An algorithm for mist and fog forecasting for noibai international airport, Hanoi, Vietnam
Transport and Communications Science Journal, Vol 72, Issue 3 (04/2021), 342-355
Transport and Communications Science Journal
AN ALGORITHM FOR MIST AND FOG FORECASTING
FOR NOIBAI INTERNATIONALAIRPORT, HANOI, VIETNAM
Le Thi Viet Ha, Hoang Nam Binh*, Tran Thu Phuong
University of Transport and Communications, No 3 Cau Giay Street, Hanoi, Vietnam
ARTICLE INFO
TYPE: Research Article
Received: 25/01/2021
Revised: 18/03/2021
Accepted: 29/03/2021
Published online: 15/04/2021
* Corresponding author
Email: [email protected]
Abstract. Mist or fog is a product of water vapor condensation in the air at or near Earth's
surface limiting visibility, reducing visibility to less than 4,000 meters (mist) or 1,000 meters
(fog). They are severe weather phenomenon and work in small or medium areas. Mist and fog
conditions have potential negative impact on several economic activities, such as agriculture,
marine, etc. and especially aviation operations. They are the limiting factor in aviation and
can delay a flight or to cause the flight to divert to the planned destination airport. Therefore,
the visibility forecasting is very important in aviation to ensure flight safety. This article
presents an algorithm for fog and mist forecasting in a 24 hours period at Noibai International
Airport, Hanoi, Vietnam by regression and classification method. Forecasting algorithm
depends on the indexes FSI (Fog Stability Index), Fog Threat (Fog Potential), Fog Point (Fog
formation temperature) and the thermal inversions layer at 1000 - 800 milibar level (sea level
to near 1,500 meters). The forecasting model includes 2 regression equations combining other
conditions. The results show that the forecasting model has good quality for the mist but not
good for the fog phenomenon.
Keywords: Fog forecating, Fog Index, Regression, Classification, Noibai international airport
© 2021 University of Transport and Communications
342
Tạp chí Khoa học Giao thông vận tải, Tập 72, Số 3 (04/2021), 342-355
Tạp chí Khoa học Giao thông vận tải
THIẾT LẬP MỘT THUẬT TOÁN DỰ BÁO MÙ VÀ SƯƠNG MÙ
CHO KHU VỰC SÂN BAY QUỐC TẾ NỘI BÀI
Lê Thị Việt Hà, Hoàng Nam Bình*, Trần Thu Phương
Trường Đại học Giao thông vận tải, Số 3 Cầu Giấy, Hà Nội, Việt Nam
THÔNG TIN BÀI BÁO
CHUYÊN MỤC: Công trình khoa học
Ngày nhận bài: 25/01/2021
Ngày nhận bài sửa: 18/03/2021
Ngày chấp nhận đăng: 29/03/2021
Ngày xuất bản Online: 15/04/2021
* Tác giả liên hệ
Email: [email protected]
Tóm tắt. Hiện tượng mù và sương mù là sản phẩm ngưng kết hơi nước trong lớp không khí
sát mặt đất làm giảm tầm nhìn ngang xuống dưới 4000m (mù) hoặc 1000m (sương mù). Đây
là hiện tượng thời tiết nguy hiểm có quy mô vừa và nhỏ, ảnh hưởng xấu đến nhiều lĩnh vực,
đặc biệt là lĩnh vực hàng không. Nếu tầm nhìn ngang dưới giá trị khai thác tối thiểu, các
chuyến bay phải hoãn lại việc cất cánh, hoặc bay chờ trong khoảng thời gian nhất định cho
đến khi tầm nhìn đạt hoặc vượt ngưỡng khai thác tối thiểu để hạ cánh, hoặc quyết định chuyển
sang sân bay dự bị. Do đó, công tác dự báo tầm nhìn ngang là rất cần thiết nhằm đảm bảo an
toàn khai thác bay. Bài báo trình bày một thuật toán dự báo mù và sương mù trước 24 giờ cho
khu vực sân bay quốc tế Nội Bài bằng phương pháp hồi quy và phân lớp. Thuật toán dự báo
phụ thuộc các chỉ số FSI (Fog Stability Index), Fog Threat (Fog Potential), Fog Point (Fog
formation temperature) và lớp nghịch nhiệt ở độ cao 1000 - 800mb tương ứng cao độ từ sát bề
mặt đến độ cao khoảng 1500m. Thuật toán dự báo được thiết lập với hệ 2 phương trình hồi
quy kết hợp một số điều kiện khác. Phân tích thống kê kết quả dự báo cho thấy mô hình có
khả năng dự báo tốt hiện tượng có mù hoặc không mù nhưng chưa dự báo tốt hiện tượng
sương mù.
Từ khóa: Dự báo sương mù, Chỉ số sương mù, Phương pháp hồi quy, Phương pháp phân lớp,
Sân bay quốc tế Nội Bài.
© 2021 Trường Đại học Giao thông vận tải
1. ĐẶT VẤN ĐỀ
Cảng hàng không quốc tế Nội Bài là một trong những cảng hàng không lớn và quan trọng
nhất Việt Nam với hàng trăm lượt chuyến nội địa và quốc tế cất hạ cánh trung bình mỗi ngày.
343
Transport and Communications Science Journal, Vol 72, Issue 3 (04/2021), 342-355
Tuy nhiên, tình trạng sân bay bị "tê liệt" do ảnh hưởng của hoạt động mù, sương mù và mây
thấp, đặc biệt trong các tháng mùa đông, gây không ít thiệt hại cho các hãng hàng không cũng
thời gian thực hiện quan trắc và báo cáo thời tiết (Điều 4), các nội dung quan trắc và báo cáo
(Điều 5). Ngoài ra, Thông tư còn quy định trách nhiệm của cơ sở cung cấp dịch vụ khí tượng
tại cảng hàng không quốc tế phải thực hiện các bản tin dự báo, cảnh báo thời tiết phục vụ khai
thác bay như dự báo hạ cánh, dự báo cất cánh, dự báo thời tiết trên đường bay và khu vực bay,
cảnh báo các điều kiện thời tiết nguy hiểm đến tàu bay... trong đó có hiện tượng mù, sương mù
và mây thấp. Nhằm đảm bảo an toàn cho hoạt động khai thác bay, nhất là sau một số sự cố hàng
không liên quan đến hiện tượng thời tiết nguy hiểm, Cục Hàng không Việt Nam đã ban hành
bay dự bị hạ cánh khi lập kế hoạch bay. Nếu điều kiện thời tiết phức tạp như sương mù dày đặc
trên diện rộng thì phải chọn thêm sân bay dự bị thứ 2 nằm ngoài vùng ảnh hưởng của khu vực
thời tiết nguy hiểm. Chỉ thị cũng yêu cầu các cơ sở cung cấp dịch vụ khí tượng cảng hàng không
quốc tế Nội Bài, Đà Nẵng, Tân Sơn Nhất có trách nhiệm phát bản tin dự báo thời tiết tại cảng
hàng không, sân bay (TAF) và bản tin dự báo thời tiết tại cảng hàng không, sân bay được bổ
sung (TAF AMD) cho các sân bay tương ứng, hiệu lực 24 giờ. Bên cạnh đó, các cảng hàng không
quốc tế phải chấp hành nghiêm các quy định về tiêu chuẩn thời tiết tối thiểu đối với tàu bay và
tổ lái. Xây dựng hướng dẫn hành động ứng phó của kiểm soát viên trong trường hợp thời tiết
xuống dưới tiêu chuẩn tại sân bay để bổ sung vào tài liệu hướng dẫn khai thác của đài kiểm
soát không lưu và nâng cao chất lượng bản tin cảnh báo thời tiết nguy hiểm trên đường bay.
Mù, sương mù và mây thấp là một trong những hiện tượng thời tiết nguy hiểm ảnh hưởng
xấu đến nhiều lĩnh vực (Ví dụ: đối với nông nghiệp: ảnh hưởng đến sự quang hợp của cây
trồng; đối với giao thông: ảnh hưởng tầm nhìn...). Mù và sương mù là sản phẩm ngưng kết hơi
nước trong khí quyển tạo thành những giọt nước nhỏ li ti hoặc những tinh thể băng có kích
thước vô cùng bé bay lơ lửng trong lớp không khí ngay sát mặt đất gây giảm tầm nhìn ngang.
Tầm nhìn ngang khí tượng, tầm nhìn ngang đường cất cánh và hạ cánh là vô cùng quan trọng
đối với an toàn hàng không cũng như hiệu quả kinh tế. Khi tầm nhìn ngang xuống dưới
thường xuất hiện từ các tháng cuối thu (tháng XI) cho đến cuối xuân (tháng IV), nhiều và
không khí lạnh hơn; (2) Hai khối không khí gần bão hòa có nhiệt độ khác nhau hòa trộn lẫn
nhau; (3) Lớp không khí sát mặt đất lạnh đi do ảnh hưởng của mặt đệm lạnh; và (4) Không
khí ẩm lạnh đi đoạn nhiệt do khí áp giảm. Căn cứ các nguyên nhân hình thành, sương mù
được phân thành 06 loại gồm (1) Sương mù bốc hơi; (2) Sương mù hỗn hợp; (3) Sương mù
bức xạ; (4) Sương mù bình lưu; (5) Sương mù sườn dốc; và (6) Sương mù front. Phương pháp
tượng có quy mô vừa và nhỏ nên việc dự báo cho một địa điểm cụ thể bằng phương pháp
synop thường gặp nhiều khó khăn do không thể đánh giá được hết các yếu tố ảnh hưởng của
điều kiện địa phương. Để dự báo chính xác hiện tượng, bên cạnh phương pháp synop cần có
phương pháp định lượng bổ sung. Một trong những phương pháp có khả năng đáp ứng được
yêu cầu đó là phương pháp thống kê.
Dự báo mù và sương mù được các nhà khoa học trong nước quan tâm nghiên cứu từ
344
Tạp chí Khoa học Giao thông vận tải, Tập 72, Số 3 (04/2021), 342-355
nghiên cứu trên cơ sở chuỗi số liệu từ 1960 - 1966 của trạm Cô Tô để xây dựng những đặc
trưng thống kê về sự xuất hiện mù và sương mù với các yếu tố như nhiệt độ, nhiệt độ điểm
sương mù bức xạ - bình lưu trên cơ sở giải hệ phương trình nhập nhiệt, vận chuyển nước và
hơi nước. Kết quả nghiên cứu cho thấy mô hình dự báo có khả năng ứng dụng trong nghiệp
tượng ven biển Bắc Bộ xác định các đặc trưng thống kê để dự báo mù và sương mù. Nghiên
cứu đưa ra nhận định hiện tượng mù và sương mù khu vực ven biển Bắc Bộ xuất hiện vào các
chế độ và phương pháp thống kê dự báo sương mù khu vực biển và ven bờ Vịnh Bắc Bộ.
Nghiên cứu đã đưa ra bộ tiêu chí để áp dụng trong nghiệp vụ dự báo mù và sương mù. Các
tiêu chí gồm thời gian xuất hiện sương mù trong năm cực đại vào tháng III, có thể kéo dài 1
2 ngày; thời điểm xuất hiện sương mù trong ngày là 6 8 giờ hoặc 19 20 giờ. Ngoài ra, tác
giả còn thống kê đặc điểm nhiệt độ, nhiệt độ điểm sương, độ ẩm, hướng gió, tốc độ gió và
cứu hoạt động sương mù, mưa nhỏ bằng phương pháp thống kê synop và đánh giá tác động
của chúng tới điều kiện sinh trưởng của cây nông nghiệp ở khu vực Bắc Trung Bộ.
Trên thế giới, việc nghiên cứu dự báo sương mù cũng rất được quan tâm. Các mô hình số
trị sử dụng trong dự báo hiện tượng thời tiết có thể kể đến như NWP (Numerical Weather
mù ở các quốc gia như Anh, Mỹ, Tây Ban Nha, Đan Mạch, Phần Lan, Hàn Quốc... Kết quả dự
báo từ mô hình đều được thực hiện kiểm chứng với các chỉ số dự báo sương mù như FSI (Fog
Stability Index). FSI là chỉ số được phát triển bởi cơ quan dự báo thời tiết Mỹ. Cho đến nay,
phương pháp dự báo sương mù bằng chỉ số FSI được nhiều tác giả trên thế giới nghiên cứu và
dự báo dựa trên số liệu 2 trạm Praha-Libus và Brno Sokolnice (Cộng hòa Séc), Song và cs.
hiện tối ưu hóa chỉ số từ số liệu 12 trạm khí tượng ở Hà Lan. Bên cạnh đó, một số nghiên cứu
khác đã đề xuất công thức dự báo dựa trên chuỗi số liệu thống kê như công thức của Stoelinga
nhiệt độ bề mặt, nhiệt độ điểm sương và độ ẩm tương đối.
Sự hình thành và phát triển sương mù là tổ hợp sự tương tác lớp bề mặt, mặt biển và lớp
không khí gần bề mặt. Phương pháp dự báo sương mù bình lưu truyền thống cho các vùng
ven biển là dựa vào hướng gió, nhưng áp dụng cho sương mù bức xạ hay sương mù địa hình
thì gặp nhiều hạn chế. Hầu hết các nghiên cứu đều chỉ ra rằng việc dự báo sương mù không
chỉ dựa vào điều kiện bề mặt mà còn phụ thuộc các điều kiện ở cao độ khác nhau như tốc độ
xáo trộn, nhiệt độ không khí và điểm sương trong lớp 0 - 1000m; độ ẩm riêng; gradient nhiệt
Bài báo giới thiệu một thuật toán dự báo mà trong đó các nhân tố sử dụng thể hiện ý
nghĩa vật lý và các yếu tố ảnh hưởng đến quá trình hình thành mù và sương mù. Các nhân tố
đó là tổ hợp đại lượng quan trắc khí tượng thông thường nhằm đưa ra kết quả dự báo có độ tin
cậy tốt cho khu vực sân bay quốc tế Nội Bài - Hà Nội.
345
Transport and Communications Science Journal, Vol 72, Issue 3 (04/2021), 342-355
2. PHƯƠNG PHÁP NGHIÊN CỨU
Nghiên cứu lựa chọn phương pháp thống kê để xây dựng phương trình tương quan và xác
định các ngưỡng dự báo bằng phương pháp phân lớp. Đây là phương pháp được nhiều nghiên
trình hồi quy tổng quát có dạng:
F = C0 + C1x1 + C2x2 + ... + Cnxn
(1)
Trong đó: Ci - hệ số của phương trình hồi quy; xi - biến phụ thuộc là các nhân tố dự báo.
Các hệ số Ci (i = 0 n) được tìm bằng phương pháp hồi quy tuyến tính đa biến từ tập số
liệu quan trắc là mối liên hệ giữa trường số liệu thiên khí và dữ liệu quan trắc tầm nhìn. Số
liệu quan trắc tầm nhìn được thu thập từ mã METAR (METeorological Aerodrome Reports).
Bản tin METAR của sân bay Nội Bài được phát liên tục 24h/24h với tần suất 30 phút/lần
tương ứng 48 phiên quan trắc (ốp) mỗi ngày. Độ dài chuỗi 10 năm quan trắc (2010 - 2019) là
175.296 phần tử. Số liệu quan trắc được thu thập từ website của trường Đại học Wyoming
00h00 và 12h00 từ 2010 đến 2019 và được xử lý tính toán thông qua phần mềm RAOB
(RAwinsonde OBservation program).
Các nhân tố dự báo là các chỉ số liên quan chặt chẽ đến sự hình thành và phát triển sương
mù: FSI, Fog Point và Fog Threat.
- FSI (Fog Stability Index) là chỉ số được sử dụng khá phổ biến. Chỉ số này là tổ hợp
tuyến tính của các yếu tố khí tượng trong lớp khí quyển sát bề mặt đến mực 850mb: T2m
(nhiệt độ tại độ cao 2m, oC), T850 (nhiệt độ tại mực 850mb, oC), Td2m (nhiệt độ điểm sương tại
độ cao 2m, oC) và W850 (tốc độ gió tại mực 850mb, knot, 1knots = 1,852km/h). FSI được xác
FSI = 4T2m − 2 T850 + Td2m + W
(
)
(2)
850
suất là trung bình và khi FSI > 55 thì khả năng xuất hiện sương mù là thấp. Chỉ số FSI biểu
thị khả năng xuất hiện sương mù càng cao khi có độ ẩm càng lớn (T2m - Td2m càng nhỏ), khí
quyển ổn định (T2m - T850 nhỏ) và tốc độ gió nhỏ tại mực 850mb (W850 nhỏ). Chỉ số này có
thể đánh giá được sự hình thành sương mù bức xạ.
có 15,3% khả năng xuất hiện sương mù, khi 31 FSI < 55 thì khả năng đó là 5,9%. Trường
hợp FSI 55 thì khả năng xuất hiện sương mù là thấp và khả năng xuất hiện giá trị tầm nhìn
ngang trên 4000m là 63,53%. Như vậy khả năng dự báo sương mù của chỉ số FSI cho khu vực
Nội Bài là không cao nhưng lại hữu hiệu trong việc dự báo không có hiện tượng sương mù.
- Fog Point (FGP) là chỉ số biểu thị nhiệt độ hình thành sương mù. Chỉ số này được xác
định căn cứ theo đường tỷ lệ giữa khối lượng hơi nước với khối lượng không khí khô trong
khối không khí bão hòa từ đường cong nhiệt độ điểm sương tại mực ngưng kết nâng (LCL -
30oC. Khi FGP < 2 hoặc FGP > 28 thì không có khả năng hình thành sương mù.
346
Tạp chí Khoa học Giao thông vận tải, Tập 72, Số 3 (04/2021), 342-355
FGT = WBPT850 −FGP
(3)
Trong đó, WBPT850 là nhiệt độ thế vị bầu ẩm mực 850mb. Đại lượng biểu thị nhiệt độ
thấp nhất tiềm năng mà không khí có thể bị làm lạnh bởi quá trình bốc hơi ở mực 850mb
(WBPT850 = 850mb wet bulb potential temperature). Chỉ số này có liên quan đến sự hình
thành sương mù bình lưu và sương mù front.
Hình 2. Phân bố chỉ số Fog Point
và giá trị tầm nhìn tại trạm quan trắc Nội Bài.
Hình 1. Phân bố chỉ số FSI
và giá trị tầm nhìn tại trạm quan trắc Nội Bài.
Hình 3. Phân bố chỉ số Fog Threat và giá trị tầm nhìn tại trạm quan trắc Nội Bài.
năng vượt ngưỡng nhiệt độ hình thành sương mù; khi 0 < FGT < 3 thì xác suất là trung bình
và khi FGT < 0 thì khả năng xuất hiện sương mù là lớn. Dữ liệu Fog Threat tại trạm quan trắc
phù hợp đối với vùng nghiên cứu. Tuy nhiên khi FGT < 16 thì có khả năng xuất hiện sương
mù và FGT 16 thì khả năng xuất hiện sương mù là rất thấp (2,6%).
Ngoài ra, quá trình lạnh đi của khối không khí nóng ẩm sát bề mặt lan truyền lên những
lớp không khí cao hơn sẽ tạo thành lớp nghịch nhiệt có thể lên tới mực 800mb (gần 1500m so
tại lớp nghịch nhiệt trong khoảng 1000 - 800mb và ngược lại TIN = 0. Tuy nhiên cũng có
nhiều thời điểm xuất hiện lớp nghịch nhiệt nhưng quan trắc trong 24 giờ tiếp theo không xuất
đạt giá trị trên 10km.
347
Transport and Communications Science Journal, Vol 72, Issue 3 (04/2021), 342-355
a) Thời điểm 12h00 ngày 11/2/2018
b) Thời điểm 12h00 ngày 23/12/2019
Hình 4. Giản đồ thiên khí Skew-T tại trạm quan trắc Nội Bài.
trích xuất tại địa chỉ http://weather.uwyo.edu/upperair/sounding.html.
Như vậy, kết hợp các nhân tố dự báo FSI, Fog Threat (FGT), Fog Point (FGP) và
Thermal inversion (TIN) có thể dự báo được sự xuất hiện mù và sương mù khu vực nghiên
F = C0 + C1FSI + C2FGT + C3FGP + C4TIN
(4)
Bộ dữ liệu được lập thành ma trận 5 cột gồm 4 nhân tố dự báo (FSI, FGT, FGP và TIN)
và 1 yếu tố dự báo (tầm nhìn). Tại mỗi thời điểm 00h00 hoặc 12h00 của số liệu quan trắc
thám không, nếu 24 giờ sau đó ở bản tin METAR xuất hiện giá trị tầm nhìn dưới 4000m (mù)
thì yếu tố dự báo mang giá trị "0,5", dưới 1000m (sương mù) mang giá trị 1,0 và trên 4000m
mang giá trị "0". Như vậy, dữ liệu được xử lý thành ma trận kích thước (7304 hàng, 5 cột)
hạn 24h cho khu vực sân bay quốc tế Nội Bài.
3. THUẬT TOÁN DỰ BÁO
3.1. Phương trình dự báo
Ma trận dữ liệu được chia thành ma trận phụ thuộc (A) (2010 - 2016) có kích thước (5114
hàng, 5 cột) dùng để phân tích xây dựng phương trình hồi quy và ma trận độc lập (B) (2017 -
2019) có kích thước (2190 hàng, 5 cột) dùng để kiểm định độ tin cậy của phương trình. Thuật
Với mục tiêu tìm bộ hệ số phương trình tương quan tốt nhất và ổn định trong phạm vi
chuỗi số liệu thu thập, các hệ số được xác định bằng phương pháp hồi quy tuyến tính đa biến
và tính lặp cho đến khi nhận được tổng sai số của các hệ số giữa bước tính trước và sau thỏa
mãn giá trị cho phép ( = 0,01). Trong trường hợp sử dụng toàn bộ dữ liệu của ma trận A
nhưng vẫn chưa nhận được bộ hệ số ổn định thì tiếp tục tăng kích thước ma trận A bằng cách
bổ sung dữ liệu từ ma trận B. Nếu số hàng trong ma trận B bằng 0 mà tổng sai số của các hệ
số vẫn chưa thỏa mãn ràng buộc thì hệ số phương trình tương quan là chưa ổn định. Trong
tình huống này, vòng lặp dừng cưỡng bức và hệ số phương trình tương quan là hệ số của
phương trình ở bước lặp cuối cùng.
348
Tạp chí Khoa học Giao thông vận tải, Tập 72, Số 3 (04/2021), 342-355
Hình 5. Sơ đồ khối xây dựng phương trình dự báo.
Vì các hệ số phân bố tương đối đều cho cả 3 trường hợp (không mù, có mù và sương mù)
nên quá trình lặp dừng lại khi sử dụng toàn bộ dữ liệu của ma trận B. Các phương trình hồi
quy nhận được trong quá trình dò tìm có hệ số tương quan R2 thấp (R2 = 0,0059 - 0,0919), Để
tăng khả năng dự báo của mô hình hồi quy, nghiên cứu lựa chọn tính toán đồng thời bằng 2
phương trình:
349
Transport and Communications Science Journal, Vol 72, Issue 3 (04/2021), 342-355
F = − 0,039FSI+ 0,086FGT+ 0,074FGP+0,011TIN
(5)
(6)
1
F = 6,2499+ 0,0167FSI+ 0,0486FGT+ 0,0323FGP+0,0016TIN
2
logarit tự nhiên giá trị tầm nhìn ln(Vis).
3.2. Ngưỡng dự báo
báo thể hiện khả năng không xuất hiện sương mù. Nếu coi tổng khả năng xuất hiện mù và
không mù là khả năng không có sương mù thì 3 chỉ số trên cho kết quả dự báo không sương
mù ứng với từng ngưỡng lần lượt là FSI > 55 (98,25%), FGT > 16 (95,52%), FGP < 3
Bảng 1. Ngưỡng dự báo của chỉ số sương mù.
Ngưỡng
Không mù (%)
Mù (%)
FSI < 9
0,0
55,5
FSI > 55
63,5
35,0
FGT > 16
43,5
FGP < 3
63,0
35,5
52,0
Sương mù (%)
45,0
1,5
4,5
1,5
Kết quả phân tích cho thấy hàm F1 và F2 cũng không thể đưa ra được ngưỡng dự báo khả
Bảng 2. Ngưỡng dự báo của hàm F1 và F2.
F1 < -0,2 F2 < 7,3
57,0 30,0
Ngưỡng
Không mù (%)
Mù (%)
F2 > 8,1
58,0
40,5
42,0
1,0
70,0
0,0
Sương mù (%)
1,5
sương mù là rất nhỏ. Tuy nhiên số lượng mẫu thuộc ngưỡng này chỉ chiếm khoảng 20% tổng
số mẫu. Do đó, 80% số mẫu còn lại phải được tính toán kết hợp cả 2 hàm F1, F2 và có thể bổ
sung các tiêu chí phụ.
Như vậy, căn cứ các ngưỡng dự báo của các chỉ số và các phương trình hồi quy, kết hợp
với các kết quả phân tích thống kê khác, thuật toán dự báo mù và sương mù hạn 24 giờ cho
350
Transport and Communications Science Journal, Vol 72, Issue 3 (04/2021), 342-355
Kết quả xây dựng thuật toán cho thấy rất khó để dự báo chính xác sự xuất hiện của hiện
tượng sương mù (F = 1,0). Tổ hợp tiêu chí cho khả năng cao xuất hiện hiện tượng là F2 = 7,6
kết hợp F1 > 1,0 và F2 = 7,5 kết hợp F1 > 1,5. Đối với dự báo hiện tượng mù thì thuật toán
trên cho kết quả đáng tin cậy với nhiều tổ hợp dự báo có khả năng cao xảy ra hiện tượng tầm
nhìn ngang trên (F = 0,0) hoặc dưới 4000m (F = 0,5).
Để kiểm định độ tin cậy của thuật toán, nghiên cứu thực hiện thu thập dữ liệu quan trắc
tầm nhìn một số ngày cuối tháng XII/2020 và tháng I/2021 (chuỗi độc lập - 24 phần tử), đồng
thời lựa chọn một số ngày đầu, giữa hoặc cuối các tháng từ chuỗi dữ liệu đã có (chuỗi phụ
lượng dự báo theo kết quả từ bảng sự kiện xảy ra ngẫu nhiên gồm tỷ lệ dự báo đúng toàn phần
(H), tỷ lệ phát hiện quan trắc "Có" (POD), tỷ lệ báo khống (FAR), tỷ lệ phát hiện quan trắc
"Không" (POFD), chỉ tiêu thành công (CSI), chỉ tiêu thống kê thực tế (TSS) và chỉ tiêu
Bảng 3. Đánh giá kết quả kiểm định với chuỗi phụ thuộc.
Quan trắc
Có
Không
Tổng số
Dự báo
Có
Không
Tổng số
137
13
150
47
8
55
184
21
205
H
POD
FAR
POFD
0,855
CSI
TSS
Heidke
0,073
0,707
0,913
0,255
0,695
0,059
(trên 90%), CSI và H đạt khoảng 70%. Do đó có thể coi thuật toán phát hiện tốt pha có "mù".
Tuy nhiên, chỉ số TSS chưa tốt và tỷ lệ báo khống FAR khoảng 25%. Nhận diện những
trường hợp báo khống cho thấy số đông trường hợp mù/sương mù xảy ra với thời gian ngắn
khoảng 120 phút thậm chí diễn biến rất nhanh từ tầm nhìn trên 10km xuống ngưỡng có mù và
trở lại ngưỡng trên 10km trong 3 lần quan trắc liên tiếp. Những trường hợp báo khống này,
thuật toán chưa thể phát hiện được mối liên hệ giữa các chỉ số sương mù với hiện tượng diễn
ra trong 24 giờ tiếp theo. Tỷ lệ dự báo sai (số lần dự báo "không" nhưng quan trắc "có" trên
tổng số lần dự báo) khoảng 5%.
Bảng 4. Kiểm định với chuỗi độc lập.
Tầm nhìn
nhỏ nhất (m) tượng
Hiện
Đánh
giá
Ngày
FSI FGT FGP TIN F1 F2
Kết quả
28/12/2020
00h00-23h00
29/12/2020
00h00-23h00
30/12/2020
00h00-23h00
31/12/2020
00h00-23h00
01/01/2021
00h00-23h00
02/01/2021
00h00-23h00
F = 0,5 (70%) Dự báo
F = 1,0 (15%) Đúng
F = 0,5 (70%) Dự báo
F = 1,0 (10%) Đúng
F = 0,0 (63,5%) Dự báo
F = 1,0 (1,5%) Đúng
F = 0,0 (63,5%) Dự báo
F = 1,0 (1,5%) Đúng
F = 0,0 (57%) Dự báo
F = 1,0 (1,0%) Đúng
F = 0,0 (63,5%) Dự báo
F = 1,0 (1,5%) Sai
2800
2100
0,5 34,0 7,3 20,6
0,5 38,8 7,9 18,7
0,0 56 12,3 4,7
1
0
1
0
0
1
0,8 7,8
0,6 7,9
-0,8 7,9
-1,3 7,9
-0,9 7,8
-0,1 7,5
>10000
5000
0,0 61,6 8,3 5,5
0,0 53,6 10 5,1
0,5 32,4 13,8 0,2
4400
3400
352
Tạp chí Khoa học Giao thông vận tải, Tập 72, Số 3 (04/2021), 342-355
Tầm nhìn Hiện
Đánh
giá
Ngày
FSI FGT FGP TIN F1 F2
Kết quả
nhỏ nhất (m) tượng
03/01/2021
00h00-23h00
04/01/2021
00h00-23h00
05/01/2021
00h00-23h00
06/01/2021
00h00-23h00
07/01/2021
00h00-23h00
08/01/2021
00h00-23h00
09/01/2021
00h00-23h00
10/01/2021
00h00-23h00
11/01/2021
00h00-23h00
12/01/2021
00h00-23h00
13/01/2021
00h00-23h00
14/01/2021
00h00-23h00
15/01/2021
00h00-23h00
16/01/2021
00h00-23h00
17/01/2021
00h00-23h00
18/01/2021
00h00-23h00
19/01/2021
00h00-23h00
20/01/2021
00h00-23h00
F = 0,5 (50%) Dự báo
F = 1,0 (20%) Đúng
F = 0,5 (70%) Dự báo
F = 1,0 (10%) Khống
F = 0,5 (70%) Dự báo
F = 1,0 (10%) Đúng
F = 0,5 (60%) Dự báo
F = 1,0 (15%) Đúng
F = 0,5 (70%) Dự báo
F = 1,0 (10%) Đúng
F = 0,5 (50%) Dự báo
F = 1,0 (20%) Khống
F = 0,0 (63%) Dự báo
F = 1,0 (1,5%) Đúng
F = 0,0 (63%) Dự báo
F = 1,0 (1,5%) Đúng
F = 0,0 (63%) Dự báo
F = 1,0 (1,5%) Đúng
F = 0,0 (63%) Dự báo
F = 1,0 (1,5%) Đúng
F = 0,0 (63%) Dự báo
F = 1,0 (1,5%) Sai
F = 0,5 (70%) Dự báo
F = 1,0 (10%) Đúng
F = 0,5 (50%) Dự báo
F = 1,0 (20%) Đúng
F = 0,5 (70%) Dự báo
F = 1,0 (10%) Đúng
F = 0,5 (60%) Dự báo
F = 1,0 (15%) Đúng
F = 0,0 (63%) Dự báo
F = 1,0 (1,5%) Sai
F = 0,5 (50%) Dự báo
F = 1,0 (20%) Đúng
F = 0,5 (50%) Dự báo
F = 1,0 (20%) Đúng
2400
5000
0,5 33,2 8,5 9,3
0,0 40,8 14,9 4,8
1
0
0
0
1
1
1
1
1
0,1 7,5
0,0 7,8
0,0 7,9
0,3 7,7
0,3 7,8
0,0 7,5
7,6 -0,3
7,7 -1,2
8,2 -2,2
1900
0,5
0,5
44 11,9 9,1
36 11,6 10,2
3600
3900
0,5 39,2 11,6 11,4
0,0 33,2 11,4 4,3
0,0 38,4 13,4 1,1
0,0 54,6 11,7 -1
>10000
>10000
9000
>10000
4700
0,0
82 12,4 -1,6
0,0 55,6 23,3 -15,2 0 7,8 -1,3
3400
0,5
0,5 36,8 16
0,5 26,8 7,2 13,3
0,5 40 12,5 9,9
36 14,5 -2,8
1
1
1
1
0
1
1
0
7,5 -0,4
7,8 0,4
7,5 0,6
7,8 0,3
7,7 0,5
7,9 -1,1
7,4 0,6
7,5 0,5
2400
6
1600
2000
1800
0,5 33,6 7,6 15
0,5 57,8 12,8 0,6
0,5 22,2 10,2 7,2
0,5 27,6 7,8 12,1
3600
1600
2000
Bảng 5. Đánh giá kết quả kiểm định với chuỗi độc lập.
Quan trắc
Có
Không
Tổng số
Dự báo
Có
Không
Tổng số
12
3
15
2
7
9
14
10
24
H
POD
FAR
POFD
0,222
CSI
TSS
Heidke
0,565
0,792
0,800
0,143
0,706
0,578
H, POD và CSI tương đối tốt với giá trị khoảng 70 - 80%. Tỷ lệ báo khống và tỷ lệ dự báo sai
353
Transport and Communications Science Journal, Vol 72, Issue 3 (04/2021), 342-355
đều dưới 15%. Tuy nhiên, do chuỗi độc lập ngắn và diễn ra trong thời kỳ mù và sương mù bắt
đầu hoạt động mạnh nên khả năng dự báo tương đối tốt. Để đánh giá chính xác hơn độ tin cậy
của thuật toán cần tiếp tục kiểm định cho những thời đoạn khác trong quá trình thực hiện
nghiệp vụ dự báo.
5. KẾT LUẬN
Mù và sương mù là hiện tượng thời tiết nguy hiểm diễn ra trên quy mô vừa và nhỏ. Đối
với khu vực sân bay quốc tế Nội Bài, giá trị các chỉ số sương mù phân bố tương đối đều ở các
pha không mù, có mù và sương mù cho thấy hiện tượng này rất khó dự báo chính xác. Số liệu
thống kê 10 năm gần đây (2010 - 2019) chỉ ra rằng sương mù ở khu vực hoạt động mạnh nhất
trong các tháng I - III với thời gian thịnh hành vào đêm tối và sáng sớm. Mô hình dự báo hạn
các ngưỡng dự báo cho kết quả tương đối tốt ở 2 pha không mù "0" và có mù "0,5". Đối với
pha sương mù "1" thì mô hình chưa thực sự cho kết quả tốt. Điều này có thể được lý giải bởi
các tháng V - IX hiện tượng sương mù có thể có diễn biến rất nhanh. Sự thay đổi tầm nhìn
ngang từ trên 10km xuống dưới 1km và trở lại trên 10km có thể chỉ diễn ra trong khoảng 60
phút khiến cho việc dự báo trước 24 giờ gặp sai số lớn. Để cải thiện mô hình dự báo này, có
thể bổ sung chi tiết hơn các ngưỡng dự báo kết hợp biến thời gian hoặc bổ sung phương trình
tương quan có xét thêm biến thời gian.
LỜI CẢM ƠN
Nghiên cứu này được tài trợ bởi Trường đại học Giao thông vận tải trong đề tài mã số T2020-
CT-002. Các tác giả cũng gửi lời cảm ơn tới Trung Tâm Khí tượng Hàng không Nội Bài đã hỗ
trợ cung cấp dữ liệu bản tin METAR để thực hiện nghiên cứu này.
TÀI LIỆU THAM KHẢO
[1]. Bộ Giao thông vận tải, Thông tư Quy định về khí tượng hàng không dân dụng, số 19/2009/TT-
BGTVT ngày 08 tháng 9 năm 2009.
[2]. Cục Hàng không Việt Nam, Chỉ thị về việc đảm bảo an toàn bay, số 2690/CT-CHK ngày 25
tháng 07 năm 2014.
[3]. Nguyễn Viết Lành, Khí tượng cơ sở, NXB. Bản Đồ, 2004.
[4]. The office of the Federal coordinator for Meteorological services and Supporting research,
Federal Meteorological Handbook Number 1, Surface weather observations and reports, Washington,
D.C., 2017, pp. 8 - 1, 8 - 2.
[5]. Phan Văn Tân, Đặc điểm chế độ và phương pháp thống kê vật lý dự báo sương mù khu vực biển
và ven bờ khu vực Vịnh Bắc Bộ, Luận án Phó tiến sĩ, Đại học Tổng hợp Hà Nội, 1994.
[6]. Trần Tân Tiến, Nghiên cứu các phương pháp dự báo sương mù ở các sân bay chính, Đề tài nghiên
cứu cấp Nhà nước Mã số 42A-0502, 1986-1989.
[7]. Nguyễn Xuân Tiến, Trần Quỳnh Trang, Sương mù, mưa nhỏ trên khu vực Bắc Trung Bộ trong
mùa vụ đông xuân 2013 - 2014, Tạp chí Khí tượng Thủy văn, 638 (2014) 23-25.
[8]. Sultan Al-Yahyai, Yassine Charabi and Adel Gastli, Review of the use of Numerical Weather
354
Tạp chí Khoa học Giao thông vận tải, Tập 72, Số 3 (04/2021), 342-355
Prediction (NWP) Models for wind energy assessment, , Renewable and Sustainable Energy Reviews,
14 (2010) 3192-3198. https://doi.org/10.1016/j.rser.2010.07.001
[9]. Clark P. A. et al., Prediction of visibility and aerosol within the operational Met Office Unified
Model. I: Model formulation and variational assimilation, Quarterly Journal of the Royal
Meteorological Society, 134 (636) 1801 - 1816. https://doi.org/10.1002/qj.318
[10]. Cheol-Han Bang, Ji-Woo Lee, Song-You Hong, Predictability Experiments of Fog and Visibility in
Local Airports over Korea using the WRF Model, Journal of Korean Society for Atmospheric
Environment, 24 (2008) 92-101. https://www.researchgate.net/profile/Jiwoo_Lee2/publication/277004271
_Predictability_Experiments_of_Fog_and_Visibility_in_Local_Airports_over_Korea_using_the_WRF_M
odel/links/555d00b608ae8c0cab2a6aef/Predictability-Experiments-of-Fog-and-Visibility-in-Local-
Airports-over-Korea-using-the-WRF-Model.pdf
[11]. Arun S. H. et al., Fog Stability Index: A novel technique for fog/low clouds detection using
multi-satellites data over the Indo-Gangetic plains during winter season, International Journal of
[12]. Karel Dejmal, Josef Novotny, Application of Fog Stability Index for significantly reduced visibility
forecasting in the Czech Republic, Recent Advances in Fluid Mechanics and Heat & Mass Transfer,
(2011), pp. 317-320. http://wseas.us/e-library/conferences/2011/Florence/HEAFLU/HEAFLU-53.pdf
[13]. Song, Y., S. S. Yum, Development and Verification of the Fog Stability Index for Incheon
International Airport Based on the Measured Fog Characteristics, Atmosphere, 23 (2013) 443-452.
[14]. Holtslag M. C., Steeneveld G. J., Holtslag A. A. M., Fog forecasting: “old fashioned” semi-
empirical methods from radio sounding observations versus “modern” numerical models, 5th
International Conference on Fog, Fog Collection and Dew, (2010), pp 1-4. https://www.
researchgate.net/publication/229029505_Fog_forecastingold_fashioned_semi-
empirical_methods_from_radio_ sounding_observations_versus_modern_numerical_models
[15]. Stoelinga M. T., Warner T. T., Nonhydrostatic, Mesobeta-Scale Model Simulations of Cloud
Ceiling and Visibility for an East Coast Winter Precipitation Event, Journal of Applied meteorology,
38 (1999) 385 - 404. https://doi.org/10.1175/1520-0450(1999)038<0385:NMSMSO>2.0.CO;2
[16]. Doran, J. A., Roohr P. J., Beberwyk D.J., Brooks G. R., Gayno G.A., Williams R. T., Lewis J.
M., and Lefevre R. J., The MM5 at the Air Force Weather Agency-New products to support military
operations, The 8th Conference on Aviation, Range, and Aerospace Meteorology, Dallas, Texas, 10-
15 January 1999.
[17]. Phan Văn Tân, Phương pháp thống kê trong khí hậu, NXB. Đại học Quốc gia, 2005.
[18]. RAOB User guide and Technical manual, ver. 5.6 for window, Registered to Vietnam national
hydrometeorology service, Serial No. 5607-1010-0543-0001-1108, 1994-2004.
[19]. Doswell C. A. III, Davies-Jones R., and Keller D. L., On summary measures of skill in rare event
forecasting based on contingency tables. Weather and Forecasting, 5 (1990) 576-585.
355
14 trang
20640
Free
Bạn đang xem tài liệu "An algorithm for mist and fog forecasting for noibai international airport, Hanoi, Vietnam", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- an_algorithm_for_mist_and_fog_forecasting_for_noibai_interna.pdf
