BỘ GIÁO DỤC VÀ ĐÀO TẠO

BỘ NÔNG NGHIỆP VÀ PTNT

TRƯỜNG ĐẠI HỌC THỦY LỢI

NGUYỄN THÁI HÀ

XÂY DỰNG MÔ HÌNH CẢNH BÁO SỚM HẠN KHÍ TƯỢNG PHỤC VỤ
CÔNG TÁC KHAI THÁC VÀ QUẢN LÝ TÀI NGUYÊN NƯỚC VÙNG
DUYÊN HẢI MIỀN TRUNG

Chuyên ngành: Kỹ thuật tài nguyên nước
Mã số chuyên ngành: 9 58 02 12

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT

HÀ NỘI, NĂM 2019


Công trình được hoàn thành tại Trường Đại học Thủy lợi

Người hướng dẫn khoa học
Người hướng dẫn khoa học

1: PGS.TS. Nguyễn Đăng Tính
2: GS.TS. Nguyễn Văn Tỉnh

Phản biện 1:
Phản biện 2:
Phản biện 3:

2. Mục tiêu nghiên cứu
Đánh giá diễn biến hạn hán, xây dựng mô hình cảnh báo sớm hạn khí tượng phục
vụ cho công tác khai thác và quản lý tài nguyên nước vùng DHMT.
3. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu là: Hạn khí tượng, tính chất, mức độ, xu thế và phân bố
của hạn hán; Phạm vi nghiên là: Vùng Duyên hải Miền Trung.
4. Nội dung nghiên cứu của luận án
Phân tích đánh giá diễn biến hạn hán của vùng nghiên cứu; Phân tích diễn biến
hạn hán của vùng nghiên cứu trong các đợt xảy ra ENSO; Đánh giá tương quan
giữa hạn hán của vùng nghiên cứu với nhiệt độ mặt nước biển (SST) và chỉ số
dao động Nam bán cầu (SOI) để lựa chọn biến đầu vào cho mô hình dự báo hạn;
Thiết lập cấu trúc các mô hình dự báo hạn khí tượng bằng phương pháp thống kê
(Mạng noron thích nghi mờ, ANFIS) và lựa chọn mô hình dự báo phù hợp cho
vùng nghiên cứu; Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng
nghiên cứu bằng các bản đồ dự báo chỉ số hạn.
1


5. Phương pháp nghiên cứu
Phương pháp phân tích thống kê; phương pháp kế thừa; phương pháp vùng hạn
không kề giáp nhau (NCDA); phương pháp phân tích tương quan; phương pháp
phân tích tổng hợp; và phương pháp mô hình toán (mô hình ANFIS).
6. Ý nghĩa khoa học và thực tiễn
Luận án đã góp phần bổ sung cơ sở khoa học trong việc sử dụng và lựa chọn chỉ
số hạn, xây dựng bản đồ hạn theo phương pháp NCDA và phương pháp dự báo
hạn khí tượng. Kết quả nghiên cứu của luận án có thế được ứng dụng để xây dựng
mô hình cảnh báo sớm hạn khí tượng cho khu vực nghiên cứu cũng như các khu
vực khác, giúp cho các nhà quản lý, nhà hoạch định chính sách và người dân địa
phương chủ động trong việc khai thác và quản lý tài nguyên nước.
7. Cấu trúc của luận án

ẩm đất bất thường (SMAPI); chỉ số Palmer (PDSI); chỉ số chuẩn hóa độ ẩm
đất (SSI); chỉ số độ ẩm cây trồng (SMI). Trong các chỉ số hạn nông nghiệp
trên thì chỉ số được sử dụng rộng rãi nhất trên thế giới và ở Việt Nam là chỉ
số PDSI.
 Chỉ số hạn thủy văn: Chỉ số cung cấp nước mặt (SWSI).
 Chỉ số hạn kinh tế-xã hội: Chỉ số khan hiếm nước xã hội (SWSI).
1.1.3 Các đặc trưng của hạn hán
Các đợt hạn hán thường khác nhau bởi ba đặc trưng là: cường độ, thời gian, sự
trải rộng theo không gian.
1.2 Tình hình hạn hán và các nghiên cứu về hạn hán trên thế giới
1.2.1 Tình hình hạn hán trên thế giới
Trong những thập kỷ gần đây hạn hán xảy ra nhiều nơi trên thế giới, gây nhiều
thiệt hại về kinh tế, ảnh hưởng đến đời sống con người và môi trường sinh thái.
Hàng năm có khoảng 21 triệu ha đất biến thành đất không có năng suất kinh tế
do hạn hán. Trong gần 1/4 thế kỷ vừa qua, số dân gặp rủi ro vì hạn hán trên những
vùng đất khô cằn đã tăng hơn 80%. Hơn 1/3 đất đai thế giới đã bị khô cằn mà
trên đó có 17,7% dân số thế giới sinh sống. Thiệt hại do hạn hán gây ra ở nhiều
nước trên thế giới là rất nghiêm trọng, kể cả về người và tài sản.
1.2.2 Các nghiên cứu về hạn hán trên thế giới
Trên thế giới đã có nhiều nghiên cứu về hạn hán. Nhưng do tính phức tạp của
hiện tượng này, đến nay vẫn chưa có một phương pháp chung cho các nghiên
cứu về hạn hán. Trong việc xác định, nhận dạng, giám sát và cảnh báo hạn hán,
các tác giả thường sử dụng công cụ chính là các chỉ số hạn. Các kết quả nghiên
cứu cho thấy không có một chỉ số nào có ưu điểm vượt trội so với các chỉ số khác

3


trong mọi điều kiện. Do đó, việc áp dụng các chỉ số/hệ số hạn phụ thuộc vào điều
kiện cụ thể của từng vùng cũng như cơ sở dữ liệu quan trắc sẵn có ở vùng đó.

Văn Thắng đã đánh giá được mức độ hạn hán, chọn được các chỉ tiêu xác định
4


hạn hán phù hợp và xây dựng được công nghệ dự báo và cảnh báo sớm hạn hán
cho các vùng khí hậu ở Việt Nam bằng các số liệu khí tượng thuỷ văn và các tư
liệu viễn thám để phục vụ phát triển kinh tế xã hội. Năm 2015, Nguyễn Văn
Thắng đã xây dựng được bộ chỉ tiêu hạn phù hợp để thực hiện giám sát, cảnh báo
hạn hán; xây dựng công nghệ, quy trình mô hình thống kê tổ hợp dự báo hạn khí
tượng cho toàn quốc theo chỉ số hạn SPI; xây dựng được công nghệ, quy trình
ứng dụng sản phẩm dự báo của 8 mô hình toàn cầu trong cảnh báo hạn ở Việt
Nam hạn đến 6 tháng.
Với vùng nghiên cứu thì Nguyễn Trọng Hiệu (2000) và Nguyễn Văn Cư (2001)
đã nghiên cứu xác định chỉ tiêu hạn, đánh giá tác động của hạn hán, nguyên nhân
hoang mạc hoá và các giải pháp phòng chống hạn hán, hoang mạc hoá ở 4 tỉnh
Quãng Ngãi, Bình Định, Ninh Thuận và Bình Thuận. Đào Xuân Học (2001) đã
sử dụng chỉ số khô hạn Sazonop để khảo sát, đánh giá hạn hán cho các tỉnh
DHMT. Năm 2005, Nguyễn Quang Kim đã nghiên cứu hiện trạng hạn hán, thiết
lập cơ sở khoa học cho quy trình dự báo hạn cho vùng NTB và Tây nguyên, lập
trình các phần mềm tính toán chỉ số hạn và phần mềm dự báo hạn khí tượng bằng
chỉ số SPI. Năm 2008, Trần Thục đã đánh giá được mức độ hạn hán và thiếu
nước sinh hoạt ở 9 tỉnh Nam Trung Bộ và Tây Nguyên. Năm 2014, Nguyễn
Lương Bằng đã sử dụng chỉ số SPI và SPEI trong nghiên cứu ảnh hưởng của
ENSO tới diễn biến hạn khí tượng ở lưu vực sông Cái Khánh Hòa, kết quả nghiên
cứu cho thấy chỉ số SPEI đánh giá diễn biến hạn hán ở lưu vực sông Cái là phù
hợp hơn so với chỉ số SPI.
Về phương pháp dự báo hạn, thì các nghiên cứu trước đây ở Việt Nam chủ yếu
sử dụng phương pháp thống kê. Nguyễn Quang Kim (2005) đã sử dụng mô hình
hồi qui tuyến tính đa biến để dự báo hạn bằng chỉ số SPI cho vùng NTB và Tây
Nguyên, các nhân tố dự báo được sử dụng là chỉ số SOI, SST và độ cao địa thế

tích hạn trên diện tích gieo cấy lớn nhất là năm 1993 sau đó đến các năm 2010,
2005, 1998, 1985 và 1988, tuy nhiên trên thực tế thì năm 1998 là năm xảy ra hạn
nặng nhất với 180836ha bị hạn và 51130ha bị mất trắng. Thời kỳ hạn căng thẳng
nhất ở vùng nghiên cứu là vào vụ Hè thu từ cuối tháng 6 đến đầu tháng 9, tần
suất xảy ra hạn trên diện rộng của vùng DHMT là 5-9 năm thì xảy ra một lần.

Hình 2.3 Tỷ lệ diện tích bị hạn so với tổng diện tích gieo cấy của vùng DHMT
2.2 Giới thiệu về ENSO và các số liệu cần thu thập
2.2.1 Giới thiệu về ENSO
ENSO (El Nino and the Southern Oscillation) là hiện tượng tương tác giữa đại
dương và khí quyển ở Thái Bình Dương (TBD), là yếu tố theo mùa làm ảnh
hưởng đến biến đổi khí hậu. El Nino tên gọi hiện tượng tăng lên khác thường của
nhiệt độ nước biển tầng mặt (SST) vùng xích đạo phía đông TBD. Đối lập với
hiện tượng El Nino, là hiện tượng SST vùng xích đạo đông TBD lạnh đi khác
thường được gọi là La Nina. Dao động Nam (Southern Oscillation-SO) là nguyên
nhân dẫn đến sự trao đổi không khí giữa Đông và Tây bán cầu. SO được xác định
qua trị số chênh lệch áp suất không khí mặt biển giữa Tahiti (17,5S; 149,6W)
nằm ở đông nam TBD và Darwin (12.4S; 130.9E) nằm ở tây bắc Australia.
Để theo dõi hoạt động ENSO người ta dựa vào chuẩn sai nhiệt độ nước biển tầng
mặt (SSTA) ở vùng biển xích đạo TBD. Một chu trình El Nino là thời kỳ liên
tục, có trị số trung bình trượt 5 tháng của SSTA ở vùng Nino3.4 (5N-5S,
120W-170W) lớn hơn hoặc bằng 0.5C, một chu trình La Nina là thời kỳ liên
tục, có trị số trung bình trượt 5 tháng của SSTA ở vùng Nino3.4 nhỏ hơn hoặc
bằng -0.5C. Từ năm 1985 đến năm 2014 đã xuất hiện 9 lần El Nino và 9 lần La
Nina. Sự thay đổi SST ở TBD đã gây ra các hoạt động ENSO dẫn đến sự bất
thường của các khối khí biển cũng như sự hoạt động của gió mùa và các nhiễu
7


động xích đạo-nhiệt đới làm biến đổi thời tiết ở vùng phía tây TBD trong đó có

khác nhau (1 và 3 tháng). Chỉ số SPI và SPEI với thời đoạn 1 tháng được ký hiệu
lần lượt là SPI1 và SPEI1, chỉ số SPI và SPEI với thời đoạn 3 tháng được ký hiệu
lần lượt là SPI3 và SPEI3.
Bảng 2.3 Phân cấp hạn hán theo chỉ số SPI, SPEI
Chỉ số SPI, SPEI
≥ 2,0
1,5÷1,99
1,0 ÷ 1,49
0.50 ÷ 0,99
-0.49 ÷ 0.49

Điều kiện khí hậu
Cực kỳ ẩm
Rất ẩm
Ẩm vừa
Ẩm nhẹ
Bình thường

Chỉ số SPI, SPEI
-0.50 ÷ - 0.99
-1,0 ÷ -1,49
-1,5 ÷ -1,99
≤ -2,0

Điều kiện khí hậu
Hạn nhẹ
Hạn vừa
Hạn nặng
Hạn cực nặng


số hạn là từ 1 tháng đến 12 tháng). Giá trị tuyệt đối của hệ số tương quan càng
lớn (càng gần 1) thì mối quan hệ tuyết tính giữa chỉ số hạn và SSTA, SOI càng
chặt chẽ.
2.3.4 Thiết lập mô hình dự báo hạn khí tượng, đề xuất mô hình dự báo phù
hợp cho vùng nghiên cứu
Các đánh giá và dự báo hạn hán có thể được thực hiện bằng việc sử dụng các chỉ
số hạn hán. Từ phần đánh giá tổng quan về các mô hình dự báo hạn trên thế giới
và Việt Nam hiện nay, NCS lựa chọn mô hình dự báo hạn với các thành phần
như sau;
1. Biến đầu ra (yếu tố dự báo)
Biến đầu ra là các chỉ hạn SPI, SPEI với các thời đoạn là 1 và 3 tháng. Kết quả
đầu ra của các chỉ số hạn SPI, SPEI được thể hiện thông qua 3 yếu tố là thời gian
dự báo (hạn ngắn, hạn dài), tính chất nghiêm trọng và khả năng phát sinh (độ lớn
nhỏ theo phân cấp hạn hán của các chỉ số hạn).
2. Biến đầu vào (nhân tố dự báo)
Các biến đầu vào là số liệu SSTA và SOI có hệ số tương quan cao với các chỉ số
SPI và SPEI, đồng thời kết hợp với chỉ số SPI và SPEI ở các bước thời gian trước

10


đó. Chi tiết về loại biến và số biến đầu vào của mô hình dự báo được trình bày ở
hình 2.4 phía sau.
3. Phương pháp dự báo
Mô hình ANFIS do J. S. R. Jang và cộng sự đề xuất năm 1997 được sử dụng để
xây dựng các mô hình dự báo các chỉ số SPI, SPEI với các nhân tố dự báo khác
nhau để tìm ra mô hình dự báo phù hợp với vùng nghiên cứu. ANFIS được dựa
trên một hệ thống giao diện mờ và được đào tạo bởi một thuật toán bắt nguồn từ
lý thuyết mạng nơron, và có cấu trúc như hình sau:


deviation ratio); CORR (Correlation Coefficient); E (Efficiency), hay còn gọi là
chỉ số Nash. Một mô hình dự báo có chất lượng tốt khi giá trị của CORR, E gần
giá trị 1.0 và RSR gần giá trị 0.0, ngoài ra các giá trị RSR, E phải đảm bảo tiêu
chí đánh giá theo tiêu chuẩn của WMO như bảng sau:
Bảng 2.4 Tiêu chí đánh giá chất lượng dự báo
Xếp loại
Rất tốt
Tốt
Đạt yêu cầu
Không đạt

RSR
0 ≤ RSR ≤ 0.5
0.5 < RSR ≤ 0.6
0.6 < RSR ≤ 0.7
RSR > 0.7

12

E
0.75 < E ≤ 1
0.65 < E ≤ 0.75
0.50 < E ≤ 0.65
E ≤ 0.5


Các mô hình dự báo hạn khí tượng cho vùng nghiên cứu được lập trình trên phần
mềm Matlab. Sơ đồ khối của chương trình dự báo hạn khí tượng được thể hiện
như hình sau:


14


Hình 3.6 Diễn biến hạn hán vùng DHMT theo chỉ số SPI3 và SPEI3
Diễn biến hạn hán của cùng DHMT theo hai chỉ số đều thể hiện các năm 1988,
1993, 1998, 2005, 2010 xuất hiện hạn hán kéo dài, phù hợp với các đợt hạn hán
trong thực tế. Nhưng chỉ số SPEI phản ánh diễn biến hạn hán của vùng nghiên
cứu phù hợp với tình hình hạn hán trong thực tế vùng nghiên cứu hơn chỉ số SPI,
và chỉ số SPEI3 lại phản ánh diễn biến hạn hán phù hợp hơn chỉ số SPEI1.
3.1.3 Diễn biến hạn hán theo không gian của vùng nghiên cứu
Tỷ lệ diện tích hạn theo chỉ số SPI, SPEI và thực tế sản xuất nông nghiệp của
vùng nghiên cứu được thể hiện trong các hình sau:

Hình 3.11 Tỷ lệ DT hạn hán theo chỉ số SPI3, SPEI3 và thực tế SXNN
Tỷ lệ diện tích bị hạn theo chỉ số SPEI lớn hơn chỉ số SPI ở hầu hết các năm, chỉ
có một số năm thì ngược lại, tỷ lệ diện tích bị hạn theo chỉ số SPEI3 là lớn nhất,
sau đó là SPI3, tiếp theo là SPEI1 và thấp nhất là SPI1. Tần suất xảy ra hạn của
các chỉ số theo không gian được thể hiện ở hình sau:

15


Hình 3.12 Tần suất (%) xảy ra hạn của các chỉ số theo không gian
3.2 Ảnh hưởng của ENSO đến diễn biến hạn hán của vùng nghiên cứu
3.2.1 Diễn biến hạn hán của vùng DHMT trong các thời kỳ phát sinh ENSO
Diễn biến hạn hán của vùng nghiên cứu theo các chỉ số SPI, SPEI trong các thời
kỳ xảy ra ENSO được thể hiện trong các hình sau:

Hình 3.27 Giá trị SPI, SPEI-1 trong các thời kỳ xảy ra ENSO


Độ trễ j
1
2 (*) 3 (*) 4 (*) 5 (*)
6
7
8
9
(tháng)
SPI3
-0.256 -0.269 -0.274 -0.266 -0.244 -0.212 -0.183 -0.156 -0.134
SPEI3
-0.256 -0.269 -0.274 -0.266 -0.244 -0.212 -0.183 -0.156 -0.134
Hệ số tương quan giữa SOI1 với SPI1, SPEI1
Độ trễ j
1 (*) 2 (*) 3 (*) 4 (*)
5
6
7
8
9
(tháng)
SPI1
0.162 0.169 0.143 0.144 0.138 0.088 0.085 0.063 0.058
SPEI1
0.162 0.169 0.143 0.144 0.138 0.088 0.085 0.063 0.058
Hệ số tương quan giữa SOI3 với SPI3, SPEI3
Độ trễ j
1 (*) 2 (*) 3 (*) 4 (*)
5
6


12

0.045 0.042 0.037
0.045 0.042 0.037

10

11

12

0.079 0.071 0.06
0.079 0.071 0.06

Ghi chú: * Mối tương quan có độ tin cậy trên 90%
3.3 Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
3.3.1 Đánh giá kết quả các mô hình dự báo hạn cho vùng nghiên cứu
Kết quả các thông số thống kê (CORR, E và RSR) của các mô hình dự báo SPI,
SPEI được thể hiện ở bảng sau:

17


Bảng 3.5 Đánh giá chất lượng dự báo các chỉ số hạn của các mô hình
SPI1
SPEI1
Mô Quá trình luyện mạng Quá trình kiểm đinh Mô Quá trình luyện mạng Quá trình kiểm đinh
hình CORR E
RSR CORR

Mô Quá trình luyện mạng Quá trình kiểm đinh Mô Quá trình luyện mạng Quá trình kiểm đinh
hình CORR E
RSR CORR
E
RSR hình CORR E
RSR CORR E
RSR
M1
0.53 0.28 0.85
0.52
0.24 0.87 M1 0.60 0.36 0.80
0.77 0.32 0.82
M2
0.58 0.34 0.81
0.60
0.28 0.85 M2 0.64 0.41 0.77
0.78 0.36 0.80
M3
0.76 0.57 0.65
0.42
0.12 0.94 M3 0.76 0.57 0.65
0.78 0.46 0.73
M4
0.90 0.81 0.44
0.63
0.38 0.79 M4 0.91 0.82 0.42
0.82 0.68 0.56
M5
1.00 0.99 0.08
0.60


-1.5 ÷ -1.99 Hạn nặng

≥ -2.0

Hạn cực
nặng

Cấp cảnh báo
Cấp 1: Khuyến cáo về tình trạng thiếu hụt mưa, chú ý tiết kiệm
nước khi SPEI3 theo các thời đoạn khác nhau của tháng hoặc/và
của một vài tháng trước đều rơi vào cấp này.
Cấp 2: Cảnh báo tình trạng hạn vừa, chú ý tiết kiệm nước và
chuẩn bị công tác dự phòng. Đặc biệt lưu ý khi SPEI3 theo các
thời đoạn khác nhau của tháng hoặc/và của một vài tháng trước
đều rơi vào cấp này.
Cấp 3: Cảnh báo tình trạng hạn nặng, yêu cầu các biện pháp tiết
kiệm và hạn chế dùng nước, đặc biệt khi SPEI3 theo các thời
đoạn khác nhau của tháng hoặc/và của một vài tháng trước đều
rơi vào cấp này. Các công tác dự phòng cần được kiểm tra. Nếu
tình trạng nguồn nước (hồ chứa, dòng chảy mặt, nước ngầm)
giảm thấp có thể áp dụng chế độ ngừng cấp nước cho các hộ ít
quan trọng nhất.
Cấp 4: Cảnh báo tình trạng hạn rất nặng. Tùy theo tình trạng
nguồn nước mặt có thể ngừng cấp nước cho các hộ ít quan trọng
và/hoặc áp dụng chế độ dùng nước theo định mức. Có thể phải
khởi động các họat động cứu trợ.

3.3.3 Lựa chọn mô hình dự báo hạn cho vùng nghiên cứu
Trong nghiên cứu này tác giả đề xuất mô hình dự báo cho 6 tháng tiếp theo so

M4
M4
M4

SOI3(1/2015), SOI3(2/2015), SSTA3(1/2015),
SSTA3(2/2015), SPEI3(3/2015)
SOI3(2/2015), SOI3(3/2015), SSTA3(2/2015),
SSTA3(3/2015), SPEI3(4/2015)
SOI3(3/2015), SOI3(4/2015), SSTA3(3/2015),
SSTA3(4/2015), SPEI3(5/2015)

SPEI3(4/2015)
SPEI3(5/2015)
SPEI3(6/2015)

3.3.4 Xây dựng mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
Từ kết quả và nội dung của các phần nghiên cứu phía trước tác giả đề xuất mô
hình cảnh báo hạn sớm hạn khí tượng cho vùng nghiên cứu như hình sau:

Hình 3.42 Sơ đồ mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
mô hình cảnh báo sớm hạn khí tượng này bao gồm 3 khối chính là: (1) khối quan
trắc và thu thập số liệu; (2) khối tính toán và xử lý số liệu; và (3) khối phân tích
20


tổng hợp số liệu quan trắc và kết quả dự báo để đưa ra các bản đồ, bản tin đánh
giá hiện trạng hạn và dự báo diễn biến hạn.
3.3.5 Bản đồ và số liệu cảnh báo sớm hạn khí tượng cho vùng nghiên cứu
1. Bản đồ cảnh báo cho 2 tháng đầu (tháng 1 và tháng 2 năm 2015)
Tháng 1/2015

số SPEI3. Đã lựa chọn được mô hình dự báo hạn ngắn 2 tháng và mô hình dự
báo hạn dài là 4 tháng tiếp theo.
(4) Mô hình cảnh báo sớm hạn khí tượng cho vùng nghiên cứu đã được xây dựng
với 3 khối chính là: khối quan trắc và thu thập số liệu; khối tính toán và xử lý số
liệu; và khối phân tích tổng hợp số liệu quan trắc và kết quả dự báo. Đồng thời
đã xây dựng được bản đồ cảnh báo sớm hạn khí tượng cho vùng nghiên cứu bằng
chỉ số SPEI3 từ tháng 1 đến tháng 6 năm 2015.
KẾT LUẬN VÀ KIẾN NGHỊ
1. Những kết quả đạt được của luận án
Hạn hán xuất hiện trên khắp thế giới có thể xảy ra ở tất cả các vùng khí hậu, trong
đó có vùng DHMT. Để có được những giải pháp khai thác và quản lý tài nguyên
nước hữu hiệu thì công tác cảnh báo sớm hạn khí tượng là rất quan trọng. Vì thế,
trong luận án này đã giải quyết và đạt được những kết quả sau:
(1) Từ năm 1985 – 2014, vùng DHMT đã có nhiều đợt hạn hán xảy ra, trong đó
có 5 đợt xảy ra hạn hán nghiêm trọng, hạn xảy ra trong cả 3 vụ sản xuất làm thiệt
hại đến hàng triệu hecta đất nông nghiệp. Thời kỳ hạn căng thẳng nhất là vụ Hè

22


thu từ cuối tháng 6 đến đầu tháng 9, và cứ 5 đến 9 năm lại xảy ra một đợt hạn
trên diện rộng.
(2) Diễn biến hạn hán theo các chỉ số SPI, SPEI đều thể hiện các năm 1988, 1993,
1998, 2005, 2010 xuất hiện hạn hán kéo dài trong nhiều tháng, phù hợp với các
đợt hạn hán trong thực tế là hạn hán xảy ra trong thời gian dài ở cả 3 vụ. Nhưng
chỉ số SPEI3 phản ánh diễn biến hạn hán của vùng nghiên cứu là phù hợp hơn
các chỉ số khác.
(3) Mức độ ảnh hưởng của hiện tượng El Nino đến hạn hán của vùng nghiên cứu
là tương đối lớn, khi xảy ra một đợt El Nino thì vùng nghiên cứu sẽ phát sinh một
đợt hạn hán kéo dài trong nhiều tháng, nhưng thời điểm của các đợt hạn hán