Tải bản đầy đủ

THỬ NGHIỆM DỰ BÁO HẠN MÙA MỘT SỐ YẾU TỐ VÀ HIỆN TƯỢNG CỰC ĐOAN Ở VIỆT NAM BẰNG MÔ HÌNH CLWRF

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

Nguyễn Thị Hạnh

THỬ NGHIỆM DỰ BÁO HẠN MÙA MỘT SỐ YẾU TỐ VÀ HIỆN
TƯỢNG CỰC ĐOAN Ở VIỆT NAM BẰNG MÔ HÌNH CLWRF

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội - 2013

1


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

Nguyễn Thị Hạnh


THỬ NGHIỆM DỰ BÁO HẠN MÙA MỘT SỐ YẾU TỐ VÀ HIỆN
TƯỢNG CỰC ĐOAN Ở VIỆT NAM BẰNG MÔ HÌNH CLWRF

Chuyên ngành: Khí tượng và khí hậu học
Mã số: 60440222

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:

GS.TS. Phan Văn Tân

Hà Nội - 2013

2


Mục lục
DANH MỤC HÌNH ....................................................................................................4
DANH MỤC BẢNG ...................................................................................................8
DANH MỤC VIẾT TẮT ............................................................................................9
Mở đầu ......................................................................................................................11
Chương 1. TỔNG QUAN .........................................................................................12
1.1.

Sơ lược về dự báo mùa. ...............................................................................12

1.2.

Một số công trình nghiên cứu mô phỏng và dự báo mùa. ...........................13

1.3.

Về các yếu tố và hiện tượng khí hậu cực đoan ............................................18

Chương 2-SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU ....................................24
2.1.

Mô hình và thí nghiệm.................................................................................24


2.1.1.

Sơ lược về mô hình................................................................................24

2.1.2.

Thiết kế thí nghiệm ................................................................................24

2.2.

Số liệu và phương pháp xử lý số liệu ..........................................................28

2.3.

Hạn dự báo ...................................................................................................31

2.4.

Đánh giá dự báo ...........................................................................................33

Chương 3. KẾT QUẢ VÀ NHẬN XÉT ...................................................................35
3.1.

Dự báo các trường trung bình tháng. ...........................................................35

3.1.1.

Nhiệt độ trung bình tháng mực 2m. ......................................................35

3.1.2. Nhiệt độ trung bình cực tiểu tháng ...........................................................42
3.1.3. Nhiệt độ cực đại trung bình tháng............................................................51
3.1.4. Lượng mưa tháng .....................................................................................60
3.2.

Đánh giá khả năng dự báo một số hiện tượng cực đoan .............................69

Kết luận .....................................................................................................................94
TÀI LIỆU THAM KHẢO .........................................................................................96

3


DANH MỤC HÌNH

Hình 1.1. Sự khác nhau giữa: hình trên - nhiệt độ không khí 2m (0C), hình dưới –
bức xạ sóng ngắn đi ra khỏi đỉnh khí quyển (Wm-2). Bên trái là mùa hè (JJA), bên
phải là mùa đông (DJF). ............................................................................................14
Hình 1.2. Sự tăng nhiệt độ trung bình dẫn đến tăng nhiệt độ cực đoan. Nguồn: US
Climate Change Science Program / Southwest Climate Change Network ...............18
Hình 2.1. Miền tính ...................................................................................................25
Hình 2.2. Sơ đồ thể hiện phương pháp xử lý số liệu .................................................28
Hình 2.3. Quy trình thực hiện dự báo .......................................................................32
Hình 3.1. Nhiệt độ trung bình tháng mực 2m của các tháng được dự báo với hạn dự
báo từ 1 đến 6 tháng trước hiệu chỉnh , sau hiệu chỉnh và quan trắc. .......................36
Hình 3.2. Sai số ME, MAE, RMSE của T2m cho 17 tháng được dự báo ứng với
trường hợp hiệu chỉnh và không hiệu chỉnh ứng với hạn dự báo từ 1 đến 6 tháng. .38
Hình 3.3. Nhiệt độ Tm cho 17 tháng ứng với các hạn dự báo trên toàn quốc ứng với
trường hợp dự báo chưa hiệu chỉnh, hiệu chỉnh và quan trắc. ..................................42
Hình 3.4. Sai số ME, MAE, RMSE của Tm ứng với trường hợp dự báo chưa hiệu
chỉnh, hiệu chỉnh. ......................................................................................................44
Hình 3.5. Sai số ME, MAE, RMSE của Tm trên khu vực B3 cho 17 tháng được dự
báo ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh. ..............................................45
Hình 3.6. Sai số ME, MAE, RMSE của Tm trên khu vực B4 cho 17 tháng được dự
báo ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh. ..............................................46
Hình 3.7. Sai số ME, MAE, RMSE của Tm trên khu vực N3 cho 17 tháng được dự
báo ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh. ..............................................47
Hình 3.8. Nhiệt độ Tx cho 17 tháng được dự báo ứng với các hạn dự báo trên toàn
quốc ứng với trường hợp dự báo chưa hiệu chỉnh, hiệu chỉnh và quan trắc. ............51
Hình 3.9. Sai số ME, MAE, RMSE của Tm ứng với trường hợp chưa hiệu chỉnh,
hiệu chỉnh. .................................................................................................................52
Hình 3.10. Sai số ME, MAE, RMSE của Tx trên khu vực B3 cho 17 tháng được dự
báo ứng với trường hợp chưa hiệu chỉnh và hiệu chỉnh............................................54
Hình 3.11. Sai số ME, MAE, RMSE của Tx trên khu vực N3 cho 17 tháng được dự
báo ứng với trường hợp chưa hiệu chỉnh và hiệu chỉnh............................................55

4


Hình 3.12. Sai số ME, MAE, RMSE của Tx trên khu vực N3 cho 17 tháng được dự
báo ứng với trường hợp chưa hiệu chỉnh và hiệu chỉnh............................................56
Hình 3.13. Tổng lượng mưa hàng tháng của 17 tháng được dự báo cho hạn dự báo 1
đến 6 tháng ứng với trường hợp chưa hiệu chỉnh, hiệu chỉnh và quan trắc. .............60
Hình 3.14. Sai số ME, MAE, RMSE của mưa ứng với trường hợp chưa hiệu chỉnh,
hiệu chỉnh. .................................................................................................................61
Hình 3.15. Sai số ME, MAE, RMSE của mưa ứng với trường hợp chưa hiệu chỉnh,
hiệu chỉnh trên khu vực B3. ......................................................................................63
Hình 3.16. Sai số ME, MAE, RMSE của mưa ứng với trường hợp chưa hiệu chỉnh,
hiệu chỉnh rên khu vực B4. .......................................................................................64
Hình 3. 17. Sai số ME, MAE, RMSE của mưa ứng với trường hợp chưa hiệu chỉnh,
hiệu chỉnh trên khu vực N3. ......................................................................................65
Hình 3.18. Sai số trung bình ME của tổng số ngày ba tháng mùa hè 2012 có Tm <
TN10 tại 4 thời điểm dự báo .....................................................................................69
Hình 3.19. Sai số MAE của tổng số ngày ba tháng mùa hè 2012 có Tm < TN10 tại 4
thời điểm dự báo khác nhau ......................................................................................71
Hình 3.20. Sai số ME của tổng số ngày ba tháng mùa hè 2012 có Tx > TX90 tại 4
thời điểm dự báo........................................................................................................72
Hình 3.21. Sai số MAE của tổng số ngày ba tháng mùa hè 2012 có Tx > TX90 tại 4
thời điểm dự báo khác nhau ......................................................................................73
Hình 3.22. Sai số ME của tổng số ngày ba tháng mùa hè 2012 có R> R95 tại 4 thời
điểm dự báo ...............................................................................................................74
Hình 3.23. Sai số MAE của tổng số ngày ba tháng mùa hè 2012 có R > R95 tại 4
thời điểm dự báo........................................................................................................75
Hình 3.24. Sai số ME của tổng số ngày ba tháng mùa hè 2012 có R > R99 tại 4 thời
điểm dự báo ...............................................................................................................76
Hình 3.25. Sai số MAE của tổng số ngày ba tháng mùa hè 2012 có R > R99 tại 4
thời điểm dự báo........................................................................................................77
Hình 3.26. Sai số ME của tổng số ngày ba tháng mùa đông 2012 có Tmthời điểm dự báo........................................................................................................78
Hình 3.27. Sai số MAE của tổng số ngày ba tháng mùa đông 2012 có Tm4 thời điểm dự báo.....................................................................................................79

5


Hình 3.28. Sai số ME của tổng số ngày ba tháng mùa đông 2012 có Tm > TN90 tại
4 thời điểm dự báo.....................................................................................................80
Hình 3.29. Sai số MAE của tổng số ngày ba tháng mùa đông 2012 có Tm > TN90
tại 4 thời điểm dự báo ...............................................................................................81
Hình 3.30. Sai số ME của tổng số ngày ba tháng mùa đông 2012 có Txthời điểm dự báo........................................................................................................82
Hình 3.31. Sai số MAE của tổng số ngày ba tháng mùa đông 2012 có Tx< TX10 tại
4 thời điểm dự báo.....................................................................................................83
Hình 3.32. Sai số ME của tổng số ngày ba tháng mùa đông 2012 có Tx>TX90 tại 4
thời điểm dự báo........................................................................................................84
Hình 3.33. Sai số MAE của tổng số ngày ba tháng mùa đông 2012 có Tx>TX90 tại
4 thời điểm dự báo.....................................................................................................85
Hình 3.34. Sai số ME của tổng số ngày 6 tháng có Tm < TN10 ứng với 12 tháng
đứng dự báo. ..............................................................................................................86
Hình 3.35. Sai số MAE của tổng số ngày 6 tháng có Tm < TN10 ứng với 12 tháng
đứng dự báo. ..............................................................................................................86
Hình 3.36. Sai số ME của tổng số ngày 6 tháng có Tm > TN90 ứng với 12 tháng
đứng dự báo. ..............................................................................................................87
Hình 3.37. Sai số MAE của tổng số ngày 6 tháng có Tm > TN90 ứng với 12 tháng
đứng dự báo. ..............................................................................................................87
Hình 3.38. Sai số ME của tổng số ngày 6 tháng có Tx < TX10 ứng với 12 tháng
đứng dự báo. ..............................................................................................................88
Hình 3.39. Sai số MAE của tổng số ngày 6 tháng có Tx < TX10 ứng với 12 tháng
đứng dự báo. ..............................................................................................................89
Hình 3.40. Sai số ME của tổng số ngày 6 tháng có Tx > TX90 ứng với 12 tháng
đứng dự báo. ..............................................................................................................89
Hình 3.41. Sai số MAE của tổng số ngày 6 tháng có Tx > TX90 ứng với 12 tháng
đứng dự báo. ..............................................................................................................90
Hình 3.42. Sai số ME tổng số ngày 6 tháng có R > R95 ứng với 12 tháng đứng dự
báo. ............................................................................................................................90
Hình 3.43. Sai số MAE của tổng số ngày 6 tháng có R > R95 ứng với 12 tháng
đứng dự báo. ..............................................................................................................91

6


Hình 3.44. Sai số ME của tổng số ngày 6 tháng có R > R99 ứng với 12 tháng đứng
dự báo. .......................................................................................................................92
Hình 3.45. Sai số MAE của tổng số ngày 6 tháng có R > R99 ứng với 12 tháng
đứng dự báo. ..............................................................................................................92

7


DANH MỤC BẢNG
Bảng 1.1. Sự thay đổi nhiệt độ và albedo trong đô thị ..............................................15
Bảng 2.1. Các trường hợp chạy dự báo .....................................................................26
Bảng 2.2. Danh sách 77 trạm sử dụng trong luận văn ..............................................29
Bảng 3.1. Bảng giá trị nhiệt độ trung bình bề mặt ....................................................40
Bảng 3.2 Sai số MAE của nhiệt độ trung bình tháng mực 2m (T2m) cho các tháng
được dự báo với hạn dự báo 1 đến 6 tháng ...............................................................41
Bảng 3.3. Bảng giá trị nhiệt độ cực tiểu trung bình tháng ........................................49
Bảng 3.4. Sai số MAE của nhiệt độ cực tiểu trung bình tháng (Tm) cho các tháng
được dự báo với hạn dự báo 1 đến 6 tháng ...............................................................50
Bảng 3.5. Bảng giá trị nhiệt độ cực đại trung bình tháng .........................................58
Bảng 3.6. Sai số MAE của nhiệt độ cực đại trung bình tháng (Tx) cho các tháng
được dự báo với hạn dự báo 1 đến 6 tháng ...............................................................59
Bảng 3.7. Bảng giá trị lượng mưa tháng ...................................................................67
Bảng 3.8. Sai số MAE của lượng mưa tháng (R) cho các tháng được dự báo với
hạn dự báo 1 đến 6 tháng ..........................................................................................68

8


DANH MỤC VIẾT TẮT
AGCM
AMIP
AOGCM
B1
B2
B3
B4
CCSM
CS
CFS
CFSR
clWRF
CRU
ECE
ECHAM
F(x)
f(x)
Fi
GCM
HadAM3
KHCĐ
L
MAE
ME
N1
N2
N3
Oi
PCM
p
q
R
RCM

Mô hình hoàn lưu chung khí quyển (Atmospheric General
Circulation Model)
Atmospheric Model Intercomparison Project
Mô hình hoàn lưu chung khí quyển-đại dương (AtmosphereOcean General Circulation Model)
Tây Bắc
Đông Bắc
Đồng bằng Bắc bộ
Bắc Trung bộ
Community Climate System Model
Cộng sự
Climate Forecast System
Climate Forecast System Reanalysis
Climate WRF model
Climatic Research Unit
Extreme Climate Events
Mô hình khí hậu toàn cầu (ECMWF – Hamburg)
Hàm phân bố
Hàm mật độ xác suất
Giá trị mô hình
Mô hình khí hậu toàn cầu
Hadley Centre Atmospheric Model version 3
Khí hậu cực đoan
Hạn dự báo
Sai số tuyệt đối trung bình
Sai số trung bình
Nam Trung bộ
Tây Nguyên
Nam bộ
Giá trị quan trắc
Parallel Climate Model
Xác suất
Phân vị
Tổng lượng mưa tháng
Regional Climate Model

9


RCP
RegCM
RMSE
R95
R99
SRES
TBCHC, TBKHC
TBHC
TBQT
Tm
TN10
TN90
Tx
TX10
TX90
T2m
X
x
WRF

The Representative Concentration Pathways
Regional Climate Model
Root Mean Square Error
Số ngày mưa lớn hơn phân vị 95%
Số ngày mưa lớn hơn phân vị 99%
The Special Report on Emissions Scenarios
Trung bình chưa hiệu chỉnh
Trung bình hiệu chỉnh
Trung bình quan trắc
Nhiệt độ cực tiểu trung bình tháng
Số ngày có nhiệt độ cực tiểu nhỏ hơn phân vị 10%
Số ngày có nhiệt độ cực tiểu lớn hơn phân vị 90%
Nhiệt độ cực đại trung bình tháng
Số ngày có nhiệt độ cực đại nhỏ hơn phân vị 10%
Số ngày có nhiệt độ cực đại lớn hơn phân vị 90%
Nhiệt độ trung bình bề mặt mực 2m
Biến khí hậu cực trị
Tập giá trị của X
Weather Research and Forecasting

10


Mở đầu
Bài toán dự báo mùa (hay dự báo hạn mùa) cho đến bây giờ vẫn là một trong
những vấn đề cấp thiết đặt ra với Việt Nam. Việc dự báo sớm các yếu tố khí hậu
như nhiệt độ, lượng mưa cùng với các hiện tượng cực đoan được chú trọng trong
nhiều năm trở lại đây. Sự biến động bất thường của mưa, nhiệt độ cũng như các
hiện tượng cực đoan đang có xu hướng ngày càng phức tạp hơn. Việc dự báo được
sớm các yếu tố và hiện tượng này thực sự là vấn đề cấp thiết để cung cấp thông tin
phục vụ phòng tránh thiên tai, hạn chế những thiệt hại về người và của. Trong
nhiều năm qua, bài toán dự báo mùa không còn mới và quá khó khăn với các nước
có nền khoa học tiên tiến trên thế giới. Nhưng ở Việt Nam, mặc dù cũng đã được
quan tâm từ sớm nhưng những nghiên cứu vẫn còn nhiều hạn chế.
Ngày nay, cùng với các công trình nghiên cứu của các nhà khoa học đi trước
còn có sự hỗ trợ mạnh mẽ của công nghệ tính toán hiện đại, các mô hình dự báo số
trị ngày càng được cải tiến và sử dụng rộng rãi trong các nghiên cứu khí hậu. Nên,
việc nghiên cứu bài toán dự báo mùa cho các yếu tố thời tiết cũng hiện tượng khí
hậu cực đoan không còn bị hạn chế nhiều về mặt không gian và thời gian. Nó có thể
chi tiết hóa cho từng khu vực, tạo điều kiện thuận lợi cho những nghiên cứu sâu
hơn, mang tính ứng dụng cao hơn.
Nhằm góp phần vào việc xây dựng, phát triển bài toán dự báo mùa ở Việt
Nam, đề tài luận văn được chọn là: “Thử nghiệm dự báo hạn mùa một số yếu tố
và hiện tượng cực đoan ở Việt Nam bằng mô hình ClWRF”,
Bố cục của Luận văn gồm 3 chương:
Chương 1. Tổng quan: Chương này trình bày sơ lược về dự báo mùa; các công
trình nghiên cứu mô phỏng, dự báo mùa, các yếu tố và hiện tượng khí hậu cực đoan.
Chương 2. Số liệu và phương pháp nghiên cứu: Chương này giới thiệu tổng quan
về mô hình, số liệu, phương pháp xử lí số liệu và phương pháp đánh giá.
Chương 3. Kết quả và nhận xét: Chương này trình bày kết quả dự báo hạn mùa
một số trường trung bình tháng và một số chỉ số khí hậu cực đoan.

11


Chương 1. TỔNG QUAN
1.1.

Sơ lược về dự báo mùa.

Hiện nay, bài toán dự báo thời tiết và dự báo mùa là hai bài toán được quan
tâm nhiều trong nghiệp vụ dự báo. Đối với dự báo thời tiết, thông thường hạn dự
báo khoảng 3–5 ngày và tối đa khoảng 5–10 ngày. Dự báo thời tiết cần phải chỉ ra
được trạng thái của khí quyển tại một địa điểm cụ thể, vào những thời điểm cụ thể
(từng ngày, thậm chí từng giờ) trong thời hạn dự báo. Khác với dự báo thời tiết, dự
báo mùa không chỉ ra trạng thái khí quyển vào những thời điểm cụ thể đến từng
ngày, thay vào đó là thông tin chung về điều kiện khí quyển trong từng khoảng thời
gian nhất định (chẳng hạn từng tháng, từng mùa – ba tháng, sáu tháng) trong thời
hạn dự báo. Nó có thể giúp chỉ ra những xu thế tiến triển của các hiện tượng thời
tiết, các yếu tố khí hậu từ quá khứ cho tới tương lai. Dự báo mùa, hay dự báo hạn
mùa, hay dự báo khí hậu hạn mùa có hạn dự báo đến tối đa (hiện nay) là một năm
[30].
Có hai cách tiếp cận dự báo hạn mùa là dự báo bằng phương pháp thống kê
và phương pháp mô hình động lực. Phương pháp thống kê là phương pháp đơn giản
nhất để dự báo dị thường các yếu tố so với khí hậu trung bình, quy mô tháng hay
mùa, sử dụng các nguyên tắc (bằng thống kê) liên kết các hình thế trong tương lai
với đặc tính khí hậu hiện tại. Điểm mạnh của phương pháp này là tương đối dễ áp
dụng bởi vì hầu như phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên máy tính
khiêm tốn. Tuy nhiên, phương pháp đơn giản này vẫn tồn tại nhiều hạn chế. Các mô
hình thống kê chỉ sử dụng đơn thuần chuỗi số liệu trong quá khứ, dự báo các mối
liên hệ phức tạp mà không có các mối liên hệ cụ thể nào với các quá trình vật lý
cũng như động lực học nằm ẩn bên trong. Điều này có nghĩa là phương pháp hiệu
quả khi sự phát triển quy mô lớn là rõ rệt và theo một hướng nhưng rất khó để
lường trước những sự chuyển pha, ví dụ như từ nóng sang lạnh và ngược lại. Và
cuối cùng, phương pháp thường không nắm bắt được những yếu tố đột biến.
Phương pháp động lực nhìn chung chỉ mới bắt đầu từ khoảng 30 năm trở lại đây đối
với bài toán dự báo mùa. Phương pháp này sử dụng các mô hình hoàn lưu chung khí
quyển. Sự phát triển đáng kể hiện tại đã tạo ra một hệ thống tương tác đầy đủ trong

12


đó thành phần đại dương, khí quyển và mặt đất của mô hình tương tác liên tục với
nhau để cho ra các bản tin dự báo đến vài tháng.
Trong bối cảnh biến đổi khí hậu đang diễn ra nhanh chóng những thập niên
gần đây, cùng với những hậu quả đáng báo động mà nó đã gây ra như trận động đất
kinh hoàng tại Nhật Bản năm 2011, nắng nóng nghiêm trọng tại châu Âu, và gần
đây là cơn bão Haiyan (11/2013) đã gây ra hậu quả vô cùng to lớn với đất nước
Philippines…Bài toán dự báo mùa các yếu tố và hiện tượng cực đoan, dự báo bão
càng trở nên cấp thiết. Tại các nước phát triển, sự cải tiến không ngừng trong lĩnh
vực dự báo thời tiết cũng như nghiên cứu khí hậu quá khứ và tương lai trong nhiều
năm trở lại đây, đã làm bài toán dự báo mùa các yếu tố và hiện tượng khá tốt và
giảm thiểu đáng kể thiệt hại.
1.2.

Một số công trình nghiên cứu mô phỏng và dự báo mùa.
Hiện nay, có nhiều mô hình khu vực (RCM) ngoài việc thực hiện bài toán dự

báo thời tiết, còn được cải tiến và nâng cấp để có thể phục vụ vào bài toán nghiên
cứu, mô phỏng, dự tính khí hậu. Zongxin Zhang và CS (2009) [35] đã sử dụng 2 mô
hình WRF và HadRM để tiến hành nghiên cứu tái tạo nhiệt độ cực đại, cực tiểu và
lượng mưa ngày bằng số liệu tái phân tích R-2 sau đó so sánh với các số liệu quan
trắc được trên toàn bộ các trạm Hoa Kỳ thuộc Tây Bắc Thái Bình Dương cho thời kì
2003-3007. Kết quả chỉ ra sai số cực đại Tx vào mùa xuân và mùa hè thấp hơn vào
mùa thu và mùa đông so với quan trắc. Với nhiệt độ cực tiểu cho kết quả gần với
quan trắc hơn. Tương quan thời gian giữa tái tạo với quan trắc của lượng mưa ngày
thấp ở cả 2 mô hình. Tuy nhiên, dự báo cho tương quan lại tăng với chuỗi thời gian
dài hơn. Dev Millstein và Surabi Menon (2011) [13], sử dụng mô hình WRF để
khảo sát phản hồi giữa sự thay đổi albedo bề mặt, nhiệt độ, lượng mưa và độ phủ
mây trung bình. Kết quả cho thấy, với sự chấp nhận đỉnh mây và chân mây lạnh,
với miền tính rộng, lượng bức xạ đi ra trung bình hàng năm tăng 0.16 ±0.03 Wm-2
(hình 1.1) và nhiệt độ lúc buồi chiều mùa hè ở các đô thị giảm 0.11 -0.530 (bảng
1.1).

13


Hình 1.1. Sự khác nhau giữa: hình trên - nhiệt độ không khí 2m (0C), hình dưới – bức xạ
sóng ngắn đi ra khỏi đỉnh khí quyển (Wm-2). Bên trái là mùa hè (JJA), bên phải là mùa
đông (DJF).

14


Bảng 1.1. Sự thay đổi nhiệt độ và albedo trong đô thị
a

Location
% Urban
Columbus, OH
20%
San Antonio, TX
27%
San Diego, CA
28%
Jacksonville, FL
28%
San Jose, CA
29%
Dallas, TX
42%
Phoenix, AZ
47%
Miami, FL
54%
Chicago, IL
61%
Atlanta, GA
70%
Philadelphia, PA
75%
Houston, TX
86%
New York, NY
91%
Detroit, MI
95%
Los Angeles, CA
96%

Δ Temperature
Δ Albedo Summer (JJA) Winter (DJF)
0.02
– 0.02b
– 0.05
0.03
– 0.08b
– 0.10
0.03
– 0.13
– 0.11
b
0.03
+ 0.01
– 0.06
0.03
– 0.23
– 0.10
0.05
– 0.09b
– 0.08b
0.05
– 0.16
– 0.19
0.06
– 0.11
– 0.12
0.07
– 0.27
– 0.12
0.08
– 0.12
– 0.21
0.09
– 0.22
– 0.22
0.10
– 0.19
– 0.24
0.10
– 0.30
– 0.24
0.11
– 0.39
– 0.12
0.11
– 0.53
– 0.41

a

phần trăm vùng đất được coi giống như đô thị
nhiệt độ thay đổi không đáng kể so với 0
James M. Done và CS [20] sử dụng mô hình WRF để tái tạo khí hậu khu
b

vực, kết quả cho thấy rằng các vùng châu thổ lớn, dãy Rocky và khu vực tây Bắc
Thái Bình Dương có sự tăng nhẹ nhiệt độ còn các vùng sa mạc phía tây nam, thung
lũng Sacramento và San Joaquin ở Califonia có sự giảm nhẹ nhiệt độ bề mặt. Năm
2006, Wei Gao và CS [34] cũng đã mở rộng mô hình WRF dự báo thời tiết cho khí
hậu.
Năm 2011, Chakrit và CS [10] đã sử dụng mô hình WRF để xem xét sự thay
đổi của nhiệt độ và lượng mưa thời kì 1990-1999 tới 2045-2054 trên toàn bộ khu
vực Đông Nam Á. Xét trên cả miền tính, nhiệt độ được mô phỏng khá tốt với “cold
bias” sai số thiên âm cho nhiệt độ cực đại và “warm bias” thiên dương cho nhiệt độ
cực tiểu. Lượng mưa trung bình tăng và được mô phỏng tốt hơn vào mùa khô. Xét
trên quy mô địa phương và theo mùa, nhiệt độ dao động từ 0.1 đến 30C, ban ngày
dao động ít hơn ban đêm. Mùa khô lượng mưa giảm.
Năm 2012, Chakrit và CS [9] tiếp tục tiến hành sử dụng 8 sơ đồ tham số hóa
đối lưu với mô hình WRF lồng hai lưới 60km và 20km, để ước lượng lượng mưa
gió mùa trên khu vực Thái Lan với miền lưới là khu vực Đông Nam Á cho năm

15


2005. Đầu vào là số liệu tái phân tích của NCEP/NCAR. Kết quả cho thấy, sơ đồ
Best-Miller-Janjic cho sai số nhỏ nhất, phân bố mưa tốt nhất trên cả lưới tính và
từng khu vực địa phương. Các tác giả cũng thấy sự phù hợp của việc sử dụng mô
hình WRF để mô phỏng khí hậu khu vực.
Janime và Zaitao đã chỉ ra khả năng dự báo các dị thường cực trị trên quy mô
trung bình mùa tại Hoa Kỳ [21]. Tác giả đã chọn đợt lạnh dị thường vào tháng
7/2009 và đợt ẩm ướt nhất xảy ra vào tháng 10/2009 tại vùng trung tâm và phía
đông nước Mĩ để nghiên cứu. Kết quả cho thấy, WRF có thể dự báo “patterns” dị
thường nhiệt độ khá chính xác cả về vị trí và quy mô vùng dị thường. Tuy nhiên,
giá trị dự báo đưa ra lại thiên thấp so với quan trắc, chênh lệch khoảng 3-60C cho dự
báo tháng 7/2009. Trên dãy núi Rocky và khu vực phía Tây Bắc, Đông Bắc Mĩ, mô
hình cho kết quả thấp hơn rất nhiều so với quan trắc thực tế. Với mưa, dự báo cho
mưa là bài toán khó hơn nhiệt độ trên quy mô mùa. Mô hình có khả năng chỉ ra xu
thế của mưa, tuy nhiên, các vị trí thể hiện các pattern dị thường lại không luôn chính
xác. Dự báo cho trường hợp mưa tháng 10/2009, mô hình chỉ bắt được vị trí trung
tâm mà không bắt được mưa tại phía Bắc và phía Nam.
Trong nghiên cứu của Daniel Argueso và CS (2012) [11], có thể thấy mô
hình WRF không chỉ ước lượng được các trường trung bình mùa, tháng, năm mà
còn đánh giá được các chỉ số cực đoan như lượng mưa ngày lớn nhất (RX1day),
lượng mưa 5 ngày lớn nhất (RX5day), trung bình số ngày ẩm cực đại liên tiếp hàng
năm (CWD - the mean annual number of maximum consective wet days), trung
bình số ngày khô hạn cực đại liên tiếp hàng năm (CDD – the mean annual number
of maximum consective dry days), số ngày có mưa vượt quá 10mm (R10 – the
number of days that exceed 10mm). Tuy sai số là không tránh khỏi nhưng một lần
nữa, nghiên cứu chỉ ra được xu thế và pattern của các yếu tố trên quy mô địa
phương là khá rõ ràng.
Ở Việt Nam, cho đến nay chưa có nghiên cứu nào sử dụng mô hình WRF để
dự báo mùa dài hạn lên từ một tháng trở lên mà mới chỉ sử dụng một số các mô
hình khí hậu khu vực như RegCM, MM5 trong đề tài nghiên cứu cấp Nhà nước

16


KC08.29/06-10 “Nghiên cứu tác động của biến đổi khí hậu toàn cầu đến các yếu tố
và hiện tượng khí hậu cực đoan ở Việt Nam, khả năng dự báo và giải pháp chiến
lược ứng phó” do GS. TS. Phan Văn Tân làm chủ nhiệm.

17


1.3.

Về các yếu tố và hiện tượng khí hậu cực đoan
Theo chương trình nghiên cứu biến đổi khí hậu của Hoa kỳ đã chỉ ra sự tăng

nhiệt độ và các cực trị nhiệt độ trong tương lai (hình 1.2). Nhiệt độ trung bình tăng
dẫn đến việc tăng nhiệt độ cực đoan trong tương lai. Tuy nhiên, nhiệt độ lạnh hơn
vẫn xuất hiện nhưng sẽ ít hơn hiện tại.

Hình 1.2. Sự tăng nhiệt độ trung bình dẫn đến tăng nhiệt độ cực đoan. Nguồn: US Climate
Change Science Program / Southwest Climate Change Network

Kiktev và CS (2003) [22] đã đánh giá khả năng mô phỏng ECE của mô hình
AGCM HadAM3. Các tác giả nhận thấy, xu thế giá trị năm của các chỉ số khí hậu
ước tính trên lưới (mô hình) cho thời kỳ 1950-1995 biểu diễn rõ ràng hơn bức tranh
các kiểu xu thế trong các chỉ số khí hậu so với việc xem xét chúng dựa trên số liệu
trạm trực tiếp. Các xu thế tính trên lưới cũng cho phép so sánh xu thế quan trắc với
xu thế mô phỏng bởi mô hình khí hậu thích hợp chạy với các điều kiện biên quan
trắc biến đổi của SST, qui mô băng biển và những kết hợp khác của tác động do con
người. Kết quả sử dụng kỹ thuật bootstrap đánh giá tính bất định trong ước lượng
xu thế trên lưới và ý nghĩa trường của các kiểu xu thế quan trắc cho thấy: có sự

18


giảm đáng kể số ngày băng giá và tăng số đêm nóng. Những vùng có sự tăng đáng
kể của cực trị mưa và số ngày giảm ở Bắc bán cầu.
Meehl và CS (2004a) [26] đã đánh giá kết quả mô phỏng số ngày sương giá
từ mô hình PCM (Parallel Climate Model) cho thế kỷ 20 trong đó có tính đến sự tác
động của các yếu tố như biến động mặt trời, núi lửa, xon khí, ôzôn và khí nhà kính.
Các kết quả mô phỏng và quan trắc đều cho thấy xu thế giảm khoảng 2 ngày cho
mỗi thập kỷ ở phía Tây nước Mỹ trong thế kỷ 20. Tuy nhiên, kết quả mô phỏng từ
PCM lại rất khác so với quan trắc trong vùng Đông Nam nước Mỹ (mô phỏng cho
giảm trong khi quan trắc lại cho tăng số ngày sương giá). Nguyên nhân dẫn đến sai
số này theo nhóm tác giả là do sự bất ổn định của mô hình PCM khi mô phỏng tác
động của các hiện tượng El Nino cho vùng Đông Nam nước Mỹ. Meehl và Warren,
và CS (2004b) [27] cũng sử dụng mô hình PCM để đánh giá khả năng mô phỏng số
đợt nóng (heat wave) trong thời kỳ 1961-1990 dựa trên tiêu chí 1 đợt nóng là có ít
nhất 3 ngày liên tiếp có đêm ấm. Các kết quả đánh giá cho thấy kỹ năng mô phỏng
của PCM là rất tốt.
Kharin và CS (2005) [28] đã đánh giá kỹ năng mô phỏng các ECE liên quan
đến nhiệt độ và mưa dựa trên 15 GCM trong dự án AMIP-2. Kết quả cho thấy, hầu
hết các GCM mô phỏng tốt các cực trị nhiệt độ, đặc biệt là các cực trị nhiệt độ tối
cao. Tuy nhiên, hầu hết các mô hình không mô phỏng tốt cho các cực trị mưa, đặc
biệt là cho vùng nhiệt đới.
Sun và CS (2006) [31] đã khảo sát cường độ mưa ngày được mô phỏng từ 18
AOGCM và nhận thấy hầu hết các mô hình cho lượng mưa mô phỏng ít hơn so với
thực tế. Ngoài ra, sai số hệ thống là không rõ ràng dẫn đến lượng mưa trung bình
theo mùa không đáng tin cậy. Kimoto và CS (2005) [23] đã nghiên cứu mô phỏng
lượng mưa ngày cho khu vực Nhật Bản dựa trên một AOGCM với độ phân giải thô
và cao. Các kết quả đánh giá cho thấy phân bố mưa trong trường hợp sử dụng phân
giải cao đáng tin cậy hơn độ phân giải thô. Emori và CS (2005) [15] đã chỉ ra rằng
các mô hình AGCM với độ phân giải cao có thể mô phỏng tốt các cực trị mưa nếu
mô hình có khả năng kìm hãm đối lưu khi độ ẩm tương đối tại các vùng lân cận nhỏ

19


hơn 80%. Hay nói cách khác, cực trị mưa được mô phỏng từ các GCM rất nhạy với
các sơ đồ tham số hóa đối lưu. Chẳng hạn, nghiên cứu của Kiktev và CS (2003)
[22] với mô hình HadAM3 GCM cho thấy kỹ năng mô phỏng sự thay đổi các cực
trị mưa là rất kém. May (2004) [25] đã nghiên cứu sự biến đổi các cực trị mưa ngày
dựa trên mô phỏng từ mô hình ECHAM4 GCM và nhận thấy mô hình này mô
phỏng khá tốt cho hầu hết các khu vực thuộc Ấn Độ nhưng lại thiên cao cho khu
vực trung tâm của Ấn Độ. Theo hướng này, Iorio và CS (2004) [19] đã nghiên cứu
tác động của độ phân giải mô hình tới kết quả mô phỏng lượng mưa ở Hoa Kỳ dựa
trên mô hình CCM3 và thấy rằng các mô phỏng với độ phân giải cao sẽ tạo ra các
phân bố mưa ngày tin cậy hơn độ phân giải thô (thường cho nhiều ngày mưa với
lượng mưa nhỏ). Tuy nhiên, không phải lúc nào độ phân giải cao cũng tạo ra kết
quả mô phỏng mưa tốt mà phải kết hợp sự cải tiến trong các sơ đồ tham số hóa đối
lưu và mây.
Duffy P. B. và CS (2006) [14] phân tích kết quả mô phỏng khí hậu hiện tại và

tương lai ở tây Hoa Kỳ được thực hiện với 4 RCM lồng vào 2 AOGCM. Mục đích
của các tác giả là đánh giá mức độ phản ứng lại của khí hậu khu vực đối với sự gia
tăng các khí nhà kính. Bốn RCM được ứng dụng cho các miền tính, các kịch bản
tăng khí nhà kính khác nhau, và trong một số trường hợp các điều kiện biên khác
nhau, để mô phỏng khí hậu tương lai. Đối với mô phỏng khí hậu hiện tại, mô phỏng
của RCM được so sánh với quan trắc và với các trường GCM làm điều kiện biên
cho RCM. Đối với mô phỏng khí hậu tương lai (khí nhà kính gia tăng), sản phẩm
của RCM được so sánh với nhau và với GCM điều khiển. Theo các tác giả, khi lấy
trung bình không gian trên khu vực tây Hoa Kỳ, kết quả của từng RCM gần như
tuân theo trường điều khiển GCM trên cùng một vùng, cả đối với khí hậu hiện tại và
tương lai. Phản ứng lại của giáng thủy mô hình trong nhiều khu vực không đáng kể
so với dao động giữa các năm. Các mô hình đều cho nhiệt độ gần bề mặt sẽ tăng lên
nhưng phân bố không gian không giống nhau về mức độ tăng. Bốn RCM cho những
ước lượng rất khác nhau về hàm lượng nước của tuyết trong khí hậu hiện tại, và

20


cũng rất khác nhau trong sự biến đổi hàm lượng hơi nước trong sự phản ứng lại với
các chất khí nhà kính gia tăng.
Caldwell và CS (2009) [8] đã dẫn ra kết quả mô phỏng 40 năm khí hậu trên
khu vực mà California nằm ở trung tâm bằng mô hình WRF độ phân giải ngang 12
km sử dụng số liệu điều kiện biên của CCSM3 độ phân giải 1o x 1.25o. Mô phỏng
của mô hình về trung bình giáng thủy, nhiệt độ 2m và tuyết phủ đã được so sánh với
quan trắc. Theo các tác giả, mô hình tái tạo phân bố không gian của giáng thủy khá
tốt nhưng lượng mưa mô hình vượt quá quan trắc đáng kể dọc theo các sườn đón
gió. Nguyên nhân là do mô hình cho cường độ giáng thủy lớn hơn; thực tế mô hình
cho tần suất giáng thủy thấp hơn quan trắc, và sai số trong mô phỏng giáng thủy là
do các quá trình bên trong WRF gây nên. Nhiệt độ được mô phỏng tốt trong tất cả
các mùa trừ mùa hè khi ẩm đất khô quá mức dẫn đến nhiệt độ mô phỏng cao hơn
vài độ trong cả CCSM3 và WRF.
Halenka T. và CS (2006) [17] đã sử dụng kết quả mô phỏng khí hậu trên khu
vực Cộng hòa Czech thời kỳ 40 năm từ 1961-2000 bằng mô hình RegCM3 để phân
tích các cực trị giáng thủy và nhiệt độ. Mô hình được chạy ở độ phân giải 45 km với
điều kiện biên là tái phân tích NCEP/NCAR. Theo các tác giả, việc so sánh với số
liệu trạm cho thấy mô hình mô phỏng tốt tần suất các sự kiện mưa ngày có cường
độ vừa và lớn cũng như cường độ mưa (giá trị lặp lại) ứng với các chu kỳ lặp lại, trừ
những trạm ở vùng núi. Sai số ở những trạm thuộc vùng núi có thể do độ phân giải
tương đối thô của mô hình không mô tả được điều kiện địa hình và có thể còn do
tham số hóa đối lưu gây nên. Mô hình cho mô phỏng thấp hơn thực tế về nhiệt độ
cực đại ngày (đặc biệt vào mùa nóng) và sự xuất hiện các sóng nóng (những giai
đoạn có nhiệt độ cao). Khả năng của mô hình được cải thiện trong mô phỏng nhiệt
độ cực tiểu ngày và các sự kiện sóng lạnh. Các tác giả cho rằng, để áp dụng mô hình
vào mô phỏng các sự kiện cực trị trên khu vực địa hình phức tạp như Cộng hòa
Czech cần tăng độ phân giải cao hơn nhằm mô tả tốt hơn điều kiện địa hình và do
đó sẽ làm giảm sai số của nhiệt độ cực đại ngày.

21


Sylla M. B. và CS (2009) [32] cũng đã nghiên cứu khí hậu hiện tại (thời kỳ
1981-2000) trên khu vực Tây Phi dựa trên hai kết quả mô phỏng của RegCM khi sử
dụng các nguồn số liệu điều kiện biên tương ứng là tái phân tích NCEP và sản phẩm
của AOGCM là ECHAM5. Giáng thủy và nhiệt độ từ hai mô phỏng được so sánh
với số liệu quan trắc CRU. Theo các tác giả, phân bố không gian của chúng là sát
thực tế. Biến trình năm rất chính xác. Mô phỏng cũng được đánh giá theo các
trường điều khiển qui mô lớn và cho thấy RCM thể hiện sự cải thiện đáng kể so với
các trường AOGCM. Việc đánh giá sai số giáng thủy mùa cho thấy mô phỏng của
RCM khô hơn thực tế và khô nhất vào các tháng 6-8 xung quanh các dãy núi. Điều
đó liên quan với mô phỏng lạnh hơn thực tế của nhiệt độ mà nó có liên hệ với mô
phỏng giáng thủy vượt quá quan trắc ở những nơi nằm ngoài các vùng núi. Mặc dù
vẫn còn sai số nhưng kết quả mô phỏng của RCM khá hợp lí và cho thấy khả năng
của AOGCM trong vai trò điều khiển RCM để dự tính khí hậu tương lai.
Ở Việt Nam, bài toán dự báo mùa các hiện tượng cực đoan cũng được quan
tâm từ sớm. Tuy nhiên, chúng vẫn chưa được đề cập một cách hệ thống. Trong số
các công trình nghiên cứu đã thực hiện có thể nói đáng chú ý nhất là kết quả của đề
tài nghiên cứu khoa học cấp Nhà nước “Tác động của ENSO đến thời tiết khí hậu,
môi trường và kinh tế xã hội” (19992001) do GS Nguyễn Đức Ngữ (2002) làm
Chủ nhiệm và trang web http://www.thoitietnguyhiem.net/general/introduce.aspx
“Hiện tượng thời tiết nguy hiểm” của Trung tâm Khí tượng Thủy văn Quốc gia, Bộ
Tài nguyên và Môi trường.
Nguyễn Đức Ngữ (2009) [1] cho rằng, số ngày nắng nóng trong thập kỷ
1991-2000 nhiều hơn so với các thập kỷ trước, đặc biệt ở Trung Bộ và Nam Bộ.
Phân tích các trung tâm khí áp ảnh hưởng đến Việt Nam để giải thích sự tăng lên
của nhiệt độ trung bình trên một số trạm đặc trưng trong thời kỳ 1961-2000,
Nguyễn Viết Lành (2007) [2] cho rằng, nhiệt độ trung bình trong thời kỳ này đã
tăng lên từ 0,4-0,60C, nhưng xu thế tăng rõ rệt nhất xảy ra trong thập kỷ cuối và
trong mùa đông, đặc biệt là trong tháng 1, mà nguyên nhân là do sự mạnh lên của
áp cao Thái Bình Dương trong thời kỳ này. Tác giả Nguyễn Văn Tuyên (2007) [7]

22


cũng đã nghiên cứu “Xu hướng hoạt động của xoáy thuận nhiệt đới trên Tây Bắc
Thái Bình Dương và Biển Đông theo các cách phân loại khác nhau”. Sự phân bố
của bão được nghiên cứu trong đó bão được phân loại theo vùng ảnh hưởng và theo
cường độ rồi phân tích xu hướng hoạt động. Kết quả phân tích cho thấy, trong thời
kỳ 1951-2006, hoạt động của bão trên khu vực Tây Bắc Thái Bình Dương có xu
hướng giảm về số lượng, trong đó số cơn bão yếu và trung bình có xu hướng giảm,
còn số cơn bão mạnh lại có xu hướng tăng lên. Trên khu vực Biển Đông, những cơn
bão vào Biển Đông nhưng không vào vùng ven biển và đất liền nước ta lại có xu
hướng tăng về số lượng. Bão có xu hướng tăng lên ở hai vùng Trung Bộ và Nam Bộ
nhưng ở vùng Bắc Bộ lại có xu hướng giảm. Cường độ bão có xu hướng giảm,
trong đó các cơn bão yếu có xu hướng giảm rõ rệt nhất. Phan Văn Tân và CS (2009)
[4] sử dụng mô hình khí hậu khu vực RegCM để đánh giá một số yếu tố khí hậu cực
đoan đã cho thấy mô hình mô phỏng tốt đối với nhiệt độ cực đại, nhiệt độ cực tiểu
và tốc độ gió cực đại tháng trên hầu hết các khu vực. Cũng theo tác giả Phan Văn
Tân và CS (2009) [3] sử dụng mô hình RegCM để dự báo hạn mùa các trường bề
mặt cho thấy mô hình đã nắm bắt khá hợp lý qui luật phân bố nhiệt độ trên khu vực
Việt Nam, sai số mô phỏng khá ổn định và có tính hệ thống.

23


Chương 2-SỐ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
2.1.

Mô hình và thí nghiệm

2.1.1. Sơ lược về mô hình
Mô hình WRF (Weather Research and Forecasting model) được sử dụng rất
nhiều trong dự báo nghiệp vụ trên thế giới [20], [36]. Gần đây, mô hình này được
phát triển cho việc nghiên cứu khí hậu cùng với nhiều mô hình khác như MM5,
RegCM cũng đã cho những kết quả rất đáng quan tâm [12], [18]. Trong luận văn sử
dụng mô hình WRF 3.3.1 phiên bản cải tiến cho việc mô phỏng khí hậu khu vực và
được gọi là clWRF (Climate WRF model). Mô hình clWRF về cơ bản vẫn giữ
nguyên các “module” của phiên bản thời tiết, chỉ khác nó được cung cấp thêm các
module để sử dụng với các kịch bản phát thải khí nhà kính SRES cũng như các kịch
bản RCP phục vụ bài toán nghiên cứu khí hậu. Bên cạnh đó, mô hình cải tiến này
hoạt động với việc sử dụng sơ đồ bức xạ CAM. Mô hình đã giúp ích rất nhiều trong
việc tạo ra những file đầu ra chứa các biến cực trị, các giá trị độ lệch chuẩn của các
yếu tố như nhiệt độ cực đại, nhiệt độ cực tiểu mực 2 mét, lượng giáng thủy cực đại,
cực tiểu, độ lệch chuẩn của nhiệt độ cực đại, cực tiểu, giáng thủy, độ ẩm riêng cực
đại, cực tiểu… Ngoài ra, đáng chú ý, kết quả xuất ra từ clWRF còn có thể mô
phỏng, tái tạo các khí nhà kính, các bức xạ mặt trời, gió gust [16].
Nhận thấy, những ưu điểm đáng kể của mô hình này cùng với những kết quả
mà các nhà khoa học trên thế giới đã đạt được khi sử dụng nó, và bên cạnh đó, ở
Việt Nam hiện chưa có nghiên cứu thử nghiệm bài toán dự báo mùa với clWRF nên
mô hình clWRF đã được lựa chọn cho luận văn.
2.1.2. Thiết kế thí nghiệm
a)

Chạy dự báo
Một miền tính với độ phân giải 36km , 144 x 130 điểm lưới đã được thiết lập

(hình 2.1), bao phủ toàn bộ biển Đông và khu vực Đông Nam Á.

24


Hình 2.1. Miền tính
Các sơ đồ được lựa chọn cho mô hình bao gồm: sơ đồ băng đơn giản 3 lớp
WSM cho tùy chọn tham số vi vật lý, sơ đồ CAM cho cả tham số bức xạ song dài
và sóng ngắn (sơ đồ này nên được lựa chọn vì trong sơ đồ này có sự phân chia lớp
khí ozone biến đổi theo từng tháng và nó cho phép cập nhật nồng độ khí nhà kính
phụ thuộc vào các kịch bản phát thải khác nhau (SRES), đây là một cải tiến quan
trọng trong việc nghiên cứu khí hậu). Mô hình bề mặt đất Noah được lựa chọn để
biểu diễn thông lượng giữa khí quyển và mặt đất. Tham số hóa đối lưu với sơ đồ
Kain-Fritsch (new Eta).
Điều kiện biên cho mô hình được lấy từ sản phẩm đầu ra của mô hình dự báo
khí hậu toàn cầu CFS của NCEP (CFS 1.00). CFS chạy 4 dự báo một ngày tại các
thời điểm 00Z, 06Z, 12Z và 18Z với hạn dự báo 9 tháng. Tuy nhiên, NCEP chỉ cung
cấp miễn phí kết quả dự báo cho người sử dụng 6 tháng dự báo đầu tiên tại thời
điểm 00Z. Số liệu này được lưu trữ quay vòng 7 ngày, tức là chỉ lưu kết quả dự báo
của các lần chạy trong 7 ngày gần nhất. Do hạn chế về đường truyền và khả năng
lưu trữ nên số liệu được tải về chạy dự báo tại bộ môn Khí tượng chỉ được thực hiện
7 ngày một lần. Trong luận văn này đã tiến hành dự báo cho 58 trường hợp, từ
tháng 1 năm 2012 đến tháng 05 năm 2013 (bảng 2.1).

25


x

Tài liệu bạn tìm kiếm đã sẵn sàng tải về

Tải bản đầy đủ ngay

×