ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
---------------------

Nguyễn Quang Trung

NGHIÊN CỨU KHẢ NĂNG ỨNG DỤNG MÔ HÌNH KHÍ HẬU KHU
VỰC DỰ BÁO HẠN MÙA Ở VIỆT NAM

Chuyên ngành: Khí tượng và khí hậu học
Mã số: 62.44.87

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:

GS. TS. Phan Văn Tân


Hà Nội

LỜI CẢM ƠN
Tác giả hoàn thành luận văn này khi học tập và công tác tại Bộ môn Khí
tượng, Khoa Khí tượng Thủy văn và Hải dương học, Trường Đại học Khoa học Tự
nhiên, Đại học Quốc gia Hà Nội. Luận văn được thực hiện dưới sự hướng dẫn tận
tình của GS. TS. Phan Văn Tân. Tác giả xin bày tỏ lòng biết ơn chân thành tới thầy,
người đã hết lòng quan tâm cũng như kiên trì giúp đỡ từng bước nghiên cứu của học
viên.
Tác giả cũng xin chân thành cảm ơn tập thể Bộ môn khí tượng nói riêng và
Khoa Khí tượng Thủy Văn và Hải dương học nói chung đã luôn giúp đỡ, tạo điều
kiện để tác giả hoàn thành luận văn, hơn thế nữa còn mang lại một môi trường làm

3.2.3 Đánh giá kết quả Reg_CAMSOM......................................................................96
KẾT LUẬN........................................................................................................................120
TÀI LIỆU THAM KHẢO..................................................................................................121

3


DANH MỤC HÌNH
Hình 1.1 Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO (WMO Global
Producing Centres of Long Range Forecasts). Nguồn: WMO 2010 (www.wmo.int)
..................................................................................................................................15
Hình 2.1 Cấu trúc lưới thẳng đứng (bên trái) và lưới ngang dạng xen kẽ Arakawa−B (bên
phải) của mô hình RegCM3.....................................................................................24
Hình 2.2 Mô tả hệ toạ độ lai thẳng đứng trong CAM 3.0....................................................32
Hình 2.3 Sơ đồ mô tả các mô hình thành phần của CAM-SOM..........................................35
Hình 2.5 Miền tính của RegCM3 trong các thí nghiệm. Độ phân giải ngang 36 km...........39
Hình 2.4 Mô tả các thí nghiệm được thực hiện....................................................................40
Hình 2.5 Vị trí 48 trạm lấy số liệu quan trắc để thẩm định..................................................44
Hình 3.1 Nino3.4 trung bình từ tháng 6 đến tháng 12 trong giai đoạn 1950 – 2007...........47
Hình 3.2 Tần số bão ở khu vực Biển Đông (1961 - 2007)...................................................48
Hình 3.3 Trường vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 4, 7, 10
(trên xuống dưới) của các thí nghiệm so sánh với số liệu NNRP2..........................53
Hình 3.4 Trường vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 4, 7, 10
(trên xuống dưới) của các thí nghiệm so sánh với số liệu NNRP2..........................56
Hình 3.5 Trường vectơ gió và độ cao địa thế vị mực 200 mb trung bình các tháng 4, 7, 10
(trên xuống dưới) của các thí nghiệm so sánh với số liệu NNRP2..........................59
Hình 3.6 Trường khí áp mực biển trung bình các tháng 4, 7, 10 (trên xuống dưới) của các
thí nghiệm so sánh với số liệu NNRP2....................................................................60
Hình 3.7 Trường nhiệt độ mực 2m trung bình các tháng 5-10 trong giai đoạn 1996-2005
của các thí nghiệm so sánh với số liệu CRU............................................................62

phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số liệu quan
trắc (phải) tại 48 trạm...............................................................................................93
Hình 3.21 Sai số mô phỏng nhiệt độ không khí trung bình mực 2m từ tháng 5 đến tháng 9
của RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại 48 trạm.....94
Hình 3.22 Sai số mô phỏng lượng mưa trung bình các tháng từ tháng 5 đến tháng 9 của
RegCM3 theo số liệu CAMSOM, NNRP2 và số liệu quan trắc tại 48 trạm............95
Hình 3.23 Nhiệt độ không khí trung bình mực 2m của (a) tháng 4, (b) tháng 5, (c) tháng 6
theo số liệu CRU......................................................................................................97
Hình 3.24 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 4 với các
leadtime khác nhau...................................................................................................98
Hình 3.25 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 5 với các
leadtime khác nhau.................................................................................................100
Hình 3.26 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 6 với các
leadtime khác nhau.................................................................................................101
Hình 3.27 Lượng mưa trung bình của (a) tháng 4, (b) tháng 5, (c) tháng 6 theo số liệu
CRU........................................................................................................................103
Hình 3.28 Sai số dự báo lượng mưa trung bình của tháng 4 với các leadtime khác nhau. 104
Hình 3.29 Sai số dự báo lượng mưa trung bình của tháng 5 với các leadtime khác nhau. 106
Hình 3.30 Sai số dự báo lượng mưa trung bình của tháng 6 với các leadtime khác nhau. 107
Hình 3.31 Sai số dự báo nhiệt độ mực 2m tại 48 trạm.......................................................109
Hình 3.32 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Bắc.....................................111
Hình 3.33 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Nam....................................113
Hình 3.34 Sai số dự báo lượng mưa tại 48 trạm.................................................................115
Hình 3.35 Sai số dự báo lượng mưa tại các trạm miền Bắc...............................................117
Hình 3.36 Sai số dự báo lượng mưa tại các trạm miền Nam.............................................119

5


DANH MỤC BẢNG

sống xã hội. Cụ thể trong dự báo hạn mùa, phương pháp được quan tâm nhiều hiện
nay là phương pháp mô hình động lực, thay thế cho phương pháp thống kê được
phát triển mạnh những năm trước đây. Sự phát triển của các mô hình dự báo số trị,
không chỉ trên quy mô toàn cầu mà còn chi tiết hóa cho từng khu vực, đã góp phần
tạo điều kiện thuận lợi cho hướng nghiên cứu này.
Ở Việt Nam, việc ứng dụng và thử nghiệm các mô hình khí hậu khu vực cho
bài toán dự báo tuy không còn mới mẻ nhưng vẫn còn nhiều câu hỏi cần được trả
lời, đặc biệt là dự báo hạn mùa. Trong khuôn khổ luận văn này, tác giả sẽ thử
nghiệm sử dụng mô hình khí hậu khu vực, kết hợp với sản phẩm đầu ra từ mô hình
dự báo toàn cầu, để đưa ra các sản phẩm dự báo và đánh giá cho khu vực Việt Nam.
Mô hình khu vực được sử dụng là Mô hình khí hậu khu vực RegCM phiên bản 3
(RegCM3), với đầu vào từ hệ thống mô hình kết hợp CAM-SOM. Trước đó, khả
năng mô phỏng của RegCM3 với các sơ đồ đối lưu khác nhau cũng được đánh giá
với kết quả trong giai đoạn 10 năm. Luận văn được bố cục thành 3 chương, ngoài
mở đầu, kết luận và tài liệu tham khảo như sau:
Chương 1: Tổng quan
Chương 2: Phương pháp nghiên cứu
Chương 3: Kết quả và nhận xét

8


Chương 1
TỔNG QUAN
Dự báo hạn mùa hiện nay đang là một trong những bài toán được quan tâm
đặc biệt, không chỉ trong nghiên cứu mà còn được mở rộng trong những ứng dụng
của đời sống xã hội. Trong đó, có thể kể đến hiệu quả của sản phẩm dự báo hạn
mùa có kĩ năng tốt trong lĩnh vực nông nghiệp như góp phần đưa ra những dự báo
đáng tin cậy về sản lượng vụ mùa ở Châu Âu [12] hay miền tây Ấn Độ [13], hơn
thế nữa là trong lĩnh vực y tế như việc dự báo sự lan truyền của dịch sốt rét [38].

(seasonal forecasting) được xét từ quy mô tháng cho đến 1 năm (với các hạn phổ
biến là 1, 3, 6, 9 tháng) nhằm đưa 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 hiểu biết
(chi tiết) về mối quan hệ tương tác giữa khí quyển và đại dương [44]. Hiện tại, với
những hiểu biết của chúng ta về các quá trình tương tác trên, cùng với việc chi tiết
hóa (hoàn thiện hơn) của các mô hình đã giúp phát triển việc quan trắc đo đạc cũng
như tạo ra những tiến bộ trong dự báo hạn mùa. Để hiểu được cơ sở vật lý của dự
báo hạn mùa, chúng ta cần hiểu các nhân tố tạo ra các đặc trưng khí hậu của 1 năm
khác biệt so với các năm khác. Vì vậy, chúng ta cũng cần nắm được 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 trưng khí hậu thay đổi từ năm này
qua năm khác là sự biến đổi của nhiệt độ mặt nước biển toàn cầu (SST). Dị thường
nhiệt độ bề mặt biển ở khu vực nhiệt đới là đặc biệt quan trọng bởi vì đối lưu sâu
trong khí quyển miền nhiệt đới, tác động lớn đến hoàn lưu toàn cầu, lại rất nhạy
cảm với SST bên dưới. Ở một số nơi khác như Châu Âu và Tây Phi, SST của khu
vực cũng được coi là nhân tố quan trọng. Đối với khu vực nhiệt đới, đặc biệt là khu
vực Thái Bình Dương xích đạo, khả năng dự báo SST được nâng cao nhờ có các
quá trình khác. Trong đó, ENSO là hiện tượng được quan tâm nghiên cứu và có tác
động nhiều nhất đến các quá trình làm thay đổi SST. Dự báo hiện tượng ENSO,
theo quy mô tháng và năm, đã hỗ trợ tốt hơn cho dự báo hạn mùa ở nhiều nơi trên

10


thế giới.
Bề mặt đất của trái đất cũng có thể ảnh hưởng đến khí quyển trên quy mô
mùa, trong đó độ ẩm đất đóng vai trò quan trọng, cũng như một số nơi là độ phủ
tuyết. Độ ẩm đất có thể dao động về căn bản từ năm này qua năm khác và biến đổi

cung cấp nhiều thông tin hơn so với kinh nghiệm về khí hậu mà vẫn được sử dụng
để đánh giá và đưa ra các quyết định trước đây. Có hai cách tiếp cận dự báo hạn
mùa là dự báo bằng phương pháp thống kê và phương pháp mô hình động lực (dự
báo sử dụng các mô hình số trị).
Phương pháp thống kê là phương pháp đơn giản nhất để dự báo dị thường
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 tương lai với đặc tính khí hậu hiện
tại. Những dị thường biến đổi chậm và có quy mô lớn của khí hậu (ví dụ như SST)
có thể tồn tại trong nhiều tháng, và có thể tác động làm thay đổi hình thế hoàn lưu
chung khí quyển và từ đó sai lệch so với trạng thái trung bình của hoàn lưu khí hậu
địa phương. Ban đầu, hướng tiếp cận này không mấy thành công, nhưng sự tăng
cường hiểu biết về hiện tượng ENSO và các hình thế tác động khác giúp cho
phương pháp này đáng tin cậy hơn. Điểm mạnh của phương pháp này là tương đối
dễ áp dụng bởi vì hầu như phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên
máy tính khiêm tốn. Đương nhiên, vẫn tồn tại những hạn chế. Các mô hình thống kê
thường thử nghiệm 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 như động lực học nằm ẩn bên trong. Điều này
có nghĩa là phương pháp hiệu quả khi sự phát triển quy mô lớn là rõ rệt và theo một
hướng nhưng rất khó để lường trước những sự chuyển pha, ví dụ như từ nóng sang
lạnh và ngược lại. Và cuối cùng, phương pháp thường không nắm bắt được những
yếu tố đột biến.
Phương pháp mô hình động lực là một cách tiếp cận có cơ sở vật lý hơn để
dự báo mùa, sử dụng các mô hình hoàn lưu chung khí quyển. Trong một dạng của
hướng tiếp cận này, bước đầu tiên là dự báo sự phát triển của SST trong vùng nhiệt
đới Thái Bình Dương. Các dự báo có thể dựa trên mô hình khu vực mà coi sự phát
triển trong vùng đại dương nhiệt đới là cô lập. Khi mô hình đưa ra dự báo về Thái
Bình Dương, có thể trong một năm tới, hình thế dự báo của SST sẽ được sử dụng
tác động đến mô hình hoàn lưu chung khí quyển để dự báo thời tiết toàn cầu phản

12

o Tần suất phát báo: hàng tháng hoặc ít nhất là theo quý

13


o Cung cấp: dạng ảnh hiển thị trên trang web của GPCs hoặc/và số liệu để tải
về
o Các biến: nhiệt độ 2m, lượng mưa, SST, MSLP, độ cao 500hPa, nhiệt độ
850hPa
o Đánh giá kĩ năng dự báo hạn dài, sử dụng quy chuẩn của SVSLRF.

14


Hình 1.1 Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO (WMO
Global Producing Centres of Long Range Forecasts). Nguồn: WMO 2010
(www.wmo.int)
Một số các GPCs chính của WMO là: Cục khí tượng Úc (Bureau of
Meteorology, Australia); Cơ quan khí tượng Trung Quốc (China Meteorological
Administration/Bejing Climate Center); Trung tâm dự báo khí hậu Mỹ (Climate
Prediction Center, NOAA); Trung tâm dự báo hạn vừa Châu Âu (European Centre
for Medium-Range Weather Forecasts); Cơ quan khí tượng Nhật Bản (Japan
Meteorological Agency/Tokyo Climate Centre)…
Mặt khác, nổi bật lên hiện nay, khi quan tâm đến dự báo hạn mùa đáng lưu ý
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 dương-đất-khí quyển, đã được
đưa vào nghiệp vụ tại NCEP từ tháng 8 năm 2004 [32]. Hệ thống CFS cung cấp

15



16


điều kiện đầu vào của 30 ngày gần nhất và thực hiện chạy 4 lần/1 ngày. Dự báo tổ
hợp đầu vào từ 40 thành phần với điều kiện ban đầu theo thời đoạn 10 ngày. Loại tổ
hợp thứ nhất (E1) sử dụng 10 ngày đầu tiên, loại 2 (E2) sử dụng 10 ngày tiếp theo
và loại 3 (E3) sử dụng 10 ngày cuối. Dị thường được tính so với sản phẩm dự báo
lại giai đoạn 1981-2008. Tương quan theo thời gian dựa vào dự báo lại cho giai
đoạn 1981-2006 và số liệu quan trắc được sử dụng để đánh giá kĩ năng cho dị
thường không gian. Độ lệch chuẩn được tính trung bình độ lệch chuẩn của từng
thành phần (vẫn tính từ bộ số liệu dự báo lại 1981-2006) với tháng đầu vào và mùa
dự báo tương ứng.
Ở Châu Âu, một dự án khác cũng đáng lưu ý là DEMETER, dự án được Liên
minh Châu Âu tài trợ để tạo bộ số liệu dự báo lại bằng phương pháp tổ hợp đa mô
hình bao gồm 7 mô hình với 9 thành phần tổ hợp mỗi mô hình, đã được đánh giá sử
dụng bộ số liệu tái phân tích ERA40 và số liệu mưa GPCP [31]. Các mô hình này từ
các trung tâm khí hậu của Châu Âu được viết tắt là: CERFACS, ECMWF, INGV,
LODYC, METEO-FRANCE, MPI và UKMO. Sản phẩm đầu ra của DEMETER
được downscale cho phù hợp để ứng dụng vào việc dự báo sản lượng mùa màng và
dịch sốt rét. Kết quả cho thấy việc tổ hợp đa mô hình là một hướng tiếp cận khả thi
khi quan tâm đến độ bất định của mô hình trong dự báo mùa và nhiều năm, đồng
thời đưa ra kết quả dự báo đáng tin cậy hơn khi chỉ dựa trên một mô hình đơn lẻ.
Thêm nữa, một lợi ích khác của dự án là cho ra bộ sản phẩm dự báo lại quy mô
mùa. Bộ số liệu này cho tiềm năng để nâng cao hiểu biết của chúng ta về 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
lượng mưa 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 [15]. 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

website của Viện ( Các thông báo này tổng kết diễn biến khí
hậu 3 tháng trước đó và đưa ra dự báo khí hậu cho 3 tháng tiếp theo. Diễn biến khí
hậu được xem xét trên cả quy mô toàn cầu và Việt Nam với các biến nhiệt độ, mưa,
nắng, bốc hơi, chỉ số ẩm và một số hiện tượng thời tiết đặc biệt. Dự báo khí hậu 3
tháng bao gồm các nhận định chung về diễn biến khí hậu thế giới và khu vực (hiện

18


tượng ENSO) và dự báo khí hậu cho Việt Nam (nhiệt độ, lượng mưa, xoáy thuận
nhiệt đới và không khí lạnh) [5].
Năm 2009, Phan Văn Tân (cùng cs.) [2] cũng đã thử nghiệm bước đầu ứng
dụng mô hình khí hậu khu vực RegCM3 để dự báo nhiệt độ trung bình tháng và
tổng lượng mưa tháng cho ba tháng mùa hè 6-8/1996 khi sử dụng sản phẩm kết xuất
của mô hình khí hậu toàn cầu CAM làm điều kiện ban đầu và điều kiện biên
(RegCM-CAM). Các trường dự báo của RegCM-CAM đã được đánh giá bằng cách
so sánh với sản phẩm mô phỏng tương ứng của RegCM3 với đầu vào là số liệu tái
phân tích ERA40 và nhiệt độ mặt nước biển phân tích OISST (RegCM-ERA). Kết
quả dự báo nhiệt độ và lượng mưa của RegCM-CAM còn được so sánh trực tiếp với
số liệu phân tích CRU (nhiệt độ) và CMAP (lượng mưa), và đánh giá định lượng
cho khu vực Việt Nam bằng cách nội suy về vị trí trạm và so sánh với số liệu quan
trắc từ mạng lưới trạm khí tượng thông qua các chỉ số thống kê. Kết quả nhận được
cho thấy, về cơ bản các trường nhiệt độ và lượng mưa dự báo của RegCM-CAM
phù hợp tốt với sản phẩm mô phỏng của RegCM-ERA cũng như với các trường
phân tích CRU, CMAP. Trên khu vực Việt Nam, RegCM-CAM thường dự báo
nhiệt độ thấp hơn quan trắc; sai số dự báo nhiệt độ của RegCM-CAM trung bình
khoảng 2oC, khá ổn định và có tính hệ thống. RegCM-CAM cũng cho lượng mưa
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 lượng mưa của RegCM-CAM cho
tháng 6/1996 là hợp lý nhất.

điểm trạm vốn không đầy đủ ở nhiều khu vực, là những khuyết điểm chính. Phương
pháp mô hình động lực, tuy cần tài nguyên tính toán lớn, cả về tài nguyên máy tính
và nguồn nhân lực, nhưng lại giải quyết được hầu hết các hạn chế trên của phương
pháp thống kê. Điểm thứ hai, so với sự phát triển trên thế giới thì dự báo hạn mùa ở
Việt Nam còn khá “thô sơ”, với không nhiều các nghiên cứu và nghiệp vụ còn phụ
thuộc nhiều vào phương pháp thống kê. Trong khi đó, những năm gần đây, có
không ít các mô hình khí hậu khu vực đã được thử nghiệm cho khu vực Việt Nam
[3]. Từ đó, tác giả nhận thấy việc hướng đến nghiên cứu khả năng ứng dụng mô
hình khí hậu khu vực vào bài toán dự báo hạn mùa ở Việt Nam là một hướng đi có
ý nghĩa và cần thiết. Trước hết là khai thác phương pháp mô hình động lực cho bài
toán dự báo mùa ở Việt Nam, hơn thế nữa nếu kết quả khả quan, có thể ứng dụng

20


tốt cho các bài toán sau này như thống kê trên sản phẩm mô hình hay dự báo tổ hợp.
Để giải quyết hướng đi này, tác giả tập trung vào hai khía cạnh. Đầu tiên là khảo sát
được năng lực của mô hình khí hậu khu vực lựa chọn sử dụng, mà ở đây là mô hình
Mô hình khí hậu khu vực RegCM phiên bản 3 (RegCM3). Khi điều kiện đầu vào là
trường khí quyển thực, được coi là trường “dự báo hoàn hảo”, đồng thời với các
tham số hóa đối lưu khác nhau, khả năng mô phỏng của RegCM3 sẽ như thế nào?
Tiếp theo, sẽ khai thác sử dụng đầu ra từ một mô hình dự báo toàn cầu làm điều
kiện biên cho RegCM3 nhằm đưa ra các sản phẩm dự báo bước đầu. Mô hình toàn
cầu được sử dụng ở đây là hệ thống mô hình CAMSOM. Các kết quả được đánh giá
so sánh với số liệu quan trắc, cả trên quy mô lưới và điểm trạm. Chi tiết việc thiết
kế các thí nghiệm cũng như mô hình được sử dụng và các nguồn số liệu sẽ được
trình bày trong chương 2 tiếp sau đây.

21




cải tiến và bổ sung đáng kể so với các phiên bản trước [29]. Đó là những thay đổi
trong vật lý mô hình bao gồm sơ đồ giáng thủy qui mô lưới, các sơ đồ tham số hóa
vật lý như sơ đồ tính các dòng từ bề mặt biển của Zeng, sơ đồ đối lưu mây tích
Betts,...

σ = ( p − pt ) /( ps − pt )

Mô hình RegCM3 sử

dụng hệ tọa độ thẳng đứng thủy tĩnh theo địa hình, ký hiệu là σ, được định nghĩa
bởi trong đó p là áp suất, p t là áp suất tại đỉnh mô hình, và p s là áp suất tại bề mặt. σ
bằng 0 tại đỉnh và bằng 1 tại bề mặt. Thông thường, độ phân giải thẳng đứng trong
lớp biên mịn hơn các lớp trên cao và số mực thay đổi tuỳ theo yêu cầu người sử
dụng. Lưới ngang có dạng xen kẽ Arakawa−B (Hình 2.1). Các biến vô hướng (T, q,
p,…) được xác định tại tâm các ô lưới trong khi các thành phần vận tốc gió hướng
đông (u) và hướng bắc (v) được xác định tại các nút lưới. Vị trí tâm ô lưới ký hiệu
bằng dấu nhân, còn các nút lưới được ký hiệu bằng dấu chấm tròn. Theo phương
thẳng đứng các biến vô hướng và thành phần gió ngang (u, v) được xác định tại
mực giữa mỗi lớp, gọi là các mực phân, còn thành phần vận tốc thẳng đứng được
xác định trên các mực nguyên (Hình 2.1).

23


Hình 2.1 Cấu trúc lưới thẳng đứng (bên trái) và lưới ngang dạng xen kẽ Arakawa−B
(bên phải) của mô hình RegCM3
Hệ phương trình cơ bản của RegCM3 bao gồm các phương trình động lượng
ngang, phương trình liên tục, phương trình nhiệt động học, phương trình thủy tĩnh

Hầu hết các GCM hiện nay đã bao gồm hai mô hình kết hợp khí quyển và bề mặt
đất. Việc kết hợp thêm với thành phần đại dương gặp nhiều khó khăn hơn bởi nhiều
nguyên nhân trong đó quan trọng nhất là khả năng đáp ứng của máy tính. Do đó đa
số các GCM hiện nay chạy với SST cho trước như là điều kiện biên dưới trên biển
(và thường được ký hiệu là AGCM). Khi GCM có sự kết hợp đầy đủ các thành phần
khí quyển – bề mặt đất và đại dương nó được gọi là hệ thống mô hình kết hợp khí
quyển – đại dương và ký hiệu là AOGCM.
Một trong những AOGCM đơn giản là mô hình trong đó thành phần đại
dương được đưa vào như là một lớp nước mỏng phía trên (SOM – Slab Ocean
Model). SOM còn được gọi là mô hình “lớp xáo trộn” hoặc “lớp mỏng” do độ dày
của lớp này tương đương với độ dày lớp xáo trộn trong đại dương. Mô hình “lớp
xáo trộn” biểu diễn đại dương như là lớp nước mỏng với độ sâu ấn định, thông
thường giữa 70 và 100m. Đôi khi độ sâu lớp xáo trộn có thể thay đổi theo địa hình,

25