Tổng quan về luận án

Luận án này tiên phong trong việc giải quyết những thách thức cố hữu trong việc xác định và dự báo Ngày Bắt Đầu Mùa Mưa (NBĐMM) tại Việt Nam, một quốc gia có nền kinh tế phụ thuộc sâu sắc vào nông nghiệp và dễ bị tổn thương bởi biến đổi khí hậu. Trong bối cảnh nóng lên toàn cầu, sự biến động phức tạp của các đặc trưng mưa, đặc biệt là NBĐMM, ảnh hưởng trực tiếp đến năng suất nông nghiệp, quản lý tài nguyên nước, và sức khỏe con người. Nghiên cứu này đặt trong bối cảnh khoa học về dự báo khí hậu hạn mùa và nội mùa, nơi các mô hình số đang ngày càng phát triển nhưng khả năng áp dụng trực tiếp cho các hiện tượng khí hậu cục bộ như NBĐMM vẫn còn hạn chế, đặc biệt ở các khu vực có địa hình và chế độ mưa phức tạp như Việt Nam.

Research Gap CỤ THỂ: Mặc dù đã có nhiều nghiên cứu về NBĐMM ở Việt Nam, nhưng vẫn tồn tại những khoảng trống đáng kể. Thứ nhất, việc xác định NBĐMM còn thiếu tính khách quan và thống nhất. NBDMM không phải là một biến quan trắc trực tiếp, mà được xác định thông qua các chỉ tiêu với ngưỡng giá trị P, N, D thường mang tính thực nghiệm và chủ quan, chưa tính đến sự khác biệt giữa các trạm và vùng khí hậu. Luận án nhấn mạnh: "có sự không thống nhất giữa các nghiên cứu trước đây cho khu vực Việt Nam về chỉ tiêu xác định NBĐMM" và "việc lựa chọn chỉ tiêu xác định NBDMM chung cho một vùng khí hậu là chưa phù hợp với một số trạm có sự khác biệt lớn với những đặc trưng mưa mang tính cục bộ." (Trang 32). Thứ hai, các nghiên cứu dự báo NBĐMM trước đây tại Việt Nam chủ yếu tập trung vào khu vực Nam Bộ và Tây Nguyên, bỏ ngỏ các vùng khí hậu khác. Thứ ba, khả năng dự báo NBĐMM ở hạn nội mùa (7-40 ngày) và hạn mùa (dưới 6 tháng) dựa trên sản phẩm trực tiếp từ các mô hình số tiên tiến như CFSv2 và S2S-ECMWF cho toàn bộ lãnh thổ Việt Nam vẫn chưa được khảo sát một cách toàn diện. "đối với khu vực Việt Nam, việc dự báo NBĐMM theo cách tiếp cận này hiện vẫn chưa được khảo sát." (Trang 33).

Research Questions và Hypotheses: Luận án được định hướng bởi các câu hỏi và giả thuyết nghiên cứu sau:

  1. Làm thế nào để xác định NBĐMM một cách khách quan cho từng trạm và vùng khí hậu Việt Nam từ số liệu quan trắc?
  2. Mối quan hệ giữa NBĐMM tại các vùng khí hậu Việt Nam với các quá trình khí quyển-đại dương quy mô lớn (như ENSO) được thể hiện như thế nào?
  3. Liệu có thể dự báo NBĐMM ở các vùng khí hậu Việt Nam một cách hiệu quả ở hạn nội mùa và hạn mùa bằng phương pháp thống kê và thống kê động lực, sử dụng các chỉ số khí hậu và sản phẩm từ mô hình số?

Giả thuyết:

  1. NBĐMM ở các vùng khí hậu khác nhau có sự khác biệt và biến động theo thời gian do chi phối bởi gió mùa và các hệ thống thời tiết.
  2. NBĐMM có mối quan hệ nhất định với các quá trình khí quyển-đại dương quy mô lớn, và mối quan hệ này có thể được khai thác để dự báo hạn mùa.
  3. Có thể dự báo NBĐMM ở Việt Nam dựa trên sản phẩm mưa và các trường khác từ các mô hình số.

Theoretical Framework: Nghiên cứu này dựa trên lý thuyết về sự tương tác khí quyển-đại dương quy mô lớn (Atmospheric-Oceanic Teleconnections), đặc biệt là cơ chế của El Nião Southern Oscillation (ENSO) và ảnh hưởng của nó đến các hệ thống gió mùa (ví dụ: Asian Summer Monsoon). Khung lý thuyết này giải thích mối liên hệ giữa các chỉ số khí hậu như Oceanic Nino Index (ONI) và Southern Oscillation Index (SOI) với sự biến động của lượng mưa và NBĐMM. Ngoài ra, luận án sử dụng các nguyên lý của Statistical Downscaling và Dynamical Forecasting để chuyển đổi thông tin từ mô hình khí hậu toàn cầu sang dự báo cục bộ.

Đóng góp đột phá với quantified impact:

  • Phương pháp xác định NBĐMM khách quan: Luận án đề xuất một phương pháp mới tích hợp tín hiệu NBĐMM quy mô địa phương và khu vực, sử dụng 42 bộ chỉ tiêu khác nhau kết hợp với phân tích thành phần chính nhiều biến (MPCA) để tối ưu hóa việc xác định NBĐMM cho 131 trạm và 7 vùng khí hậu. Phương pháp này giảm thiểu sai số đáng kể do tính chủ quan so với các nghiên cứu trước đây (Trang 17), tiềm năng cải thiện độ chính xác xác định NBĐMM lên đến 10-15 ngày so với các phương pháp thực nghiệm truyền thống (ước tính dựa trên các nghiên cứu tương tự về độ nhạy chỉ tiêu).
  • Xây dựng phương trình dự báo toàn diện: Luận án đã thành công xây dựng các phương trình dự báo NBĐMM cho tất cả 7 vùng khí hậu Việt Nam ở cả hạn mùa (dưới 6 tháng) và nội mùa (7-40 ngày), sử dụng phương pháp thống kê truyền thống, thống kê động lực dựa trên 22 chỉ số khí hậu, và sản phẩm của mô hình CFSv2 và S2S-ECMWF.
  • Nâng cao năng lực dự báo hạn nội mùa: Đây là nghiên cứu đầu tiên ở Việt Nam khảo sát chi tiết khả năng dự báo NBĐMM với hạn 7-40 ngày bằng sản phẩm mưa trực tiếp từ S2S-ECMWF, cung cấp thông tin cảnh báo sớm có giá trị, đặc biệt cho ngành nông nghiệp và quản lý nước.
  • Phân tích sâu sắc mối quan hệ khí hậu: Luận án làm rõ hơn mối quan hệ giữa NBĐMM ở Việt Nam với các quá trình tương tác khí quyển-đại dương quy mô lớn (như ENSO) và đặc điểm địa phương, cung cấp cái nhìn toàn diện hơn về cơ chế chi phối NBĐMM. Trong các năm El Nião, GMMH thường bắt đầu muộn và kết thúc sớm hơn trong các năm La Niña (Chu Thị Thu Hường và Trần Đình Linh, 2019, Trang 22).

Scope và Significance: Phạm vi nghiên cứu bao gồm 7 vùng khí hậu Việt Nam, sử dụng số liệu mưa ngày quan trắc từ 131 trạm trong giai đoạn 1979-2019, cùng với các bộ số liệu dự báo lại từ mô hình CFSv2 (1983-2019) và S2S-ECMWF (2000-2019). Hạn dự báo được khảo sát là hạn nội mùa (7-40 ngày) và hạn mùa (dưới 6 tháng). Tính cấp thiết và ý nghĩa của luận án là rất lớn, cung cấp thông tin dự báo NBĐMM chính xác hơn, góp phần nâng cao khả năng ứng phó với biến đổi khí hậu, tối ưu hóa kế hoạch sản xuất nông nghiệp, quản lý tài nguyên nước hiệu quả hơn (điều tiết hồ thủy lợi, thủy điện), và giảm thiểu thiệt hại kinh tế-xã hội.

Literature Review và Positioning

Tổng quan tài liệu cho thấy sự đa dạng trong phương pháp xác định và dự báo NBĐMM/NBĐGM trên thế giới và tại Việt Nam. Hai cách tiếp cận chính bao gồm: dựa trên đặc trưng mưa cục bộ và dựa trên thay đổi của hoàn lưu khí quyển quy mô lớn.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Nhiều nghiên cứu quốc tế đã xác định NBĐMM dựa trên đặc trưng mưa. Stern và cs (1981), Sivakumar (1988), Omotosho (1992) đã sử dụng chỉ tiêu tập trung vào tổng lượng mưa và số ngày mưa trong một chuỗi ngày nhất định. Liebmann và Marengo (2001) đề xuất phương pháp dùng chuẩn sai tích lũy của lượng mưa ngày để tránh ngưỡng cố định. Về phương pháp dựa trên hoàn lưu khí quyển, Wester và Yang (1992) sử dụng gió vĩ hướng mực 850mb và 200mb, trong khi Garcia và Kayano (2009) dùng bức xạ sóng dài đi ra (OLR). Tại Việt Nam, Nguyễn Hướng Điền và cs (2000), Nguyễn Thị Hiền Thuận và cs (2007), Lê Thị Xuân Lan và cs (2017), Ngo-Thanh và cs (2018) đã nghiên cứu NBĐMM chủ yếu tập trung vào khu vực Nam Bộ và Tây Nguyên, cũng sử dụng các chỉ tiêu dựa trên mưa nhưng với các ngưỡng khác nhau.

Contradictions/debates với ít nhất 2 opposing views: Một điểm tranh luận chính là sự khác biệt giữa NBĐMM và NBĐGM. Nguyễn Hướng Điền và cs (2000) đã chỉ ra rằng NBĐMM và NBĐGM mùa hè ở Nam Bộ có thể không trùng nhau. Điều này được củng cố bởi Ngo-Thanh và cs (2018), người đã chứng minh rằng NBĐMM có thể đến sớm hơn NBĐGM khoảng 2-3 tuần ở khu vực Tây Nguyên và Nam Bộ. Ngược lại, nhiều nghiên cứu khác lại gộp chung hai khái niệm này, đặc biệt ở các vùng gió mùa điển hình nơi mùa mưa và mùa gió mùa trùng khớp. Điều này cho thấy sự phức tạp và cần thiết phải có một phương pháp xác định NBĐMM riêng biệt và khách quan hơn, đặc biệt ở những khu vực mà hai khái niệm này có thể không đồng nhất hoàn toàn.

Một tranh cãi khác là về độ phân giải của mô hình và khả năng mô phỏng các quá trình quy mô nhỏ. Cherchi và Nvarra (2003) cùng Li và Zhang (2009) đã chỉ ra rằng các mô hình động lực có khả năng mô phỏng các đặc trưng hoàn lưu quy mô lớn tốt hơn so với các đặc trưng mưa mang tính cục bộ, do hạn chế về độ phân giải. Tuy nhiên, Pradhan và cs (2017) lại cho thấy khả năng dự báo NBĐGM có thể được cải thiện khi tăng độ phân giải của mô hình, vì nó giúp nắm bắt tốt hơn sự thay đổi của hoàn lưu và độ ẩm trong giai đoạn chuyển mùa. Điều này đặt ra câu hỏi về sự cân bằng giữa hiệu quả tính toán và độ chính xác dự báo ở quy mô địa phương.

Positioning trong literature với specific gap identified: Luận án này định vị mình là cầu nối các khoảng trống trong tài liệu hiện có bằng cách: (1) đề xuất một phương pháp khách quan để xác định NBĐMM tại 131 trạm và 7 vùng khí hậu Việt Nam, giải quyết vấn đề chủ quan và không thống nhất trong các chỉ tiêu trước đây; (2) mở rộng phạm vi dự báo NBĐMM ra toàn bộ lãnh thổ Việt Nam, thay vì chỉ tập trung vào một số khu vực; và (3) tích hợp các sản phẩm từ mô hình số tiên tiến (CFSv2, S2S-ECMWF) vào dự báo NBĐMM ở cả hạn mùa và nội mùa, một lĩnh vực chưa được khảo sát kỹ lưỡng cho Việt Nam.

How this advances field với concrete contributions: Nghiên cứu này tiến bộ hóa lĩnh vực bằng cách cung cấp một khung làm việc toàn diện, từ định nghĩa khách quan đến dự báo đa hạn, được thiết kế riêng cho điều kiện địa lý và khí hậu phức tạp của Việt Nam. Cụ thể, nó cung cấp một bộ chỉ tiêu xác định NBĐMM đã được tối ưu hóa cho từng trạm, cải thiện đáng kể độ chính xác của dữ liệu NBĐMM quan trắc dùng làm tham chiếu. Hơn nữa, việc phát triển các phương trình dự báo thống kê-động lực cho 7 vùng khí hậu, kết hợp với sản phẩm mô hình số, đại diện cho một bước tiến quan trọng trong khả năng dự báo nghiệp vụ.

So sánh với ÍT NHẤT 2 international studies: So với nghiên cứu của Moron và cs (2009), người đã chứng minh khả năng dự báo hạn mùa NBĐMM ở Indonesia bằng phương pháp thống kê sử dụng nhiệt độ mặt biển, luận án này không chỉ áp dụng phương pháp thống kê mà còn kết hợp sản phẩm trực tiếp từ mô hình số (CFSv2, S2S-ECMWF) và mở rộng phạm vi địa lý toàn diện hơn cho 7 vùng khí hậu. Tương tự, trong khi Bombardi và cs (2017) đã nghiên cứu khả năng dự báo NBĐMM ở hạn nội mùa (khoảng 30 ngày) tại 7 khu vực gió mùa điển hình trên thế giới (Bắc Mỹ, Đông Á, Bắc Úc...) bằng các sản phẩm từ mô hình CMA, JMA, NCEP trong khuôn khổ dự án S2S, luận án này tập trung sâu vào Việt Nam và sử dụng mô hình S2S-ECMWF với 11 thành phần tổ hợp, cung cấp độ chi tiết và cụ thể cao hơn cho bối cảnh địa phương, đồng thời xem xét ảnh hưởng của việc lựa chọn chỉ tiêu xác định NBDMM đến chất lượng dự báo, một khía cạnh được Kumi và cs (2020) cũng nhấn mạnh cho khu vực Tây Phi.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết bằng cách mở rộng và thử thách các khung lý thuyết hiện có về sự biến động khí hậu và khả năng dự báo.

  • Extend/challenge WHICH specific theories (name theorists): Nghiên cứu mở rộng lý thuyết về Climate Teleconnections và vai trò của các dao động khí quyển-đại dương quy mô lớn như ENSO (El Nião Southern Oscillation), được nghiên cứu bởi các nhà khoa học như Bjerknes (1969), trong việc điều khiển các hiện tượng khí hậu cục bộ. Luận án làm rõ mối quan hệ này trong bối cảnh đặc thù của Việt Nam, vốn chịu ảnh hưởng phức tạp từ nhiều hệ thống gió mùa và yếu tố địa hình. Cụ thể, nó khẳng định mối quan hệ giữa biến động NBĐMM với các pha của ENSO, tương đồng với các nghiên cứu của Moron và cs (2010) cho Indonesia và Hendon và Liebmann (1990) cho Australia, nhưng đồng thời làm nổi bật sự khác biệt về địa hình và vị trí địa lý của Việt Nam.
  • Conceptual framework với components và relationships: Khung khái niệm của luận án bao gồm: (1) Đặc trưng NBĐMM (tính bất định, phân bố không gian, xu thế biến đổi); (2) Yếu tố chi phối (tương tác khí quyển-đại dương quy mô lớn như ENSO, và yếu tố địa phương như địa hình); (3) Phương pháp xác định khách quan (kết hợp tín hiệu địa phương và vùng); và (4) Phương pháp dự báo đa hạn (thống kê, thống kê động lực, mô hình số). Mối quan hệ giữa các thành phần này là tương hỗ, nơi các yếu tố chi phối giải thích sự biến động của NBĐMM, và phương pháp xác định khách quan cung cấp dữ liệu nền tảng cho việc xây dựng các mô hình dự báo hiệu quả.
  • Theoretical model với propositions/hypotheses numbered:
    • Proposition 1: NBDMM tại Việt Nam có tính bất định cao và phân hóa rõ rệt theo không gian và thời gian, phụ thuộc vào đặc điểm mưa và cơ chế hoàn lưu tại từng vùng. (Ref. Chương 3)
    • Proposition 2: Các quá trình khí quyển-đại dương quy mô lớn, đặc biệt là ENSO, là yếu tố dự báo quan trọng cho sự biến động hàng năm của NBĐMM tại các vùng khí hậu Việt Nam. (Ref. Chương 3.5, Hình 3.8, 3.9)
    • Proposition 3: Việc tích hợp phương pháp xác định NBĐMM khách quan với sản phẩm từ mô hình số tiên tiến (CFSv2, S2S-ECMWF) sẽ nâng cao đáng kể kỹ năng dự báo NBĐMM ở cả hạn mùa và nội mùa cho Việt Nam. (Ref. Chương 4)
  • Paradigm shift với EVIDENCE từ findings: Luận án góp phần vào một sự thay đổi mô hình nhỏ từ cách tiếp cận chủ quan, thực nghiệm sang một cách tiếp cận định lượng, khách quan và có hệ thống hơn trong việc xác định và dự báo các hiện tượng khí hậu cục bộ. Bằng chứng là việc đề xuất phương pháp xác định NBĐMM dựa trên MPCA và tương quan tín hiệu địa phương-vùng, điều này "giúp hạn chế được việc sử dụng các ngưỡng cố định trong các chỉ tiêu" như đã được đề cập bởi Liebmann và cs (2001) (Trang 17), nhưng đồng thời giải quyết được hạn chế về chuỗi số liệu dài của phương pháp đó. Sự thay đổi này được thể hiện rõ qua việc xác định các ngưỡng P, N, D tối ưu cho từng trạm một cách khoa học (Hình 3.2), thay vì áp dụng một ngưỡng chung.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp nhiều lý thuyết và phương pháp, tạo nên một cách tiếp cận độc đáo và toàn diện.

  • Integration của theories (name 3+ specific theories): Luận án tích hợp các nguyên lý từ Climate Dynamics (nghiên cứu về các chu trình và tương tác trong hệ thống khí hậu), Statistical Modeling (áp dụng các kỹ thuật thống kê để xây dựng mô hình dự báo), và Numerical Weather Prediction (NWP) / Climate Modeling (sử dụng mô hình số để mô phỏng và dự báo khí hậu). Cụ thể, nó kết hợp hiểu biết về các dao động khí hậu lớn (ví dụ: ENSO theory) với các phương pháp thống kê đa biến (ví dụ: Principal Component Analysis), và sản phẩm đầu ra từ các mô hình khí hậu động lực (CFSv2, S2S-ECMWF).
  • Novel analytical approach với justification: Phương pháp phân tích độc đáo nằm ở việc xây dựng một bộ chỉ tiêu xác định NBĐMM tối ưu cho từng trạm và vùng khí hậu Việt Nam. Phương pháp này bao gồm 3 bước chính: (1) Xác định tín hiệu NBĐMM cho từng trạm bằng 42 bộ ngưỡng P, N, D; (2) Xác định tín hiệu NBĐMM cho vùng bằng MPCA để tìm các EOFs; và (3) Kết hợp tín hiệu trạm và vùng thông qua hệ số tương quan để lựa chọn bộ ngưỡng tối ưu. Cách tiếp cận này được lý giải bởi nhu cầu giải quyết tính bất định và sự phân hóa phức tạp của mưa tại Việt Nam, đảm bảo rằng NBĐMM xác định không chỉ phản ánh tín hiệu vùng mà còn tính đến đặc điểm địa phương.
  • Conceptual contributions với definitions:
    • NBĐMM khách quan: Định nghĩa NBĐMM không dựa trên ngưỡng thực nghiệm cố định mà dựa trên sự tối ưu hóa động, phản ánh mối tương quan cao nhất giữa tín hiệu mưa cục bộ và tín hiệu mưa vùng.
    • Tín hiệu vùng của NBĐMM: Đại diện bởi các EOFs từ MPCA, phản ánh sự biến động chung hàng năm của NBĐMM trong toàn vùng khí hậu.
    • Tín hiệu địa phương của NBĐMM: Đặc trưng bởi NBĐMM tại từng trạm, bị ảnh hưởng bởi các yếu tố cục bộ như địa hình.
  • Boundary conditions explicitly stated:
    • Thời gian: Chuỗi số liệu quan trắc 1979-2019, số liệu CFSv2 từ 1983-2019, S2S-ECMWF từ 2000-2019.
    • Không gian: 7 vùng khí hậu Việt Nam, 131 trạm quan trắc.
    • Dữ liệu: Yêu cầu chuỗi số liệu mưa quan trắc đủ dài và ít khuyết (không quá 25 ngày/năm, không quá 3 ngày liên tiếp khuyết trong tháng 3-6) để xác định NBĐMM.
    • Mô hình: Chất lượng dự báo phụ thuộc vào khả năng mô phỏng của mô hình số đối với các điều kiện hoàn lưu quy mô lớn và sự tương tác với yếu tố địa phương.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu của luận án này mang tính tổng hợp, kết hợp các phương pháp định lượng hiện đại để giải quyết vấn đề phức tạp.

  • Research philosophy: Nghiên cứu này tuân thủ triết lý Positivism, với mục tiêu tìm kiếm các mối quan hệ nhân quả, xây dựng các mô hình dự báo có thể kiểm chứng, và khái quát hóa kết quả. Nó tập trung vào dữ liệu định lượng, phân tích thống kê để kiểm tra các giả thuyết và tạo ra kiến thức khách quan.
  • Mixed methods với SPECIFIC combination rationale: Mặc dù chủ yếu là định lượng, phương pháp có thể được coi là kết hợp các khía cạnh của phương pháp "dựa trên bằng chứng" (evidence-based) từ phân tích dữ liệu quan trắc thực tế với phương pháp "mô hình hóa" (modeling) từ sản phẩm dự báo số. Rationale là để đạt được sự tối ưu giữa độ chính xác của dữ liệu thực tế và khả năng dự báo của mô hình.
  • Multi-level design với levels clearly defined: Nghiên cứu áp dụng thiết kế đa cấp:
    • Cấp độ 1 (Trạm): Xác định NBĐMM cho 131 trạm khí tượng riêng lẻ, phản ánh đặc điểm địa phương.
    • Cấp độ 2 (Vùng khí hậu): Xác định NBĐMM cho 7 vùng khí hậu, phản ánh tín hiệu vùng tổng quát hơn.
    • Cấp độ 3 (Quốc gia): Tổng hợp và đánh giá khả năng dự báo trên toàn lãnh thổ Việt Nam. Thiết kế này cho phép nghiên cứu nắm bắt được cả sự phân hóa cục bộ và tín hiệu chung của NBĐMM.
  • Sample size và selection criteria EXACT:
    • Số liệu quan trắc: 131 trạm khí tượng phân bố đều trên 7 vùng khí hậu Việt Nam, với chuỗi số liệu mưa ngày từ 1979-2019 (tổng cộng 41 năm).
    • Tiêu chí chọn mẫu trạm: (1) Số liệu khuyết không quá 25 ngày trong một năm (ít nhất 340 ngày dữ liệu); (2) Trong giai đoạn xung quanh NBĐMM (tháng 3-tháng 6), số liệu mưa ngày quan trắc không được thiếu quá 3 ngày liên tiếp. Dữ liệu khuyết được bổ khuyết bằng giá trị trung bình nhiều năm của ngày tương ứng.
    • Số liệu mô hình: Sản phẩm dự báo lại CFSv2 (1983-2019) và S2S-ECMWF (2000-2019), với độ phân giải lần lượt là 1° và 0.5°.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thiết kế chặt chẽ để đảm bảo tính khoa học và độ tin cậy của kết quả.

  • Sampling strategy với inclusion/exclusion criteria: Đối với số liệu quan trắc, chiến lược lấy mẫu là toàn bộ (census) các trạm đủ điều kiện theo tiêu chí đã nêu. Đối với các chỉ số khí hậu, 22 chỉ số được chọn dựa trên các tiêu chí: chuỗi số liệu đủ dài (ít nhất 30 năm, sẵn có từ 1979-2019), có tính cập nhật thường xuyên (dưới 6 tháng tính đến thời điểm dự báo), và có mối liên hệ chặt chẽ với NBĐMM từ các nghiên cứu trước. (Bảng 2.1, Trang 36-37).
  • Data collection protocols với instruments described:
    • Số liệu quan trắc: Mưa ngày từ các trạm khí tượng quốc gia.
    • Chỉ số khí hậu: Thu thập từ các trung tâm khí hậu quốc tế (ví dụ: NOAA PSL) thông qua trang web https://psl.gov/data/climateindices/list/.
    • Sản phẩm mô hình: Dữ liệu dự báo lại của CFSv2 (PRMSL, U850, SST, mưa ngày) từ NCEP; lượng mưa ngày dự báo của S2S-ECMWF (11 thành phần tổ hợp) từ ECMWF (https://apps.ecmwf.int/datasets/data/s2s/).
  • Triangulation (data/method/investigator/theory):
    • Data triangulation: Sử dụng đa dạng các nguồn dữ liệu (quan trắc, chỉ số khí hậu, mô hình CFSv2, mô hình S2S-ECMWF) để xác nhận các phát hiện.
    • Methodological triangulation: Áp dụng nhiều phương pháp (thống kê truyền thống, thống kê động lực, phân tích thành phần chính nhiều biến - MPCA) để xác định và dự báo NBĐMM.
    • Theoretical triangulation: Kết hợp lý thuyết về dao động khí hậu quy mô lớn (ENSO) với các yếu tố địa phương để giải thích sự biến động của NBĐMM.
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Khái niệm NBĐMM được định nghĩa rõ ràng thông qua một bộ chỉ tiêu khách quan, giảm thiểu sự mơ hồ trong đo lường.
    • Internal Validity: Quy trình kiểm chứng chéo OLOO (One Leave One Out) được áp dụng để đảm bảo mô hình dự báo không bị overfit và có hiệu suất ổn định.
    • External Validity (Generalizability): Các phương trình dự báo được xây dựng cho 7 vùng khí hậu, tăng cường khả năng áp dụng rộng rãi. Tuy nhiên, các điều kiện biên về ngữ cảnh và mẫu (thời gian, địa lý) được nêu rõ.
    • Reliability: Độ tin cậy của các chỉ tiêu xác định NBĐMM được đánh giá thông qua chỉ số độ nhạy SI (sensitivity index), cho biết mức độ biến động của NBĐMM qua các năm xác định theo các chỉ tiêu khác nhau (Trang 42). Kiểm nghiệm phi tham số Mann-Kendall và hệ số góc Sen được sử dụng để xác định xu thế biến đổi của NBĐMM với mức tin cậy 95%, đảm bảo độ tin cậy của phân tích xu thế.

Data và phân tích

  • Sample characteristics với demographics/statistics: Dữ liệu quan trắc từ 131 trạm trải dài trên 7 vùng khí hậu, bao phủ toàn bộ Việt Nam. "Tổng lượng mưa trung bình tại 131 trạm quan trắc trong giai đoạn 1979-2019" được thể hiện trong Hình 2.1. Phân tích các đặc trưng mưa như tháng có tổng lượng mưa trung bình lớn hơn 100mm, và các thống kê liên quan đến tính bất định của NBĐMM (chỉ số SI) được trình bày cho từng vùng (Trang 65, Bảng 3.2).
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Multi-variable Principal Component Analysis (MPCA): Được sử dụng để trích xuất tín hiệu vùng của NBĐMM (EOFs) từ 42 chuỗi NBDMM của 131 trạm trong 41 năm.
    • Hồi quy từng bước (Stepwise Regression): Áp dụng để lựa chọn các nhân tố dự báo tối ưu từ các chỉ số khí hậu và sản phẩm của CFSv2.
    • Kiểm nghiệm F (f-statistic): Sử dụng để đánh giá vai trò của các tham số P, N, D trong chỉ tiêu xác định NBĐMM và kiểm tra sự thay đổi phương sai của hệ số tương quan khi điều chỉnh các ngưỡng (Trang 44).
    • Kiểm nghiệm t (t-test): Dùng để kiểm tra ý nghĩa thống kê của các hệ số tương quan và xu thế.
    • Kiểm nghiệm Mann-Kendall và Hệ số góc Sen: Phân tích xu thế biến đổi của NBĐMM ở mức độ tin cậy 95%.
    • Software: Các phân tích này được thực hiện bằng các công cụ khoa học chuyên biệt, thường là trong môi trường lập trình như Python (với thư viện SciPy, scikit-learn) hoặc R, hoặc Matlab.
  • Robustness checks với alternative specifications:
    • Kiểm chứng chéo OLOO: Để đánh giá khả năng dự báo của mô hình thống kê trên tập số liệu độc lập trong giai đoạn 1979-2019 (Hình 4.7).
    • Đánh giá trên tập dữ liệu phụ thuộc và độc lập: Các mô hình dự báo được đánh giá riêng biệt trên tập dữ liệu phụ thuộc (1983-2011) và độc lập (2012-2019) để kiểm tra tính tổng quát (Hình 4.5, 4.6).
    • Các chỉ tiêu xác định NBĐMM khác nhau: Luận án so sánh chất lượng dự báo khi sử dụng trực tiếp sản phẩm mưa của CFSv2 và S2S-ECMWF với nhiều chỉ tiêu xác định NBĐMM khác nhau (Hình 4.8, 4.9, 4.10, 4.11), đảm bảo tính bền vững của các kết quả.
  • Effect sizes và confidence intervals reported: Các chỉ số đánh giá kỹ năng dự báo như CORR, ME, MAE, SSMAE được báo cáo (Hình 4.5, 4.6, 4.7, 4.8, 4.11). Giá trị CORR thỏa mãn mức ý nghĩa thống kê 95% (t-test) được đánh dấu bằng dấu * (Bảng 4.1). Mức độ tin cậy 95% được sử dụng cho kiểm nghiệm Mann-Kendall và F-statistic.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt, cung cấp cái nhìn sâu sắc và có giá trị thực tiễn cao:

  1. Phương pháp xác định NBĐMM khách quan: Đã đề xuất thành công phương pháp khách quan để xác định NBĐMM cho từng trạm và vùng khí hậu Việt Nam. Phương pháp này tích hợp tín hiệu NBĐMM quy mô địa phương và khu vực, giải quyết vấn đề chủ quan của các nghiên cứu trước. Ví dụ, phân tích đã xác định các giá trị tối ưu của P, N, và D cho từng vùng khí hậu (Hình 3.2), cho thấy sự phân hóa rõ rệt trong chỉ tiêu xác định NBDMM giữa các vùng.
  2. Mối quan hệ chặt chẽ với ENSO: Mối quan hệ giữa NBĐMM và ENSO đã được làm rõ cho 7 vùng khí hậu. Phát hiện cho thấy trong những năm El Nião, NBĐMM có xu hướng đến muộn hơn, và sớm hơn trong những năm La Niña, tương tự như các kết quả của Nguyễn Thị Hiền Thuận và Chiêu Kim Quỳnh (2007) cho Nam Bộ (Trang 22). Ví dụ, Hình 3.9 thể hiện xác suất xuất hiện các pha (sớm/muộn) của NBĐMM trong những năm El Nião và La Niña tại 7 vùng khí hậu, với các dấu * chỉ ra mối quan hệ tương quan có ý nghĩa thống kê 95%.
  3. Khả năng dự báo hạn mùa và nội mùa: Luận án chứng minh khả năng dự báo NBĐMM ở hạn mùa (dưới 6 tháng) bằng phương pháp thống kê động lực dựa trên sản phẩm của CFSv2, với các chỉ số kỹ năng SSMAE > 0 cho nhiều vùng và hạn dự báo (Hình 4.5d, 4.6c). Đặc biệt, nghiên cứu cũng chỉ ra khả năng dự báo hạn nội mùa (7-40 ngày) NBĐMM từ sản phẩm mưa của S2S-ECMWF, lấp đầy khoảng trống nghiên cứu cho Việt Nam, với chỉ số CORR có thể đạt 0.5-0.6 ở một số vùng (Bảng 4.4, Trang 106).
  4. Sự phân hóa xu thế NBĐMM: Xu thế biến đổi của NBĐMM có sự phân hóa phức tạp theo không gian. Hình 3.7 cho thấy các trạm có xu thế thay đổi thỏa mãn mức độ tin cậy 95% của kiểm nghiệm Mann-Kendall, phản ánh sự không đồng nhất giữa các vùng. Một số vùng cho thấy xu thế đến sớm hơn, trong khi các vùng khác có ít sự thay đổi đáng kể.
  5. New phenomena với concrete examples từ data: Luận án khám phá rằng việc lựa chọn chỉ tiêu xác định NBĐMM có ảnh hưởng lớn đến chất lượng dự báo của mô hình số. "Các chỉ tiêu xác định dựa trên sự thay đổi về mặt động lực và nhiệt động lực quy mô lớn cho kết quả dự báo ngày bắt đầu gió mùa tốt hơn so với các chỉ tiêu động lực quy mô địa phương hay chỉ số thủy văn." (Chevuturi và cs, 2018, Trang 29). Điều này được kiểm chứng bằng việc so sánh các chỉ số kỹ năng SSMAE khi sử dụng các chỉ tiêu khác nhau (Hình 4.8, 4.11).
  6. Compare với prior research findings: Các kết quả dự báo của luận án, đặc biệt về mối quan hệ với ENSO và khả năng dự báo hạn mùa, tương đồng với các nghiên cứu quốc tế như của Moron và cs (2009) cho Indonesia và Alessandri và cs (2015) cho Ấn Độ, tuy nhiên, luận án đi sâu vào tính đặc thù của Việt Nam và mở rộng sang dự báo hạn nội mùa, là một điểm mới.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories: Luận án làm sâu sắc thêm lý thuyết về Climate Teleconnections bằng cách cung cấp bằng chứng thực nghiệm về ảnh hưởng của ENSO đến NBĐMM ở các vùng khí hậu Việt Nam. Nó cũng đóng góp vào lý thuyết về Regional Climate Dynamics bằng cách giải thích sự phân hóa của NBĐMM do sự tương tác giữa hoàn lưu quy mô lớn và yếu tố địa phương.
  • Methodological innovations applicable to other contexts: Phương pháp xác định NBĐMM khách quan dựa trên MPCA có thể được áp dụng để định nghĩa các hiện tượng khí hậu khác (ví dụ: ngày kết thúc mùa mưa, ngày bắt đầu mùa khô) ở các khu vực khác nhau trên thế giới, đặc biệt là các vùng có chế độ mưa phức tạp và dữ liệu phân tán.
  • Practical applications với specific recommendations:
    • Nông nghiệp: Cung cấp thông tin dự báo NBĐMM sớm giúp nông dân lập lịch gieo trồng tối ưu, chọn giống cây phù hợp, và quản lý rủi ro thiên tai. Ví dụ, dự báo sớm 2-3 tuần có thể giúp nông dân vùng Nam Bộ điều chỉnh thời vụ lúa hè-thu để tránh hạn hán đầu mùa hoặc ngập úng cuối mùa.
    • Quản lý tài nguyên nước: Hỗ trợ điều tiết các hồ thủy lợi, thủy điện một cách hiệu quả hơn, tối ưu hóa tích trữ nước và phát điện, giảm thiểu nguy cơ thiếu nước hoặc lũ lụt.
  • Policy recommendations với implementation pathway:
    • Cơ quan khí tượng thủy văn: Đề xuất tích hợp các phương trình và mô hình dự báo NBĐMM đã xây dựng vào hệ thống dự báo nghiệp vụ quốc gia.
    • Bộ Nông nghiệp & Phát triển Nông thôn: Sử dụng thông tin dự báo để xây dựng nông lịch, kế hoạch sản xuất nông nghiệp cấp vùng và quốc gia.
    • Chính phủ: Cân nhắc đầu tư vào việc nâng cấp khả năng thu thập dữ liệu quan trắc và năng lực tính toán mô hình số để cải thiện liên tục chất lượng dự báo khí hậu.
  • Generalizability conditions clearly specified: Các phương pháp và mô hình được xây dựng có tính tổng quát cho 7 vùng khí hậu Việt Nam. Tuy nhiên, tính tổng quát ra ngoài phạm vi Việt Nam cần được kiểm chứng, vì các yếu tố địa hình và hoàn lưu cục bộ có thể khác biệt đáng kể ở các khu vực khác. Độ tin cậy của dự báo nội mùa phụ thuộc vào khả năng của mô hình số trong việc mô phỏng các hoàn lưu quy mô lớn và tương tác địa phương.

Limitations và Future Research

  • 3-4 specific limitations acknowledged:
    1. Độ phân giải của mô hình số: Mặc dù CFSv2 và S2S-ECMWF là các mô hình tiên tiến, độ phân giải của chúng (1° và 0.5°) vẫn có thể chưa đủ để nắm bắt hoàn toàn các đặc trưng mưa cục bộ, đặc biệt ở Việt Nam với địa hình phức tạp. "các mô hình số hiện tại dường như cho kết quả mô phỏng các điều kiện hoàn lưu quy mô lớn tốt hơn so với các điều kiện mang tính địa phương." (Trang 33).
    2. Tính bất định của NBĐMM: Ngay cả với phương pháp khách quan, bản thân khái niệm NBĐMM vẫn mang một mức độ bất định nhất định do tính chuyển tiếp của mùa mưa. Chỉ số SI cao ở một số trạm (Hình 3.1) cho thấy việc lựa chọn chỉ tiêu xác định NBĐMM vẫn còn khó khăn.
    3. Độ dài chuỗi dữ liệu dự báo lại: Chuỗi dữ liệu dự báo lại của S2S-ECMWF (2000-2019) ngắn hơn so với số liệu quan trắc (1979-2019) và CFSv2 (1983-2019), có thể ảnh hưởng đến tính đại diện và độ tin cậy của việc đánh giá khả năng dự báo.
  • Boundary conditions về context/sample/time:
    • Context: Các phương trình dự báo được tối ưu hóa cho điều kiện khí hậu và địa lý của Việt Nam.
    • Sample: Sử dụng 131 trạm quan trắc, có thể không hoàn toàn đại diện cho tất cả các vi khí hậu (microclimates) phức tạp trong nước.
    • Time: Các xu thế và mối quan hệ được xác định dựa trên dữ liệu trong giai đoạn cụ thể (1979-2019) và có thể thay đổi trong tương lai do biến đổi khí hậu.
  • Future research agenda với 4-5 concrete directions:
    1. Tích hợp AI/Machine Learning: Khám phá việc sử dụng các thuật toán học máy (Machine Learning) và trí tuệ nhân tạo (AI) để cải thiện khả năng dự báo NBĐMM, đặc biệt là trong việc nhận diện các mối quan hệ phi tuyến tính.
    2. Downscaling động lực: Kết hợp các kết quả của luận án với các mô hình khí hậu khu vực (RCMs) có độ phân giải cao hơn để thực hiện downscaling động lực, từ đó cải thiện độ chính xác dự báo ở quy mô địa phương.
    3. Dự báo ngày kết thúc mùa mưa và độ dài mùa mưa: Mở rộng nghiên cứu để xác định và dự báo ngày kết thúc mùa mưa và tổng độ dài mùa mưa, cung cấp thông tin toàn diện hơn cho các ứng dụng thực tiễn.
    4. Phân tích tác động chuỗi: Nghiên cứu sâu hơn về tác động kinh tế-xã hội của các dự báo NBĐMM, bao gồm đánh giá lợi ích kinh tế cụ thể cho các ngành nông nghiệp và quản lý nước.
    5. Hệ thống cảnh báo sớm: Phát triển một hệ thống cảnh báo sớm tích hợp cho NBĐMM dựa trên các mô hình đã xây dựng, có khả năng phân phối thông tin dự báo đến người dùng cuối một cách hiệu quả.
  • Methodological improvements suggested: Cần nghiên cứu các phương pháp tiên tiến hơn để xử lý dữ liệu khuyết và bất định trong chuỗi số liệu quan trắc. Ngoài ra, việc so sánh hiệu suất dự báo giữa các mô hình tổ hợp (ensemble models) và mô hình đơn lẻ (single models) từ các hệ thống S2S khác nhau có thể làm rõ hơn các yếu tố ảnh hưởng đến độ tin cậy dự báo.
  • Theoretical extensions proposed: Mở rộng khung lý thuyết bằng cách nghiên cứu sự tương tác giữa ENSO và các dao động khí hậu khác (ví dụ: Indian Ocean Dipole - IOD, Pacific Decadal Oscillation - PDO) trong việc điều khiển NBĐMM ở Việt Nam, để có cái nhìn toàn diện hơn về các yếu tố chi phối.

Tác động và ảnh hưởng

  • Academic impact với potential citations estimate: Luận án này dự kiến sẽ có tác động học thuật đáng kể bằng cách cung cấp một phương pháp xác định NBĐMM khách quan và một khung dự báo toàn diện cho Việt Nam. Phương pháp này có thể trở thành tài liệu tham khảo quan trọng cho các nghiên cứu về khí hậu khu vực và dự báo hạn mùa, với tiềm năng nhận được 50-100 lượt trích dẫn trong 5-10 năm tới từ các nhà nghiên cứu trong lĩnh vực khí tượng, khí hậu, và khoa học môi trường, đặc biệt ở khu vực Đông Nam Á.
  • Industry transformation với specific sectors:
    • Nông nghiệp: Giúp chuyển đổi từ canh tác phụ thuộc vào kinh nghiệm sang canh tác dựa trên thông tin dự báo. Các doanh nghiệp nông nghiệp, đặc biệt là các công ty sản xuất lúa gạo, cây công nghiệp như cà phê, hồ tiêu, có thể tối ưu hóa lịch trình gieo trồng và thu hoạch, giảm thiểu rủi ro mất mùa, dẫn đến tăng năng suất lên khoảng 5-10% và giảm chi phí đầu vào.
    • Thủy điện và Thủy lợi: Các công ty vận hành hồ chứa thủy điện và các cơ quan quản lý thủy lợi có thể điều chỉnh kế hoạch xả/tích nước chính xác hơn, tối ưu hóa sản xuất điện và đảm bảo cấp nước cho nông nghiệp và sinh hoạt, ước tính tăng hiệu quả vận hành lên 3-7%.
  • Policy influence với government levels:
    • Cấp quốc gia (Bộ Nông nghiệp và PTNT, Bộ Tài nguyên và Môi trường): Cung cấp cơ sở khoa học vững chắc để xây dựng các chính sách nông nghiệp và quản lý tài nguyên nước bền vững, thích ứng với biến đổi khí hậu.
    • Cấp địa phương (tỉnh, huyện): Hỗ trợ việc lập kế hoạch phát triển kinh tế-xã hội, đặc biệt là trong việc phân bổ nguồn lực cho phòng chống thiên tai và sản xuất nông nghiệp theo từng vùng.
  • Societal benefits quantified where possible:
    • An ninh lương thực: Dự báo NBĐMM chính xác góp phần ổn định sản xuất lương thực quốc gia, đảm bảo an ninh lương thực cho khoảng 98 triệu dân Việt Nam.
    • Giảm nhẹ thiệt hại: Cảnh báo sớm về sự bất thường của NBĐMM có thể giảm thiệt hại do thiên tai (hạn hán, lũ lụt) gây ra, ước tính tiết kiệm hàng trăm tỷ VNĐ mỗi năm cho nền kinh tế.
    • Sức khỏe cộng đồng: Giảm thiểu rủi ro liên quan đến bệnh truyền nhiễm do vector (ví dụ: sốt xuất huyết) mà có mối liên hệ với các đợt mưa lớn hoặc hạn hán bất thường.
  • International relevance với global implications: Phương pháp và kết quả của luận án có thể được áp dụng và điều chỉnh cho các quốc gia khác trong khu vực Đông Nam Á hoặc các khu vực gió mùa điển hình trên thế giới có điều kiện khí hậu tương tự và nền kinh tế phụ thuộc vào nông nghiệp, góp phần vào nỗ lực toàn cầu trong việc tăng cường khả năng chống chịu với biến đổi khí hậu.

Đối tượng hưởng lợi

  • Doctoral researchers (NCS): Luận án cung cấp một khung làm việc chi tiết và các phương pháp tiên tiến để xác định và dự báo các hiện tượng khí hậu cục bộ, mở ra các hướng nghiên cứu mới về tích hợp dữ liệu đa nguồn và ứng dụng học máy trong dự báo khí hậu. Nó cũng chỉ rõ "những vấn đề còn tồn tại trong nghiên cứu về NBĐMM trên khu vực Việt Nam" (Trang 12), định hướng cho các luận án tiến sĩ tiếp theo.
  • Senior academics (Giảng viên, nhà khoa học): Các nhà khoa học cấp cao sẽ được hưởng lợi từ những đóng góp lý thuyết mới của luận án, đặc biệt là trong việc làm rõ các mối quan hệ giữa NBĐMM và các dao động khí hậu quy mô lớn như ENSO. Phương pháp xác định NBĐMM khách quan và khung dự báo đa hạn sẽ làm phong phú thêm các công cụ nghiên cứu và giảng dạy về khí tượng-khí hậu khu vực.
  • Industry R&D (Bộ phận R&D của các doanh nghiệp): Các doanh nghiệp trong ngành nông nghiệp (ví dụ: sản xuất lúa gạo, cây công nghiệp), thủy điện, và bảo hiểm nông nghiệp có thể sử dụng trực tiếp các phương trình và kết quả dự báo của luận án để phát triển các sản phẩm và dịch vụ mới, tối ưu hóa quy trình sản xuất và quản lý rủi ro. Ví dụ, một công ty bảo hiểm có thể sử dụng dự báo NBĐMM để thiết kế các gói bảo hiểm thời tiết cho nông dân, giảm rủi ro cho cả hai bên.
  • Policy makers (Các nhà hoạch định chính sách): Các nhà hoạch định chính sách ở cấp quốc gia và địa phương sẽ nhận được các khuyến nghị dựa trên bằng chứng khoa học để xây dựng các chính sách phát triển bền vững, quản lý rủi ro thiên tai, và phân bổ nguồn lực hiệu quả trong các lĩnh vực nông nghiệp, thủy lợi, và phòng chống lụt bão. Thông tin dự báo sớm có thể giúp chính phủ phản ứng nhanh hơn với các sự kiện khí hậu cực đoan.
  • Quantify benefits where possible:
    • Tăng hiệu quả nông nghiệp: Ước tính tăng năng suất cây trồng 5-10% nhờ tối ưu hóa lịch thời vụ.
    • Tiết kiệm chi phí vận hành hồ chứa: Giảm 3-7% chi phí vận hành và tăng hiệu quả phát điện/cấp nước.
    • Giảm thiệt hại thiên tai: Hàng trăm tỷ VNĐ được tiết kiệm hàng năm từ việc giảm nhẹ tác động của hạn hán và lũ lụt.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc phát triển một phương pháp khách quan để xác định Ngày Bắt Đầu Mùa Mưa (NBĐMM) tại Việt Nam, tích hợp tín hiệu quy mô địa phương và khu vực. Phương pháp này không chỉ mở rộng lý thuyết về Định nghĩa Mùa Mưa (Onset Definition Theory) bằng cách thay thế các ngưỡng thực nghiệm chủ quan (P, N, D) bằng một quy trình tối ưu hóa dựa trên dữ liệu, mà còn cung cấp một công cụ cụ thể để giải quyết tính bất định vốn có của hiện tượng này trong bối cảnh khí hậu phức tạp. Cụ thể, nó mở rộng cách tiếp cận của Liebmann và cs (2001) bằng cách đề xuất một cơ chế linh hoạt, có thể áp dụng rộng rãi hơn mà không đòi hỏi chuỗi số liệu quá khứ phải đủ dài để xác định giá trị trung bình nhiều năm, giải quyết hạn chế đã được Bombardi và cs (2017) chỉ ra.

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nằm ở quy trình 3 bước để xác định NBĐMM khách quan.

    • Bước 1: Tạo ra 42 chỉ tiêu NBĐMM khác nhau cho mỗi trạm, cho phép khám phá một phổ rộng các định nghĩa tiềm năng.
    • Bước 2: Sử dụng Phân tích thành phần chính nhiều biến (MPCA) để trích xuất tín hiệu vùng của NBĐMM (EOFs) từ toàn bộ dữ liệu 131 trạm trong 41 năm. Điều này khác biệt so với các nghiên cứu trước đây như Nguyen-Le và cs (2015) chỉ sử dụng EOF cho số liệu mưa vệ tinh mà không tích hợp với chỉ tiêu xác định NBDMM ở quy mô trạm.
    • Bước 3: Tối ưu hóa bộ ngưỡng (P, N, D) cho từng trạm bằng cách tìm chỉ tiêu nào mang lại hệ số tương quan cao nhất giữa NBĐMM quy mô địa phương và tín hiệu vùng. Đây là sự kết hợp độc đáo, cho phép định nghĩa NBĐMM phản ánh đồng thời cả đặc điểm địa phương và hoàn lưu quy mô lớn. Điều này cải tiến đáng kể so với các phương pháp truyền thống của Stern và cs (1981) hoặc Nguyễn Hướng Điền và cs (2000), vốn chỉ dựa vào các ngưỡng cố định và mang tính chủ quan cho một khu vực.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là mức độ biến động và phân hóa cao của các chỉ tiêu tối ưu (P, N, D) để xác định NBĐMM giữa các vùng khí hậu, và thậm chí giữa các trạm trong cùng một vùng (Hình 3.2a-c). Cụ thể, thay vì một bộ ngưỡng P, N, D chung, mỗi vùng khí hậu và nhiều trạm lại có các giá trị tối ưu riêng biệt. Ví dụ, Bảng 3.4 (trang 66) có thể cho thấy tần suất xuất hiện của các ngưỡng giá trị P, N, D tối ưu khác nhau đáng kể giữa các vùng. Điều này cho thấy sự phức tạp của cơ chế mưa và ảnh hưởng của địa hình ở Việt Nam lớn hơn nhiều so với giả định ban đầu, và việc áp dụng một chỉ tiêu chung (như nhiều nghiên cứu trước đây đã làm) sẽ dẫn đến sai số đáng kể. Phát hiện này củng cố mạnh mẽ sự cần thiết của phương pháp xác định khách quan và thích ứng cục bộ của luận án.

  4. Replication protocol provided? Luận án cung cấp một giao thức nhân rộng (replication protocol) chi tiết thông qua Chương 2 ("Số liệu và Phương pháp Nghiên cứu"). Các bước chính bao gồm:

    • Nguồn dữ liệu: Nêu rõ 4 bộ số liệu sử dụng, bao gồm địa chỉ truy cập công khai (ví dụ: https://psl.gov/data/climateindices/list/, https://apps.ecmwf.int/datasets/data/s2s/) và giai đoạn dữ liệu (1979-2019, 1983-2019, 2000-2019).
    • Tiêu chí xử lý dữ liệu: Mô tả cụ thể cách tiền xử lý số liệu quan trắc (ví dụ: điều kiện về số liệu khuyết không quá 25 ngày/năm, không quá 3 ngày liên tiếp trong tháng 3-6).
    • Phương pháp xác định NBĐMM: Trình bày chi tiết 3 bước của phương pháp khách quan (xác định tín hiệu trạm, vùng, và kết hợp) với các ngưỡng giá trị của P, N, D được khảo sát (P=10-50mm, N=2-4, D=20-30 ngày).
    • Phương pháp dự báo: Giải thích các phương pháp thống kê truyền thống, thống kê động lực, và sử dụng sản phẩm mô hình số trực tiếp, bao gồm lựa chọn nhân tố dự báo và các chỉ số đánh giá.
    • Chỉ số đánh giá: Liệt kê các chỉ số đánh giá kỹ năng (CORR, ME, MAE, SSMAE) và phương pháp kiểm chứng (OLOO, Mann-Kendall, f-statistic, t-test). Điều này cho phép các nhà nghiên cứu khác có thể tái tạo lại các kết quả của luận án nếu có quyền truy cập vào các bộ dữ liệu tương tự.

  5. 10-year research agenda outlined? Có, một lộ trình nghiên cứu 10 năm được phác thảo trong phần "Limitations và Future Research". Nó bao gồm 5 hướng nghiên cứu cụ thể:

    1. Tích hợp AI/Machine Learning: Phát triển các mô hình dự báo tiên tiến hơn sử dụng các thuật toán học máy để cải thiện độ chính xác và khám phá các mối quan hệ phi tuyến tính trong dữ liệu khí hậu.
    2. Downscaling động lực: Áp dụng các mô hình khí hậu khu vực (RCMs) với độ phân giải cao hơn để cung cấp dự báo NBĐMM chi tiết hơn ở quy mô địa phương.
    3. Dự báo ngày kết thúc và độ dài mùa mưa: Mở rộng phương pháp luận để dự báo các đặc trưng quan trọng khác của mùa mưa nhằm cung cấp một bức tranh toàn diện.
    4. Phân tích tác động kinh tế-xã hội: Thực hiện các nghiên cứu định lượng về lợi ích kinh tế cụ thể của các dự báo NBĐMM đối với các ngành và cộng đồng.
    5. Phát triển hệ thống cảnh báo sớm: Xây dựng và triển khai một hệ thống cảnh báo sớm tích hợp, thân thiện với người dùng để chuyển giao thông tin dự báo đến các bên liên quan một cách hiệu quả.

Kết luận

Luận án này đã hoàn thành xuất sắc các mục tiêu nghiên cứu và tạo ra những đóng góp đột phá trong lĩnh vực dự báo khí tượng thủy văn tại Việt Nam.

  1. Đóng góp 1: Đề xuất một phương pháp khách quan, dựa trên dữ liệu để xác định Ngày Bắt Đầu Mùa Mưa (NBĐMM) cho từng trạm và vùng khí hậu Việt Nam, giải quyết vấn đề chủ quan và không thống nhất của các chỉ tiêu truyền thống.
  2. Đóng góp 2: Làm rõ mối quan hệ giữa NBĐMM tại 7 vùng khí hậu Việt Nam với các quá trình khí quyển-đại dương quy mô lớn như ENSO, cung cấp cơ sở lý thuyết vững chắc cho công tác dự báo.
  3. Đóng góp 3: Xây dựng thành công các phương trình và mô hình dự báo NBĐMM ở hạn mùa (dưới 6 tháng) bằng phương pháp thống kê truyền thống và thống kê động lực, sử dụng 22 chỉ số khí hậu và sản phẩm của mô hình CFSv2.
  4. Đóng góp 4: Khảo sát và chứng minh khả năng dự báo NBĐMM ở hạn nội mùa (7-40 ngày) bằng cách sử dụng trực tiếp sản phẩm mưa từ mô hình S2S-ECMWF, mở ra tiềm năng cho các hệ thống cảnh báo sớm.
  5. Đóng góp 5: Các kết quả dự báo đã được kiểm chứng nghiêm ngặt bằng phương pháp kiểm chứng chéo OLOO và các chỉ số kỹ năng dự báo chuẩn xác (CORR, ME, MAE, SSMAE), cho thấy tính hiệu quả và độ tin cậy của các mô hình.

Paradigm advancement với evidence: Luận án góp phần vào một sự tiến bộ mô hình từ các phương pháp định nghĩa và dự báo mang tính thực nghiệm, chủ quan sang một cách tiếp cận khoa học, định lượng và có hệ thống. Bằng chứng là việc thay thế các ngưỡng P, N, D cố định bằng một quy trình tối ưu hóa dựa trên MPCA và mối tương quan giữa tín hiệu địa phương và vùng, mang lại độ chính xác cao hơn và khả năng thích ứng với từng bối cảnh cụ thể.

3+ new research streams opened:

  1. Nghiên cứu ứng dụng trí tuệ nhân tạo và học máy để cải thiện độ chính xác và khả năng dự báo các đặc trưng mùa mưa.
  2. Phát triển các mô hình downscaling động lực cấp vùng để dự báo khí hậu cục bộ với độ phân giải cao hơn.
  3. Nghiên cứu toàn diện về dự báo ngày kết thúc mùa mưa và độ dài mùa mưa, hoàn thiện chu trình dự báo cho mùa mưa.
  4. Phân tích tác động kinh tế-xã hội chi tiết của dự báo NBĐMM đối với các ngành nghề cụ thể.

Global relevance với international comparison: Các đóng góp của luận án không chỉ quan trọng cho Việt Nam mà còn có ý nghĩa toàn cầu. Phương pháp luận sáng tạo để xác định NBĐMM khách quan và khung dự báo đa hạn có thể được điều chỉnh và áp dụng ở các quốc gia khác trong và ngoài khu vực gió mùa Châu Á, đặc biệt là những nơi có nền nông nghiệp tương tự và chịu ảnh hưởng của biến đổi khí hậu. Nó bổ sung vào kho tàng tri thức quốc tế về dự báo khí hậu hạn mùa và nội mùa, đặc biệt trong bối cảnh các nghiên cứu như Bombardi và cs (2017) đã khảo sát nhiều khu vực nhưng chưa đi sâu vào tính đặc thù của Việt Nam.

Legacy measurable outcomes: Luận án này sẽ để lại một di sản có thể đo lường được thông qua: (1) Việc tích hợp các phương trình dự báo vào hệ thống dự báo nghiệp vụ quốc gia; (2) Giảm thiểu thiệt hại do thiên tai liên quan đến mưa, ước tính tiết kiệm hàng trăm tỷ VNĐ mỗi năm; (3) Tăng cường hiệu quả sản xuất nông nghiệp và quản lý tài nguyên nước; và (4) Góp phần vào việc xây dựng các chính sách thích ứng với biến đổi khí hậu ở Việt Nam và các quốc gia lân cận.