Đánh giá tính bất định của mô hình mưa – dòng chảy nhằm nâng cao hiệu quả dự báo tác nghiệp

Đề tài đã đạt được mục đích nghiên cứu thử nghiệm cho lưu vực khu giữa sông Lô từ trạm thủy văn Hà Giang đến trạm thủy văn Hàm Yên. Kết quả của đề tài có ý nghĩa khoa học và thực tiễn, góp phần nâng cao hiệu quả phục vụ công tác dự báo lũ tác nghiệp cho lưu vực sông Lô.

Sông Lô – Ảnh minh họa

Nghiên cứu ứng dụng phương pháp GLUE ước lượng bất định của dữ liệu đầu vào trong mô phỏng dòng chảy lũ

Ở Việt Nam, nhiều mô hình mưa – dòng chảy như MIKE, TANK, NAM, SSARR, HEC1, HMS, MARINE, WetSpa, HYMOD….đã được áp dụng để mô phỏng dòng chảy cho các lưu vực sông từ quy mô lớn đến quy mô nhỏ. Trong đó, có nhiều công trình nghiên cứu ứng dụng mô hình thủy văn trong công tác dự báo, đặc biệt là dự báo lũ. Kết quả thu được từ những công trình này đã và đang mang lại những lợi ích thiết thực trong việc phòng chống lũ lụt, góp phần phát triển kinh tế xã hội. Tuy nhiên, trong công tác dự báo đặc biệt là dự báo lũ vẫn luôn là bài toán khó đối với các nhà khoa học, các chuyên gia dự báo khí tượng thủy văn. Công nghệ phổ biến hiện nay là ghép đôi giữa mô hình khí tượng và mô hình thủy văn, như vậy kết quả dự báo chính xác phải dựa trên 2 yếu tố: (1) dữ liệu khí tượng dự báo chính xác và (2) mô hình dòng chảy phải đạt độ chuẩn xác về cấu trúc. Đặc biệt, trong quá trình sử dụng các mô hình mưa – dòng chảy luôn tồn tại những sai số nhất định do các nguyên nhân chủ quan cũng như khách quan. Các yếu tố ảnh hưởng đến độ chính xác của mô phỏng mưa dòng chảy và dự báo lũ từ mô hình thủy văn như: số liệu quan trắc, cách xử lý số liệu, cấu trúc mô hình, bộ thông số không tối ưu, điều kiện biên, điều kiện ban đầu, .v.v. Sai số do đo đạc, xử lý số liệu là khó tránh khỏi, đã ảnh hưởng trực tiếp đến số liệu đầu vào; sai số phát sinh do lựa chọn phương pháp tính toán không phù hợp với điều kiện thực tế; …. Ngay cả ứng dụng các mô hình toán cũng gặp sai số, khi xác định bộ thông số mô hình. Sai số trong các quá trình là nguyên nhân ảnh hưởng trực tiếp đến kết quả tính toán. Hơn nữa, do thiếu hiểu biết về lưu vực nghiên cứu và số liệu thực đo dẫn đến các trường hợp có nhiều bộ thông số trong mô hình hay nhiều mô hình cùng đưa ra kết dự báo có chất lượng như nhau. Để chọn một mô hình cùng bộ thông số có thể sử dụng trong dự báo tác nghiệp cho một trường hợp cụ thể, các thành phần sau đây cần được xác định và ước lượng: (1) Mô hình: các tham số, các biến trạng thái, điều kiện ban đầu và điều kiện biên, và (2) Dữ liệu: giá trị đo đạc các biến vào và ra mô hình. Tất cả các thành phần trên đều chứa đựng tính bất định làm ảnh được đến giá trị dự báo. Trong khi đó, kết quả dự báo hiện nay chỉ cho một kết quả duy nhất tương ứng với số liệu đầu vào và bộ thông số nhất định nên không thể xem xét đánh giá được ảnh hưởng của những sai số gặp phải trong quá trình.

Vì vậy, đánh giá độ bất định của tham số và số liệu đầu vào mô hình đóng vai trò rất quan trọng. Đánh giá được độ sai lệch trong quá trình mô phỏng mưa dòng chảy do số liệu mưa cho phép ước lượng lưu lượng tại các thời điểm mưa khác nhau, lưu lượng lớn nhất xảy ra trong một trận mưa, phục vụ cho công tác phòng chống lũ tại các lưu vực sông.

Thí điểm dự báo lũ mùa lũ năm 2017 cho lưu vực sông Lô

Đề tài đã ứng dụng mô hình SURR mô phỏng thành công mưa dòng chảy cho lưu vực khu giữa sông Lô: Nhóm nghiên cứu sử dụng các trận lũ điển hình (trận lũ lớn được ghi nhận trong lịch sử) đó là trận lũ tháng 8/1996 để kiểm định và trận lũ tháng 7/2000 và 8/2002 tại trạm Hàm Yên để hiệu chỉnh mô hình. Kết quả hiệu chỉnh ME =0.80, REV = 5, kết quả kiểm định ME= 0,86 , REV = 6,3 với trận lũ 7/2000 và ME = 0,82 và REV = 7,56 với trận lũ 8/2002 cho thấy đây là kết quả khá tốt. Bộ thông số tìm được của mô hình SURR trên có thể sử dụng để mô phỏng dự báo lũ cho lưu vực khu giữa sông Lô.

Đồng thời, nghiên cứu phương pháp đánh giá bất định GLUE tính toán bất định dữ liệu đầu vào (mưa). Với giả thiết sai số hệ thống tại mỗi trạm là 10%, nhóm nghiên cứu sử dụng phương pháp Monte-Carlo để tạo ra 40 chuỗi mưa ngâu nhiên có giá trị dao động quanh giá trị trung bình là 10% ứng với môi trận lũ 8/1996, 7/2000, 8/2002. Các chuôi mưa sẽ được đưa vào mô hình SURR để tính toán mô phỏng, môi kết quả sẽ cho giá trị khả năng L(P|Q). Sử dụng mức độ tin cậy a = 70% đê loại bỏ những chuôi mưa có giá trị L(P|Q)<70%. Kết quả cho được 38/40, 40/40 và 40/40 chuôi cho L(P|Q) >70% ứng với 3 trận lũ 8/1996, 7/2000 và 8/2002. Các kết quả tính p-factor và r-factor cho 3 trận lũ lần lượt là 95, 100, 100% và 0,3; 0,36 và 0,34. Như vậy kết quả cho thấy các chuôi số liệu mưa của 3 trận lũ trên trên có độ bất định nhỏ, sai số hệ thống có thể được loại bỏ trong quá trình tính toán.

Nghiên cứu phương pháp đánh giá bất định GLUE ước lượng bất định cho bộ thông số mô hình SURR: Nghiên cứu lựa chọn 5 thông số để đánh giá độ bất đinh (LAGSB, ALPHABF, SURLAG, KSB, KCH). 200 bộ thông số ngâu nhiên nằm trong phạm vi giao động của môi thông số được tạo gia nhờ mô phỏng Monte Carlo. Với môi bộ thông số được tạo ra nghiên cứu tiến hành mô phỏng cho các trận lũ 8/1996, 7/2000 và 8/2002 và tính toán tương quan giữa lưu lượng mô phỏng và lưu lượng thực đo thông qua chỉ tiêu L(0|Q) và sử dụng mực độ tin cậy ơ = 70% để loại bỏ những bộ thông số cho kết quả L(0|Q) <70%. Kêt quả cho thấy có 133/200, 175/200 và 145/200 bộ thông số đạt L(0|Q) >70% tại các trận lũ 8/1996, 7/2000, 8/2002. Hai chỉ tiêu p-factor và r- factor sẽ được sử dụng để đánh giá tính bất định của chuôi thông số tìm được. Kêt quả cho thấy là p-factor là 66,5, 87,5 và 72,5%, và r- factor là 0,83, 0,93 và 0,65 cho các trận lũ 8/1996, 7/2000 và 8/2002. Như vậy chỉ tiêu đánh giá bất định p-factor > 50%, là bất định thấp. Thông qua kết quả đánh giá bất định của bộ thông số mô hình SURR này cho thấy mô hình SURR hoàn toàn có thể sử dụng cho mô phỏng của lưu vực sông Lô.

Mô phỏng thí điểm cho trận lũ tháng 8/2017 cho kết quả tương đối khá ME = 0,73, REV = 27,3. Sử dụng phương pháp GLUE để đánh giá bất địnhc ho chuỗi dự liệu mưa dự báo cho thấy với 40 chuỗi dữ liệu mưa ngẫu nhiên được tạo ra thì số chuỗi mưa có LP|Q > 70% chỉ đạt 11 chuỗi, chỉ tiêu p-factor = 27,5%, r-factor = 0.3. Với kết quả trên cho thấy chuỗi dữ liệu mưa có độ bất định cao chỉ tiêu p-factor <50%. Điều này chứng tỏ chuỗi dữ liệu mưa có độ bất định cao nên kết quả mô phỏng có đụ phù hợp thấp với chuỗi lưu lượng thực đo.

Trả lời

Email của bạn sẽ không được hiển thị công khai.