Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8

VỀ KHẢ NĂNG SỬ DỤNG DỮ LIỆU MƯA TRONG MƠ PHỎNG
DỊNG CHẢY LŨ LƯU VỰC SƠNG THU BỒN
1

Nguyễn Tiến Thành1, Đỗ Thị Mai Anh1
Trường Đại học Thuỷ lợi, email:

1. GIỚI THIỆU CHUNG

Mưa là một trong những tham số đầu vào
quan trọng nhất cho các mơ hình thủy văn,
thủy lực và sinh thái, đặc biệt đối với bài tốn
mơ phỏng và dự báo dịng chảy lũ. Đối với bài
tốn này, việc chọn lựa được giá trị các thơng
số có ý nghĩa trong mơ hình là rất quan trọng.
Tuy nhiên, chúng lại phụ thuộc rất lớn vào bộ
dữ liệu quan trắc mưa theo khơng gian và thời
gian. Trong khi đó, ở Việt Nam dữ liệu quan
trắc mưa vẫn còn hạn chế theo cả thời gian và
không gian do hệ thống quan trắc mưa mặt đất
cịn thưa thớt. Vì vậy, mục tiêu của bài báo là
nghiên cứu khả năng sử dụng các dữ liệu mưa
trong mơ phỏng dịng chảy lũ. Bộ dữ liệu mưa
bao gồm dữ liệu mưa vệ tinh từ Chương trình
đo mưa nhiệt đới Tropical Rainfall Measuring
Mission (TRMM V7) [2] và Sản phẩm bản đồ
mưa vệ tinh toàn cầu Global Satellite
Mapping of Precipitation product (GSMaP) và
dữ liệu mưa tái phân tích của Trung tâm dự

báo hạn vừa châu Âu European Centre for
Medium-Range Weather Forecasts (ECMWF)
reanalysis systems (ERA5) [1]. Phạm vi
nghiên cứu được giới hạn trên lưu vực sông
Thu Bồn (Hình 1).
2. DỮ LIỆU VÀ
NGHIÊN CỨU

PHƯƠNG

Hình 1. Mạng lưới trạm đo mưa
trên lưu vực sông Thu Bồn
2.2. Phương pháp nghiên cứu
Nghiên cứu sử dụng các chỉ số đánh giá
sai số thống kê như i) Tỉ lệ cảnh báo khống
(FAR) được tính bằng cơng thức FAR =
B/(A+B); ii) Xác suất phát hiện (POD) được
tính bằng cơng thức POD = A/(A+C); iii) Chỉ
số thành cơng (CSI) được tính bằng cơng
thức CSI = A/(A+B+C) [3]. Trong đó, A, B,
C, D được xác định theo Bảng 1.
Bảng 1. Xác định sai số cho biến
có hai phân nhóm

PHÁP

2.1. Dữ liệu
Dữ liệu được sử dụng trong tính tốn mơ
phỏng bao gồm: i) Dữ liệu mưa thực đo tại
trạm Nông Sơn, Tiên Phước, Hiệp Đức, Trà

My với bước thời gian 1 ngày. ii) Dữ liệu
mưa vệ tinh GSMaP. Dữ liệu mưa vệ tinh
TRMM V7. iii) Dữ liệu mưa tái phân tích


ERA5. iv) Dữ liệu dịng chảy thực đo tại trạm
Nông Sơn, với bước thời gian là 1 ngày. Tồn
bộ dữ liệu được xem xét và phân tích trong
khoảng thời gian 3 năm từ 2008-2010.

Quan trắc
Mơ phỏng
Có
Khơng

Có

Khơng

A
C

B
D

Ngồi ra, nghiên cứu còn sử dụng các chỉ
số đánh giá thống kê thường dùng khác như
hệ số tương quan (R) và sai số bình phương
trung bình (RMSE).


721


Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8

3. KẾT QUẢ NGHIÊN CỨU

Trong nghiên cứu này chỉ tập trung đánh
giá và phân tích dữ liệu mưa ngày để phục vụ
cho các bài tốn mơ phỏng dịng chảy.
Về khả năng nắm bắt được số ngày xuất
hiện mưa giữa thực đo và dữ liệu mưa khác
trong cả thời đoạn xem xét (2008-2010) ứng
với 1096 ngày được chỉ ra trong Hình 2. Kết
quả cho thấy, so với thực đo, bộ dữ liệu
GSMaP và TRMM V7 có khả năng nắm bắt
rất tốt số ngày mưa. Sự sai khác dao động từ
khoảng 0.5% tại trạm Tiên Phước với dữ liệu
TRMM V7 tới 15% tại trạm Trà My với dữ
liệu GSMaP. Trong khi đó, dữ liệu ERA5
cho sự sai khác tương đối lớn khoảng 40%.
100
) \ c do

70
60

GSMaP
TRMM V7


50
40
30
20

Bảng 2. Kết quả chỉ số R và RMSE
tại các trạm

10
0
)\  ' ) c

Nông Son

(! & ) c

' #My

Hình 2. Số ngày mưa của các dữ liệu mưa

Dữ liệu

Bảng 1. Kết quả chỉ số FAR, POD
và CSI tại các trạm
Chỉ số

Hiệp
Đức

Nông Tiên

Sơn Phước

Trà
My

FAR

0.34

0.48

0.54

0.43

POD

0.59

0.97

0.98

0.98

CSI

0.45

0.51


0.46

0.56

FAR

0.26

0.35

0.4

0.29

TRMM V7 POD

0.53

0.58

0.52

0.57

CSI

0.45

0.44


0.39

0.46

ERA

FAR
GSMaP

0.48

0.32

0.35

TRMM V7
GSMaP

GSMaP (mm/day)

Dữ liệu

ERAS

0.26

POD

0.97


0.55

0.54

0.56

CSI

0.51

0.43

0.42

0.47

Chỉ số
R

0.04

0.04

0.03

0.04

0.04


0.04

0.06

RMSE 22.97

R

20.6

28.53 29.69

0.03

0.04

0.03

RMSE 26.61 25.57 29.13

30.4

R

0.04
300

270

270


240

240

a)

180
150
120
90
60

Về mặt đánh giá khả năng nắm bắt pha,
Bảng 1 cho biết kết quả tính tốn các chỉ số
FAR, POD và CSI tại các trạm. Chỉ số POD
cho biết số lần mô phỏng đúng sự xuất hiện
của hiện tượng và tổng số lần xuất hiện của
hiện tượng đó và hồn hảo khi bằng 1. Nhìn

Trà
My

RMSE 20.68 19.45 24.38 23.19

300

210

Hiệp Nơng Tiên

Đức Sơn Phước

210

270

b)

240

180
150
120
90
60

30

30

0

0

0.05

300

ERA5 (mm/day)


)
%
 (
m
ar
t 
n
Ĺ

ERA5

TRMM V7 (mm/day)

90
80

chung, dữ liệu ERA cho kết quả tốt nhất, có
thể đạt 0.98 tại các trạm Tiên Phước và Trà
My. Kém nhất là dữ liệu TRMM V7. Trong
khi đó, chỉ số FAR cho biết số lần mơ phỏng
có nhưng hiện tượng khơng xuất hiện và tổng
số lần mơ phỏng có cho hiện tượng đó, hồn
hảo khi bằng 0. Như vậy, dữ liệu mưa
GSMaP và TRMM V7 là tốt nhất tại các trạm
Trà My và Hiệp Đức tương ứng. Chỉ số CSI
cho biết số lần mơ phỏng đúng có xảy ra hiện
tượng và tổng số lần mơ phỏng đúng có xảy
ra hiện tượng, số lần mơ phỏng khống và số
lần mơ phỏng sót hiện tượng và hồn hảo khi
bằng 1. Nhìn chung, dữ liệu ERA5 cho kết

quả tốt nhất trong cả 3 bộ dữ liệu mưa.
Đánh giá về tương quan mưa ngày thực đo
với dữ liệu mưa khác tại các trạm cho thấy hệ
số tương quan là tương đối thấp tại tất cả các
trạm (Bảng 2), ví dụ như được chỉ ra tại trạm
Trà My (Hình 3) giá trị tương quan chỉ đạt
khoảng 0.04.

c)

210
180
150
120
90
60
30
0

0 30 60 90 120 150 180 210 240 270 300

0 30 60 90 120 150 180 210 240 270 300

0 30 60 90 120 150 180 210 240 270 300

Mưa thực đo (mm/day)

Mưa thực đo (mm/day)

Mưa thực đo (mm/day)


Hình 3. Tương quan lượng mưa ngày tại
trạm Trà My giữa mưa thực đo và mưa
GSMaP (a), TRMM V7 (b) và ERA 5 (c)
Từ Bảng 2 cũng cho thấy dữ liệu mưa
ERA5 cho kết quả tốt nhất về độ lớn trung
bình của sai số với giá trị RMSE nhỏ nhất tại

722


Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8

tất cả các trạm là nhỏ nhất trong cả 3 nguồn
dữ liệu, đặc biệt tốt tại trạm Nông Sơn
(RMSE = 19.45 mm/ngày).
Về đánh giá tổng lượng mưa lũy tích nhìn
chung cho kết quả khá tốt giữa mưa thực đo
và các nguồn mưa khác, ngoại trừ đối với
TRMM V7 cho lượng mưa lũy tích thiên
thấp, ví dụ tại trạm Hiệp Đức (Hình 4).
14000

Lượng mưa (mm)

12000

Thực đo
ERA5


10000

GSMaP
8000

TRMM  V7

6000
4000
2000
0

Hình 4. Tổng lượng mưa lũy tích của các
dữ liệu mưa từ 1/1/2008-31/12/2010
tại trạm Hiệp Đức
Để đánh giá phân bố lượng mưa theo
không gian giữa thực đo và các nguồn dữ liệu
mưa khác, nghiên cứu đã xây dựng bản đồ
mưa cho toàn lưu vực. Với dữ liệu thực đo,
nghiên cứu sử dụng phương pháp nội suy
IDW (Inverse Distance Weighted) để xây
dựng bản đồ mưa ngày.

4. KẾT LUẬN

Trong điều kiện thiếu và hạn chế về dữ
liệu mưa thì việc khai thác các nguồn dữ liệu
mưa khác nhau phục vụ cho bài toán liên
quan tới tài nguyên nước là rất quan trọng.
Kết quả nghiên cứu các nguồn dữ liệu mưa

khác nhau cho lưu vực sông Thu Bồn đã chỉ
ra rằng dữ liệu mưa vệ tinh có khả nắm bắt số
ngày xuất hiện mưa rất tốt, sự sai khác là
khơng đáng kể thậm chí chỉ khoảng 0.5%.
Tương quan giữa các nguồn dữ liệu mưa và
mưa thực đo là rất nhỏ. Cả dữ liệu mưa vệ
tinh GSMaP và dữ liệu mưa tái phân tích
ERA5 cho kết quả khá tốt về tổng lượng mưa
lũy tích, đặc biệt với dữ liệu tái phân tích
ERA5. Đối với khả năng nắm bắt pha, nhìn
chung dữ liệu ERA5 cho kết quả tốt nhất.
Và vì vậy, đối với lưu vực sông Thu Bồn
nghiên cứu mạnh dạn đề xuất sử dụng dữ liệu
mưa ERA5 kết hợp với dữ liệu quan trắc để
bổ sung và kéo dài chuỗi dữ liệu mưa ngày
cho những trường hợp hạn chế về dữ liệu mưa
trong bài toán liên quan tới tài nguyên nước
và mơ phỏng lũ trên lưu vực sơng Thu Bồn.
Ngồi ra, dữ liệu này cũng có thể được nghiên
cứu thêm và sử dụng cho các lưu vực khác.
5. TÀI LIỆU THAM KHẢO

Thực đo

ERA5

TRMM V7

GSMaP


Hình 5. Phân bố mưa trung bình ngày
của các dữ liệu mưa theo khơng gian
(2008-2010)
Hình 5 cho thấy phân bố mưa của dữ liệu
mưa tái phân tích ERA5 là khá tốt đối với
vùng núi. Trong khi đó, dữ liệu mưa vệ tinh
TRMM V7 cho ước lượng mưa thấp hơn
nhiều so với mưa thực đo trên toàn lưu vực.
Tại khu vực đồng bằng cả dữ liệu vệ tinh
GSMaP và tái phân tích ERA5 đều cho thiên
thấp so với dữ liệu thực đo.

[1] Berrisford, Paul, D. P. K. F. Dee, Keith
Fielding, Manuel Fuentes, P. Kallberg,
Shinya Kobayashi, and Sakari Uppala. "The
ERA-interim archive." ERA report series
1
(2009):
1-16.Available
online:
/>[2] Harris, A., Rahman, S., Hossain, F.,
Yarborough, L., Bagtzoglou, A.C., Easson,
G.(2007), “Satellite based Flood Modeling
Using
TRMM-based
Rainfall
Product”,Sensors, 7:3416-3427.
[3] Sahlu, D., Moges, S.A., Nikolopoulos, E.I.,
Anagnostou, E.N. and Hailu, D., 2017.
Evaluation

of
High-Resolution
Multisatellite and Reanalysis Rainfall
Products over East Africa. Advances in
Meteorology, 2017.

723