Tải file PDF Tác giả
Đơn vị công tác
1 Đài KTTV khu vực Bắc Trung Bộ; daoanhcong.k55.hus@gmail.com; luongnvkttv@gmail.com; vinhpv@gmail.com; phannhuxuyen@gmail.com
2 Trường Đại học KHTN Hà Nội; trinhtuanlong@gmail.com
*Tác giả liên hệ: daoanhcong.k55.hus@gmail.com; Tel: +84–948946895
Tóm tắt
Dự báo hạn nội mùa, hay còn gọi là khoảng dự báo từ 2 tuần đến 2 tháng, trước đây vẫn được coi là “sa mạc của dự báo”, nhưng đây lại là giai đoạn lý tưởng để lập các kế hoạch trung hạn cho công tác quản lý nguồn nước, điều tiết hồ chứa. Ở Việt Nam, những nghiên cứu về bài toán này vẫn chỉ đang nằm ở những bước đi đầu tiên. Để lấp đầy chỗ hổng dự báo này, nhóm tác giả đã tiến hành đánh giá kỹ năng dự báo của mô hình IFS CY48R1 và CFSv1 thông qua việc tính toán và phân tích các chỉ số thống kê ME, MAE, RMSE, CORR, Brier score và ROC curve cho hạn dự báo nói trên sử dụng số liệu mưa vệ tinh TRMM và số liệu dự báo lại của hai mô hình. Kết quả chỉ ra rằng cả 2 mô hình đều cho thấy tiềm năng trong việc ứng dụng vào công tác dự báo hạn nội mùa cho khu vực Bắc Trung Bộ. Mô hình CFS có kỹ năng dự báo tốt hơn IFS vào các tháng 11 - tháng 3, nhưng lại thể hiện kỹ năng dự báo kém hơn khá nhiều so với IFS vào các tháng mùa mưa (tháng 7 - tháng 10). Cả 2 mô hình đều tiềm ẩn khả năng hiệu chỉnh sai số hệ thống vào các tháng 12 - tháng 4 và tháng 8 - tháng 10 ở phía Nam khu. Cả 2 mô hình đều có kỹ năng phát hiện những đợt mưa vừa, mưa to đến rất to, tuy nhiên mô hình IFS cho thấy khả năng vượt trội so với CFS khi có tỷ lệ dự báo khống thấp hơn nhiều.
Từ khóa
Trích dẫn bài báo
Công, Đ.A.; Lượng, N.V.; Vinh, P.V.; Xuyến, P.N.; Long, T.T. Nghiên cứu, đánh giá khả năng ứng dụng sản phẩm dự báo hạn nội mùa của mô hình IFS CY48R1 và CFSv1 cho khu vực Bắc Trung Bộ. Tạp chí Khí tượng Thuỷ văn 2023, 752, 29-40.
Tài liệu tham khảo
1. Vitart, F.; Ardilouze, C.; Bonet, A.; Brookshaw, A.; Chen, M.; Codorean, C.; Déqué, M.; Ferranti, L.; Fucile, E.; Fuentes, M.; Hendon, H.; Hodgson, J.; Kang, H.S.; Kumar, A.; Lin, H.; Liu, G.; Liu, X.; Malguzzi, P.; Mallas, I.; Manoussakis, M.; Mastrangelo, D.; MacLachlan, C.; McLean, P.; Minami, A.; Mladek, R.; Nakazawa, T.; Najm, S.; Nie, Y.; Rixen, M.; Robertson, A.W.; Ruti, P.; Sun, C.; Takaya, Y.; Tolstykh, M.; Venuti, F.; Waliser, D.; Woolnough, S.; Wu, T.; Won, D.J.; Xiao, H.; Zaripov, R.; Zhang, L. The subseasonal to seasonal (S2S) prediction project database. Bull. Amer. Meteor. Soc. 2017, 98, 163–173.
2. Vitart, F.; Andrew, W.R. Sub–seasonal to seasonal prediction, XIII–XIV, 2019.
3. Christopher, J.W. et al. Potential applications of subseasonal-to-seasonal (S2S) predictions. Meteorol. Appl. 2017, 24(3), 315–325.
4. Pegion, K. et al. The subseasonal experiment (SubX): A multimodel subseasonal prediction experiment. Bull. Amer. Meteor. Soc. 2019, 100, 2043–2060. https://doi.org/10.1175/BAMS-D-18-0270.1.
5. 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. Wea. Forecasting 2021, 36, 265–284.
6. Vitart, F.; Robertson, A.W. The sub–seasonal to seasonal prediction project (S2S) and the prediction of extreme events. Clim. Atmos. Sci 2018, 1, 3. https://doi.org/10.1038/s41612-018-0013-0.
7. Hà, P.T. Dự báo hạn mùa và nội mùa ngày bắt đầu mùa mưa ở Việt Nam trên cơ sở sản phẩm mô hình số. Luận án Tiến sỹ, Đại học Quốc Gia Hà Nội, Việt Nam, 2022.
8. 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. Doi: 10.36335/VNJHM.2023(748).77-89.
9. Trực tuyến: https://dkvbtb.gov.vn/gioi-thieu/gioi-thieu-ve-dai-khi-tuong-thuy-van-khu-vuc-bac-trung-bo-16.html.
10. Trực tuyến: https://confluence.ecmwf.int/display/S2S/Models.
11. Trực tuyến: https://confluence.ecmwf.int/display/FCST/Implementation+of+IFS+Cycle+48r1.
12. Saha, S. et al. The NCEP climate forecast system reanalysis. Bull. Amer. Meteor. Soc. 2010, 91, 1015–1058. https://doi.org/10.1175/2010BAMS3001.1.
13. George, J.H.; David, T.B. TRMM and other data precipitation data set documentation, 2018, pp. 44.
14. Cort, J.W.; Kenji, M. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim. Res. 2005, 30, 79–82.
15. Hyndman, R.J.; Koehler, A.B.. Another look at measures of forecast accuracy. Int. J. Forecasting 2006, 22(4), 679–688.
16. Glenn, W.B. Verification of forecasts expressed in terms of probability. Mon. Weather Rev. 1950, 78(1), 1–3.
17. Christopher, A.T.F. Comparing probabilistic forecasting systems with the brier score. Wea. Forecasting 2007, 22, 1076–1088. https://doi.org/10.1175/WAF1034.1.
18. Marzban, C. The ROC curve and the area under it as performance measures. Wea. Forecasting 2004, 19, 1106–1114. https://doi.org/10.1175/825.1.
19. Fawcett, T. An introduction to ROC analysis. Pattern Recognit. Lett. 2005, 27(8), 861–874. Doi:10.1016/j.patrec.2005.10.010.
20. Rodríguez–Hernández, M.M.; Rosa, E.P.; Juan, M.R. Statistical analysis of the evolutive effects of language development in the resolution of mathematical problems in primary school education. Mathematics 2021, 9(10), 1081. Doi:10.3390/math9101081.