Tải bản đầy đủ

NGHIÊN CỨU ỨNG DỤNG MÔ HÌNH ARIMA ĐỂ DỰ BÁO LƯỢNG MƯA VỤ ĐÔNG XUÂN Ở MỘT SỐ TỈNH VÙNG ĐỒNG BẰNG BẮC BỘ

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
---------------------

Nguyễn Hữu Quyền

NGHIÊN CỨU ỨNG DỤNG MÔ HÌNH ARIMA ĐỂ DỰ BÁO
LƢỢNG MƢA VỤ ĐÔNG XUÂN Ở MỘT SỐ TỈNH
VÙNG ĐỒNG BẰNG BẮC BỘ

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – 2013


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
--------------------Nguyễn Hữu Quyền

NGHIÊN CỨU ỨNG DỤNG MÔ HÌNH ARIMA ĐỂ DỰ BÁO
LƢỢNG MƢA VỤ ĐÔNG XUÂN Ở MỘT SỐ TỈNH

VÙNG ĐỒNG BẰNG BẮC BỘ

Chuyên ngành: Khí tƣợng và khí hậu học
Mã số: 60.44.87

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:
PGS. TS. Dương Văn Khảm

Hà Nội – 2013


LỜI CẢM ƠN
Trước tiên học viên xin trân trọng cảm ơn các thầy cô trong Khoa Khí
tượng Thủy văn và Hải dương học đã hướng dẫn và giúp đỡ tận tình học viên
trong suốt thời gian tham gia lớp cao học.
Đặc biệt, học viên xin bày tỏ lòng biết ơn sâu sắc đến PGS. TS. Dương
Văn Khảm, người đã trực tiếp định hướng và hướng dẫn học viên trong suốt
quá trình hoàn thành luận văn. Sự hiểu biết sâu sắc về khoa học cũng như
những kinh nghiệm của thầy là tiền đề để giúp học viên mở rộng kiến thức và
hoàn thành khóa luận tốt nghiệp.
Xin trân trọng cảm ơn Lãnh đạo Viện Khoa học Khí tượng Thủy văn và
Môi trường, các bạn đồng nghiệp trong cơ quan, đã tạo điều kiện về thời gian
và quan tâm động viên tinh thần trong thời gian học viên đi học và hoàn thành
luận văn.
Cuối cùng xin cảm ơn gia đình và bạn bè đã luôn bên tôi, cỗ vũ và động
viên tôi trong suốt quá trình hoàn thành luận văn này.
Hà Nội, ngày 14 tháng 6 năm 2013
Nguyễn Hữu Quyền

ii


MỤC LỤC
MỞ ĐẦU ....................................................................................................................1
Chƣơng 1. TỔNG QUAN .........................................................................................3
1.1. Cơ sở khoa học của dự báo khí hậu mùa ......................................................3
1.2. Các nghiên cứu trên thế giới .........................................................................8
1.3. Các nghiên cứu ở trong nước ......................................................................13

Chƣơng 2. MÔ HÌNH ARIMA VÀ SỐ LIỆU SỬ DỤNG ...................................21
2.1. Giới thiệu cấu trúc của mô hình ARIMA ...................................................21
2.1.1. Mô hình tự hồi quy trung bình trượt ARIMA ...................................22
2.1.2. Mô hình động thái ARIMAX .............................................................23
2.2. Phương pháp áp dụng mô hình ARIMA và ARIMAX đối với bài toán dự
báo mưa mùa ......................................................................................................24
2.2.1. Xác định tính ổn định ngẫu nhiên của chuỗi thời gian ....................25
2.2.2. Nhận dạng cấu trúc của mô hình .....................................................28
2.2.3. Xác định các tham số của mô hình ...................................................32
2.2.4. Kiểm định mô hình ...........................................................................35
2.2.5. Phần mềm thống kê SAS đối với mô hình ARIMA và ARIMAX .......36
2.3. Các nguồn số liệu được sử dụng .................................................................36
2.3.1. Số liệu quan trắc mưa từ các trạm khí tượng ...................................37
2.3.2. Số liệu về các chỉ số khí hậu ............................................................37
2.3.3. Số liệu về số vết đen mặt trời (Sunspot Number) .............................38
2.3.4. Xử lý số liệu ......................................................................................38
Chƣơng 3. KẾT QUẢ VÀ NHẬN XÉT .................................................................41
3.1. Xây dựng mô hình dự báo mưa vụ đông xuân bằng mô hình ARIMA ......41
3.1.1. Xác định tính ổn định của chuỗi lượng mưa vụ Đông xuân.............41
3.1.2. Nhận dạng mô hình ARIMA .............................................................43
3.1.3. Xác định các thông và kiểm định mô hình ARIMA ..........................44
3.2. Xây dựng mô hình dự báo lượng mưa vụ đông xuân bằng mô hình động
thái ARIMAX ....................................................................................................46
3.2.1. Xác định tính ổn định của chuỗi nhân tố dự báo .............................46

iii


3.2.2. Khảo sát mối quan hệ giữa chỉ số lượng mưa và các biến tham ra dự
tuyển ...........................................................................................................49
3.2.3. Nhận dạng cấu trúc của mô hình động thái ARIMAX .....................53
3.2.4. Kiểm định các thông số trong mô hình động thái ARIMAX .............55
3.3. Đánh giá khả năng mô phỏng của các mô hình ARIMA ............................60
KẾT LUẬN ..............................................................................................................67
TÀI LIỆU THAM KHẢO ......................................................................................68

iv


DANH MỤC HÌNH
Hình1.1. Diễn biến về lượng mưa hàng năm và số vết đen mặt trời với các bước
trượt 11 (hình trên), 21 (hình giữa), 33 (hình dưới) ở Beijing, Trung Quốc [40] .......5
Hình 1.2. Biến trình lượng mưa tháng theo quan trắc và theo mô phỏng ...................9
Hình 1.3. Mối quan hệ giữa lượng mưa quan trắc và mô phỏng theo phương pháp
ANN và mô hình ARIMA vùng Hyderabad [35]. ....................................................11
Hình 1.4. Sơ đồ xây dựng mô hình dự báo khí hậu mùa [13] ..................................16
Hình 1.5. Sơ đồ thực hiện dự báo và cảnh báo hạn hán [14] ....................................17
Hình 1.6. Kết quả quan trắc và dự báo Tmin2m theo REG trong 4 mùa .....................18
tại trạm Láng [12]......................................................................................................18
Hình 2.1. Các thành phần trong chuỗi quan trắc khí hậu [10] .................................26
Hình 2.2. Minh họa diễn biến của chuỗi lượng mưa tháng và hàm tự tương quan
đối với trạm Hà Nội trước khí sai phân (A,A‟) và sau khi sai phân (B,B‟) ..............28
Hình 2.3 Một số dạng chính của hàm ACF và PACF tưng ứng với các dạng mô
hình ARIMA khác nhau [20] ....................................................................................30
Hình 2.4. Một số dạng chính của hàm tương quan chéo giữa biến nhập (X) và biến
phụ thuộc (Y) tưng ứng với các dạng mô hình ARIMA khác nhau [20] ..................31
Hình 2.5 [2] Vị trí nhóm nhân tố ENSO ...................................................................37
Hình 2.6. [9] Mật độ phổ của chỉ số SOI và nhiệt độ bề mặt nước biển ..................38
ở các vùng Nino. .......................................................................................................38
Hình 2.7. Sơ đồ khối xây dựng mô hình ARIMA và ARIMAX ...............................40
Hình 3.1. Diễn biến lượng mưa vụ đông xuân tại 9 trạm .........................................42
vùng Đồng bằng Bắc Bộ. ..........................................................................................42
Hình 3.2. Hàm ACF (bên trái) và hàm PACF (bên phải) của chuỗi .........................44
lượng mưa vụ đông xuân trạm Hà Nội .....................................................................44
Hình 3.3. Hàm ACF (bên trái) và hàm PACF (bên phải) của ...................................45
chuỗi sai số trong mô hình ARIMA hanoi (0, 0, [4, 5]) ..............................................45
Hình. 3.4. Hàm tự tương quan của chuỗi nhân tố dự báo thuộc nhóm chỉ số ENSO
...................................................................................................................................48
Hình 3.5. Hàm tự tương quan của chỉ số vết đen Mặt Trời trước khi sai phân ........49
Hình 3.6 . Hàm tự tương quan của chỉ số vết đen Mặt Trời sau khi sai phân...........49
v


Hình 3.7. Diễn biến hàm tương quan chéo giữa chỉ số lượng mưa vụ Đông Xuân
trạm Hà Nội và dị thường nhiệt độ bề mặt nước biển ở các vùng NINO với thời gian
trễ từ 1 đến 120 tháng so với thời gian dự báo..........................................................51
Hình 3.8. Diễn biến hàm tương quan chéo giữa chỉ số lượng mưa vụ Đông Xuân
trạm Hải Dương và dị thường nhiệt độ bề mặt nước biển ở các vùng NINO với thời
gian trễ từ 1 đến 120 tháng so với thời gian dự báo ..................................................51
Hình 3.9. Diễn biến hàm tương quan chéo giữa chỉ số lượng mưa vụ Đông Xuân
trạm Hà Nội và chỉ số SOI, vết đen Mặt Trời với thời gian trễ từ 1 đến 120 tháng so
với thời gian dự báo ..................................................................................................52
Hình 3.10. Diễn biến hàm tương quan chéo giữa chỉ số lượng mưa vụ Đông Xuân
trạm Hải Dương và chỉ số SOI, vết đen Mặt Trời với thời gian trễ từ 1 đến 120
tháng so với thời gian dự báo ....................................................................................52
Hình 3.11. Hàm tự tương quan và tự tương quan riêng phần của chuỗi sai số dự báo
trong mô hình động thái ARIMAX ...........................................................................58
Hình 3.12. Mô phỏng lượng mưa vụ đông xuân theo các mô hình được xây dựng tại
một số trạm vùng đồng bằng Bắc Bộ ........................................................................62
Hình 3.12. Mô phỏng lượng mưa vụ đông xuân theo các mô hình được xây dựng tại
một số trạm vùng đồng bằng Bắc Bộ (tiếp theo) ......................................................63
Hình 3.12. Mô phỏng lượng mưa vụ đông xuân theo các mô hình được xây dựng tại
một số trạm vùng đồng bằng Bắc Bộ (tiếp theo) ......................................................64
Hình 3.13. Kết quả dự báo lượng mưa vụ đông xuân theo các mô hình được xây
dựng tại một số trạm vùng đồng bằng Bắc Bộ ..........................................................65

vi


DANH MỤC BẢNG
Bảng 1.1. Các đặc trưng liên quan đến mô hình ARIMA tại các trạm .....................11
trên lãnh thổ Thái Lan [39]. ......................................................................................11
Bảng 1.2. Kết quả nhận dạng các mô hình ARIMA và mô hình12 động thái ARIMA
[18] ............................................................................................................................12
Bảng 1.3. So sánh sai số quân phương (RMSE) từ các mô hình được tính toán trên
số liệu phụ thuộc (In-sample) và số liệu độc lập (Out-sample)[18] .........................13
Bảng 3.1. Hệ số tự tương quan và giới hạn tin cậy của chuỗi lượng mưa vụ đông
xuân tại 9 trạm vùng Đồng bằng Bắc Bộ ..................................................................43
Bảng 3.2. Các đặc trưng thông số của mô hình ARIMA hanoi (4, 0, [4, 5]) ...............44
Bảng 3.3. Ma trận tương quan giữa các thông số của mô hình ARIMA hanoi (4, 0,
[4, 5]) .........................................................................................................................45
Bảng 3.4. Các đặc trưng thông số của mô hình ARIMA hanoi (0, 0, [4, 5]) ...............45
Bảng 3.5. Ma trận tương quan giữa các thông số của mô hình ARIMAhanoi(0,0,[4,5])
...................................................................................................................................45
Bảng 3.6. Thứ tự các bước trễ theo tháng…………………………………..…….51
Bảng 3.7. Kết quả nhận dạng cấu trúc của mô hình động thái ARIMAX đối với các
trạm vùng đồng bằng Bắc Bộ ....................................................................................54
Bảng 3.8. Các đặc trưng thống kê của các thông số trong mô hình động thái
ARIMAX ...................................................................................................................56
Bảng 3.9. Ma trận tương quan giữa các thông số trong mô hình động thái ARIMAX
...................................................................................................................................57
Bảng 3.10. Các chỉ tiêu đánh giá khả năng mô phỏng của các mô hình đối với chuỗi
phụ thuộc ...................................................................................................................66
Bảng 3.11. Các chỉ tiêu đánh giá khả năng mô phỏng của các mô hình đối với chuỗi
độc lập .......................................................................................................................66

vii


DANH MỤC CÁC KÍ HIỆU VIẾT TẮT
Ký hiệu
AGCM
ACF
ANN
AOGCM
AOL-GCM
ARIMA
ARIMAX
CCF
DMI
ECMWF
ENSO
GCM
MAE
ME
MEI
MOS
MSSS
NCAR
NCEP
NCSS
nnk
NOAA
OGCM
PAFC
RCM
RegCM
RMSE
SAS
SOI
SST
SSTA
VDMT
WMO

Giải nghĩa
Mô hình hoàn lưu chung khí quyển
Hàm tự tương quan (Autocorrelation function)
Phương pháp mạng thần kinh
Mô hình kết hợp (couple) đại dương khí quyển
Mô hình khí quyển - đại dương – đất
Mô hình tự hồi quy trung bình trượt
Mô hình động thái (Dynamic Regression)
Hàm tương quan chéo (Cross correlation function)
Dipole Mode Index
Trung tâm Dự báo Thời tiết hạn vừa châu Âu
Dao động Nam về El Niño/La Nina
Mô hình khí hậu toàn cầu
Sai số trung bình tuyệt đối (Mean Absolute Error)
Sai số trung bình, hay sai số hệ thống (Mean Error)
Multivariate ENSO Index
Thống kê sản phẩm đầu ra mô hình (Model Output Statistics)
Điểm kỹ năng của mô hình (Mean Square Skill Score)
Trung tâm Quốc gia về Nghiên cứu Khí quyển (Hoa Kỳ)
Trung tâm Quốc gia Dự báo Môi trường (Hoa Kỳ)
National Council for the Social Studies
Những người khác
Cơ quan Quản lý Khí quyển và Đại dương (Hoa Kỳ)
Mô hình hoàn lưu chung đại dương
Tự tương quan riềng phần (Part autocorrelation function)
Mô hình khí hậu khu vực
Mô hình khí hậu khu vực của NCAR
Sai số quân phương
Statistical Analysis System
Chỉ số dao động nam (Southern Oscillation Index)
Nhiệt độ mặt nước biển (Sea Surface Temperature)
Chuẩn sai nhiệt độ mặt nước biển (Sea Surface Temperature
Anomalies)
Vết đen Mặt Trời
Tổ chức Khí tượng Thế giới (World Meteorological
Organization)

viii


MỞ ĐẦU
Các thông tin dự báo khí hậu, đặc biệt là dự báo mưa mùa có ý nghĩa lớn đến
các hoạt động phát triển kinh tế xã hội như: kế hoạch sản xuất nông nghiệp, du
lịch, đánh bắt và nuôi trồng thủy sản, quản lý, khai thác có hiệu quả nguồn tài
nguyên nước... Mức độ tin cậy về dự báo mưa mùa thường thấp hơn so với các yếu
tố dự báo khác, nguyên nhân là do sự phân bố theo không gian và sự biến đổi theo
thời gian của lượng mưa phụ thuộc vào nhiều yếu tố khác. Chính vì vậy công tác
nghiên cứu dự báo mưa mùa tuy không còn mới nhưng vẫn đang rất được quan tâm
ở nhiều nước trên thế giới, trong đó có Việt Nam.
Ở vùng đồng bằng Bắc Bộ trong những năm gần đây sản xuất lúa vụ đông
xuân luôn phải đối mặt với tình trạng thiếu nước nghiêm trọng ở giai đoạn đầu vụ,
nhiều khu vực đã phải chuyển đổi diện tích trồng lúa vụ đông xuân sang trồng các
cây hoa màu. Việc dự báo được lượng mưa vụ đông xuân, đặc biệt là tổng lượng
mưa trong khoảng từ tháng 10 năm trước đến tháng 1 năm sau sẽ cho phép tính toán
được tổng lượng nước cần phải tưới đối với các cây trồng cạn trong vụ đông và
lượng nước đổ ải làm đất đối với vụ lúa đông xuân thông qua các mô hình khí tượng
nông nghiệp. Các kết quả này sẽ là cơ sở khoa học trong việc lập kế hoạch tích trữ
nước cho các hồ chứa trong vùng, bố trí hợp lý cây vụ đông và đưa ra quyết định về
thời vụ cơ cấu cây trồng. Đây là bài toán có ý nghĩa rất quan trọng trong công tác
chỉ đạo sản xuất nông nghiệp ở các tỉnh đồng bằng Bắc Bộ mà sự thành công của nó
phụ thuộc rất nhiều vào kết quả dự báo tổng lượng mưa trong giai đoạn này.
Hiện nay ở Việt Nam, các bản tin dự báo hạn mùa đã đáp ứng phần nào nhu
cầu phục vụ phát triển kinh tế xã hội và phòng tránh giảm nhẹ thiên tai, tuy nhiên để

giải quyết bài toán nêu trên, sẽ gặp phải khó khăn về nguồn dữ liệu đầu vào, các kết
quả dự báo mưa còn mang tính định tính, chưa đưa ra định lượng và hơn nữa, thời
hạn dự báo là 3 tháng liên tiếp, chưa thật sự phù hợp với yêu cầu của bài toán nông
nghiệp ở vùng này.
Hiện nay có hai cách tiếp cận để nghiên cứu dự báo mưa mùa vụ là bằng
phương pháp thống kê và phương pháp mô hình động lực. Nhìn chung, phương

1


pháp thống kê truyền thống đã đạt được những kết quả nhất định, nhiều mô hình
thống kê có đóng góp chính trong việc đưa ra bản tin dự báo tổng lượng mưa mùa.
Phương pháp mô hình động lực là hướng nghiên cứu đang rất được quan tâm phát
triển, nó có những ưu điểm vượt trội về khả năng cung cấp sản phẩm dự báo, tuy
nhiên, việc giải mô hình số rất phức tạp và tốn kém, cần phải có công cụ máy tính
cấu hình cao và hơn nữa kết quả dự báo mưa cũng chưa đạt được độ chính xác như
mong muốn.
Mô hình ARIMA là mô hình phân tích chuỗi thời gian, nó không chỉ xem xét
các chu kỳ tự vận động của chuỗi dữ liệu dự báo, các mối tương tác trong quá trình
tự vận động của các nhân tố ảnh hưởng khác mà nó còn đánh giá được các quy luật
sai số trong quá trình mô phỏng để nâng cao độ chính xác của dự báo. Mặc dù mô
hình này đã được áp dụng ở nhiều nước trên thế giới nhưng ở Việt Nam cho đến
nay vẫn còn rất ít các nghiên cứu áp dụng trong dự báo khí hậu mùa.
Xuất phát từ các nhận thức nêu trên và để góp phần đáp ứng nhu cầu thực
tiễn, chúng tôi chọn đề tài luận văn tốt nghiệp là: "Nghiên cứu ứng dụng mô hình
ARIMA để dự báo lƣợng mƣa vụ đông xuân ở một số tỉnh vùng đồng bằng Bắc
Bộ".
Các nôi dung chính của luận văn được trình bày trong 3 chương như sau:
Chương 1: Tổng quan
Chương 2: Mô hình ARIMA và số liệu sử dụng
Chương 3: Kết quả và thảo luận

2


Chƣơng 1
TỔNG QUAN
Trong chương này, sẽ trình bày cơ sở khoa học của dự báo khí hậu mùa và
tóm lược các công trình nghiên cứu tiêu biểu nhằm rút ra được những thông tin cần
khai thác, ứng dụng hoặc cải tiến trong việc thực hiện các nội dung của đề tài.
1.1. Cơ sở khoa học của dự báo khí hậu mùa
Trải qua hàng nghìn năm con người đã có kinh nghiệm tìm cánh thích ứng
với quy luật diễn biến khí hậu, biểu hiện rõ rệt nhất là sự hình thành mùa, vụ trong
nông nghiệp. Tuy nhiên trong thực tế sự dao động mang tính quy luật của các hiện
tượng thời tiết khí hậu diễn ra không ổn định, tính bất thường của nó sẽ ảnh hưởng
đến các hoạt động kinh tế - xã hội, trong đó có sản xuất nông nghiệp. Vì vậy nếu dự
báo được mức độ biến động của các yếu tố khí hậu, đặc biệt là yếu tố lượng mưa
trong từng mùa, vụ sẽ cho phép thực hiện công tác chỉ đạo sản xuất hợp lý, tiết kiệm
được nguồn nước, giảm chi phí trong sản xuất, nâng cao năng suất cây trồng… Đó
chính là một trong những yêu cầu đối với các nhà nghiên cứu dự báo khí hậu.
Trong khí tượng, công tác dự báo nghiệp vụ thường được chia thành 2 loại:
dự báo thời tiết và dự báo khí hậu. Dự báo thời tiết là dự báo trước trạng thái của
khí quyển tại một địa điểm và thời điểm cụ thể (thời điểm có thể là từng giờ, từng
ngày). Dự báo khí hậu là dự báo các đặc trưng về điều kiện khí quyển trong từng
khoảng thời gian dài như: tháng, mùa, vụ, năm, thập kỷ, thế kỷ, trong đó, được quan
tâm nhiều nhất là dự báo hạn mùa (tháng, mùa, vụ). Dự báo khí hậu hạn mùa khác
với dự báo thời tiết không chỉ ở phạm vi thời gian, mục đích mà còn khác cả sản
phẩm, cách tiếp cận và phương pháp. Nhiều thông tin mà nghiên cứu dự báo thời
tiết có thể bỏ qua, nhưng nghiên cứu dự báo mùa lại cần phải tính toán rất thận
trọng [36].
Do tính tương tác không tuyến tính của các hình thế thời tiết ở quy mô synop
nên dự báo thời tiết chỉ có thể dự báo trước được một số ngày. Theo WMO quy
định các dự báo khí tượng có hạn dự báo nhỏ hơn hoặc bằng 10 ngày được xem là
dự báo thời tiết (thời đoạn 10 ngày là cận trên của chu kỳ Synop) và hạn dự báo
trong khoảng tháng, mùa, vụ được xem là dự báo mùa [41].

3


Sản phẩm của dự báo thời tiết bao gồm nhiều yếu tố khí tượng với các mức
định lượng khác nhau, nhưng sản phẩm của dự báo hạn mùa thường là mức độ dao
động xung quanh giá trị trung bình nhiều năm của một số yếu tố khí hậu chính như
nhiệt độ và lượng mưa. Ngoài ra các hiện tượng thời tiết đặc biệt như: bão, áp thấp
nhiệt đới, mưa lớn, nắng nóng, rét đậm, rét hại, khô hạn cũng đã được nghiên cứu
trong công tác dự báo mùa để nhằm giảm thiệt hại do thiên tai gây ra đối với phát
triển kinh tế - xã hội của mỗi quốc gia.
Mục tiêu của các mô hình dự báo thời tiết là nắm bắt chính xác trạng thái của
khí quyển trong khoảng thời gian dự báo. Mức độ chính xác của mô hình dự báo
thời tiết thường phụ thuộc vào hạn dự báo, khả năng giải các phương trình biến
động ngắn hạn của các đặc trưng khí quyển và độ chính xác của điều kiện ban đầu
và điều kiện biên. Nhưng đối với các mô hình dự báo hạn mùa, cần phải nắm bắt
được dị thường của khí hậu mùa, đây là một bài toán rất phức tạp mà sự thành công
của dự báo phụ thuộc vào mức độ hiểu biết về mối quan hệ tương tác giữa khí
quyển, lục địa và đại dương [41].
Theo [36], các hoạt động tự nhiên của hệ thống khí hậu làm gia tăng biến
động của khí hậu trên tất cả quy mô thời gian. Một số các quá trình xảy ra trong
khoảng thời gian ngắn như sự phát triển của hệ thống synop trong khí quyển là một
trong những nguyên nhân dẫn đến sai số dự báo mùa. Tuy nhiên, sự thay đổi chậm
của hệ thống khí hậu là nguồn gốc cơ bản cho phép dự báo khí hậu mùa. Nguyên
nhân của sự thay đổi này bao gồm sự thay đổi trong khoảng thời gian dài của đại
dương, hệ thống tương tác đại dương-khí quyển và các thành phần khác như băng
biển, điều kiện bề mặt đất, độ che phủ của tuyết…
El Nino và Dao động Nam (SO) được xem là nhân tố tác động lớn nhất đến
dị thường khí hậu, trong đó có lượng mưa. Walker (1924) đã phát hiện ra dao động
của khí áp quy mô lớn, từ năm này qua năm khác ở 2 phía Đông và Tây của khu
vực xích đạo Thái Bình Dương (Tahiti và Darwin) và được gọi là Dao động Nam.
Hơn 40 năm sau, trong công trình nghiên cứu của Jacob Bjerknes (1969) thừa nhận
có sự quan hệ chặt chẽ giữa Dao động Nam và sự thay đổi về nhiệt độ bề mặt nước
biển trên khu vực Xích Đạo đông Thái Bình Dương. Mối quan hệ này thể hiện sự
tương tác giữa đại dương và khí quyển mà biểu hiện của nó chính là hiện tượng

4


ENSO (El Nino–Southern Oscillation). ENSO được dùng để chỉ cả 2 hai hiện tượng
El Nino, La Nina và có liên quan với Dao động Nam. ENSO là nhân tố ảnh hưởng
lớn nhất đến các dao động khí hậu hàng năm, chính sự kết hợp này là nguồn gốc
chính sinh ra dị thường về nhiệt độ và lượng mưa trên phạm vi toàn cầu [32,33].
Trong những năm gần đây đã có nhiều tác giả sử dụng các phương pháp khác
nhau để tìm quy luật dao động của ENSO cũng như đánh giá ảnh hưởng của nó đến
các yếu tố khí hậu đã làm rõ hơn về sự tương tác giữa khí quyển và đại dương, và
đặc biệt là dự báo hiện tượng ENSO theo quy mô tháng và năm đã hỗ trợ tốt hơn
cho các dự báo hạn mùa ở nhiều nơi trên thế giới [36]
Ngoài ra, nhân tố tác động bên ngoài hệ thống khí hậu như sự thay đổi số vết
đen mặt trời cũng được xem xét đến trong nghiên cứu dự báo khí hậu mùa. (Vết đen
Mặt Trời là các khu vực tối trên bề mặt Mặt Trời. Độ sáng bề mặt của vết đen vào
khoảng 1/4 độ sáng của những vùng xung quanh. Nguyên nhân xuất hiện vết đen là
do nhiệt độ của chúng thấp hơn các vùng xung quanh [42]). Tuy nhiên, tác động của
nhân tố này đến quy mô khí hậu mùa thường là không lớn và có xu hướng hoạt
động trên quy mô thời gian dài, đáng kể nhất là chu kỳ mặt trời 11 năm [40].

Hình1.1. Diễn biến về lượng mưa hàng năm và số vết đen mặt trời với các
bước trượt 11 (hình trên), 21 (hình giữa), 33 (hình dưới) ở Beijing, Trung Quốc
[40]

5


Cho đến nay, có hai cách tiếp cận để dự báo khí hậu mùa là dự báo bằng
phương pháp thống kê thực nghiệm và phương pháp động lực. Mỗi phương pháp
đều tồn tại những điểm mạnh yếu và có xu hướng bổ xung cho nhau, do vậy các
hoạt động dự báo mùa ở nhiều trung tâm thông thường phụ thuộc vào sự tổng hợp
các thông tin được cung cấp bởi các công cụ dự báo thống kê và mô hình động lực
[36].
Phương pháp thống kê thực nghiệm phụ thuộc vào mối quan hệ giữa yếu tố
dự báo với các nhân tố dự báo. Nhân tố dự báo có thể là các quan trắc hiện tại và
quá khứ hoặc các trường tái phân tích khí quyển, đại dương (SST, SOI, MEI ...),
hoặc cũng có thể là các trường dự báo của các mô hình khí hậu toàn cầu (hạ thấp
qui mô thống kê - Statistical Downscaling). Mối quan hệ giữa yếu tố dự báo với các
nhân tố dự báo được xây dựng dựa trên các tập số liệu lịch sử và giả thiết rằng mối
quan hệ đó vẫn duy trì trong tương lai. Các công cụ phân tích thống kê khác nhau
như: phân tích tương quan, hồi quy, xác suất có điều kiện, hàm phân biệt, phân tích
chuỗi thời gian …được sử dụng nhằm nắm bắt được tính chất vật lý và các quá trình
động lực trong hệ thống khí hậu. Ưu điểm của cách tiếp cận này đó là quá trình tính
toán trong các mô hình không cần công hiệu máy tính lớn, đơn giản, dễ áp dụng
trong thực tiễn, kết quả dự báo mang tính khách quan, tuân theo một quy tắc nhất
định. Ban đầu, hướng tiếp cận này không thực sự thành công, nhưng với sự gia
tăng hiểu biết về hiện tượng ENSO và các hình thế thời tiết khác đã giúp cho
phương pháp này đáng tin cậy hơn [ 36]. Tuy nhiên, cách tiếp cận này tồn tại một
số điểm như: chỉ đơn thuần dựa vào mối quan hệ tuyến tính, không biểu diễn
trực tiếp quan hệ vật lý giữa nhân tố dự báo và yếu tố dự báo, các điều kiện khí
hậu chưa từng xảy ra không được xét đến trong quá trình dự báo, và kết quả dự
báo phụ thuộc nhiều vào độ dài chuỗi số liệu.
Phương pháp động lực là hướng nghiên cứu mô phỏng khí hậu bằng mô hình
số. Để biểu diễn các quan hệ vật lý giữa các yếu tố, người ta xây dựng các mô hình
số dựa trên mối tương tác vật lý của sự chuyển động. Phát triển sớm nhất của loại
mô hình này là mô hình hoàn lưu chung khí quyển (AGCM), sau đó, do sự ảnh
hưởng quan trọng của đại dương đối với hệ thống khí hậu nên đã lồng ghép mô hình

6


hoàn lưu chung đại dương (OGCM) với mô hình hoàn lưu chung khí quyển để tạo
thành hệ thống mô hình kết hợp (couple) đại dương khí quyển (AOGCM). Mặt
khác, do nhu cầu sử dụng thông tin dự báo với độ phân giải không gian cao, các nhà
khoa học đã đưa ra các mô hình khí hậu khu vực (RCM), mô hình RCM được xây
dựng theo nguyên tắc RCM được lồng vào một GCM nào đó. Phương pháp lồng
ghép RCM vào AOGCM thường được gọi là hạ thấp qui mô động lực (Dynamical
Downscaling). Hiện nay, các mô hình hoàn lưu chung khí quyển đại dương và các
mô hình khí hậu khu vực là công cụ chủ yếu được sử dụng để xác định sự biến động
khí hậu trong quá khứ và dự báo khí hậu cho tương lai. Nếu kết quả đầu ra của mô
hình có sai số hệ thống, nó sẽ thực hiện thêm quá trình thống kê sản phẩm mô hình
(MOS) để đạt được kết quả đầu ra tốt hơn. Ngoài ra, một số các trung tâm lớn như
Trung tâm dự báo thời tiết hạn vừa châu âu (ECMWF), Cơ quan Quản lý Khí quyển
và Đại dương Hoa Kỳ (NOAA) hiện đang sử dụng các mô hình khí quyển - đại
dương – đất (AOL-GCM) để đưa ra sản phẩm dự báo mùa [30,34].
Ưu điểm chính của mô hình động lực là: mô hình động lực không bị hạn chế
bởi sự không ổn định của khí hậu, có thể nắm bắt được các giá trị cực trị hoặc
những hiện tượng bất thường có thể chưa từng xuất hiện trong khí hậu. Tuy nhiên,
mô hình còn có những nhược điểm sau: việc giải mô hình số rất phức tạp, cần phải
có công cụ máy tính lớn, đầu tư lớn về hệ thống đồng hóa dữ liệu, hơn nữa các mô
hình này cũng có thể chứa đựng nhiều sai số từ các quá trình tương tác với các nhân
tố tác động (forcing) dẫn đến sai số của các mô hình biến đổi mạnh theo vùng, theo
mùa và tùy thuộc từng yếu tố khí tượng [22].
Như đã trình bày ở trên, tác giả đã tổng quan một số các nội dung liên quan
đến cơ sở khoa học đối với dự báo khí hậu mùa, bao gồm: hạn dự báo, sản phẩm dự
báo, các nhân tố chính tác động đến khí hậu mùa và đặc biệt là các cách tiếp cận
để dự báo mùa hiện nay. Tiếp theo, sẽ tổng quan các nghiên cứu tiêu biểu liên quan
đến dự báo mưa mùa (trọng điểm là phương pháp thống kê) trên thế giới và ở Việt
Nam.

7


1.2. Các nghiên cứu trên thế giới
Từ những điểm mạnh, điểm yếu của phương pháp thống kê và phương pháp
mô hình số như đã trình bày ở trên, đã có nhiều quan điểm cho rằng cách giải quyết
tối ưu trong trường hợp này là kết hợp cả hai phương pháp để tận dụng điểm mạnh
và hạn chế yếu điểm của mỗi phương pháp. Chính vì vậy, đã có nhiều nghiên cứu
dự báo mưa mùa theo hướng tiếp cận bằng phương pháp thống kê truyền thống
hoặc kết hợp cả động lực và thống kê nhằm tăng chất lượng dự báo.
Hướng tiếp cận kết hợp cả động lực và thống kê bao gồm: 1) Thống kê sau
mô hình (MOS): Dựa trên mối quan hệ thống kê giữa sản phẩm dự báo mưa
(hindcast) của các mô hình động lực và số liệu quan trắc lượng mưa, xem sản phẩm
dự báo của mô hình động lực như là các nhân tố dự báo. 2) Hạ thấp qui mô thống
kê (Statistical Downscaling): Dựa trên mối quan hệ thống kê giữa số liệu quan trắc
mưa và các trường tái phân tích, coi dự báo của GCM là hoàn hảo và sử dụng chúng
như là nhân tố dự báo để xác định yếu tố dự báo cho tương lai. 3) So sánh sản phẩm
dự báo mưa (hindcast) của cả 2 phương pháp thống kê và động lực để chọn mô hình
phù hợp nhất phục vụ công tác dự báo nghiệp vụ. Chi tiết về các phương pháp này
được trình bày trong các nghiên cứu của Pai và CS. 2006, Lim và CS. 2010,
Rajeevan và CS. 2007, Liew và CS. 2009. Sau đây khái quát một số nghiên cứu
điển hình theo hướng động lực và thống kê.
Năm 2011, trong nghiên cứu dự báo mưa mùa cho khu vực châu Phi, Anne
Rourke đã đánh giá kỹ năng mô phỏng lượng mưa mùa bằng cả 2 phương pháp
động lực và thống kê đối với từng vùng, từng mùa. Trên cơ sở đó đã chọn được mô
hình phù hợp nhất được áp dụng đối với từng mùa và từng khu vực nhỏ trong vùng
nghiên cứu [24].
Indira Kadel năm 2012 đã sử dụng phương pháp Downscaling thống kê để dự
báo mưa mùa cho khu vực Nepal của Ấn Độ, trong đó, nhân tố dự báo được chọn từ
bộ số liệu tái phân tích của NCEP/NCAR về tham số khí quyển đại, dương thời kỳ
1970 – 2010 [23].

8


Hướng tiếp cận theo phương pháp thống kê truyền thống: Đây là hướng
nghiên cứu không mới, nhưng do tính đơn giản, dễ sử dụng, ít tốn kém, kết quả
tương đối ổn định nên cho đến nay các mô hình thống kê vẫn đang được sử dụng
khá phổ biến. Nhiều mô hình thống kê có vai trò chính trong việc dự báo tổng lượng
mưa mùa, đặc biệt là các quốc gia nằm trong vùng nhiệt đới, là nơi sự kiện ENSO
tác động mạnh đến lượng mưa [17]. Phần lớn các mô hình thống kê được xây dựng
trên cơ sở hồi quy tuyến tính giữa các nhân tố dự báo (các chỉ số ENSO) và chỉ số
lượng mưa, khái quát một cách khá toàn diện và đầy đủ được trình bày trong báo
cáo của A. Troccoli và M. Harrison (2008). Ở đây, chỉ tổng quan các nghiên cứu điển
hình liên quan đến mô hình ARIMA.
Năm 2009, P.E. Naill và nnk đã áp dụng mô hình ARIMA để dự báo lượng
mưa tháng cho khu vực Jordan thuộc vùng ven biển Địa Trung Hải. Trong nghiên
cứu này các tác giả đã sử dụng hàm tự tương quan và tự tương quan riêng phần của
chuỗi lượng mưa để xác định các tham số p,d,q trong mô hình ARIMA, từ đó chọn
được mô hình ARIMA (1, 0, 0) (0, 1, 1)12 là mô hình dự báo lượng mưa tháng cho
khu vực nghiên cứu [28]. Cũng theo hướng nghiên cứu này năm 2006, Chookait và
nnk đã áp dụng mô hình ARIMA (0, 1, 1) (0, 1, 1)12 đối với chuỗi sô liệu mưa tháng
từ năm 1996 đến 2005 để dự báo mưa cho vùng Thái Lan [21]. Diễn biến giữa kết
quả mô phỏng và số liệu quan trắc của 2 nghiên cứu này được trình bày trên hình
1.3.

Ở Jordan [28]

Ở Thái Lan [21]

Hình 1.2. Biến trình lượng mưa tháng theo quan trắc và theo mô phỏng

9


Từ hình 1.2 nhận thấy kết quả quan trắc và mô phỏng là khá tương đồng đối
với các tháng có lượng mưa không lớn, tuy nhiên do chỉ xét duy nhất quá trình tự
hồi quy của chuỗi lượng mưa nên mô hình không thể nắm bắt được những dị
thường về lượng mưa, đây là điểm hạn chế lớn nhất trong các nghiên cứu này.
Cũng trong năm 2006, V.K. Somvanshi và nnk đã sử dụng phương pháp
mạng thần kinh nhân tạo (ANN) và mô hình ARIMA để dự báo tổng lượng mưa
hàng năm cho khu vực Ấn Độ phục vụ công tác quản lý tài nguyên nước. Trong
nghiên cứu này, các tác giả đã sử dụng chuỗi tổng lượng mưa hàng năm của vùng
Hyderabad thuộc Ấn Độ có độ dài chuổi là 104 năm (1901 – 2003), trong đó 93
năm đầu được dùng để xây dựng mô hình, 10 năm còn lại được sử dụng để kiểm
định mô hình. Từ kết quả tính toán, các tác giả nhận thấy việc áp dụng phương pháp
ANN và mô hình ARIMA trong dự báo hạn dài ở khu vực Hyderabad là khá phù
hợp và có thể áp dụng để phát triển cho các vùng khác thuộc Ấn Độ. Kết quả mô
phỏng mưa từ phương pháp ANN và từ mô hình ARIMA được thể hiện ở hình 1.3
[35].

ARIMA trên chuỗi phụ thuộc

ARIMA trên chuỗi độc lập

ANN trên chuỗi phụ thuộc

ANN trên chuỗi độc lập

10


Hình 1.3. Mối quan hệ giữa lượng mưa quan trắc và mô phỏng theo phương
pháp ANN và mô hình ARIMA vùng Hyderabad [35].
Liên quan đến dự báo tổng lượng mưa hàng năm, năm 2005, Uruya
Weesakul và nnk đã nghiên cứu áp dụng mô hình ARIMA để dự báo lượng mưa
hàng năm phục vụ công tác lập kế hoạch điều tiết nước trên toàn lãnh thổ Thái Lan.
Các kết quả dự báo trên chuỗi số liệu độc lập (1991-2003) là khá tốt, sai số tương
đối trên toàn quốc dao động từ 7.5% đến 26.9 %, Bảng …[39]
Bảng 1.1. Các đặc trưng liên quan đến mô hình ARIMA tại các trạm
trên lãnh thổ Thái Lan [39].

Ngoài việc xem xét thành thành phần tự hồi quy và trung bình trượt trong mô hình
ARIMA, năm 2009, Bambang và nnk còn xem xét tác động của các chỉ số khí hậu
khác đến lượng mưa tháng trên một số vùng của Indonesia. Mục tiêu của nghiên
cứu này là xác định được mô hình dự báo mưa tốt nhất trong số các mô hình

11


ARIMA, mô hình động thái ARIMA đơn biến và mô hình động thái ARIMA đa
biến. Số liệu sử dụng là tổng lượng mưa tháng thời kỳ 1989 - 2008 được quan trắc
tại các trạm khí tượng và số liệu về chỉ số DMI, SST tại các vùng NINO [18]. Kết
quả nhận dạng mô hình được trình bày trong bảng 1.2.
Bảng 1.2. Kết quả nhận dạng các mô hình ARIMA và mô hình
động thái ARIMA [18]
Mô hình ARIMA

Mô hình động thái ARIMA đơn biến (Single-input Transfer Function)

Mô hình động thái ARIMA đa biến (Multi-input Transfer Function models)

12


Trên cơ sở nhận dạng và xác định các tham số trong các mô hình được trình
bày ở bảng 1.2, các tác giả đã kiểm định các mô hình để chọn ra mô hình tốt nhất,
phù hợp cho mỗi vùng trong khu vực nghiên cứu. Kết quả được trình bày trong
bảng 1.3 [18].
Bảng 1.3. So sánh sai số quân phương (RMSE) từ các mô hình được tính toán trên
số liệu phụ thuộc (In-sample) và số liệu độc lập (Out-sample)[18]

Từ bảng 1.3 nhận thấy khi có sự tham gia của các biến về chỉ số ENSO ở các
vùng NINO vào mô hình động thái ARIMA thì sai số của mô hình đã giảm đáng kể
so với trường hợp chỉ xét riêng thành phần tự hồi quy và trung bình trượt trong mô
hình ARIMA.
1.3. Các nghiên cứu ở trong nƣớc
Ở Việt Nam hiện nay đang sử dụng các mô hình thống kê để dự báo mưa hạn
mùa, các thông tin dự báo được cập nhật hàng tháng trên trang Web của Viện Khoa
học Khí tượng Thủy Văn và Môi trường (http://www.imh.ac.vn) và Trung tâm Khí
tượng

Thủy

văn

Trung

Ương

(http://www.nchmf.gov.vn/web/vi-

VN/70/16/Default.aspx). Bản tin dự báo tập trung vào nhận định về diễn biến của
hiện tượng ENSO, kết quả dự báo là xác suất các pha hụt chuẩn, cận chuẩn, vượt
chuẩn của lượng mưa ở quy mô cấp vùng.
Cho đến nay, thông qua các đề tài, dự án, luận văn khoa học, luận án tiến sỹ,
đã có nhiều công trình nghiên cứu liên quan đến dự báo mùa nói chung và dự báo
mưa nói riêng. Cách tiếp cận để giải quyết bài toán dự báo mùa trong các nghiên

13


cứu này đều dựa theo phương pháp thống kê hoặc phương pháp mô hình số. Có thể
chia các công trình nghiên cứu này thành 4 nhóm như sau:
1) Nhóm công trình nghiên cứu theo phương pháp thống kê truyền thống.
Trong đó, các nhân tố dự báo là số liệu quan trắc hoặc các trường tái phân tích khí
quyển, đại dương. Trong cách tiếp cận này, quan hệ thống kê giữa yếu tố dự báo với
các nhân tố dự báo được xây dựng dựa trên các tập số liệu lịch sử và giả thiết rằng
mối quan hệ đó vẫn duy trì trong tương lai. Trong số các công trình nghiên cứu
thuộc nhóm này là đề án “Nghiên cứu thử nghiệm dự báo khí hậu ở Việt Nam”
được thực hiện bởi nhóm tác giả Nguyễn Duy Chinh, Nguyễn Văn Thắng, Phan
Văn Tân... Trong nghiên cứu này, đối tượng dự báo được xác định là chuẩn sai
nhiệt độ và lượng mưa mùa (3 tháng liên tục) trên 7 vùng khí hậu Việt Nam, nhân tố
dự báo bao gồm: chuẩn sai nhiệt độ bề mặt nước biển (SSTA) của các khu vực
NINO, chỉ số SOI và số liệu về 12 thành phần trực giao đầu tiên của trường số liệu
SST toàn cầu. Về mặt phương pháp các tác giả đã thử nghiệm nhiều phương pháp
phân tích thống kê khác nhau như: phân tích tự tương quan, phân tích hồi quy nhiều
biến, phân tích hồi quy từng bước, phân tích phân biệt, phân tích mạng thần kinh
nhân tạo, phân tích tương quan Canon và từ đó đã chọn được phương pháp hồi quy
nhiều biến để xây dựng quy trình dự báo[1]. Các kết quả trong nghiên cứu này đã và
đang được sử dụng vào công tác nghiệp vụ dự báo khí hậu của Viện Khoa học Khí
tượng Thủy Văn và Môi trường.
Cũng theo hướng tiếp cận này còn có một số công trình nghiên cứu khác
như: Lương Văn Việt, năm 2006, đã dự báo mưa, nhiệt và ẩm cho khu vực Nam Bộ
[16]; Lê Đức Cương, năm 2001, đã thử nghiệm dự báo số lượng xoáy thuận nhiệt
đới hoạt động trên biển Đông và dọc bờ biển Việt Nam [2]; Phan Thị Lê Hằng năm
2008 đã thử nghiệm khả năng dự báo số đợt nắng nóng, rét đậm, rét hại cho các
trạm đại diện trên lãnh thổ Việt Nam [4]. Hầu hết các nghiên cứu này các tác giả
đều đã sử dụng nhân tố dự báo là các chỉ số giám sát ENSO.
2) Nhóm công trình nghiên cứu theo phương pháp mô hình số

14


Việc nghiên cứu sử dụng các mô hình số trị trong dự báo khí hậu mùa ở nước
ta mới bắt đầu được thực hiện từ đầu những năm 2000, đến nay đã có nhiều công
trình nghiên cứu mô phỏng mùa các trường khí hậu bằng các mô hình số trị. Nội
dung của các công trình nghiên cứu này từng bước giải quyết một số vấn đề như:
tìm hiểu về cấu trúc của mô hình; nghiên cứu ảnh hưởng của kích thước, vị trí miền
tính và độ phân giải của mô hình, ảnh hưởng của các điều kiện biên và điều kiện
ban đầu, ảnh hưởng của việc tham số hóa quá trình vật lý ... đến khả năng mô phỏng
khí hậu mùa từ các mô hình khí hậu khu vực, từ đó, đánh giá khả năng ứng dụng
mô hình khí hậu khu vực vào điều kiện Việt Nam. Chi tiết về hướng nghiên cứu này
đã được Phan Văn Tân và CS trình bày trong Báo cáo tổng kết đề tài cấp Đại học
Quốc gia (QG.TĐ.06.05) [11]. Về nhóm các công trình nghiên cứu theo phương
pháp mô hình số ở Việt Nam đã được tổng quan khá chi tiết và đầy đủ trong luận
văn thạc sỹ của Nguyễn Đăng Mậu (2012).
3) Nhóm công trình nghiên cứu theo phương pháp hạ thấp qui mô thống kê
(Statistical Downscaling), đây là hướng nghiên cứu kết hợp của cả 2 phương pháp,
thống kê và mô hình số. Trong đó nhân tố dự báo là các trường dự báo của mô hình
GCM được tổng hợp, phân tích lại và giả thiết rằng dự báo này là hoàn hảo. Một
trong những công trình nghiên cứu đi đầu theo hướng này là đề tài “Nghiên cứu xây
dựng mô hình dự báo khí hậu cho Việt Nam dựa trên kết quả của mô hình động lực
toàn cầu” của Nguyễn Văn Thắng, năm 2006. Trong nghiên cứu này, yếu tố dự báo
là chỉ số mưa, nhiệt độ mùa (12 mùa, mỗi mùa gồm 3 tháng liên tiếp) của 7 vùng
khí hậu Việt Nam) và các yếu tố khác, như số lượng các đợt không khí lạnh, mưa
lớn diện rộng, nắng nóng, xoáy thuận nhiệt đới…, nhân tố dự báo là các trường
chuẩn sai nhiệt độ mặt nước biển (SSTA), khí áp mực biển (SLPA), bức xạ sóng dài
(OLRA), tốc độ gió (U, V) ở các mức độ cao 1000 mb, 850 mb, 700 mb, 500 mb,
200 mb; (theo ô lưới). Các trường này là kết quả của các mô hình toàn cầu đã được
tổng hợp và phân tích lại tại các trung tâm khí hậu như CPC/NCEP, NCAR, IRI
(Mỹ), CPTEC/INPE (Brasil), NCC, BoM (Úc), ECMWF (EC). Trên cơ sở bản đồ

15


hệ số tương quan giữa yếu tố dự báo và giá trị tại mỗi ô lưới của các trường khí hậu
toàn cầu nêu trên, sẽ chọn được các vị trí có tương quan tốt nhất được sử dụng làm
nhân tố dự tuyển trong mô hình hồi quy từng bước để lọc nhân tố. Sơ đồ xây dựng
mô hình dự báo khí hậu mùa được trình bày trong hình 1.4 [13]. Từ kết quả của Đề
tài các tác giả cho rằng phương pháp Downscaling thống kê không chỉ áp dụng tốt
trong dự báo khí hậu mùa mà có thể áp dụng dự báo trong các lĩnh vực khác, nếu
yếu tố dự báo có liên quan mật thiết với các trường khí tượng, khí hậu, ví dụ như xu
thế các dịch bệnh của con người, động vật, năng suất cây trồng, mùa vụ,...

Hình 1.4. Sơ đồ xây dựng mô hình dự báo khí hậu mùa [13]
Cũng theo hướng nghiên cứu này, năm 2008, Nguyễn Văn Thắng và CS đã
thực hiện đề tài “Xây dựng phương án chi tiết thử nghiệm ứng dụng công nghệ dự

16


Tài liệu bạn tìm kiếm đã sẵn sàng tải về

Tải bản đầy đủ ngay

×