Luận án TS Phạm Thanh Hà: Dự báo ngày mưa ở VN bằng mô hình số, hạn mùa, nội mùa
Luận án tiến sĩ dự báo hạn mùa, nội mùa ngày bắt đầu mùa mưa ở Việt Nam. Nghiên cứu sử dụng sản phẩm mô hình số tiên tiến trong khí tượng, khí hậu.
Khí tượng học
Luan An
Luận án tiến sĩ
Năm xuất bản
Số trang
144
Thời gian đọc
22 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Dự báo ngày bắt đầu mùa mưa Việt Nam Tổng quan phương pháp
Nghiên cứu này trình bày tổng quan các phương pháp dự báo ngày khởi đầu mùa mưa tại Việt Nam. Độ chính xác của dự báo có ý nghĩa quan trọng cho nông nghiệp, quản lý tài nguyên nước và phòng chống thiên tai. Tài liệu xem xét cả các cách tiếp cận thống kê truyền thống và ứng dụng sản phẩm từ các mô hình số. Việc hiểu rõ sự biến động không gian và thời gian của ngày bắt đầu mùa mưa là rất cần thiết. Các phương pháp định nghĩa ngày khởi đầu mùa mưa cũng được phân tích. Mục tiêu là nâng cao khả năng dự báo mùa mưa Việt Nam thông qua việc tích hợp nhiều kỹ thuật. Sự kết hợp này mang lại cái nhìn toàn diện về chu trình mưa nhiệt đới.
1.1. Khái niệm và biến động ngày khởi đầu mùa mưa.
Ngày bắt đầu mùa mưa được định nghĩa dựa trên nhiều tiêu chí khí tượng. Tiêu chí này thường liên quan đến tổng lượng mưa tích lũy hoặc tần suất mưa. Có sự biến động lớn về ngày khởi đầu mùa mưa giữa các vùng địa lý khác nhau. Ví dụ, miền Nam thường có mùa mưa bắt đầu sớm hơn miền Bắc. Sự biến đổi này cũng diễn ra qua từng năm, gây ra thách thức cho các nhà dự báo. Việc chuẩn hóa tiêu chí xác định ngày khởi đầu là cần thiết. Đây là nền tảng vững chắc cho dự báo ngày bắt đầu mùa mưa chính xác hơn.
1.2. Các phương pháp dự báo ngày bắt đầu mùa mưa.
Nhiều kỹ thuật được sử dụng để dự báo ngày khởi đầu mùa mưa. Phương pháp thống kê truyền thống dựa vào mối quan hệ lịch sử giữa các chỉ số khí hậu và thời điểm mưa. Phương pháp này thường dễ thực hiện nhưng có hạn chế về độ phức tạp. Sự phát triển của mô hình số trị khí hậu đã mở ra hướng đi mới. Các mô hình này cung cấp dự báo về các thông số khí tượng. Sản phẩm của chúng được sử dụng để ước tính ngày khởi đầu mùa mưa. Việc kết hợp cả hai loại phương pháp này hứa hẹn cải thiện đáng kể dự báo mùa mưa Việt Nam.
II. Dữ liệu và phương pháp nghiên cứu mô hình số trị khí hậu
Nghiên cứu sử dụng nhiều loại dữ liệu và phương pháp để phát triển hệ thống dự báo mùa mưa Việt Nam. Dữ liệu quan trắc từ các trạm khí tượng trên toàn quốc làm cơ sở đánh giá. Các chỉ số khí hậu toàn cầu và khu vực được phân tích để tìm mối liên hệ. Sản phẩm từ mô hình số trị khí hậu đóng vai trò trung tâm trong dự báo. Đặc biệt, dữ liệu dự báo lại (reforecast) từ mô hình CFSV2 và S2S-ECMWF được khai thác. Chúng cung cấp thông tin dự báo ở các thang thời gian hạn mùa và nội mùa. Các phương pháp thống kê và phương pháp dựa trên sản phẩm mô hình số được áp dụng. Quy trình xác định ngày bắt đầu mùa mưa được chuẩn hóa. Các phương pháp đánh giá chặt chẽ được sử dụng để kiểm định độ chính xác của dự báo.
2.1. Nguồn dữ liệu quan trắc và chỉ số khí hậu.
Dữ liệu mưa hàng ngày từ mạng lưới trạm quan trắc Việt Nam được thu thập. Thông tin này giúp xác định ngày bắt đầu mùa mưa trong lịch sử. Các chỉ số khí hậu quy mô lớn như ENSO (El Niño–Southern Oscillation) và IOD (Indian Ocean Dipole) cũng được sử dụng. Chúng giúp nghiên cứu mối liên hệ với biến động mùa mưa. Dữ liệu vệ tinh bổ sung thông tin cho các khu vực thiếu trạm. Việc kết hợp các nguồn dữ liệu này tăng cường hiểu biết về hệ thống khí hậu.
2.2. Sản phẩm mô hình dự báo hạn mùa và nội mùa.
Nghiên cứu khai thác dữ liệu dự báo lại từ hai mô hình hàng đầu. Mô hình CFSV2 cung cấp dự báo hạn mùa (tháng đến mùa). Mô hình S2S-ECMWF chuyên về dự báo dao động nội mùa (vài tuần đến vài tháng). Sản phẩm từ các mô hình này bao gồm lượng mưa và các thông số khí tượng khác. Dữ liệu reforecast cho phép đánh giá hiệu suất mô hình trong quá khứ. Nó cũng giúp hiệu chỉnh dự báo trong tương lai. Điều này rất quan trọng để cải thiện độ tin cậy của dự báo lượng mưa mùa.
2.3. Quy trình xác định và đánh giá dự báo.
Quy trình xác định ngày bắt đầu mùa mưa được thiết lập rõ ràng. Tiêu chí dựa trên ngưỡng lượng mưa tích lũy và số ngày mưa liên tiếp. Các phương pháp đánh giá định lượng được sử dụng để kiểm tra dự báo. Chúng bao gồm độ chính xác, sai số trung bình tuyệt đối (MAE) và hệ số tương quan. Phương pháp kiểm chứng chéo (cross-validation) được áp dụng. Quy trình này đảm bảo tính khách quan và đáng tin cậy. Nó giúp so sánh hiệu suất giữa các phương pháp dự báo mùa mưa Việt Nam.
III. Đặc điểm khởi đầu mùa mưa nhiệt đới Việt Nam ENSO
Phần này khám phá các đặc điểm chính của ngày bắt đầu mùa mưa ở Việt Nam. Tính bất định của ngày khởi đầu mùa mưa là một thách thức lớn. Sự biến đổi này thể hiện rõ rệt theo không gian và thời gian. Các vùng khác nhau của Việt Nam có ngày khởi đầu mùa mưa khác nhau. Điều này liên quan đến địa hình và tác động của gió mùa mùa hè Đông Nam Á. Sự tương tác giữa các yếu tố khí hậu quy mô lớn và khu vực rất phức tạp. Nghiên cứu cũng tập trung vào mối quan hệ giữa ngày bắt đầu mùa mưa và các hiện tượng khí hậu như ENSO. Hiểu rõ các đặc điểm này là nền tảng để phát triển các phương pháp dự báo mùa mưa Việt Nam hiệu quả hơn. Các đặc điểm này còn giúp cải thiện dự báo lượng mưa mùa nói chung.
3.1. Tính bất định và phân bố không gian ngày mưa đầu mùa.
Ngày bắt đầu mùa mưa ở Việt Nam thể hiện tính bất định cao giữa các năm. Phân bố không gian của ngày khởi đầu mùa mưa cũng không đồng nhất. Miền Nam thường có mùa mưa bắt đầu sớm hơn miền Bắc và miền Trung. Điều này chịu ảnh hưởng của các hệ thống thời tiết khác nhau. Các khu vực ven biển và núi cao cũng có đặc điểm riêng biệt. Việc nắm vững phân bố này rất quan trọng cho dự báo ngày bắt đầu mùa mưa ở cấp độ địa phương. Nó giúp lập kế hoạch phù hợp với từng vùng khí hậu.
3.2. Ảnh hưởng của dao động nội mùa và gió mùa mùa hè.
Dao động nội mùa (MJO) đóng vai trò quan trọng trong việc kích hoạt gió mùa mùa hè Đông Nam Á. Sự xuất hiện của MJO có thể đẩy nhanh hoặc làm chậm trễ quá trình chuyển mùa. Gió mùa mùa hè mang lại lượng mưa lớn, đánh dấu sự bắt đầu của mưa mùa nhiệt đới. Nghiên cứu này phân tích mối liên hệ giữa các pha của MJO và thời điểm khởi phát mùa mưa. Sự hiểu biết này giúp cải thiện dự báo hạn mùa và nội mùa. Nó cung cấp thêm thông tin động lực học cho dự báo.
3.3. Mối liên hệ giữa ngày khởi phát mùa mưa và ENSO.
Hiện tượng ENSO (El Niño-Southern Oscillation) là yếu tố khí hậu quan trọng. Nó ảnh hưởng đến thời tiết toàn cầu, bao gồm cả Việt Nam. Nghiên cứu tìm hiểu mối quan hệ giữa ENSO và ngày bắt đầu mùa mưa. Các pha El Niño và La Niña có thể làm thay đổi thời điểm khởi đầu mùa mưa. Ví dụ, El Niño có xu hướng làm mùa mưa đến muộn hơn. Việc tích hợp thông tin ENSO vào mô hình số trị khí hậu có thể nâng cao độ chính xác dự báo. Nó là một chỉ báo tiền thân quan trọng.
IV. Dự báo hạn mùa ngày bắt đầu mưa Ứng dụng mô hình CFSV2
Phần này tập trung vào các phương pháp dự báo hạn mùa cho ngày bắt đầu mùa mưa. Các phương pháp thống kê truyền thống được sử dụng ban đầu. Chúng kết hợp các chỉ số khí hậu toàn cầu làm yếu tố dự báo. Tuy nhiên, sự phát triển của mô hình số trị khí hậu đã mở ra tiềm năng mới. Mô hình CFSV2 (Climate Forecast System Version 2) của Mỹ là một công cụ mạnh mẽ. Nó cung cấp sản phẩm dự báo lượng mưa và các thông số khí tượng ở thang hạn mùa. Luận án khai thác dữ liệu từ CFSV2 để dự báo ngày khởi đầu mùa mưa. Các phương pháp hiệu chỉnh và thống kê sau xử lý được áp dụng để tối ưu hóa kết quả. Đánh giá chi tiết hiệu quả của CFSV2 trong bối cảnh dự báo mùa mưa Việt Nam được trình bày. Mục tiêu là cung cấp thông tin đáng tin cậy cho việc lập kế hoạch.
4.1. Phương pháp thống kê truyền thống với chỉ số khí hậu.
Phương pháp thống kê sử dụng các chỉ số khí hậu tiền thân. Ví dụ, nhiệt độ mặt nước biển ở Thái Bình Dương hoặc Ấn Độ Dương. Các mối tương quan giữa những chỉ số này và ngày bắt đầu mùa mưa được phân tích. Mô hình hồi quy tuyến tính hoặc phi tuyến tính được xây dựng. Ưu điểm của phương pháp này là đơn giản và dễ hiểu. Tuy nhiên, hiệu quả có thể bị hạn chế bởi tính phi tuyến tính của hệ thống khí hậu. Phương pháp này vẫn cung cấp một cái nhìn ban đầu cho dự báo hạn mùa.
4.2. Khai thác sản phẩm mô hình CFSV2 cho dự báo hạn mùa.
CFSV2 cung cấp dự báo lượng mưa và các biến khí tượng khác. Dữ liệu này được xử lý để ước tính ngày bắt đầu mùa mưa. Các thuật toán xác định ngày khởi đầu mùa mưa được áp dụng trực tiếp lên sản phẩm mô hình. Phương pháp này tận dụng khả năng mô phỏng động lực học khí quyển của mô hình số trị khí hậu. Việc hiệu chỉnh sai số của mô hình là rất cần thiết. Điều này giúp cải thiện độ chính xác dự báo và giảm thiểu sai lệch hệ thống. Kết quả cho thấy tiềm năng của CFSV2 trong dự báo lượng mưa mùa.
4.3. Đánh giá hiệu quả dự báo hạn mùa ngày mưa.
Hiệu quả của các phương pháp dự báo được đánh giá kỹ lưỡng. Các chỉ số như độ chính xác, sai số trung bình tuyệt đối (MAE), và hệ số tương quan được sử dụng. So sánh kết quả dự báo với dữ liệu quan trắc thực tế. Việc đánh giá này giúp xác định phương pháp tối ưu. Kết quả cho thấy dự báo hạn mùa dựa trên CFSV2 có tiềm năng. Tuy nhiên, vẫn cần những cải tiến về độ phân giải và hiệu chỉnh. Điều này sẽ nâng cao độ tin cậy của dự báo mùa mưa Việt Nam.
V. Dự báo dao động nội mùa ngày bắt đầu mùa mưa khu vực
Nghiên cứu mở rộng sang dự báo hạn nội mùa của ngày bắt đầu mùa mưa. Khoảng thời gian nội mùa (2 tuần đến 2 tháng) là rất quan trọng. Nó giúp thu hẹp khoảng thời gian không chắc chắn của dự báo hạn mùa. Mô hình S2S-ECMWF là một công cụ chủ yếu trong phần này. Sản phẩm lượng mưa từ mô hình này được phân tích. Mục tiêu là phát hiện các tín hiệu dao động nội mùa ảnh hưởng đến khởi phát mùa mưa. Các chỉ số khởi phát gió mùa cũng được xem xét. Chúng cung cấp thông tin sớm về khả năng bắt đầu mùa mưa. Việc dự báo ở thang nội mùa cung cấp thông tin chi tiết hơn. Nó hỗ trợ quyết định kịp thời cho các hoạt động nông nghiệp và quản lý rủi ro. Nghiên cứu cũng thảo luận về tiềm năng của mô hình khí hậu khu vực cho dự báo này.
5.1. Mô hình dự báo nội mùa dựa trên sản phẩm mưa.
Các sản phẩm lượng mưa từ mô hình S2S-ECMWF được sử dụng. Dữ liệu này có độ phân giải thời gian và không gian cao hơn. Nó cho phép dự báo chi tiết hơn về diễn biến mưa trong khoảng dao động nội mùa. Thuật toán xác định ngày bắt đầu mùa mưa được áp dụng cho dữ liệu dự báo. Quá trình này giúp ước tính thời điểm khởi đầu mùa mưa với độ chính xác cao hơn. Việc hiệu chỉnh sai số mô hình là một bước không thể thiếu. Nó đảm bảo các dự báo mang tính thực tế.
5.2. Vai trò của các chỉ số khởi phát gió mùa.
Các chỉ số khởi phát gió mùa cung cấp tín hiệu sớm. Chúng cho biết sự thay đổi của các yếu tố khí tượng liên quan đến gió mùa. Ví dụ, sự thay đổi của gió ở tầng thấp hoặc dòng ẩm. Việc theo dõi các chỉ số này giúp nhận diện dấu hiệu mùa mưa sắp bắt đầu. Chúng là công cụ bổ sung cho các mô hình số. Kết hợp chỉ số này với sản phẩm mô hình khí hậu khu vực tăng cường độ tin cậy. Thông tin này đặc biệt hữu ích cho dự báo hạn nội mùa.
5.3. Tiềm năng và thách thức của dự báo nội mùa.
Dự báo hạn nội mùa mang lại tiềm năng lớn. Nó cung cấp thông tin chi tiết hơn so với dự báo hạn mùa. Điều này giúp các nhà hoạch định chính sách đưa ra quyết định nhanh chóng. Tuy nhiên, dự báo nội mùa cũng đối mặt với nhiều thách thức. Độ bất định cao của các quá trình khí quyển ở thang thời gian này là một ví dụ. Cần cải thiện khả năng mô phỏng của mô hình số trị khí hậu. Việc tích hợp nhiều nguồn dữ liệu và phương pháp cũng rất cần thiết. Mục tiêu cuối cùng là nâng cao độ tin cậy của dự báo mùa mưa Việt Nam.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (144 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộPhạm Thanh Hà DU BAO HAN MÙA VA NỘI MÙA NGÀY BAT ĐẦU MÙA MƯA Ở VIỆT NAM TRÊN CƠ SỞ SAN PHAM MÔ HÌNH SO LUẬN AN TIEN SĨ KHÍ TƯỢNG VÀ KHÍ HẬU HOC Hà Nội - 2022 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN Phạm Thanh Hà DỰ BAO HAN MÙA VA NỘI MÙA NGÀY BAT ĐẦU MÙA MƯA Ở VIỆT NAM TRÊN CƠ SỞ SAN PHAM MÔ HÌNH SO Chuyên ngành: Khí tượng học Mã số: 9440222.01 LUẬN ÁN TIEN SĨ KHÍ TƯỢNG VÀ KHÍ HẬU HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC: GS. Phan Văn Tân XÁC NHẬN NCS ĐÃ CHỈNH SỬA THEO QUYÉT NGHỊ CUA HOI DONG DANH GIÁ LUẬN AN Chủ tịch hội đồng đánh gia Người hướng dẫn khoa học Luận án Tiên sĩ GS. Trần Tân Tiến GS. Phan Văn Tân Hà Nội - 2022 LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi và được sự hướng dẫn khoa học của GS.
Các số liệu và kết quả được trình bày trong luận án là hoàn toàn trung thực và chưa từng được ai công bồ trong bat kỳ công trình nghiên cứu nào khác. Tac gia Pham Thanh Ha LỜI CẢM ƠN Trước tiên, tôi xin bày tỏ sự kính trọng và biết ơn sâu sắc nhất đến người thầy đã luôn tận tâm, tận tình hướng dẫn và định hướng tôi trong suốt hành trình làm luận án và trong công việc đó là GS. Thầy là “Người đưa đò” thật đặc biệt mà tôi luôn trân quý. Thay là người luôn khích lệ, tôn trọng và ủng hộ những ý tưởng sáng tạo của tôi, và cũng là người góp phần làm những ý tưởng đó trở nên hoàn thiện hơn.
Xin được gửi lời cảm ơn chân thành nhất tới những người thầy và người bạn đã luôn đồng hành, giúp đỡ, động viên, chia sẻ kiến thức và kinh nghiệm cho tôi trong suốt quá trình thực hiện và hoàn thiện luận án, đó là PGS. Ngô Đức Thành, GS. Roderick van der Linden và ThS. Pham Quang Nam.
Xin cam ơn những người đặc biệt đã luôn theo sát, là nguồn động lực giúp tôi vững tâm và bền chí khi thực hiện luận án, đó là: PGS. Nguyễn Thanh Sơn, PGS. Nguyễn Minh Trường, PGS. Vũ Thanh Hằng, TS.
Bùi Minh Tuân, NCS. Đào Nguyễn Quỳnh Hoa. Tôi xin chân thành cảm ơn các thầy cô, đồng nghiệp, bạn bè trong và ngoài Khoa Khí tượng - Thuỷ văn và Hải dương học, Trường Đại học Khoa học Tự nhiên đã luôn giúp đỡ và tạo điều kiện thuận lợi cho tôi trong suốt thời gian thực hiện luận an. Cuối cùng, luận án này sẽ không thể hoàn thành được nếu thiếu nguồn động viên, giúp đỡ về tinh than và vật chất từ phía gia đình.
Tôi xin bày tỏ lòng biết ơn đến những người thân yêu trong gia đình, đặc biệt là mẹ tôi - người bạn đồng hành cùng tôi trên mọi hành trình. “When you want something, all the universe conspires in helping you to achieve it” - Paulo Coelho Tac gia Pham Thanh Ha MỤC LỤC LỜI CAM ĐOAN LOI CAM ON h9. 1 DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIET TAT .ÔỎ 10 Chương 1. TONG QUAN VE PHƯƠNG PHÁP XÁC ĐỊNH VA DỰ BAO NGÀY BAT ĐẦU MÙA MƯA.
Xác định ngày bắt đầu mùa mưa. -- 2-52 SES22ESEEEEEEEEEEE2EEEEEEEEEEerkrrree 15 1. Biến động theo không gian và thời gian của ngày bắt đầu mùa mưa 8⁄10 0. Dự báo ngày bắt đầu mùa mưa.
Dự báo ngày bắt đầu mùa mưa bằng các mô hình thống kê. Dự báo ngày bắt đầu mùa mưa dựa trên sản phẩm dau ra của mô hình SỐ. - các: ch Hư hư êg 26 Chương 2. SO LIEU VÀ PHƯƠNG PHÁP NGHIÊN CỨU.
Số liệu và khu vực NGHIEN 80) 011107 -----1+1+1 34 QLD. SO TEU QUan tCnan na eố ee. Số liệu các chỉ SO khí hậu. Số liệu dự báo lại của mô hình CFSV2 veccccccccccccscscssssesesesvsvsveveveveveveveveveees 38 2.
Số liệu dự báo lại của mô hình S2S-ECMWE \. Xác định ngày bắt đầu mùa mưa và xu thế biến đổi từ số liệu quan trắc CAL CHAIN 00. Xac dinh ngay bắt đầu mùa MUA tại CAM ceccccecccscesesescsescsvsvsveveveveveveveseees 40 2. Xác định ngày bắt đầu mùa mưa tại vùng khí hậu.
Xu thé biến đổi của ngày bắt AAU MUA mia. Dự báo hạn mùa ngày bắt đầu mùa mưa bằng phương pháp thống kê truyền thống. Dự báo hạn mùa ngày bắt đầu mùa mưa bằng phương pháp thống kê - 2. Dự báo ngày bắt đầu mùa mưa sử dung sản phẩm mưa dự báo của mô hình SỐ.
¿2 2 + ©1+SE2E£2EE2EEEEEEEEEE121121122171121121121121111111211 211 11 xe 2. Dự báo hạn mua NBDMM dựa trên sản phẩm mưa của CFSV2. Dự báo hạn nội mùa ngày bắt đầu mùa mưa dựa trên sản phẩm mưa 7. Phuong phap damh gia 1n.
Các chỉ số đánh Bid ccccecceccccccceessessessssvesessessessessssvesessessessestssessessesseaeaeees 2. Phương pháp kiểm chứng chéo - QLOO.--2-5s+cccccs+Ec+ecscsrsee Chương 3. ĐẶC DIEM CUA NGÀY BAT ĐẦU MUA MUA TREN KHU VỰC VIET NAM. Tính bat định của ngày bắt đầu mùa mưa xác định cho từng trạm.
Xác định chỉ tiêu ngày bắt đầu mùa mưa. Tín hiệu vùng của ngày bắt AGU mùa HA. Chỉ tiêu ngày bắt đầu mùa mưa dựa trên tín hiệu vùng và tram. Phân bố không gian và xu thé biến đổi của ngày bắt đầu mùa mưa.
Mối quan hệ giữa ngày bắt đầu mùa mưa và ENSO.-----¿--s¿©cse¿ Chương 4. DỰ BAO HAN MÙA VÀ NỘI MÙA NGÀY BAT DAU MÙA MUA TREN KHU VỰC VIỆT NAM. Dự báo hạn mùa ngày bắt đầu mùa mưa bằng phương pháp thống kê truyền thống sử dụng các chỉ số khí hậu.--- 2 2 2 +E£EE£EE2EE2EeEEeEEEEErExrreree 4. Dự báo hạn mùa ngày bắt đầu mùa mưa bằng phương pháp thống kê dựa trên sản phâm của mô hình CFSV2.-- 2-2 E2E£+E£+EE£EE+EEtEEtEEEzEerrxerxees 4.
Lựa chọn nhân tổ dự DGO ceccccceccscccsssscsvesesvsvevesesvsevesesveveresvevereseavevsseseeeees 4. Kết quả dự báo và đánh giá. 5c SE TETnEEtE1121221 E1 eerre 4. Dự báo hạn mùa ngày bắt đầu mùa mưa từ sản pham mưa của CFSv2.
Dự báo nội mùa Ngày bắt đầu mùa mưa từ sản phẩm mưa CUA 8⁄4 0500) 01401. Tính bat định của ngày bắt đầu mùa mưa dự báo nội mùa từ sản phẩm 78g70 0/02 SE e/--. Kha năng dự báo hạn nội mùa (7-40 ngày) ngày bắt dau mùa mưa dựa trên sản phẩm mưa của S2S-ECiMIWF.- + St ESEEEEEEE2121111E11E1xEte, 100 4. Sự phụ thuộc của ngày bắt dau mùa mưa dự báo theo han dự báo của S2S-ECiMIWT.
114 DANH MỤC CONG TRINH KHOA HỌC CUA TÁC GIÁ LIÊN QUAN DEN LUẬN ÁN .----s-cs©cse©ssecsserserssersetrserssersersseree 115 TÀI LIEU THAM KHẢO.-- 2 5° 5° ©5252 Ss£Ss£Es£EseEssEssEssexserserssrssrse 116 PHỤ LỤC DANH MỤC CÁC KÝ HIỆU VA CHU VIET TAT Kí hiệu Nội dung CFS Climate Forecast System (Hé thong du bao khi hau) cs cộng sự ECMWF European Centre for Medium-Range Weather Forecasts (Trung tâm dự báo thời tiết han vừa Châu Âu) El Nião Hiện tượng El Nião ENSO El Nião Sounthern Oscillation (Dao động nam El Nião) EOF Empirical Orthogonal Function (Ham trực giao nghiệm) F Gia tri trung binh du bao GM Gió mùa GMMH Gió mùa mùa hè La Nifia Hiện tượng La Nifia MAE Mean Absolute Error (Sai số trung bình tuyệt đối) mb millibar ME Sai số trung bình (Mean Error) NBĐMM Ngày bắt đầu mùa mưa NBĐGM Ngày bắt đầu gió mùa 0 Giá trị trung bình quan trắc ONI Oceanic Nino Index (Chỉ số Nino đại đương) OLR Outgoing Longwave Radiation (Bức xạ sóng dài di ra) OLOO One leave one out (phương pháp kiểm chứng chéo) PCA Principal Component Analysis (Phân tích thành phan chính) MPCA Multi variable Principal Component Analysis (Phan tich thanh phan chinh nhiéu bién) PRMSL Mean Sea Level Pressures (Khi 4p muc bién trung binh) QT Quan trac RMSE Root Mean Square Error (Sai số quân phương) SOI Southern Oscillation Index (Chỉ số dao động Nam) SSmar Diém ki nang (skill score) cua MAE SST Sea Surface Temperatures (Nhiệt độ mặt nước biển) U850 850-hPa Zonal Winds (Gió vĩ hướng mực 850hPa) DANH MỤC HÌNH Hình 2. 1: Tổng lượng mưa trung bình tại 131 trạm quan trắc trong giai đoạn 1979-2019. Đường màu đỏ thê hiện ranh giới phân chia giữa các vùng khí hậu. 2: Dinh dang mẫu của số liệu đầu vào cho phương pháp MPCA.3: Sơ đồ mô tả quy trình dự báo NBĐMM hạn mùa (dưới 6 tháng) đối với sản phâm mưa của CFSv2 cho một vùng khí hậu .4: So đồ mô tả quy trình dự báo NBDMM nội mùa (7-40 ngày) đối với sản phâm mưa của S2S-ECMWF cho một vùng khí hậu.5: Sơ đồ mô tả phương pháp kiểm chứng chéo -OLOO.1: Phân bố không gian giá trị của chỉ số SI tại 131 trạm quan trắc trên khu vực Việt Nam.
Đường màu đen thé hiện ranh giới giữa các vùng khí hậu .2: (a-c) Phan bố theo không gian các giá trị tối ưu của P, N, va D dé xây dựng bộ chỉ tiêu xác định NBDMM quy mô địa phương (tai trạm) trên khu vực Việt Nam; (đ) hệ số tương quan giữa tín hiệu quy mô khu vực của NBDMM (EOF1) với NBDMM quy mô địa phương xác định dựa trên bộ chỉ tiêu tối ưu được lựa chọn. Đường màu đen thể hiện ranh giới của 3 khu vực R123, R45 và R67. Các hình tam giác (vòng tròn) trong hình (a-c) chỉ ra các trạm mà việc thay đôi các ngưỡng giá trị của điều kiện có ảnh hưởng có (không có) ý nghĩa thống kê, dựa trên kiêm nghiệm f với mức độ tin cậy 95%. Các hình tam giác (vòng tròn) trong hình (đ) thể hiện mối quan hệ tương quan có (không có) ý nghĩa thong kê, dựa trên kiểm nghiệm t với mức độ tin cậy 95%.
(Phải) Lượng mưa trung bình hàng tháng với các cham đỏ thé hiện tháng tương ứng của NBDMM được xác định bang chỉ tiêu mới .4: Tương tự hình 3.3 nhưng trên khu vực R45 (R4 và RŠ).5: Tương tự Hình 3.3 nhưng trên khu vực R67 (R6 và R7).6: Tổng lượng mưa tháng trung bình tai 7 vùng khí hau trong giai đoạn 1979-2019. Các cham đỏ thé hiện tháng tương ứng của NBDMM được xác định bằng chỉ tiêu mới. - +: 2 252 E+E£EE£EEEEE2EE2EEEEEEEEkerkrrerei 72 Hình 3. Hình tam giác (tròn) thê hiện trạm có xu thé thay đổi thoả mãn (không thoả mãn) mức độ tin cậy 95% của kiểm nghiệm Mann-Kendall.
Đường viền màu đen thể hiện đường biên của các khu vực R123, R45 và RÓ7.8: Đồ thị tụ điểm gia tri chuẩn sai NBDMM và giá trị trung bình chỉ số ONI các tháng 12-1-2 trong giai đoạn 1979-2019 tại 7 vùng. Dấu * thé hiện giá trị hệ số tương quan thoả mãn mức độ ý nghĩa 95% (t-test).9: Đồ thị hình cột thé hiện xác suất xuất hiện các pha (sớm/muộn) của NBDMM trong những năm El Nião va La Nifia tai 7 vùng khí hậu.1: So sánh biến trình giữa các năm của NBDMM trong giai đoạn 1979-2019 giữa quan trắc (QT) với dự báo phụ thuộc (DBPT) và dự báo độc lập (DBDL). Phan màu ghi xám thé hiện miền giá trị QT + phương sai .
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Dự báo ngày bắt đầu mùa mưa ở VN: Mô hình số, hạn mùa, nội mùa" nghiên cứu về vấn đề gì?
Luận án tiến sĩ dự báo hạn mùa, nội mùa ngày bắt đầu mùa mưa ở Việt Nam. Nghiên cứu sử dụng sản phẩm mô hình số tiên tiến trong khí tượng, khí hậu.
Luận án "Dự báo ngày bắt đầu mùa mưa ở VN: Mô hình số, hạn mùa, nội mùa" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội. Năm bảo vệ: 2022.
Luận án "Dự báo ngày bắt đầu mùa mưa ở VN: Mô hình số, hạn mùa, nội mùa" thuộc chuyên ngành gì?
Luận án "Dự báo ngày bắt đầu mùa mưa ở VN: Mô hình số, hạn mùa, nội mùa" thuộc chuyên ngành Khí tượng học. Danh mục: Khí Tượng Thủy Văn.
Luận án "Dự báo ngày bắt đầu mùa mưa ở VN: Mô hình số, hạn mùa, nội mùa" có bao nhiêu trang?
Luận án "Dự báo ngày bắt đầu mùa mưa ở VN: Mô hình số, hạn mùa, nội mùa" có 144 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Dự báo ngày bắt đầu mùa mưa ở VN: Mô hình số, hạn mùa, nội mùa" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.