Tác giả

Đơn vị công tác

1 Khoa Khí tượng Thủy văn và Biến đổi khí hậu, Trường Đại học Tài nguyên và Môi trường TP. HCM; minhpt201@gmail.com

2 Sinh viên Khoa Khí tượng Thủy văn và Biến đổi Khí hậu; Trường Đại học Tài nguyên và Môi trường TP. HCM; Phamdap18@gmail.com

3 Khoa Đại cương, Trường Đại học Tài nguyên và Môi trường TP. HCM; hang.nguyen687@gmail.com; pkthuy.math@gmail.com

4 Khoa hệ thống thông tin và Viễn thám; tthtuong@hcmunre.edu.vn

*Tác giả liên hệ: minhpt201@gmail.com; Tel.: +84–936069249

Tóm tắt

Trong bài báo này nhóm tác giả dự báo quỹ đạo bão Molave năm 2020 bằng hệ thống dự báo tổ hợp được tạo ra từ mô hình WRF. Sau đó kết quả dự báo quỹ đạo được tính bằng phương pháp trung bình có trọng số của các thành phần tổ hợp tối ưu (thành phần có sai số quỹ đạo hạn ngắn nhỏ hơn sai số quỹ đạo trung bình tổ hợp). Kết quả thử nghiệm cho thấy, về hướng di chuyển, ở những hạn dự báo dài hơn 2 ngày khi độ tán tổ hợp của dự báo tổ hợp lớn thì TBTS (trung bình có trọng số của các thành phần tổ hợp tối ưu) mô phỏng hướng cơn bão hiệu quả hơn so với TBTH (trung bình tổ hợp). Về sai số dự báo quỹ đạo TBTS cải thiện đáng kể so với sai số dự báo quỹ đão của TBTH ở một số hạn dự báo. Cụ thể, sai số quỹ đạo bão của TBTS cải thiện từ 2% đến 15% ở các hạn dự báo trước 2 ngày, còn ở hạn dự báo sau 2 ngày chỉ cải thiện được 1% đến 6% so với phương pháp trung bình tổ hợp thông thường. Kết quả này bước đầu cho thấy ưu điểm của phương pháp trung bình có trọng số của các thành phần tổ hợp tối ưu.

Từ khóa

Trích dẫn bài báo

Minh, P.T.; Đáp, P.X.; Hằng, N.T.; Tường, T.T.H.; Thủy, P.K. Dự báo quỹ đạo bão Molave năm 2020 bằng phương pháp trung bình có trọng số của các thành phần tổ hợp tối ưu. Tạp chí Khí tượng Thuỷ văn 2022, 739, 46-58.

Tài liệu tham khảo

1. Toàn, P.N.; Đắc, P.T. Đặc điểm khí hậu Việt Nam. NXB Khoa học và kỹ thuật Hà Nội. 1992, 232, 201–206

2. Minh, T.C. Khí hậu và khí tượng đại cương. NXB Đại học quốc gia Hà Nội. 2007.

3. Tsai, H.C.; Russell, L.E. Detection of tropical cyclone track changes from the ECMWF ensemble prediction system. Geophys. Res. Lett. 2013, 40, 797–801. https://doi.org/10.1002/grl.50172.\.

4. Goerss, J.S.; Sampson, C.R.; Gross, J.M. A history of western North Pacific tropical cyclone track forecast skill. Weather Forecasting 2004, 19, 633–638.

5. Elsberry, R.L.; Carr, L.E. Consensus of dynamical tropical cyclone track forecasts: Errors versus spread. Mon. Weather Rev. 2000, 128, 4131–4138. https://doi.org/10.1175/1520–0493(2000)129<4131:CODTCT>2.0.CO;2.

6. Carr, L.E.; Elsberry, R.L. Dynamical tropical cyclone track forecast errors. Part I:

7. Tropical region error sources. Weather Forecasting 2000, 15, 641–661.

8. Carr, L.E.; Elsberry, R.L.; Peak, J.E. Beta test of the systematic approach expert system prototype as a tropical cyclone track forecasting aid. Weather Forecasting 2001, 16, 355–368.

9. Elsberry, R.L.; Hughes, J.R.; Boothe, M.A. Weighted position and motion vector consensus of tropical cyclone track prediction in the western North Pacific. Mon. Wea. Rea. 2008, 136, 2478–2487. https://doi.org/10.1175/2007MWR2262.1.

10. Năng, T.Q.; Tiến, T.T. Phương pháp hiệu chỉnh dự báo quỹ đạo bão từ sản phẩm hệ thống dự báo tổ hợp thông qua lựa chọn thành phần tổ hợp tối ưu. Tạp chí Khí tượng Thủy văn 2020, 718, 1–10.

11. Qi, L.B.; Yu H.; Chen, P.Y. Selective ensemble–mean technique for tropical cyclone track forecast by using ensemble prediction systems. Q. J. R. Meteorol. Soc. 2014, 140, 805–813.

12. Tiến, T.T.; Mai, H.T.; Thanh, C. An Application of the Ensemble Kalman Filter on 5 days Forecasting Track and Intensity Tropical Cyclone. VNU J. Sci.: Nat. Sci. Technol. 2013, 29(2S), 201–206.

13. Tien, D.D.; Thanh, N.D.; Mai, H.T.; Chanh, K. A study of the connection between tropical cyclone track and intensity errors in the WRF model. Meteorol. Atmos. Phys. 2013, 121(3–4), 12.

14. Kieu, C.Q.; Truong, N.M.; Mai, H.T.; Ngo–Duc, T. Sensitivity of the Track and Intensity Forecasts of Typhoon Megi (2010) to Satellite-Derived Atmosphere Motion Vectors with the Ensemble Kalman filter. J. Atmos. Oceanic Technol. 2012, 29, 179 –1810.

15. Chanh, K.; Minh, P.T.; Mai, H.T. An Application of the Multi–Physics Ensemble Kalman Filter to Typhoon Forecast. Pure Appl. Geophys. 2013, 170, 745–954.

16. Minh, P.T.; Hằng, N.T.; Thủy, P.K.; Gia, C.N.H. Ứng dụng phương pháp đa vật lý xác định sai số mô hình WRF mô phỏng quỹ đạo và cường độ cơn bão Usagi 2018. Sci. Tech. Dev. J. Sci. Earth Environ. 2021, 5(1), 298–311.

17. https://www.ncdc.noaa.gov/data–access/model–data/model–datasets/global–forcast–system–gfs .

18. Lin, Y.L.; Faley, D.; Orvilli, D. Bulk parameterization of the snow field in a cloud model. J. Clim. Appl. Meteorol. 1983, 22, 1065–1092.

19. https://www.metoc.navy.mil/jtwc/jtwc.html?western–pacific.

20. http://homepages.see.leeds.ac.uk/~lecrrb/wrf/aRWUsersGuide.pdf.

21. Nishimura, M.; Yamaguchi, M. Selective ensemble mean technique for tropical cyclone track forecasts using multi–model ensembles. Trop. Cyclone Res. Rev. 2015, 4, 71–78.

22. Du, Y.; Qi, L.; Cao, X. Selective ensemble–mean technique for tropical cyclone track forecast by using time–lagged ensemble and multi–centre ensemble in the western North Pacific. Q. J. R. Meteorolog. Soc. 2016, 142, 2452–2462.