BTNMT
TTKTTVQG
BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG
TRUNG TÂM KHÍ TƯỢNG THUỶ VĂN QUỐC GIA
Số 4 Đặng Thái Thân - Quận Hoàn Kiếm - Hà Nội
------------------******** ------------------
BÁO CÁO
TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU
KHOA HỌC VÀ CÔNG NGHỆ CẤP BỘ
ĐỀ TÀI:
NGHIÊN CỨU ỨNG DỤNG DỰ BÁO TỔ HỢP CHO
MỘT SỐ TRƯỜNG DỰ BÁO BÃO
Chủ nhiệm: ThS. Võ Văn Hòa
6917
04/7/2008
HÀ NỘI, 5-2008
BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG
TRUNG TÂM KHÍ TƯỢNG THUỶ VĂN QUỐC GIA
Số 4 Đặng Thái Thân - Quận Hoàn Kiếm - Hà Nội
------------------******** ------------------
BÁO CÁO
TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU
KHOA HỌC VÀ CÔNG NGHỆ CẤP BỘ
Trần Văn Sáp
Hà Nội, ngày … tháng … năm 2008
HỘI ĐỒNG ĐÁNH GIÁ CHÍNH THỨC
CHỦ TỊCH HỘI ĐỒNG
TS. Nguyễn Lê Tâm
Hà Nội, ngày … tháng … năm 2008
CƠ QUAN QUẢN LÝ ĐỀ TÀI
TL. BỘ TRƯỞNG
KT. VỤ TRƯỞNG
VỤ KHOA HỌC VÀ CÔNG NGHỆ
PHÓ VỤ TRƯỞNG
Nguyễn Lê Tâm
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
DANH SÁCH CÁC CHỮ VIẾT TẮT
AVN
Mô hình toàn cầu của Mỹ
(AViatioN Global Model)
AT
Trung tâm phân tích và dự báo bão
(Center for the Analysis and Prediction of Storms)
CEM
Trung bình tổ hợp theo nhóm
(Cluster Ensemble Mean)
CLIPER
Mô hình thống kê quán tính
(CLIper and PERsistence model)
CMC
Cơ quan khí tượng Canada
(Canadian Meteorological Centre)
CRPS
Điểm số xác suất hạng liên tục
(Continuous Ranked Probability Score)
CT
Sai số dọc theo phương pháp tuyến so với hướng chuyển động
(Cross Track error)
DPE
(Ensemble-Model Output Statistics)
EOF
Phân tích hàm trực giao thực nghiệm
(Empircal Orthogonal Function)
EPS
Hệ thống dự báo tổ hợp
(Ensemble Prediction System)
GA
Trung tâm dự báo bão Guam của Mỹ
GEMPAK
Gói phần mềm khí tượng
(GEneral Meteorological PAcKage)
GFDL
Thư viện động lực học chất lỏng địa vật lý
(Geophysical Fluid Dynamics Laboratory)
GFS
Hệ thống dự báo toàn cầu của Mỹ
(Global Forecasting System)
KILOEF
Dự báo tổ hợp hàng nghìn thành phần
(KILO-members Ensemble Forecast)
LAF
Dự báo trung bình trễ
(Lagged Average Forecast)
LDM
Hệ quản trị dữ liệu cục bộ
(Local Data Management)
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
ii
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
MAE
Sai số tuyệt đối trung bình
(Mean Absolute Error)
MCF
Hồi quy Gauss không thuần nhất dựa trên MOS tổ hợp nhưng
có loại bỏ các trọng số âm
NOAA
Cơ quan đại dương và khí quyển Mỹ
(National Oceanic and Atmospheric Administration)
NWP
Dự báo thời tiết số trị
(Numerical Weather Prediction)
NWS
Cơ quan thời tiết quốc gia Mỹ
(National Weather Service)
PMA
Giả thiết mô hình hoàn hảo
(Perfect Model Assumption)
PO
Quan trắc bị gây nhiễu
(Perturbed Observation)
SE
(Short Range Ensemble Forecast)
SRFD
Sự khác biệt trong dự báo hạn ngắn giữa các dự báo thành phần
(Short Range Forecast Differences)
SV
Vectơ kỳ dị
(Singular Vector)
RPS
Điểm số xác suất hạng
(Ranked Probability Score)
RSM
Mô hình phổ khu vực
(Regional Spectral Model)
RSS
Điểm kỹ năng dự báo tương đối
(Relative Skill Score)
UKMO
Cơ quan khí tượng Anh
iv
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
DANH SÁCH CÁC BẢNG
TT
Số thứ
tự bảng
1
Nội dung
Trang
2.2.1
Giá trị ME của các biến dự báo tại mực 850, 500mb với
hạn dự báo 24, 48 giờ từ 5 mô hình GFS, GME, GSM,
TLAPS, UM và trung bình tổ hợp.
45
2
2.2.5
Giá trị RMSE của các biến dự báo tại mực 850, 500mb với
hạn 24 và 48h từ 5 phương pháp EM_BCMA, EM_NGR,
EM_EMOS, EM_EMOSP và SE
56
6
2.3.1
Giá trị 66.67% độ phủ của các biến dự báo tại mực 850,
500mb với hạn dự báo 24, 48 giờ từ 6 hệ tổ hợp
69
7
2.3.2
Điểm số CRPS của các biến dự báo tại mực 850, 500mb
với hạn dự báo 24, 48 giờ từ 4 hệ tổ hợp BCMA, BCLR,
NGR và NGR_EMOSP
70
8
v
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
11
3.1.3
Tổng số cơn bão và số trường hợp tương ứng trong tập số
liệu phụ thuộc cho các hạn dự báo +24h và +48h đối với 4
thử nghiệm dự báo tổ hợp dựa trên phương pháp hồi quy
tuyến tính
77
12
3.1.4
Bộ hệ số hồi quy cho 4 phương án thử nghiệm dự báo tổ
hợp qũy đạo bão dựa trên các sản phẩm dự báo của các
trung tâm quốc tế
79
13
Số thứ
tự hình
1
Nội dung
Trang
1.1.1
Dự báo độ cao địa thế vị hạn 48 giờ cho ngày 00Z18/05/2006 từ các mô hình GFS, GME, GSM, TLAPS,
UM và trường phân tích tương ứng
6
2
1.2.1
Dự báo Monte Carlo với những điều kiện ban đầu được lấy
mẫu ngẫu nhiên từ phân bố của trường ban đầu với trường
phân tích là giá trị trung bình (theo Wilks 1995). Đường
nét liền biểu diễn dự báo tất định từ trường phân tích.
8
3
1.2.2
22
7
1.4.2
Biểu đồ hạng có phân bố đầu ứng với dự báo tổ hợp tin cậy
23
8
1.4.3
Các biểu đồ hạng cho thấy dự báo tổ hợp không tin cậy
24
9
1.4.4
Biểu đồ tin cậy cho dự báo tổ hợp dựa trên phương pháp
BCMA
29
10
1.5.1
14
1.6.1
Phân loại các phương pháp dự báo tổ hợp theo Weber
(2001)
34
15
2.1.1
Trường địa thế vị mực 850mb theo dự báo của GME khi
biểu diễn với độ phân giải 0.40 (trái) và 1.250 (phải)
40
16
2.1.2
Trường phân tích của độ cao địa thế vị mực 850mb từ 5
mô hình GFS, GME, GSM, TLAPS, UM và trung bình tổ
hợp
42
17
phân tích trung bình tổ hợp cho trường nhiệt độ tại mực
500mb
44
20
2.1.6
Sai số phân tích RMSE giữa các phân tích thành phần với
phân tích trung bình tổ hợp cho trường nhiệt độ tại mực
500mb
44
21
2.2.1
Giản đồ tụ điểm dự báo độ cao địa thế vị mực 850mb hạn
72 giờ theo các mô hình thành phần và theo trung bình tổ
hợp
47
22
2.2.2
Giản đồ tụ điểm dự báo nhiệt độ mực 500mb hạn 72 giờ
trung bình tổ hợp hạn 48 giờ vào thời điểm 00Z30/07/2005 sau khi khử bias theo BCLR
52
26
2.2.6
Dự báo 48h của trường H mực 850mb tại thời điểm 00Z30/07/2005 theo EM_BCLR (a), EM_BCMA (b),
WM_BCLR (c) và WM_BCMA (d)
54
27
2.2.7
Dự báo 48h của biến H mực 850mb tại thời điểm 00Z30/07/2005 theo EM_NGR (a), EM_EMOS (b),
EM_EMOSP (c) và SE (d)
57
28
2.3.1
Biểu đồ hạng dự báo 24 giờ cho tất cả các biến trên các
mực 850 và 500mb từ hệ tổ hợp RAW (thứ tự từ trái qua
phải, từ trên xuống dưới lần lượt là pmsl, h850, h500,
u850, u500, v850, v500, t850, t500, q850, q500)
2.3.4
Tương tự hình 2.3.1 nhưng cho hệ tổ hợp BCMA
61
32
2.3.5
Tương tự hình 2.3.2 nhưng cho hệ tổ hợp BCMA
62
33
2.3.6
Tương tự hình 2.3.3 nhưng cho hệ tổ hợp đã hiệu chỉnh sai
số hệ thống dựa trên phương pháp BCMA
62
34
2.3.7
Tương tự hình 2.3.1 nhưng cho hệ tổ hợp BCLR
Tương tự hình 2.3.2 nhưng cho hệ tổ hợp NGR
65
39
2.3.12
Tương tự hình 2.3.3 nhưng cho hệ tổ hợp NGR
66
40
2.3.13
Tương tự hình 2.3.1 nhưng cho hệ tổ hợp NGR_EMOSP
67
41
2.3.14
Tương tự hình 2.3.2 nhưng cho hệ tổ hợp NGR_EMOSP
67
42
Kết qủa đánh giá DPE và SD trung bình cho bộ số liệu phụ
thuộc của phương án Reg2y (a), Reg3y (b), Reg4y (c) và
Reg5y (d)
80
46
3.1.3
Các biểu đồ phân tán minh họa mối quan hệ giữa DPE và
SP của EF dựa trên phương án hồi quy tuyến tính Reg2y
(a), Reg3y (b), Reg4y (c) và Reg5y (d) cho tập số liệu phụ
thuộc. Trục hoành là giá trị DPE và trục tung là giá trị SP
81
47
3.1.4
Các biểu đồ phân tán minh họa mối quan hệ giữa DPE và
SP của EF dựa trên phương án TBĐG cho tập số liệu 2
năm (a), 3 năm (b), 4 năm (c) và 5 năm (d). Trục hoành là
giá trị DPE và trục tung là giá trị SP
81
48
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
51
3.1.8
Kết qủa đánh giá sai số AT (bên trái) và CT (bên phải) của
phương án Reg2Y cho các cơn bão năm 2006 và trung
bình cả mùa bão (ký hiệu TB-2006)
85
52
3.1.9
Tương tự hình 3.1.8 nhưng cho phương án Reg3Y
85
53
3.1.10
Tương tự hình 3.1.8 nhưng cho phương án Reg4Y
88
Tương tự hình 3.1.13 nhưng cho bão XANGSANE tại thời
điểm 12Z 28/29/2006 (a) và 00Z 29/29/2006 (b)
87
58
3.2.1
Kết qủa đánh giá và so sánh sai số DPE trung bình của 6
phương án EF dựa trên mô hình WBAR với dự báo đối
chứng tại hạn dự báo 12h, 24h, 36h và 48h cho mùa bão
2003 (a), 2004 (b), 2005 (c), 2006 (d) và cả 4 mùa bão (e)
92
59
3.2.2
Kết qủa đánh giá chỉ số kỹ năng dự báo RSS và tỷ lệ phần
trăm số trường hợp nghiên cứu có RSS > 0 của 6 phương
án nghiên cứu cho các năm 2003 (a), 2004 (b), 2005 (c),
2006 (d) và trung bình 4 mùa bão (e)
94
60
3.2.3
tổ hợp dựa trên mô hình WBAR cho mùa bão 2003 (a),
2004 (b), 2005 (c), 2006 (d) và cả 4 mùa bão (e).
99
64
3.2.7
Mối quan hệ giữa độ tán (SP) và sai số dự báo vị trí tâm
bão (DPE) của phương án STEERFLOW tại hạn dự báo
12h (a), 24h (b), 36h (c) và 48h (d)
99
65
3.2.10
Các bản đồ xác suất tích lũy 24h (a) và 48h (b) dự báo
đường đi của bão Damrey (0518) tại 00Z 23/09/2005
100
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
x
Trung Tâm Dự báo KTTV Trung ương
1.5
1.5.1
1.5.2
1.5.3
1.5.4
1.6
CHƯƠNG I
KHÁI QUÁT VỀ DỰ BÁO TỔ HỢP
Định nghĩa về dự báo tổ hợp
Phương pháp tạo các dự báo tổ hợp thành phần
Phương pháp Monte-Carlo
Phương pháp dự báo trung bình trễ
Phương pháp nuôi nhiễu động phát triển nhanh
Phương pháp sử dụng vector kỳ dị
Phương pháp nhiễu động số liệu quan trắc
Phương pháp đa hệ thống đa mô hình
Phương pháp tính toán dự báo tổ hợp
Dự báo tất định từ dự báo tổ hợp
Dự báo trung bình tổ hợp
Dự báo trung bình có trọng số
Dự báo median và dự báo mode
Dự báo siêu tổ hợp
Dự báo kỹ năng dự báo từ dự báo tổ hợp
Dự báo xác suất từ dự báo tổ hợp
Đánh giá dự báo tổ hợp
Biểu đồ hạng
Điểm số Brier
Điểm số xác suất hạng RPS
Điểm số xác suất hạng liên tục CRPS
21
23
24
26
27
28
28
30
30
31
31
32
32
xi
Trung Tâm Dự báo KTTV Trung ương
2.1
2.2
2.2.1
2.2.2
2.2.3
2.2.4
2.3
2.3.1
2.3.2
2.3.3
3.2.2
3.2.3
CHƯƠNG III
XÂY DỰNG HỆ THỐNG DỰ BÁO TỔ HỢP
QŨY ĐẠO BÃO
Dự báo tổ hợp qũy đạo bão dựa trên các kết qủa dự báo của
các trung tâm dự báo bão quốc tế
Mô tả tập số liệu nghiên cứu
Tính toán dự báo tổ hợp và phương pháp đánh giá
Một số kết qủa nghiên cứu và đánh giá
Dự báo tổ hợp quỹ đạo bão dựa trên phương pháp nhiễu
động trường ban đầu cho mô hình chính áp WBAR
Mô tả tập số liệu nghiên cứu và phương pháp phát sinh dự báo
tổ hợp qũy đạo bão
Tính toán dự báo tổ hợp và phương pháp đánh giá
Một số kết qủa nghiên cứu và đánh giá
I
II
III
KẾT LUẬN VÀ KIẾN NGHỊ
TÀI LIỆU THAM KHẢO
PHỤ LỤC
Quỹ đạo quan trắc của các cơn bão từ năm 2001-2006
Khái quát về mô hình chính áp WBAR
Dự báo xác suất dựa trên phương pháp NGR
Trung tâm KTTV Quốc Gia
MỞ ĐẦU
Nhờ sự phát triển mạnh mẽ của công nghệ thông tin và các mô hình dự báo thời
tiết số trị trong những năm gần đây, dự báo tổ hợp đã và đang trở nên rất phổ biến ở
các trung tâm dự báo khí tượng lớn trên thế giới, nơi có tiềm năng mô hình và máy
tính lớn. 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. Tuy mới chỉ được ứng dụng mạnh mẽ vào những năm gần đây do được
thừa hưởng thành quả của cuộc cách mạng công nghệ thông tin trên thế giới, dự báo
tổ hợp đã có một quá trình phát triển 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 hình. Cho đến nay, dự báo tổ hợp đã được phát
triển và ứng dụng tương đối đa dạng tại nhiều nơi và cho các mục đích khác nhau và
được đánh giá là lĩnh vực có tốc độ thay đổi nhanh nhất trong nghiên cứu khí tượng.
Ở một số các trung tâm dự báo khí tượng lớn trên thế giới, hệ thống dự báo tổ
hợp nghiệp vụ đã được đưa vào hoạt động từ đầu những năm 90. Tại Mỹ, hệ thống
dự báo tổ hợp nghiệp vụ đầu tiên được sử dụng từ năm 1992 dựa trên phương pháp
nuôi nhiễu động phát triển nhanh để tạo tập hợp các trường ban đầu khác nhau cho
mô hình toàn cầu có cấu hình T126, 28 mực và có hạn dự báo tới 180 giờ. Bên cạnh
đó, hệ thống dự báo tổ hợp hạn ngắn sử dụng mô hình ETA với 15 thành phần
tương ứng với 3 phiên bản vật lý khác nhau cũng được thử nghiệm. Tại Trung tâm
dự báo hạn vừa Châu Âu (ECMWF), dự báo tổ hợp bắt đầu đưa vào nghiệp vụ từ
năm 1992 bằng việc sử dụng phương pháp tách vector kỳ dị để tạo nhiễu động ban
đầu. Hệ thống dự báo tổ hợp này hiện nay có tới 51 dự báo thành phần, thực hiện dự
báo hàng ngày và cung cấp kết quả cho các nước trong Cộng đồng Châu Âu là
thành viên của ECMWF. Gần đây, các Trung tâm Khí tượng khác như Nhật Bản
(JMA), Hàn Quốc (KMA) cũng đã có hệ thống dự báo tổ hợp cho các mô hình toàn
cầu và sử dụng phương pháp nuôi nhiễu động như của Mỹ.
khi lại gây khó khăn cho các dự báo viên trong quá trình đưa ra kết luận cuối cùng
khi làm công tác dự báo bão do sự khác nhau đáng kể giữa các kết quả dự báo
trường cũng như dự báo quĩ đạo bão của các mô hình. Chính vì những lý do trên,
việc nghiên cứu ứng dụng dự báo tổ hợp dựa trên phương pháp tiếp cận đa mô hình
và tính toán thử nghiệm phương pháp tạo nhiễu ban đầu với mô hình đơn giản dự
báo đường đi của bão được đặt ra trong đề tài này là phù hợp và khả thi với điều
kiện hiện nay. Cụ thể, đối với nghiên cứu ứng dụng dự báo tổ hợp cho một số
trường khí tượng dự báo bão, chúng tôi lựa chọn phương pháp đa mô hình để phát
sinh dự báo tổ hợp tất định và dự báo xác suất. Trong hướng nghiên cứu này, các
phương án thử nghiệm tính toán dự báo tổ hợp bao gồm:
- Đối với dự báo tổ hợp tất định: trung bình tổ hợp, hiệu chỉnh sai số hệ thống
(sử dụng trung bình trượt và hồi quy tuyến tính) kết hợp với trung bình tổ hợp, hiệu
chỉnh sai số hệ thống kết hợp với trung bình có trọng số, dự báo trung vị từ dự báo
xác suất và dự báo siêu tổ hợp (xây dựng phương trình hồi quy tuyến tính đa biến).
- Đối với dự báo xác suất: 3 biến thể của phương án hồi quy Gauss không
thuần nhất NGR sẽ được thử nghiệm
Trong nghiên cứu xây dựng hệ thống dự báo tổ hợp qũy đạo bão, hai hướng
nghiên cứu chính được đề xuất là:
- Tổ hợp qũy đạo bão đa trung tâm: trung bình đơn giản và hồi quy tuyến tính
đa biến.
- Gây nhiễu động trường ban đầu cho mô hình chính áp WBAR: gây nhiễu
tách biệt cho trường xoáy, trường môi trường và kết hợp cả hai dựa trên các tùy
chọn mực dòng dẫn và sơ đồ ban đầu hóa xoáy khác nhau. Đặc biệt, phương án gây
nhiễu động vị trí tâm bão ban đầu cũng được thử nghiệm. Ngoài những hướng
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
2
Trung Tâm Dự báo KTTV Trung ương
3
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
CHƯƠNG I
KHÁI QUÁT VỀ DỰ BÁO TỔ HỢP
Lý thuyết dự báo tổ hợp được đặt nền móng từ những năm 70 và bắt đầu đưa
vào ứng dụng đầu những năm 90 của thế kỷ trước với mục đích sử dụng đầu tiên
cho các dự báo hạn vừa trên quy mô hành tinh. Cho đến nay, dự báo tổ hợp (EFEnsemble Forecast) đã được ứng dụng trong dự báo hạn ngắn với các quá trình quy
mô vừa cùng sự xuất hiện của rất nhiều phương pháp hiệu chỉnh dự báo tổ hợp.
Thừa nhận độ bất định (uncertainty) trong dự báo, EF không chỉ dự báo các yếu tố
khí tượng thông thường mà còn đưa ra độ bất định ứng với mỗi yếu tố dự báo. Quan
trọng hơn, EF còn cho phép thực hiện dự báo xác suất, loại hình dự báo cần được
thực hiện tại các trung tâm dự báo, rất khác so với dự báo tất định (deterministic
forecast) truyền thống. Với những thông tin hữu ích như vậy, có thể hiểu được tại
sao trong hai mươi năm trở lại đây cũng như trong tương lai các hệ thống dự báo tổ
hợp (EPS-Ensemble Prediction System) đều được triển khai tại các trung tâm dự
báo trên thế giới trong đó có Việt Nam. Lợi ích kinh tế mà EF có thể đem lại được
trình bày khá chi tiết trong Palmer (2002). EF được đánh giá là một lĩnh vực nghiên
cứu khí tượng có tốc độ phát triển rất nhanh cả về lý thuyết lẫn phương pháp thực
hiện. Các tài liệu nghiên cứu về EF nằm rải rác trên các tạp chí nghiên cứu khí
tượng và khí hậu có uy tín. Tốc độ phát triển của các nghiên cứu này nhanh tới mức
rất khó tìm được một cuốn sách trình bày chi tiết về EF theo kịp với các kiến thức
mà cộng đồng khoa học đang có được hiện tại. Có thể kể ra đây hai cuốn sách khá
nổi tiếng là cuốn “Atmospheric modeling, data assimilation and predictability” của
Kalnay (2003) và ấn bản hai của cuốn “Statistical methods in the atmospheric
sciences” của Wilks (2006). Đặc biệt trong cuốn thứ hai, tác giả đã bổ sung một
cách chính xác. Tuy nhiên, trong thời kỳ phát triển đầu tiên của dự báo số trị, các
tác giả không đi theo con đường dự báo xác suất mà lựa chọn phương án dự báo tất
định. Thuật ngữ dự báo tất định dựa trên học thuyết tất định (deterministism) của
Laplace khi ông cho rằng nếu biết được chính xác trạng thái ban đầu của một hệ
thống ta hoàn toàn có thể xác định trạng thái tương lai với một máy tính đủ mạnh.
Điều này có nghĩa rằng không thể có tự do trong tương lai, tương lai hoàn toàn
được xác định bởi hiện tại cũng như quá khứ. Khoa học thế kỷ 20 đã cho thấy giả
thiết của Laplace là không đúng với cơ học lượng tử cùng nguyên lý bất định nổi
tiếng của nó và lý thuyết hỗn loạn mà nghiên cứu ban đầu dựa trên các mô hình khí
quyển của Lorenz (1963, 1965). Lorenz bắt đầu những nghiên cứu của mình với
một mô hình khí quyển đơn giản chỉ gồm 12 biến nhằm chứng minh khả năng dự
báo vượt trội của mô hình động lực so với dự báo thống kê truyền thống. Bằng một
sự tình cờ khi làm tròn số với các biến dự báo ban đầu, Lorenz thấy rằng những sai
số rất nhỏ trong điều kiện ban đầu sẽ làm biến đổi hoàn toàn nghiệm dự báo sau đó
2 tháng. Điều này được thể hiện một cách hình tượng trong bài nói chuyện của
Lorenz mang tên “Khả năng dự báo: liệu cái đập cánh của một con bướm ở Brazil
có thể tạo ra một cơn lốc ở bang Texas ?”. Phát hiện này đã dẫn đến khái niệm về
khả năng dự báo (predictability), đó là một hệ thống bất ổn định chỉ có khả năng dự
báo hữu hạn. Như vậy, khí quyển giống như các hệ thống động lực bất ổn định
khác, khả năng dự báo là hữu hạn cho dù điều kiện ban đầu cũng như mô hình số
chính xác tuyệt đối. Lorenz đã đánh giá giới hạn đối với dự báo thời tiết là 2 tuần.
Như vậy, sai số dự báo không chỉ phụ thuộc vào điều kiện ban đầu và mô hình số,
mà còn phụ thuộc rất nhiều vào hình thế thời tiết hiện tại. Sẽ có những ngày dự báo
vẫn còn chính xác tới hạn dự báo 1 tuần, nhưng sẽ có những ngày dự báo chỉ chính
xác trong 2 đến 3 ngày đầu tiên. Điều này được minh họa trên hình 1.1.1 với dự báo
hạn 48 giờ ngày 18/05/2006 khi có bão CHANCHU (0601) từ các mô hình GFS,
GME, GSM, TLAPS, UM (mô tả chi tiết về các mô hình này có thể xem trong
chương II). Từ hình 1.1.1 có thể thấy rõ rằng các dự báo từ 5 mô hình nói trên được
tách thành 2 nhóm: nhóm một gồm các mô hình GFS, GME, GSM và nhóm hai
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
Trung tâm KTTV Quốc Gia
- Tăng cường chất lượng dự báo thông qua trung bình tổ hợp
- Cung cấp một chỉ số định lượng về độ tin cậy của dự báo
- Làm cơ sở cho dự báo xác suất
Mục đích đầu tiên được thực hiện thông qua một bộ lọc (toán tử trung bình)
loại bỏ sai khác giữa các thành phần trong khi vẫn giữ lại những đặc trưng tương tự.
Mục đích thứ hai liên quan đến tương quan giữa độ tán và sai số dự báo trung bình
tổ hợp, dù mối tương quan này không hoàn toàn chặt và chưa được khẳng định
vững chắc. Mục đích thứ ba được xây dựng dựa trên tần suất dự báo xuất hiện hiện
tượng từ các thành phần tổ hợp. Mỗi một dự báo thành phần là một trạng thái có thể
có của trạng thái khí quyển thực. Điều này đồng nghĩa với việc, một EF sẽ là một
xấp xỉ hữu hạn của hàm mật độ xác suất của trạng thái khí quyển trong không gian
nghiệm. Định nghĩa của Kalnay chủ yếu dựa trên các EPS toàn cầu cho dự báo hạn
vừa và hạn dài cho nên tầm quan trọng của dự báo tất định (dự báo từ trung bình tổ
hợp) và dự báo xác suất là như nhau. Tuy nhiên, khi các EPS quy mô vừa và hạn
ngắn xuất hiện, EF đã được định nghĩa lại, hướng nhiều hơn đến quan điểm dự báo
xác suất. Theo Gneiting và cộng sự (2003), dự báo tổ hợp là một tập hợp dự báo
xác định tại cùng một thời điểm làm cơ sở cho dự báo xác suất có độ nhọn
(sharpness) cực đại trong khi vẫn duy trì độ tin cậy (reliability) của dự báo xác
suất.
1.2. PHƯƠNG PHÁP TẠO CÁC DỰ BÁO TỔ HỢP THÀNH PHẦN
1.2.1. Phương pháp Monte-Carlo
Lý thuyết cho phép định lượng độ bất định từ đó đặt cơ sở cho dự báo xác suất
dựa trên một tổ hợp các dự báo xuất hiện đầu tiên trong nghiên cứu của Leith
(1974). Tuy nhiên, ý tưởng của Leith chỉ được đưa ra nhờ công trình mang tính nền
tảng trước đó của Epstein (1969) với một phương pháp dự báo có tính đến độ bất
định của khí quyển khi dự báo mặc dù vẫn dựa trên một mô hình động lực. Epstein
gọi phương pháp dự báo này là dự báo động lực ngẫu nhiên (stochastic dynamic
lượng được quan tâm nhất vẫn là moment bậc 1 (giá trị trung bình) và moment bậc
2 (phương sai). Bằng những chứng minh đơn giản cùng một số ý tưởng mới, Leith
đã cho thấy giá trị hai đại lượng này đem lại từ dự báo Monte Carlo. Tầm quan
trọng của hai đại lượng này vẫn giữ nguyên trong những nghiên cứu tiếp đó. Leith
đã chỉ ra rằng nếu chỉ thực hiện tích phân trên một mô hình như dự báo tất định, sai
số thu được với hạn dự báo đủ dài sẽ gấp hai lần so với sai số từ dự báo khí hậu. Do
đó, để các dự báo hạn dài có ý nghĩa cần phải thực hiện một phương pháp đánh giá
tối ưu dựa trên dự báo tất định nhằm đưa các sai số hạn dài trở về sai số khí hậu.
Phương pháp đơn giản nhất là thực hiện hồi quy tuyến tính. Tuy nhiên, điều bất ngờ
là vẫn có thể thu được dự báo hạn dài với sai số tương đương với sai số khí hậu nếu
lấy giá trị trung bình của các EF làm giá trị dự báo. Điều này cho thấy giá trị tối ưu
của trường dự báo có thể xác định đơn giản từ trung bình tổ hợp mà không cần thực
hiện các phương pháp thống kê phức tạp hơn như hồi quy. Dựa trên một mô hình
kiểm chứng, Leith đi tới kết luận rằng chỉ cần một tập mẫu nhỏ (gồm 8 dự báo
thành phần), giá trị tối ưu thu được (trung bình tổ hợp) đã đạt được độ chính xác
cao. Tuy nhiên, với sai số dự báo (moment bậc 2) dung lượng mẫu cần lớn hơn.
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
8
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
Hiệu quả của trung bình tổ hợp được Leith giải thích như một phép lọc loại bỏ các
sóng ngắn (biểu hiện thông qua sai khác giữa các thành phần) trong khi vẫn giữ lại
các sóng dài (biểu hiện thông qua mức độ tương đồng giữa các thành phần). Ngoài
trung bình tổ hợp, đóng góp thứ hai của Leith liên quan đến moment bậc 2 hay độ
tán của EF. EF không chỉ giúp loại bỏ mức độ bất định thông qua trung bình tổ hợp
LAF (Lagged Average Forecasting). Ý tưởng cơ bản của phương pháp được thể
hiện trên hình 1.2.2.
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
9
Trung Tâm Dự báo KTTV Trung ương
Trung tâm KTTV Quốc Gia
Hình 1.2.2. Dự báo Monte Carlo so sánh (bên trái) với dự báo trung bình trễ (bên
phải). X là phân tích tại các khoảng thời gian τ, và tf là thời điểm dự báo.
Dalcher và cộng sự (1988) đã áp dụng kỹ thuật LAF vào dự báo nghiệp vụ của
ECMWF và thu được một sự cải thiện chất lượng dự báo so với dự báo nghiệp vụ
với hạn dự báo năm ngày. Murphy (1990) đã nghiên cứu về khả năng ứng dụng của
LAF trong dự báo hạn vừa-hạn dài bằng cách xây dựng một EPS gồm 7 thành phần
sử dụng mô hình toàn cầu UKMO. Nghiên cứu sử dụng LAF trong dự báo hạn dài
cũng được triển khai tại một số trung tâm dự báo (Tracton và cộng sự, 1989,
Brankovic và cộng sự, 1990, Déquá và Royer 1994). Các kết quả nghiên cứu ứng
dụng phương pháp LAF cho các hạn dự báo xa hơn không đạt được kết quả tốt như
mong muốn. Nguyên nhân dẫn đến chất lượng dự báo thấp xuất phát từ sai số hệ
thống trong mô hình, nhưng nó cũng đã chỉ ra sự thiếu sót của LAF trong việc cung
cấp các dự báo thành phần có kỹ năng trong phạm vi EF. Để khắc phục những thiếu
sót này, một biến thể của LAF đã được Ebisuzaki và Kalnay (1991) đề xuất với tên
gọi SLAF (Scaled LAF). Với giả định sai số tăng gần như tuyến tính theo thời gian
đối với các hạn dự báo từ 2 đến 3 ngày đầu, nhiễu động giữa các hạn dự báo khác
nhau tại thời điểm ban đầu không được xem như nhau giống như trong LAF mà sẽ
được hiệu chỉnh theo hạn dự báo. Thực tế cho thấy khi bao hàm cả nhiễu động
dương và âm, SLAF cho kết quả dự báo tốt hơn so với LAF. Ngoài ra, dung lượng
các sai số phát triển chậm hay không phát triển, năng lượng thấp như sóng trọng
trường hay sai số ngẫu nhiên. Khi dự báo, các sai số phát triển nhanh sẽ nhanh
chóng đạt tới biên độ lớn và thống trị hoàn toàn sai số của trường dự báo. Các sai số
ngẫu nhiên khi đưa vào trường phân tích sẽ thể hiện ra dưới dạng sóng trọng trường
và thông thường các nhiễu động này sẽ tắt dần (Lacarra và Talagrand 1988) hoặc
phát triển chậm. Do đó, các sai số phát triển nhanh có tầm quan trọng lớn hơn so
với các sai số phát triển chậm hay không phát triển trong việc xác định kỹ năng của
bất kỳ dự báo nào. Điều này có nghĩa rằng, lấy mẫu điều kiện ban đầu cần ưu tiên
lựa chọn nhiễu động theo theo các sai số phát triển nhanh. Chú ý rằng, các sai số
phát triển nhanh này sau mỗi chu kỳ đồng hóa nhờ quan trắc sẽ bị suy giảm về biên
độ nhưng vẫn tồn tại trong trường phân tích và lại phát triển tiếp cho tới chu kỳ
đồng hóa tiếp theo. Như vậy, hệ thống đồng hóa sẽ duy trì sự xuất hiện của các sai
số phát triển nhanh này, chính xác hơn có thể nói đến “sự chọn lọc tự nhiên các sai
số phát triển nhanh”. Điều này cho thấy tại sao LAF, SLAF và SRFD lại cho một
kết quả dự báo tốt hơn so với dự báo Monte Carlo bởi các sai số phát triển nhanh đã
được đưa vào thông qua độ lệch giữa dự báo với phân tích hay dự báo với dự báo.
Nghiên cứu ứng dụng dự báo tổ hợp cho một số trường dự báo bão
11
Copyright: Tài liệu đại học ©