Ứng dụng đồng hóa số liệu radar dự báo mưa lớn tại khu vực thành phố Hồ Chí Minh

Tạp chí khoa học biến đổi khí hậu
Số 10 - Tháng 6/2019
47
ỨNG DỤNG ĐỒNG HÓA SỐ LIỆU RADAR DỰ BÁO MƯA LỚN 
TẠI KHU VỰC THÀNH PHỐ HỒ CHÍ MINH 
Trần Duy Thức(1), Công Thanh(2), Mai Văn Khiêm(1), Nguyễn Quang Trung(1), Vũ Văn Thăng(1) 
(1)Viện Khoa học Khí tượng Thủy văn và Biến đổi khí hậu
(2)Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội
Ngày nhận bài: 8/5/2019; ngày chuyển phản biện: 9/5/2019; ngày chấp nhận đăng: 7/6/2019
Tóm tắt: Nghiên cứu này đánh giá khả năng mô phỏng 15 ngày mưa lớn tại khu vực Thành phố Hồ 
Chí Minh trong năm 2018 của mô hình WRF khi đồng hóa số liệu radar Nhà Bè. Trước đó, ảnh hưởng 
của quá trình đồng hóa đến trường ban đầu đã được phân tích thông qua khảo sát ba chế độ chạy 
đồng hóa khác nhau, bao gồm: COLD START, WARM START và CYCLING. Kết quả cho thấy độ phản hồi ở 
chế độ COLD START trở nên tương đồng với trường hợp không đồng hóa sau một giờ tích phân. Ở chế 
độ WARM START, khác biệt của trường ban đầu so với trường hợp không đồng hóa kéo dài hơn, cho 
thấy vai trò quan trọng của trường dự báo từ kết quả tích phân trước đó. So sánh với số liệu quan trắc 
lượng mưa tại 11 trạm quan trắc bề mặt, kết quả cho thấy sự cải thiện của các chỉ số FBI, POD, CSI khi 
chạy ở chế độ CYLING. Điều này có thể thấy qua kết quả đánh giá ở cả ba ngưỡng mưa 1, 5 và 10mm 
cũng như ở các hạn dự báo 6 giờ và 12 giờ. 
Từ khóa: Đồng hóa số liệu, mô hình WRF, 3DVar, Radar Nhà Bè.
Liên hệ tác giả: Vũ Văn Thăng
Email: vvthang26@gmail.com 
1. Đặt vấn đề
Với độ phân giải cao, số liệu radar cung cấp 
một lượng lớn dữ liệu, từ bề mặt lên đến các 
mực trên cao [1, 6]. Điều này rất hữu ích trong 
bài toán đồng hóa số liệu để dự báo các hiện 
tượng liên quan đến quá trình đối lưu như bão, 
mưa, mưa lớn, dông [4]. Bên cạnh đó, số liệu 
radar có thể cung cấp với thời gian thực (real 
time) nên rất quan trọng đối với bài toán dự 
báo hạn ngắn và cực ngắn (nowcasting). Kain 
và các cộng sự (2010), đã đồng hóa số liệu 
radar vào mô hình WRF (Weather Research and 
Forecasting model) để dự báo thời gian thực 
cho mùa xuân năm 2008 và 2009 tại Hoa Kỳ [6]. 
Kết quả cho thấy ảnh hưởng rõ nét của đồng 
hóa đến quá trình đối lưu trong 3 đến 6 giờ đầu 
tiên của mỗi dự báo. Ngoài khoảng thời gian 
này, các mô phỏng trong trường hợp đồng hóa 
và không đồng hóa là tương đối giống nhau. 
Gao J. và cộng sự (2012) đã nghiên cứu tác động 
của đồng hóa số liệu radar đến trường ban đầu 
với ba thí nghiệm: (1) Chỉ sử dụng dữ liệu vận 
tốc xuyên tâm; (2) Sử dụng cả vận tốc xuyên 
tâm và độ phản hồi; (3) Sử dụng cả vận tốc 
xuyên tâm và độ phản hồi kết hợp với việc điều 
chỉnh công thức liên hệ giữa độ phản hồi và các 
biến khí tượng [4]. Kết quả cho thấy đồng hóa 
thành phần gió xuyên tâm không ảnh hưởng tới 
các biến tại trường ban đầu. Trong khi đó, thí 
nghiệm thứ hai đã cho thấy sự cải thiện tương 
đối nhỏ và thí nghiệm cuối đã cho các giá trị của 
trường ban đầu hợp lý hơn. Ở Việt Nam, Dư Đức 
Tiến và cộng sự (2013) đã giới thiệu các vấn đề 
cơ bản liên quan đến việc xử lý số liệu radar 
Doppler để đưa vào đồng hóa số liệu cho mô 
hình WRF [1]. Các thuật toán xử lý đã được 
ứng dụng cho số liệu radar Đông Hà, bao gồm 
xử lý nhiễu địa hình, xử lý nhiễu điểm ảnh và 
làm trơn (thinning) để tạo số liệu mẫu (super 
observation). Trần Hồng Thái và cộng sự (2016) 
cũng đồng hóa số liệu radar nhưng bằng phương 
pháp đồng hóa giảm dư đại lượng ẩn nhiệt 
cho mô hình COSMO [3]. Kết quả dự báo thử 
48 Tạp chí khoa học biến đổi khí hậu
Số 10 - Tháng 6/2019
nghiệm cho đợt mưa lớn lịch sử tại Quảng Ninh 
năm 2015 cho thấy tác động rõ rệt khi sử dụng 
số liệu radar so với chỉ sử dụng số liệu bề mặt 
đơn thuần. Trần Duy Thức và ccs. (2018) đã thử 
nghiệm đồng hóa số liệu radar Nhà Bè vào mô 
hình WRF cho bài toán dự báo mưa lớn ở khu 
vực Thành phố Hồ Chí Minh [2]. Kết quả đánh giá 
chỉ dừng lại ở một trường hợp thử nghiệm trong 
tháng 8/2016 nhưng cũng cho thấy ưu điểm của 
việc sử dụng số liệu radar trong bài toán đồng 
hóa. Trong nghiên cứu này, việc đánh giá kết 
quả dự báo sẽ được kiểm chứng qua nhiều thử 
nghiệm trong năm 2018. Bên cạnh đó, tác động 
của quá trình đồng hóa đến trường ban đầu 
cũng sẽ được nghiên cứu thông qua các chế độ 
chạy đồng hóa khác nhau. Ba chế độ chạy đồng 
hóa bao gồm COLD START, WARM START và 
CYCLING được mô tả trong [2] và Hình 1. 
2. Thiết kế thí nghiệm
Mô hình WRF phiên bản V3.9.1 và bộ đồng 
hóa số liệu WRF-DA được sử dụng trong nghiên 
cứu này. Cấu hình miền tính và độ phân giải có 
thể tham khảo chi tiết trong [2]. Điểm khác biệt 
trong cấu hình của nghiên cứu này là việc sử 
dụng sơ đồ lớp biên hành tinh YSU, sơ đồ tham 
Hình 1. Sơ đồ mô tả quá trình chạy đồng hóa số liệu với chế độ WARM START (bên trái) 
và chế độ CYCLING (bên phải)
số hóa đối lưu Betts-Miller-Janjic và sơ đồ vi vật 
lý mây Thompson [7]. Bảng 1 liệt kê 6 trường 
hợp thử nghiệm dự báo với 15 ngày mưa lớn 
ở khu vực Thành phố Hồ Chí Minh trong năm 
2018. Các ngày cụ thể, bao gồm: 5/8, 18/8, 1/9, 
3/9, 7/9, 8/9, 20/9, 24/9, 2/10, 17/10, 19/10, 
23/10, 3/10, 25/11 và 26/11. 
Bảng 1. Các trường hợp thử nghiệm
STT Trường hợp thử nghiệm Mô tả
1 CONTROL WRF chạy không đồng hóa
2 WARM-ZH WARM START, đồng hóa độ phản hồi
3 WARM-ZHVR WARM START, đồng hóa độ phản hồi và gió xuyên tâm
4 COLD-ZH COLD START, đồng hóa độ phản hồi
5 COLD-ZHVR COLD START, đồng hóa độ phản hồi và gió xuyên tâm
6 CYCLING Đồng hóa độ phản hồi và chạy kiểu CYCLING
Số liệu mô hình toàn cầu GFS với độ phân 
giải 0,5ox0,5o kinh vĩ được sử dụng làm điều 
kiện biên. Số liệu radar Nhà Bè bao gồm độ 
phản hồi và gió xuyên tâm với bán kính quét 
120 km được sử dụng để làm số liệu đồng hóa. 
Trước khi được đưa vào đồng hóa với WRF-DA, 
số liệu radar Nhà Bè được lọc nhiễu và kiểm 
định chất lượng. Các loại nhiễu như nhiễu biển, 
nhiễu địa hình, nhiễu do hiệu ứng búp song 
phụ, nhiễu lệch chồng chéo trường gió được 
loại bỏ [1]. Số liệu quan trắc lượng mưa của 11 
trạm quanh khu vực Thành phố Hồ Chí Minh 
được thu thập để đánh giá chất lượng dự báo 
(Hình 2). Các chỉ số đánh giá được sử dụng bao 
Tạp chí khoa học biến đổi khí hậu
Số 10 - Tháng 6/2019
49
gồm chỉ số FBI (hay Bias score), xác suất phát 
hiện POD (Probability of Detection) và điểm 
số thành công CSI (Critical Success Index hay 
Threat Score - TS) [5].
Hình 2. Vị trí các trạm đo mưa khu vực Thành phố Hồ Chí Minh
 3. Kết quả và thảo luận
3.1. Ảnh hưởng của đồng hóa trong quá trình 
tích phân của mô hình
Nhằm nghiên cứu ảnh hưởng của quá 
trình đồng hóa số liệu trong giai đoạn spinup 
của mô hình, trường độ phản hồi đã được mô 
phỏng trên Hình 3 và Hình 4 với bước thời 
gian là 10 phút, so sánh giữa hai trường hợp 
có và không đồng hóa số liệu. Có thể thấy 
trong 20 phút đầu tiên (Hình 3), mô hình 
không khởi tạo độ phản hồi vô tuyến khi 
không đồng hóa số liệu. Giá trị của độ phản 
hồi trong trường hợp này bằng 0 trên toàn 
miền tính. Trong khi đó, giá trị của độ phản 
hồi giảm đi nhanh chóng trong 20 phút (kể 
từ thời điểm ban đầu) ở trường hợp có đồng 
hóa số liệu. Sau 30 phút tích phân, trường 
hợp không đồng hóa số liệu bắt đầu xuất 
hiện các thông tin đầu tiên của độ phản hồi 
(Hình 4). Sau 50 phút tích phân, độ phản hồi 
trong cả hai trường hợp có xu hướng trở nên 
tương đồng với nhau.
Để thấy rõ hơn về quá trình ảnh hưởng trên, 
biến trình của độ phản hồi, Qrain, Qcloud được 
xem xét từ thời điểm ban đầu 12h00 đến 21h20 
(Hình 5). Bước thời gian xuất dữ liệu vẫn là 
10 phút. Dựa trên biến trình của độ phản hồi vô 
tuyến cực đại, có thể thấy xu hướng của độ phản 
hồi khá tương đồng nhau giữa hai trường hợp 
COLD START và không đồng hóa sau 1 giờ tích 
phân. Ở các bước thời gian tiếp theo, sự chênh 
lệch là không đáng kể và sau khoảng 21h00 thì 
giá trị của hai trường hợp này gần như trùng 
nhau. Ở chế độ WARM START, từ thời điểm ban 
đầu đến 17h00, có sự khác biệt rất lớn so với hai 
trường hợp còn lại. Sau 17h00, xu hướng thay 
đổi của độ phản hồi cực đại tương đối giống với 
hai trường hợp còn lại, tuy nhiên giá trị vẫn cao 
hơn đáng kể.
50 Tạp chí khoa học biến đổi khí hậu
Số 10 - Tháng 6/2019
Đối với biến gián tiếp Qrain, quá trình đồng 
hóa độ phản hồi ở chế độ COLD STRAT tạo ra 
giá trị lớn tại thời điểm ban đầu. Tuy nhiên, sau 
2 giờ tích phân, giá trị này gần như trùng khớp 
với trường hợp không đồng hóa. Ở chế độ 
WARM START, giá trị Qrain ở thời điểm ban đầu 
Hình 3. Độ phản hồi vô tuyến cực đại mô phỏng từ mô hình WRF trong 20 phút đầu tiên tính từ 
12h00 ngày 02/8/2018 của 2 trường hợp không đồng hóa (hàng trên) và có đồng hóa (hàng dưới)
Hình 4. Tương tự Hình 3 nhưng hiển thị trong kết quả mô phỏng trong khoảng 30-50 phút tiếp theo
thấp hơn so với trường hợp COLD START. Điều 
này có thể do quá trình đồng hóa của 3DVar đã 
điều chỉnh biến này có tính đến sự cân bằng với 
các biến khác. Ngoài ra, ở chế độ WARM START, 
phải mất 4 tiếng để giá trị Qrain gần tương 
đồng với trường hợp không đồng hóa. Đối với 
Tạp chí khoa học biến đổi khí hậu
Số 10 - Tháng 6/2019
51
biến Qcloud, có thể thấy quá trình đồng hóa số 
liệu ở chế độ COLD START không có tác động. 
Các đường trùng nhau ngay từ thời điểm ban 
đầu và chỉ khác biệt nhỏ sau 4 giờ tích phân ở 
2 trường hợp không đồng hóa và COLD START. 
Trong khi đó, chế độ WART START mang đến 
lượng Qcloud lớn ngay tại thời điểm ban đầu 
(7.10-6 kg.kg-1) và giá trị này chỉ có xu hướng 
gần tương đồng với trường hợp không đồng 
hóa sau 6 giờ tích phân.
Hình 5. Biến trình độ phản hồi cực đại (hàng trên), Qrain (hàng giữa) và Qcloud (hàng dưới) 
mô phỏng từ mô hình WRF từ thời điểm bắt đầu tích phân 12h00 đến 21h20 của 3 trường hợp CTL, 
COLD_ZH và WARM_ZH tại khu vực Thành phố Hồ Chí Minh
Từ các kết quả này, có thể thấy đồng hóa số 
liệu radar ở chế độ COLD START có tác động 
mạnh trong khoảng 1 giờ tích phân ban đầu. 
Sau khoảng thời gian này, kết quả mô phỏng 
khác biệt không đáng kể giữa có và không đồng 
hóa. Đối với chế độ WARM START, ảnh hưởng 
của đồng hóa được giữ lâu hơn khá nhiều so với 
COLD START. Quá trình WARM START cung cấp 
một lượng Qcloud đáng kể ở trường ban đầu 
mà không tồn tại ở trường hợp đồng hóa COLD 
START. Tuy nhiên, điều này không có nghĩa là 
WARM START sẽ cho kết quả dự báo tốt hơn so 
với COLD START. Nếu sai số dự báo của mô hình 
là nhỏ thì WARM START có thể tốt hơn COLD 
52 Tạp chí khoa học biến đổi khí hậu
Số 10 - Tháng 6/2019
START, do trường ban đầu được cải thiện gần 
với quan trắc. Nếu sai số dự báo của mô hình 
lớn thì WARM START có thể cho bước dự báo 
tiếp theo kém hơn COLD START. Do vậy, sai số 
trong trường dự báo ban đầu có thể tồn tại 
và kéo theo những sai số lớn trong việc chạy 
WARM START hay trong chuỗi dự báo theo chế 
độ CYCLING.
3.2. Đánh giá sai số dự báo
Bảng 2 trình bày kết quả đánh giá chất lượng 
dự báo mưa lớn cho các đợt mưa lớn khu vực 
Thành phố Hồ Chí Minh năm 2018 thông qua 
các chỉ số đánh giá. Kết quả cho thấy, đối với 
hạn dự báo 06h, ngưỡng 1mm, quá trình đồng 
hóa độ phản hồi COLD-ZH không có cải thiện 
nhiều so với trường hợp không đồng hóa 
(CONTROL). Ngoài ra, COLD-ZHVR cũng chỉ cải 
thiện một chút so với CONTROL. Tác động của 
đồng hóa ở hạn dự báo 06 giờ, với ngưỡng 
1mm, rõ rệt nhất là ở các phương án WARM 
START và CYCLING. Có thể nhận thấy qua sự cải 
thiện đáng kể của các chỉ số FBI, CSI và POD 
so với các trường hợp còn lại (ví dụ: CSI=0,55). 
Tương tự ở ngưỡng 5 và 10mm, các phương 
án COLD-ZH không cho thấy có cải thiện so với 
CONTROL. Nhưng khi đồng hóa thêm thành 
phần gió xuyên tâm (COLD-ZHVR), đã có sự 
cải thiện ở cả ba chỉ số FBI, CSI và POD (ví dụ: 
CSI tăng từ 0,08 lên 0,13). Các phương án chạy 
WARM START và CYCLING cho kết quả tốt hơn 
cả. Trong đó, các trường hợp CYCLING cho kết 
quả chỉ số tốt nhất (ví dụ: FBI=0,8).
Đối với hạn dự báo 12h, ở ngưỡng 1mm, kết 
quả cho thấy quá trình đồng hóa độ phản hồi 
COLD-ZH có cải thiện so với CONTROL. Trong khi 
đó, trường hợp đồng hóa cả độ phản hồi và gió 
Bảng 2. Đánh giá kĩ năng dự báo ở các ngưỡng mưa 1, 5, 10mm của các trường hợp COLD-ZH, 
COLD-ZHVR, WARM-ZH, WARM-ZHVR, CYCLING, CTL
NGƯỠNG TRƯỜNG HỢP HẠN 06H HẠN 12H
FBI POD CSI FBI POD CSI
1m
m
COLD-ZH 0,22 0,15 0,14 0,33 0,21 0,19
COLD-ZHVR 0,24 0,15 0,14 0,3 0,19 0,17
WARM-ZH 0,88 0,67 0,55 0,88 0,72 0,62
WARM-ZHVR 0,84 0,65 0,55 0,87 0,72 0,63
CYCLING 0,88 0,67 0,55 0,91 0,83 0,67
CONTROL 0,23 0,15 0,14 0,31 0,21 0,19
5m
m
COLD-ZH 0,09 0,08 0,08 0,19 0,12 0,12
COLD-ZHVR 0,16 0,13 0,13 0,25 0,18 0,17
WARM-ZH 0,8 0,58 0,47 0,78 0,58 0,49
WARM-ZHVR 0,79 0,6 0,5 0,78 0,62 0,53
CYCLING 0,8 0,58 0,47 0,84 0,71 0,6
CONTROL 0,1 0,09 0,09 0,21 0,14 0,13
10
m
m
COLD-ZH 0,08 0,06 0,06 0,17 0,09 0,09
COLD-ZHVR 0,13 0,09 0,09 0,21 0,13 0,12
WARM-ZH 0,79 0,54 0,43 0,74 0,52 0,42
WARM-ZHVR 0,74 0,53 0,44 0,71 0,53 0,45
CYCLING 0,79 0,54 0,43 0,79 0,6 0,49
CONTROL 0,09 0,06 0,06 0,17 0,09 0,09
xuyên tâm (COLD-ZHVR) lại cho kết quả kém hơn 
so với CONTROL. Các phương án WARM START 
cho thấy sự cải thiện đáng kể các chỉ số FBI, POD 
và CSI so với phương án CONTROL (ví dụ: FBI tăng 
Tạp chí khoa học biến đổi khí hậu
Số 10 - Tháng 6/2019
53
từ 0,31 lên 0,87). Đặc biệt, chế độ chạy CYCLING 
cho các chỉ số tốt hơn hẳn các phương án khác 
(v.d. FBI=0,91). Tương tự ở ngưỡng 5 và 10mm, 
gần như không có sự khác biệt giữa CONTROL 
và đồng hóa ở chế độ COLD-ZH. Trường hợp 
COLD-ZHVR cho thấy đã có cải thiện hơn so 
với CONTROL. Chế độ chạy WARM START và 
CYCLING vẫn cho thấy sự cải thiện đáng kể nhất 
khi so sánh với các phương án còn lại.
4. Kết luận 
Trong nghiên cứu này, kết quả bước đầu của 
việc ứng dụng đồng hóa dữ liệu radar trong mô 
hình WRF để dự báo mưa lớn hạn ngắn tại khu 
vực Thành phố Hồ Chí Minh trong năm 2018 đã 
được trình bày. Trước hết, tác động của quá trình 
đồng hóa được phân tích qua sự thay đổi của các 
biến độ phản hồi, Qrain và Qcloud trong 19 giờ 
tích phân đầu tiên. Kết quả cho thấy khi đồng 
hóa ở chế độ COLD START, độ phản hồi và Qrain 
trở nên đồng nhất với trường hợp không đồng 
hóa sau 1 và 2 giờ tích phân. Trong khi đó, chế 
độ WARM START tạo ra sự khác biệt được kéo 
dài hơn so với trường hợp không đồng hóa. Đây 
là một điểm đáng lưu ý bởi vì sai số dự báo của 
mô hình WRF trong trường ban đầu có thể được 
duy trì trong các bước dự báo tiếp theo trong chế 
độ chạy WARM START và CYCLING. Tiếp đến, kết 
quả đánh giá sai số dự báo trong 15 ngày mưa 
lớn đã cho thấy hiệu quả của việc đồng hóa khi 
chạy ở chế độ CYCLING. Nhìn chung, đối với cả 
3 ngưỡng mưa và 2 hạn dự báo, các chỉ số FBI, 
POD và CSI được cải thiện đáng kể khi chạy ở chế 
độ CYCLING và trường hợp chạy WARM START chỉ 
đồng hóa độ phản hồi.
Lời cảm ơn: Bài báo là một phần kết quả nghiên cứu của Đề tài “Nghiên cứu xây dựng hệ thống 
nghiệp vụ dự báo định lượng mưa khu vực Nam Bộ và cảnh báo mưa lớn hạn cực ngắn cho thành phố 
Hồ Chí Minh”, mã số KC.08.14/16-20.
Tài liệu tham khảo
Tài liệu tiếng Việt
1. Dư Đức Tiến, Bùi Minh Tăng, Võ Văn Hòa, Phùng Thị Vui, Trần Anh Đức, Nguyễn Thanh Tùng (2013), 
Nghiên cứu đồng hóa số liệu Radar Đông Hà để nâng cao chất lượng dự báo mưa lớn cho khu vực 
miền Trung, Tạp chí Khí tượng Thủy văn, Số 632, tr.12-19.
2. Trần Duy Thức, Công Thanh (2018), Thử nghiệm đồng hóa dữ liệu radar trong mô hình WRF để dự 
báo mưa lớn cho khu vực Thành phố Hồ Chí Minh, Tạp chí Khoa học Đại học Quốc gia Hà Nội: Các 
Khoa học Trái đất và Môi trường, Tập 34, Số 1S, tr. 59-70.
3. Trần Hồng Thái, Võ Văn Hòa, Dư Đức Tiến, Lưu Khánh Huyền (2016), Phương pháp đồng hóa số 
liệu nudging cho quan trắc Radar và tác động tới dự báo mưa lớn trên khu vực Bắc Bộ, Tạp chí Khí 
tượng Thủy văn, Số 670, tr. 1-6.
Tài liệu tiếng Anh
4. Gao, J., Stensrud, D. J. (2012), Assimilation of reflectivity data in a convective-scale, cycled 3DVAR 
framework with hydrometeor classification, Journal of the Atmospheric Sciences, 69(3), page 
1054-1065
5. Jolliffe, I. T., Stephenson, D. B., (2012), Forecast verification: a practitioner's guide in atmospheric 
science, John Wiley & Sons.Maurer. 
6. Kain, J. S., Xue, M., Coniglio, M. C., Weiss, S. J., Kong, F., Jensen, T. L., Brown, B., Jidong Gao, 
Keith B., Kevin W., Thomas, Craigs. S., Jason L., Wang, Y. (2010), Assessing advances in the 
assimilation of radar data and other mesoscale observations within a collaborative forecasting- 
research environment, Weather and Forecasting, 25(5), 1510-1521.
7. Skamarock, W. C., Klemp, J. B., Dudhia, J., Gill, D. O., Barker, D. M., Duda, M. G., Huang, X. Y., Wang, 
W., Powers, J. G., (2008), A description of the Advanced Research WRF v3, NCAR Technical Note, 
NCAR/TN-475CSTR.
54 Tạp chí khoa học biến đổi khí hậu
Số 10 - Tháng 6/2019
APPLICATION OF RADAR DATA ASSIMILATION IN HEAVY RAINFALL 
FORECASTING IN HO CHI MINH CITY AREA
Tran Duy Thuc(1), Cong Thanh(2), Mai Van Khiem(1), Nguyen Quang Trung(1), Vu Van Thang(1) 
(1)Viet Nam institute of Meteorology, Hydrology and climate change 
(2)University of Science, Viet Nam National University
Received: 8/5/2019; Accepted: 7/6/2019
Abstract: This study evaluated the ability to simulate 15 heavy rainfall days in 2018 in Ho Chi Minh 
city of the WRF model when assimilating Nha Be radar’s data. The impacts of initial assimilating 
process on the analysis field is investigated through three assimilation modes including: cold start, warm 
start and cycling. Results show that reflectivity in the cold start mode is identical with the case of no data 
assimilation after one hour of integration. Under the warm start mode, the discrepancy in the analysis field 
lasted longer which highlighted the role of background field from the previous forecast step. In comparison 
with precipitation observation at 11 meteorological stations, forecast results present the improvement of 
FBI, POD, CSI indices in the cycling mode. This can be seen not only at three thresfold of 1,5 and 10mm but 
also at leadtimes of 6h and 12h.
Keywords: Data assimilation, WRF model, 3DVar, Nha Be radar.