1

MỞ ĐẦU

Trung tâm Dự báo khí tượng thủy văn Trung ương (TTTDBTƯ)

đã triển khai nghiệp vụ hệ thống dự báo tổ hợp thời tiết hạn ngắn (1-3

ngày) - SREPS dựa trên cách tiếp cận đa mô hình đa phân tích và bao

gồm 20 dự báo thành phần. Các sản phẩm dự báo trung bình tổ hợp

(EM) và dự báo xác suất từ SREPS đã và đang góp phần quan trọng

trong công tác dự báo thời tiết hạn ngắn tại TTDBTƯ. Theo kết quả

đánh giá của Võ Văn Hòa và nnk [12], chất lượng dự báo EM và xác

suất của SREPS (ký hiệu là Raw) vẫn còn nhiều hạn chế cho một số

biến bề mặt và trên cao. Những hạn chế này dẫn đến hiệu quả phục

vụ công tác dự báo thời tiết của hệ thống SREPS chưa cao. Do vậy,

phương pháp hậu xử lý là cần thiết để nâng cao chất lượng dự báo

EM và xác suất của hệ thống dự báo tổ hợp (EPS).

Theo Du [33], trên thế giới hiện tại phổ biển 2 cách tiếp cận để

giải quyết những tồn tại nói trên cho các hệ EPS, đó là động lực và

thống kê. Cách tiếp cận động lực liên quan đến bài toán cải tiến mô

hình NWP sử dụng trong EPS hoặc cải tiến cách thức tạo ra các dự

báo thành phần cho EPS. Cách tiếp cận thống kê tương tự như bài

toán MOS cho mô hình NWP tất định, đó là sử dụng các kỹ thuật

thống kê để hiệu chỉnh các dự báo thành phần của EPS hoặc tổng hợp

thông tin EF một cách hiệu quả nhất để nâng cao được chất lượng dự

báo EM và xác suất của EPS thô. Do hệ thống SREPS dựa trên cách

tiếp cận đa mô hình đa phân tích nên lựa chọn cách tiếp cận động lực

đòi hỏi một khối lượng công việc khổng lồ và thực hiện trong thời

gian dài. Trong khi đó, cách tiếp cận thống kê chỉ tác động đến kết

quả đầu ra của hệ thống SREPS mà không ảnh hưởng tới các mô hình

NWP được sử dụng cũng như cách thức tạo ra các dự báo thành

phần. Đây là cách tiếp cận đơn giản, khả thi và có thể đem lại hiệu

2

quả cao khi sai số hệ thống chiếm ưu thế trong sai số tổng cộng. Đây

chính là lý do tác giả lựa chọn cách tiếp cận thống kê để hiệu chỉnh

dự báo tổ hợp (EF) từ SREPS.

Đứng trước yêu cầu cấp thiết này, tác giả thực hiện đề tài:

“Nghiên cứu phát triển và ứng dụng phương pháp thống kê sau mô

hình tổ hợp (EMOS) vào dự báo thời tiết ở Việt Nam”. Trong khuôn

khổ luận án, tác giả ứng dụng và thử nghiệm một số phương pháp

thống kê để hiệu chỉnh các kết quả dự báo từ SREPS cho một số yếu

tố nhiệt độ bề mặt. Sau đó, tiến hành đánh giá và lựa chọn các

phương pháp EMOS hiệu quả và khả thi nhất trong bài toán nghiệp

vụ tại TTDBTƯ.

Luận điểm bảo vệ của luận án:

Luận án đã lựa chọn và áp dụng một số phương pháp

thống kê hiệu chỉnh dự báo tổ hợp (EMOS) phù hợp với

hệ thống SREPS tại TTDBTƯ;

Luận án đã đánh giá và chỉ ra được hiệu quả của các

phương pháp EMOS nói trên trong việc nâng cao chất

lượng dự báo trung bình tổ hợp và xác suất cho các yếu

tố nhiệt độ bề mặt từ SREPS tại TTDBTƯ;

Luận án đã xác định được phương pháp EMOS tốt nhất

và đánh giá được khả năng ứng dụng nghiệp vụ tại

TTDBTƯ

Đối tƣợng, phạm vi và phƣơng pháp nghiên cứu

Đối tượng nghiên cứu: các yếu tố nhiệt độ bề mặt gồm

nhiệt độ không khí (T2m), nhiệt độ điểm sương (Td2m),

nhiệt độ tối cao ngày (Tmax) và tối thấp ngày (Tmin).

Phạm vi nghiên cứu: toàn bộ lãnh thổ Việt Nam đại diện

bởi 174 vị trí trạm quan trắc khí tượng bề mặt;

3

Phương pháp nghiên cứu: luận án sử dụng các phương

pháp nghiên cứu gồm phương pháp thống kê, phương

pháp lập trình mô phỏng, phương pháp toán học và

phương pháp đánh giá khách quan.

Những đóng góp mới của luận án: Những đóng góp mới

của luận án đồng thời cũng là những luận điểm bảo vệ đã

được nêu trên đây

Ý nghĩa khoa học và thực tiễn của luận án: Luận án đã lựa

chọn được một số phương pháp EMOS phù hợp với hệ thống

SREPS tại TTDBTƯ. Kết quả nghiên cửu thử nghiệm của

luận án đã chỉ ra tính hiệu quả của các phương pháp EMOS

được chọn trong việc nâng cao chất lượng dự báo EM và xác

suất cho một số yếu tố nhiệt độ bề mặt, góp phần làm sáng tỏ

khả năng ứng dụng của phương pháp.

Cấu trúc của luận án: Ngoài các phần lời cam đoan, lời

cám ơn, danh sách các từ viết tắt, bảng biểu, hình vẽ và đồ

thị, mục lục, mở đầu, tài liệu tham khảo và phụ lục, nội dung

chính của luận án được bố cục trong 3 chương: Chương 1

trình bày về dự báo tổ hợp và vấn đề hiệu chỉnh thống kê cho

dự báo tổ hợp; Chương 2 mô tả số liệu và phương pháp

nghiên cứu; Chương 3 đưa ra các kết quả thử nghiệm và đánh

giá. Cuối cùng là kết luận và kiến nghị.

CHƢƠNG 1. DỰ BÁO TỔ HỢP VÀ VẤN ĐỀ HIỆU CHỈNH

THỐNG KÊ CHO DỰ BÁO TỔ HỢP

1.1. Dự báo tổ hợp và vai trò của dự báo tổ hợp

Theo Kalnay (2003) [66], EF là một tập hợp dự báo xác định tại

cùng một thời điểm và hướng đến 3 mục đích: 1) Tăng cường chất

lượng dự báo thông qua EM; 2) Cung cấp một chỉ số định lượng về

4

độ tin cậy của dự báo; và 3) Làm cơ sở cho dự báo xác suất. Mục

đích đầu tiên được thực hiện để loại bỏ sai khác giữa các thành phần

trong khi vẫn giữ lại những đặc tính tương tự. Mục đích thứ hai liên

quan đến tương quan giữa độ tán và sai số dự báo EM. Mục đích thứ

ba được xây dựng dựa trên tần suất dự báo xuất hiện hiện tượng từ

các thành phần tổ hợp.

Định nghĩa của Kalnay chủ yếu dựa trên các EPS toàn cầu cho

mục đích dự báo hạn vừa và hạn dài cho nên tầm quan trọng của dự

báo tất định (dự báo từ EM) và dự báo xác suất là như nhau. Tuy

nhiên, khi các EPS cho mục đích dự báo hạn ngắn xuất hiện, EF đã

được định nghĩa theo quan điểm dự báo xác suất. Theo Gneiting và

nnk (2003) [51], EF là một tập hợp dự báo xác định tại cùng một thời

điểm làm cơ sở cho dự báo xác suất có độ nhọn cực đại trong khi vẫn

duy trì độ tin cậy của dự báo xác suất. Hai khái niệm độ nhọn và độ

tin cậy đóng vai trò quan trọng trong các EPS ngày nay.

1.2. Sự cần thiết phải hiệu chỉnh dự báo tổ hợp

Như đã phân tích ở trên, điều kiện ban đầu chính xác và mô hình

hoàn hảo là cơ sở để tạo ra một EPS có chất lượng tốt. Tuy nhiên,

trên thực tế mô hình sử dụng trong EPS luôn có sai số (do sự chưa

hoàn hảo trong động lực, vật lý, phương pháp số, mô tả mặt đệm, …)

trong khi nguồn bất định trong một mô hình NWP không thể được

mô tả đầy đủ và chính xác trong một EPS cũng như độ phân giải của

mô hình phụ thuộc vào năng lực tính toán. Chính những hạn chế này

dẫn đến một EPS không tối ưu. Những nhược điểm của một EPS

không tối ưu bao gồm: 1) EM không tốt hơn dự báo đối chứng và các

dự báo thành phần; 2) quan hệ giữa kỹ năng dự báo và độ tán tổ hợp

thấp (độ tán thường là quá lớn hoặc quá nhỏ); 3) tạo ra các cực trị

lớn; 4) dự báo xác suất không tin cậy và thiếu khả năng mô tả chi tiết

5

cấu trúc không gian; … Do vậy, hiệu chỉnh thống kê cho dự báo tổ

hợp (EMOS) là cần thiết để nâng cao chất lượng dự báo EM và xác

suất cho EPS thô.

Theo Du (2007) [34], bằng cách loại bỏ sai số hệ thống của mô

hình (mô men bậc 1), dự báo EM sẽ gần với nghiệm thực hơn, các

cực trị sẽ giảm đáng kể và dự báo xác suất sẽ tin cậy hơn. Đối với

EPS đa mô hình, việc hiệu chỉnh sẽ đảm bảo độ tán được tạo ra khi

sai số hệ thống của từng mô hình bị loại bỏ sẽ phù hợp hơn. Tương

tự, bằng cách hiệu chỉnh mô men bậc 2, vấn đề quan hệ thấp giữa kỹ

năng dự báo - độ tán tổ hợp và vấn đề độ tán quá lớn/bé có thể được

cải thiện. Để cải tiến độ tin cậy của dự báo xác suất, các mô men cao

hơn như hàm mật độ xác suất cũng cần được hiệu chỉnh.

1.3. Tổng quan các nghiên cứu hiệu chỉnh thống kê cho dự báo tổ

hợp

1.3.1. Ngoài nước

Như đã biết, EF đã được nghiên cứu và triển khai nghiệp vụ từ

những năm 1990 của thế kỷ trước tại một số trung tâm dự báo lớn

trên thế giới. Vài năm sau đó, bài toán EMOS cũng đã được nghiên

cứu khi các hạn chế trong chất lượng dự báo EM và xác suất của các

EPS nghiệp vụ được chỉ ra trong nhiều nghiên cứu. Trên thực tế, các

nghiên cứu về EMOS phát triển mạnh nhất trong khoảng 10 năm trở

lại đây trong đó phần lớn sử dụng cách tiếp thống kê để nâng cao

chất lượng dự báo EM và xác suất.

Một trong những lớp EMOS đầu tiên là việc áp dụng cho EM

(mô men bậc 1). Trong lớp bài toán này, các phương pháp thống kê

được sử dụng bao như trung bình trượt [94], hồi quy tuyến tính [70],

phương pháp tương tự trong đó trọng số phụ thuộc vào hình thế thời

tiết [38], lọc Kalman [29], mạng thần kinh nhân tạo [118], hồi quy

6

Logistic [60], … Bên cạnh các nghiên cứu áp dụng cho EM, đã có

nhiều nghiên cứu ứng dụng cho phương sai (mô men bậc 2) và các

mô men bậc cao hơn như hàm phân bố xác suất để nâng cao chất

lượng dự báo xác suất cũng như cải thiện quan hệ độ tán - kỹ năng

của EPS. Trong lớp bài toán này, rất nhiều phương pháp thống kê đã

được sử dụng như trung bình mô hình Bayes - BMA [86], hiệu chỉnh

hàm mật độ tích lũy - CDF [69], hồi quy Gauss không thuần nhất -

NGR [52], hiệu chỉnh dựa trên biểu đồ hạng [41], áp nhân (kernel)

hoặc áp hàm mật độ [46], ….

1.3.2. Trong nước

Tại Việt nam, NWP vẫn còn ở giai đoạn bước đầu tiếp thu công

nghệ và nghiên cứu ứng dụng. Do đó, EF cũng đang ở trong giai

đoạn bước đầu tìm hiểu và thử nghiệm. Các nghiên cứu ứng dụng EF

đầu tiên tập trung vào bài toán dự báo quỹ đạo bão trên khu vực Biển

Đông dựa trên tổ hợp các dự báo từ các Trung tâm quốc tế như các

nghiên cứu của Nguyễn Chi Mai và nnk (2004) [5], Đỗ Lệ Thủy và

nnk [1]. Trong những nghiên cứu này, các phương pháp tính toán EM

với các trọng số tỷ lệ nghịch với sai số dự báo của từng dự báo thành

phần tương ứng và hồi quy tuyến tính đa biến được sử dụng.

Trần Tân Tiến và nnk (2010, 2013) [9, 10] đã thử nghiệm các

phương án tính toán EM khác nhau dựa trên tổ hợp đa mô hình đa vật

lý cho mục đích dự báo quỹ đạo và cường độ bão hạn từ 3-5 ngày

trên khu vực Tây Bắc Thái Bình Dương. Đối với bài toán dự báo các

trường khí tượng, Trần Tân Tiến và nnk (2004) [8] đã thử nghiệm tổ

hợp các trường khí tượng từ các mô hình NWP khác nhau dưới dạng

trung bình cộng đơn giản và có trọng số. Để thử nghiệm EF cho bài

toán dự báo mưa lớn ở Việt Nam, Hoàng Đức Cường và nnk (2007)

[3] đã ứng dụng các phiên bản tham số hóa vật lý khác nhau trong mô

7

hình MM5 để tạo ra EF. Phương án tính toán EM có trọng số tỷ lệ

nghịch với phương sai sai số của từng dự báo thành phần đã được

thực hiện.

Như vậy, có thể thấy việc nghiên cứu và ứng dụng EF nói chung

và EMOS nói riêng ở nước ta còn nhiều hạn chế cả về số lượng và

quy mô ứng dụng. Các phương pháp EMOS được nghiên cứu chủ

yếu tập trung cho bài toán nâng cao chất lượng dự báo EM thông qua

EF có trọng số. Bên cạnh đó, chưa có nghiên cứu EMOS hoàn chỉnh

nào cho bài toán dự báo thời tiết cũng như chưa có hệ thống EMOS

nào được triển khai trong dự báo nghiệp vụ tại các đơn vị dự báo tác

nghiệp. Đây cũng chính là lý do luận án này được thực hiện và hướng

tới mục tiêu triển khai nghiệp vụ hệ thống EMOS để nâng cao chất

lượng dự báo từ hệ thống SREPS tại TTDBTƯ.

CHƢƠNG 2. MÔ TẢ SỐ LIỆU VÀ

PHƢƠNG PHÁP NGHIÊN CỨU

2.1. Đặt bài toán

Theo Du (2007) [34], các phương pháp EMOS được nghiên cứu

và ứng dụng cho các EPS không tối ưu để:

1) Loại bỏ sai số hệ thống của các dự báo thành phần để dự báo

EM dựa trên các dự báo đã hiệu chỉnh sai số hệ thống sẽ gần với

nghiệm thực hơn, các cực trị sai số sẽ giảm đáng kể, dự báo xác suất

sẽ tin cậy hơn và độ tán được tạo ra sẽ phù hợp hơn;

2) Hiệu chỉnh phương sai dự báo để cải tiến tương quan giữa kỹ

năng dự báo EM và độ tán tổ hợp, qua đó giải quyết được vấn đề độ

tán quá lớn hoặc quá nhỏ của EPS ban đầu;

3) Hiệu chỉnh hàm phân bố xác suất để cải tiến kỹ năng dự báo

xác suất tổng thể (độ tin cậy, độ tán, độ rộng, độ nhọn, cực trị) của

EPS ban đầu.

8

Như vậy, tùy thuộc vào mục đích của nghiên cứu cải tiến chất

lượng dự báo của một EPS đưa ra (đối tượng dự báo hoặc đặc tính sai

số cần cải thiện), các phương pháp EMOS khác nhau sẽ được sử

dụng. Mỗi một phương pháp EMOS sẽ hướng đến giải quyết một

hoặc nhiều hạn chế có liên quan đến sản phẩm dự báo EM hoặc xác

suất. Trong luận án này, tác giả sẽ tập trung thử nghiệm 2 lớp bài

toán EMOS tách biệt gồm 1) Các phương pháp EMOS chỉ tác động

đến chất lượng dự báo EM; và 2) Các phương pháp EMOS tác động

đến cả chất lượng dự báo EM và dự báo xác suất. Đối với lớp bài

toán EMOS đầu tiên, các phương pháp thống kê được lựa chọn để tạo

ra các cách tính trọng số EM khác nhau. Trong khi đối với lớp

EMOS thứ hai, các phương pháp thống kê sẽ được lựa chọn để hiệu

chỉnh từng dự báo thành phần thông qua việc khử sai số hệ thống

hoặc thông qua hàm phân bố cho trước sao cho cực đại hóa kỹ năng

dự báo xác suất.

2.2. Nghiên cứu lựa chọn và ứng dụng các phƣơng pháp thống kê

để nâng cao chất lƣợng dự báo trung bình tổ hợp và dự báo

xác suất từ hệ thống SREPS

2.2.1. Các phương pháp thống kê chỉ tác động đến dự báo trung

bình tổ hợp

1) Hồi quy tuyến tính đa biến (ký hiệu EMLR):

Cách tiếp cận này dựa trên phương pháp hồi quy tuyến tính đa

biến trong đó giả thiết dự EM quan hệ tuyến tính với các dự báo

thành phần Fi qua công thức (2.2):

N

1iii0 FaaEM (2.2)

với ai, i=1,N là các hệ số hồi quy. Trong công thức (2.2), các dự báo

thành phần Fi có vai trò như là các nhân tố dự báo trong bài toán

9

MOS. Các trọng số ao và ai sẽ được xác định bằng phương pháp bình

phương tối thiểu dựa trên bộ số liệu phụ thuộc cho trước.

2) Trung bình có trọng số giảm dần theo hàm mũ (EMES):

Phương pháp này được Daley (1991) [31Error! Reference

source not found.] đề xuất trong đó EM được tính theo công thức

(2.3) dưới đây:

N

1i

nobiasiiFwEM (2.3)

với nobiasiF là dự báo thành phần thứ i (i=1,N) của EPS đưa ra nhưng

đã được hiệu chỉnh sai số hệ thống. Các trọng số wi sẽ được tính theo

công thức hàm mũ (2.4) dưới đây: 1j

iw (2.4)

với là nhân tố làm trơn, giá trị j trong công thức (2.4) là hạng của

dự báo thành phần thứ i ( nobiasiF ) được tính dựa trên sai số bình

phương trung bình (MSE). Theo công thức (2.4), trọng số sẽ giảm

dần theo đường cong hàm mũ khi j tăng lên.

3) Trung bình có trọng số tính theo phương sai sai số (EMMV):

Tương tự phương pháp EMES, phương pháp EMMV cũng được

Daley (1991) [31] đề xuất trong đó EM được tính theo công thức

(2.3) ở trên và các trọng số wi được tính theo công thức (2.6) dưới

đây với j là các chỉ số chạy theo tổng số dự báo thành phần (j=1,N).

N

1jj

ii

)MSE/1(

)MSE/1(w (2.6)

2.2.2. Các phương pháp thống kê tác động đến cả dự báo trung

bình tổ hợp và dự báo xác suất

1) Hiệu chỉnh sai số hệ thống bằng trung bình trượt (BCMA):

Theo phương pháp này, việc hiệu chỉnh cho một dự báo thành

phần bất kỳ của EPS được thực hiện theo công thức (2.7) dưới đây:

10

biasFF rawBCMA (2.7)

trong đó Fbcma là dự báo đã được hiệu chỉnh bằng phương pháp

BCMA, Fraw là dự báo trực tiếp từ EPS và bias là sai số hệ thống

được xác định bằng sai số trung bình cộng của n ngày trước đó.

2) Hiệu chỉnh sai số hệ thống với trọng số theo hàm mũ (BCES):

Cách hiệu chỉnh theo BCES là tương tự như BCMA nhưng khác

ở trong cách tính sai số hệ thống (bias). Cụ thể, bias sẽ được tính như

công thức (2.9) dưới đây:

n

1iiii )OF(wbias (2.9)

với n là tổng số ngày có dữ liệu trước đó. Trọng số wi sẽ giảm dần

theo hàm mũ như trong công thức (2.4) nhưng chỉ số i là số thứ tự

ngày (i =1 cho ngày trước ngày hiện tại và bằng x cho x ngày trước

ngày hiện tại).

3) Hiệu chỉnh sai số hệ thống bằng hồi quy tuyến tính (BCLR):

Phương pháp này dựa trên giả thiết có một quan hệ tuyến tính

giữa quan trắc O và dự báo F như sau: O = a0 + a1F với a0, a1 là các

hệ số được xác định bằng phương pháp hồi quy tuyến tính dựa trên

tập số liệu của n ngày trước đó. Khi quan hệ này đã được thiết lập, nó

sẽ được áp dụng cho dự báo của ngày kế tiếp. Với giả thiết này, dự

báo hiệu chỉnh theo phương pháp BCLR sẽ được tính theo công thức

(2.12) dưới đây:

raw10BCLR FaaF (2.12)

4) Hiệu chỉnh sai số hệ thống bằng lọc Kalman (BCKF):

Cách thức hiệu chỉnh này dựa trên phương pháp lọc Kalman để

khắc phục nhược điểm của phương pháp BCLR, đó là các trọng số a0

và a1 không có khả năng tự cập nhật trong chu kỳ luyện khi có sự đột

biến về mặt hình thế thời tiết. Với phương pháp lọc Kalman, các

11

trọng số này sẽ được cập nhật hàng ngày trong suốt chu kỳ luyện cho

tới thời điểm bắt đầu thử nghiệm dự báo. Quá trình cập nhật các

trọng số này được thực hiện thông qua phương trình dự báo và quan

trắc của Lọc Kalman như công thức (2.13) và (2.14) dưới đây:

1k1k1kk wuBxAx (2.13)

kkk vxHz (2.14)

trong đó xk là vector trạng thái thời điểm hiện tại, xk-1 là vector trạng

thái thời điểm trước đó, uk-1 là vector điều khiển hệ thống tại thời

điểm trước đó, wk-1 là véc tơ đặc trưng cho độ bất định của hệ thống

do quy luật tuyến tính mô tả thông qua ma trận A.

5) Hồi quy Gauss không thuần nhất trong đó kỳ vọng quan hệ

tuyến tính với các dự báo thành phần (NGR_ER):

Kỹ thuật NGR được đề xuất đầu tiên bởi Gneiting và nnk (2005)

[52] trong đó dựa trên giả thiết hàm phân bố xác suất cho đại lượng

EM trong công thức (2.2) có thể được xây dựng đơn giản bằng phân

bố chuẩn trong đó kỳ vọng chính là EM và phương sai σ2 là sai số

được xác định từ tập số liệu đã sử dụng để xây dựng phương trình

(2.2). Với cách làm như vậy, phương sai σ2 sẽ độc lập so với độ tán.

Khi phương sai nhỏ, phân bố nhọn, độ tin cậy vào EM sẽ lớn. Ngược

lại khi phương sai lớn, phân bố tù, độ tin cậy dự báo sẽ nhỏ. Ý tưởng

cơ bản của phương pháp này nằm ở chỗ giả định phương sai σ2 có

quan hệ tuyến tính với độ tán tổ hợp (S2)

)dSc,Xaa(N 2N

1iii0

(2.16)

6) Hồi quy Gauss không thuần nhất trong đó kỳ vọng quan hệ

tuyến tính với các dự báo thành phần và trọng số luôn dương

(NGR_EP):

12

Phương pháp này hoàn toàn tương tự như NGR_ER và chỉ khác

ở chỗ các hệ số ai sau khi được tìm ra sẽ được kiểm tra để đảm bảo

không âm. Nếu có hệ số ai nào đó âm thì quá trình cực tiểu hóa hàm

CRPS sẽ được thực hiện lại nhưng đã loại bỏ dự báo thành phần có

hệ số âm.

7) Hồi quy Gauss không thuần nhất trong đó kỳ vọng quan hệ

tuyến tính với trung bình tổ hợp (NGR_EM):

Đây là một biến thể khác của phương pháp NGR_ER trong đó

thay vì sử dụng kỳ vọng như là trung bình có trọng số của các dự báo

thành phần, thì biến thể NGR_EM giả thiết kỳ vọng quan hệ tuyến

tính với trung bình tổ hợp ( X ), do đó hàm phân bố có dạng như công

thức (2.20) dưới đây:

)dSc,Xba(N 2 (2.20)

2.2.3. Ứng dụng các phương pháp EMOS cho hệ thống SREPS

Như đã trình bày ở trên, tổng cộng có 3 kỹ thuật thống kê được

thử nghiệm trong lớp bài toán EMOS đầu tiên và 7 kỹ thuật thống kê

được thử nghiệm cho lớp bài toán EMOS thứ 2 trong đó có 4 kỹ thuật

thống kê liên quan đến hiệu chỉnh các dự báo thành phần theo sai số

hệ thống và 3 kỹ thuật hiệu chỉnh theo hàm phân bố xác suất. Các

phương pháp EMOS sẽ được áp dụng chung cho tất cả các yếu tố dự

báo nhiệt độ bề mặt tại các hạn dự báo chính gồm +24h, +48h và

+72h với thời điểm phân tích là 00GMT (7 giờ sáng Việt Nam). Quá

trình tính toán sẽ thực hiện trên từng điểm trạm thay vì trên nút lưới.

Cũng giống như các phương pháp thống kê truyền thống khác,

vấn đề ở đây là dung lượng mẫu của tập số liệu phụ thuộc (training

dataset) sử dụng cho từng phương pháp EMOS và yếu tố dự báo về

nguyên tắc là khác nhau. Để đơn giản hóa và dễ dàng trong việc so

sánh, chúng tôi sử dụng dung lượng mẫu chung của bộ số liệu phụ

13

thuộc là 40 ngày (tính từ thời điểm bắt đầu thực hiện hiệu chỉnh) cho

tất cả các kỹ thuật EMOS được sử dụng trong nghiên cứu này.

2.3. Mô tả tập số liệu nghiên cứu

Để phục vụ việc xây dựng, thử nghiệm và đánh giá hiệu quả của

các phương pháp EMOS trong việc nâng cao chất lượng dự báo tất

định và xác suất của hệ thống SREPS, chúng tôi đã tiến hành thu

thập, xử lý và lưu các nguồn số liệu như được mô tả trong bảng 2.3.

Bảng 2.3: Danh sách các nguồn số liệu được thu thập

TT Tên nguồn số liệu Phạm vi

không gian

Phạm vi

thời gian

Các biến thu

thập

1 Quan trắc các yếu tố

nhiệt độ tại trạm

Tại 174 điểm

trạm

3 năm

(2008-

2010)

T2m

(00GMT),

Td2m

(00GMT),

Tmax, Tmin

2 Số liệu dự báo các

yếu tố nhiệt độ bề

mặt từ hệ thống

SREPS có độ phân

giải 0.150 x 0.15

0

Toàn bộ miền

dự báo

[00-

280N;95

0E-

1280E]

3 năm

(2008-

2010)

T2m, Td2m,

Tmax, Tmin

tại các hạn dự

báo +24h,

+48h và +72h

2.4. Phƣơng pháp xử lý số liệu

Để thuận tiện cho quá trình nghiên cứu cũng như triển khai

nghiệp vụ sau này, tất cả các nguồn số liệu trên lưới đều được xử lý

để đưa về định dạng NetCDF thay vì sử dụng định dạng gốc ban đầu.

Các kết quả hiệu chỉnh các trường khí tượng được nghiên cứu từ các

phương pháp EMOS cũng được sao lưu theo định dạng NetCDF. Số

liệu quan trắc được kiểm tra chất lượng thám sát và sao lưu vào hệ

quản trị CSDL PostGRESQL.

Như đã trình bày ở trên, không gian nghiên cứu của luận án là tại

các điểm trạm, nên cần thiết phải thực hiện bước tiến xử lý để đưa

14

các dự báo của hệ thống SREPS từ lưới dự báo về điểm trạm. Do yếu

tố nghiên cứu là trường nhiệt độ bề mặt - dạng trường liên tục, nên

trong nghiên cứu này tác giả sử dụng phương pháp nội suy song

tuyến tính (bilinear) để nội suy các giá trị dự báo từ lưới dự báo về

điểm trạm quan tâm.

2.5. Phƣơng pháp đánh giá

2.5.1. Các chỉ số đánh giá chất lượng dự báo trung bình tổ hợp

Với đối tượng nghiên cứu là các yếu tố nhiệt độ bề mặt (các yếu

tố liên tục), các chỉ số đánh giá ME, MAE và RMSE được sử dụng

để nghiên cứu về khuynh hướng sai số, biên độ sai số tuyệt đối và giá

trị sai số thực. Bên cạnh đó, để khảo sát khả năng khử sai số hệ thống

trong dự báo thành phần của Raw từ các phương pháp EMOS, giản

đồ tụ điểm được sử dụng.

2.5.2. Các chỉ số đánh giá chất lượng dự báo xác suất

Trong luận án này tác giả sẽ đánh giá tính hiệu quả của các

phương pháp EMOS theo các khía cạnh gồm: 1) cải thiện về độ tin

cậy, 2) cải thiện độ tán, 3) cải thiện độ rộng và 4) cải thiện độ nhọn

của dự báo xác suất so với dự báo Raw từ SREPS. Theo khía cạnh độ

tin cậy, chỉ số đánh giá CRPS được sử dụng. Để đánh giá cả độ tán

và độ tin cậy của EF, biểu đồ hạng được sử dụng để đo mức độ phù

hợp giữa tần suất dự báo với tần suất xuất hiện của quan trắc. Để

đánh giá các khía cạnh độ rộng của dự báo xác suất, tác giả sử dụng

chỉ số độ phủ 90.48%. Cuối cùng, đặc trưng độ nhọn của EF sẽ được

khảo sát thông qua khái niệm độ rộng 90.48%.

CHƢƠNG 3. KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ

3.1. Đánh giá khả năng khử sai số hệ thống

Dựa trên các giản đồ tụ điểm, các phương pháp EMOS đã cho

thấy tính hiệu quả trong việc khử sai số hệ thống trong các dự báo

15

thành phần của hệ tổ hợp Raw trong đó các phương pháp EMOS cho

hiệu quả tốt nhất gồm NGR_EM, NGR_EP, kế tiếp là BCMA, BCLR

và BCKF. Các phương pháp NGR_ER và BCES cho thấy hiệu quả

kém nhất trong 7 phương pháp EMOS được thử nghiệm. Sai số hệ

thống được khử tốt nhất trong dự báo Tmax, kế tiếp là Td2m và T2m,

và ít hiệu quả hơn cho yếu tố Tmin.

Raw

BCMA

BCES

BCLR

BCKF

NGR_ER

NGR_EP

NGR_EM

Hình 3.2: Giản đồ tụ điểm của dự báo thành phần HRM_GFS của Raw cùng

7 phương pháp EMOS cho dự báo Td2m hạn 24h trên khu vực Tây Bắc

3.2. Đánh giá khả năng cải thiện chất lƣợng dự báo trung bình tổ

hợp

3.2.1. Yếu tố nhiệt độ không khí

16

Các kết quả đánh giá cho thấy các phương pháp EMOS cho chỉ

số ME trong dự báo T2m với biên độ nhỏ hơn so với ME của Raw tại

hầu hết các khu vực nghiên cứu. Điều này chứng tỏ, việc hiệu chỉnh

sai số hệ thống đã có tác động tích cực tới sai số hệ thống của EM khi

các dự báo thành phần được sử dụng. Theo chỉ số đánh giá MAE, hầu

hết các phương pháp EMOS đã cho giảm chỉ số MAE so với Raw tại

hầu hết các khu vực nghiên cứu. Sự cải thiện lớn nhất trong chất

lượng dự báo T2m thường được tìm thấy tại các khu vực TB, VB và

ĐB, và ngược lại cho các khu vực ĐBBB và NB. Nếu so sánh giữa

các phương pháp thì dự báo từ NGR_EM, NGR_EP, BCMA và

BCES cho thấy sự cải thiện lớn nhất trong khi các phương pháp

EMLR và NGR_ER không đem lại nhiều sự cải thiện, thậm chí là

cho sai số dự báo T2m tăng lên so với Raw. Các kết quả tương tự

cũng được tìm thấy khi xem xét chỉ số RMSE cho dự báo T2m như

trong bảng 3.3. Bên cạnh việc nâng cao chất lượng dự báo, cũng có

thể thấy các phương pháp EMOS còn hạn chế được các sai số dự báo

lớn. Các kết quả tương tự cho dự báo T2m cũng được tìm thấy cho

hạn +48h và +72h.

Bảng 3.3: Kết quả tính toán chỉ số đánh giá RMSE (0C) của dự báo

EM từ Raw và 10 phương pháp EMOS cho yếu tố T2m với hạn dự

báo 24h (các giá trị bôi đậm ngụ ý sai số tăng lên) Phƣơng

pháp EMOS

Khu vực nghiên cứu

TB VB ĐB ĐBBB BTB TTB NTB TN NB

EMLR 2.3 2.6 2.1 2.15 2.02 1.96 1.63 1.92 1.22

EMES 1.41 1.32 1.47 1.17 1.11 0.99 0.91 0.92 0.89

EMMV 1.46 1.36 1.5 1.18 1.13 1.01 0.92 0.94 0.9

BCMA 1.37 1.31 1.42 1.18 1.13 1.06 0.91 0.91 0.9

BCLR 1.56 1.6 1.74 1.52 1.36 1.19 1.1 1.13 1.14

BCES 1.43 1.36 1.46 1.22 1.16 1.08 0.94 0.95 0.92

BCKF 1.36 1.29 1.36 1.15 1.1 1.01 0.87 0.86 0.87

NGR_ER 1.81 1.84 2.0 1.73 1.55 1.48 1.26 1.28 1.31

17

NGR_EP 1.3 1.3 1.39 1.16 1.09 1.05 0.92 0.92 0.92

NGR_EM 1.38 1.35 1.44 1.16 1.11 1.05 0.9 0.95 0.9

Raw 2.42 2.15 2.69 1.33 2.38 2.26 1.17 2.17 1.05

3.2.2. Yếu tố nhiệt độ điểm sương

Tương tự yếu tố T2m, các kết quả đánh giá cho Td2m cũng cho

thấy hầu hết các phương pháp EMOS cho sai số MAE và RMSE

(xem bảng 3.6) nhỏ hơn Raw tại nhiều khu vực nghiên cứu ngoại trừ

các phương pháp NGR_ER và EMLR cho khu vực NTB, TN và NB.

Các phương pháp NGR_EP, NGR_EM, BCMA và BCES tiếp tục

cho thấy tính hiệu quả trong việc nâng cao chất lượng dự báo EM từ

Raw. Theo khu vực nghiên cứu, các khu vực từ TB cho đến BTB cho

thấy sự cải thiện lớn trong chất lượng dự báo (có khi cải thiện tới hơn

50%). Ngoài ra, các phương pháp EMOS còn hạn chế được các sai số

dự báo lớn trong dự báo Td2m từ Raw. Các kết quả tương tự cho dự

báo T2m cũng được tìm thấy cho hạn +48h và +72h

Bảng 3.6: Tương tự bảng 3.3 nhưng cho dự báo Td2m Phƣơng

pháp EMOS

Khu vực nghiên cứu

TB VB ĐB ĐBBB BTB TTB NTB TN NB

EMLR 2.16 2.13 2.14 2.25 2.38 1.49 1.33 1.27 1.32

EMES 2.04 2.27 2.25 2.49 2.05 1.02 0.99 0.88 0.98

EMMV 2.11 2.35 2.34 2.61 2.14 1.03 1.0 0.88 1.01

BCMA 1.92 2.19 2.1 2.34 1.96 1.06 0.97 0.85 0.97

BCLR 1.43 1.49 1.5 1.58 1.42 1.04 0.96 0.93 0.88

BCES 1.77 2.01 1.95 2.12 1.81 1.04 0.91 0.82 0.89

BCKF 1.66 1.83 2.14 2.05 1.78 1.29 1.23 1.17 1.2

NGR_ER 1.94 2.16 2.05 2.17 1.9 1.4 1.3 1.31 1.35

NGR_EP 1.39 1.45 1.45 1.51 1.37 1.0 0.9 0.91 0.88

NGR_EM 1.4 1.45 1.46 1.54 1.38 0.99 0.91 0.87 0.88

Raw 3.24 3.62 3.0 3.3 2.84 1.39 1.17 1.15 1.28

3.2.3. Yếu tố nhiệt độ tối cao ngày

Các kết quả đánh giá cho thấy hầu hết các phương pháp EMOS

cho sai số trong dự báo Tmax nhỏ hơn so với Raw tại các khu vực

18

nghiên cứu ngoại trừ các phương pháp EMLR và NGR_ER tại các

khu vực ĐBBB và BTB. Nếu so sánh giữa các phương pháp EMOS,

rất khó để tìm ra phương pháp tốt nhất cho mọi khu vực. Tuy nhiên,

dễ nhận thấy hai phương pháp EMLR và NGR_ER có trị số MAE lớn

nhất trong số 10 phương pháp EMOS thử nghiệm. Theo khu vực

nghiên cứu, sự cải thiện đáng kể trong chất lượng dự báo EM được

tìm thấy tại khu vực TB, VB, ĐB, TTB và TN. Sự duy trì tính ổn

định trong sai số dự báo của các phương pháp EMOS cũng được tìm

thấy khi so sánh giá trị MAE với RMSE. Các nhận định này cũng

phù hợp khi xem xét các hạn dự báo +48h và +72h.

Bảng 3.9: Tương tự bảng 3.3 nhưng cho dự báo Tmax Phƣơng

pháp EMOS

Khu vực nghiên cứu

TB VB ĐB ĐBBB BTB TTB NTB TN NB

EMLR 3.43 3.53 3.46 3.14 3.94 2.81 2.34 2.68 1.92

EMES 2.47 2.49 2.36 2.31 2.36 2.04 1.61 1.93 1.39

EMMV 2.49 2.51 2.38 2.34 2.39 2.04 1.63 1.94 1.41

BCMA 2.42 2.45 2.3 2.35 2.43 1.99 1.56 1.8 1.39

BCLR 2.48 2.52 2.38 2.39 2.51 2.09 1.6 1.87 1.36

BCES 2.46 2.47 2.32 2.40 2.44 1.93 1.52 1.75 1.35

BCKF 2.58 2.56 2.44 2.39 2.5 1.99 1.64 1.74 1.49

NGR_ER 3.6 3.75 3.47 3.64 3.64 2.96 2.22 2.56 1.88

NGR_EP 2.43 2.47 2.34 2.3 2.43 2.05 1.58 1.87 1.37

NGR_EM 2.44 2.5 2.35 2.34 2.43 2.03 1.58 1.84 1.36

Raw 4.71 4.29 3.22 2.46 3.24 3.12 2.94 3.09 2.31

3.2.4. Yếu tố nhiệt độ tối thấp ngày

Các kết quả đánh giá cho thấy ngoại trừ phương pháp EMLR và

NGR_ER, các phương pháp EMOS còn lại đều cho các giá trị MAE

và RMSE trong dự báo Tmin nhỏ hơn so với Raw từ 0.3-10C tại tất

cả các khu vực nghiên cứu. Như vậy, chất lượng dự báo EM từ Raw

đã được cải thiện khi áp dụng các phương pháp EMOS này. Các

phương pháp đem lại nhiều sự cải thiện nhất vẫn là nhóm phương

pháp NGR_EM, NGR_EP, BCMA và BCES, trong khi các phương

19

pháp EMLR và NGR_ER chỉ cho thấy sự cải thiện nhỏ ở một số khu

vực nghiên cứu. Khác với các yếu tố T2m, Td2m và Tmax, rất khó

để tìm ra khu vực nào có sự cải thiện lớn nhất trong dự báo Tmin khi

áp dụng các phương pháp EMOS. Về mặt trung bình, có thể thấy các

khu vực TB, VB và NB có sự cải thiện lớn hơn các khu vực khác

nhưng sự khác biệt trong trị số là không lớn. Các kết quả tương tự

cũng được tìm thấy khi xem xét chất lượng dự báo Tmin của các

phương pháp EMOS cho hạn dự báo +48h và +72h.

Bảng 3.12: Tương tự bảng 3.3 nhưng cho dự báo Tmin Phƣơng

pháp EMOS

Khu vực nghiên cứu

TB VB ĐB ĐBBB BTB TTB NTB TN NB

EMLR 2.22 2.53 2.67 2.35 2.26 1.98 1.62 1.54 1.92

EMES 1.69 1.76 1.93 1.75 1.58 1.24 0.99 1.06 1.02

EMMV 1.69 1.77 1.95 1.76 1.59 1.24 0.99 1.05 1.03

BCMA 1.55 1.63 1.76 1.68 1.51 1.21 0.99 0.98 1.01

BCLR 1.62 1.71 1.81 1.74 1.55 1.21 1.00 1.04 1.01

BCES 1.54 1.64 1.74 1.71 1.54 1.19 0.96 0.95 1.00

BCKF 1.72 1.86 2.03 1.98 1.74 1.44 1.32 1.22 1.32

NGR_ER 2.14 2.44 2.54 2.51 2.18 1.69 1.4 1.44 1.48

NGR_EP 1.55 1.72 1.8 1.70 1.53 1.2 1.01 1.04 1.05

NGR_EM 1.58 1.7 1.81 1.74 1.54 1.21 0.99 1.01 1.01

Raw 2.37 2.32 2.39 1.99 1.86 1.63 1.44 1.34 1.73

3.3. Đánh giá khả năng cải thiện chất lƣợng dự báo xác suất

Do các phương pháp EMLR, EMES và EMMV chỉ tác động đến

EM mà không tiến hành hiệu chỉnh các dự báo thành phần nên dự

báo xác suất được tạo ra từ các phương pháp này tương tự như Raw.

Do đó, trong các phần đánh giá dưới đây chỉ có 7 phương pháp

EMOS được đánh giá và so sánh với Raw.

3.3.1. Yếu tố nhiệt độ không khí

Từ bảng 3.13 có thể thấy trong số 7 phương pháp EMOS được

thử nghiệm, phương pháp NGR_EP, NGR_EM, BCMA và BCES

cho các kết quả dự báo xác suất có độ tin cậy cao hơn các phương

20

pháp còn lại và không có nhiều khác biệt. Các phương pháp

NGR_ER và BCKF không đem lại nhiều sự cải thiện trong chất

lượng dự báo xác suất, thậm chí còn làm giảm độ tin cậy của dự báo

xác suất so với Raw.

Bảng 3.13: Kết quả tính toán chỉ số CRPS của dự báo xác suất từ

Raw và 7 phương pháp EMOS cho yếu tố T2m với hạn dự báo 24h

(các giá trị bôi đậm ngụ ý sai số tăng lên) Phƣơng

pháp EMOS

Khu vực nghiên cứu

TB VB ĐB ĐBBB BTB TTB NTB TN NB

BCMA 0.73 0.74 0.81 0.69 0.63 0.62 0.54 0.52 0.54

BCLR 0.82 0.82 0.88 0.76 0.68 0.65 0.6 0.59 0.61

BCES 0.72 0.73 0.78 0.67 0.61 0.59 0.51 0.49 0.51

BCKF 0.87 0.93 1.0 0.89 0.76 0.68 0.63 0.62 0.63

NGR_ER 1.09 1.16 1.23 1.1 0.97 0.94 0.79 0.8 0.83

NGR_EP 0.69 0.73 0.76 0.66 0.62 0.59 0.53 0.52 0.52

NGR_EM 0.71 0.73 0.77 0.66 0.61 0.57 0.51 0.51 0.5

Raw 1.55 1.28 0.98 0.76 0.77 0.72 0.69 0.67 0.61

Dựa trên biểu đồ hạng của dự báo T2m, các phương pháp

BCMA, BCES, NGR_EM và NGR_EP có biểu đồ hạng dạng gần

phẳng. Điều này chứng tỏ độ tin cậy của dự báo xác suất từ các

phương pháp này đã được tăng lên và độ tán của EF đã phù hợp hơn

so với Raw. Trong khi đó, các phương pháp NGR_ER và BCKF,

BCLR lại cho biểu đồ hạng có dạng hình chữ U đặc trưng. Hay nói

cách khác, độ tán EF từ các phương pháp này là quá nhỏ so với thực

tế. Kết quả này được kiểm chứng khi xem xét kết quả tính toán chỉ số

độ phủ 90.48%. Các khu vực cho thấy sự cải thiện rõ rệt nhất trong

độ tán tổ hợp là VB, TB, ĐB và TN. Các khu vực ĐBBB và NB

thường không cho thấy nhiều sự cải thiện trong độ tán EF. Đối với độ

nhọn của hàm phân bố, các kết quả đánh giá dựa trên chỉ số độ rộng

90.48% cho thấy hầu hết các phương pháp EMOS đều cho giá trị độ

rộng 90.48% nhỏ hơn so với Raw ngoại trừ phương pháp BCKF. Các

21

phương pháp NGR_ER và BCLR cho thấy sự cải thiện lớn nhất trong

độ nhọn của hàm phân bố do thường cho độ tán EF nhỏ.

3.3.2. Yếu tố nhiệt độ điểm sương

Tương tự yếu tố T2m, các kết quả đánh giá dựa trên chỉ số CRPS

cho thấy các phương pháp EMOS cho dự báo xác suất có độ tin cậy

cao hơn so với Raw tại hầu hết các khu vực nghiên cứu ngoại trừ

phương pháp NGR_ER cho các khu vực từ TTB đến NB. Nếu so

sánh giữa các phương pháp EMOS, độ tin cậy của dự báo xác suất

được cải thiện nhiều nhất khi áp dụng các phương pháp NGR_EM và

NGR_EP. Phương pháp NGR_ER cho thấy sự cải thiện ít tại các khu

vực từ TB đến BTB và ngược lại. Theo các khu vực nghiên cứu, sự

cải thiện độ tin cậy của dự báo xác suất tại các khu vực từ TB đến

ĐBBB là lớn hơn nhiều so với khu vực còn lại.

Sau khi áp dụng các phương pháp EMOS, xu hướng dự báo thiên

thấp Td2m của Raw đã gần như bị triệt tiêu. Biểu đồ hạng của các

phương pháp BCMA, BCES, BCKF, NGR_EM và NGR_EP đã có

dạng gần phẳng (độ tin cậy của dự báo xác suất đã được tăng lên và

độ tán của EF đã phù hợp hơn). Trong khi đó, các phương pháp

NGR_ER và BCLR lại cho biểu đồ hạng có dạng hình chữ U đặc

trưng (độ tán EF quá nhỏ so với thực tế). Đối với độ rộng 90.48%,

kết quả đánh giá cho thấy tất cả các phương pháp EMOS cho độ rộng

nhỏ hơn so với Raw trong đó các phương pháp NGR_ER và BCLR

cho thấy sự cải thiện lớn nhất do các phương pháp này cho độ tán EF

nhỏ hơn nhiều so với các phương pháp EMOS còn lại. Các kết quả

tương tự cũng được tìm thấy cho các hạn dự báo +48h và +72h.

3.3.3. Yếu tố nhiệt độ tối cao ngày

Từ bảng 3.19 có thể nhận thấy ngoại từ phương pháp NGR_ER

tại các khu vực ĐBBB và BTB có chỉ số CRPS lớn hơn Raw, các

22

phương pháp EMOS còn lại đều cho trị số CRPS nhỏ hơn Raw tại tất

cả các khu vực nghiên cứu. Hay nói cách khác, chất lượng dự báo xác

suất Tmax từ Raw đã được cải thiện khi áp dụng các phương pháp

EMOS này. Các phương pháp NGR_EM, NGR_EP tiếp tục là các

phương pháp cho sự cải thiện tốt nhất tại hầu hết các khu vực nghiên

cứu, kế tiếp là BCMA và BCES. Phương pháp NGR_ER chỉ cho thấy

sự cải thiện nhỏ ở các khu vực ngoại trừ 2 khu vực ĐBBB và BTB.

Bảng 3.19: Tương tự bảng 3.13 nhưng cho yếu tố Tmax Phƣơng

pháp EMOS

Khu vực nghiên cứu

TB VB ĐB ĐBBB BTB TTB NTB TN NB

BCMA 0.73 0.74 0.81 0.69 0.63 0.62 0.54 0.52 0.54

BCLR 0.82 0.82 0.88 0.76 0.68 0.65 0.6 0.59 0.61

BCES 0.72 0.73 0.78 0.67 0.61 0.59 0.51 0.49 0.51

BCKF 0.87 0.93 1.0 0.89 0.76 0.68 0.63 0.62 0.63

NGR_ER 1.09 1.16 1.23 1.1 0.97 0.94 0.79 0.8 0.83

NGR_EP 0.69 0.73 0.76 0.66 0.62 0.59 0.53 0.52 0.52

NGR_EM 0.71 0.73 0.77 0.66 0.61 0.57 0.51 0.51 0.5

Raw 1.55 1.28 0.98 0.76 0.77 0.72 0.69 0.67 0.61

Các kết quả đánh giá dựa trên biểu đồ hạng, độ phủ và độ rộng

90.48% cũng cho thấy độ tán EF, độ tin cậy và độ nhọn của dự báo

xác suất từ các phương pháp EMOS đã được cải thiện so với Raw.

Các phương pháp cho thấy sự cải thiện tốt nhất trong độ tán tổ hợp là

NGR_EM và NGR_EP. Trong khi đó, các phương pháp BCMA,

BCLR, BCKF, BCES và NGR_ER mặc dù cho thấy sự cải thiện độ

tán nhưng lại đưa đến độ tán quá nhỏ so với thực tế. Đối với độ nhọn,

các phương pháp NGR_ER và BCLR cho thấy sự cải thiện lớn nhất

do có độ tán EF nhỏ.

3.3.4. Yếu tố nhiệt độ tối thấp ngày

Các kết quả đánh giá chất lượng dự báo xác suất cho yếu tố Tmin

gần tương tự như các yếu tố T2m, Td2m và Tmax. Các phương pháp

NGR_EM, NGR_EP, BCMA và BCES tiếp tục là các phương pháp

23

cho sự cải thiện tốt nhất trong kỹ năng dự báo xác suất (tăng độ tin

cậy) tại hầu hết các khu vực nghiên cứu. Tuy nhiên, mức độ cải thiện

về độ tin cậy, độ tán EF, độ phủ và độ nhọn không lớn như trong dự

báo các yếu tố T2m, Td2m và Tmax.

3.4. Đánh giá khả năng ứng dụng trong điều kiện nghiệp vụ

Các kết quả đánh giá có thế thấy về cơ bản hầu các phương pháp

EMOS đã đáp ứng được cả khía cạnh chất lượng dự báo (theo tiêu

chí đánh giá chất lượng bản tin dự báo được quy định trong Quyết

định số 96/QĐ-KTTVQG ban hành ngày 29 tháng 3 năm 2012 quy

định về việc đánh giá dự báo thời tiết hạn ngắn của Trung tâm KTTV

Quốc gia) và yêu cầu thời gian của bài toán nghiệp vụ. Từ các kết

quả đánh giá ở trên có thể thấy các phương pháp NGR_EM,

NGR_EP, BCMA và BCES là các phương pháp EMOS tốt nhất cho

hệ thống SREPS. Ngược lại, các phương pháp EMLR, BCKF và

NGR_ER không đem lại nhiều hiệu quả trong việc nâng cao chất

lượng dự báo EM và xác suất của hệ thống SREPS mặc dù vẫn đáp

ứng được yêu cầu về thời gian nghiệp vụ.

KẾT LUẬN VÀ KIẾN NGHỊ

Từ các nghiên cứu lý thuyết về các phương pháp EMOS và tính

toán thử nghiệm một số phương pháp EMOS được lựa chọn dựa trên

bộ số liệu dự báo của hệ thống SREPS từ năm 2008 đến 2010, tác giả

rút ra một số nhận xét và kết luận như sau:

1) Luận án đã tổng quan được các nghiên cứu về bài toán

EMOS và đã lựa chọn được 10 phương pháp EMOS phù hợp cho hệ

thống SREPS của TTDBTƯ

2) Luận án đã ứng dụng được 10 phương pháp EMOS nói trên

để nâng cao chất lượng dự báo EM và xác suất của hệ thống SREPS

dựa trên chuỗi số liệu thử nghiệm từ 2008-2010. Kết quả đánh giá

24

cho thấy hầu hết các phương pháp EMOS được thử nghiệm đều cho

thấy sự cải thiện trong chất lượng dự báo EM và xác suất trong đó

các phương pháp đem lại nhiều sự cải thiện trong chất lượng dự báo

EM và xác suất là NGR_EM, NGR_EP, BCMA và BCES.

3) Luận án đã chỉ ra được tính hiệu quả của các phương pháp

EMOS trong việc nâng cao chất lượng dự báo trung bình tổ hợp và

xác suất từ hệ thống SREPS cho một số yếu tố nhiệt độ bề mặt.

4) Luận án đã chỉ ra được khả năng ứng dụng nghiệp vụ của

phương pháp EMOS được lựa chọn. Cụ thể, Phương pháp NGR_EM,

BCMA và BCES có thể triển khai vào bài toán nghiệp vụ tại

TTDBTƯ để nâng cao chất lượng dự báo trung bình tổ hợp và xác

suất của hệ thống SREPS.

5) Luận án đã góp phần nâng cao chất lượng dự báo của các hệ

thống NWP tại TTDBTƯ và cung cấp thêm nguồn thông tin tham

khảo hữu ích cho các dự báo viên cũng như hướng nghiên cứu có liên

quan đến dự báo tổ hợp và EMOS trong tương lai.

Trên cơ sở khoa học và thực nghiệm nhận được từ luận án, tác

giả kiến nghị một số hướng nghiên cứu tiếp theo như sau:

1) Cần tiếp tục đầu tư hướng nghiên cứu hậu xử lý cho dự báo

tổ hợp (EMOS).

2) Triển khai nghiệp vụ hệ thống EMOS được lựa chọn tại

TTDBTƯ cho hệ thống SREPS.

3) Nghiên cứu xây dựng các phương pháp EMOS cho mục đích

nâng cao chất lượng dự báo các trường khí quyển từ các hệ thống dự

báo tổ hợp.

4) Nghiên cứu tối ưu hóa một số phương pháp EMOS có sử

dụng các công thức và hệ số thực nghiệm để phù hợp với điều kiện

Việt Nam.