Thử nghiệm hệ thống đồng hóa GIS trong bài toán dự báo định lượng mưa trên khu vực Nam Bộ

1TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
Ban Biên tập nhận bài: 05/12/2018 Ngày phản biện xong: 14/02/2019 Ngày đăng bài 25/02/2019
THỬ NGHIỆM HỆ THỐNG ĐỒNG HÓA GSI TRONG
BÀI TOÁN DỰ BÁO ĐỊNH LƯỢNG MƯA TRÊN KHU VỰC
NAM BỘ
Phạm Quang Nam1, Mai Văn Khiêm1, Nguyễn Quang Trung1, Vũ Văn Thăng1
1Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu
Email: vvthang26@gmail.com
1. Mở đầu
Ngày nay, mô hình số trị đóng vai trò quan
trọng trong bài toán dự báo thời tiết và đặc biệt
trong dự báo định lượng mưa [1]. Mặc dù các hệ
thống mô hình số trị đã có những bước tiến vượt
bậc nhưng vấn đề dự báo mưa của mô hình vẫn
chứa đựng nhiều sai số, đặc biệt ở khu vực nhiệt
đới và gió mùa [2, 12]. Độ chính xác của các dự
báo thời tiết bằng mô hình số trị phụ thuộc vào
nhiều yếu tố khác nhau, tuy nhiên trong đó có
vai trò quan trọng của điều kiện ban đầu. Do vậy,
việc cải thiện chất lượng trường ban đầu đã và
đang được các nhà khoa học và các trung tâm
nghiên cứu lớn trên thế giới tập trung nghiên cứu
phát triển [2]. Một trong những cách tiếp cận để
cải thiện trường ban đầu là cập nhật các số liệu
địa phương bị bỏ qua hoặc chưa kịp cập nhật vào
mô hình toàn cầu. Kỹ thuật cập nhật số liệu quan
trắc cho trường ban đầu của mô hình số trị được
gọi là đồng hóa số liệu (data assimilation). Đồng
hóa số liệu cho mô hình dự báo khu vực được kỳ
vọng sẽ nâng cao kĩ năng dự báo của mô hình,
đặc biệt với dự báo lượng mưa [8].
Những thập kỷ gần đây chứng kiến sự phát
triển mạnh mẽ của các kỹ thuật đồng hóa số liệu
[11]. Các phương pháp đồng hóa cổ điển như nội
suy tối ưu (optimum interpolation) hay hiệu
chỉnh liên tiếp (successive correction method) đã
được thay thế bằng các kỹ thuật hiện đại với cách
tiếp cận biến phân. Ví dụ như phương pháp đồng
hóa biến phân 3 chiều (3DVar), 4 chiều (4DVar)
và các biến thể lọc Kalman tổ hợp (EnKF) [17].
Trong đó, phương pháp 4DVar yêu cầu nhiều tài
nguyên tính toán do số liệu quan trắc được cập
nhật theo thời gian đòi hỏi phải sử dụng mô hình
tiếp tuyến và liên hợp để tính toán sự phù hợp
của các trường phân tích trên cửa sổ đồng hóa
[7, 8]. Do đó, việc ứng dụng phương pháp 4DVar
hiện tại chỉ được thực hiện ở một số trung tâm dự
báo lớn, nơi có hệ thống tính toán rất mạnh, như
Trung tâm dự báo hạn vừa của Châu Âu, Cơ
quan khí tượng Nhật Bản, và Cơ quan khí tượng
của Pháp [11].
Với mức độ phát triển cao, các phương pháp
Tóm tắt: Nghiên cứu này đánh giá khả năng mô phỏng 15 ngày mưa lớn tại khu vực TP. Hồ Chí
Minh trong năm 2018 của mô hình WRF khi đồng hóa số liệu radar Nhà Bè. Trước đó, ảnh hưởng
của quá trình đồng hóa đến trường ban đầu đã được phân tích thông qua khảo sát ba chế độ chạy
đồng hóa khác nhau, bao gồm cold start, warm start và cycling. Kết quả cho thấy độ phản hồi ở chế
độ cold start trở nên tương đồng với trường hợp không đồng hóa sau một giờ tích phân. Ở chế độ
warm start, khác biệt của trường ban đầu so với trường hợp không đồng hóa kéo dài hơn, cho thấy
vai trò quan trọng của trường dự báo từ kết quả tích phân trước đó. So sánh với số liệu quan trắc
lượng mưa tại 11 trạm quan trắc bề mặt, kết quả cho thấy sự cải thiện của các chỉ số FBI, POD, CSI
khi chạy ở chế độ cycling. Điều này có thể thấy qua kết quả đánh giá ở cả ba ngưỡng mưa 1, 5 và
10 mm cũng như ở các hạn dự báo 6h và 12h. 
Từ khóa: Đồng hóa số liệu, Mô hình WRF, 3DVar, Radar Nhà Bè.
2 TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
đồng hóa số liệu đòi hỏi nhiều bước tính toán
cũng như quá trình xử lý số liệu nhiều bước [13].
Một trong những ví dụ điển hình là hệ thống
đồng hóa số liệu tích hợp của mô hình WRF
(Weather Research and Forecasting model),
được gọi là WRF-DA (WRF-Data Assimilation
System). Ở Việt Nam, một số nghiên cứu về đồng
hóa số liệu như của Trần Tân Tiến và Nguyễn
Thị Thanh (2011) đã sử dụng WRF-DA để thử
nghiệm đồng hóa số liệu vệ tinh MODIS bằng
phương pháp 3DVar để dự báo mưa lớn ở khu
vực Trung Bộ [15]; Trần Tân Tiến và cs (2013)
cũng đã ứng dụng phương pháp lọc Kalman tổ
hợp vào dự báo cường độ bão 5 ngày [16]. Các
kết quả cho thấy chất lượng của dự báo ở các hạn
gần đã tốt hơn so với trường hợp không đồng
hóa. Tuy nhiên, việc áp dụng WRF-DA còn chưa
rộng rãi ở Việt Nam do hạn chế về tài nguyên
tính toán cũng như nguồn nhân lực để tiếp cận
với các phương pháp đồng hóa phức tạp.
Một trong những nỗ lực để giúp việc nghiên
cứu bài toán đồng hóa được đồng bộ và hiệu quả
hơn là sự phát triển của hệ thống đồng hóa GSI
(Gridpoint Statistical Interpolation) [6]. Hệ
thống GSI cho phép vận hành với nhiều loại số
liệu quan trắc và trường nền từ nhiều mô hình số
trị khác nhau. Trải qua hơn một thập kỷ phát
triển, hệ thống GSI có thể vận hành với nhiều
phương pháp đồng hóa, bao gồm cả đồng hóa lai
tổ hợp. Phương pháp đồng hóa lai tổ hợp biến
phân 3 chiều được đề xuất lần đầu tiên bởi
Hamill và Snyder (2000) [5], để tận dụng những
ưu điểm và hạn chế các nhược điểm trong
phương pháp đồng hóa biến phân. Một số nghiên
cứu sử dụng hệ thống GSI với đồng hóa lai đã
đưa ra kết luận rằng phương pháp này cho chất
lượng dự báo các trường tốt hơn [10, 12, 17].
Tuy nhiên, theo hiểu biết của nhóm tác giả, hệ
thống GSI hiện tại chưa được nghiên cứu và thử
nghiệm ở Việt Nam. Do đó, mục đích của nghiên
cứu này là lần đầu tiên thử nghiệm áp dụng hệ
thống đồng hóa số liệu GSI trong bài toán dự báo
mưa ở Việt Nam. Bước đầu, Nam Bộ được chọn
làm khu vực nghiên cứu với đặc trưng của khí
hậu nhiệt đới gió mùa và cận xích đạo. Mùa mưa
ở Nam Bộ kéo dài từ tháng 5 đến tháng 11, đóng
góp trên 70% tổng lượng mưa cả năm [9]. Vào
mùa mưa, thường hay xuất hiện những cơn mưa
có cường độ lớn trên một số địa phương trong
vùng. Đặc biệt, tác động của biến đổi khí hậu gây
ra những cơn mưa trái mùa với lượng mưa lớn
chưa từng có trong lịch sử. Khi mưa kết hợp với
triều cường và lũ sẽ gây ngập úng, ảnh hưởng
đến sản xuất và đời sống của dân cư trong vùng.
Bên cạnh đó, Nam Bộ có ba hồ thủy lợi lớn và
quan trọng là Dầu Tiếng, Trị An và Phước Hòa,
có vai trò điều tiết lũ. Do đó, nghiên cứu dự báo
mưa cho Nam Bộ có ý nghĩa cả về mặt khoa học
và xã hội.
Trong nghiên cứu này, hệ thống GSI sẽ được
thử nghiệm với phương pháp đồng hóa 3DVar
và đồng hóa lai tổ hợp biến phân 3 chiều (3DHy-
bEnVar) cùng với ba loại số liệu quan trắc khác
nhau. Mô tả về hệ thống GSI, nguồn số liệu và
thiết kế thí nghiệm được trình bày ở phần 2, kết
quả và thảo luận ở phần 3, và kết luận ở phần 4.
2. Hệ thống GSI, nguồn số liệu và thiết kế
thí nghiệm
2.1a Giới thiệu về GSI
Hệ thống đồng hóa GSI ban đầu được phát
triển bởi Trung tâm Mô hình hóa Môi trường
(EMC) trực thuộc Trung tâm Dự báo Môi trường
Quốc gia Hoa Kỳ (NCEP) [6]. Sau khi được đưa
vào sử dụng cho nghiệp vụ tại Hệ thống đồng
hóa số liệu tại Bắc Mỹ (NDAS) vào tháng 6 năm
2006, hệ thống GSI đã được ứng dụng cho nhiều
hệ thống nghiệp vụ khác (v.d. Hệ thống đồng hóa
số liệu toàn cầu GDAS, Cơ quan Hàng không và
Vũ trụ quốc gia Hoa Kỳ - NASA, hệ thống dự
báo bão HWRF). Năm 2007, Trung tâm Thử
nghiệm và Phát triển của Hoa Kỳ (DTC), kết hợp
với nhóm phát triển chính của GSI, đã tiến hành
chuyển đổi hệ thống nghiệp vụ GSI sang dạng
mã nguồn mở, cũng như hỗ trợ việc phát triển và
phân phối [6]. Phiên bản nguồn mở đầu tiên của
hệ thống GSI được công bố vào năm 2009. Từ
đó cho đến nay đã có nhiều bản nâng cấp được
phát hành, với các phương pháp và kỹ thuật đồng
hóa mới, cũng như hỗ trợ thêm nhiều loại số liệu
quan trắc khác nhau.
3TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
Hình 1. Mô tả các tập tin đầu vào và đầu ra của hệ thống GSI
Hệ thống GSI cho phép đồng hóa số liệu theo
phương pháp biến phân 2 chiều (2DVar), biến
phân 3 chiều (3DVar), tổ hợp biến phân 3 chiều
(3DEnVar), biến phân 4 chiều (4DVar) nếu chạy
kết hợp với một mô hình liên hợp, tổ hợp biến
phân 4 chiều (4DEnVar), lai tổ hợp (3D/4D hy-
brid EnVar) và lọc Kalman tổ hợp [6]. Hệ thống
GSI hỗ trợ việc đồng hóa với trường nền từ năm
loại mô hình bao gồm (1) mô hình WRF với cả
hai lõi động lực ARW và NMM, cũng như mô-
đun hóa khí quyển WRF-Chem, (2) mô hình dự
báo toàn cầu GFS, (3) mô hình mô phỏng môi
trường NEMS, (4) hệ thống phân tích thời gian
thực quy mô vừa RTMA và (5) mô hình chất
lượng không khí CMAQ. Các loại số liệu có thể
được đồng hóa qua hệ thống GSI rất đa dạng về
quy mô bao gồm (1) các số liệu quan trắc truyền
thống, (2) số liệu quan trắc và ước lượng từ vệ
tinh và (3) các loại số liệu khác như quan trắc từ
radar hay GPS-RO (Global Positioning System -
Radio Occultation) [6].


          
     
            
      
         




Hình 1 mô tả các tập tin đầu vào và đầu ra yêu
cầu bởi hệ thống GSI. Trong hầu hết các trường
hợp, ba loại số liệu đầu vào cần có bao gồm: (1)
trường nền, (2) số liệu quan trắc và (3) các tập tin
cố định chứa thông tin về sai số trường nền và
trường quan trắc, cũng như hệ số hiệu chỉnh bức
xạ. Trong trường hợp chạy thử nghiệm với một
số liệu quan trắc giả (lý tưởng), hệ thống GSI
không cần số liệu quan trắc. Trong trường hợp
chạy 3D hybrid EnVar, cần có sản phẩm dự báo
tổ hợp cho toàn cầu hoặc khu vực. Trường nền có
thể lấy từ đầu ra của mô hình dự báo chạy độc
lập hoặc từ bước đồng hóa trước đó. Số liệu quan
trắc có thể lấy từ nhiều nguồn nhưng cần được
đưa về định dạng PrepBUFR hoặc BUFR [6].
Trường phân tích được tạo ra bởi hệ thống GSI
sẽ được sử dụng để làm trường ban đầu cho bước
dự báo tiếp theo của mô hình.
2.1b Ưu điểm của GSI
Có thể nhận thấy, với cấu trúc mang tính phổ
quát cao, hệ thống GSI có thể sử dụng với nhiều
loại số liệu cũng như hỗ trợ đồng hóa cho nhiều
loại mô hình [11]. Do đó, hệ thống GSI giúp
giảm bớt việc phát triển mới hệ thống đồng hóa
riêng biệt cho mỗi mô hình. Với cấu trúc nhất
quán, hệ thống GSI cho phép ứng dụng ở cả quy
mô khu vực và toàn cầu. Một số nghiên cứu đã
đánh giá sản phẩm dự báo của hệ thống GSI cho
Bắc bán cầu [17], cho khu vực như Bắc Mỹ [10]
hay cho Ấn Độ [12]. Hơn thế nữa, hệ thống GSI
cung cấp một nền tảng chuẩn cho việc đánh giá
và so sánh một cách có hệ thống các mô hình
cũng như tác động của các loại số liệu trong bài
toán đồng hóa số liệu [10]. Singh và Prasad
(2018) đã sử dụng GSI để so sánh khả năng dự
báo trong bốn tháng mùa hè năm 2015 tại Ấn Độ
giữa hai phương pháp 3DVar và 3D hybrid
EnVar [12]. Đánh giá qua các chỉ số thống kê
cho thấy phương pháp 3D hybrid EnVar giảm sai
số thiên dương trong dự báo mưa trên một số khu
4 TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
vực của Ấn Độ. Khi phát triển phương pháp tổ
hợp lai 3DVar hybrid EnVar cho hệ thống GSI,
Wang và ccs (2013) đã cho thấy tính ứng dụng
cao của hệ thống này trong việc nghiên cứu sâu
bài toán đồng hóa [17]. Các thí nghiệm như so
sánh tốc độ hội tụ của quá trình cực tiểu hóa hay
đánh giá mức độ hấp thụ số liệu vào trường phân
tích có thể được thực hiện trên nền tảng của GSI.
Ứng dụng hệ thống GSI được phổ biến như vậy
một phần nhờ GSI tính toán trên không gian
điểm lưới thay vì không gian phổ, giúp cho việc
áp dụng hiệp phương sai bất đồng nhất dị hướng
dễ dàng hơn [11]. Với những ưu điểm này, việc
ứng dụng hệ thống GSI ở những trung tâm dự
báo tại các quốc gia đang phát triển rất nên được
xem xét.
2.2 Nguồn số liệu
Ba loại số liệu quan trắc được sử dụng trong
việc đồng hóa bao gồm: (1) số liệu quan trắc tại
19 trạm khí tượng bề mặt (các biến nhiệt độ, khí
áp, độ ẩm tuyệt đối, và gió), (2) số liệu quan trắc
cao không tại trạm Hồ Chí Minh và (3) số liệu vệ
tinh GPS-RO. Các trạm quan trắc bề mặt phân
bố ở khu vực Nam Bộ với vị trí được chỉ ra bằng
chấm đỏ trên hình 2. GPS-RO là số liệu độ phản
hồi sóng vô tuyến giữa vệ tinh GPS và vệ tinh
LEO (low-Earth-orbiting) [4], lý thuyết xây
dựng trường số liệu này là sự khúc xạ của tín
hiệu GPS khi được truyền xuyên qua khí quyển,
và qua thực nghiệm đã xây dựng được một
phương trình mà có sự liên hệ với các trường
nhiệt độ, khí áp, và áp suất hơi nước [4]. Một
điểm đáng lưu ý là GSI yêu cầu số liệu quan trắc
dưới định dạng mã chuẩn BUFR/PrepBUFR [6]
nên trong nghiên cứu này một chương trình For-
tran đã được viết nhằm phục vụ quá trình chuyển
đổi định dạng số liệu. Số liệu dự báo toàn cầu
Global Forecast System (GFS) với độ phân giải
ngang 0,5x0,5 độ kinh vĩ, 32 mực thẳng đứng,
và 84 giờ dự báo, được sử dụng làm điều kiện
ban đầu và điều kiện biên cho mô hình WRF. Số
liệu được tải về từ địa chỉ
https://www.ncdc.noaa.gov/data-access/model-
data/model-datasets/global-forcast-system-gfs.
Để đánh giá kết quả dự báo mưa của mô hình
trong các trường hợp thử nghiệm, số liệu mưa
ước lượng từ sản phẩm vệ tinh GSMaP [14] và
số liệu quan trắc lượng mưa ngày của 19 trạm
tương ứng được sử dụng.


          
     
            
      
         




Hình 2. Độ cao địa hình (m), miền tính và vị trí các trạm quan trắc
2.3 Thiết kế thí nghiệm
Ứng dụng hệ thống GSI phiên bản 3.6 với hai
phương pháp đồng hóa số liệu 3DVar và 3D hy-
brid EnVar, kết hợp với ba loại số liệu quan trắc
khác nhau, bốn trường hợp thử nghiệm đã được
tiến hành như mô tả trong bảng 1. Trong đó, hai
thí nghiệm với phương pháp 3D hybrid EnVar
sử dụng số liệu dự báo tổ hợp 21 thành phần của
hệ thống dự báo tổ hợp toàn cầu (Global En-
semble Forecast System – GEFS). Số liệu này có
thể tải về từ địa chỉ:
https://www.ncdc.noaa.gov/data-access/model-
data/model-datasets/global-ensemble-forecast-
system-gefs
5TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
Bảng 1. Mô tả các thí nghiệm được thực hiện


7rQWKtQJKLӋP 0{Wҧ 6ӕOLӋXGQJÿӇÿӗQJKyD
1R'$ .K{QJÿӗQJKyD .K{QJFy
'9DU ĈӗQJKyDELӃQSKkQFKLӅX 4XDQWUҳFWҥLWUҥPYjFDR
NK{QJ'+\E(Q9DU ĈӗQJKyDODLWәKӧSELӃQ
SKkQFKLӅX'+\E(Q9DUB*3652 4XDQWUҳFWҥLWUҥPFDRNK{QJYj*3652




Trường nền được tạo bởi mô hình WRF phiên
bản 3.9.1 với 3 miền tính, như minh họa trên
Hình 2. Tâm miền tính ở 10 độ vĩ Bắc và 110,4
độ kinh Đông. Độ phân giải ngang tương ứng
của 3 miền là 54 km (100x65 điểm lưới), 18 km
(151x91 điểm lưới), 6 km (157x109 điểm lưới)
với 36 mực thẳng đứng. Bộ tham số của mô hình
được lựa chọn gồm lớp biên hành tinh MYJ, sơ
đồ đối lưu Grell-Devenyi, vi vật lý mây WSM6,
sơ đồ bức xạ RRTM và sơ đồ đất của NCEP [13].
Năm đợt mưa lớn xảy ra trên khu vực Nam Bộ
được thử nghiệp dự báo với hạn dự báo 84 giờ
(thời điểm khởi chạy là 12Z) bao gồm: 01-
03/08/2016, 09-13/09/2016, 20-22/09/2016, 24-
26/09/2016, và 23-26/10/2016.
Các chỉ số thống kê đánh giá dự báo pha được
sử dụng để đánh giá kết quả dự báo của mô hình
khi so sánh với số liệu quan trắc tại trạm [3].
Trong đánh giá dự báo pha, bảng ngẫu nhiên
được xây dựng để đánh giá sự phù hợp giữa sự
xảy ra hiện tượng trong dự báo và quan trắc.
Bảng 2. Bảng ngẫu nhiên của pha dự báo
Quan trắc
Từ bảng 2, năm chỉ số đánh giá được tính
toán bao gồm:
Chỉ số FBI (hay Bias score) đánh giá tỷ số
giữa số trường hợp dự báo có xảy ra so với số
trường hợp thực tế quan trắc có xảy ra. FBI đạt
giá trị lý tưởng khi FBI bằng 1. Trong khi đó,
FBI1) cho thấy mô hình dự báo ít hơn
(hoặc nhiều hơn) số lần hiện tượng xảy ra so với
quan trắc. Xác suất phát hiện POD (Probability
of Detection) cho biết khả năng dự báo thành
công của mô hình, có giá trị nằm trong khoảng
[0,1]. Giá trị POD càng gần 1 thể hiện chất lượng
dự báo tốt càng tốt. Tỷ số dự báo sai FAR (False
Alarms Ratio) cho biết tỷ lệ dự báo khống của
mô hình (mô hình cho kết quả có nhưng thực tế
hiện tượng không xảy ra). Giá trị FAR biến đổi
trong khoảng [0,1], với giá trị tối ưu bằng 0.
Điểm số thành công CSI (Critical Success Index
hay Threat Score - TS) và chỉ số dự báo đúng PC
(Percentage Correct) có biến thiên từ 0 đến 1.
Trong đó, CSI (hoặc PC) bằng 0 nghĩa là mô
hình không có kỹ năng và CSI (hoặc PC) bằng 1
mô hình là hoàn hảo. Giá trị của PC càng lớn thì
số lần dự báo đúng của mô hình càng cao.
3. Kết quả và thảo luận
3.1 Đánh giá trường ban đầu
Gia số của trường ban đầu trong các trường
hợp đồng hóa so với không đồng hóa được thể
hiện trên hình 3 và hình 4 tương ứng với miền
tính thứ hai và thứ ba. Các biến được đánh giá tại
mực 850 mb bao gồm nhiệt độ, tốc độ gió kinh
vĩ hướng và tỷ lệ xáo trộn hơi nước. Nhìn chung,
sự thay đổi rõ rệt hơn cả của trường phân tích
nằm ở khu vực Lâm Đồng và Đồng Nai (v.d. tốc
độ gió kinh vĩ hướng chênh lệch hơn 1 m/s). Đối
với biến tỷ lệ xáo trộn hơi nước, khu vực có sự
thay đổi lan rộng hơn về phía thành phố Hồ Chí
Minh và Long An. Sự thay đổi của các trường
phân tích có thể do vị trí có số liệu quan trắc
        
 QuantrОc
  Có Không
D
сb
áo
 Có  	
Không  

 
 
 
 
 


        
  
   

   
  

+ ))%, + 0
   ȋͳȌ
+32' + 0   ȋʹȌ
))$5 + )   ȋ͵Ȍ
+&6, 76 0 ) +    ȋͶȌ
 


        
  
   

   
  

 
 
 
 
+ &13& 0 ) + &1
     ȋͷȌ


6 TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
        
  
   

   
  

 
 
 
 
 


được đồng hóa, kết hợp với bán kính ảnh hưởng
được xác định bởi thuật toán đồng hóa. Trong
trường hợp sử dụng phương pháp 3DVar, tồn tại
khu vực có sự tăng cục bộ rõ nét hơn vùng xung
quanh. Trong khi đó, trường hợp đồng hóa lai có
sự hài hòa hơn, khi độ lớn trường gia số không
chênh lệch cao giữa các vùng. Trường hợp
3DHybEnVar và 3DHybEnVar_GPS-RO không
có sự khác nhau nhiều. Điều này có thể là do các
trạm GPS ở xa khu vực đồng hóa trong miền tính.
Hình 3. Hiệu các trường ban đầu của các trường hợp đồng hóa và không đồng hóa tại thời điểm
12Z 24/10/2016, của miền tính thứ hai (d02)


Hình 4. Tương tự như hình 3 nhưng cho miền tính thứ ba (d03)
3.2 Đánh giá trường mưa
Kết quả dự báo lượng mưa tích lũy 24h của
mô hình WRF chạy không đồng hóa và các
trường hợp đồng hóa tại thời điểm 12Z của ngày
24/10/2016 theo 3 hạn dự báo 24h, 48h và 72h
được so sánh với số liệu mưa vệ tinh GSMaP
(Hình 5 và Hình 6). Nhìn chung, khi so sánh các
trường hợp đồng hóa và không đồng hóa, có thể
nhận thấy rằng đã có sự khác nhau về diện mưa
dự báo ở xung quanh những vị trí có số liệu quan
7TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
trắc được đồng hóa. Ở hạn dự báo 24h, vùng
mưa dự báo của các trường hợp đồng hóa có xu
hướng mở rộng ra, có thể nhìn thấy tại các vùng
lân cận thành phố Tân An, Kiến Tường, Cần
Thơ, và Rạch Giá. Trong đó, trường hợp 3DHy-
bEnVar_GPS-RO có sự mở rộng nhiều nhất và
khá phù hợp với GSMaP (Hình 6). Ở hạn dự báo
48h, tâm mưa lớn có xu hướng dịch chuyển sang
phía đông và trường hợp 3DHybEnVar_GPS-RO
cũng thể hiện điều này rõ hơn. Tuy nhiên, ở hạn
dự báo 72h, giữa các trường hợp đồng hóa không
còn sự khác nhau nhiều (Hình 6).


Hình 5. Lượng mưa 24h của số liệu GsMaP, và dự báo của mô hình với miền tính d02 trong các
trường hợp NoDA (không đồng hóa), 3DVar, 3DHybEnVar và 3DHybEnVar_GPS-RO, ở các hạn
dự báo 24h, 48h và 72h, chạy tại thời điểm 12Z 24/10/2016

               
   
             
             
             
             
   
             
             
             
             
   
             
             
             
             

Hình 6. Tương tự như hình 5 nhưng cho miền tính d03
3.3 Khả năng dự báo mưa định lượng
Lượng mưa dự báo được phân thành ba cấp
mưa (mưa vừa, mưa to và mưa rất to) tương ứng
với các ngưỡng lượng mưa là 16, 50 và 100
mm/24h. Các chỉ số thống kê FBI, POD, FAR,
CSI và PC được tính toán cho mỗi hạn dự báo
và trình bày trong Bảng 3. Nhìn chung, từ các
chỉ số thống kê, có thể thấy đối với ngưỡng mưa
trên 50mm, cả bốn trường hợp thử nghiệm của
mô hình đều cho dự báo với kĩ năng thấp.
Nguyên nhân một phần có thể là do dự báo của
mô hình cho không quá cao hoặc không quá
thấp, và do số đợt mưa lớn chạy thử nghiệm có
lượng mưa rơi vào các ngưỡng mưa trên 50 mm
8 TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
và 100 mm chưa nhiều, do đó, các phân tích sau
đây chỉ đánh giá cho ngưỡng mưa vừa.
Chỉ số FBI của các trường hợp, ở cả ba hạn
dự báo đều cho lớn hơn 1 hay nói cách khác là số
dự báo rơi vào ngưỡng mưa vừa cao hơn quan
trắc. Ở hạn dự báo 24h, trường hợp 3DVar cho
FBI gần 1 nhất (1,89). Với chỉ số POD và CSI thì
trường hợp 3DHybEnVar_GPS-RO cho con số
lớn nhất (tương ứng là 0,561 và 0,232), chỉ số
PC của trường hợp 3DHybEnVar_GPS-RO cũng
cho thấy dự báo tốt hơn các trường hợp đồng hóa
khác, mặc dủ nhỏ hơn trường hợp không đồng
hóa nhưng sự chênh lệch này là không đánh kể.
Ở hạn dự báo 48h, các chỉ số cho thấy hai trường
hợp của đồng hóa lai cho dự báo tốt hơn các
trường hợp khác, trong đó, trường hợp 3DHy-
bEnVar_GPS-RO có các chỉ số FBI = 1,743,
FAR = 0,358, và PC = 0,544 tốt nhất. Còn ở hạn
dự báo 72h thì trường hợp 3DHybEnVar cho dự
báo tốt hơn, với các chỉ số thống kê tốt nhất là
FBI = 2,245, FAR = 0,325, và PC = 0,614

677 3& PP PP !PP)%, 32' )$5 &6, )%, 32' )$5 &6, )%, 32' )$5 &6,
+ҥQGӵEiRK
             
             
             
             
+ҥQGӵEiRK
             
             
             
             
+ҥQGӵEiRK
             
             
             
             

Bảng 3. Điểm số đánh giá kỹ năng dự báo mưa ở các hạn dự báo 24h, 48h và 72h. Số thứ tự 1, 2,
3 và 4 tương ứng với các thí nghiệm NoDA, 3DVar, 3DHybEnVar và 3DHybEnVar_GPS-RO
4. Kết luận 
Trong nghiên cứu này, hệ thống đồng hóa
GSI đã được thiết lập thành công và chạy thử
nghiệm cho bài toán dự báo định lượng mưa ở
khu vực Nam Bộ. Đây là một hệ thống đồng hóa
số liệu có tính đồng bộ cao với khả năng cập nhật
nhiều loại số liệu và tương tác với trường nền từ
nhiều loại mô hình. Trong nghiên cứu này, hệ
thống GSI được thử nghiệm cho các phương
pháp đồng hóa 3DVar và 3DHybEnVar cùng với
ba loại số liệu (quan trắc bề mặt, cao không và số
liệu vệ tinh GPS-RO). Năm đợt mưa lớn xảy ra
vào năm 2016 được chọn để thử nghiệm dự báo.
Các kết quả bước đầu cho thấy tính ưu việt của
hệ thống GSI trong việc chuyển đổi số liệu quan
trắc sang định dạng chuẩn PrepBUFR nên thuận
tiện hơn trong việc lưu trữ, cũng như kiểm định
chất lượng của số liệu đầu vào. Thử nghiệm
đồng hóa lai 3DHybEnVar_GPS-RO đã cho dự
báo về diện mưa và ngưỡng mưa vừa (16-50
mm) trong các hạn dự báo 24h và 48h tốt hơn
các trường hợp còn lại. Hệ thống GSI đồng hóa
lai tổ hợp này kỳ vọng sẽ cải thiện chất lượng dự
báo mưa cho khu vực Việt Nam nếu các nguồn
số liệu địa phương được cập nhật. Tuy nhiên, cần
có những nghiên cứu chuyên sâu và ở quy mô
lớn hơn nhằm đưa ra những kết luận mang tính
tổng hợp hơn. Bên cạnh đó, một trong những
hướng nghiên cứu tiếp theo đối với hệ thống GSI
là xem xét thử nghiệm phương pháp đồng hóa
4DVar và số liệu quan trắc từ radar thời tiết
9TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
Lời cảm ơn: Bài báo được hoàn thành nhờ sự hỗ trợ của Đề tài “Nghiên cứu xây dựng hệ thống
nghiệp vụ dự báo định lượng mưa khu vực Nam Bộ và cảnh báo mưa lớn hạn cực ngắn cho thành
phố Hồ Chí Minh”, mã số KC.08.14/16-20.
Tài liệu tham khảo
1. Bauer, H.S., Schwitalla, T., Wulfmeyer, V., Bakhshaii, A., Ehret, U., Neuper, M., & Caumont,
O. (2015), Quantitative precipitation estimation based on high-resolution numerical weather pre-
diction and data assimilation with WRF–a performance test, Tellus A: Dynamic Meteorology and
Oceanography, 67 (1), https://doi.org/10.3402/tellusa.v67.25047.
2. Bauer, P., Thorpe, A., Brunet, G. (2015), The quiet revolution of numerical weather prediction.
Nature, 525, 47-55.
3. Jolliffe, I.T., Stephenson, D.B. (2012), Forecast verification: a practitioner's guide in atmos-
pheric science. John Wiley & Sons.
4. Ha, J., Lim, G., Choi, S. (2014), Assimilation of GPS Radio Occultation Refractivity Data
with WRF 3DVAR and Its Impact on the Prediction of a Heavy Rainfall Event. J. Appl. Meteor. Cli-
matol., 53, 1381-1398, https://doi.org/10.1175/JAMC-D-13-0224.1.
5. Hamill, T.M., Snyder, C. (2000), A Hybrid Ensemble Kalman Filter–3D Variational Analysis
Scheme. Mon. Wea. Rev., 128, 2905-2919.
6. Hu, M., Ge, G., Shao, H., Stark, D., Newman, K., Zhou, C., Beck, J., Zhang, X. (2017), Grid-
point Statistical Interpolation (GSI) User’s Guide v3.6. Developmental Testbed Center,
 149pp.
7. Huỳnh Thị Hồng Ngự, La Thị Cang (2008), Đồng hóa số liệu bằng phương pháp biến phân
bốn chiều trong dự báo thời tiết bằng phương pháp số trị. Tạp chí Khoa học và Công nghệ, 12, 98-
103.
8. Mazzarella, V., Maiello, I., Capozzi, V., Budillon, G., Ferretti, R. (2017), Comparison between
3D-Var and 4D-Var data assimilation methods for the simulation of a heavy rainfall case in central
Italy. Adv. Sci. Res., 14, 271-278, https://doi.org/10.5194/asr-14-271-2017.
9. Nguyễn Đức Ngữ, Nguyễn Trọng Hiệu (2013), Khí hậu và Tài nguyên Khí hậu Việt Nam. Nhà
xuất bản Khoa học Kỹ thuật, Hà Nội, 296tr.
10. Pan, Y., Zhu, K., Xue, M., Wang, X., Hu, M., Benjamin, S.G., Weygandt, S.S., Whitaker, J.S.
(2014), A GSI-Based Coupled EnSRF-En3DVar Hybrid Data Assimilation System for the Opera-
tional Rapid Refresh Model: Tests at a Reduced Resolution. Mon. Wea. Rev., 142, 3756-3780,
https://doi.org/10.1175/MWR-D-13-00242.1.
11. Shao, H., Derber, J., Huang, X.Y., Hu, M., Newman, K., Stark, D., Lueken, M., Zhou, C.,
Nance, L., Kuo, Y.H., Brown, B. (2016), Bridging Research to Operations Transitions: Status and
Plans of Community GSI. Bull. Amer. Meteor. Soc., 97, 1427-1440, doi: 10.1175/BAMS-D-13-
00245.1.
12. Singh, S.K., Prasad, V.S. (2018), Evaluation of precipitation forecasts from 3D-Var and hy-
brid GSI-based system during Indian summer monsoon 2015. Meteorology and Atmospheric Physics,
https://doi.org/10.1007/s00703-018-0580-y.
13. Skamarock, W.C., Klemp, J.B., Dudhia, J., Gill, D.O., Barker, D.M., Duda, M.G., Huang,
X.Y., Wang, W., Powers, J.G. (2008), A description of the Advanced Research WRF v3. NCAR
Technical Note NCAR/TN-475CSTR.
14. Kubota, T., Shige, S., Hashizume, H., Aonashi, K., Takahashi, N., Seto, S., Hirose, M.,
Takayabu, Y.N., Nakagawa, K., Iwanami, K., Ushio, T., Kachi, M., Okamoto, K. (2007), Global Pre-
cipitation Map using Satelliteborne Microwave Radiometers by the GSMaP Project: Production and
10 TẠP CHÍ KHÍ TƯỢNG THỦY VĂNSố tháng 02 - 2019
BÀI BÁO KHOA HỌC
Validation, IEEE Trans. Geosci. Remote Sens., 45 (7), 2259-2275.
15. Trần Tân Tiến, Nguyễn Thị Thanh (2011), Đồng hóa dữ liệu vệ tinh MODIS trong mô hình
WRF để dự báo mưa lớn ở khu vực Trung Bộ. Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và
Công nghệ, 27, tr. 90-95.
16. Trần Tân Tiến, Hoàng Thị Mai, Công Thanh (2013), Ứng dụng phương pháp lọc Kalman tổ
hợp vào dự báo cường độ bão 5 ngày. Tạp chí khoa học Đại học Quốc gia Hà Nội. Khoa học Tự
nhiên và Công nghệ, 29, 201-206.
17. Wang, X., Parrish, D., Kleist, D., Whitaker, J. (2013), GSI 3DVar-Based Ensemble–Variational
Hybrid Data Assimilation for NCEP Global Forecast System: Single-Resolution Experiments. Mon.
Wea. Rev., 141, 4098-4117, https://doi.org/10.1175/MWR-D-12-00141.1.
AN EXPERIMENT WITH GSI SYSTEM FOR DATA ASSIMILA-
TION TO IMPROVE QUANTITATIVE RAINFALL FORECAST
OVER SOUTHERN VIETNAM REGION
Pham Quang Nam1, Mai Van Khiem1, Nguyen Quang Trung1, Vu Van Thang1
1Viet Nam institute of Meteorology, Hydrology and climate change 
Abstract: This study represents some experiment results of data assimilation using GSI (Grid-
point Statistical Interpolation) system, with the aim to improve quantitative rainfall forecast of WRF
(Weather Research Forecasting) model over the Southern region. Observed datasets of surface,
sounding and GPS-RO satellite data were collected and converted to the PrepBUFR format which
is required by GSI. The GSI is run with cases of 3DVar assimilation and 3DHybEnVar, as well as
combined with data observations, along with the non-assimilated to create four cases for the ex-
periment. The results show that 3DHybEnVar with all the observed datasets (3DHybEnVar_GPS-RO)
has forecasted the spatial distribution of rainfall and medium threshold (16-50 mm 24h-1h) at 24h
and 48h lead times are better than others.
Keywords: GSI, 3DVar, Hybrid-EnVar, Rainfall forecast, Southern Vietnam.