1
MỞ ĐẦU
Trung tâm Dự báo khí tượng thủy văn Trung ương (TTTDBTƯ)
đã triển khai nghiệp vụ hệ thống dự báo tổ hợp thời tiết hạn ngắn (1-3
ngày) - SREPS dựa trên cách tiếp cận đa mô hình đa phân tích và bao
gồm 20 dự báo thành phần. Các sản phẩm dự báo trung bình tổ hợp
(EM) và dự báo xác suất từ SREPS đã và đang góp phần quan trọng
trong công tác dự báo thời tiết hạn ngắn tại TTDBTƯ. Theo kết quả
đánh giá của Võ Văn Hòa và nnk [12], chất lượng dự báo EM và xác
suất của SREPS (ký hiệu là Raw) vẫn còn nhiều hạn chế cho một số
biến bề mặt và trên cao. Những hạn chế này dẫn đến hiệu quả phục
vụ công tác dự báo thời tiết của hệ thống SREPS chưa cao. Do vậy,
phương pháp hậu xử lý là cần thiết để nâng cao chất lượng dự báo
EM và xác suất của hệ thống dự báo tổ hợp (EPS).
Theo Du [33], trên thế giới hiện tại phổ biển 2 cách tiếp cận để
giải quyết những tồn tại nói trên cho các hệ EPS, đó là động lực và
thống kê. Cách tiếp cận động lực liên quan đến bài toán cải tiến mô
hình NWP sử dụng trong EPS hoặc cải tiến cách thức tạo ra các dự
báo thành phần cho EPS. Cách tiếp cận thống kê tương tự như bài
toán MOS cho mô hình NWP tất định, đó là sử dụng các kỹ thuật
thống kê để hiệu chỉnh các dự báo thành phần của EPS hoặc tổng hợp
thông tin EF một cách hiệu quả nhất để nâng cao được chất lượng dự
báo EM và xác suất của EPS thô. Do hệ thống SREPS dựa trên cách
tiếp cận đa mô hình đa phân tích nên lựa chọn cách tiếp cận động lực
đòi hỏi một khối lượng công việc khổng lồ và thực hiện trong thời
gian dài. Trong khi đó, cách tiếp cận thống kê chỉ tác động đến kết
quả đầu ra của hệ thống SREPS mà không ảnh hưởng tới các mô hình
NWP được sử dụng cũng như cách thức tạo ra các dự báo thành
phần. Đây là cách tiếp cận đơn giản, khả thi và có thể đem lại hiệu


3
 Phương pháp nghiên cứu: luận án sử dụng các phương
pháp nghiên cứu gồm phương pháp thống kê, phương
pháp lập trình mô phỏng, phương pháp toán học và
phương pháp đánh giá khách quan.
 Những đóng góp mới của luận án: Những đóng góp mới
của luận án đồng thời cũng là những luận điểm bảo vệ đã
được nêu trên đây
 Ý nghĩa khoa học và thực tiễn của luận án: Luận án đã lựa
chọn được một số phương pháp EMOS phù hợp với hệ thống
SREPS tại TTDBTƯ. Kết quả nghiên cửu thử nghiệm của
luận án đã chỉ ra tính hiệu quả của các phương pháp EMOS
được chọn trong việc nâng cao chất lượng dự báo EM và xác
suất cho một số yếu tố nhiệt độ bề mặt, góp phần làm sáng tỏ
khả năng ứng dụng của phương pháp.
 Cấu trúc của luận án: Ngoài các phần lời cam đoan, lời
cám ơn, danh sách các từ viết tắt, bảng biểu, hình vẽ và đồ
thị, mục lục, mở đầu, tài liệu tham khảo và phụ lục, nội dung
chính của luận án được bố cục trong 3 chương: Chương 1
trình bày về dự báo tổ hợp và vấn đề hiệu chỉnh thống kê cho
dự báo tổ hợp; Chương 2 mô tả số liệu và phương pháp
nghiên cứu; Chương 3 đưa ra các kết quả thử nghiệm và đánh
giá. Cuối cùng là kết luận và kiến nghị.
CHƢƠNG 1. DỰ BÁO TỔ HỢP VÀ VẤN ĐỀ HIỆU CHỈNH
THỐNG KÊ CHO DỰ BÁO TỔ HỢP
1.1. Dự báo tổ hợp và vai trò của dự báo tổ hợp
Theo Kalnay (2003) [66], EF là một tập hợp dự báo xác định tại
cùng một thời điểm và hướng đến 3 mục đích: 1) Tăng cường chất
lượng dự báo thông qua EM; 2) Cung cấp một chỉ số định lượng về


5
cấu trúc không gian; … Do vậy, hiệu chỉnh thống kê cho dự báo tổ
hợp (EMOS) là cần thiết để nâng cao chất lượng dự báo EM và xác
suất cho EPS thô.
Theo Du (2007) [34], bằng cách loại bỏ sai số hệ thống của mô
hình (mô men bậc 1), dự báo EM sẽ gần với nghiệm thực hơn, các
cực trị sẽ giảm đáng kể và dự báo xác suất sẽ tin cậy hơn. Đối với
EPS đa mô hình, việc hiệu chỉnh sẽ đảm bảo độ tán được tạo ra khi
sai số hệ thống của từng mô hình bị loại bỏ sẽ phù hợp hơn. Tương
tự, bằng cách hiệu chỉnh mô men bậc 2, vấn đề quan hệ thấp giữa kỹ
năng dự báo - độ tán tổ hợp và vấn đề độ tán quá lớn/bé có thể được
cải thiện. Để cải tiến độ tin cậy của dự báo xác suất, các mô men cao
hơn như hàm mật độ xác suất cũng cần được hiệu chỉnh.
1.3. Tổng quan các nghiên cứu hiệu chỉnh thống kê cho dự báo tổ
hợp
1.3.1. Ngoài nước
Như đã biết, EF đã được nghiên cứu và triển khai nghiệp vụ từ
những năm 1990 của thế kỷ trước tại một số trung tâm dự báo lớn
trên thế giới. Vài năm sau đó, bài toán EMOS cũng đã được nghiên
cứu khi các hạn chế trong chất lượng dự báo EM và xác suất của các
EPS nghiệp vụ được chỉ ra trong nhiều nghiên cứu. Trên thực tế, các
nghiên cứu về EMOS phát triển mạnh nhất trong khoảng 10 năm trở
lại đây trong đó phần lớn sử dụng cách tiếp thống kê để nâng cao
chất lượng dự báo EM và xác suất.
Một trong những lớp EMOS đầu tiên là việc áp dụng cho EM
(mô men bậc 1). Trong lớp bài toán này, các phương pháp thống kê
được sử dụng bao như trung bình trượt [94], hồi quy tuyến tính [70],
phương pháp tương tự trong đó trọng số phụ thuộc vào hình thế thời
tiết [38], lọc Kalman [29], mạng thần kinh nhân tạo [118], hồi quy


7
hình MM5 để tạo ra EF. Phương án tính toán EM có trọng số tỷ lệ
nghịch với phương sai sai số của từng dự báo thành phần đã được
thực hiện.
Như vậy, có thể thấy việc nghiên cứu và ứng dụng EF nói chung
và EMOS nói riêng ở nước ta còn nhiều hạn chế cả về số lượng và
quy mô ứng dụng. Các phương pháp EMOS được nghiên cứu chủ
yếu tập trung cho bài toán nâng cao chất lượng dự báo EM thông qua
EF có trọng số. Bên cạnh đó, chưa có nghiên cứu EMOS hoàn chỉnh
nào cho bài toán dự báo thời tiết cũng như chưa có hệ thống EMOS
nào được triển khai trong dự báo nghiệp vụ tại các đơn vị dự báo tác
nghiệp. Đây cũng chính là lý do luận án này được thực hiện và hướng
tới mục tiêu triển khai nghiệp vụ hệ thống EMOS để nâng cao chất
lượng dự báo từ hệ thống SREPS tại TTDBTƯ.
CHƢƠNG 2. MÔ TẢ SỐ LIỆU VÀ
PHƢƠNG PHÁP NGHIÊN CỨU
2.1. Đặt bài toán
Theo Du (2007) [34], các phương pháp EMOS được nghiên cứu
và ứng dụng cho các EPS không tối ưu để:
1) Loại bỏ sai số hệ thống của các dự báo thành phần để dự báo
EM dựa trên các dự báo đã hiệu chỉnh sai số hệ thống sẽ gần với
nghiệm thực hơn, các cực trị sai số sẽ giảm đáng kể, dự báo xác suất
sẽ tin cậy hơn và độ tán được tạo ra sẽ phù hợp hơn;
2) Hiệu chỉnh phương sai dự báo để cải tiến tương quan giữa kỹ
năng dự báo EM và độ tán tổ hợp, qua đó giải quyết được vấn đề độ
tán quá lớn hoặc quá nhỏ của EPS ban đầu;
3) Hiệu chỉnh hàm phân bố xác suất để cải tiến kỹ năng dự báo
xác suất tổng thể (độ tin cậy, độ tán, độ rộng, độ nhọn, cực trị) của
EPS ban đầu.


N
1i
ii0
FaaEM
(2.2)
với a
i
, i=1,N là các hệ số hồi quy. Trong công thức (2.2), các dự báo
thành phần F
i
có vai trò như là các nhân tố dự báo trong bài toán

9
MOS. Các trọng số a
o
và a
i
sẽ được xác định bằng phương pháp bình
phương tối thiểu dựa trên bộ số liệu phụ thuộc cho trước.
2) Trung bình có trọng số giảm dần theo hàm mũ (EMES):
Phương pháp này được Daley (1991) [31Error! Reference
source not found.] đề xuất trong đó EM được tính theo công thức
(2.3) dưới đây:



N
1i
nobias
ii

(2.3) ở trên và các trọng số w
i
được tính theo công thức (2.6) dưới
đây với j là các chỉ số chạy theo tổng số dự báo thành phần (j=1,N).



N
1j
j
i
i
)MSE/1(
)MSE/1(
w
(2.6)
2.2.2. Các phương pháp thống kê tác động đến cả dự báo trung
bình tổ hợp và dự báo xác suất
1) Hiệu chỉnh sai số hệ thống bằng trung bình trượt (BCMA):
Theo phương pháp này, việc hiệu chỉnh cho một dự báo thành
phần bất kỳ của EPS được thực hiện theo công thức (2.7) dưới đây:

10
biasFF
rawBCMA

(2.7)
trong đó F
bcma
là dự báo đã được hiệu chỉnh bằng phương pháp

, a
1
là các
hệ số được xác định bằng phương pháp hồi quy tuyến tính dựa trên
tập số liệu của n ngày trước đó. Khi quan hệ này đã được thiết lập, nó
sẽ được áp dụng cho dự báo của ngày kế tiếp. Với giả thiết này, dự
báo hiệu chỉnh theo phương pháp BCLR sẽ được tính theo công thức
(2.12) dưới đây:
raw10BCLR
FaaF 
(2.12)
4) Hiệu chỉnh sai số hệ thống bằng lọc Kalman (BCKF):
Cách thức hiệu chỉnh này dựa trên phương pháp lọc Kalman để
khắc phục nhược điểm của phương pháp BCLR, đó là các trọng số a
0

và a
1
không có khả năng tự cập nhật trong chu kỳ luyện khi có sự đột
biến về mặt hình thế thời tiết. Với phương pháp lọc Kalman, các

11
trọng số này sẽ được cập nhật hàng ngày trong suốt chu kỳ luyện cho
tới thời điểm bắt đầu thử nghiệm dự báo. Quá trình cập nhật các
trọng số này được thực hiện thông qua phương trình dự báo và quan
trắc của Lọc Kalman như công thức (2.13) và (2.14) dưới đây:
1k1k1kk
wuBxAx



cơ bản của phương pháp này nằm ở chỗ giả định phương sai σ
2
có
quan hệ tuyến tính với độ tán tổ hợp (S
2
)

)dSc,Xaa(N
2
N
1i
ii0




(2.16)
6) Hồi quy Gauss không thuần nhất trong đó kỳ vọng quan hệ
tuyến tính với các dự báo thành phần và trọng số luôn dương
(NGR_EP):

12
Phương pháp này hoàn toàn tương tự như NGR_ER và chỉ khác
ở chỗ các hệ số a
i
sau khi được tìm ra sẽ được kiểm tra để đảm bảo
không âm. Nếu có hệ số a
i
nào đó âm thì quá trình cực tiểu hóa hàm
CRPS sẽ được thực hiện lại nhưng đã loại bỏ dự báo thành phần có

13
thuộc là 40 ngày (tính từ thời điểm bắt đầu thực hiện hiệu chỉnh) cho
tất cả các kỹ thuật EMOS được sử dụng trong nghiên cứu này.
2.3. Mô tả tập số liệu nghiên cứu
Để phục vụ việc xây dựng, thử nghiệm và đánh giá hiệu quả của
các phương pháp EMOS trong việc nâng cao chất lượng dự báo tất
định và xác suất của hệ thống SREPS, chúng tôi đã tiến hành thu
thập, xử lý và lưu các nguồn số liệu như được mô tả trong bảng 2.3.
Bảng 2.3: Danh sách các nguồn số liệu được thu thập
TT
Tên nguồn số liệu
Phạm vi
không gian
Phạm vi
thời gian
Các biến thu
thập
1
Quan trắc các yếu tố
nhiệt độ tại trạm
Tại 174 điểm
trạm
3 năm
(2008-
2010)
T2m
(00GMT),
Td2m
(00GMT),
Tmax, Tmin

+48h và +72h
2.4. Phƣơng pháp xử lý số liệu
Để thuận tiện cho quá trình nghiên cứu cũng như triển khai
nghiệp vụ sau này, tất cả các nguồn số liệu trên lưới đều được xử lý
để đưa về định dạng NetCDF thay vì sử dụng định dạng gốc ban đầu.
Các kết quả hiệu chỉnh các trường khí tượng được nghiên cứu từ các
phương pháp EMOS cũng được sao lưu theo định dạng NetCDF. Số
liệu quan trắc được kiểm tra chất lượng thám sát và sao lưu vào hệ
quản trị CSDL PostGRESQL.
Như đã trình bày ở trên, không gian nghiên cứu của luận án là tại
các điểm trạm, nên cần thiết phải thực hiện bước tiến xử lý để đưa

14
các dự báo của hệ thống SREPS từ lưới dự báo về điểm trạm. Do yếu
tố nghiên cứu là trường nhiệt độ bề mặt - dạng trường liên tục, nên
trong nghiên cứu này tác giả sử dụng phương pháp nội suy song
tuyến tính (bilinear) để nội suy các giá trị dự báo từ lưới dự báo về
điểm trạm quan tâm.
2.5. Phƣơng pháp đánh giá
2.5.1. Các chỉ số đánh giá chất lượng dự báo trung bình tổ hợp
Với đối tượng nghiên cứu là các yếu tố nhiệt độ bề mặt (các yếu
tố liên tục), các chỉ số đánh giá ME, MAE và RMSE được sử dụng
để nghiên cứu về khuynh hướng sai số, biên độ sai số tuyệt đối và giá
trị sai số thực. Bên cạnh đó, để khảo sát khả năng khử sai số hệ thống
trong dự báo thành phần của Raw từ các phương pháp EMOS, giản
đồ tụ điểm được sử dụng.
2.5.2. Các chỉ số đánh giá chất lượng dự báo xác suất
Trong luận án này tác giả sẽ đánh giá tính hiệu quả của các
phương pháp EMOS theo các khía cạnh gồm: 1) cải thiện về độ tin
cậy, 2) cải thiện độ tán, 3) cải thiện độ rộng và 4) cải thiện độ nhọn

NGR_ER

NGR_EP

NGR_EM
Hình 3.2: Giản đồ tụ điểm của dự báo thành phần HRM_GFS của Raw cùng
7 phương pháp EMOS cho dự báo Td2m hạn 24h trên khu vực Tây Bắc
3.2. Đánh giá khả năng cải thiện chất lƣợng dự báo trung bình tổ
hợp
3.2.1. Yếu tố nhiệt độ không khí

16
Các kết quả đánh giá cho thấy các phương pháp EMOS cho chỉ
số ME trong dự báo T2m với biên độ nhỏ hơn so với ME của Raw tại
hầu hết các khu vực nghiên cứu. Điều này chứng tỏ, việc hiệu chỉnh
sai số hệ thống đã có tác động tích cực tới sai số hệ thống của EM khi
các dự báo thành phần được sử dụng. Theo chỉ số đánh giá MAE, hầu
hết các phương pháp EMOS đã cho giảm chỉ số MAE so với Raw tại
hầu hết các khu vực nghiên cứu. Sự cải thiện lớn nhất trong chất
lượng dự báo T2m thường được tìm thấy tại các khu vực TB, VB và
ĐB, và ngược lại cho các khu vực ĐBBB và NB. Nếu so sánh giữa
các phương pháp thì dự báo từ NGR_EM, NGR_EP, BCMA và
BCES cho thấy sự cải thiện lớn nhất trong khi các phương pháp
EMLR và NGR_ER không đem lại nhiều sự cải thiện, thậm chí là
cho sai số dự báo T2m tăng lên so với Raw. Các kết quả tương tự
cũng được tìm thấy khi xem xét chỉ số RMSE cho dự báo T2m như
trong bảng 3.3. Bên cạnh việc nâng cao chất lượng dự báo, cũng có
thể thấy các phương pháp EMOS còn hạn chế được các sai số dự báo
lớn. Các kết quả tương tự cho dự báo T2m cũng được tìm thấy cho
hạn +48h và +72h.

1.47
1.17
1.11
0.99
0.91
0.92
0.89
EMMV
1.46
1.36
1.5
1.18
1.13
1.01
0.92
0.94
0.9
BCMA
1.37
1.31
1.42
1.18
1.13
1.06
0.91
0.91
0.9
BCLR
1.56
1.6

2.0
1.73
1.55
1.48
1.26
1.28
1.31

17
NGR_EP
1.3
1.3
1.39
1.16
1.09
1.05
0.92
0.92
0.92
NGR_EM
1.38
1.35
1.44
1.16
1.11
1.05
0.9
0.95
0.9
Raw

BTB
TTB
NTB
TN
NB
EMLR
2.16
2.13
2.14
2.25
2.38
1.49
1.33
1.27
1.32
EMES
2.04
2.27
2.25
2.49
2.05
1.02
0.99
0.88
0.98
EMMV
2.11
2.35
2.34
2.61

1.81
1.04
0.91
0.82
0.89
BCKF
1.66
1.83
2.14
2.05
1.78
1.29
1.23
1.17
1.2
NGR_ER
1.94
2.16
2.05
2.17
1.9
1.4
1.3
1.31
1.35
NGR_EP
1.39
1.45
1.45
1.51

nghiên cứu ngoại trừ các phương pháp EMLR và NGR_ER tại các
khu vực ĐBBB và BTB. Nếu so sánh giữa các phương pháp EMOS,
rất khó để tìm ra phương pháp tốt nhất cho mọi khu vực. Tuy nhiên,
dễ nhận thấy hai phương pháp EMLR và NGR_ER có trị số MAE lớn
nhất trong số 10 phương pháp EMOS thử nghiệm. Theo khu vực
nghiên cứu, sự cải thiện đáng kể trong chất lượng dự báo EM được
tìm thấy tại khu vực TB, VB, ĐB, TTB và TN. Sự duy trì tính ổn
định trong sai số dự báo của các phương pháp EMOS cũng được tìm
thấy khi so sánh giá trị MAE với RMSE. Các nhận định này cũng
phù hợp khi xem xét các hạn dự báo +48h và +72h.
Bảng 3.9: Tương tự bảng 3.3 nhưng cho dự báo Tmax
Phƣơng
pháp EMOS
Khu vực nghiên cứu
TB
VB
ĐB
ĐBBB
BTB
TTB
NTB
TN
NB
EMLR
3.43
3.53
3.46
3.14
3.94
2.81

1.56
1.8
1.39
BCLR
2.48
2.52
2.38
2.39
2.51
2.09
1.6
1.87
1.36
BCES
2.46
2.47
2.32
2.40
2.44
1.93
1.52
1.75
1.35
BCKF
2.58
2.56
2.44
2.39
2.5
1.99

1.58
1.84
1.36
Raw
4.71
4.29
3.22
2.46
3.24
3.12
2.94
3.09
2.31
3.2.4. Yếu tố nhiệt độ tối thấp ngày
Các kết quả đánh giá cho thấy ngoại trừ phương pháp EMLR và
NGR_ER, các phương pháp EMOS còn lại đều cho các giá trị MAE
và RMSE trong dự báo Tmin nhỏ hơn so với Raw từ 0.3-1
0
C tại tất
cả các khu vực nghiên cứu. Như vậy, chất lượng dự báo EM từ Raw
đã được cải thiện khi áp dụng các phương pháp EMOS này. Các
phương pháp đem lại nhiều sự cải thiện nhất vẫn là nhóm phương
pháp NGR_EM, NGR_EP, BCMA và BCES, trong khi các phương

19
pháp EMLR và NGR_ER chỉ cho thấy sự cải thiện nhỏ ở một số khu
vực nghiên cứu. Khác với các yếu tố T2m, Td2m và Tmax, rất khó
để tìm ra khu vực nào có sự cải thiện lớn nhất trong dự báo Tmin khi
áp dụng các phương pháp EMOS. Về mặt trung bình, có thể thấy các
khu vực TB, VB và NB có sự cải thiện lớn hơn các khu vực khác

1.75
1.58
1.24
0.99
1.06
1.02
EMMV
1.69
1.77
1.95
1.76
1.59
1.24
0.99
1.05
1.03
BCMA
1.55
1.63
1.76
1.68
1.51
1.21
0.99
0.98
1.01
BCLR
1.62
1.71
1.81

2.51
2.18
1.69
1.4
1.44
1.48
NGR_EP
1.55
1.72
1.8
1.70
1.53
1.2
1.01
1.04
1.05
NGR_EM
1.58
1.7
1.81
1.74
1.54
1.21
0.99
1.01
1.01
Raw
2.37
2.32
2.39

ĐB
ĐBBB
BTB
TTB
NTB
TN
NB
BCMA
0.73
0.74
0.81
0.69
0.63
0.62
0.54
0.52
0.54
BCLR
0.82
0.82
0.88
0.76
0.68
0.65
0.6
0.59
0.61
BCES
0.72
0.73

0.76
0.66
0.62
0.59
0.53
0.52
0.52
NGR_EM
0.71
0.73
0.77
0.66
0.61
0.57
0.51
0.51
0.5
Raw
1.55
1.28
0.98
0.76
0.77
0.72
0.69
0.67
0.61
Dựa trên biểu đồ hạng của dự báo T2m, các phương pháp
BCMA, BCES, NGR_EM và NGR_EP có biểu đồ hạng dạng gần
phẳng. Điều này chứng tỏ độ tin cậy của dự báo xác suất từ các

độ tán của EF đã phù hợp hơn). Trong khi đó, các phương pháp
NGR_ER và BCLR lại cho biểu đồ hạng có dạng hình chữ U đặc
trưng (độ tán EF quá nhỏ so với thực tế). Đối với độ rộng 90.48%,
kết quả đánh giá cho thấy tất cả các phương pháp EMOS cho độ rộng
nhỏ hơn so với Raw trong đó các phương pháp NGR_ER và BCLR
cho thấy sự cải thiện lớn nhất do các phương pháp này cho độ tán EF
nhỏ hơn nhiều so với các phương pháp EMOS còn lại. Các kết quả
tương tự cũng được tìm thấy cho các hạn dự báo +48h và +72h.
3.3.3. Yếu tố nhiệt độ tối cao ngày
Từ bảng 3.19 có thể nhận thấy ngoại từ phương pháp NGR_ER
tại các khu vực ĐBBB và BTB có chỉ số CRPS lớn hơn Raw, các

22
phương pháp EMOS còn lại đều cho trị số CRPS nhỏ hơn Raw tại tất
cả các khu vực nghiên cứu. Hay nói cách khác, chất lượng dự báo xác
suất Tmax từ Raw đã được cải thiện khi áp dụng các phương pháp
EMOS này. Các phương pháp NGR_EM, NGR_EP tiếp tục là các
phương pháp cho sự cải thiện tốt nhất tại hầu hết các khu vực nghiên
cứu, kế tiếp là BCMA và BCES. Phương pháp NGR_ER chỉ cho thấy
sự cải thiện nhỏ ở các khu vực ngoại trừ 2 khu vực ĐBBB và BTB.
Bảng 3.19: Tương tự bảng 3.13 nhưng cho yếu tố Tmax
Phƣơng
pháp EMOS
Khu vực nghiên cứu
TB
VB
ĐB
ĐBBB
BTB
TTB

0.51
0.49
0.51
BCKF
0.87
0.93
1.0
0.89
0.76
0.68
0.63
0.62
0.63
NGR_ER
1.09
1.16
1.23
1.1
0.97
0.94
0.79
0.8
0.83
NGR_EP
0.69
0.73
0.76
0.66
0.62
0.59

các phương pháp NGR_ER và BCLR cho thấy sự cải thiện lớn nhất
do có độ tán EF nhỏ.
3.3.4. Yếu tố nhiệt độ tối thấp ngày
Các kết quả đánh giá chất lượng dự báo xác suất cho yếu tố Tmin
gần tương tự như các yếu tố T2m, Td2m và Tmax. Các phương pháp
NGR_EM, NGR_EP, BCMA và BCES tiếp tục là các phương pháp

23
cho sự cải thiện tốt nhất trong kỹ năng dự báo xác suất (tăng độ tin
cậy) tại hầu hết các khu vực nghiên cứu. Tuy nhiên, mức độ cải thiện
về độ tin cậy, độ tán EF, độ phủ và độ nhọn không lớn như trong dự
báo các yếu tố T2m, Td2m và Tmax.
3.4. Đánh giá khả năng ứng dụng trong điều kiện nghiệp vụ
Các kết quả đánh giá có thế thấy về cơ bản hầu các phương pháp
EMOS đã đáp ứng được cả khía cạnh chất lượng dự báo (theo tiêu
chí đánh giá chất lượng bản tin dự báo được quy định trong Quyết
định số 96/QĐ-KTTVQG ban hành ngày 29 tháng 3 năm 2012 quy
định về việc đánh giá dự báo thời tiết hạn ngắn của Trung tâm KTTV
Quốc gia) và yêu cầu thời gian của bài toán nghiệp vụ. Từ các kết
quả đánh giá ở trên có thể thấy các phương pháp NGR_EM,
NGR_EP, BCMA và BCES là các phương pháp EMOS tốt nhất cho
hệ thống SREPS. Ngược lại, các phương pháp EMLR, BCKF và
NGR_ER không đem lại nhiều hiệu quả trong việc nâng cao chất
lượng dự báo EM và xác suất của hệ thống SREPS mặc dù vẫn đáp
ứng được yêu cầu về thời gian nghiệp vụ.
KẾT LUẬN VÀ KIẾN NGHỊ
Từ các nghiên cứu lý thuyết về các phương pháp EMOS và tính
toán thử nghiệm một số phương pháp EMOS được lựa chọn dựa trên
bộ số liệu dự báo của hệ thống SREPS từ năm 2008 đến 2010, tác giả
rút ra một số nhận xét và kết luận như sau:

3) Nghiên cứu xây dựng các phương pháp EMOS cho mục đích
nâng cao chất lượng dự báo các trường khí quyển từ các hệ thống dự
báo tổ hợp.
4) Nghiên cứu tối ưu hóa một số phương pháp EMOS có sử
dụng các công thức và hệ số thực nghiệm để phù hợp với điều kiện
Việt Nam.