›
›

Luận văn Nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực dự báo hạn mùa ở Việt Nam

pdf 82 trang phuongnguyen 2850
Download
Bạn đang xem 20 trang mẫu của tài liệu "Luận văn Nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực dự báo hạn mùa ở Việt Nam", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên

Tài liệu đính kèm:

  • pdfluan_van_nghien_cuu_kha_nang_ung_dung_mo_hinh_khi_hau_khu_vu.pdf

Nội dung text: Luận văn Nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực dự báo hạn mùa ở Việt Nam

  1. ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG 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 tƣợng và khí hậu học Mã số: 62.44.87 LUẬN VĂN THẠC SĨ KHOA HỌC NGƢỜI HƢỚNG DẪN KHOA HỌC: GS. TS. Phan Văn Tân Hà Nội - 2012
  2. LỜI CẢM ƠN Tác giả hoàn thành luận văn này khi học tập và công tác tại Bộ môn Khí tƣợng, Khoa Khí tƣợng Thủy văn và Hải dƣơng học, Trƣờng Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội. Luận văn đƣợc thực hiện dƣới sự hƣớng dẫn tận tình của GS. TS. Phan Văn Tân. Tác giả xin bày tỏ lòng biết ơn chân thành tới thầy, ngƣời đã hết lòng quan tâm cũng nhƣ kiên trì giúp đỡ từng bƣớc nghiên cứu của học viên. Tác giả cũng xin chân thành cảm ơn tập thể Bộ môn khí tƣợng nói riêng và Khoa Khí tƣợng Thủy Văn và Hải dƣơng 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 trƣờng làm việc và học tập hiếm có cho học viên. Nguyễn Quang Trung 2
  3. MỤC LỤC DANH MỤC HÌNH 4 DANH MỤC BẢNG 7 DANH MỤC CÁC KÝ HIỆU VIẾT TẮT 8 MỞ ĐẦU 9 Chƣơng 1 TỔNG QUAN 10 1.1 Các nghiên cứu trên thế giới 10 1.2 Các nghiên cứu trong nƣớc 18 Chƣơng 2 PHƢƠNG PHÁP NGHIÊN CỨU 22 2.1 Sơ lƣợc về mô hình khí hậu khu vực RegCM3 22 2.2 Hệ thống mô hình kết hợp CAM-SOM 24 2.3 Thiết kế thí nghiệm 29 2.4 Nguồn số liệu 34 Chƣơng 3 KẾT QUẢ VÀ NHẬN XÉT 38 3.1 Kết quả dự báo hạn mùa bằng mô hình RegCM3 với các tùy chọn tham số hóa đối lƣu khác nhau 38 3.1.1 Thời tiết, khí hậu khu vực Đông Nam Á giai đoạn 1996-2005 38 3.1.2 Hoàn lƣu, nhiệt độ và lƣợng mƣa từ đầu ra của RegCM3 40 3.2 Đánh giá kết quả dự báo thử nghiệm bằng Reg_CAMSOM 54 3.2.1 Đánh giá trƣờng đầu vào nhận đƣợc từ CAMSOM 54 3.2.2 So sánh Reg_CAMSOM và Reg_NNRP2 58 3.2.3 Đánh giá kết quả Reg_CAMSOM 64 KẾT LUẬN 78 TÀI LIỆU THAM KHẢO 79 3
  4. DANH MỤC HÌNH Hình 1.1 Trung tâm sản phẩm toàn cầu cho dự báo hạn dài của WMO 15 Hình 2.1 Cấu trúc lƣới thẳng đứng (bên trái) và lƣới ngang dạng xen kẽ Arakawa B (bên phải) của mô hình RegCM3 23 Hình 2.2 Mô tả hệ toạ độ lai thẳng đứng trong CAM 3.0 27 Hình 2.3 Sơ đồ mô tả các mô hình thành phần của CAM-SOM 28 Hình 2.5 Miền tính của RegCM3 trong các thí nghiệm. 31 Hình 2.4 Mô tả các thí nghiệm đƣợc thực hiện. 32 Hình 2.5 Vị trí 48 trạm lấy số liệu quan trắc để thẩm định 36 Hình 3.1 Nino3.4 trung bình từ tháng 6 đến tháng 12 giai đoạn 1950 – 2007. 39 Hình 3.2 Tần số bão ở khu vực Biển Đông (1961 - 2007) 39 Hình 3.3 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 42 Hình 3.4 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 43 Hình 3.5 Trƣờng vectơ gió và độ cao địa thế vị mực 200 mb trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 44 Hình 3.6 Trƣờng khí áp mực biển trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 45 Hình 3.7 Trƣờng 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 46 Hình 3.8 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí nghiệm so sánh với số liệu CRU 47 Hình 3.9 Trƣờng nhiệt độ mực 2m trung bình các tháng 5-10 trong giai đoạn 1996- 2005 của các thí nghiệm so sánh với số liệu quan trắc tại 48 trạm 48 Hình 3.10 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí nghiệm so sánh với số liệu quan trắc tại 48 trạm 49 4
  5. Hình 3.11 Đồ thị tụ điểm đánh giá sai số mô phỏng nhiệt độ mực 2m (a) và lƣợng mƣa (b) của 3 thí nghiệm so với số liệu quan trắc tại 48 trạm. 51 Hình 3.12 Profile thẳng đứng của độ ẩm tuyệt đối (a) và nhiệt độ (b) trung bình từ tháng 5-10 giai đoạn 1996-2005 của các thí nghiệm. 51 Hình 3.13 Biểu đồ Hovmoller trung bình trƣợt 5 ngày của nhiệt độ (a) và lƣợng mƣa (b) của các thí nghiệm Reg_Kuo (trên), Reg_Grell (giữa) và Reg_Emanuel (dƣới) 54 Hình 3.14 Trƣờng vectơ gió và độ cao địa thế vị mực 1000 mb trung bình các tháng 1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) 55 Hình 3.15 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) 56 Hình 3.16 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) 57 Hình 3.17 Trƣờng nhiệt độ không khí trung bình mực 2m các tháng 6,7,8 (trên xuống dƣới) mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và hiệu giữa chúng (phải). 59 Hình 3.18 Trƣờng tổng lƣợng mƣa các tháng 6,7,8 (trên xuống dƣới) mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và hiệu giữa chúng (phải). 60 Hình 3.19 Nhiệt độ không khí trung bình mực 2m các tháng từ tháng 5 đến tháng 9 mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số liệu quan trắc (phải) tại 48 trạm. 61 Hình 3.20 Tổng lƣợng mƣa tháng trung bình trong các tháng từ tháng 5 đến tháng 9 mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số liệu quan trắc (phải) tại 48 trạm. 62 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. 63 5
  6. Hình 3.22 Sai số mô phỏng lƣợng mƣa 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. 64 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. 65 Hình 3.24 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 4 với các leadtime khác nhau 66 Hình 3.25 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 5 với các leadtime khác nhau 67 Hình 3.26 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 6 với các leadtime khác nhau 68 Hình 3.27 Lƣợng mƣa trung bình của (a) tháng 4, (b) tháng 5, (c) tháng 6 theo số liệu CRU. 69 Hình 3.28 Sai số dự báo lƣợng mƣa trung bình của tháng 4 với các leadtime khác nhau 70 Hình 3.29 Sai số dự báo lƣợng mƣa trung bình của tháng 5 với các leadtime khác nhau 71 Hình 3.30 Sai số dự báo lƣợng mƣa trung bình của tháng 6 với các leadtime khác nhau 72 Hình 3.31 Sai số dự báo nhiệt độ mực 2m tại 48 trạm. 73 Hình 3.32 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Bắc 74 Hình 3.33 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Nam 75 Hình 3.34 Sai số dự báo lƣợng mƣa tại 48 trạm. 76 Hình 3.35 Sai số dự báo lƣợng mƣa tại các trạm miền Bắc 76 Hình 3.36 Sai số dự báo lƣợng mƣa tại các trạm miền Nam 77 6
  7. DANH MỤC BẢNG Bảng 2.1 Danh mục một số trƣờng kết xuất của mô hình CAM-SOM 29 Bảng 2.2 Các hàm đƣợc sử dụng trong thƣ viện NFI 34 Bảng 2.3 Danh sách 48 trạm lấy số liệu quan trắc để thẩm định 36 7
  8. DANH MỤC CÁC KÝ HIỆU VIẾT TẮT AGCM Mô hình hoàn lƣu chung khí quyển GCM Mô hình hoàn lƣu chung khí quyển (Global Circulation model) GPC Trung tâm sản phẩm toàn cầu cho dự báo hạn dài LSM Mô hình bề mặt đất (land surface model) RegCM Mô hình khí hậu khu vực (Regional Climate Model) SST Nhiệt độ mặt nƣớc biển toàn cầu (Sea surface temperature) WMO Tổ chức Khí tƣợng Thế giới (World Meteorological Organization) 8
  9. MỞ ĐẦU Bài toán dự báo hạn mùa hiện đang là một trong những bài toán đƣợc quan tâm trên thế giới cũng nhƣ trong khu vực bởi những ứng dụng thiết thực đối với đời sống xã hội. Cụ thể trong dự báo hạn mùa, phƣơng pháp đƣợc quan tâm nhiều hiện nay là phƣơng pháp mô hình động lực, thay thế cho phƣơng pháp thống kê đƣợc phát triển mạnh những năm trƣớc 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 hƣớng 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 nhƣng vẫn còn nhiều câu hỏi cần đƣợc 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 đƣa ra các sản phẩm dự báo và đánh giá cho khu vực Việt Nam. Mô hình khu vực đƣợc 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. Trƣớc đó, khả năng mô phỏng của RegCM3 với các sơ đồ đối lƣu khác nhau cũng đƣợc đánh giá với kết quả trong giai đoạn 10 năm. Luận văn đƣợc bố cục thành 3 chƣơng, ngoài mở đầu, kết luận và tài liệu tham khảo nhƣ sau: Chƣơng 1: Tổng quan Chƣơng 2: Phƣơng pháp nghiên cứu Chƣơng 3: Kết quả và nhận xét 9
  10. Chƣơng 1 TỔNG QUAN Dự báo hạn mùa hiện nay đang là một trong những bài toán đƣợc quan tâm đặc biệt, không chỉ trong nghiên cứu mà còn đƣợc 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 nhƣ góp phần đƣa ra những dự báo đáng tin cậy về sản lƣợng vụ mùa ở Châu Âu [12] hay miền tây Ấn Độ [13], hơn thế nữa là trong lĩnh vực y tế nhƣ việc dự báo sự lan truyền của dịch sốt rét [38]. Chƣơng 1 sẽ trình bày tổng quan các nghiên cứu trên thế giới và trong nƣớc về dự báo hạn mùa, để có đƣợc những khái niệm cơ bản cũng nhƣ một vài nét về sự phát triển của dự báo hạn mùa. Từ đó, mục tiêu cũng nhƣ ý nghĩa bài toán đƣợc giải quyết trong khuôn khổ luận văn sẽ đƣợc chỉ rõ. 1.1 Các nghiên cứu trên thế giới Đến với bài toán dự báo hạn mùa, trƣớc hết, cần có cái nhìn khái quát về khái niệm của dự báo hạn mùa, cũng nhƣ về các trung tâm đƣa ra sản phẩm dự báo hạn mùa, đƣợc bổ nhiệm chính thức bởi Tổ chức Khí tƣợng Thế giới (WMO). Nghiệp vụ dự báo hiện nay có 3 lớp bài toán dự báo, bao gồm dự báo thời tiết, dự báo tháng và dự báo mùa. Đối với dự báo thời tiết, thông thƣờng hạn dự báo khoảng 3–5 ngày (hạn ngắn – Short range forecast) và tối đa khoảng 5–10 ngày (hạn vừa – Medium range forecast). Dự báo thời tiết cần phải chỉ ra đƣợc trạng thái của khí quyển tại một địa điểm cụ thể, vào những thời điểm cụ thể (từng ngày, thậm chí từng giờ) trong thời hạn dự báo. Khác với dự báo thời tiết, dự báo mùa không chỉ ra trạng thái khí quyển vào những thời điểm cụ thể đến từng ngày, thay vào đó là thông tin chung về điều kiện khí quyển trong từng khoảng thời gian nhất định (chẳng hạn từng tháng, từng mùa – ba tháng) trong thời hạn dự báo. Dự báo mùa, hay dự báo hạn mùa (Seasonal forecast), hay dự báo khí hậu hạn mùa (Seasonal Climate forecast) có hạn dự báo đến tối đa (hiện nay) là một năm [35]. 10
  11. Bên cạnh đó, theo WMO [44], với bài toán dự báo thời tiết, dự báo quy mô lớn hơn 10 ngày trong tƣơng lai đƣợc coi là dự báo hạn dài, mặt khác trong dự báo khí hậu, dự báo hạn dài nói chung quan tâm ở quy mô mùa. Dự báo hạn dài đƣợc mở rộng từ hạn 30 ngày cho đến 2 năm, trong đó bao gồm các mô tả quy mô mùa (seasonal outlook) đƣợc định nghĩa là việc chỉ ra các tham số trung bình của thời tiết thông qua độ lệch so với giá trị trung bình khí hậu của mùa đó [30]. Khái niệm mùa có thể hiểu theo mùa thiên văn (xuân, hạ, thu, đông) và cũng có thể có khái niệm khác ở vùng nhiệt đới (mùa mƣa, mùa khô). Trong thực tế, dự báo hạn mùa (seasonal forecasting) đƣợc xét từ quy mô tháng cho đến 1 năm (với các hạn phổ biến là 1, 3, 6, 9 tháng) nhằm đƣa 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 tƣơng tác giữa khí quyển và đại dƣơng [44]. Hiện tại, với những hiểu biết của chúng ta về các quá trình tƣơng 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 nhƣ tạo ra những tiến bộ trong dự báo hạn mùa. Để hiểu đƣợc cơ sở vật lý của dự báo hạn mùa, chúng ta cần hiểu các nhân tố tạo ra các đặc trƣng khí hậu của 1 năm khác biệt so với các năm khác. Vì vậy, chúng ta cũng cần nắm đƣợc 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 trƣng khí hậu thay đổi từ năm này qua năm khác là sự biến đổi của nhiệt độ mặt nƣớc biển toàn cầu (SST). Dị thƣờng nhiệt độ bề mặt biển ở khu vực nhiệt đới là đặc biệt quan trọng bởi vì đối lƣu sâu trong khí quyển miền nhiệt đới, tác động lớn đến hoàn lƣu toàn cầu, lại rất nhạy cảm với SST bên dƣới. Ở một số nơi khác nhƣ Châu Âu và Tây Phi, SST của khu vực cũng đƣợc coi là nhân tố quan trọng. Đối với khu vực nhiệt đới, đặc biệt là khu vực Thái Bình Dƣơng xích đạo, khả năng dự báo SST đƣợc nâng cao nhờ có các quá trình khác. Trong đó, ENSO là hiện tƣợng đƣợc quan tâm nghiên cứu và có tác động nhiều nhất đến các quá trình làm thay đổi SST. Dự báo hiện tƣợng ENSO, 11
  12. theo quy mô tháng và năm, đã hỗ trợ tốt hơn cho dự báo hạn mùa ở nhiều nơi trên thế giới. Bề mặt đất của trái đất cũng có thể ảnh hƣởng đến khí quyển trên quy mô mùa, trong đó độ ẩm đất đóng vai trò quan trọng, cũng nhƣ 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 trong độ ẩm đất có khoảng thời gian quy mô từ tháng đến năm. Koster (2004) [27] đã sử dụng mô hình bề mặt đất (LSM) kết hợp với trƣờng toàn cầu trạng thái thực (của các biến giáng thủy, bức xạ và các trƣờng khí tƣợng bề mặt) để có đƣợc các trƣờng mới về độ ẩm đất, nhiệt độ và các trạng thái đất khác. Sau đó, tác giả đã sử dụng các trƣờng này làm điều kiện ban đầu cho dự báo giáng thủy và nhiệt độ bằng mô hình hoàn lƣu chung khí quyển (AGCM). Sự cải thiện trong kết quả đã đƣợc kiểm định với việc thực hiện dự báo lại ở quy mô tháng (từ tháng 5 đến tháng 9, 1979-93) với hệ thống dự báo hạn mùa của Mô hình toàn cầu của NASA (GMAO). Với 75 dự báo riêng biệt, kết quả đã cung cấp cơ bản đầy đủ về mặt thống kê cho việc đánh giá sự cải thiện trong kĩ năng dự báo liên quan đến việc ban đầu hóa điều kiện bề mặt đất. Đánh giá kĩ năng đƣợc tập trung cho khu vực Đồng bằng lớn của Bắc Mỹ, khu vực có nguồn số liệu về điều kiện đất ban đầu đáng tin cậy và có sự ảnh hƣởng lớn của điều kiện độ ẩm đất tới các nhiễu động khí quyển trong việc phát triển các trƣờng khí tƣợng. Nghiên cứu đã chỉ ra ban đầu hóa đất tác động nhỏ nhƣng là có thể nhận thấy cho sự cải thiện của dự báo nhiệt độ và lƣợng mƣa của khu vực này. Đối với giáng thủy, sự phát triển trong kĩ năng dự báo xuất hiện rõ nét vào tháng 5 đến tháng 7, trong khi đó với nhiệt độ không khí, là tháng 8 và tháng 9. Cả ban đầu hóa đất và khí quyển đều chi phối một cách độc lập đến kĩ năng thực của dự báo nhiệt độ hàng tháng, với kĩ năng lớn nhất nhận đƣợc từ việc ban đầu hóa là khi kết hợp 2 nguồn này. Việc dự báo hạn dài chính xác các nhân tố khí hậu (nhiệt độ, lƣợng mƣa, trên hay dƣới chuẩn ) có những tiềm năng ứng dụng rất lớn, ví dụ những dự báo này có thể cung cấp thông tin cần thiết cho những quyết định dài hạn và cảnh báo sớm các thiên tai có thể xảy ra. Một lƣu ý là mức độ tin cậy của bất kỳ dự báo nào cũng 12
  13. phụ thuộc vào khả năng nắm bắt chính xác đến đâu của chúng khi so sánh với trung bình khí hậu. Cụ thể là dự báo chỉ đƣợc chấp nhận nếu chúng chính xác hơn và cung cấp nhiều thông tin hơn so với kinh nghiệm về khí hậu mà vẫn đƣợc sử dụng để đánh giá và đƣa ra các quyết định trƣớc đây. Có hai cách tiếp cận dự báo hạn mùa là dự báo bằng phƣơng pháp thống kê và phƣơng pháp mô hình động lực (dự báo sử dụng các mô hình số trị). Phương pháp thống kê là phƣơng pháp đơn giản nhất để dự báo dị thƣờng 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 tƣơng lai với đặc tính khí hậu hiện tại. Những dị thƣờng biến đổi chậm và có quy mô lớn của khí hậu (ví dụ nhƣ SST) có thể tồn tại trong nhiều tháng, và có thể tác động làm thay đổi hình thế hoàn lƣu chung khí quyển và từ đó sai lệch so với trạng thái trung bình của hoàn lƣu khí hậu địa phƣơng. Ban đầu, hƣớng tiếp cận này không mấy thành công, nhƣng sự tăng cƣờng hiểu biết về hiện tƣợng ENSO và các hình thế tác động khác giúp cho phƣơng pháp này đáng tin cậy hơn. Điểm mạnh của phƣơng pháp này là tƣơng đối dễ áp dụng bởi vì hầu nhƣ phụ thuộc vào thống kê khí hậu và sử dụng tài nguyên máy tính khiêm tốn. Đƣơng nhiên, vẫn tồn tại những hạn chế. Các mô hình thống kê thƣờng 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 nhƣ động lực học nằm ẩn bên trong. Điều này có nghĩa là phƣơng pháp hiệu quả khi sự phát triển quy mô lớn là rõ rệt và theo một hƣớng nhƣng rất khó để lƣờng trƣớc những sự chuyển pha, ví dụ nhƣ từ nóng sang lạnh và ngƣợc lại. Và cuối cùng, phƣơng pháp thƣờng không nắm bắt đƣợc 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 lƣu chung khí quyển. Trong một dạng của hƣớng tiếp cận này, bƣớc đầu tiên là dự báo sự phát triển của SST trong vùng nhiệt đới Thái Bình Dƣơng. Các dự báo có thể dựa trên mô hình khu vực mà coi sự phát triển trong vùng đại dƣơng nhiệt đới là cô lập. Khi mô hình đƣa ra dự báo về Thái Bình Dƣơng, có thể trong một năm tới, hình thế dự báo của SST sẽ đƣợc sử dụng 13
  14. tác động đến mô hình hoàn lƣu chung khí quyển để dự báo thời tiết toàn cầu phản ứng ra sao. Những dự báo mùa đã cho các kết quả đầy hứa hẹn, đặc biệt là khu vực nhiệt đới. Sự phát triển của các dự báo này đƣợc xây dựng dựa trên những điểm mạnh của mô hình và những quan trắc ngày càng tốt hơn ở khu vực Thái Bình Dƣơng xích đạo. Sự phát triển đáng kể hiện tại đã tạo ra một hệ thống tƣơng tác đầy đủ trong đó thành phần đại dƣơng, khí quyển và mặt đất của mô hình tƣơng tác liên tục với nhau để cho ra các bản tin dự báo đến vài tháng. Với sự phát triển nhƣ vậy, hiện nay WMO đã thiết lập đƣợc các nguồn cung cấp sản phẩm dự báo hạn dài. Các quá trình dự báo hạn dài dựa trên nền tảng máy tính (quy mô từ 30 ngày đến 2 năm) trên quy mô toàn cầu đòi hỏi lƣợng lớn tài nguyên máy tính cùng với những hiểu biết đặc biệt. Vì lý do này, chỉ có một vài trung tâm trên thế giới cung cấp các bản tin dự báo khí hậu hạn dài toàn cầu. Những dịch vụ cung cấp bởi các trung tâm này đƣợc biết đến với tên gọi Trung tâm sản phẩm toàn cầu cho dự báo hạn dài (GPCs) đƣa ra điều kiện cơ bản cho dự báo khí hậu và thời tiết ở quy mô khu vực/địa phƣơng và đƣợc sử dụng ở các trung tâm dự báo khu vực và địa phƣơng. Từ đó, dự báo hạn dài ở quy mô khu vực đƣợc cung cấp bởi cả Các trung tâm khí hậu khu vực (RCCs) cũng nhƣ các Diễn đàn về dự báo mùa khu vực (RCOFs). Cũng nhƣ GPCs, RCCs và RCOFs sử dụng số liệu đƣợc hỗ trợ bởi các mô hình số trị để phát triển các dự báo chi tiết thích hợp cho khu vực riêng. Những mô hình và dự báo này sau đó đƣợc sử dụng bởi các trung tâm dự báo để tạo ra các dự báo quốc gia và địa phƣơng chính xác và tốt hơn. Năm 2006, WMO bắt đầu chính thức bổ nhiệm các trung tâm đƣa ra các bản tin dự báo mùa toàn cầu đƣợc gọi là Trung tâm sản phẩm toàn cầu cho dự báo hạn dài (GPCs), một thành phần của Hệ thống Xử lý số liệu và Dự báo toàn cầu (GDPFS) [30]. Các trung tâm này cần cung cấp tối thiểu: o Dự báo giá trị trung bình, tích lũy hoặc tần suất với thời hạn 1 tháng hoặc lâu hơn; đặc trƣng là dị thƣờng phân vị trung bình 3 tháng với định dạng chuẩn cho dự báo mùa. Các dự báo thƣờng biểu diễn dƣới dạng xác suất. o Thời trễ dự báo (leadtime): từ 0 đến 4 tháng. 14
  15. o Tần suất phát báo: hàng tháng hoặc ít nhất là theo quý 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, lƣợng mƣa, SST, MSLP, độ cao 500hPa, nhiệt độ 850hPa o Đánh giá kĩ năng dự báo hạn dài, sử dụng quy chuẩn của SVSLRF. 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 tƣợng Úc (Bureau of Meteorology, Australia); Cơ quan khí tƣợng 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 tƣợng Nhật Bản (Japan Meteorological Agency/Tokyo Climate Centre) Mặt khác, nổi bật lên hiện nay, khi quan tâm đến dự báo hạn mùa đáng lƣu 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 dƣơng-đất-khí quyển, đã đƣợc đƣa vào nghiệp vụ tại NCEP từ tháng 8 năm 2004 [32]. Hệ thống CFS cung cấp 15
  16. những lợi thế quan trọng trong việc dự báo hạn mùa nghiệp vụ. Lần đầu tiên trong lịch sử dự báo nghiệp vụ của nƣớc Mỹ, một hệ thống mô hình động lực có kĩ năng tốt có thể so sánh đƣợc với phƣơng pháp thống kê hiện đang sử dụng ở Trung tâm Dự báo Khí hậu của NCEP (CPC). Điều này thể hiện sự tiến bộ đáng kể so với các hệ thống mô hình động lực trƣớc đây đƣợc sử dụng ở NCEP. Hơn thế nữa, kĩ năng đƣợc cung cấp bởi CFS (theo không gian và thời gian) cũng đã hoàn thiện kĩ năng của phƣơng pháp thống kê. Thành phần khí quyển của CFS là phiên bản độ phân giải thấp hơn (T62L64) của Hệ thống Dự báo Toàn cầu (GFS) đã đƣợc chạy nghiệp vụ ở NCEP từ năm 2003. Thành phần đại dƣơng là GFDL Modul Mô hình đại dƣơng phiên bản 3 (MOM3) thay cho MOM1 trƣớc đây. Một số cải tiến quan trọng của hệ thống CFS so với hệ thống động lực trƣớc đây bao gồm: (1) sự kết hợp giữa khí quyển và đại dƣơng mở rộng hầu hết toàn cầu từ 64N-74S (trƣớc đây chỉ có khu vực Thái Bình Dƣơng nhiệt đới) (2) hệ thống CFS đƣợc kết hợp đầy đủ không có hiệu chỉnh dòng (khác với trƣớc đây có hiệu chỉnh dòng và sai số) và (3) một bộ đầy đủ kết quả dự báo lại của 24 năm (1981-2004) với 15 dự báo cho từng tháng chạy cho 9 tháng, đã đƣợc cung cấp cùng với CFS. Bộ số liệu dự báo lại của 24 năm này đặc biệt quan trọng trong việc đánh giá kĩ năng dự báo của hệ thống khi chạy nghiệp vụ, đồng thời cung cấp thông tin quý báu cho việc nghiên cứu sự tƣơng tác của các quá trình khí quyển-đất-đại dƣơng. CFS có sai số nhỏ chấp nhận đƣợc trong dự báo SST vùng nhiệt đới và kĩ năng dự báo Nino 3-4 SST có thể so sánh đƣợc với phƣơng pháp thống kê. Tuy vậy, kĩ năng dự báo SST vùng vĩ độ trung bình (trƣớc đây không có) kém hơn nhiều so với khu vực nhiệt đới và ở các thời trễ dự báo dài hơn thì chỉ có kĩ năng vào mùa đông. Kĩ năng dự báo tháng và mùa của nhiệt độ và lƣợng mƣa khu vực đất liền Bắc Bán cầu, cụ thể nhƣ Mỹ, còn khiêm tốn, nhƣng vẫn so sánh đƣợc với phƣơng pháp thống kê trƣớc đây. Kĩ năng của lƣợng mƣa chủ yếu tốt vào mùa đông (liên quan đến ENSO), trong khi kĩ năng của nhiệt độ chủ yếu tốt vào mùa hè khi dị thƣờng độ ẩm đất có tác dụng sử dụng. 16
  17. Gần đây, CFS đã phát triển phiên bản 2 với dự báo tổ hợp. Dự báo sử dụng 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 thƣờng đƣợc tính so với sản phẩm dự báo lại giai đoạn 1981-2008. Tƣơng quan theo thời gian dựa vào dự báo lại cho giai đoạn 1981-2006 và số liệu quan trắc đƣợc sử dụng để đánh giá kĩ năng cho dị thƣờng không gian. Độ lệch chuẩn đƣợc 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 tƣơng ứng. Ở Châu Âu, một dự án khác cũng đáng lƣu ý là DEMETER, dự án đƣợc Liên minh Châu Âu tài trợ để tạo bộ số liệu dự báo lại bằng phƣơng pháp tổ hợp đa mô hình bao gồm 7 mô hình với 9 thành phần tổ hợp mỗi mô hình, đã đƣợc đánh giá sử dụng bộ số liệu tái phân tích ERA40 và số liệu mƣa GPCP [31]. Các mô hình này từ các trung tâm khí hậu của Châu Âu đƣợc viết tắt là: CERFACS, ECMWF, INGV, LODYC, METEO-FRANCE, MPI và UKMO. Sản phẩm đầu ra của DEMETER đƣợc downscale cho phù hợp để ứng dụng vào việc dự báo sản lƣợng mùa màng và dịch sốt rét. Kết quả cho thấy việc tổ hợp đa mô hình là một hƣớng tiếp cận khả thi khi quan tâm đến độ bất định của mô hình trong dự báo mùa và nhiều năm, đồng thời đƣa 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 lƣợng mƣa 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 cho 30 ngày đầu tiên). Ở những thời trễ dự báo dài, chỉ có khu vực Thái Bình Dƣơng xích đạo cho thấy kĩ năng đáng kể. Điều này có thể ảnh hƣởng trong việc sử 17
  18. dụng các sản phẩm dự báo mùa trong các dịch vụ khí hậu và kết quả này cũng có thể đƣợc coi nhƣ tiêu chuẩn của khả năng dự báo khí hậu hiện tại sử dụng các mô hình động lực. Các mô hình của DEMETER đƣợc khởi tạo chạy vào 01 tháng II, 01 tháng V, 01 tháng 8 và 01 tháng XI để đánh giá sự phụ thuộc quy mô mùa của các dự báo lại và tích phân cho 180 ngày. Cùng giai đoạn nghiên cứu, CFS với 15 dự báo lại (9 tháng) khởi tạo mỗi tháng đƣợc sử dụng để đánh giá. Thời kì chung của DEMETER và CFS là 1981-2001 (21 năm). Nhiệt độ 2m ở độ phân giải 2.5x2.5 từ số liệu tái phân tích ERA40 và lƣợng mƣa quan trắc trung bình tháng ở độ phân giải 1.0x1.0 từ Trung tâm mƣa khí hậu toàn cầu (GPCC) đƣợc sử dụng làm số liệu để so sánh. Lƣợng mƣa đƣợc đƣa về lƣới 2.5 để khớp với độ phân giải của dự báo lại. Ở đây, tác giả thực hiện 2 phép đánh giá: (1) đánh giá so sánh trung bình tổ hợp các mô hình với số liệu quan trắc, đây đƣợc coi là đáng giá với khí quyển thực và (2) đánh giá với khí quyển lý tƣởng, với giả thiết là một thành phần của tổ hợp đƣợc coi là “thật” và trung bình các thành phần còn lại là “dự báo”. Phƣơng pháp sử dụng chính là dùng hệ số tƣơng quan (tuyến tính). Đến đây, chúng ta đã điểm qua một số các nghiên cứu cũng nhƣ các dự án và sự phát triển các trung tâm dự báo hạn mùa trên thế giới. Các khái niệm và lƣu ý cơ bản khi đề cập đến bài toán dự báo hạn mùa cũng đã đƣợc nêu ra. Tiếp theo, chúng ta sẽ tìm hiểu một số các nghiên cứu trong nƣớc. 1.2 Các nghiên cứu trong nước Trong những năm vừa qua, Viện Khoa học Khí tƣợng Thủy văn và Môi trƣờng đã đƣa vào hệ thống nghiệp vụ dự báo dị thƣờng tổng lƣợng mƣa mùa và nhiệt độ trung bình trên cơ sở phƣơng pháp thống kê. Kết quả đƣợc biên tập thành “Thông báo và dự báo khí hậu” ra hàng tháng và đƣợc cập nhật thƣờng xuyên lên website của Viện ( Các thông báo này tổng kết diễn biến khí hậu 3 tháng trƣớc đó và đƣa ra dự báo khí hậu cho 3 tháng tiếp theo. Diễn biến khí hậu đƣợc xem xét trên cả quy mô toàn cầu và Việt Nam với các biến nhiệt độ, mƣa, nắng, bốc hơi, chỉ số ẩm và một số hiện tƣợng thời tiết đặc biệt. Dự báo khí hậu 3 18
  19. tháng bao gồm các nhận định chung về diễn biến khí hậu thế giới và khu vực (hiện tƣợng ENSO) và dự báo khí hậu cho Việt Nam (nhiệt độ, lƣợng mƣa, xoáy thuận nhiệt đới và không khí lạnh) [5]. Năm 2009, Phan Văn Tân (cùng cs.) [2] cũng đã thử nghiệm bƣớc đầu ứng dụng mô hình khí hậu khu vực RegCM3 để dự báo nhiệt độ trung bình tháng và tổng lƣợng mƣa 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 trƣờng dự báo của RegCM-CAM đã đƣợc đánh giá bằng cách so sánh với sản phẩm mô phỏng tƣơng ứng của RegCM3 với đầu vào là số liệu tái phân tích ERA40 và nhiệt độ mặt nƣớc biển phân tích OISST (RegCM-ERA). Kết quả dự báo nhiệt độ và lƣợng mƣa của RegCM-CAM còn đƣợc so sánh trực tiếp với số liệu phân tích CRU (nhiệt độ) và CMAP (lƣợng mƣa), và đánh giá định lƣợng cho khu vực Việt Nam bằng cách nội suy về vị trí trạm và so sánh với số liệu quan trắc từ mạng lƣới trạm khí tƣợng thông qua các chỉ số thống kê. Kết quả nhận đƣợc cho thấy, về cơ bản các trƣờng nhiệt độ và lƣợng mƣa dự báo của RegCM-CAM phù hợp tốt với sản phẩm mô phỏng của RegCM-ERA cũng nhƣ với các trƣờng phân tích CRU, CMAP. Trên khu vực Việt Nam, RegCM-CAM thƣờng 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 lƣợng mƣa 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 lƣợng mƣa của RegCM-CAM cho tháng 6/1996 là hợp lý nhất. Trƣớc đó, trong đề tài “Xây dựng một số phƣơng pháp dự báo hạn vừa, hạn dài nhiệt độ mùa đông và mƣa mùa hè khu vực phía bắc Việt Nam”, Phạm Đức Thi (cùng cs.) [4] đã xây dựng các phƣơng pháp dự báo nhiệt độ trung bình tháng và mùa đối với mùa đông. Nhóm tác giả cố gắng tìm các dấu hiệu để phát hiện những mùa đông có dao động nhiệt độ mang tính chất dị thƣờng. Đồng thời, đề tài cũng xây dựng các chỉ tiêu dự báo hạn vừa các đợt không khí lạnh, và các đợt rét đậm, rét hại, dự báo dài hạn thời kì xuất hiện đợt rét đậm đầu tiên trong mùa đông ở khu vực 19
  20. phía bắc Việt Nam. Đối với mùa hè, phƣơng pháp dự báo chuẩn sai lƣợng mƣa tháng và mùa, dự báo lƣợng mƣa cũng nhƣ các chỉ tiêu dự báo hạn vừa thời kì xuất hiện các đợt mƣa thời kì đầu mùa mƣa ở đồng bằng và trung du Bắc Bộ cũng đƣợc xây dựng. Số liệu trạm Láng (Hà Nội) trong 91 năm (1898-1989) đƣợc sử dụng cho mùa đông. Tác giả sử dụng chỉ tiêu K=deltaT/sigma >= 1 (giá trị chuẩn sai nhiệt độ trung bình từng mùa từng tháng/độ lệch chuẩn) để đánh giá. Tháng đƣợc coi là tháng rét đậm hay ấm đậm trong mùa đông khi giá trị tuyệt đối của chuẩn sai nhiệt độ trung bình tháng đó bằng hoặc lớn hơn giá trị độ lệch tiêu chuẩn. Mùa đông đƣợc coi là rét đậm hay ấm đậm khi giá trị tuyệt đối chuẩn sai nhiệt độ trung bình ba tháng (12, 1, 2) bằng hoặc lớn hơn giá trị sigma của nhiệt độ 3 tháng đó. Rét hại hay ấm hại lấy ngƣỡng 1.5. Bên cạnh đó, tác giả cũng đƣa ra các nhận xét về các mùa đông lạnh kỷ lục (1982/83, 1983/84). Như vậy, qua tổng quan các nghiên cứu trong và ngoài nƣớc về bài toán dự báo hạn mùa, có thể nhận thấy 2 điểm cần lƣu ý. Thứ nhất, về mặt phƣơng pháp, hiện nay phƣơng pháp mô hình động lực tỏ ra có ƣu thế hơn và đƣợc phát triển ngày càng hoàn thiện hơn. Phƣơng pháp thống kê, tuy có ƣu điểm không yêu cầu cao về mặt tài nguyên tính toán, nhƣng cũng có nhiều nhƣợc điểm. Trong đó, việc không tính đến mối quan hệ vật lý giữa các biến đƣợc dự báo, không nắm bắt đƣợc những phát triển đột biến của khí quyển cũng nhƣ việc phụ thuộc nhiều vào nguồn số liệu điểm trạm vốn không đầy đủ ở nhiều khu vực, là những khuyết điểm chính. Phƣơng pháp mô hình động lực, tuy cần tài nguyên tính toán lớn, cả về tài nguyên máy tính và nguồn nhân lực, nhƣng lại giải quyết đƣợc hầu hết các hạn chế trên của phƣơng 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 phƣơng pháp thống kê. Trong khi đó, những năm gần đây, có không ít các mô hình khí hậu khu vực đã đƣợc thử nghiệm cho khu vực Việt Nam [3]. Từ đó, tác giả nhận thấy việc hƣớng 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 hƣớng đi có ý nghĩa và cần thiết. Trƣớc hết là khai thác phƣơng pháp mô hình động lực cho bài 20
  21. toán dự báo mùa ở Việt Nam, hơn thế nữa nếu kết quả khả quan, có thể ứng dụng tốt cho các bài toán sau này nhƣ thống kê trên sản phẩm mô hình hay dự báo tổ hợp. Để giải quyết hƣớng đi này, tác giả tập trung vào hai khía cạnh. Đầu tiên là khảo sát đƣợc 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 trƣờng khí quyển thực, đƣợc coi là trƣờng “dự báo hoàn hảo”, đồng thời với các tham số hóa đối lƣu khác nhau, khả năng mô phỏng của RegCM3 sẽ nhƣ 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 đƣa ra các sản phẩm dự báo bƣớc đầu. Mô hình toàn cầu đƣợc sử dụng ở đây là hệ thống mô hình CAMSOM. Các kết quả đƣợc đánh giá so sánh với số liệu quan trắc, cả trên quy mô lƣới và điểm trạm. Chi tiết việc thiết kế các thí nghiệm cũng nhƣ mô hình đƣợc sử dụng và các nguồn số liệu sẽ đƣợc trình bày trong chƣơng 2 tiếp sau đây. 21
  22. Chƣơng 2 PHƢƠNG PHÁP NGHIÊN CỨU Trong chƣơng 1, ý nghĩa thực tiễn và khoa học của bài toán dự báo hạn mùa bằng mô hình khí hậu khu vực đã đƣợc chỉ ra. Để cụ thể hóa bài toán nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực dự báo hạn mùa ở Việt Nam trong khuôn khổ luận văn này, chƣơng 2 sẽ trình bày việc thiết kế các thí nghiệm sẽ đƣợc thực hiện. Mô hình khí hậu khu vực RegCM phiên bản 3 và hệ thống mô hình kết hợp CAM-SOM là hai công cụ chính sẽ đƣợc ứng dụng để mô phỏng và dự báo hạn mùa cho khu vực Việt Nam. Sản phẩm đầu ra của CAM-SOM đƣợc sử dụng làm đầu vào (điều kiện ban đầu và điều kiện biên phụ thuộc thời gian) để chạy cho mô hình RegCM3. Các tùy chọn tham số hóa đối lƣu khác nhau đối với mô hình RegCM3 cũng đƣợc thử nghiệm khi chạy với số liệu tái phân tích nhằm đánh giá năng lực của mô hình trong trƣờng hợp điều kiện đầu vào (các trƣờng khí quyển) đƣợc xem là gần thực. 2.1 Sơ lược về mô hình khí hậu khu vực RegCM3 Hiện nay, mô hình khí hậu khu vực RegCM đã đƣợc ứng dụng để nghiên cứu khí hậu quá khứ, hiện tại và tƣơng lai tại nhiều nơi khác nhau trên thế giới, từ Châu Mỹ, Châu Âu đến Châu Á, Châu Phi [21] [34] [9] [37]. Phiên bản NCAR RegCM (NCAR Regional Climate Model) đầu tiên đƣợc xây dựng dựa trên MM4 (Mesoscale Model Version 4) của Trung tâm quốc gia nghiên cứu khí quyển (NCAR) và Trƣờng đại học Tổng hợp Pennsylvania (PSU), Hoa Kỳ, vào cuối những năm 1980 [18] [16]. Phiên bản RegCM đầu tiên đã đƣa vào sơ đồ trao đổi sinh khí quyển (Biosphere Atmosphere Transfer Scheme BATS) để biểu diễn các quá trình bề mặt và sơ đồ truyền bức xạ của NCAR CCM phiên bản 1 (CCM1). Tiếp sau đó, kết quả của những cải tiến quan trọng về vật lý và các sơ đồ số hóa của RegCM đã dẫn đến sự hình thành phiên bản thứ hai của RegCM, gọi là RegCM2 [19] [20]. Và phổ biến nhất hiện nay là RegCM phiên bản 3 (RegCM3) với những cải tiến và bổ sung đáng kể so với các phiên bản trƣớc [29]. Đó là những thay đổi 22
  23. trong vật lý mô hình bao gồm sơ đồ giáng thủy qui mô lƣới, các sơ đồ tham số hóa vật lý nhƣ sơ đồ tính các dòng từ bề mặt biển của Zeng, sơ đồ đối lƣu mây tích Betts, Mô hình RegCM3 sử dụng hệ tọa độ thẳng đứng thủy tĩnh theo địa hình, ký  (p p )/( p p ) hiệu là , đƣợc định nghĩa bởi t s t trong đó p là áp suất, pt là áp suất tại đỉnh mô hình, và ps là áp suất tại bề mặt.  bằng 0 tại đỉnh và bằng 1 tại bề mặt. Thông thƣờng, độ phân giải thẳng đứng trong lớp biên mịn hơn các lớp trên cao và số mực thay đổi tuỳ theo yêu cầu ngƣời sử dụng. Lƣới ngang có dạng xen kẽ Arakawa B (Hình 2.1). Các biến vô hƣớng (T, q, p, ) đƣợc xác định tại tâm các ô lƣới trong khi các thành phần vận tốc gió hƣớng đông (u) và hƣớng bắc (v) đƣợc xác định tại các nút lƣới. Vị trí tâm ô lƣới ký hiệu bằng dấu nhân, còn các nút lƣới đƣợc ký hiệu bằng dấu chấm tròn. Theo phƣơng thẳng đứng các biến vô hƣớng và thành phần gió ngang (u, v) đƣợc xác định tại mực giữa mỗi lớp, gọi là các mực phân, còn thành phần vận tốc thẳng đứng đƣợc xác định trên các mực nguyên (Hình 2.1). Hình 2.1 Cấu trúc lƣới thẳng đứng (bên trái) và lƣới ngang dạng xen kẽ Arakawa B (bên phải) của mô hình RegCM3 Hệ phƣơng trình cơ bản của RegCM3 bao gồm các phƣơng trình động lƣợng ngang, phƣơng trình liên tục, phƣơng trình nhiệt động học, phƣơng trình thủy tĩnh và phƣơng trình ẩm [29]. Về điều kiện ban đầu và điều kiện biên, mô hình khí hậu khu vực RegCM đƣợc xây dựng dựa trên nguyên tắc cân bằng giữa các quá trình 23
  24. qui mô lớn (thƣờng là các trƣờng khí tƣợng toàn cầu và đƣợc gọi là các trƣờng điều khiển), đƣợc cập nhật thƣờng xuyên theo thời gian trên vùng biên, với các quá trình qui mô khu vực (đƣợc xác định bởi động lực học và vật lý của chính mô hình khu vực) tại vùng biên xung quanh gọi là vùng đệm. Điều kiện ban đầu và điều kiện biên của mô hình đƣợc cung cấp bởi trƣờng điều khiển là số liệu tái phân tích hay trƣờng dự báo của GCM tuỳ theo mục đích mô phỏng hay dự báo. Mô hình sẽ cập nhật thông tin từ trƣờng điều khiển sau từng bƣớc thời gian tích phân. Giá trị biên tại mỗi bƣớc thời gian tích phân là giá trị nội suy từ các trƣờng điều khiển đƣợc cập nhật từng 3h, 6h hoặc 12h một. Mô hình RegCM cho phép chọn một trong các phƣơng pháp cập nhật biên là: (1) biên cố định, (2) biên biến đổi theo thời gian, (3) biên giả và (4) biên lỏng dần (hay biên giảm dƣ). Trên các vùng đại dƣơng, nhiệt độ mặt nƣớc biển (SST) đƣợc cung cấp nhƣ là điều kiện biên dƣới. Trên bề mặt đất, sơ đồ BATS1E khi chạy kết hợp (couple) sẽ cung cấp các dòng trao đổi đất khí quyển. Ngoài ra để chạy RegCM3 cần phải có độ cao địa hình, lớp phủ thực vật, đất và các tính chất vật lý của đất, Về tham số hóa đối lƣu, trong mô hình RegCM có thể sử dụng một trong ba tùy chọn sau đây để tính giáng thuỷ đối lƣu: (1) Sơ đồ Kuo sửa đổi; (2) Sơ đồ MIT Emanuel; và (3) Sơ đồ Grell. Trong đó, sơ đồ Grell có thể áp dụng với một trong hai giả thiết khép kín: (1) khép kín Arakawa và Schubert và (2) khép kín Fritsch và Chappell. 2.2 Hệ thống mô hình kết hợp CAM-SOM Mô phỏng và tính toán đầy đủ đặc tính ba chiều của hệ thống khí hậu là mục đích của các mô hình khí hậu toàn cầu (GCM), trong đó có tính đến ít nhất hai thành phần quan trọng là khí quyển và bề mặt bao gồm bề mặt đất và đại dƣơng. 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 dƣơng 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 trƣớc nhƣ là điều kiện biên dƣới trên biển (và 24
  25. thƣờng đƣợc ký hiệu là AGCM). Khi GCM có sự kết hợp đầy đủ các thành phần khí quyển – bề mặt đất và đại dƣơng nó đƣợc gọi là hệ thống mô hình kết hợp khí quyển – đại dƣơng và ký hiệu là AOGCM. Một trong những AOGCM đơn giản là mô hình trong đó thành phần đại dƣơng đƣợc đƣa vào nhƣ là một lớp nƣớc mỏng phía trên (SOM – Slab Ocean Model). SOM còn đƣợc gọi là mô hình “lớp xáo trộn” hoặc “lớp mỏng” do độ dày của lớp này tƣơng đƣơng với độ dày lớp xáo trộn trong đại dƣơng. Mô hình “lớp xáo trộn” biểu diễn đại dƣơng nhƣ là lớp nƣớc mỏng với độ sâu ấn định, thông thƣờng giữa 70 và 100m. Đôi khi độ sâu lớp xáo trộn có thể thay đổi theo địa hình, nhƣng thƣờng không chênh lệch nhiều trên toàn cầu. CAM (Community Atmosphere Model) là thành phần khí quyển trong mô hình hệ thống khí hậu CCSM (Community Climate System Model) trong đó kết hợp mô hình khí quyển với mô hình bề mặt đất CLM (Community Land Model). CAM-SOM là hệ thống kết hợp (couple) giữa CAM và SOM, là một AOGCM đơn giản sẽ đƣợc ứng dụng trong luận văn này. Sau đây sẽ trình bày tóm tắt hai thành phần của hệ thống CAM-SOM.  Mô hình CAM 3.0 Trung tâm Quốc gia Nghiên cứu Khí quyển Hoa Kỳ (NCAR) đã phát triển mô hình khí quyển toàn cầu ba chiều nghiên cứu và tìm hiểu khí hậu Trái đất trong nhiều năm. Mô hình đƣợc thiết kế để làm một công cụ của cộng đồng nên có tên là Mô hình Khí hậu Cộng đồng (CCM - Community Climate Model). Phiên bản gốc của Mô hình Khí hậu Cộng đồng NCAR là CCM0A [39] và CCM0B [40], đƣợc dựa trên mô hình phổ của Australia [33], [34] và một phiên bản của mô hình phổ ECMWF [6]. Trải qua thế hệ thứ hai của Mô hình Cộng đồng, CCM1, đƣợc ban hành năm 1987 [41], [7], [42], thế hệ thứ 3 của Mô hình Khí hậu Cộng đồng ra đời vào tháng 10 năm 1992 [8], [22] và đến CCM3 là thế hệ thứ tƣ của Mô hình Khí hậu Cộng đồng NCAR [26]. Hiện nay, CAM 3.0 đã là thế hệ thứ 5 của mô hình khí quyển toàn cầu NCAR [14]. Tên của mô hình thay đổi từ Mô hình Khí hậu Cộng 25
  26. đồng sang Mô hình Khí quyển Cộng đồng, thể hiện vai trò của CAM 3.0 trong hệ thống khí hậu kết hợp đầy đủ CCSM (Community Climate System Model). Mô hình CAM 3.0 có ba dạng nhân động lực: (1) động lực Ơle, (2) động lực bán-Lagrangian, (3) động lực thể tích hữu hạn, và hệ tọa độ thẳng đứng lai [14]. Hệ tọa độ thẳng đứng lai đƣợc phát triển với mục đích cung cấp khung áp dụng chung cho trục tọa độ thẳng đứng, trong đó bám sát theo địa hình gần bề mặt Trái đất và trở thành hệ tọa độ áp suất ở những lớp trên. Trong CAM 3.0, hệ tọa độ lai đƣợc biểu diễn nhƣ sau: Nếu áp suất bề mặt là , thì trục tọa độ thẳng đứng  p, thỏa mãn:  p, là hàm đơn của p  ,1 (2.1)  0, 0 p ,  tt trong đó pt là đỉnh mô hình Trong trƣờng hợp pt=0 thì 2 điều kiện cuối là đồng nhất và hệ tọa độ trở thành hệ đƣợc miêu tả trong Simmons và Strüfing (1981) [33]. Điều kiện biên cần để khép kín hệ là: (2.2)  ,0  p, w ( p ) 0 (2.3) tt Với các mô tả trên của hệ tọa độ, hệ các phƣơng trình liên tục có thể viết lại theo Kasahara (1974) [25] và Simmons và Strüfing (1981) [33]. Tham số hóa vật lý trong CAM 3.0 bao gồm một chuỗi các thành phần, đƣợc minh họa bởi: P = {M, C, R, S, T}, trong đó M biểu thị quá trình giáng thủy (Moist), C biểu thị mây (Cloud), R biểu thị bức xạ (Radiation), S biểu thị mô hình đất (Surface model), và T biểu thị xáo trộn rối (Turbulent mixing). Mỗi thành phần trên lần lƣợt lại đƣợc chia nhỏ thành các thành phần con khác nhau. 26
  27. Hình 2.2 Mô tả hệ toạ độ lai thẳng đứng trong CAM 3.0  Mô hình SOM Cấu hình hiện tại của mô hình đại dƣơng lớp mỏng SOM cho phép có quá trình tƣơng tác đầy đủ ở bề mặt với CAM 3.0. Biến dự báo cho đại dƣơng là nhiệt độ lớp xáo trộn T0. Lớp xáo trộn đại dƣơng có nguồn nội nhiệt Q (còn gọi là thông lƣợng Q), biểu diễn trao đổi nƣớc sâu theo mùa và vận chuyển nhiệt đại dƣơng phƣơng ngang. Ví dụ, nếu sử dụng nhiệt độ bề mặt và phân bố băng biển cho trƣớc, thông lƣợng thuần năng lƣợng bề mặt trên mặt biển có thể đƣợc tính toán để tính nguồn nhiệt Q. Trao đổi thêm của nhiệt xuất hiện giữa lớp xáo trộn và mô hình băng biển khi băng đƣợc hình thành và tan rã. Công thức tổng quát cho mô hình đại dƣơng lớp mỏng mở đƣợc đƣa ra bởi Hansen và CS (1984) [23] với một số thay đổi cho phép có tỉ lệ phủ băng biển. Phƣơng trình điều khiển nhiệt độ T0 lớp xáo trộn đại dƣơng là: T0 0C 0 h 0 (1 A ) F Q AFoi (1 A ) F frz (2.4) t 27
  28. trong đó T0 là nhiệt độ lớp xáo trộn đại dƣơng, 0 là mật độ của của nƣớc trong đại dƣơng, C0 là nhiệt dung của nƣớc biển, h0 là độ sâu trung bình năm của đại dƣơng (m), A là tỉ lệ của đại dƣơng đƣợc phủ bởi băng biển, F là thông lƣợng nhiệt thuần từ khí quyển xuống đại dƣơng (Wm-2), Q là thông lƣợng nhiệt trong lớp -2 -2 xáo trộn (Wm ), Foi là nhiệt trao đổi với băng biển (Wm ), và Ffrz là nhiệt nhận -2 đƣợc khi băng biển phát triển trên vùng nƣớc mở (Wm ). và C0 là các hằng số. Hình 2.3 Sơ đồ mô tả các mô hình thành phần của CAM-SOM Nhƣ vậy, CAM 3.0 đƣợc phát triển là mô hình khí hậu thành phần khí quyển, một trong bốn thành phần của CCSM (bao gồm mô hình khí quyển, mô hình đại dƣơng, mô hình đất và mô hình băng biển). CAM 3.0 có thể chạy một cách độc lập và cũng có thể chạy kết hợp với các mô hình thành phần của CCSM. CAM 3.0 có thể ứng dụng để dự báo khí hậu trong tƣơng lai khi kết hợp với mô hình đại dƣơng lớp mỏng (Hình 2.3). Nhiệt độ mặt nƣớc biển và độ phủ băng biển bây giờ là biến dự báo nhận đƣợc từ mô hình đại dƣơng. Có thể nhận đƣợc gần 300 biến từ CAM-SOM và các biến có thể là các giá trị tức thời, giá trị cực đại, giá trị cực tiểu, và giá trị trung bình theo thời gian: Trung bình ngày, trung bình tháng, trung bình theo mùa, trung bình năm. Một số biến dự báo quan trọng kết xuất từ mô hình CAM-SOM có thể làm đầu vào cho mô hình khí hậu khu vực (Bảng 2.1). 28
  29. Bảng 2.1 Danh mục một số trƣờng kết xuất của mô hình CAM-SOM Tên trƣờng Mô tả trƣờng Số mực Đơn vị LPSTEN Xu thế áp suất bề mặt 1 Pa/s OMEGA Vận tốc thẳng đứng (áp suất) 26 Pa/s PBLH Độ cao lớp biên 1 m PHIS Thế vị bề mặt 1 m2/s2 PS Áp suất bề mặt 1 Pa PSDRY Áp suất bề mặt 1 Pa PSL Áp suất mực biển 1 Pa Q Độ ẩm riêng 26 kg/kg SICTHK Độ dày băng biển 1 m SST Nhiệt độ bề mặt biển 1 K T Nhiệt độ 26 K TS Nhiệt độ bề mặt 1 K TS1 Nhiệt độ dƣới đất TS1 1 K TS2 Nhiệt độ dƣới đất TS2 1 K TS3 Nhiệt độ dƣới đất TS3 1 K TS4 Nhiệt độ dƣới đất TS4 1 K U Thành phần gió vĩ hƣớng 26 m/s V Thành phần gió kinh hƣớng 26 m/s Z3 Độ cao địa thế vị (trên mực biển) 26 m 2.3 Thiết kế thí nghiệm Xin nhắc lại, trong khuôn khổ luận văn này, các thí nghiệm đƣợc thực hiện nhằm nghiên cứu khả năng ứng dụng mô hình khí hậu khu vực (RegCM3) vào bài toán dự báo hạn mùa ở Việt Nam. Cụ thể hơn là trả lời hai câu hỏi về (1) khả năng dự báo hạn mùa của mô hình RegCM3 với các tùy chọn tham số hóa đối lƣu khác nhau và (2) khả năng kết nối của RegCM3 với mô hình toàn cầu (CAM-SOM) 29
  30. nhằm đƣa ra đƣợc kết quả dự báo hạn mùa cho khu vực Việt Nam. Nhƣ vậy, có hai nhóm thí nghiệm đƣợc thực hiện nhƣ sau:  TN1. Nghiên cứu khả năng dự báo hạn mùa của mô hình RegCM3 với các tùy chọn tham số hóa đối lƣu khác nhau Mô hình RegCM3 đƣợc thiết kế chạy lần lƣợt với 3 sơ đồ tham số hóa đối lƣu khác nhau, từ ngày 01 tháng 04 đến ngày 31 tháng 10 của từng năm trong giai đoạn 1996-2005 với số liệu đầu vào là số liệu tái phân tích NNRP2 của Trung tâm quốc gia Dự báo Môi trƣờng của Mỹ (National Centre for Environmental Prediction (NCEP) Reanalysis datasets) và bộ số liệu phân tích hàng tháng trên lƣới 1 độ của nhiệt độ mặt biển ngoại suy tối ƣu (OISST) từ Cơ quan quản lý biển và khí quyển quốc gia (National Ocean and Atmosphere Administration). Các sơ đồ đối lƣu đƣợc sử dụng là: (1) Sơ đồ Kuo sửa đổi; (2) Sơ đồ MIT Emanuel và (3) Sơ đồ Grell với giả thiết khép kín Arakawa và Schubert. Kí hiệu tƣơng ứng với 3 nhóm kết quả của thí nghiệm 1 này là: Reg_Kuo, Reg_Emanuel và Reg_Grell. Với điều kiện biên là số liệu tái phân tích, điều kiện khí quyển gần thực nhất có thể có, thí nghiệm này nhằm đƣa ra các dự báo cho mùa hè (mở rộng từ tháng 04 đến tháng 10) trong giai đoạn 10 năm với các sơ đồ đối lƣu khác nhau. Thí nghiệm này nhằm đánh giá khả năng của RegCM3 khi trƣờng đầu vào cho RegCM3 là trƣờng khí quyển thực. Kết quả đƣợc so sánh với số liệu quan trắc để đƣa ra đánh giá về chất lƣợng mô phỏng hạn mùa của RegCM3 cho khu vực Việt Nam.  TN2. Nghiên cứu khả năng kết nối mô hình RegCM3 với CAM-SOM Kết nối với đầu ra từ hệ thống mô hình kết hợp CAM-SOM, mô hình RegCM3 đƣợc đặt chạy với 2 trƣờng hợp: a. Từ ngày 01 tháng 04 đến ngày 01 tháng 10 của từng năm trong giai đoạn 2000-2005, kết quả đƣợc so sánh với kết quả của chạy RegCM3 với đầu vào là số liệu tái phân tích NNRP2 cho giai đoạn tƣơng ứng, nhằm đánh giá sự khác biệt khi dự báo với 2 đầu vào khác nhau (kết quả dự báo của CAM-SOM và số liệu tái phân tích) của mô hình RegCM3. Kí hiệu tƣơng ứng của 2 nhóm thí nghiệm này là Reg_CAMSOM và Reg_NNRP2. 30
  31. b. Chạy 4 tháng (leadtime từ 0 cho đến 3 tháng) bắt đầu từ ngày 01 của từng tháng từ tháng 01 đến tháng 06, của từng năm trong giai đoạn 2001-2005. Đây là kết quả thử nghiệm dự báo hạn mùa, đặt chạy nối tiếp để xét đến sự khác biệt của kết quả với các leadtime khác nhau của RegCM3 khi sử dụng sản phẩm dự báo của CAM-SOM. Hình 2.5 Miền tính của RegCM3 trong các thí nghiệm. Độ phân giải ngang 36 km. Mô tả một cách trực quan hơn các thí nghiệm đƣợc minh họa trong hình 2.4. Cấu hình của mô hình trong tất cả các thí nghiệm nhƣ sau. Theo chiều thẳng đứng mô hình gồm 18 mực σ với đỉnh tại mực 50 mb. Miền tính mô hình gồm 144x105 điểm (theo hai chiều đông-tây và nam-bắc tƣơng ứng) với tâm tại điểm 11.5oN và 108oE. Độ phân giải ngang là 36 km sử dụng phép chiếu Mercator. Hình 2.5 mô tả miền tính với độ cao địa hình. Một điểm lƣu ý ở đây là khi sử dụng đầu ra từ hệ thống mô hình CAMSOM làm đầu vào cho mô hình RegCM3, cần phải sửa đổi quá trình tiền xử lý (chuẩn bị điều kiện biên) trong mô hình RegCM3. Cụ thể về chƣơng trình cần chỉnh sửa các module: o cam42.f: tạo mới tập tin này, chứa chƣơng trình con đọc các biến tốc độ gió kinh vĩ hƣớng, nhiệt độ, độ ẩm riêng, nhiệt độ bề mặt, độ cao địa thế vị và khí áp bề mặt (U, V, T, Q, TS, Z3, PS) từ đầu vào CAMSOM. 31
  32. o CAM.f: chỉnh sửa từ CCSM.f ban đầu, gọi chƣơng trình con từ cam42.f kết hợp với việc đọc biến địa thế vị bề mặt (PHIS) từ đầu vào CAMSOM. o ICBC.f: chỉnh sửa để sử dụng các chƣơng trình con trong 2 tập tin trên TN1 T4 T10 T4 T10 T4 T10 T4 T10 1996 1997 1998 ~ 2003 2004 2005 TN2a T4 T9 T4 T9 T4 T9 T4 T9 T4 T9 T4 T9 2000 2001 2002 2003 2004 2005 T1 T2 T3 T4 T5 T6 T7 T8 T9 TN2b 2001 ~ 2005 Hình 2.4 Mô tả các thí nghiệm đƣợc thực hiện. TN1: nghiên cứu khả năng dự báo hạn mùa của mô hình RegCM3 với các sơ đồ tham số hóa đối lưu khác nhau (10 năm với 7 tháng/1năm); TN2a (6 năm với 6 tháng/năm) & TN2b (5 năm với 6 lần đặt chạy/năm, 4 tháng/1 lần): nghiên cứu khả năng kết nối mô hình RegCM3 với CAM-SOM Việc đọc số liệu đầu vào cho RegCM3 từ sản phẩm của CAMSOM đƣợc mô tả sau đây. Mô hình CAMSOM lƣu trữ kết quả dƣới dạng netcdf do đó cần sử dụng bộ thƣ viện tƣơng ứng để trích xuất. Bộ thƣ viện Netcdf Fortran Interface (NFI) đƣợc đƣa vào trong quá trình biên dịch và sử dụng các hàm liệt kê trong Bảng 2.2. Nguyên lý thực hiện việc đọc dữ liệu bao gồm: - Đọc Header: Header là đoạn dữ liệu đầu tiên của số liệu toàn cầu. Đoạn dữ liệu này cho ta biết nội dung về lƣới tính cả phƣơng ngang và phƣơng thẳng đứng. 32
  33. Vì mô hình toàn cầu CAM-SOM là mô hình phổ nên trƣớc khi có thể sử dụng làm đầu vào cho mô hình khu vực nó đã đƣợc chuyển đổi sang dạng lƣới Gauss theo phƣơng ngang và lƣới lai sigma - áp suất theo phƣơng đứng. Trƣớc khi biến đổi mô hình này đƣợc chạy với cấu hình T42 tƣơng ứng với độ phân giải ~2,81 độ. Việc cần làm của bộ chƣơng trình là thiết lập các thông số lƣới: kinh độ, vĩ độ, mực thẳng đứng sao cho khớp với header của CAM-SOM. Sau đó các thông số lƣới của mô hình khí hậu khu vực đƣợc thiết lập tại đây. - Sử dụng các hàm trong thư viện NFI để lần lượt đọc các biến: Nhiệt độ các mực, độ cao địa thế vị các mực, độ ẩm riêng các mực, tốc độ gió vĩ hƣớng các mực, tốc độ gió kinh hƣớng các mực, áp suất bề mặt, độ cao địa thế vị bề mặt, nhiệt độ bề mặt nƣớc biển. Sử dụng độ cao địa thế vị bề mặt tính độ cao địa hình. - Nội suy thẳng đứng (sigma sang áp suất): o Tính áp suất tại các mực theo các tham số của hệ tọa độ lai: ak, bk. o Tính độ cao tại các mực áp suất dựa trên độ cao và nhiệt độ của các mực sigma, áp suất bề mặt, áp suất đỉnh khí quyển. o Tính tốc độ gió kinh hƣớng và vĩ hƣớng tại các mực áp suất dựa trên các biến tƣơng ứng tại mực sigma. o Tính nhiệt độ tại các mực áp suất dựa trên nhiệt độ tại mực sigma. o Chuyển độ ẩm riêng thành độ ẩm tƣơng đối o Tính độ ẩm tƣơng đối tại các mực áp suất dựa trên độ ẩm tƣơng đối tại mực sigma. - Nội suy ngang: Nội suy theo phƣơng ngang song tuyến tính đƣợc thực hiện tại các điểm nhân đối với nhiệt độ, độ cao, độ ẩm và tại các điểm tròn đối với tốc độ gió kinh, vĩ hƣớng. - Hệ bản đồ: o Tốc độ gió kinh, vĩ hƣớng đƣợc tính toán lại sao cho vector gió sau khi thực hiện phép quay phù hợp với hệ bản đồ đƣợc sử dụng trong mô hình khí hậu khu vực RegCM (Mercator). o Đảo chiều các mực thẳng đứng. 33
  34. o Tính các biến yêu cầu trƣớc khi tính P* bao gồm: Nhiệt độ trung bình lớp tính từ bề mặt đến mực dƣới cùng, Áp suất tại đỉnh lớp này, Độ cao tại mực áp suất đó. o Ngoại suy áp suất bề mặt từ áp suất của mực gần bề mặt nhất o Tính áp suất tại điểm tròn dựa theo áp suất tại điểm nhân. Bảng 2.2 Các hàm đƣợc sử dụng trong thƣ viện NFI TT Tên Ghi chú 1 NF_OPEN Mở file netcdf 2 NF_INQ_VARID Tìm vị trí biến 3 NF_INQ_DIMID Tìm vị trí các chiều 4 NF_INQ_DIMLEN Tìm độ lớn các chiều 5 NF_INQ_VARNAME Đọc tên biến 6 NF_GET_VARA_REAL Đọc biến thực vào mảng 7 NF_GET_VARA_INT2 Đọc biến nguyên vào mảng 2.4 Nguồn số liệu  Số liệu cho RegCM3: Tất cả nguồn số liệu đầu vào cần để cung cấp cho mô hình RegCM3 (bao gồm số liệu về độ cao địa hình, các loại bề mặt, nhiệt độ mặt nƣớc biển và số liệu tái phân tích làm điều kiện ban đầu và điều kiện biên cập nhật theo thời gian) có thể đƣợc tải về từ trang web Cụ thể: Bộ số liệu lớp phủ (Global Landuse Cover Characteric: GLCC) cung cấp thông tin về thực vật/mặt đệm, nhận đƣợc từ số liệu Bức xạ phân giải rất cao tiên tiến (Advanced Very High Resolution Radiation: AVHRR) từ tháng 4/1992 đến tháng 3/1993 và đƣợc chia thành 18 loại đất phủ/thực vật đƣợc định nghĩa trong sơ đồ tƣơng tác sinh quyển-khí quyển BATS. Mặt đệm của mỗi ô lƣới của mô hình đƣợc xác định thuộc 1 trong số 18 loại này 34
  35. Số liệu độ cao địa hình đƣợc lấy từ USGS. Các tập tin số liệu mặt đệm và độ cao địa hình đều có sẵn tại các độ phân giải 30 và 10 phút. Ở đây sử dụng tập số liệu độ phân giải 10 phút. Số liệu SST là bộ số liệu phân tích hàng tháng trên lƣới 1 độ của nhiệt độ mặt biển ngoại suy tối ƣu (OISST) (1981-2011) cũng có sẵn từ Cơ quan quản lý biển và khí quyển quốc gia (National Ocean and Atmosphere Administration). Số liệu tái phân tích toàn cầu để sử dụng đối với các điều kiện ban đầu và biên là số liệu tái phân tích NNRP2 của Trung tâm quốc gia Dự báo Môi trƣờng của Mỹ (National Centre for Environmental Prediction Reanalysis datasets), lƣới 2.5 độ, L17, từ 1996 đến 2005. Số liệu đầu ra của hệ thống mô hình CAM-SOM để sử dụng đối với các điều kiện ban đầu và biên đƣợc lấy từ tháng 01 đến tháng 09 của từng năm trong giai đoạn 2000-2005. Nhƣ đã đề cập, số liệu đầu ra của CAM-SOM cho dƣới định dạng netcdf với tên tập tin và các biến chứa trong các tập tin tƣơng ứng nhƣ sau: . somYYYY_rmr.cam2.h0.YYYY-MM.nc (địa thế vị bề mặt) . somYYYY_rmr.cam2.h1.YYYY-12-01-21600.nc (tốc độ gió kinh, vĩ hƣớng) . somYYYY_rmr.cam2.h2.YYYY-12-01-21600.nc (độ ẩm tuyệt đối, nhiệt độ các mực và nhiệt độ bề mặt) . somYYYY_rmr.cam2.h3.YYYY-12-01-21600.nc (khí áp bề mặt và độ cao địa thế vị) Trong đó, YYYY chỉ năm (YYYY nhỏ hơn YYYY 1 năm) và MM chỉ tháng của số liệu chứa trong tập tin. 35
  36. Hình 2.5 Vị trí 48 trạm lấy số liệu quan trắc để thẩm định  Số liệu đánh giá: Số liệu CRU: Số liệu tái phân tích của Trung tâm nghiên cứu khí hậu của Anh với độ phân giải ngang 0,5 độ, chỉ lấy số liệu nhiệt độ bề mặt, lƣợng mƣa trung bình tháng. Số liệu đầu vào: có thể so sánh với chính số liệu đầu vào NNRP2 (NCEP) để xem xét khả năng tái tạo các trƣờng gió, nhiệt và ẩm của mô hình. Số liệu quan trắc thực tế trên Việt Nam: 48 trạm quan trắc khí tƣợng điển hình trải đều trên lãnh thổ Việt Nam. Trong 1 ngày có số liệu tại 4 obs quan trắc chuẩn. Nhiệt độ đƣợc tính trung bình ngày, sau đó tính trung bình các tháng để so sánh. Lƣợng mƣa tính tổng lƣợng ngày, sau đó tính trung bình tháng để so sánh. Danh sách các trạm trình bày trong Bảng 2.3 và hiển thị trên hình 2.5. Bảng 2.3 Danh sách 48 trạm lấy số liệu quan trắc để thẩm định STT Tên trạm Kinh độ Vĩ độ STT Tên trạm Kinh độ Vĩ độ 1 Điện Biên 103.00 21.21 25 Hƣơng Khê 105.70 18.18 2 Lai Châu 103.09 22.03 26 Nam Đông 107.72 16.17 3 Mộc Châu 104.38 20.51 27 Thanh Hóa 105.46 19.49 4 Sơn La 103.54 21.20 28 Tƣơng Dƣơng 104.43 19.28 5 Hà Giang 104.59 22.49 29 Vinh 105.40 18.40 6 Thái Nguyên 105.83 21.60 30 Ba Tơ 108.73 14.77 36
  37. 7 Tuyên Quang 105.22 21.82 31 Đà Nẵng 108.20 16.03 8 Yên Bái 104.52 21.42 32 Nha Trang 109.12 12.15 9 Bắc Quang 104.50 22.29 33 Phan Thiết 108.06 10.56 10 Lạng Sơn 106.46 21.50 34 Phú Quý 108.93 10.52 11 Sa Pa 103.82 22.35 35 Quy Nhơn 109.13 13.46 12 Bãi Cháy 107.07 20.97 36 Trà My 108.23 15.35 13 Cô Tô 107.77 20.98 37 Tuy Hòa 109.17 13.05 14 Bạch Long Vĩ 107.72 20.13 38 Ayunpa 108.54 13.25 15 Hà Nội 105.51 21.01 39 Buôn Ma Thuột 108.03 12.41 16 Hòa Bình 105.20 20.49 40 Bảo Lộc 107.48 11.28 17 Nam Định 106.10 20.26 41 Đà Lạt 108.26 11.57 18 Ninh Bình 105.59 20.16 42 Kontum 107.37 14.20 19 Phủ Liễn 106.38 20.48 43 Playcu 108.00 13.59 20 Đông Hà 107.08 16.85 44 Cà Mau 105.17 9.10 21 Đồng Hới 106.37 17.28 45 Cần Thơ 105.47 10.02 22 Hà Tĩnh 105.54 18.21 46 Côn Đảo 106.60 8.68 23 Hồi Xuân 105.10 20.37 47 Rạch Giá 105.05 10.00 24 Huế 107.41 16.24 48 Vũng Tàu 107.05 10.20 37
  38. Chƣơng 3 KẾT QUẢ VÀ NHẬN XÉT Chƣơng 3 sẽ trình bày và đánh giá các kết quả theo nhƣ thiết kế thí nghiệm đã nêu trong chƣơng 2. Cụ thể kết quả sẽ gồm hai phần chính tƣơng ứng với 2 thí nghiệm, đó là (1) nghiên cứu khả năng dự báo hạn mùa của mô hình RegCM3 với các sơ đồ tham số hóa đối lƣu khác nhau và (2) nghiên cứu khả năng kết nối mô hình RegCM3 với CAM-SOM. 3.1 Kết quả dự báo hạn mùa bằng mô hình RegCM3 với các tùy chọn tham số hóa đối lưu khác nhau 3.1.1 Thời tiết, khí hậu khu vực Đông Nam Á giai đoạn 1996-2005 Trƣớc khi đánh giá các kết quả dự báo thử nghiệm từ đầu ra của mô hình RegCM3, chúng ta cần quan tâm đến điều kiện thời tiết, khí hậu của khu vực Đông Nam Á trong giai đoạn nghiên cứu (1996-2005). Hiện tƣợng ENSO và hoạt động của bão là hai nhân tố ảnh hƣởng mạnh mẽ đến thời tiết, khí hậu khu vực Đông Nam Á trong giai đoạn này. ENSO là từ ghép đƣợc cấu tạo bởi “El Nino/Southern Oscillation (El Nino/Dao động Nam)”, thực chất là chỉ cả 2 hai hiện tƣợng El Nino và La Nina và có liên quan với dao động của khí áp giữa 2 bờ phía Đông Thái Bình Dƣơng với phía Tây Thái Bình Dƣơng - Đông Ấn Độ Dƣơng gần xích đạo. “El Nino” là từ đƣợc dùng để chỉ hiện tƣợng nóng lên dị thƣờng của lớp nƣớc biển bề mặt ở khu vực xích đạo trung tâm và Đông Thái Bình Dƣơng, kéo dài 8 - 12 tháng, hoặc lâu hơn, thƣờng xuất hiện 3 - 4 năm một lần, song cũng có khi dày hơn hoặc thƣa hơn. “La Nina” là hiện tƣợng lớp nƣớc biển bề mặt ở khu vực nói trên lạnh đi dị thƣờng, xảy ra với chu kỳ tƣơng tự hoặc thƣa hơn El Nino. Hiện tƣợng El Nino và La Nina có ảnh hƣởng đến thời tiết, khí hậu toàn cầu với mức độ khác nhau và rất đa dạng. Tuy nhiên, đối với từng khu vực cụ thể, vẫn có thể xác định đƣợc những ảnh hƣởng chủ yếu có tính đặc trƣng của mỗi hiện tƣợng nói trên [1]. Trong giai đoạn 1996-2005, đặc biệt đáng chú ý là đợt El Nino 38
  39. mạnh năm 1997-1998 (kéo dài khoảng 15 tháng, từ tháng 4 năm 1997 đến tháng 6 năm 1998) và ngay sau đó là đợt La Nina năm 1998-2000 (từ tháng 8 năm 1998 đến tháng 7 năm 2000). Những thời kỳ xảy ra ENSO mạnh (Hình 3.1) sẽ đƣợc chú ý trong khi phân tích kết quả mô phỏng hoàn lƣu, nhiệt độ, độ ẩm và lƣợng mƣa của mô hình RegCM3 tiếp sau đây. 2.5 2 1.5 1 0.5 0 Nino 3.4 -0.5 -1 -1.5 La Nina El Nino Bình thường -2 Năm 1954 1959 1964 1969 1974 1979 1984 1989 1994 1999 2004 Hình 3.1 Nino3.4 trung bình từ tháng 6 đến tháng 12 trong giai đoạn 1950 – 2007. Về hoạt động của bão, số lƣợng các cơn bão Biển Đông tăng trong các năm 1996, 1999 và 2001 (trung bình khoảng 15 cơn bão/ 1 năm) [3]. Bão Biển Đông là những cơn bão hình thành ngay trên Biển Đông hoặc di chuyển từ ngoài khơi Tây Bắc Thái Bình Dƣơng vào khu vực đƣợc giới hạn bởi kinh tuyến 100oE – 120oE và vĩ tuyến 0oN – 23oN [3]. Trong khi đó, năm 1997 lại đánh dấu một năm “ôn hòa” với chỉ 6 cơn bão (Hình 3.2). 18 16 14 12 10 8 Số cơn Số 6 4 2 0 1961 1966 1971 1976 1981 1986 1991 1996 2001 2006Năm Tổng TB trượt 5 năm Xu thế tuyến tính Hình 3.2 Tần số bão ở khu vực Biển Đông (1961 - 2007) 39
  40. 3.1.2 Hoàn lưu, nhiệt độ và lượng mưa từ đầu ra của RegCM3 Trong mục này, sản phẩm đầu ra của RegCM3 với thiết kế nhƣ thí nghiệm 1 (mục 2.3) sẽ đƣợc trình bày và đánh giá với các trƣờng/biến cơ bản. Xin nhắc lại là các kết quả đƣợc chia thành 3 nhóm so sánh với nhau, ứng với các tùy chọn tham số hóa đối lƣu đƣợc sử dụng khi chạy RegCM3, cụ thể là Reg_Kuo, Reg_Emanuel và Reg_Grell. Trƣớc tiên, trƣờng độ cao địa thế vị, trƣờng gió cũng nhƣ trƣờng khí áp mực biển sẽ đƣợc so sánh với miền phân tích đƣợc giới hạn từ 5oN đến 25oN và 100oE đến 120oE. Miền phân tích đƣợc giới hạn nhỏ hơn miền thiết kế thí nghiệm, bao quanh khu vực Việt Nam, giúp cho việc tập trung đánh giá hiệu quả hơn. Tiếp theo đó, trƣờng nhiệt độ mực 2m và lƣợng mƣa cũng sẽ đƣợc phân tích không chỉ trên khu vực Việt Nam mà còn đƣợc đƣa về các điểm trạm. Các trạm cũng đƣợc chia theo 7 vùng khí hậu của Việt Nam để đánh giá theo dạng đồ thị tụ điểm. Cuối cùng, profile thẳng đứng của nhiệt độ và độ ẩm, cùng với biểu đồ dạng Hovmoller đƣợc sử dụng để làm rõ một số điểm khác biệt giữa các kết quả. Trƣờng gió và trƣờng độ cao địa thế vị sẽ đƣợc đánh giá trƣớc tiên. Các hình từ 3.3 đến 3.5 thể hiện trƣờng vectơ gió và trƣờng độ cao địa thế vị các mực 850, 500, 200 mb trung bình trong giai đoạn 1996-2005 của các tháng 4, 7, 10 từ đầu ra của các thí nghiệm (Reg_Kuo, Reg_Emanuel, Reg_Grell) đƣợc so sánh với số liệu tái phân tích (NNRP2). Vectơ gió đơn vị mực 200 mb là 20 m/s còn 2 mực còn lại là 10 m/s, đƣợc thể hiện bằng vectơ màu đen trên nền độ cao địa thế vị thể hiện bằng màu, theo thang bên dƣới. So sánh với trƣờng tái phân tích, một điều dễ nhận thấy là mô hình RegCM3, dù với sơ đồ tham số hóa đối lƣu nào, cũng tái tạo tốt hình thế trƣờng độ cao địa thế vị và trƣờng gió. Sự sai khác tồn tại chủ yếu là độ lớn trƣờng độ cao, nhƣng cũng chỉ khoảng 5 mb. Xét chung cả 3 mực đƣợc đánh giá, Reg_Kuo cho trƣờng “mạnh” hơn trong khi Reg_Emanuel tái tạo trƣờng “yếu” hơn, do vậy, Reg_Grell với kết quả “vừa phải” đƣợc cho là kết quả tốt nhất. Trƣờng gió trên diện của miền phân tích đƣợc mô phỏng tốt nhƣng nếu xét riêng cho khu vực Việt Nam thì có một số trƣờng hợp sai khác lớn về hƣớng. 40
  41. Cụ thể, xét ở mực 850 mb, nhìn chung kết quả mô phỏng hạn mùa của cả 3 thí nghiệm đều khá tƣơng đồng với số liệu tái phân tích, trong đó Reg_Grell và Reg_Emanuel tái tạo trƣờng độ cao địa thế vị là tốt nhất. Điều này có thể nhận thấy ở cả 3 tháng, với tháng 4 và tháng 10 là rõ nét nhất. Trong tháng 4, Reg_Kuo cho mô phỏng cao hơn khoảng 5mb trên khu vực khá rộng ở phía Đông Bắc miền phân tích. Do đó, sự lấn sâu của lƣỡi áp cao về phía khu vực Việt Nam đƣợc gia tăng trong Reg_Kuo. Tuy vậy, Reg_Emanuel lại cho trƣờng gió ở miền nam Việt Nam kém hơn so với 2 thí nghiệm còn lại trong tháng này. Trong tháng 7, Reg_Kuo cũng cho kết quả mô phỏng cao hơn khoảng 5mb nhƣng chủ yếu ở phía nam miền phân tích trong khi Reg_Emanuel lại cho kết quả thấp hơn ở phía Tây Bắc miền phân tích với trƣờng gió mạnh hơn so với NNRP khá nhiều. Đáng chú ý là nếu chỉ xét riêng cho khu vực Việt Nam thì trƣờng gió của Reg_Grell trong tháng này có kết quả mô phỏng tốt nhất. Đến tháng 10, đồng thời cả Reg_Kuo và Reg_Grell đều cho trƣờng độ cao lớn hơn khoảng 5mb ở phía nam miền, cho thấy sự lấn xuống rộng hơn của hệ thống áp cao. Cũng nhƣ tháng 4, Reg_Emanuel mô phỏng trƣờng độ cao địa thế vị tốt hơn nhƣng lại tái tạo trƣờng gió kém hơn Reg_Grell cả về hƣớng và độ lớn trong trƣờng hợp này. Lên đến mực 500 mb, mô phỏng của cả 3 thí nghiệm vẫn cho kết quả tốt khi so sánh với số liệu tái phân tích, ở mực này Reg_Grell cho mô phỏng tốt hơn cả. Có thể nhận thấy trong tháng 4, trƣờng độ cao của Reg_Kuo và Reg_Grell sát với NNRP hơn, trong khi Reg_Emanuel cho mô phỏng thấp ở phía Tây miền phân tích. Trƣờng gió của Reg_Grell là hợp lý hơn cả, tuy vẫn cao hơn về độ lớn. Đến tháng 7, Reg_Grell tiếp tục cho kết quả mô phỏng trƣờng gió tốt hơn, trong khi trƣờng độ cao của Reg_Emanuel lại kém nhất. Và đến tháng 10, trong khi trƣờng gió mô phỏng của các thí nghiệm không khác nhau nhiều và rất sát với số liệu tái phân tích thì trƣờng độ cao lại cho thấy sự mô phỏng tốt hơn cả của Reg_Grell (đặc biệt nếu chú ý riêng khu vực Việt Nam). 41
  42. Reg_Kuo Reg_Grell Reg_Emanuel NNRP2 Hình 3.3 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 42
  43. Reg_Kuo Reg_Grell Reg_Emanuel NNRP2 Hình 3.4 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 Cuối cùng, ở mực 200 mb, khả năng mô phỏng hạn mùa của các thí nghiệm vẫn cho kết quả tốt và sự khác biệt giữa các thí nghiệm là không nhiều. Trong tháng 4, cả 3 thí nghiệm cho kết quả tái tạo gần nhƣ tƣơng tự nhau cả trƣờng độ cao và trƣờng gió, và đều mô phỏng trƣờng độ cao bị thấp hơn ở phía Đông nam miền phân tích. Và tháng 7 đánh dấu kết quả mô phỏng trƣờng độ cao khá tốt của 43
  44. Reg_Emanuel dẫn đến trƣờng gió của Reg_Emanuel sát với số liệu tái phân tích hơn cả. Kết quả của tháng 10 cho sự tái tạo trƣờng gió tốt ở tất cả các thí nghiệm nhƣng trƣờng độ cao đều thấp hơn ở khoảng giữa miền phân tích, dải cắt ngang qua miền trung Việt Nam. Reg_Kuo Reg_Grell Reg_Emanuel NNRP2 Hình 3.5 Trƣờng vectơ gió và độ cao địa thế vị mực 200 mb trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 44
  45. Khi so sánh giữa các thí nghiệm, trƣờng khí áp mực biển cũng cho thấy sự mô phỏng hạn mùa tốt của RegCM3, đặc biệt là Reg_Emanuel. Hình 3.6 thể hiện trƣờng khí áp mực biển trung bình giai đoạn 1996-2005 của các tháng 4, 7, 10 từ đầu ra của các thí nghiệm (Reg_Kuo, Reg_Emanuel, Reg_Grell) đƣợc so sánh với số liệu tái phân tích (NNRP2). Nhìn chung, các thí nghiệm đều mô phỏng tốt hình Reg_Kuo Reg_Grell Reg_Emanuel NNRP2 Hình 3.6 Trƣờng khí áp mực biển trung bình các tháng 4, 7, 10 (trên xuống dƣới) của các thí nghiệm so sánh với số liệu NNRP2 45
  46. thế phân bố khí áp mực biển trong các tháng, tuy về giá trị lớn hơn khoảng 2mb trong đa phần các trƣờng hợp. Reg_Emanuel cho kết quả mô phỏng sát với số liệu tái phân tích nhất vào tháng 4 và tháng 10. Trong khi đó, Reg_Kuo và Reg_Grell cho giá trị khí áp lớn hơn ở hầu nhƣ trên toàn miền phân tích trong tất cả các trƣờng hợp. Tiếp theo, hai biến cơ bản khi đánh giá dự báo hạn mùa là nhiệt độ mực 2m và lƣợng mƣa trung bình tháng sẽ đƣợc phân tích sau đây. Trƣờng nhiệt độ mực 2m và lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí nghiệm (Reg_Kuo, Reg_Grell, Reg_Emanuel) so sánh với số liệu CRU đƣợc thể hiện trong hình 3.7 và 3.8. Mô phỏng nhiệt độ mực 2m của cả 3 thí nghiệm nhìn chung nắm bắt đƣợc phân bố nhiệt độ trên khu vực Việt Nam nhƣng đều cho giá trị cao hơn số liệu CRU khoảng 1oC. Điều này có thể thấy rõ ở các vùng khí hậu B2, B4, N1 và N3. Riêng vùng có địa hình cao nhƣ B1 và N2, nhiệt độ mô phỏng của Reg_Grell và Reg_Emanuel cho kết quả tốt hơn Reg_Kuo. Reg_Kuo Reg_Grell Reg_Emanuel CRU Hình 3.7 Trƣờng 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 46
  47. Kết quả mô phỏng lƣợng mƣa lại cho sự khác biệt lớn giữa các thí nghiệm, nhìn chung thì Reg_Grell mô phỏng cho khu vực Việt Nam là gần với số liệu CRU nhất. Bên cạnh đó, Reg_Kuo cho mô phỏng khô hơn (thấp hơn khoảng 50-100 mm) còn Reg_Emanuel mô phỏng lƣợng mƣa vƣợt quá rất nhiều (từ 100 đến 200 mm). Xét riêng từng vùng khí hậu của Việt Nam thì khu vực B4 đƣợc mô phỏng trong Reg_Grell là tốt hơn cả. Phân bố mƣa của Reg_Grell cũng cho kết quả tƣơng đồng với CRU tốt nhất. Nhƣ vậy, trong khi nhiệt độ mực 2m đƣợc mô phỏng hạn mùa tốt ở cả 3 thí nghiệm thì lƣợng mƣa trung bình đánh dấu sự mô phỏng sai khác nhiều so với số liệu CRU, và nếu xét trên toàn khu vực Việt Nam thì Reg_Grell có kết quả khả quan nhất. Reg_Kuo Reg_Grell Reg_Emanuel CRU Hình 3.8 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí nghiệm so sánh với số liệu CRU Để thấy rõ hơn khả năng dự báo hạn mùa trong các thí nghiệm, nhiệt độ mực 2m và lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí nghiệm (Reg_Kuo, Reg_Grell, Reg_Emanuel) đƣợc nội suy về trạm và so sánh với số liệu quan trắc tại 48 trạm (hình 3.9 và 3.10). Nguồn số liệu quan trắc tại trạm cho ta cái nhìn cụ thể hơn để đánh giá tính ứng dụng của sản phẩm dự báo từ RegCM3. Một cách tổng quát, nhiệt độ 2m mô phỏng bởi 3 thí nghiệm nhìn chung xấp xỉ và 47
  48. thấp hơn số liệu quan trắc tại trạm, từ 1oC đến 2oC. Các trạm thuộc khu vực B1 và B4 cho kết quả mô phỏng thấp hơn quan trắc rõ rệt hơn cả. Bên cạnh đó các trạm đặc biệt nhƣ Sapa, Đà Lạt kết quả mô phỏng lại cao hơn quan trắc, khoảng 2oC. So sánh giữa các thí nghiệm, Reg_Kuo cho giá trị mô phỏng cao hơn 2 thí nghiệm còn lại và Reg_Grell cho mô phỏng thấp hơn cả. Khu vực đồng bằng nhƣ B3 và N3 có kết quả mô phỏng gần với giá trị quan trắc nhất. T2m (oC) 35 Reg_Kuo Reg_Grell Reg_Emanuel OBS 30 25 20 15 10 5 0 HUE VINH BATO SAPA COTO HANOI DALAT TRAMY SONLA YENBAI HATINH CAMAU TUYHOA PLAYCU AYUNPA PHUQUY CANTHO PHULIEN BAOLOC KONTUM LAICHAU BAICHAY DANANG DONGHA HOABINH HOIXUAN CONDAO HAGIANG RACHGIA NAMDINH NINHBINH DIENBIEN DONGHOI VUNGTAU LANGSON QUYNHON MOCCHAU NAMDONG THANHHOA NHATRANG PHANTHIET HUONGKHE BACQUANG THAINGUYEN BACHLONGVI TUYENQUANG TUONGDUONG Trạm BUONMATHUOT Hình 3.9 Trƣờng nhiệt độ mực 2m trung bình các tháng 5-10 trong giai đoạn 1996- 2005 của các thí nghiệm so sánh với số liệu quan trắc tại 48 trạm Khác với nhiệt độ mực 2m, lƣợng mƣa mô phỏng hạn mùa bởi 3 thí nghiệm khi so sánh với số liệu quan trắc cho thấy sự khác biệt lớn khi thay đổi việc sử dụng các sơ đồ đối lƣu. Trong đó, Reg_Emanuel mô phỏng dƣờng nhƣ gần với số liệu quan trắc nhất, còn Reg_Kuo và Reg_Grell cho mô phỏng thấp hơn hẳn, đặc biệt là Reg_Kuo. Các thí nghiệm không mô phỏng tốt lƣợng mƣa quá lớn ở tâm mƣa Bắc Quang. Nhƣ vậy, cũng nhƣ khi đánh giá theo diện và so sánh với số liệu CRU, khi so sánh với số liệu tại trạm cũng cho thấy sự mô phỏng không tốt về lƣợng mƣa trung bình của các thí nghiệm. 48
  49. Tpr (mm) 800 Reg_Kuo Reg_Grell Reg_Emanuel OBS 600 400 200 0 HUE VINH BATO SAPA COTO HANOI DALAT TRAMY SONLA YENBAI HATINH CAMAU TUYHOA PLAYCU AYUNPA PHUQUY CANTHO PHULIEN BAOLOC KONTUM LAICHAU BAICHAY DANANG DONGHA HOABINH HOIXUAN CONDAO HAGIANG RACHGIA NAMDINH NINHBINH DIENBIEN DONGHOI VUNGTAU LANGSON QUYNHON MOCCHAU NAMDONG THANHHOA NHATRANG PHANTHIET HUONGKHE BACQUANG THAINGUYEN BACHLONGVI TUYENQUANG TUONGDUONG Trạm BUONMATHUOT Hình 3.10 Lƣợng mƣa trung bình các tháng 5-10 trong giai đoạn 1996-2005 của các thí nghiệm so sánh với số liệu quan trắc tại 48 trạm Tiếp tục khai thác nguồn số liệu tại điểm trạm, đồ thị tụ điểm đƣợc sử dụng để đánh giá sai số mô phỏng của 3 thí nghiệm khi so sánh với số liệu quan trắc tại 48 trạm với 2 biến là nhiệt độ mực 2m (Hình 3.11a) và lƣợng mƣa (Hình 3.11b). Lƣu ý là đối với đánh giá lƣợng mƣa, trạm Bắc Quang với lƣợng mƣa quá lớn đƣợc bỏ ra không đánh giá ở đây. Đồ thị có trục hoành là giá trị quan trắc và trục tung là giá trị mô phỏng của các thí nghiệm. Các trạm đƣợc đánh dấu phân biệt giữa 7 vùng khí hậu, với các trạm thuộc miền Bắc (B1, B2, B3, B4) có màu xanh và các trạm thuộc miền Nam (N1, N2, N3) có màu đỏ. Với đồ thị này, kết quả dự báo thấp hơn so với quan trắc của biến nhiệt độ và kết quả không tốt với biến lƣợng mƣa đƣợc chỉ ra khá rõ nét. Kết quả cũng không cho sự khác biệt nào đáng kể khi so sánh giữa các trạm miền bắc và miền nam Việt Nam. Về biến nhiệt độ mực 2m, cả 3 thí nghiệm đều cho mô phỏng hạn mùa thấp hơn quan trắc ở hầu hết các trạm, ngoài một số trạm thuộc B2 và N2. Các trạm có giá trị mô phỏng tốt nằm ở các vùng B3, N1 và N3. Riêng vùng B1, cả 3 thí nghiệm đều không nắm bắt đƣợc sự khác biệt giữa các trạm trong vùng (dao động từ 22 đến 26oC) mà đều mô phỏng với giá trị khoảng 22-23oC. Nhìn chung, sai số dự báo nằm chủ yếu trong khoảng 2oC. Các trạm có giá trị nhiệt độ quan trắc thấp (nhƣ Sapa, Đà Lạt) cả 3 thí nghiệm đều cho mô phỏng cao hơn. So sánh giữa 3 thí nghiệm cho thấy sự khác biệt không đáng kể, chỉ khác biệt lớn khi dự báo ngƣỡng nhiệt độ lớn 49
  50. hơn 26oC, giá trị mô phỏng của Reg_Emanuel lớn hơn khoảng 2oC so với Reg_Kuo và Reg_Grell. a. b. 50
  51. Hình 3.11 Đồ thị tụ điểm đánh giá sai số mô phỏng nhiệt độ mực 2m (a) và lƣợng mƣa (b) của 3 thí nghiệm so với số liệu quan trắc tại 48 trạm. Về biến lƣợng mƣa, Reg_Emanuel cho dự báo tốt hơn Reg_Kuo và Reg_Grell, tuy sai số vẫn còn lớn. Reg_Kuo và Reg_Grell cho mô phỏng thấp hơn quan trắc ở tất cả các trạm, trong khi ở trƣờng hợp Reg_Emanuel điểm biểu diễn các trạm tập trung quanh đƣờng 1:1 tốt hơn cho thấy mô phỏng “gần” với quan trắc hơn. Reg_Emanuel cũng có sai số nằm trong khoảng 100 mm là chủ yếu, trong khi Reg_Kuo và Reg_Grell sai số có thể lên đến 200-300 mm. Reg_Kuo cho mô phỏng thấp, dao động quanh 50 mm, trong khi Reg_Grell cao hơn là khoảng 100 mm. Reg_Emanuel cho mô phỏng lƣợng mƣa các trạm miền bắc tốt hơn các trạm miền nam. a. b. Hình 3.12 Profile thẳng đứng của độ ẩm tuyệt đối (a) và nhiệt độ (b) trung bình từ tháng 5-10 giai đoạn 1996-2005 của các thí nghiệm. Kết hợp thông tin từ các mực độ cao khác nhau, profile thẳng đứng của nhiệt độ và độ ẩm tuyệt đối đƣợc thể hiện trong hình 3.12. Độ ẩm tuyệt đối và nhiệt độ 51
  52. đƣợc tính trung bình các tháng từ 5 đến 10 giai đoạn 1996-2005 của các thí nghiệm. Miền tính trung bình đƣợc lấy từ 8oN đến 24oN và 102oE đến 110oE, bao quanh vừa trọn vẹn khu vực Việt Nam. Về cơ bản, sự khác biệt về độ ẩm tuyệt đối giữa các thí nghiệm có thể nhận thấy đƣợc, trong khi sự khác biệt về nhiệt độ là không đáng kể. Qua hình vẽ, ta nhận thấy profile nhiệt độ thẳng đứng chênh lệch rất nhỏ giữa các trƣờng hợp. Chênh lệch, tuy nhỏ, chủ yếu giữa Reg_Emanuel với 2 trƣờng hợp còn lại và ở dƣới mực 700 mb. Ở trên mực 300 mb, profile của 3 thí nghiệm dƣờng nhƣ đồng nhất. Điều này cũng xảy ra với độ ẩm tuyệt đối, trên 300 mb các thí nghiệm gần nhƣ trùng khít profile, nhƣng dƣới 300 mb, frofile của độ ẩm tuyệt đối có sự khác biệt lớn hơn rõ rệt. Trong đó, khoảng từ 800 mb đến 300 mb có sự khác biệt lớn nhất. Khoảng từ 1000 mb đến 850 mb, profile của Reg_Kuo và Reg_Grell gần nhƣ giống nhau. Trong khoảng này, độ ẩm tuyệt đối của Reg_Emanuel giảm nhanh hơn một chút so với Reg_Kuo và Reg_Grell. Nhìn chung, Reg_Emanuel cho độ ẩm tuyệt đối lớn hơn 2 thí nghiệm còn lại ở tất cả các mực, còn Reg_Grell là thấp nhất. Cuối cùng nhƣng không kém phần đáng chú ý, biểu đồ dạng Hovmoller biểu diễn trung bình trƣợt 5 ngày của nhiệt độ và lƣợng mƣa tiến triển theo các tháng từ tháng 5 đến tháng 10 trung bình giai đoạn 1996-2005 của 3 thí nghiệm đƣợc chỉ ra trong hình 3.13. Giá trị đƣợc đánh giá từ 8oN đến 24oN, trải dài theo khu vực Việt Nam từ miền nam ra miền bắc, và lấy trung bình từ 102oE đến 100oE. Nhìn chung, Reg_Kuo và Reg_Emanuel mô phỏng trƣờng nhiệt phát triển qua các tháng lớn hơn so với Reg_Grell, rõ nét ở miền nam (vĩ độ dƣới 10oN). Sự khác biệt cũng nhận thấy rõ ở khoảng vĩ độ 16oN-18oN và 20oN-22oN. Từ tháng 5 đến tháng 8, sự khác biệt giữa các thí nghiệm cũng lớn hơn và rõ nét hơn khoảng từ tháng 9 đến tháng 10. Với lƣợng mƣa, sự chênh lệch giữa các thí nghiệm là rất rõ nét. Trong khi Reg_Kuo cho thấy sự phát triển của lƣợng mƣa trung bình trƣợt 5 ngày nhỏ (khoảng 5-10 mm) và Reg_Grell cũng chỉ thấy lớn hơn một chút (khoảng 15 mm) vào khoảng sau tháng 7, thì Reg_Emanuel cho thấy lƣợng mƣa lớn ngay từ đầu tháng 6. Trong trƣờng hợp của Reg_Emanuel, đặc biệt chú ý dải vĩ độ 18oN đến 20oN vào các tháng 8, 9 có lƣợng mƣa lớn đáng kể (45 mm). Nhƣ vậy, một cách tổng quát có 52
  53. thể thấy, Reg_Kuo mô phỏng khí hậu khô (lƣợng mƣa nhỏ) với nền nhiệt cao có khác biệt bắc nam lớn trong khi Reg_Emanuel cũng cho nền nhiệt cao ngay từ các tháng 5, 6 và vùng có nhiệt độ cao lan rộng hơn về phía bắc lại kèm theo lƣợng mƣa lớn (bắt đầu khoảng tháng 7). Cuối cùng, Reg_Grell mô phỏng trạng thái “ôn hòa” hơn cả, với nền nhiệt thấp hơn một chút và lƣợng mƣa nằm ở khoảng giữa so với 2 thí nghiệm còn lại. 53
  54. a. b. Hình 3.13 Biểu đồ Hovmoller trung bình trƣợt 5 ngày của nhiệt độ (a) và lƣợng mƣa (b) của các thí nghiệm Reg_Kuo (trên), Reg_Grell (giữa) và Reg_Emanuel (dƣới) Tóm lại, bằng các cách biểu diễn và đánh giá khác nhau cho các trƣờng dự báo hạn mùa từ sản phẩm của RegCM3, ta có thể nhận thấy sự tái tạo tốt của RegCM3 với trƣờng độ cao địa thế vị, trƣờng gió và trƣờng nhiệt độ. Sự khác biệt giữa các thí nghiệm (sử dụng các sơ đồ đối lƣu khác nhau) là có thể nhận thấy, đặc biệt là trƣờng nhiệt độ và lƣợng mƣa trung bình, cũng nhƣ là biến độ ẩm. Xét theo các mực thẳng đứng khác nhau, cũng nhƣ xét theo sự tiến triển theo mùa trên dải vĩ độ của Việt Nam, sự khác biệt và đặc tính của các thí nghiệm đƣợc làm rõ hơn. Trong đó, Reg_Grell cho dự báo hạn mùa với trạng thái “ôn hòa” hơn cả và đánh giá tổng quan chung là tốt hơn cả. 3.2 Đánh giá kết quả dự báo thử nghiệm bằng Reg_CAMSOM 3.2.1 Đánh giá trường đầu vào nhận được từ CAMSOM Ở mục trƣớc, các kết quả “dự báo lý tƣởng” khi thiết kế chạy RegCM3 với đầu vào gần thực (số liệu tái phân tích) đã cho thấy khả năng mô phỏng hạn mùa tốt của RegCM3. Tiếp theo, kết quả dự báo thử nghiệm của RegCM3 với đầu vào CAM-SOM sẽ đƣợc đánh giá với 2 thí nghiệm nhỏ. Nhƣng trƣớc khi xem xét kết 54
  55. quả dự báo thử nghiệm của RegCM3 với đầu vào từ mô hình CAMSOM, ta cần đánh giá trƣờng đầu vào nhận đƣợc từ CAMSOM. Dƣới đây, các từ hình 3.14 đến 3.16 thể hiện trƣờng vectơ gió và độ cao địa thế vị tại các mực 1000, 850 và 500 mb trung bình các tháng 01, 04, 07 nhận đƣợc từ CAMSOM, đƣợc so sánh với số liệu tái phân tích NNRP2. Lƣu ý là nhƣ trình bày trong hình 2.4, các tháng thực hiện thí nghiệm (nhận đầu vào từ CAMSOM) chỉ từ tháng 01 đến tháng 09 nên ở đây chỉ đánh giá cho các tháng 01, 04, 07. Trƣờng vectơ gió đƣợc thể hiện với vectơ đơn vị đồng nhất bằng 7 m/s. Trƣờng độ cao địa thế vị đƣợc thể hiện bằng đƣờng contour màu xanh. Hình 3.14 Trƣờng vectơ gió và độ cao địa thế vị mực 1000 mb trung bình các tháng 1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) 55
  56. Một cách tổng quan, trƣờng đầu vào từ CAMSOM khá tƣơng đồng với số liệu NNRP2, đặc biệt là trong tháng 1. Điều này có thể thấy rõ ở mực 1000 mb, CAMSOM đã tái tạo khá tƣơng đồng với NNRP2 về trƣờng độ cao địa thế vị và tái tạo tốt trƣờng gió cho tháng 1. Tuy vậy, trƣờng gió trong tháng 7 của CAMSOM lại mô phỏng nhỏ hơn nhiều so với NNRP2, đặc biệt là ở phía nam miền phân tích. Điều này có thể do CAMSOM mô phỏng trung tâm áp cao hơn nhƣng rút về phía bắc nhiều hơn so với NNRP2. Trƣờng gió trong tháng 1 và tháng 4 trên khu vực Việt Nam của CAMSOM có giá trị lớn hơn. Nếu xét hẹp trên khu vực Việt Nam thì hƣớng gió tháng 4 có sự sai khác rõ rệt, ở cả miền bắc và miền nam. Hình 3.15 Trƣờng vectơ gió và độ cao địa thế vị mực 850 mb trung bình các tháng 1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) 56
  57. Lên đến mực 850 mb, mô phỏng của CAMSOM lại tốt hơn vào tháng 7 cho trƣờng độ cao và trƣờng gió so với tháng 1, tháng 4. Tuy trƣờng gió yếu hơn, đặc biệt là phía nam, nhƣng trƣờng độ cao hợp lý về độ lớn cũng nhƣ sự lấn xuống phía nam của trung tâm áp. Trong khi đó, ở tháng 1 và tháng 4, các trung tâm áp dƣờng nhƣ “rút lui” nhiều hơn so với trong biểu diễn của số liệu NNRP2. Điều này dẫn đến trƣờng gió đồng nhất hơn về hƣớng và độ lớn cao hơn. Tuy vậy, trƣờng gió nếu chỉ xét trên khu vực Việt Nam thì tái tạo của CAMSOM khác biệt khá nhiều so với số liệu tái phân tích. Hình 3.16 Trƣờng vectơ gió và độ cao địa thế vị mực 500 mb trung bình các tháng 1,4,7 (trái sang phải) của CAMSOM (trên) và NNRP2 (dƣới) Ở mực 500 mb, mô phỏng của CAMSOM nhìn chung là tốt nhất trong các mực, với cả 3 tháng và cả 2 trƣờng. Độ lớn và hình thế phân bố trƣờng độ cao của 57
  58. CAMSOM ở mực này tƣơng đồng cao với số liệu tái phân tích, chỉ khác biệt đôi chút ở phía đông bắc miền phân tích vào tháng 7. Trƣờng gió đƣợc tái tạo tốt cả về hƣớng và độ lớn, phía bắc miền phân tích cho mô phỏng tốt hơn phía nam. Nhƣ vậy, về trƣờng độ cao và trƣờng gió, có thể nói CAMSOM đã tái tạo tốt, cho sự tƣơng đồng cao khi so sánh với số liệu NNRP2. Điều này sẽ giúp cho việc downscaling hiệu quả hơn của mô hình RegCM3, khi mà trƣờng dự báo (từ CAMSOM) gần với trƣờng khí quyển thực (số liệu NNRP2). 3.2.2 So sánh Reg_CAMSOM và Reg_NNRP2 Sau khi đánh giá đƣợc sự tái tạo tốt của CAMSOM, tạo trƣờng đầu vào hiệu quả cho RegCM3, ta tiến hành thêm một thí nghiệm để đánh giá khả năng dự báo của RegCM3 với 2 loại đầu vào khác nhau. Kết quả đầu tiên của thí nghiệm 2 (hình 2.4) là kết quả dự báo của RegCM3 với đầu vào CAMSOM và với đầu vào NNRP2 đƣợc so sánh với nhau (TN2a). Hình 3.17 và 3.18 lần lƣợt thể hiện trƣờng nhiệt độ không khí trung bình mực 2m và trƣờng tổng lƣợng mƣa tháng của các tháng 6, 7, 8 mô phỏng bởi RegCM3 theo số liệu CAMSOM và theo số liệu NNRP2 đƣợc so sánh với nhau. 58
  59. Hình 3.17 Trƣờng nhiệt độ không khí trung bình mực 2m các tháng 6,7,8 (trên xuống dƣới) mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và hiệu giữa chúng (phải). Nhìn chung, cùng tƣơng đồng về sự phân bố nhiệt độ giữa các vùng, sự khác biệt giữa hai kết quả dự báo của RegCM3 với biến nhiệt độ vẫn có thể nhận thấy. Tuy có sự khác biệt riêng, nhƣng nhìn chung ở cả 3 tháng, trƣờng nhiệt độ mô phỏng của Reg_CAMSOM thấp hơn so với Reg_NNRP2 ở miền bắc Việt Nam và cao hơn ở miền nam. Nhiệt độ chênh lệch khoảng 1oC. Tháng 6, nhiệt độ thấp hơn của Reg_CAMSOM xảy ra ở các vùng B2, B3, B4 và N2 nhƣng trong tháng 7 chỉ có vùng B2 là thấp hơn. Tháng 8, các vùng có nhiệt độ của Reg_CAMSOM thấp hơn là B2, B3 và B4. 59
  60. Hình 3.18 Trƣờng tổng lƣợng mƣa các tháng 6,7,8 (trên xuống dƣới) mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và hiệu giữa chúng (phải). Về lƣợng mƣa, nhìn chung cả 3 tháng, nhận thấy ngay sự lớn hơn đáng kể của lƣợng mƣa mô phỏng bởi Reg_CAMSOM so với Reg_NNRP2 trên khu vực Tây Nguyên trong khi lƣợng mƣa thấp hơn nằm ở khu vực B1 và B3. Xét trên khu vực Việt Nam, vào tháng 6, lƣợng mƣa Reg_CAMSOM lớn hơn Reg_NNRP2 hầu 60
  61. hết các khu vực trong khi vào tháng 8 lại thấp hơn ở phần lớn diện tích Việt Nam. Sai số chênh lệch giữa 2 mô phỏng là khoảng 50 đến 100 mm. Nhƣ vậy, sự khác biệt về lƣợng mƣa, đặc biệt ở khu vực miền nam Việt Nam, trong 2 kết quả dự báo có thể nhận ra rõ rệt. Hình 3.19 Nhiệt độ không khí trung bình mực 2m các tháng từ tháng 5 đến tháng 9 mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số liệu quan trắc (phải) tại 48 trạm. Một lần nữa, để chi tiết hóa hơn việc đánh giá, nguồn số liệu tại trạm đƣợc sử dụng để so sánh với 2 sản phẩm dự báo trên. Hình 3.19 thể hiện nhiệt độ mực 2m tính trung bình cho các tháng từ tháng 5 đến tháng 9 từ kết quả mô phỏng của RegCM3 theo số liệu CAMSOM và NNRP2 so sánh với số liệu quan trắc tại trạm. Nhìn chung, kết quả mô phỏng của RegCM3 trong cả 2 trƣờng hợp với đầu vào từ CAMSOM và từ NNRP2 đều thấp hơn so với giá trị quan trắc tại trạm. Các vùng B2, B3, B4, N1 và N3 thể hiện rõ nét điều này. Chỉ một số trƣờng hợp, một số trạm, nhiệt độ mô phỏng là cao hơn (nhƣ các trạm thuộc vùng B1 và trạm Đà Lạt). Tuy vậy, về phân bố nhiệt độ trên toàn Việt Nam, mô phỏng là khá tốt. 61
  62. Hình 3.20 Tổng lƣợng mƣa tháng trung bình trong các tháng từ tháng 5 đến tháng 9 mô phỏng của RegCM3 theo số liệu CAMSOM (trái), NNRP2 (giữa) và số liệu quan trắc (phải) tại 48 trạm. Lƣợng mƣa tính trung bình cho các tháng từ tháng 5 đến tháng 9 từ kết quả mô phỏng của RegCM3 theo số liệu CAMSOM và NNRP2 so sánh với số liệu quan trắc tại trạm đƣợc thể hiện trong hình 3.20. Lƣợng mƣa mô phỏng bởi RegCM với 2 loại đầu vào khác nhau có sự sai khác không lớn và đều thấp hơn so với số liệu quan trắc. Mô phỏng tốt có thể nhận thấy ở vài trƣờng hợp riêng biệt, nhƣ các trạm ven biển Ninh Thuận. Đáng chú ý là mô phỏng của Reg_CAMSOM đặc biệt rất thấp ở khu vực B2. 62
  63. T2m (oC) 35 Reg_CAMSOM Reg_NNRP2 Quan trắc 30 25 20 15 10 5 0 HUE VINH BATO SAPA COTO HANOI DALAT TRAMY SONLA YENBAI HATINH CAMAU TUYHOA PLAYCU AYUNPA PHUQUY CANTHO PHULIEN BAOLOC KONTUM LAICHAU BAICHAY DANANG DONGHA HOABINH HOIXUAN CONDAO HAGIANG RACHGIA NAMDINH NINHBINH DIENBIEN DONGHOI VUNGTAU LANGSON QUYNHON MOCCHAU NAMDONG THANHHOA NHATRANG PHANTHIET HUONGKHE BACQUANG THAINGUYEN BACHLONGVI TUYENQUANG TUONGDUONG Trạm BUONMATHUOT 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. Để thấy rõ hơn sai số trong mô phỏng của Reg_CAMSOM và Reg_NNRP2, hình 3.21 thể hiện nhiệt độ tính trung bình cho các tháng từ tháng 5 đến tháng 9 từ kết quả mô phỏng của RegCM3 theo số liệu CAMSOM và NNRP2 so sánh với số liệu quan trắc tại 48 trạm. Có thể nhận thấy rõ hơn sự mô phỏng thấp hơn đáng kể của 2 thí nghiệm so với số liệu quan trắc. Tuy nhiên vẫn có những trạm mô phỏng xấp xỉ hoặc cao hơn quan trắc, điển hình là các trạm thuộc khu vực Tây Nguyên (nhƣ Bảo Lộc, Kontum, Playcu). Sai số mô phỏng khoảng 2-3oC. Các trạm thuộc vùng N3 (nhƣ Cà Mau, Cần Thơ) có kết quả mô phỏng tốt hơn cả. Ở phần lớn các trạm, mô phỏng của Reg_NNRP2 là cao hơn Reg_CAMSOM, chỉ có một số trạm (nhƣ Điện Biên, Sơn La, Bảo Lộc, Đà Lạt) là Reg_CAMSOM mô phỏng cao hơn. Tpr (mm) 800 Reg_CAMSOM Reg_NNRP2 Quan trắc 600 400 200 0 HUE VINH BATO SAPA COTO HANOI DALAT TRAMY SONLA YENBAI HATINH CAMAU TUYHOA PLAYCU AYUNPA PHUQUY CANTHO PHULIEN BAOLOC KONTUM LAICHAU BAICHAY DANANG DONGHA HOABINH HOIXUAN CONDAO HAGIANG RACHGIA NAMDINH NINHBINH DIENBIEN DONGHOI VUNGTAU LANGSON QUYNHON MOCCHAU NAMDONG THANHHOA NHATRANG PHANTHIET HUONGKHE BACQUANG THAINGUYEN BACHLONGVI TUYENQUANG TUONGDUONG Trạm BUONMATHUOT 63
  64. Hình 3.22 Sai số mô phỏng lƣợng mƣa 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. Hình 3.22 tƣơng tự nhƣ hình 3.21 nhƣng cho lƣợng mƣa. Mô phỏng thiên thấp của Reg_CAMSOM và Reg_NNRP2 đƣợc thấy rõ khi so sánh tại từng điểm trạm. Mô phỏng thiên thấp này đặc biệt thấy rõ ở các trạm thuộc vùng B1 (nhƣ Hà Giang, Lai Châu), B2 (nhƣ Sapa, Bắc Quang) và N2 (nhƣ Bảo Lộc, Playcu). Tại các trạm mô phỏng của Reg_CAMSOM và Reg_NNRP2 khá tƣơng đồng, với xu thế cao hơn một chút của Reg_NNRP2 ở đa phần các trạm. Đến đây, có thể rút ra đƣợc nhận xét về mô phỏng thấp hơn của Reg_CAMSOM cũng nhƣ Reg_NNRP2 so với số liệu quan trắc về cả nhiệt độ và lƣợng mƣa, tuy cả 2 kết quả dự báo cho phân bố theo vùng tốt. Kết quả dự báo của Reg_CAMSOM và Reg_NNRP2 cũng tồn tại sự khác biệt có thể nhận thấy, với sự tái tạo cao hơn một chút của Reg_NNRP2. 3.2.3 Đánh giá kết quả Reg_CAMSOM Reg_CAMSOM sau khi đƣợc đánh giá chất lƣợng dự báo ở thí nghiệm trƣớc sẽ đƣợc thiết lập chạy thử nghiệm tựa nhƣ nghiệp vụ với leadtime cao nhất là 3 tháng (theo TN2b, hình 2.4) cho giai đoạn 2001-2005. Theo nhƣ thiết kế thí nghiệm chạy dự báo bằng mô hình RegCM3 với đầu vào CAMSOM (Hình 2.4), có 3 tháng có đầy đủ kết quả dự báo với các leadtime khác nhau từ leadtime=0 đến leadtime=3. Xin nhắc lại là leadtime thể hiện khoảng thời gian từ khi có sản phẩm dự báo (phát báo) đến thời điểm dự báo (thời điểm bản tin có hiệu lực). Nhƣ vậy leadtime tăng lên tức là ta có bản tin dự báo sớm hơn, thời điểm đƣợc dự báo trƣớc xa hơn. Việc dự báo sớm hơn tạo điều kiện tốt hơn cho các ứng dụng khác của bản tin dự báo, tuy nhiên cũng cần tránh việc do dự báo quá sớm (leadtime lớn) dẫn đến sai số lớn của bản tin. Do đó, việc đánh giá kết quả dự báo với các leadtime khác nhau có ý nghĩa trong việc xác định đƣợc leadtime hợp lý nhất. Trƣớc hết ta đánh giá kết quả dự báo nhiệt độ trung bình mực 2m và lƣợng mƣa trung bình tháng của 3 tháng này 64
  65. bằng cách so sánh với số liệu CRU. Hình 3.23 hiển thị nhiệt độ trung bình mực 2m của 3 tháng 4, 5, 6 theo số liệu CRU trong giai đoạn 2001-2005. Các hình từ hình 3.24 đến 3.26 thể hiện sai số dự báo nhiệt độ mực 2m của Reg_CAMSOM so với số liệu CRU trong các tháng 4, 5, 6 với các leadtime khác nhau. 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. Theo số liệu CRU, nhiệt độ trung bình mực 2m của các tháng 4, 5, 6 nằm trong khoảng từ 23oC đến 30oC. Ở khu vực miền bắc của Việt Nam (các vùng B1, B2, B3) nhiệt độ tăng lên khoảng 2-3oC từ tháng 4 đến tháng 6, trong khi khu vực miền trung và miền nam, nền nhiệt duy trì cao và ít có sự thay đổi. Sự tăng cƣờng ảnh hƣởng của áp thấp nóng phía tây bắt đầu rõ rệt vào khoảng cuối tháng 3, đầu tháng 4 đối với các phân vùng khí hậu miền Bắc là nguyên nhân chính tạo ra sự khác biệt này. 65
  66. Hình 3.24 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 4 với các leadtime khác nhau Trong tháng 4, nhìn chung dự báo nhiệt độ mực 2m của Reg_CAMSOM thấp hơn nhiều (khoảng 3oC) so với số liệu CRU. Và trong các leadtime khác nhau sai số dự báo là không khác biệt nhiều trên khu vực Việt Nam (khu vực Đông Bắc, thuộc miền nam Trung Quốc sai số có sự khác biệt rõ nét hơn. Trên khu vực Việt Nam, sai số lớn hơn cả là ở vùng B1, nơi địa hình cao (dãy Hoàng Liên Sơn), duy trì sai số lớn qua các leadtime khác nhau. Trong khi đó khu vực B2 và B3, đặc biệt là đồng bằng Bắc Bộ, kết quả dự báo có vẻ tốt hơn cả, sai số khoảng 1.5oC. Sai số ở khu vực này tăng lên khi leadtime tăng lên, trong đó kết quả dự báo tại leadtime=1 cho kết quả khả quan nhất. Sai số dự báo ở miền Trung và miền Nam không có sự khác biệt lớn giữa các leadtime khác nhau, trong đó với leadtime=2 kết quả sai số thấp hơn các trƣờng hợp còn lại. Dƣờng nhƣ có sự nhạy cảm với địa hình trong kết quả dự báo. Lƣu ý đầu tiên là tại leadtime=2, kết quả dự báo nhìn chung là cho sai 66
  67. số nhỏ nhất trong các trƣờng hợp, khi tăng lên leadtime=3 sai số dự báo càng thiên âm nhiều hơn. Hình 3.25 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 5 với các leadtime khác nhau Kết quả dự báo trong tháng 5 tốt hơn so với trong tháng 4, với sai số nằm trong khoảng 1.5oC. Sai số vẫn duy trì xu thế thiên âm trên toàn Việt Nam, sai số cho xu thế thiên âm chỉ xuất hiện trên một khu vực nhỏ thuộc Trung Quốc. Khu vực B1 vẫn là nơi có sai số lớn hơn cả (khoảng 3.5oC) trong khi đó giá trị sai số không còn sự khác biệt nhiều giữa vùng đồng bằng Bắc Bộ và các vùng khác thuộc miền trung và miền nam của cả nƣớc. Xu thế sai số giảm khi leadtime tăng lên (từ 0 đến 3 tháng) xuất hiện, với sai số thấp hơn cả khi leadtime=3. Đây là một điểm khác biệt so với kết quả dự báo trong tháng 4. 67
  68. Hình 3.26 Sai số dự báo nhiệt độ không khí trung bình mực 2m của tháng 6 với các leadtime khác nhau Trong tháng 6, sai số dự báo tuy vẫn duy trì xu thế thiên âm nhƣng chỉ còn khoảng 1oC. Trong 3 tháng đánh giá ở đây, kết quả dự báo tháng 6 là tốt nhất. Tuy vậy cũng cần lƣu ý là nền nhiệt trong tháng 6 là cao nhất trong 3 tháng và sự khác biệt giữa các vùng trên khu vực Việt Nam cũng không lớn, nhƣ đã chỉ ra trong hình 3.23. Sai số lớn vẫn nằm trong vùng B1, và các sai số nhỏ nằm ở vùng đồng bằng Bắc Bộ, vùng B4 và khu vực Nam Bộ. Sai số đƣợc cải thiện khi leadtime tăng lên, có thể thấy rõ ở khu vực Đông Bắc Bộ, Tây Nguyên và Nam Trung Bộ. Nhƣ vậy, sai số dự báo nhiệt độ 2m trong cả 3 tháng khi xét với các leadtime khác nhau đều cho xu thế thiên âm trên khu vực Việt Nam. Vùng núi có địa hình cao thuộc khu vực B1 có sai số dự báo cao nhất, trong khi vùng đồng bằng Bắc Bộ có sai số thấp hơn cả. Ở các tháng 5, 6 sai số dự báo giảm khi leadtime tăng từ 0 68
  69. tháng lên 3 tháng. Một cách hiểu đơn giản là dự báo sớm cho kết quả sai số thấp hơn hay việc tăng leadtime đến một khoảng thời gian thích hợp đã cải thiện kết quả dự báo. Cần nhiều đánh giá hơn để có thể kết luận điều này. Nhƣng cũng lƣu ý về nền nhiệt các tháng 5 và 6 là đồng đều hơn trên khu vực Việt Nam so với tháng 4. Hình 3.27 Lƣợng mƣa trung bình của (a) tháng 4, (b) tháng 5, (c) tháng 6 theo số liệu CRU. Lƣợng mƣa trung bình tháng 4, 5, 6 trong giai đoạn 2001-2005 theo số liệu CRU đƣợc hiển thị trong hình 3.27. Các hình từ Hình 3.28 đến 3.30 thể hiện sai số dự báo lƣợng mƣa của Reg_CAMSOM so với số liệu CRU trong các tháng 4, 5, 6 với các leadtime khác nhau. Theo số liệu CRU, lƣợng mƣa các tháng 5 và 6 lớn hơn nhiều so với tháng 4. Lƣợng mƣa trung bình tháng 4 trên khu vực Việt Nam nằm trong khoảng 50 đến 100 mm trong khi đó lƣợng mƣa trung bình các tháng 5 và 6 nằm trong khoảng 400 mm. Khu vực ven biển Nam Trung Bộ lƣợng mƣa thấp hơn so với các khu vực còn lại trong cả nƣớc. 69
  70. Hình 3.28 Sai số dự báo lƣợng mƣa trung bình của tháng 4 với các leadtime khác nhau Dự báo lƣợng mƣa trong tháng 4 cho sai số thiên âm trên hầu hết khu vực Việt Nam ngoại trừ khu vực ven biển Nam Trung Bộ cho dự báo thiên dƣơng. Sai số dự báo lƣợng mƣa nằm khoảng 200 mm đối với dự báo thiên âm và khoảng 100 mm đối với vùng có kết quả thiên dƣơng. Nhìn chung, sai số dự báo các khu vực đƣợc cải thiện khi leadtime tăng lên (từ 0 đến 3 tháng). Chỉ đặc biệt khu vực ven biển Nam Trung Bộ, nơi cho dự báo thiên dƣơng, giá trị sai số dự báo nhỏ nhất nằm trong khoảng 30 mm lại trong trƣờng hợp leadtime=1. Đến leadtime=3, khu vực dự báo thiên dƣơng có xu hƣớng co dần lên khu vực Bắc Trung Bộ. Nhìn chung, nhƣ dự tính trƣớc, kết quả dự báo lƣợng mƣa cho sai số lớn. 70
  71. Hình 3.29 Sai số dự báo lƣợng mƣa trung bình của tháng 5 với các leadtime khác nhau Trong tháng 5, sai số dự báo lƣợng mƣa có sự khác biệt giữa các khu vực trong cả nƣớc rõ nét hơn và xu thế dự báo thiên âm chiếm ƣu thế gần nhƣ toàn bộ trên khu vực Việt Nam trong tất cả các trƣờng hợp. Trong đó, xuất hiện khu vực có sai số nhỏ hơn hẳn nằm trong khu vực Tây Nguyên. Sai số tại khu vực này có sự khác biệt giữa các leadtime khác nhau, chuyển từ thiên dƣơng sang thiên âm với sai số khoảng 30 mm. Khu vực ven biển Nam Trung Bộ vẫn là khu vực cho sai số thiên âm nhỏ hơn các khu vực khác, khoảng 50 mm. Mặt khác, khu vực B2 và B3 lại là nơi cho kết quả dự báo thiên âm lớn nhất, lên đến khoảng 300 mm. Nhìn lại hình 3. 27, đây là khu vực có lƣợng mƣa lớn hơn so với các khu vực khác trong cả nƣớc, tuy vậy khu vực B4 cũng có lƣợng mƣa xấp xỉ nhƣng sai số lại không rõ nét nhƣ vậy. Một điểm lƣu ý nữa là việc thay đổi leadtime dƣờng nhƣ không cải thiện đƣợc sai số dự báo. 71
  72. Đối với tháng 6, giá trị sai số thiên âm chiếm toàn bộ miền đánh giá, với sai số trong khoảng 100 đến 400 mm. Đặc biệt, sai số lớn xuất hiện ở khu vực B4 duy trì rõ nét trong tất cả các trƣờng hợp leadtime khác nhau. Đây là khu vực có lƣợng mƣa lớn theo số liệu CRU (hình 3. 30). Một lần nữa khu vực có sai số nhỏ là Nam Trung Bộ và Tây Nguyên, thấp hơn quan trắc khoảng 50 mm. Giữa các leadtime khác nhau không có sự khác biệt về sai số lớn, hay việc thay đổi leadtime không cải thiện đƣợc sai số nhìn chung trên khu vực Việt Nam. Tuy vậy, khi xét khu vực nhỏ hơn (nhƣ B1 hay N3) thì cũng có sự thay đổi nhận thấy đƣợc về sai số trong các trƣờng hợp leadtime khác nhau. Hình 3.30 Sai số dự báo lƣợng mƣa trung bình của tháng 6 với các leadtime khác nhau Đến đây, qua đánh giá dự báo lƣợng mƣa cho các tháng 4, 5, 6 có thể nhận thấy việc thay đổi leadtime không chỉ ra đƣợc cải thiện hay khác biệt nào lớn trong việc dự báo lƣợng mƣa. Những khu vực có lƣợng mƣa lớn có sai số dự báo lớn hơn 72
  73. cả, điều này có thể lý giải do việc mô phỏng khô hơn của Reg_CAMSOM đƣợc phân tích trong kết quả của thí nghiệm TN2a (mục 3.2.2). Bên cạnh đó, đây là kết quả dự báo lấy trung bình trong giai đoạn 2001-2005, mà chƣa tách biệt để đánh giá các năm chịu tác động đặc biệt của các hiện tƣợng nhƣ ENSO (mục 3.1.1). Để đánh giá kĩ hơn, sử dụng nguồn số liệu quan trắc tại trạm ta tiến hành đánh giá sai số dự báo với các leadtime khác nhau và các tháng cần dự báo khác nhau. Hình 3.31 đến hình 3.36 thể hiện các chỉ tiêu đánh giá của kết quả dự báo nhiệt độ 2m và lƣợng mƣa bằng mô hình RegCM3, so sánh với số liệu quan trắc. Các chỉ tiêu đó là sai số trung bình (ME), sai số trung bình tuyệt đối (MAE), sai số quân phƣơng (RMSE) và hệ số tƣơng quan (CC). Các kết quả đƣợc thể hiện trên đồ thị với trục tung thể hiện leadtime (từ 0 đến 3 tháng) và trục hoành thể hiện tháng cần dự báo. Các kết quả đƣợc xét trên tất cả các trạm (48 trạm), đồng thời xét riêng cho các trạm thuộc các vùng B1, B2, B3, B4 (tạm gọi là miền Bắc) và các trạm thuộc vùng N1, N2, N3 (tạm gọi là miền Nam). ME MAE RMSE CC Hình 3.31 Sai số dự báo nhiệt độ mực 2m tại 48 trạm. Đối với dự báo nhiệt độ mực 2m, nhìn chung sai số dự báo giảm khi dự báo các tháng mùa hè (tháng 6, 7, 8) so với dự báo cho các tháng mùa đông (tháng 1, 2). 73
  74. RMSE giảm từ 4oC xuống khoảng 2.5oC. Nền nhiệt mùa hè cao, kết hợp với biên độ dao động nhiệt của mùa hè cũng thấp hơn so với mùa đông có thể là nguyên nhân của sự chênh lệch sai số này. Trong dự báo từng tháng việc thay đổi leadtime không có sự khác biệt lớn về sai số dự báo (chỉ chênh lệch khoảng 0.2oC). Dự báo thiên âm trong tất cả các trƣờng hợp, tƣơng đồng với kết quả khi so sánh với số liệu CRU. Hệ số tƣơng quan cao nằm ở các tháng mùa đông (tháng 1, 2) với hệ số khoảng 0.8. ME MAE RMSE CC Hình 3.32 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Bắc Khi chỉ xét riêng cho các trạm miền Bắc, dự báo vẫn cho kết quả thấp hơn so với quan trắc, khoảng 3oC. Dự báo các tháng mùa đông cho các trạm miền Bắc vẫn cho sai số lớn hơn so với dự báo các tháng trong mùa hè. Khi chỉ xét riêng các trạm miền bắc, hệ số tƣơng quan chỉ còn nằm trong khoảng 0.5 đến 0.7. Việc thay đổi leadtime (tăng từ 0 đến 3 tháng) không tác động nhiều đến sai số. Sai số giảm nhẹ khi dự báo các tháng 5, 6 và 7, cũng chỉ khoảng 0.2oC. Sai số tăng lên khi dự báo các tháng 3 và 4. 74
  75. ME MAE RMSE CC Hình 3.33 Sai số dự báo nhiệt độ mực 2m tại các trạm miền Nam Xu thế dự báo nhiệt độ thiên âm vẫn thấy khi chỉ xét riêng các trạm miền Nam tuy vậy sự giảm sai số dự báo khi leadtime tăng có thể đƣợc nhận thấy ở một số trƣờng hợp. Các tháng 5 và 6 cho thấy rõ điều này khi sai số giảm khoảng 0.2oC từ leadtime 1 đến 3. Tuy vậy, bên cạnh đó, các tháng nhƣ 2, 3, 4 lại cho thấy sai số dự báo tăng khi leadtime tăng. Hệ số tƣơng quan nhận đƣợc chỉ khoảng 0.55. ME MAE 75
  76. RMSE CC Hình 3.34 Sai số dự báo lƣợng mƣa tại 48 trạm. Sai số dự báo lƣợng mƣa vẫn cho giá trị thiên âm giống nhƣ với biến nhiệt độ ở tất cả các tháng cần dự báo và các leadtime khác nhau. Nếu xét trên cả 48 trạm thì sự thay đổi leadtime không làm thay đổi nhiều sai số dự báo. Có thể thấy điều này rõ nét ở tháng 5, 6 và 7. Sai số các tháng từ tháng 5 đến tháng 9 lớn hơn các tháng từ 1 đế 4. Hệ số tƣơng quan thấp hơn nhiều so với biến nhiệt độ, chỉ khoảng 0.2. ME MAE RMSE CC Hình 3.35 Sai số dự báo lƣợng mƣa tại các trạm miền Bắc Hình 3.35 và 3.36 thể hiện sai số dự báo lƣợng mƣa khi xét riêng cho các trạm miền Bắc và các trạm miền Nam. Nhìn chung, xu thế sai số tƣơng đồng với khi 76
  77. xét cho cả khu vực Việt Nam. Sai số các tháng từ tháng 5 trở đi lớn hơn sai số dự báo trong các tháng trƣớc đó. Xu thế dự báo vẫn thiên âm rõ rệt và hệ số tƣơng quan khá thấp. Sự thay đổi sai số dự báo khi thay đổi các leadtime cũng không rõ rệt. Có thể nhận thấy ở tháng 5, 6 đối với các trạm miền Bắc và tháng 3, 4 đối với các trạm miền Nam. Nhƣ vậy, nhìn chung, đối với cả hai biến nhiệt độ và lƣợng mƣa, xu thế dự báo thiên âm rõ rệt khi thực hiện các đánh giá. Bên cạnh đó, ảnh hƣởng của các leadtime khác nhau (theo nhƣ thí nghiệm) không đƣợc nhận thấy rõ nét. Sai số dự báo lớn, còn hệ số tƣơng quan chỉ tốt đối với biến nhiệt độ và khá kém đối với biến lƣợng mƣa. ME MAE RMSE CC Hình 3.36 Sai số dự báo lƣợng mƣa tại các trạm miền Nam 77
  78. KẾT LUẬN Ý nghĩa khoa học và thực tiễn của bài toán dự báo hạn mùa đã đƣợc chỉ ra, trên quy mô toàn cầu. Từ đó, luận văn đã hoàn thành nghiên cứu khả năng ứng dụng mô hình RegCM3 dự báo hạn mùa ở khu vực Việt Nam. Mục tiêu chính là thử nghiệm các sơ đồ tham số hóa khác nhau của RegCM3 trong việc mô phỏng hạn mùa đối với khu vực Việt Nam và đồng thời kết hợp đầu ra của mô hình toàn cầu (ở đây là hệ thống CAM-SOM) để thực hiện dự báo hạn mùa. Một số kết luận ban đầu là: + Mô hình RegCM3 tái tạo tốt các trƣờng độ cao và trƣờng gió trong mùa hè (từ tháng 4 đến tháng 10) của giai đoạn đƣợc nghiên cứu (1996-2005). Kết quả mô phỏng ở các mực đƣợc đánh giá trong chƣơng 3 đã chỉ ra điều đó. + Mô hình RegCM3 cũng tái tạo tốt trƣờng nhiệt độ 2m ở với cả 3 sơ đồ tham số hóa đối lƣu khác nhau (phân bố nhiệt độ tƣơng đồng với quan trắc, sai số xấp xỉ 1oC). Riêng đối với biến lƣợng mƣa, có sự khác biệt lớn khi thay đổi các sơ đồ. Trong đó, Reg_Grell cho kết quả mô phỏng “ôn hòa” và gần với quan trắc hơn cả, còn Reg_Emanuel lại cho lƣợng mƣa quá lớn. + Mô hình RegCM3 có khả năng kết hợp đƣợc với hệ thống mô hình CAMSOM. Chƣơng trình để đọc đầu ra của CAMSOM tạo đầu vào cho RegCM3 đƣợc phát triển. Các kết quả mô phỏng khi đƣợc so sánh với trƣờng hợp đầu vào là số liệu tái phân tích cũng cho kết quả tốt. + Với thiết kế dự báo ban đầu (chạy với leadtime từ 0 đến 3 tháng), các kết quả chƣa cho thấy rõ sự khác biệt rõ nét giữa các leadtime khác nhau. Xu thế dự báo thiên âm là rõ rệt đối với cả biến nhiệt độ và lƣợng mƣa. Cần có sự hiệu chỉnh kết quả nếu nghiên cứu kĩ hơn sau này. 78