Nghiên cứu ứng dụng mô hình toàn cầu trong dự báo khí hậu hạn mùa cho Việt Nam

34 Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
NGHIÊN CứU ứNG DỤNG Mô HÌNH TOÀN CầU TRONG 
Dự BÁO KHÍ HẬU HẠN MùA CHO VIỆT NAM
Mai Văn Khiêm*, Phạm Quang Nam, Hà Trường Minh, Vũ Văn Thăng 
Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu
Ngày nhận bài 9/10/2017; ngày chuyển phản biện 10/10/2017; ngày chấp nhận đăng 27/10/2017
Tóm tắt: Bài báo này trình bày một số kết quả bước đầu về việc ứng dụng mô hình khí quyển toàn cầu 
bảo giác lập phương CCAM trong dự báo khí hậu hạn mùa cho toàn cầu và khu vực Việt Nam. Kết quả thử 
nghiệm dự báo khí hậu hạn mùa giai đoạn 2012-2014 với các điều kiện biên dưới (nhiệt độ bề mặt nước 
biển - SST) khác nhau được phân tích và đánh giá: Nguồn SST từ dự báo của mô hình khí hậu toàn cầu CFS 
của Mỹ (CCAM_CFS) và SST từ dự báo của Viện Nghiên cứu quốc tế về khí hậu và xã hội - IRI (CCAM_IRI). Kết 
quả cho thấy, trong cả hai trường hợp CCAM toàn cầu đều đã cho dự báo khá tốt các trường hoàn lưu quy 
mô lớn khi so sánh với số liệu phân tích CFSnl và số liệu dự báo của CFS. Trên khu vực Việt Nam, nhiệt độ dự 
báo có xu hướng thấp hơn quan trắc trong hầu hết các tháng, sai số trong các tháng mùa đông lớn hơn các 
tháng mùa hè, sai số ở phía Bắc lớn hơn phía Nam, sai số trung bình ở hạn 3 tháng trong cả hai trường hợp 
khoảng 2,5oC, sai số khá ổn định và có tính hệ thống. Lượng mưa dự báo thì biến động nhiều hơn, lượng 
mưa có xu hướng thấp hơn quan trắc trong các tháng mùa mưa. Sai số tương đối trong các tháng mùa 
mưa khoảng 35-70 % trên các vùng khí hậu phía Bắc, các vùng phía Nam sai số nhỏ hơn. Về kỹ năng dự báo, 
CCAM_IRI cho kỹ năng dự báo nhiệt độ tốt hơn CCAM_CFS và kỹ năng ở các hạn giữa tốt hơn các hạn đầu 
và cuối. Ngược lại, kỹ năng dự báo mưa ở các hạn gần tốt hơn và kỹ năng của CCAM_CFS tốt hơn đáng kể.
Từ khóa: CCAM, mô hình toàn cầu, SST dự báo, dự báo mùa, khu vực Việt Nam.
1. Mở đầu
Dự báo khí hậu hạn mùa hiện đang là một 
trong những bài toán được quan tâm hàng đầu 
vì các thông tin, lợi ích mang lại, và ứng dụng 
thực tiễn trong nhiều ngành nghề liên quan như 
nông nghiệp, xây dựng và các hoạt động kinh tế 
- xã hội. Thông tin dự báo mùa là căn cứ quan 
trọng để đưa ra những kế hoạch, quyết định cho 
các hoạt động sắp tới như mùa vụ sản xuất, ứng 
phó với thiên tai. Dự báo mùa thường cung cấp 
những thông tin về đặc trưng thống kê trung 
bình mùa, với hạn dự báo phổ biến trước 1, 3, 
6 và 9 tháng. Để dự báo hạn mùa có hai cách 
tiếp cận chính được sử dụng là phương pháp 
thống kê và phương pháp động lực [1]. Trong 
đó, phương pháp động lực được chỉ ra là có 
nhiều ưu điểm hơn, do nắm bắt được tính phi 
tuyến của các trường. Cùng với sự phát triển 
của khoa học công nghệ, đặc biệt là khả năng 
tính toán và lưu trữ, kéo theo sự phát triển của 
các mô hình động lực khí tượng, các quá trình 
động lực được mô tả chi tiết hơn trên cả quy mô 
toàn cầu và khu vực. Phương pháp động được 
ứng dụng nhiều trong cả nghiên cứu và nghiệp 
vụ dự báo, có thể kể đến như hệ thống dự báo 
mùa toàn cầu của Trung tâm Dự báo thời tiết 
hạn vừa châu Âu (ECMWF) và hệ thống dự báo 
khí hậu CFS của Trung tâm Dự báo Môi trường 
Quốc gia Hoa Kỳ (NCEP) [3, 4]. Ở Việt Nam, đã có 
nhiều nghiên cứu về các mô hình khu vực như 
RegCM và clWRF được thực hiện [15-18], kết 
quả cho thấy tương đối triển vọng về dự báo 
nhiệt độ, với lượng mưa sai số còn lớn và biến 
động. Tuy nhiên, điều kiện ban đầu và biên cho 
các mô hình khu vực này chủ yếu lấy từ dự báo 
của các cơ quan khí tượng trên thế giới. Để chủ 
động hơn về nguồn số liệu trong dự báo nghiệp 
vụ, việc nghiên cứu xây dựng một mô hình dự 
báo toàn cầu cho Việt Nam là rất cần thiết. 
Nghiên cứu này sẽ thử nghiệm ứng dụng mô 
*Liên hệ tác giả: Mai Văn Khiêm
Email: maikhiem77@gmail.com
Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
35
hình khí quyển toàn cầu CCAM (Conformal 
Cubic Asmostpheric Model) cho Việt Nam. Đây 
là mô hình sử dụng hệ lưới ở dạng lập phương 
bảo giác. CCAM được nghiên cứu và phát triển 
bởi Tổ chức Nghiên cứu Khoa học và Công nghiệp 
liên bang Úc (CSIRO). Việc ứng dụng lưới lập 
phương bảo giác trong mô hình CCAM xuất 
phát từ ý tưởng của Sadourny (1972) [6]. Sau 
đó, trải qua nhiều nghiên cứu, thử nghiệm và 
phát triển của Rancic và nnk (1996) và McGregor 
(1993, 1996, 2005a, 2005b) trong việc xây dựng 
và đưa hệ các phương trình nguyên thủy lên 
lưới này, về cơ bản đã hoàn thiện và đang được 
áp dụng cho đến nay [7-13]. Ưu điểm đáng chú 
ý của hệ lưới này so với lưới kinh - vĩ thông 
thường là giải quyết được vốn tồn tại ở vùng 
cực và cận cực là phân giải của các ô lưới không 
đều và thu hẹp dần, mà có thể dẫn đến sự hạn 
chế nghiêm trọng về bước thời gian tích phân 
hoặc yêu cầu các kỹ thuật lọc đặc biệt. Mặc dù, 
CCAM là mô hình toàn cầu nhưng mô hình này 
vẫn có thể chạy mô phỏng hoặc dự báo với độ 
phân phải cao cho các khu vực xác định. Khái 
niệm “Lưới bị kéo” (Stretched grid) đã được đưa 
ra để thực hiện điều này [5]. Trong trạng thái 
lưới kéo, hệ lưới sẽ có dạng tựa như khối tháp 
cụt, với đáy nhỏ tương ứng là khu vực được chi 
tiết hoá có phân giải cao hơn, và các mặt còn lại 
ở những khu vực khác sẽ có phân giải thô hơn. 
Cũng chính nhờ đặc tính này, ngay cả khi chi tiết 
hóa cho một khu vực xác định, các mô phỏng 
hoặc dự báo của CCAM luôn là toàn cầu, và điều 
này giúp cho CCAM tránh được một số quá trình 
phức tạp khi tính toán trên biên của miền tính 
như đối với các mô hình khu vực khác.
CCAM vừa có thể sử dụng như là một mô 
hình toàn cầu, lại vừa có thể chi tiết hóa cho 
một khu vực cụ thể như các mô hình khu vực 
khác. Mặt khác, CCAM toàn cầu chỉ yêu cầu 
trường điều khiển bên dưới là nhiệt độ bề mặt 
biển (SST) trung bình tháng, theo thời gian và 
các trường điều kiện ban đầu. Thêm nữa, trên 
quy mô toàn cầu thì nguyên nhân chính dẫn đến 
sự thay đổi của khí hậu từ năm này sang năm 
khác là sự thay đổi của SST toàn cầu [1, 2]. Đây là 
một điểm quan trọng của CCAM, giúp mô hình 
này có thể dễ dàng thêm các lựa chọn về số liệu 
đầu vào hơn so với các mô hình khác, để phục 
vụ cho việc mô phỏng, dự báo khí hậu hoặc dự 
tính khí hậu tương lai. Vì CCAM là mô hình toàn 
cầu nên đầu ra ngoài việc cung cấp trực tiếp 
cho CCAM khu vực thì còn có thể được chiết 
xuất cho các mô hình khu vực khác. Do đó, việc 
nghiên cứu và áp dụng CCAM như là mô hình 
toàn cầu trong bài toán dự báo hạn mùa ở Việt 
Nam là rất triển vọng.
Nghiên cứu này sẽ thử nghiệm sự ảnh hưởng 
của điều kiện biên dưới SST như thế nào tới 
kết quả dự báo mùa (hạn đến 6 tháng) của mô 
hình CCAM toàn cầu, và khả năng dự báo của 
CCAM cho các trường nhiệt độ mực 2 m (T2m) 
và lượng mưa tháng trên khu vực Việt Nam. Chi 
tiết về cấu hình mô hình, số liệu sử dụng và kết 
quả đánh giá được trình bày ở phần 2 và 3.
2. Phương pháp và số liệu
2.1. Thiết kế thí nghiệm
Để đánh giá xem ảnh hưởng của điều kiện 
biên dưới SST tới kết quả dự báo mùa của mô 
hình CCAM như thế nào cho toàn cầu và khu vực 
Việt Nam, CCAM sẽ được chạy thử nghiệm với 
hai nguồn số liệu dự báo SST trung bình tháng 
khác nhau là SST từ dự báo của mô hình khí 
hậu toàn cầu CFS của Mỹ và SST từ dự báo của 
IRI, các thử nghiệm dự báo sẽ được bắt đầu từ 
tháng 01/2012 cho đến tháng 11/2014. Cấu 
hình CCAM được sử dụng trong thí nghiệm 
như sau:
1) CCAM toàn cầu: Sử dụng lưới C96 với 
96 x 96 điểm lưới mỗi mặt (phân giải ngang 
khoảng 100 km) và 27 mực thẳng đứng. 
2) CCAM khu vực: Chính CCAM cũng là mô 
hình khu vực, nên trong thí nghiệm này CCAM 
sẽ được dùng để chi tiết cho khu vực Việt Nam, 
tọa độ tâm miền tính là 108,0 độ kinh Đông và 
17,0 độ vĩ Bắc, phân giải ngang 25 km, và số mực 
thẳng đứng giữ nguyên như toàn cầu. Độ cao 
địa hình và độ rộng của miền tính khu vực cho 
trên Hình 1 (bên trái).
 Các sơ đồ tham số hóa mô hình sử dụng 
gồm: Sơ đồ bức xạ sóng ngắn và sóng dài GFDL 
(Geophysical Fluid Dynamics Laboratory) 
(Schwarzkopf và Ramaswamy, 1999; Freidenreich 
và Ramaswamy, 1999); sơ đồ trao đổi sinh - khí 
quyển CABLE (Kowalczyk và ccs, 2006); sơ đồ lớp 
xáo trộn thẳng đứng (Holtslag và Boville, 1993); 
36 Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
sơ đồ khuếch tán với sáu lớp nhiệt độ đất và độ 
ẩm đất, và ba lớp tuyết (Gordon và ccs, 2002); 
và những sơ đồ được phát triển riêng cho mô 
hình, xem chi tiết hơn trong bản mô tả của 
McGregor và ccs (2008) [13].
2.2. Số liệu sử dụng
Số liệu ban đầu cho mô hình gồm các trường 
hoàn lưu khí quyển (phân giải ngang 0,5 độ) và 
các trường bề mặt (phân giải 0,3 độ) lấy của số 
liệu phân tích CFS (ký hiệu là CFSnl). Số liệu biên 
dưới là SST trung bình tháng, với hạn dự báo 6 
tháng của CFS và IRI. Trong đó, CFS có phân giải 1 
x 1 độ, với hạn dự báo lên tới 9 tháng, nhưng dự 
báo cung cấp cho cộng đồng chỉ đến 6 tháng, và 
IRI là số liệu dự báo SST dị thường, phân giải 2,5 
x 2,5 độ, với hạn dự báo 7 tháng, để có thể sử 
dụng được IRI cần cộng thêm giai đoạn khí hậu 
trung bình chuẩn mà IRI lấy làm cơ sở là tổng hợp 
của số liệu nhiệt độ mặt biển Reynolds từ năm 
1961-1981 và số liệu nội suy tối ưu SST, phiên bản 
2 của NOAA (National Oceanic and Atmospheric 
Administration) từ năm 1982-1990 [19, 20]. Ký 
hiệu trường hợp CCAM chạy với SST của CFS là 
CCAM_CFS và với SST của IRI là CCAM_IRI.
Vì số liệu CFSnl là số liệu đồng hóa từ quan 
trắc nên trong nghiên cứu này CFSnl cũng được 
dùng để đánh giá kết quả dự báo toàn cầu các 
trường hoàn lưu của mô hình. Kết quả dự báo 
khu vực của mô hình cho nhiệt độ T2m (oC) 
được đánh giá với số liệu số liệu phân tích CRU 
(Center Research of Units) phân giải 0,5 độ, và 
lượng mưa (mm/tháng) được đánh giá với số 
liệu mưa vệ tinh TRMM (Tropical Rainfall Mea-
suring Mission) 3B42 phiên bản 7, phân giải 0,25 
độ. Kết quả khu vực cũng được nội suy về vị trí 
128 trạm (nằm trên đất liền) để đánh giá so với 
quan trắc tại trạm (vị trí các trạm được thể hiện 
trên Hình 1, bên phải). Phương pháp đánh giá 
bao gồm: 1) Đánh giá theo không gian của trung 
bình thời gian, theo các hạn dự báo từ 1, 3 và 
6 tháng; 2) Đánh giá dựa trên các chỉ số thống 
kê như sai số trung bình (ME), sai số tuyệt đối 
(MAE), sai số tương đối (RE), sai số tuyệt đối RE 
(ARE) và hệ số tương quan.
3. Kết quả và thảo luận
3.1. Đánh giá kết quả dự báo toàn cầu
Trước tiên, kết quả dự báo các trường hoàn 
lưu mực 850 mb của CCAM toàn cầu với hai 
trường hợp thí nghiệm là CCAM_CFS và CCAM_
IRI sẽ được so sánh với dự báo của mô hình CFS 
và số liệu CFSnl cho dự báo tháng 1 và 7 theo 
các hạn dự báo 1, 3 và 6 tháng của giai đoạn 
2012-2014.
Xét tháng 1 cho trên Hình 2 (bên trái) và Hình 
3, nhìn chung cả hai trường hợp CCAM_CFS và 
CCAM_IRI đều đã dự báo trường độ cao địa thế 
vị và gió mực 850 mb khá tương đồng với CFS và 
CFSnl trong cả 3 hạn dự báo 1, 3 và 6 tháng. So 
với CFS và CFSnl, CCAM cho dự báo trường độ 
cao địa thế vị cao hơn ở hầu hết các khu vực xích 
đạo và cận xích đạo, đặc biệt là ở khu vực Đại 
Hình 1. Địa hình và miền tính khu vực Việt Nam (bên trái); Vị trí trạm quan trắc (bên phải)
Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
37
Tây Dương. Nhưng, có xu thế thiên thấp hơn so 
với CFSnl ở khu vực phía Đông Bắc nước Nga. 
Đối với trường gió mực 850 mb, CCAM cũng 
dự báo tương đối tốt hướng gió chủ đạo trong 
tháng 1 tại hầu hết các khu vực trên toàn cầu, 
tốc độ gió dự báo của mô hình cũng không 
chênh lệch quá nhiều so với CFSnl. So sánh 
hai trường hợp thí nghiệm của CCAM cho thấy 
không có sự khác biệt quá lớn nhưng trường 
hợp CCAM_CFS có trường độ cao địa thế vị ít 
thiên cao so với trường hợp CCAM_IRI trên khu 
vực Thái Bình Dương.
Hình 2. Trường độ cao địa thế vị (m) và gió (m/s) mực 850 mb, cho tháng 1 và 7, 
giai đoạn 2012-2014 của số liệu phân tích CFSnl
Hình 3. Dự báo các trường độ cao địa thế vị (m) và gió (m/s) mực 850 mb, cho tháng 1 với hạn 
dự báo 1, 3 và 6 tháng (từ trái qua phải), giai đoạn 2012-2014 của CCAM_CFS (trên cùng), 
CCAM_IRI (giữa) và CFS (dưới cùng)
38 Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
Xét tháng 7 cho trên Hình 2 (bên phải) và 
Hình 4, tương tự như tháng 1, CCAM với cả hai 
trường hợp thí nghiệm đều nắm bắt khá tốt 
phân bố không gian của trường độ cao địa thế vị 
cũng như trường gió mực 850 mb so với CFSnl. 
CCAM vẫn cho kết quả dự báo trường độ cao 
địa thế vị cao hơn so với CFSnl ở khu vực nhiệt 
đới và cận nhiệt đới nhưng mức độ chênh lệch 
đã rõ ràng hơn so với tháng 1. Xét khu vực vĩ 
độ cao của Bắc bán cầu, trường độ cao địa thế 
vị dự báo bởi CCAM có xu thế thấp hơn khá rõ 
ràng so với CFSnl. Trường gió mực 850 mb trong 
tháng 7 của CCAM vẫn khá phù hợp so với CFS 
và CFSnl tại hầu hết các khu vực trên toàn cầu, 
tuy nhiên tốc độ gió dự báo lại có xu thế lớn hơn 
so với CFSnl. So sánh hai trường hợp thí nghiệm 
của mô hình CCAM, không có nhiều sự khác biệt 
giữa trường hợp CCAM_CFS và CCAM_IRI.
3.2. Đánh giá kết quả dự báo khu vực
Tiếp theo, để phân định một cách định lượng 
xem trường hợp nào của CCAM cho kết quả dự 
báo tốt hơn, kết quả khu vực giai đoạn 2012-
2014 sẽ được phân tích. 
Hình 4. Tương tự như Hình 3 nhưng cho dự báo tháng 7
Trên Hình 5 là hiệu nhiệt độ T2m của CCAM_
CFS và CCAM_IRI với CRU cho dự báo tháng 1 
và 7 với các hạn dự báo 1, 3 và 6 tháng. Nhìn 
chung, nhiệt độ của hai trường hợp thiên thấp 
hơn CRU trong cả 3 hạn cho dự báo tháng 7, hạn 
dự báo 1 tháng cho tháng 1 cũng vậy, tuy nhiên 
ở các hạn dự báo 3 và 6 tháng, khu vực giáp biển 
của miền Trung lại có xu hướng cao hơn, và ở 
hạn dự báo 6 tháng của CCAM_CFS cũng thiên 
cao trên vùng gần biển và giáp ranh 2 vùng khí 
hậu Đông Bắc và đồng bằng Bắc Bộ. So với quan 
trắc tại trạm, nhiệt độ dự báo của mô hình trong 
cả hai trường hợp có xu hướng thiên thấp hơn 
quan trắc trong hầu hết các tháng, ngoài trừ các 
tháng 2, 3, 4 và 12 (với hạn 3 tháng) trên các 
vùng khí hậu Đông Bắc, đồng bằng Bắc Bộ và 
Bắc Trung Bộ (Hình 6, nửa bên trái). Về sai số, 
thì nhiệt độ dự báo trong các tháng mùa đông 
lớn hơn các tháng mùa hè và ở các hạn dự báo 
xa hơn lại cho sai số nhỏ hơn, sai số ở phía Bắc 
lớn hơn phía Nam, sự chênh lệch sai số giữa hai 
trường hợp là không nhiều, trung bình khoảng 
0,5oC (Hình 6, nửa bên phải). Trong đó, với hạn 
Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
39
dự báo 1 tháng, sai số lớn nhất ở vùng khí hậu 
Tây Bắc vào tháng 11 (sai số khoảng > 5oC), nhỏ 
nhất ở vùng Nam Trung Bộ vào tháng 1 (sai số 
khoảng 2oC), tính cho toàn Việt Nam thì sai số 
trong tháng 2 là nhỏ nhất (2oC) và lớn nhất là 
tháng 11 (>5oC); với hạn dự báo 3 và 6 tháng sai 
số giảm đi khoảng từ 1 đến 2oC; sai số trung bình 
ở hạn 3 tháng khoảng 2,5oC; sai số khá ổn định 
và có tính hệ thống.
Đối với lượng mưa, nhìn chung kết quả dự 
báo tháng 1 của CCAM trong cả hai trường 
hợp đều cao hơn so với số liệu mưa vệ tinh 
TRMM trên phần lớn diện tích Việt Nam, với 
cả 3 hạn dự báo 1, 3 và 6 tháng. Sự khác biệt 
ở một số nơi của các vùng khí hậu Tây Bắc, 
Tây Nguyên và Nam Bộ. Kết quả dự báo tháng 
7, ngược lại với tháng 1, lượng mưa mô hình 
có xu thế thấp hơn. Riêng đối với hạn dự báo 
6 tháng, lượng mưa mô hình có xu thế cao 
hơn ở khu vực ven biển Trung Bộ. So sánh hai 
trường hợp của CCAM, cũng không có quá 
nhiều sự khác biệt giữa CCAM_CFS và CCAM_
IRI (Hình 7). Lượng mưa dự báo có xu hướng 
cao hơn số liệu quan trắc tại trạm trong các 
tháng mùa đông và thấp hơn trong các tháng 
mùa mưa, sai số trong các tháng mùa đông 
là lớn nhất và trên hầu hết các vùng khí hậu, 
nguyên nhân dễ hiểu là do mô hình đã cho dự 
báo khống (Hình 8). Với hạn 1 tháng, sai số 
trong các tháng mùa mưa khoảng 35-70% trên 
các vùng khí hậu phía Bắc, các vùng phía Nam 
sai số nhỏ hơn. Ở các hạn 3 và 6 tháng sự khác 
biệt chủ yếu trên các vùng khí hậu phía Nam 
và trong các tháng mùa mưa.
Hình 5. Hiệu nhiệt độ T2m (oC) của CCAM_CFS (trên cùng) và CCAM_IRI (dưới cùng) so với số liệu 
CRU, dự báo cho tháng 1 (nửa bên trái) và tháng 7 (nửa bên phải), hạn dự báo 1, 3 và 6 tháng 
(thứ tự từ trái qua phải), giai đoạn 2012-2014
40 Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
Hình 6. Sai số ME nhiệt độ T2m (oC, nửa bên trái) và sai số MAE (oC, nửa bên phải) của dự báo 
CCAM_CFS và CCAM_IRI so với quan trắc tại trạm, cho các tháng trong năm, theo các hạn dự báo 1, 3 
và 6 tháng (thứ tự từ trên xuống dưới), giai đoạn 2012-2014, trên 7 vùng khí hậu và toàn Việt Nam
Hình 7. Tương tự Hình 5 nhưng là sai số RE (%) của lượng mưa tháng mô hình so với số liệu TRMM
Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
41
Hình 8. Sai số RE lượng mưa (%, nửa bên trái) và sai số ARE (%, nửa bên phải) của dự báo 
CCAM_CFS và CCAM_IRI so với quan trắc tại trạm, cho các tháng trong năm, theo các hạn dự báo 1, 3 
và 6 tháng (thứ tự từ trên xuống dưới), giai đoạn 2012-2014, trên 7 vùng khí hậu và toàn Việt Nam
Trên Hình 9 và 10 là đồ thị tụ điểm của 
dự báo nhiệt độ T2m và lượng mưa mô hình 
CCAM của hai trường hợp so với số liệu quan 
trắc tại trạm trên toàn Việt Nam và theo các 
hạn dự báo 1, 3 và 6 tháng. Với nhiệt độ thì 
tương quan của hai trường hợp ở mỗi hạn dự 
báo là khác nhau không nhiều và hệ số tương 
quan đều đạt trên 0,85 trong cả 3 hạn dự báo. 
Với lượng mưa thì khác hơn, mưa CCAM_CFS 
ở hạn dự báo 1 tháng cho tương quan tốt 
nhất (hệ số tương quan 0,52), tương quan 
ở hạn 3 tháng là thấp hơn cả. Nhìn chung, 
tương quan mưa của CCAM_CFS là cao hơn 
CCAM_IRI.
Nhằm mục đích đánh giá kỹ năng dự báo 
của mô hình CCAM trong hai trường hợp và 
có thể đưa ra được kết luận cuối cùng xem 
trường hợp nào tốt hơn, nghiên cứu áp dụng 
phương pháp đánh giá kỹ năng mô hình dựa 
trên giản đồ Taylor [14], kỹ năng của mô hình 
được đánh giá dựa trên sự kết hợp của hệ 
số tương quan và độ lệch chuẩn, thước đo 
kỹ năng là khoảng cách từ điểm mô hình tới 
điểm quan trắc trên giản đồ. Giản đồ Taylor 
của dự báo nhiệt độ T2m và lượng mưa tháng 
của hai trường hợp CCAM, với các hạn dự báo 
từ 1 đến 6 tháng, cho tất cả các tháng, so với 
quan trắc tại trạm trên toàn Việt Nam được 
thể hiện trên Hình 11. Kết quả cho thấy, với 
nhiệt độ thì kỹ năng dự báo của mô hình trong 
các hạn là không có sự khác nhau nhiều, tuy 
nhiên vẫn có thể chỉ ra rằng ở các hạn đầu 
và cuối cho kỹ năng kém hơn các hạn ở giữa, 
và CCAM_IRI cho kỹ năng nhỉnh hơn chút ít. 
Với lượng mưa thì nhận ra ngay là kỹ năng 
dự báo ở các hạn gần tốt hơn và kỹ năng của 
CCAM_CFS tốt hơn đáng kể.
Kết luận
Nhằm hướng tới ứng dụng mô hình toàn 
cầu trong dự báo khí hậu hạn mùa ở Việt 
Nam, nghiên cứu này đã thử nghiệm chạy mô 
hình CCAM toàn cầu với 2 nguồn số liệu SST 
dự báo khác nhau là CFS và IRI để dự báo toàn 
cầu các trường hoàn lưu khí quyển mực 850 
mb và dự báo về nhiệt độ trung bình tháng 
và lượng mưa tháng cho khu vực Việt Nam 
với hạn dự báo đến 6 tháng, giai đoạn 2012-
2014. Mục đích, chỉ ra khả năng ứng dụng 
của mô hình CCAM toàn cầu, xem xét sự ảnh 
hưởng của SST đối với kết quả dự báo mùa 
như thế nào và kỹ năng dự báo của mô hình 
theo các hạn dự báo.
42 Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
Hình 9. Đồ thị tụ điểm nhiệt độ T2m (oC) dự báo của CCAM_CFS (trên cùng) và CCAM_IRI 
(dưới cùng) với quan trắc tại trạm theo các hạn dự báo 1, 3 và 6 tháng (thứ tự từ trái qua phải), 
giai đoạn 2012-2014 trên toàn Việt Nam
Hình 10. Tương tự như Hình 9 nhưng cho dự báo lượng mưa (mm/tháng)
Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
43
Một số nhận xét rút ra được từ kết quả 
nghiên cứu, như sau:
1) Nhìn chung dự báo của CCAM toàn cầu 
trong cả hai trường hợp đều đã cho kết quả dự 
báo khá tốt các trường hoàn lưu khí quyển là độ 
cao địa thế vị và gió mực 850 mb khi so với CFS 
và CFSnl, dự báo độ cao địa thế vị cho cao hơn ở 
khu vực nhiệt đới và cận nhiệt đới.
2) Với nhiệt độ, dự báo có xu hướng thấp 
hơn quan trắc trong hầu hết các tháng, sai số 
trong các tháng mùa đông lớn hơn các tháng 
mùa hè, sai số ở phía Bắc lớn hơn phía Nam, 
sai số trung bình ở hạn 3 tháng trong cả hai 
trường hợp khoảng 2,5oC, sai số khá ổn định và 
có tính hệ thống. Lượng mưa dự báo thì biến 
động nhiều hơn, lượng mưa có xu hướng thấp 
Hình 11. Giản đồ Taylor của dự báo CCAM_CFS và CCAM_IRI so với quan trắc của nhiệt độ T2m (oC, 
bên trái) và lượng mưa (mm/tháng, bên phải), theo 6 hạn dự báo, giai đoạn 2012-2014
hơn quan trắc trong các tháng mùa mưa. Sai 
số tương đối trong các tháng mùa mưa khoảng 
35-70% trên các vùng khí hậu phía Bắc, các vùng 
phía Nam sai số nhỏ hơn.
3) Về kỹ năng dự báo, CCAM_IRI cho kỹ năng 
dự báo nhiệt độ tốt hơn CCAM_CFS và kỹ năng ở 
các hạn giữa tốt hơn các hạn đầu và cuối. Ngược 
lại, kỹ năng dự báo mưa ở các hạn gần tốt hơn 
và kỹ năng của CCAM_CFS tốt hơn đáng kể.
4) Mặc dù vẫn còn nhiều vấn đề cần phải xem 
xét nghiên cứu thêm như lựa chọn các sơ đồ 
tham số hóa thích hợp cho khu vực Việt Nam, 
hiệu chỉnh sai số hệ thống của đầu vào (SST dự 
báo) và đầu ra mô hình, nhưng việc ứng dụng 
một mô hình toàn cầu như CCAM trong nghiệp 
vụ dự báo là hướng đi tương tai gần.
Tài liệu tham khảo
1. Stockdale, T. N. (2000), An overview of techniques for seasonal forecasting. Stochastic Environmental 
Research and Risk Assessment, 14, 305-318.
2. Shukla, J., Marx, L., Paolino, D., Straus, D., Anderson, J., Ploshay, J., Baumhefner, D., Tribbia, J., 
Brankovic, C., Palmer, T. and Chang, Y. (2000), Dynamical seasonal prediction. Bulletin of the American 
Meteorological Society, 81, 2593-2606.
3. Kim, H. M., Webster, P. J., and Curry, J. A., (2012), Seasonal prediction skill of ECMWF System 4 and 
NCEP CFSv2 retrospective forecast for the Northern Hemisphere Winter. Climate Dynamics, 39, 
2957-2973.
4. Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., Tripp, P., Behringer, D., Hou, Y.T., Chuang, H.Y., 
Iredell, M. and Ek, M., (2014), The NCEP climate forecast system version 2. Journal of Climate, 27, 
2185-2208.
44 Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
5. Schmidt, F (1977), Variable fine mesh in spectral global model. Beitrage Physical Atmosphere, 50, 
211-217.
6. Sadourny, R., (1972), Conservative finite-difference approximations of the primitive equations on 
quasi-uniform spherical grids. Monthly Weather Review, 100, 136-144.
7. McGregor, J. L., (1993), Economical determination of departure points for semi-Lagrangian 
models. Monthly Weather Review, 121, 221-230.
8. Rančić, M., Purser, R. J., and Mesinger, F., (1996), A global shallow-water model using an 
expanded spherical cube: Gnomonic versus conformal coordinates. Quarterly Journal of the Royal 
Meteorological Society, 122, 959-982.
9. McGregor, J. L., (1996), Semi-Lagrangian advection on conformal-cubic grids. Monthly Weather 
Review, 124, 1311-1322.
10. McGregor, J. L., (2005a), C-CAM: Geometric aspects and dynamical formulation [electronic publication]. 
CSIRO Atmospheric Research Tech Paper 70, 43 pp.
11. McGregor, J. L., (2005b), Geostrophic adjustment for reversibly staggered grids. Monthly Weather 
Review, 133, 1119-1128.
12. Mcgregor, J. L. and M. R. Dix (2001), The CSIRO Conformal-Cubic Atmospheric GCM. IUTAM 
Symposium on advances in mathematical modelling of atmosphere and ocean dynamics, Kluwer, 
Dordrecht, 197-202.
13. McGregor, J. L. and M. R. Dix (2008), An Updated Description of the Conformal-Cubic Atmospheric 
Model. High resolution simulation of the atmosphere and ocean, Springer New York, 51-75.
14. Taylor, K. E., (2001), Summarizing multiple aspects of model performance in a single diagram. 
Journal of Geophysical Research: Atmospheres, 106, 7183-7192.
15. Phan Văn Tân, Hồ Thị Minh Hà, Lương Mạnh Thắng, Trần Quang Đức (2009), “Về khả năng ứng 
dụng mô hình RegCM vào dự báo hạn mùa các trường khí hậu bề mặt ở Việt Nam”, Tạp chí Khoa 
học ĐHQGHN: Các Khoa học Trái đất và Môi trường, 25, 241-251.
16. Phan Van, T., Van Nguyen, H., Trinh Tuan, L., Nguyen Quang, T., Ngo-Duc, T., Laux, P. and Nguyen 
Xuan, T., (2014), Seasonal prediction of surface air temperature across Vietnam using the Regional 
Climate Model version 4.2 (RegCM4. 2). Advances in Meteorology, 2014.
17. Vũ Thanh Hằng, Nguyễn Thị Hạnh (2014), “Thử nghiệm dự báo hạn mùa nhiệt độ trung bình tháng 
và lượng mưa tháng cho Việt Nam sử dụng mô hình clWRF”, Tạp chí Khoa học ĐHQGHN: Các Khoa 
học Trái đất và Môi trường, 30, 31-40.
18. Nguyễn Thị Hạnh, Vũ Thanh Hằng, Phan Văn Tân (2016), “Dự báo mưa hạn mùa bằng mô hình 
clWRF: Độ nhạy của các sơ đồ tham số hoá đối lưu”, Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái 
đất và Môi trường, 32, 25-33.
19. Reynolds R. W. (1988), A real-time global sea surface temperature analysis. Journal of Climate, 1, 75-87.
20. Reynolds, R.W., N.A. Rayner, T.M. Smith, D.C. Stokes, and W. Wang (2002), An improved in situ and 
satellite SST analysis for climate. Journal of Climate, 15, 1609-1625.
21. Schwarzkopf, M. D., and V. Ramaswamy (1999), Radiative effects of CH4, N2O, halocarbons and 
the foreign-broadened H2O continuum: A GCM experiment. Journal of Geophysical Research, 104, 
9467-9488.
22. Freidenreich, S. M., and V. Ramaswamy (1999), A new multiple-band solar radiative parameterization for 
general circulation models. Journal of Geophysical Research, 104, 31389-31409.
23. Kowalczyk, E. A., Y. P. Wang, R. M. Law, H. L. Davies, J. L. McGregor, and G. Abramowitz (2006), The 
CSIRO Atmosphere Biosphere Land Exchange (CABLE) model for use in climate models and as an 
offline model. CSIRO Marine and Atmospheric Research Paper 13, 37 pp.
24. Holtslag, A. A. M., and Boville, B. A. (1993:), Local versus nonlocal boundary-layer diffusion in a 
global climate model. Journal of Climate, 6, 1825-1842.
25. Gordon, H. B., L. D. Rotstayn, J. L. McGregor, M. R. Dix, E. A. Kowalczyk, S. P. O’Farrell, L. J. Waterman, 
Tạp chí khoa học biến đổi khí hậu
Số 4 - 2017
45
A. C. Hirst, S. G. Wilson, M. A. Collier, I. G. Watterson, and T. I. Elliott (2002), The CSIRO Mk3 climate 
system model. Technical Report 60, CSIRO Atmospheric Research, 130 pp.
STUDY THE APPLICABILITY OF GLOBAL MODEL IN SEASONAL 
FORECASTING FOR VIET NAM
Mai Van Khiem, Pham Quang Nam, Ha Truong Minh, Vu Van Thang
Viet Nam Institute of Meteorology, Hydrology and Climate Change
Abstracts: This article presents some experimental results of application of Conformal-Cubic Atmospheric 
Model (CCAM) in seasonal forecasting for the global and regional Viet Nam. The results of forecast in period 
2012-2014 with different boundary conditions (sea surface temperature - SST) were analyzed and assessed, 
source SST forecast from global climate model CFS of the National Centers for Environmental Prediction 
(CCAM_CFS), and SST from the International Research Institute for Climate and Society (CCAM_IRI). The 
results show that model has well predicted large-scale circulation all over the global compared to CFS 
analysis data and CFS forecast for both cases. Over Viet Nam, the forecast of temperature tends to be lower 
than observed for most of the months, the error in winter months is greater than in summer months, the 
error in the north is greater than in the south. The average error of lead time 3 months of both cases is about 
2.5oC, the error is quite stable and systematic. For rainfall, the forecast is more variability and tends to be 
lower in the rainy season. Relative error in the rainy season is about 35-70% in the northern climatic regions, 
the southern part is smaller. The predictive skill of temperature of CCAM_IRI gives better CCAM_CFS and at 
medium lead times are better than short and long. But with rainfall, the skill in short lead times are better 
than others and skill of CCAM_CFS is significantly better.
Keywords: CCAM, global model, SST forecasts, seasonal forecasting, Viet Nam region.