Tác giả

Đoàn Mạnh Duy 1 , Nguyễn Minh Trường 1*

Đơn vị công tác

1 Khoa Khí tượng Thủy văn và Hải dương học, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội; duydm99@gmail.com; truongnm@vnu.edu.vn

*Tác giả liên hệ: truongnm@vnu.edu.vn; Tel.: + 84–912075253

Tóm tắt

Trong nghiên cứu này, mô hình WRF–ARW được sử dụng để dự báo lại đợt dông gây mưa đá dữ dội trên khu vực Đông Bắc Bộ từ ngày 24–25/01/2020. Kết quả cho thấy mô hình đã dự báo được hình thế qui mô lớn thuận lợi cho sự phát triển dông, đó là hội tụ mực thấp trong rãnh bị nén, front lạnh cùng với rãnh gió tây trên cao và dòng xiết. Hội tụ thông lượng ẩm từ phương nam là nguồn cung cấp năng lượng cho hoạt động của dông. Các chỉ số dông, bao gồm độ xoáy dòng thăng (UH) và tổng lượng graupel trong cột khí quyển (CTG), cho thấy mô hình đã dự báo tốt thời điểm hình thành, vị trí và hướng di chuyển của các ổ dông. Về mặt độ lớn, chỉ số UH vượt ngưỡng nhưng chỉ số CTG không đạt ngưỡng dự báo dông gây mưa đá cường độ mạnh (tương ứng kích thước hạt đá trung bình trên 25 mm). Phân bố thẳng đứng của graupel gợi ý rằng các chỉ số dùng cho mô hình số dự báo dông gây mưa đá, được xác định cho vùng ngoại nhiệt đới vào mùa hè, có thể cần phải được điều chỉnh cho phù hợp với khu vực Việt Nam. 

Từ khóa

Mưa đá; Chỉ số dông; Mô hình WRF–ARW.

Trích dẫn bài báo

Duy, Đ.M.; Trường, N.M. Dự báo lại đợt dông gây mưa đá ngày 24–25/01/2020 trên khu vực Đông Bắc Bộ bằng mô hình số. Tạp chí Khí tượng Thủy văn, 2022, 737, 1-14. 

Tài liệu tham khảo

1. Knight, C.; Knight, N.; Brooks, H.E. Mesoscale meteorology: Hail and hailstorms. Encycl. Atmos.Sci. 2015, 334–338.

2. Changnon, S.A.; Changnon, D.; Hilberg, S.D. Hailstorms across the nation: An atlas about hail and its damages. 2009. www.isws.illinois.edu.

3. Minh, T. C. Khí tượng synop phần nhiệt đới. 2003, Nhà xuất bản Đại học Quốc gia Hà Nội.

4. Melcón, P.; Merino, A.; Sánchez, J. L.; López, L.; García–Ortega, E. Spatial patterns of thermodynamic conditions of hailstorms in southwestern France. Atmos. Res. 2017, 189, 111–126.

5. Fawbush, E.J.; Miller R. C. A method of forecasting hailstone size at the earth’s surface. Bull. Amer. Meteorol. Soc. 1953, 34, 235–244.

6. Foster, D. S.; Ferdinand, C. B. A hail size forecasting technique. Bull. Amer. Meteorol. Soc. 1956, 37, 135–141.

7. Brandes, E.; Ryzhkov, A. Hail detection with polarimetric radar. Conference on Aviation, Range, and Aerospace Meteorology 2004.

8. Kálmán C. A new hail size forecasting technique by using numerical modeling of hailstorms: A case study in Hungary. IDŐJÁRÁS 2015, 119, 443–474.

9. Labriola, J.; Snook, N.; Xue, M.; Thomas, K.W. Forecasting the 8 May 2017 severe hailstorm in Denver, Colorado, at a convection–allowing resolution: Understanding rimed ice treatments in multimoment microphysics schemes and their effects on hail size forecasts. Mon. Wea. Rev. 2019, 147, 3045–3068.

10. Sobash, R.A.; Schwartz, C.S.; Romine, G.S.; Fossell, K.R.; Weisman, M.L. Severe weather prediction using storm surrogates from an ensemble forecasting system. Wea. Forecasting 2016, 31, 255–271.

11. Biểu tổng hợp thiệt hại do thiên tai 2020 (tính đến 17h/15/11/2020). Tổng cục phòng chống thiên tai. https://phongchongthientai.mard.gov.vn/Pages/bieu–tong–hop–thiet–hai–do–thien–tai–2020–tinh–den–17h–15–11–2020–.aspx

12. Jeroen, Z.; Aarnout, D. Vertically integrated moisture flux convergence as a predictor of thunderstorms. Atmos. Res. 2007, 83, 435–445.

13. Kain, J.S.; Weiss, S.J.; Bright, D.R.; Baldwin, M.E.; Levit, J.J.; Carbin, G.W.; Schwartz, C.S.; Weisman, M.L.; Droegemeier, K.K.; Weber, D.B.; Thomas, K.W. Some practical considerations regarding horizontal resolution in the first generation of operational convection–allowing NWP. Wea. Forecasting 2008, 23, 931–952.

14. Sobash, R.A.; Kain, J.S.; Bright, D.R.; Dean, A.R.; Coniglio, M.C.; Weiss, S.J. Probabilistic forecast guidance for severe thunderstorms based on the identification of extreme phenomena in convection–allowing model forecasts. Wea. Forecasting 2011, 26, 714–728

15. Flora, M.L.; Potvin, C. K.; Skinner, P.S.; Handler, S.; McGovern, A. Using machine learning to generate storm–scale probabilistic guidance of severe weather hazards in the warn–on–forecast system. Mon. Wea. Rev. 2021, 149, 1535–1557.

16. Báo Tuổi Trẻ. https://tuoitre.vn/mua–da–to–nhu–qua–trung–xe–hoi–vo–ca–kinh–ca–ngan–nha–dan–thung–mai–20200125101002276.htm

17. Kain, J.S.; Dembek, S.R.; Weiss, S.J.; Case, J.L.; Levit, J.J.; Sobash, R.A. Extracting unique information from high–resolution forecast models: Monitoring selected fields and phenomena every time step. Wea. Forecasting 2010, 25, 1536–1542.

18. Jewell, R.; Brimelow, J. Evaluation of Alberta hail growth model using severe hail proximity soundings from the United States. Wea. Forecasting 2009, 24, 1592–1609.