi các quan trắc và dự báo h¿n ngắn (nh°ng v¿n thỏa mãn các ràng buác về áng lực) ể thu °āc iều kiện ban ầu cho mô hình dự báo thái tiÁt (NWP) Theo Daley (1991) [28] vÁn ề xác ßnh iều kiện ban ầu cho mô hình dự báo là rÁt cần thiÁt, tuy nhiên, ây là mát quá trình vô cùng phāc t¿p Đồng hóa dữ liệu t¿o ra mát tr°áng ban ầu ều ặn, nhÁt quán, ¿i diện bốn chiều cÿa tr¿ng thái cÿa bầu khí quyển từ các m¿ng không ồng nhÁt cÿa số liệu quan trắc Theo Lorenc (1986) [53], dữ liệu ồng hóa ngoài c¿i thiện tr°áng ban ầu còn giúp ta hiểu biÁt về các lßi mô hình, lßi dữ liệu và phân bố xác suÁt cÿa chúng

Lßch sử cÿa ồng hóa số liệu °āc bắt ầu từ những năm 1950 Nh° Charney và cáng sự (1950) [21] thực hiện nái suy bằng tay các quan sát có sẵn cho mát l°ßi thông th°áng và tính toán iều kiện ban ầu sau ó tự số hóa Công việc này tốn rÁt nhiều thái gian và công sāc Sau ó, mát ph°¡ng pháp tự áng và thuÁn tiện h¡n ra ái cũng bãi tác gi¿ này gái là "phân tích khách quan" Các ph°¡ng pháp khách quan sử dăng phép nái suy ¡n gi¿n Gilchrist và Cressman (1954) [37] ã sử dăng ph°¡ng pháp phân tích khách quan và °a ra mát ch°¡ng trình nái suy cho á cao ßa thÁ vß bằng việc v¿ các vòng tròn quanh từng iểm l°ßi, chỉ những iểm quan trắc nằm trong vòng tròn (cÿa từng iểm l°ßi) mßi có ¿nh h°ãng Án giá trß cÿa iểm l°ßi ó Nh°āc iểm cÿa ph°¡ng pháp này là nÁu dữ liệu quá th°a và phân bố dữ liệu theo thái gian không ồng ều s¿ không ÿ ể khãi t¿o iều kiện ban ầu cho mô hình Bergthorsson và Doos (1955) [18] ã gißi thiệu ph°¡ng pháp hiệu chỉnh liên tiÁp ể khắc phăc l°āng dữ liệu quan trắc nghèo nàn bằng việc bổ sung thêm các thông tin từ tr°áng nền, tr°áng dự báo h¿n ngắn hoặc từ các phân tích tr°ßc ó cho tr°áng ban ầu Ph°¡ng pháp này sau ó cũng °āc phát triển bãi Cressman (1959) [20] Tr¿i qua nhiều giai o¿n phát triển, nhìn chung có ba lo¿i chính cÿa kỹ thuÁt ồng hóa dữ liệu: ph°¡ng pháp thực nghiệm (Gilchrist và Cressman, 1954) [37], ph°¡ng pháp biÁn phân dựa trên lý thuyÁt iều khiển tối °u (Lions, 1968) [47] và ph°¡ng pháp

thống kê dựa trên lý thuyÁt về °ßc l°āng thống kê tối °u (Bennett, 2002) [17] áp dăng cho c¿ hai ngành khí t°āng và h¿i d°¡ng hác B°ßc ngoặt cÿa ồng hóa số liệu là ã các ph°¡ng pháp biÁn phân (3D-VAR, 4D-VAR) lần ầu tiên °āc gißi thiệu trong khí t°āng bãi Lewis và cáng sự (1985), Talagrand và cáng sự (1987) [22] Bài toán

biÁn phân tÁp trung vào việc tìm kiÁm tr¿ng thái khí quyển có kh¿ năng x¿y ra cao nhÁt āng vßi mát tÁp quan trắc và mát tr¿ng thái nền cho tr°ßc bằng cách tối thiểu hoá mát hàm giá ¯u iểm cÿa ph°¡ng pháp này là hàm giá °āc cực tiểu hoá trên toàn miền và các quan trắc °āc dàn ều, tránh °āc tình huống <mắt trâu= từ mát iểm có giá trß quá lßn, tuy nhiên nh°āc iểm cÿa nó là tr°áng nền không biÁn ổi theo thái gian trong khi thực tÁ thì ng°āc l¿i, ối vßi mßi thái iểm và vßi các hình thÁ thái tiÁt khác nhau l¿i cần mát lo¿i tr°áng nền khác nhau Để khắc phăc vÁn ề này, các ph°¡ng pháp thống kê (bá lác Kalman) °āc gißi thiệu bãi Ghil (1989) [34] ã ra ái, °u iểm cÿa nó là ma trÁn sai số hiệp biÁn cÿa tr¿ng thái nền °āc tích phân theo thái gian, tuy nhiên do òi hỏi khối l°āng tính toán rÁt lßn, sau ó mát số biÁn thể cÿa ph°¡ng pháp này ã ra ái nh°: bá lác Kalman tổ hāp EnKF, lác Kalman tổ hāp biÁn ổi ßa ph°¡ng LETKF

Tóm l¿i, ồng hóa có mát lßch sử khá dài và °āc phát triển gần ây cùng vßi tiÁn bá cÿa khoa hác máy tính và mô hình số và sự phát triển m¿nh m¿ cÿa các kỹ thuÁt ồng hóa số liệu Các ph°¡ng pháp ồng hóa cổ iển nêu trên nh° nái suy tối

°u (<optimum interpolation=) hay hiệu chỉnh liên tiÁp (<successive correction

method=) ã °āc thay thÁ bằng các kỹ thuÁt hiện ¿i vßi cách tiÁp cÁn biÁn phân

(<variational method=) Nh° ph°¡ng pháp ồng hóa biÁn phân 3 chiều

(<three-dimensional variational method= - 3D-Var), 4 chiều (4D-Var) và các biÁn thể lác

Kalman tổ hāp (<Ensemble Kalman Filter= - EnKF) Vßi māc á phát triển cao, các

ph°¡ng pháp ồng hóa số liệu òi hỏi nhiều b°ßc tính toán cũng nh° quá trình xử lý số liệu nhiều b°ßc (Skamarock, W C, (2008)) [60] Các ph°¡ng pháp ồng hóa dữ liệu 3DVar và 4DVar ã làm tăng chÁt l°āng dự báo dựa trên các nguồn số liệu mßi nh° ra-a, vệ tinh Bên c¿nh ó, các cách tiÁp cÁn dựa trên ph°¡ng pháp tổ hāp (EnKF) cũng có °u iểm trong việc cung cÁp các b¿n tin dự báo xác suÁt (Benjamin

ccs., (2004) [16] Các hệ thống EnKF cũng ang °āc thử nghiệm t¿i mát số tr°áng ¿i hác cÿa Hoa Kỳ Các hệ thống này t¿i Hoa Kỳ ang cho thÁy triển váng rÁt lßn về kh¿ năng dự báo hiện t°āng thái tiÁt nguy hiểm so vßi các hệ thống dữ liệu ho¿t áng ồng hóa hiện t¿i So vßi ph°¡ng pháp 3D-Var, ph°¡ng pháp 4D-Var xử lý số liệu trên c¿ chiều thái gian giúp tr°áng phân tích không những tối °u theo ngh*a thống kê mà còn phù hāp về mặt áng lực Từ ó, tr°áng nền có thể thay ổi theo thái gian và phù hāp h¡n vßi từng hình thÁ thái tiÁt H¡n thÁ nữa, 4D-Var có thể ồng hóa °āc nhiều lo¿i số liệu mà 3D-Var không ồng hóa °āc (ví dă số liệu l°āng m°a) Tuy nhiên, ph°¡ng pháp 4DVar yêu cầu khối l°āng tài nguyên tính toán lßn, do số liệu quan trắc °āc cÁp nhÁt theo thái gian, òi hỏi ph¿i sử dăng mô hình tiÁp tuyÁn và liên hāp ể tính toán sự phù hāp cÿa các tr°áng phân tích trên cửa sổ ồng hóa

Đồng hóa số liệu ã tr¿i qua nhiều giai o¿n phát triển, các ph°¡ng pháp và kỹ thuÁt ồng hóa luôn °āc °āc c¿i tiÁn và có thể °āc tổng quát l¿i nh° sau (Hình 1.1):

❖ Phương pháp dựa trên thống kê

Nái suy tối °u (OI - Optimal Interpolation); Lác Kalman (KF - Kalman Filter);

Lác Kalman mã ráng (EKF – Extension Kalman Filter), trong EKF có 3 k* thuÁt nhỏ

❖ Phương pháp biến phân

Ph°¡ng pháp hiệu chỉnh liên tiÁp (SCM - Successive Correction Method); Ph°¡ng pháp nudging; BiÁn phân ba chiều (3DVAR – 3 Dimensional Variational data assimilation); BiÁn phân bốn chiều (4DVAR – 4 Dimensional Variational data assimilation)

❖ Phương pháp lai

Tổ hāp Lác Kalman (EnFK - Ensemble Kalman Filter); Lác Kalman ßa ph°¡ng (LETKF - Local ensemble transform Kalman filter); Nh° ồng hóa tổ hāp EDA; 4Dvar tổ hāp; Hybrid 4DVar-EnKF; GSI

Hiện này có rÁt nhiều ph°¡ng pháp và k* thuÁt ồng hóa số liệu khác nhau,

trong LuÁn án này s¿ trình bày mát số ph°¡ng pháp chính °āc sử dăng phổ biÁn hiện nay trên thÁ gißi và t¿i n°ßc ta Cũng nh° phăc vă trực tiÁp nghiên cÿa cÿa Nghiên cāu sinh về ồng hóa ra-a cho mô hình WRF dự báo m°a h¿n cực ngắn

Hình 1 1 Sơ đồ tổng quát các phương pháp và kĩ thuật đồng hóa số liệu cho mô hình số hiện nay (M Asch, M Bocquet and M Nodet, 2017) [54]

c) Tång quan các nghiên cąu đãng hóa ra-đa dă báo m°a h¿n ngÃn trên th¿ giái

Dự báo m°a h¿n cực ngắn là mát vÁn ề ã °āc các nhà khí t°āng ề cÁp từ cuối thÁp niên 70, các nhà khoa hác ã kÁt hāp giữa các s¿n phẩm ra-a và vệ tinh ể dự báo m°a trong h¿n dự báo 6 giá Mát số các mô hình số trß °āc phát triển dự báo khá chính xác cÁu trúc ngang và thẳng āng các hiện t°āng khí t°āng quy mô nhỏ d°ßi 12 giá Để c¿i thiện tr°áng ban ầu cho mô hình số trß thì ph°¡ng pháp ồng hóa số liệu ã ra ái Đồng hóa số liệu là kÁt hāp mát cách tốt nhÁt các nguồn thông tin, số liệu khác nhau, số liệu quan trắc, số liệu nền, mát thông tin tiên nghiệm hoặc số liệu thống kê ể °ßc l°āng, tính toán tr¿ng thái cÿa mát hệ thống, mát ph°¡ng

trình mô hình [30]

Việc ồng hóa số liệu nhằm c¿i thiện chÁt l°āng dự báo m°a lßn h¿n ngắn không ngừng phát triển trong nhiều năm qua Việc sử dăng ồng hóa số liệu quan trắc, vệ tinh, ra-a cho mô hình số giúp bổ sung thông tin cho các tr°áng ban ầu, nâng cao kh¿ năng dự báo m°a lßn ặc biệt là m°a h¿n ngắn °āc nhiều n°ßc trên thÁ gißi áp dăng Các ph°¡ng pháp ồng hóa dữ liệu 3DVAR, 4DVAR ã làm tăng chÁt l°āng dự báo dựa trên các nguồn số liệu mßi nh° ra-a, vệ tinh, Bên c¿nh ó các cách tiÁp cÁn dựa trên ph°¡ng pháp tổ hāp nh° LETKF [27, 33, 36, 61, 79] Tuy nhiên, việc ồng hóa số liệu cũng òi hỏi sự chính xác và tính thống nhÁt trong việc thu thÁp và xử lý dữ liệu, cũng nh° việc phát triển các ph°¡ng pháp ồng hóa hiệu qu¿

Nh° ã nêu ã trên, việc ồng hóa số liệu có thể c¿i thiện dự báo thái tiÁt, că thể là dự báo m°a, ặc biệt m°a lßn và m°a lßn h¿n cực ngắn VÁy bài toán ồng hóa ặt ra câu hỏi rằng tần suÁt ồng hóa các dữ liệu bao nhiêu là phù hāp Các nghiên cāu hiệu qu¿ giữa việc cÁp nhÁt dữ liệu 1 giá, 3 giá và 6 giá cho mô hình WRF vßi các chÁ á nhÁp liệu khác nhau, tần suÁt khác nhau, ặc biệt là số liệu ra-a trong việc dự báo m°a, m°a ßnh l°āng h¿n cực ngắn cho thÁy rằng ồng hóa cÁp nhÁt 1h tốt h¡n

hẳn so vßi tần suÁt 3 hoặc 6h/lần [22, 26,43, 63, 80]

Hiện nay quan trắc ra-a có rÁt nhiều thông tin và ã °āc ồng hóa vào mô hình WRF vßi các yÁu tố nh° á ph¿n hồi, gió xuyên tâm hoặc c¿ hai nhằm tăng c°áng kh¿ năng dự báo m°a KÁt qu¿ thÁy rằng ồng hóa á ph¿n hồi có vai trò quan tráng và óng góp lßn h¡n so vßi ồng hóa tốc á gió xuyên tâm trong dự báo m°a và ặc biệt m°a ßnh l°āng h¿n cực ngắn [64, 65, 76, 77].

Schwitalla và Wulfmeyer (2013) [71] ã nghiên cāu tác áng cÿa ồng hóa vÁn tốc gió xuyên tâm và á ph¿n hồi từ m¿ng l°ßi Ra-a cÿa Pháp và Đāc cho dự báo l°āng m°a ßnh l°āng m°a h¿n cực ngắn Nghiên cāu sử dăng mô hình WRF á phân gi¿i 3.6 km và chu trình cÁp nhÁt nhanh WRF (RUC - Rapid Update Cycle) 3 tiÁng mát KÁt qu¿ ã cho thÁy °āc tác áng tích cực ối vßi dự báo khi áp dăng ồng hóa thành phần vÁn tốc gió xuyên tâm ã chÁ á cycling VÁn tốc xuyên tâm làm gi¿m sự dự báo khống l°āng m°a 3 giá so vßi thí nghiệm không có dữ liệu ra-a

Hình 1 2 Sơ đồ mô hình VDAPS

Về kỹ thuÁt ồng hóa số liệu cho mô hình ể dự báo m°a lßn h¿n cực ngắn, tiÁn bá nhÁt hiện nay là hệ thống ồng hóa làm mßi nhanh (The Rapid Refresh-RAP), do các nhà khoa hác Hoa Kỳ phát triển và ã °āc °a vào āng dăng trong nghiệp vă t¿i c¡ quan dự báo quốc gia từ năm 2012 Theo ánh giá gần ây, hệ thống HRRR này dự báo thiên cao ã vùng Đ¿i Bình nguyên (Great Plains) và thiên thÁp t¿i ông nam Hoa Kỳ Kỹ năng dự báo cÿa hệ thống HRRR cũng °āc c¿i thiện theo các năm (James O Pinto, 2015)

T°¡ng tự nh° Hoa Kỳ, Hàn Quốc cũng xây dựng hệ thống VDAS (Very short-range Data Assimilation and Prediction System - Hình 1.2), hệ thống dự báo cực ngắn cÁp nhÁt liên tăc 1h mát trên c¡ sã mô hình số trß á UM phân gi¿i rÁt cao (1.5km) kÁt hāp ồng hóa 3/4DVAR vßi các số liệu bề mặt, thám không, vệ tinh, á ph¿n hồi và gió xuyên tâm cÿa ra-a, c°áng á m°a, và tầm nhìn xa (mây) Hệ thống này ã phăc vă cho dự báo m°a h¿n cực ngắn cho thÁ vÁn hái mùa hè 2016 t¿i Hàn Quốc (Dong-Joon Kim, 2016)

Hình 1 3 Hệ thống cập nhật nhanh của CWB

Căc khí t°āng Đài Loan cũng dùng mô hình WRF á phân gi¿i cao (2km) kÁt hāp ồng hóa số liệu á ph¿n hồi và tốc á gió xuyên tâm từ ra-a, °āc cÁp nhÁt

liên tăc 1h mát hß trā dự báo h¿n cực ngắn [74]

Hình d°ßi ây cho thÁy các c¡ quan nghiệp vă lßn trên thÁ gißi ều áp dăng việc ồng hóa cÁp nhÁt nhanh từng giá trong dự báo thái tiÁt nói chung và dự báo

m°a nói riêng [31]

Hình 1 4 Tổng hợp về việc đồng hóa cập nhật nhanh của các cơ quan dự báo nghiệp vụ trên thế giới

Trên c¡ sã tổng quan ã trên có thể thÁy ồng hóa là mát trong những nái dung °āc quan tâm phát triển nhanh trong thái gian gần ây, góp phần c¿i thiện k* năng dự báo thái tiÁt cho mô hình số trß Càng ngày, k* thuÁt ồng hóa càng a d¿ng, có những b°ßc nh¿y vát từ s¡ khai nh° thống kê cho Án biÁn phân và tổ hāp các ặc tính tối °u nhÁt cho bài toán dự báo thái tiÁt Có thể tổng kÁt kh¿ năng dự báo và á chính xác cÿa các ph°¡ng pháp dự báo m°a ßnh l°āng nh° sau:

Hình 1 5 KhÁ năng dự báo và độ chính xác của các phương pháp dự báo mưa định

lượng hiện nay [Saito, 2018]

Gần ây Espeholt, L., Agrawal, S., Sønderby, C et al (2022) [29] ã nghiên cāu về việc sử dăng hác sâu (deep learning) ể dự báo m°a trong 12 giá KÁt qu¿ cho thÁy ph°¡ng pháp này có thể c¿i thiện áng kể á chính xác cÿa dự báo so vßi các ph°¡ng pháp truyền thống Trong các thử nghiệm trên mô hình dự báo thái tiÁt cÿa Mỹ (NAM), ph°¡ng pháp hác sâu ã cho kÁt qu¿ chính xác h¡n 30% so vßi các ph°¡ng pháp dự báo tốt nhÁt hiện nay cÿa c¡ quan khí t°āng Hoa Kỳ Điều này cho thÁy tiềm năng lßn cÿa hác sâu trong việc c¿i thiện dự báo thái tiÁt và m°a Hình 1.5 cho thÁy chỉ số CSI cÿa hệ thống hác máy này lên Án 0.65 và gÁp ôi so vßi chỉ số CSI cÿa hệ thống HRRR/RAP V4 cũng nh° hệ thống HREF vßi CSI cÿa HRRR và

HREF t°¡ng āng ho¿ng 0.3-0.32 h¿n 1h và gi¿m rÁt chÁm ối vßi h¿n 3h và 6h (t°¡ng āng 0.25 và 0.21) ối vßi ng°ÿng m°a 2mm/h (48mm/ngày-m°a to)

Hình 1 6 Chỉ số đánh giá CSI của học máy MetNet2, HRRR và HREF ngưỡng 2mm/h theo các h¿n từ 1 đến 12 cho Hoa Kỳ

Tóm l¿i, trên thÁ gißi hiện nay, t¿i các c¡ quan dự báo nghiệp vă và ¡n vß nghiên cāu thì việc ồng hóa số liệu, ặc biệt là ồng hóa số liệu ra-a á phân gi¿i cao cÁp nhanh từng giá cho mô hình số trß là ph°¡ng pháp chính, chÿ yÁu và cho kÁt qu¿ dự báo tốt nhÁt hiện nay ối vßi m°a, m°a lßn cho h¿n cực lßn bên c¿nh kÁt hāp vßi ngo¿i suy ra-a-vệ tinh Việc āng dăng trí tuệ nhân t¿o cũng hāa hẹn cho những c¿i thiện chÁt l°āng dự báo nói chung và c¿i thiện dự báo m°a từ các hệ thống mô hình số trß ồng hóa cÁp nhÁt nhanh

1.2 Tång quan các nghiên cąu å Viát Nam

Kiều Thß Xin ccs., (2005) [4] nghiên cāu c¿i tiÁn tr°áng ban ầu từ mô hình

toàn cầu GME (<Global-Models=) thông qua các s¡ ồ ồng hóa số liệu bằng ph°¡ng pháp biÁn phân mát chiều, ba chiều (1D-Var, 3D-Var) cho thÁy có sự c¿i thiện áng kể trong kỹ năng dự báo mát số yÁu tố khí t°āng trong ó có dự báo ßnh l°āng m°a từ mô hình HRM Tuy nhiên, s¡ ồ 3D-Var mßi chỉ sử dăng °āc các nguồn số liệu quan trắc truyền thống mà ch°a sử dăng °āc nguồn số liệu quan trắc phi truyền thống và kÁt qu¿ dự báo cũng ch°a thực sự áp āng °āc yêu cầu nghiệp vă Cũng h°ßng nghiên cāu này, Lê Đāc (2007) [5] ã sử dăng nguồn số liệu vệ tinh MTSAT ể bổ sung thêm các thám sát nhiệt và ẩm cho s¡ ồ 3D-Var nhằm nâng cao chÁt

l°āng ầu vào cho mô hình HRM vßi bài toán dự báo m°a lßn cho khu vực Nam Bá Nghiên cāu cÿa Huỳnh Thß Hồng Ngự và La Thß Cang (2008) [3] ã gißi thiệu về 4D-Var tuy nhiên mßi chỉ dừng l¿i ã những biện luÁn về kh¿ năng áp dăng 4D-Var trong dự báo thái tiÁt bằng các mô hình số trß và h°ßng phát triển trong t°¡ng lai cÿa kỹ thuÁt này ã Việt Nam

Đồng hóa số liệu ra-a, ã Việt Nam, mát số nghiên cāu về ồng hóa số liệu nh° cÿa Trần Tân TiÁn và Nguyễn Thß Thanh (2011) [9] ã sử dăng WRF-DA ể thử nghiệm ồng hóa số liệu vệ tinh MODIS bằng ph°¡ng pháp 3D-Var ể dự báo m°a lßn ã khu vực Trung Bá Trần Tân TiÁn ccs., (2013) cũng ã āng dăng ph°¡ng pháp lác Kalman tổ hāp vào dự báo c°áng á bão 5 ngày Các kÁt qu¿ cho thÁy chÁt l°āng cÿa dự báo ã các h¿n gần ã tốt h¡n so vßi tr°áng hāp không ồng hóa D° Đāc TiÁn ccs., (2013) [2] ã gißi thiệu các vÁn ề c¡ b¿n liên quan Án việc xử lý số liệu ra-a Doppler ể °a vào ồng hóa số liệu cho mô hình WRF Các thuÁt toán xử lý ã °āc āng dăng cho số liệu ra-a Đông Hà, bao gồm xử lý nhiễu ßa hình, xử lý nhiễu iểm

¿nh và làm tr¡n (<thinning=) ể t¿o số liệu m¿u (<super observation=) Bùi Minh Tăng

ccs., (2014) cho thÁy việc āng dăng thành công các mô hình khu vực WRF, NHM và s¡ ồ ồng hóa số liệu 3DVar trong thử nghiệm dự báo Các ph°¡ng pháp UMOS và lác Kalman ã c¿i thiện °āc chÁt l°āng dự báo m°a lßn so vßi dự báo từ mô hình WRF có á phân gi¿i 15km Vßi kÁt luÁn ph°¡ng pháp UMOS là tốt nhÁt tuy nhiên số tr°áng hāp thử nghiệm còn ít (<10 tr°áng hāp) vì vÁy ch°a thể khẳng ßnh tính chính xác và áp dăng vào thực tÁ Ngô Đāc Thành (2014) [6] ã xây dựng °āc hệ thống WRF vßi lác tổ hāp ồng hóa Kalman (LETKF) thử nghiệm āng dăng h°ßng nghiệp vă và °āc ánh giá trên các h¿n dự báo 24h, 48h và 72h Hệ thống bao gồm 21 thành phần, dự báo vßi quá trình ồng hoá từng 12 giá Nguồn số liệu dùng ể ồng hoá là bá số liệu quan trắc gió vệ tinh D° Đāc TiÁn (2016) [1] ã tiÁp nối nghiên cāu cÿa Bùi Minh Tăng trong việc ồng hóa số liệu ßa ph°¡ng t¿i Việt Nam và số liệu ra-a Doppler Đông Hà Ngoài ra ề tài ã thử nghiệm bổ sung xử lý và ồng hóa thêm số liệu gió h°ßng tâm từ các quan trắc ra-a Doppler (Đông Hà, Tam Kỳ) Thử nghiệm hệ thống ồng hóa áng lực gi¿m d° Nudging số liệu ra-a cho hệ

thống mô hình COSMO KÁt qu¿ cho thÁy rằng hệ thống ồng hóa biÁn phân WRFDA cho mô hình WRF-ARW cho thÁy ch°a có sự khác biệt thực sự khi sử dăng số liệu bề mặt cÿa Việt Nam mặc dù sự thay ổi cÿa tr°áng ban ầu có thể lan lên các mực Án 500hPa trong mô hình trong các tháng mùa hè Đối vßi số liệu ra-a, các kÁt qu¿ kh¿o sát vßi hệ thống COSMO sử dăng số liệu ra-a phía bắc hoặc mô hình WRF-ARW ồng hóa số liệu Đông Hà cho thÁy dự báo m°a cÿa mô hình khá nh¿y vßi sự thay ổi do ồng hóa ra-a mang l¿i và có thể ¿nh h°ãng Án thái h¿n 48h dự báo Các thuÁt toán xử lý ã °āc āng dăng cho số liệu Ra-a Doppler Đông Hà, bao gồm xử lý nhiễu ßa hình, xử lý nhiễu iểm ¿nh (Hình 1.6) và làm tr¡n (thinning) t¿o số liệu m¿u (super observation) ể °a vào ồng hóa (Hình 1.7)

Trần Hồng Thái ccs., (2016) [8] cũng ồng hóa số liệu ra-a nh°ng bằng ph°¡ng pháp ồng hóa gi¿m d° ¿i l°āng ẩn nhiệt cho mô hình COSMO KÁt qu¿ dự báo thử nghiệm cho āt m°a lßn lßch sử t¿i Qu¿ng Ninh năm 2015 cho thÁy tác áng rõ rệt khi sử dăng số liệu ra-a so vßi chỉ sử dăng số liệu bề mặt ¡n thuần Trần Duy Thāc ccs., (2018) [7] ã thử nghiệm ồng hóa số liệu ra-a Nhà Bè vào mô hình WRF cho bài toán dự báo m°a lßn ã khu vực TP.HCM KÁt qu¿ ánh giá chỉ dừng l¿i ã mát tr°áng hāp thử nghiệm trong tháng 8 năm 2016 nh°ng cũng cho thÁy °u iểm cÿa việc sử dăng số liệu ra-a trong bài toán ồng hóa

Hình 1 7 Minh họa quá trình lo¿i bỏ nhiễu địa hình và nhiễu biển t¿i Ra-đa Đông Hà

Hình 1 8 Ành minh họa quá trình xử lý từ dữ liệu sau lọc nhiễu đến các điểm dữ liệu được lựa chọn

Mai Văn Khiêm và cáng sự ã thử nghiê洃⌀ āng dăng ra-a kÁt hāp mô hình số tri ̣trong d° ̣báo m°a h¿n cực ngắn [10] Trong nghiên cāu này gißi thiệu mát hệ thống kÁt hāp (blending) ang °āc triển khai nghiệp vă t¿i Trung tâm Dự báo khí t°āng thuỷ văn quốc gia gồm: các s¿n phẩm ngo¿i suy 1-6h ối vßi m°a và hệ thống ối l°u dựa trên quan trắc ra-a thông qua hệ thống dự báo cực ngắn SWIRLS cÿa C¡ quan khí t°āng Hồng Kông (HKO) và hệ thống dự báo số trß quy mô ối l°u dựa trên mô hình WRF-ARW cho các dự báo Án 12h tiÁp theo S¿n phẩm từ 1-6h ầu dự báo từ mô hình °āc hiệu chỉnh dựa trên °ßc l°āng m°a từ ra-a và các dự báo cực ngắn (ngo¿i suy) dựa trên quan trắc ra-a Những kÁt qu¿ thử nghiệm b°ßc ầu cÿa nghiên cāu cho thÁy kh¿ năng āng dăng cao cÿa hệ thống c¿nh báo h¿n ngắn m°a dông nh° hình 1.8

Hình 1 9 Kết quÁ so sánh giữ mô hình số, ngo¿i suy ra-đa và kết hợp t¿i thời điẻm dự báo ngày 23/9/2021 với các h¿n dự báo 1-6h