Luận văn Đánh giá sai số hệ thống dự báo mưa của mô hình hrm cho khu vực đông Bắc Bộ

1 §¹I HäC QUèC GIA Hµ NéI TR¦êNG §¹I HäC KHOA HäC Tù NHI£N -------------------------------------------------- TRÇN quang n¨ng ®¸nh gi¸ sai sè hÖ thèng dù b¸o m­a cña m« h×nh hrm cho khu vùc ®«ng b¾c bé LUËN V¡N TH¹C SÜ KHOA HäC Hµ NéI – 2009 2 §¹I HäC QUèC GIA Hµ NéI TR¦êNG §¹I HäC KHOA HäC Tù NHI£N -------------------------------------------------- TRÇN quang n¨ng ®¸nh gi¸ sai sè hÖ thèng dù b¸o m­a cña m« h×nh hrm cho khu vùc ®«ng b¾c bé Chuyªn ngµnh : KhÝ t­îng häc vµ KhÝ hËu häc M· sè : 60.44.87 LUËN V¡N TH¹C SÜ KHOA HäC NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS. nguyÔn v¨n tuyªn Hµ NéI – 2009 3 MỤC LỤC MỞ ĐẦU CHƯƠNG 1. KHÁI QUÁT VỀ MÔ HÌNH HRM VÀ VẤN ĐỀ ĐÁNH GIÁ CHẤT LƯỢNG DỰ BÁO THỜI TIẾT.......................................................................................1 1.1. Giới thiệu tóm tắt mô hình HRM (High resolution regional model) ở Trung tâm dự báo KTTV Trung Ương...............................................................................1 1.1.1. Khái quát về mô hình HRM...........................................................................1 1.1.2. Chạy mô hình HRM với các số liệu ban đầu và số liệu biên từ ba mô hình toàn cầu khác nhau................................................................................................. 2 1.2. Khái quát về bài toán đánh giá chất lượng dự báo thời tiết.......................... 5 1.2.1 Mục đích và ý nghĩa của đánh giá dự báo.....................................................6 1.2.2 Mô hình đánh giá chung cho các yếu tố dự báo thời tiết..............................7 1.2.3 Các yếu tố dự báo.........................................................................................11 1.2.4 Các điểm số dùng trong đánh giá................................................................ 12 1.3 Mô hình đánh giá sản phẩm dự báo số trị.......................................................14 1.4. Các đặc trưng đánh giá....................................................................................17 1.4.1. Độ chính xác................................................................................................17 1.4.2. Kỹ năng dự báo...........................................................................................18 1.4.3 Độ tin cậy....................................................................................................18 1.4.4. Độ phân giải................................................................................................18 1.4.5. Độ biến động...............................................................................................19 1.5. Các phương pháp đánh giá sản phẩm dự báo số...........................................19 1.5.1. Những nguyên nhân sai số dự báo bằng mô hình số...................................19 1.5.2. Một số định nghĩa........................................................................................20 1.5.3. Phương pháp đánh giá với biến liên tục.....................................................22 1.5.4. Phương pháp đánh giá với dự báo pha.......................................................28 4 CHƯƠNG 2. SỐ LIỆU VÀ PHƯƠNG PHÁP ĐÁNH GIÁ DỰ BÁO BÁO MƯA MÔ HÌNH HRM................................... ........................................ .........................34 2.1. Số liệu.................................................................................................................34 2.1.1 . Số liệu mưa quan trắc và thực tế................................................................34 2.1.2. Số liệu mưa dự báo của mô hình HRM.......................................................37 2.2. Phương pháp đánh giá dự báo mưa của mô hình HRM...............................38 2.2.1 . Đánh giá khi xem mưa là biến liên tục.......................................................38 2.2.2. Đánh giá mưa khi phân lượng mưa ra đa cấp rời rạc................................38 2.2.3. Đánh giá mưa khi phân lượng mưa ra 2 cấp một.......................................41 2.3 Căn cứ phân loại hình thế synốp chính gây mưa khu vực Đông Bắc Bộ......43 2.3.1 . Cơ sở phân loại hình thế synốp và các tác nhân gây mưa khu vực Đông Bắc Bộ...................................................................................................................43 2.3.2. Đặc trưng và mô phỏng các loại hình thế thời tiết gây mưa ở khu vực Đông Bắc Bộ...................................................................................................................47 2.4. Thống kê về các ngày có mưa lớn diện rộng và các hình thế gây ra mưa lớn diện rộng trong ba năm 2005, 2006 và 2007 ở khu vực Đông Bắc Bộ ......................61 CHƯƠNG 3. KẾT QUẢ TÍNH TOÁN VÀ PHÂN TÍCH DỰ BÁO MƯA MÔ HÌNH HRM...............................................................................................................65 3.1. Các kết quả tính toán........................................................................................65 3.2. Phân tích chất lượng sản phẩm dự báo..........................................................65 3.2.1. Phân tích sai số hệ thống Bias....................................................................66 3.2.2. Về những chỉ tiêu thống kê khác..................................................................76 KẾT LUẬN...................................................................................................................... TÀI LIỆU THAM KHẢO ............................................................................................. 5 LỜI CẢM ƠN Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS. TS. Nguyễn Văn Tuyên - người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này. Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy văn - Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn quý giá, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian tôi học tập và thực hành ở Khoa. Tôi xin cảm ơn các cán bộ phòng Dự báo Khí tượng Hạn ngắn, các cán bộ phòng Nghiên cứu ứng dụng (Trung tâm dự báo Khí tượng Thủy văn Trung Ương), đặc biệt là Thạc sĩ Vũ Anh Tuấn và Thạc sĩ Võ Văn Hòa đã tạo điều kiện, trao đổi chuyên môn cũng như có những ý kiến quý báu giúp tôi hoàn thiện luận văn này. Tôi cũng xin cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự nhiên đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn. Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân và bạn bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều kiện tốt nhất cho tôi trong suốt thời gian học tập tại trường. Trần Quang Năng 6 MỞ ĐẦU Mô hình HRM (High resolution Regional model) đã được tiến hành chạy nghiệp vụ từ năm 2001 tại Trung tâm Dự báo Khí tượng Thủy văn Trung ương và các sản phẩm của nó đã ngày càng trở nên quan trọng trong công tác dự báo nghiệp vụ hàng ngày. Tuy nhiên, hiện nay việc đánh giá khả năng dự báo của mô hình HRM vẫn còn hạn chế. Các dự báo viên vẫn thường xem xét sản phẩm dự báo số của mô hình theo kinh nghiệm nên vẫn chưa có hiểu biết một cách hệ thống và đầy đủ về khả năng dự báo của mô hình, đặc biệt là trong từng hình thế thời tiết cụ thể. Do đó việc sử dụng sản phẩm của mô hình HRM còn chưa đem lại hiệu quả cao. Mưa vừa là yếu tố khí tượng vừa là hiện tượng thời tiết được liệt vào hàng các hiện tượng thời tiết khó dự báo nhất. Không những chỉ khó dự báo mà việc đánh giá dự báo mưa cũng là một việc hết sức khó khăn và phức tạp. Trước hết khó khăn nằm ngay trong bản chất trường yếu tố mưa là trường bất liên tục và không cố định cả theo thời gian lẫn không gian; nhiều đặc trưng thống kê có tính quy luật ở những yếu tố khí tượng khác, nhưng lại không có ở số liệu mưa, làm cho việc xử lý số liệu mưa cũng rất phức tạp. Xong dự báo mưa lại có vai trò đặc biệt quan trọng trong phục vụ dự báo, nhất là phục vụ phòng chống thiên tai. Vì vậy đó là vấn đề quan trọng cần thiết phải nghiên cứu. Vì vậy, dự báo mưa và đánh giá dự báo mưa là vấn đề quan trọng cần thiết phải nghiên cứu. Luận văn này tập trung vào việc đánh giá sai số hệ thống dự báo mưa của mô hình HRM theo không gian và thời gian kết hợp với một số hình thế thời tiết chính gây mưa, mưa vừa và mưa lớn cho khu vực Đông Bắc Bộ Bố cục luận văn gồm các phần: Chương 1: Khái quát về mô hình HRM và vấn đề đánh giá chất lượng dự báo thời tiết. 7 Chương 2: Số liệu và phương pháp đánh giá dự báo mưa mô hình HRM Chương 3: Kết quả tính toán và phân tích dự báo mưa mô hình HRM KẾT LUẬN TÀI LIỆU THAM KHẢO 8 CHƯƠNG 1 KHÁI QUÁT VỀ MÔ HÌNH HRM VÀ VẤN ĐỀ ĐÁNH GIÁ CHẤT LƯỢNG DỰ BÁO THỜI TIẾT Chương 1 sẽ xem xét tổng quan về mô hình HRM (High resolution regional model) đang được chạy nghiệp vụ ở Trung tâm dự báo KTTV Trung Ương (NCHMF) và vấn đề đánh giá chất lượng dự báo thời tiết nói chung cùng những phương pháp, điểm số nói riêng trong việc đánh giá các sản phẩm của mô hình dự báo thời tiết số. 1.1 Giới thiệu tóm tắt mô hình HRM (High resolution regional model) ở Trung tâm dự báo KTTV Trung Ương 1.1.1 Khái quát về mô hình HRM Mô hình khu vực độ phân giải cao HRM ban đầu được phát triển bởi Cơ quan Khí tượng Quốc gia Đức (DWD – Deutcher WetterDienst) và được đưa vào sử dụng nghiệp vụ ở Trung tâm dự báo Khí tượng Thủy văn Trung Ương từ tháng 5 năm 2002, dự báo cho hai miền chính trong thời hạn 72 giờ. Miền lớn xác định trong khoảng từ 50S – 350N, 800E – 1300E, 161x201 điểm lưới với độ phân giải ngang là 0.250 (28 km), 20 mực thẳng đứng và bước thời gian tích phân là 120s (HRM28). Miền nhỏ hơn xác định trong khoảng 7.1250N – 27.1250N, 97.250E – 117.250E, 161x161 điểm lưới với độ phân giải ngang là 0.125 (14 km), 31 mực thẳng đứng, bước thời gian tích phân là 90s (HRM14); cả hai miền này đều sử dụng số liệu ban đầu và số liệu biên lấy từ mô hình toàn cầu GME (DWD) 3 giờ một thông qua mạng internet. Trước ngày 27 tháng 9 năm 2004, độ phân giải ngang và thẳng đứng của GME theo thứ tự là 60 km và 31 mực. Hiện tại, độ phân giải ngang của GME đã tăng lên thành 40 km và độ phân giải thẳng đứng đã là 40 mực. Mực thấp nhất của GME là 10m. Mô hình HRM được cung cấp bởi DWD với mã nguồn mở đã trở thành mô hình đầu tiên chạy dự báo nghiệp vụ tại Trung tâm Khí tượng Thủy văn Quốc gia Việt Nam. Các sản phẩm của mô hình HRM rất đa dạng và trở thành nguồn tham khảo tốt cho các dự báo viên trong nghiệp vụ dự báo hàng ngày. Ngoài ra, sản phẩm của nó còn dùng làm đầu vào, điều kiện ban đầu cho các mô hình khác như: Sóng, nước dâng trong bão, mô hình thủy văn... 9 Tuy nhiên, sau một thời gian chạy nghiệp vụ, các nhà mô hình Việt Nam đã nhận ra rằng vẫn còn tồn tại rất nhiều hạn chế trong mô hình HRM, đặc biệt là trong việc thu số liệu đầu vào từ mô hình toàn cầu GME. Những hạn chế này đã được chỉ ra trong các trường ban đầu của GME, sơ đồ đồng hóa số liệu sử dụng trong GME và các sơ đồ tham số hóa vật lý bên trong HRM: Những tham số bề mặt trong các trường ban đầu của GME không phải thu được từ quan trắc mà là sản phẩm đầu ra của GME được tích phân từ năm 1994 với số liệu ban đầu thu được từ trung bình khí hậu Các trường độ ẩm: Trường độ ẩm cung cấp bởi GME trong nhiều trường hợp không chính xác, đặc biệt là trong các mùa bão. Các vị trí của của áp thấp nhiệt đới và bão nhiệt đới thường được xác định sai trong số liệu ban đầu của GME. Điều này xảy ra là do các số liệu đó thu được từ vệ tinh (Vệ tinh địa cực hay vệ tinh địa tĩnh) và không được cập nhật liên tục trong suốt quá trình đồng hóa số liệu. Sơ đồ đồng hóa số liệu trong GME: Nội suy tối ưu ba chiều (3D-OI) Sơ đồ tham số hóa vật lý trong HRM: Sơ đồ mưa quy mô lưới được tính toán theo công thức mô phỏng thu được từ quan trắc mây ngoại nhiệt đớ1. 1.1.2 Chạy mô hình HRM với các số liệu ban đầu và số liệu biên từ ba mô hình toàn cầu khác nhau. Để sử dụng các mô hình toàn cầu GME, GSM, GFS như là số liệu ban đầu và số liệu biên cho mô hình HRM đòi hỏi phải có những phân tích cụ thể, cẩn thận về các số liệu quan trắc, các sơ đồ phân tích và các kĩ thuật ban đầu hóa. Có một vài sự khác nhau giữa các đặc trưng chính của GME và GSM. Giữa các số liệu đầu vào của mô hình GSM, các trường ẩm hay các số liệu về ẩm trên đại dương được tính toán từ ảnh các vệ tinh địa tĩnh (GMS-5 và MTSAT-1R). Những thông tin này thu được từ vệ tinh không có nhiều giá trị cho tất cả những khu vực trên đại dương nơi mà các quan trắc truyền thống như SYNOP, TEMP còn thưa thớt. Liên quan đến sơ 10 đồ phân tích khách quan, mô hình GSM có sơ đồ đồng hóa số liệu 4 chiều 4D-VAR trong các mực của mô hình, trong khi mô hình GME sử dụng sơ đồ nội suy tối ưu truyền thống và không phức tạp bằng 4D-VAR, nhưng có quá nhiều quan trắc bị “là trơn”. Địa hình bề mặt cũng đóng một vai trò quan trọng trong một số mô hình sự báo thời tiết số (NWP). Tuy nhiên, cả mô hình GSM và GME đều cùng sử dụng bộ số liệu GTOPO30 từ USGS (NWP-hệ thống của DWD 2002). 1.1.2.1 Số liệu cần cho HRM HRM cần 3 nhóm số liệu: Nhóm 1: Các trường cố định: fis, gz0, fr_land, soiltyp, Plcov Nhóm 2: Các trường mực đơn lẻ: ps, t_snow, t_s, t_g, t_m, t_cl, w_snow, w_i, w_gl, w_g2, w_g3, w_cl, qv_s Nhóm 3: Các trường đa mực: u, v, t, qv, qc, qi 1.1.2.2 Sử dụng kết hợp số liệu của GME và GSM làm số liệu ban đầu và số liệu biên cho HRM Tháng 9 năm 1997, theo hiệp định song phương giữa Trung tâm KTTV Quốc Gia Việt Nam và Cơ quan khí tượng Nhật Bản, các sản phẩm dự báo và phân tích của mô hình phổ toàn cầu GSM được cung cấp cho khu vực từ 20 – 600N, 80 – 1600E với độ phân giải ngang là 1.50x1.50 và 1.250x1.250 trong thời đoạn 72 tiếng. Những trường phân tích và dự báo từ mô hình GSM này đã được sử dụng trong hoạt động dự báo nghiệp vụ tại Trung tâm Dự báo KTTV Trung Ương, qua thời gian đã được các dự báo viên thừa nhận như là một trong những sản phẩm tốt, kết quả gần với thời tiết thực nhất, đặc biệt đối với những trường hợp có hoàn lưu xoáy thuận xuất hiện trên đại dương. Ban đầu, mô hình GSM có độ phân giải ngang là 0.56250x0.56250 (xấp xỉ 60 km) và 40 mực thẳng đứng. Tuy nhiên, JMA cung cấp cho một vài trung tâm khí tượng trong khu vực (bao gồm Việt Nam) số liệu 17 mực áp suất tiêu chuẩn ( 16 mực áp suất 11 và bề mặt) với độ phân giải thô 1.250x1.250. Từ khi JMA cung cấp thêm 5 trường khí tượng: Nhiệt độ, Nhiệt độ điểm sương, thành phần gió (u,v), khí áp trung bình mực nước biển và địa thế vị ở 16 mực khí áp. Vì vậy, HRM được chạy với bộ số liệu đầu vào từ cả GME và GSM: các tham số bề mặt được lấy từ GME, trong khi các tham số đa mực khác được lấy từ GSM. 1.1.2.3 Số liệu cung cấp bởi JMA Số liệu ở mực cao không có: mây ở dạng nước (qc), mây ở dạng băng (qi), địa hình bề mặt và các tham số khác. Độ phân giải ngang: 1.25x1.250. Miền bao phủ: 60 – 1600E, 200S – 600N. Các trường đa mực: - (T – Td): 300, 400, 500, 600, 700, 850, 920, 1000hPa - T, U, V, H: 0, 20, 30, 50, 70, 100, 150, 200, 250, 300, 400, 500, 700, 850, 920, 1000 hPA Các trường đơn mực: (T-Td), T: 2m (Nhiệt độ và nhiệt độ điểm sương tại độ cao 2m) U, V : 10 m (thành phần gió tại độ cao 10m) MSLP : Áp suất mực biển trung bình Vì số liệu của GSM không đủ để chạy mô hình HRM nên Trung tâm dự báo Khí tượng Thủy văn Trung Ương đã cải tiến và sử dụng cả bộ số liệu của mô hình GME và GSM: Số liệu GSM: MSLP, U, V, T, (T – Td) tại bề mặt và 16 mực áp suất, địa thế vị tại mực 300 hPa 12 Số liệu GME: Các tham số mặt đất (địa hình, độ thô bề mặt, tham số đất, đất bao phủ, núi…), mây dạng nước (qc), mây dạng băng (qi) tại 31 mực mô hình 1.1.2.4 Số liệu cung cấp bởi GFS (NCEP) Số liệu GFS được phân bố miễn phí tại server của NCEP tgftp.nws.noaa.gov + Miền bao phủ: 360 x 180 điểm lưới, độ phân giải ngang là 10x10. + Các tham s b mt, các trng c nh, các tham s a mc (26 mc): - Các tham số đa mực: T, U, V, QV, QC tại 10, 20, 30, 50, 70, 100, 150, 200, 250, 300, 350, 400, 450, 550, 650, 700, 750, 800, 850, 900, 925, 950, 975, 1000 hPa - Thời hạn dự báo: 00 đến 384 giờ Trên đây là tổng quan về mô hình khu vực độ phân giải cao HRM đang chạy nghiệp vụ tại Trung tâm Dự báo Khí tượng Thủy văn Trung Ương. Hiện nay mô hình này vẫn tiếp tục được cải tiến. 1.2 Khái quát về bài toán đánh giá chất lượng dự báo thời tiết Đánh giá là sự tính toán ước lượng mối quan hệ giữa tập số liệu dự báo và giá trị quan trắc. Hoạt động đánh giá chỉ có ích khi ta đưa ra được những kết luận cuối cùng đối với sản phẩm đang được đánh giá. Những giải pháp này có thể hoặc là sẽ sinh ra các thay đổi trong các sản phẩm hoặc các phương pháp dự báo hoặc là giải quyết chúng một cách thỏa đáng. Để đánh giá thì kết quả dự báo phải được trình bày một cách đầy đủ và khách quan. Trong khi đó thì quan trắc lại được thừa nhận là sự mô tả chính xác những gì có trong thực tế. Một vài phương pháp đánh giá đòi hỏi giả thiết rằng quan trắc tại một điểm cũng có thể đại diện cho hiện tượng thời tiết xảy ra trong một vùng. 1.2.1 Mục đích và ý nghĩa của đánh giá dự báo 13 Mục đích của phương pháp đánh giá phải được thiết lập trước khi hệ thống đánh giá được xác lập vì mục đích đánh giá có quan hệ mật thiết đến việc thiết lập hệ thống đánh giá. Theo Barbara Brown (2007), đánh giá chất lượng dự báo thời tiết bao gồm 3 mục đích chính sau đây: a. Mục đích hành chính Ban đầu, Cơ quan Khí tượng Canada (1871) sử dụng việc đánh giá để chứng tỏ với Nghị viện những lợi ích mà công tác dự báo đem lạ1. Đồng thời, thông tin đánh giá cũng có nhiều ứng dụng mang tính hành chính khác như: Yêu cầu tài trợ các trang thiết bị như máy tính điện tử, hay quyết định khi nào và có nên thay đổi sản phẩm dự báo bằng một sản phẩm khác hay một vài cách giải quyết khác. Điều này cũng phụ thuộc vào sự phát triển của cộng đồng và sự phát triển của các trang thiết bị sử dụng trong dịch vụ thời tiết. Các câu hỏi đặt ra cho việc đánh giá với những mục đích mang tính hành chính là: “Liệu độ chính xác của bản dự báo sẽ được cải tiến?” hoặc “Các dự báo khách quan về nhiệt độ tốt hơn so với dự báo chủ quan hay không?”. Đánh giá hành chính được sử dụng để kiểm tra thường xuyên chất lượng tổng thể các bản dự báo và theo dõi những thay đổi về chất lượng của chúng qua từng giai đoạn. b. Mục đích khoa học Mục đích khoa học của đánh giá chất lượng dự báo dùng để nhận biết chi tiết những điểm mạnh và điểm yếu của một sản phẩm dự báo và từ đó có những hành động tích cực nhằm cải thiện kết quả dự báo. Mặt khác, đánh giá khoa học cũng cung cấp trực tiếp các thông tin cho hướng nghiên cứu và phát triển phương pháp dự báo c. Mục đích kinh tế Theo Brier và Allen (1951), mục đích kinh tế của đánh giá chất lượng dự báo đóng một vai trò hết sức quan trọng, nó giúp đánh giá được lợi ích của việc dự báo đúng, từ đó đưa ra được những quyết sách hợp lý trong các hoạt động có liên quan và 14 để thỏa mãn những yêu cầu từ người sử dụng sản phẩm dự báo cuối cùng. Ví dụ, khi có một bản tin dự báo thời tiết chính xác sẽ giúp ích cho việc bảo vệ người dân trước các thảm hiện tượng thời tiết nguy hiểm như bão hay lũ lụt hoặc cũng có thể giúp ích rất nhiều trong các hoạt động sản xuất nông nghiệp… Vì mục đích kinh tế là vấn đề phức tạp nên trong tiểu mục sau đã bỏ qua không xem xét. 1.2.2 Mô hình đánh giá chung cho các yếu tố dự báo thời tiết 15 ĐGKH ĐGHC Phân loại ngoại bộ Các tập số liệu dùng để đánh giá Phân loại nội bộ theo quan trắc Phân loại nội bộ theo dự báo Phân loại ngoại bộ Phân loại nội bộ Biến pha Biến liên tục Bảng liên hợp Nguyên lý phát hiện tín hiệu Đồ thị điểm Biến pha Biến liên tục Biến pha Biến liên tục Bảng liên hợp Đồ thị điểm Bảng độ tin cậy Điểm Brier RPS Điểm kỹ năng Brier Sai số trung bình tuyệt đối Sai số bình phương trung bình Độ giảm phương sai Hệ số Phân tán Độ lệch 16 Hình 1.1 Sơ đồ chung cho đánh giá các yếu tố thời tiết Theo tác giả Henry R. Stanski và các cộng sự (1989), việc đánh giá tổng quát (chung) cho các yếu tố dự báo thời tiết được minh họa trên hình 1.1, đồng thời cũng tóm tắt các kiểu quyết định được đưa ra trước khi một phương pháp đánh giá chuyên dụng được chọn lựa. Đây chỉ là một mô hình đánh giá chung nhất và dĩ nhiên vẫn có thể tồn tại nhiều mô hình tương tự khác. Tuy nhiên, mô hình này cho ta một bức tranh nhất quán về mối quan hệ các đặc trưng của phép đánh giá các đại lượng đo và các giải pháp khác nhau để có thể đem lại lựa chọn thích hợp. Tất cả các phương pháp đánh giá đều được bắt đầu từ việc tập hợp các tập số liệu quan trắc và dự báo (hình bình hành ở trên). Khi công việc trên đó hoàn thành thì bước tiếp theo là việc xử lý số liệu. Việc này phụ thuộc vào các cách giải quyết khác nhau (dạng hình thoi trong sơ đồ), tức là phụ thuộc vào mục đích đánh giá, đánh giá hành chính hoặc đánh giá khoa học. Một khi mục đích đánh giá đó được thiết lập, một tập mẫu có thể được phân loại để đáp ứng mục đích đã định sẵn. Phân loại nghĩa là tách các phần tử trong tập mẫu thành hai hay nhiều nhóm theo một nguyên tắc lựa chọn, sau đó, thực hiện đánh giá cho từng nhóm riêng biệt. “Phân loại ngoại bộ ” nghĩa là đánh giá theo nguyên tắc lựa chọn một cách độc lập các yếu tố cần đánh giá. Dạng phổ biến của phân loại ngoại bộ chính là dạng cho phép xác định những biến đổi trong đánh giá theo thời gian (ngày hoặc theo mùa). Ví dụ, ở Việt Nam dự báo giáng thủy vào mùa đông chính xác hơn vào mùa hè, do vào mùa hè, giáng thủy sinh ra do đối lưu rất khó dự báo. Vì vậy phải chia tập số liệu ra để đánh giá riêng cho từng mùa. Phân loại ngoại bộ có thể được tiến hành ở bất cứ thời điểm nào trong quá trình, kể cả trước khi sử dụng đánh giá theo các chỉ số thống kê và việc phân loại này hoặc là theo mục đích hành chính, hoặc là theo mục đích khoa học. Xuất phát từ các câu hỏi đặt ra đối với đánh giá khoa học ta thấy rằng, cần có một nhu cầu phân loại cao hơn đối với tập mẫu. Ví dụ, nếu ta quan tâm đến dự báo cực trị thì tập mẫu sẽ phải được phân nhóm để tách các giá trị đó từ chuỗi các sự kiện 17 không phải là cực trị. Kiểu phân nhóm này được gọi là “phân loại nội bộ” bởi vì nguyên tắc phân loại được quyết định bởi mục đích đánh giá và sử dụng chính yếu tố đang được đánh giá. Có hai cách để thực hiện phân loại nội bộ, và hình 1.1 cho thấy kiểu đánh giá cho mỗi cách này hơi khác nhau. Phân loại theo quan trắc nghĩa là phân loại theo giá trị của các yếu tố khí tượng được quan trắc. Sau đó, các đại lượng đánh giá có thể được tính toán cho từng nhóm giá trị quan trắc và giá trị thống kê được tạo thành này gọi là giá trị có điều kiện đối với quan trắc. Một ví dụ cho phân bố có điều kiện của dự báo là một giá trị đặc biệt hay một ngưỡng của các giá trị quan trắc. Phân loại theo dự báo nghĩa là phân loại theo giá trị của các yếu tố khí tượng được dự báo. Và cũng tương tự như trên, các con số thống kê được tính toán theo cách phân loại này được gọi là điều kiện dự báo. Việc lựa chọn kiểu phân loại phụ thuộc vào yêu cầu đánh giá. Và nhiều khi sẽ cần phải sử dụng cả hai cách phân loại trên để đưa ra một câu trả lời hoàn chỉnh. Hơn nữa, như đã thấy trên sơ đồ, những đại lượng đánh giá khác nhau (hình ô van bên dưới) đặc trưng cho một kiểu phân nhóm khác và đưa ra nhiều thông tin khác nhau về sản phẩm. Ngược lại, trong đánh giá hành chính, người ta ít quan tâm chi tiết đến việc biểu diễn những biến theo các giá trị khác nhau trong dự báo. Quả thực, các câu hỏi đặt ra đều mang tính chung chung và chỉ cần một câu trả lời tóm tắt nào đó. Vì vậy, phân loại nội bộ có thể vẫn được thực hiện nhưng nó hiếm khi được dùng đến. Tuy nhiên, ưu điểm lớn của đánh giá hành chính là biểu diễn chất lượng sản phẩm chỉ bằng vài con số hoặc là việc so sánh hay hướng nhận dạng được thực hiện dễ dàng hơn. Ta có thể thấy được, bản chất tóm tắt tổng kết của đánh giá hành chính qua mối liên hệ với các luật cho điểm tổng kết được chỉ ra ở hình 1.1. Đôi khi việc cố gắng tổng kết tất cả các thông tin về chất lượng sản phẩm vào một điểm số để cung cấp cho ban quản lý là một việc hết sức khó khăn. Việc tóm tắt 18 thông tin đánh giá vào một con số gây ra một áp lực lớn cho việc thiết kế hệ thống đánh giá để chắc chắn rằng: A. Điểm số được lựa chọn là đáng tin cậy theo yêu cầu. B. Các sự kiện cấu thành đều được xem xét công bằng như nhau trong các điểm số. Hạn chế chung của bản tổng kết đánh giá này là tất cả các sự kiện đó đều được xem xét công bằng như nhau trong quá trình trung bình hóa. Điều này được thực hiện cho thuận tiện (việc tính toán sẽ đơn giản hơn khi sử dụng đại lượng trung bình) nhưng cũng vì thế rất khó có thể tìm ra được trọng số phản ánh các sự kiện thành phần quan trọng cho mục đích nào đó mà không có bất kỳ trở ngại nào đối với các thuộc tính mong muốn khác của đánh giá. Vấn đề chưa được giải quyết là làm thế nào để đưa ra trọng số của các sự kiện thành phần trong đánh giá tổng hợp. Trước đây, người ta đặt ra yêu cầu quá cao đối với các điểm số đánh giá. Vì thế các dự báo viên đã biểu hiện sự thất vọng khi cố gắng sử dụng các điểm số này để trả lời các vấn đề khoa học. Bản chất của việc đánh giá tổng kết đó hạn chế việc sử dụng chúng trong mục đích khoa học do thiếu sự phân loại đánh giá bằng những điều kiện cho trước. Ví dụ, điểm số tổng kết không thể nói có thể mưa dự báo tốt như thế nào trong các trường hợp ngưỡng thấp mà chỉ có thể nói mưa được dự báo tốt như thế nào một cách chung chung. Không thể nói, dưới điều kiện nào mô hình phần tử hữu hạn khu vực RFE (Regional Finite Element model) tốt hơn mô hình phổ, chỉ có thể nói rằng mô hình RFE tốt hơn hoặc xấu hơn một chút so với mô hình phổ. 1.2.3 Các yếu tố dự báo Sau khi giải quyết xong những vấn đề về phân nhóm và những yêu cầu của một mô hình đánh giá đưa ra, chúng ta cần lựa chọn một phương pháp thích hợp để đáp ứng các yêu cầu đó. Dựa theo mục đích đánh giá người ta chia ra thành hai dạng dự báo là: dự báo các đại lượng liên tục và dự báo pha. Yếu tố dự báo liên tục là các yếu tố được dự báo tại một giá trị riêng biệt hoặc là trong một khoảng giá trị. Trong số các yếu tố 19 thời tiết thì chỉ nhiệt độ và gió là hay được dự báo theo cách này. Ví dụ, “Nhiệt độ thấp nhất đêm nay là gần -10oC”, hoặc “Gió tây có tốc độ 15 km/h, giật 25 km/h”. Yếu tố dự báo pha là các yếu tố dự báo có thể xảy ra hoặc không xảy ra. Ví dụ như khi ta xét sự xuất hiện của giáng thủy (có hai trường hợp xảy ra là mưa hoặc không mưa), hoặc dạng của giáng thủy (thường có ba dạng là băng, tuyết và nước (mưa)). Một vài yếu tố có thể được dự báo pha hoặc là dự báo liên tục, việc lựa chọn chủ yếu phụ thuộc vào yêu cầu của người sử dụng trong quá trình dự báo. Nếu dự báo yêu cầu chi tiết hơn thì dự báo viên sẽ phải dự báo lượng giáng thủy theo đơn vị mm (loại trừ trường hợp giáng thủy lớn quá mức dự tính), giáng thủy có xuất hiện hay không và dự báo đầy đủ lượng giáng thủy có thể xảy ra. Hệ thống đánh giá phản hồi lại cho yêu cầu sử dụng theo đóng cách này. Một dự báo mà cho kết quả biến thiên liên tục thì phải được đánh giá theo pha bởi vì tất cả những thông tin đó đều cần thiết cho người sử dụng.Ví dụ về tầng mây, người ta có thể dự báo được độ cao tối thiểu là 100 feet, nhưng đa phần tầng mây được đánh giá theo các lớp mà vai trò của chúng là vô cùng quan trọng đối với hàng không. Dự báo xác suất được xem như dự báo theo pha tổng quát. Trong đó, mỗi pha được gán bằng một xác suất xảy ra và tổng tất cả xác suất phải bằng một. Dự báo pha là một dự báo xác suất thu hẹp, ở đây xác suất chỉ có hai trường hợp xảy ra là 0% ,100% và hiển nhiên là một trong hai trường hợp ấy chắc chắn sẽ xảy ra. 1.2.4 Các điểm số dùng trong đánh giá Các điểm số dùng trong đánh giá được minh họa theo từng cặp ở phía dưới hình 1.1 cho ta thấy được mối quan hệ giữa chúng. Ví dụ, bảng liên hợp và đồ thị điểm là hoàn toàn tương tự nhau, chúng cung cấp các dạng thông tin như nhau, bảng liên hợp xuất phát từ yếu tố dự báo pha cùng đồ thị điểm xuất phát từ biến dự báo liên tục. Điểm tổng kết luôn được phân loại theo cách này: Điểm Brier và điểm RP đều đo chính xác các đặc tính của khả năng xảy ra hay biến pha, chúng tương tự sai số bình phương trung bình của dự báo theo biến liên tục. Chú ý rằng dự báo pha không tương tự như sai số trung bình tuyệt đố1. Có hai loại đại lượng đo được phân loại tương ứng theo dự 20 báo và quan trắc là “Bảng độ tin cậy” và “Nguyên lý phát hiện tín hiệu”. Trong khi đó bảng liên hợp và đồ thị điểm lại tổng quát hơn, nó cho phép phân loại theo một trong hai cách hoặc theo cả hai cách. Nguyên lý phát hiện tín hiệu là một ý tưởng mới mẻ và hiện nay chưa được sử dụng rộng rãi. Các điểm số liệt kê trên hình 1.1 và được trình bày trong chương 2 gồm 3 loại, đó là: Các điểm số tuyến tính, các điểm số toàn phương (bậc hai) và điểm số kỹ năng. Điểm số toàn phương đưa ra trọng lượng của sai số theo bình phương của chúng trong khi đó điểm số tuyến tính cho sai số có giá trị bậc nhất. Vì vậy điểm số toàn phương thường đưa ra trọng số sai số lớn hơn là điểm số tuyến tính và điểm số này rất phù hợp trong các trường hợp sai số lớn thực sự nghiêm trọng hơn sai số nhỏ. Điểm số kỹ năng được xây dựng để đánh giá mối quan hệ giữa dự báo và một giá trị chuẩn nào đó. Giá trị chuẩn được chọn lựa để mô tả một dự báo không kỹ năng. Ba tiêu chuẩn được sử dụng để so sánh là: sự may rủi (ngẫu nhiên), quán tính và khí hậu. Tính ngẫu nhiên mô tả sự phỏng đoán thuần túy và không yêu cầu hiểu biết tri thức, quán tính là một dự báo xác định và yêu cầu các hiểu biết về điều kiện thời tiết, còn tính khí hậu là một dự báo trạng thái thời tiết diễn ra trong khoảng thời gian dài và cần phải có sự hiểu biết về tiến trình lịch sử của thời tiết. Điểm số kỹ năng được biểu diễn trong công thức sau: STPS STSC SS    (1.0) Trong đó SC là điểm có được từ dự báo, ST là điểm đạt được từ dự báo chuẩn và PS là điểm từ dự báo hoàn hảo. Điểm số kỹ năng có thể được hình thành từ việc sử dụng bất kỳ một trong các điểm số. Điểm số kỹ năng phổ biến nhất dựa trên nền tảng của điểm Brier (điểm kỹ năng Brier), điểm RP (điểm kỹ năng RP), các giá trị của bảng ngẫu nhiên (điểm Heidke) và sai số trung bình tuyệt đối. Tiêu chuẩn thường được sử dụng nhất là tính khí hậu, còn điểm Heidke lại thường xuyên được kết hợp với tính 21 ngẫu nhiên. Không có điểm kỹ năng cơ bản nào là quan trọng hơn, chúng bình đẳng như nhau và đều biểu hiện đặc tính của kỹ năng. 1.3 Mô hình đánh giá sản phẩm dự báo số trị Hình 1.2 mô tả một nguyên tắc chung cho việc đánh giá sản phẩm dự báo số trị và nó cũng phù hợp với nguyên tắc đánh giá các yếu tố khí tượng đó được trình bày ở hình 1.1. Việc đánh giá được bắt đầu với một bộ số liệu bao gồm cả số liệu dự báo và số liệu quan trắc và bộ số liệu này phải được thể hiện, sắp xếp đối xứng với nhau cả theo không gian và thời gian. Theo quy mô không gian, số liệu quan trắc có thể sẽ được phân tích về lưới của các số liệu dự báo hoặc là số liệu dự báo có thể được nội suy theo không gian về các trạm quan trắc (điểm quan trắc). Tuy nhiên, cách thứ nhất ít được làm thường xuyên hơn vì có những chỉ trích cho rằng khi số liệu quan trắc được nội suy về điểm lưới thì nó đã không còn mang tính khách quan vốn có của nó như trước khi nội suy nữa. Những chỉ trích này đã trở nên đặc biệt quan trọng đối với việc đánh giá nếu việc phân tích là một trường sản phẩm thử nghiệm của mô hình và có thể được kiểm tra lại. Trong trường hợp đó, sẽ có một độ lệch nào đó trong những kết quả của mô hình. Do đó, điều quan trọng trong đánh giá mô hình là phải luôn luôn ghi nhớ thủ tục kiểm tra lại số liệu quan trắc khi đánh giá kết quả. Để đánh giá một sản phẩm mô hình số có hiệu quả, yêu cầu đặt ra là những vấn đề quyết định cần phải giải quyết phải được làm cho mục đích đánh giá trước khi một hệ thống đánh giá được thiết lập. “Đánh giá hành chính” trả lời câu hỏi về xu hướng trong kỹ năng và độ chính xác của mô hình và nó thường được sử dụng để so sánh độ chính xác của hai mô hình khác nhau. Tương tự như đánh giá các yếu tố thời tiết cho những mục đích hành chính, có một khuynh hướng nhằm giảm bớt những kết quả có các giá trị số nhỏ thông qua việc sử dụng các điểm số chung. “Đánh giá khoa học” bao gồm các câu hỏi trả lời về sự thay đổi theo không gian và thời gian trong sự biểu diễn của mô hình để cung cấp thông tin có thể phản hồi lại cho các nhà phát triển mô hình cải tiến thêm mô hình hay cho các dự báo viên để thay đổi xu hướng dự báo. Một ví dụ đơn giản là việc đánh giá các đặc trưng như khu vực 22 áp suất thấp hay fronts. Bộ số liệu đánh giá phải được sắp xếp cẩn thận theo các đặc trưng đó, và điều này có thể được thực hiện theo một trong hai hướng đó là theo cơ sở của các đặc trưng quan trắc hay theo cơ sở của các đặc trưng dự báo. 23 Sơ Các tập số liệu dùnng để đánh giá Mục đích khoa học Quản lý hành chính Phân loại ngoại bộ Phân loại theo không gian Đánh giá chủ quan SS tuyệt đối trung bình SS bình phương TB Điểm kỹ năng Hệ số phân tán Độ lệch Tương quan dị thường Đánh giá khách quan 24 Hình 1.2 Sơ đồ chung cho đánh giá mô hình dự báo thời tiết số (NWP) Phân loại theo không gian có thể được làm vì mục đích quản lý hành chính hoặc vì mục đích khoa học. Phân loại theo không gian được tiến hành theo mục đích hành chính để thấy được sự khác biệt trong độ chính xác trên các vùng của mô hình tương ứng với các vùng quản lý hành chính của đất nước. Khi phân loại theo không gian được tiến hành theo mục đích khoa học, các khu vực có quy mô dưới lưới được ưu tiên lựa chọn để phản ánh các chế độ khí hậu khác nhau như các khu vực có địa hình đồi núi, các vùng núi khuất gió, bờ biển, … “Phân loại ngoại bộ” ở đây có ý nghĩa là phân chia bộ số liệu đánh giá theo mùa hoặc theo thời gian chạy mô hình hoặc theo các quy luật chọn lựa khác độc lập với các tham số đang được đánh giá. Phân loại theo mùa là cách sử dụng phổ biến để phát hiện sự khác nhau trong biểu hiện giữa các mùa. 1.4 Các đặc trưng đánh giá Một quan điểm cuối cùng về phép đánh giá là: “Một đánh giá đơn lẻ sẽ không thể cho ta biết được thông tin đầy đủ về chất lượng của sản phẩm”. Tất cả đều cung cấp thông tin về một hoặc một số đặc tính (thuộc tính) của sản phẩm dự báo. Do đó một hệ thống đánh giá sẽ phải bao gồm cả việc tính toán các đại lượng được chọn khác nhau để mô tả các thuộc tính thích hợp phục vụ cho mục đích đánh giá. Các thuật ngữ liên quan tới các điểm số đánh giá đều được liệt kê dưới đây. 1.4.1 Độ chính xác Độ chính xác là thuật ngữ chung chỉ ra mức độ chính xác, phù hợp giữa thời tiết dự báo và thời tiết thực được thể hiện qua các quan trắc. Sự khác nhau giữa một giá trị quan trắc và một giá trị dự báo được gọi là sai số. Sự khác nhau này càng nhỏ, sai số sẽ càng nhỏ và độ chính xác sẽ càng cao. Cái khó là ở chỗ phải hiểu được ý nghĩa của mức độ chính xác, nghĩa là ranh giới hay giới hạn có thể chấp nhận được. Sự tranh luận về độ chính xác diễn ra ở nhiều mức độ khác nhau: một mặt có thể nói nó là độ chính xác trung bình, mặt khác lại cho rằng nó là độ chính xác với từng điều kiện hoặc độ 25 chính xác riêng cho từng ngày, quả thực độ chính xác sẽ càng cao khi thời tiết tốt (nghĩa là dự báo dễ). Đôi khi độ chính xác cũng được biểu hiện thông qua các thuộc tính khác của dự báo như độ tin cậy, độ phân giải hay độ không chắc chắn. 1.4.2 Kỹ năng dự báo Kỹ năng hay độ chính xác tương đối được định nghĩa như độ chính xác của một dự báo tương đối so với độ chính xác của một sản phẩm dự báo chuẩn. Theo tiêu chuẩn chung, các dự báo chuẩn như chuẩn khí hậu, dự báo quán tính, dự báo ngẫu nhiên được coi là không có kỹ năng. ý nghĩa của điểm kỹ năng là ở chỗ, chúng sẽ cho ta thấy sự khác biệt về độ chính xác giữa các dự báo khác nhau. 1.4.3 Độ tin cậy Độ tin cậy tương đương với độ lệch và là giá trị tuyệt đối trung bình cho phép giữa tập giá trị dự báo và giá trị quan trắc của một yếu tố khí tượng. Thông thường độ tin cậy được cải tiến nhờ Bias. Nhưng sau khi cải tiến làm độ tin cậy của các dự báo tương đương tăng lên thì chính Bias lại sẽ bị khử đi. Đối với các biến liên tục (ví dụ: nhiệt độ), độ tin cậy có thể được biểu diễn bằng khả năng dự báo nhiệt độ tối đa trong khoảng cộng trừ 3oC. Độ tin cậy cho các dự báo xác suất theo pha (hay khả năng dự báo có thể xảy ra) được định lượng trong một mức tin cậy nào đấy, ví dụ: khả năng dự báo mưa là 70% tương đương tần số quan sát được là 90%. Như vậy, dự báo này có sai số là 20%. 1.4.4 Độ phân giải Độ phân giải là khả năng mà dự báo có thể phân chia hoặc phân tích một tập mẫu thành các phần nhỏ với phân bố tần suất khác nhau. Độ phân giải liên quan đến độ lệch chuẩn hay phương sai của chuỗi số liệu quan trắc được phân nhóm theo dự báo. Độ phân giải cũng phụ thuộc vào kinh nghiệm và trình độ của chính người làm dự báo. 26 Có thể lấy một số ví dụ minh họa cho khái niệm này. Nếu phân bố của nhiệt độ dự báo là -10oC, khác hẳn so với phân bố nhiệt độ quan trắc -5oC thì hệ thống dự báo nhiệt độ đó được xem là có độ phân giải. Dự báo xác suất sẽ được coi là có độ phân giải nếu tần suất quan trắc được của sự kiện dự báo là 20%, khác biệt so với của dự báo 70%. Trong các mô hình dự báo số trị, độ phân giải thường được ngầm hiểu theo không gian. Ví dụ, nếu quan trắc độ cao địa thế vị trung bình của khu vực được dự báo cho thấy H là thấp, khác hẳn so với khu vực được dự báo có H cao thì mô hình có độ phân giả1. Ví dụ minh họa dưới đây cho thấy ảnh hưởng qua lại giữa độ tin cậy và độ phân giải: 1. Độ tin cậy thấp và độ phân giải thấp: ví dụ như dự báo không có kỹ năng và dự báo kém chính xác. 2. Độ tin cậy cao và độ phân giải thấp: ví dụ như dự báo khí hậu. 3. Độ tin cậy thấp và độ phân giải cao: ví dụ minh họa cho đặc tính này là dự báo phần trăm xác suất (POP). 4. Độ tin cậy cao và độ phân giải cao: Đây là một mô hình lý tưởng và dự báo ngắn hạn chính là một ví dụ. 1.4.5 Độ biến động Là sự dao động của các giá trị quan trắc trong tập mẫu đánh giá và không phụ thuộc vào giá trị dự báo. Đối với các biến được dự báo theo pha thì độ biến động là 1 nếu sự kiện xảy ra và 0 nếu sự kiện không xảy ra. Đại lượng này liên quan đến độ “khó khăn” của dự báo. Độ biến động càng lớn có nghĩa là sẽ có những dao động lớn với nhiều tần số khác nhau trong yếu tố dự báo đang được đánh giá và dĩ nhiên việc dự báo sẽ khó khăn hơn. Độ biến động của từng tập số liệu sẽ rất khác nhau và do đó, việc so sánh giữa các con số đánh giá thống kê của tập số liệu là hết sức mạo hiểm vì chúng thường rất nhạy với độ biến động. 1.5 Các phương pháp đánh giá sản phẩm dự báo số 1.5.1 Những nguyên nhân sai số dự báo bằng mô hình số 27 Mô hình dự báo thời tiết số cho ra kết quả các sản phẩm dự báo từ việc phân tích các phương trình mô tả những quá trình vật lý xảy ra trong khí quyển bằng máy tính. Những kết quả này không phải là một dự báo hoàn hảo bởi nó không thể mô tả hết được những thay đổi trong khí quyển. Những nguyên nhân gây ra sai số dự báo của mô hình dự báo số trị bao gồm:  Những hiểu biết của chúng ta về các công thức toán học và vật lý còn chưa đầy đủ.  Những hiểu biết về điều kiện ban đầu còn hạn chế bởi chúng ta chỉ lấy một số lượng hạn chế các điểm trong không gian để tính toán.  Chúng ta phải điều chỉnh và đơn giản hóa các phương trình toán học trong mô hình để rút ngắn thời gian tính toán nhằm đưa ra được các sản phẩm dự báo kịp thờ1.  Vẫn còn tồn tại các sai số trong quá trình hoàn tất tính toán. 1.5.2 Một số định nghĩa 1.5.2.1 Một sô thuật ngữ tổng quát Sai số: Là độ chênh lệch giữa các biến dự báo và quan trắc tại một điểm lưới nào đó. Sai số của biến X tại điểm i, j là:  0,,, jif jiji XXE  (1.1) Trong đó chỉ số “f” và “o” viết bên trên lần lượt là biến dự báo và biến quan trắc. Tổng số: Một vài kỹ năng đòi hỏi việc tính tổng toàn bộ các điểm lưới theo công thức:    M j ji N i XSum 1 , 1 (1.2) 28 Trong đó N, M là số điểm lưới theo phương x và y (phương ngang) trong miền dự báo mà ta quan tâm, khi mà chúng ta chỉ để ý một phần của toàn bộ miền lưới tính toán, sẽ thấy rằng 1 ≤ N ≤ I và 1 ≤ M ≤ J với I, J là tổng số điểm lưới theo phương x và y. Trung bình: Các biến số khi được tính trung bình theo một vài hướng sẽ được đính kèm theo dấu ngoặc là các chỉ số dưới để chỉ ra hướng được lấy trung bình. Ví dụ: X x,y,t là trung bình của X theo không gian (theo x và y) và theo thời gian (t). Trung bình theo thời gian đơn giản chỉ là trung bình số liệu tính theo các khoảng thời gian bằng nhau. Muốn tính trung bình theo không gian chúng ta phải sử dụng trọng số wi,j, là tỷ số diện tích của miền bao quanh điểm lưới với diện tích toàn bộ vùng đang quan tâm tương ứng trên bề mặt thực của trái đất. Ví dụ về trung bình tính theo phương ngang của X:  NMxwX ji jijiyx / , ,,,         (1.3) Trong đó N là số điểm theo phương x còn M là số điểm theo phương y. Đối với phép chiếu cực, tại một vĩ độ địa lý Ф xác định, trọng số thông thường được tính theo công thức:          2 , 2 , , sin1 sin1 ji ji jiW   (1.4) 1.5.2.2 Sự mô tả trong không gian của các biến trong mô hình số (a) Theo phương ngang Điểm lưới: Các biến của mô hình được dự báo tại một chuỗi các điểm lưới trên toàn bộ khu vực dự báo mà ta quan tâm. Các điểm lưới được đánh số xác định 1 ≤ i ≤ I theo hướng x và 1 ≤ j ≤ J theo phương y. Thông thường, phương x chạy từ tây sang đông và 29 hướng y chạy từ nam lên bắc, mặc dù trong các mô hình, hướng x và y có thể được thay đổi lẫn nhau từ sự định hướng ban đầu bởi một hàm của vĩ độ. Phổ: Các biến được biểu diễn bởi một chuỗi khai triển trong đó các hệ số được nhân với một hàm toán học cho trước, trong đó các hàm phổ biến nhất là hàm điều hòa cầu. Đây là những hàm của vĩ độ và kinh độ và có thể được tính tại các điểm lưới ngang. Sự phụ thuộc theo vĩ độ chủ yếu theo đa thức Lagrange bậc n và l, trong khi sự phụ thuộc theo kinh độ lại chủ yếu theo hàm cosin bậc l. (b) Theo phương thẳng đứng Hầu hết các mô hình đều sử dụng hệ tọa độ sigma được xác định bởi công thức: 0/ pp trong đó p là áp suất, po là áp suất bề mặt. Cũng trong hầu hết các bộ số liệu lưu trữ, số liệu tại các mực sigma đều được nội suy tới các mực áp suất xác định (Hệ tọa độ áp suất). 1.5.2.3 Thuật ngữ áp dụng trong không gian Vĩ hướng: Một hướng song song với vĩ độ. Đông là dương và Tây là âm Kinh hướng: Một hướng song song với kinh độ. Bắc là dương, Nam là âm 1.5.2.4 Thuật ngữ áp dụng trong thời gian Sai số hệ thống: Là trung bình sai số theo thời gian. tji f jit XXE 0,,  (1.5) Sai số chuyển tiếp: là hiệu của sai số tức thời và sai số có hệ thống tjijiji EEE ,, ' ,  (1.6) 1.5.3 Phương pháp đánh giá đối với biến liên tục 30 1.5.3.1 Phương pháp biểu đồ tụ điểm Phương pháp đồ thị được xem là công cụ đánh giá đơn giản nhất. Phương pháp này thường được dùng để đánh giá các biến liên tục như nhiệt độ và gió. Thông thường nó bao gồm tất cả các giá trị quan trắc và dự báo được chấm lên cùng một đồ thị. Trục tung và trục hoành có cùng một tỷ lệ. Trong mỗi đồ thị còn có đường thẳng hồi quy và đường 45 o. Đường 45o thường được vẽ ra để cho việc đánh giá trên đồ thị được thuận tiện hơn. Nếu dự báo là hoàn hảo thì đường thẳng hồi quy sẽ trùng khít với đường 45o. Vị trí tương đối giữa hai đường này biểu thị độ tin cậy. Khi chất lượng dự báo giảm thì đường thẳng hồi quy sai lệch so với đường 45 o. Và trong một trường hợp lý tưởng nào đó những điểm nằm trên cùng một đường thẳng 45o thì cho kết quả giá trị dự báo bằng giá trị quan trắc. 1.5.3.2 Các chỉ số đánh giá Để đánh giá sản phẩm dự báo của mô hình số người ta có thể dựa vào số liệu phân tích tương ứng (TH1) hoặc sử dụng số liệu quan trắc thực tế (TH2). Dưới đây là một số chỉ số đánh giá dành cho biến liên tục với hai trường hợp đã nêu. Một số ký hiệu sử dụng trong công thức: Fi: giá trị dự báo thứ i Ai: giá trị phân tích tương ứng Oi: giá trị quan trắc tương ứng Pi: giá trị chuẩn tương ứng (chuẩn quán tính, chuẩn khí hậu hoặc chuẩn ngẫu nhiên) N: tổng số thành phần dự báo i : vĩ độ của thành phần dự báo thứ i 31 Bảng 1. 1: Một số chỉ số đánh giá dành cho biến liên tục Chỉ số ĐG dựa vào SL phân tích ĐG dựa vào SL quan trắc ME          N 1i i N 1i iii cos cosAF ME (1.7)     N 1i ii OF N 1 ME (1.8) MAE        N 1i i N 1i iii cos cosAF MAE (1.9)    N I ii OF N MAE 1 1 (1.10) RMSE          N 1i i N 1i i 2 ii cos cosAF RMSE (1.11)     N i ii OF N RMSE 1 21 (1.12) MSE          N 1i i N 1i i 2 ii cos cosAF MSE (1.13)     N 1i 2 ii OF N 1 MSE (1.14) R              N 1i i 2 i N 1i i 2 i ii N 1i i cosAAcosFF cosAAFF R (1.15)              N 1i 2 i N 1i 2 i i N 1i i OOFF OOFF R (1.16) AC              N 1i i 2 i N 1i i 2 i N 1i iii cosaa.cosff cosaaff AC (1.17)              N 1i 2 i N 1i 2 i N 1i ii ooff ooff AC (1.18) 32 Với: fi = Fi - Pi (dị thường dự báo) ai = Ai - Pi (dị thường phân tích) oi = Oi - Pi (dị thường quan trắc) o,a,f : giá trị trung bình của N thành phần dị thường dự báo, dị thường phân tích, dị thường quan trắc O,A,F : giá trị trung bình của N thành phần dự báo, phân tích và quan trắc 1.5.3.3 Phân tích ý nghĩa của các chỉ số Ta sẽ phân tích ý nghĩa của từng chỉ số đã cho trong bảng 1.1. Để tiện cho việc nhận xét, các điểm số đánh giá sẽ được tính cho trường hợp đánh giá sử dụng số liệu quan trắc, trường hợp còn lại cũng tương tự như vậy. a. Độ lệch hay sai số trung bình (Mean Error) Sai số trung bình được tính bởi công thức 1.7, 1.8. Giá trị của ME nằm trong khoảng (-∞, +∞). ME cho biết xu hướng lệch trung bình của giá trị dự báo so với giá trị quan trắc, nhưng không phản ánh độ lớn của sai số. ME dương cho biết giá trị dự báo vượt quá giá trị quan trắc và ngược lại. ME có thể được biểu diễn khi lấy giá trị trung bình của dự báo trừ đi giá trị trung bình của quan trắc. Ví dụ, trong TH2 thì ME được tính như sau:    N 1i i N 1i i O N 1 F N 1 OFME (1.19) Như vậy, ta có thể tính ME cho tháng, năm bằng cách lấy trung bình các yếu tố theo tháng, năm tương ứng sau đó mới thực hiện phép trừ. b. Sai số tuyệt đối trung bình (Mean Absolute Error) 33 MAE được tính bởi công thức 1.9, 1.10. Giá trị MAE nằm trong khoảng (0,+ ∞). MAE biểu thị độ lớn trung bình của sai số nhưng không nói lên xu hướng lệch của giá trị dự báo và quan trắc. Thông thường thì MAE được sử dụng cùng với ME để đánh giá độ tin cậy. Chẳng hạn, nếu MAE của sản phẩm khác biệt hẳn so với ME thì việc hiệu chỉnh đó của chúng ta là hết sức mạo hiểm. Trong trường hợp ngược lại, khi mà MAE và ME tương đối “sát” với nhau thì chúng ta có thể dùng ME để hiệu chỉnh sản phẩm dự báo một cách đáng tin cậy. c. Sai số bình phương trung bình (Mean square error) và sai số bình phương trung bình quân phương (Root mean square error) Sai số bình phương trung bình (công thức tính 1.11, 1.12) là một trong những đại lượng cơ bản và thường được sử dụng phổ biến cho việc đánh giá kết quả của mô hình dự báo số trị. Người ta thường hay sử dụng đại lượng sai số bình phương trung bình quân phương (RMSE), đơn giản là căn bậc hai của MAE. RMSE được xác định bởi công thức 1.13, 1.14. RMSE biểu thị độ lớn trung bình của sai số. Cả MAE và RMSE chỉ bằng không khi và chỉ khi giá trị quan trắc và giá trị dự báo bằng nhau tại mọi điểm trong không gian. Điều này khó có thể xảy ra trong thực tế và thông thường chúng đều dương. Những bàn luận khác về ứng dụng của RMSE trong đánh giá dự báo sẽ được chỉ rõ trong mục tiếp theo vì RMSE thường được sử dụng rộng rãi cùng tương quan dị thường. Tương quan dị thường là một đại lượng xác định sai số pha trong dự báo số trị. Giá trị của RMSE nằm trong khoảng (0,+ ∞). Giống như MAE, RMSE không chỉ ra độ lệch giữa giá trị dự báo và giá trị quan trắc. Khi đem so sánh MAE và RMSE ta thấy: RMSE ≥ MAE. Còn RMSE = MAE khi và chỉ khi tất cả các sai số có độ lớn như nhau. d. Hệ số tương quan (Correlation coefficient) và tương quan dị thường (Anomaly Correlation_AC) 34 Hệ số tương quan (R) cho phép đánh giá mối quan hệ tuyến tính giữa tập giá trị dự báo và tập giá trị quan trắc. Hệ số tương quan được xác định bởi công thức 1.15, 1.16. Giá trị của nó biến thiên trong khoảng -1 đến 1, giá trị hoàn hảo bằng 1. Hệ số tương quan dương phản ánh mối quan hệ cùng chiều (đồng biến), ngược lại, hệ số tương quan âm biểu thị mối quan hệ ngược chiều (nghịch biến) giữa dự báo và quan trắc. RMSE là một đại lượng đặc trưng cho biên độ sai số của mô hình. Cùng với nó trong những năm gần đây người ta sử dụng đại lượng tương quan để xác định mức độ lệch pha không gian giữa hai tập số liệu. Trong khí tượng, hai tập số liệu đó có thể là số liệu dự báo và số liệu quan trắc hoặc là hai tập số liệu của hai mô hình khác nhau. Đối với dạng thứ hai, người ta thường lấy một mô hình làm chuẩn và kết quả dự báo của nó được xem là số liệu “thực”. Tương quan thường được xét giữa những thành phần “dị thường”. Đó là hiệu chênh lệch giữa giá trị tức thời ở mỗi điểm lưới trừ đi giá trị trung bình khí hậu của biến được xét. Vì thế người ta gọi là tương quan dị thường (AC). AC được tính như trong công thức 1.17, 1.18. Trong đó, Pi là giá trị dự báo chuẩn tương ứng với thành phần dự báo thứ 1. Giá trị chuẩn ở đây có thể là một trong 3 chuẩn: chuẩn quán tính, chuẩn ngẫu nhiên và chuẩn khí hậu. Tùy theo mục đích sử dụng, người ta chia ra hai loại AC khác nhau. Dạng thứ nhất được sử dụng khá phổ biến trong trường hợp cần so sánh giữa kết quả dự báo của mô hình với số liệu quan trắc của khí quyển thực, tức là nghiên cứu về sai số dự báo của mô hình. Dạng thứ hai, AC được sử dụng như một thông số để so sánh trong các cuộc thử nghiệm của mô hình. Khi đó, thay bằng việc sử dụng số liệu quan trắc, một mô hình thích hợp sẽ được xem là thực và được đem ra đối chiếu với những mô hình thử nghiệm khác. Sẽ có 3 khả năng xảy ra :  Một là so sánh kết quả của hai phiên bản khác nhau của cùng một mô hình mà trong đó chúng khác nhau ở những mặt vật lý: Cấu trúc mô hình, độ phân giải hay cách tham số hóa các quá trình vật lý xảy ra trong đó. 35  Hai là, so sánh kết quả của mô hình khi sử dụng những điều kiện biên khác nhau. Cả hai dạng thử nghiệm so sánh này thường được làm khi cần phải cải tiến chất lượng của mô hình.  Ba là, so sánh một kết quả thực nào đó với phiên bản sử dụng điều kiện ban đầu khác nhau của một mô hình. Ví dụ minh họa cho trường hợp này là dạng thử nghiệm OSSE (Observation System Simulation Experiments), trong đó một số mô phỏng sẽ được ban đầu hóa bởi mạng lưới quan trắc tồn tại thực còn các mô phỏng khác được ban đầu hóa bằng những mạng lưới quan trắc được thiết kế trước hoặc chỉ được giả định. Tính khách quan trong tất cả ba dạng thử nghiệm trên sẽ chỉ ra một mô hình phân tích chính xác nhất, khác hẳn với những mô hình khác. AC lớn nhất (bằng 1) khi dị thường khí hậu của mô hình và dị thường “thực” cùng pha. Giá trị AC càng nhỏ khi chúng càng lệch pha nhau và nhỏ nhất (bằng -1) khi các dị thường này ngược pha nhau. Điểm AC thường hữu ích trong việc giải thích kỹ năng của mô hình bị giảm sút khi thời gian dự báo tăng lên cũng như sự biến thiên kỹ năng mô hình qua các năm. 1.5.4 Phương pháp đánh giá đối với dự báo pha Đối với dự báo pha hay dự báo xác suất, khi tiến hành đánh giá người ta thường sử dụng bảng tổng hợp đánh giá. Bảng tổng hợp đánh giá được thiết lập dựa trên nguyên tắc sau: 1. Tại các ô giao nhau giữa pha dự báo và pha quan trắc là số lần hiện tượng thời tiết xảy ra trong hai pha dự báo và quan trắc. 2. Việc chia phải đảm bảo sao cho xác suất tổng các pha phải bằng 1. Ta sẽ có bảng liên hợp đa pha như sau : Bảng 1.2. Bảng liên hợp dự báo - thực tế 36 Dự báo Pha 1 2 … 10 Tổng 1 a11 a12 … a110 a1. 2 a21 a22 … a210 a2. : … … … … … Thực tế 10 a101 a102 … a1010 a10. Tổng a.1 a.2 … a.10 N Khi ta dồn các pha 2 -:- 10 thành 1 pha khi ấy ta sẽ còn 2 pha là ‘Không’ và ‘có mưa’, hay còn gọi là dự báo nhị phân (hay phân đôi). Phương pháp phân đôi dự báo được phát biểu như sau: khi sự kiện nào đó xảy ra ta gọi trường hợp này là “có”, khi sự kiện nào đó không xảy ra ta gọi trường hợp này là “không”. Nhân tố dự báo mưa và sương mù là những ví dụ điển hình về dự báo có/không. Cũng có thể đặt ra một ngưỡng nào đó để khi dự báo cũng sẽ có 2 trường hợp xảy ra là có và không, ví dụ như dự báo gió với tốc độ lớn hơn 10m/s. Để đánh giá dự báo bằng phương pháp này chúng ta bắt đầu bằng bảng liên hợp, bảng chỉ ra các tần suất dự báo và quan trắc có và không. Có tất cả bốn cách kết hợp giữa dự báo (có hoặc không) và quan trắc (có hoặc không), ta gọi đó là phân bố chung. Phân bố chung bao gồm: - Tỷ lệ dự báo trúng (hit): đối tượng được dự báo là xảy ra và thực tế đã xảy ra - Dự báo sai (miss): đối tượng được dự báo là không xảy ra nhưng thực tế lại xảy ra - Báo động sai (false alarms): đối tượng được dự báo là xảy ra nhưng thực tế không xảy ra - Dự báo đúng ‘yếu’ (correct negative): đối tượng được dự báo là không xảy ra và thực tế không xảy ra. Bảng 1.3: Bảng tổng hợp đánh giá dự báo nhị phân Quan trắc Pha Có Không Tổng 37 Có N11-Thành công N12-Thất bại Dự báo có Không N21-Báo động sai N22-Đúng yếu Dự báo không Dự báo Tổng Quan trắc có Quan trắc không Tổng Bảng liên hợp là một công cụ có rất hữu ích để từ đó ta có các dạng sai số khác nhau. Một dự báo hoàn hảo sẽ chỉ cho ta “dự báo trúng” và “đúng yếu”; không cho “báo động sai” và “dự báo sai”. Dao động của con số thống kê được tính toán từ các yếu tố trong bảng liên hợp để mô tả mặt nào đó của dự báo. Chúng ta sẽ minh họa các con số thống kê này bằng các ví dụ. Giả thiết, trong một năm, số ngày mưa theo dự báo và quan trắc được cho trong bảng liên hợp dưới đây: Bảng 1.4: Phân bố mưa dựa vào bảng tổng hợp đánh giá Quan trắc Pha Có Không Tổng Có 82 38 120 Không 23 222 245 Dự báo Tổng 105 260 365 Con số thống kê tuyệt đối có thể được tính toán từ bảng liên hợp có/không và được biểu diễn bởi các điểm số cho dưới đây. 1.5.4.1 Phần trăm đúng (Percent correct - PC) Điểm số PC được tính bằng tỷ số giữa tổng số lần dự báo đúng trên tổng số lần dự báo. 38 1002211    T NN PC (1.21) Giá trị của PC nằm trong khoảng 0 ≤ PC ≤ 1. PC = 1, nghĩa là dự báo hoàn hảo. Từ bảng 3.2 ta có: %83100 365 22282   PC , nghĩa là dự báo chính xác 83% so với tổng số trường hợp dự báo. 1.5.4.2 Tỷ lệ báo sai (False alarm ratio) Điểm số FAR được tính bằng tỷ số giữa số trường hợp dự báo có nhưng trên thực tế lại không xảy ra so với tổng số trường hợp dự báo có. 2111 21 NN N FAR   (1.22) Giá trị của FAR nằm trong khoảng 0 ≤ FAR ≤ 1. Giá trị hoàn hảo của FAR là bằng 0 khi mô hình dự báo là hoàn hảo. Điểm số FAR rất nhạy đối với “báo động sai” nhưng không nhạy đối với “dự báo sai”. Và điểm số này không quyết định trực tiếp đến chất lượng dự báo. Ví dụ lấy từ bảng 3.2: 32.0 3882 38   FAR , nghĩa là 1/3 trường hợp dự báo là mưa nhưng thực tế quan trắc lại không như vậy. 1.5.4.3 Xác suất phát hiện hiện tượng (Probability of Detection of Event) Điểm số POD được tính bằng tỷ số giữa “thành công” với tổng số lần quan trắc thấy xuất hiện sự kiện. Điều đó có nghĩa là dự báo đúng bao nhiêu phần trăm so với thực tế. 2111 11 NN N POD   (1.23) 39 Giá trị POD nằm trong khoảng 0 ≤ POD ≤ 1. Trong trường hợp POD = 1 thì mô hình dự báo là hoàn hảo. Ta lưu ý một điều rằng, điểm số POD rất nhạy đối với “dự báo trúng”, không nhạy đối với “báo động sai”. Có thể giả định tăng thêm dự báo “có” để làm tăng tỷ lệ dự báo đúng, và dĩ nhiên tỷ lệ dự báo sai sẽ thấp đi. Điểm số này thường được dùng kết hợp với điểm số FAR. Từ bảng 3.2 ta có: 78.0 282 82   POD , nghĩa là khoảng 3/4 trường hợp quan trắc thấy mưa được dự báo chính xác. 1.5.4.4 Độ lệch (Bias) Độ lệch ở đây được ký hiệu là BE để phân biệt với độ lệch ở biến liên tục ký hiệu là BIAS, được tính bằng tổng số trường hợp dự báo có xuất hiện sự kiện trên tổng số trường hợp quan trắc có xuất hiện sự kiện: BE = (N11+N12)/(N11+N21 ) (1.24) BE có giá trị biến thiên từ 0 đến ∞. Dự báo là hoàn hảo khi điểm số BE bằng 1. Thông thường hệ thống dự báo có xu hướng dự báo thấp (BE<1) hoặc dự báo vượt quá (BE>1). Độ lệch không xác định mức độ tương quan giữa dự báo và quan trắc, nó chỉ xác định dựa trên mối tương quan về mặt tần suất. Ví dụ về điểm số này, BE =(82+38)/(82+23) , nghĩa là dự báo mưa có xảy ra lớn hơn so với thực tế. 1.5.4.5 Điểm số báo hiệu (Threat Score) 40 Điểm số TS là tỷ số giữa “dự báo trúng” với miền giao bởi dự báo “có” và quan trắc “có”. Điểm số được tính bởi công thức sau: 211211 11 NNN N TS   (1.25) Giá trị TS nằm trong khoảng 0 ≤ TS ≤ 1. TS nói lên mức độ trùng khít giữa vùng dự báo và vùng quan trắc. TS = 1 có nghĩa là dự báo là hoàn hảo, vùng được dự báo trùng khít với vùng thám sát. Ưu điểm của TS so với FAR và POD là ở chỗ nó chịu ảnh hưởng bởi cả “báo động sai” và “dự báo sai”. Ví dụ với số liệu lấy từ bảng 3.2 ta có: 57.0 382382 82   TS , nghĩa là hơn một nửa trường hợp mưa (dự báo và/hoặc quan trắc) được dự báo chính xác. Như vậy, chương 1 đã khái quát lên những nội dung chủ yếu trong các bài toán đánh giá nói chung cũng như những bài đoán đánh giá cho các sản phẩm của mô hình dự báo thời tiết số nói riêng. Trên cơ sở những lý thuyết đó, chương hai sẽ đề cập đến các vấn đề về số liệu và đánh giá dự báo mưa cho mô hình số HRM một cách chi tiết. 41 CHƯƠNG 2 SỐ LIỆU VÀ PHƯƠNG PHÁP ĐÁNH GIÁ DỰ BÁO MƯA MÔ HÌNH HRM Chương 2 giới thiệu về bộ số liệu thực tế và dự báo của mô hình HRM, phương pháp đánh giá chất lượng dự báo mưa của mô hình HRM, trong đó chú trọng đến sai số hệ thống; đồng thời giới thiệu cơ sở khoa học của việc thống kê các hình thế synôp gây mưa ở Bắc Bộ, phục vụ cho việc phân tích các kết quả đánh giá sai số. 2.1 Số liệu 2.1.1 Số liệu mưa quan trắc và thực tế 2.1.1.1 Khu vực đánh giá và trạm đo mưa trong khu vực Để tiến hành đánh giá sai số hệ thống mưa của mô hình HRM, chúng tôi tiến hành đánh giá cho khu vực phía Đông Bắc Bộ trong 5 tháng mùa mưa từ tháng 6 đến tháng 10 trong vòng 3 năm gần đây nhất: 2005, 2006, 2007. Việc chỉ chọn khu vực Đông Bắc Bộ để đánh giá vì khu vực phía Đông Bắc Bộ có mật độ trạm khí tượng dày nhất, đủ đáp ứng tiêu chuẩn của tổ chức khí tượng thế giới (WTO) quy định về mật độ trạm, trong khi khu vực phía Tây chủ yếu là vùng núi nên mật độ trạm thưa thớt hơn rất nhiều. Vị trí địa lý khu vực Đông Bắc Bộ bao gồm ba khu vực nhỏ hơn: khu vực Việt Bắc, khu vực Đông Bắc và Đồng Bằng Bắc Bộ. Hình dưới là diện tích khu vực được tiến hành đánh giá. 42 104 104.5 105 105.5 106 106.5 107 107.5 108 20 20.5 21 21.5 22 22.5 23 Hình 2.1 Khu vực địa lý phía Đông Bắc Bộ 2.1.1.2 Số liệu mưa quan trắc và xử lý số liệu mưa Trong chương này, các tập số liệu được đưa vào kiểm tra, đánh giá là số liệu mưa quan trắc thực tế của 51 trạm Khí tượng (thuộc khu vực Đông Bắc Bộ) phát báo hàng ngày ở Trung tâm dự báo Khí tượng thủy văn Trung Ương và sản phẩm dự báo 24h của các tháng từ 6 – 10, các năm 2005, 2006, 2007 từ mô hình HRM chạy nghiệp vụ hàng ngày. Tuy nhiên, có khoảng mười trạm: Bắc Mê, Bắc Quang, Hàm Yên, Tam Đảo, Định Hóa, Bảo Lạc, Trùng Khánh, Bắc Sơn, Đình lập, Uông Bí, Hiệp Hòa, Ba Vì, Cúc Phương đến tận năm 2008 mới phát báo số liệu nghiệp vụ nên chúng tôi thu thập số liệu của những trạm này từ Trung Tâm Tư Liệu KTTV. Số liệu mưa dự báo của mô hình HRM được lấy là số liệu mưa tích lũy dự báo thời hạn 24 giờ từ phiên bản có độ phân giải 14 km . Số liệu này đã được mô hình nội suy về vị trí các trạm quan trắc cho trước. Việc tổ chức số liệu được thể hiện ở các file dữ liệu lưu, trong đó các file đều có cột “số thứ tự trạm”, kinh độ và vĩ độ trạm, các ngày trong tháng. Sau khi phân tích mật độ trạm khí tượng đo mưa trên khu vực Đông Bắc Bộ theo phương pháp chung, chúng tôi rút ra được một số nhận xét sau: 43 Mật độ trạm cho toàn khu vực vào khoảng 513 km2/1 trạm, trong đó tập trung chủ yếu ở các tỉnh ven biển và nam đồng bằng, vùng núi phía bắc mật độ trạm khá thưa thớt. Như vậy mật độ trạm mưa ở vùng nam đồng bằng và đồng bằng ven biển đáp ứng được yêu cầu của Tổ chức khí tượng thế giới về quy định mật độ phân bố trạm, còn ở vùng núi phía bắc thì mật độ trạm mưa còn thấp hơn tiêu chuẩn của Tổ chức khí tượng thế giới. Trên hình 2.2 là bản đồ phân bố các trạm mưa khu vực Đông bắc bộ. 104 104.5 105 105.5 106 106.5 107 107.5 108 20 20.5 21 21.5 22 22.5 23 48/31 48805 48/32 48/34 48812 48/36 48/37 48810 48831 48/44 48/51 4881348814 48/52 48/39 48808 48/33 48/43 48807 48830 48/47 48/49 4883848/50 48837 48834488364883348/60 48/53 48/55 48/5648809 48/54 48826 48828 48839 48820 48817 48/57 48/58 48/59 48827 48822 48823 48829 48821 488324882448/65 48835 Hình 2.2 Bản đồ phân bố mật độ các trạm khu vực Đông Bắc Bộ Mật độ trạm trên đây sẽ ảnh hưởng đến kết quả tính toán và phân tích mà trong suốt quá trình thực hiện ta phải lưu ý đến đặc điểm đó để chấp nhận thực tế tồn tại những hạn chế về số liệu. Số liệu mưa thực tế trước khi tính toán được kiểm tra theo chỉ dẫn chung của WMO kinh nghiệm của người dùng, gồm kiểm tra các giá trị ngưỡng và kiểm tra tính phù hợp bên trong tập số liệu (theo không gian và thời gian). 44 Tuy nhiên trong luận văn thạc sỹ này, số liệu được dùng là bộ số liệu phát báo nghiệp vụ hàng ngày và được chỉnh biên, lưu trữ tại Trung tâm Tư liệu KTTV nên được xem là có độ tin cậy cao. 2.1.2 Số liệu mưa dự báo của mô hình HRM 2.1.2.1 Đưa số liệu mưa dự báo trên các nút lưới về các trạm Sản phẩm dự báo 24h của các tháng từ 6 – 10, các năm 2005, 2006, 2007 từ mô hình HRM chạy nghiệp vụ hàng ngày là số liệu mưa tích lũy dự báo thời hạn 24 giờ từ phiên bản có độ phân giải 14 km (đã trình bày ở chương 1). Số liệu này đã được mô hình nội suy bằng phương pháp nội suy song tuyến tính (Bilinear interpolation) về vị trí các trạm quan trắc cho trước theo danh sách và tọa độ trạm đã nói ở tiểu mục trên. Việc tổ chức số liệu được thể hiện ở các file dữ liệu lưu, trong đó các file đều có cột “số thứ tự trạm”, kinh độ và vĩ độ trạm, các ngày trong tháng. 2.1.2.2 Tổ chức đồng bộ số liệu Việc đánh giá dự báo trong luận văn này được tiến hành theo hướng: trước tiên tiến hành đánh giá cho từng tháng sau đó mới đánh giá cho toàn mùa mưa nên tổ chức các file số liệu riêng cho từng tháng, từ tháng 6 đến tháng 10. Sản phẩm dự báo của mô hình là những dự báo trước một ngày, do đó để đồng bộ số liệu, chúng tôi đã tiến hành sắp xếp số liệu mưa mô hình sang trái thêm một cột và thêm vào cột cuối cùng của các tháng bằng cột đầu của tháng sau. Các trường hợp khuyết sản phẩm mô hình, chúng tôi bỏ qua không tính và thay vào bằng con số “-999”. 45 2.2 Phương pháp đánh giá dự báo mưa của mô hình HRM 2.2.1 Đánh giá khi xem mưa là biến liên tục 2.2.1.1 Mưa được xem như trường yếu tố khí tượng Khi ta đo mưa ở các điểm đo thì lượng mưa đo được là các số thực dương và ta có số liệu trường. Sau khi sản phẩm dự báo mưa HRM từ nút lưới được nội suy về trạm, ta cũng có trường mưa dự báo. Tuy trường mưa không liên tục như trường áp và nhiệt, song lượng mưa tương ứng với từng điểm quan trắc thì vẫn được xem là liên tục. Trong trường hợp này ta hoàn toàn có thể đánh giá chất lượng dự báo mưa bằng những công thức định lượng xác định mối quan hệ giữa trường mưa quan trắc thực tế và trường mưa dự báo của HRM. 2.2.1.2 Chỉ số đánh giá dự báo trường Khi mưa được xem như một trường yếu tố khí tượng ta có thể sử dụng hệ số tương quan giữa trường mưa dự báo và trường mưa thực tế để đánh giá chất lượng dự báo mưa của HRM theo công thức đã trình bày ở chương 1:              N 1i 2 i N 1i 2 i i N 1i i OOFF OOFF R (2.1) Tuy nhiên trong luận văn chúng tôi đã không tiến hành đánh giá dự báo trường, mà xem xét mưa dưới dạng biến liên tục trong từng cấp mưa để đánh giá chất lượng dự báo mưa chi tiết hơn theo không gian và thời gian. 2.2.2 Đánh giá mưa khi phân lượng mưa ra đa cấp rời rạc 46 2.2.2.1 Phân lượng mưa ra 10 cấp Để đánh giá một cách đầy đủ và có khả năng so sánh, phân tích giữa kết quả dự báo và kết quả thực tế, việc tính toán được tiến hành cho 2 dạng hệ thống biến liên tục và rời rạc theo cấp định lượng mưa dự báo và mưa thực tế. Hệ thống biến là các cấp mưa được phân làm 10 cấp theo cấp định lượng tương tự với các nước và không khác nhiều so với phân cấp mưa trong nghiệp vụ, được trình bày như ở bảng dưới đây: Bảng 2.1 Các cấp mưa Cấp mưa Lượng mưa (mm) Lượng mưa (inch) 1 0.0-<6.3 mm 0 - 1/4 2 6.3-<12.7 1/4 - 1/2 3 12.7-<19.0 1/2 - 3/4 4 19.0-<25.4 3/4 - 1 5 25.4-<38.1 1 - 3/2 6 38.1-<50.8 3/2 - 2 7 50.8-<63.5 2 - 5/2 8 63.5-<76.2 5/2 - 3 9 76.2-<101.6 3 - 7/2 10 :=>101.6 =>4 Sau khi chia lượng mưa ra 10 cấp, ta có thể lập được bảng tiếp liên đa cấp như sau: 47 OCat\FCat Fcl1 Fcl2 Fcl3 Fcl4 Fcl5 Fcl6 Fcl7 Fcl8 Fcl9 Fcl10 rsum 1:0.0-<6.3mm n11 n12 n13 - - - - - n19 n110 n1. 2:6.3-<12.7 n21 n22 n23 - - - - - n29 n210 n2. 3:12.7-<19.0 n31 n32 n33 - - - - - n39 n310 n3. 4:19.0-<25.4 - - - - - - - - - - - 5:25.4-<38.1 - - - - - - - - - - - 6:38.1-<50.8 - - - - - - - - - - - 7:50.8-<63.5 - - - - - - - - - - - 8:63.5-<76.2 - - - - - - - - - - - 9:76.2-<101.6 - - - - - - - - - - - 10:=>101.6mm n101 n102 n103 - - - - - n109 n1010 n10. csum n.1 n.2 n.3 - - - - - n.9 n.10 N Bảng 2.2 Bảng tiếp liên 10 cấp mưa thực tế & dự báo Trong bảng trên OCat là cấp mưa quan trắc, FCat và Fc.. là cấp mưa dự báo, rsum và n1. ... n10. là tổng theo hàng, csum và n.1 ... n.10 là tổng theo cột. 2.2.2.2 Các chỉ số đánh giá định lượng mưa bên trong mỗi cấp Sau khi phân lượng mưa dự báo và mưa mô hình ra 10 cấp, trong mỗi cấp mưa chúng được xem như biến liên tục, biến thiên theo không gian các trạm mưa và biến thiên theo thời gian các ngày trong mỗi tháng và trong toàn mùa mưa. a) Cho các biến liên tục được ký hiệu như sau: 48     N i ii OF N RMSE 1 21 (2.2)    N I ii OF N MAE 1 1 (2.3) BIAS =     N 1i ii OF N 1 ME (2.4) SD =     N 1i 2 ii OF N 1 MSE (2.5) Cmean =              N 1i 2 i N 1i 2 i i N 1i i OOFF OOFF R (2.6) b) Cho các biến rời rạc được ký hiệu như sau: PosP = )( ),( .... ) 2 ( )2,2( ) 1 ( )1,1( k FN k O k Fn FN OFn FN OFn (2.7) PreP = )( ),( .... ) 2 ( ) 2 , 2 ( ) 1 ( ) 1 , 1 ( k ON k O k Fn ON OFn ON OFn (2.8) BE = )( )( .... ) 2 ( )2( ) 1 ( )1( k ON k Fn ON Fn ON Fn (2.9) TS = )()( ),( .... ) 2 () 2 ( ) 2 , 2 ( ) 1 () 1 ( ) 1 , 1 ( k ON k FN k O k Fn ONFN OFn ONFN OFn  (2.10) và P(%) cho tất cả các cấp 2.2.3 Đánh giá mưa khi phân lượng mưa ra 2 cấp một 49 2.2.3.1 Cách phân lượng mưa ra 2 cấp một Để xem xét đánh giá một cách hệ thống và toàn diện, sau khi lượng mưa dự báo và thực tế phân chia ra 10 cấp, ta lại tiêp tục phân chúng ra từng cặp 2 cấp một như sau: - Cấp I  RRRR  cấp 2 10 - Cấp II  RRRR  cấp 3 10 - . . . . . . . . . . . . . . . . . . . . . . . - Cấp I X  RRRR  cấp 10 2.2.3.2 Các chỉ số đánh giá mưa 2 cấp BE misseshits sfalsealarmhits BE    (2.11) POD misseshits hits POP   (2.12) FAR sfalsealarmhits sfalsealarm FAR   (2.13) TS falsealarmmisseshits hits CSITS   (2.14) OddRA msfalssealarmisses ativescorrectneghits OR * *  (2.15) 50 ETS random random hitssfalsealarmmisseshits hitshits ETS    , trong đó total sfalsealarmhitsmisseshits randomhits ))((   (2.16) ativescorrectnegmsfalssealar sfalsealarm misseshits hits HK     (2.17) ))(())(( )**(2 ativescorrectnegsflasealarmsfalsealarmhitsativescorrectnegmissesmisseshits sfalsealarmmissesativescorrectneghits HSS    (2.18) total ativescorrectneghits P   (2.19) 2.3 Căn cứ phân loại hình thế synốp chính gây mưa khu vực Đông Bắc Bộ Trong nghiên cứu về dự báo mưa và đánh giá dự báo mưa các mô hình số trị. Rất nhiều nhà khoa học cho rằng việc đánh giá mưa sẽ có kết quả tốt hơn khi việc đánh giá đó được phân loại theo hình thế synốp. Một trong những lý dó để phân loại hình thế synốp ứng với dự báo mưa của mô hình là nhằm lý giải các kết quả một cách lô-gíc và khoa học, mặt khác điều này cũng sẽ giúp cho các dự báo viên trong nghiệp vụ có được những hiểu biết sâu sắc cả hai phương pháp đặc biệt quan trọng trong dự báo mưa nghiệp vụ hàng ngày, đó là phương pháp synôp cổ điển và phương pháp số trị. 2.3.1 Cơ sở phân loại hình thế synop và các tác nhân gây mưa khu vực Đông Bắc Bộ Hàng năm từ tháng 5 đến tháng 10, ở vùng đồng bằng Đông Bắc Bộ có gió đông nam thịnh hành ở tầng thấp. Do đặc điểm của địa hình, phía Đông nước ta là vùng biển rộng lớn, nên khi có gió đông nam thổi, là dịp tốt để lớp không khí trên khu vực Đông 51 Bắc Bộ được tăng cường độ ẩm, hoặc được thay thế bằng các khối không khí có độ ẩm cao, thuận lợi cho việc hình thành mây và mưa. Trong thời gian đó, nếu có những tác động mạnh mẽ của các nhân tố động lực (do các hình thế khí áp hoặc các nhiễu động khí quyển tạo ra) hoặc nhiệt lực thì dễ dàng gây ra các trận mưa vừa, mưa to và có thể kéo dài thành đợt mưa vừa, mưa to. Những trận hoặc đợt mưa đó có khi rất có lợi cho sản xuất nếu gặp trời khô hạn, nhưng cũng có khi lại gây ra lũ lụt, úng ngập, tác hại không nhỏ đối với nhiều ngành, nhất là sản xuất nông nghiệp. Việc phân tích tìm nguyên nhân gây ra các trận hoặc các đợt mưa lớn, cũng như việc dự báo trước các hiện tượng này là một việc rất khó khăn và phức tạp, đang là một trong những đối tượng mà các nhà dự báo Khí tượng quan tâm nghiên cứu. Khi phân tích nguyên nhân gây ra mưa vừa, mưa lớn, thường người ta phải chú ý đến 3 yếu tố sau - Nhân tố nhiệt, ẩm của khối khí - Nhân tố địa hình - Nhân tố động lực 2.3.1.1 Nhân tố nhiệt, ẩm a. Nhân tố ẩm Trong khoảng thời gian từ tháng 6 đến tháng 10 hàng năm, ở vùng đồng bằng Bắc Bộ thường do các khối không khí nhiệt đới ẩm, hoặc khối khí xích đạo chi phối. Đặc trưng của các khối khí này là độ ẩm cao, độ ẩm riêng ở lớp không khí tầng sát mặt đất vào khoảng 33 – 34 gam, và ở lớp khí quyển trên cao 1500 m cũng đạt tới 13 – 14 gam. Vì vậy nhân tố độ ẩm luôn luôn thuận lợi cho việc phát sinh các đợt mưa vừa, mưa lớn. Nhưng trong thực tế, mỗi tháng chỉ xảy ra một vài đợt mưa vừa, mưa lớn. 52 Qua đó có thể kết luận, nhân tố độ ẩm chỉ là điều kiện cần của một đợt mưa vừa, mưa lớn. Nó phải được chú ý, xem xét khi dự đoán có khả năng xảy ra mưa vừa, mưa lớn. b. Nhân tố Nhiệt Như đã nói ở trên, trong thời gian từ tháng 6 đến tháng 9 ở vùng đồng bằng Bắc Bộ thường bị chi phối bởi các khối khí với bản chất nóng, ẩm. Tầng kết nhiệt thì thường ở trạng thái bất ổn định hoặc bất ổn định điều kiện. Trong trường hợp như vậy nếu vì một nguyên nhân nào đó khối khí bị nóng lên rõ rệt nhất là vào buổi trưa thì nhiệt độ không khí đạt từ 34 độ C trở lên, thì cũng dễ tạo ra hiện tượng không khí đối lưu mạnh mang tính cục bộ, gây ra các trận mưa dông (gọi là dông nhiệt) với thời gian ngắn và đợt mưa thường đạt mức mưa vừa, hiếm khi đạt mức mưa lớn. Vì vậy nhân tố này cũng có thể xem như không phải nhân tố chính để gây ra mưa lớn ở vùng Đồng Bằng Bắc Bộ. 2.3.1.2. Nhân tố địa hình Nhân tố địa hình, thường làm tăng rõ rệt lượng mưa ở sườn đón gió và làm giảm lượng mưa ở sườn khuất gió. Vùng đồng bằng Bắc Bộ lại rất bằng phẳng, do đó nhân tố địa hình hầu như không có tác động đến việc gây ra mưa vừa, mưa lớn ở khu vực này. 2.3.1.3 Nhân tố động lực Đây là nhân tố đóng vai trò chủ đạo, chỉ khi có tác động mạnh mẽ của hình thế khí áp, hoặc nhiễu động khí quyển tạo ra nhân tố động lực thúc đẩy, làm cho khối khí vốn đã có điều kiện nhiệt, ẩm thỏa mãn, chuyển động đi lên mãnh liệt và kéo dài, tạo ra các đợt mưa vừa, mưa lớn hoặc mưa kéo dài. Vì vậy khi xét đến nhân tố động lực, tức là phân tích các hình thế khí áp và các nhiễu động khí quyển tạo ra nó. Dưới đây là cơ 53 sở phân chia và các loại hình thế chủ đạo gây ảnh hưởng trực tiếp đến khu vực Bắc Bộ cũng như phía Đông Bắc Bộ nước ta. Phân tích hệ thống thời tiết là việc giải đoán các trạng thái của khí quyển dựa trên kết quả phân tích hình thế synop được đặc trưng bởi trường khí áp tầng thấp và trường thế vị trên cao. Phân tích hình thế synop khác biệt với quá trình phân tích đánh giá các tác nhân gây mưa. Đối với miền Bắc nước ta, một khu vực có diện tích không lớn nên việc xác định chính xác hình thế synop khống chế là rất khó khăn. Bởi vậy xác định hình thế synop phải dựa trên cơ sở phân tích mối tương tác của các xoáy nghịch, xoáy thuận, sống áp cao, rãnh áp thấp đồng thời kết hợp với phân tích mối tương tác của các khối không khí và điều kiện hoàn lưu quy mô synop, quy mô vừa và quy mô nhỏ. Trong một trường synop tương tự nhau hay nói một cách khác trong các loại hình thế synop giống nhau có thể gây nên nhiều loại hình thời tiết khác nhau. Chính vì vậy khi phân tích hình thế synop đặc trưng gây mưa nhất thiết phải phân tích đánh giá mối tương tác của nhiều trường khí tượng khác nhau. Phân tích hình thế synop tầng thấp phải kết hợp chặt chẽ với việc phân tích hoàn lưu cũng như các tác động trường nhiệt ẩm, điều kiện động nhiệt lực ở các lớp khí quyển trên cao cũng như điều kiện địa hình ảnh hưởng đến thời tiết. Bởi vì quá trình synop luôn luôn biến động, thay đổi theo thời gian nên một quá trình thời tiết xảy ra trong nhiều ngày có thể do một hay nhiều tác nhân, một hay nhiều hệ thống synop khác nhau, độc lập hay kết hợp nhiều hệ thống với nhau. Trên thực tế đối với miền Bắc nước ta, hệ thống synop chi phối chủ yếu là áp cao lạnh phía bắc, áp cao cận nhiệt đới, áp thấp nóng Ấn Miến và xoáy thuận nhiệt đới. Tuy nhiên tuỳ thuộc vào vị trí, cường độ, xu thế thay đổi các trường khí tượng, mối tương tác giữa chúng, ... ,mà nêu thuộc tính kèm theo. Ngoài ra do sự tranh chấp của nhiều hệ thống thời tiết nên kết quả xác định hệ thống synop có thể là hệ thống thời tiết độc lập, nhiều hệ thống thời tiết tương tác, thậm chí đôi khi không thể xác định được 54 hình thế synop (trường khí tượng mờ). Xác định hệ thống synop gây thời tiết nói chung, gây mưa nói riêng cần thiết phải xác định được hệ thống synop chính (hệ thống thời tiết chủ đạo), các hệ thống thời tiết tương tác cũng như điều kiện hoàn lưu, điều kiện động nhiệt lực (các tác nhân gây thời tiết) và mối quan hệ giữa chúng. Chính vì lẽ đó, để xác định hình thế thời tiết cần thiết xây dựng tiêu chí phân loại dựa trên các đặc trưng vật lý cũng như khuôn dạng của trường khí áp tầng thấp, trường địa thế vị trên cao đồng thời dựa trên các đặc trưng khí hậu synop. Ngoài các tiêu chí trên cần thiết xem xét các quá trình mưa về mặt thời gian, không gian và tính chất mưa. 2.3.2 Đặc trưng và mô phỏng các loại hình thời tiết gây mưa ở khu vực Đông Bắc Bộ. Đặc trưng loại hình thời tiết gây mưa trong các tháng mùa hè ở khu vực Đông Bắc Bộ bao gồm 5 loại hình thế chính, đó là áp cao lạnh, áp thấp nóng Ấn Miến, áp cao cận nhiệt đới (áp cao phó nhiệt đới), xoáy thuận nhiệt đới và dải hội tụ nhiệt đới. Ngoài ra trong quá trình tranh chấp của các khối khí tạo nên một loại hình thế synop không rõ ràng hoặc một loại hình thời tiết chịu tác động bởi nhiều loại hình thế có tác động tương đương nhau hoặc quá trình mưa do nguyên nhân động, nhiệt lực dưới tác động của địa hình được xếp vào các loại hình thế khác. Tuy nhiên khi xem xét một loại hình thế synop đặc trưng gây mưa cần phải phân tích đánh giá cơ chế hoàn lưu và các điều kiện động nhiệt lực khác kèm theo. Các loại hình thế synop đặc trưng gây mưa và đông ở miền Bắc có thể được mô phỏng như sau: 2.3.2.1 Hình thế áp cao lạnh 55 Hình 2.3 Hình thế áp cao lạnh Trong hình thế áp cao lạnh lại phân chia ra làm các trường hợp nhỏ hơn, nhưng vẫn tính là một loại hình thế chủ đạo gây mưa. Đó là, các tỉnh miền Bắc nằm ở rìa phía nam hoặc tây nam của áp cao lạnh lục địa hay trường hợp áo cao lạnh kết hợp với rãnh áp thấp bị nén, rìa áp cao lạnh kết hợp với nhiễu động trong dòng xiết gió tây cận nhiệt đới trên cao và trường hợp cuối cùng là rìa áp cao lạnh kết hợp với xoáy thuận nhiệt đới.  Rìa phía nam hoặc tây nam của áp cao lạnh Như đã nêu trong phần gió mùa mùa đông, áp cao lạnh khống chế thời tiết ở miền Bắc nước ta chủ yếu do vùng áp cao hoặc lưỡi áp cao ở khu vực đông nam Trung Hoa mà nguồn gốc là áp cao cực đới biến tính trong quá trình di chuyển xuống phía nam. Quá trình xảy ra mưa rào và dông chủ yếu trong quá trình áp cao lạnh bắt đầu ảnh hưởng tức ở phần rìa của áp cao này. Tuy nhiên tuỳ thuộc vào mối tương tác bởi các hệ 56 thống thời tiết khác mà quá trình mưa xảy ra trước hoặc sau khi áp cao lạnh tác động. Mức độ mãnh liệt và thời gian kéo dài cũng phụ thuộc vào mối tương tác này. Tiêu chí rìa áp cao phải có đường đẳng áp đóng kín của xoáy nghịch qua Bắc Bộ. Hình thế áp cao lạnh có thể kèm theo đường đứt, front lạnh cùng với quá trình tăng khí áp, giảm nhiệt độ và điểm sương. Mưa và dông ở các tỉnh miền Bắc chỉ có thể xảy ra trong thời kỳ đầu và cuối mùa đông hoặc trong những tháng chuyển tiếp. Thông thường quá trình mưa và dông xảy ra do sự tương tác của áp cao lạnh với các hệ thống thời tiết khác trong đó vai trò của áp thấp nóng Ấn Miến giữ một vị trí hết sức quan trọng. Vào những tháng cuối mùa đông vị trí trung tâm áp cao lạnh lệch dần về phía đông, sự biến tính của áp cao này thể hiện rõ hơn và quá trình tác động cũng kém phần mãnh liệt. Vì vậy, quá trình mưa bất ổn định nói chung, mưa rào và dông nói riêng cũng giảm dần đồng thời qua trình mưa nhỏ mưa phùn xuất hiện thường xuyên hơn.  Áp cao lạnh kết hợp rãnh áp thấp bị nén Đây là loại hình thế synop gây mưa và dông đặc trưng nhất và thường xảy ra trong mùa chuyển tiếp khi áp thấp nóng Ấn - Miến còn hoạt động ở khu vực đông nam Trung Hoa hoặc Bắc Bộ cũng như quá trình phát triển trở lại của áp thấp này sau thời kỳ mùa đông lạnh giá. Quá trình mưa và dông xuất hiện ngay trước khu vực áp cao lạnh ảnh hưởng, nơi đối lưu phát triển mạnh mẽ nhất. Trong trường hợp áp cao lạnh cường độ mạnh, di chuyển nhanh kèm theo front lạnh, đường đứt thì dông tố lốc hay xảy ra đặc biệt khu vực vịnh Bắc Bộ và ven biển Trung Bộ. Tuỳ thuộc vị trí trung tâm áp cao lạnh, mức độ phát triển, hình dạng cũng như đặc trưng của rãnh áp thấp và cấu trúc hoàn lưu trên cao mà phạm vi, thời gian và cường độ mưa, dông có khác nhau. Vị trí áp trung tâm áp cao lạnh tồn tại dưới hai vùng khác nhau trên khu vực Tứ Xuyên hoặc phía tây tỉnh Quảng Đông (Trung Quốc). Quá trình di chuyển xuống phía nam của các áp cao lạnh này cũng khác nhau theo hướng Bắc-Nam hoặc Đông bắc-Tây nam. Dưới tác động nén của áp cao lạnh và dạng phát triển ban đầu của áp thấp nóng Ấn -Miến 57 mà rãnh áp thấp bị nén tồn tại dưới dạng rãnh áp thấp có hướng Đông-Tây hoặc Tây bắc-Đông nam. Quá trình mưa và dông của loại hình thế synop này phụ thuộc rất nhiều hình dạng của trục rãnh bởi lẽ nó liên quan chặt chẽ đến cấu trúc hoàn lưu và điều kiện nhiệt ẩm. Loại hình thế này đôi khi kèm theo xoáy thuận hoặc hội tụ gió trên cao song nó chỉ là điều kiện làm gia tăng quá trình mưa và dông. Ngoài ra khi xem xét quá trình mưa cần lưu ý đến điều kiện nhiệt ẩm ban đầu của mặt đệm.  Rìa áp cao lạnh kết hợp với nhiễu động trong dòng xiết gió tây cận nhiệt đới trên cao (Rãnh gió tây-RGT) Trong những tháng chuyển tiếp từ mùa đông sang mùa hè hoặc ngược lại, khi mà áp cao lạnh cực đới đã suy yếu hoặc mới bắt đầu phát triển trở lại, ở khu vực phía nam Trung Hoa và khu vực Bắc Bộ nước ta đôi khi vẫn chịu tác động của rìa áp cao lạnh này. Đây cũng là thời kỳ hoạt động mạnh mẽ nhất của những nhiễu động trong đới gió tây cận nhiệt đới ở lớp trên của tầng đối lưu. Vào thời kỳ này khu vực khoảng từ 20˚N đến 40˚N ở khu vực phía nam dãy núi Hymalaya thường xuất hiện những nhiễu động dạng rãnh áp thấp trong dòng xiết gió tây trên cao của đới gió tây cận nhiệt đới. Khi vị trí rãnh áp thấp này ở vào khoảng 90˚E đến 100˚E sẽ có tác động đến thời tiết các tỉnh miền Bắc nước ta. Tuy nhiên không phải rãnh áp thấp nào trong dòng xiết gió tây trên cao cũng gây mưa rào và dông. Tuỳ thuộc độ nông, sâu của rãnh, vị trí và tốc độ di chuyển mà quá trình mưa rào và dông xảy ra với phạm vi và mức độ mãnh liệt khác nhau. Trường hợp áp cao lạnh kết hợp với tác động của nhiễu động rãnh áp thấp trên cao này là một dạng điển hình nhất của quá trình mưa rào và dông ở các tỉnh miền Bắc  Rìa áp cao lạnh kết hợp với XTNĐ 58 Rìa áp cao lạnh kết hợp với XTNĐ là dạng hình thế synop đặc trưng gây mưa rào và dông kéo dài đối với các tỉnh miền Bắc, đặc biệt đối với các tỉnh Trung Bộ, trong đó cần kể đến vai trò của ATNĐ và bão. Trên thực tế do đặc trưng khí hậu synop nên có sự khác nhau đáng kể đối với quá trình tương tác này. Đối với Bắc Bộ phần lớn các XTNĐ hình thành trong thời kỳ hoạt động của áp cao lạnh chủ yếu có nguồn gốc từ rãnh áp thấp bị nén hoặc do sự phát triển của các xoáy thuận trong các nhiễu động ở lớp trên tầng đối lưu nên thời gian của quá trình mưa rào và dông ít kéo dài. Đối với các tỉnh Trung Bộ, thời kỳ hoạt động của XTNĐ cũng trùng với thời kỳ hoạt động của gió mùa mùa đông. Do vậy phần lớn các XTNĐ trong đó có ATNĐ, bão có nguồn gốc từ Biển Đông nên quá trình tương tác này thường xảy ra mãnh liệt và thời gian kéo dài hơn. Tuy nhiên khi đề cập đến quá trình tương tác của rìa áp cao lạnh với XTNĐ cần thiết phải đề cập đến đặc điểm về mặt thời gian của quá trình: áp cao lạnh ảnh hưởng trước, sau hay cùng thời kỳ hoạt động của XTNĐ, bởi lẽ điều đó liên quan chặt chẽ với điều kiện mặt đệm trong quá trình phát triển mây đối lưu, mưa rào và dông. 2.3.2.2 Hình thế rìa áp cao cận nhiệt đới tăng cường Như chúng ta đã biết áp cao cận nhiệt đới là áp cao nóng quy mô hành tinh và thời tiết xấu chỉ xuất hiện ở khu vực rìa áp cao này. Đối với nước ta nằm ở phần tây bắc của áp cao cận nhiệt đới Thái Bình Dương và là nơi tranh chấp mãnh liệt nhất của nhiều hệ thống thời tiết ở lớp dưới của tầng đối lưu trong đó quá trình tăng cường và lấn về phía tây của áp cao cận nhiệt đới là phổ biến nhất. Quá trình lấn về phía tây của áp cao này thường xảy ra theo chu kỳ 3 ngày hay 5, 7 ngày tuỳ thuộc mức độ và thời kỳ hoạt động của nó. Song song với quá trình lấn về phía tây là quá trình trục áp cao cận nhiệt đới được nâng dần lên phía bắc. Áp cao cận nhiệt đới tăng cường và lấn về phía tây làm cản trở sự xâm nhập của các khối không khí lạnh phía bắc hoặc hạn chế sự phát triển 59 của áp thấp nóng Ấn - Miến . Quá trình mưa và dông xảy ra mãnh liệt nhất vào thời gian gần sáng và sáng trong thời kỳ áp cao cận nhiệt bắt đầu lấn mạnh về phía tây với độ cao địa thế vị tăng 2-3 dam . Cường độ mưa do hình thế synop này phụ thuộc nhiều vào độ dày và cường độ đới gió Đông-Nam và mức độ ẩm trên khu vực. Lớp gió Đông Nam phát triển mạnh nhất có thể lên độ cao đến 5000m. Quá trình mưa và dông di chuyển từ đông sang tây, xảy ra mạnh mẽ đối với các tỉnh phía đông Bắc Bộ và Thanh Hoá, rất ít khi xảy đối với khu vực phía tây dãy núi Hoàng Liên Sơn. Cần lưu ý rằng trong cùng thời kỳ nếu hoàn lưu Tây nam có nguồn gốc từ vịnh Ben Gan được duy trì hoặc dòng xiết trong đới gió tây hoạt động mạnh ở khu vực 20˚N-30˚N , 100˚E-110˚E tạo nên sự hội tụ gió ở khu vực Bắc Bộ thì quá trình mưa và dông sẽ có cường độ mạnh hơn, thời gian kéo dài hơn.  Hình thế rìa áp cao cận nhiệt đới tăng cường Hình 2.4 Hình thế rìa áp cao cận nhiệt đới tăng cường 60 Khi xem xét hình thế synop gây mưa và dông đối với miền Bắc do rìa áp cao cận nhiệt đới tăng cường cần lưu ý vị trí và hướng của trục áp cao cận nhiệt đới hay nói một cách khác xem xét điều kiện thuận lợi cho sự phát triển và duy trì đới tín phong Đông hoặc Đông Nam trên toàn bộ khu vực. Sự duy trì quá trình mưa và dông liên quan mật thiết bởi cường độ, độ dày cũng như quá trình hoạt động của đới gió nóng và ẩm này. Bởi vậy, quá trình mưa và dông do loại hình thế synop này chỉ kết thúc khi áp cao cận nhiệt đới lấn sâu về phía tây, Bắc Bộ và Thanh Hoá nằm sâu trong xoáy nghịch hoặc quá trình suy yếu nhanh chóng của áp cao cận nhiệt đới. Khi xem xét loại hình thế synop áp cao cận nhiệt đới cần lưu ý những nhiễu động trong đới gió đông dưới dạng sóng khí áp hoặc dưới dạng xoáy thuận cũng có thể làm gia tăng quá trình mưa và dông.  Rìa áp cao cận nhiệt đới tăng cường với sự hội tụ gió kinh hướng ở trên cao Hình 2.5 Rìa áp cao cận nhiệt đới tăng cường với sự hội tụ gió kinh hướng ở trên cao 61 Ngoài hình thế synop rìa phía tây áp cao cận nhiệt đới tăng cường với sự duy trì tín phong nêu trên cũng cần làm rõ quá trình ảnh hưởng và nguyên nhân động lực khác gây mưa rào và dông của loại hình thế synop này. Bởi lẽ điều kiện động lực và cơ chế hoàn lưu của rìa phía tây áp cao cận nhiệt đới phụ thuộc không chỉ cường độ mà còn phụ thuộc rất lớn do vị trí và dạng trục áp cao. Có thể chia làm hai loại: Một là vị trí trục áp cao cận nhiết đới ở vĩ độ từ 25˚N trở lên, có trục Đông-Tây hay Tây bắc- Đông nam với sự tác động của tín phong Đông hay Đông nam với đới gió tây có nguồn gốc từ vịnh Ben Gan; Hai là trục áp cao có vị trí dưới 15˚N, các tỉnh miền Bắc chịu tác động hội tụ của hoàn lưu gió Tây nam ở rìa Tây bắc áp cao cận nhiệt đới với gió Tây nam từ vịnh Ben Gan như đã nêu ở trên. Trong cả hai trường hợp này đã xuất hiện dòng hội tụ gió kinh hướng của hai đới gió có nguồn gốc khác nhau (chủ yếu theo chiều kinh tuyến) . Quá trình mưa và dông của loại hình thế này thường kéo dài và chỉ kết thúc khi quá trình hội tụ tan rã. Cường độ mưa ở các tỉnh miền Bắc suy giảm hoặc kết thúc khi cường độ áp cao cận nhiệt đới suy giảm hoăc thay đổi vị trí trục làm mức độ hội tụ yếu dần hoặc vị trí vùng hội tụ di chuyển sang vùng khác ra ngoài phạm vi miền Bắc nước ta 2.3.2.3 Xoáy thuận nhiệt đới Xoáy thuận nhiệt đới ảnh hưởng đến thời tiết nước ta nói chung, các tỉnh miền Bắc nói riêng có nhiều nguồn gốc khác nhau song thường do hai quá trình chủ yếu đó là những xoáy thuận nhiệt đới di chuyển từ nơi khác như vùng áp thấp, ATNĐ, bão và những xoáy thuận hình thành và phát triển ngay trên đất liền tồn tại dưới dạng vùng áp thấp. Tuỳ thuộc vào cường độ và mức độ phát triển mà độ cao tồn tại của xoáy thuận duy trì hoặc tồn tại ở mực nào của khí quyển. Đối với những xoáy thuận có cường độ đạt cấp bão rất ít khi xảy ra quá trình dông, nhưng quá trình tố, lốc lại hay xảy ra ở vành đai gió mạnh nơi mà đối lưu phát triển mạnh nhất. 62 Hình thế xoáy thuận nhiệt đới có thể tồn tại một hay nhiều đường đẳng áp đóng kín bao trùm trên một khu vực rộng lớn. Quá trình mưa, vùng mưa gắn chặt với cơ chế hoàn lưu trong khu vực tồn tại xoáy thuận. Xoáy thuận nhiệt đới gây mưa và dông đôi khi có sự kết hợp với các hệ thống synop khác như dải hội tụ nhiệt đới, áp cao lạnh, áp cao cận nhiệt đới song quá trình này chỉ xảy ra theo trình tự kế tiếp các hệ thống synop trong quá trình tương tác, thay thế lẫn nhau. Quá trình mưa kết thúc khi xoáy thuận di chuyển ra khỏi khu vực hoặc tan đi và được thay thế bởi một loại hình thế synop khác mà loại hình thế synop này không thuận lợi cho quá trình đối lưu phát triển. Căn cứ vào nguồn gốc, quá trình hình thành phát triển của XTNĐ mà có thể chia làm hai loại cụ thể hơn:  Hình thế synop do XTNĐ phát triển ở Bắc Bộ Hình 2.6 Hình thế synop do XTNĐ phát triển ở Bắc Bộ 63 Loại hình thế này do XTNĐ phát triển ở Bắc Bộ là chủ yếu. Quá trình mưa hoàn toàn phụ thuộc vào sự tồn tại và sự phát triển thẳng đứng của XTNĐ hay nói một cách khác phụ thuộc vào độ dày và phạm vi vùng hội tụ gió do xoáy thuận. Quá trình mưa suy giảm hoặc kết thúc cùng với sự suy yếu (đầy lên) hoặc sự di chuyển ra khỏi miền Bắc nước ta của XTNĐ.  Hình thế ATNĐ, bão Hình 2.7 Hình thế ATNĐ, bão Đây là loại hình thế synop gây mưa đặc trưng và rõ rệt nhất. Mưa thường bắt đầu và kéo dài cùng với sự ảnh hưởng của ATNĐ hay bão. Mưa do ATNĐ hoặc bão có tời gian kéo dài vài ngày với tổng lượng mưa cả đợt phổ biến có thể lên tới 400-500mm. Tuy nhiên quá trình mưa và tổng lượng mưa phụ thuộc vào hoàn lưu XTNĐ và tốc độ 64 di chuyển của nó. Quá trình mưa do ATNĐ, bão chỉ có thể kết thúc khi ở các tỉnh miền Bắc không còn tồn tại ATNĐ, bão hay vùng XTNĐ do chúng đầy lên. Cũng cần lưu ý khi ATNĐ, bão ảnh hưởng đến các tỉnh Trung Bộ do tác động của địa hình và sự tương tác với các hệ thống thời tiết khác mà quá trình mưa thường ác liệt hơn Bắc Bộ. 2.3.2.4 Dải hội tụ nhiệt đới Hình 2.8 Hình thế dải hội tụ nhiệt đới Như đã nói ở phần trên, đặc điểm hoạt động của dải hội tụ nhiệt đới đối với các khu vực tuỳ thuộc vào vị trí của nó. Đối với các tỉnh miền Bắc dải hội tụ nhiệt đới hoạt động vào thời kỳ cuối mùa hè thường bắt đầu cuối tháng VI đến đầu tháng IX. Hình thế synop dải hội tụ nhiệt đới liên qua chặt chẽ đến hoạt động của tín phong và gió mùa tây nam. Thông thường dải hội tụ nhiệt đới liên quan mật thiết với rãnh áp thấp có trục Tây 65 bắc-Đông nam có vị trí qua Bắc Bộ. Tiêu chí phân loại hình thế synop dải hội tụ nhiệt đới là dựa trên tín phong và gió mùa tây nam. Tuy nhiên khó có thể phân biệt ranh giới của rãnh áp thấp có trục Tây bắc-Đông nam và dải hội tụ nhiệt đới đặc biệt vào thời kỳ cuối của hoạt động gió mùa mùa hè. Mưa và dông do dải hội tụ nhiệt đới xảy ra mãnh liệt hơn khi chịu tác động bởi các hệ thống synop khác trong đó hoạt động của xoáy thuận nhiệt đới và tín phong đông nam là đáng kể nhất. Hoạt động của dải hội tụ nhiệt đới đơn thuần không có khả năng xảy ra tố lốc. Quá trình tố lốc chỉ có thể xuất hiện bởi sự kết hợp của hoạt động của xoáy thuận và tín phong mạnh. 2.3.2.5. Áp thấp nóng Ấn Miến bị nén (Rãnh áp thấp bị nén )  Rãnh áp thấp bị nén Hình 2.9 Rãnh áp thấp bị nén 66 Trong quá trình phát triển của áp thấp nóng đối với Bắc Bộ thời tiết xảy ra chủ yếu là quá trình nắng nóng hoặc đôi khi kèm theo dông nhiệt. Chỉ có tác động của các hệ thống synop khác như áp cao lạnh phía bắc, áp cao cận nhiệt đới hoặc những nhiễu động về mặt hoàn lưu ở những lớp trên cao của khí quyển gây sự hội tụ gió hay thúc đẩy sự phát triển của đối lưu cưỡng bức mới có thể gây mưa rào và dông hoăc đôi khi kèm theo tố lốc. Mô hình synop đặc trưng là loại hình thế synop áp thấp nóng Ấn Miến bị nén và tồn tại dưới hai dạng chủ yếu: Rãnh thấp có trục Đông- Tây và Tây bắc- Đông nam qua Bắc Bộ. Chỉ tiêu của loại hình thế synop này là sự tăng khí áp và độ ẩm.  Rãnh áp thấp bị nén với sự kết hợp của dòng xiết gió tây trên cao Trong quá trình phát triển của áp thấp nhiệt Ấn-Miến phụ thuộc hoàn toàn vào vị trí biểu kiến của mặt trời, có nghĩa phụ thuộc vào mùa. Tuy nhiên trong cùng thời kỳ áp thấp này có thể phát triển và tự suy yếu (đầy lên). Quá trình bị nén cưỡng bức thường làm vùng áp thấp biến dạng thành rãnh áp thấp. Đáng lưu ý là hai điều kiện nén cưỡng bức chủ yếu do áp cao lạnh và áp cao cận nhiệt đới. Tuy nhiên hệ thống synop ở tầng thấp khí quyển liên quan bởi các quá trình nhiễu động trên cao. Trong những mùa chuyển tiếp khi áp cao lạnh có cường độ chưa đủ mạnh để "lấp đầy" vùng áp thấp mà chỉ tạo nên quá trình nén cưỡng bức với đường đứt hoặc front lạnh yếu tồn tại khu vực Vân Nam Trung Quốc và rãnh áp thấp bị nén dịch dần xuống Bắc Bộ. Nếu ở lớp trên tầng đối lưu xuất hiện nhiễu động trong dòng xiết trong đới gió tây (rãnh gió tây) quá trình này làm gia tăng sự bất ổn định khí quyển và là nguyên nhân động lực gây mưa và dông đối với các tỉnh miền Bắc nói chung và Bắc Bộ nói riêng. 67 Năm loại hình thế synop mô phỏng trên là cơ sở khoa học và tiêu chí để phân loại hình thế synop gây mưa và dông đối với các tỉnh miền Bắc. Tuy nhiên hình thế synop chưa phải là điều kiện đầy đủ để hình thành quá trình mưa và dông mà nó chỉ là điều kiện cơ sở cần thiết. Để xem xét một cách đầy đủ hình thế synop đặc trưng quá trình mưa, dông cần thiết phải phân tích đánh giá các điều kiện khác về mặt hoàn lưu, điều kiện ẩm, điều kiện động nhiệt lực khác đặc biệt là sự hội tụ của các luồng không khí có bản chất khác nhau trong tầng đối lưu cũng như sự phát triển đối lưu sâu trong khu vực cần xem xét. Việc mô phỏng mô hình synop đặc trưng là cơ sở để phân tích, phân loại các hình thế synop và đánh giá đặc điểm synop của các quá trình gây mưa trong vòng 10 năm gần đây đối với các tỉnh miền Bắc nước ta. Dựa trên các tiêu chí hình thế synop được mô phỏng ở mục trên, chúng tôi tiến hành phân loại hình thế synop bao gồm 5 loại hình thế chính: áp cao lạnh (ACL), áp cao cận nhiệt đới (ACCNĐ), Xoáy thuận nhiệt đới (XTNĐ), dải hội tụ nhiệt đới (HTNĐ) và rãnh áp thấp bị nén (RTBN). Trong mỗi loại hình thế synop cơ bản đều kèm theo các hệ thống tương tác khác. 68 2. 4 Thống kê về các ngày có mưa lớn diện rộng và các hình thế gây ra mưa lớn diện rộng trong 3 năm 2005, 2006, 2007 khu vực Đông Bắc Bộ 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 6 + + + 7 + + + 8 + + + 9 + + + + 2005 10 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 6 + + 7 + + + + 8 + + + + + 9 + 2006 10 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 2007 6 + + 69 7 + + 8 9 + + + + + 10 + Bảng 2.3. Các ngày có mưa lớn diện rộng và các hình thế gây ra mưa lớn diện rộng trong 3 năm 2005, 2006, 2007 khu vực Đông Bắc Bộ 70 Theo quy định tổng kết các hiện tượng thời tiết nguy hiểm của Trung tâm dự báo khí tượng Thủy văn Trung Ương thì một khu vực có xảy ra mưa lớn diện rộng phải thỏa mãn những điều kiện sau: + Lượng mưa tích lũy đo được trong 24h > 16 mm + Mưa lớn xảy ra quá một nửa số trạm trong toàn bộ số trạm có quan trắc mưa thu thập được của khu vực đó. Dựa vào quy định trên, chúng tôi đã tiến hành thống kê và đưa ra được những ngày có mưa lớn diện rộng xảy ra ở khu vực Đông Bắc Bộ trong 3 năm 2005, 2006 và 2007 kết quả như ở bảng trên Theo tổng kết ở bảng trên, trong 3 năm 2005 – 2007 có tổng cộng tất cả 35 ngày có xảy ra mưa vừa, mưa lớn diện rộng. Ứng với các ngày đó, chúng tôi cũng đã tiến hành phân loại hình thế thời tiết gây mưa cho từng ngày 1 dựa vào 5 loại hình thế thời tiết đã nêu ra ở mục 2.2 đó là: 1): Áp cao lạnh (ACL); 2): Áp cao cận nhiệt đới (ACCNĐ); 3): Xoáy thuận nhiệt đới (XTNĐ); 4): Dải hội tụ nhiệt đới (ITCZ); 5): Rãnh thấp bị nén (RTBN), kết quả lần lượt như sau: 1. ACL: 1 ngày (chiếm 2,8%) 2. ACCNĐ: 5 ngày (chiếm 14,3%) 3. XTNĐ: 19 ngày (chiếm 54,3%) 4. ITCZ: 5 ngày (chiếm 14,3%) 5. RTBN: 5 ngày (chiếm 14,3%) Tuy nhiên, việc thống kê như ở trên cũng chỉ mang tính chất tương đối, vì trên thực tế có những ngày chỉ thiếu 1 vài trạm là đạt ngày có mưa lớn diện rộng, nhưng để theo quy chuẩn, chúng tôi ko tính những ngày đó. Kết quả thống kê trên đây sẽ là cơ sở 71 để so sánh với dự báo thực tế của mô hình HRM trong chương 3 sẽ được trình bày ở phần sau. Trên cơ sở số liệu và phương pháp được trình bày ở trên, việc tính toán, phân tích và biểu diễn kết quả đánh giá sẽ được trình bày trong chương 3. 72 CHƯƠNG 3 KẾT QUẢ TÍNH TOÁN VÀ PHÂN TÍCH DỰ BÁO MƯA MÔ HÌNH HRM Chương 3 tập trung đánh giá sai số hệ thống (Bias) theo không gian và thời gian của dự báo mưa mô hình HRM trong 3 năm 2005, 2006 và 2007 kết hợp với những chỉ tiêu đánh giá khác nhằm làm rõ hơn chất lượng dự báo mưa của mô hình HRM. Cuối cùng là việc đánh giá, so sánh khả năng dự báo mưa vừa, mưa lớn của mô hình HRM cho khu vực Đông Bắc Bộ trong một số hình thế gây mưa chính ở khu vực này. 3.1 Các kết quả tính toán Với bộ số liệu mưa dự báo 24h của mô hình HRM và bộ số liệu quan trắc thực tế tương ứng, chúng tôi đã tiến hành tính toán và phân tích trên bộ số liệu đó, kết quả thu được như dưới đây: - Các chỉ tiêu Bias, SD, MAE, RMSE trên biến liên tục đa cấp mưa - Phân bố độc lập mưa dự báo và quan trắc theo 10 cấp - Các chỉ tiêu ETS, P, HK, HSS trên biến rời rạc hai cấp mưa - Các chỉ tiêu BE/10, TS, PosP, PreP trên biến rời rạc đa cấp mưa - Các chỉ tiêu BE/10, TS, FAR, POD trên biến rời rạc 2 cấp mưa - Chỉ tiểu Bias thể hiện sai số theo không gian. - Phân bố mưa thực tế và mưa dự báo của mô hình HRM theo trung bình ngày. - Các trường hợp mưa lớn được xét riêng. 3.2 Phân tích chất lương sản phẩm dự báo Để đánh giá sai số hệ thống dự báo mưa của mô hình HRM, chúng tôi tập trung đi vào phân tích những thành phần sau: 73 - Sai số hệ thống, tính biến động của sai số dự báo theo không - thời gian. - Kỹ năng dự báo. - Chất lượng chung/mức chính xác dự báo chung; - Những trường hợp riêng 3.2.1 Phân tích sai số hệ thống Bias 3.2.1.1 Sai số hệ thống theo chỉ tiêu thống kê Sai số dự báo các yếu tố khí tượng của bất kỳ một hệ thống hay mô hình dự báo nào cũng được chia ra làm 2 thành phần là sai số hệ thống và sai số ngẫu nhiên. Cũng giống như các hệ quan trắc khí tượng, sai số hệ thống là sai số về nguyên tắc có thể hiệu chỉnh được, còn sai số ngẫu nhiên là sai số không thể hiệu chỉnh được. Vì vậy việc đánh giá chất lượng dự báo của mô hình trước tiên là phải xem xét sai số hệ thống. Với một phương pháp đánh giá xác định thì sai số hệ thống gây ra bởi các nhân tố đặc trưng của mô hình và chúng lặp đi lặp lại theo thời gian, đồng thời chúng có đặc điểm phân bố theo không gian và thời gian. - Để mở rộng khả năng phân tích sai số, đối với sai số hệ thống chúng tôi tính 3 chỉ tiêu Bias cho 3 loại biến: + Với biến liên tục ta tính sai số trung bình đại số giưa trị số mưa dự báo và trị số quan trắc, ký hiệu là 'BIAS'. Đây là sai số hệ thống đích thực của mô hình. 74 + Với biến rời rạc 10 cấp mưa và 2 cấp ta tính trung bình sai số hệ thống về số trường hợp dự báo so với số trường hợp thực tế, ký hiệu là BE. Nó ám chỉ sự sai khác về số trường hợp dự báo và số trường hợp thực tế, trong đó không tính đến số trường hợp dự báo đúng