ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN HỒ THỊ MINH HÀ

NGHIÊN CỨU KHẢ NĂNG MÔ PHỎNG MÙA CÁC YẾU TỐ
KHÍ TƯỢNG TRÊN LÃNH THỔ VIỆT NAM BẰNG PHƯƠNG
PHÁP THỦY ĐỘNG VÀ THỐNG KÊ

Chuyên ngành: Khí tượng học
Mã số: 62.44.87.01 TÓM TẮT LUẬN ÁN TIẾN SĨ KHÍ TƯỢNG HỌC
HÀ NỘI – 2008
Công trình được hoàn thành tại Khoa Khí tượng Thủy văn và Hải
dương học, trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà
Nội

1. Hồ Thị Minh Hà, (2004), “Bước đầu nghiên cứu mạng
thần kinh nhân tạo và khả năng áp dụng để dự báo nhiệt
độ cho khu vực Đông Nam Á”, Nội san khoa học trẻ,
Trường Đại học Khoa học Tự nhiên, ĐHQGHN, Số
2/2004, tr.57-61.
2. Hồ Thị Minh Hà, Nguyễn Hướng Điền, (2006), “Thử
nghiệm dự báo lượng mưa ngày bằng phương pháp dùng
mạng thần kinh nhân tạo hiệu ch
ỉnh sản phẩm mô hình
số”, Tạp chí Khoa học và công nghệ, ĐHQGHN, T.XXII,
Số 1PT-4/2006, tr.1-10.
3. Hồ Thị Minh Hà, Nguyễn Hướng Điền, (2006), “Thử
nghiệm hiệu chỉnh kết quả mô phỏng nhiệt độ hạn mùa
trên khu vực Đông Nam Á của mô hình khí hậu khu vực
RegCM3”, Tạp chí Khoa học và công nghệ, ĐHQGHN,
T.XXII, Số 2B PT 2006, tr.20-27.
4. Ho Thi Minh Ha, Phan Van Tan, Le Nhu Quan, (2006),
“On the regional climate simulation over Southeast Asia
using RegCM”, Report of Vietnam-Japan Joint Workshop
on Asian Monsoon, Ha Long, pp. 62-68.
5. Kieu Thi Xin, Le Duc, and Ho Thi Minh Ha, (2005),
“Simulation of Southeast Asia Rainfall using RegCM3
and Problems”, IAMAS 2005 General Assembly, Beijing,
China, August 2 - 11, 2005. DOI:
T4DKTX13Aug04100242.24
Tây Nguyên, cả ba phiên bản đều có xu hướng tái tạo nhiệt độ trung bình
tháng cao hơn quan trắc, trong đó phiên bản Reg+GAB lại thường cho mô

(Reg+Tổ hợp) lên 0,28. Các chỉ số đố
i với từng khu vực cũng có xu thế
tương tự.
6. Tóm lại, với những đặc điểm mới đã trình bày trong luận án, mô
hình RegCM3 có khả năng mô phỏng tương đối tốt các trường khí hậu khu
vực Việt Nam và Đông Nam Á trong những tháng mùa hè. Điều đó cũng có
nghĩa là nếu được cung cấp các trường dự báo toàn cầu đảm bảo chất lượng
làm điều kiện biên thì mô hình RegCM3 có th
ể được sử dụng để dự báo hạn
mùa, trước hết cho thời kỳ gió mùa mùa hè, trên khu vực này. Hiện nay các
mô hình khí hậu toàn cầu (GCM) ngày càng có kỹ năng dự báo tốt hơn, sản
phẩm của chúng có thể làm đầu vào cho các mô hình khí hậu khu vực nói
chung và RegCM3 nói riêng. Do đó những kết luận về khả năng của
RegCM3 có thể là một trong những cơ sở để chúng ta nghiên cứu áp dụng
các mô hình GCM vào Việt Nam (chẳng hạn như CCSM ).

1
MỞ ĐẦU
1. Lý do lựa chọn đề tài
Các điều kiện khí hậu vào tháng sau, mùa sau hay năm sau luôn
được quan tâm hàng đầu khi con người đề ra những kế hoạch dài hạn
trong sản xuất nông, lâm, ngư nghiệp, trong kinh tế, xây dựng, du
lịch,… Như ta đã biết, đây chính là mục đích của bài toán dự báo khí
hậu hạn mùa. Đối với khu vực có địa lý tự nhiên phức tạp như Đông
Nam Á, gió mùa tác động mạnh tới khí hậu ở đ
ây, vì vậy bài toán dự
báo mùa không hề đơn giản, đặc biệt là trong mùa hè.
Các phương pháp thường được sử dụng trong dự báo khí hậu là
phương pháp thống kê và phương pháp số trị. Cùng với sự phát triển
mạnh mẽ và nhanh chóng của công nghệ máy tính trong một vài thập

lượng mô phỏng của mô hình đối với trường nhiệt độ bề mặt.
- Đã nghiên cứu và xây dựng được phương pháp hiệu chỉnh các
trường nhiệt độ và lượng mưa của mô hình RegCM3 bằng phương
pháp mạng thần kinh nhân tạo (ANN).
5. Ý nghĩa khoa học và thực tiễn
Tổng quan được vấn đề dự
báo và mô phỏng khí hậu hiện nay và
đề ra phương án nghiên cứu mô phỏng khí hậu khu vực Việt Nam
bằng mô hình RegCM3 và thống kê. Đã khảo sát và thử nghiệm các
sơ đồ tham số hóa đối lưu Kuo, BMJ, GAS, GFC, Tiedtke, thử
nghiệm các sơ đồ tính toán thông lượng đại dương BATS và Zeng và
chọn được sơ đồ đối lưu Tiedtke, sơ đồ thông lượng đại dương BATS
là tốt nhất để mô phỏng khí hậu khu vực Việt Nam. Kết hợ
p kết quả
động lực và phương pháp thống kê (mạng thần kinh nhân tạo) để đưa
ra kết quả mô phỏng trường nhiệt độ 2m và lượng mưa mùa hè trên
lãnh thổ Việt Nam phù hợp với thực tiễn hơn. Kết quả nghiên cứu
của luận án có thể sử dụng trong nghiên cứu và tìm ra một số đặc
điểm khí hậu (lượng mưa, nhiệt độ) mùa hè của Việt Nam.
Luận án g
ồm 4 chương. Nội dung chính của các chương được
trình bày tóm tắt sau đây.

23
KẾT LUẬN
Từ kết quả nghiên cứu của luận án có thể rút ra một số kết luận và
kiến nghị như sau:
1. Phiên bản gốc của mô hình RegCM3 với các cấu hình thí nghiệm
khác nhau đã thể hiện khả năng mô phỏng tương đối tốt hoàn lưu, trường áp
suất mực biển trung bình trong mùa gió mùa mùa hè trên khu vực Đông

trường mô phỏng của mô hình tính theo BATS phù hợp hơn so với tính theo
Zeng. Mặc dù vậy sự khác biệt này không quá lớn. Đáng chú ý là khi kết
hợp hai sơ đồ BATS và Zeng với sơ đồ đối lưu Tiedtke thì Reg+TieZ đã làm
giảm lượng mưa mô phỏng so với Reg+TieB, và do đó gần với thực hơn.
4. Ba phiên bản Reg+GAB, Reg+TieB và Reg+TieZ được chạy riêng
biệt để mô phỏng nhiệt độ và lượng mư
a các tháng mùa hè trong 10 năm, từ
1991-2000, trên khu vực ĐNA. Việc phân tích các điểm số đánh giá cho
thấy trong ba phiên bản thử nghiệm thì Reg+TieB có khả năng tái tạo nhiệt
độ bề mặt tốt nhất, đặc biệt trong những năm xảy ra các cực trị khí hậu như
1997, 1998, kém nhất là phiên bản Reg+GAB. Mặc dù vậy, trên khu vực

22
Nhận xét cuối chương

Hiệu chỉnh bằng ANN đã giảm được sai số hệ thống, bằng chứng
là sai số RMSE giảm còn các chỉ số Acc, HK, HSS tăng lên. Rõ ràng
là các khoảng chia nhiệt độ và lượng mưa trung bình tháng của quan
trắc và Reg+ANN đã gần trùng nhau. HSTQ tăng lên chứng tỏ sai số
hệ thống được giảm bớt không phải dạng tuyến tính mà là dạng phi
tuyến và ANN đã xử lý tốt.

Nhiệt độ trung bình tháng

Lượng mưa trung bình tháng
Hình 4.29: (a) HSTQ và (b) RMSE của
nhiệt độ bề mặt trung bình tháng của 3

đến thập kỷ/nhiều năm. Các mô hình RCM thường được ứng dụng là
RegCM, CMM5, NCEP ETA, CRCM, Reg\_NCC (Trung Quốc),
Trong mô phỏng khí hậu hạn mùa Đông Á, người ta thường sử
dụng mô hình RegCM, gốc từ PSU/NCAR. Hoàn lưu gió mùa, giáng
thủy và nhiệt độ mặt đất nhìn chung phù h
ợp với quan trắc mặc dù
mô hình phần nào mô phỏng lạnh và khô hơn [Liu, Giorgi và
Washington, 1994; Small vcs., 1999; Im vcs., 2006]. Kết quả mô
phỏng của RegCM thường nhạy với các tham số vật lý như đối lưu,
bức xạ, các quá trình bề mặt [Leung vcs., 1999; Francisco, 2006;
Giorgi và Mearns, 1999; Li và Yanai, 1996; Ueda và Yasunari, 1998;
Kato vcs., 1999; Qian và Giorgi, 1999].
1.2. Tình hình nghiên cứu trong nước

4
Ở Việt Nam, tại Trung tâm dự báo Khí tượng thủy văn Trung
ương và Viện Khoa học Khí tượng thủy văn và Môi trường, trong
những năm trước đây, hầu hết đều sử dụng phương pháp thống kê để
DBKH hạn vừa và hạn dài, chủ yếu dự báo nhiệt độ và lượng mưa
cao hay thấp hơn TBNN và xác suất xảy ra [Nguyễn Duy Chinh,
2002, 2003; Lương Văn Việt, 2006; Nguyễn Văn Thắng vcs., 2001,
2006; Nguy
ễn Đức Hậu và Phạm Đức Thi, 2002].
Phương pháp mô hình hoá khí hậu khu vực mới được quan tâm
nghiên cứu ở Việt Nam trong khoảng chục năm trở lại đây, chủ yếu
là mô hình RegCM. Các nghiên cứu thử nghiệm ở Việt Nam điển
hình là Kiều Thị Xin (2004); Nguyễn Đăng Quang (2004); Phan Văn
Tân (2003); Dư Đức Tiến (2003); Lê Văn Thiện và Nguyễn Văn
Thắng (2004). RegCM thường mô phỏng lượng mưa thấp hơn nhiề
u

Reg+TieZ 26.766 1.518 1.935 -0.916
Reg+ANN 27.519 0.441 0.566 -0.163
HSTQ Acc HK HSS
Reg+GAB 0.703 0.276 0.043 0.037
Reg+TieB 0.665 0.390 0.138 0.127
Reg+TieZ 0.671 0.389 0.153 0.139
Reg+ANN 0.970 0.822 0.729 0.726
4.2.2. Hiệu chỉnh lượng mưa
Trong Bảng 4.8, RMSE lượng mưa trung bình tháng của Việt
Nam giảm từ 6,2mm/ngày (Reg+GAB) và 6,4mm/ngày (Reg+Tổ
hợp) xuống còn 3,9 mm/ngày; HSTQ tăng từ 0,26 (Reg+GAB) và
0,13 (Reg+Tổ hợp) lên 0,68; Acc tăng từ 0,3 lên 0,5; HK và HSS đều
tăng nhiều, từ 0,079 (Reg+GAB) và 0,015 (Reg+Tổ hợp) lên 0,28.
Các chỉ số đối với từng khu vực cũng có xu thế tương tự (Hình 4.29
và Hình 4.32)
Bảng 4.8: Bảng các chỉ số đánh giá biến liên tục đối với lượng
mưa trung bình tháng, từng trạm của Việt Nam giữa quan trắc và các
phiên bản Reg+GAB, Reg+TieB, Reg+TieZ, 4 năm (98, 96, 91, 95).
Phiên bản TrBình
mô hình
TrBình
qtrắc
MAE RMSE ME
Reg+GAB 5.064 4.615 6.195 -2.877
Reg+TieB 11.248 7.265 10.922 3.308
Reg+TieZ 8.061 7.940 5.437 7.287 0.120
Reg+Tổ hợp 8.124 4.817 6.417 0.184
Reg+ANN 8.353 2.991 3.906 0.412
HSTQ Acc HK HSS
Reg+GAB 0.259 0.306 0.084 0.079

o
C và HSTQ tăng từ 0,7 lên hơn 0,9. Độ
chính xác Acc tăng từ 0,3 lên hơn 0,8 và biệt thức HK cũng như hệ
số kỹ năng HSS đều tăng từ 0,1 đến gần 0,7-0,8 (Bảng 4.6). Đối với
từng khu vực, sau khi hiệu chỉnh, sai số hệ thống cũng giảm và các
chỉ số Acc, HK, HSS đều tăng nhưng mức độ không mạnh bằng các
chỉ số tính trên toàn Việt Nam. Với sai số nhiệt độ
dưới 2
o
C, miền
Trung và Nam Bộ có thể không cần phải hiệu chỉnh nhiệt độ còn các
khu vực thuộc miền Bắc và Tây Nguyên cần thiết phải hiệu chỉnh
bằng ANN.

5
không biểu diễn đúng và đủ mối quan hệ giữa nhân tố và yếu tố hồi
quy. Sử dụng hồi quy phi tuyến cho kết quả tốt hơn [McGinnis, 1994;
Koizumi, 1999, ].
CHƯƠNG 2:
PHƯƠNG PHÁP DỰ BÁO KHÍ HẬU KHU VỰC VÀ
PHƯƠNG PHÁP THỐNG KÊ SẢN PHẨM MÔ HÌNH SỐ (MOS)

2.1. Phương pháp mô hình hóa khí hậu khu vực ứng dụng vào
mô hình RegCM3
Mô hình hóa khí hậu khu vực là phương pháp lồng mô hình khu
vực hạn chế vào mô hình GCM và phân tích các kết quả nhận được
từ GCM, thông qua tích phân số học của hệ phương trình mô hình
khu vực hạn chế trên lưới có độ phân giải tinh hơn để suy luận ra tác
động của trường GCM điều khiển đối với khu vực đó. Đây cũng
chính là hạ quy mô bằng phương pháp độ

số liệu tái phân tích hay trường dự báo của GCM tuỳ theo mục đích
mô phỏng hay dự báo, cập nhật sau từng khoảng thời gian tích phân
nào đó, từng 6h hoặc 3h.
Các quá trình vật lý cơ bản của RegCM3 bao gồm: (1) Bức xạ, (2)
Trao đổi sinh quyển – khí quyển, (3) Chuyển động rối trong lớp biên
hành tinh, (4) Giáng thu
ỷ quy mô lớn, (5) Đối lưu, (6) Trao đổi thông
lượng đại dương – khí quyển, (7) Trao đổi thông lượng hồ - khí
quyển, và (8) Vận chuyển các thành phần hóa học. Trong mô hình
RegCM3 chưa xem xét đến 2 quá trình, một là trao đổi thông lượng
giữa hồ - khí quyển và hai là vận chuyển các thành phần hóa học.
Động lực học và vật lý biểu diễn trong RegCM3 được trình bày trong
luận án được tham khảo chủ yếu từ tài liệu của Elguindi vcs. (2003).
2.2. Phương pháp thống kê sản phẩ
m mô hình số MOS
2.2.1. Các phương pháp đánh giá thống kê mô hình khí hậu
Đánh giá dự báo là thẩm định chất lượng của dự báo, trong đó kết
quả dự báo được so sánh với quan trắc của hiện tượng đã thực sự xảy
ra hoặc kết quả dự báo khác đã được đánh giá là tốt. Có nhiều kiểu
đánh giá, ví dụ đối với dự báo lượng giáng thủy có thể đánh giá trực
quan, phân đôi,
đa nhóm, liên tục, phân bố không gian; dự báo xác
suất giáng thủy sử dụng đánh giá trực quan, xác suất, tổ hợp; dự báo
các điều kiện nóng hay lạnh hơn bình thường được đánh giá bằng
phương pháp trực quan, đa nhóm, xác suất, phân bố không gian, tổ
hợp… [Barb Brown, 2003; Dobryshman, 1972; Zhang và Casey,
2000; WMO, 2002].

19
Reg+Tổ hợp hầu như luôn có sai số RMSE nhỏ nhất còn HSTQ xấp

0,6-0,7 (0,1-0,2), vì thế mối quan hệ tuyến tính của sản phẩm mô
hình với đại lượng quan trắc đó không mạnh, đặc biệt là đối với
lượng mưa. Do đó, chúng tôi s
ử dụng mạng thần kinh nhân tạo
(ANN) để xây dựng mối quan hệ giữa nhiệt độ (lượng mưa) mô hình
và quan trắc, từ đó hiệu chỉnh giá trị mô phỏng về gần với thực hơn.
4.2. Cải thiện kết quả mô phỏng nhiệt độ và lượng mưa của
RegCM3 nhờ hiệu chỉnh bằng ANN

18
a. Nhiệt độ trung bình tháng

Sai số RMSE nhiệt độ trung bình tháng của Reg+TieB so với
quan trắc tính trên toàn Việt Nam khoảng 1,8
o
C, của Reg+TieZ là
1,9
o
C còn của Reg+GAB là 2,2
o
C. Khi đánh giá cho từng khu vực,
Reg+TieB cũng thể hiện kỹ năng tốt nhất trên hầu hết các khu vực.
Ba chỉ số Acc, HK, HSS của Reg+TieB đều lớn hơn Reg+TieZ và
Reg+GAB (Bảng 4.2). Tuy nhiên, đối với khu vực Tây Nguyên, nơi
có nền nhiệt độ thấp hơn xung quanh do ảnh hưởng của địa hình cao
nguyên ở đây, Reg+GAB có kỹ năng tốt nhất với sai số RMSE chỉ
2,8
o
C trong khi RMSE của Reg+TieB và TieZ lần lượt là 3,3
o

2.2.2. Phương pháp mạng thần kinh nhân tạo ANN
Ý tưởng xây dựng ANN bắt nguồn t
ừ việc nghiên cứu hệ thần
kinh sinh học của con người, trong đó quan trọng nhất là sự điều
khiển của bộ não, sau đó là sự lan truyền thông tin trong hệ thống các
tế bào thần kinh [Haykins, 1994]. Một trong những toán tử thường
được sử dụng nhiều nhất trong ANN là toán tử lan truyền ngược
(back-propagation) trong đó thông tin không những được lan truyền
tiến dọc theo các nút nhờ hàm truyền và các trọng số mà còn được
lan truyề
n ngược trở lại để cập nhật các trọng số sao cho sai số giữa
kết xuất và hàm đích giảm đi. Phương pháp cực tiểu hoá sai số giữa
kết xuất và hàm đích thường được sử dụng là phương pháp học giảm
dốc nhất (phương pháp giảm gradient). Nguyên tắc học là trọng số
được cập nhật sao cho giảm gradient tổng cộng của sai số theo mọi
trọng s
ố trên tất cả các mẫu. Thuật toán Levenberg-Marquardt là một
trong những cải tiến của phương pháp lan truyền ngược và grandient
giảm dốc nhất trong đó trọng số được cập nhật không phải hằng số
theo thời gian mà biến đổi tùy thuộc gradient tại bước ngay trước đó.
2.2.3. Nguồn số liệu sử dụng
a/ Số liệu cho RegCM3

Bao gồm số liệu về độ cao địa hình, các loại bề mặt, nhiệt độ mặt
nước biển và số liệu tái phân tích làm điều kiện ban đầu và điều kiện
biên cập nhật theo thời gian. Tất cả số liệu đầu vào cần để chạy mô
hình có thể được tải về từ trang web của ICTP.
b/ Số liệu thẩm định

+ CRU: Số liệu tái phân tích của Climatic Research Unit (Anh),

Số liệu đầu vào ERA40
Miền tích phân 15S-27N; 70-135E
Độ phân giải ngang 60km
Độ phân giải thẳng đứng 18 mực sigma (từ mặt đất Æ 70mb)
Thời gian mô phỏng 3 tháng mùa hè (6-8), từ 1991-2000
Thời gian Spin-up 10 ngày (bắt đầu từ 20/5 hàng năm)

17
trên toàn ĐNA của Reg+GAB, Reg+TieB và ERA40 so với ERA40
cho thấy mô hình hầu như luôn thấp hơn ERA40 và độ lệch giữa mô
hình và ERA40 cao nhất vào những năm có độ ẩm cao, độ lệch
không đáng kể vào những năm có độ ẩm thấp. Đường biểu diễn độ
ẩm của Reg+TieB luôn nằm giữa Reg+GAB và ERA40 chứng tỏ độ
ẩm được biểu diễn tốt hơn bởi sơ đồ Tiedtke.
Bảng 4.1: Các chỉ s
ố đánh giá nhiệt độ trung bình tháng của
Reg+TieB so với CRU tính trên toàn khu vực ĐNA.
Trung bình dự báo = 26.983 Fre = 0.979
Trung bình quan trắc = 27.564 HSTQ = 0.613
ME = -0.581 Acc = 0.370
MAE = 1.712 HK = 0.154
RMSE = 2.210 HSS = 0.152
d/ Tác động đến lượng mưa
Diện mưa đối lưu của sơ đồ Reg+GAB luôn lớn hơn của
Reg+TieB do điều kiện bùng phát đối lưu của Reg+GAB dựa trên
CAPE dễ đạt được hơn, nhưng vị trí các tâm mưa của sơ đồ Tiedtke
phù hợp với lượng mưa tổng cộng trên thực tế hơn.
Reg+GAB tái tạo được tâm mưa ở phía nam Campuchia nhưng
mô phỏng không chính xác tâm mưa ở vịnh Belgan, lượng mưa
thường thấp hơn CRU, đặc biệt trên bán đảo Đông Dương và trên

ố khí áp trên Ấn Độ Dương
và biển Đông cũng gần với ERA40 hơn.
b/ Tác động đến nhiệt độ

Profile nhiệt độ trung bình tháng của Reg+TieB không khác nhiều
so với ERA40. Sai số hệ thống (ME) nhiệt độ tại 2m trung bình tháng
của Reg+TieB giảm xuống -0,5 độ so với -1,5 độ của Reg+GAB. Sai
số RMSE của Reg+TieB khoảng 2,2 độ so với 2,5 độ của Reg+GAB.
Các chỉ số Acc, HK, HSS của Reg+TieB đều tăng 1,5 – 2 lần so với
Reg+GAB (Bảng 4.1).
c/ Tác động đến độ ẩm

Biểu diễn chính xác độ ẩm là vấn đề vô cùng quan trọng đối với
mô hình khí hậu. Profile độ ẩm riêng trung bình tháng tính trung bình

9
3.2.2. Lựa chọn sơ đồ tham số hóa vật lý
Tham số hóa vật lý là thành phần quan trọng nhất trong mô hình
hóa khí hậu. Các sơ đồ tham số hóa vật lý được thử nghiệm trong
RegCM3 được trình bày trong Bảng 3.4.
Bảng 3.4: Các sơ đồ vật lý biểu diễn trong RegCM3.
Sơ đồ tham số hóa đối lưu (1)Kuo (2)BMJ (3)GAS (4)GFC
Sơ đồ tính toán thông lượng đại
dương-khí quyển
(1) BATS (2) Zeng
Sơ đồ bức xạ CCM3
Sơ đồ lớp biên hành tinh Hostlag
Sơ đồ trao đổi mặt đất-khí quyển BATS
3.2.2.1. Chọn sơ đồ tham số hóa đối lưu
Tham số hóa đối lưu rất cần thiết trong các mô hình khí hậu khu

Sơ đồ tham số hóa đối lưu BMJ cũng có xu hướng tái tạo lượng
mưa rất thấp hơn thực tế trong khi trường nhiệt độ bề mặt khá gần
với CRU. Yếu điểm của sơ đồ BMJ là không có cơ sở vật lý đối với
profile tham chiếu tổng quát của độ ẩm tương đối. Trong khi mô hình
có thể được điều chỉnh để nhận được các k
ết quả đáng tin cậy tại một
điểm hay một thời gian nào đó, ta không thể hy vọng nhận được các
profile độ ẩm thực tế trong các hoàn cảnh khác. Tại ICTP, năm 2007,
các tác giả của RegCM3 đã gỡ bỏ lựa chọn sơ đồ tham số hóa đối
lưu BMJ khỏi phiên bản mới nhất của RegCM3.
c/ Nhận xét về Reg+GAS và Reg+GFC:

Sơ đồ tham số hóa đối lưu của Grell tái tạo nhiệt độ bề mặt
thường thấp hơn CRU 2-3
o
C nhưng lượng mưa và vị trí các tâm mưa,
đặc biệt tâm mưa lớn trên vịnh Belgan được mô phỏng khá tốt. Với 2
giả thiết khép kín khác nhau, sơ đồ Grell cho các kết quả mô phỏng
rất khác nhau. Reg+GFC tái tạo mưa lớn hơn và nhiệt độ thấp hơn
hẳn so với Reg+GAS. Giả thiết khép kín khác nhau dẫn đến thông
lượng khối đáy mây của GFC lớn hơn nhiều so với GAS, kết quả là
giáng thủy đố
i lưu của GFC lớn hơn GAS và hiệu ứng làm lạnh do

15
+ Hơn nữa, mô hình mây của sơ đồ Tiedtke bao gồm đầy đủ ba
loại mây là mây đối lưu sâu, đối lưu nông và đối lưu mực giữa, trong
đó chỉ có đối lưu nông là không cho mưa nhưng vẫn làm biến đổi
nhiệt, ẩm của môi trường.
+ Ngoài ra, dòng cuốn ra do rối được biểu diễn trong sơ đồ

THAM SỐ HÓA ĐỐI LƯU MỚI VÀ BẰNG PHƯƠNG PHÁP
HIỆU CHỈNH THỐNG KÊ
4.1. Cải thiện kỹ năng của RegCM3 bằng sơ đồ tham số hóa đối
lưu mới
4.1.1. Lý do chọn lựa sơ đồ tham số hóa đối lưu Tiedtke
Như ta đã biết, nghiên cứ
u hoạt động đối lưu là một trong những
vấn đề khó khăn lớn đối với khí tượng học miền nhiệt đới nói chung
trong đó có khu vực Đông Nam Á. Theo một số tác giả [Ogura và
Cho, 1974; Lindzen, 1981; Yanai vcs., 1973] và chính những kiểm
nghiệm trên số liệu thực tế nhằm thẩm định khả năng biểu diễn các
đặc trưng đối lưu nhiệt đới của Tiedtke (1989) thì sơ đồ tham số hóa
đối l
ưu của Tiedtke (1989) có những đặc điểm phù hợp để mô phỏng
đối lưu nhiệt đới trong mùa gió mùa mùa hè.
+ Sơ đồ tham số hóa đối lưu của Tiedtke (1989) dựa trên giả thiết
hội tụ ẩm, phù hợp với miền nhiệt đới, đặc biệt là khu vực ĐNA, nơi
hầu như bao quanh bởi đại dương và nằm trong khu vực gió mùa điển
hỉnh của thế giới. Trong mùa gió mùa mùa hè, trên quy mô lớ
n, sự
hội tụ của các dòng ẩm ở lớp dưới thấp đóng vai trò quan trọng trong
việc cung cấp ẩm cho hoạt động đối lưu [Krishnamurti, 1968].
+ Ở nhiệt đới, ẩm càng có vai trò quan trọng trong hoạt động đối
lưu vì sinh ra bất ổn định loại 2 làm cho đối lưu sâu phát triển lên
những mực cao. Lực nổi chỉ đóng vai trò khởi động ban đầu. Cũng
theo Xie và Zhang (2000), số liệu quan trắc trung bình
đối với miền
nhiệt đới, đặc biệt là khu vực gió mùa Châu Á cho thấy việc sử dụng
chỉ số độ bất ổn định thường dùng từ trước đến nay trong dự báo đối
lưu (CAPE) là không thích hợp, đặc biệt là vào mùa hè.

Trong RegCM3 có 2 sơ đồ để lựa chọn phương thức tính toán
thông lượ
ng đại dương, một là sơ đồ BATS của Dickinson vcs.
(1993), hai là sơ đồ của Zeng (1998). Các ký hiệu trong Bảng 3.6.

12
Bảng 3.6: Các phiên bản của RegCM3 với các sơ đồ thông lượng
đại dương – khí quyển.
Sơ đồ thông lượng đại dương – khí quyển Ký hiệu
BATS1E Reg+GAB
Zeng Reg+GAZ
Lượng bốc hơi của Reg+GAZ lớn hơn hẳn so với Reg+GAB và
thông lượng hiển nhiệt của Reg+GAZ cũng dương hơn Reg+GAB,
nghĩa là nhiệt đi từ đại dương vào khí quyển trong sơ đồ của Zeng
lớn hơn trong BATS. Một trong những nguyên nhân là độ gồ ghề (hệ
số nhám) trong sơ đồ Zeng quá nhỏ, dẫn đến bốc hơi E và thông
lượng hiển nhiệt SH lớn. Kết quả là nhiệ
t độ của Reg+GAZ nhỏ hơn
nhiệt độ của Reg+GAB, rõ nhất là trên đại dương và lượng mưa của
Reg+GAZ nhìn chung cũng giảm so với Reg+GAB. Như vậy, để
nhận được nhiệt độ bề mặt gần với thực tế, chúng tôi chọn sơ đồ
tham số hóa đối lưu của BATS.
3.2.2.3. Kết quả mô phỏng 10 năm của RegCM3 với các tham số
được chọn
Reg+GAB tái tạo được các trung tâm khí áp chính trong mùa hè
ở
ĐNA bao gồm rãnh thấp điển hình trên vịnh Belgan, rãnh thấp yếu
hơn trên biển Đông và rìa phía tây của áp cao cận nhiệt đới. Tuy
nhiên, rãnh áp thấp trên vịnh Belgan được tái tạo nông hơn thực tế
khoảng 2mb và trục rãnh nghiêng hơn về phía đông bắc so với

Bảng 3.8: Các chỉ số đánh giá lượng mưa trung bình tháng của
Reg+GAB so với CRU tính trên toàn khu vực ĐNA.
Trung bình dự báo = 4.796 Fre = 0.607
Trung bình quan trắc = 7.900 HSTQ = 0.087
ME = -3.104 Acc = 0.403
MAE = 9.388 HK = 0.077
RMSE = 20.945 HSS = 0.070
Các sai số hệ thống này phù hợp với các nghiên cứu khác trên thế
giới (ví dụ Liu, 2006). Có 2 cách hiệu chỉnh sai số hệ thống là cải
thiện vật lý nội tại của mô hình và hiệu chỉnh bằng phương pháp
thống kê.