MỤC LỤC
CHƯƠNG I 6
TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP 6
1.1. CƠ SỞ LÝ THUYẾT 6
1.2. PHÂN LOẠI HỆ THỐNG DỰ BÁO TỔ HỢP 7
1.2.1. Hệ thống dự báo tổ hợp 1 chiều 7
1.2.2. Hệ thống dự báo tổ hợp 2 chiều 17
1.2.3. Hệ thống dự báo tổ hợp 3 chiều 19
1.3 CÁC PHƯƠNG PHÁP TỔ HỢP KẾT QUẢ DỰ BÁO 21
1.3.1.Trung bình đơn giản 21
1.3.2. Tính trọng số theo sai số 22
1.3.3. Tính trọng số bằng hồi quy tuyến tính 22
1.4. CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT QUẢ TỔ HỢP. 23
1.4.1. Bản đồ trung bình và độ phân tán 23
1.4.2. Spagheti maps - Bản đồ ghép chồng 24
1.4.3. Dự báo đường đi của bão 24
1.5. KHẢ NĂNG VÀ HIỆN TRẠNG DỰ BÁO TỔ HỢP Ở VIỆT NAM 25
CHƯƠNG 2 27
MÔ HÌNH DỰ BÁO THỜI T
IẾT QUY MÔ VỪA RAMS VÀ ÁP DỤNG DỰ
BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG 27
2.1. GIỚI THIỆU VỀ MÔ HÌNH RAMS 27
2.1.1. Các phương trình cơ bản của RAMS 28
2.1.2. Cấu trúc lưới 30
2.1.3. Sai phân thời gian 31
2.1.4. Bình lưu 33
2.1.5. Các điều kiện biên 36
2.2 ÁP DỤNG MÔ HÌNH RAMS ĐỂ DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG. 40
2.2.1 Chọn miền tính và cấu hình lưới 40
2.2.2 Cập nhật số liệu địa phương trong mô hình RAMS 40
Tiến, là người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này.
Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy
văn - Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn quý
báu, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian
tôi học tập và thực hành ở Khoa.
Tôi cũng x
in cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự
nhiên đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn.
Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân
và bạn bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều
kiện tốt nhất cho tôi trong suốt thời gian học tập tại trường.
Công Thanh 3
MỞ ĐẦU
Ngày nay ngành công nghệ thông tin phát triển mạnh mẽ, nhờ đó các mô
hình dự báo thời tiết số trị cũng phát triển. Cùng với sự phát triển của mô
hình
số, dự báo tổ hợp đã và đang trở nên rất phổ biến trên thế giới. Bản chất của
dự báo tổ hợp là sử dụng kết quả từ nhiều dự báo thành phần khác nhau để
đưa ra một kết quả dự báo tối ưu nhất. Tuy nhiên, phương pháp cụ thể để tạo
ra các thành phần dự báo và cách tổng hợp kết quả của chúng lại có thể rất
khác nhau. Dự báo tổ hợp đã có một quá trình phát t
riển tương đối lâu dài kể
từ những công trình đầu tiên của Lorenz (1963, 1965) đề cập đến tầm quan
trọng của của điều kiện ban đầu đối với kết quả tích phân của các mô
PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH
CỦA MÔ HÌNH RAMS
KẾT LUẬN
5
CHƯƠNG I
TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP
1.1. CƠ SỞ LÝ THUYẾT
Dự báo tổ hợp là một tập hợp các dự báo bất kì được xác định tại cùng
một thời điểm. Vì
vậy tập hợp các dự báo trễ, các dự báo từ trung tâm nghiệp
vụ khác nhau hoặc các mô hình khác nhau đều có thể tạo ra được một dự báo
tổ hợp. Từ đầu những năm 1990, kỹ thuật dự báo tổ hợp đã được sử dụng để
dự báo thời tiết ở các trung tâm toàn cầu. Ý tưởng của dự báo tổ hợp dựa trên
lý thuyết rối của Lorenz (1963) [52]
với giả thuyết rằng: “các nghiệm số thu
được trong quá trình tích phân mô hình theo các điều kiện ban đầu khác nhau
(có chứa sai số) có thể phân kì theo thời gian”. Điều này được giải thích bằng
hiệu ứng Butterfly: do bản chất phi tuyến của các phương trình m
ô tả khí
quyển nên những sai số nhỏ không thể đo được trong trạng thái ban đầu của
khí quyển sẽ trở thành những sai số đủ lớn sau một khoảng thời gian tích phân
(10 – 14 ngày). Vì vậy, kết quả dự báo không sử dụng được cho dù mô hình là
hoàn hảo.
Trái lại, nếu các điều kiện ban đầu đó đư
ợc gây nhiễu với giá trị nhiễu
có đặc trưng cho phân bố như phân bố của sai số quan trắc thì việc tổ hợp các
thống dự báo tổ hợp 1 chiều có chứa điều kiện nhiễu ban đầu. Ba đặc tính cơ
bản cần phải tuân theo khi tạo nhiễu: Tính sát thực, tính phân kỳ, tính trực
giao. Tính sát thực là độ lớn của nhiễu cần nằm trong cỡ của sai số phân tích
thực và đặc trưng cho phân bố phổ thực tế trên quy mô không gian. Độ bất
định của trường ban đầu là lớn ở trong các sóng quy m
ô nhỏ (khó quan trắc
được) và độ bất định của trường ban đầu là nhỏ trong các sóng quy mô lớn
(dễ quan trắc được). Tính phân kỳ là các nhiễu cần có cấu trúc phát triển động
lực trong các thành phần sao cho các thành phần này phân nhánh nhiều nhất
trong quá trình tích phân mô hình để chúng chứa tất cả các trường hợp có thể
xảy ra trong không gian của mô hình. Tính trực giao là các nhiễu thành phần
cần được trực giao để cực đại hóa dung lượng thông tin chứa trong tổ hợp,
điều này đặc biệt quan trọng trong dự báo tổ hợp các quá trình quy m
ô nhỏ. 7
Điều kiện hay trạng thái ban đầu cần được tạo nhiễu bao gồm trạng thái bên
trong, biên trên, biên dưới và biên xung quanh (nếu là khu vực giới hạn). Hiện
nay có 5 (hoặc nhiều hơn) phương pháp khác nhau tạo nhiễu các trường ban
đầu (trường thực và trường phân tích) đặc biệt là cho trạng thái bên trong của
trường ban đầu.
1. Nhiễu ngẫu nhiên (phương pháp Monte Carlo): nhiễu được sinh
ra ngẫu nhiên dựa trên phương pháp thống kê (thường lấy phâ
n bố
chuẩn). Do vậy, nhiễu ngẫu nhiên m
ô tả tốt độ lớn trung bình của độ
bất định trường ban đầu trong phân tích (tính sát thực), nhưng nó có
những hạn chế trong việc phát triển cấu trúc không gian động lực và
không phản ánh được “sai số ngày”. Kết quả là, nhiễu phát triển với
=0 để có được độ lớn như
nhau với tất cả các nhiễu và sau đó cộng thêm hoặc trừ đi với trường
phân tích kiểm tra (control analysis) nhằm mục đích tạo ra đa phân
tích làm trường ban đầu cho tổ hợp dự báo (Ebisusaki và Kalnay,
1983; Kalnay 2003) [44]. Phiên bản sau khi sửa chữa này được gọi
là phương pháp trễ có chuẩn hóa và có thể biểu diễn đơn giản bằng
phương trì
nh sau:
Nhiễu ban đầu= Chuẩn hóa x (dự báo trễ - phân tích hiện tại) (1.1)
Nhiễu này không những có khả năng kiểm soát kích cỡ nhiễu mà
còn tạo ra một cặp thành phần tổ hợp bằng cách cộng trừ nó với
trường phân tích kiểm tra. Phương pháp dự báo trễ có cù
ng ý tưởng
và có quy trình kỹ thuật tương tự với phương pháp nuôi nhiễu (sẽ
được trình bày ở phương pháp 3). Phương pháp trễ đã và đang được
sử dụng t
rong rất nhiều nghiên cứu tổ hợp và trong nghiệp vụ ví dụ
như tại hệ thống tác nghiệp dự báo tổ hợp theo mùa (Saha và các
cộng sự, 2006; Hou và các cộng sự, 2001; Lu và các cộng sự, 2006;
Brankovic và các cộng sự, 2006; Mittermaier, 2007)
[71][41][54][15][58]. Nhược điểm của phương pháp dự báo trễ đó là
nó không thể tạo được tổ hợp với các thành phần có kí
ch cỡ đủ lớn
bởi vì số lượng mẫu dự báo cũ có chất lượng tốt có thể sử dụng bị
giới hạn trong thực tế. Mặt khác, chất lượng của dự báo sẽ bị giảm 9
xuống đáng kể nếu mẫu dự báo quá cũ chứa đựng một tổ hợp kích
cỡ lớn. Bên cạnh đó, các dự báo trễ thường được sử dụng như là
Kinh nghiệm của trung tâm dự báo tổ hợp hạn ngắn (NCEP SREF) 10
chỉ ra rằng véc tơ nuôi trở nên có cấu trúc và quá trình phát triển của
độ tán trong tổ hợp đủ lớn khi mà quá trình nuôi nhiễu được thực
hiện trong khoảng từ hai đến ba ngày tính từ lúc khởi động lạnh với
nhân ban đầu là ngẫu nhiên. Toth và Kalnay chỉ ra rằng cấu trúc
không gian của một véc tơ nuôi trưởng thành không nhạy với quy
mô thời gian (T) và thường được chọn có quy tắc. Véc tơ nhiễu nuôi
này phản ảnh tốt lỗi phân tích (sai số ngày) được đưa vào trong chu
trì
nh đồng hóa số liệu (tính sát thực). Mặc dù có sự khác nhau giữa
các dự báo quá khứ nhưng về cơ bản phương pháp đã phản ánh
được sai số cấu trúc phát triển của chu trình trong quá khứ nhưng
không chỉ ra được sai số cho dự báo tương lai. Thực nghiệm cho
thấy rằng véc tơ nhiễu nuôi phát triển (tính phân kỳ) tốt trong thực
tế và cho kết quả tốt hơn cách sử dụng cả hai phương pháp Monte
Carlo và dự báo trễ (Toth và kalnay, 1993 và 1997). Bởi vì phương
pháp này đơn giản, nó không cần sự đơn giản hóa toán học hay giả
thiết và dễ dàng thực hiện, tốn ít tài nguyên máy tính và cho không
gian tổ hợp tốt, nó được sử dụng và kiểm tra ở các trung tâm dự báo
lớn như tại hệ thống tổ hợp của NCEP (Du và Tracton, 2001;
Tracton và Kalnay, 1993) [24][79] và CMA (trung tâm quản lý khí
tượng Trung Quốc). Tuy nhiên, các thành phần tổ hợp của véc tơ
nuôi này là không đủ trực giao và chúng có tương quan cao nên kết
quả là lượng thông ti
n tốt nhất chứa trong một tổ hợp bị giảm (Wang
và Bishop, 2003; Martin và các cộng sự, 2007) [85][55]. Một kết
truyền thống) sẽ giúp mô tả bất ổn định đối lưu trong nhiễu và do đó
cải thiện kết quả dự báo trong việc dự báo mưa (giáng thủy) lớn.
Mặt khác, tùy vào đặc điểm có quy mô nhanh, nhỏ, chóng bão hòa
hay dao động có quy mô chậm, lớn, nghiêng trái trong quá trình
nuôi, nuôi véc tơ nhiễu là phương pháp tốt để sử dụng cho hệ thống
dự báo tổ hợp tương tác biển khí mà chủ yếu liên quan tới các kiểu
thời tiết biến đổi chậm (
Cai và các cộng sự, 2002; Yang và các cộng 12
sự, 2006) [17][92]. Gần đây, giáo sư Eugenia Kalnay (2007) nhận
xét rằng véc tơ nuôi có khả năng dự báo sự chuyển tiếp của thời tiết.
4. Phương pháp phân tích véc tơ kỳ dị (SV):
Phương pháp này trước tiên cần để phát
triển một phiên bản tuyến
tính của một mô hình phi tuyến (được gọi là mô hình tiếp tuyến
tuyến tính viết tắt là TLM) được xem như là phương pháp Adjoint
(Errico,1997) [35] của TLM. Sau một khoảng thời gian trong tương
lai tối ưu cần thiết ví dụ từ 0-48h, TLM được tích phân t
heo thời
gian, sau đó tích phân ngược bằng phương pháp Adjoint theo thời
gian để tìm ra không gian ban đầu nhạy với dự báo (tại thời điểm t =
48h). Chu trình “tiến và lùi” này cần được tích phân nhiều lần để thu
được các véc tơ dẫn đường kỳ dị. Sau đó, quá trình kết hợp tuyến
tính bao gồm chuẩn hóa và trực giao được luân phiên áp dụng vào
véc tơ để xây dựng số nhiễu yêu cầu. Cộng hoặc t
rừ các nhiễu vào
trường phân tích kiểm tra, một tổ hợp dự báo được hình thành.
Không giống véc tơ nuôi, cấu trúc của SV là nhạy với quy tắc sử
của một mô hình phi tuyến và cũng liên quan tới
việc tính toán các SV cơ bản mặc dù nó có đặc tính phi tuyến ở một
số cấp độ bằng cách tính toán và tổ hợp các SV đa thành phần. Để
bỏ qua giả thiết tuyến tính, một vài kết quả đã đạt được như sửa quá
trình tích phân (Oortwin và Barkmejer, 1995, Barkmeijer, 1996)
[66][10], giới thiệu khái niệm véc tơ kỳ dị phi tuyến (Mu, 2000) và
điều kiện của phương pháp cực đại hóa nhiễu phi tuyến (CNOP)
(Mu và các cộng sự, 2003; Mu và Zhang, 2006) [59][60]
. Với mô
hình đơn giản, phương pháp CNOP đã cho thấy sự cải thiện về chất
lượng của dự báo các đặc tính phi tuyến trong nhiễu so với phương
pháp SV mặc dù vẫn cần được tiếp tục nghiên cứu với những mô
hình NMP đầy đủ. Thêm quá trình vật lý ẩm vào TLM và Adjoint
(Ehrendorfer và các cộng sự, 1999) [34] là một bước khác để tiến
gần tới thực tiễn và cho kết quả tốt hơn. Bởi vì SV là một kỳ vọng
toán học và tập trung vào sự phát triển cấu trúc nhiễu trong tương lai 14
mà không liên quan trực tiếp tới quá khứ, nên một câu hỏi đặt ra là
nhiễu SV có thực sự phản ảnh sai số ngày mà luôn thấy được trong
quá trình đồng hóa số liệu vừa qua? Những nghiên cứu sau đang
nhắm tới những quan tâm kiểu đó và đã cải tiến kết quả (Barkmeijer
và các cộng sự, 1998; Fischer và các cộng sự, 1998) [14][37]: ví dụ
phương pháp mở rộng SV bằng cách thêm véc tơ kỳ dị cuối hoặc
mở rộng từ chu trình ngay trước đó, khoảng 48h trước thời điểm bắt
đầu chạy m
ô hình (thời gian phân tích) của chu trình nhiễu SV tiếp
theo; Dùng sự đồng biến phương sai để thay thế năng lượng toàn
phần như là một quy tắc tính các SV; và ứng dụng Kalman filter…
dụng trong quá trình đồng hóa số liệu để trực tiếp tạo ra nhiều
trường phân tích trong nghiên cứu của họ, nhưng bản thân ETKF có
thể là một kỹ thuật đồng hóa dữ liệu tổ hợp cơ bản (Tippett và các
đồng nghiệp, 2003; Anderson, 2001; Whitaker và Hamil, 2002; Ott
và các cộng sự, 2004; Szunyogh và các cộng sự, 2004; Hamil, 2006;
Zhang và các cộng sự, 2004; Wang và các cộng sự, 2007)
[75][11][90][68][73][95]. Do đó, người ta tin tưởng rằng phương
pháp ETKF có một tiềm năng lớn để trực tiếp liên kết dự báo tổ hợp
với đồng hóa số liệu (DA) vào trong một quy trì
nh thống nhất trong
hệ thống dự báo thời tiết; Sự thay đổi tổ hợp dự báo cung cấp thông
tin đồng biến phương sai nền cho DA, trong khi DA cung cấp các
trường dự báo để làm trường ban đầu cho dự báo tổ hợp. Trong một
hệ thống tương tác như thế, không những hệ thống dự báo tổ hợp có
thể tăng được tính sát thực của nhiễu trường ban đầu mà còn phản
ánh đúng sai số ngày trong t
rường phân tích, mà chất lượng của
trường phân tích cũng được cải thiện bằng cách sử dụng thông tin ít
phụ thuộc vào trường nền (Hamill, 2006; Zhang,2005) [39][93]. Do
đó, người ta tin rằng phương pháp ETKF có một tiềm năng lớn.
Phương pháp này có đã được sử dụng trong nghiệp vụ tại Cơ quan
Dự báo Vương quốc Anh (Mylne, liên hệ trực tiếp) và lực lượng
Thủy – không quân Mỹ (McLay và các cộng sự, 2007) [56]
. 16
1.2.2. Hệ thống dự báo tổ hợp 2 chiều
Bên
cạnh độ bất định của trường ban đầu, độ bất định trong cơ cấu vật
17
Bắc Mỹ), các trung tâm ứng dụng quốc tế khác, và được gọi là tổ hợp Rich-
Man (người giàu). Rõ ràng một bất lợi của phương pháp đa mô hình là giá
thành để phát triển và duy trì nhiều mô hình nếu chúng được chạy bởi một
đơn vị nghiên cứu. Thêm vào đó, phương pháp đa mô hình cũng có thể sử
dụng phương pháp “siêu tổ hợp” của trường đại học bang Florida
(Krishnamurti, 1999) [50] nó sẽ mang lại tính tất định hơn. Phương pháp này
đã tăng đáng kể độ chính xác của dự báo khi hiệu chỉnh sai số hệ thống. Tuy
nhiên, phương phá
p này chỉ cung cấp giải pháp tất định (deterministic) thích
hợp nhất mà không đưa thêm giá trị dự báo hoặc thông tin bất ổn định nào.
Trong một m
ô hình, một tổ hợp có thể được tạo thành bằng cách thay
đổi sơ đồ vật lý của các thành phần. Phương pháp đa cơ chế vật lý có hiệu quả
trong dự báo hệ thống đối lưu yếu với tác động quy m
ô lớn (Stensrud và các
cộng sự, 2000; Jankov và các cộng sự, 2005) [72][43]. Sử dụng nhiều sơ đồ
đối lưu, Du và các cộng sự (2004) [27] đã so sánh những yếu tố liên quan của
nhiều cơ chế vật lý và nhiễu trường ban đầu đóng góp vào độ tán của tổ hợp
trong dự báo hạn ngắn (1-3 ngày). Kết quả của họ chỉ ra rằng độ bất định của
trường ban đầu là thành phần đóng góp nổi trội cho độ tán của tổ hợp các
trường nền quy m
ô lớn như gió, áp suất, độ cao (địa thế vị) và nhiệt độ, trong
khi các cơ chế vật lý khác nhau sẽ cung cấp thêm những thông tin về độ tán
để phân biệt những khu vực giông bão quy mô nhỏ. Tuy nhiên, đối với giáng
thủy và bất ổn định đối lưu như CAPE, các trường ban đầu và cơ chế vật lý
khác nhau đều được đánh giá quan trọng như nhau. Với trường hợp tổ hợp dự
báo quỹ đạo bão có độ phân giải cao
thống dự báo tổ hợp 3 chiều. Nếu chúng ta hiểu và sử dụng được chiều quá
khứ chính xác thì nó sẽ giúp chúng ta nhìn nhận vấn đề trong tương lai đúng
đắn hơn. Chiều quá khứ được coi là một chiều bên cạnh biến đổi trường ba
n
đầu và mô hình, đó là một mặt quan trọng của dự báo thời tiết (Cao, 2002)
[18]. Tổ hợp trực tiếp dự báo trễ là một phương pháp tiêu biểu đưa chiều quá
khứ vào tổ hợp. Cấp độ của tính đồng nhất từ lần chạy này đến lần chạy khác
trong quá khứ là sự đánh giá của độ bất định trong dự báo: tính đồng nhất cao
hay thấp sẽ cho biết khả năng dự báo cao hay thấp trong một hiện tượng. Lợi
ích chính của việc sử dụng chiều quá khứ là chất lượng dự báo tăng cùng với 19
tuổi của dự báo. Dự báo cũ cho kết quả xấu hơn so với dự báo mới hơn. Tuy
nhiên cũng như chất lượng mô hình và trường ban đầu được cải thiện, có thể
nó sẽ hoàn toàn không còn đúng nữa nếu thời gian quá khứ là quá cũ. Ví dụ, ít
khi chúng ta thấy trường hợp dự báo 48h lại chính xác hơn dự báo 24h. Tần
số chạy các mô hình tại các trung tâm dự báo số trị tăng lên do vậy thông tin
chứa trong chu trình dự báo ở quá khứ cũng tăng và các thông t
in này cần
được sử dụng hiệu quả và kinh tế hơn. Một lợi ích của chiều này đó là nó
không bị mất đi trong quá trình tích phân mô hình. Tuy nhiên chưa có nhiều
nghiên cứu về phương pháp tổ hợp 3 chiều nhằm giúp người nghiên cứu nhận
ra được tầm quan trọng của chiều không gian trong dự báo tổ hợp.
Thực tế, tại các trung tâm
dự báo, hệ thống tổ hợp đa quy m
ô là cần
thiết để phục vụ cho nhiều mục đích của dự báo. Những hệ thống này nên làm
việc tương tác và gắn kết với nhau bằng nhiều cách thích hợp. Mỗi mô hình
có tính đơn trị của nó trong quá trình xây dựng và đánh dấu những vấn đề đơn
Sau khi có được kết quả dự báo của các thành phần tham
gia tổ hợp, sử
dụng các đặc trưng thống kê để đưa ra kết quả dự báo tổ hợp.
Công thức tổng quát:
Trong đó: F
th
: kết quả dự báo tổ hợp
F
i
: kết quả dự báo thành phần
W
i
: trọng số tương ứng với từng dự báo thành phần
N :
số thành phần tham gia tổ hợp
1.3.1.Trung bình đơn giản
Công thức tính trọng số:
w=w
i
= 1/ N (1.4)
Mọi thành phần dự báo được coi là quan trọng như nhau. Không cần
phải có số liệu lịch sử, không cần quan tâm
đến tính chất hay đặc điểm của
i
N
ith
e
e
W
1
/1
/1
(1.5)
Trong đó: e
: sai số của nguồn dự báo thành phần
i
Phải bảo đảm rằng tỷ trọng của từng dự báo thành phần tỷ lệ nghịch với
sai số tương ứng và tổng tỷ trọng bằng 1.
1.3.3. Tính trọng số bằng hồi quy tuyến tính
Công thức tính trọng số:
(1.6)
CFwF
i
N
i
ith
1
Trong đó : C: số hạng tự do
W
: các hệ số hồi quy (trọng số của từng dự báo thành phần)
i
Đối với phương pháp này ta
phải sử dụng bộ số liệu lịch sử của một
hoặc một vài mùa bão trước để xây dựng phương trình hồi quy. Sai số tổ hợp
i
i
F
: giá trị trung bình của các dự báo của mô hình i trong giai
đoạn chuẩn bị.
1.4. CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT QUẢ TỔ HỢP.
1.4.1. Bản đồ trung bình và độ phân tán
Kết quả tổ hợp được trình bà
y bằng cách vẽ trường dự báo trung bình
của cả tập hợp và độ phân tán của tập hợp dự báo này. Hình 1.10 minh hoạ
kết quả dự báo trường khí áp mặt đất sử dụng phương pháp tổ hợp. Các
đường đẳng áp là trung bì
nh của tập hợp các dự báo và vùng được bôi màu
thể hiện độ phân tán của tập hợp này. Độ phân tán càng nhỏ có nghĩa là độ
đáng tin cậy của hình thế dự báo càng cao. Ngược lại nơi có độ phân tán lớn
(vùng được bôi màu đậm) thì tương ứng với vùng kết quả của tập hợp các dự
báo khác nhau nhiều và độ đáng tin cậy nhỏ. 23
Hình 1.10. Bản đồ trung bình và độ phân tán của dự báo tổ hợp
1.4.2. Spagheti maps - Bản đồ ghép chồng
Vẽ các đường đẳng áp của một giá trị nà
o đó của các dự báo khác nhau, ta
thấy là trên bản đồ sẽ có nhiều đường đan xen nhau. Nơi mà các đường này
nằm rất gần nhau thì độ tin cậy của hình thế thời tiết dự báo được càng lớn.
Ngược lại, khi các đường này nằm tách xa nhau thì hình thế thời tiết dự báo
được có độ tin cậy càng kém
hợp cho mô hình MM5 của TS Hoàng Đức Cường[
1].
Hệ thống dự bá
o tổ hợp do GS.TS Trần Tân Tiến cùng các cộng sự xây
dựng bao gồm hai mô hình số trị chính là RAMS và ETA với hy vọng xây
dựng nên một hệ thống sản phẩm tốt hơn từ dự báo riêng lẻ của các mô hình. 25
Copyright: Tài liệu đại học ©