Mưa là yếu tố then chốt trong vòng tuần hoàn thủy văn. Việc quan trắc mưa chính xác giữ vai trò rất quan trọng trong quy hoạch quản lý tài nguyên nước cũng như giảm thiểu tác hại do thiên tai gây ra như hạn hán, lũ, lũ quét và sạt lở đất.Trong thực tế, việc quan trắc mưa có nhiều thử thách.
Công nghệ viễn thám được áp dụng trong quan trắc mưa bắt đầu từ những năm 1960 và trở thành công cụ hữu ích trong quản lý tài nguyên nước và giảm thiểu thiệt hại do thiên tai. Trung tâm Khí tượng Thủy văn và Viễn thám (CHRS) thuộc Đại học California – Irvine đã hợp tác với Chương trình Thủy văn quốc tế của Liên Hiệp Quốc xây dựng thành công hệ thống cung cấp dữ liệu mưa trực tuyến toàn cầu từ ảnh vệ tinh: G-WADI PERSIANN-CCS GeoServer.
Báo cáo này giới thiệu khái quát về quan trắc mưa sử dụng công nghệ viễn thám, giới thiệu thuật toán PERSIANN-CCS tính mưa từ ảnh vệ tinh và mô tả hệ thống G-WADI PERSIANN-CCS GeoServer. Một trường hợp minh họa về việc ứng dụng hệ thống trong quan trắc mưa trên lãnh thổ Việt Nam trong cơn bão nhiệt đới Nock-Ten vào cuối tháng 7 năm 2011 cũng được trình bày.
Từ khóa: G-WADI, remote sensing precipitation data, extreme flood event monitoring, CHRS, PERSIANN-CCS, hệ thống cảnh báo sớm, thiên tai, lũ quét, hạn hán, ĐH Nông Lâm TPHCM.
Tác giả: Nguyễn Đình Phú1,2*, Scott Sellars1, Kuo-lin Hsu1, Dan Braithwaite1, Soroosh Sorooshian1, Lê Quang Tuấn3,4
1 Trung tâm Khí tượng Thủy văn và Viễn thám (CHRS), Trường ĐH California – Irvine, California, Hoa Kỳ
2 Bộ môn Thủy Nông, Khoa Nông học, Trường Đại học Nông Lâm TP HCM
3 Trường ĐH California – Davis, California, Hoa Kỳ; 4 Bộ Nông nghiệp và Phát triển Nông thôn
* Thông tin liên hệ: qua email ndphu@hcmuaf.edu hoặc ndphu@uci.edu
1. Giới thiệu
Nước là thành phần tất yếu của sự sống trên địa cầu. Mọi hoạt động sống của con người đều liên quan trực tiếp hay gián tiếp đến nước. Nhu cầu sử dụng nước ngày càng lớn, đặc biệt là trong lĩnh vực nông nghiệp, để đáp ứng cho dân số ngày càng gia tăng. Sự phân bố mưa trên nhiều khu vực có sự khác biệt lớn so với trung bình hàng năm có khả năng dẫn đến thiên tai. Những khu vực nhận được lượng mưa ít hơn mức trung bình thì xảy ra hạn hán, thiếu hụt nước cho nhu cầu của cây trồng và các hoạt động sản xuất sử dụng nước; trong khi đó, những khu vực nhận được lượng mưa lớn hơn nhiều so với trung bình, đặc biệt là mưa với cường độ lớn, có khả năng dẫn đến thiên tai như lụt lội, lũ quét và sạt lở đất. Diễn biến bất thường về thời tiết, trong đó có yếu tố mưa, còn tạo điều kiện bùng phát các loại dịch bệnh gây hại cây trồng, vật nuôi, ảnh hưởng mạnh đến năng suất, phẩm chất cây trồng và vật nuôi, đe dọa đến an ninh lương thực. Ngoài ra, nhiều nghiên cứu gần đây đã chứng minh trái đất ngày càng ấm lên, nhiều khu vực càng trở nên khô cằn, trong khi một số nơi khác thì nhận được lượng mưa lớn bất thường dẫn đến thiên tai diễn ra ngày càng thường xuyên hơn, mức độ tàn phá ngày càng khủng khiếp hơn. Do vậy, những hiểu biết về vòng tuần hoàn nước trên địa cầu, đặc biệt là diễn biến mưa trở nên vô cùng quan trọng trong đời sống xã hội. Việc quan trắc, theo dõi diễn biến mưa không chỉ đáp ứng yêu cầu về sử dụng tài nguyên nước hợp lý hơn, cho năng suất sản xuất cao hơn mà còn nhằm giảm thiểu tác hại của thiên tai địch họa. Con người đã và đang phát triển các phương pháp, công cụ quan trắc mưa ngày càng chính xác hơn, nhiều khu vực được quan trắc hơn, sử dụng kết hợp các phương pháp quan trắc, và nâng cấp các hệ thống cảnh báo sớm để giảm thiểu tác hại của thiên tai liên quan đến mưa.
Bài báo được trình bày theo các nội dung chính như sau: phần 2 giới thiệu về các phương pháp quan trắc mưa; phần 3 giới thiệu về cơ sở dữ liệu mưa trực tuyến toàn cầu G-WADI PERSIANN-CCS GeoServer, thuật toán PERSIANN-CCS sử dụng để tính toán mưa từ dữ liệu viễn thám được mô tả chi tiết; phần 4 trình bày ứng dụng hệ thống G-WADI PERSIANN-CCS GeoServer trong quan trắc mưa tại Việt Nam trong thời gian cơn bão Nock-Ten diễn ra vào cuối tháng 7 năm 2011. Phần kết luận sẽ tóm lược những nội dung đã được trình bày và một số kiến nghị, đề xuất.
2. Các phương pháp quan trắc mưa
Trong quan trắc mưa, có ba phương pháp chính: đo mưa tại chỗ bằng dụng cụ đo mưa, sử dụng hệ thống radar thời tiết và trong những năm gần đây công nghệ viễn thám được sử dụng để quan trắc mưa. Mỗi phương pháp đều có ưu, khuyết điểm riêng nên trong thực tế cả 3 phương pháp đều được sử dụng rộng rãi.
2.1 Đo mưa tại chỗ
Đo mưa tại chỗ bằng dụng cụ đo mưa là phương pháp truyền thống, sử dụng các thùng đo mưa có đường kính theo quy chuẩn đặt tại các trạm đo mưa trên mặt đất. Đối với một trạm đo mưa thủ công, số liệu được lấy vào các thời điểm trong ngày theo từng điều kiện và yêu cầu cụ thể (thông thường là lúc 0 giờ theo giờ quốc tế UTC). Những năm gần đây, các trạm đo mưa tự động được lắp đặt ngày càng nhiều với ưu điểm chính là cho kết quả đo kịp thời, liên tục, với lượng mưa tích lũy trong bước thời gian ngắn, rất thuận lợi trong việc tính toán cường độ mưa, đặc biệt là các trận mưa lớn. Kết quả đo mưa bằng phương pháp đo mưa tại chỗ là lượng mưa thực tế tại vị trí đo. Muốn tính lượng mưa trung bình cho toàn khu vực người ta bố trí nhiều trạm đo mưa sau đó tính giá trị trung bình hoặc sử dụng phương pháp nội suy để tính phân bố mưa theo không gian. Các trạm đo mưa thường được lắp đặt tại hoặc gần những khu vực đô thị do thuận tiện trong công tác lấy số liệu cũng như bảo trì, đặc biệt là các trạm đo mưa thủ công. Tuy nhiên, hầu hết thiên tai liên quan đến yếu tố mưa đều xảy ra ở vùng sâu, vùng xa hoặc các trận mưa lớn hình thành trên biển và di chuyển vào đất liền, nên việc sử dụng dữ liệu đo mưa tại chỗ có nhiều trở ngại trong công tác cảnh báo thiên tai, đặt biệt là lũ nói chung và lũ quét nói riêng (lũ quét hình thành do sự cố vỡ đập hoặc mưa cường độ lớn, trong thời gian ngắn – thường trong vòng vài giờ, trên địa hình dốc). Đo mưa tại chỗ là phương pháp duy nhất đo mưa trực tiếp nên rất đáng tin cậy, mặc dù còn có nhiều yếu tố ảnh hưởng đến kết quả đo như sai số do dụng cụ đo, ảnh hưởng của gió, địa hình, vật che khuất và yếu tố con người. Dữ liệu đo mưa tại chỗ được sử dụng để hiệu chỉnh trong tính toán mưa của các phương pháp đo mưa gián tiếp.
2.2 Đo mưa bằng hệ thống radar thời tiết
Phương pháp thứ hai sử dụng hệ thống radar phát ra các xung năng lượng điện từ. Một phần trong số các xung này bị phản xạ khi gặp những hạt mưa. Dựa vào phân bố và cường độ năng lượng phản xạ thu được để tính lượng mưa thực tế. Cường độ mưa được tính tỉ lệ thuận với năng lượng phản xạ. Các radar thường được hiệu chỉnh bằng số liệu đo mưa tại chỗ. Ưu điểm chính của radar là cho kết quả đo trực tuyến, độ chính xác cao, với độ phân giải không gian và thời gian cao (~1km, 5-10 phút), khu vực bao phủ rộng lớn (100 – 200km) nên thuận lợi trong vấn đề dự báo và theo dõi diễn biến thiên tai xảy ra trong tầm hoạt động. Nhiều nước và vùng lãnh thổ (Mỹ, Anh, Hà Lan, Nhật, Đài Loan, Hồng Kông …) đã xây dựng thành công các hệ thống cảnh báo sớm thiên tai dựa vào dữ liệu mưa chủ yếu từ hệ thống radar. Tuy nhiên, radar thường hoạt động không tốt ở khu vực địa hình đồi núi, không phủ tới vùng sâu, vùng xa, trên mặt biển, khó quản lý và vận hành tốn kém.
2.3 Đo mưa bằng viễn thám
Cùng với sự phát triển vũ bão của ngành khoa học không gian và kỹ thuật điện toán, từ những năm 1960 công nghệ viễn thám được ứng dụng và ngày càng phổ biến trong quan trắc các điều kiện thời tiết, đặc biệt là trong tính mưa. Các vệ tinh được gắn các bộ cảm biến (sensor) tự động chụp ảnh bề mặt địa cầu với các bước sóng khác nhau. Thông tin từ ảnh vệ tinh được dùng để tính toán lượng mưa dựa vào các thuật toán tiên tiến, sử dụng dữ liệu mưa đo tại chỗ và/hoặc radar thời tiết để tham khảo trong việc hiệu chỉnh tính toán mưa từ viễn thám. Các vệ tinh quan trắc thời tiết được chia thành hai loại chính: vệ tinh địa tĩnh (Geostationary Earth Orbiting – GEO) và vệ tinh quỹ đạo thấp (Low Earth Orbit – LEO). Vệ tinh GEO được gắn các cảm biến với bước sóng khả kiến (Visible) và hồng ngoại (Infrared – IR), ở cách mặt đất khoảng 35.000km, di chuyển đồng bộ với tốc độ tự quay của trái đất và mỗi vệ tinh GEO quan trắc một khu vực nhất định trên mặt đất. Hiện có 5 vệ tinh GEO được sử dụng để quan trắc thời tiết gần như toàn bộ bề mặt địa cầu. Vệ tinh GEO cung cấp ảnh đa phổ mỗi 15-20 phút. Ảnh chụp từ vệ tinh GEO có độ phân giải 1km x 1km đối với bước sóng khả kiến và 4km x 4mkm đối với bước sóng hồng ngoại (GEO-IR). Ảnh vệ tinh GEO cho thông tin về nhiệt độ bề mặt (phía trên) của các đám mây để tính toán lượng mưa với nhận định rằng cường độ mưa tỉ lệ nghịch với nhiệt độ bề mặt đám mây – hay đám mây có nhiệt độ bề mặt càng thấp thì gây mưa càng lớn. Nhiều nghiên cứu đã chỉ ra rằng, các thuật toán tính mưa từ ảnh vệ tinh GEO phổ hồng ngoại rất hiệu quả cho tính mưa đối lưu nhiệt đới nhưng sai số lớn xảy ra cho các đám mây ở tầng cao có nhiệt độ bề mặt thấp nhưng không có khả năng gây mưa (Arkin và Meisner, 1987; Adler và Negri, 1988). Kỹ thuật phân loại mây dựa vào các thông số về đặc điểm mây được sử dụng để cải thiện kết quả tính mưa. Việc kết hợp thông tin ảnh chụp từ nhiều phổ khác nhau cũng mang lại kết quả tốt hơn (Ba và Gruber, 2001; Bellerby và cs., 2000; Bellerby, 2004; Capacci và Conway, 2005; Hong và cs., 2004; Hsu và cs., 1999; Turk và Miller, 2005).
Không giống như vệ tinh GEO, vệ tinh LEO được gắn cảm biến thu nhận năng lượng bức xạ nhiệt từ các hạt mưa ở bước sóng microwave (Passive Microwave – PMW). Vệ tinh LEO ở tầng thấp (<1.000 km), di chuyển không đồng bộ với tốc độ quay của trái đất và chụp ảnh bề mặt trái đất trong khu vực vệ tinh di chuyển, do đó mỗi ảnh chụp cho một khu vực hẹp, không thể bao phủ toàn bộ bề địa cầu tại một thời điểm. Khác với cảm biến của vệ tinh GEO chỉ thu được thông tin mặt trên của các đám mây qua bước sóng khả kiến hoặc hồng ngoại, cảm biến của vệ tinh LEO thu nhận tín hiệu PMW cung cấp thông tin chi tiết hơn về cấu trúc của các đám mây. Ảnh vệ tinh GEO với diện tích bao phủ toàn bộ bề mặt địa cầu nhưng kết quả tính mưa với độ chính xác không cao, còn ảnh vệ tinh LEO cho thông tin về mưa chính xác hơn nhưng diện tích bao phủ nhỏ tại một thời điểm. Do đó, việc kết hợp ảnh vệ tinh LEO để hiệu chỉnh các khu vực tương ứng của ảnh vệ tinh GEO đã đem lại kết quả tính mưa được cải thiện đáng kể (Ba và Gruber, 2001; Bellerby và cs., 2000; Bellerby, 2004; Hsu và cs., 1997; Huffman và cs., 2007; Kidd và cs., 2003; Marzano và cs., 2004; Nicholson và cs., 2003a, 2003b; Sorooshian và cs., 2000; Todd và cs., 2001; Turk và Miller, 2005; Vicente và cs., 1998).
Các nghiên cứu gần đây đã chỉ ra hiệu quả của việc sử dụng ảnh vệ tinh LEO kết hợp với ảnh vệ tinh GEO. Trung tâm Dự báo khí hậu (Climate Prediction Center) sử dụng phương pháp nội suy tuyến tính để hiệu chỉnh ảnh GEO-IR theo ảnh LEO-PMW ở những vùng ảnh tương ứng để cho ra dữ liệu mưa CMORPH (Joyce và cs., 2004). Phương pháp lọc Kalman (Kalman filter) đang được phát triển để nâng cao chất lượng dữ liệu CMORPH (Joyce và cs., 2008; Okamoto và cs., 2005). Một số nghiên cứu cho rằng việc sử dụng mô hình đơn giản về sự phát triển của một trận mưa giữa các dải quét của vệ tinh LEO sẽ cho kết quả tốt hơn là sử dụng phương pháp nội suy hay cập nhật. Phương pháp này sử dụng quan hệ của những thay đổi trong đặc điểm bề mặt các đám mây và các quá trình hình thành mưa để tính lượng mưa hơn là dựa vào quan hệ tĩnh giữa ảnh GEO-IR và mưa (Machado và cs., 1998; Horsfield, 2006; Bellerby và cs., 2009; Hsu và cs., 2009; Behrangi và cs., 2010).
Chương trình đo mưa nhiệt đới (Tropical Rainfall Measurement Mission – TRMM) do NASA hợp tác với JAXA (Nhật Bản) thực hiện từ năm 1997 sử dụng vệ tinh LEO để đo mưa cho khu vực nhiệt đới (38o Nam – 38o Bắc) với độ chính xác được nâng cao (Kummerow và cs., 1998; Kummerow và cs., 2000; Simpson và cs., 1988). Hệ thống vệ tinh LEO trong chương trình Đo mưa toàn cầu (Global Precipitation Measurement – GPM) theo kế hoạch sẽ được phóng vào năm 2014. Nhờ có nhiều vệ tinh nên hệ thống GPM sẽ cho ảnh với độ phân giải thời gian ngắn (3 giờ), bao phủ khoảng 90% diện tích bề mặt địa cầu. Hệ thống GPM được kỳ vọng sẽ mang lại nhiều thành tựu to lớn trong việc quan trắc mưa trên toàn cầu.
3. Hệ thống quan trắc mưa trực tuyến toàn cầu G-WADI PERSIANN-CCS GeoServer
3.1 Thuật toán PERSIANN-CCS tính mưa từ dữ liệu viễn thám
Thuật toán tính mưa từ dữ liệu viễn thám sử dụng mạng thần kinh nhân tạo với hệ thống phân loại mây PERSIANN-CCS (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Network – Cloud Classification System) được phát triển dựa vào thuật toán PERSIANN (Hsu và cs., 1997) có bổ sung kỹ thuật phân loại mây để nâng cao kết quả tính toán. Số liệu mưa được tính toán từ ảnh vệ tinh bằng thuật toán PERSIANN-CCS bao gồm 4 bước chính: (1) phân tách ảnh GEO-IR, (2) trích xuất đặc điểm của các đám mây, (3) phân loại các đám mây, và (4) tính toán mưa. Quy trình phân loại mây và tính toán mưa sử dụng thuật toán PERSIANN-CCS được thể hiện trong Hình 1 (Hong và cs., 2004; Hsu và cs., 2007).
Bước 1: Phân tách ảnh GEO-IR: ảnh GEO-IR được phân tách thành các nhóm riêng biệt dựa vào kỹ thuật phân chia lưu vực (watershed segmentation, Vincent và Soille, 1991). Kỹ thuật này bắt đầu bằng cách tìm các cực tiểu từng vùng trong ảnh GEO-IR (thể hiện nhiệt độ mặt trên của các đám mây), sau đó tăng dần nhiệt độ với các khoảng đều nhau và kết nối các điểm ảnh với điểm lân cận hướng về các cực tiểu đến khi mỗi vùng ứng với từng cực tiểu được phân chia riêng biệt. Ảnh các đám mây được tách riêng biệt nhau và riêng biệt với ảnh nền.
Bước 2: Trích xuất đặc điểm các đám mây: đặc điểm các đám mây được chia thành ba nhóm chính: độ cao của đám mây (ứng với nhiệt độ thấp nhất), đặc điểm hình học (geometry) và kết cấu (texture). Từ các nhóm đặc điểm này, các đặc trưng của đám mây như độ cao, kích thước và hình dạng, kết cấu và gradient bề mặt đám mây được tính toán. Tất cả các đặc trưng liên quan được tính toán cho ảnh GEO-IR ở ba ngưỡng nhiệt độ (220K, 235K và 253K).
Bước 3: Phân loại các đám mây: Kỹ thuật phân loại mây được thực hiện dựa trên sự giống nhau của các đám mây đo bằng các biến đặc trưng đã được lựa chọn. Phương pháp nhóm (clustering) bảng thuộc tính tự sắp xếp (Self-Organizing Feature Map – SOFM) được sử dụng để phân loại thuộc tính các đám mây vào các loại mây khác nhau (Kohonen, 1995; Hsu và cs., 1999). Các đám mây với thuộc tính đầu vào giống nhau được gán vào cùng loại mây.
Bước 4: Tính toán mưa: Một số lượng lớn ảnh GEO-IR và dữ liệu mưa LEO-PMW được thu thập. Phương pháp so khớp xác suất (Probability Matching Method – PMM) được sử dụng để tìm ra quan hệ giữa ảnh GEO-IR (nhiệt độ – Tb) và cường độ mưa (rainfall rate – R) trong mỗi nhóm mây được phân loại, với nhận định rằng cường độ mưa càng lớn tương ứng với nhiệt độ từ ảnh hồng ngoại càng thấp (Atlas và cs., 1990; Rosenfeld và cs., 1994). Cuối cùng, quan hệ Tb-R được thể hiện bằng một hàm mũ với 5 tham số. Thuật toán tối ưu hóa SCEUA (Duan và cs., 1992) được sử dụng để tính ra giá trị tối ưu của các tham số.
Hình 1: Các bước trong thuật toán PERSIANN-CCS: (1) phân tách ảnh GEO-IR, (2) trích xuất đặc điểm các đám mây, (3) phân loại các đám mây và (4) tính mưa.
Hình 2a thể hiện SOFM của 400 nhóm mây, mỗi nhóm được gán một đường quan hệ Tb-R. Những nhóm gần nhau thì có đường quan hệ Tb-R giống nhau. Một vài nhóm mây được chọn đánh dấu G0 – G6 trong hình 2a và 2b. Nhóm G0 có Tb (độ Kelvin) ở tầng cao và không có mưa. Độ dốc các đường quan hệ Tb-R của G2, G4 và G6 cao hơn, điều này có nghĩa là các nhóm mây này tương ứng với các nhóm mây đối lưu ở tầng thấp, trung và cao. Các nhóm G1, G3 và G5 có đường quan hệ Tb-R với độ dốc nhỏ, tương ứng với mưa ít hoặc không mưa ở các tầng thấp, trung và cao.
Hình 2: (a) SOFM của 400 nhóm mây và (b) các đường quan hệ Tb-R của các nhóm mây G0-G6.
3.2. Hệ thống G-WADI PERSIANN-CCS GeoServer
Hệ thống cung cấp dữ liệu mưa trực tuyến toàn cầu G-WADI PERSIANN-CCS GeoServer được phát triển trong khuôn khổ chương trình hợp tác giữa Trung tâm Khí tượng Thủy văn và Viễn thám (Center for Hydrometeorology & Remote Sensing – CHRS) tại Đại học California – Irvine, và Chương trình Thủy văn Quốc tế (International Hydrological Programme – IHP) thuộc Liên Hiệp Quốc. Mục tiêu của chương trình hợp tác này là xây dựng một hệ thống dữ liệu mưa trực tuyến toàn cầu nhằm phục vụ cho công tác quan trắc mưa, dự báo các thiên tai liên quan đến mưa và giúp quản lý, sử dụng hợp lý và hiệu quả hơn nguồn tài nguyên nước trên địa cầu, đặc biệt là vùng sâu vùng xa, trên biển, và những nơi không có các hệ thống quan trắc bề mặt. Dữ liệu mưa được tính toán từ thông tin ảnh viễn thám được cập nhật liên tục từ nhiều nguồn vệ tinh, sử dụng thuật toán PERSIANN-CCS. Dữ liệu mưa này bao phủ bề mặt địa cầu từ 60 độ Nam tới 60 độ Bắc, bước thời gian 1 giờ, độ phân giải không gian 0.04 độ (tương đương 4km).
Hệ thống G-WADI PERSIANN-CCS GeoServer cung cấp các công cụ tiện ích về hiển thị trực tuyến và tải dữ liệu về máy người sử dụng thuận tiện. Lượng mưa được hiển thị bằng các lớp thông tin dữ liệu mưa tích lũy trong các khoảng thời gian khác nhau đến thời điểm truy cập (3, 6, 12, 24, 48 và 72 giờ), kết hợp với các lớp thông tin về biên giới các quốc gia, đơn vị hành chính, đường phân chia lưu vực. Hệ thống cũng cung cấp báo cáo tóm tắt cập nhật thông tin về lượng mưa trung bình, lớn nhất, nhỏ nhất của từng lưu vực. Hình 3 thể hiện giao diện của hệ thống, gồm có các phần chính: (1) mục điều khiển lớp thông tin, (2) bản đồ tham chiếu có khả năng tương tác, (3) phóng to thu nhỏ, định vị và truy vấn, (4) hiển thị mưa, (5) thanh định vị và (6) thanh chú thích lượng mưa ứng với màu. Ngoài ra, hệ thống còn cung cấp tiện ích chọn hiển thị các lớp bản đồ nền để giúp hiển thị thông tin rõ ràng hơn.
Người dùng có thể phóng to, thu nhỏ và di chuyển một khu vực cần quan tâm. Một cơn mưa có thể được theo dõi bằng cách tích lũy lượng mưa liên tiếp đến 72 giờ trước. Muốn hiển thị lượng mưa tích lũy trong vòng 3 giờ, người dùng chỉ cần chọn 3hr, hay cần biết lượng mưa tích lũy trong vòng 1 ngày qua, chỉ cần chọn 24hr. Hệ thống cho phép người dùng hiển thị ở nhiều chế độ phóng to, thu nhỏ khác nhau, có thể phóng to để hiển thị thông tin tại một điểm ảnh 0.04°x0.04°. Chồng các lớp thông tin về lưu vực giúp người dùng biết được phân bố dòng chảy có khả năng gây nên lũ ở một khu vực. Một tính năng tiện ích nữa là hệ thống có thể truy vấn thông tin bằng điểm ảnh, lưu vực, địa giới hành chính hoặc biên giới quốc gia. Mỗi truy vấn sẽ cho một trang báo cáo tóm tắt không chỉ lượng mưa hiện tại mà còn chỉ ra khu vực có mưa lớn nhất xảy ra, thông tin về khí hậu, cao độ và mức độ khô cằn. Nếu muốn tải thông tin về máy tính của người sử dụng, chỉ cần nhấn chuột vào nút get data. Người dùng có thể hiệu chỉnh toạ độ giới hạn trước khi gởi lựa chọn, máy chủ sẽ cung cấp liên kết để tải mỗi loại dữ liệu mưa tích lũy cho khu vực quan tâm. Dữ liệu mưa từ hệ thống sẽ rất hữu ích, đặc biệt là trong công tác xử lý tình huống khi thiên tai xảy ra. Các đoạn phim hướng dẫn sử dụng hệ thống này bằng nhiều ngôn ngữ, bao gồm tiếng Việt, cũng có sẵn để giúp người dùng thao tác dễ dàng. Xem hướng dẫn tại địa chỉ: http://persiann.eng.uci.edu/gwadi_tutorial_videos.html.
Hình 3. Giao diện hệ thống G-WADI PERSIANN-CCS GeoServer: (1) mục quản lý lớp thông tin, (2) bản đồ tham chiếu, (3) phóng to, thu nhỏ, định vị và truy vấn thông tin, (4) hiển thị thông tin mưa, (5) thanh vị trí, (6) thanh chú thích lượng mưa ứng với màu.
4. Sử dụng hệ thống G-WADI PERSIANN-CCS GeoServer trong cảnh báo thiên tai
Để giảm thiểu tác hại của thiên tai đến đời sống xã hội, việc thông tin và cảnh báo kịp thời các điều kiện thời tiết bất lợi tiềm năng, bao gồm các trận mưa lớn, giữ vai trò rất quan trọng. Sử dụng công nghệ viễn thám để quan trắc mưa, đặc biệt ở vùng sâu, vùng xa rất có ích cho các nhà quản lý tình huống để giảm thiểu tác hại do thiên tai. Phần sau mô tả việc sử dụng hệ thống G-WADI PERSIANN-CCS GeoServer quan trắc cơn bão Nock-Ten xảy ra từ cuối tháng 7 năm 2011, gây mưa lớn tại khu vực Bắc Trung Bộ Việt Nam.
Cơn bão Nock-Ten được hình thành từ phía Đông Philippines vào ngày 26 tháng 7 năm 2011 gây thiệt hại lớn ở khu vực đảo Luzon. Sau đó di chuyển hướng về phía nam biển Đông vào ngày 29 tháng 7. Di chuyển tiếp qua đảo Hải Nam (Trung Quốc) trước khi đáp xuống khu vực Bắc Trung Bộ Việt Nam ngày 30 tháng 7, xuống lãnh thổ Lào, rồi Thái Lan ngày 31 tháng 7, gây lũ lụt lớn trong khu vực. Hệ thống G-WADI PERSIANN-CCS GeoServer cho đối tượng sử dụng là các nhà quản lý tình huống khẩn cấp, giao diện hệ thống (Hình 4) cho phép phóng to để hiển thị khu vực Đông Nam Á, nơi đang diễn ra mưa lớn. Hình 4 thể hiện lượng mưa tích lũy gần với thời gian thực trong 72 giờ trước lúc 0 giờ ngày 1 tháng 8 năm 2011.
Hình 4: Lượng mưa tích lũy (mm) trong 72 giờ trước lúc 0 giờ ngày 1 tháng 8 năm 2011 trên lãnh thổ Việt Nam và các nước trong khu vực.
Các tính năng của hệ thống cho phép người dùng lựa chọn hiển thị lượng mưa tích lũy từ trước 3, 6, 12, 24, 48 hoặc 72 giờ. Người sử dụng hoặc nhà quản lý tình huống khẩn cấp có thể cập nhật lượng mưa tích lũy trong 3 giờ để dự báo và đánh giá các khu vực có lũ tiềm năng xảy ra. Người dùng cũng có thể tải dữ liệu mưa tích lũy trước và trong quá trình xảy ra cơn lũ bằng cách nhấp chuột vào get data ở góc trái phía trên giao diện. Người dùng có thể tạo một báo cáo cơ bản về số liệu mưa kèm theo các số liệu thống kê trong quá khứ để có được đánh giá đầy đủ, kịp thời.
Để tạo một báo cáo nhanh tóm lược các thông tin liên quan đến trận mưa cho riêng lãnh thổ Việt Nam, người sử dụng chọn mục query (ở gốc dưới bên trái giao diện) theo tên quốc gia (country) sau đó chọn query info trên mục 3. Một báo cáo sẽ được tạo tự động như Hình 5. Báo cáo này bao gồm tên quốc gia, diện tích, dân số và hầu hết các thông tin quan trọng cần thiết liên quan đến trận lũ. Hình 5a thể hiện lượng mưa trong 24, 48 và 72 giờ được phân theo ngưỡng thể hiện rõ các trận mưa lớn. Hình 5b trình bày diễn biến lượng mưa tích lũy trước 3, 6, 12, 24, 48 và 72 giờ. Các nhà quản lý tình huống khẩn cấp có thể cần các thông tin nền về lớp phủ bề mặt như khu vực lâm nghiệp, lâm nghiệp, mặt nước, đô thị …vv (Hình 5c) và cao trình mặt đất (Hình 5d).
Hình 5: Báo cáo tóm tắt được tạo tự động từ hệ thống G-WADI PERSIANN-CCS GeoServer khi truy vấn theo tên quốc gia: (a) Mưa được phân theo ngưỡng thể hiện rõ các trận mưa lớn trong vòng 24, 48 và 72 giờ; (b) Lượng mưa tích lũy từ trước 3, 6, 12, 24, 48 và 72 giờ; (c) Các lớp phủ bề mặt; (d) Cao trình mặt đất.
Trong quản lý lũ, đặc biệt là lũ quét, các thông tin về diễn biến mưa trên các lưu vực thường được quan tâm vì nó cho biết diễn biến, quy mô lũ có khả năng xảy ra. Các mô hình thủy văn, thủy lực phục vụ cho quản lý, cảnh báo lũ cũng thường được xây dựng dựa trên lưu vực. Hình 6 thể hiện tiện ích tạo báo cáo cho một lưu vực khi chọn cách truy vấn (query) là lưu vực (watershed). Lưu vực được chọn nằm ở Bắc Trung Bộ với mã số lưu vực theo chuẩn quốc tế là 209594, trong giới hạn kinh độ (103,297 – 105,968) và vĩ độ (17,605 – 20,461) có diện tích 28.732 km2 thuộc tỉnh Nghệ An (Hình 6a). Hình 6b thể hiện đồ thị mưa tích lũy (Precipitation Accumulation) sau 3, 6, 12, 24, 48 và 72 giờ trung bình trên toàn lưu vực, có so sánh với lượng mưa thấp nhất (Min), trung bình theo diện tích (Mean-Area), trung bình theo trận mưa (Average|Storm) và lượng mưa lớn nhất (Max). Hình 6c thể hiện lượng mưa được phân loại theo ngưỡng các trận mưa lớn trên lưu vực trong 24, 48 và 72 giờ. Phân bố lượng mưa tích lũy theo không gian trong 12, 24, 48 và 72 giờ được thể hiện trong Hình 6d.
Hình 6: Báo cáo tóm tắt được tạo tự động từ hệ thống G-WADI PERSIANN-CCS GeoServer khi truy vấn theo lưu vực: (a) Vị trí lưu vực; (b) Biểu đồ mưa tích lũy trung bình (mm) trên toàn lưu vực trong 3, 6, 12, 24, 48 và 72 giờ; (c) Mưa được phân loại theo ngưỡng thể hiện rõ các trận mưa lớn trong 24, 48 và 72 giờ; (d) Mưa tích lũy (mm) trong 12, 24, 48 và 72 giờ.
Các minh họa ở trên cho thấy các tính năng hữu ích của hệ thống G-WADI PERSIANN-CCS GeoServer phục vụ công tác quản lý tình huống khẩn cấp liên quan đến lũ. Ngoài ra, người sử dụng còn có thể tải dữ liệu mưa từ hệ thống cho các thống kê, nghiên cứu cũng như xây dựng các mô hình cảnh báo thiên tai một cách kịp thời và hiệu quả.
5. Kết luận
Việc sử dụng công nghệ viễn thám trong quan trắc mưa ngày càng phổ biến và góp phần quan trọng trong quy hoạch quản lý tài nguyên nước cũng như giảm thiểu tác hại do thiên tai liên quan đến mưa. Các vệ tinh phục vụ cho quan trắc mưa được phát triển ngày càng nhiều về số lượng và chủng loại, song song với việc phát triển các thuật toán tiên tiến tính mưa từ thông tin ảnh vệ tinh. Hệ thống G-WADI PERSIANN-CCS GeoServer xử lý dữ liệu từ nhiều vệ tinh bằng thuật toán PERSIANN-CCS kết hợp sự ưu việt của mạng trí tuệ nhân tạo với kỹ thuật xử lý phân loại mây đã mang lại các sản phẩm dữ liệu mưa có chất lượng cao. Hệ thống G-WADI PERSIANN-CCS GeoServer còn cung cấp các công cụ hỗ trợ hiển thị, tạo báo cáo tự động và tải dữ liệu hiệu quả, là phương tiện có nhiều hứa hẹn cho việc quản lý tài nguyên nước nói chung và quản lý thiên tai hạn hán, lũ lụt, lũ quét và sạt lở đất.
Để việc sử dụng dữ liệu từ hệ thống G-WADI PERSIANN-CCS GeoServer cho kết quả tốt trong điều kiện của Việt Nam, cần tiến hành nghiên cứu so sánh đánh giá dữ liệu này với các nguồn dữ liệu đo đạc từ các trạm đo mưa và dữ liệu radar thời tiết. Cùng với đó là việc xây dựng các hệ thống cảnh báo sớm sử dụng dữ liệu mưa từ hệ thống G-WADI PERSIANN-CCS GeoServer để giảm tác hại do thiên tai, bảo vệ tính mạng và tài sản của người dân.
LỜI CÁM ƠN
Nhóm tác giả gởi lời cám ơn đến các tổ chức hỗ trợ tài chính cho việc thực hiện nghiên cứu, gồm có NASA-PMM (Grant# NNX10AK07G), the US Army Research Office project (Grant# W911NF-11-1-0422), NOAA-CCDD (Grant# NA10OAR4310122), và NOAA-CICS (Prime award NA09NES4400006, NCSU CICS sub-award# 2009-1380-01).
TÀI LIỆU THAM KHẢO
Adler, R. F. and Negri, A. J. (1988). A satellite infrared technique to estimate tropical convective and stratiform rainfall. J. Appl. Meteor., 27, 30–38.
Arkin, P. A. and Meisner, B. N. (1987). The relationship between large-scale convective rainfall and cold cloud over the western hemisphere during 1982-82. Mon. Wea. Rev., 115, 51-74.
Behrangi, A., Hsu, K., Imam, B., Sorooshian, S., Huffman, G. and Kuligowski, R. J. (2010) PERSIANN-MSA: A Precipitation Estimation Method from Satellite-based Multi-spectral Analysis. Journal of Hydrometeorology, 10(6), 1414-1429.
Behrangi, A., Imam, B., Hsu, K., Sorooshian, S., Bellerby, T. J. and Huffman, G. J. (2010). Rain Estimation using Forward Adjusted-advection of Microwave Estimates (REFAME), Journal of Hydrometeorology, 11, 1305-1321.
Ba, M. B., and Gruber, A. (2001). GOES Multispectral Rainfall Algorithm (GMSRA). J. Appl. Meteor., 40, 1500-1514.
Bellerby, T., Todd, M., Kniveton, D. and Kidd, C. (2000). Rainfall estimation from a combination of TRMM Precipitation Radar and GOES multi-spectral satellite imagery through the use of an artificial neural network. J. Appl. Meteor., 39, 2115-2128.
Bellerby, T. (2004). A feature-based approach to satellite precipitation monitoring using geostationary IR imagery. J. Hydromet., 5, 910-921.
Bellerby, T., Hsu, K. and Sorooshian, S. (2009). LMODEL: A Satellite Precipitation Algorithm Using Cloud Development Modeling and Model Updating. Part I: Model Development and Calibration. Journal of Hydrometeorology, 10(5), 1081-1095. DOI: 10.1175/2009JHM1091.1.
Capacci, D., and Conway, B. J. (2005). Delineation of precipitation areas from MODIS visible and infrared imagery with artificial neural networks. Met. Appl, 12, 291-305.
Easterling, D. (2012). Global data sets for analysis of climate extremes. In AghaKouchak, A., D. Easterling, K. Hsu, S. Schubert, and S. Sorooshian, eds., Extremes in a Changing Climate: Detection, Analysis and Uncertainty, Springer, DOI: 10.1007/978-94-007-4479-012.
Ferraro, R. R. and Marks, G. F. (1995). The development of SSM/I rain-rate retrieval algorithms using ground-based radar measurements. J. Atmo. Ocean Tech., 12, 755-770.
Hayes, M., Svoboda, M., Wilhite, D. and Vanyarkho, O. (1999). Monitoring the 1996 drought using the standardized precipitation index. Bull. Amer. Meteor. Soc., 80, 429–438.
Horsfield, N. (2006). Development of a mass balance approach to modeling cloud lifecycles and rainfall using satellite observations. Ph.D. Thesis. University of Hull, UK. 353pp.
Hou, A., Jackson, G. S., Kummerow, C. and Shepherd, J. M. (2008). Global precipitation measurement. In Michaelides, S. (Ed.) Precipitation: Advances in Measurement, Estimation, and Prediction, Springer. 131-170.
Hong, Y., Hsu, K., Sorooshian, S. and Gao, X. (2004). Precipitation estimation from remotely sensed imagery using an artificial neural network cloud classification system. J. Appl. Meteor., 43, 1834-1852.
Hsu, K., Gupta, H. V. , Gao, X. and Sorooshian, S. (1999). Estimation of physical variables from multiple channel remotely sensed imagery using a neural network: application to rainfall estimation. Water Resour. Res., 35(5), 1605-1618.
Hsu, K., Hong, Y. and Sorooshian, S. (2007). Rainfall estimation using a cloud patch classification map, Measurement of Precipitation from Space: EURAINSAT and Future. Edited by V. Levizzani, P. Bauer, and F.J. Turk. Springer Publishing Company, 2007, 745 pages, Hardcover, ISBN#978-1-4240-5834-9, 2007, pp. 329-242.
Hsu, K., Bellerby, T. and Sorooshian, S. (2009). LMODEL: A Satellite Precipitation Algorithm Using Cloud Development Modeling and Model Updating. Part II: Model Updating. Journal of Hydrometeorology, 10(5), 1096-1108. DOI: 10.1175/2009JHM1092.1.
Huffman, G. J., Adler, R. F. , Bolvin, D. T. , Gu, G., Nelkin, E. J., Bowman, K. P., Hong, Y., Stocker, E. F. and Wolff, D. B. (2007). The TRMM Multisatellite Precipitation Analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales. J. Hydrometeor, 8, 38–55.
Janowiak, J. E., Joyce, R. J. and Yarosh, Y. (2000). A real-time global half-hourly pixel resolution infrared dataset and its applications. Bull.Amer. Meteor.Soc., 82, 205-217.
Joyce, R. J., Janowiak, J. E., Arkin, P. A. and Xie, P. (2004). CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. Journal of Hydrometeorology, 5(3), 487-503.
Joyce, R. J., and Xie, P. (2011). Kalman Filter Based CMORPH. Journal of Hydrometeorology, 12(6), 1547-1563.
Kidd, C., Kniveton, D. R., Todd, M. C. and Bellerby, T. J. (2003). Satellite rainfall estimation using combined passive microwave and infrared algorithms. J. Hydromet., 4, 1088–1104.
Kummerow, C., Barnes, W., Kozu, T., Shiue, J. and Simpson, J. (1998). The Tropical Rainfall Measuring Mission (TRMM) sensor package. J. Atmos. Oceanic Technol., 15(3), 809–817.
Kummerow, C., Simpson, J., Thiele, O., Barnes, W., Chang, A. T. C., Stocker, E., Adler, R. F., Hou, A., Kakar, R., Wentz, F., Ashcroft, P., Kozu, T., Hong, Y., Okamoto, K., Iguchi, T., Kuroiwa, H., Im, E., Haddad, Z., Huffman, G., Ferrier, B., Olson, W. S., Zipser, E., Smith, E. A., Wilheit, T. T., North, G., Krishnamurti, T. and Nakamura, K. (2000). The status of the Tropical Rainfall Measuring Mission (TRMM) after two years in orbit. J. Appl. Meteor., 39(12), 1965–1982.
Machado, L. A .T., Rossow, W. B., Guedes, R. L. and Walker, A. W. (1998). Life cycle variations of mesoscale convective systems over the Americas. Mon. Wea. Rev., 126, 1630-1654.
Marzano, F. S., Palmacci, M., Cimini, Giuliani G. and Turk, F. J. (2004). Multivariate statistical integration of satellite infrared and microwave radiometric measurements for rainfall retrieval at the geostationary scale. IEEE Trans. on Geoscience and Remote Sensing, 42, 1018- 1032.
McKee, T., Doesken, N. and Kleist, J. (1993). The relationship of drought frequency and duration to time scales. In In Proceedings of the 8th Conference of Applied Climatology, 17-22 January 1993. Anaheim, CA, American Meteorological Society, pp. 179–184.
MRC. (2011). Flood Situation Report 2011. MRC Technical Paper No., 36 November 2011.
Nicholson, S.E., Some, B., McCollum, J., Nelkin, E., Klotter, D., Berte, Y., Diallo, B. M., Gaye, I., Kpabeba, G., Ndiaye, O., Noukpozounkou, J. N., Tanu, M. M., Thiam, A., Toure A. and Traore, A. K. (2003a). Validation of TRMM and other rainfall estimates with a high-density gauge dataset for West Africa. Part I: Validation of GPCC rainfall product and pre-TRMM satellite and blended products. J. Appl. Meteor., 42, 1337–1354.
Nicholson, S. E., Some, B., McCollum, J., Nelkin, E., Klotter, D., Berte, Y., Diallo, B. M., Gaye, I., Kpabeba, G., Ndiaye, O., Noukpozounkou, J. N., Tanu, M. M., Thiam, A., Toure, A. A. and Traore, A. K. (2003b) Validation of TRMM and other rainfall estimates with a high-density gauge dataset for West Africa. Part II: Validation of TRMM rainfall products. J. Appl. Meteor., 42, 1355–1368.
Okamoto, K., Iguchi, T., Takahashi, N., Iwanami K. and Ushio, T. (2005). The global satellite mapping of precipitation (GSMaP) project. 25th IGARSS Proceedings, 3414-3416.
Paridal, B. R., Collado, W. B., Borah, R., Hazarika, M. K. and Sarnarakoon, L. (2008). Detecting drought-prone areas of rice agriculture using a modis-derived soil moisture index. GIScience & Remote Sensing, 45(1), 109–129.
Sheffield, J., Goteti, G. and Wood, E. (2006). Development of a 50-yr, high resolution global dataset of meteorological forcings for land surface modeling. J. Climate, 13, 3088–3111.
Simpson, J., Adler, R. F. and North, G. R. (1988). A proposed Tropical Rainfall Measurement Mission (TRMM) satellite. Bulletin of the American Meteorological Society, 69(3), 278-295.
Sorooshian, S., AghaKouchak, A., Arkin, P., Eylander, J., Foufoula-Georgiou, E., Harmon, R., Hendrickx, J., Imam, B., Kuligowski, R., Skahill, B., Skofronick-Jackson, G. (2011). Advanced Concepts on Remote Sensing of Precipitation at Multiple Scales. Bulletin of the American Meteorological Society, 92 (10), 1353-1357, doi: 10.1175/2011BAMS3158.1.
Sorooshian, S., Hsu, K., Gao, X., Gupta, H. V., Imam, B. and Braithwaite, D. (2000). Evaluation of PERSIANN system satellite-based estimates of tropical rainfall. Bull. Amer. Met. Soc., 81, 2035-2046.
The World Bank. (2011). The World Bank supports Thailand’s post-floods recovery effort. Feature story December 13, 2011.
Todd, M., Kidd, C., Kniveton, D. R. and Bellerby, T. J. (2001). A combined satellite infrared and passive microwave technique for the estimation of small scale rainfall. J. Atmos. Oceanic Technol., 18, 742-755.
Turk, F. J. and Miller, S. D. (2005). Toward improving estimates of remotely-sensed precipitation with MODIS/AMSR-E blended data techniques. IEEE Tran. Geosci. Remote Sens., 43, 1059-1069.
Vicente, G., Scofield, R. A. and Mensel, W. P. (1998). The operational GOES infrared rainfall estimation technique. Bull. Amer. Met. Soc., 79, 1881–1898.
Vincent, L. and Soille, P. (1991). Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Transactions on Pattern Analysis and Machine Intelligence, 13(6), 583-598.
Practical goal positive the place you are helping your info, even so great matter. Need to invest a bit studying a great deal more as well as determining much more. Many thanks for impressive details I became hunting for this data for my assignment.