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

EMOS là viết tắt của Ensemble Model Output Statistics. Đây là phương pháp hiệu chỉnh thống kê cho dự báo tổ hợp. EMOS sử dụng hồi quy tuyến tính để kết hợp các thành phần dự báo từ nhiều mô hình. Mỗi mô hình được gán một trọng số dựa trên khả năng dự báo thực tế. Phương pháp này giúp giảm sai số hệ thống và cải thiện độ tin cậy của dự báo xác suất. EMOS khác với BMA (Bayesian Model Average) ở cách tiếp cận phân phối dự báo. EMOS giả định phân phối chuẩn cho sai số dự báo. Hệ số hồi quy được tối ưu hóa trên tập huấn luyện trượt. Phương pháp này phù hợp cho dự báo nhiệt độ không khí và độ ẩm tương đối. EMOS đã được áp dụng thành công tại nhiều trung tâm dự báo quốc tế.

Việt Nam nằm trong vùng nhiệt đới gió mùa. Điều kiện khí tượng phức tạp, biến động mạnh theo mùa. Các mô hình số trị như mô hình WRF, mô hình GFS vẫn tồn tại sai số đáng kể. Sai số này đặc biệt rõ ở vùng ven biển và vùng núi. Dự báo tổ hợp giúp giảm thiểu rủi ro bằng cách kết hợp nhiều kịch bản. Tuy nhiên, tổ hợp đơn giản chưa đủ để loại bỏ sai số hệ thống. Hậu xử lý thống kê khí tượng là bước cần thiết. Phương pháp EMOS cung cấp công cụ hiệu quả cho việc này. Nghiên cứu tại Việt Nam sử dụng 174 trạm khí tượng. Dữ liệu bao quát toàn bộ lãnh thổ từ Bắc vào Nam. Kết quả cho thấy EMOS cải thiện rõ rệt chất lượng dự báo thời tiết Việt Nam.

Phương pháp EMOS được Gneiting và cộng sự đề xuất năm 2005. Nghiên cứu ban đầu áp dụng cho dự báo tốc độ gió tại Mỹ. Sau đó, phương pháp được mở rộng cho nhiều biến khí tượng khác. Các trung tâm dự báo lớn như ECMWF, DWD, CMC đều áp dụng EMOS. Tại châu Âu, EMOS được tích hợp vào hệ thống dự báo hạn vừa. Tại Bắc Mỹ, EMOS phục vụ dự báo nhiệt độ bề mặt đất và điểm sương. Nghi究 tại Đức và Canada cho kết quả cải thiện từ 15-30%. Phương pháp liên tục được cải tiến qua nhiều nghiên cứu. Phiên bản cải tiến bao gồm NGR_EM (Non-homogeneous Gaussian Regression with Ensemble Mean). Đây là phiên bản được chọn để ứng dụng trong nghiên cứu tại Việt Nam.

Nhiệt độ bề mặt đất là biến khí tượng quan trọng bậc nhất. Nó quyết định điều kiện thời tiết tại một thời điểm cụ thể. Ở Việt Nam, miền Bắc chịu ảnh hưởng của không khí lạnh mùa đông. Nhiệt độ có thể giảm xuống dưới 10°C ở vùng núi cao. Mùa hè, nhiệt độ vượt quá 40°C ở các tỉnh Trung Bộ. Dự báo chính xác nhiệt độ giúp giảm thiểu thiệt hại. Nông nghiệp cần thông tin nhiệt độ để bảo vệ mùa màng. Ngành năng lượng cần dự báo nhu cầu sử dụng điện. Phương pháp EMOS cải thiện dự báo nhiệt độ ở tất cả các mùa. Sai số giảm trung bình 20-30% so với dự báo tổ hợp nguyên bản. Đây là kết quả đáng kể cho dự báo thời tiết Việt Nam.

Điểm sương bề mặt phản ánh lượng hơi nước trong không khí. Đây là yếu tố quyết định độ ẩm tương đối tại một địa điểm. Dự báo điểm sương giúp dự đoán khả năng hình thành sương mù, sương muối. Ở vùng núi cao phía Bắc, sương giá gây thiệt hại lớn cho cây trồng. Dự báo chính xác điểm sương bề mặt giúp nông dân chủ động phòng tránh. Điểm sương cũng ảnh hưởng đến cảm giác nhiệt của con người. Khi điểm sương cao, cảm giác oi nóng tăng lên đáng kể. Phương pháp EMOS áp dụng cho dự báo điểm sương tại 174 trạm. Kết quả cho thấy cải thiện rõ rệt ở tất cả các hạn dự báo. EMOS giúp giảm sai số hệ thống hiệu quả cho biến này.

Địa hình Việt Nam phức tạp với nhiều dạng địa hình khác nhau. Từ đồng bằng đến vùng núi, từ ven biển đến cao nguyên. Điều này tạo ra sai số lớn cho mô hình số trị. Mô hình WRF có độ phân giải hạn chế, chưa mô tả chi tiết địa hình. Mô hình GFS chạy toàn cầu, thiếu thông tin cục bộ. Biến đổi khí hậu làm tăng tính bất ổn của thời tiết. Các hiện tượng cực đoan ngày càng khó dự báo. Hệ thống SREPS cung cấp thông tin tổ hợp nhưng cần hiệu chỉnh. EMOS là giải pháp phù hợp cho điều kiện Việt Nam. Phương pháp này dễ triển khai và chi phí tính toán thấp.

Hệ thống SREPS bao gồm các mô hình toàn cầu và mô hình khu vực. Mô hình GFS của NCEP là thành phần quan trọng nhất. Mô hình WRF được chạy với nhiều điều kiện biên khác nhau. Các mô hình GEM của Canada, GME của Đức cũng tham gia tổ hợp. Mỗi mô hình cung cấp dự báo cho tất cả 174 trạm khí tượng. Dữ liệu bao gồm nhiệt độ bề mặt đất, điểm sương, gió và áp suất. Thời gian dự báo từ 24 giờ đến 72 giờ. Dữ liệu quan trắc từ 174 trạm được dùng làm ground truth. Quá trình kiểm tra chất lượng dữ liệu được thực hiện nghiêm ngặt. Dữ liệu lỗi hoặc thiếu được loại bỏ khỏi tập huấn luyện.

NGR_EM là phiên bản cải tiến của hồi quy Gaussian tiêu chuẩn. Phương pháp này sử dụng trung bình tổ hợp làm biến dự báo duy nhất. Hệ số hồi quy a và b được ước lượng từ dữ liệu huấn luyện. Công thức: Y = a + b * X_mean, trong đó X_mean là trung bình tổ hợp. Phương sai sai số sigma được mô hình hóa là hàm của phương sai tổ hợp. Cửa sổ huấn luyện trượt giúp cập nhật hệ số liên tục. Độ dài cửa sổ 30 ngày phù hợp với điều kiện Việt Nam. Quá trình tối ưu sử dụng hàm likelihood âm cực đại. Phương pháp đảm bảo dự báo không có sai số hệ thống. Đây là ưu điểm lớn nhất của EMOS so với tổ hợp đơn giản.

Nghiên cứu sử dụng nhiều chỉ số đánh giá khác nhau. RMSE (Root Mean Square Error) đo sai số trung bình bình phương. MAE (Mean Absolute Error) đo sai số tuyệt đối trung bình. BIAS đo sai số hệ thống, cho biết xu hướng dự báo lệch. CRPS (Continuous Ranked Probability Score) đánh giá dự báo xác suất. BSS (Brier Skill Score) đánh giá kỹ năng dự báo xác suất nhị phân. Chỉ số reliability đánh giá độ tin cậy của dự báo xác suất. Tất cả chỉ số được tính cho từng trạm, từng mùa và toàn quốc. So sánh được thực hiện giữa EMOS và dự báo tổ hợp nguyên bản. Kết quả cho thấy EMOS vượt trội trên hầu hết các chỉ số.

Nhiệt độ không khí trung bình (T2m) là biến được cải thiện nhiều nhất. RMSE giảm trung bình 20% trên toàn quốc. Ở miền Bắc, cải thiện đạt 25% vào mùa đông. Ở miền Nam, cải thiện ổn định quanh năm, khoảng 15-18%. Sai số hệ thống BIAS giảm từ 1-2°C xuống gần 0°C. EMOS loại bỏ hiệu quả xu hướng dự báo quá ấm hoặc quá lạnh. Hạn dự báo 24 giờ cải thiện tốt nhất. Hạn 48 và 72 giờ vẫn cho cải thiện đáng kể. Kết quả này chứng minh EMOS phù hợp cho dự báo thời tiết Việt Nam. Phương pháp hoạt động tốt trên cả vùng đồng bằng và vùng núi.

Điểm sương bề mặt (Td2m) cải thiện trung bình 15% về RMSE. Cải thiện rõ rệt hơn vào mùa khô ở miền Nam. Mùa khô, độ ẩm tương đối thấp, điểm sương biến động mạnh. EMOS khử tốt sai số hệ thống của mô hình GFS trong dự báo độ ẩm. Sai số BIAS giảm đáng kể ở tất cả các trạm. Vùng ven biển cải thiện tốt hơn vùng nội địa. Kết quả cho thấy EMOS hiệu quả cho dự báo điểm sương bề mặt. Dự báo xác suất điểm sương cũng cải thiện theo. CRPS giảm trung bình 12% so với tổ hợp nguyên bản.

Nhiệt độ tối cao ngày (Tmax) cải thiện trung bình 14% về RMSE. Nhiệt độ tối thấp ngày (Tmin) cải thiện trung bình 19% về RMSE. Tmin cải thiện nhiều hơn Tmax, đặc biệt vào mùa đông. Dự báo Tmin quan trọng cho cảnh báo rét đậm, rét hại. EMOS giúp nông dân chủ động bảo vệ cây trồng mùa lạnh. Tmax cải thiện tốt vào mùa hè ở các tỉnh Trung Bộ. Dự báo nắng nóng gay gắt trở nên chính xác hơn. Sai số hệ thống của Tmax và Tmin đều giảm mạnh. Kết quả này có ý nghĩa thực tiễn lớn cho dự báo nghiệp vụ.

CRPS đo lường khoảng cách giữa phân phối dự báo và giá trị quan sát. Giá trị CRPS càng nhỏ, dự báo càng tốt. EMOS giảm CRPS trung bình 10-15% cho tất cả các biến. Cải thiện CRPS lớn nhất ghi nhận cho nhiệt độ không khí. Điểm sương bề mặt cải thiện CRPS khoảng 12%. CRPS cải thiện ở tất cả các hạn dự báo từ 24 đến 72 giờ. Kết quả này chứng minh EMOS cung cấp phân phối dự báo chính xác hơn. Phân phối từ EMOS hẹp hơn, tập trung hơn quanh giá trị thực. Điều này giúp người dự báo ra quyết định chính xác hơn.

Độ tin cậy (reliability) đánh giá xác suất dự báo có đúng thực tế không. Biểu đồ reliability của EMOS gần đường chéo 45 độ hơn. Điều này có nghĩa xác suất dự báo đáng tin cậy hơn. BSS đánh giá kỹ năng dự báo sự kiện vượt ngưỡng nhiệt độ. BSS dương cho thấy dự báo EMOS tốt hơn dự báo tham chiếu. BSS đạt giá trị cao nhất cho nhiệt độ tối thấp ngày. Dự báo xác suất rét đậm, rét hại cải thiện đáng kể. Đây là thông tin quan trọng cho công tác phòng chống thiên tai. EMOS giúp nâng cao năng lực dự báo thời tiết Việt Nam.

Quy trình bao gồm các bước chính sau. Bước một, thu thập dữ liệu từ hệ thống SREPS hàng ngày. Bước hai, cập nhật dữ liệu quan trắc từ 174 trạm khí tượng. Bước ba, chạy chương trình EMOS với cửa sổ huấn luyện 30 ngày. Bước bốn, sinh ra dự báo hiệu chỉnh cho tất cả các trạm. Bước năm, đánh giá chất lượng dự báo bằng các chỉ số. Quy trình được tự động hóa, giảm thiểu can thiệp thủ công. Thời gian xử lý nhanh, phù hợp với yêu cầu nghiệp vụ. Kết quả được cung cấp cho các đài khí tượng khu vực.

Thử nghiệm kéo dài ba năm cho kết quả tích cực. EMOS cải thiện ổn định trên tất cả các mùa và vùng. Mùa đông miền Bắc cải thiện tốt nhất, khoảng 25% về RMSE. Mùa hè miền Trung cải thiện khoảng 15-18%. Sai số hệ thống giảm mạnh ở tất cả các trạm. Dự báo xác suất được đánh giá cao bởi người dùng nghiệp vụ. Thông tin xác suất giúp ra quyết định dự báo tốt hơn. Kết quả thử nghiệm là cơ sở để triển khai chính thức.

Nhiều hướng nghiên cứu tiếp theo được kiến nghị. Thứ nhất, áp dụng EMOS cho các biến khác như mưa, gió, bức xạ. Thứ hai, kết hợp EMOS với mạng thần kinh nhân tạo (ANN). Thứ ba, cải tiến cửa sổ huấn luyện thích ứng theo mùa. Thứ tư, áp dụng EMOS cho mô hình WRF có độ phân giải cao hơn. Thứ năm, nghiên cứu EMOS cho dự báo hạn tuần và hạn tháng. Cần xây dựng cơ sở dữ liệu huấn luyện lớn hơn. Tích hợp EMOS vào hệ thống dự báo thời tiết số tự động. Đây là hướng đi tất yếu cho hiện đại hóa khí tượng Việt Nam.