- ĐÁNH GIÁ VÀ LỰA CHỌN MÔ HÌNH KHÍ HẬU TOÀN CẦU (GCMs-CMIP5) CHO KHU VỰC ĐỒNG BẰNG SÔNG CỬU LONG.
- Mục tiêu của nghiên cứu này là đánh giá và lựa chọn mô hình khí hậu toàn cầu GCMs (Global Climate Models) từ Coupled Model Intercomparison Project 5 (CMIP5) thích hợp cho khu vực Đồng bằng sông Cửu Long (ĐBSCL).
- Phương pháp thống kê được sử dụng để đánh giá độ tin cậy các mô hình GCMs thông qua các chỉ số (sai số bình phương trung bình chuẩn hóa (NRMSE), sai số trung bình chuẩn hóa (NME), phần trăm sai lệch (PBias)) và các mô hình GCMs được chọn được tích hợp theo gia trọng (Wi).
- Từ kết quả tích hợp này, xu hướng thay đổi lượng mưa tương lai từ CMIP5) theo các kịch bản phát thải thấp (RCP2.6), trung bình (RCP4.5) và cao (RCP8.5) được phân tích và đánh giá.
- Kết quả phân tích thống kê (của 16 mô hình) cho thấy khả năng mô phỏng lượng mưa của các mô hình tương đối khác nhau.
- Từ kết quả này, 5 mô hình gồm BBC-CSM 1.1, GFDL-CM3, MIROC5, MRI-CGCM3, và NoESM1-M được chọn (dựa vào các chỉ số trên) để tích hợp theo gia trọng (Wi).
- Kết quả tích hợp 5 mô hình trên theo gia trọng có khả năng mô phỏng tốt lượng mưa cho khu vực, với các giá trị PBias và NSE (Hệ số Nash Sutcliffe) lần lượt là +2,3% và 0,87.
- Do đó, cả 5 mô hình này được chọn để đánh giá xu thế và ảnh hưởng của thay đổi lượng mưa đến quản lý tài nguyên nước trong tương lai cho khu vực ĐBSCL..
- Đánh giá và lựa chọn mô hình khí hậu toàn cầu (GCMs-CMIP5) cho khu vực Đồng bằng sông Cửu Long.
- Theo Trần Thọ Đạt và Vũ Thị Hoài Thu (2012), khi trái đất nóng dần lên, lượng mưa sẽ thay đổi và xảy ra các hiện tượng thời tiết cực đoan như lũ lụt, hạn hán, cháy rừng.
- Theo Phạm Khôi Nguyên (2009) và Nguyễn Minh Quang (2012), trong 50 năm qua nhiệt độ trung bình năm tăng khoảng 0,50C-0,70C trên phạm vi cả nước và lượng mưa có xu hướng giảm ở phía Bắc và tăng ở phía Nam lãnh thổ.
- RCP2.6 tương ứng với mức bức xạ thấp nhất (2.6Wm-2), RCP4.5 mức trung bình thấp (4.5Wm- 2), RCP6.0 mức trung bình cao (6.0Wm-2) và RCP8.5 mức cao nhất (8.5Wm-2) đại diện được mô tả để dự đoán khí hậu trong tương lai vào cuối thế kỷ 21 (Taylor et al., 2012).
- Tổng số có 16 mô hình GCMs (Global Climate Models) được sử dụng để thu thập số liệu lượng mưa trong quá.
- Mặc dù các mô hình khí hậu toàn cầu GCMs có độ phân giải cao nhưng vẫn cần được chi tiết hóa để sử dụng cho địa phương và từng khu vực (Phạm Quang Nam et al., 2013).
- Những phương pháp khác nhau đã được phát triển để hiệu chỉnh lại số liệu của các mô hình GCMs cho phù hợp với đặc trưng thống kê của chuỗi số liệu thực đo tại vùng nghiên cứu (Teutschbein và Seibert, 2012).
- Trong nghiên cứu này, phương pháp thống kê được sử dụng để đánh giá và lựa chọn mô hình khí hậu toàn cầu GCMs tin cậy cho khu vực ĐBSCL (thông qua các chỉ số: sai số bình phương trung bình chuẩn hóa (NRMSE), sai số trung bình chuẩn hóa (NME), và phần trăm sai lệch (PBias))..
- Kết quả của nghiên cứu này được sử dụng để đánh giá xu thế và ảnh hưởng của thay đổi lượng mưa đến quản lý nước trong sản xuất nông nghiệp ở tương lai cho khu vực ĐBSCL..
- 2 PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Thu thập số liệu.
- Thu thập số liệu lượng mưa trung bình ngày thực đo trong quá khứ tại 10 trạm Khí tượng Thủy văn (KTTV) khu vực ĐBSCL..
- Số liệu lượng mưa của các mô hình khí hậu toàn cầu GCMs trong quá khứ và tương lai với độ phân giải của các mô hình GCMs thay đổi từ 125 đến 417 (km)..
- Bảng 1: Dữ liệu mưa các mô hình GCMs trong quá khứ và tương lai gồm các kịch bản RCP2.6, RCP4.5 và RCP8.5 (kịch bản phát thải thấp RCP2.6, trung bình RCP4.5 và cao RCP8.5) (Meinshausen et al., 2011)..
- Bảng 1: Danh mục mô hình khí hậu toàn cầu (GCMs) từ Dự án CMIP5 GCMs Mô hình Độ phân giải.
- 3 CanESM2 313×314 Trung tâm phân tích và mô hình khí.
- 2.2 Xử lý số liệu.
- Số liệu mưa trung bình ngày từ các mô hình khí hậu toàn cầu GCMs - CMIP5 (được tải từ:.
- Lượng mưa trung bình cho khu vực ĐBSCL (P TB ) của từng mô hình GCM được xác định theo phương pháp đa giác Thiessen:.
- Trong đó: P i : là lượng mưa tại vị trí (điểm số liệu) i.
- Trong nghiên cứu này, phương pháp thống kê được sử dụng để đánh giá và từ đó lựa chọn mô hình GCMs phù hợp cho khu vực ĐBSCL.
- Các chỉ số thống kê được xem xét bao gồm: sai số bình phương trung bình (RMSE), giá trị RMSE càng tiến tới 0 thì mô hình dự báo càng chính xác (Soojin Moon và Boosik Kang, 2014).
- Sai số bình phương trung bình chuẩn hóa (NRMSE):.
- 1), mức chấp nhận của mô hình là hệ số NSE nằm trong khoảng 0,5<.
- Sai số trung bình (ME) và sai số trung bình chuẩn hóa (NME) (Phan Văn Tân, 2005)..
- Hình 1: Vị trí tọa độ các điểm số liệu của 16 mô hình GCMs (CMIP5) Sau khi kiểm tra độ tin cậy của 16 mô hình.
- GCMs, các mô hình GCMs được chọn dựa vào ba chỉ số thống kê (NRMSE, NME, Pbias).
- Gia trọng (Wi) được tính cho từng mô hình GCMs dựa trên các chỉ số thống kê về mức độ chính xác của các mô hình (Gain et al., 2011).
- (2011) (tính cho lưu lượng) để tính cho lượng mưa trong nghiên cứu này.
- Các chỉ số thống kê được sử dụng để đánh giá các mô hình GCMs được tính theo công thức sau:.
- Trong đó: Wi là gia trọng, n là số tháng, i là số mô hình, X TĐ,i là giá trị thực đo, X MP,i là giá trị mô phỏng, là giá trị thực đo trung bình..
- Kết quả kiểm tra độ tin cậy các mô hình là quá trình đánh giá các số liệu đầu ra của các mô hình GCMs với số liệu thực đo tương ứng.
- 3.1 Kiểm tra sai số trung bình chuẩn hóa NME.
- của các mô hình GCMs.
- Để kiểm tra sai số trung bình chuẩn hóa (NME) của số liệu các mô hình GCMs, NME.
- Kết quả tính NME.
- Hình 2: Sai số trung bình chuẩn hóa (NME) của các mô hình GCMs Hình 2 cho thấy NME.
- các mô hình không.
- đồng đều, những mô hình có NME.
- Những mô hình có NME.
- đó, các mô hình GCMs: BBC-CSM1.1, GFDL- CM3, MIROC5, MRI-CGCM3, NoESM1-M là tốt nhất..
- 3.2 Kiểm tra sai số bình phương trung bình chuẩn hóa NRMSE.
- của mô hình GCMs.
- Sai số bình phương trung bình chuẩn hóa NRMSE.
- thể hiện phần trăm sự khác biệt tương đối giữa số liệu các mô hình GCMs và thực đo.
- Kết quả tính sai số bình phương trung bình chuẩn hóa được thể hiện trong Hình 3 (với CvTĐ là hệ số biến thiên của số liệu thực đo)..
- Hình 3: Sai số bình phương trung bình chuẩn hóa của các mô hình GCMs.
- Hình 3 cho thấy giá trị sai số bình phương trung bình chuẩn hóa NRMSE.
- của các mô hình GCMs thấp (nằm trong khoảng 10-20%) như:.
- NoESM1-M(19%) cho thấy sự mô phỏng của các mô hình ở mức tốt.
- của các mô hình GCMs nằm trong khoảng 20-30% như:.
- Các mô hình còn lại có NRMSE.
- các mô hình GCMs, mô hình ở mức tốt khoảng 10-20% và ở mức khá 20-30% được chọn (Ruijvenet al., 2010)..
- 3.3 Kiểm tra sai số PBias của mô hình GCMs.
- Các mô hình GCMs được kiểm tra phần trăm sai lệch (PBias) và kết quả thể hiện trong Hình 4..
- hình GCMs.
- Trong 16 mô hình GCMs có 5 mô hình có phần trăm sai lệch tương đối thấp và khá gần với phần trăm sai lệch trong khoảng cho phép (-10%<PBias<10%) (Moriasi et al., 2007).
- Sự sai lệch giữa giá trị thực đo với giá trị các mô hình BBC-CSM 1.1 là 3,3%, GFDL-CM3 là 8,18%, MIROC5 là -12,16%, MRI-CGCM3 là 6,55%, NoESM1-M là 10,95%, MIROC5 là -12,16%, NoESM1-M là 10,95%.
- Các mô hình còn lại có phần trăm sai lệch PBias khá cao, nằm ngoài khoảng tin cậy rất xa và không đủ độ tin cậy để sử dụng..
- Do đó, từ số liệu kiểm tra sai số trung bình.
- sai số bình phương trung bình chuẩn hóa NRMSE.
- và PBias cho thấy rằng số liệu mô phỏng của 5 mô hình BBC-CSM 1.1, GFDL-CM3, MIROC5, MRI-CGCM3, NoESM1- M tốt nhất và đủ độ tin cậy sử dụng để dự tính sự thay đổi lượng mưa tương lai nhằm đánh giá ảnh hưởng đến vùng nghiên cứu..
- 3.4 Giá trị trung bình lượng mưa.
- Để kiểm tra khả năng dự đoán và sai số của các mô hình, lượng mưa trung bình tháng của từng mô hình riêng lẻ và lượng mưa trung bình tháng trung bình của 5 mô hình (TB) được so sánh với số liệu thực đo (THỰC ĐO) trong quá khứ được thể hiện trong Hình 5..
- Hình 5: So sánh lượng mưa trung bình tháng của từng mô hình và 5 mô hình (TB) với số liệu thực đo Từ Hình 5 có thể thấy các mô hình đều mô.
- phỏng tương đối tốt lượng mưa các tháng mùa khô, gồm tháng và 4 với sai khác không đáng kể.
- Tuy nhiên, trong các tháng mùa mưa (tháng và 11), cả kết quả mô phỏng của 5 mô hình đều có sự sai khác tương đối lớn, nhất là mô hình MIROC5 và MRI-CGCM3 có sự sai khác rất lớn ở một số tháng (tháng 5, 6 - MIROC5.
- Khi giá trị trung bình của 5 mô hình (lượng mưa trung bình tháng) được xem xét thì sai khác giữa giá trị này với giá trị thực đo có giảm so với khi xét từng mô hình riêng lẻ.
- Điều này cho thấy khi xét lượng mưa trung bình tháng của từng mô hình riêng lẻ hay giá trị.
- trung bình của cả 5 mô hình thì mức độ tin cậy của kết quả mô phỏng không cao, nhất là vào các tháng mùa mưa.
- Do vậy, việc tích hợp kết quả mô phỏng của 5 mô hình trên theo gia trọng (được xác định dựa vào các chỉ số thống kê) là cần thiết nhằm tăng độ tin cậy của số liệu mô phỏng được sử dụng để dự báo lượng mưa trong tương lai..
- 3.5 Gia trọng của các mô hình GCMs Năm mô hình GCMs (BBC-CSM 1.1, GFDL- CM3, MIROC5, MRI-CGCM3, NoESM1-M) được tính trọng số (Wi) theo các công thức thống kê cho từng mô hình (dựa vào mức độ tin cậy tính ở trên)..
- Kết quả tính gia trọng (Wi) cho 5 mô hình GCMs và kết quả tích hợp lượng mưa của 5 mô hình theo gia trọng thể hiện trong Bảng 2, Hình 6 và 7..
- Bảng 2: Gia trọng các mô hình GCMs.
- Hình 6: So sánh lượng mưa tích hợp từ 5 mô hình GCMs và thực đo Kết quả tính gia trọng của các mô hình được.
- trình bày trong Bảng 2 cho thấy mô hình BBC- CSM 1.1 nhận giá trị cao nhất và tiếp theo lần lượt là giá trị các mô hình MRI-CGCM3, GFDL-CM3, MIROC5, NoESM1-M.
- Gia trọng (Wi) càng cao thì khả năng mô phỏng các mô hình càng chính xác.
- Kết quả so sánh cho thấy rằng giá trị tích hợp của 5 mô hình GCMs và giá trị thực đo không có sự khác biệt nhiều như thể hiện trên Hình 6..
- Hình 7 cho thấy sai lệch giữa số liệu tích hợp từ 5 mô hình GCMs và thực đo tương đối thấp, với phần trăm sai lệch PBias và hệ số NSE lần lượt là PBias=+2,3%, NSE=0,87 cho thấy số liệu tích hợp từ 5 mô hình GCMs đủ độ tin cậy để sử dụng.
- Sai số của lượng mưa trung bình tháng trong trường hợp có gia trọng (TRUNG BÌNH (wi)) rất nhỏ qua hầu hết các tháng (trừ tháng 9).
- Hình 7: So sánh lượng mưa trung bình tháng giữa thực đo với trung bình 5 GCMs có gia trọng (TRUNG BÌNH (wi)) và không gia trọng (TRUNG BÌNH) giai đoạn 1980-2005.
- 3.6 Sự thay đổi lượng mưa tương lai theo các kịch bản.
- Theo IPCC (2007c), gia tăng nhiệt độ toàn cầu có khả năng dẫn đến thay đổi về lượng mưa và độ.
- Kết quả tính lượng mưa trung bình tháng tương lai (2030s) theo các kịch bản RCP2.6, RCP4.5, RCP8.5 thể hiện trong Hình 8..
- Hình 8: Sự thay đổi lượng mưa tương lai 2030s theo các kịch bản Hình 8 cho thấy lượng mưa tương lai (2030s).
- Kịch bản RCP2.6 lượng mưa biến động nhiều, tăng trong các tháng và giảm vào các tháng .
- Kịch bản RCP4.5 lượng mưa tăng trong các tháng và giảm vào các tháng .
- Kịch bản RCP8.5 lượng mưa tăng trong các tháng và giảm vào các tháng .
- Nhìn chung, các kịch bản RCP2.6, RCP4.5, RCP8.5 lượng mưa đều tăng mạnh vào các tháng 2, 3 và 11, nhưng vào những tháng trong mùa mưa tăng-giảm không đồng đều và biến động thấp, do đó không ảnh hưởng nhiều đến lượng mưa trong năm..
- Kết quả nghiên cứu cho thấy khả năng mô phỏng lượng mưa đối với các mô hình: BCC- CSM1.1(m), CanESM2, CNRM-CM5, FGOALS- g2, HadGEM2- ES, IPSL-CM5A-LR, IPSL- CM5A-MR, MIROC-ESM, MIROC-ESM-CHEM, MPI_ESM-LR, MPI-ESM-MR không tốt, trong khi đó các mô hình: BBC-CSM 1.1, GFDL-CM3, MIROC5, MRI-CGCM3, NoESM1-M có kết quả mô phỏng rất tốt..
- Phương pháp thống kê có thể áp dụng để xác định độ tin cậy của mô hình toàn cầu GCMs, từ đó chọn được mô hình tin cậy có thể sử dụng để đánh giá xu thế và ảnh hưởng của thay đổi lượng mưa đến quản lý tài nguyên nước trong tương lai cho khu vực ĐBSCL..
- Bộ Tài nguyên và Môi trường, kịch bản biến đổi khí hậu và nước biển dâng cho Việt Nam..
- Nghiên cứu lựa chọn sản phẩm mô hình khí hậu toàn cầu từ dự án CMIP5 cho khu vực Việt Nam.
- Phương pháp thống kê trong khí hậu.
- Biến đổi khí hậu