duybeo_ngo_hihi
New Member
Download miễn phí Luận án Nghiên cứu khả năng mô phỏng mùa các yếu tố khí tượng trên lãnh thổ Việt Nam bằng phương pháp thủy động và thống kê
Mục lục
Lời cam đoan . 1
Lời Thank .2
Mục lục.3
Danh mục các ký hiệu và chữviết tắt .5
Danh mục hình ảnh .7
Danh mục các bảng .13
Mở đầu .15
Chương 1 CÁC NGHIÊN CỨU VỀDỰBÁO KHÍ HẬU KHU VỰC BẰNG
MÔ HÌNH SỐTRỊ.18
1.1. Tình hình nghiên cứu trên thếgiới 21
1.1.1. Tại sao cần dựbáo khí hậu khu vực bằng mô hình RCM? .21
1.1.2. Những nghiên cứu ứng dụng RCM vào dựbáo khí hậu khu vực .26
1.2. Tình hình nghiên cứu trong nước 32
1.3. Những nghiên cứu vềthống kê hiệu chỉnh sản phẩm mô hình số 35
Chương 2 PHƯƠNG PHÁP MÔ HÌNH HÓA KHÍ HẬU KHU VỰC VÀ
PHƯƠNG PHÁP THỐNG KÊ SẢN PHẨM MÔ HÌNH SỐ(MOS) .38
2.1. Phương pháp mô hình hóa khí hậu khu vực ứng dụng vào mô hình RegCM3 39
2.1.1. Động lực học .39
2.1.2. Các thành phần vật lý trong RegCM3 .45
2.2. Phương pháp thống kê sản phẩm mô hình số 66
2.2.1. Các phương pháp đánh giá thống kê mô hình khí hậu .66
2.2.2. Phương pháp luyện mạng thần kinh nhân tạo ANN .70
2.3. Nguồn sốliệu sửdụng 74
Chương 3 KẾT QUẢMÔ PHỎNG CÁC TRƯỜNG KHÍ TƯỢNG TRÊN
KHU VỰC ĐÔNG NAM Á BẰNG MÔ HÌNH KHÍ HẬU KHU VỰC RegCM3 .77
3.1. Thời tiết, khí hậu khu vực ĐNA trong thập kỷcuối thếkỷXX 77
3.2. Hoàn lưu, nhiệt độ, độ ẩm và lượng mưa của RegCM3 78
3.2.1. Cấu hình động lực .78
3.2.2. Lựa chọn sơ đồtham sốhóa vật lý.85
3.2.3. Kết quảmô phỏng 10 năm của RegCM3 với bộtham sốtối ưu.99
Chương 4 CẢI THIỆN KẾT QUẢMÔ PHỎNG NHIỆT ĐỘVÀ LƯỢNG
MƯA CỦA MÔ HÌNH RegCM3 BẰNG SƠ ĐỒTHAM SỐHÓA ĐỐI
LƯU MỚI VÀ BẰNG PHƯƠNG PHÁP HIỆU CHỈNH THỐNG KÊ .107
4.1. Cải tiến RegCM3 bằng sơ đồtham sốhóa đối lưu mới 107
4.1.1. Lý do chọn lựa sơ đồtham sốhóa đối lưu Tiedtke .107
4.1.2. Mô hình RegCM3 với sơ đồ đối lưu mới Tiedtke.109
4.1.3. Đánh giá thống kê.117
4.2. Cải thiện kết quảmô phỏng nhiệt độvà lượng mưa của RegCM3 nhờ
hiệu chỉnh bằng ANN 126
4.2.1. Lý do chọn phương pháp hiệu chỉnh bằng ANN .126
4.2.2. Các kết quảsau khi hiệu chỉnh.130
KẾT LUẬN .140
TÀI LIỆU THAM KHẢO.143
PHỤLỤC
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
Hanssen
và Kuipers
H FHK
H M F CN
= −+ +
-1 Æ 1
tốt = 1
xấu = 0
Dự báo sự kiện “có” phân biệt
tốt đến đâu so với sự kiện
“không” ?
Chỉ số kỹ
năng
Heidke
.
.
( ) e ran
e ran
H CN HHSS
N H
+ −= −
e.ran
( )( )1
( )( )
H M H F
H
CN M CN FN
+ +⎡ ⎤= ⎢ ⎥+ + +⎣ ⎦
-∞Æ 1
tốt = 1
xấu = 0
Độ chính xác của dự báo quan
hệ với tính ngẫu nhiên như thế
nào?
69
c/ Các phương pháp đánh giá đối với dự báo đa nhóm
Các phương pháp đánh giá đối với dự báo đa nhóm cũng bắt đầu với bảng
ngẫu nhiên biểu diễn tần số dự báo và quan trắc trong các nhóm nhỏ khác nhau
(Bảng 2.3). Trong bảng này, n(Fi,Oj) ký hiệu số dự báo thuộc nhóm thứ i có số quan
trắc thuộc nhóm thứ j, N(Fi) là tổng số dự báo thuộc nhóm i, N(Oj) là tổng số quan
trắc thuộc nhóm j, và N là tổng số quan trắc. Một hệ thống dự báo hoàn hảo phải đạt
các giá trị khác 0 chỉ trên đường chéo và các giá trị ngoài đường chéo phải bằng 0.
Các chỉ số Acc, chỉ số kỹ năng Heidke và biệt thức Hanssen và Kuipers ở đây tương
tự như phương pháp phân đôi nhưng là lấy tổng theo nhóm (Bảng 2.4).
Bảng 2.3: Bảng ngẫu nhiên đối với dự báo đa nhóm
Quan trắc Nhóm Tổng
i,j 1 2 ... K
1 n(F1,O1) n(F2,O1) ... n(FK,O1) N(F1)
Dự báo 2 n(F1,O2) n(F2,O2) ... n(FK,O2) N(F2)
Nhóm ... ... ... ... ... ...
K n(F1,OK) n(F2,OK) ... n(FK,OK) N(FK)
Tổng N(O1) N(O2) ... N(OK) N
Bảng 2.4: Bảng các chỉ số đánh giá dự báo đa nhóm
Chỉ số Biểu thức tính Giá trị Ý nghĩa
Độ chính
xác Acc 1
1 ( , )
K
i i
i
Acc n F O
N =
= ∑ 0 Æ 1 tốt = 1 Dự báo đúng bao nhiêu phần trăm?
Chỉ số kỹ
năng
Heidke
2
1 1
2
1
1 1( , ) ( ) ( )
11 ( ) ( )
K K
i i i i
i i
K
i i
i
n F O N F N O
N NHSS
N F N O
N
= =
=
−
=
−
∑ ∑
∑
-∞Æ 1
tốt = 1
xấu = 0
Độ chính xác của dự
báo quan hệ với tính
ngẫu nhiên như thế
nào?
Biệt thức
Hanssen và
Kuipers
2
1 1
2
2
1
1 1( , ) ( ) ( )
11 ( ( ))
K K
i i i i
i i
K
i
i
n F O N F N O
N NHK
N F
N
= =
=
−
=
−
∑ ∑
∑
-1 Æ 1
tốt = 1
xấu = 0
Dự báo sự kiện “có”
phân biệt tốt đến đâu
so với sự kiện
“không” ?
d/ Phương pháp đánh giá đối với dự báo các biến liên tục
Minh họa cho phương pháp đánh giá dự báo các biến liên tục và phương
pháp thống kê là một ví dụ về tập hợp 10 ngày nhiệt độ được dự báo bởi Stanski
vcs. (1989). Đánh giá các dự báo biến liên tục thường được thực hiện bằng đồ thị tụ
điểm và đồ thị hộp cũng như một vài chỉ số tổng quát trong Bảng 2.5.
70
Bảng 2.5: Bảng các chỉ số đánh giá dự báo biến liên tục
Chỉ số Biểu thức tính Giá trị Ý nghĩa
ME
1
1 ( )
N
i i
i
ME F O
N =
= −∑ -∞Æ∞ tốt = 0 Sai số dự báo trung bình bằng bao nhiêu?
MAE
1
1 N
i i
i
MAE F O
N =
= −∑ 0Æ∞ tốt = 0 Biên độ trung bình của sai số dự báo
RMSE 2
1
1 ( )
N
i i
i
RMSE F O
N =
= −∑ 0Æ∞ tốt = 0 Biên độ trung bình của sai số dự báo
Hệ số tương
quan r 2 2
( )( )
( ) ( )
F F O O
r
F F O O
− −= − −
∑
∑ ∑
-1Æ1
tốt = 1
Tương quan giữa giá trị dự
báo và giá trị quan trắc
2.2.2. Phương pháp luyện mạng thần kinh nhân tạo ANN
Phương pháp luyện ANN là một trong những phương pháp hiệu quả được
đánh giá cao trong số các phương pháp thống kê sản phẩm mô hình số do khả năng
biểu diễn quan hệ vật lý phi tuyến giữa các đại lượng khí tượng. Hình 2.6 biểu diễn
tổng quát quá trình này từ sản phẩm dự báo của GCM hay RCM về quy mô địa
phương, trong đó giá trị tại lưới thô của GCM hay RCM trên một khu vực nhỏ nào
đó được trích ra làm nhân tố dự báo cho các điểm trạm hay các vùng nhỏ hơn
thông qua các phương trình hồi quy, tương quan, ...
Hình 2.6: Dự báo cho địa phương bằng phương pháp thống kê sản phẩm của GCM
hay RCM.
71
Ý tưởng xây dựng ANN bắt nguồn từ việc nghiên cứu hệ thần kinh sinh học
của con người, trong đó quan trọng nhất là sự điều khiển của bộ não sau đó là sự lan
truyền thông tin trong hệ thống các tế bào thần kinh [Haykins, 1994]. Tuy không
được xây dựng chặt chẽ và phức tạp như hệ thống thần kinh sinh học nhưng ANN
lại có thể mô hình hoá được rất nhiều quá trình phức tạp của các hệ thống thần kinh
sinh học và ngoài ra, rất nhiều đặc tính của ANN lại không có trong các hệ thần
kinh sinh học. Ví dụ, ANN có thể bao gồm các đầu ra là các giá trị hằng số riêng lẻ
trong khi đó đầu ra của các neuron sinh học là một chuỗi liên kết và biểu hiện phức
tạp theo thời gian của các nhánh. Sau đây là hình vẽ so sánh cấu trúc của mạng thần
kinh sinh học với ANN (Hình 2.7).
Hình 2.7: Cấu trúc của
mạng thần kinh sinh học
(trên) và cấu trúc ANN
(dưới).
[
sight.com/fig/0330250
106025.png]
Đối với mạng thần kinh sinh học, thông tin có thể lan truyền từ cơ quan thụ
cảm về não bộ hay ngược lại nhưng đều theo một cách thức như nhau là thông qua
các xung thần kinh trên các sợi trục thần kinh và liên kết hoá học trên các khớp thần
kinh. Cách thức lan truyền thông tin này được ANN mô phỏng đơn giản hơn rất
nhiều nhưng cũng khá đầy đủ và tương đồng. Ban đầu, thông tin từ các nhánh thần
kinh đi vào một neuron sinh học, tương ứng với việc cung cấp các đầu vào cho các
nodes trên ANN. Sau đó thông tin lan truyền trên sợi trục thần kinh, tương ứng với
các hàm truyền của ANN. Các khớp thần kinh sinh học tương ứng với các trọng số
trong ANN. Cuối cùng thông tin đi tới một cơ quan thực hiện hành động, tương ứng
với việc ANN cho ra một kết xuất. ANN có thể rất phức tạp bao gồm nhiều nút,
nhiều lớp ẩn nhưng đơn giản nhất là chỉ có 1 lớp đầu vào, 1 lớp ẩn và lớp kết xuất.
72
Một trong những toán tử thường được sử dụng nhiều nhất trong ANN là toán
tử lan truyền ngược (back-propagation) trong đó thông tin không những được lan
truyền tiến dọc theo các nút nhờ hàm truyền và các trọng số mà còn được lan truyền
ngược trở lại để cập nhật các trọng số sao cho sai số giữa kết xuất và hàm đích giảm
đi. Phương pháp cực tiểu hoá sai số giữa kết xuất và hàm đích thường được sử dụng
là phương pháp học giảm dốc nhất (phương pháp giảm gradient). Mục đích là tính
gradient sao cho cực tiểu hóa sai số tổng cộng giữa giá trị mong muốn trong thực tế
và kết xuất của ANN. Nguyên tắc học là trọng số được cập nhật sao cho làm giảm
gradient tổng cộng của sai số theo mọi trọng số trên tất cả các mẫu nghĩa là di
chuyển theo hướng ngược lại của gradient sai số tổng cộng, theo hướng giảm sai số
nhiều nhất trên mặt lỗi (Hình 2.8).
Hình 2.8: Mặt lỗi là hàm của
các trọng số. Điểm dốc nhất
trên mặt lỗi là nơi sai số tổng
cộng nhỏ nhất.
ANN thường sử dụng hàm truyền logistic sigmoid (logsig) hay hyperbolic
tangent sigmoid (tansig) trong các lớp ẩn. Đối với lớp kết xuất, nếu hàm đích là
những giá trị biến đổi từ 0 đến 1, ANN sẽ sử dụng hàm sigmoid, ngược lại sẽ sử
dụng hàm tuyến tính (purelin) như được biểu diễn trong Hình 2.9.
(a) Hàm truyền logistic
sigmoid
(b) Hàm truyền hyperbolic
tangent sigmoid
(c) Hàm truyền tuyến
tính
Hình 2.9: Các dạng hàm truyền cơ bản của ANN, (a) hàm Log-sigma, (b) tan-
sigma, (c) tuyến tính [Demuth vcs., 2000]...