LĐST - Trong bối cảnh biến đổi khí hậu như hiện nay, các hiện tượng thời tiết cực đoan ngày càng xảy ra với tần suất, cường độ mạnh hơn, gây thiệt hại nặng nề, việc dự báo khí hậu theo mùa dựa trên mô hình động lực trở nên ưu việt hơn so với phương pháp dự báo truyền thống.

Mô hình động lực dự báo khí hậu theo mùa được xây dựng làm cơ sở để cảnh báo sớm các hiện tượng cực đoan... là kết quả của đề tài thuộc Chương trình KC.08.

Tại hội nghị tổng kết chương trình khoa học và công nghệ trọng điểm cấp quốc gia "Nghiên cứu khoa học và công nghệ phục vụ bảo vệ môi trường và phòng chống thiên tai" (KC.08 giai đoạn 2016-2020), Ban Chủ nhiệm chương trình đã nêu nhiều kết quả sau 5 năm thực hiện.

PGS.TS Mai Văn Khiêm, Tổng cục Khí tượng Thủy văn, Bộ Tài nguyên và Môi trường, chủ nhiệm đề tài "Nghiên cứu xây dựng hệ thống nghiệp vụ dự báo khí hậu hạn mùa cho Việt Nam bằng các mô hình động lực" cho biết: “Từ nghiên cứu này, lần đầu tiên Việt Nam xây dựng được mô hình động lực dự báo khí hậu theo mùa, làm cơ sở để cảnh báo sớm các hiện tượng khí hậu cực đoan. Sản phẩm dự báo từ mô hình này là nhiệt độ, lượng mưa, chỉ số gió mùa hè, rét đậm, rét hại và giảm bớt sai số trong dự báo”.

Ứng dụng mô hình vào thực tế, Trung tâm Khí tượng Thuỷ văn Quốc gia từ tháng 6/2021 đã đưa ra bản tin dự báo mùa đông năm nay có thể đến sớm. Đầu tháng 12 có thể xuất hiện các đợt rét đậm, rét hại. “Việc dự báo chính xác như vậy một phần dữ liệu chắt lọc từ chính mô hình nghiệp vụ trong đề tài nghiên cứu”- PGS.TS Mai Văn Khiêm chia sẻ.

Đây chỉ là một trong 38 nhiệm vụ của chương trình KC.08. Ở nhiệm vụ nghiên cứu hiện trạng, nguyên nhân, tác động và các giải pháp giảm thiểu hạ thấp lòng dẫn sông Cửu Long do PGS.TS Nguyễn Nghĩa Hùng, Viện Khoa học Thuỷ lợi miền Nam làm chủ nhiệm đã đưa ra các phương pháp đo đạc, tính toán chi tiết. Theo đó nghiên cứu đã chỉ ra nhiều đoạn lòng sông hạ thấp 10-20 cm/năm, có đoạn lên đến 27 cm/năm.

Từ nghiên cứu này, các nhà khoa học đã đưa ra kết luận, tốc độ hạ thấp trung bình đáy sông của sông Tiền khoảng 20 cm/năm và sông Hậu là 15/cm năm. Lòng dẫn sâu dần, lượng cát sẽ ngày càng giảm, phù sa ngày càng ít. Nhóm đề xuất cần nghiên cứu về vật liệu thay thế cát, quản lý tốt hơn việc khai thác cát để giảm thiểu tình trạng này.

Chương trình nghiên cứu chuyển giao được các phương pháp công nghệ mới, tiên tiến trong dự báo, giám sát các yếu tố môi trường tư nhiên; ứng dụng được các công cụ, mô hình, công nghệ tiên tién, tích hợp vào dự báo, cảnh báo các hiện tượng khí tượng thuỷ văn nguy hiểm, các loại hình thiên tai điển hình của Việt Nam như sạt lở, ngập lụt, hạn hán, xâm nhập mặn...

Công nghệ dự báo bão hạn mùa bằng mô hình động lực.

Trươc đó, nhóm các nhà khoa học ở Đại học Khoa học tự nhiên, đại học Quốc gia Hà Nội đã phối hợp cùng Tổ chức Nghiên cứu Khoa học và Công nghiệp Liên bang Úc triển khai dự án: Công nghệ dự báo bão hạn mùa bằng mô hình động lực.

Đây là mô hình số trị hiện đại về dự báo bão đầu tiên trong lịch sử khí tượng, khí hậu Việt Nam đã được các nhà khoa học nghiên cứu, phát triển với khả năng nắm bắt đầy đủ mô hình dự báo bão trước 3 đến 6 tháng.

Mô hình Dự báo bão hạn mùa bằng mô hình động lực được phát triển dựa trên nhiều bộ chương trình mã nguồn mở như: bộ chương trình mã nguồn mở tiền xử lý và xử lý đầu ra của mô hình; bộ chương trình mã nguồn mở tạo sản phẩm dự báo tổ hợp từ các kết quả dự báo thành phần. Bên cạnh đó, một hệ thống điều khiển tự động dự báo nghiệp vụ cũng được viết cho hệ điều hành của hệ thống tính toán hiệu năng cao giúp hệ thống tính toán chạy ở chế độ nghiệp vụ, tự động hoàn toàn từ lúc bắt đầu cho tới khi kết thúc.

Ở giai đoạn mới, các nhiệm vụ của Chương trình nghiên cứu, xây dựng, cập nhật kịch bản biến đổi khí hậu, giám sát đánh giá tác động đối với các ngành, lĩnh vực, địa phương và đề xuất giải pháp ứng phó phù hợp.

Mục tiêu lớn của Chương trình là phát triển, ứng dụng, chuyển giao được các phương pháp, mô hình công nghệ tiên tiến, tích hợp nhằm khai thác, sử dụng tiết kiệm, hiệu quả bền vững các nguồn tài nguyên thiên nhiên, hướng tới nền kinh tế xanh.

Trang Nhung