264 Chơng 8 Dự Báo Lũ Lụt Hiện nay thủy văn học lũ lụt hấp dẫn cả về cách tiếp cận vi mô dựa vào những cơ chế liên tục lẫn cách tiếp cận vĩ mô dựa vào nghiên cứu thống kê của những tổng thể lớn. Không một cách tiếp cận nào hoàn toàn thích hợp với thủy văn học lu vực, mà nó đòi hỏi những chuyển tiếp về quy mô giữa quy mô địa phơng của vật lý thủy văn và quy mô toàn cầu của một khu vực địa lý chính. Jim Dooge, 1986 Có hai loại dự báo lũ đợc đòi hỏi trong thủy văn học. Một là dự báo lu lợng lũ và phạm vi ngập lụt trong thời gian lũ, đặc biệt là để quyết định xem liệu những cảnh báo lũ lụt có cần phải đợc phát báo hay không. Loại dự báo 'thời gian thực này thờng đợc gọi là dự báo lũ. Trong những lu vực nhỏ dự báo lũ trớc hết là bài toán mô hình ma-dòng chảy, liên quan đến ma rađa hoặc những trạm đo ma từ xa gửi số liệu trở lại cho một cơ quan phân tích lũ lụt trong thời gian thực để sử dụng với một mô hình dự báo. Trong những lu vực lớn có thể liên quan tới cả mô hình ma-dòng chảy lẫn mô hình thủy lực của các lòng dẫn: dạng để xác định bao nhiêu nớc sẽ đóng góp cho sóng lũ; sau đó cho phép dự đoán mức độ lụt lội của vùng ngập lụt và đặc tính lũ trong suốt thời gian lũ. Những phơng pháp dự báo thời gian thực của lu lợng lũ và mức độ ngập lụt đợc chia ra trong năm mục đầu tiên của chơng này. Loại dự báo thứ hai đợc đề cập đến là tần suất của biến cố trận lũ với những độ lớn khác nhau. Lũ lớn hơn thì xác suất vợt nhỏ hơn- trận lũ có độ lớn nh thế hoặc lớn hơn sẽ xẩy ra trong một năm bất kỳ. Tần suất thấp hơn của biến cố có thể đợc biểu diễn nh một 'thời kỳ lặp lại' hay 'khoảng tái diễn' dài hơn, nh vậy chúng ta hy vọng trận lũ trung bình 100 năm xuất hiện một lần lớn hơn trận lũ với thời kỳ lặp lại 50 năm. Những thời kỳ lặp lại này liên quan tới nghịch đảo của xác suất vợt. Ví dụ, một sự kiện 100 năm có xác suất vợt bằng 0.01 trong bất kỳ năm đơn nào; sự kiện 50 năm có xác suất vợt bằng 0.02. Xác định một sự kiện cực hạn bởi thời kỳ lặp lại của nó là một cách biểu thị xác suất vợt khá tự nhiên nhng hiểu đúng mức ý nghĩa của thời kỳ lặp lại là điều rất quan trọng. Nó là kỳ vọng độ dài trung bình thời gian giữa những biến cố một sự kiện có độ lớn đã cho. Do đó ớc lợng của thời kỳ lặp lại là rất khó kiểm tra với những độ dài của những ghi chép thông thờng có sẵn ở những vị trí đã đo đạc. Thậm chí một sự kiện thời kỳ lặp lại 10 năm lý tởng đòi hỏi số liệu lũ một thế kỷ hoặc nhiều hơn để thu đợc đánh giá chính xác độ lớn đỉnh lũ, trong thời gian mà những đặc trng của hầu hết các lu vực có xu hớng thay đổi theo cách có thể có một ảnh hởng đến phân bố tần suất lũ. Các đặc trng tần suất của những trận ma ,cực hạn cũng đợc biết đã thay đổi trong 100 năm trớc hoặc hơn nữa, vì những dao 265 động khí hậu và có lẽ cũng cả thay đổi khí hậu. Đa ra tiềm năng nh vậy cho sự thay đổi quan trọng, cái thật sự đợc yêu cầu là một ớc lợng xác suất của một con lũ với độ lớn cho trớc dới các điều kiện hiện thời (hoặc tơng lai thay đổi), và biểu thức của xác suất này dới dạng một thời kỳ lặp lại thì có phần lạc đờng. Nh vậy, ớc lợng tần suất lũ là một vấn đề rất khó khăn. Có một sự thay đổi của những phơng pháp sẵn có để khắc phục những vấn đề, kể cả ớc lợng thống kê dựa vào mẫu đo đạc lũ tại một vị trí, những phơng pháp địa phơng hoá cho những lu vực không có số liệu và những phơng pháp dựa vào mô hình ma -dòng chảy. Một nghiên cứu đầy đủ về chủ đề thú vị này nằm ngoài phạm vi của quyển sách này; ở đây chúng ta sẽ chỉ xem xét cách tiếp cận mô hình hóa ma -dòng chảy, một cách tiếp cận mà hiện thời đang thu hút một số quan tâm. Có sự suy đoán rằng ở nhiều vùng của thế giới, những sự kiện cực hạn sẽ trở thành cực hạn hơn nh một kết quả của cả các thay đổi khí hậu lẫn thay đổi sử dụng đất. Lý do đi theo hớng cảnh báo của khí quyển sẽ gây ra vòng tuần hoàn tích cực hơn, dẫn tới những trận ma cực hạn hơn, trong khi sự phá rừng và đô thị hóa và những thay đổi sử dụng đất khác sẽ có xu hớng làm tăng các hệ số dòng chảy. Đồng thời, sự tăng mực nớc biển liên quan đến sự tan của những khối băng ở cực và nhiệt độ biển tăng có thể làm cho những vùng cửa sông và ven biển dễ bị ngập lụt hơn. Nếu điều này chứng tỏ là xẩy ra thì quá trình của cảnh báo lũ sẽ càng ngày càng trở nên quan trọng hơn. Theo lịch sử, con ngời đã có xu hớng thờng xuyên tránh những đồng bằng ngập lụt thờng xuyên để sinh sống. Tuy nhiên, với dân số ngày càng tăng và sự đô thị hóa ngày càng tăng, càng ngày càng có thêm nhà ở và những tòa nhà thơng mại ở những vùng là bộ phận của đồng bằng ngập lụt tự nhiên. Với tình huống nào đó, những công trình phòng chống ngập lụt nh đập chắn và đê điều hoặc các kè có thể sử dụng để giảm bớt khả năng ngập lụt và nguy hiểm, và thờng có ảnh hởng đến sự phát triển miền đồng bằng ngập lụt đáng khích lệ, nhng những công việc nh vậy thờng sẽ không bảo vệ chúng chống lại những trận lũ cực hạn nhất. Chắc chắn là số những trận lũ ghi nhận đợc với thiệt hại nghiêm trọng và đánh giá tổn thất thiệt hại hàng năm do lũ lụt tiếp tục tăng lên, làm cho lũ lụt là một trong số những mối nguy hiểm tự nhiên tốn kém nhất dới dạng thiệt hại và mất mát tài sản của cuộc sống (xem Smith và Ward 1998). Ngời dân và những doanh nghiệp nói chung thờng chịu đựng hoặc không có khả năng vì những lý do tài chính để di chuyển khỏi những vùng đồng bằng ngập lụt (mặc dù có những ví dụ về những cộng đồng buôn bán tái định c và c trú từ những vùng đồng bằng ngập lụt với sự giúp đỡ tài chính Liên bang sau trận lụt Mississippi năm 1993), những đánh giá đúng lúc và chính xác nh vậy của việc ngập lụt sẽ là một ứng dụng rất thực tế của mô hình ma-dòng chảy trong tơng lai. 8.1 yêu cầu số liệu cho dự báo thời gian thực Một trong những cách giảm nhẹ tổn thất của thiệt hại lũ lụt quan trọng nhất là sự chuẩn bị của những cảnh báo thích hợp, cho phép ngời dân hành động bảo vệ tài sản của họ và bản thân. Trách nhiệm cho cảnh báo lũ của những nớc khác nhau cũng 266 khác nhau. Trong đa số các trờng hợp hệ thống này đợc dựa vào những cơ quan cảnh báo lũ lụt địa phơng, hoạt động ngay khi một trận ma hình thành lũ lụt tiềm tàng đợc dự báo. Những cơ quan này sau đó sẽ sử dụng mô hình ma-dòng chảy trong thời gian thực để dự báo lu lợng và mực nớc lũ trong những vùng khác nhau nh một cơ sở cho những quyết định xem liệu có phát đi những cảnh báo lũ lụt hay không. Quá trình này dễ hơn rất nhiều ở những lu vực lớn nơi mà sự hình thành của một trận lũ, và sự truyền sóng lũ xuống hạ lu, có thể mất vài ngày hoặc thậm chí hàng tuần. Những ví dụ gần đây là trận lũ lụt ở Mississippi năm 1993 (Chagnon 1996); lũ lụt Meuse và Rhine năm 1995 (Koopmanss và nnk 1995); lũ lụt ở bắc California năm 1997; lũ lụt ở Oder nớc cộng hòa Séc, Balan và Đức vào năm 1997 (Kundzewicz và nnk 1999); lũ sông Red năm 1997 ở bắc Hoa kỳ và Canada; các trận lũ ở Chang Chiang (Yangtse) Trung Quốc vào năm 1998 và 1999; và những trận lũ lụt tàn phá ở Limpopo và các sông Save ở Mozambique năm 2000. Trong những lu vực nhỏ, với thời gian đến đỉnh ngắn, dự báo thời gian thực có nhiều khó khăn hơn. Những lu lợng cực hạn nhất ở những lu vực nh vậy có xu hớng xuất hiện nh một kết quả của những trận ma đối lu địa phơng hoặc những ô lới cờng độ cao bên trong những hệ thống thời tiết synop lớn hơn. Thậm chí những dụng cụ đo từ xa hoặc một rađa đo ma theo dõi vùng đó, thời gian đáp ứng có thể là quá ngắn để phát ra cảnh báo trong thời gian thực. Tùy chọn duy nhất là sau đó phát ra những cảnh báo trên cơ sở của dự báo những trận ma, nhng những cảnh báo nh vậy có xu hớng là rất chung chung. Có thể nhận biết tiềm năng cho một trận ma sinh lũ nhng rất khó có thể chỉ rõ chính xác ở đâu. Một ví dụ điển hình của điều này xảy ra tại miền nam nớc Pháp và bắc Italy, nơi mà đặc biệt trong tháng chín, những hệ thống thời tiết di chuyển trong đất liền từ Địa Trung Hải vào và tùy thuộc vào sự tăng địa hình núi có thể đa đến làm tăng những trận ma và lũ lụt rất mãnh liệt. Thực tế hàng năm có ít nhất một trận lũ phụ ở đâu đó trong vùng rộng lớn này. Những ví dụ nổi tiếng là lũ năm 1988 ở Nice và lũ năm 1992 trên 560 km 2 Ouveze tại Vaison-la-Romaine ở Pháp. Trong trờng hợp của Vaison-la-Romaine, cơ quan khí tợng Pháp đã phát báo một cảnh báo khả năng có lũ quét cho khu vực. Thật khó trong một trờng hợp nh vậy cho những cộng đồng riêng lẻ để phản ứng lại, vì ma có thể không rơi trên lu vực sẽ ảnh hởng đến họ. ở Vaison, 179 mm đợc ghi trong 24 giờ, với lợng cao hơn bất kỳ đâu trên lu vực và cờng độ trên 200 mm trong suốt thời gian 6 phút. Thời gian giữa lúc bắt đầu trận ma và lúc đỉnh lũ chỉ là 3.5 giờ. Lu lợng đỉnh lũ ớc lợng là 600-1100 m 3 /s, với mực nớc đỉnh trong thị trấn Vaison là 21 m. Cầu La mã cổ trong trung tâm của Vaison đã bị vợt đỉnh nhng trận lũ vẫn tồn tại lâu, mặc dầu có đoạn băng viđêô đầy ấn tợng về việc trôi nổi những đoàn lữ hành chen chúc ở dới nó. Phần lớn những nạn nhân trong sự kiện này là những khách du lịch ở một điểm cắm trại ở đáy thung lũng thợng lu Vaison. Có nhiều thảo luận sau sự kiện này về việc liệu có phải sự phát triển của thị trấn trên thợng lu đồng bằng ngập lụt đã làm độ sâu của lũ và tác động của lũ lụt xấu hơn nhiều (Arnaud-Fassetta và nnk 1993). Rõ 267 ràng là nhiều cuộc sống có thể đã đợc bảo vệ nếu có thể một cảnh báo lũ chính xác. Để làm những cảnh báo đúng đắn đòi hỏi kiến thức về những trận ma khi chúng xẩy ra, hoặc, thậm chí tốt hơn, các dự báo chính xác những cờng độ ma tiềm tàng đi trớc thời gian. Điều này cho phép tăng thời gian dự kiến của dự báo, có thể là quan trọng cho những trận lũ quét và các lu vực nhỏ, nh Vaison-la-Romaine. Một số phơng pháp hiện thời phát triển để lập dự án một chuỗi trạm đo ma hoặc số liệu ma rađa trong tơng lai (ví dụ Krajewski và Pháp 1994; Andrieu và nnk 1996; Dolcine và nnk 1998) nhng bất cứ phơng pháp đã sử dụng nào, những dự báo có xu hớng giảm giá trị rất nhanh chóng. Trong tơng lai, có những khả năng kỹ thuật sử dụng một mô hình dự báo thời tiết số trị quy mô nhỏ, lồng trong các lới của một mô hình tuần hoàn lớn hơn, nhng những dự báo chính xác cũng sẽ đòi hỏi những sự cải tiến những quan niệm hình thành ma sử dụng trong phát sinh hiện thời của mô hình. Cho đến nay, các dự báo ma do những mô hình qui mô trung bình cung cấp không đủ chính xác. Tại thời gian hiện nay hầu hết các hệ thống cảnh báo lũ lụt bị phụ thuộc vào số liệu từ các trạm đo từ xa hoặc ma rađa, đợc truyền trở lại trung tâm dự báo trong thời gian thực. Lợi thế của rađa thời tiết trong những tình huống này là rađa sẽ thờng nhặt ra những ô mãnh liệt nhất của trận ma trong hệ thống thời tiết (ví dụ Smith và nnk 1996; xem phần 3.1). Những ô nh vậy có thể nhỏ hơn khoảng cách giữa các trạm đo từ xa, và bởi vậy có thể bị mất bởi những hệ thống trên mặt đất. Vấn đề với rađa, nh một đầu vào để dự báo kết quả lu lợng lũ, là mối quan hệ giữa tín hiệu rađa và cờng độ trận ma có thể không thờng xuyên đa ra một ớc lợng chính xác cờng độ tuyệt đối (xem mục 3.1), đặc biệt khi có những hiệu ứng suy giảm vì trận ma lớn gần rađa che lấp tín hiệu từ xa hơn. Nh vậy, cho cả rađa lẫn những hệ thống trạm đo, nó có thể là có khả năng để đoán nhận rằng trận ma mãnh liệt đang xuất hiện trên một diện tích lu vực nhng không chính xác là mạnh nh thế nào. Điều này trở nên quan trọng mà bất kỳ mô hình ma-dòng chảy nào sử dụng cũng có khả năng thích nghi thời gian thực để tính toán bất kỳ sai số nào trong những kết quả dự báo từ những sai số đầu vào, dù từ rađa hay trận ma, hoặc từ sai số trong cấu trúc mô hình. Tuy nhiên, điều này đòi hỏi rằng trung tâm cảnh báo lũ lụt cũng nhận những thông tin về mực nớc sông trong thời gian thực, tại một hoặc nhiều hơn những trạm đo trong một lu vực, để dự báo mô hình có thể đợc so sánh với những mực nớc hoặc lu lợng quan trắc trong thời gian thực và mô hình thích nghi để tạo ra những dự báo chính xác hơn (ít nhất cho đến khi trạm đo bị h hỏng hoặc hệ thống đo từ xa sai lệch). Một số cách làm này đợc bàn luận đến trong mục tiếp theo. Cũng có lý do khác tại sao thông tin lu lợng có thể hữu ích trong cảnh báo lũ lụt, đặc biệt trong những lu vực lớn hơn. ở đâu các thời gian trễ trong hệ thống lòng dẫn là đủ dài so với thời gian dự kiến yêu cầu cho một dự báo (nói chung trong 3-6 tiếng là thời gian dự kiến khả thi tối thiểu để cho phép một cảnh báo sẽ đợc truyền đến dân chúng), thì đo đạc lu lợng hay mực nớc lũ ở thợng lu có thể đợc sử dụng nh một bộ phận của hệ thống để dự báo mực nớc và lu lợng lũ và theo thời gian của đỉnh lũ xa hơn về phía dới hạ lu. 268 Nói chung, những cảnh báo lũ lụt đợc phát đi trong quan hệ với mực nớc dự báo của sông ở một điểm đo đạc nguy cấp mà không mô hình hóa biểu đồ chi tiết của sự lụt lội phía thợng lu của điểm đó. Trong nhiều tình huống điều này có thể là thích hợp, vì nếu lũ lụt đợc dự báo xuất hiện ở đâu đó trong đồng bằng ngập lụt, thì một cảnh báo chung có thể đợc phát ra. Tuy nhiên, trong những dòng sông lớn, nh Mississippi, sự phát triển của sóng lũ xuôi dòng có thể đợc kiểm soát rất chặt chẽ bằng bản đồ lụt lội trong suốt trận lũ, bao gồm những ảnh hởng của những sự hỏng hóc đê mà vốn đã khó để dự báo trớc thời gian. Nh vậy có thể cần thiết sử dụng một mô hình diễn toán thủy lực trong dự báo những độ sâu chờ đợi ở phía hạ lu, liên tục xem lại các tính toán khi những điều kiện thay đổi. Điều này yêu cầu bổ sung thêm về những hiểu biết địa hình lòng dẫn và đồng bằng ngập lụt để sử dụng trong mô hình thủy lực, cùng với những thông số nh những hệ số sức cản hiệu quả. Tài liệu địa hình thờng đợc cung cấp nh một chuỗi các mặt cắt ngang đợc khảo sát trên đồng bằng ngập lụt và lòng dẫn tại những vị trí khác nhau, nhng việc tăng sử dụng của những mô hình tích hợp độ sâu hai chiều sẽ dẫn tới sử dụng số liệu đo vẽ địa hình ở dạng những bản đồ cao trình số hoá chi tiết của đồng bằng ngập lụt. Tất nhiên, dạng lòng dẫn có thể thay đổi trong thời gian một trận lũ vì sự xói mòn và bồi lắng. Những mô hình vận chuyển trầm tích trong các sông cha phát triển đến giai đoận mà chúng có thể đợc sử dụng một cách có hiệu lực và đa số các mô hình diễn toán thủy lực hiện thời sử dụng giả thiết 'đáy cố định. 8.2 Mô hình ma-dòng chảy cho dự báo lũ Bất kỳ mô hình ma-dòng chảy nào đã đợc hiệu chỉnh cho một lu vực riêng biệt có thể đợc sử dụng trong dự báo lu lợng lũ. Ví dụ, hệ thống dự báo sông của Cục thời tiết quốc gia Hoa Kỳ (Burnash 1995), là sự phát triển của mô hình Sacramento, một dạng mô hình tính toán độ ẩm đất hiện tập trung với nhiều thông số đợc hiệu chỉnh (ví dụ Sorooshian và nnk 1992; Gupta và nnk 1999). Sử dụng những phơng pháp nh đợc bàn luận trong Chơng 7, dự báo có thể cũng có liên hệ với một ớc lợng bất định trong dự báo. Cho là các ớc lợng theo cách này có thể là quan trọng. Kinh nghiệm cho thấy rằng tính bất định trong cả những phép đo lẫn những dự báo đỉnh lũ tăng theo độ lớn đỉnh lũ. Ngoài ra, dù một mô hình đã đợc hiệu chỉnh cho một phạm vi nhất định của lu lợng, tính bất định chắc sẽ phải tăng thêm trong khi những dự báo đợc làm bên ngoài phạm vi hiệu chỉnh này cho những sự kiện cực trị. Nh vậy, có thể không có khả năng để dự đoán cuối cùng liệu mực nớc sẽ bị vợt quá trong một trận lũ trong tơng lai hay không; tuy nhiên, có thể có khả năng đánh giá mức rủi ro mà mực nớc sẽ bị vợt bằng sự xem xét phân bố của những dự báo (bất định). Nh đã chú ý trớc đây, xu thế sai số trong dự báo suốt thời gian những sự kiện cực hạn cho thấy rằng là thuận lợi khi sử dụng một chiến lợc mô hình hóa thích hợp, sao cho nếu một sự so sánh của lu lợng quan trắc và dự báo bộc lộ rằng các dự báo mô hình có sai số, thì một chiến lợc để điều chỉnh các dự báo mô hình có thể đợc tiến hành. Điều này rõ ràng chỉ có thể ở nơi mà các đo đạc mực nớc sông hoặc lu lợng có 269 thể đợc có sẵn trong thời gian thực. Sự thích nghi cũng đợc thực hiện dễ dàng hơn cho những mô hình đơn giản hơn. Trong những mô hình phức tạp, với nhiều biến khác nhau hoặc những thành phần có thể đợc điều chỉnh, khó có thể quyết định phải điều chỉnh cái gì. Một sự so sánh các phơng pháp dự báo thời gian thực, bao gồm các sơ đồ thích ứng, đợc thực hiện bởi Tổ chức khí tợng thế giới (WMO 1975) và gần đây Moore đã đa ra một tổng quan của những cách tiếp cận (1999). Điều không rõ ràng từ WMO nghiên cứu là liệu sử dụng những mô hình phức tạp hơn sẽ có lợi thế hơn sử dụng một tiếp cận rất đơn giản để mô hình hóa thời gian thực, vì sự thích nghi thời gian thực có thể giải thích cho nhiều sai số tiềm tàng trong việc sử dụng một cấu trúc mô hình hóa đơn giản. Trong tình hình dự báo thời gian thực, nhà thủy văn học không quan tâm tới việc đa ra dự báo đúng của quá trình dòng chảy thợng lu của một vùng lũ có dạng thoải, nhng rất quan tâm đến việc đa ra một dự báo tốt của mực nớc đỉnh lũ trong vùng đó, có thể trớc nhiều giờ. Cũng có thể có tiếp cận mà không cần mô hình hoá sự sinh dòng chảy trong thời gian dự báo lũ. Nh đã chú ý trong mục 4.9, các mô hình mạng thần kinh mới đây đã trở thành phổ biến nh một phơng tiện của việc ớc lợng N bớc về phía trớc của lu lợng lũ, sử dụng đầu vào bao gồm ma và những giá trị trớc đó của lu lợng hoặc mực nớc và một tập hợp luyện các sự kiện lịch sử (xem Hình 4.9). Tuy nhiên, trong việc bàn luận về những cách tiếp cận mạng thần kinh, cần ghi nhớ rằng những dự báo đợc làm cho những sự kiện cực trị hơn những sự kiện bao gồm trong tập hợp luyện có thể không đợc ớc lợng một cách chính xác. ở đây chúng ta sẽ xem xét hai chiến lợc mô hình hóa đơn giản cho dự báo thời gian thực. Trớc hết là một phơng pháp tất định thích nghi của Lambert (1972) rất khó với các dao động nhỏ của các lu vực trung bình. Mô hình đầu vào -lợng trữ - đầu ra (ISO) này đã đợc sử dụng trong một số sơ đồ dự báo lũ của Anh, đặc biệt là ở lu vực sông Dee phía bắc xứ Wales. Thứ hai là một dạng thích nghi của các mô hình hàm chuyển đổi đợc xem xét trong mục 4.3. Những hàm chuyển đổi thích nghi có thể sử dụng cho cả ma-dòng chảy và lu lợng (hoặc mực nớc) thợng lu tới lu lợng (hoặc mực nớc) hạ lu, phụ thuộc vào số liệu sẵn có. Ví dụ ứng dụng giới thiệu trong trờng hợp nghiên cứu của phần 8.5 cho một mô hình dự báo hoạt động cho thị trấn Dumfries ở Scotland, sử dụng cả ma-dòng chảy và các hàm chuyển đổi lu lợng - lu lợng. Sự thích nghi của những mô hình nh vậy có thể thực hiện trong một số cách khác nhau. Trong mô hình Dumfries, một thông số lợi ích thích nghi đơn giản đ- ợc sử dụng, nghĩa là hàm chuyển đổi đợc thu nhỏ hoặc phóng to trong thời gian thực mà không thay đổi dạng của nó. Cách tiếp cận đơn giản này đã tỏ ra là rất có hiệu quả ở đây và những ứng dụng khác. Những loại mô hình này có thể tạo ra bộ phận của một hệ thống dự báo lũ lớn hơn bao gồm những thành phần diễn toán lũ. Ví dụ với lu vực sông Dee, những mô hình ISO đã đợc phát triển cho tất cả các lu vực con có đo đạc và liên kết với những một mô hình diễn toán lũ. Một gói chung kết hợp chặt chẽ với nhiều mô hình diễn toán lũ và mô hình ma-dòng chảy đã đợc thực hiện cho toàn bộ vùng Yorkshire của cơ quan 270 môi trờng Anh (xem Moore và nnk 1994). 8.3 Mô hình ISO Lambert ý tởng đằng sau mô hình ISO của Alan Lambert đơn giản một cách đáng ngạc nhiên. Nó dựa vào sự phát triển của một đờng cong rút nớc tổng thể cho một lu vực hoặc lu vực con nơi mà một thời kỳ đo đạc lu lợng là sẵn có, bằng việc nối lại với nhau các đờng cong rút nớc bộ phận từ những trận lũ riêng lẻ. Nhìn chung, dạng của một đờng cong rút nớc nh vậy có thể không dễ dàng đợc biểu diễn bởi một hàm toán học đơn giản nhng Lambert gợi ý sử dụng những hàm lôga và tuyến tính đơn giản để biểu diễn cho những phần khác nhau của phạm vi lu lợng (Lambert 1969, 1972). Sau đó, tại mỗi bớc thời gian trong thời gian một trận lũ, ma trung bình (nhỏ hơn một ớc lợng của bốc hơi nếu cần thiết) đợc thêm cho lợng trữ lu vực tơng đối (lợng trữ tuyệt đối không cần phải ớc lợng), và sử dụng biểu diễn của hàm lu lợng - lợng trữ một thay đổi gia tăng lu lợng dễ dàng đợc dự báo. Lu lợng đợc trừ từ lợng trữ, và mô hình sằn sàng cho bớc thời gian tiếp theo. Điều này có thể là sự đơn giản một mô hình ma-dòng chảy. Sự hiệu chỉnh mô hình chỉ đơn giản là một vấn đề của việc dẫn xuất ra đờng cong lợng trữ - lu lợng cho một phạm vi rộng có thể có của lu lợng. Không một thông số nào khác có ảnh hởng. Trong sự mô phỏng liên tục, một mô hình nh vậy sẽ không thật chính xác vì chúng ta biết rằng mối quan hệ giữa lợng trữ và lu lợng là không đơn giản. Đây là lý do tại sao chúng ta sử dụng các mô hình phức tạp hơn để cố gắng phản ánh sự phức tạp của những quá trình ma-dòng chảy hiện thực hơn. Tuy nhiên, trong dự báo thời gian thực, mô hình ISO có thể đợc sử dụng theo một cách làm giảm tác động của những sai số cố hữu trong sử dụng một mô hình đơn giản nh vậy. Lợi thế đầu tiên của nó là trong việc tạo ban đầu mô hình lúc bắt đầu một trận lũ. Nhìn chung, chỉ số tốt nhất của lợng trữ ẩm kỳ trớc của một diện tích lu vực là lu lợng lúc bắt đầu một trận lũ. Mô hình ISO dễ dàng đợc tạo ban đầu nếu lu lợng đợc biết vào bớc thời gian đầu, vì điều này có thể đợc sử dụng để suy ra lợng trữ tơng đối ban đầu. Lợi thế thứ hai là ngay khi những sai số đợc tìm ra giữa lu lợng quan trắc và dự báo, mô hình có thể đợc cho lại giá trị ban đầu bằng cáh sử dụng lu lợng đo đạc hiện thời. Thủ tục này có thể đợc thực hiện tại mỗi bớc thời gian ngay khi nhận đợc những lu lợng đo đạc, và đợc sử dụng để cập nhật những dự báo vào trong tơng lai. Nh vậy đây cũng là sơ đồ mô hình hóa thích nghi hợp lý rất đơn giản. Không đòi hỏi có cơ sở toán học phức tạp nào cho sự thích nghi, và nó rất dễ hiểu, dễ hiệu chỉnh và dễ dàng thực hiện. Đó có thể là một sơ đồ dự báo thời gian thực rất hiệu quả nhng rõ ràng có một số hạn chế. Đặc biệt, phép ngoại suy bên ngoài phạm vi của những đờng cong rút nớc đã đo đạc là không chắc chắn. Trong mô hình, những mối quan hệ sử dụng cho những khu vực thấp hơn và cao hơn của những đờng cong rút nớc chính là giả thiết đơn giản để tiếp tục cho các điều kiện cực hạn hơn. Ngoài ra, tính thích nghi của mô hình để thay đổi lợng trữ tơng đối hiện thời phá bỏ toàn bộ sự cân bằng nớc cho mô hình, nhng điều này sẽ không quan trọng trong dự báo thời gian 271 thực nếu nó dẫn tới cải thiện những dự báo. Trong những lu vực nhỏ điều này có hiệu quả để mô hình hoá dao động dự báo thời gian thực. Những mô hình phức tạp hơn mà kém dễ dàng để thích nghi tất yếu có thể không tạo ra những dự báo lũ lụt thời gian thực tốt hơn. 8.4 Các mô hình hàm chuyển đổi thích nghi cho dự báo thời gian thực Đáng chú ý rằng phần tử mô hình ISO tuyến tính đơn giản nhất có hiệu quả là mô hình hàm chuyển đổi bậc một, tơng đơng với phơng trình (4.9). Sự khác biệt là những đầu vào sử dụng với mô hình ISO là ma, trong khi các mô hình hàm chuyển đổi trong mục 4.3 sử dụng những trận ma đã lọc theo cách nào đó để tạo ra một lợng ma có hiệu quả. Với một phép lọc là trực tiếp và chỉ phụ thuộc vào lu lợng hiện thời, nh Beven và Young đã sử dụng (1994), việc cập nhật loại mô hình ISO đơn giản có thể vẫn còn đợc sử dụng một cách trực tiếp, nhng điều này sẽ không thể ở nơi mà những thành phần ma hiệu quả đa vào thêm các phần tử lợng trữ. Tuy nhiên, có một cách đơn giản để làm những mô hình nh vậy thích nghi, nh đã chú ý ở trên, bằng cách sử dụng một thông số lợi ích hoặc số nhân thích nghi. ớc lợng ban đầu tốt nhất của thông số lợi ích thờng là 1.0 nhng sau đó nó đợc phép thay đổi theo các tiến triển sự kiện để hiệu chỉnh cho những sự chênh lệch phát hiện ra giữa những giá trị dự báo và những giá trị quan trắc cung cấp cho hệ thống cảnh báo lũ lụt. Nếu một dự báo thấp hơn đợc phát hiện ra, thì thông số lợi ích có thể là đợc tăng cho bớc thời gian tiếp theo; nếu một dự báo cao hơn đợc phát hiện ra, thì thông số lợi ích có thể đợc giảm bớt. Những sự thay đổi trong thông số lợi ích đợc lọc để những sự thay đổi qua các bớc thời gian giữ tơng đối trơn. Tiếp cận thông số lợi ích thích nghi là một cách đơn giản đền bù cho bất kỳ những sai số nào trong số liệu hoặc cấu trúc mô hình hàm chuyển đổi có thể ảnh hởng đến sự chính xác của những dự báo. Nói chung nó sẽ dẫn tới những dự báo đợc cải thiện thực sự. Một ví dụ của một giải thuật thích ứng thành công đã cho trong hộp 8.1. Có một giới hạn quan trọng của các mô hình hàm chuyển đổi trong ứng dụng dự báo lũ. Hàm chuyển đổi đợc thiết kế để dự báo những biến đầu ra mà số liệu lịch sử có sẵn cho việc hiệu chỉnh. Theo nghĩa này, chúng là một chiến lợc mô hình hóa thực nghiệm. Nh vậy, mặc dầu chúng có thể cung cấp những dự báo, dễ dàng cập nhật trong thời gian thực, mực nớc sông tại những vị trí xác định trong lu vực, chúng không thể dự báo sự mở rộng của lũ lụt trong lu vực, trừ khi cho đến lúc diều này có khả năng từ hiểu biết về mực nớc lũ ở những vị trí đo đạc. Dự báo định lợng của sựu mở rộng lũ sẽ yêu cầu một mô hình ngập lũ cung cấp những dự báo phân bố, nhng những mô hình nh vậy có một số lợng lớn các biến và những thông số không dễ dàng đợc cập nhật trong thời gian thực. Một chiến lợc cho việc kết hợp những mô hình hàm chuyển đổi với mô hình ngập lụt phân bố đợc xem xét trong mục 8.6. 8.5 Trờng hợp nghiên cứu: Hệ thống dự báo thời gian thực cho thị trấn Dumfries 272 Thuật toán thích nghi phác thảo trong hộp 8.1 sẽ đợc trình diễn bằng hệ thống dự báo lũ cho lu vực sông Nith (750 km 2 ) thợng lu thị trấn Dumfries ở Scotland, đợc báo cáo bởi Lees và nnk (1994) (Hình 8.1). ứng dụng này bao gồm việc cung cấp cả những mô hình ma-dòng chảy lẫn những mô hình diễn toán dòng chảy cho lòng dẫn chính, với số liệu cung cấp trong thời gian thực từ một số các vị trí đo đạc mực nớc sông và ma. Phần thấp hơn của lòng dẫn chính cũng yêu cầu rằng mực nớc triều đợc sử dụng trong thủ tục dự báo lũ. Thậm chí cho rằng đây là một lu vực phản ứng nhanh, ít nhất thời gian dự kiến 5 giờ cho dự báo ở Dumfries đợc yêu cầu cho phép những cảnh báo sẽ đợc phát đi đúng lúc để dân chúng đối phó. Vào thời gian thi hành năm 1991, một trong những yêu cầu của hệ thống là nếu một mực nớc lũ đợc dự báo, thì phần mềm cần tự động gọi điện tới trạm cảnh sát địa phơng với một thông báo tạo bởi máy tính thích hợp. Cảnh sát có trách nhiệm cho phân phối những cảnh báo lũ tới dân chúng. Bởi vậy, hệ thống cần phải dự báo chính xác là một điều rất quan trọng. Hình 8.1. Lu vực của sông Nith trên thị trấn Dumfries, Scotland (Lees và nnk 1994). Tái tạo với sự cho phép của John Wiley và Sons Limited Những mô hình sử dụng trong hệ thống Dumfries tơng tự nh loại mô hình hàm chuyển đổi cơ học dựa trên số liệu đã đợc mô tả trong Chơng 4, nhng với một số đặc tính bổ sung xác định cho trờng hợp dự báo lũ lụt. Những hàm chuyển đổi đợc làm phù hợp cả cho mô hình hóa ma-dòng chảy sông ngòi, cả cho diễn toán dòng chảy trong lòng dẫn chính. Mô hình ma-dòng chảy đòi hỏi một sự lọc ma sử dụng phép lọc song tuyến tính mô tả trong mục 4.3.2, để ma hiệu quả ở thời điểm t là tỷ lệ với t n t RQ trong đó t Q là lu lợng hiện thời, t R là lợng ma hiện thời và n là một thông số. Diễn toán dòng chảy sử dụng các hàm chuyển đổi từ mực nớc này tới mực nớc khác cho phần thợng lu, trung lu, và hạ lu của lòng dẫn chính, vì mực nớc 273 là biến sơ cấp quan tâm trong trờng hợp dự báo lũ. Tất cả các mô hình hàm chuyển đổi đợc thực hiện theo một cách mà nếu có sẵn số liệu đo đạc từ xa trực tuyến cho bất kỳ vị trí dự báo nào, thì số liệu này có thể đợc sử dụng để cập nhật mô hình dự báo trong thời gian thực. Điều này đạt đợc bằng việc cung cấp một thông số lợi ích biến thời gian vào trong hàm chuyển đổi. Hàm chuyển đổi đợc hiệu chỉnh cho số liệu lịch sử là mô hình bậc 1 tiêu biểu, với một hoặc hai thông số b (xem hộp 4.1), có dạng : tt u za zbb y 1 1 1 10 1 (8.1) trong đó: t y là biến đầu ra đã dự báo (ở đây là mực nớc) tại thời điểm t, t u là biến đầu vào (mực nớc thợng lu hoặc ma hiệu quả) bị trễ bởi một thời gian trễ z, là toán tử sai phân lùi (xem hộp 4.1), và 10 , bb và 1 a là các thông số đã hiệu chỉnh của hàm chuyển đổi. Lợi ích biến - thời gian đợc cho dới dạng: ttt u za zbb Gy 1 1 1 10 1 (8.2) trong đó: t G là thông số lợi ích tại thời điểm t. Nh vậy đánh giá tốt nhất của thông số lợi ích sẽ là giá trị bằng 1.0 nhng cho phép nó thành biến thời gian là một cách đền bù cho bất kỳ những sai số nào trong mô hình đợc hiệu chỉnh nguyên bản trong thời gian lũ. Biến thời gian đợc ớc lợng trong thời gian thực sử dụng thuật toán bình phơng tối thiểu đệ quy với sự biến đổi thông số đợc mô hình hóa nh một quá trình đi bộ ngẫu nhiên với bộ nhớ ớc lợng đủ dài (xem hộp 8.1). Sự ẩm ớt làm giảm sự thay đổi trong thông số lợi ích qua từng bớc thời gian nhng cho phép mô hình thích nghi dần dần cho bất kỳ sự lệch nào của những quan trắc ra xa khỏi những dự đoán của hàm chuyển đổi gốc. Thuật toán đệ quy cũng cho phép biến đổi của những dự báo đợc ớc lợng theo thời gian, để nếu phát hiện ra những sai số lớn hơn, thì điều này có thể đợc phản ánh trong những ớc lợng của độ bất định trong các dự báo. Kết quả mô hình, với sự thích nghi thời gian thực của nó, đã tỏ ra là rất thành công trong việc dự báo mực nớc đỉnh lũ. Một số ví dụ dự đoán cho hai trận lũ lớn cỡ 450 m 3 /s, cả hai đều gây ra nạn lụt ở trung tâm của Dumfries, đợc trình bày trong hình 8.2, thể hiện cả dự báo hàm chuyển đổi đơn giản và dự báo thích nghi. Trong cả hai trờng hợp dự báo thích nghi mực nớc đỉnh chỉ lệch 5 cm, với chỉ sai số nhỏ về thời gian. Hạ lu của vị trí Greensamds sông Nith trở thành vùng ảnh hởng thủy triều. Kết hợp với lu lợng sông cao và mực nớc thủy triều cao có thể tăng cờng đáng kể xác suất và tác động của lũ lụt trong thị trấn. Nh vậy một thành phần bổ sung đợc thêm cho mô hình để dự đoán những hiệu ứng của thủy triều trên những mực nớc ở sông Nith, cũng sử dụng một cách tiếp cận hàm chuyển đổi. Có thể xem chi tiết hơn trong bài báo của Lees và nnk (1994). [...]... bằng mô hình mưa dòng chảy Nghiên cứu Eagleson (1 97 2) Cordva và Rodriguez Iturbe (1 98 8) Diaz Granados và nnk (1 98 4) Hebson và Wood (1 98 2) Beven (1 98 7) Calder (1 99 3) Troch và nnk (1 99 4) Calder và Lamb (1 99 6) Franchini (1 99 6) Onof và nnk (1 99 6) Blazcova và Beven (1 99 7) Korothe và nnk (1 99 7) Robinson và Sivapalan (1 99 7) Kilshy và nnk (1 99 8) Lưu vực 44 lưu vực của Mỹ Queterual, Venezuela Mô hình mưa Hàm... 8. 7.2 Thành phần mô hình sản sinh dòng chảy Một chuỗi các trận mưa đã được tạo ra, giai đoạn tiếp theo là mô hình hóa bao nhiêu trận mưa đó trở thành dòng chảy sông ngòi Eagleson đã làm điều này bằng cách đánh giá những trận mưa hiệu quả sử dụng một mô hình chỉ số đơn giản (xem mục 2. 2), với một giá trị không đổi, để lần nữa cho phép một lời giải giải tích cho phân bố dẫn xuất của đỉnh lũ Mô hình của... cho sự gia tăng một chuỗi mưa quan trắc hàng ngày trong điều khiển mô hình mưa- dòng chảy IHACRES 8. 10 Tương tự thủy văn và ước lượng tần suất lũ Hình 8. 5 Những dự báo dựa vào 20 mô phỏng của khoảng thời gian 100 năm của (a) Tần suất tích lũy của lưu lượng, (b) Những đỉnh lũ, và (c) Tần suất tích lũy của đương lượng nước tuyết cực đại cho lưu vực Ryzmburk không đo đạc (3 .3 km 2), cộng hòa Séc Những đường... của các trận mưa quan trắc đã hiệu chỉnh một mô hình tương phản với một chuỗi thời gian của những lưu lượng quan trắc Beven (1 987 b) thêm một thành phần profile trận mưa vào mô hình Eagleson dựa vào những thống kê của những profile mưa tích lũy quan trắc đã chuẩn hoá cho một đơn vị thời gian và đơn vị thể tích mưa Điều này về sau được làm thích nghi bởi Cameroon và nnk (1 99 9) để sử dụng cơ sở dữ liệu... hiện 284 thời ( yt yt ) trong đó yt là dòng chảy quan trắc tại thời điểm t Giải thuật đó có dạng của những phương trình dự báo - hiệu chỉnh như sau: Bước dự báo: Gt / t 1 Gt 1 (8 . 4) Pt / t 1 Pt 1 C NVR (8 . 5) Bước hiệu chỉnh: P y y Gt / t 1 y t Gt Gt / t 1 t / t 1 t t 2 1 Pt / t 1 yt Pt Pt / t 1 Pt / t 1 y t 2 1 Pt / t 1 yt2 (8 . 6) (8 . 7) Mức độ mà với nó lợi ích biến thời gian Gt... trận mưa lớn vào trong một phân bố xác suất các đỉnh lũ sử dụng một mô hình mưa- dòng chảy Lợi thế của điều này là số liệu trận mưa sẵn có cho nhiều vị trí hơn và nói chung có nhiều những thời kỳ dài hơn số liệu lưu lượng dòng chảy Sự bất lợi là những trận mưa lớn đó thay đổi cường độ, khoảng thời gian và profile mưa, như vậy nếu thật cần thiết cho mô hình một chuỗi liên tiếp các trận mưa lớn, một mô hình. .. khi những kết quả sẽ rất phụ thuộc vào dạng mô hình mưa- dòng chảy và tập hợp các giá trị thông số sử dụng Như chúng ta đã thấy, điều này sẽ là một nguồn quan trọng của sự bất định trong những dự báo mô hình Những trận mưa quan trắc đã được sử dụng trước đó với các mô hình quan niệm mưa- dòng chảy để mô phỏng những chuỗi những đỉnh lũ (ví dụ Fleming và Franz 197 1) và được chỉ ra để cạnh tranh với những... Sivapalan (1 99 5) 283 8. 11 Các điểm khoá từ chương 8 Có hai sử dụng của mô hình hóa mưa- dòng chảy trong dự báo lũ: một là dự báo lưu lượng trong thời gian thực trong những thời kỳ lũ; hai là dự đoán những tần suất của những cường độ đỉnh lũ khác nhau Những dự báo thời gian thực sẽ rất phụ thuộc vào sự chính xác của dữ liệu đầu vào, đặc biệt là cấu trúc không gian của cường độ mưa Tính sẵn có của dữ liệu mưa. .. và Ghi chú: I: Cường độ mưa trung bình; D: Thời gian mưa; A: Thời gian đến giữa các trận mưa; GPD: Phân bố Pareto tổng quát; IHACRES: Xác định đường đơn vị và thành phần dòng chảy từ mưa, bốc hơi và số liệu dòng chảy sông; IHDM: Viện Thuỷ văn mô hình phân bố; KW: Sóng động học; GUH: Thuỷ đồ đơn vị địa mạo; NWF: Hàm độ rộng mạng; TF: Hàm chuyển đổi 279 Cách sử dụng dữ liệu cơn mưa thực tế khác trong... tính TF Mô hình SHETRAN và ARNO Sóng khuếch parabolic ARNO PDM TOPMODEL Parabolic Tuyến tính TF Tuyến tính NWF IHACRES Tuyến tính TF Hashemi và nnk (1 99 8) Lamb (1 99 8) Cameroon và nnk (1 99 9) Tyne, Anh; Cobres, Bồ Đào Nha; Broyce, Thuỵ Sỹ Brue, Anh 40 lưu vực, Anh Wye, Anh Steel và nnk (1 99 9) 11 lưu vực ở Scotland Scott-Neyman tổng quát Quan trắc (gi ) GPD mở rộng cho quan trắc Quan trắc (ngày) tán và . những thời kỳ khô hạn. Các mô hình Bartlett-Lewis (Onof và nnk 199 6) và Neyman- Scott (Cowpertwait và nnk 199 6) là thuộc loại này (xem bảng 8. 1). Những mô hình nh- vậy yêu cầu một số những. bởi Puente (1 99 7). 279 Bảng 8. 1. Nghiên cứu lựa chọn của ớc lợng tần suất lũ bằng mô hình ma dòng chảy Nghiên cứu Lu vực Mô hình ma Sản sinh dòng chảy Diễn toán Eagleson (1 97 2) 44 lu vực. phù hợp cả cho mô hình hóa ma -dòng chảy sông ngòi, cả cho diễn toán dòng chảy trong lòng dẫn chính. Mô hình ma -dòng chảy đòi hỏi một sự lọc ma sử dụng phép lọc song tuyến tính mô tả trong mục