Trong khuôn khổ đề tài cấp Bộ về “Nghiên cứu đổi mới công nghệ dự báo khí hậu nông nghiệp. Áp dụng cho dự báo điều kiện khí hậu nông nghiệp và tác động đến sản xuất lúa ở khu vực đồng bằng sông Hồng” do ThS. Trần Thị Tâm làm chủ nhiệm, nhóm thực hiện đã nghiên cứu đánh giá kỹ năng dự báo của mô hình NOAH – MP LSM về điều kiện khí hậu nông nghiệp ở vùng đồng bằng sông Hồng.
Nghiên cứu đưa ra một cách tiếp cận mới, được thiết kế đặc biệt để dự báo khí tượng nông nghiệp trong khí hậu nhiệt đới gió mùa. Mục tiêu bao quát là tăng cường quy hoạch và quản lý nông nghiệp bằng cách cung cấp dự báo thời tiết nông nghiệp chính xác và kịp thời. Bài viết này thể hiện một bước đột phá trong việc giới thiệu phương pháp LSP-DS (Land-Surface-Physics-Based Downscaling viết tắt là LSP-DS) để dự báo khí tượng nông nghiệp trong bối cảnh đặc thù của Đồng bằng sông Hồng. Thông qua đánh giá có hệ thống và xem xét các ý nghĩa thực tiễn, nghiên cứu nỗ lực cung cấp hỗ trợ có giá trị cho các hoạt động nông nghiệp tối ưu trong điều kiện khí hậu nhiệt đới gió mùa.
LSP-DS được xây dựng dựa trên mô hình mặt đất offline Noah Multi-Physics (Noah-MP) được phát triển tại NCAR với một loạt dữ liệu đầu vào bao gồm thông tin che phủ đất, phân loại các loại bề mặt như rừng, khu đô thị và đất trồng trọt ảnh hưởng đến sự hấp thụ năng lượng và trao đổi độ ẩm. Các đặc tính của đất như kết cấu, độ ẩm và đặc tính nhiệt ảnh hưởng đáng kể đến khả năng giữ nước, truyền nhiệt và sự phát triển của thực vật. Các điều kiện ban đầu cung cấp các trạng thái ban đầu về độ ẩm, nhiệt độ của đất và lớp phủ tuyết, tạo điều kiện cho việc khởi tạo mô hình chính xác. Dữ liệu cưỡng bức khí tượng, bao gồm các biến số như bức xạ mặt trời, nhiệt độ không khí, độ ẩm, tốc độ gió và lượng mưa, điều khiển các tính toán của mô hình và phản ánh các điều kiện khí quyển trong thế giới thực. Các thông số thực vật, chẳng hạn như chỉ số diện tích lá và chiều cao cây, sự thoát hơi nước tác động, quang hợp và hấp thụ năng lượng.
LSP-DS kết hợp với hệ thống Noah MP sử dụng dữ liệu phân tích lại CFSR (số liệu tái phân tích lấy từ mô hình toàn cầu) làm dữ liệu “cưỡng bức”khí quyển. Bộ dữ liệu LULC hàng năm 30m trên toàn Việt Nam được sử dụng để xây dựng dữ liệu đầu vào về sử dụng đất/lớp phủ cho miền LSP-DS. Dữ liệu quan trắc từ các trạm khí tượng ở vùng đồng bằng sông Hồng và các vùng lân cận, gồm các yếu tố khí tượng ngày giai đoạn 2020: Nhiệt độ trung bình hàng ngày, nhiệt độ tối đa hàng ngày và nhiệt độ tối thiểu hàng ngày, cũng như độ ẩm tương đối trung bình hàng ngày và tối thiểu hàng ngày.
Trong nghiên cứu này, trước tiên chúng tôi đánh giá hiệu suất của hệ thống LSP-DS về nhiệt độ và độ ẩm trên các trạm trên mặt đất.Trong nghiên cứu này, trước tiên chúng tôi đánh giá hiệu suất của hệ thống LSP-DS về nhiệt độ và độ ẩm trên các trạm trên mặt đất. Hình 1 và 2 hiển thị biểu đồ Taylor đã chuẩn hóa về nhiệt độ không khí trung bình hàng ngày và độ ẩm tương đối. Biểu đồ Taylor được chuẩn hóa tương tự như biểu đồ Taylor thông thường, nhưng với độ lệch chuẩn được chuẩn hóa thành 1. Điều này cho phép chúng ta hình dung nhiều quan sát trên một biểu đồ, không giống như biểu đồ Taylor ban đầu, được sử dụng để so sánh hiệu suất của các mô hình hoặc việc thực hiện mô hình cho một quan sát duy nhất. Mặc dù sơ đồ Taylor chuẩn hóa làm mất thông tin về độ lệch chuẩn thực tế, nhưng chúng tôi giải quyết vấn đề này bằng cách trình bày một biểu đồ bổ sung thể hiện sự phân bố của sai số bình phương trung bình gốc và độ lệch
Hình 1. Biểu đồ Taylor chuẩn hóa (trái) và RMSE so với độ lệch (phải) cho nhiệt độ trung bình hàng ngày được mô phỏng trong năm 2020. Màu sắc và điểm đánh dấu biểu thị các trạm quan sát, tên của chúng được hiển thị trong chú giải bên dưới. Trong sơ đồ Taylor độ lệch chuẩn chuẩn hóa nằm trên trục hướng tâm; Hệ số tương quan nằm trên trục góc. (a), (b) và (c) chỉ ra kết quả cho ba tiểu mục tương ứng là đất rừng, đất trồng trọt và đất phi thực vật
Hình 2. Biểu đồ Taylor chuẩn hóa (trái) và RMSE so với độ lệch (phải) cho độ ẩm tương đối trung bình hàng ngày được mô phỏng trong năm 2020 . Màu sắc và điểm đánh dấu biểu thị các trạm quan sát, tên của các trạm này được hiển thị trong chú giải bên dưới. Trong sơ đồ Taylor độ lệch chuẩn chuẩn hóa nằm trên trục hướng tâm; Hệ số tương quan nằm trên trục góc. (a), (b) và (c) chỉ ra kết quả cho ba tiểu mục tương ứng là đất rừng, đất trồng trọt và đất phi thực vật.
Để hiểu cách mô hình hoạt động trên các bề mặt đất khác nhau, chúng tôi chia khu vực nghiên cứu, nơi đặt các trạm trên mặt đất, thành ba loại thảm phủ: rừng, đất trồng trọt và không có thảm thực vật. Kết quả cho thấy hiệu suất tổng thể vượt trội của hệ thống LSP-DS so với các quan sát. Đáng chú ý, các hệ số tương quan luôn thể hiện giá trị cao trên 0,9 ở tất cả các trạm, mặc dù có sự khác biệt nhỏ giữa các loại sử dụng đất khác nhau. Khi kiểm tra sai số quân phương (RMSE) và số liệu sai lệch, một số khác biệt về hiệu suất sẽ trở nên rõ ràng. Cụ thể, loại sử dụng đất phi thực vật thể hiện hiệu suất thuận lợi nhất, với độ lệch nhỏ và RMSE luôn ở mức dưới 2 ˚C. Mặt khác, đối với các vùng có rừng, các giá trị sai lệch và RMSE có xu hướng thể hiện sự khác biệt lớn hơn giữa các trạm. Tại một số trạm nhất định, sự chênh lệch về độ lệch rất cao, vượt quá 4˚C. Điều này cho thấy hiệu suất của hệ thống LSP-DS ở các khu vực có rừng thay đổi đáng kể tùy thuộc vào vị trí cụ thể, với một số khu vực có độ lệch đáng kể so với các giá trị quan sát được.
Về độ ẩm tương đối, độ lệch của mô hình có vẻ không giống nhau giữa các thảm phủ, đặc biệt ở thảm phủ rừng. Một số trạm thể hiện sự đánh giá quá cao về độ ẩm tương đối, trong khi đó một số trạm lại thể hiện sự đánh giá thấp. Điều này cho thấy hoạt động của mô hình có thể thay đổi tùy theo các điều kiện thời tiết khác nhau, chẳng hạn như những ngày ẩm ướt và khô ráo. Do đó, cần có nghiên cứu sâu hơn và toàn diện hơn về mô hình nhiệt ẩn để làm sáng tỏ mối tương tác phức tạp này.
Về bản chất, những phát hiện trong nghiên cứu này nhấn mạnh sự cần thiết phải có sự hiểu biết sâu sắc về hiệu suất của mô hình trong các điều kiện khắc nghiệt, cũng như vai trò quan trọng của việc tinh chỉnh các tham số mô hình bề mặt đất và khám phá những điểm phức tạp của mô hình nhiệt tiềm ẩn có thể đóng vai trò nâng cao tính chính xác và khả năng ứng dụng của mô hình.