ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
Nguyễn Quang Trung
NGHIÊN CỨU KHẢ NĂNG ỨNG DỤNG MÔ HÌNH KHÍ HẬU KHU
VỰC DỰ BÁO HẠN MÙA Ở VIỆT NAM Chuyên ngành: Khí tƣợng và khí hậu học
Mã số: 62.44.87 LUẬN VĂN THẠC SĨ KHOA HỌC

NGƢỜI HƢỚNG DẪN KHOA HỌC:
GS. TS. Phan Văn Tân
Hà Nội - 2012
2

1.2 Các nghiên cứu trong nƣớc 18
Chƣơng 2 PHƢƠNG PHÁP NGHIÊN CỨU 22
2.1 Sơ lƣợc về mô hình khí hậu khu vực RegCM3 22
2.2 Hệ thống mô hình kết hợp CAM-SOM 24
2.3 Thiết kế thí nghiệm 29
2.4 Nguồn số liệu 34
Chƣơng 3 KẾT QUẢ VÀ NHẬN XÉT 38
3.1 Kết quả dự báo hạn mùa bằng mô hình RegCM3 với các tùy chọn tham
số hóa đối lƣu khác nhau 38
3.1.1 Thời tiết, khí hậu khu vực Đông Nam Á giai đoạn 1996-2005 38
3.1.2 Hoàn lƣu, nhiệt độ và lƣợng mƣa từ đầu ra của RegCM3 40
3.2 Đánh giá kết quả dự báo thử nghiệm bằng Reg_CAMSOM 54
3.2.1 Đánh giá trƣờng đầu vào nhận đƣợc từ CAMSOM 54
3.2.2 So sánh Reg_CAMSOM và Reg_NNRP2 58
3.2.3 Đánh giá kết quả Reg_CAMSOM 64
KẾT LUẬN 78
TÀI LIỆU THAM KHẢO 79
4

DANH MỤC HÌNH

Hình 1.1 Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO 15
Hình 2.1 Cấu trúc lƣới thẳng đứng (bên trái) và lƣới ngang dạng xen kẽ ArakawaB
(bên phải) của mô hình RegCM3 23
Hình 2.2 Mô tả hệ toạ độ lai thẳng đứng trong CAM 3.0 27
Hình 2.3 Sơ đồ mô tả các mô hình thành phần của CAM-SOM 28
Hình 2.5 Miền tính của RegCM3 trong các thí nghiệm. 31
Hình 2.4 Mô tả các thí nghiệm đƣợc thực hiện. 32
Hình 2.5 Vị trí 48 trạm lấy số liệu quan trắc để thẩm định 36
Hình 3.1 Nino3.4 trung bình từ tháng 6 đến tháng 12 giai đoạn 1950 – 2007. 39

Hình 3.16 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng
1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) 57
Hình 3.17 Trƣờng nhiệt độ không khí trung bình mực 2m các tháng 6,7,8 (trên
xuống dƣới) mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2
(giữa) và hiệu giữa chúng (phải). 59
Hình 3.18 Trƣờng tổng lƣợng mƣa các tháng 6,7,8 (trên xuống dƣới) mô phỏng của
RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và hiệu giữa chúng
(phải). 60
Hình 3.19 Nhiệt độ không khí trung bình mực 2m các tháng từ tháng 5 đến tháng 9
mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số
liệu quan trắc (phải) tại 48 trạm. 61
Hình 3.20 Tổng lƣợng mƣa tháng trung bình trong các tháng từ tháng 5 đến tháng 9
mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số
liệu quan trắc (phải) tại 48 trạm. 62
Hình 3.21 Sai số mô phỏng nhiệt độ không khí trung bình mực 2m từ tháng 5 đến
tháng 9 của RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại
48 trạm. 63
6

Hình 3.22 Sai số mô phỏng lƣợng mƣa trung bình các tháng từ tháng 5 đến tháng 9
của RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại 48
trạm. 64
Hình 3.23 Nhiệt độ không khí trung bình mực 2m của (a) tháng 4, (b) tháng 5, (c)
tháng 6 theo số liệu CRU. 65
Hình 3.24 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 4 với các
leadtime khác nhau 66
Hình 3.25 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 5 với các
leadtime khác nhau 67
Hình 3.26 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 6 với các
leadtime khác nhau 68

Trung tâm sản phẩm toàn cầu cho dự báo hạn dài
LSM
Mô hình bề mặt đất (land surface model)
RegCM
Mô hình khí hậu khu vực (Regional Climate Model)
SST
Nhiệt độ mặt nƣớc biển toàn cầu (Sea surface temperature)
WMO
Tổ chức Khí tƣợng Thế giới (World Meteorological Organization) 9

MỞ ĐẦU

Bài toán dự báo hạn mùa hiện đang là một trong những bài toán đƣợc quan
tâm trên thế giới cũng nhƣ trong khu vực bởi những ứng dụng thiết thực đối với đời
sống xã hội. Cụ thể trong dự báo hạn mùa, phƣơng pháp đƣợc quan tâm nhiều hiện
nay là phƣơng pháp mô hình động lực, thay thế cho phƣơng pháp thống kê đƣợc
phát triển mạnh những năm trƣớc đây. Sự phát triển của các mô hình dự báo số trị,
không chỉ trên quy mô toàn cầu mà còn chi tiết hóa cho từng khu vực, đã góp phần
tạo điều kiện thuận lợi cho hƣớng nghiên cứu này.
Ở Việt Nam, việc ứng dụng và thử nghiệm các mô hình khí hậu khu vực cho
bài toán dự báo tuy không còn mới mẻ nhƣng vẫn còn nhiều câu hỏi cần đƣợc 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 khu vực, kết hợp với sản phẩm đầu ra từ mô hình
dự báo toàn cầu, để đƣa ra các sản phẩm dự báo và đánh giá cho khu vực Việt Nam.
Mô hình khu vực đƣợc sử dụng là Mô hình khí hậu khu vực RegCM phiên bản 3
(RegCM3), với đầu vào từ hệ thống mô hình kết hợp CAM-SOM. Trƣớc đó, khả
năng mô phỏng của RegCM3 với các sơ đồ đối lƣu khác nhau cũng đƣợc đánh giá

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) trong thời hạn dự báo. Dự báo mùa,
hay dự báo hạn mùa (Seasonal forecast), hay dự báo khí hậu hạn mùa (Seasonal
Climate forecast) có hạn dự báo đến tối đa (hiện nay) là một năm [35].
11

Bên cạnh đó, theo WMO [44], với bài toán dự báo thời tiết, dự báo quy mô
lớn hơn 10 ngày trong tƣơng lai đƣợc coi là dự báo hạn dài, mặt khác trong dự báo
khí hậu, dự báo hạn dài nói chung quan tâm ở quy mô mùa. Dự báo hạn dài đƣợc
mở rộng từ hạn 30 ngày cho đến 2 năm, trong đó bao gồm các mô tả quy mô mùa
(seasonal outlook) đƣợc định nghĩa là việc chỉ ra các tham số trung bình của thời
tiết thông qua độ lệch so với giá trị trung bình khí hậu của mùa đó [30]. Khái niệm
mùa có thể hiểu theo mùa thiên văn (xuân, hạ, thu, đông) và cũng có thể có khái
niệm khác ở vùng nhiệt đới (mùa mƣa, mùa khô). Trong thực tế, dự báo hạn mùa
(seasonal forecasting) đƣợc xét từ quy mô tháng cho đến 1 năm (với các hạn phổ
biến là 1, 3, 6, 9 tháng) nhằm đƣa ra các ứng dụng có hiệu quả của sản phẩm dự
báo.
Dự báo hạn mùa (từ quy mô tháng cho đến quy mô năm) là một bài toán
phức tạp mà sự thành công của các dự báo mùa này phụ thuộc vào mức độ hiểu biết
(chi tiết) về mối quan hệ tƣơng tác giữa khí quyển và đại dƣơng [44]. Hiện tại, với
những hiểu biết của chúng ta về các quá trình tƣơng tác trên, cùng với việc chi tiết
hóa (hoàn thiện hơn) của các mô hình đã giúp phát triển việc quan trắc đo đạc cũng
nhƣ tạo ra những tiến bộ trong dự báo hạn mùa. Để hiểu đƣợc cơ sở vật lý của dự
báo hạn mùa, chúng ta cần hiểu các nhân tố tạo ra các đặc trƣng khí hậu của 1 năm
khác biệt so với các năm khác. Vì vậy, chúng ta cũng cần nắm đƣợc 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 trƣng khí hậu thay đổi từ năm này
qua năm khác là sự biến đổi của nhiệt độ mặt nƣớc biển toàn cầu (SST). Dị thƣờng

vào tháng 5 đến tháng 7, trong khi đó với nhiệt độ không khí, là tháng 8 và tháng 9.
Cả ban đầu hóa đất và khí quyển đều chi phối một cách độc lập đến kĩ năng thực
của dự báo nhiệt độ hàng tháng, với kĩ năng lớn nhất nhận đƣợc từ việc ban đầu hóa
là khi kết hợp 2 nguồn này.
Việc dự báo hạn dài chính xác các nhân tố khí hậu (nhiệt độ, lƣợng mƣa, trên
hay dƣới chuẩn… ) có những tiềm năng ứng dụng rất lớn, ví dụ những dự báo này
có thể cung cấp thông tin cần thiết cho những quyết định dài hạn và cảnh báo sớm
các thiên tai có thể xảy ra. Một lƣu ý là mức độ tin cậy của bất kỳ dự báo nào cũng
13

phụ thuộc vào khả năng nắm bắt chính xác đến đâu của chúng khi so sánh với trung
bình khí hậu. Cụ thể là dự báo chỉ đƣợc chấp nhận nếu chúng chính xác hơn và
cung cấp nhiều thông tin hơn so với kinh nghiệm về khí hậu mà vẫn đƣợc sử dụng
để đánh giá và đƣa ra các quyết định trƣớc đây. Có hai cách tiếp cận dự báo hạn
mùa là dự báo bằng phƣơng pháp thống kê và phƣơng pháp mô hình động lực (dự
báo sử dụng các mô hình số trị).
Phương pháp thống kê là phƣơng pháp đơn giản nhất để dự báo dị thƣờng
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 tƣơng lai với đặc tính khí hậu hiện
tại. Những dị thƣờng biến đổi chậm và có quy mô lớn của khí hậu (ví dụ nhƣ SST)
có thể tồn tại trong nhiều tháng, và có thể tác động làm thay đổi hình thế hoàn lƣu
chung khí quyển và từ đó sai lệch so với trạng thái trung bình của hoàn lƣu khí hậu
địa phƣơng. Ban đầu, hƣớng tiếp cận này không mấy thành công, nhƣng sự tăng
cƣờng hiểu biết về hiện tƣợng ENSO và các hình thế tác động khác giúp cho
phƣơng pháp này đáng tin cậy hơn. Điểm mạnh của phƣơng pháp này là tƣơng đối
dễ áp dụng bởi vì hầu nhƣ phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên
máy tính khiêm tốn. Đƣơng nhiên, vẫn tồn tại những hạn chế. Các mô hình thống kê
thƣờng thử nghiệm 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 nhƣ động lực học nằm ẩn bên trong. Điều này
có nghĩa là phƣơng pháp hiệu quả khi sự phát triển quy mô lớn là rõ rệt và theo một

riêng. Những mô hình và dự báo này sau đó đƣợc sử dụng bởi các trung tâm dự báo
để tạo ra các dự báo quốc gia và địa phƣơng chính xác và tốt hơn.
Năm 2006, WMO bắt đầu chính thức bổ nhiệm các trung tâm đƣa ra các bản
tin dự báo mùa toàn cầu đƣợc 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 trƣng là dị thƣờng phân vị trung bình 3 tháng với định dạng chuẩn
cho dự báo mùa. Các dự báo thƣờng biểu diễn dƣới dạng xác suất.
o Thời trễ dự báo (leadtime): từ 0 đến 4 tháng.
15

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, lƣợng mƣa, SST, MSLP, độ cao 500hPa, nhiệt độ
850hPa
o Đánh giá kĩ năng dự báo hạn dài, sử dụng quy chuẩn của SVSLRF.

Một số các GPCs chính của WMO là: Cục khí tƣợng Úc (Bureau of
Meteorology, Australia); Cơ quan khí tƣợng Trung Quốc (China Meteorological
Administration/Bejing Climate Center); Trung tâm dự báo khí hậu Mỹ (Climate
Prediction Center, NOAA); Trung tâm dự báo hạn vừa Châu Âu (European Centre
for Medium-Range Weather Forecasts); Cơ quan khí tƣợng Nhật Bản (Japan
Meteorological Agency/Tokyo Climate Centre)…
Mặt khác, nổi bật lên hiện nay, khi quan tâm đến dự báo hạn mùa đáng lƣu ý
là Hệ thống dự báo khí hậu CFS (Climate Forecast System) với hệ thống dự báo hạn
mùa sử dụng mô hình động lực kết hợp đầy đủ đại dƣơng-đất-khí quyển, đã đƣợc
đƣa vào nghiệp vụ tại NCEP từ tháng 8 năm 2004 [32]. Hệ thống CFS cung cấp


thống kê trƣớc đây. Kĩ năng của lƣợng mƣa 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 thƣờng độ
ẩm đất có tác dụng sử dụng.
17

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 thƣờng đƣợc tính so với sản phẩm dự báo
lại giai đoạn 1981-2008. Tƣơng quan theo thời gian dựa vào dự báo lại cho giai
đoạn 1981-2006 và số liệu quan trắc đƣợc sử dụng để đánh giá kĩ năng cho dị
thƣờng không gian. Độ lệch chuẩn đƣợc 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 tƣơng ứng.
Ở Châu Âu, một dự án khác cũng đáng lƣu ý là DEMETER, dự án đƣợc Liên
minh Châu Âu tài trợ để tạo bộ số liệu dự báo lại bằng phƣơng pháp tổ hợp đa mô
hình bao gồm 7 mô hình với 9 thành phần tổ hợp mỗi mô hình, đã đƣợc đánh giá sử
dụng bộ số liệu tái phân tích ERA40 và số liệu mƣa GPCP [31]. Các mô hình này từ
các trung tâm khí hậu của Châu Âu đƣợc viết tắt là: CERFACS, ECMWF, INGV,
LODYC, METEO-FRANCE, MPI và UKMO. Sản phẩm đầu ra của DEMETER
đƣợc downscale cho phù hợp để ứng dụng vào việc dự báo sản lƣợng mùa màng và
dịch sốt rét. Kết quả cho thấy việc tổ hợp đa mô hình là một hƣớng tiếp cận khả thi
khi quan tâm đến độ bất định của mô hình trong dự báo mùa và nhiều năm, đồng
thời đƣa ra kết quả dự báo đáng tin cậy hơn khi chỉ dựa trên một mô hình đơn lẻ.
Thêm nữa, một lợi ích khác của dự án là cho ra bộ sản phẩm dự báo lại quy mô
mùa. Bộ số liệu này cho tiềm năng để nâng cao hiểu biết của chúng ta về các cơ chế
trong dao động liên mùa và nhiều năm.
David Lavers (cùng cs.) đã phân tích chi tiết kĩ năng dự báo của nhiệt độ và
lƣợng mƣa từ 8 mô hình dự báo mùa bằng phân bố đồng thời của quan trắc và dự

“Thông báo và dự báo khí hậu” ra hàng tháng và đƣợc cập nhật thƣờng xuyên lên
website của Viện ( Các thông báo này tổng kết diễn biến khí
hậu 3 tháng trƣớc đó và đƣa ra dự báo khí hậu cho 3 tháng tiếp theo. Diễn biến khí
hậu đƣợc xem xét trên cả quy mô toàn cầu và Việt Nam với các biến nhiệt độ, mƣa,
nắng, bốc hơi, chỉ số ẩm và một số hiện tƣợng thời tiết đặc biệt. Dự báo khí hậu 3
19

tháng bao gồm các nhận định chung về diễn biến khí hậu thế giới và khu vực (hiện
tƣợng ENSO) và dự báo khí hậu cho Việt Nam (nhiệt độ, lƣợng mƣa, xoáy thuận
nhiệt đới và không khí lạnh) [5].
Năm 2009, Phan Văn Tân (cùng cs.) [2] cũng đã thử nghiệm bƣớc đầu ứng
dụng mô hình khí hậu khu vực RegCM3 để dự báo nhiệt độ trung bình tháng và
tổng lƣợng mƣa 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 trƣờng dự báo của RegCM-CAM đã đƣợc đánh giá bằng cách
so sánh với sản phẩm mô phỏng tƣơng ứng của RegCM3 với đầu vào là số liệu tái
phân tích ERA40 và nhiệt độ mặt nƣớc biển phân tích OISST (RegCM-ERA). Kết
quả dự báo nhiệt độ và lƣợng mƣa của RegCM-CAM còn đƣợc so sánh trực tiếp với
số liệu phân tích CRU (nhiệt độ) và CMAP (lƣợng mƣa), và đánh giá định lƣợng
cho khu vực Việt Nam bằng cách nội suy về vị trí trạm và so sánh với số liệu quan
trắc từ mạng lƣới trạm khí tƣợng thông qua các chỉ số thống kê. Kết quả nhận đƣợc
cho thấy, về cơ bản các trƣờng nhiệt độ và lƣợng mƣa dự báo của RegCM-CAM
phù hợp tốt với sản phẩm mô phỏng của RegCM-ERA cũng nhƣ với các trƣờng
phân tích CRU, CMAP. Trên khu vực Việt Nam, RegCM-CAM thƣờng dự báo
nhiệt độ thấp hơn quan trắc; sai số dự báo nhiệt độ của RegCM-CAM trung bình
khoảng 2
o
C, khá ổn định và có tính hệ thống. RegCM-CAM cũng cho lƣợng mƣa
dự báo ở Việt Nam thấp hơn thực tế, tuy nhiên sai số còn khá lớn và không thể hiện
rõ qui luật. Trong ba tháng thử nghiệm, dự báo lƣợng mƣa của RegCM-CAM cho

pháp mô hình động lực, tuy cần tài nguyên tính toán lớn, cả về tài nguyên máy tính
và nguồn nhân lực, nhƣng lại giải quyết đƣợc hầu hết các hạn chế trên của phƣơng
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 phƣơng pháp thống kê. Trong khi đó, những năm gần đây, có
không ít các mô hình khí hậu khu vực đã đƣợc thử nghiệm cho khu vực Việt Nam
[3]. Từ đó, tác giả nhận thấy việc hƣớng đến nghiên cứu khả năng ứng dụng mô
hình khí hậu khu vực vào bài toán dự báo hạn mùa ở Việt Nam là một hƣớng đi có ý
nghĩa và cần thiết. Trƣớc hết là khai thác phƣơng pháp mô hình động lực cho bài
21

toán dự báo mùa ở Việt Nam, hơn thế nữa nếu kết quả khả quan, có thể ứng dụng
tốt cho các bài toán sau này nhƣ thống kê trên sản phẩm mô hình hay dự báo tổ hợp.
Để giải quyết hƣớng đi này, tác giả tập trung vào hai khía cạnh. Đầu tiên là khảo sát
đƣợc năng lực của mô hình khí hậu khu vực lựa chọn sử dụng, mà ở đây là mô hình
Mô hình khí hậu khu vực RegCM phiên bản 3 (RegCM3). Khi điều kiện đầu vào là
trƣờng khí quyển thực, đƣợc coi là trƣờng “dự báo hoàn hảo”, đồng thời với các
tham số hóa đối lƣu khác nhau, khả năng mô phỏng của RegCM3 sẽ nhƣ 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 nhằm đƣa ra các sản phẩm dự báo bƣớc đầu. Mô hình toàn
cầu đƣợc sử dụng ở đây là hệ thống mô hình CAMSOM. Các kết quả đƣợc đánh giá
so sánh với số liệu quan trắc, cả trên quy mô lƣới và điểm trạm. Chi tiết việc thiết
kế các thí nghiệm cũng nhƣ mô hình đƣợc sử dụng và các nguồn số liệu sẽ đƣợc
trình bày trong chƣơng 2 tiếp sau đây.

22

Chƣơng 2
PHƢƠNG PHÁP NGHIÊN CỨU


Betts,
Mô hình RegCM3 sử dụng hệ tọa độ thẳng đứng thủy tĩnh theo địa hình, ký
hiệu là , đƣợc định nghĩa bởi
( )/( )
t s t
p p p p  

trong đó p là áp suất, p
t
là áp
suất tại đỉnh mô hình, và p
s
là áp suất tại bề mặt.  bằng 0 tại đỉnh và bằng 1 tại bề
mặt. Thông thƣờng, độ phân giải thẳng đứng trong lớp biên mịn hơn các lớp trên
cao và số mực thay đổi tuỳ theo yêu cầu ngƣời sử dụng. Lƣới ngang có dạng xen kẽ
ArakawaB (Hình 2.1). Các biến vô hƣớng (T, q, p,…) đƣợc xác định tại tâm các ô
lƣới trong khi các thành phần vận tốc gió hƣớng đông (u) và hƣớng bắc (v) đƣợc
xác định tại các nút lƣới. Vị trí tâm ô lƣới ký hiệu bằng dấu nhân, còn các nút lƣới
đƣợc ký hiệu bằng dấu chấm tròn. Theo phƣơng thẳng đứng các biến vô hƣớng và
thành phần gió ngang (u, v) đƣợc xác định tại mực giữa mỗi lớp, gọi là các mực
phân, còn thành phần vận tốc thẳng đứng đƣợc xác định trên các mực nguyên (Hình
2.1). Hình 2.1 Cấu trúc lƣới thẳng đứng (bên trái) và lƣới ngang dạng xen kẽ ArakawaB
(bên phải) của mô hình RegCM3
Hệ phƣơng trình cơ bản của RegCM3 bao gồm các phƣơng trình động lƣợng
ngang, phƣơng trình liên tục, phƣơng trình nhiệt động học, phƣơng trình thủy tĩnh
và phƣơng trình ẩm [29]. Về điều kiện ban đầu và điều kiện biên, mô hình khí hậu
khu vực RegCM đƣợc xây dựng dựa trên nguyên tắc cân bằng giữa các quá trình

GCM hiện nay chạy với SST cho trƣớc nhƣ là điều kiện biên dƣới trên biển (và
25

thƣờng đƣợc ký hiệu là AGCM). Khi GCM có sự kết hợp đầy đủ các thành phần khí
quyển – bề mặt đất và đại dƣơng nó đƣợc gọi là hệ thống mô hình kết hợp khí
quyển – đại dƣơng và ký hiệu là AOGCM.
Một trong những AOGCM đơn giản là mô hình trong đó thành phần đại
dƣơng đƣợc đƣa vào nhƣ là một lớp nƣớc mỏng phía trên (SOM – Slab Ocean
Model). SOM còn đƣợc gọi là mô hình “lớp xáo trộn” hoặc “lớp mỏng” do độ dày
của lớp này tƣơng đƣơng với độ dày lớp xáo trộn trong đại dƣơng. Mô hình “lớp
xáo trộn” biểu diễn đại dƣơng nhƣ là lớp nƣớc mỏng với độ sâu ấn định, thông
thƣờng giữa 70 và 100m. Đôi khi độ sâu lớp xáo trộn có thể thay đổi theo địa hình,
nhƣng thƣờng không chênh lệch nhiều trên toàn cầu.
CAM (Community Atmosphere Model) là thành phần khí quyển trong mô
hình hệ thống khí hậu CCSM (Community Climate System Model) trong đó kết hợp
mô hình khí quyển với mô hình bề mặt đất CLM (Community Land Model).
CAM-SOM là hệ thống kết hợp (couple) giữa CAM và SOM, là một
AOGCM đơn giản sẽ đƣợc ứng dụng trong luận văn này. Sau đây sẽ trình bày tóm
tắt hai thành phần của hệ thống CAM-SOM.
 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 đƣợc thiết kế để làm một công cụ của cộng đồng nên có tên là
Mô hình Khí hậu Cộng đồng (CCM - Community Climate Model). Phiên bản gốc
của Mô hình Khí hậu Cộng đồng NCAR là CCM0A [39] và CCM0B [40], đƣợc dựa
trên mô hình phổ của Australia [33], [34] và một phiên bản của mô hình phổ
ECMWF [6]. Trải qua thế hệ thứ hai của Mô hình Cộng đồng, CCM1, đƣợc ban
hành năm 1987 [41], [7], [42], thế hệ thứ 3 của Mô hình Khí hậu Cộng đồng ra đời
vào tháng 10 năm 1992 [8], [22] và đến CCM3 là thế hệ thứ tƣ của Mô hình Khí
hậu Cộng đồng NCAR [26]. Hiện nay, CAM 3.0 đã là thế hệ thứ 5 của mô hình khí