BÀI 2: DỰ BÁO TỔ HỢP

I. GIỚI THIỆU CHUNG:

Do nhu cầu thực tiễn của con người, đã thấy được sự cần thiết của các quá
trình dự báo thời tiết, mưa bão, nước… Trước đây, con người chỉ sử dụng các
phương pháp dự báo thông thường như dự báo bằng phương pháp lấy trung
bình…Do trong quá trình đo đạc có quá nhiều số liệu để xử lý nên hệ thống
máy tính đã dần được áp dụng vào cho tiện lợi hơn cho việc tính toán. Các quá
trình dự báo không chắc chắn chính xác hay chưa gần với thực tế nên phương
pháp dự báo tổ hợp đã được thiết lập nhằm hạn chế, khắc phục những khó khăn
ban đầu chưa giải quyết được. Phương pháp dự báo này ra đời đã cải tiến rất
nhiều trong vấn đề dự báo mang lại tính chính xác cao hơn.
Việc sử dụng hệ thống máy tính là điều quan trọng trong việc dự báo, mà con
người có thể không làm được như thế. Ở đây đã sử dụng các mô hình vào trong
dự báo, mang lại tính chính xác cao và được coi là phương pháp thực nghiệm,
được gọi là dự báo tổ hợp. Các số liệu được lấy một cách đồng thời, mỗi số
liệu được lấy với sự biến đổi các điều kiện đầu vào biến đổi. Dự báo tổ hợp sẽ
gồm khoảng 30 – 50 dự báo thành phần (member forecast), sau khi số liệu đã
có và đưa vào chạy mô hình nhiều lần, sau đó chúng ta sẽ thảo luận trước khi
đưa cho mọi người. Hơn nữa, chúng ta phải cân bằng các yếu tố giữa dự báo
truyền thống với dự báo tổ hợp. Việc kiểm tra một cách chính xác mất nhiều
thuận lợi hơn, trong dự báo khoảng 5 ngày, thì dự báo tổ hợp là thích hợp hơn.

II. KHÁI QUÁT VỀ DỰ BÁO TỔ HỢP (DBTH):

1. Định nghĩa:
- Các mô hình số trị và đồng hóa dữ liệu trong những năm gần đây đã có tiến
bộ hết sức to lớn, vì thế dự báo của chúng ta trong ngày thứ ba vẫn còn tốt
như một ngày cách đây khỏang 20 năm. Dù vậy những dự báo số trước vài
ngày cũng sai lầm lớn thậm chí dự báo một ngày có thể gặp những sai số
lớn. Lý do của sự sai số này là hỗn loạn (chaotic) tự nhiên của bầu khí
quyển mà chúng ta đang sống. Những sai số nhỏ trong điều kiện (BC) ban
đầu có thể dẫn đến sai số rất lớn trong dự báo và ta không thể tạo ra một hệ
thống dự báo hoàn hảo. Hơn nữa, chúng ta không thể quan sát một cách chi
tiết trạng thái ban đầu của khí quyển .Vì thế ta đưa ra DBTH.
- DBTH đã và đang là một trong những phương pháp dự báo chính ở nhiều
trung tâm dự báo lớn trên thế giới. Ở Việt Nam tuy là hướng nghiên cứu
còn khá mới mẻ nhưng nó đang thu hút đuợc sự quan tâm đầu tư nghiên
cứu của nhiều nhà khoa học. Đã có nhiều công trình nghiên cứu về DBTH
bão của Nguyễn Chi Mai, dự báo các trường khí tượng trên biển Đông trên
cơ sở các mô hình RAMS và ETA của Trần Tân Tiến,…
- Mặc dù việc dự báo thời tiết ngày càng chính xác nhưng vẫn còn một vài
yếu tố không chính xác trong dự báo. Hệ thống để dự báo một cách khoa
học và có định lượng sự thay đổi của khí quyển từ ngày này sang ngày khác
 và cố gắng dự báo ở quy mô thời gian theo tháng và theo mùa, đó chính là
DBTH.
- Coi khí quyển có bản chất là tập hợp thống kê, DBTH chính xác hơn các dự
báo riêng lẻ. Hiện nay có 4 phương pháp đuợc sử dụng rộng rãi: phương
pháp lấy trung bình đơn giản, phương pháp lấy trung bình có trọng số,
phương pháp “Spaghetti” và phương pháp xác xuất.
- Phương pháp lấy trung bình đơn giản coi trọng số của mọi dự báo thành
phần là như nhau. Đặc điểm của phuơng pháp này là đơn giản, dễ thực
hiện, tuy nhiên chất lượng dự báo phụ thuộc quá lớn vào tập mẫu sử dụng.
- Phương pháp lấy trung bình có trọng số có tính đến trọng số của mỗi dự
báo thành phần. Các trọng số này phụ thuộc ít hay nhiều vào DBTH và tỉ lệ
nghịch với sai số dự báo tương ứng. Vì vậy, chất lượng DBTH phụ thuộc
vào độ tin cậy của các trọng số.
- Phương pháp ’spaghetti’ là hiển thị toàn bộ dự báo thành phần và DBTH
trên một bản đồ. Trên bản đồ có nhiều đường đan xen lẫn nhau. Nơi các
đuờng này nằm gần nhau thì độ tin cậy càng lớn. Ngược lại thì có độ tin cậy
càng kém.
- Phương pháp xác suất về vị trí của các đường đẳng áp và các vùng mưa với
ngưỡng lượng mưa khác nhau trong DBTH là thông tin có ý nghĩa đối với
dự báo viên. Xác định xác suất ứng với sản phẩm DBTH theo nguyên tắc
đơn giản: càng nhiều dự báo thành phần trùng nhau thì DBTH càng lớn.
- Chúng ta sẽ bắt đầu với nguyên nhân tại sao DBTH (DBTH) có hữu ích
trong quá trình dự báo và tại sao các trung tâm mô hình số trên thế giới và
bây giờ họ đưa cho chúng ta một phần các sản phẩm một cách đều đặn hay
thông thường.

- Sau đó, chúng ta sẽ tranh luận về phương pháp của các trung tâm khí tượng
xây dựng DBTH.

- Ba là, chúng ta sẽ nói về sản phẩm của DBTH sử dụng cả ý tưởng và các ví
dụ thực tế của thế giới, bao gồm các loại sản phẩm và cách họ giải thích
hay làm sáng tỏ và kiểm tra.

- Bốn là, sẽ lập hồ sơ các khu vực trên một khía cạnh của dự báo và kiểm tra.

- Tiếp, họ sẽ chứng minh việc sử dụng các sản phẩm dự báo cho bão, thời tiết
khắc nghiệt và bão lớn.

- Cuối cùng, chúng ta tóm tắt được đưa ra trong webcast và cung cấp tài liệu
liên quan đến những vấn đề khác mà có thể đưa thêm thông tin cho DBTH.

2. Một số mô hình dùng trong DBTH:

a. Mô hình dự báo tổng thể ECMWF:
- Mô hình dự báo tổng thể ECMWF cung cấp một công cụ thực hành để đánh
giá mức độ sai số ảnh hưởng như thế nào đến việc dự báo. Mô hình này
được ứng dụng đầu tiên vào năm 1992.
- Mô hình dự báo thời tiết ECMWF chạy 51 lần với điều kiện ban đầu khác
nhau không đáng kể. Việc DBTH được dựa trên việc phân tích ECMWF.
Các thành phần nhiễu động từ các điều kiện ban đầu khác nhau không đáng
kể đại diện cho tính không chính xác vốn có trong phân tích toán tử. Nhiễu
động được sinh ra do phương pháp vector đặc biệt.
- Mô tả kết quả không chính xác được trình bày trong mô hình, mỗi dự báo
sử dụng một kiểu phương trình khác nhau không đáng kể.
b. Mô hình dự báo NWP (DBTH NWP):
- Mỗi nhóm dự báo NWP phù hợp tại cùng một thời gian là một tổ hợp.
- Các mô hình NWP khác nhau có quá trình dự báo tiến triển khác nhau, sự
đóng góp ở đây là gì?

o Điều kiện đầu vào khác nhau.

o Khí quyển nhạy với điều kiện đầu vào khác nhau.

o Các phương pháp động học khác nhau.

o Phương pháp khác nhau cho việc ước lượng hiệu quả trong các quá
trình vật lý.

- Điều hay hơn là, người ta không chắc chắn có thể được sử dụng để tạo ra
một DBTH cho NWP.

- Đa số các trung tâm khí tượng có hệ thống DBTH (EPSs).

EPSs = Ensemble Prediction Systems.

- Các đường đẳng áp suất mực biển, chúng ta chỉ nhìn thấy là ví dụ của hình
vẽ từ một DBTH; trong trường hợp này là một tổ hợp của các mô hình
NWP khác nhau. Nhưng thực tế, bất kỳ một nhóm dự báo NWP với cùng
một thời gian cũng là một dự báo; nếu không lấy từ nhiều mô hình, có thể
lấy từ một mô hình.

- Chúng ta biết từ kinh ngiệm dự báo từ các mô hình NWP có sự khác nhau;
và sự khác nhau này có thể trở nên lớn trong thời gian tương đối ngắn. Các
khía cạnh của mô hình NWP là có sự đóng góp khác nhau hoặc không chắc
chắn trong số các mô hình dự báo là gì?
 - Đầu tiên, mỗi mô hình NWP bắt đầu dự báo từ sự khác biệt điều kiện vào là
nhỏ bởi vì chúng đồng hóa và phân tích dữ liệu khí tượng ít có sự khác
nhau. Vì do khí quyển có sự hỗn độn, nghĩa là chúng nhạy hay biến đổi với
điều kiện đầu vào. Điều này, có nghĩa là khi có sự thay đổi nhỏ trong điều
kiện đầu vào thì có thể có kết quả khác biệt lớn về thời gian.

- Thứ 2, sự khác biệt chung của mô hình NWP là sử dụng các phương pháp
khác nhau để tính toán hiệu quả của động lực học khí quyển, bao gồm sự
khác biệt về phương ngang và theo phương thẳng đứng và sự khác biệt
trong tọa độ thẳng đứng.

- Cuối cùng, mô hình có thể có phương pháp khác nhau để ước lượng tác
động của quá trình vật lý nhưng không rõ ràng. Ví dụ về mô hình đối lưu,
bức xạ Mặt trời và bức xạ sóng dài và các quá trình vật lý nhỏ
(microphysics) mà tạo mưa.

c. Mô hình MM5:

- Mô hình khí tượng động lực qui mô vừa thế hệ thứ 5 (MM5) của trung tâm nghiên
cứu khí quyển quốc gia Mỹ (NCAR) và trường đại học tổng hợp Pennsylvania Mỹ
(PSU) là thế hệ mới nhất trong một loạt các mô hình nghiên cứu và dự báo thời
tiết được Anthes phát triển từ những năm 1970.
- Mô hình đã được cải tiến nhiều lần nhằm mô phỏng và dự báo tốt hơn các quá
trình vật lý qui mô vừa và có thể áp dụng với nhiều đối tượng sử dụng khác nhau.
- Phiên bản 3.5 ( MM5V3.5) của mô hình ra đời năm 2001 được điều chỉnh và cải
tiến trong các mảng:
o Kỹ thuật lồng ghép nhiều mức
o Động lực học bất thủy tĩnh
o Đồng hóa số liệu 4 chiều (FDDA)
o Bổ sung các sơ đồ tham số hóa vật lý
o Kỹ thuật tính toán…
- Phiên bản sử dụng trong dự báo thời tiết ở viện Khí tượng thủy văn là MM5V3.7
(mới nhất) cập nhật cuối 2004.
- Miền tính: các dự báo về hầu hết các yếu tố khí tượng thực hiện cho 2 miền tính
+ Miền một: Kích cỡ 74x74 điểm tính.
Kích thước ô lưới theo phương ngang 54 km (bao trùm hầu hết diện tích Đông Nam
Á)
+ Miền 2: Kích cỡ 124x73 điểm tính.
Kích thước ô lưới 18 km (lấy Việt Nam làm trung tâm của miền.
- Cả 2 miền tính đều có 23 mực theo phương thẳng đứng.
- Dữ liệu địa hình được lấy từ nguồn Cơ quan địa chất Mỹ (USGS) với độ phân giải
4 km.
- Các sơ đồ tham số hóa vật lý được sử dụng:
o Grell (1993) cho đối lưu
o Simple Ice cho vật lý vi mô trong mây
o MRF cho lớp biên hành tinh
o Dudhia (1989) cho bức xạ
o LSM cho các quá trình đất- bề mặt
- Điều kiện đầu và điều kiện biên cho mô hình MM5: Các trường khí tượng
phân tích và dự báo toàn cầu cách nhau 6h một của mô hình AVN do trung
tâm dự báo môi trường quốc gia Mỹ (NCEP) thực hiện.
- Dự báo thời tiết ở viện khí tượng- thủy văn:
o Hiện thời: mô hình MM5 được chạy 1 lần/1 ngày với các trường phân
tích và dự báo bắt đầu từ 7h hàng ngày.
o Khoảng 12h30, mô hình hoàn tất các sản phẩm dự báo cho 2 miền tính
với hạn dự báo đến 72h.
o Các dự báo được thực hiện trên máy tính song song với 8 CPU của viện
khí tượng – thủy văn.
o Một số sản phẩm dự báo: nhiệt độ, lượng mưa, độ ẩm tương đối cho
một số điểm trên cả nước…
- Lưu ý về các sản phẩm dự báo:
o Nhiệt độ ngày là nhiệt độ cao nhất từ 7h - 19h.
o Nhiệt độ đêm là nhiệt độ thấp nhất từ 19h - 7h.
o Lượng mưa ngày là tổng lượng mưa từ 7h - 19h.
o Lượng mưa đêm là tổng lượng mưa từ 19h - 7h.
o Độ ẩm ngày là độ ẩm thấp nhất từ 7h - 19h.
o Độ ẩm đêm là độ ẩm cao nhất từ 19h - 7h.
III. ỨNG DỤNG CỦA PHƯƠNG PHÁP DỰ BÁO TỔ HỢP:
1. Why uses Ensemble Forecast? Tại sao sử dụng DBTH?

- Tổ hợp miêu tả chính xác khoa học nhất về nghiên cứu khí quyển.

o Không biết rõ điều kiện đầu vào.

o Phải ước lượng các quá trình động lực và vi vật lý mây để làm dự báo.

- Kế hoạch dự báo thời tiết trên thời gian dài (National Weather Survice Long
Range Plan). NWS sẽ đưa ra dự báo thời tiết, nước và khí hậu trong khoảng
thời gian có thể. Kết quả, không những thường cho thấy việc chạy liên tục
của các mô hình dự báo NWP giống nhau trong 3 – 7 ngày, mà có thể cùng
xuất hiện trong dải ngắn 1 – 2 ngày.
- DBTH là phương pháp tốt nhất vì chúng ta không biết chính xác điều kiện
đầu vào từ đâu để bắt đầu một dự báo NWP và bởi vì chỉ sử dụng kết quả
tương đối của động lực và quá trình vật lý khi chúng ta làm dự báo NWP.

- Ở đây, sử dụng các điều kiện biên đáy và hông. Ví dụ: Tổ hợp của SST
trung bình của khu vực từ hiện tượng EL-Nino. Chúng ta có thể xáo trộn
điều kiện đầu, đáy và hông, hay cả hai. Có thể thay đổi hệ thống lưới trên
tính toán số; các tọa độ ngang và thẳng đứng.

2. Ứng dụng DBTH trên thế giới:

- DBTH đã và đang là một trong những phương pháp dự báo chính ở nhiều
trung tâm dự báo lớn trên thế giới.

- Đa số các trung tâm khí tượng có hệ thống DBTH (EPSs).

EPSs = Ensemble Prediction Systems.

- Ngày nay mô hình DBTH được ứng dụng rộng rãi trong vấn đề dự báo thời
tiết của nhiều khu vực trên trái đất.

3. Ứng dụng mô hình DBTH MM5 ở Việt Nam:

- Ứng dụng mô hình MM5 vào dự báo mưa lớn cho tất cả các vùng, lãnh thổ
Việt Nam.

- Mô hình MM5 thích hợp với dự báo mưa lớn.

- Mô hình MM5 đã và đang được áp dụng trong:

o Dự báo hạn ngắn

o Dự báo khí hậu

- Cơ sở lý luận chính của DBTH

o Là một nhiễu động nhỏ trong trường phân tích ban đầu sẽ được khuếch
đại và trở thành sai số lớn của trường dự báo so với thực tế.

o Mô hình này gồm các tham số hóa vật lý khác nhau trong:

• Đối lưu

• Vi vật lý mây
 • Lớp biên

• Bức xạ

- Tính hiệu quả của DBTH được thể hiện qua ví dụ về:

o Trường dự báo mưa.

o Trường khí áp bằng Mô hình MM5

- Sử dụng phương pháp dự báo số trị : Chất lượng dự báo về mưa lớn cao
hơn hẳn so với các phương pháp dự báo khác vì vậy, ưu tiên phát triển
phương pháp dự báo số trị, mà trước hết là áp dụng các mô hình số ở nước
ta là một hướng đi nhằm tăng cường chất lượng dự báo.
a. Một số chỉ số đánh giá chất lượng dự báo mưa cho mô hình:
- Sai số bình phương trung bình (RMSE) là căn bậc hai của trung bình bình
phương sai số giữa giá trị dự báo và quan trắc. RMSE giữ lại đơn vị của
biến dự báo và xác định sai số về độ lớn của biến dự báo. Giá trị này càng
tiến tới không thì mô hình dự báo càng chính xác.
- Về diện mưa, chúng tôi sử dụng chỉ số CSI. Khi CSI gần đến một thì vùng
mưa dự báo gần sát với vùng mưa thực tế, khi CSI gần đến 0 thì vùng mưa
dự báo và vùng mưa thực tế rất khác nhau. Ngưỡng được chọn ở đây phụ
thuộc vào thời gian tích luỹ lượng mưa (24h, 48h,...) và đặc điểm mưa khu
vực được dự báo. Thông thường người ta chọn các ngưỡng 1mm (đối với
mưa nhỏ), 1mm (đối với mưa vừa), 20mm, 30mm đối với mưa lớn), 50mm,
100mm (đối với mưa cực lớn) cho lượng mưa trong 24h.
- Để đánh giá về lượng, chúng tôi chọn chỉ số BIAS. Chỉ số BIAS lớn hơn
một khi lượng mưa dự báo lớn hơn so với lượng mưa thực tế và ngược lại,
lượng mưa dự báo nhỏ hơn lượng mưa thực tế khi BIAS nhỏ hơn một.
b. Kết quả thử nghiệm cho mô hình MM5:
- Lựa chọn được các sơ đồ tham số hoá vật lý tối ưu trong số các sơ đồ sẵn
có của MM5 đảm bảo phù hợp với điều kiện Việt Nam trong mọi trường
hợp là điều không thể thực hiện được.
- Đánh giá khả năng dự báo mưa của mô hình với các sơ đồ tham số hóa vật
lý khác nhau như: Kuo, Grell, Betts - Miller cho đối lưu, Warm Rain,
Simple Ice, Mixed phase cho vi vật lý mây, RRTM longwave radiation cho
bức xạ và MRF PBL cho lớp biên hành tinh.
- Điều kiện ban đầu và điều kiện biên được lấy từ số liệu phân tích và dự báo
của mô hình toàn cầu AVN, NCEP/Mỹ. Hai miền tính được sử dụng là miền
một cho khu vực Đông Nam Á (độ phân giải ngang 54km) và miền 2 cho
Việt Nam (độ phân giải ngang 18km).
- Nhóm có sai số lớn gồm các dự báo sử dụng sơ đồ đối lưu Grell và Betts -
Miller (cùng các sơ đồ vi vật lý mây khác nhau). Nhóm sử dụng sơ đồ Kuo
 cho dự báo mưa khả quan nhất. Từ đó ta thấy, vai trò của các quá trình đối
lưu lớn hơn so với các quá trình vật lý vi mô trong mây, ít nhất là cho miền
tính thứ nhất. Ngoài ra, khi tăng hạn dự báo, sai số hệ thống tăng nhưng
mức độ tăng không rõ rệt ở nhóm sử dụng sơ đồ Kuo so với nhóm sử dụng
sơ đồ Grell và Betts Miller.
- Nếu xét về vai trò của các sơ đồ tham số hoá vi vật lý mây thì đa số trường
hợp sơ đồ Simple Ice lại cho kết quả dự báo phù hợp nhất so với thực tế
(sai số nhỏ nhất), tiếp đến là sơ đồ Warm rain và cuối cùng là sơ đồ Mixed
Phase.
- Mưa lớn năm 2005 và tham khảo các trường hợp dự báo khác trong năm
2004, tác giả đi đến lựa chọn ban đầu đối với các sơ đồ đối lưu là Kuo cho
miền tính thứ nhất và Grell cho miền tính thứ hai.
- Qua thử nghiệm trên, sơ đồ vi vật lý mây Simple Ice cho cả hai miền tính
trong dự báo thử nghiệm hạn ngắn và hạn vừa ở Việt Nam.
c. Xây dựng hệ thống DBTH cho mô hình MM5:
- Phương pháp tổ hợp được sử dụng là phương pháp trung bình có trọng số
với trọng số được xác định bằng tỉ lệ nghịch của sai số bình phương trung
bình.
- Tiến hành thử nghiệm dự báo và đánh giá cho tất cả các trường hợp mưa
vừa, mưa lớn ở Việt Nam trong năm 2005. Kết quả đánh giá được thực hiện
cho 170 trạm ở Việt Nam.
- Số liệu đầu vào cho mô hình là các trường phân tích và dự báo cách nhau
6h của mô hình toàn cầu AVN. Hai miền được lựa chọn: Miền một cho khu
vực Ðông Nam Á với độ phân giải ngang 54 km và miền 2 cho khu vực
Việt Nam với độ phân giải ngang 18km. Hạn dự báo tối đa là 72h bắt đầu từ
07h mỗi ngày. Bước tích phân thời gian được chọn là 180s cho miền tính
thứ nhất và 60s cho miền tính thứ hai.
d. Kết luận:
- Qua thử nghiệm dự báo các đợt mưa lớn trong hai năm 2004 và 2005 ta
thấy: Lượng mưa tính toán từ các sơ đồ tham số hóa đối lưu có độ nhạy cao
hơn so với các sơ đồ tham số hóa vi vật lý mây. Sơ đồ đối lưu Kuo cho kết
quả dự báo khả quan hơn so với sơ đồ Grell và Betts Miller trong dự báo
mưa của miền tính thứ nhất.
- Diện mưa của DBTH với các hạn dự báo khác nhau thường lớn hơn so với
thực tế, hầu hết các trường hợp thử nghiệm đều phản ánh được khu vực
mưa lớn. Tuy nhiên, vùng mưa lớn dự báo được chưa thực sự trùng khớp
với thực tế, đặc biệt là đối với các đợt mưa vừa, mưa lớn ở Trung Bộ trong
năm 2005.
- Các chỉ số đánh giá RMSE, CSI, BIAS đối với các ngưỡng mưa khác nhau
từ 1 đến 100mm cho thấy, khi tăng hạn dự báo, sai số của các dự báo thành
phần tăng lên nhưng không đáng kể ở DBTH. Dự báo diện mưa đến 30mm
thường lớn hơn diện mưa thực tế và ngược lại, diện mưa trên 50mm lại nhỏ
hơn so với thực tế.
4. Các sản phẩm tổ hợp:
- Cho phép đo đạc tổ hợp trung bình và phân bố xác suất.

- Liên quan đến xác suất.

- Xác định giá trị tần số dự báo được dự đoán và giá trị này là thực vì có xảy
ra trong thế giới thực.

- Xác định mức độ cùng xảy ra.

- Có thể sử dụng tất cả thời gian trong năm đối với sự biến đổi hiện tượng.

- Khoảng thời gian dài đối với khía cạnh quy mô lớn.

- Khoảng thời gian ngắn đối với khía cạnh quy mô nhỏ.

- Dự báo trung bình cho kết quả tốt và phân tích chính xác hơn, phương pháp
dự báo trung bình thay đổi tương tự với việc phân tích dữ liệu riêng lẻ. Ví
dụ, bằng cách tính toán mối tương quan thông thường trên các vùng rộng
lớn hoặc tính toán sai số trung bình bình phương trên khu vực phải nhỏ
hơn.

- Nhưng vì do nguyên nhân cơ bản của DBTH là cung cấp xác suất, chúng ta
cần bỏ qua như thế nào để cho xác suất phân bố tốt. Cần xác định giá trị tần
số dự báo được dự đoán và giá trị này là thực vì có xảy ra trong thế giới
thực và xác định mức độ cùng xảy ra.

- Cuối cùng, chúng ta xem ví dụ DBTH về mùa lạnh và mùa nóng trong mô
hình dự báo Sy-nốp, cho một vài tình trạng thời tiết khắc nghiệt và bão
nhiệt đới.

- Ở đây sẽ có sự không chắc chắn trong quy mô lớn với khoảng thời gian dự
báo dài, chẳng hạn như quy mô Sy-nốp và quy mô sóng hành tinh. Đối với
khoảng thời gian ngắn hơn, chúng ta xét với quy mô nhỏ, chẳng hạn như
vùng chịu ảnh hưởng áp suất gây ra các sóng ngắn, vị trí mặt front, chi tiết
quy mô vừa trong cho các thông số thời tiết khắc nghiệt, các dòng mưa
tuyết và các khía cạnh khác.

a. Sự cần thiết phải tóm lược dữ liệu tổ hợp:

- Quan sát số liệu của 10, 15 hoặc 50 tổ hợp thành phần dự báo cho cùng một
thời gian có thể tạo một biểu đồ dự báo, như biểu đồ 500 hPa từ MREF.
- Số liệu quá lớn từ DBTH khá rõ ràng. Nếu chúng ta thiết lập số liệu tổ hợp
một chiều, chúng ta phải sử dụng cả phương pháp thống kê để kết nối thông
tin DBTH, hoặc ít số liệu để vẽ hình nhưng phải là số liệu có ích.
- Trong chương này chúng ta sẽ nhắc tới một số phương pháp và kĩ thuật
DBTH.
b. Biểu đồ “Spaghetti”:
- Có 2 hoặc 3 đường đồng mức nằm ngang (đường 564 dm), mỗi thành phần
một màu khác nhau.
- Đưa ra chất lượng hình ảnh của sự phân bố 500 hPa gần đường đồng mức
lựa chọn.
- Chú ý bờ phía Đông của vùng áp suất thấp ở các vĩ độ và nồng độ/cường độ
khác nhau theo chiều dọc.
- Biểu đồ “Spaghetti” là một ví dụ cho chúng ta thấy được hệ thống DBTH.
Nó có nền tảng là cơ sở dữ liệu giống như những bản đồ trước đây.
- Ưu điểm khi sử dụng:
o Tính đến cả sự trình bày kết hợp các thông tin tổ hợp và làm nổi bật tất
cả các thành phần dự báo.
o Khoảng cách giữa các thành phần tổ hợp cho chúng ta ý nghĩa của sự dự
báo không chính xác.
o Quan sát một hoặc vài đường mức của các thành phần tổ hợp, người dự
báo sẽ đưa ra dự đoán về xác suất phân bố từ sự biến thiên, ít nhất là gần
vùng giá trị đường mức được mô tả.
- Nhược điểm: Không đưa ra một bức tranh hoàn thiện về sự phân bố khả
năng, dự báo từ các giá trị có ích hoặc vùng khác nhau.
c. Biểu đồ Mean/ Spread:
- Tổ hợp chính:
o Trung bình số học của tất cả các giá trị tổ hợp thành phần.
o Ít dự báo được điểm đặc trưng mịn hơn là dự báo đặc trưng bất biến.
o Tiến hành tốt ở trung bình hơn là mô hình phân tích toán tử
- Dải rộng tổ hợp:
o Độ lệch tiêu chuẩn của các thành phần tổ hợp (2/3 chiều rộng ± giá trị
bề rộng)
N
( xi − x) 2
S= ∑
i =1 N −1
o Cho phép đánh giá sự không chắc chắn khi bề rộng lớn hơn h.
- Trung bình tổ hợp (ensemble mean) là trung bình số học của tất cả các
thành phần tổ hợp.
- Sự lan truyền tổ hợp (ensemble spread) là độ lệch tiêu chuẩn của các thành
phần tổ hợp.
- Ưu điểm:
o Tóm tắt toàn bộ số liệu với cấu trúc dễ hiểu/ dễ đọc
 o Điều kiện thông tin ở đầy đủ mọi lĩnh vực
o Không dự báo trơn
o Spread chỉ ra sự có mặt của các thành phần
- Nhược điểm:
o Trung bình tổ hợp có thể làm sai lạc nếu hợp lại các dự báo giống nhau.
d. Interpreting mean and Spread products:
- Sự lan truyền rộng trong khoảng thời gian đặc trưng trung bình tổ hợp
không chắc chắn trong biên độ ở tương lai.
- Sự lan truyền rộng tăng hoặc giảm của khoảng thời gian đặc trưng trung
bình tổ hợp không chắc chắn trong vùng đặc trưng.
- Sự lan truyền rộng trong một mặt phẳng (asymmetric spread) của đặc trưng
trung bình tổ hợp giải thích một tổ hợp kết quả dự báo nhỏ khác nhau từ
trung bình tổ hợp.
- Chúng ta sử dụng sản phẩm ensemble mean/spread để mô tả vùng áp suất
cao và thấp dải hẹp một cách không chắc chắn đối với điều kiện thực.
e. Mối liên quan giữa biểu đồ Spaghetti và Mean/Spread:
- Sử dụng biểu đồ Mean/spread để lựa chọn đường mức Spaghetti bao gồm
những thông tin quan trọng nhất (nghĩa là với giá trị đường mức gần hoặc
bằng với đường mức trung bình tổ hợp ngang qua vùng).
o Vùng 1: thay đổi trong vùng có độ dốc lớn
o Vùng 2: thay đổi độ sâu và hiện trạng (qui mô nhỏ hơn)
o Vùng 3: thay đổi vị trí và độ sâu
- Kết hợp việc sử dụng Mean/Spread và Spaghetti giúp xác định sự thay đổi
của một vùng nào đó.
- Chúng ta có 2 sản phẩm từ kết quả tổ hợp. Có thể kết hợp 2 biểu đồ để đưa
ra kết quả tốt hơn cho mô hình DBTH hơn là sử dụng riêng lẻ từng loại.
f. Dự báo lượng giáng thủy bằng biểu đồ Mean/Spread và Spaghetti:
- Ensemble mean/spread:
o Cho biết sự khác nhau giữa lượng giáng thủy trung bình một2h và
đường mức một2h( hiện tượng lốc xoáy đặc trưng).
o Trong vùng NE và NC, spread=một/2 mean; trong vùng Ctr và SC,
spread = 2 – 4 mean.
- Nếu có 7 – 11 thành phần thì chỉ ra lượng giáng thủy vượt quá ngưỡng trên
một số khu vực nhỏ tương đối, trong khi không biết được điều đó ở trong
vùng NE/NC.
- Bài học: Không chú ý đến những vùng có lượng giáng thủy trung bình tổ
hợp thấp nếu ensemble spread là lớn!
g. Xác suất của biểu đồ vượt mức (Exceedance Plots):
- Giúp xác định xác suất của các sự kiện trong tương lai xa.
- Cho ta xác suất vượt qua ngưỡng có nghĩa.
- Tính toán thành phần tổ hợp mà ngưỡng có nghĩa được quyết định bởi tổng
số các thành phần tổ hợp.
- Ưu điểm:
o Compact display
o Làm nổi bật giá trị ngưỡng tới hạn
- Nhược điểm: chấp nhận mọi thông tin miễn là liên quan đến sự thay đổi dù
chỉ một số lượng. Ví dụ, chúng ta không biết xác suất là giữa 0.25’’ hay 1’’.
- Xác suất của biểu đồ vượt mức giúp các hiện tượng thời tiết xảy ra ở mức
độ cao nhất hoặc các hiện tượng khác bao hàm sự vượt mức của một
ngưỡng.
- Xác suất vượt mức được tính bởi tổng các số thành phần tổ hợp chọn một
ngưỡng tới hạn và chia cho tổng số thành phần tổ hợp.
- Ưu điểm:
o Compact display
o Làm nổi bật giá trị ngưỡng tới hạn
- Nhược điểm: tính đến cả các số liệu không liên quan tới sự thay đổi của
một số lượng nào đó.
h. Biểu đồ các hiện tượng có thể xảy ra hoặc chiếm ưu thế:
- Dùng để chỉ ra các hiện tượng có ảnh hưởng lớn và thường xuyên được dự
báo bằng DBTH.
- Ví dụ chính:
o Loại giáng thủy (tuyết, mưa tuyết, mưa đá, mưa)
o Dự báo thời tiết mùa đông nếu kết hợp với xác suất QPE của sản phẩm
vượt mức.
- Ưu điểm:
o Compact display
o Đưa ra được tất cả các hiện tượng có thể xảy ra.
- Nhược điểm:
o Có thể làm mất đi những kết quả dự báo có thể xảy ra
o Xác suất của “tất cả các khả năng xảy ra” thì dự báo kết quả đều không
biết.
o Có thể chỉ có một tổ hợp cho giáng thủy
o Có một số loại giáng thủy xảy ra giữa các thành phần tổ hợp
- “Loại giáng thủy ưu thế” là một trong những cái xảy ra thường xuyên ở
những nơi giáng thủy xảy ra đó có ít nhất một thành phần tổ hợp. Nếu có
mối quan hệ giữa 2 hoặc nhiều hơn thành phần tổ hợp, sự hòa trộn loại
giáng thủy chiếm ưu thế sẽ được chỉ ra.
i. Biểu đồ chum (Plume diagrams):
- Mô tả DBTH từ một điểm hoặc từ một hộp lưới, số liệu là đặc trưng như
một dãy số về thời gian.
- Biểu đồ chùm: thời gian diễn ra của dự báo có thể áp dụng cho từng thành
phần tổ hợp chiếm ưu thế so với trung bình tổ hợp( tương đương với biểu
đồ đường Spaghetti).
j. Box and Whisker diagrams:
- Ở giữa tổ hợp, max và min, giữa quartiles cho một dự báo có thể xảy ra
trong cấu trúc của một box/whisker.
- Biểu đồ chỉ ra dữ liệu giống nhau như những biểu đồ chùm trong cấu trúc
box/whisker.
- “whisker” miêu tả mức độ cao nhất , “box” mô tả lượng ở giữa.
k. Dự báo chiều sâu (Ensemble soundings):
- Cho cùng một điểm và thời gian giống như 2 loại biểu đồ trước.
- Mỗi thành phần có một mã màu riêng, với trung bình tổ hợp là màu đen.
- Trong khoảng 2m hợp lại từ biểu đồ chùm làm xuất hiện một vòng tròn
màu trong chùm và sự ghép box/whisker.
5. Kiểm tra DBTH:
- EPS là dự báo trung bình tổ hợp
- Xác suất phân bố:
o Sự chính xác của các xác suất của kết quả dự báo cuối cùng?
o Có phải DBTH sẽ làm rõ các hiện tượng xảy ra trong tương lai?
o Liệu DBTH có cho phép đánh giá tốt xác suất của các hiện tượng chiếm ưu
thế?
- So sánh xác suất DBTH với tần suất quan trắc vượt thời gian đòi hỏi cần
kiểm tra, bởi một tập hợp lớn các DBTH cần đạt được những kết quả ổn
định vững chắc.
- Kĩ thuật về dự báo EPS chỉ ra rằng chúng ta đã dự báo nhiều hơn một kết
quả, tức dự báo xác suất cho một dải hoặc sự phân bố của kết quả dự báo.
Chúng ta sử dụng tổ hợp để nhận ra chuỗi sự kiện dự báo trong tương lai
một cách hợp lí. Hơn nữa, chúng ta sử dụng tổ hợp để xác định xác suất cụ
thể những kết quả dự báo chiếm ưu thế, như lốc mùa đông, dẫn nhiệt, giá trị
ngưỡng của giáng thủy…
- Các kĩ thuật sử dụng cho dự báo EPS đòi hỏi chúng ta cần kiểm tra sự phân
bố xác suất dự báo và các số liệu thống kê khác của EPS, bởi sự so sánh
xác suất DBTH có tần suất quan trắc vượt thời gian. Loại yêu cầu kiểm tra
này cần một tập hợp lớn các DBTH, tiến hành đo đạc liên tục qua tất cả các
mùa để có thể thu được kết quả chính xác.
6. Ưu điểm và nhược điểm của phương pháp DBTH:
a. Ưu điểm:
- Tăng cường chất lượng dự báo.
- DBTH mô tả chính xác hơn từng phương pháp dự báo riêng lẻ.
- Xây dựng được công nghệ dự báo liên hoàn bão, nước dâng và sóng ở Việt
Nam bằng mô hình số với thời gian dự báo trước 3 ngày.
- Góp phần xây dựng hoàn chỉnh tổ hợp công nghệ dự báo bão, áp thấp nhiệt
đới, nước dâng và sóng đạt độ chính xác cho phép phục vụ phòng chống và
giảm nhẹ thiên tai.
- Tổ chức chuyển giao ứng dụng vào thực tiễn ngày càng nhiều.
- Công nghệ xử lý, phân tích tổng hợp số liệu đầu vào của mô hình đạt độ
chính xác cao.
- Bộ chương trình máy tính chạy mô hình DBTH liên hoàn phục vụ dự báo
nghiệp vụ ngày càng hoàn thiện và đáp ứng được yêu cầu dự báo.
b. Nhược điểm:
- Không biết được chắc chắn điều kiện đầu vào
- Vì DBTH là sự tổng hợp kết quả của các thành phần tổ hợp riêng lẻ, mỗi
thành phần dự báo đều có sai số nhất định. Do đó DBTH có sai số lớn.
- Có sự không chắc chắn trong quy mô lớn với khoảng thời gian dự báo dài.
- Những dự báo số trước vài ngày cũng sai lầm lớn thậm chí dự báo một
ngày có thể gặp những sai số lớn do sự hỗn loạn (chaotic) tự nhiên của bầu
khí quyển mà chúng ta đang sống.
-
- Mô hình có thể có phương pháp khác nhau để ước lượng tác động của quá
trình vật lý nhưng không rõ ràng.
IV. KẾT LUẬN:
- Dự báo thời tiết trên thế giới nói chung và ở Việt Nam nói riêng đã và đang
trở thành hướng nghiên cứu và quan tâm của nhiều nhà khoa học cũng như
con người sống trên trái đất. Thiên nhiên phong phú và đa dạng, sự biến đổi
của các thành phần tự nhiên trên trái đất có thể tuân theo quy luật hoặc
không. Điều đó đã dẫn đến các hiện tượng thời tiết bất ổn như thiên tai hạn
hán, lũ lụt, động đất, lốc xoáy, bão, sóng thần, sạt lở đất, lũ quét…, ảnh
hưởng nghiêm trọng đến đời sống kinh tế - xã hội và hoạt động sinh hoạt
của con người trên trái đất. Nguyên nhân gây ra sự bất ổn định thời tiết
càng ngày càng phức tạp này suy cho cùng cũng từ bàn tay con người mà
ra. Chúng ta sống và tác động vào tự nhiên ngày càng nhiều, với những
hành động phá hoại như đốt chặt phá rừng đầu nguồn bừa bãi, hoạt động
công nghiệp thải khí và các chất thải gây ô nhiễm môi trường…
- Nhằm dự báo và cảnh báo diễn biến phức tạp của các hiện tượng thời tiết có
ảnh hưởng trực tiếp lên đời sống con người, hạn chế tối đa những thiệt hại
do thiên tai gây ra, ngành dự báo khí tượng thủy văn từ lâu đã được chú ý
phát triển và hoàn thiện. Trên thế giới, các mô hình dự báo lần lượt được
thử nghiệm và thành công từ cách đây hàng thế kỷ. Mô hình DBTH được
phát triển dựa trên nền tảng toán học và cơ sở của các mô hình trước đó.
Việc áp dụng các mô hình số ở nước ta là một hướng đi nhằm tăng cường
chất lượng dự báo. Nó mô tả chính xác hơn từng phương pháp dự báo riêng
lẻ. Với nhiều hướng nghiên cứu đa dạng, mô hình DBTH sẽ tiếp tục phát
triển và hoàn thiện trong tương lai, nhằm thỏa mãn nhu cầu của con người
trong vấn đề nghiên cứu sự biến đổi thời tiết khí hậu, sự biến đổi trong đại
dương và khí quyển, trong môi trường sống của chúng ta./.
 (a) (b)

(c ) (d)

(e) (f)

Ví dụ: Với hạn 48h tương tự như 24h. 2a, 2b, 2c đuờng đẳng khí áp thuộc
các dự báo thì lệch đông. Làm giảm bớt sai số thành phần so với thực tế,
tăng độ chính xác cho dự báo. Đường đẳng độ cao địa thế vị thì khác đáng
kể so với dự báo 24h (hình 2d,2b,2f). Sự ‘phân tán’ khá lớn của các dự báo
thành phần so với thực tế. (hình 2f) đường dự báo tổ hợp so với dự báo phân
tích khác rõ rệt.
Tài liệu tham khảo:

2. Tài liệu bồi dưỡng nghiệp vụ dự báo viên khí tượng thủy văn – Trung tâm
khí tượng thủy văn quốc gia.

3. http://biblioteca.universia.net/html_bura/ficha/params/id/2102227.html

4. http://en.wikipedia.org/wiki/Numerical_weather_prediction

5. http://meted.ucar.edu/nwp/pcu1/ensemble_webcast/index.htm