Luận án tiến sĩ Võ Văn Hòa: Ứng dụng EMOS dự báo nhiệt độ, điểm sương VN

Nghiên cứu ứng dụng phương pháp EMOS. Mục tiêu chính là cải thiện chất lượng dự báo nhiệt độ bề mặt đất và điểm sương bề mặt tại Việt Nam. Độ chính xác dự báo thời tiết Việt Nam cần nâng cao. Đặc biệt là với các yếu tố như nhiệt độ không khí và độ ẩm tương đối. Các mô hình dự báo số trị thường có sai số hệ thống. EMOS được kỳ vọng giảm thiểu những sai số này. Kết quả nghiên cứu cung cấp cơ sở khoa học. Nó hỗ trợ việc phát triển các sản phẩm dự báo khí tượng thủy văn chất lượng cao hơn. Điều này phục vụ tốt hơn cho công tác phòng chống thiên tai. Nó cũng hỗ trợ phát triển kinh tế xã hội.

EMOS (Ensemble Model Output Statistics) là một kỹ thuật xử lý sau mô hình ensemble. Phương pháp này sử dụng hồi quy thống kê. EMOS hiệu chỉnh các sai số của dự báo tổ hợp. Nó tạo ra các dự báo có phân bố xác suất tốt hơn. Các dự báo ensemble gốc thường bị phân tán không đúng hoặc có sai lệch. EMOS giúp điều chỉnh phân bố dự báo. Nó khớp với phân bố của các quan trắc thực tế. Kỹ thuật này đã được chứng minh hiệu quả. Nó nâng cao độ tin cậy của dự báo. EMOS là một công cụ mạnh mẽ. Nó cải thiện dự báo trung bình và dự báo xác suất. Việc ứng dụng EMOS vào hệ thống dự báo tổ hợp SREPS được tập trung nghiên cứu.

Cải thiện dự báo nhiệt độ bề mặt đất và điểm sương bề mặt là ưu tiên hàng đầu. Nhiệt độ không khí ảnh hưởng trực tiếp đến đời sống và sản xuất. Điểm sương bề mặt liên quan đến độ ẩm tương đối. Cả hai yếu tố này quan trọng cho dự báo sương mù, hạn hán. EMOS giảm sai số hệ thống trong dự báo nhiệt độ bề mặt đất. Nó cũng làm giảm sai số trong dự báo điểm sương bề mặt. Điều này giúp các dự báo trở nên chính xác hơn. Các mô hình như mô hình WRF và mô hình GFS là nguồn dữ liệu đầu vào. Việc xử lý sau mô hình ensemble bằng EMOS tối ưu hóa kết quả từ các mô hình này. Độ chính xác tăng cường hỗ trợ cảnh báo sớm các hiện tượng thời tiết nguy hiểm.

Dự báo tổ hợp mang lại thông tin về sự không chắc chắn. Tuy nhiên, các dự báo này thường không hiệu chỉnh. Chúng có thể có sai số hệ thống. Ví dụ, phân bố dự báo có thể lệch khỏi phân bố quan trắc. Hoặc phân tán quá ít so với thực tế. EMOS Ensemble Model Output Statistics ra đời để khắc phục. Phương pháp này hiệu chỉnh sai số dự báo. Nó tạo ra một phân bố xác suất dự báo có độ tin cậy cao hơn. Điều này rất cần thiết cho dự báo thời tiết Việt Nam. Các biến khí tượng như nhiệt độ bề mặt đất và điểm sương bề mặt cần dự báo chính xác. EMOS giúp biến các dự báo thô trở thành thông tin hữu ích.

Các hệ thống dự báo tổ hợp sử dụng nhiều lần chạy mô hình. Mỗi lần chạy dùng các điều kiện ban đầu khác nhau. Hoặc các tham số mô hình khác nhau. Kết quả tạo ra một tập hợp các dự báo. Chúng gọi là các thành phần ensemble. Các mô hình như mô hình WRF (Weather Research and Forecasting) và mô hình GFS (Global Forecast System) thường là nền tảng. Từ đó, xây dựng các hệ thống dự báo tổ hợp. Ví dụ, hệ thống SREPS (Short-Range Ensemble Prediction System) sử dụng nhiều mô hình toàn cầu. Các mô hình này cung cấp thông tin đa dạng. Tuy nhiên, chúng vẫn cần được hiệu chỉnh thống kê. Xử lý sau mô hình ensemble là bước tiếp theo.

Quy trình EMOS bao gồm việc xây dựng một mô hình hồi quy. Mô hình này thiết lập mối quan hệ giữa các thành phần dự báo ensemble và quan trắc. Thường, EMOS giả định phân bố của các quan trắc có thể được mô tả bằng một phân bố xác suất. Ví dụ, phân bố Gaussian cho nhiệt độ. Các tham số của phân bố này được ước lượng từ các thành phần ensemble. Quá trình này điều chỉnh trung bình và phương sai của dự báo. EMOS nhằm mục tiêu giảm sai số hệ thống. Nó cũng điều chỉnh độ phân tán của dự báo. Kết quả là một dự báo xác suất có độ tin cậy cao. Hậu xử lý thống kê khí tượng là một khâu then chốt.

Dữ liệu dự báo được thu thập từ hệ thống SREPS. Hệ thống này bao gồm các thành phần từ nhiều mô hình toàn cầu. Trong đó có mô hình GFS từ NCEP. Dữ liệu quan trắc lấy từ 174 trạm khí tượng bề mặt của Việt Nam. Tập dữ liệu này bao gồm nhiệt độ không khí, điểm sương bề mặt. Nó cũng có nhiệt độ tối cao ngày và nhiệt độ tối thấp ngày. Các dữ liệu này dùng để huấn luyện và kiểm định mô hình EMOS. Dữ liệu lịch sử quan trọng để học các sai số hệ thống. Nó cũng giúp học mối quan hệ giữa dự báo và quan trắc. Điều này là cơ sở cho xử lý sau mô hình ensemble.

Nghiên cứu tập trung vào các phương pháp EMOS. Các phương pháp này có khả năng cải thiện dự báo trung bình tổ hợp. Đồng thời, chúng nâng cao chất lượng dự báo xác suất. Phương pháp NGR_EM (Non-homogeneous Gaussian Regression EMOS) được ưu tiên. Nó là một hình thức của Ensemble Model Output Statistics. Phương pháp này giả định các quan trắc tuân theo phân bố Gaussian. Các tham số của phân bố này được ước lượng tuyến tính từ các thành phần ensemble. Quá trình lựa chọn phương pháp dựa trên hiệu quả đã được chứng minh. Hiệu quả đó là khả năng điều chỉnh sai số và phân tán dự báo.

Chất lượng dự báo được đánh giá qua nhiều chỉ số. Đối với dự báo trung bình, sử dụng sai số căn quân phương (RMSE) và sai số hệ thống (BIAS). Các chỉ số này đo lường độ chính xác. Đối với dự báo xác suất, sử dụng chỉ số xác suất hạng liên tục (CRPS) và chỉ số kỹ năng dự báo xác suất (BSS). CRPS đo lường độ chính xác của toàn bộ phân bố dự báo. BSS đánh giá mức độ cải thiện so với dự báo tham chiếu. Các chỉ số này giúp so sánh hiệu quả giữa dự báo gốc và dự báo sau xử lý EMOS. Đánh giá toàn diện quan trọng cho hậu xử lý thống kê khí tượng.

EMOS đã chứng tỏ khả năng giảm thiểu sai số hệ thống. Sai số hệ thống là một vấn đề phổ biến của các mô hình dự báo. Các dự báo nhiệt độ không khí và điểm sương bề mặt thường có xu hướng lệch. EMOS hiệu chỉnh các sai lệch này. Nó đưa các dự báo gần hơn với giá trị quan trắc thực tế. Việc giảm BIAS là một thành công quan trọng. Điều này làm cho dự báo trở nên khách quan hơn. Nó cũng tăng độ tin cậy của các thông tin dự báo. Các cải thiện này nhất quán trên khắp các trạm và thời gian dự báo. Đây là một bước tiến quan trọng cho dự báo thời tiết Việt Nam.

Phương pháp EMOS cải thiện đáng kể chất lượng dự báo trung bình. Đặc biệt là cho các yếu tố nhiệt độ không khí và điểm sương bề mặt. Sai số căn quân phương (RMSE) giảm đáng kể sau khi áp dụng EMOS. Điều này đúng với cả nhiệt độ tối cao ngày và nhiệt độ tối thấp ngày. EMOS cũng cải thiện dự báo điểm sương bề mặt. Các cải thiện này thể hiện rõ ràng trên toàn bộ lãnh thổ Việt Nam. Độ chính xác tăng cường giúp người dùng đưa ra quyết định tốt hơn. Các mô hình GFS và WRF được hưởng lợi từ xử lý sau này. Hậu xử lý thống kê khí tượng là cần thiết để có dự báo chính xác hơn.

Không chỉ cải thiện dự báo trung bình, EMOS còn nâng cao chất lượng dự báo xác suất. Các chỉ số như CRPS và BSS đều cho thấy sự cải thiện. Phân bố xác suất do EMOS tạo ra có độ tin cậy cao hơn. Nó phản ánh đúng hơn sự không chắc chắn của dự báo. Điều này quan trọng cho các ứng dụng yêu cầu đánh giá rủi ro. Ví dụ, trong nông nghiệp hoặc quản lý tài nguyên nước. EMOS giúp biến các dự báo thô thành thông tin hữu ích. Nó cung cấp bức tranh đầy đủ hơn về khả năng xảy ra các sự kiện. Việc này là chìa khóa cho dự báo thời tiết Việt Nam hiện đại.

Một quy trình dự báo nghiệp vụ đã được xây dựng. Quy trình này dựa trên phương pháp NGR_EM. Nó tích hợp EMOS vào luồng công việc dự báo hiện có. Các bước bao gồm thu thập dữ liệu ensemble từ các mô hình. Ví dụ như mô hình GFS. Tiếp theo là áp dụng thuật toán EMOS để hiệu chỉnh. Sau đó, tạo ra các sản phẩm dự báo nhiệt độ không khí và điểm sương bề mặt. Quy trình này đảm bảo tính tự động hóa. Nó cung cấp dự báo kịp thời cho các nhà dự báo. Việc xây dựng này là nền tảng cho xử lý sau mô hình ensemble trong thực tiễn. Nó góp phần nâng cao chất lượng dự báo thời tiết Việt Nam.

Thử nghiệm nghiệp vụ đã được thực hiện liên tục. Giai đoạn từ năm 2011 đến 2013 được dùng để đánh giá. Kết quả thử nghiệm cho thấy EMOS mang lại lợi ích rõ rệt. Chất lượng dự báo nhiệt độ bề mặt đất và điểm sương bề mặt được cải thiện. Các chỉ số RMSE và BIAS đều giảm. Điều này khẳng định hiệu quả của EMOS trong môi trường thực tế. Các nhà dự báo có thể tin cậy hơn vào các sản phẩm được xử lý bằng EMOS. Đây là bước quan trọng để nâng cao độ tin cậy của dự báo thời tiết Việt Nam. Nó chứng minh tính khả thi của hậu xử lý thống kê khí tượng.

Các hướng nghiên cứu tiếp theo bao gồm tối ưu hóa các tham số EMOS. Việc này cần thực hiện cho các vùng khí hậu khác nhau của Việt Nam. Cần xem xét áp dụng EMOS cho các biến khí tượng khác. Ví dụ, dự báo lượng mưa hoặc tốc độ gió. Nghiên cứu cũng có thể tập trung vào việc kết hợp EMOS với các phương pháp xử lý sau mô hình khác. Nâng cao khả năng dự báo cực đoan cũng là một mục tiêu. Điều này đòi hỏi các kỹ thuật hậu xử lý thống kê khí tượng tiên tiến hơn. Việc này sẽ tiếp tục cải thiện dự báo nhiệt độ và điểm sương. Nó cũng nâng cao chất lượng tổng thể của dự báo thời tiết Việt Nam.