Thạc Sĩ Nghiên cứu thử nghiệm dự báo định lượng mưa từ sản phẩm dự báo của mô hình HRM và GSM

BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG
TRUNG TÂM KHÍ TƯỢNG THUỶ VĂN QUỐC GIA

CHƯƠNG I. KHÁI QUÁT VỀ PHƯƠNG PHÁP THỐNG KÊ SAU MÔ HÌNH CHO DỰ BÁO XÁC SUẤT ĐỊNH LƯỢNG MƯA 4
1.1 Khái quát về các nghiên cứu ứng dụng thống kê sau mô hình cho
dự báo xác suất định lượng mưa4
1.1.1 Các cách tiếp cận cho bài toán thống kê sau mô hình 4
1.1.2 Khái quát về một số nghiên cứu sử dụng cách tiếp cận MOS cho dự
báo xác suất định lượng mưa8
1.1.2.1 Trên thế giới 8
1.1.2.2 Giới thiệu một số hệ thống MOS nghiệp vụ trên thế giới 12
1.1.2.3 Tại Việt Nam 13
1.1.2.4 Nghiên cứu lựa chọn mô hình MOS phù hợp cho điều kiện Việt Nam 14
1.2 Giới thiệu một số phương pháp thống kê sau mô hình 14
1.2.1 Hồi quy tuyến tính đa biến 14
1.2.2 Hồi quy Logistic 15
1.2.3 Phân tích phân biệt 16
1.2.4 Mạng thần kinh nhân tạo 19

CHƯƠNG II . NGHIÊN CỨU THIẾT KẾ VÀ XÂY DỰNG CÁC MÔ HÌNH MOS DỰ BÁO XÁC SUẤT ĐỊNH LƯỢNG MƯA 21
2.1 Thiết kế và xây dựng các mô hình MOS dự báo xác suất định lượng mưa 21
2.1.1 Thiết kế các mô hình MOS dự báo xác suất định lượng mưa 21
2.1.2 Mô tả tập số liệu nghiên cứu 24
2.1.3 Phương pháp xử lý số liệu và tuyển chọn nhân tố 25
2.1.4 Phương pháp đánh giá 28
2.2 Các kết quả đánh giá 33
2.2.1 Nhân tố dự báo 33
2.2.2 Lựa chọn số nút ẩn tối ưu cho phương pháp ANN 37
2.2.3 Kết quả đánh giá và so sánh kỹ năng dự báo 40
Kết luận chương II53

CHƯƠNG III. NGHIÊN CỨU THIẾT KẾ VÀ XÂY DỰNG CÁC MÔ HÌNH MOS DỰ BÁO ĐỊNH LƯỢNG MƯA 54
3.1 Thiết kế và xây dựng các mô hình MOS dự báo định lượng mưa 54
3.1.1 Thiết kế các mô hình MOS dự báo định lượng mưa 54
3.1.2 Mô tả tập số liệu nghiên cứu 55
3.1.3 Phương pháp xử lý số liệu và tuyển chọn nhân tố 55
3.1.4 Phương pháp đánh giá 57
3.2 Các kết quả đánh giá 60
3.2.1 Nhân tố dự báo 60
3.2.1.1 Phương pháp MLR 60
3.2.1.2 Phương pháp FE-BPNN 65
3.2.2 Lựa chọn số nút ẩn tối ưu cho phương pháp ANN 67
3.2.3 Kết quả đánh giá và so sánh kỹ năng dự báo 68
3.2.3.1 Kết quả đánh giá cho phương pháp MLR 68
3.2.3.2 Kết quả đánh giá cho phương pháp FE-BPNN 83
Kết luận chương III 86

CHƯƠNG IV. MỘT SỐ KẾT QUẢ THỬ NGHIỆM NGHIỆP VỤ 54
4.1 Lựa chọn mô hình MOS dự báo xác suất và định lượng mưa nghiệp vụ 87
4.2 Một số kết quả đánh giá nghiệp vụ 88
4.2.1 Dự báo xác suất định lượng mưa 88
4.2.2 Dự báo định lượng mưa 93
4.2.3 Dự báo cho một số đợt mưa lớn mùa hè năm 2009 95
KẾT LUẬN VÀ KIẾN NGHỊ 102
TÀI LIỆU THAM KHẢO 105


MỞ ĐẦU
Dự báo mưa, đặc biệt dự báo định lượng mưa là một vấn đề rất khó khăn đồng
thời cũng là một trong những yêu cầu cấp thiết trong công tác dự báo, đặc biệt trong
dự báo bão, lũ, phục vụ phòng tránh thiên tai và kinh tế xã hội, điều tiết hồ chứa.
Việc sử dụng phương pháp synốp truyền thống chỉ có thể dự báo mưa một cách
định tính. Tuy các mô hình dự báo thời tiết số trị (NWP) có thể đưa ra những dự
báo định lượng, nhưng những sản phẩm dự báo trực tiếp từ mô hình (DMO - Direct
Model Output) thường có những sai số hệ thống nhất định liên quan đến nhiều yếu
tố, đặc biệt là vấn đề tham số hóa. Hơn nữa, DMO cũng chưa tính đến các yếu tố
địa phương của chính những địa điểm dự báo.
Từ lâu, phương pháp dự báo thống kê bằng cách xây dựng các phương trình
hồi qui tuyến tính đơn giản giữa yếu tố dự báo với các yếu tố đã biết (nhưng không
phải từ mô hình số trị) đã được áp dụng trong dự báo thời tiết. Từ khi mô hình số
được đưa vào nghiệp vụ, phương pháp thống kê có kết hợp với các sản phẩm của
mô hình bắt đầu được hình thành để làm tăng cường thêm những kết quả của dự báo
động lực trong dự báo nghiệp vụ. Hai phương pháp thống kê cơ bản không có và có
sử dụng sản phẩm của mô hình NWP là Dự báo hoàn hảo (PP - Perfect Prognosis)
và Thống kê sau mô hình (MOS - Model Ouput Statistics). Về cơ bản, cả hai cách
tiếp cận này đều sử dụng các phương trình hồi quy nhiều biến trong đó các nhân tố
được lựa chọn thông qua một sơ đồ tuyển chọn nhân tố.
Hiện nay, ở hầu hết các trung tâm dự báo trên thế giới, song song với việc đưa
ra các sản phẩm mô hình thường có các chỉ dẫn thống kê (guidance) để thêm giá trị
vào những sản phẩm trực tiếp của mô hình. Đây là phương thức hợp lý để diễn xuất
mô hình một cách khách quan nhằm loại bỏ những sai số của mô hình và dự báo
định lượng cho địa điểm có tính đến các điều kiện khí hậu và địa phương cụ thể. Cơ
quan khí tượng Mỹ là nơi đã áp dụng MOS nhiều nhất đối với các mô hình khác
nhau để đưa ra các sản phẩm dự báo nghiệp vụ. Ngoài ra, Trung tâm Dự báo Hạn
vừa Châu Âu (ECMWF), Cơ quan khí tượng Úc (BoM), Cơ quan khí tượng Hồng
Kông (HKO), Cục khí tượng Trung Quốc (CMA), cũng áp dụng phương pháp
MOS đối với mô hình nghiệp vụ để nâng cao chất lượng dự báo DMO.
Tuy nhiên, việc sử dụng các dự báo bằng PP hay MOS vẫn còn đang tiếp tục
được đánh giá và hoàn thiện hơn. Gần đây, cùng với sự phát triển của tốc độ tính
toán và xử lý của máy tính, một số kỹ thuật thống kê phi tuyến bắt đầu được quan
tâm chú ý và thử nghiệm trong các bài toán MOS cho dự báo định lượng mưa như
như phương pháp thống kê nhân tạo, mạng thần kinh nhân tạo, hồi quy logistic,
phân tích phân biệt, . Ngoài ra, một số biến thể cập nhập khác như như UMOS và
Nghiên cứu thử nghiệm dự báo định lượng mưa từ sản phẩm dự báo của mô hình HRM và GSM 1
Trung Tâm Dự báo KTTV Trung ương Trung tâm KTTV Quốc Gia
lọc Kalman cũng đã được nghiên cứu để khắc phục những hạn chế của MOS khi có
những thay đổi lớn trong mô hình NWP.
Tại Việt Nam, trước năm 1997, trong nghiệp vụ dự báo hàng ngày, chủ yếu sử
dụng phương pháp synốp để dự báo hình thế thời tiết. Một số các công cụ trên cơ sở
phương pháp thống kê truyền thống cũng được xây dựng, nhưng phần lớn là những
phương trình hồi qui đơn giản áp dụng cho một vài điểm, chỉ để dự báo một số nhân
tố truyền thống như nhiệt độ, vận tốc gió, và phần lớn là áp dụng cho những dự báo
hạn vừa và dài. Từ năm 1997 trở lại đây, trên cơ sở hợp tác song phương với một số
trung tâm dự báo quốc tế, rất nhiều sản phẩm mô hình NWP đã được thu nhận, lưu
trữ và phục vụ tác nghiệp tại Trung Tâm Dự báo Khí tượng thủy văn Trung ương
(TTDBTƯ). Năm 2002, TTDBTƯ bắt đầu chạy nghiệp vụ mô hình số phân giải cao
HRM với phiên bản 28km và 14km.
Trong lĩnh vực thống kê sau mô hình cho bài toán dự báo định lượng mưa, cho
đến nay có rất ít nghiên cứu về vấn đề này. Tại Tổng cục KTTV trước kia, đã có
những nghiên cứu ban đầu về sử dụng mạng thần kinh nhân tạo ANN cho dự báo
khí hậu, dự báo lũ cho một số sông và thu được một số kết quả nhất định. Tuy
nhiên, việc ứng dụng hệ ANN cho dự báo các yếu tố độc lập, nhất là dự báo lượng
mưa có sử dụng sản phẩm từ mô hình dự báo số cho đến nay vẫn chưa được triển
khai ở Việt Nam.
Như vậy, đến nay TTDBTƯ đã có một số mô hình nghiệp vụ để phục vụ công
tác dự báo. Tuy nhiên, việc ứng dụng các sản phẩm này kết hợp với các thông tin
khác trong dự báo thời tiết nghiệp vụ vẫn còn ở dạng rời rạc, thiếu hệ thống. Các
sản phẩm của mô hình chủ yếu được tham khảo một cách chủ quan. Trong khi các
mô hình cũng còn cần được cải tiến cho phù hợp với hoàn lưu của khu vực, cũng
như phù hợp với các điều kiện địa phương. Xuất phát từ thực tế này, bài toán xử lý
hậu mô hình với cách tiếp cận thống kê là rất cần thiết. Đây là những công cụ
khách quan để diễn giải đầu ra của mô hình hỗ trợ cho dự báo synốp truyền thống
nhằm nâng cao khả năng dự báo mưa một cách định lượng để phục vụ sự phát triển
kinh tế xã hội và phòng chống giảm nhẹ thiên tai. Dựa trên những mục tiêu và nội
dung công việc đã được đăng ký trong bản thuyết minh đề tài, nội dung của báo cáo
tổng kết đề tài sẽ được bố cục thành các phần sau: