Tác giả

Trần Tân Tiến 1 , Phạm Thị Minh 2 , Bùi Thị Tuyết 2 , Nguyễn Văn Tín 3

Đơn vị công tác

1Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội
2Trường Đại học Tài Nguyên và Môi trường Tp. HCM
3Phân Viện Khí tượng Thủy văn và Môi trường phía Nam

Tóm tắt

Bài báo này trình bày các kết quả chính trong việc khảo sát vai trò của bộ lọc Kalman tổ hợp (EnKF) trong đồng hóa số liệu vệ tinh và số liệu hỗn hợp (vệ tinh+cao không) của mô hình WRF để dự  báo quỹ đạo và cường độ bão Megi 2010. Kết quả thu được cho thấy, hiệu quả của bộ lọc Kalman trên bộ số liệu hỗn hợp được thể hiện rõ nhất trong việc duy trì cường độ bão sau 72 giờ và sai số quĩ đạo cũng giảm đáng kể ở hạn dự báo 120 giờ so với dùng bộ lọc Kalman trên số liệu vệ tinh. Ngoài ra, bài báo đã tiến hành các thử nghiệm khảo sát hiệu quả của bộ lọc Kalman trên yếu tố gió quan trắc. Kết quả cho thấy với bộ số liệu hỗn hợp đầy đủ gió, ẩm, nhiệt dự báo quĩ đạo bão tốt hơn và duy trì cường độ bão sau 72 giờ gần với thực hơn  khi sử dụng bộ số liệu chỉ có gió. Do vậy, nếu bổ sung thêm các loại số liệu quan trắc bề mặt (trạm, trên thuyền..), số liệu rada… vào quá trình đồng hóa của bộ lọc Kalman sẽ có khả năng cải thiện được chất lượng dự báo bão ở Việt Nam.

Từ khóa

Bộ lọc KALMAN , dữ liệu vệ tinh , mô hình WRF , quỹ đạo cường độ bão

Trích dẫn bài báo

Trần Tân Tiến, Phạm Thị Minh, Bùi Thị Tuyết, Nguyễn Văn Tín (2014), Khảo sát vai trò của bộ lọc KALMAN tổ hợp đồng hóa số liệu vệ tinh và cao không trong mô WRF để dự báo quỹ đạo và cường độ cơn bão MEGI 2010 hạn 5 ngày. Tạp chí Khí tượng thủy văn 642, 33-38.

Tài liệu tham khảo

1. Davis, C., L. F. Bosart, 2002: Numerical simulations of the genesis of Hurricane Diana (1984). Part II: sensitivity of track and intensity prediction. Mon. Wea. Rev., 130, 1100–1124.
2. Hunt BR, Kostelich E, Szunyogh I. 2005. Efficient data assimilation forspatiotemporal chaos: a local ensemble transform Kalman filter. Physica D. 230:112-126.
3. Hunt, B. R., E. J. Kostelich, and I. Szunyogh, 2007: Efficient data assimilation for spatiotemporal chaos: A local ensemble transform Kalman Filter. Physica D, 230, 112–126.
4. Kieu, C.Q., Truong, N.M., Mai, H.T., and Ngo-Duc, T. (2012). Sensitivity of the Track and Intensity Forecasts of Typhoon Megi (2010) to Satellite-Derived Atmosphere Motion Vectors with the Ensenble Kalman filter. J. Atmos. Oceanic Technol., 29, 1794-1810.
5. Li, Hong, Kalnay E, Miyoshi T, Danforth CM. 2009. Accounting for model errors in ensemble data assimilation. Mon. Weather Rev.137: 3407–3419.
6. Miyoshi T., and Yamane, S. 2007. The Gaussian Approach to Adaptive Covariance Inflation and Its Implementation with the Local Ensemble Transform Kalman Filter. Mon. Weather Rev.139: 1519-1535.
7. Miyoshi T., and Kunii, M. 2012. The Local Ensenble Transform Kalman Filter with the Weather Rearch and Forecasting Model: Experiments with Real Observation. Pure Appl. Geo-phy., 169, 321-333.
8. Peng, J., Y. Zhu, and R. Wobus, 2011: EMC multi-model ensemble TC track forecast. The 5th NCEP Ensemble User Workshop, May 11-15, Maryland.
9. http://weather.uwyo.edu/upperair/sounding.html và http://tropic.ssec.wisc.edu/archive/