ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ … (298).pdf · 2 Lời cảm ơn Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới TS

0

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

---------------------

Nguyễn Xuân Diện

NGHIÊN CỨU DỰ TÍNH TỔ HỢP MỘT SỐ YẾU TỐ VÀ HIỆN

TƯỢNG KHÍ HẬU LIÊN QUAN ĐẾN NHIỆT ĐỘ Ở VIỆT NAM

LUẬN VĂN THẠC SĨ KHOA HỌC

Hà Nội - 2013

1

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN

---------------------


NGHIÊN CỨU DỰ TÍNH TỔ HỢP MỘT SỐ YẾU TỐ VÀ HIỆN

TƯỢNG KHÍ HẬU LIÊN QUAN ĐẾN NHIỆT ĐỘ Ở VIỆT NAM

Chuyên ngành: Khí tượng và khí hậu học

Mã số: 604487

LUẬN VĂN THẠC SĨ KHOA HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC:

TS. Vũ Thanh Hằng

Hà Nội - 2013

2

Lời cảm ơn

Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới TS. Vũ Thanh Hằng, là

người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này. Tôi cũng xin

gửi lời cảm ơn sâu sắc tới TS. Ngô Đức Thành, là người cũng đã giúp tôi rất nhiều

trong quá trình thực hiện luận văn.

Tôi xin cảm ơn các thầy cô và các cán bộ trong Khoa Khí tượng Thủy văn

và Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn quý giá, giúp

đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian tôi học tập và

thực hành ở Khoa.

Tôi cũng xin cảm ơn Phòng Sau đại học, Trường Đại học Khoa học Tự nhiên

đã tạo điều kiện cho tôi trong thời gian hoành thành luận văn.

Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân và bạn

bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều kiện tốt nhất

cho tôi trong suốt thời gian học tập tại trường.

Hà Nội, ngày 27 tháng 11 năm 2013


3

Mục lục

Danh mục hình ...................................................................................................... 4

Danh mục bảng ..................................................................................................... 6

Danh mục viết tắt .................................................................................................. 7

Mở đầu ................................................................................................................... 8

Chương 1- TỔNG QUAN ..................................................................................... 9

1.1. Các nghiên cứu ngoài nước ............................................................................ 9

1.2. Các nghiên cứu trong nước ........................................................................... 11

Chương 2- PHƯƠNG PHÁP VÀ SỐ LIỆU NGHIÊN CỨU .......................... 15

2.1. Hệ thống tổ hợp các kết quả mô hình ........................................................... 16

2.2.1. Trung bình tổ hợp đơn giản (Simple Ensemble Mean) ......................... 16

2.1.2. Hồi quy tuyến tính nhiều biến ................................................................ 16

2.2. Các chỉ số thống kê dùng để đánh giá ......................................................... 17

2.3. Nguồn số liệu ................................................................................................ 18

2.3.1. Số liệu quan trắc .................................................................................... 18

2.3.2. Số liệu từ đầu ra các mô hình................................................................. 19

Chương 3- KẾT QUẢ VÀ PHÂN TÍCH .......................................................... 23

3.1. Kết quả mô phỏng của các mô hình và đánh giá cho thời kỳ chuẩn ............. 23

3.2. Kết quả tổ hợp cho các yếu tố liên quan đến nhiệt độ cho thời kỳ chuẩn .... 38

3.3. Kết quả dự tính tổ hợp cho thời kỳ tương lai (giai đoạn 2020-2039) ........... 45

Tài liệu tham khảo .............................................................................................. 51

4

Danh mục hình

Hình 2.1. Phân bố vị trí các trạm ......................................................................... 22

Hình 3.1. Nhiệt độ trung bình T2m thời kỳ 1980-1999 của 5 mô hình ................. 23

Hình 3.2. T2m của các mô hình và quan trắc trên các trạm tính trung bình cho cả

giai đoạn ........................................................................................................................... 24

Hình 3.3. Nhiệt độ cực đại trung bình của thời kỳ 1980-1999 cho 5 mô hình ..... 25

Hình 3.4. Tx của các mô hình và quan trắc trên các trạm tính trung bình cho cả

giai đoạn ........................................................................................................................... 26

Hình 3.5. Nhiệt độ cực tiểu của cực tiểu thời kỳ 1980-1999 ................................ 27

Hình 3.6. Tn của các mô hình và quan trắc trên các trạm tính trung bình cho cả

giai đoạn ........................................................................................................................... 28

Hình 3.7. Nhiệt độ cực đại tháng của Tx (TXx) giai đoạn 1980-1999 từ 5 mô hình29

Hình 3.8. TXx của các mô hình và quan trắc trên các trạm tính trung bình cho cả

giai đoạn ........................................................................................................................... 30

Hình 3.9. Nhiệt độ cực tiểu tháng của Tn (TNn) giai đoạn 1980-1999 của 5 mô hình

.......................................................................................................................................... 32

Hình 3.10. TNn của các mô hình và quan trắc trên các trạm tính trung bình cho cả

giai đoạn ........................................................................................................................... 33

Hình 3.11. Trung bình số ngày có nhiệt độ trung bình dưới 150C thời kỳ 1980-1999

.......................................................................................................................................... 34

Hình 3.12. T2m15 của các mô hình và quan trắc trên các trạm tính trung bình cho

cả giai đoạn ...................................................................................................................... 35

Hình 3.13. Trung bình số ngày có nhiệt độ cực đại trên 350C thời kỳ 1980-1999 36

Hình 3.14. Tx35 của các mô hình và quan trắc trên các trạm tính trung bình cho cả

giai đoạn ........................................................................................................................... 37

Hình 3.15. Tổ hợp bằng phương pháp hồi quy tuyến tính nhiều biến, phương pháp

trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho T2m ............... 38


trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho Tx .................. 39

5


trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho Tn .................. 40


trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho TXx ................ 41


trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho TNn ............... 42

Hình 3.20. Dự tính tổ hợp cho T2m từ 5 mô hình cho giai đoạn 2020-2039 ....... 46

Hình 3.21. Dự tính tổ hợp cho Tx từ 5 mô hình cho giai đoạn 2020-2039 .......... 46

Hình 3.22. Dự tính tổ hợp cho Tmin từ 5 mô hình cho giai đoạn 2020-2039 ...... 47

Hình 3.23. Biến đổi nhiệt độ trên các trạm trong thời kỳ tương lai 2020-2039 so với

thời kỳ chuẩn 1980-1999 của yếu tố T2m ......................................................................... 47

Hình. 3.24. Biến đổi nhiệt độ trên các trạm trong thời kỳ tương lai 2020-2039 so

với thời kỳ chuẩn 1980-1999 của yếu tố Tx ...................................................................... 48

Hình. 3.25. Biến đổi nhiệt độ trên các trạm trong thời kỳ tương lai 2020-2039 so

với thời kỳ chuẩn 1980-1999 của yếu tố Tn ...................................................................... 48

6

Danh mục bảng

Bảng 2.1. Danh sách các trạm được sử dụng. ..................................................................... 19

Bảng 3.1. Sai số trung bình ME, sai số trung bình tuyệt đối MAE và hệ số tương quan giữa

các mô hình và quan trắc cho yếu tố T2m .............................................................. 24

Bảng3.2. Sai số trung bình ME, sai số trung bình tuyệt đối MAE và hệ số tương quan giữa

các mô hình và quan trắc cho yếu tố Tx ................................................................. 26


các mô hình và quan trắc cho yếu tố Tn ................................................................. 28


các mô hình và quan trắc cho yếu tố TXx ............................................................... 31


các mô hình và quan trắc cho yếu tố TNn .............................................................. 33


các mô hình và quan trắc cho yếu tố T2m15 .......................................................... 36

Bảng3.7. Sai số trung bình ME giữa các mô hình với quan trắc, giữa tổ hợp trung bình đơn

giản và hồi quy tuyến tính với quan trắc ................................................................ 43

Bảng 3.8. Sai số trung bình tuyệt đối MAE giữa các mô hình và quan trắc, giữa tổ hợp

trung bình đơn giản và giữa hồi quy tuyến tính đa biến với quan trắc .................. 44

Bảng 3.9. Hệ số tương quan giữa các mô hình và quan trắc,giữa tổ hợp trung bình đơn

giản và giữa tổ hợp tuyến tính với quan trắc ........................................................ 44

Bảng 3.10. Hệ số hồi quy và hệ số tự do trong phương trình hồi quy tuyến tính đa biến ... 45

7

Danh mục viết tắt

BĐKH Biến đổi khí hậu

CS Cộng sự

IPCC Intergovermental Panel on Climate Change

MAE Sai số tuyệt đối trung bình

ME Sai số trung bình

MM5 Fifth-Generation Penn State/NCAR Mesoscale Mode

MRI Meteorological Research Institute

RCMs Regional Climate Model

RegCM Regional Climate Model

REMO The Regional Model

SEM Trung bình tổ hợp đơn giản

T2m Nhiệt độ trung bình tháng mực 2m

Tm Nhiệt độ cực tiểu trung bình tháng

TNn Nhiệt độ cực đại của cực đại tháng

Tx Nhiệt độ cực đại trung bình tháng

TXx Nhiệt độ cực đại của cực đại tháng

8

Mở đầu

Đối với bài toán dự tính khí hậu, một số nhân tố chi phối các quá trình vật lí

xảy ra trong khí quyển không được dự báo hoặc xác định mà được giả định dựa trên

những kịch bản nào đó. Hiện nay, các nhân tố được giả định đó chính là các chất

khí nhà kính. Trên cơ sở các kịch bản phát thải, hàm lượng khí nhà kính trong khí

quyển sẽ được ước tính và các mô hình khí hậu được sử dụng để dự tính khí hậu

tương lai. Các kịch bản BĐKH toàn cầu sau đó được xây dựng dựa trên những kết

quả dự tính này.

Nói chung các mô hình khác nhau đưa ra những sản phẩm dự báo/dự tính

không giống nhau do tính bất định luôn luôn tiềm ẩn trong các mô hình. Do đó, ước

lượng được độ bất định của bài toán dự báo/dự tính có vai trò rất quan trọng trong

việc nâng cao chất lượng của bản tin dự báo/dự tính. Việc xây dựng được các hệ

thống đồng hóa, tổ hợp cho các mô hình thời tiết/khí hậu sẽ góp phần cải thiện các

kết quả dự báo/dự tính.

Đối với bài toán dự tính khí hậu, hiện ở Việt Nam các nghiên cứu đang

được thực hiện dựa trên kết quả riêng rẽ từ một số mô hình, phương pháp sử dụng,

cũng như khu vực áp dụng. Bài toán tổ hợp kết quả nhiều mô hình cho các kịch bản

BĐKH trong tương lai đã được thực hiện nhiều trên thế giới và cho những kết quả

rất khả quan. Tuy nhiên ở Việt Nam hầu như chưa có một nghiên cứu nào được tiến

hành theo hướng này. Vì vậy, trong luận văn này tác giả đề xuất đề tài “Nghiên cứu

dự tính tổ hợp cho một số các yếu tố hiện tượng liên quan đến nhiệt độ ở Việt Nam”

để xem xét, ứng dụng cho điều kiện ở Việt Nam.

Bố cục luận văn gồm:

Chương 1- Tổng quan

Chương 2- Phương pháp nghiên cứu

Chương 3- Kết quả và nhận xét

9

Chương 1- TỔNG QUAN

1.1. Các nghiên cứu ngoài nước

Khái niệm dự báo tổ hợp được đưa ra từ những năm 1974 bởi Leith và dần

được phát triển theo 2 phương thức: 1) Dự báo sử dụng rất nhiều mô hình (còn gọi

là siêu tổ hợp); và 2) Dự báo chỉ với một mô hình nhưng với nhiều đầu vào khác

nhau. Cách tiếp cận tổ hợp phổ biến nhất hiện nay của các trung tâm khí tượng trên

thế giới là sử dụng phương pháp siêu tổ hợp nhiều mô hình để thu được một tổ hợp

có kết quả tốt nhất có thể.

Đối với bài toán dự tính BĐKH, từ các kịch bản phát thải khí nhà kính,

những thông tin phản ánh điều kiện khí hậu trong tương lai sẽ được xác định khi

chạy các mô hình khí hậu toàn cầu với hàm lượng khí nhà kính dự tính của khí

quyển. Các kịch bản BĐKH toàn cầu sau đó được xây dựng dựa trên những kết quả

dự tính này. Nói chung các mô hình khác nhau đưa ra những sản phẩm dự tính

không giống nhau do tính bất định luôn luôn tiềm ẩn trong các mô hình. Trong mỗi

mô hình đơn lẻ luôn tồn tại những điểm mạnh và những điểm yếu khiến cho “không

một mô hình nào được xem là tốt nhất và việc sử dụng kết quả từ nhiều mô hình là

quan trọng” (McAvaney và CS., 2001). Nếu hiểu các sai số mô phỏng trong các mô

hình khác nhau là độc lập, trung bình của các mô hình có thể được kỳ vọng sẽ tốt

hơn mỗi thành phần riêng lẻ, do vậy sẽ cung cấp một dự tính “tốt nhất”. Một số kết

quả nghiên cứu đã chỉ ra điều này, cho các dự báo mùa (Palmer và CS. 2004 [31];

Palmer và CS. 2005 [32] Hagedorn và CS. 2005) [18] và cho cả việc tái tạo điều

kiện khí hậu hiện tại từ các mô phỏng, dự tính khí hậu hạn dài (Lambert và Boer

2001) [23]. Bởi vậy, để giảm bớt tính bất định, với cùng một kịch bản phát thải, sản

phẩm dự tính của nhiều mô hình khác nhau được sử dụng để xây dựng các kịch bản

BĐKH (Tebaldi và Knutti 2007) [38]. Việc sử dụng tổ hợp các mô hình toàn cầu

chạy ở các trung tâm mô hình hóa khác nhau đã được triển khai cho các dự tính/dự

báo khí hậu ở các quy mô thời gian từ mùa đến nhiều năm và thế kỷ. Một trong

những dự án quan trọng nhất trong vấn đề này có thể kể đến là dự án so sánh đa mô

10

hình khí hậu CMIP3 (Meehl và CS. 2007) [29], thu thập dữ liệu đầu ra của 25 mô

hình/phiên bản mô hình toàn cầu nhằm phục vụ cho Báo cáo Đánh giá lần thứ 4

thực hiện bởi nhóm làm việc thứ nhất (Working Group 1) của Ban Liên Chính Phủ

về Biến đổi Khí hậu IPCC (Randall và CS. 2007) [34]. Hiện nay, dự án CMIP5

đang được tiến hành, tiếp nối dự án CMIP3 với mục tiêu phục vụ Báo cáo Đánh giá

lần thứ 5 của IPCC dự kiến xuất bản vào tháng 9 năm 2013.

Các mô hình khí hậu toàn cầu mà sản phẩm dự tính của chúng theo các kịch

bản phát thải khí nhà kính được sử dụng để xây dựng các kịch bản BĐKH toàn cầu

thường có độ phân giải thấp (trong khoảng từ 125 đến 400 km), không đủ chi tiết

cho việc phân tích, đánh giá BĐKH và tác động của nó ở qui mô khu vực (Mearns

và CS. 2001; Giorgi và CS. 2001) [28], [16]. Phân tích kết quả từ các mô hình toàn

cầu kết hợp đại dương khí quyển cho thấy sai lệch trung bình ở quy mô khu vực khi

mô phỏng khí hậu hiện tại là thay đổi theo mô hình và theo khu vực mô phỏng. Ví

dụ Giorgi và Francisco (2000) [15] đã chỉ ra sai lệch với nhiệt độ điển hình vào

khoảng +4°C nhưng có thể vượt quá +5°C trên một số khu vực, đặc biệt về mùa

đông. Các tác giả này cũng chỉ ra độ lệch của lượng mưa thường nằm giữa –40% và

+80%, thậm chí vượt 100% trên một số khu vực. Một số nghiên cứu khác chỉ ra

rằng trong khu vực châu Á gió mùa, các mô hình khí hậu toàn cầu phân giải thô

thường không đưa ra được những mô phỏng thỏa đáng (Lau và Yang 1996; Yu và

CS. 2000) [24], [41]. Trong khi đó, nhiều nghiên cứu đã chỉ ra các mô hình khí hậu

khu vực (RCMs) có thể mô phỏng khí hậu khu vực gió mùa tốt hơn so với các mô

hình toàn cầu (Liu và CS. 1994, 1996; Fu và CS. 1998; Lee và Suh 2000) [26], [14],

[25]. Do đó, để nghiên cứu BĐKH ở quy mô khu vực và từ đó có thể nghiên cứu

đánh giá các tác động của BĐKH, một trong những hướng nghiên cứu ưu tiên chính

là hướng hạ thấp quy mô (downscaling) sản phẩm của các mô hình khí hậu toàn cầu

(Houghton và CS. 1995, 2001) [19], [20].

Phương pháp hạ thấp quy mô động lực (dynamical downscaling) sử dụng các

mô hình khí hậu khu vực (RCM) phân giải cao với điều kiện biên là sản phẩm dự

tính từ các mô hình khí hậu toàn cầu. Phương pháp này cho phép mô tả chi tiết, đầy

11

đủ các quá trình mang tính địa phương và khu vực do độ phân giải cho phép chi tiết

hóa các thông tin khu vực như địa hình, các hồ nước, đường bờ biển, phân bố sử

dụng đất, độ che phủ bề mặt, v.v. Với các quy mô khu vực cỡ 105-106 km2, các

RCMs có điều kiện biên tái phân tích thường cho độ lệch nhiệt độ trung bình trong

khoảng 2°C và độ lệch lượng mưa trong khoảng 50% so với quan trắc (Giorgi và

CS. 2001) [16].

Sản phẩm của các mô hình khí hậu khu vực rất đa dạng, phong phú và đồng

bộ. Để có thể áp dụng được phương pháp này đòi hỏi phải có hệ thống lưu trữ và

năng lực máy tính mạnh. Hơn nữa, độ chính xác cũng như độ bất định của sản phẩm

dự tính phụ thuộc lớn vào bản chất động lực và các sơ đồ tham số hóa vật lí của

từng mô hình. Nhằm đánh giá năng lực của các RCMs và tính bất định trong việc

đưa ra các thông tin khí hậu quy mô khu vực, một số dự án so sánh tổ hợp đa mô

hình đã được tiến hành (Takle và CS. 1999; Curry và Lynch 2002; Anderson và CS.

2003) [37], [13], [9]. Việc kết hợp nhiều mô hình vào trong một hệ thống tổ hợp

thường làm tăng kỹ năng, độ tin cậy và tính thống nhất của các dự tính (Christensen

và CS. 2007) [12]. So sánh với một mô hình riêng lẻ, kết quả tổ hợp có thể cho

những kết quả tốt hơn (Palmer và Räisäne 2002; Collins 2007; Räisänen 2007;

Ulbrich và CS. 2008) [30], [11], [33], [40].

1.2. Các nghiên cứu trong nước

Do nhiều nguyên nhân khác nhau, cả khách quan và chủ quan, bài toán định

lượng hóa tính bất định của các mô hình số ở Việt Nam đến tại thời điểm này hầu

như vẫn chưa có gì đáng ghi nhận. Ngay cả cách tiếp cận siêu tổ hợp đơn giản dùng

để tính đến độ bất định trong các mô hình số, mặc dù đã được sử dụng rộng rãi trên

thế giới, vẫn gần như còn nhiều mới mẻ ở Việt Nam do cách tiếp cận này đòi hỏi sử

dụng rất nhiều mô hình khác nhau mà không thể luôn sẵn có cũng như vận hành

trong điều kiện thực tế của Việt Nam.

Ở Việt Nam, cách tiếp cận siêu tổ hợp trong đó một tổ hợp các thành phần ban

đầu của các các mô hình khác nhau được xây dựng theo phương pháp nuôi nhiễu

12

gần đây đã được đưa vào triển khai thử nghiệm trong công trình nghiên cứu dự báo

bão cấp nhà nước của của Trần Tân Tiến và cộng sự (2010)[8]. Các kết quả thu

được là rất khả quan và có nghĩa thực tế lớn trong điều kiện năng lực tính toán của

Việt Nam còn nhiều hạn chế. Một vài đề tài gần đây đang bắt đầu triển khai theo

hướng siêu tổ hợp sử dụng đầu vào của các mô hình toàn cầu khác nhau để tích

phân một tổ hợp nhiều mô hình do Võ Văn Hòa (2009) làm chủ nhiệm cũng đã thu

được một số kết quả bước đầu [1]. Ngoài các đề tài tổ hợp mang tính nghiên cứu

bước đầu này, hầu như không có một nghiên cứu nào để đánh giá tính dự báo của

các mô hình một cách đầy đủ, đặc biệt dựa trên bộ lọc Kalman tổ hợp.

Đối với bài toán khí hậu, nhất là trong lĩnh vực BĐKH, ở Việt Nam đến nay

đã có nhiều công trình được công bố như các công trình của Nguyễn Đức Ngữ và

Nguyễn Trọng Hiệu (1991)[3], Nguyễn Đức Ngữ (2008), Nguyễn Viết Lành

(2007)[2], Trần Việt Liễn và CS. (2007)[3].

Từ năm 1994 đến 1998, Nguyễn Đức Ngữ và CS. đã hoàn thành kiểm kê

quốc gia khí nhà kính năm 1993 [4], xây dựng các phương án giảm khí nhà kính ở

Việt Nam, đánh giá tác động của BĐKH đến các lĩnh vực kinh tế xã hội chủ yếu,

xây dựng kịch bản BĐKH ở Việt Nam cho các năm 2020, 2050, 2070.

Năm 2003, Bộ Tài nguyên và Môi trường đã hoàn thành Thông báo Quốc gia

đầu tiên của Việt Nam cho Công ước khung của Liên hợp quốc về BĐKH. Đến năm

2010, Thông báo Quốc gia lần thứ hai cũng đã được hoàn thành, trong đó tập trung

kiểm kê quốc gia khí nhà kính cho năm 2010 và ước tính phát thải khí nhà kính cho

giai đoạn 2011-2030.

Trong chiến lược phòng tránh thiên tai ở Việt Nam, những hiện tượng đáng

quan tâm nhất là các thiên tai có nguồn gốc khí tượng. Nhiều bằng chứng đã chứng

tỏ những hiện tượng thời tiết, khí hậu cực đoan ngày càng có xu hướng xuất hiện

với tần suất nhiều hơn và cường độ mạnh hơn. Ví dụ tháng 3 năm 2011 đang chứng

kiến đợt rét đậm nhất trong lịch sử với các đợt rét đậm rét hại kèm theo tuyết tại các

tỉnh vùng núi phía Bắc. Cũng như vậy, mùa đông năm 2010 là mùa đông ấm nhất

13

trong lịch sử với nhiệt độ trung bình ngày lên đến 280C trong khoảng từ ngày 07

đến ngày 10 tháng 02 năm 2010...

Ngày 02/12/2008, Thủ tướng Chính phủ đã ký Quyết định số 158/2008/QĐ–

TTg phê duyệt Chương trình mục tiêu quốc gia về ứng phó với biến đổi khí hậu với

mục tiêu chiến lược của Chương trình là nhằm nâng cao khả năng ứng phó với biến

đổi khí hậu của Việt Nam trong từng giai đoạn cụ thể; bảo đảm sự phát triển bền

vững của đất nước, ổn định cuộc sống của nhân dân.

Trong nghiên cứu BĐKH, việc dự tính được kịch bản biến đổi trong tương

lai là cơ sở cho các nghiên cứu đánh giá trong nhiều lĩnh vực, ngành nghề với nhau.

Tháng 06/2009, Bộ Tài nguyên và Môi trường đã công bố Kịch bản Biến đổi Khí

hậu, nước biển dâng cho Việt Nam, trong đó đã sử dụng phần mềm hạ thấp quy mô

thống kê (statistical downscaling) MAGICC/SCENGEN của Mỹ để đưa ra kịch bản

BĐKH và nước biển dâng cho 7 vùng khí hậu. Theo các kịch bản được công bố, khí

hậu trên tất cả các vùng của Việt Nam sẽ có nhiều biến đổi. Vào cuối thế kỷ 21,

nhiệt độ trung bình năm ở nước ta tăng khoảng 2,3˚C; tổng lượng mưa năm và

lượng mưa mùa mưa tăng trong khi lượng mưa mùa khô lại giảm; mực nước biển

dâng khoảng 75 cm so với trung bình thời kỳ 1980 – 1999. Theo kế hoạch, Bộ Tài

nguyên Môi trường sẽ tiếp tục cập nhật các kịch bản BĐKH, trong đó dự kiến sẽ kết

hợp sử dụng kết quả của mô hình khu vực PRECIS (Providing REgional Climates

for Impacts Studies) phát triển tại Trung tâm Hadley, Vương quốc Anh và kết quả

của mô hình toàn cầu MRI của Viện nghiên cứu Khí tượng Nhật Bản.

Gần đây hơn, Phan Văn Tân và CS. (2010) [6] trong Dự án Danida “Đánh

giá tác động của Biến đổi khí hậu đến điều kiện tự nhiên, môi trường và phát triển

kinh tế - xã hội ở Trung Trung Bộ Việt Nam” do Mai Trọng Thông làm chủ nhiệm,

đã tiến hành xây dựng kịch bản BĐKH chi tiết đến 2050 cho khu vực Trung Trung

Bộ bằng phương pháp hạ thấp quy mô động lực. Hai mô hình khí hậu khu vực là

RegCM3 (Regional Climate Model phiên bản 3.0) và CCAM (Cubic Conformal

Amostpheric Model) đã được sử dụng để dự tính một số yếu tố và hiện tượng liên

14

quan đến trường mưa và nhiệt độ. Phan Văn Tân và CS. (2011) [7] cũng đã thực

hiện đề tài “Nghiên cứu tác động của biến đổi khí hậu toàn cầu đến các yếu tố và

hiện tượng khí hậu cực đoan ở Việt Nam, khả năng dự báo và giải pháp chiến lược

ứng phó” trong khuôn khổ Chương trình KC.08/0610 (“Khoa học và công nghệ

phục vụ phòng tránh thiên tai, bảo vệ môi trường và sử dụng hợp lý tài nguyên

thiên nhiên”). Trong đề tài này đã đề cập đến các dự tính BĐKH từ một số mô hình

khu vực. Tuy nhiên các dự tính mới chỉ được thực hiện riêng lẻ cho từng mô hình

và cũng chỉ đến 2050.

Qua những nội dung tổng quan ở trên có thể thấy rằng việc sử dụng các

phương pháp tổ hợp các kết quả từ các mô hình khác nhau đã cho những kết quả

khả quan để cải thiện chất lượng các bản tin dự báo/dự tính. Vì vậy trong luận văn

này tác giả tiến hành thử nghiệm một số phương pháp tổ hợp để dự tính cho một số

các yếu tố, hiện tượng liên quan đến nhiệt độ ở Việt Nam.

15

Chương 2- PHƯƠNG PHÁP VÀ SỐ LIỆU NGHIÊN CỨU

Trong luận văn này, tác giả sử dụng kết quả từ 5 mô hình khí hậu khu vực để

nghiên cứu hệ thống tổ hợp gồm: RegCM, MM5, MRI, CCAM và REMO. Mô hình

RegCM là mô hình khí hậu khu vực đã được ứng dụng để nghiên cứu khí hậu quá

khứ, hiện tại và tương lai tại nhiều nơi khác nhau trên thế giới, từ Châu Mỹ, Châu

Âu đến Châu Á, Châu Phi [27], [22], [10], [23]. Mô hình MM5 vốn là mô hình

nghiên cứu và dự báo thời tiết nhưng do nhu cầu nghiên cứu khoa học và sự phát

triển của công nghệ nên đã được cải tiến để phục vụ cả bài toán nghiên cứu khí hậu.

Mô hình MM5 có khả năng lồng nhiều lưới; Động lực phi thủy tĩnh; Cho phép mô

hình sử dụng được ở quy mô vài cây số; Khả năng chạy trên nhiều máy tính phối

hợp bộ nhớ; Mô tả được nhiều quá trình vật lí; Khả năng đồng hóa dữ liệu 4 chiều.

Với mô hình khí hậu khu vực REMO, REMO có thể ứng dụng được cho cả dự báo

thời tiết và nghiên cứu khí hậu. Tuy nhiên, viện khí tượng Max Planck - MPIfM và

trung tâm tính toán mô hình hóa phục vụ dự báo khí hậu - DKRZ đã phát triển

REMO theo hướng một mô hình khí hậu khu vực với mục đích là mô hình khí

quyển trong hệ thống couple mô hình khí quyển – đại dương phục vụ cho dự án

BALTEX cũng như là một mô hình độc lập nghiên cứu và mô phỏng khí hậu. Mô

hình CCAM là một mô hình còn mới ở Việt Nam, nó phục vụ cho cả dự báo toàn

cầu lẫn khu vực. Mô hình này có nhiều ưu điểm là tính toán sao cho các vùng khác

nhau trên toàn cầu đều có chung độ phân giải đồng nhất hoặc chênh lệch giữa các

vùng là không lớn (khoảng cách từ xích đạo về cực chênh nhau đáng kể) [39]. Mô

hình MRI được biết đến là mô hình khí hậu khu vực cho kết quả gần với quan trắc

nhất hiện nay của Nhật Bản.

Dựa vào những ưu điểm trên của các mô hình, luận văn này tác giả đã đề

xuất sử dụng kết quả từ 5 mô hình. Mỗi mô hình được tiến hành chạy với 2 kịch bản

phát thải khí nhà kính là A1B và A2 cho giai đoạn 2000 – 2039 và đồng thời chạy

với bộ số liệu chuẩn thời kỳ 1980 -1999. Số liệu đầu ra của 5 mô hình sử dụng trong

luận văn này là kết quả thừa kế từ các nghiên cứu trước.

16

2.1. Hệ thống tổ hợp các kết quả mô hình

2.2.1. Trung bình tổ hợp đơn giản (Simple Ensemble Mean)

Giả sử M là tổng số mô hình dự báo. Fi là giá trị dự báo của mô hình thứ i.

Giả sử M là tổng số mô hình dự báo. Fi là giá trị dự báo của mô hình thứ i,

�� là giá trị trung bình theo thời gian của dự báo từ mô hình thứ i. thì trung bình tổ

hợp (Ensemble Mean) được tính bởi công thức:

�� =1

�� (�� − ��

�

�

��

)

��là trọng số của mô hình thứ i.

Khi đó, trung bình tổ hợp đơn giản SEM (Simple ensemble mean) được tính

bởi công thức:

�� =�

�∑ ��

��

Với phương pháp này các trung bình trọng số được coi là bằng nhau.

2.1.2. Hồi quy tuyến tính nhiều biến

Phương pháp dự báo sử dụng ở đây là hồi qui tuyến tính, chuỗi số liệu quan

trắc Y được biểu diễn bởi tổ hợp tuyến tính của các mô hình khí hậu khu vực X1,

X2,..., Xm trên mỗi trạm hoặc trên một vùng bằng hệ thức:

0

1

m

j jj

Y a a X

trong đó a0, a1,..., am là các hệ số hồi qui, được xác định bởi:

m

1j

jj0 xaya

1

, 1,2,...,m

j jk ykj

a R R k m

(2.2)

(2.1)

(2.3)

17

Với Rjk là mômen tương quan giữa các nhân tố Xj và Xk (j,k=1,2,...,m), Ryk là

mômen tương quan giữa yếu tố dự báo Y và nhân tố Xk (k=1,2,...,m); jx,y là

giá trị trung bình của Y và các Xj.

2.2. Các chỉ số thống kê dùng để đánh giá

Trong các công thức dưới đây, Fi và Oi tương ứng là giá trị mô hình và giá

trị quan trắc của một biến nào đó (nhiệt độ, lượng mưa), i=1,2,…, N, N là dung

lượng mẫu.

1. Sai số trung bình (ME - Mean Error)

N

1iii )OF(

N

1ME

Giá trị của ME nằm trong khoảng (-∞, +∞). ME cho biết xu hướng lệch trung

bình của giá trị dự báo so với giá trị quan trắc, nhưng không phản ánh độ lớn của sai

số. ME dương cho biết giá trị dự báo vượt quá giá trị quan trắc và ngược lại. Mô

hình được xem là “hoàn hảo” (không thiên lệch về một phía nào cả) nếu ME=0.

2. Sai số tuyệt đối trung bình (MAE-Mean Absolute Error)

N

1iiOiF

N

1MAE

Giá trị MAE nằm trong khoảng (0,+∞). MAE biểu thị biên độ trung bình của

sai số mô hình nhưng không nói lên xu hướng lệch của giá trị dự báo và quan trắc.

Khi MAE = 0, giá trị của mô hình hoàn toàn trùng khớp với giá trị quan trắc, mô

hình được xem là “lý tưởng”. Thông thường MAE được sử dụng cùng với ME để

đánh giá độ tin cậy. Chẳng hạn, nếu MAE của sản phẩm khác biệt hẳn so với ME

thì việc hiệu chỉnh là hết sức mạo hiểm. Trong trường hợp ngược lại, khi mà MAE

và ME tương đối “sát” với nhau thì có thể dùng ME để hiệu chỉnh sản phẩm dự báo

một cách đáng tin cậy.

3. Hệ số tương quan (Correlation coefficient)

(2.4)

(2.5)

18

N

ii

N

ii

N

iii

OOFF

OOFF

r

1

2

1

2

1

)()(

))((

Hệ số tương quan (r) cho phép đánh giá mối quan hệ tuyến tính giữa tập giá

trị dự báo và tập giá trị quan trắc. Giá trị của nó biến thiên trong khoảng -1 đến 1,

giá trị hoàn hảo bằng 1. Giá trị tuyệt đối của hệ số tương quan càng lớn thì mối

quan hệ tuyến tính giữa hai biến càng chặt chẽ. Hệ số tương quan dương phản ánh

mối quan hệ cùng chiều (đồng biến), ngược lại, hệ số tương quan âm biểu thị mối

quan hệ ngược chiều (nghịch biến) giữa dự báo và quan trắc.

2.3. Nguồn số liệu

2.3.1. Số liệu quan trắc

Số liệu quan trắc trên 80 trạm (bảng 2.1) của các yếu tố nhiệt độ trung bình

2m (T2m), nhiệt độ cực đại tháng (Tx), nhiệt độ cực tiểu tháng (Tm), nhiệt độ cực

tiểu của cực tiểu tháng (TNn), cực đại tháng của cực đại tháng (TXx), được xử lý là

các file số liệu dạng TEXT chứa T2m, Tx, Tm, TXx, TNn cho từng tháng và năm

của các trạm trên bảy vùng khí hậu trong giai đoạn 1980-1999

Các trạm không có số liệu hoặc khuyết nhiều số liệu sẽ bị loại bỏ trong quá

trình tính toán.

Nội dung các file số liệu cụ thể như sau:

(2.6)

19

2.3.2. Số liệu từ đầu ra các mô hình

Kết quả từ 5 mô hình với miền tính tương đối giống nhau, cụ thể: mô hình

CCAM với 82 x 82 điểm lưới và chạy từ 5N– 25N, 100E–120E; mô hình MM5 với

105 x 144 điểm lưới chạy từ 5S – 27N, 85E – 131E; mô hình REMO với 98 x 146

điểm lưới và chạy từ 5S – 27N, 84E – 132E; mô hình MRI với 88 x 45 điểm lưới

và chạy từ 8N – 24N, 102E – 110E; mô hình RegCM với 104 x 143 điểm lưới và

chạy từ 5S–27N, 85E–131E.

Từ bộ số liệu trung bình của từng tháng cho 20 năm giai đoạn 1980-1999 của

thời kì chuẩn và bộ số liệu cho thời kì tương lai chạy với kịch bản phát thải khí nhà

kính A1B, giai đoạn 2020-2035 mà 5 mô hình mô phỏng, tác giả nội suy các giá trị

từ lưới về 80 điểm trạm ứng với giá trị quan trắc thực tế.

Bảng 2.1. Danh sách các trạm được sử dụng.

STT Tên Trạm Kinh độ Vĩ độ Vùng

1 MUONGTE 102.83 22.37 1

2 SONLA 103.9 21.33 1

3 DIENBIEN 103 21.37 1

4 DIENBIEN 104.03 21.52 1

5 LAICHAU 103.57 21.85 1

6 MUONGTE 104.15 21.13 1

# TXx at HANAM,105.55E, 20.31N, 2.83m# YEAR VAL_YR JAN FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DEC 1980 37.30 31.20 24.60 37.30 33.60 37.10 33.10 36.20 34.80 31.60 31.50 29.00 29.00 1981 36.90 25.60 27.90 29.60 31.90 35.40 35.10 35.90 36.90 32.90 32.20 30.50 25.40 1982 38.30 26.00 27.50 27.00 31.60 37.10 38.30 37.50 36.40 32.90 31.30 30.40 27.60 1983 39.40 25.70 28.50 30.60 36.60 37.40 39.40 39.20 34.60 34.80 31.40 28.90 27.40 1984 36.90 25.20 21.50 27.50 31.40 35.30 35.90 36.90 35.00 32.80 30.90 29.70 27.70 1985 37.20 23.30 27.00 27.00 29.60 35.90 37.10 37.20 34.30 34.40 31.80 30.40 29.40 1986 39.10 -99.00 27.30 31.90 30.40 36.20 37.40 39.10 34.40 33.40 32.40 30.20 26.80 1987 38.90 27.30 28.90 33.90 33.20 37.60 38.90 36.80 35.40 32.90 33.20 32.30 26.30 1988 37.70 25.40 25.50 29.90 33.10 37.70 37.70 36.90 34.80 36.00 30.80 27.60 26.50 1989 37.30 28.90 26.80 27.00 33.00 34.00 37.30 36.30 34.30 34.40 32.40 31.20 25.00 1990 38.40 25.90 28.10 32.40 37.10 32.40 38.40 35.90 36.40 34.30 30.60 30.70 27.70 1991 36.40 26.50 30.40 27.00 31.30 35.90 36.40 36.40 34.10 34.80 32.90 30.40 27.90 1992 37.90 25.00 27.40 28.10 32.70 36.40 36.90 37.90 34.00 34.10 31.90 29.80 28.80 1993 38.60 26.50 27.80 33.10 31.60 33.10 38.60 36.60 36.90 33.00 31.90 30.50 27.20 1994 37.70 27.50 28.20 26.50 32.40 37.70 36.00 35.90 35.40 32.50 32.00 28.20 28.90 1995 38.50 26.00 24.50 27.00 30.90 36.00 38.50 36.50 33.60 33.20 33.60 28.20 27.00 1996 36.90 26.00 28.20 36.00 29.50 36.90 34.70 36.80 35.60 33.00 32.10 29.60 25.70 1997 39.60 27.30 25.10 27.10 31.10 34.50 39.60 35.60 36.70 32.10 32.80 34.10 28.20 1998 38.70 32.80 31.30 30.10 37.10 37.10 38.70 37.50 36.10 32.90 32.30 30.30 30.40 1999 37.50 27.10 27.10 31.10 33.80 35.10 36.50 37.50 34.10 33.50 33.10 31.00 23.90

20

7 SONLA 103 21.37 1

8 YENCHAU 104.3 21.05 1

9 BACGIANG 104.05 21.87 2

10 BACQUANG 104.47 22.23 2

11 BAICHAY 105.23 21.45 2

12 CAOBANG 106.85 21.33 2

13 COTO 103.82 22.35 2

14 HAGIANG 105.22 21.82 2

15 LANGSON 107.77 20.98 2

16 PHUHO 105.27 22.15 2

17 SAPA 105.63 21.92 2

18 TAMDAO 106.57 22.83 2

19 TUYENQUANG 107.1 21.53 2

20 THAINGUYEN 106.35 21.5 2

21 VANCHAN 103.97 22.5 2

22 YENBAI 106.95 21.85 2

23 BACHLONGVI 105.75 20.97 3

24 BAVI 106.38 21.08 3

25 CHILINH 105.5 21.13 3

26 HAIDUONG 106.05 20.65 3

27 HANAM 105.05 20.65 3

28 HANOI 106.15 20.39 3

29 HOABINH 105.97 20.23 3

30 HUNGYEN 106.3 20.12 3

31 MAICHAU 107.72 20.13 3

32 NAMDINH 105.42 21.3 3

33 NINHBINH 105.78 20.48 3

34 NHOQUAN 105.45 20.45 3

35 PHULIEN 105.53 20.33 3

36 SONTAY 105.42 21.15 3

37 THAIBINH 105.72 20.25 3

38 VANLY 106.63 20.8 3

39 VIETTRI 105.75 21.07 3

40 VINHYEN 105.75 20.97 3

41 ALUOI 105.67 19.98 4

42 DONGHA 105.72 18.18 4

43 DONGHOI 106.28 18.07 4

44 HATINH 106.02 17.88 4

45 HOIXUAN 107.33 17.17 4

46 HUE 107.28 16.22 4

47 HUONGKHE 107.72 16.17 4

48 KYANH 105.3 18.89 4

21

49 NAMDONG 105.78 19.75 4

50 TINHGIA 106.6 17.48 4

51 TUONGDUONG 105.9 19.75 4

52 TUYENHOA 105.38 19.9 4

53 THANHHOA 105.57 19.63 4

54 VINH 105.4 19.32 4

55 BATO 108.47 15.57 5

56 DANANG 108.73 14.77 5

57 NHATRANG 109.28 13.08 5

58 PHANRANG 109.2 12.22 5

59 PHANTHIET 109.15 11.92 5

60 QUANGNGAI 108.98 11.58 5

61 QUYNHON 108.2 16.03 5

62 TUYHOA 108.1 10.93 5

63 TRAMY 109.12 13.9 5

64 AYUNPA 107.83 14.65 6

65 BAOLOC 108 14.33 6

66 BMTHUOT 108.02 13.97 6

67 DAKNONG 108.45 11.95 6

68 DALAT 106.98 11.83 6

69 KONTUM 108.45 13.38 6

70 MDRAK 108.27 12.92 6

71 PLEIKU 107.62 12.45 6

72 PHUOCLONG 108.13 12.68 6

73 CAMAU 114.33 11.42 7

74 CANTHO 106.12 11.33 7

75 CONDAO 107.08 10.37 7

76 PHUQUOC 106.4 10.35 7

77 PHUQUY 105.97 9.6 7

78 RACHGIA 105.15 9.18 7

79 TAYNINH 111.92 8.65 7

80 TRUONGSA 107 11.08 7

81 VUNGTAU 105.7 10.08 7

22

Hình 2.1. Phân bố vị trí các trạm

23

Chương 3- KẾT QUẢ VÀ PHÂN TÍCH

3.1. Kết quả mô phỏng của các mô hình và đánh giá cho thời kỳ chuẩn

Trong phần này sử dụng kết quả từ 5 mô hình khu vực MM5, MRI, REMO,

RegCM, và CCAM. Khi so sánh với quan trắc các giá trị từ mô hình sẽ được nội

suy về các trạm. Số liệu của các mô hình và số liệu quan trắc là số liệu trong thời kỳ

chuẩn 1980-1999.

a) Nhiệt độ T2m

Hình 3.1. Nhiệt độ trung bình T2m thời kỳ 1980-1999 của 5 mô hình

Như hình 3.1, thể hiện nhiệt độ 2m trung bình năm của giai đoạn nghiên cứu

(1980-1999) so sánh giữa 5 mô hình. Có thể nhận thấy sự mô phỏng cao hơn hẳn

của REMO, thấp hơn cả của MM5 và RegCM. Sự khác biệt mang tính hệ thống trên

toàn khu vực Việt Nam, và đặc biệt rõ nét ở khu vực Nam Bộ. Nhiệt độ mô phỏng

nằm trong khoảng từ 150C đến 300C.

24

Hình 3.2. T2m của các mô hình và quan trắc trên các trạm tính trung bình cho cả

giai đoạn

Điều đầu tiên dễ dàng nhận thấy là các mô hình mô phỏng tương đối tốt hình

thế của nhiệt độ T2m. Khi so sánh với số liệu quan trắc như trên hình 3.2 ta có thể

nhận thấy rõ ràng xu hướng thiên dương của CCAM và REMO, đồng thời ta cũng

thấy RegCm và MM5 có xu hướng mô tả nhiệt độ T2m thiên âm so với quan trắc.

Do các trạm được sắp xếp theo thứ tự từ bắc vào nam nên ta có thể thấy các mô

hình mô phỏng nhiệt độ T2m cho khu vực miền Nam tốt hơn và gần với quan trắc

hơn so với các khu vực còn lại. Điều này thể hiện rõ hơn xu hướng thiên âm hay

thiên dương của các mô hình và khả năng mô phỏng của các mô hình khi xét đến

các giá trị sai số trung bình ME, MAE, hệ số tương quan giữa các mô hình và quan

trắc.

Bảng 3.1. Sai số trung bình ME, sai số trung bình tuyệt đối MAE và hệ số

tương quan giữa các mô hình và quan trắc cho yếu tố T2m

10

12

14

16

18

20

22

24

26

28

30

0 10 20 30 40 50 60 70

trạm

T2m

OBS

CCAM

MM5

MRI

RegCM

REMO

25

Rõ ràng mô hình MRI cho sai số ME và MAE nhỏ nhất phù hợp với nhận xét

ở trên rằng MRI cho kết quả mô phỏng gần với quan trắc nhất. Hệ số tương quan

của tất cả các mô hình với quan trắc đều lớn hơn 0.7 chứng tỏ sự nắm bắt tương đối

tốt sự biển đổi của T2m theo không gian trạm của các mô hình với quan trắc.

b) Nhiệt độ cực đại ngày Tx

Hình 3.3. Nhiệt độ cực đại trung bình của thời kỳ 1980-1999 cho 5 mô hình

Nhiệt độ cực đại cho thời kỳ 1980-2000, được mô phỏng bởi các mô hình

khác nhau cho kết quả khác nhau rõ rệt. Từ hình 3.3, có thể nhận thấy rõ mô hình

MM5 cho kết quả thấp nhất; phân bố gần như bao phủ khắp cả nước. Trong khi đó,

mô hình CCAM, lại cho kết quả tương đối cao trên toàn bộ vùng lãnh thổ. Mô hình

MRI và REMO dường như thể hiện được sự phân biệt nhiệt độ rõ rệt giữa 2 miền

Nam – Bắc.

26

Hình 3.4. Tx của các mô hình và quan trắc trên các trạm tính trung bình cho cả

giai đoạn

Khi so sánh với quan trắc, rõ ràng các mô hình CCAM, MM5 và RegCM cho

mô phỏng nhiệt độ cực đại chênh lệch rất lớn, xấp xỉ khoảng 5oC cho các trạm khu

vực miền Bắc và miền Trung trong đó CCAM cho mô phỏng thiên dương so với

quan trắc và MM5, RegCM cho mô phỏng thiên âm so với quan trắc. Hai mô hình

còn lại, MRI và REMO cho mô phỏng gần với quan trắc hơn trong đó MRI nắm bắt

tốt hơn xu thế biến đổi của Tx, REMo cũng cho xu hướng thiên âm nhẹ. Một điều

nữa ta có thể nhận thấy đó là mô phỏng cho các trạm khu vực miền Nam tốt hơn so

với các khu vực còn lại đối với tất cả các mô hình.

Bảng3.2. Sai số trung bình ME, sai số trung bình tuyệt đối MAE và hệ số

tương quan giữa các mô hình và quan trắc cho yếu tố Tx

10

15

20

25

30

35

40

0 10 20 30 40 50 60 70 80

trạm

Tx

OBS

CCAM

MM5

MRI

RegCM

REMO

27

Ngoại trừ mô hình MRI cho sai số ME và MAE tương đối nhỏ thì các mô

hình còn lại đều cho sai số rất lớn. Khi xét đến hệ số tương quan thì mô hình

CCAM là mô hình có sự tương quan với quan trắc là kém nhất, cao nhất là mô hình

MRI nhưng hệ số tương quan cũng chỉ là 0.662. Các sai số một lần nữa chỉ ra sự

chênh lệch rất lớn khi mô phỏng Tx của ba mô hình CCAM, RegCM và MM5.

c) Nhiệt độ cực tiểu ngày Tn

Hình 3.5. Nhiệt độ cực tiểu của cực tiểu thời kỳ 1980-1999

Có sự khác biệt về phân bố so với nhiệt độ cực đại, nhiệt độ cực tiểu lại cho

thấy một biến thiên nhiệt độ từ Bắc vào Nam khá tương đồng. Ba mô hình CCAM,

MM5 và MRI cho kết quả thiên thấp hơn so với hai mô hình RegCM và REMO trên

toàn bộ khu vực. Mô hình REMO trong trường hợp này lại cho kết quả cao hơn các

mô hình khác, giá trị nhiệt độ cực tiểu của cực tiểu khoảng 260C - 280C.

28

Hình 3.6. Tn của các mô hình và quan trắc trên các trạm tính trung bình cho cả

giai đoạn

Các mô hình Mô phỏng tương đối đồng bộ nhiệt độ cực tiểu ngày Tn so với

quan trắc. Nhiệt độ cực tiểu ngày nhìn chung tăng dần từ bắc vào nam. Mô hình

Remo mô phỏng có xu hướng thiên dương, MM5 xu hướng thiên âm. Hai mô hình

MRI và RegCM cho mô phỏng gần với quan trắc hơn. Riêng đối với CCAM có một

số trạm thuộc khu vực Bắc Trung Bộ mô hình này cho mô phỏng chênh lệch lớn với

quan trắc. Để tìm hiểu rõ hơn ta so sánh, đánh giá bằng các chỉ số ME, MAE, hẹo

số tương quan của các mô hình với quan trắc.


tương quan giữa các mô hình và quan trắc cho yếu tố Tn

Ngoại trừ mô hình REMO cho mô phỏng Tn thiên dương các mô hình còn lại

đều mô phỏng Tn thiên âm, REMO cho sai số ME, MAE lớn nhất so với các mô

10

12

14

16

18

20

22

24

26

28

30

0 10 20 30 40 50 60 70 80

trạm

Tn

OBS

CCAM

MM5

MRI

RegCM

REMO

29

hình còn lại nhưng hệ số tương quan so với quan trắc thì lại lớn nhất so với các mô

hình khác chứng tỏ rằng mô hình này mô phỏng hình thế nhiệt độ tốt hơn các mô

hình còn lại nhưng thấp hơn nhiệt độ quan trắc khá nhiều. Hệ số tương quan của cả

năm mô hình với quan trắc đều khá lớn, chứng tỏ các mô hình mô phỏng Tn tốt hơn

so với Tx và T2m.

d) Nhiệt độ cực đại tháng của Tx (TXx)

Hình 3.7. Nhiệt độ cực đại tháng của Tx (TXx) giai đoạn 1980-1999 từ 5 mô

hình

Với nhiệt độ cực đại của cực đại trung bình cả thời kì chuẩn, mô hình CCAM

nổi bật lên với giá trị rất lớn. Đặc biệt, khu vực phía Bắc, mô hình mô phỏng cho

kết quả trên 380C trên một diện tương đối rộng. Mô hình MRI, gần như ổn định

trong việc mô phỏng ở mọi yếu tố. Với các giá trị đạt xấp xỉ 32-350C, được phân bố

đồng đều trên cả nước, mô hình có thể được coi là ổn định nhất trong số các mô

hình được xem xét trong luận văn này. Với mô hình MM5 và RegCM, TXx trung

30

bình cho cả thời kỳ chuẩn chỉ khoảng 26oC cho khu vực phía Bắc, 30oC cho khu

vực phía Nam.

Để so sánh, đánh giá các mô hình khi mô phỏng TXx với quan trắc, ta tiến

hành nội suy từ các mô hình về trạm và so sánh với số liệu quan trắc trên các trạm

và biểu diễn trên đồ thị. Các mô hình được sắp xếp theo thứ tự từ bắc vào nam.

Hình 3.8. TXx của các mô hình và quan trắc trên các trạm tính trung bình

cho cả giai đoạn

Khi tính trung bình cho cả giai đoạn, mô hình CCAM cho mô phỏng TXx

cao hơn quan trắc ở hầu hết các trạm, đặc biệt ở các trạm thuộc khu vực miền bắc

và miền trung, chênh lệch giữa mô phỏng của mô hình và quan trắc lên tới 5-8 độ C.

Mô phỏng TXx bởi 2 mô hình MRI và REMO chệnh lệch so với quan trắc ít nhất.

Hai mô hình MM5 và RegCM cho mô phỏng TXx trên các trạm thấp hơn hẳn so

với quan trắc khoảng 5 độ C. Mô phỏng TXx của các mô hình cho các trạm thuộc

khu vực miền nam tốt hơn so với miền bắc và miền trung.

20

25

30

35

40

45

0 10 20 30 40 50 60 70 80

nh

iệt

độ

trạm

OBS

CCAM

MM5

MRI

REMO

RegCM

31


tương quan giữa các mô hình và quan trắc cho yếu tố TXx

Từ bảng sai số ME, MAE, hệ số tương quan cho thấy tất cả các mô hình đều

cho sai số lớn và hệ số tương quan thấp khi mô phỏng TXx. Sai số nhỏ nhất và có

hệ số tương quan lớn nhất với quan trắc là MRI. Hai mô hình MM5 và REMO cho

mô phỏng TXx nhỏ hơn hẳn so với thực tế quan trắc trên các trạm.

32

e) Nhiệt độ cực tiểu tháng của Tn (TNn)

Hình 3.9. Nhiệt độ cực tiểu tháng của Tn (TNn) giai đoạn 1980-1999 của 5 mô hình

Từ các giá trị nhiệt độ cực tiểu ngày của mỗi mô hình, tác giả tiếp tục đưa ra

đánh giá về nhiệt độ cực tiểu của cực tiểu trong thời kỳ chuẩn. Có thể nhận thấy

ngay, mô hình REMO mô phỏng luôn cao hơn các mô hình khác, dao động từ

khoảng 120C ở khu vực Tây Bắc đến khoảng 260C ở khu vực Nam bộ. Mô hình

RegCM lại cho giá trị nhỏ nhất (khoảng 12 đến 160C) từ Bắc tới dọc các tỉnh miền

Trung. Các mô hình khác cho mô phỏng khác nhau nhưng không có sự chênh lệch

nhau nhiều như với REMO.

33

Hình 3.10. TNn của các mô hình và quan trắc trên các trạm tính trung bình


Nhìn chung các mô hình mô phỏng tương đối tốt hình thế của TNn. Trên đồ

thị ta có thể thấy được rằng kết quả cho ra bởi các mô hình có sự chênh lệch tương

đối lớn so với quan trắc trên các trạm. Mô hình REMO thường cho kết quả lớn hơn

so với quan trắc, ngược lại MM5 cho kết quả nhỏ hơn quan trắc. Mô hình CCAM

và mô hình MRI cho kết quả mô phỏng TNn trên một số trạm chênh lệch rất lớn so

với quan trắc. Mô hình MRI và RegCM cho kết quả mô phỏng gần với quan trắc

nhất.


tương quan giữa các mô hình và quan trắc cho yếu tố TNn

0

5

10

15

20

25

30

0 10 20 30 40 50 60 70 80

nh

iệt

độ

trạm

obs

CCAM

MM5

MRI

REMO

RegCM

34

Sai số ME và MAE của hai mô hình MM5 và RegCM là lớn nhất khi mô

phỏng cho yếu tố TNn. Hầu hết các mô hình đều có xu hướng mô phỏng thiên âm,

ngoại trừ mô hình RegCM. Hệ số tương quan của các mô hình đều trên 0.6 cho thấy

khả năng nắm bắt hình thế biến đổi của TNn.

f) Số ngày có T2m nhỏ hơn 150C (T2m15)

Hình 3.11. Trung bình số ngày có nhiệt độ trung bình dưới 150C thời kỳ 1980-1999

Ngoài việc xem xét các trường trung bình nhiệt độ, tác giác còn đánh giá sơ

bộ về số ngày có nhiệt độ trung bình dưới 150C mà mỗi mô hình mô phỏng để xem

xét rõ hơn khả năng bất định của mô hình. Từ hình 3.4 cho thấy mô hình CCAM và

REMO cho trung bình số ngày có T2m15 trong cả thời kỳ chuẩn (1980-2000) rất

thấp, hầu như dưới 10 ngày trên hầu hầu hết các tỉnh ven biển Đồng bằng Bắc bộ và

Bắc Trung bộ. Trung bình số ngày có T2m15 lại khá cao tại khu vực Tây Bắc ở hai

mô hình MM5 và RegCM, có nơi lên đến gần 90 ngày. Mô hình MRI cho kết quả

tương đối khả quan hơn so với các mô hình khác. Mô hình MM5, MRI và RegCM

bên cạnh việc mô phỏng số ngày vượt đáng kể mà còn đưa ra một số ngày có nhiệt

35

độ T2m15 tại một số tỉnh khu vực Nam Trung Bộ. Điều này không được mô phỏng

bởi hai mô hình CCAM và REMO.

Dưới đây là đồ thị so sánh giữa các mô hình và các mô hình với quan trắc

cho yếu tố T2m15

Hình 3.12. T2m15 của các mô hình và quan trắc trên các trạm tính trung

bình cho cả giai đoạn

Ta có thể nhận thấy các mô hình mô phỏng cho yếu tố T2m15 có sự chênh

lệch rất lớn so với quan trắc. Ba mô hình cho mô phỏng lớn hơn hẳn là RegCM,

MM5 và MRI đặc biệt là RegCM và MM5. Hai mô hình cho mô phỏng thiên âm là

CCAM và REMO. Các trạm ở khu vực miền nam hầu như không có ngày nào có

T2m dưới 15 độ cả với mô hình và quan trắc, điều này là phù hợp với nền nhiệt cao

quan năm ở khu vực miền nam.

Chúng ta xem xét tiếp đến sai số trung bình ME, sai số trung bình tuyệt đối

MAE và hệ số tương quan giữa các mô hình và quan trắc

0

20

40

60

80

100

120

140

160

0 10 20 30 40 50 60 70 80 90

trạm

T2

m15

OBS

CCAM

MM5

MRI

REMO

RegCM

36


tương quan giữa các mô hình và quan trắc cho yếu tố T2m15

Thông qua sai số trung bình ME và sai số trung bình tuyệt đối MAE ta có thể

nhận thấy mức độ chênh lệch rất lớn của các mô hình so với quan trắc đặc biệt là

MM5 và RegCM. Hệ số tương quan giữa các mô hình và quan trắc cũng không cao.

i) Số ngày có nhiệt độ cực đại trên 35C (Tx35)

Hình 3.13. Trung bình số ngày có nhiệt độ cực đại trên 350C thời kỳ 1980-1999

Nhận thấy ngay, nếu xét về quy mô không gian, mỗi mô hình cho một kết

quả mô phỏng khác nhau. Ngoại trừ, mô hình CCAM mô phỏng trung bình số ngày

37

có nhiệt độ cực đại trên 350C (Tx35) là nhiều nhất trong tất cả các mô hình được

xem xét thì mô hình REMO và RegCM lại chỉ thể hiện được một số ngày tại khu

vực Đồng bằng Bắc bộ và Bắc Trung bộ. Còn với mô hình MRI, một kết quả tương

đối đã được đưa ra, số ngày có Tx35 trải dọc tại một số khu vực miền Trung, rải rác

một số tỉnh khu vực Đồng bằng Bắc bộ, các tỉnh ven biển Nam Trung bộ, Tây

Nguyên và gần như cả Nam Bộ.

Khi tính trung bình TXx cho cả giai đoạn 1980-1999 ta thấy rằng CCAM cho

kết quả mô phỏng cao nhất với TXx cao nhất khoảng 36oC và hình thế TXx tương

đồng với hai mô hình MRI và REMO với các khu vực TXx cao hoặc thấp. RegCM

và MM5 cho mô phỏng TXx thấp hơn hẳn so với các mô hình còn lại với TXx cao

nhất chỉ khoảng 28oC, hai mô hình này cũng cho hình thế TXx tương đồng nhau.

Điều này cũng thể hiện rõ khi so sánh giữa các mô hình và quan trắc khi đưa

về các trạm. Do các mô hình MM5 và RegCM cho kêt quả gần như không có ngày

nào có Tx trên 35 độ C nên tác giả chỉ so sánh với ba mô hình còn lại.

Hình 3.14. Tx35 của các mô hình và quan trắc trên các trạm tính trung bình


Rõ ràng CCAM cho mô phỏng vượt hẳn so với các mô hình còn lại và cho cả

quan trắc. Hai mô hình MRI và REMO cho kết quả gần với quan trắc hơn.

Như vậy qua việc đánh giias mô phỏng của các mô hình và với quan trắc cho

thấy các mô hình mô phỏng và nắm bắt tương đối tốt đối với các yếu tố T2m, TNn

0

20

40

60

80

100

120

140

160

180

0 10 20 30 40 50 60 70 80 90

tram

Tx3

5

obs

CCAM

MRI

REMO

38

và Tn. Còn đối với các yếu tố có liên quan đến nhiệt độ cực đại như Tx, TXx và

Tx35 các mô hình còn có sự chênh lệch lớn với quan trắc. Đồng thời với các yếu tố

này việc nắm bắt hình thế biến đổi theo không gian các trạm của các mô hình cũng

không tốt.

3.2. Kết quả tổ hợp cho các yếu tố liên quan đến nhiệt độ cho thời kỳ chuẩn

Từ việc đánh giá độ bất định cho các mô hình khí hậu khu vực sử dụng trong

luận văn này tôi nhận thấy trong mỗi mô hình luôn tiềm ẩn độ bất định. Vì vậy tôi

tiến hành tổ hợp cho các mô hình theo hai phương pháp: tổ hợp trung bình đơn giản

và tổ hợp theo phương pháp hồi quy tuyến tính đa biến. Kết quả tổ hợp cho các yếu

tố T2m, Tx, Tn, TXx, TNn


trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho T2m

Như đã đánh giá ở phần trên, các mô hình mô phỏng cho T2m có sự chênh

lệch khá lớn. Khi tiến hành tổ hợp bằng phương pháp hồi quy tuyến tính nhiều biến

ta thu được kết quả khá khả quan khi các giá trị tổ hợp bằng phương pháp này gần

với quan trắc nhất. Phương pháp tổ hợp trung bình đơn giản cho kết quả không tốt

bằng hồi quy tuyến tính đa biến.

10

12

14

16

18

20

22

24

26

28

30

0 10 20 30 40 50 60 70 80

trạm

T2m

OBS

CCAM

MM5

MRI

RegCM

REMO

THTB

THTT

39

Hình 3.16. Tổ hợp bằng phương pháp hồi quy tuyến tính nhiều biến, phương

pháp trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho Tx

Khi tổ hợp bằng phương pháp hồi quy tuyến tính đa biến cho yếu tố Tx từ

năm mô hình cũng cho kết quả tốt nhất và gần với quan trắc nhất so với các mô hình

riêng lẻ. Tổ hợp bằng phương pháp trung bình đơn giản cho kết quả còn khiêm tốn

khi các giá trị tổ hợp vẫn còn chênh lệch với quan trắc khá lớn.

15

17

19

21

23

25

27

29

31

33

35

0 10 20 30 40 50 60 70

trạm

Tx

OBS

CCAM

MM5

MRI

RegCM

REMO

THTB

THTT

40


pháp trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho Tn

Ta có thể thấy hồi quy tuyến tính đa biến cho kết quả rất tốt khi bám khá sát

với quan trắc là do khi mô phỏng cho yếu tố Tn các mô hình cũng đã nắm bắt được

hình thế biến đổi của nhiệt độ. Tổ hợp bằng phương pháp cộng trung bình đơn giản

cũng nắm được hình thế tuy nhiên còn chênh lệch so với quan trắc.

10

12

14

16

18

20

22

24

26

28

30

0 10 20 30 40 50 60 70

trạm

Tn

OBS

CCAM

MM5

MRI

RegCM

REMO

THTB

THTT

41


pháp trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho TXx

Trên hình ta dễ dàng nhận thấy tổ hợp bằng phương pháp hồi quy tuyến tính

cho kết quả tốt nhất, gần quan trắc nhất so với tất cả các mô hình riêng lẻ cũng như

tổ hợp trung bình đơn giản.

15

20

25

30

35

40

45

0 10 20 30 40 50 60 70

trạm

TX

x

OBS

CCAM

MM5

MRI

RegCM

REMO

THTB

THTT

42


pháp trung bình đơn giản khi so sánh với các mô hình riêng và quan trắc cho TNn

Rõ ràng kết quả có được bằng phương pháp hồi quy tuyến tính đa biến là tốt

hơn và gần với quan trắc hơn so với phương pháp tổ hợp trung bình đơn giản. Điều

này là do phương pháp tổ hợp trung bình đơn giản coi khả năng mô phỏng của các

mô hình là như nhau nên kết quả tổ hợp là không tốt. Với phương pháp hồi quy đa

biến, một hệ số hồi quy sẽ được đưa vào phương trình tổ hợp, và do đó kết quả tổ

hợp sẽ dựa trên mô mình nào có khả năng mô phỏng tốt hơn, đồng nghĩa với lượng

thông tin biểu diễn nhiều hơn. Tuy vẫn còn sự chênh lệch khá lớn ở một vài trạm

nhưng rõ ràng phương pháp tổ hợp bằng hồi quy tuyến tính đa biến cho kết quả gần

với quan trắc đồng thời cũng nắm bắt được sự biến đổi hình thế các yếu tố theo

không gian. Khi xét đến các chỉ số đánh giá, phương pháp tổ hợp bằng hồi quy

tuyến tính đa biến cũng thể hiện sự chính xác hơn so với từng mô hình riêng lẻ cũng

như với phương pháp tổ hợp trung bình đơn giản.

5

10

15

20

25

30

0 10 20 30 40 50 60 70 80

trạm

TN

n

OBS

CCAM

MM5

MRI

RegCM

REMO

THTB

THTT

Sau khi xem xét hai mô hình t

pháp hồi quy tuyến tính nhiều biến cho kết quả tốt nhấ

hợp kết quả đầu ra của n

nhiệt độ. Tiến hành đánh giá v

hình với quan trắc, của tổ hợp bằng ph

để làm rõ hơn điều này.

Bảng3.7. Sai số trung bình ME gi

trung bình đơn giản và

Sai số trung bình ME cho thấy ph

biến cho sai số với quan trắc nhỏ nhất so với tất cả các mô hình.

phỏng ba yếu tố nhiệt

hướng thiên âm nhẹ. Đi

qua hình biểu diễn. Sai số của tổ hợp hồi quy tuyến tính

và TNn lớn hơn và có xu hư

đánh giá thông qua sai s

dụng phương pháp tôt h

từng mô hình riêng lẻ.

43

Sau khi xem xét hai mô hình tổ hợp ta có thể nhận thấy tổ hợp bằng ph

ồi quy tuyến tính nhiều biến cho kết quả tốt nhất và có th

ầu ra của năm mô hình khí hâu khu vực cho các yếu tố liên quan

đánh giá với sai số ME, MAE, hệ số tương quan c

ới quan trắc, của tổ hợp bằng phương pháp hồi quy tuyến tính với q

ều này.

ố trung bình ME giữa các mô hình với quan trắc,

ản và hồi quy tuyến tính với quan trắc

ố trung bình ME cho thấy phương pháp tổ hợp hồi quy tuyến tính

ến cho sai số với quan trắc nhỏ nhất so với tất cả các mô hình.

ỏng ba yếu tố nhiệt độ T2m, Tx, Tn cho kết quả tốt nhất với sai số rất nhỏ và xu

Điều này phù hợp với các nhận xét từ đánh giá tr

ểu diễn. Sai số của tổ hợp hồi quy tuyến tính đa biến cho hai yếu tố TXx

ơn và có xu hướng thiên âm với TXx và thiên d

đánh giá thông qua sai số trung bình ME cho ta thấy mọt kết quả khả quan khi sử

ương pháp tôt hợp. Các kết quả đã gần với quan trắc h

ừng mô hình riêng lẻ.

ổ hợp ta có thể nhận thấy tổ hợp bằng phương

t và có thể ứng dụng để tổ

ực cho các yếu tố liên quan đến

ương quan của các mô

ồi quy tuyến tính với quan trắc

ữa các mô hình với quan trắc, giữa tổ hợp

ổ hợp hồi quy tuyến tính đa

ến cho sai số với quan trắc nhỏ nhất so với tất cả các mô hình. Đặc biệt khi mô

ộ T2m, Tx, Tn cho kết quả tốt nhất với sai số rất nhỏ và xu

đánh giá trực quan thông

ến cho hai yếu tố TXx

ớng thiên âm với TXx và thiên dương với TNn. Việc

ấy mọt kết quả khả quan khi sử

ần với quan trắc hơn và tốt hơn so với

Bảng 3.8. Sai s

giữa tổ hợp trung bình

Tương tự như v

cũng chỉ ra rằng phương pháp t

tất cả các mô hình riêng lẻ trê

pháp trung bình đơn gi

các yếu tố T2m, Tx, Tn cho sai số nhỏ nhất và gần nh

hơn xuất hiện khi tổ hợp cho hai yếu tố cực

Bảng 3.9. Hệ số t

trung bình đơn giản và

Hệ số tương quan c

mô hình, đặc biệt với các yếu tố mà mô phỏng của c

lệch lớn so với quan trắc nh

44

. Sai số trung bình tuyệt đối MAE giữa các mô hình và quan trắc,

ữa tổ hợp trung bình đơn giản và giữa hồi quy tuyến tính đa bi

ư với sai số trung bình ME, sai số trung bình tuyệt

ương pháp tổ hợp tuyến tính đa biến cho kết quả tốt nhất so với

ất cả các mô hình riêng lẻ trên tất cả các yếu tố được tổ hợp, tổ hợp bằng ph

đơn giản cũng cho kết quả tốt hơn so với các mô hình.

ếu tố T2m, Tx, Tn cho sai số nhỏ nhất và gần như tương t

ất hiện khi tổ hợp cho hai yếu tố cực đoan TXx và TNn.

ệ số tương quan giữa các mô hình và quan trắc,

ản và giữa tổ hợp tuyến tính với quan trắc

ương quan của tổ hợp các mô hình được cái thiện rõ rệt so với t

ặc biệt với các yếu tố mà mô phỏng của các mô hình cho k

ệch lớn so với quan trắc như TXx, Tx.

ữa các mô hình và quan trắc,

đa biến với quan trắc

ới sai số trung bình ME, sai số trung bình tuyệt đối MAE

ến cho kết quả tốt nhất so với

ợc tổ hợp, tổ hợp bằng phương

ới các mô hình. Tổ hợp cho

ư tương tự nhau. Sai số lớn

ữa các mô hình và quan trắc,giữa tổ hợp

ợc cái thiện rõ rệt so với tưng

ác mô hình cho kết quả chênh

45

Như vậy bằng cả đánh giá trực quan và đánh giá thông qua các sai số trung

bình ME và sai số trung bình tuyệt đối MAE, hệ số tương quan đều cho thấy khả

năng áp dụng phương pháp tổ hợp các mô hình sẽ cho kết quả tố hơn so với mỗi mô

hình riêng lẻ. Việc thành lập các phương trình tổ hợp từ 5 mô hình CCAM, MM5,

MRI, RegCM, REMO như trong luận văn đã xét đến có thể được áp dụng để dự tính

cho thời kỳ tương lai với các yếu tố liên quan đến nhiệt độ ở Việt Nam.

Bảng 3.10. Hệ số hồi quy và hệ số tự do trong phương trình hồi quy tuyến

tính đa biến

3.3. Kết quả dự tính tổ hợp cho thời kỳ tương lai (giai đoạn 2020-2039)

Kết quả dự tính tổ hợp từ năm mô hình cho thời kỳ chuẩn bằng phương pháp

hồi quy tuyến tính nhiều biến cho thấy kết quả đạt được là gần với quan trắc hơn so

với từng mô hình riêng lẻ. Từ đó ta có thể áp dụng để dự tính tổ hợp cho thời kỳ

tương lai. Trong luận văn này, tôi chọn lựa chọn giai đoạn từ năm 2020-2039 để

tiến hành tính toán thử nghiệm do số liệu của mô hình MRI chỉ có trong giai đoạn

này. Kịch bản phát thải khí nhà kính trong các mô hình là kịch bản A1B.

Trong phần trên ta cũng thấy rằng ba yếu tố T2m, TX, Tn cho kết quả tương

quan khá tốt với quan trắc, vì vậy trong phần dự tính cho thời kỳ tương lai này tác

giả thử nghiệm dự tính cho ba yếu tố này. Áp dụng công thức tổ hợp bằng phương

pháp hồi quy tuyến tính đa biến đã có được từ phần trên (bảng 3.10) để dự tính cho

các yếu tố T2m, Tx, Tn giai đoạn 2020-2039 đã thu được một số kết quả như sau:

46

Hình 3.20. Dự tính tổ hợp cho T2m từ 5 mô hình cho giai đoạn 2020-2039

Hình 3.21. Dự tính tổ hợp cho Tx từ 5 mô hình cho giai đoạn 2020-2039

10

15

20

25

30

35

0 10 20 30 40 50 60 70 80 90

trạm

t2m

CCAM

MM5

MRI

RegCM

REMO

Dự tính tổ hợp

0

5

10

15

20

25

30

35

40

0 10 20 30 40 50 60 70 80 90

trạm

Tx

CCAM

MM5

MRI

RegCM

REMO

Dự tính tổ hợp

47

Hình 3.22. Dự tính tổ hợp cho Tmin từ 5 mô hình cho giai đoạn 2020-2039

Để xem xét sự biến đổi nhiệt độ T2m, Tx, Tn trên các trạm ta tiến hành lấy

kết quả tổ hợp cho giai đoạn 2020-2039 trừ đi thời kỳ chuẩn 1980-1999. Kết quả

thu được:

Hình 3.23. Biến đổi nhiệt độ trên các trạm trong thời kỳ tương lai 2020-2039

so với thời kỳ chuẩn 1980-1999 của yếu tố T2m

0

5

10

15

20

25

30

35

0 10 20 30 40 50 60 70 80 90

CCAM

MM5

MRI

RegCM

REMO

dự tính tổ hợp

-2

-1

0

1

2

3

4

5

6

7

0 10 20 30 40 50 60 70 80

trạm

độ

C Series1

48

Hình. 3.24. Biến đổi nhiệt độ trên các trạm trong thời kỳ tương lai 2020-

2039 so với thời kỳ chuẩn 1980-1999 của yếu tố Tx

Hình. 3.25. Biến đổi nhiệt độ trên các trạm trong thời kỳ tương lai 2020-

2039 so với thời kỳ chuẩn 1980-1999 của yếu tố Tn

Ta thấy đối với yếu tố nhiệt độ trung bình T2m và nhiệt độ cực đại Tx trên

hầu hết các trạm đều có mức tăng từ 1-3oC so với thời kỳ chuẩn 1980-1999. Một số

trạm có mức tăng cao có thể do ảnh hưởng của địa hình mà các mô hình không nắm

bắt được. Đối với yếu tố nhiệt độ cực tiểu Tn trên các trạm thì xu hướng tăng hay

giảm không rõ rệt vì số lượng trạm có Tn tăng và số trạm có Tn giảm là gần bằng

-1

0

1

2

3

4

5

6

7

8

9

0 10 20 30 40 50 60 70 80

trạm

độ

C Series1

-3

-2

-1

0

1

2

3

4

5

0 10 20 30 40 50 60 70 80

trạm

độ

C Series1

49

nhau. Hình thế biến đổi trên các trạm đối với cả ba yếu tố là tương đối tương đồng.

Các trạm ở khu vực miền trung dường như có sự biến đổi đồng đều hơn so với các

trạm thuộc khu vực miền bắc và miền nam với hai yếu tố T2m, Tn với mức biến đổi

nằm trong khoảng từ 0.5-3oC.

50

Kết luận

Luận văn đã hoàn thành nghiên cứu khả năng ứng dụng tổ hợp các mô hình

khí hậu khu vực để tăng khả năng dự tính chính xác cho bài toán khí hậu. Mục tiêu

là thực hiện dự tính tổ hợp cho các yếu tố liên quan đến nhiệt độ tại Việt Nam.

Một số kết luận ban đầu:

+ Trong mỗi mô hình đều tồn tại tính bất định vì vậy cần thiết có một hệ

thổng tổ hợp để nâng cao chất lượng dự báo/dự tính.

+ Trong các yếu tố liên quan đến nhiệt độ ở Việt Nam thì các mô hình khí

hậu khu vực mô phỏng tương đối tốt các yếu tố nhiệt độ bề mặt mực 2m, nhiệt độ

cực tiểu ngày, nhiệt độ cực tiểu của cực tiểu tháng. Các yếu tố nhiệt độ cực đại

ngày, nhiệt độ cực đại của cực đại tháng các mô hình mô phỏng còn có sự chênh

lệch khá lớn so với quan trắc, sự chênh lệch lên đến 5-6oC.

+ Trong luận văn thử nghiệm hai phương pháp tổ hợp cho các mô hình khí

hậu khu vực là phương pháp tổ hợp trung bình và tổ hợp bằng hồi quy tuyến tính đa

biến. Kết quả cho thấy tổ hợp bằng hồi quy tuyến tính nhiều biến cải thiện rõ rệt khả

năng mô phỏng cho thời kỳ chuẩn và có thể áp dụng cho dự tính khí hậu thời kỳ

tương lai.

+ Dự tính tổ hợp cho giai đoạn 2020-2039 với ba yếu tổ nhiệt độ bề mặt 2m,

nhiệt độ cực đại ngày và nhiệt độ cực tiểu ngày cho thấy xu hướng tăng rõ rệt của

nhiệt độ bề mặt 2m, nhiệt độ cực đại ngày so với thời kỳ chuẩn 1980-1999, mức

tăng nhiệt trên hầu hết các trạm từ 1-3oC.

Trong luận văn này mới chỉ sử dụng hai phương pháp tổ hợp tương đối đơn

giản là tổ hợp trung bình và tổ hợp hồi quy tuyến tính nhiều biến nhưng đã cho thẩy

khả năng cải thiện chất lượng dự báo/dự tính của việc áp dụng các phương pháp tổ

hợp kết quả từ các mô hình khác nhau. Trong các nghiên cứu tiếp theo tác giả mong

muốn sẽ thử nghiệm thêm các phương pháp tổ hợp kết quả từ các mô hình khí hậu

khu vực khác nhau để cải thiện hơn nữa chất lượng của dự báo/dự tính khí hậu.

51

Tài liệu tham khảo

Tiếng việt

1. Võ Văn Hòa, 2009: Nghiên cứu phát triển hệ thống dự báo tổ hợp thời tiết hạn

ngắn cho khu vực Việt Nam. Đề tài Nghiên cứu khoa học và công nghệ

cấp Bộ. Bộ Tài nguyên và Môi trường.

2. Nguyễn Viết Lành, 2007: Một số kết quả nghiên cứu về biến đổi khí hậu trên

khu vực Việt Nam, Tạp chí khí tượng Thuỷ văn, số 560, 33.

3. Trần Việt Liễn, Hoàng Đức Cường, Trương Anh Sơn, 2007: Xây dựng các

kịch bản khí hậu cho các vùng khí hậu ở Việt Nam giai đoạn 2010-2100.

Tạp chí KTTV, tháng 1, Hà Nội.

4. Nguyễn Đức Ngữ (chủ biên), 2008: Biến đổi khí hậu, NXB Khoa học và Kỹ

thuật, Hà Nội.

5. Nguyễn Đức Ngữ, Nguyễn Trọng Hiệu, 1991: Biến đổi khí hậu và tác động

của chúng ở Việt Nam trong khoảng 100 năm qua – Thiên nhiên và con

người. Nhà XB Sự thật, Hà Nội.

6. Phan Văn Tân và ccs., 2010: Nghiên cứu xây dựng kịch bản biến đổi khí hậu

chi tiết cho khu vực Trung Trung Bộ. Chuyên đề 3 thuộc Dự án Danida

”Đánh giá tác động của Biến đổi khí hậu đến điều kiện tự nhiên, môi

trường và phát triển kinh tế - xã hội ở Trung Trung Bộ Việt Nam” do

PGS Mai Trọng Thông làm chủ nhiệm.

7. Phan Văn Tân và ccs., 2011: Nghiên cứu tác động của biến đổi khí hậu toàn

cầu đến các yếu tố và hiện tượng khí hậu cực đoan ở Việt Nam, khả năng

dự báo và giải pháp chiến lược ứng phó. Báo cáo tổng kết đề tài

KC08.29/06-10. Trường Đại học Khoa học Tự nhiên.

8. Trần Tân Tiến, 2010: Xây dựng 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.

52

Báo cáo tổng kết đề tài KC.08.05/ 06-10. Trường Đại học Khoa học Tự

nhiên.

Tiếng Anh

9. Anderson, J. L. and S. L. Anderson, 1999: A Monte Carlo implementation of

the non-linear filtering problem to produce ensemble assimilations and

forecasts. Mon. Wea. Rev., 127, 2741 - 2758.

10. Bergant K., Belda M., Halenka T. (2007), “Systematic errors in the simulation

of European climate (1961-2000) with RegCM3 driven by NCEP/NCAR

reanalysis”, International Journal of Climatology Vol. 27 (4), pp. 455-

472.

11. Collins M., 2007: Ensembles and probabilities: a new era in the prediction of

climate change, Philos. Trans. R. Soc. Lond. A, 365, 1957–197.

12. Christensen, J.H., B. Hewitson, A. Busuioc, A. Chen, X. Gao, I. Held, R.

Jones, R.K. Kolli, W.-T. Kwon, R. Laprise, V. Magaña Rueda, L.

Mearns, C.G. Menéndez, J. Räisänen, A. Rinke, A. Sarr and P. Whetton,

2007: Regional Climate Projections. In: Climate Change 2007: The

Physical Science Basis. Contribution of Working Group I to the Fourth

Assessment Report of the Intergovernmental Panel on Climate Change

[Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt,

M. Tignor and H.L. Miller (eds.)]. Cambridge University Press,

Cambridge, United Kingdom and New York, NY, USA.

13. Curry, J. A., and A. H. Lynch, 2002: Comparing Arctic Regional Climate

Models. Eos, Trans. Amer. Geophys. Union, 83, 87.

14. Fu, C., H. L. Wei, M. Chen, B. K. Su, and W. Z. Zhen, 1998: Evolution of

summer monsoon rainbelts over East China in a regional climate model.

Atmos. Sinica, 22, 522–53.

53

15. Giorgi , F., and Coauthors , 2001: Regional climate change information––

Evaluation and projections. Climate Change 2001: The Scientific Basis,

J. T. Houghton et al., Eds., Cambridge University Press, 583–638.

16. Giorgi , F., and Coauthors , 2001: Regional climate change information––

Evaluation and projections. Climate Change 2001: The Scientific Basis,

J. T. Houghton et al., Eds., Cambridge University Press, 583–638.

17. Giorgi, F. and C. Shields, (1999),“Tests of precipitation parameterizations

available in the latest version of the NCAR regional climate model

(RegCM) over the continental United States”,Journal of Geophysical

Research, 104, 6353-6375.

18. Hagedorn R., Doblas-Reyes F.J., Palmer T.N., 2005: The rationale behind the

success of multi-model ensembles in seasonal forecasting. I. Basic

concept, Tellus Ser. A Dyn. Meteorol. Oceanogr., 57, 219–233.

19. Houghton, J. T., L. G. Meira Filho, B. A. Callander, N. Harris, A. Kattenberg,

and K. Maskell, Eds., 1995: Climate Change 1995: The Science of

Climate Change. Cambridge University Press, 572 pp.

20. Houghton, J. T., Y. Ding, D. J. Griggs, M. Noguer, P. J. van der Linden, X.

Dai, K. Maskell, C. A. Johnson, Eds., 2001: Climate Change 2001: The

Scientific Basis. Cambridge University Press, 881 p.

21. Kingtse C. Mo, (2003), “Ensemble Canonical Correlation Prediction of

Surface Temperature over the United States”, Journal of Climate, Vol.16,

pp. 1665-1683.

22. T. N. Krishnamurti, C. M. Kishtawal, Z. Zhang, T. Larow, D. Bachiochi, E.

Williford, S. Gadgil, S. Surendran, (2000), “Multimodel Ensemble

Forecasts for Weather and Seasonal climate:, Journal of Climate, Vol.13,

pp.4196-4216.

23. Lambert, S. J. and G. J. Boer, 2001: CMIP1 evaluation and intercomparison of

54

coupled climate models, Climate Dynamics, 17, 83-106.

24. Lau, W., and S. Yang, 1996: Seasonal variation, abrupt transition, and

intraseasonal variability associated with the Asian summer monsoon in

GLA GCM. J. Climate, 9, 965–98.

25. Lee, D.K., and M. S. Suh, 2000: Ten-year East Asian summer monsoon

simulation using a regional climate model (RegCM2). J. Geophys. Res.,

105, 29565–29577.

26. Liu, Y., F. Giorgi, and W. M. Washington, 1994: Simulation of summer

monsoon climate over East Asia with an NCAR regional climate model.

Mon. Wea. Rev., 122, 52–62.

27. J.-J. Luo, S. Masson, S. Behera, S. Shingu, T. Yamagata, (2005),“Seasonal

Climate Predictability in a Couple OAGCM Using a Different Approach

for Ensemble Forecasts”, Journal of Climate Vol.18, pp. 4474-4497.

28. Mearns, L. O., and Coauthors, 2001: Climate scenario development. Climate

Change 2001: The Scientific Basis, J. T. Houghton et al., Eds.,

Cambridge University Press, 741–770.

29. Meehl, G. A., C. Covey, T. Delworth, M. Latif, B. McAvaney, J. F. B.

Mitchell, R. J. Stouffer, and K. E. Taylor, 2007: The WCRP CMIP3

multi-model dataset: A new era in climate change research, Bull. Am.

Meteorol. Soc., 88, 1383-1394.

30. Palmer T.N., Räisänen J., 2002: Quantifying the risk of extreme seasonal

precipitation events in a changing climate, Nature, 415, 512–514, doi:

10.3354/cr00891.

31. Palmer, T. N. et al., 2004: Development of a European multimodel ensemble

system for seasonal to inter-annual prediction. Bull. Am. Meteorol. Soc.,

85, 853–872. (doi:10.1175/BAMS-85-6-853).

55

32. Palmer, T.N., F.J Doblas-Reyes, R. Hagedorn and A. Weisheimer, 2005:

Probabilistic prediction of climate using multi-modelensembles:

frombasics to applications, Phil. Trans. R. Soc. B , 360, 1991–1998.

33. Räisänen J., 2007: How reliable are climate models?, Tellus Ser. A Dyn.

Meteorol. Oceanogr., 59, 2–29.

34. Randall, D.A., R.A. Wood, S. Bony, R. Colman, T. Fichefet, J. Fyfe, V.

Kattsov, A. Pitman, J. Shukla, J. Srinivasan, R.J. Stouffer, A. Sumi and

K.E. Taylor, 2007: Cilmate Models and Their Evaluation. In: Climate

Change 2007: The Physical Science Basis. Contribution of Working

Group I to the Fourth Assessment Report of the Intergovernmental Panel

on Climate Change [Solomon, S., D. Qin, M. Manning, Z. Chen, M.

Marquis, K.B. Averyt, M.Tignor and H.L. Miller (eds.)]. Cambridge

University Press, Cambridge, United Kingdom and New York, NY,

USA.

35. Singh G.P., Oh J., Kim J., Kim O. (2006), “Sensitivity of Summer Monsoon

Precipitation over East Asia to Convective Parameterization Schemes in

RegCM3”, SOLA Vol. 2 (029-032).

36. Sylla M. B. & A. T. Gaye & J. S. Pal & G. S. Jenkins & X. Q. Bi,

(2009),“High-resolution simulations of West African climate using

regional climate model (RegCM3) with different lateral boundary

conditions”,Theor Appl Climatol 98:293–314.

37. Takle, E. S., and Coauthors, 1999: Project to intercompare regional climate

simulation (PIRCS): Description and initial results. J. Geophys. Res.,

104, 19 443–19 461.

38. Tebaldi C, Knutti R., 2007: The use of the multi-model ensemble in

probabilistic climate projections. Philos. Trans. R. Soc. Lond. A, 365,

2053–2075 doi: 10.1098/rsta.2007.207.

56

39. M. Thatcher (2010), “CCAM general introduction for new users”,

www.csiro.au

40. Ulbrich U, Pinto J.G., Kupfer H., Leckebusch G.C., Spangehl T., Reyers M.,

2008: Northern Hemisphere storm tracks in an ensemble of IPCC climate

change simulations, J. Clim., 21, 1669–1679.

41. Yu, R., W. Li, X. Zhang, Y. Liu, Y. Yu, H. Liu, and T. Zhou, 2000: Climate

features related to Eastern China summer rainfall in the NCAR CCM3.

Adv.Atmos. Sci., 17, 503–518.

42. J. S. Whitaker, A. F. Loughe, (1998), “The relationship between Ensemble

spread and Ensemble mean skill”, Monthly Weather Review, Vol. 126,

pp. 3292-3302.

http://www.csiro.au/

Documents

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ … (298).pdf · 2 Lời cảm ơn Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới TS