An algorithm for mist and fog forecasting for Noi Bai international airport, Ha Noi, Viet Nam
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.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Tóm tắt nội dung tài liệu: An algorithm for mist and fog forecasting for Noi Bai international airport, Ha Noi, Viet Nam
ng 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 F1 = − 0,039FSI + 0,086FGT + 0,074FGP +0 , 011 TIN (5) F2 = 6 , 2499 + 0,0167FSI + 0,0486FGT + 0,0323FGP + 0 , 0016 TIN (6) Trong đó, phương trình (5) được xây dựng từ mối quan hệ giữa 4 chỉ số với giá trị 0 (không mù) hoặc 0,5 (có mù) hoặc 1 (sương mù) và kết quả của phương trình (6) được trả về logarit tự nhiên giá trị tầm nhìn ln(Vis). 3.2. Ngưỡng dự báo Thông kê 3 chỉ số FSI (Hình 1), FGP (Hình 2) và FGT (Hình 3) cho thấy các ngưỡng dự 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 (98,77%) (Bảng 1). Bảng 1. Ngưỡng dự báo của chỉ số sương mù. Ngưỡng FSI 55 FGT > 16 FGP < 3 Không mù (%) 0,0 63,5 43,5 63,0 Mù (%) 55,5 35,0 52,0 35,5 Sương mù (%) 45,0 1,5 4,5 1,5 Khi các chỉ số không thuộc các ngưỡng trên Bảng 1 thì sử dụng phương trình (5) và (6) để dự báo. Đồ thị phân lớp kết quả tính toán hàm F1 và F2 thể hiện trên Hình 6 và Hình 7. Kết quả phân tích cho thấy hàm F1 và F2 cũng không thể đưa ra được ngưỡng dự báo khả năng cao xuất hiện sương mù mà chỉ có ngưỡng xuất hiện mù và không mù (Bảng 2). Hình 6. Đồ thị phân lớp phương trình (5). Hình 7. Đồ thị phân lớp phương trình (6). Bảng 2. Ngưỡng dự báo của hàm F1 và F2. Ngưỡng F1 8,1 Không mù (%) 57,0 30,0 58,0 Mù (%) 42,0 70,0 40,5 Sương mù (%) 1,0 0,0 1,5 Bảng 2 cho thấy khi hàm F1 8,1 thì khả năng xuất hiện 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 khu vực sân bay quốc tế Nội Bài được mô tả theo sơ đồ khối (Hình 8) sau: 350 Tạp chí Khoa học Giao thông vận tải, Tập 72, Số 3 (04/2021), 342-355 Hình 8. Thuật toán dự báo mù và sương mù hạn 24 giờ cho khu vực sân bay quốc tế Nội Bài. 351 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 thuộc - 205 phần tử) và thực hiện tính toán theo sơ đồ khối Hình 8. Phương pháp đánh giá kết quả dự báo dựa trên bảng sự kiện ngẫu nhiên 2x2 của Doswell [19]. Các tiêu chí đánh giá chất 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 Heidke [19]. Bảng 3. Đánh giá kết quả kiểm định với chuỗi phụ thuộc. Quan trắc Có Không Tổng số Dự báo Có 137 47 184 Không 13 8 21 Tổng số 150 55 205 H POD FAR POFD CSI TSS Heidke 0,707 0,913 0,255 0,855 0,695 0,059 0,073 Kết quả kiểm định dự báo với chuỗi phụ thuộc (Bảng 3) cho thấy chỉ số POD rất cao (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 Hiện Đánh Ngày FSI FGT FGP TIN F1 F2 Kết quả nhỏ nhất (m) tượng giá 28/12/2020 F = 0,5 (70%) Dự báo 2800 0,5 34,0 7,3 20,6 1 0,8 7,8 00h00-23h00 F = 1,0 (15%) Đúng 29/12/2020 F = 0,5 (70%) Dự báo 2100 0,5 38,8 7,9 18,7 0 0,6 7,9 00h00-23h00 F = 1,0 (10%) Đúng 30/12/2020 F = 0,0 (63,5%) Dự báo >10000 0,0 56 12,3 4,7 1 -0,8 7,9 00h00-23h00 F = 1,0 (1,5%) Đúng 31/12/2020 F = 0,0 (63,5%) Dự báo 5000 0,0 61,6 8,3 5,5 0 -1,3 7,9 00h00-23h00 F = 1,0 (1,5%) Đúng 01/01/2021 F = 0,0 (57%) Dự báo 4400 0,0 53,6 10 5,1 0 -0,9 7,8 00h00-23h00 F = 1,0 (1,0%) Đúng 02/01/2021 F = 0,0 (63,5%) Dự báo 3400 0,5 32,4 13,8 0,2 1 -0,1 7,5 00h00-23h00 F = 1,0 (1,5%) Sai 352 Tạp chí Khoa học Giao thông vận tải, Tập 72, Số 3 (04/2021), 342-355 Tầm nhìn Hiện Đánh Ngày FSI FGT FGP TIN F1 F2 Kết quả nhỏ nhất (m) tượng giá 03/01/2021 F = 0,5 (50%) Dự báo 2400 0,5 33,2 8,5 9,3 1 0,1 7,5 00h00-23h00 F = 1,0 (20%) Đúng 04/01/2021 F = 0,5 (70%) Dự báo 5000 0,0 40,8 14,9 4,8 0 0,0 7,8 00h00-23h00 F = 1,0 (10%) Khống 05/01/2021 F = 0,5 (70%) Dự báo 1900 0,5 44 11,9 9,1 0 0,0 7,9 00h00-23h00 F = 1,0 (10%) Đúng 06/01/2021 F = 0,5 (60%) Dự báo 3600 0,5 36 11,6 10,2 0 0,3 7,7 00h00-23h00 F = 1,0 (15%) Đúng 07/01/2021 F = 0,5 (70%) Dự báo 3900 0,5 39,2 11,6 11,4 1 0,3 7,8 00h00-23h00 F = 1,0 (10%) Đúng 08/01/2021 F = 0,5 (50%) Dự báo >10000 0,0 33,2 11,4 4,3 1 0,0 7,5 00h00-23h00 F = 1,0 (20%) Khống 09/01/2021 F = 0,0 (63%) Dự báo >10000 0,0 38,4 13,4 1,1 1 7,6 -0,3 00h00-23h00 F = 1,0 (1,5%) Đúng 10/01/2021 F = 0,0 (63%) Dự báo 9000 0,0 54,6 11,7 -1 1 7,7 -1,2 00h00-23h00 F = 1,0 (1,5%) Đúng 11/01/2021 F = 0,0 (63%) Dự báo >10000 0,0 82 12,4 -1,6 1 8,2 -2,2 00h00-23h00 F = 1,0 (1,5%) Đúng 12/01/2021 F = 0,0 (63%) Dự báo 4700 0,0 55,6 23,3 -15,2 0 7,8 -1,3 00h00-23h00 F = 1,0 (1,5%) Đúng 13/01/2021 F = 0,0 (63%) Dự báo 3400 0,5 36 14,5 -2,8 1 7,5 -0,4 00h00-23h00 F = 1,0 (1,5%) Sai 14/01/2021 F = 0,5 (70%) Dự báo 2400 0,5 36,8 16 6 1 7,8 0,4 00h00-23h00 F = 1,0 (10%) Đúng 15/01/2021 F = 0,5 (50%) Dự báo 1600 0,5 26,8 7,2 13,3 1 7,5 0,6 00h00-23h00 F = 1,0 (20%) Đúng 16/01/2021 F = 0,5 (70%) Dự báo 2000 0,5 40 12,5 9,9 1 7,8 0,3 00h00-23h00 F = 1,0 (10%) Đúng 17/01/2021 F = 0,5 (60%) Dự báo 1800 0,5 33,6 7,6 15 0 7,7 0,5 00h00-23h00 F = 1,0 (15%) Đúng 18/01/2021 F = 0,0 (63%) Dự báo 3600 0,5 57,8 12,8 0,6 1 7,9 -1,1 00h00-23h00 F = 1,0 (1,5%) Sai 19/01/2021 F = 0,5 (50%) Dự báo 1600 0,5 22,2 10,2 7,2 1 7,4 0,6 00h00-23h00 F = 1,0 (20%) Đúng 20/01/2021 F = 0,5 (50%) Dự báo 2000 0,5 27,6 7,8 12,1 0 7,5 0,5 00h00-23h00 F = 1,0 (20%) Đúng Bảng 5. Đánh giá kết quả kiểm định với chuỗi độc lập. Quan trắc Có Không Tổng số Dự báo Có 12 2 14 Không 3 7 10 Tổng số 15 9 24 H POD FAR POFD CSI TSS Heidke 0,792 0,800 0,143 0,222 0,706 0,578 0,565 Chuỗi kiểm định độc lập với tổng số 24 lần dự báo (Bảng 4, Bảng 5) cho thấy các chỉ số 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 24 giờ (Hình 8) cho vùng nghiên cứu sử dụng hệ 2 phương trình hồi quy (5) và (6) kết hợp 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 Remote Sensing, 39 (2018) 8200 – 8218. https://doi.org/10.1080/01431161.2018.1483085 [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. [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. https://doi.org/10.14191/Atmos.2013.23.4.443 [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)0382.0.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. https://doi.org/10.1175/1520-0434(1990)0052.0.C O;2 355
File đính kèm:
- an_algorithm_for_mist_and_fog_forecasting_for_noi_bai_intern.pdf