Nghiên cứu khả năng ứng dụng mô hình khí
hậu khu vực dự báo hạn mùa ở Việt Nam

Nguyễn Quang Trung

Trường Đại học Khoa học Tự nhiên
Luận văn Thạc sĩ ngành: Khí tượng và khí hậu học; Mã số: 62 44 87
Người hướng dẫn: GS. TS. Phan Văn Tân
Năm bảo vệ: 2011

Abstract: Khái quát sơ lược về khái niệm dự báo hạn mùa và sản phẩm dự báo hạn
mùa. Tìm hiểu các nghiên cứu trên thế giới và trong nước về khả năng ứng dụng mô
hình khí hậu khu vực dự báo hạn mùa. Trình bày sơ lược về mô hình khí hậu khu vực
RegCM3 và hệ thống mô hình kết hợp CAM-SOM. Đưa ra kết quả và nhận xét: kết
quả dự báo hạn mùa bằng mô hình RegCM3 với các tùy chọn tham số hóa đối lưu
khác nhau; đánh giá kết quả dự báo thử nghiệm bằng Reg_CAMSOM.

Keywords: Khí tượng; Khí hậu học; Dự báo; Việt Nam

Content
MỞ ĐẦU

Bài toán dự báo hạn mùa hiệnđang là một trong những bài toán được quan tâm trên thế
giới cũng như trong khu vực bởi những ứng dụng thiết thực đối với đời sống xã hội. Cụ thể
trong dự báo hạn mùa, phương pháp được quan tâm nhiều hiện nay là phương pháp mô hình
động lực, thay thế cho phương pháp thống kê được phát triển mạnh những năm trướcđây. Sự
phát triển của các mô hình dự báo số trị, không chỉ trên quy mô toàn cầu mà còn chi tiết hóa
cho từngkhu vực,đã góp phần tạođiều kiện thuận lợi cho hướng nghiên cứu này.
Ở Việt Nam, việcứng dụng và thử nghiệm các mô hình khí hậu khu vực cho bài toán
dự báo tuy không còn mới mẻ nhưng vẫn còn nhiều câu hỏi cần được trả lời, đặc biệt là dự
báo hạn mùa. Trong khuôn khổ luận văn này, tác giả sẽ thử nghiệm sử dụng mô hình khí hậu

dương. Hiện tại, với những hiểu biết của chúng ta về các quá trình tương tác trên, cùng với
việc chi tiết hóa của các mô hình đã giúp phát triển việc quan trắc đo đạc cũng như tạo ra
những tiến bộ trong dự báo hạn mùa. Trên quy mô toàn cầu, nguyên nhân quan trọng nhất
khiến các đặc trưng khí hậu thay đổi từ năm này qua năm khác là sự biến đổi của nhiệt độ mặt
nước biển toàn cầu (SST).Dự báo hiện tượng ENSO, theo quy mô tháng và năm, cũngđã hỗ
trợ tốt hơn cho dự báo hạn mùa ở nhiều nơi trên thế giới.Bề mặt đất của trái đất cũng có thể
ảnh hưởng đến khí quyển trên quy mô mùa, trong đó độ ẩm đất đóng vai trò quan trọng, cũng
như một số nơi là độ phủ tuyết. Độ ẩm đất có thể dao động về căn bản từ năm này qua năm
khác và biến đổi trong độ ẩm đất có khoảng thời gian quy mô từ tháng đến năm.
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 làphương 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

3
(bằng thống kê) liên kết các hình thế trong tương lai với đặc tính khí hậu hiện tại.Phương
pháp mô hình động lực là một cách tiếp cận có cơ sở vật lý hơn để dự báo mùa, 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 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.
Hiện nay, WMO đã thiết lập được các nguồn cung cấp sản phẩm dự báo hạn dài. Các
quá trình dự báo hạn dài dựa trên nền tảng máy tính (quy mô từ 30 ngày đến 2 năm) trên quy
mô toàn cầu đòi hỏi lượng lớn tài nguyên máy tính cùng với những hiểu biết đặc biệt. Vì lý do
này, chỉ có một vài trung tâm trên thế giới cung cấp các bản tin dự báo khí hậu hạn dài toàn
cầu. Những dịch vụ cung cấp bởi các trung tâm này được biết đến với tên gọi Trung tâm sản
phẩm toàn cầu cho dự báo hạn dài (GPCs) đưa ra điều kiện cơ bản cho dự báo khí hậu và thời
tiết ở quy mô khu vực/địa phương và được sử dụng ở các trung tâm dự báo khu vực và địa
phương. Một số các GPCs chính của WMO là: Cục khí tượng Úc (Bureau of Meteorology,
Australia); Cơ quan khí tượng Trung Quốc (China Meteorological Administration/Bejing
Climate Center); Trung tâm dự báo khí hậu Mỹ (Climate Prediction Center, NOAA)…
Bên cạnhđó, nổi bật lên hiện nay, khi quan tâm đến dự báo hạn mùa đáng lưu ý là Hệ

Nam còn khá “thô sơ”, với không nhiều các nghiên cứu và nghiệp vụ còn phụ thuộc nhiều vào
phương pháp thống kê. Trong khi đó, những năm gần đây, có không ít các mô hình khí hậu
khu vựcđãđược thử nghiệm cho khu vực Việt Nam. Từđó, tác giả nhận thấy việc hướng đến
nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực vào bài toán dự báo hạnmùaở Việt
Nam là một hướngđi cóý nghĩa và cần thiết. Trước hết là khai thác phương pháp mô hìnhđộng
lực cho bài toán dự báo mùaở Việt Nam, hơn thế nữa nếu kết quả khả quan, có thểứng dụng
tốt cho các bài toán sau này như thống kê trên sản phẩm mô hình hay dự báo tổ hợp. Để giải
quyết hướng đi này, tác giả tập trung vào hai khía cạnh. Đầu tiên là khảo sátđược năng lực
của mô hình khí hậu khu vực lựa chọn sử dụng, màởđây là mô hìnhMô hình khí hậu khu vực
RegCM phiên bản 3 (RegCM3). Khi điều kiện đầu vào là trường khí quyển thực, được coi là
trường “dự báo hoàn hảo”, đồng thời với các tham số hóa đối lưu khác nhau, khả năng mô
phỏng của RegCM3 sẽ như thế nào? Tiếp theo, sẽ khai thác sử dụng đầu ra từ một mô hình dự
báo toàn cầu làm điều kiện biên cho RegCM3 nhằmđưa ra các sản phẩm dự báo bước đầu. Mô
hình toàn cầu được sử dụngởđây là hệ thống mô hình CAMSOM. Các kết quả đượcđánh giá
so sánh với số liệu quan trắc, cả trên quy mô lưới vàđiểm trạm.

Chƣơng 2
PHƢƠNG PHÁP NGHIÊN CỨU

Để cụ thể hóa bài toán nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực dự
báo hạn mùaở Việt Nam trong khuôn khổ luận văn này, chương 2 sẽ trình bày việc thiết kế
các thí nghiệm sẽ được thực hiện. Mô hình khí hậu khu vực RegCM phiên bản 3 và hệ thống
mô hình kết hợp CAM-SOM là hai công cụ chính sẽđược ứng dụng để mô phỏng và dự báo
hạn mùa cho khu vực Việt Nam.

5
2.1 Sơ lược về mô hình khí hậu khu vực RegCM3
Hiện nay, mô hình khí hậu khu vực RegCM đãđượcứng dụngđể nghiên cứu khí hậu
quá khứ, hiện tại và tương lai tại nhiều nơi khác nhau trên thế giới, từ Châu Mỹ, Châu Âu đến
Châu Á, Châu Phi. Mô hình RegCM3 sử dụng hệ tọa độ thẳng đứng thủy tĩnh theo địa hình,

 Mô hình CAM 3.0
Trung tâm Quốc gia Nghiên cứu Khí quyển Hoa Kỳ (NCAR) đã phát triển mô hình
khí quyển toàn cầu ba chiều nghiên cứu và tìm hiểu khí hậu Trái đất trong nhiều năm. Mô
hình được thiết kế để làm một công cụ của cộng đồng nên có tên là Mô hình Khí hậu Cộng
đồng (CCM - Community Climate Model). CAM 3.0 đãlà thế hệ thứ 5 của mô hình khí quyển
toàn cầu NCAR. Mô hình CAM 3.0 có ba dạng nhân động lực: (1) động lực Ơle, (2) động lực
bán-Lagrangian, (3) động lực thể tích hữu hạn, và hệ tọa độ thẳng đứng lai. Hệ tọa độ thẳng
đứng lai được phát triển với mục đích cung cấp khung áp dụng chung cho trục tọa độ thẳng

6
đứng, trong đó bám sát theo địa hình gần bề mặt Trái đất và trở thành hệ tọa độ áp suất ở
những lớp trên.
 Mô hình SOM
Cấu hình hiện tại của mô hình đại dương lớp mỏng SOM cho phép có quá trình tương
tác đầy đủ ở bề mặt với CAM 3.0. Biến dự báo cho đại dương là nhiệt độ lớp xáo trộn T
0
. Lớp
xáo trộn đại dương có nguồn nội nhiệt Q (còn gọi là thông lượng Q), biểu diễn trao đổi nước
sâu theo mùa và vận chuyển nhiệt đại dương phương ngang. Ví dụ, nếu sử dụng nhiệt độ bề
mặt và phân bố băng biển cho trước, thông lượng thuần năng lượng bề mặt trên mặt biển có
thể được tính toán để tính nguồn nhiệt Q. Trao đổi thêm của nhiệt xuất hiện giữa lớp xáo trộn
và mô hình băng biển khi băng được hình thành và tan rã.
Có thể nhận được gần 300 biến từ CAM-SOM và các biến có thể là các giá trị tức thời,
giá trị cực đại, giá trị cực tiểu, và giá trị trung bình theo thời gian:Trung bình ngày, trung bình
tháng, trung bình theo mùa, trung bình năm. Một số biến dự báo quan trọng kết xuất từ mô
hình CAM-SOM có thể làm đầu vào cho mô hình khí hậu khu vực.
2.3 Thiết kế thí nghiệm
Có hai nhóm thí nghiệmđược thực hiện như sau:
 TN1. Nghiên cứu khả năng dự báo hạn mùa của mô hình RegCM3 với các tùy
chọn tham số hóađối lƣu khác nhau

chiều thẳng đứng mô hình gồm 18 mực σ vớiđỉnh tại mực 50 mb. Miền tính mô hình gồm
144x105 điểm (theo hai chiềuđông-tây và nam-bắc tương ứng) với tâm tạiđiểm 11.5oN và
108oE. Độ phân giải ngang là 36 km sử dụng phép chiếu Mercator.
Mộtđiểm lưu ýởđây là khi sử dụngđầu ra từ hệ thống mô hình CAMSOM làm đầu vào
cho mô hình RegCM3, cần phải sửa đổi quá trình tiền xử lý (chuẩn bị điều kiện biên) trong
mô hình RegCM3. Cụ thể về chương trình cần chỉnh sửa các module:
o cam42.f: tạo mới tập tin này, chứa chương trình con đọc các biến tốcđộ gió kinh vĩ
hướng, nhiệtđộ, độẩm riêng, nhiệtđộ bề mặt, độ cao địa thế vị và khíáp bề mặt (U, V,
T, Q, TS, Z3, PS) từđầu vào CAMSOM.
o CAM.f: chỉnh sửa từ CCSM.f ban đầu, gọi chương trình con từ cam42.f kết hợp
với việc đọc biếnđịa thế vị bề mặt (PHIS) từđầu vào CAMSOM.
o ICBC.f: chỉnh sửa để sử dụng các chương trình con trong 2 tập tin trên 8

Hình 2.1 Mô tả các thí nghiệm được thực hiện.

2.4 Nguồn số liệu
 Số liệu cho RegCM3:
Tất cả nguồn số liệu đầu vào cần để cung cấp cho mô hình RegCM3 (bao gồm số liệu
về độ cao địahình, các loại bề mặt, nhiệt độ mặt nước biển và số liệu tái phân tích làm điều
kiệnban đầu và điều kiện biên cập nhật theo thời gian) có thể được tải về từ trang web

Số liệuđầu ra của hệ thống mô hình CAM-SOM để sử dụng đối với các điều kiện ban
đầu và biên được lấy từ tháng 01 đến tháng 09 của từng năm trong giai đoạn 2000-2005.
Nhưđãđề cập, số liệuđầu ra của CAM-SOM cho dướiđịnh dạng netcdf với tên tập tin và các
biến chứa trong các tập tin tương ứng như sau:
 somYYYY_rmr.cam2.h0.YYYY-MM.nc (địa thế vị bề mặt)
 somYYYY_rmr.cam2.h1.YYYY-12-01-21600.nc (tốc độ gió kinh, vĩ hướng)

2003
T4
T9
2004
T4
T9
2005
T1 T2 T3 T4 T5 T6 T7 T8 T9
2001 ~ 2005
TN2b
TN1
TN2a

9
 Số liệuCRU: Số liệu tái phân tích của Trung tâm nghiên cứu khí hậu của Anh với
độphân giải ngang 0,5 độ, chỉ lấy số liệu nhiệt độ bề mặt, lượng mưa trung bình tháng.
 Số liệu đầu vào: có thể so sánh với chính số liệu đầu vào NNRP2 (NCEP) đểxem
xét khả năng tái tạo các trường gió, nhiệt và ẩm của mô hình.
 Số liệu quan trắc thực tế trên Việt Nam: 48 trạm quan trắc khí tượng điển hình trải
đều trên lãnh thổ Việt Nam.

Chƣơng 3
KẾT QUẢ VÀ NHẬN XÉT

Chương 3 trình bày vàđánh giá các kết quả theo như thiết kế thí nghiệmđã nêu trong
chương 2. Cụ thể kết quả sẽ gồm hai phần chính tương ứng với 2 thí nghiệm, đó là (1) nghiên
cứu khả năng dự báo hạn mùa của mô hình RegCM3 vớicác sơ đồ tham số hóađối lưu khác
nhau và (2) nghiên cứu khả năng kết nối mô hình RegCM3 với CAM-SOM.
3.1 Kết quả dự báo hạn mùa bằng mô hình RegCM3 với các tùy chọn tham số
hóađối lưu khác nhau

sẽđược trình bày vàđánh giá với các trường/biến cơ bản. Các kết quảđược chia thành 3 nhóm
so sánh với nhau, ứng với các tùy chọn tham số hóađối lưu được sử dụng khi chạy RegCM3,
cụ thể là Reg_Kuo, Reg_Emanuel và Reg_Grell. Trước tiên, trường độ cao địa thế vị, trường
gió cũng như trường khíáp mực biển sẽđược so sánh với miền phân tích được giới hạn từ 5
o
N
đến 25
o
N và 100
o
E đến 120
o
E. Tiếp theo đó, trường nhiệtđộ mực 2m và lượng mưa cũng
sẽđược phân tích không chỉ trên khu vực Việt Nam mà cònđượcđưa về cácđiểm trạm. Các
trạm cũng được chia theo 7 vùng khí hậu của Việt Nam đểđánh giá theo dạngđồ thị tụđiểm.
Cuối cùng, profile thẳngđứng của nhiệtđộ và độẩm, cùng với biểuđồ dạng Hovmollerđược sử
dụngđể làm rõ một sốđiểm khác biệt giữa các kết quả.
Trường vectơ gió và trường độ cao địa thế vị các mực 850, 500, 200 mb trung bình
trong giai đoạn 1996-2005 của các tháng 4, 7, 10 từ đầu ra của các thí nghiệm được so sánh
với số liệu tái phân tích. So sánh với trường tái phân tích, mộtđiều dễ nhận thấy là mô hình
RegCM3, dùvới sơ đồ tham số hóa đối lưu nào, cũng tái tạo tốt hình thế trường độ cao địa thế
vị và trường gió. Sự sai khác tồn tại chủ yếu là độ lớn trường độ cao, nhưng cũng chỉ khoảng
5 mb. Xét chung cả 3 mực được đánh giá, Reg_Kuo cho trường “mạnh” hơn trong khi
Reg_Emanuel tái tạo trường “yếu” hơn, do vậy, Reg_Grell với kết quả “vừa phải” được cho là
kết quả tốt nhất. Trường gió trên diện của miền phân tíchđược mô phỏng tốt nhưng nếu xét
riêng cho khu vực Việt Nam thì có một số trường hợp sai khác lớn về hướng

Reg_Kuo
Reg_Grell
Reg_Emanuel

C đến
2
o
C. Các trạm thuộc khu vực B1 và B4 cho kết quả mô phỏng thấp hơn quan trắc rõ rệt hơn
cả. Bên cạnhđó các trạmđặc biệt như Sapa, Đà Lạt kết quả mô phỏng lại cao hơn quan trắc,
khoảng 2
o
C. So sánh giữa các thí nghiệm, Reg_Kuo cho giá trị mô phỏng cao hơn 2 thí
nghiệm còn lại vàReg_Grell cho mô phỏng thấp hơn cả. Khác với nhiệtđộ mực 2m, lượng
mưa mô phỏng hạn mùa bởi 3 thí nghiệm khi so sánh với số liệu quan trắc cho thấy sự khác
biệt lớn khi thay đổi việc sử dụng các sơđồđối lưu. Trong đó, Reg_Emanuel mô phỏng dường
như gần với số liệu quan trắc nhất, còn Reg_Kuo và Reg_Grell cho mô phỏng thấp hơn hẳn,
đặc biệt là Reg_Kuo.
Đồ thị tụđiểmđược sử dụngđểđánh giá sai số mô phỏng của 3 thí nghiệm khi so sánh
với số liệu quan trắc tại 48 trạm với 2 biến là nhiệtđộ mực 2m và lượng mưa. Vớiđồ thị này,
kết quả dự báo thấp hơn so với quan trắc của biến nhiệtđộ và kết quả không tốt với biến lượng

12
mưa được chỉ ra khá rõ nét. Kết quả cũng không cho sự khác biệt nào đáng kể khi so sánh
giữa các trạm miền bắc và miền nam Việt Nam. a.
b.
Hình 3.2Đồ thị tụđiểmđánh giá sai số mô phỏng nhiệtđộ mực 2m (a) và lượng mưa (b) so với
số liệu quan trắc tại 48 trạm.

Kết hợp thông tin từ các mựcđộ cao khác nhau, profile thẳngđứng của nhiệtđộ vàđộẩm
tuyệtđốicũng đượcđưa vàođánh giá. Miền tính trung bình được lấy từ 8
o

nghiệm là rất rõ nét. Trong khi Reg_Kuo cho thấy sự phát triển của lượng mưa trung bình
trượt 5 ngày nhỏ (khoảng 5-10 mm) và Reg_Grell cũng chỉ thấy lớn hơn một chút (khoảng 15
mm) vào khoảng sau tháng 7, thì Reg_Emanuel cho thấy lượng mưa lớn ngay từđầu tháng 6.

13
Tóm lại, bằng các cách biểu diễn vàđánh giá khác nhau cho các trường dự báo hạn
mùa từ sản phẩm của RegCM3, ta có thể nhận thấy sự tái tạo tốt của RegCM3 với trường độ
cao địa thế vị, trường gió và trường nhiệt độ. Sự khác biệt giữa các thí nghiệm (sử dụng các
sơđồđối lưu khác nhau) là có thể nhận thấy, đặc biệt là trường nhiệt độ và lượng mưa trung
bình, cũng như là biến độẩm. Xét theo các mực thẳngđứng khác nhau, cũng như xét theo sự
tiến triển theo mùa trên dải vĩđộ của Việt Nam, sự khác biệt vàđặc tính của các thí
nghiệmđược làm rõ hơn. Trong đó, Reg_Grell cho dự báo hạn mùa với trạng thái “ôn hòa”
hơn cả vàđánh giá tổng quan chung là tốt hơn cả.
3.2 Đánh giá kết quả dự báo thử nghiệm bằng Reg_CAMSOM
3.2.1 Đánh giá trường đầu vào nhận được từ CAMSOM
Kết quả dự báo thử nghiệm của RegCM3 vớiđầu vào CAM-SOM sẽđượcđánh giá với
2 thí nghiệm nhỏ (Hình 2.1). Trước khi xem xét kết quả dự báo thử nghiệm của RegCM3
vớiđầu vào từ mô hình CAMSOM, ta cần đánh giá trườngđầu vào nhậnđược từ CAMSOM.
Trường vectơ gió vàđộ cao địa thế vị tại các mực1000, 850 và 500 mb trung bình các tháng
01, 04, 07 nhậnđược từ CAMSOM được so sánh với số liệu tái phân tích NNRP2.
Một cách tổng quan, trường đầu vào từ CAMSOM khá tương đồng với số liệu
NNRP2, đặc biệt là trong tháng 1. Điều này có thể thấy rõở mực 1000 mb, CAMSOM đã tái
tạo khá tương đồng với NNRP2 về trườngđộ cao địa thế vị và tái tạo tốt trường gió cho tháng
1. Tuy vậy, trường gió trong tháng 7 của CAMSOM lại mô phỏng nhỏ hơn nhiều so với
NNRP2, đặc biệt làở phía nam miền phân tích. Điều này có thể do CAMSOM mô phỏng
trung tâm áp cao hơn nhưng rút về phía bắc nhiều hơn so với NNRP2. Trường gió trong tháng
1 và tháng 4 trên khu vực Việt Nam của CAMSOM có giá trị lớn hơn. Nếu xét hẹp trên khu
vực Việt Nam thì hướng gió tháng 4 có sự sai khác rõ rệt, ở cả miền bắc và miền nam.
3.2.2 So sánh Reg_CAMSOMvà Reg_NNRP2
Sau khi đánh giáđược sự tái tạo tốt của CAMSOM, tạo trườngđầu vào hiệu quả cho

phỏng của Reg_CAMSOM đặc biệt rất thấp ở khu vực B2.
Đếnđây, có thể rút ra được nhận xét về mô phỏng thấp hơn của Reg_CAMSOM cũng
như Reg_NNRP2 so với số liệu quan trắc về cả nhiệtđộ và lượng mưa, tuy cả 2 kết quả dự
báo cho phân bố theo vùng tốt. Kết quả dự báo của Reg_CAMSOM và Reg_NNRP2 cũng tồn
tại sự khác biệt có thể nhận thấy, với sự tái tạo cao hơn một chút của Reg_NNRP2.
3.2.3 Đánh giá kết quả Reg_CAMSOM

15
Reg_CAMSOM sau khi đượcđánh giá chất lượng dự báo ở thí nghiệm trước sẽđược
thiết lậpchạy thử nghiệm tựa như nghiệp vụ với leadtime cao nhất là 3 tháng (TN2b) cho giai
đoạn 2001-2005. Theo như thiết kế thí nghiệm chạy dự báo bằng mô hình RegCM3 vớiđầu
vào CAMSOM, có 3 tháng cóđầy đủ kết quả dự báo với các leadtime khác nhau từ
leadtime=0 đến leadtime=3. Trước hết ta đánh giá kết quả dự báo nhiệtđộ trung bình mực 2m
và lượng mưa trung bình tháng của 3 tháng này bằng cách so sánh với số liệu CRU. Sai số dự
báo nhiệtđộ mực 2m và lượng mưacủa Reg_CAMSOM so vớisố liệu CRU trong các tháng 4,
5, 6 đượcđánh giávới các leadtime khác nhau.

Hình 3.4 Sai số dự báo nhiệtđộ không khí trung bình mực 2m của tháng 4 với các leadtime
khác nhau
Sai số dự báo nhiệtđộ 2m trong cả 3 tháng khi xét với các leadtime khác nhau đều cho
xu thế thiên âm trên khu vực Việt Nam. Vùng núi cóđịa hình cao thuộckhu vực B1 có sai số
dự báo cao nhất, trong khi vùng đồng bằng Bắc Bộ có sai số thấp hơn cả. Ở các tháng 5, 6 sai
số dự báo giảm khi leadtime tăng từ 0 tháng lên 3 tháng. Một cách hiểu đơn giản là dự báo
sớm cho kết quả sai số thấp hơn hay việc tăng leadtime đến một khoảng thời gian thích hợp
đã cải thiện kết quả dự báo. Cần nhiều đánh giá hơn để có thể kết luận điều này. Nhưng cũng
lưu ý về nền nhiệt các tháng 5 và 6 làđồng đều hơn trên khu vực Việt Nam so với tháng 4.

16
Về dự báo lượng mưa, qua đánh giá dự báo lượng mưa cho các tháng 4, 5, 6 có thể
nhận thấy việc thay đổi leadtime không chỉ ra được cải thiện hay khác biệt nào lớn trong việc

o
C). Dự báo thiên âm trong tất cả các trường hợp, tương đồng với kết quả khi
so sánh với số liệu CRU. Hệ số tương quan cao nằm ở các tháng mùađông (tháng 1, 2) với hệ

17
số khoảng 0.8.Khi chỉ xét riêng cho các trạm miền Bắc, dự báo vẫn cho kết quả thấp hơn so
với quan trắc, khoảng 3
o
C. Xu thế dự báo nhiệtđộ thiên âm cũng tồn tại khi chỉ xét riêng các
trạm miền Nam tuy vậy sự giảm sai số dự báo khi leadtime tăng có thểđược nhận thấyở một
số trường hợp. Các tháng 5 và 6 cho thấy rõđiều này khi sai số giảm khoảng 0.2
o
C từ leadtime
1 đến 3.
Sai số dự báo lượng mưa vẫn cho giá trị thiên âm giống như với biến nhiệtđộở tất cả
các tháng cần dự báo và các leadtime khác nhau. Nếu xét trên cả 48 trạm thì sự thay đổi
leadtime không làm thay đổi nhiều sai số dự báo. Có thể thấy điều này rõ nét ở tháng 5, 6 và
7. Sai số các tháng từ tháng 5 đến tháng 9 lớn hơn các tháng từ 1 đế 4. Hệ số tương quan thấp
hơn nhiều so với biến nhiệtđộ, chỉ khoảng 0.2. Khi xét riêng cho miền Bắc và miền Nam, xu
thế sai số tương đồng với khi xét cho cả khu vực Việt Nam. Sai số các tháng từ tháng 5 trởđi
lớn hơn sai số dự báo trong các tháng trướcđó.
Như vậy, nhìn chung, đối với cả hai biến nhiệtđộ và lượng mưa, xu thế dự báo thiên
âm rõ rệt khi thực hiện cácđánh giá. Bên cạnhđó, ảnh hưởng của các leadtime khác nhau (theo
như thí nghiệm) không được nhận thấy rõ nét. Sai số dự báo lớn, còn hệ số tương quan chỉ
tốtđối với biến nhiệtđộ và khá kémđối với biến lượng mưa. KẾT LUẬN

Ý nghĩa khoa học và thực tiễn của bài toán dự báo hạn mùa đã được chỉ ra, trên quy

tế xã hội ở Việt Nam”, Hội thảo chuyên đề về Đa dạng sinh học và Biến đổi khí hậu:
Mối liên quan tới Đói nghèo và Phát triển bền vững, Hà Nội, Ngày 22-23 tháng 5,
2007.
2. Phan Văn Tân, Hồ Thị Minh Hà, Lương Mạnh Thắng, Trần Quang Đức (2009), “Về khả
năng ứng dụng mô hình RegCM vào dự báo hạn mùa các trường khí hậu bề mặt ở
Việt Nam”, Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và Công nghệ 25
(2009), tr. 241-251.
3. Phan Văn Tân (2010), “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”,Đề tài cấp Nhà nước, mã số KC08.29/06-10.
4. Phạm Đức Thi (1987), “Xây dựng một số phương pháp dự báo hạn vừa, hạn dài nhiệt độ
mùa đông và mưa mùa hè khu vực phía bắc Việt Nam”, Tổng cục KTTV Đề tài
Chương trình 42.
5.

Tiếng Anh

6. Baede, A. P. M., M. Jarraud, and U. Cubasch (1979),“Adiabatic formulation and
organization of ECMWF's model”, Technical Report 15, ECMWF, Reading, U.K.
7. Bath, L. M., M. A. Dias, D. L. Williamson, G. S. Williamson, and R. J. Wolski
(1987),“User's Guide to NCAR CCM1”, Technical Report NCAR/TN-286+IA,
National Center for Atmospheric Research, Boulder, CO, 173 pp.
8. Bath, L., J. Rosinski, and J. Olson (1992),“User's Guide to NCAR CCM2”, Technical
Report NCAR/TN-379+IA, National Center for Atmospheric Research, Boulder, CO,
156 pp.

19
9. Bergant K., Belda M., Halenka T. (2007), “Systematic errors in the simulation of
European climate (1961-2000) with RegCM3 driven by NCEP/NCAR reanalysis”,
International Journal of Climatology Vol. 27 (4), pp. 455-472.

and assimilation of lateral boundary conditions”,Monthly Weather Review, 121, 2814-
2832.
21. Giorgi, F. and C. Shields, (1999),“Tests of precipitation parameterizations available in the
latest version of the NCAR regional climate model (RegCM) over the continental
United States”,Journal of Geophysical Research, 104, 6353-6375
22. Hack, J. J., B. A. Boville, B. P. Briegleb, J. T. Kiehl, P. J. Rasch, and D. L. Williamson
(1993),“Description of the NCAR Community Climate Model (CCM2)”, Technical
Report NCAR/TN-382+STR, National Center for Atmospheric Research, 120 pp.
23. Hansen, J., A. Lacis, D. Rind, G. Russell, P. Stone, I. Fung, R. Ruedy, and J. Lerner
(1984),“Climate sensitivity: Analysis of feedback mechanisms, in Climate Processes
and Climate Sensitivity”, edited by J. E. Hansen, and T. Takahashi, 130-163, Amer.
Geophys. Union, Washington, D.C.

20
24. Holtslag A.A.M., Bruijn E.I.F., Pan H L. (1990), “A high resolution air mass
transformation model for short-range weather forecasting”, Mon. Wea. Rev. Vol. 118,
pp. 1561–1575.
25. Kasahara, A. (1974),“Various vertical coordinate systems used for numerical weather
prediction”, Mon. Wea. Rev., 102, 509-522.
26. Kiehl, J. T., J. Hack, G. Bonan, B. Boville, B. Briegleb, D. Williamson, and P. Rasch,
(1996),“Description of the NCAR Community Climate Model (CCM3)”, Technical
Report NCAR/TN-420+STR, National Center for Atmospheric Research, Boulder,
Colorado, 152 pp.
27. Koster, Randal D., Max J. Suarez, Ping Liu, Urszula Jambor, Aaron Berg, Michael
Kistler, Rolf Reichle, Matthew Rodell, and Jay Famiglietti (2004), “Realistic
Initialization of Land Surface States: Impacts on Subseasonal Forecast Skill”, J
Hydrometeorology, 5(6), 1049
28. McAvaney, B. J., W. Bourke, and K. Puri(1978)“A global spectral model for simulation
of the general circulation”, J. Atmos. Sci., 35, 1557-1583.
29. Nellie Elguindi, Xunqiang Bi, Filippo Giorgi, Badrinath Nagarajan, Jeremy Pal, and

21
(RegCM3) with different lateral boundary conditions”,Theor Appl Climatol 98:293–
314
38. Thomson, M.C., F.J. Doblas-Reyes, S.J. Mason, R. Hagedorn, S.J. Connor, T. Phindela,
A.P. Morse and T.N. Palmer (2006), “Malaria early warnings based on seasonal
climate forecasts from multi-model ensembles”, Nature, 439, 576-579.
39. Washington, W. M.(1982),“Documentation for the Community Climate Model (CCM)”,
Version Φ, Technical Report NTIS No. PB82 194192, National Center for
Atmospheric Research, Boulder, Colorado.
40. Williamson, D. L. (1983),“Description of NCAR Community Climate Model (CCM0B)”,
Technical Report NCAR/TN-210+STR, National Center for Atmospheric Research,
Boulder, Colorado, NTIS No. PB83 23106888, 88 pp.
41. Williamson, D. L., J. T. Kiehl, V. Ramanathan, R. E. Dickinson, and J. J. Hack
(1987),“Description of NCAR Community Climate Model (CCM1)”, Technical
Report NCAR/TN-285+STR, National Center for Atmospheric Research, Boulder,
Colorado, 112 pp.
42. Williamson, G. S., and D. L. Williamson (1987),“Circulation statistics from seasonal and
perpetual January and July simulations with the NCAR Community Climate Model
(CCM1): R15”, Technical Report NCAR/TN-302+STR, National Center for
Atmospheric Research, Boulder, Colorado, 199 pp.
43. Zeng X., Zhao M., Dickinson R.E. (1998a), “Intercomparison of Bulk Aerodynamic
Algorithm for the Computation of Sea Surface Fluxes Using TOGA COARE and
TAO data”, Journal of Climate Vol. 11, pp. 2628-2644.
44.