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

Lưu Nhật Linh

TÁC ĐỘNG CỦA BIẾN ĐỔI KHÍ HẬU ĐẾN MỐI QUAN HỆ
CƯỜNG ĐỘ - THỜI GIAN – TẦN SUẤT CỦA MƯA
KHU VỰC HÀ NỘI

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội - 2016


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

Lưu Nhật Linh

TÁC ĐỘNG CỦA BIẾN ĐỔI KHÍ HẬU ĐẾN MỐI QUAN HỆ
CƯỜNG ĐỘ - THỜI GIAN – TẦN SUẤT CỦA MƯA
KHU VỰC HÀ NỘI

Chuyên ngành: Khí tượng và Khí hậu học
Mã số: 60440222

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – 2016

3.1. Đánh giá kỹ năng của phương pháp hiệu chỉnh sai số mưa ......................... 33
3.1.1. Đánh giá cho thời kỳ phụ thuộc ............................................................ 33
3.1.2. Đánh giá cho thời kỳ độc lập ................................................................. 37
3.2. Xây dựng đường cong IDF cho khu vực Hà Nội ......................................... 41
3.2.1. Đường cong IDF cho thời kỳ hiện tại ................................................... 41
3.2.2. Đường cong IDF cho thời kỳ tương lai dưới tác động của biến đổi khí
hậu .............................................................................................................................. 43
3.2.3. Tính chưa chắc chắn trong xây dựng đường cong IDF cho tương lai... 47
Kế t Luâ ̣n .............................................................................................................. 54
Kiế n Nghi ............................................................................................................
56
̣
Tài liê ̣u tham khảo ............................................................................................... 57

ii


DANH MỤC HÌNH
Hình 1.1. Ví du ̣ minh ho ̣a về đường cong IDF (Lê Minh Nhâ ̣t 2008) [12] .......................... 5
Hình 1.2. Minh họa phương pháp Quantile – Quantile (Amengual và nnk, 2012) [1] ...... 11
Hình 1.3. So sánh đường cong IDF hiện tại và tương lai thu được từ 2 phương pháp mạng
thần kinh nhân tạo và phân tách ngẫu nhiên (Mirhosseini và nnk, 2014) [16] .................. 16
Hình 1.4. So sánh cường độ mưa giữa thời kỳ cơ sở và các thời kỳ trong tương lai (Wang
và nnk, 2014) [24] .............................................................................................................. 18
Hình 2.1. Minh họa phân bố tích lũy của mưa (màu đỏ: quan trắc, màu xanh: mô hình) . 26
Hình 2.2. Mố i quan hê ̣ giữa xác suấ t tích lũy và đường cong IDF (Lê Minh Nhâ ̣t 2008)
[12]...................................................................................................................................... 29
Hình 3.1. So sánh biến trình năm của lượng mưa (cột) và tần suất số ngày mưa (đường)
giữa số liệu quan trắc (xanh lá), mô hình thô (xanh nước biển) và mô hình sau hiệu chỉnh
(đỏ) giai đoạn 1976 - 2005; a) ACCESS1-0, b) GFDL-CM3, c) GFDL-ESM2G, d) MRICGCM3, e) NorESM1-M ................................................................................................... 34

iv


DANH MỤC BẢNG
Bảng 2.1. Các mô hình khí hậu toàn cầu sử dụng trong nghiên cứu [6] ............................ 25
Bảng 3.1. Sai số trung bình ME trong mô phỏng lượng mưa tại trạm Láng thời kỳ 19762005; BC: sau hiệu chỉnh, Raw: Chưa hiệu chỉnh.............................................................. 35
Bảng 3.2. Sai số trung bình ME trong mô phỏng số ngày mưa tại trạm Láng thời kỳ 19762005; BC: sau hiệu chỉnh, Raw: Chưa hiệu chỉnh.............................................................. 35
Bảng 3.3. Sai số trung bình ME trong mô phỏng lượng mưa cực trị (>= phân vị 95%) thời
kỳ 1976-2005; BC: sau hiệu chỉnh, Raw: Chưa hiệu chỉnh ............................................... 37
Bảng 3.4. Sai số trung bình ME trong mô phỏng lượng mưa tại trạm Láng thời kỳ 19611975; BC: sau hiệu chỉnh, Raw: Chưa hiệu chỉnh.............................................................. 38
Bảng 3.5. Sai số trung bình ME trong mô phỏng số ngày mưa tại trạm Láng thời kỳ 19611975; BC: sau hiệu chỉnh, Raw: Chưa hiệu chỉnh.............................................................. 39
Bảng 3.6. Sai số trung bình ME trong mô phỏng lượng mưa cực trị (>= phân vị 95%) thời
kỳ 1961-1975; BC: sau hiệu chỉnh, Raw: Chưa hiệu chỉnh ............................................... 40
Bảng 3.7. Cường độ mưa ứng với các thời đoạn và tần suất lặp lại khác nhau tại trạm
Láng (Hà Nội) giai đoạn 1976 – 2005 ................................................................................ 43
Bảng 3.8. Mức biến đổi của cường độ mưa ứng với các thời đoạn và tần suất lặp lại khác
nhau tại trạm Láng (Hà Nội) giai đoạn 2070 – 2099 theo kịch bản RCP4.5 ..................... 44
Bảng 3.9. Cường độ mưa ứng với các thời đoạn và tần suất lặp lại khác nhau tại trạm
Láng (Hà Nội) giai đoạn 2070 – 2099 theo kịch bản RCP4.5............................................ 45
Bảng 3.10. Mức biến đổi của cường độ mưa ứng với các thời đoạn và tần suất lặp lại khác
nhau tại trạm Láng (Hà Nội) giai đoạn 2070 – 2099 theo kịch bản RCP4.5 ..................... 46
Bảng 3.11. Cường độ mưa ứng với các thời đoạn và tần suất lặp lại khác nhau tại trạm
Láng (Hà Nội) giai đoạn 2070 – 2099 theo kịch bản RCP8.5............................................ 46
Bảng 3.12. Tổ hợp theo các phân vị khác nhau của mức độ biến đổi cường độ mưa theo 2
kịch bản RCP4.5 và RCP8.5 ứng với tần suất lặp lại 2 năm .............................................. 48
Bảng 3.13. Tổ hợp theo các phân vị khác nhau của mức độ biến đổi cường độ mưa theo 2
kịch bản RCP4.5 và RCP8.5 ứng với tần suất lặp lại 5 năm .............................................. 49
v



Mở đầ u
Mưa là một yếu tố khí hậu cơ bản và cũng đặc biệt quan trọng đối với đời sống
con người. Các đặc trưng liên quan đến mưa như cường độ, thời gian mưa, và tần suất
xuất hiện có ảnh hưởng to lớn đến nhiều ngành nghề cũng như ảnh hưởng trực tiếp đến
giới sinh vật tồn tại trên trái đất. Các đặc trưng mưa này ảnh hưởng trực tiếp đến sản
suất nông nghiệp, đến sự sinh tồn của một loại cây, có tác động không nhỏ đến các
chính sách cũng như chiến lược xây dựng các đập thủy điện, đê điều, quy hoạch, quản
lý tài nguyên nước. Mưa cũng là một biến đầu vào quan trọng cho các mô hình thủy
văn, thủy lực, đồ ng thời có ảnh hưởng to lớn đến thảm thực vật trên bề mặt trái đất. Và
đặc biệt quan trọng, cường độ và thời gian mưa tác động trực tiếp đến các hiện tượng
cực đoan trong thủy văn có thể ảnh hưởng trực tiế p đế n tin
́ h ma ̣ng con người như lũ
quét, sạt lở đất …
Hiện này, việc dự tính mưa vẫn đang là bài toán khó đối với hầ u hế t các quố c
gia trên thế giới, kể cả các quố c gia phát triể n như My,̃ Nhâ ̣t hay các quố c gia Châu Âu.
Khả năng dự báo đúng lươ ̣ng mưa vẫn đang ở mô ̣t xác suấ t rấ t thấ p. Vì vâ ̣y, rấ t nhiề u
những nghiên cứu hiệu chỉnh sai số theo nhiề u hướng khác nhau đươ ̣c áp du ̣ng rô ̣ng raĩ
nhằ m giảm sai số hê ̣ thống từ các mô hin
̀ h khí hậu mô ̣t cách tố i ưu nhấ t có thể . Tuy
nhiên, cũng cần khẳng đinh
̣ rằ ng, sẽ không có phương pháp hiệu chỉnh nào hoàn hảo
loại bỏ đươ ̣c hoàn toàn sai số. Và viê ̣c áp du ̣ng phương pháp hiê ̣u chin
̉ h sai số cũng
chính là nguồn gây ra các sai số khác. Mặc dù vâ ̣y, hiê ̣u chỉnh sai số từ các mô hin
̀ h
vẫn là điề u cầ n thiế t và quan tro ̣ng trong viê ̣c giảm tính chưa chắ c chắ n trong bài toán
dự tính khí hậu tương lai.
Việc xây dựng và đánh giá đường cong Cường độ - thời đoạn – tần suất (IDF)
của mưa ứng với các khoảng thời gian khác nhau là tiêu chuẩn quan trọng để thiết kế
các hệ thống thủy văn và các công trình liên quan nên đã được quan tâm nghiên cứu từ

môi trường nước trong đô thị, khu công nghiêp hay phục vụ giao thông, hàng không và
nông nghiệp. Bước đầu tiên và cũng rất quan trọng trong việc ước lượng được khả
năng xảy ra cũng như cường độ và thời gian mưa phục vụ cho các ngành kể trên chính
là xây dựng đường cong Cường độ - thời đoạn – tần suất (IDF) của mưa. Ở rất nhiều
nước phát triển trên thế giới như Hoa Kỳ, Canada, Đức … hay ngay cả những nước
trong khu vực Đông Nam Á như Malaixia và Singapore đều đã có rất nhiều những
nghiên cứu xây dựng đường cong IDF với những thời đoạn mưa ngắn cho các tỉnh
hoặc thành phố cụ thể phục vụ cho thoát nước đô thi và quy hoạch đê, mương.
Ở Việt Nam, các công trình nghiên cứu và xây dựng đường cong IDF là không
nhiều. Hầu hết các nghiên cứu đều được triển khai và tài trợ bởi các dự án nước ngoài
như chương trình thủy văn quốc tế (IHP) hay những nghiên cứu tại nước ngoài thực
hiện cho khu vực Việt Nam như nghiên cứu của Lê Minh Nhật (2008) [12]. Có thể
thấy, việc xây dựng mối quan hệ IDF của mưa là tương đối quan trọng tuy nhiên lại
chưa thực sự được chú trọng ở Việt Nam. Trên thực tế, trong bối cảnh biến đổi khí hậu
toàn cầu, Việt Nam đã và đang chịu những thiệt hại không nhỏ sau những trận mưa lớn
lịch sử và không thể lường trước. Cụ thể như trận mưa lịch sử năm 2008 khiến toàn bộ
thủ đô Hà Nội ngập trong nước, thiệt hại về người vả của là vô cùng to lớn. Hay gần
đây nhất là trận mưa cực lớn đặc biệt bất thường tại Quảng Ninh với lượng mưa 3-4
ngày lên tới 1000mm gây ngập úng và ách tắc nghiêm trọng, ảnh hưởng lớn đến đời
sống và kinh tế xã hội. Chính vì lý do này, việc xây dựng và cập nhật liên tục đường
cong IDF phục vụ cho phát triển cơ sở hạ tầng cần thiết và cấp bách.

4


Trong luận văn này, phương pháp hiệu chỉnh lượng mưa cho thời kỳ cơ sở và áp
dụng vào thời kỳ tương lai sẽ được nghiên cứu. Việc hiệu chỉnh sai số đối với lượng
mưa sẽ phục vụ trực tiếp xây dựng đường cong IDF và đánh giá mức độ biến đổi của
đường cong này trong tương lai với độ tin cậy cao hơn. Bố cục của luận văn gồm có 3
chương chính, trong đó: chương 1 sẽ đưa ra khái niệm về đường cong IDF, các mục

Trong khuôn khổ mô ̣t luận văn thạc sy,̃ nghiên cứu đă ̣t ra 2 mu ̣c tiêu dưới đây:
-

Nghiên cứu và áp dụng phương pháp hiê ̣u chỉnh sai số mô hình phù hơ ̣p
đố i với lươ ̣ng mưa ngày cho khu vực Hà Nô ̣i.

-

Xây dựng đường cong cường đô ̣ - thời lươ ̣ng - tầ n suấ t (IDF) của mưa
trong điề u kiê ̣n khí hậu hiê ̣n ta ̣i và tương lai. Đánh giá mức độ biến đổi
của đường cong IDF dưới tác động của biến đổi khí hậu.

Mục tiêu thứ nhất góp phầ n giải quyế t bài toán mô phỏng lươ ̣ng mưa đố i với các
mô hình khí hâ ̣u hiê ̣n nay. Các mô hình khí hâ ̣u (toàn cầ u và khu vực) đề u đang cho
thấ y những ha ̣n chế trong viê ̣c mô phỏng, dự báo và dự tính lươ ̣ng mưa, đă ̣c biế t đối
với các hiê ̣n tươ ̣ng mưa cực đoan, do vâ ̣y, việc tìm ra phương pháp hiê ̣u chin
̉ h phù hơ ̣p
và áp dụng cho khu vực Hà Nội là viê ̣c cần thiế t và sẽ có tính ứng du ̣ng to lớn.
Mu ̣c tiêu thứ hai nhằ m đưa ra mố i quan hệ giữa các đặc trưng của mưa bao gồ m
cường đô ̣, thời gian mưa và tần suất xuấ t hiê ̣n của hiê ̣n tươ ̣ng với cường đô ̣ và thời gian
tương ứng. Viê ̣c chỉ ra mô ̣t cách đinh
̣ lươ ̣ng mố i quan hê ̣ này phầ n nào đó đưa ra cái
nhìn tổ ng quát về cực trị mưa và những biế n đổ i các hiê ̣n tươ ̣ng này trong tương lai.
6


1.4. Tổ ng quan về vấ n đề nghiên cứu
Mô hình đô ̣ng lực đang là mô ̣t trong những công cu ̣ tiên tiế n nhấ t trong viê ̣c dự
tin
́ h khí hâ ̣u tương lai. Cùng với sự phát triể n của khoa ho ̣c công nghê ̣, các mô hin

7


1.4.1. Nghiên cứu về phương pháp hiêụ chin
̉ h sai số đố i với lươ ̣ng mưa
Wood và ccs. (2004) tiế n hành so sánh và đánh giá 6 phương án ha ̣ quy mô
thố ng kê cho mô ̣t số biế n trong đó nhấ n ma ̣nh yế u tố lươ ̣ng mưa làm đầ u vào cho các
mô hình thủy văn ở đô ̣ phân giải rấ t cao so với đô ̣ phân giải của mô hình khí hâ ̣u.
Nghiên cứu sử du ̣ng bô ̣ số liê ̣u dự báo trễ quá khứ 20 năm (1975 - 1995) và bô ̣ số liê ̣u
kich
̣ bản cho giai đoa ̣n 2040 - 2060 từ mô hình khí hâ ̣u của NCAR-PCM. 6 phương án
bao gồ m: hồ i quy tuyế n tính (LI), phân tách không gian (Spatial Disaggregation) và
hiê ̣u chin̉ h sai số kế t hơ ̣p phân tách không gian (BCSD) áp du ̣ng trực tiế p cho kế t quả
của PCM (đô ̣ phân giải T42) và áp du ̣ng cho kế t quả đầ u ra sau khi dùng phương pháp
ha ̣ quy mô đô ̣ng lực bằ ng mô hiǹ h khí hâ ̣u khu vực RCM (đô ̣ phân giải 50km). Các
phương án ha ̣ quy mô này đề u chi tiế t hóa các kế t quả về đô ̣ phân giải 1/8 đô ̣ kinh vi ̃ và
đươ ̣c so sánh với số liê ̣u quan trắ c trên lưới. Phương pháp BCSD cho thấ y hiê ̣u quả rấ t
cao khi ta ̣o ra các đă ̣c điể m chiń h của số liê ̣u quan trắ c từ bô ̣ số liê ̣u mô phỏng khí hâ ̣u
bấ t kể là từ PCM hay RCM. Phương pháp hồ i quy tuyế n tính LI cho kế t quả tố t hơn khi
áp du ̣ng với các biế n đầ u ra từ RCM, tuy nhiên phương pháp này vẫn ta ̣o ra mô ̣t sai số
khá lớn khi sử du ̣ng làm đầ u vào cho mô hình thủy văn. Phương pháp phân tách không
gian (SD) cho kế t quả tương đồ ng khi áp du ̣ng đố i với RCM và PCM, tuy nhiên cả 2
phương án này đề u không thực sự tố t khi áp du ̣ng các kế t quả này cho mô hin
̀ h thủy
văn mà không hiê ̣u chỉnh sai số . Như vâ ̣y, đố i với dự tiń h tương lai, các kế t quả từ 2
phương án BCSD-PCM và BCSD-RCM cho kế t quả hơ ̣p lý hơn hế t, từ đó có thể thấ y
đươ ̣c sự quan tro ̣ng và cầ n thiế t của viê ̣c hiê ̣u chin
̉ h sai số . [26]
Ines và Hansen (2006) sử du ̣ng hàm phân bố gamma để đa ̣i diê ̣n cho lươ ̣ng mưa
ngày và áp du ̣ng cả hàm phân bố Gamma và hàm phân bố thực nghiê ̣m để hiê ̣u chỉnh

Piani (2009) đã sử du ̣ng phương pháp thố ng kê hiê ̣u chin
̉ h sai số đố i với lươ ̣ng
mưa ngày trên khu vực Châu Âu. Phương pháp đươ ̣c sử du ̣ng trong nghiên cứu là
phương pháp hiê ̣u chin̉ h hàm phân bố . Trong đó, hàm phân bố lý thuyế t Gamma đươ ̣c
dùng để ước lươ ̣ng các phân vi ̣ cho giá tri ̣ mưa ngày trên khu vực nghiên cứu. Các tác
giả sử du ̣ng phương pháp này để hiê ̣u chỉnh lươ ̣ng mưa từ mô hiǹ h khu vực DMI với
đô ̣ phân giải ngang đươ ̣c nô ̣i suy về 25x25km. Hàm phân bố ta ̣i mỗi nút lưới đươ ̣c hiê ̣u
chỉnh theo hàm phân bố của các nút lưới tương ứng từ số liê ̣u tái phân tích CRU. Kế t
quả hiê ̣u chỉnh cho thấ y, phân bố lươ ̣ng mưa theo không gian và thời gian từ mô hình
khí hâ ̣u đươ ̣c cải thiê ̣n rõ rê ̣t và đồ ng nhấ t so với số liê ̣u quan trắ c. [19]
Matthias Jakob và ccs (2011) sử dụng 7 phương án chi tiết hóa thống kê thực
nghiệm kết hợp hiệu chỉnh sai số cho kết quả mô phỏng lượng mưa từ mô hình MM5
đối với khu vực Alpine. Các kết quả đánh giá chỉ ra rằng, phương pháp Quantile –
Mapping và phương pháp hiệu chỉnh cường độ dựa trên quy mô địa phương (local
9


intensity scaling) cũng như phương pháp tương tự phi tuyến cải thiện đáng kể trung vị,
phương sai, tần suất, cường độ và giá trị cực đoan của lượng mưa ngày. Phương pháp
hồi quy đa biến, thậm chí đã tối ưu hóa bằng cách tuyển chọn nhân tố, biến đổi, ngẫu
nhiên hóa, vẫn cho thấy những nhược điểm lớn trong hiệu chỉnh lượng mưa ngày. Nhìn
chung, phương pháp Quantile – Mapping đem lại hiệu quả cao nhất, đặc biệt đối với
các giá trị cực đoan. Kết quả nghiên cứu cũng chỉ ra khả năng áp dụng của phương
pháp này đối với các khu vực khác [10].
Amengual cùng ccs (2012) đã áp du ̣ng phương pháp hiê ̣u chỉnh hiệu thống kê
phục vụ dự tính khí hậu và đánh giá các tác động của biến đổi khí hậu cho khu vực
Platja de Palma, Địa Trung Hải. Nhóm tác giả đã sử dụng bộ mô hình khu vực gồm 12
phương án khác nhau nhằm thu được bộ số liệu ngày đối với các yếu tố như lượng
mưa, nhiệt độ trung bình, nhiệt độ tối cao, tối thấp, độ ẩm tương đối, mức che phủ mây
hay tốc độ gió. Từ bộ số liệu này, phương pháp Quantile – Quantile được áp dụng để



và 1 hê ̣ số hiê ̣u chin̉ h riêng cho mỗi chuỗi số liê ̣u. Phương pháp cuố i cùng đươ ̣c sử
du ̣ng trong nghiên cứu là phương pháp hiê ̣u chin̉ h delta với hê ̣ số hiê ̣u chin
̉ h bằ ng tỷ số
giữa lươ ̣ng mưa quan trắ c trung bình và lươ ̣ng mưa mô hình trung bình cho 1 tháng bấ t
kỳ. Cuố i cùng, tác giả so sánh kỹ năng của 4 phương pháp trong đó, phương pháp SD
Ratio và Hybrid cho hàm phân bố xác suấ t lươ ̣ng mưa sát hơn với số liê ̣u quan trắ c
ngoa ̣i trừ các giá tri ̣ mưa quá lớn hoă ̣c quá bé. Phương pháp Hybrid giảm sai số hê ̣
thố ng đố i với lươ ̣ng mưa cực tri ̣trong mùa mưa trong khi SD Ratio giảm sai số đố i với
các giá tri ̣ mưa nhỏ trong mùa khô mô ̣t cách đáng kể so với 2 phương án còn la ̣i. Kế t
luâ ̣n la ̣i, phương án hiê ̣u chin̉ h lai Hybrid là phù hơ ̣p nhấ t với hê ̣ số tương không gian
và thời gian của lươ ̣ng mưa tháng tương đố i tố t. [25]
Argueso và ccs. (2013) sử du ̣ng phương pháp hiê ̣u chin
̉ h hàm phân bố để hiê ̣u
chỉnh lươ ̣ng mưa ngày từ kết quả mô phỏng bằng mô hình WRF độ phân giải 2km cho
khu vực Sydney. Hàm phân bố lý thuyết gamma được áp dụng vào các bước hiệu chỉnh
tương tự như phương pháp đã được mô tả bởi Piani (2009), tuy nhiên, nhóm tác giả đề
suất thêm một bước trong đó, để hiệu chỉnh sai số cho lượng mưa tại mỗi điểm lưới,
chuỗi số liệu mưa ngày của 5 trạm xung quanh gần điểm lưới nhất được sử dụng. Như
vậy, đối với mỗi điểm lưới, sẽ có tất cả 5 kết quả hiệu chỉnh. 5 kết quả này được lấy
trung bình theo phương pháp trọng số nghịch đảo của bình phương khoảng cách.
Phương pháp này cho thấy hiệu quả rõ rệt trong việc loại bỏ sai số đối với cả đặc trưng
mưa theo ngày cũng như theo mùa, qua đó cung cấp những thông tin cơ bản với độ
chính xác cao hơn cho các nghiên cứu đánh giá tác động [2].
Bennett và nnk (2014) dự tính khí khí hậu tương lai cho khu vực Tasmania, Úc
bằng mô hình khí quyển lập phương bảo giác CCAM độ phân giải 10 km với 6 phương
án khác nhau, trong đó có sử dụng hiệu chỉnh thống kê bằng hàm phân bố tích lũy thực
nghiệm (Quantile mapping) cho các biến khí hậu quy mô ngày. Các yếu tố được hiệu
chỉnh bao gồm: bức xạ mặt trời, nhiệt độ tối thấp, nhiệt độ tối cao, bốc hơi tiềm năng

xác hay cu ̣ thể là sẽ lớn hơn rấ t nhiề u so với thực tế [4].
Lê Minh Nhâ ̣t (2007) đã nghiên cứu và áp du ̣ng phương pháp quy mô đơn giản
(Simple scaling) với mu ̣c đích chi tiế t hóa quy mô thời gian đố i với cường đô ̣ mưa trên
khu vực lưu vực song Yodo, Nhâ ̣t Bản. Phương pháp này dựa trên giả thiế t đã đươ ̣c
chứng minh bởi Menable (1999): hàm phân bố của cường đô ̣ mưa giữa các thời lươ ̣ng
khác nhau có mố i quan hê ̣ nhấ t đinh.
̣ Mố i quan hê ̣ này đă ̣c trưng bởi hàm mũ của nhân
tố quy mô (tỷ lê ̣ giữa 2 thời lươ ̣ng mưa). Từ viê ̣c áp du ̣ng phương pháp này, tác giả thu
13


đươ ̣c cường đô ̣ mưa ta ̣i lưu vực song Yodo trong các thời đoa ̣n rấ t ngắ n (từ quy mô
ngày đế n quy mô phút) với đô ̣ chiń h xác tương đố i cao so với lươ ̣ng mưa quan trắ c
đươ ̣c trong thực tế [12].
Nguyễn Văn Thành Văn và các cô ̣ng sự (2007) đã sử du ̣ng phầ n mề m SDSM ha ̣
quy mô thố ng kê từ sản phẩ m của 2 mô hiǹ h toàn cầ u bao gồ m HadCM3 và CGCM2
(mô phỏng theo kich
̣ bản A2) đố i với yế u tố mưa ngày cực tri ̣ cho khu vực Quebec,
Canada. Bên ca ̣nh đó, các tác giả đề xuấ t phương pháp hiê ̣u chin̉ h đố i với lươ ̣ng mưa
ngày cực tri ̣ thu đươ ̣c từ phầ n mề m SDSM. Hiê ̣u quả của viê ̣c sử du ̣ng phương pháp
này là tương đố i tố t thông qua viê ̣c so sánh với số liê ̣u quan trắ c ta ̣i 15 tra ̣m đo mưa
trên khu vực trong giai đoa ̣n từ 1961 - 1990. Dựa trên các kế t quả này, phương pháp ha ̣
quy mô thời gian sử du ̣ng hàm phân bố cực tri ̣ GEV cũng đươ ̣c áp du ̣ng nhằ m thu mô
tả mố i quan hê ̣ giữa lươ ̣ng mưa ngày cực tri ̣ và lươ ̣ng mưa cực tri ̣ trong các quy mô
thời gian nhỏ hơn ngày. Từ đó, đường cong IDF của mưa đươ ̣c xây dựng cho cả thời
kỳ hiê ̣n ta ̣i và các thời kỳ trong tương lai. Nghiên cứu cũng đã kế t luâ ̣n rằ ng, trong
tương lai, lươ ̣ng mưa cực tri ̣ sẽ tăng lên, trong đó sự biế n đổ i từ mô hin
̀ h HadCM3 là
không quá lớn, tuy nhiên kế t quả tiń h toán từ mô hiǹ h CGCM2 cho thấ y xu thế tăng rấ t
ma ̣nh của lươ ̣ng mưa cực tri ̣[17].

thuộc vào tần suất và thời đoạn được xét đến. 2 mô hình còn lại cho cường độ mưa
giảm ở mọi thời đoạn và tần suất lặp lại. Ngoài ra, nhóm tác giả cũng nhấn mạnh đến
tính không chắc chắn trong các đường cong IDF đối với thời kỳ tương lai [15].
Mirhosseini và nnk trong nghiên cứu của mình năm 2014, đã tiếp tục xây dựng
đường cong IDF trong tương lai cho khu vực Alabama. Phương pháp hiệu chỉnh sai số
Quantile – Mapping và hàm GEV tiếp tục được sử dụng với mục đích loại bỏ sai số hệ
thống và xây dựng đường cong IDF. Tuy nhiên, trong nghiên cứu lần này, nhóm tác giả
đã phát triển mô hình mạng thần kinh nhân tạo với mục đích chi tiết hóa về mặt thời
gian đối với lượng mưa 3h. Bên cạnh đó, phương pháp này cũng được so sánh với các
kết quả đã đạt được trong nghiên cứu sử dụng phương pháp phân tách ngẫu nhiên trước
đó (Mirhosseini và ccs, 2012) [15]. Kết quả chỉ ra rằng, phương pháp mạng thần kinh
nhân tạo có khả năng tốt hơn trong việc tạo ra mưa cực đại thời đoạn ngắn. Đường
cong IDF trong tương lai xây dựng từ 2 phương pháp này cũng được đưa ra so sánh
15


trong nghiên cứu này. Nhìn chung, cường độ mưa cực đoan trong tương lai tại khu vực
Alabama có xu thế giảm xuống, mức độ giảm xuống khi sử dụng phương pháp mạng
thần kinh nhân tạo có phần lớn hơn phương pháp phân tách ngẫu nhiên. Tuy nhiên, tác
giả cũng một lần nữa khẳng định, mức biến đổi của cường độ mưa trong nghiên cứu
này vẫn chưa đựng tính chưa chắc chắn khá lớn, cần xem xét kỹ lưỡng khi sử dụng
dụng. Mặc dù vậy, xu thế biến đổi của IDF trong tương lai được chỉ ra từ nghiên cứu
này có thể tin cậy và xem xét (Hình 1.3) [16].

Hình 1.3. So sánh đường cong IDF hiện tại và tương lai thu được từ 2 phương pháp
mạng thần kinh nhân tạo và phân tách ngẫu nhiên (Mirhosseini và nnk, 2014) [16]
Raul (2013) tiế n hành xây dựng đường cong IDF của mưa cho 6 tra ̣m đo mưa
trên khu vực thủ đô Barcelona. Nghiên cứu này đã sử du ̣ng tổ ng cô ̣ng 114 phương án
mô phỏng khác nhau đố i với lươ ̣ng mưa ngày, trong đó có 30 trường hơ ̣p mô phỏng
cho thời kỳ quá khứ 1951 - 1999 và 80 trường hơ ̣p mô phỏng và dự tính cho giai đoa ̣n

với cường độ rất lớn sẽ xảy ra với tần xuất liên tục hơn trong tương lai [24].

17