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

Hà Trường Minh

ĐÁNH GIÁ KHẢ NĂNG DỰ BÁO KHÍ HẬU HẠN MÙA
CỦA MÔ HÌNH RSM TRÊN KHU VỰC VIỆT NAM

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội – 2017


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

Hà Trường Minh

ĐÁNH GIÁ KHẢ NĂNG DỰ BÁO KHÍ HẬU HẠN MÙA
CỦA MÔ HÌNH RSM TRÊN KHU VỰC VIỆT NAM
Chuyên ngành: Khí tượng và khí hậu học
Mã số: 60440222
LUẬN VĂN THẠC SĨ KHOA HỌC
NGƯỜI HƯỚNG DẪN KHOA HỌC:
TS. MAI VĂN KHIÊM

Hà Nội – 2017



3.1 Đánh giá độ nhạy của mô hình với độ rộng miền tính ................................. 39
3.2 Đánh giá độ nhạy của mô hình với độ phân giải .......................................... 56
3.3 Đánh giá độ nhạy của mô hình với sơ đồ đối lưu. ....................................... 60
3.4 Kết quả thử nghiệm đánh giá thời gian thực ................................................ 67
KẾT LUẬN ............................................................................................................... 74
TÀI LIỆU THAM KHẢO ......................................................................................... 75

1


DANH MỤC HÌNH
Hình 1.1 Hệ số tương quan dị thường nhiệt độ bề mặt biển giữa dự báo của mô hình
và quan trắc: (a) dự báo 3-tháng của CFSv1, (b) dự báo 6-tháng của CFSv1, (c) dự
báo 3-tháng của CFSv2 và (d) dự báo 6-tháng của CFSv2 ....................................... 10
Hình 2.1 Sơ đồ biên độ của một biến bất kỳ theo một chiều trên miền tính khu vực
cho (a) phương pháp thông thường và (b) Phương pháp xử lý nhiễu của RSM. Các
ký hiệu A đại diện cho một trường đầy đủ, và AG đại diện cho sự đóng góp từ mô
hình phổ toàn cầu. ..................................................................................................... 24
Hình 2.2 Vị trí 55 trạm lấy số liệu quan trắc để đánh giá ......................................... 30
Hình 2.3 Miền mẹ của các thí nghiệm ...................................................................... 31
Hình 2.4 Các miền tính lần lượt ứng với 3 thí nghiệm: PA1, PA2, PA3 .................. 32
Hình 2.5 Miền tính thí nghiệm nghiệm đánh giá ảnh hưởng của độ phân giải......... 34
Hình 2.6 Miền tính thí nghiệm đánh giá ảnh hưởng của sơ đồ tham số hóa đối lưu 36
Hình 3.1 Trường khí áp mực biển trung bình các tháng 1, 4, 7, 10 (từ trên xuống
dưới) trong giai đoạn 1991-1995 so với số liệu CFSR ............................................. 40
Hình 3.2 Trường vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 1,
4, 7, 10 (từ trên xuống dưới) trong giai đoạn 1991-1995 so với số liệu CFSR ........ 42
Hình 3.3 Trường vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 1,
4, 7, 10 (từ trên xuống dưới) trong giai đoạn 1991-1995 so với số liệu CFSR ........ 44
Hình 3.4 Trường vectơ gió và độ cao địa thế vị mực 200 trung bình các tháng 1, 4,

Hình 3.14 Profile thẳng đứng của nhiệt độ (trên) và độ ẩm riêng (dưới) trung bình
năm, mùa hè, mùa đông giai đoạn 1986-1995 của 2 sơ đồ đối lưu và số liệu
CFSR ......................................................................................................................... 63
Hình 3.15 Đồ thị tụ điểm đánh giá sai số mô phỏng trung bình năm, mùa hè, mùa
đông của nhiệt độ 2m (trên) và lượng mưa (dưới) của 2 sơ đồ đối lưu tại 55 trạm
quan trắc .................................................................................................................... 65
Hình 3.16 Miền tính trong mô hình RSM ................................................................. 66
Hình 3.17 Sai số so với số liệu quan trắc tại 48 trạm của mô hình CFS (trên) và
CFS/RSM (dưới) đối với nhiệt độ trong giai đoạn tháng 5 năm 2014 đến tháng 10
năm 2015 với hạn dự báo 1 tháng ............................................................................. 68
Hình 3.18 Sai số so với số liệu quan trắc tại 48 trạm của mô hình CFS (trên) và
CFS/RSM (dưới) đối với nhiệt độ trong giai đoạn tháng 5 năm 2014 đến tháng 10
năm 2015 với hạn dự báo 2 tháng ............................................................................. 69
Hình 3.19 Sai số so với số liệu quan trắc tại 48 trạm của mô hình CFS (trên) và
CFS/RSM (dưới) đối với nhiệt độ trong giai đoạn tháng 5 năm 2014 đến tháng 10
năm 2015 với hạn dự báo 3 tháng ............................................................................. 70
Hình 3.20 Sai số so với số liệu quan trắc tại 48 trạm của mô hình CFS (trên) và
CFS/RSM (dưới) đối với lượng mưa trong giai đoạn tháng 5 năm 2014 đến tháng 10
năm 2015 với hạn dự báo 1 tháng ............................................................................. 71
Hình 3.21 Sai số so với số liệu quan trắc tại 48 trạm của mô hình CFS (trên) và
CFS/RSM (dưới) đối với lượng mưa trong giai đoạn tháng 5 năm 2014 đến tháng 10
năm 2015 với hạn dự báo 2 tháng ............................................................................. 72
Hình 3.22 Sai số so với số liệu quan trắc tại 48 trạm của mô hình CFS (trên) và
CFS/RSM (dưới) đối với lượng mưa trong giai đoạn tháng 5 năm 2014 đến tháng 10
năm 2015 với hạn dự báo 3 tháng ............................................................................. 73

3


DANH MỤC BẢNG

chung
khí quyển - đại dương)
CFS
Hệ thống mô hình dự báo dự báo khí hậu toàn cầu (Climate Forecast
System)
ECMWF Trung tâm dự báo thời tiết hạn vừa Châu Âu (European Centre for
Medium Range Weather Forecasts)
ENSO
El Nino/Southern Oscillation
GCM
Mô hình hoàn lưu toàn cầu (Global Circulation Model)
GFS
Hệ thống dự báo toàn cầu (Global Forecast System)
IPCC
Intergovernmental Panel on Climate Change (Ban Liên chính phủ về
Biến đổi khí hậu)
NCEP
Trung tâm dự báo môi trường quốc gia, Mỹ (National Centers for
Environmental Prediction)
RCM
Regional Climate Model (Mô hình khí hậu khu vực)
RSM
Mô hình phổ khu vực (Regional Spectral Model)
SST
Nhiệt độ mặt nƣớc biển toàn cầu (Sea surface temperature)
AGCM

5



CHƯƠNG 1: TỔNG QUAN
Thông tin khí hậu và dự báo khí hậu đóng một vai trò quan trọng đối với các
ngành kinh tế - xã hội và công tác phòng tránh thiên tai. Đặc biệt trong bối cảnh biến
đổi khí hậu như ngày nay, những biến đổi về thời tiết và khí hậu đã gây ra những ảnh
hưởng nghiêm trọng đến các ngành kinh tế - xã hội như nông nghiệp, tài nguyên
nước, đa dạng sinh học, sức khỏe con người, … Do vậy, kết quả dự báo khí hậu có
độ tin cậy và chi tiết sẽ giúp người sử dụng bao gồm các nhà hoạch định chính sách,
nhà quản lý và sản xuất,… đưa ra được các giải pháp và kế hoạch sản xuất hợp lý
nhằm giảm thiểu những thiệt hại có thể có.
Khái niệm về dự báo khí hậu có khá nhiều những quan niệm khác nhau. Có
người cho rằng dự báo khí hậu phải là dự báo những biến động khí hậu có chu kỳ kéo
dài hàng thập kỷ, hoặc hàng thế kỷ trở lên, còn những biến động có chu kỳ dưới một
năm được gọi chung là dự báo khí tượng hạn dài, gắn bó nhiều hơn với dự báo thời
tiết. Trong vài thập kỷ gần đây các nhà nghiên cứu khí hậu đã có một quan niệm khá
thống nhất: dự báo mùa là đối tượng trung tâm của dự báo khí hậu.
Đến nay, hai phương pháp chính được sử dụng rộng rãi trong nghiên cứu dự
báo khí hậu quy mô khu vực và Quốc gia là phương pháp thống kê thực nghiệm và
phương mô hình hóa động lực. Phương pháp thống kê thực nghiệm được xây dựng
trên cơ sở các nguồn số liệu khí hậu quá khứ trong khi đó các mô hình động lực dựa
trên các nguyên lý cơ bản nhiệt động lực học trong khí quyển để mô phỏng các hiện
tượng, các quá trình vận động của toàn bộ khí quyển đối với khu vực quan tâm. Mặc
dù các mô hình thống kê thực nghiệm hiện đang được sử dụng chủ yếu và hiệu quả
tại một số trung tâm dự báo khí hậu khu vực và quốc tế, song cùng với sự phát triển
mạnh mẽ của công nghệ máy tính và những hiểu biết sâu về bản chất vật lý các quá
trình trong khí quyển đã tạo điều kiện cho phát triển và ứng dụng mô hình động lực
trong dự báo khí hậu, đặc biệt tại các trung tâm nghiên cứu dự báo khí hậu lớn trên
thế giới, từ Châu Âu, Châu Á, Châu Mỹ, Châu Phi đến Châu Úc.
Sau đây sẽ trình bày khái quát cách tiếp cận nghiên cứu sử dụng mô hình động
lực trong dự báo khí hậu dựa trên những kết quả nghiên cứu chính đã được công bố.


độ cản gió do biến đổi độ cao sóng và (e) Các quá trình quan trọng khác tại mặt phân

8


cách khí quyển - đại dương là kết quả của sự vận chuyển các xon khí từ các hạt nước
biển và vận chuyển hóa học giữa không khí và nước.
Theo kết quả tổng hợp trong báo cáo lần thứ Tư (The Fourth Assessment
Report  AR4) của IPCC (2007), cho đến nay các mô hình đã đạt được những tiến
bộ vượt bậc trong mô phỏng nhiều khía cạnh của khí hậu trung bình hiện tại. Các mô
phỏng giáng thủy, khí áp mực biển và nhiệt độ bề mặt nhìn chung đã được cải thiện
mặc dù vẫn còn một số khiếm khuyết, nhất là đối với giáng thủy vùng nhiệt đới. Đối
với giáng thủy, các mô hình nói chung vẫn cho mô phỏng thấp hơn thực tế trong hầu
hết các hiện tượng cực đoan. Việc mô phỏng xoáy thuận ngoại nhiệt đới cũng đã có
nhiều tiến bộ. Một số mô hình đã được sử dụng để dự tính sự biến đổi của xoáy thuận
nhiệt đới. Kết quả cho thấy chúng có thể mô phỏng khá thành công tần suất và sự
phân bố của xoáy thuận nhiệt đới quan trắc. Các mô hình cũng đã mô phỏng được
các dạng (mode) chủ đạo của biến động khí hậu ngoại nhiệt đới, như NAM/SAM (the
Northern and Southern hemisphere Annular Modes), PNA (Pacific/North American),
PDO (Pacific Decadal Oscillation). Mặc dù vậy, các mô hình vẫn chưa tái tạo được
một số đặc điểm của các dạng biến động này. Hiện tại đã có một số mô hình có thể
mô phỏng nhiều đặc tính quan trọng của ENSO (El Nino/Southern Oscillation),
nhưng mô phỏng dao động MaddenJulian nói chung vẫn còn chưa tốt.
Trong những năm gần đây, cùng với sự phát triển mạnh mẽ của khoa học tính
toán, các mô hình GCM đã không ngừng được phát triển và hoàn thiện thông qua việc
tăng độ phân giải không gian cũng như cải tiến các module động lực và các sơ đồ
tham số hóa (băng biển, lớp biên khí quyển, lớp xáo trộn đại dương). Nhiều quá trình
rất quan trọng đã được đưa vào trong các mô hình, bao gồm những quá trình ảnh
hưởng đến các nhân tố tác động (forcing) (ví dụ aerosol bây giờ đã được mô hình hóa
trong mối tương tác với các quá trình khác trong nhiều mô hình). Ở nhiều nước mô

và CS, 2011). Trong dự báo khí hậu mùa, để loại bỏ sai số hệ thống của mô hình, các

10


dự báo được hiệu chỉnh bởi các dự báo lại (hindcast) của mô hình. Dự báo lại của
GloSea5 thực hiện trong giai đoạn 1996-2009, các dự báo bắt đầu tại 4 ngày 01, 09,
17 và 25 của tháng với 3 thành phần tổ hợp. Dự báo mùa của Trung tâm được chia
làm 3 loại: (1) Dự báo trên chuẩn, dưới chuẩn và tựa chuẩn; (2) Dự báo trên chuẩn
nhiều, trên chuẩn, tựa chuẩn, dưới chuẩn và dưới chuẩn nhiều; (3) Dự báo trên chuẩn
và dưới chuẩn. Hiện nay, các sản phẩm dự báo với thời hạn trước từ 1 đến 6 tháng
của Trung tâm Hadley đã được đưa lên trang web.
Tại Úc, từ năm 2002 Cục Khí tượng Úc (BOM) đã sử dụng mô hình động lực
kết hợp khí quyển-đại dương POAMA để dự báo mùa. Mô hình này đã được nâng
cấp lên POAMA-1.5 và POAMA-2 với những cải tiến số liệu ban đầu hóa và các khởi
tạo tổ hợp để đưa ra dự báo phù hợp với quy mô nhiều tuần. Hệ thống POAMA-2
được đưa vào dự báo nghiệp vụ từ tháng 5 năm 2013. Hệ thống dự báo mới POAMA2 được thiết kế để dự báo quy mô giữa dự báo thời tiết và dự báo mùa. POAMA-2 sử
dụng mô hình khí quyển – UM phiên bản 3 và mô hình đại dương – ACOM phiên
bản 2. Trường ban đầu được cung cấp bởi các sơ đồ đồng hóa dữ liệu riêng biệt cho
các thành phần đại dương, đất và khí quyển. POAMA-2 bao gồm hệ thống tổ hợp
đồng hóa số liệu đại dương (Yin và CS, 2011) và hệ thống ban đầu hóa đất/ khí quyển
(Hudson và CS, 2011). Chi tiết các thành phần của mô hình có thể tìm đọc trong
Wang và CS (2011). Một kỹ thuật nữa được đưa vào đó là tạo nhiễu điều kiện ban
đầu phù hợp với khí quyển và đại dương tại thời điểm ban đầu của các dự báo. Các
nhiễu được tạo ra bằng cách sử dụng mô hình kết hợp đại dương-khí quyển xác định
tính không chắc chắn trong dự báo gây ra do độ nhạy của điều kiện ban đầu. Hệ thống
dự báo mới này là cột mốc quan trọng trong sự phát triển của hệ thống dự báo mùa
POAMA. Hiện nay, BOM đang thực hiện dự báo khí hậu mùa bằng mô hình kết hợp
đại dương-khí quyển POAMA. Dự báo từ tổ hợp của 30 thành phần với điều kiện đầu
vào khác nhau (từ ngày mồng 1 đến 15 hàng tháng) với hạn dự báo lên đến 9 tháng

model ensemble – MME) được phát triển ở APCC. APCC thu thập số liệu dự báo
thời gian thực và quá khứ của 15 mô hình từ 8 quốc gia và xây dựng hệ thống tính
toán tự động tổ hợp MME. APCC phát triển nhiều kỹ thuật MME để dự báo tất định
và xác suất mùa. Đối với dự báo tất định, ba loại kỹ thuật MME tuyến tính được sử
dụng, cụ thể là hợp thành sai số và không sai số, kết hợp có trọng số của nhiều mô
hình dựa trên giá trị dập tắt của gió – SVD, và tổ hợp nhiều mô hình với hiệu chỉnh

12


thống kê. Đối với dự báo xác suất, dải ba phân vị được xác định bởi phương pháp xếp
hạng dựa trên tỷ lệ phần trăm của các thành phần tổ hợp từ các mô hình trong ba loại
trên. Hệ thống tổ hợp nhiều mô hình khu vực MME I-IV đã được xây dựng cho khu
vực gió mùa Châu Á. Các nghiên cứu đánh giá gần đây cho thấy MME có kỹ năng
mô phỏng tốt hoàn lưu, phân bố không gian trường nhiệt độ, mưa.
Tại Trung Quốc, dự án về nghiên cứu xây dựng hệ thống mô hình dự báo khí
hậu hạn ngắn kéo dài trong khoảng thời gian từ 1996-2000. Để thực hiện dự án này,
Trung Quốc đã huy động một đội ngũ các nhà khoa học rất hùng hậu gồm 731 nhà
khoa học đến từ 31 cơ quan khác nhau thuộc 5 bộ và viện nghiên cứu là: Cục khí
tượng Trung Quốc, Viện Khoa học Trung Quốc, Bộ Giáo dục, Bộ Nông nghiệp, Bộ
Tài nguyên nước. Trong đó Cục khí tượng Trung Quốc giữ vai trò chủ dự án. Việc
thực hiện dự án được phân thành 3 giai đoạn chính:
- Nghiên cứu ảnh hưởng của hiện tượng ENSO đến điều kiện khí hậu Trung
Quốc, đến nền kinh tế xã hội. Nghiên cứu ảnh hưởng điều kiện mặt đệm, gió mùa đến
khí hậu Trung Quốc.
- Xây dựng hệ thống mô hình dự báo khí hậu toàn cầu và khu vực gồm: Mô
hình hoàn lưu chung khí quyển toàn cầu, mô hình khu vực phân giải cao, mô hình đại
dương toàn cầu, mô hình đại dương phân giải cao cho các vùng biển Thái Bình
Dương, Ấn Độ Dương và mô hình dự báo El-Nino.
- Áp dụng hệ thống mô hình dự báo trên vào dự báo thời gian thực trên hệ máy

nhiệt độ quan trắc trung bình trên khu vực khoảng 105 đến 106 km2 với sai số dưới
2oC và từ 5-50% đối với lượng giáng thủy (Giorgi và Shields, 1999; Pan và CS, 2000).
Rất nhiều nghiên cứu khác nhau về RCM đã được so sánh để tìm ra sự khác biệt cũng
như điểm chung về ưu điểm và nhược điểm của các mô hình, như Christensen và CS
(1997) ở Châu Âu, Takle và CS (1999) ở Mỹ và Leung và CS (1999a,b) ở Đông Á.
Sau khi được đánh giá kỹ năng qua mô phỏng khí hậu tại từng khu vực, trong
từng mùa, các mô hình RCM có thể được ứng dụng để dự báo khí hậu khu vực với
IC và LBC lấy từ các trường dự báo của các GCM. Sai số dự báo của RCM trong
trường hợp này có thể bao gồm sai số của chính mô hình (khả năng của mô hình) và
sai số của GCM (Noguer và CS., 1998). Mặc dù vậy, việc sử dụng RCM vào dự báo
(mùa) khí hậu nói chung vẫn còn hết sức khiêm tốn. Các công trình nghiên cứu hiện
nay chủ yếu vẫn tập trung vào khảo sát độ nhạy, đặc biệt là độ nhạy của các sơ đồ

14


tham số hóa đối lưu, đánh giá khả năng mô phỏng của các RCM. Chẳng hạn, Jiao
Yanjun (2006) đã sử dụng mô hình CRCM (The third-generation Canadian Regional
Climate Model) để mô phỏng hoàn lưu, nhiệt độ và giáng thủy trên khu vực Bắc Mỹ
thời kỳ 19871991. Kết quả cho thấy, CRCM đã tái tạo tốt hoàn lưu qui mô lớn, đã
mô phỏng khá gần với thực tế biến động mùa của nhiệt độ và giáng thủy mùa đông
trên khu vực Bắc Mỹ. Mặc dù vậy, mô hình cũng đã cho kết quả mô phỏng lượng
giáng thủy mùa hè vượt quá quan trắc một cách có hệ thống.
Liang, X. Z. và CS (2004) đã khảo sát khả năng mô phỏng biến trình năm của
lượng giáng thủy trên lãnh thổ Hoa Kỳ bằng mô hình MM5 phiên bản khí hậu
(CMM5) khi tích phân mô hình liên tục từ 1982-2002 với trường điều khiển toàn cầu
là số liệu tái phân tích của NCEP-DOE AMIP II. Những nguyên nhân gây sai số của
mô hình đã được tác giả nghiên cứu thông qua các thí nghiệm độ nhạy mùa với các
điều kiện biên xung quanh và biểu diễn vật lý khác nhau. Kết quả cho thấy CMM5
có kỹ năng rõ rệt, mô tả chi tiết hơn và sát thực hơn điều kiện khí hậu trong vùng với

khác (Mỹ, Châu Âu, Châu Phi). Hơn nữa, RegCM có thể biểu diễn được các trung
tâm mưa lớn và ảnh hưởng của địa hình tới nhiệt độ cực đại địa phương.
Im E.-S và CS (2006) đã chạy thử nghiệm RegCM3 để mô phỏng nhiệt độ bề
mặt và giáng thủy cho khu vực này. RegCM3 được lồng một chiều nhưng sử dụng
hai lưới lồng với độ phân giải 60km và 20km tương ứng với miền lớn, bao phủ cả
khu vực Đông Á, và miền nhỏ, bao phủ bán đảo Triều Tiên. Thời gian mô phỏng là
từ 1 tháng 10 năm 2000 đến 30 tháng 9 năm 2003. Nhiệt độ mô phỏng có sai số hệ
thống là âm, đặc biệt trên các khu vực núi trong mùa hè. Lượng mưa mùa hè phụ
thuộc chủ yếu vào khả năng mô phỏng những hiện tượng đối lưu mùa hè riêng lẻ và
các cơn bão nhiệt đới hơn là tác động của địa hình. Francisco và CS (2006) cũng sử
dụng mô hình RegCM để thử nghiệm mô phỏng mưa mùa hè ở Phillipines. Các thử
nghiệm độ nhạy được thực hiện với số liệu đầu vào khác nhau (NCEP và ERA40) và
sơ đồ thông lượng khối qua bề mặt đại dương (BATS và Zeng) được chạy cho 5 mùa
hè. Đối chiếu kết quả mô phỏng với quan trắc thực tế, tác giả cho rằng số liệu tái phân
tích ERA40 và sơ đồ tính thông lượng khối đại dương theo BATS thích hợp hơn cả
đối với mô phỏng giáng thủy của Phillipines.
Gần đây nhóm các nhà khoa học thuộc Đại học Tổng hợp bang Iowa, Hoa Kỳ
(Iowa State University, Ames, Iowa USA) đã thực hiện dự án MRED (Multi-RCM

16


Ensemble Downscaling of NCEP CFS Seasonal Forecasts) trong đó sản phẩm dự báo
mùa của mô hình CFS được sử dụng làm đầu vào cho một loạt các mô hình khí hậu
khu vực để xây dựng và thử nghiệm một hệ thống dự báo tổ hợp. Động lực thúc đẩy
việc hình thành dự án này là chi tiết hóa động lực sản phẩm dự báo mùa của mô hình
toàn cầu. Cụ thể, các mô hình dự báo hạn mùa vốn dĩ là các mô hình toàn cầu trong
đó độ phân giải bị hạn chế nên chưa đáp ứng được nhu cầu thực tế do chưa thể mô tả
chi tiết các đặc điểm địa phương như đường bờ biển, địa hình hoặc đất sử dụng. Việc
chi tiết hóa động lực có thể cung cấp thêm những thông tin chi tiết, hữu ích cho sản

quả dự báo từ CFS được chi tiết hóa tới độ phân giải 50 km bằng mô hình RSM với
5 phương án tổ hợp. Hiện nay một số nước như Đài Loan, Hong Kông,… đã sử dụng
mô hình RSM trong dự báo khí hậu nghiệp vụ.
Trong nước:
Có thể thấy rằng, các nghiên cứu trong lĩnh vực dự báo khí hậu mùa ở nước ta
trong gần hai thập kỷ trước đây tập trung chủ yếu vào các phương pháp thống kê
truyền thống, các quan hệ thống kê giữa nhân tố dự báo và yếu tố dự báo dựa vào các
tập số liệu quan trắc tại các trạm khí tượng thủy văn. Có thể kể đến một số công trình
như sau:
Phạm Đức Thi (1989) đã đưa vào các phép toán phân tích tự tương quan nhằm
tìm ra qui luật vận động vật lý của một chuỗi số. Ví dụ như: phân tích chuỗi chuẩn
sai nhiệt độ trung bình tháng hay chuẩn sai tổng lượng mưa tháng từ năm 1960 đến
nay, phương pháp chỉ tìm kiếm qui luật của bản thân chuỗi số đó và cô lập nó trong
mối quan hệ tương hỗ với các yếu tố bên ngoài. Thực tế, hệ quả thời tiết – khí hậu
gây ra tại một khu vực không phải chỉ phụ thuộc vào một yếu tố duy nhất nên bài
toán còn nhiều sai sót.
Nguyễn Duy Chinh (2002) tìm cách xây dựng phương trình hồi qui tuyến tính
đa biến mục đích đưa vào ảnh hưởng của đa yếu tố. Hồi qui tuyến tính đa biến mong
muốn tìm kiếm một kết quả ổn định hơn do có sự tham gia của nhiều nhân tố dự báo.
Tuy nhiên, trong nhiều trường hợp thì phương trình đa nhân tố lại không hiệu quả
bằng ít nhân tố, điều đó nghĩa là có những nhân tố làm cho kết quả kém đi. Do vậy
mà hồi qui từng bước đã được sử dụng để lọc đi những nhân tố gây nhiễu. So với các
phương pháp trước thì bài toán dự báo cũng đã được cải thiện hơn, nhưng như thế
vẫn chưa đủ.

18


Để loại bỏ bớt các yếu tố ngẫu nhiên, nhân tố dự báo được lựa chọn là một
khu vực (gồm nhiều điểm quan trắc). Trong cách sử dụng này thì mỗi một điểm trạm


chọn theo ngưỡng hệ số tương quan giữa nhân tố và yếu tố dự báo từ 0,2 trở lên. Dựa
trên mối quan hệ giữa chỉ số hạn SPI với trường toàn cầu (OLR, SST, gió ở mực 200
và 850mb), Nguyễn Văn Thắng (2007) đã xây dựng các phương trình dự báo hạn khí
tượng cho 7 vùng khí hậu.
Tuy vậy, cùng với sự phát triển khoa học máy tính, các nghiên cứu trong dự
báo khí hậu hạn mùa của nước ta bằng mô hình động lực đã có nhiều bước tiến quan
trọng. Các mô hình động lực đã được nghiên cứu, thử nghiệm và đưa vào ứng dụng
trong dự báo khí hậu (Kiều Thị Xin và CS, 2000; Nguyễn Văn Tuyên, 2008a,b; Phan
Văn Tân và CS, 2009, 2010, 2014; Nguyễn Văn Thắng và CS, 2011, 2015a, 2015b;
Tạ Hữu Chỉnh, 2015). Thử nghiệm mô phỏng mưa trên lãnh thổ Việt Nam bằng mô
hình khí hậu khu vực RegCM của Kiều Thị Xin (2000) là một trong những kết quả
đầu tiên về mô phỏng khí hậu bằng mô hình số ở Việt Nam.
Đề tài cấp Nhà nước “Nghiên cứu tác động của biến đổi khí hậu toàn cầu đến
các yếu tố và hiện tượng khí hậu cực đoan ở Việt Nam, khả năng dự báo và giải pháp
chiến lược ứng phó” (Phan Văn Tân và CS, 2010) đã ứng dụng thành công hệ thống
mô hình kết hợp đại dương – khí quyển CAM-SOM chạy dự báo hạn mùa cung cấp
đầu vào cho các mô hình khí hậu khu vực trong điều kiện Việt Nam. Trong đề tài,
việc nghiên cứu ứng dụng các mô hình khí hậu khu vực chỉ đề cập chủ yếu về khả
năng mô phỏng hạn dài cho mục đích nghiên cứu biến đổi khí hậu.
Nguyễn Văn Thắng và CS (2011) đã đánh giá mức độ dao động và tính chất
của các yếu tố và hiện tượng khí hậu, đặc biệt là nhiệt độ, lượng mưa, thiên tai và các
hiện tượng khí hậu cực đoan. Đề tài sử dụng số liệu quan trắc và phân tích lại của
NCAR/NCEP trong 50 năm qua. Đề tài đã đánh giá được mức độ dao động của các
yếu tố khí hậu theo tháng mùa và năm, đánh giá được mức độ và tính chất dao động
của các hiện tượng khí hậu cực đoan điển hình (mưa lớn, sương muối, rét hại, khô
nóng, mưa đá) ở Việt Nam. Tuy nhiên, đề tài sử dụng số liệu tái phân tích của trường
toàn cầu với độ phân giải thô, do vậy kết quả vẫn còn hạn chế.
Đề tài nhà nước "Nghiên cứu xây dựng hệ thống mô hình dự báo hạn mùa một
số hiện tượng khí hậu cực đoan phục vụ phòng tránh thiên tai ở Việt Nam" (Phan Văn

quả tốt.

21


Nhận xét chung:
Để dự báo chính xác hơn xu thế khí hậu, định lượng các trường khí hậu trung
bình và các hiện tượng khí hậu cực đoan chắc chắn không thể chỉ dựa vào phương
pháp thống kê mà cần phải phát triển phương pháp mô hình động lực. Phương pháp
thống kê không mô tả được mối quan hệ phức tạp theo không gian và thời gian của
hệ thống khí hậu, mà chỉ có thể nắm bắt được những hiện tượng mang tính qui luật,
do vậy kết quả không chính xác khi gặp những hiện tượng khí hậu đột biến.
Trên thế giới, mô hình dự báo khí hậu đang phát triển rất mạnh mẽ và được
đưa vào ứng dụng trong nghiệp vụ ở nhiều nước. Trong số đó có thể kể đến các sản
phẩm dự báo của mô hình MRI (Nhật Bản), CFS (Hoa Kỳ), ECMWF (Trung tâm Dự
báo Hạn vừa Hạn dài châu Âu). Ở các nước châu Á trong đó có Việt Nam - nơi thống
trị bởi khí hậu gió mùa, mô hình CFS của Trung tâm Dự báo Môi trường quốc gia
(NCEP) đang là một trong những mô hình được sử dụng phổ biến nhất. Với kĩ năng
dự báo của CFS (theo không gian và thời gian) cũng đã cải tiến rất nhiều, hệ thống
CFS cung cấp những lợi thế quan trọng trong việc dự báo hạn mùa nghiệp vụ.
Trong số các mô hình khí hậu khu vực có thể được sử dụng để chi tiết hóa kết
quả của mô hình CFS, mô hình RSM có nhiều ưu điểm như có chung lõi động lực,
vật lý và quan trọng nhất là được hỗ trợ các công cụ đi kèm để kết hợp với sản phẩm
của CFS. Tuy nhiên, so với các mô hình khu vực khác, mô hình RSM bắt đầu được
áp dụng ở Việt Nam tương đối muộn, do đó chưa có nhiều các nghiên cứu đánh giá
chi tiết về khả năng mô phỏng cũng như dự báo khí hậu hạn mùa cho nước ta bằng
mô hình RSM. Trong khuôn khổ luận văn, tác giả muốn hướng đến đánh giá khả năng
dự báo khí hậu hạn mùa cho khu vực Việt Nam của mô hình RSM sử dụng số liệu
đầu vào từ mô hình CFS với hạn dự báo từ 1 đến 3 tháng. Để làm được điều này, luận
văn cần tập trung vào hai khía cạnh. Đầu tiên là đánh giá, lựa chọn miền tính và các