Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Вверху : Моделирование метеорологических исследований и прогнозов следов урагана Рита. Внизу : Распространение многомодельного ансамблевого прогноза Национального центра ураганов .

Ансамблевое прогнозирование - это метод, используемый в численном прогнозировании погоды . Вместо того, чтобы делать один прогноз наиболее вероятной погоды, составляется набор (или ансамбль) прогнозов. Этот набор прогнозов призван дать представление о диапазоне возможных будущих состояний атмосферы. Ансамблевое прогнозирование - это форма анализа Монте-Карло . Множественное моделирование проводится для учета двух обычных источников неопределенности в моделях прогноза: (1) ошибки, вносимые использованием несовершенных начальных условий, усиленные хаотическим характером уравнений эволюции атмосферы, что часто называют как чувствительная зависимость от начальных условий; и (2) ошибки, возникшие из-за недостатков в формулировке модели, такие как приближенные математические методы решения уравнений. В идеале подтвержденное будущее состояние атмосферы должно находиться в пределах прогнозируемого ансамблевого разброса , а величина разброса должна быть связана с неопределенностью (ошибкой) прогноза. В общем, этот подход можно использовать для создания вероятностных прогнозов любой динамической системы , а не только для прогноза погоды.

Сегодня ансамблевые прогнозы обычно делаются на большинстве основных средств оперативного прогнозирования погоды по всему миру, в том числе:

Экспериментальные ансамблевые прогнозы делаются в ряде университетов, таких как Вашингтонский университет, а ансамблевые прогнозы в США также генерируются ВМС и ВВС США . Существуют различные способы просмотра данных, таких как графики спагетти , средние значения по ансамблям или почтовые марки, где можно сравнить ряд различных результатов прогона моделей.

История [ править ]

См. Также: История численного прогноза погоды.

Как было предложено Эдвардом Лоренцем в 1963 году, для долгосрочных прогнозов, сделанных более чем на две недели вперед, невозможно предсказать состояние атмосферы с какой-либо степенью мастерства из-за хаотической природы рассматриваемых уравнений гидродинамики . [1] Кроме того, существующие сети наблюдений имеют ограниченное пространственное и временное разрешение (например, над большими водоемами, такими как Тихий океан), что вносит неопределенность в истинное начальное состояние атмосферы. В то время как система уравнений, известная как уравнения Лиувилля, существует для определения начальной неопределенности при инициализации модели, уравнения слишком сложны для выполнения в реальном времени, даже с использованием суперкомпьютеров. [2] Практическая важность ансамблевых прогнозов проистекает из того факта, что в хаотической и, следовательно, нелинейной системе скорость роста ошибки прогноза зависит от начальных условий. Таким образом, ансамблевый прогноз обеспечивает предварительную оценку предсказуемости в зависимости от состояния, т. Е. Оценку типов погоды, которые могут произойти, с учетом неизбежных неопределенностей в начальных условиях прогноза и точности вычислительного представления уравнений. Эти неопределенности ограничивают точность модели прогноза примерно шестью днями в будущем. [3]Первые оперативные ансамблевые прогнозы были составлены для субсезонных временных шкал в 1985 году. [4] Однако стало понятно, что философия, лежащая в основе таких прогнозов, актуальна и в более коротких временных масштабах - временных масштабах, в которых прогнозы ранее делались чисто детерминированными средствами.

Эдвард Эпштейн в 1969 году признал, что атмосфера не может быть полностью описана с помощью одного прогона прогноза из-за присущей ей неопределенности, и предложил стохастическую динамическую модель, которая производила средние значения и отклонения для состояния атмосферы. [5] Хотя моделирование методом Монте-Карло показало умение, в 1974 году Сесил Лейт показал, что они дают адекватные прогнозы только тогда, когда ансамблевое распределение вероятностей является репрезентативной выборкой распределения вероятностей в атмосфере. [6] Только в 1992 г. ансамблевые прогнозы начали готовитьЕвропейский центр среднесрочных прогнозов погоды (ECMWF) и Национальные центры экологического прогнозирования (NCEP).

Методы представления неопределенности [ править ]

Есть два основных источника неопределенности, которые необходимо учитывать при составлении ансамблевого прогноза погоды: неопределенность начальных условий и неопределенность модели. [7]

Неопределенность начального состояния [ править ]

Неопределенность начальных условий возникает из-за ошибок в оценке начальных условий для прогноза, как из-за ограниченных наблюдений за атмосферой, так и из-за неопределенностей, связанных с использованием косвенных измерений, таких как спутниковые данные , для измерения состояния атмосферных переменных. Неопределенность начальных условий представлена ​​нарушением начальных условий между различными элементами ансамбля. Это исследует диапазон начальных условий, соответствующих нашим знаниям о текущем состоянии атмосферы, а также ее прошлой эволюции. Есть несколько способов генерировать эти возмущения начальных условий. Модель ECMWF, Система ансамблевого прогнозирования (EPS), [8] использует комбинацию сингулярных векторов и ансамбльассимиляции данных (EDA) для моделирования начальной плотности вероятности . [9] Сингулярные векторные возмущения более активны во внетропиках, в то время как возмущения EDA более активны в тропиках. Ансамбль NCEP, Глобальная система ансамблевого прогнозирования, использует метод, известный как селекция векторов . [10] [11]

Неопределенность модели [ править ]

Неопределенность модели возникает из-за ограничений модели прогноза. Процесс представления атмосферы в компьютерной модели включает множество упрощений, таких как разработка схем параметризации , которые вносят ошибки в прогноз. Было предложено несколько методов представления неопределенности модели.

Схемы возмущенных параметров [ править ]

При разработке параметризации схемы, многие новые параметры вводятся для представления упрощенных физических процессов. Эти параметры могут быть очень неопределенными. Например, « коэффициент уноса » представляет собой турбулентное перемешивание сухого окружающего воздуха с конвективным облаком и, таким образом, представляет собой сложный физический процесс с использованием одного числа. В подходе с возмущенными параметрами неопределенные параметры в схемах параметризации модели идентифицируются, и их значение изменяется между членами ансамбля. В то время как в вероятностном моделировании климата, таком как Climateprediction.net , эти параметры часто остаются постоянными глобально и на протяжении всей интеграции [12].в современных численных прогнозах погоды более распространено стохастическое изменение значений параметров во времени и пространстве. [13] Степень отклонения параметра может определяться с помощью экспертной оценки [14] или путем непосредственной оценки степени неопределенности параметра для данной модели. [15]

Стохастические параметризации [ править ]

Традиционная схема параметризации стремится представить средний эффект субсеточного движения (например, конвективные облака) на разрешенное состояние масштаба (например, крупномасштабные поля температуры и ветра). Схема стохастической параметризации учитывает, что может быть много состояний масштаба подсетки, согласующихся с конкретным состоянием разрешенного масштаба. Вместо прогнозирования наиболее вероятного движения в масштабе подсетки схема стохастической параметризации представляет одну возможную реализацию подсетки. Это достигается за счет включения случайных чисел в уравнения движения. Это образцы из распределения вероятностейотнесены к неопределенным процессам. Стохастические параметризации значительно улучшили навыки моделей прогнозирования погоды и теперь используются в центрах оперативного прогнозирования по всему миру. [16] Стохастические параметризации были впервые разработаны в Европейском центре среднесрочных прогнозов погоды . [17]

Мультимодельные ансамбли [ править ]

Когда для создания прогноза используется множество различных моделей прогноза, этот подход называется прогнозированием с использованием нескольких моделей ансамбля. Этот метод прогнозирования может улучшить прогнозы по сравнению с подходом на основе одной модели. [18] Когда модели в многомодельном ансамбле корректируются с учетом их различных смещений, этот процесс известен как «суперсамблевое прогнозирование». Этот тип прогноза значительно снижает количество ошибок в выходных данных модели. [19] Когда модели различных физических процессов комбинируются, например, комбинации моделей атмосферы, океана и волн, многомодельный ансамбль называется гипер-ансамблем. [20]

Оценка вероятности [ править ]

Ансамблевый прогноз обычно оценивается путем сравнения среднего значения отдельных прогнозов для одной переменной прогноза с наблюдаемым значением этой переменной («ошибка»). Это сочетается с рассмотрением степени согласия между различными прогнозами в рамках ансамблевой системы, которая представлена ​​их общим стандартным отклонением или «разбросом». Разброс ансамбля можно визуализировать с помощью таких инструментов, как спагетти-диаграммы, которые показывают разброс одной величины на прогностических диаграммах для определенных временных шагов в будущем. Еще один инструмент, в котором используется ансамблевый разброс - метеограмма., который показывает разброс прогноза одной величины для одного конкретного местоположения. Обычно разброс по ансамблю слишком мал, так что наблюдаемое состояние атмосферы выходит за рамки ансамблевого прогноза. Это может привести к чрезмерной уверенности синоптика в своем прогнозе. [21] Эта проблема становится особенно серьезной для прогнозов погоды примерно на 10 дней вперед [22], особенно если в прогнозе не учитывается неопределенность модели.

Надежность и разрешение (калибровка и резкость) [ править ]

Разброс ансамблевого прогноза показывает, насколько уверенным может быть прогнозист в своем прогнозе. Когда разброс по ансамблю невелик и решения прогнозов согласованы в рамках нескольких прогонов модели, прогнозисты ощущают большую уверенность в прогнозе в целом. [21] Когда разброс большой, это указывает на большую неопределенность в прогнозе. В идеале должна существовать взаимосвязь «разброс – квалификация» , при которой разброс ансамбля является хорошим предиктором ожидаемой ошибки среднего ансамбля. Если прогноз надежен , наблюдаемое состояние будет вести себя так, как если бы оно было получено из распределения вероятностей прогноза. Надежность (или калибровка) можно оценить путем сравнения стандартного отклонения ошибки в среднем по ансамблю с разбросом прогноза: для надежного прогноза они должны совпадать как в разное время выполнения прогноза, так и для разных мест. [23]

Также можно оценить надежность прогнозов конкретного погодного явления. Например, если 30 из 50 членов указали, что количество осадков превысит 1 см в течение следующих 24 часов, вероятность превысить 1 см может быть оценена в 60%. Прогноз будет считаться надежным, если, учитывая все прошлые ситуации, когда прогнозировалась вероятность 60%, в 60% этих случаев количество осадков действительно превышало 1 см. На практике вероятности, полученные на основе оперативных ансамблевых прогнозов погоды, не обладают высокой надежностью, хотя с набором прошлых прогнозов ( повторных или ретроспективных ) и наблюдений оценки вероятности из ансамбля могут быть скорректированы для обеспечения большей надежности.

Еще одно желаемое свойство ансамблевых прогнозов - разрешающая способность . Это показатель того, насколько прогноз отклоняется от частоты климатологических событий - при условии, что ансамбль надежен, увеличение этого отклонения повысит полезность прогноза. Это качество прогноза также можно рассматривать с точки зрения резкости или того, насколько мал разброс прогноза. Ключевой целью синоптика должно быть максимальное повышение резкости при сохранении надежности. [24] Прогнозы с большим отрывом неизбежно не будут особенно точными (с особенно высоким разрешением), поскольку неизбежные (хотя обычно небольшие) ошибки в начальных условиях будут расти с увеличением опережения прогноза до тех пор, пока ожидаемая разница между двумя состояниями модели не станет такой же большой, как разница. между двумя случайными состояниями из климатологии модели прогноза.

Калибровка ансамблевых прогнозов [ править ]

Если ансамблевые прогнозы должны использоваться для прогнозирования вероятностей наблюдаемых погодных переменных, они обычно нуждаются в калибровке для создания объективных и надежных прогнозов. Для прогнозов температуры одним простым и эффективным методом калибровки является линейная регрессия , часто известная в этом контексте как статистика выходных данных модели.. Модель линейной регрессии принимает среднее по ансамблю в качестве предиктора реальной температуры, игнорирует распределение членов ансамбля вокруг среднего и прогнозирует вероятности, используя распределение остатков из регрессии. В этой настройке калибровки значение ансамбля в улучшении прогноза состоит в том, что среднее по ансамблю обычно дает лучший прогноз, чем любой отдельный член ансамбля, и не из-за какой-либо информации, содержащейся в ширине или форме распределения членов в ансамбль вокруг среднего. Однако в 2004 г. было введено обобщение линейной регрессии (теперь известное как неоднородная гауссовская регрессия ) [25]который использует линейное преобразование ансамблевого разброса, чтобы дать ширину прогнозирующего распределения, и было показано, что это может привести к прогнозам с более высокой точностью, чем те, которые основаны только на линейной регрессии. Это впервые доказало, что информация в виде распределения членов ансамбля вокруг среднего, в данном случае суммированного разбросом ансамбля, может использоваться для улучшения прогнозов по сравнению с линейной регрессией . То, можно ли преодолеть линейную регрессию с помощью ансамблевого разброса таким образом, зависит от системы прогноза, переменной прогноза и времени выполнения заказа.

Прогнозирование размера изменений прогноза [ править ]

Помимо использования для улучшения прогнозов неопределенности, ансамблевый разброс также может использоваться в качестве предиктора вероятного размера изменений среднего прогноза от одного прогноза к другому. [26] Это работает, потому что в некоторых системах ансамблевых прогнозов узкие ансамбли имеют тенденцию предшествовать небольшим изменениям среднего значения, в то время как широкие ансамбли имеют тенденцию предшествовать большим изменениям среднего значения. Это имеет применение в торговых отраслях, для которых может быть важно понимание вероятных размеров будущих изменений прогнозов.

Координированное исследование [ править ]

Основная статья: Интерактивный большой глобальный ансамбль THORPEX

Эксперимент по исследованию и предсказуемости системы наблюдений (THORPEX) - это 10-летняя международная программа исследований и разработок, направленная на ускорение повышения точности однодневных и двухнедельных прогнозов погоды со значительными воздействиями на благо общества, экономики и окружающей среды. Он устанавливает организационную основу для решения проблем погодных исследований и прогнозов, решение которых будет ускорено за счет международного сотрудничества между академическими учреждениями, центрами оперативных прогнозов и пользователями прогнозной продукции.

Одним из ее ключевых компонентов является интерактивный большой глобальный ансамбль THORPEX (TIGGE), всемирная программа погодных исследований, призванная ускорить повышение точности прогнозов погоды со значительными последствиями на срок от 1 дня до 2 недель на благо человечества. Централизованные архивы данных прогнозов ансамблевых моделей из многих международных центров используются для обеспечения широкого обмена данными и проведения исследований.

См. Также [ править ]

  • Теория хаоса
  • Климатический ансамбль
  • Ансамблевый фильтр Калмана
  • Ансамбль (механика жидкости)
  • Прогнозирование
  • Вероятностное прогнозирование
  • Интерактивный большой глобальный ансамбль ТОРПЭКС
  • Система ансамблевых прогнозов Северной Америки

Ссылки [ править ]

  1. ^ Кокс, Джон Д. (2002). Наблюдатели за бурей . John Wiley & Sons, Inc., стр.  222–224 . ISBN 978-0-471-38108-2.
  2. ^ Manousos, Питер (2006-07-19). «Системы ансамблевого прогнозирования» . Центр гидрометеорологического прогнозирования . Проверено 31 декабря 2010 .
  3. ^ Вейкманн, Клаус, Джефф Уитакер, Андрес Рубичек и Кэтрин Смит (2001-12-01). Использование ансамблевых прогнозов для получения улучшенных среднесрочных (3–15 дней) прогнозов погоды. Центр климатической диагностики . Проверено 16 февраля 2007.
  4. ^ Палмер, Тим (2018). «Система ансамблевого прогнозирования ECMWF: взгляд назад (более чем) на 25 лет и прогноз на 25 лет вперед». Ежеквартальный журнал Королевского метеорологического общества . 0 . arXiv : 1803.06940 . Bibcode : 2018arXiv180306940P . DOI : 10.1002 / qj.3383 . ISSN 1477-870X . S2CID 4944687 .  
  5. Перейти ↑ Epstein, ES (декабрь 1969 г.). «Стохастическое динамическое предсказание». Tellus . 21 (6): 739–759. Bibcode : 1969Скажи ... 21..739E . DOI : 10.1111 / j.2153-3490.1969.tb00483.x .
  6. ^ Leith, CE (июнь 1974). «Теоретический навык прогнозов Монте-Карло» . Ежемесячный обзор погоды . 102 (6): 409–418. Bibcode : 1974MWRv..102..409L . DOI : 10,1175 / 1520-0493 (1974) 102 <0409: TSOMCF> 2.0.CO; 2 . ISSN 1520-0493 . 
  7. ^ Slingo, Джулия; Палмер, Тим (13 декабря 2011 г.). «Неопределенность прогноза погоды и климата» . Фил. Пер. R. Soc. . 369 (1956): 4751–4767. Bibcode : 2011RSPTA.369.4751S . DOI : 10,1098 / rsta.2011.0161 . ISSN 1364-503X . PMC 3270390 . PMID 22042896 .   
  8. ^ "Система ансамблевого прогнозирования (EPS)" . ЕЦСПП . Архивировано из оригинала на 2010-10-30 . Проверено 5 января 2011 .
  9. ^ "Количественная оценка неопределенности прогноза | ЕЦСПП" . www.ecmwf.int . 2013-11-29 . Проверено 20 ноября 2016 .
  10. ↑ Тот, Золтан; Калнай, Евгения (декабрь 1997 г.). «Ансамблевое прогнозирование в NCEP и метод селекции». Ежемесячный обзор погоды . 125 (12): 3297–3319. Bibcode : 1997MWRv..125.3297T . CiteSeerX 10.1.1.324.3941 . DOI : 10,1175 / 1520-0493 (1997) 125 <3297: EFANAT> 2.0.CO; 2 . ISSN 1520-0493 .  
  11. ^ Molteni, F .; Buizza, R .; Палмер, штат Теннесси ; Петролягис, Т. (январь 1996 г.). «Система ансамблевого прогнозирования ЕЦСПП: методология и проверка». Ежеквартальный журнал Королевского метеорологического общества . 122 (529): 73–119. Bibcode : 1996QJRMS.122 ... 73M . DOI : 10.1002 / qj.49712252905 .
  12. ^ "Возмущенные ансамбли физики | climprediction.net" . www.climateprediction.net . Проверено 20 ноября 2016 .
  13. ^ Маккейб, Энн; Суинбанк, Ричард; Теннант, Уоррен; Лок, Адриан (2016-10-01). «Представление неопределенности модели в системе прогнозирования ансамбля, допускающей конвекцию, и ее влияние на прогнозирование тумана». Ежеквартальный журнал Королевского метеорологического общества . 142 (700): 2897–2910. Bibcode : 2016QJRMS.142.2897M . DOI : 10.1002 / qj.2876 . ISSN 1477-870X . 
  14. ^ Ollinaho, Пиркк; Лок, Сара-Джейн; Лойбехер, Мартин; Бехтольд, Питер; Бельяарс, Антон; Боззо, Алессио; Forbes, Ричард М .; Хайден, Томас; Хоган, Робин Дж. (01.10.2016). «На пути к представлению неопределенностей модели на уровне процесса: параметризации со стохастическими возмущениями в ансамбле ECMWF». Ежеквартальный журнал Королевского метеорологического общества . 143 (702): 408–422. Bibcode : 2017QJRMS.143..408O . DOI : 10.1002 / qj.2931 . ISSN 1477-870X . 
  15. ^ Кристенсен, HM; Мороз И.М .; Палмер, Теннесси (4 февраля 2015 г.). "Стохастические и возмущенные параметрические представления неопределенности модели в параметризации конвекции". Журнал атмосферных наук . 72 (6): 2525–2544. Bibcode : 2015JAtS ... 72.2525C . DOI : 10.1175 / JAS-D-14-0250.1 . ISSN 0022-4928 . 
  16. ^ Бернер, Джудит; Ахатц, Ульрих; Батте, Лориан; Бенгтссон, Лиза; Де ла Камара, Альваро; Кристенсен, Ханна М .; Коланджели, Маттео; Коулман, Даниэль РБ; Кроммелин, Даан (19.07.2016). «Стохастическая параметризация: к новому взгляду на модели погоды и климата». Бюллетень Американского метеорологического общества . 98 (3): 565. arXiv : 1510.08682 . Bibcode : 2017BAMS ... 98..565B . DOI : 10.1175 / BAMS-D-15-00268.1 . ISSN 0003-0007 . S2CID 33134061 .  
  17. ^ Buizza, R .; Milleer, M .; Палмер, Теннесси (1999-10-01). «Стохастическое представление модельных неопределенностей в системе ансамблевого прогнозирования ECMWF». Ежеквартальный журнал Королевского метеорологического общества . 125 (560): 2887–2908. Bibcode : 1999QJRMS.125.2887B . DOI : 10.1002 / qj.49712556006 . ISSN 1477-870X . 
  18. ↑ Чжоу, Биньбинь и Цзюнь Ду (февраль 2010 г.). "Прогнозирование тумана на основе многомодельной системы прогнозирования мезомасштабного ансамбля" (PDF) . Погода и прогнозирование . 25 (1): 303. Bibcode : 2010WtFor..25..303Z . DOI : 10.1175 / 2009WAF2222289.1 . Проверено 2 января 2011 .
  19. ^ Кейн, Д. и М. Милелли (12 февраля 2010 г.). «Многомодельный метод SuperEnsemble для количественных прогнозов осадков в регионе Пьемонте» . Опасные природные явления и науки о Земле . 10 (2): 265. Bibcode : 2010NHESS..10..265C . DOI : 10,5194 / nhess-10-265-2010 .
  20. ^ Vandenbulcke, L .; и другие. (2009). «Супер-ансамблевые методы: применение к предсказанию дрейфа поверхности» (PDF) . Прогресс в океанографии . 82 (3): 149–167. Bibcode : 2009PrOce..82..149V . DOI : 10.1016 / j.pocean.2009.06.002 .
  21. ^ a b Уорнер, Томас Томкинс (2010). Численное прогнозирование погоды и климата . Издательство Кембриджского университета . С. 266–275. ISBN 978-0-521-51389-0.
  22. ^ Палмер, Теннесси; GJ Shutts; Р. Хагедорн; Ф. Дж. Доблас-Рейес; Т. Юнг; М. Лойбехер (май 2005 г.). «Представление неопределенности модели в прогнозе погоды и климата». Ежегодный обзор наук о Земле и планетах . 33 : 163–193. Bibcode : 2005AREPS..33..163P . DOI : 10.1146 / annurev.earth.33.092203.122552 .
  23. ^ Leutbecher, M .; Палмер, Теннесси (20 марта 2008 г.). «Ансамблевое прогнозирование». Журнал вычислительной физики . Прогнозирование погоды, климата и экстремальных явлений. 227 (7): 3515–3539. Bibcode : 2008JCoPh.227.3515L . DOI : 10.1016 / j.jcp.2007.02.014 .
  24. ^ Гнейтинг, Тильманн; Балабдауи, Фадуа; Рафтери, Адриан Э. (2007-04-01). «Вероятностные прогнозы, калибровка и резкость». Журнал Королевского статистического общества, Series B . 69 (2): 243–268. CiteSeerX 10.1.1.142.9002 . DOI : 10.1111 / j.1467-9868.2007.00587.x . 
  25. ^ Джусон, S; Брикс, А; Зиманн, С (2004). «Новая параметрическая модель для оценки и калибровки среднесрочных ансамблевых прогнозов температуры». Письма атмосферных наук . 5 (5): 96–102. arXiv : физика / 0308057 . Bibcode : 2004AtScL ... 5 ... 96J . DOI : 10.1002 / asl.69 . S2CID 118358858 . 
  26. ^ Джусон, S; Зиманн, С (2004). «Использование ансамблевых прогнозов для прогнозирования размера изменений прогнозов с применением к риску изменения значения погоды» . Письма атмосферных наук . 4 (1–4): 15–27. DOI : 10.1016 / S1530-261X (03) 00003-3 .

Дальнейшее чтение [ править ]

  • Ян Роулстон и Джон Норбери (2013). Невидимый во время бури: роль математики в понимании погоды . Издательство Принстонского университета. ISBN 978-0691152721.

Внешние ссылки [ править ]

  • Страница исследований ТИГГЕ
  • Архив данных треков тропических циклонов TIGGE в NCAR
  • Страница исследований ТОРПЭКС