Tải file PDF Tác giả
Đơn vị công tác
1Trung tâm Dự báo Khí tượng Thủy văn Quốc gia
2Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu
3Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội
Tóm tắt
Nghiên cứu này trình bày kết quả thử nghiệm lựa chọn thành phần dự báo của một hệ thống tổ hợp nghiệp vụ dự báo khí hậu hạn mùa ở Việt Nam. Việc ứng dụng các mô hình động lực để xây dựng các hệ thống dự báo tổ hợp hạn mùa đã và đang dành được nhiều quan tâm trong 20 năm gần đây. Tuy nhiên, để cân đối với tài nguyên tính toán hạn chế ở các nước đang phát triển, như Việt Nam với hiệu quả của bản tin dự báo, việc lựa chọn thành phần dự báo hợp lý trở nên quan trọng. Hệ thống dự báo nghiệp vụ hạn mùa được đánh giá trong nghiên cứu này có khả năng đưa ra dự báo tổ hợp từ 20 đến 40 thành phần. Kết quả dự báo thử nghiệm cho năm 2018, tại 117 trạm, với 36 dự báo thành phần đã được lựa chọn để nghiên cứu. Việc lựa chọn dựa trên phân nhóm theo ba mô hình (RegCM, clWRF, RSM) và đánh giá so sánh kỹ năng dự báo của riêng từng nhóm (theo chỉ số kỹ năng RPSSD). Nhìn chung, dự báo xác suất cho giai đoạn thử nghiệm cho thấy kỹ năng dự báo tốt của nhóm mô hình RSM so với mô hình clWRF và RegCM. Do đó, 15 thành phần dự báo của RSM được khuyến cáo nên sử dụng trong các trường hợp hạn chế về tài nguyên tính toán.
Từ khóa
Trích dẫn bài báo
Mai Văn Khiêm, Hà Trường Minh, Phạm Quang Nam, Vũ Văn Thăng, Nguyễn Quang Trung (2019), Lựa chọn thành phần dự báo tổ hợp cho hệ thống dự báo hạn mùa. Tạp chí Khí tượng Thủy văn, EME2, 193-200.
Tài liệu tham khảo
1. Carberry, P., Hammer, G., Meinke, H., Bange, M., (2000), The potential value of seasonal climate forecasting in managing cropping systems. In Applications of seasonal climate forecasting in agricultural and natural ecosystems, Springer, Dordrecht, 167-181.
2. Doblas‐Reyes, Francisco, J., et al. (2013), Seasonal climate predictability and forecasting: status and prospects. Wiley Interdisciplinary Reviews: Climate Change, 4.4, 245-268.
3. Graham, R.J., et al. (2011), Long-range forecasting and the Global Framework for Climate Services. Climate Research, 47 (1-2), 47-55.
4. Jolliffe, I.T., Stephenson, D.B. (Eds.). (2012), Forecast verification: a practitioner's guide in atmospheric science. John Wiley & Sons.
5. MacLachlan, C., Arribas, A., Peterson, K.A., Maidens, A., Fereday, D., Scaife, A.A., M., Gordon, M., Vellinga, A., Williams, R., E., Comer, J., Camp, P., Xavier, G., Madec (2015), Global Seasonal forecast system version 5 (GloSea5): a high‐resolution seasonal forecast system. Quarterly Journal of the Royal Meteorological Society, 141 (689), 1072-1084.
6. Meinke, H., Stone, R.C., (2005), Seasonal and inter-annual climate forecasting: the new tool for increasing preparedness to climate variability and change in agricultural planning and operations. Climatic change, 70 (1-2), 221-253.
7. Nguyễn Văn Thắng cs., (2015), Nghiên cứu xây dựng hệ thống dự báo, cảnh báo hạn hán cho Việt Nam với thời hạn đến 3 tháng. Báo cáo tổng kết đề tài cấp Nhà nước, mã số KC.08.17/11-15.
8. Phan Văn Tân cs., (2014), Nghiên cứu xây dựng hệ thống mô hình dự báo hạn mùa một số hiện tượng khí hậu cực đoan phục vụ phòng tránh thiên tai ở Việt Nam. Báo cáo tổng kết đề tài cấp Nhà nước, mã số ĐT.NCCN-ĐHUD.2011-G/09.
9. Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., Tripp, P. et al. (2014), The NCEP climate forecast system version 2. Journal of Climate, 27 (6), 2185-2208.
10. Schepen, A., Zhao, T., Wang, Q.J., Robertson, D.E., (2018), A Bayesian modelling method for post-processing daily sub-seasonal to seasonal rainfall forecasts from global climate models and evaluation for 12 Australian catchments, Hydrology and Earth System Sciences, 1615-1628.
11. Tapiador, F.J., Gallardo, C., (2006), Entropy‐based member selection in a GCM ensemble forecasting. Geophysical Research Letters, 33 (2), L02804.
12. Wang, Q.J., Robertson, D.E., Chiew, F.H.S., (2009), A Bayesian joint probability modeling approach for seasonal forecasting of streamflows at multiple sites, Water Resources Research, 45.
13. Weigel, A.P., Baggenstos, D., Liniger, M.A., Vitart, F., Appenzeller, C., (2008), Probabilistic verification of monthly temperature forecasts. Monthly Weather Review, 136 (12), 5162-5182.
14. Yuan, X., Wood, E.F., (2012), On the clustering of climate models in ensemble seasonal forecasting. Geophysical Research Letters, 39 (18).
15. Zhao, T., Bennett, J.C., Wang, Q.J., Schepen, A., Wood, A.W., Robertson, D.E., Ramos, M.H., (2017), How Suitable is Quantile Mapping For Postprocessing GCM Precipitation Forecasts? Journal of Climate, 30, 3185-3196.