Thử nghiệm đồng hóa dữ liệu radar trong mô hình WRF để dự báo mưa lớn cho khu vực Thành phố Hồ Chí Minh

Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 59-70 
 59
Thử nghiệm đồng hóa dữ liệu radar trong mô hình WRF để 
dự báo mưa lớn cho khu vực Thành phố Hồ Chí Minh 
Trần Duy Thức1,*, Công Thanh2 
1Viện Khoa học Khí tượng Thủy Văn và Biến đổi khí hậu, 
23/62 Nguyễn Chí Thanh, Đống Đa, Hà Nội, Việt Nam 
2Khoa Khí tượng Thủy văn và Hải dương học, Trường Đại học Khoa học Tự nhiên, ĐHQGHN 
334 Nguyễn Trãi, Thanh Xuân, Hà Nội, Việt Nam 
Nhận ngày 30 tháng 11 năm 2018 
Chỉnh sửa ngày 11 tháng 12 năm 2018; Chấp nhận đăng ngày 25 tháng 12 năm 2018 
Tóm tắt: Bài báo này sử dụng mô hình WRF độ phân giải cao mô phỏng một số đợt mưa lớn mùa 
hè tại khu vực TP. Hồ Chí Minh qua việc sử dụng số liệu Radar để đồng hóa trường ban đầu bằng 
phương pháp 3DVAR, các thử nghiệm WRF3Dvar được chạy mô phỏng với 2 chế độ là khởi động 
lạnh (cold start) và khởi động ấm (warm start) kết hợp với 3 phương án đồng hóa: chỉ độ phản 
hồi;độ phản hồi và gió xuyên tâm; độ phản hồi, gió xuyên tâm và dữ liệu GTS.Trường nền được 
sử dụng là CV7 được tạo ra từ các dự báo trong 6 tháng tại khu vực Nam Bộ. Số liệu Radar trước 
khi đưa vào mô hình được kiểm định chất lượng(quanlity control) và tỉa thưa (thinning data) nhằm 
loại bỏ nhiễu cũng như cung cấp trường quan trắc ban đầu tốt nhất. Số liệu mưa của 24 trạm quan 
trắc bề mặt tại Nam Bộ được sử dụng để đánh giá khả năng mô phỏng của mô hình WRF. Kết quả 
thu được cho thấy đồng hóa chỉ riêng độ phản hồi có tác động mạnh đối với các biến Qrain và Qgraup 
ở trường ban đầu trong khi đồng hóa gió xuyên tâm cải thiện thành phần gió tiếp tuyến. So sánh 
các phương án thử nghiệm cho thấy, đồng hóa warm start cho mô phỏng lượng mưa tốt hơn khá 
nhiều so với cold start. Đồng hóa đồng thời gió xuyên tâm và độ phản hồi và GTS cho kết quả 
tương đối khả quan so với các phương án khác. 
Từ khóa: WRF3Dvar, Radar. 
1. Mở đầu 
Số liệu radar là một trong những nguồn dữ 
liệu quan trọng đối với quá trình đồng hóa, 
ngoài khả năng cung cấp một lượng lớn dữ liệu 
từ bề mặt đến nhiều mực độ cao ở độ phân giải 
lớn, dữ liệu Radar còn gần như thời gian thực, 
________ 
 Tác giả liên hệ. ĐT.: 84-1675613351. 
 Email: tranduythuc1@gmail.com 
 https://doi.org/10.25073/2588-1094/vnuees.4336 
rất phù hợp cho dự báo mưa lớn, đặc biệt là 
mưa lớn hạn cực ngắn. Rất nhiều nghiên cứu 
cho thấy dữ liệu radar có tác động tốt đối với 
mô hình WRF. Độ chính xác của WRF ngoài 
phụ thuộc điều kiện ban đầu, biên còn phụ 
thuộc vào hiệu ứng spinup [3]. Hiệu ứng này 
được hiểu trong khoảng 3-6 h đầu, lượng mưa 
dự báo từ mô hình dự báo thường kém chính 
xác hơn so với thực tế, đồng hóa thời gian thực 
độ phản hồi radar sẽ giúp giảm đáng kể hiệu 
ứng spin-up và cả thiện điều kiện ban đầu và 
T.D. Thức, C. Thanh / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 59-70 
60
điều kiện biên cho mô hình số [4-5]. Xiao và 
Sun [5] đã minh họa trong nghiên cứu của họ 
với dữ liệu radar có độ phân giải cao 2 km được 
đồng hóa vào mô hình số, kết quả các hệ thống 
đối lưu được mô phỏng tốt hơn trong điều kiện 
ban đầu . Một số nghiên cứu cũng cho thấy khi 
đồng hóa đồng thời cả vận tốc gió xuyên tâm và 
độ phản hồi cho kết quả tốt hơn là chỉ một 
thành phần, Xiao và cs [6] đã phát triển một 
phương pháp đồng hóa vận tốc xuyên tâm trong 
hệ thống 3DVAR, sau đó phương pháp này 
được bổ xung thêm dữ liệu độ phản hồi vô 
tuyến [7], kết quả cho thấy có sự cải thiện hơn 
đối với dự báo định lượng mưa (QPF) hạn 
ngắn. Trong dự báo bão, Tong và Xue [8] đã 
đồng hóa radar Doppler cho thấy kết quả tốt 
nhất thu được khi cả hai dữ liệu vận tốc xuyên 
tâm và độ phản hồi. Ngoài ra việc kết hợp dữ 
liệu radar với các dữ liệu khác được thể hiện 
trong nghiên cứu của J. Liu và cs [9], họ sử 
dụng 4 chế độ đồng hóa khác nhau: dữ liệu khí 
tượng, độ phản hồi radar, độ phản hồi radar đã 
hiệu chỉnh, độ phản hồi radar kết hợp dữ liệu 
khí tượng, độ phản hồi radar đã hiệu chỉnh kết 
hợp dữ liệu khí tượng nhằm nghiên cứu ảnh 
hưởng của các loại dữ liệu đến quá trình đồng 
hóa kết quả cho thấy đồng hóa đồng thời độ 
phản xạ radar đã hiệu chỉnh và dữ liệu khí 
tượng cho kết quả tốt hơn cả so với các phương 
án khác. Đối với bài toán đồng hóa số liệu radar 
ở Việt Nam, nghiên cứu tiêu biểu là của Dư 
Đức Tiến đã xử lý số liệu radar Doppler để đưa 
vào đồng hóa số liệu cho mô hình WRF. Các 
thuật toán xử lý đã được ứng dụng cho số liệu 
radar Doppler Đông Hà, bao gồm xử lý nhiễu 
địa hình, xử lý nhiễu điểm ảnh và làm trơn 
(thinning) tạo số liệu mẫu (super observation). 
Tác giả cũng trình bày về lý thuyết xây dựng 
toán tử quan trắc cho số liệu radar Doppler của 
hệ thống WRFDA. Một số thử nghiệm được 
thực hiện nhằm đánh giá khả năng nâng cao 
chất lượng dự báo mưa lớn cho khu vực miền 
Trung khi đồng hóa số liệu radar Đông Hà. Các 
kết quả thử nghiệm bước đầu cho thấy việc đưa 
số liệu radar vào đồng hóa số liệu đã góp phần 
nâng cao chất lượng dự báo mưa lớn cho khu 
vực miền Trung đặc biệt khi sử dụng mô hình 
khu vực bất thủy tĩnh phân giải cao [1]. Trần 
Hồng Thái và cs đã đồng hóa số liệu Radar qua 
phương pháp nudging nhằm tác động tới dự báo 
mưa lớn trên khu vực Bắc Bộ [2]. Mặc dù đồng 
hóa số liệu radar có nhiều tác động tích cực tuy 
nhiên không ít trường hợp thu được kết quả xấu 
hơn do xử lý số liệu ban đầu chưa tốt, số liệu 
radar thô thường bị tác động bởi các nhiễu, dải 
sáng, sự suy giảm tín hiệu trong mưa lớn [10-
11] do vậy quá trình kiểm định chất lượng cho 
dữ liệu là vô cùng quan trọng. Trong bài báo 
này sẽ thực hiện một số phương pháp xử lý số 
liệu radar ban đầu và đánh tác động của các loại 
dữ liệu độ phản hồi, gió xuyên tâm và dữ liệu 
GTS kết hợp với các chế độ chạy warmstart và 
coldstart nhằm tìm ra bộ số liệu tốt nhất cho 
phương pháp chạy 3dvar phù hợp với bài toán 
mưa lớn tại khu vực TP Hồ Chí Minh. 
2. Phương pháp và số liệu nghiên cứu  ...  hóa (xung quanh khu vực TP. Hồ 
Chí Minh). Từ bảng có thể thấy trong trường 
hợp chưa đồng hóa, tỷ lệ lượng nước trong mưa 
(Qrain) có giá trị là 0, tuy nhiên sau khi được 
đồng hóa, mô hình đã biến đổi độ phản hồi 
Radar và bổ xung thêm giá trị vào biến Qrain 
tại thời điểm ban đầu, đồng thời biến Qgraup ở 
các mực trên cao cũng được cải thiện khá nhiều. 
Từ bảng cũng cho thấy đồng hóa coldstart và 
CONTROL đều cho lượng nước trong mây 
(Qcloud) là 0 tuy nhiên trong quá trình chạy 
warm start biến này được bổ xung thông tin từ 
các dự báo trước, có thể thấy tất cả các dự báo 
warmstart giá trị của Qcloud đã thay đổi đáng 
kể. Tiếp theo, nếu chỉ đồng hóa thành phần độ 
phản hồi ở chế độ coldstart, các thành phần gió 
kinh hướng U và vĩ hướng V không thay đổi 
tuy nhiên nếu bổ xung thêm dữ liệu GTS hoặc 
gió xuyên tâm của radarthành phần này thay đổi 
đáng kể. So sánh các dự báo nếu chỉ đồng hóa 
riêng độ phản hồi hoặc số liệu synop trong quá 
trình chạy coldstart, tốc độ thẳng đứng W là 0, 
nhưng khi đồng hóa thêm gió xuyên tâm của 
radar hoặc chạy warm starttốc độ này cũngđược 
cải thiện. Nhìn chung, độ phản hồi radar làm 
biến đổi các thành phần Qrain, Qcloud, Qvapor, 
Qgraup của mô hình, tốc độ gió xuyên tâm 
làm thay đổi trường gió kinh hướng, vĩ hướng 
và gió thẳng đứng. Chế độ chạy warm start 
cung cấp khá nhiều thông tin từ dự báo trước 
làm cho trường ban đầu được cải thiện đáng kể 
so với chỉ chạy coldstart. 
3.2. Đánh giá khả năng mô phỏng mưa của 
mô hình 
Tiếp theo, nghiên cứu sẽ phân tích kết quả 
so sánh về lượng mưa và diện mưa giữa các sản 
phẩm CONTROL, các trường hợp đồng hóa và 
số liệu quan trắc. Hình 3.1a là lượng mưa tích 
lũy 24h của quan trắc cho thấy trong ngày 
02/08/0216 tại khu vực TP Hồ Chí Minh xuất 
hiện một tâm mưa lớn và hình thành một dải 
mưa kéo dài đến khu vực Phước Long, Đồng 
Xoài. Lượng mưa từ số liệu quan trắc phổ biến 
trong khoảng 20-75mm. Ở kết quả mô phỏng, 
có thể thấy phương án CONTROL (hình 3.1 b), 
T.D. Thức, C. Thanh / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 59-70 65
đồng hóa độ phản hồi ở chế độ coldstart CZH 
(hình 3.1 c) và đồng hóa độ phản hồi và synop 
ở chế độ coldstart CZHSYNOP (hình 3.1d) mô 
phỏng lượng mưa ít hơn khá nhiều so với quan 
trắc và hầu như không nắm bắt được diện mưa 
tuy nhiên sau khi đưa thành phần vận tốc gió 
xuyên tâm, chất lượng dự báo đã cải thiện lên 
đáng kể, các trường hợp CZHVR (đồng hóa 
coldstart độ phản hồi và gió xuyên tâm) (hình 
3.1e) đã cho thấy, mô hình bắt được tâm mưa ở 
TP. Hồ Chí Minh thậm chí khi bổ xung thêm cả 
số liệu GTS trong trường hợp CZVSYNOP 
(hình 3.1f) tâm mưa còn lớn hơn và lượng mưa 
gần hơn so với thực tế. Ở các thử nghiệm warm 
start mặc dù chỉ đồng hóa độ phản hồi (trường 
hợp WZH) (hình 3.1g) tuy nhiên mô hình cũng 
đã nắm bắt được lượng mưa và tâm mưa tại khu 
vực TP. Hồ Chí Minh, chứng tỏ dữ liệu từ dự 
báo trước đã cải thiện thêm đáng kể trường ban 
đầu tại các chu kỳ sau. Nhìn chung tại tất cả các 
thử nghiệm warmstart (hình 3.1g, h, I, k) đều 
nắm bắt khá tốt được lượng mưa và diện mưa 
khi so sánh với thực tế. 
Hình 3.2. cho kết quả so sánh giữa quan 
trắc và mô hình trong ngày 03/08/0216, cũng 
giống như kết quả mô phỏng bên trên, các thử 
nghiệm CONTROL (hình 3.2b), đồng hóa độ 
phản hồi ở chế độ coldstart CZH (hình 3.2c) và 
đồng hóa độ phản hồi và synop ở chế độ 
coldstart CZHSYNOP (hình 3.2 d) mô phỏng 
lượng mưa ít hơn khá nhiều so với quan trắc và 
chưa nắm bắt được diện mưa tuy nhiên sau khi 
bổ xung thành phần gió xuyên tâm, mô hình đã 
nắm bắt khá tốt diện mưa và lượng mưa vẫn 
còn tương đối thấp thể hiện qua thử nghiệm 
CZHVR (hình 3.2 e). Khi bổ xung thêm cả số 
liệu GTS, trường hợp CZVSYNOP (hình 3.2f) 
mô hình đã cải thiện thêm được lượng mưa. 
Trong chế độ chạy warm start (hình 3.2 g, h, i, k) 
mô hình nắm bắt khá tốt diện mưa và lượng 
mưa đặc biệt mô hình mô phỏng được lượng 
mưa rất lớn thuộc khu vực Bình Long, Phước 
Long mà chế độ coldstart chưa thể mô phỏng 
được. Tuy nhiên ở khu vực TP. Hồ Chí Minh 
lượng mưa chưa mô phỏng thực sự tốt bằng chế 
độ coldstart, trong trường hợp này đồng hóa 
đồng thời gió xuyên tâm, độ phản hồi, GTS tốt 
hơn so với các trường hợp còn lại. 
Bảng 3. Giá trị trung bình của các biến ở 20 mực thấp nhất tại trường ban đầu 
QRAIN 
(g/kg) 
QCLOUD 
(g/kg) 
QVAPOR 
(g/kg) 
QGRAUP 
(g/kg) 
U 
(m/s) 
V 
(m/s) 
W 
(m/s) 
CONTROL 0 0 0.0131687 0 14.0791 3.49487 0 
CZH 0.0001952 0 0.0131687 6.84E-06 14.0791 3.49487 0 
CZHSYNOP 0.0001942 0 0.0131687 6.80E-06 14.1097 3.49235 0 
CZHVR 7.29E-05 0 0.0131687 3.73E-06 13.957 6.31051 0.0090465 
CZVSYNOP 7.29E-05 0 0.0131687 3.73E-06 13.957 6.31051 0.0090465 
WZH 0.003213 0.0014125 0.0145541 0.0016545 18.1206 12.6105 5.09626 
WZHSYNOP 0.003213 0.0014125 0.0145541 0.0016545 18.1205 12.6065 5.09626 
WZHVR 0.003213 0.0014125 0.0145541 0.0016585 17.4166 14.1657 5.06923 
WZVSYNOP 0.003213 0.0014125 0.0145541 0.0016585 17.4166 14.1656 5.06923 
T.D. Thức, C. Thanh / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 59-70 
66
(a) (b) 
(c) 
(d) (e) 
(f) 
(g) 
(h) 
(i) 
(k) 
Hình 3.1. Lượng mưa tích lũy 24h trong ngày 02/08/2016 của quan trắc(a), và các trường hợp CONTROL(b), 
CZH(c), CZHSYNO(d), CZHVR(e), CZVSYNOP(f), WZH(g), WZHSYNO(h), WZHVR(i), WZVSYNOP(k). 
T.D. Thức, C. Thanh / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 59-70 67
(a) 
(b) 
(c) 
(d) 
(e) 
(f) 
(g) 
(h) 
(i) 
(k) 
Hình 3.2. Lượng mưa tích lũy 24h trong ngày 03/08/2016 của quan trắc(a), và các trường hợp CONTROL(b), 
CZH(c), CZHSYNO(d), CZHVR(e), CZVSYNOP(f), WZH(g), WZHSYNO(h), WZHVR(i), WZVSYNOP(k). 
T.D. Thức, C. Thanh / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 59-70 
68
Bảng 4. Kết quả đánh giá sai số MAE(mm), RMSE(mm), RE(%) 
 02/08/2016 03/08/2016 TRUNG BÌNH 
TRƯỜNG HỢP MAE RMSE RE MAE RMSE RE MAE RMSE RE 
CONTROL 21.40 26.80 -19.59 19.10 28.20 -42.05 20.25 27.50 -30.82 
CZH 19.30 25.30 -14.85 18.10 24.60 -37.98 18.70 24.95 -26.41 
CZHSYNOP 19.90 26.20 -19.97 17.60 23.80 -42.32 18.75 25.00 -31.14 
CZHVR 20.00 26.00 -14.37 19.50 28.20 -4.09 19.75 27.10 -9.23 
CZVSYNOP 17.80 22.20 -8.08 18.80 28.10 -7.50 18.30 25.15 -7.79 
WZH 16.30 21.70 -6.11 12.30 17.10 -18.72 14.30 19.40 -12.41 
WZHSYNOP 16.10 20.00 0.78 11.80 16.90 -25.03 13.95 18.45 -12.12 
WZHVR 17.80 21.40 9.41 15.90 20.60 7.08 16.85 21.00 8.25 
WZVSYNOP 16.40 23.20 6.12 16.60 21.10 8.64 16.50 22.15 7.38 
3.2. Đánh giá sai số 
Bảng 4 là kết quả sai số cho 9 trường hợp 
thử nghiệm, có thể thấy giá trị MAE trong 
khoảng 13.95 – 27.5mm trong đó cao nhất là 
trường hợp CONTROL, nhỏ nhất là của trường 
hợp WZHSYNOP (đồng hóa Warm startvới số 
liệu phản hồi vô tuyến và GTS), nhìn chung các 
trường hợp đồng hóa đa phần sai số MAE nhỏ 
hơn so với không đồng hóa. Giá trị RMSE 
trong khoảng 18.45 – 27.5 mm trong đó lớn 
nhất là của trường hợp CONTROL, nhỏ nhất 
của trường hợp WZHSYNOP (đồng hóa Warm 
startsố liệu phản hồi vô tuyến kết hợp với 
GTS), sai số tương đối RE(%) cho thấy sai số 
tốt nhất là của trường hợp WZVSYNOP (đồng 
hóa Warm startcả số liệu phản hồi, gió xuyên 
tâm và GTS) với giá trị là 7.38, lớn nhất là của 
CONTROL với giá trị -30.82. 
4. Kết luận 
Bài báo sử dụng WRF mặc định và 8 trường 
hợp đồng hóa dữ liệu nhằm đánh giá khả năng 
tác động của 2 chế độ chạy WRF-var là warm 
start và coldstart cùng với thay đổi 3 loại dữ 
liệu độ phản hồi, gió xuyên tâm của radar và dữ 
liệu GTS, kết quả cho thấy so với WRF 
CONTROL đồng hóa đã có tác động tương đối 
tốt với hạn dự báo 24h. Nhìn chung đồng hóa 
vận tốc gió xuyên tâm làm biến đổi trường gió 
kinh, vĩ hướng và thành phần gió thẳng đứng 
W. Đồng hóa độ phản hồi vô tuyến làm biến đổi 
các nhân tố quan trọng góp phần hình thành 
mưa như Qcloud, QVapor và Qrain. Chế độ chạy 
warm startcho một trường ban đầu với lượng dữ 
liệu dồi dào hơn rất nhiều so với chỉ chạy 
coldstart thông thường. Về kết quả mô phỏng 
mưa lớn, các trường hợp warm start cho mô 
phỏng khá phù hợp với thực tế, nhìn chung khi 
đồng hóa kết hợp cả 3 loại dữ liệu cho mô 
phỏng tương đối tốt hơn các trường hợp khác, 
về kết quả sai số có thể thấy kết quả của trường 
hợp đồng hóa warm start với dữ liệu độ phản 
hồi và GTS (WZHSYNOP) cho kết quả tốt nhất 
với các chỉ số MAE là 13.95 và RMSE là 
18.45, trường hợp đồng hóa warm start với dữ 
liệu độ phản hồi, gió xuyên tâm và GTS 
(WZVSYNOP) cho kết quả tốt nhất với chỉ số 
RE với giá trị là 7.38. Ngoài ra xử lý dữ liệu 
radar ban đầu là một trong các bước quan trọng 
của quá trình đồng hóa, nếu dữ liệu radar không 
tốt có thể ảnh hưởng rất lớn đến kết quả mô 
phỏng. Trong bài báo cũng đã trình bày một số 
bước xử lý số liệu nhằm thu được dữ liệu quan 
trắc radar tốt nhất trước khi đưa vào mô hình số. 
Lời cảm ơn 
Nghiên cứu này được thực hiện và hoàn 
thành nhờ sự hỗ trợ của Đề tài “Xây dựng hệ 
T.D. Thức, C. Thanh / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 59-70 69
thống nghiệp vụ dự báo mưa lớn hạn cực ngắn 
trên địa bàn Thành phố Hồ Chí Minh”. Tác giả 
xin chân thành cảm ơn. 
Tài liệu tham khảo 
[1] Dư Đức Tiến và cộng sự , Nghiên cứu đồng hóa 
số liệu Radar Đông Hà để nâng cao chất lượng dự 
báo mưa lớn cho khu vực miền Trung. Tạp chí 
Khí tượng Thủy văn 2013, số 632 tr.12-19. – 2013 
[2] Trần Hồng Thái và cộng sự, Phương pháp đồng hóa 
số liệu nudging cho quan trắc Radar và tác động tới 
dự báo mưa lớn trên khu vực Bắc Bộ. tạp chí Khí 
tượng Thủy văn 2016, số 670 tr.1-6. – 2016. 
[3] Daley, R: Atmospheric Data Analysis, Cambridge 
University Press, Cambridge, UK, 1991. 
[4] Sokol, Z: Effects of an assimilation of radar and 
satellite data on a very short range forecast of 
heavy convective rainfalls, Atmos. Res., 93, 188–
206, 2009. 
[5] Xiao, Q. and Sun, J.: Multiple radar data 
assimilation and shortrange Quantitative 
Precipitation Forecasting of a squall line ob 
served during IHOP 2002, Mon. Weather Rev., 
135, 3381–3404, 2007 
[6] Xiao, Q., Y-H. Kuo, J. Sun, W-C. Lee, E. Lim, Y-
R. Guo, and D. M. Barker, 2005: Assimilation of 
Doppler radar observations with a regional 
3DVAR system: Impact of Doppler velocities on 
forecasts of a heavy rainfall case. J. Appl. 
Meteor., 44, 768–788. 
[7] Xiao, Q., Kuo, Y., Sun, J., Lee, W., Barker, D. 
M., and Lim, E.: An approach of radar reflectivity 
data assimilation and its assessment with the 
inland QPF of Typhoon Rusa (2002) at landfall, J. 
Appl. Meteorol. Clim., 46, 14–22, 2007. 
[8] Tong, M. and Xue, M.: Ensemble Kalman filter 
assimilation of Doppler radar data with a 
compressible nonhydrostatic model: OSS 
experiments, Mon. Weather Rev., 133, 1789–
1807, 2005 
[9] J. Liu, M. Bray , and D. Han 2012: A study on 
WRF radar data assimilation for hydrological 
rainfall prediction 
[10] Hitschfeld, W. and Bordan, J.: Error inherent in 
the radar measurement of rainfall at attenuating 
wavelengths, J. Meteorol., 11, 58– 67, 1954. 
[11] Browning, K. A., Pardoe, C. W., and Hill, F. F.: 
The nature of orographic rain at wintertime 
cold fronts, Q. J. Roy. Meteorol. Soc., 101, 
333–352, 1975. 
[12] Barker, D. M., W. Huang, Y-R. Guo, A. J. 
Bourgeois, and Q. N.Xiao, 2004: A three-
dimensional variational data assimilation system 
for MM5: Implementation and initial results. 
Mon. Wea. Rev., 132,897–914. 
[13] Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. 
Gill, D. M.Barker, W. Wang, and J. G. Powers, 
2005: A description of the advanced research 
WRF version 2. NCAR Tech. Note NCAR/TN-
468+STR, 88 pp. 
[14] Sun, J., and N. A. Crook, 1997: Dynamical and 
microphysical retrieval from Doppler radar 
observations using a cloud model and its adjoint. 
Part I: Model development and simulated data 
experiments. J. Atmos. Sci., 54, 1642–1661. 
[15] Mark A. Askelson 2000: An Adaptation of 
the Barnes Filter Applied to the Objective 
Analysis of Radar Data 
[16] Parrish, D. F., and J. C. Derber, 1992: The 
National Meteorological Center’s spectral 
statistical-interpolation analysis system. Mon. 
Wea. Rev., 120, 1747–1763. 
T.D. Thức, C. Thanh / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 59-70 
70
Radar Data Assimination in Wrf Model to Forecast Heavy 
Rainfall at Ho Chi Minh City 
Tran Duy Thuc1, Cong Thanh2 
1Viet Nam Institute of Meteorology Hydrology and Climate Change, 
23/62 Nguyen Chi Thanh, Dong Da, Hanoi, Vietnam 
2Faculty of Hydro-Meteorology and Oceanography, VNU University of Science 
 334 Nguyen Trai, Thanh Xuan, Hanoi, Vietnam 
Abstract: This paper uses high resolution WRF model to simulate a number of heavy 
rainfall events in summer in Ho Chi Minh city using radar data to assimilation initial 
conditions with 3DVAR method, the WRF3Dvar running simulation with two modes: cold 
start and warm start combine with three cases: only Reflectivity of radar; Reflectivity and 
Doppler radar radial wind observations; Reflectivity, Doppler radar radial wind, and GTS 
data. The background error used was CV7 created from 6 months forecast in South Vietnam. 
Radar data before assimilation was quality control and thinned to remove noise and create the 
best observation. 24 station rainfall in South Vietnam using to an evaluation of WRF model 
simulation. Results show assimilation only reflectivity will affect to 
variable Qcloud, Qvapor and Qrain on the initial condition of model and assimilation only Doppler 
radar radial wind improve wind. Compare each case show warm start simulation precipitation 
better than the cold start, assimilation both Doppler radar radial wind observations, the 
reflectivity of radar and GTS better than another case. 
Keywords: WRFDA, RADAR.