ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG 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
LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – Năm 2012
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN


2.5 Phƣơng pháp đánh giá 33
Chƣơng 3 KẾT QUẢ VÀ NHẬN XÉT 36
3.1 Kết quả nhiệt độ trung bình tháng 36
3.2 Các trƣờng nhiệt độ cực trị 46
3.3 Các chỉ số khí hậu cực đoan 58
TÀI LIỆU THAM KHẢO 63
PHỤ LỤC 68
2

DANH MỤC HÌNH

Hình 1.1 : Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO 13
Hình 2.1 Cấu trúc lƣới thẳng đứng (bên trái) và lƣới ngang dạng xen kẽ ArakawaB
(bên phải) của mô hình 27
Hình 2.2 Quy trình dự báo mùa 30
Hình 2.3 Xác định chỉ số ECE bằng phƣơng pháp phân vị 33
Hình 3.1: Nhiệt độ trung bình tháng dự báo ứng với các hạn dự báo khác nhau 37
Hình 3.2 Nhiệt độ trung bình tháng (a), hệ số tƣơng quan (b), sai số ME (c) và sai
số quân phƣơng (d) 38
Hình 3.3 Đồ thị phân bố tần suất trƣờng nhiệt độ trung bình cho tháng 8 và tháng 4 40
Hình 3.4: Phân bố đồng thời giá trị nhiệt độ tháng 8 và tháng 4 41
Hình : 3.5 Tổng lƣợng mƣa tháng dự báo với các hạn dự báo từ 1 đến 6 tháng 43
Hình 3.6 : Lƣợng mƣa trung bình tháng (a), hệ số tƣơng quan (b), sai số ME (c) và
sai số quân phƣơng (d) 44

Hệ thống dự báo mùa toàn cầu (Climate Forecast Systerm)
CFSR
Bộ số liệu tái phân tích CFS
CMAP
Số liệu tái phân tích mƣa trên lƣới CPC Merged Analysis of Precipitation
ECE
Hiện tƣợng khí hậu cực trị (extreme climate events)
ENSO
Dao động Nam (El Nino Southern Oscillation)
GCM
Mô hình hoàn lƣu chung khí quyển (Global Circulation model)
GPC
Trung tâm sản phẩm toàn cầu cho dự báo hạn dài
IPCC
Ủy ban Liên chính phủ về Biến đổi khí hậu
LSM
Mô hình bề mặt đất (land surface model)
MME
Hệ thống tổ hợp đa mô hình (MultiModel Ensemble)
MOM3
Mô hình đại dƣơng phiên bản 3 (Modular Ocean Model version 3)
MRED
Tổ hợp đa mô hình khí hậu khu vực (MultiRCM Ensemble Downscaling)
RCM
Mô hình khí hậu khu vực (Regional Climate Model)
RegCM
Mô hình khí hậu khu vực (Regional Climate Model)
SPI
Chỉ số giáng thủy tiêu chuẩn (Standardized Precipitation Index)
SST

khí hậu khu vựckhi sử dụngsản phẩmđầu ra từ mô hình dự báo toàn cầulàm điều
kiện ban đầu và điều kiện biên đểdự báo một số chỉ số khí hậu cực đoan vàđánh giá
cho khu vực Việt Nam. Mô hình đƣợc sử dụng là mô hình RegCM phiên bản 4.2
(RegCM4.2). Sản phẩm của mô hình toàn cầu đƣợc sử dụng là sản phẩm dự báo của
hệ thống mô hình CFS.
Luận văn đƣợc bố cục thành 3 chƣơng, ngoài mở đầu, kết luận và tài liệu
tham khảo nhƣ sau:
6

Chƣơng 1: Tổng quan
Chƣơng 2: Phƣơng pháp nghiên cứu
Chƣơng 3: Kết quả và nhận xét

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].
Theo tổ chức khí tƣợng thế giới 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. Trong dự
báo khí hậu, hạn dự báo đƣợc mở rộng từ hạn 30-45 ngày (dự báo tháng), hoặc vài
8

ba tháng đến 1 năm(hạn mùa), cho đến 2-3 năm (hạn dài). Các thông tin dự báo khí
hậu có thể rất khái quát để mô tả quy mô mùa (seasonal outlook) điều kiện thời tiết
thông qua độ lệch so với giá trị trung bình khí hậu của mùa đó [35]. 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 chi tiết
hóa về mối quan hệ tƣơng tác giữa khí quyển và đại dƣơng [44]. Hiện tại, với những
hiểu biết về các quá trình tƣơng tác khí quyển – đại dƣơng, cùng với việc mô phỏng
chi tiết hóa từng khu vực của các mô hình cũng nhƣ việcthu thập số liệu đo đạc
quan trắc nâng cao chất lƣợng số liệu đã 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 nhiệt độ bề mặt biển ở khu vực nhiệt đới là
đặc biệt quan trọng bởi vì đối lƣu sâu trong khí quyển miền nhiệt đới, tác động lớn
đến hoàn lƣu toàn cầu, lại rất nhạy cảm với SST bên dƣới. Ở một số nơi khác nhƣ
Châu Âu và Tây Phi, SST của khu vực cũng đƣợc coi là một trong những nhân tố

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
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
10

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 làphƣơng 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. Tuy nhiên, phƣơng 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 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 hƣớng nhƣng rất
khó để lƣờng trƣớc những sự chuyển pha, ví dụ nhƣ từ nóng sang lạnh và ngƣợc lại.
Và cuối cùng, phƣơng pháp thƣờng không nắm bắt đƣợc những yếu tố đột biến.
Phương pháp mô hình động lựcdự báo mùa nhìn chung chỉ mới bắt đầu từ

tháng dự báo mƣa cho 60 trạm ở Hàn Quốc từ tháng 3 đến tháng 5. Dựa trên kết quả
mô hình và chỉ số SPI, các bản tin dự báo hạn hán và lũ hụt sẽ đƣợc xây dựng và
đƣa ra. Hệ thống cũng sử dụng 3 sơ đồ đối lƣu khác nhau và hiệu chỉnh kết quả dựa
trên tập số liệu quá khứ để đƣa ra trọng số. Bộ trọng số này sẽ đƣợc dùng đểxây
dựng kết quả cuối cùng. Thử nghiệm cho thấy, có sự cải thiện lớn trong việc đƣa ra
đƣợc những bản tin cảnh báo sớm đối với hạn hán và lũ lụt, những thông tin này là
12

rất hữu ích cho các nhà quản lý nông nghiệp, quản lý tài nguyên nƣớc đƣa ra những
kế hoạch, chính sách phù hợp.
Một nghiên cứu khác của Frumkin [46] xem xét tới khả năng dự báo mùa
khô hạn (tháng 6 đến tháng 8) trên khu vực nhiệt đới và cận nhiệt đới khu vực Nam
Mỹ. Tác giả sử dụng một số sản phẩm dự báo toàn cầu CFS, RSM [27], RSM_AN
[33] làm điều kiện đầu vào cho các mô hình khí hậu khu vực với 6 thành phần tổ
hợp trong giai đoạn 2001 đến 2007. Trong nghiên cứu này, tác giả tập trung phân
tích trƣờng mƣa và nhiệt độbề mặt cho 2 khu vực chính là lƣu vực sông Amazon và
khu vực cận nhiệt đới. Kết quả mô phỏng đƣợc so sánh với số liệu CMAP, TRMM
và bộ số liệu tái phân tích CFSR cho thấy kết quả mô phỏng với cả 3 mô hình khác
nhau đều cho thấy khả năng mô phỏng hạn mùa trên lƣu vực sông Amazon và khu
vực cận nhiệt đới cả đối với trƣờng nhiệt độ bề mặt và trƣờng mƣa, trƣờng nhiệt tốt
hơn trƣờng mƣa, đặc biệt là trên lƣu vực sông Amazon.
Hiện nay WMO đã thiết lập đƣợc các nguồn cung cấp sản phẩm dự báo hạn
dài. Các quá trình dự báo hạn dài dựa trên nền tảng công nghệ tính toán (quy mô từ
30 ngày đến 2 năm) trên quy mô toàn cầu đòi hỏi lƣợng 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 đƣợc biết đến với tên gọi Trung tâm sản phẩm toàn cầu cho
dự báo hạn dài (GPCs) đƣa ra điều kiện cơ bản cho dự báo khí hậu và thời tiết ở quy
mô khu vực/địa phƣơng và đƣợc sử dụng ở các trung tâm dự báo khu vực và địa
phƣơng. Từ đó, dự báo hạn dài ở quy mô khu vực đƣợc cung cấp bởi cả Các trung

for Medium-Range Weather Forecasts); Cơ quan khí tƣợng Nhật Bản (Japan
Meteorological Agency/Tokyo Climate Centre)…
Nổi bật trong các hệ thống dự báo khí hậu hiện nay 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 [37]. Hệ thống CFS cung cấp những lợi thế quan trọng
trong việc dự báo hạn mùa nghiệp vụ. Lần đầu tiên trong lịch sử dự báo nghiệp vụ
của nƣớc Mỹ, một hệ thống mô hình động lực có kĩ năng tốt có thể so sánh đƣợc
với phƣơng pháp thống kê hiện đang sử dụng ở Trung tâm Dự báo Khí hậu của
NCEP (CPC). Điều này thể hiện sự tiến bộ đáng kể so với các hệ thống mô hình
động lực trƣớc đây đƣợc sử dụng ở NCEP. Hơn thế nữa, kĩ năng đƣợc cung cấp bởi
CFS (theo không gian và thời gian) cũng đã hoàn thiện kĩ năng của phƣơng pháp
thống kê. Thành phần khí quyển của CFS là phiên bản độ phân giải thấp hơn
(T62L64) của Hệ thống Dự báo Toàn cầu (GFS) đã đƣợc chạy nghiệp vụ ở NCEP
từ năm 2003. Thành phần đại dƣơng là GFDL Modul Mô hình đại dƣơng phiên bản
3 (MOM3) thay cho MOM1 trƣớc đây. Một số cải tiến quan trọng của hệ thống
CFS so với hệ thống động lực trƣớc đây bao gồm: (1) sự kết hợp giữa khí quyển và
đại dƣơng mở rộng hầu hết toàn cầu từ 64N-74S (trƣớc đây chỉ có khu vực Thái
Bình Dƣơng nhiệt đới) (2) hệ thống CFS đƣợc kết hợp đầy đủ không có hiệu chỉnh
dòng (khác với trƣớc đây có hiệu chỉnh dòng và sai số) và (3) một bộ đầy đủ kết
quả dự báo lại của 24 năm (1981-2004) với 15 dự báo cho từng tháng chạy cho 9
tháng, đã đƣợc cung cấp cùng với CFS. Bộ số liệu dự báo lại của 24 năm này đặc
biệt quan trọng trong việc đánh giá kĩ năng dự báo của hệ thống khi chạy nghiệp vụ,
đồng thời cung cấp thông tin quý báu cho việc nghiên cứu sự tƣơng tác của các quá
trình khí quyển-đất-đại dƣơng.
CFS có sai số nhỏ chấp nhận đƣợc trong dự báo SST vùng nhiệt đới và kĩ
năng dự báo Nino 3-4 SST có thể so sánh đƣợc với phƣơng pháp thống kê. Tuy vậy,
15

kĩ năng dự báo SST vùng vĩ độ trung bình (trƣớc đây không có) kém hơn nhiều so

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
báo để đánh giá sản phẩm của DEMETER [16]. Kết quả cũng cho thấy kĩ năng thấp
ở những dự báo trên tháng-1 (tức là lấy thời trễ dự báo chỉ 1 ngày và đánh giá luôn
cho 30 ngày đầu tiên). Ở những thời trễ dự báo dài, chỉ có khu vực Thái Bình
Dƣơng xích đạo cho thấy kĩ năng đáng kể. Điều này có thể ảnh hƣởng trong việc sử
dụng các sản phẩm dự báo mùa trong các dịch vụ khí hậu và kết quả này cũng có
thể đƣợc coi nhƣ tiêu chuẩn của khả năng dự báo khí hậu hiện tại sử dụng các mô
hình động lực. Các mô hình của DEMETER đƣợc khởi tạo chạy vào 01 tháng II, 01
tháng V, 01 tháng 8 và 01 tháng XI để đánh giá sự phụ thuộc quy mô mùa của các
dự báo lại và tích phân cho 180 ngày. Cùng giai đoạn nghiên cứu, CFS với 15 dự
báo lại (9 tháng) khởi tạo mỗi tháng đƣợc sử dụng đểđánh giá. Thời kì chung của
DEMETER và CFS là 1981-2001 (21 năm). Nhiệt độ 2m ở độ phân giải 2.5x2.5 từ
số liệu tái phân tích ERA40 và lƣợng mƣa quan trắc trung bình tháng ở độ phân giải
1.0x1.0 từ Trung tâm mƣa khí hậu toàn cầu (GPCC) đƣợc sử dụng làm số liệu để so
sánh. Lƣợng mƣa đƣợc đƣa về lƣới 2.5 để khớp với độ phân giải của dự báo lại. Ở
đây, tác giả thực hiện 2 phép đánh giá: (1) đánh giá so sánh trung bình tổ hợp các
mô hình với số liệu quan trắc, đây đƣợc coi là đánh giá với khí quyển thực và(2)
đánh giá với khí quyển lý tƣởng, với giả thiết là một thành phần của tổ hợp đƣợc coi
là “thật” và trung bình các thành phần còn lại là “dự báo”. Phƣơng pháp sử dụng
chính là dùng hệ số tƣơng quan (tuyến tính).
Trong các nghiên cứu gần đây vê dự báo mùa mà chúng ta đã điểm qua, các
khái niệm và lƣu ý cơ bản và một số kết quả ban đầu về dự báo mùa đã đƣợc nêu ra.
Tiếp theo, chúng ta sẽ tìm hiểu một số các nghiên cứu trong nƣớc.
1.2. Các nghiên cứu trong nước
17

Từ năm 1987, trong đề tài “Xây dựng một số phƣơng pháp dự báo hạn vừa,
hạn dài nhiệt độ mùa đông và mƣa mùa hè khu vực phía bắc Việt Nam”, Phạm Đức

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
tháng 6/1996 là hợp lý nhất.
Trong đề tài “Nghiên cứu tác động của biến đổi khí hậu toàn cầu đến các yếu
tố và hiện tƣợng khí hậu cực đoan ở Việt Nam, khả năng dự báo và giải pháp chiến
lƣợc ứng phó” Phan Văn Tân (cùng cs.) [3] đã làm sáng tỏ mức độ biến đổi, tính
chất biến đổi và xu thế biến đổi của các yếu tố và hiện tƣợng khí hậu cực đoan nhƣ
nhiệt độ, lƣợng mƣa, bão và áp thấp nhiệt đới, nắng nóng, rét hại, mƣa lớn, hạn hán
Ngoài ra, đề tài còn nghiên cứu thử nghiệm ứng dụng các mô hình khí hậu khu
vực với điều kiện ban đầu và điều kiện biên từ trƣờng dự báo toàn cầu của hệ thống
mô hình kết hợp khí quyển – đại dƣơng CAM-SOM để dự báo mùa các trƣờng khí
hậu và các hiện tƣợng cực đoan ở Việt Nam. Kết quả với 3 mô hình khí hậu khu
vực đƣợc sử dụng đều có sai số hệ thống đối với hầu hết các yếu tố và hiện tƣợng
khí hậu cực đoan. Cụ thể với các ECE xác định theo IPCC, tất cả các mô hình đều
cho khuynh hƣớng dự báo hạn mùa thấp hơn so với thực tế đối với các chỉ số TXx,
TXn, TNx, TNn, DTR, Rx1day, Rx5day, R95p, R99p, TX90p, R25 và R50 tại hầu
hết các vùng khí hậu. Đối với các chỉ số còn lại, có sự khác biệt giữa các mô hình
tƣơng ứng cho từng vùng khí hậu. Tƣơng tự cho các ECE xác định theo PA2, các
mô hình RCM đƣợc nghiên cứu chỉ thống nhất trong khuynh hƣớng sai số đối với
các ECE liên quan đến không khí lạnh, trong khi đối với các ECE liên quan đến
mƣa lớn và nắng nóng, khuynh hƣớng sai số thƣờng trái dấu giữa các mô hình với
nhau và thay đổi theo từng vùng khí hậu. Có thể thấy các khuynh hƣớng sai số trong
dự báo hạn mùa về cơ bản thống nhất với khuynh hƣớng sai số trong pha mô phỏng

20

không ít các mô hình khí hậu khu vựcđã và đang đƣợc thử nghiệm cho khu vực Việt
Nam [3]. Hơn nữa, việc dự báo hạn mùa đƣợc các yếu tố, hiện tƣợng khí hậu cực
đoan khá mới mẻ ở Việt Nam.Điểm thứ ba, trong lĩnh vực nghiên cứu mô phỏng và
dự báo ECE bằng các mô hình số, kể cả mô hình toàn cầu và mô hình khu vực, các
GCM nói chung cũng nhƣ các RCM nói riêng đƣợc ứng dụng tái tạo cũng nhƣ dự
báo trƣờng khí hậu. Các trƣờng khí hậu sau khi đƣợc tái tạo hoặc dự báo sẽ là cơ sở
để xác định các ECEtheo các kĩ thuật khác nhau. Với cùng một mô hình, kết quả mô
phỏng, dự báo có thể tốt cho khu vực này nhƣng lại kém cho một khu vực khác.
Ngay trên cùng một khu vực, yếu tố, hiện tƣợng này có thể mô phỏng hoặc dự báo
tốt nhƣng yếu tố, hiện tƣợng khác lại có sai số lớn, thậm chí không chấp nhận đƣợc.
Từđó, 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 mùaở Việt Nam để dự báo một số chỉ số khí
hậu cực đoan là một hƣớng tiếp cận mới, rất cóý nghĩa và cần thiết.Để giải quyết
bài toán này, chúng tôi tập trung vào hai khía cạnh. Đầu tiên là đánh giá đƣợc khả
năng mô phỏng hạn mùa một số trƣờng cơ bản của mô hình khí hậu khu vực
RegCM phiên bản 4.2 với đầu vào từ trƣờng dự báo thực CFS. Dựa trên kết quả thu
đƣợc, tác giả sẽ lựa chọn và tiến hành đánh giả khả năng mô phỏng một số chỉ số
khí hậu cực đoan.
21

Chƣơng 2
PHƢƠNG PHÁP NGHIÊN CỨU

Trong chƣơng một, ý nghĩa khoa học và thực tiễn của bài toán dự báo hạn
mùa cũng nhƣ ứng dụng dự báo mùa yếu tố, hiện tƣợng khí hậu cực đoan bằng mô

“hiện tƣợng 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” hoặc “cực tiểu” của biến khí quyển đƣợc quan trắc nào đó, chẳng hạn,
tập hợp các giá trị quan trắc của nhiệt độ cực đại tuyệt đối ngày (hoặc tháng, hoặc
năm).Yếu tố khí hậu cực đoan sẽ đƣợc xác định dựa trên tập các giá trị này (sẽ đƣợc
trình bày dƣới đây). Giá trị cực trị nhất (lớn nhất hoặc nhỏ nhất) trong chuỗi quan
trắc hiện có đƣợc gọi là giá trị kỷ lục. Đƣơng nhiên về nguyên tắc, “kỷ lục” chỉ có
một giá trị duy nhất cho đến thời điểm hiện tại. Hiện tƣợng khí hậu cực đoan ở Việt
Nam chƣa đƣợc phân định một cách rõ ràng. Tuy nhiên, theo cách dùng thông
thƣờng hiện nay, những hiện tƣợng có ảnh hƣởng xấu đến sức khỏe con ngƣời, gia
súc gia cầm hoặc đến hoạt động sản xuất có thể đƣợc cho là những hiện tƣợng cực
đoan. Ở một vài khía cạnh nào đó, cách hiểu này là có thể chấp nhận đƣợc, vì nó đã
thỏa mãn các tiêu chí nêu trên.
Để tránh những tranh luận không cần thiết, trong luận văn này chúng tôi tạm
qui ƣớc cả hai khái niệm “yếu tố khí hậu cực đoan” và “hiện tƣợng khí hậu cực
đoan” là các chỉ số khí hậu cực đoan, và chấp nhận rằng không nhất thiết chỉ số phải
là một đại lƣợng vô thứ nguyên. Với qui ƣớc đó, sau đây sẽ đƣa ra cách xác định
các chỉ số khí hậu cực đoan đƣợc sử dụng trong luận văn.
Một biến khí quyển đƣợc gọi là yếu tố khí hậu cực trị nếu miền giá trị của
nó thiên về một phía nào đó của tập giá trị có thể của biến khí quyển đƣợc xét. Ví
dụ, nhiệt độ không khí hàng ngày (tại một địa điểm nào đó) là một biến khí quyển.
23

Miền giá trị của nó có thể biến thiên từ a
0
đến b
0
. Mỗi ngày có một giá trị nhỏ nhất
(nhiệt độ cực tiểu ngày, hay nhiệt độ thấp nhất ngày) và một giá trị lớn nhất (nhiệt
độ cực đại ngày, hay nhiệt độ cao nhất ngày). Tập hợp tất cả các giá trị nhiệt độ cực

 
pxXPxxXx
MM
 )(|,
(2.2)
với


m
x
a
mm
dxxfxFxXPp
0
)()()(
(2.3)
hoặc


0
)()(1)(
b
x
MM
M
dxxfxFxXPp
(2.4)
Nghĩa là xác suất xuất hiện sự kiện X < x
m
hoặc X > x