ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

HỒ THỊ MINH HÀ

NGHIÊN CỨU KHẢ NĂNG MÔ PHỎNG

MÙA CÁC YẾU TỐ KHÍ TƯỢNG TRÊN

LÃNH THỔ VIỆT NAM BẰNG PHƯƠNG

PHÁP THỦY ĐỘNG VÀ THỐNG KÊ

LUẬN ÁN TIẾN SĨ KHÍ TƯỢNG HỌC

HÀ NỘI - 2008

2

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

------ ------

HỒ THỊ MINH HÀ

NGHIÊN CỨU KHẢ NĂNG MÔ PHỎNG

MÙA CÁC YẾU TỐ KHÍ TƯỢNG TRÊN

LÃNH THỔ VIỆT NAM BẰNG PHƯƠNG

PHÁP THỦY ĐỘNG VÀ THỐNG KÊ

Chuyên ngành: Khí tượng học

Mã số: 62.44.87.01

LUẬN ÁN TIẾN SĨ KHÍ TƯỢNG HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1. PGS. TS. Nguyễn Hướng Điền 2. GS. TS. Nguyễn Văn Hữu

HÀ NỘI - 2008

1

Lời cam đoan

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số

liệu, kết quả trình bày trong luận án là trung thực và chưa từng được ai công

bố trong bất kỳ công trình nào khác.

Tác giả luận án

Hồ Thị Minh Hà

2

Lời cảm ơn Luận án được hoàn thành tại Khoa Khí tượng-Thủy văn-Hải dương học,

Trường Đại học Khoa học Tự Nhiên, Hà Nội dưới sự hướng dẫn khoa học của PGS. TS. Nguyễn Hướng Điền, Khoa Khí tượng-Thủy văn-Hải dương học và GS. TS. Nguyễn Văn Hữu, Khoa Toán-Cơ-Tin học, Trường Đại học Khoa học Tự Nhiên, Hà Nội. Tác giả xin bày tỏ lòng biết ơn chân thành tới hai nhà khoa học đã hết lòng động viên, tận tình giúp đỡ và quan tâm tới từng bước nghiên cứu của luận án.

Để thực hiện luận án, tác giả đã được giúp đỡ về thời gian và điều kiện nghiên cứu thuận lợi từ Ban Chủ nhiệm Khoa Khí tượng-Thủy văn-Hải dương học và Bộ môn Khí tượng, nơi tác giả được hỗ trợ về trang thiết bị tính toán và lưu trữ số liệu.

Tác giả xin bày tỏ lòng biết ơn sâu sắc đến PGS. TSKH. Kiều Thị Xin đã chỉ dẫn những bước đi đầu tiên của tác giả đến với bài toán mô hình hóa khí hậu khu vực - vấn đề khoa học còn mới mẻ trong nước và tạo điều kiện cho tác giả tham gia đề tài khoa học để phát triển năng lực nghiên cứu.

Lời tri ân tác giả muốn gửi tới các nhà khoa học GS. TS. Trần Tân Tiến, PGS. TS. Phan Văn Tân, GS. TSKH. Nguyễn Đức Ngữ, PGS. TS. Hoàng Xuân Cơ, PGS. TS. Nguyễn Văn Tuyên, PGS. TS. Phạm Văn Huấn, PGS. TS. Phạm Vũ Anh, TSKH. Nguyễn Duy Chinh, PGS. Nguyễn Đăng Quế, thầy Trần Công Minh, TS. Nguyễn Văn Thắng, TS. Hoàng Đức Cường, Ths. Vũ Thanh Hằng và một số nhà khoa học khác đã góp ý chân tình và xây dựng về những nội dung nghiên cứu của luận án.

Thành công của luận án đạt được cũng là nhờ sự giúp đỡ về số liệu cũng như hướng dẫn sử dụng hệ thống máy tính và đồ họa của các đồng nghiệp trong Bộ môn Khí tượng và sự đóng góp ý kiến nhiệt tình của Chi Đoàn cán bộ Khoa Khí tượng-Thủy văn-Hải dương học. Tác giả xin cám ơn tất cả bạn bè và đồng nghiệp.

Tác giả sẽ không bao giờ quên sự quan tâm, chăm sóc, sẻ chia buồn vui và giúp đỡ qua bao khó khăn của người bạn đời.

Lòng biết ơn sâu nặng nhất của tác giả xin gửi về cha mẹ, những người đã ban cho tác giả cuộc sống, dưỡng nuôi suốt thời thơ ấu và định hướng khoa học là con đường theo đuổi suốt đời của tác giả.

Tác giả

3

Mục lục Lời cam đoan .............................................................................................................. 1

Lời cảm ơn ..................................................................................................................2

Mục lục........................................................................................................................3

Danh mục các ký hiệu và chữ viết tắt .........................................................................5

Danh mục hình ảnh .....................................................................................................7

Danh mục các bảng ...................................................................................................13

Mở đầu ......................................................................................................................15

Chương 1 CÁC NGHIÊN CỨU VỀ DỰ BÁO KHÍ HẬU KHU VỰC BẰNG

MÔ HÌNH SỐ TRỊ...............................................................................................18

1.1. Tình hình nghiên cứu trên thế giới 21

1.1.1. Tại sao cần dự báo khí hậu khu vực bằng mô hình RCM? ....................21

1.1.2. Những nghiên cứu ứng dụng RCM vào dự báo khí hậu khu vực ..........26

1.2. Tình hình nghiên cứu trong nước 32

1.3. Những nghiên cứu về thống kê hiệu chỉnh sản phẩm mô hình số 35

Chương 2 PHƯƠNG PHÁP MÔ HÌNH HÓA KHÍ HẬU KHU VỰC VÀ

PHƯƠNG PHÁP THỐNG KÊ SẢN PHẨM MÔ HÌNH SỐ (MOS) .................38

2.1. Phương pháp mô hình hóa khí hậu khu vực ứng dụng vào mô hình

RegCM3 39

2.1.1. Động lực học ..........................................................................................39

2.1.2. Các thành phần vật lý trong RegCM3....................................................45

2.2. Phương pháp thống kê sản phẩm mô hình số 66

2.2.1. Các phương pháp đánh giá thống kê mô hình khí hậu...........................66

2.2.2. Phương pháp luyện mạng thần kinh nhân tạo ANN ..............................70

2.3. Nguồn số liệu sử dụng 74

4

Chương 3 KẾT QUẢ MÔ PHỎNG CÁC TRƯỜNG KHÍ TƯỢNG TRÊN

KHU VỰC ĐÔNG NAM Á BẰNG MÔ HÌNH KHÍ HẬU KHU VỰC

RegCM3...............................................................................................................77

3.1. Thời tiết, khí hậu khu vực ĐNA trong thập kỷ cuối thế kỷ XX 77

3.2. Hoàn lưu, nhiệt độ, độ ẩm và lượng mưa của RegCM3 78

3.2.1. Cấu hình động lực ..................................................................................78

3.2.2. Lựa chọn sơ đồ tham số hóa vật lý.........................................................85

3.2.3. Kết quả mô phỏng 10 năm của RegCM3 với bộ tham số tối ưu............99

Chương 4 CẢI THIỆN KẾT QUẢ MÔ PHỎNG NHIỆT ĐỘ VÀ LƯỢNG

MƯA CỦA MÔ HÌNH RegCM3 BẰNG SƠ ĐỒ THAM SỐ HÓA ĐỐI

LƯU MỚI VÀ BẰNG PHƯƠNG PHÁP HIỆU CHỈNH THỐNG KÊ ............107

4.1. Cải tiến RegCM3 bằng sơ đồ tham số hóa đối lưu mới 107

4.1.1. Lý do chọn lựa sơ đồ tham số hóa đối lưu Tiedtke ..............................107

4.1.2. Mô hình RegCM3 với sơ đồ đối lưu mới Tiedtke................................109

4.1.3. Đánh giá thống kê.................................................................................117

4.2. Cải thiện kết quả mô phỏng nhiệt độ và lượng mưa của RegCM3 nhờ

hiệu chỉnh bằng ANN 126

4.2.1. Lý do chọn phương pháp hiệu chỉnh bằng ANN .................................126

4.2.2. Các kết quả sau khi hiệu chỉnh.............................................................130

KẾT LUẬN.............................................................................................................140

TÀI LIỆU THAM KHẢO.......................................................................................143

PHỤ LỤC

5

Danh mục các ký hiệu và chữ viết tắt Acc Accuracy – Độ chính xác AGCM Atmosphere Global Climate Model – Mô hình khí hậu toàn cầu nhánh

khí quyển ANN Artificial Neural Network - Mạng thần kinh nhân tạo. AS Arakawa-Schubert – Tên sơ đồ tham số hóa đối lưu BATS Bio-Atmospheric Transfer Scheme - Sơ đồ tương tác khí quyển - bề mặt BTBộ Bắc Trung Bộ BMJ Betts-Miller-Janjic – Tên sơ đồ tham số hóa đối lưu CCM Community Climate Model – Mô hình Khí hậu cộng đồng CGCM Couple Global Climate Model – Mô hình khí hậu toàn cầu phối hợp CRU Climatic Research Units – Trung tâm nghiên cứu khí hậu (Anh) DBKH Dự báo khí hậu DBKHKV Dự báo khí hậu khu vực ĐNA Đông Nam Á ĐBB Đông Bắc Bộ ĐBBB Đồng bằng Bắc Bộ ECHAM4 Mô hình khí hậu toàn cầu thuộc Viện Max Planck (Đức) ECMWF European Center for Medium Range Weather Forecasts - Trung tâm dự

báo thời tiết hạn vừa Châu Âu. ENSO El Nino-Southern Oscillation – El Nino-Dao động Nam EOF Empirical Orthogonal Function – Hàm trực giao kinh nghiệm ERA40 Số liệu tái phân tích kết hợp sản phẩm mô hình số của ECMWF FC Fritsch-Chappell – Tên sơ đồ tham số hóa đối lưu GAB Grell_AS + Bats GCM Global Climate Model – Mô hình khí hậu toàn cầu GCM Global Circulation Model – Mô hình hoàn lưu chung khí quyển HK Biệt thức Hanssen và Kuipers HQTT Hồi quy tuyến tính HRM High Resolution Model - Mô hình (dự báo thời tiết) độ phân giải cao

6

HSS Heidke Skill Score – Chỉ số kỹ năng Heidke HSTQ Hệ số tương quan ICTP International Centre for Theoretical Physics – Trung tâm quốc tế nghiên

cứu vật lý lý thuyết (Ý) ITCZ Internal Tropical Convection Zone – Dải hội tụ nội nhiệt đới IPCC Integovernmental Panel on Climate Change - Nhóm nghiên cứu đa

chính phủ về biến đổi khí hậu MM5 Mesoscale Model 5 – Mô hình quy mô vừa thế hệ thứ 5 MOS Model Output Statistics – Thống kê sản phẩm mô hình NTrBộ Nam Trung Bộ NCAR National Center for Atmospheric Research (USA) – Trung tâm quốc gia

nghiên cứu khí quyển (Mỹ). NCEP National Center for Environmental Prediction – Trung tâm Quốc gia về

Dự báo Môi trường (Mỹ) NOAA National Oceanographical and Atmospheric Administration – Cơ quan

quản lý Khí quyển – Đại dương (Mỹ) LAM Limited Area Model – Mô hình khu vực hạn chế LBC Lateral Boundary Condition – Điều kiện biên xung quanh PBL Planetary Boundary Layer – Lớp biên hành tinh PCA Principal Component Analysis – Phân tích thành phần chính PSU Pennsynavia States University – Đại học bang Pennsynavia RegCM Regional Climate Model – Mô hình khí hậu khu vực của NCAR RCM Regional Climate Model – Mô hình khí hậu khu vực SST Sea surface temperature - nhiệt độ nước biển bề mặt TBD Thái Bình Dương TBNN Trung bình nhiều năm TieB Tiedtke + Bats TieZ Tiedtke + Zeng TrTrBộ Trung Trung Bộ XTNĐ Xoáy thuận nhiệt đới V.Bắc Việt Bắc vcs. và cộng sự

7

Danh mục hình ảnh Hình 1.1: Phân vùng gió mùa của S.P.Khromov (1957). Phần giới hạn trong

hình chữ nhật tô đậm là khu vực gió mùa ĐNA theo số liệu của

Ramage (1971); .........................................................................................19

Hình 1.2: Sai số hệ thống của nhiệt độ không khí bề mặt (oC) và giáng thủy

(%) trong giai đoạn 1961-1990 của các thử nghiệm sử dụng mô hình

AOGCM của CSIRO Mk2, CCSR/NIES, ECHAM/OPYC, CGCM1

(tổ hợp 3 thành phần) và HadCM2 (4 thành phần). .................................22

Hình 1.3: Dòng chảy mùa hè ở Thụy Điển, (a) tính toán từ mô hình thủy văn,

sử dụng quan trắc mưa và dòng chảy tại trạm [Raab và Vedin,

1995]; (b) mô phỏng của GCM; (c) mô phỏng của RCM độ phân

giải 55km; (d) mô phỏng của RCM độ phân giải 18km. Đơn vị dòng

chảy mặt là mm. (Trích dẫn từ Christensen vcs., 1998)............................25

Hình 1.4: RCM có thể dự báo được các đặc trưng hoàn lưu vốn không giải

được bởi GCM. Ví dụ trong trường hợp dự báo xoáy thuận nhiệt đới

[Giorgi, 2006]. ...........................................................................................26

Hình 1.5: Khả năng mô phỏng lượng mưa và nhiệt độ khu vực Tây Á của

RegCM3 trung bình trong thời kỳ từ 1987-2000 [Giorgi, 2006]. .............29

Hình 1.6: Khả năng mô phỏng lượng mưa và nhiệt độ khu vực Đông Á của

RegCM3 trung bình trong thời kỳ từ 1987-2000 [Giorgi, 2006]. .............29

Hình 2.1: Các quy mô không gian của mô hình khí hậu [Giorgi, 2006]...................38

Hình 2.2: Lưới ngang dạng xen kẽ dạng B - Arakawa - Lamb của mô hình

RegCM3 [Elguindi vcs., 2003]..................................................................40

Hình 2.3: Lồng ghép mô hình RCM vào GCM bằng phương pháp động lực. ..........41

Hình 2.4: Mô hình mây đối lưu một chiều ổn định trong sơ đồ Grell [Grell,

1993]..........................................................................................................49

Hình 2.5: Mô hình mây đối lưu sâu [Tiedtke,1989]..................................................56

8

Hình 2.6: Dự báo cho địa phương bằng phương pháp thống kê sản phẩm của

GCM hoặc RCM. .......................................................................................70

Hình 2.7: Cấu trúc của mạng thần kinh sinh học (trên) và cấu trúc ANN

(dưới). ........................................................................................................71

Hình 2.8: Mặt lỗi là hàm của các trọng số. Điểm dốc nhất trên mặt lỗi là nơi

sai số tổng cộng nhỏ nhất..........................................................................72

Hình 2.9: Các dạng hàm truyền cơ bản của ANN, (a) hàm Log-sigma, (b) tan-

sigma, (c) tuyến tính [Demuth vcs., 2000]. ..............................................72

Hình 2.10: Mạng thần kinh 3 lớp theo phương pháp Levenberg-Marquardt. ..........73

Hình 2.11: Dạng vectơ của mạng 3 lớp trong Hình 2.10. ........................................73

Hình 3.1 : Dòng gió mùa chính trong 3 tháng mùa hè (6, 7, 8) ở Châu Á. ..............80

Hình 3.2: Đường dòng và độ ẩm trung bình tháng 8/1996 mực 850mb của (a)

ERA40 và (b) RegCM3. Đơn vị độ ẩm là kg/kg. .......................................81

Hình 3.3: Tương tự Hình 3.2b nhưng miền tích phân rộng hơn về phía bắc,

hẹp hơn về 3 phía còn lại. .........................................................................82

Hình 3.4: Lượng mưa mô phỏng bởi (a) GCM_300km, (b) RCM_50km, (c)

RCM_25km và (d) Quan trắc [Giorgi, 2006]. Đơn vị mm/ngày...............83

Hình 3.5: Lượng mưa trung bình tháng 8 của 3 năm 1996-1998 mô phỏng bởi

(a)RegCM3_60km và (b) RegCM3_45km. Đơn vị mm/ngày. ...................84

Hình 3.6: Sai số RMSE của lượng mưa trung bình tháng 6-8/1996-1998 của

(a) RegCM3_60km và (b) RegCM3_45km. Đơn vị mm/ngày. ..................84

Hình 3.7: Nhiệt độ tại độ cao 2m trung bình tháng 8/1996 của (a) CRU, (b)

Reg+GAS, (c) Reg+GFC và (d) Reg+BMJ. Đơn vị độ C.........................87

Hình 3.8: Lượng mưa trung bình tháng 8/1996 của (a) CRU, (b) Reg+GAS,

(c) Reg+GFC và (d) Reg+BMJ. Đơn vị mm/ngày. ...................................88

Hình 3.9: Profile (a) nhiệt độ và (b) độ ẩm trung bình tháng 8/1996 lấy trung

bình trong khu vực từ 12-22N, 106-110E của Reg+GFC và của

9

phiên bản này khi lượng mưa đối lưu giảm đi một nửa. Đơn vị nhiệt

độ là độ C, đơn vị độ ẩm riêng là kg/kg. ...................................................92

Hình 3.10: Lượng mưa trung bình tháng 8/1996 của (a) Reg+GFC và (b)

Reg+GFC khi lượng mưa đối lưu giảm 1 nửa. Đơn vị mm/ngày. ............93

Hình 3.11: Nhiệt độ tại 2m trung bình tháng 8/1996 của (a) Reg+GFC và (b)

Reg+GFC khi lượng mưa đối lưu giảm 1 nửa. Đơn vị độ C. ...................93

Hình 3.12: Chuỗi thời gian của CAPE (J/kg), CAPE âm (NCAPE) (J/kg) và

lượng mưa quan trắc (mm/ngày). Đường đậm là CAPE, đường

chấm, gạch là NCAPE và đường nét đứt là tốc độ mưa. [Xie và

Zhang, 2000]. ............................................................................................94

Hình 3.13: Lượng bốc hơi từ đại dương vào khí quyển của (a) Reg+GAB và

(b) Reg+GAZ trung bình 6-8/1996. Đơn vị mm/ngày. ..............................97

Hình 3.14: Tương tự Hình 3.13 nhưng là thông lượng hiển nhiệt. Đơn vị W/m2.

Vùng màu nhạt (giá trị âm) chỉ nhiệt từ khí quyển và đại dương,

vùng màu sẫm (giá trị dương) chỉ thông lượng nhiệt hướng từ đại

dương vào khí quyển. ................................................................................98

Hình 3.15: Nhiệt độ tại 2m trung bình tháng 8/1996 của (a) Reg+GAB và

(b)Reg+GAZ. Đơn vị độ C. .......................................................................99

Hình 3.16: Áp suất mực biển trung bình 3 tháng 6-8/1991-2000 của (a) ERA40

và (b) Reg+GAB. Đơn vị mb. ..................................................................100

Hình 3.17: Lượng mưa trung bình mùa hè trong 10 năm của (a) CRU và (b)

Reg+GAB. Đơn vị mm/ngày....................................................................100

Hình 3.18: Hiệu nhiệt độ 2m trung bình mùa hè trong 10 năm (91-00) giữa

Reg+GAB và CRU. Đơn vị độ C. ............................................................102

Hình 3.19: Sai số RMSE của nhiệt độ tại 2m trung bình tháng 6-8 của 10 năm

(91-00) của Reg+GAB so với CRU. Đơn vị độ C. ..................................102

10

Hình 3.20: Lát cắt thời gian - độ cao của hiệu (a) nhiệt độ và (b) độ ẩm của

phiên bản Reg+GAB so với ERA40 trong 10 năm, từ 1991-2000.

Đơn vị nhiệt độ là độ C, đơn vị độ ẩm g/kg. ...........................................103

Hình 3.21: Sai số RMSE của lượng mưa trung bình tháng 6-8 của 10 năm (91-

00) của Reg+GAB so với CRU. Đơn vị mm/ngày. ..................................104

Hình 4.1: Tương tự Hình 3.16 nhưng là phiên bản Reg+TieB. ..............................110

Hình 4.2: Tương tự Hình 3.20a nhưng là phiên bản Reg+TieB. Đơn vị độ C. ......111

Hình 4.3: Hiệu nhiệt độ tại 2m trung bình 30 tháng của Reg+TieB so với

CRU. Đơn vị độ C. Màu sẫm chỉ sai số âm lớn. .....................................111

Hình 4.4: Sai số RMSE của nhiệt độ tại 2m trung bình tháng 6-8 của 10 năm

(91-00) của Reg+TieB so với CRU. Đơn vị độ C. ..................................112

Hình 4.5: Profile độ ẩm trung bình tháng 8 của các năm (a) 1998 (ẩm nhiều),

(b) 1992 (ẩm trung bình) và (c) 1993 (ẩm ít). Đơn vị kg/kg. ..................113

Hình 4.6: Đường dòng và độ ẩm mực 850mb trung bình tháng 6-8/91-00 của

(a) ERA40, (b) Reg+GAB và (c) Reg+TieB. Đơn vị độ ẩm kg/kg. .........113

Hình 4.7: Tương tự Hình 3.20b nhưng là phiên bản Reg+TieB. Đơn vị g/kg. .......114

Hình 4.8: Lượng mưa ngày tổng cộng trung bình tháng 6/1996 của (a) CRU

và lượng mưa đối lưu của (b) Reg+GAB và (c) Reg+TieB. Đơn vị

mm/ngày. .................................................................................................115

Hình 4.9: Lượng mưa trung bình tháng 8/1997 (năm ít mưa) của (a) CRU, (b)

Reg+GAB và (c) Reg+TieB. Đơn vị mm/ngày. .......................................115

Hình 4.10: Lượng mưa trung bình tháng 8/1998 (năm mưa nhiều) của (a)

CRU, (b) Reg+GAB và (c) Reg+TieB. Đơn vị mm/ngày. .......................115

Hình 4.11: Dị thường nhiệt độ trung bình tháng của 3 tháng trong 10 năm so

với trung bình 10 năm của mỗi chuỗi. Đơn vị độ C. ...............................118

Hình 4.12: PCA đầu tiên của nhiệt độ trung bình tháng của 3 tháng trong 10

năm. Đơn vị độ C.....................................................................................118

11

Hình 4.13: Nhiệt độ trung bình 30 tháng mùa hè của các khu vực trên Việt

Nam. Đơn vị độ C. Ghi chú: Theo phân vùng khí hậu của Phạm

Ngọc Toàn, Phan Tất Đắc, (1997), Việt Nam được phân chia thành

10 khu vực khí hậu nhưng do ít số liệu và một số khu vực có khí hậu

tương đối giống nhau trong mùa gió mùa mùa hè nên ghép thành 5

khu vực.....................................................................................................119

Hình 4.14: (a) HSTQ và (b) RMSE của nhiệt độ trung bình tháng của 3 tháng

trong 10 năm giữa mô hình và quan trắc, đánh giá cho từng khu vực

trên Việt Nam. Đơn vị RMSE là độ C......................................................120

Hình 4.15: Chuỗi thời gian nhiệt độ tối cao trung bình các tháng 6-8 của 10

năm. Đơn vị độ C.....................................................................................121

Hình 4.16: Dị thường nhiệt độ tối cao trung bình các tháng 6-8 của 10 năm so

với trung bình 10 năm của mỗi chuỗi. Đơn vị độ C. ...............................121

Hình 4.17: Lượng mưa trung bình tháng 6-8/1991-2000 của (a) CRU, (b)

Reg+GAB, (c) Reg+TieB, (d) Reg+TieZ và (e) Reg+Tổ hợp. Đơn vị

mm/ngày. .................................................................................................123

Hình 4.18: Dị thường lượng mưa trung bình các tháng mùa hè của 10 năm

(1991-2000) so với trung bình 10 năm của quan trắc, tính trên toàn

Việt Nam. Đơn vị mm/ngày. ....................................................................124

Hình 4.19: (a) HSTQ và (b) RMSE của lượng mưa trung bình tháng của 3

tháng trong 10 năm giữa mô hình và quan trắc, đánh giá cho từng

khu vực trên Việt Nam. Đơn vị RMSE là mm/ngày. ................................125

Hình 4.20: Phân bố độ lệch (ME) của (a) nhiệt độ và (b) lượng mưa trung

bình tháng giữa mô hình và quan trắc trong các tháng mùa hè (6-8)

của 10 năm (91-00) của Reg+GAB. Đơn vị nhiệt độ là độ C, lượng

mưa mm/ngày. .........................................................................................126

12

Hình 4.21: Biểu đồ tụ điểm của nhiệt độ quan trắc và mô hình trên toàn Việt

Nam của (a) phiên bản Reg+GAB, (b) phiên bản Reg+TieB, đơn vị

độ C. ........................................................................................................127

Hình 4.22: Chuỗi thời gian của độ lệch (ME) giữa (a) nhiệt độ và (b) lượng

mưa trung bình tháng của mô hình và quan trắc trong các tháng

mùa hè (6-8) của 10 năm (1991-2000) tính trên toàn Việt Nam. Đơn

vị nhiệt độ là độ C, lượng mưa mm/ngày. ...............................................128

Hình 4.23: Phân bố độ lệch (ME) của nhiệt độ trung bình tháng giữa mô hình

và quan trắc trong các tháng mùa hè (6-8) của 10 năm (91-00) của

Reg+GAB trên khu vực (a) Tây Bắc+Việt Bắc và (b) Tây Nguyên. .......128

Hình 4.24: Phân bố độ lệch (ME) của lượng mưa trung bình tháng giữa mô

hình và quan trắc trong các tháng mùa hè (6-8) của 10 năm (1991-

2000) của Reg+GAB trên khu vực (a) ĐBB+ĐBBB+BTB và (b)

TrBộ+NTrBộ. Đơn vị mm/ngày...............................................................129

Hình 4.25 : Biểu đồ tụ điểm nhiệt độ sau khi hiệu chỉnh bằng ANN trên toàn

Việt Nam của các tháng mùa hè (6-8) của 10 năm (1991-2000). Đơn

vị độ C......................................................................................................130

Hình 4.26: Nhiệt độ trung bình 18 tháng của 6 năm số liệu phụ thuộc (1992,

1993, 1994, 1997, 1999, 2000) của (a) Quan trắc, (b) Reg+TieB và

(c) Reg+ANN. Đơn vị độ C. ....................................................................131

Hình 4.27: Tương tự Hình 4.26 nhưng của 4 năm số liệu độc lập

(1991,1995,1996,1998). ..........................................................................131

Hình 4.28: Chuỗi thời gian của nhiệt độ trung bình tháng của (a) Việt Nam và

(b) Tây Bắc+Việt Bắc trong 6 năm, số liệu phụ thuộc. Đơn vị độ C. .....132

Hình 4.29: Chuỗi thời gian của nhiệt độ của (a) Việt Nam, (b) Tây Nguyên và

(c) Tây Bắc và Việt Bắc trong 4 năm số liệu độc lập sau khi hiệu

chỉnh bằng ANN. Đơn vị độ C.................................................................133

13

Hình 4.30: (a) HSTQ và (b) RMSE của nhiệt độ trung bình tháng của 3 tháng

trong 4 năm số liệu độc lập (98, 96, 91, 95) giữa mô hình và quan

trắc, đánh giá cho từng khu vực trên Việt Nam. Đơn vị RMSE là độ

C. .............................................................................................................135

Hình 4.31: Lượng mưa trung bình tháng của 6 năm số liệu phụ thuộc của (a)

Quan trắc, (b) Reg+GAB, (c) Reg+Tổ hợp và (d) Reg+ANN. Đơn vị

mm/ngày. .................................................................................................136

Hình 4.32: Tương tự Hình 4.31 nhưng của 4 năm số liệu độc lập

(1991,1995,1996,1998). ..........................................................................136

Hình 4.33: (a) HSTQ và (b) RMSE của lượng mưa trung bình tháng của 3

tháng trong 4 năm số liệu độc lập (1991, 1995, 1996,1998) giữa mô

hình và quan trắc, đánh giá cho từng khu vực trên Việt Nam. Đơn vị

RMSE là mm/ngày. ..................................................................................137

Danh mục các bảng

Bảng 2.1: Bảng ngẫu nhiên .......................................................................................68

Bảng 2.2: Bảng các chỉ số đánh giá dự báo phân đôi ..............................................68

Bảng 2.3: Bảng ngẫu nhiên đối với dự báo đa nhóm................................................69

Bảng 2.4: Bảng các chỉ số đánh giá dự báo đa nhóm ..............................................69

Bảng 2.5: Bảng các chỉ số đánh giá dự báo biến liên tục.........................................70

Bảng 3.1: Các kỳ El Nino và La Nina trong thế kỷ XX. ............................................78

Bảng 3.2: Các đợt ENSO trong thập kỷ của cuối thế kỷ XX [Nguyễn Đức Ngữ,

2007; Trenberth, 1997]..............................................................................78

Bảng 3.3: Cấu hình động lực trong RegCM3. ..........................................................79

Bảng 3.4: Các sơ đồ vật lý biểu diễn trong RegCM3. ..............................................85

Bảng 3.5: Ký hiệu các phiên bản mô hình RegCM3 với các tùy chọn sơ đồ

tham số hóa đối lưu. ..................................................................................86

14

Bảng 3.6: Các phiên bản của RegCM3 với các tùy chọn sơ đồ thông lượng đại

dương – khí quyển. ....................................................................................96

Bảng 3.7: Các chỉ số đánh giá nhiệt độ mô phỏng của Reg+GAB so với CRU

tính trên toàn khu vực ĐNA. Đơn vị độ C. ..............................................101

Bảng 3.8: Các chỉ số đánh giá lượng mưa trung bình tháng của Reg+GAB so

với CRU tính trên toàn khu vực ĐNA. Đơn vị mm/ngày. ........................105

Bảng 4.1: Các chỉ số đánh giá nhiệt độ trung bình tháng của Reg+TieB so

với CRU tính trên toàn khu vực ĐNA. Đơn vị độ C. ...............................112

Bảng 4.2: Bảng các chỉ số đánh giá biến liên tục đối với nhiệt độ trung bình

tháng của Việt Nam giữa quan trắc và các phiên bản Reg+GAB,

Reg+TieB, Reg+TieZ. Đơn vị độ C.........................................................119

Bảng 4.3: Tương tự như Bảng 4.2 nhưng của các khu vực trên Việt Nam. ...........119

Bảng 4.4: Tương tự như Bảng 4.2 nhưng là lượng mưa trung bình tháng và

thêm phiên bản Reg+Tổ hợp. Đơn vị mm/ngày. .....................................124

Bảng 4.5 : Tương tự như Bảng 4.4 nhưng của các khu vực trên Việt Nam. ...........124

Bảng 4.6: Bảng các chỉ số đánh giá biến liên tục đối với nhiệt độ trung bình

tháng của Việt Nam giữa quan trắc và các phiên bản Reg+GAB,

Reg+TieB, Reg+TieZ, 4 năm (98, 96, 91, 95). Đơn vị độ C. ..................133

Bảng 4.7 : Tương tự như Bảng 4.6 nhưng của các khu vực trên Việt Nam. ..........134

Bảng 4.8 : Bảng các chỉ số đánh giá biến liên tục đối với lượng mưa trung

bình tháng, từng trạm của Việt Nam giữa quan trắc và các phiên

bản Reg+GAB, Reg+TieB, Reg+TieZ, 4 năm (98, 96, 91, 95). Đơn

vị mm/ngày...............................................................................................138

Bảng 4.9 : Tương tự như Bảng 4.8 nhưng của các khu vực trên Việt Nam. ...........138

15

Mở đầu Các điều kiện khí hậu vào tháng sau, mùa sau hay năm sau luôn được quan

tâm khi con người đề ra những kế hoạch dài hạn trong sản xuất nông, lâm, ngư nghiệp, trong kinh tế, xây dựng, du lịch,… Mức độ thành công của những hoạt động xã hội này phụ thuộc rất nhiều vào việc mùa sau sẽ nóng hay lạnh hơn, mưa nhiều hay ít hơn, hạn hán hay lũ lụt có thể xảy ra do những sản phẩm sản xuất ra có thích hợp với khí hậu khi đó hay không. Như ta đã biết, đây chính là mục đích của bài toán dự báo khí hậu hạn mùa.

Đối với khu vực Châu Á, do đặc điểm về địa lý tự nhiên phức tạp, chịu tác động mạnh của gió mùa nên thường xuyên bị ảnh hưởng bởi các hiện tượng thời tiết và khí hậu bất thường. Theo Tổ chức Khí tượng thế giới (WMO), 43% thảm hoạ tự nhiên trên thế giới xảy ra từ năm 1991 đến năm 2000 là ở Châu Á, trong đó có 2035 thảm hoạ về thời tiết làm thiệt hại khoảng 40,35 tỷ đô la. Đặc biệt là vào mùa hè, hệ thống gió mùa tây nam thống trị ở đây mang đến lượng mưa chính, quyết định tình trạng khí hậu hạn hán, lũ lụt hay ổn định cho khu vực. Chính vì vậy, đối với khu vực Châu Á nói chung, Đông Nam Á và Việt Nam nói riêng, dự báo khí hậu hạn mùa nói chung và mùa hè nói riêng càng đặc biệt quan trọng.

Các phương pháp thường được sử dụng trong dự báo khí hậu là phương pháp thống kê và phương pháp số trị. Cùng với sự phát triển mạnh mẽ và nhanh chóng của công nghệ máy tính trong một vài thập kỷ gần đây, chúng ta đã có thể xây dựng và phát triển những mô hình số trong dự báo khí hậu. Ưu điểm của các mô hình số so với phương pháp thống kê là nó được xây dựng dựa trên mối quan hệ vật lý thực của các quá trình trong khí quyển.

• Tính cấp thiết của đề tài Mô hình số dự báo khí hậu hạn mùa là vấn đề “nóng” hiện nay. Tuy nhiên,

mô hình toàn cầu không thể dự báo chi tiết cho khu vực Châu Á do hạn chế về độ phân giải. Vì vậy, xây dựng mô hình khí hậu khu vực phù hợp là mối quan tâm của hầu hết các quốc gia trên châu lục này, trong đó có Việt Nam. Nhưng trước khi đưa một mô hình số vào dự báo khí hậu, cần kiểm tra kỹ năng của mô hình đó thông qua mô phỏng trên số liệu nhiều năm và đánh giá bằng các chỉ số thống kê. Đứng trước yêu cầu cấp thiết đó, chúng tôi đã chọn và thực hiện đề tài: “Nghiên cứu khả năng mô phỏng mùa các yếu tố khí tượng trên lãnh thổ Việt Nam bằng phương pháp

16

thủy động và thống kê”. Trong khuôn khổ luận án, chúng tôi thực hiện mô phỏng hoàn lưu, nhiệt độ, độ ẩm và lượng mưa trung bình tháng thời hạn 3 tháng trong mùa hè trên khu vực Đông Nam Á bằng mô hình khí hậu khu vực RegCM phiên bản 3, sau đó đánh giá và hiệu chỉnh kết quả mô phỏng bằng phương pháp thống kê.

• Mục đích của luận án

Luận án đặt ra nhằm đạt được các mục đích sau:

- Đánh giá được khả năng mô phỏng khí hậu hạn mùa cho khu vực Đông Nam Á và Việt Nam của mô hình khí hậu khu vực RegCM3.

- Cải tiến mô hình RegCM3 bằng cách đưa thêm vào một sơ đồ tham số hóa đối lưu mới nhằm nâng cao chất lượng mô phỏng của mô hình.

- Xây dựng được phương pháp hiệu chỉnh sản phẩm đầu ra của mô hình bằng công cụ thống kê nhằm chính xác hóa kết quả mô phỏng.

• Đối tượng và phạm vi nghiên cứu

Nghiên cứu mô phỏng và dự báo khí hậu khu vực bằng mô hình số là một bài toán lớn liên quan đến nhiều khía cạnh khác nhau. Việc thực hiện đầy đủ bài toán này nằm ngoài khuôn khổ luận án này, do đó luận án chỉ giới hạn: - Đối tượng nghiên cứu: Nhiệt độ không khí bề mặt và lượng mưa trung bình tháng trong mùa hè. - Phạm vi nghiên cứu: Đông Nam Á và các vùng biển lân cận, đặc biệt chú trọng đến Việt Nam.

• Những đóng góp mới của luận án Trên cơ sở ứng dụng mô hình RegCM3 để mô phỏng hạn mùa các trường khí

hậu bề mặt khu vực Việt Nam và Đông Nam Á trong thời kỳ gió mùa mùa hè, tác giả luận án đã nghiên cứu phát triển mô hình này và xây dựng được phương pháp hiệu chỉnh các sản phẩm đầu ra của mô hình. Những đóng góp mới chủ yếu là:

- Đã đưa được sơ đồ tham số hoá đối lưu Tiedtke (1989) vào mô hình RegCM3 thành một tùy chọn mới và do đó đã làm tăng chất lượng mô phỏng của mô hình đối với trường nhiệt độ bề mặt.

- Đã nghiên cứu và xây dựng được phương pháp hiệu chỉnh các trường nhiệt độ và lượng mưa của mô hình RegCM3 bằng phương pháp mạng thần kinh nhân tạo (ANN).

17

• Ý nghĩa khoa học và thực tiễn

+ Ý nghĩa khoa học:

- Tổng quan được vấn đề dự báo và mô phỏng khí hậu hiện nay và đề ra phương án nghiên cứu mô phỏng khí hậu khu vực Việt Nam bằng mô hình RegCM3 và thống kê.

- Đã khảo sát và thử nghiệm các sơ đồ tham số hóa đối lưu Kuo, BMJ, Grell_AS, Grell_FC, Tiedtke, thử nghiệm các sơ đồ tính toán thông lượng đại dương BATS và Zeng và chọn được sơ đồ đối lưu Tiedtke, sơ đồ thông lượng đại dương BATS là tốt nhất để mô phỏng khí hậu khu vực Việt Nam.

- Kết hợp kết quả động lực và phương pháp thống kê (mạng thần kinh nhân tạo) để đưa ra kết quả mô phỏng trường nhiệt độ 2m và lượng mưa mùa hè trên lãnh thổ Việt Nam phù hợp với thực tiễn hơn.

+ Ý nghĩa thực tiễn: Kết quả nghiên cứu của luận án có thể sử dụng trong nghiên cứu và tìm ra một số đặc điểm khí hậu (lượng mưa, nhiệt độ) mùa hè của Việt Nam.

• Cấu trúc luận án Ngoài các mục mở đầu, tài liệu tham khảo, phụ lục, v.v. nội dung chính của luận án bao gồm: Chương 1 – Trình bày những nghiên cứu trong nước và ngoài nước về dự báo và mô phỏng khí hậu khu vực hạn mùa bằng phương pháp số; Chương 2 – Phương pháp động lực-thống kê bao gồm (1) mô hình hóa khí hậu khu vực và (2) thống kê hiệu chỉnh sản phẩm mô hình số, và các phương pháp đánh giá; Chương 3 – Các thử nghiệm độ nhạy và kết quả mô phỏng nhiều năm các đặc điểm hoàn lưu, nhiệt độ và mưa trong mùa gió mùa mùa hè trên khu vực ĐNA bằng mô hình RegCM3; Chương 4 – Cải thiện kết quả mô phỏng nhiệt độ bề mặt nhờ cài đặt sơ đồ tham số hóa đối lưu mới và hiệu chỉnh nhiệt độ và lượng mưa của mô hình RegCM3 về gần với thực tế bằng phương pháp ANN và đánh giá kết quả. Kết luận và kiến nghị : Trình bày tóm tắt các kết quả chủ yếu của luận án, những điểm mới đã đạt được; nêu những tồn tại và kiến nghị việc sử dụng kết quả luận án cũng như các vấn đề cần tiếp tục nghiên cứu.

18

Chương 1

CÁC NGHIÊN CỨU VỀ DỰ BÁO KHÍ HẬU KHU VỰC BẰNG MÔ HÌNH SỐ TRỊ

Khí hậu được định nghĩa là sự tổng hợp của thời tiết ở một vùng nhất định,

được xác định một cách định lượng thông qua giá trị trung bình của các yếu tố khí

tượng bao gồm nhiệt độ, lượng mưa, tốc độ và hướng gió, khí áp, mây và độ ẩm,…

tại một địa phương vào một tháng hoặc một mùa nào đó. Các giá trị trung bình này

có thể biến đổi từ năm này sang năm khác, thập kỷ này sang thập kỷ khác và thế kỷ

này sang thế kỷ khác. Trạng thái trung bình của khí quyển trong một thời gian dài

phụ thuộc vào sự biến đổi của các yếu tố tương tác với nhau như bức xạ mặt trời,

các khối khí, các hệ thống khí áp, hoàn lưu đại dương và địa hình. Dưới tác động tổ

hợp của các yếu tố trên, khí hậu trên Trái đất không đồng nhất mà hình thành các

khu vực với những điểm đặc trưng khác nhau.

Khí hậu khu vực Đông Nam Á là một bộ phận của hệ thống khí hậu toàn cầu,

có nhiều đặc điểm hết sức phức tạp, thuộc loại khí hậu rất nóng, ẩm với độ ẩm trung

bình khoảng 70-90%, lượng mưa trung bình năm lớn, khoảng 1500-2500mm. Khí

hậu ở đây bị chi phối chủ yếu bởi sự hoạt động của gió mùa. Thuật ngữ gió mùa

xuất phát từ tiếng Arập là “mausim”, nghĩa là mùa. Theo S.P Khrômov (1957), ''Gió

mùa là chế độ dòng khí của hoàn lưu chung khí quyển trên một phạm vi đáng kể

của bề mặt Trái Đất, trong đó ở mọi nơi trong khu vực gió mùa, gió thịnh hành

chuyển ngược hướng hay gần như ngược hướng từ mùa đông sang mùa hè và từ

mùa hè sang mùa đông''. Các khu vực gió mùa trên Trái đất được trình bày trên

Hình 1.1, trên đó cho thấy gió mùa Châu Á là một khu vực gió mùa điển hình của

thế giới.

19

Hình 1.1: Phân vùng gió mùa của S.P.Khromov (1957). Phần giới hạn trong hình chữ

nhật tô đậm là khu vực gió mùa ĐNA theo số liệu của Ramage (1971); 1: Khu vực có xu thế gió mùa; 2: Khu vực gió mùa; 3: Khu vực gió mùa điển hình.

Gió mùa Châu Á bao gồm ít nhất 2 hệ thống con là gió mùa Nam Á (hay gió

mùa Ấn Độ) và gió mùa Đông Á, hoạt động độc lập với nhau vào cùng một thời

gian nhưng có tương tác với nhau [Chen và Jin, 1984; Tao và Chen, 1987]. Trong

khi gió mùa Ấn Độ đã được tập trung nghiên cứu từ rất lâu, hệ thống gió mùa Đông

Á chỉ mới được quan tâm trong khoảng hai thập kỷ gần đây [Liu vcs., 2005]. Gió

mùa Đông Á có thể được chia nhỏ thêm thành gió mùa Đông Nam Á [Lau và Yang,

1997] thịnh hành trên bán đảo Đông Dương, Nam Trung Quốc và biển Đông (Nam

Trung Hoa), và gió mùa Bắc Thái Bình Dương [Wang và Wu, 1997] cùng với gió

mùa cận nhiệt đới lục địa Đông Á-Nhật Bản.

Gió mùa mùa đông ở ĐNA thể hiện ở sự xâm nhập của các khối không khí

lạnh cực đới xuống các vĩ độ thấp vào mùa đông thành từng đợt khoảng 5-7 ngày,

chủ yếu làm cho thời tiết trở nên lạnh và khô, ít mưa, ngoại trừ những khu vực ven

biển, nơi thường xảy ra mưa phùn giá rét vào mùa đông do không khí cực đới biến

tính qua biển và trở nên ẩm hơn. Những đợt rét đậm, rét hại và khô hạn trong mùa

đông ảnh hưởng rất nhiều đến mùa màng. Tuy nhiên, hoạt động của gió mùa mùa

đông khá ổn định và có thể dự báo được do sự xâm nhập lạnh thường gắn liền với

hoạt động của áp cao lạnh lục địa. Vì vậy, người ta thường quan tâm nhiều hơn đến

gió mùa mùa hè, là hệ thống hoạt động phức tạp gắn liền với các quá trình quy mô

20

vừa và chịu các ảnh hưởng không nhỏ của các quá trình có tính địa phương như địa

hình, đường bờ, … gây hậu quả nghiêm trọng đến đời sống con người mỗi khi xảy

ra lũ lụt, hạn hán hay nắng nóng, … Hoạt động của gió mùa mùa hè trên khu vực

Nam Trung Quốc và biển Đông không chỉ ảnh hưởng đến khí hậu khu vực mà còn

ảnh hưởng tới khí hậu các khu vực lân cận, thậm chí là khí hậu toàn cầu thông qua

các quá trình trao đổi năng lượng và chu trình thủy văn [Lau và Weng, 2002].

Dự báo khí hậu hạn mùa chủ yếu tập trung vào nhiệt độ trung bình hoặc tổng

lượng mưa tháng và/hoặc mùa, đôi khi cả những biến thiên cụ thể như ngày bắt đầu

mưa [Ahago, 1992; Briggs and Wilks, 1996] và tần số hoặc quỹ đạo xoáy thuận

nhiệt đới [Landman, 2005; Camargo vcs., 2002; Camargo, 2006]. Phương pháp đơn

giản nhất để dự báo khí hậu hạn mùa là chỉ dựa trên các quan trắc khí hậu địa

phương trong quá khứ và hiện tại. Ban đầu, người ta dự báo bằng cách sử dụng giá

trị trung bình khí hậu hoặc xem rằng dị thường khí hậu của một mùa nào đó so với

khí hậu nhiều năm sẽ duy trì không đổi trong các mùa sắp tới [Huang vcs., 1996].

Các mô hình thống kê sau này cơ bản cũng được xây dựng dựa trên giả thiết đó.

Nghĩa là, có thể sử dụng các giá trị trong quá khứ, hiện tại của các nhân tố dự báo

để dự báo trạng thái hoặc sự tiến triển của yếu tố dự báo dựa trên các quan hệ toán

học giữa nhân tố và yếu tố dự báo được thành lập từ số liệu quan trắc lịch sử. Với

sự phát triển của hệ thống mạng lưới quan trắc toàn cầu có thể đo được nhiệt độ

không khí, nhiệt độ mặt nước biển, giáng thủy và một số yếu tố của hoàn lưu khí

quyển, các phương pháp dự báo thống kê đã phát triển đáng kể trong suốt thế kỷ

XX. Các mô hình hồi quy, bao gồm cả phân tích tương quan Canon, được sử dụng

hầu như chủ yếu để dự báo các dị thường khí hậu. Tuy nhiên, do không biểu diễn

trực tiếp quan hệ vật lý giữa nhân tố dự báo và yếu tố dự báo mà chỉ là xấp xỉ bằng

quan hệ toán học giữa chúng nên các mô hình thống kê không tránh khỏi sai số so

với quan trắc thực. Để biểu diễn các quan hệ vật lý giữa các biến, người ta xây dựng

các mô hình số dựa trên hệ phương trình đầy đủ của chuyển động khí quyển và giải

hệ bằng phương pháp sai phân trên lưới điểm hoặc bằng phương pháp phổ. Những

mô hình đầu tiên theo hướng này được gọi là mô hình hoàn lưu chung khí quyển

21

(General Circulation Model − GCM). Nhưng các mô hình số cũng không thoát ly

hoàn toàn các giả thiết thống kê. Do độ phân giải tương đối thô của GCM, các quá

trình vật lý xảy ra trên các quy mô nhỏ hơn khoảng cách lưới, như đối lưu, bức

xạ,… vẫn cần được tham số hóa theo kinh nghiệm.

Lợi thế của các mô hình số so với các mô hình thống kê là không đòi hỏi cơ

sở dữ liệu làm nhân tố dự báo. Tuy nhiên, để tạo ra dự báo có độ tin cậy, số liệu

quan trắc là thiết yếu vừa để thẩm định các mô phỏng hoặc dự báo quá khứ của mô

hình, vừa để đánh giá các dự báo nghiệp vụ hiện thời. Hơn nữa, các mô hình số

không bị hạn chế bởi sự không ổn định của khí hậu, các cực trị hoặc những hiện

tượng bất thường có thể xuất hiện trong khí hậu lịch sử. Tuy nhiên, việc giải mô

hình số rất phức tạp và tốn kém. Quan trọng nhất là kỹ năng của các mô hình số

biến đổi theo mùa và tùy thuộc từng yếu tố khí tượng trên từng khu vực. Việc lựa

chọn sử dụng mô hình số hay mô hình thống kê để dự báo mùa cơ bản phụ thuộc

vào mục đích và khả năng của nhà dự báo và người sử dụng. Phương pháp tốt nhất

là sử dụng song song cả hai phương pháp số và thống kê [Goddard vcs., 2001].

Sau đây trình bày tình hình nghiên cứu về DBKHKV bằng phương pháp số

trị ngoài nước và trong nước.

1.1. Tình hình nghiên cứu trên thế giới

1.1.1. Tại sao cần dự báo khí hậu khu vực bằng mô hình RCM?

Về nguyên tắc, có thể sử dụng mô hình hoàn lưu chung khí quyển hay mô

hình khí hậu toàn cầu (đều ký hiệu là GCM) để DBKH cho từng khu vực trên toàn

cầu. Nhưng độ phân giải của GCM thường khá thô, thường từ 2,5 độ đến 3,7 độ

(khoảng vài trăm km) nên không thể biểu diễn đủ chi tiết các đặc trưng khí hậu của

khu vực và địa phương như khí hậu gió mùa thống trị, địa hình và hệ sinh thái phức

tạp, đặc biệt là tác động mạnh mẽ của con người. Trong dự án nghiên cứu DBKH

của Giorgi và Hewitson [Christensen vcs., 2007] tại IPCC, một tổ hợp 21 mô hình

GCM được xây dựng để mô phỏng khí hậu toàn cầu đã chỉ ra rằng sai số nhiệt độ và

22

lượng mưa trung bình trên từng khu vực so với quan trắc thể hiện một cách có hệ

thống (Hình 1.2). Nhiệt độ mô phỏng thấp hơn còn giáng thủy lại mạnh hơn so với

thực tế trên tất cả các khu vực trong hầu hết các mùa. Đối với hầu hết các khu vực,

sai số nhiệt độ của từng mô hình riêng lẻ thường biến đổi từ 6 đến 7oC, ngoại trừ

trên khu vực Đông Nam Á sai số này giảm còn 3,6oC. Sai số lượng mưa ở Đông

Nam Á, Nam Á và Trung Á thấp hơn -10%, sai số lớn hơn ở Bắc Á và Đông Á,

khoảng +23% và rất lớn ở cao nguyên Tây Tạng (+110%). Cần lưu ý là ở đây sai số

là độ lệch giữa nhiệt độ hoặc lượng mưa trung bình trên toàn khu vực của mô hình

và số liệu tái phân tích, trong khi đó độ phân giải của GCM thô nên có rất ít các nút

lưới trong mỗi khu vực dẫn đến làm trơn các trường và sai số không lớn. Nếu xét ở

quy mô địa phương hơn thì sai số sẽ lớn hơn.

Hình 1.2: Sai số hệ thống của nhiệt độ không khí bề mặt (oC) và giáng thủy (%) trong giai đoạn 1961-1990 của các thử nghiệm sử dụng mô hình AOGCM của CSIRO Mk2,

CCSR/NIES, ECHAM/OPYC, CGCM1 (tổ hợp 3 thành phần) và HadCM2 (4 thành phần). Số liệu quan trắc từ New vcs. (1999a, b). (Trích dẫn từ Giorgi và Francisco, 2000).

23

Mặc dù sản phẩm của GCM không đủ chi tiết và chính xác đối với DBKH

khu vực nhưng có thể được sử dụng làm đầu vào cho các mô hình khí hậu khu vực.

Do đó, trong thập kỷ 90 của thế kỷ XX, các mô hình khu vực hạn chế (LAM) đã

được áp dụng vào nghiên cứu khí hậu khu vực thông qua kỹ thuật “lồng ghép” một

chiều [Giorgi và Mearns, 1991; McGregor, 1997] trong đó các điều kiện ban đầu và

điều kiện biên xung quanh (LBC) cần để chạy LAM được cung cấp bởi số liệu tái

phân tích toàn cầu hoặc từ sản phẩm dự báo của GCM [Giorgi và Bi, 2000]. Khi

được sử dụng để DBKH, LAM thường chỉ các mô hình khí hậu khu vực.

Theo tài liệu của Marshall và Henson (1997), vào cuối những năm 1980,

Filippo Giorgi (Giám đốc Điều hành Trung tâm Vật lý về thời tiết và khí hậu thuộc

Chương trình Khoa học của ICTP, Italia) cùng cộng sự đã cho ra đời mô hình

RegCM, mô hình kết hợp giữa mô hình khí hậu cộng đồng CCM của NCAR và mô

hình quy mô vừa phiên bản 4 (MM4) của NCAR. Bản thân RegCM đã được chứng

minh là một công cụ linh hoạt, có thể được dùng để nghiên cứu khí hậu quá khứ,

hiện tại và tương lai trên các khu vực khác nhau bao gồm các bang trên lục địa

Châu Mỹ, Châu Âu, Châu Phi, Đông Á, Úc và biển Ả Rập. Fillippo nói “Mô hình

hóa khí hậu khu vực thực sự là bước đi tiên phong của NCAR. Khi chúng tôi bắt

đầu, chưa có ai làm trước đó. Bây giờ, hầu hết các phòng nghiên cứu trên toàn thế

giới và rất nhiều viện nghiên cứu nhỏ hơn bao gồm cả các nước đang phát triển đều

đang sử dụng nó”. Ngoài RegCM, trên thế giới còn nghiên cứu các mô hình RCM

như mô hình REMO (REgional MOdel) được phát triển dựa trên mô hình dự báo

thời tiết của Cục thời tiết Đức, mô hình CHRM (Climate High Resolution Model)

được phát triển từ mô hình dự báo thời tiết phân giải cao HRM phiên bản 1.6 cũng

của Cục thời tiết Đức, mô hình CRCM (Canadian Regional Climate Model) được

phát triển ở Canađa, mô hình CMM5 phát triển từ mô hình dự báo thời tiết quy mô

vừa MM5, mô hình CWRF có gốc từ mô hình dự báo thời tiết WRF, ...

Do phát triển từ mô hình dự báo thời tiết, các mô hình RCM cũng cần điều

kiện ban đầu và điều kiện biên xung quanh để tích phân giải hệ phương trình

nguyên thủy. Điều kiện ban đầu có thể là tập hợp giá trị các biến tại thời điểm bắt

24

đầu tích phân hoặc giá trị trung bình khí hậu của chúng. Tuy nhiên, sau một thời

gian tích phân, điều kiện ban đầu sẽ bị “quên” đi trong khi điều kiện biên xung

quanh được cập nhật theo thời gian từng 6 giờ hoặc 3 giờ một thông qua vùng đệm.

Chính vì vậy điều kiện biên xung quanh rất quan trọng đối với RCM và người ta

thường nói DBKHKV là “bài toán điều kiện biên xung quanh” trong khi điều kiện

ban đầu rất quan trọng đối với dự báo thời tiết với hạn dự báo 1-3 ngày nên “dự báo

thời tiết là bài toán điều kiện ban đầu”. Tùy theo mục đích mô phỏng hay dự báo

khí hậu khu vực mà điều kiện ban đầu và điều kiện biên xung quanh của RCM được

cập nhật từ số liệu tái phân tích của quan trắc hay từ dự báo của GCM.

Để dự báo khí hậu khu vực cho tương lai, RCM được chạy với điều kiện

ban đầu và điều kiện biên là sản phẩm dự báo của các GCM. Khi đó, sai số trong

hoàn luu quy mô lớn của GCM sẽ được truyền vào RCM. Điều này đã được trình

bày rõ ràng trong nghiên cứu của Noguer vcs. (1998). Tuy nhiên, sai số hệ thống

trung bình khu vực vẫn giảm hầu như khoảng 2oC đối với nhiệt độ và 50-60% đối

với giáng thủy [Giorgi và Marinucci, 1996b; Noguer vcs., 1998; Jones vcs., 1999 ở

Châu Âu; Giorgi vcs., 1998 ở lục địa Châu Mỹ; McGregor vcs., 1998 ở Đông Nam

Á; Kato vcs., 2001 ở Đông Á]. Sai số hệ thống giảm có thể là do trường điều kiện

biên quy mô lớn tốt hơn hoặc do bản thân vật lý và động lực nội tại của RCM được

cải thiện. Trong tất cả các thử nghiệm của Leung vcs. (1999), Laprise vcs. (1998),

Christensen vcs. (1998) và Machenhauer vcs. (1998) đều cho thấy rõ rằng phân bố

không gian của các trường của RCM đều phù hợp với thực tế hơn GCM vì đã biểu

diễn được các tác động địa hình và tương phản đất-biển với độ phân giải cao hơn.

Nhưng sai số hệ thống trung bình miền của RCM lồng trong GCM không phải lúc

nào cũng nhỏ hơn sai số của bản thân GCM điều khiển nó. Tương tác giữa số liệu

điều khiển quy mô lớn và các tác động độ phân giải cao RCM có thể có hiệu ứng

âm. Ví dụ như khi tăng độ phân giải có thể biểu diễn địa hình núi cao tốt hơn trong

RCM nhưng lại làm tăng cường các điều kiện quá khô và nóng trong mùa hè ở phía

đông nam Châu Âu vốn đã không được GCM dự báo chính xác [Machenauer vcs.,

1998]. Tuy vậy, thông thường thì RCM sẽ cho sai số hệ thống thấp hơn GCM vì độ

25

phân giải ngang đặc biệt quan trọng, nhất là đối với mô phỏng chu trình thủy văn.

Christensen vcs. (1998) chỉ ra rằng chỉ có độ phân giải rất cao biểu diễn dải núi ở

Nauy và Thụy Điển mới có thể mô phỏng đủ tốt quá trình thủy văn bề mặt (xem

Hình 1.3).

Hình 1.3: Dòng chảy mùa hè ở Thụy Điển, (a) tính toán từ mô hình thủy văn, sử dụng

quan trắc mưa và dòng chảy tại trạm [Raab và Vedin, 1995]; (b) mô phỏng của GCM; (c) mô phỏng của RCM độ phân giải 55km; (d) mô phỏng của RCM độ phân giải 18km. Đơn

vị dòng chảy mặt là mm. (Trích dẫn từ Christensen vcs., 1998).

Hiện nay có rất ít dẫn chứng về kỹ năng của RCM được điều khiển bằng

GCM. Tại quy mô mùa, diễn biến thời gian và vị trí của các đặc trưng khí hậu khu

vực có thể được tái tạo tốt bằng RCM so với GCM [Fu vcs., 1998; Sun vcs., 1999;

Bhaskaran vcs., 1998; Hassell và Jones, 1999]. Tại quy mô thời gian ngắn hơn như

quy mô ngày, một số nghiên cứu chỉ ra rằng RCM lồng trong GCM có xu hướng

mô phỏng quá nhiều sự kiện mưa nhỏ so với số liệu quan trắc [Christensen vcs.,

1998; Dai vcs., 1999; Kato vcs., 2001]. Tuy nhiên, RCM tạo ra các sự kiện mưa lớn

thực tế hơn so với GCM, đôi khi tái tạo được các cực trị hoàn toàn không có trong

GCM [Christensen vcs., 1998; Jones, 1999]. Một phần lý do là RCM phân giải cao

hơn không làm cho lượng mưa bị giảm đi khi tính trung bình cho ô lưới rộng như

trong GCM. RCM cũng có thể dự báo được các đặc trưng hoàn lưu vốn không giải

được bằng GCM (xem Hình 1.4) theo tổng hợp của Giorgi (2006) về kỹ năng của

các RCM. Nói tóm lại, việc lồng RCM vào mô hình toàn cầu là cần thiết để dự báo

chi tiết hơn và thường là tốt hơn các hiện tượng quy mô khu vực và địa phương.

26

GCM RCM

Hình 1.4: RCM có thể dự báo được các đặc trưng hoàn lưu vốn không giải được bởi

GCM. Ví dụ trong trường hợp dự báo xoáy thuận nhiệt đới [Giorgi, 2006].

Để mô phỏng khí hậu trong quá khứ trong các nghiên cứu kiểm nghiệm

kỹ năng của RCM, điều kiện ban đầu và điều kiện biên xung quanh được lấy từ

số liệu tái phân tích các số liệu quan trắc. Khi đó, giả thiết dự báo toàn cầu là

“hoàn hảo”. Với điều khiển thực như vậy, động thái của RCM sẽ mô phỏng gần

nhất có thể so với trạng thái thực của khí quyển. Do đó, có thể đánh giá được sai số

hệ thống chủ yếu do động lực và vật lý nội tại của mô hình. Xem Phụ lục A 1 và

Phụ lục A 2 về các mô hình RCM nhận điều kiện ban đầu và điều kiện biên từ số

liệu tái phân tích và từ sản phẩm của các GCM. Như đã thấy, rõ ràng là các thử

nghiệm dự báo khí hậu ít hơn hẳn so với nghiên cứu mô phỏng khí hậu bởi vì đối

với từng khu vực khác nhau, trong các mùa khác nhau, mỗi mô hình RCM đều có

điểm mạnh và điểm yếu nhất định nên cần khảo sát chi tiết để chọn được mô hình

thích hợp nhất. Những nghiên cứu ứng dụng RCM được trình bày dưới đây đều

hướng tới mục đích dự báo khí hậu nhưng hầu hết vẫn là những thử nghiệm mô

phỏng khí hậu hạn mùa và nhiều năm.

1.1.2. Những nghiên cứu ứng dụng RCM vào dự báo khí hậu khu vực

Hiện tại, các RCM có thể chạy mô phỏng và dự báo nhiều tháng, nhiều mùa

thậm chí nhiều năm, không như trước đây vào những năm 1980, LAMs chỉ có thể

27

chạy mô phỏng vài ngày [Giorgi và Mearns, 1999]. Thực sự thì đề xuất ban đầu của

Dickinson vcs. (1989) là chỉ sử dụng các tổ hợp mô phỏng hạn 3-5 ngày để mô hình

hoá khí hậu. Ngày nay, độ dài ngưỡng điển hình của một mô phỏng khí hậu là 1

tháng và “hạn dài” nghĩa là mô phỏng tháng/mùa đến thập kỷ/nhiều năm.

Bằng mô phỏng khí hậu liên tục 20 năm cho khu vực phía tây nước Mỹ, sử

dụng mô hình quy mô vừa MM5, độ phân giải 40km, Leung và Ghan (1999) chỉ ra

rằng mô hình RCM dựa trên MM5 có khả năng tái tạo giáng thủy của khu vực với

sai số hệ thống thường dương trên khu vực đồng bằng và âm trên khu vực núi và sai

số hệ thống nhiệt độ dương, thường bằng 3oC, đặc biệt là dọc theo bờ biển tây bắc

và các khu vực núi. Khả năng mô phỏng hạn dài của RCM cũng được chứng minh

trong nghiên cứu của Jiao vcs. (2006) trong đó tác giả sử dụng mô hình RCM của

Canada thế hệ 3 là CRCM để tích phân 5 năm từ 1987-1991 cho khu vực Bắc Mỹ

và dành sự quan tâm đặc biệt tới các quá trình tham số hóa vật lý có liên quan đến

hơi nước như sơ đồ đối lưu thông lượng khối. Ngoài ra, có thể thấy những nhận xét

khả quan về khả năng của RCM trong DBKH khu vực trong nhiều nghiên cứu khác

như của Duffy vcs. (2006), Bergant vcs. (2006), Zhu vcs. (2007),… Trong nghiên

cứu của Zhu vcs. (2007) khẳng định mô hình khí hậu khu vực CMM5, được xây

dựng dựa trên mô hình thế hệ thứ 5 của PSU NCAR MM5, có khả năng mô phỏng

biến trình năm của lượng mưa và nhiệt độ bề mặt trên nước Mỹ trong thời gian 20

năm, từ 1982-2002. Phân tích EOF và tương quan Canon chứng minh rằng CCM5

biểu diễn được phân bố không gian, tiến triển theo thời gian và mối liên hệ xa với

hoàn lưu tốt hơn nhiều so với số liệu dùng làm đầu vào…

Để dự báo khí hậu hạn mùa cho 15 mùa đông và 15 mùa hè khu vực Bắc Mỹ,

Fennessy vcs. (2000) đã sử dụng mô hình NCEP ETA, độ phân giải 80km. Kết quả

cho thấy mô hình RCM ETA lồng trong mô hình toàn cầu làm giảm sai số hệ thống

của lượng mưa mùa so với kết quả của GCM. Một ví dụ khác là RCM với độ phân

giải 60km hoặc 10km lồng trong mô hình GCM lưới co giãn (stretched) chạy mô

phỏng nhiều năm (1987-1997) cho khu vực nước Mỹ được thực hiện bởi Micheal

vcs. (2005). Kết quả phân tích lượng mưa trung bình năm và phương sai cho thấy tổ

28

hợp đã tái tạo được rất nhiều đặc trưng quan trắc của số liệu mưa quan trắc được

phân tích về lưới 0.5 x 0.5 độ. Sai số thường gặp trên các khu vực có địa hình phức

tạp và nơi có tương phản đất-biển rõ tại các vùng duyên hải.

Nhìn chung trong nhiều nghiên cứu tại Mỹ, nơi ra đời và phát triển trong

nhiều năm qua, RCM đã được chứng minh là có khả năng mô phỏng và dự báo khí

hậu khu vực hạn mùa và nhiều năm mặc dù vẫn gặp phải sai số so với thực tế, tùy

thuộc vào từng mô hình, từng khu vực và từng mùa riêng biệt. Do đó, RCM đã được

nhiều Trung tâm và Viện nghiên cứu trên toàn thế giới sử dụng để nghiên cứu dự

báo gió mùa. Châu Á là khu vực gió mùa điển hình nhất trên thế giới nên các nhà

khí hậu học Ấn Độ, Trung Quốc, Hàn Quốc, Nhật Bản, … đã đầu tư nhiều dự án,

lập các phòng nghiên cứu để phát triển mô hình RCM cho riêng khu vực của mình.

Một trong những nghiên cứu kiểm nghiệm khả năng của RCM trong mô

phỏng khí hậu hạn mùa Đông Á là của Liu, Giorgi và Washington (1994). Các tác

giả này đã sử dụng mô hình RegCM, gốc từ PSU/NCAR, để thử nghiệm mô phỏng

gió mùa mùa hè Đông Á từ tháng 6 đến tháng 8 năm 1990. Hoàn lưu gió mùa, giáng

thủy và nhiệt độ mặt đất nhìn chung phù hợp với quan trắc mặc dù mô hình phần

nào mô phỏng lạnh và khô hơn. Xu thế này cũng tương tự như các kết quả mô

phỏng bởi RegCM trên khu vực khác (Mỹ, Châu Âu, Châu Phi) như đã đề cập ở

trên. Hơn nữa, RegCM có thể biểu diễn được các trung tâm mưa lớn và nhiệt độ cực

đại địa phương do ảnh hưởng của địa hình, mô phỏng được đường đi của các cơn

bão nhiệt đới xuất hiện trong thời gian mô phỏng và độ ẩm đất gần với thực. Small

vcs. (1999) cũng cho thấy khả năng mô phỏng trạng thái trung bình và biến đổi năm

của giáng thủy trên khu vực Trung Á của RegCM. Đối với gió mùa trên bán đảo

Triều Tiên, Im vcs. (2006) đã chạy thử nghiệm RegCM3 để mô phỏng nhiệt độ bề

mặt và giáng thủy cho khu vực này. Kết luận rút ra là nhiệt độ mô phỏng có sai số

hệ thống âm, đặc biệt trên các khu vực núi trong mùa hè. Lượng mưa mùa hè phụ

thuộc chủ yếu vào khả năng mô phỏng những hiện tượng đối lưu mùa hè riêng lẻ và

các cơn bão nhiệt đới hơn là tác động của địa hình.

29

(a) Lượng mưa trung bình mùa hè (tháng 6,7,8) của quan trắc

(b) Lượng mưa trung bình mùa hè (tháng 6,7,8) của RegCM3

(c) Nhiệt độ bề mặt trung bình mùa hè

(tháng 6,7,8) của quan trắc

(d) Nhiệt độ bề mặt trung bình mùa hè (tháng 6,7,8) của RegCM3

Hình 1.5: Khả năng mô phỏng lượng mưa và nhiệt độ khu vực Tây Á của

RegCM3 trung bình trong thời kỳ từ 1987-2000 [Giorgi, 2006]. (a) Lượng mưa trung bình mùa hè (tháng

6,7,8) của quan trắc

(b) Lượng mưa trung bình mùa hè (tháng 6,7,8) của RegCM3

(c) Nhiệt độ bề mặt trung bình mùa hè

(tháng 6,7,8) của quan trắc

(d) Nhiệt độ bề mặt trung bình mùa hè (tháng 6,7,8) của RegCM3

Hình 1.6: Khả năng mô phỏng lượng mưa và nhiệt độ khu vực Đông Á của

RegCM3 trung bình trong thời kỳ từ 1987-2000 [Giorgi, 2006].

30

Giorgi (2006) đã tổng hợp kết quả và đánh giá khả năng mô phỏng lượng

mưa và nhiệt độ của RegCM trên các lục địa Châu Âu, Châu Mỹ, Châu Phi và Châu

Á trong thời kỳ từ 1987-2000. Riêng Châu Á, các nghiên cứu thường chia thành

khu vực Tây Á và Đông Á và chủ yếu tập trung mô phỏng gió mùa mùa hè. Sơ đồ

tham số hóa đối lưu sử dụng trong các nghiên cứu này là sơ đồ Grell (1993) với giả

thiết khép kín của Fritsch-Chappell nên giáng thủy mô phỏng thường cao hơn thực

tế trong khi nhiệt độ bề mặt của mô hình thấp hơn thực tế (Hình 1.5 và Hình 1.6).

Đối với khu vực Tây Á, mở rộng từ 45-107E, 0-45N, RegCM3 có xu hướng tái tạo

lượng mưa trung bình mùa hè cao hơn thực tế trên bờ tây và nam Ấn Độ, trên vịnh

Bengal, phía nam cao nguyên Tây Tạng và Burma, trong khi lượng mưa mô hình

thấp hơn quan trắc ngay trên Ấn Độ Dương xích đạo và bán đảo Đông Dương (Hình

1.5 a và b). RegCM3 không tái tạo tốt nguồn giáng thủy từ Ấn Độ Dương đi lên

phía bắc vào vịnh bởi vì gió của RegCM3 có xu hướng vĩ hướng hơn thực tế, đưa

nguồn ẩm từ vùng biển Ả Rập vào Ấn Độ và Burma. Nhiệt độ mô phỏng của

RegCM3 thường thấp hơn thực tế trên đất liền và cao hơn thực tế trên Ấn Độ

Dương (Hình 1.5 c và d). Đối với khu vực Đông Á, mở rộng từ 70-150E, 10-50N,

RegCM3 có xu hướng tái tạo nhiệt độ bề mặt trung bình mùa hè tương tự khu vực

Tây Á (Hình 1.6 c và d) nhưng lượng mưa mô hình nói chung thường cao hơn thực

tế. Việc thu hẹp biên phía tây từ 45E (của miền tính cho khu vực Tây Á) vào 70E

(của miền tính cho khu vực Đông Á) đã làm cho giáng thủy giảm trên vịnh Bengal

nhưng tăng cường trên bán đảo Đông Dương (Hình 1.6 a và b).

Năm 1999, Leung vcs. (1999) đã thử nghiệm RCM với các tham số hóa vật

lý khác nhau để tìm hiểu khả năng mô phỏng các sự kiện lũ cực trị trong mùa hè

năm 1991 ở Đông Á. Các thành phần động lực của RCM trong các trường hợp thử

nghiệm là như nhau, chỉ có sơ đồ tham số hóa mây, sơ đồ bức xạ, vận chuyển rối và

các quá trình bề mặt là khác nhau. So sánh các kết quả mô phỏng cho thấy tất cả các

trường hợp đều tái tạo tốt các điều kiện sinh lũ mặc dù mỗi trường hợp tái tạo dải

mưa quan trắc khác nhau và các thử nghiệm đều cho thấy kết quả mô phỏng nhạy

nhất đối với tham số hóa đối lưu. Một số nghiên cứu khác về độ nhạy của RegCM

31

đối với tham số hóa đối lưu trên khu vực ĐNA như Ratnam vcs. (2005), Yang vcs.

(2002), Yanju vcs. (2006), ... được xem xét kỹ hơn trong phần lựa chọn sơ đồ tham

số hóa đối lưu của chương 3 để tiện theo dõi. Ngoài tham số hóa đối lưu, kết quả

mô phỏng của RegCM cũng nhạy đối với biểu diễn các quá trình bề mặt và bức xạ.

Francisco (2006) cũng sử dụng mô hình RegCM để thử nghiệm mô phỏng mưa mùa

hè ở Phillipines. Các thử nghiệm độ nhạy được thực hiện với số liệu đầu vào khác

nhau (NCEP và ERA40) và sơ đồ thông lượng khối qua bề mặt đại dương (BATS

và Zeng) được chạy cho 5 mùa hè. Đối chiếu các kết quả với quan trắc thực tế, tác

giả kết luận rằng số liệu ban đầu của ERA40 và sơ đồ thông lượng khối đại dương

BATS thích hợp hơn cả đối với mô phỏng giáng thủy của Phillipines. Giorgi và

Mearns (1999) mô phỏng chu trình mùa của gió mùa mùa hè trên Đông Á và độ

nhạy của RegCM đối với quá trình bức xạ và các quá trình bề mặt; Li và Yanai

(1996) mô tả rằng biến đổi mùa của gió mùa mùa hè Châu Á rõ ràng có liên quan

với biến đổi của tương phản nhiệt giữa lục địa Âu Á với Thái Bình Dương và Ấn

Độ Dương. Ueda và Yasunari (1998) chỉ ra rằng tương phản nhiệt giữa cao nguyên

Tây Tạng và Ấn Độ Dương xích đạo có lẽ tác động tới sự mở rộng về phía đông của

dòng xiết gió mùa mực thấp và sự bùng phát gió mùa Đông Nam Á bao gồm sự

khởi đầu của gió mùa trên biển Nam Trung Hoa; Kato vcs. (1999) xem xét khả năng

mô phỏng khí hậu tháng 6 và tháng 1 của Đông Á của RegCM với tác động của độ

phân giải; Qian và Giorgi (1999) tìm hiểu tương tác giữa mô hình khí hậu khu vực

và mô hình sol khí sulfat trên khu vực Đông Á…

Như vậy, có thể thấy trong rất nhiều nghiên cứu ở Châu Á về gió mùa mùa

hè, hầu hết các tác giả đều ứng dụng nguyên bản mô hình khí hậu khu vực RegCM

của NCAR với các thế hệ khác nhau. Sự khác nhau giữa các nghiên cứu chỉ là miền

tính, độ phân giải và thay đổi một vài tham số trong các sơ đồ có sẵn của RegCM.

Kết luận từ các nghiên cứu đều khẳng định khả năng mô phỏng của RegCM và đề

xuất một bộ thông số thích hợp nhất đối với khu vực nghiên cứu, nhưng cũng đều

chỉ ra xu hướng mô phỏng nhiệt độ và lượng mưa thấp hơn thực tế. Hiện nay, khi

Trái đất có xu thế nóng dần lên và các hiện tượng cực trị thường xuyên xảy ra thì

32

khả năng dự báo của RegCM cần phải được cải thiện. Vì vậy, bài toán DBKHKV

đối với Châu Á nói chung và ĐNA vẫn cần nhiều đầu tư nghiên cứu trong tương lai.

Đặc biệt, nghiên cứu riêng cho gió mùa ĐNA vẫn là một lĩnh vực còn nhiều mới

mẻ, chưa được khai thác nhiều. Như đã thấy, các nghiên cứu ở trên hầu hết là của

các nước Đông Á phát triển như Nhật Bản, Hàn Quốc và Trung Quốc. Những

nghiên cứu trên khu vực ĐNA rất ít, ví dụ như Phillipines, Indonexia, … và hầu

như chỉ tham gia một phần nhỏ trong các Dự án nghiên cứu gió mùa Châu Á. Nhất

là Việt Nam, với khí hậu nhiệt đới gió mùa phức tạp vào bậc nhất Châu Á, nhưng

cũng mới tiếp cận phương pháp mô hình hóa khí hậu trong khoảng chục năm gần

đây và chưa có nghiên cứu ứng dụng nào rõ rệt. Sau đây là một số công trình nghiên

cứu về DBKH ở Việt Nam từ trước tới nay.

1.2. Tình hình nghiên cứu trong nước

Ở Việt Nam, tại Trung tâm dự báo Khí tượng thủy văn Trung Ương và Viện

Khoa học nghiên cứu Khí tượng thủy văn, trong những năm trước đây, hầu hết đều

sử dụng phương pháp thống kê để DBKH hạn vừa và hạn dài và các kết quả dự báo

chủ yếu là nhiệt độ và lượng mưa cao hơn hay thấp hơn trung bình nhiều năm và

xác suất xảy ra. Một số nghiên cứu điển hình là của Nguyễn Duy Chinh (2002,

2003) ứng dụng các mô hình toán thống kê hồi quy bội tuyến tính, hồi quy từng

bước và phân tích phân lớp để dự báo nhiệt độ và lượng mưa tháng dựa trên số liệu

SST ở các vùng NINO, trên biển Đông và vịnh Bengal, chỉ số dao động nam SOI;

tương tự, Lương Văn Việt, (2006) dự báo mưa, nhiệt và ẩm cho khu vực Nam Bộ

bằng phương pháp hồi quy từng bước với nhân tố dự báo là các chỉ số giám sát

ENSO và các hệ số khai triển trường SST theo đa thức Chebyshev; Nguyễn Văn

Thắng vcs., (2001, 2006) ứng dụng các phương pháp thống kê lên số liệu tái phân

tích của GCM, sử dụng các bản đồ đường đẳng trị giá trị hệ số tương quan để xác

định khu vực và thời gian trễ của các trường nhân tố dự báo sau đó xây dựng hàm

hồi quy từng bước để dự báo nhiệt độ, mưa, số lần xuất hiện KKL, nắng nóng;

Nguyễn Đức Hậu và Phạm Đức Thi (2002) đã xây dựng mô hình dự báo hạn ở 7

33

vùng Việt Nam từ mối quan hệ giữa nhiệt độ mặt nước biển với chỉ số Sa.I và từ đó

Nguyễn Đức Hậu (2007) đã đánh giá khả năng dự báo hạn hán và xây dựng mô

hình dự báo hạn hán cho khu vực Nam Trung Bộ và Tây Nguyên; …

Phương pháp mô hình hoá mới bắt đầu được quan tâm nghiên cứu ở Việt

Nam trong khoảng chục năm trở lại đây trong đó những nghiên cứu điển hình nhất

là nghiên cứu của Kiều Thị Xin, Phan Văn Tân (Trường Đại học Khoa học Tự

nhiên, ĐHQGHN), Nguyễn Văn Thắng (Viện Khoa học Khí tượng thủy văn và Môi

trường),… Thử nghiệm mô phỏng mưa trên lãnh thổ Việt Nam bằng mô hình

DBKH khu vực RegCM của Kiều Thị Xin (2002) là một trong những kết quả đầu

tiên về mô phỏng khí hậu bằng mô hình số ở Việt Nam. Đề tài trong chương trình

NCCB cấp Nhà Nước năm 2004-2005 “Nghiên cứu mô phỏng các hiện tượng khí

hậu bất thường hạn mùa trên khu vực Bán đảo Đông Dương – Biển Đông bằng mô

hình thủy động” cũng được thực hiện bởi Kiều Thị Xin vcs. (2005). Luận án thạc sỹ

của Nguyễn Đăng Quang (2004) về mô phỏng mưa trên khu vực bán đảo Đông

Dương và biển Đông là một trong những thành quả khoa học của đề tài này. Phan

Văn Tân (2003) đã có những thử nghiệm về độ nhạy của mô hình RegCM2 đối với

địa hình và điều kiện mặt đệm trong đề tài nghiên cứu khoa học của ĐHQGHN. Đề

tài này cũng đào tạo được một thạc sỹ nghiên cứu về ảnh hưởng của sự bất đồng

nhất bề mặt đến các quá trình trao đổi đất-khí quyển khi sử dụng RegCM2 và chỉ ra

rằng dòng năng lượng ẩn nhiệt, hiển nhiệt, lượng mưa, cường độ mưa và tỷ lệ giáng

thuỷ sinh ra do đối lưu và không đối lưu trong mô hình rất nhạy với những thay đổi

mặt đệm [Dư Đức Tiến, 2003]. Viện Khoa học Khí tượng thủy văn và Môi trường

cũng đã chạy thử nghiệm mô hình RegCM mô phỏng cho 2 tháng xảy ra lũ lụt lịch

sử ở Trung Trung Bộ, Việt Nam là tháng 11 năm 1999 và tháng 10 năm 2003 [Lê

Văn Thiện và Nguyễn Văn Thắng, 2004]. So sánh với quan trắc, RegCM có thể mô

phỏng được khu vực có lượng mưa lớn ở Trung Trung Bộ nhưng lượng mưa mô

phỏng thấp hơn nhiều so với thực tế. Về nhiệt độ, hầu hết các khu vực có nhiệt độ

thấp như Tây Bắc Bộ, Tây Nguyên đều được mô phỏng tốt. Tuy nhiên, ở miền Bắc

mô hình cho kết quả thấp hơn thực đo; riêng miền Trung và miền Nam thì mô hình

34

cho kết quả sát với thực tế hơn. Ngoài ra, Bộ Tài Nguyên và Môi Trường cũng đã

đề ra các nhiệm vụ khoa học công nghệ cấp nhà nước và cấp bộ và triển khai

Nghiên cứu biến động khí hậu đồng bằng sông Cửu Long và khả năng dự báo (Viện

Khoa học Khí tượng thủy văn và Môi trường, 2005-2006). Một số công trình nhằm

thực hiện nhiệm vụ này là của Vũ Thanh Ca (2006), Trần Việt Liễn vcs. (2006),

trong đó đều quan tâm tới các mô hình số trị nghiên cứu dự báo biến đổi khí hậu của

thế kỷ XXI cho các vùng thuộc lãnh thổ Việt Nam.

Trong những năm gần đây, các nhà khoa học Việt Nam đã tích cực tham gia

vào các Hội thảo Quốc tế về gió mùa Châu Á đồng thời tổ chức Hội thảo Quốc tế

tại Việt Nam để nâng cao trình độ chuyên môn nghiên cứu và dự báo khí hậu. Điển

hình là “Hội thảo Việt-Nhật về gió mùa Châu Á” đã diễn ra thành công vào tháng

8/2006 tại Hạ Long, Quảng Ninh với sự tham gia của các chuyên gia Nhật Bản, lãnh

đạo Bộ và các Vụ chức năng Bộ Tài nguyên và Môi trường, lãnh đạo Trung tâm

Khí tượng Thủy văn Quốc gia (KTTV) và các bộ phận chức năng, Đài Khí tượng

Cao không và đại biểu các Đài. Các thành viên đã thảo luận về những vấn đề về gió

mùa và dự báo gió mùa, những vấn đề về thủy văn và dự báo thủy văn; mạng lưới

trạm khí tượng thủy văn, hiện trạng công tác nghiên cứu khí tượng thủy văn và khí

hậu ở Việt Nam và khu vực gió mùa châu Á.

Với sự hợp tác Quốc tế ngày càng phát triển, trong tương lai gần, Việt Nam

đã có thể sử dụng mô hình khí hậu khu vực để DBKH ĐNA nói chung và Việt Nam

nói riêng. Tuy nhiên, với kỹ năng mô phỏng của RCM hiện tại, sai số vẫn là khá lớn

và sai số càng lớn hơn nếu đánh giá theo quan trắc tại trạm thay vì đánh giá trung

bình khu vực trên tất cả các điểm lưới như trước đây. Mặt khác, khi thẩm định kết

quả của RCM người ta nhận thấy RCM thường mắc sai số hệ thống âm đối với

nhiệt độ còn sai số lượng mưa biến đổi tùy mô hình và tùy khu vực. Do đó, hiệu

chỉnh kết quả sau mô hình, đã được biết đến như một phần của quá trình thống kê

sản phẩm mô hình số, ký hiệu là MOS, là cần thiết để có được kết quả cuối cùng tốt

nhất. Sau đây là một số nghiên cứu về phương pháp thống kê sản phẩm mô hình số.

35

1.3. Những nghiên cứu về thống kê hiệu chỉnh sản phẩm mô hình số

Phương pháp thống kê sản phẩm mô hình số MOS là quá trình cơ bản gồm 2

bước (1) tìm hiểu mối quan hệ thống kê giữa các biến khí hậu địa phương (ví dụ

như nhiệt độ bề mặt và giáng thủy) và các nhân tố quy mô lớn, và (2) áp dụng mối

quan hệ này cho sản phẩm dự báo của mô hình số để mô phỏng các đặc trưng khí

hậu khu vực. Khi các nhân tố quy mô lớn bao gồm cả biến khí hậu đó thì quá trình

này chính là hiệu chỉnh dự báo của mô hình số về quan trắc thực tế. Theo Climate

Change 2001 [172], phương pháp dự báo cho địa phương từ sản phẩm của mô hình

khí hậu toàn cầu hoặc mô hình khí hậu khu vực bằng phương pháp thống kê bắt

nguồn từ khí hậu synốp [Baur vcs., 1944; Lamb, 1972] và dự báo thời tiết bằng

phương pháp số [Klein và Glahn, 1974], nhưng hiện nay cũng được sử dụng rộng

rãi trong các ứng dụng khí hậu, từ tái tạo khí hậu lịch sử [Appenzeller vcs., 1998;

Luterbacher vcs., 1999] đến các bài toán biến đổi khí hậu. Một trong những tiện ích

của kỹ thuật này là không tốn kém, do đó có thể áp dụng cho nhiều thử nghiệm mô

hình số khác nhau. Nhưng yếu điểm lớn nhất của nó là giả thiết cơ bản không thể

kiểm nghiệm được, ví dụ như mối quan hệ thống kê tìm thấy trong khí hậu hiện tại

có giữ không đổi trước những tác động khác của khí hậu tương lai hay không?

Thêm nữa, số liệu dùng để xây dựng mối quan hệ thống kê có thể được lấy trên

những khu vực xa xôi hoặc trên địa hình phức tạp nên không đảm bảo chính xác.

Tuy vậy vẫn không thể phủ nhận tiện ích của phương pháp này trong việc cung cấp

thông tin địa phương chi tiết hơn từ dự báo của GCM hay RCM. Một loạt các mô

hình thực hiện theo phương pháp này có sử dụng phương pháp tương tự, hồi quy

hay mạng thần kinh nhân tạo đã được phát triển chủ yếu ở Mỹ, Châu Âu và Nhật

Bản, nơi có số liệu thực đo tốt hơn những nơi khác để kiểm tra mô hình. Sau khi đã

được xác định là tối ưu, các mô hình đã được sử dụng khá thành công trong việc tái

tạo các trường khí hậu bề mặt khác nhau. Phương pháp này thậm chí còn có thể hạ

xuống quy mô địa phương, ứng dụng trong dự báo các quá trình thủy văn. Những

nghiên cứu ứng dụng bao gồm Wilby (1998), Widmann vcs. (2002), Bardossy và

36

Plate (1992), Hewitson và Crane (1992), Wilson vcs. (1992), Hughes vcs. (1993)

….

Ứng dụng của phương pháp này vào hiệu chỉnh sản phẩm của RCM không

phong phú như khi dự báo cho địa phương từ sản phẩm trực tiếp từ GCM. Một

trong những nguyên nhân chính là người ta không muốn phải chạy dự báo bằng

GCM, sau đó bằng RCM và cuối cùng là sử dụng phương pháp thống kê sản phẩm

của RCM để dự báo cho từng địa phương. Nhưng thống kê trực tiếp từ sản phẩm

GCM không đảm bảo độ chính xác vì lưới của GCM quá thô. Ví dụ như toàn bộ

lãnh thổ Việt Nam có thể nằm gọn trong 1-2 ô lưới. Khi đó, xây dựng hàm hồi quy

cho hàng trăm điểm trạm từ chỉ 2-4 điểm lưới là không hợp lý. Nếu chỉ lồng một

RCM vào GCM thì gặp sai số như đã trình bày ở trên. Để giảm sai số, người ta có

thể lồng thêm 1-2 lưới con vào RCM, nghĩa là phải chạy thêm 1-2 mô hình RCM.

Vì vậy, cách thức lồng RCM vào GCM rồi hiệu chỉnh vẫn là cần thiết. Oh vcs.

(2004) đã hiệu chỉnh nhiệt độ trung bình ngày từ mô phỏng 10 năm (1992-2001)

của MM5 về nhiệt độ quan trắc tại 17 trạm bề mặt của Hàn Quốc. Nhiệt độ quan

trắc và mô phỏng đều được phân tích thành các thành phần chính (EOF), sau đó 1-2

thành phần chính đầu tiên được sử dụng để xây dựng phương trình HQTT . Sau khi

hiệu chỉnh, sai số trung bình quân phương đã giảm từ 4,03 độ (mùa đông) và 9,70

độ (mùa hè) xuống còn 2,16 độ và 1,45 độ tương ứng.

Trong những thử nghiệm này, mối quan hệ giữa nhân tố dự báo (sản phẩm

dự báo) và yếu tố dự báo (biến khí hậu địa phương hoặc khu vực) thường được coi

là tuyến tính. Trong khi đó, mối quan hệ thực sự có thể phức tạp hơn nhiều và cần

phải biểu diễn bằng hàm phi tuyến. Do đó, kết quả khi sử dụng phương pháp thống

kê HQTT có thể gặp phải sai số vì không biểu diễn đúng và đủ mối quan hệ giữa

nhân tố và yếu tố hồi quy. McGinnis (1994), Weichert và Burger (1998) đã từng so

sánh kết quả khi sử dụng phương pháp thống kê HQTT chuẩn và phi tuyến với cùng

GCM để dự báo lượng tuyết rơi và nhiệt độ trung bình, giáng thủy, áp suất hơi nước

tương ứng. Các kết quả cho thấy hạn chế của cách tiếp cận tuyến tính và khả năng

dự báo tốt hơn của hồi quy phi tuyến, trong trường hợp này là mạng thần kinh nhân

37

tạo (ANN). Efimov và Pososhkov (2006) hiệu chỉnh số liệu giáng thủy ngày từ hệ

thống tái phân tích toàn cầu về lượng giáng thủy quan trắc tại một số điểm địa lý

trên khu vực duyên hải của Biển Đen bằng ANN và nhận được phân bố giáng thủy

hợp lý hơn. ANN cũng được sử dụng để hiệu chỉnh dự báo xuất hiện giáng thủy trên

Nhật Bản [Koizumi, 1999] và cho kết quả tốt hơn so với hiệu chỉnh bằng HQTT.

Nhận xét cuối chương

Nói tóm lại, DBKH cho khu vực ĐNA vẫn là một lĩnh vực chưa được đầu tư

nghiên cứu thích đáng. Đối với khí hậu nhiệt đới gió mùa phức tạp của Việt Nam,

những nghiên cứu tiếp cận phương pháp mô hình hóa khí hậu cũng mới triển khai

trong khoảng chục năm gần đây và chưa có nghiên cứu ứng dụng nào rõ rệt. Tuy

nhiên, từ những nghiên cứu dự báo gió mùa Châu Á của các nước trên thế giới cho

thấy có thể áp dụng RCM vào mô phỏng và tiến tới dự báo khí hậu cho ĐNA và

Việt Nam. Nhưng do kỹ năng của RCM chưa hoàn chỉnh, RCM mới chỉ có thể tái

tạo các giá trị quan trắc trung bình với sai số dưới 2oC và từ 5-50% đối với lượng

giáng thủy và sai số lớn hơn nếu đánh giá cho từng khu vực nhỏ hơn, đặc biệt là các

phân vùng khí hậu hoặc các trạm quan trắc. Vì vậy, khi áp dụng cho ĐNA cần

nghiên cứu chi tiết hơn để cải thiện kết quả, có thể là những nghiên cứu độ nhạy về

miền tính, độ phân giải hay các tham số hóa vật lý. Sau đó thẩm định thống kê kết

quả của RCM và hiệu chỉnh theo phương pháp MOS để đưa về giá trị gần với quan

trắc hơn. Chương 2 tiếp theo trình bày các phương pháp nghiên cứu cụ thể được áp

dụng trong luận án.

38

Chương 2

PHƯƠNG PHÁP MÔ HÌNH HÓA KHÍ HẬU KHU VỰC VÀ PHƯƠNG PHÁP THỐNG KÊ SẢN PHẨM MÔ

HÌNH SỐ (MOS)

Trong chương này trình bày các phương pháp nghiên cứu sử dụng trong luận

án là (1) phương pháp mô hình hóa khí hậu khu vực và (2) phương pháp thống kê

hậu mô hình MOS bao gồm các cách thức đánh giá thống kê sản phẩm của mô hình

khí hậu và phương pháp luyện mạng thần kinh nhân tạo. Cuối cùng là nguồn số liệu

sử dụng trong luận án.

Mô hình hóa khí hậu khu vực là phương pháp lồng mô hình khu vực hạn chế

vào mô hình GCM và phân tích các kết quả nhận được từ GCM, thông qua tích

phân số học của hệ phương trình mô hình khu vực hạn chế trên lưới có độ phân giải

tinh hơn để suy luận ra tác động của trường GCM điều khiển đối với khu vực đó.

Toàn cầu

Lục địa Khu vực

Địa phương

Hình 2.1: Các quy mô không gian của mô hình khí hậu [Giorgi, 2006].

39

Hình 2.1 biểu diễn các quy mô không gian của mô hình khí hậu [Giorgi,

2006]. Từ mô hình GCM với quy mô toàn cầu có độ phân giải thô, vốn chỉ mô tả

được các quá trình vật lý quy mô synốp, có thể lồng vào đó mô hình RCM với quy

mô lục địa hoặc khu vực có độ phân tinh hơn để mô phỏng chi tiết hơn các quá trình

vật lý có quy mô vừa và nhỏ. Các mô hình thống kê có thể được “lồng" trực tiếp

vào GCM hoặc các RCM để mô tả các quá trình quy mô nhỏ hơn. Để hiểu rõ hơn về

mô hình hóa khí hậu khu vực, chúng tôi trình bày khá cụ thể về động lực và biểu

diễn vật lý trong mô hình RegCM3, cũng là mô hình được sử dụng trong luận án để

mô phỏng khí hậu hạn mùa cho khu vực ĐNA và Việt Nam. Đối với phương pháp

thống kê sản phẩm mô hình số, chúng tôi trình bày về phương pháp luyện mạng

thần kinh nhân tạo, bản chất là phương pháp hồi quy phi tuyến, được sử dụng trong

luận án để hiệu chỉnh sản phẩm của RegCM3.

2.1. Phương pháp mô hình hóa khí hậu khu vực ứng dụng vào mô hình RegCM3

Như chương 1 đã trình bày, một trong những mô hình khí hậu khu vực

thường được sử dụng để mô phỏng và dự báo gió mùa Châu Á là mô hình RegCM.

Trong luận án, chúng tôi quan tâm đến mô hình RegCM của NCAR, có nguồn gốc

từ mô hình quy mô vừa NCAR/MM4 xuất hiện vào những năm 80. Phần động lực

học của mô hình RegCM về cơ bản giống như của MM4, là mô hình sai phân hữu

hạn viết cho chất lỏng nén được với cân bằng thủy tĩnh trong hệ tọa độ thẳng đứng

sigma. Trong nghiên cứu khí hậu, các tác giả đã thay thế một số tham số hóa vật lý

của MM4, chủ yếu là trong vận chuyển bức xạ và vật lý đất, từ đó làm nên các thế

hệ phát triển RegCM. Luận án sử dụng phiên bản mới nhất RegCM3 được phát

triển ở ICTP. Sau đây trình bày phần biểu diễn động lực và vật lý trong RegCM3,

được tham khảo chủ yếu từ Elguindi vcs. (2003) và Kiều Thị Xin vcs. (2006).

2.1.1. Động lực học

Các phương trình trong mô hình RegCM3 được xây dựng cho hệ tọa độ

thẳng đứng thủy tĩnh theo địa hình, ký hiệu là σ, được định nghĩa bởi

40

( ) /( )t s tp p p p= − −σ trong đó p là áp suất, pt là áp suất tại đỉnh mô hình, được cho

bằng hằng số và ps là áp suất tại mặt đất. σ bằng 0 tại đỉnh và bằng 1 tại mặt đất,

mỗi mực mô hình được xác định bởi một giá trị của σ. Thông thường, độ phân giải

trong lớp biên tinh hơn lớp trên và số các mực thay đổi tuỳ yêu cầu người sử dụng.

Trong RegCM3, lưới ngang có dạng xen kẽ - B Arakawa-Lamb đối với các

biến vận tốc và các biến vô hướng (Hình 2.2). Các biến vô hướng (T, q, p,…) được

xác định tại trung tâm các ô lưới trong khi các thành phần tốc độ gió hướng đông

(u) và hướng bắc (v) được xác định tại các góc. Điểm trung tâm ký hiệu là dấu nhân,

điểm góc ký hiệu là dấu tròn. Tất cả các biến này được xác định tại trung tâm của

mỗi lớp thẳng đứng, gọi là các mực phân. Vận tốc thẳng đứng được thực hiện trên

mực nguyên.

Hình 2.2: Lưới ngang dạng xen kẽ dạng B - Arakawa - Lamb của mô hình

RegCM3 [Elguindi vcs., 2003].

2.1.1.1. Các điều kiện ban đầu và điều kiện biên

Tùy theo mục đích mô phỏng hay dự báo mà điều kiện ban đầu và điều kiện

biên của mô hình được cung cấp bởi trường điều khiển là số liệu tái phân tích hoặc

trường dự báo của GCM. Điều kiện ban đầu cần thiết cho bước tích phân đầu tiên.

Đối với điều kiện biên, mô hình sẽ cập nhật phân tích (hay dự báo) sau từng khoảng

thời gian tích phân nào đó, có thể là từng 6h hoặc 3h. Số liệu ban đầu của RegCM3

còn bao gồm số liệu mặt đệm như loại đất phủ và thực vật, độ cao địa hình, nhiệt độ

41

mặt nước biển SST và các trường gió, nhiệt độ, độ ẩm trên các lưới kinh vĩ được nội

suy về lưới của mô hình bằng phương pháp nội suy tối ưu. Hình 2.3 là bức tranh

toàn cảnh về phương pháp lồng ghép mô hình RCM vào GCM trong đó trường điều

khiển quy mô lớn GCM truyền tác động vào miền con của RCM có độ phân giải

tinh hơn thông qua miền đệm nằm xen giữa.

Miền con, độ phân giải tinh hơn : RCM

Miền đệm

Trường điều khiển quy mô lớn : GCM

Hình 2.3: Lồng ghép mô hình RCM vào GCM bằng phương pháp động lực.

Điều kiện biên được cập nhật từ miền lớn vào miền tính nhỏ hơn thông qua

miền đệm xung quanh. Các phương pháp cập nhật biên bao gồm phương pháp cập

nhật biên cố định, biên biến đổi theo thời gian, biên giả và biên giảm dư. Trong đó,

biên cố định nghĩa là các giá trị của mọi trường tại các điểm lưới trên biên được giữ

cố định bằng giá trị của chúng tại bước thời gian đầu tiên của mô hình; biên biến

đổi theo thời gian nghĩa là các giá trị của các trường trên vùng đệm biên là tái phân

tích (hay dự báo) từ mô hình toàn cầu vào từng khoảng thời gian tương ứng; biên

giả được cho bởi biểu thức:

[ ]( ) 1 ( )n MC LS

w n w nt t t

∂ ∂ ∂⎛ ⎞ ⎛ ⎞ ⎛ ⎞= + −⎜ ⎟ ⎜ ⎟ ⎜ ⎟∂ ∂ ∂⎝ ⎠ ⎝ ⎠ ⎝ ⎠

trong đó n là khoảng cách từ biên gần nhất đến các điểm lưới, đối với các biến trên

nút dấu nhân thì n = 1, 2, 3, 4, đối với các biến trên nút tròn thì n = 1, 2, 3, 4, 5, n=1

42

ở trên biên; MC - xu thế tính được bởi mô hình, LS - xu thế quy mô lớn nhận được

từ phân tích hoặc từ mô phỏng của mô hình quy mô lớn. w(n) là trọng số, tính từ các

điểm trên biên trở vào trong. Đối với các biến trên nút dấu nhân w(n) lần lượt bằng

0; 0,4; 0,7 và 0,9 trong khi đối với các biến trên nút tròn w(n) bằng 0; 0,2; 0,55; 0,8

và 0,95. Tất cả các điểm khác trên miền thô có trọng số w(n) = 1. Cuối cùng, biên

giảm dư nghĩa là các giá trị dự báo của mô hình trên miền đệm tiến dần về giá trị

phân tích của quy mô lớn trên biên. Phương pháp này bao gồm các số hạng Newton

và số hạng khuếch tán ( ) ( )1 2 2( ) ( )LS MC LS MCn

F n F F n Ft

∂⎛ ⎞ = − − Δ −⎜ ⎟∂⎝ ⎠α α α α α với n =

2, 3, 4. F giảm dần tuyến tính từ biên xung quanh: ( ) (5 ) / 3F n n= − với n = 2, 3, 4

và ( ) 0F n = với n > 4; 1 1/(10 )F t= Δ và 22 /(50 )F s t= Δ Δ . Tiếp theo trình bày động

lực và các thành phần vật lý trong mô hình RegCM3 sử dụng trong luận án.

2.1.1.2. Hệ phương trình thống trị trong mô hình RegCM3

Hệ phương trình thống trị của RegCM3 trước hết bao gồm các phương trình

chuyển động ngang như sau:

* * * *2

** *

/ /

H V

p u p uu m p vu m p umt x y

pmp p fv F u F ux x

σσ

σ φρ

⋅⎛ ⎞∂ ∂ ∂ ∂

= − + −⎜ ⎟∂ ∂ ∂ ∂⎝ ⎠⎡ ⎤∂ ∂

− + + + +⎢ ⎥∂ ∂⎣ ⎦

(2.1)

* * * *2

** *

/ /

H V

p v p uv m p vv m p vmt x y

pmp p fu F v F vy y

σσ

σ φρ

⋅⎛ ⎞∂ ∂ ∂ ∂

= − + −⎜ ⎟∂ ∂ ∂ ∂⎝ ⎠⎡ ⎤∂ ∂

− + − + +⎢ ⎥∂ ∂⎣ ⎦

(2.2)

với u, v- các thành phần vận tốc hướng đông và hướng bắc, Tv - nhiệt độ ảo, φ -độ

cao địa thế vị, f - tham số Coriolis, R - hằng số khí đối với không khí khô, m - hệ số

bản đồ, .

( ) /d dt=σ σ , FH và FV biểu diễn tác động của khuyếch tán ngang và xáo

trộn thẳng đứng do rối lớp biên hoặc điều chỉnh đối lưu khô.

43

Phương trình đạo hàm của sigma .

( )σ :

* * * *

2 / /p p u m p v m pmt x y

σσ

⋅⎛ ⎞∂ ∂ ∂ ∂

= − + −⎜ ⎟∂ ∂ ∂ ∂⎝ ⎠ (2.3)

Tích phân thẳng đứng phương trình (2.3) được dùng để tính biến đổi theo thời gian

của áp suất mặt đất trong mô hình:

1* * *

2

0

/ /p p u m p v mm dt x y

⎛ ⎞∂ ∂ ∂= − +⎜ ⎟∂ ∂ ∂⎝ ⎠

∫ σ (2.4)

Khi đó, vận tốc thẳng đứng trong toạ độ sigma ( )σ⋅

được tính tại mỗi mực trong mô

hình nhờ tích phân thẳng đứng phương trình (2.4) như sau

* * *

2*

0

1 / / 'p p u m p v mm dp t x y

σ

σ σ⋅ ⎡ ⎤⎛ ⎞∂ ∂ ∂

= − + +⎢ ⎥⎜ ⎟∂ ∂ ∂⎝ ⎠⎣ ⎦∫ (2.5)

với σ’ là biến tích phân và ( 0) 0σ σ⋅

= = .

Phương trình nhiệt:

* * * *2

**

/ /

' H Vp p

p T p uT m p vT m p Tmt x y

p Qp F T F Tc c

σσ

ωρ

⋅⎛ ⎞∂ ∂ ∂ ∂

= − + − +⎜ ⎟∂ ∂ ∂ ∂⎝ ⎠

+ + +

(2.6)

với cp - nhiệt dung riêng đẳng áp đối với không khí ẩm cp = cpd (1 + 0.8qv), qv - tỷ số

hỗn hợp của hơi nước và cpd - nhiệt dung riêng đẳng áp của không khí khô; Q - đốt

nóng phi đoạn nhiệt.

Phương trình omega (ω) được viết:

*

* dppdt

ω σ σ⋅

= + (2.7)

với * * * *dp p p pm u v

dt t x y⎛ ⎞∂ ∂ ∂

= + +⎜ ⎟∂ ∂ ∂⎝ ⎠ (2.8)

44

Từ nhiệt độ ảo Tv, có thể tính độ cao địa thế vị nhờ sử dụng phương trình thuỷ tĩnh:

1

* 1ln( / ) 1

c iv

t v

q qRTp p q

−⎡ ⎤+∂

= − +⎢ ⎥∂ + +⎣ ⎦

φσ

(2.9)

trong đó Tv = T(1 + 0.608qv ), qv, qc và qi - các tỷ số hỗn hợp của hơi nước, nước

mây hoặc băng và nước mưa hoặc tuyết. Theo Dudhia (1989), các quá trình trong

pha băng xảy ra khi nhiệt độ dưới 0oC, khi đó nước mây trở thành băng mây và mưa

trở thành mưa tuyết. Các phương trình đối với ẩm dạng hơi qv, dạng lỏng qc và dạng

rắn qi tương ứng:

( )

* * * *2

*

/ /v v v v

RE CON H ID qv

p q p uq m p vq m p qmt x y

p P P P P D

⎡ ⎤∂ ∂ ∂ ∂= − + − +⎢ ⎥∂ ∂ ∂ ∂⎣ ⎦+ − − − − +

σσ (2.10)

( )

* * * *2

*

/ /c c c c

f cRE RC RA qc

p q p uq m p vq m p qmt x y

V gqp P P P D

⎡ ⎤∂ ∂ ∂ ∂= − + − +⎢ ⎥∂ ∂ ∂ ∂⎣ ⎦

∂− + + + +

∂

σσ

ρσ

(2.11)

( )

* * * *2

*

/ /i i i i

I D I I RC RA CON qi

p q p uq m p vq m p qmt x y

p P P P P P D

⎡ ⎤∂ ∂ ∂ ∂= − + − +⎢ ⎥∂ ∂ ∂ ∂⎣ ⎦+ + − − + +

σσ (2.12)

trong đó PRA - phần mây/băng tăng thêm nhờ nước mưa/tuyết, PRC - lượng nước

chuyển từ mây thành mưa (hoặc băng thành tuyết), PRE - bay hơi/thăng hoa của

mưa/tuyết, PCON - phần nước ngưng kết (và đóng băng khi T<0oC) của hơi nước

trong mây/băng và Vf - tốc độ rơi của hạt mưa/tuyết. Khi biểu diễn các quá trình

chuyển đổi của băng có thêm thành phần PI I - lượng tinh thể băng ban đầu và PI D -

thăng hoa/lắng đọng của băng mây. Trong tất cả các quá trình trên đều coi phân bố

kích thước của hạt mưa/tuyết là phân bố Marshall-Parmer và vận tốc rơi của các hạt

nhỏ có dạng ( ) bV D aD= trong đó D là đường kính của hạt. Tiếp theo là các thành

phần vật lý trong RegCM3.

45

2.1.2. Các thành phần vật lý trong RegCM3

Trong RegCM3 có tính đến các quá trình vật lý cơ bản bao gồm (1) đối lưu

trong khí quyển, (2) giáng thuỷ quy mô lưới, (3) trao đổi sinh quyển - khí quyển, (4)

bức xạ, (5) chuyển động rối trong lớp biên hành tinh, (6) trao đổi thông lượng đại

dương - khí quyển, (7) trao đổi giữa hồ - khí quyển và (8) vận chuyển các thành

phần hóa học, nhưng hai quá trình trao đổi thông lượng giữa hồ - khí quyển và vận

chuyển các thành phần hóa học chưa được xem xét đến trong luận án nên cơ sở lý

thuyết của chúng không được trình bày ở đây. Trước hết trình bày về sơ đồ tham số

hóa đối lưu mây tích, đây là thành phần được coi là rất quan trọng, có ảnh hưởng

nhiều nhất đến kết quả mô phỏng/dự báo của mô hình khí hậu.

2.1.2.1. Tham số hoá đối lưu mây tích trong RegCM3

Trong mô hình RegCM có một số tùy chọn sơ đồ tham số hóa đối lưu như sơ

đồ tham số hóa đối lưu kiểu Kuo [Kuo, 1974; Anthes, 1977], sơ đồ Grell [Grell,

1993], sơ đồ BMJ [Betts, Miller và Janjic, 1996] và sơ đồ MIT-Emanuel [Emanuel,

1995]. Ngoài ra, sơ đồ tham số hóa đối lưu Tiedtke [Tiedtke, 1989] là sơ đồ được

cài thêm vào mô hình RegCM3 để cải thiện kết quả mô phỏng. Ở đây trình bày về

một số sơ đồ tham số hóa đối lưu được thử nghiệm trong luận án.

+ Sơ đồ tham số hoá đối lưu kiểu Kuo của Anthes (1977)

Sơ đồ giả thiết giáng thuỷ bắt đầu khi hội tụ ẩm M trong cột không khí vượt

quá một giá trị ngưỡng cho trước và thám sát thẳng đứng là bất ổn định đối lưu.

Một phần β của hội tụ ẩm tổng cộng làm ẩm cột khí và phần còn lại chuyển thành

giáng thủy PCU.

(1 )CUP M β= −

β là hàm của độ ẩm tương đối trung bình thám sát:

2(1 ) 0,5

1 0,5

RH RH

RHβ

⎧ − ≥⎪= ⎨<⎪⎩

Lưu ý rằng ở đây, số hạng hội tụ ẩm chỉ bao gồm xu thế bình lưu của hơi

nước. Tuy nhiên, lượng hơi nước bay hơi trong bước thời gian trước đó được nhập

46

trực tiếp vào lượng hội ẩm của bước thời gian này vì nó có xu hướng làm ẩm tầng

thấp của khí quyển. Do đó, khi bốc thoát hơi tăng lên, càng nhiều ẩm chuyển thành

giáng thủy nếu cột khí bất ổn định. Đốt nóng ẩn nhiệt ngưng kết được phân bố giữa

lớp đỉnh và đáy mây theo prôfin đốt nóng thẳng đứng có dạng parabol nhất định, tạo

ra đốt nóng cực đại trong nửa trên của lớp mây.

+ Sơ đồ tham số hoá đối lưu của Betts-Miller-Janjic (1994)

Sơ đồ tham số hóa đối lưu của Betts-Miller-Janjic (BMJ) là sơ đồ kiểu hiệu

chỉnh. Trong sơ đồ này, các tác động quy mô dưới lưới của các đám mây đối lưu

được biểu diễn bằng cách hiệu chỉnh profile ẩm và nhiệt độ về cấu trúc tựa cân bằng

của đối lưu sâu và cấu trúc đường xáo trộn của đối lưu nông đã quan trắc được.

Sơ đồ tham số hóa đối lưu nông phải thỏa mãn một số tiêu chuẩn cho trước

như độ cao đỉnh mây phải thấp hơn 450mb để đảm bảo đối lưu nông không làm

thay đổi tầng đối lưu trên; độ dày mây lớn hơn 10mb và nhỏ hơn 290mb; độ dày

mây ít nhất phải chứa 2 mực mô hình. Nếu ba tiêu chuẩn trên không thoả mãn thì

nút lưới này được bỏ qua. Ngược lại, xác định đường xáo trộn là đường nối điểm

bão hòa của đáy mây và đỉnh mây. Profile nhiệt được điều chỉnh đơn giản là đường

nối nhiệt độ của mực mô hình nằm dưới đáy mây với nhiệt độ mực mô hình nằm

trên đỉnh mây. Đường này có độ nghiêng bằng độ nghiêng của đường xáo trộn. Sau

đó, profile được nối với các thám sát ở bên dưới chân mây và bên trên đỉnh mây.

Cuối cùng, profile nhiệt độ mới được biến đổi này được hiệu chỉnh để cho giải

phóng ẩn nhiệt bằng không, tức là không tạo ra giáng thuỷ. Profile ẩm được điều

chỉnh sao cho giáng thuỷ không tới được mặt đất, tức là giải phóng ẩn nhiệt thuần

túy do thay đổi ẩm bằng không, hoặc là lượng hơi nước tổng cộng trong mây không

thay đổi; sự thay đổi entropy tổng cộng do tham số hoá đối lưu nông phải là một đại

lượng dương nhỏ.

Theo sơ đồ tham số hoá đối lưu sâu của BMJ, đáy mây ít nhất phải nằm phía

trên mực mô hình thấp nhất (hoặc ít nhất là trên 25mb so với mực giữa của lớp thấp

nhất trong mô hình) và độ dày mây lớn hơn 290mb. Từ đáy mây đến mực đóng

băng môi trường, profile nhiệt độ được điều chỉnh sao cho có độ nghiêng bằng 90%

47

so với độ nghiêng của đường đoạn nhiệt ẩm và bảo toàn enthalpy H = CpT + Lvq.

Độ ẩm riêng được điều chỉnh tương tự như đối lưu nông. Kết quả của việc điều

chỉnh đối lưu sâu là tạo ra mưa trên hộp lưới.

+ Sơ đồ tham số hoá đối lưu của Grell (1993)

Sơ đồ Grell (1993) được phát triển từ sơ đồ tham số hóa đối lưu gốc của

Arakawa và Schubert (1974), sử dụng điều khiển động lực, điều khiển tĩnh và hồi

tiếp để phân chia một cách hệ thống các giả thiết được sử dụng trong tham số hoá

đối lưu [Betts, 1974] theo quan điểm mô hình hoá là điều khiển động lực xác định

tác động của môi trường đến đối lưu; điều khiển hồi tiếp xác định tác động của đối

lưu đến môi trường, phân bố lại sự đốt nóng và làm khô tổng cộng theo phương

thẳng đứng và điều khiển tĩnh xác định các đặc trưng của mây như dòng thăng,

dòng giáng và bao gồm các cơ chế như cuốn vào, cuốn ra và vi vật lý mây.

Theo AS (1974), hàm công mây tổng cộng Atot biến đổi phụ thuộc vào hai

yếu tố bao gồm sự thay đổi trong các biến quy mô lớn và sự biến đổi của môi

trường do mây:

tot tot tot

LS CU

dA dA dAdt dt dt

⎛ ⎞ ⎛ ⎞ ⎛ ⎞= +⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠ ⎝ ⎠

(2.13)

Hai yếu tố này tác động theo hai xu hướng ngược nhau. Hàm công mây

thường có xu hướng tăng lên do tác động của các quá trình quy mô lớn thông qua

quá trình làm lạnh bức xạ, chuyển động thẳng đứng và các thông lượng nhiệt bề mặt

vì các quá trình này làm tăng độ bất ổn định thẳng đứng của cột khí. Ngược lại, đối

lưu có xu hướng làm giảm độ bất ổn định, do đó làm giảm hàm công mây. Vì vậy,

biến đổi theo thời gian của Atot rất nhỏ, gần như bằng 0. Trước hết, biến đổi của hàm

công mây do quy mô lớn là hàm của loại mây λ:

( )tot

LS

dA Fdt

⎛ ⎞ ≡⎜ ⎟⎝ ⎠

λ (2.14)

Do hồi tiếp của mây tích lên các trường quy mô lớn là hàm tuyến tính của thông

lượng khối đáy mây mb nên số hạng này có thể được viết:

48

( ) ( ), ' 'totb

CU

dA K m ddt

⎛ ⎞ ≡⎜ ⎟⎝ ⎠ ∫λ

λ λ λ λ (2.15)

với K(λ,λ') là nhân tích phân. Nhân tích phân này biểu diễn sự tương tác giữa dòng

thăng và dòng giáng của các đám mây. Khi đó:

( ) ( ) ( ), ' 'totb

dA F K m ddt

≡ + ∫λλ λ λ λ λ (2.16)

Thông thường dAtot/dt rất nhỏ và khác 0 nhưng để khép kín hệ phương trình,

AS (1974) đã giả thiết về trạng thái tựa cân bằng giữa các số hạng ở vế phải của

phương trình (2.13), nghĩa là:

0totdAdt

≈ (2.17)

Khi đó (2.16) được viết lại:

( ) ( ) ( ), ' 'bF K m d= −∫λλ λ λ λ λ (2.18)

Thông lượng khối đáy mây mb có thể tính được tại mỗi bước tích phân ta để

khép kín hệ phương trình theo cách sau. Khi chưa có tác động của đối lưu ta tính

được biến đổi của hàm công mây chỉ do quy mô lớn F(λ). Cho mb một giá trị nào

đó, có thể bằng đơn vị, và tính biến đổi của hàm công mây có tác động của đối lưu.

Từ phương trình (2.18) tính được nhân K(λ,λ') và lấy F(λ) của bước tích phân tiếp

theo chia cho nhân K(λ,λ') sẽ được mb.

Ngoài ra, trong tham số hoá mây tích của các mô hình quy mô vừa, có thể

xác định mb bằng cách giả thiết / /CUdA dt A τ= − Δ với Δτ là khoảng thời gian xác

định để tiêu tán độ bất ổn định gây ra bởi các quá trình quy mô lớn. Khi đó ta lấy

/A− Δτ chia cho nhân K(λ,λ') để được thông lượng khối đáy mây mb. Khi xác định

được thông lượng khối đáy mây mb là đã khép kín được hệ phương trình nhiệt động

lực học và mb được sử dụng để tính các đặc trưng mây trong phần điều khiển tĩnh

tiếp theo đây.

49

Grell (1993) xây dựng mô hình mây là hoàn lưu ổn định gồm dòng thăng và

dòng giáng, không có sự xáo trộn giữa không khí mây và không khí môi trường,

ngoại trừ tại đỉnh và đáy hoàn lưu, thông lượng khối lượng không đổi theo độ cao

và không có dòng cuốn vào, cuốn ra ở các rìa mây (Hình 2.4).

Downdraft Originating Level

Cloud

Updraft Originating Level

Hình 2.4: Mô hình mây đối lưu một chiều ổn định trong sơ đồ Grell [Grell, 1993].

Sơ đồ tham số hóa đối lưu của Grell (1993) thuộc loại mô hình mây một

chiều có trạng thái ổn định (tương tự các loại mô hình lông chim, bong bóng hoặc

hình tia) nên sử dụng giả thiết rằng dòng cuốn vào xảy trên một độ sâu z của phần

tử nổi:

( )

( )1 0.2m zm z z r

∂= ≈

∂μ (2.19)

với μ - tổng tốc độ cuốn vào thuần từng phần của phần tử nổi, m - thông lượng khối,

mu - thông lượng khối của dòng thăng, md - thông lượng khối của dòng giáng và r -

bán kính mây. Theo Arakawa và Schubert, bán kính của mây không được sử dụng

hiện mà bán kính của mây được giả thiết ẩn bằng hằng số. Theo AS (1974), dòng

cuốn ra được giả thiết là chỉ bắt đầu xảy ra tại đỉnh mây nhưng Houze vcs. (1979)

và Lord (1978) cho rằng dòng cuốn ra biến đổi trong mỗi mực của dòng thăng. Biến

thiên của năng lượng tĩnh ẩm trong dòng thăng và dòng giáng theo độ cao:

Mây

Mực

khởi

đầu

dòng

giáng__ Mực

khởi

đầu

dòng

__thăng

50

( ) ( ) ( ),,u

ue u

h zh z h z

z∂

⎡ ⎤= −⎣ ⎦∂λ

μ λ (2.20)

và

( ) ( ) ( ),,d

de d

h zh z h z

z∂

⎡ ⎤= −⎣ ⎦∂λ

μ λ (2.21)

trong đó μue và μde - tốc độ cuốn vào từng phần trong dòng thăng và dòng giáng.

Houze vcs. (1979) coi thông lượng khối tại mực bắt đầu của dòng giáng là

hàm của thông lượng khối dòng thăng và độ tái bốc hơi của lượng nước ngưng kết

trong đối lưu. Các điều kiện biên cũng như một số giả thiết cần thiết là:

Đối với dòng thăng:

( ) ( )max ,u bh z h z⎡ ⎤= ⎣ ⎦ với bz z≤ (2.22)

( ) ( )*,u T Th z h z=λ (2.23)

trong đó dấu * ký hiệu giá trị bão hoà. Tương tự đối với dòng giáng:

( ) ( ), mindh z h z⎡ ⎤= ⎣ ⎦λ (2.24)

Schubert (1974) sử dụng các phương trình sau để tính toán hồi tiếp của mây

với môi trường:

( ) s Ll Rs swsV F LR Qt z z −

∂ ∂ ∂+ ∇ ⋅ + = − + +

∂ ∂ ∂ρρ ρ (2.25)

( ) q lq qwqV F Rt z z +

∂ ∂ ∂+ ∇ ⋅ + = − −

∂ ∂ ∂ρρ ρ (2.26)

trong đó s - năng lượng tĩnh khô, biểu thức tính s = CpT + gz. Các thông lượng quy

mô đối lưu là:

s Ll s lF F LF− ≡ − (2.27)

và q l q lF F F+ ≡ + (2.28)

trong đó Fs - thông lượng của năng lượng tĩnh khô, Fq - thông lượng của hơi nước

và Fl - thông lượng nước trong mây. Cụ thể là:

51

( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( )0

, ,

, ,

s u u b

dd

F z z s z s z m d

z s z s z m d

≡ + −⎡ ⎤⎣ ⎦

− −⎡ ⎤⎣ ⎦

∫∫

λ

λ

η λ λ λ λ

η λ λ λ λ (2.29)

( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( )0

, ,

, ,

q u u b

dd

F z z q z q z m d

z q z q z m d

≡ + −⎡ ⎤⎣ ⎦

− −⎡ ⎤⎣ ⎦

∫∫

λ

λ

η λ λ λ λ

η λ λ λ λ (2.30)

( ) ( ) ( ) ( ) ( )

( ) ( ) ( )

0

0

, ,

, ,

l u b

d e

F z z c l z m d

z q z m d

≡

−

∫∫

λ

λ

η λ λ λ λ λ

η λ λ λ λ (2.31)

Lượng mưa, là lượng mất đi trên quy mô đối lưu của nước mây, được tính như sau

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )0 0, , , ,u b d eR z z c l z m d z q z m d= + −∫ ∫λ λη λ λ λ λ λ η λ λ λ λ (2.32)

Trong vế phải của hệ phương trình (2.29) – (2.32), số hạng thứ hai sinh ra do dòng

giáng, bằng không ở bên trên mực bắt đầu dòng giáng. Bên dưới mực bắt đầu dòng

thăng, số hạng đầu tiên của vế phải bằng không, như vậy ở đây chỉ có dòng giáng

tác động đến môi trường quy mô lớn. Bên dưới mực bắt đầu dòng thăng, các thông

lượng quy mô đối lưu cho dòng thăng bằng không. Ở giữa mực bắt đầu dòng thăng

và mực đối lưu tự do (LFC), Fl và r được cho bằng không. Do không có nước được

giả thiết trong môi trường như dòng giáng, thông lượng dòng giáng do dòng thăng

cũng như các thông lượng dòng giáng trong các phương trình (2.30) bằng không.

+ Sơ đồ tham số hoá đối lưu của Tiedtke (1989)

Sơ đồ tham số hoá đối lưu của Tiedtke (1989) được giới thiệu tuần tự theo hệ

phương trình nguồn quy mô lớn, các giả thiết khép kín và mô hình mây. Giả thiết

khép kín của sơ đồ này dựa trên giả thiết bảo toàn thông lượng dòng khối.

Hệ phương trình quy mô lưới viết cho biến nhiệt và ẩm:

( ) ( )' '1. Rs sv s w w s L c e Qt z z

∂ ∂ ∂+ ∇ + = − + − +

∂ ∂ ∂ρ

ρ (2.33)

( ) ( )' '1.q qv q w w q c et z z

∂ ∂ ∂+ ∇ + = − − −

∂ ∂ ∂ρ

ρ (2.34)

52

với s - năng lượng tĩnh khô, q - độ ẩm riêng, ρ - mật độ không khí, v - vận tốc gió

ngang, w - vận tốc thẳng đứng, c - tốc độ ngưng kết, e - tốc độ bay hơi và QR - đốt

nóng bức xạ. Ký hiệu gạch trên đầu biểu diễn trung bình theo phương ngang trên

một khu vực đủ lớn để có thể chứa được một tổ hợp mây tích, dấu phẩy chỉ độ lệch

khỏi trung bình trên diện tích này. Vận chuyển xoáy của năng lượng tĩnh khô s bao

gồm các thành phần đóng góp từ dòng thăng mây tích, dòng giáng mây tích và dòng

hạ xuống trong môi trường gây ra bởi mây tích:

( ) ( )( ) ( )( )

( ) ( )( )

' '

1

ui ui ui di di dicu i i

ui dii

w s w w s s w w s s

w w s s

= − − + − −

⎡ ⎤+ − + − −⎢ ⎥⎣ ⎦

∑ ∑

∑

ρ ρ σ ρ σ

ρ σ σ (2.35)

và tương tự đối với ẩm q. Ký hiệu i - loại mây thứ i, u và d - dòng thăng và dòng

giáng mây tích, ký hiệu ~ chỉ giá trị của môi trường và σ - độ phủ mây vô thứ

nguyên. Trong các mô hình quy mô lớn, gần đúng ,s s q q= = khá thoả mãn.

Thông lượng khối lượng đối lưu được biểu diễn như sau:

( ) ( ),ui ui ui di di diM w w M w w= − = −ρσ ρσ (2.36)

với Mui và Mdi - thông lượng khối lượng của dòng thăng và dòng giáng của đám

mây thứ i tương ứng. Sơ đồ Tiedtke (1989) không biểu diễn những thành phần riêng

lẻ của một tổ hợp mây mà biểu diễn các đặc trưng tổng quát của chúng bằng mô

hình tổng quát tương tự như mô hình được sử dụng trong các nghiên cứu đối lưu

nhiệt đới trước đây [Yanai vcs., 1973, 1976; Reed và Johnson, 1974]. Khi đó các

phương trình quy mô lưới (2.33) và (2.34) trở thành:

( )

( ) ( )' '

1.

1u u d d u d

u d l p Rtu

s sv s w M s M s M M st z z

L c e e e w s Qz

∂ ∂ ∂+ ∇ + = − + − +⎡ ⎤⎣ ⎦∂ ∂ ∂

∂+ − − − − +

∂

ρρ

ρ

(2.37)

( )

( ) ( )' '

1.

1

u u d d u d

u d l ptu

q qv q w M q M q M M qt z z

c e e e w qz

∂ ∂ ∂+ ∇ + = − + − +⎡ ⎤⎣ ⎦∂ ∂ ∂

∂− − − − −

∂

ρ

ρρ

(2.38)

53

với Mu, Md, cu, ed - đóng góp thuần từ tất cả các đám mây vào thông lượng khối

lượng dòng thăng, thông lượng khối lượng dòng giáng, ngưng kết và bay hơi tương

ứng; su, sd, qu, qd - trung bình trọng số của s và q từ toàn bộ dòng thăng và dòng

giáng; le - bay hơi của không khí mây bị cuốn ra môi trường; pe - bay hơi của

giáng thủy trong lớp cận mây chưa bão hòa; “tu” biểu diễn rối lớp biên. Phương

trình liên tục khối lượng đối với nước mưa:

( ) ( )p d pz

P z G e e dz∞

= − −∫ ρ (2.39)

với P(z) - thông lượng nước mưa tại độ cao z và Gp - lượng nước chuyển từ nước

mây thành giáng thủy.

Khác với sơ đồ Grell (1993) chỉ biểu diễn chung một loại mây tích đối lưu,

sơ đồ tham số hoá đối lưu Tiedtke (1989) biểu diễn 3 loại mây bao gồm mây đối lưu

sâu, mây đối lưu nông và mây đối lưu mực giữa. Chúng được đặc trưng bởi tốc độ

cuốn vào, cuốn ra, vi vật lý mây trong dòng thăng và dòng giáng khác nhau. Các

phương trình được viết riêng đối với dòng thăng và dòng giáng.

Dòng thăng của tổ hợp mây được giả thiết ở trạng thái ổn định. Khi đó hệ

phương trình tổng quát đối với khối lượng, nhiệt, ẩm và lượng nước mây là:

( )

( )

( )

u u u

u u u u u u

u u u u u u

u u u p

M E Dz

M s E s D s L cz

M q E q D q cz

M l D l c Gz

∂ ⎫= − ⎪∂ ⎪∂ ⎪= − + ⎪∂

⎬∂ ⎪= − −⎪∂⎪∂ ⎪= − + −

∂ ⎭

ρ

ρ

ρ ρ

(2.40)

trong đó E và D - khối lượng cuốn vào và cuốn ra trên một đơn vị độ dài, l - lượng

nước trong mây và cu - ngưng kết thuần trong dòng thăng. Không khí mây được giả

thiết là bão hoà. Các quá trình vật lý mây được biểu diễn thô, ví dụ như không xét

54

đến quá trình đóng băng và tan chảy, quá trình chuyển từ các hạt mây thành các hạt

mưa được giả thiết là tỷ lệ với lượng nước trong mây theo biểu thức:

( )pG K z l= (2.41)

trong đó K(z) là hàm kinh nghiệm biến đổi theo chiều cao. Mặc dù các giả thiết này

khá đơn giản nhưng phân bố thẳng đứng của sự tạo thành các hạt mưa nhận được

khá hợp lý [Yanai vcs., 1973]. Ở đây, K được giả thiết bằng 0 ở gần đáy mây và

bằng hằng số ở các mực cao hơn:

3 1

0 1500( )

2.10 khi z 1500B

B

z Z mK z

s Z m− −

≤ +⎧= ⎨

> +⎩

khi (2.42)

K bằng 0 tại các mực thấp hơn là để đảm bảo mây tích nông không tạo thành mưa.

Lưu ý thêm rằng lượng nước lỏng trong mây bị cuốn ra không khí ngoài môi trường

được giả thiết là bay hơi ngay lập tức và được biểu diễn:

1l ue D l=

ρ (2.43)

Để tích phân thẳng đứng được hệ phương trình (2.40) cần phải biết thông

lượng khối đáy mây và khối lượng cuốn vào và cuốn ra. Thông lượng khối đáy mây

được xác định đối với các loại đối lưu khác nhau từ các giả thiết tham số hoá như sự

cuốn hút khối lượng vào trong ổ mây đối lưu được giả thiết là xảy ra thông qua (i)

trao đổi rối của khối lượng thông qua các rìa mây và (ii) dòng cuốn vào có tổ chức

liên quan với hội tụ quy mô lớn, sự cuốn khối lượng ra khỏi mây thông qua trao đổi

rối và dòng cuốn ra có tổ chức tại đỉnh mây:

( ) ( ) ( ) ( )1 2 1 2, u u u u u uE E E D D D= + = + (2.44)

Dòng cuốn vào và cuốn ra do rối được tham số hoá theo Turner (1963):

( ) ( )1 1,u u u u u uE M D M= =ε δ (2.45)

trong đó tốc độ cuốn vào/cuốn ra phụ thuộc nghịch vào bán kính mây [Simpson và

Wiggert 1969; Simpson 1971]:

55

0.2 0.2, u uu uR R

= =ε δ (2.46)

Nhưng khi tính toán thực tế trong mô hình, để đơn giản, các giá trị của tốc độ

cuốn vào, cuốn ra do rối đối với các loại đối lưu khác nhau được cố định là:

4 1

4 1

1 10 , 3 10 , u u

mm

− −

− −

⎧ ×⎪= = ⎨×⎪⎩

ε δ®èi l−u s©u vµ ®èi l−u mùc gi ÷ a

®èi l−u n«ng (2.47)

Đối với dòng giáng, theo Fritsch - Chappell (1980) và Foster (1958), mực

dòng giáng tự do (LFS) được giả thiết là mực mô hình cao nhất nơi xảy ra sự xáo

trộn của không khí mây với không khí môi trường. Không khí bão hoà của môi

trường tại nhiệt độ bầu ẩm trở thành nổi âm so với không khí của môi trường.

Thông lượng khối dòng giáng được giả thiết tỷ lệ thuận với thông lượng khối dòng

thăng. Theo Johnson (1976, 1980), thông lượng khối tại LFS được xác định từ

thông lượng khối dòng thăng tại đáy mây như sau:

( )( ) 0.2d LFS u baseM M= = −γ γvíi (2.48)

với hệ số γ là tham số cho trước.

Hệ phương trình đối với khối lượng, năng lượng tĩnh khô và lượng ẩm:

( )

( )

dd d

d dd d d d

d dd d d d

M E DzM s

E s D s L ez

M qE q D q e

z

∂= −

∂∂

= − +∂

∂= − −

∂

ρ

ρ

(2.49)

Tham số hoá đối với dòng cuốn vào/cuốn ra của dòng giáng được thực hiện

tương tự như với dòng thăng nhưng thay vì sử dụng biểu thức (2.47) ta sử dụng:

4 -12 10 md d−= = ×ε δ (2.50)

ở đây dε - bay hơi của mưa đối lưu để duy trì dòng giáng bão hoà. Làm lạnh và làm

ẩm không khí môi trường xảy ra tại LFS cũng là do bay hơi của mưa.

56

Từ phương trình (2.48) ta thấy rằng thông lượng dòng giáng được xác định

từ dòng thăng nên nhiệm vụ còn lại của tham số hoá là xác định dòng thăng, cũng là

nhiệm vụ khép kín hệ phương trình.

Để khép kín hệ phương trình, đối với mây đối lưu sâu, Tiedtke (1989) sử

dụng giả thuyết hội tụ ẩm. Sự thâm nhập khối lượng vào trong mây thông qua đáy

của chúng được xác định bằng cách giả thiết cân bằng ẩm đối với lớp cận mây sao

cho lượng ẩm được duy trì khi có mặt sự vận chuyển quy mô lưới, vận chuyển rối

và vận chuyển đối lưu. Mô hình mây đối lưu sâu trong sơ đồ Tiedtke (1989) được

biểu diễn trong Hình 2.5.

Hình 2.5: Mô

hình mây đối

lưu sâu

[Tiedtke,1989].

Có thể viết lại cân bằng trong phương trình (2.38):

( ) ( ) ( )' '

0

1.B

u u d d B tu

qM q q M q q v q w w q dzz z

⎛ ⎞∂ ∂− + − = − ∇ + +⎡ ⎤ ⎜ ⎟⎣ ⎦ ∂ ∂⎝ ⎠

∫ ρ ρρ

(2.51)

với B - mực độ cao đáy mây, được xác định là mực ngưng kết của không khí thăng

lên từ mặt đất. Thông lượng khối thẳng đứng của dòng thăng trên đáy mây được xác

định tương tự như đối với lớp cận mây, đòi hỏi rằng có dòng cuốn vào có tổ chức tỷ

lệ trực tiếp với hội tụ ẩm quy mô lưới:

(2) .uqE v q w

q z∂⎛ ⎞= − ∇ +⎜ ⎟∂⎝ ⎠

ρ (2.52)

57

Dòng cuốn vào có tổ chức chỉ được xem xét trong phần dưới của lớp mây

nơi hội tụ quy mô lớn xảy ra, nghĩa là bên dưới mực có dòng thăng cực đại. Phương

trình (2.52) cùng với biểu thức (2.51) tạo ra khép kín cơ bản cho thông lượng khối

đáy mây và khép kín quyết định cho việc thực hiện tham số hoá đối lưu sâu.

Đối với mây đối lưu nông, trên thực tế, hầu hết các nghiên cứu chẩn đoán chỉ

ra rằng thông lượng ẩm thuần hướng lên tại mực đáy mây gần bằng với thông lượng

rối tại mặt đất [Le Mone và Pennell, 1976]. Vì điều này ngụ ý đến cân bằng ẩm gần

như ổn định, phương trình (2.51) được sử dụng cũng như đối với đối lưu sâu nhưng

sự khác biệt ở đây là cung cấp ẩm cho các đám mây tích giờ đây phần lớn thông qua

bốc hơi bề mặt vì những đóng góp từ hội tụ quy mô lớn là nhỏ hoặc thậm chí âm ví

dụ như trong dòng tín phong không nhiễu động nơi không khí khô được vận chuyển

hướng xuống những mực thấp hơn. Giả thiết là có sự xâm nhập của các đám mây

tích vào trong lớp ổn định bên trên nghịch nhiệt thông qua phần quá đích của mây

tích bên trên mực có lực nổi bằng không [Nitta, 1975] nên không khí mây sẽ chỉ

cuốn ra một phần vào môi trường trong lớp mô hình có chứa mực lực nổi bằng 0,

phần còn lại sẽ xâm nhập vào lớp tiếp theo ở bên trên và cuốn ra ở đó.

( )( )( )

21/ 2

21/ 2

1 /

/

0,3

u u k

u u k

D M z

D M z

β

β

β

+

+

= − Δ

= Δ

=

mùc k

mùc k -1 (2.53)

Mặc dù tham số hoá này rất thô nhưng đã tái tạo được các nghịch nhiệt tín

phong thực tế hơn khi bỏ qua tác động của phần quá đích (β = 0) vì khi đó nghịch

nhiệt trở nên quá mạnh trong mô phỏng và lớp mây bên dưới nghịch nhiệt quá ẩm.

Tham số kinh nghiệm β bằng 0,3 cho những kết quả tốt.

Đối với mây đối lưu mực giữa, trong các nghiên cứu của nhiều tác giả như

Browning vcs. 1973, Houze vcs., 1976, Herzegh và Hobbs, 1980, loại này bao gồm

các ổ mây đối lưu có chân mây không nằm trong lớp biên mà bắt đầu tại những mực

nằm bên trên lớp biên, thường xuất hiện trong các dải mưa tại các front nóng và

trong khu nóng của các xoáy thuận ngoại nhiệt đới. Những ổ mây này có lẽ được

58

hình thành do sự nâng lên của không khí mực thấp tới khi đạt bão hoà [Wexler và

Atlas, 1959] và nguồn ẩm chủ yếu cho các đám mây là từ hội tụ ẩm quy mô lớn

mực thấp [Houze vcs., 1976].

Giả thiết là đối lưu hoạt động khi có dòng thăng quy mô lớn tại các mực

thấp, không khí môi trường đủ ẩm, nghĩa là độ ẩm tương đối vượt quá 90% và có

một lớp bất ổn định đối lưu ở bên trên. Mực đối lưu tự do được xác định bằng cách

nâng một phần tử có nhiệt độ và độ ẩm của môi trường uT T= , uq q= đi lên theo

đường đoạn nhiệt, cho phép đốt nóng đối lưu và sau đó kiểm tra lực nổi. Thông

lượng khối dòng thăng được cho bằng vận chuyển khối lượng thẳng đứng bởi dòng

quy mô lớn tại mực đó ( )u B B BM w= ρ để đảm bảo rằng tổng lượng ẩm của bình lưu

được vận chuyển theo phương thẳng đứng thông qua đáy mây bởi dòng thăng quy

mô lớn là hoàn toàn có sẵn đối với việc tạo ra các ổ mây đối lưu.

Sau khi tham số hóa đối lưu, hồi tiếp của đối lưu lên môi trường bên ngoài

làm biến đổi trường nhiệt, ẩm quy mô lưới, đồng thời cung cấp thông tin về phần

phủ mây, ảnh hưởng nhiều đến tính toán giáng thủy quy mô lưới.

2.1.2.2. Giáng thủy quy mô lưới

Có thể xem chi tiết về sơ đồ ẩm hiện ô lưới (SUBEX) ở tài liệu của Pal vcs.

(2000), ở đây chỉ trình bày sơ lược những tính toán cơ bản nhất. Trong RegCM,

SUBEX tính các quá trình ẩm diễn ra trong các đám mây gây mưa xác định qua các

biến mô hình, giải thích sự biến đổi ẩm trong ô lưới trong đám mây bằng cách gắn

độ ẩm tương đối lấy trung bình trong toàn ô lưới với phần phủ mây và lượng nước

mây theo công trình của Sundqvist vcs. (1989). FC là phần phủ mây của ô lưới,

được xác định từ tham số hóa đối lưu:

min

max min

RH RHFCRH RH

−=

− (2.54)

với RHmin - ngưỡng độ ẩm tương đối, tại đó mây bắt đầu hình thành và RHmax - độ

ẩm tương đối ở đó FC = 1. FC được giả thiết bằng 0 nếu RH < RHmin và bằng 1 nếu

59

RH > RHmax. Giáng thủy P tạo ra khi lượng nước mây vượt quá ngưỡng tự chuyển

đổi Qthc theo quan hệ:

( / )thppt c cP C Q FC Q FC= − (2.55)

với 1/Cppt có thể được coi là thời gian đặc trưng mà các giọt mây chuyển thành các

giọt mưa. Ngưỡng này nhận được theo phương trình:

0.49 0.01310th Tc acsQ C − += (2.56)

trong đó T - nhiệt độ Celsius và Cacs - yếu tố quy mô tự chuyển đổi. Giáng thủy

được giả thiết là rơi xuống ngay lập tức. Lượng nước mưa rơi xuống đóng góp một

phần vào sự tăng lên của nước mây dựa trên công trình của Beheng (1994):

acc acc sumP C QP= (2.57)

trong đó Pacc - tổng lượng nước mây tăng lên, Cacc - hệ số tốc độ tăng nước mây và

Psum - lượng giáng thủy tích luỹ được từ trên cao rơi xuống đi qua mây.

Phần giáng thủy bốc hơi được tính theo Sundqvist vcs. (1989):

1/ 2(1 )evap evp sumP C RH P= − (2.58)

trong đó Pevap - tổng lượng giáng thủy bị bốc hơi và Cevap - hệ số tốc độ bốc hơi.

2.1.2.3. Tham số hóa các quá trình bề mặt đất

Tham số hoá các quá trình vật lý bề mặt trong RegCM3 sử dụng sơ đồ vận

chuyển sinh-khí quyển BATS được mô tả cụ thể bởi Dickinson vcs. (1993). BATS

mô tả vai trò của thực vật và sự tương tác ẩm và đất trong quá trình biến đổi những

trao đổi động lượng, năng lượng và hơi nước giữa mặt đất và khí quyển. Mô hình

của BATS bao gồm lớp thực vật, lớp tuyết, lớp đất mặt, lớp rễ (hoặc một lớp đất

dày 10cm), một lớp sâu hơn dày 1-2m và lớp đất sâu thứ ba dày 3m. Nhiệt độ của

lớp đất mặt được dự báo theo phương pháp tác động phục hồi (force-restore) của

Deardoff (1978).

Các phương trình dự báo được xây dựng cho lượng nước của mỗi lớp đất,

biểu diễn giáng thuỷ, độ thẩm thấu dưới lớp rễ và trao đổi khuyếch tán của nước

giữa các lớp đất, bốc hơi, dòng chảy mặt, lớp tuyết phủ và độ tan tuyết. Độ sâu lớp

60

tuyết được tính dự đoán từ lượng tuyết rơi, độ tan tuyết và thăng hoa. Độ thẩm thấu

giữa các lớp đất phụ thuộc vào tính xốp, lực hút nước và độ dẫn nước của đất. Độ

bốc hơi từ đất là hàm của độ bốc hơi khả năng và dòng ẩm cực đại qua bề mặt ướt

mà đất có thể giữ được nên tốc độ bốc thoát hơi bề mặt phụ thuộc vào sự có mặt của

nước trong đất. Tốc độ dòng chảy bề mặt là hàm của tốc độ giáng thuỷ và mức độ

bão hoà của nước trong đất. Để tính albedo của đất, trong BATS phân chia thành 20

loại thực vật, mỗi loại có một hệ số hấp thụ và phản xạ khác nhau quyết định albedo

của bề mặt có loại thực vật đó. Kết cấu đất biến đổi từ thô (cát), trung bình (đất

mùn) đến tinh (đất sét) và các loại màu đất khác nhau (từ màu sáng đến màu tối)

cũng ảnh hưởng tới tính toán albedo của đất [Dickinson vcs., 1986].

Thông lượng hiển nhiệt, hơi nước và động lượng tại bề mặt được tính dựa

trên hệ số cản bề mặt chuẩn từ lý thuyết tương tự lớp mặt. Do đó, các thông lượng

này khác nhau tuỳ thuộc bề mặt được bao phủ bởi thực vật hay đất trống vì hệ số

cản phụ thuộc vào độ nhám của bề mặt và độ ổn định khí quyển trong lớp sát đất.

2.1.2.4. Bức xạ

Sơ đồ bức xạ của được sử dụng trong RegCM3 là sơ đồ bức xạ của NCAR

CCM3, được mô tả bởi Kiehl vcs. (1996) trong đó biểu diễn ảnh hưởng của O3,

H2O, CO2 và O2 đến các thành phần phổ của bức xạ (bao gồm 18 khoảng phổ, biến

đổi từ 0.2 tới 5 mμ ) theo xấp xỉ δ -Eddington [Briegleb, 1992]. Thông lượng bức xạ

mặt trời biến đổi theo mùa và thời gian trong ngày, phụ thuộc vào độ phủ mây, sol

khí, sự tán xạ mặt đất theo H2O, O3, CO2, O2 và độ hấp thụ bề mặt. Giả thiết các lớp

xáo trộn đồng nhất và tán xạ giữa các lớp là đẳng hướng trong đó phân biệt bức xạ

mặt trời trực tiếp và bức xạ tán được sử dụng trong khi tính toán độ phản xạ và độ

truyền qua theo phương pháp δ -Eddington.

Độ phân tán mây và tham số hoá độ hấp thụ bức xạ được giả thiết theo

Slingo (1989), các đặc tính quang học của các giọt mây như độ sâu quang học,

albedo của từng điểm riêng lẻ và tham số phi đối xứng được biểu diễn theo lượng

nước mây và bán kính giọt nước hiệu dụng. Thông lượng hướng xuống của bức xạ

61

mặt trời tại bề mặt đất và thông lượng hướng lên của tán xạ và phản xạ. Các thông

lượng phổ đi lên và đi xuống tại mỗi mặt phân cách được tính tổng lại thành thông

lượng tích phân được thêm vào số hạng phi tuyến Q trong phương trình nhiệt động

lực. Các thông lượng bức xạ trên được tính toàn dựa trên mô hình dải rộng của

Kiehl và Brieglab (1991) và Kiehl và Ramanathan (1983) áp dụng đối với O3, các

chất khí khác (CO2, N20, CFC, ...) và hơi nước, thành phần quan trọng nhất đối với

bức xạ sóng dài.

2.1.2.5. Tham số hoá lớp biên hành tinh

Sơ đồ lớp biên hành tinh (PBL) được phát triển bởi Holtslag vcs. (1990). Sơ

đồ này được xây dựng dựa trên khái niệm khuyếch tán phi địa phương có tính đến

các thông lượng phản gradient nhận được từ các xoáy quy mô lớn trong khí quyển

bất ổn định rất xáo trộn. Ở đây, thông lượng xoáy thẳng đứng trong PBL của đại

lượng α được cho bởi:

c c cF Kz

∂⎛ ⎞= − −⎜ ⎟∂⎝ ⎠α γ (2.59)

với γc - số hạng vận chuyển “phản gradient” miêu tả sự vận chuyển phi địa phương

do đối lưu sâu khô. Độ khuyếch tán xoáy được cho bởi biểu thức

( )21 /c tK k z z h= −ω

trong đó k - hằng số Karman, có giá trị bằng 0.4; ωt - vận tốc đối lưu nhiễu, phụ

thuộc vào vận tốc ma sát, độ cao và độ dài Monin-Obhukov theo biểu thức sau:

1/ 3

*15.0*0.1*1.0t

huL

⎛ ⎞= −⎜ ⎟⎝ ⎠

ω (2.60)

với h - độ cao PBL. Số hạng phản gradient đối với nhiệt độ và hơi nước là 0 /( )c c tC h=γ φ ω với C - hằng số, bằng 8.5 và 0

cφ - thông lượng nhiệt hoặc hơi nước

bề mặt. Phương trình 0 /( )c c tC h=γ φ ω được áp dụng từ đỉnh của PBL tới đỉnh của

lớp mặt đất và được giả thiết bằng 0.1h trong tính toán thực tế. Đối với động lượng,

γc được cho bằng 0 ở bên ngoài khu vực từ đỉnh của PBL tới đỉnh của lớp mặt đất.

62

Khi tính toán độ khuyếch tán xoáy và các số hạng phản gradient, độ cao PBL

được xác định là 2 2[ ( ) ( ) ]

( / )[ ( ) ]c

s v s

Ri r u h v hhg h

+=

−θ θ θ trong đó u(h), v(h) và θv - các thành phần

gió và nhiệt độ thế vị ảo tại độ cao PBL, g - gia tốc trọng trường, Ricr - số

Richardson tiêu chuẩn và θs - nhiệt độ thích hợp của nhiệt độ gần mặt đất.

2.1.2.6. Tham số hoá thông lượng đại dương – khí quyển

Tham số hoá thông lượng từ đại dương vào khí quyển trong RegCM3 có thể

được tuỳ chọn sơ đồ mặt đất BATS(1E) của Dickinson vcs. (1993) hoặc sơ đồ của

Zeng vcs. (1998) trong đó sử dụng thuật toán khí động lực học tổng quát. Lý thuyết

cơ sở của hai sơ đồ này cũng được trình bày tóm tắt ở đây.

• BATS: Trong sơ đồ tính toán thông lượng khối đại dương-khí quyển của BATS(1E) [Dickinson vcs., 1993], tương tự mô hình bề mặt đất đã trình bày ở trên, thông lượng nhiệt và ẩn nhiệt cũng được tính toán dựa trên hệ số cản phiếm định, tốc độ gió, mật độ không khí. Hệ số cản phiếm định CDN là hàm của độ gồ ghề của lớp bề mặt:

( )

2

1ln /DNoce

kCz z

⎡ ⎤= ⎢ ⎥

⎣ ⎦

với z1 là độ cao địa hình lớp thấp nhất của mô hình và zoce là độ gồ ghề trên đại dương (=0.0004), k là hằng số Karman (=0.4). Hệ số trao đổi tại lớp mặt được tính theo biểu thức sau:

. *.D DNC C V= − ρ

với 2 2 21*V u v u= + + là tốc độ gió bề mặt, 1 0.1 2 gu T= + , Tg là nhiệt độ mặt đất

và ρ là mật độ không khí mực mặt đất.

Khi đó, thông lượng ẩm E và thông lượng nhiệt SH được tính:

.( )D s gE C q q= −

. .( )D p s gSH C C T T= −

với Cp là nhiệt dung riêng, qs và Ts lần lượt là độ ẩm và không khí sát mặt đất còn qg và Tg là độ ẩm và nhiệt độ mặt đất. Đây là một sơ đồ tính thông lượng đại dương

63

- khí quyển đơn giản trong đó hệ số cản động lực đối với nhiệt độ, độ ẩm được tính như nhau và không tính đến trao đổi mô men động lượng giữa đại dương và khí quyển. Sơ đồ của Zeng vcs. (1998) dưới đây sẽ tham số hoá chi tiết hơn.

• Zeng: Theo Zeng vcs. (1998), các dòng bề mặt của động lượng τ, hiển nhiệt (SH) và ẩn nhiệt (LH):

( )1/ 22 2 2* /a x yu u u u= +τ ρ (2.61)

* *a paSH C u= −ρ θ (2.62)

* *a cLH L u q= −ρ (2.63)

với u - tốc độ gió, ux và uy - tốc độ gió thành phần, ρa - mật độ không khí, Cpa - nhiệt

dung riêng của không khí và Lc - ẩn nhiệt hoá hơi. Cần xác định u*, q* và θ* lần lượt

là vận tốc ma sát, tham số quy mô ẩm và nhiệt.

Thuật toán khí động lực học của Zeng đối với việc tính toán các thông lượng

bề mặt gồm hai thành phần: hàm của độ ổn định rối ζ và biểu thức độ nhám của gió,

nhiệt độ và độ ẩm (ký hiệu là zo, zot và zoq tương ứng). Độ nhám của đại dương rất

khác so với độ nhám trên đất [Brutsaert 1982, Garratt 1992, Zeng và Dickinson

1998] nhưng hàm ổn định ζ của khí quyển được sử dụng như nhau đối với mọi bề

mặt (đại dương, đất hoặc băng). ζ cũng là độ cao vô thứ nguyên /z L=ζ với z là

độ cao thực tế và L là độ dài Monin-Obukhov.

Profile gió được tính phụ thuộc vào trạng thái khí quyển ổn định (ζ > 0 ) hay

bất ổn định (ζ < 0 ):

( ) ( ) ( ) ( )1/31/ 3*

0

- < =-1.574: ln 1.14mm m m m

Luu zk z

ζζ ζ ψ ζ ζ ζ⎧ ⎫⎡ ⎤⎪ ⎪⎡ ⎤= − + − − −⎨ ⎬⎢ ⎥ ⎣ ⎦⎪ ⎪⎣ ⎦⎩ ⎭

Khi (2.64)

( ) ( )*

0

0 : lnm mu zu zk z

ζ ζ ψ ζ⎡ ⎤

< = −⎢ ⎥⎣ ⎦

-Khi < (2.65)

( ) *

0

ln 5u zu zk z

ζ ζ⎡ ⎤

= +⎢ ⎥⎣ ⎦

- Khi 0 < < 1 : (2.66)

64

( ) ( )*

0

ln 5 5ln 1u Lu zk z

ζ ζ ζ⎧ ⎫⎡ ⎤⎪ ⎪= + + + −⎡ ⎤⎨ ⎬⎢ ⎥ ⎣ ⎦⎪ ⎪⎣ ⎦⎩ ⎭

- Khi > 1 : (2.67)

Profin nhiệt độ thế vị:

( ) ( ) ( ) ( )1/3 1/3**0.465: ln 0.8h

h h hot

Lzk z

ζθζ ζ θ θ ψ ζ ζ ζ− −⎧ ⎫⎡ ⎤⎪ ⎪⎡ ⎤= − − = − + − − −⎨ ⎬⎢ ⎥ ⎣ ⎦⎪ ⎪⎣ ⎦⎩ ⎭h-Khi < (2.68)

( ) ( )**0 : lnh h

ot

zzk zθζ ζ θ θ ψ ζ

⎡ ⎤< < − = −⎢ ⎥

⎣ ⎦- Khi (2.69)

( ) ** ln 5

ot

zzk zθζ θ θ ζ

⎡ ⎤− = +⎢ ⎥

⎣ ⎦-Khi 0 < < 1 : (2.70)

( ) ( )** ln 5 5ln 1

ot

Lzk zθζ θ θ ζ ζ

⎧ ⎫⎡ ⎤⎪ ⎪− = + + + −⎡ ⎤⎨ ⎬⎢ ⎥ ⎣ ⎦⎪ ⎪⎣ ⎦⎩ ⎭

-Khi > 1 : (2.71)

với độ dài Monin-Obukhov được tính 2* *( ) /( )v vL u kg= θ θ trong đó k - hằng số

Karman (k=0.4), θv - nhiệt độ thế vị ảo, u* - vận tốc ma sát và θv*- tham số quy mô

nhiệt, g là gia tôc trọng trường, ψm và ψh được tính ở dưới.

Profin độ ẩm riêng giống như các phương trình đối với θ trong hệ phương

trình từ (2.68) đến (2.71) nhưng thay [θ(z)-θs] và zot bởi [q(z)-qs] và zoq tương ứng.

Các hàm ψm trong (2.64) – (2.65) và (2.68) – (2.69) (dưới những điều kiện bất ổn

định) là:

2

11 12ln ln 2 tan2 2 2m

−⎛ ⎞+ +⎛ ⎞= + − +⎜ ⎟⎜ ⎟⎝ ⎠ ⎝ ⎠

χ χ πψ χ (2.72)

và 212ln

2h⎛ ⎞+

= ⎜ ⎟⎝ ⎠

χψ (2.73)

trong đó

( )1/ 41 16= −χ ζ (2.74)

Trong (2.64) – (2.71), θs là nhiệt độ thế vị bề mặt và qs là độ ẩm riêng bão hoà trên

mặt biển [Sverdrrup vcs. 1942]: ( )0.98s sat sq q T= với Ts - nhiệt độ mặt biển, qsat -

65

độ ẩm riêng bão hoà của nước tại nhiệt độ Ts. Hệ số 0.98 là một xấp xỉ của (1-

0.527s) với độ mặn trung bình của đại dương s là 34 phần nghìn [Kraus và

Businger, 1994]. Dưới những điều kiện ổn định, tốc độ gió u được xác định bởi:

( )1/ 22 2max ,0.1x yu u u⎡ ⎤= +⎢ ⎥⎣ ⎦ (2.75)

để khử sự suy biến tại u = 0.

Trong khi với những điều kiện bất ổn định nó được cho bởi:

( )1/ 222 2

*x yu u u w⎡ ⎤= + +⎣ ⎦β (2.76)

để tính đến sự đóng góp của những xoáy lớn trong lớp biên đối lưu tới những dòng

bề mặt. Trong (2.75) – (2.76), ux và uy là các thành phần gió trung bình và w* là quy

mô vận tốc đối lưu:

1/ 3

* * *v iv

gw u z⎛ ⎞

= −⎜ ⎟⎝ ⎠

θθ

(2.77)

với g là gia tốc trọng trường và zi là chiều cao lớp biên đối lưu. Giá trị của zi được

lấy là 1000m trong (2.77), trong khi β được lấy bằng đơn vị trong (2.76).

Khác với sơ đồ BATS ở trên cho độ nhám trên biển và trên đất liền các giá

trị bằng hằng số, Zeng sử dụng hàm của Smith (1988) để tính độ nhám của động

lượng (z0):

2*

1 2*

ou vz a ag u

= + (2.78)

và dạng hàm của Brutsaert (1982) để tính độ nhám của độ ẩm:

1/ 41 * 2ln Reo

oq

z b bz

= + (2.79)

Độ nhám của nhiệt độ được giả thiết tương tự: ot oqz z= với a1, a2, b1 và b2 là các hệ

số hằng số, * * 0Re /u z= ν là số nhám Reynolds và ν là độ nhớt động lực của không

khí. Số mũ trong (2.79) được cố định bằng 1/4 hoặc có thể được tối ưu hoá bằng

cách sử dụng số liệu tương tác đại dương - khí quyển quan trắc được.

66

2.2. Phương pháp thống kê sản phẩm mô hình số

2.2.1. Các phương pháp đánh giá thống kê mô hình khí hậu

Đánh giá dự báo là thẩm định chất lượng của dự báo, trong đó kết quả dự báo

được so sánh với quan trắc của hiện tượng đã thực sự xảy ra hoặc kết quả dự báo

khác đã được đánh giá là tốt. Đánh giá có thể là định tính như “trông có vẻ đúng

hay không?” hoặc định lượng như “độ chính xác bằng bao nhiêu?”. Trong cả 2

trường hợp đều cho ta thông tin về bản chất của sai số dự báo. Có 3 lý do quan

trọng nhất cần phải đánh giá dự báo: (1) giám sát chất lượng dự báo xem dự báo

chính xác đến mức nào và chúng có được cải thiện theo thời gian không?; (2) cải

thiện chất lượng dự báo và (3) so sánh với chất lượng của các hệ thống dự báo khác.

Có rất nhiều kiểu đánh giá dự báo, mỗi kiểu sử dụng các phương pháp khác

nhau, ví dụ đối với dự báo lượng giáng thủy có thể đánh giá bằng phương pháp trực

quan, phân đôi, đa nhóm, liên tục, phân bố không gian; dự báo xác suất giáng thủy

sử dụng đánh giá trực quan, xác suất, tổ hợp; dự báo các điều kiện nóng hay lạnh

hơn bình thường được đánh giá bằng phương pháp trực quan, đa nhóm, xác suất,

phân bố không gian, tổ hợp… Sau đây trình bày một số phương pháp đánh giá, trích

từ các tài liệu của Barb Brown (2003), Dobryshman (1972), Zhang và Casey

(2000), WMO (2002), … chú trọng đến các phương pháp đánh giá kỹ năng của mô

hình khí hậu sẽ được sử dụng trong nghiên cứu của luận án.

a/ Đánh giá bằng mắt thường

Một trong những phương pháp đánh giá cũ nhất và khá tốt là đánh giá trực

quan hay đánh giá bằng mắt thường, đó là so sánh từng cặp dự báo và quan trắc và

áp dụng nhận định của con người để xác định sai số dự báo. Cách thông thường để

đánh giá trực quan là biểu diễn số liệu thành chuỗi thời gian và bản đồ. Phương

pháp trực quan rất tốt khi chỉ có ít dự báo hoặc có rất nhiều thời gian hoặc không

quan tâm đến đánh giá thống kê định lượng. Thậm chí khi muốn thống kê thì vẫn rất

tốt nếu xem xét số liệu theo chuỗi thời gian.

67

Để giảm bớt thời gian đánh giá bằng phương pháp này, người ta có thể sử

dụng phương pháp phân tích thành phần chính (PCA) hoặc phân tích trực giao tự

nhiên (EOF) để nén thông tin vào tập số liệu có kích thước nhỏ hơn mà vẫn đảm

bảo mô tả được gần như toàn bộ thông tin về số liệu quan trắc và dự báo để so sánh.

Phân tích thành phần chính PCA là phép biến đổi trực giao tuyến tính (tương tự

EOF) nhằm chuyển số liệu về hệ tọa độ mới sao cho sự biến đổi lớn nhất của số liệu

nằm ở trục tọa độ đầu tiên, gọi là thành phần chính đầu tiên, sự biến đổi lớn thứ 2

nằm ở trục tọa độ thứ 2, … Đối với một ma trận số liệu XT bất kỳ có kỳ vọng bằng 0

trong đó mỗi hàng biểu diễn một thời điểm của chuỗi thời gian và mỗi cột là một

quan trắc (ví dụ tại trạm) ta đều có thể phân tích thành PCA như sau: T TX V W= ∑

hoặc TX W V= ∑ , trong đó V là ma trận chứa các vectơ riêng, biểu diễn sự biến đổi

theo không gian, W là ma trận biểu diễn sự biến đổi theo thời gian. PCA cũng được

gọi là phép biến đổi Karhunen-Loève (Kari Karhunen và Michel Loève) hoặc biến

đổi Hotelling (Harold Hotelling). Các bước thực hiện PCA là đưa ma trận số liệu về

dạng có trung bình số học bằng 0, tính các giá trị riêng và vectơ riêng bằng phép

quay Jacobi. Có thể xem về phương pháp phân tích EOF được trình bày chi tiết và

dễ hiểu tại Trần Tân Tiến và Hồ Thị Minh Hà (2002).

Tuy nhiên, phương pháp trực quan không cho biết định lượng kỹ năng của

mô hình. Để đánh giá chính xác hơn cần có các chỉ số cụ thể và có thể tính được

thông qua các đánh giá chuẩn và các chỉ số đối với dự báo phân đôi, đa nhóm, liên

tục và xác suất trình bày dưới đây.

b/ Các phương pháp đối với dự báo phân đôi (dự báo có/không)

Dự báo phân đôi nói rằng “đúng, sự kiện sẽ xảy ra” hoặc “không, sự kiện sẽ

không xảy ra”. Dự báo mưa và sương mù là những ví dụ phổ biến của dự báo

có/không. Đối với một số ứng dụng, ngưỡng có thể được xác định để phân chia

có/không. Để đánh giá loại dự báo này ta bắt đầu với bảng ngẫu nhiên, biểu diễn tần

số “đúng” và “sai” giữa dự báo và quan trắc. Có 4 khả năng kết hợp của có/không

dự báo và có/không quan trắc được gọi là phân bố chung (joint) bao gồm:

68

- H (đúng) – dự báo sự kiện có xảy ra và sự kiện thực sự xảy ra.

- M (lỡ) – dự báo sự kiện không xảy ra nhưng sự kiện đã xảy ra.

- F (cảnh báo sai) – dự báo sự kiện xảy ra nhưng sự kiện không xảy ra.

- CN – dự báo sự kiện không xảy ra và thực tế sự kiện không xảy ra.

Bảng ngẫu nhiên là phương pháp hữu ích để xem dự báo đã mắc phải loại sai

số nào. Hệ thống dự báo hoàn hảo có thể tạo ra chỉ H và CN, và không có M hoặc F.

Một lượng lớn thống kê phân nhóm được tính toán từ các phân tử trong bảng ngẫu

nhiên để mô tả các khía cạnh đặc biệt của hiệu quả dự báo (Bảng 2.1). Các chỉ số

thường thấy trong đánh giá thống kê phân nhóm sử dụng bảng ngẫu nhiên được

trình bày trong Bảng 2.2.

Bảng 2.1: Bảng ngẫu nhiên

Quan trắc

Có Không Tổng

Có H F Dự báo có Dự báo

Không M CN Dự báo không

Tổng Quan trắc có Quan trắc không N

Bảng 2.2: Bảng các chỉ số đánh giá dự báo phân đôi

Chỉ số Biểu thức tính Giá trị Ý nghĩa Độ chính xác Acc

H CNAccN+

= 0 1 tốt = 1

Dự báo đúng bao nhiêu phần trăm?

Tần số Fre H FFreH M

+=

+ 0 ∞

tốt = 1 Tần số dự báo sự kiện có xảy ra so với tần số quan trắc có xảy ra.

Biệt thức Hanssen

và Kuipers

H FHKH M F CN

= −+ +

-1 1 tốt = 1 xấu = 0

Dự báo sự kiện “có” phân biệt tốt đến đâu so với sự kiện “không” ?

Chỉ số kỹ năng

Heidke

.

.

( ) e ran

e ran

H CN HHSSN H+ −

=−

e.ran

( )( )1( )( )H M H F

HCN M CN FN+ +⎡ ⎤

= ⎢ ⎥+ + +⎣ ⎦

- ∞ 1 tốt = 1 xấu = 0

Độ chính xác của dự báo quan hệ với tính ngẫu nhiên như thế nào?

69

c/ Các phương pháp đánh giá đối với dự báo đa nhóm

Các phương pháp đánh giá đối với dự báo đa nhóm cũng bắt đầu với bảng

ngẫu nhiên biểu diễn tần số dự báo và quan trắc trong các nhóm nhỏ khác nhau

(Bảng 2.3). Trong bảng này, n(Fi,Oj) ký hiệu số dự báo thuộc nhóm thứ i có số quan

trắc thuộc nhóm thứ j, N(Fi) là tổng số dự báo thuộc nhóm i, N(Oj) là tổng số quan

trắc thuộc nhóm j, và N là tổng số quan trắc. Một hệ thống dự báo hoàn hảo phải đạt

các giá trị khác 0 chỉ trên đường chéo và các giá trị ngoài đường chéo phải bằng 0.

Các chỉ số Acc, chỉ số kỹ năng Heidke và biệt thức Hanssen và Kuipers ở đây tương

tự như phương pháp phân đôi nhưng là lấy tổng theo nhóm (Bảng 2.4).

Bảng 2.3: Bảng ngẫu nhiên đối với dự báo đa nhóm Quan trắc Nhóm Tổng

i,j 1 2 ... K 1 n(F1,O1) n(F2,O1) ... n(FK,O1) N(F1)

Dự báo 2 n(F1,O2) n(F2,O2) ... n(FK,O2) N(F2) Nhóm ... ... ... ... ... ...

K n(F1,OK) n(F2,OK) ... n(FK,OK) N(FK) Tổng N(O1) N(O2) ... N(OK) N

Bảng 2.4: Bảng các chỉ số đánh giá dự báo đa nhóm

Chỉ số Biểu thức tính Giá trị Ý nghĩa Độ chính xác Acc 1

1 ( , )K

i ii

Acc n F ON =

= ∑ 0 1 tốt = 1

Dự báo đúng bao nhiêu phần trăm?

Chỉ số kỹ năng

Heidke

21 1

21

1 1( , ) ( ) ( )

11 ( ) ( )

K K

i i i ii i

K

i ii

n F O N F N ON NHSS

N F N ON

= =

=

−=

−

∑ ∑

∑

- ∞ 1 tốt = 1 xấu = 0

Độ chính xác của dự báo quan hệ với tính ngẫu nhiên như thế nào?

Biệt thức Hanssen và

Kuipers

21 1

22

1

1 1( , ) ( ) ( )

11 ( ( ))

K K

i i i ii i

K

ii

n F O N F N ON NHK

N FN

= =

=

−=

−

∑ ∑

∑

-1 1 tốt = 1 xấu = 0

Dự báo sự kiện “có” phân biệt tốt đến đâu so với sự kiện “không” ?

d/ Phương pháp đánh giá đối với dự báo các biến liên tục

Minh họa cho phương pháp đánh giá dự báo các biến liên tục và phương

pháp thống kê là một ví dụ về tập hợp 10 ngày nhiệt độ được dự báo bởi Stanski

vcs. (1989). Đánh giá các dự báo biến liên tục thường được thực hiện bằng đồ thị tụ

điểm và đồ thị hộp cũng như một vài chỉ số tổng quát trong Bảng 2.5.

70

Bảng 2.5: Bảng các chỉ số đánh giá dự báo biến liên tục

Chỉ số Biểu thức tính Giá trị Ý nghĩa

ME 1

1 ( )N

i ii

ME F ON =

= −∑ - ∞ ∞ tốt = 0

Sai số dự báo trung bình bằng bao nhiêu?

MAE 1

1 N

i ii

MAE F ON =

= −∑ 0 ∞ tốt = 0

Biên độ trung bình của sai số dự báo

RMSE 2

1

1 ( )N

i ii

RMSE F ON =

= −∑ 0 ∞ tốt = 0

Biên độ trung bình của sai số dự báo

Hệ số tương quan r 2 2

( )( )

( ) ( )

F F O Or

F F O O

− −=

− −∑

∑ ∑-1 1 tốt = 1

Tương quan giữa giá trị dự báo và giá trị quan trắc

2.2.2. Phương pháp luyện mạng thần kinh nhân tạo ANN

Phương pháp luyện ANN là một trong những phương pháp hiệu quả được

đánh giá cao trong số các phương pháp thống kê sản phẩm mô hình số do khả năng

biểu diễn quan hệ vật lý phi tuyến giữa các đại lượng khí tượng. Hình 2.6 biểu diễn

tổng quát quá trình này từ sản phẩm dự báo của GCM hoặc RCM về quy mô địa

phương, trong đó giá trị tại lưới thô của GCM hoặc RCM trên một khu vực nhỏ nào

đó được trích ra làm nhân tố dự báo cho các điểm trạm hoặc các vùng nhỏ hơn

thông qua các phương trình hồi quy, tương quan, ...

Hình 2.6: Dự báo cho địa phương bằng phương pháp thống kê sản phẩm của GCM

hoặc RCM.

71

Ý tưởng xây dựng ANN bắt nguồn từ việc nghiên cứu hệ thần kinh sinh học

của con người, trong đó quan trọng nhất là sự điều khiển của bộ não sau đó là sự lan

truyền thông tin trong hệ thống các tế bào thần kinh [Haykins, 1994]. Tuy không

được xây dựng chặt chẽ và phức tạp như hệ thống thần kinh sinh học nhưng ANN

lại có thể mô hình hoá được rất nhiều quá trình phức tạp của các hệ thống thần kinh

sinh học và ngoài ra, rất nhiều đặc tính của ANN lại không có trong các hệ thần

kinh sinh học. Ví dụ, ANN có thể bao gồm các đầu ra là các giá trị hằng số riêng lẻ

trong khi đó đầu ra của các neuron sinh học là một chuỗi liên kết và biểu hiện phức

tạp theo thời gian của các nhánh. Sau đây là hình vẽ so sánh cấu trúc của mạng thần

kinh sinh học với ANN (Hình 2.7).

Hình 2.7: Cấu trúc của mạng thần kinh sinh học (trên) và cấu trúc ANN

(dưới). [http://www.emeraldinsight.com/fig/0330250

106025.png]

Đối với mạng thần kinh sinh học, thông tin có thể lan truyền từ cơ quan thụ

cảm về não bộ hoặc ngược lại nhưng đều theo một cách thức như nhau là thông qua

các xung thần kinh trên các sợi trục thần kinh và liên kết hoá học trên các khớp thần

kinh. Cách thức lan truyền thông tin này được ANN mô phỏng đơn giản hơn rất

nhiều nhưng cũng khá đầy đủ và tương đồng. Ban đầu, thông tin từ các nhánh thần

kinh đi vào một neuron sinh học, tương ứng với việc cung cấp các đầu vào cho các

nodes trên ANN. Sau đó thông tin lan truyền trên sợi trục thần kinh, tương ứng với

các hàm truyền của ANN. Các khớp thần kinh sinh học tương ứng với các trọng số

trong ANN. Cuối cùng thông tin đi tới một cơ quan thực hiện hành động, tương ứng

với việc ANN cho ra một kết xuất. ANN có thể rất phức tạp bao gồm nhiều nút,

nhiều lớp ẩn nhưng đơn giản nhất là chỉ có 1 lớp đầu vào, 1 lớp ẩn và lớp kết xuất.

72

Một trong những toán tử thường được sử dụng nhiều nhất trong ANN là toán

tử lan truyền ngược (back-propagation) trong đó thông tin không những được lan

truyền tiến dọc theo các nút nhờ hàm truyền và các trọng số mà còn được lan truyền

ngược trở lại để cập nhật các trọng số sao cho sai số giữa kết xuất và hàm đích giảm

đi. Phương pháp cực tiểu hoá sai số giữa kết xuất và hàm đích thường được sử dụng

là phương pháp học giảm dốc nhất (phương pháp giảm gradient). Mục đích là tính

gradient sao cho cực tiểu hóa sai số tổng cộng giữa giá trị mong muốn trong thực tế

và kết xuất của ANN. Nguyên tắc học là trọng số được cập nhật sao cho làm giảm

gradient tổng cộng của sai số theo mọi trọng số trên tất cả các mẫu nghĩa là di

chuyển theo hướng ngược lại của gradient sai số tổng cộng, theo hướng giảm sai số

nhiều nhất trên mặt lỗi (Hình 2.8).

Hình 2.8: Mặt lỗi là hàm của

các trọng số. Điểm dốc nhất

trên mặt lỗi là nơi sai số tổng

cộng nhỏ nhất.

ANN thường sử dụng hàm truyền logistic sigmoid (logsig) hoặc hyperbolic

tangent sigmoid (tansig) trong các lớp ẩn. Đối với lớp kết xuất, nếu hàm đích là

những giá trị biến đổi từ 0 đến 1, ANN sẽ sử dụng hàm sigmoid, ngược lại sẽ sử

dụng hàm tuyến tính (purelin) như được biểu diễn trong Hình 2.9.

(a) Hàm truyền logistic

sigmoid

(b) Hàm truyền hyperbolic

tangent sigmoid

(c) Hàm truyền tuyến

tính Hình 2.9: Các dạng hàm truyền cơ bản của ANN, (a) hàm Log-sigma, (b) tan-

sigma, (c) tuyến tính [Demuth vcs., 2000].

73

Thuật toán Levenberg-Marquardt là một trong những cải tiến của phương

pháp lan truyền ngược và grandient giảm dốc nhất trong đó trọng số được cập nhật

không phải hằng số theo thời gian mà biến đổi tùy thuộc gradient tại bước ngay

trước đó. Đây là thuật toán chính thức của phương pháp ANN trong chương trình

MatLab (Matrix Laboratory, Mỹ), được luận án sử dụng để hiệu chỉnh nhiệt độ và

lượng mưa.

Đầu vào Lớp ẩn 1 Lớp ẩn 2 Lớp ẩn 3 Kết xuấtĐầu vào Lớp ẩn 1 Lớp ẩn 2 Lớp ẩn 3 Kết xuất

Hình 2.10: Mạng thần kinh 3 lớp theo phương pháp Levenberg-Marquardt. Đầu vào Lớp ẩn 1 Lớp ẩn 2 Lớp ẩn 3 Kết xuấtĐầu vào Lớp ẩn 1 Lớp ẩn 2 Lớp ẩn 3 Kết xuất

Hình 2.11: Dạng vectơ của mạng 3 lớp trong Hình 2.10.

Mạng thần kinh 3 lớp có dạng và công thức cụ thể như trên hình Hình 2.10

hoặc dạng vectơ như trên hình Hình 2.11 trong đó ký hiệu p là vectơ đầu vào, IW là

ma trận trọng số của đầu vào, b là các vectơ tham số tại từng lớp, LW là các ma trận

trọng số tại các lớp, f là các hàm truyền, a là vectơ chứa các giá trị tại các nút (các

nơron) và y là vectơ đầu ra. Trong trường hợp tổng quát, khi có nhiều lớp thì không

74

thể viết công thức tường minh như trên vì quá dài, thay vì đó, sử dụng công thức

quy nạp để mô phỏng một mạng thần kinh với chỉ số trên là số thứ tự của lớp:

( )( )

( )

1 1 1 1 1

2 2,1 1 2 2 2 2

, 1 1

,

,

...

,N N N N N N N N

n IWp b a f n

n LW a b a f n

n LW a b a f n y− −

= + =

= + =

= + = =

(2.80)

Mạng thần kinh nhân tạo được luyện bằng cách thay đổi các trọng số IW, LW

và b để sai số giữa đầu ra và mục tiêu là nhỏ nhất. Phương pháp được lựa chọn là

từng bước cập nhật trọng số theo đường dốc nhất (hướng âm của gradient). Công

thức thay đổi theo đường dốc nhất có dạng: 1k k k kx x g+ = −α trong đó xk là vectơ

chứa các trọng số và b tại bước (thế hệ) thứ k, gk là gradient của sai số đối với trọng

số và b, αk là bước tiến. Thuật toán này có thể hiểu một cách hình tượng giống như

một hòn bi lăn trong một cái chảo sẽ tìm đường dốc nhất để đi tới đáy chảo. Trong

những chương trình luyện mạng đơn giản, người ta cho bước tiến αk là hằng số và

quá trình hội tụ rất chậm. Các thuật toán cải tiến sẽ thay đổi bước tiến trong quá

trình luyện. Ở đây ta sử dụng thuật toán Levenberg-Marquardt để luyện. Thuật toán

Levenberg-Marquardt được trình bày chi tiết trong Phụ lục B.

2.3. Nguồn số liệu sử dụng

a/ Số liệu cho RegCM3

Nguồn số liệu cung cấp cho mô hình RegCM3 bao gồm số liệu về độ cao địa

hình, các loại bề mặt, nhiệt độ mặt nước biển và số liệu tái phân tích làm điều kiện

ban đầu và điều kiện biên cập nhật theo thời gian. Tất cả số liệu đầu vào cần để

chạy mô hình có thể được tải về từ trang web http://www.ictp.trieste.it/pubregcm/

RegCM3.

Bộ số liệu Đặc trưng đất phủ toàn cầu (Global Landuse Cover Characteric:

GLCC) cung cấp thông tin về thực vật/mặt đệm, nhận được từ số liệu Bức xạ

phân giải rất cao tiên tiến (Advanced Very High Resolution Radiation: AVHRR)

75

từ tháng 4/1992 đến tháng 3/1993 và được chia thành 18 loại đất phủ/thực vật

được định nghĩa trong sơ đồ tương tác sinh quyển-khí quyển BATS. Mặt đệm

của mỗi ô lưới của mô hình được xác định thuộc 1 trong số 18 loại này. Có thể

xem kỹ hơn về số liệu GLCC tại trang web http://edcdacc.ugs.gov/glcc/

glcc.html.

Số liệu độ cao địa hình được lấy từ USGS. Các file số liệu mặt đệm và độ cao địa

hình đều có sẵn tại các độ phân giải 30 và 10 phút và có thể tải về từ trang web

của ICTP là http://www.ictp.trieste.it/pubregcm/RegCM3/ DATA/SURFACE.

Số liệu SST có thể là nhiệt độ mặt biển toàn cầu (GISST) hàng tháng trên lưới

cách nhau 1 độ (1871-2002) có sẵn từ Cơ quan Khí tượng Trung tâm Hadley

(Hadley Center Meteorological Office) (http://badc.nerc.ac.uk/data/gisst/) hoặc

bộ số liệu phân tích hàng tuần trên lưới 1 độ của nhiệt độ mặt biển ngoại suy tối

ưu (OISST) (1981-2002) cũng có sẵn từ Cơ quan quản lý biển và khí quyển quốc

gia (National Ocean and Atmosphere Administration) trên trang web

http://www.cdc.noaa.gov/.

Số liệu phân tích toàn cầu để sử dụng đối với các điều kiện ban đầu và biên bao

gồm:

ECMWF: Số liệu tái phân tích của Trung tâm dự báo thời tiết hạn vừa của

Châu Âu (European Centre for Medium-Range Weather Forecasts

Reanalysis, T42, L15) từ 1993-1997.

NNRP1: Số liệu tái phân tích của Trung tâm quốc gia Dự báo Môi trường

của Mỹ (National Centre for Environmental Prediction (NCEP)

Reanalysis datasets), lưới 2.5 độ, L17, từ 1948-2001.

NNRP2: Số liệu tái phân tích của Trung tâm quốc gia Dự báo Môi trường

của Mỹ (National Centre for Environmental Prediction (NCEP)

Reanalysis datasets), lưới 2.5 độ, L17, từ 1979-2001.

ERA40: Số liệu tái phân tích của Trung tâm dự báo thời tiết hạn vừa của

Châu Âu (ECMWF Re-analysis), là số liệu tái phân tích toàn cầu của các

76

biến khí quyển từ rất nhiều quan trắc truyền thống và số liệu vệ tinh cho

giai đoạn từ tháng 9/1957 đến 8/2002.

b/ Số liệu thẩm định

CRU: Số liệu tái phân tích của Trung tâm nghiên cứu khí hậu của Anh với độ

phân giải ngang 0,5 độ, chỉ có số liệu nhiệt độ bề mặt, lượng mưa, tổng lượng

mây và độ ẩm tuyệt đối trung bình tháng.

Số liệu đầu vào: có thể so sánh với chính số liệu đầu vào ERA40 (ECMWF) để

xem xét khả năng tái tạo các trường gió, nhiệt và ẩm của mô hình.

Quan trắc thực tế trên Việt Nam: 60 trạm quan trắc khí tượng điển hình trải đều

trên lãnh thổ Việt Nam. Trong 1 ngày có số liệu tại 4 ốp quan trắc chuẩn. Nhiệt

độ được tính trung bình ngày, sau đó tính trung bình các tháng để so sánh. Lượng

mưa tính tổng lượng ngày, sau đó tính trung bình tháng để so sánh.

Tóm lược các bước thực hiện trong chương 3 và 4:

Trước hết chọn các tham số động lực và vật lý thích hợp nhất cho mô hình

RegCM3 đối với khu vực ĐNA, sau đó chạy mô phỏng khí hậu hạn mùa trong

10 mùa hè từ năm 1991 đến 2000 với các tham số được chọn.

Đánh giá kết quả mô phỏng bằng các chỉ số thống kê, chỉ ra sai số hệ thống của

nhiệt độ và lượng mưa mô phỏng so với quan trắc.

Hiệu chỉnh nhiệt độ và lượng mưa trung bình tháng bằng ANN.

Chương 3 và 4 sau đây trình bày các kết quả nghiên cứu chính của luận án.

77

Chương 3

KẾT QUẢ MÔ PHỎNG CÁC TRƯỜNG KHÍ TƯỢNG TRÊN KHU VỰC ĐÔNG NAM Á BẰNG MÔ HÌNH KHÍ

HẬU KHU VỰC RegCM3

3.1. Thời tiết, khí hậu khu vực ĐNA trong thập kỷ cuối thế kỷ XX

Trong thập kỷ cuối của thế kỷ XX, thời tiết khu vực ĐNA đã chịu ảnh hưởng

mạnh mẽ của hiện tượng ENSO. ENSO là từ ghép được cấu tạo bởi “El

Nino/Southern Oscillation (El Nino/Dao động Nam)”, thực chất là chỉ cả 2 hai hiện

tượng El Nino và La Nina và có liên quan với dao động của khí áp giữa 2 bờ phía

Đông Thái Bình Dương với phía Tây Thái Bình Dương - Đông Ấn Độ Dương gần

xích đạo. “El Nino” là từ được dùng để chỉ hiện tượng nóng lên dị thường của lớp

nước biển bề mặt ở khu vực xích đạo trung tâm và Đông Thái Bình Dương, kéo dài

8 - 12 tháng, hoặc lâu hơn, thường xuất hiện 3 - 4 năm một lần, song cũng có khi

dày hơn hoặc thưa hơn. “La Nina” là hiện tượng lớp nước biển bề mặt ở khu vực

nói trên lạnh đi dị thường, xảy ra với chu kỳ tương tự hoặc thưa hơn El Nino.

Hiện tượng El Nino và La Nina có ảnh hưởng đến thời tiết, khí hậu toàn cầu

với mức độ khác nhau và rất đa dạng. Tuy nhiên, đối với từng khu vực cụ thể, vẫn

có thể xác định được những ảnh hưởng chủ yếu có tính đặc trưng của mỗi hiện

tượng nói trên [Nguyễn Đức Ngữ, 2007]. Các kỳ El Nino và La Nina từ mức độ

yếu, ôn hòa đến mạnh, xảy ra trong thế kỷ XX được tổng kết trong Bảng 3.1, trong

đó 10 năm cuối của thế kỷ XX đã xảy ra 4 đợt El Nino với một đợt xảy ra năm

1997-1998 được xem là mạnh nhất thế kỷ [Nguyễn Đức Ngữ và Phạm Thị Thanh

Hương, 2003]. Các đợt El Nino và La Nina trong thời kỳ 1991-2000 được trình bày

trong Bảng 3.2. Hiện tượng El Nino chủ yếu bắt đầu xảy ra vào các tháng mùa hè,

kéo dài đến hết mùa hè năm đó hoặc sang mùa hè năm sau.

78

Những thời kỳ xảy ra ENSO mạnh sẽ được chú ý trong khi phân tích kết quả

mô phỏng hoàn lưu, nhiệt độ, độ ẩm và lượng mưa của mô hình RegCM3 trong mùa

gió mùa mùa hè trên khu vực ĐNA tiếp sau đây.

Bảng 3.1: Các kỳ El Nino và La Nina trong thế kỷ XX.

El Nino yếu hoặc ôn hòa 57-58, 65-66, 77-78, 87-88, 92-93, 94-95

El Nino mạnh 72-73, 82-83, 91-92, 97-98

La Nina yếu hoặc ôn hòa 50-51, 56-57, 64-65, 70-71, 71-72, 74-75, 98-99, 2000

La Nina mạnh 55-56, 73-74, 75-76, 88-89

Bảng 3.2: Các đợt ENSO trong thập kỷ của cuối thế kỷ XX [Nguyễn Đức Ngữ,

2007; Trenberth, 1997]

ENSO Năm Tháng bắt đầu Tháng kết thúc Thời gian kéo dài

1991-1992 4/1991 6/1992 15 tháng

1993 2/1993 8/1993 7 tháng

1994-1995 6/1994 3/1995 10 tháng El Nino

1997-1998 4/1997 6/1998 15 tháng

1995-1996 8/1995 4/1996 9 tháng La Nina

1998-2000 8/1998 7/2000 18 tháng

3.2. Hoàn lưu, nhiệt độ, độ ẩm và lượng mưa của RegCM3

3.2.1. Cấu hình động lực

Các thử nghiệm đều sử dụng cấu hình như trong Bảng 3.3. Độ phân giải

ngang 60km và 18 mực thẳng đứng trong đó có 6 mực trong lớp PBL (dưới 850mb)

và mực trên cùng của mô hình ở 70mb. Sau một số thử nghiệm về số liệu đầu vào,

thời gian spin-up và thời đoạn mô phỏng chúng tôi lựa chọn điều kiện ban đầu và

biên xung quanh biến đổi theo thời gian từng 6h là tái phân tích ERA40 (ECMWF),

thời gian spin-up là 10 ngày và hạn mô phỏng là 3 tháng. Khu vực đệm xung quanh

gồm 12 điểm lưới, sử dụng thuật toán "giảm dư" trên biên [Giorgi vcs, 1993].

79

Bảng 3.3: Cấu hình động lực trong RegCM3.

Động lực học Thủy tĩnh

Số liệu đầu vào ERA40

Miền tích phân 15S-27N; 70-135E

Độ phân giải ngang 60km

Độ phân giải thẳng đứng 18 mực sigma (từ mặt đất 70mb)

Thời gian mô phỏng 3 tháng mùa hè (6-8) trong 10 năm (1991-2000)

Thời gian Spin-up 10 ngày (bắt đầu từ 20/5 hàng năm)

Đối với dự báo thời tiết, điều kiện ban đầu rất quan trọng, còn với bài toán

DBKHKV, điều kiện ban đầu sẽ bị quên đi sau một thời gian tích phân, trong khi

điều kiện biên được cập nhật theo thời gian lại có vai trò quan trọng. Do đó, lựa

chọn miền tính và điều kiện biên, nhất là biên xung quanh cần lưu ý trước nhất khi

mô phỏng hoặc dự báo khí hậu khu vực. Kích thước miền càng nhỏ, ảnh hưởng của

biên xung quanh đến kết quả mô phỏng càng lớn [Giorgi vcs., 1993; Jones vcs.,

1995; Seth và Giorgi, 1998] bởi vì trong khi tác động của biên xung quanh trong

các thử nghiệm miền nhỏ ép buộc mô hình để nhận được mô phỏng tốt hơn, cũng

đồng thời làm xuất hiện những phản ứng không thực đối với các tác động nội tại

không phù hợp với tác động quy mô lớn được truyền vào. Do đó, miền tính phải đủ

lớn để RCM có thể bộc lộ được động lực nội tại của nó thay vì bị ép buộc về trạng

thái của trường điều khiển. Biên xung quanh đặt trên các khu vực có địa hình cao

đáng kể có thể dẫn tới tạo ra nhiễu và dự báo không đáng tin cậy [Hong và Juang,

1998]. Điều này là do sự không phù hợp giữa độ phân giải thô của GCM và độ phân

giải tinh hơn của RCM. Nó không chỉ gây ra nhiễu đáng kể mà còn đòi hỏi “ngoại

suy” các biến bên dưới mực bề mặt của các trường điều khiển. Nhìn chung, nên đặt

biên xung quanh trên đại dương hơn là trên đất liền để tránh những ảnh hưởng có

thể của những tính toán không thực tế của năng lượng toàn phần tại mặt đất, gần các

biên. Một yếu tố quan trọng ảnh hưởng tới năng lượng toàn phần tại mặt đất, gần

các biên xung quanh là sự hình thành mây, đặc biệt khi sử dụng các sơ đồ vi vật lý

mây hiển, vì nước mây thường không được cung cấp như là các LBC và đòi hỏi một

80

vài ô lưới để sinh ra. Hơn nữa, giáng thuỷ giả thường hình thành gần các biên xung

quanh. Do đó, miền của mô hình nên bao quanh tất cả các vùng nơi đó các tác động

và hoàn lưu ảnh hưởng trực tiếp đến khí hậu của khu vực và nên mở rộng đến

chừng nào có thể nhưng tránh đặt biên trên những khu vực có địa hình phức tạp.

Hình 3.1 : Dòng gió mùa chính trong 3 tháng mùa hè (6, 7, 8) ở Châu Á.

[http://w3.jamstec.go.jp/frsgc/eng/press/IOD/images/Ref2_E.gif].

Nhưng những tiêu chí này rất khó thực hiện đầy đủ khi dự báo khí hậu khu

vực Châu Á, đặc biệt là khu vực ĐNA. Phía Bắc có dãy Hymalaya với đỉnh

Chomolungma cao nhất thế giới (> 8000m). Ba phía còn lại không có núi cao nhưng

lại có rất nhiều đảo, bán đảo và đường bờ biển dài và uốn khúc. Mặt khác, như thấy

trên Hình 3.1, dòng gió mùa chính trong mùa hè khu vực Châu Á trải dài từ khoảng

60E đến khoảng 140E. Nếu miền quá hẹp theo phương đông-tây cũng sẽ không biểu

diễn tốt hoàn lưu gió mùa. Vì vậy, chúng tôi chọn miền tính từ 15S-27N; 70-135E để mô phỏng khí hậu khu vực Đông Nam Á.

Một số thử nghiệm miền tính cho thấy việc lựa chọn miền tích phân này là

thích hợp. Với miền tích phân này, Hình 3.2 cho thấy đường dòng đã được RegCM

tái tạo tốt. Tuy nhiên, ẩm mô phỏng thấp hơn thực tế, nhất là trên Ấn Độ Dương và

Biển Đông. Tốc độ gió kinh hướng của mô hình yếu hơn ERA40 trong khi tốc độ

gió vĩ hướng được tái tạo mạnh hơn ERA40 trên vịnh Belgan làm cho đường dòng

81

ở đây có xu thế vĩ hướng hơn so với thực. Kết quả là ẩm từ Ấn Độ Dương và Nam

Bán Cầu không được vận chuyển chính xác vào bờ tây của Burma, và càng vào sâu

trong lục địa, ẩm càng thiếu hụt, có thể thấy trên Thái Lan.

(a) ERA40, 8/96

(b) RegCM3, 8/96

Hình 3.2:

Đường dòng

và độ ẩm

trung bình

tháng 8/1996

mực 850mb

của (a)

ERA40 và (b)

RegCM3.

Đơn vị độ ẩm

là kg/kg.

Tương tự, đường dòng trên Biển Đông cũng có tính vĩ hướng hơn so với

ERA40 làm cho lượng ẩm trên Biển Đông thiếu hụt so với thực tế. Nếu miền hẹp về

82

phía tây và phía nam gây nên nhiễu trên phía nam của cao nguyên Tây Tạng, đường

dòng quá ken xít ở biên phía tây, trên vịnh Belgan và ẩm ít hơn thực tế tại bờ đông

của vịnh.

Đường dòng trên

vịnh Bengal có xu hướng

vĩ hướng hơn thực tế làm

cho rãnh thấp nông hơn

và không đưa được ẩm

vào bờ tây của Burma

(Hình 3.3). Vùng đệm tại

xích đạo được mô phỏng

chính xác hơn khi biên

phía nam mở rộng xuống

15S (Hình 3.2 b so với

Hình 3.3).

Hình 3.3: Tương tự Hình 3.2b nhưng miền tích phân

rộng hơn về phía bắc, hẹp hơn về 3 phía còn lại. Bên cạnh lựa chọn miền tính, độ phân giải cũng rất quan trọng khi thiết lập

thử nghiệm cho mô hình khí hậu khu vực. Lựa chọn độ phân giải có thể điều chỉnh

hiệu ứng của các tác động vật lý và các tham số hoá [Giorgi và Marinucci, 1996;

Laprise vcs., 1998]. Khả năng biểu diễn chu trình thuỷ văn chủ yếu được cải thiện

khi tăng độ phân giải do biểu diễn địa hình tốt hơn [Christensen vcs, 1998; Leung

và Ghan, 1999]. Việc giải cụ thể hơn các phổ của chuyển động khí quyển tại độ

phân giải cao cải thiện khả năng biểu diễn các hệ thống xoáy thuận và xoáy thẳng

đứng nhưng đôi khi cũng có thể dự báo xấu hơn một vài khía cạnh của khí hậu

[Machenhauer vcs., 1998; Kato vcs., 1999]. Độ phân giải cao không cải thiện đáng

kể nhiệt độ mặt đất một cách hệ thống nhưng làm biến đổi nhiệt một số địa phương

do biểu diễn được địa hình của mô hình [Kato vcs., 1999]. Tính trung bình trên toàn

lục địa, tổng lượng mưa nhạy đối với độ phân giải ngang hơn là nhạy với tác động

của địa hình. Địa hình hầu hết góp phần vào phân bố lại diện mưa theo không gian

và tác động chủ yếu trên khu vực có địa hình phức tạp [Giorgi và Marinucci, 1996].

83

Tập hợp các kết quả nghiên cứu của RCM trên thế giới của Giorgi (2006)

cho thấy RCM tái tạo mưa chi tiết hơn GCM và RCM_25km mô phỏng lượng mưa

5-7 mm/ngày khu vực ven biển phía tây nước Anh gần với quan trắc hơn phiên bản

RCM_50km nhưng cường độ giáng thủy miền bắc nước Anh lại vượt quá quan trắc

trong trường hợp độ phân giải 25km (Hình 3.4). Các kết quả mô phỏng của luận án

(Hình 3.5) rất phù hợp với những kết quả nghiên cứu này.

(a) GCM_300km (b) RCM_50km

(c) RCM_25km (d) Quan trắc

Hình 3.4: Lượng mưa mô phỏng bởi (a) GCM_300km, (b) RCM_50km, (c) RCM_25km và (d) Quan trắc [Giorgi, 2006]. Đơn vị mm/ngày.

84

Trong luận án, RegCM3 được chạy thử nghiệm với độ phân giải ngang 60km

và 45km. Các kết quả mô phỏng nhiệt độ không khác biệt nhiều giữa 2 trường hợp.

Lượng mưa của RegCM3_45km chi tiết hơn RegCM3_60km trên khu vực Việt

Nam và cường độ mưa tại khu vực tây nam Campuchia mạnh hơn quan trắc (xem

Hình 3.5). Do đó, sai số RMSE tổng cộng của RegCM3_45km giảm đi trong khi

HSTQ tăng lên so với RegCM3_60km, nhưng sai số RMSE tại khu vực tây nam

Campuchia của RegCM3_45km lại cao hơn (Hình 3.6).

(a) Mưa, RegCM3_60km (b) RegCM3_45km

Hình 3.5: Lượng mưa trung bình tháng 8 của 3 năm 1996-1998 mô phỏng bởi (a)RegCM3_60km và (b) RegCM3_45km. Đơn vị mm/ngày.

(a) Mưa, RMSE, RegCM3_60km (b) RegCM3_45km

Hình 3.6: Sai số RMSE của lượng mưa trung bình tháng 6-8/1996-1998 của (a)

RegCM3_60km và (b) RegCM3_45km. Đơn vị mm/ngày.

85

Các chỉ số đánh giá của phiên bản 60km lần lượt là HSTQ = 0.33, RMSE =

8.49, MAE = 5.58, ME = -0.94 còn các giá trị tương ứng của phiên bản 45km lần

lượt là HSTQ = 0.36, RMSE = 8.19, MAE = 5.29, ME = -1.01. Như vậy, kết quả

mô phỏng với hai độ phân giải 60km và 45km không khác biệt đáng kể trong khi đó

thời gian chạy phiên bản 45km lớn hơn gần gấp đôi so với phiên bản 60km. Hơn

nữa, Gao vcs. (2006) kiểm nghiệm vai trò của độ phân giải ngang lên giáng thuỷ mô

phỏng của Đông Á bằng việc sử dụng RegCM2 với độ phân giải ngang là 45, 60,

90, 120, 180, 240 và 360 km thấy rằng độ phân giải 60km hoặc cao hơn là cần thiết

để mô tả tốt phân bố giáng thuỷ trên Trung Quốc và Đông Á. Do đó, chúng tôi lựa

chọn độ phân giải 60km trong tất cả các thử nghiệm sau này.

Tiếp theo là các thử nghiệm lựa chọn sơ đồ tham số hóa vật lý, cụ thể là sơ

đồ tham số hóa đối lưu và sơ đồ tính thông lượng đại dương – khí quyển.

3.2.2. Lựa chọn sơ đồ tham số hóa vật lý

Tham số hóa vật lý là thành phần quan trọng nhất trong mô hình hóa khí hậu.

Với cùng một miền tích phân và các tham số khác như độ phân giải, bước thời gian

tích phân, điều kiện ban đầu và điều kiện biên xung quanh, RegCM vẫn cho các kết

quả mô phỏng rất khác nhau nếu các sơ đồ tham số hóa vật lý khác nhau được lựa

chọn. Các sơ đồ tham số hóa vật lý được thử nghiệm trong RegCM3 được trình bày

trong Bảng 3.4.

Bảng 3.4: Các sơ đồ vật lý biểu diễn trong RegCM3.

Sơ đồ tham số hóa đối lưu (1)Kuo (2)BMJ (3)GAS (4)GFC

Sơ đồ tính toán thông lượng đại

dương - khí quyển (1) BATS (2) Zeng

Sơ đồ bức xạ CCM3

Sơ đồ lớp biên hành tinh Hostlag

Sơ đồ trao đổi mặt đất - khí quyển BATS

86

3.2.2.1. Chọn sơ đồ tham số hóa đối lưu

Tham số hóa đối lưu rất cần thiết trong các mô hình khí hậu khu vực vì độ

phân giải ngang khoảng vài chục đến vài trăm kilômét không thể biểu diễn hiện các

quá trình vật lý mây vốn có quy mô dưới lưới. Về bản chất, tham số hóa đối lưu là

biểu diễn các đặc trưng thống kê của mây theo các biến quy mô lưới giải được. Rất

nhiều nghiên cứu đã chỉ ra rằng trong các loại tham số hóa, kết quả dự báo của mô

hình khí hậu khu vực nhạy nhất với tham số hóa đối lưu [Gorchis vcs., 2002;

Ratnam vcs., 2005; Singh vcs., 2006]. Theo Hoon và Hong (2007), các sơ đồ tham

số hóa đối lưu trong các mô hình số có thể chia thành các sơ đồ quỹ ẩm (ví dụ như

Kuo 1965, 1974), sơ đồ điều chỉnh đối lưu (ví dụ Manabe vcs., 1965; Betts-Miller,

1974), và sơ đồ thông lượng khối (ví dụ Arakawa và Schubert, 1974). Từ cuối

những năm 1980, các sơ đồ thông lượng khối đã được sử dụng thành công trong các

mô hình nghiệp vụ (như Tiedtke, 1989; Pan và Wu, 1995; Peng vcs., 2004).

Trong RegCM3 đã sẵn có sơ đồ tham số hóa đối lưu kiểu Kuo (Anthes,

1977), sơ đồ của Betts-Miller-Janjic (BMJ, 1996), sơ đồ của Grell (1993) với 2 giả

thiết khép kín của Arakawa-Schubert và Fritsch-Chappel (ký hiệu lần lượt là GAS

và GFC). Khi thực hiện luận án, sơ đồ tham số hóa đối lưu của Emanuel chưa được

đưa vào làm 1 tùy chọn của RegCM3 nên không được thử nghiệm ở đây. Các phiên

bản của RegCM3 với các sơ đồ tham số hóa đối lưu được trình bày trong Bảng 3.5.

Kết quả mô phỏng mưa và nhiệt độ bề mặt của các phiên bản này được so sánh với

số liệu tái phân tích của CRU và chọn ra sơ đồ tham số hóa đối lưu thích hợp nhất.

Bảng 3.5: Ký hiệu các phiên bản mô hình RegCM3 với các tùy chọn sơ đồ

tham số hóa đối lưu. Sơ đồ tham số hóa đối lưu Ký hiệu

Kuo Reg+Kuo

Betts-Miller-Janjic Reg+BMJ

Grell+AS Reg+GAS

Grell+FC Reg+GFC

87

(a) T2m, CRU, 8/96 (b) Reg+GAS

(c) Reg+GFC

(d) Reg+BMJ

Hình 3.7: Nhiệt độ tại độ cao 2m trung bình tháng 8/1996 của (a) CRU, (b)

Reg+GAS, (c) Reg+GFC và (d) Reg+BMJ. Đơn vị độ C.

Trong quá trình nghiên cứu, chúng tôi đã thử nghiệm các sơ đồ tham số hóa

đối lưu sẵn có nói trên để mô phỏng gió mùa mùa hè cho khu vực ĐNA và nhận

thấy sơ đồ Kuo và BMJ (Hình 3.7d) mô phỏng nhiệt độ khá gần với CRU nhưng tái

tạo lượng mưa quá nhỏ và không nắm bắt được các tâm mưa lớn điển hình của gió

mùa mùa hè khu vực ĐNA (Hình 3.8d); sơ đồ GFC tái tạo mưa quá lớn và diện quá

88

rộng (Hình 3.8c) đồng thời nhiệt độ quá thấp (Hình 3.7c) so với CRU; sơ đồ GAS

tái tạo nhiệt độ thấp hơn CRU trung bình khoảng 2-4 độ (Hình 3.7b) trong khi

lượng mưa tái tạo cũng khá thấp so với CRU (Hình 3.8b), đặc biệt khi so sánh với

số liệu quan trắc thực tế trên lãnh thổ Việt Nam (Hình 3.8a). Nhưng, so với các sơ

đồ sẵn có trong RegCM3, sơ đồ GAS cho những kết quả hợp lý hơn cả đối với khu

vực ĐNA.

(a) Mưa, CRU, 8/96 (b) Reg+GAS

(c) Reg+GFC

(d) Reg+BMJ

Hình 3.8: Lượng mưa trung bình tháng 8/1996 của (a) CRU, (b) Reg+GAS, (c)

Reg+GFC và (d) Reg+BMJ. Đơn vị mm/ngày.

89

a/ Nhận xét về Reg+Kuo:

Trong quá khứ, sơ đồ Kuo gốc (Kuo 1965, 1974) được sử dụng rộng rãi

trong các mô hình nghiệp vụ do khá đơn giản nhưng vì vậy cũng có nhiều hạn chế.

Kuo và Anthes (1984) đã chỉ ra rằng sơ đồ đối lưu Kuo tái tạo quá mạnh đốt nóng

thuần trong phần dưới tầng đối lưu và tái tạo yếu hơn thực tế trong tầng đối lưu trên

bởi vì sơ đồ này đã bỏ qua sự bay hơi của hơi nước lỏng trong phần dưới của tầng

đối lưu. Yếu điểm này đã được khắc phục trong sơ đồ kiểu Kuo (Anthes, 1977)

được sử dụng trong luận án này, trong đó, bay hơi của giáng thủy của bước thời

gian này được nhập vào lượng hơi nước của bước thời gian tiếp theo. Vì vậy, profile

đốt nóng của Reg+Kuo gần thực tế hơn và kết quả là nhiệt độ bề mặt của Reg+Kuo

khá gần CRU, ngoại trừ thấp hơn CRU khoảng 1-2oC trên bán đảo Đông Dương.

Hơn nữa, sơ đồ Kuo giả thiết một phần của hội tụ ẩm tổng cộng làm ẩm cột khí và

phần còn lại chuyển thành giáng thủy, do đó, đồng thời, cột khí quyển cũng được

làm ẩm thêm cùng với lượng ẩm từ quá trình hội tụ chủ yếu do bình lưu ẩm.

Nhưng sơ đồ Kuo vẫn không thể tạo ra sự làm ẩm thực tế trong khí quyển,

một phần vì bản chất không biết trước được của tham số kinh nghiệm α, phần làm

ẩm từ giáng thủy [Emanuel, 1994]. Tích phân phương trình bảo toàn hơi nước trong

toàn cột khí quyển ta được:

Phần làm ẩm khí quyển = Hội tụ ẩm – Giáng thủy P + Bay hơi Fs = αP

Ví dụ, trong cân bằng bức xạ - đối lưu, vận tốc gió V = 0 dẫn đến hội tụ ẩm =

0, còn thông lượng bề mặt Fs > 0 do thông lượng bức xạ và thông lượng nhiệt rối bề

mặt cân bằng với bức xạ sóng dài từ khí quyển vào không gian, khi đó P = Fs /

(1+α). Như vậy, sơ đồ Kuo làm ẩm khí quyển tại bất kỳ nơi nào có giáng thủy đối

lưu miễn là α > 0. Kết quả là, cần thiết phải tạo ra khí quyển bão hòa. Nhưng tại

nhiệt đới, thậm chí cả nơi có chuyển động thăng trung bình, quỹ ẩm của tầng đối

lưu cũng khó có thể đạt trạng thái bão hòa. Vì vậy, sơ đồ Kuo không thể mô phỏng

chính xác hàm lượng hơi nước trong khí quyển. Đây là vấn đề đặc biệt không tốt

trong các mô hình khí hậu vì các mô hình khí hậu rất nhạy đối với sự dự báo chính

90

xác hơi nước - thành phần quan trọng nhất hấp thụ bức xạ hồng ngoại trong khí

quyển. Kết quả là sơ đồ tham số hóa đối lưu của Kuo tái tạo lượng mưa thấp hơn

CRU và vị trí các tâm mưa không chính xác.

Những kết quả này rất phù hợp với các nghiên cứu của các tác giả khác về độ

nhạy của RegCM đối với sơ đồ tham số hóa đối lưu của Kuo trên một số khu vực

thuộc ĐNA. Liu vcs. (2007) thực hiện một chuỗi thử nghiệm độ nhạy bao gồm 4 sơ

đồ đối lưu trong mô hình khí hậu khu vực phân giải cao của Trung tâm khí hậu

Quốc gia Trung Quốc (Reg\_NCC) để đánh giá khả năng tái tạo gió mùa mùa hè

khu vực Biển Nam Trung Hoa năm 1998 cho thấy sơ đồ Kuo không thể mô phỏng

tốt lượng mưa và vị trí mưa so với các sơ đồ còn lại. Tương tự, Singh vcs. (2006)

mô phỏng các đặc trưng hoàn lưu gió mùa mùa hè trên Đông Á nói chung và trên

Hàn Quốc nói riêng bằng cách sử dụng mô hình RegCM3 với độ phân giải ngang

27km trong thời đoạn 5 năm từ 1998 đến 2002, thử nghiệm với 3 sơ đồ tham số hóa

đối lưu bao gồm sơ đồ Grell với giả thiết khép kín của Arakawa-Schubert và 2 sơ

đồ đối lưu dạng thông lượng khối của Kuo và Emanuel cũng chỉ ra rằng hoàn lưu,

nhiệt độ và lượng mưa của sơ đồ Grell và Emanuel gần với quan trắc hơn so với sơ

đồ Kuo.

b/ Nhận xét về Reg+BMJ:

Sơ đồ tham số hóa đối lưu BMJ cũng có xu hướng tái tạo lượng mưa rất thấp

hơn thực tế trong khi trường nhiệt độ bề mặt khá gần với CRU. Nguyên nhân có thể

tương tự như Reg+Kuo, đó là không biểu diễn hợp lý profile ẩm của khí quyển.

Trong sơ đồ BMJ, về bản chất, đối lưu xảy ra khi khí quyển bất ổn định (không có

nghịch nhiệt ngăn cản bất ổn định) và đối lưu cũng điều khiển khí quyển về trạng

thái phiếm định giống như ta quan trắc được. Yếu điểm của sơ đồ BMJ là không có

cơ sở vật lý đối với profile tham chiếu tổng quát của độ ẩm tương đối. Trong khi mô

hình có thể được điều chỉnh để nhận được các kết quả đáng tin cậy tại một điểm hay

một thời gian nào đó, ta không thể hy vọng nhận được các profile độ ẩm thực tế

trong các hoàn cảnh khác. Đây không phải là vấn đề nghiêm trọng với mục đích dự

báo thời tiết trên quy mô thời gian dưới 10 ngày nhưng sẽ trở thành vấn đề lớn trong

91

mô hình hóa khí hậu bởi vì như đã nói, mô hình khí hậu rất nhạy đối với việc biểu

diễn chính xác lượng hơi nước khí quyển [Emanuel, 1994]. Tại ICTP, năm 2007,

các tác giả của RegCM3 đã gỡ bỏ lựa chọn sơ đồ tham số hóa đối lưu BMJ khỏi

phiên bản mới nhất của RegCM3.

c/ Nhận xét về Reg+GAS và Reg+GFC:

Sơ đồ tham số hóa đối lưu của Grell tái tạo nhiệt độ bề mặt thường thấp hơn

CRU khoảng 2-3oC nhưng lượng mưa và vị trí các tâm mưa, đặc biệt tâm mưa lớn

trên vịnh Belgan được mô phỏng khá tốt. Nhưng với 2 giả thiết khép kín khác nhau,

sơ đồ Grell cho các kết quả mô phỏng rất khác nhau. Reg+GFC tái tạo mưa lớn hơn

và nhiệt độ thấp hơn hẳn so với Reg+GAS. Một câu hỏi đặt ra là tại sao nhiệt độ và

lượng mưa mô phỏng của 2 phiên bản lại khác nhau trong khi thực chất chúng chỉ

khác nhau về giả thiết khép kín, đó là cách tính thông lượng khối đáy mây? Trong

sơ đồ tham số hóa đối lưu của Grell (1993), thông lượng khối đáy mây có thể được

xác định dựa trên giả thiết khép kín của Arakawa-Schubert (AS) là

'' '. ( , ')b

ABE ABEmdt K i i

−= − hoặc giả thiết khép kín của Fritsch-Chappell (FC) là

. ( , ')bABEmK i i

= −Δτ

với K(i,i’) là nhân tích phân được tính bằng

'( , ') ABE ABEK i idt−

= − trong đó ABE là năng lượng nổi của phần tử trong môi

trường khi chưa có mây tại bước thời gian t; ABE’ là năng lượng nổi sau một bước

thời gian tích phân dt và vẫn chưa có mây; ABE’’ là năng lượng nổi khi có mây với

giả thiết là thông lượng khối mây bằng một hằng số cho trước (thường là đơn vị).

Δτ là khoảng thời gian để tiêu tán độ bất ổn định gây ra bởi quá trình quy mô lớn.

Theo, Fritsch - Chappell Δτ =30 phút (=1800s). Nhưng Δτ = 30 phút có thể là

khoảng thời gian chưa đủ dài để tiêu tán hết độ bất ổn định gây ra bởi môi trường

quy mô lớn vì trên thực tế, chu trình sống của một đám mây tích thường 30 phút

đến hơn 1 giờ. Yang vcs. (2002) đã thử nghiệm Δτ biến đổi từ 600-7200s và nhận

thấy kết quả rất phụ thuộc vào khoảng thời gian này, cụ thể là sai số RMSE và hệ số

92

tương quan giữa lượng mưa mô phỏng và quan trắc đều tăng lên khi Δτ tăng,

nhưng nhiệt độ mô phỏng vẫn có xu thế âm đáng kể.

Luận án sử dụng giá trị Δτ = 30 phút đối với sơ đồ GFC nên thông lượng

khối đáy mây (vốn tỷ lệ nghịch với Δτ ) lớn hơn thực tế, đồng thời bất ổn định vẫn

còn và có thể tiếp tục hình thành đám mây giả khác. Cả 2 nguyên nhân này đều có

thể dẫn tới tăng giáng thủy đối lưu, tăng hiệu ứng làm lạnh do mưa và làm khô tầng

thấp của khí quyển do sự hạ xuống của không khí ngoài mây. Kết quả là GFC làm

lạnh quá mạnh mặt đất (Hình 3.7c). Khi sử dụng giả thiết khép kín AS, thông lượng

khối đáy mây nhỏ hơn nên lượng mưa đối lưu của Reg+GAS giảm và nhiệt độ bề

mặt tăng lên, gần với quan trắc hơn. Giáng thủy quy mô lưới của GAS cũng tăng

lên so với GFC do hệ quả của việc tăng nhiệt độ bề mặt của GAS.

(a) Profile nhiệt độ, 8/1996 (b) Profile độ ẩm riêng, 8/1996

Hình 3.9: Profile (a) nhiệt độ và (b) độ ẩm trung bình tháng 8/1996 lấy trung bình trong khu vực từ 12-22N, 106-110E của Reg+GFC và của phiên bản này khi lượng mưa đối lưu giảm đi một nửa. Đơn vị nhiệt độ là độ C, đơn vị độ ẩm riêng là kg/kg.

Để thấy rõ hơn quan hệ của giáng thủy đối lưu và nhiệt độ bề mặt chúng tôi

thử nghiệm giảm lượng giáng thủy đối lưu trong GFC và GAS đi một nửa. Khi đó,

nhiệt độ trên cao gần như không thay đổi, còn từ 850mb trở xuống mặt đất, nhiệt độ

93

tăng một chút. Độ ẩm giảm đi trong suốt tầng đối lưu nhưng lượng giảm không

đáng kể (Hình 3.9). Như vậy, giáng thủy đối lưu chỉ ảnh hưởng tới nhiệt độ sát mặt

đất và độ ẩm, do đó ảnh hưởng đến lượng mưa tổng cộng. Kết quả là giáng thủy

tổng cộng cũng giảm (Hình 3.10) và nhiệt độ bề mặt tăng lên (Hình 3.11).

(a) Mưa, Reg+GFC, 8/1996

(b) Mưa, Reg+GFC, mưa đối lưu giảm 1 nửa

Hình 3.10: Lượng mưa trung bình tháng 8/1996 của (a) Reg+GFC và (b)

Reg+GFC khi lượng mưa đối lưu giảm 1 nửa. Đơn vị mm/ngày.

(a) T2m, Reg+GFC, 8/1996 (b) T2m, Reg+GFC, mưa đối lưu giảm 1 nửa

Hình 3.11: Nhiệt độ tại 2m trung bình tháng 8/1996 của (a) Reg+GFC và (b)

Reg+GFC khi lượng mưa đối lưu giảm 1 nửa. Đơn vị độ C.

94

Tuy nhiên, nhiệt độ bề mặt tăng không đáng kể trong khi lượng mưa, đặc biệt

trên bán đảo Đông Dương vốn đã thấp hơn thực tế càng giảm đi. Biến trình mưa

tổng cộng và mưa đối lưu không đổi, chỉ khác về biên độ còn giáng thủy quy mô

lưới gần như không tăng đáng kể khi giáng thủy đối lưu giảm và thường chỉ xảy ra

tại những khu vực có nhiệt độ bề mặt tăng. Do vậy, khi sử dụng sơ đồ Grell (1993),

không thể giảm lượng mưa đối lưu nhằm làm tăng nhiệt độ bề mặt cho gần hơn với

thực tế.

Một trong những nguyên nhân sinh ra nhiều giáng thủy đối lưu dẫn tới làm

lạnh bề mặt của sơ đồ Grell có thể là do cách tính thông lượng khối đáy mây của sơ

đồ này chỉ dựa trên lực nổi, bản chất là dựa trên độ chênh lệch nhiệt độ giữa phần tử

khí thăng lên và môi trường, khi đó, đối lưu sẽ sinh ra bất cứ khi nào năng lượng thế

khả năng (CAPE) dương, mà điều kiện này rất dễ xảy ra vào ban ngày ở nhiệt đới,

nơi bức xạ mặt trời lớn, nhất là vào mùa hè. Xie và Zhang (2000) đã chỉ ra rằng:

... các quan trắc cho thấy tương quan âm giữa CAPE và hoạt động đối lưu [Thompson vcs., 1979]. Trong thám sát bất ổn định có điều kiện, cấu trúc nhiệt động lực thường thể hiện một lớp lực nổi âm đáng kể (thường được biết đến như độ cản đối lưu) bên dưới mực đối lưu tự do [Fritsch và Kain, 1993; Emanuel, 1994]. Độ bất ổn định đối lưu không thể giải phóng tự động trừ khi có nguồn năng lượng bên ngoài cung cấp cho phần tử khí để vượt quá độ cản đối lưu và có thể nâng lên mực đối lưu tự do. Sự tồn tại của CAPE chỉ có thể coi là điều kiện cần, chưa phải điều kiện đủ.

CAPE, NCAPE và giáng thủy quan trắc

Thời gian (ngày) từ 5h30p GMT ngày 18/7/1995

Hình 3.12: Chuỗi thời gian của CAPE (J/kg),

CAPE âm (NCAPE) (J/kg) và lượng mưa

quan trắc (mm/ngày). Đường đậm là CAPE, đường chấm, gạch là NCAPE và đường nét đứt là tốc độ mưa. [Xie

và Zhang, 2000].

95

Hình 3.12 là hình ảnh minh họa một ví dụ của Xie và Zhang (2000) trong đó

ngày 9 đến 13 có CAPE lớn nhưng không quan trắc thấy mưa còn ngày 2, 6, 8, 14

có CAPE nhỏ nhưng lại có mưa lớn. Do đó, khi dựa hoàn toàn vào điều kiện CAPE

dương để quyết định có đối lưu nên số điểm lưới xuất hiện đối lưu của sơ đồ Grell

trong từng bước tích phân hầu như trải khắp miền tính, đặc biệt trên đại dương.

Lượng mây lớn hơn thực tế sinh ra do sơ đồ Grell cũng có thể dễ dàng phản xạ bức

xạ mặt trời tới mặt đất dẫn tới làm lạnh bề mặt. Theo Emanuel (1994), sự có mặt

của CAPE là cần thiết nhưng không phải là điều kiện đủ để kích hoạt đối lưu.

Sơ đồ này cũng chỉ tham số hóa một loại mây đối lưu sâu nên cứ có mây là

sinh mưa đối lưu, do đó dẫn tới làm lạnh mặt đất và làm khô môi trường tại các mực

thấp do dòng hạ xuống ngoài mây. Hệ quả là lượng mưa quy mô lưới, vốn tỷ lệ

thuận với nhiệt độ, có giá trị thấp dẫn tới mưa tổng cộng của sơ đồ này thấp hơn

thực tế. Mặt khác, tham số hóa đối lưu của Grell được tính trong mỗi bước tích

phân (khoảng 150-180s), gần như coi mây liên tục xảy ra và càng làm cho mưa đối

lưu tăng lên và nhiệt độ bề mặt càng giảm. Như vậy, mặc dù cách tính thông lượng

mây đối lưu của GAS phù hợp hơn so với GFC nhưng Reg+GAS vẫn có xu hướng

tạo ra nhiệt độ bề mặt và lượng mưa thấp hơn thực tế. Xu hướng này thể hiện trong

kết quả mô phỏng 10 năm của RegCM3 với sơ đồ tham số hóa đối lưu này được

biểu diễn trong các Hình 3.17 - Hình 3.18 của mục 3.2.3 tiếp theo.

Những kết quả mô phỏng lượng mưa của các sơ đồ tham số hóa đối lưu Kuo,

Grell và BMJ rất phù hợp với nghiên cứu của tác giả Hoàng Đức Cường vcs. (2004)

về độ nhạy của các sơ đồ tham số hóa đối lưu trong mô phỏng trường lượng mưa

tích lũy 3 ngày cho khu vực Đông Nam Á và Việt Nam. Mặc dù tác giả này sử dụng

mô hình MM5 nhưng mô hình MM5 và RegCM đều được phát triển từ một gốc là

mô hình MM4 và đều mô phỏng cho cùng khu vực Đông Nam Á nên động thái của

hai mô hình tương tự nhau.

Tiếp theo là các kết quả trong phần lựa chọn sơ đồ tính toán thông lượng đại

dương-khí quyển.

96

3.2.2.2. Chọn sơ đồ tính toán thông lượng đại dương-khí quyển

Bên cạnh tham số hóa đối lưu, cách thức xử lý các quá trình bề mặt, trong đó

có quá trình thông lượng đại dương - khí quyển, cũng ảnh hưởng đến kết quả mô

phỏng của RegCM3. Do mật độ không khí và nước biển khác nhau nên quá trình

tương tác xảy ra tại mặt phân cách giữa biển – khí quyển không đơn giản. Các thông

lượng hiển nhiệt, ẩn nhiệt, thông lượng ẩm, động lượng, kể cả những bụi nước nhỏ

từ đại dương vào khí quyển cũng cần được biểu diễn tốt. Độ nhạy của mô hình khí

hậu khu vực đối với các sơ đồ biểu diễn quá trình tương tác giữa khí quyển với đại

dương và mặt đất, các quá trình bề mặt được cũng được kiểm nghiệm trong nhiều

nghiên cứu [Douville, 2002); Sen vcs., 2004 ….].

Trong RegCM3 có 2 sơ đồ tùy chọn phương thức tính toán thông lượng đại

dương là sơ đồ BATS của Dickinson vcs., (1993) và sơ đồ của Zeng (1998). Thực

chất, sơ đồ BATS không phải là một sơ đồ phức tạp, tính riêng cho đại dương mà là

một phần của toàn bộ sơ đồ trao đổi sinh quyển – khí quyển BATS trong đó phần

đại dương được tính toán tương đối đơn giản. Sơ đồ của Zeng (1998) phức tạp và

đầy đủ hơn (xem chương 2, phần vật lý). Tuy vậy, Francisco (2006) từng sử dụng

RegCM3 để mô phỏng giáng thủy trên Philippines đã nhận xét rằng RegCM3 với số

liệu đầu vào của ERA40 và sơ đồ BATS cho kết quả tốt hơn so với sơ đồ Zeng.

Chúng tôi thử nghiệm RegCM3 với 2 tùy chọn này để lựa chọn sơ đồ thông lượng

đại dương – khí quyển thích hợp cho khu vực ĐNA (Bảng 3.6).

Bảng 3.6: Các phiên bản của RegCM3 với các tùy chọn sơ đồ thông lượng đại

dương – khí quyển.

Sơ đồ thông lượng đại dương – khí quyển Ký hiệu BATS1E Reg+GAB

Zeng Reg+GAZ

Hình 3.13 và Hình 3.14 lần lượt biểu diễn lượng bốc hơi (mm/ngày) và thông

lượng hiển nhiệt (W/m2) từ đại dương vào khí quyển, cho thấy lượng bốc hơi của

Reg+GAZ lớn hơn hẳn so với Reg+GAB (Hình 3.13) và thông lượng hiển nhiệt của

97

Reg+GAZ cũng dương hơn Reg+GAB (Hình 3.14), nghĩa là nhiệt đi từ đại dương

vào khí quyển trong sơ đồ của Zeng lớn hơn trong BATS.

(a) Lượng bốc hơi, Reg+GAB

(b) Lượng bốc hơi, Reg+GAZ

Hình 3.13: Lượng bốc hơi từ đại dương vào khí quyển của (a)

Reg+GAB và (b) Reg+GAZ trung bình 6-8/1996. Đơn vị mm/ngày.

98

(a) Thông lượng hiển nhiệt, Reg+GAB

(b) Thông lượng hiển nhiệt, Reg+GAZ

Hình 3.14: Tương tự Hình 3.13 nhưng là thông lượng hiển nhiệt. Đơn vị W/m2. Vùng màu nhạt (giá trị âm) chỉ nhiệt từ khí quyển và đại dương, vùng màu sẫm

(giá trị dương) chỉ thông lượng nhiệt hướng từ đại dương vào khí quyển.

99

Một trong những nguyên nhân là độ gồ ghề (hệ số nhám) trong sơ đồ Zeng

quá nhỏ, dẫn đến bốc hơi E và thông lượng hiển nhiệt SH lớn. Như đã trình bày

trong chương 2, phần sơ đồ thông lượng đại dương - khí quyển, E và SH tỷ lệ thuận

với hệ số cản động lực CD, trong khi đó, CD tỷ lệ nghịch với độ gồ ghề z0. Nếu z0

nhỏ thì giá trị CD lớn dẫn đến E và SH lớn, do đó làm lạnh và làm khô bề mặt. Kết

quả là nhiệt độ của Reg+GAZ nhỏ hơn nhiệt độ của Reg+GAB, rõ nhất là trên đại

dương (Hình 3.15) và lượng mưa của Reg+GAZ nhìn chung cũng giảm so với

Reg+GAB. Như vậy, để nhận được nhiệt độ bề mặt gần với thực tế, chúng tôi chọn

sơ đồ tham số hóa đối lưu của BATS. Mục 3.2.3 tiếp theo trình bày các kết quả mô

phỏng nhiệt độ và lượng mưa mùa hè trong 10 năm, từ 1991 đến 2000 của phiên

bản Reg+GAB này.

(a) Reg+GAB (b) Reg+GAZ

Hình 3.15: Nhiệt độ tại 2m trung bình tháng 8/1996 của (a) Reg+GAB và (b)Reg+GAZ. Đơn vị độ C.

3.2.3. Kết quả mô phỏng 10 năm của RegCM3 với bộ tham số tối ưu

Áp suất mực biển trung bình 3 tháng mùa hè 6-8 của 10 năm 1991-2000 từ

số liệu ERA40 và kết quả mô phỏng của phiên bản Reg+GAB được trình bày trong

Hình 3.16. Nhìn chung, Reg+GAB đã mô phỏng được các trung tâm khí áp chính

trong mùa hè ở ĐNA bao gồm rãnh thấp điển hình trên vịnh Belgan, rãnh thấp yếu

hơn trên biển Đông và rìa phía tây của áp cao cận nhiệt đới.

100

(a) MSLP, ERA40, 6-8/91-00 (b) Reg+GAB

Hình 3.16: Áp suất mực biển trung bình 3 tháng 6-8/1991-2000 của (a) ERA40 và (b) Reg+GAB. Đơn vị mb.

(a) Mưa, CRU, 6-8/91-00

(b) Reg+GAB, 6-8/91-00

Hình 3.17: Lượng mưa trung bình mùa hè trong 10 năm của (a) CRU và (b) Reg+GAB. Đơn vị mm/ngày.

Tuy nhiên, rõ ràng là rãnh áp thấp trên vịnh Belgan đã được tái tạo nông hơn

thực tế khoảng 2mb và trục rãnh nghiêng hơn về phía đông bắc so với ERA40. Kết

quả là đường dòng trên vịnh Belgan của Reg+GAB có tính vĩ hướng hơn thực tế và

đẩy tâm mưa lệch xuống đông nam so với vị trí điển hình của nó trong mùa hè

(Hình 3.17). Ngoài ra, khí áp trên Ấn Độ Dương và Biển Đông cũng được tái tạo

cao hơn thực tế.

101

Nhiệt độ của CRU được nội suy về nút lưới của mô hình (với giả thiết các

nút lưới của CRU là các điểm trạm) theo phương pháp nội suy trung bình các điểm

trạm nằm trong một đường tròn có bán kính nhỏ hơn khoảng cách lưới và trọng số

đóng góp của các điểm trạm tỷ lệ nghịch với khoảng cách đến trạm. Hiệu nhiệt độ

tại 2m giữa Reg+GAB và CRU được biểu diễn trong Hình 3.18. Qua đó ta thấy

nhiệt độ trung bình tháng mô phỏng của Reg+GAB rõ ràng có sai số âm có tính hệ

thống so với CRU. Độ lệch hệ thống này trên bán đảo Đông Dương và Thái Lan

hầu như là -2 đến -4 độ C. Sai số RMSE và các chỉ số đánh giá khác của nhiệt độ

mô phỏng so với CRU được tính toán cho từng nút lưới với 90 lát cắt thời gian bao

gồm 3 tháng x 10 năm được biểu diễn trong Hình 3.19.

Sai số RMSE và MAE gần như tương đương cho thấy sai số hệ thống gần

như đồng nhất trên toàn khu vực ĐNA. Độ chính xác (Acc), chỉ số Hanssen và

Kuipers (HK) và chỉ số kỹ năng Heidke (HSS) được tính toán như đã trình bày

trong các phương pháp đánh giá đối với dự báo đa nhóm. Nhiệt độ được phân chia

thành 6 nhóm từ 20-32oC, cách nhau 2 độ. Tại mỗi nhóm, tính các chỉ số Acc, HK

và HSS theo công thức như trong Bảng 2.3 (Bảng các chỉ số đánh giá dự báo phân

đôi) và lấy trung bình tất cả các nhóm. Mô hình sẽ có kỹ năng “hoàn hảo” khi ba chỉ

số này bằng 1. HSTQ khá cao, gần bằng 0,65 nhưng độ chính xác Acc và các chỉ số

HK, HSS nhỏ. Mô hình mắc sai số có tính hệ thống nên các khoảng chia nhiệt độ

quan trắc và dự báo lệch nhau dẫn đến số điểm hits thấp.

Bảng 3.7: Các chỉ số đánh giá nhiệt độ mô phỏng của Reg+GAB so với CRU tính

trên toàn khu vực ĐNA. Đơn vị độ C.

Trung bình dự báo = 26.078 Fre = 0.946

Trung bình quan trắc = 27.564 HSTQ = 0.645

ME = -1.486 Acc = 0.283

MAE = 2.040 HK = 0.075

RMSE = 2.494 HSS = 0.072

102

Hình 3.18: Hiệu nhiệt độ 2m

trung bình mùa hè trong 10

năm (91-00) giữa Reg+GAB

và CRU. Đơn vị độ C.

Hình 3.19: Sai số RMSE của

nhiệt độ tại 2m trung bình

tháng 6-8 của 10 năm (91-

00) của Reg+GAB so với

CRU. Đơn vị độ C.

Không chỉ nhiệt độ bề mặt thấp hơn CRU, nhiệt độ và độ ẩm tại các mực trên

cao của Reg+GAB cũng có xu thế thấp hơn chính số liệu điều khiển đầu vào

ERA40. Hình 3.20 biểu diễn lát cắt thời gian - độ cao của hiệu nhiệt độ và độ ẩm

của phiên bản Reg+GAB so với ERA40 trong 10 năm 91-2000 cho thấy rõ ràng độ

lệch âm khoảng -0,5 độ đến -1,5 độ từ mặt đất lên đến khoảng 700mb đối với nhiệt

độ và từ -0,5 g/kg đến -2,5 g/kg trong hầu như toàn bộ tầng đối lưu đối với độ ẩm,

ngoại trừ sát mặt đất. Như vậy, trong khu vực hoạt động của đối lưu, môi trường đã

103

bị làm lạnh và làm khô hơn thực tế, làm lạnh nhiều gần mặt đất và làm khô nhiều tại

phần giữa tầng đối lưu. Có thể nói mưa đối lưu nhiều trong GAS dẫn tới làm lạnh

và làm ẩm bề mặt.

(a) Nhiệt độ, Reg+GAB – ERA40, 6-8/91-00

Năm

(b) Độ ẩm, Reg+GAB – ERA40, 6-8/91-00

Năm

Hình 3.20: Lát cắt thời gian - độ cao của hiệu (a) nhiệt độ và (b) độ ẩm của

phiên bản Reg+GAB so với ERA40 trong 10 năm, từ 1991-2000. Đơn vị nhiệt độ

là độ C, đơn vị độ ẩm g/kg.

104

Tại phần giữa tầng đối lưu, đốt nóng ngưng kết của mây giúp làm tăng nhiệt

độ môi trường xung quanh và giữ nhiệt độ khá ổn định và gần với ERA40. Nhưng

có lẽ do sơ đồ Grell không có sự xáo trộn giữa không khí mây và không khí môi

trường ngoại trừ tại đỉnh mây và đáy mây nên bay hơi của giáng thủy trên suốt độ

dày mây không xáo trộn được vào môi trường, ngược lại, môi trường chỉ bị làm khô

do hiệu ứng dòng hạ xuống ngoài mây, kết quả là độ ẩm riêng của Reg+GAB tại

phần giữa tầng đối lưu thấp hơn ERA40.

Các chỉ số đánh giá sai số mô phỏng lượng mưa trung bình tháng của

Reg+GAB so với CRU được trình bày trong Hình 3.21. Lượng mưa mô phỏng

trung bình thấp hơn CRU khoảng 3mm/ngày nhưng RMSE gần 21mm/ngày bởi vì

độ lệch lượng mưa giữa mô hình và quan trắc không đồng đều theo cả không gian

và thời gian, HSTQ thấp (0,087) cho thấy sai số là dạng phi tuyến phức tạp. Các chỉ

số Acc, HK và HSS nhỏ hơn so với trường hợp nhiệt độ ở trên. Nguyên nhân cũng

vẫn là khoảng chia ngưỡng mưa giữa mô hình và CRU không trùng nhau.

Hình 3.21: Sai số

RMSE của lượng

mưa trung bình

tháng 6-8 của 10

năm (91-00) của

Reg+GAB so với

CRU. Đơn vị

mm/ngày.

105

Bảng 3.8: Các chỉ số đánh giá lượng mưa trung bình tháng của Reg+GAB so với

CRU tính trên toàn khu vực ĐNA. Đơn vị mm/ngày.

Trung bình dự báo = 4.796 Fre = 0.607

Trung bình quan trắc = 7.900 HSTQ = 0.087

ME = -3.104 Acc = 0.403

MAE = 9.388 HK = 0.077

RMSE = 20.945 HSS = 0.070

Sai số của RegCM đã từng được đề cập đến trong nhiều nghiên cứu về mô

phỏng gió mùa mùa hè khu vực ĐNA, tiêu biểu là của Liu vcs. (2006) trong đó,

RegCM2 với sơ đồ tham số hóa đối lưu GAS và sơ đồ thông lượng đại dương – khí

quyển BATS đã mô phỏng gió mùa mùa hè trên khu vực ĐNA trong các tháng 5 và

6 của 10 năm (1991-2000) và mắc phải sai số có tính hệ thống đối với nhiệt độ bề

mặt trên khu vực nam Trung Hoa, biển Đông và bán đảo Đông Dương trong các

tháng 5 và 6 tương ứng là -2,1oC, -2,4oC và -1,4oC. Sai số hệ thống của lượng mưa

trên các khu vực này tương ứng là 2,0 mm/ngày, 3,8 mm/ngày và 3,5 mm/ngày. Sai

số của RegCM3 trong luận án khá phù hợp với nghiên cứu kể trên.

Theo Wim de Rooy và Kees Kok (2002), sai số tổng cộng của mô hình tại

thời điểm t được định nghĩa là:

Saisố_tổng cộng(t) = Kếtquả_môhình (t) – Quantrắc(t)

Saisố_tổng cộng có thể được chia thành 2 thành phần :

Saisố_tổng cộng(t) = Saisố_môhình (t) + Saisố_biểudiễn (t)

trong đó : Saisố_môhình (t) = Kếtquả_môhình (t) – Trungbình_thực_ôlưới (t)

và : Saisố_biểudiễn (t) ≡ Trungbình_thực_ôlưới (t) – Quantrắc (t)

Saisố_biểudiễn là độ lệch khỏi trung bình thực sự của ô lưới. Trong các nghiên cứu thẩm định và các dự báo nghiệp vụ, Saisố_biểudiễn thường bị bỏ qua và sai số được cho là hoàn toàn do mô hình, trong khi đó, do độ gồ ghề của bề mặt, ví dụ địa hình, nhiệt độ có thể lệch khỏi giá trị trung bình thực sự của nó vì biểu diễn địa hình trong mô hình không chính xác.

106

Như vậy, nguồn gốc của sai số tổng cộng là do bản thân vật lý của mô hình

và cách thức biểu diễn địa hình trong mô hình. Vì thế, có 2 cách để loại bỏ hoặc

giảm sai số tổng cộng. Thứ nhất, cải thiện biểu diễn địa hình trong mô hình (thông

qua tăng độ phân giải) hoặc sử dụng phương pháp thống kê hiệu chỉnh các biến phụ

thuộc địa hình như nhiệt độ theo độ lệch của địa hình giữa mô hình và thực tế. Thứ

hai, cải thiện vật lý nội tại của mô hình. Trong các phương pháp thống kê, cách phổ

biến nhất là cực tiểu hóa Saisố_tổngcộng bằng hồi quy dựa trên quan hệ giữa sản

phẩm mô hình số và quan trắc. Theo cách này, tiếp cận thống kê đối xử với

Saisố_biểudiễn và Saisố_môhình là như nhau. Cần lưu ý là thậm chí ngay cả HQTT

cũng đã có thể hiệu chỉnh Saisố_môhình chứ không chỉ hiệu chỉnh sai số hệ thống

gây ra do Saisố_biểudiễn. Đối với một số biến, phương pháp thống kê là đủ hiệu

quả nhưng trong những trường hợp khác thì phương pháp thống kê là cần thiết

nhưng phương pháp vật lý lại có ưu thế hơn.

Nhận xét cuối chương

Đối với khu vực ĐNA, trong mùa hè, mô hình RegCM3 cho kết quả mô

phỏng nhiệt độ và lượng mưa phù hợp nhất khi chọn sơ đồ tham số hóa đối lưu của

Grell (1993) với giả thiết khép kín của AS và sơ đồ thông lượng đại dương-khí

quyển BATS. Tuy nhiên, Reg+GAB tái tạo nhiệt độ cả bề mặt và trên cao đều có xu

thế thấp hơn thực tế, độ ẩm trên phần giữa tầng đối lưu và lượng mưa trung bình

tháng cũng mắc sai số âm có tính hệ thống. HSTQ của nhiệt độ khá cao (0,65)

nhưng của lượng mưa rất thấp (0,087) cho thấy kỹ năng tái tạo nhiệt độ của

Reg+GAB ổn định hơn kỹ năng mô phỏng mưa. Các chỉ số Acc, HK, HSS của cả

nhiệt độ và lượng mưa đều thấp do các khoảng chia của quan trắc và mô phỏng

không trùng nhau. Do đó, cần có biện pháp hiệu chỉnh để đưa nhiệt độ và lượng

mưa mô phỏng về gần với thực hơn. Có thể sử dụng cả 2 phương pháp thống kê và

vật lý như vừa đề cập, đó là thay đổi sơ đồ tham số hóa vật lý, cụ thể là sơ đồ tham

số hóa đối lưu trong RegCM3 và hiệu chỉnh thống kê bằng ANN. Các kết quả được

trình bày trong chương 4 tiếp đây.

107

Chương 4

CẢI THIỆN KẾT QUẢ MÔ PHỎNG NHIỆT ĐỘ VÀ LƯỢNG MƯA CỦA MÔ HÌNH RegCM3 BẰNG SƠ ĐỒ THAM SỐ HÓA ĐỐI LƯU MỚI VÀ BẰNG

PHƯƠNG PHÁP HIỆU CHỈNH THỐNG KÊ

4.1. Cải tiến RegCM3 bằng sơ đồ tham số hóa đối lưu mới

Như các nhận định về đối lưu nhiệt đới trong chương 3, cách tính thông

lượng khối đáy mây trong sơ đồ tham số hóa đối lưu của Grell (1993) dựa trên lực

nổi là chưa đầy đủ và phù hợp với hoạt động đối lưu thực tế trong mùa gió mùa mùa

hè khu vực ĐNA. RegCM3 với sơ đồ tham số hóa đối lưu Grell sử dụng giả thiết

khép kín Arakawa-Schubert (GAS) mặc dù đã cho kết quả mô phỏng hợp lý nhất

trong số các sơ đồ tham số hóa đối lưu hiện có của mô hình, nhưng luôn có xu

hướng tái tạo nhiệt độ bề mặt quá thấp và lượng mưa mô phỏng cũng hầu như thấp

hơn thực tế, nhất là trên lãnh thổ Việt Nam. Đó là động lực thúc đẩy chúng tôi thử

nghiệm cải tiến RegCM3 theo hướng đưa thêm sơ đồ đối lưu mới. Hiện nay đã có

khá nhiều sơ đồ đối lưu đã được nghiên cứu và ứng dụng, song trong khuôn khổ

luận án này trước hết chúng tôi chọn sơ đồ Tiedtke (1989).

4.1.1. Lý do chọn lựa sơ đồ tham số hóa đối lưu Tiedtke

Như ta đã biết, nghiên cứu hoạt động đối lưu là một trong những vấn đề khó

khăn lớn đối với khí tượng học miền nhiệt đới nói chung trong đó có khu vực Đông

Nam Á. Theo một số tác giả [Ogura và Cho, 1974; Lindzen, 1981; Yanai vcs.,

1973] và chính những kiểm nghiệm trên số liệu thực tế nhằm thẩm định khả năng

biểu diễn các đặc trưng đối lưu nhiệt đới của Tiedtke (1989) thì sơ đồ tham số hóa

đối lưu của Tiedtke (1989) có những đặc điểm phù hợp để mô phỏng đối lưu nhiệt

đới trong mùa gió mùa mùa hè. Sơ đồ tham số hóa đối lưu của Tiedtke (1989) dựa

108

trên giả thiết hội tụ ẩm, phù hợp với miền nhiệt đới, đặc biệt là khu vực ĐNA, nơi

hầu như bao quanh bởi đại dương và nằm trong khu vực gió mùa điển hỉnh của thế

giới. Vào mùa gió mùa mùa hè, một lượng ẩm lớn từ Ấn Độ Dương theo gió tây

nam thổi vào khu vực ĐNA mang đến lượng mưa rất lớn cho khu vực. Theo

Krishnamurti (1968), trong mùa gió mùa mùa hè, trên quy mô lớn, sự hội tụ của các

dòng ẩm ở lớp dưới thấp đóng vai trò quan trọng trong việc cung cấp ẩm cho hoạt

động đối lưu. Ở nhiệt đới, ẩm càng có vai trò quan trọng trong hoạt động đối lưu vì

sinh ra bất ổn định loại 2 làm cho đối lưu sâu phát triển lên những mực cao. Lực nổi

chỉ đóng vai trò khởi động ban đầu. Cũng theo Xie và Zhang (2000), số liệu quan

trắc trung bình đối với miền nhiệt đới, đặc biệt là khu vực gió mùa Châu Á cho thấy

việc sử dụng chỉ số độ bất ổn định thường dùng từ trước đến nay trong dự báo đối

lưu (CAPE) là không thích hợp, đặc biệt là vào mùa hè.

Hơn nữa, mô hình mây của sơ đồ Tiedtke bao gồm đầy đủ ba loại mây là

mây đối lưu sâu, đối lưu nông và đối lưu mực giữa, trong đó chỉ có đối lưu nông là

không cho mưa nhưng vẫn làm biến đổi nhiệt, ẩm của môi trường. Ở miền nhiệt đới

nói chung không khí nóng và ẩm hơn nhiều so với miền ngoại nhiệt đới. Các khối

khí nóng và ẩm đạt tới mực ngưng kết với nhiệt độ tương đối cao thường tạo thành

các đám mây mực thấp và mực giữa. Chỉ khi có hội tụ ẩm mạnh mới sinh ra các

đám mây đối lưu sâu [Trần Công Minh và Phan Văn Tân, 2003, biên dịch]. Do đó,

đối với miền nhiệt đới, sơ đồ tham số hóa đối lưu cần chú trọng tới biểu diễn mây

đối lưu nông và đối lưu mực giữa. Vai trò của mây đối lưu nông cũng rất quan trọng

do chúng làm tăng thông lượng ẩm đi từ các lớp biên vào các lớp cao hơn ở vùng

cận nhiệt đới. Ở đây nghịch nhiệt gió mậu dịch được duy trì để cho ta cấu trúc lớp

điển hình là lớp biên - nghịch nhiệt. Lượng ẩm tăng lên này được chuyển vào vùng

nhiệt đới nhờ gió mậu dịch và nhờ đó làm tăng nguồn ẩm cho đối lưu sâu. Nguồn

ẩm tăng lên này đã tạo ra lượng mưa lớn hơn và phân bố mưa thật hơn theo vĩ độ

địa lý [Kiều Thị Xin vcs., 2006]. Ngoài ra, dòng cuốn ra do rối được biểu diễn trong

sơ đồ Tiedtke (1989) cũng quan trọng vì cuốn không khí khô của môi trường vào

không khí ẩm của mây, kìm hãm CAPE tăng quá nhanh dẫn đến tích lũy CAPE và

109

làm tăng năng lượng cho đám mây. Mô hình mây của Grell (1993) không cho phép

xáo trộn không khí môi trường vào mây nên các đám mây thường dễ hình thành

nhưng không phát triển thành đối lưu sâu.

Hiện nay, sơ đồ Tiedtke (1989) đã và đang được sử dụng trong mô hình khí

hậu toàn cầu ECHAM4 [Fu vcs., 2002], GAMIL [Lijuan, 2007], mô hình khí hậu

khu vực REMO [Kucken, 2002] và được nhận định là cho kết quả dự báo tốt. Ngoài

ra, sơ đồ này cũng là sơ đồ tham số hóa đối lưu chính trong mô hình thời tiết khu

vực phân giải cao HRM. Chính vì vậy, chúng tôi lựa chọn sơ đồ Tiedtke (1989) để

ghép vào làm một tùy chọn tham số hóa đối lưu mới cho mô hình RegCM3.

4.1.2. Mô hình RegCM3 với sơ đồ đối lưu mới Tiedtke

4.1.2.1. Phát triển mã nguồn của RegCM3 khi sử dụng sơ đồ tham số

hóa đối lưu Tiedtke (1989)

RegCM3 là mô hình mã nguồn mở có thể download miễn phí tại website

http://www.ictp.trieste.it/pubregcm/RegCM3. Để đưa sơ đồ đối lưu Tiedtke vào

RegCM chúng tôi đã sử dụng mã nguồn của sơ đồ này từ mô hình dự báo thời tiết

HRM. Do sự khác nhau giữa hai mô hình RegCM3 và HRM trên nhiều khía cạnh,

như phương thức lập trình, hệ tọa độ ngang và thẳng đứng,... nên một vấn đề hết sức

quan trọng và có ý nghĩa quyết định đến sự thành bại là sự thống nhất, đồng bộ giữa

các biến vào ra tương ứng của RegCM3 và sơ đồ này. Nói cách khác, cần phải biến

sơ đồ Tiedtke lấy từ HRM thành một thủ tục con của RegCM3. Mặc dù mang nặng

tính kỹ thuật lập trình, song đây quả là một vấn đề không đơn giản. Sau khi ghép

được sơ đồ Tiedtke vào mô hình RegCM3, biên dịch và chạy thử nghiệm cho 1

tháng, chúng tôi kiểm tra so sánh thứ nguyên và giá trị các biến tại từng bước thời

gian tích phân cũng như các kết quả mô phỏng giữa Reg+GAB và Reg+TieB (ký

hiệu của RegCM3 + Tiedtke + BATS). Kết quả kiểm tra cho thấy sơ đồ Tiedtke

chạy ổn định và cho kết quả khả quan nên chúng tôi tiến hành chạy dự báo mùa 3

tháng mùa hè cho năm 1996 và sau đó là cho 10 năm, từ 1991 đến 2000. Sau đây là

các kết quả mô phỏng của Reg+TieB.

110

4.1.2.2. Tác động của sơ đồ tham số hóa đối lưu Tiedtke lên kết quả

mô phỏng của RegCM3

a/ Tác động đến trường áp

Sơ đồ tham số hóa đối lưu của Grell (1993) không hồi tiếp lại động lượng

của môi trường mà hồi tiếp gián tiếp thông qua nhiệt, ẩm, áp, trong khi sơ đồ

Tiedtke (1989) cho phép biến đổi trực tiếp gió ngang u và v tương tự như đối với

nhiệt, ẩm. Do đó, MSLP trung bình tháng của Reg+TieB rất gần với MSLP của

ERA40 (Hình 4.1). Trục của rãnh thấp trên vịnh Belgan không quá lệch sang phía

đông bắc so với ERA40 như phiên bản Reg+GAB (xem Hình 3.16). Phân bố khí áp

trên Ấn Độ Dương và biển Đông cũng gần với ERA40 hơn.

MSLP, Reg+TieB, 6-8/91-00

Hình 4.1: Tương

tự Hình 3.16

nhưng là phiên

bản Reg+TieB.

b/ Tác động đến nhiệt độ

Hình 4.2 biểu diễn lát cắt thời gian và độ cao của hiệu nhiệt độ trung bình

tháng của 3 tháng 6-8 của 10 năm 1991-00 giữa Reg+TieB so với ERA40 cho thấy

từ 700mb (khoảng 3km) đến 300mb, Reg+TieB nóng hơn ERA40 khoảng 0,5oC, từ

700mb xuống tới mặt đất, Reg+TieB tái tạo nhiệt độ rất tốt, chỉ nóng hơn ERA40

một chút. Điều này cho thấy hồi tiếp nhiệt độ lại môi trường của sơ đồ Tiedtke hợp

111

lý hơn so với sơ đồ Grell. Nhờ vậy, nhiệt độ bề mặt của Reg+TieB được cải thiện

hơn so với Reg+GAB (Hình 4.3). Khu vực có sai số âm mạnh trong trường hợp

Reg+GAB đã được thu hẹp rất nhiều.

Nhiệt độ, 6-8/91-00, Reg+TieB – ERA40

Năm

Hình 4.2: Tương

tự Hình 3.20a

nhưng là phiên

bản Reg+TieB.

Đơn vị độ C.

Hình 4.3: Hiệu

nhiệt độ tại 2m

trung bình 30

tháng của

Reg+TieB so với

CRU. Đơn vị độ C.

Màu sẫm chỉ sai số

âm lớn.

112

Hình 4.4: Sai số

RMSE của nhiệt độ

tại 2m trung bình

tháng 6-8 của 10

năm (91-00) của

Reg+TieB so với

CRU. Đơn vị độ C.

Các chỉ số đánh giá được trình bày trong Hình 4.4. Sai số (ME) nhiệt độ của Reg+Tie chỉ còn -0,5 độ so với -1,5 độ của Reg+GAB. RMSE khoảng 2,2 độ nhưng MAE chỉ còn 1,7 độ chứng tỏ sai số bị khuếch đại tại 1 vài điểm, ở đây là 1 số điểm có địa hình núi cao như vùng núi Tây Bắc (Việt Nam), cao nguyên trên biên giới Thái Lan và Lào. Các chỉ số Acc, HK, HSS đều tăng 1,5 – 2 lần so với Reg+GAB.

Bảng 4.1: Các chỉ số đánh giá nhiệt độ trung bình tháng của Reg+TieB so với CRU tính trên toàn khu vực ĐNA. Đơn vị độ C.

Trung bình dự báo = 26.983 Fre = 0.979 Trung bình quan trắc = 27.564 HSTQ = 0.613 ME = -0.581 Acc = 0.370 MAE = 1.712 HK = 0.154 RMSE = 2.210 HSS = 0.152

c/ Tác động đến độ ẩm

Như đã nói ở trên, biểu diễn chính xác độ ẩm là vấn đề vô cùng quan trọng

đối với mô hình khí hậu. Từ số liệu CRU chúng tôi biểu diễn độ ẩm riêng trung

bình tháng, trung bình toàn khu vực ĐNA theo thời gian để nhận biết các cực trị độ

ẩm riêng xảy ra trong các năm nào. Vào tháng 8, năm 1998 có độ ẩm cao nhất trong

vòng 10 năm này, những năm có độ ẩm trung bình là 1992, 1994, 1995, 1996, 2000,

113

những năm có độ ẩm thấp là 1991, 1993, 1997, 1999. Profile độ ẩm riêng trung bình

tháng, trung bình toàn ĐNA của Reg+GAB, Reg+TieB và ERA40 trong một số

năm điển hình cho thấy mô hình hầu như luôn thấp hơn ERA40 và độ lệch giữa mô

hình và ERA40 cao nhất vào những năm có độ ẩm cao, độ lệch không đáng kể vào

những năm có độ ẩm thấp (Hình 4.5). Đường biểu diễn độ ẩm của Reg+TieB luôn

nằm giữa Reg+GAB và ERA40 chứng tỏ độ ẩm được biểu diễn tốt hơn bởi sơ đồ

Tiedtke (1989) so với sơ đồ Grell (1993). Một ví dụ về độ ẩm và đường dòng mực

850mb trung bình tháng 6-8 của 10 năm từ 1991-2000 trong Hình 4.6 cũng cho thấy

Reg+TieB mô phỏng ẩm và gió gần với ERA40 hơn Reg+GAB. (a) 8/1998: ẩm nhiều

(b) 8/1992: ẩm trung bình

(c) 8/1997: ẩm ít

Hình 4.5: Profile độ ẩm trung bình tháng 8 của các năm (a) 1998 (ẩm nhiều), (b) 1992 (ẩm trung bình) và (c) 1993 (ẩm ít). Đơn vị kg/kg.

(a) ERA40, 6-8/91-00

(b) Reg+GAB, 6-8/91-00 (c) Reg+TieB, 6-8/91-00

Hình 4.6: Đường dòng và độ ẩm mực 850mb trung bình tháng 6-8/91-00 của (a) ERA40, (b) Reg+GAB và (c) Reg+TieB. Đơn vị độ ẩm kg/kg.

114

Hình 4.7 biểu diễn lát cắt thời gian - độ cao của hiệu độ ẩm riêng trung bình

tháng của 3 tháng 6-8 của 10 năm 1991-00 giữa Reg+TieB so với ERA40 cho thấy

từ 700mb (khoảng 3km) đến 300mb, Reg+TieB có độ ẩm thấp hơn ERA40 khoảng

-0,5 g/kg đến -1,5 g/kg. Đối lưu vẫn có xu thế làm khô phần giữa tầng đối lưu

nhưng độ lệch đã giảm so với Reg+GAB. Từ 700mb xuống tới mặt đất, Reg+TieB

tái tạo độ ẩm rất tốt, gần như bằng ẩm của ERA40. Điều này cũng cho thấy hồi tiếp

ẩm lại môi trường của sơ đồ Tiedtke hợp lý hơn so với sơ đồ Grell. Kết quả là lượng

mưa của Tiedtke cũng tăng lên, vị trí tâm mưa phù hợp hơn nhưng diện mưa lớn

hơn so với CRU được trình bày trong mục tiếp theo.

Độ ẩm, 6-8/91-00, Reg+TieB – ERA40

Hình 4.7:

Tương tự

Hình 3.20b

nhưng là

phiên bản

Reg+TieB.

Đơn vị g/kg.

d/ Tác động đến lượng mưa

Sơ đồ tham số hóa đối lưu của Grell (1993) chỉ biểu diễn một loại mây đối

lưu và số điểm mây đối lưu rất nhiều, trong khi đó sơ đồ Tiedtke chủ yếu là mây đối

lưu nông và đối lưu mực giữa, số điểm xuất hiện đối lưu sâu ít hơn so với sơ đồ

Grell. Trong sơ đồ của Tiedtke chỉ có mây đối lưu sâu và đối lưu mực giữa cho

mưa, mây đối lưu nông chỉ làm biến đổi nhiệt, ẩm của môi trường thông qua hồi

tiếp. Chính vì vậy, diện mưa đối lưu của sơ đồ Grell luôn lớn hơn sơ đồ Tiedtke,

nhưng vị trí các tâm mưa của sơ đồ Tiedtke phù hợp với thực tế hơn. Thực chất,

trong thực tế không thể phân định mưa đối lưu và mưa quy mô lưới từ mưa quan

trắc nên không thể kết luận sơ đồ nào mô phỏng mưa đối lưu chính xác hơn. Tuy

115

nhiên, có thể thấy sự phù hợp về diện mưa đối lưu của Tiedtke so với mưa tổng

cộng của CRU như trong ví dụ nêu ra trong Hình 4.8.

Hình 4.8: Lượng mưa ngày tổng cộng trung bình tháng 6/1996 của (a) CRU và lượng mưa đối lưu của (b) Reg+GAB và (c) Reg+TieB. Đơn vị mm/ngày.

(a) CRU, 8/97: mưa ít

(b) Reg+GAB

(c) Reg+TieB

Hình 4.9: Lượng mưa trung bình tháng 8/1997 (năm ít mưa) của (a) CRU, (b) Reg+GAB và (c) Reg+TieB. Đơn vị mm/ngày.

(a) CRU, 8/98: mưa nhiều

(b) Reg+GAB

(c) Reg+TieB

Hình 4.10: Lượng mưa trung bình tháng 8/1998 (năm mưa nhiều) của (a) CRU, (b)

Reg+GAB và (c) Reg+TieB. Đơn vị mm/ngày.

116

Tương tự như trường hợp độ ẩm ở trên, chúng tôi biểu diễn lượng mưa trung

bình tháng, trung bình toàn khu vực ĐNA của các tháng mùa hè từ 1991-2000 để

xem các cực trị lượng mưa xuất hiện vào những năm nào. Qua đó ta thấy vào tháng

8, những năm có lượng mưa lớn là 1991, 1994, 1995, 1996, 1998, những năm có

lượng mưa trung bình là 1999, 2000 và những năm mưa ít là 1992, 1993, 1997. Sau

đó xem xét lượng mưa trung bình tháng trong một vài năm cực trị để thấy tác động

của sơ đồ Tiedtke lên lượng mưa của RegCM3 (Hình 4.9 và Hình 4.10). Hình 4.9

biểu diễn lượng mưa trung bình tháng 8/1997, được xem là năm có lượng mưa toàn

khu vực ĐNA thấp và Hình 4.10 biểu diễn lượng mưa trung bình tháng 8/1998 là

năm mưa nhiều. Trong cả 2 trường hợp đều thấy Reg+GAB tái tạo được tâm mưa ở

phía nam Campuchia nhưng mô phỏng không chính xác tâm mưa ở vịnh Belgan,

lượng mưa thường thấp hơn CRU, đặc biệt trên bán đảo Đông Dương và trên Việt

Nam nói riêng. Reg+TieB nắm bắt được hầu hết các tâm mưa chính, ngoại trừ tâm

mưa trên biên giới Việt-Lào, ở đây lượng mưa mô phỏng thấp hơn CRU. Diện mưa

trên vịnh Belgan của Reg+TieB cũng lấn sâu hơn về phía đông so với CRU và

cường độ mưa cao hơn CRU.

Nhận xét

Như vậy, các kết quả nghiên cứu của luận án cho thấy kết quả mô phỏng hạn

mùa đối với gió mùa mùa hè khu vực ĐNA rất nhạy với tham số hóa đối lưu. Điều

này phù hợp với các nghiên cứu của các tác giả trước đây trên thế giới. Sơ đồ tham

số hóa đối lưu Tiedtke (1989) được ghép thêm vào RegCM3 đã chạy ổn định và cho

các kết quả mô phỏng nhiệt độ rất phù hợp với thực tế so với sơ đồ tham số hóa đối

lưu gốc (Grell_AS) của RegCM3, nhưng lượng mưa mô phỏng lớn hơn và diện mưa

rộng hơn thực tế.

Từ kết quả của chương 3, phần lựa chọn sơ đồ thông lượng đại dương – khí

quyển, sơ đồ Zeng có xu thế tái tạo lượng mưa và nhiệt độ bề mặt thấp hơn sơ đồ

BATS. Trong khi đó sơ đồ Tiedtke ở đây thường mô phỏng lượng mưa và diện mưa

lớn hơn thực tế. Do đó, chúng tôi chạy RegCM3 với sơ đồ tham số hóa đối lưu

Tiedtke (1989) và sơ đồ thông lượng đại dương – khí quyển của Zeng (1998), ký

117

hiệu là Reg+TieZ. Phiên bản Reg+TieZ cũng được chạy mô phỏng 10 năm (1991-

2000), cùng với phiên bản Reg+GAB và Reg+TieB tạo thành tổ hợp 3 thành phần.

Kết quả đánh giá thống kê mô phỏng 10 năm từ 1991-2000 của 3 phiên bản thành

phần và phiên bản tổ hợp được trình bày dưới đây.

4.1.3. Đánh giá thống kê

a. Nhiệt độ trung bình tháng

Hình 4.11 biểu diễn chuỗi thời gian dị thường nhiệt độ cho thấy phiên bản

Reg+GAB biểu diễn tốt những giá trị xấp xỉ TBNN, nghĩa là phiên bản này có xu

hướng mô phỏng nhiệt độ dao động quanh giá trị TBNN, nhưng không nắm bắt

được các cực đại của chuỗi quan trắc. Trong khi đó, Reg+TieB tái tạo rất tốt các giá

trị cực đoan như dị thường dương mạnh trong những năm El Nino nóng (1993,

1995, 1998) và những năm lạnh hơn TBNN (1992, 1994, 1996, cuối 1997, cuối

1999 và năm 2000). Phân tích EOF đối với nhiệt độ quan trắc và nhiệt độ mô phỏng

sau khi nội suy về lưới theo phương pháp nội suy trung bình 4 điểm cũng nhận được

biến trình hàm thời gian tương tự chuỗi thời gian của dị thường nhiệt độ (Hình

4.12). Thành phần chính đầu tiên của nhiệt độ quan trắc, Reg+GAB, Reg+TieB,

Reg+TieZ lần lượt lả 46,93%; 48,01%; 60,79%; 66,72%. Phiên bản Reg+TieZ biểu

diễn biến trình nhiệt độ không ổn định và tốt như Reg+TieB, cụ thể là dị thường

thường âm hơn trong những cực tiểu nhưng lại ít dương hơn trong những cực đại.

Như vậy, từ biến trình nhiệt độ và dị thường nhiệt độ có thể kết luận, phiên bản

Reg+TieB là phù hợp nhất để mô phỏng nhiệt độ mặt đất trên lãnh thổ Việt Nam.

Nhìn chung, sai số RMSE nhiệt độ trung bình tháng lớn nhất tại Tây

Bắc+Việt Bắc và Tây Nguyên (lớn hơn hoặc bằng 3 độ), thấp nhất ở Nam Bộ (0,5-

1,5 độ) và khoảng 2 độ trên các khu vực còn lại. Sai số RMSE của Reg+TieB so với

quan trắc tính trên toàn Việt Nam khoảng 1,8oC, của Reg+TieZ là 1,9oC còn của

Reg+GAB là 2,2oC. Khi đánh giá cho từng khu vực, Reg+TieB cũng thể hiện kỹ

năng tốt nhất trên hầu hết các khu vực với RMSE thường thấp hơn Reg+TieZ

khoảng 0,1 - 0,2oC và thấp hơn Reg+GAB khoảng 0,2-0,4oC. Ba chỉ số Acc, HK,

118

HSS của Reg+TieB đều lớn hơn Reg+TieZ và Reg+GAB (xem Bảng 4.2). Khu vực

Trung Bộ, nam Trung Bộ và Nam Bộ có sai số RMSE nhỏ hơn 2 độ. Tuy nhiên, đối

với khu vực Tây Nguyên, nơi có nền nhiệt độ thấp hơn xung quanh do ảnh hưởng

của địa hình cao nguyên ở đây (Hình 4.13), Reg+GAB có kỹ năng tốt nhất với sai

số RMSE chỉ 2,8oC trong khi RMSE của Reg+TieB và TieZ lần lượt là 3,3 và 3,2oC

(Bảng 4.3). Ngoại trừ Tây Nguyên và Nam Bộ, HSTQ của các khu vực còn lại đều

lớn hơn hoặc xấp xỉ 0,5.

Dị thường T2m so với trung bình 10 năm

Hình 4.11: Dị

thường nhiệt độ

trung bình tháng của

3 tháng trong 10

năm so với trung

bình 10 năm của

mỗi chuỗi. Đơn vị

độ C.

Nhiệt độ T2m, thành phần chính thứ nhất

Hình 4.12: PCA đầu

tiên của nhiệt độ

trung bình tháng của

3 tháng trong 10

năm. Đơn vị độ C.

119

Hình 4.13: Nhiệt độ trung

bình 30 tháng mùa hè của các

khu vực trên Việt Nam. Đơn vị

độ C. Ghi chú: Theo phân vùng khí

hậu của Phạm Ngọc Toàn, Phan Tất

Đắc, (1997), Việt Nam được phân chia

thành 10 khu vực khí hậu nhưng do ít

số liệu và một số khu vực có khí hậu

tương đối giống nhau trong mùa gió

mùa mùa hè nên ghép thành 5 khu vực.

Bảng 4.2: Bảng các chỉ số đánh giá biến liên tục đối với nhiệt độ trung bình tháng của Việt Nam giữa quan trắc và các phiên bản Reg+GAB, Reg+TieB, Reg+TieZ.

Đơn vị độ C. Phiên bản TrBình

mô hình TrBình qtrắc

MAE RMSE ME HSTQ Acc HK HSS

Reg+GAB 26.077 1.870 2.205 -1.484 0.699 0.283 0.047 0.041 Reg+TieB 26.983 27.561 1.405 1.829 -0.578 0.671 0.428 0.190 0.179 Reg+TieZ 26.716 1.473 1.907 -0.845 0.674 0.410 0.179 0.166

Bảng 4.3: Tương tự như Bảng 4.2 nhưng của các khu vực trên Việt Nam.

Khu vực Phiên bản TrBình mô hình

TrBình qtrắc

MAE RMSE ME HSTQ Acc HK HSS

Reg+GAB 23.840 2.989 3.357 -2.266 0.549 0.142 -0.023 -0.021Reg+TieB 24.320 26.107 2.713 3.115 -1.787 0.527 0.182 0.010 0.009

Tây Bắc +

V.Bắc Reg+TieZ 24.173 2.790 3.208 -1.933 0.528 0.174 0.003 0.003 Reg+GAB 26.742 2.008 2.399 -1.786 0.530 0.262 0.011 0.010 Reg+TieB 27.562 28.528 1.583 1.972 -0.966 0.501 0.378 0.116 0.113

ĐBB+ ĐBBB+BTBộ Reg+TieZ 27.330 1.709 2.132 -1.198 0.480 0.348 0.086 0.084

Reg+GAB 27.468 1.807 2.218 -1.508 0.335 0.313 -0.014 -0.013Reg+TieB 28.517 28.976 1.327 1.683 -0.459 0.355 0.440 0.057 0.060

TrTrBộ+

NTrBộ Reg+TieZ 28.074 1.425 1.783 -0.901 0.385 0.397 0.020 0.020 Reg+GAB 23.442 2.171 2.863 0.896 0.047 0.334 0.058 0.057 Reg+TieB 24.395 22.546 2.505 3.380 1.848 0.031 0.316 0.045 0.044

Tây Nguyên

Reg+TieZ 24.201 2.421 3.265 1.655 0.035 0.328 0.054 0.052 Reg+GAB 26.499 1.339 1.653 -0.923 0.162 0.422 0.008 0.008 Reg+TieB 27.845 27.422 1.079 1.348 0.423 0.203 0.493 0.072 0.075 Nam Bộ Reg+TieZ 27.531 1.020 1.274 0.109 0.167 0.516 0.057 0.062

120

HSTQ và RMSE của nhiệt độ trung bình tháng tính cho tất cả 30 tháng trên

từng khu vực và toàn Việt Nam được biểu diễn trên Hình 4.14a và b. Ngoại trừ Tây

Nguyên và Nam Bộ, HSTQ của các khu vực còn lại đều lớn hơn hoặc xấp xỉ 0,5.

Sai số RMSE lớn nhất tại Tây Bắc+Việt Bắc và Tây Nguyên (lớn hơn hoặc bằng 3

độ), thấp nhất ở Nam Bộ (0,5-1,5 độ) và khoảng 2 độ trên các khu vực còn lại.

Hình 4.14: (a) HSTQ và (b) RMSE của nhiệt độ trung bình tháng của 3 tháng trong

10 năm giữa mô hình và quan trắc, đánh giá cho từng khu vực trên Việt Nam. Đơn vị RMSE là độ C.

Tuy nhiên, kỹ năng mô phỏng nhiệt độ tối cao (tại 13h) của mô hình chưa

cao. Nhiệt độ tối cao trung bình các tháng mùa hè thường lệch với quan trắc là âm

4-6 độ, ngay cả với phiên bản tốt nhất là Reg+TieB (Hình 4.15).

121

Hình 4.15: Chuỗi thời gian nhiệt độ tối cao

trung bình các tháng 6-8 của 10 năm. Đơn vị

độ C.

Hình 4.16: Dị thường nhiệt độ tối cao trung

bình các tháng 6-8 của 10 năm so với trung bình 10 năm của mỗi chuỗi. Đơn vị độ C.

Nếu đồng thời trừ nhiệt độ tối cao quan trắc và mô hình cho trung bình 10

năm của quan trắc thì mô hình luôn thấp hơn TBNN của quan trắc và không bao giờ

nắm bắt được biến trình của nhiệt độ tối cao. Tuy vậy, nếu trừ nhiệt độ của từng

phiên bản cho TBNN của chính phiên bản đó với giả thiết chấp nhận hiệu chỉnh một

lượng bằng độ lệch giữa TBNN của mô hình và TBNN của quan trắc như trên Hình

4.16 thì mô hình có thể mô phỏng tốt những tháng lạnh hơn TBNN của năm 1991,

1994 cuối 1997 và 1999-2000, mô phỏng được xu thế nóng hơn TBNN trong cả

mùa hè năm 1993, tháng 6/1997, cả mùa hè năm 1998, mặc dù biên độ nhiệt nhỏ

hơn, và “bỏ lỡ” mất cực đại năm 1995. Phiên bản Reg+TieB hầu như tái tạo nhiệt

độ tối cao cao hơn 2 phiên bản còn lại trong các tháng nóng hơn TBNN và mô

phỏng thấp hơn trong các tháng lạnh hơn TBNN, nhưng độ sai lệch giữa 3 phiên

bản không đáng kể.

122

Nói tóm lại, tại mọi điểm số đánh giá đều cho thấy phiên bản Reg+TieB có

kỹ năng tái tạo nhiệt độ bề mặt tốt nhất và phiên bản Reg+GAB có kỹ năng kém

nhất, ngoại trừ trên khu vực Tây Nguyên. Reg+TieZ có kỹ năng trung bình giữa

Reg+GAB và Reg+TieB và cũng thiên về tái tạo nhiệt độ thấp trong những năm có

nắng nóng giống như Reg+GAB nên không được đánh giá cao so với Reg+TieB.

Tiếp theo là các chỉ số đánh giá lượng mưa mô phỏng trên Việt Nam.

b. Lượng mưa trung bình tháng

Trung bình 30 tháng mô phỏng, lượng mưa mô phỏng của Reg+GAB khá tốt

trên vịnh Bengal nhưng quá nhỏ trên bán đảo Đông Dương trong khi 2 phiên bản

còn lại tái tạo mưa quá mạnh trên vịnh Bengal và Việt Nam. Tuy vậy, 2 phiên bản

sử dụng sơ đồ tham số hóa đối lưu của Tiedtke mô phỏng được khu vực mưa lớn

trên biên giới Việt-Lào mặc dù vị trí lệch sang đông bắc. Khi lấy trung bình 3 phiên

bản chúng tôi nhận được kết quả tổ hợp (Reg+Tổ hợp) có phân bố giáng thủy gần

với CRU hơn. Các bản đồ lượng mưa trung bình mùa hè của 10 năm của 3 phiên

bản cùng với tổ hợp của chúng được trình bày trong Hình 4.17. Hình 4.18 biểu diễn

dị thường lượng mưa trung bình các tháng mùa hè của 10 năm (1991-2000) so với

trung bình 10 năm của quan trắc, tính trên toàn Việt Nam. Trong trường hợp này,

Reg+GAB luôn tái tạo mưa thấp hơn quan trắc cả trong những năm NON-ENSO

(1996) hoặc El Nino yếu (1991) và La Nina (cuối 1998, 1999-2000), khi lượng mưa

quan trắc trung bình các tháng mùa hè xấp xỉ hoặc thấp hơn một chút so với TBNN.

Reg+TieB có xu hướng mô phỏng lượng mưa lớn hơn quan trắc nhưng hầu như

biểu diễn được biến trình lượng mưa trung bình tháng mùa hè của quan trắc ngoại

trừ tháng một số tháng như 8/1992, 6/1993, năm 1998-1999 trong đó mưa quan trắc

thấp hơn TBNN còn mưa của Reg+TieB lớn hơn TBNN. Tình trạng tương tự đối

với Reg+TieZ và Reg+Tổ hợp trong các tháng này do mô hình đã tái tạo lượng mưa

lớn vượt quan trắc trong những năm có lượng mưa thấp. Trong những năm có lượng

mưa lớn như 1994, cuối năm 1995, năm 1996 thì 2 phiên bản Reg+TieZ và Reg+Tổ

hợp đã tái tạo rất tốt lượng mưa trung bình các tháng mùa hè.

123

(b) Reg+GAB (c) Reg+TieB

(a) Mưa, CRU, 6-8/91-00

(d) Reg+TieZ (e) Reg+Tổ hợp

Hình 4.17: Lượng mưa trung bình tháng 6-8/1991-2000 của (a) CRU, (b) Reg+GAB, (c)

Reg+TieB, (d) Reg+TieZ và (e) Reg+Tổ hợp. Đơn vị mm/ngày.

Các sai số đánh giá lượng mưa được trình bày trong Bảng 4.4 cho thấy trên

toàn Việt Nam, phiên bản Reg+Tổ hợp tốt nhất vì sai số RMSE nhỏ nhất, các chỉ số

Acc, HK và HSS cũng hầu như đều lớn nhất. Tại Trung Bộ, sai số RMSE của phiên

bản Reg+GAB nhỏ nhất còn của phiên bản Reg+TieB lớn nhất bởi vì vào mùa hè

Trung Bộ ít mưa (khoảng 3,5 mm/ngày) mà Reg+GAB luôn tái tạo mưa nhỏ (trung

bình 4 mm/ngày), nhỏ hơn các phiên bản khác (7-10mm/ngày). HSTQ và sai số

RMSE tính cho lượng mưa trung bình tháng trong 30 tháng đối với từng khu vực và

toàn Việt Nam được biểu diễn trong Hình 4.19a và b tương đối thấp, HSTQ biến

đổi từ -0,15 đến 0,35, RMSE khoảng 4-12mm/ngày. Nhìn chung Reg+Tổ hợp hầu

như luôn có sai số RMSE nhỏ nhất còn HSTQ xấp xỉ Reg+GAB, tốt hơn so với

Reg+TieB và Reg+TieZ.

124

Hình 4.18: Dị thường lượng mưa trung bình

các tháng mùa hè của 10 năm (1991-2000) so với trung bình 10 năm của

quan trắc, tính trên toàn Việt Nam. Đơn vị

mm/ngày.

Bảng 4.4: Tương tự như Bảng 4.2 nhưng là lượng mưa trung bình tháng và thêm phiên bản Reg+Tổ hợp. Đơn vị mm/ngày.

Phiên bản TrBình mô hình

TrBình qtrắc

MAE RMSE ME HSTQ Acc HK HSS

Reg+GAB 4.802 4.623 6.164 -3.101 0.257 0.301 0.071 0.068 Reg+TieB 9.803 7.903 6.345 9.216 1.900 0.113 0.307 0.044 0.043 Reg+TieZ 7.732 5.400 7.426 -0.171 0.165 0.302 0.041 0.040 Reg+Tổ hợp 7.445 4.520 6.077 -0.457 0.208 0.354 0.076 0.077

Bảng 4.5 : Tương tự như Bảng 4.4 nhưng của các khu vực trên Việt Nam. Khu vực Phiên bản

TrBình mô hình

TrBình qtrắc

MAE RMSE ME HSTQ Acc HK HSS

Reg+GAB 6.047 5.749 7.290 -4.573 0.192 0.309 0.081 0.067 Reg+TieB 11.881 6.258 8.107 1.262 0.161 0.364 -0.020 -0.020Reg+TieZ 10.140 10.620 5.484 7.560 -0.479 0.238 0.424 0.127 0.119

Tây Bắc + Việt Bắc Reg+Tổ hợp 9.356 4.699 6.155 -1.264 0.249 0.430 0.108 0.104

Reg+GAB 4.339 4.469 5.973 -3.576 0.259 0.304 0.050 0.047 Reg+TieB 9.768 5.707 8.876 1.854 0.160 0.333 0.054 0.053 Reg+TieZ 7.433 7.915 4.893 6.755 -0.481 0.224 0.292 0.008 0.008

ĐBB+ ĐBBB+ BTrBộ Reg+Tổ hợp 7.180 3.999 5.489 -0.735 0.262 0.387 0.088 0.090

Reg+GAB 4.044 2.934 4.239 0.511 0.279 0.336 0.045 0.044 Reg+TieB 9.839 7.450 11.106 6.306 0.210 0.215 0.020 0.017 Reg+TieZ 7.505 3.533 5.589 8.163 3.972 0.110 0.221 -0.006 -0.005

TrTrBộ+ NTrBộ

Reg+Tổ hợp 7.130 4.768 6.447 3.597 0.243 0.233 0.016 0.014 Reg+GAB 4.639 4.873 6.271 -4.469 0.250 0.242 -0.042 -0.033Reg+TieB 13.692 7.381 11.054 4.583 -0.039 0.442 0.158 0.142 Reg+TieZ 10.603 9.108 5.382 7.456 1.495 0.162 0.433 0.119 0.109

Tây Nguyên

Reg+Tổ hợp 9.645 4.377 6.001 0.536 0.095 0.475 0.081 0.082 Reg+GAB 5.334 5.417 6.872 -3.757 0.127 0.276 0.048 0.040 Reg+TieB 6.345 6.271 8.055 -2.746 -0.094 0.239 -0.004 -0.003Reg+TieZ 5.124 9.091 6.187 7.824 -3.967 -0.133 0.233 0.008 0.006

Nam Bộ

Reg+Tổ hợp 5.601 5.230 6.768 -3.490 -0.059 0.285 -0.009 -0.008

125

RMSE, mưa

Hình 4.19: (a) HSTQ và (b) RMSE của lượng mưa trung bình tháng của 3 tháng

trong 10 năm giữa mô hình và quan trắc, đánh giá cho từng khu vực trên Việt

Nam. Đơn vị RMSE là mm/ngày.

Nhận xét

Từ các Bảng 4.2 đến Bảng 4.5 ta thấy nhiệt độ và lượng mưa của mô hình

thường mắc sai số có tính hệ thống so với quan trắc. Tuy nhiên, không thể hiệu

chỉnh cơ học bằng cách cộng hoặc trừ một lượng nào đó để đưa mô phỏng về giá trị

quan trắc thực vì sai số khác nhau trên các khu vực khác nhau và vào các thời gian

126

khác nhau. Thông thường, để đơn giản, người ta có thể xây dựng phương trình

HQTT để hiệu chỉnh sản phẩm của mô hình về giá trị quan trắc nhưng qua một số

thử nghiệm chúng tôi nhận thấy HQTT không cho kết quả tốt. Nhưng HSTQ giữa

nhiệt độ (lượng mưa) mô phỏng và nhiệt độ (lượng mưa) quan trắc tương ứng

khoảng 0,6-0,7 (0,1-0,2), vì thế mối quan hệ tuyến tính của sản phẩm mô hình với

đại lượng quan trắc đó không mạnh, đặc biệt là đối với lượng mưa. Do đó, trong

mục tiếp theo, chúng tôi sử dụng mạng thần kinh nhân tạo (ANN) để xây dựng mối

quan hệ giữa nhiệt độ (lượng mưa) mô hình và quan trắc, từ đó hiệu chỉnh giá trị mô

phỏng về gần với thực tế hơn.

4.2. Cải thiện kết quả mô phỏng nhiệt độ và lượng mưa của RegCM3 nhờ hiệu chỉnh bằng ANN

4.2.1. Lý do chọn phương pháp hiệu chỉnh bằng ANN

Như đã thấy trong Bảng 4.2 và Bảng 4.4, tính trên toàn Việt Nam, nhiệt độ

và lượng mưa trung bình tháng của mô hình thường âm so với quan trắc. Biểu diễn

tần số độ lệch (ME) giữa mô hình và quan trắc trong các tháng mùa hè của 10 năm

nói trên cho thấy phân bố độ lệch rất gần với phân bố chuẩn (Hình 4.20).

(a) Nhiệt độ, Reg+GAB, 6-8/91-00, Việt Nam

(b) Lượng mưa, Reg+GAB, 6-8/91-00

Hình 4.20: Phân bố độ lệch (ME) của (a) nhiệt độ và (b) lượng mưa trung bình tháng giữa mô

hình và quan trắc trong các tháng mùa hè (6-8) của 10 năm (91-00) của Reg+GAB. Đơn vị nhiệt độ là độ C, lượng mưa mm/ngày.

127

Độ lệch nhiệt độ hầu như tập trung tại âm 1-2 độ C (chiếm khoảng 550 trong

số 1798 trường hợp) và độ lệch lượng mưa tập trung quanh khoảng âm 5 mm/ngày

(chiếm khoảng 750 trong số 1795 trường hợp). Thực chất, tổng số trường hợp ở đây

là 60 trạm x 3 tháng x 10 năm = 1800 trường hợp nhưng có 2 trường hợp nằm ngoài

khoảng chia nhiệt độ (-6 đến 6oC) và 5 trường hợp nằm ngoài khoảng chia lượng

mưa (-20 đến 30 mm/ngày).

Ta có thể thấy rõ thêm điều này trong biểu đồ tụ điểm trong Hình 4.21 biểu

diễn tương quan của quan trắc (trục tung) và mô hình (trục hoành). Tụ điểm càng

tập trung trên đường chéo nghĩa là mô hình càng gần với quan trắc. Tuy nhiên, kết

quả thực tế là Reg+GAB hầu như luôn thấp hơn quan trắc, đặc biệt tại các giá trị

quan trắc cao (Hình 4.21a). Sau khi đã cải tiến RegCM3 bằng sơ đồ tham số hóa đối

lưu Tiedtke (1989), tụ điểm đã tập trung quanh đường chéo hơn nhưng vẫn phần

nào thiên về mô phỏng âm (Hình 4.21b). Chính vì vậy, chúng tôi có ý tưởng hiệu

chỉnh nhiệt độ của RegCM3 về gần với quan trắc hơn. Chúng tôi cũng nhận thấy tụ

điểm khá tập trung, mặc dù lệch so với đường chéo lý tưởng nhưng độ lệch khá hệ

thống, có thể vẽ được một đường thẳng tựa như đường HQTT cắt qua tụ điểm

(đường nét chấm, đậm trên Hình 4.21) và thấy rằng đường thẳng này lệch một góc

so với đường chéo lý tưởng. Do đó, cần áp dụng các phương pháp thống kê để đưa

đường hồi quy về gần nhất với đường chéo lý tưởng.

Hình 4.21: Biểu đồ tụ điểm của nhiệt độ

quan trắc và mô hình trên toàn Việt Nam của (a) phiên bản Reg+GAB, (b)

phiên bản Reg+TieB, đơn vị

độ C. Có nhiều phương pháp thống kê được sử dụng trong hiệu chỉnh sản phẩm mô

hình, thông thường nhất là phương pháp HQTT. Tuy nhiên, độ phân tán của biểu đồ

tụ điểm khá lớn và HSTQ giữa sản phẩm mô hình và quan trắc không cao, đặc biệt

là lượng mưa. Hơn nữa, sai số ME cũng biến động khá mạnh theo thời gian (Hình

128

4.22) và không gian (Hình 4.23 và Hình 4.24) đối với cả nhiệt độ và lượng mưa.

Trên một số vùng khí hậu của Việt Nam, phân bố ME của nhiệt độ không đạt phân

bố chuẩn, ví dụ như khu vực Tây Bắc+Việt Bắc và Tây Nguyên (Hình 4.23). Đối

với lượng mưa, sai số thiên âm trên khu vực ĐBB+ĐBBB+BTB nhưng thiên dương

trên khu vực TrBộ+NTrBộ. Vì thế, phương pháp HQTT ở đây không phù hợp.

Chúng tôi cũng đã thực hiện hiệu chỉnh nhiệt độ của RegCM3 bằng phương pháp

HQTT đối với nhiệt độ nhưng không hiệu quả không bằng ANN [Hồ Thị Minh Hà

và Nguyễn Hướng Điền, 2006].

Hình 4.22: Chuỗi thời gian của độ lệch (ME) giữa (a) nhiệt độ và (b) lượng mưa trung bình tháng của mô hình và quan trắc trong các tháng mùa hè (6-8) của 10 năm (1991-

2000) tính trên toàn Việt Nam. Đơn vị nhiệt độ là độ C, lượng mưa mm/ngày.

Khu vực Tây Bắc+Việt Bắc Khu vực Tây Nguyên

Hình 4.23: Phân bố độ lệch (ME) của nhiệt độ trung bình tháng giữa mô hình và quan trắc trong các tháng mùa hè (6-8) của 10 năm (91-00) của Reg+GAB trên khu vực (a)

Tây Bắc+Việt Bắc và (b) Tây Nguyên.

129

Khu vực ĐBB+ĐBBB+BTB Khu vực TrBộ+NTrBộ

Hình 4.24: Phân bố độ lệch (ME) của lượng mưa trung bình tháng giữa mô hình và quan trắc trong các tháng mùa hè (6-8) của 10 năm (1991-2000) của Reg+GAB trên khu vực

(a) ĐBB+ĐBBB+BTB và (b) TrBộ+NTrBộ. Đơn vị mm/ngày.

Chương trình ANN được sử dụng trong luận án là một phần của chương trình

Matlab - phần mềm tính toán với các ma trận rất hiệu quả của Mỹ và có mã nguồn

mở. Thực chất, chúng tôi cũng đã xây dựng được chương trình luyện ANN riêng

dựa trên mã nguồn của Matlab và cho kết quả tương tự như khi sử dụng chính phần

mềm này nhưng do tiện ích về đồ họa của Matlab nên chúng tôi sử dụng luôn

Matlab để luyện ANN và hiển thị kết quả.

Bộ số liệu nhiệt độ (lượng mưa) ngày của 3 tháng mùa hè của 10 năm được

chia thành 2 phần một cách ngẫu nhiên, 6 năm số liệu phụ thuộc để luyện mạng và 4

năm số liệu độc lập để áp dụng hiệu chỉnh và đánh giá. 6 năm số liệu phụ thuộc là

1992, 1993, 1994, 1997, 1999, 2000. Bốn năm để hiệu chỉnh là 1991, 1995, 1996 và

1998. 60 trạm trên Việt Nam được luyện trong 60 mạng ANN riêng. Mỗi mạng

ANN bao gồm đầu vào là nhiệt độ (hoặc lượng mưa) của 3 phiên bản Reg+GAB,

Reg+TieB và Reg+TieZ tại một trạm và đích ra là nhiệt độ (lượng mưa) của quan

trắc tại trạm tương ứng. Số lớp ẩn là 2 với số nút trong từng lớp là 5 và 3. Hàm

truyền giữa lớp đầu vào và lớp ẩn cũng như giữa các lớp ẩn là hàm tang hypebol

sigma và hàm truyền giữa lớp ẩn cuối cùng với lớp kết xuất là hàm tuyến tính. Số

thế hệ luyện của nhiệt là 300 và của mưa là 1000 thế hệ. Để tránh hiện tượng “quá

khớp”, chúng tôi đánh giá sai số RMSE của chuỗi số liệu độc lập bằng cách nhân số

130

liệu này với trọng số sau mỗi thế hệ luyện. Nếu sai số khuếch đại quá lớn thì dừng

quá trình luyện và lấy trọng số là bộ trọng số tại thời điểm dừng. Đây là nguyên tắc

“early stopping” của mạng Leveberg-Marquardt. Sau khi luyện cho 60 trạm, các

thông số về số lớp ẩn, nút ẩn, giá trị các trọng số tại mỗi lớp được lưu riêng và được

sử dụng để đánh giá khả năng hiệu chỉnh trên bộ số liệu phụ thuộc và độc lập. Do

trọng số của mỗi lớp ẩn và lớp xuất có dạng ma trận và khá phức tạp, không đơn

giản như phương trình HQTT nên không trình bày cụ thể ở đây.

4.2.2. Các kết quả sau khi hiệu chỉnh

4.2.2.1. Hiệu chỉnh nhiệt độ

Do Reg+TieB có kỹ năng tái tạo nhiệt độ bề mặt tốt nhất trong số 3 phiên

bản thử nghiệm nên chúng tôi so sánh nhiệt độ sau khi hiệu chỉnh bằng ANN, ký

hiệu là Reg+ANN, với nhiệt độ của Reg+TieB. Các đánh giá thống kê sẽ được thực

hiện với cả 2 phiên bản Reg+GAB và Reg+TieZ.

Hình 4.25 là biểu đồ tụ điểm biểu diễn tương quan giữa nhiệt độ của

Reg+ANN và quan trắc. Rõ ràng là tụ điểm đã tập trung hơn và cũng bám sát với

đường chéo lý tưởng hơn cho thấy nhờ hiệu chỉnh bằng ANN đã đưa nhiệt độ của

mô hình về gần với quan trắc hơn.

Các kết quả

cho thấy hiệu chỉnh

bằng ANN đã đưa

nhiệt độ và lượng

mưa trung bình tháng

của mô hình về gần

quan trắc hơn.

Hình 4.25 : Biểu đồ tụ điểm nhiệt độ sau khi hiệu chỉnh bằng ANN trên toàn Việt Nam của các tháng mùa hè (6-8) của 10 năm (1991-2000). Đơn vị độ C.

Phân bố không gian của nhiệt độ và lượng mưa trung bình của Reg+ANN và

quan trắc gần như giống nhau, đặc biệt trên bộ số liệu phụ thuộc (Hình 4.26) và

khác biệt không đáng kể trên bộ số liệu độc lập (Hình 4.27).

131

Quan trắc Reg+TieB

Reg+ANN

Hình 4.26: Nhiệt độ trung bình 18 tháng của 6 năm số liệu phụ thuộc (1992, 1993, 1994,

1997, 1999, 2000) của (a) Quan trắc, (b) Reg+TieB và (c) Reg+ANN. Đơn vị độ C.

Quan trắc

Reg+TieB

Reg+ANN

Hình 4.27: Tương tự Hình 4.26 nhưng của 4 năm số liệu độc lập (1991,1995,1996,1998).

Nhiệt độ trung bình tháng cũng sát với đường quan trắc hơn so với phiên bản

mô phỏng nhiệt độ tốt nhất là Reg+TieB (Hình 4.28 và Hình 4.29).

132

(a) Việt Nam, 6 năm số liệu phụ thuộc

(b) Tây Bắc và Việt Bắc, 6 năm số liệu phụ thuộc

Hình 4.28: Chuỗi thời gian của nhiệt độ trung bình tháng của (a) Việt

Nam và (b) Tây Bắc+Việt Bắc trong 6 năm, số liệu phụ thuộc. Đơn vị độ C.

(a) Việt Nam, 4 năm số liệu độc lập

133

(b) Tây Nguyên, 4 năm số liệu độc lập

(c) Tây Bắc và Việt Bắc, 4 năm số liệu độc lập

Hình 4.29: Chuỗi thời gian của nhiệt độ của (a) Việt Nam, (b) Tây Nguyên

và (c) Tây Bắc và Việt Bắc trong 4 năm số liệu độc lập sau khi hiệu chỉnh

bằng ANN. Đơn vị độ C.

Bảng 4.6: Bảng các chỉ số đánh giá biến liên tục đối với nhiệt độ trung bình

tháng của Việt Nam giữa quan trắc và các phiên bản Reg+GAB, Reg+TieB,

Reg+TieZ, 4 năm (98, 96, 91, 95). Đơn vị độ C. Phiên bản TrBình

mô hình TrBình qtrắc

MAE RMSE ME HSTQ Acc HK HSS

Reg+GAB 26.139 1.907 2.228 -1.542 0.703 0.276 0.043 0.037

Reg+TieB 27.017 27.681 1.453 1.858 -0.664 0.665 0.390 0.138 0.127

Reg+TieZ 26.766 1.518 1.935 -0.916 0.671 0.389 0.153 0.139

Reg+ANN 27.519 0.441 0.566 -0.163 0.970 0.822 0.729 0.726

134

Bảng 4.7 : Tương tự như Bảng 4.6 nhưng của các khu vực trên Việt Nam. Khu

vực Phiên bản

TrBình

mô hình

TrBình

qtrắc MAE RMSE ME HSTQ Acc HK HSS

Reg+GAB 23.789 2.997 3.346 -2.323 0.561 0.135 -0.030 -0.028 Reg+TieB 24.257 2.711 3.087 -1.854 0.543 0.176 0.004 0.004 Reg+TieZ 24.116 26.111 2.803 3.189 -1.995 0.539 0.164 -0.008 -0.008

Tây Bắc+ Việt Bắc

Reg+ANN 26.039 0.915 1.172 -0.072 0.915 0.603 0.475 0.483 Reg+GAB 26.771 2.105 2.482 -1.911 0.542 0.241 -0.016 -0.015 Reg+TieB 27.479 1.695 2.079 -1.204 0.507 0.347 0.087 0.083 Reg+TieZ 27.274 28.683 1.816 2.237 -1.408 0.490 0.320 0.057 0.053

ĐBB+ ĐBBB+ BTrBộ

Reg+ANN 28.438 1.093 1.421 -0.245 0.620 0.540 0.279 0.291 Reg+GAB 27.534 1.761 2.174 -1.531 0.359 0.325 -0.005 -0.004 Reg+TieB 28.607 1.234 1.591 -0.458 0.386 0.488 0.107 0.111 Reg+TieZ 28.179 29.065 1.339 1.707 -0.885 0.412 0.441 0.055 0.055

TrTrBộ+ NTrBộ

Reg+ANN 28.967 0.941 1.199 -0.098 0.554 0.566 0.196 0.213 Reg+GAB 23.692 2.174 2.871 0.891 0.081 0.342 0.077 0.076 Reg+TieB 24.675 2.519 3.395 1.874 0.046 0.311 0.030 0.029 Reg+TieZ 24.490 22.801 2.428 3.262 1.689 0.068 0.315 0.028 0.028

Tây Nguyên

Reg+ANN 22.603 0.752 0.976 -0.198 0.932 0.739 0.604 0.617 Reg+GAB 26.682 1.306 1.608 -0.908 0.219 0.433 0.015 0.015 Reg+TieB 28.082 1.079 1.341 0.492 0.242 0.495 0.099 0.101 Reg+TieZ 27.772 27.591 1.004 1.247 0.182 0.213 0.510 0.080 0.085

Nam Bộ

Reg+ANN 27.435 0.887 1.108 -0.155 0.315 0.571 0.098 0.115

Các chỉ số đánh giá cho thấy với Reg+ANN, sai số RMSE của nhiệt độ trung

bình tháng tính cho cả Việt Nam giảm từ khoảng 2oC (Reg+TieB) xuống còn 0,5oC

và HSTQ tăng từ 0,7 lên hơn 0,9. Độ chính xác Acc tăng từ 0,3 lên hơn 0,8 và biệt

thức HK cũng như hệ số kỹ năng HSS đều tăng từ 0,1 đến gần 0,7-0,8 (Bảng 4.6).

Đối với từng khu vực, sau khi hiệu chỉnh, sai số ME cũng giảm và các chỉ số Acc,

HK, HSS đều tăng nhưng mức độ không mạnh bằng các chỉ số tính trên toàn Việt

Nam. Tại các khu vực vốn có sai số lớn ở miền Bắc và Tây Nguyên, độ chính xác

tăng lên nhờ hiệu chỉnh lớn hơn nhiều so với các khu vực vốn có sai số nhiệt độ khá

thấp như miền Trung và Nam Bộ (Bảng 4.7). Nói chung, với sai số hệ thống nhiệt

độ dưới 2oC, miền Trung và Nam Bộ có thể không cần phải hiệu chỉnh nhiệt độ còn

các khu vực thuộc miền Bắc và Tây Nguyên cần thiết phải hiệu chỉnh bằng ANN.

135

HSTQ và RMSE đối với từng khu vực cũng có kết quả tương tự (Hình 4.30). Tiếp

theo là các kết quả hiệu chỉnh lượng mưa bằng ANN.

Hình 4.30: (a) HSTQ và (b) RMSE của nhiệt độ trung bình tháng của 3 tháng

trong 4 năm số liệu độc lập (98, 96, 91, 95) giữa mô hình và quan trắc, đánh giá

cho từng khu vực trên Việt Nam. Đơn vị RMSE là độ C.

4.2.2.2. Hiệu chỉnh lượng mưa

Lượng mưa trung bình tháng của số liệu quan trắc, Reg+GAB, Reg+Tổ hợp

và Reg+ANN của 6 năm số liệu phụ thuộc (1992, 1993, 1994, 1997, 1999, 2000)

được biểu diễn trong Hình 4.31 trong khi 4 năm số liệu độc lập (1991, 1995, 1996,

1998) biểu diễn trong Hình 4.32.

136

Quan trắc

Reg+GAB

Reg+Tổ hợp

Reg+ANN

Hình 4.31: Lượng mưa trung bình tháng của 6 năm số liệu phụ thuộc của (a) Quan trắc, (b) Reg+GAB, (c) Reg+Tổ hợp và (d) Reg+ANN. Đơn vị mm/ngày.

Quan trắc

Reg+GAB

Reg+Tổ hợp

Reg+ANN

Hình 4.32: Tương tự Hình 4.31 nhưng của 4 năm số liệu độc lập (1991,1995,1996,1998).

Nhìn chung, mạng ANN đã học theo quan trắc rất tốt, phân bố mưa của

Reg+ANN trong 6 năm số liệu phụ thuộc gần giống với phân bố mưa của quan trắc.

Với 4 năm số liệu độc lập, Reg+ANN biểu diễn được phân bố không gian của lượng

mưa trung bình tháng của quan trắc nhưng lượng mưa có xu hướng cao hơn trên

khu vực Tây Nguyên và Nam Bộ và thấp hơn quan trắc trên khu vực Bắc Bộ. HSTQ

137

và RMSE của lượng mưa trung bình tháng tính cho 4 năm số liệu độc lập trên các

khu vực và trên toàn Việt Nam được trình bày trong Hình 4.33, trong đó HSTQ của

Reg+ANN tăng rõ rệt, hầu như bằng 0,5 - 0,7 và RMSE giảm xuống còn 3-4

mm/ngày.

Hình 4.33: (a) HSTQ và (b) RMSE của lượng mưa trung bình tháng của 3 tháng

trong 4 năm số liệu độc lập (1991, 1995, 1996,1998) giữa mô hình và quan trắc,

đánh giá cho từng khu vực trên Việt Nam. Đơn vị RMSE là mm/ngày.

Các chỉ số đánh giá được trình bày trong Bảng 4.8 và Bảng 4.9. Trong Bảng

4.8, RMSE lượng mưa trung bình tháng của Việt Nam giảm từ 6,2mm/ngày

(Reg+GAB) và 6,4mm/ngày (Reg+Tổ hợp) xuống còn 3,9 mm/ngày và HSTQ tăng

138

từ 0,26 (Reg+GAB) và 0,13 (Reg+Tổ hợp) lên 0,68 trong lúc Acc tăng từ 0,3 lên

0,5 và HK và HSS đều tăng nhiều, từ 0,079 (Reg+GAB) và 0,015 (Reg+Tổ hợp) lên

0,28 (xem Bảng 4.8). Các chỉ số đối với từng khu vực cũng có xu thế tương tự (xem

Bảng 4.9 và Hình 4.33).

Bảng 4.8 : Bảng các chỉ số đánh giá biến liên tục đối với lượng mưa trung bình tháng, từng trạm của Việt Nam giữa quan trắc và các phiên bản Reg+GAB,

Reg+TieB, Reg+TieZ, 4 năm (98, 96, 91, 95). Đơn vị mm/ngày. Phiên bản TrBình

mô hình TrBình qtrắc

MAE RMSE ME HSTQ Acc HK HSS

Reg+GAB 5.064 4.615 6.195 -2.877 0.259 0.306 0.084 0.079 Reg+TieB 11.248 7.265 10.922 3.308 0.030 0.304 0.028 0.028 Reg+TieZ 8.061 7.940 5.437 7.287 0.120 0.110 0.302 0.022 0.022 Reg+Tổ hợp 8.124 4.817 6.417 0.184 0.134 0.322 0.014 0.015 Reg+ANN 8.353 2.991 3.906 0.412 0.675 0.511 0.264 0.278

Bảng 4.9 : Tương tự như Bảng 4.8 nhưng của các khu vực trên Việt Nam.

Khu vực Phiên bản TrBình

mô hình TrBình qtrắc MAE RMSE ME HSTQ Acc HK HSS

Reg+GAB 6.561 6.305 7.906 -4.846 0.127 0.303 0.059 0.047 Reg+TieB 12.370 6.925 8.698 0.964 -0.009 0.394 -0.027 -0.027 Reg+TieZ 10.037 11.407 5.513 7.305 -1.370 0.195 0.424 0.104 0.095 Reg+Tổ hợp 9.656 5.166 6.603 -1.751 0.129 0.402 0.029 0.028

Tây Bắc + Việt Bắc

Reg+ANN 10.753 3.438 4.343 -0.654 0.621 0.568 0.233 0.240 Reg+GAB 4.490 4.390 6.061 -3.664 0.303 0.336 0.102 0.096 Reg+TieB 11.189 6.580 10.63 3.036 0.045 0.310 -0.005 -0.005 Reg+TieZ 7.706 8.153 4.860 6.592 -0.448 0.169 0.321 0.021 0.021 Reg+Tổ hợp 7.795 4.152 5.824 -0.358 0.169 0.358 0.015 0.016

ĐBB+ ĐBBB+ BTrBộ

Reg+ANN 8.568 3.200 4.215 0.414 0.543 0.467 0.136 0.150 Reg+GAB 4.561 3.043 4.265 1.647 0.294 0.295 0.008 0.007 Reg+TieB 11.901 9.678 14.30 8.988 0.268 0.144 -0.015 -0.011 Reg+TieZ 7.848 2.914 6.139 8.361 4.935 -0.006 0.174 -0.015 -0.012 Reg+Tổ hợp 8.104 5.849 7.564 5.190 0.252 0.167 -0.005 -0.004

TrTrBộ+ NTrBộ

Reg+ANN 4.062 2.302 2.822 1.149 0.483 0.409 0.210 0.180 Reg+GAB 4.960 4.343 5.585 -3.581 0.208 0.271 -0.091 -0.077 Reg+TieB 16.389 9.312 14.323 7.848 -0.130 0.500 0.261 0.230 Reg+TieZ 10.955 8.541 5.632 7.797 2.414 0.043 0.354 -0.100 -0.097 Reg+Tổ hợp 10.768 5.070 6.982 2.227 -0.043 0.417 -0.046 -0.048

Tây Nguyên

Reg+ANN 9.533 2.840 3.550 0.992 0.564 0.667 0.317 0.354 Reg+GAB 5.297 5.064 6.362 -3.544 0.217 0.273 0.078 0.060 Reg+TieB 7.726 5.871 7.721 -1.115 -0.056 0.288 -0.006 -0.005 Reg+TieZ 5.982 8.841 5.785 7.296 -2.859 -0.243 0.250 -0.034 -0.028 Reg+Tổ hợp 6.335 4.723 5.921 -2.506 -0.049 0.288 -0.110 -0.103

Nam Bộ

Reg+ANN 9.367 2.854 3.838 0.526 0.513 0.591 0.311 0.313

139

Nhận xét :

Như vậy, hiệu chỉnh bằng ANN đã giảm được sai số hệ thống. Bằng chứng là

sai số RMSE giảm còn các chỉ số Acc, HK, HSS tăng lên. Các chỉ số Acc, HK, HSS

tăng có nghĩa là các khoảng chia nhiệt độ và lượng mưa trung bình tháng của quan

trắc và Reg+ANN đã gần trùng nhau. Hơn nữa, HSTQ tăng lên nhiều chứng tỏ sai

số hệ thống đã được giảm đi không phải thuộc dạng tuyến tính mà là dạng phi tuyến

bởi vì nếu quan hệ giữa sản phẩm mô hình và quan trắc là tuyến tính thì HSTQ sẽ

gần như không đổi hoặc chỉ tăng rất ít. Từ đó có thể nói mặc dù mới chỉ ứng dụng

dưới dạng đơn giản nhất nhưng ANN đã xử lý tốt và phát huy hiệu quả trong hiệu

chỉnh thống kê nhiệt độ và lượng mưa mô hình RegCM3.

140

KẾT LUẬN

Từ kết quả nghiên cứu của luận án về khả năng dự báo hạn mùa các yếu tố

khí tượng trên lãnh thổ Việt Nam bằng phương pháp thủy động thống kê có thể rút

ra một số kết luận và kiến nghị như sau:

1. Phiên bản gốc của mô hình RegCM3 với các cấu hình thí nghiệm khác nhau

đã thể hiện khả năng mô phỏng tương đối tốt hoàn lưu, trường áp suất mực biển

trung bình trong mùa gió mùa mùa hè trên khu vực Đông Nam Á. Các thử nghiệm

về các sơ đồ tham số hóa đối lưu khác nhau cho thấy tham số hóa đối lưu ảnh

hưởng rất nhiều đến nhiệt độ và lượng mưa mô phỏng của RegCM3. Trong số các

sơ đồ tham số hóa đối lưu của RegCM3, sơ đồ Grell (1993) với giả thiết khép kín

mô hình mây của Arakawa-Schubert (GAS) cho kết quả mô phỏng hợp lý hơn cả.

Nhưng nhiệt độ mô phỏng bởi RegCM3 với tùy chọn GAB (GAS và BATS), ký

hiệu là Reg+GAB, có xu thế thấp hơn thực tế, cả bề mặt và trên cao. Lượng mưa

mô phỏng trung bình tháng thấp hơn nhưng diện mưa rộng hơn thực tế. Hệ số tương

quan giữa mô phỏng và quan trắc của nhiệt độ khá cao (0,65) nhưng của lượng mưa

rất thấp (0,087) cho thấy khả năng mô phỏng nhiệt độ của mô hình tốt hơn so với

mô phỏng mưa.

2. Luận án đã thực hiện việc cải thiện khả năng mô phỏng của RegCM3 bằng

cách đưa thêm sơ đồ tham số hóa đối lưu Tiedtke (1989) vào mô hình như là một

tùy chọn bổ sung. Kết quả là RegCM3 đã chạy ổn định với sơ đồ này và đã cải thiện

đáng kể chất lượng mô phỏng nhiệt độ bề mặt trung bình tháng của mô hình. Sai số

bình phương trung bình (RMSE) của nhiệt độ tính theo phiên bản cải tiến

(Reg+TieB) trên toàn Việt Nam giảm 0.4oC so với Reg+GAB, còn khoảng 1,8oC.

Reg+TieB cũng cho lượng mưa mô phỏng lớn hơn và diện mưa rộng hơn thực tế,

các tâm mưa lớn điển hình trong mùa hè khu vực ĐNA cũng được tái tạo tốt hơn so

với Reg+GAB. Sai số RMSE tính trung bình trên toàn lãnh thổ Việt Nam khoảng

9mm/ngày.

141

3. Những thử nghiệm mô phỏng của mô hình trong đó các thông lượng đại

dương-khí quyển được tính theo hai sơ đồ BATS (Reg+GAB) và Zeng (Reg+GAZ)

cũng đã được thực hiện. Kết quả chứng tỏ rằng các trường mô phỏng của mô hình

tính theo BATS phù hợp hơn so với tính theo Zeng. Điều này có thể qui cho là hệ số

nhám trong sơ đồ Zeng thường nhỏ hơn trong sơ đồ BATS, dẫn đến nhiệt độ mô

phỏng trên biển và lượng mưa của Reg+GAZ thường thấp hơn của Reg+GAB. Mặc

dù vậy sự khác biệt này không quá lớn. Đáng chú ý là khi kết hợp hai sơ đồ BATS

và Zeng với sơ đồ đối lưu Tiedtke (Reg+TieB và Reg+TieZ) thì Reg+TieZ đã làm

giảm lượng mưa mô phỏng so với Reg+TieB, và do đó gần với thực hơn.

4. Ba phiên bản Reg+GAB, Reg+TieB và Reg+TieZ được chạy riêng biệt để

mô phỏng nhiệt độ và lượng mưa các tháng mùa hè trong 10 năm, từ 1991-2000,

trên khu vực ĐNA. Việc phân tích các điểm số đánh giá cho thấy trong ba phiên

bản thử nghiệm thì Reg+TieB có khả năng tái tạo nhiệt độ bề mặt tốt nhất, đặc biệt

trong những năm xảy ra các cực trị khí hậu như 1997, 1998 (các năm có hiện tượng

El Nino), kém nhất là phiên bản Reg+GAB. Mặc dù vậy, trên khu vực Tây Nguyên,

cả ba phiên bản đều có xu hướng tái tạo nhiệt độ trung bình tháng cao hơn quan

trắc, trong đó phiên bản Reg+GAB lại thường cho mô phỏng nhiệt độ thấp hơn hai

phiên bản còn lại và do đó có sai số nhỏ hơn. Đối với lượng mưa, nếu tổ hợp ba

phiên bản bằng cách lấy trung bình đơn giản (ký hiệu là Reg+Tổ hợp) thì kết quả

nhận được gần với quan trắc hơn so với từng phiên bản riêng lẻ; sai số RMSE trong

trường hợp này còn khoảng 6mm/ngày tính trung bình trên toàn Việt Nam.

5. Từ các đồ thị biểu diễn nhiệt độ và lượng mưa trung bình tháng trong 10 mùa

hè nói trên của 3 phiên bản Reg+GAB, Reg+TieB và Reg+TieZ và quan trắc cùng

với các điểm số đánh giá (ME, RMSE) cho thấy mô hình thường mắc phải sai số có

tính hệ thống so với quan trắc. Hệ số tương quan giữa sản phẩm mô phỏng của mô

hình và quan trắc thường không cao nghĩa là mối quan hệ giữa chúng không phải là

tuyến tính. Nhằm loại bỏ bớt ảnh hưởng của sai số mô hình đối với sản phẩm mô

phỏng luận án đã sử dụng phương pháp thần kinh nhân tạo (ANN) để hiệu chỉnh (ký

hiệu là Reg+ANN). Việc hiệu chỉnh được thực hiện cho các trường nhiệt độ trung

142

bình tháng và lượng mưa tháng. Kết quả đánh giá trên 4 năm số liệu độc lập cho

thấy sai số ME và RMSE của nhiệt độ ngày và lượng mưa trung bình tháng của

Reg+ANN đều giảm, đồng thời HSTQ và các chỉ số khác đều tăng mạnh. Cụ thể là

RMSE của nhiệt độ trung bình tháng tính cho cả Việt Nam giảm từ khoảng 2oC

(Reg+TieB) xuống còn 0,5oC và HSTQ tăng từ 0,7 lên hơn 0,9. Độ chính xác Acc

tăng từ 0,3 lên hơn 0,8 và biệt thức HK cũng như điểm số kỹ năng HSS đều tăng từ

0,1 đến gần 0,7-0,8. Đối với lượng mưa trung bình tháng, RMSE tính trên toàn Việt

Nam giảm từ khoảng 6,2 mm/ngày (Reg+GAB) và 6,4 mm/ngày (Reg+Tổ hợp)

xuống còn 3,9 mm/ngày và HSTQ tăng từ 0,26 (Reg+GAB) và 0,13 (Reg+Tổ hợp)

lên 0,68. Đồng thời Acc tăng từ 0,3 lên 0,5 và HK và HSS đều tăng mạnh, từ 0,079

(Reg+GAB) và 0,015 (Reg+Tổ hợp) lên 0,28. Các chỉ số đối với từng khu vực

cũng có xu thế tương tự.

6. Tóm lại, với những đặc điểm mới đã trình bày trong luận án, mô hình

RegCM3 có khả năng mô phỏng tương đối tốt các trường khí hậu khu vực Việt

Nam và Đông Nam Á trong những tháng mùa hè. Điều đó cũng có nghĩa là nếu

được cung cấp các trường dự báo toàn cầu đảm bảo chất lượng làm điều kiện biên

thì mô hình RegCM3 có thể được sử dụng để dự báo hạn mùa, trước hết cho thời kỳ

gió mùa mùa hè, trên khu vực này. Hiện nay các mô hình khí hậu toàn cầu (GCM)

ngày càng có kỹ năng dự báo tốt hơn, sản phẩm của chúng có thể làm đầu vào cho

các mô hình khí hậu khu vực nói chung và RegCM3 nói riêng. Do đó những kết

luận về khả năng của RegCM3 có thể là một trong những cơ sở để chúng ta nghiên

cứu áp dụng các mô hình GCM vào Việt Nam (chẳng hạn như CCSM).

143

TÀI LIỆU THAM KHẢO Tiếng Việt

1. Vũ Thanh Ca (2006), “Mô hình số trị dự báo biến đổi khí hậu quy mô vừa”, Tạp chí KTTV (546), tr. 23-32.

2. Nguyễn Duy Chinh (2002), “Một số kết quả bước đầu thực hiện đề án Nghiên cứu thử nghiệm dự báo khí hậu ở Việt Nam”, Tạp chí KTTV (494), tr. 7-12.

3. Nguyễn Duy Chinh (2003), “Nghiên cứu thử nghiệm dự báo khí hậu ở Việt Nam”, Báo cáo tổng kết đề án DBKH, Viện KTTV, Hà Nội.

4. Hoàng Đức Cường, Mai Văn Khiêm, Nguyễn Văn Hiệp (2004), “Độ nhạy của các sơ đồ tham số hóa đối lưu trong mô hình số trị”, Tạp chí KTTV (522), tr. 23-29.

5. Hồ Thị Minh Hà, Nguyễn Hướng Điền (2006), “Thử nghiệm hiệu chỉnh kết quả mô phỏng nhiệt độ hạn mùa trên khu vực Đông Nam Á của mô hình khí hậu khu vực RegCM3”, Tạp chí Khoa học và công nghệ, ĐHQGHN T.XXII (2B PT), tr. 20-27.

6. Nguyễn Đức Hậu, Phạm Đức Thi (2002), “Xây dựng mô hình dự báo hạn ở 7 vùng Việt Nam từ mối quan hệ giữa nhiệt độ mặt nước biển với chỉ số Sa.I”, Tạp chí KTTV (501), tr. 19-26.

7. Nguyễn Đức Hậu (2007), “Đánh giá khả năng dự báo hạn hán và xây dựng mô hình dự báo hạn hán cho khu vực Nam Trung Bộ và Tây Nguyên”, Tạp chí KTTV (553), tr. 13-23.

8. Trần Việt Liễn, Hoàng Đức Cường, Trương Anh Sơn, Trần Trung Thành (2006), “Xây dựng các kịch bản (Scenarios) về biến đổi khí hậu của thế kỷ XXI cho các vùng thuộc lãnh thổ Việt Nam”, Tạp chí KTTV (541), tr. 1-12.

9. Trần Công Minh, Phan Văn Tân (2003), Khí hậu nhiệt đới, 300tr. (Biên dịch từ sách của R. Mc Gregor, S. Nieuwolt, 1998).

10. Nguyễn Đức Ngữ (2007), “Tác động của ESNO đến thời tiết, khí hậu, môi trường và kinh tế - xã hội ở Việt Nam”, Hội thảo chuyên đề về Đa dạng sinh học và Biến đổi khí hậu: Mối liên quan tới Đói nghèo và Phát triển bền vững, Hà Nội, tr. 23-31.

11. Nguyễn Đức Ngữ, Phạm Thị Thanh Hương (2004), “Cơ chế hoạt động của ENSO và quan hệ giữa ENSO với gió mùa Châu Á”, Tạp chí KTTV (519).

144

12. Nguyễn Đăng Quang (2003), Luận án Thạc sỹ, Đại học quốc gia Hà Nội, Hà Nội.

13. Nguyễn Văn Thắng (2001), “Thử nghiệm bước đầu dự báo mưa mùa ở Việt Nam”, Tạp chí KTTV (488), tr. 22-29.

14. Nguyễn Văn Thắng, Vũ Duy Hùng, Mai Văn Khiêm (2005) “Thử nghiệm dự báo khí hậu bằng phương pháp hạ quy mô bằng phương pháp thống kê”, Tuyển tập báo cáo Hội nghị Khoa học lần thứ 9, Viện KTTV, Hà Nội, tr. 188-194.

15. Nguyễn Văn Thắng, Đào Thị Thúy, Mai Văn Khiêm (2006) “Nghiên cứu xây dựng dự báo khí hậu cho Việt Nam dựa trên kết quả của mô hình động lực toàn cầu”, Báo cáo tổng kết đề tài, Viện KTTV, Hà Nội, 70 tr.

16. Phan Văn Tân (2005), Thử nghiệm về độ nhạy của mô hình RegCM2 đối với địa hình và điều kiện mặt đệm. Đề tài nghiên cứu khoa học của ĐHQGHN.

17. Phan Văn Tân (1999), Các phương pháp thống kê trong khí hậu, NXB Đại học Quốc gia Hà Nội, Hà Nội, 208tr.

18. Lê Văn Thiện, Nguyễn Văn Thắng (2004), “Thử nghiệm chạy mô hình khí hậu khu vực RegCM ở Việt Nam”, Tuyển tập báo cáo Hội thảo Khoa học 2004, Viện KTTV Hà Nội, Hà Nội.

19. Dư Đức Tiến (2005), Ảnh hưởng của sự bất đồng nhất bề mặt đến các quá trình trao đổi đất – khí quyển, Luận văn thạc sỹ , 45tr.

20. Trần Tân Tiến, Hồ Thị Minh Hà (2002), “Phân tích trường lượng mưa ngày ở trung Bộ theo các hàm trực giao tự nhiên”, Tuyển tập Báo cáo Hội nghị khoa học lần thứ 7, Tập I, Khí tượng – Khí hậu – Khí hậu nông nghiệp, Tổng cục Khí tượng – Thủy văn, Viện KTTV Hà Nội, Hà Nội.

21. Phạm Ngọc Toàn, Phan Tất Đắc (1993), Khí hậu Việt Nam, NXB Khoa học Kỹ thuật, 312tr.

22. Lương Văn Việt (2006), “ENSO và khả năng dự báo mưa-nhiệt-ẩm khu vực Nam Bộ”, Tạp chí KTTV (551), tr. 39-45.

23. Kiều Thị Xin, Phan Văn Tân, Phạm Thanh Hương (1997), “Về hoàn lưu gió mùa mùa hè ở Đông Nam Á, quan hệ của nó với XTNĐ và ENSO”, Tập báo cáo công trình NCKH, Hội nghị KH lần thứ VI Tập I, Viện KTTV, Hà Nội, tr. 294-299.

145

24. Kiều Thị Xin, Nghiên cứu mô phỏng các hiện tượng khí hậu bất thường hạn mùa trên khu vực Bán đảo Đông Dương – Biển Đông bằng mô hình thủy động. Đề tài trong chương trình NCCB cấp Nhà Nước, mã số 3.2.1 804, (2004-2005).

25. Kiều Thị Xin, Trần Ngọc Anh, Lê Công Thành, Phan Văn Tân (2000), “Về thử nghiệm mô phỏng mưa trên lãnh thổ Việt Nam bằng mô hình dự báo khí hậu khu vực RegCM”. Tạp chí Khí tượng Thuỷ văn 7 (475), tr. 10-18.

26. Kiều Thị Xin vcs. (2006), Báo cáo tổng kết khoa học và công nghệ Đề tài ĐTĐL-2002-02, 330tr.

Tiếng Anh

27. Ahago V.O. (1992), “Numerical forecast of the onset of the 1990 seasonal long rains in Kenya”, Meteorolgical Magazine Vol. 121, pp. 123–130.

28. Anthes R.A. (1977), “A cumulus parameterization scheme using a one dimensional cloud model”, Mon. Wea. Rev. Vol. 105, pp. 270-286.

29. Appenzeller C., Stocker T.F., Anklin M. (1998), “North Atlantic oscillation dynamics recorded in Greenland ice cores”, Science Vol. 282, pp. 446-449.

30. Barb B. (2003), “WWRP/WGNE Joint Working Group on Forecast Verification”, RAP Annual Scientific Report, NCAR.

31. Bardossy A., Plate E. (1992), "Space-time model for daily rainfall using atmospheric circulation patterns", Wat Resour Res Vol. 28, pp. 1247–1259.

32. Baur F., Hess P. , Nagel H. (1944), “Kalender der Großwetterlagen Europas 1881 – 1939”, Bad Homburg v.d.H.

33. Beheng K.D. (1994), “A parameterization of warm cloud microphysical conversion processes”, Atmos. Res Vol. 33, pp. 193–206.

34. Bergant K., Belda M., Halenka T. (2006), "Systematic errors in the simulation of European climate (1961-2000) with RegCM3 driven by NCEP/NCAR reanalysis", International Journal of Climatology Vol. 27 (4), pp. 455-472.

35. Betts A.K. (1986), “A new convective adjustment scheme. Part I: Observational and theoretical basis”, Quart. J. Roy. Meteor. Soc. Vol. 112, pp. 677-691.

36. Betts A.K., Miller M.J. (1986), “A new convective adjustment scheme. Part II: Single column tests using GATE wave, BOMEX, ATEX and Arctic air-mass data sets”, Quart. J. Roy. Meteor. Soc. Vol. 112, pp. 693-709.

146

37. Bhaskaran B., Mitchell J.F.B. (1998), ”Simulated changes in southeast Asian monsoon precipitation resulting from anthropogenic emissions”, Int. J. Climatology Vol. 18, pp. 1455-1462.

38. Box G.E.P. (1979), Robustness in the strategy of scientific model building, in Robustness in Statistics, R.L. Launer and G.N. Wilkinson, Editors. Academic Press: New York.

39. Briegleb B.P. (1992), “Delta-eddington approximation for solar radiation in the ncar community climate model”, J. Geophys. Res. Vol. 97, pp. 7603–7612.

40. Briggs W.M., Wilks D.S. (1996), “Extension of the Climate Prediction Centre long-lead temperature and precipitation outlooks to general weather statistics”, Journal of Climate Vol. 9, pp. 3496–3504.

41. Browning K.A., Pardoe C.W. (1973), “Structure of low-level jet streams ahead of mid-latitude cold fronts”, Quart. J. Roy. Meteor. Soc Vol. 99, pp. 619–638.

42. Brutsaert W. (1982), “Evaporation into the Atmosphere”, D. Reidel Pub. Co.

43. Camargo S.J., Zebiak S.E. (2002), Improving the detection and tracking of Tropical Cyclones in Atmospheric General Circulation Models, IRI Technical Report 02-02, International Research Institute for Climate Prediction, The Earth Institute at Columbia University, Palisades, NY.

44. Camargo S.J. (2006), Short-term climate (seasonal and intraseasonal) predictions of tropical cyclone activity/intensity, pp. 493-499, in Workshop Topic Reports, Sixth WMO International Workshop on Tropical Cyclones (IWTC - VI), San José, Costa Rica, November 2006, Tropical Meteorology Research Programme Report Series TMRP No. 72, World Meteorological Organization, Geneva, Switzerland.

45. Chen L.-X., Jin Z. (1984), “The medium-range variations of the summer monsoon circulation system over east Asia”, Adv. Atmos. Sci. Vol. 2, pp. 124–233.

46. Christensen J.H., Hewitson B., Busuioc A., Chen A., Gao X., Held I., Jones R., Kolli R.K., Kwon W.-T., Laprise R., Magaña Rueda V., Mearns L., Menéndez C.G., Räisänen J., Rinke A., Sarr A., Whetton P. (2007), “Regional Climate Projections”, In: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the

147

Intergovernmental Panel on Climate Change, Cambridge University Press.

47. Dai A., Giorgi F., Trenberth K. (1999), “Observed and model simulated precipitation diurnal cycles over the continental United States”, J. Geophys. Res. Vol. 104, pp. 6377–6402.

48. Deardoff J.W. (1978), “Efficient prediction of ground surface temperature and moisture with inclusion of a layer of vegetation”, J. Geophys. Res. Vol. 83, pp. 1889–1903.

49. Demuth H., Beale M. (2000), Neural Network Toolbox, The Math Works, Inc., Natick, MA.

50. Dickinson R.E., Henderson-Sellers A., Kennedy P.J. (1993), “Biosphere-atmosphere transfer scheme (Bats) version 1e as coupled to the ncar community climate model”, Tech. rep., National Center for Atmospheric Research.

51. Dickinson R.E., Kennedy P.J., Henderson-Sellers A., Wilson M. (1986), “Biosphere-atmosphere transfer scheme (Bats) for the ncar community climate model”, Tech. Rep. NCARE/TN-275+STR, National Center for Atmospheric Research.

52. Dickinson R.E., Errico R.M., Giorgi F., Bates G.T. (1989), “A regional climate model for the western United States”, Climatic Change Vol. 15, pp. 383–422.

53. Dobryshman E.M. (1972), “Review of Forecast Verification Techniques”, World Meteorological Organization, Technical Report (120), Geneva.

54. Douville H. (2002), "Influence of Soil Moisture on the Asian and African Monsoons. Part II: Interannual Variability", Journal of Climate Vol. 15, pp. 701-720.

55. Duffy P.B., Arritt R.W., Coquard J., Gutowski W., Han J., Iorio J., Kim J., Leung L.R., Roads J., Zeledon E. (2006), "Simulations of Present and Future Climates in the Western United States with Four Nested Regional Climate Models", Journal of Climate Vol. 19, pp. 873-895.

56. Efimov V.V., Pososhkov V. L. (2006), “Application of the method of artificial neural networks to the downscaling of precipitation forecasts in the coastal region of the Black Sea”, Physical Oceanography Vol. 13 (3), pp. 141-152.

57. Elguindi N., Bi X., Giorgi F., Nagarajan B., Pal J., Solmon F., Rauscher S.,

148

Zakey A. (2003), RegCM Version 3.0 User's Guide. PWCG Abdus Salam ICTP.

58. Emanuel K.A. (1994), Atmospheric Convection, Oxford University Press, New York, Oxford.

59. Fennessy M.J., Shukla J. (2000), "Seasonal Prediction over North America with a Regional Model Nested in a Global Model", Journal of Climate, Vol. 13, pp. 2605-2627.

60. Francisco R.V., Argete J., Giorgi F., Pal J., Bi X., Gutowski W.J. (2006), “Regional model simulation of summer rainfall over the Philippines: Effect of choice of driving fields and ocean flux schemes”, Theoretical and Applied Climatology Vol. 86 (1-4), pp. 215-227.

61. Fritsch J.M., Chappell C.F. (1980), “Numerical prediction of convectively driven mesoscale pressure systems. Part I: Convective parameterization”, J. Atmos. Sci. Vol. 37, pp. 1722–1733.

62. Fu C.B. (1998), Simulation of climate impact of changing atmospheric chemical compositions based on GCMs, In <Global Environment Chemistry>, Eds. Parashar, D.C. Narosa Publishing House, pp. 263-267.

63. Fu X., Wang B., Li T. (2002), “Impacts of air-sea coupling on the simulation of mean Asian summer monsoon in ECHAM4 model”, Mon. Wea. Rev. Vol. 130, pp. 2889-2904.

64. Gao X., Pal J.S., Giorgi F. (2006), “Projected changes in mean and extreme precipitation over the Mediterranean region from a high resolution double nested RCM simulation”, Geophys. Res. Lett. Vol. 33, L03706, doi: 10.1029/2005GL024954.

65. Garratt J.R. (1993), "Sensitivity of Climate Simulation to Land Surface and Atmospheric Boundary-Layer Treatment – A Review", Journal of Climate Vol. 6, pp. 419-448.

66. Giorgi F. (2006), “Climate Modeling: From the global to the regional scale”, ESA summer school on Earth System Monitoring and Modeling, Abdus Salam ICTP, Trieste, Frascati, Italy.

67. Giorgi F., Francisco R. (2000), “Evaluating uncertainties in the prediction of regional climate change”. Geophys. Res. Lett. Vol. 27, pp. 1295-1298.

149

68. Giorgi F., Mearns L.O. (1991), “Approaches to the simulation of regional climate change: A review”, Rev. Geophys. Vol. 29, pp. 191–216.

69. Giorgi F., Mearns L.O. (1999), "Introduction to special section: Regional climate modeling revisited" Journal of Geophysical Research Vol. 104 (D6), pp. 6335-6352.

70. Giorgi F., Marinucci M.R. (1996), "An Investigation of the Sensitivity of Simulated Precipitation to Model Resolution and Its Implications for Climate Studies", Monthly Weather Review Vol. 124, pp. 148-166.

71. Giorgi F., Bi X. (2000), "A study of internal variability of a regional climate model", Journal of Geophysical Research Vol. 105 (D24), pp. 29503-29521.

72. Giorgi F., Hewitson B., Christensen J., Hulme M., Von Storch H., Whetton P., Jones R., Mearns L., Fu C. (2001), “Regional climate information: evaluation and projections”, In Climate Change 2001: The Scientific Basis, Contribution of Working Group 1 to the Third Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge Univ. Press, New York, pp. 583–638.

73. Giorgi F., Hurrell J.W., Marinucci M.R., Beniston M. (1997), "Elevation Dependency of the Surface Climate Change Signal: A Model Study", Journal of Climate Vol. 10, pp. 288-296.

74. Giorgi F., Huang Y., Nishizawa K., Fu C. (1999), "A Seasonal Cycle Simultion over eastern Asia and its Sensitivity to Radiative Transfer and Surface Processes", Journal of Geophysical Research Vol. 104 (D6), pp. 6403-6423.

75. Gochis D.J., Shuttleworth W.J., Yang Z.L. (2002), "Sensitivity of the Modeled North American Monsoon Regional Climate to Convective Parameterization", Monthly Weather Review Vol. 130, pp. 1282-1289.

76. Goddard L., Mason S.J., Zebiak S.E., Ropelewski C.F., Basher R., Cane M.A. (2001), “Current Approaches To Seasonal To Interannual Climate Predictions”, International Journal of Climatology Vol. 21, pp. 1111-1152.

77. Grell G.A. (1993), Prognostic evaluation of assumptions used by cumulus parameterization. Mon. Wea. Rev., Vol. 121, pp. 764-787.

78. Grell G.A., Dudhia J., Stauffer D.R. (1995), A Description of the Fifth-Generation Penn State/NCAR Mesoscale Model (MM5), NCAR Technical Note 398.

150

79. Hassell D., Jones R.G. (1999), Simulating climatic change of the southern Asian monsoon using a nested regional climate model (HadRM2), HCTN 8, Hadley Centre for Climate Prediction and Research, London Road, Bracknell, UK.

80. Haykins S. (1994), Neural Networks: A Comprehensive Foundation, McMillan, New York, USA.

81. Herzegh P.H., Hobbs P.V. (1980), “The mesoscale and microscale structure and organization of clouds and precipitation in mid-latitude cyclones. II: Warm-frontal clouds”, J. Atmos. Sci. Vol. 37, pp. 597–611.

82. Hewitson B.C., Crane R.G. (1992), "Large-scale controls on local precipitation in tropical Mexico", Geophys Res Lett. Vol. 19 (18), pp.1835–1838.

83. Holtslag A.A.M., Bruijn E.I.F., Pan H.-L. (1990), “A high resolution air mass transformation model for short-range weather forecasting”, Mon. Wea. Rev. Vol. 118, pp. 1561–1575.

84. Hong S.-Y., Juang H.-M.H. (1998), “Orography blending in the lateral boundary of a regional model”, Mon. Wea. Rev. Vol. 126, pp. 1714-1718.

85. Hoon P., Hong S.-Y. (2007), “An Evaluation of a Mass-Flux Cumulus Parameterization Scheme in the KMA Global Forecast System”, Journal of the Meteorological Society of Japan Vol. 85 (2), pp. 151-169.

86. Houze J.D.L., Hobbs P.V. (1976), “Dynamics and cloud microphysics of the rainbands in an occluded frontal system”, J. Atmos. Sci Vol. 35, pp. 1921-1936.

87. Houze R.A.Jr., Betts A.K. (1981), “Convection in GATE”, Rev. Geophys. Space Phys. Vol. 19 (4), pp. 541-576.

88. Huang J., Dool H.M.V.D., Barnston A.G. (1996), “Long-lead seasonal temperature prediction using optimal climate normals”, Journal of Climate Vol. 9, pp. 809–817.

89. Hughes J.P., Lettenmaier D.P., Guttorp P. (1993), "A stochastic approach for assessing the effect of changes in regional circulation patterns on local precipitation", Water Resoure Res. Vol. 29, pp. 3303–3315.

90. Im E.-S., Kwon W.-T., Ahn J.-B., Giorgi F. (2006), “Multi-decadal scenario simulation over Korea using a one-way double-nested regional climate model

151

system. Part 1: Recent climate simulation (1971–2000)”, Climate Dynamics Vol. 28 (7-8), pp. 759-780.

91. Janjic Z.I. (1994), “The step-mountain Eta coordinate model: Further developments of the convection, viscous sublayer, and turbulence closure schemes”, Mon. Wea. Rev. Vol. 122, pp. 927-945.

92. Jiao Y., Caya D. (2006), "An Investigation of Summer Precipitation Simulated by the Canadian Regional Climate Model", Monthly Weather Review Vol. 134, pp. 919-932.

93. Johnson R.H. (1976), “The role of convective-scale precipitation downdrafts in cumulus and synoptic scale interactions”, J. Atmos. Sci. Vol. 33, pp. 1890-1910.

94. Johnson R.H. (1980), “Diagnosis of convection and mesoscale motions during Phase III of GATE”, J. Atmos. Sci. Vol. 37, pp. 733-753.

95. Jones P.D., New M., Parker D.E., Martin S., Rigor I.G. (1999), “Surface air temperature and its variations over the last 150 years”, Reviews of Geophysic Vol. 37, pp. 173-199.

96. Jones R.G., Murphy J.M., Noguer M. (1995), “Simultion of climate change over Europe using a nested regional-climate model. Part I: Assessment of control climate including sensitivity to location of lateral boundaries”, Quart. J. Roy. Met. Soc. Vol. 121, pp. 1413-1449.

97. Kato H., Nishizawa K., Hirakuchi H., Kadokura S., Oshima N., Giorgi F. (2001), “Performance of RegCM2.5/NCAR-CSM Nested System for the Simulation of Climate Change in East Asia Caused by Global Warming”, Journal of the Meteorological Society of Japan Vol. 79, No. 1, pp. 99-121.

98. Kato H., Hirakuchi H., Nishizawa K., Giorgi F. (1999), "Performance of NCAR RegCM in the Simulation of June and January Climates over Eastern Asia and the high-resolution effects of the model", Journal of Geophysical Research Vol. 104 (D6), pp. 6455-6476.

99. Khromov S.P. (1957), Die geographische Verbreitung der Monsune, Petermanns Geogr. Vol. 101, pp. 234–237.

100. Kiehl J.T., Hack J.J., Bonan G.B., Boville B.A., Breigleb B.P.,Williamson D., Rasch P. (1996), “Descriptionof the ncar community climate model (ccm3)”,

152

Tech. Rep. NCAR/TN-420+STR, National Center for Atmospheric Research.

101. Klein W.H., Harry R.G. (1974), “Forecasting Local Weather by Means of Model Output Statistics”, Bulletin of the American Meteorological Society Vol. 55 (10), pp. 1217-1217.

102. Koizumi K. (1999), “An objective method to modify numerical model forecasts with newly given weather data using an artificial neural network”, Wea. Forecasting Vol. 14, pp.109-118.

103. Kraus E.B., Businger J.A. (1994), Atmosphere–Ocean Interaction. Oxford University Press.

104. Krishnamurti T.N. (1968), “A diagnostic balance model for studies of weather systems of low and high latitudes, Rossby number less than 1”, Mon. Wea. Rev. Vol. 96, pp. 197-207.

105. Kucken M., Gerstengarbe F.-W. and Werner P.C. (2002), “Cluster analysis. results of regional climate model simulations in the PIDCAP period”, Boreal Environment Research, Vol.7, pp. 219-223.

106. Kuo H.L. (1974), “Further studies of the parameterization of the influence of cumulus convection on large scale flow”, J. Atmos. Sci. Vol. 31, pp. 1232-1240.

107. Lamb H.H. (1972), British Isles weather types and a register of daily sequence of circulation patterns, 1861–1971. Geophysical Memoir 116, HMSO, London.

108. Landman W.A., Seth A., Camargo S.J. (2005), “The Effect of Regional Climate Model Domain Choice on the Simulation of Tropical Cyclone-like Vortices in the Southwestern Indian Ocean”, Journal of Climate Vol. 18, pp. 1263-1274.

109. Laprise R., Caya D., Giguère M., Bergeron G., Côté H., Blanchet J.-P., Boer G. J., McFarlane N. (1998), “Climate and Climate Change in Western Canada as Simulated by the Canadian Regional Climate Model”, Atmos.-Ocean Vol. 36 (2), pp. 119-167.

110. Larow T.E., Cocke S.D., Shin D.W. (2005), "Multiconvective Parameterizations as a Multimodel Proxy for Seasonal Climate Studies", Journal of Climate Vol. 18, pp. 2963-2978.

153

111. Lau K.M., Yang S. (1997), “Climatology and Interannual Variability of the Southeast Asian Summer Monsoon”, Advances in Atmos. Sci. Vol. 14, pp. 141-162.

112. Lau K.-M., Weng H.Y. (2002), “Recurrent Teleconnection Patterns Linking Summertime Precipitation Variability over East Asia and North America”, J. Meteorol. Soc. Japan Vol. 80 (6), pp.1309-1324.

113. Le Mone M.A., Pennell W.T. (1976), “The relationship of trade wind cumulus distribution to subcloud layer fluxes and structure”, Mon. Wea. Rev. Vol. 104, pp. 524-539.

114. Leung L.R., Ghan S.J. (1999), “Pacific Northwest climate sensitivity simulated by a regional climate model driven by a GCM”, J. Climate Vol. 12, Part I: pp.2010-2030., Part II: pp. 2031-2053.

115. Leung L.R., Ghan S.J., Zhao Z.-C., Luo Y., Wang W.-C, Wei H.-L. (1999), "Intercomparison of Regional Climate Simulations of the 1991 summer Monsoon in Eastern Asia", Journal of Geophysical Research Vol. 104 (D6), pp. 6425-6454.

116. Li C., Yanai M. (1996), “The onset and interannual variability of the Asian summer monsoon in relation to land-sea thermal contrast”, J. Climate Vol. 9, pp. 358-375.

117. Lijuan L. , Bin W., Yuqing W., and Hui W. (2007), “Improvements in Climate Simulation with Modifications to the Tiedtke Convective Parameterization in the Grid-Point Atmospheric Model of IAP LASG (GAMIL)”, ADVANCES IN ATMOSPHERIC SCIENCES, VOL. 24, NO. 2, pp. 323-335

118. Lindzen R. (1981), “Some remarks on cumulus parameterization”, Proceedings of the NASA Clouds in Climate Conference, NASA Report, Available NASA/Goddard Institute of Space Studies.

119. Liu S.Y. (2006), CWRF application in East China monsoon area, Doctor dissertation, Nanjing University of Information Science & Technology.

120. Liu Y., Ding Y. (2007), “Sensitivity study of the South China Sea summer monsoon in 1998 to different cumulus parameterization schemes”, Advances in Atmospheric Sciences Vol. 24 (3), pp. 360-376.

121. Liu Y., Chan J.C.L., Chow K.C., Ding Y. (2006), "Ten-Year Climatology of

154

Summer Monsoon over South China and Its Surroundings Simulated from a Regional Climate Model", International Journal Of Climatology Vol. 26, pp. 141-157.

122. Liu Y.Q., Giorgi F., Washington W.M. (1994), "Simulation of Summer Monsoon Climate over East Asia with an NCAR Regional Climate Model", Monthly Weather Review Vol. 122, pp. 2331-2348.

123. Lord S.J. (1982), “Interaction of cumulus cloud ensemble with the large-scale environment. Part III: Semiprognostic test of Arakawa-Schubert cumulus parameterization”, J. Atmos. Sci. Vol. 39, pp. 88-103.

124. Luterbacher J., Schmutz C., Gyalistras D., Xoplaki E., Wanner H. (1999), “Reconstruction of monthly NAO and EU indices back to AD 1675”, Geophys. Res. Lett. Vol. 26, pp. 2745-2748.

125. Machenhauer B., Windelband M., Botzet M., Christensen J.H., Deque M., Jones R., Ruti P.M., Visconti G. (1998), Validation and analysis of regional present-day climate and climate change simulations over Europe, MPI Report (275), MPI, Hamburg, Germany.

126. Marinucci M.R., Giorgi F., Beniston M., Wild M., Schuck P.T, Ohmura A., Bernasconi A. (1995), “High resolution simulations of January and July climate over the western Alpine region with a nested regional modeling system”, Theor. Appl. Climatol. Vol. 51, pp. 119-138.

127. Marshall J., Henson B. (1997), "NCAR’s regional climate model cuts global problems down to size", UCAR Staff Notes Monthly.

128. McGinnis D.L. (1994), "Predicting snowfall from synoptic circulation: a comparison of linear regression and neural network" In Neural nets: applications in geography, Kluwer Academic Publishers, Dordrecht, pp. 79–99.

129. McGregor J.L. (1997), “Regional climate modelling”, Meteorology and Atmospheric Physics Vol. 63, pp. 105-117.

130. McGregor J.L., Katzfey J.J., Nguyen K.C. (1995), Seasonallyvarying nested climate simulations over the Australian region, Third Int. Conference on Modelling of Global Climate Change and Variability, Hamburg, Germany.

131. McGregor J.L., Katzfey J.J., Nguyen K.C. (1998), Fine resolution simulations

155

of climate change for southeast Asia. Final report for a Research Project commissioned by Southeast Asian Regional Committee for START (SARCS), Aspendale, Vic., CSIRO Atmospheric Research, Vol. VI (15).

132. McGregor J.L., Walsh K. (1993), “Nested simulations of perpetual January climate over the Australian region”, J. Geophys. Res. Vol. 98, pp. 23283–23290.

133. McGregor J.L., Walsh K. (1994), “Climate change simulations of Tasmanian precipitation using multiple nesting”, J. Geophys. Res. Vol. 99, pp. 20889–20905.

134. Micheal F.-R, Ernesto H.B., Lawrence L.T., Ravi C.G. (2005), "A Multiyear Ensemble Simulation of the U.S. Climate with a Stretched-Grid GCM", Monthly Weather Review Vol. 133, pp. 2505-2525

135. Nitta T. (1975), “Observational determination of cloud mass flux distribution”, J. Atmos. Sci. Vol. 32, pp. 73-91.

136. Noguer M., Jones R.G., Murphy J. (1998), “Sources of systematic errors in the climatology of a nested regional climate model over Europe”, Clim. Dyn. Vol. 14, pp. 691-712.

137. Ogura Y., Cho H.-R. (1973), “Diagnostic determination of cumulus cloud populations from observed large-scale variables”, J. Atmos. Sci. Vol. 30, pp. 1276-1286.

138. Oh J.-H., Kim T., Kim M.-K., Lee S.-H., Min S.-K., Kwon W.-T. (2004), “Regional climate simulation for Korea using dynamic downscaling and statistical adjustment”, J. Meteor. Soc. Japan. Vol. 82, pp. 1629-1643.

139. Pal J.S., Small E.E., Eltahir E.A.B. (2000), “Simulation of regional-scale water and energy budgets: Representation of subgrid cloud and precipitation processes within RegCM”, J. Geophys. Res.-Atmospheres Vol. 105 (D24), pp. 29579–29594.

140. Qian Y., Giorgi F. (1999), "Interactive Coupling of Regional Climate and Sulfate Aerosol Models over Eastern Asia", Journal Of Geophysical Research Vol. 104 (D6), pp. 6477-6499.

141. Rao D.V.B., Ashok K., Yamagata T. (2004), "A Numerical Simulation Study of the Indian Summer Monsoon of 1994 using NCAR MM5", Journal of the

156

Meteorological Society of Japan Vol. 82 (6), pp. 1755-1775.

142. Ratnam J.V, Kumar K.K. (2005), "Sensitivity of the Simulated Monsoons of 1987 and 1988 to Convective Parameterization Schemes in MM5", Journal Of Climate Vol. 18, pp. 2724-2743.

143. Riehl H., (1954), Tropical Meteorology, McGraw-Hill, New York.

144. Robert L.W., Hassan H., Hanaki K. (1998), "Statistical downscaling of hydrometeorological variables using general circulation model output", Journal of Hydrology Vol. 205 (1), pp. 1-19.

145. Schulz J.P., Dumenil L., Polcher J., Schlosser C.A., Xue Y. (1998), "Land Surface Energy and Moisture Fluxes: Comparing Three Models", Journal of Applied Meteorology Vol. 37, pp. 288-307.

146. Sen O.L., Wang Y., Wang B. (2004), "Impact of Indochina Deforestation on the East Asian Summer Monsoon", Journal of Climate Vol. 17, pp. 1366-1380.

147. Seth A., Giorgi F. (1998), "The Effects of Domain Choice on Summer Precipitation Simulation and Sensitivity in a Regional Climate Model", Journal of Climate Vol. 11, pp. 2698-2712.

148. Singh G.P., Oh J., Kim J., Kim O. (2006), “Sensitivity of Summer Monsoon Precipitation over East Asia to Convective Parameterization Schemes in RegCM3”, SOLA Vol. 2 (029-032), doi:10.2151/sola.2006*008.

149. Slingo J.M. (1989), “A GCM parameterization for the shortwave radiative properties of water clouds”, J. Atmos. Sci. Vol. 46, pp. 1419–1427.

150. Small E.E, Giorgi F., Sloan L.C. (1999), "Regional Climate Model Simulation of Precipitation in Central Asia: Mean and Interannual Variability", Journal of Geophysical Research Vol. 104 (D6), pp. 6563-6582.

151. Smith S.D. (1988), “Coefficients for sea surface wind stress, heat flux, and wind profiles as a function of wind speed and temperature”, J. Geophys. Res. Vol. 93, pp. 15467-15472.

152. Stanski H.R., Wilson L.J., Burrows W.R. (1989), “Survey of Common Verification Methods in Meteorology”, Atmospheric Environment Service, Forecast Research Division, Ontario, Canada.

153. Sun L., Semazzi F.H.M., Giorgi F., Ogallo L. (1999), “Application of the

157

NCAR regional climate model to eastern Africa. 2. Simulations of interannual variability of short rains”, J. Geophys. Res. Vol. 104, pp. 6549–6562.

154. Sundqvist H., Berge E., Kristjansson J.E. (1989), “Condensation and cloud parameterization studies with a mesoscale numerical weather prediction model”, Mon. Wea. Rev. Vol. 117, pp. 1641-1657.

155. Tao S., Chen L. (1987), A review of recent research on the East Asian summer monsoon in China. In: Chang, C.P., Krisnamurti, T.N. (Eds.), Monsoon Meteorology, Oxford University Press, Oxford.

156. Thompson R.M., Payne S.W., Recker E.E., Reed R.J. (1979), “Structure and properties of synoptic-scale wave disturbances in the intertropical convergence zone of the eastern Atlantic”, J. Atmos. Sci. Vol. 36, pp. 53–72.

157. Tiedtke M. (1989), “A comprehensive mass flux scheme for cumulus parameterization in largescale models”, Mon. Wea. Rev. Vol. 117, pp. 1779-1800.

158. Trenberth K.E. (1997), “The Definition of El Niño”, Bulletin of the American Meteorological Society Vol. 78, pp. 2771-2777.

159. Ueda H., Yasunari T. (1998), “Role of Warming over the Tibetan Plateau in Early Onset of the Summer Monsoon over the Bay of Bengal and the South China Sea”, J. Meteor. Soc, Japan Vol. 76, pp. 1-12.

160. Wang B., Wu R. (1997), “Peculiar temporal structure of the South China Sea summer monsoon”, Advan. in Atmos. Sci. Vol. 14, pp. 177-194.

161. Weichert A., Bürger G. (1998), “Linear versus nonlinear techniques in downscaling”, Clim. Res. Vol. 10, pp. 83-93.

162. Wexler R., Atlas D. (1959), “Precipitation generating cells”, J. Meteor. Vol. 16, pp. 327–332.

163. Widmann M., Bretherton C.S., SalathŽ E.P. (2002), “Precipitation downscaling over the Northwestern United States using numerically simulated precipitation as a predictor”, J. Climate, Submitted.

164. Wim C.d.R., Kees K. (2002), “Combining physical and statistical techniques for the downscaling of windspeed from a NWP model”, Proceedings of combined 24th EWGLAM and 9th SRNWP meeting, KNMI De Bilt 7-10.

158

165. Wilby R.L. (1998), Statistical downscaling of General Circulation Model output using multiple circulation predictors, A Consortium for the Application of Climate Impact Assessments (ACACIA) Second Executive Board Meeting, Phoenix, Arizona, USA.

166. Wilson L.L., Lettenmaier D.P., Skyllingstad E. (1992), "A multiple stochastic daily precipitation model conditional on largescale atmospheric circulation patterns", J Geophys Res. Vol. 97, pp. 2791–2809.

167. Xie S., Zhang M. (2000), “Impact of the Convection Triggering Function on the Single - Column Model Simulations”, Journal of Geophysical Research Vol. 105 (D11), pp. 14, pp. 983-14,996.

168. Yanai M., Esbensen S., Chu J.-H. (1973), “Determination of bulk properties of tropical cloud clusters from large-scale heat and moisture budgets”, J. Atmos. Sci. Vol. 30, pp. 611-627.

169. Yang Z., Arritt R.W. (2002), "Tests of a Perturbed Physics Ensemble Approach for Regional Climate Modeling", Journal of Climate Vol 15, pp. 2881-2896.

170. Zeng X., Zhao M., Dickinson R.E. (1998), “Intercomparison of Bulk Aerodynamic Algorithm for the Computation of Sea Surface Fluxes Using TOGA COARE and TAO data”, Journal of Climate Vol. 11, pp. 2628-2644.

171. Zhang H., Casey T. (2000), “Verification of Categorical Probability Forecast”, Weather and Forecasting Vol. 15, pp. 80-89.

172. Zhu J., Liang X.Z. (2007), "Regional Climate Model Simulations of U.S. Precipitation and Surface Air Temperature during 1982–2002: Interannual Variation", Journal of Climate Vol. 20, pp. 218-232.

173. Climate Change (2001), Working Group I: The Scientific Basis, IPCC, UNEP, WMO.

174. WMO (2002), “Public Weather Service. Supplementary Guidelines on performance assessment of public weather services”. World Meteorological Organization 2002 PWS-7. WMO/TD No. 1103.

159

DANH MỤC BÀI BÁO VÀ CÔNG TRÌNH CÔNG BỐ CỦA

TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN

Các bài báo khoa học và công trình

1. Hồ Thị Minh Hà (2004), “Bước đầu nghiên cứu mạng thần kinh nhân tạo và khả năng áp dụng để dự báo nhiệt độ cho khu vực Đông Nam Á”, Nội san khoa học trẻ, Trường Đại học Khoa học Tự nhiên, ĐHQGHN, Số 2/2004, tr.57-61.

2. Hồ Thị Minh Hà, Nguyễn Hướng Điền (2006), “Thử nghiệm dự báo lượng mưa ngày bằng phương pháp dùng mạng thần kinh nhân tạo hiệu chỉnh sản phẩm mô hình số”, Tạp chí Khoa học và công nghệ, ĐHQGHN, T.XXII, Số 1PT-4/2006, tr.1-10.

3. Hồ Thị Minh Hà, Nguyễn Hướng Điền (2006), “Thử nghiệm hiệu chỉnh kết quả mô phỏng nhiệt độ hạn mùa trên khu vực Đông Nam Á của mô hình khí hậu khu vực RegCM3”, Tạp chí Khoa học và công nghệ, ĐHQGHN, T.XXII, Số 2B PT 2006, tr.20-27.

4. Ho Thi Minh Ha, Phan Van Tan, Le Nhu Quan (2006), “On the regional climate simulation over Southeast Asia using RegCM”, Report of Vietnam-Japan Joint Workshop on Asian Monsoon, Ha Long, pp. 62-68.

5. Kieu Thi Xin, Le Duc, and Ho Thi Minh Ha (2005), “Simulation of Southeast Asia Rainfall using RegCM3 and Problems”, IAMAS 2005 General Assembly, Beijing, China, August 2 - 11, 2005. DOI: T4DKTX13Aug04100242.

Tham gia nghiên cứu khoa học

STT Tên đề tài, dự án Cơ quan chủ trì Thời gian 1. Dự báo mưa lớn diện rộng bằng

công nghệ hiện đại phục vụ phòng chống lũ lụt ở Việt Nam.

Đề tài KHCN độc lập cấp nhà nước. Mã số: ĐTĐL2002/02

2002-2005

2. Ứng dụng mạng thần kinh nhân tạo dự báo nhiệt độ bề mặt cho khu vực Việt Nam.

Đề tài cơ bản ĐHQGHN. Mã số: 705306

2006-2008

3. Nghiên cứu ứng dụng mô hình khí hậu khu vực mô phỏng và dự báo hạn mùa các trường khí hậu bề mặt phục vụ quy hoạch phát triển và phòng tránh thiên tai

Đề tài NCKH trọng điểm cấp ĐHQG

2006-2008

PHỤ LỤC A Phụ lục A 1 : Các mô hình khí hậu khu vực nhận điều kiện ban đầu và điều kiện biên từ

số liệu tái phân tích. (Trích dẫn từ Dự án Đánh giá các mô hình khí hậu khu vực, Giorgi và Hewitson)

Nguồn tham khảo Kích thước lưới Thời đoạn Khu vực a) Mô phỏng tháng 1 liên tục McGregor và Walsh (1993) 250 km 10 tháng Úc

b) Mô phỏng riêng các tháng 1 và 7 Giorgi (1990) 60 km 6 x 1 tháng Mỹ Marinucci và Giorgi (1992) 70 km 5 x 1 tháng Châu Âu McGregor và Walsh (1994) 125 km/60 km 10 x 1 tháng Tasmania Marinucci vcs. (1995) 20 km 5 x 1 tháng Châu Âu (Alps) Walsh và McGregor (1995) 125 km 10 x 1 tháng Úc Podzun vcs. (1995) 55 km 5 x 1 tháng Châu Âu Rotach vcs. (1997) 20 km 5 x 1 tháng Châu Âu (Alps) Joubert vcs. ( 1999) 125 k m 20 x 1 tháng Nam Mỹ c) Mô phỏng biến đổi mùa Giorgi vcs. (1994) 60 km 3.5 năm Mỹ Dèquè và Piedelievre (1995) T21-T200 10 năm Châu Âu (var.res.GCM) Hirakuchi và Giorgi (1995) 50 km 5 năm Đông Á Jones vcs. (1995) 50 km 10 năm Châu Âu McGregor vcs. (1995) 125 km 10 năm Úc Giorgi và Marinucci (1996) 50 km 5 năm Châu Âu Giorgi vcs. (1997) 50 km 5 năm Châu Âu Krinner vcs. (1997) ~100 km 5 năm Nam Cực (var.res.GCM) Jenkins và Barron (1997) 108 km 7 tháng Mỹ – AMIP Jacob và Podzun (1997) 55 km 4 năm Châu Âu Walsh và McGregor (1997) 125 km 5 x 18 tháng Úc – AMIP Christensen vcs. (1998) 57 và 19 km 9 năm Scandinavia Krinner và Genthon (1998) ~100 km 3 năm Greenland (var.res.GCM) Dèquè vcs. (1998) ~60 km 10 năm Châu Âu Giorgi vcs. (1998) 50 km 5 năm Mỹ Katzfey vcs. (1998) 60 và 125 km 20 năm Úc Laprise vcs. (1998) 45 km 5 năm Tây Canada Machenhauer vcs. (1998) 19 - 70 km 5 - 30 năm Châu Âu McGregor vcs. (1998) 44 km 10 năm Đông Nam Á Noguer vcs. (1998) 50 km 10 năm Châu Âu Renwick vcs. ( 1998) 50 km 10 năm New Zealand Böhm vcs. (1998) 55 km 13 tháng Phía bắc của Nam Mỹ Kauker (1998) 15 km 5 năm Biển Bắc (O-RCM) Leung và Ghan (1999) 90 km 7 năm Tây Bắc Mỹ Gallardo vcs. (1999) 50 km 10 năm Iberian Peninsula Leung vcs. (1999) 90 km 2 năm Tây Bắc Mỹ Haugen vcs. (1999) 55 km 20 năm Tây Bắc Âu Jacob và Podzun (2000) 55 km 10 năm Bắc Âu Pan vcs. (2000) 55 km 2 x 10 năm Mỹ Rummukainen vcs. (2000) 44 km 10 năm Châu Âu Kato vcs. (2001) 50 km 10 năm Đông Á Gao vcs. (2000) 60 km 5 năm Trung Quốc Chen và Fu (2000) 60 km 3 năm Đông Á c) Mô phỏng mùa khí hậu mùa nhiệt đới hoặc gió mùa Jacob vcs. (1995) 55 km 6 tháng Gió mùa Ấn Độ Bhaskaran vcs. (1998) 50 km 10 năm Ấn Độ – AMIP Hassel và Jones (1999) 50 km 20 năm Gió mùa Ấn Độ

[1995, 1] Hội thảo quốc tế lần 3 về mô hình hóa khí hậu và biến đổi khí hậu toàn cầu, Hamburg, Đức, 4 – 8/9/1995. [1998, 2] Hội thảo quốc tế về vai trò của dịa hình đến mô hình hóa thời tiết và khí hậu. Trung tâm vật lý lý thuyết quốc tế, Trieste, Italy, 22-26/6/1998. [2000, 3] Những hoạt động nghiên cứu mô hình hóa khí quyển và đại dương. (Nhóm nghiên cứu CAS/JSC về thực nghiệm số) [Geneva]: WMO.

Phụ lục A 2: Các mô hình khí hậu khu vực nhận điều kiện ban đầu và điều kiện biên từ các dự báo của GCM. (Trích dẫn từ Dự án Đánh giá các mô hình khí hậu khu vực, Giorgi và Hewitson)

Nguồn tham khảo Kích thước lưới Thời đoạn Khu vực

a) Mô phỏng riêng tháng 1 và 7 với giả thiết lượng CO2 tăng gấp đôi Giorgi vcs. (1992) 70 km 5 x 1 tháng Châu Âu McGregor và Walsh (1994) 60 km 10 x 1 tháng Tasmania Rotach vcs. (1997) 20 km 5 x 1 tháng Châu Âu (Alps) b) Mô phỏng biến đổi mùa với giả thiết lượng CO2 tăng gấp đôi Giorgi vcs. (1994) 60 km 3.5 năm Mỹ Hirakuchi và Giorgi (1995) 50 km 5 năm Đông Á McGregor vcs. (1995) 125 km 10 năm Úc Giorgi vcs. (1997) 50 km 3 năm Châu Âu Jones vcs. (1997) 50 km 10 năm Châu Âu Dèquè vcs. (1998) ~ 60 km 10 năm Châu Âu (var.res.GCM ) Giorgi vcs. (1998) 50 km 5 năm Mỹ Joubert vcs. ( 1998) 125 km 10 năm Nam Phi Laprise vcs. (1998) 45 km 5 năm Tây Canada Machenhauer vcs. (1998) 19 - 70 km 5 - 30 năm Châu Âu McGregor vcs. (1998) 44 km 10 năm Đông Nam Á Renwick vcs. ( 1998) 5 0 km 10 năm New Zealand Kauker (1998) 15 km 5 năm Biển Bắc (O-RCM) Räisänen vcs. (1999) 44 km 10 năm Châu Âu Hassel và Jones (1999) 50 km 20 năm Gió mùa Ấn Độ Gallardo vcs. (1999) 50 km 10 năm Iberian Peninsula Haugen vcs. (1999) 55 km 20 năm Tây Bắc Âu Leung và Ghan (1999) 90 km 8 năm Tây Bắc Mỹ Pan vcs. (2000) 55 km 2 x 10 năm Mỹ Kato vcs. (2001) 50 km 10 năm Đông Á Gao vcs. (2000) 60 km 5 năm Trung Quốc c) Mô phỏng CO2 đầy đủ từng giai đoạn trong biến đổi mùa McGregor vcs. (1999) 125 km 140 năm Úc McGregor vcs. (1999) 60 km 140 năm Đông Nam Úc

[1995, 1] Hội thảo quốc tế lần 3 về mô hình hóa khí hậu và biến đổi khí hậu toàn cầu, Hamburg, Đức, 4 – 8/9/1995. [1998, 2] Hội thảo quốc tế về vai trò của dịa hình đến mô hình hóa thời tiết và khí hậu. Trung tâm vật lý lý thuyết quốc tế, Trieste, Italy, 22-26/6/1998.

PHỤ LỤC B

Phụ lục B: Thuật toán Levenberg-Marquardt

Thuật toán Levenberg-Marquardt là một thuật toán áp dụng cho các hàm mục tiêu

có dạng bình phương. Gọi vectơ sai số giữa đầu ra của mạng và hàm mục tiêu là e. Ta

cần cực tiểu hoá một chỉ tiêu F có dạng tổng bình phương sau: ( ) ( )2

1

n

ii

F x e x=

= ∑ trong đó

ei là thành phần thứ i của vectơ e, còn n là số chiều của vectơ e (cũng chính là số đầu ra).

Chỉ tiêu F và sai số e là hàm của các trọng số và các tham số (đều được lưu trong vectơ

x). Ta có thể tính được các đạo hàm riêng cấp 1 và cấp 2 như sau:

( )1

2 1,...n

ii

ij j

eF e j mx x=

∂∂= =

∂ ∂∑ (B1)

( )22

1 1 12 2 2 , 1,...

n n ni i i i

i ii i ij k k j k j k j

e e e eF e e j k mx x x x x x x x= = =

⎛ ⎞∂ ∂ ∂ ∂∂ ∂= = + =⎜ ⎟⎜ ⎟∂ ∂ ∂ ∂ ∂ ∂ ∂ ∂⎝ ⎠

∑ ∑ ∑ (B2)

trong đó xj, xk là các thành phần của vectơ x, còn m là số chiều của vectơ x (là tổng số các

trọng số và tham số). Ta sử dụng các ký hiệu vectơ và ma trận sau:

2 2 21 2

21 1 2 11 1 11

2 2 21 2

2 2 22 2 1 2 2 2

21 2

, ,

TTn

m

n

F e F m

n

m m jm m

F F Fee eFx x x x xx x xx

ee eF F F Fx x xxJ J H x x x x x x

ee eF Fx x xx x x

∂ ∂ ∂∂∂ ∂∂ ⎡ ⎤⎡ ⎤⎢ ⎥⎢ ⎥ ∂ ∂ ∂ ∂ ∂∂ ∂ ∂∂ ⎢ ⎥⎢ ⎥

∂∂ ∂⎢ ⎥∂⎢ ⎥ ∂ ∂ ∂⎢ ⎥⎢ ⎥ ∂ ∂ ∂∂= = = ∂ ∂ ∂ ∂ ∂ ∂⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥ ∂∂ ∂∂ ∂⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥ ∂ ∂ ∂∂ ∂ ∂⎣ ⎦ ⎣ ⎦

2 2

1 2m m m

F Fx x x x

⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥∂ ∂⎢ ⎥∂ ∂ ∂ ∂⎣ ⎦

Như ta đã biết, trong toán học, người ta gọi tên các ma trận và vectơ này như sau: JF là

Jacobian của F theo x, Je là Jacobian của e theo x, HF là ma trận Hessian của F theo x.

Chú ý rằng ma trận Hessian luôn đối xứng. Từ đó ta có thể viết (B1) và (B2) lại thành:

2 TF eJ e J= (B3)

và ( )2 TF e eH J J A= + (B4)

Với A là ma trận có các thành phần:

2

1

ni

jk ii k j

eA ex x=

∂=

∂ ∂∑ (B5)

Bây giờ ta xác định công thức lặp. Giả sử tại bước lặp thứ k, ta đã biết xk, ta cần

xác định xk+1. Xét khai triển Taylor của hàm nhiều biến JF(xk+1) :

( ) ( ) ( ) ( )1 1 2Tk k k k k

F F FJ x J x x x H x o+ +⎡ ⎤= + − +⎣ ⎦ (B6)

trong đó o(2) ký hiệu các vô cùng bé bậc 2. Điểm cực tiểu là điểm có các đạo hàm riêng

cấp 1 bằng 0, tức là Jacobian JF bằng 0. Nếu bỏ qua vô cùng bé bậc 2 thì ta cần chọn xk+1

sao cho:

( ) ( )1 0Tk k k k

F FJ x x x H x+⎡ ⎤+ − =⎣ ⎦ (B7)

Sử dụng (B3) và (B4) thay vào (B7), chú ý tính đối xứng của ma trận Hessian, ta

có công thức của bước lặp (thế hệ) thứ k:

( )( ) ( )1

1 T Tk k k k k k ke e ex x J J A J e

−+ = − + (B8)

trong đó các ký hiệu k ở bên trên chỉ các giá trị được tính tại bước lặp (thế hệ) thứ k. Từ

(B5) ta thấy rằng muốn tính được (B8) thì phải tính các đạo hàm cấp 2. Việc tính các đạo

hàm cấp 2 rất khó. Vì vậy Levenberg-Marquardt thay ma trận A bởi ma trận đường chéo

có trọng số thay đổi được. Lúc đó (B8) được sửa thành:

( )( ) ( )1

1 T Tk k k k k k ke e ex x J J I J e

−+ = − + μ (B9)

với I là ma trận đơn vị còn μk là một tham số có thể thay đổi một cách thích hợp. Với chú

ý rằng JeTe là gradient, so sánh 1k k k kx x g+ = −α và (B9) ta thấy rằng bước tiến αk được

thay bằng ((Jek)TJe

k+μkI)-1. Bước tiến này thay đổi theo từng bước lặp. Tại những vị trí có

đạo hàm riêng Jek lớn thì bước tiến bé. Ta có thể hiểu vấn đề một cách hình tượng là một

đường rất dốc nếu có bước tiến dài thì ta có thể vượt qua chỗ trũng và không hội tụ đến

được điểm cực tiểu. Ngoài ra, trong thuật toán Levenberg-Marquardt, tham số μ được

điều chỉnh sao cho hàm sai số giảm. Tại mỗi bước mà hàm sai số nhỏ đi thì μ sẽ được

giảm đi để tăng bước tiến. Ngược lại nếu hàm sai số tăng lên, tức là bước tiến quá lớn thì

μ được tăng lên để giảm bước tiến cho tới khi giảm được hàm sai số. Như vậy vấn đề của

thuật toán còn lại là tính ma trận Jacobian. Ma trận Jacobian được tính bằng phương pháp

đạo hàm hàm hợp. Từ (2.80) ta có các đạo hàm riêng sau:

( ) ( ) ( )

1

, 1 1 1 , 1

' ' ', 1 1 1

....

....

N N N k k

k k N N N N k k k

N N N N k kN

e e a n a a nLW a n a n n LW

e f LW f f aa

−

− − − −

− − −

∂ ∂ ∂ ∂ ∂ ∂ ∂=

∂ ∂ ∂ ∂ ∂ ∂ ∂∂

=∂

(B10)

( ) ( ) ( )

1

1 1

' ' ', 1 1

....

....

N N N k k

k N N N N k k

N N N N kN

e e a n a a nb a n a n n b

e f LW f fa

−

− −

− −

∂ ∂ ∂ ∂ ∂ ∂ ∂=

∂ ∂ ∂ ∂ ∂ ∂ ∂∂

=∂

(B11)

( ) ( ) ( )

1 1 1

1 1 1

' ' ', 1 1 1

....

....

N N N

N N N N

N N N NN

e e a n a a nIW a n a n n IW

e f LW f f pa

−

− −

− −

∂ ∂ ∂ ∂ ∂ ∂ ∂=

∂ ∂ ∂ ∂ ∂ ∂ ∂∂

=∂

(B12)

trong đó dấu phẩy ở trên ký hiệu đạo hàm của các hàm truyền. Để lập trình, các công

thức (B10), (B11) và (B12) được viết dưới dạng quy nạp (B13).

( )

( )

( )

( )

'

'1 , 1 1 1 1

'1 1,

'1 2 2,1 1 1 1

1 1, 1

, ,

, ,

...

, ,

...

,

, ,

N N N NN

N N N N N N N

k k k k k k k

k k kk k k

ega gn ga fa

ga gn LW gn ga f

ga gn LW gn ga f

ga gn LW gn ga f

e e egn a gn gn pLW b IW

− − − − −

+ +

−−

∂= =

∂

= =

= =

= =

∂ ∂ ∂= = =

∂ ∂ ∂

(B13) Biểu thức quy nạp (B13) cho ta tính tất cả các đạo hàm riêng theo trọng số đầu vào

IW, theo trọng số lớp LW và theo b, như vậy là ta tính được ma trận Jacobian J và có thể

tiến hành lặp theo thuật toán Levenberg-Marquardt.