Luận văn thạc sĩ " THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS "

Chia sẻ: Phạm Huy | Ngày: | Loại File: PDF | Số trang:84

Thêm vào BST

Báo xấu

74
lượt xem 12
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Dự báo tổ hợp là một tập hợp các dự báo bất kì được xác định tại cùng một thời điểm. Vì vậy tập hợp các dự báo trễ, các dự báo từ trung tâm nghiệp vụ khác nhau hoặc các mô hình khác nhau đều có thể tạo ra được một dự báo tổ hợp. Từ đầu những năm 1990, kỹ thuật dự báo tổ hợp đã được sử dụng để dự báo thời tiết ở các trung tâm toàn cầu. Ý tưởng của dự báo tổ hợp dựa trên lý thuyết rối của Lorenz (1963) [52] với giả thuyết rằng: “các nghiệm số...

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn thạc sĩ " THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS "

LUẬN VĂN THẠC SỸ THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS
MỤC LỤC CHƯƠNG I ................................................................................................................... 6 TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP ............................................... 6 1.1. CƠ SỞ LÝ THUYẾT .........................................................................................................6 1.2. PHÂN LOẠI HỆ THỐNG DỰ BÁO TỔ HỢP ..................................................................7 1.2.1. Hệ thống dự báo tổ hợp 1 chiều .......................................................................................... 7 1.2.2. Hệ thống dự báo tổ hợp 2 chiều .........................................................................................17 1.2.3. Hệ thống dự báo tổ hợp 3 chiều .........................................................................................19 1.3 CÁC PHƯƠNG PHÁP TỔ HỢP KẾT QUẢ DỰ BÁO....................................................21 1.3.1.Trung bình đơn giản .................................................................................................................21 1.3.2. Tính trọng số theo sai số .......................................................................................................22 1.3.3. Tính trọng số bằng hồi quy tuyến tính ............................................................................22 1.4. CÁC PHƯƠNG PHÁP BIỂU DIỄN KẾT QUẢ TỔ HỢP. .............................................23 1.4.1. Bản đồ trung bình và độ phân tán .....................................................................................23 1.4.2. Spagheti maps - Bản đồ ghép chồng................................................................................24 1.4.3. Dự báo đường đi của bão ......................................................................................................24 1.5. KHẢ NĂNG VÀ HIỆN TRẠNG DỰ BÁO TỔ HỢP Ở VIỆT NAM .............................25 CHƯƠNG 2................................................................................................................. 27 MÔ HÌNH DỰ BÁO THỜI TIẾT QUY MÔ VỪA RAMS VÀ ÁP DỤNG DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG............................................................ 27 2.1. GIỚI THIỆU VỀ MÔ HÌNH RAMS................................................................................27 2.1.1. Các phương trình cơ bản của RAMS...............................................................................28 2.1.2. Cấu trúc lưới ...............................................................................................................................30 2.1.3. Sai phân thời gian.....................................................................................................................31 2.1.4. Bình lưu ........................................................................................................................................33 2.1.5. Các điều kiện biên....................................................................................................................36 2.2 ÁP DỤNG MÔ HÌNH RAMS ĐỂ DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG. ....40 2.2.1 Chọn miền tính và cấu hình lưới.........................................................................................40 2.2.2 Cập nhật số liệu địa phương trong mô hình RAMS ...................................................40 1
2.2.3 Đánh giá khả năng dự báo quỹ đạo bão bằng mô hình RAMS cho khu vực Biển Đông. ...............................................................................................................................................42 2.3 PHƯƠNG PHÁP TẠO NHÂN BAN ĐẦU VÀ NUÔI NHIỄU TRÊN MÔ HÌNH RAMS. .....................................................................................................................................43 2.3.1 Tạo nhân ban đầu.......................................................................................................................43 2.3.2 Nuôi những dao động phát triển nhanh............................................................................45 CHƯƠNG 3................................................................................................................. 48 THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS............ 48 3.1 MÔ TẢ TẬP SỐ LIỆU NGHIÊN CỨU............................................................................48 3.2 NUÔI NHIỄU PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS ....................................49 3.3 DỰ BÁO TỔ HỢP QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHỮNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS. .....................................................55 3.3.1 Cơn bão Chan chu (12-17/5/2006) ....................................................................................55 3.5.2 Cơn bão Prapiroon (31/07/2006-3/8/2006) ....................................................................64 3.5.3. Đánh giá khả năng dự báo bão bằng phương pháp nuôi những dao động phát triển nhanh trên toàn bộ tập mẫu. ........................................................................................67 KẾT LUẬN ................................................................................................................. 74 2
LỜI CẢM ƠN Trước hết, tôi xin bày tỏ lòng biết ơn sâu sắc tới GS. TS. Trần Tân Tiến, là người đã tận tình chỉ bảo và hướng dẫn tôi hoàn thành luận văn này. Tôi xin cảm ơn các Thầy cô và các cán bộ trong khoa Khí tượng - Thủy văn - Hải dương học đã cung cấp cho tôi những kiến thức chuyên môn quý báu, giúp đỡ và tạo điều kiện thuận lợi về cơ sở vật chất trong suốt thời gian tôi học tập và thực hành ở Khoa. Tôi cũng xin cảm ơn Phòng sau đại học, Trường Đại học Khoa học Tự nhiên đã tạo điều kiện cho tôi có thời gian hoàn thành luận văn. Cuối cùng, tôi xin gửi lời cảm ơn chân thành tới gia đình, người thân và bạn bè, những người đã luôn ở bên cạnh cổ vũ, động viên và tạo mọi điều kiện tốt nhất cho tôi trong suốt thời gian học tập tại trường. Công Thanh 3
MỞ ĐẦU Ngày nay ngành công nghệ thông tin phát triển mạnh mẽ, nhờ đó các mô hình dự báo thời tiết số trị cũng phát triển. Cùng với sự phát triển của mô hình số, dự báo tổ hợp đã và đang trở nên rất phổ biến trên thế giới. Bản chất của dự báo tổ hợp là sử dụng kết quả từ nhiều dự báo thành phần khác nhau để đưa ra một kết quả dự báo tối ưu nhất. Tuy nhiên, phương pháp cụ thể để tạo ra các thành phần dự báo và cách tổng hợp kết quả của chúng lại có thể rất khác nhau. Dự báo tổ hợp đã có một quá trình phát triển tương đối lâu dài kể từ những công trình đầu tiên của Lorenz (1963, 1965) đề cập đến tầm quan trọng của của điều kiện ban đầu đối với kết quả tích phân của các mô hình. Cho đến nay, dự báo tổ hợp đã được phát triển và ứng dụng rất đa dạng tại nhiều nơi và cho các mục đích khác nhau. Phần lớn các hệ thống dự báo tổ hợp nghiệp vụ trên thế giới đều dựa trên phương pháp tạo nhiễu động ban đầu và tích phân mô hình số trị với các trường ban đầu đó để tạo nên tổ hợp dự báo. Chính vì những lý do trên, việc nghiên cứu ứng dụng dự báo tổ hợp dựa trên phương pháp tạo nhiễu ban đầu với mô hình số để dự báo đường đi của bão được đặt ra trong luận văn là phù hợp và khả thi với điều kiện hiện nay. Cụ thể, nội dung luận văn là nghiên cứu dự báo tổ hợp bằng phương pháp nuôi những dao động phát triển nhanh của mô hình RAMS để tạo ra trường khí tượng ban đầu, các trường ban đầu này sẽ được đưa vào mô hình RAMS dự báo hạn 72 giờ, các kết quả dự báo được tổ hợp bằng cách lấy trung bình đơn giản và sử dụng để dự báo bão. 4
Dựa trên những mục tiêu và nội dung của luận văn sẽ được bố cục thành các phần sau: MỞ ĐẦU CHƯƠNG I: TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP CHƯƠNG 2: MÔ HÌNH DỰ BÁO THỜI TIẾT QUY MÔ VỪA RAMS VÀ ÁP DỤNG DỰ BÁO QUỸ ĐẠO BÃO TRÊN BIỂN ĐÔNG CHƯƠNG 3: THỬ NGHIỆM DỰ BÁO QUỸ ĐẠO BÃO BẰNG PHƯƠNG PHÁP NUÔI NHƯNG DAO ĐỘNG PHÁT TRIỂN NHANH CỦA MÔ HÌNH RAMS KẾT LUẬN 5
CHƯƠNG I TỔNG QUAN PHƯƠNG PHÁP DỰ BÁO TỔ HỢP 1.1. CƠ SỞ LÝ THUYẾT Dự báo tổ hợp là một tập hợp các dự báo bất kì được xác định tại cùng một thời điểm. Vì vậy tập hợp các dự báo trễ, các dự báo từ trung tâm nghiệp vụ khác nhau hoặc các mô hình khác nhau đều có thể tạo ra được một dự báo tổ hợp. Từ đầu những năm 1990, kỹ thuật dự báo tổ hợp đã được sử dụng để dự báo thời tiết ở các trung tâm toàn cầu. Ý tưởng của dự báo tổ hợp dựa trên lý thuyết rối của Lorenz (1963) [52] với giả thuyết rằng: “các nghiệm số thu được trong quá trình tích phân mô hình theo các điều kiện ban đầu khác nhau (có chứa sai số) có thể phân kì theo thời gian”. Điều này được giải thích bằng hiệu ứng Butterfly: do bản chất phi tuyến của các phương trình mô tả khí quyển nên những sai số nhỏ không thể đo được trong trạng thái ban đầu của khí quyển sẽ trở thành những sai số đủ lớn sau một khoảng thời gian tích phân (10 – 14 ngày). Vì vậy, kết quả dự báo không sử dụng được cho dù mô hình là hoàn hảo. Trái lại, nếu các điều kiện ban đầu đó được gây nhiễu với giá trị nhiễu có đặc trưng cho phân bố như phân bố của sai số quan trắc thì việc tổ hợp các nghiệm từ các điều kiện ban đầu có gây nhiễu này (mỗi điều kiện ban đầu là một thành phần tổ hợp) bao phủ nghiệm thực và trạng thái thực của khí quyển khi mô hình dự báo hoàn hảo. Nếu các nhiễu không đặc trưng cho phân bố sai số của trường ban đầu thì kết quả dự báo có thể nằm ở một trong các nhóm, trong khi trạng thái khí quyển thực xảy ra trong các nhóm khác. Nếu chọn phân bố sai số tương xứng thì dựa trên các dự báo thành phần sẽ thu được dự báo cuối cùng bằng việc áp dụng phương pháp thống kê hoặc phương pháp lấy trung bình sẽ cho dự báo tốt hơn dự báo thành phần. 6
Bằng cách tính trung bình tổ hợp các kết quả dự báo, những sai số dự báo xảy ra do điều kiện ban đầu được loại bỏ dẫn đến kết quả dự báo tốt hơn. Đối với dự báo quỹ đạo bão (XTNĐ), phương pháp tổ hợp giữ vai trò quan trọng. Giữa thập niên 1990, kỹ thuật dự báo tổ hợp được nghiên cứu cho bài toán dự báo XTNĐ, đặc biệt là dự báo quỹ đạo. Việc ứng dụng này xuất phát từ thực tế là trường phân tích và trường dự báo từ các mô hình toàn cầu thường không mô tả đúng vị trí, cấu trúc và cường độ của xoáy thuận nhiệt đới do mạng lưới quan trắc tại các vùng biển nhiệt đới còn ít, chưa đủ theo yêu cầu, vì vậy mà những sai số trong các trường ban đầu này sẽ ảnh hưởng đến kết quả dự báo XTNĐ. 1.2. PHÂN LOẠI HỆ THỐNG DỰ BÁO TỔ HỢP Hệ thống dự báo tổ hợp có thể phân chia thành 3 loại chính: hệ thống 1 chiều, 2 chiều và 3 chiều. 1.2.1. Hệ thống dự báo tổ hợp 1 chiều Điều kiện độ bất định (uncertainty) của trường ban đầu được coi là hệ thống dự báo tổ hợp 1 chiều có chứa điều kiện nhiễu ban đầu. Ba đặc tính cơ bản cần phải tuân theo khi tạo nhiễu: Tính sát thực, tính phân kỳ, tính trực giao. Tính sát thực là độ lớn của nhiễu cần nằm trong cỡ của sai số phân tích thực và đặc trưng cho phân bố phổ thực tế trên quy mô không gian. Độ bất định của trường ban đầu là lớn ở trong các sóng quy mô nhỏ (khó quan trắc được) và độ bất định của trường ban đầu là nhỏ trong các sóng quy mô lớn (dễ quan trắc được). Tính phân kỳ là các nhiễu cần có cấu trúc phát triển động lực trong các thành phần sao cho các thành phần này phân nhánh nhiều nhất trong quá trình tích phân mô hình để chúng chứa tất cả các trường hợp có thể xảy ra trong không gian của mô hình. Tính trực giao là các nhiễu thành phần cần được trực giao để cực đại hóa dung lượng thông tin chứa trong tổ hợp, điều này đặc biệt quan trọng trong dự báo tổ hợp các quá trình quy mô nhỏ. 7
Điều kiện hay trạng thái ban đầu cần được tạo nhiễu bao gồm trạng thái bên trong, biên trên, biên dưới và biên xung quanh (nếu là khu vực giới hạn). Hiện nay có 5 (hoặc nhiều hơn) phương pháp khác nhau tạo nhiễu các trường ban đầu (trường thực và trường phân tích) đặc biệt là cho trạng thái bên trong của trường ban đầu. 1. Nhiễu ngẫu nhiên (phương pháp Monte Carlo): nhiễu được sinh ra ngẫu nhiên dựa trên phương pháp thống kê (thường lấy phân bố chuẩn). Do vậy, nhiễu ngẫu nhiên mô tả tốt độ lớn trung bình của độ bất định trường ban đầu trong phân tích (tính sát thực), nhưng nó có những hạn chế trong việc phát triển cấu trúc không gian động lực và không phản ánh được “sai số ngày”. Kết quả là, nhiễu phát triển với tốc độ chậm và do đó, tính phân kỳ giữa các thành phần trong trường hợp này thường không lý tưởng. Phương pháp tạo nhiễu ngẫu nhiên thường được dùng ở những nơi mà ở đó không có phương pháp nào tốt hơn. 2. Phương pháp dự báo trễ thời gian (dự báo trễ): gồm có 2 loại dự báo chính: “dự báo trễ trực tiếp” và “dự báo trễ có chuẩn hóa” (Hoffman và Kalnay, 1983) [40]. Phương pháp dự báo trễ trực tiếp là phương pháp đưa nhiều dự báo với đầu vào là các thời điểm khác nhau trong quá khứ nhưng cùng hướng tới một thời điểm tổ hợp (một sự kết hợp của các dự báo cũ và mới). Phương pháp này có thể chỉ ra lỗi của một dự báo cũ tại thời điểm t=0 (thời điểm ban đầu) một cách trực tiếp như một nhiễu của trường ban đầu, chúng có thể phản ánh “sai số ngày” và có cấu trúc động lực phát triển của độ tán tổ hợp lớn hơn so với phương pháp nhiễu ngẫu nhiên. Ưu điểm của của phương pháp này là nhiễu sinh ra hoàn toàn tự do và không cần định hướng sinh nhiễu trường 8
ban đầu cho tổ hợp, có nghĩa là tất cả các trung tâm dự báo số trị có thể dùng loại dự báo này để tổ hợp một cách tự động. Tuy nhiên, sự quan tâm chính là chất lượng (độ lớn) của nhiễu phụ thuộc vào tuổi của một dự báo bởi vì chất lượng của dự báo giảm theo thời gian. Để tránh điểm yếu này, sai số dự báo trong quá khứ trước tiên được chuẩn hóa nhờ vào “tuổi” của chúng (giả thiết sự phát triển của sai số là gần như tuyến tính) tại thời điểm t=0 để có được độ lớn như nhau với tất cả các nhiễu và sau đó cộng thêm hoặc trừ đi với trường phân tích kiểm tra (control analysis) nhằm mục đích tạo ra đa phân tích làm trường ban đầu cho tổ hợp dự báo (Ebisusaki và Kalnay, 1983; Kalnay 2003) [44]. Phiên bản sau khi sửa chữa này được gọi là phương pháp trễ có chuẩn hóa và có thể biểu diễn đơn giản bằng phương trình sau: Nhiễu ban đầu= Chuẩn hóa x (dự báo trễ - phân tích hiện tại) (1.1) Nhiễu này không những có khả năng kiểm soát kích cỡ nhiễu mà còn tạo ra một cặp thành phần tổ hợp bằng cách cộng trừ nó với trường phân tích kiểm tra. Phương pháp dự báo trễ có cùng ý tưởng và có quy trình kỹ thuật tương tự với phương pháp nuôi nhiễu (sẽ được trình bày ở phương pháp 3). Phương pháp trễ đã và đang được sử dụng trong rất nhiều nghiên cứu tổ hợp và trong nghiệp vụ ví dụ như tại hệ thống tác nghiệp dự báo tổ hợp theo mùa (Saha và các cộng sự, 2006; Hou và các cộng sự, 2001; Lu và các cộng sự, 2006; Brankovic và các cộng sự, 2006; Mittermaier, 2007) [71][41][54][15][58]. Nhược điểm của phương pháp dự báo trễ đó là nó không thể tạo được tổ hợp với các thành phần có kích cỡ đủ lớn bởi vì số lượng mẫu dự báo cũ có chất lượng tốt có thể sử dụng bị giới hạn trong thực tế. Mặt khác, chất lượng của dự báo sẽ bị giảm 9
xuống đáng kể nếu mẫu dự báo quá cũ chứa đựng một tổ hợp kích cỡ lớn. Bên cạnh đó, các dự báo trễ thường được sử dụng như là “nhân ban đầu” để khởi động lạnh cho một tổ hợp ví dụ như phương pháp nuôi nhiễu. 3. Phương pháp nuôi nhiễu: Tên khác của phương pháp nuôi nhiễu còn được gọi là nuôi nhiễu động phát triển nhanh (Breeding of Growing Modes viết tắt BGM). Một dạng khác của phương pháp dự báo trễ, phương pháp BGM sử dụng hai dự báo đồng thời (tại một thời điểm quá khứ gần t=-T) như là một dự báo trễ và số liệu phân tích để tính nhiễu mới tại thời điểm t=0. Sự khác biệt của phương pháp BGM so với phương pháp dự báo trễ là có sử dụng công thức chuẩn hóa và nhân ban đầu được cộng hoặc trừ cho trường phân tích kiểm tra (Toth and Kalnay, 1993 and 1997) [76][77]. Để tạo nhân ban đầu ta có thể dùng phương pháp dự báo trễ. Bằng cách này, chúng ta có thể tạo ra nhiều nhân ban đầu và có được kích cỡ tổ hợp lớn tại thời điểm ban đầu để bắt đầu phương pháp BGM. Do đó, phương pháp BGM có thể vượt qua mọi giới hạn của phương pháp dự báo trễ, tất cả các dự báo quá khứ giờ đều có thể sử dụng cùng lúc, các đại lượng chuẩn hóa không cần dựa vào tuổi dự báo. Nhiễu bây giờ có thể được biểu diễn một cách đơn giản theo phương trình (1.2). Nhiễu ban đầu = Chuẩn hóa x (dự báo 1 - dự báo 2) (1.2) So sánh phương trình (1.1) với phương trình (1.2), có thể nhận ra rằng nhiễu trong phương pháp BGM không chỉ thuần túy là sai số của một dự báo mà còn là sự khác nhau giữa hai dự báo quá khứ, nó là sự mở rộng phi tuyến của véc tơ Lyapunov (Kalnay, 2003) [44]. Kinh nghiệm của trung tâm dự báo tổ hợp hạn ngắn (NCEP SREF) 10
chỉ ra rằng véc tơ nuôi trở nên có cấu trúc và quá trình phát triển của độ tán trong tổ hợp đủ lớn khi mà quá trình nuôi nhiễu được thực hiện trong khoảng từ hai đến ba ngày tính từ lúc khởi động lạnh với nhân ban đầu là ngẫu nhiên. Toth và Kalnay chỉ ra rằng cấu trúc không gian của một véc tơ nuôi trưởng thành không nhạy với quy mô thời gian (T) và thường được chọn có quy tắc. Véc tơ nhiễu nuôi này phản ảnh tốt lỗi phân tích (sai số ngày) được đưa vào trong chu trình đồng hóa số liệu (tính sát thực). Mặc dù có sự khác nhau giữa các dự báo quá khứ nhưng về cơ bản phương pháp đã phản ánh được sai số cấu trúc phát triển của chu trình trong quá khứ nhưng không chỉ ra được sai số cho dự báo tương lai. Thực nghiệm cho thấy rằng véc tơ nhiễu nuôi phát triển (tính phân kỳ) tốt trong thực tế và cho kết quả tốt hơn cách sử dụng cả hai phương pháp Monte Carlo và dự báo trễ (Toth và kalnay, 1993 và 1997). Bởi vì phương pháp này đơn giản, nó không cần sự đơn giản hóa toán học hay giả thiết và dễ dàng thực hiện, tốn ít tài nguyên máy tính và cho không gian tổ hợp tốt, nó được sử dụng và kiểm tra ở các trung tâm dự báo lớn như tại hệ thống tổ hợp của NCEP (Du và Tracton, 2001; Tracton và Kalnay, 1993) [24][79] và CMA (trung tâm quản lý khí tượng Trung Quốc). Tuy nhiên, các thành phần tổ hợp của véc tơ nuôi này là không đủ trực giao và chúng có tương quan cao nên kết quả là lượng thông tin tốt nhất chứa trong một tổ hợp bị giảm (Wang và Bishop, 2003; Martin và các cộng sự, 2007) [85][55]. Một kết quả khác là độ tán phát triển của tổ hợp (chủ yếu là độ lớn chứ không phải cấu trúc) gần như quan hệ với độ khuếch đại ban đầu của véc tơ nuôi. Để trực giao các véc tơ nuôi, kỹ thuật biến đổi tổ hợp (ET) được sử dụng để làm cho các véc tơ nuôi trực giao với 11
nhau hơn bằng cách áp dụng ma trận chuyển vị phức để chuyển nhiễu dự báo thành nhiễu phân tích (Wei và các cộng sự, 2007) [88]. Kinh nghiệm chỉ ra rằng kỹ thuật ET có thể tăng kết quả tổ hợp qua phương pháp nuôi cơ bản. Do đó, ET đã được áp dụng tại hệ thống tổ hợp toàn cầu của NCEP để làm cải thiện phương pháp BGM (Wei và các cộng sự, 2007). Một phương pháp khác được đưa ra để phát triển phương pháp nuôi cơ bản được gọi là phương pháp nuôi hình học. Phương pháp này kiểm soát không gian tương quan của số lượng thành phần véc tơ nuôi để làm chúng giảm tương quan với nhau (Martin và các cộng sự, 2007) [55]. Phương pháp nuôi hình học cho độ tán tốt hơn so với phương pháp nuôi cơ bản. Bởi vì véc tơ nuôi chủ yếu mô tả bất ổn định tà áp (baroclinic instability) quy mô synop nhưng không đúng với bất ổn định đối lưu quy mô nhỏ hơn (Toth và Kalnay 1993). Tuy nhiên, chúng ta luôn mong muốn có được bất ổn định quy mô nhỏ hơn trong nhiễu của một hệ thống dự báo tổ hợp quy mô vừa cho mục đích dự báo, vì như thường nói, các hệ thống đối lưu có liên hệ chặt chẽ tới các hiện tượng giáng thủy. Chen và các cộng sự (2003) [19] cho rằng sự khác nhau của 2 dự báo từ cùng một mô hình nhưng với các phiên bản khác nhau về sơ đồ đối lưu (thay cho một phiên bản như trong phương pháp nuôi truyền thống) sẽ giúp mô tả bất ổn định đối lưu trong nhiễu và do đó cải thiện kết quả dự báo trong việc dự báo mưa (giáng thủy) lớn. Mặt khác, tùy vào đặc điểm có quy mô nhanh, nhỏ, chóng bão hòa hay dao động có quy mô chậm, lớn, nghiêng trái trong quá trình nuôi, nuôi véc tơ nhiễu là phương pháp tốt để sử dụng cho hệ thống dự báo tổ hợp tương tác biển khí mà chủ yếu liên quan tới các kiểu thời tiết biến đổi chậm (Cai và các cộng sự, 2002; Yang và các cộng 12
sự, 2006) [17][92]. Gần đây, giáo sư Eugenia Kalnay (2007) nhận xét rằng véc tơ nuôi có khả năng dự báo sự chuyển tiếp của thời tiết. 4. Phương pháp phân tích véc tơ kỳ dị (SV): Phương pháp này trước tiên cần để phát triển một phiên bản tuyến tính của một mô hình phi tuyến (được gọi là mô hình tiếp tuyến tuyến tính viết tắt là TLM) được xem như là phương pháp Adjoint (Errico,1997) [35] của TLM. Sau một khoảng thời gian trong tương lai tối ưu cần thiết ví dụ từ 0-48h, TLM được tích phân theo thời gian, sau đó tích phân ngược bằng phương pháp Adjoint theo thời gian để tìm ra không gian ban đầu nhạy với dự báo (tại thời điểm t = 48h). Chu trình “tiến và lùi” này cần được tích phân nhiều lần để thu được các véc tơ dẫn đường kỳ dị. Sau đó, quá trình kết hợp tuyến tính bao gồm chuẩn hóa và trực giao được luân phiên áp dụng vào véc tơ để xây dựng số nhiễu yêu cầu. Cộng hoặc trừ các nhiễu vào trường phân tích kiểm tra, một tổ hợp dự báo được hình thành. Không giống véc tơ nuôi, cấu trúc của SV là nhạy với quy tắc sử dụng và với lựa chọn chu trình thời gian (Errico và Vukiceric, 1992; Palmer và các cộng sự, 1998) [36] [69]. Trung tâm dự báo hạn vừa châu âu (ECMWF) chọn năng lượng tổng cộng là tiêu chuẩn và 0- 48h là chu trình thời gian để tính các véc tơ kỳ dị trong hệ thống tổ hợp toàn cầu của họ (Buizza, 1994; Palmer và các cộng sự, 1998) [16]. Rõ ràng là các SV là một phương pháp nhìn về tương lai hơn là nhìn về quá khứ như phương pháp nuôi nhiễu. Độ lớn tối ưu trong toán học (mathematically optimizes) của nhiễu phát triển và trực giao hóa có độ tán tổ hợp lớn và chứa nhiều thông tin vào trước thời điểm dự báo. Phương pháp SV được sử dụng rộng rãi và đã được kiểm tra trong cả nghiên cứu và nghiệp vụ như tổ hợp 13
khu vực tại ECMWF và Trung tâm khí tượng Canada (Li và các cộng sự, 2007) [51]. Một bất lợi của phương pháp này đó là tài nguyên tính toán vì số bước tích phân “tiến lùi” thường đòi hỏi gấp 3 lần số SV mà bạn muốn tạo ra (ví dụ nó cần tích phân khoảng 3x50x2=300 lần cho dự báo 48h để thu được 50 SV cực đại hóa sau 48h). Do đó số SV cần phải được tính toán khi tăng độ phân giải mô hình và tiết kiệm thời gian tính toán khi ứng dụng. Một bất lợi khác của phương pháp này đó là hạn dự báo cần được xác định tại thời điểm mà SV được chọn phát triển tối ưu. Do đó các tổ hợp dựa vào SV có thể không đạt được tối ưu do quá trình thực hiện phải qua khoảng thời gian dài. Giả thiết tuyến tính mà nhiễu là đủ nhỏ để cho sự phát triển của nó có thể bị thống trị bởi phiên bản tuyến tính (TLM và Adjoint) của một mô hình phi tuyến và cũng liên quan tới việc tính toán các SV cơ bản mặc dù nó có đặc tính phi tuyến ở một số cấp độ bằng cách tính toán và tổ hợp các SV đa thành phần. Để bỏ qua giả thiết tuyến tính, một vài kết quả đã đạt được như sửa quá trình tích phân (Oortwin và Barkmejer, 1995, Barkmeijer, 1996) [66][10], giới thiệu khái niệm véc tơ kỳ dị phi tuyến (Mu, 2000) và điều kiện của phương pháp cực đại hóa nhiễu phi tuyến (CNOP) (Mu và các cộng sự, 2003; Mu và Zhang, 2006) [59][60]. Với mô hình đơn giản, phương pháp CNOP đã cho thấy sự cải thiện về chất lượng của dự báo các đặc tính phi tuyến trong nhiễu so với phương pháp SV mặc dù vẫn cần được tiếp tục nghiên cứu với những mô hình NMP đầy đủ. Thêm quá trình vật lý ẩm vào TLM và Adjoint (Ehrendorfer và các cộng sự, 1999) [34] là một bước khác để tiến gần tới thực tiễn và cho kết quả tốt hơn. Bởi vì SV là một kỳ vọng toán học và tập trung vào sự phát triển cấu trúc nhiễu trong tương lai 14
mà không liên quan trực tiếp tới quá khứ, nên một câu hỏi đặt ra là nhiễu SV có thực sự phản ảnh sai số ngày mà luôn thấy được trong quá trình đồng hóa số liệu vừa qua? Những nghiên cứu sau đang nhắm tới những quan tâm kiểu đó và đã cải tiến kết quả (Barkmeijer và các cộng sự, 1998; Fischer và các cộng sự, 1998) [14][37]: ví dụ phương pháp mở rộng SV bằng cách thêm véc tơ kỳ dị cuối hoặc mở rộng từ chu trình ngay trước đó, khoảng 48h trước thời điểm bắt đầu chạy mô hình (thời gian phân tích) của chu trình nhiễu SV tiếp theo; Dùng sự đồng biến phương sai để thay thế năng lượng toàn phần như là một quy tắc tính các SV; và ứng dụng Kalman filter… Kết quả nhiễu SV này gần với véc tơ Lyapunov hoặc véc tơ nuôi cho cả phương pháp mở rộng SV và phương pháp sử dụng đồng biến phương sai (Kalnay, 2003; Reynolds và Errico, 1990) [44][70]. 5. Kết hợp với đồng hóa số liệu: Phiên bản đơn giản nhất của phương pháp này là dùng trực tiếp nhiều phân tích có thể để làm trường ban đầu cho một dự báo tổ hợp (Tracton và các cộng sự, 1998; Grimit và Mass, 2002) [78][38]. Tuy nhiên, số lượng các phân tích có thể tương đối là giới hạn, nó sẽ giới hạn kích cỡ của tổ hợp. Bằng nhiễu quan trắc, (Houtekamer và các cộng sự 1996) và Mitchell (1998) [42] muốn tạo ra nhiều số liệu phân tích cơ bản để bắt đầu hệ thống tổ hợp toàn cầu của họ. Phương pháp này mở ra một hướng nghiên cứu tạo nhiễu cơ bản của trường ban đầu cho tổ hợp do đó được gọi là phương pháp biến đổi tổ hợp lọc Kalman (ETKF) (Anderson,1996) [10]. Phương pháp ETKF được nghiên cứu chi tiết hơn bởi Wang và Bishop (2003) [84], Wang và các cộng sự (2004) [85], Wei và các cộng sự (2006) [89] cho tổ hợp phát triển. Trong nghiên cứu của họ, ETKF chuyển 15
nhiễu dự báo vào trong nhiễu phân tích bằng cách nhân một ma trận ánh xạ. Sử dụng thông tin quan trắc, độ lớn của nhiễu phân tích được điều chỉnh trước khi nhiễu được cộng vào trường phân tích kiểm tra để làm trường ban đầu của dự báo tổ hợp. Ma trận ánh xạ đã dùng cũng có thể đảm bảo tất cả nhiễu trực giao với nhau, một tài nguyên cần thiết cho dự báo tổ hợp. Mặc dù ETKF không được sử dụng trong quá trình đồng hóa số liệu để trực tiếp tạo ra nhiều trường phân tích trong nghiên cứu của họ, nhưng bản thân ETKF có thể là một kỹ thuật đồng hóa dữ liệu tổ hợp cơ bản (Tippett và các đồng nghiệp, 2003; Anderson, 2001; Whitaker và Hamil, 2002; Ott và các cộng sự, 2004; Szunyogh và các cộng sự, 2004; Hamil, 2006; Zhang và các cộng sự, 2004; Wang và các cộng sự, 2007) [75][11][90][68][73][95]. Do đó, người ta tin tưởng rằng phương pháp ETKF có một tiềm năng lớn để trực tiếp liên kết dự báo tổ hợp với đồng hóa số liệu (DA) vào trong một quy trình thống nhất trong hệ thống dự báo thời tiết; Sự thay đổi tổ hợp dự báo cung cấp thông tin đồng biến phương sai nền cho DA, trong khi DA cung cấp các trường dự báo để làm trường ban đầu cho dự báo tổ hợp. Trong một hệ thống tương tác như thế, không những hệ thống dự báo tổ hợp có thể tăng được tính sát thực của nhiễu trường ban đầu mà còn phản ánh đúng sai số ngày trong trường phân tích, mà chất lượng của trường phân tích cũng được cải thiện bằng cách sử dụng thông tin ít phụ thuộc vào trường nền (Hamill, 2006; Zhang,2005) [39][93]. Do đó, người ta tin rằng phương pháp ETKF có một tiềm năng lớn. Phương pháp này có đã được sử dụng trong nghiệp vụ tại Cơ quan Dự báo Vương quốc Anh (Mylne, liên hệ trực tiếp) và lực lượng Thủy – không quân Mỹ (McLay và các cộng sự, 2007) [56]. 16
1.2.2. Hệ thống dự báo tổ hợp 2 chiều Bên cạnh độ bất định của trường ban đầu, độ bất định trong cơ cấu vật lý và động lực mô hình cũng được quan tâm. Hệ thống dự báo tổ hợp 2 chiều đề cập đến nghiên cứu này. Hiện nay, có rất nhiều giải pháp đã sử dụng theo hướng này như hệ thống đa mô hình, đa cơ chế vật lý, đa động lực, đa tổ hợp với độ bất định của trường ban đầu và đa tổ hợp với điều kiện biên. Dựa vào những kết quả nghiên cứu như của Mullen và các cộng sự (1999) hay của Tracton và các cộng sự (1998), NCEP đã tiên phong thực hiện nghiệp vụ một hệ thống dự báo tổ hợp hạn ngắn dựa trên phương pháp “hệ thống đa tổ hợp” bao gồm 2 hệ thống tổ hợp thành phần ở đó mỗi hệ thống lại dựa trên những mô hình khu vực khác nhau từ ngay khi bắt đầu phát triển chúng (Du and Tracton, 2001) [25]. Hiện nay NCEP SREF gồm có 4 tổ hợp thành phần với 4 mô hình khu vực (Du và các cộng sự , 2006). Rõ ràng phương pháp hệ thống đa tổ hợp là một sự kết hợp quan trọng của nhiều mô hình, nhiều cơ chế động lực, nhiều cơ chế vật lý, nhiều trường ban đầu và nhiều điều kiện biên ban đầu. Hệ thống tổ hợp đa mô hình được coi là một phương pháp đặc biệt, nó đã và đang được chứng minh là rất hiệu quả và làm việc rất tốt (trong cả 2 vấn đề giảm sai số của tổ hợp dự báo trung bình cũng như tăng không gian tổ hợp) trong nghiệp vụ (Du và các cộng sự 2003; Mylne và các cộng sư; 2002) [26] [65]. Phiên bản đơn giản nhất của tổ hợp đa mô hình được gọi là tổ hợp Poor- Man (Người nghèo) nơi nhiều dự báo riêng biệt của nhiều mô hình được kéo lại gần nhau để tạo ra một tổ hợp nếu một mô hình không đủ khả năng để tự chạy tổ hợp của chính nó (Wobus và Kalnay, 1995; Ebert, 2001) [91][32]. Phương pháp đa mô hình ngày nay đã được chấp nhận và sử dụng rộng rãi. Một phát triển gần đây của phương pháp đa mô hình đó là sự kết hợp của nhiều hệ thống đa tổ hợp từ nhiều trung tâm như TIGGE (tổ hợp các ảnh hưởng nghiêm trọng toàn cầu THORPEX), NAEFS (hệ thống tổ hợp dự báo 17
Bắc Mỹ), các trung tâm ứng dụng quốc tế khác, và được gọi là tổ hợp Rich- Man (người giàu). Rõ ràng một bất lợi của phương pháp đa mô hình là giá thành để phát triển và duy trì nhiều mô hình nếu chúng được chạy bởi một đơn vị nghiên cứu. Thêm vào đó, phương pháp đa mô hình cũng có thể sử dụng phương pháp “siêu tổ hợp” của trường đại học bang Florida (Krishnamurti, 1999) [50] nó sẽ mang lại tính tất định hơn. Phương pháp này đã tăng đáng kể độ chính xác của dự báo khi hiệu chỉnh sai số hệ thống. Tuy nhiên, phương pháp này chỉ cung cấp giải pháp tất định (deterministic) thích hợp nhất mà không đưa thêm giá trị dự báo hoặc thông tin bất ổn định nào. Trong một mô hình, một tổ hợp có thể được tạo thành bằng cách thay đổi sơ đồ vật lý của các thành phần. Phương pháp đa cơ chế vật lý có hiệu quả trong dự báo hệ thống đối lưu yếu với tác động quy mô lớn (Stensrud và các cộng sự, 2000; Jankov và các cộng sự, 2005) [72][43]. Sử dụng nhiều sơ đồ đối lưu, Du và các cộng sự (2004) [27] đã so sánh những yếu tố liên quan của nhiều cơ chế vật lý và nhiễu trường ban đầu đóng góp vào độ tán của tổ hợp trong dự báo hạn ngắn (1-3 ngày). Kết quả của họ chỉ ra rằng độ bất định của trường ban đầu là thành phần đóng góp nổi trội cho độ tán của tổ hợp các trường nền quy mô lớn như gió, áp suất, độ cao (địa thế vị) và nhiệt độ, trong khi các cơ chế vật lý khác nhau sẽ cung cấp thêm những thông tin về độ tán để phân biệt những khu vực giông bão quy mô nhỏ. Tuy nhiên, đối với giáng thủy và bất ổn định đối lưu như CAPE, các trường ban đầu và cơ chế vật lý khác nhau đều được đánh giá quan trọng như nhau. Với trường hợp tổ hợp dự báo quỹ đạo bão có độ phân giải cao (4 km) cũng có cùng nhận định (Kong và các cộng sự, 2007) [49]. Do đó, ta thấy cả trường ban đầu và cơ chế vật lý khác nhau đều cần được lưu tâm tới cùng một lúc khi dự báo tổ hợp quy mô meso để làm tăng sự đa dạng của dự báo. Với NCEP SREF, người ta thấy rằng sự ảnh hưởng giữa nhiễu trường ban đầu và nhiễu vật lý quả thực làm 18
tăng đáng kể không gian tổ hợp trong mùa nóng. Ngược lại, khi kết hợp nhiễu trường nền và nhiễu vật lý với nhau mặc dù ảnh hưởng từ các cơ chế vật lý khác nhau nhưng có vẻ như giảm không gian tổ hợp trong mùa lạnh. Đa cơ chế vật lý được hi vọng có thể là cách hiệu quả để xây dựng hệ thống tổ hợp cho đối lưu ở khu vực chí tuyến. Một vấn đề cần được lưu ý của phương pháp đa cơ chế vật lý là thay thế sơ đồ vật lý khác nhau làm tốc độ phát triển của độ tán tổ hợp ban đầu sớm bị dập tắt theo thời gian và không thể tồn tại được đến hết thời hạn dự báo. Một vấn đề cần được nghiên cứu đó là vai trò cơ chế đa động lực liên quan tới đa cơ chế vật lý trong xác định độ tán tổ hợp quan trọng thế nào. Một số người kì vọng rằng vật lý có thể quan trọng hơn động lực trong sự đa dạng của dự báo. Thực tế tại các trung tâm dự báo số trị đang nghiên cứu là: nên để một mô hình là nhân hay nhiều mô hình là nhân để duy trì trong hệ thống tổ hợp. Luôn dễ dàng hơn và rẻ hơn khi chỉ duy trì một cơ chế động lực của mô hình làm nhân nhưng biến đổi cơ chế vật lý để tổ hợp. 1.2.3. Hệ thống dự báo tổ hợp 3 chiều Chiều quá khứ (past-time dimension) đóng vai trò quan trọng trong hệ thống dự báo tổ hợp 3 chiều. Nếu chúng ta hiểu và sử dụng được chiều quá khứ chính xác thì nó sẽ giúp chúng ta nhìn nhận vấn đề trong tương lai đúng đắn hơn. Chiều quá khứ được coi là một chiều bên cạnh biến đổi trường ban đầu và mô hình, đó là một mặt quan trọng của dự báo thời tiết (Cao, 2002) [18]. Tổ hợp trực tiếp dự báo trễ là một phương pháp tiêu biểu đưa chiều quá khứ vào tổ hợp. Cấp độ của tính đồng nhất từ lần chạy này đến lần chạy khác trong quá khứ là sự đánh giá của độ bất định trong dự báo: tính đồng nhất cao hay thấp sẽ cho biết khả năng dự báo cao hay thấp trong một hiện tượng. Lợi ích chính của việc sử dụng chiều quá khứ là chất lượng dự báo tăng cùng với 19

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí

65 tài liệu

2418 lượt tải

ERROR:connection to 10.20.1.100:9315 failed (errno=111, msg=Connection refused)
ERROR:connection to 10.20.1.100:9315 failed (errno=111, msg=Connection refused)

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn