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

Trịnh Tuấn Long

THỬ NGHIỆM DỰ BÁO HẠN MÙA
MỘT SỐ CHỈ SỐ KHÍ HẬU CỰC ĐOAN BẰNG MÔ HÌNH REGCM
CHO KHU VỰC VIỆT NAM

Chuyên ngành: Khí tượng và khí hậu học
Mã số: 62.44.87
LUẬN VĂN THẠC SĨ KHOA HỌC
NGƯỜI HƯỚNG DẪN KHOA HỌC:
GS. TS. Phan Văn Tân Hà Nội - 2012
2

LỜI CẢM ƠN

Tác giả xin bày tỏ lòng biết ơn chân thành nhất tới thầy GS.TS. Phan Văn Tân,
người đã hết lòng quan tâm cũng như kiên trì giúp đỡ từng bước nghiên cứu của học
viên.
Tác giả cũng xin chân thành cảm ơn tập thể Bộ môn khí tượng nói riêng và
Khoa Khí tượng Thủy Văn và Hải dương học nói chung đã luôn giúp đỡ, tạo điều kiện
để tác giả hoàn thành luận văn. Không những vậy, còn mang lại một môi trường làm
việc thân thiện và hiệu quả nhất cho học viên.

4

DANH MỤC HÌNH

Hình 1.1 : Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO 16
Hình 2.1 Cấu trúc lưới thẳng đứng (bên trái) và lưới ngang dạng xen kẽ ArakawaB
(bên phải) của mô hình 30
Hình 2.2 Quy trình dự báo mùa 33
Hình 2.3 Xác định chỉ số ECE bằng phương pháp phân vị 36
Hình 3.1: Nhiệt độ trung bình tháng dự báo ứng với các hạn dự báo khác nhau 41
Hình 3.2 Nhiệt độ trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai số
quân phương (d) 42
Hình 3.3 Đồ thị phân bố tần suất trường nhiệt độ trung bình cho tháng 8 và tháng 4 44
Hình 3.4: Phân bố đồng thời giá trị nhiệt độ tháng 8 và tháng 4 46
Hình : 3.5 Tổng lượng mưa tháng dự báo với các hạn dự báo từ 1 đến 6 tháng 47
Hình 3.6 : Lượng mưa trung bình tháng (a), hệ số tương quan (b), sai số ME (c) và sai
số quân phương (d) 48
Hình 3.7 Đồ thị phân bố tần suất trường mưa cho tháng 8 và tháng 4 49
Hình 3.8 Nhiệt độ cực tiểu trung bình tháng ứng với các hạn dự báo khác nhau 51
Hình 3.9 : Nhiệt độ cực tiểu trung bình tháng (a), hệ số tương quan (b), sai số ME (c)
và sai số quân phương (d) 52
Hình 3.10 : Đồ thị phân bố tần suất nhiệt độ cực tiểu trung bình tháng cho tháng 8 và
tháng 4 54
Hình 3.11 : Phân bố đồng thời giá trị nhiệt độ cực tiểu trung bình tháng 8 và tháng 4 . 55
Hình 3.12 Nhiệt độ cực đại trung bình tháng ứng với các hạn dự báo khác nhau 56
Hình 3.13: Nhiệt độ cực đại trung bình tháng (a), hệ số tương quan (b), sai số ME (c)
và sai số quân phương (d) 57
Hình 3.14 Đồ thị phân bố tần suất nhiệt độ cực đại trung bình tháng cho tháng 8 và
tháng 4 58
Hình 3.15 Phân bố đồng thời giá trị nhiệt độ cực đại trung bình tháng 8 và tháng 4 59

Mô hình khí hậu khu vực (Regional Climate Model)
SST
Nhiệt độ mặt nước biển toàn cầu (Sea surface temperature)
WMO
Tổ chức Khí tượng Thế giới (World Meteorological Organization)
IPCC
Ủy ban Liên chính phủ về Biến đổi khí hậu
ECE
Hiện tượng khí hậu cực trị (extreme climate events)
MRED
Tổ hợp đa mô hình khí hậu khu vực (MultiRCM Ensemble Downscaling)
MME
Hệ thống tổ hợp đa mô hình (MultiModel Ensemble)
SPI
Chỉ số giáng thủy tiêu chuẩn (Standardized Precipitation Index)
MOM3
Mô hình đại dương phiên bản 3 (Modular Ocean Model version 3)

7

MỞ ĐẦU

Trong những năm gần đây, dự báo hạn mùa (seasonal forecasting) đang là một
trong những bái toán có tính ứng dụng rất lớn, có ý nghĩa rất quan trọng đối với nhiều
ngành kinh tế, xã hội. Thông tin dự báo hạn mùa là căn cứ cho các nhà hoạch định
chính sách, các nhà quản lý có thể đưa ra kế hoạch sản suất phù hợp cũng như chủ
động ứng phó với các thiên tai, thảm họa. Trong bối cảnh biến đổi khí hậu, dường như
các hiện tượng thời tiết cực đoan ngày càng xảy ra với tần suất nhiều hơn, cường độ
mạnh hơn, gây thiệt hại nặng nề, việc dự báo hạn mùa dựa trên cơ sở các mô hình động
lực trở nên ưu việt hơn so với phương pháp thống kê truyền thống.

9

Chương 1
TỔNG QUAN

Hiện nay, dự báo hạn mùa đang là một trong những bài toán được các nhà khoa
học trong và ngoài nước hết sức quan tâm. Các kết quả dự báo mùa đã mang lại được
ứng dụng rộng rãi trong đời sống xã hội. Trong đó, có thể kể đến hiệu quả của sản
phẩm dự báo hạn mùa trong lĩnh vực nông nghiệp như góp phần đưa ra những dự báo
đáng tin cậy về sản lượng vụ mùa ở Australia [45],Châu Âu [12] hay miền tây Ấn Độ
[13], và cả trong lĩnh vực y tế như góp phần cung cấp thông tin cho việc dự báo sự lan
truyền của dịch sốt rét [38]. Việc dự báo hạn mùa các hiện tượng khí hậu cực đoan
cũng đã được thử nghiệm ở nhiều nơi trên thế giới như Mỹ [47], [48], Hàn Quốc [49]
hay Nam Mỹ [46] và đã cho những kết quả khả quan. Dưới đây là một số công trình
nghiên cứu tiêu biểu.

vật lý của dự báo hạn mùa, chúng ta cần hiểu các nhân tố tạo ra các đặc trưng khí hậu
của 1 năm khác biệt so với các năm khác. Vì vậy, chúng ta cũng cần nắm được khả
năng dự báo của chính các nhân tố này và cụ thể ở quy mô thời gian nào. 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). Dị thường
nhiệt độ bề mặt biển ở khu vực nhiệt đới là đặc biệt quan trọng bởi vì đối lưu sâu trong
khí quyển miền nhiệt đới, tác động lớn đến hoàn lưu toàn cầu, lại rất nhạy cảm với SST
bên dưới. Ở một số nơi khác như Châu Âu và Tây Phi, SST của khu vực cũng được coi
là một trong những nhân tố quan trọng nhất. Đối với khu vực nhiệt đới, đặc biệt là khu
vực Thái Bình Dương xích đạo, khả năng dự báo SST được nâng cao nhờ có các quá
11

trình khác. Trong đó, ENSO là hiện tượng được quan tâm nghiên cứu và có tác động
nhiều nhất đến các quá trình làm thay đổi SST[45]. Dự báo hiện tượng ENSO, theo quy
mô tháng và năm, đã hỗ trợ tốt hơn cho dự báo hạn mùa ở nhiều nơi trên thế giới.
Một nhân tố cũng rất quan trọng khác là bề mặt đất của trái đất, nó 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. Koster (2004) [27] đã sử dụng mô hình bề mặt đất (LSM) kết hợp với
trường toàn cầu trạng thái thực (của các biến giáng thủy, bức xạ và các trường khí
tượng bề mặt) để có được các trường mới về độ ẩm đất, nhiệt độ và các trạng thái đất
khác. Sau đó, tác giả đã sử dụng các trường này làm điều kiện ban đầu cho dự báo
giáng thủy và nhiệt độ bằng mô hình hoàn lưu chung khí quyển (AGCM). Sự cải thiện
trong kết quả đã được kiểm định với việc thực hiện dự báo lại ở quy mô tháng (từ
tháng 5 đến tháng 9, 1979-93) với hệ thống dự báo hạn mùa của Mô hình toàn cầu của
NASA (GMAO). Với 75 dự báo riêng biệt, kết quả đã cung cấp cơ bản đầy đủ về mặt
thống kê cho việc đánh giá sự cải thiện trong kĩ năng dự báo liên quan đến việc ban
đầu hóa điều kiện bề mặt đất. Đánh giá kĩ năng được tập trung cho khu vực Đồng bằng
lớn của Bắc Mỹ, khu vực có nguồn số liệu về điều kiện đất ban đầu đáng tin cậy và có

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
13

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 mô hình động lực dự báo mùa nhìn chung chỉ mới bắt đầu từ
khoảng 30 năm trở lại đây. Cách tiếp cận của phương pháp mô hình động lực có cơ sở
vật lý hơn, sử dụng các mô hình hoàn lưu chung khí quyển. Trong một dạng của hướng
tiếp cận này, bước đầu tiên là dự báo sự phát triển của SST trong vùng nhiệt đới Thái
Bình Dương. Các dự báo có thể dựa trên mô hình khu vực mà coi sự phát triển trong
vùng đại dương nhiệt đới là cô lập. Khi mô hình đưa ra dự báo về Thái Bình Dương, có
thể trong một năm tới, hình thế dự báo của SST sẽ được sử dụng tác động đến mô hình
hoàn lưu chung khí quyển để dự báo thời tiết toàn cầu phản ứng ra sao. Những dự báo
mùa đã cho các kết quả đầy hứa hẹn, đặc biệt là khu vực nhiệt đới. Sự phát triển của
các dự báo này được xây dựng dựa trên những điểm mạnh của mô hình và những quan
trắc ngày càng tốt hơn ở khu vực Thái Bình Dương xích đạo. 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.
Vấn đề dự báo hạn mùa các yếu tố, hiện tượng khí hậu cực đoan đã được đề cập
đến trong một số nghiên cứu của các tác giả. Trong nghiên cứu của mình, Yoon (2012)
[48] đã so sánh kết quả giữa mô hình thống kê và mô hình động lực dự báo mùa lạnh ở
nước Mỹ, tác giả sử dụng phương pháp tổ hợp với 7 mô hình khí hậu khu vực MRED
với đầu vào từ sản phẩm CFS mô phỏng 5 tháng mùa lạnh. Với mỗi RCM, hệ thống 10
thành phần với các điều kiện biên và điều kiện ban đầu được mô phỏng từ tháng 12 đến
tháng 4 năm sau trong giai đoạn 1982 đến 2003. Kết quả so sánh giữa 2 phương pháp

15

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. Từ đó, dự báo hạn dài
ở quy mô khu vực được cung cấp bởi cả Các trung tâm khí hậu khu vực (RCCs) cũng
như các diễn đàn về dự báo mùa khu vực (RCOFs). Cũng như GPCs, RCCs và RCOFs
sử dụng số liệu được hỗ trợ bởi các mô hình số trị để phát triển các dự báo chi tiết thích
hợp cho khu vực riêng. Những mô hình và dự báo này sau đó được sử dụng bởi các
trung tâm dự báo để tạo ra các dự báo quốc gia và địa phương chính xác và tốt hơn.
Năm 2006, WMO bắt đầu chính thức bổ nhiệm các trung tâm đưa ra các bản tin
dự báo mùa toàn cầu được gọi là Trung tâm sản phẩm toàn cầu cho dự báo hạn dài
(GPCs), một thành phần của Hệ thống Xử lý số liệu và Dự báo toàn cầu (GDPFS) [30].
Các trung tâm này cần cung cấp tối thiểu:
o Dự báo giá trị trung bình, tích lũy hoặc tần suất với thời hạn 1 tháng hoặc lâu
hơn; đặc trưng là dị thường phân vị trung bình 3 tháng với định dạng chuẩn cho
dự báo mùa. Các dự báo thường biểu diễn dưới dạng xác suất.
o Hạn dự báo hay thời trễ dự báo (leadtime): từ 0 đến 4 tháng.
o Tần suất phát báo: hàng tháng hoặc ít nhất là theo quý
o Cung cấp: dạng ảnh hiển thị trên trang web của GPCs hoặc/và số liệu để tải về
o Các biến: nhiệt độ 2m, lượng mưa, SST, MSLP, độ cao 500hPa, nhiệt độ
850hPa
o Đánh giá kĩ năng dự báo hạn dài, sử dụng quy chuẩn của SVSLRF.
16 Một số các GPCs chính của WMO là: Cục khí tượng Úc (Bureau of

quyển-đất-đại dương.
CFS có sai số nhỏ chấp nhận được trong dự báo SST vùng nhiệt đới và kĩ năng
dự báo Nino 3-4 SST có thể so sánh được với phương pháp thống kê. Tuy vậy, kĩ năng
dự báo SST vùng vĩ độ trung bình (trước đây không có) kém hơn nhiều so với khu vực
nhiệt đới và ở các thời trễ dự báo dài hơn thì chỉ có kĩ năng vào mùa đông. Kĩ năng dự
báo tháng và mùa của nhiệt độ và lượng mưa khu vực đất liền Bắc Bán cầu, cụ thể như
Mỹ, còn khiêm tốn, nhưng vẫn so sánh được với phương pháp thống kê trước đây. Kĩ
năng của lượng mưa chủ yếu tốt vào mùa đông (liên quan đến ENSO), trong khi kĩ
năng của nhiệt độ chủ yếu tốt vào mùa hè khi dị thường độ ẩm đất có tác dụng sử dụng.
Gần đây, CFS đã phát triển phiên bản 2 với dự báo tổ hợp. Dự báo sử dụng điều
kiện đầu vào của 30 ngày gần nhất và thực hiện chạy 4 lần/1 ngày. Dự báo tổ hợp đầu
vào từ 40 thành phần với điều kiện ban đầu theo thời đoạn 10 ngày. Loại tổ hợp thứ
nhất (E1) sử dụng 10 ngày đầu tiên, loại 2 (E2) sử dụng 10 ngày tiếp theo và loại 3
(E3) sử dụng 10 ngày cuối. Dị thường được tính so với sản phẩm dự báo lại giai đoạn
18

1981-2008. Tương quan theo thời gian dựa vào dự báo lại cho giai đoạn 1981-2006 và
số liệu quan trắc được sử dụng để đánh giá kĩ năng cho dị thường không gian. Độ lệch
chuẩn được tính trung bình độ lệch chuẩn của từng thành phần (vẫn tính từ bộ số liệu
dự báo lại 1981-2006) với tháng đầu vào và mùa dự báo tương ứng.
Ở Châu Âu, một dự án khác cũng đáng lưu ý là DEMETER, dự án được Liên
minh Châu Âu tài trợ để tạo bộ số liệu dự báo lại bằng phương pháp tổ hợp đa mô hình
bao gồm 7 mô hình với 9 thành phần tổ hợp mỗi mô hình, đã được đánh giá sử dụng bộ
số liệu tái phân tích ERA40 và số liệu mưa GPCP [31]. Các mô hình này từ các trung
tâm khí hậu của Châu Âu được viết tắt là: CERFACS, ECMWF, INGV, LODYC,
METEO-FRANCE, MPI và UKMO. Sản phẩm đầu ra của DEMETER được hạ quy mô
(downscale) cho phù hợp để ứng dụng vào việc dự báo sản lượng mùa màng và dịch
sốt rét. Kết quả cho thấy việc tổ hợp đa mô hình là một hướng tiếp cận khả thi khi quan
tâm đến độ bất định của mô hình trong dự báo mùa và nhiều năm, đồng thời đưa ra kết
quả dự báo đáng tin cậy hơn khi chỉ dựa trên một mô hình đơn lẻ. Thêm nữa, một lợi

dài nhiệt độ mùa đông và mưa mùa hè khu vực phía bắc Việt Nam”, Phạm Đức Thi
(cùng cs.) [4] đã xây dựng các phương pháp dự báo nhiệt độ trung bình tháng và mùa
đối với mùa đông. Nhóm tác giả cố gắng tìm các dấu hiệu để phát hiện những mùa
đông có dao động nhiệt độ mang tính chất dị thường. Đồng thời, đề tài cũng xây dựng
các chỉ tiêu dự báo hạn vừa các đợt không khí lạnh, và các đợt rét đậm, rét hại, dự báo
dài hạn thời kì xuất hiện đợt rét đậm đầu tiên trong mùa đông ở khu vực phía bắc Việt
Nam. Đối với mùa hè, phương pháp dự báo chuẩn sai lượng mưa tháng và mùa, dự báo
lượng mưa cũng như các chỉ tiêu dự báo hạn vừa thời kì xuất hiện các đợt mưa thời kì
đầu mùa mưa ở đồng bằng và trung du Bắc Bộ cũng được xây dựng. Số liệu trạm Láng
(Hà Nội) trong 91 năm (1898-1989) được sử dụng cho mùa đông. Tác giả sử dụng chỉ
20

tiêu K=deltaT/sigma ≥ 1 (giá trị chuẩn sai nhiệt độ trung bình từng mùa từng tháng/độ
lệch chuẩn) để đánh giá. Tháng được coi là tháng rét đậm hay ấm đậm trong mùa đông
khi giá trị tuyệt đối của chuẩn sai nhiệt độ trung bình tháng đó bằng hoặc lớn hơn giá
trị độ lệch tiêu chuẩn. Mùa đông được coi là rét đậm hay ấm đậm khi giá trị tuyệt đối
chuẩn sai nhiệt độ trung bình ba tháng (12, 1, 2) bằng hoặc lớn hơn giá trị sigma của
nhiệt độ 3 tháng đó. Rét hại hay ấm hại lấy ngưỡng 1.5. Bên cạnh đó, tác giả cũng đưa
ra các nhận xét về các mùa đông lạnh kỷ lục (1982/83, 1983/84).
Năm 2009, Phan Văn Tân (cùng cs.) [2] cũng đã thử nghiệm bước đầu ứng dụng
mô hình khí hậu khu vực RegCM3 để dự báo nhiệt độ trung bình tháng và tổng lượng
mưa tháng cho ba tháng mùa hè 6-8/1996 khi sử dụng sản phẩm kết xuất của mô hình
khí hậu toàn cầu CAM làm điều kiện ban đầu và điều kiện biên (RegCM-CAM). Các
trường dự báo của RegCM-CAM đã được đánh giá bằng cách so sánh với sản phẩm
mô phỏng tương ứng của RegCM3 với đầu vào là số liệu tái phân tích ERA40 và nhiệt
độ mặt nước biển phân tích OISST (RegCM-ERA). Kết quả dự báo nhiệt độ và lượng
mưa của RegCM-CAM còn được so sánh trực tiếp với số liệu phân tích CRU (nhiệt
độ) và CMAP (lượng mưa), và đánh giá định lượng cho khu vực Việt Nam bằng cách
nội suy về vị trí trạm và so sánh với số liệu quan trắc từ mạng lưới trạm khí tượng
thông qua các chỉ số thống kê. Kết quả nhận được cho thấy, về cơ bản các trường nhiệt

hướng sai số trong pha mô phỏng tại hầu hết các ECE và vùng khí hậu. Kết quả này
chứng tỏ tính ổn định của các RCM được nghiên cứu ở đây.
Trong những năm vừa qua, Viện Khoa học Khí tượng Thủy văn và Môi trường
đã đưa vào hệ thống nghiệp vụ dự báo dị thường tổng lượng mưa mùa và nhiệt độ
trung bình trên cơ sở phương pháp thống kê. Kết quả được biên tập thành “Thông báo
và dự báo khí hậu” ra hàng tháng và được cập nhật thường xuyên lên website của Viện
( Các thông báo này tổng kết diễn biến khí hậu 3 tháng trước
22

đó và đưa ra dự báo khí hậu cho 3 tháng tiếp theo. Diễn biến khí hậu được xem xét trên
cả quy mô toàn cầu và Việt Nam với các biến nhiệt độ, mưa, nắng, bốc hơi, chỉ số ẩm
và một số hiện tượng thời tiết đặc biệt. Dự báo khí hậu 3 tháng bao gồm các nhận định
chung về diễn biến khí hậu thế giới và khu vực (hiện tượng ENSO) và dự báo khí hậu
cho Việt Nam (nhiệt độ, lượng mưa, xoáy thuận nhiệt đới và không khí lạnh) [5]. Tuy
nhiên, các bản tin vẫn còn khá nghèo nàn và đặc biệt là chưa thể có những thông tin dự
báo về các điều kiện khí hậu cực trị.
Qua tổng quan các nghiên cứu trong và ngoài nước về bài toán dự báo hạn mùa
các hiện tượng khí hậu cực đoan, có thể nhận thấy3 điểm cần lưu ý. Thứ nhất, về mặt
phương pháp, hiện nay phương pháp mô hình động lực tỏ ra có ưu thế hơn và được
phát triển ngày càng hoàn thiện hơn. Phương pháp thống kê, tuy có ưu điểm không yêu
cầu cao về mặt tài nguyên tính toán, nhưng cũng có nhiều nhược điểm, nhất là trong
bối cảnh biến đổi khí hậu. Trong đó, việc không tính đến mối quan hệ vật lý giữa các
biến được dự báo, không nắm bắt được những phát triển đột biến của khí quyển cũng
như việc phụ thuộc nhiều vào nguồn số liệu điểm trạm vốn không đầy đủ và hoàn thiện
ở nhiều khu vực, là những khuyết điểm chính. Phương pháp mô hình động lực, tuy cần
tài nguyên tính toán lớn, cả về tài nguyên máy tính và nguồn nhân lực, nhưng lại giải
quyết được hầu hết các hạn chế trên của phương pháp thống kê. Điểm thứ hai, so với
sự phát triển trên thế giới thì dự báo hạn mùa ở Việt 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 vực đã và đang

này sẽ trình bày sơ lược mô hình RegCM phiên bản 4.2 và hệ thống dự báo mùa CFS.
Ngoài ra ở đây cũng sẽ đưa ra một số chỉ số thống kê sử dụng trong đánh giá chất
lượng dự báo.
Trước hết cần làm rõ một số khái niệm về “yếu tố và hiện tượng cực đoan” sẽ
được sử dụng trong luận văn.
2.1 Xác định các chỉ số khí hậu cực đoan
Khái niệm “hiện tượng cực đoan” (nói chung) được hiểu là những hiện tượng
thỏa mãn các điều kiện: 1) Hiếm, tức có tần suất xuất hiện tương đối thấp trong một
khoảng thời gian tương đối dài; 2) Có cường độ lớn; và 3) Khắc nghiệt, tức là có khả
năng gây ra những ảnh hưởng lớn hoặc dữ dội, đe dọa trực tiếp hoặc gián tiếp đến sự
sống trên Trái đất.
Trong lĩnh vực khí tượng, theo IPCC (2007), hiện tượng thời tiết cực đoan là
hiện tượng hiếm ở một nơi cụ thể vào một thời gian cụ thể trong năm. Định nghĩa
“hiếm” có thể được hiểu theo nhiều cách khác nhau, nhưng hiện tượng thời tiết cực
đoan được hiểu là hiện tượng có xác suất xuất hiện nhỏ, thông thường được chọn là
nhỏ hơn 10%. Theo định nghĩa này, các tính chất của cái gọi là “thời tiết cực đoan” có
thể rất khác nhau giữa nơi này và nơi khác. Khi hiện tượng thời tiết cực đoan xảy ra
vào một thời gian nào đó trong năm, chẳng hạn một mùa, khá ổn định, nó có thể được
25

gọi là hiện tượng khí hậu cực đoan. Nói cách khác, hiện tượng khí hậu cực đoan là sự
tổng hợp của hiện tượng thời tiết cực đoan được đặc trưng bởi trung bình và các cực trị
tuyệt đối của các hiện tượng thời tiết cực đoan trên một khoảng thời gian nhất định đủ
dài.
Nói chung, hiện tượng khí hậu cực đoan phần lớn không được quan trắc trực
tiếp mà thường được xác định căn cứ vào số liệu quan trắc của các yếu tố khí hậu và
dựa trên một số chỉ tiêu qui ước cụ thể nào đó.
Ở Việt Nam hiện nay tồn tại hai khái niệm: “yếu tố khí hậu cực đoan” và “hiện
tượng khí hậu cực đoan”. Cái gọi là “yếu tố khí hậu cực đoan” xuất phát từ tên gọi các
biến khí hậu cực trị (extreme) mà tập giá trị của chúng là tập hợp các giá trị “cực đại”