Tải file PDF Tác giả
Đơn vị công tác
1 Đài Khí tượng Thủy văn khu vực Bắc Trung Bộ; hoanghuong.btb@gmail.com; Luongnvkttv@gmail.com; Vinhpv@gmail.com@gmail.com
2 Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội; phamthanhha5693@gmail.com
*Tác giả liên hệ: hoanghuong.btb@gmail.com; Tel: +84–945698793
Tóm tắt
Khoảng thời gian từ 10 ngày đến 2 tháng (hạn nội mùa) có ý nghĩa quan trọng trong quản lý nguồn nước, điều tiết hồ chứa, cả thuỷ lợi và thuỷ điện, cũng như lập nông lịch ở khu vực Bắc Trung Bộ. Tuy nhiên, cũng không thể phủ nhận được thực tế rằng, ở Việt Nam nói chung và Bắc Trung Bộ nói riêng bài toán dự báo mưa hạn nội mùa chỉ mới được đặt những viên gạch đầu tiên, kĩ năng dự báo vẫn còn thấp. Để có thể ứng dụng vào thực tiễn đòi hỏi phải có nhiều hơn các thử nghiệm, các công trình nghiên cứu hoặc tìm ra các công cụ dự báo mạnh mẽ hơn. Nhóm tác giả đã thực hiện nghiên cứu hiệu chỉnh dự báo mưa hạn nội mùa của mô ECMWF dựa trên phương pháp phân vị với xấp xỉ gamma (QM–G) cho độ phân giải thời gian 5 ngày với từng hạn dự báo (3–6 tuần). Nghiên cứu sử dụng hai bộ số liệu chính: bộ số liệu dự báo mưa hạn nội mùa của mô hình ECMWF cho 20 năm trong giai đoạn 2000–2019 và bộ số liệu mưa vệ tinh TRMM. Kết quả cho thấy: Sau khi hiệu chỉnh, các giá trị sai số như ME, MAE, RMSE giảm đi rõ rệt, đặc biệt là từ tháng 12 đến tháng 3 năm sau. Riêng tháng 7–9, tuy sai số đã giảm so với trước hiệu chỉnh nhưng vẫn còn nhiều vùng (chủ yếu là phía Nam khu vực) vẫn còn tồn tại sai số lớn. Tuy nhiên, giá trị tương quan CORR sau hiệu chỉnh không cải thiện, thậm chí có tháng còn giảm so với trước khi hiệu chỉnh.
Từ khóa
Trích dẫn bài báo
Hương, H.T.T.; Lượng, N.V.;Vinh, P.V.; Hà, P.T. Nghiên cứu hiệu chỉnh sản phẩm dự báo mưa hạn nội mùa cho khu vực Bắc Trung Bộ bằng phương pháp phân vị với xấp xỉ Gamma (QM–G). Tạp chí Khí tượng Thủy văn 2023, 748, 77-89.
Tài liệu tham khảo
1. De Andrade, F.M.; Young, M.P.; Macleod, D.; Hirons, L.C.; Woolnough, S.J.; Black, E. Subseasonal Precipitation Prediction for Africa: Forecast Evaluation and Sources of Predictability, National Centre for Atmospheric Science, University of Reading, Reading, United Kingdom, School of Geographical Sciences, University of Bristol, Bristol, United Kingdom, 2020.
2. Liu, X.; Li, J.; Jie, W.; Huang, L.; Gu, W. (), Subseasonal Predictions of Regional Summer Monsoon Rainfall over Tropical Asian Oceans and Land. J. Clim. 2015, 28(24), 9583–9605. https://doi.org/10.1175/JCLI-D-14-00853.1
3. Li, S.; Robertson, A.W. Evaluation of Submonthly Precipitation Forecast Skill from Global Ensemble Prediction Systems. Mon. Weather Rev. 2015, 143(7), 2871–2889. https://doi.org/10.1175/MWR-D-14-00277.1.
4. Enayati, M.; et al. Bias correction capabilities of quantile mapping methods for rainfall and temperature variables. J. Water Clim. Change 2021, 401–419.
5. Ines, A.V.; Hansen, J.W.; Robertson, A.W. Enhancing the utility of daily GCM rainfall for crop yield prediction. Int. J. Climatol. 2011, 31, 2168–2182.
6. Zhao, T.; Bennett, J.C.; Wang, Q.J.; Schepen, A.; Wood, A.W.; Robertson, D.E.; Ramos, M.H. How Suitable is Quantile Mapping For Postprocessing GCM Precipitation Forecasts? J. Clim. 2017, 30, 3185–3196.
7. Khiêm, M.V. Nghiên cứu phương pháp hiệu chỉnh sản phẩm mưa dự báo hạn mùa cho khu vực Việt Nam. Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường 2018, 34(1S), 33–40.
8. Yến, N.T.H.; Nam, P.Q.; Nam, N.Đ.; Hiệp, N.V. Dự tính số ngày nắng nóng cho Việt nam bằng tổ hợp số liệu hiệu chỉnh phân vị đa mô hình động lực. Tạp chí Khí tượng Thủy văn 2017, 683, 12–20.
9. Linh, L.N.; Khiêm, M.V. Nghiên cứu phương pháp thống kê hiệu chỉnh lượng mưa mô hình. Tạp chí Khí tượng Thủy văn 2016, 664, 43–49.
10. Thom, H.C. A note on the gamma distribution. Mon. Weather Rev. 1958, 86, 117–122.
11. Fang, G.H.; Yang, J.; Chen, Y.N.; Zammit, C. Comparing bias correction methods in downscaling meteorological variables for a hydrologic impact study in an arid area in China. Hydrol. Earth Syst. Sci. 2015, 19, 2547.
12. Stockdale, T. An overview of techniques for season forecasting. Stochastic Eviron. Res. Assess. 2000, 14, 305–318.
13. Vitarta, F.; Robertson, A.W. Why Sub–seasonal to Seasonal Prediction (S2S)?. Sub–seasonal to Seasonal Prediction, 2018, pp. 3–15.
14. Hui, D.T.W.; Shum, K.K.Y.; Chen, J.; Chen, S.C.; Ritchie, J.; Roads, J.O. Case studies of seasonal rainfall forecasts for Hong Kong and its vicinity using a regional climate model. Springer Science+Business Media B.V, 2007.
15. Argüeso, D.; Evans, J.P.; Fita, L. Precipitation bias correction of very high resolu–tion regional climate models. Hydrol. Earth Syst. Sci. 2013, 17, 4379–4388. Doi:10.5194/hess-17-4379-2013.
16. Bennett, J.C.; Grose, M.R.; Corney, S.P.; White, C.J.; Holz, G.K.; Katzfey, J.J.; Post, D.A.; Bindoff, N.L. Performance of an empirical bias–correction of a high–resolution cli–mate dataset. Int. J. Climatol. 2014, 34, 2189–2204. Doi:10.1002/joc.3830.
17. Christensen, J.H.; Boberg, F.; Christensen, O.B.; Lucas–Picher, P. On the need for bias correction of regional climate change projections of temperature and precipitation. Geophys. Res. Lett. 2008, 35, L20709. Doi:10.1029/2008GL035694.
18. Brier, W.; Panofsky, H. Some applications of statistics to meteorology. Mineral In–ustries Extension Services”, School of Mineral Industries, Pennsylvania State College, 1968.
19. Gao, Y.; Fu, J.S.; Drake, J.B.; Liu, Y.; Lamarque, J.F. Projected changes of extreme weath–events in the eastern United States basedon a high resolution climate modelingsystem, 2012.
20. Gutjahr, O.; Heinemann, G. Comparing precipitation bias correction methods for high– resolution regional climate simulations using COSMO–CLM. Theor. Appl. Climatol. 2013, 114, 511–529.